CN116071142A - 基于人工智能的贷款资质评估方法、装置、及存储介质 - Google Patents

基于人工智能的贷款资质评估方法、装置、及存储介质 Download PDF

Info

Publication number
CN116071142A
CN116071142A CN202211084832.7A CN202211084832A CN116071142A CN 116071142 A CN116071142 A CN 116071142A CN 202211084832 A CN202211084832 A CN 202211084832A CN 116071142 A CN116071142 A CN 116071142A
Authority
CN
China
Prior art keywords
loan
data
loan applicant
applicant
evaluation 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
Application number
CN202211084832.7A
Other languages
English (en)
Inventor
施飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Consumer Finance Co Ltd
Original Assignee
Ping An Consumer Finance Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Consumer Finance Co Ltd filed Critical Ping An Consumer Finance Co Ltd
Priority to CN202211084832.7A priority Critical patent/CN116071142A/zh
Publication of CN116071142A publication Critical patent/CN116071142A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明揭示了一种基于人工智能的贷款资质评估方法，应用于金融平台，方法包括：接收贷款申请人的贷款申请请求，获取贷款申请人的数据；其中，数据包括：贷款申请人的基本信息，贷款申请人的偿贷能力，贷款申请人的历史信用记录；将数据输入目标评估模型，对贷款申请人进行资质评估，得到贷款申请人的风险等级；判断贷款申请人是否获得贷款资质；若贷款申请人获得贷款资质，则获取后续贷款申请人的还款数据，基于还款数据，判断贷款申请人的贷款资质是否仍符合标准；否则，基于PSO算法对目标评估模型进行优化获得优化后评估模型，将优化后评估模型替代目标评估模型。基于人工智能的贷款资质评估方法，提高了对于贷款申请人的资质评估的准确性，让金融平台能更有效地进行贷款服务。

Description

基于人工智能的贷款资质评估方法、装置、及存储介质
技术领域
本发明涉及到人工智能领域，具体为一种基于人工智能的贷款资质评估方法、装置、设备及存储介质。
背景技术
随着金融行业以及社会的不断发展，各种经济活动都与参与者的信用来连结，信用是经济和金融活动不断衍生和发展的基础。信用促进了社会不断的发展，使得越来越多的人能进行贷款申请进行购买住房、汽车或者一系列其他的商品。而金融平台会针对贷款申请人进行信用资质评估，以此判断贷款申请人的信用风险。然而，金融平台目前采取的判断贷款申请人的贷款资质的办法主要是以历史违约与否作为判断依据，例如查询贷款申请人的征信报告来判断贷款申请人的信用风险等级，对于贷款申请人的信用风险识别准确率较低。因此，如何有效提高贷款申请人的贷款资质评估的准确率，成为了亟需解决的问题。
