CN113496436A - 一种基于安全多方计算的风控模型参数分析方法及其应用 - Google Patents

一种基于安全多方计算的风控模型参数分析方法及其应用 Download PDF

Info

Publication number
CN113496436A
CN113496436A CN202110770883.4A CN202110770883A CN113496436A CN 113496436 A CN113496436 A CN 113496436A CN 202110770883 A CN202110770883 A CN 202110770883A CN 113496436 A CN113496436 A CN 113496436A
Authority
CN
China
Prior art keywords
data
wind control
control model
historical
default data
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
Application number
CN202110770883.4A
Other languages
English (en)
Inventor
顾冉
叶薇薇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Fuchen Shuzhi Technology Co ltd
Original Assignee
Hangzhou Fuchen Shuzhi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Fuchen Shuzhi Technology Co ltd filed Critical Hangzhou Fuchen Shuzhi Technology Co ltd
Priority to CN202110770883.4A priority Critical patent/CN113496436A/zh
Publication of CN113496436A publication Critical patent/CN113496436A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2255—Hash tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种基于安全多方计算的风控模型参数分析方法及其应用，包括以下步骤：通过市场调研获取指定银行客户的客户数据，并获取其历史信贷违约数据以及未违约数据；接着通过网络节点获取指定银行客户的历史贷款信息，从而获取指定银行客户的历史贷款联系人以及其贷款时长，本发明通过采用市场调研方式获取客户信贷违约与信贷未违约数据，并通过网络节点获取客户的历史贷款信息，同时通过建立风控模型进行参数分析，计算客户的人脉资源能力以及定期还款能力，并整合时间间隔数据，从而能够精准的完成多方位的风控模型参数分析，进而保证了风险系数评估的准确性，同时还保证了银行信贷业务的顺利开展，有利于实际的应用。

