CN110135701A - 控制规则的自动生成方法、装置、电子设备及可读介质 - Google Patents
控制规则的自动生成方法、装置、电子设备及可读介质 Download PDFInfo
- Publication number
- CN110135701A CN110135701A CN201910330369.1A CN201910330369A CN110135701A CN 110135701 A CN110135701 A CN 110135701A CN 201910330369 A CN201910330369 A CN 201910330369A CN 110135701 A CN110135701 A CN 110135701A
- Authority
- CN
- China
- Prior art keywords
- data set
- overdue
- credit
- sub data
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012954 risk control Methods 0.000 claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 62
- 230000011218 segmentation Effects 0.000 claims description 55
- 238000004590 computer program Methods 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 238000013480 data collection Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
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
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开涉及一种信贷风险控制规则的自动生成方法、装置、电子设备及计算机可读介质。该方法包括：获取历史信贷数据集，所述历史信贷数据集包括用户的多维度属性信息及逾期信息；基于所述多维度属性信息对所述历史信贷数据集进行自动分档处理以生成多个子数据集；根据所述逾期信息计算所述多个子数据集中每一个子数据集对应的逾期率；以及根据子数据集及其对应的所述逾期率生成信贷风险控制规则。本公开涉及的信贷风险控制规则的自动生成方法、装置、电子设备及计算机可读介质，能够快速准确的生成信贷风险控制规则，降低由用户信用问题带来的信贷风险。
Description
技术领域
本公开涉及计算机信息处理领域，具体而言，涉及一种信贷风险控制规则的自动生成方法、装置、电子设备及计算机可读介质。
背景技术
信贷是指以偿还和付息为条件的价值运动形式，通常包括银行存款、贷款等信用活动，信贷是社会主义国家用有偿方式动员和分配资金的重要形式，是发展经济的有力杠杆。贷款的产生必然伴随着风险，在还款期限届满之前，借款人财务商务状况的重大不利变化很可能影响其履约能力，从而发生呆账、坏账等风险，因此，为了降低此类风险的发生概率，需要对借款人进行风险评估。
传统金融机构对于信贷风险的评估规则主要依赖于人为的经验设定。比如团伙作案的一些非法中介，由于集中的地域属性比较近，可通过人工设置地域属性作为风控规则；还可例如，用户收入较低的人群，信贷逾期的几率较高，也可通过人工设定收入属性作为风控规则，还可通过用户的行为特征，时间等等设定风控规则。
上述风控规则设定办法不仅依赖于人工的判断，还要占用大量的人力和财力资源。而且，通过人工方式生成的风控规则，经常是需要在一个危险行为已经发生一段时间之后，给公司带来了大量的经济损失之后才被建立。如何快速准确的建立信贷风险控制规则是当前急需解决的难题。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此，本公开提供一种信贷风险控制规则的自动生成方法、装置、电子设备及计算机可读介质，能够快速准确的生成信贷风险控制规则，降低由用户信用问题带来的信贷风险。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一方面，提出一种信贷风险控制规则的自动生成方法，该方法包括：获取历史信贷数据集，所述历史信贷数据集包括用户的多维度属性信息及逾期信息；基于所述多维度属性信息对所述历史信贷数据集进行自动分档处理以生成多个子数据集；根据所述逾期信息计算所述多个子数据集中每一个子数据集对应的逾期率；以及根据子数据集及其对应的所述逾期率生成信贷风险控制规则。
在本公开的一种示例性实施例中，基于所述多维度属性信息对所述历史信贷数据集进行自动分档处理以生成多个子数据集包括：基于所述多维度属性信息对所述历史信贷数据集进行自动分组处理以生成多个组数据集；以及对所述多个组数据集进行自动分段处理以生成多个子数据集。
在本公开的一种示例性实施例中，基于所述多维度属性信息对所述历史信贷数据集进行自动分组处理以生成多个组数据集包括：将所述历史信贷数据集按照多维度属性信息中每一个维度属性进行自动分组处理，生成多个组数据集；以及其中，组数据集中包括用户标识，逾期信息以及对应于该维度属性的属性参数。
