CN112308203A - 一种基于人工智能深度学习和多参数动态博弈的银行贷款发放与贷后管理决策支持系统 - Google Patents

一种基于人工智能深度学习和多参数动态博弈的银行贷款发放与贷后管理决策支持系统 Download PDF

Info

Publication number
CN112308203A
CN112308203A CN201910955530.4A CN201910955530A CN112308203A CN 112308203 A CN112308203 A CN 112308203A CN 201910955530 A CN201910955530 A CN 201910955530A CN 112308203 A CN112308203 A CN 112308203A
Authority
CN
China
Prior art keywords
loan
decision
learning
bank
artificial intelligence
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
Application number
CN201910955530.4A
Other languages
English (en)
Inventor
刘畅
刘喆雄
潘龙佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liu Chang International Co Ltd
Original Assignee
Liu Chang International Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Liu Chang International Co Ltd filed Critical Liu Chang International Co Ltd
Priority to CN201910955530.4A priority Critical patent/CN112308203A/zh
Publication of CN112308203A publication Critical patent/CN112308203A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Finance (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明主要属于科技金融信贷决策领域，具体涉一种基于人工智能深度学习和多参数动态博弈的银行贷款发放与贷后管理决策支持系统。本发明通过运筹学、博弈论、网络科学与经济学交叉的理论研究方法，综合考虑现有的人工智能、云计算、大数据、机器学习等前沿技术，并借鉴数据挖掘与机器学习、数据处理、深度学习理论，在金融机构在信贷决策时存在信息不对称的复杂动态的商业环境基础上，采用人工智能深度增强学习DQN的模型模拟人做决策的动态过程，构建多层次、全方位的用户识别、贷前评估及贷后管理的系统化智能化贷款决策系统，提高金融机构跨行业、跨市场、交叉性金融风险的识别、防范以及化解能力。

