CN110097450A - 车贷风险评估方法、装置、设备和存储介质 - Google Patents

Abstract

本发明公开了一种车贷风险评估方法、装置、设备和存储介质。所述方法包括：向训练得到的第一模型输入待评估对象的业务信息，以获得第一结果；向训练得到的第二模型输入待评估对象的征信信息，以获得第二结果；根据所述第一结果和所述第二结果确定待评估对象的风险评估结果；其中，所述第二结果对应的权重大于所述第一结果对应的权重。通过引入业务信息和征信信息对待评估对象进行多维度的风险评估，从而可以提高针对待评估对象的风险评估结果的可靠性。

Description

车贷风险评估方法、装置、设备和存储介质

技术领域

本发明实施例涉及计算机技术领域，尤其涉及车贷风险评估方法、装置、设备和存储介质。

背景技术

在现有技术中，客户办理汽车金融贷款业务时，通常需要用户填写个人信息和车辆信息，然后根据个人信息和车辆信息对用户的车贷风险进行评估。在实际应用中，若仅依靠用户提供的个人信息和车辆信息是能够实现对当前用户贷款风险性的评估。但是由于这些个人信息是由用户自己提供的，个人信息的可靠性无法得到保证；此外，由于用户个人信息比较少，无法对该用户进行全面合理的风险评估。

基于上述方案，需要一种能够对车贷风险进行更加全面评估的方案。

发明内容

为了解决上述问题，本发明实施例提供一种车贷风险评估方法、装置、设备和存储介质，用以能够对车贷风险进行更加全面评估的方案。

第一方面，本发明实施例提供一种车贷风险评估方法，该方法包括：

向训练得到的第一模型输入待评估对象的业务信息，以获得第一结果；

向训练得到的第二模型输入待评估对象的征信信息，以获得第二结果；

根据所述第一结果和所述第二结果确定待评估对象的风险评估结果；其中，所述第二结果对应的权重大于所述第一结果对应的权重。

进一步地，所述根据所述第一结果和所述第二结果确定待评估对象的风险评估结果，包括：

若所述第一结果大于第一阈值，且所述第二结果大于第二阈值，则确定所述第一结果具有第一权重，所述第二结果具有第二权重；

确定风险评估结果为第一结果和第二结果的加权和。

进一步地，所述根据所述第一结果和所述第二结果确定待评估对象的风险评估结果，包括：

若所述第一结果小于所述第一阈值，且所述第二结果大于所述第二阈值，则确定所述第一结果具有第三权重；

确定风险评估结果为加权后的第一结果和第二结果中较小的一个。

进一步地，所述根据所述第一结果和所述第二结果确定待评估对象的风险评估结果，包括：

若所述第一结果大于所述第一阈值，且所述第二结果小于所述第二阈值，则确定所述第一阈值具有第一权重，确定所述第二结果具有第二权重；

确定风险评估结果为第一阈值和第二结果的加权和。

进一步地，所述方法还包括：

获取多个对象的业务训练信息和征信训练信息；

对所述业务训练信息和所述征信训练信息进行筛选，获得业务训练样本和征信训练样本；

输入所述业务训练样本对第一模型进行训练；

输入所述征信训练样本对第二模型进行训练。

进一步地，所述业务训练信息包括：个人业务训练信息和车辆业务训练信息；

对所述业务训练信息进行筛选，获得业务训练样本，包括：

获取多个对象的个人业务训练信息和车辆业务训练信息；

对所述多个对象的个人业务训练信息和车辆业务训练信息进行衍生变量处理，生成个人业务衍生变量和车辆业务衍生变量；

对所述个人业务训练信息、所述个人业务衍生变量、所述车辆业务训练信息、所述车辆业务衍生变量进行信息价值筛选，生成所述业务训练样本。

进一步地，对所述征信训练信息进行筛选，获得征信训练样本，包括：

获取多个对象的征信训练信息；

对所述多个对象的征信训练信息进行衍生变量处理，生成征信衍生变量；

对所述征信训练信息和所述征信衍生变量进行信息价值筛选，生成所述征信训练样本。

进一步地，所述业务训练样本包括：车辆用途、住房信息、首付比例、用户职业、贷款本金、贷款利率、还款方式、用户工龄、用户婚姻状况、保险费支付方式、保额、所购车辆净价格与前一年家庭总收入的比例；

