CN110335143A - 基于多重时间验证的金融风险分析方法、装置及电子设备 - Google Patents
基于多重时间验证的金融风险分析方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110335143A CN110335143A CN201910587679.1A CN201910587679A CN110335143A CN 110335143 A CN110335143 A CN 110335143A CN 201910587679 A CN201910587679 A CN 201910587679A CN 110335143 A CN110335143 A CN 110335143A
- Authority
- CN
- China
- Prior art keywords
- numerical value
- analysis
- risk analysis
- risk
- model
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000002123 temporal effect Effects 0.000 title claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 117
- 238000010801 machine learning Methods 0.000 claims abstract description 70
- 238000012545 processing Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 12
- 238000007477 logistic regression Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 22
- 244000309464 bull Species 0.000 description 22
- 238000010586 diagram Methods 0.000 description 11
- 230000015654 memory Effects 0.000 description 10
- 238000003066 decision tree Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 230000005291 magnetic effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 206010063659 Aversion Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000004454 trace mineral analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
Abstract
本公开涉及一种基于多重时间验证的金融风险分析方法、装置、电子设备及计算机可读介质。该方法包括：将第一时间范围内的用户数据输入多个初始机器学习模型中，获取多个第一分析数值；将第二时间范围内的用户数据输入所述多个初始机器学习模型中，获取多个第二分析数值；将所述第一分析数值、所述第二分析数值输入所述风险分析模型中生成风险分析数值；以及通过所述风险分析数值对用户进行金融风险分析。本公开涉及的基于多重时间验证的金融风险分析方法、装置、电子设备及计算机可读介质，能够做到对现有的通过金融风险校验的用户，从多个角度进行自动跟踪预测该用户的金融风险情况，提前防范交易风险，而优化整体用户群的金融风险水平。
Description
技术领域
本公开涉及计算机信息处理领域，具体而言，涉及一种基于多重时间验证的金融风险分析方法、装置、电子设备及计算机可读介质。
背景技术
金融风险防范是指金融市场主体在对相关分析的基础上运用一定的方法合规性地防范风险发生或规避风险以实现预期目标的行为。在当前的环境中，随着个人信贷需求的增加，涌现了越来越多的提供给个人用户的金融服务的公司，对于这些金融类的服务公司而言，提前预防用户个人的金融风险，从而在用户的金融风险发生之前，制定合理的策略防范由用户带来的金融风险，是一个热门技术领域。
用户的金融风险又分为多个方面，比如，目前有些金融服务公司通过对用户个人信息进行大数据分析，从而对用户的金融风险进行预警；还有些金融服务公司通过对用户的还贷情况进行跟踪分析，以确定用户的金融风险情况；还有些金融服务公司通过实施监控用户的个人特征的变动情况，以对用户的一段时间之后的金融风险进行分析等等。这种做法可以在用户进行金融服务申请的初期对金融风险进行防护，但是，随着用户的个人情况的变动，特别是在循环授信产品中，用户使用一段时间金融服务之后，用户的还款积极性变低，或者该用户变为多头用户，或者用户情况变更，增加了其他因素，在这种情况下，现有技术中无法持续的跟进这些用户的金融风险情况，会给金融服务机构带来极大的风险。
因此，需要一种新的基于多重时间验证的金融风险分析方法、装置、电子设备及计算机可读介质。
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，本公开提供一种基于多重时间验证的金融风险分析方法、装置、电子设备及计算机可读介质，能够做到对现有的通过金融风险校验的用户，从多个角度进行自动跟踪预测该用户的金融风险情况，提前防范交易风险，而优化整体用户群的金融风险水平。