在本公开的一种示例性实施例中，对所述多个组数据集进行自动分段处理以生成多个子数据集包括：确定多个组数据中每一个组数据对应的分段指标；以及基于所述分段指标将所述组数据集进行自动分段处理以生成多个子数据集。
在本公开的一种示例性实施例中，确定多个组数据中每一个组数据对应的分段指标包括：基于所述组数据集中的属性参数生成属性特征曲线；以及根据所述属性特征曲线确定所述组数据集的所述分段指标。
在本公开的一种示例性实施例中，根据所述逾期信息计算所述多个子数据集中每一个子数据集对应的逾期率包括：基于子数据集中的用户数量及其对应的逾期信息计算所述子数据集的逾期率。
在本公开的一种示例性实施例中，根据子数据集及其对应的所述逾期率生成信贷风险控制规则包括：在所述子数据集对应的所述逾期率高于阈值时，通过所述子数据集对应的分段指标生成所述信贷风险控制规则。
在本公开的一种示例性实施例中，根据子数据集及其对应的所述逾期率生成信贷风险控制规则包括：通过至少两个子数据集的所述逾期率获取组合逾期概率；在所述组合逾期概率高于阈值时，通过所述至少两个子数据集对应的至少两个分段指标生成所述信贷风险控制规则。
在本公开的一种示例性实施例中，还包括：在所述组合逾期概率高于阈值时，将所述组合逾期概率对应的至少两个子数据集按照其对应的分段指标进行拆分，生成单元数据集；以及通过单元数据集与其对应的组合逾期概率生成所述信贷风险控制规则。
在本公开的一种示例性实施例中，还包括：根据所述信贷风险控制规则对实时用户进行信贷风险判别。
在本公开的一种示例性实施例中，还包括：获取预定时间内的历史信贷数据，所述历史信贷数据包括多个用户的基础信息与信贷信息；通过用户的基础信息生成所述多维度属性信息；以及通过用户的信贷信息生成所述逾期信息。
在本公开的一种示例性实施例中，通过用户的基础信息生成所述多维度属性信息包括：通过数据清洗的方式处理所述用户的基础信息；由数据清洗处理后的所述基础信息中提取多个属性参数；以及将所述多个属性参数按照预定的顺序拼接生成所述多维度属性信息。
根据本公开的一方面，提出一种信贷风险控制规则的自动生成装置，该装置包括：历史数据模块，用于获取历史信贷数据集，所述历史信贷数据集包括用户的多维度属性信息及逾期信息；分档处理模块，分组处理模块，用于基于所述多维度属性信息对所述历史信贷数据集进行自动分组处理以生成多个组数据集；分段处理模块，用于对所述多个组数据集进行自动分段处理以生成多个子数据集；逾期计算模块，用于根据所述逾期信息计算所述多个子数据集中每一个子数据集对应的逾期率；以及控制规则模块，用于根据子数据集及其对应的所述逾期率生成信贷风险控制规则。
在本公开的一种示例性实施例中，所述分档处理模块包括：分组处理单元，用于基于所述多维度属性信息对所述历史信贷数据集进行自动分组处理以生成多个组数据集；以及分段处理单元，用于对所述多个组数据集进行自动分段处理以生成多个子数据集。
在本公开的一种示例性实施例中，所述分组处理单元包括：分组处理子单元，用于将所述历史信贷数据集按照多维度属性信息中每一个维度属性进行自动分组处理，生成多个组数据集；以及其中，组数据集中包括用户标识，逾期信息以及对应于该维度属性的属性参数。
在本公开的一种示例性实施例中，所述分段处理单元包括：指标子单元，用于确定多个组数据中每一个组数据对应的分段指标；以及分段子单元，用于基于所述分段指标将所述组数据集进行自动分段处理以生成多个子数据集。
在本公开的一种示例性实施例中，所述指标子单元包括：曲线子单元，用于基于所述组数据集中的属性参数生成属性特征曲线；以及指标子单元，用于根据所述属性特征曲线确定所述组数据集的所述分段指标。
在本公开的一种示例性实施例中，所述逾期计算模块，还用于基于子数据集中的用户数量及其对应的逾期信息计算所述子数据集的逾期率。
在本公开的一种示例性实施例中，所述控制规则模块包括：第一规则单元，用于在所述子数据集对应的所述逾期率高于阈值时，通过所述子数据集对应的分段指标生成所述信贷风险控制规则。
在本公开的一种示例性实施例中，所述控制规则模块还包括：第二规则单元，用于通过至少两个子数据集的所述逾期率获取组合逾期概率；以及在所述组合逾期概率高于阈值时，通过所述至少两个子数据集对应的至少两个分段指标生成所述信贷风险控制规则。
在本公开的一种示例性实施例中，所述控制规则模块还包括：第三规则单元，用于在所述组合逾期概率高于阈值时，将所述组合逾期概率对应的至少两个子数据集按照其对应的分段指标进行拆分，生成单元数据集；以及通过单元数据集与其对应的组合逾期概率生成所述信贷风险控制规则。
在本公开的一种示例性实施例中，还包括：实时判别模块，用于根据所述信贷风险控制规则对实时用户进行信贷风险判别。
在本公开的一种示例性实施例中，还包括：数据生成模块，用于获取预定时间内的历史信贷数据，所述历史信贷数据包括多个用户的基础信息与信贷信息；通过用户的基础信息生成所述多维度属性信息；以及通过用户的信贷信息生成所述逾期信息。
在本公开的一种示例性实施例中，实时数据生成模块包括：数据处理单元，用于通过数据清洗的方式处理所述用户的基础信息；由数据清洗处理后的所述基础信息中提取多个属性参数；以及将所述多个属性参数按照预定的顺序拼接生成所述多维度属性信息。
根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。
根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。
