CN107590735A - 用于信用评估的数据挖掘方法及装置 - Google Patents
用于信用评估的数据挖掘方法及装置 Download PDFInfo
- Publication number
- CN107590735A CN107590735A CN201710785995.0A CN201710785995A CN107590735A CN 107590735 A CN107590735 A CN 107590735A CN 201710785995 A CN201710785995 A CN 201710785995A CN 107590735 A CN107590735 A CN 107590735A
- Authority
- CN
- China
- Prior art keywords
- variable
- data
- feature value
- model feature
- borrower
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及用于信用评估的数据挖掘方法及装置，所述方法包括：获取借款人的相关信息作为样本数据，所述样本数据包括连续型变量和离散型变量；采用决策树算法对所述连续型变量进行分段处理，将所述连续型变量转换为离散型变量；采用聚类算法对离散型变量进行分类处理；根据分类结果对变量进行合并，确定模型特征值；对所述模型特征值的样本数据进行逻辑回归，建立评估模型。本发明提供的用于信用评估的数据挖掘方法及装置，能够挖掘出合适的模型特征值，提高信用评估模型的评估精度。
Description
技术领域
本发明涉及金融数据处理技术领域，具体涉及一种用于信用评估的数据挖掘方法及装置。
背景技术
目前，市面上的个人借贷软件较多，不同软件面向的目标人群不同。为了降低风险，需要对用户的还款能力进行评估，为了准确锁定目标客户，需要对用户的借贷倾向进行评估。
但是，在实际应用过程中，借贷平台大数据适合数据分析师的应用。如果在信用评分模型中发生了一些缺失或无效的价值，该模型可能无法成功检测，然后对借款人产生偏倚的估计。并且，在启动阶段，贷款公司可能不知道什么样的借款人的特征在信用评分模式中是重要的。来自大型贷款公司的信用评分模式并不一定能够准确的预测本地用户，而且不同地区的客户因地区差异不能根据异地数据构建本地信用模型(比如，同样的工资收入在一线城市与三线城市的信用水平不会相同)，所以不能直接使用。因此，对于初期样本少，若用户数据信息不全、数据缺失，则无法构建合适的适用于本地的信用评估模型进行评估。例如，还款能力的评估模型的其中一个变量是工资收入，若无法获取用户的工资收入，则无法准确评估其还款能力。
如何在数据缺失、数据不全的情况下，如何提高挖掘合适的模型特征值，如何找到合适的第三方替代数据变量，以及利用已有数据进行缺失变量替补提高信用评估的精度，是本领域技术人员亟需解决的问题。
发明内容
针对现有技术中的缺陷，本发明提供的用于信用评估的数据挖掘方法及装置，能够挖掘出合适的模型特征值，提高信用评估模型的评估精度。
第一方面，一种用于信用评估的数据挖掘方法，包括：
获取借款人的相关信息作为样本数据，所述样本数据包括连续型变量和离散型变量；
采用决策树算法对所述连续型变量进行分段处理，将所述连续型变量转换为离散型变量；
采用聚类算法对离散型变量进行分类处理；
根据分类结果对变量进行合并，确定模型特征值；
对所述模型特征值的样本数据进行逻辑回归，建立评估模型。
本发明提供的用于信用评估的数据挖掘方法，通过决策树分类能够很好对连续型变量进行分段，以优化借款人特征的类别，在逻辑回归中应用时，将会克服非线性的缺点；通过聚类解决了在逻辑回归中小样本数据几乎不能参与统计计算的问题，充分利用了小样本数据，提高了模型的估计精度；结合上述各种算法，能够挖掘出合适的模型特征值，提高信用评估模型的评估精度。
优选地，在进行逻辑回归之前，还包括：
若借款人的模型特征值缺少数据，则补全该模型特征值的数据。
优选地，所述若借款人的模型特征值缺少数据，则补全该模型特征值的数据，包括：
若借款人的模型特征值缺少数据，则查到该模型特征值的替换变量；
根据查到的替换变量的数据补全该模型特征值的数据。
优选地，确定所述替换变量的方法包括：
计算变量间的欧式距离；
欧式距离小于阈值的两项变量互为替换变量。
优选地，所述若借款人的模型特征值缺少数据，则补全该模型特征值的数据，包括：
若借款人的模型特征值缺少数据，则计算所有借款人该模型特征值的均值或中值；
根据计算得到的均值或中值补全该借款人的缺少数据的模型特征值。
优选地，还包括：获取外部统计数据；
所述若借款人的模型特征值缺少数据，则补全该模型特征值的数据，包括：
若借款人的模型特征值缺少数据，则根据所述外部统计数据补全该借款人的缺少数据的模型特征值。
优选地，在进行逻辑回归之前，还包括：
计算每个变量的信息价值；
根据预定的价值阈值进行检验，判断变量是否有效；
对于无效的变量不参与逻辑回归。
第二方面，本发明提供了一种用于信用评估的数据挖掘装置，包括：
数据获取模块，用于获取借款人的相关信息作为样本数据，所述样本数据包括连续型变量和离散型变量；