Description

一种基于安全多方计算的风控模型参数分析方法及其应用
技术领域
本发明属于风控模型参数分析领域，具体为一种基于安全多方计算的风控模型参数分析方法及其应用。
背景技术
现有生活中，信贷是指以偿还和付息为条件的价值运动形式，通常包括银行存款、贷款等信用活动，狭义上仅指银行贷款，广义上同信用通用，信贷是社会主义国家用有偿方式动员和分配资金的重要形式，是发展经济的有力杠杆，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，信贷有广义和狭义之分。广义的信贷是指以银行为中介、以存贷为主体的信用活动的总称，包括存款、贷款和结算业务，狭义的信贷通常指银行的贷款，即以银行为主体的货币资金发放行为，而贷款风险的产生，往往在贷款审查阶段就开始了，在银行的诸多业务当中，信贷占据较大的份额，因此，对于信贷行业中银行客户所存在的风险系数评估就显得格外重要。
而现有技术中对于信贷行业中银行客户所存在的风险系数评估大都只是单纯的通过调查客户以往行为来获取客户信贷能力与风险，而无法从多方进行风控模型参数分析评估，从而导致对于信贷行业中银行客户所存在的风险系数的评估不够准确，进而严重的影响了银行信贷业务的顺利开展，不利于实际的应用。
发明内容：
本发明的目的就在于为了解决上述问题而提供一种基于安全多方计算的风控模型参数分析方法及其应用，解决了背景技术中提到的问题。
为了解决上述问题，本发明提供了一种技术方案：
一种基于安全多方计算的风控模型参数分析方法，包括以下步骤：
S1、通过市场调研获取指定银行客户的客户数据，并获取其历史信贷违约数据以及未违约数据；
S2、通过网络节点获取指定银行客户的历史贷款信息，从而获取指定银行客户的历史贷款联系人以及其贷款时长，然后利用风控模型进行数据计算，得到指定银行客户的人脉资源能力以及定期还款能力；
S3、对步骤S2中得到的指定银行客户的人脉资源能力以及定期还款能力进行整理分析；
S4、利用计算机服务器创建临时指定银行客户专用数据库，用于存储上述步骤中通过调研获取或者计算得到的指定银行客户的数据；
S5、将整理分析得到的数据与进行风控模型参数分析得到的人脉资源能力以及定期还款能力进行综合处理，从而评估指定银行客户的风控参数分析数据，得到指定银行客户的风险系数。
作为优选，所述客户数据包括个人数据、交易数据和行为数据其中之一或任意组合。
作为优选，所述步骤S1中，若银行客户为个人，则获取其首次发生信贷违约的过去每年财务数据、财务消费类型以及财务消费地点，同时获取同期内有存续的债务信息以及未发生信贷违约账单，所述步骤S1中，若银行客户为企业，则通过市场调研获取首次发生信贷违约的企业过去每年财务数据、公司治理、公司特征以及所在市场环境的测度变量，同时获取同期内有存续的公司债、企业债或中期票据且未发生信贷违约的账单。
作为优选，所述步骤S2中通过网络节点获取指定银行客户的历史贷款信息的具体操作步骤为：
S201、首先通过计算机获取指定银行客户进行贷款操作的节点ID；
S202、然后利用计算机中的命令行工具计算该节点的哈希值；
S203、最后根据该节点的哈希值查询用户的历史贷款信息以及未违约数据。
作为优选，所述步骤S2中利用风控模型进行数据计算的具体操作步骤为：
S211、首先根据步骤S1中获取的历史信贷违约数据以及未违约数据建立风控模型；
S212、接着先将获取的指定银行客户的历史贷款联系人数据代入模型中进行计算，评估银行客户的历史贷款联系人资产能力，从而得到指定银行客户的人脉资源能力；
S213、然后将获取的指定银行客户的历史贷款时长数据代入模型中进行计算，评估指定银行客户的定期收入能力，从而得到指定银行客户的定期还款能力。
作为优选，所述步骤S201中建立风控模型的具体操作步骤为：
S2111、首先根据步骤S1中获取的历史信贷违约数据以及未违约数据划分训练集与测试集，从历史信贷违约数据中分层抽样65％的数据作为训练集第一样本，从未违约数据中分层抽样65％的数据作为训练集第二样本，同时从历史信贷违约数据中分层抽样35％的数据作为测试集第一样本，从未违约数据中分层抽样35％的数据作为测试集第二样本；
S2112、然后建立训练样本集D＝{Xn，Yn}1 m，其中，X为历史信贷违约数据值，Y为未违约数据值，n为分层抽样次数，m为第一样本或第二样本，同时同时建立初始化样本权重D1(n)＝1/m；
S2113、接着将获取的样本数据的权重进行更新迭代，同时对更新的权重进行分类以及归一化处理，从而得到最终集成的模型：H(n)＝sign{Dn(X)n(Y)n}。
作为优选，所述步骤S3中整理分析的具体操作为；
S31、首先将历史信贷违约数据中的时间节点特征进行提取，按照时间先后顺序进行排列；
S32、然后将未违约数据中的时间节点特征进行提取，并将其按照时间先后顺序穿插入历史信贷违约数据的排列中；
S33、最后分别检测所有未违约数据的时间点，并检测其前后相邻的历史信贷违约数据时间点，同时记录相邻的未违约数据时间点与历史信贷违约数据时间点，从而得出时间点间隔数据。
