CN107862602A - 一种基于多维度指标计算、自学习及分群模型应用的授信决策方法与系统 - Google Patents
一种基于多维度指标计算、自学习及分群模型应用的授信决策方法与系统 Download PDFInfo
- Publication number
- CN107862602A CN107862602A CN201711182115.7A CN201711182115A CN107862602A CN 107862602 A CN107862602 A CN 107862602A CN 201711182115 A CN201711182115 A CN 201711182115A CN 107862602 A CN107862602 A CN 107862602A
- Authority
- CN
- China
- Prior art keywords
- data
- index
- model
- calculates
- real
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一种基于多维度指标计算、自学习及分群模型应用的授信决策方法与系统，其包括：数据流入标准化、指标计算、模型决策、授信放款、模型迭代与信用调整等环节；在授信决策过程中采用在线自学习自更新的方式对模型进行迭代与更新；以及基于自动聚类、细分客群选择与之相匹配的风控模型进行适用。通过上述设置提高了授信决策的可靠性，同时提高了模型的预测效果与风险识别能力，降低了违约风险。
Description
技术领域
本发明涉及互联网金融领域，尤其涉及一种基于多维度指标计算、自学习及分群模型应用的授信决策方法与系统。
背景技术
传统银行等金融机构在评价客户的信用等级以决定是否给予客户授信或决定具体的授信额度时，需要客户向征信机关申请出具相应的征信证明。同时，客户的工作证明以及收入证明等也会成为金融机构决定是否对该客户进行授信以及确定相应利率的关键因素。上述现有技术存在的问题是，一方面需要用户投入时间和精力准备相关证明材料，耗时费力；另一方面上述材料所记载的信息存在发生变化的可能性，金融机构基于上述材料所作出的风险判断有可能是不准确的。互联网金融的出现，解决了部分现有技术中存在的手续繁琐的问题，但现有线上或线下的授信决策方法仍存在指标单一、决策模型更新不及时、模型失配等问题，导致基于授信决策而作出的信贷所面临的风险加大。本发明旨在解决上述问题，提供一种高效、安全、动态的授信决策方法。可应用于线上或线下的金融服务，尤其可应用于线上的授信与放款服务。
发明内容
本发明针对信贷需求，尤其是基于互联网的信贷需求，提出了一种基于多维度指标计算、自学习及分群模型应用的授信决策方法与系统，以期提供一种高效、便捷、安全、动态的授信决策方法，并通过以下方案实现上述目的。需要说明的是，对于某个特定的业务而言，并不意味着该特定的业务需要运行上述方法的全部步骤和/或流程，或调用上述系统的全部功能模块，可以仅运行或调用部分。
本发明提供一种基于多维度指标计算的授信决策方法，其包括以下步骤：将流入的数据处理成统一格式的数据流入标准化步骤；根据不同的指标计算方法进行指标计算；根据所接收数据，与所采用的不同模型进行模型决策；根据模型决策结果，或根据模型决策结果与其他调整因素进行授信和放款。
进一步地，数据流入标准化步骤包括数据接入和数据标准化步骤。
进一步地，数据接入包括用户提交的数据、互联网数据接口提供的数据和用户授权爬虫获取的数据。优选地，数据接入还包括身份信息、通讯信息、三方征信、电商数据、消费数据和机构数据。优选地，用户借贷形成历史借贷数据，与用户提交的数据、互联网数据接口提供的数据和用户授权爬虫获取的数据共同成为数据流入标准化步骤中数据的来源。
进一步地，其中指标计算是实时指标计算。优选地，其中指标计算包括实时指标计算和异步指标计算。
进一步地，异步指标计算由以下的步骤完成：通过实体建模，将相关数据存储在索引及搜索数据库，提取数据后进行异步指标计算；或者，通过关系建模，将相关数据存储在图数据库，提取数据后进行异步指标计算；或者，将实时指标计算结果存储于关系型数据库，提取数据后进行异步指标计算。
进一步地，模型决策过程包括接收实时授信数据和延时授信数据，经模型计算作出决策，其中所接收的实时授信数据来源于实时指标计算，所接收的延时授信数据来源于实时指标计算和/或异步指标计算。
进一步地，其中模型决策包括模型计算，其算法包括逻辑回归、线性回归、随机森林、Gradient Boosting、Xgboost、Lasso、GBDT、Decision Tree、 Genetic Algorithms、Neural network、SVM、Logistic Regression、Ada Boost、以及Naive Bayes。
进一步地，依据异步指标计算结果进行模型迭代，并使用更新的模型作为决策的依据。优选地，依据异步指标计算结果以及真实的风险表现进行模型迭代，并使用更新的模型作为决策的依据。优选地，上述更新是持续更新。
进一步地，借贷放款取决于模型计算结果和/或信用调整结果。
进一步地，依据异步指标计算结果对信用进行动态调整，并影响授信放款。
本发明还提供一种基于多维度指标计算的授信决策系统，该系统包括：数据流入标准化模块，其将流入的数据处理成具有统一格式的数据；指标计算模块，其根据不同的指标计算方法进行指标计算；模型决策模块，其根据所接收数据，与所采用的不同模型进行模型决策；授信放款模块，其根据模型决策结果，或根据模型决策结果与其它调整因素进行授信和放款。
进一步地，数据流入标准化模块包括数据接入模块和数据标准化模块。优选地，数据接入模块的数据接入包括用户提交的数据、互联网数据接口提供的数据和用户授权爬虫获取的数据。优选地，数据接入还包括身份信息、通讯信息、三方征信、电商数据、消费数据和机构数据。
进一步地，用户借贷形成历史借贷数据，与用户提交的数据、互联网数据接口提供的数据和用户授权爬虫获取的数据共同成为数据流入标准化模块中数据的来源。
进一步地，指标计算模块是实时指标计算模块。优选地，指标计算模块包括实时指标计算模块和异步指标计算模块。
进一步地，异步指标计算模块执行如下操作：通过实体建模模块，将相关数据存储在索引及搜索数据库，提取数据后进行异步指标计算；或者，通过关系建模模块，将相关数据存储在图数据库，提取数据后进行异步指标计算；或者，将实时指标计算结果存储于关系型数据库，异步指标计算模块提取数据后进行异步指标计算。
进一步地，模型决策模块包括接收实时授信数据和延时授信数据，经模型计算作出决策，其中所接收的实时授信数据来源于实时指标计算，所接收的延时授信数据来源于实时指标计算和/或异步指标计算。
进一步地，其中模型决策模块包括模型计算模块，其算法包括逻辑回归、线性回归、随机森林、Gradient Boosting、Xgboost、Lasso、GBDT、Decision Tree、 GeneticAlgorithms、Neural network、SVM、Logistic Regression、Ada Boost、以及Naive Bayes。
进一步地，上述系统还包括模型迭代模块，模型迭代模块依据异步指标计算模块的计算结果进行模型迭代，并使用更新的模型作为决策的依据。优选地，模型迭代模块依据异步指标计算模块的计算结果以及真实的风险表现进行模型迭代，并使用更新的模型作为决策的依据。优选地，上述更新是持续更新。
进一步地，借贷放款模块取决于模型计算结果和/或信用调整结果。
进一步地，依据异步指标计算模块的计算结果对信用进行动态调整，并影响授信放款模块。
本发明提供一种在线自学习自更新的模型决策方法，该方法包括以下步骤：从生产环境提取指标计算结果；将指标计算结果提供给实时宽表层及准实时宽表层；通过实时宽表层及准实时宽表层将数据提供给衍生层，供后续数据挖掘与模型训练使用；通过衍生层基于基础指标构建新指标，供模型计算与模型迭代使用；通过在线自学习自更新方式实现模型迭代；将模型计算结果应用到生产环境。
