CN113344438A - 对贷中行为进行监控的贷款系统、监控方法、设备及介质 - Google Patents
对贷中行为进行监控的贷款系统、监控方法、设备及介质 Download PDFInfo
- Publication number
- CN113344438A CN113344438A CN202110729573.8A CN202110729573A CN113344438A CN 113344438 A CN113344438 A CN 113344438A CN 202110729573 A CN202110729573 A CN 202110729573A CN 113344438 A CN113344438 A CN 113344438A
- Authority
- CN
- China
- Prior art keywords
- loan
- user
- neural network
- module
- network model
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 230000000977 initiatory effect Effects 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims description 74
- 238000004422 calculation algorithm Methods 0.000 claims description 73
- 230000006399 behavior Effects 0.000 claims description 71
- 230000010152 pollination Effects 0.000 claims description 60
- 238000012549 training Methods 0.000 claims description 52
- 238000012360 testing method Methods 0.000 claims description 46
- 230000010154 cross-pollination Effects 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 10
- 230000003542 behavioural effect Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000035945 sensitivity Effects 0.000 description 8
- 230000002068 genetic effect Effects 0.000 description 6
- 239000002245 particle Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 210000002364 input neuron Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000010153 self-pollination Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000000528 statistical test Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012546 transfer Methods 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种对贷中行为进行监控的贷款系统、监控方法、设备及介质,贷款系统包括用户端和服务端,用户端包括信息采集模块和贷款申请发起模块,服务端包括信用计算模块、贷款审批模块、贷款发放模块和贷中行为监控模块;信息采集模块用于采集贷款用户的各维度特征信息X;贷款申请发起模块用于贷款用户发起贷款申请请求;信用计算模块用于利用预设信用计算模型根据贷款用户的各维度特征信息X计算贷款用户的信用等级;贷款审批模块用于对用户发起的贷款申请请求进行审批;贷款发放模块用于进行贷款发放;贷中行为监控模块用于在贷款金额发放后监控贷款用户的逾期风险。本发明可通过贷中行为提前预测可能逾期的风险。
Description
技术领域
本发明属于互联网金融技术领域,尤其涉及一种对贷中行为进行监控的贷款系统、监控方法、设备及介质。
背景技术
近年来随着互联网金融的快速发展以及互联网所沉淀的行为数据呈现爆炸式的增长,依托于海量数据,客户互联网贷款业务量逐年增加。但是目前很多金融机构很注重贷前的风险分析控制,在结束了贷前评估流程并完成放款后,对贷中的情况则比较放松,不太重视动态分析的重要性,导致还款过程中违约率不断提升,为了降低贷中违约风险,目前多是业务人员根据人为经验确定已放款客户的还款能力、还款意向等用于评估违约风险,没有有效的方法来进行贷中行为监控,降低贷款业务风险。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种对贷中行为进行监控的贷款系统、监控方法、设备及介质,可以对贷中行为监控,通过贷中行为提前预测可能逾期的风险,方便银行工作人员提前采取措施,减小贷款损失。
本发明第一方面提供了一种对贷中行为进行监控的贷款系统,包括用户端和服务端,用户端包括信息采集模块和贷款申请发起模块,服务端包括信用计算模块、贷款审批模块、贷款发放模块和贷中行为监控模块;
所述信息采集模块,用于采集贷款用户的各维度特征信息X;
所述贷款申请发起模块,用于贷款用户发起贷款申请请求;
所述信用计算模块,用于利用预设信用计算模型根据贷款用户的各维度特征信息X计算贷款用户的信用等级;
所述贷款审批模块,用于对用户发起的贷款申请请求进行审批;
所述贷款发放模块,用于根据贷款审批模块审批通过的贷款金额进行贷款发放;
所述贷中行为监控模块,用于在贷款金额发放后监控贷款用户的逾期风险;
所述贷中行为监控模块监控贷款用户的逾期风险时包括以下步骤:
步骤1、以当下时间点为参考,调取贷款用户当下时间点之前E1个月内的历史各维度特征X;
步骤2、将调取的E1个月内的历史各维度特征X输入预设的评分卡模型Y=f1(X),预测贷款用户当下时间点之后E2个月内的逾期表现结果Y,当Y=0时,代表贷款用户未逾期,当Y=1时,代表贷款用户逾期;
步骤3、输出预测的贷款用户的逾期表现结果。
上述贷款系统,所述贷中行为监控模块对所述评分卡模型定期执行以下步骤重新生成:
Step1、调取训练集样本和测试集样本,以及构建GRU神经网络模型;
Step2、初始化GRU神经网络模型中各神经元的权值参数和偏置参数;将训练集样本的各维度特征X作为GRU神经网络模型的输入,将训练集样本的逾期表现结果Y作为GRU神经网络模型的输出,训练GRU神经网络模型;训练完成后进入到下一步;
Step3、采用花朵授粉算法优化训练后的GRU神经网络模型的权值参数和偏置参数;然后进入到下一步;
Step4、利用测试集样本对优化后的GRU神经网络模型进行误差测试,若测试通过,则进入下一步;若测试不通过,则重新执行Step1-Step3;
Step5、以优化后的GRU神经网络模型为评分卡模型,并输出该评分卡模型。
上述贷款系统,所述训练集样本和测试集样本通过以下步骤取得:
Step1-1、从所述贷款系统或外部系统抽取一个时间段内的多个贷款用户样本数据;然后进入下一步;
Step1-2、取多个所述贷款用户样本产生的时间段中的一个时间点作为观察点;将所述时间段中在观察点之前的时期设定为观察期,将所述时间段中在观察点之后的时期设定为表现期;然后进入下一步;
Step1-3、取每个贷款用户样本数据在观察期内的信息为该贷款用户的历史各维度特征X’;根据每个贷款用户样本数据在表现期内的信息标记该用户的逾期表现结果Y’;然后进入下一步;
Step1-4、将每个贷款用户样本数据对应的历史各维度特征X’和逾期表现结果Y’构建为一条预用样本数据;对预用样本数据进行缺失值处理、异常值剔除和归一化处理;然后进入下一步;
Step1-5、将多个所述预用样本数据中的一部分设定为训练集样本,另一部分设定为测试集样本。
其中,ε∈[0,1],t为花朵授粉算法优化执行时的当前迭代次数,T为花朵授粉算法优化执行的最大迭代次数。
本发明第二方面提供了一种贷中行为风险监控的方法,包括以下步骤:
步骤1、以当下时间点为参考,调取贷款用户当下时间点之前E1个月内的历史各维度特征X;
步骤2、将调取的E1个月内的历史各维度特征X输入预设的评分卡模型Y=f1(X),预测贷款用户当下时间点之后E2个月内的逾期表现结果Y,当Y=0时,代表贷款用户未逾期,当Y=1时,代表贷款用户逾期;
步骤3、输出预测的贷款用户的逾期表现结果。
上述贷中行为风险监控的方法,所述评分卡模型定期执行以下步骤重新生成:
Step1、调取训练集样本和测试集样本,以及构建GRU神经网络模型;
Step2、初始化GRU神经网络模型中各神经元的权值参数和偏置参数;将训练集样本的各维度特征X作为GRU神经网络模型的输入,将训练集样本的逾期表现结果Y作为GRU神经网络模型的输出,训练GRU神经网络模型;训练完成后进入到下一步;
Step3、采用花朵授粉算法优化训练后的GRU神经网络模型的权值参数和偏置参数;然后进入到下一步;
Step4、利用测试集样本对优化后的GRU神经网络模型进行误差测试,若测试通过,则进入下一步;若测试不通过,则重新执行Step1-Step3;
Step5、以优化后的GRU神经网络模型为评分卡模型,并输出该评分卡模型。
上述贷中行为风险监控的方法,所述训练集样本和测试集样本通过以下步骤取得:
Step1-1、从所述贷款系统或外部系统抽取一个时间段内的多个贷款用户样本数据;然后进入下一步;
Step1-2、取多个所述贷款用户样本产生的时间段中的一个时间点作为观察点;将所述时间段中在观察点之前的时期设定为观察期,将所述时间段中在观察点之后的时期设定为表现期;然后进入下一步;
Step1-3、取每个贷款用户样本数据在观察期内的信息为该贷款用户的历史各维度特征X’;根据每个贷款用户样本数据在表现期内的信息标记该用户的逾期表现结果Y’;然后进入下一步;
Step1-4、将每个贷款用户样本数据对应的历史各维度特征X’和逾期表现结果Y’构建为一条预用样本数据;对预用样本数据进行缺失值处理、异常值剔除和归一化处理;然后进入下一步;
Step1-5、将多个所述预用样本数据中的一部分设定为训练集样本,另一部分设定为测试集样本。
其中,ε∈[0,1],t为花朵授粉算法优化执行时的当前迭代次数,T为花朵授粉算法优化执行的最大迭代次数。
本发明第三方面提供一种电子设备,包括:存储器和处理器,所述处理器和所述存储器连接;
所述存储器用于存储程序;
所述处理器调用存储于所述存储器中的程序,以执行上述第二方面所述方法和/或结合第二方面所述方法的任一种可能的贷中行为风险监控的方法。
本发明第四方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被计算机运行时执行第二方面所述方法和/或结合第二方面所述方法的任一种可能的贷中行为风险监控的方法。
本发明与现有技术相比具有以下优点:本发明通过在贷款用户贷款后,依旧对贷款用户的各维度特征X进行收集,并输入到评分卡模型进行预测,可以在当下时间点之后E2个月内,预测贷款用户的逾期表现结果,相比传统贷款系统,本发明通过贷中行为提前预测可能逾期的风险,方便银行工作人员提前采取措施,减小贷款损失。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明实施例1中贷款系统的模块框图。
图2为本发明实施例1中逾期风险时的方法流程图。
图3为本发明实施例1中生成评分卡模型的方法流程图。
具体实施方式
实施例1
如图1所示,一种对贷中行为进行监控的贷款系统,包括用户端100和服务端200,用户端100包括信息采集模块101和贷款申请发起模块102,服务端200包括信用计算模块201、贷款审批模块202、贷款发放模块203和贷中行为监控模块204;
