CN107437220A - 一种生成差别化利率的方法及装置 - Google Patents

Abstract

本发明涉及一种生成差别化利率的方法及装置，其中方法包括获取用户当前的待测数据样本，所述当前的待测数据样本包括多组当前系列指标；根据预设的多个第一基模型对所有当前系列指标进行拟合计算以得到相应的第一基模型参数，其中每个第一基模型均对应一组不同的当前系列指标；根据预设的第二基模型对所有第一基模型参数进行拟合计算以得到一当前违约概率；若所述当前违约概率小于预设阀值，将所有第一基模型参数以及当前违约概率输入预设的利率定价模型中以得到目标利率。本发明能够从多个维度对用户数据进行拟合建模，预测借款人的还款能力和风险，从而对风险进行定价计算出与用户相匹配的借贷利率。

Description

一种生成差别化利率的方法及装置

技术领域

本发明涉及电子技术领域，尤其涉及一种生成差别化利率的方法及装置。

背景技术

在金融领域，从大数据征信、大数据风控已经引起人们关注，但在具体大数据的处理、运算、加工、应用方面，目前还处于探索阶段。由于大数据的维度之多和噪音之繁，以及手握用户大数据的行业巨头尚未开放相关数据渠道，使得在大数据在实际应用场景中尚未发挥能效。但近年来随着科技的发展和行业巨头在征信方面的布局加快，使得大数据征信和大数据风控有了切实的应用场景。

目前，在金融领域的个人信贷业务中，通常会根据个人信用和资产情况而制定不同借款额度，但是借贷利率却设为一个固定的值，而实际上，每个个人的信用值、还款能力、违约风险都是不一样的，对于优质借款人和非优质借款人都使用同一借款利率显然不合理。而国内的某些互联网金融产品，会针对部分在本平台信用良好的用户进行促销型利率优惠活动，但这距离实现针对借款人资质进行差别化利率定价还有很远的距离。

发明内容

针对现有技术的不足，本发明的目的旨在于提供一种生成差别化利率的方法及装置，解决了大量不同维度、不同来源的数据无法同时进行有效计算、快速计算的难题，以从多个维度对用户数据进行拟合建模，预测借款人的还款能力及风险，从而得出不同的借贷利率。

为实现上述目的，本发明采用如下技术方案：

一种生成差别化利率的方法，所述方法包括如下步骤，

获取用户当前的待测数据样本，所述当前的待测数据样本包括多组当前系列指标；

根据预设的多个第一基模型对所有当前系列指标进行拟合计算以得到相应的第一基模型参数，其中每个第一基模型均对应一组不同的当前系列指标；

根据预设的第二基模型对所有第一基模型参数进行拟合计算以得到一当前违约概率；

若所述当前违约概率小于预设阀值，将所有第一基模型参数以及当前违约概率输入预设的利率定价模型中以得到目标利率。

进一步的，所述预设的多个第一基模型、第二基模型以及利率定价模型均通过采用对应的预设训练样本训练一对应的预设算法以得到各自对应的拟合系数和拟合常数；

其中，所述预设算法包括Adaboosting算法、逻辑回归算法、迭代决策树GBDT算法、随机森林算法、XGboost分类算法、决策树算法以及社区PageRank算法中的一种或多种。

进一步的，所述当前系列指标的组数为三组，分别为当前履约意愿指标、当前社交价值指标以及当前还款能力指标，所述根据预设的多个第一基模型对所有当前系列指标进行拟合计算以得到相应的第一基模型参数，其中每个基模型均对应一组不同的当前系列指标包括如下步骤，