发明内容
本发明的主要目的为提供一种基于人工智能的贷款资质评估方法、装置、设备及存储介质，旨在解决提高贷款申请人的贷款资质评估的准确率的技术问题。
本申请提出了一种基于人工智能的贷款资质评估方法，应用于金融平台，所述方法包括：
接收贷款申请人的贷款申请请求，获取所述贷款申请人的数据；其中，所述数据包括：所述贷款申请人的基本信息，所述贷款申请人的偿贷能力，所述贷款申请人的历史信用记录；
将所述数据输入目标评估模型，对所述贷款申请人进行资质评估，得到所述贷款申请人的风险等级；
基于所述风险等级，判断所述贷款申请人是否获得贷款资质；
若所述贷款申请人获得贷款资质，则获取后续所述贷款申请人的还款数据，基于所述还款数据，判断所述贷款申请人的所述贷款资质是否仍符合标准；否则，基于PSO算法对所述目标评估模型进行优化获得优化后评估模型，将所述优化后评估模型替代所述目标评估模型。
进一步地，所述接收贷款申请人的数据的步骤之前，包括：
提取所述金融平台中所有客户数据，对所述客户数据进行预处理得到预处理数据；
将所述预处理数据按照预设定比例划分成训练集与测试集，将所述训练集输入基于RBF神经网络构建的评估模型得到训练后评估模型；将所述测试集输入所述训练后评估模型，判定所述测试集的测试结果符合要求，将所述训练后评估模型作为所述目标评估模型。
进一步地，所述对所述客户数据进行预处理得到预处理数据的步骤，包括：
对所有所述客户数据进行数据清理以及数据转换，得到第一处理数据，其中，所述数据转换为将数据清理后所述客户数据中非数值型数据转换为数值化数据；
将所有所述第一处理数据进行数据归一化处理。
进一步地，所述数据归一化公式为：
其中，其中i代表评估指标，j代表不同年份，xij为客户数据中第i个评估指标在第j年的取值，yij为归一化后的评估指标，maxxi为第i个评估指标所有样本属性值最大值，minxi为第i个评估指标所有样本属性值最小值。
进一步地，所述接收贷款申请人的贷款申请请求，获取所述贷款申请人的数据的步骤之前，所述方法还包括：
获取所有贷后逾期客户的逾期数据，判断所有所述贷后逾期客户是否满足预设定条件；其中，所述预设定条件包括：逾期次数、逾期天数、逾期金额；
若是，提取满足预设定条件的所述贷后逾期客户的基本信息，将所述贷后逾期客户的基本信息加入到黑名单。
进一步地，所述接收贷款申请人的贷款申请请求，获取所述贷款申请人的数据的步骤之后，所述方法还包括：
遍历所述黑名单，判断所述贷款申请人是否与所述黑名单匹配；
若是，则判定所述贷款申请人是逾期人员，停止对所述贷款申请人进行资质评估；
若否，则执行“将所述数据输入目标评估模型，对所述贷款申请人进行资质评估，得到所述贷款申请人的风险等级”的步骤。
进一步地，一种基于人工智能的贷款资质评估装置，所述装置包括：
接收获取模块，用于接收贷款申请人的贷款申请请求，获取所述贷款申请人的数据；其中，所述数据包括：所述贷款申请人的基本信息，所述贷款申请人的偿贷能力，所述贷款申请人的历史信用记录；
评估模块，用于将所述数据输入目标评估模型，对所述贷款申请人进行资质评估，得到所述贷款申请人的风险等级；
判断模块，用于基于所述风险等级，判断所述贷款申请人是否获得贷款资质；
判断优化模块，用于若所述贷款申请人获得贷款资质，则获取后续所述贷款申请人的还款数据，基于所述还款数据，判断所述贷款申请人的所述贷款资质是否仍符合标准；否则，基于PSO算法对所述目标评估模型进行优化获得优化后评估模型，将所述优化后评估模型替代所述目标评估模型。
进一步地，一种基于人工智能的贷款资质评估装置，所述装置包括：
预处理模块，用于提取所述金融平台中所有客户数据，对所述客户数据进行预处理得到预处理数据；