所述信息采集模块101,用于采集贷款用户的各维度特征信息X;具体地,所述信息采集模块101可通过预设的表格供贷款用户填写进行信息采集,还可以从第三方软件调取用户的数据进行信息采集、或调取用户在所述贷款系统中的历史数据进行信息采集;
所述贷款申请发起模块102,用于贷款用户发起贷款申请请求;
所述信用计算模块201,用于利用预设信用计算模型根据贷款用户的各维度特征信息X计算贷款用户的信用等级;信用计算模型为现有常规模型,此处不再详细介绍;
所述贷款审批模块202,用于对用户发起的贷款申请请求进行审批;需要说明的是,所述贷款审批模块202可以将用户的贷款申请请求和信用等级进行呈现,供银行工作人员进行人工审核,也可以通过设置规则根据用户的贷款申请请求和信用等级自动进行审核;
所述贷款发放模块203,用于根据贷款审批模块审批通过的贷款金额进行贷款发放;
所述贷中行为监控模块204,用于在贷款金额发放后监控贷款用户的逾期风险。
如图2所示,本实施例中,所述贷中行为监控模块204监控贷款用户的逾期风险时包括以下步骤:
步骤1、以当下时间点为参考,调取贷款用户当下时间点之前E1个月内的历史各维度特征X;
步骤2、将调取的E1个月内的历史各维度特征X输入预设的评分卡模型Y=f1(X),预测贷款用户当下时间点之后E2个月内的逾期表现结果Y,当Y=0时,代表贷款用户未逾期,当Y=1时,代表贷款用户逾期;
步骤3、输出预测的贷款用户的逾期表现结果。
需要说明的是,所述贷中行为监控模块定期对贷款用户的逾期风险进行监控,输出预测的贷款用户的逾期表现结果,让银行工作人员可以尽早监控到贷款客户可能出现的问题,提前采取措施,减小贷款损失。
如图3所示,本实施例中,所述贷中行为监控模块对所述评分卡模型定期执行以下步骤重新生成:
Step1、调取训练集样本和测试集样本,以及构建GRU神经网络模型;
需要说明的是,所述GRU神经网络(GatedRecurrent Unit,GRU)是长短期记忆网络(LongShort-Term Memory,LSTM)最成功的一个变体,与LSTM均属于循环神经网络(RecurrentNeuralNetwork,RNN);
Step2、初始化GRU神经网络模型中各神经元的权值参数和偏置参数;将训练集样本的各维度特征X作为GRU神经网络模型的输入,将训练集样本的逾期表现结果Y作为GRU神经网络模型的输出,训练GRU神经网络模型;训练完成后进入到下一步;
需要说明的是,训练GRU神经网络模型时,采用梯度下降算法进行模型训练,当迭代次数到达规定次数,若损失函数收敛,则训练完成;若损失函数未收敛,则继续迭代直至收敛;
Step3、采用花朵授粉算法优化训练后的GRU神经网络模型的权值参数和偏置参数;然后进入到下一步;
需要说明的是,采用花朵授粉算法优化训练后的GRU神经网络模型的权值参数和偏置参数的过程,是在训练完成得到的权值参数和偏置参数基础上寻找损失函数MAE所能达到更小值的过程,即MAE=f2(w,b);w为权值参数集,每个神经元的权值参数在[-1,1]之间,b为偏置参数集,每个神经元的偏置参数在[0,1]之间,wij表示位于[-1,1]之间第i个隐藏层神经元与第j个输入神经元间的权值;bi表示位于[0,1]之间第i个隐藏层神经元的偏置阈值;
花朵授粉算法执行时,种群规模为H,最大迭代次数为T,交叉授粉概率为p,p∈[0,1],最小收敛精度为MAEmin,搜索空间为D;
花朵授粉算法执行时,在搜索空间D中随机生成H个花粉粒的初始种群,以xi t表示第t次迭代时第i个花粉粒,i=1,2,…,H;
最后迭代计算MAE=f2(w,b)=f2(x),寻找MAEmin对应的xi t;
进一步需要说明的是,每次迭代时,生成随机数rand∈(0,1),当交叉授粉概率p大于随机生成数rand,则采用异花授粉的方式进行更新;当切换概率p小于随机生成数rand,则采用自花授粉的方式进行更新;交叉授粉概率p决定全局搜索和局部搜索之间的转换。由于风和物理距离等其他因素的影响,在整个授粉过程中,p值的选取非常关键;
需要说明的是,由于标准花朵授粉算法的交叉授粉概率p固定,局部授粉和全局授粉由交叉授粉概率p控制,由于自然界的因素,局部授粉在整个授粉过程中占明显的作用,算法后期受随机振荡现象的影响,使其在全局最优值附近需要较长的搜索时间。另外,标准花朵授粉算法在求解问题过程中也会出现种群个体找不到最优解问题和在迭代后期种群的多样性下降等问题;为提高花朵授粉算法的搜索效率,本实施例中,所述花朵授粉算法的交叉授粉概率p为:
其中,ε∈[0,1],t为花朵授粉算法优化执行时的当前迭代次数,T为花朵授粉算法优化执行的最大迭代次数;
Step4、利用测试集样本对优化后的GRU神经网络模型进行误差测试,若测试通过,则进入下一步;若测试不通过,则重新执行Step1-Step3;
需要说明的是,误差测试时,引入混淆矩阵统计测试结果如下表1所示:
TP:客户本身是坏人,模型判断为坏人;
TN:客户本身是好人,模型判断为好人;
FN:客户本身是坏人,模型判断为好人;
FP:客户本身是好人,模型判断为坏人;
计算GRU神经网络的准确率、敏感度、特异度和AUC值;当准确率、敏感度、特异度和AUC值均达到预设标准阈值时,则认为测试通过。
准确率(Accuracy):准确率是预测正确的结果占总样本的百分比,表达式如下:
敏感度(Sensitivity):表示的是所有正例中被分对的比例,衡量了分类器对正例的识别能力,表达式如下:
特异度(Specificity):表示的是所有负例中被分对的比例,衡量了分类器对负例的识别能力,表达式如下:
AUC值(Area Under Curve):AUC值介于0.1和1之间,AUC作为数值可以直观的评价分类器的好坏,值越大越好,表达式如下:
AUC值为ROC曲线所覆盖的区域面积,其物理意义为:任取一对(正、负)样本时,正例样本的得分大于负例样本的得分的概率值,其中得分为分类器输出属于正例样本的置信度。
为了验证本发明所述GRU神经网络模型的优势,在相同数据集下执行相同训练和优化后RNN神经网络模型、LSTM神经网络模型和GRU神经网络模型三者的对比结果如下表2所示;
