CN109389486A - 贷款风控规则调整方法、装置、设备及计算机存储介质 - Google Patents

Abstract

本发明公开了一种贷款风控规则调整方法，包括以下内容：获取历史贷款数据，检测并统计历史贷款数据的风险指标，其中，贷款数据包括贷前数据及贷后数据；将贷前数据及贷后数据分别作为输入训练集及输出训练集，并基于输入训练集及输出训练集对机器学习模型进行训练；通过训练确定风险指标对应的标准参数是否大于预设阈值，若标准参数大于预设阈值，则将风险指标对应的指标范围作为第一规则条件；将第一规则条件推送至规则引擎，执行第一规则条件对应的风控规则，对用户申请贷款的用户行为进行评估。本发明还公开了一种贷款风控规则调整装置、设备及计算机存储介质。本发明根据机器学习模型对风控规则进行智能预测和调整，有效拦截更多欺诈分子。

Description

贷款风控规则调整方法、装置、设备及计算机存储介质

技术领域

本发明涉及金融技术领域，尤其涉及一种贷款风控规则调整方法、装置、设备及计算机存储介质。

背景技术

商业银行是以信用为基础、以经营货币借贷和结算业务为主的高负债高风险行业，商业银行在一国国民经济中所处的关键地位和作用以及其经营特点，导致了商业银行经营风险在整个国民经济中有着极大的影响力，在信贷快速增长的过程中，由于种种复杂原因导致大量的贷款无法收回，导致大量欺诈分子的产生，所以，对贷款用户的贷款申请资格判定尤其重要，传统的贷款审批方法是由金融机构的工作人员对借款用户的借款请求进行人工审核，审核的过程中需要工作人员核对借款用户的大量数据信息，以判别贷款交易的风险情况，例如借款用户借得起多少钱、贷款周期内能否偿还等。

目前风控规则都是基于专家经验，预先部署到规则引擎中，对规则条件的调整和修改必须经过人工干预，对于无处不在的欺诈风险，无法做到立即在线规则条件调整，从而使新的风控规则生效滞后，导致无法实时有效拦截更多欺诈分子。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种贷款风控规则调整方法、装置、设备及计算机存储介质，旨在解决现有技术中无法做到立即在线规则条件调整，从而使新的风控规则生效滞后，导致无法实时有效拦截更多欺诈分子的技术问题。

为实现上述目的，本发明提供一种贷款风控规则调整方法，所述贷款风控规则调整方法包括：

获取历史贷款数据，检测并统计所述历史贷款数据的风险指标，其中，所述贷款数据包括贷前数据及贷后数据；

将所述贷前数据及所述贷后数据分别作为输入训练集及输出训练集，并基于所述输入训练集及所述输出训练集对机器学习模型进行训练；

通过训练确定所述风险指标对应的标准参数是否大于预设阈值，若所述标准参数大于预设阈值，则将所述风险指标对应的指标范围作为第一规则条件；

将所述第一规则条件推送至规则引擎，执行所述第一规则条件对应的风控规则，以对用户申请贷款的用户行为进行评估

若以多个风险指标作为综合风险指标时，则获取所述综合风险指标中各个风险指标的权重，并计算所述各个风险指标的权重的权重和；

确定所述权重和对应用户的用户逾期率是否大于预设阈值；

若所述权重和对应用户的用户逾期率大于预设阈值，则将所述权重和作为所述综合风险指标的第一规则条件。

优选地，所述对用户申请贷款的用户行为进行评估的步骤包括：

检测并获取用户申请贷款的行为信息；

基于所述第一规则条件对所述行为信息进行评估，确定用户贷款申请资格。

优选地，所述基于所述第一规则条件对所述行为信息进行评估，确定用户贷款申请资格的步骤包括：

确定所述行为信息是否符合所述第一规则条件；

若所述行为信息符合所述第一规则条件，则确定用户的贷款申请行为为异常申请行为，并拒绝用户的贷款申请；

若所述行为信息不符合所述第一规则条件，则确定用户的贷款申请行为为正常申请行为，并同意用户的贷款申请。

优选地，所述基于所述第一规则条件对所述行为信息进行评估，确定用户贷款申请资格的步骤包括：

若以多个第一规则条件作为综合规则条件，则基于预设优先级规则确定综合规则条件中的各个第一规则条件的优先级别；

基于所述优先级别对所述行为信息进行评估，确定用户贷款申请资格。

优选地，所述基于所述优先级别对所述行为信息进行评估，确定用户贷款申请资格的步骤包括：

获取第一优先级别对应的第二规则条件，并确定所述行为信息是否符合所述第二规则条件；

若所述行为信息符合所述第二规则条件，获取第二优先级别对应的增益系数，并根据所述增益系数计算所述第二优先级别对应的第三规则条件的增益规则条件，其中，所述第一优先级别高于所述第二优先级别；

