CN112966991A - 基于逻辑回归模型的评分卡模型的建立方法 - Google Patents
基于逻辑回归模型的评分卡模型的建立方法 Download PDFInfo
- Publication number
- CN112966991A CN112966991A CN202110544144.3A CN202110544144A CN112966991A CN 112966991 A CN112966991 A CN 112966991A CN 202110544144 A CN202110544144 A CN 202110544144A CN 112966991 A CN112966991 A CN 112966991A
- Authority
- CN
- China
- Prior art keywords
- model
- value
- logistic regression
- training set
- features
- 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
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供基于逻辑回归模型的评分卡模型的建立方法,包括确定样本数据,进行特征衍生,自动及人工对特征进行分箱处理,对分箱进行woe转换处理,利用XGBoost进行特征二次衍生,再利用逐步回归选择最终建模的特征,最终利用Lasso逻辑回归模型建模。本发明能够使得最后入选的特征和业务逻辑保持高度一致,使得模型的可解释性得到了进一步的提高,同时利用了XGBoost、Lasso算法,自动化衍生出高IV值特征、提供了内嵌的特征选择,显著提高模型拟合以及稳定效果。
Description
技术领域
本发明涉及金融科技信贷行业的用户评分卡技术领域,具体涉及基于逻辑回归模型的评分卡模型的建立方法。
背景技术
信贷业务是互联网金融公司主要的资产业务,通过给客户放款,赚取利息。然而在实际给客户放款的过程中,会存在一些客户逾期,贷款不还的情况。过多客户逾期不还贷款,可能导致公司资金链断裂从而破产。因此,在信贷风险管理领域,互联网金融公司更倾向于把贷款放给一些资质良好的用户,从而减少放款人群中逾期不还款的人数,增加公司营收。
在当今互联网金融公司,基于各种机器学习算法建立的评分卡系统已经成为了筛选好坏客户的主流方式。
通常来说,机器学习模型的可解释性和复杂度成反比关系,即一个模型的可解释越高,模型往往就会越简单。按照模型可解释性从高到低的顺序,主流的评分卡模型可大致列举为逻辑回归(Logistic Regression)、树模型(Random Forest, XGBoost)、再到近几年比较流行的深度学习模型CNN,LSTM等。
虽然在给定足够多的数据样本的情况下,复杂度高的模型可能能更好地区分出好坏客户,但受于相关监管部门对于模型可解释性的要求,目前信贷金融行业仍然把最传统的逻辑回归模型作为用户信用评分卡的建模的首选方法。
发明内容
本发明的目的是提供基于逻辑回归模型的评分卡模型的建立方法,平衡了模型的可解释性以及复杂度,引用了Lasso惩罚因子,改善了变量之间存在多重共线性的问题,并在特征衍生方面利用XGBoost模型自动衍生高IV值的特征,进而提高模型的预测能力。
本发明提供了如下的技术方案:
基于逻辑回归模型的评分卡模型的建立方法,包括以下步骤:
S1、确定样本,收集相关数据,对变量进行预处理及衍生,并把数据集依比例分割为训练集与测试集;
S2、自动对所述训练集的所有特征进行卡方最优分箱处理;
S3、计算经过卡方分箱处理的特征的IV值以及特征之间的相关性,根据计算数据自动筛选出符合要求的特征,完成第一轮特征筛选;
S4、对第一轮筛选的剩余特征进行人工分箱,逐个分析每一个特征分箱情况,使得特征分箱符合业务逻辑,删除不符合业务逻辑的特征;
S5、对经过人工分箱处理后的特征进行woe处理;
S6、计算经过woe处理后的特征的IV值以及特征之间的相关性,并根据计算数据进行第二次自动筛选,选出符合要求的特征;
S7、通过逐步回归算法,选取最终入模特征;
S8、对所述训练集进行5折交叉验证,自定义目标函数,平衡所述训练集KS值和训练所述测试集的KS值,通过网格搜索法找出最佳Lasso惩罚系数;
