一种违约预测方法及装置制造方法及图纸

本申请实施例提供了一种违约预测方法及装置，可以应用于趋势预测技术领域，用于在客户租赁保管箱时基于客户的历史银行数据和个人属性信息预测客户的违约概率，以使银行可以基于该违约概率进行相应押金和租金的收取以降低客户违约风险。所述方法包括：接收客户的保管箱租赁请求；获取客户的历史银行数据和个人属性信息；其中，历史银行数据包括购买理财产品数据、存款金额数据；通过训练好的违约预测模型，基于历史银行数据和个人属性信息预测客户的违约概率；其中，违约预测模型为通过租赁过保管箱且达到租赁周期的客户数据进行训练得到的，客户数据包括每个客户在租赁保管箱之前的历史银行数据、个人属性信息和是否违约的标识信息。的标识信息。的标识信息。

【技术实现步骤摘要】
一种违约预测方法及装置


[0001]本专利技术涉及趋势预测
，尤其涉及一种违约预测方法及装置。

技术介绍

[0002]随着生活水平的提高，人们拥有的贵重物品越来越多，对保管箱的需求量也越来越大，然而，目前银行的保管箱租赁业务中存在较多的客户违约，租赁到期未办理续租和退租等手续，且由于法律禁止银行职员强行打开客户保管箱，导致大量的银行保管箱被逾期未续租和退租的客户的物品占用，需等待客户在较长时间后缴纳违约金或成为银行的坏账，给银行带来较大的损失。

技术实现思路

[0003]本申请实施例提供了一种违约预测方法及装置，用于在客户租赁保管箱时基于客户的历史银行数据和个人属性信息预测客户的违约概率，以使银行可以基于该违约概率进行相应押金和租金的收取以降低客户违约风险。
[0004]第一方面，提供一种违约预测方法，所述方法包括：
[0005]接收客户的保管箱租赁请求；
[0006]获取所述客户的历史银行数据和个人属性信息；其中，所述历史银行数据包括购买理财产品数据、存款金额数据；
[0007]通过训练好本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种违约预测方法，其特征在于，所述方法包括：接收客户的保管箱租赁请求；获取所述客户的历史银行数据和个人属性信息；其中，所述历史银行数据包括购买理财产品数据、存款金额数据；通过训练好的违约预测模型，基于所述历史银行数据和个人属性信息预测所述客户的违约概率；其中，所述违约预测模型为通过租赁过保管箱且达到租赁周期的客户数据进行训练得到的，所述客户数据包括每个客户在租赁保管箱之前的历史银行数据、个人属性信息和是否违约的标识信息。2.如权利要求1所述的方法，其特征在于，所述通过训练好的违约预测模型，基于所述历史银行数据和个人属性信息预测所述客户的违约概率，包括：对所述个人属性信息进行脱敏处理和数值化处理；将所述历史银行数据、进行脱敏处理和数值化处理之后的数据输入所述违约预测模型，预测所述客户的违约概率。3.如权利要求1所述的方法，其特征在于，所述方法还包括：若所述客户的违约概率小于或等于第一预设阈值，则免除所述客户租赁保管箱需要缴纳的押金和租金；若所述客户的违约概率大于所述第一预设阈值，且所述客户的违约概率小于第二预设阈值，则根据所述客户的违约概率值确定所述客户租赁保管箱需要缴纳的押金和租金；其中，所述第二预设阈值大于所述第一预设阈值；若所述客户的违约概率大于或等于所述第二预设阈值，则拒绝将保管箱租赁给所述客户。4.如权利要求1所述的方法，其特征在于，所述个人属性信息中包含客户的身份标识信息，所述通过训练好的违约预测模型，基于所述历史银行数据和个人属性信息预测所述客户的违约概率之前，还包括：将所述客户的身份标识信息与预设名单进行匹配，以确定所述客户的身份标识信息是否包括在所述预设名单中；其中，所述预设名单中包括多个客户的身份标识信息；若所述客户包括在所述预设名单中，则拒绝将保管箱租赁给所述客户。5.如权利要求1
‑
4任一项所述的方法，其特征在于，所述违约预测模型通过如下方式获得：获取所述客户数据，对所述客户数据进行脱敏处理和数值化处理，得到目标样本数据集；将所述目标样本数据集中的数据输入预先构建的神经网络模型，得到第一预测违约概率；确定所述第一预测违约概率与真实客户数据对应的违约概率之间的第一距离；其中，所述真实客户数据对应的违约概率通过所述是否违约的标识信息进行表示；基于所述第一距离和梯度下降算法对所述预先构建的神经网络模型中的参数进行更新，直到所述第一距离小于预设距离时对所述预先构建的神经网络模型进行保存；确定保存的神经网络模型为所述违约预测模型。6.如权利要求5所述的方法，其特征在于，所述方法还包括：
将所述目标样本数据集按照预设比例划分为训练数据集和测试数据集；将所述训练数据集输入所述预先构建的神经网络模型，得到第二预测违约概率；确定所述第二预测违约概率与真实客户数据对应的违约概率之间的第二距离；基于所述第二距离和所述梯度下降算法对所述预先构建的神经网络模型中的参数进行更新，在更新次数达到预设次数时，将所述测试数据集输入当前的神经网络模型，得到第三预测违约概率；确定所述第三预测违约概率与所述真实客户数据对应的违约概率之间的误差；若所述误差小于预设误差，则确定所述当前的神经网络模型为所述违约预测模型。7.如权利要求6所述的方法，其特征在于，所述梯度下降算法中采用的学习率为动态学习率，用于基于距离确定所述预先构建的神经网络模型中的参数更新的幅度。8.一种违约预测装置，其特征在于，所述装置包括：通信模块，用于接收客户的保管箱租赁请求；处理模块，用于获取所述客户的历史银行数据和个人属性信息；其中，所述历史银行数据包括购买理财产品数据、存款金额数据；所述处理模块，还用于通过训练好的违约预测模型，...

【专利技术属性】
技术研发人员：孙荣铖，程强，黄青君，马波，李鹏程，
申请(专利权)人：建信金融科技有限责任公司，
类型：发明
国别省市：