CN110322334A - 信用评级方法及装置、计算机可读存储介质、终端 - Google Patents

信用评级方法及装置、计算机可读存储介质、终端 Download PDF

Info

Publication number
CN110322334A
CN110322334A CN201810271164.6A CN201810271164A CN110322334A CN 110322334 A CN110322334 A CN 110322334A CN 201810271164 A CN201810271164 A CN 201810271164A CN 110322334 A CN110322334 A CN 110322334A
Authority
CN
China
Prior art keywords
credit
grade
data
ratings
new
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
Application number
CN201810271164.6A
Other languages
English (en)
Inventor
李晓忠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Maizi Asset Management Group Co Ltd
Original Assignee
Shanghai Maizi Asset Management Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Maizi Asset Management Group Co Ltd filed Critical Shanghai Maizi Asset Management Group Co Ltd
Priority to CN201810271164.6A priority Critical patent/CN110322334A/zh
Publication of CN110322334A publication Critical patent/CN110322334A/zh
Pending legal-status Critical Current

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

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

一种信用评级方法及装置、计算机可读存储介质、终端，信用评级方法包括：获取待评级数据；分别利用原始评级模型和新的评级模型对所述待评级数据进行信用评级，以得到原始等级和新的等级，所述新的评级模型是利用训练数据对所述原始评级模型进行训练得到的，所述训练数据是按照预设时间间隔获取的；根据所述原始等级和所述新的等级确定所述待评级数据的最终信用等级。通过本发明技术方案可以提高信用评级的效率。