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，提出一种基于多重时间验证的金融风险分析方法，该方法包括：将第一时间范围内的用户数据输入多个初始机器学习模型中，获取多个第一分析数值；将第二时间范围内的用户数据输入所述多个初始机器学习模型中，获取多个第二分析数值；将所述第一分析数值、所述第二分析数值输入所述风险分析模型中生成风险分析数值；以及通过所述风险分析数值对用户进行金融风险分析。
可选地，将第一时间范围内的用户数据输入多个初始机器学习模型中，获取多个第一分析数值包括：将第一时间范围内的用户数据输入多个初始机器学习模型中；所述多个初始机器学习模型中的每一个初始机器学习模型分别通过分箱法对所述第一时间范围内的用户数据进行分组评分；以及将分组评分结果与阈值进行比较以确定多个第一分析数值。
可选地，将第二时间范围内的用户数据输入所述多个初始机器学习模型中，获取多个第二分析数值包括：将第二时间范围内的用户数据输入多个初始机器学习模型中；所述多个初始机器学习模型中的每一个初始机器学习模型分别通过分箱法对所述第二时间范围内的用户数据进行分组评分；以及将分组评分结果与阈值进行比较以确定多个第二分析数值。
可选地，将所述第一分析数值、所述第二分析数值输入所述风险分析模型中生成风险分析数值包括：获取所述风险分析数值的常规变量参数；将所述第一分析数值、所述第二分析数值作为衍生参数；以及将所述衍生参数与所述常规变量参数输入所述风险分析模型中生成所述风险分析数值。
可选地，获取所述风险分析数值的常规变量参数包括：通过用户数据与所述风险分析模型的特征提取所述常规变量参数；所述常规变量参数至少包括以下一者：借款期数、风险定价、用户特征。
可选地，还包括：通过历史第一分析数值与第二分析数值训练逻辑回归算法模型以生成所述风险分析模型。
可选地，将所述衍生参数与所述常规变量参数输入所述风险分析模型中生成所述风险分析数值包括：将所述衍生参数与所述常规变量参数输入所述风险分析模型；所述风险分析模型将所述衍生参数与所述常规变量进行分组平滑处理；以及通过分组平滑处理后的所述衍生参数与所述常规变量生成所述风险分析数值。
可选地，所述初始机器学习模型包括：用户还款积极度模型，和/ 或多头风险评分模型，和/或用户行为评分模型。
可选地，还包括：通过历史用户的用户数据训练梯度提升决策树模型以获取所述用户还款积极度模型，和/或所述多头风险评分模型，和/ 或所述用户行为评分模型。
可选地，通过所述风险分析数值对用户进行金融风险分析包括：在所述风险分析模型输出的风险分析数值为多个时，通过多个风险分析数值的均值对用户进行金融风险分析。
根据本公开的一方面，提出一种基于多重时间验证的金融风险分析装置，该装置包括：第一分析模块，用于将第一时间范围内的用户数据输入多个初始机器学习模型中，获取多个第一分析数值；第二分析模块，用于将第二时间范围内的用户数据输入所述多个初始机器学习模型中，获取多个第二分析数值；风险分析模块，用于将所述第一分析数值、所述第二分析数值输入所述风险分析模型中生成风险分析数值；以及金融分析模块，用于通过所述风险分析数值对用户进行金融风险分析。
可选地，所述第一分析模块包括：第一输入单元，用于将第一时间范围内的用户数据输入多个初始机器学习模型中；第一分组单元，用于所述多个初始机器学习模型中的每一个初始机器学习模型分别通过分箱法对所述第一时间范围内的用户数据进行分组评分；以及第一比较单元，用于将分组评分结果与阈值进行比较以确定多个第一分析数值。
可选地，所述第二分析模块包括：第二输入单元，用于将第二时间范围内的用户数据输入多个初始机器学习模型中；第二分组单元，用于所述多个初始机器学习模型中的每一个初始机器学习模型分别通过分箱法对所述第二时间范围内的用户数据进行分组评分；以及第二比较单元，用于将分组评分结果与阈值进行比较以确定多个第二分析数值。
可选地，所述风险分析模块包括：常规单元，用于获取所述风险分析数值的常规变量参数；衍生单元，用于将所述第一分析数值、所述第二分析数值作为衍生参数；以及分析单元，用于将所述衍生参数与所述常规变量参数输入所述风险分析模型中生成所述风险分析数值。
可选地，所述常规单元，还用于通过用户数据与所述风险分析模型的特征提取所述常规变量参数；所述常规变量参数至少包括以下一者：借款期数、风险定价、用户特征。
可选地，还包括：风险分析模型训练模块，用于通过历史第一分析数值与第二分析数值训练逻辑回归算法模型以生成所述风险分析模型。
可选地，所述分析单元包括：参数单元，用于将所述衍生参数与所述常规变量参数输入所述风险分析模型；分组单元，用于所述风险分析模型将所述衍生参数与所述常规变量进行分组平滑处理；以及数值单元，用于通过分组平滑处理后的所述衍生参数与所述常规变量生成所述风险分析数值。
可选地，所述初始机器学习模型包括：用户还款积极度模型，和/ 或多头风险评分模型，和/或用户行为评分模型。
可选地，还包括：初始模型训练单元，用于通过历史用户的用户数据训练梯度提升决策树模型以获取所述用户还款积极度模型，和/或所述多头风险评分模型，和/或所述用户行为评分模型。
可选地，所述金融分析单元，还用于在所述风险分析模型输出的风险分析数值为多个时，通过多个风险分析数值的均值对用户进行金融风险分析。