为了验证本发明改进后的花朵授粉算法的优势,对遗传算法GA、粒子群优化算法PSO、改进花朵授粉算法FPA进行了对比实验。遗传算法的种群规模为sizepop=25、交叉概率Pcross=0.6、变异概率Pmutation=0.01;粒子群算法种群规模设置为20,加速常数c1=c2=1.49;改进花朵授粉算法FPA的种群数量N=25,交叉授粉概率p=0.8;各种优化算法的最大迭代次数T=300,得到对比结果如下表3所示;
实验结果表明,本发明所提供GRU神经网络模型训练优化后无论是在精度、误识率,还是执行效率等指标上都远远优于普通RNN系列算法和一般的机器学习算法,展示了本发明提供的GRU神经网络模型所带来的算法并行性性能的提升。通过与遗传算法和粒子群算法对比实验,改进后的花朵授粉算法改进了GRU神经网络容易陷于局部最小值的缺点,提高了预测精度,花授粉算法具有参数少、易实现以及寻优效果好的优点,证明其寻优速度更快,寻优效果更好。
Step5、以优化后的GRU神经网络模型为评分卡模型,并输出该评分卡模型。通过花朵授粉算法的优化,能够找到更好的权值参数和偏置参数,使输出的评分卡模型表现更好。
本实施例中,所述训练集样本和测试集样本通过以下步骤取得:
Step1-1、从所述贷款系统或外部系统抽取一个时间段内的多个贷款用户样本数据;然后进入下一步;
Step1-2、取多个所述贷款用户样本产生的时间段中的一个时间点作为观察点;将所述时间段中在观察点之前的时期设定为观察期,将所述时间段中在观察点之后的时期设定为表现期;然后进入下一步;
Step1-3、取每个贷款用户样本数据在观察期内的信息为该贷款用户的历史各维度特征X’;根据每个贷款用户样本数据在表现期内的信息标记该用户的逾期表现结果Y’;然后进入下一步;
Step1-4、将每个贷款用户样本数据对应的历史各维度特征X’和逾期表现结果Y’构建为一条预用样本数据;对预用样本数据进行缺失值处理、异常值剔除和归一化处理;然后进入下一步;
Step1-5、将多个所述预用样本数据中的一部分设定为训练集样本,另一部分设定为测试集样本。
需要说明的是,所述Step1-4中归一化处理时,对初始预用样本数据集进行线性变换处理,处理之后的数据都在[0,1]区间内,公式如下:
其中,Xij*为预用样本数据集第i个指标的第j个样本的标准化处理后的新属性值,Xij为预用样本数据集第i个指标的第j个样本的原属性值,min(Xij)表示第i个指标所有样本数据属性值的最小值,而max(Xij)表示第i个指标所有样本数据属性值的最大值。
需要说明的是,贷款用户的历史各维度特征X或X’包括贷款前的状况维度特征、贷款时的行为特征和贷款后的行为特征;贷款前的状况维度特征包括年龄、性别、地域、所在城市、学历、家庭结构、婚姻状况、收入、已有贷款记录、还款记录、逾期记录等;贷款时的行为特征包括贷款时在贷款系统中的操作行为,如操作访问历史贷款记录数据、访问某个数据次数、停留在某个页面时间等;贷款后的行为特征包括各个还款行为数据,如连续几个月的还款行为包括但不限于最近几个月的最大逾期天数、最小逾期天数、贷款余额、逾期金额、提前还款次数、提款次数、提款总金额、提款金额占授信金额占比、借款利率、借款期限等
需要说明的是,贷款时的行为特征和贷款后的行为特征均采用注意力机制从贷款用户的行为数据中提取,并且所述贷款时的行为特征和贷款后的行为特征均为时序性行为特征。时序性行为特征指按照时间顺序提取的贷款用户的行为特征,例如,在t时刻对应的贷款用户的消费、还款等行为特征,在t+1时刻对应的贷款用户的消费、还款等行为特征等等。利用预设LSTM网络对用户行为数据进行编码处理,得到处理后的用户行为数据,例如编码处理后的用户行为数据包括t1、t2、t3、t4以及t5这5个时刻编码处理后的用户行为数据,且该编码处理后的用户行为数据分为s1、s2以及s3这3个维度的行为特征。
实施例2
如图2所示,一种贷中行为风险监控的方法,包括以下步骤:
步骤1、以当下时间点为参考,调取贷款用户当下时间点之前E1个月内的历史各维度特征X;
步骤2、将调取的E1个月内的历史各维度特征X输入预设的评分卡模型Y=f1(X),预测贷款用户当下时间点之后E2个月内的逾期表现结果Y,当Y=0时,代表贷款用户未逾期,当Y=1时,代表贷款用户逾期;
步骤3、输出预测的贷款用户的逾期表现结果。
需要说明的是,定期对贷款用户的逾期风险进行监控,输出预测的贷款用户的逾期表现结果,让银行工作人员可以尽早监控到贷款客户可能出现的问题,提前采取措施,减小贷款损失。
如图3所示,本实施例中,所述评分卡模型定期执行以下步骤重新生成:
Step1、调取训练集样本和测试集样本,以及构建GRU神经网络模型;
需要说明的是,所述GRU神经网络(GatedRecurrent Unit,GRU)是长短期记忆网络(LongShort-Term Memory,LSTM)最成功的一个变体,与LSTM均属于循环神经网络(RecurrentNeuralNetwork,RNN);
Step2、初始化GRU神经网络模型中各神经元的权值参数和偏置参数;将训练集样本的各维度特征X作为GRU神经网络模型的输入,将训练集样本的逾期表现结果Y作为GRU神经网络模型的输出,训练GRU神经网络模型;训练完成后进入到下一步;
需要说明的是,训练GRU神经网络模型时,采用梯度下降算法进行模型训练,当迭代次数到达规定次数,若损失函数收敛,则训练完成;若损失函数未收敛,则继续迭代直至收敛;
Step3、采用花朵授粉算法优化训练后的GRU神经网络模型的权值参数和偏置参数;然后进入到下一步;
需要说明的是,采用花朵授粉算法优化训练后的GRU神经网络模型的权值参数和偏置参数的过程,是在训练完成得到的权值参数和偏置参数基础上寻找损失函数MAE所能达到更小值的过程,即MAE=f2(w,b);w为权值参数集,每个神经元的权值参数在[-1,1]之间,b为偏置参数集,每个神经元的偏置参数在[0,1]之间,wij表示位于[-1,1]之间第i个隐藏层神经元与第j个输入神经元间的权值;bi表示位于[0,1]之间第i个隐藏层神经元的偏置阈值;
花朵授粉算法执行时,种群规模为H,最大迭代次数为T,交叉授粉概率为p,p∈[0,1],最小收敛精度为MAEmin,搜索空间的D;