第一分类模块，用于采用决策树算法对所述连续型变量进行分段处理，将所述连续型变量转换为离散型变量；
第二分类模块，用于采用聚类算法对离散型变量进行分类处理；
变量合并模块，用于根据分类结果对变量进行合并，确定模型特征值；
逻辑回归模块，用于对所述模型特征值的样本数据进行逻辑回归，建立评估模型。
优选地，还包括数据补全模块，用于：在进行逻辑回归之前，若借款人的模型特征值缺少数据，则补全该模型特征值的数据。
第三方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面所述的任一方法。
附图说明
图1为本发明实施例所提供的用于信用评估的数据挖掘方法的流程图；
图2为本发明实施例所提供的用于信用评估的数据挖掘装置的结构框图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只是作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
如图1所示，本实施例提供了一种用于信用评估的数据挖掘方法，包括：
步骤S1，获取借款人的相关信息作为样本数据，所述样本数据包括连续型变量和离散型变量。
其中，借款人的相关信息即所有可以披露了借款人具体的行为特征的信息，可以包括但不限于以下内容：年龄、工资收入、婚姻状况、购房状况、就业情况、保险购买情况、受教育情况等等，以上信息都可能会影响借款人的还贷的能力，将这些信息影响借贷评估的变量。根据样本数据的类型，可以将样本数据分为连续型变量和离散型变量，例如：年龄、工资收入等具有具体数值且呈连续分布状态的数据即为连续型变量，受教育情况等不是具体数值或呈现离散化分布的数据即为离散型变量。
其中，每个借款人的样本数据还包括该借款人的违约情况，即存在违约的借款人为“坏客户”，不存在违约的借款人为“好客户”。
步骤S2，采用决策树算法对样本数据中的连续型变量进行分段处理，将连续型变量转化为离散型变量。
其中，当借款人违约可能性预测与借款人特征之间的细分差异很大时，通过将变量分为多个区间段，对各个区间段分别进行分析统计，比单个变量更适合分析借款人的特征，以优化借款人特征的类别。通过决策树算法对连续型变量进行分段处理，将连续型变量离散化，可以将借款人划分成不同的同质亚群，以提高逻辑回归的表现。其中，决策树算法可以采用现有的决策树算法实现，在此不再赘述。本实施例优选采用卡方自动相互作用检测(CHAID)，CHAID是一种非参数决策树方法，其有效应用于各种研究领域，例如营销中的客户消费趋势，心理学中的人类行为和地质滑坡，能够很好对连续型变量进行分段，以优化借款人特征的类别，在逻辑回归中应用时，将会克服非线性的缺点。
步骤S3，采用聚类算法对离散型变量进行分类处理。
其中，步骤S3中的离散型变量包括样本数据中原始的离散型变量，以及通过步骤S2转换得到的离散型变量。
其中，聚类是将具有类似特征的数据组合成群集组的无监督学习分类器，可以将样本数据中同质特征相关联，以减少变量之间的错误分类效应。本实施例中的聚类是指变量聚类(又称R型聚类)，通过各个借贷人的样本数据是对变量进行分类，并找出每类中的代表元素(即模型特征值)。通过分离异构借款人，聚类后的变量可以提高预测效率。因此，在本实施例中，应用聚类技术将变量进行分类合并，可以改进变量的特征分区，以适应逻辑回归，以提高信用违约预测性能。其中，聚类算法可以采用现有的聚类算法实现，在此不再赘述。本实施中，采用Ward的最小方差分层方法聚类，根据最小方差找到小样本变量之间的相关性，将其分为一类，解决了在回归中变量小样本几乎不能参与统计计算的问题。例如，对于一些小样本的类别，如“主修”教育背景，将“学士”作为“本科以上”的新类别组合在一起。
步骤S4，根据分类结果对变量进行合并，确定模型特征值。
其中，根据分类结果对变量进行合并可以通过以下方式实现：对同一类中的变量，计算各个变量之间的相关性，找出与其它变量相关性最大的一个变量，作为该类的模型特征量，以替代同一类中的其他变量，精简评估模型的输入变量。
其中，模型特征值即为找出的可能导致贷款违约的借款人的重要特征。
步骤S5，对所述模型特征值的样本数据进行逻辑回归，建立评估模型。
其中，逻辑回归的预测能力强，操作性、可控性好，变量的可解读性强，可以较稳定的实现预测目标。逻辑回归的自变量为模型特征值，逻辑回归的二进制因变量为借款人的违约情况，即“好客户”和“坏客户”。利用逻辑回归找到自变量和因变量之间的关系，即可得到评估模型，该过程为逻辑回归的一般训练过程在此不再赘述。
本实施提供的用于信用评估的数据挖掘方法，通过决策树分类能够很好对连续型变量进行分段，以优化借款人特征的类别，在逻辑回归中应用时，将会克服非线性的缺点；通过聚类解决了在逻辑回归中小样本数据几乎不能参与统计计算的问题，充分利用了小样本数据，提高了模型的估计精度；结合上述各种算法，能够挖掘出合适的模型特征值，提高信用评估模型的评估精度。
由于在样本数据的来源较为复杂，难以保证样本数据的完整，为了在样本数据存在缺失时仍能有效利用该样本数据进行分析，本实施例的方法，在进行逻辑回归之前，还包括步骤S6，若借款人的模型特征值缺少数据，则补全该模型特征值的数据。
其中，所述步骤S6的优选实施方式具体包括：
