CN113034263A - 一种信贷审批方法、装置、服务器及介质 - Google Patents

Abstract

本申请适用于金融技术领域，提供了一种信贷审批方法、装置、服务器及介质，所述方法包括：接收客户的信贷申请，所述信贷申请包括贷款金额和个人资料；根据所述个人资料获取所述客户的客户数据；采用所述客户数据，通过预先训练得到的风险测算模型计算所述客户的履约概率；若所述履约概率大于预设阈值，则基于所述履约概率，确定所述客户的信贷额度；根据所述信贷额度和所述贷款金额，对所述信贷申请进行审批。通过上述方法，能够提高信贷审批的效率。

Description

一种信贷审批方法、装置、服务器及介质

技术领域

本申请属于金融技术领域，尤其涉及一种信贷审批方法、装置、服务器及介质。

背景技术

信贷是体现一定经济关系的不同所有者之间的借贷行为，是以偿还为条件的价值运动特殊形式，是债权人贷出货币，债务人按期偿还并支付一定利息的信用活动。银行在审批信贷之前，需要预先判断客户的偿还能力，从而避免贷款无法收回。

目前，信贷需求量大，申请人数众多。银行在审批信贷时，需要对客户的资料进行全面的审查和判断，人工审核工作量大，难度高。而且人工审核过程中，对信贷的审核更多依赖于审核人员的主观判断，对于不同的审核人员，信贷审核标准不统一。

发明内容

本申请实施例提供了一种信贷审批方法、装置、服务器及介质，可以提高信贷审批效率。

第一方面，本申请实施例提供了一种信贷审批方法，包括：

接收客户的信贷申请，所述信贷申请包括贷款金额和个人资料；

根据所述个人资料获取所述客户的客户数据；

采用所述客户数据，通过预先训练得到的风险测算模型计算所述客户的履约概率；

若所述履约概率大于预设阈值，则基于所述履约概率，确定所述客户的信贷额度；

根据所述信贷额度和所述贷款金额，对所述信贷申请进行审批。

第二方面，本申请实施例提供了一种信贷审批装置，包括：

接收模块，用于接收客户的信贷申请，所述信贷申请包括贷款金额和个人资料；

获取模块，用于根据所述个人资料获取所述客户的客户数据；

履约概率确定模块，用于采用所述客户数据，通过预先训练得到的风险测算模型计算所述客户的履约概率；

信贷额度确定模块，用于若所述履约概率大于预设阈值，则基于所述履约概率，确定所述客户的信贷额度；

审批模块，用于根据所述信贷额度和所述贷款金额，对所述信贷申请进行审批。

第三方面，本申请实施例提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述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如上述第一方面所述的方法。

第四方面，本申请实施例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，所述计算机程序被处理器执行时实现如上述第一方面所述的方法。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在服务器上运行时，使得服务器执行上述第一方面中所述的方法。

本申请实施例与现有技术相比存在的有益效果是：在本申请实施例中，可以预先训练出风险测算模型，在进行信贷审批时，先接收客户的信贷申请，然后根据信贷申请中的个人资料获取该客户之前的客户数据；再将客户数据输入到风险测算模型中，计算该客户的履约概率。若该客户的履约概率大于预设阈值，则表明该客户还款的概率比较高，此时可以计算客户的额度；之后根据该客户的贷款额度和信贷申请中的贷款金额，可以对该信贷申请进行审批。在本申请中，信贷审批由机器完成，提高了信贷审批的概率，减少了人工浪费；另一方面，通过风险测算模型计算客户的履约概率，能够对客户进行更精确的信用审查，降低风险。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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，下面描述中的附图仅仅是本申请的一些实施例，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。

图1是本申请实施例一提供的一种信贷审批方法的流程示意图；

图2是本申请实施例二提供的一种信贷审批方法的流程示意图；

图3是本申请实施例三提供的一种信贷审批系统的示意图；

图4是本申请实施例四提供的一种信贷审批装置的结构示意图；

图5是本申请实施例五提供的一种服务器的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其他特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