Description

一种基于人工智能深度学习和多参数动态博弈的银行贷款发 放与贷后管理决策支持系统
技术领域
本发明主要属于科技金融信贷决策领域，具体涉一种基于人工智能深度学习和多参数动态博弈的银行贷款发放与贷后管理决策支持系统。
背景技术
由于现有贷款流程中存在信息不对称问题，银行无法获取贷款者全部信息，因此银行在向客户提供贷款服务时尤为审慎，这使得贷款审核及发放流程较长，贷款客户体验感较差。同时，由于存在信息不对称，目前银行无足够数据和子信息进行决策，在进行贷后决策时也难以基于消费者不同的还款行为形成最优化贷后管理政策和动态化智能化的政策体系。
银行传统贷款业务流程存在诸多问题，经济新常态下须寻求转型。由于信息不对称，银行信贷业务中存在信用风险、市场风险以及流动性风险，同时，传统信贷管理流程中缺乏技术介入，银行内部上下级之间信息也存在差异，进一步导致了信贷审核效率低等问题。在经济新常态下，目前传统信贷业务存在以下信贷管理的行政化倾向、风险管理机制不合理、信用风险分析方法落后等问题。新形势下，银行需要对传统信贷管理方法进行优化。
基于新兴网络科学及传统经济学结合的视角，科技金融通过融合人工智能、区块链等核心技术，探寻其在金融经济领域应用场景。科技金融涵盖领域可简要概括为（1）信贷、存款及融资服务（2）支付、清算及结算（3）投资管理服务（4）保险。科技金融通过应用人工智能、区块链等技术，能够提高投资效率,满足新兴企业成长和传统产业数字化转型中的新金融需求，对实体经济发展有着积极作用。
本发明综合博弈论、运筹学和网络科学等理论框架构建人工智能深度学习和多参数动态博弈的银行贷款发放与贷后管理决策支持系统，为贷款机构的信贷决策提供科学可靠的实证支撑，提高金融机构跨行业、跨市场、交叉性金融风险的识别、防范以及化解能力。
发明内容
本发明涉及的智能化贷款体系模型，在借鉴和发展传统模型的基础上，进一步革新研究手段：结合信息博弈模型、实施非固定马尔科夫链模型的t-Copula仿真法、强化学习DQN算法、k-均值聚类模型、BP神经网络模型等；主要基于数据挖掘与机器学习、深度增强学习等前沿理论，云计算、大数据管理等技术，进一步解析人工智能在信贷决策的作用机理。具体的步骤包括用户识别、贷款评估和贷款管理。
本发明的通过以下技术方案实现：
本发明的用户识别步骤通过大数据、云平台和深度学习的应用，对用户指纹、声音、人脸及档案等信息进行用户画像，搭建基于用户分层的智能信贷数据库，实现客户信息的自动化、智能化处理。
首先，结合终端设备的生物识别技术，形成用户指纹库，并通过自然语音处理、计算机视觉、信息检索技术，充分利用社交媒体、交易平台等多维数据，对分散的、多渠道的信息进行整合，深入挖掘客户特征（指纹、声音、人脸、档案），形成建立数据库的基础。其次，利用k-均值聚类模型将数据成员进行分类组织：
Figure 490047DEST_PATH_IMAGE001
Figure 558497DEST_PATH_IMAGE002
K-均值算法代码如下：
Figure 888501DEST_PATH_IMAGE003
。
进一步地，通过采用BP神经网络作为评估模型对分类的客户特征进行评估，完成对客户综合风险的评估，识别用户高风险交易的特征及信用等级，有效地交叉识别客户信息的真实性。最终在进行信贷决策时，实现对不良的用户信息和交易记录进行自动识别、过滤和更新。
本发明的贷款评估步骤利用自语言处理、深度学习、机器学习等人工智能技术和智能决策技术（IDT），基于贷款评估涉及内容，构架贷款方案、推荐还款期限、预测贷款利率及贷款定价的整体框架，对信贷方案形成机制展开论述。
首先，构建不完全信息动态博弈模型：
输入:
Figure 409612DEST_PATH_IMAGE004
,
Figure 597011DEST_PATH_IMAGE005
,
Figure 519968DEST_PATH_IMAGE006
输出:两个银行的均衡奖励
Figure 365DEST_PATH_IMAGE007
对于t=1,2,…T
步骤1: 假设银行2号先采取行动，那么
Max
Figure 743193DEST_PATH_IMAGE008
s.t.
Figure 999862DEST_PATH_IMAGE009
Figure 278790DEST_PATH_IMAGE010
Figure 962713DEST_PATH_IMAGE011
输出: 银行2号的最优策略
Figure 192837DEST_PATH_IMAGE012
步骤 2: 银行 2号采取第一个反措施行动
Max
Figure 987617DEST_PATH_IMAGE013
s.t .
Figure 619587DEST_PATH_IMAGE014
Figure 972946DEST_PATH_IMAGE015
Figure 487104DEST_PATH_IMAGE016
输出:银行1号的最优策略
Figure 554417DEST_PATH_IMAGE017
步骤3: 记录下两个银行在时间t（或大概）的最优策略和奖励
