CN113177837A - 贷款申请人的贷款额度评估方法、装置、设备及存储介质 - Google Patents
贷款申请人的贷款额度评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113177837A CN113177837A CN202110518122.XA CN202110518122A CN113177837A CN 113177837 A CN113177837 A CN 113177837A CN 202110518122 A CN202110518122 A CN 202110518122A CN 113177837 A CN113177837 A CN 113177837A
- Authority
- CN
- China
- Prior art keywords
- loan
- characteristic
- information
- historical
- amount
- 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
- 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Technology Law (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种贷款申请人的贷款额度评估方法、装置、电子设备及存储介质。其中,贷款申请人的贷款额度评估方法包括:获取贷款申请人的历史贷款记录信息以及用户画像信息;基于历史贷款记录信息以及用户画像信息获取特征数据;将特征数据输入到预设的贷款额度评估模型;获取贷款额度评估模型输出的贷款额度数据。因此,本申请获得的贷款额度数据,基于贷款申请人的历史贷款记录信息以及用户画像信息,因此更加符合贷款申请人的实际信用、经济等状况。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种贷款申请人的贷款额度评估方法、装置、设备及存储介质。
背景技术
为满足消费者的需求,金融机构开设了众多类型的业务,贷款业务是众多业务中一项重要业务。金融机构在发放贷款之前通常会对贷款申请人进行多方面的评估,然后根据评估结果来决定是否发放贷款以及贷款发放的数额。
目前,金融机构仅仅通过申请人的基本信息数据和征信数据,来确定对于贷款申请人的贷款发放额度。这种发放额度的确定方式比较简单和浅显,对贷款申请人的信息挖掘不够深入,导致对于贷款申请人贷款发放额度不符合贷款申请人的实际信用、经济等状况。
发明内容
本申请提供一种贷款申请人的贷款额度评估方法、装置、设备及存储介质,得到贷款额度数据更加符合贷款申请人的实际信用、经济等状况。
本申请第一方面提供了一种贷款申请人的贷款额度评估方法,该方法包括:获取贷款申请人的历史贷款记录信息以及用户画像信息;基于历史贷款记录信息以及用户画像信息获取特征数据;将特征数据输入到预设的贷款额度评估模型;获取贷款额度评估模型输出的贷款额度数据。
可选地,获取贷款申请人的历史贷款记录信息以及用户画像信息的步骤,包括:获取贷款申请人的贷款申请额;从预设的申请额范围获取与贷款申请额对应的当前申请额范围;获取与当前申请额范围对应的预设历史时间段内的历史贷款记录信息以及用户画像信息。
可选地,基于历史贷款记录信息以及用户画像信息获取特征数据的步骤,包括:基于贷款记录信息的第一特征因素获取第一特征数据,基于用户画像信息的第二特征因素获取第二特征数据,第一特征因素不同于第二特征因素。
可选地,基于历史贷款记录信息以及用户画像信息获取特征数据的步骤,包括:基于第一特征数据以及第二特征数据根据第三特征因素获取第三特征数据,第三特征因素不同于第一特征因素以及第二特征因素。
可选地,第一特征因素包括逾期次数、逾期订单比例、封禁次数、还清订单数、还清订单数比例,第二特征因素包括经济状况、征信状况、社交状况,第三特征因素包括经济状况下的逾期订单比例、经济状况下的还清订单数比例、征信状况下的逾期订单比例、征信状况下的还清订单数比例、社交状况下的逾期订单比例、社交状况下的还清订单数比例。
可选地,基于历史贷款记录信息以及用户画像信息获取特征数据的步骤,包括:基于历史贷款记录信息以及用户画像信息获取特征信息;基于特征信息以及预设的数据转换规则将特征信息转换为特征数据。