根据本公开的信贷风险控制规则的自动生成方法、装置、电子设备及计算机可读介质，基于所述多维度属性信息对所述历史信贷数据集进行自动分档处理以生成多个子数据集；计算子数据集对应的逾期率；并根据子数据集及其对应的所述逾期率生成信贷风险控制规则的方式，能够快速准确的生成信贷风险控制规则，降低由用户信用问题带来的信贷风险。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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是根据一示例性实施例示出的一种信贷风险控制规则的自动生成方法的流程图。
图2是根据另一示例性实施例示出的一种信贷风险控制规则的自动生成方法的流程图。
图3是根据另一示例性实施例示出的一种信贷风险控制规则的自动生成方法的流程图。
图4是根据一示例性实施例示出的一种信贷风险控制规则的自动生成装置的框图。
图5是根据另一示例性实施例示出的一种信贷风险控制规则的自动生成装置的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。
图1是根据一示例性实施例示出的一种信贷风险控制规则的自动生成方法的流程图。信贷风险控制规则的自动生成方法10至少包括步骤S102至S108。
如图1所示，在S102中，获取历史信贷数据集，所述历史信贷数据集包括用户的多维度属性信息及逾期信息。
在一个实施例中，可通过用户的历史信贷数据生成多维度属性信息和逾期信息。具体可例如：获取预定时间内的历史信贷数据，所述历史信贷数据包括多个用户的基础信息与信贷信息；通过用户的基础信息生成所述多维度属性信息；以及通过用户的信贷信息生成所述逾期信息。
其中，历史信贷数据可由第三方信贷平台获取，或者通过本平台历史数据积累获取，不同来源的信贷数据可通过数据处理之后，生成可供后续分析使用的历史信贷数据。在一个实施例中，通过用户的基础信息生成所述多维度属性信息包括：通过数据清洗的方式处理所述用户的基础信息；由数据清洗处理后的所述基础信息中提取多个属性参数；以及将所述多个属性参数按照预定的顺序拼接生成所述多维度属性信息。
在一个实施例中，历史信贷数据可为一段时间内的信贷数据，可例如过去3个月内的信贷数据，过去一周的信贷数据，或者根据服务器的处理能力选择其他时间间隔。这种及时更新的信贷数据，可有利于及时发现信贷问题，调整信贷风险控制规范。
在一个实施例中，可对用户的数据进行特征属性表征，比如人口属性、社会属性、地域属性，有几千上万个特征。一条用户的数据可对应有几千上万各特征进行表征，这些特征表述组成了多维度的用户属性信息，多维度属性信息可例如包括：性别、年龄、职业、所在地点，年薪、联系人等等各种参数。
在S104中，基于所述多维度属性信息对所述历史信贷数据集进行自动分档处理以生成多个子数据集。可包括：基于所述多维度属性信息对所述历史信贷数据集进行自动分组处理以生成多个组数据集；以及对所述多个组数据集进行自动分段处理以生成多个子数据集。
在一个实施例中，基于所述多维度属性信息对所述历史信贷数据集进行自动分组处理以生成多个组数据集包括：将所述历史信贷数据集按照多维度属性信息中每一个维度属性进行自动分组处理，生成多个组数据集；以及其中，组数据集中包括用户标识，逾期信息以及对应于该维度属性的属性参数。
在一个实施例中，对所述多个组数据集进行自动分段处理以生成多个子数据集包括：确定多个组数据中每一个组数据对应的分段指标；以及基于所述分段指标将所述组数据集进行自动分段处理以生成多个子数据集。
在一个实施例中，用户的多维度属性信息可例如包括：性别、年龄、职业、所在地点，年薪、联系人等。可例如，按照性别，将历史信贷数据中的用户分为男性组与女性组；还可按照职业将历史信贷数据中的用户分为学生组，白领组，管理者组别等等。
在一个实施例中，在分组之后生成分组数据，将分组数据再细分为子数据集。可例如学生组可分再为大学生子数据集、研究生子数据集、博士生子数据集等等。
其中，基于所述多维度属性信息对所述历史信贷数据集进行自动分档处理以生成多个子数据集的详细内容将在图2对应的实施例中进行描述。
在S106中，根据所述逾期信息计算所述多个子数据集中每一个子数据集对应的逾期率。可例如，基于子数据集中的用户数量及其对应的逾期信息计算所述子数据集的逾期率。
具体可例如，在子数据集中包含100个用户，通过100个用户的用户对应的逾期信息确定该用户是否存在逾期的信息。可例如通过标签确定逾期信息。标签可例如为“是否有逾期“，值是1或0，或是”是"/"否“。逾其率是在当前子数据集中的多个用户中存在逾期的人占当前子数据集中总人数的比例。
在S108中，根据子数据集及其对应的所述逾期率生成信贷风险控制规则。可例如设定逾期率阈值，可根据不同的情况和组别分别确定不同的逾期率阈值。
在一个实施例中，根据子数据集及其对应的所述逾期率生成信贷风险控制规则包括：在所述子数据集对应的所述逾期率高于阈值时，通过所述子数据集对应的分段指标生成所述信贷风险控制规则。
在一个实施例中，根据子数据集及其对应的所述逾期率生成信贷风险控制规则包括：通过至少两个子数据集的所述逾期率获取组合逾期概率；在所述组合逾期概率高于阈值时，通过所述至少两个子数据集对应的至少两个分段指标生成所述信贷风险控制规则。
其中，根据子数据集及其对应的所述逾期率生成信贷风险控制规则的详细内容将在图3对应的实施例中进行描述。
在一个实施例中，还包括：根据所述信贷风险控制规则对实时用户进行信贷风险判别。
