CN115239458A - 客户综合风险量化方法及装置 - Google Patents
客户综合风险量化方法及装置 Download PDFInfo
- Publication number
- CN115239458A CN115239458A CN202210775531.2A CN202210775531A CN115239458A CN 115239458 A CN115239458 A CN 115239458A CN 202210775531 A CN202210775531 A CN 202210775531A CN 115239458 A CN115239458 A CN 115239458A
- Authority
- CN
- China
- Prior art keywords
- score
- information
- external environment
- sub
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000011002 quantification Methods 0.000 title claims description 25
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000004458 analytical method Methods 0.000 claims abstract description 46
- 238000010801 machine learning Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 238000007477 logistic regression Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种客户综合风险量化方法及装置,所述方法包括:获取目标客户的信息,目标客户的信息包括:目标客户的外部环境数据、经营财务信息、履约合作信息以及舆情信息;将外部环境数据输入至外部环境子模型,得到目标客户的外部环境得分,将经营财务信息输入至经营财务子模型,得到目标客户的经营财务得分,将履约合作信息输入至履约合作子模型,得到目标客户的履约合作得分,将舆情信息输入至舆情分析子模型,得到目标客户的舆情得分;根据预先训练得到的各子模型的权重,对目标客户的外部环境得分、经营财务得分、履约合作得分和舆情得分进行加权求和,得到目标客户的综合风险得分;输出目标客户的综合风险得分。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种客户综合风险量化方法及装置。
背景技术
信贷资产定期盘存管理中,要求定期对信贷资产进行盘点、沟通和分析。但由于客户数量庞大,且每个客户的实质性风险程度不同,目前需要人工根据客户相关信息中去分析和判断哪些客户可能存在风险,涉及的信息量大、工作量繁重且效率低下。
发明内容
本发明提供一种客户综合风险量化方法,用以解决现有技术中需要人工根据客户相关信息中去分析和判断哪些客户可能存在风险,涉及的信息量大、工作量繁重且效率低下的缺陷。
本发明提供一种客户综合风险量化方法,包括:
获取目标客户的信息,所述目标客户的信息包括:所述目标客户的外部环境数据、经营财务信息、履约合作信息以及舆情信息;
将所述外部环境数据输入至外部环境子模型,得到所述目标客户的外部环境得分,将所述经营财务信息输入至经营财务子模型,得到所述目标客户的经营财务得分,将所述履约合作信息输入至履约合作子模型,得到所述目标客户的履约合作得分,将所述舆情信息输入至舆情分析子模型,得到所述目标客户的舆情得分;
根据预先训练得到的所述外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重,对所述目标客户的外部环境得分、经营财务得分、履约合作得分和舆情得分进行加权求和,得到所述目标客户的综合风险得分;
通过批量接口或联机接口输出所述目标客户的综合风险得分。
根据本发明提供的一种客户综合风险量化方法,所述方法还包括:
采用机器学习方法训练得到所述外部环境子模型、经营财务子模型和履约合作子模型,并根据预先输入的规则确定所述舆情分析子模型;
通过逻辑回归算法训练得到所述外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重。
根据本发明提供的一种客户综合风险量化方法,采用机器学习方法训练得到所述外部环境子模型,包括:
获取客户群的历史外部环境数据,对所述历史外部环境数据进行预处理,得到外部环境数据样本;
获取专家基于所述历史外部环境数据给出的历史外部环境得分;
利用所述外部环境数据样本和所述历史外部环境得分,训练得到所述外部环境子模型。
根据本发明提供的一种客户综合风险量化方法,采用机器学习方法训练得到所述经营财务子模型,包括:
获取客户群的历史经营财务信息,对所述历史经营财务信息进行预处理,得到经营财务信息样本;
获取专家基于所述历史经营财务信息给出的历史经营财务得分;
利用所述经营财务信息样本和所述历史经营财务得分,训练得到所述经营财务子模型。
根据本发明提供的一种客户综合风险量化方法,采用机器学习方法训练得到所述履约合作子模型,包括:
获取客户群的历史履约合作信息,对所述历史履约合作信息进行预处理,得到履约合作信息样本;
获取专家基于所述历史履约合作信息给出的历史履约合作得分;
利用所述履约合作信息样本和所述历史履约合作得分,训练得到所述履约合作子模型。
根据本发明提供的一种客户综合风险量化方法,所述通过逻辑回归算法训练得到所述外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重,包括:
获取专家基于所述客户群的历史外部环境数据、历史经营财务信息、历史履约合作信息以及历史舆情信息给出的历史综合风险得分;
利用所述历史综合风险得分,通过逻辑回归算法训练得到所述外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重。
本发明还提供一种客户综合风险量化装置,包括:
客户信息获取模块,用于获取目标客户的信息,所述目标客户的信息包括:所述目标客户的外部环境数据、经营财务信息、履约合作信息以及舆情信息;
预测模块,用于将所述外部环境数据输入至外部环境子模型,得到所述目标客户的外部环境得分,将所述经营财务信息输入至经营财务子模型,得到所述目标客户的经营财务得分,将所述履约合作信息输入至履约合作子模型,得到所述目标客户的履约合作得分,将所述舆情信息输入至舆情分析子模型,得到所述目标客户的舆情得分;
量化模块,用于根据预先训练得到的所述外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重,对所述目标客户的外部环境得分、经营财务得分、履约合作得分和舆情得分进行加权求和,得到所述目标客户的综合风险得分;
输出模块,用于通过批量接口或联机接口输出所述目标客户的综合风险得分。
本发明还提供一种电子设备,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程序时实现如上述任一种所述客户综合风险量化方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述客户综合风险量化方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述客户综合风险量化方法。
本发明提供的客户综合风险量化方法及装置,通过获取用户的外部环境数据、经营财务信息、履约合作信息以及舆情信息,将外部环境数据输入至外部环境子模型,得到客户的外部环境得分,将经营财务信息输入至经营财务子模型,得到客户的经营财务得分,将履约合作信息输入至履约合作子模型,得到客户的履约合作得分,将舆情信息输入至舆情分析子模型,得到客户的舆情得分,并根据预先训练得到的外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重,对客户的外部环境得分、经营财务得分、履约合作得分和舆情得分进行加权求和,得到客户的综合风险得分,通过批量接口输出客户的综合风险得分,从而可以根据客户的信息自动量化出客户的综合风险得分,可以提高客户风险量化效率,为后续业务提供数据支撑。
附图说明
为了更清楚地说明本发明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一简单地介绍,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为本发明实施例提供的客户综合风险量化方法的流程示意图之一;
图2为本发明实施例提供的客户综合风险量化方法的流程示意图之二;
图3为本发明实施例提供的客户综合风险量化装置的结构示意图;
图4为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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。
图1为本发明实施例提供的客户综合风险量化方法的流程示意图之一。如图1所示,该客户综合风险量化方法包括以下步骤:步骤100、步骤101、步骤102和步骤103,其中,
步骤100、获取目标客户的信息,所述目标客户的信息包括:所述目标客户的外部环境数据、经营财务信息、履约合作信息以及舆情信息。
需要说明的是,目标客户是指具体的企业。要对一家企业进行风险量化,首先需要获取该目标客户的信息。所述目标客户的信息包括以下四个维度的信息,即所述目标客户的外部环境数据、目标客户的经营财务信息、目标客户的履约合作信息以及目标客户的舆情信息。
其中,外部环境数据描述企业所处的宏观外部环境因素,如地区、规模、行业信息、经济成分等。
