一种解决小微企业风险评估模型失效的处理方法技术

本发明专利技术提供一种解决小微企业风险评估模型失效的处理方法，属于金融信贷技术领域，包括以下步骤：1)建立小微企业风险评估模型；2)企业月度、年度状态统计矩阵的建立；3)企业状态转移概率的计算；4)企业月度、年度状态转移矩阵的建立；5)企业标准月度转移矩阵的建立；6)企业各期风险状态转移矩阵的建立：7)企业当前违约风险评估方法的确立。本发明专利技术可在小微企业历史评分基础之上预测小微企业的违约风险。业历史评分基础之上预测小微企业的违约风险。业历史评分基础之上预测小微企业的违约风险。

【技术实现步骤摘要】
一种解决小微企业风险评估模型失效的处理方法


[0001]本专利技术涉及金融信贷
，尤其涉及一种解决小微企业风险评估模型失效的处理方法。

技术介绍

[0002]小微企业违约风险的评估往往包含如下两种方法，大量收集小微企业违约样本训练有监督机器学习模型，预测小微企业违约概率，但银行存量的企业违约数据并不丰富，在训练样本不全的情况下此种方式受到限制，当银行上线一款新的贷款产品时，违约样本的收集更是困难，此种方法在这种情况下更不适用；现在常用的方法为通过汇聚收集小微企业多渠道的数据，包括企业的工商信息、人员信息、变更信息、关联关系、经营信息以及各种风险信息，从企业背景、经营信息、科技创新、小微企业主等多种维度来综合评估小微企业的违约风险，既可以在具有违约样本时采用有监督机器学习模型训练，也可以在缺少违约样本时采用无监督、统计分析等方法进行综合评定，这种通过多方位数据综合评估小微企业违约风险的方法使用场景更广，而且在实际业务开展中普遍适用；但是由于小微企业本身特质，其规模有限、人员较少、数据较匮乏，数据处理后得到的入模特征较稀疏，采用缺失值填充的方法填充所得缺失值往往不符合特征的业务逻辑，导致预测的违约风险偏离，而输入稀疏特征预测得到的企业违约风险普遍较高，也不符合实际的情况。
[0003]金融科技在信贷金融领域的应用越来越广泛，运用先进的人工智能、机器学习、大数据技术进行企业信用的风险评估，建立贯穿营销、贷前、贷中、贷后整个信贷流程的金融风控体系是开展征信服务的业务目标。由于小微企业的自身特质，在针对小微企业开展违约风险评估的过程中面临种种问题。
[0004]小微企业的风险评估方法很多，但由于小微企业数据稀疏性过高，在实际成产环境中，对小微企业进行风险评估时经常面临风险评估模型失效的问题，即预测企业数据缺失值过高，导致企业评分过低，预判企业风险过高从而发生企业风险错误预判。