Figure 306472DEST_PATH_IMAGE018
Figure 863356DEST_PATH_IMAGE019
停止。
进一步地，通过非固定马尔科夫链模型的t-Copula仿真，模拟外部风险因素对过渡概率的影响，
发放的零售抵押贷款的质量为策略依据，使用t-Copula仿真估计：
Input:
Figure 298098DEST_PATH_IMAGE020
OutPut:
Figure 434681DEST_PATH_IMAGE021
第 1 步：计算 Kendall’s矩阵及其 P 值矩阵。然后，在第一列中记录其 P 值小于 5%的重要元素
第2步：使用 Kendall’s矩阵并生成具有自由度的t分布随机变量
Figure 572402DEST_PATH_IMAGE022
第3步：计算多变量累积 t 分布函数：
Figure 34607DEST_PATH_IMAGE023
第4步：计算反向累积分布函数：
Figure 726620DEST_PATH_IMAGE024
第5步：在不同的竞争情景下计算
第6步：通过将步骤 5 到步骤 3 的结果进行映射，计算最终模拟矩阵 M，使 M 中每个元素的联合累积概率分布等效于步骤3 中的 U
第7步：使用矩阵 M 和 相应元素来近似
Figure 899850DEST_PATH_IMAGE021
。
进一步地，利用强化学习深度Q-网络（DQN）算法用于推导出不同策略调整方案下的详细决策过程及根据各种目的执行分析：
估计函数Q 和
Figure 892076DEST_PATH_IMAGE025
Input: the policy π to be evaluated
Output: max Q(S,A),
Figure 259604DEST_PATH_IMAGE025
under different competition scenarios
Initialize Q (s)=0
Repeat (for each episode):
Initialize S
Choose Action A from S using policy derived from Q
Repeat (for each step of episode):
A ← action given by π for S
Take action A, observe R, S'
Choose A' from S' using policy derived from Q
Call Algorithm 3 to get the Transition Probability
Figure 970071DEST_PATH_IMAGE026
Figure 714036DEST_PATH_IMAGE027
If competition scenarios==Competitive
Call Algorithm 1
Figure 265496DEST_PATH_IMAGE028
Figure 69504DEST_PATH_IMAGE029
Figure 1688DEST_PATH_IMAGE030
Else
Call Algorithm 2
Figure 549344DEST_PATH_IMAGE031
Figure 516163DEST_PATH_IMAGE029
Figure 192870DEST_PATH_IMAGE032
until S is null
Stop。
最终实现贷款评估模型搭建，实现以算法替代经验，实现智能化分析、自动化识别风险，形成针对用户特征定制的贷款方案。
本发明的贷款管理步骤主要用于贷款后对于贷款客户的管理决策。其中对于贷款机构和客户之间存在的信息不对称问题，通过运用大数据和云计算对结构化及非结构化数据进行整合分析，系统客观地反映用户风险水平；进行风险实时监控，实现对客户风险的自动识别和量化评估，以便及时掌握客户贷后的异常变化。同时通过马尔科夫决策流程和强化学习 DQN 算法模拟机构调整政策行为,结合当前金融宏观环境及经济周期，考虑市场行为、监管政策等趋势的变化，通过深度学习和集成学习，针对贷款方案动态的进行利率调整及贷款定价，形成对应还款方案，提高信贷效率。
本发明的有益效果在：
（1）在理论层面，为推动我国大数据、云平台、科技金融同金融机构贷款融合提供一个综合可行的理论分析框架。本发明将现有的数据挖掘与机器学习、数据处理、深度学习等前沿理论、云计算、存储技术和感知技术等和传统信贷政策纳入统一分析框架，综合运用信息博弈模型和算法、实施非固定马尔科夫链模型的t-Copula仿真法、强化学习DQN算法、k-均值聚类模型、BP神经网络模型等多个模型，建立数据驱动的自实行优化学习机制，通过跨学科融合实现更优化的贷款自动化处理模型。
（2）在实证层面，为商业银行等贷款机构提供调整其信贷政策的决策建议，以最大化其回报。本研究尝试从人工智能、大数据与云平台的视角，构建多层次、全方位的用户识别、贷前评估及贷后管理的体系，为贷款机构的信贷决策提供科学可靠的实证支撑。