根据本公开的信贷风险控制规则的自动生成方法，基于所述多维度属性信息对所述历史信贷数据集进行自动分档处理以生成多个子数据集；计算子数据集对应的逾期率；并根据子数据集及其对应的所述逾期率生成信贷风险控制规则的方式，能够快速准确的生成信贷风险控制规则，降低由用户信用问题带来的信贷风险。
应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。
图2是根据一示例性实施例示出的一种信贷风险控制规则的自动生成方法的流程图。图2所示的流程20是对图1所示的流程中S102“基于所述多维度属性信息对所述历史信贷数据集进行自动分档处理以生成多个子数据集”的详细描述。
如图2所示，在S202中，基于所述多维度属性信息对所述历史信贷数据集进行自动分组处理以生成多个组数据集。
在一个实施例中，可包括：将所述历史信贷数据集按照多维度属性信息中每一个维度属性进行自动分组处理，生成多个组数据集。
其中，组数据集中包括用户标识，逾期信息以及对应于该维度属性的属性参数。可例如，年龄组数据集中，每个数据单元可包括用户标识，是否续期信息，以及该用户具体的年龄。
在S204中，基于所述组数据集中的属性参数生成属性特征曲线。可例如，特征参数为连续的数值的话，可以按照固定间隔来划分，在年龄组数据集中，比如年龄按照每10岁划分。值得一提的是，18岁以下的用户的受限用户。在其他年龄段中，可根据已有的数据，制作年龄属性的用户分布曲线。
在S206中，根据所述属性特征曲线确定所述组数据集的所述分段指标。根据属性特征调整分段划分，可例如，在年龄组数据集中，用户集中在18-28岁的区间，那么在18-28岁区间中，年龄的分段指标可为1岁间隔。在28-38岁区间中，用户减少，则在这个区间年龄的分段指标可为2岁区间，以此类推。
在S208中，基于所述分段指标将所述组数据集进行自动分段处理以生成多个子数据集。基于分段指标将组数据划分为子数据集。
可例如在年龄组数据集中，划分后的子数据集可为：
18-19岁子数据集；19-20岁子数据集；20-21岁子数据集；21-22岁子数据集；22-23岁子数据集；
23-25岁子数据集；25-27岁子数据集；
27-30岁子数据集；
30-35岁子数据集；35-40岁子数据集；
40-50岁子数据集；50-60岁子数据集；
60-80岁子数据集。
图3是根据一示例性实施例示出的一种信贷风险控制规则的自动生成方法的流程图。图3所示的流程30是对图1所示的流程中S108“根据子数据集及其对应的所述逾期率生成信贷风险控制规则”的详细描述。
如图3所示，在S302中，获取子数据集及其对应的逾期率。
在S302中，在单个子数据集对应的所述逾期率高于阈值时，通过所述子数据集对应的分段指标生成所述信贷风险控制规则。可例如设定逾期率阈值，可根据不同的情况和组别分别确定不同的逾期率阈值。
可例如，正在信贷运营的状态下，用户逾期率的阈值为0.1,可将0.1作为阈值进行判别。还可例如，在不同的情况下，比如外部资金紧张或者宽松信贷范围中，可通过人工方法调节逾期率阈值。
比如子数据集55-80岁，这个范围内逾期率很高，通过年龄55-80岁设置风险控制规则，可例如拒绝的名称年龄55-80岁，对应的标识为RA001标签，即自动生成了风控规则RA001。
在S306中，通过至少两个子数据集的所述逾期率获取组合逾期概率。将多个子数据集中的两两互相组合，或者更多的子数据集相互组合，确定组合之后的逾期率。
在本申请实施例中，风险控制规则有一维的(单一特征属性类别确定)、二维的(两种特征类别确定)，或者多维的(多种特征属性组合后产生确定的)。
可例如，可将年龄子数据集和性别子数据集相互组合，可例如，18-19岁子数据集与男性子数据集相互组和，构成年龄在18-19岁区间的男性子数据集，然后计算组合之后的组合逾期率。
还可例如，将年龄子数据集合性别子数据集、职业子数据集相互组合，可例如18-19岁子数据集与男性子数据集、无业子数据集相互组和，构成年龄在18-19岁区间的男性无业子数据集，然后计算组合之后的组合逾期率。
在S308中，在所述组合逾期概率高于阈值时，通过所述至少两个子数据集对应的至少两个分段指标生成所述信贷风险控制规则。
在组合逾期率高于阈值时，可例如年龄在18-19岁区间的男性无业子数据集中的逾期率大于阈值，则将“18-19岁区间的男性无业”作为所述信贷风险控制规则。
在S310中，在所述组合逾期概率高于阈值时，将所述组合逾期概率对应的至少两个子数据集按照其对应的分段指标进行拆分，生成单元数据集。
在S312中，通过单元数据集与其对应的组合逾期概率生成所述信贷风险控制规则。
可将将规则再细分到子规则来分级，比如18-19岁区间的男性收入低这三个个参数属性维度，分别各划分为多个段，然后可以将多个属性维度进行组合，然后整体进行排序，选取前10个或者前5个作为最差的风控规则，比如TOP10或者TOP5是通常逾期率的N倍，设置这个风控规则名称。
可例如，具体划分为：18-19岁区间的男性收入0-1000单元数据；18-19岁区间的男性收入1000-2000单元数据；18-19岁区间的男性收入2000-3000单元数据等等。然后整体进行排序，选取前10个或者前5个逾期率最高的单元数据作为最差的风控规则。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图4是根据一示例性实施例示出的一种信贷风险控制规则的自动生成装置的框图。如图4所示，信贷风险控制规则的自动生成装置40包括：历史数据模块402，分档处理模块404，逾期计算模块406，以及控制规则模块408。
