CN115271912A - 一种基于大数据的信贷业务智能风控审批系统及方法 - Google Patents
一种基于大数据的信贷业务智能风控审批系统及方法 Download PDFInfo
- Publication number
- CN115271912A CN115271912A CN202210881987.7A CN202210881987A CN115271912A CN 115271912 A CN115271912 A CN 115271912A CN 202210881987 A CN202210881987 A CN 202210881987A CN 115271912 A CN115271912 A CN 115271912A
- Authority
- CN
- China
- Prior art keywords
- wind control
- fraud
- credit
- model
- enterprise
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (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
本发明提供一种基于大数据的信贷业务智能风控审批系统及方法,属于计算机信息处理领域,首先对企业及个人多源数据进行融合;然后行结构化数据、半结构化数据、非结构化数据分别进行数据保准化治理;然后根据信贷业务需求生成数据指标,并建立准入模型、反欺诈模型、信用评分模型、额度定价模型等风控模型;最后对风控模型进行优化,实现风控审核智能化。本发明运用大数据、机器学习、知识工程等技术,可根据数据资源和信贷业务政策要求,自主配置风控审批指标体系和优化风控模型,无需人工进行分析和审核,风控分析维度更广,实现风控审核自动化,风险评估效果更好、风控审核效率更高,促进信贷业务风控管理差异化和信贷业务智能化。
Description
技术领域
本发明涉及计算机信息处理领域,尤其涉及一种基于大数据的信贷业务智能风控审批系统及方法。
背景技术
传统的金融行业,例如银行的贷款业务需要投入大量的人工,且风险相比较高,其中以银行信贷业务风控准入场景为例,根据其信贷产品的风控政策,通过人工或模型对申贷用户的信用信息数据进行分析,判定申贷用户的准入资格。
然而,随着金融行业和互联网的快速发展,以及国家鼓励金融机构利用金融科技进行数字化改革,金融机构的金融业务和企业(个人)对于金融产品的需求也发生转变,同时伴随着金融风险和风险监管政策变化,目前以往金融机构的风控准入系统已不能完全满足业务需求,例如:部分工作需要人工参与,工作效率低,增加金融风险;以往智能风控技术对于非机构化数据、半结构化数据处理效率低,风控分析面窄;以往风控系统的风控指标固定后,无法根据金融产品准入政策的变化自由配置和修改,导致信贷业务智能化风控系统建设成本高。例如公开号CN112508677A的专利申请公开了一种基于大数据风控的金融系统,然而仍没有完全解决上述问题。
发明内容
为了解决以上技术问题,本发明提供了一种基于大数据的信贷业务智能风控审批系统,解决现有金融风控智能审批技术中智能化程度低,异结构数据处理能力弱,风控准入指标无法自由配置和修改等问题。
本发明的技术方案是:
一种基于大数据的信贷业务智能风控审批系统,
包括:风控场景配置模块、风控模型、数据中心、风控决策引擎、风控结果、风控报告,其中
风控场景配置模块,用于根据不同服务业务场景,配置不同的风控规则,以及风控指标的生成和管理,通过风控指标可视化配置页面,根据风控应用场景和目的,进行指标海选、指标加工、指标入库、业务评估,最终确定风控规则,融合一种以上种风控规则形成风控模型;
风控模型,包括准入模型、反欺诈模型、信用评分模型、额度定价模型;
数据中心,用于数据标准化,包括ETL治理、数据融合和质量评估;
风控决策引擎,根据风控模型风控规则获取风控决策判定所需要的用户数据,通过用户的值与预设的风控指标值进行自动化比较,判定决策结果;
风控结果,展示反馈风控决策引擎的决策结果,包括准入结果、反欺诈结果、信用评价结果、预授信额度;
风控报告,展示风控决策相关数据和指标,包括经营指标、财务指标、偿债指标、盈利指标、现金流、稳定性。
进一步的,
通过1)合规审核、2)反欺诈识别、3)内部信用评级、4)额度定价四个子模块,实现风控智能审批流程,其中:
1)合规审核:
建立准入政策库和准入指标库;
针对准入指标进行层次划分,针对政策库确定准入规则;
基于存量企业信息库和实时获取的企业借款人、企业信息进行信息校验、交叉验证;
根据准入规则对企业准入情况进行判断;
2)反欺诈识别:
建立反欺诈策略+模型+规则的模式;
基于黑名单库进行反欺诈强规则拦截;
基于无监督机器学习方法建立企业异常行为检测模型;
基于企业关系图谱建立企业社群欺诈模型;
基于强规则、异常行为检测、社群欺诈模型建立反欺诈方法;
对企业反欺诈风险进行综合判定;
