本发明专利技术提供了一种客户信用评估方法及装置、存储介质及电子设备，该方法包括：当需要对目标客户进行信用评估时，确定目标客户对应的客户标识；基于预设的客户信息库，确定客户标识对应的多个评价分数；所述多个评价分数与预设的多个信用评价因子一一对应；将各个评价分数输入预先构建的信用评估模型，经信用评估模型处理后，获取信用评估模型输出的客户信用评分和客户风险状态；该信用评估模型为基于预设的模拟退火遗传算法和反向传播算法构建的神经网络模型；将客户信用评分和客户风险状态，作为目标客户的信用评估结果。应用本发明专利技术的方法，可通过神经网络模型实现信用评估，神经网络模型具有良好的自学习能力，可提高信用评估的准确性。的准确性。的准确性。
【技术实现步骤摘要】
客户信用评估方法及装置、存储介质及电子设备
[0001]本专利技术涉及金融
，特别是涉及一种客户信用评估方法及装置、存储介质及电子设备。
技术介绍
[0002]在证券公司、商业银行等金融机构在为客户办理金融业务时，时常需要对客户进行信用评估。客户信用评价是指从客户固定资产、盈利能力、信贷还款记录等各方面，对客户进行综合评价，并以综合评价结果作为客户贷款或办理其他理财业务时的判断依据，以保障资金的安全和收益。
[0003]目前，主要是基于数理统计的方法实现客户信用评估，也就是基于数理统计方法对样本数据进行统计分析，通过统计数据构建模型，通过模型对客户进行信用评估。
[0004]基于现有的客户信用评估方式，信用评估的结果依赖于数理统计模型得到，而数理统计模型的模型效果与样本数据具有较强的关联性，需要基于大量的优质样本才能获得较好的模型效果。而在实际的应用场景中，样本数据的数量和质量并不稳定，难以保障数理统计模型的评估准确性，使得客户信用评估的准确率较低。
技术实现思路
[0005]有鉴于此，本专利技术实施例提供了一种客户信用评估方法，以解决现有的客户信用评估方式中，模型评估效果对于样本数据要求较高，容易导致评估准确性较低的问题。
[0006]本专利技术实施例还提供了一种客户信用评估装置，用以保证上述方法实际中的实现及应用。
[0007]为实现上述目的，本专利技术实施例提供如下技术方案：
[0008]一种客户信用评估方法，包括：
[0009]当需要对目标客户进行信用评估时，确定所述目标客户对应的客户标识；
[0010]基于预设的客户信息库，确定所述客户标识对应的多个评价分数；所述多个评价分数与预设的多个信用评价因子一一对应；
[0011]将所述多个评价分数输入预先构建的信用评估模型，经所述信用评估模型处理后，获取所述信用评估模型输出的客户信用评分和客户风险状态；所述信用评估模型为基于预设的模拟退火遗传算法和反向传播算法构建的神经网络模型；
[0012]将所述客户信用评分和所述客户风险状态，作为所述目标客户的信用评估结果。
[0013]上述的方法，可选的，所述多个信用评价因子，包括：婚姻状况、文化程度、在职情况、岗位性质、单位类型、房产与车产、固定工资收入、流动资产、贷款情况以及历史借贷还款情况。
[0014]上述的方法，可选的，所述信用评估模型的构建过程，包括：
[0015]确定初始样本数据集合；所述初始样本数据集合包括多个样本客户的初始样本数据，每个所述样本客户的初始样本数据包括该样本客户的客户标识、该样本客户的多个评
价分数、该样本客户的信用评分以及该样本客户的风险状态；
[0016]对于每个所述样本客户的初始样本数据，对该初始样本数据进行预处理，并将经过预处理的初始样本数据作为该样本客户的预处理样本数据；
[0017]将各个所述样本客户的预处理样本数据组成样本数据集合；
[0018]依据所述样本数据集合，确定训练数据集和测试数据集；
[0019]构建神经网络模型，所述神经网络模型为基于反向传播神经网络构建的模型；
[0020]依据所述训练数据集、所述反向传播算法以及所述模拟退火遗传算法，对所述神经网络模型进行训练，得到经过训练的神经网络模型；
[0021]依据所述测试数据集，对所述经过训练的神经网络模型进行验证；
[0022]若所述经过训练的神经网络模型通过验证，则将所述经过训练的神经网络模型作为所述信用评估模型。
[0023]上述的方法，可选的，所述对该初始样本数据进行预处理的过程，包括：
[0024]对该初始样本数据中的各个评价分数进行归一化处理；
[0025]依据经过归一化处理的各个评价分数和预设的量化规则，对该初始样本数据中的信用评分进行量化处理，以及对该初始样本数据中的风险状态进行量化处理。
[0026]上述的方法，可选的，所述依据所述训练数据集、所述反向传播算法以及所述模拟退火遗传算法，对所述神经网络模型进行训练的过程，包括：
[0027]依据所述模拟退火遗传算法，确定所述神经网络模型对应的初始权值和初始阈值；
[0028]依据所述初始权值和所述初始阈值，对所述神经网络模型进行参数初始化；
[0029]依据所述训练数据集和所述反向传播算法，对经过参数初始化的神经网络模型进行模型训练。
[0030]上述的方法，可选的，还包括：
