用于信用风险预测的方法、计算设备和存储介质技术

本公开的实施例涉及一种用于信用风险预测的方法、计算设备和存储介质。该方法包括针对目标用户集的信用风险预测请求，从至少一个渠道获取目标用户集中的每个目标用户的信用风险数据，以便生成目标用户集对应的信用风险数据集；基于信用风险数据集，提取多个与用户履约能力相关的特征，以便生成关于用户信用风险的输入数据；基于所生成的输入数据，经由多样本训练后的信用风险预测模型提取输入数据的特征，以便生成目标用户集中每个用户的信用风险预测结果；以及基于每个用户的信用风险预测结果，对目标用户集中的所有用户进行分类，以便生成每个目标用户的信用风险类型。由此，能够对个人用户的信用风险进行精准地监测。能够对个人用户的信用风险进行精准地监测。能够对个人用户的信用风险进行精准地监测。

【技术实现步骤摘要】
用于信用风险预测的方法、计算设备和存储介质


[0001]本公开的实施例总体涉及风险管理领域，并且更具体地涉及一种用于信用风险预测的方法、计算设备和存储介质。

技术介绍

[0002]随着信贷产业的发展和人工智能技术的兴起，各大金融机构信贷数据量呈爆炸式上升。信用风险作为商业银行面临的首要风险。如何精确高效地监测信用风险，并针对性的加强信用风险管理，对商业银行的健康持续发展有重要意义。
[0003]传统的信用风险的计量方法主要有例如专家经验法和统计模型法；然而当面对新增加的客户特征数据时，传统的计量方法在进行客户风险评级时耗费成本较高，且无法及时、精确地监测信用风险。尤其是在面对个人客户时，由于个人客户信用风险具有规模小、数量多的特点，导致传统的信用风险计量方法无法跟上需求。
[0004]综上，传统的用于信用风险预测的方式不足之处在于：难以及时对个人用户的信用风险进行精准地监测，以及耗费成本较高。