3)内部信用评级:
基于机器学习方法建立企业内部信用评级模型;
基于逻辑回归方法转换成企业信用分及内部信用级别;
4)额度定价:
根据企业内部信用评级结果、企业反欺诈结果,并基于线下审批人员相结合获得相应信用调整系数;
依据额度定价模型得出预授信额度。
本发明还提供了一种基于大数据的信贷业务智能风控审批方法,包括如下步骤:
1)风控指标配置,生成风控规则,根据不同金融服务业务场景,配置不同的风控规则,以及风控指标的生成和管理,通过风控指标可视化配置页面,根据风控应用场景和目的,进行指标海选、指标加工、指标入库、业务评估,最终确定风控规则;
2)融合风控规则,生成风控模型,融合一种以上风控规则形成风控模型,模型包括:准入模型、反欺诈模型、信用评分模型、额度定价模型;
3)风控决策引擎判定,根据风控模型风控规则获取风控决策判定所需要的用户数据,通过用户的值与预设的风控指标值进行自动化比较,判定决策结果;
4)风控结果反馈:展示反馈风控决策引擎的决策结果,包括准入结果、反欺诈结果、信用评价结果、预授信额度;
风控报告展示风控决策相关数据和指标,包括经营指标、财务指标、偿债指标、盈利指标、现金流、稳定性。
进一步的,
实现流程如下:
1)合规审核:根据准入规则对企业(个人)准入情况进行判断;
2)反欺诈识别:通过反欺诈策略+模型+规则的识别方式对企业反欺诈风险进行综合判定;
3)内部信用评级:建立企业内部信用评级模型,出具企业信用分及内部信用级别;
4)额度定价:根据企业内部信用评级结果、企业反欺诈结果,并基于线下审批人员相结合获得相应信用调整系数,依据额度定价模型得出预授信额度。
再进一步的,
其中合规审核,包括:
准入政策库,根据政策库筛选形成政策合规指标,可进行相应地查询、修改;
准入规则集,根据不同业务场景的定位要求形成准入规则集,可提供管理人员进行规则调整;
准入指标库,根据海选指标库筛选形成层次化的准入指标库,可进行相应地查询、修改;
准入策略引擎:包括对应企业(个人)数据抽取、借款人信息核对、借款人信息交叉验证、准入规则策略判断;
包括以下步骤:
S101:借款人进行企业(个人)信用信息查询使用授权;
S102:在数据中心抽取对应企业(个人)信用信息数据;
S103:进行借款人信息核对;
S104:进行借款人信息交叉验证;
S105:根据准入规则对借款人准入情况进行判断;
S106:系统自动反馈准入结果。
其中反欺诈识别,包括:
借款人实时信息校验比对:获取线上借款人实时数据,对借款人实时数据进行校验比对;
反欺诈强规则拦截:基于反欺诈强规则判断欺诈借款人进行拦截;
异常行为预判:基于无监督机器学习方法建立借款人异常行为检测模型,进行借款人异常行为概率预判;
关联欺诈预判:基于借款人关系图谱建立社群欺诈模型,进行借款人关联欺诈风险预判;
反欺诈策略综合评估:基于强规则、异常行为检测、社群欺诈模型建立反欺诈策略,对借款人反欺诈风险进行综合判定;
包括以下步骤:
S201:分辨合规审核结果,准入通过借款人进入反欺诈识别;
S202:在数据中心抽取对应企业(个人)信用信息数据;
S203:基于黑名单库进行反欺诈强规则拦截;
S204:基于无监督机器学习方法建立企业异常行为检测模型,进行企业异常行为概率预判;
S205:基于企业关系图谱建立企业社群欺诈模型,进行企业关联欺诈风险预判;
S206:基于强规则、异常行为检测、社群欺诈模型建立反欺诈策略,对企业反欺诈风险进行综合判定;
S207:系统自动反馈反欺诈识别结果。
其中内部信用评级和额度定价,包括:
对应借款人数据抽取:根据借款人信息从数据库抽取借款人数据字段;
入模指标加工:加工借款人抽取数据形成指标;
风险评估:基于机器学习方法建立内部信用评级模型,预判借款人信用风险概率;
信用等级划分:根据借款人信用风险概率计算企业信用等级;
预授信测算:根据企业内部信用评级结果、企业反欺诈结果,并基于线下审批人员相结合获得相应信用调整系数,然后依据额度定价模型得出预授信额度;
包括以下步骤:
S301:分辨反欺诈识别结果,反欺诈识别通过的借款人进入内部信用评级和额度定价;
S302-S303:首先基于机器学习方法建立企业内部信用评级模型,然后基于逻辑回归方法转换成企业信用分及内部信用级别;
S304:根据企业内部信用评级结果、企业反欺诈结果,并基于线下审批相结合获得相应信用调整系数,然后依据额度定价模型得出预授信额度;
S305:系统自动反馈企业预授信额度。
本发明的有益效果是
实现了可以根据不同业务场景或业务场景拓展变化,自主配置风控规则,解决了传统风控系统不能满足实时风控政策要求或调整风控规则难、响应匹配慢等问题,增加了风控系统的灵活性。风控人员可通过可视化界面根据业务场景需求,增加、删除、修改风控规则,大大提高了风控规则配置效率。本发明的系统和方法包含了准入、反欺诈、信用评价、额度定价等多种风控模型,实现信贷业务贷前阶段全面智能化,提高了信贷风控人员工作效率,降低风控成本。
附图说明
附图1:本发明的工作流程示意图;