历史数据模块402用于获取历史信贷数据集，所述历史信贷数据集包括用户的多维度属性信息及逾期信息；历史数据模块402可例如包括数据生成模块，用于获取预定时间内的历史信贷数据，所述历史信贷数据包括多个用户的基础信息与信贷信息；通过用户的基础信息生成所述多维度属性信息；以及通过用户的信贷信息生成所述逾期信息。
其中，数据生成模块包括：数据处理单元，用于通过数据清洗的方式处理所述用户的基础信息；由数据清洗处理后的所述基础信息中提取多个属性参数；以及将所述多个属性参数按照预定的顺序拼接生成所述多维度属性信息。
分档处理模块404用于基于所述多维度属性信息对所述历史信贷数据集进行自动分档处理以生成多个子数据集；在一个实施例中，用户的多维度属性信息可例如包括：性别、年龄、职业、所在地点，年薪、联系人等。可例如，按照性别，将历史信贷数据中的用户分为男性组与女性组；还可按照职业将历史信贷数据中的用户分为学生组，白领组，管理者组别等等。
在一个实施例中，在分组之后生成分组数据，将分组数据再细分为子数据集。可例如学生组可分再为大学生子数据集、研究生子数据集、博士生子数据集等等。
逾期计算模块406用于根据所述逾期信息计算所述多个子数据集中每一个子数据集对应的逾期率；所述逾期计算模块406还用于基于子数据集中的用户数量及其对应的逾期信息计算所述子数据集的逾期率。
控制规则模块408用于根据子数据集及其对应的所述逾期率生成信贷风险控制规则。可包括：第一规则单元，用于在所述子数据集对应的所述逾期率高于阈值时，通过所述子数据集对应的分段指标生成所述信贷风险控制规则。第二规则单元，用于通过至少两个子数据集的所述逾期率获取组合逾期概率；以及在所述组合逾期概率高于阈值时，通过所述至少两个子数据集对应的至少两个分段指标生成所述信贷风险控制规则。第三规则单元，用于在所述组合逾期概率高于阈值时，将所述组合逾期概率对应的至少两个子数据集按照其对应的分段指标进行拆分，生成单元数据集；以及通过单元数据集与其对应的组合逾期概率生成所述信贷风险控制规则。
根据本公开的信贷风险控制规则的自动生成装置，基于所述多维度属性信息对所述历史信贷数据集进行自动分档处理以生成多个子数据集；计算子数据集对应的逾期率；并根据子数据集及其对应的所述逾期率生成信贷风险控制规则的方式，能够快速准确的生成信贷风险控制规则，降低由用户信用问题带来的信贷风险。
图5是根据另一示例性实施例示出的一种信贷风险控制规则的自动生成装置的框图。如图5所示，分档处理模块404包括：分组处理单元502，分段处理单元504。
分组处理单元502用于基于所述多维度属性信息对所述历史信贷数据集进行自动分组处理以生成多个组数据集；可包括分组处理子单元，用于将所述历史信贷数据集按照多维度属性信息中每一个维度属性进行自动分组处理，生成多个组数据集，其中，组数据集中包括用户标识，逾期信息以及对应于该维度属性的属性参数。
分段处理单元504用于对所述多个组数据集进行自动分段处理以生成多个子数据集。可包括：指标子单元，用于确定多个组数据中每一个组数据对应的分段指标；分段子单元，用于基于所述分段指标将所述组数据集进行自动分段处理以生成多个子数据集。其中，指标子单元还包括：曲线子单元，用于基于所述组数据集中的属性参数生成属性特征曲线；以及指标子单元，用于根据所述属性特征曲线确定所述组数据集的所述分段指标。
图6是根据一示例性实施例示出的一种电子设备的框图。
下面参照图6来描述根据本公开的这种实施方式的电子设备200。图6显示的电子设备200仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元210执行，使得所述处理单元210执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元210可以执行如图1，图2，图3中所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备200交互的设备通信，和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且，电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：获取历史信贷数据集，所述历史信贷数据集包括用户的多维度属性信息及逾期信息；基于所述多维度属性信息对所述历史信贷数据集进行自动分档处理以生成多个子数据集；根据所述逾期信息计算所述多个子数据集中每一个子数据集对应的逾期率；以及根据子数据集及其对应的所述逾期率生成信贷风险控制规则。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
此外，本说明书说明书附图所示出的结构、比例、大小等，均仅用以配合说明书所公开的内容，以供本领域技术人员了解与阅读，并非用以限定本公开可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本公开所能产生的技术效果及所能实现的目的下，均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语，也仅为便于叙述的明了，而非用以限定本公开可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当也视为本公开可实施的范畴。