经营财务信息反映了企业自身的实力和财务情况,包括盈利情况、财务报表等。
履约合作信息反映了客户历史履约的行为情况,包括还款意愿和行为、交易情况、流水情况、实际的运作情况和可能的违约情况等。
舆情信息反映外部关联对企业的影响和舆情对它的冲击。可选地,由于本发明关注客户风险,因此,舆情信息指负面舆情信息。
步骤101、将所述外部环境数据输入至外部环境子模型,得到所述目标客户的外部环境得分,将所述经营财务信息输入至经营财务子模型,得到所述目标客户的经营财务得分,将所述履约合作信息输入至履约合作子模型,得到所述目标客户的履约合作得分,将所述舆情信息输入至舆情分析子模型,得到所述目标客户的舆情得分。
可以理解的是,本发明通过外部环境子模型、经营财务子模型、履约合作子模型以及舆情分析子模型实现客户综合风险量化。
其中,外部环境子模型的输入为外部环境数据,输出为目标客户的外部环境得分。
经营财务子模型的输入为经营财务信息,输出为经营财务得分。
履约合作子模型的输入为履约合作信息,输出为目标客户的履约合作得分。
舆情分析子模型的输入为舆情信息,输出为舆情得分。
需要说明的是,在本发明实施例中,外部环境子模型、经营财务子模型、履约合作子模型采用机器学习方法训练得到。舆情分析子模型则根据专家知识确定的舆情分析规则得到。
步骤102、根据预先训练得到的所述外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重,对所述目标客户的外部环境得分、经营财务得分、履约合作得分和舆情得分进行加权求和,得到所述目标客户的综合风险得分。
可以理解的是,在分别得到目标客户的外部环境得分、经营财务得分、履约合作得分以及舆情得分之后,根据预先训练得到的所述外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重,对所述目标客户的外部环境得分、经营财务得分、履约合作得分和舆情得分进行加权求和,得到所述目标客户的综合风险得分,可为每个客户自动生成其综合风险得分,从而实现了根据客户信息对客户风险的量化。
步骤103、通过批量接口或联机接口输出所述目标客户的综合风险得分。
可选地,目标客户的综合风险得分最后通过批量接口的方式传送到业务系统。
一种实施方式中,目标客户的综合风险得分作为信贷资产盘存流程的输入供业务专家参考,从而实现了客户风险量化流程与信贷资产盘存流程的结合,可以使得业务专家够更为准确、全面的判断客户的风险情况,进而实现风险的早发现、早预防、早处理,省时省力又高效。
例如,盘存流程管理时,将获取到的客户综合得分作为一部分输入,再结合专家综合会诊,形成智能化的客户信贷资产盘存体系,将客户划分为不同等级,该等级也会影响审批的决策机制和贷后的客户分级等。
一种实施方式中,业务系统通过联机接口的方式获取客户的综合风险得分。
通过提供批量接口和联机接口,可以与不同的业务场景结合,实现与不同业务场景之间的信息交互,从而可以为不同业务系统提供数据支撑。
本发明提供的客户综合风险量化方法,通过获取用户的外部环境数据、经营财务信息、履约合作信息以及舆情信息,将外部环境数据输入至外部环境子模型,得到客户的外部环境得分,将经营财务信息输入至经营财务子模型,得到客户的经营财务得分,将履约合作信息输入至履约合作子模型,得到客户的履约合作得分,将舆情信息输入至舆情分析子模型,得到客户的舆情得分,并根据预先训练得到的外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重,对客户的外部环境得分、经营财务得分、履约合作得分和舆情得分进行加权求和,得到客户的综合风险得分,通过批量接口输出客户的综合风险得分,从而可以根据客户的信息自动量化出客户的综合风险得分,可以提高客户风险量化效率,从而有助于业务专家更为全面、准确地判断客户的风险情况,为后续业务提供数据支撑。
可选地,在上述实施例的基础上,如图2所示,所述方法还包括:步骤200和步骤201,其中,
步骤200、采用机器学习方法训练得到所述外部环境子模型、经营财务子模型和履约合作子模型,并根据预先输入的规则确定所述舆情分析子模型;
需要说明的是,本发明可以采用现有的机器学习方法,本发明对此不作限制。
其中,外部环境子模型的训练数据来源于客群的基本信息,包括:地区(地级市,直辖市算地级市)、行业(大类行业)、规模、性质、经济成分)。
经营财务子模型的训练数据来源于当前行业内主要使用的财务指标数据,包括:盈利能力与收益质量、资本结构与偿债能力、财务报表附注等,通过历史财务指标数据训练确定阈值,最终从上述各类型的财务指标数据中选出固定的几类财务指标数据作为经营财务子模型的输入。
履约合作子模型的训练数据来源于履约合作的相关指标数据,包括还款意愿和行为、交易情况、流水情况、实际的运作情况和可能的违约情况等。
舆情分析子模型是根据业务专家预先输入的规则确定的。
可选地,采用机器学习方法训练得到所述外部环境子模型,包括:
获取客户群的历史外部环境数据,对所述历史外部环境数据进行预处理,得到外部环境数据样本;
获取专家基于所述历史外部环境数据给出的历史外部环境得分;
利用所述外部环境数据样本和所述历史外部环境得分,训练得到所述外部环境子模型。
其中,对所述历史外部环境数据进行预处理包括:进行字段合并、分箱,one-hot编码等。
外部环境子模型的训练过程如下:将各外部环境数据样本输入至外部环境子模型,计算外部环境子模型的输出结果与所述历史外部环境得分之间的损失,利用所述损失更新所述外部环境子模型的参数,直至满足训练结束条件。
可选地,采用机器学习方法训练得到所述经营财务子模型,包括:
获取客户群的历史经营财务信息,对所述历史经营财务信息进行预处理,得到经营财务信息样本;
获取专家基于所述历史经营财务信息给出的历史经营财务得分;
利用所述经营财务信息样本和所述历史经营财务得分,训练得到所述经营财务子模型。
经营财务子模型的训练过程如下:将各经营财务信息样本输入至经营财务子模型,计算经营财务子模型的输出结果与所述历史经营财务得分之间的损失,利用所述损失更新所述经营财务子模型的参数,直至满足训练结束条件。
可选地,采用机器学习方法训练得到所述履约合作子模型,包括:
获取客户群的历史履约合作信息,对所述历史履约合作信息进行预处理,得到履约合作信息样本;
获取专家基于所述历史履约合作信息给出的历史履约合作得分;
利用所述履约合作信息样本和所述历史履约合作得分,训练得到所述履约合作子模型。
履约合作子模型的训练过程如下:将各履约合作信息样本输入至履约合作子模型,计算履约合作子模型的输出结果与所述历史履约合作得分之间的损失,利用所述损失更新所述履约合作子模型的参数,直至满足训练结束条件。
可选地,上述外部环境子模型、经营财务子模型、履约合作子模型均采用Python代码实现,实现时需要确定每个子模型的实现逻辑,每个子模型基于的数据类型不一样,有数值型,如财务信息;有分类型,如地区信息。需要根据数据的类型及含义,确定对应的逻辑和计算方法,为后续的客户综合风险得分的计算提供更有效的数据。
可选地,舆情分析子模型通过Gbase代码实现。
步骤201、通过逻辑回归算法训练得到所述外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重。
逻辑回归是机器学习中常见的一种学习方法。逻辑回归方法结构简单,可解释性强,从特征的权重可以看到不同特征对最后结果的影响;训练速度快,分类时,计算量只和特征数目相关,占用计算资源少;输出结果方便调整,结果都是概率值,可以很容易调整阈值实现分类,且效果很不错。
可选地,所述通过逻辑回归算法训练得到所述外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重,包括:
获取专家基于所述客户群的历史外部环境数据、历史经营财务信息、历史履约合作信息以及历史舆情信息给出的历史综合风险得分;
利用所述历史综合风险得分,通过逻辑回归算法训练得到所述外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重。
本发明旨在从外部环境、经营财务、履约合作、负面舆情四个方面,借助数据分析、机器学习等技术,通过逻辑回归的方式训练出权重,量化出客户的风险得分,为盘存管理人员对客户进行分层管理、确定信贷策略和管理措施提供更全面、更准确的数据支撑,减少业务专家的工作负担。
下面对本发明提供的客户综合风险量化装置进行描述,下文描述的客户综合风险量化装置与上文描述的客户综合风险量化方法可相互对应参照。
图3为本发明实施例提供的客户综合风险量化装置的结构示意图。如图3所示,所述客户综合风险量化装置包括:
客户信息获取模块301,用于获取目标客户的信息,所述目标客户的信息包括:所述目标客户的外部环境数据、经营财务信息、履约合作信息以及舆情信息;
预测模块302,用于将所述外部环境数据输入至外部环境子模型,得到所述目标客户的外部环境得分,将所述经营财务信息输入至经营财务子模型,得到所述目标客户的经营财务得分,将所述履约合作信息输入至履约合作子模型,得到所述目标客户的履约合作得分,将所述舆情信息输入至舆情分析子模型,得到所述目标客户的舆情得分;
量化模块303,用于根据预先训练得到的所述外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重,对所述目标客户的外部环境得分、经营财务得分、履约合作得分和舆情得分进行加权求和,得到所述目标客户的综合风险得分;
输出模块304,用于通过批量接口或联机接口输出所述目标客户的综合风险得分。
可选地,所述客户综合风险量化装置,还包括:
模型确定模块,用于采用机器学习方法训练得到所述外部环境子模型、经营财务子模型和履约合作子模型,并根据预先输入的规则确定所述舆情分析子模型;
权重确定模块,用于通过逻辑回归算法训练得到所述外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重。