[0031]将所述目标客户的信用评估结果存储至所述客户信息库中。
[0032]一种客户信用评估装置，包括：
[0033]第一确定单元，用于当需要对目标客户进行信用评估时，确定所述目标客户对应的客户标识；
[0034]第二确定单元，用于基于预设的客户信息库，确定所述客户标识对应的多个评价分数；所述多个评价分数与预设的多个信用评价因子一一对应；
[0035]模型处理单元，用于将所述多个评价分数输入预先构建的信用评估模型，经所述信用评估模型处理后，获取所述信用评估模型输出的客户信用评分和客户风险状态；所述信用评估模型为基于预设的模拟退火遗传算法和反向传播算法构建的神经网络模型；
[0036]第三确定单元，用于将所述客户信用评分和所述客户风险状态，作为所述目标客户的信用评估结果。
[0037]上述的装置，可选的，还包括：
[0038]第四确定单元，用于确定初始样本数据集合；所述初始样本数据集合包括多个样本客户的初始样本数据，每个所述样本客户的初始样本数据包括该样本客户的客户标识、该样本客户的多个评价分数、该样本客户的信用评分以及该样本客户的风险状态；
[0039]预处理单元，用于对于每个所述样本客户的初始样本数据，对该初始样本数据进
行预处理，并将经过预处理的初始样本数据作为该样本客户的预处理样本数据；
[0040]样本处理单元，用于将各个所述样本客户的预处理样本数据组成样本数据集合；
[0041]样本划分单元，用于依据所述样本数据集合，确定训练数据集和测试数据集；
[0042]模型构建单元，用于构建神经网络模型，所述神经网络模型为基于反向传播神经网络构建的模型；
[0043]模型训练单元，用于依据所述训练数据集、所述反向传播算法以及所述模拟退火遗传算法，对所述神经网络模型进行训练，得到经过训练的神经网络模型；
[0044]模型验证单元，用于依据所述测试数据集，对所述经过训练的神经网络模型进行验证；
[0045]第五确定单元，用于若所述经过训练的神经网络模型通过验证，则将所述经过训练的神经网络模型作为所述信用评估模型。
[0046]一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如上述的客户信用评估方法。
[0047]一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种客户信用评估方法，其特征在于，包括：当需要对目标客户进行信用评估时，确定所述目标客户对应的客户标识；基于预设的客户信息库，确定所述客户标识对应的多个评价分数；所述多个评价分数与预设的多个信用评价因子一一对应；将所述多个评价分数输入预先构建的信用评估模型，经所述信用评估模型处理后，获取所述信用评估模型输出的客户信用评分和客户风险状态；所述信用评估模型为基于预设的模拟退火遗传算法和反向传播算法构建的神经网络模型；将所述客户信用评分和所述客户风险状态，作为所述目标客户的信用评估结果。2.根据权利要求1所述的方法，其特征在于，所述多个信用评价因子，包括：婚姻状况、文化程度、在职情况、岗位性质、单位类型、房产与车产、固定工资收入、流动资产、贷款情况以及历史借贷还款情况。3.根据权利要求1所述的方法，其特征在于，所述信用评估模型的构建过程，包括：确定初始样本数据集合；所述初始样本数据集合包括多个样本客户的初始样本数据，每个所述样本客户的初始样本数据包括该样本客户的客户标识、该样本客户的多个评价分数、该样本客户的信用评分以及该样本客户的风险状态；对于每个所述样本客户的初始样本数据，对该初始样本数据进行预处理，并将经过预处理的初始样本数据作为该样本客户的预处理样本数据；将各个所述样本客户的预处理样本数据组成样本数据集合；依据所述样本数据集合，确定训练数据集和测试数据集；构建神经网络模型，所述神经网络模型为基于反向传播神经网络构建的模型；依据所述训练数据集、所述反向传播算法以及所述模拟退火遗传算法，对所述神经网络模型进行训练，得到经过训练的神经网络模型；依据所述测试数据集，对所述经过训练的神经网络模型进行验证；若所述经过训练的神经网络模型通过验证，则将所述经过训练的神经网络模型作为所述信用评估模型。4.根据权利要求3所述的方法，其特征在于，所述对该初始样本数据进行预处理的过程，包括：对该初始样本数据中的各个评价分数进行归一化处理；依据经过归一化处理的各个评价分数和预设的量化规则，对该初始样本数据中的信用评分进行量化处理，以及对该初始样本数据中的风险状态进行量化处理。5.根据权利要求3所述的方法，其特征在于，所述依据所述训练数据集、所述反向传播算法以及所述模拟退火遗传算法，对所述神经网络模型进行训练的过程，包括：依据所述模拟退火遗传算法，确定所述神经网络模型对应的初始权值和初始阈值；依据所述初始权值和所述初始阈值，对所述神经网络模型进行参数初始化；依据所...
【专利技术属性】
技术研发人员：郭吕倩，
申请(专利权)人：中国建设银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。