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。
根据本公开的基于多重时间验证的金融风险分析方法、装置、电子设备及计算机可读介质，将第一时间范围内的用户数据输入多个初始机器学习模型中，获取多个第一分析数值；将第二时间范围内的用户数据输入所述多个初始机器学习模型中，获取多个第二分析数值；将所述第一分析数值、所述第二分析数值输入所述风险分析模型中生成风险分析数值；以及通过所述风险分析数值对用户进行金融风险分析的方式，能够做到对现有的通过金融风险校验的用户，从多个角度进行自动跟踪预测该用户的金融风险情况，提前防范交易风险，而优化整体用户群的金融风险水平。
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基于多重时间验证的金融风险分析方法及装置的系统框图。
图2是根据一示例性实施例示出的一种基于多重时间验证的金融风险分析方法的流程图。
图3是根据另一示例性实施例示出的一种基于多重时间验证的金融风险分析方法的示意图。
图4是根据另一示例性实施例示出的一种基于多重时间验证的金融风险分析方法的流程图。
图5是根据一示例性实施例示出的一种基于多重时间验证的金融风险分析装置的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
图7是根据一示例性实施例示出的一种计算机可读介质的框图。
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基于多重时间验证的金融风险分析方法及装置的系统框图。
如图1所示，系统架构10可以包括终端设备101、102、103，网络 104和服务器105。网络104用以在终端设备101、102、103和服务器105 之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105 交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如金融服务类应用、购物类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的金融服务类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的用户数据进行分析等处理，并将处理结果(例如风险分析结果)反馈给金融服务网站的管理员。
服务器105可例如将第一时间范围内的用户数据输入多个初始机器学习模型中，获取多个第一分析数值；服务器105可例如将第二时间范围内的用户数据输入所述多个初始机器学习模型中，获取多个第二分析数值；服务器105可例如将所述第一分析数值、所述第二分析数值输入所述风险分析模型中生成风险分析数值；服务器105可例如通过所述风险分析数值对用户进行金融风险分析。
服务器105可以是一个实体的服务器，还可例如为多个服务器组成，需要说明的是，本公开实施例所提供的基于多重时间验证的金融风险分析方法可以由服务器105执行，相应地，基于多重时间验证的金融风险分析装置可以设置于服务器105中。而提供给用户进行金融服务平台浏览的网页端一般位于终端设备101、102、103中。
根据本公开的基于多重时间验证的金融风险分析方法及装置，将第一时间范围内的用户数据输入多个初始机器学习模型中，获取多个第一分析数值；将第二时间范围内的用户数据输入所述多个初始机器学习模型中，获取多个第二分析数值；将所述第一分析数值、所述第二分析数值输入所述风险分析模型中生成风险分析数值；以及通过所述风险分析数值对用户进行金融风险分析的方式，能够做到对现有的通过金融风险校验的用户，从多个角度进行自动跟踪预测该用户的金融风险情况，提前防范交易风险，而优化整体用户群的金融风险水平。
图2是根据一示例性实施例示出的一种基于多重时间验证的金融风险分析方法的流程图。基于多重时间验证的金融风险分析方法20至少包括步骤S202至S208。
如图2所示，在S202中，将第一时间范围内的用户数据输入多个初始机器学习模型中，获取多个第一分析数值。包括：将第一时间范围内的用户数据输入多个初始机器学习模型中；所述多个初始机器学习模型中的每一个初始机器学习模型分别通过分箱法对所述第一时间范围内的用户数据进行分组评分；以及将分组评分结果与阈值进行比较以确定多个第一分析数值。分箱法是指通过考察“邻居”(周围的值)来平滑存储数据的值，用“箱的深度”表示不同的箱里有相同个数的数据，用“箱的宽度”来表示每个箱值的取值区间。
其中，第一时间范围可为用户申请金融服务之后的一个月的时间，还可例如为用户获得金融服务机构的借款后的一个周时间等等。
在S204中，将第二时间范围内的用户数据输入所述多个初始机器学习模型中，获取多个第二分析数值。包括：将第二时间范围内的用户数据输入多个初始机器学习模型中；所述多个初始机器学习模型中的每一个初始机器学习模型分别通过分箱法对所述第二时间范围内的用户数据进行分组评分；以及将分组评分结果与阈值进行比较以确定多个第二分析数值。
其中，第二时间范围可为用户申请金融服务之后的二个月的时间，还可例如为用户获得金融服务机构的借款后的二个周或者更长的时间范围等等。
在一个实施例中，将第二时间范围内的用户数据输入多个初始机器学习模型包括：将用户数据输入用户还款积极度模型中，获取用户还款评分；和/或将用户数据输入多头风险评分模型中，获取多头风险评分；和/或将用户数据输入用户行为评分模型中，获取用户行为评分。