S9、当找出最佳Lasso惩罚系数后,通过Lasso逻辑回归模型与XGBoost模型分别对所述训练集进行正向建模与反向建模,当正向Lasso逻辑回归中所述训练集KS值与所述测试集KS值差距大于事先设定值,或者反向建模中所述训练集KS值显著低于正向建模中所述训练集KS值,则返回步骤S1重新定义所述训练集与测试集的样本或者重新选取用户群体;
S10、如果所述XGBoost模型生成的模型KS值比所述Lasso逻辑回归模型KS值高于设定值,则将所述XGBoost模型衍生出高维度特征加入模型,并返回S6重新筛选最终入模特征;
S11、在确定最终入模特征后,通过Lasso逻辑回归进行建模,并检验模型的各项指标,判断特征系数是否均大于0以及模型的PSI值是否大于设定值;
S12、对于不符合步骤S11中指标的特征变量,将其删除,然后返回至步骤S6重新筛选最终入模特征;
S13、将上述符合条件的Lasso逻辑回归模型映射到一个评分卡系统中,以建立评分卡模型。
优选的,步骤S1中的所述训练集与所述测试集的分割方法按照申请月份或按照比例进行划分,所述训练集用于建模,所述测试集用于模拟实际投入使用时分辨好坏用户的效果。
优选的,通过Python自定义算法对所述训练集的所有特征进行卡方最优分箱处理。
优选的,步骤S3的筛选方法为:设定IV值阈值与相关性阈值,删除IV值低于所述IV值阈值的特征,当两个特征值之间的相关性大于所述相关性阈值时,删除IV值较低的特征。
优选的,步骤S9所述的正向建模的方法为:用所述训练集训练模型,用所述测试集检验模型效果;所述反向建模的方法为:用所述测试集建模,并用所述训练集检验模型效果。
优选的,步骤S9中正向Lasso逻辑回归中所述训练集KS值与所述测试集KS值差距的事先设定值为10%,反向建模中所述训练集KS值显著低于正向建模中所述训练集KS值的评断标准是差值是否超过10%。
优选的,步骤S10中所述的设定值为10%。
优选的,步骤S11中的所述PSI值的设定值为0.2。
优选的,训练集与测试集的占比为8:2。
本发明的有益效果是:
1、在逻辑回归模型的基础上,引用了Lasso惩罚因子,可以实现内部的特征选择,即使某些参数的系数为0,起到了筛选无效特征的作用;
2、Python自动化分箱与人工分箱的结合可在极大提高工作效率的基础上,同时保证的特征分箱的准确性与高效性,节约模型开发时间且提高了模型的拟合效果;
3、不同于基于纯基础原始特征或纯树模型衍生的高维度特征所建立的逻辑回归模型,我们只有当树模型的模型效果显著大于基于纯基础原始特征建立的逻辑回归模型时,才会引入某些由XGBoost衍生的高维特征,这样既保证了模型的可解释性,同时也提高了模型的拟合度与稳定性,在两者之间达到了一种动态平衡;
4、对于Lasso惩罚因子权重的确定,我们用了5折交叉验证方法,使得确定的权重主观性不强,且确保了后期使用的稳定性;
5、将多种机器学习算法融入到实际金融风险领域的传统逻辑回归模型中,综合考虑各方面优点,融合了传统算法与进阶算法,即一定程度保持了传统算法可解释强的优点,也获取了进阶算法带来的模型拟合度高的特性。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明方法流程图。
具体实施方式
实施例一
如图1所示,基于逻辑回归模型的评分卡模型的建立方法,其特征在于,包括以下步骤:
S1、确定样本,收集相关数据,对变量进行预处理及衍生,并把数据集依比例分割为训练集与测试集;
S2、自动对训练集的所有特征进行卡方最优分箱处理;
S3、计算经过卡方分箱处理的特征的IV值以及特征之间的相关性,根据计算数据自动筛选出符合要求的特征,完成第一轮特征筛选;
S4、对第一轮筛选的剩余特征进行人工分箱,逐个分析每一个特征分箱情况,使得特征分箱符合业务逻辑,删除不符合业务逻辑的特征;
S5、对经过人工分箱处理后的特征进行woe处理;
S6、计算经过woe处理后的特征的IV值以及特征之间的相关性,并根据计算数据进行第二次自动筛选,选出符合要求的特征;
S7、通过逐步回归算法,选取最终入模特征;
S8、对训练集进行5折交叉验证,自定义目标函数,平衡训练集KS值和训练测试集的KS值,通过网格搜索法找出最佳Lasso惩罚系数;
S9、当找出最佳Lasso惩罚系数后,通过Lasso逻辑回归模型与XGBoost模型分别对训练集进行正向建模与反向建模,当正向Lasso逻辑回归中训练集KS值与测试集KS值差距大于事先设定值,或者反向建模中训练集KS值显著低于正向建模中训练集KS值,则返回步骤S1重新定义训练集与测试集的样本或者重新选取用户群体;