图1是本申请实施例一提供的一种信贷审批方法的流程示意图，如图1所示，所述方法包括：

S101，接收客户的信贷申请，所述信贷申请包括贷款金额和个人资料；

本实施例的执行主体为服务器，可以为云端服务器。服务器可以部署在银行系统内，用于审批信贷申请。

具体地，用户可以通过用户端提交信贷申请，例如客户可以在网上银行、手机银行或微信银行的系统内提交信贷申请。信贷申请中可以包括贷款金额和个人资料。个人资料可以包括姓名、身份证号、联系电话、婚姻资料等。

S102，根据所述个人资料获取所述客户的客户数据；

具体地，上述客户数据可以为客户的存款信息、房产信息、学历信息、银行账户流水信息、信用卡信息等，客户数据用于衡量客户的还款能力。

具体地，根据客户的个人资料可以从银行内部系统调取客户之前的贷款信息、存款信息、个人账户流水信息等；也可以从外部系统中获取客户其他相关信息，例如可以从征信系统获取客户的征信信息、从学信网获取客户的学历信息、通过网络爬虫获取客户的网络舆情等等。

S103，采用所述客户数据，通过预先训练得到的风险测算模型计算所述客户的履约概率；

具体地，可以将客户数据输入到预先训练好的风险测算模型中，风险测算模型可以输出该客户的履约概率。

具体地，可以通过从银行内部系统和外部系统中采集大量的数据，然后采用这些数据，通过机器学习的Logistic回归模型建立风险测算模型。

风险测算模型的具体训练过程如下：

给定n组特征描述的信用风险评估指标(x₁,x₂,x₃,……x_n)

当x_n相对于其他数据较大时，进行标准化处理，即：x_n＝(原数据-平均值)/标准差。

线性回归模型：y＝w₁x₁+w₂x₂+w₃x₃+……+w_nx_n+b＝w^TX+b,……(1)

其中，目标变量y代表借款人的未来资信表现，即履约情况。y∈(0,1),当y＝0时，代表客户违约，当y＝1时，代表客户按时履约。

W为回归系数，b为常量，x为借款人的信用表现特征，x∈(-∞,+∞)。

进一步地，y∈(0,1)，令

其中，p为客户按时履约的概率；1-P为客户违约的概率；

为履约和违约的概率之比，比值越大，说明客户发生违约的概率越小。

进一步地，(2)式两边同时乘以e^y得：

进一步地，通过(3)式可得到Logistic回归函数

和

进一步地，假设y＝1时，

y＝0时，

则：

其中，x_i为第i组特征描述的信用风险评估指标样本取值，y_i为对应的借款人资信表现。

进一步地，运用极大似然估计系数W的值，如下：

(5)式两边取对数可得：

具体地，上述信用风险评估指标可以包括个人基本信息、个人资料信息、消费行为和信用情况等。具体地，上述x_n可以包括：年龄、性别、婚姻、学历、单位性质、岗位性质、购房年份、购房金额、购车年份、购车金额、收入、储蓄金额、贷款金额、贷款消费金额、普通消费金额、贷款目的、累计逾期次数、贷款申请次数等等。其中，在进行数据处理时，可以对一些指标的值进行定义，例如，对于学历，可以用1代表高中及以下，2代表大专，3代表本科，4代表研究生及以上学历；对于一些有数值大小的指标，可以直接采用其数值，例如贷款金额、收入等的数值可以直接作为数据。