可选地,采用机器学习方法训练得到所述外部环境子模型,包括:
获取客户群的历史外部环境数据,对所述历史外部环境数据进行预处理,得到外部环境数据样本;
获取专家基于所述历史外部环境数据给出的历史外部环境得分;
利用所述外部环境数据样本和所述历史外部环境得分,训练得到所述外部环境子模型。
可选地,采用机器学习方法训练得到所述经营财务子模型,包括:
获取客户群的历史经营财务信息,对所述历史经营财务信息进行预处理,得到经营财务信息样本;
获取专家基于所述历史经营财务信息给出的历史经营财务得分;
利用所述经营财务信息样本和所述历史经营财务得分,训练得到所述经营财务子模型。
可选地,采用机器学习方法训练得到所述履约合作子模型,包括:
获取客户群的历史履约合作信息,对所述历史履约合作信息进行预处理,得到履约合作信息样本;
获取专家基于所述历史履约合作信息给出的历史履约合作得分;
利用所述履约合作信息样本和所述历史履约合作得分,训练得到所述履约合作子模型。
可选地,所述通过逻辑回归算法训练得到所述外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重,包括:
获取专家基于所述客户群的历史外部环境数据、历史经营财务信息、历史履约合作信息以及历史舆情信息给出的历史综合风险得分;
利用所述历史综合风险得分,通过逻辑回归算法训练得到所述外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重。
在此需要说明的是,本发明实施例提供的客户综合风险量化装置,能够实现上述客户综合风险量化方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行客户综合风险量化方法,该方法包括:获取目标客户的信息,所述目标客户的信息包括:所述目标客户的外部环境数据、经营财务信息、履约合作信息以及舆情信息;将所述外部环境数据输入至外部环境子模型,得到所述目标客户的外部环境得分,将所述经营财务信息输入至经营财务子模型,得到所述目标客户的经营财务得分,将所述履约合作信息输入至履约合作子模型,得到所述目标客户的履约合作得分,将所述舆情信息输入至舆情分析子模型,得到所述目标客户的舆情得分;根据预先训练得到的所述外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重,对所述目标客户的外部环境得分、经营财务得分、履约合作得分和舆情得分进行加权求和,得到所述目标客户的综合风险得分;通过批量接口或联机接口输出所述目标客户的综合风险得分。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元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取存储介质中。基于这样的理解,本发明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,服务器,或者网络设备等)执行本发明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-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。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的客户综合风险量化方法,该方法包括:获取目标客户的信息,所述目标客户的信息包括:所述目标客户的外部环境数据、经营财务信息、履约合作信息以及舆情信息;将所述外部环境数据输入至外部环境子模型,得到所述目标客户的外部环境得分,将所述经营财务信息输入至经营财务子模型,得到所述目标客户的经营财务得分,将所述履约合作信息输入至履约合作子模型,得到所述目标客户的履约合作得分,将所述舆情信息输入至舆情分析子模型,得到所述目标客户的舆情得分;根据预先训练得到的所述外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重,对所述目标客户的外部环境得分、经营财务得分、履约合作得分和舆情得分进行加权求和,得到所述目标客户的综合风险得分;通过批量接口或联机接口输出所述目标客户的综合风险得分。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的客户综合风险量化方法,该方法包括:获取目标客户的信息,所述目标客户的信息包括:所述目标客户的外部环境数据、经营财务信息、履约合作信息以及舆情信息;将所述外部环境数据输入至外部环境子模型,得到所述目标客户的外部环境得分,将所述经营财务信息输入至经营财务子模型,得到所述目标客户的经营财务得分,将所述履约合作信息输入至履约合作子模型,得到所述目标客户的履约合作得分,将所述舆情信息输入至舆情分析子模型,得到所述目标客户的舆情得分;根据预先训练得到的所述外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重,对所述目标客户的外部环境得分、经营财务得分、履约合作得分和舆情得分进行加权求和,得到所述目标客户的综合风险得分;通过批量接口或联机接口输出所述目标客户的综合风险得分。
