CN112862014A - 客户信用预警方法及装置 - Google Patents

客户信用预警方法及装置 Download PDF

Info

Publication number
CN112862014A
CN112862014A CN202110351834.7A CN202110351834A CN112862014A CN 112862014 A CN112862014 A CN 112862014A CN 202110351834 A CN202110351834 A CN 202110351834A CN 112862014 A CN112862014 A CN 112862014A
Authority
CN
China
Prior art keywords
client
loan
evaluation index
loan amount
credit
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
CN202110351834.7A
Other languages
English (en)
Inventor
郭子铭
王文春
孙圣强
朱晨光
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202110351834.7A priority Critical patent/CN112862014A/zh
Publication of CN112862014A publication Critical patent/CN112862014A/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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Technology Law (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种客户信用预警方法及装置，该方法包括：获取客户的评估指标参数，其中，所述评估指标参数包括：信誉评级、存款能力指标、获利能力指标、财务管理能力指标、履约经历指标以及发展能力和潜力指标中的至少一种；将所述评估指标参数输入到预设的贷款额度预测模型中，得到预测的所述客户的贷款额度及贷款利率，以根据所述客户的贷款额度及贷款利率对所述客户的信用进行预警。本发明实现了较为准确的对银行客户信用进行预警的有益效果。

Description

客户信用预警方法及装置
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种客户信用预警方法及装置。
背景技术
信用贷款为一种以客户的信誉发放的贷款，客户不需要提供担保。近年来，年轻一代在飞速发展的经济面前，就业、自主创业、买房买车等生活压力接踵而至，因此选择信用贷款的人越来越多，因此银行如何提前规避信用风险显得越来越重要。目前对客户信用风险进行预警往往采用银行职员根据主观经验因素人为对客户信用进行分析及预警，这种方法存在的效率低下以及准确性较低的问题。因此现有技术缺少一种更为有效的对客户信用进行预警方法。
发明内容
本发明为了解决上述背景技术中的技术问题，提出了一种客户信用预警方法及装置。
为了实现上述目的，根据本发明的一个方面，提供了一种客户信用预警方法，该方法包括：
获取客户的评估指标参数，其中，所述评估指标参数包括：信誉评级、存款能力指标、获利能力指标、财务管理能力指标、履约经历指标以及发展能力和潜力指标中的至少一种；
将所述评估指标参数输入到预设的贷款额度预测模型中，得到预测的所述客户的贷款额度及贷款利率，以根据所述客户的贷款额度及贷款利率对所述客户的信用进行预警。
可选的，该客户信用预警方法，还包括：
获取训练数据；
根据所述训练数据采用长短时记忆网络进行模型训练，得到所述贷款额度预测模型。
可选的，该客户信用预警方法，还包括：
根据所述客户在多个历史时间点的评估指标参数以及所述客户在每个所述历史时间点的贷款额度及贷款利率生成所述训练数据，其中，所述训练数据为时序数据。
可选的，该客户信用预警方法，还包括：
获取多个历史时间点的评估指标参数以及在每个所述历史时间点对应的贷款额度及贷款利率标签，其中，所述多个历史时间点的评估指标参数为多个不同客户的评估指标参数；
根据多个历史时间点的评估指标参数以及在每个所述历史时间点对应的贷款额度及贷款利率标签生成所述训练数据，其中，所述训练数据为时序数据。
