信用评分模型的调优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用评分模型的调优方法及装置，方法包括：根据预设信用评分模型，循环删减任一入模信用指标和/或循环添加任一未入模信用指标进行建模，判断建模的最大KS值的信用评分模型的入模信用指标与预设信用评分模型不一致时，更新预设信用评分模型循环执行本步骤，直至一致；若一致，基于训练集和测试集的样本数据，循环删减任一入模信用指标和/或循环增加任一未入模信用指标进行建模，用训练集和测试集计算得到训练集和测试集的KS差值比例，判断KS差值比例小于预设差值阈值时，从KS差值比例对应的信用评分模型中，选取最大KS值的信用评分模型为调优后信用评分模型，若否，更新预设信用评分模型循环执行本步骤，直至小于预设差值阈值。至小于预设差值阈值。至小于预设差值阈值。

【技术实现步骤摘要】
信用评分模型的调优方法及装置


[0001]本专利技术实施例涉及计算机
，具体涉及一种信用评分模型的调优方法及装置。

技术介绍

[0002]传统银行等金融机构对于贷款申请大多采取人工审批的方式，根据业务信审人员的个人经验进行主观的审批判断，决策结果易受各种主观因素的影响，导致审批结果不一致，不能够量化风险级别，无法实现风险的分级管理，而且会使得审批过程成本高、效率低。信用评分模型可以根据银行等金融机构的客户的信用历史资料、业务活动记录等信息，利用评分模型，得到不同等级的信用分数。通过分析客户按时还款的可能性决定是否准予授信、授信额度、利率等，大大提升处理效率、风险把控等。
[0003]评分模型是较常用的重要的信用评分模型，现有技术在确定信用评分模型时，如直接将初步建立的评分模型应用于业务中，导致模型的区分能力、稳定性等不高，模型的可解释性较差；或者，依据建模人员的自身经验进行人工主观的模型调优，如人工手动进行一些变量的增减操作。但这种调优方式受限于调整经验、调整成本等方面的因素，最终得到的模型结果也未能达到相对最优状态，且受主观因素影响较大，不同的建模人员调整的模型会有所差别，不能很好的实现模型的最佳效果及应用的稳定性。