进一步地，指标计算结果是实时指标计算结果。优选地，指标计算结果包括实时指标计算结果与异步指标计算结果。
进一步地，异步指标计算由以下的步骤完成：通过实体建模，将相关数据存储在索引及搜索数据库，提取数据后进行异步指标计算；或者，通过关系建模，将相关数据存储在图数据库，提取数据后进行异步指标计算；或者，将实时指标计算结果存储于关系型数据库，提取数据后进行异步指标计算。
进一步地，指标计算结果根据生产环境的业务数据进行更新。
进一步地，上述实时宽表层是基于实时数据加工生成指标构建的指标数据层。
进一步地，衍生层基于基础指标构建多个指标的组合指标。
进一步地，模型自学习自更新支持增量式更新的大数据特征学习模型。
进一步地，模型自学习算法包括OGD(Online Gradient Descent)、FTRL、 Adagrad及Bandit算法。
本发明提供一种在线自学习自更新的模型决策系统，该系统包括：指标计算结果提取模块，用于从生产环境提取指标计算结果；包括实时宽表层与准实时宽表层在内的宽表层，用于从生产环境接收指标计算结果，供后续数据挖掘与模型训练使用；衍生层，基于基础指标构建新指标，供模型计算与模型迭代使用；模型计算模块，用于提取或接收衍生层中的相关数据，并进行模型计算；模型迭代模块，通过在线自学习自更新方式实现模型迭代；模型计算结果输出模块，将模型计算结果输出并应用到生产环境。
进一步地，指标计算结果是实时指标计算结果。优选地，指标计算结果包括实时指标计算结果与异步指标计算结果。
进一步地，异步指标计算由以下的步骤完成：通过实体建模，将相关数据存储在索引及搜索数据库，提取数据后进行异步指标计算；或者，通过关系建模，将相关数据存储在图数据库，提取数据后进行异步指标计算；或者，将实时指标计算结果存储于关系型数据库，提取数据后进行异步指标计算。
进一步地，指标计算结果根据生产环境的业务数据进行更新。
进一步地，上述实时宽表层是基于实时数据加工生成指标构建的指标数据层。
进一步地，衍生层基于基础指标构建多个指标的组合指标。
进一步地，模型自学习自更新支持增量式更新的大数据特征学习模型。
进一步地，模型自学习算法包括OGD(Online Gradient Descent)、FTRL、 Adagrad及Bandit算法。
本发明提供一种基于自动聚类客群细分的模型决策方法，该方法包括以下步骤：将流入的数据处理成统一格式的数据流入标准化步骤；根据不同的指标计算方法进行指标计算；自动聚类、细分客群，将申请客群自动聚类，细分为不同的客群；根据自动聚类、细分后的客群，选择与之相适应的细分风控模型；根据所选择的细分风控模型进行模型计算并将结果输出。
进一步地，数据流入标准化步骤包括数据接入和数据标准化步骤。优选地，数据接入包括用户提交的数据、互联网数据接口提供的数据和用户授权爬虫获取的数据。优选地，数据接入还包括身份信息、通讯信息、三方征信、电商数据、消费数据和机构数据。优选地，用户借贷形成历史借贷数据，与用户提交的数据、互联网数据接口提供的数据和用户授权爬虫获取的数据共同成为数据标准化步骤中数据的来源。
进一步地，指标计算包括实时指标计算和异步指标计算。优选地，实时指标计算和/或异步指标计算的数据来源于数据流入标准化步骤。
进一步地，异步指标计算由以下的步骤完成：通过实体建模，将相关数据存储在索引及搜索数据库，提取数据后进行异步指标计算；或者，通过关系建模，将相关数据存储在图数据库，提取数据后进行异步指标计算；或者，将实时指标计算结果存储于关系型数据库，提取数据后进行异步指标计算。
进一步地，根据申请客群的实时指标计算结果和/或异步指标计算结果自动聚类。
进一步地，根据申请客群的实时指标计算结果和/或异步指标计算结果自动聚类。
进一步地，自动聚类算法包括K-means聚类算法、凝聚的层次聚类算法、分裂的层次聚类算法、SOM聚类算法、FCM聚类算法、原型聚类算法和密度聚类算法。
进一步地，所述的细分风控模型采用线下、批量方式进行更新，或者采用在线自学习自更新方式进行更新。
本发明提供一种基于自动聚类客群细分的模型决策系统，该系统包括：数据流入标准化模块，其将流入的数据处理成具有统一格式的数据；指标计算模块，其根据不同的指标计算方法进行指标计算；自动聚类、细分客群的模块，其将申请客群自动聚类，细分为不同的客群；细分风控模型选择模块，其根据自动聚类、细分后的客群，选择与之相适应的细分风控模型；模型计算结果输出模块，其根据所选择的细分风控模型进行模型计算并将结果输出。
进一步地，数据流入标准化步骤包括数据接入和数据标准化步骤。优选地，数据接入包括用户提交的数据、互联网数据接口提供的数据和用户授权爬虫获取的数据。优选地，数据接入还包括身份信息、通讯信息、三方征信、电商数据、消费数据和机构数据。优选地，用户借贷形成历史借贷数据，与用户提交的数据、互联网数据接口提供的数据和用户授权爬虫获取的数据共同成为数据标准化步骤中数据的来源。
进一步地，指标计算包括实时指标计算和异步指标计算。优选地，实时指标计算和/或异步指标计算的数据来源于数据流入标准化步骤。
进一步地，异步指标计算由以下的步骤完成：通过实体建模，将相关数据存储在索引及搜索数据库，提取数据后进行异步指标计算；或者，通过关系建模，将相关数据存储在图数据库，提取数据后进行异步指标计算；或者，将实时指标计算结果存储于关系型数据库，提取数据后进行异步指标计算。
进一步地，根据申请客群的实时指标计算结果和/或异步指标计算结果自动聚类。
进一步地，自动聚类算法包括K-means聚类算法、凝聚的层次聚类算法、分裂的层次聚类算法、SOM聚类算法、FCM聚类算法、原型聚类算法和密度聚类算法。
进一步地，所述的细分风控模型采用线下、批量方式进行更新，或者采用在线自学习自更新方式进行更新。
通过多维度的指标计算提高了授信决策的可靠性，数据标准化处理进一步解决了数据形式一致性问题，降低了系统的复杂度。通过自学习与自更新，提高了模型部署实施效率与风险识别能力，有效对抗模型风险预测能力的衰减。通过自动聚类客群细分，进一步提高了风控模型的预测效果。
附图说明
图1描绘一种基于多维度指标计算的授信决策方法与系统。
图2描绘数据流入标准化的实施方案。
图3描绘一种在线自学习自更新的模型决策方法与系统。
图4描绘一种基于自动聚类客群细分的模型决策方法与系统。
具体实施方式
在以下的各个实施例中，详细的文字描述和附图说明共同说明公开的实施例是如何实施的。应当理解的是，只要不超出本发明公开的范围，其它实施方式也是可行的，也可做出结构或逻辑上的改变。
本发明公开的一实施例是关于一种基于多维度指标计算的授信决策方法，以及采用该方法的系统。本发明公开的另一实施例是关于在线自学习自更新的模型决策方法与系统，其可应用于授信决策过程，提高模型部署效率。本发明公开的又一实施例是关于分群模型应用的模型决策方法，其可应用于授信决策过程，提高风控模型的预测效果。上述发明均可用于，例如，金融或非金融机构，或第三方授信决策机构对客户的授信与放款过程。在上述实施例中，涉及指标的计算，计算机建模以及数据库技术等的应用。
图1是描绘一种基于多维度指标计算授信决策方法与系统的示意图。需要说明的是，对于某个特定的业务而言，并不意味着该特定的业务需要运行该示意图中的全部步骤和/或流程，或调用其全部的功能模块，可以仅运行或调用部分。本发明将通过具体的实施例对此进行详细说明。
本发明的一实施例提供一种基于多维度指标计算的授信决策方法，其包括以下步骤：将流入的数据处理成统一格式的数据流入标准化步骤；根据不同的指标计算方法进行指标计算；根据所接收数据，与所采用的不同模型进行模型决策；根据模型决策结果，或根据模型决策结果与其他调整因素进行授信和放款。具体过程如下。