Claims (10)
1.一种信贷风险控制规则的自动生成方法，其特征在于，包括：
获取历史信贷数据集，所述历史信贷数据集包括用户的多维度属性信息及逾期信息；
基于所述多维度属性信息对所述历史信贷数据集进行自动分档处理以生成多个子数据集；
根据所述逾期信息计算所述多个子数据集中每一个子数据集对应的逾期率；以及
根据子数据集及其对应的所述逾期率生成信贷风险控制规则。
2.如权利要求1所述的方法，其特征在于，基于所述多维度属性信息对所述历史信贷数据集进行自动分档处理以生成多个子数据集包括：
基于所述多维度属性信息对所述历史信贷数据集进行自动分组处理以生成多个组数据集；以及
对所述多个组数据集进行自动分段处理以生成多个子数据集。
3.如权利要求2所述的方法，其特征在于，基于所述多维度属性信息对所述历史信贷数据集进行自动分组处理以生成多个组数据集包括：
将所述历史信贷数据集按照多维度属性信息中每一个维度属性进行自动分组处理，生成多个组数据集；以及
其中，组数据集中包括用户标识，逾期信息以及对应于该维度属性的属性参数。
4.如权利要求3所述的方法，其特征在于，对所述多个组数据集进行自动分段处理以生成多个子数据集包括：
确定多个组数据中每一个组数据对应的分段指标；以及
基于所述分段指标将所述组数据集进行自动分段处理以生成多个子数据集。
5.一种信贷风险控制规则的自动生成装置，其特征在于，包括：
历史数据模块，用于获取历史信贷数据集，所述历史信贷数据集包括用户的多维度属性信息及逾期信息；
分档处理模块，用于基于所述多维度属性信息对所述历史信贷数据集进行自动分档处理以生成多个子数据集；
逾期计算模块，用于根据所述逾期信息计算所述多个子数据集中每一个子数据集对应的逾期率；以及
控制规则模块，用于根据子数据集及其对应的所述逾期率生成信贷风险控制规则。
6.如权利要求5所述的装置，其特征在于，所述分档处理模块包括：
分组处理单元，用于基于所述多维度属性信息对所述历史信贷数据集进行自动分组处理以生成多个组数据集；以及
分段处理单元，用于对所述多个组数据集进行自动分段处理以生成多个子数据集。
7.如权利要求6所述的装置，其特征在于，所述分组处理单元包括：
分组处理子单元，用于将所述历史信贷数据集按照多维度属性信息中每一个维度属性进行自动分组处理，生成多个组数据集；以及其中，组数据集中包括用户标识，逾期信息以及对应于该维度属性的属性参数。
8.如权利要求6所述的装置，其特征在于，所述分段处理单元包括：
指标子单元，用于确定多个组数据中每一个组数据对应的分段指标；以及
分段子单元，用于基于所述分段指标将所述组数据集进行自动分段处理以生成多个子数据集。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910330369.1A CN110135701A (zh) | 2019-04-23 | 2019-04-23 | 控制规则的自动生成方法、装置、电子设备及可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910330369.1A CN110135701A (zh) | 2019-04-23 | 2019-04-23 | 控制规则的自动生成方法、装置、电子设备及可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110135701A true CN110135701A (zh) | 2019-08-16 |
Family
ID=67570784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910330369.1A Pending CN110135701A (zh) | 2019-04-23 | 2019-04-23 | 控制规则的自动生成方法、装置、电子设备及可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110135701A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111178692A (zh) * | 2019-12-12 | 2020-05-19 | 上海淇玥信息技术有限公司 | 资源使用数量预估方法、装置及电子设备 |
| CN111652712A (zh) * | 2020-06-09 | 2020-09-11 | 深圳前海微众银行股份有限公司 | 基于地理信息的贷前分析方法、装置、设备与存储介质 |
| CN111652711A (zh) * | 2020-06-09 | 2020-09-11 | 深圳前海微众银行股份有限公司 | 基于催收数据的贷前分析方法、装置、设备与存储介质 |
| CN111815434A (zh) * | 2020-07-10 | 2020-10-23 | 中国建设银行股份有限公司 | 一种信贷保护方法、装置、设备及存储介质 |
| CN112348094A (zh) * | 2020-11-10 | 2021-02-09 | 上海优扬新媒信息技术有限公司 | 数据处理方法及装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101655966A (zh) * | 2008-08-19 | 2010-02-24 | 阿里巴巴集团控股有限公司 | 一种贷款风险控制方法及系统 |