确定所述行为信息是否符合所述增益规则条件，若所述行为信息符合所述增益规则条件，则拒绝用户的贷款申请。

优选地，所述贷款风控规则调整方法还包括：

统计执行所述风控规则拦截贷款申请用户的用户数量、拦截原因；

基于所述用户数量及所述拦截原因生成风控报表。

此外，为实现上述目的，本发明还提供一种贷款风控规则调整装置，所述贷款风控规则调整装置包括：

获取模块，用于获取历史贷款数据，检测并统计所述历史贷款数据的风险指标，其中，所述贷款数据包括贷前数据及贷后数据；

训练模块，用于将所述贷前数据及所述贷后数据分别作为输入训练集及输出训练集，并基于所述输入训练集及所述输出训练集对机器学习模型进行训练；

处理模块，用于通过训练确定所述风险指标对应的标准参数是否大于预设阈值，若所述标准参数大于预设阈值，则将所述风险指标对应的指标范围作为第一规则条件；

执行模块：将所述第一规则条件推送至规则引擎，执行所述第一规则条件对应的风控规则，以对用户申请贷款的用户行为进行评估。

此外，为实现上述目的，本发明还提供一种贷款风控规则调整设备，所述贷款风控规则调整设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的贷款风控规则调整程序，所述贷款风控规则调整程序被所述处理器执行时实现如上所述的贷款风控规则调整方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机存储介质，所述计算机存储介质上存储有贷款风控规则调整程序，所述贷款风控规则调整程序被处理器执行时实现如上所述的贷款风控规则调整方法的步骤。

本发明提供一种贷款风控规则调整方法、装置、设备及计算机存储介质，通过获取历史贷款数据，检测并统计所述历史贷款数据的风险指标，其中，所述贷款数据包括贷前数据及贷后数据，然后将所述贷前数据及所述贷后数据分别作为输入训练集及输出训练集，并基于所述输入训练集及所述输出训练集对机器学习模型进行训练，接着通过训练确定所述风险指标对应的标准参数是否大于预设阈值，若所述标准参数大于预设阈值，则将所述风险指标对应的指标范围作为第一规则条件，最后将所述第一规则条件推送至规则引擎，执行所述第一规则条件对应的风控规则，以对用户申请贷款的用户行为进行评估；由此实现了根据机器学习模型训练确定风险指标对应的标准参数，从而对风控规则进行智能预测和调整，避免了新的风控规则生效滞后，有效拦截更多欺诈分子。

附图说明

图1是本发明实施例方案涉及的硬件运行环境中贷款风控规则调整设备所属终端的结构示意图；

图2为本发明贷款风控规则调整方法第一实施例的流程示意图；

图3为本发明贷款风控规则调整方法第二实施例中所述通过训练确定所述风险指标对应的标准参数是否大于预设阈值，若所述标准参数大于预设阈值，将所述风险指标对应的指标范围作为第一规则条件步骤的细化流程示意图；

图4为本发明贷款风控规则调整方法第三实施例中所述对用户申请贷款的用户行为进行评估步骤的细化流程示意图；

图5为本发明贷款风控规则调整方法第四实施例中所述基于所述第一规则条件对所述行为信息进行评估，确定用户贷款申请资格步骤的细化流程示意图；

图6为本发明贷款风控规则调整方法第五实施例中所述基于所述第一规则条件对所述行为信息进行评估，确定用户贷款申请资格步骤的细化流程示意图；

图7为本发明贷款风控规则调整方法第六实施例中所述基于所述优先级别对所述行为信息进行评估，确定用户贷款申请资格的细化流程示意图；

图8为本发明贷款风控规则调整方法第七实施例的流程示意图；

图9为本发明贷款风控规则调整装置第一实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，图1是本发明实施例方案涉及的硬件运行环境中设备所属终端的结构示意图。

本发明实施例终端可以是PC。如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。

可选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动管理终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动管理终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动管理终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作服务器、网络通信模块、用户接口模块以及贷款风控规则调整程序。

在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的贷款风控规则调整程序。

在本实施例中，设备包括：存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的贷款风控规则调整程序，其中，处理器1001调用存储器1005中存储的贷款风控规则调整程序时，执行并执行本发明实施例提供的贷款风控规则调整方法。

本发明进一步提供一种贷款风控规则调整方法。参照图2，图2为本发明贷款风控规则调整方法第一实施例的方法流程示意图。

在本实施例中，该贷款风控规则调整方法包括：

步骤S10，获取历史贷款数据，检测并统计所述历史贷款数据的风险指标，其中，所述贷款数据包括贷前数据及贷后数据；

在本实施例中，该历史贷款数据包括贷前数据及贷后数据，贷前数据包括的个人信息、信用情况、银行往来记录、社保缴纳情况、通话数据等，贷后数据包括用户的还款记录及消费记录等，根据贷前数据及贷后数据能够统计所有贷款用户的个人信息、贷款信息及还款信息，该个人信息包括该个人信息包括用户的年龄、学历、工作状态、婚姻情况、工作收入、工作地区、纳税数据、征信数据、工商数据等，该贷款信息包括贷款金额、贷款用途等，该还款信息包括还款金额、还款期数、还款期限、逾期次数、逾期率等。风险指标包括收入、年龄、地区、婚姻情况、征信等，根据历史贷款数据统计风险指标，当然，可以将收入风险指标进行分类，例如，收入分为3000元-4000元、4000元-5000元、5000元-6000元等，年龄分为18岁-20岁、20岁-23岁、23岁-26岁等，地区可以按市、县、区、街道、村等进行分类。

