CN108629508A - 信用风险分类方法、装置、计算机设备及存储介质 - Google Patents
信用风险分类方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN108629508A CN108629508A CN201810414496.5A CN201810414496A CN108629508A CN 108629508 A CN108629508 A CN 108629508A CN 201810414496 A CN201810414496 A CN 201810414496A CN 108629508 A CN108629508 A CN 108629508A
- Authority
- CN
- China
- Prior art keywords
- target object
- biu
- basic information
- information unit
- evidence weight
- 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及一种信用风险分类方法、装置、计算机设备及存储介质,包括获取目标对象的基本信息中的基本信息单位,计算基本信息单位的单位贡献指标,根据基本信息单位对目标对象进行划分,得到目标对象的划分信息,根据基本信息单位和目标对象的划分信息计算证据权重矩阵,证据权重矩阵用于区分目标对象的信用风险类别,对证据权重矩阵进行数据分析,得到目标对象对应的信用风险类别。由于对目标对象的基本信息单位进行了单位贡献指标计算,并对目标对象进行划分和数据分析,从而可以更加快速准确的判断出授信风险,进而降低了人力成本。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种信用风险分类方法、装置、计算机设备及存储介质。
背景技术
随着社会的进步和互联网金融的发展,线上贷款的数量突飞猛进,贷款的规模不断扩大。传统技术中,贷款一般是人工审核,信贷审批人员通过面谈、电话核实、审阅申请者材料等方式对客户进行基于主观的信用风险等级的评价,给客户相应的授信额度。
传统的给客户授信额度的方式比较单一。当客户较多时,需要一一对客户的信息进行人工审核,这种给客户授信额度的方式比较繁琐,并且所需人力成本高,从而导致工作效率低、授信额度不精确。
发明内容
基于此,有必要针对上述给客户授信额度的方式比较繁琐,并且所需人力成本高,从而导致工作效率低、授信额度不精确的问题,提供一种信用风险分类方法、装置、计算机设备及存储介质。
一种信用风险分类方法,所述方法包括:
获取目标对象的基本信息中的基本信息单位;
计算所述基本信息单位的单位贡献指标;
根据所述基本信息单位对所述目标对象进行划分,得到目标对象的划分信息;
根据所述基本信息单位和所述目标对象的划分信息计算证据权重矩阵,所述证据权重矩阵用于区分所述目标对象的信用风险类别;
对所述证据权重矩阵进行数据分析,得到所述目标对象对应的信用风险类别。
在一个实施例中,所述获取目标对象的基本信息中的基本信息单位,包括:
获取目标对象的身份标识,所述身份标识对应有所述目标对象的基本信息;
将所述目标对象的基本信息划分为不同的字段,所述字段为基本信息单位;
获取所述目标对象对应的基本信息单位。
在一个实施例中,所述方法还包括:
获取所述目标对象的基本信息中的所有基本信息单位;
对于每一个基本信息单位,计算对应的单位贡献指标;
剔除含有共线性单位贡献指标的基本信息单位,得到剔除后的基本信息单位;
根据所述剔除后的基本信息单位对所述目标对象进行划分,得到目标对象的划分信息;
根据所述剔除后的基本信息单位和所述目标对象的划分信息计算证据权重矩阵,所述证据权重矩阵用于区分所述目标对象的信用风险类别。
在一个实施例中,所述根据所述剔除后的基本信息单位对所述目标对象进行划分,得到目标对象的划分信息,包括:
计算所述目标对象的基本信息单位对应的批核率和逾期率;
根据所述批核率和逾期率对所述目标对象进行分类,得到所述目标对象的类别;
获取所述目标对象的类别,得到目标对象的划分信息。
在一个实施例中,所述根据所述基本信息单位和所述目标对象的划分信息计算证据权重矩阵,包括:
根据目标对象的划分信息随机获取所述目标对象分类的类别组,并计算所述类别组中目标对象基本信息单位的批核率占所有批核率的第一比率;
计算所述类别组中目标对象基本信息单位的逾期率占所有逾期率的第二比率;
获取第一比率与第二比率的差值,得到证据权重;
对每个基本信息单位的证据权重进行组合,得到证据权重矩阵。
在一个实施例中,对每个基本信息单位的证据权重进行组合,得到证据权重矩阵步骤之后,包括:
去除所述证据权重矩阵间的共线性,得到去除共线性的证据权重矩阵。
在一个实施例中,所述对所述证据权重矩阵进行数据分析,得到所述目标对象对应的信用风险类别,包括:
根据信用风险的类别和所述目标对象的基本信息单位建立逻辑回归方程;
将所述证据权重输入所述逻辑回归方程,得到所述目标对象的信用预测分数;
