CN112232947B - 贷中风险预测方法及装置 - Google Patents
贷中风险预测方法及装置 Download PDFInfo
- Publication number
- CN112232947B CN112232947B CN202011144929.3A CN202011144929A CN112232947B CN 112232947 B CN112232947 B CN 112232947B CN 202011144929 A CN202011144929 A CN 202011144929A CN 112232947 B CN112232947 B CN 112232947B
- Authority
- CN
- China
- Prior art keywords
- data
- credit
- model
- risk
- prediction
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 137
- 238000013058 risk prediction model Methods 0.000 claims abstract description 99
- 238000012545 processing Methods 0.000 claims abstract description 44
- 230000003542 behavioural effect Effects 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims description 149
- 230000006399 behavior Effects 0.000 claims description 145
- 238000012795 verification Methods 0.000 claims description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 230000000694 effects Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008014 freezing Effects 0.000 claims description 4
- 238000007710 freezing Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000004904 shortening Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000007774 longterm Effects 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 239000000872 buffer Substances 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000002650 habitual effect Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Technology Law (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例提供一种贷中风险预测方法及装置，可用于人工智能技术领域，方法包括：将目标用户的预测用数据输入预设的贷中风险预测模型，并根据该贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，其中，所述预测用数据包括：行为特征数据以及应用贷中行为评分卡模型获取的贷中风险评分数据；输出所述目标用户的贷中风险预测结果。本申请能够在保证贷中风险预测的准确性的基础上，有效提高用于贷中风险预测模型的输入数据的获取效率及可靠性，并能够有效降低贷中风险预测过程中的数据处理难度及数据计算量，进而能够有效缩短贷中风险预测周期并提高贷中风险预测结果的获取效率。
Description
技术领域
本申请涉及数据处理技术领域，特别涉及人工智能技术领域，具体涉及贷中风险预测方法及装置。
背景技术
为了满足不同阶段的信用风控需求，金融机构通常需要利用贷前的申请评分卡、贷中的行为评分卡和贷后的催收评分卡对金融用户进行风险评分。其中的贷中行为评分卡模型(Behavior Scoring)是一种根据金融用户在账户使用期间所产生的各种行为，动态预测金融用户贷中风险的评分模型。而由于贷中行为评分卡模型是一种线性模型，虽然其评价结果具有可解释性，但由于其模型性质使得其存在测准确度较及风险敏感性不足等问题。因此，金融领域的技术人员开始尝试将机器学习算法应用至贷中风险预测的过程中来致力于提高金融用户的贷中风险预测结果的准确性。
现有的将机器学习算法应用至贷中风险预测的方式通常为：构建包含有贷中行为评分卡模型和机器学习模型的多个模型，然后对这些模型进行模型融合或加权等处理以形成新的综合性模型，然后对用户数据进行预处理后，应用这个新的综合性模型根据预处理后的用户数据进行贷中风险预测。
然而，上述的贷中风险预测方式虽然能够在一定程度上提供预测结果的准确性，但是由于其过程中涉及到一个、甚至多个机器学习模型的输入数据的预处理过程，还涉及到多个模型之间的融合过程，因而使得该贷中风险预测方式需要进行大量的数据计算且耗时很长。也就是说，现有的贷中风险预测方式无法同时满足贷中风险预测过程的准确性和效率要求。
发明内容
针对现有技术中的问题，本申请提供一种贷中风险预测方法及装置，能够在保证贷中风险预测的准确性的基础上，有效提高用于贷中风险预测模型的输入数据的获取效率及可靠性，并能够有效降低贷中风险预测过程中的数据处理难度及数据计算量，进而能够有效缩短贷中风险预测周期并提高贷中风险预测结果的获取效率。
为解决上述技术问题，本申请提供以下技术方案：
第一方面，本申请提供一种贷中风险预测方法，包括：
将目标用户的预测用数据输入预设的贷中风险预测模型，并根据该贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，其中，所述预测用数据包括：行为特征数据以及应用贷中行为评分卡模型获取的贷中风险评分数据；
输出所述目标用户的贷中风险预测结果。
进一步地，还包括：
输出所述目标用户的贷中风险评分数据。
进一步地，所述贷中风险预测模型为预先根据多个用户的训练用数据，基于XGBoost算法训练得到的；
其中，所述训练用数据和所述预测用数据均包括：用户数据、观察期数据和表现期预测数据；
所述用户数据承载的信息包括：个人信息、资产信息和账户信息中的至少一项；
所述观察期数据承载的信息包括：账户交易信息和/或历史风险信息；
所述表现期预测数据包括：所述行为特征数据和对应的贷中风险评分数据。
进一步地，在所述将目标用户的预测用数据输入预设的贷中风险预测模型之前，还包括：
获取用户信息对照表，其中，该用户信息对照表中存储有所述用户数据和行为数据组之间的一对多的对应关系；每个所述行为数据组中均包含有所述观察期数据和表现期预测数据，各个所述行为数据组之间根据预设的观察期时长和/或表现期时长进行划分；
选取所述用户信息对照表中表现期时长最长的行为数据组和对应的所述用户数据作为当前的训练用数据；
基于XGBoost算法应用当前的训练用数据训练得到用于进行贷中风险预测的初始模型；
将所述初始模型设置为当前的贷中风险预测模型进行应用；
相对应的，所述预测用数据中的表现期预测数据对应的表现期时长与用于训练所述贷中风险预测模型的训练用数据的表现期时长相同。
进一步地，在所述将所述初始模型设置为当前的贷中风险预测模型进行应用之后，还包括：
自所述用户信息对照表中选取表现期时长小于用于训练所述初始模型的训练用数据的表现期时长的行为数据组和对应的所述用户数据作为当前的训练用数据；
基于XGBoost算法应用当前的训练用数据对所述初始模型进行模型训练，得到当前的更新用模型；
应用当前的更新用模型自动替换当前的贷中风险预测模型。
进一步地，在所述基于XGBoost算法应用当前的训练用数据对所述初始模型进行模型训练，得到当前的更新用模型之后，还包括：
验证步骤：对当前的更新用模型进行预测效果验证，并在确认验证通过后判断所述用户信息对照表中是否包含有表现期时长小于用于训练更新后的训练模型的训练用数据的表现期时长的行为数据组，若是，则将当前的更新用模型确认为历史模型，基于该行为数据组和对应的所述用户数据作为当前的训练用数据，并执行更新训练步骤；
所述更新训练步骤包括：基于XGBoost算法应用当前的训练用数据对当所述历史模型进行模型训练，得到当前的更新用模型，并返回执行所述验证步骤。
进一步地，在所述将目标用户的预测用数据输入预设的贷中风险预测模型之前，还包括：
获取目标用户的贷中行为数据；
对所述贷中行为数据进行特征提取，得到所述目标用户的行为特征数据；
应用所述贷中行为评分卡模型获取所述行为特征数据对应的贷中风险评分数据；
将所述目标用户的行为特征数据和对应的贷中风险评分数据添加至该目标用户的预测用数据。
