System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请实施例涉及计算机,具体而言,涉及一种授信额度的确定方法及装置、存储介质、电子设备。
技术介绍
1、额度预测模型是当今金融企业对企业客户授信的一个重要方法,因企业授信场景依赖性很强,现有的额度预测模型采用简单的规则模型或线性模型时,分类颗粒度粗,有效入模的变量少,额度预测的准确率较低,造成客群间额度区分度不高,存在客户额度“扎堆”,授信额度“个性化”不足等问题。
技术实现思路
1、本申请实施例提供了一种授信额度的确定方法及装置、存储介质、电子设备,以至少解决相关技术中预测授信额度无法实现精确匹配的问题。
2、根据本申请的一个实施例,提供了一种授信额度的确定方法,包括:将目标客户的特征数据输入至预先训练好的目标模型中,得到上述目标模型输出的上述目标客户的目标授信标识,其中,上述目标模型输出上述目标客户的目标授信标识包括:从上述特征数据中提取上述目标客户的多个属性特征,将多个上述属性特征转化为多个特征变量,调整多个上述特征变量的权重值以生成多个决策树,确定每个上述决策树的授信标识,加权处理多个上述授信标识以输出上述目标授信标识,上述特征数据包括上述目标客户的客户属性特征和经营属性特征;根据上述目标授信标识确定上述目标客户的授信额度区间;从上述授信额度区间中确定上述目标客户对应的目标授信额度。
3、在一个示例性实施例中,确定样本特征数据集,包括:获取每个上述样本授信额度区间对应的样本数、上述样本数的占比以及样本授信标识;获取每个上述样本客户的以下信息至少之一,
4、在一个示例性实施例中,确定样本特征数据集之后,上述方法还包括:将上述样本客户属性和上述样本经营属性中的非数值类数据转化为数值类特征数据,得到上述样本客户属性的样本特征变量和上述样本经营属性的样本特征变量;从上述样本客户属性的样本特征变量和上述样本经营属性的样本特征变量中筛选出缺失率小于第一参数、单值率小于第二参数且分布稳定指数小于第三参数的样本特征变量。
5、在一个示例性实施例中,利用上述样本特征数据集训练得到上述目标模型之前,上述方法还包括:利用贝叶斯搜索确定上述目标模型的目标参数,其中,上述目标参数包括以下至少之一:上述目标模型生成决策树的最大深度,上述目标模型的学习率,训练上述目标模型的特征采样比例。
6、在一个示例性实施例中,利用上述样本特征数据集训练得到上述目标模型,包括:确定上述样本入模特征数据的样本初始权重,其中,上述样本客户属性的样本特征变量和上述样本经营属性的样本特征变量的样本初始权重均相同;利用上述样本标识特征数据、上述样本入模特征数据以及上述样本初始权重训练原始模型,得到上述原始模型输出的初始决策树、初始样本授信标识以及初始标识占比;在上述初始样本授信标识和预设样本授信标识的差异率大于目标差异率的情况下,调整上述样本初始权重;根据调整后的样本初始权重的样本特征变量,迭代生成样本决策树,并输出目标样本授信标识和目标标识占比,其中,上述样本决策树对应于上述目标样本授信标识和上述目标标识占比。
7、在一个示例性实施例中,在上述初始样本授信标识和预设样本授信标识的差异率大于目标差异率的情况下,调整上述样本初始权重,包括:在上述初始样本授信标识与上述预设样本授信标识相同的情况下,将上述样本入模特征数据的初始权重调整为第一权重,其中,上述第一权重小于上述样本入模特征数据的初始权重;在上述初始样本授信标识与上述预设样本授信标识不同的情况下,将上述样本入模特征数据的初始权重调整为第二权重,其中,上述第二权重大于上述样本入模特征数据的初始权重。
8、在一个示例性实施例中,根据调整后的样本初始权重的样本特征变量,迭代生成样本决策树,并输出目标样本授信标识和目标标识占比之后,上述方法还包括:基于上述初始标识占比和上述目标标识占比,加权上述初始样本授信标识和上述目标样本授信标识,得到训练分群标志;根据上述训练分群标志和上述样本授信标识划分得到混淆矩阵,其中,上述混淆矩阵中包括以下至少之一:真正例,假正例,真反例,假反例;基于上述混淆矩阵确定性能度量,并利用上述性能度量检测上述目标模型,其中,上述性能度量包括以下至少之一:曲线面积,相邻类覆盖率,上述曲线面积用于检测上述目标模型的预测能力,上述相邻类覆盖率用于检测上述样本特征数据集。
9、根据本申请的另一个实施例,提供了一种授信额度的确定装置,包括:第一输入模块,用于将目标客户的特征数据输入至预先训练好的目标模型中,得到上述目标模型输出的上述目标客户的目标授信标识,其中,上述目标模型输出上述目标客户的目标授信标识包括:从上述特征数据中提取上述目标客户的多个属性特征,将多个上述属性特征转化为多个特征变量,调整多个上述特征变量的权重值以生成多个决策树,确定每个上述决策树的授信标识,加权处理多个上述授信标识以输出上述目标授信标识,上述特征数据包括上述目标客户的客户属性特征和经营属性特征;第一确定模块,用于根据上述目标授信标识确定上述目标客户的授信额度区间;第二确定模块,用于从上述授信额度区间中确定上述目标客户对应的目标授信额度。
