CN112907359B - 一种银行贷款业务资质审核与风险控制系统及方法 - Google Patents
一种银行贷款业务资质审核与风险控制系统及方法 Download PDFInfo
- Publication number
- CN112907359B CN112907359B CN202110314301.1A CN202110314301A CN112907359B CN 112907359 B CN112907359 B CN 112907359B CN 202110314301 A CN202110314301 A CN 202110314301A CN 112907359 B CN112907359 B CN 112907359B
- Authority
- CN
- China
- Prior art keywords
- loan
- result
- business
- application request
- service
- 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 64
- 238000012797 qualification Methods 0.000 title abstract description 5
- 238000012954 risk control Methods 0.000 title abstract description 4
- 230000008520 organization Effects 0.000 claims abstract description 55
- 238000007726 management method Methods 0.000 claims description 45
- 238000012550 audit Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 9
- 208000012260 Accidental injury Diseases 0.000 abstract description 2
- 208000014674 injury Diseases 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000036626 alertness Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06Q10/10—Office automation; Time management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Technology Law (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种银行贷款业务资质审核与风险控制系统及方法。在获取到贷款业务申请请求时，不仅仅基于贷款业务机构的本地数据对贷款业务申请请求的风险进行识别，并在，在得到第一待定结果之后，由管理服务器基于所有贷款业务机构历史中的处理的历史贷款业务申请请求，对该贷款业务申请请求进行进一步的风险识别，可见，得到的第二待定结果更具综合性。此外，管理服务器还采用偶发业务识别模型确定该贷款业务申请请求的风险的随机性，避免对表象风险较高、但实际风险较低的贷款业务申请请求造成误伤。
Description
技术领域
本申请涉及贷款业务处理技术领域，尤其涉及一种银行贷款业务资质审核与风险控制系统及方法。
背景技术
通常情况下，贷款业务机构在接收到贷款业务申请请求时，需通过审核专员与贷款业务申请请求对应的用户进行电话沟通，了解用户的贷款意向、资产情况与信用情况，以决定是否向该用户发放贷款。
上述人工审核的方式需要耗费大量的人力成本，效率低，并且由于审核专员素质的参差不齐，也会影响与用户交流的效果。此外，信贷审核专员在与用户进行通话的过程中，需要快速记录用户多方面的信息，不可避免地产生用户信息的错记、漏记等情况，导致审核准确率低。并且，信贷审核专员对基于其自身的经验判断贷款业务申请请求的风险，存在较大的误差。
发明内容
本申请实施例提供了一种贷款业务审核方法、系统及装置，以至少部分的解决上述技术问题。
本申请实施例采用下述技术方案：
第一方面，本申请实施例提供第一种贷款业务审核方法，所述方法基于贷款业务审核系统，所述贷款业务审核系统包括：管理服务器、以及与所述管理服务器连接的多个贷款业务机构，所述管理服务器包括：风险识别模型和偶发业务识别模型；所述方法由所述多个贷款业务机构中的任意一个执行，所述方法包括：
获取贷款业务申请请求；
采用该贷款业务机构的本地数据，针对该贷款业务申请请求的风险，生成第一待定结果；
将所述第一待定结果和所述贷款业务申请请求，发送至所述管理服务器，使得所述管理服务器的风险识别模型根据所述第一待定结果，输出第二待定结果；并使得所述管理服务器的偶发业务识别模型，根据所述第二待定结果和所述贷款业务申请请求生成偶发业务鉴别结果；所述第二待定结果示出：相对于所述贷款业务审核系统处理的各历史贷款业务申请请求，所述贷款业务申请请求的风险；所述偶发业务鉴别结果示出：所述贷款业务申请请求的风险的随机性；