将所述信用预测分数导入大数据分析系统,得到所述目标对象的信用预测结果,所述大数据分析系统为根据目标对象的信用风险类别构建的分析系统;
根据所述信用预测结果对所述目标对象的信用风险进行分类,得到对应的信用风险类别。
一种信用风险分类装置,所述装置包括:
信息获取模块,用于获取目标对象的基本信息中的基本信息单位;
指标计算模块,用于计算所述基本信息单位的单位贡献指标;
目标对象划分模块,用于根据所述基本信息单位对所述目标对象进行划分,得到目标对象的划分信息;
证据权重计算模块,用于根据所述基本信息单位和所述目标对象的划分信息计算证据权重矩阵,所述证据权重矩阵用于区分所述目标对象的信用风险类别;
数据分析模块,用于对所述证据权重矩阵进行数据分析,得到所述目标对象对应的信用风险类别。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述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如上所述方法的步骤。
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计算机程序,所述计算机程序被处理器执行时实现如上所述方法的步骤。
上述信用风险分类方法、装置、计算机设备及存储介质,通过获取目标对象的基本信息中的基本信息单位,计算基本信息单位的单位贡献指标,根据基本信息单位对目标对象进行划分,得到目标对象的划分信息,根据基本信息单位和目标对象的划分信息计算证据权重矩阵,证据权重矩阵用于区分目标对象的信用风险类别,对证据权重矩阵进行数据分析,得到目标对象对应的信用风险类别。由于对目标对象的基本信息单位进行了单位贡献指标计算,并对目标对象进行划分和数据分析,从而可以更加快速准确的判断出授信风险,进而降低了人力成本。
附图说明
图1为一个实施例中信用风险分类方法的应用环境图;
图2为一个实施例中图1中终端的内部结构图;
图3为一个实施例中信用风险分类方法的流程图;
图4为一个实施例中获取基本信息单位的方法流程图;
图5为另一个实施例中信用风险分类方法的流程图;
图6为一个实施例中获得目标对象划分信息的方法流程图;
图7为一个实施例中计算证据权重矩阵的方法流程图;
图8为一个实施例中对证据权重矩阵进行数据分析的方法流程图;
图9为一个实施例中信用风险分类装置的结构框图;
图10为一个实施例中证据权重计算模块的结构框图;
图11为一个实施例中数据分析模块的结构框图。
具体实施方式
为使本发明的目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
图1为一个实施例中信用风险分类方法的应用环境图。如图1所示,该应用环境包括终端110和服务器120,其中,终端110和服务器120之间通过网络进行通信。
终端110可为笔记本电脑、台式计算机、个人数字电脑、便携式膝上型电脑等,但并不局限于此。终端110通过服务器120获取目标对象的基本信息中的基本信息单位,并计算基本信息单位的单位贡献指标。终端110可以根据基本信息单位对目标对象进行划分,得到目标对象的划分信息。得到基本信息单位的单位贡献指标和划分信息后,终端110可以计算出用于区分目标对象的信用风险类别的证据权重矩阵。终端110还可以对证据权重矩阵进行数据分析,得到目标对象对应的信用风险类别。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端110,图1中的终端110的内部结构如图2所示,该终端110包括通过系统总线连接的处理器、存储介质、内存、显示器和网络接口。其中,终端110的存储介质存储有操作系统、数据库,还包括用于实现信用风险分类方法和装置的计算机程序。该处理器用于提供计算和控制能力,支撑整个终端110的运行。终端110中的显示器用于显示信息,例如,当得到目标对象对应的信用风险类别后,显示器可以显示目标对象的信用风险类别。内存为存储介质中实现信用风险分类方法和装置的计算机程序的运行提供环境,网络接口用于与服务器120进行网络通信,例如,网络接口可将目标对象的基本信息从服务器120中获取到,再计算基本信息单位的单位贡献指标。图2中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的终端的限定,具体的终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种信用风险分类方法,以应用于上述应用环境中的终端来举例说明,如图3所示,包括如下步骤:
步骤S302,获取目标对象的基本信息中的基本信息单位。
其中,目标对象可以是需要进行信用风险分类的用户,用户可以是企业,也可以是个人。以目标对象的用户是个人为例,目标对象的基本信息可以包括目标对象的姓名、年龄、性别、学历、工资、借款情况、信用资料信息等。而基本信息中的基本信息单位可以包括目标对象的工资、借款情况、信用资料信息等。终端可以从服务器上获取到目标对象基本信息中的基本信息单位。