Description

信用评级方法及装置、计算机可读存储介质、终端
技术领域
本发明涉及数据处理技术领域，尤其涉及一种信用评级方法及装置、计算机可读存储介质、终端。
背景技术
目前金融行业的个人信贷审批系统的核心是对每一个借款者计算其信用等级，比如等级A、B、C、D、E；其中，等级A风险最低，等级B的风险其次，等级E风险最高等。每一个等级对应不同的信用额度，不同的定价，甚至审核的材料也不一样。风险低的等级一般有高的额度、低的定价、少的审核材料。
现有技术中，通常是个人在移动端或者在金融机构填写表格提交贷款申请，金融机构会查询该借款人的信用记录以及大数据信息，根据内置的信用评级模型计算其信用分，然后根据信用分把该借款人分数划分至某个信用等级内，或者直接分配信用等级。系统或者审核人员会根据信用等级来决定是否放款或拒绝，以及如果放款的话，该给多少额度，多少利率，该如何进一步审核。信用评级是通过评级模型实现的。而该评级模型是由专门的模型开发人员离线开发的，一般包括历史数据的收集、清洗、衍生变量生成、建模、测试、调整、上线等步骤。
但是，评级模型在生成时对样本数据要求比较高，例如要有逾期60天或者90天以上的信用数据、覆盖不同季节的信用数据；还要有足够的信用数据，例如3000条以上的数据记录。由此，重新训练评级模型的话一般要至少等一年以后；即使一年之后有了新的数据重新训练，也需要专门人员耗时2-3个月的过程，期间上线测试以及沟通的成本也很高，评级模型的开发周期长。在客群产品、政策环境变化比较快的情况下，评级模型的更新速度跟不上，导致审批效率降低、给金融机构造成损失。
发明内容
本发明解决的技术问题是如何提高信用评级的效率。
为解决上述技术问题，本发明实施例提供一种信用评级方法，信用评级方法包括：获取待评级数据；分别利用原始评级模型和新的评级模型对所述待评级数据进行信用评级，以得到原始等级和新的等级，所述新的评级模型是利用训练数据对所述原始评级模型进行训练得到的，所述训练数据是按照预设时间间隔获取的；根据所述原始等级和所述新的等级确定所述待评级数据的最终信用等级。
可选的，所述原始评级模型是利用原始训练数据训练得到的，所述预设时间间隔小于获取所述原始训练数据所需的时间。
可选的，所述训练数据包括首次逾期数据。
可选的，所述训练数据包括当前预设时间间隔内的信用数据以及之前时间间隔内的信用数据。
可选的，所述根据所述原始等级和所述新的等级确定所述待评级数据的最终信用等级包括：如果所述新的等级低于所述原始等级，则将所述原始等级降低预设级数，以作为所述最终信用等级；如果所述新的等级高于所述原始等级，则将所述原始等级提高所述预设级数，以作为所述最终信用等级。
可选的，采用决策树算法利用所述训练数据对所述原始评级模型进行训练得到所述新的评级模型。
为解决上述技术问题，本发明实施例还公开了一种信用评级装置，信用评级装置包括：待评级数据获取模块，适于获取待评级数据；评级模块，适于分别利用原始评级模型和新的评级模型对所述待评级数据进行信用评级，以得到原始等级和新的等级，所述新的评级模型是利用训练数据对所述原始评级模型进行训练得到的，所述训练数据是按照预设时间间隔获取的；最终信用等级确定模块，适于根据所述原始等级和所述新的等级确定所述待评级数据的最终信用等级。
可选的，所述原始评级模型是利用原始训练数据训练得到的，所述预设时间间隔小于获取所述原始训练数据所需的时间。
可选的，所述训练数据包括首次逾期数据。
可选的，所述训练数据包括当前预设时间间隔内的信用数据以及之前时间间隔内的信用数据。
可选的，所述最终信用等级确定模块包括：第一确定单元，适于在所述新的等级低于所述原始等级时，将所述原始等级降低预设级数，以作为所述最终信用等级；第二确定单元，适于在所述新的等级高于所述原始等级时，将所述原始等级提高所述预设级数，以作为所述最终信用等级。
可选的，采用决策树算法利用所述训练数据对所述原始评级模型进行训练得到所述新的评级模型。
为解决上述技术问题，本发明实施例还公开了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行所述信用评级方法的步骤。
为解决上述技术问题，本发明实施例还公开了一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行所述信用评级方法的步骤。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
本发明技术方案获取待评级数据；分别利用原始评级模型和新的评级模型对所述待评级数据进行信用评级，以得到原始等级和新的等级，所述新的评级模型是利用训练数据对所述原始评级模型进行训练得到的，所述训练数据是按照预设时间间隔获取的；根据所述原始等级和所述新的等级确定所述待评级数据的最终信用等级。本发明技术方案在对待评级数据进行信用评级时，综合考量了原始评级模型和新的评级模型所获得的原始等级和新的等级；且新的评级模型是利用短时间内的样本对原始评级模型进行训练得到的；避免了现有技术中对原始评级模型重新训练时对训练数据、训练时间的高要求，实现了对原始评级模型的定期快速的调整；从而在保证最终信用等级具备更高准确性的基础上，提高了信用评级的效率，进而有助于提升金融机构审核的准确性和效率，降低成本和坏账率。
进一步地，所述训练数据包括首次逾期数据。为了保证新的评级模型的训练效果，需要训练数据中具备逾期数据，由于新的评级模型的训练数据获取的时间长度较小，因此可以将首次逾期数据加入训练数据。首次逾期数据与逾期90天以上的数据之间具备一定的关联性，故本发明技术方案可以在训练数据获取时间短的前提下保证新的评级模型的训练效果，进而保证评级的准确性。