数据流入标准化的步骤。如图2所示，数据流入标准化的步骤包括提供数据接入，及数据标准化的步骤等。其中数据接入可以是用户提交的数据，尤其是根据系统的要求和/或提示而输入的数据。也可以是互联网数据接口提供的数据。此外，还可以是用户授权的爬虫获取的相关数据。用户的历史借贷数据也可以作为数据来源提供给数据流入标准化步骤。数据接入还可以是身份信息、通讯信息、三方征信、电商数据、消费数据和机构数据。数据标准化处理的步骤，其目的在于将多维度的指标经标准化处理后得到适合作为函数输入的有限种类的值。
根据不同的指标计算方法进行指标计算的步骤。指标计算步骤包括实时指标计算与异步指标计算，根据具体的应用场景和需求而选用上述实时指标计算与异步指标计算中的一者或两者。如图1所示，对于实时指标计算，根据经数据流入标准化处理的用户数据计算得出供模型决策过程中模型或函数使用的指标。通常对于实时指标计算而言，该步骤中用于计算指标的模型是已知的或预先选定的。异步指标计算是与实时指标计算相对的概念。简言之，实时指标计算以及实时授信是目标导向，而异步指标计算以及延时授信是业务导向，而且也可视为时间维度的扩展。常见的线上申请，在需要快速地给用户一个授信或者响应的场景下，更多的是采用实时的指标计算方式，使得指标的计算在一个可控的时间内或用户可接受的时间内完成，这样才能保证授信在用户可接受的时间限度内获得授信决策。有时用户并不是在线上申请，用户可以在几天之后获得授信决策，而且该时间上的延迟通常也是可以接受的。在这种情况下，则可选择异步指标计算。在异步应用的场景下，计算的维度和深度可以进一步提升。不管是使用实体建模还是关系建模，都可以做更深入，更多层级的计算。
对于异步指标计算，可以是如下几种方式中的一种或多种。如，通过实体建模，将相关数据存储在索引及搜索数据库，提取数据后进行异步指标计算。作为一个示例，实体建模可以依据一个通话记录，或者某段时间的通话记录，上述记录以索引及搜索数据库的形式存在，其可以是聚合模型。以索引及搜索数据库为例，在授信阶段通过爬虫获得借款人的通话记录；针对每条通话记录里的通话双方的电话号码、通过时间、通话时长、双方的风控标签创建名为“通话”的实体；将通话实体存储在索引及搜索数据库中；查询借款人电话号码作为被叫号码时对应的通话主叫方的风控标签分布，比如近 6个月内借款人电话号码接听不同的催收公司电话号码的次数。查询过程中，其他借款人申请时提供的通话记录创建的通话实体模型也可以用于当前申请人。
异步指标计算还可以是通过关系建模，将相关数据存储在图数据库，提取数据后进行异步指标计算。作为一个示例，在授信阶段通过爬虫获得借款人的通话记录；依据通话双方的通话时间和频次筛选符合关系建模规则的通话关系；将通话关系存储于图数据库对应的节点；随着数据量的累计，多个借款人依据通话可以建立网状的关系；当某个借款人发生逾期或其他不良信贷行为时，该不良信贷行为可以影响与其有关系的关联借款人，也可以进一步级联影响关联借款人的关联借款人。
异步指标计算还可以是将实时指标计算完成后的数据存储在关系型数据库，提取数据后进行异步指标计算。
在一实施例中，在建立了图数据库之后，以通话为例，每个通话记录都有拨入者的相关信息。无论是主叫还是被叫，主叫和被叫的记录也都有相关的数据存储在数据库中，它可能也有过申请记录，或者画像记录。对当前的申请而言，从图数据库中提取出话单记录，可以采用实时指标计算，以完成授信决策。但异步指标计算不同，对于异步指标计算而言，它可以对系统进行修正，如与用户通话记录相关且在图数据库中有过业务往来的记录、其它用户的记录、通话记录中通话对方的记录等，这些记录均会被修正。这个修正完全不需要与前述的授信产生直接的关联，授信的拒绝或通过与否，与数据修正本身没有特别大的依赖关系，因而修正都是在异步指标计算时更新这些指标。
根据所接收数据，与所采用的不同模型进行模型决策的步骤。模型决策过程包括接收实时授信数据和延时授信数据，提供给模型计算进行计算，并作出决策。需要说明的是，不仅异步指标计算所得到的指标可以作为延时授信的数据予以接收，实时指标计算获得的指标也可以作为延时授信数据予以接收。模型决策过程包括模型计算，其算法包括逻辑回归、线性回归、随机森林、Gradient Boosting、Xgboost、Lasso、GBDT、Decision Tree、Genetic Algorithms、Neural network、SVM、Logistic Regression、Ada Boost、以及Naive Bayes。用于模型决策的模型或函数包括逻辑回归、线性回归、随机森林和GradientBoosting等。模型决策的结果可以是授信与否，或批准给某用户的授信额度、期限及其利率等。
在一实施例中，异步指标计算所获得的指标可作为模型迭代或模型更新的依据，在决策过程中使用经模型迭代或更新后的决策模型进行决策，并在模型决策步骤中作出授信与否的决策。
关于模型迭代或更新，具体地，迭代或更新理论上产生一个新的模型。比如，用10个特征或指标对一个用户进行风险评估，对另一个用户而言，则可能需要更多个特征或指标对其进行风险评估，比如12个。在另一实施例中，同样用10个特征或指标对一个用户进行风险评估，但该10个特征或指标的权重不一样。具体地，对逻辑回归而言，每个指标都会有权重，模型的迭代或更新可以是对其权重的迭代或更新。
在一实施例中，模型所用到的指标是有限的，其为用户差异化了特征和 /或指标，最终形成了差异化的模型。然后，上述模型的数据产生之后，该模型的数据本身随着在后行为或表现，如逾期还款，而发生改变，有了上述行为或表现之后，再用所述行为或表现评估之前的模型。此外，根据上述行为或表现，评估之前的模型，即判断在之前的模型中是否存在更准确的特征或指标，以使迭代更新后的模型能有更高的区分度。经过这一步骤后，可以得到一个新的模型，将该新的模型应用于线上就完成了一个模型的迭代。模型的迭代或更新还可依据异步指标计算和真实的风险表现数据进行。上述过程既可以在线下异步进行，也可以线上实时更新，这意味着时刻有新的数据更新到模型中去。如前所述，这种更新可以是模型中特征或指标的更新，也可以是其权重的更新。上述更新可以是持续的更新。
在运用逻辑回归模型的一个实施例中，用户线上提出授信的申请，对该用户适用一定的已确定的模型进行风险评估，该模型可以是一个由不同的特征和权重组成的一个函数。在一个实施例中，用户线上提出授信申请后，首先要基于现在的行为，在线地选出一些指标，在线地确定其权重，并决定该用户适用的模型，一旦用户发生了预期的或其它在后的行为之后，行为数据也将被推送到模型数据库中，模型数据库在接收到在后行为之后，自动调整其模型参数，该模型将直接作用于下一个授信请求。在一个实施例中，对于同时收到的两个授信请求，虽然都是针对同一个产品的授信请求，但是可能被分解到不同的决策模型上，因而选用的特征和指标参数，或者权重都可能不一样，尽管它们最终都获得了同样的授信结果。
在一个实施例中，模型决策过程使用随机森林，或Xgboost等模型。对每一个用户而言，所选取的决策模型的特征或指标都可以不一样。
授信放款。根据模型决策步骤所提供的授信决定，向用户批准一定额度的授信，在用户据此提出借贷请求时，系统在授信额度范围内向用户放款。用户在系统中的借贷行为将形成历史借贷数据。优选地，该历史借贷数据可作为数据流入标准化步骤的数据来源之一。
在另一实施例中，模型决策对某一用户的授信决策并非一成不变。与延时授信、模型迭代类似，异步指标计算所获得的指标计算结果也可作为信用调整的依据。例如，用来调整信用额度，周期与利率，并对后续的授信放款产生影响。通过上述设置可提高决策的可靠性，降低用户违约风险。
