CN114841802A - 一种复合周期信贷风控策略生成方法和装置 - Google Patents
一种复合周期信贷风控策略生成方法和装置 Download PDFInfo
- Publication number
- CN114841802A CN114841802A CN202210776255.1A CN202210776255A CN114841802A CN 114841802 A CN114841802 A CN 114841802A CN 202210776255 A CN202210776255 A CN 202210776255A CN 114841802 A CN114841802 A CN 114841802A
- Authority
- CN
- China
- Prior art keywords
- overdue
- client
- risk
- label
- decision tree
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了一种复合周期信贷风控策略生成方法和装置,涉及信贷风控的技术领域,包括:获取待分析客户的历史逾期信息,并基于历史逾期信息为待分析客户设置客户标签,客户标签包括:短期周期逾期客户标签和长期周期逾期客户标签;基于客户标签,获取客户标签对应的特征变量,并计算出对应的特征变量的风险切分阈值;基于风险切分阈值和决策树算法,确定出客户标签对应的决策树中各个节点的风险评级;基于客户标签对应的决策树中各个节点的风险评级,生成所述待分析客户的风险评价矩阵,风险评价矩阵中包括:客户标签对应的决策树中各个节点的风险评级和风险评级对应的信贷业务风险准入与授信策略,解决了现有的信贷风控策略精度较差的技术问题。
Description
技术领域
本发明涉及信贷风控的技术领域,尤其是涉及一种复合周期信贷风控策略生成方法和装置。
背景技术
随着信息技术和互联网技术的不断高速发展,互联网信贷在人的渗透率也在不断提高。其中,基于大数据的信贷风控方法、技术是其核心能力。特别是如何有效利用信贷申请客户的多维数据内容,结合风控模型给出准确的风险准入与授信决策,是传统银行和新兴互联网银行、消费金融机构在开展互联网信贷业务过程中需要解决的一个重点问题。
当前大数据风控生成策略当中,通常利用决策树或逻辑回归等算法,将多维数据、风险模型耦合到依据单一风险评级中,作为主要决策依据,难以适应多变的业务形态和多样的风险客户特征。实际上,在借款后短期内发生逾期的客户,与经过较长周期后发生逾期的客户相比,其用户画像、特征等均有较为显著的差异,依据单一周期风险考虑而生成的风险评级难以对实现对借款客户全生命周期进行较好的风险预测与评估。因此,使用传统风险策略开发方法的策略精度难以进一步提升,导致误拒率较高而影响业务持续、稳定发展。
针对上述问题,还未提出有效的解决方案。
发明内容
有鉴于此,本发明的目的在于提供一种复合周期信贷风控策略生成方法和装置,以缓解现有的信贷风控策略精度较差的技术问题。
第一方面,本发明实施例提供了一种复合周期信贷风控策略生成方法,包括:获取待分析客户的历史逾期信息,并基于所述历史逾期信息为所述待分析客户设置客户标签,其中,所述客户标签包括:短期周期逾期客户标签和长期周期逾期客户标签,所述短期周期逾期客户标签用于表征所述待分析客户存在逾期日与首次借款日之间的时长小于预设时长的逾期行为,所述长期周期逾期客户标签用于表征所述待分析客户存在逾期日与首次借款日之间的时长大于或等于预设时长的逾期行为;基于所述客户标签,获取所述客户标签对应的特征变量,并计算出所述对应的特征变量的风险切分阈值;基于所述风险切分阈值和决策树算法,确定出所述客户标签对应的决策树中各个节点的风险评级;基于所述客户标签对应的决策树中各个节点的风险评级,生成所述待分析客户的风险评价矩阵,其中,所述风险评价矩阵中包括:所述客户标签对应的决策树中各个节点的风险评级和所述风险评级对应的信贷业务风险准入与授信策略。
进一步地,所述短期周期逾期客户标签对应的特征变量包括:预设时间段内信用卡和贷款审批次数、信用卡和贷款的历史逾期次数、信用卡和贷款的历史最大逾期月份数、外部小贷机构和消金贷款机构的数量、外部小贷和消金贷款的余额;所述长期周期逾期客户标签对应的特征变量包括:社保缴纳月份数、公积金缴纳月份数、缴纳基数、住房贷款余额、信用卡平均额度使用率、收入/负债比。
