CN114648405A - 车贷合作机构的风险识别系统、方法、电子设备及介质 - Google Patents
车贷合作机构的风险识别系统、方法、电子设备及介质 Download PDFInfo
- Publication number
- CN114648405A CN114648405A CN202210329233.0A CN202210329233A CN114648405A CN 114648405 A CN114648405 A CN 114648405A CN 202210329233 A CN202210329233 A CN 202210329233A CN 114648405 A CN114648405 A CN 114648405A
- Authority
- CN
- China
- Prior art keywords
- sample
- credit
- risk
- indexes
- car
- 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
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种车贷合作机构的风险识别系统、方法、电子设备及介质,车贷合作机构的风险识别方法包括:基于车贷合作机构的现有业务数据信息和三方数据构建业务特征库和三方特征库;设定评价样本为高风险样本的阈值,并基于业务特征库、三方特征库和阈值划分样本;对正常样本和高风险样本进行特征筛选得到稳定指标,将稳定指标通过相关性检验和多重共线性计算去除冗余,得到入模特征;基于入模特征对样本进行评分卡模型建模;通过评分卡模型输出车贷合作机构的最终评分,基于最终评分筛选出高风险的车贷合作机构。该车贷合作机构的风险识别方法改善了现有技术中需要车贷合作机构的风险释放较为完全后才能发现风险的问题。
Description
技术领域
本发明涉及车贷风险预测技术领域,尤其涉及一种车贷合作机构的风险识别系统、方法、电子设备及介质。
背景技术
随着汽车市场的不断壮大,车贷的智能化风控要求有待提高。目前市场上对车贷行业的智能风控技术主要在人的准入授信、贷中预警、贷后催收部分,对合作机构的管控较为薄弱。
而很多风险事件就是集中在个别合作机构,所以对合作机构的管理也是风险管理体系中及其重要的一环。目前对合作机构的风险识别主要以评估合作机构的资产质量为主,通过逾期指标定义合作机构的风险情况,或者通过专家经验选取关键指标赋予不同的权重和分数,需要合作机构的风险释放较为完全后才能发现风险,使得对合作机构的风险识别具有一定的滞后性。
发明内容
本发明的目的在于提供一种车贷合作机构的风险识别系统、方法、电子设备及介质,该车贷合作机构的风险识别方法能够解决现有技术中需要车贷合作机构的风险释放较为完全后才能发现风险的问题。
为了实现上述目的,本发明提供如下技术方案:
本发明实施例提供一种车贷合作机构的风险识别方法,所述方法具体包括:
基于车贷合作机构的现有业务数据信息构建业务特征库;
基于车贷合作机构的三方数据信息构建三方特征库;
设定评价样本为高风险样本的阈值;
基于所述业务特征库、所述三方特征库和所述阈值划分所述样本,其中,所述样本包括正常样本和高风险样本;
对所述正常样本和所述高风险样本进行特征筛选得到稳定指标,将所述稳定指标通过相关性检验和多重共线性计算去除冗余,得到入模特征;
基于所述入模特征对样本进行评分卡模型建模;
通过所述评分卡模型输出车贷合作机构的最终评分,基于所述最终评分识别出高风险的车贷合作机构。
在上述技术方案的基础上,本发明还可以做如下改进:
进一步地,所述基于车贷合作机构的现有业务数据信息构建业务特征库,包括:
将车贷合作机构的现有业务数据信息进行汇总加工,构建业务特征库,其中,所述业务特征库包括:基本信息维度指标、申请维度指标、通过维度指标、审核维度指标、放款维度指标、贷中表现维度指标、贷后表现维度指标和欺诈情况指标,所述贷后表现维度指标包括逾期量指标、逾期金额指标、逾期率指标和迁移率指标;所述欺诈情况指标包括贷前欺诈的订单数指标、贷后欺诈的订单数指标、贷前欺诈率指标、贷后欺诈率指标和变化趋势指标。
进一步地,所述基于车贷合作机构的三方数据信息构建三方特征库,包括:
将所述车贷合作机构的三方数据信息进行汇总加工,构建三方特征库;其中,所述三方数据库包括:车贷合作机构信息维度指标、经营状态维度指标、公司背景维度指标、经营风险维度指标、司法风险维度指标、企业评分维度指标、消费数据信息维度指标。
进一步地,所述设定评价样本为高风险样本的阈值,并基于所述业务特征库、所述三方特征库和所述阈值划分所述样本,其中,所述样本包括正常样本和高风险样本,包括:
基于所述业务特征库中的逾期率指标、欺诈情况指标、三方特征库和专家经验选取评价指标,基于所述评价指标设定评价样本为高风险样本的阈值。
进一步地,所述对所述正常样本和所述高风险样本进行特征筛选得到稳定指标,将所述稳定指标通过相关性检验和多重共线性计算去除冗余,得到入模特征,包括:
去除所述贷后表现维度指标和欺诈情况指标,并根据IV值和PSI值对所述正常样本和所述高风险样本进行特征筛选得到稳定指标。
一种车贷合作机构的风险识别系统,包括:
构建模块,用于基于车贷合作机构的现有业务数据信息构建业务特征库,基于车贷合作机构的三方数据信息构建三方特征库;
设定模块,用于设定评价样本为高风险样本的阈值;
划分模块,用于基于所述业务特征库、所述三方特征库和所述阈值划分所述样本,其中,所述样本包括正常样本和高风险样本;
筛选模块,用于对所述正常样本和所述高风险样本进行特征筛选得到稳定指标,将所述稳定指标通过相关性检验和多重共线性计算去除冗余,得到入模特征;
建模模块,用于基于所述入模特征对样本进行评分卡模型建模;
通过所述评分卡模型输出车贷合作机构的最终评分;
识别模块,用于基于所述最终评分识别出高风险的车贷合作机构。
进一步地,所述设定模块还用于:
基于所述业务特征库中的逾期率指标、欺诈情况指标、三方特征库和专家经验选取评价指标,基于所述评价指标设定评价样本为高风险样本的阈值。
进一步地,所述筛选模块还用于:
去除贷后表现维度指标和欺诈情况指标,并根据IV值和PSI值对所述正常样本和所述高风险样本进行特征筛选得到稳定指标。
一种电子设备,包括存储器、处理器及存储在存储器上并可在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所述方法的步骤。
一种非暂态计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述方法的步骤。
本发明具有如下优点:
本发明中的车贷合作机构的风险识别方法,基于车贷合作机构的现有业务数据信息构建业务特征库;基于车贷合作机构的三方数据信息构建三方特征库;设定评价样本为高风险样本的阈值;基于业务特征库、三方特征库和阈值划分样本,其中,样本包括正常样本和高风险样本;对正常样本和高风险样本进行特征筛选得到稳定指标,将稳定指标通过相关性检验和多重共线性计算去除冗余,得到入模特征;基于入模特征对样本进行评分卡模型建模;通过评分卡模型输出车贷合作机构的最终评分,基于最终评分识别出高风险的车贷合作机构。解决了现有技术中需要车贷合作机构的风险释放较为完全后才能发现风险的问题。
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,下面描述中的附图是本发明的一些实施例,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为本发明车贷合作机构的风险识别方法的流程图;
图2为本发明车贷合作机构的风险识别系统的框图;
图3为本发明提供的电子设备实体结构示意图。
附图标记说明
构建模块10,设定模块20,划分模块30,筛选模块40,建模模块50,识别模块60,电子设备70,处理器701,存储器702,总线703。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明车贷合作机构的风险识别方法实施例流程图,如图1所示,本发明实施例提供的一种车贷合作机构的风险识别方法包括以下步骤:
S101,基于车贷合作机构的现有业务数据信息构建业务特征库;
具体的,将车贷合作机构的现有业务数据信息进行汇总加工,构建业务特征库,其中,所述业务特征库包括:基本信息维度指标、申请维度指标、通过维度指标、审核维度指标、放款维度指标、贷中表现维度指标、贷后表现维度指标和欺诈情况指标,所述贷后表现维度指标包括逾期量指标、逾期金额指标、逾期率指标和迁移率指标;所述欺诈情况指标包括贷前欺诈的订单数指标、贷后欺诈的订单数指标、贷前欺诈率指标、贷后欺诈率指标和变化趋势指标。
基本信息维度指标包括经销商、代理商、二网或挂靠公司的省份、城市、合作时长等。
申请维度指标包括申请订单情况指标(订单数、变化趋势、增降幅情况、同区域排名等);客群基本信息情况指标(异地购车占比、手机运营商占比、年龄分布、学历分布、工作年限分布等);业务集中情况指标(销售顾问、地区等集中量、集中占比、变化趋势);进件方式指标(APP、PC端占比、变化趋势等);评分分布指标(申请评分和征信评分的平均值、最大值、最小值、标准差、变异系数、排名、占比、变化趋势等);车指标(首付、车价、品牌、高风险车型、特种车等订单量、占比、变化趋势)。