接收所述管理服务器发送的第二待定结果和偶发业务鉴别结果；
采用该贷款业务机构的本地的业务规则，根据所述第二待定结果和偶发业务鉴别结果，生成该贷款业务申请请求的审核结果。
在本说明书一个可选的实施例中，所述风险识别模型是采用各贷款业务机构在历史上生成的各历史第一待定结果训练得到的。
在本说明书一个可选的实施例中，采用该贷款业务机构的本地数据，针对该贷款业务申请请求的风险，生成第一待定结果，包括：
确定所述贷款业务申请请求，对应于预设的每个维度的贷款信息；所述维度包括：生成所述贷款业务申请请求的用户的画像、贷款额和还款期数；
根据所述用户的画像，生成对应于所述贷款额的第一权重和对应于所述还款期数的第二权重；
采用所述第一权重、第二权重，分别对所述贷款额、还款期数进行加权；
根据加权得到结果，生成第一待定结果。
在本说明书一个可选的实施例中，采用该贷款业务机构的本地的业务规则，根据所述第二待定结果和偶发业务鉴别结果，生成该贷款业务申请请求的审核结果，包括：
确定当前时刻所属的业务周期，作为目标业务周期；
根据该贷款业务机构本地的业务规则，确定所述目标业务周期对应的指定指标；
根据所述偶发业务鉴别结果，生成所述指定指标对应的第三权重；
采用所述第三权重对所述第二待定结果进行加权；
根据加权后的第二待定结果，得到所述贷款业务申请请求的审核结果。
在本说明书一个可选的实施例中，根据加权后的第二待定结果，得到所述贷款业务申请请求的审核结果，包括：
若加权后的第二待定结果小于预设的风险阈值，则将通过审核确定为所述贷款业务申请请求的审核结果。
第二方面，本申请实施例还提供第二种贷款业务审核方法，所述方法基于贷款业务审核系统，所述贷款业务审核系统包括：管理服务器、以及与所述管理服务器连接的多个贷款业务机构，所述管理服务器包括：风险识别模型和偶发业务识别模型；所述方法由所述管理服务器执行，所述方法包括：
接收各贷款业务机构中的任意一个贷款业务机构发送的贷款业务申请请求，以及该贷款业务申请请求对应的第一待定结果；所述第一待定结果是该贷款业务机构针对该贷款业务申请请求，采用该贷款业务机构的本地数据生成的；所述第一待定结果示出该贷款业务申请请求的风险；
采用风险识别模型，根据输入的第一待定结果，得到第二待定结果；所述第二待定结果示出：相对于所述贷款业务审核系统处理的各历史贷款业务申请请求，所述贷款业务申请请求的风险；
根据所述第二待定结果和所述贷款业务申请请求，采用所述偶发业务识别模型，得到偶发业务鉴别结果；所述偶发业务鉴别结果示出：所述贷款业务申请请求的风险的随机性；
将所述第二待定结果和偶发业务鉴别结果发送至该贷款业务机构，使得该贷款业务机构采用该贷款业务机构的本地的业务规则，根据所述第二待定结果和偶发业务鉴别结果，生成该贷款业务申请请求的审核结果。
在本说明书一个可选的实施例中，所述方法之前，还包括：
针对每个历史贷款业务申请请求，获取贷款业务机构针对该历史贷款业务申请请求生成的历史第一待定结果以及历史审核结果；
将历史第一待定结果确定为该历史贷款业务申请请求对应的样本特征，将该历史审核结果确定为该历史贷款业务申请请求对应的标签；
根据各样本特征和标签，训练预设的风险识别模型。
在本说明书一个可选的实施例中，所述风险识别模型是LSTM模型。
在本说明书一个可选的实施例中，所述方法之前，还包括：
确定当前时刻所属的业务周期，作为目标业务周期；
将目标业务周期之前的各业务周期中，各历史贷款业务申请请求的历史第二待定结果和历史贷款业务申请请求之间的对应关系，作为偶发业务识别模型。
第三方面，本申请实施例还提供一种贷款业务审核装置，用于实现前述第一方面和/或第二方面中的方法。
第五方面，本申请实施例还提供一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述第一方面或第二方面之任一所述方法。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行所述第一方面或第二方面之任一所述方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本说明书中的贷款业务审核方法及装置，在获取到贷款业务申请请求时，不仅仅基于贷款业务机构的本地数据对贷款业务申请请求的风险进行识别，并在，在得到第一待定结果之后，由管理服务器基于所有贷款业务机构历史中的处理的历史贷款业务申请请求，对该贷款业务申请请求进行进一步的风险识别，可见，得到的第二待定结果更具综合性。此外，管理服务器还采用偶发业务识别模型确定该贷款业务申请请求的风险的随机性，避免对表象风险较高、但实际风险较低的贷款业务申请请求造成误伤。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的一种贷款业务审核过程的实施场景示意图；