S10、如果XGBoost模型生成的模型KS值比Lasso逻辑回归模型KS值高于设定值,则将XGBoost模型衍生出高维度特征加入模型,并返回S6重新筛选最终入模特征;
S11、在确定最终入模特征后,通过Lasso逻辑回归进行建模,并检验模型的各项指标,判断特征系数是否均大于0以及模型的PSI值是否大于设定值;
S12、对于不符合步骤S11中指标的特征变量,将其删除,然后返回至步骤S6重新筛选最终入模特征;
S13、将上述符合条件的Lasso逻辑回归模型映射到一个评分卡系统中,以建立评分卡模型。
实施例二
基于逻辑回归模型的评分卡模型的建立方法,其特征在于,包括以下步骤:
S1、确定样本,收集相关数据,对变量进行预处理及衍生,如把一些日期数据转化为距离天数、账期结束身份证是否逾期等;并把数据集依比例分割为训练集与测试集;训练集用于建模,测试集用于模拟实际投入使用时分辨好坏用户的效果。具体分割方法依情况而定,可按照申请月份分也可以全部打乱按比例分,但需确保测试集占比合理,训练集样本过低会影响模型评估效果,过高则会导致训练出来的模型出现欠拟合的情况,本实施例中训练集与测试集的占比为8:2;
S2、确定原始数据后,通过Python自定义算法自动对训练集的所有特征进行卡方最优分箱处理,特征分箱处理后会极大减少异常值带来的影响,同时也会增强模型的稳定性以及拟合程度;
S3、计算经过卡方分箱处理的特征的IV值以及特征之间的相关性,根据计算数据自动筛选出符合要求的特征,设定IV值阈值与相关性阈值,删除IV值低于IV值阈值的特征,当两个特征值之间的相关性大于相关性阈值时,删除IV值较低的特征,以减少后期人工精细分箱的工作量;
S4、对第一轮筛选的剩余特征进行人工分箱,逐个分析每一个特征分箱情况,使得特征分箱符合业务逻辑,删除不符合业务逻辑的特征,确保特征分箱符合实际业务逻辑,以防后期上线模型效果不佳;
S5、对经过人工分箱处理后的特征进行woe处理,极大提高的评分卡的可解释性;
S6、计算经过woe处理后的特征的IV值以及特征之间的相关性,并根据计算数据进行第二次自动筛选,选出符合要求的特征;
S7、通过逐步回归算法,选取最终入模特征;
S8、对训练集进行5折交叉验证,自定义目标函数,平衡训练集KS值和训练测试集的KS值,通过网格搜索法找出最佳Lasso惩罚系数,其中,自定义目标函数同时考虑到了模型的拟合能力和泛化能力;
S9、当找出最佳Lasso惩罚系数后,通过Lasso逻辑回归模型与XGBoost模型分别对训练集进行正向建模与反向建模,正向建模的方法为:用训练集训练模型,用测试集检验模型效果;反向建模的方法为:用测试集建模,并用训练集检验模型效果;
当正向Lasso逻辑回归中训练集KS值与测试集KS值差距大于10%,或者反向建模中训练集KS值低于正向建模中训练集KS值10%,则表明训练集、测试集分布差异较大,则返回步骤S1重新定义训练集与测试集的样本或者重新选取用户群体;
有上述可得,以反向建模的结果评判样本的选取是否有效,以保证模型的有效性,避免因为时间等因素带来的样本数据不准确,从而影响整个模型的稳定性;
S10、如果XGBoost模型生成的模型KS值比Lasso逻辑回归模型高于10%,则将XGBoost模型衍生出高维度特征加入模型,并返回S6重新筛选最终入模特征;
S11、在确定最终入模特征后,通过Lasso逻辑回归进行建模,并检验模型的各项指标,判断特征系数是否均大于0以及模型的PSI值是否大于0.2,使得模型符合业务逻辑且满足上线的标准;
S12、对于不符合步骤S11中指标的特征变量,将其删除,然后返回至步骤S6重新筛选最终入模特征;
S13、将上述符合条件的Lasso逻辑回归模型映射到一个评分卡系统中,以建立评分卡模型。由于Lasso逻辑回归模型输出值为0到1之间,可以看作为是坏人的概率,我们可以计算出概率的几率,确定基准,将几率的对数形式线性映射到评分卡系统,通常来说基准几率的对数形式对应600分,当对数几率提高一倍,分数下降50,使其能体现好人分高,坏人分少的大致分布。
本发明实例主要基于Python实现,但本发明实例对所选计算机语言不做限定。
本发明在逻辑回归模型的基础上,引用了Lasso惩罚因子,由于其独特的数学原理,可以实现内部的特征选择,即使某些参数的系数为0,起到了筛选无效特征的作用。
Python自动化分箱与人工分箱的结合可在极大提高工作效率的基础上,同时保证的特征分箱的准确性与高效性,节约模型开发时间且提高了模型的拟合效果。