所述征信训练样本包括：近一年内贷款审批次数、近半年贷款查询次数、信用卡额度使用率、信用卡使用时长。

第二方面，本发明实施例提供一种车贷风险评估装置，该装置包括：

第一获取模块，用于向训练得到的第一模型输入待评估对象的业务信息，以获得第一结果；

第二获取模块，用于向训练得到的第二模型输入待评估对象的征信信息，以获得第二结果；

评估模块，用于根据所述第一结果和所述第二结果确定待评估对象的风险评估结果；其中，所述第二结果对应的权重大于所述第一结果对应的权重。

第三方面，本发明实施例提供一种电子设备，包括处理器、存储器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现：

向训练得到的第一模型输入待评估对象的业务信息，以获得第一结果；

向训练得到的第二模型输入待评估对象的征信信息，以获得第二结果；

根据所述第一结果和所述第二结果确定待评估对象的风险评估结果；其中，所述第二结果对应的权重大于所述第一结果对应的权重。

第四方面，本发明实施例提供了一种计算机存储介质，用于储存计算机程序，所述计算机程序使计算机执行时实现上述第一方面中的车贷风险评估方法。

在本发明实施例中，在对用户的车贷进行风险评估时，不仅获取业务信息，还获取银行提供的更加可靠的征信信息。具体来说，将业务信息(个人业务信息、车辆业务信息)输入到训练好的第一模型，得到第一结果；将征信信息输入到训练好的第二模型，得到第二结果；根据预设权重值对第一结果和第二结果进行加权处理，得到待评估对象的风险评估结果。基于上述方案，通过引入业务信息和征信信息对待评估对象进行多维度的风险评估，从而可以提高针对待评估对象的风险评估结果的可靠性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种车贷风险评估方法的流程示意图；

图2为本发明实施例提供的一种车贷风险评估装置的结构示意图；

图3为与图1所述实施例提供的一种车贷风险评估方法对应的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

还需要说明的是，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商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商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，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。

图1为本发明实施例提供的一种车贷风险评估方法的流程示意图，如图1所示，该方法包括以下步骤：

101：向训练得到的第一模型输入待评估对象的业务信息，以获得第一结果。

这里所说待评估对象(用户、车主)的业务信息包括个人业务信息和车辆业务信息。在实际应用中，个人业务信息和车辆业务信息的数据类型可以是文本型、枚举型等原始数据类型，进一步对该数据类型进行转换、离散化处理。

102：向训练得到的第二模型输入待评估对象的征信信息，以获得第二结果。

在实际应用中，待评估对象的征信信息的数据类型可以是文本型、枚举型等原始数据类型，进一步对该数据类型进行转换、离散化处理。

这里所说的第一模型和第二模型，可以采用逻辑回归算法。

103：根据所述第一结果和所述第二结果确定待评估对象的风险评估结果；其中，所述第二结果对应的权重大于所述第一结果对应的权重。

在实际应用中，容易理解，第一结果是基于用户提供的业务信息进行评估得到的，而第二结果是基于银行提供的征信信息进行评估得到的，因此，第二结果的可靠性更高。在确定该用户的风险评估结果时，可以综合考虑第一结果和第二结果。具体来说，在根据第一结果和第二结果加权计算风险评估结果时，第二结果的权重要大于第一结果的权重。

在对有车贷需求的用户进行车贷风险评估时，不再仅依靠用户提供的业务信息进行风险评估，还综合考虑银行提供的征信信息，从而可以获得更加可靠的该用户车贷的风险评估结果。

在实际应用中，本申请风险评估方法，还可以适适用于个人其他贷款的风险评估，比如住房贷款风险评估等等。

在本发明的一个或者多个实施例中，所述根据所述第一结果和所述第二结果确定待评估对象的风险评估结果，具体可以包括：若所述第一结果大于第一阈值，且所述第二结果大于第二阈值，则确定所述第一结果具有第一权重，所述第二结果具有第二权重；确定风险评估结果为第一结果和第二结果的加权和。