步骤S20，将所述贷前数据及所述贷后数据分别作为输入训练集及输出训练集，并基于所述输入训练集及所述输出训练集对机器学习模型进行训练；

在本实施例中，将贷款数据作为样本代入机器学习模型进行训练，将贷前数据作为输入训练集，将贷后数据作为输出训练集，根据输入集及输出集对机器模型进行训练，具体地，将贷前数据作为输入，将贷后数据作为输出，可以采用随机梯度下降法对构建的机器学习模型进行迭代训练，每迭代一次检测一次梯度以及损失函数的值，以获得到模型结构中各权重值和偏置值的最优解，进行逐层运算，一直到训练结束。

步骤S30，通过训练确定所述风险指标对应的标准参数是否大于预设阈值，若所述标准参数大于预设阈值，则将所述风险指标对应的指标范围作为第一规则条件；

在本实施例中，该标准参数包括用户逾期率、逾期人数、黑名单数量等，根据贷前数据及贷后数据能够统计各个风险指标对应的标准参数，例如，统计某地区的逾期率，具体地，获取该地区已贷款人数及贷款用户中逾期人数，并计算逾期人数与已贷款人数的比值，该比值对应的百分比则为该地区的逾期率，将该逾期率作为标准参数，譬如，该地区贷款人数为1000人，1000人中逾期人数为100人，则计算该地区的逾期率为百分之十。又例如，统计收入在3000元-4000元的已贷款用户人数为1000人，1000人中逾期人数为100人，则收入在3000元-4000元的用户的逾期率为百分之十。当然，也可以统计或者计算地区、收入、年龄等风险指标对应指标范围的逾期率、逾期人数、黑名单数量等，例如，若检测到已贷款用户逾期或者在限定时间段内没有还清逾期贷款，则将该用户拉入黑名单，标记为黑名单用户，并统计某地区所有黑名单用户数量，将该黑名单用户数量作为标准参数。

进一步地，将标准参数与预设阈值进行比较，该预设阈值为标准参数对应的阈值，若该标准参数大于预设阈值，则将风险指标对应的指标范围作为第一规则条件，例如，若标准参数为逾期率，逾期率对应的预设阈值为百分之九，计算得到某地区的逾期率为百分之十，该地区对应的逾期率大于预设阈值，则将该地区对应的地区范围作为第一规则条件，在规则引擎执行该第一规则条件对应的风控规则时，则将拒绝该地区范围内所有用户的贷款申请。

进一步地，当然若以多个风险指标作为综合风险指标时，即根据多个风险指标作确定第一规则条件时，则获取各个风险指标的权重，并计算权重的权重和，确定该权重和对应的标准参数是否大于预设阈值，若该权重和大于对应的阈值阈值，则将该权重和作为综合风险指标的第一规则条件。

步骤S40，将所述第一规则条件推送至规则引擎，执行所述第一规则条件对应的风控规则，以对用户申请贷款的用户行为进行评估。

在本实施例中，对用户申请的用户行为进行评估包括允许用户申请贷款及拒绝用户申请贷款，将第一规则条件推送至规则引擎，可以对规则引擎中的旧规则进行替换，执行第一规则条件对应的风控规则，或者将第一规则条件添加至规则引擎，执行新添加的第一规则条件对应的风控规则时同时也执行规则引擎中旧第一规则条件对应的风控规则，例如，通过机器学习模型训练得到第一规则条件为A地区范围，同时规则引擎中旧第一规则条件为B地区范围，则可以将A地区范围的第一规则条件添加至规则引擎，规则引擎同时执行其两个第一规则条件，拒绝A地区范围内所有用户的贷款申请，同时拒绝B地区范围内用户的贷款申请，或者，当检测到B地区的逾期率小于对应的预设阈值时，则将B地区范围的第一规则条件替换为A地区范围的第一规则条件，拒绝A地区范围内所有用户的贷款申请，同意B地区范围内用户的贷款申请。

进一步地，可以实时检测并统计历史贷款数据的风险指标，通过实时监测贷款用户的还款行为确定贷款用户为逾期用户还是正常还款用户，或者为提前还款用户，将贷款用户的还款行为对应的行为数据作为贷后数据添加至历史贷款数据，则历史贷款数据可以及时自动更新，标准参数也可以及时自动更新，从而第一规则条件也可以及时进行自动在线调整，以使新的风控规则生效，能够有效拦截更多欺诈分子。

