一种基于集成模型的风控预测方法及系统技术方案

本发明专利技术提供了一种基于集成模型的风控预测方法及系统，涉及数据处理技术领域，方法包括：将第一前置基学习器、第二前置基学习器直到第N前置基学习器的输出层和特征融合学习器的输入层合并，获取风险级别划分模型，将用户端上传的业务请求信息中的登录用户基础信息所包括的失信记录信息和财产状态信息输入风险级别划分模型，获取第一风险等级，对第一风险等级进行调整，获取第二风险等级发送至管理端进行风控管理，本发明专利技术解决了现有技术中由于风控模型的准确性低，因此通过集成模型提高预测准确性，但由于集成模型的训练需要巨量数据训练，存在较难实现的技术问题，实现了集成模型的应用，达到了提升风控预测准确率的技术效果。果。果。

【技术实现步骤摘要】
一种基于集成模型的风控预测方法及系统


[0001]本专利技术涉及数据处理
，具体涉及一种基于集成模型的风控预测方法及系统。

技术介绍

[0002]随着金融领域的发展，在金融行业对客户做风控处理的过程中通常都需要采用预先构建好的风控模型来针对客户可能出现的风险行为进行有效的的预测。然而，由于传统的逻辑回归/决策树模型在构建时对于业务经验的依赖较强，且模型整体受变量构造方式影响大，这就导致采用这部分模型预测用户风险行为的准确性较差。而现有技术中的使用风控模型来进行风控预测时，风控模型多为单一维度模型的处理，准确性难以保证，通过集成模型可以提高风控预测准确性，但是由于集成模型的训练，需要巨量的标签数据，通常较难满足。

