CN112330047A - 一种基于用户行为特征的信用卡还款概率预测方法 - Google Patents
一种基于用户行为特征的信用卡还款概率预测方法 Download PDFInfo
- Publication number
- CN112330047A CN112330047A CN202011294383.XA CN202011294383A CN112330047A CN 112330047 A CN112330047 A CN 112330047A CN 202011294383 A CN202011294383 A CN 202011294383A CN 112330047 A CN112330047 A CN 112330047A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- model
- repayment probability
- value
- 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 43
- 238000011835 investigation Methods 0.000 claims abstract description 14
- 238000004140 cleaning Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000007635 classification algorithm Methods 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 20
- 238000012217 deletion Methods 0.000 description 9
- 230000037430 deletion Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012946 outsourcing Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000004599 local-density approximation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于用户行为特征的信用卡还款概率预测方法，首先获取用户相关数据，包括用户交易信息、社交信息、征信信息、APP浏览和网页浏览信息以及催收信息；然后对获取的用户相关数据依次进行清洗；对清洗后的数据构建统计特征、业务特征和编码特征；随后对构建的特征进行筛选，并以筛选出的特征作为单模型输入，以超过设定的阈值天数是否还款作为单模型输出，采用分类算法进行多个单模型训练，并对各模型进行参数调整；将训练、调整后的多个单模型进行融合，获取最优模型；最后将实际待预测的样本用户特征输入最优模型，获取还款概率。与现有技术相比，本发明具有降低成本、提高还款概率预测准确率和稳定性等优点。
Description
技术领域
本发明涉及计算机技术领域，尤其是涉及一种基于用户行为特征的信用卡还款概率预测方法。
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。当前银行领域中，信用卡催收通常以M为时间单位，M0表示第一个还款月，即在未还款的第一个账单日到第一次账单的最后缴款日之间；M1表示第二个还款月，即在未还款的第二个账单日到第二次账单的最后缴款日之间，以此类推。通常在M0阶段银行会通过短信、电话语音提示等方式提示逾期用户还款，M1-M2阶段由银行各信用卡催收中心进行电话催收，M3之后有的外包给催收公司，对于恶意不还款的用户，银行可启动法律程序。
为了降低客户还款违约风险，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还款行为监控来降低业务风险，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。此外，在当前的催收策略中，通常是对所有逾期用户无差别的按照短信、语音提示—信用卡催收中心催收—外包催收—上门催收—诉讼等流程进行催收，无法做到提前预知逾期用户的还款概率，做到因人而异的还款策略和还款催收安排。因此，需要提出一种能够进行还款概率自动监控方法，以避免人为因素影响，并降低催收成本和时间成本，提高催收效率。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于用户行为特征的信用卡还款概率预测方法，该方法根据用户的交易特征、还款行为、浏览记录、社交网络等特征，构建用户还款概率模型，预测用户还款概率，可有效自动实现还款概率的准确预测，大大降低催收成本和时间成本，提高行为监控效率以及催收效率。
本发明的目的可以通过以下技术方案来实现：
一种基于用户行为特征的信用卡还款概率预测方法，该方法包括如下步骤：
获取用户相关数据，包括用户交易信息、社交信息、征信信息、APP浏览和网页浏览信息以及催收信息，并对获取的每一个用户包含的各类信息作为一个样本；