进一步，所述根据所述原始等级和所述新的等级确定所述待评级数据的最终信用等级包括：如果所述新的等级低于所述原始等级，则将所述原始等级降低预设级数，以作为所述最终信用等级；如果所述新的等级高于所述原始等级，则将所述原始等级提高所述预设级数，以作为所述最终信用等级。本发明技术方案中，最终信用等级是在原始等级的基础上结合新的等级微调得到的，也即调整预设级数；最终信用等级依然将原始等级作为重要参考因素，从而进一步保证了信用评级的准确性。
附图说明
图1是本发明实施例一种信用评级方法的流程图；
图2是本发明实施例一种信用评级装置的结构示意图。
具体实施方式
如背景技术中所述，现有技术中评级模型在生成时对样本数据要求比较高，例如要有逾期60天或者90天以上的信用数据、覆盖不同季节的信用数据；还要有足够的信用数据，例如3000条以上的数据记录。由此，重新训练评级模型的话一般要至少等一年以后；即使一年之后有了新的数据重新训练，也需要专门人员耗时2-3个月的过程，期间上线测试以及沟通的成本也很高，评级模型的开发周期长。在客群产品、政策环境变化比较快的情况下，评级模型的更新速度跟不上，导致审批效率降低、给金融机构造成损失。
本发明技术方案在对待评级数据进行信用评级时，综合考量了原始评级模型和新的评级模型所获得的原始等级和新的等级；且新的评级模型是利用短时间内的样本对原始评级模型进行训练得到的；避免了现有技术中对原始评级模型重新训练时对训练数据、训练时间的高要求，实现了对原始评级模型的定期快速的调整；从而在保证最终信用等级具备更高准确性的基础上，提高了信用评级的效率，进而有助于提升金融机构审核的准确性和效率，降低成本和坏账率。
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
图1是本发明实施例一种信用评级方法的流程图。
图1所示信用评级方法可以用于信贷系统，所述信用评级方法可以包括以下步骤：
步骤S101：获取待评级数据；
步骤S102：分别利用原始评级模型和新的评级模型对所述待评级数据进行信用评级，以得到原始等级和新的等级，所述新的评级模型是利用训练数据对所述原始评级模型进行训练得到的，所述训练数据是按照预设时间间隔获取的；
步骤S103：根据所述原始等级和所述新的等级确定所述待评级数据的最终信用等级。
具体实施中，待评级数据可以是用户的信用数据，例如用户的信用记录、用户所处地域、用户的职业、收入等信息。具体而言，待评级数据可以是用户填写，也可以是从任意可实施的数据库中调取。
在步骤S102的具体实施中，原始评级模型可以是利用原始训练数据训练得到的。原始训练数据具备较长的获取时间以及较高的要求，例如，原始训练数据需要包括逾期60天或者90天以上的信用数据、覆盖不同季节的信用数据；还要有足够的信用数据，例如3000条以上的数据记录。由此，原始评级模型具备较高的评级准确性以及稳定性。
由于金融政策的变化或者用户行为的变化，会导致用户的待评级数据发生变化，因此原始评级模型需要调整，以适应变化的待评级数据，以适应上述变化因素，获得准确的信用评级。由此，本发明实施例在继续使用原始评级模型的基础上，还利用新的评级模型对所述待评级数据进行信用评级，以得到新的等级。
训练新的评级模型的训练数据是按照预设时间间隔获取的，实现了对整体评级模型(原始评级模型和新的评级模型)的定期更新。具体地，所述训练数据可以选自原始评级模型评级完成的数据，也即完成审批的数据。例如，训练数据包括待评级数据以及原始评级模型针对该数据的信用等级。换句话说，训练数据是在原始评级模型使用过程中获取的，获取训练数据并训练得到新的评级模型的过程不影响原始评级模型的正常工作。
进而在步骤S103的具体实施中，可以利用原始等级和所述新的等级确定最终信用等级。
在实际的应用中，本发明实施例可以在智能金融在效率上和决策准确率上做的更好。
需要说明的是，在获取最终信用等级后，还可以根据最终信用等级制定对应的价格与额度。例如，信用等级A的月息是0.79％、额度上限3万；信用等级B的月息是0.89％、额度上限2.5万；…；信用等级E的月息是1.79％、额度上限是5000等等。本发明实施例对此不做限制。
本发明实施例在对待评级数据进行信用评级时，综合考量了原始评级模型和新的评级模型所获得的原始等级和新的等级；且新的评级模型是利用短时间内的样本对原始评级模型进行训练得到的；避免了现有技术中对原始评级模型重新训练时对训练数据、训练时间的高要求，实现了对原始评级模型的定期快速的调整；从而在保证最终信用等级具备更高准确性的基础上，提高了信用评级的效率，进而有助于提升金融机构审核的准确性和效率，降低成本和坏账率。
本发明一个优选实施例中，所述原始评级模型是利用原始训练数据训练得到的，所述预设时间间隔小于获取所述原始训练数据所需的时间。
由于获取所述训练数据的预设时间间隔小于获取所述原始训练数据所需的时间，因此缩短了获取新的评级模型的时间。相较于重新训练原始评级模型花费较长时间，本发明实施例可以兼顾评级准确性和效率。
本发明另一个优选实施例中，所述训练数据包括首次逾期数据。
由于首次逾期数据与逾期90天以上的数据之间具备一定的关联性，因此可以采用首次逾期数据替代逾期90天以上的数据，从而可以更快的获取训练数据。具体地，首次逾期数据可以是首次逾期7天的数据。
本领域技术人员应当理解的是，7天、90天仅为示例性，在实际的应用中可以适应性的调整，本发明实施例对此不做限制。
为了保证新的评级模型的训练效果，需要训练数据中具备逾期数据，由于新的评级模型的训练数据获取的时间长度较小，因此可以将首次逾期数据加入训练数据。本发明实施例可以在训练数据获取时间短的前提下保证新的评级模型的训练效果，进而保证评级的准确性。
本发明又一个优选实施例中，所述训练数据包括当前预设时间间隔内的信用数据以及之前时间间隔内的信用数据。
具体实施中，可以是每隔预设时间间隔获取该预设时间间隔内的信用数据。例如，对于原始评级模型的输入数据和输出数据，每隔3个月获取该3个月的信用数据，以作为训练数据训练新的评级模型。