需要说明的是，前述对方法的整体描述仅是示例性的，对于某个特定的用户申请而言，该用户获得授信并据此借贷的过程并不一定需要实施或遍历如图1所示的所有步骤。以某用户在线上申请贷款为例，该过程为目标导向，用户在提供系统所需的数据后，经实时指标计算所获得的指标作为实时授信数据供给决策模型进行决策，并在用户可接受的等待时间范围内作出授信决策，用户据此向机构提出借贷申请。以某用户在线下申请贷款为例，其对作出授信决策的时间要求并不高。此时，可通过实体建模或关系建模，对相关指标进行修正，异步指标计算所获得的指标作为延时授信数据予以提供。还可以根据异步指标计算所获得的指标进行模型迭代，选择更恰当的模型，以期获得更为可信的授信决策。此外，可选择地，还可依据上述异步指标计算所获得的指标对信用进行调整。可见，异步指标计算与延时授信为业务导向，其提供了在时间维度的扩展。
本发明的一实施例还提供一种多维指标计算的授信决策系统，该系统包括实现上述方法各步骤所对应的模块。具体地，上述系统包括：数据流入标准化模块；指标计算模块；模型决策模块；授信放款模块。优选地，上述系统还包括模型迭代模块，和/或信用调整模块等。
指标计算模块还包括用于实时指标计算的模块以及用于异步指标计算的模块。优选地，异步指标计算模块中还包括利用索引及搜索数据库存储过程的实体建模模块，和/或利用图数据库存储过程的关系建模模块。优选地，实时指标计算模块也可将相关指标存储在关系型数据库，供异步指标计算模块提取。
模型决策模块包括分别用于接收实时授信数据的模块和用于接收延时授信数据的模块，上述数据均用于模型决策模块进行决策。决策的结果可以是授信与否的决定，或授信额度，期限以及相关产品的利率。优选地，模型决策所依赖的模型由模型迭代模块提供。进一步，模型迭代模块根据异步指标计算所获得的指标进行模型迭代，并使用更新的模型作为决策的依据。优选地，使用持续更新的模型作为决策的依据。
授信放款模块是用户根据决策结果而进行借贷的模块。优选地，信用调整模块可根据异步指标计算模块所获得的指标对其信用进行调整。进一步，调整后的信用将对用户的授信放款产生影响，如额度的变化，或利率的上浮或下调。
本发明的一实施例还提供一种在线自学习自更新的模型决策方法，该方法用于完成模型迭代与模型决策，其中模型迭代通过在线自学习自更新方式实现。该方法包括以下步骤：从生产环境提取指标计算结果；将指标计算结果提供给实时宽表层及准实时宽表层；通过实时宽表层及准实时宽表层将数据提供给衍生层，供后续数据挖掘与模型训练使用；通过衍生层基于基础指标构建新指标，供模型计算与模型迭代使用；通过在线自学习自更新方式实现模型迭代；将模型计算结果输出并应用到生产环境。
在一实施例中，如图3所示，为了提高风险评估模型的准确性，且区别于现有技术中对模型批量优化的方式，如线下的人工模型迭代，本申请中所涉及的模型可采用自学习自更新方式，即在模型线上应用流程的基础上增加模型自学习自更新流程。具体地，从生产环境提取指标计算结果，该指标计算结果可以是实时指标计算结果，也可以是实时指标计算结果与异步指标计算结果。优选地，指标计算结果根据生产环境的业务数据进行更新。其中实时指标计算方法、异步指标计算方法与基于多维度指标计算的授信决策方法中所述及的相同。在实时宽表层的基础上，增加准实时宽表层。在一个实施例中，如对于还款逾期行为，不存在实时逾期，因此不需要实时更新，而将更新周期设置为一天。实时宽表层与准实时宽表层通过衍生层实现模型计算、模型决策等模型部署。优选地，衍生层基于基础指标构建多个指标的组合指标。通过实时和准实时宽表层的方案，将业务过程耦合在一起，因而不需要一个额外的部署过程。实时宽表层可以是基于实时数据加工生成指标构建的指标数据层。通过在衍生层的基础上增加模型自学习功能，借此完成模型的迭代，后续的模型计算将以迭代完成后的模型为基础。更优选地，模型自学习支持增量式更新的大数据特征学习模型。优选地，模型自学习算法包括 OGD(Online Gradient Descent)、FTRL、Adagrad及Bandit算法。通过上述模型自学习自更新，从而将整个迭代周期都在线上实现，提高了模型估计的准确性，也提高了风险评估的水平。
本发明的一实施例还提供一种在线自学习自更新的模型决策系统，该系统包括实现其方法的各步骤所对应的模块。具体地，该系统包括：指标计算结果提取模块，用于从生产环境提取指标计算结果；包括实时宽表层与准实时宽表层在内的宽表层，用于接收从生产环境提取的指标计算结果，供后续数据挖掘与模型训练使用；衍生层，基于基础指标构建新指标，供模型计算与模型迭代使用；模型计算模块，用于提取或接收衍生层中的相关数据，并进行模型相关计算；模型迭代模块，通过在线自学习自更新方式实现模型迭代；模型计算结果输出模块，将模型计算结果输出并应用于生产环境。
本发明的一实施例还提供一种基于自动聚类客群细分的模型决策方法，该方法包括以下步骤：将流入的数据处理成统一格式的数据流入标准化步骤；根据不同的指标计算方法进行指标计算；自动聚类、细分客群，将申请客群自动聚类，细分为不同的客群；根据自动聚类、细分后的客群，选择与之相适应的细分风控模型；根据所对应的细分风控模型进行模型计算并将结果输出。
传统的客群细分是基于确定的区分标准进行，但这种方法对于特定客群而言存在较大误差，因而基于这种细分的风险评估准确性较差。在一实施例中，如图4所示，为了提高风险评估模型的准确性，在对客群进行细分时，首先通过自动聚类对客群进行细分。具体地，该基于自动聚类客群细分的风险评估模型方法，其包括如下步骤：将流入的数据处理成统一格式的数据流入标准化步骤，例如客群提出申请，将客群中客户画像数据处理成统一格式的数据；根据不同的指标计算方法进行指标计算，此处的指标可以是风险相关指标；自动聚类、细分客群的步骤，将客群自动聚类细分为不同的客群；细分风控模型选择的步骤，即基于细分完成的不同客群，选择与之相适应的风控模型；根据所选择的细分风控模型进行模型计算并将结果输出。
在一实施例中，根据申请客群的相关指标自动聚类。该相关指标是实时指标计算结果与异步指标计算结果中的一者或两者。其中实时指标计算方法、异步指标计算方法与基于多维度指标计算的授信决策方法中所述及的相同。相应地，其也包括数据流入标准化步骤。
在一实施例中，数据流入标准化步骤包括数据接入和数据标准化步骤，数据接入包括用户提交的数据、互联网数据接口提供的数据和用户授权爬虫获取的数据。优选地，数据接入还包括身份信息、通讯信息、三方征信、电商数据、消费数据和机构数据。优选地，用户借贷形成历史借贷数据，与用户提交的数据、互联网数据接口提供的数据和用户授权爬虫获取的数据共同成为数据标准化步骤中数据的来源。优选地，自动聚类算法包括K-means聚类算法、凝聚的层次聚类算法、分裂的层次聚类算法、SOM聚类算法、FCM 聚类算法、原型聚类算法和密度聚类算法。通过自动聚类区分客群，不同细分客群风险评判指标也不同，通过细分提升了风控模型的预测效果，降低违约风险。
本发明的一实施例还提供一种基于自动聚类客群细分的模型决策系统，该系统包括实现上述方法各步骤所对应的模块。具体地，该系统包括：数据流入标准化模块，其将流入的数据处理成具有统一格式的数据；指标计算模块，其根据不同的指标计算方法进行指标计算；自动聚类、细分客群的模块；细分风控模型选择模块；模型计算结果输出模块。上述细分风控模型选择模块根据自动聚类、细分客群模块对申请客群的自动聚类，选择与之相适应的模型，提高风险模型的预测效果。
尽管上文已详细地描述了各种实施例，但本领域技术人员应当知道的是，在不偏离本发明内容的前提下，各种替代和/或等同的实施方式都可以替代上述实施例的具体披露。本申请旨在涵盖包含对所讨论的各实施例的任何修改和变化。
Claims (84)
1.一种基于多维度指标计算的授信决策方法，其包括以下步骤：
将流入的数据处理成统一格式的数据流入标准化步骤；
根据不同的指标计算方法进行指标计算；
根据所接收数据，与所采用的不同模型进行模型决策；
根据模型决策结果，或根据模型决策结果与其他调整因素进行授信和放款。
2.如权利要求1所述的方法，数据流入标准化步骤包括数据接入和数据标准化步骤。
3.如权利要求2所述的方法，数据接入包括用户提交的数据、互联网数据接口提供的数据和用户授权爬虫获取的数据。
4.如权利要求3所述的方法，数据接入还包括身份信息、通讯信息、三方征信、电商数据、消费数据和机构数据。