（3）在实践层面，为我国金融机构贷款业务提供切实可行的决策参考模型，探寻科技金融新兴应用场景。本发明利用大数据、人工智能、云计算等技术手段，提高金融机构跨行业、跨市场、跨监管、交叉性金融风险的识别、防范以及化解能力。通过建设自动化贷款决策模型，确保金融机构在进行信贷决策中的风险可控，降低机构的风险损失、成本并提高其运营效率。
附图说明
图1：为本发明中贷款发放与贷后管理决策流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实例，对本发明进一步详细描述。应当理解，此处描述的具体实施仅仅用于解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有细节部分的描述也可以完全理解本发明。
如图所示，本发明采用3个步骤实现的人工智能在银行机构信贷领域的落地。包括了用户识别、贷款评估和贷款管理三个步骤，通过MATLAB编程完成。
本发明的用户识别步骤通过大数据、云平台和深度学习的应用，对用户指纹、声音、人脸及档案等信息进行用户画像，搭建基于用户分层的智能信贷数据库，实现客户信息的自动化、智能化处理。
首先，结合终端设备的生物识别技术，形成用户指纹库，并通过自然语音处理、计算机视觉、信息检索技术，充分利用社交媒体、交易平台等多维数据，对分散的、多渠道的信息进行整合，深入挖掘客户特征（指纹、声音、人脸、档案），形成建立数据库的基础。其次，利用k-均值聚类模型将数据成员进行分类组织：
算法1：
Figure 612350DEST_PATH_IMAGE033
Figure 698118DEST_PATH_IMAGE002
Figure 519443DEST_PATH_IMAGE034
Figure 868516DEST_PATH_IMAGE003
。
进一步地，通过采用BP神经网络作为评估模型对分类的客户特征进行评估，完成对客户综合风险的评估，识别用户高风险交易的特征及信用等级，有效地交叉识别客户信息的真实性。最终在进行信贷决策时，实现对不良的用户信息和交易记录进行自动识别、过滤和更新。
本发明的贷款评估步骤利用自语言处理、深度学习、机器学习等人工智能技术和智能决策技术（IDT），基于贷款评估涉及内容，构架贷款方案、推荐还款期限、预测贷款利率及贷款定价的整体框架，对信贷方案形成机制展开论述。
首先，构建不完全信息动态博弈模型：
算法2：在冲突情况下的均衡奖励
Figure 5318DEST_PATH_IMAGE035
输入:
Figure 160356DEST_PATH_IMAGE004
,
Figure 570609DEST_PATH_IMAGE005
,
Figure 152900DEST_PATH_IMAGE006
输出:两个银行的均衡奖励
Figure 484655DEST_PATH_IMAGE007
对于 t=1,2,…T
步骤1: 假设银行2号先采取行动，那么
Max
Figure 676340DEST_PATH_IMAGE008
s.t.
Figure 206679DEST_PATH_IMAGE009
Figure 959871DEST_PATH_IMAGE010
Figure 310081DEST_PATH_IMAGE011
输出: 银行2号的最优策略
Figure 10184DEST_PATH_IMAGE012
步骤 2: 银行 2号采取第一个反措施行动
Max
Figure 660608DEST_PATH_IMAGE013
s.t .
Figure 820587DEST_PATH_IMAGE014
Figure 923672DEST_PATH_IMAGE015
Figure 958624DEST_PATH_IMAGE016
输出: 银行1号的最优策略
Figure 666817DEST_PATH_IMAGE017
步骤3: 记录下两个银行在时间t（或大概）的最优策略和奖励
Figure 496233DEST_PATH_IMAGE018
Figure 585150DEST_PATH_IMAGE019
停止。
进一步地，通过非固定马尔科夫链模型的t-Copula仿真，模拟外部风险因素对过渡概率的影响，发放的零售抵押贷款的质量为策略依据：
算法3：将 A 定义为标准贷款集，B 列为特别提及，C 列为低于标准，D 为可疑贷款，E为违约贷款，F 为已付贷款，过渡矩阵如下：
Figure 158213DEST_PATH_IMAGE036
=
Figure 517651DEST_PATH_IMAGE037
转换只从
Figure 986809DEST_PATH_IMAGE038
到
Figure 435458DEST_PATH_IMAGE039
，因为F状态是吸收状态。一旦贷款还清，它将从银行的账簿上注销，并且无法记录未来的过渡。因此：
Figure 186114DEST_PATH_IMAGE040
。在大多数情况下，银行通常使用每月数据提供风险报告，从标准国（定义为没有逾期天数的贷款）过渡到低于标准的国家，即逾期91-360天的贷款，不可能在30天内发生。因此，
Figure 72162DEST_PATH_IMAGE041
