信用风险监控系统及方法技术方案

本发明专利技术提供了一种信用风险监控系统及方法，其中，该系统包括：数据仓库，用于采集结构化数据和非结构化数据，对结构化数据进行整合后，进行组织和存储，对非结构化数据进行整合后，结构化处理为结构化数据；预测模型构建单元，用于收集信用风险案例数据，根据风险案例数据的风险特征、属性及监控对象，得到多个模型因子，聚合模型因子建立多个预测模型；预测模型训练单元，用于验证每个预测模型是否符合聚合逻辑，评估符合聚合逻辑的预测模型的效果，确定效果达到预设指标的预测模型及其最优模型阈值；预测模型运用单元，用于利用预测效果达到预设指标的预测模型及其最优模型阈值，进行信用风险监控。上述技术方案提高了信用风险监控的准确度。

Credit risk monitoring system and method

The invention provides a credit risk monitoring system and method, wherein, the system comprises: a data warehouse is used to collect structured data and unstructured data, integration of structured data, organization and storage, integration of unstructured data, structured as structured data processing unit; model prediction for the collection of credit risk data, according to the property of risk characteristics, risk case data and monitoring objects, multiple factor model, factor aggregation model establish multiple prediction model; prediction model for each training unit, verify the prediction model is consistent with the polymerization logic, to assess the effect of forecast model conforming to the logic of the polymerization, determine the forecast model and the optimal model of threshold effect reaches a preset index; prediction model for prediction effect using unit. The results show that the model can be used to predict the credit risk. The above technical scheme improves the accuracy of credit risk monitoring.