可选地,贷款额度评估模型基于特征数据样本通过XGBoost模型训练得到。
本申请第二方面提供一种用户贷款概率预测装置,该装置包括:获取单元,用于获取贷款申请人的历史贷款记录信息以及用户画像信息;处理单元,与获取单元连接,用于基于历史贷款记录信息以及用户画像信息获取特征数据;评估单元,与处理单元连接,用于将特征数据输入到预设的贷款额度评估模型,以得到贷款额度数据;输出单元,与评估单元连接,用于获取贷款额度评估模型输出的贷款额度数据并输出贷款额度数据。
本申请第三方面提供一种电子设备,该电子设备包括:处理器以及存储器,存储器与处理器耦接,处理器用于执行上述任一项的贷款申请人的贷款额度评估方法。
本申请第四方面一种计算机可读存储介质,该存储介质存储有程序指令,程序指令被处理器执行时实现如上述任一项的贷款申请人的贷款额度评估方法。
本申请至少具备的有益效果是:相较于现有技术,本申请获得的贷款额度数据基于贷款申请人的历史贷款记录信息以及用户画像信息,因此更加符合贷款申请人的实际信用、经济等状况。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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是本申请的贷款申请人的贷款额度评估方法的一实施例的流程示意图;
图2是本申请的贷款申请人的贷款额度评估方法的一实施例的流程示意图;
图3是本申请的贷款申请人的贷款额度评估方法的一实施例的流程示意图;
图4是本申请的贷款申请人的贷款额度评估方法的一实施例的流程示意图;
图5是本申请的贷款申请人的贷款额度评估装置的框架结构示意图;
图6是本申请的电子设备的一框架结构示意图;
图7是本申请的计算机可读存储介质的一框架结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,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。
本申请中的术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。此外,本文中的“多”表示两个或者多于两个。此外,术语“包括”和“具有”以及它们任何变形,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、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,在不冲突的情况下,本文所描述的实施例可以与其它实施例相结合。
本申请第一方面提供了一种贷款申请人的贷款额度评估方法,本方法可应用于贷款申请人的贷款额度评估装置中,该装置可以是手机、电脑、服务器等电子设备。基于本方法,能够获取更加符合贷款申请人实际信用、经济等状况的贷款额度。
请参阅图1,图1是本申请的贷款申请人的贷款额度评估方法的一实施例的流程示意图。如图1,本方法包括:
S11:获取贷款申请人的历史贷款记录信息以及用户画像信息。
贷款申请人的贷款额度评估装置获取贷款申请人的历史贷款记录信息以及用户画像信息,额度评估装置可以从服务器获取,也可以从其他终端获取,也可以通过外界的输入获取。当然,在一些实施例中,历史贷款记录信息以及用户画像信息可以是以数据形成存在的信息。
贷款申请人的历史贷款信息可以包括订单号、申请时间、放款时间、申请额度、放款额度、是否通过、是否放款、是否逾期、封禁等信息。贷款申请人的历史贷款信息可以直接反映贷款申请人历史贷款信用、经济等状况,可以将其作为评估贷款申请人的当前信用、经济状况的重要信息。
用户画像信息为贷款申请人的画像信息,贷款申请人的画像信息即描述贷款申请人在征信、经济、社交等方面状况的信息的集合,例如可以包括贷款申请人的行为信息、社交信息、网络信息等等。因此,用户画像信息是反映贷款申请人过去的信用、经济、社交等状况的重要信息,是评估贷款申请人当前信用、经济、社交等状况的重要信息。
S12:基于历史贷款记录信息以及用户画像信息获取特征数据。
历史贷款记录信息以及用户画像信息根据不同的特征因素分类可以得到不同的特征信息,从特征信息可以对应地获取到特征数据。即在一些实施例中,基于历史贷款记录信息以及用户画像信息获取特征数据的步骤,可以包括:基于历史贷款记录信息以及用户画像信息获取特征信息;基于特征信息以及预设的数据转换规则将特征信息转换为特征数据。