可选的，将所述评估指标参数输入到预设的贷款额度预测模型中，得到预测的所述客户的贷款额度及贷款利率，具体包括：
获取所述客户对应的贷款额度预测模型；
将所述评估指标参数输入到所述客户对应的贷款额度预测模型中，得到预测的所述客户的贷款额度及贷款利率。
可选的，所述长短时记忆网络的输入层的节点数量与所述评估指标参数的数量一致，所述长短时记忆网络的隐藏层以Relu为激活函数，所述长短时记忆网络的输出层采用Softmax函数。
为了实现上述目的，根据本发明的另一方面，提供了一种客户信用预警装置，该装置包括：
评估指标参数获取模块，用于获取客户的评估指标参数，其中，所述评估指标参数包括：信誉评级、存款能力指标、获利能力指标、财务管理能力指标、履约经历指标以及发展能力和潜力指标中的至少一种；
预测模块，用于将所述评估指标参数输入到预设的贷款额度预测模型中，得到预测的所述客户的贷款额度及贷款利率，以根据所述客户的贷款额度及贷款利率对所述客户的信用进行预警。
可选的，该客户信用预警装置，还包括：
训练数据获取模块，用于获取训练数据；
模型训练模块，用于根据所述训练数据采用长短时记忆网络进行模型训练，得到所述贷款额度预测模型。
为了实现上述目的，根据本发明的另一方面，还提供了一种计算机设备，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计算机程序时实现上述客户信用预警方法中的步骤。
为了实现上述目的，根据本发明的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序在计算机处理器中执行时实现上述客户信用预警方法中的步骤。
本发明的有益效果为：本发明实施例先设定好评估指标参数，并训练得出贷款额度预测模型，进而可以将客户的评估指标参数输入到贷款额度预测模型中，得到预测的所述客户的贷款额度及贷款利率，进而可以根据预测的所述客户的贷款额度及贷款利率对客户信用进行预警，实现了有效的对客户信用进行预警的有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1是本发明客户信用预警方法的流程图；
图2是本发明实施例模型训练的流程图；
图3是本发明实施例生成训练数据流程图；
图4是本发明实施例长短时记忆网络的输入层示意图；
图5是本发明实施例长短时记忆网络整体示意图；
图6是本发明客户信用预警装置的第一结构框图；
图7是本发明客户信用预警装置的第二结构框图；
图8是本发明实施例计算机设备示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
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、系统、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。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
本发明为了有效的对银行客户信用进行监控及预警，以降低银行贷款风险，提供一种基于长短时记忆网络的客户信用预警方法，该方法结合长短时记忆网络以及银行实际贷款过程中与客户个人的实力、信誉相关的多个评估指标参数对其信贷风险做出评估，然后依据信贷风险等因素来确定是否放贷及贷款额度、利率和期限等信贷策略等因素，提高了客户贷款过程中信用监控及预警的精确度与准确性。
图1是本发明实施例客户信用预警方法的流程图，如图1所示，本实施例的客户信用预警方法包括步骤S101和步骤S102。
步骤S101，获取客户的评估指标参数，其中，所述评估指标参数包括：信誉评级、存款能力指标、获利能力指标、财务管理能力指标、履约经历指标以及发展能力和潜力指标中的至少一种。
在本发明一个实施例中，信誉评级可以为现有的信誉批评机构对客户的信誉评级，具体可以分为A级、B级、C级以及D级。在本发明一个实施例中，本发明在获取到客户的信誉评级后，还需要进行数值化处理。
在本发明一个实施例中，存款能力指标具体可以由客户存款余额、客户月工资收入以及客户月支出确定得出。
在本发明一个实施例中，获利能力指标具体可以由客户月利息收入以及客户月理财产品收入确定得出。
在本发明一个实施例中，财务管理能力指标具体可以由客户月均盈亏确定得出。
在本发明一个实施例中，履约经历指标具体可以由客户的履约次数以及违约次数确定得出。
在本发明一个实施例中，发展能力和潜力指标具体可以由客户的月工资增长确定得出。