进一步地，本实施例的训练数据不仅包括当前预设时间间隔内的信用数据，还可以包括当前预设时间间隔之前时间间隔内的信用数据。例如，在6月份获取训练数据时，训练数据不仅包括4、5和6月份的信用数据，还可以包括1、2和3月份的信用数据。由于训练数据的数量增多，覆盖多个季节，因此训练得到的新的评级模型的准确性也更高。
在本发明一个具体实施例中，图1所示步骤S103可以包括以下步骤：如果所述新的等级低于所述原始等级，则将所述原始等级降低预设级数，以作为所述最终信用等级；
如果所述新的等级高于所述原始等级，则将所述原始等级提高所述预设级数，以作为所述最终信用等级。
具体地，如果所述新的等级等于所述原始等级，则最终信用等级等于所述新的等级或所述原始等级。
考虑到原始评级模型具备更高的稳定性，本实施例中，可以根据新的等级确定调整方向，在原始等级的基础上调整预设级数。所述预设级数小于3。优选地，所述预设级数为1。
例如，对于信用等级A、B、C、D和E，信用等级A等级最高、风险最低，信用等级B的风险其次，信用等级E等级最低、风险最高。如果原始等级为信用等级B，新的等级为信用等级E，那么最终信用等级是信用等级C。如果原始等级为信用等级C，新的等级是信用等级A，那么最终信用等级为信用等级B。
本发明再一个优选实施例中，可以采用决策树算法利用所述训练数据对所述原始评级模型进行训练得到所述新的评级模型。
由于训练评级模型所花费的时间比较长，因此为了进一步提高评级效率，本发明实施例采用决策树算法训练所述信用评级模型。采用决策树算法可以更快的训练得到所述新的评级模型。
本领域技术人员应当理解的是，关于决策树算法的具体实施方式可以参照现有技术中的相关记载，此处不再赘述。
本发明一个具体应场景中，原始评级模型可以将待评级数据划分为信用等级A、B、C、D或E。在第一个预设时间间隔获取训练数据后，训练得到第一个新的评级模型，该模型可以将待评级数据划分为信用等级A’、B’、C’、D’或E’。将原始评级模型和第一个新的评级模型得到的原始等级和新的等级进行综合，确定最终信用等级。
在第二个预设时间间隔获取训练数据后，训练得到第二个新的评级模型，该模型可以将待评级数据划分为信用等级A’、B’、C’、D’或E’(注：第一个新的评级模型产生的新的等级已被替代)。将原始评级模型和第二个新的评级模型得到的原始等级和新的等级进行综合，确定最终信用等级。
依次类推，在第三个预设时间间隔获取训练数据后，训练得到第三个新的评级模型；根据原始评级模型和第三个新的评级模型得到的原始等级和新的等级进行综合，确定最终信用等级。
请参照图2，信用评级装置20可以包括待评级数据获取模块201、评级模块202和最终信用等级确定模块203。
其中，待评级数据获取模块201适于获取待评级数据；
评级模块202适于分别利用原始评级模型和新的评级模型对所述待评级数据进行信用评级，以得到原始等级和新的等级，所述新的评级模型是利用训练数据对所述原始评级模型进行训练得到的，所述训练数据是按照预设时间间隔获取的；
最终信用等级确定模块203适于根据所述原始等级和所述新的等级确定所述待评级数据的最终信用等级。
本发明实施例在对待评级数据进行信用评级时，综合考量了原始评级模型和新的评级模型所获得的原始等级和新的等级；且新的评级模型是利用短时间内的样本对原始评级模型进行训练得到的；避免了现有技术中对原始评级模型重新训练时对训练数据、训练时间的高要求，实现了对原始评级模型的定期快速的调整；从而在保证最终信用等级具备更高准确性的基础上，提高了信用评级的效率，进而有助于提升金融机构审核的准确性和效率，降低成本和坏账率。
本发明一个优选实施例中，所述原始评级模型是利用原始训练数据训练得到的，所述预设时间间隔小于获取所述原始训练数据所需的时间。
本发明另一个优选实施例中，所述训练数据包括首次逾期数据。为了保证新的评级模型的训练效果，需要训练数据中具备逾期数据，由于新的评级模型的训练数据获取的时间长度较小，因此可以将首次逾期数据加入训练数据。首次逾期数据与逾期90天以上的数据之间具备一定的关联性，故本发明实施例可以在训练数据获取时间短的前提下保证新的评级模型的训练效果，进而保证评级的准确性。
本发明一个具体实施例中，所述训练数据包括当前预设时间间隔内的信用数据以及之前时间间隔内的信用数据。
本发明另一个具体实施例中，最终信用等级确定模块203可以包括第一确定单元(图未示)，适于在所述新的等级低于所述原始等级时，将所述原始等级降低预设级数，以作为所述最终信用等级；第二确定单元(图未示)，适于在所述新的等级高于所述原始等级时，将所述原始等级提高所述预设级数，以作为所述最终信用等级。
本发明实施例中，最终信用等级是在原始等级的基础上结合新的等级微调得到的，也即调整预设级数；最终信用等级依然将原始等级作为重要参考因素，从而进一步保证了信用评级的准确性。
本发明又一个优选实施例中，采用决策树算法利用所述训练数据对所述原始评级模型进行训练得到所述新的评级模型。
关于所述信用评级装置20的工作原理、工作方式的更多内容，可以参照图1中的相关描述，这里不再赘述。
本发明实施例还公开了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时可以执行图1中所示的信用评级方法的步骤。所述计算机可读存储介质可以包括ROM、RAM、磁盘或光盘等。所述计算机可读存储介质还可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器等。
本发明实施例还公开了一种终端，所述终端可以包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令。所述处理器运行所述计算机指令时可以执行图1中所示的信用评级方法的步骤。所述终端包括但不限于手机、计算机、平板电脑等终端设备。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (14)