图2为本说明书实施例提供的一种贷款业务审核过程示意图；
图3为本说明书实施例提供的一种贷款业务审核流程示意图；
图4为本说明书实施例提供的第一种贷款业务审核装置结构示意图；
图5为本说明书实施例提供的第二种贷款业务审核装置结构示意图；
图6为本申请实施例中一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅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做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。
以下结合附图，详细说明本申请各实施例提供的技术方案。
本说明书中的贷款业务审核方法基于贷款业务审核系统。如图1和图2所示，贷款业务审核系统包括管理服务器和若干个贷款业务机构（如图1所示的贷款业务机构1至贷款业务机构n）。管理服务器分别地和若干个贷款业务机构通信连接。
任意一个贷款业务机构可以与若干个终端设备通信连接，用户可以采用如图1所示的终端设备（终端设备1至终端设备n中的任意一个）生成贷款业务申请请求，发送至贷款业务机构。本说明书对终端的具体类型不做限制，终端可是可以手机、电脑等具备通信和数据处理功能的设备。
需要说明的是，为了便于描述，图1中仅示出了与贷款业务机构1通信连接的终端设备。除贷款业务机构1以外的其他贷款业务机构也可以与若干个终端设备通信连接。
在本说明书中，贷款业务机构与终端设备交互，并且贷款业务机构与管理服务器交互。贷款业务机构对贷款业务申请请求具有至少部分的风险识别职能，以实现对贷款业务申请请求的审核。贷款业务申请请求可以是诸如银行等发放贷款的机构，贷款业务申请请求也可以是诸如支付宝这样的助贷平台。
如图2所示，本说明书中的种贷款业务审核方法可包括以下步骤中的一个或多个：
S200：贷款业务机构获取贷款业务申请请求。
在实际的场景中，贷款业务机构在一天内获取到的贷款业务申请请求的数量可能较多，不同时间段接收到的贷款业务申请请求的数量可能不同。为便于说明，本说明书仅示例性的，针对多个贷款业务机构中的某一个贷款业务机构接收到的某一个贷款业务申请请求的审核为例，进行说明。
S202：贷款业务机构采用该贷款业务机构的本地数据，针对该贷款业务申请请求的风险，生成第一待定结果。
本说明书中的第一待定结果，是基于贷款业务机构在历史中业务情况对该贷款业务申请请求的风险作出的判断。风险高的贷款业务申请请求对贷款业务机构的正常业务造成的伤害的概率较大，不予通过审核的概率也较大。
在本说明书一个可选的实施例中，贷款业务机构生成第一待定结果的过程可以是：确定所述贷款业务申请请求，对应于预设的每个维度的贷款信息；所述维度包括：生成所述贷款业务申请请求的用户的画像（例如，该用户的信用状况、历史借贷行为、年龄、职业中的至少一种）、贷款额（例如，贷款10万元）和还款期数（例如，12期）。
然后，根据所述用户的画像，生成对应于所述贷款额的第一权重和对应于所述还款期数的第二权重。在本说明书中，用户的画像示出用户的还款能力。可选地，可以将用户画像输入预设的还款能力预测模型，得到该用户的还款能力指数。还款能力指数越大，用户的还款能力越强。第一权重与还款能力指数负相关，第二权重与还款能力指数正相关。
之后，采用所述第一权重、第二权重，分别对所述贷款额、还款期数进行加权。根据加权得到结果，生成第一待定结果。例如，可以对采用第一权重加权后的贷款额、采用第二权重加权后的还款期数进行求和，将求和的结果作为第一待定结果。
例如，一用户的还款能力指数较高，则该用户即使贷款额较多，也不会增加风险，第一权重用于对贷款额造成的风险的抑制；并且，该用户的还款能力较高，却采用较多的还款期数，表明该用户即使还款能力较强，但是还款意愿较低，第二权重用于提高对还款期数造成的风险的警觉性。
S204：贷款业务机构将所述第一待定结果和所述贷款业务申请请求，发送至所述管理服务器。
在本说明书一个可选的实施例中，第一待定结果中携带有所述贷款业务申请请求的标识信息，则管理服务器能够建立第一待定结果和贷款业务申请请求之间的对应关系。
S206：管理服务器接收贷款业务机构发送的贷款业务申请请求，以及该贷款业务申请请求对应的第一待定结果。
本说明对贷款业务机构与管理服务器之间的通信方式不做具体限制。在一个可选的实施例中，贷款业务机构可以与管理服务器通过网络通信。
S208：管理服务器采用其自身的风险识别模型，根据输入的第一待定结果，得到第二待定结果。
本说明书中的管理服务器包含风险识别模型和偶发业务识别模型。本步骤的过程示例性的如图3所示。
在本说明书一个可选的实施例中，在执行图2所示的过程之前，针对每个历史贷款业务申请请求，获取贷款业务机构针对该历史贷款业务申请请求生成的历史第一待定结果以及历史审核结果。将历史第一待定结果确定为该历史贷款业务申请请求对应的样本特征，将该历史审核结果确定为该历史贷款业务申请请求对应的标签。根据各样本特征和标签，训练预设的风险识别模型。
