CN113112351A - 一种风控模型的验证方法及装置 - Google Patents
一种风控模型的验证方法及装置 Download PDFInfo
- Publication number
- CN113112351A CN113112351A CN202110522193.7A CN202110522193A CN113112351A CN 113112351 A CN113112351 A CN 113112351A CN 202110522193 A CN202110522193 A CN 202110522193A CN 113112351 A CN113112351 A CN 113112351A
- Authority
- CN
- China
- Prior art keywords
- client
- borrowing
- model
- wind control
- target
- 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 41
- 238000012795 verification Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种风控模型的验证方法及装置,在获取风控模型的目标借款客户的情况下,通过第一随机分流模型将多个目标借款客户分流到不同的目标风控模型,并在获取目标借款客户的后续逾期情况后利用冠军挑战者策略验证每个风控模型的风险预测准确性,同时通过第一随机分流模型为每个目标借款客户分配目标风控模型与旁路调用风控模型,并在获取目标借款客户的后续逾期情况后利用旁路调度策略验证目标风控模型的风险预测准确性,通过结合冠军挑战者策略与旁路调度策略实现对风控模型的风险预测准确性的准确验证。
Description
技术领域
本发明涉及计算机技术领域,更具体的,涉及一种风控模型的验证方法及装置。
背景技术
在小微金融业务中,需要使用内外部风控模型对借款人进行风险预测,从而对借款人的借款请求做出决策。
调用外部风控模型进行风险预测时,需要支付一定的使用费用。每个外部风控模型的使用费用可能不同,因此,需要验证每个外部风控模型的风险预测准确性,从而选择风险预测准确性高且使用费用低的外部风控模型。面对多个风控模型,如何准确验证每个风控模型的风险预测准确性成为本领域亟待解决的技术问题。
发明内容
有鉴于此,本发明提供了一种风控模型的验证方法及装置,实现对风控模型的风险预测准确性的准确验证。
为了实现上述发明目的,本发明提供的具体技术方案如下:
一种风控模型的验证方法,所述方法包括:
获取风控模型的目标借款客户;
将目标借款客户的信息输入第一随机分流模型,得到目标借款客户的目标风控模型与旁路调用风控模型;
将目标借款客户的信息分别输入到目标风控模型与旁路调用风控模型,将目标风控模型的风险预测结果确定为目标借款客户的风险决策结果,并记录旁路调用风控模型对目标借款客户的风险预测结果;
根据每个风控模型的风险决策结果以及相应借款客户的后续逾期情况,验证每个风控模型的风险预测准确性;
将以目标风控模型为旁路调用模型的借款客户确定为目标借款客户的对照组客户,并根据对照组客户与目标借款客户的后续逾期情况,验证目标风控模型的风险预测准确性。
可选的,所述获取风控模型的目标借款客户,包括:
确定借款客户的类型,借款客户的类型包括:重点关注类客户和非重点关注类客户;
在借款客户为重点关注类客户且通过准入规则的情况下,确定借款客户为风控模型的目标借款客户;
在借款客户为非重点关注类客户且通过准入规则的情况下,将借款客户的信息输入第二随机分流模型;
在借款客户被所述第二随机分流模型分流到评分卡模型的情况下,获取所述评分卡模型输出的借款客户的信用评分;
在所述信用评分小于预设信用评分阈值的情况下,确定借款客户为风控模型的目标借款客户。
可选的,所述确定借款客户的类型,包括:
获取借款客户的标识;
判断历史借款人数据库中是否存在与借款客户的标识相对应的历史借款记录;
若不存在历史借款记录,确定借款客户为重点关注类客户;
若存在历史借款记录,判断与借款客户的标识相对应的历史借款记录中是否存在逾期记录;
若存在逾期记录,确定借款客户为重点关注类客户;
若不存在逾期记录,确定借款客户为非重点关注类客户。
