基于海量大数据、核心算法的贷款全过程精准风控及管理系统技术方案

本发明专利技术涉及风控管理技术领域，具体地说，涉及基于海量大数据、核心算法的贷款全过程精准风控及管理系统。包括数据处理单元、训练模型单元、安全管理单元和决策系统单元；数据处理单元用于获取海量的数据信息并进行处理；训练模型单元用于搭建贷款风控相关的预测识别模型并进行训练及学习；安全管理单元用于对贷款业务全过程进行风险监控及安全管理；决策系统单元用于根据风险因素来作为风控决策的依据。本发明专利技术设计可以通过对数据进行分析来快速评估贷款用户及放贷机构的信用情况；可以快速识别贷款的风险情况，提供风险识别评估、贷后预警等功能；可以对风控流程进行优化及作出对应的决策调整，进而可以快速且较为准确的发现并控制风险，减轻贷款审批的工作量和难度。减轻贷款审批的工作量和难度。减轻贷款审批的工作量和难度。

【技术实现步骤摘要】
基于海量大数据、核心算法的贷款全过程精准风控及管理系统


[0001]本专利技术涉及风控管理
，具体地说，涉及基于海量大数据、核心算法的贷款全过程精准风控及管理系统。

技术介绍

[0002]贷款中风控就是风险控制，是指风险管理者采取各种措施和方法，消灭或减少风险事件发生的各种可能性，或风险控制者减少风险事件发生时造成的损失。风险控制的前提是发现风险，贷款业务中可能存在的风险主要包括信用风险、交易风险和账户风三类。随着金融行业的快速发展和扩张，贷款用户的金融信息普遍分散在不同的金融机构中，在贷款业务流程中，很难快速地搜集用户的往期信贷信息，因存在信息孤岛的弊端，导致贷款风险难以快速被识别出来，且增大了信贷审批的工作量和难度，导致风险控制无法快速准确地进行，进而还可能因风控不到位导致放贷机构产生经济损失。

技术实现思路

[0003]本专利技术的目的在于提供了基于海量大数据、核心算法的贷款全过程精准风控及管理系统，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述技术问题的解决，本专利技术的目的之一在于，提供了基于海量大数据、核心算法的贷款全过程精准风控及管理系统，包括
[0005]数据处理单元、训练模型单元、安全管理单元和决策系统单元；所述数据处理单元的信号输出端与所述训练模型单元的信号输入端连接，所述训练模型单元的信号输出端与所述安全管理单元的信号输入端连接，所述安全管理单元的信号输出端与所述决策系统单元的信号输入端连接；所述数据处理单元用于通过多维度数据采集途径获取海量与贷款相关的数据信息并对数据进行去重、存储、统析及划分处理；所述训练模型单元用于以BP神经网络预测技术为基础搭建贷款风控相关的预测识别模型并进行训练及学习；所述安全管理单元用于对贷款业务全过程进行风险监控及安全管理；所述决策系统单元用于根据模型预测的贷款业务中可能存在的风险因素来作为风控决策的依据；
[0006]所述数据处理单元包括采集去重模块、分类存储模块、统计分析模块和数集划分模块；
[0007]所述训练模型单元包括模型搭建模块、算法训练模块、相关检验模块和机器学习模块；
[0008]所述安全管理单元包括行为识别模块、信用评级模块、风险评估模块和贷后预警模块；
[0009]所述决策系统单元包括指标计算模块、运营审核模块、风控决策模块和综合报告模块。
[0010]作为本技术方案的进一步改进，所述采集去重模块的信号输出端与所述分类存储
模块的信号输入端连接，所述分类存储模块的信号输出端与所述统计分析模块的信号输入端连接，所述统计分析模块的信号输出端与所述数集划分模块的信号输入端连接；所述采集去重模块用于从企业内部的存量数据、网上公开的云数据库及第三方可靠数据平台获取贷款业务相关用户及机构的数据并对数据进行去重清洗操作；所述分类存储模块用于对海量的数据进行分类归纳并分布存储；所述统计分析模块用于对相关数据进行统计及分析；所述数集划分模块用于按照模型训练的需求随机从数据库中抽取部分数据并按一定比例划分为训练数集和测试数集。
[0011]其中，数据的来源包括贷款机构内部的信息管理系统、合作银行的信息管理系统、网上可靠的公开数据、大数据交易中心、中国人民银行等。
[0012]作为本技术方案的进一步改进，所述模型搭建模块的信号输出端与所述算法训练模块的信号输入端连接，所述算法训练模块的信号输出端与所述相关检验模块的信号输入端连接，所述相关检验模块的信号输出端与所述机器学习模块的信号输入端连接；所述模型搭建模块用于以BP神经网络算法为基础，分别搭建贷款中各种风险类型的预测模型；所述算法训练模块用于按照一定的流程步骤对预测模型进行算法训练；所述相关检验模块用于分别通过皮尔森和斯皮尔曼相关性检验算法来对各种风险类型的预测结果之间相关性进行分析检验；所述机器学习模块用于通过机器学习来完善预测算法以提高预测的准确度。
[0013]作为本技术方案的进一步改进，所述模型搭建模块包括信用评定模块、交易监控模块、账户安全模块和风险控制模块；所述信用评定模块、所述交易监控模块、所述账户安全模块与所述风险控制模块并列运行；所述信用评定模块用于搭建信用评定预测模型来对用户及贷款机构的信用情况进行预测；所述交易监控模块用于搭建交易监控预测模型来对用户贷款业务流程中的交易过程及存在的风险进行预测；所述账户安全模块用于对用于应用于贷款业务的银行账户信息及相关风险进行预测；所述风险控制模块用于将各个风险预测模型进行持续的优化和迭代以便更快速地识别、管理贷款业务流程中可能存在的所有风险类型。
[0014]其中，信用风险包括恶意逾期、骗贷、虚假身份、中介代办、跨平台贷款等；交易风险包括盗卡盗刷、刷单、套现、虚假交易、洗钱等；账户风险包括恶意注册、账户盗用、拖库撞库、暴力破解、账户攻击等。
[0015]作为本技术方案的进一步改进，所述算法训练模块的流程包括如下步骤：
[0016]Step1、向前传输阶段：
[0017]1.4、从样本集中取一个样本P
i
，Q
i
，将P
i
输入网络；
[0018]1.5、计算出误差测度E1和实际输出O
i
＝F
L
(...(F2(F1(P
i
W
(1)
)W
(2)
)...)W
(L)
)；
[0019]1.6、对权重值W
(1)
，W
(2)
，...，W
(L)
各做一次调整，重复这个循环，直到∑E
i
＜ε；
[0020]Step2、向后传播阶段——误差传播阶段：
[0021]2.1、计算实际输出O
P
与理想输出Q
i
的差；
[0022]2.2、用输出层的误差调整输出层权矩阵；
[0023]2.3、计算全局误差
[0024]2.4、用此误差估计输出层的直接前导层的误差，再用输出层前导层误差估计更前一层的误差，如此获得所有其他各层的误差估计；
[0025]2.5、用这些估计实现对权矩阵的修改，形成将输出端表现出的误差沿着与输出信号相反的方向逐级向输出端传递的过程；
[0026]此外，网络关于整个样本集的误差测度计算公式为：E＝∑
i E
i
。
[0027]作为本技术方案的进一步改进，所述相关检验模块的计算表达式如下：
[0028]皮尔森相关系数检验算法：
[0029][0030]其中，
[0031][0032][0033]斯皮尔曼相关系数检验算法：
[0034][0035]其中，d
i
＝X
i
‑
Y
i
，d
i
为等级差，p
s
的取值为[
‑
1，+1]；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于海量大数据、核心算法的贷款全过程精准风控及管理系统，其特征在于：包括数据处理单元(100)、训练模型单元(200)、安全管理单元(300)和决策系统单元(400)；所述数据处理单元(100)的信号输出端与所述训练模型单元(200)的信号输入端连接，所述训练模型单元(200)的信号输出端与所述安全管理单元(300)的信号输入端连接，所述安全管理单元(300)的信号输出端与所述决策系统单元(400)的信号输入端连接；所述数据处理单元(100)用于通过多维度数据采集途径获取海量与贷款相关的数据信息并对数据进行去重、存储、统析及划分处理；所述训练模型单元(200)用于以BP神经网络预测技术为基础搭建贷款风控相关的预测识别模型并进行训练及学习；所述安全管理单元(300)用于对贷款业务全过程进行风险监控及安全管理；所述决策系统单元(400)用于根据模型预测的贷款业务中可能存在的风险因素来作为风控决策的依据；所述数据处理单元(100)包括采集去重模块(101)、分类存储模块(102)、统计分析模块(103)和数集划分模块(104)；所述训练模型单元(200)包括模型搭建模块(201)、算法训练模块(202)、相关检验模块(203)和机器学习模块(204)；所述安全管理单元(300)包括行为识别模块(301)、信用评级模块(302)、风险评估模块(303)和贷后预警模块(304)；所述决策系统单元(400)包括指标计算模块(401)、运营审核模块(402)、风控决策模块(403)和综合报告模块(404)。2.根据权利要求1所述的基于海量大数据、核心算法的贷款全过程精准风控及管理系统，其特征在于：所述采集去重模块(101)的信号输出端与所述分类存储模块(102)的信号输入端连接，所述分类存储模块(102)的信号输出端与所述统计分析模块(103)的信号输入端连接，所述统计分析模块(103)的信号输出端与所述数集划分模块(104)的信号输入端连接；所述采集去重模块(101)用于从企业内部的存量数据、网上公开的云数据库及第三方可靠数据平台获取贷款业务相关用户及机构的数据并对数据进行去重清洗操作；所述分类存储模块(102)用于对海量的数据进行分类归纳并分布存储；所述统计分析模块(103)用于对相关数据进行统计及分析；所述数集划分模块(104)用于按照模型训练的需求随机从数据库中抽取部分数据并按一定比例划分为训练数集和测试数集。3.根据权利要求1所述的基于海量大数据、核心算法的贷款全过程精准风控及管理系统，其特征在于：所述模型搭建模块(201)的信号输出端与所述算法训练模块(202)的信号输入端连接，所述算法训练模块(202)的信号输出端与所述相关检验模块(203)的信号输入端连接，所述相关检验模块(203)的信号输出端与所述机器学习模块(204)的信号输入端连接；所述模型搭建模块(201)用于以BP神经网络算法为基础，分别搭建贷款中各种风险类型的预测模型；所述算法训练模块(202)用于按照一定的流程步骤对预测模型进行算法训练；所述相关检验模块(203)用于分别通过皮尔森和斯皮尔曼相关性检验算法来对各种风险类型的预测结果之间相关性进行分析检验；所述机器学习模块(204)用于通过机器学习来完善预测算法以提高预测的准确度；其中，通过粒子群算法对模型搭建模块(201)预测模型过程中采用的BP神经网络的初始权值和阈值进行优化。4.根据权利要求3所述的基于海量大数据、核心算法的贷款全过程精准风控及管理系
统，其特征在于：所述模型搭建模块(201)包括信用评定模块(2011)、交易监控模块(2012)、账户安全模块(2013)和风险控制模块(2014)；所述信用评定模块(2011)、所述交易监控模块(2012)、所述账户安全模块(2013)与所述风险控制模块(2014)并列运行；所述信用评定模块(2011)用于搭建信用评定预测模型来对用户及贷款机构的信用情况进行预测；所述交易监控模块(2012)用于搭建交易监控预测模型来对用户贷款业务流程中的交易过程及存在的风险进行预测；所述账户安全模块(2013)用于对用于应用于贷款业务的银行账户信息及相关风险进行预测；所述风险控制模块(2014)用于将各个风险预测模型进行持续的优化和迭代以便更快速地识别、管理贷款业务流程中可能存在的所有风险类型。5.根据权利要求3所述的基于海量大数据、核心算法的贷款全过程精准风控及管理系统，其特征在于：所述算法训练模块(202)的流程包括如下步骤：Step1、向前传输阶段：1.1、从样本集中取一个样本P
i
，Q
i
，将P
i
输入网络；1.2、计算出误差测度E1和实际输出O
i
＝F
L
(...(F2(F1(P
i
W
(1)
)W
(2)
)...)W
(L)
)；1.3、对权重值W
(1)
，W
(2)
...

【专利技术属性】
技术研发人员：罗忠明，
申请(专利权)人：罗忠明，
类型：发明
国别省市：