例如，假设第一结果为R1、第二结果为R2、第一权重为X1、第二权重为X2，对应的风险评估结果为R。假设第一阈值为Y1、第二阈值为Y2。进一步地，若第一结果R1大于第一阈值Y1，并且第二结果R2大于第二阈值Y2，则对应的计算风险评估结果R的公式为：X1*R1+X2*R2＝R。这里的X1不大于X2，比如，X1为0.2，X2为0.8。

在本发明的一个或者多个实施例中，所述根据所述第一结果和所述第二结果确定待评估对象的风险评估结果，具体可以包括：若所述第一结果小于所述第一阈值，且所述第二结果大于所述第二阈值，则确定所述第一结果具有第三权重；确定风险评估结果为加权后的第一结果和第二结果中较小的一个。

例如，假设第一结果为R1、第二结果为R2、第三权重为X3、第一阈值为Y1、第二阈值为Y2。进一步地，若第一结果R1小于第一阈值Y1，第二结果R2大于第二阈值Y2，则确定风险评估结果R的公式为：min(X3*R1,R2)，如果X3*R1小于R2，则R＝X3*R1；如果X3*R1大于R2，则R＝R2。

在本发明的一个或者多个实施例中，所述根据所述第一结果和所述第二结果确定待评估对象的风险评估结果，具体可以包括：若所述第一结果大于所述第一阈值，且所述第二结果小于所述第二阈值，则确定所述第一阈值具有第一权重，确定所述第二结果具有第二权重；确定风险评估结果为第一阈值和第二结果的加权和。

例如，假设第一结果为R1、第二结果为R2、第一权重为X1、第二权重X2、第一阈值为Y1、第二阈值为Y2。进一步地，若第一结果R1大于第一阈值Y1，第二结果R2小于第二阈值Y2，则确定风险评估结果R的公式为：R＝X1*Y1+X2*R2。

若第一结果R1小于第一阈值Y1，并且第二结果R2小于第二阈值Y2，则对应的风险评估结果R可以为一个固定值R3，即R＝R3，比如，R3可以为35。

需要说明的是，对于上述实施例中的第一阈值Y1、第二阈值Y2、第一权重X1、第二权重X2、第三权重X3都可以根据经验确定。在确定上述参数过程中，需要确保进行R计算时，第二结果R2对应权重要大于第一结果R1对应权重。

在本发明的一个或者多个实施例中，所述方法还可以包括：获取多个对象的业务训练信息和征信训练信息；对所述业务训练信息和所述征信训练信息进行筛选，获得业务训练样本和征信训练样本；输入所述业务训练样本对第一模型进行训练；输入所述征信训练样本对第二模型进行训练。

需要说明的是，在实际训练过程中，第一模型和第二模型的训练过程是分开进行的，可以分别获取多个对象的业务训练信息对第一模型进行训练，同时获取多个对象的征信训练信息对第二模型进行训练。为了获得更好的训练效果，最好采用来自于同一个或多个对象的业务训练信息和征信训练信息对模型进行训练。换言之，在训练阶段，为了获得较好的训练效果，需要将同一个对象对应的业务训练信息和征信训练信息作为一组进行模型训练。

在本发明的一个或者多个实施例中，所述业务训练信息包括：个人业务训练信息和车辆业务训练信息；

对所述业务训练信息进行筛选，获得业务训练样本，具体可以包括：获取多个对象的个人业务训练信息和车辆业务训练信息；对所述多个对象的个人业务训练信息和车辆业务训练信息进行衍生变量处理，生成个人业务衍生变量和车辆业务衍生变量；对所述个人业务训练信息、所述个人业务衍生变量、所述车辆业务训练信息、所述车辆业务衍生变量进行信息价值(IV，Information Value)筛选，生成所述业务训练样本。

