一种基于逻辑回归技术的信用风险评估方法及装置制造方法及图纸

本发明专利技术提供了一种基于逻辑回归技术的信用风险评估方法及装置，方法包括：获取用户数据信息和模型配置信息，从所述用户数据信息中提取信用特征数据构建样本集，根据所述模型配置信息和所述样本集开发信用评分模型；获取信用评分配置信息和待预测的用户信用特征数据，将待预测的用户信用特征数据输入信用评分模型，输出对应的信用预测结果；基于所述信用评分配置信息和信用预测结果得到该用户对应的信用评分及信用风险评估结果并输出。能够对用户的信用风险进行高效评估，便捷高效、易于实现，具有用户信用风险评估结果稳定性好、信用风险预测准确性高、可靠性高等优点。可靠性高等优点。可靠性高等优点。

【技术实现步骤摘要】
一种基于逻辑回归技术的信用风险评估方法及装置


[0001]本专利技术涉及信用风险评估领域，具体涉及一种基于逻辑回归技术的信用风险评估方法及装置。

技术介绍

[0002]在银行或金融部门的风险监管中，需要对用户的信用进行评估，从而得到不同等级的信用分数，根据客户的信用分数，来决定客户可以持有的金额权限，从而保证还款等业务的安全性。现有的用户信用风险评估方法存在以下不足：
[0003]1、信用风险评估一般是根据用户过往信用历史及表现情况，将不同用户各方面的信息通过统计学的方法量化各个变量对于信用历史好坏的影响程度，过程繁琐，效率低下，对风控人员的专业能力要求较高，费时费力，不符合当前数据高效处理的需求。
[0004]2、市面上存在一些信用评分算法，是采用用户的历史信用资料预先训练好信用评分模型，然后根据训练好的信用评分模型来预测和评估用户的信用风险，又称违约风险，是指借款人不能履约所造成的损失，主要有两方面的原因，一是借款人没有足够的还款能力，一是借款人无还款意愿。在真实的信贷业务中，信用评分模型的训练样本经常存在正负样本不均衡问题，通常情况下是坏样本较少而好样本较多的情况，因此，我们在样本采样时一般会进行过采样(Oversampling)和欠采样(Undersampling)，从而得到均衡的样本，再基于较为均衡的样本构建和训练信用评分模型。这样，虽然解决了样本不均衡问题，但也会导致信用评分模型的评估结果输出不稳定、准确性低，信用风险的预测结果和真实结果差距较大，不能真实反应用户的信用风险，信用风险预测数据的准确性低、可靠性不足。

