CN112785418A - 信贷风险建模方法、装置、设备及计算机可读存储介质 - Google Patents
信贷风险建模方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112785418A CN112785418A CN202110091086.3A CN202110091086A CN112785418A CN 112785418 A CN112785418 A CN 112785418A CN 202110091086 A CN202110091086 A CN 202110091086A CN 112785418 A CN112785418 A CN 112785418A
- Authority
- CN
- China
- Prior art keywords
- modeling
- credit risk
- credit
- customer
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000012502 risk assessment Methods 0.000 claims abstract description 99
- 238000011156 evaluation Methods 0.000 claims abstract description 34
- 238000005457 optimization Methods 0.000 claims description 20
- 238000013210 evaluation model Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012954 risk control Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种信贷风险建模方法、装置、设备及计算机可读存储介质,所述方法包括:接收用户设置信息,其中,所述用户设置信息包括建模特征属性、拟合目标、模型评估指标、各建模类型和各所述建模类型对应的参数组合范围;分别按照各所述建模类型和自身对应的所述参数组合范围对客户信贷数据集进行拟合,得到各待选信贷风险评估模型,其中,所述客户信贷数据集为与所述建模特征属性和所述拟合目标对应的数据集;计算并输出各所述待选信贷风险评估模型与所述模型评估指标对应的指标值。本发明实现了用户能够根据指标值从繁多的建模方法中快速选择符合要求的建模方法,从而在建模过程中减少了用户的手动操作,提高了客户信贷风险建模的效率。
Description
技术领域
本发明涉及风险控制技术领域,尤其涉及一种信贷风险建模方法、装置、设备及计算机可读存储介质。
背景技术
信贷风控是指对信用借款客户的信用、收入、资产、还款意愿、还款能力、违约成本等的综合性风险控制审批,涉及贷前审查、贷中审批、贷后管理等风险控制环节。目前为提高对客户风险评估的效率,将机器学习技术应用于信贷风险评估,采用机器学习方法进行信贷风险建模,得到能够用于评估客户信贷风险的模型。但是目前的建模过程中,需要用户手动拟合多种机器学习模型,才能够通过比较得到最优的适用于建模的模型方法,这种方法建模效率低。
发明内容
本发明的主要目的在于提供一种信贷风险建模方法、装置、设备及计算机可读存储介质,旨在解决目前信贷风险建模需要用户手动拟合多种机器学习模型,建模效率低的技术问题。
为实现上述目的,本发明提供一种信贷风险建模方法,所述方法包括以下步骤:
接收用户设置信息,其中,所述用户设置信息包括建模特征属性、拟合目标、模型评估指标、各建模类型和各所述建模类型对应的参数组合范围;
分别按照各所述建模类型和自身对应的所述参数组合范围对客户信贷数据集进行拟合,得到各待选信贷风险评估模型,其中,所述客户信贷数据集为与所述建模特征属性和所述拟合目标对应的数据集;
计算并输出各所述待选信贷风险评估模型与所述模型评估指标对应的指标值。
可选地,所述分别按照各所述建模类型和自身对应的所述参数组合范围对客户信贷数据集进行拟合,得到各待选信贷风险评估模型的步骤包括:
将各所述建模类型各自的所述参数组合范围,输入各所述建模类型各自对应的建模模块,以调用各所述建模模块对所述客户信贷数据集进行拟合;
获取各所述建模模块拟合得到的各待选信贷风险评估模型。
可选地,所述用户设置信息还包括参数优化方法,所述将各所述建模类型各自的所述参数组合范围,输入各所述建模类型各自对应的建模模块的步骤包括:
获取各所述建模类型对应的建模模块中与所述参数优化方法对应的目标建模模块;
将各所述建模类型各自的所述参数组合范围,输入各所述建模类型各自对应的所述目标建模模块,以调用各所述目标建模模块对客户信贷数据进行拟合。
可选地,所述计算并输出各所述待选信贷风险评估模型与所述模型评估指标对应的指标值的步骤之后,还包括:
接收用户基于所述指标值触发的模型选择指令;
将所述模型选择指令中携带的待选信贷风险评估模型作为目标信贷风险评估模型。
可选地,所述将所述模型选择指令中携带的待选信贷风险评估模型作为目标信贷风险评估模型的步骤之后,还包括:
获取待评估客户的信贷数据,其中,所述信贷数据包括所述待评估客户在所述建模特征属性下的属性值;
将所述信贷数据输入所述目标信贷风险评估模型进行处理,得到所述待评估客户的信贷风险评估结果。
可选地,所述分别按照各所述建模类型和自身对应的所述参数组合范围对客户信贷数据集进行拟合,得到各待选信贷风险评估模型的步骤之前,还包括:
获取原始客户数据;
从所述原始客户数据中筛选出各客户在所述建模特征属性下的客户信贷数据,以及各所述客户与所述拟合目标对应的标签数据;
采用各所述客户信贷数据和各所述标签数据构建所述客户信贷数据集。
可选地,当所述模型评估指标包括多个指标时,所述计算并输出各所述待选信贷风险评估模型与所述模型评估指标对应的指标值的步骤包括:
计算各所述待选信贷风险评估模型与各所述模型评估指标对应的指标值;
生成包含各所述指标值的表格,并输出显示所述表格。
为实现上述目的,本发明还提供一种信贷风险建模装置,所述装置包括:
接收模块,用于接收用户设置信息,其中,所述用户设置信息包括建模特征属性、拟合目标、模型评估指标、各建模类型和各所述建模类型对应的参数组合范围;
拟合模块,用于分别按照各所述建模类型和自身对应的所述参数组合范围对客户信贷数据集进行拟合,得到各待选信贷风险评估模型,其中,所述客户信贷数据集为与所述建模特征属性和所述拟合目标对应的数据集;
输出模块,用于计算并输出各所述待选信贷风险评估模型与所述模型评估指标对应的指标值。
为实现上述目的,本发明还提供一种信贷风险建模设备,所述信贷风险建模设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的信贷风险建模程序,所述信贷风险建模程序被所述处理器执行时实现如上所述的信贷风险建模方法的步骤。
此外,为实现上述目的,本发明还提出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信贷风险建模程序,所述信贷风险建模程序被处理器执行时实现如上所述的信贷风险建模方法的步骤。
本发明中,通过接收包括建模特征属性、拟合目标、模型评估指标、各建模类型和各建模类型对应的参数组合范围的用户设置信息,并按照各建模类型和自身对应的参数组合范围拟合客户信贷数据集,得到各个待选信贷风险评估模型,计算各个待选信贷风险评估模型与该模型评估指标对应的指标值,并输出各个指标值,实现了用户只需要设置好各个建模信息,即可自动拟合多种建模类型下的信贷风险评估模型,并通过直观地输出各个模型的指标值,使得用户能够根据指标值从繁多的建模方法中快速选择符合要求的建模方法,从而在建模过程中减少了用户的手动操作,提高了客户信贷风险建模的效率。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的结构示意图;
图2为本发明信贷风险建模方法第一实施例的流程示意图;
图3为本发明实施例涉及的一种建模流程示意图;
图4为本发明信贷风险建模装置较佳实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
需要说明的是,本发明实施例信贷风险建模设备可以是智能手机、个人计算机和服务器等设备,在此不做具体限制。
如图1所示,该信贷风险建模设备可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的设备结构并不构成对信贷风险建模设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及信贷风险建模程序。操作系统是管理和控制设备硬件和软件资源的程序,支持信贷风险建模程序以及其它软件或程序的运行。在图1所示的设备中,用户接口1003主要用于与客户端进行数据通信;网络接口1004主要用于与服务器建立通信连接;而处理器1001可以用于调用存储器1005中存储的信贷风险建模程序,并执行以下操作:
接收用户设置信息,其中,所述用户设置信息包括建模特征属性、拟合目标、模型评估指标、各建模类型和各所述建模类型对应的参数组合范围;
分别按照各所述建模类型和自身对应的所述参数组合范围对客户信贷数据集进行拟合,得到各待选信贷风险评估模型,其中,所述客户信贷数据集为与所述建模特征属性和所述拟合目标对应的数据集;
计算并输出各所述待选信贷风险评估模型与所述模型评估指标对应的指标值。
进一步地,所述分别按照各所述建模类型和自身对应的所述参数组合范围对客户信贷数据集进行拟合,得到各待选信贷风险评估模型的步骤包括:
将各所述建模类型各自的所述参数组合范围,输入各所述建模类型各自对应的建模模块,以调用各所述建模模块对客户信贷数据进行拟合;
获取各所述建模模块拟合得到的各待选信贷风险评估模型。
进一步地,所述用户设置信息还包括参数优化方法,所述将各所述建模类型各自的所述参数组合范围,输入各所述建模类型各自对应的建模模块的步骤包括:
获取各所述建模类型对应的建模模块中与所述参数优化方法对应的目标建模模块;
将各所述建模类型各自的所述参数组合范围,输入各所述建模类型各自对应的所述目标建模模块,以调用各所述目标建模模块对所述客户信贷数据集进行拟合。