在本发明实施例中，本发明在得到以上6个指标参数后，还需要对以上6个指标参数进行数值化处理以及归一化处理，以提高模型训练的效果。
步骤S102，将所述评估指标参数输入到预设的贷款额度预测模型中，得到预测的所述客户的贷款额度及贷款利率，以根据所述客户的贷款额度及贷款利率对所述客户的信用进行预警。
在本发明实施例中，所述贷款利率为所述贷款额度对应的贷款利率，例如，贷款额度为5万，对应的贷款利率可以为1年4.35％。
在本发明实施例中，根据所述客户的贷款额度及贷款利率对所述客户的信用进行预警，具体可以为，若银行客户的贷款额度不断下降，则说明客户的信用可能存在问题，此时对客户的信用进行预警。具体的，本发明可以将本次预测的客户的贷款额度及贷款利率与上次预测的该客户的贷款额度及贷款利率进行对比，进而根据对比结果确定是否对该客户的信用进行预警，若对比结果为下降，则对该客户的信用进行预警。
由此可见，本发明实施例先设定好评估指标参数，并采用长短时记忆网络训练得出贷款额度预测模型，进而可以将客户的评估指标参数输入到贷款额度预测模型中，得到预测的所述客户的贷款额度及贷款利率，进而可以根据预测的所述客户的贷款额度及贷款利率对客户进行信用预警，实现了准确和高效的对客户信用进行预警的有益效果。
在本发明一个实施例中，所述贷款额度预测模型为根据训练数据采用长短时记忆网络训练得出的。图2是本发明实施例模型训练的流程图，如图2所示，在本发明一个实施例中，上述步骤S102中的贷款额度预测模型具体由步骤S201和步骤S202训练得出的。
步骤S201，获取训练数据。
在本发明一个实施例中，所述训练数据为时序数据，所述训练数据中包含所述客户在多个历史时间点的评估指标参数以及所述客户在每个所述历史时间点的贷款额度及贷款利率标签。
在本发明另一个实施例中，所述训练数据为时序数据，所述训练数据中包含多个历史时间点的评估指标参数以及在每个所述历史时间点对应的贷款额度及贷款利率标签，所述多个历史时间点的评估指标参数为多个不同客户的评估指标参数。
步骤S202，根据所述训练数据采用长短时记忆网络进行模型训练，得到所述贷款额度预测模型。
在本发明实施例中，本发明在构建好客户评估指标参数的情况下，将所述各个评估指标参数作为长短时记忆网络的输入层的输入单元，这些输入层的输入单元合起来构成长短时记忆网络的输入层。
图4是本发明实施例长短时记忆网络的输入层示意图，如图4所示，所述长短时记忆网络的输入层的输入单元包括门激活函数、输入激活函数和输出激活函数，分别用σ、g和h表示Sigmoid函数、tanh函数和tanh函数。在时刻k，输入门、遗忘门和输出门分别计算长短时记忆网络的输入消息ik；长短时记忆网络遗忘门舍去的信息fk和长短时记忆网络输出门输出的信息ok定义如下：
Figure BDA0003002355720000061
Figure BDA0003002355720000062
Figure BDA0003002355720000063
整个单元ck更新的计算公式及输出hk的结果表示如下：
Figure BDA0003002355720000064
hk＝ok*h(ck)
其中，xk表示输入，hk表示时间k的隐藏层状态，{W*}和{b*}分别表示长短时记忆网络的权重矩阵和偏置项。
图5是本发明实施例长短时记忆网络整体示意图，如图5所示，长短时记忆网络结构分为以下三层：一个输入层，一个隐藏层和一个输出层。输入层由6个节点(输入单元)组成，即所述的客户评估指标参数包括：信誉评级、存款能力指标(支出)、获利能力指标(收入)、财务管理能力指标、履约经历指标、发展能力和潜力指标；隐藏层神经元节点数为128个，并以Relu为激活函数，节点不被丢弃(dropout)的概率为0.5。本发明选择Softmax作为输出层，其包含的节点的输出为贷款额度及贷款利率。贷款额度为：0元、2万1年4.35％、5万1年4.35％、10万2年4.75％，20万5年4.90％等。其中0元表示该客户在评估的风险范围内，此刻已不具备贷款条件的预警，具有大概率无法及时偿还贷款的风险，银行应该及时规避风险。
在本发明一个实施例中，上述实施例中的训练数据具体为根据所述客户在多个历史时间点的评估指标参数以及所述客户在每个所述历史时间点对应的贷款额度及贷款利率生成的，其中训练数据为时序数据。
图3是本发明实施例生成训练数据流程图，如图3所示，在本发明一个实施例中，上述实施例中的训练数据具体为通过步骤S301和步骤S302生成的。