步骤S611，若借款人的模型特征值缺少数据，则查到该模型特征值的替换变量。
其中，替换变量之间具有一定的相关性，可以在一个变量的数据无法使用的情况下用替换变量的数据进行替代，补全样本数据，提高样本数据的利用率。
步骤S612，根据查到的替换变量的数据补全该模型特征值的数据。
其中，确定替换变量的方法包括以下步骤：
计算变量间的欧式距离；
欧式距离小于阈值的两项变量互为替换变量。
其中，阈值可以根据实际情况确定，不易过大或过小，过小将找不到替代变量，过大导致替代变量不合适。另外，也可以将欧式距离最小的两项变量作为对方的替代变量。在一项变量的数据缺失时，可以用其替换变量的数据对
其中，步骤S6的另一优选实施方式具体包括：
步骤S621，若借款人的模型特征值缺少数据，则计算所有借款人该模型特征值的均值或中值。
步骤S622，根据计算得到的均值或中值补全该借款人的缺少数据的模型特征值。
步骤S6的另一优选实施方式具体包括：若借款人的模型特征值缺少数据，则根据外部统计数据补全该借款人的缺少数据的模型特征值。
其中，在获取样本数据阶段还包括获取外部统计数据。外部统计数据是指统计类数据，如深圳市就业率、深圳市平均工资，就业行业工资，年龄段平均工资，以及居住地点的人群收入水平，家庭成员比例类似顺平平均收入等等。
不是所有变量都会对最终的评估结果产生影响，为了减低数据处理量，需要在进行逻辑回归之前滤除对评估结果无效的变量，具体包括：
计算每个变量的信息价值；
根据预定的价值阈值进行检验，判断变量是否有效；
对于无效的变量不参与逻辑回归。
上述判断变量是否有效是步骤，可以在变量分类前进行评估以减少参与聚类的变量；或者，可以在只对确定为模型特征值的变量进行有效性判断，进一步减少参与模型建立的无关变量。
在实际应用过程中，证据权重是“良好”借款人特征的比例对应于“不良”对借款人特征的比例的对数计算，用于评估和比较不同类别变量的相对风险。证据权重的具体计算公式如下：
其中，WOE表示某一特征变量的证据权重，DistrGoods表示样本数据中“良好”借款人的在该特征变量的分布比例，DistrBads表示样本数据中“不良”借款人的在该特征变量的分布比例。WOE的正值越高，客户行为的信用违约风险就越低，WOE的负值越大，客户行为的信用违约风险就越高。WOE可以将变量转换成规则和信息的格式，这使得不同类型的变量可以在相同的方法。变量可以转移到WOE中，可以更有效地保护小样本问题的自由度。因此，采用WOE以比较小样本数据集中的不同变量。信息价值能够评估特征变量的预测能力，具体计算公式如下：
IV＝(DistrGoods-DistrBads)*WOE，
其中，IV表示某一特征变量的信息价值，DistrGoods表示样本数据中“良好”借款人的在该特征变量的分布比例，DistrBads表示样本数据中“不良”借款人的在该特征变量的分布比例，WOE表示该特征变量的证据权重。
如图2所示，基于与上述用于信用评估的数据挖掘方法相同的发明构思，本实施例提供了一种用于信用评估的数据挖掘装置，包括：
数据获取模块，用于获取借款人的相关信息作为样本数据，所述样本数据包括连续型变量和离散型变量；
第一分类模块，用于采用决策树算法对所述连续型变量进行分段处理，将所述连续型变量转换为离散型变量；
第二分类模块，用于采用聚类算法对离散型变量进行分类处理；
变量合并模块，用于根据分类结果对变量进行合并，确定模型特征值；
逻辑回归模块，用于对所述模型特征值的样本数据进行逻辑回归，建立评估模型。
优选地，还包括替换变量模块，用于：
计算变量间的欧式距离；
欧式距离小于阈值的两项变量互为替换变量。
优选地，还包括数据补全模块用于：在进行逻辑回归之前，若借款人的模型特征值缺少数据，则补全该模型特征值的数据。
优选地，所述数据补全模块具体用于：
若借款人的模型特征值缺少数据，则查到该模型特征值的替换变量；
根据查到的替换变量的数据补全该模型特征值的数据。
优选地，所述数据补全模块用于：
若借款人的模型特征值缺少数据，则计算所有借款人该模型特征值的均值或中值；
根据计算得到的均值或中值补全该借款人的缺少数据的模型特征值。
优选地，所述数据获取模块还可以用于获取外部统计数据；相应地，所述数据补全模块具体用于：若借款人的模型特征值缺少数据，则根据所述外部统计数据补全该借款人的缺少数据的模型特征值。
优选地，还包括变量清洗模块，用于：在进行逻辑回归之前，计算每个变量的信息价值；根据预定的价值阈值进行检验，判断变量是否有效；对于无效的特征变量不参与逻辑回归。
本实施例提供的一种用于信用评估的数据挖掘装置与上述用于信用评估的数据挖掘方法出于相同的发明构思，具有相同的有益效果，此处不再赘述。
基于与上述用于信用评估的数据挖掘方法相同的发明构思，本实施提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现述方法实施例中任一所述的方法。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种用于信用评估的数据挖掘方法，其特征在于，包括：
获取借款人的相关信息作为样本数据，所述样本数据包括连续型变量和离散型变量；
