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】
本专利技术属于金融风控,特别涉及基于信息框架生成客户画像的金融风控方法和系统。
技术介绍
1、在金融领域,客户风控一直是一个至关重要的问题。金融风险控制就通常指通过各种渠道,实时抓取海量数据,从多个维度分析一个借款用户,评估出还款能力建议,并实时跟踪他的贷前、贷中、贷后的情况。金融风控系统的基础,就是海量的数据抓取能力。目前,现有技术中通常仅能通过第三方平台的信用评价和系统内数据对借款用户进行综合判断,判断所依据的数据有限且单一,导致对借款用户进行综合分析判断的结果不准确,金融风险控制的效果有限。传统的金融风控方法主要基于静态的信用评估模型,往往依赖于客户的信用分数和一些基本财务信息。这种方法存在的问题是对客户的全面了解不足,无法应对客户行为的动态变化。
2、用户画像,即用户信息标签化,就是企业通过收集与分析客户的社会属性、生活习惯、消费行为等数据之后,抽象出一个客户的商业全貌,是企业应用大数据技术的基本方式。用户画像为企业提供了足够的信息基础,能够帮助企业快速找到精准用户群体以及用户需求等更为广泛的反馈信息。
3、公开号为“cn113674079a”的中国专利技术专利申请公开了一种基于关系图谱和客户画像的金融风险控制系统及方法,该方法具体为:获取客户企业信息,其中,所述客户企业信息包括客户企业的企业名称信息;以所述企业名称信息为基础企业实体,采用网络爬虫算法从全国企业信用信息公示系统中爬取与所述基础企业实体存在企业关联关系的关联企业实体;根据所述企业关联关系,确定所述基础企业实体与所述关联企业实体中的核
4、该方案未考虑客户信息中各因素相对于金融风险的权重,进而影响客户金融风险评估的准确性。随着人工智能(artificial intelligence,ai)技术的发展,金融行业开始利用机器学习和深度学习等技术来构建更智能、更灵活的风控系统。这些系统可以分析大量非结构化和结构化数据,从而更全面地了解客户的行为、偏好和风险因素,提高客户画像的准确性。
技术实现思路
1、本专利技术提供基于信息框架生成客户画像的金融风控方法和系统,旨在解决现有技术对客户画像时存在的准确度不足的问题。
2、为解决上述技术问题,本专利技术提出的金融风控方法包括以下步骤:
3、s1:收集客户信息,对所述客户信息进行预处理及标准化,生成标准化数据;
4、s2:根据所述标准化数据构建多层次的信息框架,所述信息框架包含客户不同层次的标准化数据;
5、s3:构建置信度评价模型,所述置信度评价模型为神经网络模型,包括一个输入层、若干隐藏层及一个输出层,用于匹配计算信息框架中每一层信息的风险置信度;
6、所述隐藏层包括多个神经元,每个隐藏层使用的激活函数为relu函数,所述输出层使用softmax激活函数;
7、s4:将所述信息框架输入置信度评价模型,所述置信度评价模型根据每一层信息的风险置信度,计算信息框架的综合风险置信度;
8、所述综合风险置信度的计算方法如下:
9、
10、式中:
11、c——综合风险置信度;
12、n——信息框架的层数;
13、ci——信息框架每一层的风险置信度。
14、s5:根据综合风险置信度评估客户的风险等级。
15、优选地,所述信息框架包括基本信息层、财务信息层、行为信息层、信用信息层、数字足迹层、安全信息层、历史记录层及其他信息。
16、优选地,所述置信度评价模型采用交叉熵损失函数。
17、优选地,所述步骤s3具体为:
18、s31:收集客户信息,根据不同客户的已知风险等级,对收集的客户信息进行标注,得到的标注数据按设定的比例划分为训练集及测试集;
19、s32:将训练集输入神经网络模型进行训练;
20、s33:迭代训练直至训练次数达到设定的阈值;
21、s34:使用所述测试集对每次训练的输出结果,将auc最大且不低于设定值的一次模型作为置信度模型。
22、优选地,所述步骤s32还包括在训练过程中,根据输出结果调整学习率、隐藏层神经元数量。
23、优选地,所述步骤s32中,auc的设定值为0.85。
24、优选地,所述预处理包括缺失值处理、重复值处理、异常值处理;