1.一种信用评级方法，其特征在于，包括：
获取待评级数据；
分别利用原始评级模型和新的评级模型对所述待评级数据进行信用评级，以得到原始等级和新的等级，所述新的评级模型是利用训练数据对所述原始评级模型进行训练得到的，所述训练数据是按照预设时间间隔获取的；
根据所述原始等级和所述新的等级确定所述待评级数据的最终信用等级。
2.根据权利要求1所述的信用评级方法，其特征在于，所述原始评级模型是利用原始训练数据训练得到的，所述预设时间间隔小于获取所述原始训练数据所需的时间。
3.根据权利要求1所述的信用评级方法，其特征在于，所述训练数据包括首次逾期数据。
4.根据权利要求1所述的信用评级方法，其特征在于，所述训练数据包括当前预设时间间隔内的信用数据以及之前时间间隔内的信用数据。
5.根据权利要求1所述的信用评级方法，其特征在于，所述根据所述原始等级和所述新的等级确定所述待评级数据的最终信用等级包括：
如果所述新的等级低于所述原始等级，则将所述原始等级降低预设级数，以作为所述最终信用等级；
如果所述新的等级高于所述原始等级，则将所述原始等级提高所述预设级数，以作为所述最终信用等级。
6.根据权利要求1所述的信用评级方法，其特征在于，采用决策树算法利用所述训练数据对所述原始评级模型进行训练得到所述新的评级模型。
7.一种信用评级装置，其特征在于，包括：
待评级数据获取模块，适于获取待评级数据；
评级模块，适于分别利用原始评级模型和新的评级模型对所述待评级数据进行信用评级，以得到原始等级和新的等级，所述新的评级模型是利用训练数据对所述原始评级模型进行训练得到的，所述训练数据是按照预设时间间隔获取的；
最终信用等级确定模块，适于根据所述原始等级和所述新的等级确定所述待评级数据的最终信用等级。
8.根据权利要求7所述的信用评级装置，其特征在于，所述原始评级模型是利用原始训练数据训练得到的，所述预设时间间隔小于获取所述原始训练数据所需的时间。
9.根据权利要求7所述的信用评级装置，其特征在于，所述训练数据包括首次逾期数据。
10.根据权利要求7所述的信用评级装置，其特征在于，所述训练数据包括当前预设时间间隔内的信用数据以及之前时间间隔内的信用数据。
11.根据权利要求7所述的信用评级装置，其特征在于，所述最终信用等级确定模块包括：
第一确定单元，适于在所述新的等级低于所述原始等级时，将所述原始等级降低预设级数，以作为所述最终信用等级；
第二确定单元，适于在所述新的等级高于所述原始等级时，将所述原始等级提高所述预设级数，以作为所述最终信用等级。
12.根据权利要求7所述的信用评级装置，其特征在于，采用决策树算法利用所述训练数据对所述原始评级模型进行训练得到所述新的评级模型。
13.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至6中任一项所述信用评级方法的步骤。
14.一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行权利要求1至6中任一项所述信用评级方法的步骤。
CN201810271164.6A 2018-03-29 2018-03-29 信用评级方法及装置、计算机可读存储介质、终端 Pending CN110322334A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810271164.6A CN110322334A (zh) 2018-03-29 2018-03-29 信用评级方法及装置、计算机可读存储介质、终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810271164.6A CN110322334A (zh) 2018-03-29 2018-03-29 信用评级方法及装置、计算机可读存储介质、终端