以上所描述的装置实施例仅仅是示意性的,其中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存储介质中,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所述的方法。
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。
Claims (10)
1.一种客户综合风险量化方法,其特征在于,包括:
获取目标客户的信息,所述目标客户的信息包括:所述目标客户的外部环境数据、经营财务信息、履约合作信息以及舆情信息;
将所述外部环境数据输入至外部环境子模型,得到所述目标客户的外部环境得分,将所述经营财务信息输入至经营财务子模型,得到所述目标客户的经营财务得分,将所述履约合作信息输入至履约合作子模型,得到所述目标客户的履约合作得分,将所述舆情信息输入至舆情分析子模型,得到所述目标客户的舆情得分;
根据预先训练得到的所述外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重,对所述目标客户的外部环境得分、经营财务得分、履约合作得分和舆情得分进行加权求和,得到所述目标客户的综合风险得分;
通过批量接口或联机接口输出所述目标客户的综合风险得分。
2.根据权利要求1所述的客户综合风险量化方法,其特征在于,所述方法还包括:
采用机器学习方法训练得到所述外部环境子模型、经营财务子模型和履约合作子模型,并根据预先输入的规则确定所述舆情分析子模型;
通过逻辑回归算法训练得到所述外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重。
3.根据权利要求2所述的客户综合风险量化方法,其特征在于,采用机器学习方法训练得到所述外部环境子模型,包括:
获取客户群的历史外部环境数据,对所述历史外部环境数据进行预处理,得到外部环境数据样本;
获取专家基于所述历史外部环境数据给出的历史外部环境得分;
利用所述外部环境数据样本和所述历史外部环境得分,训练得到所述外部环境子模型。
4.根据权利要求2所述的客户综合风险量化方法,其特征在于,采用机器学习方法训练得到所述经营财务子模型,包括:
获取客户群的历史经营财务信息,对所述历史经营财务信息进行预处理,得到经营财务信息样本;
获取专家基于所述历史经营财务信息给出的历史经营财务得分;
利用所述经营财务信息样本和所述历史经营财务得分,训练得到所述经营财务子模型。
5.根据权利要求2所述的客户综合风险量化方法,其特征在于,采用机器学习方法训练得到所述履约合作子模型,包括:
获取客户群的历史履约合作信息,对所述历史履约合作信息进行预处理,得到履约合作信息样本;
获取专家基于所述历史履约合作信息给出的历史履约合作得分;
利用所述履约合作信息样本和所述历史履约合作得分,训练得到所述履约合作子模型。
6.根据权利要求2-5中任一项所述的客户综合风险量化方法,其特征在于,所述通过逻辑回归算法训练得到所述外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重,包括:
获取专家基于所述客户群的历史外部环境数据、历史经营财务信息、历史履约合作信息以及历史舆情信息给出的历史综合风险得分;
利用所述历史综合风险得分,通过逻辑回归算法训练得到所述外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重。
7.一种客户综合风险量化装置,其特征在于,包括:
客户信息获取模块,用于获取目标客户的信息,所述目标客户的信息包括:所述目标客户的外部环境数据、经营财务信息、履约合作信息以及舆情信息;
预测模块,用于将所述外部环境数据输入至外部环境子模型,得到所述目标客户的外部环境得分,将所述经营财务信息输入至经营财务子模型,得到所述目标客户的经营财务得分,将所述履约合作信息输入至履约合作子模型,得到所述目标客户的履约合作得分,将所述舆情信息输入至舆情分析子模型,得到所述目标客户的舆情得分;
量化模块,用于根据预先训练得到的所述外部环境子模型、经营财务子模型、履约合作子模型和舆情分析子模型各自的权重,对所述目标客户的外部环境得分、经营财务得分、履约合作得分和舆情得分进行加权求和,得到所述目标客户的综合风险得分;
输出模块,用于通过批量接口或联机接口输出所述目标客户的综合风险得分。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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程序时实现如权利要求1至6任一项所述的客户综合风险量化方法。
