信贷风险评估方法及装置制造方法及图纸

本发明专利技术公开了一种信贷风险评估方法及装置，涉及人工智能技术领域，其中该方法包括：获取待评估客户的第一客户信息，所述第一客户信息包括身份属性特征信息、信用属性特征信息及消费属性特征信息；按照特定属性特征从所述第一客户信息中筛选第一特定属性特征信息，所述特定属性特征为与客户信用具有相关性的属性特征；将第一特定属性特征信息输入基于最大相关熵的组合预测模型进行预测，得到待评估客户的信贷风险估值；所述基于最大相关熵的组合预测模型利用最大相关熵组合多种回归算法构建。本发明专利技术可以提升信贷风险评估结果的准确度。本发明专利技术可以提升信贷风险评估结果的准确度。本发明专利技术可以提升信贷风险评估结果的准确度。

【技术实现步骤摘要】
信贷风险评估方法及装置


[0001]本专利技术涉及人工智能
，尤其涉及一种信贷风险评估方法及装置。

技术介绍

[0002]本部分旨在为权利要求书中陈述的本专利技术实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]信贷服务是银行的基础金融服务，用于解决个人和企业资金周转的问题。而传统的信贷业务主要通过银行业务推进，银行依赖人工、基于流程开展风控调查。风控调查的难度大导致了传统的信贷业务审批手续繁琐、信贷门槛高。
[0004]为了解决传统的信贷业务风控调查难的问题，现有技术中有采用回归预测算法或者采用基于均方误差的组合回归预测方法。
[0005]每种回归预测算法，都解决了不同的问题，如岭回归算法主要针对回归预测中出现的特征共线性，通过在目标函数中加入惩罚项消除共线性，从而求得目标函数解；支持向量回归，是将原本非线性的样本数据映射至更高维，使样本数据在高维空间可以建立线性回归方程。但是每种方法由于考虑问题角度不同，其预测能力仍然有限；同时，回归预测方法需要大量的数据支撑，而数据量大的同时数据不平衡，样本有效性低的问题也同时存在，这也导致预测结果不够准确。
[0006]基于均方误差的组合回归预测方法，由于均方误差是二次函数式，当数据存在噪声和异常值时，即客户的信息存在偏差时，会平方化的去影响预测结果。实际收集客户信息的过程中，由于样本量大，维度广，不免会得到有偏差的数据，使用均方误差的组合回归预测方法也难以得到准确度高的预测结果。