具体地，对于婚姻状况数据，1代表离异；2代表未婚；3代表已婚无子女；4代表已婚有子女；对于年龄数据，1代表18-24岁；2代表25-30岁；3代表31-50岁；4代表51岁以上；对于性别数据，1代表男性；2代表女性；对于婚姻状况数据，1代表离异；2代表未婚；3代表已婚无子女；4代表已婚有子女；对于学历数据，1代表高中及以下；2代表大专；3代表本科；4代表研究生及以上学历；对于单位类型数据，1代表自由职业；2代表个体或民营企业；3代表上市公司；4代表国家机关单位；对于岗位性质数据，1代表普通职工；2代表中层管理人员；3代表高层管理人员；购房金额取实际值；购房年份取实际值；购房金额取实际值；购房年份取实际值；收入取工资收入和其他收入之和的实际值；储蓄金额取实际值；贷款消费金额取实际值；普通消费金额取实际值；贷款金额取实际值；对于贷款目的数据，1代表经营；2代表投资；3代表医疗；4代表购物；累计逾期次数取实际值；对于贷款申请次数取实际值。

将这些数据进行预处理后，按照3:1的比例提取出训练样本和验证样本，对训练样本按照上述步骤进行训练，再采用验证样本对训练后的算法进行修正，最终得到风险测算模型。

另外，风险测算模型可以进行更新。例如，银行在风险测算模型建立后的一段时间内，又累计了很多信贷数据，此时，可以根据新的信贷数据，对风险测算模型进行更新。

S104，若所述履约概率大于预设阈值，则基于所述履约概率，确定所述客户的信贷额度；

具体地，可以预先设置一个阈值，当履约概率大于该阈值时，表明客户的还款概率比较高，此时，可以根据履约概率计算客户的信贷额度，信贷额度表示银行最高可以通过的贷款金额。

具体地，可以根据客户当前的收入能力、需还款金额和履约概率确定信贷额度。信贷额度的计算方式，银行可以进行设置，比如若银行认为客户的还款能力与月收入相关，则可以提高月收入的权重。

银行可以根据还款方式进行不同的信贷额度计算，若还款方式为按月还款，则从客户数据中提取客户的月收入和月还款金额；从信贷申请中提取客户的贷款期限；计算月收入减去月还款金额得到的第一差值；计算第一差值、贷款期限和履约概率的乘积；将乘积乘以预设月份数，得到信贷额度。

若还款方式为一次性还款，则从信贷申请中提取客户的贷款期限；从客户数据中提取客户在与贷款期限相同的时间段内的入账总额、出账总额和待还贷款金额；计算入账总额减去出账总额得到的第二差值；计算第二差值与待还贷款金额之间的第三差值；将第三差值乘以履约概率得到的乘积，作为信贷额度。

示例性地，可以设定客户风险判断的阈值P_i，P<P_i时，判定为违约高风险客户；P>P_i时为信用较好客户。当

时，审批结束，申请被驳回，发送短信提醒业务办理失败。当

时，将评审结果转到人工系统进行辅助评判，若人工审核通过，则直接发送短信提醒业务办理成功，信贷系统端口出现相应提示。当P≥P_i时，自动转到信贷额度测算模块。

对于选择每月还款方式的客户，若预申请贷款期限为t年(t≤银行最长贷款期限)，可以设置其信贷额度＝(稳定月收入-信用卡每月固定还款金额)×t×12×履约概率P。

对于选择一次性还款方式的客户，若预申请贷款期限为t年(t≤银行最长贷款期限),可以设置其信贷额度＝(过去t年所持有银行卡的入账总额-过去t年所持有银行卡的出账总额-未来t年内的需还贷款金额)×履约概率P。

S105，根据所述信贷额度和所述贷款金额，对所述信贷申请进行审批。

具体地，因为信贷额度代表了银行最高能通过的贷款金额，因此可以将客户的贷款金额与信贷额度进行比较，若信贷额度大于或等于贷款金额，则可以通过该贷款申请，并向用户端发送申请通过信息；若信贷额度小于贷款金额，则驳回该贷款申请，信贷审批结束。

在本实施例中，信贷审批由机器完成，提高了信贷审批的概率，简化了审批流程，减少了人工浪费；另一方面，通过风险测算模型计算客户的履约概率，能够对客户进行更精确的信用审查，避免人工审查过程中存在的主观情绪，降低了信贷风险。

