贷前风险评价方法以及装置制造方法及图纸

本申请实施例提供一种贷前风险评价方法以及装置。所述方法包括：获取待评价用户数据；提取所述用户数据的特征数据，形成风险特征库；将所述特征数据输入至风险预警模型，根据所述风险预警模型进行贷前风险预警和提示，其中，所述风险预警模型为使用训练样本对决策树模型进行训练以及优化得到的，所述训练样本包括：对用于模型训练的风险特征库中的特征进行标准化处理得到的关键指标的数据集。由此，基于用户的特征数据以及决策树模型生成风险预警模型，能够高效、准确地识别出用户的贷前风险以及为授信审批提供可靠地参考。险以及为授信审批提供可靠地参考。险以及为授信审批提供可靠地参考。

【技术实现步骤摘要】
贷前风险评价方法以及装置


[0001]本申请涉及人工智能
，特别涉及一种贷前风险评价方法以及装置。

技术介绍

[0002]目前，信用卡用户风险防范贯穿在贷前、贷中、贷后的各个阶段，其中贷前用户准入阶段是对风险防范最为重要的环节。在贷前用户准入阶段，如何根据用户信息判断用户还款能力，规避用户风险是贷前审批授信的核心内容。
[0003]然而，目前在授信审批环节，主要存在以下问题：一方面以人工审批为主的方式会存在审批效率低，主观因素强等问题，由于使用的审批参考信息仅为用户个人标签，特征维度多，变化范围大，难以快速有效地对用户进行授信审批；另一方面，从银行监管和内部管理层面来看，为了掌握信贷业务的细节，需要对业务流程以及行为进行监管，要求信贷风险预警模型具有可解释性。数据表明，同一单位的员工，信贷风险可能存在聚集现象，例如高风险单位的用户出现违约的可能性要比低风险单位的用户出现违约的可能性高，而且，高风险单位的用户即使当前表现正常，未来劣变风险也相对较高。
[0004]应该注意，上面对技术背景的介绍只是为了方便对本申请的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本申请的
技术介绍
部分进行了阐述而认为上述技术方案为本领域技术人员所公知。