进一步地，所述将目标用户的预测用数据输入预设的贷中风险预测模型，并根据该贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，包括：
将目标用户的预测用数据输入预设的贷中风险预测模型，得到该贷中风险预测模型输出的所述目标用户的贷中风险评分分值；
根据预设的风险分级规则，确定所述目标用户的贷中风险评分分值对应的风险等级；
生成包含有所述目标用户的风险等级的贷中风险预测结果。
进一步地，在所述确定所述目标用户的贷中风险评分分值对应的风险等级之后，还包括：
若所述目标用户的风险等级为预设的黑名单级别，则将该目标用户的用户标识加入黑名单中，以更新该黑名单；
输出更新后的所述黑名单以基于该黑名单对所述目标用户进行风控处理，其中，所述风控处理包括：拒绝所述目标用户的新增业务请求、提高该目标用户的催收等级和冻结该目标用户的资产中的至少一项。
进一步地，在所述确定所述目标用户的贷中风险评分分值对应的风险等级之后，还包括：
若所述目标用户的风险等级为预设的待核实级别，则输出该目标用户的用户信息以对该目标用户的贷中风险进行人工核实和/或机器人自动核实。
第二方面，本申请提供一种贷中风险预测装置，包括：
风险预测模块，用于将目标用户的预测用数据输入预设的贷中风险预测模型，并根据该贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，其中，所述预测用数据包括：行为特征数据以及应用贷中行为评分卡模型获取的贷中风险评分数据；
结果输出模块，用于输出所述目标用户的贷中风险预测结果。
第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的贷中风险预测方法。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的贷中风险预测方法。
由上述技术方案可知，本申请提供的一种贷中风险预测方法及装置，方法包括：将目标用户的预测用数据输入预设的贷中风险预测模型，并根据该贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，其中，所述预测用数据包括：行为特征数据以及应用贷中行为评分卡模型获取的贷中风险评分数据；输出所述目标用户的贷中风险预测结果，通过将应用贷中行为评分卡模型获取的贷中风险评分数据作为贷中风险预测模型的输入的设置可知，贷中风险评分数据无需人工设置，是直接由贷中行为评分卡模型获取的，因此能够有效提高用于贷中风险预测模型的输入数据的获取效率及可靠性，同时，由于无需进行多个模型融合处理，且直接根据贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，能够在保证贷中风险预测结果的准确性的基础上，有效降低贷中风险预测过程中的数据处理难度及数据计算量，能够有效缩短贷中风险预测周期，以有效提高贷中风险预测过程的效率，进而能够有效提高贷中风险预测结果的获取效率及可靠性。
附图说明
为了更清楚地说明本申请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，下面描述中的附图是本申请的一些实施例，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是本申请实施例中的贷中风险管控总系统的结构示意图。
图2是本申请实施例中的贷中风险预测方法的第一种流程示意图。
图3是本申请实施例中的贷中风险预测方法的第二种流程示意图。
图4是本申请实施例中的贷中风险预测方法的第三种流程示意图。
图5是本申请实施例中的贷中风险预测方法的第四种流程示意图。
图6是本申请实施例中的贷中风险预测方法的第五种流程示意图。
图7是本申请实施例中的贷中风险预测方法中步骤031至步骤034的流程示意图。
图8是本申请实施例中的贷中风险预测方法中步骤100的具体流程示意图。
图9是本申请实施例中的贷中风险预测方法的第六种流程示意图。
图10是本申请实施例中的贷中风险预测方法的第七种流程示意图。
图11是本申请应用实例中的贷中风险预测系统的结构示意图。
图12是本申请应用实例中的应用所述贷中风险预测系统执行贷中风险预测方法的具体逻辑示意图。
图13是本申请应用实例中的应用贷中风险预测系统中的模型预警单元构建基于机器学习算法的贷中风险预警模型的流程示意图。
图14是本申请实施例中的贷中风险预测装置的结构示意图。
图15是本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请公开的贷中风险预测方法和装置可用于人工智能技术领域，也可用于除人工智能技术领域之外的任意领域，本申请公开的贷中风险预测方法和装置的应用领域不做限定。
考虑到现有的贷中风险预测方式存在的无法同时满足贷中风险预测过程的准确性和效率要求的问题，本申请分别提供一种贷中风险预测方法、贷中风险预测装置、电子设备和计算机可读存储介质的实施例，通过将应用贷中行为评分卡模型获取的贷中风险评分数据作为贷中风险预测模型的输入的设置可知，贷中风险评分数据无需人工设置，是直接由贷中行为评分卡模型获取的，因此能够有效提高用于贷中风险预测模型的输入数据的获取效率及可靠性，同时，由于无需进行多个模型融合处理，且直接根据贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，能够在保证贷中风险预测结果的准确性的基础上，有效降低贷中风险预测过程中的数据处理难度及数据计算量，能够有效缩短贷中风险预测周期，以有效提高贷中风险预测过程的效率，进而能够有效提高贷中风险预测结果的获取效率及可靠性。
基于上述内容，本申请还提供一种贷中风险管控总系统，该贷中风险管控总系统包含有用于实现本申请一个或多个实施例中提供的贷中风险预测方法的贷中风险预测系统01，参见图1，该贷中风险预测系统01与金融机构人员的客户端设备02之间通信连接，客户端设备02可以包含有多个。
在此基础上，所述贷中风险预测系统01还可以分别与金融机构的审批系统03、催收系统04、风控系统05和外呼机器人系统06之间通信连接，各个系统之间具体可以通过各自的应用服务器互相访问。
举例来说，所述贷中风险预测系统01将目标用户的预测用数据输入预设的贷中风险预测模型，并根据该贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，其中，所述预测用数据包括：行为特征数据以及应用贷中行为评分卡模型获取的贷中风险评分数据；然后贷中风险预测系统01将目标用户的预测用数据输入预设的贷中风险预测模型，得到该贷中风险预测模型输出的所述目标用户的贷中风险评分分值；根据预设的风险分级规则，确定所述目标用户的贷中风险评分分值对应的风险等级；生成包含有所述目标用户的风险等级的贷中风险预测结果。
基于上述内容，在贷中风险预测系统01生成包含有所述目标用户的风险等级的贷中风险预测结果之后，贷中风险预测系统01可以将所述目标用户的贷中风险预测结果发送至金融机构人员的客户端设备02。
其中，若所述目标用户的风险等级为预设的黑名单级别，则所述贷中风险预测系统01还可以将该目标用户的用户标识加入黑名单中，以更新该黑名单；然后将更新后的所述黑名单发送至审批系统03，以使该金融机构的审批系统03基于该黑名单拒绝所述目标用户的新增业务请求，例如拒绝该目标用户办理新贷款；另外，所述贷中风险预测系统01还可以将更新后的所述黑名单发送至催收系统04，以使该催收系统04提高该目标用户的催收等级；所述贷中风险预测系统01还可以将更新后的所述黑名单发送至风控系统05，以使该风控系统05冻结该目标用户的资产中的至少一项，例如冻结该目标用户的银行卡等等。
另外，若所述目标用户的风险等级为预设的待核实级别，则所述贷中风险预测系统01还可以将该目标用户的用户信息发送至所述外呼机器人系统06或者核实人员的设备终端，以使该外呼机器人系统06对该目标用户的贷中风险进行机器人自动语音核实，以及可以使得核实人员对该目标用户的贷中风险进行人工核实。
可以理解的是，所述客户端设备可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在另一实际应用情形中，进行贷中风险预测的部分可以在如上述内容所述的贷中风险预测系统执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器，用于进行贷中风险预测的具体处理。
上述的客户端设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。例如，通信单元可以将贷中风险预测触发指令发送至服务器，以便服务器根据贷中风险预测触发指令进行贷中风险预测。通信单元还可以接收服务器返回的预测结果。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间系统的服务器，例如与任务调度中心服务器有通信链接的第三方服务器系统的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