【技术实现步骤摘要】

本专利技术涉及信用监控
，特别涉及一种信用风险监控系统及方法。
技术介绍
数据和风险是银行的两大要素。二者相辅相成，维系着银行的运作。信用风险作为银行业最主要的风险之一，更是受到各金融监管部门及商业银行的重视。目前随着计算机技术的兴起，各商业银行实现了统一的交易数据管理，便建立了一整套信用风险监控体系管理信用风险。然而，大多信用风险监控体系是通过单一数据源，并以人工方式建立的信用风险监控模型，受标准化数据和业务部门金融指标所制衡，往往会造成了模型结果不准确、不统一、信息不对称、模型预警周期过长、预警维度单一，并且模型的阈值是业务自己定义，并未经过系统的模型训练，导致最终分析结果应用范围较为有限，信用风险监控结果不准确。
技术实现思路
本专利技术实施例提供了一种信用风险监控系统，用以提高信用风险监控的准确度，该系统包括：数据仓库、预测模型构建单元、预测模型训练单元和预测模型运用单元，其中：数据仓库、预测模型构建单元、预测模型训练单元和预测模型运用单元，其中：数据仓库，用于采集银行的结构化数据和非结构化数据，对结构化数据进行整合后，按照银行业务主题进行组织和存储，对非结构化数据进行整合后，进行结构化处理为结构化数据；预测模型构建单元，用于从结构化数据中收集信用风险案例数据，根据风险案例数据的风险特征、属性及监控对象，得到多个模型因子，对多个模型因子进行分类，根据分类结果，聚合模型因子建立多个预测模型；模型因子为引发信用风险的规则参数；预测模型训练单元，用于验证每个预测模型是否符合聚合逻辑，评估符合聚合逻辑的预测模型的预测效果，根据评估结果，确定预测效果达到预设指标的预测模型及其最优模型阈值；预测模型运用单元，用于利用预测效果达到预设指标的预测模型及其最优模型阈值，对监控对象进行信用风险监控。本专利技术实施例还提供了一种信用风险监控方法，用以提高信用风险监控的准确度，该方法包括：采集银行的结构化数据和非结构化数据，对结构化数据进行整合后，按照银行业务主题进行组织和存储，对非结构化数据进行整合后，进行结构化处理为结构化数据；从结构化数据中收集信用风险案例数据，根据风险案例数据的风险特征、属性及监控对象，得到多个模型因子，对多个模型因子进行分类，根据分类结果，聚合模型因子建立多个预测模型；模型因子为引发信用风险的规则参数；验证每个预测模型是否符合聚合逻辑，评估符合聚合逻辑的预测模型的预测效果，根据评估结果，确定预测效果达到预设指标的预测模型及其最优模型阈值；利用预测效果达到预设指标的预测模型及其最优模型阈值，对监控对象进行信用风险监控。与现有技术相比较，本专利技术实施例提供的技术方案，可以达到如下有益技术效果：首先，与现有技术中大多风险监控体系中，利用单一数据源作为信用风险监控的基础相比较，本专利技术实施例的技术方案采集了银行的结构化数据和非结构化数据，该结构化数据和非结构化数据包括了多渠道的海量信息和数据，形成了信用风险分析和挖掘的基础，为后续进行信用风险监控奠定了坚实的基础；其次，与现有技术中大多风险监控体系中，以人工方式建立的信用风险监控模型来进行信用风险监控相比较，本专利技术实施例提供的技术方案，通过从上述整合和结构化处理后的非结构化数据和结构化数据中收集信用风险案例数据，根据风险案例数据的风险特征、属性及监控对象，得到多个模型因子，对多个模型因子进行分类，根据分类结果，聚合模型因子建立多个预测模型，可以提高风险监控的准确性、灵活性和时效性；最后，与现有技术中大多风险监控体系中，模型阈值通过业务自己定义相比较，本专利技术实施例提供的技术方案，通过验证每个预测模型是否符合聚合逻辑，评估符合聚合逻辑的预测模型的预测效果，根据评估结果，确定预测效果达到预设指标的预测模型及其最优模型阈值，来进行智能化的计算模型阈值，经过训练验证等全流程，最终得到了预测效果达到预设指标的预测模型及其最优模型阈值，提高了预测模型预测结果的准确性、灵活性和时效性。