可选的,所述方法还包括:
在所述信用评分不小于预设信用评分阈值的情况下,根据所述信用评分确定借款客户的风控决策结果;
在借款客户未被所述第二随机分流模型分流到所述评分卡模型的情况下,确定借款客户不存在风险。
可选的,所述方法还包括:
将未被所述第二随机分流模型分流到所述评分卡模型的借款客户确定为被所述第二随机分流模型分流到所述评分卡模型的借款客户的对照组客户;
根据未被所述第二随机分流模型分流到所述评分卡模型的借款客户以及被所述第二随机分流模型分流到所述评分卡模型的借款客户的后续逾期情况,验证所述评分卡模型的准确性。
可选的,所述方法还包括:
根据每个风控模型的风险预测准确性,设置所述第一随机分流模型对每个风控模型的分流比例。
可选的,所述方法还包括:
根据所述评分卡模型的准确性,设置所述第二随机分流模型对所述评分卡模型的分流比例。
一种风控模型的验证装置,包括:
目标客户获取单元,用于获取风控模型的目标借款客户;
客户分流处理单元,用于将目标借款客户的信息输入第一随机分流模型,得到目标借款客户的目标风控模型与旁路调用风控模型;
风险预测单元,用于将目标借款客户的信息分别输入到目标风控模型与旁路调用风控模型,将目标风控模型的风险预测结果确定为目标借款客户的风险决策结果,并记录旁路调用风控模型对目标借款客户的风险预测结果;
第一模型验证单元,用于根据每个风控模型的风险决策结果以及相应借款客户的后续逾期情况,验证每个风控模型的风险预测准确性;
第二模型验证单元,用于将以目标风控模型为旁路调用模型的借款客户确定为目标借款客户的对照组客户,并根据对照组客户与目标借款客户的后续逾期情况,验证目标风控模型的风险预测准确性。
可选的,所述目标客户获取单元,包括:
客户类型确定子单元,用于确定借款客户的类型,借款客户的类型包括:重点关注类客户和非重点关注类客户;
目标客户确定子单元,用于在借款客户为重点关注类客户且通过准入规则的情况下,确定借款客户为风控模型的目标借款客户;
客户分流子单元,用于在借款客户为非重点关注类客户且通过准入规则的情况下,将借款客户的信息输入第二随机分流模型;
信用评分获取子单元,用于在借款客户被所述第二随机分流模型分流到评分卡模型的情况下,获取所述评分卡模型输出的借款客户的信用评分;
所述目标客户确定子单元,还用于在所述信用评分小于预设信用评分阈值的情况下,确定借款客户为风控模型的目标借款客户。
可选的,所述客户类型确定子单元,具体用于:
获取借款客户的标识;
判断历史借款人数据库中是否存在与借款客户的标识相对应的历史借款记录;
若不存在历史借款记录,确定借款客户为重点关注类客户;
若存在历史借款记录,判断与借款客户的标识相对应的历史借款记录中是否存在逾期记录;
若存在逾期记录,确定借款客户为重点关注类客户;
若不存在逾期记录,确定借款客户为非重点关注类客户。
可选的,所述风险预测单元还用于:
在所述信用评分不小于预设信用评分阈值的情况下,根据所述信用评分确定借款客户的风控决策结果;
在借款客户未被所述第二随机分流模型分流到所述评分卡模型的情况下,确定借款客户不存在风险。
可选的,所述装置还包括评分卡模型验证单元,具体用于:
将未被所述第二随机分流模型分流到所述评分卡模型的借款客户确定为被所述第二随机分流模型分流到所述评分卡模型的借款客户的对照组客户;
根据未被所述第二随机分流模型分流到所述评分卡模型的借款客户以及被所述第二随机分流模型分流到所述评分卡模型的借款客户的后续逾期情况,验证所述评分卡模型的准确性。
可选的,所述装置还包括:
第一分流比例设置单元,用于根据每个风控模型的风险预测准确性,设置所述第一随机分流模型对每个风控模型的分流比例。
可选的,所述装置还包括:
第二分流比例设置单元,用于根据所述评分卡模型的准确性,设置所述第二随机分流模型对所述评分卡模型的分流比例。
相对于现有技术,本发明的有益效果如下:
本发明公开的一种风控模型的验证方法,在获取风控模型的目标借款客户的情况下,通过第一随机分流模型将多个目标借款客户分流到不同的目标风控模型,并在获取目标借款客户的后续逾期情况后利用冠军挑战者策略验证每个风控模型的风险预测准确性,同时通过第一随机分流模型为每个目标借款客户分配目标风控模型与旁路调用风控模型,并在获取目标借款客户的后续逾期情况后利用旁路调度策略验证目标风控模型的风险预测准确性,通过结合冠军挑战者策略与旁路调度策略实现对风控模型的风险预测准确性的准确验证。