5.如权利要求3或4所述的方法，用户借贷形成历史借贷数据，与用户提交的数据、互联网数据接口提供的数据和用户授权爬虫获取的数据共同成为数据流入标准化步骤中数据的来源。
6.如权利要求1所述的方法，其中指标计算是实时指标计算。
7.如权利要求1所述的方法，其中指标计算包括实时指标计算和异步指标计算。
8.如权利要求7所述的方法，异步指标计算由以下的步骤完成：通过实体建模，将相关数据存储在索引及搜索数据库，提取数据后进行异步指标计算。
9.如权利要求7所述的方法，异步指标计算由以下的步骤完成：通过关系建模，将相关数据存储在图数据库，提取数据后进行异步指标计算。
10.如权利要求7所述的方法，异步指标计算由以下的步骤完成：将实时指标计算结果存储于关系型数据库，提取数据后进行异步指标计算。
11.如权利要求1所述的方法，模型决策过程包括接收实时授信数据和延时授信数据，经模型计算作出决策，其中所接收的实时授信数据来源于实时指标计算，所接收的延时授信数据来源于实时指标计算和/或异步指标计算。
12.如权利要求1所述的方法，其中模型决策包括模型计算，其算法包括逻辑回归、线性回归、随机森林、Gradient Boosting、Xgboost、Lasso、GBDT、Decision Tree、GeneticAlgorithms、Neural network、SVM、Logistic Regression、Ada Boost、以及Naive Bayes。
13.如权利要求7-12之一所述的方法，依据异步指标计算结果进行模型迭代，并使用更新的模型作为决策的依据。
14.如权利要求7-12之一所述的方法，依据异步指标计算结果以及真实的风险表现进行模型迭代，并使用更新的模型作为决策的依据。
15.如权利要求13或14所述的方法，上述更新是持续更新。
16.如权利要求1-15之一所述的方法，借贷放款取决于模型计算结果和/或信用调整结果。
17.如权利要求7-16之一所述的方法，依据异步指标计算结果对信用进行动态调整，并影响授信放款。
18.一种基于多维度指标计算的授信决策系统，该系统包括：
数据流入标准化模块，其将流入的数据处理成具有统一格式的数据；
指标计算模块，其根据不同的指标计算方法进行指标计算；
模型决策模块，其根据所接收数据，与所采用的不同模型进行模型决策；
授信放款模块，其根据模型决策结果，或根据模型决策结果与其它调整因素进行授信和放款。
19.如权利要求18所述的系统，数据流入标准化模块包括数据接入模块和数据标准化模块。
20.如权利要求19所述的系统，数据接入模块的数据接入包括用户提交的数据、互联网数据接口提供的数据和用户授权爬虫获取的数据。
21.如权利要求20所述的系统，数据接入还包括身份信息、通讯信息、三方征信、电商数据、消费数据和机构数据。
22.如权利要求20或21所述的系统，用户借贷形成历史借贷数据，与用户提交的数据、互联网数据接口提供的数据和用户授权爬虫获取的数据共同成为数据流入标准化模块中数据的来源。
23.如权利要求18所述的系统，指标计算模块是实时指标计算模块。
24.如权利要求18所述的系统，指标计算模块包括实时指标计算模块和异步指标计算模块。
25.如权利要求24所述的系统，异步指标计算模块执行如下操作：通过实体建模模块，将相关数据存储在索引及搜索数据库，提取数据后进行异步指标计算。
26.如权利要求24所述的系统，异步指标计算模块执行如下操作：通过关系建模模块，将相关数据存储在图数据库，提取数据后进行异步指标计算。
27.如权利要求24所述的系统，异步指标计算模块执行如下操作：将实时指标计算结果存储于关系型数据库，异步指标计算模块提取数据后进行异步指标计算。
28.如权利要求18所述的系统，模型决策模块包括接收实时授信数据和延时授信数据，经模型计算作出决策，其中所接收的实时授信数据来源于实时指标计算，所接收的延时授信数据来源于实时指标计算和/或异步指标计算。
29.如权利要求18所述的系统，其中模型决策模块包括模型计算模块，其算法包括逻辑回归、线性回归、随机森林、Gradient Boosting、Xgboost、Lasso、GBDT、Decision Tree、Genetic Algorithms、Neural network、SVM、Logistic Regression、Ada Boost、以及NaiveBayes。
30.如权利要求18-29之一所述的系统，上述系统还包括模型迭代模块，模型迭代模块依据异步指标计算模块的计算结果进行模型迭代，并使用更新的模型作为决策的依据。
31.如权利要求18-29之一所述的系统，上述系统还包括模型迭代模块，模型迭代模块依据异步指标计算模块的计算结果以及真实的风险表现进行模型迭代，并使用更新的模型作为决策的依据。
32.如权利要求30或31所述的系统，上述更新是持续更新。
33.如权利要求18-32之一所述的系统，借贷放款模块取决于模型计算结果和/或信用调整结果。
34.如权利要求24-33之一所述的系统，依据异步指标计算模块的计算结果对信用进行动态调整，并影响授信放款模块。
35.一种在线自学习自更新的模型决策方法，该方法包括以下步骤：
从生产环境提取指标计算结果；
将指标计算结果提供给实时宽表层及准实时宽表层；
通过实时宽表层及准实时宽表层将数据提供给衍生层，供后续数据挖掘与模型训练使用；
通过衍生层基于基础指标构建新指标，供模型计算与模型迭代使用；
通过在线自学习自更新方式实现模型迭代；
将模型计算结果输出并应用到生产环境。
36.如权利要求35所述的方法，指标计算结果是实时指标计算结果。
37.如权利要求35所述的方法，指标计算结果包括实时指标计算结果与异步指标计算结果。
38.如权利要求37所述的方法，异步指标计算由以下的步骤完成：通过实体建模，将相关数据存储在索引及搜索数据库，提取数据后进行异步指标计算。
39.如权利要求37所述的方法，异步指标计算由以下的步骤完成：通过关系建模，将相关数据存储在图数据库，提取数据后进行异步指标计算。
40.如权利要求37所述的方法，异步指标计算由以下的步骤完成：将实时指标计算结果存储于关系型数据库，提取数据后进行异步指标计算。
41.如权利要求35-37之一所述的方法，指标计算结果根据生产环境的业务数据进行更新。
42.如权利要求35所述的方法，上述实时宽表层是基于实时数据加工生成指标构建的指标数据层。
43.如权利要求35所述的方法，衍生层基于基础指标构建多个指标的组合指标。
44.如权利要求35所述的方法，模型自学习自更新支持增量式更新的大数据特征学习模型。
45.如权利要求35所述的方法，模型自学习算法包括OGD(Online Gradient Descent)、FTRL、Adagrad及Bandit算法。
46.一种在线自学习自更新的模型决策系统，该系统包括：
指标计算结果提取模块，用于从生产环境提取指标计算结果；
包括实时宽表层与准实时宽表层在内的宽表层，用于从生产环境接收指标计算结果，供后续数据挖掘与模型训练使用；
衍生层，基于基础指标构建新指标，供模型计算与模型迭代使用；
模型计算模块，用于提取或接收衍生层中的相关数据，并进行模型计算；
模型迭代模块，通过在线自学习自更新方式实现模型迭代；
模型计算结果输出模块，将模型计算结果输出并应用到生产环境。
47.如权利要求46所述的系统，指标计算结果是实时指标计算结果。
48.如权利要求46所述的系统，指标计算结果包括实时指标计算结果与异步指标计算结果。
49.如权利要求48所述的系统，异步指标计算由以下的步骤完成：通过实体建模，将相关数据存储在索引及搜索数据库，提取数据后进行异步指标计算。
50.如权利要求48所述的系统，异步指标计算由以下的步骤完成：通过关系建模，将相关数据存储在图数据库，提取数据后进行异步指标计算。
51.如权利要求48所述的系统，异步指标计算由以下的步骤完成：将实时指标计算结果存储于关系型数据库，提取数据后进行异步指标计算。