| CN107025509A (zh) * | 2016-02-01 | 2017-08-08 | 腾讯科技（深圳）有限公司 | 基于业务模型的决策系统和方法 |
| CN107330670A (zh) * | 2017-06-29 | 2017-11-07 | 喀什博雅成信网络科技有限公司 | 一种自动化贷款审批系统及方法 |
| CN107767259A (zh) * | 2017-09-30 | 2018-03-06 | 平安科技（深圳）有限公司 | 贷款风险控制方法、电子装置及可读存储介质 |
| CN107818344A (zh) * | 2017-10-31 | 2018-03-20 | 上海壹账通金融科技有限公司 | 用户行为进行分类和预测的方法和系统 |
| CN108280759A (zh) * | 2018-01-17 | 2018-07-13 | 深圳市和讯华谷信息技术有限公司 | 风控模型优化方法、终端及计算机可读存储介质 |
| CN108346098A (zh) * | 2018-01-19 | 2018-07-31 | 阿里巴巴集团控股有限公司 | 一种风控规则挖掘的方法及装置 |
| CN108388974A (zh) * | 2018-01-11 | 2018-08-10 | 国网山东省电力公司 | 基于随机森林和决策树的优质客户优化识别方法及装置 |
| CN109035003A (zh) * | 2018-07-04 | 2018-12-18 | 北京玖富普惠信息技术有限公司 | 基于机器学习的反欺诈模型建模方法和反欺诈监控方法 |
| CN109190669A (zh) * | 2018-08-01 | 2019-01-11 | 新疆玖富万卡信息技术有限公司 | 一种智能推荐方法、电子设备和计算机可读存储介质 |
| CN109300029A (zh) * | 2018-10-25 | 2019-02-01 | 北京芯盾时代科技有限公司 | 借贷欺诈检测模型训练方法、借贷欺诈检测方法及装置 |
| CN109389486A (zh) * | 2018-08-27 | 2019-02-26 | 深圳壹账通智能科技有限公司 | 贷款风控规则调整方法、装置、设备及计算机存储介质 |
-
2019
- 2019-04-23 CN CN201910330369.1A patent/CN110135701A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101655966A (zh) * | 2008-08-19 | 2010-02-24 | 阿里巴巴集团控股有限公司 | 一种贷款风险控制方法及系统 |
| CN107025509A (zh) * | 2016-02-01 | 2017-08-08 | 腾讯科技（深圳）有限公司 | 基于业务模型的决策系统和方法 |
| CN107330670A (zh) * | 2017-06-29 | 2017-11-07 | 喀什博雅成信网络科技有限公司 | 一种自动化贷款审批系统及方法 |
| CN107767259A (zh) * | 2017-09-30 | 2018-03-06 | 平安科技（深圳）有限公司 | 贷款风险控制方法、电子装置及可读存储介质 |
| CN107818344A (zh) * | 2017-10-31 | 2018-03-20 | 上海壹账通金融科技有限公司 | 用户行为进行分类和预测的方法和系统 |
| CN108388974A (zh) * | 2018-01-11 | 2018-08-10 | 国网山东省电力公司 | 基于随机森林和决策树的优质客户优化识别方法及装置 |
| CN108280759A (zh) * | 2018-01-17 | 2018-07-13 | 深圳市和讯华谷信息技术有限公司 | 风控模型优化方法、终端及计算机可读存储介质 |
| CN108346098A (zh) * | 2018-01-19 | 2018-07-31 | 阿里巴巴集团控股有限公司 | 一种风控规则挖掘的方法及装置 |
| CN109035003A (zh) * | 2018-07-04 | 2018-12-18 | 北京玖富普惠信息技术有限公司 | 基于机器学习的反欺诈模型建模方法和反欺诈监控方法 |
| CN109190669A (zh) * | 2018-08-01 | 2019-01-11 | 新疆玖富万卡信息技术有限公司 | 一种智能推荐方法、电子设备和计算机可读存储介质 |
| CN109389486A (zh) * | 2018-08-27 | 2019-02-26 | 深圳壹账通智能科技有限公司 | 贷款风控规则调整方法、装置、设备及计算机存储介质 |
| CN109300029A (zh) * | 2018-10-25 | 2019-02-01 | 北京芯盾时代科技有限公司 | 借贷欺诈检测模型训练方法、借贷欺诈检测方法及装置 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111178692A (zh) * | 2019-12-12 | 2020-05-19 | 上海淇玥信息技术有限公司 | 资源使用数量预估方法、装置及电子设备 |