步骤S304,计算基本信息单位的单位贡献指标。
单位贡献指标是衡量基本信息单位重要性的指标。信息值有一个计算公式,终端可以通过信息值的公式对基本信息单位的单位贡献指标进行计算,单位贡献指标越大,表示基本信息单位越重要。
步骤S306,根据基本信息单位对目标对象进行划分,得到目标对象的划分信息。
终端可以根据基本信息单位划分目标对象,例如,当存在借款情况时,将目标对象划分为借款类,当不存在借款情况时,将目标对象分为未借款类。在对目标对象进行划分之后,终端可以得到目标对象的划分信息。
步骤S308,根据基本信息单位和目标对象的划分信息计算证据权重矩阵,证据权重矩阵用于区分目标对象的信用风险类别。
证据权重矩阵是由证据权重组成的,用于区分目标对象信用风险类别的矩阵。在得到目标对象的基本信息单位和划分信息后,终端可以根据基本信息单位和划分信息计算出证据权重,再得到证据权重矩阵。
步骤S310,对证据权重矩阵进行数据分析,得到目标对象对应的信用风险类别。
终端可以对证据权重矩阵进行数据分析,得到目标对象对应的风险评分,再根据风险评分得到目标对象对应的信用风险类别。风险评分较高的目标对象为优质的目标对象。
通过获取目标对象的基本信息中的基本信息单位,计算基本信息单位的单位贡献指标,根据基本信息单位对目标对象进行划分,得到目标对象的划分信息,根据基本信息单位和目标对象的划分信息计算证据权重矩阵,证据权重矩阵用于区分目标对象的信用风险类别,对证据权重矩阵进行数据分析,得到目标对象对应的信用风险类别。由于对目标对象的基本信息单位进行了单位贡献指标计算,并对目标对象进行划分和数据分析,从而可以更加快速准确的判断出授信风险,进而降低了人力成本。
在一个实施例中,提供的一种信用风险分类方法还包括获取基本信息单位的过程,如图4所示,具体包括:
步骤S402,获取目标对象的身份标识,身份标识对应有目标对象的基本信息。
其中,目标对象的身份标识可以是目标对象的身份证号码,终端可以通过扫描身份证获取到目标对象的身份标识。由于目标对象的身份标识与目标对象的身份是唯一对应的,所以身份标识对应有目标对象的基本信息。
步骤S404,将目标对象的基本信息划分为不同的字段,字段为基本信息单位。
目标对象的基本信息可以包括目标对象的姓名、年龄、性别、学历、工资、借款情况、信用资料信息等。终端可以将基本信息划分为不同的字段,例如,将目标对象的基本信息划分为工资、借款情况以及信用资料信息等与目标对象的信用相关的字段,这些字段就是基本信息单位。
步骤S406,获取目标对象对应的基本信息单位。
终端可以根据划分的基本信息的字段,获取到目标对象的基本信息单位。
通过获取目标对象的身份标识,身份标识对应有目标对象的基本信息,将目标对象的基本信息划分为不同的字段,字段为基本信息单位,将目标对象的基本信息划分为不同的字段,字段为基本信息单位。由于目标对象的身份标识是与目标对象唯一对应的,通过获取目标对象的身份标识进而获取目标对象的基本信息更加准确。
在另一个实施例中,提供了一种信用风险分类方法,如图5所示,包括如下步骤:
步骤S502,获取目标对象的基本信息中的所有基本信息单位。
目标对象中的基本信息有多种,终端提取的基本信息单位也可以有多种。具体的,终端可以获取到基本信息中的所有基本信息单位。
步骤S504,对于每一个基本信息单位,计算对应的单位贡献指标。
每一个基本信息单位都可以通过计算单位贡献指标来衡量重要性。终端在获取到所有基本信息单位后,可以通过信息值的计算公式对每一个基本信息单位进行单位贡献指标的计算。
步骤S506,剔除含有共线性单位贡献指标的基本信息单位,得到剔除后的基本信息单位。
由于对每一个基本信息单位都进行了单位贡献指标计算,因此,终端可以剔除含有共线性单位贡献指标的基本信息单位,得到剔除后的基本信息单位。
步骤S508,根据剔除后的基本信息单位对目标对象进行划分,得到目标对象的划分信息。
剔除后的基本信息单位可以是对目标对象的信用风险评分有帮助的基本信息单位。终端可以根据剔除后的基本信息单位对目标对象进行划分,得到目标对象的划分信息。
步骤S510,根据剔除后的基本信息单位和目标对象的划分信息计算证据权重矩阵,证据权重矩阵用于区分目标对象的信用风险类别。
剔除后的基本信息单位和划分信息更加能体现目标对象的信用风险。证据权重矩阵是由证据权重组成的,用于区分目标对象信用风险类别的矩阵。在得到剔除后的基本信息单位和划分信息后,终端可以根据基本信息单位和划分信息计算出证据权重,再得到证据权重矩阵。
获取目标对象的基本信息中的所有基本信息单位,对于每一个基本信息单位,计算对应的单位贡献指标,剔除含有共线性单位贡献指标的基本信息单位,得到剔除后的基本信息单位,根据剔除后的基本信息单位对目标对象进行划分,得到目标对象的划分信息,根据剔除后的基本信息单位和目标对象的划分信息计算证据权重矩阵,证据权重矩阵用于区分目标对象的信用风险类别。由于对基本信息单位中含有共线性单位贡献指标的基本信息单位进行了剔除,因此,更能区分出目标对象的信用风险类别。
如图6所示,在一个实施例中,提供的一种信用风险分类方法还包括获得目标对象划分信息的过程,具体包括:
步骤S602,计算目标对象的基本信息单位对应的批核率和逾期率。
其中,批核率是总的审批通过率与申请总量之比。逾期率是逾期贷款的总额与贷款总额之比。终端可以根据目标对象基本信息单位计算对应的批核率和逾期率。
步骤S604,根据批核率和逾期率对目标对象进行分类,得到目标对象的类别。
批核率和逾期率都可以反应目标对象的信用风险,终端可以根据计算出的批核率和逾期率对目标对象进行分类,例如,将目标对象分为批核率高的一类或者将目标对象分为逾期率高的一类。对目标对象进行分类后可以得到目标对象的类别。
步骤S606,获取目标对象的类别,得到目标对象的划分信息。
通过目标对象的类别可以判别出目标对象的划分信息。终端可以通过获取目标对象的类别得到目标对象的划分信息。
计算目标对象的基本信息单位对应的批核率和逾期率,根据批核率和逾期率对目标对象进行分类,得到目标对象的类别,获取目标对象的类别,得到目标对象的划分信息。这一过程还可以叫做分箱,通过对目标对象的类别进行划分,可以更好的将目标对象进行信用风险分类。
在一个实施例中,提供的一种信用风险分类方法还包括计算证据权重矩阵的过程,如图7所示,具体包括:
步骤S702,根据目标对象的划分信息随机获取目标对象分类的类别组,并计算类别组中目标对象基本信息单位的批核率占所有批核率的第一比率。
目标对象的划分信息可以有多种,例如,根据批核率划分、根据逾期率划分、根据目标对象的借款情况划分等。终端可以随机获取一组目标对象分类的类别组,再计算目标对象基本信息单位的批核率占这个类别组中所有批核率的第一比率。
步骤S704,计算类别组中目标对象基本信息单位的逾期率占所有逾期率的第二比率。
终端还可以计算目标对象基本信息单位逾期率占一个类别组中逾期率的第二比率。
步骤S706,获取第一比率与第二比率的差值,得到证据权重。
证据权重是当前分组中响应对象占所有响应对象的比例与当前分组中未响应对象占所有未响应对象的比例的差值。具体的,终端可以通过获取第一比率与第二比率的差值得到证据权重。
步骤S708,对每个基本信息单位的证据权重进行组合,得到证据权重矩阵。
每个基本信息单位都会有证据权重,终端在获取到每一个基本信息单位的证据权重后可以对这些证据权重进行组合,以得到证据权重矩阵。
步骤S710,去除证据权重矩阵间的共线性,得到去除共线性的证据权重矩阵。
终端得到的证据权重矩阵是每一个基本信息单位的证据权重组合而成的,所以会存在矩阵间的共线性。终端可以去除证据权重矩阵间的共线性,从而得到去除共线性的证据权重矩阵。
根据目标对象的划分信息随机获取目标对象分类的类别组,并计算类别组中目标对象基本信息单位的批核率占所有批核率的第一比率,计算类别组中目标对象基本信息单位的逾期率占所有逾期率的第二比率,获取第一比率与第二比率的差值,得到证据权重,对每个基本信息单位的证据权重进行组合,得到证据权重矩阵,去除证据权重矩阵间的共线性,得到去除共线性的证据权重矩阵。通过计算基本信息的证据权重以及得到证据权重矩阵,再去除证据权重矩阵间的共线性,可以更加准确的判断出目标对象的授信风险,进而降低了人力成本。
如图8所示,在一个实施例中,提供的一种信用风险分类方法还包括对证据权重矩阵进行数据分析的过程,具体包括:
步骤S802,根据信用风险的类别和目标对象的基本信息单位建立逻辑回归方程。
将信用风险类别作为因变量,目标对象的基本信息单位作为自变量,终端可以根据信用风险类别和基本信息单位建立一个逻辑回归方程。
步骤S804,将证据权重输入逻辑回归方程,得到目标对象的信用预测分数。
证据权重是根据目标对象的基本信息单位计算出来的,由于逻辑回归方程将目标对象的基本信息单位作为自变量,因此将证据权重输入逻辑回归方程就可以计算出目标对象的信用预测分数。
步骤S806,将信用预测分数导入大数据分析系统,得到目标对象的信用预测结果,大数据分析系统为根据目标对象的信用风险类别构建的分析系统。
大数据分析系统用于对目标对象的信用风险进行大数据分析。将信用预测分数导入大数据分析系统后,大数据分析系统可以对预测分数进行分析,最终得到目标对象的信用预测结果。
步骤S808,根据信用预测结果对目标对象的信用风险进行分类,得到对应的信用风险类别。
终端可以根据信用预测结果对目标对象的信用风险进行分类,并得到对应的信用风险类别。例如,目标对象的信用风险类别可以为信用风险极高、信用风险高、信用风险低等。
根据信用风险的类别和目标对象的基本信息单位建立逻辑回归方程,将证据权重输入逻辑回归方程,得到目标对象的信用预测分数,将信用预测分数导入大数据分析系统,得到目标对象的信用预测结果,大数据分析系统为根据目标对象的信用风险类别构建的分析系统,根据信用预测结果对目标对象的信用风险进行分类,得到对应的信用风险类别。通过应用逻辑回归方程对证据权重进行数据分析,得到目标对象的信用风险类别,可以更加科学的对目标对象的信用风险进行分类。
在一个实施例中,提供了一种信用风险分类方法,实现该方法的具体步骤如下:
首先,终端需要获取目标对象基本信息中的基本信息单位。具体可以包括获取目标对象的身份标识,身份标识对应有目标对象的基本信息。其中,目标对象的身份标识可以是目标对象的身份证号码,终端可以通过扫描身份证获取到目标对象的身份标识。由于目标对象的身份标识与目标对象的身份是唯一对应的,所以身份标识对应有目标对象的基本信息。终端可以将目标对象的基本信息划分为不同的字段,字段为基本信息单位。目标对象的基本信息可以包括目标对象的姓名、年龄、性别、学历、工资、借款情况、信用资料信息等。终端可以将基本信息划分为不同的字段,例如,将目标对象的基本信息划分为工资、借款情况以及信用资料信息等与目标对象的信用相关的字段,这些字段就是基本信息单位。终端还可以获取目标对象对应的基本信息单位。
接着,终端需要计算基本信息单位的单位贡献指标。单位贡献指标是衡量基本信息单位重要性的指标。信息值有一个计算公式,终端可以通过信息值的公式对基本信息单位的单位贡献指标进行计算,单位贡献指标越大,表示基本信息单位越重要。其次,终端可以剔除含有共线性单位贡献指标的基本信息单位,得到剔除后的基本信息单位。由于对每一个基本信息单位都进行了单位贡献指标计算,因此,终端可以剔除含有共线性单位贡献指标的基本信息单位,得到剔除后的基本信息单位。
然后,终端可以根据基本信息单位对目标对象进行划分,得到目标对象的划分信息。终端对目标对象进行划分可以包括计算目标对象的基本信息单位对应的批核率和逾期率。其中,批核率是总的审批通过率与申请总量之比。逾期率是逾期贷款的总额与贷款总额之比。终端可以根据目标对象基本信息单位计算对应的批核率和逾期率。终端还可以根据批核率和逾期率对目标对象进行分类,得到目标对象的类别。批核率和逾期率都可以反应目标对象的信用风险,终端可以根据计算出的批核率和逾期率对目标对象进行分类,例如,将目标对象分为批核率高的一类或者将目标对象分为逾期率高的一类。终端对目标对象进行分类后可以得到目标对象的类别。终端通过获取目标对象的类别,得到目标对象的划分信息。
接着,终端还可以根据基本信息单位和目标对象的划分信息计算证据权重矩阵,证据权重矩阵用于区分目标对象的信用风险类别。终端需要根据目标对象的划分信息随机获取目标对象分类的类别组,并计算类别组中目标对象基本信息单位的批核率占所有批核率的第一比率。终端还可以计算类别组中目标对象基本信息单位的逾期率占所有逾期率的第二比率,获取第一比率与第二比率的差值,得到证据权重。终端在对每个基本信息单位的证据权重进行组合之后,可以得到证据权重矩阵。通过去除证据权重矩阵间的共线性,得到去除共线性的证据权重矩阵。
最后,终端可以对证据权重矩阵进行数据分析,得到目标对象对应的信用风险类别。具体可以包括根据信用风险的类别和目标对象的基本信息单位建立逻辑回归方程。终端将证据权重输入逻辑回归方程,得到目标对象的信用预测分数。终端还可以将信用预测分数导入大数据分析系统,得到目标对象的信用预测结果,大数据分析系统为根据目标对象的信用风险类别构建的分析系统。根据信用预测结果对目标对象的信用风险进行分类,终端可以得到对应的信用风险类别。
如图9所示,在一个实施例中,提供了一种信用风险分类装置,包括:
信息获取模块910,用于获取目标对象的基本信息中的基本信息单位。
指标计算模块920,用于计算基本信息单位的单位贡献指标。
目标对象划分模块930,用于根据基本信息单位对目标对象进行划分,得到目标对象的划分信息。
证据权重计算模块940,用于根据基本信息单位和目标对象的划分信息计算证据权重矩阵,证据权重矩阵用于区分目标对象的信用风险类别。
数据分析模块950,用于对证据权重矩阵进行数据分析,得到目标对象对应的信用风险类别。
在一个实施例中,信息获取模块910还可以用于获取目标对象的身份标识,身份标识对应有目标对象的基本信息,将目标对象的基本信息划分为不同的字段,字段为基本信息单位,获取目标对象对应的基本信息单位。
在另一个实施例中,提供的一种信用风险分类装置,还可以包括信息单位剔除模块,用于剔除含有共线性单位贡献指标的基本信息单位,得到剔除后的基本信息单位。指标计算模块920还可以用于对于每一个基本信息单位,计算对应的单位贡献指标。目标对象划分模块930还可以用于根据剔除后的基本信息单位对目标对象进行划分,得到目标对象的划分信息。证据权重计算模块940还可以用于根据剔除后的基本信息单位和目标对象的划分信息计算证据权重矩阵,证据权重矩阵用于区分所述目标对象的信用风险类别。
在一个实施例中,目标对象划分模块930还可以用于计算目标对象的基本信息单位对应的批核率和逾期率,根据批核率和逾期率对目标对象进行分类,得到目标对象的类别,获取目标对象的类别,得到目标对象的划分信息。
如图10所示,在一个实施例中,证据权重计算模块940包括:
第一比率计算模块942,用于根据目标对象的划分信息随机获取目标对象分类的类别组,并计算类别组中目标对象基本信息单位的批核率占所有批核率的第一比率。
第二比率计算模块944,用于计算类别组中目标对象基本信息单位的逾期率占所有逾期率的第二比率。
差值获取模块946,用于获取第一比率与第二比率的差值,得到证据权重。
证据权重组合模块948,用于对每个基本信息单位的证据权重进行组合,得到证据权重矩阵。