附图2:本发明的实现流程图;
附图3:合规审查流程图;
附图4:反欺诈识别流程图;
附图5:内部信用评级和额度定价流程图。
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做出创造性劳动的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。
信贷业务贷前阶段包括用户信用信息收集分析、信贷资格准入、反欺诈识别、授信额度定价等。传统风控审批需要投入大量的人工,且风险相比较高。为减少或消灭交易过程中,产生的各种可能发生风险的事件,或减少风险事件造成的损失。本发明首先通过对企业及个人多源数据进行融合;然后行结构化数据、半结构化数据、非结构化数据分别进行数据保准化治理;然后根据信贷业务需求生成数据指标,并建立准入模型、反欺诈模型、信用评分模型、额度定价模型等风控模型;最后对风控模型进行优化,实现风控审核智能化。该方法可根据数据资源和信贷业务政策要求,自主配置风控审批指标体系和优化风控模型,无需人工进行分析和审核,风控分析维度更广,实现风控审核自动化,风险评估效果更好、风控审核效率更高,促进信贷业务风控管理差异化和信贷业务智能化。
如图1所示,本发明的工作流程如下:
风控指标配置,生成风控规则:用于根据不同金融服务业务场景,配置不同的风控规则,以及风控指标的生成和管理,管理人员通过风控指标可视化配置页面,根据风控应用场景和目的,进行指标海选、指标加工、指标入库、业务评估,最终确定风控规则,。
融合风控规则,生成风控模型:融合多种风控规则形成风控模型,模型包括:准入模型、反欺诈模型、信用评分模型、额度定价模型
风控决策引擎判定:根据风控模型风控规则获取风控决策判定所需要的用户数据,通过用户的值与预设的风控指标值进行自动化比较,判定决策结果。
风控结果反馈:展示反馈风控决策引擎的决策结果,包括准入结果、反欺诈结果、信用评价结果、预授信额度。
风控报告展示风控决策相关数据和指标,包括经营指标、财务指标、偿债指标、盈利指标、现金流、稳定性等。
如图2所示,信贷业务智能风控审批实现流程包括:
S1合规审核:根据准入规则对企业(个人)准入情况进行判断
S2反欺诈识别:建立反欺诈策略+模型+规则的识别机制,对企业反欺诈风险进行综合判定
S3内部信用评级:建立企业内部信用评级模型,出具企业信用分及内部信用级别
S4额度定价:根据企业内部信用评级结果、企业反欺诈结果,并基于线下审批人员相结合获得相应信用调整系数,依据额度定价模型得出预授信额度。
如图3所示,合规审查流程具体包括以下步骤:
S101:借款人进行企业(个人)信用信息查询使用授权
S102:在数据中心抽取对应企业(个人)信用信息数据
S103:进行借款人信息核对
S104:进行借款人信息交叉验证
S105:根据准入规则对借款人准入情况进行判断
S106:系统自动反馈准入结果。
如图4所示,反欺诈识别流程具体包括以下步骤:
S201:分辨合规审核结果,准入通过借款人进入反欺诈识别
S202:在数据中心抽取对应企业(个人)信用信息数据
S203:基于黑名单库进行反欺诈强规则拦截
S204:基于无监督机器学习方法建立企业异常行为检测模型,进行企业异常行为概率预判
S205:基于企业关系图谱建立企业社群欺诈模型,进行企业关联欺诈风险预判
S206:基于强规则、异常行为检测、社群欺诈模型建立反欺诈策略,对企业反欺诈风险进行综合判定
S207:系统自动反馈反欺诈识别结果。
如图5所示,内部信用评级和额度定价流程具体包括以下步骤:
S301:分辨反欺诈识别结果,反欺诈识别通过的借款人进入内部信用评级和额度定价
S302-S303:首先基于机器学习方法建立企业内部信用评级模型,然后基于逻辑回归方法转换成企业信用分及内部信用级别
S304:根据企业内部信用评级结果、企业反欺诈结果,并基于线下审批人员相结合获得相应信用调整系数,然后依据额度定价模型得出预授信额度
S305:系统自动反馈企业预授信额度。
以上所述仅为本发明的较佳实施例,仅用于说明本发明的技术方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种基于大数据的信贷业务智能风控审批系统,其特征在于,
包括:风控场景配置模块、风控模型、数据中心、风控决策引擎、风控结果、风控报告,其中
风控场景配置模块,用于根据不同服务业务场景,配置不同的风控规则,以及风控指标的生成和管理,通过风控指标可视化配置页面,根据风控应用场景和目的,进行指标海选、指标加工、指标入库、业务评估,最终确定风控规则,融合一种以上种风控规则形成风控模型;
风控模型,包括准入模型、反欺诈模型、信用评分模型、额度定价模型;
数据中心,用于数据标准化,包括ETL治理、数据融合和质量评估;
风控决策引擎,根据风控模型风控规则获取风控决策判定所需要的用户数据,通过用户的值与预设的风控指标值进行自动化比较,判定决策结果;