进一步地,计算出所述对应的特征变量的风险切分阈值,包括:计算出所述对应的特征变量的特征价值指标值;基于所述对应的特征变量的特征价值指标值,确定出所述对应的特征变量中的有效特征变量,其中,所述有效特征变量为特征价值指标值大于预设阈值的特征变量;对所述有效特征变量进行卡方分箱计算,得到所述有效特征变量的风险切分阈值。
进一步地,基于所述风险切分阈值和决策树算法,确定出所述客户标签对应的决策树中各个节点的风险评级,包括:基于所述短期周期逾期客户标签对应有效特征变量的风险切分阈值和所述决策树算法,构建第一决策树,并确定出第一决策树中各个节点的风险评级;基于所述长期周期逾期客户标签对应有效特征变量的风险切分阈值和所述决策树算法,构建第二决策树,并确定出第二决策树中各个节点的风险评级。
进一步地,于所述客户标签对应的决策树中各个节点的风险评级,生成所述待分析客户的风险评价矩阵,包括:基于所述第一决策树中各个节点的风险评级和所述第二决策树中各个节点的风险评级,构建风险评价矩阵。
第二方面,本发明实施例还提供了一种复合周期信贷风控策略生成装置,包括:获取单元,计算单元,确定单元和生成单元,其中,所述获取单元,用于获取待分析客户的历史逾期信息,并基于所述历史逾期信息为所述待分析客户设置客户标签,其中,所述客户标签包括:短期周期逾期客户标签和长期周期逾期客户标签,所述短期周期逾期客户标签用于表征所述待分析客户存在逾期日与首次借款日之间的时长小于预设时长的逾期行为,所述长期周期逾期客户标签用于表征所述待分析客户存在逾期日与首次借款日之间的时长大于或等于预设时长的逾期行为;所述计算单元,用于基于所述客户标签,获取所述客户标签对应的特征变量,并计算出所述对应的特征变量的风险切分阈值;所述确定单元,用于基于所述风险切分阈值和决策树算法,确定出所述客户标签对应的决策树中各个节点的风险评级;所述生成单元,用于基于所述客户标签对应的决策树中各个节点的风险评级,生成所述待分析客户的风险评价矩阵,其中,所述风险评价矩阵中包括:所述客户标签对应的决策树中各个节点的风险评级和所述风险评级对应的信贷业务风险准入与授信策略。
进一步地,所述短期周期逾期客户标签对应的特征变量包括:预设时间段内信用卡和贷款审批次数、信用卡和贷款的历史逾期次数、信用卡和贷款的历史最大逾期月份数、外部小贷机构和消金贷款机构的数量、外部小贷和消金贷款的余额;所述长期周期逾期客户标签对应的特征变量包括:社保缴纳月份数、公积金缴纳月份数、缴纳基数、住房贷款余额、信用卡平均额度使用率、收入/负债比。
进一步地,所述计算单元,用于:计算出所述对应的特征变量的特征价值指标值;基于所述对应的特征变量的特征价值指标值,确定出所述对应的特征变量中的有效特征变量,其中,所述有效特征变量为特征价值指标值大于预设阈值的特征变量;对所述有效特征变量进行卡方分箱计算,得到所述有效特征变量的风险切分阈值。
第三方面,本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面,本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序。
在本发明实施例中,通过获取待分析客户的历史逾期信息,并基于所述历史逾期信息为所述待分析客户设置客户标签,其中,所述客户标签包括:短期周期逾期客户标签和长期周期逾期客户标签,所述短期周期逾期客户标签用于表征所述待分析客户存在逾期日与首次借款日之间的时长小于预设时长的逾期行为,所述长期周期逾期客户标签用于表征所述待分析客户存在逾期日与首次借款日之间的时长大于或等于预设时长的逾期行为;基于所述客户标签,获取所述客户标签对应的特征变量,并计算出所述对应的特征变量的风险切分阈值;基于所述风险切分阈值和决策树算法,确定出所述客户标签对应的决策树中各个节点的风险评级;基于所述客户标签对应的决策树中各个节点的风险评级,生成所述待分析客户的风险评价矩阵,其中,所述风险评价矩阵中包括:所述客户标签对应的决策树中各个节点的风险评级和所述风险评级对应的信贷业务风险准入与授信策略,本申请通过将客户的逾期行为分为短期周期逾期长期周期逾期,并根据逾期行为对应的特征变量生成对应的风控策略,并根据达到了为客户提供精准的风控策略的目的,进而解决了现有的信贷风控策略精度较差的技术问题,从而实现了提高信贷风控策略精度的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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方式,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为本发明实施例提供的一种复合周期信贷风控策略生成方法的流程图;