Publications (1)

Publication Number Publication Date
CN110322334A true CN110322334A (zh) 2019-10-11

Family

ID=68110913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810271164.6A Pending CN110322334A (zh) 2018-03-29 2018-03-29 信用评级方法及装置、计算机可读存储介质、终端

Country Status (1)

Country Link
CN (1) CN110322334A (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070124236A1 (en) * 2005-11-30 2007-05-31 Caterpillar Inc. Credit risk profiling method and system
US20100268639A1 (en) * 2009-04-16 2010-10-21 Feinstein Jeffrey A Characterizing Creditworthiness Credit Score Migration
US20150317749A1 (en) * 2013-01-21 2015-11-05 Features Analytics SA System and Method for Characterizing Financial Messages
CN105788241A (zh) * 2016-03-28 2016-07-20 陈飞 一种基于信用评级的公共资源优化分配方法与系统
CN105809360A (zh) * 2016-03-16 2016-07-27 北京银讯财富信息技术有限公司 一种p2p行业风险评估方法
CN106022892A (zh) * 2016-05-30 2016-10-12 深圳市华傲数据技术有限公司 信用评分模型的更新方法及系统
CN106127363A (zh) * 2016-06-12 2016-11-16 腾讯科技（深圳）有限公司 一种用户信用评估方法和装置
CN107248036A (zh) * 2017-06-07 2017-10-13 北京汇通金财信息科技有限公司 一种智能化信用评级方法和装置
CN107301577A (zh) * 2016-04-15 2017-10-27 阿里巴巴集团控股有限公司 信用评估模型的训练方法、信用评估方法以及装置
WO2017186048A1 (zh) * 2016-04-27 2017-11-02 第四范式（北京）技术有限公司 展示预测模型的方法、装置及调整预测模型的方法、装置
CN107424070A (zh) * 2017-03-29 2017-12-01 广州汇融易互联网金融信息服务有限公司 一种基于机器学习的贷款用户信用评级方法及系统
CN107451710A (zh) * 2017-04-27 2017-12-08 北京鼎泰智源科技有限公司 一种信息风险等级五级分类方法及系统
CN107578332A (zh) * 2017-09-22 2018-01-12 深圳乐信软件技术有限公司 一种推荐现金商品的方法、装置、设备及存储介质
CN107633265A (zh) * 2017-09-04 2018-01-26 深圳市华傲数据技术有限公司 用于优化信用评估模型的数据处理方法及装置
US20180285947A1 (en) * 2015-12-24 2018-10-04 Peking University Method and system for determining quality of application based on user behaviors of application management