图2是本申请实施例二提供的一种信贷审批方法的流程示意图，如图2所示，所述方法包括：

S201，接收来自用户终端的所述客户的预申请资料，所述预申请资料包括所述贷款金额；

本实施例中的方法应用于服务器，所述服务器可以为银行系统中的审批服务器。服务器可以与用户端进行数据交互，客户可以通过用户端提交申请。

具体地，在进行信贷申请之前，客户可以在用户端提交预申请资料，，根据预申请资料，审批服务器可以对客户进行初步审查。

具体地，预申请资料可以包括贷款金额和个人身份证件信息。

S202，若所述贷款金额小于或等于预设金额值，则获取所述客户的小额贷款审查资料；根据所述小额贷款审查资料，确定所述客户是否满足信贷申请条件；

具体地，一般情况下，对于小额贷款和大额贷款的申请资格审查严格程度不同，因此，可以预先设置一个金额值，若贷款金额小于或等于预设金额值，则表明该客户需要申请小额贷款。

审批服务器将用户的预申请资料提交到数据处理系统，然后根据用户的个人身份证件信息从大数据平台获取相关客户数据。然后判定客户年龄是否满足相关要求，申请人是否在征信黑名单中，连接公安系统判断证件是否无效或仿冒，根据人脸识别技术实时采集的照片和证件照片及以往业务办理照片进行对比判断是否为本人申请等，若有任意一个条件不满足，则审批结束，申请被驳回发送提示信息提醒业务办理失败。

S203，若所述贷款金额大于所述预设金额值，则获取所述客户的大额贷款审查资料；根据所述大额贷款审查资料，确定所述客户是否满足所述信贷申请条件；

若客户的贷款金额大于预设金额值，则表明该客户想要申请大额贷款。

审批服务器将用户的预申请资料提交到数据处理系统，然后根据用户的个人身份证件信息从大数据平台获取相关客户数据。然后判定客户年龄是否满足相关要求，申请人是否在征信黑名单中，连接公安系统判断证件是否无效或仿冒，根据人脸识别技术实时采集的照片和证件照片及以往业务办理照片进行对比判断是否为本人申请、检查客户是否有房产、客户的税款信息是否满足一定额度等，若有任意一个条件不满足，则审批结束，申请被驳回发送提示信息提醒业务办理失败。

在另一种可能的实现方式中，审批服务器可以提供大额贷款和小额贷款两个渠道端，两个渠道端所填写的预申请资料不同。若客户申请小额贷款，则填写的资料相对简单，包括：收入信息、职业信息、住址信息、工作单位信息。由于大额贷款的回款风险较大，大额贷款需要填写的资料也更加详细，除了填写：收入信息、职业信息、住址信息、工作单位信息以外，还需要填写：婚姻状况、房屋持有类型、家庭人口、个人年收入、工龄等。

S204，若所述客户满足所述信贷申请条件，则向所述用户终端发送提示信息，所述提示信息用于提示所述客户填写信贷申请。

具体地，若客户的预申请资料通过初步审查，则表明客户具有申请资格，此时，可以向用户端发送提示信息，提示信息用于提醒客户填写信贷申请。

S205，接收客户的信贷申请，所述信贷申请包括贷款金额和个人资料；

S206，根据所述个人资料获取所述客户的客户数据；

S207，采用所述客户数据，通过预先训练得到的风险测算模型计算所述客户的履约概率；

S208，若所述履约概率大于预设阈值，则基于所述履约概率，确定所述客户的信贷额度；

S209，根据所述信贷额度和所述贷款金额，对所述信贷申请进行审批。

上述步骤S205-S209与前述实施例中S101-S105类似，可以相互参考，在此不再赘述。

本实施例中，通过对预申请资料的初步审查，可以判断用户是否有申请资格。初步审查可以在申请的起始阶段剔除掉无申请资格的客户的贷款申请，避免在之后的计算中浪费大量的计算资源。