图2为本发明实施例提供的一种复合周期信贷风控策略生成装置的示意图;
图3为本发明实施例提供的一种电子设备的示意图。
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,下面将结合附图对本发明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。
实施例一:
根据本发明实施例,提供了一种复合周期信贷风控策略生成方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种复合周期信贷风控策略生成方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取待分析客户的历史逾期信息,并基于所述历史逾期信息为所述待分析客户设置客户标签,其中,所述客户标签包括:短期周期逾期客户标签和长期周期逾期客户标签,所述短期周期逾期客户标签用于表征所述待分析客户存在逾期日与首次借款日之间的时长小于预设时长的逾期行为,所述长期周期逾期客户标签用于表征所述待分析客户存在逾期日与首次借款日之间的时长大于或等于预设时长的逾期行为;
需要说明的是,上述的预设时长一般设定为12个月。
步骤S104,基于所述客户标签,获取所述客户标签对应的特征变量,并计算出所述对应的特征变量的风险切分阈值;
需要说明的是,短期周期逾期客户标签对应的特征变量包括:预设时间段内信用卡和贷款审批次数、信用卡和贷款的历史逾期次数、信用卡和贷款的历史最大逾期月份数、外部小贷机构和消金贷款机构的数量、外部小贷和消金贷款的余额。
长期周期逾期客户标签对应的特征变量包括:社保缴纳月份数、公积金缴纳月份数、缴纳基数、住房贷款余额、信用卡平均额度使用率、收入/负债比。
步骤S106,基于所述风险切分阈值和决策树算法,确定出所述客户标签对应的决策树中各个节点的风险评级;
步骤S108,基于所述客户标签对应的决策树中各个节点的风险评级,生成所述待分析客户的风险评价矩阵,其中,所述风险评价矩阵中包括:所述客户标签对应的决策树中各个节点的风险评级和所述风险评级对应的信贷业务风险准入与授信策略。
在本发明实施例中,通过获取待分析客户的历史逾期信息,并基于所述历史逾期信息为所述待分析客户设置客户标签,其中,所述客户标签包括:短期周期逾期客户标签和长期周期逾期客户标签,所述短期周期逾期客户标签用于表征所述待分析客户存在逾期日与首次借款日之间的时长小于预设时长的逾期行为,所述长期周期逾期客户标签用于表征所述待分析客户存在逾期日与首次借款日之间的时长大于或等于预设时长的逾期行为;基于所述客户标签,获取所述客户标签对应的特征变量,并计算出所述对应的特征变量的风险切分阈值;基于所述风险切分阈值和决策树算法,确定出所述客户标签对应的决策树中各个节点的风险评级;基于所述客户标签对应的决策树中各个节点的风险评级,生成所述待分析客户的风险评价矩阵,其中,所述风险评价矩阵中包括:所述客户标签对应的决策树中各个节点的风险评级和所述风险评级对应的信贷业务风险准入与授信策略,本申请通过将客户的逾期行为分为短期周期逾期长期周期逾期,并根据逾期行为对应的特征变量生成对应的风控策略,并根据达到了为客户提供精准的风控策略的目的,进而解决了现有的信贷风控策略精度较差的技术问题,从而实现了提高信贷风控策略精度的技术效果。
在本发明实施例中,计算出所述对应的特征变量的风险切分阈值,包括:
步骤S11,计算出所述对应的特征变量的特征价值指标值;
步骤S12,基于所述对应的特征变量的特征价值指标值,确定出所述对应的特征变量中的有效特征变量,其中,所述有效特征变量为特征价值指标值大于预设阈值的特征变量;
步骤S13,对所述有效特征变量进行卡方分箱计算,得到所述有效特征变量的风险切分阈值。
然后,确定出对应的特征变量中的特征价值指标值大于预设阈值的特征变量,需要说明的是,一般情况下,预设阈值为0.3。
最后,通过对有效特征变量进行卡方分箱计算,可确定有效特征变量的风险切分阈值。卡方分箱即将具有最小卡方值的相邻区域合并在一起,直到满足预设的停止条件,各特征变量在合并区域的边界值,即为对应的风险切分阈值。