技术实现思路

[0003]本申请提供了一种基于集成模型的风控预测方法及系统，用于针对解决现有技术中存在的由于风控模型的准确性低，因此通过集成模型提高预测准确性，但由于集成模型的训练需要巨量数据训练，存在较难实现的技术问题。
[0004]鉴于上述问题，本申请提供了一种基于集成模型的风控预测方法及系统。
[0005]第一方面，本申请提供了一种基于集成模型的风控预测方法，所述方法包括：构建第一前置基学习器、第二前置基学习器直到第N前置基学习器，其中，所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的模型拓扑结构互不相同，N为整数，N≥2；构建特征融合学习器；将所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的输出层和所述特征融合学习器的输入层合并，获取风险级别划分模型；接收用户端上传的业务请求信息，其中，所述业务请求信息包括登录用户基础信息和业务特征信息；所述登录用户基础信息包括失信记录信息和财产状态信息，将所述失信记录信息和所述财产状态信息输入所述风险级别划分模型，获取第一风险等级；对所述财产状态信息进行走势预测，获取财产走势信息，对所述第一风险等级进行调整，获取第二风险等级；将所述第二风险等级发送至管理端进行风控管理。
[0006]第二方面，本申请提供了一种基于集成模型的风控预测系统，所述系统包括：第一构建模块，所述第一构建模块用于构建第一前置基学习器、第二前置基学习器直到第N前置基学习器，其中，所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的模型拓扑结构互不相同，N为整数，N≥2；第二构建模块，所述第二构建模块用于构建特征融合学习器；模型获取模块，所述模型获取模块用于将所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的输出层和所述特征融合学习器的输入层合并，获取风险级别划分模型；信息接收模块，所述信息接收模块用于接收用户端上传的业务请求信息，其中，所述业务请求信息包括登录用户基础信息和业务特征信息；第一输入模块，
所述第一输入模块用于所述登录用户基础信息包括失信记录信息和财产状态信息，将所述失信记录信息和所述财产状态信息输入所述风险级别划分模型，获取第一风险等级；调整模块，所述调整模块用于对所述财产状态信息进行走势预测，获取财产走势信息，对所述第一风险等级进行调整，获取第二风险等级；风控管理模块，所述风控管理模块用于将所述第二风险等级发送至管理端进行风控管理。
[0007]本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：本申请提供的一种基于集成模型的风控预测方法及系统，涉及数据处理
，解决了现有技术中由于风控模型的准确性低，因此通过集成模型提高预测准确性，但由于集成模型的训练需要巨量数据训练，存在较难实现的技术问题，实现了集成模型的应用，达到了提升风控预测准确率的技术效果。
附图说明
[0008]图1为本申请提供了一种基于集成模型的风控预测方法流程示意图；图2为本申请提供了一种基于集成模型的风控预测方法中获取第N前置基学习器流程示意图；图3为本申请提供了一种基于集成模型的风控预测方法中获取特征融合学习器流程示意图；图4为本申请提供了一种基于集成模型的风控预测方法中获取风险级别划分模型流程示意图；图5为本申请提供了一种基于集成模型的风控预测方法中获取第二风险等级流程示意图；图6为本申请提供了一种基于集成模型的风控预测系统结构示意图。
[0009]附图标记说明：第一构建模块1，第二构建模块2，模型获取模块3，信息接收模块4，第一输入模块5，调整模块6，风控管理模块7。
具体实施方式
[0010]本申请通过提供一种基于集成模型的风控预测方法及系统，用于解决现有技术中由于风控模型的准确性低，因此通过集成模型提高预测准确性，但由于集成模型的训练需要巨量数据训练，存在较难实现的技术问题。
[0011]实施例一如图1所示，本申请实施例提供了一种基于集成模型的风控预测方法，该方法应用于集成模型的风控预测系统所述系统包括服务端，所述服务端和管理端、用户端通信连接，该方法包括：步骤S100：构建第一前置基学习器、第二前置基学习器直到第N前置基学习器，其中，所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的模型拓扑结构互不相同，N为整数，N≥2；具体而言，本申请实施例提供的一种基于集成模型的风控预测方法应用于集成模型的风控预测系统，该集成模型的风控预测系统包括服务端，所述服务端和管理端、用户端通信连接，服务端、管理端、用户端用于进行风险参数的采集。
[0012]为保证对后期风控预测的准确性，因此首先需要对第一前置基学习器、第二前置基学习器直到第N前置基学习器进行构建，且N为整数，N≥2，第一前置基学习器、第二前置基学习器直到第N前置基学习器是指对目标用户的失信记录以及财产状态作为基础数据进行训练，是用于对目标用户的风险行为进行预测，其中，第一前置基学习器、第二前置基学习器直到所述第N前置基学习器的模型拓扑结构互不相同，是指第一前置基学习器、第二前置基学习器直到第N前置基学习器网络中各个站点相互连接的形式不同，其拓扑结构可以是总线型拓扑、星形拓扑、环形拓扑、树形拓扑以及它们的混合型等，为后期实现提高风控预测的准确率作为重要参考依据。
[0013]进一步而言，如图2所示，本申请步骤S100还包括：步骤S110：采集失信记录模拟信息、财产状态模拟信息和风险等级标识信息；步骤S120：基于第一拓扑结构网络，以所述风险等级标识信息作为监督标识数据，以所述失信记录模拟信息和所述财产状态模拟信息为输入数据，结合粒子群聚焦算法进行训练，获取所述第一前置基学习器；步骤S130：基于第二拓扑结构网络，以所述风险等级标识信息作为监督标识数据，以所述失信记录模拟信息和所述财产状态模拟信息为输入数据，结合粒子群聚焦算法进行训练，获取所述第二前置基学习器；步骤S140：重复训练，直到基于第N拓扑结构网络，以所述风险等级标识信息作为监督标识数据，以所述失信记录模拟信息和所述财产状态模拟信息为输入数据，结合粒子群聚焦算法进行训练，获取所述第N前置基学习器。
[0014]进一步而言，本申请步骤S120包括：步骤S121：对所述失信记录模拟信息、所述财产状态模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成模型的风控预测方法，其特征在于，应用于基于集成模型的风控预测系统，所述系统包括服务端，所述服务端和管理端、用户端通信连接，包括：构建第一前置基学习器、第二前置基学习器直到第N前置基学习器，其中，所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的模型拓扑结构互不相同，N为整数，N≥2；构建特征融合学习器；将所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的输出层和所述特征融合学习器的输入层合并，获取风险级别划分模型；接收用户端上传的业务请求信息，其中，所述业务请求信息包括登录用户基础信息和业务特征信息；所述登录用户基础信息包括失信记录信息和财产状态信息，将所述失信记录信息和所述财产状态信息输入所述风险级别划分模型，获取第一风险等级；对所述财产状态信息进行走势预测，获取财产走势信息，对所述第一风险等级进行调整，获取第二风险等级；将所述第二风险等级发送至管理端进行风控管理。2.如权利要求1所述的一种基于集成模型的风控预测方法，其特征在于，构建第一前置基学习器、第二前置基学习器直到第N前置基学习器，其中，所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的模型拓扑结构互不相同，N为整数，N≥2，包括：采集失信记录模拟信息、财产状态模拟信息和风险等级标识信息；基于第一拓扑结构网络，以所述风险等级标识信息作为监督标识数据，以所述失信记录模拟信息和所述财产状态模拟信息为输入数据，结合粒子群聚焦算法进行训练，获取所述第一前置基学习器；基于第二拓扑结构网络，以所述风险等级标识信息作为监督标识数据，以所述失信记录模拟信息和所述财产状态模拟信息为输入数据，结合粒子群聚焦算法进行训练，获取所述第二前置基学习器；重复训练，直到基于第N拓扑结构网络，以所述风险等级标识信息作为监督标识数据，以所述失信记录模拟信息和所述财产状态模拟信息为输入数据，结合粒子群聚焦算法进行训练，获取所述第N前置基学习器。3.如权利要求2所述的一种基于集成模型的风控预测方法，其特征在于，基于第一拓扑结构网络，以所述风险等级标识信息作为监督标识数据，以所述失信记录模拟信息和所述财产状态模拟信息为输入数据，结合粒子群聚焦算法进行训练，获取所述第一前置基学习器，包括：对所述失信记录模拟信息、所述财产状态模拟信息和所述风险等级标识信息进行一级划分，获取第一训练集和第一测试集；对所述第一训练集进行k
‑
1折随机划分，获取第二训练集；根据所述第二训练集，基于第一拓扑结构网络，以所述风险等级标识信息作为监督标识数据，以所述失信记录模拟信息和所述财产状态模拟信息为输入数据，结合粒子群聚焦算法进行训练，获取所述第一前置基学习器。
4.如权利要求3所述的一种基于集成模型的风控预测方法，其特征在于，包括：获取所述第一前置基学习器的第一验证集的第一输出结果；获取所述第N前置基学习器的第N验证集的第N输出结果；基于BP神经网络模型，以所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的所述第一输出结果直到所述第N输出结果为输入数据，以所述风险等级标识信息作为监督标识数据，结合粒子群聚焦算法进行训练，获取所述特征融合学习器；将所述第一前置基学习器、所述第二前置基学习器直到所述第N前置基学习器的输出层和所述特征融合学习器的输入层合并，调取所述第一测试集进行稳定性校验；当输出稳定性校验通过时，获取所述风险级别划分模型。5.如权利要求4所述的一种基于集成模型的风控预测方法，其特征在于，基于BP神经网络模型，以所述第一...

【专利技术属性】
技术研发人员：谢晔，林峰，张自平，李志魁，刘东岳，牛雯琪，任亮，
申请(专利权)人：杭州小策科技有限公司，
类型：发明
国别省市：