进一步地,所述计算并输出各所述待选信贷风险评估模型与所述模型评估指标对应的指标值的步骤之后,处理器1001还可以用于调用存储器1005中存储的信贷风险建模程序,并执行以下操作:
接收用户基于所述指标值触发的模型选择指令;
将所述模型选择指令中携带的待选信贷风险评估模型作为目标信贷风险评估模型。
进一步地,所述将所述模型选择指令中携带的待选信贷风险评估模型作为目标信贷风险评估模型的步骤之后,处理器1001还可以用于调用存储器1005中存储的信贷风险建模程序,并执行以下操作:
获取待评估客户的信贷数据,其中,所述信贷数据包括所述待评估客户在所述建模特征属性下的属性值;
将所述信贷数据输入所述目标信贷风险评估模型进行处理,得到所述待评估客户的信贷风险评估结果。
进一步地,所述分别按照各所述建模类型和自身对应的所述参数组合范围对客户信贷数据集进行拟合,得到各待选信贷风险评估模型的步骤之前,处理器1001还可以用于调用存储器1005中存储的信贷风险建模程序,并执行以下操作:
获取原始客户数据;
从所述原始客户数据中筛选出各客户在所述建模特征属性下的客户信贷数据,以及各所述客户与所述拟合目标对应的标签数据;
采用各所述客户信贷数据和各所述标签数据构建所述客户信贷数据集。
进一步地,当所述模型评估指标包括多个指标时,所述计算并输出各所述待选信贷风险评估模型与所述模型评估指标对应的指标值的步骤包括:
计算各所述待选信贷风险评估模型与各所述模型评估指标对应的指标值;
生成包含各所述指标值的表格,并输出显示所述表格。
基于上述的结构,提出信贷风险建模方法的各个实施例。
参照图2,图2为本发明信贷风险建模方法第一实施例的流程示意图。
本发明实施例提供了信贷风险建模方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。本发明信贷风险建模方法各个实施例的执行主体可以是智能手机、个人计算机和服务器等设备,为便于描述,以下各实施例中以建模设备为执行主体进行阐述。在本实施例中,信贷风险建模方法包括:
步骤S10,接收用户设置信息,其中,所述用户设置信息包括建模特征属性、拟合目标、模型评估指标、各建模类型和各所述建模类型对应的参数组合范围;
在本实施例中,建模设备可输出显示建模交互界面。在建模交互界面中,可以配置供用户输入设置信息的输入控件,或者设置供用户选择设置信息的选择控件。建模设备接收用户基于建模交互界面输入的用户设置信息。其中,用户设置信息可以包括建模特征属性、拟合目标、模型评估指标、各建模类型和各建模类型对应的参数组合范围。其中,建模特征属性即模型的输入变量,一般采用X来表示,用户可以设置与客户信贷风险相关的特征属性作为建模特征属性,例如客户的年龄、学历、收入、历史贷款次数和历史逾期次数等。建模交互界面中可以预先配置多种可选的特征属性,供用户从中选取想要使用的建模特征属性。拟合目标即模型的输出结果,一般采用Y来表示,用户可以根据想要获得的评估结果来设置拟合目标,例如,可以设置为客户违约的概率。建模交互界面中可以预先配置多种可选的拟合目标,供用户从中选择想要使用的拟合目标。模型评估指标即评估训练得到的模型性能好坏的指标,例如KS(区分度指标)和PSI(Population Stability Index,群体稳定性指标)等,用户可以根据需要设置一个或多个指标作为模型评估指标。建模交互界面中可以预先设置多种可选的模型评估指标供用户选择。建模类型是指机器学习模型的类型,例如GBDT(梯度提升树)、RF(随机森林)和LR(逻辑回归)等,用户可以设置多种建模类型。建模交互界面中可以预先设置多种可选的建模类型,供用户从其中选择想要使用的几种建模类型。建模类型对应的参数组合范围是指机器学习模型中各个模型参数和超参数的取值范围,各个建模类型对应参数类型是不同的,故用户可对各个建模类型分别设置参数组合范围。建模交互界面中可预先设置供用户输入参数组合范围的输入控件,或预先设置多种参数组合范围供用户选择,也可以是设置各类建模类型的默认参数组合范围,在用户未设置参数组合范围的情况下,建模设备直接使用默认参数组合范围。
步骤S20,分别按照各所述建模类型和自身对应的所述参数组合范围对客户信贷数据集进行拟合,得到各待选信贷风险评估模型,其中,所述客户信贷数据集为与所述建模特征属性和所述拟合目标对应的数据集;
在接收到用户设置信息后,建模设备可按照各建模类型和其对应的参数组合范围对客户信贷数据进行拟合,得到各个待选信贷风险评估模型。也即,对于每个建模类型,按照该建模类型和该建模类型对应的参数组合范围对客户信贷数据进行拟合,得到该建模类型对应的信贷风险评估模型,将该信贷风险评估模型作为一个待选信贷风险评估模型。每种建模类型对应得到一个待选信贷风险评估模型,最终得到多个待选信贷风险评估模型。其中,客户信贷数据集是与建模特征属性和拟合目标对应的数据集,也即,该数据集中各个客户的信贷数据包括了建模特征属性下的数据,数据集还包括了各个客户与拟合目标对应的标签数据。客户信贷数据集可以是用户上传至建模设备的,也可以是用户从其他设备中导入建模设备的。拟合模型的方法可以按照建模类型对应的机器学习方法进行拟合,在本实施例中不作详细赘述。
步骤S30,计算并输出各所述待选信贷风险评估模型与所述模型评估指标对应的指标值。