不同于基于纯基础原始特征或纯树模型衍生的高维度特征所建立的逻辑回归模型,我们只有当树模型的模型效果显著大于基于纯基础原始特征建立的逻辑回归模型时,才会引入某些由XGBoost衍生的高维特征,这样既保证了模型的可解释性,同时也提高了模型的拟合度与稳定性,在两者之间达到了一种动态平衡。
对于Lasso惩罚因子权重的确定,我们用了5折交叉验证方法,使得确定的权重主观性不强,且确保了后期使用的稳定性。
本发明将多种机器学习算法融入到实际金融风险领域的传统逻辑回归模型中,综合考虑各方面优点,融合了传统算法与进阶算法,即一定程度保持了传统算法可解释强的优点,也获取了进阶算法带来的模型拟合度高的特性。熟练运用机器学习多种算法,汲取各种算法优点并运用到实际金融风控信审领域的传统逻辑回归模型中,上述方法使得模型的预测能力在原有的基础上提升了5%-20%,极大提高了企业在信审阶段的准确性,更加精准的筛选出好用户,是本发明实例的主要贡献。
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,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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 (9)
1.基于逻辑回归模型的评分卡模型的建立方法,其特征在于,包括以下步骤:
S1、确定样本,收集相关数据,对变量进行预处理及衍生,并把数据集依比例分割为训练集与测试集;
S2、自动对所述训练集的所有特征进行卡方最优分箱处理;
S3、计算经过卡方分箱处理的特征的IV值以及特征之间的相关性,根据计算数据自动筛选出符合要求的特征,完成第一轮特征筛选;
S4、对第一轮筛选的剩余特征进行人工分箱,逐个分析每一个特征分箱情况,使得特征分箱符合业务逻辑,删除不符合业务逻辑的特征;
S5、对经过人工分箱处理后的特征进行woe处理;
S6、计算经过woe处理后的特征的IV值以及特征之间的相关性,并根据计算数据进行第二次自动筛选,选出符合要求的特征;
S7、通过逐步回归算法,选取最终入模特征;
S8、对所述训练集进行5折交叉验证,自定义目标函数,平衡所述训练集KS值和训练所述测试集的KS值,通过网格搜索法找出最佳Lasso惩罚系数;
S9、当找出最佳Lasso惩罚系数后,通过Lasso逻辑回归模型与XGBoost模型分别对所述训练集进行正向建模与反向建模,当正向Lasso逻辑回归中所述训练集KS值与所述测试集KS值差距大于事先设定值,或者反向建模中所述训练集KS值显著低于正向建模中所述训练集KS值,则返回步骤S1重新定义所述训练集与测试集的样本或者重新选取用户群体;
S10、如果所述XGBoost模型生成的模型KS值比所述Lasso逻辑回归模型KS值高于设定值,则将所述XGBoost模型衍生出高维度特征加入模型,并返回S6重新筛选最终入模特征;
S11、在确定最终入模特征后,通过Lasso逻辑回归进行建模,并检验模型的各项指标,判断特征系数是否均大于0以及模型的PSI值是否均大于设定值;
S12、对于不符合步骤S11中指标的特征变量,将其删除,然后返回至步骤S6重新筛选最终入模特征;
S13、将上述符合条件的Lasso逻辑回归模型映射到一个评分卡系统中,以建立评分卡模型。
2.根据权利要求1所述的基于逻辑回归模型的评分卡模型的建立方法,其特征在于,步骤S1中的所述训练集与所述测试集的分割方法按照申请月份或按照比例进行划分,所述训练集用于建模,所述测试集用于模拟实际投入使用时分辨好坏用户的效果。
3.根据权利要求1所述的基于逻辑回归模型的评分卡模型的建立方法,其特征在于,通过Python自定义算法对所述训练集的所有特征进行卡方最优分箱处理。
4.根据权利要求1所述的基于逻辑回归模型的评分卡模型的建立方法,其特征在于,步骤S3的筛选方法为:设定IV值阈值与相关性阈值,删除IV值低于所述IV值阈值的特征,当两个特征值之间的相关性大于所述相关性阈值时,删除IV值较低的特征。
5.根据权利要求1所述的基于逻辑回归模型的评分卡模型的建立方法,其特征在于,步骤S9所述的正向建模的方法为:用所述训练集训练模型,用所述测试集检验模型效果;所述反向建模的方法为:用所述测试集建模,并用所述训练集检验模型效果。
6.根据权利要求1所述的基于逻辑回归模型的评分卡模型的建立方法,其特征在于,步骤S9中正向Lasso逻辑回归中所述训练集KS值与所述测试集KS值差距的事先设定值为10%,反向建模中所述训练集KS值显著低于正向建模中所述训练集KS值的评断标准是差值是否超过10%。