图3是本申请实施例三提供的一种信贷审批系统的示意图，如图3所示，信贷审批系统包括渠道端、审批服务端和大数据平台。

上述渠道端可以包括计算机客户端和移动设备客户端，例如：网上银行、手机银行、微信银行、官方网站或移动营销终端。渠道端为用户提供简单易懂的系统功能使用界面，为用户数据的输入提供接口，并实时向银行反馈处理结果。该端口承担着呈现银行系统接口的功能，直接为用户提供业务服务，是用户与系统后台数据服务器通信的接口。渠道端主要用于客户贷款申请信息的填写，同时还支持客户贷款审批进度和结果的查询。

审批服务器包括了数据处理系统和测算模块。审批服务器从渠道端和大数据平台之间获取相关数据信息，并能支持系统的运维操作。

大数据平台负责相关数据收集、处理、计算，训练出信贷风险测算模型和贷款额度测算模型。测算模块采用机器学习算法构建信贷风险和贷款额度测算模型。

大数据平台汇集了各类数据集，连接内部源系统，例如核算系统、卡系统、核心系统、客户信息整合系统、信贷系统等；大数据平台还可以连接外部系统，查找数据，例如可以搜寻工商数据、司法诉讼、行政监管、学信网、中国人民银行征信系统和公安系统信息、银监会披露信息、税务数据、网络舆情等。

渠道端可以分为两个端口，一个小额贷款端口，另一个为大额贷款端口，银行根据自身需要设定一个分界值。

用户根据需要在渠道端界面提出申请，在线填取客户基本信息。客户可以通过输入姓名、身份证号，指纹识别和人脸识别技术在渠道端进行账号注册和后期登录。然后上传身份证电子版信息，贷款金额和分期需求，联系电话，提交信贷申请。

审批服务器将用户申请信息提交到数据处理系统，从大数据平台获取相关客户数据。根据系统判定客户年龄是否满足相关要求，申请人是否在征信黑名单中，连接公安系统判断证件是否无效或仿冒，根据人脸识别技术实时采集的照片和证件照片及以往业务办理照片进行对比判断是否为本人申请，若有任意一个条件不满足，则审批结束，申请被驳回，渠道端进行结果响应，同时发送短信提醒业务办理失败。若初步审查通过，系统则根据用户申请进入到相应的信贷系统端口中，填取提交相关详细信息。

小额贷款信息系统相对大额贷款信息系统风险损失较小，填取的调查信息相对简单，包括：收入信息、职业信息、住址信息、工作单位信息。

大额贷款信息系统由于风险较大，需要填取的信息也更加详细，除了填写：、收入信息、职业信息、住址信息、工作单位信息以外，还需要填写：婚姻状况、房屋持有类型、家庭人口、个人年收入、工龄等。

审批服务器利用大数据平台训练出的测算模型，进行信贷风险测算。

根据客户信息，可以通过大数据平台挖掘汇总客户更详尽的信息。如：输入客户基本信息以后，可以借助大数据平台查询客户学历信息，房产信息，银行账户流水信息，贷款信息等。

可以基于银行之前的信贷数据来构建风险测算模型。具体地，可以采用机器学习的Logistic回归模型进行训练。将银行已有数据按3:1的比例将样本分为训练集和验证集两部分。训练集用于模型训练。验证集负责模型验证。当模型指标存在数据缺失时，可采用其余数据的平均值或中位数进行填补。样本数据越多，模型的精确度也越高。

构建风险测算模型具体包括：

给定n组特征描述的信用风险评估指标(x₁,x₂,x₃,……x_n)

当x_n相对于其他数据较大时，进行标准化处理，即：x_n＝(原数据-平均值)/标准差。

线性回归模型：y＝w₁x₁+w₂x₂+w₃x₃+……+w_nx_n+b＝w^TX+b,……(1)

