CN111191889A - 一种基于逻辑回归与投票式模型集成的评分卡开发方法 - Google Patents
一种基于逻辑回归与投票式模型集成的评分卡开发方法 Download PDFInfo
- Publication number
- CN111191889A CN111191889A CN201911304695.1A CN201911304695A CN111191889A CN 111191889 A CN111191889 A CN 111191889A CN 201911304695 A CN201911304695 A CN 201911304695A CN 111191889 A CN111191889 A CN 111191889A
- Authority
- CN
- China
- Prior art keywords
- risk
- evaluated
- model
- dimension
- subset
- 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 35
- 238000007477 logistic regression Methods 0.000 title claims abstract description 24
- 230000010354 integration Effects 0.000 title claims abstract description 21
- 238000011161 development Methods 0.000 title claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 58
- 238000007689 inspection Methods 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000013468 resource allocation Methods 0.000 claims description 42
- 238000001514 detection method Methods 0.000 claims description 12
- 238000011835 investigation Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 3
- 230000000717 retained effect Effects 0.000 abstract description 3
- 238000013475 authorization Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012847 principal component analysis method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于逻辑回归与投票式模型集成的评分卡开发方法，该方法包括：确定所有待评风险维度；将所述所有待评风险维度划分为多个待评风险维度子集；根据所述多个待评风险维度子集分别构建与其对应的子集模型；分别对各子集模型进行检验，基于检验结果筛选得到目标子集模型；基于所有目标子集模型，获得所有待评风险维度的集成评分结果。通过将所有待评风险维度划分为多个待评风险维度子集，能够快速准确的确定所有待评风险维度的得分；且保留了传统逻辑回归的因果关系明确、可解释性强、有明确检验标准的优点，同时覆盖多风险维度，结果更加稳健，集成中纳入了更多能够带来边际有用信息的风险因素，评估更加全面。
Description
技术领域
本发明涉及资源分配技术领域，尤其涉及一种基于逻辑回归与投票式模型集成的评分卡开发方法。
背景技术
现有的资源分配业务，在接收到资源申请方的资源分配请求后，为了确保资源分配的安全性以及提高资源分配的准确性，需要首先对资源申请方进行客观评价。
发明内容
有鉴于此，本发明的目的在于提出一种基于逻辑回归与投票式模型集成的评分卡开发方法，以对资源申请方进行客户评价。
基于上述目的，本发明第一方面提供了一种基于逻辑回归与投票式模型集成的评分卡开发方法，所述方法包括：
确定所有待评风险维度；
将所述所有待评风险维度划分为多个待评风险维度子集；
根据所述多个待评风险维度子集分别构建与其对应的子集模型；
分别对各子集模型进行检验，基于检验结果筛选得到目标子集模型；
基于所有目标子集模型，获得所有待评风险维度的集成评分结果。
可选地，所述基于所有目标子集模型，获得所有待评风险维度的集成评分结果，包括：
分别将各待评风险维度分档，并确定各档对应的WOE编码值；
基于各待评风险维度的最大WOE编码值、最小WOE编码值及各待评风险维度在各目标子集模型中的β值，确定各待评风险维度在各目标子集模型中的权重；
基于各待评风险维度在各目标子集模型中的权重，确定各待评风险维度在预设评分卡模型中的加权平均系数或算术平均系数；
基于单个待评风险维度各档对应的WOE编码值，确定各待评风险维度的评分；
基于各待评风险维度的评分及各待评风险维度的加权平均系数或算术平均系数，获得所有待评风险维度的集成评分结果。