在实际应用中，对多个对象的个人业务训练信息和车辆业务训练信息分别进行衍生变量处理。具体来说，多个对象具有的原始业务信息的种类和数据量都比较多，若直接利用个别原始业务信息对模型进行训练后，所得到的模型预测效果不是很好，因此，需要对原始的个人业务训练信息和车辆业务训练信息进行衍生变量处理，能够得到对模型训练效果比较好的衍生变量。进一步地，对原始的个人业务训练信息、个人业务衍生变量、车辆业务训练信息、车辆衍生变量进行信息价值筛选，得到预测能力较好的业务训练样本。还可以对其中一些业务训练样本进行哑变量处理，根据经验对业务训练样本赋予多个属性值和对应的分值。例如，假设其中一个业务信息为车辆用途，对车辆用途进行分类，包括自用、抵押、出租等，对应的属性值分别为自用为0、抵押为1、出租为2，对应分值可以为自用为4分、抵押为2分、出租为2.5分等。当然，这里对车辆用途的属性值赋值和打分是根据经验确定的，在实际应用中，用户可以根据自己的实际需求，确定业务信息和对应的属性值和分值。

在本发明的一个或者多个实施例中，对所述征信训练信息进行筛选，获得征信训练样本，具体可以包括：获取多个对象的征信训练信息；对所述多个对象的征信训练信息进行衍生变量处理，生成征信衍生变量；对所述征信训练信息和所述征信衍生变量进行信息价值(IV，Information Value)筛选，生成所述征信训练样本。

如前文所述可知，还需要对征信训练信息进行相应的衍生变量处理、信息价值筛选，才能得到所需的征信训练样本。原始的征信训练信息可能是文本型数据，根据经验对各个筛选得到的征信训练信息、征信衍生信息进行哑变量处理。例如，对用户名下信用卡的额度使用率进行多个等级的划分，使用率最低(比如，使用次数为零)对应一个属性值，该属性值的得分是10分，随着使用率的增高，对应的属性值的得分降低。

如前文所述可知，对业务训练信息和征信训练信息进行信息价值筛选过程中，按照预测能力进行筛选，换言之，优先选择预测能力较强的业务训练信息和征信训练信息。需要说明的是，在选择训练信息时，各个训练信息通常是关联性比较弱的。

在训练得到第一模型和第二模型之后，还需要对第一模型和第二模型进行评估，判断模型的预测效果。如果模型预测效果不理想，还需要对模型进行进一步调整或者重新训练。例如，可以对模型训练用的输入数据进行替换。一般来说，在替换过程中，优先选择预测能力较强的通类型训练信息进行替换，比如，利用个人业务训练信息替换原来的个人业务训练信息；若剩余的个人业务训练信息的预测能力都比较弱，则可以修改为利用车辆业务训练信息替换原来的个人业务训练信息。需要说明的是，在替换的过程中，不能用业务训练信息替换征信训练信息，也不能用征信训练信息替换业务训练信息，因为业务训练信息和征信训练信息分别对应不同的模型。

在本发明的一个或者多个实施例中，还可以包括：所述业务训练样本包括：车辆用途、住房信息、首付比例、用户职业、贷款本金、贷款利率、还款方式、用户工龄、用户婚姻状况、保险费支付方式、保额、所购车辆净价格与前一年家庭总收入的比例；所述征信训练样本包括：近一年内贷款审批次数、近半年贷款查询次数、信用卡额度使用率、信用卡使用时长、信用卡的开卡年数、信用卡在用户账号数中的占比、信用卡使用时间大于一年而且为出现违约的占比、信用卡近3个月审批查询次数、信用卡最大逾期期数等等。

上述的各业务训练信息和征信训练信息作为举例说明，通常是根据实际经验进行选择的。在实际应用中，用户可以根据需要进行筛选和调整。以上信息类型仅作为举例说明，并不构成对本申请技术方案的限制。