对获取的用户相关数据进行清洗；
对清洗后的数据构建统计特征、业务特征和编码特征；
对构建的特征进行筛选，获取用以训练模型的特征；
以筛选出的特征作为单模型的输入，以超过设定的阈值天数是否还款作为单模型的输出，采用分类算法进行多种类单模型训练，并对各模型进行参数调整，选取出用以融合的最优单模型；
将选取的最优单模型进行融合，获取融合模型；
将实际待预测的样本用户特征输入融合模型，获取还款概率。
进一步地，所述用户相关数据通过银行自有系统、社交网络、银行合作方系统和第三方系统进行获取。
本发明方法对获取的用户相关数据进行清洗的具体内容包括：
a)对用户交易信息、社交信息、征信信息、APP浏览和网页浏览信息以及催收信息中存在唯一值或单一值数量超过95％的值进行删除；
b)对用户交易信息、社交信息、征信信息、APP浏览和网页浏览信息以及催收信息中全空或缺失值占比超过95％的值进行删除；
c)对用户交易信息、社交信息、征信信息、APP浏览和网页浏览信息以及催收信息中重复的数据值进行删除；
d)对全空值、特征95％以上缺失的样本进行删除；
e)对缺失值和异常值进行填充和替换。
在特征构建步骤中，所述统计特征包括用户交易数据、信用卡数据、浏览网页数据、APP浏览数据、征信数据的总和、均值、中位数、众数、标准差和频数。所述业务特征包括根据业务含义构建的特征。所述编码特征包括用户网页浏览记录和APP浏览记录，所述用户网页浏览记录和所述APP浏览记录采用编码方式实现统一长度编码。
对构建的特征进行筛选的具体内容包括：
1)删除低重要性特征：计算各特征的IV值，将IV值小于0.02的特征进行删除；
2)计算特征两两之间的相关系数，若两个特征之间的相关系数大于0.8，则删除二者中IV值小的特征；
3)计算各特征的VIF值，将VIF值大于10的特征进行剔除；
4)对各特征中缺失值占比超过95％以上的特征进行删除；
5)将任意特征之间两两相乘，同时对各特征取平方，生成新的特征。
进一步地，在采用分类算法进行模型训练中，若未超过设定的阈值天数，则将模型输出赋值为0，若超过设定的阈值天数，则将模型输出赋值为1。
进一步地，通过ROC、F1、KS指标评价分类算法中的各个单模型的训练结果，选取最优单模型进行模型融合。
进一步地，本发明方法在获取还款概率后，根据还款概率进行分类，若还款概率大于0.8，则判定其对应的用户为高还款概率用户，若还款概率的值在[0.3，0.8]之间，则判定其对应的用户为中还款概率用户，若还款概率的值在0.3以下，则判定其对应的用户为低还款概率用户。
本发明提供的基于用户行为特征的信用卡还款概率预测方法，相较于现有技术至少包括如下有益效果：
1)本发明通过多渠道获取数据，能够充分挖掘用户行为背后的规律，获取用户行为与还款的关系，结合统计模型、深度学习算法等方法预测用户还款概率，并利用多种模型融合方法，可提高还款概率预测的准确率和稳定性；
2)采用NLP方法将用户浏览行为转化为编码数据，在保证充分挖掘用户行为特征，构建用户行为特征的同时，减少数据处理量和数据处理时间；
3)可以根据业务的变化，不断调整模型参数以及特征，适应不同业务场景下的催收操作；
4)本发明对还款概率进行预测后，根据不同还款概率将用户分类，进而可采取不同催收措施，能够有效提高催收效率，减少催收成本和风险；
5)采用多模型融合，模型输出更稳定。
附图说明
图1为实施例中基于用户行为特征的信用卡还款概率预测方法的流程示意图；
图2为实施例中数据获取步骤示意图；
图3为实施例中数据清洗步骤示意图；
图4为实施例中特征构建步骤示意图；
图5为实施例中特征筛选步骤示意图；
图6为实施例中单模型构建步骤示意图；
图7为实施例中模型融合步骤示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例
本发明涉及一种基于用户行为特征的信用卡还款概率预测方法，如图1所示，该方法包括数据获取、数据清洗、特征构建、特征筛选、单模型构建、多模型融合、预测还款概率、用户分类8个步骤。
数据获取：
该步骤的目的在于通过多种渠道获取用户相关数据，通常包括但不限于银行自有系统、社交网络、第三方系统等渠道，来获取用户交易信息、社交信息、征信信息、APP浏览和网页浏览信息、催收信息等。具体地，可通过自有系统数据接口API，以及其他合作方，如中国人民银行征信系统、第三方等系统数据接口API连接获取数据。获取到的数据将被储存到银行数据分析软件或银行业务系统的工作空间中。获取的每一个用户包含的各类信息作为一个样本。
数据清洗：
将上一步收集到的数据进行清洗，主要包括但不限于缺失值过多特征删除、唯一值特征删除、异常值及缺失值处理等。具体地：
1、针对各种类信息数据中存在唯一值或单一值数量超过95％的、及全空或缺失值占比超过95％的、以及数据值全部重复的特征进行删除。
2、针对全空值、特征95％以上都缺失的样本进行删除。
3、对各种类信息数据中的缺失值和异常值，采用包含但不限于现有技术中常用的均值、中位数、众数、随机森林等方法进行填充和替换。
特征构建：
在这一步中，进行特征构建，包括但不限于统计特征、业务特征、编码特征等特征构建。其中：
