CN111324862A - 贷中行为监控的方法及系统 - Google Patents
贷中行为监控的方法及系统 Download PDFInfo
- Publication number
- CN111324862A CN111324862A CN202010085163.XA CN202010085163A CN111324862A CN 111324862 A CN111324862 A CN 111324862A CN 202010085163 A CN202010085163 A CN 202010085163A CN 111324862 A CN111324862 A CN 111324862A
- Authority
- CN
- China
- Prior art keywords
- default
- credit
- probability
- characteristic data
- loan
- 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 48
- 238000012544 monitoring process Methods 0.000 title claims abstract description 45
- 238000007477 logistic regression Methods 0.000 claims abstract description 45
- 230000006399 behavior Effects 0.000 claims description 119
- 238000012549 training Methods 0.000 claims description 37
- 230000000694 effects Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 4
- 230000003449 preventive effect Effects 0.000 abstract description 4
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Accounting & Taxation (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Finance (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Algebra (AREA)
- Technology Law (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了贷中行为监控的方法及系统。涉及信息处理及应用领域,其中,方法通过获取业务类型和客户的历史行为特征数据构成的数据集,然后利用预先训练好的业务类型对应的逻辑回归预测模型根据数据集计算得到客户的违约概率,最后根据违约概率进行贷中行为监控。通过在贷中根据客户的历史行为特征数据预测该客户的违约风险,来评估客户的还款能力和还款意愿等,根据违约概率来进行贷中行为监控,对于高风险客户及时采取有效的预防措施,准确定位客户群体,提高贷款的有效性,贷中行为监控的方法,避免人为因素影响,提高评审效率以及有效贷款量。可广泛应用于信贷领域。
Description
技术领域
本发明涉及信息处理及应用领域,尤其是涉及一种贷中行为监控的方法及系统。
背景技术
近年来随着互联网金融的快速发展以及互联网所沉淀的行为数据呈现爆炸式的增长,依托于海量数据,客户互联网贷款业务量逐年增加。但是目前在结束了贷前评估流程并完成放款后,客户仍有可能会在还款过程中违约,为了降低贷中违约风险,目前多是业务人员根据人为经验确定已放款客户的还款能力、还款意向等用于评估违约风险,因此没有有效的方法来进行贷中行为监控降低贷中业务风险,由于人为因素的影响较大、其评审结果可靠性低,且评审效率低,导致坏账死账变多,有效贷款量下降。因此需要提出一种能够进行贷中行为监控的方法,以避免人为因素影响,提高行为监控效率以及发放贷款回款率。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种贷中行为监控的方法,能够监控贷中行为,避免人为因素影响,提高行为监控效率以及发放贷款回款率。
第一方面,本发明的一个实施例提供了:一种贷中行为监控的方法,包括:
获取业务类型和客户的历史行为特征数据构成的数据集;
利用预先训练好的所述业务类型对应的逻辑回归预测模型根据所述数据集计算得到客户的违约概率;
根据所述违约概率进行贷中行为监控。
进一步地,训练所述业务类型对应的逻辑回归预测模型具体包括:
根据不同业务类型选取对应的历史行为特征数据构成训练数据集;
利用训练数据集训练所述逻辑回归预测模型得到历史行为特征对应的预测概率;
将所述预测概率与真实值进行比较得到损失值,根据所述损失值调整所述逻辑回归预测模型参数。
进一步地,所述根据所述违约概率进行贷中行为监控包括:
根据所述违约概率计算得到整体风险分值;