技术实现思路

[0004]鉴于上述问题，提出了本专利技术实施例以便提供一种克服上述问题或者至少部分地解决上述问题的信用评分模型的调优方法及装置。
[0005]根据本专利技术实施例的一个方面，提供了一种信用评分模型的调优方法，方法包括：
[0006]获取步骤，获取用于信用评分模型调优的多个信用指标；其中，多个信用指标包括预设信用评分模型使用的入模信用指标及未入模信用指标；
[0007]逐步回归步骤，根据预设信用评分模型，基于逐步回归循环删减任一入模信用指标和/或循环添加任一未入模信用指标进行建模，计算得到多个模型区分能力评估指标KS值；获取多个模型区分能力评估指标KS值中的最大模型区分能力评估指标KS值，并判断最大模型区分能力评估指标KS值对应的信用评分模型使用的入模信用指标是否为预设信用评分模型使用的入模信用指标；若是，执行差值比较步骤；若否，则将最大模型区分能力评估指标KS值对应的信用评分模型更新为预设信用评分模型，并根据更新后的预设信用评分模型，更新入模信用指标及未入模信用指标；根据更新后的预设信用评分模型，循环执行逐步回归步骤，直至最大模型区分能力评估指标KS值对应的信用评分模型使用的入模信用指标为预设信用评分模型使用的入模信用指标；
[0008]差值比较步骤，基于信用指标的训练集和测试集的样本数据，根据预设信用评分模型，基于逐步回归循环删减任一入模信用指标和/或循环添加任一未入模信用指标进行建模，分别基于训练集和测试集计算得到训练集和测试集的模型区分能力评估指标KS差值
比例；判断模型区分能力评估指标KS差值比例是否小于预设差值阈值，若是，则从小于预设差值阈值的模型区分能力评估指标KS差值比例对应的信用评分模型中，选取最大模型区分能力评估指标KS值对应的信用评分模型为调优后的信用评分模型，若否，则确定最小模型区分能力评估指标KS差值比例，将最小模型区分能力评估指标KS差值比例对应的信用评分模型更新为预设信用评分模型；并根据更新后的预设信用评分模型，更新入模信用指标及未入模信用指标；根据更新后的预设信用评分模型，循环执行差值比较步骤，直至模型区分能力评估指标KS差值比例小于预设差值阈值。
[0009]根据本专利技术实施例的另一方面，提供了一种信用评分模型的调优装置，其包括：
[0010]获取模块，适于获取用于信用评分模型调优的多个信用指标；其中，多个信用指标包括预设信用评分模型使用的入模信用指标及未入模信用指标；
[0011]逐步回归模块，适于根据预设信用评分模型，基于逐步回归循环删减任一入模信用指标和/或循环添加任一未入模信用指标进行建模，计算得到多个模型区分能力评估指标KS值；获取多个模型区分能力评估指标KS值中的最大模型区分能力评估指标KS值，并判断最大模型区分能力评估指标KS值对应的信用评分模型使用的入模信用指标是否为预设信用评分模型使用的入模信用指标；若是，执行差值比较模块；若否，则将最大模型区分能力评估指标KS值对应的信用评分模型更新为预设信用评分模型，并根据更新后的预设信用评分模型，更新入模信用指标及未入模信用指标；根据更新后的预设信用评分模型，循环执行逐步回归模块，直至最大模型区分能力评估指标KS值对应的信用评分模型使用的入模信用指标为预设信用评分模型使用的入模信用指标；
[0012]差值比较模块，适于基于信用指标的训练集和测试集的样本数据，根据预设信用评分模型，基于逐步回归循环删减任一入模信用指标和/或循环添加任一未入模信用指标进行建模，分别基于训练集和测试集计算得到训练集和测试集的模型区分能力评估指标KS差值比例；判断模型区分能力评估指标KS差值比例是否小于预设差值阈值，若是，则从小于预设差值阈值的模型区分能力评估指标KS差值比例对应的信用评分模型中，选取最大模型区分能力评估指标KS值对应的信用评分模型为调优后的信用评分模型，若否，则确定最小模型区分能力评估指标KS差值比例，将最小模型区分能力评估指标KS差值比例对应的信用评分模型更新为预设信用评分模型；并根据更新后的预设信用评分模型，更新入模信用指标及未入模信用指标；根据更新后的预设信用评分模型，循环执行差值比较模块，直至模型区分能力评估指标KS差值比例小于预设差值阈值。
[0013]根据本专利技术实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
[0014]所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述信用评分模型的调优方法对应的操作。
[0015]根据本专利技术实施例的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述信用评分模型的调优方法对应的操作。
[0016]根据本专利技术实施例的提供的信用评分模型的调优方法及装置，基于预设信用评分模型的入模信用指标及未入模信用指标，通过逐步回归循环删减任一入模信用指标和/或
逐步回归循环添加任一未入模信用指标进行建模，逐步挑选入模信用指标，实现信用评分模型对信用指标的自动化选择，替代人工经验调整，完成对信用评分模型的调优，并大大提升调优效率。
[0017]上述说明仅是本专利技术实施例技术方案的概述，为了能够更清楚了解本专利技术实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术实施例的具体实施方式。
附图说明
[0018]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术实施例的限制。而且在整个附图中，用相同的参考符号表示相同的部件。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信用评分模型的调优方法，其特征在于，方法包括：获取步骤，获取用于信用评分模型调优的多个信用指标；其中，所述多个信用指标包括预设信用评分模型使用的入模信用指标及未入模信用指标；逐步回归步骤，根据所述预设信用评分模型，基于逐步回归循环删减任一所述入模信用指标和/或循环添加任一所述未入模信用指标进行建模，计算得到多个模型区分能力评估指标KS值；获取所述多个模型区分能力评估指标KS值中的最大模型区分能力评估指标KS值，并判断所述最大模型区分能力评估指标KS值对应的信用评分模型使用的入模信用指标是否为预设信用评分模型使用的入模信用指标；若是，执行差值比较步骤；若否，则将所述最大模型区分能力评估指标KS值对应的信用评分模型更新为预设信用评分模型，并根据更新后的预设信用评分模型，更新入模信用指标及未入模信用指标；根据更新后的预设信用评分模型，循环执行所述逐步回归步骤，直至所述最大模型区分能力评估指标KS值对应的信用评分模型使用的入模信用指标为预设信用评分模型使用的入模信用指标；差值比较步骤，基于所述信用指标的训练集和测试集的样本数据，根据所述预设信用评分模型，基于逐步回归循环删减任一所述入模信用指标和/或循环添加任一所述未入模信用指标进行建模，分别基于训练集和测试集计算得到训练集和测试集的模型区分能力评估指标KS差值比例；判断所述模型区分能力评估指标KS差值比例是否小于预设差值阈值，若是，则从小于预设差值阈值的所述模型区分能力评估指标KS差值比例对应的信用评分模型中，选取最大模型区分能力评估指标KS值对应的信用评分模型为调优后的信用评分模型，若否，则确定最小模型区分能力评估指标KS差值比例，将所述最小模型区分能力评估指标KS差值比例对应的信用评分模型更新为预设信用评分模型；并根据更新后的预设信用评分模型，更新入模信用指标及未入模信用指标；根据更新后的预设信用评分模型，循环执行所述差值比较步骤，直至模型区分能力评估指标KS差值比例小于预设差值阈值。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于所述多个信用指标确定对应的各信用指标维度；其中，所述各信用指标维度预设入模指标个数区间阈值；所述多个信用指标包括：年龄、收入、固定资产价值、无形资产价值、历史最大逾期天数和/或失信执行次数，所述各信用指标维度包括：基本信息、偿债能力、偿债意愿和/或负面信息。3.根据权利要求2所述的方法，其特征在于，所述逐步回归步骤进一步包括：基于逐步回归循环删减任一所述入模信用指标和/或循环添加任一所述未入模信用指标进行建模时，建模使用的指标个数符合对应的信用指标维度的入模指标个数区间阈值，且建模使用的各信用指标的显著性水平值符合预设第一条件，建模使用的各信用指标的模型系数值符合预设第二条件，信息值IV大于等于预设信息阈值。4.根据权利要求2所述的方法，其特征在于，所述差值比较步骤进一步包括：基于逐步回归循环删减任一所述入模信用指标和/或循环添加任一所述未入模信用指标进行建模时，使用的指标个数符合对应的信用指标维度的入模指标个数区间阈值，且建模使用的各信用指标的显著性水平值符合预设第一条件，建模使用的各信用指标的模型系数值符合预设第二条件，信息值IV大于等于预设信息阈值。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：收集各信用指标的样本数据；所述样本数据包括正样本数据和负样本数据；
所述逐步回归步骤进一步包括：建模时，统计正样本数据的正预测数量、正样本数据的负预测数量、负样本数据的正预测数量，以及，负样本数据的负预测数量；根据所述正样本数据的正预测数量、正样本数据的负预测数量、负样本数据的正预测数量，以及，负样本数据的负预测数量，计算得到多个模型区分能力评估指标KS值...

【专利技术属性】
技术研发人员：孙博，杨森，姜超，
申请(专利权)人：浙江泰隆商业银行股份有限公司，
类型：发明
国别省市：