技术实现思路

[0005]针对上述问题，本公开提供了一种用于信用风险预测的方法、计算设备和存储介质，对个人用户的信用风险进行精准且及时地监测。
[0006]根据本公开的第一方面，提供了一种用于信用风险预测的方法，包括：响应于针对目标用户集的信用风险预测请求，从至少一个渠道获取目标用户集中的每个目标用户的信用风险数据，以便生成目标用户集对应的信用风险数据集；基于信用风险数据集，提取多个与用户履约能力相关的特征，以便生成关于用户信用风险的输入数据；基于所生成的输入数据，经由多样本训练后的信用风险预测模型提取输入数据的特征，以便生成目标用户集中每个用户的信用风险预测结果；以及基于每个用户的信用风险预测结果，对目标用户集中的所有用户进行分类，以便生成每个目标用户的信用风险类型。
[0007]在一些实施例中，目标用户集对应的信用风险数据集中至少包括以下多个：个人用户的收入信息、资产信息、年龄信息、职业信息、居住地信息、工作地信息和历史信用记录。
[0008]在一些实施例中，信用风险预测结果至少包括守约和违约；对目标用户集中的所有用户进行分类，至少包括将每一个目标用户分为：守约风险类型或违约风险类型。
[0009]在一些实施例中，用于信用风险预测的方法还包括：基于属于守约风险类型的目标用户的信用风险数据生成更新后的输入数据，经由更新参数后的多样本训练后的信用风险预测模型提取更新后的输入数据的特征，以便生成与属于守约风险类型的每一个目标用户相关联的信用风险预测结果；以及基于与属于守约风险类型的每一个目标用户相关联的信用风险预测结果，对属于守约风险类型的所有目标用户按照风险等级进行分类。
[0010]在一些实施例中，用于信用风险预测的方法还包括：基于按照风险等级分类后的、
属于第二风险等级的目标用户的信用风险数据生成再次更新后的输入数据，经由再次更新参数后的多样本训练后的信用风险预测模型提取再次更新后的输入数据的特征，以便生成属于第二风险等级的每个目标用户的信用风险预测结果，第二风险的风险高于第一风险的风险；基于属于第二风险等级的每一个目标用户的信用风险预测结果，对属于第二风险等级的所有目标用户按照风险等级进行再次分类；以及基于预定分类次数阈值，对属于守约风险类型的目标用户进行多次分类，以便将属于守约风险类型的所有目标用户按风险等级从高到低划分为n个风险等级，n为大于或者等于2的自然数。
[0011]在一些实施例中，信用风险预测模型经由以下步骤训练获得：基于预定用户信用风险数据集，提取多个与用户履约能力相关的特征，以便生成关于用户信用风险的第一数据集；基于每个与用户履约能力相关的特征的类型，对第一数据集中的特征进行预处理，以便获取关于用户信用风险的第二数据集；基于预定特征筛选规则，针对第二数据集中的特征进行筛选，以便获取第三数据集；以及基于第三数据集，生成信用风险预测模型的训练集以用于对风险预测模型进行多样本训练。
[0012]在一些实施例中，用于信用风险预测的方法还包括：基于风险预测模型针对训练集寻找超平面，以便通过超平面对训练集中的样本进行线性分类；当训练集中的样本无法被线性分类时，基于高斯核函数将训练集中的样本映射至高维空间；基于风险预测模型，针对被映射至高维空间的训练集中的样本寻找超平面；以及通过惩罚参数调整超平面的分类精度，以便通过超平面对训练集中的样本进行分类。
[0013]在一些实施例中，用于信用风险预测的方法还包括：基于惩罚参数和高斯核函数的核参数，设置N条人工鱼，N为正整数；针对每一条人工鱼，以当前位置坐标作为的惩罚参数和核参数，以风险预测模型的平均分类准确率为食物浓度，通过将各条人工鱼的食物浓度进行比较；基于比较结果，确定人工鱼的行为及移动方向，以获取N条人工鱼的食物浓度最大值；以及基于N条人工鱼的食物浓度最大值，获取惩罚参数和高斯核函数的核参数的最优值。
[0014]根据本公开的第二方面，提供了一种计算设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开的第一方面的方法。
[0015]根据本公开的第三方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中计算机指令用于使计算机执行本公开的第一方面的方法。
[0016]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0017]结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素。
[0018]图1示出了用于实现根据本专利技术的实施例的用于信用风险预测的方法的系统的示意图。
[0019]图2示出了根据本公开的实施例的用于信用风险预测的方法200的流程图。
[0020]图3示出了根据本公开的实施例的用于守约风险类型用户进行分类的方法300的
流程图。
[0021]图4示出了根据本公开的实施例的用于守约风险类型用户进行多次分类的方法400的流程图。
[0022]图5示出了根据本公开的实施例的用于生成信用风险预测模型的训练集的方法500的流程图。
[0023]图6示出了根据本公开的实施例的用于通过超平面对用户样本进行分类的方法600的流程图。
[0024]图7示出了根据本公开的实施例的用于寻找惩罚参数C和高斯参数σ的最优值的方法700的流程图。
[0025]图8示出了根据本公开的实施例的电子设备的框图。
具体实施方式
[0026]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于信用风险预测的方法，包括：响应于针对目标用户集的信用风险预测请求，从至少一个渠道获取目标用户集中的每个目标用户的信用风险数据，以便生成所述目标用户集对应的信用风险数据集；基于所述信用风险数据集，提取多个与用户履约能力相关的特征，以便生成关于用户信用风险的输入数据；基于所生成的输入数据，经由多样本训练后的信用风险预测模型提取输入数据的特征，以便生成所述目标用户集中每个用户的信用风险预测结果；以及基于每个用户的信用风险预测结果，对所述目标用户集中的所有用户进行分类，以便生成每个目标用户的信用风险类型。2.根据权利要求1所述的方法，其中所述目标用户集对应的信用风险数据集中至少包括以下多个：个人用户的收入信息、资产信息、年龄信息、职业信息、居住地信息、工作地信息和历史信用记录。3.根据权利要求1所述的方法，其中所述信用风险预测结果至少包括守约和违约；对所述目标用户集中的所有用户进行分类，至少包括将每一个目标用户分为：守约风险类型或违约风险类型。4.根据权利要求3所述的方法，还包括：基于属于守约风险类型的目标用户的信用风险数据生成更新后的输入数据，经由更新参数后的多样本训练后的信用风险预测模型提取更新后的输入数据的特征，以便生成与属于守约风险类型的每一个目标用户相关联的信用风险预测结果；以及基于与属于守约风险类型的每一个目标用户相关联的信用风险预测结果，对属于守约风险类型的所有目标用户按照风险等级进行分类。5.根据权利要求4所述的方法，还包括：基于按照风险等级分类后的、属于第二风险等级的目标用户的信用风险数据生成再次更新后的输入数据，经由再次更新参数后的多样本训练后的信用风险预测模型提取再次更新后的输入数据的特征，以便生成属于第二风险等级的每个目标用户的信用风险预测结果，第二风险的风险高于第一风险的风险；基于属于第二风险等级的每一个目标用户的信用风险预测结果，对属于第二风险等级的所有目标用户按照风险等级进行再次分类；以及基于预定分类次数阈值，对属于守约风险类型的目标用户进行多次分类，以便将属于守约风险类型的所有目标用户按风险等级...

【专利技术属性】
技术研发人员：陈光友，沈万里，
申请(专利权)人：中国建设银行股份有限公司上海市分行，
类型：发明
国别省市：