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,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种风控模型的验证方法的流程示意图;
图2为本发明实施例公开的一种获取风控模型的目标借款客户的方法的流程示意图;
图3为本发明实施例公开的另一种风控模型的验证方法的流程示意图;
图4为本发明实施例公开的一种风控模型的验证装置的结构示意图。
具体实施方式
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,都属于本发明保护的范围。
本发明提供了一种风控模型的验证方法,应用于服务器或服务器集群等设备,在获取风控模型的目标借款客户的情况下,通过结合冠军挑战者策略与旁路调度策略实现对风控模型的风险预测准确性的准确验证。
具体的,请参阅图1,本实施例公开的一种风控模型的验证方法具体包括以下步骤:
S101:获取风控模型的目标借款客户;
需要说明的是,根据借款客户类型的不同,借款客户的逾期风险也不同,为了降低风险决策的成本,根据借款客户类型,本实施例仅将逾期风险较高的借款客户作为目标借款客户,利用风控模型对其进行风险预测。
S102:将目标借款客户的信息输入第一随机分流模型,得到目标借款客户的目标风控模型与旁路调用风控模型;
第一随机分流模型随机确定目标借款客户调用哪个风控模型进行风险预测,避免人为干预对风控模型准确性验证的影响,保证绝对公平。
具体的,在所有风控模型中除目标风控模型之外,其他风控模型均为旁路调用风控模型,也就是说,旁路调用风控模型至少为一个。
S103:将目标借款客户的信息分别输入到目标风控模型与旁路调用风控模型,将目标风控模型的风险预测结果确定为目标借款客户的风险决策结果,并记录旁路调用风控模型对目标借款客户的风险预测结果;
需要说明的是,目标借款客户的信息会真实的分别输入到目标风控模型与旁路调用风控模型,并分别得到目标风控模型与旁路调用风控模型的风险预测结果,不同的是,目标风控模型的风险预测结果作为目标借款客户的风险决策结果,旁路调用风控模型的风险预测结果仅进行记录,用于后续的对照验证。
S104:根据每个风控模型的风险决策结果以及相应借款客户的后续逾期情况,验证每个风控模型的风险预测准确性;
从风控模型的维度,采用冠军挑战者策略,将所有风控模型中的一个风控模型设定为“冠军组”,其他风控模型设定为“挑战组”。根据每个风控模型的风险决策结果以及相应借款客户的后续逾期情况,分别确定每个风控模型预测的准确率,后续将预测准确率最高的风控模型设定为“冠军组”,其他风控模型设定为“挑战组”。
S105:将以目标风控模型为旁路调用模型的借款客户确定为目标借款客户的对照组客户,并根据对照组客户与目标借款客户的后续逾期情况,验证目标风控模型的风险预测准确性。
需要说明的是,借款客户的类型包括:重点关注类客户和非重点关注类客户,重点关注类客户风险未知,可全量调用风控模型,非重点关注类客户风险可控,可根据评分卡分流模型,将信用评分低于阈值的客户随机分流到风控模型,从而实现在确保风险可控的情况下减少风控费用支出。请参阅图2,上述S101:获取风控模型的目标借款客户,具体执行过程如下:
S201:确定借款客户的类型;
非重点关注类客户为历史借款人数据库中有该借款客户的历史借款记录,且截至目前没有逾期记录的借款客户。重点关注类客户为历史借款人数据库中没有该借款客户的历史借款记录,或有历史借款记录但有逾期记录的借款客户。
具体的,确定借款客户的类型的方法如下:
获取借款客户的标识;
在历史借款人数据库中进行查询,判断历史借款人数据库中是否存在与借款客户的标识相对应的历史借款记录;
若不存在历史借款记录,确定借款客户为重点关注类客户;
若存在历史借款记录,判断与借款客户的标识相对应的历史借款记录中是否存在逾期记录;
若存在逾期记录,确定借款客户为重点关注类客户;
若不存在逾期记录,确定借款客户为非重点关注类客户。
S202:在借款客户为重点关注类客户且通过准入规则的情况下,确定借款客户为风控模型的目标借款客户;