52.如权利要求46所述的系统，指标计算结果根据生产环境的业务数据进行更新。
53.如权利要求46所述的系统，上述实时宽表层是基于实时数据加工生成指标构建的指标数据层。
54.如权利要求46所述的系统，衍生层基于基础指标构建多个指标的组合指标。
55.如权利要求46所述的系统，模型自学习自更新支持增量式更新的大数据特征学习模型。
56.如权利要求47所述的系统，模型自学习算法包括OGD(Online Gradient Descent)、FTRL、Adagrad及Bandit算法。
57.一种基于自动聚类客群细分的模型决策方法，该方法包括以下步骤：
将流入的数据处理成统一格式的数据流入标准化步骤；
根据不同的指标计算方法进行指标计算；
自动聚类、细分客群，将申请客群自动聚类，细分为不同的客群；
根据自动聚类、细分后的客群，选择与之相适应的细分风控模型；
根据所选择的细分风控模型进行模型计算并将结果输出。
58.如权利要求57所述的方法，数据流入标准化步骤包括数据接入和数据标准化步骤。
59.如权利要求58所述的方法，数据接入包括用户提交的数据、互联网数据接口提供的数据和用户授权爬虫获取的数据。
60.如权利要求58或59所述的方法，数据接入还包括身份信息、通讯信息、三方征信、电商数据、消费数据和机构数据。
61.如权利要求59或60所述的方法，用户借贷形成历史借贷数据，与用户提交的数据、互联网数据接口提供的数据和用户授权爬虫获取的数据共同成为数据标准化步骤中数据的来源。
62.如权利要求57所述的方法，指标计算包括实时指标计算和异步指标计算。
63.如权利要求62所述的方法，实时指标计算和/或异步指标计算的数据来源于数据流入标准化步骤。
64.如权利要求62或63所述的方法，异步指标计算由以下的步骤完成：通过实体建模，将相关数据存储在索引及搜索数据库，提取数据后进行异步指标计算。
65.如权利要求62或63所述的方法，异步指标计算由以下的步骤完成：通过关系建模，将相关数据存储在图数据库，提取数据后进行异步指标计算。
66.如权利要求62或63所述的方法，异步指标计算由以下的步骤完成：将实时指标计算结果存储于关系型数据库，提取数据后进行异步指标计算。
67.如权利要求57-66之一所述的方法，根据申请客群的实时指标计算结果和/或异步指标计算结果自动聚类。
68.如权利要求57所述的方法，自动聚类算法包括K-means聚类算法、凝聚的层次聚类算法、分裂的层次聚类算法、SOM聚类算法、FCM聚类算法、原型聚类算法和密度聚类算法。
69.如权利要求57-68之一所述的方法，所述的细分风控模型采用线下、批量方式进行更新。
70.如权利要求57-68之一所述的方法，所述的细分风控模型采用在线自学习自更新方式进行更新。
71.一种基于自动聚类客群细分的模型决策系统，该系统包括：
数据流入标准化模块，其将流入的数据处理成具有统一格式的数据；
指标计算模块，其根据不同的指标计算方法进行指标计算；
自动聚类、细分客群的模块，其将申请客群自动聚类，细分为不同的客群；
细分风控模型选择模块，其根据自动聚类、细分后的客群，选择与之相适应的细分风控模型；
模型计算结果输出模块，其根据所选择的细分风控模型进行模型计算并将结果输出。
72.如权利要求71所述的系统，数据流入标准化步骤包括数据接入和数据标准化步骤。
73.如权利要求72所述的系统，数据接入包括用户提交的数据、互联网数据接口提供的数据和用户授权爬虫获取的数据。
74.如权利要求72或73所述的系统，数据接入还包括身份信息、通讯信息、三方征信、电商数据、消费数据和机构数据。
75.如权利要求73或74所述的系统，用户借贷形成历史借贷数据，与用户提交的数据、互联网数据接口提供的数据和用户授权爬虫获取的数据共同成为数据标准化步骤中数据的来源。
76.如权利要求71所述的系统，指标计算包括实时指标计算和异步指标计算。
77.如权利要求76所述的系统，实时指标计算和/或异步指标计算的数据来源于数据流入标准化步骤。
78.如权利要求76或77所述的系统，异步指标计算由以下的步骤完成：通过实体建模，将相关数据存储在索引及搜索数据库，提取数据后进行异步指标计算。
79.如权利要求76或77所述的系统，异步指标计算由以下的步骤完成：通过关系建模，将相关数据存储在图数据库，提取数据后进行异步指标计算。
80.如权利要求76或77所述的系统，异步指标计算由以下的步骤完成：将实时指标计算结果存储于关系型数据库，提取数据后进行异步指标计算。
81.如权利要求71-80之一所述的系统，根据申请客群的实时指标计算结果和/或异步指标计算结果自动聚类。
82.如权利要求71所述的系统，自动聚类算法包括K-means聚类算法、凝聚的层次聚类算法、分裂的层次聚类算法、SOM聚类算法、FCM聚类算法、原型聚类算法和密度聚类算法。
83.如权利要求71-82之一所述的系统，所述的细分风控模型采用线下、批量方式进行更新。
84.如权利要求71-82之一所述的系统，所述的细分风控模型采用在线自学习自更新方式进行更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711182115.7A CN107862602A (zh) | 2017-11-23 | 2017-11-23 | 一种基于多维度指标计算、自学习及分群模型应用的授信决策方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711182115.7A CN107862602A (zh) | 2017-11-23 | 2017-11-23 | 一种基于多维度指标计算、自学习及分群模型应用的授信决策方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107862602A true CN107862602A (zh) | 2018-03-30 |
Family
ID=61702541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711182115.7A Pending CN107862602A (zh) | 2017-11-23 | 2017-11-23 | 一种基于多维度指标计算、自学习及分群模型应用的授信决策方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107862602A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108648068A (zh) * | 2018-05-16 | 2018-10-12 | 长沙农村商业银行股份有限公司 | 一种信用风险评估方法及系统 |
| CN108921693A (zh) * | 2018-06-19 | 2018-11-30 | 阿里巴巴集团控股有限公司 | 一种数据的衍生方法、装置及设备 |
| CN109325846A (zh) * | 2018-09-11 | 2019-02-12 | 上海梓颂信息科技有限公司 | 网络信用评分的数据计算系统与方法 |
| CN109345379A (zh) * | 2018-10-24 | 2019-02-15 | 新疆玖富万卡信息技术有限公司 | 一种智能授信方法和装置 |
| CN109978680A (zh) * | 2019-03-18 | 2019-07-05 | 杭州绿度信息技术有限公司 | 一种细分客群信贷业务风控差异化定价的风控方法和系统 |
| CN110232484A (zh) * | 2019-06-21 | 2019-09-13 | 深圳前海微众银行股份有限公司 | 风险策略优化方法、装置、设备及计算机可读存储介质 |