将所述整体风险分值映射到评分区间计算客户的信用评分,根据所述信用评分进行贷中行为监控。
进一步地,所述根据所述违约概率计算得到整体风险分值包括:
计算每一类历史行为特征数据的违约概率;
并根据所述违约概率与所述历史行为特征数据对应的变量权重计算得到单变量风险分值;
根据所述单变量风险分值得到所述历史行为特征数据的整体风险分值。
进一步地,计算所述变量权重的过程包括:
获取多个用户的每一类历史行为特征数据组成多个单一变量训练数据集,将每一个单一变量训练数据集输入到所述逻辑回归预测模型中得到当前类别历史行为特征数据的预测概率,根据所述预测概率调整所述逻辑回归预测模型得到当前类别历史行为特征数据的变量权重。
进一步地,计算所述变量权重的过程还包括:
获取多个用户的每一类历史行为特征数据组成多个单一变量训练数据集,选取其中一种单一变量训练数据集联合其他一个或一个以上的单一变量训练数据集输入到所述逻辑回归预测模型中得到当前类别历史行为特征数据的预测概率,根据所述预测概率调整所述逻辑回归预测模型得到当前类别历史行为特征数据的变量权重。
进一步地,所述历史行为特征数据至少包括以下一种或多种:历史违约次数、历史违约金额、违约时间间隔、历史申请次数、申请金额、被拒次数、近期是否申请、申请材料是否一致、是否故意拒绝银行联络、近期信用卡透支额度、是否违约、违约经过时间;所述业务类型至少包括:现金贷业务、线上现金分期业务、线上消费分期业务、二次营销业务。
第三方面,本发明实施例提供一种贷中行为监控的系统,包括:
获取模块:用于获取业务类型和客户的历史行为特征数据构成的数据集;
预测模块:用于利用预先训练好的所述业务类型对应的逻辑回归预测模型根据所述数据集计算得到客户的违约概率;
行为监控模块:用于根据所述违约概率进行贷中行为监控。
第三方面,本发明实施例提供一种贷中行为监控的设备,包括:
至少一个处理器,以及与所述至少一个处理器通信连接的存储器;
其中,所述处理器通过调用所述存储器中存储的计算机程序,用于执行如第一方面任一项所述的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如第一方面任一项所述的方法。
本发明实施例的有益效果是:
本发明实施例通过获取业务类型和客户的历史行为特征数据构成的数据集,然后利用预先训练好的业务类型对应的逻辑回归预测模型根据数据集计算得到客户的违约概率,最后根据违约概率进行贷中行为监控。通过在贷中根据客户的历史行为特征数据预测该客户的违约风险,来评估客户的还款能力和还款意愿等,根据违约概率来进行贷中行为监控,对于高风险客户及时采取有效的预防措施,准确定位客户群体,提高贷款的有效性,贷中行为监控的方法,避免人为因素影响,提高评审效率以及有效贷款量。可广泛应用于信贷领域。
附图说明
图1是本发明实施例中贷中行为监控方法的一具体实施例流程示意图;
图2是本发明实施例中贷中行为监控系统的一具体实施例结构框图。
具体实施方式
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,下面将对照附图说明本发明的具体实施方式。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,并获得其他的实施方式。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
实施例一:
本发明实施例一提供一种贷中行为监控的方法,图1为本发明实施例提供的一种贷中行为监控的方法的流程示意图,如图1所示,该方法包括以下步骤:
S1:获取业务类型和客户的历史行为特征数据构成的数据集。
例如,客户指:借贷人、信用卡使用者等借贷业务相关人员,业务类型至少包括现金贷业务、线上现金分期业务、线上消费分期业务、二次营销业务等,其中,现金贷业务指小额现金贷款业务,是针对申请人发放的消费类贷款业务;线上现金分期业务指申请人对信用额度进行分期使用;线上消费分期业务指申请人线上大额消费时对账单进行分期支付;二次营销业务指在原来营销业务上进一步改进,再次对原客户进行推广营销。可以理解的是,实际中的业务类型并不仅仅是示例的几种,其他的能够通过本实施的方法贷中行为监控的业务都属于本实施例的保护范围。
S2:利用预先训练好的业务类型对应的逻辑回归预测模型根据数据集计算得到客户的违约概率。
例如,历史行为特征数据至少包括:历史违约次数、历史违约金额、违约时间间隔、历史申请次数、申请金额、被拒次数、近期是否申请、申请材料是否一致、是否故意拒绝银行联络、近期信用卡透支额度、是否违约、违约经过时间(该特征指客户在放款后,经过多长时间出现违约行为),可以理解的是,历史行为特征数据可以选择其中一种或一种以上,也可以根据实际情况进行提取增加,历史行为特征数据主要是客户历史借贷行为以及交易支付行为等产生的相关特征,能够反应客户的还款能力和还款意愿,因此可以用于评估该客户在新的贷款业务中的违约风险。
S3:根据违约概率进行贷中行为监控。
本实施例使用逻辑回归预测模型结合业务类型对处于贷中状态的客户进行违约风险预估,根据违约风险进行客户行为检测,从而能够提前察觉客户违约风险,有效降低客户违约造成的损失。