步骤S301，获取多个历史时间点的评估指标参数以及在每个所述历史时间点对应的贷款额度及贷款利率标签，其中，所述多个历史时间点的评估指标参数为多个不同客户的评估指标参数。
步骤S302，根据多个历史时间点的评估指标参数以及在每个所述历史时间点对应的贷款额度及贷款利率标签生成所述训练数据，其中，所述训练数据为时序数据。
在本发明一个实施例中，本发明针对每个客户，将客户的历史数据作为训练数据，采用长短时记忆网络训练出每个客户各自对应的贷款额度预测模型，进而用每个客户各自对应的贷款额度预测模型对客户进行预测。
由此，上述步骤S102的将所述评估指标参数输入到预设的贷款额度预测模型中，得到预测的所述客户的贷款额度及贷款利率，具体包括：
获取所述客户对应的贷款额度预测模型；
将所述评估指标参数输入到所述客户对应的贷款额度预测模型中，得到预测的所述客户的贷款额度及贷款利率。
由以上实施例可以看出，本发明至少实现了以下有益效果：
1、本发明解决了目前银行职员根据主观经验因素人为对客户信用进行分析及预警存在的效率低下以及准确性较低的问题，提高了对贷款客户的信用进行监测与预警的可靠性；
2、本发明基于长短时记忆网络的客户信用监控及预警方法会实时对贷款客户进行监测与预警预测，对银行给客户的贷款额度与利率实时追踪监测，避免了主观经验风险，提高了客户贷款过程中信用监控及预警的精确度与准确性。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，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。
基于同一发明构思，本发明实施例还提供了一种客户信用预警装置，可以用于实现上述实施例所描述的客户信用预警方法，如下面的实施例所述。由于客户信用预警装置解决问题的原理与客户信用预警方法相似，因此客户信用预警装置的实施例可以参见客户信用预警方法的实施例，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图6是本发明实施例客户信用预警装置的第一结构框图，如图6所示，在本发明一个实施例中，本发明的客户信用预警装置包括：
评估指标参数获取模块1，用于获取客户的评估指标参数，其中，所述评估指标参数包括：信誉评级、存款能力指标、获利能力指标、财务管理能力指标、履约经历指标以及发展能力和潜力指标中的至少一种；
预测模块2，用于将所述评估指标参数输入到预设的贷款额度预测模型中，得到预测的所述客户的贷款额度及贷款利率，以根据所述客户的贷款额度及贷款利率对所述客户的信用进行预警。
图7是本发明实施例客户信用预警装置的第二结构框图，如图7所示，在本发明一个实施例中，本发明的客户信用预警装置还包括：
训练数据获取模块3，用于获取训练数据；
模型训练模块4，用于根据所述训练数据采用长短时记忆网络进行模型训练，得到所述贷款额度预测模型。
在本发明一个实施例中，本发明的客户信用预警装置还包括：
第一训练数据生成模块，用于根据所述客户在多个历史时间点的评估指标参数以及所述客户在每个所述历史时间点的贷款额度及贷款利率生成所述训练数据，其中，所述训练数据为时序数据。
在本发明一个实施例中，本发明的客户信用预警装置还包括：
多客户数据获取模块，用于获取多个历史时间点的评估指标参数以及在每个所述历史时间点对应的贷款额度及贷款利率标签，其中，所述多个历史时间点的评估指标参数为多个不同客户的评估指标参数；
第二训练数据生成模块，用于根据多个历史时间点的评估指标参数以及在每个所述历史时间点对应的贷款额度及贷款利率标签生成所述训练数据，其中，所述训练数据为时序数据。
在本发明一个实施例中，所述预测模块2，具体用于获取所述客户对应的贷款额度预测模型，进而将所述评估指标参数输入到所述客户对应的贷款额度预测模型中，得到预测的所述客户的贷款额度及贷款利率。
为了实现上述目的，根据本申请的另一方面，还提供了一种计算机设备。如图8所示，该计算机设备包括存储器、处理器、通信接口以及通信总线，在存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例方法中的步骤。
处理器可以为中央处理器(Central Processing Unit，CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元，如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及作品数据处理，即实现上述方法实施例中的方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个单元存储在所述存储器中，当被所述处理器执行时，执行上述实施例中的方法。