可见，本说明书的风险识别模型能够综合与管理服务器通信连接的所有贷款业务机构历史上遇到的各种风险，对该第一待定结果对应的贷款业务申请请求的风险进行识别。
并且，风险识别模型对风险进行的识别，是基于第一待定结果进行的，一方面第一待定结果能够体现出生成该第一待定结果的贷款业务机构的个性化审核结果；另一方面，风险识别模型基于第一待定结果进行的风险识别，无需对贷款业务申请请求这种较为原始的数据进行处理，能够较大程度的减少风险识别模型的数据处理的量。在实际场景中，与管理服务器通信连接的贷款业务机构众多，若所有贷款业务申请请求的原始数据都需要风险识别模型，将会对风险识别模型造成较大的负担。本说明书中的贷款业务审核有效的降低了风险识别模型的负担。
进一步地，风险识别模型可以是LSTM模型。
S210：管理服务器根据所述第二待定结果和所述贷款业务申请请求，采用所述偶发业务识别模型，得到偶发业务鉴别结果。
在实际场景中，有可能存在用户基于个人较为急迫的需求，和/或受到政策的影响，引发的借贷行为，由此产生的贷款业务申请请求有可能被错误的评价为风险较高，导致该贷款业务申请请求被判定为不通过审核。
为避免这种偶发的、“看起来风险很高”但实际风险不高的贷款业务申请请求不会被误判为不通过审核，在本说明书一个可选的实施例中，确定当前时刻所属的业务周期（业务周期可以根据实际的需求确定，例如，可以将一天作为一个业务周期、也可以将一周作为一个业务周期），作为目标业务周期。将目标业务周期之前的各业务周期中，各历史贷款业务申请请求的历史第二待定结果和历史贷款业务申请请求之间的对应关系，作为偶发业务识别模型。
本说明书中的历史第二待定结果和历史贷款业务申请请求之间的对应关系可以以表为载体。
则根据所述第二待定结果和所述贷款业务申请请求，采用所述偶发业务识别模型，得到偶发业务鉴别结果的过程可以是：确定第二待定结果和所述贷款业务申请请求之间的对应关系，作为基准对应关系。查找所述偶发业务识别模型中是否记录有与所述基准对应关系的匹配度大于预设阈值的对应关系，若有，则将非偶发业务，确定为该贷款业务申请请求的偶发业务鉴别结果；若无，则将偶发业务，确定为该贷款业务申请请求的偶发业务鉴别结果。
S212：管理服务器将所述第二待定结果和偶发业务鉴别结果发送至该贷款业务机构。
S214：贷款业务机构接收所述管理服务器发送的第二待定结果和偶发业务鉴别结果。
S216：贷款业务机构采用该贷款业务机构的本地的业务规则，根据所述第二待定结果和偶发业务鉴别结果，生成该贷款业务申请请求的审核结果。
在本说明一个可选的实施例中，可以确定当前时刻所属的业务周期，作为目标业务周期。根据该贷款业务机构本地的业务规则，在预设的备选指标（例如，备选指标可以是效率和安全）中，筛选出所述目标业务周期对应的指定指标。例如，该贷款业务机构受到经营状况等因素的影响，以提高效率作为业务规则，在确定出的指定指标可以是效率。
然后，根据所述偶发业务鉴别结果，生成所述指定指标对应的第三权重。具体地，若偶发业务鉴别结果示出该贷款业务申请请求是非偶发业务，则确定高风险权重作为第三权重；若偶发业务鉴别结果示出该贷款业务申请请求是偶发业务，则确定低风险权重作为第三权重。高风险权重大于低风险权重。
之后，采用所述第三权重对所述第二待定结果进行加权。若加权后的第二待定结果小于预设的风险阈值，则将通过审核确定为所述贷款业务申请请求的审核结果。若加权后的第二待定结果不小于预设的风险阈值，则将通过不审核确定为所述贷款业务申请请求的审核结果。
至此完成了对贷款业务申请请求的审核。若通过审核，则贷款业务机构可以针对该贷款业务申请请求发放贷款；若不通过审核，则贷款业务机构可以不针对该贷款业务申请请求发放贷款。
基于同样的思路，本说明书实施例还提供了对应于图2所示部分过程的第一种贷款业务审核装置，第一种贷款业务审核装置应用于贷款业务审核系统的贷款业务机构。如图4所示，所述第一种贷款业务审核装置可以包括以下模块中的一个或多个：
第一获取模块400，配置为：获取贷款业务申请请求。
第一待定结果生成模块402，配置为：采用该贷款业务机构的本地数据，针对该贷款业务申请请求的风险，生成第一待定结果。
第一发送模块404，配置为：将所述第一待定结果和所述贷款业务申请请求，发送至所述管理服务器，使得所述管理服务器的风险识别模型根据所述第一待定结果，输出第二待定结果；并使得所述管理服务器的偶发业务识别模型，根据所述第二待定结果和所述贷款业务申请请求生成偶发业务鉴别结果；所述第二待定结果示出：相对于所述贷款业务审核系统处理的各历史贷款业务申请请求，所述贷款业务申请请求的风险；所述偶发业务鉴别结果示出：所述贷款业务申请请求的风险的随机性。
第一接收模块406，配置为：接收所述管理服务器发送的第二待定结果和偶发业务鉴别结果。
审核结果生成模块408，配置为：采用该贷款业务机构的本地的业务规则，根据所述第二待定结果和偶发业务鉴别结果，生成该贷款业务申请请求的审核结果。
在本说明书一个可选的实施例中，所述风险识别模型是采用各贷款业务机构在历史上生成的各历史第一待定结果训练得到的。
