【技术实现步骤摘要】
本专利技术涉及风险管理，特别涉及一种在线消费信贷违约风险的管理方法、系统与电子设备。
技术介绍
1、在线消费信贷服务是指消费者可以通过互联网平台，在一段时间内分期付款来购买商品或服务。作为一种重要的金融工具，它打破了传统信贷的地域和时间限制，在很大程度上方便了个人获得金融支持的机会。对于商家而言，“先买后付”的方案可以帮助商家吸引更多消费者，提升销售额和客户转化率。电商平台通过提供在线消费信贷服务，还能增加用户粘性，提高平台的活跃度和用户体验。总之，推广在线消费信贷有助于扩大内需，促进消费，并为经济增长做出贡献。如今，各大知名电商平台已经开发并积极推广这项服务。
2、虽然在线消费信贷服务在消费市场上的作用毋庸置疑，但它也面临着如何评估消费者信用风险的挑战。在线消费信贷的持续增长加上金融体系的脆弱性可能导致消费者过度负债，不利于金融市场的稳定和经济增长。
3、现有研究集中在建立传统的信用评分模型上，将风险管理视为单纯的分类问题。尽管不断更新的分类算法可以提高模型的预测性能，但过度追求预测精度可能导致模型难以被理解，从而很难获得从业者的信任。此外，现有的模型仅针对静态数据进行建模，他们经常通过巧妙的手法和策略来规避被检测和发现的风险，这会影响信用评分中的特征贡献水平。但目前的模型还不够灵活，无法适应信用数据的时效性。另一方面，尽管机器学习在信用评分方面的研究取得了重大进展，但它经常面临质疑。监管机构要求信用评分模型具有透明度和可审计性，然而，过于复杂的机器学习模型导致很难向客户和监管机构解释审批过程。因此，仅
4、现有技术中，对于在线消费信贷违约风险的研究大多集中在信用评价指标和预测方法的选择，往往忽视了各种消费贷款场景中信用数据的多样性。但由于信用数据的多变，现有技术难以适应不同的消费贷款数据，且不透明的机器学习模型无法满足信用评分的要求，导致从业者和消费者无法充分依赖此类工具，且忽视了不同特征在不同消费者中的独特表现，造成在线消费信贷违约风险管理中从业者和消费者对管理信任度大大下降。
技术实现思路
1、本专利技术的目的在于针对上述现有技术的不足，提供一种在线消费信贷违约风险的管理方法、系统与电子设备，以解决现有技术中由于信用数据的多变，现有技术难以适应不同的消费贷款数据，且不透明的机器学习模型无法满足信用评分要求的问题。
2、本专利技术具体提供如下技术方案：一种在线消费信贷违约风险的管理方法，包括如下步骤：
3、获取在线消费信贷数据；
4、分析并获得所述在线消费信贷数据中用户特征与违约风险间的关系，且通过所述关系建立预测模型；其中所述用户特征为用户的违约风险数据；
5、使用所述预测模型对待预测用户的违约风险数据进行预测，获得待预测用户违约概率的预测结果；
6、采用蒙特卡洛抽样的近似值方法计算所述预测结果的平均边际效应近似，并通过所述平均边际效应近似获得预测结果中某项用户特征对于预测违约的贡献值；
7、遍历获得预测结果中某项用户特征对于预测违约的贡献值的步骤，获得所有用户特征的shapley值，并通过shapley值评估预测过程中每项用户特征对于预测违约的贡献值；
8、使用瀑布图展示各项用户特征的shapley值，对用户进行在线消费信贷违约风险管理。
9、优选的，所述获取在线消费信贷数据后，将所述在线消费信贷数据中的类别不平衡数据进行预处理，包括如下步骤：
10、获取所述在线消费信贷数据的未违约样本集合和违约样本集合；
11、对一个空的欠采样样本集合进行初始化；
12、计算每个违约样本与所有未违约样本之间的距离，并对所述违约样本选择k个最近的未违约样本；
13、将所述违约样本以及违约样本选择的k个最近未违约样本加入初始化后的欠采样样本集合，构成最终的欠采样样本集合；
14、利用所述最终的欠采样样本集合作为欠采样后的样本集。
15、优选的，所述分析并获得所述在线消费信贷数据中用户特征与违约风险间的关系，且通过所述关系建立预测模型，包括如下步骤：
16、将欠采样后的样本集中，由连续的用户特征构成的浮点特征值离散化为k个整数，构建宽度为k的第一直方图；
17、计算所述第一直方图中的叶子节点，并对所述叶子节点的父亲节点和兄弟节点作差，获得所述叶子节点的第二直方图；
18、利用多个所述叶子节点的第二直方图作差获得第二直方图运算量最大的节点；
19、选择leaf-wise策略将所有第二直方图中，叶子节点分裂收益最大的节点进行分裂；
20、通过遍历获得所述第二直方图运算量最大的节点，以及选择leaf-wise策略将所有第二直方图中叶子节点分裂收益最大的节点进行分裂的过程，建立预测模型。
21、优选的，将k个整数作为索引，在第一直方图中累积整个数据的统计量。
22、优选的，所述采用蒙特卡洛抽样的近似值方法计算所述预测结果的平均边际效应近似，并通过所述平均边际效应近似获得预测结果中某项用户特征对于预测违约的贡献值，具体表达式为：
23、
24、其中，为对x的预测，x为需解释样本特征值的向量，保留第j个用户特征的值，其他不属于s的特征值由随机数据点的特征值替换；为所有不属于s的特征值都由随机数据点的特征值替换，s是指预测模型中不包含第j个用户特征的所有子集。
25、优选的，所述采用蒙特卡洛抽样的近似值方法计算所述预测结果的平均边际效应近似之前，对于特征数量低于阈值的在线消费信贷数据进行贡献值计算，包括如下步骤：
26、对于包含p个特征的预测模型，其中第j个特征对预测违约的贡献是指在所有特征值组合上加权求和，具体表达式为：
27、
28、其中，val指的是在s中的特征值下模型的预测结果，p表示用户特征数量，xj指的是第j个特征值的向量。
29、优选的，所述遍历获得预测结果中某项用户特征对于预测违约的贡献值的步骤，获得所有用户特征的shapley值，还包括步骤：
30、在对特征的全局分析中，通过条形图获得每个特征在预测违约过程中的贡献大小及影响正负，获得特征的重要性排名；
31、在对特征的局部分析中，获得不同特征值影响预测结果的变化结果，获得特征与预测结果之间的关联。
32、优选的，在全局分析和局部分析后，使用用户画像理论，针对单组数据进行用户画像，并通过瀑布图的方式对分析结果进行输出。
33、优选的，本专利技术提供一种在线消费信贷违约风险的管理系统，包括：
34、采集模块，用于获取在线消费信贷数据；
35、模型构建模块，用于分析并获得所述在线消费信贷数据中用户特征与违约风险间的关系，且通过所述关系建立预测模型；其中所述用户特征为用户的违约风险数据；
36、本文档来自技高网...
【技术保护点】
1.一种在线消费信贷违约风险的管理方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种在线消费信贷违约风险的管理方法，其特征在于，所述获取在线消费信贷数据后，将所述在线消费信贷数据中的类别不平衡数据进行预处理，包括如下步骤：
3.如权利要求2所述的一种在线消费信贷违约风险的管理方法，其特征在于，所述分析并获得所述在线消费信贷数据中用户特征与违约风险间的关系，且通过所述关系建立预测模型，包括如下步骤：
4.如权利要求3所述的一种在线消费信贷违约风险的管理方法，其特征在于，将k个整数作为索引，在第一直方图中累积整个数据的统计量。
5.如权利要求1所述的一种在线消费信贷违约风险的管理方法，其特征在于，所述采用蒙特卡洛抽样的近似值方法计算所述预测结果的平均边际效应近似，并通过所述平均边际效应近似获得预测结果中某项用户特征对于预测违约的贡献值，具体表达式为：
6.如权利要求5所述的一种在线消费信贷违约风险的管理方法，其特征在于，所述采用蒙特卡洛抽样的近似值方法计算所述预测结果的平均边际效应近似之前，对于特征数量低于阈值的在
7.如权利要求1所述的一种在线消费信贷违约风险的管理方法，其特征在于，所述遍历获得预测结果中某项用户特征对于预测违约的贡献值的步骤，获得所有用户特征的Shapley值，还包括步骤：
8.如权利要求7所述的一种在线消费信贷违约风险的管理方法，其特征在于，在全局分析和局部分析后，使用用户画像理论，针对单组数据进行用户画像，并通过瀑布图的方式对分析结果进行输出。
9.一种在线消费信贷违约风险的管理系统，其特征在于，包括
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现权利要求1-8任意一项所述方法的步骤。
...【技术特征摘要】
1.一种在线消费信贷违约风险的管理方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种在线消费信贷违约风险的管理方法，其特征在于，所述获取在线消费信贷数据后，将所述在线消费信贷数据中的类别不平衡数据进行预处理，包括如下步骤：
3.如权利要求2所述的一种在线消费信贷违约风险的管理方法，其特征在于，所述分析并获得所述在线消费信贷数据中用户特征与违约风险间的关系，且通过所述关系建立预测模型，包括如下步骤：
4.如权利要求3所述的一种在线消费信贷违约风险的管理方法，其特征在于，将k个整数作为索引，在第一直方图中累积整个数据的统计量。
5.如权利要求1所述的一种在线消费信贷违约风险的管理方法，其特征在于，所述采用蒙特卡洛抽样的近似值方法计算所述预测结果的平均边际效应近似，并通过所述平均边际效应近似获得预测结果中某项用户特征对于预测违约的贡献值，具体表达式为：
6.如权...
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。