可选地，所述分别对各子集模型进行检验，基于检验结果筛选得到目标子集模型，包括：
对所有子集模型分别进行检验，获得检验结果；
判断所述检验结果是否大于预设检验阈值；
若是，则判定所述检验结果对应的子集模型是目标子集模型；
若否，则判定所述检验结果对应的子集模型不是目标子集模型。
可选地，所述对所有子集模型分别进行检验，获得检验结果，包括：
分别对各子集模型进行模型预测精确度检验、柯尔莫可洛夫-斯米洛夫检验、拟合优度检验和风险维度拟合参数显著性检验，相应的，获得模型预测精确度检验结果、柯尔莫可洛夫-斯米洛夫检验结果、拟合优度检验结果和风险维度拟合参数显著性检验结果。
可选地，所述确定所有待评风险维度，包括：
接收资源申请方的资源分配请求；
基于所述资源申请方的资源分配请求，获取所述资源申请方的相关数据；其中，所述资源申请方的相关数据包括司法数据、工商数据、征信数据、税务数据和银行数据中的一种或多种；
基于所述资源申请方的相关数据，确定所述资源申请方的所有待评风险维度。
可选地，所述方法还包括：
基于所有待评风险维度的集成评分结果，进行资源分配。
从上面所述可以看出，本发明提供的基于逻辑回归与投票式模型集成的评分卡开发方法，通过确定所有待评风险维度，将所有待评风险维度划分为多个待评风险维度子集，并基于待评风险维度子集构建与其对应的子集模型，然后筛选获得目标子集模型，最后基于目标子集模型获得所有待评风险维度的集成评分结果；通过将所有待评风险维度划分为多个待评风险维度子集，能够快速准确的确定所有待评风险维度的得分；且保留了传统逻辑回归的因果关系明确、可解释性强、有明确检验标准的优点，同时覆盖多风险维度，结果更加稳健，集成中纳入了更多能够带来边际有用信息的风险因素，评估更加全面。
该方法还通过接收资源申请方的资源分配请求，基于资源分配请求获取资源申请方的相关数据，然后基于资源申请方的相关数据获得所有待评风险维度，然后基于所有待评风险维度的集成评分结果，进行资源分配；通过基于所有待评风险维度的集成评分结果，进行资源分配，能够对资源申请方进行客观评价，提高资源分配的安全性和准确性。
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简单地介绍，显而易见地，下面描述中的附图仅仅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基于逻辑回归与投票式模型集成的评分卡开发方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
需要说明的是，除非另外定义，本发明实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。
现有的资源分配业务，在接收到资源申请方的资源分配请求后，为了确保资源分配的安全性以及提高资源分配的准确性，需要首先对资源申请方进行客观评价。
为了解决上述问题，本发明提供了一种基于逻辑回归与投票式模型集成的评分卡开发方法，通过确定所有待评风险维度，将所有待评风险维度划分为多个待评风险维度子集，并基于待评风险维度子集构建与其对应的子集模型，然后筛选获得目标子集模型，最后基于目标子集模型获得所有待评风险维度的集成评分结果。该方法可以应用于手机、平板电脑等各种电子设备，具体不做限定。该方法中提及的资源可以是信贷资源，提及的业务可以是信贷业务，具体不做限定。后续将以信贷业务为例，对该基于逻辑回归与投票式模型集成的评分卡开发方法进行详细说明。
为了便于理解，下面结合附图对该基于逻辑回归与投票式模型集成的评分卡开发方法进行详细说明。
图1为本发明实施例提供的基于逻辑回归与投票式模型集成的评分卡开发方法的流程示意图，该方法包括：
S01、确定所有待评风险维度；
S02、将所有待评风险维度划分为多个待评风险维度子集；
S03、根据多个待评风险维度子集分别构建与其对应的子集模型；
S04、分别对各子集模型进行检验，基于检验结果筛选得到目标子集模型；
S05、基于所有目标子集模型，获得所有待评风险维度的集成评分结果。
在实际应用中，待评风险维度为进行风险评估时需要考量的风险因素。
以信贷业务为例进行详细说明。在实际应用中，待评风险维度可以包括企业征信、企业法定代表人征信、企业法定代表人信贷记录、企业纳税评级、企业年销售收入等等，具体不做限定。基于信贷申请方的相关数据，可以确定信贷申请方的所有待评风险维度；比如，可以由信贷申请方的税务数据确定企业纳税评级、企业年销售收入、企业违法违章次数等等，或者可以由信贷申请方的征信数据确定企业征信、企业法定代表人征信等等、或者可以由信贷申请方的银行数据获取企业法定代表人信贷记录等等，具体不做限定。
获得信贷申请方的所有待评风险维度后，首先采用斜交主成分分析方法，将所有待评风险维度划分为多个待评风险维度子集，且每个待评风险维度子集中的待评风险维度不存在显著的多重共线性。在实际应用中，斜交主成分分析方法主要用于对一组变量进行聚类或降维，能够将一组变量聚为几类，类的数量小于或等于被分组变量的数量，每组的主成分可以表示为该组变量的线性组合，不同组的主成分之间是斜交的。