在本说明书一个可选的实施例中，第一待定结果生成模块402具体配置为：确定所述贷款业务申请请求，对应于预设的每个维度的贷款信息；所述维度包括：生成所述贷款业务申请请求的用户的画像、贷款额和还款期数；
根据所述用户的画像，生成对应于所述贷款额的第一权重和对应于所述还款期数的第二权重；
采用所述第一权重、第二权重，分别对所述贷款额、还款期数进行加权；
根据加权得到结果，生成第一待定结果。
在本说明书一个可选的实施例中，审核结果生成模块408具体配置为：确定当前时刻所属的业务周期，作为目标业务周期；
根据该贷款业务机构本地的业务规则，确定所述目标业务周期对应的指定指标；
根据所述偶发业务鉴别结果，生成所述指定指标对应的第三权重；
采用所述第三权重对所述第二待定结果进行加权；
根据加权后的第二待定结果，得到所述贷款业务申请请求的审核结果。
在本说明书一个可选的实施例中，审核结果生成模块408还配置为：若加权后的第二待定结果小于预设的风险阈值，则将通过审核确定为所述贷款业务申请请求的审核结果。
基于同样的思路，本说明书实施例还提供了对应于图2所示部分过程的第二种贷款业务审核装置，第二种贷款业务审核装置应用于贷款业务审核系统的管理服务器。如图5所示，所述第二种贷款业务审核装置可以包括以下模块中的一个或多个：
第二接收模块500，配置为：接收各贷款业务机构中的任意一个贷款业务机构发送的贷款业务申请请求，以及该贷款业务申请请求对应的第一待定结果；所述第一待定结果是该贷款业务机构针对该贷款业务申请请求，采用该贷款业务机构的本地数据生成的；所述第一待定结果示出该贷款业务申请请求的风险。
第二待定结果生成模块502，配置为：采用风险识别模型，根据输入的第一待定结果，得到第二待定结果；所述第二待定结果示出：相对于所述贷款业务审核系统处理的各历史贷款业务申请请求，所述贷款业务申请请求的风险。
偶发业务鉴别结果生成模块504，配置为：根据所述第二待定结果和所述贷款业务申请请求，采用所述偶发业务识别模型，得到偶发业务鉴别结果；所述偶发业务鉴别结果示出：所述贷款业务申请请求的风险的随机性。
第二发送模块506，配置为：将所述第二待定结果和偶发业务鉴别结果发送至该贷款业务机构，使得该贷款业务机构采用该贷款业务机构的本地的业务规则，根据所述第二待定结果和偶发业务鉴别结果，生成该贷款业务申请请求的审核结果。
在本说明书一个可选的实施例中，所述第二种贷款业务审核装置还可以包括训练模块508。
所述训练模块508，配置为：针对每个历史贷款业务申请请求，获取贷款业务机构针对该历史贷款业务申请请求生成的历史第一待定结果以及历史审核结果。将历史第一待定结果确定为该历史贷款业务申请请求对应的样本特征，将该历史审核结果确定为该历史贷款业务申请请求对应的标签。根据各样本特征和标签，训练预设的风险识别模型。
在本说明书一个可选的实施例中，所述风险识别模型是LSTM模型。
在本说明书一个可选的实施例中，所述第二种贷款业务审核装置还可以包括对应关系确定模块510。
所述对应关系确定模块510，配置为：确定当前时刻所属的业务周期，作为目标业务周期。将目标业务周期之前的各业务周期中，各历史贷款业务申请请求的历史第二待定结果和历史贷款业务申请请求之间的对应关系，作为偶发业务识别模型。
能够理解，上述贷款业务审核装置，能够实现前述实施例中提供的由贷款业务审核系统执行的贷款业务审核过程的各个步骤，关于贷款业务审核方法的相关阐释均适用于贷款业务审核装置，此处不再赘述。
图6是本申请的一个实施例电子设备的结构示意图。请参考图6，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器（non-volatile memory），例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构）总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构）总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成第一种贷款业务审核装置和/或第二种贷款业务审核装置。处理器，执行存储器所存放的程序，并具体用于执行前述任意一种贷款业务审核过程。
上述如本申请图2所示实施例揭示的第一种贷款业务审核装置和/或第二种贷款业务审核装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（ApplicationSpecific Integrated Circuit，ASIC）、现场可编程门阵列（Field－Programmable GateArray，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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图2中贷款业务审核装置执行的至少部分方法步骤，并实现第一种贷款业务审核装置和/或第二种贷款业务审核装置在图2所示实施例的功能，本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图2所示实施例中第一种贷款业务审核装置和/或第二种贷款业务审核装置执行的方法，并具体用于执行前述的任意一种贷款业务审核方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、设备（系统）、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。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (4)