所述当前履约意愿指标对应一预设的履约意愿基模型，根据预设的履约意愿基模型对当前履约意愿指标进行拟合以得到相应的履约意愿基模型参数；

所述当前社交价值指标对应一预设的社交价值基模型，根据预设的社交价值基模型对当前社交价值指标进行拟合以得到相应的社交价值基模型参数；

所述当前还款能力指标对应一预设的还款能力基模型，根据预设的还款能力基模型对当前还款能力指标进行拟合以得到相应的还款能力基模型参数。

进一步的，所述方法还包括，

用当前履约意愿指标训练所述预设的履约意愿基模型以得到更新后的履约意愿基模型，所述更新后的履约意愿基模型包括对应的更新后的拟合系数和拟合常数；

用当前社交价值指标训练所述预设的社交价值基模型以得到更新后的社交价值基模型，所述更新后的社交价值基模型包括对应的更新后的拟合系数和拟合常数；

用当前还款能力指标训练所述预设的还款能力基模型以得到更新后的还款能力基模型，所述更新后的还款能力基模型包括对应的更新后的拟合系数和拟合常数。

进一步的，所述预设的履约意愿基模型通过采用预设履约意愿数据训练一Adaboosting算法以得到对应的拟合系数和拟合常数；

所述预设的社交价值基模型通过采用预设社交价值数据训练一社区PageRank算法以得到对应的拟合系数和拟合常数；

所述预设的还款能力基模型通过采用预设还款能力数据训练一Adaboosting算法以得到对应的拟合系数和拟合常数。。

本发明还采用了一种生成差别化利率的装置，包括，

存储器，用于存储程序指令；

处理器，用于运行所述程序指令，以执行如下步骤：

获取用户当前的待测数据样本，所述当前的待测数据样本包括多组当前系列指标；

根据预设的多个第一基模型对所有当前系列指标进行拟合计算以得到相应的第一基模型参数，其中每个第一基模型均对应一组不同的当前系列指标；

根据预设的第二基模型对所有第一基模型参数进行拟合计算以得到一当前违约概率；

若所述当前违约概率小于预设阀值，将所有第一基模型参数以及当前违约概率输入预设的利率定价模型中以得到目标利率。

进一步的，所述预设的多个第一基模型、第二基模型以及利率定价模型均通过采用对应的预设训练样本训练一对应的预设算法以得到各自对应的拟合系数和拟合常数；

其中，所述预设算法包括Adaboosting算法、逻辑回归算法、迭代决策树GBDT算法、随机森林算法、XGboost分类算法、决策树算法以及社区PageRank算法中的一种或多种。

进一步的，所述当前系列指标的组数为三组，分别为当前履约意愿指标、当前社交价值指标以及当前还款能力指标，所述处理器执行所述财根据预设的多个第一基模型对所有当前系列指标进行拟合计算以得到相应的第一基模型参数，其中每个基模型均对应一组不同的当前系列指标，包括执行如下步骤，

所述当前履约意愿指标对应一预设的履约意愿基模型，根据预设的履约意愿基模型对当前履约意愿指标进行拟合以得到相应的履约意愿基模型参数；

所述当前社交价值指标对应一预设的社交价值基模型，根据预设的社交价值基模型对当前社交价值指标进行拟合以得到相应的社交价值基模型参数；

所述当前还款能力指标对应一预设的还款能力基模型，根据预设的还款能力基模型对当前还款能力指标进行拟合以得到相应的还款能力基模型参数。

进一步的，所述处理器还执行如下步骤，

用当前履约意愿指标训练所述预设的履约意愿基模型以得到更新后的履约意愿基模型，所述更新后的履约意愿基模型包括对应的更新后的拟合系数和拟合常数；

用当前社交价值指标训练所述预设的社交价值基模型以得到更新后的社交价值基模型，所述更新后的社交价值基模型包括对应的更新后的拟合系数和拟合常数；

用当前还款能力指标训练所述预设的还款能力基模型以得到更新后的还款能力基模型，所述更新后的还款能力基模型包括对应的更新后的拟合系数和拟合常数。

进一步的，所述预设的履约意愿基模型通过采用预设履约意愿数据训练一Adaboosting算法以得到对应的拟合系数和拟合常数；

所述预设的社交价值基模型通过采用预设社交价值数据训练一社区PageRank算法以得到对应的拟合系数和拟合常数；

所述预设的还款能力基模型通过采用预设还款能力数据训练一Adaboosting算法以得到对应的拟合系数和拟合常数。

本发明的有益效果如下：

本发明能够从多个维度对用户数据进行拟合建模，预测借款人的还款能力和风险，从而对风险进行定价计算出与用户相匹配的借贷利率，具有普遍适用性、区别化、精确化等优点。同时，每个基模型之间的独立拟合让计算更为灵活和精准，使得大量不同维度、不同来源的数据能够同时进行有效计算、快速计算，而且不同基模型还可独立抽取出来重新组成适应其他应用场景。另外，通过对每次引入的测试值的计算更新训练样本，可以使得模型在每次计算中进行学习和更新。