采用决策树算法对所述连续型变量进行分段处理，将所述连续型变量转换为离散型变量；
采用聚类算法对离散型变量进行分类处理；
根据分类结果对变量进行合并，确定模型特征值；
对所述模型特征值的样本数据进行逻辑回归，建立评估模型。
2.根据权利要求1所述的方法，其特征在于，在进行逻辑回归之前，还包括：
若借款人的模型特征值缺少数据，则补全该模型特征值的数据。
3.根据权利要求2所述的方法，其特征在于，所述若借款人的模型特征值缺少数据，则补全该模型特征值的数据，包括：
若借款人的模型特征值缺少数据，则查到该模型特征值的替换变量；
根据查到的替换变量的数据补全该模型特征值的数据。
4.根据权利要求3所述的方法，其特征在于，确定所述替换变量的方法包括：
计算变量间的欧式距离；
欧式距离小于阈值的两项变量互为替换变量。
5.根据权利要求2所述的方法，其特征在于，所述若借款人的模型特征值缺少数据，则补全该模型特征值的数据，包括：
若借款人的模型特征值缺少数据，则计算所有借款人该模型特征值的均值或中值；
根据计算得到的均值或中值补全该借款人的缺少数据的模型特征值。
6.根据权利要求2所述的方法，其特征在于，还包括：获取外部统计数据；
所述若借款人的模型特征值缺少数据，则补全该模型特征值的数据，包括：
若借款人的模型特征值缺少数据，则根据所述外部统计数据补全该借款人的缺少数据的模型特征值。
7.根据权利要求1所述的方法，其特征在于，在进行逻辑回归之前，还包括：
计算每个变量的信息价值；
根据预定的价值阈值进行检验，判断变量是否有效；
对于无效的变量不参与逻辑回归。
8.一种用于信用评估的数据挖掘装置，其特征在于，包括：
数据获取模块，用于获取借款人的相关信息作为样本数据，所述样本数据包括连续型变量和离散型变量；
第一分类模块，用于采用决策树算法对所述连续型变量进行分段处理，将所述连续型变量转换为离散型变量；
第二分类模块，用于采用聚类算法对离散型变量进行分类处理；
变量合并模块，用于根据分类结果对变量进行合并，确定模型特征值；
逻辑回归模块，用于对所述模型特征值的样本数据进行逻辑回归，建立评估模型。
9.根据权利要求8所述的装置，其特征在于，还包括数据补全模块，用于：在进行逻辑回归之前，若借款人的模型特征值缺少数据，则补全该模型特征值的数据。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-8之一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710785995.0A CN107590735A (zh) | 2017-09-04 | 2017-09-04 | 用于信用评估的数据挖掘方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710785995.0A CN107590735A (zh) | 2017-09-04 | 2017-09-04 | 用于信用评估的数据挖掘方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107590735A true CN107590735A (zh) | 2018-01-16 |
Family
ID=61050325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710785995.0A Pending CN107590735A (zh) | 2017-09-04 | 2017-09-04 | 用于信用评估的数据挖掘方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107590735A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416495A (zh) * | 2018-01-30 | 2018-08-17 | 杭州排列科技有限公司 | 基于机器学习的评分卡模型建立方法及装置 |
| CN108647887A (zh) * | 2018-05-10 | 2018-10-12 | 北京科东电力控制系统有限责任公司 | 发电企业行为分析方法、装置以及电子设备 |
| CN110019172A (zh) * | 2018-08-22 | 2019-07-16 | 中国平安人寿保险股份有限公司 | 数据处理方法、装置、存储介质及电子设备 |
| CN112700280A (zh) * | 2020-12-31 | 2021-04-23 | 上海竞动科技有限公司 | 一种短期非连续用户行为评价方法及装置 |
| CN113298641A (zh) * | 2021-05-21 | 2021-08-24 | 中国建设银行股份有限公司 | 诚信程度认知方法及装置 |
| CN114266668A (zh) * | 2021-10-27 | 2022-04-01 | 金电联行（北京）信息技术有限公司 | 投融资信息管理方法及投融资服务系统 |