1.一种贷款业务审核方法，所述方法基于贷款业务审核系统，所述贷款业务审核系统包括：管理服务器、以及与所述管理服务器连接的多个贷款业务机构，所述管理服务器包括：风险识别模型和偶发业务识别模型；所述方法由所述多个贷款业务机构中的任意一个执行，所述方法包括：
获取贷款业务申请请求；
采用该贷款业务机构的本地数据，针对该贷款业务申请请求的风险，生成第一待定结果；
将所述第一待定结果和所述贷款业务申请请求，发送至所述管理服务器，使得所述管理服务器的所述风险识别模型根据所述第一待定结果，输出第二待定结果；并使得所述管理服务器的所述偶发业务识别模型，根据所述第二待定结果和所述贷款业务申请请求生成偶发业务鉴别结果；所述第二待定结果示出：相对于所述贷款业务审核系统处理的各历史贷款业务申请请求，所述贷款业务申请请求的风险；所述偶发业务鉴别结果示出：所述贷款业务申请请求的风险的随机性；
接收所述管理服务器发送的所述第二待定结果和所述偶发业务鉴别结果；
采用该贷款业务机构的本地的业务规则，根据所述第二待定结果和所述偶发业务鉴别结果，生成该贷款业务申请请求的审核结果；
其中，所述风险识别模型是LSTM模型，所述风险识别模型是通过以下步骤训练得到的：针对每个历史贷款业务申请请求，获取贷款业务机构针对该历史贷款业务申请请求生成的历史第一待定结果以及历史审核结果；将所述历史第一待定结果确定为该历史贷款业务申请请求对应的样本特征，将所述历史审核结果确定为该历史贷款业务申请请求对应的标签；根据各样本特征和标签，训练预设的风险识别模型，得到所述风险识别模型；
所述偶发业务识别模型是目标业务周期之前的各业务周期中，各历史贷款业务申请请求的历史第二待定结果和历史贷款业务申请请求之间的对应关系；所述目标业务周期是当前时刻所属的业务周期；
采用该贷款业务机构的本地数据，针对该贷款业务申请请求的风险，生成第一待定结果，包括：确定所述贷款业务申请请求，对应于预设的每个维度的贷款信息；所述维度包括：生成所述贷款业务申请请求的用户的画像、贷款额和还款期数；根据所述用户的画像，生成对应于所述贷款额的第一权重和对应于所述还款期数的第二权重；采用所述第一权重、所述第二权重，分别对所述贷款额、所述还款期数进行加权；根据加权得到结果，生成所述第一待定结果。
2.如权利要求1所述方法，其中，采用该贷款业务机构的本地的业务规则，根据所述第二待定结果和所述偶发业务鉴别结果，生成该贷款业务申请请求的审核结果，包括：
确定当前时刻所属的业务周期，作为目标业务周期；
根据该贷款业务机构本地的业务规则，确定所述目标业务周期对应的指定指标；
根据所述偶发业务鉴别结果，生成所述指定指标对应的第三权重；
采用所述第三权重对所述第二待定结果进行加权；
根据加权后的第二待定结果，得到所述贷款业务申请请求的审核结果。
3.如权利要求2所述方法，其中，根据加权后的第二待定结果，得到所述贷款业务申请请求的审核结果，包括：
若加权后的第二待定结果小于预设的风险阈值，则将通过审核确定为所述贷款业务申请请求的审核结果。
4.一种贷款业务审核方法，所述方法基于贷款业务审核系统，所述贷款业务审核系统包括：管理服务器、以及与所述管理服务器连接的多个贷款业务机构，所述管理服务器包括：风险识别模型和偶发业务识别模型；所述方法由所述管理服务器执行，所述方法包括：
接收各贷款业务机构中的任意一个贷款业务机构发送的贷款业务申请请求，以及该贷款业务申请请求对应的第一待定结果；所述第一待定结果是该贷款业务机构针对该贷款业务申请请求，采用该贷款业务机构的本地数据生成的；所述第一待定结果示出该贷款业务申请请求的风险；
采用所述风险识别模型，根据输入的所述第一待定结果，得到第二待定结果；所述第二待定结果示出：相对于所述贷款业务审核系统处理的各历史贷款业务申请请求，所述贷款业务申请请求的风险；
根据所述第二待定结果和所述贷款业务申请请求，采用所述偶发业务识别模型，得到偶发业务鉴别结果；所述偶发业务鉴别结果示出：所述贷款业务申请请求的风险的随机性；
将所述第二待定结果和所述偶发业务鉴别结果发送至该贷款业务机构，使得该贷款业务机构采用该贷款业务机构的本地的业务规则，根据所述第二待定结果和所述偶发业务鉴别结果，生成该贷款业务申请请求的审核结果；