上述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然，所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol，远程过程调用协议)、REST协议(Representational State Transfer，表述性状态转移协议)等。
在本申请的一个或多个实施例中，XGBoost算法是Boosting算法的其中一种，Boosting算法的思想是将许多弱分类器集成在一起，形成一个强分类器。因为XGBoost是一种提升树模型，所以它是将许多树模型集成在一起，形成一个很强的分类器。基于XGBoost算法训练得到的贷中风险预测模型是基于历史数据，通过固定的方法论找到规律，并且经过长期的检验。直接将评分结果作为特征，可以充分利用经验结果，同时减少训练数据量。
本申请提供的贷中风险预测方法、贷中风险预测装置、电子设备、计算机可读存储介质以及贷中风险管控总系统，能够在保证贷中风险预测的准确性的基础上，有效提高用于贷中风险预测模型的输入数据的获取效率及可靠性，并能够有效降低贷中风险预测过程中的数据处理难度及数据计算量，进而能够有效缩短贷中风险预测周期并提高贷中风险预测结果的获取效率。
具体通过下述各个实施例及应用实例分别进行详细说明。
为了解决现有的贷中风险预测方式存在的无法同时满足贷中风险预测过程的准确性和效率要求的问题，本申请提供一种贷中风险预测方法的实施例，参见图2，所述贷中风险预测方法具体包含有如下内容：
步骤100：将目标用户的预测用数据输入预设的贷中风险预测模型，并根据该贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，其中，所述预测用数据包括：行为特征数据以及应用贷中行为评分卡模型获取的贷中风险评分数据。
可以理解的是，贷中行为评分卡(B卡，Behavior Scoring)模型根据借款人放贷后的行为表现，预测未来逾期风险。引入B卡的目的是为了动态监控放款后的风险变化。信贷领域常用的贷中行为评分卡模型的原理是确定影响违约概率的因素，给予权重以计算其信用分数。将模型变量中的证据权重WOE((weight of evidence)计算离散化值，采用逻辑回归算法计算违约概率或Odds(指某事件发生的可能性(概率)与不发生的可能性(概率)之比)，预测风险发生的可能性。其中，在商业银行信用风险管理中，违约概率是指借款人在未来一定时期内不能按合同要求偿还银行贷款本息或履行相关义务的可能性。贷中行为评分卡模型定期给出贷中行为的风险预估评分报告，用于监管要求的风险报送。贷中行为评分卡模型使用历史数据量更大，方法论较为成熟固定，模型可解释性强，在监管报送场景更适合使用该贷中行为评分卡模型的评分结果。
步骤200：输出所述目标用户的贷中风险预测结果。
在步骤200中，可以将所述目标用户的贷中风险预测结果发送至客户端设备进行显示，也可以将其发送至其他服务器进行后续的如风控处理等操作。
从上述描述可知，本申请实施例提供的贷中风险预测方法，通过将应用贷中行为评分卡模型获取的贷中风险评分数据作为贷中风险预测模型的输入的设置可知，贷中风险评分数据无需人工设置，是直接由贷中行为评分卡模型获取的，因此能够有效提高用于贷中风险预测模型的输入数据的获取效率及可靠性，同时，由于无需进行多个模型融合处理，且直接根据贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，能够在保证贷中风险预测结果的准确性的基础上，有效降低贷中风险预测过程中的数据处理难度及数据计算量，能够有效缩短贷中风险预测周期，以有效提高贷中风险预测过程的效率，进而能够有效提高贷中风险预测结果的获取效率及可靠性。
为了使得用户的贷中风险的最终结果的确认过程更为合理和准确，在本申请提供的贷中风险预测方法的一个实施例中，参见图3，所述贷中风险预测方法中还具体包含有如下内容：
步骤300：输出所述目标用户的贷中风险评分数据。
应当说明的是，步骤300可以在与步骤100或步骤200同步执行，或者在步骤100之前或者步骤之后执行，本申请对此不做限定。
从上述描述可知，本申请实施例提供的贷中风险预测方法，向金融机构人员输出针对同一用户的同一组数据获取的两组贷中风险预测结果的设置，相较于只向金融机构人员输出一组贷中风险预测结果的情形，本申请能够有效为金融机构人员提供更多角度的比较及参考用数据，进而能够使得金融机构人员可以对两组数据进行综合考率后确定目标用户的贷中风险，能够使得用户的贷中风险的最终结果的确认过程更为合理和准确。
为了进一步提高贷中风险预测结果的获取准确性及可靠性，在本申请提供的贷中风险预测方法的一个实施例中，所述贷中风险预测模型为预先根据多个用户的训练用数据，基于XGBoost算法训练得到的。
其中，所述训练用数据和所述预测用数据均包括：用户数据、观察期数据和表现期预测数据；所述用户数据承载的信息包括：个人信息、资产信息和账户信息中的至少一项；所述观察期数据承载的信息包括：账户交易信息和/或历史风险信息；所述表现期预测数据包括：所述行为特征数据和对应的贷中风险评分数据。
通过用户数据、观察期数据和表现期预测数据能够获知目标用户的收入能力和履约历史，其中，收入能力表示是否有其他收入，如果没有收入，还款能力将直接受影响。收入数据包括流动资产(工资、公积金)、固定资产等。履约历史表示用户之前是否就有欠钱不还的黑历史，还是能按时履约。因此，需要记录历史的还款行为，比如提前还款，说明用户目前手头资金充足，重视诚信记录；习惯性逾期，则说明用户手头紧张，或者不够重视诚信记录。
除此之外，还可以设置用于训练贷中风险预测模型的消费行为数据、负债压力数据和活跃行为数据，所述消费行为数据用于表示资金用途，即是否按借钱原因所述，真正专款专用。例如用户借到手后是用于不良嗜好，因此，可以从用户的信用卡账单、借记卡流水、电商数据等提取消费行为。所述负债压力数据用于表示用户除了在应用所述风险预测模型的如银行等金融机构存在欠款之外，其他地方是否还有(多头)负债。用户共债压力越大，还款可能性就越低。所述活跃行为数据用于表示用户借钱之后是否还能联系到，如果从此失联，那么大概率就是不会还钱。在网贷产品中，可以观察用户登陆App的行为。
从上述描述可知，本申请实施例提供的贷中风险预测方法，通过采用用户数据、观察期数据和表现期预测数据，以及采用XGBoost算法训练得到贷中风险预测模型，能够有效提高训练贷中风险预测模型时的训练用数据的全面性及可靠性，进而能够有效提高贷中风险预测模型的应用准确性及可靠性，以进一步提高贷中风险预测结果的获取准确性及可靠性。
为了有效提高对用户进行长期表现期的贷中风险预测的结果可靠性，在本申请提供的贷中风险预测方法的一个实施例中，参见图4，在所述贷中风险预测方法中的步骤100之前还具体包含有如下内容：
步骤011：获取用户信息对照表，其中，该用户信息对照表中存储有所述用户数据和行为数据组之间的一对多的对应关系；每个所述行为数据组中均包含有所述观察期数据和表现期预测数据，各个所述行为数据组之间根据预设的观察期时长和/或表现期时长进行划分。
在一种举例中，所述用户信息对照表可以参见表1，其中，张某某在金融机构中的用户标识为011-xxx-y01，用户标识011-xxx-y01对应有两组行为数据组；其中一组行为数据为：观察期数据中的24个月内数据B1和对应的表现期预测数据中的12个月内90天逾期对应的预测数据C1；其中另一组行为数据为：观察期数据中的12个月内数据B2和对应的表现期预测数据中的6个月内45天逾期对应的预测数据C2。王某在金融机构中的用户标识为012-xxx-y23，用户标识012-xxx-y23对应有两组行为数据组；其中一组行为数据为：观察期数据中的24个月内数据B3和对应的表现期预测数据中的12个月内90天逾期对应的预测数据C3；其中另一组行为数据为：观察期数据中的12个月内数据B4和对应的表现期预测数据中的6个月内45天逾期对应的预测数据C4。
表1
步骤012：选取所述用户信息对照表中表现期时长最长的行为数据组和对应的所述用户数据作为当前的训练用数据。
在上述表1中，可以选取用户标识为011-xxx-y01和012-xxx-y23各自对应的第一组数据，即选取张某某的用户信息A1、观察期数据中的24个月内数据B1和对应的表现期预测数据中的12个月内90天逾期对应的预测数据C1，以及选取王某的用户信息A2、观察期数据中的24个月内数据B3和对应的表现期预测数据中的12个月内90天逾期对应的预测数据C3。
步骤013：基于XGBoost算法应用当前的训练用数据训练得到用于进行贷中风险预测的初始模型。
步骤014：将所述初始模型设置为当前的贷中风险预测模型进行应用。
相对应的，所述预测用数据中的表现期预测数据对应的表现期时长与用于训练所述初始模型的训练用数据的表现期时长相同。
从上述描述可知，本申请实施例提供的贷中风险预测方法，通过选取所述用户信息对照表中表现期时长最长的所述用户数据和行为数据组作为当前的训练用数据训练初始模型，能够使得本申请提供的贷中风险预测模型对用户进行长期表现期的贷中风险预测，进而能够有效提高对用户进行长期表现期的贷中风险预测的结果可靠性。
为了有效减少贷中风险预测周期，以进一步提高贷中风险预测结果的获取效率，在本申请提供的贷中风险预测方法的一个实施例中，参见图5，在所述贷中风险预测方法中的步骤014之后还具体包含有如下内容：