在一个实施例中,证据权重计算模块940还可以用于去除证据权重矩阵间的共线性,得到去除共线性的证据权重矩阵。
在一个实施例中,如图11所示,数据分析模块950可以包括:
方程建立模块952,用于根据信用风险的类别和目标对象的基本信息单位建立逻辑回归方程。
分数获取模块954,用于将证据权重输入逻辑回归方程,得到目标对象的信用预测分数。
结果获取模块956,用于将信用预测分数导入大数据分析系统,得到目标对象的信用预测结果,大数据分析系统为根据目标对象的信用风险类别构建的分析系统。
风险类别获取模块958,用于根据信用预测结果对目标对象的信用风险进行分类,得到对应的信用风险类别。
在一个实施例中,还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现以下步骤:获取目标对象的基本信息中的基本信息单位;计算基本信息单位的单位贡献指标;根据基本信息单位对目标对象进行划分,得到目标对象的划分信息;根据基本信息单位和目标对象的划分信息计算证据权重矩阵,证据权重矩阵用于区分目标对象的信用风险类别;对证据权重矩阵进行数据分析,得到目标对象对应的信用风险类别。
在一个实施例中,计算机程序被处理器执行获取目标对象的基本信息中的基本信息单位,包括:获取目标对象的身份标识,身份标识对应有目标对象的基本信息;将目标对象的基本信息划分为不同的字段,字段为基本信息单位;获取目标对象对应的基本信息单位。
在另一个实施例中,提供的一种计算机可读存储介质,该计算机程序被处理器执行时还可以实现以下步骤:获取目标对象的基本信息中的所有基本信息单位;对于每一个基本信息单位,计算对应的单位贡献指标;剔除含有共线性单位贡献指标的基本信息单位,得到剔除后的基本信息单位;根据剔除后的基本信息单位对目标对象进行划分,得到目标对象的划分信息;根据剔除后的基本信息单位和目标对象的划分信息计算证据权重矩阵,证据权重矩阵用于区分所述目标对象的信用风险类别。
在一个实施例中,计算机程序被处理器执行根据所述剔除后的基本信息单位对目标对象进行划分,得到目标对象的划分信息,包括:计算目标对象的基本信息单位对应的批核率和逾期率;根据批核率和逾期率对目标对象进行分类,得到目标对象的类别;获取目标对象的类别,得到目标对象的划分信息。
在一个实施例中,计算机程序被处理器执行根据基本信息单位和目标对象的划分信息计算证据权重矩阵,包括:根据目标对象的划分信息随机获取目标对象分类的类别组,并计算类别组中目标对象基本信息单位的批核率占所有批核率的第一比率;计算类别组中目标对象基本信息单位的逾期率占所有逾期率的第二比率;获取第一比率与第二比率的差值,得到证据权重;对每个基本信息单位的证据权重进行组合,得到证据权重矩阵。
在一个实施例中,提供的一种计算机可读存储介质,该计算机程序被处理器执行时还可以实现去除证据权重矩阵间的共线性,得到去除共线性的证据权重矩阵。
在一个实施例中,计算机程序被处理器执行对所述证据权重矩阵进行数据分析,得到所述目标对象对应的信用风险类别,包括:根据信用风险的类别和目标对象的基本信息单位建立逻辑回归方程;将证据权重输入逻辑回归方程,得到目标对象的信用预测分数;将信用预测分数导入大数据分析系统,得到目标对象的信用预测结果,大数据分析系统为根据目标对象的信用风险类别构建的分析系统;根据信用预测结果对目标对象的信用风险进行分类,得到对应的信用风险类别。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性的计算机可读取存储介质中,如本发明实施例中,该程序可存储于计算机系统的非易失性存储介质中,并被该计算机系统中的至少一个处理器执行,以实现包括如上述各方法的实施例的流程。本申请所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。合适的非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM),它用作外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种信用风险分类方法,其特征在于,所述方法包括:
获取目标对象的基本信息中的基本信息单位;
计算所述基本信息单位的单位贡献指标;
根据所述基本信息单位对所述目标对象进行划分,得到目标对象的划分信息;
根据所述基本信息单位和所述目标对象的划分信息计算证据权重矩阵,所述证据权重矩阵用于区分所述目标对象的信用风险类别;
对所述证据权重矩阵进行数据分析,得到所述目标对象对应的信用风险类别。
2.根据权利要求1所述的方法,其特征在于,所述获取目标对象的基本信息中的基本信息单位,包括:
获取目标对象的身份标识,所述身份标识对应有所述目标对象的基本信息;
将所述目标对象的基本信息划分为不同的字段,所述字段为基本信息单位;
获取所述目标对象对应的基本信息单位。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述目标对象的基本信息中的所有基本信息单位;
