【技术实现步骤摘要】
一种基于深度学习的贷后风险评估方法及相关产品
[0001]本专利技术涉及金融领域数据处理领域，尤其涉及一种基于深度学习的贷后风险评估方法及相关产品。
技术介绍
[0002]在银行贷后(即已发放贷款之后)管理工作中，由于贷前已经做了比较全面的风险评估，包括必要的线下尽调信息的收集和分析，所以目前大部分企业贷后发生风险的情况比较低，大部分银行的不良率不超过5％，所以贷后风险投入过多并不能产生很直接的经济效益，但如果贷后不做好风险监控，也会出现不良率攀升的情况，直接造成经济损失。所以贷后预警工作是信贷领域不可缺失的环节，现有的贷后的风险评估基于人工审核的方式，由于贷后的企业数量巨大，基于人工审核的方式工作量巨大，导致效率极低，另外，受限于个人水平的问题，人工审核的贷后风险评估的准确率也无法保证，因此现有的贷后风险评估的效率低、准确率低、人工成本高。
技术实现思路
[0003]本申请实施例公开了一种基于深度学习的贷后风险评估方法及相关产品，该方法基于人工智能自动的进行贷后的风险评估，提高了风险评估的效率以及准确率，降
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的贷后风险评估方法，其特征在于，所述方法包括如下步骤：终端采集多个训练样本信息，该样本信息包括：企业关联数据；将该多个训练样本信息输入到深度学习网络模型执行训练操作得到智能风险评估模型；终端利用税务数据采集系统采集待评估对象的税务数据，将税务数据执行归一化数据得到输入数据，所述待评估对象为已经贷款的企业；终端将该输入数据输入到智能风险评估模型执行计算得到计算结果，依据该计算结果确定待评估对象的风险等级，执行该风险等级对应的风险预警。2.根据权利要求1所述的方法，其特征在于，将该多个训练样本信息输入到深度学习网络模型执行训练操作得到智能风险评估模型具体包括：采集样本企业基础信息数据形成企业规模等级的企业基础训练数据；采集企业资质认定数据形成企业资质训练数据；采集企业信用等级数据形成企业信用等级训练数据；采集企业联系人信息数据形成企业联系人关系训练数据；采集企业投资方信息数据形成企业间关系训练数据；采集企业违法违章数据形成企业黑名单数据库；采集企业稽查数据形成企业稽查信息训练数据；采集企业申报信息数据形成企业申报信息训练数据；采集企业申报汇总信息形成企业申报信息训练数据；采集企业申报信息形成申报信息训练数据；采集企业所得税数据形成企业所得税训练数据；采集企业征收信息数据形成企业征收信息训练数据；采集企业缴款信息形成缴款信息训练数据；采集企业应缴税费信息形成企业应缴税费信息训练数据；采集企业资产负债信息形成资产负债信息训练数据；采集企业利润信息形成利润信息训练数据；采集企业票据信息形成企业票据信息训练数据；利用采集的上述训练数据作为输入数据输入到深度学习网络模型进行深度学习训练得到智能风险评估模型。3.根据权利要求1所述的方法，其特征在于，所述贷后预警等级包括：正常、关注、预警、冻结或回收。4.根据权利要求1所述的方法，其特征在于，将该多个训练样本信息输入到深度学习网络模型执行训练操作得到智能风险评估模型具体包括：将企业基础训练数据输入到深度学习网络模型执行多次迭代训练得到第一网络模型，将该企业基础训练数据中的随机抽选x1个样本，将该x1个样本输入到第一网络模型得到第一组结果，第一组结果包括x1个样本的x1个结果，计算x1个结果的平均值得到第一平均值；将企业信用等级训练数据输入到第一网络模型执行多次迭代训练得到第二网络模型，将该x1个样本输入到第二网络模型计算得到第二组结果，计算第二组结果的平均值得到第二平均值，计算第二平均值与第一平均值的差得到第一差值，若第一差值小于阈值，继续后续操作，若第一差值大于阈值，继续迭代训练第二网络模型直至第一差值小于阈值；遍历所有训练样本得到智能风险评估模型。5.根据权利要求4所述的方法，其特征在于，所述企业基础训练数据输入到深度学习网络模型执行多次迭代训练得到第一网络模型具体包括：
将企业基础训练数据中每份训练数据作为一个输入数据输入到深度学习网络模型执行一次训练运算，上述训练运算包括：将输入数据执行一次正向运算和一次反向运算，遍历所有企业基础训练数据中所有训练数据后得到第一初步模型，从所有训练数据中提取一份输入数据，将输入数据输入到初步模型运算得到第一运算结果，将企业基础训练数据再次输入到第一初步模型执行第二次训练得到第二初步模型，将该一份输入...
【专利技术属性】
技术研发人员：陈海涛，赵彦晖，耿心伟，曾源，
申请(专利权)人：深圳微众信用科技股份有限公司，
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。