训练测试模块，用于将所述预处理数据按照预设定比例划分成训练集与测试集，将所述训练集输入基于RBF神经网络构建的评估模型得到训练后评估模型；将所述测试集输入所述训练后评估模型，判定所述测试集的测试结果符合要求，将所述训练后评估模型作为所述目标评估模型。
进一步地，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述权利要求中任一项所述的方法。
进一步地，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求中任一项所述的方法。
与现有技术相比，本发明的有益效果是：接收来自贷款申请人的贷款申请请求，获取所述贷款申请人的数据；将贷款申请人的历史信用记录；将所述数据输入目标评估模型，对所述贷款申请人进行资质评估，得到所述贷款申请人的风险等级；基于所述风险等级，判断所述贷款申请人是否获得贷款资质。基于人工智能的贷款资质评估方法，提高了对于贷款申请人的资质评估的准确性，让金融平台能更有效地进行贷款服务。
附图说明
图1是本发明一实施例的基于人工智能的贷款资质评估方法的步骤示意图；
图2是本发明一实施例的基于人工智能的贷款资质评估方法的步骤示意图；
图3是本发明一实施例的基于人工智能的贷款资质评估方法的步骤示意图；
图4是本发明一实施例的基于人工智能的贷款资质评估方法的步骤示意图；
图5是本发明一实施例的基于人工智能的贷款资质评估方法的步骤示意图；
图6是本发明一实施例的基于人工智能的贷款资质评估装置结构示意框图；
图7为本发明一实施例的计算机设备的结构示意框图。
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
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，本申请实施例中提供一种基于人工智能的贷款资质评估方法，应用于金融平台，所述方法包括以下步骤S200-S400：
S200：接收贷款申请人的贷款申请请求，获取所述贷款申请人的数据；其中，所述数据包括：所述贷款申请人的基本信息，所述贷款申请人的偿贷能力，所述贷款申请人的历史信用记录；
S300：将所述数据输入目标评估模型，对所述贷款申请人进行资质评估，得到所述贷款申请人的风险等级；
S400：基于所述风险等级，判断所述贷款申请人是否获得贷款资质；
S500：若所述贷款申请人获得贷款资质，则获取后续所述贷款申请人的还款数据，基于所述还款数据，判断所述贷款申请人的所述贷款资质是否仍符合标准；否则，基于PSO算法对所述目标评估模型进行优化获得优化后评估模型，将所述优化后评估模型替代所述目标评估模型。
对于S200，贷款申请人想在金融平台上进行贷款申请获取贷款，贷款申请人打开金融平台的网址，在对应想要申请的贷款页面进行申请。所申请的金融平台接收来自贷款申请人的贷款申请请求，并且获取贷款申请人的数据。数据的内容包括：贷款申请人的基本信息，所述贷款申请人的偿贷能力，所述贷款申请人的历史信用记录。在本申请中，贷款申请人的基本信息主要包括：贷款申请人的真实身份信息、家庭信息、学历信息等一些的基本信息，主要为了帮助金融平台核实贷款申请人的基本信息。贷款申请人的偿贷能力主要包括的内容是：贷款申请人的工作收入情况、个人存款、资产负债情况等等一些评估指标。基于贷款申请人的偿贷能力考察贷款申请人的贷款偿还能力，进一步地，贷款申请人的偿贷能力主要内容包括工作与生活两个方面，更好的考察了贷款申请人的贷款偿还能力。贷款申请人的历史信用记录是用来衡量贷款申请人是否拥有强烈的还款意愿的一个重要的因素。贷款申请人的历史信用记录主要包括：个人信用报告、借贷信息、所有开户的信用卡及获得的社会荣誉。个人信用报告主要包含了贷款申请人的信贷记录、信用卡逾期记录及近几年内的欠税记录、民事判决书记录、强制执行记录、行政处罚记录以及电信欠费记录的全方面信息整合成个人信用报告。借贷信息包括了银行或其他金融机构的借贷信息，包括了借贷金额以及借贷时间。借贷信息能够反映出贷款申请人的欠债信息，而且，欠款金额的多少能在一定程度上反映贷款申请人的还款意愿。更多地，贷款申请人所申请与使用的信用卡的历史消费记录及还款记录可以反映出借款人的消费习惯、消费能力，更能反映出贷款申请人的信用水平。而获得的社会荣誉也可代表借款人的信用水平。