在本发明实施例中,基于所述风险切分阈值和决策树算法,确定出所述客户标签对应的决策树中各个节点的风险评级,包括:
步骤S21,基于所述短期周期逾期客户标签对应有效特征变量的风险切分阈值和所述决策树算法,构建第一决策树,并确定出第一决策树中各个节点的风险评级;
步骤S22,基于所述长期周期逾期客户标签对应有效特征变量的风险切分阈值和所述决策树算法,构建第二决策树,并确定出第二决策树中各个节点的风险评级。
在本发明实施例中,分别根据短期周期逾期客户标签对应的有效特征变量及其风险切分阈值和长期周期逾期客户标签对应的有效特征变量及其风险切分阈值划分为若干个决策树节点;进而,根据各节点的历史风险逾期率,映射对相应的风险评级当中,从而确定出短期周期逾期客户标签对应的决策树和长期周期逾期客户标签对应的决策树中各个节点对应的风险等级。
最后,通过耦合第一决策树中各个节点的风险评级和第二决策树中各个节点的风险评级,可得出待分析客户的多级风险评价矩阵(即,风险评价矩阵),从而通过待分析客户的多级风险评价矩阵可以实现为待分析客户提供更为精细化风险策略,需要说明的是,一般情况下,风险策略包括:对于实际逾期风险表现高于业务盈亏平衡点的矩阵节点,执行拒绝处理;对于其余满足准入条件的矩阵节点,设计差异化的授信调整系数,得出最终全面的准入与授信风险决策结论。
实施例二:
本发明实施例还提供了一种复合周期信贷风控策略生成装置,该复合周期信贷风控策略生成装置用于执行本发明实施例上述内容所提供的复合周期信贷风控策略生成方法,以下是本发明实施例提供的复合周期信贷风控策略生成装置的具体介绍。
如图2所示,图2为上述复合周期信贷风控策略生成装置的示意图,该复合周期信贷风控策略生成装置包括:获取单元10,计算单元20,确定单元30和生成单元40。
所述获取单元,用于获取待分析客户的历史逾期信息,并基于所述历史逾期信息为所述待分析客户设置客户标签,其中,所述客户标签包括:短期周期逾期客户标签和长期周期逾期客户标签,所述短期周期逾期客户标签用于表征所述待分析客户存在逾期日与首次借款日之间的时长小于预设时长的逾期行为,所述长期周期逾期客户标签用于表征所述待分析客户存在逾期日与首次借款日之间的时长大于或等于预设时长的逾期行为;
所述计算单元,用于基于所述客户标签,获取所述客户标签对应的特征变量,并计算出所述对应的特征变量的风险切分阈值;
所述确定单元,用于基于所述风险切分阈值和决策树算法,确定出所述客户标签对应的决策树中各个节点的风险评级;
所述生成单元,用于基于所述客户标签对应的决策树中各个节点的风险评级,生成所述待分析客户的风险评价矩阵,其中,所述风险评价矩阵中包括:所述客户标签对应的决策树中各个节点的风险评级和所述风险评级对应的信贷业务风险准入与授信策略。
在本发明实施例中,通过获取待分析客户的历史逾期信息,并基于所述历史逾期信息为所述待分析客户设置客户标签,其中,所述客户标签包括:短期周期逾期客户标签和长期周期逾期客户标签,所述短期周期逾期客户标签用于表征所述待分析客户存在逾期日与首次借款日之间的时长小于预设时长的逾期行为,所述长期周期逾期客户标签用于表征所述待分析客户存在逾期日与首次借款日之间的时长大于或等于预设时长的逾期行为;基于所述客户标签,获取所述客户标签对应的特征变量,并计算出所述对应的特征变量的风险切分阈值;基于所述风险切分阈值和决策树算法,确定出所述客户标签对应的决策树中各个节点的风险评级;基于所述客户标签对应的决策树中各个节点的风险评级,生成所述待分析客户的风险评价矩阵,其中,所述风险评价矩阵中包括:所述客户标签对应的决策树中各个节点的风险评级和所述风险评级对应的信贷业务风险准入与授信策略,本申请通过将客户的逾期行为分为短期周期逾期长期周期逾期,并根据逾期行为对应的特征变量生成对应的风控策略,并根据达到了为客户提供精准的风控策略的目的,进而解决了现有的信贷风控策略精度较差的技术问题,从而实现了提高信贷风控策略精度的技术效果。
实施例三:
本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
参见图3,本发明实施例还提供一种电子设备100,包括:处理器60,存储器61,总线62和通信接口63,所述处理器60、通信接口63和存储器61通过总线62连接;处理器60用于执行存储器61中存储的可执行模块,例如计算机程序。