然后，依据每个待评风险维度子集构建与其对应的子集模型，子集模型为逻辑回归模型；并通过对构建好的子集模型进行检验，根据检验结果筛选获得目标子集模型，目标子集模型为经过筛选获得的合理且优秀的模型；关于目标子集模型的检验，后续将会进行具体说明，在此不再赘述。在实际应用中，采用逻辑回归方法依据各待评风险维度子集构建与其对应的子集模型，构建的子集模型为逻辑回归模型。
经过筛选获得目标子集模型后，基于目标自己模型获得所有待评风险维度的集成评分结果。
可以理解的是，通过将所有待评风险维度划分为多个待评风险维度子集，能够快速准确的确定所有待评风险维度的得分；且保留了传统逻辑回归的因果关系明确、可解释性强、有明确检验标准的优点，同时覆盖多风险维度，结果更加稳健，集成中纳入了更多能够带来边际有用信息的风险因素，评估更加全面。
在一些可能的实施方式中，基于所有目标子集模型，获得所有待评风险维度的集成评分结果，包括：
分别将各待评风险维度分档，并确定各档对应的WOE编码值；
基于各待评风险维度的最大WOE编码值、最小WOE编码值及各待评风险维度在各目标子集模型中的权重，确定各待评风险维度在各目标子集模型中的权重；
基于各待评风险维度在各目标子集模型中的权重，确定各待评风险维度在预设评分卡模型中的加权平均系数或算术平均系数；
基于单个待评风险维度各档对应的WOE编码值，确定各待评风险维度的评分；
基于各待评风险维度的评分及各待评风险维度的加权平均系数或算术平均系数，获得所有待评风险维度的集成评分结果。
在实际应用中，获得目标子集模型后，分别将所有待评风险维度进行分档，同时确定分档后获得的待评风险维度各挡对应的WOE编码值，WOE即证据权重；比如，将企业年销售收入分档时，将年销售收入为1千万～3千万划分为一档，将年销售收入为3千万～5千万划分为一档，然后将年销售收入为5千万～8千万划分为一档等等，具体不做限定。
在实际应用中，对于待评风险维度xj，可以将其划分为K档，待评风险维度各档对应的WOE编码值记为WOEj，k，其中k∈[1，K]；待评风险维度xj对应的最大WOE编码值记为WOEj，max，待评风险维度xj对应的最小WOE编码值记为WOEj，min。
在对待评风险维度xj划分为K档后，基于待评风险维度xj的最大WOE 编码值WOEj，max、待评风险维度xj的最小WOE编码值WOEj，min，以及待评风险维度xj在各目标子集模型中的β值，确定待评风险维度xj在各目标子集模型中的权重；计算公式如下：
其中，Bj＝|WOEj，max-WOEj，min|，ri，j表示待评风险维度xj在第i个目标子集模型中的权重，βi，j表示待评风险维度xj在第i个目标子集模型中的β值， n表示待评风险维度的个数。
获得待评风险维度xj在各目标子集模型中的权重后，基于待评风险维度 xj在各目标子集模型中的权重，确定待评风险维度xj在预设评分卡模型中的加权平均系数或算术平均系数；加权平均系数、算术平均系数的计算公式分别如下：
加权平均系数：
算术平均系数：
其中，ari表示第i个目标子集模型的模型预测精确度，m表示目标子集模型的个数。
根据待评风险维度xj各档对应的WOE编码值，确定待评风险维度xj的评分，待评风险维度xj的评分的计算公式如下：
其中，X-scorej表示待评风险维度xj的评分。
然后，根据待评风险维度xj的评分以及待评风险维度xj的加权平均系数或算术平均系数，确定资源申请方的评分，计算公式如下：
Y-score＝γ1 X-score1+…+γn X-scoren
其中，Y_score表示资源申请方的评分。
在实际应用中，计算资源申请方的评分时，根据具体情况确定使用待评风险维度的加权平均系数或者使用待评风险维度的算术平均系数，具体不做限定。
作为一种实施方式，对各子集模型分别进行检验，基于检验结果筛选得目标子集模型，包括：
对所有子集模型分别进行检验，获得检验结果；
判断检验结果是否大于预设检验阈值；
若是，则判定检验结果对应的子集模型是目标子集模型；
若否，则判定检验结果对应的子集模型不是目标子集模型。
在实际应用中，预设检验阈值为根据具体情况设定的用于验证检验结果是否合格的最低限度，检验结果大于预设检验阈值时，则子集模型为优秀模型，即为目标子集模型；检验结果小于预设检验阈值时，则子集模型不为优秀模型，即不为目标子集模型。
在构建与待评风险维度子集对应的子集模型后，需要对各子集模型进行检验，获得检验结果。然后将获得的检验结果与预设检验阈值进行比对，判断检验结果是否大于预设检验阈值。如果检验结果大于预设检验阈值，则判定检验结果对应的子集模型为目标子集模型；如果检验结果小于预设检验阈值，则判定检验结果对应的子集模型不为目标子集模型。
在一种可能的实施方式中，对所有子集模型分别进行检验，获得检验结果，包括：
分别对各子集模型进行模型预测精确度检验、柯尔莫可洛夫-斯米洛夫检验、拟合优度检验和风险维度拟合参数显著性检验，相应的，获得模型预测精确度检验结果、柯尔莫可洛夫-斯米洛夫检验结果、拟合优度检验结果和风险维度拟合参数显著性检验结果。
在实际应用中，获得与风险维度子集对应的子集模型后，分别对各子集模型进行模型预测精确度检验、柯尔莫可洛夫-斯米洛夫检验、拟合优度检验和风险维度拟合参数显著性检验；获得模型预测精确度检验结果、柯尔莫可洛夫-斯米洛夫检验结果、拟合优度检验结果和风险维度拟合参数显著性检验结果；相应的，预设检验阈值分别包括模型预测精确检验阈值、柯尔莫可洛夫-斯米洛夫检验阈值、拟合优度检验阈值和风险维度拟合参数显著性检验阈值。模型预测精确检验阈值、柯尔莫可洛夫-斯米洛夫检验阈值、拟合优度检验阈值和风险维度拟合参数显著性检验阈值均可以根据具体情况设定。