步骤015：自所述用户信息对照表中选取表现期时长小于用于训练所述初始模型的训练用数据的表现期时长的行为数据组和对应的所述用户数据作为当前的训练用数据。
步骤016：基于XGBoost算法应用当前的训练用数据对所述初始模型进行模型训练，得到当前的更新用模型。
步骤017：应用当前的更新用模型自动替换当前的贷中风险预测模型。
相对应的，所述预测用数据中的表现期预测数据对应的表现期时长与用于训练所述贷中风险预测模型的训练用数据的表现期时长相同。
从上述描述可知，本申请实施例提供的贷中风险预测方法，通过选取所述用户信息对照表中表现期时长较短的所述用户数据和行为数据组作为当前的训练用数据训练初始模型，能够使得本申请提供的贷中风险预测模型对用户进行短期表现期的贷中风险预测，进而能够有效提高对用户进行短期表现期的贷中风险预测的结果可靠性，同时，由于选取了表现期时长较短的所述用户数据和行为数据组，也就意味着采用更少的训练数据对所述贷中风险预测模型进行训练，因此能够有效提高贷中风险预测模型的训练效率，进而能够在保证贷中风险预测准确性的基础上，有效减少贷中风险预测周期，以进一步提高贷中风险预测结果的获取效率。
为了有效提高对用户进行更短期的贷中风险预测的结果可靠性，在本申请提供的贷中风险预测方法的一个实施例中，参见图6，在所述贷中风险预测方法中的步骤016之后还具体包含有如下内容：
步骤021：验证步骤：对当前的更新用模型进行预测效果验证，并在确认验证通过后判断所述用户信息对照表中是否包含有表现期时长小于用于训练更新后的训练模型的训练用数据的表现期时长的行为数据组，若是，则执行步骤022；若否，则执行步骤017。
步骤022：将当前的更新用模型确认为历史模型，基于该行为数据组和对应的所述用户数据作为当前的训练用数据，并执行更新训练步骤。
步骤023：所述更新训练步骤包括：基于XGBoost算法应用当前的训练用数据对当所述历史模型进行模型训练，得到当前的更新用模型，并返回执行所述步骤021。
从上述描述可知，本申请实施例提供的贷中风险预测方法，通过预测效果验证能够有效提高贷中风险预测模型的应用可靠性及准确性，并通过针对表现期时长小于用于训练更新后的训练模型的训练用数据的表现期时长的行为数据组再次进行模型训练，来进一步使得本申请提供的贷中风险预测模型对用户进行更短期的贷中风险预测，进而能够有效提高对用户进行更短期的贷中风险预测的结果可靠性。
为了有效提高贷中风险预测模型的结果获取效率及可靠性，在本申请提供的贷中风险预测方法的一个实施例中，参见图7，在所述贷中风险预测方法中的步骤100之前还具体包含有如下内容：
步骤031：获取目标用户的贷中行为数据。
步骤032：对所述贷中行为数据进行特征提取，得到所述目标用户的行为特征数据。
步骤033：应用所述贷中行为评分卡模型获取所述行为特征数据对应的贷中风险评分数据。
步骤034：将所述目标用户的行为特征数据和对应的贷中风险评分数据添加至该目标用户的预测用数据。
从上述描述可知，本申请实施例提供的贷中风险预测方法，通过预先基于评分卡模型获取所述行为特征数据对应的贷中风险评分数据，能够为贷中风险预测模型提高可靠且有效的技术基础，并能够有效提高贷中风险预测模型的结果获取效率及可靠性。
为了向金融机构人员提供更为直观的贷中风险预测结果，在本申请提供的贷中风险预测方法的一个实施例中，参见图8，所述贷中风险预测方法中的步骤100具体包含有如下内容：
步骤110：将目标用户的预测用数据输入预设的贷中风险预测模型，得到该贷中风险预测模型输出的所述目标用户的贷中风险评分分值。
步骤120：根据预设的风险分级规则，确定所述目标用户的贷中风险评分分值对应的风险等级。
步骤130：生成包含有所述目标用户的风险等级的贷中风险预测结果。
从上述描述可知，本申请实施例提供的贷中风险预测方法，在获取贷中风险预测模型输出结果后，应用风险分级规则确定所述目标用户的贷中风险评分分值对应的风险等级，能够向金融机构人员提供更为直观的贷中风险预测结果，进而能够有效提高金融机构人员的用户体验。
为了针对黑名单级别的用户进行风控处理，在本申请提供的贷中风险预测方法的一个实施例中，参见图9，在所述贷中风险预测方法中的步骤120之后还具体包含有如下内容：
步骤410：若所述目标用户的风险等级为预设的黑名单级别，则将该目标用户的用户标识加入黑名单中，以更新该黑名单。
步骤420：输出更新后的所述黑名单以基于该黑名单对所述目标用户进行风控处理，其中，所述风控处理包括：拒绝所述目标用户的新增业务请求、提高该目标用户的催收等级和冻结该目标用户的资产中的至少一项。
从上述描述可知，本申请实施例提供的贷中风险预测方法，通过设置黑名单以及对应的风控处理，能够针对黑名单级别的用户进行风控处理，且处理过程可靠且高效。
为了针对需要进行风险核实的用户进行核实处理，在本申请提供的贷中风险预测方法的一个实施例中，参见图10，在所述贷中风险预测方法中的步骤120之后还具体包含有如下内容：
步骤500：若所述目标用户的风险等级为预设的待核实级别，则输出该目标用户的用户信息以对该目标用户的贷中风险进行人工核实和/或机器人自动核实。
从上述描述可知，本申请实施例提供的贷中风险预测方法，通过待核实级别的设置单以及对应的核实处理，能够针对需要进行风险核实的用户进行核实处理，且处理过程可靠且高效。
为了进一步说明本方案，本申请还提供一种应用贷中风险预测系统01实现的贷中风险预测方法的具体应用实例，信用风险评分卡模型包含贷前申请评分、贷中行为评分、贷后催收评分。贷中行为评分卡模型是一种线性模型，虽具有可解释性，但相对的预测准确度较低，预测周期长，风险敏感性不足。而大多引入机器学习算法的贷中行为评分模型，依然没有解决预测周期长的问题。为了克服现有贷中风险预测模型预测周期长、训练数据量大、风险敏感性不足等缺点，本申请应用实例提供了一种基于机器学习算法的人工智能评分模型，提高模型风险敏感性；同时提供了一种结合使用行为贷中行为评分卡模型和人工智能评分模型的贷中风险预警系统与方法，不仅可以输出具有一定可解释性的风险清单用于监管报送，同时自动缩短预测表现期迭代人工智能评分模型，仅需要少量的训练数据输出短期风险名单，便于更早的识别高潜在风险，采取有效风险防控措施。
参见图11，所述贷中风险预测系统01包括数据接收单元1、特征加工单元2、行为评分卡模型单元3、模型预警单元4、决策反馈单元5和结果汇总单元6和模型自学习单元7。各个单元之间通过数据流连接。
参见图12，应用所述贷中风险预测系统01执行贷中风险预测方法的具体逻辑执行过程包含如下内容：
步骤1.0：各个渠道将贷中行为数据(如刷卡、还贷)发送至风险预测系统的数据接收单元1。
步骤1.1：数据接收单元1将行为数据转至特征加工单元2。
步骤1.2：特征加工单元2将加工好的行为特征并行发送至行为评分卡模型单元3。
步骤1.3：行为评分卡模型单元3采用信贷领域常用的贷中行为评分卡模型即B卡模型，信用评分卡模型其原理是确定影响违约概率的因素，给予权重以计算其信用分数。将模型变量证据权重WOE计算离散化值，采用逻辑回归算法计算违约概率odds，预测风险发生的可能性。贷中行为评分卡模型定期给出贷中行为的风险预估评分报告，用于监管要求的风险报送。贷中行为评分卡模型使用历史数据量更大，方法论较为成熟固定，模型可解释性强，在监管报送场景更适合使用该评分结果。
步骤1.4：将行为特征与行为评分结果，作为模型预警单元4的特征。贷中风险预测模型是基于更长期的历史数据，通过固定的方法论找到规律，并且经过长期的检验。直接将评分结果作为特征，可以充分利用经验结果，同时减少训练数据量。经验证将贷中行为评分卡的评分结果纳入作为贷中风险预测模型的机器学习模型的特征，贷中风险预测模型识别能力提高，也没有过拟合。
步骤1.5：模型预警单元4根据贷中风险预测模型给出贷中行为的风险预估评分，传给决策反馈单元5。
步骤1.6：决策反馈单元5接收模型预估评分，基于分值范围提示短期风险。风险评分最高的TOP5％，直接加入黑名单；黑名单发送至审批系统中拒绝客户办理新贷款，发送至催收系统中提高催收等级，发送至风控系统中冻结卡片等等。TOP5％-TOP10％，转至外呼机器人系统，电话核实客户是否有还款困难，根据核实结果再做判断。
步骤2.1：决策反馈单元5将每一笔行为的模型预估评分记录下来。
步骤2.2：结果汇总单元6定期汇总行为数据、模型评分、风险核实结果，形成行为特征，模型自学习单元7使用。
步骤2.3：模型自学习单元7根据样本数据自动计算得出新的迭代模型，不需要人工干预，验证通过后更新至模型预警单元4。
参见图13，应用所述贷中风险预测系统中的模型预警单元4构建基于机器学习算法的贷中风险预警模型的流程如下：
步骤301.样本准备
确定样本观察期和表现期，系统中维护好了一组观察期-表现期清单，并按照由长-短排列，最长的是行为评分卡模型常用的识别未来12个月发生90天以上逾期触发，先从最长的观察期-表现期对构建初始模型。因为本装置已经输出了传统模型预估结果，机器学习模型在保证模型效果的情况下，可以从列表中选择下一个观察期-表现期对调整目标，适度缩短表现期，比如(6个月45天逾期)，发现短期风险，增加风险敏感性。