在一个实施例中，还可例如件该用户数据输入其他的初始机器学习模型中，可例如为用户欠款风险模型，用户违约模型等等，本公开不以此为限。
在S206中，将所述第一分析数值、所述第二分析数值输入所述风险分析模型中生成风险分析数值。可例如包括：获取所述风险分析数值的常规变量参数；将所述第一分析数值、所述第二分析数值作为衍生参数；以及将所述衍生参数与所述常规变量参数输入所述风险分析模型中生成所述风险分析数值。在本公开的实施例中，衍生参数是指第一时间和第二时间的用户数据通过初始机器学习模型输出的初始分析数值(第一分析数值与第二分析数值)；对于风险分析模型而言，衍生参数和常规变量参数均为其输入参数。
在一个实施例中，获取所述风险分析数值的常规变量参数包括：通过用户数据与所述风险分析模型的特征提取所述常规变量参数；所述常规变量参数至少包括以下一者：借款期数、风险定价、用户特征。
在一个实施例中，可包括：通过历史第一分析数值与第二分析数值训练逻辑回归算法模型以生成所述风险分析模型。逻辑回归是一种与线性回归非常类似的算法，但是，从本质上讲，线型回归处理的问题类型与逻辑回归不一致。线性回归处理的是数值问题，也就是最后预测出的结果是数字；逻辑回归预测结果是离散的分类，逻辑回归是一种经典的二分类算法。
在一个实施例中，不同的风险分析模型会对应着不同的常规变量参数，常规变量参数还可包括：用户职业、用户收入、用户所在地区、用户年龄等等。
在一个实施例中，风险分析模块还可有多个，在有多个风险分析模型的时候，可根据不同的风险分析模型的参数特征确定不同的多组常规变量参数。
在S208中，通过所述风险分析数值对用户进行金融风险分析。其中，可包括：在所述风险分析模型输出的风险分析数值为多个时，通过多个风险分析数值的均值对用户进行金融风险分析。
在一个实施例中，可例如，对高风险的用户，可在后续金融服务的过程中降低其贷款金额，缩减其还款周期，还可例如冻结其贷款权限等等。
根据本公开的基于多重时间验证的金融风险分析方法，通过双层机器学习模型架构强化了对高风险用户的识别能力，在第一层机器学习模型中，可引入具有不同侧重点的多个初始模型，从而使其能对用户某一方面的特征给出准确的预估。然后将预估结果在输入到第二层机器学习满足中，进行分析，第二层机器学习模型可综合第一层机器学习模型给出的结果，在此结果上继续对用户进行风险分析，从而获得更加全面准确的结果。
根据本公开的基于多重时间验证的金融风险分析方法，通过分析客户的还款行为预测客户的还款积极度；分析客户的多头查询行为预测客户因多头增加变坏的可能性；结合客户借款时的已有风险系统，组合构建强化高风险客群识别的模型架构系统。做到对现有风险系统通过后的高风险人群，进行自动补充感知高风险进行新增拒绝功能，提前防范交易风险，在不影响通过率的前提下，减少至少于平均水平3倍的高风险客群，从而优化整体通过客群的风险水平。
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3是根据另一示例性实施例示出的一种基于多层模型结构的金融风险分析方法的示意图。如图3所示，可例如，首先将用户数据输入第一层机器学习模型架构中，然后再将第一层机器学习模型结构中输入的数据结合常规参数变量一同输入第二层机器学习模型架构中，最终输出风险分析结果。
具体可例如：先将第一时间范围内的用户数据输入用户还款积极度模型中，获取用户还款评分；和/或将用户数据输入多头风险评分模型中，获取多头风险评分；和/或将用户数据输入用户行为评分模型中，获取用户行为评分。再将第二时间范围内的用户数据输入用户还款积极度模型中，获取用户还款评分；和/或将用户数据输入多头风险评分模型中，获取多头风险评分；和/或将用户数据输入用户行为评分模型中，获取用户行为评分。然后以上各个模型输出的数据结合常规变量参数一同输入风险分析模型中，最后生成该用户的风险评分。
具体可例如，将用户还款评分、多头风险评分、用户行为评分输入风险分析模型中；将常规变量参数：借款期数、风险定价、用户特征等数据也输入风险分析模型中；最终获得风险分析结果。
在一个实施例中，将用户数据输入用户还款积极度模型中，获取用户还款评分还包括：通过历史用户的用户还款数据训练梯度提升决策树模型以获取所述用户还款积极度模型。
更具体的，可使用boost提升算法XGB构建用户还款积极度模型A，进行预测客户未来的还款积极度。
其中，可用分箱的方法对预测结果还款积极度分为5组，标注为A、 B、C、D、E标签分别为80％的概率、60％的概率、40％的概率、20％的概率、 20％一下的概率，根据设定的一个80％的阈值，确定是落入A的类型即可。还款积极度越高客户风险越低。
在一个实施例中，将用户数据输入多头风险评分模型中，获取多头风险评分还包括：通过历史用户中的多头用户数据训练梯度提升决策树模型以获取所述多头风险评分模型。
更具体的，可使用使用boost提升算法XGB构建用户多头风险评分模型B，进行预测客户未来因多头增加变坏的可能性。
其中，可用分箱的方法对预测结果多头风险评分分为5组，标注为A、 B、C、D、E标签分别为400、700、800、900、900以上，根据设定的一个400的阈值，确定是落入A的类型即可。多头风险分低客户风险越低。
在一个实施例中，将用户数据输入用户行为评分模型中，获取用户行为评分还包括：通过历史用户中的用户行为数据训练梯度提升决策树模型以获取所述用户行为评分模型。
更具体的，可使用boost提升算法XGB构建用户行为评分模型C，进行预测客户借款时的风险。
其中，可用分箱的方法对预测结果用户行为评分分为5组，标注为A、 B、C、D、E标签分别为500、600、700、800、800以上，根据设定的一个500的阈值，确定是落入某个类型即可。行为评分模型高客户风险越低。
在一个实施例中，以上模型的评分结果加入常规变量如：借款期数、风险定价、是否标准户等分类给标签，加入到强化风险识别的二级模型进行计算，用训练好的二级模型架构进行高风险识别，为了该系统的稳定性，二级模型架构采用传统的逻辑回归算法开发，并对基于先验风险信息有效提炼的一级预测的子模型分进行分组平滑处理，一方面自动降噪，另外一方面进一步保证二级模型架构稳定。
图4是根据另一示例性实施例示出的一种基于多重时间验证的金融风险分析方法的流程图。图4所示的流程是对图2所示的流程中S206 “将所述第一分析数值、所述第二分析数值输入所述风险分析模型中生成风险分析数值”的详细描述，
如图4所示，在S402中，获取所述风险分析模型的常规变量参数。
在S404中，将所述第一分析数值、所述第二分析数值作为衍生参数。
在S406中，将所述衍生参数与所述常规变量参数输入所述风险分析模型。
在S408中，所述风险分析模型将所述衍生参数与所述常规变量进行分组平滑处理。
在S410中，通过分组平滑处理后的所述衍生参数与所述常规变量生成所述至少一个风险分析数值。
对机器学习模型而言，输入的参数数据经常是不平滑的，这对机器学习模型的后续数据拟合来说就有影响，而且有的噪声数据会影响拟合的函数的准确性.所以在对数据拟合前，可进行平滑处理。更具体的可利用最小二乘法进行数据的分组平滑处理，还可通过其他数学方法对参数数据进行分组平滑处理，本公开不以此为限。
本公开的基于基于多层模型结构的金融风险分析方法，基于历史数据分析，可以有效拒绝4倍以上的坏客户，有效识别高风险人群。通过以上四个步骤开发A、B、C、D四个模型构建一套风控系统，最终由模型 D输出综合分Y。根据此综合分结合借款期数、性别和是否标准户等作为规则策略应用，策略规则的开发使用决策树算法实现。
1、模型D输出的风险评分Y+字段分析效果如下：
| 计数项： | 列标签 | 计数项 | 列标签 | ||||
| 行标签 | 好占比 | 坏占比 | 总计 | 行标签 | 好人数 | 坏人数 | 总计 |
| 469-498 | 57.14％ | 42.86％ | 1 | 469-498 | 28 | 21 | 49 |
| 499-528 | 69.66％ | 30.34％ | 1 | 499-528 | 101 | 44 | 145 |
| 529-558 | 78.91％ | 21.09％ | 1 | 529-558 | 378 | 101 | 479 |
| 559-588 | 85.49％ | 14.51％ | 1 | 559-588 | 1332 | 226 | 1558 |
其中，风险评分Y在588以下且为男性12期的非标准户时为高风险人群，新增拒绝人群的坏账率是平均水平的4.95倍。去掉新增拒绝人的坏账率后，给通过的人群坏账率改善0.17％，通过率损失0.44％。
综合分的计算过程如下：
prob＝β0+β1*scoreA+β2*scoreB+β3*scoreC+β4*X1+β5*X2 (1)
Odds＝p/1-p (2)
scoreY＝offsetf+factor×ln(odds) (4)
β0，β1，β2，β3，β4，β5为模型的参数，通过极大似然估计求得，从而得到公式 (1)的prob；odds、pdo、offsetf为参数，设置好参数后代入公式(2)、 (3)、(4)即可得到风险评分scoreY。
| 倍数 | ||
| 新增拒绝人的坏账率 | 17.57％ | 4.95 |
| 去掉新增拒绝人的坏账率 | 3.49％ | 0.98 |
| 未去新增拒绝人的坏账率 | 3.66％ | 1.00 |
| 改善值 | 0.17％ | 0.05 |
| 新增拒绝案件总占比 | 0.44％ |
2、根据本公开的方法对风控系统产生的影响
新增拒绝案件2231
新增拒绝金额6063358
新增拒绝金额平均值2717.776
在通过案件上减少2231件，总计申请金额6063358元，平均每件 2717.776元，范围可控，该套系统方案主要目的在于优化存量申请客户，起到拒绝高风险坏人，减少未来逾期损失的风险预防。
3、稳定性分析：
将该方案应用于两个不同时间的交易申请通过人群进行新增拒绝分析，均能有效找出高于平均水平四倍的高风险客群。
本公开通过几个深度学习模型与传统的统计方法逻辑回归模型形成有机组合，将验风险信息有效提炼构建模型，用来预测动态风险。并与客户的已知风险融合加入到二级加强模型进行训练，由此得到既有已知风险也有动态风险的二级风控架构系统，用来给通过的客群进行新增拒绝进行模型+策略开发，有效防止高风险人群的误判。
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5是根据一示例性实施例示出的一种基于多重时间验证的金融风险分析装置的框图。如图5所示，基于多重时间验证的金融风险分析装置50包括：第一分析模块502，第二分析模块504，风险分析模块506，以及金融分析模块508。