其中，所述风险识别模型是LSTM模型，所述风险识别模型是通过以下步骤训练得到的：针对每个历史贷款业务申请请求，获取贷款业务机构针对该历史贷款业务申请请求生成的历史第一待定结果以及历史审核结果；将所述历史第一待定结果确定为该历史贷款业务申请请求对应的样本特征，将所述历史审核结果确定为该历史贷款业务申请请求对应的标签；根据各样本特征和标签，训练预设的风险识别模型，得到所述风险识别模型；
所述偶发业务识别模型是目标业务周期之前的各业务周期中，各历史贷款业务申请请求的历史第二待定结果和历史贷款业务申请请求之间的对应关系；所述目标业务周期是当前时刻所属的业务周期；
所述第一待定结果是通过以下步骤得到的：采用该贷款业务机构的本地数据，针对该贷款业务申请请求的风险，生成第一待定结果，包括：确定所述贷款业务申请请求，对应于预设的每个维度的贷款信息；所述维度包括：生成所述贷款业务申请请求的用户的画像、贷款额和还款期数；根据所述用户的画像，生成对应于所述贷款额的第一权重和对应于所述还款期数的第二权重；采用所述第一权重、所述第二权重，分别对所述贷款额、所述还款期数进行加权；根据加权得到结果，生成所述第一待定结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110314301.1A CN112907359B (zh) | 2021-03-24 | 2021-03-24 | 一种银行贷款业务资质审核与风险控制系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110314301.1A CN112907359B (zh) | 2021-03-24 | 2021-03-24 | 一种银行贷款业务资质审核与风险控制系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112907359A CN112907359A (zh) | 2021-06-04 |
| CN112907359B true CN112907359B (zh) | 2024-03-12 |
Family
ID=76106223
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110314301.1A Active CN112907359B (zh) | 2021-03-24 | 2021-03-24 | 一种银行贷款业务资质审核与风险控制系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112907359B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115760368A (zh) * | 2022-11-24 | 2023-03-07 | 中电金信软件有限公司 | 一种信贷业务审批方法、装置及电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084694A (zh) * | 2019-04-03 | 2019-08-02 | 平安普惠企业管理有限公司 | 一种基于数据处理的订单分配方法及相关设备 |
| AU2020100709A4 (en) * | 2020-05-05 | 2020-06-11 | Bao, Yuhang Mr | A method of prediction model based on random forest algorithm |
| 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 |
| CN112365341A (zh) * | 2020-11-26 | 2021-02-12 | 四川享宇金信金融科技有限公司 | 信贷机构反欺诈方法、装置、设备和存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3475911A1 (en) * | 2016-06-22 | 2019-05-01 | Swiss Reinsurance Company Ltd. | Life insurance system with fully automated underwriting process for real-time underwriting and risk adjustment, and corresponding method thereof |
-
2021
- 2021-03-24 CN CN202110314301.1A patent/CN112907359B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084694A (zh) * | 2019-04-03 | 2019-08-02 | 平安普惠企业管理有限公司 | 一种基于数据处理的订单分配方法及相关设备 |