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070124236A1 (en) * 2005-11-30 2007-05-31 Caterpillar Inc. Credit risk profiling method and system
US20100268639A1 (en) * 2009-04-16 2010-10-21 Feinstein Jeffrey A Characterizing Creditworthiness Credit Score Migration
US20150317749A1 (en) * 2013-01-21 2015-11-05 Features Analytics SA System and Method for Characterizing Financial Messages
US20180285947A1 (en) * 2015-12-24 2018-10-04 Peking University Method and system for determining quality of application based on user behaviors of application management
CN105809360A (zh) * 2016-03-16 2016-07-27 北京银讯财富信息技术有限公司 一种p2p行业风险评估方法
CN105788241A (zh) * 2016-03-28 2016-07-20 陈飞 一种基于信用评级的公共资源优化分配方法与系统
CN107301577A (zh) * 2016-04-15 2017-10-27 阿里巴巴集团控股有限公司 信用评估模型的训练方法、信用评估方法以及装置
WO2017186048A1 (zh) * 2016-04-27 2017-11-02 第四范式（北京）技术有限公司 展示预测模型的方法、装置及调整预测模型的方法、装置
CN106022892A (zh) * 2016-05-30 2016-10-12 深圳市华傲数据技术有限公司 信用评分模型的更新方法及系统
CN106127363A (zh) * 2016-06-12 2016-11-16 腾讯科技（深圳）有限公司 一种用户信用评估方法和装置
US20180232805A1 (en) * 2016-06-12 2018-08-16 Tencent Technology (Shenzhen) Company Limited User credit rating method and apparatus, and storage medium
CN107424070A (zh) * 2017-03-29 2017-12-01 广州汇融易互联网金融信息服务有限公司 一种基于机器学习的贷款用户信用评级方法及系统
CN107451710A (zh) * 2017-04-27 2017-12-08 北京鼎泰智源科技有限公司 一种信息风险等级五级分类方法及系统
CN107248036A (zh) * 2017-06-07 2017-10-13 北京汇通金财信息科技有限公司 一种智能化信用评级方法和装置
CN107633265A (zh) * 2017-09-04 2018-01-26 深圳市华傲数据技术有限公司 用于优化信用评估模型的数据处理方法及装置
CN107578332A (zh) * 2017-09-22 2018-01-12 深圳乐信软件技术有限公司 一种推荐现金商品的方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110415119B (zh) 模型训练、票据交易预测方法、装置、存储介质及设备
WO2017167284A1 (zh) 商户配送范围的调整方法和装置
CN109255506A (zh) 一种基于大数据的互联网金融用户贷款逾期预测方法
US20120254092A1 (en) Managing operations of a system
CN107305679A (zh) 产品数据调整方法及装置、一键调整方法及装置
TWI714113B (zh) 外匯交易量預測方法和裝置
CN106327196A (zh) 一种支付阈值获取方法和装置
CN102117469A (zh) 一种对信用风险进行评估的系统和方法
CN110472806A (zh) 金融信评系统与方法
CN107622413A (zh) 一种价格敏感度计算方法、装置及其设备
CN109993380A (zh) 一种信息处理方法、装置和计算机可读存储介质
CN110969002A (zh) 财务指标分析报告生成方法及装置
CN110599351A (zh) 一种投资数据处理方法及装置
CN109741093A (zh) 债权价值评估方法及装置、存储介质、终端
US20200219215A1 (en) Method and system for evaluating monetary value of patent, and application program
Boubaker et al. The trade-off frontier for ESG and Sharpe ratio: a bootstrapped double-frontier data envelopment analysis
JP6771513B2 (ja) 債務不履行確率を算出する装置、方法及びそのためのプログラム
CN111461397A (zh) 一种基于改进支持向量回归机的预算预测方法及设备、介质
CN110322334A (zh) 信用评级方法及装置、计算机可读存储介质、终端
CN108256667A (zh) 资产数据处理方法、装置、存储介质和计算机设备
Hopp Performance of LSTM neural networks in nowcasting global trade during the COVID-19 crisis
WO2020000694A1 (zh) 理财产品评分方法、系统、计算机设备和存储介质
CN111612626A (zh) 一种债券评估数据预处理方法和装置
WO2020000701A1 (zh) 基金适配方法、系统、计算机设备和存储介质
Ha et al. Factors Influencing the Financial Development—A Metadata Analysis

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191011