通过维度指标包括通过率指标、拒绝率指标及其变化趋势指标等;
审核维度指标包括自动审批指标、人工审批订单量指标、占比指标、变化趋势指标等;
放款维度指标包括放款订单情况指标(放款量和放款金额的变化趋势、增降幅情况、同区域排名等);客群基本信息情况指标(异地购车占比、手机运营商占比、年龄分布、学历分布、工作年限分布等);业务集中情况指标(销售顾问、地区等集中量、集中占比、变化趋势);进件方式指标(APP、PC端占比、变化趋势等);评分分布指标(申请评分和征信评分的平均值、最大值、最小值、标准差、变异系数、排名、占比、变化趋势等);车指标(首付、车价、品牌、高风险车型、特种车等订单量、占比、变化趋势);利率指标(平均值、标准差、占比、变化趋势)。
S102,基于车贷合作机构的三方数据信息构建三方特征库;
具体的,将所述车贷合作机构的三方数据信息进行汇总加工,构建三方特征库;其中,所述三方数据库包括:车贷合作机构信息维度指标、经营状态维度指标、公司背景维度指标、经营风险维度指标、司法风险维度指标、企业评分维度指标、消费数据信息维度指标。
车贷合作机构信息维度指标包括企业的基本信息、存在核验和工商信息核验等情况。
经营状况维度指标包括企业经营数据指标和招聘信息指标等。
公司背景维度指标包括变更记录指标、对外投资指标、股东查询接口指标等。
经营风险维度指标包括欠税公告指标、经营异常指标、工商行政处罚指标、注销备案指标、空壳监测指标等。
司法风险维度指标包括违法信息指标、失信被执行指标、开庭公告指标、法院公告指标、被执行人列表指标、裁判文书指标、限制高消费指标等。
企业评分维度指标包括企业的信用评分指标、评级指标等。
消费数据信息维度指标包括消费趋势指标、消费频度指标、消费力度指标等。
S103,设定评价样本为高风险样本的阈值;
具体的,基于所述业务特征库中的逾期率指标、欺诈情况指标、三方特征库和专家经验选取评价指标,基于所述评价指标设定评价样本为高风险样本的阈值。比如前6期逾期率、前12期逾期率、贷后欺诈率等,如有黑名单也可当做“高风险样本”。
S104,基于业务特征库、三方特征库和阈值划分样本,其中,样本包括正常样本和高风险样本;
具体的,企业的经营是一个动态变化的过程,某家企业可能再某些时点是好样本,在另一些时点是“高风险样本”,所以样本的标识是“企业标识+时间的标识”,对历史样本要进行回溯。特别注意,对于评价“高风险样本”的滚动类指标,时间标识是需要往前推的,比如前6期逾期率的时间标识需要往前推7期。
S105,对正常样本和高风险样本进行特征筛选得到稳定指标,将稳定指标通过相关性检验和多重共线性计算去除冗余,得到入模特征;
具体的,去除所述贷后表现维度指标和欺诈情况指标,并根据IV值和PSI值对所述正常样本和所述高风险样本进行特征筛选得到价值信息较高且较为稳定的指标。
去除贷后表现维度指标和欺诈情况指标,从业务数据和三方数据多维度预测合作机构未来资产质量变差的概率,提前有效识别车贷行业高风险的合作机构或渠道,从而尽早对这些合作机构采取有效措施,提升风控水平。
在机器学习的二分类问题中,IV值(Information Value)主要用来对输入变量进行编码和预测能力评估。特征变量IV值的大小即表示该变量预测能力的强弱。IV值的取值范围是[0,正无穷),如果当前分组中只包含响应客户或者未响应客户时,IV=正无穷。
PSI:检验变量的稳定性,一个变量,将它的取值按照分位数来分组一下,每一组中测试模型的客户数占比减去训练模型中的客户数占比再乘以这两者相除的对数,就是这一组的稳定性系数psi,然后变量的psi系数就是把这个变量的所有组的psi相加总起来。
相关性检验是对变量之间是否相关以及相关的程度如何所进行的统计检验。
多重共线性是指线性回归模型中的解释变量之间由于存在精确相关关系或高度相关关系而使模型估计失真或难以估计准确。
S106,基于入模特征对样本进行评分卡模型建模。
具体的,使用筛选出的入模特征,对样本进行评分卡模型建模,通过最终输出的评分高低来筛选出高风险的车贷合作机构。
S107,通过评分卡模型输出车贷合作机构的最终评分,基于最终评分识别出高风险的车贷合作机构。
具体的,业务特征库中的业务数据和三方特征库中的三方数据可以合并建模,也可以分开单独建模形成两个评分,再对两评分进行融合或者使用交叉应用的策略。也可以考虑将规则和评分结合起来使用构造策略,使规则的区分能力更强,评分对风险的划分更精细。实现对不同风险等级的合作机构采取不同管控措施的差异化管理目的。