步骤302.特征选择
本发明基于机器学习算法的贷中风险预测模型原型主要涵盖了客户基本信息、资产信息、账户信息、账户交易信息、历史风险信息、行为变动信息、行为评分结果。
步骤303.模型训练
上述特征全部作为模型的变量输入模型，采用XGBoost算法，得到初始模型。XGBoost算法是一种树集成模型，不断地进行特征分裂来生长一棵树，每次添加一个树，其实是学习一个新函数f(x)，去拟合上次预测的残差的这个过程中，训练完成得到k棵树。样本的特征在每棵树中会落到对应的一个叶子节点，每个叶子节点就对应一个分数，最后只将每棵树对应的分数加起来就是该样本的预测值。
步骤304.验证效果
模型训练完成后验证模型效果。
步骤305.效果是否达标，观察期是否达到预设值
计算验证集数据的K-S值，比对设定阈值判断验证模型效果是否达标，如不达标跳转至步骤302，重新调整特征训练模型。如果效果达标则检查模型观察期是否已至最短预设值，如是，则跳转步骤306；如不是则跳转步骤301，按长-短的顺序逐级缩短观察期和表现期(如从12月90天逾期调整为9月60天逾期)，根据目标重新获取训练数据后建模。
步骤306.发布至预估服务
模型验证达标后发布至模型预估服务，模型预估服务使用模型训练后得出的算式，根据交易加工的特征变量，计算出模型评分。
由此，本申请应用实例提供一种贷中风险预测系统及贷中风险预测方法，在技术方式上，本系统采用了传统行为评分卡和机器学习风险预测模型结合的形式；保留了对风险点的可解释性，同时提高风险预警的敏感性。机器学习模型复杂，不易被破解，无法简单的绕开；同时模型通过自学习更新，减少人为干预。能够满足金融企业对贷中风险的防控需求，为贷中风险预测提供了一个高效、稳定的方案。
从软件层面来说，为了解决现有的贷中风险预测方式存在的无法同时满足贷中风险预测过程的准确性和效率要求的问题，本申请提供一种用于执行所述贷中风险预测方法中全部或部分内容的贷中风险预测装置的实施例，参见图14，所述贷中风险预测装置具体包含有如下内容：
风险预测模块10，用于将目标用户的预测用数据输入预设的贷中风险预测模型，并根据该贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，其中，所述预测用数据包括：行为特征数据以及应用贷中行为评分卡模型获取的贷中风险评分数据。
可以理解的是，贷中行为评分卡(B卡，Behavior Scoring)模型根据借款人放贷后的行为表现，预测未来逾期风险。引入B卡的目的是为了动态监控放款后的风险变化。信贷领域常用的贷中行为评分卡模型的原理是确定影响违约概率的因素，给予权重以计算其信用分数。将模型变量中的证据权重WOE((weight of evidence)计算离散化值，采用逻辑回归算法计算违约概率或Odds(指某事件发生的可能性(概率)与不发生的可能性(概率)之比)，预测风险发生的可能性。其中，在商业银行信用风险管理中，违约概率是指借款人在未来一定时期内不能按合同要求偿还银行贷款本息或履行相关义务的可能性。贷中行为评分卡模型定期给出贷中行为的风险预估评分报告，用于监管要求的风险报送。贷中行为评分卡模型使用历史数据量更大，方法论较为成熟固定，模型可解释性强，在监管报送场景更适合使用该贷中行为评分卡模型的评分结果。
结果输出模块20，用于输出所述目标用户的贷中风险预测结果。
可以理解的是，结果输出模块20可以将所述目标用户的贷中风险预测结果发送至客户端设备进行显示，也可以将其发送至其他服务器进行后续的如风控处理等操作。
本申请提供的贷中风险预测装置的实施例具体可以用于执行上述实施例中的贷中风险预测方法的实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
从上述描述可知，本申请实施例提供的贷中风险预测装置，通过将应用贷中行为评分卡模型获取的贷中风险评分数据作为贷中风险预测模型的输入的设置可知，贷中风险评分数据无需人工设置，是直接由贷中行为评分卡模型获取的，因此能够有效提高用于贷中风险预测模型的输入数据的获取效率及可靠性，同时，由于无需进行多个模型融合处理，且直接根据贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，能够在保证贷中风险预测结果的准确性的基础上，有效降低贷中风险预测过程中的数据处理难度及数据计算量，能够有效缩短贷中风险预测周期，以有效提高贷中风险预测过程的效率，进而能够有效提高贷中风险预测结果的获取效率及可靠性。
为了使得用户的贷中风险的最终结果的确认过程更为合理和准确，在本申请提供的贷中风险预测装置的一个实施例中，所述贷中风险预测装置中的结果输出模块20还用于执行如下内容：
步骤300：输出所述目标用户的贷中风险评分数据。
从上述描述可知，本申请实施例提供的贷中风险预测装置，向金融机构人员输出针对同一用户的同一组数据获取的两组贷中风险预测结果的设置，相较于只向金融机构人员输出一组贷中风险预测结果的情形，本申请能够有效为金融机构人员提供更多角度的比较及参考用数据，进而能够使得金融机构人员可以对两组数据进行综合考率后确定目标用户的贷中风险，能够使得用户的贷中风险的最终结果的确认过程更为合理和准确。
为了进一步提高贷中风险预测结果的获取准确性及可靠性，在本申请提供的贷中风险预测装置的一个实施例中，所述贷中风险预测模型为预先根据多个用户的训练用数据，基于XGBoost算法训练得到的。
其中，所述训练用数据和所述预测用数据均包括：用户数据、观察期数据和表现期预测数据；所述用户数据承载的信息包括：个人信息、资产信息和账户信息中的至少一项；所述观察期数据承载的信息包括：账户交易信息和/或历史风险信息；所述表现期预测数据包括：所述行为特征数据和对应的贷中风险评分数据。
从上述描述可知，本申请实施例提供的贷中风险预测装置，通过采用用户数据、观察期数据和表现期预测数据，以及采用XGBoost算法训练得到贷中风险预测模型，能够有效提高训练贷中风险预测模型时的训练用数据的全面性及可靠性，进而能够有效提高贷中风险预测模型的应用准确性及可靠性，以进一步提高贷中风险预测结果的获取准确性及可靠性。
为了有效提高对用户进行长期表现期的贷中风险预测的结果可靠性，在本申请提供的贷中风险预测装置的一个实施例中，所述贷中风险预测装置中还具体包含有如下内容：第一模型训练模块，该第一模型训练模块具体用于执行下述内容：
步骤011：获取用户信息对照表，其中，该用户信息对照表中存储有所述用户数据和行为数据组之间的一对多的对应关系；每个所述行为数据组中均包含有所述观察期数据和表现期预测数据，各个所述行为数据组之间根据预设的观察期时长和/或表现期时长进行划分。
步骤012：选取所述用户信息对照表中表现期时长最长的行为数据组和对应的所述用户数据作为当前的训练用数据。
步骤013：基于XGBoost算法应用当前的训练用数据训练得到用于进行贷中风险预测的初始模型。
步骤014：将所述初始模型设置为当前的贷中风险预测模型进行应用。
相对应的，所述预测用数据中的表现期预测数据对应的表现期时长与用于训练所述初始模型的训练用数据的表现期时长相同。
从上述描述可知，本申请实施例提供的贷中风险预测装置，通过选取所述用户信息对照表中表现期时长最长的所述用户数据和行为数据组作为当前的训练用数据训练初始模型，能够使得本申请提供的贷中风险预测模型对用户进行长期表现期的贷中风险预测，进而能够有效提高对用户进行长期表现期的贷中风险预测的结果可靠性。
为了有效减少贷中风险预测周期，以进一步提高贷中风险预测结果的获取效率，在本申请提供的贷中风险预测装置的一个实施例中，所述贷中风险预测装置中还具体包含有如下内容：第二模型训练模块，该第二模型训练模块具体用于执行下述内容：
步骤015：自所述用户信息对照表中选取表现期时长小于用于训练所述初始模型的训练用数据的表现期时长的行为数据组和对应的所述用户数据作为当前的训练用数据。
步骤016：基于XGBoost算法应用当前的训练用数据对所述初始模型进行模型训练，得到当前的更新用模型。
步骤017：应用当前的更新用模型自动替换当前的贷中风险预测模型。
相对应的，所述预测用数据中的表现期预测数据对应的表现期时长与用于训练所述贷中风险预测模型的训练用数据的表现期时长相同。
从上述描述可知，本申请实施例提供的贷中风险预测装置，通过选取所述用户信息对照表中表现期时长较短的所述用户数据和行为数据组作为当前的训练用数据训练初始模型，能够使得本申请提供的贷中风险预测模型对用户进行短期表现期的贷中风险预测，进而能够有效提高对用户进行短期表现期的贷中风险预测的结果可靠性，同时，由于选取了表现期时长较短的所述用户数据和行为数据组，也就意味着采用更少的训练数据对所述贷中风险预测模型进行训练，因此能够有效提高贷中风险预测模型的训练效率，进而能够在保证贷中风险预测准确性的基础上，有效减少贷中风险预测周期，以进一步提高贷中风险预测结果的获取效率。
为了有效提高对用户进行更短期的贷中风险预测的结果可靠性，在本申请提供的贷中风险预测装置的一个实施例中，所述贷中风险预测装置中还具体包含有如下内容：验证模块，该验证模块具体用于执行下述内容：