本实施例提出的贷款风控规则调整方法，通过获取历史贷款数据，检测并统计所述历史贷款数据的风险指标，其中，所述贷款数据包括贷前数据及贷后数据，然后将所述贷前数据及所述贷后数据分别作为输入训练集及输出训练集，并基于所述输入训练集及所述输出训练集对机器学习模型进行训练，接着通过训练确定所述贷前数据中的风险指标对应的所述贷后数据中的标准参数是否大于预设阈值，若所述标准参数大于预设阈值，则将所述风险指标对应的指标范围作为第一规则条件，最后将所述第一规则条件推送至规则引擎，执行所述第一规则条件对应的风控规则，以对用户申请贷款的用户行为进行评估；实现了根据机器学习模型训练确定风险指标对应的标准参数，从而对风控规则进行智能预测和调整，避免了新的风控规则生效滞后，有效拦截更多欺诈分子。

基于第一实施例，提出本发明贷款风控规则调整方法的第二实施例，参照图3，本实施例中，步骤S30包括：

步骤S31，若以多个风险指标作为综合风险指标时，则获取所述综合风险指标中各个风险指标的权重，并计算所述各个风险指标的权重的权重和；

在本实施例中，以多个风险指标作为综合风险指标，根据多个风险指标确定第一规则条件，获取综合风险指标中各个风险指标的权重，计算权重和，该权重可以由技术人员根据实际情况进行设置，不同收入、年龄及学历对应权重的权重值可以不同，例如，将收入、年龄、学历三个风险指标作为综合风险指标时，将同时根据收入、年龄、学历三个风险指标确定第一规则条件，一般来说，收入越高，收入对应权重的权重值越大，年龄可以根据年龄段确定对应的权重值，学历越高，学历对应权重的权重值越高，若收入在3000元-4000元的权重对应权重值为0.2，收入在4000元-5000元的权重对应权重值为0.3，收入在5000元-6000元的权重对应权重值为0.4，专科学历权重对应的权重值为0.2，本科学历权重对应的权重值为0.3、研究生学历权重对应的权重值为0.4，年龄在18岁-21岁权重对应的权值为0.2，年龄在21岁-24岁权重对应的权重值为0.3，年龄在24岁-27岁权重对应的权重值为0.4。首选确定用户风险指标对应权重的范围，根据对应权重的权重值计算权重和，例如，根据用户的个人信息确定贷款用户为25岁本科毕业，收入在5000元-6000元，则可以计算年龄、学历及收入三个风险指标对应权重的权重和为：0.4+0.3+0.4，最终权重和为1.1。当然，本实施例并不限定权重值的设定方式，可以是小数、分数、整数、百分数等。

步骤S32，确定所述权重和对应用户的用户逾期率是否大于预设阈值；

在本实施例中，将计算得到的权重和与标准参数进行比较，该标准参数包括用户逾期率、逾期人数、黑名单数量等，当标准参数为逾期率时，确定该该权重和对应用户的用户逾期率是否大于预设阈值，例如，在步骤S31中，计算得到某用户风险指标的权重和为1.1，则统计权重和为1.1的所有用户中用户逾期率，并确定该用户逾期率是否大于预设阈值。

步骤S33，若所述权重和对应用户的用户逾期率大于预设阈值，则将所述权重和作为所述综合风险指标的第一规则条件。

在本实施例中，若权重和对应用户的用户逾期率大于预设阈值，则说明该权重和对应用户的用户逾期率过高，将该权重和作为总和风险指标的第一规则条件，将第一规则条件推送至规则引擎，执行该第一规则条件对应的风控规则时，拒绝低于该权重和的用户贷款申请。例如，在步骤S32中，若预设阈值为百分之二十，计算得到某用户风险指标的权重和为1.1，则统计权重和为1.1的所有用户中用户逾期率为百分之三十，则统计得到的用户逾期率大于预设阈值，则将权重和为1.1作为第一规则条件推送至规则引擎执行对应的风控规则，当检测到用户贷款申请时，计算该用户年龄、学历及收入三个风险指标对应权重的权重和，若权重和低于1.1，则拒绝该用户的贷款申请。

进一步地，若标准参数为黑名单用户数量，则统计该权重和对应用户的黑名用户单数量，若统计得到的黑名单用户数量超过预设的阈值时，则将该权重和作为综合风险指标的第一规则条件，将该第一规则条件推送至规则引擎执行对应的风控规则，当检测到用户贷款申请时，计算该用户年龄、学历及收入三个风险指标对应权重的权重和，若权重和低于第一规则条件中的权重和，则拒绝该用户的贷款申请。

本实施例提出的贷款风控规则调整方法，通过若以多个风险指标作为综合风险指标时，则获取所述综合风险指标中各个风险指标的权重，并计算所述各个风险指标的权重的权重和，然后确定所述权重和对应用户的用户逾期率是否大于预设阈值，最后若所述权重和对应用户的用户逾期率大于预设阈值，则将所述权重和作为所述综合风险指标的第一规则条件；实现了存在多个风险指标确定第一规则条件时，通过计算各个风险指标的权重和来确定第一规则条件，从而能够更准确将风险指标对应的第一规则条件，进而在规则引擎执行风控规则时更准确有效的拦截欺诈分子。