建模设备在拟合得到各个待选信贷风险评估模型后,可计算出各个待选信贷风险评估模型与模型评估指标对应的指标值。也即,对于每一个待选信贷风险评估模型,建模设备采用测试数据集测试该模型在该模型评估指标下的指标值。需要说明的是,模型评估指标的计算方法可采用现有的计算方法,在本实施例中不作详细赘述。
建模设备在计算得到各个待选信贷风险评估模型对应的指标值后,可以将各个指标值输出,具体可以输出显示在建模交互界面,以供用户能够直观地了解各个模型的性能好坏,进而根据需要选择最优的模型用于评估用户的信贷风险。
在一种实施方式中,建模设备也可以直接比较各个待选信贷风险评估模型的指标值,确定出最优的待选信贷风险评估模型,将该模型作为最终的目标信贷风险评估模型。具体地,建模设备预先设定了指标值的大小与模型性能好坏的对应关系,例如,指标值越大表示模型性能越好,则建模设备可以将指标值最大的待选信贷风险评估模型作为目标信贷风险评估模型。
进一步地,在另一实施方式中,所述步骤S30之后,还包括:
步骤S40,接收用户基于所述指标值触发的模型选择指令;
建模设备在输出各个待选信贷风险评估模型的指标值后,用户可以通过对各个指标值进行分析,选择想要使用的模型。建模交互界面中可以设置供用选择模型的选择控件,用户通过选择控件触发模型选择指令。建模设备接收用户触发的模型选择指令。
步骤S50,将所述模型选择指令中携带的待选信贷风险评估模型作为目标信贷风险评估模型。
模型选择指令中携带有一个或多个待选信贷风险评估模型,建模设备将模型选择指令中携带的待选信贷风险评估模型作为目标信贷风险评估模型。
在一实施方式中,用户可以对一个或多个建模类型重新设置参数组合范围,则建模设备基于重新设置的参数组合范围在该建模类型对应的待选信贷风险评估模型上再继续进行拟合或者重新拟合,得到该建模类型对应的新的待选信贷风险评估模型,再计算该新的待选信贷风险评估模型的指标值,将指标值输出,以供用户分析重新设置参数组合范围后的模型的模型性能。
在本实施例中,通过接收包括建模特征属性、拟合目标、模型评估指标、各建模类型和各建模类型对应的参数组合范围的用户设置信息,并按照各建模类型和自身对应的参数组合范围拟合客户信贷数据集,得到各个待选信贷风险评估模型,计算各个待选信贷风险评估模型与该模型评估指标对应的指标值,并输出各个指标值,实现了用户只需要设置好各个建模信息,即可自动拟合多种建模类型下的信贷风险评估模型,并通过直观地输出各个模型的指标值,使得用户能够根据指标值从繁多的建模方法中选择符合要求的建模方法,从而在建模过程中减少了用户的手动操作,提高了客户信贷风险建模的效率。
进一步地,所述步骤S50之后,还包括:
步骤S60,获取待评估客户的信贷数据,其中,所述信贷数据包括所述待评估客户在所述建模特征属性下的属性值;
步骤S70,将所述信贷数据输入所述目标信贷风险评估模型进行处理,得到所述待评估客户的信贷风险评估结果。
进一步地,在建模设备确定目标信贷风险评估模型后,可采用该模型在业务流程中对客户进行风险评估。具体地,建模设备可获取待评估客户的信贷数据,其中,客户的信贷数据包括待评估客户在建模特征属性下的属性值。待评估客户的信贷数据可以是由办理信贷业务的业务人员上传至建模设备的,也可以是建模设备与信贷业务服务器通信连接,客户登录业务办理客户端,并在客户端中输入自己的信贷数据,客户端将携带有信贷数据的风险评估请求发送给信贷业务服务器,信贷业务服务器转发给建模设备,建模设备将该客户的信贷数据输入目标信贷风险评估模型进行处理,得到待评估客户的信贷风险评估结果。或者,在其他实施方式中,建模设备在得到目标信贷风险评估模型后,可将该模型发送给信贷业务服务器,由信贷业务服务器来使用该模型对客户进行信贷风险评估。
根据用户设置的拟合目标不同,输出的信贷风险评估结果的形式不同,例如,拟合目标是客户属于高风险客户的概率,则信贷风险评估结果是待评估客户属于高风险客户的概率。建模设备可输出该信贷风险评估结果,或者将该信贷风险评估结果做转换后输出,例如,当信贷风险评估结果是待评估客户属于高风险客户的概率时,建模设备可将该概率与一个预设阈值进行比较,若大于该阈值,则确定待评估客户是高风险客户,若不大于该阈值,则确定待评估客户不是高风险客户,建模设备将概率转换为表示客户是否为高风险客户的结果,将该结果输出。
进一步地,基于上述第一实施例,提出本发明信贷风险建模方法的第二实施例,在本实施例中,所述步骤S20包括:
步骤S201,将各所述建模类型各自的所述参数组合范围,输入各所述建模类型各自对应的建模模块,以调用各所述建模模块对所述客户信贷数据集进行拟合;
步骤S202,获取各所述建模模块拟合得到的各待选信贷风险评估模型。
建模设备中可以预先配置各个建模类型对应的建模模块。建模模块可以是根据建模类型对应的机器学习方法编写并封装好的可调用的程序模块,执行该建模模块即可完成对应的建模过程,得到建模后的模型。建模设备在接收到用户设置信息后,对于用户设置信息中的每一种建模类型,可以将该建模类型对应参数组合范围,输入至该建模类型对应的建模模块,以调用该建模模块对客户信贷数据进行拟合,得到该建模类型对应的待选信贷风险评估模型,该建模模块将该待选信贷风险评估模型作为返回结果返回。