1、统计特征：主要包括但不限于对交易数据、信用卡数据、浏览网页数据、APP浏览数据、征信数据等数据进行总和计算、均值计算、中位数计算、众数计算、标准差计算、频数计算，计算的结果作为统计特征。
2、业务特征：主要包括但不限于所有数据根据业务含义构建的特征，例如每月消费额、每月工资收入花完平均时间等业务特征。
3、编码特征：主要对包含但不限于用户网页浏览记录、APP浏览记录等，将用户每浏览的网页看成是一个词，每单次浏览的行为看成一句话，一个用户在研究时间窗口内的浏览行为看成一段话，则可以将用户浏览行为转换为NLP问题，采用包含但不限于word2vec词嵌入法、ELMo、BERT等编码，输出为统一固定长度N的编码。将用户浏览行为转换为NLP问题，并将问题输出某一固定长度N的编码为现有技术，在此不过多赘述。
特征筛选：
根据构建得到的特征，筛选出能够入模的特征，包含但不限于高相关性特征删除、低重要性特征删除、多重共线性删除、缺失值过多删除、特征交叉融合等筛选步骤。具体地：
1、删除低重要性特征：计算各特征的IV值(Information Value，信息价值)，将IV值小于0.02特征删除。
2、删除高相关性特征：计算特征两两之间的相关系数，如果两个特征之间的相关系数大于0.8，则删除IV值小的特征。
3、删除多重共线性特征：计算VIF值(variance inflation factor，方差膨胀系数)，将VIF值大于10的进行剔除。
4、对缺失值占比超过95％以上的特征进行删除。
5、特征交叉：因部分特征为线性特征，部分特征为非线性特征，为获取各特征间是否存在联系及影响，将任意特征之间进行两两相乘，同时对各单个特征对自身取平方，将两两相乘得到的特征以及自身平方得到的特征作为新的特征。
单模型构建：
根据实际需要，在不同场景选择自定义N天为逾期阈值，在逾期N天之前定义为未逾期，赋值为0，逾期N天之后定义为逾期，赋值为1。在本实施例中，以筛选出的特征作为模型输入，以超过60天是否还款为输出，训练模型。采用的模型包括：
1、logistics模型：将筛选出的各特征根据卡方分箱后，进行WOE编码，将编码后的特征输入logistics模型中，并采用逐步回归方法筛选特征，最后只留下P值小于0.1和系数小于0的特征，并通过ROC、F1、KS等指标评价模型。ROC、F1、KS为现有技术中评价模型优劣的常用指标，对其计算方法及评价标准不过多赘述。
2、其他模型：对筛选出的各特征根据性质利用LDA、决策树、神经网络、随机森林、GBDT、XGBOOT、LightGBM模型进行训练，均将数据标准化后，通过包含但不限于网格参数优化、贝叶斯优化等方法进行参数调整，最后采用人工微调的方式进行参数调整，以保证模型达到最优，并同样通过ROC、F1、KS等指标评价模型。在本实施例中，作为优选方案，选择ROC、F1、KS等最大的前5个模型作为最优单模型。
模型融合：
因所有特征中包含线性特征及非线性特征，又因上述各单模型经过训练所学习到的信息不同，侧重点不同，即利用上述五个最优单模型学习到的信息相对片面，若采用单一模型进行预测会存在预测不准确的情况。针对此情况，本步骤将选取的五个最优单模型进行融合，能够有效提高预测的准确率。
采用但不限于voting、averaging、bagging、boosting、stacking等模型融合方法，并最后通过ROC、F1、KS等指标评价，选取最优的模型融合方法，确定为最后的模型。
还款概率预测与用户分类：
根据融合后的模型，将新的样本用户特征输入融合模型中，输出0到1的值p，该值越大说明逾期的可能性越大，设还款概率为p1＝1-p，则可知，p1越大还款的可能性越大。新的样本用户特征同样是经过数据采集、数据清洗、数据构建步骤得到的。
根据需要，可将用户分为多种类型，如高、中、低还款概率三类，作为优选方案，将p1的值大于0.8的判定为高还款概率用户，将p1的值在0.3-0.8判定为中还款概率用户，将p1的值在0.3以下为低还款概率用户。
根据用户分类，采取不同的催收措施，对于高还款概率用户，继续短信和语音提示还款即可；对于中还款概率用户，采用催收人员电话催收等方式继续进行；对于低还款概率用户，直接采用上门催收或其他催收方式。
本发明通过多渠道获取数据，能够充分挖掘用户行为背后的规律，获取用户行为与还款的关系，结合统计模型、深度学习算法等方法预测用户还款概率，并利用多种模型融合方法，可提高还款概率预测的准确率和稳定性；本发明对还款概率进行预测后，根据不同还款概率将用户分类，进而可采取不同催收措施，能够有效提高催收效率，减少催收成本和风险。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于用户行为特征的信用卡还款概率预测方法，其特征在于，包括：
获取用户相关数据，包括用户交易信息、社交信息、征信信息、APP浏览和网页浏览信息以及催收信息，并对获取的每一个用户包含的各类信息作为一个样本；
对获取的用户相关数据进行清洗；
对清洗后的数据构建统计特征、业务特征和编码特征；
对构建的特征进行筛选，获取用以训练模型的特征；