再将GRU神经网络模型的权值参数w和偏置参数b编码到花粉粒k中,k=[w11,w12,…,w1n,w21,w22,…,w2n,…wm1,wm2,…,b1,b2,…,bm];
最后迭代计算MAE=f2(w,b)=f2(k),寻找MAEmin对应的k’;
进一步需要说明的是,每次迭代时,生成随机数rand∈(0,1),当交叉授粉概率p大于随机生成数rand,则采用异花授粉的方式进行更新;当切换概率p小于随机生成数rand,则采用自花授粉的方式进行更新;交叉授粉概率p决定全局搜索和局部搜索之间的转换。由于风和物理距离等其他因素的影响,在整个授粉过程中,p值的选取非常关键;
需要说明的是,由于标准花朵授粉算法的交叉授粉概率p固定,局部授粉和全局授粉由交叉授粉概率p控制,由于自然界的因素,局部授粉在整个授粉过程中占明显的作用,算法后期受随机振荡现象的影响,使其在全局最优值附近需要较长的搜索时间,花朵授粉算法在求解问题过程中种群个体找不到最优解问题和在迭代后期种群的多样性下降等问题;为提高花朵授粉算法的搜索效率,本实施例中,所述花朵授粉算法的交叉授粉概率p为:
其中,ε∈[0,1],t为花朵授粉算法优化执行时的当前迭代次数,T为花朵授粉算法优化执行的最大迭代次数;
Step4、利用测试集样本对优化后的GRU神经网络模型进行误差测试,若测试通过,则进入下一步;若测试不通过,则重新执行Step1-Step3;
需要说明的是,误差测试时,引入混淆矩阵统计测试结果如下表1所示:
TP:客户本身是坏人,模型判断为坏人;
TN:客户本身是好人,模型判断为好人;
FN:客户本身是坏人,模型判断为好人;
FP:客户本身是好人,模型判断为坏人;
计算GRU神经网络的准确率、敏感度、特异度和AUC值;当准确率、敏感度、特异度和AUC值均达到预设标准阈值时,则认为测试通过。
准确率(Accuracy):准确率是预测正确的结果占总样本的百分比,表达式如下:
敏感度(Sensitivity):表示的是所有正例中被分对的比例,衡量了分类器对正例的识别能力,表达式如下:
特异度(Specificity):表示的是所有负例中被分对的比例,衡量了分类器对负例的识别能力,表达式如下:
AUC值(Area Under Curve):AUC值介于0.1和1之间,AUC作为数值可以直观的评价分类器的好坏,值越大越好,表达式如下:
AUC值为ROC曲线所覆盖的区域面积,其物理意义为:任取一对(正、负)样本时,正例样本的得分大于负例样本的得分的概率值,其中得分为分类器输出属于正例样本的置信度。
为了验证本发明所述GRU神经网络模型的优势,在相同数据集下执行相同训练和优化后RNN神经网络模型、LSTM神经网络模型和GRU神经网络模型三者的对比结果如下表2所示;
为了验证本发明改进后的花朵授粉算法的优势,对遗传算法GA、粒子群优化算法PSO、改进花朵授粉算法FPA进行了对比实验。遗传算法的种群规模为sizepop=25、交叉概率Pcross=0.6、变异概率Pmutation=0.01;粒子群算法种群规模设置为20,加速常数c1=c2=1.49;改进花朵授粉算法FPA的种群数量N=25,交叉授粉概率p=0.8;各种优化算法的最大迭代次数T=300,得到对比结果如下表3所示;
实验结果表明,本发明所提供GRU神经网络模型训练优化后无论是在精度、误识率,还是执行效率等指标上都远远优于普通RNN系列算法和一般的机器学习算法,展示了本发明提供的GRU神经网络模型所带来的算法并行性性能的提升。通过与遗传算法和粒子群算法对比实验,改进后的花朵授粉算法改进了GRU神经网络容易陷于局部最小值的缺点,提高了预测精度,花授粉算法具有参数少、易实现以及寻优效果好的优点,证明其寻优速度更快,寻优效果更好。
Step5、以优化后的GRU神经网络模型为评分卡模型,并输出该评分卡模型。通过花朵授粉算法的优化,能够找到更好的权值参数和偏置参数,使输出的评分卡模型表现更好。
本实施例中,所述训练集样本和测试集样本通过以下步骤取得:
Step1-1、从所述贷款系统或外部系统抽取一个时间段内的多个贷款用户样本数据;然后进入下一步;
Step1-2、取多个所述贷款用户样本产生的时间段中的一个时间点作为观察点;将所述时间段中在观察点之前的时期设定为观察期,将所述时间段中在观察点之后的时期设定为表现期;然后进入下一步;
Step1-3、取每个贷款用户样本数据在观察期内的信息为该贷款用户的历史各维度特征X’;根据每个贷款用户样本数据在表现期内的信息标记该用户的逾期表现结果Y’;然后进入下一步;
Step1-4、将每个贷款用户样本数据对应的历史各维度特征X’和逾期表现结果Y’构建为一条预用样本数据;对预用样本数据进行缺失值处理、异常值剔除和归一化处理;然后进入下一步;
Step1-5、将多个所述预用样本数据中的一部分设定为训练集样本,另一部分设定为测试集样本。
需要说明的是,所述Step1-4中归一化处理时,对初始预用样本数据集进行线性变换处理,处理之后的数据都在[0,1]区间内,公式如下:
其中,Xij*为预用样本数据集第i个指标的第j个样本的标准化处理后的新属性值,Xij为预用样本数据集第i个指标的第j个样本的原属性值,min(Xij)表示第i个指标所有样本数据属性值的最小值,而max(Xij)表示第i个指标所有样本数据属性值的最大值。
需要说明的是,贷款用户的历史各维度特征X或X’包括贷款前的状况维度特征、贷款时的行为特征和贷款后的行为特征;贷款前的状况维度特征包括年龄、性别、地域、所在城市、学历、家庭结构、婚姻状况、收入、已有贷款记录、还款记录、逾期记录等;贷款时的行为特征包括贷款时在贷款系统中的操作行为,如操作访问历史贷款记录数据、访问某个数据次数、停留在某个页面时间等;贷款后的行为特征包括各个还款行为数据,如连续几个月的还款行为包括但不限于最近几个月的最大逾期天数、最小逾期天数、贷款余额、逾期金额、提前还款次数、提款次数、提款总金额、提款金额占授信金额占比、借款利率、借款期限等