附图说明

图1为本发明实施例一提供的一种生成差别化利率的方法的流程示意图；

图2为本发明实施例二提供的一种生成差别化利率的方法的流程示意图；

图3为本发明实施例三提供的一种装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

实施例一

请参见图1，本发明实施例一涉及一种生成差别化利率的方法，该方法能够对个人用户的信用贷款申请中的贷款利率进行更加精确化、合理化、效益最大化的差异化定价，其较佳实施方式包括如下步骤，

步骤S101，获取用户当前的待测数据样本，所述当前的待测数据样本包括多组当前系列指标。

其中，用户当前的待测数据样本可以包括多个维度的数据样本，且每个数据样本为一组系列指标，每组系列指标均包括若干具有相同或相似属性的指标数据。

例如，所述当前的待测数据样本可以包括履约意愿指标、社交价值指标以及还款能力指标。当然，这里的当前的待测数据样本根据实际情况还可以包括其他的相关指标，而不仅限于上述三种系列指标，在此不再赘述。作为具体的，所述履约意愿指标包括用户在本地数据库、其他金融机构、第三方商业公司的履约历史数据；所述社交价值指标包括用户在本地数据库的社会关系数据、其他社交网络导入的社交关系数据；所述还款能力指标包括资产组成、收入来源、负债组成，由用户、本地数据库或第三方数据提供。同时，每个维度的指标包含的数据还可以进行多层数据项的细分，直至取得可用于计算机进行运算的值。另外，根据具体场景的不同，所配置的指标的数据项可以根据实际情况进行配置。

步骤S102，根据预设的多个第一基模型对所有当前系列指标进行拟合计算以得到相应的第一基模型参数，其中每个第一基模型均对应一组不同的当前系列指标。

其中，所述预设的多个第一基模型可以通过对应的训练样本对相应的算法进行拟合训练获得。根据数据特征，可以对所有当前系列指标进行拟合，同时每个第一基模型均对应一组不同的当前系列指标。

具体的，所述预设的多个第一基模型均通过采用对应的预设训练样本训练一对应的预设算法以得到各自对应的拟合系数和拟合常数，也就是说其中，所述预设算法包括Adaboosting算法、逻辑回归算法、迭代决策树GBDT算法、随机森林算法、XGboost分类算法、决策树算法以及社区PageRank算法中的任一种。

比如具体的，其中一个第一基模型对与其对应的当前系列指标进行拟合计算，所述第一基模型可以采用Adaboosting算法进行训练得到，即可以简化为训练A＝α0+a1×α1+a2×α2+…+an×αn。其中，A为系列指标对应的模型参数，a1、a2…an为具体指标，α0为拟合常数项，α1、α2…αn为具体指标对应的拟合系数，拟合常数和拟合系数通过预设训练样本的拟合训练获得。将所述其中一个第一基模型对应的当前系列指标输入所述其中一个第一基模型可以得到对应的第一基模型参数A。

进一步的，拟合常数和拟合系数通过每组系列指标的训练样本的拟合计算获得，随着训练样本的每一次更新而更新。

步骤S103，根据预设的第二基模型对所有第一基模型参数进行拟合计算以得到一当前违约概率。

在本实施例中，第二基模型也可以通过采用对应的预设训练样本训练一对应的预设算法以得到对应的拟合系数和拟合常数。其中，所述预设算法包括Adaboosting算法、逻辑回归算法、迭代决策树GBDT算法、随机森林算法、XGboost分类算法、决策树算法以及社区PageRank算法中的任一种。

即通过对所有第一基模型参数进行拟合计算，可以得到一第二基模型参数，即具体的可以将根据当前系列指标获得的所有第一基模型参数求得的第二基模型参数作为用户的当前违约概率。若当前违约概率超出一定范围，则不生成借款利率，得出该用户不具备借款资格的结果。可选地，该预设阙值可根据实际情况由人工预设。

步骤S104，若所述当前违约概率小于预设阀值，将所有第一基模型参数以及当前违约概率输入预设的利率定价模型中以得到目标利率。

其中，若所述当前违约概率小于预设阈值时，则表明用户具备借款资格，那么即可进行利率的求值。其中，利率定价模型也可以预先设置。

在本实施例中，利率定价模型可以转化为一个多维量表：多个第一基模型参数以及违约概率，根据这个多维量表可以求得目标利率。

具体的，利率定价模型也可以通过采用对应的预设训练样本训练一对应的预设算法以得到对应的拟合系数和拟合常数；其中，所述预设算法包括Adaboosting算法、逻辑回归算法、迭代决策树GBDT算法、随机森林算法、XGboost分类算法、决策树算法以及社区PageRank算法中的任一种。