对于S300，将获取得到的贷款申请人的数据，将关于贷款申请人的基本信息，贷款申请人的偿贷能力，贷款申请人的历史信用记录的信息输入到目标评估模型中，对贷款申请人进行资质评估。在本申请中，资质评估包含了评估指标，贷款申请人的基本信息的评估指标包含有，年龄、性别、婚姻状况、学历、住房性质。年龄可划分为五个年龄段，18-22岁、23-34岁、35-40岁、41-60岁、61岁以上，对应不同的年龄段会有不同的评分分数，18-22岁之间的贷款申请人多在上学或者刚进行工作，对金融平台来说可能不具备还款能力；35-40岁之间有着稳定固定的工资与存款，还款能力是其他年龄段中最强的，有着最高的承担抗风险能力。61岁以上的评分分数不高，是因为其多已经退休没有稳定固定的工作。本申请中，对于性别，在女性的得分高于男性，因为女性相比男性在家庭之中所要承担的经济比重会小一些，并且，已婚的女性或者男性的得分高于未婚的女性或者男性。对于学历，研究生以及以上会有最高的评分分数，其次是学历为大学本科的评分，整体趋势时学历越高，评分也越高。在住房性质的评估方面，拥有商业贷款进行购房的贷款申请人会获得较高的分数，因为商业贷款的特殊性，贷款申请人已经通过贷款审核，确认贷款申请人有较高的信用等级以及偿还贷款的能力。贷款申请人的偿贷能力的评估指标包含有：职业、入职年限、职务、年收入。而职业类别根据国民经济分类的方式进行，所属职业的工作性质越稳定，则信用风险越小，得分相应越高；入职年限在5-8年时属于事业的顶峰，因此评估分数是最高。而对于职务，职务越高，得分也相应的越高。职称的高低、年收入的多少也与评估分数成正比。贷款申请人的历史信用记录的评估指标包含有：借款还清笔数、借款逾期次数、借款严重逾期次数。借款还清笔数会获取相应的评估分数；而对于借款逾期以及借款严重逾期会进行相应的扣除评估分数。目标评估模型对所述贷款申请人进行资质评估，基于输入的贷款申请人的数据，得到贷款申请人的风险等级。而将输入目标评估模型，目标评估模型的目标是预测贷款申请人输入数据的评分，然后根据评分评估用户对应的贷款资质，通过目标评估模型轻松完成人们日常生活中的各种复杂信息处理。
对于S400，获取得到上述步骤的风险等级，参照金融平台设置的风险等级图表，若风险等级是属于低风险或者无风险的等级，可对贷款申请人进行贷款行为；若风险等级是属于高风险的等级，暂停对贷款申请人进行贷款行为。
对于S500，贷款申请人在完成资质评估并且资质评估的结果符合要求之后，获取得到了来自金融平台的贷款。在贷款申请人进行后续的还款，获取后续贷款申请人的还款数据。通过贷款申请人的还款数据，查看贷款申请人是正常还款还是借款逾期或者借款严重逾期。基于还款数据，判断贷款申请人的贷款资质是否仍符合标准。若贷款申请人是正常还款，则对于贷款申请人的贷款资质是否仍符合标准的审核通过；若贷款申请人出现借款逾期的情况，则进行进一步的审核。若贷款申请人出现借款逾期的情况，将PSO算法融合到RBF神经网络训练中，利用基于PSO-RBF神经网络构建的优化后评估模型，其中，对迭代次数进行设置，迭代次数与基于RBF神经网络构建的评估模型时的迭代次数相同保持一致性。PSO(Particle Swarm Optimization)是粒子群优化算法，具有较好的全局收敛性能，可用于训练神经网络参数和结构。RBF(Radial Basis Function)是径向基函数网络，是一种前馈神经网络，具有较快的运算速度，较强的非线性映射能力和最佳的逼近性能，能以任意精度全局逼近一个非线性函数。PSO-RBF神经网络模型较传统的RBF神经网络模型具有更高的分类精度和网络适应度。将预处理数据按照预设定比例划分成训练集与测试集，将训练集与所述测试集输入基于PSO-RBF神经网络构建的优化后评估模型，判定测试集的结果符合要求，将基于PSO-RBF神经网络构建的优化后评估模型作为目标评估模型。