基于第一实施例，提出本发明贷款风控规则调整方法的第三实施例，参照图4，本实施例中，步骤S40包括：

步骤S41，检测并获取用户申请贷款的行为信息；

在本实施例中，该行为信息包括申请贷款用户的个人信息、信用情况、银行往来记录、社保缴纳情况、通话数据等，该个人信息包括该个人信息包括用户的年龄、学历、工作状态、婚姻情况、工作收入、工作地区、纳税数据、征信数据、工商数据等。

步骤S42，基于所述第一规则条件对所述行为信息进行评估，并根据评估结果确定用户贷款申请资格。

在本实施例中，根据第一规则条件对用户的行为信息进行评估，确定用户的行为信息是否符合第一规则条件，若用户的行为信息符合第一规则条件，则确定用户的贷款申请行为为正常申请行为，并同意用户的贷款申请，若用户的行为信息不符合所述第一规则条件，则确定用户的贷款申请行为为异常申请行为，并拒绝用户的贷款申请，若以多个第一规则条件作为综合规则条件，则根据预设的优先级规则确定综合规则条件中各个第一规则条件的优先级别，并根据优先级别对用户的行为信息进行评估，确定用户是否具有贷款申请资格。

本实施例提出的贷款风控规则调整方法，通过检测并获取用户申请贷款的行为信息，然后基于所述第一规则条件对所述行为信息进行评估，确定用户贷款申请资格；实现了根据第一规则条件对用户的行为信息进行评估，从而准确确定用户是否具有贷款资格，进而有效拦截更多欺诈分子。

基于第三实施例，提出本发明贷款风控规则调整方法的第四实施例，参照图5，本实施例中，步骤S42包括：

步骤S421，确定所述行为信息是否符合所述第一规则条件；

在本实施例中，确定用户的行为信息是否符合第一规则条件，该行为信息可以通过用户申请贷款填写资料、用户公司工资发放的流水账、税务局缴纳税务账单、工商局的工商数据等进行获取，例如，规则引擎中的第一规则条件为3000元-4000元，若获取到某用户的行为信息中收入为3200元，则该用户的收入在该第一规则条件的范围内，认为该用户的收入符合第一规则条件，若获取到某用户的行为信息中收入为5000元，则该用户的收入不在该第一规则条件范围内，则认为该用户的收入不符合第一规则条件。

步骤S422，若所述行为信息符合所述第一规则条件，则确定用户的贷款申请行为为异常申请行为，并同意用户的贷款申请；

在本实施例中，在规则引擎执行对应的风控规则时，用户行为信息若符合第一规则条件，则认为用户的贷款申请行为为异常申请行为，并拒绝用户的贷款申请，例如，规则引擎中的第一规则条件为A地区，获取某用户行为信息中贷款申请所在地区，确定该用户贷款申请所在地区是否为A地区，若是，则认为该用户的行为信息符合第一规则条件，则判定该用户的申请贷款行为为异常申请行为，并拒绝该用户的贷款申请。

步骤S423，若所述行为信息不符合所述第一规则条件，则确定用户的贷款申请行为为正常申请行为，并同意用户的贷款申请。

在本实施例中，在规则引擎执行对应的风控规则时，用户行为信息若不符合第一规则条件，则认为用户的贷款申请行为为正常申请行为，并同意用户的贷款申请，例如，规则引擎中的第一规则条件为收入3000元-4000元，获取某用户行为信息中的收入，确定该用户的收入是否在3000元-4000元的范围内，若否，则认为该用户的行为信息不符合第一规则条件，则判定该用户的申请贷款行为为正常申请行为，并同意该用户的贷款申请。

本实施例提出的贷款风控规则调整方法，通过确定所述行为信息是否符合所述第一规则条件，若所述行为信息符合所述第一规则条件，则确定用户的贷款申请行为为异常申请行为，并拒绝用户的贷款申请，若所述行为信息不符合所述第一规则条件，则确定用户的贷款申请行为为正常申请行为，并同意用户的贷款申请；实现了判断用户行为信息是否符合第一规则条件，从而能够及时正确地拦截欺诈分子。

基于第三实施例，提出本发明贷款风控规则调整方法的第五实施例，参照图6，本实施例中，步骤S42包括：

步骤S424，若以多个第一规则条件作为综合规则条件，则基于预设优先级规则确定综合规则条件中的各个第一规则条件的优先级别；

在本实施例中，以多个第一规则条件作为综合规则条件即规则引擎通过多个第一规则条件来判断用户的贷款申请资格，在规则引擎中可以预先设定优先级规则，例如，预存一张优先级规则表，通过该优先级规则表确定综合规则条件中的各个第一规则条件的优先级别。