另外，得出目标利率之后，可以将其进行显示，以供用户参考使用。而且上述的各种不同的基模型还可独立抽取出来重新组成适应其他应用场景，如还款能力的基模型可独立应用于信用额度授予场景。

综上所述，本发明能够从多个维度对用户数据进行拟合建模，预测借款人的还款能力和风险，从而对风险进行定价计算出与用户相匹配的借贷利率，具有普遍适用性、区别化、精确化等优点。同时，每个基模型之间的独立拟合让计算更为灵活和精准，使得大量不同维度、不同来源的数据能够同时进行有效计算、快速计算，而且不同基模型还可独立抽取出来重新组成适应其他应用场景。另外，通过对每次引入的测试值的计算更新训练样本，可以使得模型在每次计算中进行学习和更新。

实施例二

参见图2，本发明实施例二涉及一种生成差别化利率的方法，其中，所述当前系列指标的组数为三组，分别为当前履约意愿指标、当前社交价值指标以及当前还款能力指标，故本发明实施例二还包括以下步骤：

步骤S201，获取用户当前的待测数据样本，所述当前的待测数据样本包括当前履约意愿指标、当前社交价值指标以及当前还款能力指标。

步骤S202a，所述当前履约意愿指标对应一预设的履约意愿基模型，根据预设的履约意愿基模型对当前履约意愿指标进行拟合以得到相应的履约意愿基模型参数。

作为优选的，所述预设的履约意愿基模型通过采用预设履约意愿数据训练一Adaboosting算法以得到对应的拟合系数和拟合常数。所述预设履约意愿数据包括但不限于本地数据库以及第三方数据来源。

例如，履约意愿基模型的系列指标由用户的履约历史数据构成，从数据源获取用户对应指标(如用户履约次数、履约金额、违约次数、违约金额等)。当使用Adaboosting算法对当前履约意愿指标进行拟合计算时，可以获得用户的履约意愿基模型参数值A′，即得到用户的预测履约率，该过程可简化描述为：

A′＝α0+a′1×α1+a′2×α2+…+a′n×αn

其中，A′为履约意愿指标的模型参数，a′1、a′2…a′n为具体指标，α0为常数项，α1、α2…αn为具体指标对应的拟合系数，常数项和拟合系数通过预设训练样本的拟合训练获得。

步骤S202b，所述当前社交价值指标对应一预设的社交价值基模型，根据预设的社交价值基模型对当前社交价值指标进行拟合以得到相应的社交价值基模型参数。

作为优选的，所述预设的社交价值基模型通过采用预设社交价值数据训练一社区PageRank算法以得到对应的拟合系数和拟合常数。所述预设社交价值数据包括但不限于本地数据库以及第三方数据来源。

例如，社交价值基模型的系列指标由用户的社交关系数据构成，从数据源获取用户对应指标，使用社区PageRank算法计算用户在社交网络中的影响力，从而预测用户的社交价值，用户社交价值越高，则意味着用户在社会具有一定的声誉，违约将造成其社会声誉的损害，因此可以视为用户社交价值越高，用户的违约成本越高，相对应地，用户的违约概率就越低。

用户的社交价值采用社区PageRank算法把社区中每个人作为一个节点，根据用户节点的联结关系反映用户在社交网络中的影响力和重要性，其原理和谷歌的PageRank一致：被越多好的节点(人/网页)主动链向的节点(人/网页)，其价值越高。在本实施例中，用户在社交网络中与越多“好的用户”互相关注，或被越多“好的用户”关注，则其社交价值越高。其用公式表达可为：

其中，PR为预测的用户的社交价值，pi为目标用户，pj为主动与pi关联的用户，M(pi)为pi所有关联用户的集合，L为用户主动关联的用户数，d(0＜d≤1)为阻尼因子，N为M(pi)中的用户数量。

步骤S202c，所述当前还款能力指标对应一预设的还款能力基模型，根据预设的还款能力基模型对当前还款能力指标进行拟合以得到相应的还款能力基模型参数。

作为优选的，所述预设的还款能力基模型通过采用预设还款能力数据训练一Adaboosting算法以得到对应的拟合系数和拟合常数。所述预设还款能力数据包括但不限于本地数据库以及第三方数据来源。