风控结果,展示反馈风控决策引擎的决策结果,包括准入结果、反欺诈结果、信用评价结果、预授信额度;
风控报告,展示风控决策相关数据和指标,包括经营指标、财务指标、偿债指标、盈利指标、现金流、稳定性。
2.根据权利要求1所述的系统,其特征在于,
通过1)合规审核、2)反欺诈识别、3)内部信用评级、4)额度定价四个子模块,实现风控智能审批流程,其中:
1)合规审核:
建立准入政策库和准入指标库;
针对准入指标进行层次划分,针对政策库确定准入规则;
基于存量企业信息库和实时获取的企业借款人、企业信息进行信息校验、交叉验证;
根据准入规则对企业准入情况进行判断;
2)反欺诈识别:
建立反欺诈策略+模型+规则的模式;
基于黑名单库进行反欺诈强规则拦截;
基于无监督机器学习方法建立企业异常行为检测模型;
基于企业关系图谱建立企业社群欺诈模型;
基于强规则、异常行为检测、社群欺诈模型建立反欺诈方法;
对企业反欺诈风险进行综合判定;
3)内部信用评级:
基于机器学习方法建立企业内部信用评级模型;
基于逻辑回归方法转换成企业信用分及内部信用级别;
4)额度定价:
根据企业内部信用评级结果、企业反欺诈结果,并基于线下审批人员相结合获得相应信用调整系数;
依据额度定价模型得出预授信额度。
3.一种基于大数据的信贷业务智能风控审批方法,其特征在于,包括如下步骤:
1)风控指标配置,生成风控规则,根据不同金融服务业务场景,配置不同的风控规则,以及风控指标的生成和管理,通过风控指标可视化配置页面,根据风控应用场景和目的,进行指标海选、指标加工、指标入库、业务评估,最终确定风控规则;
2)融合风控规则,生成风控模型,融合一种以上风控规则形成风控模型,模型包括:准入模型、反欺诈模型、信用评分模型、额度定价模型;
3)风控决策引擎判定,根据风控模型风控规则获取风控决策判定所需要的用户数据,通过用户的值与预设的风控指标值进行自动化比较,判定决策结果;
4)风控结果反馈:展示反馈风控决策引擎的决策结果,包括准入结果、反欺诈结果、信用评价结果、预授信额度;
5)风控报告展示风控决策相关数据和指标,包括经营指标、财务指标、偿债指标、盈利指标、现金流、稳定性。
4.根据权利要求3所述的方法,其特征在于,
实现流程如下:
1)合规审核:根据准入规则对企业(个人)准入情况进行判断;
2)反欺诈识别:通过反欺诈策略+模型+规则的识别方式对企业反欺诈风险进行综合判定;
3)内部信用评级:建立企业内部信用评级模型,出具企业信用分及内部信用级别;
4)额度定价:根据企业内部信用评级结果、企业反欺诈结果,并基于线下审批人员相结合获得相应信用调整系数,依据额度定价模型得出预授信额度。
5.根据权利4所述的方法,其特征在于,
其中合规审核,包括:
准入政策库,根据政策库筛选形成政策合规指标,可进行相应地查询、修改;
准入规则集,根据不同业务场景的定位要求形成准入规则集,可提供管理人员进行规则调整;
准入指标库,根据海选指标库筛选形成层次化的准入指标库,可进行相应地查询、修改;
准入策略引擎:包括对应企业(个人)数据抽取、借款人信息核对、借款人信息交叉验证、准入规则策略判断。
6.根据权利4所述的方法,其特征在于,
包括以下步骤:
S101:借款人进行企业(个人)信用信息查询使用授权;
S102:在数据中心抽取对应企业(个人)信用信息数据;
S103:进行借款人信息核对;
S104:进行借款人信息交叉验证;
S105:根据准入规则对借款人准入情况进行判断;
S106:系统自动反馈准入结果。
7.根据权利5所述的方法,其特征在于,
其中反欺诈识别,包括:
借款人实时信息校验比对:获取线上借款人实时数据,对借款人实时数据进行校验比对;
反欺诈强规则拦截:基于反欺诈强规则判断欺诈借款人进行拦截;
异常行为预判:基于无监督机器学习方法建立借款人异常行为检测模型,进行借款人异常行为概率预判;
关联欺诈预判:基于借款人关系图谱建立社群欺诈模型,进行借款人关联欺诈风险预判;
反欺诈策略综合评估:基于强规则、异常行为检测、社群欺诈模型建立反欺诈策略,对借款人反欺诈风险进行综合判定。
8.根据权利7所述的方法,其特征在于,
包括以下步骤:
S201:分辨合规审核结果,准入通过借款人进入反欺诈识别;
S202:在数据中心抽取对应企业(个人)信用信息数据;
S203:基于黑名单库进行反欺诈强规则拦截;
S204:基于无监督机器学习方法建立企业异常行为检测模型,进行企业异常行为概率预判;
S205:基于企业关系图谱建立企业社群欺诈模型,进行企业关联欺诈风险预判;
S206:基于强规则、异常行为检测、社群欺诈模型建立反欺诈策略,对企业反欺诈风险进行综合判定;
S207:系统自动反馈反欺诈识别结果。
9.根据权利7所述的方法,其特征在于,
其中内部信用评级和额度定价,包括:
对应借款人数据抽取:根据借款人信息从数据库抽取借款人数据字段;
入模指标加工:加工借款人抽取数据形成指标;
风险评估:基于机器学习方法建立内部信用评级模型,预判借款人信用风险概率;