步骤S425，基于所述优先级别对所述行为信息进行评估，确定用户贷款申请资格。

在本实施例中，该优先级规则可以是优先执行某个优先级别最高的第一规则条件对应的风控规则，然后执行下一优先级别的第一规则条件对应的风控规则，例如，以A地区与收入3000元-4000元这两个第一规则条件为例，若A地区优先级别高于收入3000元-4000元，首先执行A地区范围的第一规则条件，同意用户贷款申请地不在A地区范围内的所有用户的贷款申请，然后再对用户贷款申请地在A地区范围内的用户执行收入3000元-4000元的第一规则条件，若用户贷款申请地在A地区范围内的用户的收入不在3000元-4000元范围内，则同意该用户的贷款申请，或者，首先执行A地区范围的第一规则条件，拒绝用户贷款申请地在A地区范围内的所有用户的贷款申请，并对用户贷款申请地不在A地区范围内的用户执行收入3000元-4000元的第一规则条件，若用户贷款申请地不在A地区范围内的用户的收入在3000元-4000元内，则同意该用户的贷款申请，若用户贷款申请地不在A地区范围内的用户的收入在3000元-4000元内，则拒绝该用户的贷款申请。

当然，也可以是先执行某个优先级别最高的规则条件对应的风控规则，然后将下一优先级别的规则条件对应值与预设的增益系数相乘，得到相乘后的规则条件对应值，从而执行相乘后的规则条件对应值的风控规则。

本实施例提出的贷款风控规则调整方法，通过若以多个第一规则条件作为综合规则条件，则基于预设优先级规则确定综合规则条件中的各个第一规则条件的优先级别，然后基于所述优先级别对所述行为信息进行评估，确定用户贷款申请资格；实现了根据优先级规则确定执行规则条件的顺序，从而能够实时有效的更准确地拦截欺诈分子。

基于第五实施例，提出本发明贷款风控规则调整方法的第六实施例，参照图7，本实施例中，步骤S425包括：

步骤S4251，获取第一优先级别对应的第二规则条件，并确定所述行为信息是否符合所述第二规则条件；

在本实施例中，所述规则条件包括收入、年龄、地区、婚姻情况、征信等，例如，第二规则条件为地区，第三规则条件为收入时，且地区的优先级别高于收入的优先级别，则获取用户的实际收入及贷款申请地址，并首先执行地区对应的风控规则，确定该申请地址是否符合第二规则条件，即确定该申请地址是否在该第二规则条件的地区内。

步骤S4252，若所述行为信息符合所述第二规则条件，获取第二优先级别对应的增益系数，并根据所述增益系数计算所述第二优先级别对应的第三规则条件的增益规则条件，其中，所述第一优先级别高于所述第二优先级别；

在本实施例中，若该行为信息满足该第二规则条件，则获取第二优先级别对应的增益系数，并根据该增益系数计算第二优先级别对应的第三规则条件的增益规则条件，例如，若该申请地址在该第二规则条件的地区内，则将该第三规则条件的收入对应的收入值与优先级规则中预设的增益系数相乘，得到相乘后的增益收入，例如，将A地区及收入3000元-4000元这两个规则条件作为综合规则条件，预设的增益系数为0.3，首先执行A地区范围对应的第二规则条件，同意贷款申请地址不在A地区范围内用户的贷款申请，将收入3000元-4000元的第二规则条件中对应的收入范围与增益系数相乘，得到增益收入为3900元-5200元。该增益系数可以由预设的增益系数表或者增益系数曲线得到。

步骤S4253，确定所述行为信息是否符合所述增益规则条件，若所述行为信息符合所述增益规则条件，则拒绝用户的贷款申请。

在本实施例中，确定用户的行为信息是否符合增益后的增益规则条件，若符合，则拒绝用户的贷款申请，若不符合，则同意用户的贷款申请，例如，确定用户的实际收入是否大于增益收入，若用户的实际收入大于增益收入，则同意用户的贷款申请，在步骤S4252中，若贷款申请地址在A地区范围内用户的收入不在3900元-5200元的范围内，则同意该用户的贷款申请，若贷款申请地址在A地区范围内用户的收入在3900元-5200元的范围内，则拒绝该用户的贷款申请，当然，本实施例规则条件可以是某个范围，也可以是某个阈值，例如，规则条件是收入为3000元，通过增益系数相乘得到的增益收入为3900元，在执行增益后的规则条件对应的风控规则时，拒绝实际收入小于3900元的用户的贷款申请。

本实施例提出的贷款风控规则调整方法，通过获取第一优先级别对应的第二规则条件，并确定所述行为信息是否符合所述第二规则条件，然后若所述行为信息符合所述第二规则条件，获取第二优先级别对应的增益系数，并根据所述增益系数计算所述第二优先级别对应的第三规则条件的增益规则条件，其中，所述第一优先级别高于所述第二优先级别，最后确定所述行为信息是否符合所述增益规则条件，若所述行为信息符合所述第三规则条件，则拒绝用户的贷款申请；实现了根据优先级规则计算增益规则条件，从而能够实时有效的更准确地拦截欺诈分子。