对于每一个基本信息单位,计算对应的单位贡献指标;
剔除含有共线性单位贡献指标的基本信息单位,得到剔除后的基本信息单位;
根据所述剔除后的基本信息单位对所述目标对象进行划分,得到目标对象的划分信息;
根据所述剔除后的基本信息单位和所述目标对象的划分信息计算证据权重矩阵,所述证据权重矩阵用于区分所述目标对象的信用风险类别。
4.根据权利要求3所述的方法,其特征在于,所述根据所述剔除后的基本信息单位对所述目标对象进行划分,得到目标对象的划分信息,包括:
计算所述目标对象的基本信息单位对应的批核率和逾期率;
根据所述批核率和逾期率对所述目标对象进行分类,得到所述目标对象的类别;
获取所述目标对象的类别,得到目标对象的划分信息。
5.根据权利要求1所述的方法,其特征在于,所述根据所述基本信息单位和所述目标对象的划分信息计算证据权重矩阵,包括:
根据目标对象的划分信息随机获取所述目标对象分类的类别组,并计算所述类别组中目标对象基本信息单位的批核率占所有批核率的第一比率;
计算所述类别组中目标对象基本信息单位的逾期率占所有逾期率的第二比率;
获取第一比率与第二比率的差值,得到证据权重;
对每个基本信息单位的证据权重进行组合,得到证据权重矩阵。
6.根据权利要求5所述的方法,其特征在于,对每个基本信息单位的证据权重进行组合,得到证据权重矩阵步骤之后,包括:
去除所述证据权重矩阵间的共线性,得到去除共线性的证据权重矩阵。
7.根据权利要求1所述的方法,其特征在于,所述对所述证据权重矩阵进行数据分析,得到所述目标对象对应的信用风险类别,包括:
根据信用风险的类别和所述目标对象的基本信息单位建立逻辑回归方程;
将所述证据权重输入所述逻辑回归方程,得到所述目标对象的信用预测分数;
将所述信用预测分数导入大数据分析系统,得到所述目标对象的信用预测结果,所述大数据分析系统为根据目标对象的信用风险类别构建的分析系统;
根据所述信用预测结果对所述目标对象的信用风险进行分类,得到对应的信用风险类别。
8.一种信用风险分类装置,其特征在于,所述装置包括:
信息获取模块,用于获取目标对象的基本信息中的基本信息单位;
指标计算模块,用于计算所述基本信息单位的单位贡献指标;
目标对象划分模块,用于根据所述基本信息单位对所述目标对象进行划分,得到目标对象的划分信息;
证据权重计算模块,用于根据所述基本信息单位和所述目标对象的划分信息计算证据权重矩阵,所述证据权重矩阵用于区分所述目标对象的信用风险类别;
数据分析模块,用于对所述证据权重矩阵进行数据分析,得到所述目标对象对应的信用风险类别。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810414496.5A CN108629508A (zh) | 2018-05-03 | 2018-05-03 | 信用风险分类方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810414496.5A CN108629508A (zh) | 2018-05-03 | 2018-05-03 | 信用风险分类方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108629508A true CN108629508A (zh) | 2018-10-09 |
Family
ID=63695364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810414496.5A Pending CN108629508A (zh) | 2018-05-03 | 2018-05-03 | 信用风险分类方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629508A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390511A (zh) * | 2019-06-20 | 2019-10-29 | 深圳壹账通智能科技有限公司 | 信贷申请审批方法、装置、设备和存储介质 |
CN110706119A (zh) * | 2019-09-20 | 2020-01-17 | 深圳中兴飞贷金融科技有限公司 | 业务审批方法、装置、存储介质及电子设备 |
CN112308319A (zh) * | 2020-11-02 | 2021-02-02 | 沈阳民航东北凯亚有限公司 | 一种民航会员旅客流失的预测方法及装置 |
CN113313587A (zh) * | 2021-06-29 | 2021-08-27 | 平安资产管理有限责任公司 | 基于人工智能的信用风险分析方法、装置、设备和介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779457A (zh) * | 2016-12-29 | 2017-05-31 | 深圳微众税银信息服务有限公司 | 一种企业信用评估方法及系统 |