其中,存储器61可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口63(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器61用于存储程序,所述处理器60在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器60中,或者由处理器60实现。
处理器60可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61,处理器60读取存储器61中的信息,结合其硬件完成上述方法的步骤。
实施例四:
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;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。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”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”仅用于描述目的,而不能理解为指示或暗示相对重要性。
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、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,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:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种复合周期信贷风控策略生成方法,其特征在于,包括:
获取待分析客户的历史逾期信息,并基于所述历史逾期信息为所述待分析客户设置客户标签,其中,所述客户标签包括:短期周期逾期客户标签和长期周期逾期客户标签,所述短期周期逾期客户标签用于表征所述待分析客户存在逾期日与首次借款日之间的时长小于预设时长的逾期行为,所述长期周期逾期客户标签用于表征所述待分析客户存在逾期日与首次借款日之间的时长大于或等于预设时长的逾期行为;
基于所述客户标签,获取所述客户标签对应的特征变量,并计算出所述对应的特征变量的风险切分阈值;
基于所述风险切分阈值和决策树算法,确定出所述客户标签对应的决策树中各个节点的风险评级;
基于所述客户标签对应的决策树中各个节点的风险评级,生成所述待分析客户的风险评价矩阵,其中,所述风险评价矩阵中包括:所述客户标签对应的决策树中各个节点的风险评级和所述风险评级对应的信贷业务风险准入与授信策略。
2.根据权利要求1所述的方法,其特征在于,
所述短期周期逾期客户标签对应的特征变量包括:预设时间段内信用卡和贷款审批次数、信用卡和贷款的历史逾期次数、信用卡和贷款的历史最大逾期月份数、外部小贷机构和消金贷款机构的数量、外部小贷和消金贷款的余额;
所述长期周期逾期客户标签对应的特征变量包括:社保缴纳月份数、公积金缴纳月份数、缴纳基数、住房贷款余额、信用卡平均额度使用率、收入/负债比。
3.根据权利要求1所述的方法,其特征在于,计算出所述对应的特征变量的风险切分阈值,包括:
计算出所述对应的特征变量的特征价值指标值;
基于所述对应的特征变量的特征价值指标值,确定出所述对应的特征变量中的有效特征变量,其中,所述有效特征变量为特征价值指标值大于预设阈值的特征变量;
对所述有效特征变量进行卡方分箱计算,得到所述有效特征变量的风险切分阈值。
4.根据权利要求1所述的方法,其特征在于,基于所述风险切分阈值和决策树算法,确定出所述客户标签对应的决策树中各个节点的风险评级,包括:
基于所述短期周期逾期客户标签对应有效特征变量的风险切分阈值和所述决策树算法,构建第一决策树,并确定出第一决策树中各个节点的风险评级;
基于所述长期周期逾期客户标签对应有效特征变量的风险切分阈值和所述决策树算法,构建第二决策树,并确定出第二决策树中各个节点的风险评级。
5.根据权利要求4所述的方法,其特征在于,基于所述客户标签对应的决策树中各个节点的风险评级,生成所述待分析客户的风险评价矩阵,包括:
基于所述第一决策树中各个节点的风险评级和所述第二决策树中各个节点的风险评级,构建风险评价矩阵。
6.一种复合周期信贷风控策略生成装置,其特征在于,包括:获取单元,计算单元,确定单元和生成单元,其中,