参照图2，本发明的一实施例中，所述接收贷款申请人的数据的步骤之前，包括：
S100：提取所述金融平台中所有客户数据，对所述客户数据进行预处理得到预处理数据；
S110：将所述预处理数据按照预设定比例划分成训练集与测试集，将所述训练集输入基于RBF神经网络构建的评估模型得到训练后评估模型；将所述测试集输入所述训练后评估模型，判定所述测试集的测试结果符合要求，将所述训练后评估模型作为所述目标评估模型。
对于S100，提取金融平台中储存的所有客户数据，客户数据是客户注册时留下，因采集的客户数据可能存在相关重要属性的缺失，需要进行删除或随机填补，并且为了保证实验数据的整齐性。客户数据的内容包括：客户的基本信息，客户的偿贷能力，客户的历史信用记录。通过对客户数据的预处理，获取得到包含关于客户的基本信息、客户的偿贷能力、客户的历史信用记录，而对于一些无法读取或者无关的客户数据进行预处理。
对于S110，提取预处理数据，将所述预处理数据作为数据集，将数据集按照预设定比例划分成训练集与测试集，预设定比例可根据实际要求进行变化。将训练集输入基于RBF神经网络构建的评估模型进行训练获取得到训练后评估模型。RBF(Radical BasisFunction)神经网络是径向基函数神经网络，RBF神经网络在非线性时间序列预测中具有更快地收敛速度、减小局部极小点的可能性以及好的鲁棒性与操作简单等优点。将测试集输入训练后评估模型，对训练后评估模型进行测试，若测试得到的结果的准确率在预设的范围之内达到准确率的要求，则将训练后评估模型作为目标评估模型，将所述目标评估模型用于后续进行贷款申请人的贷款资质评估。若测试得到的结果的准确率不在预设的范围之内，则未达到准确率的要求，则对评估模型再次进行训练直至训练后评估模型的测试结果的准确率在预设的范围之内，则此时将训练后评估模型作为目标评估模型。
参照图3，本发明的一实施例中，所述对所述客户数据进行预处理得到预处理数据的步骤包括：
S101：对所有所述客户数据进行数据清理以及数据转换，得到第一处理数据，其中，所述数据转换为将数据清理后所述客户数据中非数值型数据转换为数值化数据；
S102：将所有所述第一处理数据进行数据归一化处理。
对于S101，在收集获取得到的客户数据中，包含了很多无效数据，删除无效数据及缺失重要项的数据，以此保证所提取数据的完整性及可靠性。进而将非数值型数据进行数值化，而对客户数据进行数据清理以及数据转换得到第一处理数据。对指标进行数值化处理，例如，学历指标下的属性，基于学历越高的人违约概率越小的经验，将硕士及以上学位数值化为10，本科为7，专科为5，高中及以下为2；按照年龄段的属性，将35-40岁数值化为10，41-60岁数值化为8，23-34岁数值化为5，18-22岁或者61岁以上数值化为3。
对于S102，将已经数据清理以及数据转换的所有第一处理数据进行数据归一化处理，数据归一化处理是将数据进行标准化的过程。
本发明的一实施例中，所述数据归一化公式为：
其中，其中i代表评估指标，j代表不同年份，xij为客户数据中第i个评估指标在第j年的取值，yij为归一化后的评估指标，yij落入区间0-1之间。
参照图4，本发明的一实施例中，所述接收贷款申请人的贷款申请请求，获取所述贷款申请人的数据的步骤之前，所述方法还包括：
S120：获取所有贷后逾期客户的逾期数据，判断所有所述贷后逾期客户是否满足预设定条件；其中，所述预设定条件包括：逾期次数、逾期天数、逾期金额；