10、在一个示例性实施例中,上述装置还包括,第三确定模块,用于将目标客户的特征数据输入至预先训练好的目标模型中,得到上述目标模型输出的上述目标客户的目标授信标识之前,确定样本特征数据集,其中,上述样本特征数据集包括样本标识特征数据和样本入模特征数据,上述样本标识特征数据用于标识样本授信额度区间,上述样本入模特征数据中包括多个样本客户的样本客户属性的样本特征变量和样本经营属性的样本特征变量;第一训练模块,用于利用上述样本特征数据集训练得到上述目标模型。
11、在一个示例性实施例中,上述第三确定模块,包括:第一获取子模块,用于获取每个上述样本授信额度区间对应的样本数、上述样本数的占比以及样本授信标识;第二获取子模块,用于获取每个上述样本客户的以下信息至少之一,得到每个上述样本客户的样本客户属性和样本经营属性:客户属性,经营性质,员工信息,纳税信息。
12、在一个示例性实施例中,上述装置还包括:第一转化模块,用于确定样本特征数据集之后,将上述样本客户属性和上述样本经营属性中的非数值类数据转化为数值类特征数据,得到上述样本客户属性的样本特征变量和上述样本经营属性的样本特征变量;第一筛选模块,从上述样本客户属性的样本特征变量和上述样本经营属性的样本特征变量中筛选出缺失率小于第一参数、单值率小于第二参数且分布稳定指数小于第三参数的样本特征变量。
13、在一个示例性实施例中,上述装置还包括:第四确定模块,用于利用上述样本特征数据集训练得到上述目标模型之前,利用贝叶斯搜索确定上述目标模型的目标参数,其中,上述目标参数包括以下至少之一:上述目标模型生成决策树的最大深度,上述目标模型的学习率,训练上述目标模型的特征采样比例。
14、在一个示例性实施例中,上述第一训本文档来自技高网...
【技术保护点】
1.一种授信额度的确定方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,将目标客户的特征数据输入至预先训练好的目标模型中,得到所述目标模型输出的所述目标客户的目标授信标识之前,所述方法还包括:
3.根据权利要求2所述的方法,其特征在于,确定样本特征数据集,包括:
4.根据权利要求2或3所述的方法,其特征在于,确定样本特征数据集之后,所述方法还包括:
5.根据权利要求2所述的方法,其特征在于,利用所述样本特征数据集训练得到所述目标模型之前,所述方法还包括:
6.根据权利要求2所述的方法,其特征在于,利用所述样本特征数据集训练得到所述目标模型,包括:
7.根据权利要求6所述的方法,其特征在于,在所述初始样本授信标识和预设样本授信标识的差异率大于目标差异率的情况下,调整所述样本初始权重,包括:
8.根据权利要求6所述的方法,其特征在于,根据调整后的样本初始权重的样本特征变量,迭代生成样本决策树,并输出目标样本授信标识和目标标识占比之后,所述方法还包括:
9.一种授信额度的确
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被处理器执行时实现所述权利要求1至8任一项中所述的方法的步骤。
11.一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现所述权利要求1至8任一项中所述的方法的步骤。
...【技术特征摘要】
1.一种授信额度的确定方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,将目标客户的特征数据输入至预先训练好的目标模型中,得到所述目标模型输出的所述目标客户的目标授信标识之前,所述方法还包括:
3.根据权利要求2所述的方法,其特征在于,确定样本特征数据集,包括:
4.根据权利要求2或3所述的方法,其特征在于,确定样本特征数据集之后,所述方法还包括:
5.根据权利要求2所述的方法,其特征在于,利用所述样本特征数据集训练得到所述目标模型之前,所述方法还包括:
6.根据权利要求2所述的方法,其特征在于,利用所述样本特征数据集训练得到所述目标模型,包括:
7.根据权利要求6所述的方法,其特征在于,在所述初始样本...
【专利技术属性】
技术研发人员:陈孟,刘宏吉,周可沁,陈计友,樊涛,赵林浩,
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。