综上，本专利技术实施例通过的技术方案提高了信用风险监控的准确度。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，并不构成对本专利技术的限定。在附图中：图1是本专利技术实施例中信用风险监控系统的结构示意图；图2是本专利技术实施例中数据仓库的结构示意图；图3是本专利技术实施例中预测模型构建单元的结构示意图；图4是本专利技术实施例中预测模型训练单元的结构示意图；图5是本专利技术实施例中模型验证单元的结构示意图；图6是本专利技术实施例中信用风险监控方法的流程示意图；图7是本专利技术另一实施例中信用风险监控方法的流程示意图；图8是本专利技术实施例中资金交易类模型因子分类过程的流程示意图；图9是本专利技术实施例中调整先验概率的界面示意图；图10是本专利技术实施例中数据分区的界面示意图；图11是本专利技术实施例中变量转换的界面示意图；图12是本专利技术实施例中模型阈值结果分析的界面示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本专利技术做进一步详细说明。在此，本专利技术的示意性实施方式及其说明用于解释本专利技术，但并不作为对本专利技术的限定。本专利技术的目的在于提供一种大数据分析处理与监控系统及方法，利用互联网挖掘技术，依托数据仓库，引入金融系统各类业务数据，建立统一的风险预警监控管理架构，完成模型设置、训练、验证等全流程管理工作。以此提高模型结果的准确性、灵活性和时效性，智能化计算模型阈值，并能从客户、行业、区域、产品、机构乃至人员的多维度建立模型甄别信用风险。本专利技术提供的技术方案的大体技术方案是：快速采集多渠道的海量信息、数据，并进行存储和管理，形成分析挖掘的基础，通过分析业务风险案例(业务定义为不良的资产)，明确监控对象，归纳风险演变路径，总结风险特征形成模型因子，并利用逻辑回归、时间序列、关联分析等数据算法将模型因子进行聚合，组成预测模型。抽样模型数据通过模型训练进行模型逻辑验证、决策树算法智能化确定模型阈值，并根据预设的频率运行模型，并对运行结果进行定量和定性的评估，对未达标的模型进行校准或退出，达标的模型则部署在数据仓库上，从多维度对终端客户的信用风险进行监控。下面对本专利技术实施例提供的技术方案进行详细介绍。图1是本专利技术实施例中信用风险监控系统的结构示意图，如图1所示，该系统包括：数据仓库1、预测模型构建单元2、预测模型训练单元3和预测模型运用单元4，其中：数据仓库1，用于采集银行的结构化数据和非结构化数据，对结构化数据进行整合后，按照银行业务主题进行组织和存储，对非结构化数据进行整合后，进行结构化处理为结构化数据；预测模型构建单元2，用于从结构化数据中收集信用风险案例数据，根据风险案例数据的风险特征、属性及监控对象，得到多个模型因子，对多个模型因子进行分类，根据分类结果，聚合模型因子建立多个预测模型；模型因子为引发信用风险的规则参数；预测模型训练单元3，用于验证每个预测模型是否符合聚合逻辑，评估符合聚合逻辑的预测模型的预测效果，根据评估结果，确定预测效果达到预设指标的预测模型及其最优模型阈值；预测模型运用单元4，用于利用预测效果达到预设指标的预测模型及其最优模型阈值，对监控对象进行信用风险监控。与现有技术相比较，本专利技术实施例提供的技术方案，可以达到如下有益技术效果：首先，与现有技术中大多风本文档来自技高网...