S130：若是，提取满足预设定条件的所述贷后逾期客户的基本信息，将所述贷后逾期客户的基本信息加入到黑名单。
对于S120，获取金融平台所有贷后逾期客户的逾期数据，判断所有贷后逾期客户是否满足预设定条件。其中，逾期数据包括：逾期次数、逾期天数、逾期金额。若预设定条件是逾期次数超过一次或者逾期天数超过15天或者逾期金额超过1000元。
对于S130，若一名贷后逾期客户的逾期次数是一次，逾期天数是15天，逾期金额是1万元，则判定满足预设定条件。例如，若一名客户逾期天数是7天，7天之后将逾期的贷款还清，则认为是不满足预设定条件。提取满足预设定条件的所述贷后逾期客户的基本信息，包括：真实身份信息、家庭信息等等，将满足预设定条件的贷后逾期客户的基本信息加入到黑名单。
参照图5，本发明的一实施例中，所述接收贷款申请人的贷款申请请求，获取所述贷款申请人的数据的步骤之后，所述方法还包括：
S210：遍历所述黑名单，判断所述贷款申请人是否与所述黑名单匹配；
S220：若是，则判定所述贷款申请人是逾期人员，停止对所述贷款申请人进行资质评估；
S230：若否，则执行“将所述数据输入目标评估模型，对所述贷款申请人进行资质评估，得到所述贷款申请人的风险等级”的步骤。
对于S210，提取贷款申请人的数据，遍历黑名单并且与提取的贷款申请人的基本信息进行对比，判断贷款申请人的基本信息是否与金融平台的黑名单匹配。
对于S220，贷款申请人的基本信息与金融平台的黑名单匹配，判定贷款申请人曾经是逾期人员，则停止后续的进行资质评估的步骤，停止贷款申请人的申请。
对于S230，贷款申请人的基本信息与金融平台的黑名单不匹配，判定贷款申请人没有逾期的数据，则进行后续的程序，执行“将所述数据输入目标评估模型，对所述贷款申请人进行资质评估，得到所述贷款申请人的风险等级”的步骤。
参照图6，本申请还提出了一种基于人工智能的贷款资质评估装置，所述装置包括：
接收获取模块300，用于接收贷款申请人的贷款申请请求，获取所述贷款申请人的数据；其中，所述数据包括：所述贷款申请人的基本信息，所述贷款申请人的偿贷能力，所述贷款申请人的历史信用记录；
评估模块400，用于将所述数据输入目标评估模型，对所述贷款申请人进行资质评估，得到所述贷款申请人的风险等级；
判断模块500，用于基于所述风险等级，判断所述贷款申请人是否获得贷款资质；
判断优化模块600，用于若所述贷款申请人获得贷款资质，则获取后续所述贷款申请人的还款数据，基于所述还款数据，判断所述贷款申请人的所述贷款资质是否仍符合标准；否则，基于PSO算法对所述目标评估模型进行优化获得优化后评估模型，将所述优化后评估模型替代所述目标评估模型。
对于接收获取模块300，贷款申请人想在金融平台上进行贷款申请获取贷款，贷款申请人打开金融平台的网址，在对应想要申请的贷款页面进行申请。所申请的金融平台接收来自贷款申请人的贷款申请请求，并且获取贷款申请人的数据。数据的内容包括：贷款申请人的基本信息，所述贷款申请人的偿贷能力，所述贷款申请人的历史信用记录。在本申请中，贷款申请人的基本信息主要包括：贷款申请人的真实身份信息、家庭信息、学历信息等一些的基本信息，主要为了帮助金融平台核实贷款申请人的基本信息。贷款申请人的偿贷能力主要包括的内容是：贷款申请人的工作收入情况、个人存款、资产负债情况等等一些指标。基于贷款申请人的偿贷能力考察贷款申请人的贷款偿还能力，进一步地，贷款申请人的偿贷能力主要内容包括工作与生活两个方面，更好的考察了贷款申请人的贷款偿还能力。贷款申请人的历史信用记录是用来衡量贷款申请人是否拥有强烈的还款意愿的一个重要的因素。贷款申请人的历史信用记录主要包括：个人信用报告、借贷信息、所有开户的信用卡及获得的社会荣誉。个人信用报告主要包含了贷款申请人的信贷记录、信用卡逾期记录及近几年内的欠税记录、民事判决书记录、强制执行记录、行政处罚记录以及电信欠费记录的全方面信息整合成个人信用报告。借贷信息包括了银行或其他金融机构的借贷信息，包括了借贷金额以及借贷时间。借贷信息能够反映出贷款申请人的欠债信息，而且，欠款金额的多少能在一定程度上反映贷款申请人的还款意愿。更多地，贷款申请人所申请与使用的信用卡的历史消费记录及还款记录可以反映出借款人的消费习惯、消费能力，更能反映出贷款申请人的信用水平。而获得的社会荣誉也可代表借款人的信用水平。