准入规则为一些借款客户借款的基本规则,如年龄限制规则、借款金额限制规则、借款期限限制规则、借款利率限制规则、国籍限制规则等。借款客户若要借款必须通过该准入规则。
S203:在借款客户为非重点关注类客户且通过准入规则的情况下,将借款客户的信息输入第二随机分流模型;
S204:在借款客户被所述第二随机分流模型分流到评分卡模型的情况下,获取所述评分卡模型输出的借款客户的信用评分;
S205:在所述信用评分小于预设信用评分阈值的情况下,确定借款客户为风控模型的目标借款客户。
为了进一步降低非重点关注类客户的逾期风险,在借款客户为非重点关注类客户且通过准入规则的情况下,将借款客户的信息输入第二随机分流模型,随机将借款客户分流到评分卡模型,利用评分卡模型基于一定的规则逻辑计算借款客户的信用评分,若信用评分小于预设信用评分阈值,说明该借款客户存在一定的逾期风险,通过将其确定为风控模型的目标借款客户,通过调用风控模型进行进一步风险预测。
需要说明的是,在信用评分不小于预设信用评分阈值的情况下,根据信用评分确定借款客户的风控决策结果,在借款客户未被第二随机分流模型分流到评分卡模型的情况下,确定借款客户不存在风险。
进一步,为了验证评分卡模型的准确性,本实施例将未被第二随机分流模型分流到评分卡模型的借款客户确定为被第二随机分流模型分流到评分卡模型的借款客户的对照组客户;根据未被第二随机分流模型分流到评分卡模型的借款客户以及被第二随机分流模型分流到评分卡模型的借款客户的后续逾期情况,验证评分卡模型的准确性。
上述实施例公开的风控模型的验证方法,均为验证每个风控模型和评分卡模型的准确性,在得出验证结果后,可以根据每个风控模型的风险预测准确性,设置第一随机分流模型对每个风控模型的分流比例,风险预测准确性高的风控模型对应的分流比例高,风险预测准确性低的风控模型对应的分流比例低。并根据评分卡模型的准确性,设置第二随机分流模型对评分卡模型的分流比例,即若评分卡模型的准确性较高,则设置第二随机分流模型对评分卡模型的分流比例较高,若评分卡模型的准确性较低,则设置第二随机分流模型对评分卡模型的分流比例较低。
为了对上述实施例公开的一种风控模型的验证方法进行详细说明,请参阅图3所示的风控模型的验证方法流程示意图。
客群AB:重点关注类客户;
客群A1:重点关注类客户,调用A模型,且以该模型返回结果作为风控决策结果;
客群A2:重点关注类客户,调用A模型,但不以该模型返回结果作为风控决策结果(旁路调用A模型);
客群B1:重点关注类客户,调用B模型,且以该模型返回结果作为风控决策结果;
客群B2:重点关注类客户,调用B模型,但不以该模型返回结果作为风控决策结果(旁路调用B模型);
客群C1:重点关注类客户,调用C模型,且以该模型返回结果作为风控决策结果;
客群C2:重点关注类客户,调用C模型,但不以该模型返回结果作为风控决策结果(旁路调用C模型);
客群CD:非重点关注类客户;
客群CD1:非重点关注类客户,且只根据准入规则的结果作为最终的风控决策结果;
客群CD2:非重点关注类客户,且被分流调用评分卡的客户;
客群C:非重点关注类客户,被分流调用评分卡的客户,且被评分卡模型分流调用外部风控模型的客户;
客群D1:非重点关注类客户,调用A模型,且以该模型返回结果作为风控决策结果;
客群D2:非重点关注类客户,调用A模型,但不以该模型返回结果作为风控决策结果(旁路调用A模型);
客群D3:非重点关注类客户,调用B模型,且以该模型返回结果作为风控决策结果;
客群D4:非重点关注类客户,调用B模型,但不以该模型返回结果作为风控决策结果(旁路调用B模型);
客群D5:非重点关注类客户,调用C模型,且以该模型返回结果作为风控决策结果;
客群D6:非重点关注类客户,调用C模型,但不以该模型返回结果作为风控决策结果(旁路调用C模型);
客群D:非重点关注类客户,被分流调用评分卡的客户,但未被评分卡模型分流调用外部风控模型的客户;
冠军挑战组:通过对比客群A1、B1、C1之前和客群D1、D3、D5之间贷后逾期率情况,来比较A、B、C模型的效果,最后选择风控效果最好的模型应用到对应的客群;
对照组1:客群A2、B2、C2可以分别作为客群A1、B1、C1的基准,客群D2、D4、D6可以分别作为客群D1、D3、D5的基准,用来比较调用外部模型与未调用外部模型客群的逾期率变化情况,从而进一步验证模型的有效性;