上述计算机设备具体细节可以对应参阅上述实施例中对应的相关描述和效果进行理解，此处不再赘述。
为了实现上述目的，根据本申请的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序在计算机处理器中执行时实现上述客户信用预警方法中的步骤。本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种客户信用预警方法，其特征在于，包括：
获取客户的评估指标参数，其中，所述评估指标参数包括：信誉评级、存款能力指标、获利能力指标、财务管理能力指标、履约经历指标以及发展能力和潜力指标中的至少一种；
将所述评估指标参数输入到预设的贷款额度预测模型中，得到预测的所述客户的贷款额度及贷款利率，以根据所述客户的贷款额度及贷款利率对所述客户的信用进行预警。
2.根据权利要求1所述的客户信用预警方法，其特征在于，所述贷款额度预测模型为根据训练数据采用长短时记忆网络训练得出的。
3.根据权利要求1或2所述的客户信用预警方法，其特征在于，还包括：
获取训练数据；
根据所述训练数据采用长短时记忆网络进行模型训练，得到所述贷款额度预测模型。
4.根据权利要求2所述的客户信用预警方法，其特征在于，还包括：
根据所述客户在多个历史时间点的评估指标参数以及所述客户在每个所述历史时间点的贷款额度及贷款利率生成所述训练数据，其中，所述训练数据为时序数据。
5.根据权利要求2所述的客户信用预警方法，其特征在于，还包括：
获取多个历史时间点的评估指标参数以及在每个所述历史时间点对应的贷款额度及贷款利率标签，其中，所述多个历史时间点的评估指标参数为多个不同客户的评估指标参数；
根据多个历史时间点的评估指标参数以及在每个所述历史时间点对应的贷款额度及贷款利率标签生成所述训练数据，其中，所述训练数据为时序数据。
6.根据权利要求1所述的客户信用预警方法，其特征在于，将所述评估指标参数输入到预设的贷款额度预测模型中，得到预测的所述客户的贷款额度及贷款利率，具体包括：
获取所述客户对应的贷款额度预测模型；
将所述评估指标参数输入到所述客户对应的贷款额度预测模型中，得到预测的所述客户的贷款额度及贷款利率。
7.根据权利要求2所述的客户信用预警方法，其特征在于，所述长短时记忆网络的输入层的节点数量与所述评估指标参数的数量一致，所述长短时记忆网络的隐藏层以Relu为激活函数，所述长短时记忆网络的输出层采用Softmax函数。
8.一种客户信用预警装置，其特征在于，包括：
评估指标参数获取模块，用于获取客户的评估指标参数，其中，所述评估指标参数包括：信誉评级、存款能力指标、获利能力指标、财务管理能力指标、履约经历指标以及发展能力和潜力指标中的至少一种；
预测模块，用于将所述评估指标参数输入到预设的贷款额度预测模型中，得到预测的所述客户的贷款额度及贷款利率，以根据所述客户的贷款额度及贷款利率对所述客户的信用进行预警。
9.根据权利要求8所述的客户信用预警装置，其特征在于，还包括：
训练数据获取模块，用于获取训练数据；
模型训练模块，用于根据所述训练数据采用长短时记忆网络进行模型训练，得到所述贷款额度预测模型。
10.一种计算机设备，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计算机程序时实现权利要求1至7任一项所述的方法。
11.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序在计算机处理器中执行时实现如权利要求1至7任意一项所述的方法。
CN202110351834.7A 2021-03-31 2021-03-31 客户信用预警方法及装置 Pending CN112862014A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110351834.7A CN112862014A (zh) 2021-03-31 2021-03-31 客户信用预警方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110351834.7A CN112862014A (zh) 2021-03-31 2021-03-31 客户信用预警方法及装置