例如，还款能力基模型的系列指标由用户的资产数据和现金流数据、职业数据构成，从数据源获取用户对应指标(如用户是否有房产、用户月收入、负债金额、职业类型、月均消费等)。可选地，使用Adaboosting算法对指标进行拟合，获得用户还款能力基模型参数值B′，即用户的预测可还款金额，该过程可简化描述为。

B′＝β0+b′1×β1+b′2×β2+…+b′n×βn

其中，B′为还款能力指标的模型参数，b′1、b′2…b′n为具体指标，β0为常数项，β1、β2…βn为具体指标对应的拟合系数，常数项和拟合系数通过训练样本的拟合训练获得。

步骤S203，根据预设的第二基模型对履约意愿基模型参数、社交价值基模型参数以及还款能力基模型参数进行拟合计算以得到一当前违约概率。

在本实施例中，根据履约意愿基模型的预测，可得出用户的履约意愿基模型参数，即预测履约率；根据社交价值基模型，可测算用户的社交价值；根据还款能力基模型的预测，可得出用户在一定时期内的预测可还款金额。

故可以通过不同的算法对用户的履约意愿基模型的预测结果、社交价值基模型的测算结果、还款能力基模型的预测结果进行拟合，可以计算用户的违约概率。这里的算法可以是包括Adaboosting算法、逻辑回归算法、迭代决策树GBDT算法、随机森林算法、XGboost分类算法、决策树算法以及社区PageRank算法中的任一种。

步骤S204，若所述当前违约概率小于预设阀值，将履约意愿基模型参数、社交价值基模型参数、还款能力基模型参数以及当前违约概率输入预设的利率定价模型中以得到目标利率。

其中，可以将履约意愿基模型参数、社交价值基模型参数、还款能力基模型参数和当前违约概率输入通过一预设训练样本数据训练一算法生成的利率定价模型中，可以计算并确定该用户的目标利率，完成利率的定价。这里的算法可以选用Adaboosting算法、逻辑回归算法、迭代决策树GBDT算法、随机森林算法、XGboost分类算法、决策树算法以及社区PageRank算法中的任一种。

例如，利率定价模型可以转化为一个思维量表，包括违约概率、履约意愿基模型参数、社交价值基模型参数以及还款能力基模型参数。其中，违约概率用Y表示、履约意愿基模型参数用A′表示、社交价值基模型参数用PR表示以及还款能力基模型参数用B′表示。

根据上述步骤分别计算出Y、A′、PR、B′之后，将这四个值分别落入量表中对应的维度，获得相应的利率计价。例如，当Y＝Y1、A′＝A′1、PR＝PR1、B′＝B′1时，利率为R1；当Y＝Y2、A′＝A′2、PR＝PR2、B′＝B′2时，利率为R2；…，以此类推。

当然，上述Y1、Y2…可以为一个固定数值，也可以为一个范围值。同理，A′1、A′2、PR1、PR2、B′1、B′2…可以为一个固定值，也可以为一个范围值。

步骤S205，用当前履约意愿指标训练所述预设的履约意愿基模型以得到更新后的履约意愿基模型，所述更新后的履约意愿基模型包括对应的更新后的拟合系数和拟合常数。

步骤S206，用当前社交价值指标训练所述预设的社交价值基模型以得到更新后的社交价值基模型，所述更新后的社交价值基模型包括对应的更新后的拟合系数和拟合常数。

步骤S207，用当前还款能力指标训练所述预设的还款能力基模型以得到更新后的还款能力基模型，所述更新后的还款能力基模型包括对应的更新后的拟合系数和拟合常数。

综上所述，可知各个基模型以及利率定价模型均可以进行自动更新，从而不断完善自身，以得到更为精准的目标利率，减少误差。

实施例三

参见图3，本发明实施例三涉及一种生成差别化利率的装置，所述装置100包括，

存储器101，用于存储程序指令；

处理器102，用于运行所述程序指令，以执行

获取用户当前的待测数据样本，所述当前的待测数据样本包括多组当前系列指标；根据预设的多个第一基模型对所有当前系列指标进行拟合计算以得到相应的第一基模型参数，其中每个第一基模型均对应一组不同的当前系列指标；根据预设的第二基模型对所有第一基模型参数进行拟合计算以得到一当前违约概率；若所述当前违约概率小于预设阀值，将所有第一基模型参数以及当前违约概率输入预设的利率定价模型中以得到目标利率。

