CN115983981A - 一种基于金融数据分析的信用风险评估系统 - Google Patents
一种基于金融数据分析的信用风险评估系统 Download PDFInfo
- Publication number
- CN115983981A CN115983981A CN202310014714.7A CN202310014714A CN115983981A CN 115983981 A CN115983981 A CN 115983981A CN 202310014714 A CN202310014714 A CN 202310014714A CN 115983981 A CN115983981 A CN 115983981A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- data
- credit
- 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.)
- Granted
Links
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于金融数据分析的信用风险评估系统,具体涉及风险评估技术领域,包括信息丰富度评估模块、基础评估模型构建模块、个性评估模型生成模块、实时监测预警模块,所述信息丰富度评估模块用于评估用户信息丰富程度是否满足基础评估模型要求;所述基础评估模型构建模块用于获得评估用户信用风险的基础评估模型;所述个性评估模型生成模块通过调用与待定用户相似的用户人群信用数据,生成用于评估信用的个性评估模型;所述实时预警监测模块通过采集用户违约实时数据,进行风险标记,当用户的风险标记数量触发预设值后,利用高斯混合模型获得违约用户的关键特征,基础评估模型根据关键特征改变对应指标的权重。
Description
技术领域
本发明涉及风险评估技术领域,更具体地说,本发明涉及一种基于金融数据分析的信用风险评估系统。
背景技术
信用风险评估是指贷款机构利用专家判断或数学模型,结合借款者所提供的财务状况、经营状况、历史还款情况等各类相关信息,对借款者如期足额偿还债务本息的能力和意愿进行评价,并按照其违约概率的大小以等级或分数的形式给出评估结论的行为。
近年来随着我国经济的发展和人们对美好生活的向往,超前消费理念的传播使得国内的消费信贷业务发展迅速,各类消费金融机构在开展业务时,都需要对贷款申请人进行风险评估,降低呆账、坏账发生的可能性。
传统金融借贷机构的贷款审批通过用户的征信报告,借助美国的个人信用评分系统构建打分卡模型,但该信用评估模型存在以下问题:1、信用评估维度单一,评估结果缺乏全面性,重在评估申请人违约风险而忽视了申请人的还款能力与消费能力;2、现有的信用风险评估系统缺少对不同情况的分级监控,缺少对用户信用风险的动态监测预警。
现有的信用风险评估系统导致信用评估不全面,不能根据实时数据及时预测当下风险,因此提供一种能够从多角度评估用户的信用风险,并且实时监测用户信用值,从而实行对金融市场信用风险的动态监测预警具有重要的现实意义。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供一种基于金融数据分析的信用风险评估系统,通过采集历史数据构建关于用户信用的基础评估模型,通过基础评估模型评估用户的信用状况,通过个性评估模型判断信息丰富度不足、信用结果待定用户的信用,通过实时监测预警模块获得近期违约用户的关键特征,根据关键风险特征调整基础评估模型的权重系数实现对金融市场信用风险的动态监测预警,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于金融数据分析的信用风险评估系统,包括数据采集模块、信息丰富度评估模块、基础评估模型构建模块、个性评估模型生成模块、实时监测预警模块、信用评分展示模块,所述数据采集模块用于采集用户历史金融信息和用户实时违约信息,将采集历史金融信息传输至基础评估模型构建模块,将用户实时违约信息传输至实时监测预警模块,采集信息主题包括用户的基础信息、贷款信息、偿付能力、历史信贷、历史申请5个方面;所述信息丰富度评估模块用于评估用户信息丰富程度是否满足基础评估模型要求,若满足则进入基础评估模型,若不满足则标记为待定用户Ⅰ;所述基础评估模型构建模块用于获得评估用户信用风险的基础评估模型,将用户信息输入模型中得到评估结果和待定用户Ⅱ;所述个性评估模型生成模块通过调用与待定用户相似的用户人群信用数据,生成用于评估信用的个性评估模型,将待定用户信息输入个性评估模型得到评估结果;所述实时预警监测模块通过采集用户违约实时数据,进行风险标记,当用户的风险标记数量触发预设值后,利用高斯混合模型获得违约用户的关键特征,将关键特征反馈至基础评估模型,基础评估模型根据关键特征改变对应指标的权重;所述信用评分模块用于动态展示基础评估模型和个性评估模型输出的用户信用评分。