相同的推理也适用于上述过渡矩阵中的其他零转换。此外，在实践中，如果贷款逾期超过90天，银行通常不会在逾期余额还清后立即将状态变更为Normal，或者A，除非账户的全部余额还清。然而，在后一种情况下，贷款将转给已付的F国。因此，过渡C-A、C-B、D-A、D-B、D-C、E-A、E-B、E-C和E-D为零。
算法4：使用t-Copula仿真估计
Input:
Figure 712222DEST_PATH_IMAGE020
OutPut:
Figure 277195DEST_PATH_IMAGE021
第 1 步：计算 Kendall’s矩阵及其 P 值矩阵。然后，在第一列中记录其 P 值小于 5%的重要元素
第2步：使用 Kendall’s矩阵并生成具有自由度的t分布随机变量
Figure 896789DEST_PATH_IMAGE022
第3步：计算多变量累积 t 分布函数：
Figure 496397DEST_PATH_IMAGE023
第4步：计算反向累积分布函数
Figure 307359DEST_PATH_IMAGE024
第5步：在不同的竞争情景下计算
第6步：通过将步骤 5 到步骤 3 的结果进行映射，计算最终模拟矩阵 M，使 M 中每个元素的联合累积概率分布等效于步骤3 中的 U
第7步：使用矩阵 M 和 相应元素来近似
Figure 828470DEST_PATH_IMAGE021
。
进一步地，利用强化学习深度Q-网络（DQN）算法用于推导出不同策略调整方案下的详细决策过程及根据各种目的执行分析：
算法5：每个路径的返回函数之和如下所示：
Figure RE-290467DEST_PATH_IMAGE042
Figure RE-278819DEST_PATH_IMAGE043
Figure RE-878428DEST_PATH_IMAGE044
Figure RE-751706DEST_PATH_IMAGE044
是时间 t 时的折扣系数，它更看重早期奖励。假设每个行动奖励都是已知且由算法 1 给出的，则平均预期总奖励函数 Q 如下所示：
Figure RE-538396DEST_PATH_IMAGE045
其中 E 代表预期值，折扣系数设置为 1，以使计算更容易。
算法6：估计函数Q 和
Figure 574281DEST_PATH_IMAGE025
Input: the policy π to be evaluated
Output: max Q(S,A),
Figure 727044DEST_PATH_IMAGE046
under different competition scenarios
Initialize Q (s)=0
Repeat (for each episode):
Initialize S
Choose Action A from S using policy derived from Q
Repeat (for each step of episode):
A ← action given by π for S
Take action A, observe R, S'
Choose A' from S' using policy derived from Q
Call Algorithm 3 to get the Transition Probability
Figure 753906DEST_PATH_IMAGE026
Figure 548687DEST_PATH_IMAGE027
If competition scenarios==Competitive
Call Algorithm 1
Figure 679192DEST_PATH_IMAGE028
Figure 534015DEST_PATH_IMAGE029
Figure 782594DEST_PATH_IMAGE030
Else
Call Algorithm 2
Figure 849907DEST_PATH_IMAGE031
Figure 867542DEST_PATH_IMAGE029
Figure 158846DEST_PATH_IMAGE032
until S is null
Stop。
算法7：银行有3次机会调整对GDRR的政策
Input: the policy π to be evaluated
Output: max Q(S,A),
Figure 130606DEST_PATH_IMAGE046
for 3 opportunities
Initialize R, A,
Figure 532769DEST_PATH_IMAGE047
For each move of the time <=3
If
Figure 873751DEST_PATH_IMAGE048
&&
Figure 335957DEST_PATH_IMAGE049
time:=time+1
call Algorithm 4
Output R, A,
Stop。
算法8：银行有无限机会调整对GDRR的政策
Input: the policy π to be evaluated