建模设备获取各个建模模块拟合得到的各个待选信贷风险评估模型。
在一实施方式中,建模设备可以是分布式集群的主机,各个建模模块分别部署于分布式集群的各个执行机中,主机将客户信贷数据集发送给各个执行机,并将建模类型对应的参数组合范围发送给部署有该建模类型对应的建模模块的执行机。执行机在接收到参数组合范围后,调用建模模块按照该参数组合范围对客户信贷数据集进行拟合,得到待选信贷风险评估模型,并将该模型返回给主机。主机接收各个执行机返回的待选信贷风险评估模型。
在本实施例中,通过分布式集群的执行机来分别进行各种建模类型的建模,提高了建模效率,也降低了建模设备的计算压力。
进一步地,在一实施方式中,所述用户设置信息还包括参数优化方法,所述步骤S201包括:
步骤S2011,获取各所述建模类型对应的建模模块中与所述参数优化方法对应的目标建模模块;
建模交互界面中还可以设置供用户选择参数优化方法的选择控件。建模设备接收用户通过建模交互界面选择的参数优化方法。其中,参数优化方法是指建模过程中寻找模型的最优参数的方法,例如梯度下降法、共轭梯度法等。对于一种建模类型,可以分别设置不同的参数优化方法对应的建模模块,也即,对于不同的参数优化方法,需要不同的程序算法来实现。当用户设置信息中还包括参数优化方法时,建模设备可以从建模类型对应的多个建模模块中,选取该参数优化方法对应的建模模块作为目标建模模块。那么每一个建模类型对应一个目标建模模块。
步骤S2012,将各所述建模类型各自的所述参数组合范围,输入各所述建模类型各自对应的所述目标建模模块,以调用各所述目标建模模块对客户信贷数据进行拟合。
建模设置将建模类型对应的参数组合范围,输入至该建模类型对应的目标建模模块,以调用该目标建模模块对客户信贷数据进行拟合,得到该建模类型对应的待选信贷风险评估模型。
在本实施例中,通过设置供用户设置参数优化方法的界面,并配置不同的参数优化方法对应的建模模块,使得用户能够选择采用不同的参数优化方法来进行建模,进而能够对比采用不同的参数优化方法构建的模型的性能。
进一步地,基于上述第一和/或第二实施例,提出本发明信贷风险建模方法的第三实施例,在本实施例中,所述步骤S20之前,还包括:
步骤A10,获取原始客户数据;
在本实施例中,建模设备可以获取用户上传的原始客户数据,或获取从其他设备中导入的原始客户数据。原始客户数据中包括了客户在多个特征属性下的数据,其中包括了建模特征属性下的数据,也包括了非建模特征属性下的数据;原始客户数据中可能还包括了客户的多种标签数据,其中包括与拟合目标对应的标签数据,也可能包括其他标签数据。
步骤A20,从所述原始客户数据中筛选出各客户在所述建模特征属性下的客户信贷数据,以及各所述客户与所述拟合目标对应的标签数据;
建模设备可从原始客户数据中筛选出各个客户在建模特征属性下的客户信贷数据,以及筛选出各个客户与拟合目标对应的标签数据。
步骤A30,采用各所述客户信贷数据和各所述标签数据构建所述客户信贷数据集。
在获取到各个客户的客户信贷数据和标签数据后,将一个客户对应的客户信贷数据和标签数据作为一条样本数据,构建得到包括多条样本数据额客户信贷数据集。
在本实施例中,通过建模设备自动筛选出符合建模特征属性和拟合目标的客户信贷数据集,使得用户无需手动进行数据筛选,进一步提高了建模效率。
进一步地,当所述模型评估指标包括多个指标时,所述步骤S30包括:
步骤S301,计算各所述待选信贷风险评估模型与各所述模型评估指标对应的指标值;
在本实施例中,用户可以设置多个模型评估指标。建模设备在拟合得到各个待选信贷风险评估模型后,可以分别计算各个待选信贷风险评估模型在各个模型评估指标下的指标值。例如,当模型评估指标包括KS和PSI两种指标时,建模设备计算待选信贷风险评估模型的KS值和PSI值。
步骤S302,生成包含各所述指标值的表格,并输出显示所述表格。
建模设备在得到各个模型的各个指标值后,可以生成包含各个指标值的表格,并输出显示该表格。具体地,可将各个待选信贷风险评估模型作为横向表头,将各个指标作为纵向表头,或者将各个待选信贷风险评估模型作为纵表头,将各个指标作为横向表头来生成表格。
在本实施例中,当模型评估指标有多个时,通过将各个待选信贷风险评估模型的各个指标值以表格的形式输出,使得用户可以直观地对比各个模型在不同模型评估指标下的指标值,从而直观地了解到各个模型的模型性能好坏,进一步提高了建模效率。
此外,此外本发明实施例还提出一种信贷风险建模装置,参照图4,所述装置包括:
接收模块10,用于接收用户设置信息,其中,所述用户设置信息包括建模特征属性、拟合目标、模型评估指标、各建模类型和各所述建模类型对应的参数组合范围;
拟合模块20,用于分别按照各所述建模类型和自身对应的所述参数组合范围对客户信贷数据集进行拟合,得到各待选信贷风险评估模型,其中,所述客户信贷数据集为与所述建模特征属性和所述拟合目标对应的数据集;
输出模块30,用于计算并输出各所述待选信贷风险评估模型与所述模型评估指标对应的指标值。
进一步地,所述拟合模块20包括:
调用单元,用于将各所述建模类型各自的所述参数组合范围,输入各所述建模类型各自对应的建模模块,以调用各所述建模模块对客户信贷数据进行拟合;