第一分析模块502用于将第一时间范围内的用户数据输入多个初始机器学习模型中，获取多个第一分析数值；所述第一分析模块502包括：第一输入单元，用于将第一时间范围内的用户数据输入多个初始机器学习模型中；第一分组单元，用于所述多个初始机器学习模型中的每一个初始机器学习模型分别通过分箱法对所述第一时间范围内的用户数据进行分组评分；以及第一比较单元，用于将分组评分结果与阈值进行比较以确定多个第一分析数值。
第二分析模块504用于将第二时间范围内的用户数据输入所述多个初始机器学习模型中，获取多个第二分析数值；所述第二分析模块504 包括：第二输入单元，用于将第二时间范围内的用户数据输入多个初始机器学习模型中；第二分组单元，用于所述多个初始机器学习模型中的每一个初始机器学习模型分别通过分箱法对所述第二时间范围内的用户数据进行分组评分；以及第二比较单元，用于将分组评分结果与阈值进行比较以确定多个第二分析数值。
风险分析模块506用于将所述第一分析数值、所述第二分析数值输入所述风险分析模型中生成风险分析数值；所述风险分析模块506包括：常规单元，用于获取所述风险分析数值的常规变量参数；衍生单元，用于将所述第一分析数值、所述第二分析数值作为衍生参数；以及分析单元，用于将所述衍生参数与所述常规变量参数输入所述风险分析模型中生成所述风险分析数值。
所述常规单元，还用于通过用户数据与所述风险分析模型的特征提取所述常规变量参数；所述常规变量参数至少包括以下一者：借款期数、风险定价、用户特征。
所述分析单元包括：参数单元，用于将所述衍生参数与所述常规变量参数输入所述风险分析模型；分组单元，用于所述风险分析模型将所述衍生参数与所述常规变量进行分组平滑处理；以及数值单元，用于通过分组平滑处理后的所述衍生参数与所述常规变量生成所述风险分析数值。
风险分析模型训练模块，用于通过历史第一分析数值与第二分析数值训练逻辑回归算法模型以生成所述风险分析模型。风险分析模型训练模块还包括：初始模型训练单元，用于通过历史用户的用户数据训练梯度提升决策树模型以获取所述用户还款积极度模型，和/或所述多头风险评分模型，和/或所述用户行为评分模型。
金融分析模块508用于通过所述风险分析数值对用户进行金融风险分析。所述金融分析模块508还用于在所述风险分析模型输出的风险分析数值为多个时，通过多个风险分析数值的均值对用户进行金融风险分析。
根据本公开的基于多重时间验证的金融风险分析装置，将第一时间范围内的用户数据输入多个初始机器学习模型中，获取多个第一分析数值；将第二时间范围内的用户数据输入所述多个初始机器学习模型中，获取多个第二分析数值；将所述第一分析数值、所述第二分析数值输入所述风险分析模型中生成风险分析数值；以及通过所述风险分析数值对用户进行金融风险分析的方式，能够做到对现有的通过金融风险校验的用户，从多个角度进行自动跟踪预测该用户的金融风险情况，提前防范交易风险，而优化整体用户群的金融风险水平。
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600。图6显示的电子设备600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600以通用计算设备的形式表现。电子设备 600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线 630、显示单元640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610执行，使得所述处理单元610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610可以执行如图2，图4中所示的步骤。
所述存储单元620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)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205 的程序/实用工具6204，这样的程序模块6205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630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600也可以与一个或多个外部设备600’(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600交互的设备通信，和/或与使得该电子设备600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650进行。并且，电子设备600 还可以通过网络适配器660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660可以通过总线630与电子设备600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600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，如图7所示，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、或者网络设备等) 执行根据本公开实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