Output: max Q(S,A),
Figure 293548DEST_PATH_IMAGE050
for unlimited opportunities
Initialize R, A,
Figure 466779DEST_PATH_IMAGE047
Repeat for each step &&
(If
Figure 193426DEST_PATH_IMAGE048
&&
Figure 826533DEST_PATH_IMAGE049
)
call Algorithm 4
Output R, A,
Stop。
算法9：两家银行对GDRR的最佳政策
Input: the policy π to be evaluated
Output: max Q(S, A),
Figure 271421DEST_PATH_IMAGE046
for all step
Initialize R, A,
Figure 280965DEST_PATH_IMAGE051
MA_icbc, MA_bjbc
Repeat for each step
call Algorithm 6
If
Figure 826566DEST_PATH_IMAGE052
Figure 630574DEST_PATH_IMAGE053
Appendix A t _icbc to MA t _icbc
If
Figure 562758DEST_PATH_IMAGE054
Figure 313676DEST_PATH_IMAGE055
Appendix A t _bjbc to MA t _bjbc
Output
Figure 247872DEST_PATH_IMAGE056
MA_icbc, MA_bjbc
Stop。
最终实现贷款评估模型搭建，实现以算法替代经验，实现智能化分析、自动化识别风险，形成针对用户特征定制的贷款方案。
本发明的贷款管理步骤主要用于贷款后对于贷款客户的管理决策。其中对于贷款机构和客户之间存在的信息不对称问题，通过运用大数据和云计算对结构化及非结构化数据进行整合分析，系统客观地反映用户风险水平；进行风险实时监控，实现对客户风险的自动识别和量化评估，以便及时掌握客户贷后的异常变化。同时通过马尔科夫决策流程和强化学习 DQN 算法模拟机构调整政策行为,结合当前金融宏观环境及经济周期，考虑市场行为、监管政策等趋势的变化，通过深度学习和集成学习，针对贷款方案动态的进行利率调整及贷款定价，形成对应还款方案，提高信贷效率。
算法10：金融机构有无限机会调整政策
Input: the policy
Figure 222781DEST_PATH_IMAGE057
to be evaluatedderived from Q
Output: max
Figure 376682DEST_PATH_IMAGE058
under conflict or cooperative competition situations
Initialize
Figure 462450DEST_PATH_IMAGE059
Repeat (for each step):
If
Figure 283775DEST_PATH_IMAGE060
Initialize
Figure 399892DEST_PATH_IMAGE061
Repeat (for each episode):
Initialize S
Choose action A from S using policy derived from Q
Repeat (for each step of episode):
Take action A given by
Figure 41089DEST_PATH_IMAGE057
for S
observe
Figure 196127DEST_PATH_IMAGE062
Choose
Figure 606379DEST_PATH_IMAGE063
from
Figure 391933DEST_PATH_IMAGE064
using policy derived from Q
Call Algorithm 3 to get the transition probability
Figure 18961DEST_PATH_IMAGE065
Figure 712111DEST_PATH_IMAGE066
If competition scenarios==Conflicting
Call Algorithm 1
Figure 242449DEST_PATH_IMAGE067
Figure 730062DEST_PATH_IMAGE068
Figure 814693DEST_PATH_IMAGE069
Else
Call Algorithm 2
Figure 541559DEST_PATH_IMAGE067
Figure 926404DEST_PATH_IMAGE068
Figure 850498DEST_PATH_IMAGE069
Until S is null
Output R,A
Stop。