其中，目标变量y代表借款人的未来资信表现，即履约情况。y∈(0,1),当y＝0时，代表客户违约，当y＝1时，代表客户按时履约。

W为回归系数，b为常量，x为借款人的信用表现特征，x∈(-∞,+∞)。

进一步地，y∈(0,1)，令

其中，p为客户按时履约的概率；1-P为客户违约的概率；

为履约和违约的概率之比，比值越大，说明客户发生违约的概率越小。

进一步地，(2)式两边同时乘以e^y得：

进一步地，通过(3)式可得到Logistic回归函数

和

进一步地，假设y＝1时，

y＝0时，

则：

其中，x_i为第i组特征描述的信用风险评估指标样本取值，y_i为对应的借款人资信表现。

进一步地，运用极大似然估计系数W的值，如下：

(5)式两边取对数可得：

设定P＝0.5为客户风险判断的阈值，P<0.5时，判定为违约高风险客户；P>0.5时为信用较好客户。

当P≤0.2时，审批结束，申请被驳回，渠道端进行结果响应，同时发送短信提醒业务办理失败；若初步审查通过，系统则根据用户申请进入到相应的信贷系统端口中。

当0.2<P<0.5时，将评审结果转到人工系统进行辅助评判，若人工审核通过，则直接发送短信提醒业务办理成功，信贷系统端口出现相应提示。

当P≥0.5时，自动转到信贷额度测算模块。

在信贷额度测算模块设置银行信贷额度计算规则，当信贷风险测算模块输出客户履约概率P和大数据平台输出的客户个人资产信息后，自动计算信贷额度，该信用额度小于银行贷款额度限额。

对于选择每月还款方式的客户，若预申请贷款期限为t年(t≤银行最长贷款期限)，其信贷额度＝(稳定月收入-信用卡每月固定还款金额)×t×12×履约概率P

对于选择一次性还款方式的客户，若预申请贷款期限为t年(t≤银行最长贷款期限),其信贷额度＝(过去t年所持有银行卡的入账总额-过去t年所持有银行卡的出账总额-未来t年内的需还贷款金额)×履约概率P

当客户申请的贷款金额小于所测算出的贷款额度，则审批通过，直接发送短信提醒业务办理成功，信贷系统端口出现相应提示。当客户申请的贷款金额大于所测算出的贷款额度，则审批不通过，电话语音或短信自动提示客户贷款额度限额，建议客户修改申请金额，重新提交贷款申请。若客户在信贷系统端口放弃修改申请，则业务办理失败，发送相应提示后流程结束。

另外，风险测算模型可以进行更新。例如，银行在风险测算模型建立后的一段时间内，又累计了很多信贷数据，此时，可以根据新的信贷数据，对风险测算模型进行更新。

在本实施例中，通过采集大量的客户贷款相关数据，利用Logistic回归模型建立信贷风险测算模型，保证了信贷风险和贷款额度测算的精度。基于信贷风险和贷款额度测算，利用大数据平台和人工智能技术，通过审批系统流程的自动化设定，降低了客户填报贷款申请信息的复杂度，减少了银行信贷审批人员的工作量，有利于提高信贷审批效率的同时降低银行信贷风险。