例如,历史贷款信息可以根据贷款次数的特征因素得到贷款次数特征数据,可以根据贷款总值的特征因素得到贷款总值的特征数据,可以根据贷款均值的特征因素得到贷款均值的特征数据,可以根据预期贷款笔数的特征因素得到预期贷款笔数的特征数据,可以按照预期贷款比例的特征因素得到预期贷款比例的特征数据。用户画像信息可以根据用户消费总额的特征因素得到用户的消费总额的特征数据,可以根据消费均值的特征因素得到消费均值的特征数据,可以根据征信的特征因素得到征信的特征数据,可以根据社交的特征因素得到社交的特征数据。
通过历史贷款记录信息以及用户画像信息可以获取到相应的特征数据,这些特征数据能够良好的反应贷款申请人在信用、经济、社交等方面的历史状况,进而基于此对贷款申请人呢当前的信用、经济、社交等方面进行预测、评估。
S13:将特征数据输入到预设的贷款额度评估模型。
贷款额度评估模型是预先建立并存储于贷款额度评估装置中的,获取特征数据之后,可直接输入到该贷款额度评估装置中。
在一些实施例中,贷款额度评估模型基于特征数据样本通过XGBoost模型训练得到。
其中,可以预先获取大量的特征数据样本,并将这些特征数据样本全部地输入到XGBoost模型中进行训练,进而得到可根据特征数据进行贷款额度评估的贷款额度评估模型。
其中,XGBoost本质上是一种集成的决策树算法,相对于逻辑回归和其他算法,至少具备以下几个优点:算法本身的优化:XGBoost损失函数对误差部分做二阶泰勒展开,模型效果更加精准;算法性能的提高:XGBoost考虑了训练数据为稀疏值的情况,可以为缺失值或者指定的值指定分支的默认方向,这能大大提升算法的效率;此外,XGBoost借鉴了随机森林的做法,支持列抽样,不仅能降低过拟合,还能减少计算。
S14:获取贷款额度评估模型输出的贷款额度数据。
通过将特征数据输入到贷款额度评估模型可以得到相应的评估结果,评估结果中包括贷款额度数据。贷款额度评估装置进一步基于该评估结果获取贷款额度数据,此贷款额度数据为贷款申请人的额度数据。应理解,贷款申请人的额度数据反映了金融机构可以给贷款申请人发放贷款的最大额度。
其中,贷款额度数据可以是具体的贷款额度金额值,例如十万元,那么金融机构最多可以给贷款申请人发放十万元的贷款。
请参阅图2,图2是本申请的贷款申请人的贷款额度评估方法的一实施例的流程示意图。
具体地,上述步骤S11可以包括:
S111:获取贷款申请人的贷款申请额。
贷款申请人的贷款申请额为贷款申请人当前的贷款申请额,例如十万元、二十万元。
在另一些实施例中,贷款申请额信息可以是客户质量信息,例如,可以用客户的信用质量信息表征客户质量信息。因此,步骤S111可以是获取贷款申请人的客户质量信息。
S112:从预设的申请额范围获取与贷款申请额对应的当前申请额范围。
申请额范围可以预先设置并存储于贷款额度评估装置中,申请额范围按照申请额的大小划分为多个范围,例如最低贷款额到十万元为第一申请额范围,十万元到二十万元为第二申请额范围,二十万元到三十万元为第三申请额范围。
具体地,判断贷款申请额属于哪一个预设的申请额范围,进而贷款申请额属于的申请额范围作为当前申请额范围。例如,贷款申请额为十五万元,那么贷款申请额对应的当前申请额范围是第二申请额范围。
相应地,当上述步骤S111获取的是客户质量信息时,步骤S112可以是:从预设的客户质量范围获取与客户质量对应的当前客户质量范围。
客户质量信息可以得到客户质量,客户质量可以用数值表示。例如,0-10为第一客户质量范围,10-20(不包括10)为第二客户质量范围。若获取的客户质量为5,那么对应的当前客户质量范围为第一客户质量范围。
S113:获取与当前申请额范围对应的预设历史时间段内的历史贷款记录信息以及用户画像信息。
历史时段段可以是一历史时间点到当前时间点之间的一段时间,例如一周前到当前的这段时间为历史时间段,当然,也可以是一历史时间点到另一历史时间点之间的一段时间。可以按照时间长度预先设置有多个预设历史时间段,例如第一预设历史时间段的时间长度可以为一月,那么第一预设历史时间段为过去的一月这段时间,第二预设历史时间段的时间长度可以为一年,那么第二预设历史时间段为过去的一年这段时间。