在一种可能的实施方式中，所述确定所有待评风险维度，包括：
接收资源申请方的资源分配请求；
基于资源申请方的资源分配请求，获取资源申请方的相关数据；其中，资源申请方的相关数据包括司法数据、工商数据、征信数据、税务数据和银行数据中的一种或多种；
基于资源申请方的相关数据，确定资源申请方的所有待评风险维度。
本实际应用中，资源申请方为了向资源分配方申请资源分配，可以首先发送资源分配请求，且资源分配请求中可以包括授权信息，授权信息表明资源申请方同意资源分配方获取资源申请方的相关数据，即资源分配方基于授权信息能够获取资源申请方的相关数据。
执行本方法的电子设备(以下简称本电子设备)接收资源申请方发送的资源分配请求，可以同时获取资源分配请求中包括的授权信息。
为了对资源申请方进行客观全面的评价，本电子设备可以首先基于授权信息由相关数据源获得资源申请方的相关数据；相关数据包括税务数据、司法数据、工商数据、征信数据和银行数据中的一种或多种。在实际应用中，相关数据源可以包括税务局、银行以及第三方数据平台。
待评风险维度指对资源申请方进行风险评估时所需要考虑的资源申请方的多种实际情况。为了对资源申请方进行客观评估，在获取资源申请方的相关数据后，可以根据资源申请方的相关数据确定或提取资源申请方的所有待评风险维度。
以信贷业务为例进行详细说明。资源即信贷资源，资源分配请求即信贷请求，资源申请方即信贷申请方，资源分配方即信贷经营方。
信贷即信用贷款；信贷经营方即向信贷申请方提供信贷申请的一方；比如，信贷经营方可以是银行或银行之外的有资格的正规信贷经营企业等等，具体不做限定。信贷申请方即向信贷经营方提出信用贷款申请的一方，比如，信贷申请方可以是个人或企业等等，具体不做限定。
在实际应用中，信贷申请方提出信贷申请后，本电子设备接收信贷请求，可以同时获取信贷申请方的授权信息，然后可以基于该授权信息获取信贷申请方的相关数据。
本电子设备接收信贷申请方的信贷请求后，可以基于信贷请求中的授权信息由税务局、银行以及第三方数据平台等数据源，获取信贷申请方的税务数据、司法数据、工商数据、征信数据和银行数据中的一种或多种。
在实际应用中，待评风险维度可以包括企业征信、企业法定代表人征信、企业法定代表人信贷记录、企业纳税评级、企业年销售收入等等，具体不做限定。基于信贷申请方的相关数据，可以确定信贷申请方的所有待评风险维度；比如，可以由信贷申请方的税务数据确定企业纳税评级、企业年销售收入、企业违法违章次数等等，或者可以由信贷申请方的征信数据确定企业征信、企业法定代表人征信等等、或者可以由信贷申请方的银行数据获取企业法定代表人信贷记录等等，具体不做限定。
作为一种实施方式，方法还包括：
基于所有待评风险维度的集成评分结果，进行资源分配。
在实际应用中，所有待评风险维度的集成评分结果即为资源申请方的评分，获得所有待评风险维度的集成评分结果后，可以基于所有待评风险维度的集成评分结果，进行资源分配；比如，资源分配可以包括确定针对资源申请方的资源分配额度和执行利率等等，具体不做限定。
可以理解的是，通过接收资源申请方的资源分配请求，基于资源分配请求获取资源申请方的相关数据，然后基于资源申请方的相关数据获得所有待评风险维度，然后基于所有待评风险维度的集成评分结果，进行资源分配；通过基于所有待评风险维度的集成评分结果，进行资源分配，能够对资源申请方进行客观评价，提高资源分配的安全性和准确性。
需要说明的是，本发明实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本发明实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、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 (6)
1.一种基于逻辑回归与投票式模型集成的评分卡开发方法，其特征在于，所述方法包括：
确定所有待评风险维度；
将所述所有待评风险维度划分为多个待评风险维度子集；
根据所述多个待评风险维度子集分别构建与其对应的子集模型；
分别对各子集模型进行检验，基于检验结果筛选得到目标子集模型；
基于所有目标子集模型，获得所有待评风险维度的集成评分结果。
2.根据权利要求1所述的基于逻辑回归与投票式模型集成的评分卡开发方法，其特征在于，所述基于所有目标子集模型，获得所有待评风险维度的集成评分结果，包括：
分别将各待评风险维度分档，并确定各档对应的WOE编码值；
基于各待评风险维度的最大WOE编码值、最小WOE编码值及各待评风险维度在各目标子集模型中的β值，确定各待评风险维度在各目标子集模型中的权重；
基于各待评风险维度在各目标子集模型中的权重，确定各待评风险维度在预设评分卡模型中的加权平均系数或算术平均系数；
基于单个待评风险维度各档对应的WOE编码值，确定各待评风险维度的评分；
基于各待评风险维度的评分及各待评风险维度的加权平均系数或算术平均系数，获得所有待评风险维度的集成评分结果。
3.根据权利要求1所述的基于逻辑回归与投票式模型集成的评分卡开发方法，其特征在于，所述分别对各子集模型进行检验，基于检验结果筛选得到目标子集模型，包括：
对所有子集模型分别进行检验，获得检验结果；
判断所述检验结果是否大于预设检验阈值；
若是，则判定所述检验结果对应的子集模型是目标子集模型；
若否，则判定所述检验结果对应的子集模型不是目标子集模型。
4.根据权利要求3所述的基于逻辑回归与投票式模型集成的评分卡开发方法，其特征在于，所述对所有子集模型分别进行检验，获得检验结果，包括：
分别对各子集模型进行模型预测精确度检验、柯尔莫可洛夫-斯米洛夫检验、拟合优度检验和风险维度拟合参数显著性检验，相应的，获得模型预测精确度检验结果、柯尔莫可洛夫-斯米洛夫检验结果、拟合优度检验结果和风险维度拟合参数显著性检验结果。
5.根据权利要求1所述的基于逻辑回归与投票式模型集成的评分卡开发方法，其特征在于，所述确定所有待评风险维度，包括：
接收资源申请方的资源分配请求；
基于所述资源申请方的资源分配请求，获取所述资源申请方的相关数据；其中，所述资源申请方的相关数据包括司法数据、工商数据、征信数据、税务数据和银行数据中的一种或多种；
基于所述资源申请方的相关数据，确定所述资源申请方的所有待评风险维度。
6.根据权利要求5所述的基于逻辑回归与投票式模型集成的评分卡开发方法，其特征在于，所述方法还包括：
基于所有待评风险维度的集成评分结果，进行资源分配。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911304695.1A CN111191889A (zh) | 2019-12-17 | 2019-12-17 | 一种基于逻辑回归与投票式模型集成的评分卡开发方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911304695.1A CN111191889A (zh) | 2019-12-17 | 2019-12-17 | 一种基于逻辑回归与投票式模型集成的评分卡开发方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111191889A true CN111191889A (zh) | 2020-05-22 |
Family
ID=70709586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911304695.1A Pending CN111191889A (zh) | 2019-12-17 | 2019-12-17 | 一种基于逻辑回归与投票式模型集成的评分卡开发方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111191889A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111951105A (zh) * | 2020-08-24 | 2020-11-17 | 上海银行股份有限公司 | 基于多维大数据分析的智能信贷风控系统 |
| CN112766649A (zh) * | 2020-12-31 | 2021-05-07 | 平安科技（深圳）有限公司 | 基于多评分卡融合的目标对象评价方法及其相关设备 |
| CN113538154A (zh) * | 2021-07-23 | 2021-10-22 | 同盾科技有限公司 | 风险对象的识别方法、装置、存储介质和电子设备 |
-
2019
- 2019-12-17 CN CN201911304695.1A patent/CN111191889A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111951105A (zh) * | 2020-08-24 | 2020-11-17 | 上海银行股份有限公司 | 基于多维大数据分析的智能信贷风控系统 |
| CN112766649A (zh) * | 2020-12-31 | 2021-05-07 | 平安科技（深圳）有限公司 | 基于多评分卡融合的目标对象评价方法及其相关设备 |
| CN112766649B (zh) * | 2020-12-31 | 2022-03-15 | 平安科技（深圳）有限公司 | 基于多评分卡融合的目标对象评价方法及其相关设备 |
| WO2022142001A1 (zh) * | 2020-12-31 | 2022-07-07 | 平安科技（深圳）有限公司 | 基于多评分卡融合的目标对象评价方法及其相关设备 |
| CN113538154A (zh) * | 2021-07-23 | 2021-10-22 | 同盾科技有限公司 | 风险对象的识别方法、装置、存储介质和电子设备 |
| CN113538154B (zh) * | 2021-07-23 | 2024-07-05 | 同盾科技有限公司 | 风险对象的识别方法、装置、存储介质和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sethi et al. | Enhancing the role and effectiveness of corporate social responsibility (CSR) reports: The missing element of content verification and integrity assurance | |
| CN108665159A (zh) | 一种风险评估方法、装置、终端设备及存储介质 | |
| CN111523996A (zh) | 一种审批方法及系统 | |
| CN111191889A (zh) | 一种基于逻辑回归与投票式模型集成的评分卡开发方法 | |
| US7899762B2 (en) | Apparatus, method, and computer program product providing improved identification of suspect entries in transaction data | |
| Knežević | The characteristics of forensic audit and differences in relation to external audit | |
| Da Silva et al. | Selecting audit samples using Benford's Law | |
| CN111882140A (zh) | 风险评测方法、模型训练方法、装置、设备及存储介质 | |
| CN110930218A (zh) | 一种识别欺诈客户的方法、装置及电子设备 | |
| CN113553583A (zh) | 信息系统资产安全风险评估方法与装置 | |
| CN110135684A (zh) | 一种能力测评方法、能力测评装置及终端设备 | |
| CN111861715A (zh) | 一种信贷数据的处理方法、装置、设备和存储介质 | |
| CN116468273A (zh) | 客户风险识别方法及装置 | |
| CN115809837A (zh) | 基于数字化模拟场景的金融企业管理方法、设备及介质 | |
| CN115174250A (zh) | 网络资产安全评估方法、装置、电子设备及存储介质 | |
| CN107220778A (zh) | 一种员工信用评价和应用的方法、装置及电子设备 | |
| CN114579523A (zh) | 双录文件质检方法、装置、计算机设备和存储介质 | |
| CN117934154A (zh) | 交易风险预测方法、模型训练方法、装置、设备、介质和程序产品 | |
| CN111160929B (zh) | 一种客户类型的确定方法及装置 | |
| CN117495298A (zh) | 一种招投标评审监管方法及系统 | |
| CN110766547A (zh) | 一种可信度等级的确定方法、装置、设备和存储介质 | |
| CN115829722A (zh) | 信用风险评分模型的训练方法及信用风险评分方法 | |
| CN115907282A (zh) | 基于多级标签的人才测评方法及装置 | |
| CN115018625A (zh) | 征信融合报告生成方法、装置、设备及存储介质 | |
| Pham | Forecasting audit opinions on financial statements: statistical algorithm or machine learning? |
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 |
Address after: 10-7, 10-8, 10 Qingyun Road, Jiangbei District, Chongqing 400025 Applicant after: Dongfang Weiyin Technology Co.,Ltd. Address before: 10-7, 10-8, 10 Qingyun Road, Jiangbei District, Chongqing 400025 Applicant before: Oriental micro bank technology (Chongqing) Co.,Ltd. Address after: 10-7, 10-8, 10 Qingyun Road, Jiangbei District, Chongqing 400025 Applicant after: Oriental micro bank technology (Chongqing) Co.,Ltd. Address before: 100044 4th floor, Ronghui international building, building 1, courtyard 42, gaoliangxie street, Haidian District, Beijing Applicant before: Oriental micro silver technology (Beijing) Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200522 |
|
| WD01 | Invention patent application deemed withdrawn after publication |