对照组2:客群CD1可以作为客群CD2的对照组,用来验证评分卡模型的效果;
可见,本实施例公开的一种风控模型的验证方法,根据不同借款客群的风险情况,会分流不同比例的借款客户去调用风控模型,全流程应用了随机分流策略、冠军挑战者策略、旁路调用、交叉验证机制,从而在最小化风控费用支出的情况下可选择出最适合不同借款客群的风控决策流。
基于本实施例公开的一种风控模型的验证方法,本实施例对应公开了一种风控模型的验证装置,请参阅图4,该装置包括:
目标客户获取单元401,用于获取风控模型的目标借款客户;
客户分流处理单元402,用于将目标借款客户的信息输入第一随机分流模型,得到目标借款客户的目标风控模型与旁路调用风控模型;
风险预测单元403,用于将目标借款客户的信息分别输入到目标风控模型与旁路调用风控模型,将目标风控模型的风险预测结果确定为目标借款客户的风险决策结果,并记录旁路调用风控模型对目标借款客户的风险预测结果;
第一模型验证单元404,用于根据每个风控模型的风险决策结果以及相应借款客户的后续逾期情况,验证每个风控模型的风险预测准确性;
第二模型验证单元405,用于将以目标风控模型为旁路调用模型的借款客户确定为目标借款客户的对照组客户,并根据对照组客户与目标借款客户的后续逾期情况,验证目标风控模型的风险预测准确性。
可选的,所述目标客户获取单元401,包括:
客户类型确定子单元,用于确定借款客户的类型,借款客户的类型包括:重点关注类客户和非重点关注类客户;
目标客户确定子单元,用于在借款客户为重点关注类客户且通过准入规则的情况下,确定借款客户为风控模型的目标借款客户;
客户分流子单元,用于在借款客户为非重点关注类客户且通过准入规则的情况下,将借款客户的信息输入第二随机分流模型;
信用评分获取子单元,用于在借款客户被所述第二随机分流模型分流到评分卡模型的情况下,获取所述评分卡模型输出的借款客户的信用评分;
所述目标客户确定子单元,还用于在所述信用评分小于预设信用评分阈值的情况下,确定借款客户为风控模型的目标借款客户。
可选的,所述客户类型确定子单元,具体用于:
获取借款客户的标识;
判断历史借款人数据库中是否存在与借款客户的标识相对应的历史借款记录;
若不存在历史借款记录,确定借款客户为重点关注类客户;
若存在历史借款记录,判断与借款客户的标识相对应的历史借款记录中是否存在逾期记录;
若存在逾期记录,确定借款客户为重点关注类客户;
若不存在逾期记录,确定借款客户为非重点关注类客户。
可选的,所述风险预测单元还用于:
在所述信用评分不小于预设信用评分阈值的情况下,根据所述信用评分确定借款客户的风控决策结果;
在借款客户未被所述第二随机分流模型分流到所述评分卡模型的情况下,确定借款客户不存在风险。
可选的,所述装置还包括评分卡模型验证单元,具体用于:
将未被所述第二随机分流模型分流到所述评分卡模型的借款客户确定为被所述第二随机分流模型分流到所述评分卡模型的借款客户的对照组客户;
根据未被所述第二随机分流模型分流到所述评分卡模型的借款客户以及被所述第二随机分流模型分流到所述评分卡模型的借款客户的后续逾期情况,验证所述评分卡模型的准确性。
可选的,所述装置还包括:
第一分流比例设置单元,用于根据每个风控模型的风险预测准确性,设置所述第一随机分流模型对每个风控模型的分流比例。
可选的,所述装置还包括:
第二分流比例设置单元,用于根据所述评分卡模型的准确性,设置所述第二随机分流模型对所述评分卡模型的分流比例。
本实施例公开的一种风控模型的验证装置,在获取风控模型的目标借款客户的情况下,通过第一随机分流模型将多个目标借款客户分流到不同的目标风控模型,并在获取目标借款客户的后续逾期情况后利用冠军挑战者策略验证每个风控模型的风险预测准确性,同时通过第一随机分流模型为每个目标借款客户分配目标风控模型与旁路调用风控模型,并在获取目标借款客户的后续逾期情况后利用旁路调度策略验证目标风控模型的风险预测准确性,通过结合冠军挑战者策略与旁路调度策略实现对风控模型的风险预测准确性的准确验证。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