以筛选出的特征作为单模型的输入，以超过设定的阈值天数是否还款作为单模型的输出，采用分类算法进行多种类单模型训练，并对各模型进行参数调整，选取出用以融合的最优单模型；
将选取的最优单模型进行融合，获取融合模型；
将实际待预测的样本用户特征输入融合模型，获取还款概率。
2.根据权利要求1所述的基于用户行为特征的信用卡还款概率预测方法，其特征在于，所述用户相关数据通过银行自有系统、社交网络、银行合作方系统和第三方系统进行获取。
3.根据权利要求1所述的基于用户行为特征的信用卡还款概率预测方法，其特征在于，对获取的用户相关数据进行清洗的具体内容包括：
a)对用户交易信息、社交信息、征信信息、APP浏览和网页浏览信息以及催收信息中存在唯一值或单一值数量超过95％的值进行删除；
b)对用户交易信息、社交信息、征信信息、APP浏览和网页浏览信息以及催收信息中全空或缺失值占比超过95％的值进行删除；
c)对用户交易信息、社交信息、征信信息、APP浏览和网页浏览信息以及催收信息中重复的数据值进行删除；
d)对全空值、特征95％以上缺失的样本进行删除；
e)对缺失值和异常值进行填充和替换。
4.根据权利要求1所述的基于用户行为特征的信用卡还款概率预测方法，其特征在于，所述统计特征包括用户交易数据、信用卡数据、浏览网页数据、APP浏览数据、征信数据的总和、均值、中位数、众数、标准差和频数。
5.根据权利要求1所述的基于用户行为特征的信用卡还款概率预测方法，其特征在于，所述业务特征包括根据业务含义构建的特征。
6.根据权利要求1所述的基于用户行为特征的信用卡还款概率预测方法，其特征在于，所述编码特征包括用户网页浏览记录和APP浏览记录，所述用户网页浏览记录和所述APP浏览记录采用编码方式实现统一长度编码。
7.根据权利要求1所述的基于用户行为特征的信用卡还款概率预测方法，其特征在于，对构建的特征进行筛选的具体内容包括：
1)删除低重要性特征：计算各特征的IV值，将IV值小于0.02的特征进行删除；
2)计算特征两两之间的相关系数，若两个特征之间的相关系数大于0.8，则删除二者中IV值小的特征；
3)计算各特征的VIF值，将VIF值大于10的特征进行剔除；
4)对各特征中缺失值占比超过95％以上的特征进行删除；
5)将任意特征之间两两相乘，同时对各特征取平方，生成新的特征。
8.根据权利要求1所述的基于用户行为特征的信用卡还款概率预测方法，其特征在于，在采用分类算法进行模型训练中，若未超过设定的阈值天数，则将模型输出赋值为0，若超过设定的阈值天数，则将模型输出赋值为1。
9.根据权利要求8所述的基于用户行为特征的信用卡还款概率预测方法，其特征在于，通过ROC、F1、KS指标评价分类算法中的各个单模型的训练结果，选取最优单模型进行模型融合。
10.根据权利要求9所述的基于用户行为特征的信用卡还款概率预测方法，其特征在于，获取还款概率后，根据还款概率进行分类，若还款概率大于0.8，则判定其对应的用户为高还款概率用户，若还款概率的值在[0.3，0.8]之间，则判定其对应的用户为中还款概率用户，若还款概率的值在0.3以下，则判定其对应的用户为低还款概率用户。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011294383.XA CN112330047A (zh) | 2020-11-18 | 2020-11-18 | 一种基于用户行为特征的信用卡还款概率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011294383.XA CN112330047A (zh) | 2020-11-18 | 2020-11-18 | 一种基于用户行为特征的信用卡还款概率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112330047A true CN112330047A (zh) | 2021-02-05 |
Family
ID=74321204
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011294383.XA Pending CN112330047A (zh) | 2020-11-18 | 2020-11-18 | 一种基于用户行为特征的信用卡还款概率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112330047A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113065945A (zh) * | 2021-03-17 | 2021-07-02 | 上海浦东发展银行股份有限公司 | 一种催收核销客户还款意愿分类方法及系统 |
| CN113177643A (zh) * | 2021-05-24 | 2021-07-27 | 北京融七牛信息技术有限公司 | 一种基于大数据的自动建模系统 |
| CN113392149A (zh) * | 2021-06-15 | 2021-09-14 | 浙江大学 | 一种基于多源异构数据融合的贷款逾期预测方法 |