获取单元,用于获取各所述建模模块拟合得到的各待选信贷风险评估模型。
进一步地,所述用户设置信息还包括参数优化方法,所述调用单元包括:
获取子单元,用于获取各所述建模类型对应的建模模块中与所述参数优化方法对应的目标建模模块;
调用子单元,用于将各所述建模类型各自的所述参数组合范围,输入各所述建模类型各自对应的所述目标建模模块,以调用各所述目标建模模块对所述客户信贷数据集进行拟合。
进一步地,所述装置还包括:
接收模块,用于接收用户基于所述指标值触发的模型选择指令;
确定模块,用于将所述模型选择指令中携带的待选信贷风险评估模型作为目标信贷风险评估模型。
进一步地,所述装置还包括:
第一获取模块,用于获取待评估客户的信贷数据,其中,所述信贷数据包括所述待评估客户在所述建模特征属性下的属性值;
评估模块,用于将所述信贷数据输入所述目标信贷风险评估模型进行处理,得到所述待评估客户的信贷风险评估结果。
进一步地,所述装置还包括:
第二获取模块,用于获取原始客户数据;
筛选模块,用于从所述原始客户数据中筛选出各客户在所述建模特征属性下的客户信贷数据,以及各所述客户与所述拟合目标对应的标签数据;
构建模块,用于采用各所述客户信贷数据和各所述标签数据构建所述客户信贷数据集。
进一步地,当所述模型评估指标包括多个指标时,所述输出模块30包括:
计算单元,用于计算各所述待选信贷风险评估模型与各所述模型评估指标对应的指标值;
输出单元,用于生成包含各所述指标值的表格,并输出显示所述表格。
本发明信贷风险建模装置的具体实施方式的拓展内容与上述信贷风险建模方法各实施例基本相同,在此不做赘述。
此外,本发明实施例还提出一种计算机可读存储介质,所述存储介质上存储有信贷风险建模程序,所述信贷风险建模程序被处理器执行时实现如下所述的信贷风险建模方法的步骤。
本发明信贷风险建模设备和计算机可读存储介质的各实施例,均可参照本发明信贷风险建模方法各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种信贷风险建模方法,其特征在于,所述方法包括以下步骤:
接收用户设置信息,其中,所述用户设置信息包括建模特征属性、拟合目标、模型评估指标、各建模类型和各所述建模类型对应的参数组合范围;
分别按照各所述建模类型和自身对应的所述参数组合范围对客户信贷数据集进行拟合,得到各待选信贷风险评估模型,其中,所述客户信贷数据集为与所述建模特征属性和所述拟合目标对应的数据集;
计算并输出各所述待选信贷风险评估模型与所述模型评估指标对应的指标值。
2.如权利要求1所述的信贷风险建模方法,其特征在于,所述分别按照各所述建模类型和自身对应的所述参数组合范围对客户信贷数据集进行拟合,得到各待选信贷风险评估模型的步骤包括:
将各所述建模类型各自的所述参数组合范围,输入各所述建模类型各自对应的建模模块,以调用各所述建模模块对所述客户信贷数据集进行拟合;
获取各所述建模模块拟合得到的各待选信贷风险评估模型。
3.如权利要求2所述的信贷风险建模方法,其特征在于,所述用户设置信息还包括参数优化方法,所述将各所述建模类型各自的所述参数组合范围,输入各所述建模类型各自对应的建模模块的步骤包括:
获取各所述建模类型对应的建模模块中与所述参数优化方法对应的目标建模模块;
将各所述建模类型各自的所述参数组合范围,输入各所述建模类型各自对应的所述目标建模模块,以调用各所述目标建模模块对客户信贷数据进行拟合。
4.如权利要求1所述的信贷风险建模方法,其特征在于,所述计算并输出各所述待选信贷风险评估模型与所述模型评估指标对应的指标值的步骤之后,还包括:
接收用户基于所述指标值触发的模型选择指令;
将所述模型选择指令中携带的待选信贷风险评估模型作为目标信贷风险评估模型。
5.如权利要求4所述的信贷风险建模方法,其特征在于,所述将所述模型选择指令中携带的待选信贷风险评估模型作为目标信贷风险评估模型的步骤之后,还包括:
获取待评估客户的信贷数据,其中,所述信贷数据包括所述待评估客户在所述建模特征属性下的属性值;
将所述信贷数据输入所述目标信贷风险评估模型进行处理,得到所述待评估客户的信贷风险评估结果。
6.如权利要求1所述的信贷风险建模方法,其特征在于,所述分别按照各所述建模类型和自身对应的所述参数组合范围对客户信贷数据集进行拟合,得到各待选信贷风险评估模型的步骤之前,还包括:
获取原始客户数据;
从所述原始客户数据中筛选出各客户在所述建模特征属性下的客户信贷数据,以及各所述客户与所述拟合目标对应的标签数据;
采用各所述客户信贷数据和各所述标签数据构建所述客户信贷数据集。
7.如权利要求1至6任一项所述的信贷风险建模方法,其特征在于,当所述模型评估指标包括多个指标时,所述计算并输出各所述待选信贷风险评估模型与所述模型评估指标对应的指标值的步骤包括:
计算各所述待选信贷风险评估模型与各所述模型评估指标对应的指标值;
生成包含各所述指标值的表格,并输出显示所述表格。
8.一种信贷风险建模装置,其特征在于,所述装置包括:
接收模块,用于接收用户设置信息,其中,所述用户设置信息包括建模特征属性、拟合目标、模型评估指标、各建模类型和各所述建模类型对应的参数组合范围;
拟合模块,用于分别按照各所述建模类型和自身对应的所述参数组合范围对客户信贷数据集进行拟合,得到各待选信贷风险评估模型,其中,所述客户信贷数据集为与所述建模特征属性和所述拟合目标对应的数据集;
输出模块,用于计算并输出各所述待选信贷风险评估模型与所述模型评估指标对应的指标值。
9.一种信贷风险建模设备,其特征在于,所述信贷风险建模设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的信贷风险建模程序,所述信贷风险建模程序被所述处理器执行时实现如权利要求1至7中任一项所述的信贷风险建模方法的步骤。
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上存储有信贷风险建模程序,所述信贷风险建模程序被处理器执行时实现如权利要求1至7中任一项所述的信贷风险建模方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110091086.3A CN112785418B (zh) | 2021-01-22 | 2021-01-22 | 信贷风险建模方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110091086.3A CN112785418B (zh) | 2021-01-22 | 2021-01-22 | 信贷风险建模方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112785418A true CN112785418A (zh) | 2021-05-11 |
CN112785418B CN112785418B (zh) | 2024-02-06 |
Family
ID=75758707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110091086.3A Active CN112785418B (zh) | 2021-01-22 | 2021-01-22 | 信贷风险建模方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785418B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114266324A (zh) * | 2021-12-30 | 2022-04-01 | 智慧眼科技股份有限公司 | 模型可视化建模方法、装置、计算机设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6078903A (en) * | 1998-02-12 | 2000-06-20 | Kmv Development Lp | Apparatus and method for modeling the risk of loans in a financial portfolio |
CN102081781A (zh) * | 2009-11-26 | 2011-06-01 | 陈晓明 | 基于信息自循环的金融建模优化方法 |
CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
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 |
CN108921689A (zh) * | 2018-06-29 | 2018-11-30 | 重庆富民银行股份有限公司 | 贷款风险监控系统及方法 |
AU2018102040A4 (en) * | 2018-12-10 | 2019-01-17 | Chen, Shixuan Mr | The method of an efficient and accurate credit rating system through the gradient boost decision tree |
CN111383102A (zh) * | 2020-03-27 | 2020-07-07 | 北京明略软件系统有限公司 | 金融信贷风险识别方法、模型构建方法和装置 |
CN112037009A (zh) * | 2020-08-06 | 2020-12-04 | 百维金科(上海)信息科技有限公司 | 一种基于随机森林算法的消费信贷场景的风险评估方法 |
-
2021
- 2021-01-22 CN CN202110091086.3A patent/CN112785418B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6078903A (en) * | 1998-02-12 | 2000-06-20 | Kmv Development Lp | Apparatus and method for modeling the risk of loans in a financial portfolio |