作为优选，所述步骤S5中综合处理的具体操作为：
S51、将进行风控模型参数分析得到人脉资源能力数值以及定期还款能力数值的最大值与最小值剔除；
S52、然后结合步骤S33中获得的时间点间隔数据，对人脉资源能力数值以及定期还款能力数值进行时间等量计算，从而计算得到指定银行客在指定时间内部的还款能力，进而对其进行风险系数评估。
所述的风控模型参数分析方法能用于评估信贷行业中银行客户所存在的风险系数。
本发明的有益效果是：本发明通过采用市场调研方式获取客户信贷违约与信贷未违约数据，并通过网络节点获取客户的历史贷款信息，同时通过建立风控模型进行参数分析，计算客户的人脉资源能力以及定期还款能力，并整合时间间隔数据，从而能够精准的完成多方位的风控模型参数分析，进而保证了风险系数评估的准确性，同时还保证了银行信贷业务的顺利开展，有利于实际的应用。
附图说明：
为了易于说明，本发明由下述的具体实施及附图作以详细描述。
图1是本发明基于安全多方计算的风控模型参数分析方法流程图。
具体实施方式：
如图1所示，本具体实施方式采用以下技术方案：
实施例：
一种基于安全多方计算的风控模型参数分析方法，包括以下步骤：
S1、通过市场调研获取指定银行客户的客户数据，并获取其历史信贷违约数据以及未违约数据；
S2、通过网络节点获取指定银行客户的历史贷款信息，从而获取指定银行客户的历史贷款联系人以及其贷款时长，然后利用风控模型进行数据计算，得到指定银行客户的人脉资源能力以及定期还款能力；
S3、对步骤S2中得到的指定银行客户的人脉资源能力以及定期还款能力进行整理分析；
S4、利用计算机服务器创建临时指定银行客户专用数据库，用于存储上述步骤中通过调研获取或者计算得到的指定银行客户的数据；
S5、将整理分析得到的数据与进行风控模型参数分析得到的人脉资源能力以及定期还款能力进行综合处理，从而评估指定银行客户的风控参数分析数据，得到指定银行客户的风险系数。
其中，所述客户数据包括个人数据、交易数据和行为数据其中之一或任意组合。
其中，所述步骤S1中，若银行客户为个人，则获取其首次发生信贷违约的过去每年财务数据、财务消费类型以及财务消费地点，同时获取同期内有存续的债务信息以及未发生信贷违约账单，所述步骤S1中，若银行客户为企业，则通过市场调研获取首次发生信贷违约的企业过去每年财务数据、公司治理、公司特征以及所在市场环境的测度变量，同时获取同期内有存续的公司债、企业债或中期票据且未发生信贷违约的账单。
其中，所述步骤S2中通过网络节点获取指定银行客户的历史贷款信息的具体操作步骤为：
S201、首先通过计算机获取指定银行客户进行贷款操作的节点ID；
S202、然后利用计算机中的命令行工具计算该节点的哈希值；
S203、最后根据该节点的哈希值查询用户的历史贷款信息以及未违约数据。
其中，所述步骤S2中利用风控模型进行数据计算的具体操作步骤为：
S211、首先根据步骤S1中获取的历史信贷违约数据以及未违约数据建立风控模型；
S212、接着先将获取的指定银行客户的历史贷款联系人数据代入模型中进行计算，评估银行客户的历史贷款联系人资产能力，从而得到指定银行客户的人脉资源能力；
S213、然后将获取的指定银行客户的历史贷款时长数据代入模型中进行计算，评估指定银行客户的定期收入能力，从而得到指定银行客户的定期还款能力。
其中，所述步骤S201中建立风控模型的具体操作步骤为：
S2111、首先根据步骤S1中获取的历史信贷违约数据以及未违约数据划分训练集与测试集，从历史信贷违约数据中分层抽样65％的数据作为训练集第一样本，从未违约数据中分层抽样65％的数据作为训练集第二样本，同时从历史信贷违约数据中分层抽样35％的数据作为测试集第一样本，从未违约数据中分层抽样35％的数据作为测试集第二样本；
S2112、然后建立训练样本集D＝{Xn，Yn}1 m，其中，X为历史信贷违约数据值，Y为未违约数据值，n为分层抽样次数，m为第一样本或第二样本，同时同时建立初始化样本权重D1(n)＝1/m；
S2113、接着将获取的样本数据的权重进行更新迭代，同时对更新的权重进行分类以及归一化处理，从而得到最终集成的模型：H(n)＝sign{Dn(X)n(Y)n}。
其中，所述步骤S3中整理分析的具体操作为；
S31、首先将历史信贷违约数据中的时间节点特征进行提取，按照时间先后顺序进行排列；
S32、然后将未违约数据中的时间节点特征进行提取，并将其按照时间先后顺序穿插入历史信贷违约数据的排列中；
S33、最后分别检测所有未违约数据的时间点，并检测其前后相邻的历史信贷违约数据时间点，同时记录相邻的未违约数据时间点与历史信贷违约数据时间点，从而得出时间点间隔数据。
其中，所述步骤S5中综合处理的具体操作为：
S51、将进行风控模型参数分析得到人脉资源能力数值以及定期还款能力数值的最大值与最小值剔除；
S52、然后结合步骤S33中获得的时间点间隔数据，对人脉资源能力数值以及定期还款能力数值进行时间等量计算，从而计算得到指定银行客在指定时间内部的还款能力，进而对其进行风险系数评估。