25、所述缺失值处理采用众数对缺失的数据进行填充;
26、所述异常值处理采用以下方法计算的值y(λ)替换异常值:
27、
28、式中:
29、y(λ)——用于替换异常值的正常值;
30、y——客户信息中的异常值;
31、λ——变换参数,通过最大似然估计得到。
32、优选地,所述标准化将数值型数据的值转化为均值为0、标准差为1的标准正态分布数据,将具有多个类别的数据,采用独热编码,转化为二进制向量表示。
33、优选地,将数值型数据的转化方法具体为:
34、
35、式中:
36、z——标准化数据;
37、x——原始数据;
38、——均值;
39、σ——标准差;
40、均值采用以下方法计算:
41、
42、式中:
43、n——参与计算的数据数量;
44、xi——对应每一个数据的值;
45、标准差σ采用以下方法计算:
46、
47、式中:
48、n——参与计算的数据数量;
49、xi——对应每一个数据的值;
50、——均值;
51、xi——对应每一个数据的值。
52、相应的,本专利技术还提出基于信息框架生成客户画像的金融风控系统,所述系统使用上述的金融风控方法,包括:
53、数据采集模块,用于采集客户信息,并对客户信息进行预处理及标准化,生成标准化数据;
54、信息框架,将标准化数据按设定的层次划分,分为不同的层次;
55、置信度评价模块,采用神经网络模型,根据信息框架,为信息框架中的每一层数据赋予相应的风险置信度;
56、综合评价模块,根据信息框架中的每一层风险置信度,计算综合风险置信度,根据所述综合风险置信度评估客户的风险等级。
57、与现有技术相比,本专利技术具有以下技术效果:
...【技术保护点】
1.基于信息框架生成客户画像的金融风控方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于信息框架生成客户画像的金融风控方法,其特征在于,所述信息框架包括基本信息层、财务信息层、行为信息层、信用信息层、数字足迹层、安全信息层、历史记录层及其他信息。
3.根据权利要求1所述的基于信息框架生成客户画像的金融风控方法,其特征在于,所述置信度评价模型采用交叉熵损失函数。
4.根据权利要求1所述的基于信息框架生成客户画像的金融风控方法,其特征在于,所述步骤S3具体为:
5.根据权利要求4所述的基于信息框架生成客户画像的金融风控方法,其特征在于,所述步骤S32还包括在训练过程中,根据输出结果调整学习率、隐藏层神经元数量。
6.根据权利要求4或5所述的基于信息框架生成客户画像的金融风控方法,其特征在于,所述步骤S32中,AUC的设定值为0.85。
7.根据权利要求1所述的基于信息框架生成客户画像的金融风控方法,其特征在于,所述预处理包括缺失值处理、重复值处理、异常值处理;
8.根据权利要求1所述的基于
9.根据权利要求8所述的基于信息框架生成客户画像的金融风控方法,其特征在于,将数值型数据的转化方法具体为:
10.基于信息框架生成客户画像的金融风控系统,其特征在于,所述系统使用如权利要求1-9任一项所述的金融风控方法,包括:
...【技术特征摘要】
1.基于信息框架生成客户画像的金融风控方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于信息框架生成客户画像的金融风控方法,其特征在于,所述信息框架包括基本信息层、财务信息层、行为信息层、信用信息层、数字足迹层、安全信息层、历史记录层及其他信息。
3.根据权利要求1所述的基于信息框架生成客户画像的金融风控方法,其特征在于,所述置信度评价模型采用交叉熵损失函数。
4.根据权利要求1所述的基于信息框架生成客户画像的金融风控方法,其特征在于,所述步骤s3具体为:
5.根据权利要求4所述的基于信息框架生成客户画像的金融风控方法,其特征在于,所述步骤s32还包括在训练过程中,根据输出结果调整学习率、隐藏层神经元数量。
6.根据权利要求4或5所...
【专利技术属性】
技术研发人员:王清风,郭金辉,董煌斌,郑颖,张钟仓,蓝满春,
申请(专利权)人:福建卓融信息技术有限公司,
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。