CN115601133A - 金融信贷风控规则的生成方法、装置、设备及存储介质 - Google Patents
金融信贷风控规则的生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115601133A CN115601133A CN202211237266.9A CN202211237266A CN115601133A CN 115601133 A CN115601133 A CN 115601133A CN 202211237266 A CN202211237266 A CN 202211237266A CN 115601133 A CN115601133 A CN 115601133A
- Authority
- CN
- China
- Prior art keywords
- rule set
- rule
- target
- variable
- preset
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及金融技术领域,公开了一种金融信贷风控规则的生成方法、装置、设备及存储介质,所述方法包括:对金融产品的基本面向要素进行单变量分析;根据锚定单变量增量提升度对目标单一指标规则集进行筛选;通过预设逐步筛选策略对多指标规则集进行重复预处理,在处理后的多指标规则集的整体拒绝率大于预设拒绝率时,根据目标增量提升度顺序对处理后的多指标规则集进行删除;在目标规则集的整体拒绝率小于或等于预设拒绝率时,根据目标规则集生成金融信贷风控规则;通过上述方式,根据锚定增量提升度和整体提升度反复迭代并生成金融信贷风控规则,从而能够生成高精准、低误杀的金融信贷风控规则,以及在提高产能的基础上有效降低金融信贷风险。
Description
技术领域
本发明涉及金融技术领域,尤其涉及金融信贷风控规则的生成方法、装置、设备及存储介质。
背景技术
随着互联网技术的不断发展,金融给人们的生活带来了翻天覆地的变化,尤其是在国家大力推行普惠金融政策下,大量的金融信贷产品应运而生,在金融信贷从生成到应用的过程中肯定是离不开审批,如果出现审批不合格的情况,会造成资源的浪费和购买金融产品的用户的体验感降低,因此,合理的审批就显得尤为重要,目前常用的金融产品的风险审批规则是基于专家经验确定的,但是专家经验的丰富程度和不同产品之间的差异程度,即不同专家对同一金融产品的审批结果都不相同,差异性较大,造成上述问题的原因为:
1、审批规则由专家经验总结而来,缺乏实际业务表现和数据支撑;
2、专家经验存在个体局限性,因此依据专家经验总结形成的规则也存在风险评价维度遗漏的可能性;
3、不同的金融信贷产品所面临的客群类型、分布以及信用状况的评价标准均有所不同,而风控规则在迁移过程中,对信贷风控规则的取舍和调整幅度完全依赖专家经验和判断,迁移风险较高;
最终造成金融信贷审批的风控规则的精准较低、误杀率较高,且大大降低了金融产品审批的产能。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种金融信贷风控规则的生成方法、装置、设备及存储介质,旨在解决现有技术用于金融信贷审批的风控规则的精准较低、误杀率较高以及无法有效提高产能的技术问题。
为实现上述目的,本发明提供了一种金融信贷风控规则的生成方法,所述金融信贷风控规则的生成方法包括以下步骤:
对金融产品的基本面向要素进行单变量分析,得到目标重要变量;
根据所述目标重要变量和预设变量取值范围生成目标单一指标规则集;
根据锚定单变量增量提升度对所述目标单一指标规则集进行筛选,得到多指标规则集;
通过预设逐步筛选策略对所述多指标规则集进行重复预处理,在处理后的多指标规则集的整体拒绝率大于预设拒绝率时,根据目标增量提升度顺序对所述处理后的多指标规则集进行删除,得到目标规则集;
在所述目标规则集的整体拒绝率小于或等于所述预设拒绝率时,根据所述目标规则集生成金融信贷风控规则。
可选地,所述单变量分析包括缺失率分析、稳定性分析、区分度分析、偏态分析、极值分析以及分位点分析;
对金融产品的基本面向要素进行单变量分析,得到目标重要变量,包括:
根据金融产品的基本面向要素得到待分析变量;
根据所述待分析变量得到总样本量和缺失样本量;
根据所述总样本量和缺失样本量计算出所述待分析变量的缺失率;
根据所述待分析变量得到实际变量占比和预期变量占比;
根据所述实际变量占比和预期变量占比计算出所述待分析变量的跨时跨区稳定性;
通过区分度分析策略根据所述待分析变量计算出对应的区分度;
通过偏态分析策略根据所述待分析变量计算出对应的变量偏度和变量峰度;
通过极值分析策略和分位点分析策略根据所述待分析变量分别计算出对应的变量极值和变量分位点;
根据所述缺失率、所述跨时跨区稳定性、所述区分度、所述变量偏度、所述变量峰度、所述变量极值以及所述变量分位点依次在所述待分析变量中筛选出目标重要变量。
可选地,所述根据目标重要变量和预设变量取值范围生成目标单一指标规则集,包括:
按照预设分类策略对所述目标重要变量进行分类,得到离散型重要变量和连续型重要变量;
在所述离散型重要变量的取值数量不超过预设变量取值范围的最大长度时,根据所述离散型重要变量获取对应的离散变量取值范围;
根据所述离散型变量取值范围生成单一指标规则;
在所述离散型重要变量的取值数量和所述连续型重要变量的取值数量超过预设变量取值范围的最大长度时,根据所述连续型重要变量获取对应的连续变量取值范围;
根据所述离散变量取值范围和连续变量取值范围生成单一指标规则;
获取被所述单一指标规则拒绝的坏样本、拒绝的样本、总体坏样本以及总样本;
按照预设提升度计算策略对所述被所述单一指标规则拒绝的坏样本、拒绝的样本、总体坏样本以及总样本进行计算,得到当前规则提升度;
按照预设拒绝率计算策略对所述样本和总样本进行计算,得到当前规则拒绝率;
在所述当前规则提升度小于预设锚定提升度或所述当前规则拒绝率大于预设锚定拒绝率时,对所述当前规则提升度对应的单一指标规则和所述当前规则拒绝率对应的单一指标规则进行筛选;
根据筛选后的单一指标规则生成目标单一指标规则集。
可选地,所述根据锚定单变量增量提升度对所述目标单一指标规则集进行筛选,得到多指标规则集,包括:
对所述目标单一指标规则集进行遍历,得到各个属于同一变量生成的单一指标规则;
按照目标阈值对所述各个属于同一变量生成的单一指标规则进行单调排序;
根据被排序后的单一指标规则中的相邻规则拒绝的坏样本、拒绝的样本、总体坏样本以及总样本计算出各个单一指标规则对应的增量提升度;
在所述各个单一指标规则对应的增量提升度小于锚定单变量增量提升度时,对所述单一指标规则进行筛选,得到基于同一变量的单一指标规则;
按照上述方式继续得到其他基于同一变量的单一指标规则;
将所述基于同一变量的单一指标规则和其他基于同一变量的单一指标规则进行合并,得到多指标规则集。
可选地,所述通过预设逐步筛选策略对所述多指标规则集进行重复预处理,在处理后的多指标规则集的整体拒绝率大于预设拒绝率时,根据目标增量提升度顺序对所述处理后的多指标规则集进行删除,得到目标规则集,包括:
按照预设提升度将所述多指标规则集分为基础规则集和候选规则集;
从所述候选规则集中移除第一候选规则,将所述第一候选规则添加至所述基础规则集;
根据所述添加后的基础规则集计算出其中各个规则的相对增量提升度;
在所述相对增量提升度小于锚定增量提升度时,对所述添加后的基础规则集进行筛选,得到筛选基础规则集;
分别计算出所述基础规则集和所述筛选基础规则集的基础整体规则提升度和筛选基础整体规则提升度;
根据所述基础整体规则提升度和所述筛选基础整体规则提升度确定最佳基础规则集;
从所述候选规则集中移除第二候选规则,并将所述第二候选规则添加至所述最佳基础规则集中,继续执行根据所述添加后的基础规则集计算出相对增量提升度的步骤;
重复执行上述步骤,通过预设逐步筛选策略从所述候选规则集中依次移除候选规则,直至所述候选规则集中的候选规则被全部移除,在执行完成后,所述最佳基础规则集即为处理后的多指标规则集;
通过预设拒绝率规则计算出多指标规则集的整体拒绝率;
在所述多指标规则集的整体拒绝率大于预设拒绝率时,通过目标增量提升度顺序依次对所述多指标规则集中的各个指标规则进行删除,得到目标规则集。
可选地,所述在目标规则集的整体拒绝率小于或等于所述预设拒绝率时,根据所述目标规则集生成金融信贷风控规则,包括:
获取被目标规则集拒绝的当前样本和当前总样本数;
根据所述当前样本和所述当前总样本数计算出所述目标规则集的整体拒绝率;
在所述目标规则集的整体拒绝率小于或等于所述预设拒绝率时,获取被所述目标规则集拒绝的当前坏样本和当前总体坏样本;
根据所述当前样本、所述当前总样本、所述当前坏样本以及所述当前总体坏样本计算出所述目标规则集的整体提升度;
在所述目标规则集的整体提升度大于预设提升度阈值时,根据所述目标规则集生成金融信贷风控规则。
可选地,所述在所述目标规则集的整体拒绝率小于或等于所述预设拒绝率时,根据所述目标规则集生成金融信贷风控规则之后,包括:
接收目标客户端发送的金融产品审核请求信息;
根据所述金融产品审核请求信息确定待审核金融产品;
按照所述待审核金融产品对应的金融信贷风控规则对申请客户进行审批,得到对应的金融信贷风控规则审批结果;
根据所述金融信贷风控规则审批结果及其他模型审批结果综合确定产品要素,并将所述产品要素返回至目标客户端,所述产品要素包括但不限于利率、额度以及期限。
此外,为实现上述目的,本发明还提出一种金融信贷风控规则的生成装置,所述金融信贷风控规则的生成装置包括:
变量分析模块,用于对金融产品的基本面向要素进行单变量分析,得到目标重要变量;
生成模块,用于根据所述目标重要变量和预设变量取值范围生成目标单一指标规则集;
筛选模块,用于根据锚定单变量增量提升度对所述目标单一指标规则集进行筛选,得到多指标规则集;
删除模块,用于通过预设逐步筛选策略对所述多指标规则集进行重复预处理,在处理后的多指标规则集的整体拒绝率大于预设拒绝率时,根据目标增量提升度顺序对所述处理后的多指标规则集进行删除,得到目标规则集;
判断模块,用于在所述目标规则集的整体拒绝率小于或等于所述预设拒绝率时,根据所述目标规则集生成金融信贷风控规则。
此外,为实现上述目的,本发明还提出一种金融信贷风控规则的生成设备,所述金融信贷风控规则的生成设备包括: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金融信贷风控规则的生成程序,所述金融信贷风控规则的生成程序配置为实现如上文所述的金融信贷风控规则的生成方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有金融信贷风控规则的生成程序,所述金融信贷风控规则的生成程序被处理器执行时实现如上文所述的金融信贷风控规则的生成方法的步骤。
本发明提出的金融信贷风控规则的生成方法,通过对金融产品的基本面向要素进行单变量分析,得到目标重要变量;根据所述目标重要变量和预设变量取值范围生成目标单一指标规则集;根据锚定单变量增量提升度对所述目标单一指标规则集进行筛选,得到多指标规则集;通过预设逐步筛选策略对所述多指标规则集进行重复预处理,在处理后的多指标规则集的整体拒绝率大于预设拒绝率时,根据目标增量提升度顺序对所述处理后的多指标规则集进行删除,得到目标规则集;在所述目标规则集的整体拒绝率小于或等于所述预设拒绝率时,根据所述目标规则集生成金融信贷风控规则;通过上述方式,根据锚定增量提升度和整体提升度反复迭代并生成金融信贷风控规则,从而能够生成高精准、低误杀的金融信贷风控规则,以及在提高产能的基础上有效降低金融信贷风险。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的金融信贷风控规则的生成设备的结构示意图;
图2为本发明金融信贷风控规则的生成方法第一实施例的流程示意图;
图3为本发明金融信贷风控规则的生成方法第二实施例的流程示意图;
图4为本发明金融信贷风控规则的生成装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的金融信贷风控规则的生成设备结构示意图。
如图1所示,该金融信贷风控规则的生成设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对金融信贷风控规则的生成设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及金融信贷风控规则的生成程序。
在图1所示的金融信贷风控规则的生成设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明金融信贷风控规则的生成设备中的处理器1001、存储器1005可以设置在金融信贷风控规则的生成设备中,所述金融信贷风控规则的生成设备通过处理器1001调用存储器1005中存储的金融信贷风控规则的生成程序,并执行本发明实施例提供的金融信贷风控规则的生成方法。
基于上述硬件结构,提出本发明金融信贷风控规则的生成方法实施例。
参照图2,图2为本发明金融信贷风控规则的生成方法第一实施例的流程示意图。
在第一实施例中,所述金融信贷风控规则的生成方法包括以下步骤:
步骤S10,对金融产品的基本面向要素进行单变量分析,得到目标重要变量。
需要说明的是,本实施例的执行主体可为金融信贷风控规则的生成设备,还可为其他可实现相同或相似功能的设备,例如金融信贷控制器,本实施例对此不作限制,在本实施例中,以金融信贷控制器为例进行说明。
应当理解的是,金融产品指的是专家审核通过或者用户已经购买过的金融相关产品,该金融产品可以为多种类和多数量,基本面向要素指的是金融产品面向对象的所有要素,包括但不限于客群、额度、利率、期限以及资金用途等,目标重要变量指的是基本面向要素中最为重要的变量,该目标重要变量可以为多个,具体基本面向要素的单变量分析结果筛选出目标重要变量。
进一步地,所述单变量分析包括缺失率分析、稳定性分析、区分度分析、偏态分析、极值分析以及分位点分析,步骤S10,包括:根据金融产品的基本面向要素得到待分析变量;根据所述待分析变量得到总样本量和缺失样本量;根据所述总样本量和缺失样本量计算出所述待分析变量的缺失率;根据所述待分析变量得到实际变量占比和预期变量占比;根据所述实际变量占比和预期变量占比计算出所述待分析变量的跨时跨区稳定性;通过区分度分析策略根据所述待分析变量计算出对应的区分度;通过偏态分析策略根据所述待分析变量计算出对应的变量偏度和变量峰度;通过极值分析策略和分位点分析策略根据所述待分析变量分别计算出对应的变量极值和变量分位点;根据所述缺失率、所述跨时跨区稳定性、所述区分度、所述变量偏度、所述变量峰度、所述变量极值以及所述变量分位点依次在所述待分析变量中筛选出目标重要变量。
可以理解的是,在得到基本面向要素后,根据基本面向要素得到待分析变量,此时需要从多个维度对待分析变量进行单变量分析,该单变量分析包括缺失率分析、稳定性分析、区分度分析、偏态分析、极值分析以及分位点分析,上述分析可以采用并行方式进行,即同时对待分析变量进行分析,缺失样本量指的是待分析变量缺失的样本量,然后根据总样本量和缺失样本量计算缺失率,具体为缺失率=缺失样本量/总样本量,在缺失率大于预设缺失率阈值时,对缺失率对应的变量从待分析变量中筛除,该预设缺失率阈值可以根据金融产品的信贷业务类型灵活调整,通过缺失率筛选变量的优点是生成高效率的金融信贷风控规则,然后根据时间或者地区对待分析变量进行分组,然后根据分组的实际变量占比和预期变量占比计算跨时跨区稳定性,具体为跨时跨区稳定性PSI=sum((实际变量占比-预期变量占比)*ln(实际变量占比/预期变量占比)),在跨时跨区稳定性小于预设稳定性阈值时,对跨时跨区稳定性对应的变量进行筛除,生成的金融信贷风控规则从地域角度来说,泛用性较高,从时间维度来说,衰退速度较慢,还需要计算出待分析变量的区分度,区分度是衡量单变量区分能力的重要指标,若待分析变量本身区分度就不高,生成的金融信贷风控规则区分度也不会很高,通过区分度对待分析变量进行筛选,可以剔除一些表现不明显的待分析变量,加快算法运行速度,该区分度包括AUC数值、IV数值以及KS数值,AUC数值指的是ROC曲线下与坐标轴围成的面积,ROC曲线的横坐标是伪阳性率,纵坐标是真阳性率,IV数值是通过好客户占比和坏客户占比得到,例如,将待分析变量分为x组,设第i个分组中坏客户占所有坏客户占比为pi1,当前分组中好客户占所有好客户占比为pi2,此时IV值=sum((pi1-pi2)*ln(pi1/pi2)),在区分度小于预设区分度阈值时,对区分度对应的变量进行筛除。
应当理解的是,变量偏度指的是统计待分析变量分布偏斜方向和程度的度量,该变量偏度是样本的三阶标准化矩,变量峰度指的是统计概率密度分布曲线在平均值处峰值高低的待分析变量特征,该变量峰度是样本的四阶标准化矩,在变量偏度小于预设偏度阈值、变量峰度小于预设峰度阈值时,将变量偏度和变量峰度对应的变量进行筛除,通过上述筛除条件,可以剔除一些分布明显有违常理的待分析变量,变量极值指的是对待分析变量计算出的极端值,例如,待分析变量的四分之一分位点为Q1,四分之三分位点为Q3,则四分位距(InterQuartile Range,IQR) = Q3 - Q1,则高于Q3 + IQR或低于Q1 - IQR的值被认为是极端值,变量分位点指的是待分析变量的集中度,例如,待分析变量的1%分位点值等于90%分位点值或10%分位点值等于99%分位点值,则认为待分析变量的集中度超过90%,若集中度阈值为80%,则剔除该待分析变量,在筛选完成后,即得到目标重要变量。
步骤S20,根据所述目标重要变量和预设变量取值范围生成目标单一指标规则集。
应当理解的是,目标单一指标规则指的是由各个单一指标规则构成的集合,而各个单一指标规则是根据目标重要变量和预设变量取值范围生成,例如,目标重要变量为x,预设变量取值范围为[0,1,2,3,4,5],此时生成的单一指标规则可以为x>0、x>1、x>2、x>3、x>4以及x>5,也可以为x<0、x<1、x<2、x<3、x<4以及x<5,具体是通过目标重要变量的业务逻辑确定。
进一步地,步骤S20,包括:按照预设分类策略对所述目标重要变量进行分类,得到离散型重要变量和连续型重要变量;在所述离散型重要变量的取值数量不超过预设变量取值范围的最大长度时,根据所述离散型重要变量获取对应的离散变量取值范围;根据所述离散型变量取值范围生成单一指标规则;在所述离散型重要变量的取值数量和所述连续型重要变量的取值数量超过预设变量取值范围的最大长度时,根据所述连续型重要变量获取对应的连续变量取值范围;根据所述离散变量取值范围和连续变量取值范围生成单一指标规则;获取被所述单一指标规则拒绝的坏样本、拒绝的样本、总体坏样本以及总样本;按照预设提升度计算策略对所述被所述单一指标规则拒绝的坏样本、拒绝的样本、总体坏样本以及总样本进行计算,得到当前规则提升度;按照预设拒绝率计算策略对所述样本和总样本进行计算,得到当前规则拒绝率;在所述当前规则提升度小于预设锚定提升度或所述当前规则拒绝率大于预设锚定拒绝率时,对所述当前规则提升度对应的单一指标规和所述当前规则拒绝率对应的单一指标规则则进行筛选;根据筛选后的单一指标规则生成目标单一指标规则集。
可以理解的是,预设分类策略指的是对多个变量进行分类的策略,通过预设分类策略将目标重要变量分为离散型重要变量和连续型重要变量,然后根据离散变量取值范围和连续变量取值范围生成单一指标规则,例如,对取值不超过m个的离散型变量,以离散型重要变量的每个取值作为离散变量取值范围并生成单一指标规则,对取值超过m个的离散型变量及连续型变量,以离散型变量及连续型变量取值的m分位点为连续变量取值范围并生成单一指标规则,例如,连续型重要变量的取值范围为[0,+∞],五分位点分别是4,10,20,40以及100,则生成的单一指标规则为y>4,y>10,y>20,y>40以及y>100或y<4,y<10,y<20,y<40以及y<100,具体是通过目标重要变量的业务逻辑确定。
应当理解的是,在生成单一指标规则后,分别计算出单一指标规则的当前规则提升度和当前规则拒绝率,具体是当前规则提升度=(单一指标规则拒绝的坏样本/样本)/(总体坏样本/总样本),例如,样本集共100个样本,其中20个为坏样本,单一指标规则拒绝了40个样本,样本中包含10个坏样本,则当前规则提升度=(10/40)/(20/100)=1.25,当前规则拒绝率=(被单一指标规则拒绝的样本/总样本),例如,单一指标规则拒绝了40个样本,样本集共100个样本,则当前规则拒绝率=40/100 = 40%,在得到当前规则提升度和当前规则拒绝率后,分别通过预设锚定提升度和预设锚定拒绝率对单一指标规则进行筛选,具体是将当前规则提升度小于预设锚定提升度或当前规则拒绝率大于预设锚定拒绝率对应的单一指标规则筛除,在筛选完成后,根据筛选后的单一指标规则生成目标单一指标规则集。
步骤S30,根据锚定单变量增量提升度对所述目标单一指标规则集进行筛选,得到多指标规则集。
应当理解的是,锚定单变量增量提升度指的是锚定的单变量增量提升度,在得到目标单一指标规则集后,通过锚定单变量增量提升度对目标单一指标规则集进行筛选,得到多指标规则集。
进一步地,步骤S30,包括:对所述目标单一指标规则集进行遍历,得到各个属于同一变量生成的单一指标规则;按照目标阈值对所述各个属于同一变量生成的单一指标规则进行单调排序;根据被排序后的单一指标规则中的相邻规则拒绝的坏样本、拒绝的样本、总体坏样本以及总样本计算出多个增量提升度;在所述各个单一指标规则对应的增量提升度小于锚定单变量增量提升度时,对所述单一指标规则进行筛选,得到基于同一变量的单一指标规则;按照上述方式继续得到其他基于同一变量的单一指标规则;将所述基于同一变量的单一指标规则和其他基于同一变量的单一指标规则进行合并,得到多指标规则集。
可以理解的是,遍历出目标单一指标规则集中的各个属于同一变量生成的单一指标规则,即同一目标变量针对不同的阈值可以生成多个单一指标规则,例如,同一变量生成的单一指标规则有aX1、aX2、……、aXN,然后按照目标阈值对属于同一变量生成的单一指标规则进行单调排序,该单调排序可以为单调递增排序,也可以为单调递减排序,然后根据排序后的单一指标规则中的相邻规则拒绝的坏样本、拒绝的样本、总体坏样本以及总样本计算出多个增量提升度,例如,aX2相较于aX1的增量提升度,aXN相较于aX(N-1)的增量提升度,例如,单一指标规则集中的各个单一指标规则对应的单个变量为x和y,单个变量x和y对应的规则分别为x>0,x>2,x>4和y<5,y<10和y<14,此时属于同一变量x生成的单一指标规则为x>0,x>2,x>4,例如,样本集共100个样本,其中20个为坏样本,若单一指标规则x>4拒绝了40个样本,样本中包含10个坏样本,则增量提升度=(10/40)/(20/100)=1.25,若单一指标规则x>2拒绝了60个样本,样本中包含20个坏样本,则增量提升度 = [(20-10)/(60-40)]/(20/100) = 2.5,然后继续计算变量y对应规则的增量提升度,在得到多个增量提升度后,将多个增量提升度小于锚定单变量增量提升度对应的单一指标规则进行筛选,得到多指标规则集,例如,锚定单变量增量提升度为1.5,此时除x>0外,其余五条规则x>2,x>4,y<5,y<10和y<14均满足条件,则多指标规则集包含x>2,x>4,y<5,y<10和y<14这五条单一指标规则。
步骤S40,通过预设逐步筛选策略对所述多指标规则集进行重复预处理,在处理后的多指标规则集的整体拒绝率大于预设拒绝率时,根据目标增量提升度顺序对所述处理后的多指标规则集进行删除,得到目标规则集。
应当理解的是,在得到多指标规则集后,将多指标规则集划分为基础规则集和候选规则集,然后采用预设逐步筛选策略不断重复将候选规则集中排除的规则添加至基础规则集,再进行增量提升度的计算、规则筛选、最优基础规则集选择的预处理操作,即得到处理后的多指标规则集,目标增量提升度顺序指的是增量提升度由低至高的顺序,在得到多指标规则集后,计算出多指标规则集的整体拒绝率,然后判断整体拒绝率是否大于预设拒绝率,若是,则按照目标增量提升度顺序依次对多指标规则集中的各个指标规则进行删除,直至整体拒绝率符合模型设计要求,以得到目标规则集。
进一步地,步骤S40,包括:按照预设提升度将所述多指标规则集分为基础规则集和候选规则集;从所述候选规则集中移除第一候选规则,将所述第一候选规则添加至所述基础规则集;根据所述添加后的基础规则集计算出其中各个规则的相对增量提升度;在所述相对增量提升度小于锚定增量提升度时,对所述添加后的基础规则集进行筛选,得到筛选基础规则集;分别计算出所述基础规则集和所述筛选基础规则集的基础整体规则提升度和筛选基础整体规则提升度;根据所述基础整体规则提升度和所述筛选基础整体规则提升度确定最佳基础规则集;从所述候选规则集中移除第二候选规则,并将所述第二候选规则添加至所述最佳基础规则集中,继续执行根据所述添加后的基础规则集计算出相对增量提升度的步骤;重复执行上述步骤,直至所述候选规则集中的候选规则被全部移除,在执行完成后,所述最佳基础规则集即为处理后的多指标规则集;通过预设拒绝率规则计算出多指标规则集的整体拒绝率;在所述多指标规则集的整体拒绝率大于预设拒绝率时,通过目标增量提升度顺序依次对所述多指标规则集中的各个指标规则进行删除,得到目标规则集。
可以理解的是,在得到多指标规则集后,通过预设提升度将多指标规则集划分为基础规则集和候选规则集,预设提升度指的是多指标规则集中各个指标规则的提升度中最低的一个,具体是将最低提升度对应的指标规则作为基础规则集,然后剩下的指标规则作为候选规则集,例如,多指标规则集中指标规则x>2的提升度最小,具体为2,则选择指标规则x>2作为基础规则集,此时候选规则集包含x>4,y<5,y<10和y<14四条指标规则,在得到基础规则集和候选规则集后,通过逐步筛选(stepwise)策略将候选规则集中的各个规则依次添加至基础规则集并筛选出筛选基础规则集,具体是从候选规则集中选取第一候选规则,并将第一候选规则添加至基础规则集中,然后计算出其中各个规则的相对增量提升度,该相对增量提升度指的是添加后的基础规则集中的指标规则相对于其他指标规则整体的增量提升度,例如,候选规则集为D,从D中选取的第一候选规则为y<5,基础规则集为C,首先将y<5加入至C,得到添加后的基础规则集C’,此时添加后的基础规则集C’含有的指标规则为x>2和y<5,然后分别计算x>2相对于y<5的增量提升度和y<5相对于x>2的增量提升度,然后在相对增量提升度小于锚定增量提升度,对添加后的基础规则集C’进行筛选,例如,x>2相对于y<5的增量提升度为1.7,y<5相对于x>2的增量提升度为2.1,且锚定增量提升度为1.5,此时指标规则x>2和y<5均满足条件,即筛选基础规则集包括x>2和y<5,若x>2相对于y<5的增量提升度为1,y<5相对于x>2的增量提升度为2.1,且锚定增量提升度为1.5,此时指标规则x>2不满足条件,即筛选基础规则集只包括y<5。
应当理解的是,分别计算出基础整体规则提升度和筛选基础整体规则提升度,再将基础整体规则提升度和筛选基础整体规则提升度进行比较,保留其中较大者为基础规则集,例如,基础整体规则提升度大于筛选基础整体规则提升度,将基础整体规则提升度对应的基础规则集作为基础规则集,然后再从候选规则集中选取第二候选规则,并将第二候选规则添加至最佳基础规则集中,并按照同样的步骤进行计算完成后,所述最佳基础规则集即为多指标规则集,然后在所述多指标规则集的整体拒绝率大于预设拒绝率时,通过目标增量提升度顺序依次对处理后的多指标规则集中的各个指标规则进行删除,得到目标规则集。
步骤S50,在所述目标规则集的整体拒绝率小于或等于所述预设拒绝率时,根据所述目标规则集生成金融信贷风控规则。
应当理解的是,在得到目标规则集后,需要计算出目标规则集的整体拒绝率,然后判断目标规则集的整体拒绝率小于或者等于预设拒绝率时,表明目标规则集中的各个指标规则是合格的,然后根据目标规则集生成金融信贷风控规则。
进一步地,步骤S50,包括:获取被目标规则集拒绝的当前样本和当前总样本数;根据所述当前样本和所述当前总样本数计算出所述目标规则集的整体拒绝率;在所述目标规则集的整体拒绝率小于或等于所述预设拒绝率时,获取被所述目标规则集拒绝的当前坏样本和当前总体坏样本;根据所述当前样本、所述当前总样本、所述当前坏样本以及所述当前总体坏样本计算出所述目标规则集的整体提升度;在所述目标规则集的整体提升度大于预设提升度阈值时,根据所述目标规则集生成金融信贷风控规则。
可以理解的是,在得到目标规则集后,根据被目标规则集拒绝的当前样本和当前总样本数计算出整体拒绝率,以及根据被目标规则集拒绝的当前坏样本和当前总体坏样本计算出整体提升度,在整体拒绝率小于或等于预设拒绝率时,判断整体提升度是否大于预设提升度阈值,若是,则根据目标规则集生成金融信贷风控规则。
本实施例通过对金融产品的基本面向要素进行单变量分析,得到目标重要变量;根据所述目标重要变量和预设变量取值范围生成目标单一指标规则集;根据锚定单变量增量提升度对所述目标单一指标规则集进行筛选,得到多指标规则集;通过预设逐步筛选策略对所述多指标规则集进行重复预处理,在处理后的多指标规则集的整体拒绝率大于预设拒绝率时,根据目标增量提升度顺序对所述处理后的多指标规则集进行删除,得到目标规则集;在所述目标规则集的整体拒绝率小于或等于所述预设拒绝率时,根据所述目标规则集生成金融信贷风控规则;通过上述方式,根据锚定增量提升度和整体提升度反复迭代并生成金融信贷风控规则,从而能够生成高精准、低误杀的金融信贷风控规则,以及在提高产能的基础上有效降低金融信贷风险。
在一实施例中,如图3所述,基于第一实施例提出本发明金融信贷风控规则的生成方法第二实施例,所述步骤S50之后,还包括:
步骤S601,接收目标客户端发送的金融产品审核请求信息。
应当理解的是,目标客户端指的是发送金融产品审核请求信息的客户端,该目标客户端所使用的对象可以为制造金融产品的项目经理,也可以为负责金融产品管理的项目申报员,具体是使用对象通过目标客户端向金融信贷控制器发送金融产品审核请求信息。
步骤S602,根据所述金融产品审核请求信息确定待审核金融产品。
可以理解的是,待审核金融产品指的是需要通过生成的金融信贷风控规则进行审核的金融产品,在接收到金融产品审核请求信息后,提取金融产品审核请求信息的标识信息,然后根据标识信息确定对应的解析策略,通过解析策略从金融产品审核请求信息中解析出待审核金融产品。
步骤S603,按照所述待审核金融产品对应的金融信贷风控规则对申请客户进行审批,得到对应的金融信贷风控规则审批结果。
应当理解的是,在确定待审核金融产品后,确定与该待审核金融产品相对应的金融信贷风控规则,然后基于该金融信贷风控规则对申请客户进行审批,在审批完成后,得到对应的金融信贷风控规则审批结果。
步骤S604,根据所述金融信贷风控规则审批结果及其他模型审批结果综合确定产品要素,并将所述产品要素返回至目标客户端,所述产品要素包括但不限于利率、额度以及期限。
可以理解的是,在得到金融信贷风控规则审批结果后,获取其他模型审批结果,然后将金融信贷风控规则审批结果和其他模型审批结果进行综合分析,以确定出产品要素,然后将产品要素返回至目标客户端进行显示,该产品要素包括但不限于利率、额度以及期限。
本实施例通过接收目标客户端发送的金融产品审核请求信息;根据所述金融产品审核请求信息确定待审核金融产品;按照所述待审核金融产品对应的金融信贷风控规则对申请客户进行审批,得到对应的金融信贷风控规则审批结果;根据所述金融信贷风控规则审批结果及其他模型审批结果综合确定产品要素,并将所述产品要素返回至目标客户端,所述产品要素包括但不限于利率、额度以及期限;通过上述方式,在接收到目标客户端发送的金融产品审核请求信息,对金融产品审核请求信息进行解析,以确定待审核金融产品,然后通过金融信贷风控规则对申请用户进行审批,然后根据金融信贷风控规则审批结果和其他模型审批结果确定相适应的产品要素,从而能够审批出与申请客户最契合的产品要素,进而有效降低金融信贷风险。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有金融信贷风控规则的生成程序,所述金融信贷风控规则的生成程序被处理器执行时实现如上文所述的金融信贷风控规则的生成方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
此外,参照图4,本发明实施例还提出一种金融信贷风控规则的生成装置,所述金融信贷风控规则的生成装置包括:
变量分析模块10,用于对金融产品的基本面向要素进行单变量分析,得到目标重要变量。
生成模块20,用于根据所述目标重要变量和预设变量取值范围生成目标单一指标规则集。
筛选模块30,用于根据锚定单变量增量提升度对所述目标单一指标规则集进行筛选,得到多指标规则集。
删除模块40,用于通过预设逐步筛选策略对所述多指标规则集进行重复预处理,在处理后的多指标规则集的整体拒绝率大于预设拒绝率时,根据目标增量提升度顺序对所述处理后的多指标规则集进行删除,得到目标规则集。
判断模块50,用于在所述目标规则集的整体拒绝率小于或等于所述预设拒绝率时,根据所述目标规则集生成金融信贷风控规则。
本实施例通过对金融产品的基本面向要素进行单变量分析,得到目标重要变量;根据所述目标重要变量和预设变量取值范围生成目标单一指标规则集;根据锚定单变量增量提升度对所述目标单一指标规则集进行筛选,得到多指标规则集;通过预设逐步筛选策略对所述多指标规则集进行重复预处理,在处理后的多指标规则集的整体拒绝率大于预设拒绝率时,根据目标增量提升度顺序对所述处理后的多指标规则集进行删除,得到目标规则集;在所述目标规则集的整体拒绝率小于或等于所述预设拒绝率时,根据所述目标规则集生成金融信贷风控规则;通过上述方式,根据锚定增量提升度和整体提升度反复迭代并生成金融信贷风控规则,从而能够生成高精准、低误杀的金融信贷风控规则,以及在提高产能的基础上有效降低金融信贷风险。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的金融信贷风控规则的生成方法,此处不再赘述。
在一实施例中,所述变量分析模块10,还用于所述单变量分析包括缺失率分析、稳定性分析、区分度分析、偏态分析、极值分析以及分位点分析;根据金融产品的基本面向要素得到待分析变量;根据所述待分析变量得到总样本量和缺失样本量;根据所述总样本量和缺失样本量计算出所述待分析变量的缺失率;根据所述待分析变量得到实际变量占比和预期变量占比;根据所述实际变量占比和预期变量占比计算出所述待分析变量的跨时跨区稳定性;通过区分度分析策略根据所述待分析变量计算出对应的区分度;通过偏态分析策略根据所述待分析变量计算出对应的变量偏度和变量峰度;通过极值分析策略和分位点分析策略根据所述待分析变量分别计算出对应的变量极值和变量分位点;根据所述缺失率、所述跨时跨区稳定性、所述区分度、所述变量偏度、所述变量峰度、所述变量极值以及所述变量分位点依次在所述待分析变量中筛选出目标重要变量。
在一实施例中,所述生成模块20,还用于按照预设分类策略对所述目标重要变量进行分类,得到离散型重要变量和连续型重要变量;在所述离散型重要变量的取值数量不超过预设变量取值范围的最大长度时,根据所述离散型重要变量获取对应的离散变量取值范围;根据所述离散型变量取值范围生成单一指标规则;在所述离散型重要变量的取值数量和所述连续型重要变量的取值数量超过预设变量取值范围的最大长度时,根据所述连续型重要变量获取对应的连续变量取值范围;根据所述离散变量取值范围和连续变量取值范围生成单一指标规则;获取被所述单一指标规则拒绝的坏样本、拒绝的样本、总体坏样本以及总样本;按照预设提升度计算策略对所述被所述单一指标规则拒绝的坏样本、拒绝的样本、总体坏样本以及总样本进行计算,得到当前规则提升度;按照预设拒绝率计算策略对所述样本和总样本进行计算,得到当前规则拒绝率;在所述当前规则提升度小于预设锚定提升度或所述当前规则拒绝率大于预设锚定拒绝率时,对所述当前规则提升度对应的单一指标规则和所述当前规则拒绝率对应的单一指标规则进行筛选;根据筛选后的单一指标规则生成目标单一指标规则集。
在一实施例中,所述筛选模块30,还用于对所述目标单一指标规则集进行遍历,得到各个属于同一变量生成的单一指标规则;按照目标阈值对所述各个属于同一变量生成的单一指标规则进行单调排序;根据被排序后的单一指标规则中的相邻规则拒绝的坏样本、拒绝的样本、总体坏样本以及总样本计算出各个单一指标规则对应的增量提升度;在所述各个单一指标规则对应的增量提升度小于锚定单变量增量提升度时,对所述多个增量提升度对应的单一指标规则进行筛选,得到基于同一变量的单一指标规则;按照上述方式继续得到其他基于同一变量的单一指标规则;将所述基于同一变量的单一指标规则和其他基于同一变量的单一指标规则进行合并,得到多指标规则集。
在一实施例中,所述删除模块40,还用于按照预设提升度将所述多指标规则集分为基础规则集和候选规则集;从所述候选规则集中移除第一候选规则,将所述第一候选规则添加至所述基础规则集;根据所述添加后的基础规则集计算出其中各个规则的相对增量提升度;在所述相对增量提升度小于锚定增量提升度时,对所述添加后的基础规则集进行筛选,得到筛选基础规则集;分别计算出所述基础规则集和所述筛选基础规则集的基础整体规则提升度和筛选基础整体规则提升度;根据所述基础整体规则提升度和所述筛选基础整体规则提升度确定最佳基础规则集;从所述候选规则集中移除第二候选规则,并将所述第二候选规则添加至所述最佳基础规则集中,继续执行根据所述添加后的基础规则集计算出相对增量提升度的步骤;重复执行上述步骤,通过预设逐步筛选策略从所述候选规则集中依次移除候选规则,直至所述候选规则集中的候选规则被全部移除,在执行完成后,所述最佳基础规则集即为处理后的多指标规则集;通过预设拒绝率规则计算出多指标规则集的整体拒绝率;在所述多指标规则集的整体拒绝率大于预设拒绝率时,通过目标增量提升度顺序依次对所述多指标规则集中的各个指标规则进行删除,得到目标规则集。
在一实施例中,所述判断模块50,还用于获取被目标规则集拒绝的当前样本和当前总样本数;根据所述当前样本和所述当前总样本数计算出所述目标规则集的整体拒绝率;在所述目标规则集的整体拒绝率小于或等于所述预设拒绝率时,获取被所述目标规则集拒绝的当前坏样本和当前总体坏样本;根据所述当前样本、所述当前总样本、所述当前坏样本以及所述当前总体坏样本计算出所述目标规则集的整体提升度;在所述目标规则集的整体提升度大于预设提升度阈值时,根据所述目标规则集生成金融信贷风控规则。
在一实施例中,所述判断模块50,还用于接收目标客户端发送的金融产品审核请求信息;根据所述金融产品审核请求信息确定待审核金融产品;按照所述待审核金融产品对应的金融信贷风控规则对申请客户进行审批,得到对应的金融信贷风控规则审批结果;根据所述金融信贷风控规则审批结果及其他模型审批结果综合确定产品要素,并将所述产品要素返回至目标客户端,所述产品要素包括但不限于利率、额度以及期限。
本发明所述金融信贷风控规则的生成装置的其他实施例或具有实现方法可参照上述各方法实施例,此处不再赘余。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
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上述实施例方法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,但很多情况下前者是更佳的实施方式。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(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,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的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种金融信贷风控规则的生成方法,其特征在于,所述金融信贷风控规则的生成方法包括以下步骤:
对金融产品的基本面向要素进行单变量分析,得到目标重要变量;
根据所述目标重要变量和预设变量取值范围生成目标单一指标规则集;
根据锚定单变量增量提升度对所述目标单一指标规则集进行筛选,得到多指标规则集;
通过预设逐步筛选策略对所述多指标规则集进行重复预处理,在处理后的多指标规则集的整体拒绝率大于预设拒绝率时,根据目标增量提升度顺序对所述处理后的多指标规则集进行删除,得到目标规则集;
在所述目标规则集的整体拒绝率小于或等于所述预设拒绝率时,根据所述目标规则集生成金融信贷风控规则。
2.如权利要求1所述的金融信贷风控规则的生成方法,其特征在于,所述单变量分析包括缺失率分析、稳定性分析、区分度分析、偏态分析、极值分析以及分位点分析;
对金融产品的基本面向要素进行单变量分析,得到目标重要变量,包括:
根据金融产品的基本面向要素得到待分析变量;
根据所述待分析变量得到总样本量和缺失样本量;
根据所述总样本量和缺失样本量计算出所述待分析变量的缺失率;
根据所述待分析变量得到实际变量占比和预期变量占比;
根据所述实际变量占比和预期变量占比计算出所述待分析变量的跨时跨区稳定性;
通过区分度分析策略根据所述待分析变量计算出对应的区分度;
通过偏态分析策略根据所述待分析变量计算出对应的变量偏度和变量峰度;
通过极值分析策略和分位点分析策略根据所述待分析变量分别计算出对应的变量极值和变量分位点;
根据所述缺失率、所述跨时跨区稳定性、所述区分度、所述变量偏度、所述变量峰度、所述变量极值以及所述变量分位点依次在所述待分析变量中筛选出目标重要变量。
3.如权利要求1所述的金融信贷风控规则的生成方法,其特征在于,所述根据目标重要变量和预设变量取值范围生成目标单一指标规则集,包括:
按照预设分类策略对所述目标重要变量进行分类,得到离散型重要变量和连续型重要变量;
在所述离散型重要变量的取值数量不超过预设变量取值范围的最大长度时,根据所述离散型重要变量获取对应的离散变量取值范围;
根据所述离散型变量取值范围生成单一指标规则;
在所述离散型重要变量的取值数量和所述连续型重要变量的取值数量超过预设变量取值范围的最大长度时,根据所述连续型重要变量获取对应的连续变量取值范围;
根据所述离散变量取值范围和连续变量取值范围生成单一指标规则;
获取被所述单一指标规则拒绝的坏样本、拒绝的样本、总体坏样本以及总样本;
按照预设提升度计算策略对所述被所述单一指标规则拒绝的坏样本、拒绝的样本、总体坏样本以及总样本进行计算,得到当前规则提升度;
按照预设拒绝率计算策略对所述样本和总样本进行计算,得到当前规则拒绝率;
在所述当前规则提升度小于预设锚定提升度或所述当前规则拒绝率大于预设锚定拒绝率时,对所述当前规则提升度对应的单一指标规则和所述当前规则拒绝率对应的单一指标规则进行筛选;
根据筛选后的单一指标规则生成目标单一指标规则集。
4.如权利要求1所述的金融信贷风控规则的生成方法,其特征在于,所述根据锚定单变量增量提升度对所述目标单一指标规则集进行筛选,得到多指标规则集,包括:
对所述目标单一指标规则集进行遍历,得到各个属于同一变量生成的单一指标规则;
按照目标阈值对所述各个属于同一变量生成的单一指标规则进行单调排序;
根据被排序后的单一指标规则中的相邻规则拒绝的坏样本、拒绝的样本、总体坏样本以及总样本计算出各个单一指标规则对应的增量提升度;
在所述各个单一指标规则对应的增量提升度小于锚定单变量增量提升度时,对所述单一指标规则进行筛选,得到基于同一变量的单一指标规则;
按照上述方式继续得到其他基于同一变量的单一指标规则;
将所述基于同一变量的单一指标规则和其他基于同一变量的单一指标规则进行合并,得到多指标规则集。
5.如权利要求1所述的金融信贷风控规则的生成方法,其特征在于,所述通过预设逐步筛选策略对所述多指标规则集进行重复预处理,在处理后的多指标规则集的整体拒绝率大于预设拒绝率时,根据目标增量提升度顺序对所述处理后的多指标规则集进行删除,得到目标规则集,包括:
按照预设提升度将所述多指标规则集分为基础规则集和候选规则集;
从所述候选规则集中移除第一候选规则,将所述第一候选规则添加至所述基础规则集;
根据所述添加后的基础规则集计算出其中各个规则的相对增量提升度;
在所述相对增量提升度小于锚定增量提升度时,对所述添加后的基础规则集进行筛选,得到筛选基础规则集;
分别计算出所述基础规则集和所述筛选基础规则集的基础整体规则提升度和筛选基础整体规则提升度;
根据所述基础整体规则提升度和所述筛选基础整体规则提升度确定最佳基础规则集;
从所述候选规则集中移除第二候选规则,并将所述第二候选规则添加至所述最佳基础规则集中,继续执行根据所述添加后的基础规则集计算出相对增量提升度的步骤;
重复执行上述步骤,通过预设逐步筛选策略从所述候选规则集中依次移除候选规则,直至所述候选规则集中的候选规则被全部移除,在执行完成后,所述最佳基础规则集即为处理后的多指标规则集;
通过预设拒绝率规则计算出多指标规则集的整体拒绝率;
在所述多指标规则集的整体拒绝率大于预设拒绝率时,通过目标增量提升度顺序依次对所述多指标规则集中的各个指标规则进行删除,得到目标规则集。
6.如权利要求1所述的金融信贷风控规则的生成方法,其特征在于,所述在目标规则集的整体拒绝率小于或等于所述预设拒绝率时,根据所述目标规则集生成金融信贷风控规则,包括:
获取被目标规则集拒绝的当前样本和当前总样本数;
根据所述当前样本和所述当前总样本数计算出所述目标规则集的整体拒绝率;
在所述目标规则集的整体拒绝率小于或等于所述预设拒绝率时,获取被所述目标规则集拒绝的当前坏样本和当前总体坏样本;
根据所述当前样本、所述当前总样本、所述当前坏样本以及所述当前总体坏样本计算出所述目标规则集的整体提升度;
在所述目标规则集的整体提升度大于预设提升度阈值时,根据所述目标规则集生成金融信贷风控规则。
7.如权利要求1至6中任一项所述的金融信贷风控规则的生成方法,其特征在于,所述在所述目标规则集的整体拒绝率小于或等于所述预设拒绝率时,根据所述目标规则集生成金融信贷风控规则之后,包括:
接收目标客户端发送的金融产品审核请求信息;
根据所述金融产品审核请求信息确定待审核金融产品;
按照所述待审核金融产品对应的金融信贷风控规则对申请客户进行审批,得到对应的金融信贷风控规则审批结果;
根据所述金融信贷风控规则审批结果及其他模型审批结果综合确定产品要素,并将所述产品要素返回至目标客户端,所述产品要素包括但不限于利率、额度以及期限。
8.一种金融信贷风控规则的生成装置,其特征在于,所述金融信贷风控规则的生成装置包括:
变量分析模块,用于对金融产品的基本面向要素进行单变量分析,得到目标重要变量;
生成模块,用于根据所述目标重要变量和预设变量取值范围生成目标单一指标规则集;
筛选模块,用于根据锚定单变量增量提升度对所述目标单一指标规则集进行筛选,得到多指标规则集;
删除模块,用于通过预设逐步筛选策略对所述多指标规则集进行重复预处理,在处理后的多指标规则集的整体拒绝率大于预设拒绝率时,根据目标增量提升度顺序对所述处理后的多指标规则集进行删除,得到目标规则集;
判断模块,用于在所述目标规则集的整体拒绝率小于或等于所述预设拒绝率时,根据所述目标规则集生成金融信贷风控规则。
9.一种金融信贷风控规则的生成设备,其特征在于,所述金融信贷风控规则的生成设备包括: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金融信贷风控规则的生成程序,所述金融信贷风控规则的生成程序配置有实现如权利要求1至7中任一项所述的金融信贷风控规则的生成方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有金融信贷风控规则的生成程序,所述金融信贷风控规则的生成程序被处理器执行时实现如权利要求1至7中任一项所述的金融信贷风控规则的生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211237266.9A CN115601133A (zh) | 2022-10-10 | 2022-10-10 | 金融信贷风控规则的生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211237266.9A CN115601133A (zh) | 2022-10-10 | 2022-10-10 | 金融信贷风控规则的生成方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115601133A true CN115601133A (zh) | 2023-01-13 |
Family
ID=84846574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211237266.9A Pending CN115601133A (zh) | 2022-10-10 | 2022-10-10 | 金融信贷风控规则的生成方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115601133A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681532A (zh) * | 2023-08-03 | 2023-09-01 | 云账户技术(天津)有限公司 | 风控规则的确定方法、装置、电子设备及存储介质 |
CN117078403A (zh) * | 2023-10-18 | 2023-11-17 | 杭银消费金融股份有限公司 | 一种基于规则组合优化的风控决策方法与系统 |
CN117196823A (zh) * | 2023-09-08 | 2023-12-08 | 厦门国际银行股份有限公司 | 一种风控规则生成方法、系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389123A (zh) * | 2018-02-12 | 2018-08-10 | 中科柏诚科技(北京)股份有限公司 | 一种互联网联合贷款系统及方法 |
CN109509080A (zh) * | 2018-10-12 | 2019-03-22 | 深圳壹账通智能科技有限公司 | 供应链金融业务处理方法、装置、计算机设备及存储介质 |
CN110796544A (zh) * | 2019-10-10 | 2020-02-14 | 中国建设银行股份有限公司 | 资产管理风控引擎的配置方法及装置 |
US20200175519A1 (en) * | 2015-07-10 | 2020-06-04 | Valid Systems, Llc | Instant funds availability risk assessment system and method |
CN112634025A (zh) * | 2020-12-29 | 2021-04-09 | 平安消费金融有限公司 | 风控规则生成方法、装置、设备及计算机可读存储介质 |
-
2022
- 2022-10-10 CN CN202211237266.9A patent/CN115601133A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200175519A1 (en) * | 2015-07-10 | 2020-06-04 | Valid Systems, Llc | Instant funds availability risk assessment system and method |
CN108389123A (zh) * | 2018-02-12 | 2018-08-10 | 中科柏诚科技(北京)股份有限公司 | 一种互联网联合贷款系统及方法 |
CN109509080A (zh) * | 2018-10-12 | 2019-03-22 | 深圳壹账通智能科技有限公司 | 供应链金融业务处理方法、装置、计算机设备及存储介质 |
CN110796544A (zh) * | 2019-10-10 | 2020-02-14 | 中国建设银行股份有限公司 | 资产管理风控引擎的配置方法及装置 |
CN112634025A (zh) * | 2020-12-29 | 2021-04-09 | 平安消费金融有限公司 | 风控规则生成方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
中国金融监管制度优化设计研究课题组编著: "中国金融监管制度优化设计研究 基于金融宏观审慎监管框架的构建与完善", 北京:机械工业出版社, pages: 160 - 162 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681532A (zh) * | 2023-08-03 | 2023-09-01 | 云账户技术(天津)有限公司 | 风控规则的确定方法、装置、电子设备及存储介质 |
CN116681532B (zh) * | 2023-08-03 | 2023-11-07 | 云账户技术(天津)有限公司 | 风控规则的确定方法、装置、电子设备及存储介质 |
CN117196823A (zh) * | 2023-09-08 | 2023-12-08 | 厦门国际银行股份有限公司 | 一种风控规则生成方法、系统及存储介质 |
CN117196823B (zh) * | 2023-09-08 | 2024-03-19 | 厦门国际银行股份有限公司 | 一种风控规则生成方法、系统及存储介质 |
CN117078403A (zh) * | 2023-10-18 | 2023-11-17 | 杭银消费金融股份有限公司 | 一种基于规则组合优化的风控决策方法与系统 |
CN117078403B (zh) * | 2023-10-18 | 2024-01-12 | 杭银消费金融股份有限公司 | 一种基于规则组合优化的风控决策方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115601133A (zh) | 金融信贷风控规则的生成方法、装置、设备及存储介质 | |
CN110009479B (zh) | 信用评价方法及装置、存储介质、计算机设备 | |
Li et al. | Robust next release problem: handling uncertainty during optimization | |
CN111160473A (zh) | 一种分类标签的特征挖掘方法及装置 | |
CN111754044A (zh) | 员工行为审计方法、装置、设备及可读存储介质 | |
CN110930038A (zh) | 一种贷款需求识别方法、装置、终端及存储介质 | |
CN114219242A (zh) | 车辆装备的效能评估方法及效能评估体系构建系统 | |
CN113205403A (zh) | 一种企业信用等级的计算方法、装置、存储介质及终端 | |
CN113537807A (zh) | 一种企业智慧风控方法及设备 | |
CN114782123A (zh) | 一种信用评估方法及系统 | |
CN114004691A (zh) | 基于融合算法的额度评分方法、装置、设备及存储介质 | |
CN110955774B (zh) | 基于词频分布的文字分类方法、装置、设备及介质 | |
CN112633414A (zh) | 特征选择优化方法、设备和可读存储介质 | |
CN115952426B (zh) | 基于随机采样的分布式噪音数据聚类方法及用户分类方法 | |
CN116050664B (zh) | 一种垃圾产量预测方法、系统、电子设备和可读存储介质 | |
US20220091818A1 (en) | Data feature processing method and data feature processing apparatus | |
CN111160929B (zh) | 一种客户类型的确定方法及装置 | |
CN115630708A (zh) | 一种模型更新方法、装置、电子设备、存储介质及产品 | |
CN114418018A (zh) | 模型性能评估方法、装置、设备与存储介质 | |
CN114266643A (zh) | 基于融合算法的企业挖掘方法、装置、设备及存储介质 | |
CN101620701A (zh) | 基于层次法的kpi分析在电信行业收入保障系统中的应用 | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN114387089A (zh) | 客户信用风险评估方法、装置、设备及存储介质 | |
CN113987240A (zh) | 一种基于知识图谱的海关检样溯源方法及系统 | |
CN112529418A (zh) | 一种基于物元可拓评价模型的配电网投资效益评价方法 |
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 |