所述的风控模型参数分析方法能用于评估信贷行业中银行客户所存在的风险系数。
具体的，在进行实际的评估分析时：
首先通过市场调研获取指定银行客户的客户数据，客户数据包括个人数据、交易数据和行为数据其中之一或任意组合，并获取其历史信贷违约数据以及未违约数据，若银行客户为个人，则获取其首次发生信贷违约的过去每年财务数据、财务消费类型以及财务消费地点，同时获取同期内有存续的债务信息以及未发生信贷违约账单，上述步骤中若银行客户为企业，则通过市场调研获取首次发生信贷违约的企业过去每年财务数据、公司治理、公司特征以及所在市场环境的测度变量，同时获取同期内有存续的公司债、企业债或中期票据且未发生信贷违约的账单；
接着通过网络节点获取指定银行客户的历史贷款信息，从而获取指定银行客户的历史贷款联系人以及其贷款时长，然后利用风控模型进行数据计算，得到指定银行客户的人脉资源能力以及定期还款能力，通过网络节点获取指定银行客户的历史贷款信息的具体操作步骤为：首先通过计算机获取指定银行客户进行贷款操作的节点ID，然后利用计算机中的命令行工具计算该节点的哈希值，最后根据该节点的哈希值查询用户的历史贷款信息以及未违约数据；利用风控模型进行数据计算的具体操作步骤为：首先根据上述步骤中获取的历史信贷违约数据以及未违约数据建立风控模型，接着先将获取的指定银行客户的历史贷款联系人数据代入模型中进行计算，评估银行客户的历史贷款联系人资产能力，从而得到指定银行客户的人脉资源能力，然后将获取的指定银行客户的历史贷款时长数据代入模型中进行计算，评估指定银行客户的定期收入能力，从而得到指定银行客户的定期还款能力；建立风控模型的具体操作步骤为：首先根据上述步骤中获取的历史信贷违约数据以及未违约数据划分训练集与测试集，从历史信贷违约数据中分层抽样65％的数据作为训练集第一样本，从未违约数据中分层抽样65％的数据作为训练集第二样本，同时从历史信贷违约数据中分层抽样35％的数据作为测试集第一样本，从未违约数据中分层抽样35％的数据作为测试集第二样本，然后建立训练样本集D＝{Xn，Yn}1 m，其中，X为历史信贷违约数据值，Y为未违约数据值，n为分层抽样次数，m为第一样本或第二样本，同时同时建立初始化样本权重D1(n)＝1/m，接着将获取的样本数据的权重进行更新迭代，同时对更新的权重进行分类以及归一化处理，从而得到最终集成的模型：H(n)＝sign{Dn(X)n(Y)n}；
然后对上述步骤中得到的指定银行客户的人脉资源能力以及定期还款能力进行整理分析，首先将历史信贷违约数据中的时间节点特征进行提取，按照时间先后顺序进行排列，然后将未违约数据中的时间节点特征进行提取，并将其按照时间先后顺序穿插入历史信贷违约数据的排列中，最后分别检测所有未违约数据的时间点，并检测其前后相邻的历史信贷违约数据时间点，同时记录相邻的未违约数据时间点与历史信贷违约数据时间点，从而得出时间点间隔数据；
利用计算机服务器创建临时指定银行客户专用数据库，用于存储上述步骤中通过调研获取或者计算得到的指定银行客户的数据；
然后将整理分析得到的数据与进行风控模型参数分析得到的人脉资源能力以及定期还款能力进行综合处理，将进行风控模型参数分析得到人脉资源能力数值以及定期还款能力数值的最大值与最小值剔除，然后结合上述步骤中获得的时间点间隔数据，对人脉资源能力数值以及定期还款能力数值进行时间等量计算，从而计算得到指定银行客在指定时间内部的还款能力，进而对其进行风险系数评估，从而评估指定银行客户的风控参数分析数据，得到指定银行客户的风险系数。
在本发明的描述中，需要理解的是，术语“同轴”、“底部”、“一端”、“顶部”、“中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、“前部”、“中央”、“两端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”、“第三”、“第四”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”、“第四”的特征可以明示或者隐含地包括至少一个该特征。
在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固定”、“旋接”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.一种基于安全多方计算的风控模型参数分析方法，其特征在于，包括以下步骤：
S1、通过市场调研获取指定银行客户的客户数据，并获取其历史信贷违约数据以及未违约数据；
S2、通过网络节点获取指定银行客户的历史贷款信息，从而获取指定银行客户的历史贷款联系人以及其贷款时长，然后利用风控模型进行数据计算，得到指定银行客户的人脉资源能力以及定期还款能力；
S3、对步骤S2中得到的指定银行客户的人脉资源能力以及定期还款能力进行整理分析；