在一个优选地实施方式中,所述信息丰富度用Fi的数值表示,i表示用户,通过用户在整个时间段t内在不同信息主题间的信息熵与最大信息熵的比值度量,Fi的取值范围为0至1,当F越接近1时,信息丰富度越高;反之,信息丰富度越低,信息丰富度计算公式为其中Hi代表用户信息的信息熵,表示用户信息熵的平均值或预设值,p(iz)表示用户i在信息主题z的概率,p(it)表示用户i信息覆盖时间段t占平均时长的比例,S代表用户i的信息主题个数,当Fi的值不满足要求时,将该用户标记为待定用户Ⅰ。
在一个优选地实施方式中,所述基础评估模型构建模块基于改进的神经网络模型和历史金融借贷大数据形成,包括数据的筛选、数据分组、主成分分析、权重计算、数据特征成像、模型改进,包括下列步骤:
步骤S01、数据筛选与分组:金融数据样本包括正常履约样本和异常履约样本,通过数据清洗、标准化处理去除数据中的异常数据,再基于聚类算法将数据划分为N1个指标特征;
步骤S02、主成分分析与权重计算:所述主成分分析用于分析N1个指标特征,通过提取能够代替多个特征的变量作为主成分,得到N2个主成分指标变量,所述权重计算用于计算N2个指标变量的权重大小;
步骤S03、特征信息重构与划分:完成主成分分析和权重计算后,利用MATLAB工具按照变量所反映的特征信息的5个不同方面进行重构,得到包含权重信息的特征矩阵集,其中对违约产生作用的数据记为“-”,将特征矩阵集划分为训练集和测试集;
步骤S04、数据特征成像:将步骤S02得到训练集,将特征矩阵转化为像素点,将N个指标变量分局,形成n×n的指标特征矩阵,不足的像素区域用0替代,所述n和N满足公式n2>N>(n+1)2,将特征变量转化为对应灰度图的亮度值,形成灰度图像数据集;
步骤S05、模型训练:基于改进的yolo-5神经网络模型,初始化参数,然后将训练集输入模型中,得到特征矩阵对应图像的亮度值,根据图像亮度值预测用户的违约发生概率,将预测结果与现实情况进行对比,得到满足模型的参数;
步骤S06、模型测试:将步骤S04得到的参数输入改进后的神经网络模型,用测试集进行测试,得到基础评估模型的灵敏度、特异度和查准率。
在一个优选地实施方式中,所述yolo-5神经网络模型的改进方式为:在全连接层中增加Dropout层,并将阈值设为0.5;将yolo-5神经网络的输出层修改为3个神经元,通过分类器进行分类,用0表示正常用户、用1表示违约用户、用0.5表示待定用户Ⅱ。
在一个优选地实施方式中,所述个性评估模型生成模块通过下列步骤得到个性评估模型:
步骤S11、收集用户标签:基于基础评估模型构建模块中的指标特征,搜集用户的基本属性信息、金融资产结构、历史风险属性、个人忠诚度、个人交易行为、个人渠道偏好进行划分,得到用户标签;
步骤S12、丰富用户特征:筛选收集的标签得到缺失值,用数据缺失值填充算法对缺失值进行填充,完善用户特征;
步骤S13、行为指标提取:除提取用户的基础信息、贷款信息、偿付能力、历史信贷、历史申请信息,还提取用户活跃度、正向信用频数、负向信用频数,得到特征矩阵集;
步骤S14、数据特征成像:将特征矩阵转化为像素点,形成灰度图像数据集;
步骤S15、输入模型:将灰度图像数据集输入基础评估模型,得到用户信用风险评分。
在一个优选地实施方式中,所述数据缺失值填充算法基于循环神经算法得到,先通过增量扩充数据集中违约行为,然后使用最近邻的样本的均值来填充数据集当中的缺失值,最后通过基于循环神经进行更新和重置得到填充后的数据。
在一个优选地实施方式中,所述实时监测预警模块包括下列步骤:
步骤S21、实时违约数据采集:采集用户违约行为,调用违约用户信息,得到风险用户集;
步骤S22、数据分析:分析风险用户集,得到与违约行为有关的指标特征,通过高斯混合模型获得违约用户的聚类个数,获得关键特征通过权重分析得到主要指标特征,根据指标特征对风险标记;
步骤S23、关键风险特征的计算:通过高斯混合模型求得风险用户的聚类个数,获得关键风险特征;
步骤S24、数据反馈:将关键风险特征反馈给基础评估模型。
在一个优选地实施方式中,所述关键风险特征通过下列步骤得到,先初始化k个多元高斯分布的参数μ和ε,设每个混合元素具有各自的对角矩阵;然后遍历所有样本点,计算样本点属于第j个高斯分布的概率;再进行高斯参数的收敛;最后利用高斯参数,遍历所有样本,将样本归于概率最大的一类,得到风险用户的聚类个数,从每个聚类中提取若干个关键特征,最后得到关键风险特征。
在一个优选地实施方式中,所述基础评估模型得到反馈的关键风险特征后,先与主成分指标变量进行匹配,当匹配度满足预设值时,提高该主成分指标变量的权重,权重增量为常数或自身倍数。
本发明的技术效果和优点:
(1)本发明提供的一种基于金融数据分析的信用风险评估系统,从多角度评价个人信用风险,使债权人能够根据借款人动态评分变化趋势等全面的实时信息做出贷款抉择,减少贷款损失。
(2)本发明提供的一种基于金融数据分析的信用风险评估系统,通过个性评估模型判断信息丰富度不足、信用结果待定用户的信用,通过实时监测预警模块获得近期违约用户的关键特征,根据关键风险特征调整基础评估模型的权重系数实现对金融市场信用风险的动态监测预警。
附图说明
图1为本发明的系统结构框图。
图2为本发明基础评估模型构建流程图。
图3为本发明个性评估模型构建流程图。
具体实施方式
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,所描述的实施例仅仅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。
本申请使用的“模块”、“系统”等术语旨在包括与计算机相关的实体,例如但不限于硬件、固件、软硬件组合、软件或者执行中的软件。例如,模块可以是,但并不仅限于:处理器上运行的进程、处理器、对象、可执行程序、执行的线程、程序和/或计算机。举例来说,计算设备上运行的应用程序和此计算设备都可以是模块。一个或多个模块可以位于执行中的一个进程和/或线程内,一个模块也可以位于一台计算机上和/或分布于两台或更多台计算机之间。
实施例1
本实施例提供了如图1所示一种基于金融数据分析的信用风险评估系统,包括数据采集模块、基础评估模型构建模块、个性评估模型生成模块、实时监测预警模块、信用评分展示模块,所述数据采集模块用于采集借方用户金融数据样本,并将采集的信息传输至基础评估模型构建模块,采集信息包括用户的基础信息、贷款信息、偿付能力、历史信贷、历史申请5个方面;所述基础评估模型构建模块用于获得评估用户信用风险的基础评估模型,并根据基础评估模型产生结果选择性使用个性评估模型生成模型,评估目标包括用户的还款意愿和还款能力,评估结果包括正常用户、违约用户、待定用户,并将待定用户的信息传输至个性评估模型生成模块;所述个性评估模型生成模块通过调用与待定用户相似的用户人群信用数据,生成用于评估信用的个性评估模型;所述实时预警监测模块通过采集用户的违约实时数据,进行风险标记,当用户的风险标记数量触发预设值后,通过个性评估模型评估用户信用,并将得到信用评分结果将信用评分结果传输至信用评分展示模块;所述信用评分模块用于实现动态的个人信用评分功能,实时展示个人信用评分。
进一步的,所述信息丰富度用Fi的数值表示,i表示用户,通过用户在整个时间段t内在不同信息主题间的信息熵与最大信息熵的比值度量,Fi的取值范围为0至1,当F越接近1时,信息丰富度越高;反之,信息丰富度越低,信息丰富度计算公式为其中Hi代表用户信息的信息熵,表示用户信息熵的平均值或预设值,p(iz)表示用户i在信息主题z的概率,p(it)表示用户i信息覆盖时间段t占平均时长的比例,S代表用户i的信息主题个数,当Fi的值不满足要求时,将该用户标记为待定用户Ⅰ。
进一步的,如图2所示,所述基础评估模型构建模块基于改进的神经网络模型和历史金融借贷大数据形成,包括数据的筛选、数据分组、主成分分析、权重计算、数据特征成像、模型改进,包括下列步骤:
步骤S01、数据筛选与分组:金融数据样本包括正常履约样本和异常履约样本,通过数据清洗、标准化处理去除数据中的异常数据,再基于聚类算法将数据划分为N1个指标特征;
步骤S02、主成分分析与权重计算:所述主成分分析用于分析N1个指标特征,通过提取能够代替多个特征的变量作为主成分,得到N2个主成分指标变量,所述权重计算用于计算N2个指标变量的权重大小;
步骤S03、特征信息重构与划分:完成主成分分析和权重计算后,利用MATLAB工具按照变量所反映的特征信息的5个不同方面进行重构,得到包含权重信息的特征矩阵集,其中对违约产生作用的数据记为“-”,将特征矩阵集划分为训练集和测试集;
步骤S04、数据特征成像:将步骤S02得到训练集,将特征矩阵转化为像素点,将N个指标变量分局,形成n×n的指标特征矩阵,不足的像素区域用0替代,所述n和N满足公式n2>N>(n+1)2,将特征变量转化为对应灰度图的亮度值,形成灰度图像数据集;
步骤S05、模型训练:基于改进的yolo-5神经网络模型,初始化参数,然后将训练集输入模型中,得到特征矩阵对应图像的亮度值,根据图像亮度值预测用户的违约发生概率,将预测结果与现实情况进行对比,得到满足模型的参数;
步骤S06、模型测试:将步骤S04得到的参数输入改进后的神经网络模型,用测试集进行测试,得到基础评估模型的灵敏度、特异度和查准率。
进一步的,所述yolo-5神经网络模型的改进方式为:在全连接层中增加Dropout层,并将阈值设为0.5;将yolo-5神经网络的输出层修改为3个神经元,通过分类器进行分类,用0表示正常用户、用1表示违约用户、用0.5表示待定用户Ⅱ。
进一步的,所述指标特征用于计算Hi,即用户信息熵的平均值。
进一步的,如图3所示,所述个性评估模型生成模块通过下列步骤得到个性评估模型:
步骤S11、收集用户标签:基于基础评估模型构建模块中的指标特征,搜集用户的基本属性信息、金融资产结构、历史风险属性、个人忠诚度、个人交易行为、个人渠道偏好进行划分,得到用户标签;
步骤S12、丰富用户特征:筛选收集的标签得到缺失值,用数据缺失值填充算法对缺失值进行填充,完善用户特征;
步骤S13、行为指标提取:除提取用户的基础信息、贷款信息、偿付能力、历史信贷、历史申请信息,还提取用户活跃度、正向信用频数、负向信用频数,得到特征矩阵集;
步骤S14、数据特征成像:将特征矩阵转化为像素点,形成灰度图像数据集;
步骤S15、输入模型:将灰度图像数据集输入基础评估模型,得到用户信用风险评分。
进一步的,所述数据缺失值填充算法基于循环神经算法得到,先通过增量扩充数据集中违约行为,然后使用最近邻的样本的均值来填充数据集当中的缺失值,最后通过基于循环神经进行更新和重置得到填充后的数据。
进一步的,所述实时监测预警模块包括下列步骤:
步骤S21、实时违约数据采集:采集用户违约行为,调用违约用户信息,得到风险用户集;
步骤S22、数据分析:分析风险用户集,得到与违约行为有关的指标特征,通过高斯混合模型获得违约用户的聚类个数,获得关键特征通过权重分析得到主要指标特征,根据指标特征对风险标记;
步骤S23、关键风险特征的计算:通过高斯混合模型求得风险用户的聚类个数,获得关键风险特征;
步骤S24、数据反馈:将关键风险特征反馈给基础评估模型。
进一步的,所述关键风险特征通过下列步骤得到,先初始化k个多元高斯分布的参数μ和ε,设每个混合元素具有各自的对角矩阵;然后遍历所有样本点,计算样本点属于第j个高斯分布的概率;再进行高斯参数的收敛;最后利用高斯参数,遍历所有样本,将样本归于概率最大的一类,得到风险用户的聚类个数,从每个聚类中提取若干个关键特征,最后得到关键风险特征。
进一步的,所述基础评估模型得到反馈的关键风险特征后,先与主成分指标变量进行匹配,当匹配度满足预设值时,提高该主成分指标变量的权重,权重增量为常数或自身倍数。
综上所述:本发明提供的一种基于金融数据分析的信用风险评估系统,从多角度评价个人信用风险,使债权人能够根据借款人动态评分变化趋势等全面的实时信息做出贷款抉择,减少贷款损失,通过个性评估模型判断信息丰富度不足、信用结果待定用户的信用,通过实时监测预警模块获得近期违约用户的关键特征,根据关键风险特征调整基础评估模型的权重系数实现对金融市场信用风险的动态监测预警,解决了现有系统中存在的:信用评估维度单一、缺少对用户信用风险的动态监测预警的问题。
本发明实施例仅仅提供一种实施方式,而不是具体的限定本发明的保护范围。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于金融数据分析的信用风险评估系统,其特征在于:包括数据采集模块、信息丰富度评估模块、基础评估模型构建模块、个性评估模型生成模块、实时监测预警模块、信用评分展示模块,所述数据采集模块用于采集用户历史金融信息和用户实时违约信息,将采集历史金融信息传输至基础评估模型构建模块,将用户实时违约信息传输至实时监测预警模块;所述信息丰富度评估模块用于评估用户信息丰富程度是否满足基础评估模型要求,若满足则进入基础评估模型,若不满足则标记为待定用户Ⅰ;所述基础评估模型构建模块用于获得评估用户信用风险的基础评估模型,将用户信息输入模型中得到评估结果和待定用户Ⅱ;所述个性评估模型生成模块通过调用与待定用户相似的用户人群信用数据,生成用于评估信用的个性评估模型,将待定用户信息输入个性评估模型得到评估结果;所述实时预警监测模块通过采集用户违约实时数据,进行风险标记,当用户的风险标记数量触发预设值后,利用高斯混合模型获得违约用户的关键特征,将关键特征反馈至基础评估模型,基础评估模型根据关键特征改变对应指标的权重;所述信用评分模块用于动态展示基础评估模型和个性评估模型输出的用户信用评分。
3.根据权利要求1所述的一种基于金融数据分析的信用风险评估系统,其特征在于:所述基础评估模型构建模块基于改进的神经网络模型和历史金融借贷大数据形成,包括数据的筛选、数据分组、主成分分析、权重计算、数据特征成像、模型改进,包括下列步骤:
步骤S01、数据筛选与分组:金融数据样本包括正常履约样本和异常履约样本,通过数据清洗、标准化处理去除数据中的异常数据,再基于聚类算法将数据划分为N1个指标特征;
步骤S02、主成分分析与权重计算:所述主成分分析用于分析N1个指标特征,通过提取能够代替多个特征的变量作为主成分,得到N2个主成分指标变量,所述权重计算用于计算N2个指标变量的权重大小;
步骤S03、特征信息重构与划分:完成主成分分析和权重计算后,利用MATLAB工具按照变量所反映的特征信息的5个不同方面进行重构,得到包含权重信息的特征矩阵集,其中对违约产生作用的数据记为“-”,将特征矩阵集划分为训练集和测试集;
步骤S04、数据特征成像:将步骤S02得到训练集,将特征矩阵转化为像素点,将N个指标变量分局,形成n×n的指标特征矩阵,不足的像素区域用0替代,所述n和N满足公式n2>N>(n+1)2,将特征变量转化为对应灰度图的亮度值,形成灰度图像数据集;
步骤S05、模型训练:基于改进的yolo-5神经网络模型,初始化参数,然后将训练集输入模型中,得到特征矩阵对应图像的亮度值,根据图像亮度值预测用户的违约发生概率,将预测结果与现实情况进行对比,得到满足模型的参数;
步骤S06、模型测试:将步骤S04得到的参数输入改进后的神经网络模型,用测试集进行测试,得到基础评估模型的灵敏度、特异度和查准率。
4.根据权利要求1所述的一种基于金融数据分析的信用风险评估系统,其特征在于:所述yolo-5神经网络模型的改进方式为:在全连接层中增加Dropout层,并将阈值设为0.5;将yolo-5神经网络的输出层修改为3个神经元,通过分类器进行分类,用0表示正常用户、用1表示违约用户、用0.5表示待定用户Ⅱ。
6.根据权利要求1所述的一种基于金融数据分析的信用风险评估系统,其特征在于:所述个性评估模型生成模块通过下列步骤得到个性评估模型:
步骤S11、收集用户标签:基于基础评估模型构建模块中的指标特征,搜集用户的基本属性信息、金融资产结构、历史风险属性、个人忠诚度、个人交易行为、个人渠道偏好进行划分,得到用户标签;
步骤S12、丰富用户特征:筛选收集的标签得到缺失值,用数据缺失值填充算法对缺失值进行填充,完善用户特征;
步骤S13、行为指标提取:除提取用户的基础信息、贷款信息、偿付能力、历史信贷、历史申请信息,还提取用户活跃度、正向信用频数、负向信用频数,得到特征矩阵集;
步骤S14、数据特征成像:将特征矩阵转化为像素点,形成灰度图像数据集;
步骤S15、输入模型:将灰度图像数据集输入基础评估模型,得到用户信用风险评分。
7.根据权利要求6所述的一种基于金融数据分析的信用风险评估系统,其特征在于:所述数据缺失值填充算法基于循环神经算法得到,先通过增量扩充数据集中违约行为,然后使用最近邻的样本的均值来填充数据集当中的缺失值,最后通过基于循环神经进行更新和重置得到填充后的数据。
8.根据权利要求1所述的一种基于金融数据分析的信用风险评估系统,其特征在于:所述实时监测预警模块包括下列步骤:
步骤S21、实时违约数据采集:采集用户违约行为,调用违约用户信息,得到风险用户集;
步骤S22、数据分析:分析风险用户集,得到与违约行为有关的指标特征,通过高斯混合模型获得违约用户的聚类个数,获得关键特征通过权重分析得到主要指标特征,根据指标特征对风险标记;
步骤S23、关键风险特征的计算:通过高斯混合模型求得风险用户的聚类个数,获得关键风险特征;
步骤S24、数据反馈:将关键风险特征反馈给基础评估模型。
9.根据权利要求8所述的一种基于金融数据分析的信用风险评估系统,其特征在于:所述关键风险特征通过下列步骤得到,先初始化k个多元高斯分布的参数μ和ε,设每个混合元素具有各自的对角矩阵;然后遍历所有样本点,计算样本点属于第j个高斯分布的概率;再进行高斯参数的收敛;最后利用高斯参数,遍历所有样本,将样本归于概率最大的一类,得到风险用户的聚类个数,从每个聚类中提取若干个关键特征,最后得到关键风险特征。
10.根据权利要求8所述的一种基于金融数据分析的信用风险评估系统,其特征在于:所述基础评估模型得到反馈的关键风险特征后,先与主成分指标变量进行匹配,当匹配度满足预设值时,提高该主成分指标变量的权重,权重增量为常数或自身倍数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310014714.7A CN115983981B (zh) | 2023-01-04 | 2023-01-04 | 一种基于金融数据分析的信用风险评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310014714.7A CN115983981B (zh) | 2023-01-04 | 2023-01-04 | 一种基于金融数据分析的信用风险评估系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115983981A true CN115983981A (zh) | 2023-04-18 |
CN115983981B CN115983981B (zh) | 2023-08-22 |
Family
ID=85966560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310014714.7A Active CN115983981B (zh) | 2023-01-04 | 2023-01-04 | 一种基于金融数据分析的信用风险评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115983981B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117237123A (zh) * | 2023-11-15 | 2023-12-15 | 山东政信大数据科技有限责任公司 | 基于区块链的金融信用风险智能管控方法及系统 |
CN117808577A (zh) * | 2024-03-01 | 2024-04-02 | 杭银消费金融股份有限公司 | 一种基于多因子动态调节的授信处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110078073A1 (en) * | 2009-09-30 | 2011-03-31 | Suresh Kumar Annappindi | System and method for predicting consumer credit risk using income risk based credit score |
CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
CN111292181A (zh) * | 2020-03-11 | 2020-06-16 | 杭州首新网络科技有限公司 | 一种利于信用租赁的个人信用风险评估方法 |
CN112288571A (zh) * | 2020-11-24 | 2021-01-29 | 重庆邮电大学 | 一种基于快速构建邻域覆盖的个人信用风险评估方法 |
-
2023
- 2023-01-04 CN CN202310014714.7A patent/CN115983981B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110078073A1 (en) * | 2009-09-30 | 2011-03-31 | Suresh Kumar Annappindi | System and method for predicting consumer credit risk using income risk based credit score |
CN106897918A (zh) * | 2017-02-24 | 2017-06-27 | 上海易贷网金融信息服务有限公司 | 一种混合式机器学习信用评分模型构建方法 |
CN111292181A (zh) * | 2020-03-11 | 2020-06-16 | 杭州首新网络科技有限公司 | 一种利于信用租赁的个人信用风险评估方法 |
CN112288571A (zh) * | 2020-11-24 | 2021-01-29 | 重庆邮电大学 | 一种基于快速构建邻域覆盖的个人信用风险评估方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117237123A (zh) * | 2023-11-15 | 2023-12-15 | 山东政信大数据科技有限责任公司 | 基于区块链的金融信用风险智能管控方法及系统 |
CN117237123B (zh) * | 2023-11-15 | 2024-03-01 | 山东政信大数据科技有限责任公司 | 基于区块链的金融信用风险智能管控方法及系统 |
CN117808577A (zh) * | 2024-03-01 | 2024-04-02 | 杭银消费金融股份有限公司 | 一种基于多因子动态调节的授信处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115983981B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Olarewaju et al. | Intellectual capital and financial performance of South African development community’s general insurance companies | |
CN115983981B (zh) | 一种基于金融数据分析的信用风险评估系统 | |
Emel et al. | A credit scoring approach for the commercial banking sector | |
Engelmann et al. | The Basel II risk parameters: estimation, validation, and stress testing | |
Persons | Using financial statement data to identify factors associated with fraudulent financial reporting | |
CN107633265A (zh) | 用于优化信用评估模型的数据处理方法及装置 | |
CN110909984B (zh) | 业务数据处理模型训练方法、业务数据处理方法及装置 | |
Van Thiel et al. | Artificial intelligence credit risk prediction: An empirical study of analytical artificial intelligence tools for credit risk prediction in a digital era | |
Menekse et al. | Internal audit planning using spherical fuzzy ELECTRE | |
CN111861698A (zh) | 一种基于贷款多头数据的贷前审批预警方法及系统 | |
CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
Schneider et al. | Disentangling the black box around CEO and financial information-based accounting fraud detection: machine learning-based evidence from publicly listed US firms | |
Ellinger et al. | Consistency of credit evaluations at agricultural banks | |
Longhofer et al. | Self-selection and discrimination in credit markets | |
Roth | Inequality, Relative Deprivation and Financial Distress: Evidence from Swedish Register Data | |
CN117132383A (zh) | 一种信贷数据处理方法、装置、设备及可读存储介质 | |
CN114881768A (zh) | 一种金融大数据风险分析平台 | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN114240100A (zh) | 贷款评估方法、装置、计算机设备和存储介质 | |
CN113159634A (zh) | 一种金融产品管理方法、装置及电子设备 | |
Liang et al. | The determinants of analyst-firm pairings | |
CN113610638B (zh) | 基于smaa-ds的信用等级与违约损失率相匹配的评级系统及方法 | |
CN112598225A (zh) | 评价指标的确定方法及装置、存储介质、电子装置 | |
Oeyen et al. | On probability of default and its relation to observed default frequency and a common factor | |
Perols | Detecting financial statement fraud: Three essays on fraud predictors, multi-classifier combination and fraud detection using data mining |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |