CN110349009B - 一种多头借贷违约预测方法、装置和电子设备 - Google Patents

Abstract

本发明公开了一种多头借贷违约预测方法、装置、电子设备和计算机可读介质。所述方法包括：建立训练数据集和分类模型，将所述训练数据集中的用户多头信息作为输入变量，将用户违约信息作为目标变量，训练该分类模型，得到多头违约分类标签；建立违约风险模型，为所述违约用户分配所述多头违约分类标签，训练该违约风险模型；以及使用该违约风险模型预测该新用户的多头借贷违约可能性。本发明能够对多头违约带来的信贷风险进行量化，从而为信贷策略的调整提供依据。本发明能够有效利用多头信息，模型架构合理、计算快速而准确，为信贷风险的控制提供了有力的数据支撑。

Description

一种多头借贷违约预测方法、装置和电子设备

技术领域

本发明涉及计算机信息处理领域，具体而言，涉及一种多头借贷违约预测方法、装置、电子设备及计算机可读介质。

背景技术

近年来，随着越来越多的提供金融服务的各种信贷公司的出现，对于金融用户而言，能够获得贷款的渠道增多，服务也多样化，金融用户有了更大的选择性，一户多贷的情况也逐渐明显。一户多贷也称为多头贷款，多头贷款指的是同一贷款者同时向多家提供金融服务的机构提出信贷要求得行为。

尽管多头贷款在一定程度上满足了金融用户当前的资金需求，但也加剧了提供金融服务的贷款公司与金融用户之间信息不对称的矛盾，极易导致多家金融服务公司对同一个金融用户进行分别授信，最终造成该金融用户的信用额度超过其能够负担的总额度，造成对该金融用户的过度授信。

过度授信的行为对于部分金融用户，尤其是缺乏自我约束的金融用户而言，是一种具有极大的金融风险的事件。部分金融用户在过度授信之后，在其资金链断裂后，极易发生频繁违约和拖延还款行为，这种行为给提供金融服务的信贷公司的带来了大量的业务风险。

发明内容

本发明旨在解决对多头因素造成的信贷违约难以量化估计的问题。

为了解决上述技术问题，本发明第一方面提出一多头借贷违约预测方法，该方法包括以下步骤：

建立训练数据集，所述训练数据集包括多个信贷用户的数据，该数据包括用户的基本属性信息、用户的多头信息以及用户的违约信息；

建立分类模型，将所述训练数据集中的用户多头信息作为输入变量，将所述训练数据集中的用户违约信息作为目标变量，训练该分类模型，得到多头违约分类标签；

建立违约风险模型，从所述训练数据集中选取违约用户的数据，并为所述违约用户分配所述多头违约分类标签，将所述违约用户的基本属性信息作为输入变量，将所述违约用户的多头违约分类标签作为目标变量，训练该违约风险模型；

获取新用户的基本属性信息，使用该违约风险模型预测该新用户的多头借贷违约可能性。

根据本发明的一种优选实施方式，所述多头信息包括以下的至少一种：多头查询信息、多头命中信息。

根据本发明的一种优选实施方式，所述多头信息是多个预定时间期限内的多头信息。

根据本发明的一种优选实施方式，所述分类模型为决策树模型。

根据本发明的一种优选实施方式，所述违约风险模型为XGBoost模型。

根据本发明的一种优选实施方式，所述使用违约风险模型预测该新用户的多头借贷违约可能性的步骤包括：

使用违约风险模型计算所述新用户的多头借贷违约评分；

通过判断所述多头借贷违约评分是否在预定范围内来确定所述新用户是否有多头违约风险。

根据本发明的一种优选实施方式，所述违约用户是指违约时间超过预定时长的用户；

相应的，所述多头违约风险是从当前时间起始的所述预定时长范围内的违约风险。

为了解决上述技术问题，本发明第二方面提出8、一种多头借贷违约预测装置，包括：

数据模块，用于建立训练数据集，所述训练数据集包括多个信贷用户的数据，该数据包括用户的基本属性信息、用户的多头信息以及用户的违约信息；

分类模块，用于建立分类模型，将所述训练数据集中的用户多头信息作为输入变量，将所述训练数据集中的用户违约信息作为目标变量，训练该分类模型，得到多头违约分类标签；

训练模块，用于从所述训练数据集中选取违约用户的数据，并为所述违约用户分配所述多头违约分类标签，将所述违约用户的基本属性信息作为输入变量，将所述违约用户的多头违约分类标签作为目标变量，训练该违约风险模型；以及

预测模块，用于获取新用户的基本属性信息，使用该违约风险模型预测该新用户的多头借贷违约可能性。

根据本发明的一种优选实施方式，所述多头信息包括以下的至少一种：多头查询信息、多头命中信息。

根据本发明的一种优选实施方式，所述多头信息是多个预定时间期限内的多头信息。

根据本发明的一种优选实施方式，其特征在于：所述分类模型为决策树模型。

根据本发明的一种优选实施方式，其特征在于：所述违约风险模型为XGBoost模型。

根据本发明的一种优选实施方式，所述预测模块还用于：

使用违约风险模型计算所述新用户的多头借贷违约评分；

通过判断所述多头借贷违约评分是否在预定范围内来确定所述新用户是否有多头违约风险。

根据本发明的一种优选实施方式，所述违约用户是指违约时间超过预定时长的用户；

相应的，所述多头违约风险是从当前时间起始的所述预定时长范围内的违约风险。

为了解决上述技术问题，本发明第三方面提出一种电子设备，其包括处理器以及存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行上述的方法。

为了解决上述技术问题，本发明第四方面提出一种计算机可读存储介质，该所述计算机可读存储介质存储一个或多个程序，当所述一个或多个程序被处理器执行时，实现上述的方法。

由于本发明首先采用了分类模型建立多头违约分类标签，再利用该标签来训练违约风险模型，因此本发明能够对多头违约带来的信贷风险进行量化，从而为信贷策略的调整提供依据。本发明能够有效利用多头信息，模型架构合理、计算快速而准确，为信贷风险的控制提供了有力的数据支撑。

附图说明

为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明的示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。

图1是本发明的多头借贷违约预测方法的流程图；

图2是本发明的多头借贷违约预测装置的一个实施例的模块组成图；

图3是本发明的一种电子设备的示例性实施例的结构框图；

图4是本发明的一个计算机可读介质实施例的示意图。

具体实施方式

现在将参考附图来更加全面地描述本发明的示例性实施例，虽然各示例性实施例能够以多种具体的方式实施，但不应理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例是为了使本发明的内容更加完整，更加便于将发明构思全面地传达给本领域的技术人员。

在符合本发明的技术构思的前提下，在某个特定的实施例中描述的结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。

在对于具体实施例的介绍过程中，对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是，并不排除本领域技术人员可以在特定情况下，以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。

附图中的流程图仅是一种示例性的流程演示，不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤，也不代表必须按照图中所显示的的顺序执行。例如，流程图中有的操作/步骤可以分解，有的操作/步骤可以合并或部分合并，等等，在不脱离本发明的发明主旨的情况下，流程图中显示的执行顺序可以根据实际情况改变。

附图中的框图一般表示的是功能实体，并不一定必然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。

各附图中相同的附图标记表示相同或类似的元件、组件或部分，因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说，这些定语仅是用来将一者与另一者区分。例如，第一器件亦可称为第二器件，但不偏离本发明实质的技术方案。此外，术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。

根据经验，有多种因素可能造成信贷用户的违约。这里所说的违约一般是指逾期未还贷或还贷不足的情况。对于数据处理来说，为了更精细分用户的实际违约情况，还可以按违约时长对违约行为进行细分，例如：逾期超过7天，逾期超过1个月、逾期超过3个月、逾期超过6个月、逾期超过1年等。此外，也可以根据欠款的额度进行细分，例如欠款1000元以下、欠款1000至5000元，欠款5000至15000元，欠款15000元以上。等等。如果将上述违约情况进行标签化，那么对于每个用户，都可以得到多个标签的违约信息。

随着大数据、人工智能技术的发展，信贷用户的历史违约信息通常会被利用，以便来预测新用户的违约情况。

为了量化因多头造成的违约风险，需要引入用户的多头信息。所谓的多头信息是指与用户的多头行为相关的数据，多头行为是指用户在多个信贷平台上发生的与信贷行为有关的行为，例如网络查询、电话咨询、信贷申请、授信、动支、还款、违约、被催收等等的各种主动或被动行为。多头信息可以是多头行为的类型、持续时间、次数、多头数量等数据。在本发明中，并不限于多头信息和违约信息的种类和数据类型。

在获得了用户的多头信息之后，由于数据来源比较复杂，数据维度较多，数据范围较大，然而，并非所有维度的所有数据范围对于判断用户违约信息都是有用的。因此本发明提出首先对多头数据进行处理以建立多头违约分类标签，也就是说先提取出对于判断多头违约风险具有重要意义的分类标签。接下来就可以使用信贷用户的作为违约风险模型的目标变量来进行模型的训练，得到多头因素造成的违约可能性数值。为此，参见图1，本发明的多头借贷违约预测方法包括以下步骤：

S1、建立训练数据集，所述训练数据集包括多个信贷用户的数据，该数据包括用户的基本属性信息、用户的多头信息以及用户的违约信息。

除了前面提到的多头信息和违约信息，用户的基本属性信息包括用户的年龄、学历、职业等由用户在申请信贷产品时提供的信息。

我们可以由历史信贷数据建立训练数据集。对于用户的基本属性信息、用户的多头信息以及用户的违约信息，可以来源于同一数据源，也可以来自多个数据源。通常，用户的多头数据由第三方提供。而第三方提供的数据中，除了多头数据之外，还可能包括与多头数据相关的基本属性信息和违约信息，这时，我们可以直接使用第三方的数据建立训练数据集。但是，在其他实施例中，也可以使用本地的用户基本属性信息和用户的违约信息，但需要通过用户标识信息与第三方提供的多头信息进行关联和合并。

当然，本发明不排除训练数据集中的数据还包括其他类型的数据，例如用户的关联人信息等。在此，这些其他类型的信息可以和用户基本属性信息一样对待，或者采用现有的技术进行处理。

S2、建立分类模型，将所述训练数据集中的用户多头信息作为输入变量，将所述训练数据集中的用户违约信息作为目标变量，训练该分类模型，得到多头违约分类标签。

该步骤用于训练一个分类模型以便取得多头违约的分类标签。取得多头违约分类标签的目的在于获得这样的信息，在众多复杂且范围较宽的多头信息中，寻找到对多头信息进行最佳分类的方法，通过这种分类能够判断用户具有较高的违约概率。

本发明适用于多种分类模型，最常见的如决策树模型。通过决策树的机器学习算法，将多头信息作为输入变理，将违约信息作为输出变量，可以得到最佳的分类方式，即可作为多头违约分类标签。

S3、建立违约风险模型，从所述训练数据集中选取违约用户的数据，并为所述违约用户分配所述多头违约分类标签，将所述违约用户的基本属性信息作为输入变量，将所述违约用户的多头违约分类标签作为目标变量，训练该违约风险模型。

在得到多头违约分类标签之后，我们可以为在后用到的训练数据集中的信贷用户数据打上该标签。这里所称的在后用到的训练数据集中的信贷用户是指从训练数据集中选出的具有违约行为的用户，或称违约用户。

例如，按照步骤S2得到的最佳分类方式，计算选取的各违约用户的多头信息后将其标为“1”或“0”。“1”表示具有较高的多头违约可能性，“0”表示不具有较高的多头违约可能性。

在分配了多头违约分类标签后，我们可以来训练一个模型来识别具有高的多头违约风险的用户。为此，我们首先利用了打了多头违约分类标签的违约用户来训练该模型。

S4、获取新用户的基本属性信息，使用该违约风险模型预测该新用户的多头借贷违约可能性。

步骤S3建立和训练的模型是专用于判断多头违约风险的，因此当步骤S3建立了违约风险模型之后，我们可以直接利用该模型来判断新用户是否具有多头借贷违约风险。

本发明优选为使用计算速率和效率都较高的XGBoost模型，该模型可以输出一个多头违约评分。根据该评分，我们可以定量的判断该多头违约的风险大小。

在一些实施方式中，在获得多头违约评分之后，本发明可以根据预先设定的评分范围来判断多头违约风险的有无，并作为信贷策略选择或调整的依据。

以下通过一个具体实施例来描述本发明的方法。

下表所示为该实施例建立的一个训练数据集中的几个信贷用户的数据。

应当理解，上述的数据仅仅是一种示例，是为了更加清楚地说明发明的实现过程。实际的数据集可能包括上万条数据，每条数据包括上百个乃至上千个维度的数据，并且具有违约行为的人数的比例要低的多。

此外，上述的数据仅仅是为了说明问题，在实际处理过程中，上述的数据还需要进行一定的标准化处理或标签化处理。对于上述数据的来源和处理，并非是本发明的重点，故在此不再详细说明。

接下来，我们建立一个决策树模型，并使用上述数据对决策树进行识识训练，在训练时，将违约信息中的“逾期超30天”标签数据作为目标变量，表中显示的五个多头信息标签作为输入变量。通过对类似于上表中的大量数据的训练，我们可以得到一个分类树。在该实施例中，我们假定得到的分类树表示的分类标准是“当近一个月的多头命中数大于3且近一年的多头查询次数大于10，则该有户更可能具有逾期30天以上的行为”。