作为优选的实施例，所述预设的多个第一基模型、第二基模型以及利率定价模型均通过采用对应的预设训练样本训练一对应的预设算法以得到各自对应的拟合系数和拟合常数；其中，所述预设算法包括Adaboosting算法、逻辑回归算法、迭代决策树GBDT算法、随机森林算法、XGboost分类算法、决策树算法以及社区PageRank算法中的一种或多种

作为优选的实施例，所述当前系列指标的组数为三组，分别为当前履约意愿指标、当前社交价值指标以及当前还款能力指标，所述处理器还执行如下步骤，所述当前履约意愿指标对应一预设的履约意愿基模型，根据预设的履约意愿基模型对当前履约意愿指标进行拟合以得到相应的履约意愿基模型参数；所述当前社交价值指标对应一预设的社交价值基模型，根据预设的社交价值基模型对当前社交价值指标进行拟合以得到相应的社交价值基模型参数；所述当前还款能力指标对应一预设的还款能力基模型，根据预设的还款能力基模型对当前还款能力指标进行拟合以得到相应的还款能力基模型参数。

作为优选的实施例，所述处理器执行用当前履约意愿指标训练所述预设的履约意愿基模型以得到更新后的履约意愿基模型，所述更新后的履约意愿基模型包括对应的更新后的拟合系数和拟合常数；用当前社交价值指标训练所述预设的社交价值基模型以得到更新后的社交价值基模型，所述更新后的社交价值基模型包括对应的更新后的拟合系数和拟合常数；用当前还款能力指标训练所述预设的还款能力基模型以得到更新后的还款能力基模型，所述更新后的还款能力基模型包括对应的更新后的拟合系数和拟合常数。

作为优选的实施例，所述预设的履约意愿基模型通过采用预设履约意愿数据训练一Adaboosting算法以得到对应的拟合系数和拟合常数；所述预设的社交价值基模型通过采用预设社交价值数据训练一社区PageRank算法以得到对应的拟合系数和拟合常数；所述预设的还款能力基模型通过采用预设还款能力数据训练一Adaboosting算法以得到对应的拟合系数和拟合常数。

本实施例三中的处理器执行的各个步骤的原理和解释可以参考上述实施例一和实施例二中的内容，当然，也不仅限于上述解释的内容，在此不再赘述。

对于本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及变形，而所有的这些改变以及变形都应该属于本发明权利要求的保护范围之内。

Claims (10)

1.一种生成差别化利率的方法，其特征在于，包括如下步骤，

获取用户当前的待测数据样本，所述当前的待测数据样本包括多组当前系列指标；

根据预设的多个第一基模型对所有当前系列指标进行拟合计算以得到相应的第一基模型参数，其中每个第一基模型均对应一组不同的当前系列指标；

根据预设的第二基模型对所有第一基模型参数进行拟合计算以得到一当前违约概率；

若所述当前违约概率小于预设阀值，将所有第一基模型参数以及当前违约概率输入预设的利率定价模型中以得到目标利率。

2.如权利要求1所述的方法，其特征在于，所述预设的多个第一基模型、第二基模型以及利率定价模型均通过采用对应的预设训练样本训练一对应的预设算法以得到各自对应的拟合系数和拟合常数；

其中，所述预设算法包括Adaboosting算法、逻辑回归算法、迭代决策树GBDT算法、随机森林算法、XGboost分类算法、决策树算法以及社区PageRank算法中的一种或多种。

3.如权利要求2所述的方法，其特征在于，所述当前系列指标的组数为三组，分别为当前履约意愿指标、当前社交价值指标以及当前还款能力指标，所述根据预设的多个第一基模型对所有当前系列指标进行拟合计算以得到相应的第一基模型参数，其中每个基模型均对应一组不同的当前系列指标包括如下步骤，