| JP2022534160A (ja) * | 2019-11-13 | 2022-07-28 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 情報を出力するための方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820716A (zh) * | 2015-05-21 | 2015-08-05 | 中国人民解放军海军工程大学 | 基于数据挖掘的装备可靠性评估方法 |
| CN106127566A (zh) * | 2016-06-20 | 2016-11-16 | 中国农业银行股份有限公司 | 一种数据管理方法及装置 |
| CN106296389A (zh) * | 2016-07-28 | 2017-01-04 | 联动优势科技有限公司 | 一种用户信用度的评估方法及装置 |
-
2017
- 2017-09-04 CN CN201710785995.0A patent/CN107590735A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820716A (zh) * | 2015-05-21 | 2015-08-05 | 中国人民解放军海军工程大学 | 基于数据挖掘的装备可靠性评估方法 |
| CN106127566A (zh) * | 2016-06-20 | 2016-11-16 | 中国农业银行股份有限公司 | 一种数据管理方法及装置 |
| CN106296389A (zh) * | 2016-07-28 | 2017-01-04 | 联动优势科技有限公司 | 一种用户信用度的评估方法及装置 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416495A (zh) * | 2018-01-30 | 2018-08-17 | 杭州排列科技有限公司 | 基于机器学习的评分卡模型建立方法及装置 |
| CN108647887A (zh) * | 2018-05-10 | 2018-10-12 | 北京科东电力控制系统有限责任公司 | 发电企业行为分析方法、装置以及电子设备 |
| CN110019172A (zh) * | 2018-08-22 | 2019-07-16 | 中国平安人寿保险股份有限公司 | 数据处理方法、装置、存储介质及电子设备 |
| CN110019172B (zh) * | 2018-08-22 | 2023-05-30 | 中国平安人寿保险股份有限公司 | 数据处理方法、装置、存储介质及电子设备 |
| JP2022534160A (ja) * | 2019-11-13 | 2022-07-28 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 情報を出力するための方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム |
| JP7288062B2 (ja) | 2019-11-13 | 2023-06-06 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 情報を出力するための方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム |
| CN112700280A (zh) * | 2020-12-31 | 2021-04-23 | 上海竞动科技有限公司 | 一种短期非连续用户行为评价方法及装置 |
| CN113298641A (zh) * | 2021-05-21 | 2021-08-24 | 中国建设银行股份有限公司 | 诚信程度认知方法及装置 |
| CN114266668A (zh) * | 2021-10-27 | 2022-04-01 | 金电联行（北京）信息技术有限公司 | 投融资信息管理方法及投融资服务系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107633265A (zh) | 用于优化信用评估模型的数据处理方法及装置 | |
| Li et al. | Risk prediction in financial management of listed companies based on optimized BP neural network under digital economy | |
| CN107590735A (zh) | 用于信用评估的数据挖掘方法及装置 | |
| Valle-Cruz et al. | From E-budgeting to smart budgeting: Exploring the potential of artificial intelligence in government decision-making for resource allocation | |
| CN110110981B (zh) | 一种信用评级违约概率测度与风险预警方法 | |