基于同样的思路，如图2所示，本发明实施例还提供一种车贷风险评估装置，该装置包括：

第一获取模块21，用于向训练得到的第一模型输入待评估对象的业务信息，以获得第一结果；

第二获取模块22，用于向训练得到的第二模型输入待评估对象的征信信息，以获得第二结果；

评估模块23，用于根据所述第一结果和所述第二结果确定待评估对象的风险评估结果；其中，所述第二结果对应的权重大于所述第一结果对应的权重。

进一步地，评估模块23用于在若所述第一结果大于第一阈值，且所述第二结果大于第二阈值，则确定所述第一结果具有第一权重，所述第二结果具有第二权重；

确定风险评估结果为第一结果和第二结果的加权和。

进一步地，评估模块23用于在若所述第一结果小于所述第一阈值，且所述第二结果大于所述第二阈值，则确定所述第一结果具有第三权重；

确定风险评估结果为加权后的第一结果和第二结果中较小的一个。

进一步地，评估模块23用于在若所述第一结果大于所述第一阈值，且所述第二结果小于所述第二阈值，则确定所述第一阈值具有第一权重，确定所述第二结果具有第二权重；

确定风险评估结果为第一阈值和第二结果的加权和。

进一步地，还包括训练模块24，用于获取多个对象的业务训练信息和征信训练信息；

对所述业务训练信息和所述征信训练信息进行筛选，获得业务训练样本和征信训练样本；

输入所述业务训练样本对第一模型进行训练；

输入所述征信训练样本对第二模型进行训练。

进一步地，所述业务训练信息包括：个人业务训练信息和车辆业务训练信息；

所述训练模块24，用于获取多个对象的个人业务训练信息和车辆业务训练信息；

对所述多个对象的个人业务训练信息和车辆业务训练信息进行衍生变量处理，生成个人业务衍生变量和车辆业务衍生变量；

对所述个人业务训练信息、所述个人业务衍生变量、所述车辆业务训练信息、所述车辆业务衍生变量进行信息价值筛选，生成所述业务训练样本。

进一步地，所述训练模块24，用于获取多个对象的征信训练信息；

对所述多个对象的征信训练信息进行衍生变量处理，生成征信衍生变量；

对所述征信训练信息和所述征信衍生变量进行信息价值筛选，生成所述征信训练样本。

进一步地，所述业务训练样本包括：车辆用途、住房信息、首付比例、用户职业、贷款本金、贷款利率、还款方式、用户工龄、用户婚姻状况、保险费支付方式、保额、所购车辆净价格与前一年家庭总收入的比例；

所述征信训练样本包括：近一年内贷款审批次数、近半年贷款查询次数、信用卡额度使用率、信用卡使用时长。

基于同样的思路，如图3所示，本发明实施例还提供一种电子设备，包括处理器31、存储器32，所述存储器32用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器31执行时实现：

向训练得到的第一模型输入待评估对象的业务信息，以获得第一结果；

向训练得到的第二模型输入待评估对象的征信信息，以获得第二结果；

根据所述第一结果和所述第二结果确定待评估对象的风险评估结果；其中，所述第二结果对应的权重大于所述第一结果对应的权重。

另外，本发明实施例提供了一种计算机存储介质，用于服务器所用的计算机软件指令，其包含用于执行上述图1所示方法实施例中车贷风险评估方法所涉及的程序。

基于上述各实施例可以了解到，在对用户的车贷进行风险评估时，不仅获取业务信息，还获取银行提供的更加可靠的征信信息。具体来说，将业务信息(个人业务信息、车辆业务信息)输入到训练好的第一模型，得到第一结果；将征信信息输入到训练好的第二模型，得到第二结果；根据预设权重值对第一结果和第二结果进行加权处理，得到待评估对象的风险评估结果。基于上述方案，通过引入业务信息和征信信息对待评估对象进行多维度的风险评估，从而可以提高针对待评估对象的风险评估结果的可靠性。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

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各实施方式可借助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和软件结合的方式来实现。基于这样的理解，上述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计算机产品的形式体现出来，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程资源更新设备的处理器以产生一个机器，使得通过计算机或其他可编程资源更新设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程资源更新设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程资源更新设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

最后应说明的是：以上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精神和范围。

Claims (11)