技术实现思路

[0005]目前，在贷前授信审批阶段，可以通过用户单位风险级别评估申请人风险，授信相应单位等级的额度，需要根据用户单位风险级别，针对性地采用不同风险控制模型以及营销策略，以便及时发现用户资信下降态势，避免对银行资产造成损失。
[0006]为了解决上述问题中的至少一个，本申请实施例提供一种贷前风险评价方法以及装置。由此，基于用户的特征数据以及决策树模型生成风险预警模型，能够高效、准确地识别出用户的贷前风险，以及为授信审批提供可靠地参考，提升审批效率和质量。
[0007]根据本申请实施例的一方面，提供一种贷前风险评价方法，所述方法包括：
[0008]获取待评价用户数据；
[0009]提取所述用户数据的特征数据，形成风险特征库；
[0010]将所述特征数据输入至风险预警模型，根据所述风险预警模型进行贷前风险预警和提示，其中，所述风险预警模型为使用训练样本对决策树模型进行训练以及优化得到的，所述训练样本包括：对用于模型训练的风险特征库中的特征进行标准化处理得到的关键指标的数据集。
[0011]在一些实施方式中，其中，对所述风险特征库中的特征进行标准化处理得到关键指标的数据集，包括：根据所述特征的分类标签和所述特征的变化趋势筛选所述特征；在确定筛选出来的所述特征具有发散性的情况下，选取具有发散性的所述特征；使用单变量特征选择来分析具有发散性的所述特征与目标变量的相关性，选择具有高相关性的所述特征
作为关键指标的数据集。
[0012]在一些实施方式中，其中，所述特征的分类标签包括二级分类标签，其中，所述二级分类标签包括以下标签的至少一种：基础标签、资产类标签、用户增长类标签、风险标签、或者融资标签。
[0013]在一些实施方式中，使用训练样本对决策树模型进行训练以及优化得到所述风险预警模型，包括：使用决策树算法以及分裂属性构建所述关键指标的数据集的决策树；通过自底向上对所述决策树的非叶子结点进行分析和剪枝，将剪枝后的所述决策树作为风险预警模型。
[0014]在一些实施方式中，其中，使用决策树算法以及分裂属性构建所述关键指标的数据集的决策树，包括：选择具有最高信息增益的分裂属性作为所述决策树结点的属性；使用递归算法对所述关键指标的数据集持续分类，直到获得完整的决策树。
[0015]在一些实施方式中，其中，根据所述风险预警模型进行贷前风险预警和提示还包括，使用混淆矩阵计算所述风险预警模型的准确率和召回率。
[0016]在一些实施方式中，其中，所述方法还包括：基于所述风险预警模型生成预言模型标记语言(Predictive Model Markup Language，PMML)格式的模型文件；调用所述(Predictive Model Markup Language，PMML)格式的模型文件，封装成用户风险的联机应用程序界面(Application Program Interface，API)接口。
[0017]根据本申请实施例的一方面，提供了一种贷前风险评价装置，所述装置包括：
[0018]获取单元，其获取待评价用户数据；
[0019]提取单元，其提取所述用户数据的特征数据，形成风险特征库；
[0020]评价单元，其将所述特征数据输入至风险预警模型，根据所述风险预警模型进行贷前风险预警和提示，其中，所述风险预警模型为使用训练样本对决策树模型进行训练以及优化得到的，所述训练样本包括：对用于模型训练的风险特征库中的特征进行标准化处理得到的关键指标的数据集。
[0021]根据本申请实施例的一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述贷前风险评价方法。
[0022]根据本申请实施例的一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行前述贷前风险评价方法。
[0023]根据本申请实施例的一方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现前述贷前风险评价方法。
[0024]本申请实施例的有益效果之一在于：基于用户的特征数据以及决策树模型生成风险预警模型，能够高效、准确地识别出用户的贷前风险以及为授信审批提供可靠地参考。
[0025]参照后文的说明和附图，详细公开了本申请的特定实施方式，指明了本申请的原理可以被采用的方式。应该理解，本申请的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本申请的实施方式包括许多改变、修改和等同。
[0026]针对一种实施方式描述以及示出的特征信息可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征信息相组合，或替代其它实施方式中的特征信息。
[0027]应该强调，术语“包括/包含”在本文使用时指特征信息、整件、步骤或组件的存在，但并不排除一个或更多个其它特征信息、整件、步骤或组件的存在或附加。
附图说明
[0028]参照以下的附图可以更好地理解本申请的很多方面。附图中的部件不是成比例绘制的，而只是为了示出本申请的原理。为了便于示出和描述本申请的一些部分，附图中对应部分可能被放大或缩小。在本申请的一个附图或一种实施方式中描述的元素和特征信息可以与一个或更多个其它附图或实施方式中示出的元素和特征信息相结合。此外，在附图中，类似的标号表示几个附图中对应的部件，并可用于指示多于一种实施方式中使用的对应部件。
[0029]在附图中：
[0030]图1是本申请实施例的贷前风险评价装置的一构成图；
[0031]图2是本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种贷前风险评价方法，其特征在于，所述方法包括：获取待评价用户数据；提取所述用户数据的特征数据，形成风险特征库；将所述特征数据输入至风险预警模型，根据所述风险预警模型进行贷前风险预警和提示，其中，所述风险预警模型为使用训练样本对决策树模型进行训练以及优化得到的，所述训练样本包括：对用于模型训练的风险特征库中的特征进行标准化处理得到的关键指标的数据集。2.根据权利要求1所述的方法，其中，对所述风险特征库中的特征进行标准化处理得到关键指标的数据集，包括：根据所述特征的分类标签和所述特征的变化趋势筛选所述特征；在确定筛选出来的所述特征具有发散性的情况下，选取具有发散性的所述特征；使用单变量特征选择来分析具有发散性的所述特征与目标变量的相关性，选择具有高相关性的所述特征作为关键指标的数据集。3.根据权利要求2所述的方法，其中，所述特征的分类标签包括二级分类标签，其中，所述二级分类标签包括以下标签的至少一种：基础标签、资产类标签、用户增长类标签、风险标签、或者融资标签。4.根据权利要求1所述的方法，其中，使用训练样本对决策树模型进行训练以及优化得到所述风险预警模型，包括：使用决策树算法以及分裂属性构建所述关键指标的数据集的决策树；通过自底向上对所述决策树的非叶子结点进行分析和剪枝，将剪枝后的所述决策树作为风险预警模型。5.根据权利要求4所述的方法，其中，使用决策树算法以及分裂属性构建所述关键指标的数据集的决策树，包括：选择具有最高信息增益的分裂属性作为所述决策树结点的属性；使用递...

【专利技术属性】
技术研发人员：张亢亢，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：