信用等级划分:根据借款人信用风险概率计算企业信用等级;
预授信测算:根据企业内部信用评级结果、企业反欺诈结果,并基于线下审批人员相结合获得相应信用调整系数,然后依据额度定价模型得出预授信额度。
10.根据权利9所述的方法,其特征在于,
包括以下步骤:
S301:分辨反欺诈识别结果,反欺诈识别通过的借款人进入内部信用评级和额度定价;
S302-S303:首先基于机器学习方法建立企业内部信用评级模型,然后基于逻辑回归方法转换成企业信用分及内部信用级别;
S304:根据企业内部信用评级结果、企业反欺诈结果,并基于线下审批相结合获得相应信用调整系数,然后依据额度定价模型得出预授信额度;
S305:系统自动反馈企业预授信额度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210881987.7A CN115271912A (zh) | 2022-07-26 | 2022-07-26 | 一种基于大数据的信贷业务智能风控审批系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210881987.7A CN115271912A (zh) | 2022-07-26 | 2022-07-26 | 一种基于大数据的信贷业务智能风控审批系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115271912A true CN115271912A (zh) | 2022-11-01 |
Family
ID=83770561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210881987.7A Pending CN115271912A (zh) | 2022-07-26 | 2022-07-26 | 一种基于大数据的信贷业务智能风控审批系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115271912A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907835A (zh) * | 2022-12-30 | 2023-04-04 | 深度(山东)数字科技集团有限公司 | 一种基于商业汇票信息的大数据风控及辅助决策分析方法 |
CN116800792A (zh) * | 2023-06-25 | 2023-09-22 | 福建润楼数字科技有限公司 | 多合作方的智能路由平台系统搭建方法 |
CN116862661A (zh) * | 2023-07-20 | 2023-10-10 | 苏银凯基消费金融有限公司 | 基于消费金融场景的数字信用审批与风险监测系统 |
CN117455417A (zh) * | 2023-12-22 | 2024-01-26 | 深圳刷宝科技有限公司 | 一种智能风控审批策略自动迭代优化方法及系统 |
-
2022
- 2022-07-26 CN CN202210881987.7A patent/CN115271912A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907835A (zh) * | 2022-12-30 | 2023-04-04 | 深度(山东)数字科技集团有限公司 | 一种基于商业汇票信息的大数据风控及辅助决策分析方法 |
CN116800792A (zh) * | 2023-06-25 | 2023-09-22 | 福建润楼数字科技有限公司 | 多合作方的智能路由平台系统搭建方法 |
CN116862661A (zh) * | 2023-07-20 | 2023-10-10 | 苏银凯基消费金融有限公司 | 基于消费金融场景的数字信用审批与风险监测系统 |
CN116862661B (zh) * | 2023-07-20 | 2024-04-26 | 苏银凯基消费金融有限公司 | 基于消费金融场景的数字信用审批与风险监测系统 |
CN117455417A (zh) * | 2023-12-22 | 2024-01-26 | 深圳刷宝科技有限公司 | 一种智能风控审批策略自动迭代优化方法及系统 |
CN117455417B (zh) * | 2023-12-22 | 2024-04-09 | 深圳刷宝科技有限公司 | 一种智能风控审批策略自动迭代优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bracke et al. | Machine learning explainability in finance: an application to default risk analysis | |
Sadok et al. | Artificial intelligence and bank credit analysis: A review | |