上述各个实施例之间可任意组合,对所公开的实施例的上述说明,本说明书中各实施例中记载的特征可以相互替换或者组合,使本领域专业技术人员能够实现或使用本申请。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种风控模型的验证方法,其特征在于,所述方法包括:
获取风控模型的目标借款客户;
将目标借款客户的信息输入第一随机分流模型,得到目标借款客户的目标风控模型与旁路调用风控模型;
将目标借款客户的信息分别输入到目标风控模型与旁路调用风控模型,将目标风控模型的风险预测结果确定为目标借款客户的风险决策结果,并记录旁路调用风控模型对目标借款客户的风险预测结果;
根据每个风控模型的风险决策结果以及相应借款客户的后续逾期情况,验证每个风控模型的风险预测准确性;
将以目标风控模型为旁路调用模型的借款客户确定为目标借款客户的对照组客户,并根据对照组客户与目标借款客户的后续逾期情况,验证目标风控模型的风险预测准确性。
2.根据权利要求1所述的方法,其特征在于,所述获取风控模型的目标借款客户,包括:
确定借款客户的类型,借款客户的类型包括:重点关注类客户和非重点关注类客户;
在借款客户为重点关注类客户且通过准入规则的情况下,确定借款客户为风控模型的目标借款客户;
在借款客户为非重点关注类客户且通过准入规则的情况下,将借款客户的信息输入第二随机分流模型;
在借款客户被所述第二随机分流模型分流到评分卡模型的情况下,获取所述评分卡模型输出的借款客户的信用评分;
在所述信用评分小于预设信用评分阈值的情况下,确定借款客户为风控模型的目标借款客户。
3.根据权利要求2所述的方法,其特征在于,所述确定借款客户的类型,包括:
获取借款客户的标识;
判断历史借款人数据库中是否存在与借款客户的标识相对应的历史借款记录;
若不存在历史借款记录,确定借款客户为重点关注类客户;
若存在历史借款记录,判断与借款客户的标识相对应的历史借款记录中是否存在逾期记录;
若存在逾期记录,确定借款客户为重点关注类客户;
若不存在逾期记录,确定借款客户为非重点关注类客户。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
在所述信用评分不小于预设信用评分阈值的情况下,根据所述信用评分确定借款客户的风控决策结果;
在借款客户未被所述第二随机分流模型分流到所述评分卡模型的情况下,确定借款客户不存在风险。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
将未被所述第二随机分流模型分流到所述评分卡模型的借款客户确定为被所述第二随机分流模型分流到所述评分卡模型的借款客户的对照组客户;
根据未被所述第二随机分流模型分流到所述评分卡模型的借款客户以及被所述第二随机分流模型分流到所述评分卡模型的借款客户的后续逾期情况,验证所述评分卡模型的准确性。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据每个风控模型的风险预测准确性,设置所述第一随机分流模型对每个风控模型的分流比例。
7.根据权利要求5所述的方法,其特征在于,所述方法还包括:
根据所述评分卡模型的准确性,设置所述第二随机分流模型对所述评分卡模型的分流比例。
8.一种风控模型的验证装置,其特征在于,包括:
目标客户获取单元,用于获取风控模型的目标借款客户;
客户分流处理单元,用于将目标借款客户的信息输入第一随机分流模型,得到目标借款客户的目标风控模型与旁路调用风控模型;
风险预测单元,用于将目标借款客户的信息分别输入到目标风控模型与旁路调用风控模型,将目标风控模型的风险预测结果确定为目标借款客户的风险决策结果,并记录旁路调用风控模型对目标借款客户的风险预测结果;
第一模型验证单元,用于根据每个风控模型的风险决策结果以及相应借款客户的后续逾期情况,验证每个风控模型的风险预测准确性;
第二模型验证单元,用于将以目标风控模型为旁路调用模型的借款客户确定为目标借款客户的对照组客户,并根据对照组客户与目标借款客户的后续逾期情况,验证目标风控模型的风险预测准确性。
9.根据权利要求8所述的装置,其特征在于,所述目标客户获取单元,包括:
客户类型确定子单元,用于确定借款客户的类型,借款客户的类型包括:重点关注类客户和非重点关注类客户;
目标客户确定子单元,用于在借款客户为重点关注类客户且通过准入规则的情况下,确定借款客户为风控模型的目标借款客户;