当前申请额范围与预设历史时间段可以具有一一对应的对应关系,对应关系可以是申请额较大的申请额范围与时间长度较长的预设历史时间段对应。结合上面的例子,可以是第一申请额范围与第一预设历史时间段对应,第二申请额范围与第二预设历史时间段对应。
接着上面的例子,若当前申请额范围是第一申请额范围,那么获取第一预设历史时间段(过去的一个月)内的历史贷款记录信息以及用户画像信息。
应理解,在本步骤中,相互对应的内容不再赘述。同样地,若当前客户质量范围为第一客户质量范围,那么获取第一预设时间段内的历史贷款信息以及用户画像信息。
因此,通过上述方式,能够根据贷款申请人不同的贷款申请额或客户质量信息获取不同的历史贷款记录信息以及用户画像信息,对于信息的获取具有良好的针对性。在贷款申请额较大或客户质量较差的情况下,可以获取较多的信息,以确保对贷款额度评估的全面性、准确性,在贷款申请额较小或客户质量较好的情况下,可以获取较少的信息,进而减小信息的处理量以及不必要信息带来的干扰。
请参阅图3,图3是本申请的贷款申请人的贷款额度评估方法的一实施例的流程示意图。
可选地,步骤S12可以包括:
S31:基于贷款记录信息的第一特征因素获取第一特征数据,基于用户画像信息的第二特征因素获取第二特征数据,第一特征因素不同于第二特征因素。
第一特征因素为贷款记录信息的特征因素,第一特征因素可以预先设置并存储。其中,第一特征因素可以是贷款信息的逾期率、封禁率、贷款总额、剩余未还贷款等特征因素。第二特征因素为用户画像信息的特征因素,第二特征因素可以预先设置并存储,第二特征因素可以是消费总值、消费类型、征信等特征因素。
其中,第一特征因素与第二特征因素不同,可以获得不同信息的不同特征因素。在另一些实施例中,第二特征因素与第二特征因素可以部分相同。
S32:基于第一特征数据以及第二特征数据根据第三特征因素获取第三特征数据,第三特征因素不同于第一特征因素以及第二特征因素。
获取到的第二特征数据以及第二特征数据在结合的情况下,也可能得到有用的特征数据,即第三特征数据。有时仅仅通过第一特征数据以及第二特征数据并不能良好地实现对贷款申请人的贷款额度作出评估,需要对第一数据以及第二数据进行进一步的分析得到有用的第三特征数据,并结合第三数据才能准确地实现对贷款额的评估。
例如,第一特征数据为逾期率数据,第二特征数据为征信数据,第一特征数据显示逾期率为0,第二特征数据显示信用状况不好,那么单凭第一特征数据以及第二特征数据不能对贷款额作出准确评估。若将第一特征数据与第二特征数据结合,进而得到第三特征数据,那么可以实现较好的评估效果。
第三特征因素不同于第一特征因素以及第二特征因素,以将第一特征数据与第二特征数据结合形成第三特征数据。例如,第三特征因素为第二特征因素与第一特征因素的结合,结合上述的例子,第三特征数据可以是逾期率数据下的征信数据,如第三特征数据反映逾期率为0下的信用不良好。
请参阅图4,图4是本申请的贷款申请人的贷款额度评估方法的一实施例的流程示意图。
在本实施例中,第一特征因素包括逾期次数、逾期订单比例,封禁次数、还清订单数、还清订单数比例,第二特征因素包括经济状况、征信状况、社交状况,第三特征因素包括经济状况下的逾期订单比例、经济状况下的还清订单数比例、征信状况下的逾期订单比例、征信状况下的还清订单比例、社交状况下的逾期订单比例、社交状况下的还清订单数比例。
基于此,上述步骤S31可以包括:
S41:基于贷款记录信息的逾期次数、逾期订单比例、封禁次数、还清订单数、还清订单数比例的特征因素获取第一特征数据,基于用户画像信息的经济状况、社交状况的特征数据获取第二特征数据。
因此,本实施例获取的第一特征数据是预期次数数据、预期订单比例数据、封禁次数数据、还清订单数数据、还清订单数比例数据等,第二特征数据包括经济数据、社交数据等。
S42:基于第一特征数据以及第二特征数据,根据经济状况下的逾期订单比例、经济状况下的还清订单数比例、征信状况下的逾期订单比例、征信状况下的还清订单比例、社交状况下的逾期订单比例、社交状况下的还清订单数比例的特征因素获取第三特征数据。
即第三特征因素为经济状况下的逾期订单比例、经济状况下的还清订单数比例、征信状况下的逾期订单比例、征信状况下的还清订单比例、社交状况下的逾期订单比例、社交状况下的还清订单数比例,基于第一特征数据、第二特征数据以及第三特征因素即可得到相应的第三特征数据。