所述获取单元,用于获取待分析客户的历史逾期信息,并基于所述历史逾期信息为所述待分析客户设置客户标签,其中,所述客户标签包括:短期周期逾期客户标签和长期周期逾期客户标签,所述短期周期逾期客户标签用于表征所述待分析客户存在逾期日与首次借款日之间的时长小于预设时长的逾期行为,所述长期周期逾期客户标签用于表征所述待分析客户存在逾期日与首次借款日之间的时长大于或等于预设时长的逾期行为;
所述计算单元,用于基于所述客户标签,获取所述客户标签对应的特征变量,并计算出所述对应的特征变量的风险切分阈值;
所述确定单元,用于基于所述风险切分阈值和决策树算法,确定出所述客户标签对应的决策树中各个节点的风险评级;
所述生成单元,用于基于所述客户标签对应的决策树中各个节点的风险评级,生成所述待分析客户的风险评价矩阵,其中,所述风险评价矩阵中包括:所述客户标签对应的决策树中各个节点的风险评级和所述风险评级对应的信贷业务风险准入与授信策略。
7.根据权利要求6所述的装置,其特征在于,
所述短期周期逾期客户标签对应的特征变量包括:预设时间段内信用卡和贷款审批次数、信用卡和贷款的历史逾期次数、信用卡和贷款的历史最大逾期月份数、外部小贷机构和消金贷款机构的数量、外部小贷和消金贷款的余额;
所述长期周期逾期客户标签对应的特征变量包括:社保缴纳月份数、公积金缴纳月份数、缴纳基数、住房贷款余额、信用卡平均额度使用率、收入/负债比。
8.根据权利要求6所述的装置,其特征在于,所述计算单元,用于:
计算出所述对应的特征变量的特征价值指标值;
基于所述对应的特征变量的特征价值指标值,确定出所述对应的特征变量中的有效特征变量,其中,所述有效特征变量为特征价值指标值大于预设阈值的特征变量;
对所述有效特征变量进行卡方分箱计算,得到所述有效特征变量的风险切分阈值。
9.一种电子设备,其特征在于,包括存储器以及处理器,所述存储器用于存储支持处理器执行权利要求1至5任一项所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
10.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,计算机程序被处理器运行时执行上述权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210776255.1A CN114841802A (zh) | 2022-07-04 | 2022-07-04 | 一种复合周期信贷风控策略生成方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210776255.1A CN114841802A (zh) | 2022-07-04 | 2022-07-04 | 一种复合周期信贷风控策略生成方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114841802A true CN114841802A (zh) | 2022-08-02 |
Family
ID=82574686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210776255.1A Pending CN114841802A (zh) | 2022-07-04 | 2022-07-04 | 一种复合周期信贷风控策略生成方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114841802A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046986A (zh) * | 2019-03-06 | 2019-07-23 | 平安科技(深圳)有限公司 | 基于大数据的借款逾期客户分群方法及装置 |
CN110533520A (zh) * | 2019-06-06 | 2019-12-03 | 上海凯京信达科技集团有限公司 | 一种基于多模型的个体客户贷款逾期等级的评级方法 |
CN110807700A (zh) * | 2019-11-05 | 2020-02-18 | 浪潮卓数大数据产业发展有限公司 | 一种基于政府数据的无监督融合模型个人信用评分方法 |
CN112053233A (zh) * | 2020-09-04 | 2020-12-08 | 天元大数据信用管理有限公司 | 基于gra的动态中小企业信用评分方法及系统 |