客户分流子单元,用于在借款客户为非重点关注类客户且通过准入规则的情况下,将借款客户的信息输入第二随机分流模型;
信用评分获取子单元,用于在借款客户被所述第二随机分流模型分流到评分卡模型的情况下,获取所述评分卡模型输出的借款客户的信用评分;
所述目标客户确定子单元,还用于在所述信用评分小于预设信用评分阈值的情况下,确定借款客户为风控模型的目标借款客户。
10.根据权利要求9所述的装置,其特征在于,所述客户类型确定子单元,具体用于:
获取借款客户的标识;
判断历史借款人数据库中是否存在与借款客户的标识相对应的历史借款记录;
若不存在历史借款记录,确定借款客户为重点关注类客户;
若存在历史借款记录,判断与借款客户的标识相对应的历史借款记录中是否存在逾期记录;
若存在逾期记录,确定借款客户为重点关注类客户;
若不存在逾期记录,确定借款客户为非重点关注类客户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110522193.7A CN113112351B (zh) | 2021-05-13 | 2021-05-13 | 一种风控模型的验证方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110522193.7A CN113112351B (zh) | 2021-05-13 | 2021-05-13 | 一种风控模型的验证方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113112351A true CN113112351A (zh) | 2021-07-13 |
CN113112351B CN113112351B (zh) | 2024-05-28 |
Family
ID=76722465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110522193.7A Active CN113112351B (zh) | 2021-05-13 | 2021-05-13 | 一种风控模型的验证方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112351B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270478A (zh) * | 2020-10-30 | 2021-01-26 | 重庆富民银行股份有限公司 | 用于风控模型竞争的管理方法及平台 |
CN115409290A (zh) * | 2022-10-31 | 2022-11-29 | 北京领雁科技股份有限公司 | 业务数据风险模型验证方法、装置、电子设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615188A (zh) * | 2018-03-22 | 2018-10-02 | 深圳光华普惠科技有限公司 | 一种网贷风险管理的系统和方法 |
CN108694521A (zh) * | 2018-07-02 | 2018-10-23 | 平安健康保险股份有限公司 | 个人风险定价方法及系统 |
CN109598621A (zh) * | 2018-12-06 | 2019-04-09 | 中航信托股份有限公司 | 一种确定信托分配金额的方法和装置 |
-
2021
- 2021-05-13 CN CN202110522193.7A patent/CN113112351B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615188A (zh) * | 2018-03-22 | 2018-10-02 | 深圳光华普惠科技有限公司 | 一种网贷风险管理的系统和方法 |
CN108694521A (zh) * | 2018-07-02 | 2018-10-23 | 平安健康保险股份有限公司 | 个人风险定价方法及系统 |
CN109598621A (zh) * | 2018-12-06 | 2019-04-09 | 中航信托股份有限公司 | 一种确定信托分配金额的方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270478A (zh) * | 2020-10-30 | 2021-01-26 | 重庆富民银行股份有限公司 | 用于风控模型竞争的管理方法及平台 |