图4是本申请实施例四提供的一种信贷审批装置的结构示意图，如图4所示，所述装置包括：

接收模块41，用于接收客户的信贷申请，所述信贷申请包括贷款金额和个人资料；

获取模块42，用于根据所述个人资料获取所述客户的客户数据；

履约概率确定模块43，用于采用所述客户数据，通过预先训练得到的风险测算模型计算所述客户的履约概率；

信贷额度确定模块44，用于若所述履约概率大于预设阈值，则基于所述履约概率，确定所述客户的信贷额度；

审批模块45，用于根据所述信贷额度和所述贷款金额，对所述信贷申请进行审批。

上述装置还包括：

预申请资料接收模块，用于接收来自用户终端的所述客户的预申请资料，所述预申请资料包括所述贷款金额；

小额贷款初审模块，用于若所述贷款金额小于或等于预设金额值，则获取所述客户的小额贷款审查资料；根据所述小额贷款审查资料，确定所述客户是否满足信贷申请条件；

大额贷款初审模块，用于若所述贷款金额大于所述预设金额值，则获取所述客户的大额贷款审查资料；根据所述大额贷款审查资料，确定所述客户是否满足所述信贷申请条件；

提示模块，用于若所述客户满足所述信贷申请条件，则向所述用户终端发送提示信息，所述提示信息用于提示所述客户填写信贷申请。

上述装置中包括风险测算模型训练模块，风险测算模型训练模块可以包括：

数据获取子模块，用于获取多个银行的信贷数据，并从所述多个银行的信贷数据中提取信贷风险指标；

样本提取子模块，用于基于所述信贷风险指标，从所述多个银行的信贷数据中获取训练样本和验证样本；

训练子模块，用于采用所述训练样本对预设的线性回归模型进行训练；

修正子模块，用于采用所述验证样本对训练后的所述线性回归模型进行修正，得到风险测算模型。

上述装置还包括：

第一判断模块，用于若所述履约概率小于或等于最低履约概率，则驳回所述信贷申请；

第二判断模块，用于若所述履约概率大于所述最低履约概率，且小于或等于所述预设阈值，则将所述信贷申请转入人工审核系统。

上述信贷额度确定模块44包括：

还款方式获取子模块，用于从所述信贷申请中获取所述客户的还款方式；

第一信息提取子模块，用于若所述还款方式为按月还款，则从所述客户数据中提取所述客户的月收入和月还款金额；从所述信贷申请中提取所述客户的贷款期限；

第一计算子模块，用于计算所述月收入减去所述月还款金额得到的第一差值；计算所述第一差值、所述贷款期限和所述履约概率的乘积；

第一信贷额度确定子模块，用于将所述乘积乘以预设月份数，得到所述信贷额度。

上述信贷额度确定模块44还包括：

贷款期限提取子模块，用于若所述还款方式为一次性还款，则从所述信贷申请中提取所述客户的贷款期限；

第二信息提取子模块，用于从所述客户数据中提取所述客户在与所述贷款期限相同的时间段内的入账总额、出账总额和待还贷款金额；

第二计算子模块，用于计算所述入账总额减去所述出账总额得到的第二差值；计算所述第二差值与所述待还贷款金额之间的第三差值；

第二信贷额度确定子模块，用于将所述第三差值乘以所述履约概率得到的乘积，作为所述信贷额度。

上述审批模块45包括：

通过子模块，用于若所述信贷额度大于或等于所述贷款金额，则通过所述信贷申请；

驳回子模块，用于若所述信贷额度小于所述贷款金额，则驳回所述信贷申请，并向所述客户发送贷款金额超过信贷额度的提示信息。

图5为本申请一实施例提供的服务器的结构示意图。如图5所示，该实施例的服务器5包括：至少一个处理器50(图5中仅示出一个)处理器、存储器51以及存储在所述存储器51中并可在所述至少一个处理器50上运行的计算机程序52，所述处理器50执行所述计算机程序52时实现上述任意各个方法实施例中的步骤。

该服务器可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是服务器5的举例，并不构成对服务器5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，例如还可以包括输入输出设备、网络接入设备等。

所称处理器50可以是中央处理单元(CentralProcessingUnit，CPU)，该处理器50还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，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。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。

所述存储器51在一些实施例中可以是所述服务器5的内部存储单元，例如服务器5的硬盘或内存。所述存储器51在另一些实施例中也可以是所述服务器5的外部存储设备，例如所述服务器5上配备的插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(FlashCard)等。进一步地，所述存储器51还可以既包括所述服务器5的内部存储单元也包括外部存储设备。所述存储器51用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例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，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在服务器上运行时，使得服务器执行时实现可实现上述各个方法实施例中的步骤。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/服务器的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其他实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其他的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种信贷审批方法，其特征在于，包括：