9.一种非暂态计算机可读存储介质,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6任一项所述的客户综合风险量化方法。
10.一种计算机程序产品,包括计算机程序,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6任一项所述的客户综合风险量化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210775531.2A CN115239458A (zh) | 2022-07-01 | 2022-07-01 | 客户综合风险量化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210775531.2A CN115239458A (zh) | 2022-07-01 | 2022-07-01 | 客户综合风险量化方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115239458A true CN115239458A (zh) | 2022-10-25 |
Family
ID=83670845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210775531.2A Pending CN115239458A (zh) | 2022-07-01 | 2022-07-01 | 客户综合风险量化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115239458A (zh) |
-
2022
- 2022-07-01 CN CN202210775531.2A patent/CN115239458A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180308160A1 (en) | Risk assessment method and system | |
CN111008896A (zh) | 金融风险预警方法、装置、电子设备及存储介质 | |
CN112102073A (zh) | 信贷风险控制方法及系统、电子设备及可读存储介质 | |
CN112200392B (zh) | 业务预测方法及装置 | |
CN111192133A (zh) | 用户贷后风险模型生成方法、装置及电子设备 | |
CN116468273A (zh) | 客户风险识别方法及装置 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN112434862B (zh) | 上市企业财务困境预测方法及装置 | |
CN112308623A (zh) | 基于监督学习的优质客户流失预测方法、装置及存储介质 | |
CN117132383A (zh) | 一种信贷数据处理方法、装置、设备及可读存储介质 | |
CN115239458A (zh) | 客户综合风险量化方法及装置 | |
CN115062687A (zh) | 企业信用监控方法、装置、设备及存储介质 | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN114119107A (zh) | 一种钢贸企业交易测评方法、装置、设备及存储介质 | |
CN113177733A (zh) | 基于卷积神经网络的中小微企业数据建模方法及系统 | |
CN113139842A (zh) | 一种表单处理方法、装置和系统 | |
CN112085584A (zh) | 企业信用违约概率计算方法及系统 | |
Theuri et al. | The impact of Artficial Intelligence and how it is shaping banking | |
CN111754331B (zh) | 一种业务审批方法及装置 | |
CN110852854A (zh) | 一种量化收益模型的生成方法和风险控制策略的评价方法 | |
CN116341905A (zh) | 风险预测方法及装置 | |
CN116977057A (zh) | 一种信用卡分期风险预测方法、装置、设备及介质 | |
CN118037430A (zh) | 用户信贷违约的预测方法、装置、电子设备及存储介质 | |
CN116468535A (zh) | 企业风险量化评估方法、装置、电子设备和存储介质 | |
CN113988955A (zh) | 潜在资产提升客户预测方法及装置 |
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 |