由上述内容可知,第三特征因素结合了第一特征因素以及第二特征因素,因此第三特征数据结合了第一特征数据以及第二特征数据,基于第三特征因素下的第三特征数据,能够良好地对用户贷款额进行评估。
本申请第二方面提供一种贷款申请人的贷款额度评估装置50,请参阅图5,图5是本申请的贷款申请人的贷款额度评估装置50的框架结构示意图。
如图5,贷款申请人的贷款额度评估装置50包括获取单元51、处理单元52、评估单元53以及输出单元54。其中,获取单元51用于获取贷款申请人的历史贷款记录信息以及用户画像信息,处理单元52与获取单元51连接,用于基于历史贷款记录信息以及用户画像信息获取特征数据,评估单元53与处理单元52连接,用于将特征数据输入到预设的贷款额度评估模型,以得到贷款额度数据,输出单元54与评估单元53连接,用于获取贷款额度评估模型输出的贷款额度数据并输出贷款额度数据。
其中,关于各单元的具体执行步骤,可以参见上述的贷款申请人的贷款额度评估方法的实施例的内容,在此不再赘述。
本申请第三方面提供一种电子设备60,请参阅图6,图6是本申请的电子设备60的一框架结构示意图。
如图6,电子设备60包括处理器61以及存储器62,存储器62与处理器61耦接,处理器61用于执行上述实施例中描述的贷款申请人的贷款额度评估方法。其中,电子设备60可以是可移动类型的电子设备,例如移动终端,也可以是不可移动类型的电子设备,例如服务器。
本申请第四方面一种计算机可读存储介质70,请参阅图7,图7是本申请的计算机可读存储介质70的一框架结构示意图。
其中,计算机可读存储介质70存储有程序指令71,程序指令71被处理器执行时实现如上是实力的的贷款申请人的贷款额度评估方法。
其中,计算机可读存储介质70可以包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种贷款申请人的贷款额度评估方法,其特征在于,所述方法包括:
获取贷款申请人的历史贷款记录信息以及用户画像信息;
基于所述历史贷款记录信息以及所述用户画像信息获取特征数据;
将所述特征数据输入到预设的贷款额度评估模型;
获取所述贷款额度评估模型输出的贷款额度数据。
2.根据权利要求1所述的方法,其特征在于,
所述获取贷款申请人的历史贷款记录信息以及用户画像信息的步骤,包括:
获取贷款申请人的贷款申请额;
从预设的申请额范围获取与所述贷款申请额对应的当前申请额范围;
获取与所述当前申请额范围对应的预设历史时间段内的历史贷款记录信息以及用户画像信息。
3.根据权利要求2所述的方法,其特征在于,
所述基于所述历史贷款记录信息以及所述用户画像信息获取特征数据的步骤,包括:
基于贷款记录信息的第一特征因素获取第一特征数据,基于所述用户画像信息的第二特征因素获取第二特征数据,所述第一特征因素不同于所述第二特征因素。
4.根据权利要求3所述的方法,其特征在于,
所述基于所述历史贷款记录信息以及所述用户画像信息获取特征数据的步骤,包括:
基于所述第一特征数据以及所述第二特征数据根据第三特征因素获取第三特征数据,所述第三特征因素不同于所述第一特征因素以及所述第二特征因素。
5.根据权利要求4所述的方法,其特征在于,
所述第一特征因素包括逾期次数、逾期订单比例、封禁次数、还清订单数、还清订单数比例,所述第二特征因素包括经济状况、征信状况、社交状况,所述第三特征因素包括经济状况下的逾期订单比例、经济状况下的还清订单数比例、征信状况下的逾期订单比例、征信状况下的还清订单数比例、社交状况下的逾期订单比例、社交状况下的还清订单数比例。
6.根据权利要求1所述的方法,其特征在于,
所述基于所述历史贷款记录信息以及所述用户画像信息获取特征数据的步骤,包括:
基于所述历史贷款记录信息以及所述用户画像信息获取特征信息;
基于所述特征信息以及预设的数据转换规则将所述特征信息转换为特征数据。
7.根据权利要求1所述的方法,其特征在于,
所述贷款额度评估模型基于特征数据样本通过XGBoost模型训练得到。
8.一种贷款申请人的贷款额度评估装置,其特征在于,所述装置包括:
获取单元,用于获取贷款申请人的历史贷款记录信息以及用户画像信息;
处理单元,与所述获取单元连接,用于基于所述历史贷款记录信息以及所述用户画像信息获取特征数据;
评估单元,与所述处理单元连接,用于将所述特征数据输入到预设的贷款额度评估模型,以得到贷款额度数据;