需要说明的是,贷款时的行为特征和贷款后的行为特征均采用注意力机制从贷款用户的行为数据中提取,并且所述贷款时的行为特征和贷款后的行为特征均为时序性行为特征。时序性行为特征指按照时间顺序提取的贷款用户的行为特征,例如,在t时刻对应的贷款用户的消费、还款等行为特征,在t+1时刻对应的贷款用户的消费、还款等行为特征等等。利用预设LSTM网络对用户行为数据进行编码处理,得到处理后的用户行为数据,例如编码处理后的用户行为数据包括t1、t2、t3、t4以及t5这5个时刻编码处理后的用户行为数据,且该编码处理后的用户行为数据分为s1、s2以及s3这3个维度的行为特征。
实施例3
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被计算机运行时执行上述实施例2中所述贷中行为风险监控的方法。
实施例4
一种电子设备,包括:存储器和处理器,所述处理器和所述存储器连接;
所述存储器用于存储程序;
所述处理器调用存储于所述存储器中的程序,以执行如实施例2中所述贷中行为风险监控的方法。
需要说明的是,所述电子设备,可以是,但不限于个人电脑(personal computer,PC)、平板电脑、移动上网设备(mobile internet device,MID)等设备。
应当注意的是,处理器、存储器以及其他可能出现于电子设备的组件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,处理器、存储器以及其他可能出现的组件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
需要说明的是,本说明书中的各个实施例均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的部分互相参见即可。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,笔记本电脑,服务器,手机,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、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。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (10)
1.一种对贷中行为进行监控的贷款系统,其特征在于,包括用户端和服务端,用户端包括信息采集模块和贷款申请发起模块,服务端包括信用计算模块、贷款审批模块、贷款发放模块和贷中行为监控模块;
所述信息采集模块,用于采集贷款用户的各维度特征信息X;
所述贷款申请发起模块,用于贷款用户发起贷款申请请求;
所述信用计算模块,用于利用预设信用计算模型根据贷款用户的各维度特征信息X计算贷款用户的信用等级;
所述贷款审批模块,用于对用户发起的贷款申请请求进行审批;
所述贷款发放模块,用于根据贷款审批模块审批通过的贷款金额进行贷款发放;
所述贷中行为监控模块,用于在贷款金额发放后监控贷款用户的逾期风险;
所述贷中行为监控模块监控贷款用户的逾期风险时包括以下步骤:
步骤1、以当下时间点为参考,调取贷款用户当下时间点之前E1个月内的历史各维度特征X;
步骤2、将调取的E1个月内的历史各维度特征X输入预设的评分卡模型Y=f1(X),预测贷款用户当下时间点之后E2个月内的逾期表现结果Y,当Y=0时,代表贷款用户未逾期,当Y=1时,代表贷款用户逾期;
步骤3、输出预测的贷款用户的逾期表现结果。
2.按照权利要求1所述对贷中行为进行监控的贷款系统,其特征在于,所述贷中行为监控模块对所述评分卡模型定期执行以下步骤重新生成:
Step1、调取训练集样本和测试集样本,以及构建GRU神经网络模型;
Step2、初始化GRU神经网络模型中各神经元的权值参数和偏置参数;将训练集样本的各维度特征X作为GRU神经网络模型的输入,将训练集样本的逾期表现结果Y作为GRU神经网络模型的输出,训练GRU神经网络模型;训练完成后进入到下一步;
Step3、采用花朵授粉算法优化训练后的GRU神经网络模型的权值参数和偏置参数;然后进入到下一步;
Step4、利用测试集样本对优化后的GRU神经网络模型进行误差测试,若测试通过,则进入下一步;若测试不通过,则重新执行Step1-Step3;
Step5、以优化后的GRU神经网络模型为评分卡模型,并输出该评分卡模型。
3.按照权利要求2所述对贷中行为进行监控的贷款系统,其特征在于,所述训练集样本和测试集样本通过以下步骤取得:
Step1-1、从所述贷款系统或外部系统抽取一个时间段内的多个贷款用户样本数据;然后进入下一步;
Step1-2、取多个所述贷款用户样本产生的时间段中的一个时间点作为观察点;将所述时间段中在观察点之前的时期设定为观察期,将所述时间段中在观察点之后的时期设定为表现期;然后进入下一步;
Step1-3、取每个贷款用户样本数据在观察期内的信息为该贷款用户的历史各维度特征X’;根据每个贷款用户样本数据在表现期内的信息标记该用户的逾期表现结果Y’;然后进入下一步;
Step1-4、将每个贷款用户样本数据对应的历史各维度特征X’和逾期表现结果Y’构建为一条预用样本数据;对预用样本数据进行缺失值处理、异常值剔除和归一化处理;然后进入下一步;
Step1-5、将多个所述预用样本数据中的一部分设定为训练集样本,另一部分设定为测试集样本。
5.一种贷中行为风险监控的方法,其特征在于,包括以下步骤:
步骤1、以当下时间点为参考,调取贷款用户当下时间点之前E1个月内的历史各维度特征X;
步骤2、将调取的E1个月内的历史各维度特征X输入预设的评分卡模型Y=f1(X),预测贷款用户当下时间点之后E2个月内的逾期表现结果Y,当Y=0时,代表贷款用户未逾期,当Y=1时,代表贷款用户逾期;
步骤3、输出预测的贷款用户的逾期表现结果。
6.按照权利要求5所述贷中行为风险监控的方法,其特征在于,所述评分卡模型定期执行以下步骤重新生成:
Step1、调取训练集样本和测试集样本,以及构建GRU神经网络模型;
Step2、初始化GRU神经网络模型中各神经元的权值参数和偏置参数;将训练集样本的各维度特征X作为GRU神经网络模型的输入,将训练集样本的逾期表现结果Y作为GRU神经网络模型的输出,训练GRU神经网络模型;训练完成后进入到下一步;
Step3、采用花朵授粉算法优化训练后的GRU神经网络模型的权值参数和偏置参数;然后进入到下一步;