基于以上任一实施例，提出本发明贷款风控规则调整方法的第七实施例，参照图8，本实施例中，该贷款风控规则调整方法还包括：

步骤S50，统计执行所述风控规则拦截贷款申请用户的用户数量、拦截原因；

在本实施例中，该拦截原因包括用户的行为信息、风控规则中的规则条件、风险指标、标准参数、综合权重等，例如，风险指标为收入，通机器学习模型训练得到贷款数据中收入对应人群的逾期率大于预设阈值，则将该收入对应的收入范围作为第规则条件，该规则条件推送至规则引擎，执行该规则条件对应的风控规则，根据某用户的行为信息确定该用户收入符合该规则条件，则拒绝该用户的贷款申请，该风险指标为收入，标准参数为逾期率，规则条件为收入范围，并将该用户的行为信息、收入范围、逾期率进行保存，生成拦截原因，譬如，收入在000元-4000元范围内的用户逾期率高于预设阈值，某用户的实际收入为3500元，实际收入在3000元-4000元范围内，已对该用户进行拦截，拒绝该用户的贷款申请。同时，统计拦截用户的用户数量，当然，可以进行实时统计，或者在预设时间进行统计，例如，凌晨3点。

步骤S60，基于所述用户数量及所述拦截原因生成风控报表。

在本实施例中，根据拦截的用户数量及拦截原因生成风控报表，并将该风控报表存储在报表数据库，工作人员可以打开报表数据库对应的文件夹查看风控报表，或通过打印机将风控报表进行打印，或者将风控报表发送至对应的工作人员所在终端。

本实施例提出的贷款风控规则调整方法，通过统计执行所述风控规则拦截贷款申请用户的用户数量、拦截原因，然后基于所述用户数量及所述拦截原因生成风控报表；实现了根据拦截用户的用户数量及拦截原因生成风控报表，从而有利于工作人员进行人工分析，有利于风控规则的管理。

此外，本发明实施例还提供一种贷款风控规则调整装置。

参照图9，图9为本发明贷款风控规则调整装置第一实施例的功能模块示意图。所述贷款风控规则调整装置包括：

获取模块，用于获取历史贷款数据，检测并统计所述历史贷款数据的风险指标，其中，所述贷款数据包括贷前数据及贷后数据；

训练模块，用于将所述贷前数据及所述贷后数据分别作为输入训练集及输出训练集，并基于所述输入训练集及所述输出训练集对机器学习模型进行训练；

处理模块，用于通过训练确定所述风险指标对应的标准参数是否大于预设阈值，若所述标准参数大于预设阈值，则将所述风险指标对应的指标范围作为第一规则条件；

执行模块：将所述第一规则条件推送至规则引擎，执行所述第一规则条件对应的风控规则，以对用户申请贷款的用户行为进行评估。

进一步地，所述处理模块还用于：

若以多个风险指标作为综合风险指标时，则获取所述综合风险指标中各个风险指标的权重，并计算所述各个风险指标的权重的权重和；

确定所述权重和对应用户的用户逾期率是否大于预设阈值；

若所述权重和对应用户的用户逾期率大于预设阈值，则将所述权重和作为所述综合风险指标的第一规则条件。

进一步地，所述执行模块还用于：

检测并获取用户申请贷款的行为信息；

基于所述第一规则条件对所述行为信息进行评估，确定用户贷款申请资格。

进一步地，所述处理模块还用于：

确定所述行为信息是否符合所述第一规则条件；

若所述行为信息符合所述第一规则条件，则确定用户的贷款申请行为为异常申请行为，并拒绝用户的贷款申请；

若所述行为信息不符合所述第一规则条件，则确定用户的贷款申请行为为正常申请行为，并同意用户的贷款申请。

进一步地，所述处理模块还用于：

若以多个第一规则条件作为综合规则条件，则基于预设优先级规则确定综合规则条件中的各个第一规则条件的优先级别；

基于所述优先级别对所述行为信息进行评估，确定用户贷款申请资格。

进一步地，所述处理模块还用于：

获取第一优先级别对应的第二规则条件，并确定所述行为信息是否符合所述第二规则条件；

若所述行为信息符合所述第二规则条件，获取第二优先级别对应的增益系数，并根据所述增益系数计算所述第二优先级别对应的第三规则条件的增益规则条件，其中，所述第一优先级别高于所述第二优先级别；

确定所述行为信息是否符合所述增益规则条件，若所述行为信息符合所述增益规则条件，则拒绝用户的贷款申请。

进一步地，所述贷款风控规则调整装置还包括：

统计模块：用于统计执行所述风控规则拦截贷款申请用户的用户数量、拦截原因；

生成模块：用于基于所述用户数量及所述拦截原因生成风控报表。

此外，本发明实施例还提供一种可读存储介质。

本发明可读存储介质上存储有贷款风控规则调整程序，其中所述贷款风控规则调整程序被处理器执行时，实现如上述的贷款风控规则调整方法的步骤。

其中，贷款风控规则调整程序被执行时所实现的方法可参照本发明贷款风控规则调整方法的各个实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种贷款风控规则调整方法，其特征在于，所述贷款风控规则调整方法包括以下步骤：