7.根据权利要求1所述的基于逻辑回归模型的评分卡模型的建立方法,其特征在于,步骤S10中所述的设定值为10%。
8.根据权利要求1所述的基于逻辑回归模型的评分卡模型的建立方法,其特征在于,步骤S11中的所述PSI值的设定值为0.2。
9.根据权利要求1所述的基于逻辑回归模型的评分卡模型的建立方法,其特征在于,所述训练集与所述测试集之间的占比为8:2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110544144.3A CN112966991A (zh) | 2021-05-19 | 2021-05-19 | 基于逻辑回归模型的评分卡模型的建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110544144.3A CN112966991A (zh) | 2021-05-19 | 2021-05-19 | 基于逻辑回归模型的评分卡模型的建立方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112966991A true CN112966991A (zh) | 2021-06-15 |
Family
ID=76275637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110544144.3A Pending CN112966991A (zh) | 2021-05-19 | 2021-05-19 | 基于逻辑回归模型的评分卡模型的建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966991A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724061A (zh) * | 2021-08-18 | 2021-11-30 | 杭州信雅达泛泰科技有限公司 | 基于客户分群的消费金融产品信用评分方法及装置 |
CN114783007A (zh) * | 2022-06-22 | 2022-07-22 | 成都新希望金融信息有限公司 | 设备指纹识别方法、装置和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020163055A1 (en) * | 2019-02-08 | 2020-08-13 | Innovaccer Inc. | Extraction and conversion of electronic health information for training a computerized data model |
CN112232947A (zh) * | 2020-10-23 | 2021-01-15 | 中国工商银行股份有限公司 | 贷中风险预测方法及装置 |
CN112598294A (zh) * | 2020-12-25 | 2021-04-02 | 四川云从天府人工智能科技有限公司 | 在线建立评分卡模型的方法、装置、机器可读介质及设备 |
CN112686446A (zh) * | 2020-12-28 | 2021-04-20 | 北京工商大学 | 一种面向机器学习可解释性的信贷违约预测方法及系统 |
-
2021
- 2021-05-19 CN CN202110544144.3A patent/CN112966991A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020163055A1 (en) * | 2019-02-08 | 2020-08-13 | Innovaccer Inc. | Extraction and conversion of electronic health information for training a computerized data model |
CN112232947A (zh) * | 2020-10-23 | 2021-01-15 | 中国工商银行股份有限公司 | 贷中风险预测方法及装置 |
CN112598294A (zh) * | 2020-12-25 | 2021-04-02 | 四川云从天府人工智能科技有限公司 | 在线建立评分卡模型的方法、装置、机器可读介质及设备 |