CN102081781A (zh) * | 2009-11-26 | 2011-06-01 | 陈晓明 | 基于信息自循环的金融建模优化方法 |
CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
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 |
CN108921689A (zh) * | 2018-06-29 | 2018-11-30 | 重庆富民银行股份有限公司 | 贷款风险监控系统及方法 |
AU2018102040A4 (en) * | 2018-12-10 | 2019-01-17 | Chen, Shixuan Mr | The method of an efficient and accurate credit rating system through the gradient boost decision tree |
CN111383102A (zh) * | 2020-03-27 | 2020-07-07 | 北京明略软件系统有限公司 | 金融信贷风险识别方法、模型构建方法和装置 |
CN112037009A (zh) * | 2020-08-06 | 2020-12-04 | 百维金科(上海)信息科技有限公司 | 一种基于随机森林算法的消费信贷场景的风险评估方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114266324A (zh) * | 2021-12-30 | 2022-04-01 | 智慧眼科技股份有限公司 | 模型可视化建模方法、装置、计算机设备及存储介质 |
CN114266324B (zh) * | 2021-12-30 | 2023-04-07 | 智慧眼科技股份有限公司 | 模型可视化建模方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112785418B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110019560B (zh) | 一种基于知识图谱的查询方法及装置 | |
CN110428127B (zh) | 自动化分析方法、用户设备、存储介质及装置 | |
CN110826071A (zh) | 软件漏洞风险预测方法、装置、设备及存储介质 | |
US20160335551A1 (en) | Optimization of fraud detection strategies | |
CN111768040A (zh) | 模型解释方法、装置、设备及可读存储介质 | |
CN111401722A (zh) | 智能决策方法和智能决策系统 | |
CN112667716A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN111210022B (zh) | 向后模型选择方法、设备及可读存储介质 | |
CN112785418B (zh) | 信贷风险建模方法、装置、设备及计算机可读存储介质 | |
CN107256254B (zh) | 一种行业景气指数获取方法、存储设备及终端 | |
CN110782340B (zh) | 决策树模型的交互式建模方法、装置、设备及存储介质 | |
CN113269359A (zh) | 用户财务状况预测方法、设备、介质及计算机程序产品 | |
CN117370162A (zh) | 测试工具管理方法、装置、设备及存储介质 | |
EP4149111A1 (en) | Method for determining video coding test sequence, related apparatus and computer program product | |
CN113986954B (zh) | 用户事件获取方法、装置、智能终端及可读存储介质 | |
CN111291896B (zh) | 交互式随机森林子树筛选方法、装置、设备及可读介质 | |
CN115511644A (zh) | 用于目标保单的处理方法、电子设备和可读存储介质 | |
CN111881008B (zh) | 一种数据评测、模型训练方法、装置、设备及存储介质 | |
CN114387089A (zh) | 客户信用风险评估方法、装置、设备及存储介质 | |
CN111078518A (zh) | 数据采集方法、终端设备和计算机可读存储介质 | |
CN111553749A (zh) | 一种活动推送策略配置方法及装置 | |
CN112817635B (zh) | 一种模型处理方法和数据处理系统 | |
CN117369776A (zh) | 一种基于ea系统的架构对象管理方法、系统及介质 | |
CN115271283A (zh) | 重点业务场景探测系统、方法、存储介质及产品 | |
CN117745419A (zh) | 自动化运营方法、装置、设备及计算机可读存储介质 |
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 |