| CN110349000A (zh) * | 2019-06-29 | 2019-10-18 | 上海淇毓信息科技有限公司 | 基于用户分群的提额策略确定方法、装置和电子设备 |
| CN110415103A (zh) * | 2019-07-02 | 2019-11-05 | 上海淇毓信息科技有限公司 | 基于变量影响度指标进行用户分群提额的方法、装置和电子设备 |
| CN110807527A (zh) * | 2019-09-30 | 2020-02-18 | 北京淇瑀信息科技有限公司 | 一种基于客群筛选的额度调整方法、装置和电子设备 |
| CN111159204A (zh) * | 2020-01-02 | 2020-05-15 | 北京东方金信科技有限公司 | 一种通过配置的方式生成标签的方法及系统 |
| CN112348654A (zh) * | 2020-09-23 | 2021-02-09 | 民生科技有限责任公司 | 企业授信额度自动评定方法、系统及可读存储介质 |
| CN112686746A (zh) * | 2020-12-30 | 2021-04-20 | 中交金科物联科技(北京)有限公司 | 信贷流程的配置方法、装置及设备 |
| CN112906575A (zh) * | 2021-02-22 | 2021-06-04 | 深圳市城市交通规划设计研究中心股份有限公司 | 路面缺陷检测模型建立方法、路面缺陷检测方法及系统 |
| WO2021169212A1 (zh) * | 2020-02-26 | 2021-09-02 | 平安科技（深圳）有限公司 | 风控模型构建方法、风控审核方法、装置及计算机设备 |
| CN113485694A (zh) * | 2021-07-06 | 2021-10-08 | 算话信息科技(上海)有限公司 | 一种算法的变量数据智能中台系统 |
| CN113673707A (zh) * | 2020-05-15 | 2021-11-19 | 第四范式（北京）技术有限公司 | 一种应用机器学习的方法、装置、电子设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103123712A (zh) * | 2011-11-17 | 2013-05-29 | 阿里巴巴集团控股有限公司 | 一种网络行为数据的监控方法和系统 |
| CN104299105A (zh) * | 2014-11-02 | 2015-01-21 | 中国科学院软件研究所 | 一种支持复杂企业环境的信用数据管理系统及方法 |
| CN105259816A (zh) * | 2015-11-04 | 2016-01-20 | 福建省农村信用社联合社 | 基于无线传感网络的银行动态信贷监控系统和方法 |
| CN105447634A (zh) * | 2015-11-17 | 2016-03-30 | 苏州蜗牛数字科技股份有限公司 | 一种基于大数据平台的实时风险控制方法及系统 |
| CN105809538A (zh) * | 2014-12-30 | 2016-07-27 | 航天信息股份有限公司 | 基于b2b融资交易的信用评分方法 |
| CN106157132A (zh) * | 2016-06-20 | 2016-11-23 | 中国工商银行股份有限公司 | 信用风险监控系统及方法 |
| CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
| CN107240014A (zh) * | 2017-04-28 | 2017-10-10 | 天合泽泰（厦门）征信服务有限公司 | 一种基于企业征信业务的信用评级方法 |
-
2017
- 2017-11-23 CN CN201711182115.7A patent/CN107862602A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103123712A (zh) * | 2011-11-17 | 2013-05-29 | 阿里巴巴集团控股有限公司 | 一种网络行为数据的监控方法和系统 |
| CN104299105A (zh) * | 2014-11-02 | 2015-01-21 | 中国科学院软件研究所 | 一种支持复杂企业环境的信用数据管理系统及方法 |
| CN105809538A (zh) * | 2014-12-30 | 2016-07-27 | 航天信息股份有限公司 | 基于b2b融资交易的信用评分方法 |
| CN105259816A (zh) * | 2015-11-04 | 2016-01-20 | 福建省农村信用社联合社 | 基于无线传感网络的银行动态信贷监控系统和方法 |
| CN105447634A (zh) * | 2015-11-17 | 2016-03-30 | 苏州蜗牛数字科技股份有限公司 | 一种基于大数据平台的实时风险控制方法及系统 |
| CN106157132A (zh) * | 2016-06-20 | 2016-11-23 | 中国工商银行股份有限公司 | 信用风险监控系统及方法 |
| CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
| CN107240014A (zh) * | 2017-04-28 | 2017-10-10 | 天合泽泰（厦门）征信服务有限公司 | 一种基于企业征信业务的信用评级方法 |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108648068A (zh) * | 2018-05-16 | 2018-10-12 | 长沙农村商业银行股份有限公司 | 一种信用风险评估方法及系统 |
| CN108921693A (zh) * | 2018-06-19 | 2018-11-30 | 阿里巴巴集团控股有限公司 | 一种数据的衍生方法、装置及设备 |
| CN108921693B (zh) * | 2018-06-19 | 2022-04-29 | 创新先进技术有限公司 | 一种数据的衍生方法、装置及设备 |
| CN109325846A (zh) * | 2018-09-11 | 2019-02-12 | 上海梓颂信息科技有限公司 | 网络信用评分的数据计算系统与方法 |
| CN109345379A (zh) * | 2018-10-24 | 2019-02-15 | 新疆玖富万卡信息技术有限公司 | 一种智能授信方法和装置 |
| CN109978680A (zh) * | 2019-03-18 | 2019-07-05 | 杭州绿度信息技术有限公司 | 一种细分客群信贷业务风控差异化定价的风控方法和系统 |
| CN110232484B (zh) * | 2019-06-21 | 2023-04-07 | 深圳前海微众银行股份有限公司 | 风险策略优化方法、装置、设备及计算机可读存储介质 |
| CN110232484A (zh) * | 2019-06-21 | 2019-09-13 | 深圳前海微众银行股份有限公司 | 风险策略优化方法、装置、设备及计算机可读存储介质 |
| CN110349000A (zh) * | 2019-06-29 | 2019-10-18 | 上海淇毓信息科技有限公司 | 基于用户分群的提额策略确定方法、装置和电子设备 |
| CN110415103A (zh) * | 2019-07-02 | 2019-11-05 | 上海淇毓信息科技有限公司 | 基于变量影响度指标进行用户分群提额的方法、装置和电子设备 |
| CN110807527B (zh) * | 2019-09-30 | 2023-11-14 | 北京淇瑀信息科技有限公司 | 一种基于客群筛选的额度调整方法、装置和电子设备 |