Step4、利用测试集样本对优化后的GRU神经网络模型进行误差测试,若测试通过,则进入下一步;若测试不通过,则重新执行Step1-Step3;
Step5、以优化后的GRU神经网络模型为评分卡模型,并输出该评分卡模型。
7.按照权利要求6所述贷中行为风险监控的方法,其特征在于,所述训练集样本和测试集样本通过以下步骤取得:
Step1-1、从所述贷款系统或外部系统抽取一个时间段内的多个贷款用户样本数据;然后进入下一步;
Step1-2、取多个所述贷款用户样本产生的时间段中的一个时间点作为观察点;将所述时间段中在观察点之前的时期设定为观察期,将所述时间段中在观察点之后的时期设定为表现期;然后进入下一步;
Step1-3、取每个贷款用户样本数据在观察期内的信息为该贷款用户的历史各维度特征X’;根据每个贷款用户样本数据在表现期内的信息标记该用户的逾期表现结果Y’;然后进入下一步;
Step1-4、将每个贷款用户样本数据对应的历史各维度特征X’和逾期表现结果Y’构建为一条预用样本数据;对预用样本数据进行缺失值处理、异常值剔除和归一化处理;然后进入下一步;
Step1-5、将多个所述预用样本数据中的一部分设定为训练集样本,另一部分设定为测试集样本。
9.一种电子设备,其特征在于,包括:存储器和处理器,所述处理器和所述存储器连接;
所述存储器用于存储程序;
所述处理器调用存储于所述存储器中的程序,以执行如权利要求5-8中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被计算机运行时执行如权利要求5-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110729573.8A CN113344438A (zh) | 2021-06-29 | 2021-06-29 | 对贷中行为进行监控的贷款系统、监控方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110729573.8A CN113344438A (zh) | 2021-06-29 | 2021-06-29 | 对贷中行为进行监控的贷款系统、监控方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113344438A true CN113344438A (zh) | 2021-09-03 |
Family
ID=77481379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110729573.8A Pending CN113344438A (zh) | 2021-06-29 | 2021-06-29 | 对贷中行为进行监控的贷款系统、监控方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344438A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829819A (zh) * | 2019-03-05 | 2019-05-31 | 深圳思御风控科技有限公司 | 一种基于信用增进的交易处置系统 |
GB2599750A (en) * | 2021-04-01 | 2022-04-13 | Indusenz As | Methods for installing apparatus and systems for monitoring the environment in an insulating material surrounding plant equipment and/or pipe work |
CN116433363A (zh) * | 2023-04-18 | 2023-07-14 | 上海德易车信息科技有限公司 | 基于用户需求进行分析的汽车金融智能利息结算系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107424070A (zh) * | 2017-03-29 | 2017-12-01 | 广州汇融易互联网金融信息服务有限公司 | 一种基于机器学习的贷款用户信用评级方法及系统 |
CN108921689A (zh) * | 2018-06-29 | 2018-11-30 | 重庆富民银行股份有限公司 | 贷款风险监控系统及方法 |
CN110246037A (zh) * | 2019-04-19 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 交易特征预测方法、装置、服务器及可读存储介质 |
CN110378781A (zh) * | 2019-06-17 | 2019-10-25 | 深圳壹账通智能科技有限公司 | 数据监控方法、装置、计算机设备和存储介质 |
CN110796430A (zh) * | 2019-10-08 | 2020-02-14 | 中国建设银行股份有限公司 | 一种逾期交易数据处理方法和装置 |
CN111324862A (zh) * | 2020-02-10 | 2020-06-23 | 深圳华策辉弘科技有限公司 | 贷中行为监控的方法及系统 |
CN111507422A (zh) * | 2020-04-24 | 2020-08-07 | 西安工程大学 | 基于cqfpa-wnn的变压器故障诊断方法 |
CN113034263A (zh) * | 2020-08-20 | 2021-06-25 | 深圳大学 | 一种信贷审批方法、装置、服务器及介质 |
-
2021
- 2021-06-29 CN CN202110729573.8A patent/CN113344438A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107424070A (zh) * | 2017-03-29 | 2017-12-01 | 广州汇融易互联网金融信息服务有限公司 | 一种基于机器学习的贷款用户信用评级方法及系统 |