CN115271912A (zh) | 一种基于大数据的信贷业务智能风控审批系统及方法 | |
Dimitras et al. | Evaluation of empirical attributes for credit risk forecasting from numerical data | |
Wang | Credit risk management of consumer finance based on big data | |
CN113919931A (zh) | 一种贷款申请评分模型的使用效果评估方法及系统 | |
Wagdi et al. | The integration of big data and artificial neural networks for enhancing credit risk scoring in emerging markets: Evidence from Egypt | |
AU2020101902A4 (en) | Framework for business intelligence adoption in banks for performance enhancement | |
CN115564591A (zh) | 一种融资产品的确定方法及相关设备 | |
CN114708090A (zh) | 基于大数据的银行支付业务风险识别装置 | |
Liu et al. | Risk assessment and regulation algorithm for financial technology platforms in smart city | |
CN113919937A (zh) | 一种基于贷款评估风控的ks监控系统 | |
KR20220074327A (ko) | 인공지능을 이용한 가계대출 사기/부실 상시감사지원시스템 | |
CN113393315A (zh) | 一种基于电力供应链数据的贷款客户推荐方法及系统 | |
Dhaigude et al. | Impact of artificial intelligence on credit scores in lending process | |
Lin et al. | Research on Credit Big Data Algorithm Based on Logistic Regression | |
Sulastri et al. | The elements of the Peer-to-peer (P2P) lending system: A Systematic Literature Review | |
Sadatrasoul | Matrix Sequential Hybrid Credit Scorecard Based on Logistic Regression and Clustering | |
Ndegwa et al. | Effect of Deposit Mobilization on Financial Perfomance of Deposit Taking Micro Finance Institutions in Nairobi Central Business District, Kenya | |
Kumar et al. | Data Mining in Credit Scoring and Future Application | |
Sadatrasoul et al. | Investigating Revenue Smoothing Thresholds That Affect Bank Credit Scoring Models: An Iranian Bank Case Study | |
Nguyen et al. | Applying appropriate models to predict bankruptcy for Vietnamese listed construction companies | |
Gautam | Applications of AI and Machine Learning in Banking Solutions. | |
D'Amato et al. | Linear discriminant analysis and logistic regression for default probability prediction: the case of an Italian local bank | |
Zhang et al. | Risk assessment of financial loan based on fuzzy cluster 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 |