| CN110807527A (zh) * | 2019-09-30 | 2020-02-18 | 北京淇瑀信息科技有限公司 | 一种基于客群筛选的额度调整方法、装置和电子设备 |
| CN111159204A (zh) * | 2020-01-02 | 2020-05-15 | 北京东方金信科技有限公司 | 一种通过配置的方式生成标签的方法及系统 |
| WO2021169212A1 (zh) * | 2020-02-26 | 2021-09-02 | 平安科技（深圳）有限公司 | 风控模型构建方法、风控审核方法、装置及计算机设备 |
| CN113673707A (zh) * | 2020-05-15 | 2021-11-19 | 第四范式（北京）技术有限公司 | 一种应用机器学习的方法、装置、电子设备及存储介质 |
| CN112348654A (zh) * | 2020-09-23 | 2021-02-09 | 民生科技有限责任公司 | 企业授信额度自动评定方法、系统及可读存储介质 |
| CN112686746A (zh) * | 2020-12-30 | 2021-04-20 | 中交金科物联科技(北京)有限公司 | 信贷流程的配置方法、装置及设备 |
| CN112906575A (zh) * | 2021-02-22 | 2021-06-04 | 深圳市城市交通规划设计研究中心股份有限公司 | 路面缺陷检测模型建立方法、路面缺陷检测方法及系统 |
| CN113485694A (zh) * | 2021-07-06 | 2021-10-08 | 算话信息科技(上海)有限公司 | 一种算法的变量数据智能中台系统 |
| CN113485694B (zh) * | 2021-07-06 | 2023-04-28 | 算话信息科技(上海)有限公司 | 一种算法的变量数据智能中台系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107862602A (zh) | 一种基于多维度指标计算、自学习及分群模型应用的授信决策方法与系统 | |
| Shao et al. | Nickel price forecast based on the LSTM neural network optimized by the improved PSO algorithm | |
| CN108475393A (zh) | 通过合成特征和梯度提升决策树进行预测的系统和方法 | |
| CN107194723B (zh) | 网络小额贷款中借款项目与出借人的双向匹配推荐方法 | |
| WO2019015461A1 (zh) | 一种基于迁移深度学习的风险识别方法以及系统 | |
| Wei | A GA-weighted ANFIS model based on multiple stock market volatility causality for TAIEX forecasting | |
| CN107424070A (zh) | 一种基于机器学习的贷款用户信用评级方法及系统 | |
| CN110276679A (zh) | 一种面向深度学习的网络个人信贷欺诈行为检测方法 | |
| Cipiloglu Yildiz et al. | A portfolio construction framework using LSTM‐based stock markets forecasting | |
| CN108021934A (zh) | 多要素识别的方法及装置 | |
| CN112037011A (zh) | 一种基于foa-rbf神经网络的信用评分方法 | |
| CN107481135A (zh) | 一种基于bp神经网络的个人信用评价方法及系统 | |
| Wei | [Retracted] A Method of Enterprise Financial Risk Analysis and Early Warning Based on Decision Tree Model | |
| Yu et al. | Claim amount forecasting and pricing of automobile insurance based on the BP neural network | |
| CN111340236A (zh) | 一种基于债券估值数据与集成机器学习的债券违约预测方法 | |
| Chen | [Retracted] Risk Assessment of Government Debt Based on Machine Learning Algorithm | |
| AU2019101160A4 (en) | Application of decision tree and random forest in cash loan | |
| Zhao et al. | Innovative mechanism of rural finance: Risk assessment methods and impact factors of agricultural loans based on personal emotion and artificial intelligence | |
| Chen et al. | [Retracted] Application of Improved LSTM Algorithm in Macroeconomic Forecasting | |
| Peng et al. | Intelligent Optimization Model of Enterprise Financial Account Receivable Management | |
| CN109711848A (zh) | 一种金融交易的匹配系统及其构建方法、匹配方法 | |
| Xie | [Retracted] Interbank Offered Rate Based on Artificial Intelligence Algorithm | |
| Yang | [Retracted] Risk Prediction Algorithm of Social Security Fund Operation Based on RBF Neural Network | |
| Rizki et al. | Forecasting the Inflation Rate in Indonesia Using Backpropagation Artificial Neural Network | |
| Zhang | Research of default risk of commercial bank's personal loan based on rough sets and neural network |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 200062 room 309-B, 89 Yunling East Road, Putuo District, Shanghai. Applicant after: Shanghai annex Technology Co., Ltd. Address before: 200062 room 309-B, 89 Yunling East Road, Putuo District, Shanghai. Applicant before: Cci Capital Ltd (Shanghai) Cci Capital Ltd |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180330 |