步骤021：验证步骤：对当前的更新用模型进行预测效果验证，并在确认验证通过后判断所述用户信息对照表中是否包含有表现期时长小于用于训练更新后的训练模型的训练用数据的表现期时长的行为数据组，若是，则执行步骤022；若否，则执行步骤017。
步骤022：将当前的更新用模型确认为历史模型，基于该行为数据组和对应的所述用户数据作为当前的训练用数据，并执行更新训练步骤。
步骤023：所述更新训练步骤包括：基于XGBoost算法应用当前的训练用数据对当所述历史模型进行模型训练，得到当前的更新用模型，并返回执行所述步骤021。
从上述描述可知，本申请实施例提供的贷中风险预测装置，通过预测效果验证能够有效提高贷中风险预测模型的应用可靠性及准确性，并通过针对表现期时长小于用于训练更新后的训练模型的训练用数据的表现期时长的行为数据组再次进行模型训练，来进一步使得本申请提供的贷中风险预测模型对用户进行更短期的贷中风险预测，进而能够有效提高对用户进行更短期的贷中风险预测的结果可靠性。
为了有效提高贷中风险预测模型的结果获取效率及可靠性，在本申请提供的贷中风险预测装置的一个实施例中，所述贷中风险预测装置中还具体包含有如下内容：数据预处理模块，该数据预处理模块用于执行下述内容：
步骤031：获取目标用户的贷中行为数据。
步骤032：对所述贷中行为数据进行特征提取，得到所述目标用户的行为特征数据。
步骤033：应用所述贷中行为评分卡模型获取所述行为特征数据对应的贷中风险评分数据。
步骤034：将所述目标用户的行为特征数据和对应的贷中风险评分数据添加至该目标用户的预测用数据。
从上述描述可知，本申请实施例提供的贷中风险预测装置，通过预先基于评分卡模型获取所述行为特征数据对应的贷中风险评分数据，能够为贷中风险预测模型提高可靠且有效的技术基础，并能够有效提高贷中风险预测模型的结果获取效率及可靠性。
为了向金融机构人员提供更为直观的贷中风险预测结果，在本申请提供的贷中风险预测装置的一个实施例中，所述贷中风险预测装置中的风险预测模块10具体用于执行如下内容：
步骤110：将目标用户的预测用数据输入预设的贷中风险预测模型，得到该贷中风险预测模型输出的所述目标用户的贷中风险评分分值。
步骤120：根据预设的风险分级规则，确定所述目标用户的贷中风险评分分值对应的风险等级。
步骤130：生成包含有所述目标用户的风险等级的贷中风险预测结果。
从上述描述可知，本申请实施例提供的贷中风险预测装置，在获取贷中风险预测模型输出结果后，应用风险分级规则确定所述目标用户的贷中风险评分分值对应的风险等级，能够向金融机构人员提供更为直观的贷中风险预测结果，进而能够有效提高金融机构人员的用户体验。
为了针对黑名单级别的用户进行风控处理，在本申请提供的贷中风险预测装置的一个实施例中，所述贷中风险预测装置中还具体包含有如下内容：黑名单设置模块，该黑名单设置模块用于执行下述内容：
步骤410：若所述目标用户的风险等级为预设的黑名单级别，则将该目标用户的用户标识加入黑名单中，以更新该黑名单。
步骤420：输出更新后的所述黑名单以基于该黑名单对所述目标用户进行风控处理，其中，所述风控处理包括：拒绝所述目标用户的新增业务请求、提高该目标用户的催收等级和冻结该目标用户的资产中的至少一项。
从上述描述可知，本申请实施例提供的贷中风险预测装置，通过设置黑名单以及对应的风控处理，能够针对黑名单级别的用户进行风控处理，且处理过程可靠且高效。
为了针对需要进行风险核实的用户进行核实处理，在本申请提供的贷中风险预测装置的一个实施例中，所述贷中风险预测装置中还具体包含有如下内容：核实模块，该核实模块用于执行下述内容：
步骤500：若所述目标用户的风险等级为预设的待核实级别，则输出该目标用户的用户信息以对该目标用户的贷中风险进行人工核实和/或机器人自动核实。
从上述描述可知，本申请实施例提供的贷中风险预测装置，通过待核实级别的设置单以及对应的核实处理，能够针对需要进行风险核实的用户进行核实处理，且处理过程可靠且高效。
从硬件层面来说，为了解决现有的贷中风险预测方式存在的无法同时满足贷中风险预测过程的准确性和效率要求的问题，本申请提供一种用于实现所述贷中风险预测方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：
图15为本申请实施例的电子设备9600的系统构成的示意框图。如图15所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图15是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
在一实施例中，贷中风险预测功能可以被集成到中央处理器中。其中，中央处理器可以被配置为进行如下控制：
步骤100：将目标用户的预测用数据输入预设的贷中风险预测模型，并根据该贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，其中，所述预测用数据包括：行为特征数据以及应用贷中行为评分卡模型获取的贷中风险评分数据。
可以理解的是，贷中行为评分卡(B卡，Behavior Scoring)模型根据借款人放贷后的行为表现，预测未来逾期风险。引入B卡的目的是为了动态监控放款后的风险变化。信贷领域常用的贷中行为评分卡模型的原理是确定影响违约概率的因素，给予权重以计算其信用分数。将模型变量中的证据权重WOE((weight of evidence)计算离散化值，采用逻辑回归算法计算违约概率或Odds(指某事件发生的可能性(概率)与不发生的可能性(概率)之比)，预测风险发生的可能性。其中，在商业银行信用风险管理中，违约概率是指借款人在未来一定时期内不能按合同要求偿还银行贷款本息或履行相关义务的可能性。贷中行为评分卡模型定期给出贷中行为的风险预估评分报告，用于监管要求的风险报送。贷中行为评分卡模型使用历史数据量更大，方法论较为成熟固定，模型可解释性强，在监管报送场景更适合使用该贷中行为评分卡模型的评分结果。
步骤200：输出所述目标用户的贷中风险预测结果。
在步骤200中，可以将所述目标用户的贷中风险预测结果发送至客户端设备进行显示，也可以将其发送至其他服务器进行后续的如风控处理等操作。
从上述描述可知，本申请实施例提供的电子设备，通过将应用贷中行为评分卡模型获取的贷中风险评分数据作为贷中风险预测模型的输入的设置可知，贷中风险评分数据无需人工设置，是直接由贷中行为评分卡模型获取的，因此能够有效提高用于贷中风险预测模型的输入数据的获取效率及可靠性，同时，由于无需进行多个模型融合处理，且直接根据贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，能够在保证贷中风险预测结果的准确性的基础上，有效降低贷中风险预测过程中的数据处理难度及数据计算量，能够有效缩短贷中风险预测周期，以有效提高贷中风险预测过程的效率，进而能够有效提高贷中风险预测结果的获取效率及可靠性。
在另一个实施方式中，贷中风险预测装置可以与中央处理器9100分开配置，例如可以将贷中风险预测装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现贷中风险预测功能。
如图15所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图15中所示的所有部件；此外，电子设备9600还可以包括图15中没有示出的部件，可以参考现有技术。
如图15所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的贷中风险预测方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的贷中风险预测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤100：将目标用户的预测用数据输入预设的贷中风险预测模型，并根据该贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，其中，所述预测用数据包括：行为特征数据以及应用贷中行为评分卡模型获取的贷中风险评分数据。
可以理解的是，贷中行为评分卡(B卡，Behavior Scoring)模型根据借款人放贷后的行为表现，预测未来逾期风险。引入B卡的目的是为了动态监控放款后的风险变化。信贷领域常用的贷中行为评分卡模型的原理是确定影响违约概率的因素，给予权重以计算其信用分数。将模型变量中的证据权重WOE((weight of evidence)计算离散化值，采用逻辑回归算法计算违约概率或Odds(指某事件发生的可能性(概率)与不发生的可能性(概率)之比)，预测风险发生的可能性。其中，在商业银行信用风险管理中，违约概率是指借款人在未来一定时期内不能按合同要求偿还银行贷款本息或履行相关义务的可能性。贷中行为评分卡模型定期给出贷中行为的风险预估评分报告，用于监管要求的风险报送。贷中行为评分卡模型使用历史数据量更大，方法论较为成熟固定，模型可解释性强，在监管报送场景更适合使用该贷中行为评分卡模型的评分结果。
步骤200：输出所述目标用户的贷中风险预测结果。
在步骤200中，可以将所述目标用户的贷中风险预测结果发送至客户端设备进行显示，也可以将其发送至其他服务器进行后续的如风控处理等操作。