本发明的车贷合作机构的风险识别方法为车贷行业差异化机构或渠道管理提供了一种较为通用的思路,可适用于经销商、代理商、二网、挂靠公司等。对不同类型的合作机构可以用主子模型法探查不同分组建模的效果以及合并建模的效果是否有较大差异。
使用评分卡模型能为后续差异化合作机构管理措施提供较好的业务解释性,有助于与合作机构的沟通,为其后续整改提供方向和指导建议。
图2为本发明车贷合作机构的风险识别系统实施例流程图;如图2所示,本发明实施例提供的一种车贷合作机构的风险识别系统,包括以下步骤:
构建模块10,用于基于车贷合作机构的现有业务数据信息构建业务特征库,基于车贷合作机构的三方数据信息构建三方特征库;
设定模块20,用于设定评价样本为高风险样本的阈值;
划分模块30,用于基于所述业务特征库、所述三方特征库和所述阈值划分所述样本,其中,所述样本包括正常样本和高风险样本;
筛选模块40,用于对所述正常样本和所述高风险样本进行特征筛选得到稳定指标,将所述稳定指标通过相关性检验和多重共线性计算去除冗余,得到入模特征;
去除所述贷后表现维度指标和欺诈情况指标,并根据IV值和PSI值对所述正常样本和所述高风险样本进行特征筛选得到价值信息较高且较为稳定的指标;
建模模块50,用于基于所述入模特征对样本进行评分卡模型建模,并通过所述评分卡模型输出最终评分;
所述构建模块10还用于:
将所述车贷合作机构的三方数据信息进行汇总加工,构建三方特征库;其中,所述三方数据库包括:车贷合作机构信息维度指标、经营状态维度指标、公司背景维度指标、经营风险维度指标、司法风险维度指标、企业评分维度指标、消费数据信息维度指标。
将车贷合作机构的现有业务数据信息进行汇总加工,构建业务特征库,其中,所述业务特征库包括:基本信息维度指标、申请维度指标、通过维度指标、审核维度指标、放款维度指标、贷中表现维度指标、贷后表现维度指标和欺诈情况指标,所述贷后表现维度指标包括逾期量指标、逾期金额指标、逾期率指标和迁移率指标;所述欺诈情况指标包括贷前欺诈的订单数指标、贷后欺诈的订单数指标、贷前欺诈率指标、贷后欺诈率指标和变化趋势指标。
所述识别模块60,用于基于所述最终评分筛选出高风险的车贷合作机构。
本发明车贷合作机构的风险识别系统剔除贷后表现指标,从业务数据和三方数据多维度预测合作机构未来资产质量变差的概率,提前有效识别车贷行业高风险的合作机构或渠道,从而尽早对这些合作机构采取有效措施,提升风控水平。为车贷行业差异化机构或渠道管理提供了一种较为通用的思路,可适用于经销商、代理商、二网、挂靠公司等。对不同类型的合作机构可以用主子模型法探查不同分组建模的效果以及合并建模的效果是否有较大差异。采用评分卡模型,能为后续差异化合作机构管理措施提供较好的业务解释性,有助于与合作机构的沟通,为其后续整改提供方向和指导建议。为银行和汽车金融公司提供了一个提升智能化数字化的方向。
图3为本发明实施例提供的电子设备实体结构示意图,如图3所示,电子设备50包括:处理器501(processor)、存储器502(memory)和总线503;
其中,处理器501、存储器502通过总线503完成相互间的通信;
处理器501用于调用存储器502中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:基于车贷合作机构的现有业务数据信息构建业务特征库;基于车贷合作机构的三方数据信息构建三方特征库;设定评价样本为高风险样本的阈值;基于所述业务特征库、所述三方特征库和所述阈值划分所述样本,其中,所述样本包括正常样本和高风险样本;对所述正常样本和所述高风险样本进行特征筛选得到稳定指标,将所述稳定指标通过相关性检验和多重共线性计算去除冗余,得到入模特征;基于所述入模特征对样本进行评分卡模型建模;通过所述评分卡模型输出车贷合作机构的最终评分,基于所述最终评分识别出高风险的车贷合作机构。
本实施例提供一种非暂态计算机可读介质,非暂态计算机可读介质存储计算机指令,计算机指令使计算机执行上述各方法实施例所提供的方法,例如包括:基于车贷合作机构的现有业务数据信息构建业务特征库;基于车贷合作机构的三方数据信息构建三方特征库;设定评价样本为高风险样本的阈值;基于所述业务特征库、所述三方特征库和所述阈值划分所述样本,其中,所述样本包括正常样本和高风险样本;对所述正常样本和所述高风险样本进行特征筛选得到稳定指标,将所述稳定指标通过相关性检验和多重共线性计算去除冗余,得到入模特征;基于所述入模特征对样本进行评分卡模型建模;通过所述评分卡模型输出车贷合作机构的最终评分,基于所述最终评分识别出高风险的车贷合作机构。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读介质中,如ROM/RAM、磁碟、光盘等,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,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种车贷合作机构的风险识别方法,其特征在于,所述方法具体包括:
基于车贷合作机构的现有业务数据信息构建业务特征库;
基于车贷合作机构的三方数据信息构建三方特征库;
设定评价样本为高风险样本的阈值;
基于所述业务特征库、所述三方特征库和所述阈值划分所述样本,其中,所述样本包括正常样本和高风险样本;
对所述正常样本和所述高风险样本进行特征筛选得到稳定指标,将所述稳定指标通过相关性检验和多重共线性计算去除冗余,得到入模特征;
基于所述入模特征对样本进行评分卡模型建模;
通过所述评分卡模型输出车贷合作机构的最终评分,基于所述最终评分识别出高风险的车贷合作机构。
2.根据权利要求1所述的车贷合作机构的风险识别方法,其特征在于,所述基于车贷合作机构的现有业务数据信息构建业务特征库,包括:
将车贷合作机构的现有业务数据信息进行汇总加工,构建业务特征库,其中,所述业务特征库包括:基本信息维度指标、申请维度指标、通过维度指标、审核维度指标、放款维度指标、贷中表现维度指标、贷后表现维度指标和欺诈情况指标,所述贷后表现维度指标包括逾期量指标、逾期金额指标、逾期率指标和迁移率指标;所述欺诈情况指标包括贷前欺诈的订单数指标、贷后欺诈的订单数指标、贷前欺诈率指标、贷后欺诈率指标和变化趋势指标。
3.根据权利要求1所述的车贷合作机构的风险识别方法,其特征在于,所述基于车贷合作机构的三方数据信息构建三方特征库,包括:
将所述车贷合作机构的三方数据信息进行汇总加工,构建三方特征库;其中,所述三方数据库包括:车贷合作机构信息维度指标、经营状态维度指标、公司背景维度指标、经营风险维度指标、司法风险维度指标、企业评分维度指标、消费数据信息维度指标。
4.根据权利要求2所述的车贷合作机构的风险识别方法,其特征在于,所述设定评价样本为高风险样本的阈值,并基于所述业务特征库、所述三方特征库和所述阈值划分所述样本,其中,所述样本包括正常样本和高风险样本,包括:
基于所述业务特征库中的逾期率指标、欺诈情况指标、三方特征库和专家经验选取评价指标,基于所述评价指标设定评价样本为高风险样本的阈值。
5.根据权利要求2所述的车贷合作机构的风险识别方法,其特征在于,所述对所述正常样本和所述高风险样本进行特征筛选得到稳定指标,将所述稳定指标通过相关性检验和多重共线性计算去除冗余,得到入模特征,包括:
去除所述贷后表现维度指标和欺诈情况指标,并根据IV值和PSI值对所述正常样本和所述高风险样本进行特征筛选得到稳定指标。
6.一种车贷合作机构的风险识别系统,其特征在于,包括:
构建模块,用于基于车贷合作机构的现有业务数据信息构建业务特征库,基于车贷合作机构的三方数据信息构建三方特征库;
设定模块,用于设定评价样本为高风险样本的阈值;
划分模块,用于基于所述业务特征库、所述三方特征库和所述阈值划分所述样本,其中,所述样本包括正常样本和高风险样本;
筛选模块,用于对所述正常样本和所述高风险样本进行特征筛选得到稳定指标,将所述稳定指标通过相关性检验和多重共线性计算去除冗余,得到入模特征;
建模模块,用于基于所述入模特征对样本进行评分卡模型建模;
通过所述评分卡模型输出车贷合作机构的最终评分;
识别模块,用于基于所述最终评分识别出高风险的车贷合作机构。
7.根据权利要求6所述的车贷合作机构的风险识别系统,其特征在于,所述设定模块还用于:
基于所述业务特征库中的逾期率指标、欺诈情况指标、三方特征库和专家经验选取评价指标,基于所述评价指标设定评价样本为高风险样本的阈值。
8.根据权利要求6所述的车贷合作机构的风险识别系统,其特征在于,所述筛选模块还用于:
去除贷后表现维度指标和欺诈情况指标,并根据IV值和PSI值对所述正常样本和所述高风险样本进行特征筛选得到稳定指标。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在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5中的任一项所述的方法的步骤。