接收客户的信贷申请，所述信贷申请包括贷款金额和个人资料；

根据所述个人资料获取所述客户的客户数据；

采用所述客户数据，通过预先训练得到的风险测算模型计算所述客户的履约概率；

若所述履约概率大于预设阈值，则基于所述履约概率，确定所述客户的信贷额度；

根据所述信贷额度和所述贷款金额，对所述信贷申请进行审批。

2.如权利要求1所述的方法，其特征在于，在所述接收客户的信贷申请之前，还包括：

接收来自用户终端的所述客户的预申请资料，所述预申请资料包括所述贷款金额；

若所述贷款金额小于或等于预设金额值，则获取所述客户的小额贷款审查资料；根据所述小额贷款审查资料，确定所述客户是否满足信贷申请条件；

若所述贷款金额大于所述预设金额值，则获取所述客户的大额贷款审查资料；根据所述大额贷款审查资料，确定所述客户是否满足所述信贷申请条件；

若所述客户满足所述信贷申请条件，则向所述用户终端发送提示信息，所述提示信息用于提示所述客户填写信贷申请。

3.如权利要求2所述的方法，其特征在于，所述风险测算模型通过如下步骤训练生成：

获取多个银行的信贷数据，并从所述多个银行的信贷数据中提取信贷风险指标；

基于所述信贷风险指标，从所述多个银行的信贷数据中获取训练样本和验证样本；

采用所述训练样本对预设的线性回归模型进行训练；

采用所述验证样本对训练后的所述线性回归模型进行修正，得到风险测算模型。

4.如权利要求1-3任一项所述的方法，其特征在于，在所述采用所述客户数据，通过预先训练得到的风险测算模型计算所述客户的履约概率之后，还包括：

若所述履约概率小于或等于最低履约概率，则驳回所述信贷申请；

若所述履约概率大于所述最低履约概率，且小于或等于所述预设阈值，则将所述信贷申请转入人工审核系统。

5.如权利要求4所述的方法，其特征在于，所述基于所述履约概率，确定所述客户的信贷额度，包括：

从所述信贷申请中获取所述客户的还款方式；

若所述还款方式为按月还款，则从所述客户数据中提取所述客户的月收入和月还款金额；从所述信贷申请中提取所述客户的贷款期限；

计算所述月收入减去所述月还款金额得到的第一差值；计算所述第一差值、所述贷款期限和所述履约概率的乘积；

将所述乘积乘以预设月份数，得到所述信贷额度。

6.如权利要求5所述的方法，其特征在于，所述方法还包括：

若所述还款方式为一次性还款，则从所述信贷申请中提取所述客户的贷款期限；

从所述客户数据中提取所述客户在与所述贷款期限相同的时间段内的入账总额、出账总额和待还贷款金额；

计算所述入账总额减去所述出账总额得到的第二差值；计算所述第二差值与所述待还贷款金额之间的第三差值；

将所述第三差值乘以所述履约概率得到的乘积，作为所述信贷额度。

7.如权利要求5或6所述的方法，其特征在于，所述根据所述信贷额度和所述贷款金额，对所述信贷申请进行审批，包括：

若所述信贷额度大于或等于所述贷款金额，则通过所述信贷申请；

若所述信贷额度小于所述贷款金额，则驳回所述信贷申请，并向所述客户发送贷款金额超过信贷额度的提示信息。

8.一种信贷审批装置，其特征在于，包括：

接收模块，用于接收客户的信贷申请，所述信贷申请包括贷款金额和个人资料；

获取模块，用于根据所述个人资料获取所述客户的客户数据；

履约概率确定模块，用于采用所述客户数据，通过预先训练得到的风险测算模型计算所述客户的履约概率；

信贷额度确定模块，用于若所述履约概率大于预设阈值，则基于所述履约概率，确定所述客户的信贷额度；

审批模块，用于根据所述信贷额度和所述贷款金额，对所述信贷申请进行审批。

9.一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至7任一项所述的方法。

10.一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，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。

Images