违约风险评估方法、设备与存储介质技术

本发明专利技术提供一种违约风险评估方法、设备与存储介质，属于数据处理技术领域，具体包括：获取用户的非结构化数据中的时序数据，并对其进行重构得到重构时序数据，并基于其通过时序数据风险评估模型确定用户的时序违约评分，并当其不大于第一风险阈值或者用户的违约概率不大于第二概率阈值时，获取用户的非结构数据中的文本数据，并基于文本数据以及其权值进行重构得到重构文本数据，并采用基于文本数据风险评估模型确定用户的文本违约评分，并基于用户的文本违约评分、时序违约评分、违约概率，采用基于机器学习算法的评估模型，得到用户的违约风险得分，并基于违约风险得分确认用户的违约风险，从而进一步提升了判断的准确性。从而进一步提升了判断的准确性。从而进一步提升了判断的准确性。

【技术实现步骤摘要】
违约风险评估方法、设备与存储介质


[0001]本专利技术属于数据处理
，尤其涉及一种违约风险评估方法、设备与存储介质。

技术介绍

[0002]为了实现对授信风险的准确评估，在授权专利技术专利授权公告号CN112804242B《一种基于深度学习的非结构化数据的违约概率预测方法》中通过集成和清洗信贷主体人包括文本数据和时序数据在内的非结构化数据；将非结构化数据变换为深度学习模型可识别的数据格式；基于深度学习模型框架，提取数据特征作为样本数据；针对提取出来的样本数据，利用复杂机器学习分类算法
‑
集成树模型构建信用风险模型，输出违约概率预测，但是却存在以下技术问题：
[0003]1、未考虑对文本数据和时序数据进行重构，在进行违约风险评估时，文本数据反应的是用户的当前的实际情况，而时序数据则反应的是一段周期的用户的情况，与文本数据相比的话，其对于最后的违约概率的预测的可靠性和准确性明显更高，若不能对上述数据进行重构，则会导致最终的违约概率的预测的精度会受到一定程度的影响。
[0004]2、未考虑首先结合用户的违约情况首先对高违约风险的用户的筛选，对于历史中存在违约或者违约风险较大的用户，若均采用上述的违约风险评估模型，则有可能会导致整体的违约风险的评估效率会受到一定程度的影响。
[0005]3、未考虑对于文本数据和时序数据采用不同的信用风险评估模型，对于不同的神经网络模型，在处理文本数据或者时序数据时，其处理的可靠性和准确性也不相同，若采用相同的神经网络模型以及信用风险评估模型，则有可能导致最终的信用风险的评估结果的准确性也会受到一定程度的影响。
[0006]针对上述技术问题，本专利技术提供了一种违约风险评估方法、设备与存储介质。

技术实现思路

[0007]为实现本专利技术目的，本专利技术采用如下技术方案：
[0008]根据本专利技术的一个方面，提供了一种违约风险评估方法、设备与存储介质。
[0009]一种违约风险评估方法，具体包括：
[0010]S11获取用户的历史违约次数，并判断所述用户的历史违约次数是否大于第一阈值，若是，则确定所述客户的历史违约风险为高风险，若否，则进入步骤S12；
[0011]S12获取用户的历史违约数据，并基于所述历史违约数据判断所述用户的违约概率是否大于第一概率阈值，若是，则确定所述客户的历史违约风险为高风险，若否，则进入步骤S13；
[0012]S13获取所述用户的非结构化数据中的时序数据，并将所述时序数据以及所述时序数据的权值，对所述时序数据进行重构得到重构后的数据并将其作为重构时序数据，并基于所述重构时序数据，采用时序数据风险评估模型确定所述用户的时序违约评分，并判
断是否所述用户的时序违约评分大于第一风险阈值且所述用户的违约概率大于第二概率阈值，若是，则确定所述客户的历史违约风险为高风险，若否，则进入步骤S14；
[0013]S14获取所述用户的非结构数据中的文本数据，并基于所述文本数据以及所述文本数据的权值进行重构得到重构文本数据，并采用基于文本数据风险评估模型确定所述用户的文本违约评分，并基于所述用户的文本违约评分、时序违约评分、违约概率，采用基于机器学习算法的评估模型，得到所述用户的违约风险得分，并基于所述用户的违约风险得分确认所述用户的违约风险。
[0014]通过结合用户的违约次数和违约数据实现对存在较大违约可能性的用户的筛选，从而实现了减少需要进行时序数据筛选以及违约风险得分的评估的用户的数量，进一步提升了评估的效率，同时也保证了系统运行的效率的提升。
[0015]通过结合时序数据的权值进行重构时序数据的生成以及用户的时序违约评分的构建，从而极大的提升了用户的时序违约评分的准确性，充分考虑到不同的时序数据对最终的时序违约评分的结果的影响，并且通过第一风险阈值的设置，实现了对高风险的客户的筛选，同时也避免了采用相同的数学模型导致的最终的评估结果不够准确的技术问题的出现。
[0016]通过结合文本违约评分、时序违约评分、违约概率，采用基于机器学习算法的评估模型，得到所述用户的违约风险得分，从而极大的提升了不同用户的违约风险得分的评估的全面性和准确性，同时也实现了从多角度以及多特征的角度对用户的违约风险的准确评估。
[0017]另一方面，本申请实施例中提供一种计算机设备，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行上述的一种违约风险评估方法。
[0018]另一方面，本专利技术提供了一种计算机存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种违约风险评估方法。
[0019]其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
[0020]为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0021]通过参照附图详细描述其示例实施方式，本专利技术的上述和其它特征及优点将变得更加明显。
[0022]图1是根据实施例1的一种违约风险评估方法的具体步骤的流程图；
[0023]图2是根据实施例1的违约概率的评估的具体步骤的流程图；
[0024]图3是根据实施例1的用户的时序违约评分的评估的具体步骤的流程图；
[0025]图4是根据实施例1的用户的违约风险得分构建的具体步骤的流程图；
[0026]图5是根据实施例3的一种计算机存储介质的结构图。
具体实施方式
[0027]现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本专利技术将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。
[0028]用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
[0029]申请人发现，在进行违约风险的实时评估，未考虑对文本数据和时序数据进行重构，若不能对上述数据进行重构，则会导致最终的违约概率的预测的精度会受到一定程度的影响；未考虑对于文本数据和时序数据采用不同的信用风险评估模型，对于不同的神经网络模型，在处理文本数据或者时序数据时，其处理的可靠性和准确性也不相同，若采用相同的神经网络模型以及信用风险评估模型，则有可能导致最终的信用风险的评估结果的准确性也会受到一定程度的影响。
[0030]实施例1
[0031]为解决上述问题，根据本专利技术的一个方面，如图1所示，提供了根据本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种违约风险评估方法，其特征在于，具体包括：S11获取用户的历史违约次数，并判断所述用户的历史违约次数是否大于第一阈值，若是，则确定所述客户的历史违约风险为高风险，若否，则进入步骤S12；S12获取用户的历史违约数据，并基于所述历史违约数据判断所述用户的违约概率是否大于第一概率阈值，若是，则确定所述客户的历史违约风险为高风险，若否，则进入步骤S13；S13获取所述用户的非结构化数据中的时序数据，并将所述时序数据以及所述时序数据的权值，对所述时序数据进行重构得到重构后的数据并将其作为重构时序数据，并基于所述重构时序数据，采用时序数据风险评估模型确定所述用户的时序违约评分，并判断是否所述用户的时序违约评分大于第一风险阈值且所述用户的违约概率大于第二概率阈值，若是，则确定所述客户的历史违约风险为高风险，若否，则进入步骤S14；S14获取所述用户的非结构数据中的文本数据，并基于所述文本数据以及所述文本数据的权值进行重构得到重构文本数据，并采用基于文本数据风险评估模型确定所述用户的文本违约评分，并基于所述用户的文本违约评分、时序违约评分、违约概率，采用基于机器学习算法的评估模型，得到所述用户的违约风险得分，并基于所述用户的违约风险得分确认所述用户的违约风险。2.如权利要求1所述的违约风险评估方法，其特征在于，所述用户的历史违约次数根据所述用户在第一时间阈值内的违约次数进行确定，所述第一时间阈值不少于一年。3.如权利要求1所述的违约风险评估方法，其特征在于，所述用户的历史违约数据包括所述用户的历史违约次数、历史违约金额、最长违约时间、用户的违约状态，所述用户的违约状态包括处于违约状态和处于非违约状态。4.如权利要求1所述的违约风险评估方法，其特征在于，所述违约概率的评估的具体步骤为：获取所述用户的违约状态，并判断所述用户的违约状态是否为处于违约状态，若是，则确定所述用户的违约概率为1，若否，则进入下一步骤；基于所述用户的历史违约次数、历史违约金额、最长违约时间构建输入集，并基于机器学习算法的预测模型，得到所述用户的基础违约概率，并判断所述基础违约概率是否大于第二概率阈值，若是，则确定所述用户的违约概率为1，若否，则进入下一步骤；基于所述用户的最近一年的违约次数，对所述基础违约概率进行修正，得到所述用户的违约概率。5.如权利要求1所述的违约风险评估方法，其特征在于，所述第一概率阈值根据待评估的用户的数量...

【专利技术属性】
技术研发人员：唐科伟，陈声鸿，
申请(专利权)人：浙江孚临科技有限公司，
类型：发明
国别省市：