技术实现思路

[0005]针对现有技术存在的上述不足，本专利技术的目的在于：提供一种基于逻辑回归技术的信用风险评估方法及装置，能够对用户的信用风险进行高效评估，便捷高效、易于实现；同时可以对信用评分模型进行区分能力、稳定性、准确性与审慎性的验证，对信用评分模型的准确性进行校准，从而对实际坏样本比例进行还原。具有用户信用风险评估结果稳定性好、信用风险预测准确性高、可靠性高等优点。
[0006]一种基于逻辑回归技术的信用风险评估方法，其特征在于，包括以下步骤：
[0007]获取用户数据信息和模型配置信息，从所述用户数据信息中提取信用特征数据构建样本集，根据所述模型配置信息和所述样本集开发信用评分模型；
[0008]获取信用评分配置信息和待预测的用户信用特征数据，将待预测的用户信用特征数据输入信用评分模型，输出对应的信用预测结果；
[0009]基于所述信用评分配置信息和信用预测结果得到该用户对应的信用评分及信用风险评估结果并输出。
[0010]进一步地，所述从所述用户数据信息中提取信用特征数据构建样本集，具体包括：
[0011]从所述用户数据信息中提取信用特征数据，对提取的信用特征数据进行预处理；
预处理包括数据异常诊断处理、变量逻辑诊断处理或变量衍生加工，最终形成业务宽表；根据业务宽表构建样本集。
[0012]进一步地，所述信用评分模型的开发过程如下：
[0013]将整理后的数据业务宽表内的变量作为备选变量，对备选变量进行分箱，对分箱后的备选变量进行WOE特征转换，筛选出可区分用户信用等级且具备稳定性的变量；调整适宜的参数，对筛选后的变量进行逻辑回归，构建信用评分模型。
[0014]进一步地，所述样本集包括开发集和测试集，根据所述模型配置信息和所述样本集开发信用评分模型；使用所述测试集对开发的信用评分模型进行测试得到测试结果，当开发模型的测试结果符合预定条件时，则开发完成；所述评分配置信息包括信用预测结果与信用评分的映射关系以及信用评分与评分等级的映射关系。
[0015]进一步地，所述信用评分模型构建完成后还需要进行验证，具体包括：
[0016]将测试集输入信用评分模型，输出对应的信用预测结果；
[0017]基于评分配置信息和测试集对应的信用预测结果得到测试集对应的信用评分及信用风险评估结果；
[0018]对得到的信用评分及信用风险评估结果进行验证，并判断验证是否合格；若是，则信用评分模型开发完成，若否，则重新选择测试集输入信用评分模型进行验证；
[0019]验证内容包括模型的区分能力、稳定性、准确性与审慎性，若验证不合格超过预设次数，则更新评分配置信息。
[0020]进一步地，对信用评分模型验证的具体指标包括变量价值评价IV、评分区分能力评价KS、准确性能力评价ROC曲线/AUC、变量/评分稳定性评价PSI。
[0021]进一步地，对信用评分模型验证过程中，还需要对信用评分模型的准确性进行校准，用于对实际坏样本比例进行还原，具体包括：
[0022]所述信用评分模型包括模型截距项，根据开发集计算拟合出各分段截距A，其中，各分段截距A＝ln(分段好坏比)；
[0023]根据开发集好坏比odds和实际样本集好坏比odds1得到常数项ln(odd1s/odds)；
[0024]对各分段截距A进行调整，得到调整后各分段截距B，其中，调整后各分段截距B＝A+ln(odd1s/odds)；
[0025]采用信用评分模型对各分段的真实好坏比进行预测，得到各分段真实好坏比exp(B)；
[0026]分析预测各分段的实际信用风险，得到各分段实际信用风险概率C，其中，C＝1/(1+exp(
‑
B))。
[0027]一种基于逻辑回归技术的信用风险评估装置，包括：
[0028]第一配置模块，用于获取用户数据信息和模型配置信息；
[0029]开发模块，用于从所述用户数据信息中提取信用特征数据构建样本集，根据所述模型配置信息和所述样本集开发信用评分模型；
[0030]第二配置模块，用于获取信用评分配置信息；
[0031]预测模块，用于获取待预测的用户信用特征数据，将待预测的用户信用特征数据输入信用评分模型，输出对应的信用预测结果；
[0032]信用风险评估模块，用于基于所述信用评分配置信息和信用预测结果得到该用户
对应的信用评分及信用风险评估结果。
[0033]进一步地，还包括验证模块和校准模块，所述验证模块用于对构建的信用评分模型进行区分能力、稳定性、准确性与审慎性的验证；所述校准模块用于对信用评分模型的准确性进行校准，用于对实际坏样本比例进行还原。
[0034]进一步地，所述信用评分模型的开发过程如下：根据高价值变量确定备选变量和候选变量，对备选变量进行分箱，对分箱后的备选变量进行WOE特征转换，筛选出可区分用户信用等级且具备稳定性的变量；调整适宜的参数，对候选变量进行逻辑回归，构建信用评分模型。
[0035]相比于现有技术，本专利技术具有以下优点：
[0036]本专利技术提供了一种基于逻辑回归技术的信用风险评估方法及装置，能够对用户的信用风险进行高效评估，便捷高效、易于实现；同时可以对信用评分模型进行区分能力、稳定性、准确性与审慎性的验证，对信用评分模型的准本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于逻辑回归技术的信用风险评估方法，其特征在于，包括以下步骤：获取用户数据信息和模型配置信息，从所述用户数据信息中提取信用特征数据构建样本集，根据所述模型配置信息和所述样本集开发信用评分模型；获取信用评分配置信息和待预测的用户信用特征数据，将待预测的用户信用特征数据输入信用评分模型，输出对应的信用预测结果；基于所述信用评分配置信息和信用预测结果得到该用户对应的信用评分及信用风险评估结果并输出。2.根据权利要求1所述的基于逻辑回归技术的信用风险评估方法，其特征在于，所述从所述用户数据信息中提取信用特征数据构建样本集，具体包括：从所述用户数据信息中提取信用特征数据，对提取的信用特征数据进行预处理；预处理包括数据异常诊断处理、变量逻辑诊断处理或变量衍生加工，最终形成业务宽表；根据业务宽表构建样本集。3.根据权利要求2所述的基于逻辑回归技术的信用风险评估方法，其特征在于，所述信用评分模型的开发过程如下：将整理后的数据业务宽表内的变量作为备选变量，对备选变量进行分箱，对分箱后的备选变量进行WOE特征转换，筛选出可区分用户信用等级且具备稳定性的变量；调整适宜的参数，对筛选后的变量进行逻辑回归，构建信用评分模型。4.根据权利要求1所述的基于逻辑回归技术的信用风险评估方法，其特征在于，所述样本集包括开发集和测试集，根据所述模型配置信息和所述样本集开发信用评分模型；使用所述测试集对开发的信用评分模型进行测试得到测试结果，当开发模型的测试结果符合预定条件时，则开发完成；所述评分配置信息包括信用预测结果与信用评分的映射关系以及信用评分与评分等级的映射关系。5.根据权利要求4所述的基于逻辑回归技术的信用风险评估方法，其特征在于，所述信用评分模型构建完成后还需要进行验证，具体包括：将测试集输入信用评分模型，输出对应的信用预测结果；基于评分配置信息和测试集对应的信用预测结果得到测试集对应的信用评分及信用风险评估结果；对得到的信用评分及信用风险评估结果进行验证，并判断验证是否合格；若是，则信用评分模型开发完成，若否，则重新选择测试集输入信用评分模型进行验证；验证内容包括模型的区分能力、稳定性、准确性与审慎性，若验证不合格超过预设次数，则更新评分配置信息。6.根据权利要求5所述的基于逻辑回归技术的信用风...

【专利技术属性】
技术研发人员：郑景泰，孙枫，李冲冲，
申请(专利权)人：上海竞动科技有限公司，
类型：发明
国别省市：