| CN111652712A (zh) * | 2020-06-09 | 2020-09-11 | 深圳前海微众银行股份有限公司 | 基于地理信息的贷前分析方法、装置、设备与存储介质 |
| CN111652711A (zh) * | 2020-06-09 | 2020-09-11 | 深圳前海微众银行股份有限公司 | 基于催收数据的贷前分析方法、装置、设备与存储介质 |
| CN111652712B (zh) * | 2020-06-09 | 2024-05-10 | 深圳前海微众银行股份有限公司 | 基于地理信息的贷前分析方法、装置、设备与存储介质 |
| CN111815434A (zh) * | 2020-07-10 | 2020-10-23 | 中国建设银行股份有限公司 | 一种信贷保护方法、装置、设备及存储介质 |
| CN112348094A (zh) * | 2020-11-10 | 2021-02-09 | 上海优扬新媒信息技术有限公司 | 数据处理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110135701A (zh) | 控制规则的自动生成方法、装置、电子设备及可读介质 | |
| Abraham et al. | Cryptocurrency price prediction using tweet volumes and sentiment analysis | |
| Flood et al. | The application of visual analytics to financial stability monitoring | |
| US8521628B1 (en) | Systems and methods for financial assessment specific advice | |
| CN110111198A (zh) | 用户金融风险预估方法、装置、电子设备及可读介质 | |
| CN108573358A (zh) | 一种逾期预测模型生成方法及终端设备 | |
| Aggarwal et al. | Understanding the social factors affecting the cryptocurrency market | |
| CN110147925A (zh) | 一种风险决策方法、装置、设备及系统 | |
| CN110363655A (zh) | 基于时间特征的目标用户识别方法、装置及电子设备 | |
| Ouédraogo et al. | Impact of Public Investment on Private Investment in Sub‐Saharan Africa: Crowding In or Crowding Out? | |
| CN111221881B (zh) | 用户特征数据合成方法、装置及电子设备 | |
| CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
| CA3169417A1 (en) | Method of and system for appraising risk | |
| CN111325355A (zh) | 企业实际控制人的确定方法、装置、计算机设备及介质 | |
| Fullerton Jr et al. | Physical infrastructure and economic growth in El Paso | |
| Addy et al. | Machine learning in financial markets: A critical review of algorithmic trading and risk management | |
| CN107240019A (zh) | 评估用户业务偏好方法、用户投资风险偏好方法及装置 | |
| Niu et al. | Regshock: Interactive visual analytics of systemic risk in financial networks | |
| CN112926892A (zh) | 一种资金匹配方法、装置、电子设备及存储介质 | |
| Kapliar et al. | Risks of the Neobanks’ Activities in the Conditions of the Economy Digitalization | |
| CN109636024A (zh) | 一种金融产品评分方法、装置及存储介质 | |
| Vlad | Financial market manipulation: how to identify the mechanisms? | |
| Wang | Financial risk analysis system and supervision based on big data and blockchain technology | |
| WO2023112335A1 (ja) | 戦略立案支援装置、通信システム、戦略立案支援方法、及びプログラム | |
| Chong | Ethics on Robo-advisors and its big data |
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 |