输出单元,与所述评估单元连接,用于获取所述贷款额度评估模型输出的贷款额度数据并输出所述贷款额度数据。
9.一种电子设备,其特征在于,所述电子设备包括:
处理器以及存储器,所述存储器与所述处理器耦接,所述处理器用于执行上述权利要求1-7任一项所述的贷款申请人的贷款额度评估方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序指令,所述程序指令被处理器执行时实现如权利要求1-7任一项所述的贷款申请人的贷款额度评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110518122.XA CN113177837A (zh) | 2021-05-12 | 2021-05-12 | 贷款申请人的贷款额度评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110518122.XA CN113177837A (zh) | 2021-05-12 | 2021-05-12 | 贷款申请人的贷款额度评估方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113177837A true CN113177837A (zh) | 2021-07-27 |
Family
ID=76929187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110518122.XA Pending CN113177837A (zh) | 2021-05-12 | 2021-05-12 | 贷款申请人的贷款额度评估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177837A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706288A (zh) * | 2021-08-26 | 2021-11-26 | 中国工商银行股份有限公司 | 一种融资申请准入确定方法及装置 |
CN117151869A (zh) * | 2023-10-26 | 2023-12-01 | 北京信立合创信息技术有限公司 | 一种基于深度学习的个人信用征信模型及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067319A (zh) * | 2017-03-13 | 2017-08-18 | 平安科技(深圳)有限公司 | 贷款额度测算方法和装置 |
CN107909467A (zh) * | 2017-11-15 | 2018-04-13 | 重庆小雨点小额贷款有限公司 | 一种贷款额度评估方法及相关设备 |
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 |
CN108961040A (zh) * | 2018-06-29 | 2018-12-07 | 重庆富民银行股份有限公司 | 用于授信贷款的贷款额度评估系统及方法 |
CN109242672A (zh) * | 2018-09-29 | 2019-01-18 | 北京京东金融科技控股有限公司 | 贷款的还款信息预测方法、装置以及计算机可读存储介质 |
CN110288459A (zh) * | 2019-04-24 | 2019-09-27 | 武汉众邦银行股份有限公司 | 贷款预测方法、装置、设备及存储介质 |
-
2021
- 2021-05-12 CN CN202110518122.XA patent/CN113177837A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067319A (zh) * | 2017-03-13 | 2017-08-18 | 平安科技(深圳)有限公司 | 贷款额度测算方法和装置 |
CN107909467A (zh) * | 2017-11-15 | 2018-04-13 | 重庆小雨点小额贷款有限公司 | 一种贷款额度评估方法及相关设备 |
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 |