| CN115297212A (zh) * | 2022-06-25 | 2022-11-04 | 上海浦东发展银行股份有限公司 | 基于机器学习的语音机器人催收方法、系统、设备及介质 |
| CN117217807A (zh) * | 2023-11-08 | 2023-12-12 | 四川智筹科技有限公司 | 一种基于多模态高维特征的不良资产估值算法 |
| CN118071487A (zh) * | 2023-12-28 | 2024-05-24 | 苏州磐锋科技有限公司 | 一种个人信贷回款预测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106408325A (zh) * | 2016-08-29 | 2017-02-15 | 深圳市爱贝信息技术有限公司 | 基于用户支付信息的用户消费行为预测分析方法及系统 |
| CN106503873A (zh) * | 2016-11-30 | 2017-03-15 | 腾云天宇科技（北京）有限公司 | 一种预测用户守约概率的方法、装置和计算设备 |
| CN108256691A (zh) * | 2018-02-08 | 2018-07-06 | 成都智宝大数据科技有限公司 | 还款概率预测模型构建方法及装置 |
| CN110264340A (zh) * | 2019-06-12 | 2019-09-20 | 重庆无界领智普惠商务信息咨询有限公司 | 一种基于机器学习的p2p网贷客户信用评分方法及系统 |
| CN110866819A (zh) * | 2019-10-18 | 2020-03-06 | 华融融通（北京）科技有限公司 | 一种基于元学习的自动化信贷评分卡生成方法 |
| CN111199469A (zh) * | 2019-12-12 | 2020-05-26 | 北京淇瑀信息科技有限公司 | 用户还款模型生成方法、装置及电子设备 |
| CN111311402A (zh) * | 2020-03-30 | 2020-06-19 | 百维金科(上海)信息科技有限公司 | 一种基于XGBoost的互联网金融风控模型 |
| CN111612549A (zh) * | 2020-05-28 | 2020-09-01 | 中认英泰检测技术有限公司 | 一种平台运营服务系统的构建方法 |
-
2020
- 2020-11-18 CN CN202011294383.XA patent/CN112330047A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106408325A (zh) * | 2016-08-29 | 2017-02-15 | 深圳市爱贝信息技术有限公司 | 基于用户支付信息的用户消费行为预测分析方法及系统 |
| CN106503873A (zh) * | 2016-11-30 | 2017-03-15 | 腾云天宇科技（北京）有限公司 | 一种预测用户守约概率的方法、装置和计算设备 |
| CN108256691A (zh) * | 2018-02-08 | 2018-07-06 | 成都智宝大数据科技有限公司 | 还款概率预测模型构建方法及装置 |
| CN110264340A (zh) * | 2019-06-12 | 2019-09-20 | 重庆无界领智普惠商务信息咨询有限公司 | 一种基于机器学习的p2p网贷客户信用评分方法及系统 |
| CN110866819A (zh) * | 2019-10-18 | 2020-03-06 | 华融融通（北京）科技有限公司 | 一种基于元学习的自动化信贷评分卡生成方法 |
| CN111199469A (zh) * | 2019-12-12 | 2020-05-26 | 北京淇瑀信息科技有限公司 | 用户还款模型生成方法、装置及电子设备 |
| CN111311402A (zh) * | 2020-03-30 | 2020-06-19 | 百维金科(上海)信息科技有限公司 | 一种基于XGBoost的互联网金融风控模型 |
| CN111612549A (zh) * | 2020-05-28 | 2020-09-01 | 中认英泰检测技术有限公司 | 一种平台运营服务系统的构建方法 |
Non-Patent Citations (3)
| Title |
|---|
| 大佛山人才网: "申请一笔互联网贷款，会被搜集哪些数据？", Retrieved from the Internet <URL:https://www.sohu.com/a/249357149_186233?trans=000019wzwza&aria=ghb> * |
| 数据分析入门与实战: "四个xgb模型融合拿下金融风控冠军，是如何做特征工程的？", Retrieved from the Internet <URL:https://www.sohu.com/a/256808658_787107> * |