从上述描述可知，本申请实施例提供的计算机可读存储介质，通过将应用贷中行为评分卡模型获取的贷中风险评分数据作为贷中风险预测模型的输入的设置可知，贷中风险评分数据无需人工设置，是直接由贷中行为评分卡模型获取的，因此能够有效提高用于贷中风险预测模型的输入数据的获取效率及可靠性，同时，由于无需进行多个模型融合处理，且直接根据贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，能够在保证贷中风险预测结果的准确性的基础上，有效降低贷中风险预测过程中的数据处理难度及数据计算量，能够有效缩短贷中风险预测周期，以有效提高贷中风险预测过程的效率，进而能够有效提高贷中风险预测结果的获取效率及可靠性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种贷中风险预测方法，其特征在于，包括：
将目标用户的预测用数据输入预设的贷中风险预测模型，并根据该贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，其中，所述预测用数据包括：行为特征数据以及应用贷中行为评分卡模型获取的贷中风险评分数据；
输出所述目标用户的贷中风险预测结果；
其中，所述贷中风险预测模型为预先根据多个用户的训练用数据，基于XGBoost算法训练得到的；
其中，所述训练用数据和所述预测用数据均包括：用户数据、观察期数据和表现期预测数据，其中，通过用户数据、观察期数据和表现期预测数据获知目标用户的收入能力和履约历史，收入能力表示是否有其他收入；履约历史表示用户之前是否就有欠钱不还的黑历史，还是能按时履约；
所述用户数据承载的信息包括：个人信息、资产信息和账户信息中的至少一项；
所述观察期数据承载的信息包括：账户交易信息和/或历史风险信息；
所述表现期预测数据包括：所述行为特征数据和对应的贷中风险评分数据；
所述方法还包括：设置用于训练贷中风险预测模型的消费行为数据、负债压力数据和活跃行为数据，所述消费行为数据用于表示资金用途；所述负债压力数据用于表示用户除了在应用所述风险预测模型的金融机构存在欠款之外，其他地方是否还有负债；所述活跃行为数据用于表示用户借钱之后是否还能联系到；
在所述将目标用户的预测用数据输入预设的贷中风险预测模型之前，还包括：
获取用户信息对照表，其中，该用户信息对照表中存储有所述用户数据和行为数据组之间的一对多的对应关系；每个所述行为数据组中均包含有所述观察期数据和表现期预测数据，各个所述行为数据组之间根据预设的观察期时长和/或表现期时长进行划分；
选取所述用户信息对照表中表现期时长最长的行为数据组和对应的所述用户数据作为当前的训练用数据；
基于XGBoost算法应用当前的训练用数据训练得到用于进行贷中风险预测的初始模型；
将所述初始模型设置为当前的贷中风险预测模型进行应用；
相对应的，所述预测用数据中的表现期预测数据对应的表现期时长与用于训练所述贷中风险预测模型的训练用数据的表现期时长相同；
在所述将所述初始模型设置为当前的贷中风险预测模型进行应用之后，还包括：
自所述用户信息对照表中选取表现期时长小于用于训练所述初始模型的训练用数据的表现期时长的行为数据组和对应的所述用户数据作为当前的训练用数据；
基于XGBoost算法应用当前的训练用数据对所述初始模型进行模型训练，得到当前的更新用模型；
应用当前的更新用模型自动替换当前的贷中风险预测模型；
在所述基于XGBoost算法应用当前的训练用数据对所述初始模型进行模型训练，得到当前的更新用模型之后，还包括：
验证步骤：对当前的更新用模型进行预测效果验证，并在确认验证通过后判断所述用户信息对照表中是否包含有表现期时长小于用于训练更新后的训练模型的训练用数据的表现期时长的行为数据组，若是，则将当前的更新用模型确认为历史模型，基于该行为数据组和对应的所述用户数据作为当前的训练用数据，并执行更新训练步骤；
所述更新训练步骤包括：基于XGBoost算法应用当前的训练用数据对当所述历史模型进行模型训练，得到当前的更新用模型，并返回执行所述验证步骤。
2.根据权利要求1所述的贷中风险预测方法，其特征在于，还包括：
输出所述目标用户的贷中风险评分数据。
3.根据权利要求1所述的贷中风险预测方法，其特征在于，在所述将目标用户的预测用数据输入预设的贷中风险预测模型之前，还包括：
获取目标用户的贷中行为数据；
对所述贷中行为数据进行特征提取，得到所述目标用户的行为特征数据；
应用所述贷中行为评分卡模型获取所述行为特征数据对应的贷中风险评分数据；
将所述目标用户的行为特征数据和对应的贷中风险评分数据添加至该目标用户的预测用数据。
4.根据权利要求1所述的贷中风险预测方法，其特征在于，所述将目标用户的预测用数据输入预设的贷中风险预测模型，并根据该贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，包括：
将目标用户的预测用数据输入预设的贷中风险预测模型，得到该贷中风险预测模型输出的所述目标用户的贷中风险评分分值；
根据预设的风险分级规则，确定所述目标用户的贷中风险评分分值对应的风险等级；
生成包含有所述目标用户的风险等级的贷中风险预测结果。
5.根据权利要求4所述的贷中风险预测方法，其特征在于，在所述确定所述目标用户的贷中风险评分分值对应的风险等级之后，还包括：
若所述目标用户的风险等级为预设的黑名单级别，则将该目标用户的用户标识加入黑名单中，以更新该黑名单；
输出更新后的所述黑名单以基于该黑名单对所述目标用户进行风控处理，其中，所述风控处理包括：拒绝所述目标用户的新增业务请求、提高该目标用户的催收等级和冻结该目标用户的资产中的至少一项。
6.根据权利要求4所述的贷中风险预测方法，其特征在于，在所述确定所述目标用户的贷中风险评分分值对应的风险等级之后，还包括：
若所述目标用户的风险等级为预设的待核实级别，则输出该目标用户的用户信息以对该目标用户的贷中风险进行人工核实和/或机器人自动核实。
7.一种贷中风险预测装置，其特征在于，包括：
风险预测模块，用于将目标用户的预测用数据输入预设的贷中风险预测模型，并根据该贷中风险预测模型的输出确定所述目标用户的贷中风险预测结果，其中，所述预测用数据包括：行为特征数据以及应用贷中行为评分卡模型获取的贷中风险评分数据；
结果输出模块，用于输出所述目标用户的贷中风险预测结果；
其中，所述贷中风险预测模型为预先根据多个用户的训练用数据，基于XGBoost算法训练得到的；
其中，所述训练用数据和所述预测用数据均包括：用户数据、观察期数据和表现期预测数据，其中，通过用户数据、观察期数据和表现期预测数据获知目标用户的收入能力和履约历史，收入能力表示是否有其他收入；履约历史表示用户之前是否就有欠钱不还的黑历史，还是能按时履约；
所述用户数据承载的信息包括：个人信息、资产信息和账户信息中的至少一项；
所述观察期数据承载的信息包括：账户交易信息和/或历史风险信息；
所述表现期预测数据包括：所述行为特征数据和对应的贷中风险评分数据；
所述装置还被配置为：设置用于训练贷中风险预测模型的消费行为数据、负债压力数据和活跃行为数据，所述消费行为数据用于表示资金用途；所述负债压力数据用于表示用户除了在应用所述风险预测模型的金融机构存在欠款之外，其他地方是否还有负债；所述活跃行为数据用于表示用户借钱之后是否还能联系到；
其中，所述贷中风险预测装置还包括：第一模型训练模块，所述第一模型训练模块用于执行下述内容：
获取用户信息对照表，其中，该用户信息对照表中存储有所述用户数据和行为数据组之间的一对多的对应关系；每个所述行为数据组中均包含有所述观察期数据和表现期预测数据，各个所述行为数据组之间根据预设的观察期时长和/或表现期时长进行划分；
选取所述用户信息对照表中表现期时长最长的行为数据组和对应的所述用户数据作为当前的训练用数据；
基于XGBoost算法应用当前的训练用数据训练得到用于进行贷中风险预测的初始模型；
将所述初始模型设置为当前的贷中风险预测模型进行应用；
相对应的，所述预测用数据中的表现期预测数据对应的表现期时长与用于训练所述初始模型的训练用数据的表现期时长相同；
其中，所述贷中风险预测装置中还包括：第二模型训练模块，所述第二模型训练模块用于执行下述内容：
自所述用户信息对照表中选取表现期时长小于用于训练所述初始模型的训练用数据的表现期时长的行为数据组和对应的所述用户数据作为当前的训练用数据；
基于XGBoost算法应用当前的训练用数据对所述初始模型进行模型训练，得到当前的更新用模型；
应用当前的更新用模型自动替换当前的贷中风险预测模型；
其中，所述贷中风险预测装置中还包括：验证模块，所述验证模块用于执行下述内容：
验证步骤：对当前的更新用模型进行预测效果验证，并在确认验证通过后判断所述用户信息对照表中是否包含有表现期时长小于用于训练更新后的训练模型的训练用数据的表现期时长的行为数据组，若是，则将当前的更新用模型确认为历史模型，基于该行为数据组和对应的所述用户数据作为当前的训练用数据，并执行更新训练步骤；