| Hájek et al. | Forecasting corporate financial performance using sentiment in annual reports for stakeholders’ decision-making | |
| Doumpos et al. | A multicriteria classification approach based on pairwise comparisons | |
| Crone et al. | Instance sampling in credit scoring: An empirical study of sample size and balancing | |
| Bastı et al. | Analyzing initial public offerings' short-term performance using decision trees and SVMs | |
| Teoh et al. | Fuzzy time series model based on probabilistic approach and rough set rule induction for empirical research in stock markets | |
| Zhu et al. | Research on optimization of an enterprise financial risk early warning method based on the DS-RF model | |
| Chen | Classifying credit ratings for Asian banks using integrating feature selection and the CPDA-based rough sets approach | |
| Sun et al. | Imbalance-oriented SVM methods for financial distress prediction: A comparative study among the new SB-SVM-ensemble method and traditional methods | |
| CN108960833A (zh) | 一种基于异构金融特征的异常交易识别方法，设备及存储介质 | |
| Li et al. | Transfer learning-based default prediction model for consumer credit in China | |
| Ho et al. | Using a fuzzy association rule mining approach to identify the financial data association | |
| Fonseca et al. | A two-stage fuzzy neural approach for credit risk assessment in a Brazilian credit card company | |
| CN107633030A (zh) | 基于数据模型的信用评估方法及装置 | |
| CN107633455A (zh) | 基于数据模型的信用评估方法及装置 | |
| Jana et al. | Determinants of electronic waste generation in Bitcoin network: Evidence from the machine learning approach | |
| Ruyu et al. | A comparison of credit rating classification models based on spark-evidence from lending-club | |
| Güvenir et al. | Voting features based classifier with feature construction and its application to predicting financial distress | |
| Araujo et al. | Machine learning applications in central banking | |
| Zhu et al. | Explainable prediction of loan default based on machine learning models | |
| Yang et al. | AComNN: Attention enhanced Compound Neural Network for financial time-series forecasting with cross-regional features |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180116 |
|
| RJ01 | Rejection of invention patent application after publication |