所述当前履约意愿指标对应一预设的履约意愿基模型，根据预设的履约意愿基模型对当前履约意愿指标进行拟合以得到相应的履约意愿基模型参数；

所述当前社交价值指标对应一预设的社交价值基模型，根据预设的社交价值基模型对当前社交价值指标进行拟合以得到相应的社交价值基模型参数；

所述当前还款能力指标对应一预设的还款能力基模型，根据预设的还款能力基模型对当前还款能力指标进行拟合以得到相应的还款能力基模型参数。

4.如权利要求3所述的方法，其特征在于，所述方法还包括，

用当前履约意愿指标训练所述预设的履约意愿基模型以得到更新后的履约意愿基模型，所述更新后的履约意愿基模型包括对应的更新后的拟合系数和拟合常数；

用当前社交价值指标训练所述预设的社交价值基模型以得到更新后的社交价值基模型，所述更新后的社交价值基模型包括对应的更新后的拟合系数和拟合常数；

用当前还款能力指标训练所述预设的还款能力基模型以得到更新后的还款能力基模型，所述更新后的还款能力基模型包括对应的更新后的拟合系数和拟合常数。

5.如权利要求3所述的方法，其特征在于，所述预设的履约意愿基模型通过采用预设履约意愿数据训练一Adaboosting算法以得到对应的拟合系数和拟合常数；

所述预设的社交价值基模型通过采用预设社交价值数据训练一社区PageRank算法以得到对应的拟合系数和拟合常数；

所述预设的还款能力基模型通过采用预设还款能力数据训练一Adaboosting算法以得到对应的拟合系数和拟合常数。

6.一种生成差别化利率的装置，其特征在于，包括，

存储器，用于存储程序指令；

处理器，用于运行所述程序指令，以执行如下步骤：

获取用户当前的待测数据样本，所述当前的待测数据样本包括多组当前系列指标；

根据预设的多个第一基模型对所有当前系列指标进行拟合计算以得到相应的第一基模型参数，其中每个第一基模型均对应一组不同的当前系列指标；

根据预设的第二基模型对所有第一基模型参数进行拟合计算以得到一当前违约概率；

若所述当前违约概率小于预设阀值，将所有第一基模型参数以及当前违约概率输入预设的利率定价模型中以得到目标利率。

7.如权利要求6所述的装置，其特征在于，所述预设的多个第一基模型、第二基模型以及利率定价模型均通过采用对应的预设训练样本训练一对应的预设算法以得到各自对应的拟合系数和拟合常数；

其中，所述预设算法包括Adaboosting算法、逻辑回归算法、迭代决策树GBDT算法、随机森林算法、XGboost分类算法、决策树算法以及社区PageRank算法中的一种或多种。

8.如权利要求7所述的装置，其特征在于，所述当前系列指标的组数为三组，分别为当前履约意愿指标、当前社交价值指标以及当前还款能力指标，所述处理器执行所述财根据预设的多个第一基模型对所有当前系列指标进行拟合计算以得到相应的第一基模型参数，其中每个基模型均对应一组不同的当前系列指标，包括执行如下步骤，

所述当前履约意愿指标对应一预设的履约意愿基模型，根据预设的履约意愿基模型对当前履约意愿指标进行拟合以得到相应的履约意愿基模型参数；

所述当前社交价值指标对应一预设的社交价值基模型，根据预设的社交价值基模型对当前社交价值指标进行拟合以得到相应的社交价值基模型参数；

所述当前还款能力指标对应一预设的还款能力基模型，根据预设的还款能力基模型对当前还款能力指标进行拟合以得到相应的还款能力基模型参数。

9.如权利要求8所述的装置，其特征在于，所述处理器还执行如下步骤，

用当前履约意愿指标训练所述预设的履约意愿基模型以得到更新后的履约意愿基模型，所述更新后的履约意愿基模型包括对应的更新后的拟合系数和拟合常数；

用当前社交价值指标训练所述预设的社交价值基模型以得到更新后的社交价值基模型，所述更新后的社交价值基模型包括对应的更新后的拟合系数和拟合常数；

用当前还款能力指标训练所述预设的还款能力基模型以得到更新后的还款能力基模型，所述更新后的还款能力基模型包括对应的更新后的拟合系数和拟合常数。

10.如权利要求8所述的装置，其特征在于，所述预设的履约意愿基模型通过采用预设履约意愿数据训练一Adaboosting算法以得到对应的拟合系数和拟合常数；

所述预设的社交价值基模型通过采用预设社交价值数据训练一社区PageRank算法以得到对应的拟合系数和拟合常数；

所述预设的还款能力基模型通过采用预设还款能力数据训练一Adaboosting算法以得到对应的拟合系数和拟合常数。