S4、利用计算机服务器创建临时指定银行客户专用数据库，用于存储上述步骤中通过调研获取或者计算得到的指定银行客户的数据；
S5、将整理分析得到的数据与进行风控模型参数分析得到的人脉资源能力以及定期还款能力进行综合处理，从而评估指定银行客户的风控参数分析数据，得到指定银行客户的风险系数。
2.根据权利要求1所述的一种基于安全多方计算的风控模型参数分析方法，其特征在于，所述客户数据包括个人数据、交易数据和行为数据其中之一或任意组合。
3.根据权利要求1所述的一种基于安全多方计算的风控模型参数分析方法，其特征在于，所述步骤S1中，若银行客户为个人，则获取其首次发生信贷违约的过去每年财务数据、财务消费类型以及财务消费地点，同时获取同期内有存续的债务信息以及未发生信贷违约账单；所述步骤S1中，若银行客户为企业，则通过市场调研获取首次发生信贷违约的企业过去每年财务数据、公司治理、公司特征以及所在市场环境的测度变量，同时获取同期内有存续的公司债、企业债或中期票据且未发生信贷违约的账单。
4.根据权利要求1所述的一种基于安全多方计算的风控模型参数分析方法，其特征在于，所述步骤S2中通过网络节点获取指定银行客户的历史贷款信息的具体操作步骤为：
S201、首先通过计算机获取指定银行客户进行贷款操作的节点ID；
S202、然后利用计算机中的命令行工具计算该节点的哈希值；
S203、最后根据该节点的哈希值查询用户的历史贷款信息以及未违约数据。
5.根据权利要求1所述的一种基于安全多方计算的风控模型参数分析方法，其特征在于，所述步骤S2中利用风控模型进行数据计算的具体操作步骤为：
S211、首先根据步骤S1中获取的历史信贷违约数据以及未违约数据建立风控模型；
S212、接着先将获取的指定银行客户的历史贷款联系人数据代入模型中进行计算，评估银行客户的历史贷款联系人资产能力，从而得到指定银行客户的人脉资源能力；
S213、然后将获取的指定银行客户的历史贷款时长数据代入模型中进行计算，评估指定银行客户的定期收入能力，从而得到指定银行客户的定期还款能力。
6.根据权利要求5所述的一种基于安全多方计算的风控模型参数分析方法，其特征在于，所述步骤S201中建立风控模型的具体操作步骤为：
S2111、首先根据步骤S1中获取的历史信贷违约数据以及未违约数据划分训练集与测试集，从历史信贷违约数据中分层抽样65％的数据作为训练集第一样本，从未违约数据中分层抽样65％的数据作为训练集第二样本，同时从历史信贷违约数据中分层抽样35％的数据作为测试集第一样本，从未违约数据中分层抽样35％的数据作为测试集第二样本；
S2112、然后建立训练样本集D＝{Xn，Yn}1 m，其中，X为历史信贷违约数据值，Y为未违约数据值，n为分层抽样次数，m为第一样本或第二样本，同时同时建立初始化样本权重D1(n)＝1/m；
S2113、接着将获取的样本数据的权重进行更新迭代，同时对更新的权重进行分类以及归一化处理，从而得到最终集成的模型：H(n)＝sign{Dn(X)n(Y)n}。
7.根据权利要求1所述的一种基于安全多方计算的风控模型参数分析方法，其特征在于，所述步骤S3中整理分析的具体操作为；
S31、首先将历史信贷违约数据中的时间节点特征进行提取，按照时间先后顺序进行排列；
S32、然后将未违约数据中的时间节点特征进行提取，并将其按照时间先后顺序穿插入历史信贷违约数据的排列中；
S33、最后分别检测所有未违约数据的时间点，并检测其前后相邻的历史信贷违约数据时间点，同时记录相邻的未违约数据时间点与历史信贷违约数据时间点，从而得出时间点间隔数据。
8.根据权利要求7所述的一种基于安全多方计算的风控模型参数分析方法，其特征在于，所述步骤S5中综合处理的具体操作为：
S51、将进行风控模型参数分析得到人脉资源能力数值以及定期还款能力数值的最大值与最小值剔除；
S52、然后结合步骤S33中获得的时间点间隔数据，对人脉资源能力数值以及定期还款能力数值进行时间等量计算，从而计算得到指定银行客在指定时间内部的还款能力，进而对其进行风险系数评估。
9.根据权利要求1-8任一所述方法获得的风控模型参数分析方法的应用，其特征在于，所述的风控模型参数分析方法能用于评估信贷行业中银行客户所存在的风险系数。
CN202110770883.4A 2021-07-08 2021-07-08 一种基于安全多方计算的风控模型参数分析方法及其应用 Pending CN113496436A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110770883.4A CN113496436A (zh) 2021-07-08 2021-07-08 一种基于安全多方计算的风控模型参数分析方法及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110770883.4A CN113496436A (zh) 2021-07-08 2021-07-08 一种基于安全多方计算的风控模型参数分析方法及其应用