CN112686446A (zh) * | 2020-12-28 | 2021-04-20 | 北京工商大学 | 一种面向机器学习可解释性的信贷违约预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
白婧怡: "基于经典评分卡与机器学习的金融风险识别模型及其应用", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724061A (zh) * | 2021-08-18 | 2021-11-30 | 杭州信雅达泛泰科技有限公司 | 基于客户分群的消费金融产品信用评分方法及装置 |
CN114783007A (zh) * | 2022-06-22 | 2022-07-22 | 成都新希望金融信息有限公司 | 设备指纹识别方法、装置和电子设备 |
CN114783007B (zh) * | 2022-06-22 | 2022-09-27 | 成都新希望金融信息有限公司 | 设备指纹识别方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009479B (zh) | 信用评价方法及装置、存储介质、计算机设备 | |
CN107767263A (zh) | 一种消费信贷的审批方法、装置及服务器 | |
CN112966991A (zh) | 基于逻辑回归模型的评分卡模型的建立方法 | |
CN112541817A (zh) | 一种个人消费贷款潜在客户的营销响应处理方法及系统 | |
CN109740160B (zh) | 一种基于人工智能语义分析的任务发布方法 | |
CN110930038A (zh) | 一种贷款需求识别方法、装置、终端及存储介质 | |
CN113177585A (zh) | 一种用户分类方法、装置、电子设备及存储介质 | |
CN110852600A (zh) | 一种对市场主体动态风险评估的方法 | |
Afşar et al. | Does higher geopolitical risk limits Turkish foreign direct investments? | |
CN109146667B (zh) | 一种基于量化统计的外部接口综合应用模型的构建方法 | |
CN109101574B (zh) | 一种数据防泄漏系统的任务审批方法和系统 | |
CN113065969A (zh) | 企业评分模型构建方法、企业评分方法、介质和电子设备 | |
Yuan | Research on credit risk assessment of P2P network platform: based on the logistic regression model of evidence weight | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN112633709A (zh) | 一种企业征信评估方法和装置 | |
CN113240513A (zh) | 一种用户授信额度的确定方法和相关装置 | |
CN112308466A (zh) | 企业资质审核方法、装置、计算机设备和存储介质 | |
CN110956471A (zh) | 装修行业征信数据的分析方法 | |
CN116051296B (zh) | 基于标准化保险数据的客户评价分析方法及系统 | |
CN113793007B (zh) | 数据交易权限控制方法、装置和设备 | |
CN117994017A (zh) | 构建零售信用风险预测模型的方法和线上信贷业务Scoredelta模型 | |
Nazari et al. | Using the Hybrid Model for Credit Scoring (Case Study: Credit Clients of microloans, Bank Refah-Kargeran of Zanjan, Iran) | |
CN118071483A (zh) | 构建零售信用风险预测模型的方法和个人信贷业务Scorepsi模型 | |
CN118071482A (zh) | 构建零售信用风险预测模型的方法和消费信贷业务Scorebetad模型 | |
CN113065949A (zh) | 基于迭代扩样的财务粉饰与异常识别模型构建方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210615 |