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：将第一时间范围内的用户数据输入多个初始机器学习模型中，获取多个第一分析数值；将第二时间范围内的用户数据输入所述多个初始机器学习模型中，获取多个第二分析数值；将所述第一分析数值、所述第二分析数值输入所述风险分析模型中生成风险分析数值；以及通过所述风险分析数值对用户进行金融风险分析。
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。
Claims (10)
1.一种基于多重时间验证的金融风险分析方法，其特征在于，包括：
将第一时间范围内的用户数据输入多个初始机器学习模型中，获取多个第一分析数值；
将第二时间范围内的用户数据输入所述多个初始机器学习模型中，获取多个第二分析数值；
将所述第一分析数值、所述第二分析数值输入所述风险分析模型中生成风险分析数值；以及
通过所述风险分析数值对用户进行金融风险分析。
2.如权利要求1所述的方法，其特征在于，将第一时间范围内的用户数据输入多个初始机器学习模型中，获取多个第一分析数值包括：
将第一时间范围内的用户数据输入多个初始机器学习模型中；
所述多个初始机器学习模型中的每一个初始机器学习模型分别通过分箱法对所述第一时间范围内的用户数据进行分组评分；以及
将分组评分结果与阈值进行比较以确定多个第一分析数值。
3.如权利要求1-2任一项所述的方法，其特征在于，将第二时间范围内的用户数据输入所述多个初始机器学习模型中，获取多个第二分析数值包括：
将第二时间范围内的用户数据输入多个初始机器学习模型中；
所述多个初始机器学习模型中的每一个初始机器学习模型分别通过分箱法对所述第二时间范围内的用户数据进行分组评分；以及
将分组评分结果与阈值进行比较以确定多个第二分析数值。
4.如权利要求1-3任一项所述的方法，其特征在于，将所述第一分析数值、所述第二分析数值输入所述风险分析模型中生成风险分析数值包括：
获取所述风险分析模型的常规变量参数；
将所述第一分析数值、所述第二分析数值作为衍生参数；以及
将所述衍生参数与所述常规变量参数输入所述风险分析模型中生成所述风险分析数值。
5.如权利要求1-4任一项所述的方法，其特征在于，获取所述风险分析数值的常规变量参数包括：
通过用户数据与所述风险分析模型的特征提取所述常规变量参数；
所述常规变量参数至少包括以下一者：借款期数、风险定价、用户特征。
6.如权利要求1-5任一项所述的方法，其特征在于，还包括：
通过历史第一分析数值与第二分析数值训练逻辑回归算法模型以生成所述风险分析模型。
7.如权利要求1-6任一项所述的方法，其特征在于，将所述衍生参数与所述常规变量参数输入所述风险分析模型中生成所述风险分析数值包括：
将所述衍生参数与所述常规变量参数输入所述风险分析模型；
所述风险分析模型将所述衍生参数与所述常规变量进行分组平滑处理；以及
通过分组平滑处理后的所述衍生参数与所述常规变量生成所述风险分析数值。
8.一种基于多重时间验证的金融风险分析装置，其特征在于，包括：
第一分析模块，用于将第一时间范围内的用户数据输入多个初始机器学习模型中，获取多个第一分析数值；
第二分析模块，用于将第二时间范围内的用户数据输入所述多个初始机器学习模型中，获取多个第二分析数值；
风险分析模块，用于将所述第一分析数值、所述第二分析数值输入所述风险分析模型中生成风险分析数值；以及
金融分析模块，用于通过所述风险分析数值对用户进行金融风险分析。
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1-7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1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910587679.1A CN110335143A (zh) | 2019-07-02 | 2019-07-02 | 基于多重时间验证的金融风险分析方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910587679.1A CN110335143A (zh) | 2019-07-02 | 2019-07-02 | 基于多重时间验证的金融风险分析方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110335143A true CN110335143A (zh) | 2019-10-15 |
Family
ID=68144695
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910587679.1A Pending CN110335143A (zh) | 2019-07-02 | 2019-07-02 | 基于多重时间验证的金融风险分析方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110335143A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582314A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 目标用户确定方法、装置及电子设备 |