-
2022
- 2022-07-04 CN CN202210776255.1A patent/CN114841802A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046986A (zh) * | 2019-03-06 | 2019-07-23 | 平安科技(深圳)有限公司 | 基于大数据的借款逾期客户分群方法及装置 |
CN110533520A (zh) * | 2019-06-06 | 2019-12-03 | 上海凯京信达科技集团有限公司 | 一种基于多模型的个体客户贷款逾期等级的评级方法 |
CN110807700A (zh) * | 2019-11-05 | 2020-02-18 | 浪潮卓数大数据产业发展有限公司 | 一种基于政府数据的无监督融合模型个人信用评分方法 |
CN112053233A (zh) * | 2020-09-04 | 2020-12-08 | 天元大数据信用管理有限公司 | 基于gra的动态中小企业信用评分方法及系统 |
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 | |
Iori et al. | Empirical analyses of networks in finance | |
CN114841801A (zh) | 一种基于用户行为特征的信贷风控方法和装置 | |
CN111709548A (zh) | 基于支持向量机的电力用户负荷预测方法、装置、设备及存储介质 | |
CN109345371A (zh) | 个人征信报告回溯方法及系统 | |
CN112950347A (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
CN114782201A (zh) | 股票推荐方法、装置、计算机设备和存储介质 | |
CN111061948A (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
CN113421014A (zh) | 一种目标企业确定方法、装置、设备和存储介质 | |
CN117575776A (zh) | 一种借贷风控模型训练方法、设备以及可读存储介质 | |
CN117391705A (zh) | 一种电力现货交易中合约敞口风险管理方法及系统 | |
CN114997879B (zh) | 一种支付路由方法、装置、设备和存储介质 | |
CN116862658A (zh) | 信用评估方法、装置、电子设备、介质和程序产品 | |
CN114841802A (zh) | 一种复合周期信贷风控策略生成方法和装置 | |
Gautam et al. | Evidence on the determinants of investment-cash flow sensitivity | |
CN114418776A (zh) | 一种数据处理方法、装置、终端设备及介质 | |
CN110570301B (zh) | 风险识别方法、装置、设备及介质 | |
CN113435748A (zh) | 网点状态确定方法、装置、电子设备以及存储介质 | |
CN109360032B (zh) | 客户评估方法、装置、设备以及存储介质 | |
CN117635317A (zh) | 物品迁移信息的确定方法、装置、电子设备及存储介质 | |
CN114997999A (zh) | 一种人工智能金融数据管理系统 | |
CN118411256A (zh) | 产品风险预测方法、装置、电子设备、存储介质及产品 | |
CN118134626A (zh) | 授信额度模型评估方法、装置、可读存储介质及终端设备 | |
Vemula | MOVEMENT OF STOCK MARKETS IN INDIA: INFLUENCE OF MACROECONOMIC FACTORS | |
CN117391838A (zh) | 一种预期信用损失计量方法、设备及介质 |
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: 20220802 |
|
RJ01 | Rejection of invention patent application after publication |