CN107369095A (zh) * | 2017-06-15 | 2017-11-21 | 阿里巴巴集团控股有限公司 | 一种车险业务的数据处理方法、装置及系统 |
-
2018
- 2018-05-03 CN CN201810414496.5A patent/CN108629508A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779457A (zh) * | 2016-12-29 | 2017-05-31 | 深圳微众税银信息服务有限公司 | 一种企业信用评估方法及系统 |
CN107369095A (zh) * | 2017-06-15 | 2017-11-21 | 阿里巴巴集团控股有限公司 | 一种车险业务的数据处理方法、装置及系统 |
Non-Patent Citations (1)
Title |
---|
王金珠: "基于证据权重逻辑回归模型的P2P公司信用风险评估", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390511A (zh) * | 2019-06-20 | 2019-10-29 | 深圳壹账通智能科技有限公司 | 信贷申请审批方法、装置、设备和存储介质 |
CN110706119A (zh) * | 2019-09-20 | 2020-01-17 | 深圳中兴飞贷金融科技有限公司 | 业务审批方法、装置、存储介质及电子设备 |
CN112308319A (zh) * | 2020-11-02 | 2021-02-02 | 沈阳民航东北凯亚有限公司 | 一种民航会员旅客流失的预测方法及装置 |
CN112308319B (zh) * | 2020-11-02 | 2024-03-15 | 沈阳民航东北凯亚有限公司 | 一种民航会员旅客流失的预测方法及装置 |
CN113313587A (zh) * | 2021-06-29 | 2021-08-27 | 平安资产管理有限责任公司 | 基于人工智能的信用风险分析方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107025596B (zh) | 一种风险评估方法和系统 | |
CN108416669A (zh) | 用户行为数据处理方法、装置、电子设备及计算机可读介质 | |
CN108629508A (zh) | 信用风险分类方法、装置、计算机设备及存储介质 | |
CN108648074A (zh) | 基于支持向量机的贷款评估方法、装置及设备 | |
CN112860841B (zh) | 一种文本情感分析方法、装置、设备及存储介质 | |
CN110246031A (zh) | 企业信用的评估方法、系统、设备及存储介质 | |
CN108133013A (zh) | 信息处理方法、装置、计算机设备和存储介质 | |
CN108491406B (zh) | 信息分类方法、装置、计算机设备和存储介质 | |
CN109360089A (zh) | 贷款风险预测方法及装置 | |
CN109376766B (zh) | 一种画像预测分类方法、装置及设备 | |
CN109509087A (zh) | 智能化的贷款审核方法、装置、设备及介质 | |
CN110930038A (zh) | 一种贷款需求识别方法、装置、终端及存储介质 | |
CN111160696A (zh) | 一种基于大数据的被检人员分级方法 | |
CN107346515A (zh) | 一种信用卡账户分期预测方法及装置 | |
CN109840668A (zh) | 利用结构方程模型的专利评价方法以及执行该方法的系统 | |
CN110569363A (zh) | 一种决策流组件生成方法、装置、电子设备及存储介质 | |
CN111061948A (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
CN114418748A (zh) | 车贷信用评估方法、装置、设备及存储介质 | |
CN114139931A (zh) | 企业数据评估方法、装置、计算机设备及存储介质 | |
CN112734566A (zh) | 授信额度获取方法、装置及计算机设备 | |
KR102336462B1 (ko) | 신용평가정보 제공 장치 및 방법 | |
CN111489134B (zh) | 数据模型的构建方法、装置、设备及计算机可读存储介质 | |
CN114612239A (zh) | 基于算法、大数据、人工智能的股票舆情监测和风控系统 | |
CN114372862A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN113837595A (zh) | 面签方式分配方法、装置、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181009 |