CN108961040A (zh) * | 2018-06-29 | 2018-12-07 | 重庆富民银行股份有限公司 | 用于授信贷款的贷款额度评估系统及方法 |
CN109242672A (zh) * | 2018-09-29 | 2019-01-18 | 北京京东金融科技控股有限公司 | 贷款的还款信息预测方法、装置以及计算机可读存储介质 |
CN110288459A (zh) * | 2019-04-24 | 2019-09-27 | 武汉众邦银行股份有限公司 | 贷款预测方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706288A (zh) * | 2021-08-26 | 2021-11-26 | 中国工商银行股份有限公司 | 一种融资申请准入确定方法及装置 |
CN117151869A (zh) * | 2023-10-26 | 2023-12-01 | 北京信立合创信息技术有限公司 | 一种基于深度学习的个人信用征信模型及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837931B (zh) | 客户流失预测方法、装置及存储介质 | |
US8751436B2 (en) | Analyzing data quality | |
CN110909984A (zh) | 业务数据处理模型训练方法、业务数据处理方法及装置 | |
CN113177837A (zh) | 贷款申请人的贷款额度评估方法、装置、设备及存储介质 | |
CN108230140A (zh) | 推送信息的方法和装置、确定输入默认值的方法和装置 | |
CN111652661B (zh) | 一种手机客户端用户流失预警处理方法 | |
CN111340606A (zh) | 一种全流程收入稽核方法和装置 | |
CN110659922A (zh) | 一种客户筛选方法、装置、服务器及计算机可读存储介质 | |
CN114493686A (zh) | 一种运营内容生成推送方法及装置 | |
CN111061948A (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
Rahmatillah et al. | Determinants of capital structure analysis: empirical study of telecommunication industry in Indonesia 2008-2015 | |
CN110717653B (zh) | 风险识别方法及装置和电子设备 | |
CN117252677A (zh) | 信贷额度确定方法和装置、电子设备及存储介质 | |
Inoue et al. | Estimating customer impatience in a service system with unobserved balking | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN114219611A (zh) | 贷款额度计算方法、装置、计算机设备和存储介质 | |
CN109919811B (zh) | 基于大数据的保险代理人培养方案生成方法及相关设备 | |
CN111815204A (zh) | 风险评估方法、装置以及系统 | |
CN113283979A (zh) | 一种贷款申请人的贷款信用评估方法、装置及存储介质 | |
CN112419050B (zh) | 基于电话通讯网络和社交行为的信用评估方法及装置 | |
CN111932018B (zh) | 银行业务绩效贡献信息预测方法及装置 | |
CN114842237A (zh) | 催收方式的确定方法、装置、计算机设备、存储介质 | |
CN110070438B (zh) | 一种信用分值计算方法、设备及存储介质 | |
CN117035843A (zh) | 客户流失的预测方法、装置、电子设备和介质 | |
CN118133167A (zh) | 账号分类模型的训练方法、装置及电子设备 |
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 |