由于不同的业务类型其面对的客户群体有区别,因此本实施例对每一个业务类型生成一个对应的逻辑回归预测模型,提高模型准确度。因此步骤S2中训练业务类型对应的逻辑回归预测模型具体包括:
S21:根据不同业务类型选取对应的历史行为特征数据构成训练数据集;
S22:利用训练数据集训练逻辑回归预测模型得到历史行为特征对应的预测概率;
S23:将预测概率与真实值进行比较得到损失值,根据损失值调整逻辑回归预测模型参数。
在一种实际方式中,逻辑回归预测模型为研究二元分类的表现变量(因变量)与预测变量(自变量)之间关系的一种多变量统计分析方法,属于概率型非线性回归,可以理解的是,凡是可以实现多变量统计分析的逻辑回归预测模型均可以用在本实施例中进行客户违约风险预测。本实施例中进行贷中信贷风险管理中根据客户的历史行为特征数据来预测其未来的信用表现,即根据其历史信用行为得到其未来信用行为之间的关系。
下面详细描述本实施例的逻辑回归预测模型。
设因变量Y(即本实施例的预测概率)是一个二元分类变量,其取值为Y=1(违约风险高客户)和Y=0(违约风险低客户),则可能影响Y的自变量(即本实施例的历史行为特征数据)分别记为x1,x2,x3...xn共n个,在已知n个自变量的情况下,发生违约(即违约概率高)的概率表示为:
P=P(Y=1|x1,x2,x3…xn) (1)
则逻辑回归预测模型可以表达为:
其中,θ表示模型参数,M表示模型参数对应的权重。
根据上式(2)能够得到θj(j=1,2,...n)的模型参数估计值,因此:对于已知的历史行为特征数据x1,x2,x3...xn的客户,预测其Y=1(即违约风险高)的概率表示为:
令XT=[1,x1,...,xn],将θT=[θ0,θ1,...,θn]代入上式(3),可得到:
又有:
在具体训练过程,基于客户的历史行为特征数据进行模型训练,估计出模型参数值和模型参数权重,即依据客户的历史行为特征数据(例如上述通过x1,x2,x3...xn表示的不同维度历史行为特征数据)进行预测得到预测概率,并将该预测概率与真实的违约概率进行比较得到损失值,根据该损失值调整模型参数值或者模型参数权重。
步骤S2中,根据违约概率进行贷中行为监控包括:
根据预测得到的每一类历史行为特征数据的违约概率计算得到该客户整体风险分值。
将整体风险分值映射到评分区间计算客户的信用评分,根据信用评分进行贷中行为监控,例如,将计算得到的整体风险分值映射到[1,10]的区间内,对应的1…10记为信用评分,也可以设定信用评分大于7的属于违约高风险客户,信用评分位于4-6的属于违约中风险客户,信用评分小于4的属于违约低风险客户。一般信用评分越高,代表申请人的信用越好,越不太可能出现违约情况。也可以针对不同的违约风险制定不同的风险控制措施,提前察觉客户违约风险,有效降低客户违约造成的损失。
在一种实际方式中,根据违约概率计算得到整体风险分值包括:
1)计算每一类历史行为特征数据的违约概率;
2)根据违约概率与该类历史行为特征数据对应的变量权重计算得到对应于该类历史行为特征数据对应的单变量风险分值,权重用来表示该类历史行为特征数据(即单变量)对违约风险预测的影响,将该影响量化为权重。例如,对违约次数这一变量来说,历史违约次数越多的客户呈现在当前借贷场景下的违约可能性越高,因此历史违约次数这一变量对目标的影响较高,其权重也较大。
例如,上述的通过x1,x2,x3...xn表示的不同维度历史行为特征数据,则针对每一类历史行为特征数据生成对应的单变量风险分值,例如x1的单变量风险分值,x2的单变量风险分值等。
计算单变量风险分值时,将违约概率与变量权重相乘,其分值越高,则表示客户在该变量上的表现越差,违约风险越高。
3)根据单变量风险分值得到历史行为特征数据的整体风险分值。
例如,通过将每一类单变量风险分值相加得到整体风险分值。
另外,在计算单变量风险分值时,计算变量权重的过程有两种,下面将分别介绍这两种方式。
第一种是单独训练方式:
即获取多个用户的每一类历史行为特征数据组成多个单一变量训练数据集,将每一个单一变量训练数据集输入到逻辑回归预测模型中得到当前类别历史行为特征数据的预测概率,根据预测概率调整逻辑回归预测模型得到当前类别历史行为特征数据的变量权重。
例如,在计算x1的变量权重时,单独用多个用户的x1数据组成单一变量x1的训练数据集,将该x1的训练数据集输入到逻辑回归预测模型中得到x1的预测概率,根据该预测概率调整逻辑回归预测模型的参数权重,根据该类别历史行为特征数据x1的违约概率进行权重划分。即单独用变量对模型训练得到的一个权重值。
例如该类别的违约概率均小于0.3,则可以设定该变量权重为0.3。可以理解的是,需要针对每一类历史行为特征数据进行训练得到对应的参数权重,可以进行整体排序,根据每个类别行为特征对违约概率的影响大小为其设定参数权重值。
第二种是联合训练方式:
即获取多个用户的每一类历史行为特征数据组成多个单一变量训练数据集,选取其中一种单一变量训练数据集联合其他一个或一个以上的单一变量训练数据集输入到逻辑回归预测模型中得到当前类别历史行为特征数据的预测概率,根据预测概率调整逻辑回归预测模型得到当前类别历史行为特征数据的变量权重。
例如,在计算x1的变量权重时,可以选取其他的变量联合计算,例如选取x1、x2、x3,则将多个用户的x1、x2、x3数据组成多个单一变量训练数据集,将该x1、x2、x3的训练数据集输入到逻辑回归预测模型中计算得到预测概率,根据该预测概率调整逻辑回归预测模型的参数权重,根据该类别历史行为特征数据x1的违约概率进行权重划分。即变量和其他变量联合一起对模型训练得到的该变量的权重值。
由此本实施例根据业务类型训练不同参数和参数权重的逻辑回归预测模型,每种业务类型的逻辑回归预测模型只应用于对应业务场景进行延伸应用。例如:使用现金贷的客户样本训练出的现金贷业务逻辑回归预测模型,由于训练逻辑回归预测模型所用客户样本来自于现金贷的场景中,不同场景的客户质量、特点是有差异的,因此其只可以使用在现金贷业务这个场景中,将其应用在二次营销业务场景中,其预测效果会变差。例如,在现金分期场景中,借贷次数A次以上的可以被认定为高违约风险客户,但是在消费分期场景中,借贷次数A次的客户可能还是低违约风险客户。
本实施例通过在贷中根据客户的历史行为特征数据预测该客户的违约风险,来评估客户的还款能力和还款意愿等,根据违约概率来进行贷中行为监控,对于高风险客户及时采取有效的预防措施,准确定位客户群体,提高贷款的有效性,贷中行为监控的方法,避免人为因素影响,提高评审效率以及有效贷款量。
实施例二:
本实施例提供一种贷中行为监控的系统,用于执行如实施例一所述的贷中行为监控方法,如图2所示,为本实施例的贷中行为监控的系统结构框图,包括:
获取模块100:用于获取业务类型和客户的历史行为特征数据构成的数据集;
预测模块200:用于利用预先训练好的业务类型对应的逻辑回归预测模型根据数据集计算得到客户的违约概率;
行为监控模块300:用于根据违约概率进行贷中行为监控。
上述中贷中行为监控的系统各模块的具体细节已经在实施例一对应的贷中行为监控方法中进行了详细的描述,因此此处不再赘述。
另外,本发明还提供贷中行为监控的设备,包括:
至少一个处理器,以及与所述至少一个处理器通信连接的存储器;
其中,所述处理器通过调用所述存储器中存储的计算机程序,用于执行如实施例一所述的方法。计算机程序即程序代码,当程序代码在贷中行为监控设备上运行时,程序代码用于使贷中行为监控设备执行本说明书上述实施例一部分描述的贷中行为监控方法中的步骤。
另外,本发明还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,其中计算机可执行指令用于使计算机执行如实施例一所述的方法。
本发明实施例通过获取业务类型和客户的历史行为特征数据构成的数据集,然后利用预先训练好的业务类型对应的逻辑回归预测模型根据数据集计算得到客户的违约概率,最后根据违约概率进行贷中行为监控。通过在贷中根据客户的历史行为特征数据预测该客户的违约风险,来评估客户的还款能力和还款意愿等,根据违约概率来进行贷中行为监控,对于高风险客户及时采取有效的预防措施,准确定位客户群体,提高贷款的有效性,贷中行为监控的方法,避免人为因素影响,提高评审效率以及有效贷款量。可广泛应用于信贷领域。
以上各实施例仅用以说明本发明的技术方案,而非对其限制,尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种贷中行为监控的方法,其特征在于,包括:
获取业务类型和客户的历史行为特征数据构成的数据集;
利用预先训练好的所述业务类型对应的逻辑回归预测模型根据所述数据集计算得到客户的违约概率;
根据所述违约概率进行贷中行为监控。
2.根据权利要求1所述的一种贷中行为监控的方法,其特征在于,训练所述业务类型对应的逻辑回归预测模型具体包括:
根据不同业务类型选取对应的历史行为特征数据构成训练数据集;
利用训练数据集训练所述逻辑回归预测模型得到历史行为特征对应的预测概率;
将所述预测概率与真实值进行比较得到损失值,根据所述损失值调整所述逻辑回归预测模型参数。
3.根据权利要求1所述的一种贷中行为监控的方法,其特征在于,所述根据所述违约概率进行贷中行为监控包括:
根据所述违约概率计算得到整体风险分值;
将所述整体风险分值映射到评分区间计算客户的信用评分,根据所述信用评分进行贷中行为监控。
4.根据权利要求3所述的一种贷中行为监控的方法,其特征在于,所述根据所述违约概率计算得到整体风险分值包括:
计算每一类历史行为特征数据的违约概率;
并根据所述违约概率与所述历史行为特征数据对应的变量权重计算得到单变量风险分值;
根据所述单变量风险分值得到所述历史行为特征数据的整体风险分值。
5.根据权利要求4所述的一种贷中行为监控的方法,其特征在于,计算所述变量权重的过程包括:
获取多个用户的每一类历史行为特征数据组成多个单一变量训练数据集,将每一个单一变量训练数据集输入到所述逻辑回归预测模型中得到当前类别历史行为特征数据的预测概率,根据所述预测概率调整所述逻辑回归预测模型得到当前类别历史行为特征数据的变量权重。
6.根据权利要求4所述的一种贷中行为监控的方法,其特征在于,计算所述变量权重的过程还包括:
获取多个用户的每一类历史行为特征数据组成多个单一变量训练数据集,选取其中一种单一变量训练数据集联合其他一个或一个以上的单一变量训练数据集输入到所述逻辑回归预测模型中得到当前类别历史行为特征数据的预测概率,根据所述预测概率调整所述逻辑回归预测模型得到当前类别历史行为特征数据的变量权重。
7.根据权利要求1至6任一项所述的一种贷中行为监控的方法,其特征在于,所述历史行为特征数据至少包括以下一种或多种:历史违约次数、历史违约金额、违约时间间隔、历史申请次数、申请金额、被拒次数、近期是否申请、申请材料是否一致、是否故意拒绝银行联络、近期信用卡透支额度、是否违约、违约经过时间;所述业务类型至少包括:现金贷业务、线上现金分期业务、线上消费分期业务、二次营销业务。
8.一种贷中行为监控的系统,其特征在于,包括:
获取模块:用于获取业务类型和客户的历史行为特征数据构成的数据集;
预测模块:用于利用预先训练好的所述业务类型对应的逻辑回归预测模型根据所述数据集计算得到客户的违约概率;
行为监控模块:用于根据所述违约概率进行贷中行为监控。
9.一种贷中行为监控的设备,其特征在于,包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;
其中,所述处理器通过调用所述存储器中存储的计算机程序,用于执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010085163.XA CN111324862A (zh) | 2020-02-10 | 2020-02-10 | 贷中行为监控的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010085163.XA CN111324862A (zh) | 2020-02-10 | 2020-02-10 | 贷中行为监控的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111324862A true CN111324862A (zh) | 2020-06-23 |
Family
ID=71172579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010085163.XA Pending CN111324862A (zh) | 2020-02-10 | 2020-02-10 | 贷中行为监控的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111324862A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598494A (zh) * | 2020-07-24 | 2020-08-28 | 北京淇瑀信息科技有限公司 | 资源额度的调整方法、装置及电子设备 |
CN111815331A (zh) * | 2020-09-04 | 2020-10-23 | 支付宝(杭州)信息技术有限公司 | 一种未成年人支付行为的识别方法和装置 |
CN111815433A (zh) * | 2020-07-09 | 2020-10-23 | 北京云从科技有限公司 | 一种贷中风险评估方法、装置、机器可读介质及设备 |
CN111861716A (zh) * | 2020-07-23 | 2020-10-30 | 北京睿知图远科技有限公司 | 一种基于软件系统的贷中监控预警等级生成方法 |
CN112037042A (zh) * | 2020-09-02 | 2020-12-04 | 中国银行股份有限公司 | 一种银行业务监控方法及装置 |
CN112163943A (zh) * | 2020-09-17 | 2021-01-01 | 中国建设银行股份有限公司 | 违约概率的确定方法、装置、设备和介质 |
CN112308294A (zh) * | 2020-10-10 | 2021-02-02 | 北京贝壳时代网络科技有限公司 | 违约概率预测方法及装置 |
CN112712424A (zh) * | 2020-12-07 | 2021-04-27 | 苏宁消费金融有限公司 | 一种测度非预期损失的消费金融风险评估方法 |
CN112750022A (zh) * | 2020-12-16 | 2021-05-04 | 苏宁消费金融有限公司 | 一种消费金融的信用压缩方法 |
CN113095928A (zh) * | 2021-04-08 | 2021-07-09 | 中国工商银行股份有限公司 | 房地产类贷款业务风险评估方法及装置 |
CN113344438A (zh) * | 2021-06-29 | 2021-09-03 | 百维金科(上海)信息科技有限公司 | 对贷中行为进行监控的贷款系统、监控方法、设备及介质 |
CN113379211A (zh) * | 2021-05-31 | 2021-09-10 | 交通运输信息安全中心有限公司 | 基于区块链的物流信息平台违约风险管控系统及方法 |
CN113554510A (zh) * | 2021-08-05 | 2021-10-26 | 百维金科(上海)信息科技有限公司 | 一种贷款用户违约实时监控系统 |
CN113971605A (zh) * | 2021-10-28 | 2022-01-25 | 中国银行股份有限公司 | 贷款风险降低方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952155A (zh) * | 2017-03-08 | 2017-07-14 | 深圳前海纵腾金融科技服务有限公司 | 一种基于信用评分的催收方法及装置 |
CN109191282A (zh) * | 2018-08-23 | 2019-01-11 | 北京玖富普惠信息技术有限公司 | 一种基于行为模型的贷中监测评分方法以及系统 |
CN109741177A (zh) * | 2019-01-09 | 2019-05-10 | 阳光财产保险股份有限公司 | 用户信用的评估方法、装置及智能终端 |
CN110246029A (zh) * | 2019-06-21 | 2019-09-17 | 深圳前海微众银行股份有限公司 | 贷后风险管理方法、终端、装置及可读存储介质 |
-
2020
- 2020-02-10 CN CN202010085163.XA patent/CN111324862A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952155A (zh) * | 2017-03-08 | 2017-07-14 | 深圳前海纵腾金融科技服务有限公司 | 一种基于信用评分的催收方法及装置 |
CN109191282A (zh) * | 2018-08-23 | 2019-01-11 | 北京玖富普惠信息技术有限公司 | 一种基于行为模型的贷中监测评分方法以及系统 |
CN109741177A (zh) * | 2019-01-09 | 2019-05-10 | 阳光财产保险股份有限公司 | 用户信用的评估方法、装置及智能终端 |
CN110246029A (zh) * | 2019-06-21 | 2019-09-17 | 深圳前海微众银行股份有限公司 | 贷后风险管理方法、终端、装置及可读存储介质 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815433A (zh) * | 2020-07-09 | 2020-10-23 | 北京云从科技有限公司 | 一种贷中风险评估方法、装置、机器可读介质及设备 |
CN111861716A (zh) * | 2020-07-23 | 2020-10-30 | 北京睿知图远科技有限公司 | 一种基于软件系统的贷中监控预警等级生成方法 |
CN111598494A (zh) * | 2020-07-24 | 2020-08-28 | 北京淇瑀信息科技有限公司 | 资源额度的调整方法、装置及电子设备 |
CN112037042A (zh) * | 2020-09-02 | 2020-12-04 | 中国银行股份有限公司 | 一种银行业务监控方法及装置 |
CN111815331A (zh) * | 2020-09-04 | 2020-10-23 | 支付宝(杭州)信息技术有限公司 | 一种未成年人支付行为的识别方法和装置 |
CN112163943A (zh) * | 2020-09-17 | 2021-01-01 | 中国建设银行股份有限公司 | 违约概率的确定方法、装置、设备和介质 |
CN112308294A (zh) * | 2020-10-10 | 2021-02-02 | 北京贝壳时代网络科技有限公司 | 违约概率预测方法及装置 |
CN112712424B (zh) * | 2020-12-07 | 2022-08-02 | 苏宁消费金融有限公司 | 一种测度非预期损失的消费金融风险评估方法 |
CN112712424A (zh) * | 2020-12-07 | 2021-04-27 | 苏宁消费金融有限公司 | 一种测度非预期损失的消费金融风险评估方法 |
CN112750022A (zh) * | 2020-12-16 | 2021-05-04 | 苏宁消费金融有限公司 | 一种消费金融的信用压缩方法 |
CN112750022B (zh) * | 2020-12-16 | 2022-08-02 | 苏宁消费金融有限公司 | 一种消费金融的信用压缩方法 |
CN113095928A (zh) * | 2021-04-08 | 2021-07-09 | 中国工商银行股份有限公司 | 房地产类贷款业务风险评估方法及装置 |
CN113379211A (zh) * | 2021-05-31 | 2021-09-10 | 交通运输信息安全中心有限公司 | 基于区块链的物流信息平台违约风险管控系统及方法 |
CN113344438A (zh) * | 2021-06-29 | 2021-09-03 | 百维金科(上海)信息科技有限公司 | 对贷中行为进行监控的贷款系统、监控方法、设备及介质 |
CN113554510A (zh) * | 2021-08-05 | 2021-10-26 | 百维金科(上海)信息科技有限公司 | 一种贷款用户违约实时监控系统 |
CN113971605A (zh) * | 2021-10-28 | 2022-01-25 | 中国银行股份有限公司 | 贷款风险降低方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111324862A (zh) | 贷中行为监控的方法及系统 | |
Abdou et al. | Neural nets versus conventional techniques in credit scoring in Egyptian banking | |
Chung et al. | Insolvency prediction model using multivariate discriminant analysis and artificial neural network for the finance industry in New Zealand | |
Schelkle | Mortgage default during the US mortgage crisis | |
US7881994B1 (en) | Method and system for assessing loan credit risk and performance | |
CN108876600A (zh) | 预警信息推送方法、装置、计算机设备和介质 | |
US8380619B2 (en) | Methods and systems for proactive loan modification | |
KR102009309B1 (ko) | 금융상품 관리자동화 시스템 및 관리자동화 방법 | |
Van Thiel et al. | Artificial intelligence credit risk prediction: An empirical study of analytical artificial intelligence tools for credit risk prediction in a digital era | |
WO2003107135A2 (en) | A system and method for portfolio valuation using an age adjusted delinquency rate | |
CN110930249A (zh) | 大型企业信用风险预测方法及系统、存储介质及电子设备 | |
Van Thiel et al. | Artificial intelligent credit risk prediction: An empirical study of analytical artificial intelligence tools for credit risk prediction in a digital era | |
CN117764706A (zh) | 一种风险识别方法、装置及电子设备 | |
CN114781937A (zh) | 一种预付卡企业风险预警方法和装置以及存储介质 | |
CN112508689A (zh) | 一种基于多维度实现决策评估的方法 | |
Gürtler et al. | Pitfalls in modeling loss given default of bank loans | |
CN116630020A (zh) | 风险评估方法、装置、存储介质及电子设备 | |
US10699335B2 (en) | Apparatus and method for total loss prediction | |
CN116167646A (zh) | 基于交易算法的评价方法、装置、设备及存储介质 | |
US10346873B1 (en) | Method and system for implementing behavior isolating prediction model | |
CN114187104A (zh) | 交易风险检测方法、装置、计算机设备和存储介质 | |
JP7298286B2 (ja) | モデル提供プログラム、モデル提供方法及びモデル提供装置 | |
CN114240605A (zh) | 贷款测算方法、装置、计算机设备和存储介质 | |
CN113822751A (zh) | 一种线上贷款的风险预测方法 | |
Ocal et al. | Corporate ratings and a model proposition for the manufacturing industry at Borsa Istanbul |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200623 |
|
RJ01 | Rejection of invention patent application after publication |