CN108921689A (zh) * | 2018-06-29 | 2018-11-30 | 重庆富民银行股份有限公司 | 贷款风险监控系统及方法 |
CN110246037A (zh) * | 2019-04-19 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 交易特征预测方法、装置、服务器及可读存储介质 |
CN110378781A (zh) * | 2019-06-17 | 2019-10-25 | 深圳壹账通智能科技有限公司 | 数据监控方法、装置、计算机设备和存储介质 |
CN110796430A (zh) * | 2019-10-08 | 2020-02-14 | 中国建设银行股份有限公司 | 一种逾期交易数据处理方法和装置 |
CN111324862A (zh) * | 2020-02-10 | 2020-06-23 | 深圳华策辉弘科技有限公司 | 贷中行为监控的方法及系统 |
CN111507422A (zh) * | 2020-04-24 | 2020-08-07 | 西安工程大学 | 基于cqfpa-wnn的变压器故障诊断方法 |
CN113034263A (zh) * | 2020-08-20 | 2021-06-25 | 深圳大学 | 一种信贷审批方法、装置、服务器及介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829819A (zh) * | 2019-03-05 | 2019-05-31 | 深圳思御风控科技有限公司 | 一种基于信用增进的交易处置系统 |
GB2599750A (en) * | 2021-04-01 | 2022-04-13 | Indusenz As | Methods for installing apparatus and systems for monitoring the environment in an insulating material surrounding plant equipment and/or pipe work |
CN116433363A (zh) * | 2023-04-18 | 2023-07-14 | 上海德易车信息科技有限公司 | 基于用户需求进行分析的汽车金融智能利息结算系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10366451B2 (en) | System and method for prediction using synthetic features and gradient boosted decision tree | |
KR102044205B1 (ko) | 빅데이터와 기계학습을 이용한 타겟 정보 예측 시스템 및 예측 방법 | |
CN113344438A (zh) | 对贷中行为进行监控的贷款系统、监控方法、设备及介质 | |
CN110415036B (zh) | 用户等级的确定方法、装置、计算机设备和存储介质 | |
CN110634060A (zh) | 一种用户信用风险的评估方法、系统、装置及存储介质 | |
CN112330047A (zh) | 一种基于用户行为特征的信用卡还款概率预测方法 | |
CN110866832A (zh) | 一种风险控制方法、系统、存储介质及计算设备 | |
Eddy et al. | Credit scoring models: Techniques and issues | |
US20230325632A1 (en) | Automated anomaly detection using a hybrid machine learning system | |
CN109978300B (zh) | 客户风险承受力量化方法及系统、资产配置方法及系统 | |
Zhu et al. | Loan default prediction based on convolutional neural network and LightGBM | |
CN110738565A (zh) | 基于数据集合的房产金融人工智能复合风控模型 | |
CN114463036A (zh) | 一种信息处理方法及装置、存储介质 | |
CN114066620A (zh) | 基于客户画像的客户信息处理方法及装置 | |
KR20110114181A (ko) | 예측 정확성이 향상된 대출 심사 방법 | |
CN113421154B (zh) | 基于控制图的信贷风险评估方法及系统 | |
CN114495137A (zh) | 票据异常检测模型生成方法与票据异常检测方法 | |
CN113706258B (zh) | 基于组合模型的产品推荐方法、装置、设备及存储介质 | |
CN116051288B (zh) | 一种基于重采样的金融信用评分数据增强方法 | |
Srinivas et al. | Feature selection algorithms: A comparative study | |
CN116862078B (zh) | 一种换电套餐用户逾期的预测方法、系统、装置及介质 | |
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 | |
CN117788133A (zh) | 构建零售信用风险预测模型的方法和零售信贷Scoresigma模型 | |
KR20240066782A (ko) | 빅데이터와 기계학습을 이용한 대출 연체 정보 예측 시스템 및 그 방법 | |
CN118115046A (zh) | 一种基金经理的业绩归因方法 |
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 |
Application publication date: 20210903 |
|
RJ01 | Rejection of invention patent application after publication |