1.一种车贷风险评估方法，其特征在于，所述方法包括：

向训练得到的第一模型输入待评估对象的业务信息，以获得第一结果；

向训练得到的第二模型输入待评估对象的征信信息，以获得第二结果；

根据所述第一结果和所述第二结果确定待评估对象的风险评估结果；其中，所述第二结果对应的权重大于所述第一结果对应的权重。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一结果和所述第二结果确定待评估对象的风险评估结果，包括：

若所述第一结果大于第一阈值，且所述第二结果大于第二阈值，则确定所述第一结果具有第一权重，所述第二结果具有第二权重；

确定风险评估结果为第一结果和第二结果的加权和。

3.根据权利要求1所述的方法，其特征在于，所述根据所述第一结果和所述第二结果确定待评估对象的风险评估结果，包括：

若所述第一结果小于所述第一阈值，且所述第二结果大于所述第二阈值，则确定所述第一结果具有第三权重；

确定风险评估结果为加权后的第一结果和第二结果中较小的一个。

4.根据权利要求1所述的方法，其特征在于，所述根据所述第一结果和所述第二结果确定待评估对象的风险评估结果，包括：

若所述第一结果大于所述第一阈值，且所述第二结果小于所述第二阈值，则确定所述第一阈值具有第一权重，确定所述第二结果具有第二权重；

确定风险评估结果为第一阈值和第二结果的加权和。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取多个对象的业务训练信息和征信训练信息；

对所述业务训练信息和所述征信训练信息进行筛选，获得业务训练样本和征信训练样本；

输入所述业务训练样本对第一模型进行训练；

输入所述征信训练样本对第二模型进行训练。

6.根据权利要求5所述的方法，其特征在于，所述业务训练信息包括：个人业务训练信息和车辆业务训练信息；

对所述业务训练信息进行筛选，获得业务训练样本，包括：

获取多个对象的个人业务训练信息和车辆业务训练信息；

对所述多个对象的个人业务训练信息和车辆业务训练信息进行衍生变量处理，生成个人业务衍生变量和车辆业务衍生变量；

对所述个人业务训练信息、所述个人业务衍生变量、所述车辆业务训练信息、所述车辆业务衍生变量进行信息价值筛选，生成所述业务训练样本。

7.根据权利要求5所述的方法，其特征在于，对所述征信训练信息进行筛选，获得征信训练样本，包括：

获取多个对象的征信训练信息；

对所述多个对象的征信训练信息进行衍生变量处理，生成征信衍生变量；

对所述征信训练信息和所述征信衍生变量进行信息价值筛选，生成所述征信训练样本。

8.根据权利要求5所述的方法，其特征在于，还包括：

所述业务训练样本包括：车辆用途、住房信息、首付比例、用户职业、贷款本金、贷款利率、还款方式、用户工龄、用户婚姻状况、保险费支付方式、保额、所购车辆净价格与前一年家庭总收入的比例；

所述征信训练样本包括：近一年内贷款审批次数、近半年贷款查询次数、信用卡额度使用率、信用卡使用时长。

9.一种车贷风险评估装置，其特征在于，所述装置包括：

第一获取模块，用于向训练得到的第一模型输入待评估对象的业务信息，以获得第一结果；

第二获取模块，用于向训练得到的第二模型输入待评估对象的征信信息，以获得第二结果；

评估模块，用于根据所述第一结果和所述第二结果确定待评估对象的风险评估结果；其中，所述第二结果对应的权重大于所述第一结果对应的权重。

10.一种计算机存储介质，用于储存计算机程序，所述计算机程序使计算机执行时实现上述如权利1至8所述的车贷风险评估方法。

11.一种电子设备，其特征在于，包括处理器、存储器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现：

向训练得到的第一模型输入待评估对象的业务信息，以获得第一结果；

向训练得到的第二模型输入待评估对象的征信信息，以获得第二结果；

根据所述第一结果和所述第二结果确定待评估对象的风险评估结果；其中，所述第二结果对应的权重大于所述第一结果对应的权重。