Publications (1)

Publication Number Publication Date
CN113496436A true CN113496436A (zh) 2021-10-12

Family

ID=77996345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110770883.4A Pending CN113496436A (zh) 2021-07-08 2021-07-08 一种基于安全多方计算的风控模型参数分析方法及其应用

Country Status (1)

Country Link
CN (1) CN113496436A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116738258A (zh) * 2023-08-11 2023-09-12 西安银信博锐信息科技有限公司 基于数据分析的用户关键数据挖掘方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127576A (zh) * 2016-07-01 2016-11-16 武汉泰迪智慧科技有限公司 一种基于用户行为的银行风险评估系统
CN111611609A (zh) * 2020-04-07 2020-09-01 布比（北京）网络技术有限公司 一种基于安全多方计算与区块链的风险数据分享方法及系统
CN112926651A (zh) * 2021-02-24 2021-06-08 苏州黑云智能科技有限公司 企业信贷评估方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127576A (zh) * 2016-07-01 2016-11-16 武汉泰迪智慧科技有限公司 一种基于用户行为的银行风险评估系统
CN111611609A (zh) * 2020-04-07 2020-09-01 布比（北京）网络技术有限公司 一种基于安全多方计算与区块链的风险数据分享方法及系统
CN112926651A (zh) * 2021-02-24 2021-06-08 苏州黑云智能科技有限公司 企业信贷评估方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116738258A (zh) * 2023-08-11 2023-09-12 西安银信博锐信息科技有限公司 基于数据分析的用户关键数据挖掘方法
CN116738258B (zh) * 2023-08-11 2023-11-03 西安银信博锐信息科技有限公司 基于数据分析的用户关键数据挖掘方法

Similar Documents

Publication Publication Date Title
Amiram et al. Financial statement errors: Evidence from the distributional properties of financial statement numbers
CN111652710B (zh) 一种基于集成树特征提取和Logistic回归的个人信用风险评估方法
Engelmann et al. The Basel II risk parameters: estimation, validation, and stress testing
Debreceny et al. Employing generalized audit software in the financial services sector: Challenges and opportunities
US20050222928A1 (en) Systems and methods for investigation of financial reporting information
US7590658B2 (en) System, software and method for examining a database in a forensic accounting environment
Alali Audit fees and discretionary accruals: compensation structure effect
US7720751B2 (en) System and method of continuous assurance for internal control
EP1361526A1 (en) Electronic data processing system and method of using an electronic processing system for automatically determining a risk indicator value
US20050222929A1 (en) Systems and methods for investigation of financial reporting information
CA2927849A1 (en) Intelligent collections models
CN109102396A (zh) 一种用户信用评级方法、计算机设备及可读介质
AU2003288677C1 (en) Public sector value model
CN107133862A (zh) 动态产生增强信用评估的详细交易支付经历的方法和系统
CN112950383A (zh) 基于人工智能的金融风险监控方法及相关设备
CN113496436A (zh) 一种基于安全多方计算的风控模型参数分析方法及其应用
CN113643115A (zh) 基于期权定价模型的商业承兑汇票信用评分方法及系统
CN113034046A (zh) 一种数据风险计量方法、装置、电子设备及存储介质
CN113553394A (zh) 结合rpa和ai征信信息的处理方法和处理装置
Stefanski Into the mire: A closer look at fossil fuel subsidies
Huang et al. Optimism or over-precision? What drives the role of overconfidence in managerial decisions?
Bundala Do economic growth, human development and political stability favour sovereign creditworthiness of a country? A cross country survey on developed and developing countries
US7676427B1 (en) System and method of continuous assurance
Andhikatama et al. Factors Affecting Profitability with The Interest Rate as Moderating Variables in Bank Sumut
Robu et al. Assessing Comparability of Accounting Information Using Panel Data Analysis.

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