| CN111899092A (zh) * | 2020-08-28 | 2020-11-06 | 上海冰鉴信息科技有限公司 | 基于二道模型的业务数据筛选方法及装置 |
| CN112037007A (zh) * | 2020-08-03 | 2020-12-04 | 苏宁金融科技(南京)有限公司 | 针对小微企业信贷审批的方法及电子设备 |
-
2019
- 2019-07-02 CN CN201910587679.1A patent/CN110335143A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582314A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 目标用户确定方法、装置及电子设备 |
| CN112037007A (zh) * | 2020-08-03 | 2020-12-04 | 苏宁金融科技(南京)有限公司 | 针对小微企业信贷审批的方法及电子设备 |
| CN111899092A (zh) * | 2020-08-28 | 2020-11-06 | 上海冰鉴信息科技有限公司 | 基于二道模型的业务数据筛选方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110348977A (zh) | 基于多层模型结构的金融风险分析方法、装置及电子设备 | |
| CN110349009B (zh) | 一种多头借贷违约预测方法、装置和电子设备 | |
| CN110363417A (zh) | 金融风险策略生成方法、装置及电子设备 | |
| CN109035003A (zh) | 基于机器学习的反欺诈模型建模方法和反欺诈监控方法 | |
| CN107818344A (zh) | 用户行为进行分类和预测的方法和系统 | |
| CN110110012A (zh) | 用户预期价值评估方法、装置、电子设备及可读介质 | |
| CN105590055A (zh) | 用于在网络交互系统中识别用户可信行为的方法及装置 | |
| CN107040397A (zh) | 一种业务参数获取方法及装置 | |
| CN110349003A (zh) | 基于社交数据的关联风险评估方法、装置及电子设备 | |
| CN112270547A (zh) | 基于特征构造的金融风险评估方法、装置和电子设备 | |
| CN110335143A (zh) | 基于多重时间验证的金融风险分析方法、装置及电子设备 | |
| CN111145009A (zh) | 用户贷后风险评估方法、装置及电子设备 | |
| CN110363655A (zh) | 基于时间特征的目标用户识别方法、装置及电子设备 | |
| CN110363653A (zh) | 金融服务请求响应方法、装置及电子设备 | |
| CN110363575A (zh) | 一种授信用户动支意愿预测方法、装置和设备 | |
| CN109583782B (zh) | 支持多数据源的汽车金融风控方法 | |
| CN112163963A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
| CN111583018A (zh) | 一种基于用户金融表现分析的授信策略管理方法、装置和电子设备 | |
| CN113256408A (zh) | 基于消费金融的风险控制方法、系统和计算机设备 | |
| CN112348321A (zh) | 风险用户的识别方法、装置及电子设备 | |
| CN110348999B (zh) | 金融风险敏感用户识别方法、装置及电子设备 | |
| CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
| CN114819967A (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
| CN110349005A (zh) | 用户经营策略生成方法、装置及电子设备 | |
| CN113610625A (zh) | 逾期风险警示方法、装置及电子设备 |
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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: Room 1118, No.4, Lane 800, Tongpu Road, Putuo District, Shanghai 200062 Applicant after: SHANGHAI QIYU INFORMATION TECHNOLOGY Co.,Ltd. Address before: 201500 room a1-5962, 58 Fumin Branch Road, Hengsha Township, Chongming District, Shanghai (Shanghai Hengtai Economic Development Zone) Applicant before: SHANGHAI QIYU INFORMATION TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| CB02 | Change of applicant information |