10.一种非暂态计算机可读介质,其上存储有计算机程序,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5中的任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210329233.0A CN114648405A (zh) | 2022-03-29 | 2022-03-29 | 车贷合作机构的风险识别系统、方法、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210329233.0A CN114648405A (zh) | 2022-03-29 | 2022-03-29 | 车贷合作机构的风险识别系统、方法、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114648405A true CN114648405A (zh) | 2022-06-21 |
Family
ID=81994607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210329233.0A Pending CN114648405A (zh) | 2022-03-29 | 2022-03-29 | 车贷合作机构的风险识别系统、方法、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114648405A (zh) |
-
2022
- 2022-03-29 CN CN202210329233.0A patent/CN114648405A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564286B (zh) | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 | |
CN111882420A (zh) | 响应率的生成方法、营销方法、模型训练方法及装置 | |
CN112232950A (zh) | 针对借贷风险的评估方法及装置、设备、计算机可读存储介质 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN114004691A (zh) | 基于融合算法的额度评分方法、装置、设备及存储介质 | |
CN110610415B (zh) | 一种模型更新的方法和装置 | |
CN114648405A (zh) | 车贷合作机构的风险识别系统、方法、电子设备及介质 | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN114693428A (zh) | 数据确定方法、装置、计算机可读存储介质及电子设备 | |
CN117252677A (zh) | 信贷额度确定方法和装置、电子设备及存储介质 | |
CN114418018A (zh) | 模型性能评估方法、装置、设备与存储介质 | |
CN110570301B (zh) | 风险识别方法、装置、设备及介质 | |
CN113870020A (zh) | 一种逾期风险控制方法及装置 | |
CN112950334A (zh) | 一种适用于跨境电商的综合评估方法、平台及相关设备 | |
CN112926781A (zh) | 基于监管领域的市场主体行为图谱智能分析方法及系统 | |
CN112598225A (zh) | 评价指标的确定方法及装置、存储介质、电子装置 | |
CN112508689A (zh) | 一种基于多维度实现决策评估的方法 | |
CN111932018B (zh) | 银行业务绩效贡献信息预测方法及装置 | |
FIRICA et al. | HOW TO APPRAISE THE DATA ASSETS OF A COMPANY? | |
CN118071483A (zh) | 构建零售信用风险预测模型的方法和个人信贷业务Scorepsi模型 | |
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 | |
CN114386490A (zh) | 一种基于rfm模型泛化特征的金融类客户分级方法 | |
KR20230094936A (ko) | 근무행동 데이터를 활용한 행동주의 대안신용평가 모델 및 그 제공 방법 | |
CN114066464A (zh) | 消费分期场景下行业人员监测管理方法、装置及电子设备 | |
Nazari et al. | Using the Hybrid Model for Credit Scoring (Case Study: Credit Clients of microloans, Bank Refah-Kargeran of Zanjan, Iran) |
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 |