获取历史贷款数据，检测并统计所述历史贷款数据的风险指标，其中，所述贷款数据包括贷前数据及贷后数据；

将所述贷前数据及所述贷后数据分别作为输入训练集及输出训练集，并基于所述输入训练集及所述输出训练集对机器学习模型进行训练；

通过训练确定所述风险指标对应的标准参数是否大于预设阈值，若所述标准参数大于预设阈值，则将所述风险指标对应的指标范围作为第一规则条件；

将所述第一规则条件推送至规则引擎，执行所述第一规则条件对应的风控规则，以对用户申请贷款的用户行为进行评估。

2.如权利要求1所述的贷款风控规则调整方法，其特征在于，所述通过训练确定所述风险指标对应的标准参数是否大于预设阈值，若所述标准参数大于预设阈值，将所述风险指标对应的指标范围作为第一规则条件的步骤包括：

若以多个风险指标作为综合风险指标时，则获取所述综合风险指标中各个风险指标的权重，并计算所述各个风险指标的权重的权重和；

确定所述权重和对应用户的用户逾期率是否大于预设阈值；

若所述权重和对应用户的用户逾期率大于预设阈值，则将所述权重和作为所述综合风险指标的第一规则条件。

3.如权利要求1所述的贷款风控规则调整方法，其特征在于，所述对用户申请贷款的用户行为进行评估的步骤包括：

检测并获取用户申请贷款的行为信息；

基于所述第一规则条件对所述行为信息进行评估，确定用户贷款申请资格。

4.如权利要求3所述的贷款风控规则调整方法，其特征在于，所述基于所述第一规则条件对所述行为信息进行评估，确定用户贷款申请资格的步骤包括：

确定所述行为信息是否符合所述第一规则条件；

若所述行为信息符合所述第一规则条件，则确定用户的贷款申请行为为异常申请行为，并拒绝用户的贷款申请；

若所述行为信息不符合所述第一规则条件，则确定用户的贷款申请行为为正常申请行为，并同意用户的贷款申请。

5.如权利要求3所述的贷款风控规则调整方法，其特征在于，所述基于所述第一规则条件对所述行为信息进行评估，确定用户贷款申请资格的步骤包括：

若以多个第一规则条件作为综合规则条件，则基于预设优先级规则确定综合规则条件中的各个第一规则条件的优先级别；

基于所述优先级别对所述行为信息进行评估，确定用户贷款申请资格。

6.如权利要求5所述的贷款风控规则调整方法，其特征在于，所述基于所述优先级别对所述行为信息进行评估，确定用户贷款申请资格的步骤包括：

获取第一优先级别对应的第二规则条件，并确定所述行为信息是否符合所述第二规则条件；

若所述行为信息符合所述第二规则条件，获取第二优先级别对应的增益系数，并根据所述增益系数计算所述第二优先级别对应的第三规则条件的增益规则条件，其中，所述第一优先级别高于所述第二优先级别；

确定所述行为信息是否符合所述增益规则条件，若所述行为信息符合所述增益规则条件，则拒绝用户的贷款申请。

7.如权利要求1-6任一项所述的贷款风控规则调整方法，其特征在于，所述贷款风控规则调整方法还包括：

统计执行所述风控规则拦截贷款申请用户的用户数量、拦截原因；

基于所述用户数量及所述拦截原因生成风控报表。

8.一种贷款风控规则调整装置，其特征在于，所述贷款风控规则调整装置包括：

获取模块，用于获取历史贷款数据，检测并统计所述历史贷款数据的风险指标，其中，所述贷款数据包括贷前数据及贷后数据；

训练模块，用于将所述贷前数据及所述贷后数据分别作为输入训练集及输出训练集，并基于所述输入训练集及所述输出训练集对机器学习模型进行训练；

处理模块，用于通过训练确定所述风险指标对应的标准参数是否大于预设阈值，若所述标准参数大于预设阈值，则将所述风险指标对应的指标范围作为第一规则条件；

执行模块：将所述第一规则条件推送至规则引擎，执行所述第一规则条件对应的风控规则，以对用户申请贷款的用户行为进行评估。

9.一种贷款风控规则调整设备，其特征在于，所述贷款风控规则调整设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的贷款风控规则调整程序，其中所述贷款风控规则调整程序被所述处理器执行时，实现如权利要求1至7中任一项所述的贷款风控规则调整方法的步骤。

10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有信贷评估程序，其中所述贷款风控规则调整程序被处理器执行时，实现如权利要求1至7中任一项所述的贷款风控规则调整方法的步骤。