技术实现思路

[0005]为了解决以上技术问题，本专利技术提供了一种解决小微企业风险评估模型失效的处理方法。采用马尔科夫链评估企业违约风险的方法，解决了当企业获取数据较少预测入模特征稀疏时预测企业违约风险不准确导致风险评估模型失效的问题；同时适用于企业的贷后风控场景，采用企业的历史评分数据预测企业当前违约风险，对超出风险阈值的企业进行预警。
[0006]本专利技术的技术方案是：
[0007]一种解决小微企业风险评估模型失效的处理方法，主要通过汇聚的小微企业多源数据建立小微企业风险评估模型，风险评估模型预测企业的风险评分并划分风险等级；根据汇集的小微企业数据筛选不同风险等级的小微企业，以最近一年为周期，一年的第一个月为开始节点，一年的最后一个月为结束节点，以月为单位，以每月的第一天为开始节点，
以每月的最后一天为结束节点，分别通过风险评估模型预测企业在每月开始节点，每月结束节点，最近一年的开始节点，最近一年的结束节点的风险等级；根据风险等级统计每个月的风险状态统计矩阵以及每年的风险状态统计矩阵；根据状态统计矩阵中的数值与所在行的数值的加和计算风险状态转移概率，分别建立月度、年度风险状态转移矩阵；计算月度平均风险状态转移矩阵，结合业务规则对转移矩阵进行业务调整，并采用z
‑
score标准化方法对月度平均转移矩阵进行标准化处理，建立标准化月度状态转移矩阵；采用马尔科夫链计算企业的月度风险平均转移矩阵及各月期的转移矩阵；根据标准化转移矩阵、各月期的风险状态转移矩阵并结合业务规则确定企业当前违约风险的评估方法。
[0008]进一步的。
[0009]对小微企业风险评估模型的具体建立方法不做限定，既可以选用有监督学习方法，也可以采用无监督学习方法或统计分析方法建立，建立的步骤不限于特征筛选、样本筛选、特征权重计算指标分档赋分、风险分计算等流程。
[0010]对小微企业风险评估模型所依赖的指标体系进行限制，指标体系包含企业工商信息、企业关联关系、企业经营信息、企业知识产权、企业发展、企业经营风险、企业司法风险。
[0011]根据汇集的小微企业数据筛选不同风险等级的小微企业，以最近一年为周期，一年的第一个月为开始节点，一年的最后一个月为结束节点，以月为单位，以每月的第一天为开始节点，以每月的最后一天为结束节点，分别通过风险评估模型预测企业在每月开始节点，每月结束节点，最近一年的开始节点，最近一年的结束节点的风险等级；建立风险状态统计矩阵，矩阵的行分别为9个风险等级，列分别为9个风险等级，矩阵值代表在月度开始节点为行相应等级。
[0012]建立状态转移概率的计算风险状态转移矩阵：
[0013]在建立的12个月度风险状态统计矩阵基础之上，每个矩阵中各行的统计数据总和分别为N1，N2，N3，N4，N5,N6,N7,N8,N9,各行各列的原始数值除以本行统计数据总和得到的数值即为在当前月度下，开始节点状态转移到结束节点状态的转移概率，形成月度风险状态转移矩阵，月度、年度风险状态统计矩阵计算状态转移概率后分别建立月度、年度风险状态转移矩阵。
[0014]建立标准化月度转移矩阵：
[0015]根据计算所得的12个月度风险状态转移矩阵，计算12个月度风险状态转移矩阵的算术平均值，即12个月度转移矩阵对应行对应列所在数值加和计算平均值，得到月度风险平均转移矩阵。根据计算所得的一段时间(例如近三年)的年度风险状态转移矩阵，计算年度风险状态转移矩阵的算术平均值，即各个年度转移矩阵对应行对应列所在数值加和计算平均值，得到年度风险平均转移矩阵。根据年度风险平均转移矩阵以及月度风险平均转移矩阵结合业务经验进行月度风险平均转移矩阵的调整，即调整后的转移概率值＝调整前的转移概率值+业务调整值，调整后的转移概率值需要满足风险等级为AAA、AA、A等级的客户其违约概率在10％以下，风险等级在CCC、CC、C等级的客户其违约概率在90％以上，10％、90％数值会根据业务经验及当前贷款产品已放贷企业的违约概率、银行其它贷款产品的违约概率、银行总体放贷违约概率等业务经验值进行相应调整。
[0016]调整后的月度风险平均转移矩阵进行相应的标准化处理，保证所在行所有概率的加和为1，采用Z
‑
score标准化方法进行转移矩阵的标准化处理，即将矩阵各行数据按行进
行减去均值并处以标准差，该均值为矩阵该行的所有值的平均值，标准差为矩阵该行所有值的标准差，最终得到的标准化后的矩阵即为标准化月度转移矩阵。
[0017]建立各月期风险状态转移矩阵：
[0018]企业违约风险的评估符合马尔科夫链的场景。企业一月期的风险状态转移矩阵即为标准化月度转移矩阵用符号N代替，则企业两月期的风险状态转矩阵则为N*N＝一月期转移矩阵*N，企业三月期的风险状态转移矩阵则为N*N*N＝两月期转移矩阵*N，企业12月期的风险状态转移矩阵则为N^12＝11月期转移矩阵*N，各月期的风险状态转移矩阵的计算方法依此类推。
[0019]评估企业当前违约风险：
[0020]当企业违约风险评估间隔本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种解决小微企业风险评估模型失效的处理方法，其特征在于，包括：步骤1)，采集多源数据建立小微企业风险评估模型，利用风险评估模型预测企业的风险评分并划分风险等级；步骤2)，根据汇集的数据筛选不同风险等级的小微企业，通过风险评估模型预测企业在每月开始节点，每月结束节点，最近一年的开始节点，最近一年的结束节点的风险等级；建立风险状态统计矩阵；步骤3)，根据风险等级统计每个月的风险状态转移矩阵以及每年的风险状态转移矩阵，计算风险状态转移概率；步骤4)，采用马尔科夫链计算小微企业的月度风险平均转移矩阵，计算小微企业年度风险转移矩阵；根据标准化转移矩阵确定企业当前违约风险。2.根据权利要求1所述的方法，其特征在于，在步骤2)，设置最近一年为周期，一年的第一个月为开始节点，一年的最后一个月为结束节点；以月为单位，以每月的第一天为开始节点，以每月的最后一天为结束节点。3.根据权利要求2所述的方法，其特征在于，风险状态统计矩阵包括月风险状态统计矩阵和年风险状态统计矩阵；将月风险状态统计矩阵的行和列都设置为对应的数个风险等级，矩阵值代表在月度开始节点为行相应等级，且月度结束节点为列相应等级的企业数目；将年度风险状态统计矩阵的行和列分别设为对应的数个风险等级，统计年度周期起始节点为相应行风险等级，且年度结束节点为相应列风险等级的企业数量。4.根据权利要求3所述的方法，其特征在于，建立风险状态转移矩阵：在建立的12个月度风险状态统计矩阵基础之上，各行各列的原始数值除以本行统计数据总和得到的数值即为在当前月度下，开始节点状态转移到结束节点状态的转移概率，形成月度风险状态转移矩阵，分别计算年度状态统计矩阵中各行所在数值的总和，根据数值与对应行总和的比值计算相应风险等级状态转移的概率，形成年度风险状态转移矩阵。5.根据权利要求4所述的方法，其特征在于，根据计算所...

【专利技术属性】
技术研发人员：尹盼盼，崔乐乐，米俊达，
申请(专利权)人：天元大数据信用管理有限公司，
类型：发明
国别省市：