CN112270478B (zh) * | 2020-10-30 | 2023-06-09 | 重庆富民银行股份有限公司 | 用于风控模型竞争的管理方法及平台 |
CN115409290A (zh) * | 2022-10-31 | 2022-11-29 | 北京领雁科技股份有限公司 | 业务数据风险模型验证方法、装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113112351B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108492104B (zh) | 一种资源转移监测方法及装置 | |
US20090276346A1 (en) | System and method for classifying a financial transaction as a recurring financial transaction | |
CN113112351B (zh) | 一种风控模型的验证方法及装置 | |
WO2020177478A1 (zh) | 一种基于信用的资质信息审核方法、装置及设备 | |
CN110609941A (zh) | 互联网操作事件的风险识别方法及装置 | |
CN108961032A (zh) | 借贷处理方法、装置以及服务器 | |
CN111861748B (zh) | 一种基于人工智能的金融大数据分析平台 | |
CN106779608B (zh) | 一种基于微信平台的信息处理方法及信息处理系统 | |
CN112232944B (zh) | 一种评分卡创建方法、装置和电子设备 | |
CN110807643A (zh) | 一种用户信任评估方法、装置及设备 | |
CN111899100A (zh) | 业务控制方法、装置和设备及计算机存储介质 | |
CN110728301A (zh) | 一种个人用户的信用评分方法、装置、终端及存储介质 | |
CN110458612A (zh) | 一种信息处理方法及相关产品 | |
KR101763275B1 (ko) | Cb 정보를 이용한 본인 인증 방법, 그 시스템 및 그 프로그램을 기록한 컴퓨터 판독 가능한 기록매체 | |
CN110008986B (zh) | 批量风险案件识别方法、装置及电子设备 | |
CN108416662A (zh) | 一种数据验证方法及装置 | |
JP3765575B2 (ja) | データマージプログラム及びデータマージの方法 | |
Cheryshenko et al. | Integration of big data in the decision-making process in the real estate sector | |
CN111833098A (zh) | 一种信息预测方法、存储介质和电子装置 | |
CN112750023A (zh) | 一种基于因素分析的消费金融用户收益估算方法 | |
CN112348657A (zh) | 目标信贷用户的确定方法、装置、计算机设备及存储介质 | |
CN114119137B (zh) | 风险控制方法和装置 | |
Rhoen | Big data, big risks, big power shifts: Evaluating the General Data Protection Regulation as an instrument of risk control and power redistribution in the context of big data | |
JP7353072B2 (ja) | リスト管理システム、リスト管理方法、およびリスト管理プログラム | |
CN113723710B (zh) | 一种客户流失预测方法、系统、存储介质及电子设备 |
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 |