多头命中次数在此可以定义为该用户实际进行的多头行为的次数，多头查询次数可以定义为该用户在与多头相关的在特定平台进行信贷查询的次数。当然，在其他实施例中，也可以有其他的含义。

由此，我们得到了一个多头违约分类标签：1月多头命中数大于3且1年多头查询数大于10。

在该实施例中，我们将该标签对数据集中的具有30天以上逾期的用户进行分配，得到下表：

用户ID	年龄	学历	职业	逾期超30天	多头违约风险
						P1	31	本科	企业职员	是	0
P3	23	大专	工人	是	1
						P4	27	本科	企业职员	是	0

在实际情况下，我们可以得到更多的违约用户的数据。以此为训练数据，我们再建立一个XGBoost模型，将用户基本属性信息输入，将多头违约分类标签作为输出进行训练。

在训练完该XGBoost模型之后，我们可以直接利用该模型对新用户进行多头违约的风险评分。例如，我们可以将多头违约风险低于0.2的用户标记为具有30天内(与违约信息的标签对应)具有多头违约风险的用户。

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数据处理设备(包括计算机)执行的程序，即计算机程序。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。

下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。

图2是本发明的多头借贷违约预测装置的一个实施例的模块组成图。如图2所示，该装置包括数据模块、分类模块、训练模块和预测模块。

数据模块，用于建立训练数据集，所述训练数据集包括多个信贷用户的数据，该数据包括用户的基本属性信息、用户的多头信息以及用户的违约信息。

该数据模块可由历史信贷数据建立训练数据集。对于用户的基本属性信息、用户的多头信息以及用户的违约信息，可以来源于同一数据源，也可以来自多个数据源。通常，用户的多头数据由第三方提供。而第三方提供的数据中，除了多头数据之外，还可能包括与多头数据相关的基本属性信息和违约信息，这时，我们可以直接使用第三方的数据建立训练数据集。但是，在其他实施例中，该数据模块也可以使用本地的用户基本属性信息和用户的违约信息，但需要通过用户标识信息与第三方提供的多头信息进行关联和合并。

当然，本发明不排除训练数据集中的数据还包括其他类型的数据，例如用户的关联人信息等。在此，这些其他类型的信息可以和用户基本属性信息一样对待，或者采用现有的技术进行处理。

分类模块，用于建立分类模型，将所述训练数据集中的用户多头信息作为输入变量，将所述训练数据集中的用户违约信息作为目标变量，训练该分类模型，得到多头违约分类标签。该分类模块训练一个分类模型以便取得多头违约的分类标签。取得多头违约分类标签的目的在于获得这样的信息，在众多复杂且范围较宽的多头信息中，寻找到对多头信息进行最佳分类的方法，通过这种分类能够判断用户具有较高的违约概率。

本发明适用于多种分类模型，最常见的如决策树模型。通过决策树的机器学习算法，将多头信息作为输入变理，将违约信息作为输出变量，可以得到最佳的分类方式，即可作为多头违约分类标签。

训练模块用于从所述训练数据集中选取违约用户的数据，并为所述违约用户分配所述多头违约分类标签，将所述违约用户的基本属性信息作为输入变量，将所述违约用户的多头违约分类标签作为目标变量，训练该违约风险模型。

在得到多头违约分类标签之后，训练模块为在后用到的训练数据集中的信贷用户数据打上该标签。在分配了多头违约分类标签后，该训练模块训练一个模型来识别具有高的多头违约风险的用户。为此，我们首先利用了打了多头违约分类标签的违约用户来训练该模型。

预测模块用于获取新用户的基本属性信息，使用该违约风险模型预测该新用户的多头借贷违约可能性。该预测模块直接利用该训练模块训练好的模型来判断新用户是否具有多头借贷违约风险。

本发明优选为使用计算速率和效率都较高的XGBoost模型，在一些实施方式中，在获得多头违约评分之后，还可以使用诸如策略调整模块来根据预先设定的评分范围来判断多头违约风险的有无，并作为信贷策略选择或调整的依据。

本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述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。

下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的实体形式的实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。

图3是根据本发明的一种电子设备的示例性实施例的结构框图。图3显示的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图3所示，该示例性实施例的电子设备310以通用数据处理设备的形式表现。电子设备310的组件可以包括但不限于：至少一个处理单元311、至少一个存储单元312、连接不同系统组件(包括存储单元312和处理单元311)的总线316、显示单元313等。

其中，所述存储单元312存储有计算机可读程序，其可以是源程序或都只读程序的代码。所述程序可以被处理单元311执行，使得所述处理单元210执行本发明各种实施方式的步骤。例如，所述处理单元311可以执行如图1所示的步骤。

所述存储单元312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)3121和/或高速缓存存储单元3122，还可以进一步包括只读存储单元(ROM)3123。所述存储单元312还可以包括具有一组(至少一个)程序模块3125的程序/实用工具3124，这样的程序模块3125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316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310也可以与一个或多个外部设备320(例如键盘、显示器、网络设备、蓝牙设备等)通信，使得用户能经由这些外部设备320与该电子设备320交互，和/或使得该电子设备310能与一个或多个其它数据处理设备(例如路由器、调制解调器等等)进行通信。这种通信可以通过输入/输出(I/O)接口314进行，还可以通过网络适配器315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)进行。网络适配器315可以通过总线316与电子设备320的其它模块通信。应当明白，尽管图中未示出，电子设备310中可使用其它硬件和/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。

图4是本发明的一个计算机可读介质实施例的示意图。如图4所示，所述计算机程序可以存储于一个或多个计算机可读介质上。计算机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。当所述计算机程序被一个或多个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法。

通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性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，根据本发明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的存储介质(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数据处理设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。

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发明操作的程序代码，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)。

综上所述，本发明可以执行计算机程序的方法、装置、电子设备或计算机可读介质来实现。可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现本发明的一些或者全部功能。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种多方资源汇集违约预测方法，其特征在于，包括以下步骤：

将预设行为确定为多方资源汇集行为；

基于所述预设行为生成用户的多方资源汇集信息；

建立训练数据集，所述训练数据集包括多个信贷用户的数据，该数据包括用户的基本属性信息、用户的多方资源汇集信息以及用户的违约信息，用户的基本属性信息包括年龄、学历、职业；

建立分类模型，将所述训练数据集中的用户多方资源汇集信息作为输入变量，将所述训练数据集中的用户违约信息作为目标变量，训练决策树分类模型，得到多方资源汇集违约分类标签；

建立违约风险模型，从所述训练数据集中选取违约用户的数据，并为所述违约用户分配所述多方资源汇集违约分类标签，将所述违约用户的基本属性信息作为输入变量，将所述违约用户的多方资源汇集违约分类标签作为目标变量，训练XGBoost违约风险模型；

获取新用户的基本属性信息，基于所述基本属性信息使用违约风险模型计算所述新用户的多方资源汇集违约分类标签；

通过所述新用户的多方资源汇集违约分类标签来确定所述新用户是否有多方资源汇集违约风险。

2.根据权利要求1所述的多方资源汇集违约预测方法，其特征在于：所述多方资源汇集信息包括以下的至少一种：多方资源汇集查询信息、多方资源汇集命中信息。

3.根据权利要求1所述的多方资源汇集违约预测方法，其特征在于：所述多方资源汇集信息是多个预定时间期限内的多方资源汇集信息。

4.根据权利要求1所述的多方资源汇集违约预测方法，其特征在于：所述违约用户是指违约时间超过预定时长的用户；相应的，所述多方资源汇集违约风险是从当前时间起始的所述预定时长范围内的违约风险。

5.一种多方资源汇集违约预测装置，其特征在于，包括：数据模块，用于将预设行为确定为多方资源汇集行为；基于所述预设行为生成用户的多方资源汇集信息；建立训练数据集，所述训练数据集包括多个信贷用户的数据，该数据包括用户的基本属性信息、用户的多方资源汇集信息以及用户的违约信息，用户的基本属性信息包括年龄、学历、职业；分类模块，用于建立分类模型，将所述训练数据集中的用户多方资源汇集信息作为输入变量，将所述训练数据集中的用户违约信息作为目标变量，训练决策树分类模型，得到多方资源汇集违约分类标签；训练模块，用于从所述训练数据集中选取违约用户的数据，并为所述违约用户分配所述多方资源汇集违约分类标签，将所述违约用户的基本属性信息作为输入变量，将所述违约用户的多方资源汇集违约分类标签作为目标变量，训练XGBoost违约风险模型；预测模块，用于获取新用户的基本属性信息，基于所述基本属性信息使用违约风险模型计算所述新用户的多方资源汇集违约评分；通过判断所述多方资源汇集违约评分是否在预定范围内来确定所述新用户是否有多方资源汇集违约风险。

6.一种电子设备，包括：处理器；以及存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行根据权利要求1-4中任一项所述的方法。

7.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，当所述一个或多个程序被处理器执行时，实现权利要求1-4中任一项所述的方法。