Claims (6)

1.一种基于人工智能深度学习和多参数动态博弈的银行贷款发放与贷后管理决策支持系统，其特征在于，结合信息博弈模型、实施非固定马尔科夫链模型的t-Copula仿真法、强化学习DQN算法、k-均值聚类模型、BP神经网络模型等；主要基于数据挖掘与机器学习、深度增强学习等前沿理论，云计算、大数据管理等技术，进一步解析人工智能在信贷决策的作用机理，具体的步骤包括用户识别、贷款评估和贷款管理。
2.根据权利要求1所述一种基于人工智能深度学习和多参数动态博弈的银行贷款发放与贷后管理决策支持系统，其特征在于，用户识别步骤结合终端设备的生物识别技术，形成用户指纹库，并通过自然语音处理、计算机视觉、信息检索技术，充分利用社交媒体、交易平台等多维数据，利用k-均值聚类模型将数据成员进行分类组织：
Figure DEST_PATH_IMAGE001
Figure DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE003
Figure DEST_PATH_IMAGE004
。
3.根据权利要求2所述一种基于人工智能深度学习和多参数动态博弈的银行贷款发放与贷后管理决策支持系统，其特征在于，贷款评估步骤利用自语言处理、深度学习、机器学习等人工智能技术和智能决策技术（IDT），基于贷款评估涉及内容，构架贷款方案、推荐还款期限、预测贷款利率及贷款定价的整体框架，对信贷方案形成机制展开论述，首先，构建不完全信息动态博弈模型：
输入:
Figure DEST_PATH_IMAGE005
,
Figure DEST_PATH_IMAGE006
,
Figure DEST_PATH_IMAGE007
输出:两个银行的均衡奖励
Figure DEST_PATH_IMAGE008
对于 t=1,2,…T
步骤1: 假设银行2号先采取行动，那么
Max
Figure DEST_PATH_IMAGE009
s.t.
Figure DEST_PATH_IMAGE010
Figure DEST_PATH_IMAGE011
Figure DEST_PATH_IMAGE012
输出: 银行2号的最优策略
Figure DEST_PATH_IMAGE013
步骤 2: 银行 2号采取第一个反措施行动
Max
Figure DEST_PATH_IMAGE014
s.t .
Figure DEST_PATH_IMAGE015
Figure DEST_PATH_IMAGE016
Figure DEST_PATH_IMAGE017
输出:银行1号的最优策略
Figure DEST_PATH_IMAGE018
步骤3: 记录下两个银行在时间t（或大概）的最优策略和奖励
Figure DEST_PATH_IMAGE019
Figure DEST_PATH_IMAGE020
停止。
4.根据权利要求3所述一种基于人工智能深度学习和多参数动态博弈的银行贷款发放与贷后管理决策支持系统，其特征在于，通过非固定马尔科夫链模型的t-Copula仿真，模拟外部风险因素对过渡概率的影响，发放的零售抵押贷款的质量为策略依据，使用t-Copula仿真估计：
Input:
Figure DEST_PATH_IMAGE021
OutPut:
Figure DEST_PATH_IMAGE022
第 1 步：计算 Kendall’s矩阵及其 P 值矩阵然后，在第一列中记录其 P 值小于 5%的重要元素
第2步：使用 Kendall’s矩阵并生成具有自由度的t分布随机变量
Figure DEST_PATH_IMAGE023
第3步：计算多变量累积 t 分布函数：
Figure DEST_PATH_IMAGE024
第4步：计算反向累积分布函数：
Figure DEST_PATH_IMAGE025
第5步：在不同的竞争情景下计算
第6步：通过将步骤 5 到步骤 3 的结果进行映射，计算最终模拟矩阵 M，使 M 中每个元素的联合累积概率分布等效于步骤3 中的 U
第7步：使用矩阵M和相应元素来近似
Figure 702393DEST_PATH_IMAGE022
。
5.根据权利要求4所述一种基于人工智能深度学习和多参数动态博弈的银行贷款发放与贷后管理决策支持系统，其特征在于，利用强化学习深度Q-网络（DQN）算法用于推导出不同策略调整方案下的详细决策过程及根据各种目的执行分析：
估计函数Q 和
Figure DEST_PATH_IMAGE026
Input: the policy π to be evaluated
Output: max Q(S,A),
Figure 642405DEST_PATH_IMAGE026
under different competition scenarios
Initialize Q (s)=0
Repeat (for each episode):
Initialize S
Choose Action A from S using policy derived from Q
Repeat (for each step of episode):
A ← action given by π for S
Take action A, observe R, S'
Choose A' from S' using policy derived from Q
Call Algorithm 3 to get the Transition Probability
Figure DEST_PATH_IMAGE027
Figure DEST_PATH_IMAGE028
If competition scenarios==Competitive
Call Algorithm 1
Figure DEST_PATH_IMAGE029
Figure DEST_PATH_IMAGE030
Figure DEST_PATH_IMAGE031
Else
Call Algorithm 2
Figure DEST_PATH_IMAGE032
Figure 558057DEST_PATH_IMAGE030
Figure DEST_PATH_IMAGE033
until S is null
Stop
最终实现贷款评估模型搭建，实现以算法替代经验，实现智能化分析、自动化识别风险，形成针对用户特征定制的贷款方案。
6.根据权利要求5所述一种基于人工智能深度学习和多参数动态博弈的银行贷款发放与贷后管理决策支持系统，其特征在于，贷款管理步骤主要用于贷款后对于贷款客户的管理决策：其中对于贷款机构和客户之间存在的信息不对称问题，通过运用大数据和云计算对结构化及非结构化数据进行整合分析，系统客观地反映用户风险水平；进行风险实时监控，实现对客户风险的自动识别和量化评估，以便及时掌握客户贷后的异常变化，同时通过马尔科夫决策流程和强化学习 DQN 算法模拟机构调整政策行为；结合当前金融宏观环境及经济周期，考虑市场行为、监管政策等趋势的变化，通过深度学习和集成学习，针对贷款方案动态的进行利率调整及贷款定价，形成对应还款方案，提高信贷效率。
CN201910955530.4A 2019-10-09 2019-10-09 一种基于人工智能深度学习和多参数动态博弈的银行贷款发放与贷后管理决策支持系统 Pending CN112308203A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910955530.4A CN112308203A (zh) 2019-10-09 2019-10-09 一种基于人工智能深度学习和多参数动态博弈的银行贷款发放与贷后管理决策支持系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910955530.4A CN112308203A (zh) 2019-10-09 2019-10-09 一种基于人工智能深度学习和多参数动态博弈的银行贷款发放与贷后管理决策支持系统