技术实现思路

[0007]本专利技术实施例提供一种信贷风险评估方法，用以提升信贷风险评估结果的准确度，该方法包括：
[0008]获取待评估客户的第一客户信息，所述第一客户信息包括身份属性特征信息、信用属性特征信息、消费属性特征信息及行为属性特征信息；
[0009]按照特定属性特征从所述第一客户信息中筛选第一特定属性特征信息，所述特定属性特征为与客户信用具有相关性的属性特征；
[0010]将第一特定属性特征信息输入基于最大相关熵的组合预测模型进行预测，得到待评估客户的信贷风险估值；所述基于最大相关熵的组合预测模型利用最大相关熵组合多种回归算法构建。
[0011]本专利技术实施例还提供一种信贷风险评估装置，用以提升信贷风险评估结果的准确度，该装置包括：
[0012]获取模块，用于获取待评估客户的第一客户信息，所述第一客户信息包括身份属性特征信息、信用属性特征信息及消费属性特征信息；
[0013]筛选模块，用于按照特定属性特征从所述第一客户信息中筛选第一特定属性特征信息，所述特定属性特征为与客户信用具有相关性的属性特征；
[0014]预测模块，用于将第一特定属性特征信息输入基于最大相关熵的组合预测模型进行预测，得到待评估客户的信贷风险估值；所述基于最大相关熵的组合预测模型利用最大相关熵组合多种回归算法构建。
[0015]本专利技术实施例还提供一种计算机设备，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，所述处理器执行所述计算机程序时实现上述信贷风险评估方法。
[0016]本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述信贷风险评估方法的计算机程序。
[0017]本专利技术实施例中，从贷款调查慢、放款慢的实际问题出发，采用最大相关熵算法作为损失函数，组合多种回归算法构建基于最大相关熵的组合预测模型，抑制噪声和异常数据对于信贷风险评估估值的影响，与现有技术中利用单种回归算法进行信贷风险预测相比，基于最大相关熵的组合预测模型能够提现各种回归算法的优势，并规避单种回归算法预测能力有限、准确度低的问题，提高了算法的鲁棒性。通过基于最大相关熵的组合预测模型及待评估客户的第一特定属性特征信息确定的待评估客户的信贷风险估值，使得信贷风险评估结果的准确度大大提升。
附图说明
[0018]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
[0019]图1为本专利技术实施例中一种信贷风险评估方法的流程图；
[0020]图2为本专利技术实施例中一种信贷风险评估方法的另一种流程图；
[0021]图3为本专利技术实施例中一种基于最大相关熵的组合预测模型的构建方法流程图；
[0022]图4(a)为采用均方误差作为损失函数的误差分析示意图；
[0023]图4(b)为采用最大相关熵作为损失函数的误差分析示意图；
[0024]图5为本专利技术实施例中一种信贷风险评估装置的结构示意图；
[0025]图6为本专利技术实施例中一种计算机设备的结构示意图。
具体实施方式
[0026]为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本专利技术实施例做进一步详细说明。在此，本专利技术的示意性实施例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。
[0027]本专利技术实施例提供了一种信贷风险评估方法，如图1所示，该方法包括步骤101至步骤103：
[0028]步骤101、获取待评估客户的第一客户信息。
[0029]其中，第一客户信息包括身份属性特征信息、信用属性特征信息、消费属性特征信
息及行为属性特征信息。
[0030]身份属性特征信息，包括真实身份信息(姓名、身份证号等)、学历、职业、就业经历、人际关系等信息；信用属性特征信息，包括固定资产、流动资产、收入等信息，反映客户偿还能力和偿还意愿；消费属性特征信息，包括电商交易金额、交易时间、交易频率等信息，反映客户的消费档次和稳定性；行为属性特征信息，包括位置、通话等信息，反映客户的行为特点。
[0031]需要说明的是，考虑到对于客户的隐私保护，本申请实施例中所获取的第一客户信息、第二客户信息等均是经过客户授权使用的客户信息。
[0032]步骤102、按照特定属性特征从第一客户信息中筛选第一特定属性特征信息。
[0033]其中，特定属性特征为与客户信用具有相关性的属性特征。
[0034]需要说明的是，属性特征为客户信息中包含的信息类型，比如说，身份属性信息中包括真实身份信息、学历、职业、就业经历等，真实身份信息、学历、职业、就业经历分别为一项属性特征。
[0035]属性特征多种多样，其中一些属性特征与客户信贷风险评估几乎不具备相关性，而一些属性特征与客户信贷风险评估具有较大相关性。比如，各个客户的姓名、身份证号各不相同，无法根据该信息进行客户信贷风险评估，因此，真是身份信息被确定为与客户信用不具有相关性的属性特征；而客户的固定资产、流动资产等代表了客户的偿还能力，与客户的信贷风险评级密切相关，因此，将固定资产、流动资产等属性特征作为与客户信用具有相关性的属性特征。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信贷风险评估方法，其特征在于，所述方法包括：获取待评估客户的第一客户信息，所述第一客户信息包括身份属性特征信息、信用属性特征信息、消费属性特征信息及行为属性特征信息；按照特定属性特征从所述第一客户信息中筛选第一特定属性特征信息，所述特定属性特征为与客户信用具有相关性的属性特征；将第一特定属性特征信息输入基于最大相关熵的组合预测模型进行预测，得到待评估客户的信贷风险估值；所述基于最大相关熵的组合预测模型利用最大相关熵组合多种回归算法构建。2.根据权利要求1所述的方法，其特征在于，在按照特定属性特征从所述第一客户信息中筛选第一特定属性特征信息之前，所述方法还包括：获取已评估客户的第二客户信息，将每个已评估客户的第二客户信息作为一组样本数据，所述第二客户信息中包括已评估客户的信贷风险实际值；对所有样本数据采用皮尔逊方法进行相关性分析，根据相关性分析结果从所有属性特征中筛选特定属性特征。3.根据权利要求2所述的方法，其特征在于，在根据相关性分析结果从所有属性特征信息中筛选特定属性特征信息之后，所述方法还包括：根据特定属性特征从第二客户信息中筛选第二特定属性特征信息；基于第二特定属性特征信息，分别采用每种回归算法对每个已评估客户的信贷风险预测值；将每个已评估客户的信贷风险预测值及信贷风险实际值输入最大相关熵算法模型进行训练，得到每种回归算法的权重系数；利用每种回归算法的权重系数组合多种回归算法，得到基于最大相关熵的组合预测模型。4.基于权利要求1至3任一项所述的方法，其特征在于，基于最大相关熵的组合预测模型中组合的回归算法包括岭回归算法、LASSO回归算法和/或支持向量回归算法。5.一种信贷风险评估装置，其特征在于，所述装置包括：获取模块，用于获取待评估客户的第一客户信息，所述第一客户信息包括身份属性特征信息、信用属性...

【专利技术属性】
技术研发人员：刘燕，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：