| 陈飞 等: "基于机器学习的互联网金融机构信用风险识别", 金融科技时代, no. 1, pages 349 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113065945A (zh) * | 2021-03-17 | 2021-07-02 | 上海浦东发展银行股份有限公司 | 一种催收核销客户还款意愿分类方法及系统 |
| CN113177643A (zh) * | 2021-05-24 | 2021-07-27 | 北京融七牛信息技术有限公司 | 一种基于大数据的自动建模系统 |
| CN113392149A (zh) * | 2021-06-15 | 2021-09-14 | 浙江大学 | 一种基于多源异构数据融合的贷款逾期预测方法 |
| CN115297212A (zh) * | 2022-06-25 | 2022-11-04 | 上海浦东发展银行股份有限公司 | 基于机器学习的语音机器人催收方法、系统、设备及介质 |
| CN115297212B (zh) * | 2022-06-25 | 2024-09-27 | 上海浦东发展银行股份有限公司 | 基于机器学习的语音机器人催收方法、系统、设备及介质 |
| CN117217807A (zh) * | 2023-11-08 | 2023-12-12 | 四川智筹科技有限公司 | 一种基于多模态高维特征的不良资产估值算法 |
| CN117217807B (zh) * | 2023-11-08 | 2024-01-26 | 四川智筹科技有限公司 | 一种基于多模态高维特征的不良资产估值方法 |
| CN118071487A (zh) * | 2023-12-28 | 2024-05-24 | 苏州磐锋科技有限公司 | 一种个人信贷回款预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112330047A (zh) | 一种基于用户行为特征的信用卡还款概率预测方法 | |
| Koh et al. | A two-step method to construct credit scoring models with data mining techniques | |
| CN107403326A (zh) | 一种基于电信数据的保险欺诈识别方法及装置 | |
| CN110837963A (zh) | 一种基于数据、模型及策略的风险控制平台建设方法 | |
| CN111061948B (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
| CN117455417B (zh) | 一种智能风控审批策略自动迭代优化方法及系统 | |
| CN112633962A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
| CN110728301A (zh) | 一种个人用户的信用评分方法、装置、终端及存储介质 | |
| CN110807699A (zh) | 逾期事件的回款催收方法及装置、计算机可读存储介质 | |
| CN116664012A (zh) | 一种基于大数据分析的企业信用评估方法及系统 | |
| CN113344438A (zh) | 对贷中行为进行监控的贷款系统、监控方法、设备及介质 | |
| CN112200665A (zh) | 一种授信额度的确定方法及装置 | |
| CN114841705A (zh) | 一种基于场景识别的反欺诈监测方法 | |
| CN114493686A (zh) | 一种运营内容生成推送方法及装置 | |
| CN114219611A (zh) | 贷款额度计算方法、装置、计算机设备和存储介质 | |
| CN114021612A (zh) | 一种新型个人信用评估方法及系统 | |
| CN113052422A (zh) | 风控模型训练方法和用户信用评估方法 | |
| KR102336462B1 (ko) | 신용평가정보 제공 장치 및 방법 | |
| CN114529402A (zh) | 一种基于大数据风控的信贷管理方法、设备及介质 | |
| CN115829073A (zh) | 对象识别方法、装置、设备及可读存储介质、程序产品 | |
| CN110956471A (zh) | 装修行业征信数据的分析方法 | |
| Wang et al. | Diminishing downsides of data mining | |
| CN113822490B (zh) | 基于人工智能的资产清收方法及装置、电子设备 | |
| CN118691393A (zh) | 构建零售信用风险预测模型的方法和零售信贷Scoresigmam1模型 | |
| CN118761773A (zh) | 一种基于业务配置的账单支付系统 |
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 |