【技术保护点】
一种信用风险监控系统，其特征在于，包括：数据仓库、预测模型构建单元、预测模型训练单元和预测模型运用单元，其中：数据仓库，用于采集银行的结构化数据和非结构化数据，对所述结构化数据进行整合后，按照银行业务主题进行组织和存储，对所述非结构化数据进行整合后，进行结构化处理为结构化数据；预测模型构建单元，用于从所述结构化数据中收集信用风险案例数据，根据所述风险案例数据的风险特征、属性及监控对象，得到多个模型因子，对多个模型因子进行分类，根据分类结果，聚合模型因子建立多个预测模型；所述模型因子为引发信用风险的规则参数；预测模型训练单元，用于验证每个预测模型是否符合聚合逻辑，评估符合聚合逻辑的预测模型的预测效果，根据评估结果，确定预测效果达到预设指标的预测模型及其最优模型阈值；预测模型运用单元，用于利用预测效果达到预设指标的预测模型及其最优模型阈值，对监控对象进行信用风险监控。

【技术特征摘要】
1.一种信用风险监控系统，其特征在于，包括：数据仓库、预测模型构建单元、预测模型训练单元和预测模型运用单元，其中：数据仓库，用于采集银行的结构化数据和非结构化数据，对所述结构化数据进行整合后，按照银行业务主题进行组织和存储，对所述非结构化数据进行整合后，进行结构化处理为结构化数据；预测模型构建单元，用于从所述结构化数据中收集信用风险案例数据，根据所述风险案例数据的风险特征、属性及监控对象，得到多个模型因子，对多个模型因子进行分类，根据分类结果，聚合模型因子建立多个预测模型；所述模型因子为引发信用风险的规则参数；预测模型训练单元，用于验证每个预测模型是否符合聚合逻辑，评估符合聚合逻辑的预测模型的预测效果，根据评估结果，确定预测效果达到预设指标的预测模型及其最优模型阈值；预测模型运用单元，用于利用预测效果达到预设指标的预测模型及其最优模型阈值，对监控对象进行信用风险监控。2.如权利要求1所述的信用风险监控系统，其特征在于，所述预测模型构建单元包括：样本分析单元、抽象单元、因子聚合单元和模型库建立单元，其中：样本分析单元，用于对结构化数据中的资产进行分析，将业务定义为不良的资产数据作为信用风险案例数据，输入到抽象单元；抽象单元，用于抽象出所述风险案例数据的风险特征、属性及监控对象，根据风险特征、属性及监控对象，得到多个模型因子，根据交易主体、交易行为、行为分析、异常分析点，对多个模型因子进行分类；因子聚合单元，用于找出每一类的模型因子中，关联性最大的模型因子进行聚合，最终形成多个预测模型；模型库建立单元，用于建立模型库来存储所述多个预测模型。3.如权利要求2所述的信用风险监控系统，其特征在于，所述因子聚合单元具体用于：计算风险案例数据中监控对象的不良贷款率；根据所述不良贷款率，建立单因子线性回归模型；通过所述单因子线性回归模型，找出与不良贷款率相关的模型因子进行关联分析，对关联度最高的模型因子进行聚合，建立预测模型。4.如权利要求3所述的信用风险监控系统，其特征在于，按照如下公式计算风险案例数据中监控对象的不良贷款率： P i = F ( Z i ) = 1 1 + e - z i = 1 1 + e - ( β 0 + β 1 X i ) ; ]]>其中，Pi为监控对象i的不良贷款率；Zi＝β0+β1Xi为监控对象i的不良贷款率的期望值；Xi为自变量，包括：经营性收入和投资性收入；β0、β1为业务预设参数；当Zi→+∞时，Pi→1；当Zi→-∞时，Pi→0；当Zi＝0，Pi＝0.5；不良贷款率的期望值越大，监控对象发生不良贷款率的几率越高。5.如权利要求3所述的信用风险监控系统，其特征在于，所述单因子线性回归模型为：其中，Pi为监控对象i的不良贷款率；Xi为自变量，包括：经营性收入和投资性收入；β0、β1为业务预设参数；μi为预设的经验值。6.如权利要求3所述的信用风险监控系统，其特征在于，对关联度最高的模型因子进行聚合，建立预测模型，包括：按照如下公式计算模型因子的关联度： c o r r ( X , Y ) = Σ ( X - X ‾ ) ( Y - Y ‾ ) Σ ( X - X ‾ ) 2 ( Y - Y ‾ ) 2 = l x y l x x l y y ; ]]>其中，corr(X,Y)为模型因子X与模型因子Y的关联度函数；lxx为X的离均差平方和，lyy为Y的离均差平方和，lxy为X与Y间的离均差积和，X和Y为两个相关的模型因子，表示自变量X和预测变量的平均值，表示自变量Y和预测变量的平均值；n为模型因子的数量，若求得Corr(x,y)大于阈值，代表模型因子X和模型因子Y的关联度大。7.如权利要求1所述的信用风险监控系统，其特征在于，所述预测模型训练单元包括：模型验证单元、模型评估单元和模型修正单元，其中：模型验证单元，用于从所述数据仓库中抽样劣变和非劣变监控对象，作为数据样本，验证预测模型的逻辑，计算通过逻辑验证的预测模型的最优模型阈值；所述劣变为已经发生不良贷款率的客户；模型评估单元，用于根据监控对象实际发生信用问题情况与所述预测模型的预测结果，评估通过逻辑验证的预测模型的预测效果，将基础指标未达到预设值的预测模型送回模型验证单元，重新调整阈值，将复合指标未达到预设值的预测模型送入模型修正单元，将基础指标和复合指标均满足预设值的预测模型及其最优模型阈值存入数据仓库；所述基础指标包括：预警率、命中率和违约覆盖率，所述复合指标包括：模型区分能力AR值、影响IV值；模型修正单元，用于对复合指标未达到预设值的预测模型进行微调模型阈值，调整后重新送回模型评估单元。8.如权利要求7所述的信用风险监控系统，其特征在于，所述模型验证单元包括：模型数据抽样单元、模型逻辑验证单元和模型阈值决策单元，其中：模型数据抽样单元，用于从所述数据仓库中抽样劣变和非劣变监控对象；其中，劣变监控对象与非劣变监控对象的比例为：50：50；模型逻辑验证单元，用于根据抽样监控对象实际发生信用问题的情况，验证预测模型的模型因子指标逻辑是否符合模型因子分类规则；模型阈值决策单元，用于计算符合模型因子分类规则的预测模型的最优模型阈值。9.一种信用风险监控方法，其特征在于，包括：采集银行的结构化数据和非结构化数据，对所述结构化数据进行整合后，按照银行业务主题进行组织和存储，对所述非结构化数据进行整合后，进行结构化处理为结构化数据；从所述结构化数据中收集信用风险案例数据，根据所述风险案例数据...

【专利技术属性】
技术研发人员：蒋雪瑛，杨青，张志磊，褚晓晶，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：北京;11