Publications (1)

Publication Number Publication Date
CN112308203A true CN112308203A (zh) 2021-02-02

Family

ID=74485610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910955530.4A Pending CN112308203A (zh) 2019-10-09 2019-10-09 一种基于人工智能深度学习和多参数动态博弈的银行贷款发放与贷后管理决策支持系统

Country Status (1)

Country Link
CN (1) CN112308203A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030036996A1 (en) * 2001-08-16 2003-02-20 Lazerson Jeffrey M. Credit/financing process
KR20170037299A (ko) * 2015-09-25 2017-04-04 이태희 통합계좌정보 기반의 실시간 신용리스크 분석 방법 및 시스템
CN107993140A (zh) * 2017-11-22 2018-05-04 深圳市耐飞科技有限公司 一种个人信贷风险评估方法及系统
WO2019021314A1 (en) * 2017-07-26 2019-01-31 Capitaworld Platform Private Limited SYSTEM AND METHOD FOR PREDICTING DEFAULT PROBABILITY AND CREDIT EVALUATION FRAMEWORK
CN109903033A (zh) * 2019-02-25 2019-06-18 重庆邮电大学 一种区块链分布式能源安全交易方法
KR102009309B1 (ko) * 2018-02-28 2019-08-09 주식회사 에이젠글로벌 금융상품 관리자동화 시스템 및 관리자동화 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030036996A1 (en) * 2001-08-16 2003-02-20 Lazerson Jeffrey M. Credit/financing process
KR20170037299A (ko) * 2015-09-25 2017-04-04 이태희 통합계좌정보 기반의 실시간 신용리스크 분석 방법 및 시스템
WO2019021314A1 (en) * 2017-07-26 2019-01-31 Capitaworld Platform Private Limited SYSTEM AND METHOD FOR PREDICTING DEFAULT PROBABILITY AND CREDIT EVALUATION FRAMEWORK
CN107993140A (zh) * 2017-11-22 2018-05-04 深圳市耐飞科技有限公司 一种个人信贷风险评估方法及系统
KR102009309B1 (ko) * 2018-02-28 2019-08-09 주식회사 에이젠글로벌 금융상품 관리자동화 시스템 및 관리자동화 방법
CN109903033A (zh) * 2019-02-25 2019-06-18 重庆邮电大学 一种区块链分布式能源安全交易方法

Similar Documents

Publication Publication Date Title
Bastani et al. Wide and deep learning for peer-to-peer lending
Milana et al. Artificial intelligence techniques in finance and financial markets: a survey of the literature
CN109977151B (zh) 一种数据分析方法及系统
Flögel et al. Will FinTech make regional banks superfluous for small firm finance? Observations from soft information‐based lending in Germany
EP3888026A1 (en) Wealth management systems
WO2022155740A1 (en) Systems and methods for outlier detection of transactions
Kashyap Industrial applications of machine learning
Lyócsa et al. Default or profit scoring credit systems? Evidence from European and US peer-to-peer lending markets
CN109102386A (zh) 基于大数据的风险控制方法及装置
Kunwar Artificial intelligence in finance: Understanding how automation and machine learning is transforming the financial industry
WO2019021314A1 (en) SYSTEM AND METHOD FOR PREDICTING DEFAULT PROBABILITY AND CREDIT EVALUATION FRAMEWORK
US11687936B2 (en) System and method for managing chargeback risk
US20230043286A1 (en) Methods and systems for dynamic spend policy optimization
Farahani et al. Opportunities and challenges of applying artificial intelligence in the financial sectors and startups during the coronavirus outbreak
Yazdipour et al. Firm failure prediction models: a critique and a review of recent developments
Iskandar et al. Indonesian islamic banking fintech model strategy: Anp method
Wagdi et al. The integration of big data and artificial neural networks for enhancing credit risk scoring in emerging markets: Evidence from Egypt
Biswas et al. Automated credit assessment framework using ETL process and machine learning
JP7344609B2 (ja) 確定値及び推定値に基づくデータ定量化方法
CN112308203A (zh) 一种基于人工智能深度学习和多参数动态博弈的银行贷款发放与贷后管理决策支持系统
Nwanakwaugwu et al. Data Mining Business Intelligence Applications in Retail Services Using Artificial Neural Networks
Qadiri et al. Conceptualizing possibilities of artificial intelligence in furtherance of the banking sector: an effective tool for improving customer relationship, customer service and public relations
Nicoletti Digital transformation via open data in insurance
Akkaya et al. Data mining: Concept, techniques and applications
Guo et al. After the collision of crisis and opportunity to redefining the artificial intelligence in finance: the new intelligent finance era

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