所述更新训练步骤包括：基于XGBoost算法应用当前的训练用数据对当所述历史模型进行模型训练，得到当前的更新用模型，并返回执行所述验证步骤。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至6任一项所述的贷中风险预测方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6任一项所述的贷中风险预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011144929.3A CN112232947B (zh) | 2020-10-23 | 2020-10-23 | 贷中风险预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011144929.3A CN112232947B (zh) | 2020-10-23 | 2020-10-23 | 贷中风险预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112232947A CN112232947A (zh) | 2021-01-15 |
| CN112232947B true CN112232947B (zh) | 2024-06-04 |
Family
ID=74110526
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011144929.3A Active CN112232947B (zh) | 2020-10-23 | 2020-10-23 | 贷中风险预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112232947B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112907371A (zh) * | 2021-02-23 | 2021-06-04 | 四川享宇金信金融科技有限公司 | 一种风控模型的训练方法 |
| CN112966991A (zh) * | 2021-05-19 | 2021-06-15 | 南京蜂泰互联网科技有限公司 | 基于逻辑回归模型的评分卡模型的建立方法 |
| CN114358920A (zh) * | 2022-01-07 | 2022-04-15 | 北京百度网讯科技有限公司 | 迭代信用评分卡模型的方法、装置、电子设备及存储介质 |
| CN117114845A (zh) * | 2023-07-27 | 2023-11-24 | 广东企企通科技有限公司 | 企业风险预测方法、设备及介质 |
| CN117437036B (zh) * | 2023-12-18 | 2024-03-26 | 杭银消费金融股份有限公司 | 一种基于多任务提升树的信贷风控管理方法与系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135626A (zh) * | 2019-04-17 | 2019-08-16 | 平安科技（深圳）有限公司 | 信贷管理方法及装置、电子设备、存储介质 |
| CN110349009A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 一种多头借贷违约预测方法、装置和电子设备 |
| CN111199477A (zh) * | 2019-12-20 | 2020-05-26 | 北京淇瑀信息科技有限公司 | 一种多级混联的风险管理方法、装置和电子设备 |
| CN111353901A (zh) * | 2020-02-24 | 2020-06-30 | 阳光保险集团股份有限公司 | 风险识别监控方法、装置以及电子设备 |
| CN111369348A (zh) * | 2020-03-25 | 2020-07-03 | 深圳前海微众银行股份有限公司 | 贷后风险监控方法、装置、设备及计算机可读存储介质 |
| CN111383101A (zh) * | 2020-03-25 | 2020-07-07 | 深圳前海微众银行股份有限公司 | 贷后风险监控方法、装置、设备及计算机可读存储介质 |
| CN111652708A (zh) * | 2020-04-30 | 2020-09-11 | 中原银行股份有限公司 | 一种应用于房屋抵押贷款产品中的风险评估方法及装置 |
-
2020
- 2020-10-23 CN CN202011144929.3A patent/CN112232947B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135626A (zh) * | 2019-04-17 | 2019-08-16 | 平安科技（深圳）有限公司 | 信贷管理方法及装置、电子设备、存储介质 |
| CN110349009A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 一种多头借贷违约预测方法、装置和电子设备 |
| CN111199477A (zh) * | 2019-12-20 | 2020-05-26 | 北京淇瑀信息科技有限公司 | 一种多级混联的风险管理方法、装置和电子设备 |
| CN111353901A (zh) * | 2020-02-24 | 2020-06-30 | 阳光保险集团股份有限公司 | 风险识别监控方法、装置以及电子设备 |
| CN111369348A (zh) * | 2020-03-25 | 2020-07-03 | 深圳前海微众银行股份有限公司 | 贷后风险监控方法、装置、设备及计算机可读存储介质 |
| CN111383101A (zh) * | 2020-03-25 | 2020-07-07 | 深圳前海微众银行股份有限公司 | 贷后风险监控方法、装置、设备及计算机可读存储介质 |
| CN111652708A (zh) * | 2020-04-30 | 2020-09-11 | 中原银行股份有限公司 | 一种应用于房屋抵押贷款产品中的风险评估方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112232947A (zh) | 2021-01-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112232947B (zh) | 贷中风险预测方法及装置 | |
| CN111861569B (zh) | 产品信息推荐方法及装置 | |
| CN110197315B (zh) | 风险评估方法、装置及其存储介质 | |
| CN111275546B (zh) | 金融客户欺诈风险识别方法及装置 | |
| US20210019657A1 (en) | Fraud detection and risk assessment method, system, device, and storage medium | |
| CN108932585B (zh) | 一种商户运营管理方法及其设备、存储介质、电子设备 | |
| CN110020862B (zh) | 一种业务风险评估方法、装置和计算机可读存储介质 | |
| CN104965844A (zh) | 信息处理方法及装置 | |
| CN112785086A (zh) | 信贷逾期风险预测方法及装置 | |
| CN110246032A (zh) | 贷后风险监控方法、装置及计算机可读存储介质 | |
| CN111932268A (zh) | 企业风险识别方法及装置 | |
| CN109345378A (zh) | 金融借贷风险管控方法及系统 | |
| CN109522317A (zh) | 一种反欺诈预警方法及系统 | |
| CN112950357B (zh) | 交易异常团伙识别方法及装置 | |
| CN114066620A (zh) | 基于客户画像的客户信息处理方法及装置 | |
| CN111882323B (zh) | 基于云服务租赁的用户融资风险控制方法及装置 | |
| US11816726B2 (en) | Machine learning based automated management of customer accounts | |
| CN111461871A (zh) | 额度控制方法、装置、设备与计算机可读存储介质 | |
| CN116485527A (zh) | 一种金融信用风险分析方法及装置 | |
| CN116468444A (zh) | 一种消费预警方法、系统、设备和存储介质 | |
| CN114971017A (zh) | 银行交易数据的处理方法及装置 | |
| CN114240605A (zh) | 贷款测算方法、装置、计算机设备和存储介质 | |
| CN113077251A (zh) | 一种预付费交易场景下的异常行为监测方法及装置 | |
| CN112085497A (zh) | 用户账户数据的处理方法及装置 | |
| CN112819613A (zh) | 贷款信息的处理方法、设备以及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |