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】
本申请涉及一种信用风险管控系统和方法,利用本申请的方法和系统能够辅助金融机构进行更为准确的风险决策,增快其数字化转型进程。详细来说本申请涉及一种针对线上信贷业务构建零售信用风险预测模型的方法和针对线上信贷业务的零售信用风险预测模型。
技术介绍
1、在当前消费信贷蓬勃发展的大环境下,部分金融机构的人工审批机制已经无法应对逐渐增多的信贷需求,因此迫切地希望提升金融机构的智能化风控能力。金融机构希望构建从客户预筛选、贷前审查、贷中审批、贷后管理到早期催收阶段的信贷全流程风险缓释机制。
2、如果能够基于早识别、早预警、早发现、早处置的原则开发评分系统,快速便捷地对信贷业务进行监控管理,就能在在风险可控的基础上,提升金融机构自身业务体量、竞争优势和资产质量。
3、但是建设评分系统对于数据和技术层面的依赖性极强,数据维度的多样性和覆盖度、建模技巧及方法论直接影响着评分系统最终的稳定性及排序性。部分金融机构对于零售业务智能化风控经验积累较少,风控能力较弱。在实际的应用过程中,存在数据挖掘分析能力欠缺、风险建模技术薄弱等因素导致金融机构无法充分发挥内部数据价值、无法有效提高模型精准度及稳定性等管控技术难题。这也是中小型金融机构在进行数字化转型方向上的面临的主要障碍之一。
技术实现思路
1、线上信贷业务(也称互联网信贷业务),是一种方便快捷的线上化贷款业务,客户可通过电子渠道进行全流程线上自助贷款业务,包括实时申请、审批、签约、支用和还款等均可在线上渠道办理,无需通过任何第三
2、在此背景下,本申请的信用风险预测方法和系统基于大型银行海量的数据,专门从海量数据中筛选有线上信贷业务的客户数据,以零售信贷客群中的线上信贷业务客户为样本,构建了预测线上信贷业务信用风险的模型,本申请构建的模型能够有针对性地应用在线上信贷业务当中。
3、目前市场上其他的流行的评分模型建设过程中往往困囿于建模样本数量较小、数据来源较为单一、数据维度同质性较高等不利因素。同时,由于目前市面上的风险评估模型大多使用弱金融属性的数据,即基于如智能终端设备数据、社交平台数据、网购商城数据等非信贷交易类数据及非逾期类预测目标进行建模,其预测结果与实际的信贷逾期情况往往存在较大偏差。
4、本申请的方法和系统是基于高稳定、高覆盖的数据样本进行的开发,并对目前已经相对成熟的信贷风控体系进行了系统性的创新,同时在样本选择时使用零售信贷中的互联网信贷客户作为建模样本,能够对金融机构零售业务潜在的信用风险进行有效预测,尤其是零售业务中的线上信贷业务,其信用风险预测效果更为突出。
5、具体来说,本申请还可以进一步以(1)已申请信贷业务的有稳定的收入的客户群体未来是否会发生信贷逾期的概率;(2)已申请信贷业务的无稳定收入的新客户群体预测其发生信贷逾期的概率;(3)已申请信贷业务的无稳定收入的存量客户且属于经济发达地区的客户群体预测其发生信贷逾期的概率;(4)已申请信贷业务的无稳定收入的存量客户且属于经济中等发达地区的客户群体预测其发生信贷逾期的概率;(5)已申请信贷业务的无稳定收入的存量客户且属于经济欠发达地区的客户群体预测其发生信贷逾期的概率;(6)未申请信贷业务的客户群体预测其发生信贷逾期的概率,这6种信用违约概率为预测目标(即目标变量)进行研发。
6、本申请的方法和系统与市场上现有的模型相比,在预测互联网信贷客群发生信贷逾期30天及以上的区分度和稳定性等方面都有着较大的提升。
7、本申请涉及如下的技术方案:
8、1.一种计算零售信用风险的方法,其包括:
9、数据采集步骤,其获取待预测样本的零售信用预测数据;
10、对待预测样本进行分类的步骤,其基于决策树方法将待预测样本进行分类以确定用于计算信用违约概率的子模型;
11、信用违约概率计算步骤,将零售信用预测数据代入信用违约概率子模型中以计算所述待预测样本的信用违约概率,优选所述信用违约概率为针对线上信贷业务的信用违约概率。
12、2.根据项1所述的方法,其还包括:
13、在计算出信用违约概率之后,计算所述待预测样本的信用评分的步骤,其用于将计算得到的信用违约概率校准至0-1000分的标准化分数。
14、3.根据项1或2所述的方法,其中,
15、所述零售信用预测数据包括待预测样本的原始零售信用预测数据以及基于原始的零售信用预测数据加工出衍生零售信用预测数据;
16、优选,所述原始零售信用预测数据包括:
17、信用卡类基础数据,其是基于样本用户的信用卡创建过程和使用过程中全部可获取的数据,
18、个人贷款类基础数据,其是基于样本用户的贷款申请情况及使用行为的全部可获取的数据,
19、客户基本信息类基础数据,其是基于样本用户本身的属性,但与在金融机构的行为不直接关联的数据,
20、个人金融资产类基础数据,其是样本用户在金融机构与信用卡和贷款不相关的其他全部金融资产和金融交易类数据。
21、4.根据项1~3中任一项所述的方法,其中,
22、基于原始的零售信用预测数据加工出衍生零售信用预测数据是指基于时间维度、空间维度、频率维度、统计信息维度对采集的原始的零售信用预测数据进行加工而得到的数据;
23、优选,衍生零售信用预测数据包括但不限于:
24、基于样本关系长度进行加工得到的衍生零售信用预测数据,
25、基于时间间隔类变量进行加工得到的衍生零售信用预测数据,
26、基于样本行为频率程度进行加工得到的衍生零售信用预测数据,
27、基于样本当前时间点情况进行加工得到的衍生零售信用预测数据,
28、基于样本持续行为进行加工得到的衍生零售信用预测数据,
29、基于统计信息维度对样本数据进行加工得到的衍生零售信用预测数据。
30、5.根据项1~4中任一项所述的方法,其中,
31、所述零售信用预测数据选自以下中的一种或两种或三种或四种或五种或六种或七种或八种:
32、过去12个月信贷账户最大预期数、当前信用卡剩余额度、当前月aum总值、过去12个月的工资最大值、个人贷款过去3个月平均额度使用率、个人贷款过去12个月应还金额连续增加月份数、信用卡过去12个月利息大于0的月数、过去12个月存款账户时点最小余额距今月数、循本文档来自技高网...
【技术保护点】
1.一种计算零售信用风险的方法,其包括:
2.根据权利要求1所述的方法,其还包括:
3.根据权利要求1或2所述的方法,其中,
4.根据权利要求1~3中任一项所述的方法,其中,
5.根据权利要求1~4中任一项所述的方法,其中,
6.根据权利要求1~5中任一项所述的方法,其中,
7.根据权利要求1~6中任一项所述的方法,其中,
8.根据权利要求7所述的方法,其中,
9.根据权利要求1~8中任一项所述的方法,其中,
10.根据权利要求1~9中任一项所述的方法,其中,
11.根据权利要求10所述的方法,其中,信用违约概率计算步骤包括:
12.根据权利要求11所述的方法,其中,
13.根据权利要求12所述的方法,其中,
14.根据权利要求13所述的方法,其中,
15.根据权利要求1~9中任一项所述的方法,其中,
16.根据权利要求15所述的方法,其中,信用违约概率计算步骤包括:
17.根据权利要求15
18.根据权利要求17所述的方法,其中,
19.根据权利要求18所述的方法,其中,
20.根据权利要求1~9中任一项所述的方法,其中,
21.根据权利要求20所述的方法,其中,信用违约概率计算步骤包括:
22.根据权利要求20所述的方法,其中,
23.根据权利要求22所述的方法,其中,
24.根据权利要求23所述的方法,其中,
25.根据权利要求1~9中任一项所述的方法,其中,
26.根据权利要求25所述的方法,其中,信用违约概率计算步骤包括:
27.根据权利要求25所述的方法,其中,
28.根据权利要求27所述的方法,其中,
29.根据权利要求28所述的方法,其中,
30.根据权利要求1~9中任一项所述的方法,其中,
31.根据权利要求30所述的方法,其中,信用违约概率计算步骤包括:
32.根据权利要求30所述的方法,其中,
33.根据权利要求32所述的方法,其中,
34.根据权利要求33所述的方法,其中,
35.根据权利要求1~9中任一项所述的方法,其中,
36.根据权利要求35所述的方法,其中,信用违约概率计算步骤包括:
37.根据权利要求35所述的方法,其中,
38.根据权利要求37所述的方法,其中,
39.根据权利要求38所述的方法,其中,
40.一种计算零售信用风险的装置,其包括:
41.根据权利要求40所述的装置,其中,所述装置执行权利要求1~39中任一项所述的计算零售信用风险的方法的步骤。
42.一种计算零售信用风险的系统,其特征在于,所述计算零售信用风险的系统包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的所述计算零售信用风险方法的程序,所述计算零售信用风险的程序被所述处理器执行时实现如权利要求1~39中任一项所述的计算零售信用风险的方法的步骤。
43.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算零售信用风险方法的程序,所述计算零售信用风险方法的程序被处理器执行时实现如权利要求1~39中任一项所述的计算零售信用风险的方法的步骤。
44.一种针对线上信贷业务构建零售信用风险预测模型的方法,其包括:
45.根据权利要求44所述的方法,其中,
46.根据权利要求44所述的方法,其中,
47.根据权利要求44~46中任一项所述的方法,其中,
48.根据权利要求44~47中任一项所述的方法,其中,还包括:
49.根据权利要求44~48中任一项所述的方法,其中,在初筛数据转换步骤中,初步筛选后的特征进行转换方式的判断,是基于经过初步筛选特征的集中度和数据类型来进行判断的。
50.根据权利要求49所述的方法,其中,
51.根据权利要求50所述的方法,其中,还包括:
52.根据权利要求44~51中任一项所述的方法,其中,特征精筛步骤包括:
53.根据权利要求44~52中任一项所述的方法,其中,信用违约概率建模步骤将经过特征精筛步骤筛选的特征代入Sigmoid函数进行逻辑回归计算信用违约概率的模型。
54.一种针对线上信贷业务构建零售信用风险预测模型的装置,...
【技术特征摘要】
1.一种计算零售信用风险的方法,其包括:
2.根据权利要求1所述的方法,其还包括:
3.根据权利要求1或2所述的方法,其中,
4.根据权利要求1~3中任一项所述的方法,其中,
5.根据权利要求1~4中任一项所述的方法,其中,
6.根据权利要求1~5中任一项所述的方法,其中,
7.根据权利要求1~6中任一项所述的方法,其中,
8.根据权利要求7所述的方法,其中,
9.根据权利要求1~8中任一项所述的方法,其中,
10.根据权利要求1~9中任一项所述的方法,其中,
11.根据权利要求10所述的方法,其中,信用违约概率计算步骤包括:
12.根据权利要求11所述的方法,其中,
13.根据权利要求12所述的方法,其中,
14.根据权利要求13所述的方法,其中,
15.根据权利要求1~9中任一项所述的方法,其中,
16.根据权利要求15所述的方法,其中,信用违约概率计算步骤包括:
17.根据权利要求15所述的方法,其中,
18.根据权利要求17所述的方法,其中,
19.根据权利要求18所述的方法,其中,
20.根据权利要求1~9中任一项所述的方法,其中,
21.根据权利要求20所述的方法,其中,信用违约概率计算步骤包括:
22.根据权利要求20所述的方法,其中,
23.根据权利要求22所述的方法,其中,
24.根据权利要求23所述的方法,其中,
25.根据权利要求1~9中任一项所述的方法,其中,
26.根据权利要求25所述的方法,其中,信用违约概率计算步骤包括:
27.根据权利要求25所述的方法,其中,
28.根据权利要求27所述的方法,其中,
29.根据权利要求28所述的方法,其中,
30.根据权利要求1~9中任一项所述的方法,其中,
31.根据权利要求30所述的方法,其中,信用违约概率计算步骤包括:
32.根据权利要求30所述的方法,其中,
33.根据权利要求32所述的方法,其中,
34.根据权利要求33所述的方法,其中,
35.根据权利要求1~9中任一项所述的方法,其中,
36.根据权利要求35所述的方法,其中,信用违约概率计算步骤包括:
37.根据权利要求35所述的方法,其中,<...
【专利技术属性】
技术研发人员:刘志玲,王乐,李松润,
申请(专利权)人:建信金融科技有限责任公司,
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。