| AU2020100709A4 (en) * | 2020-05-05 | 2020-06-11 | Bao, Yuhang Mr | A method of prediction model based on random forest algorithm |
| 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 |
| CN112365341A (zh) * | 2020-11-26 | 2021-02-12 | 四川享宇金信金融科技有限公司 | 信贷机构反欺诈方法、装置、设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| AB银行TC分行个人贷款业务风险管理问题研究;关博;中国优秀硕士学位论文全文数据库 (经济与管理科学辑)(第03期);J162-265 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112907359A (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109063985B (zh) | 一种业务的风险决策方法及装置 | |
| CN109347787B (zh) | 一种身份信息的识别方法及装置 | |
| CN109034583B (zh) | 异常交易识别方法、装置及电子设备 | |
| CN112258178B (zh) | 支付卡的绑定方法、信任评估方法、装置和电子设备 | |
| CN104965844A (zh) | 信息处理方法及装置 | |
| CN108876188B (zh) | 一种间连服务商风险评估方法及装置 | |
| CN110688134B (zh) | 灰度发布的方法及装置 | |
| KR101722017B1 (ko) | 빅데이터 분석을 이용한 ｐ２ｐ 뱅킹 방법 및 이를 수행하는 장치 | |
| CN110766340A (zh) | 一种业务审核方法、装置及设备 | |
| CN111582868B (zh) | 一种交易请求的处理方法、装置及设备 | |
| CN112907359B (zh) | 一种银行贷款业务资质审核与风险控制系统及方法 | |
| CN114862428B (zh) | 行内企业认证方法、终端设备和计算机可读存储介质 | |
| CN111275071A (zh) | 预测模型训练、预测方法、装置及电子设备 | |
| CN116228439A (zh) | 基于知识图谱的风险识别方法、装置、设备以及存储介质 | |
| US20230091063A1 (en) | Systems and methods for real-time processing of resource requests | |
| CN110659904B (zh) | 一种基于区块链的风险数据服务方法、装置及电子设备 | |
| CN111523138B (zh) | 一种隐私数据的保护方法、装置、系统和电子设备 | |
| CN105989493B (zh) | 数据传输的方法及系统 | |
| CN110175831B (zh) | 一种基于区块链的信用转移方法、装置及电子设备 | |
| CN112182502A (zh) | 合规审核方法、装置和设备 | |
| CN111311372A (zh) | 一种用户识别方法和装置 | |
| CN111401870A (zh) | 一种基于区块链的etc支付清分方法、装置及电子设备 | |
| CN110020670B (zh) | 一种模型迭代方法、装置及设备 | |
| CN115730233B (zh) | 一种数据处理方法、装置、可读存储介质以及电子设备 | |
| CN110163662B (zh) | 一种业务模型训练方法、装置及设备 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240409 Address after: 214000, 11th Floor, Building C, Feiyu Building, Wuxi Software Park, No. 111 Linghu Avenue, Xinwu District, Wuxi City, Jiangsu Province Patentee after: Hilong Software (Wuxi) Co.,Ltd. Country or region after: China Address before: Room 2302, unit 2, 23 / F, building 10, 67 Dongsheng Road, Lantian street, Jiangyang District, Luzhou City, Sichuan Province Patentee before: Sichuan qiliwei Innovation Technology Co.,Ltd. Country or region before: China |