Publications (1)

Publication Number Publication Date
CN112862014A true CN112862014A (zh) 2021-05-28

Family

ID=75991976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110351834.7A Pending CN112862014A (zh) 2021-03-31 2021-03-31 客户信用预警方法及装置

Country Status (1)

Country Link
CN (1) CN112862014A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113704637A (zh) * 2021-08-30 2021-11-26 深圳前海微众银行股份有限公司 基于人工智能的对象推荐方法、装置、存储介质
CN113724064A (zh) * 2021-08-30 2021-11-30 深圳前海微众银行股份有限公司 基于人工智能的参数确定方法、装置、电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107316198A (zh) * 2016-04-26 2017-11-03 阿里巴巴集团控股有限公司 账户风险识别方法及装置
CN107832897A (zh) * 2017-11-30 2018-03-23 浙江工业大学 一种基于深度学习的股票市场预测方法
CN108648074A (zh) * 2018-05-18 2018-10-12 深圳壹账通智能科技有限公司 基于支持向量机的贷款评估方法、装置及设备
CN110189218A (zh) * 2019-04-25 2019-08-30 北京互金新融科技有限公司 贷款额度的管理方法及装置
CN110827143A (zh) * 2019-11-08 2020-02-21 支付宝(杭州)信息技术有限公司 训练信用评分模型的方法、装置及设备
TWM599962U (zh) * 2020-02-05 2020-08-11 玉山商業銀行股份有限公司 智能型貸款審核系統
CN111861729A (zh) * 2020-07-31 2020-10-30 重庆富民银行股份有限公司 基于lstm的行为评分系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107316198A (zh) * 2016-04-26 2017-11-03 阿里巴巴集团控股有限公司 账户风险识别方法及装置
CN107832897A (zh) * 2017-11-30 2018-03-23 浙江工业大学 一种基于深度学习的股票市场预测方法
CN108648074A (zh) * 2018-05-18 2018-10-12 深圳壹账通智能科技有限公司 基于支持向量机的贷款评估方法、装置及设备
CN110189218A (zh) * 2019-04-25 2019-08-30 北京互金新融科技有限公司 贷款额度的管理方法及装置
CN110827143A (zh) * 2019-11-08 2020-02-21 支付宝(杭州)信息技术有限公司 训练信用评分模型的方法、装置及设备
TWM599962U (zh) * 2020-02-05 2020-08-11 玉山商業銀行股份有限公司 智能型貸款審核系統
CN111861729A (zh) * 2020-07-31 2020-10-30 重庆富民银行股份有限公司 基于lstm的行为评分系统及方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113704637A (zh) * 2021-08-30 2021-11-26 深圳前海微众银行股份有限公司 基于人工智能的对象推荐方法、装置、存储介质
CN113724064A (zh) * 2021-08-30 2021-11-30 深圳前海微众银行股份有限公司 基于人工智能的参数确定方法、装置、电子设备
CN113724064B (zh) * 2021-08-30 2024-06-21 深圳前海微众银行股份有限公司 基于人工智能的参数确定方法、装置、电子设备

Similar Documents

Publication Publication Date Title
Bi et al. Temporal prediction of multiapplication consolidated workloads in distributed clouds
CN110400021B (zh) 银行网点现金用量预测方法及装置
CN110400022B (zh) 自助柜员机现金用量预测方法及装置
CN109784779A (zh) 财务风险预测方法、装置及存储介质
CN102117469A (zh) 一种对信用风险进行评估的系统和方法
CN112862014A (zh) 客户信用预警方法及装置
CN110264270A (zh) 一种行为预测方法、装置、设备和存储介质
Veshneva et al. Regional competitiveness research based on digital models using Kolmogorov-Chapman equations
Stasiak Modelling of currency exchange rates using a binary representation
CN113554350A (zh) 活跃度评估方法、装置、电子设备及计算机可读存储介质
CN111209105A (zh) 扩容处理方法、装置、设备及可读存储介质
Barankin et al. Evidence-driven approach for assessing social vulnerability and equality during extreme climatic events
CN114254762A (zh) 可解释性机器学习模型构建方法、装置和计算机设备
CN110910241B (zh) 现金流评估方法、装置、服务器设备及存储介质
CN112926803A (zh) 基于lstm网络的客户存款流失情况预测方法及装置
CN115204501A (zh) 企业评估方法、装置、计算机设备和存储介质
Kasianenko et al. Investment potential forecast and strategies for its expansion: case of Ukraine
CN115293783A (zh) 风险用户识别方法、装置、计算机设备和存储介质
CN113128739B (zh) 用户触达时间的预测方法、预测模型训练方法及相关装置
CN111882339B (zh) 预测模型训练及响应率预测方法、装置、设备及存储介质
Cocianu et al. The Use of LSTM Neural Networks to Implement the NARX Model. A Case Study of EUR-USD Exchange Rates.
Tirea et al. Multi-agent stock trading algorithm model
Sachdeva et al. Meteorological AQI and pollutants concentration-based AQI predictor
Boongasame et al. Cryptocurrency price forecasting method using long short-term memory with time-varying parameters
CN202075785U (zh) 一种对信用风险进行评估的系统

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