对于评估模块400，将获取得到的贷款申请人的数据，将关于贷款申请人的基本信息，贷款申请人的偿贷能力，贷款申请人的历史信用记录的信息输入到目标评估模型中，对贷款申请人进行资质评估。在本申请中，资质评估包含了评估指标，贷款申请人的基本信息的评估指标包含有，年龄、性别、婚姻状况、学历、住房性质。年龄可划分为五个年龄段，18-22岁、23-34岁、35-40岁、41-60岁、61岁以上，对应不同的年龄段会有不同的评分分数，18-22岁之间的贷款申请人多在上学或者刚进行工作，对金融平台来说可能不具备还款能力；35-40岁之间有着稳定固定的工资与存款，还款能力是其他年龄段中最强的，有着最高的。61岁以上的评分分数不高，是因为其多已经退休没有稳定固定的工作。本申请中，对于性别，在女性的得分高于男性，因为女性相比男性在家庭之中所要承担的经济比重会小一些，并且，已婚的女性或者男性的得分高于未婚的女性或者男性。对于学历，研究生以及以上会有最高的评分分数，其次是学历为大学本科的评分，评分的整体趋势是学历越高，分数也越高。在住房性质的评估方面，拥有商业贷款进行购房的贷款申请人会获得较高的分数，因为商业贷款的特殊性，贷款申请人已经通过贷款审核，确认贷款申请人有较高的信用等级以及偿还贷款的能力。贷款申请人的偿贷能力的评估指标包含有：职业、入职年限、职务、年收入。而职业类别根据国民经济分类的方式进行，所属职业的工作性质越稳定，则信用风险越小，得分相应越高；入职年限在5-8年时属于事业的顶峰，因此评估分数是最高。而对于职务，职务越高，得分也相应的越高。职称的高低、年收入的多少也与评估分数成正比。贷款申请人的历史信用记录的评估指标包含有：借款还清笔数、借款逾期次数、借款严重逾期次数。借款还清笔数会获取相应的评估分数；而对于借款逾期以及借款严重逾期会进行相应的扣除评估分数。目标评估模型对所述贷款申请人进行资质评估，基于输入的贷款申请人的数据，得到贷款申请人的风险等级。
对于判断模块500，获取得到上述步骤的风险等级，参照金融平台设置的风险等级图表，若风险等级是属于低风险或者无风险的等级，可对贷款申请人进行贷款行为；若风险等级是属于高风险的等级，暂停对贷款申请人进行贷款行为。
对于判断优化模块600，贷款申请人在完成资质评估并且资质评估的结果符合要求之后，获取得到了来自金融平台的贷款。在贷款申请人进行后续的还款，获取后续贷款申请人的还款数据。通过贷款申请人的还款数据，查看贷款申请人是正常还款还是借款逾期或者借款严重逾期。基于还款数据，判断贷款申请人的贷款资质是否仍符合标准。若贷款申请人是正常还款，则对于贷款申请人的贷款资质是否仍符合标准的审核通过；若贷款申请人出现借款逾期的情况，则进行进一步的审核。若贷款申请人出现借款逾期的情况，将PSO算法融合到RBF神经网络训练中，利用基于PSO-RBF神经网络构建的优化后评估模型，其中，对迭代次数进行设置，迭代次数与基于RBF神经网络构建的评估模型时的迭代次数相同保持一致性。PSO(Particle Swarm Optimization)是粒子群优化算法，具有较好的全局收敛性能，可用于训练神经网络参数和结构。RBF(Radial Basis Function)是径向基函数网络，是一种前馈神经网络，具有较快的运算速度，较强的非线性映射能力和最佳的逼近性能，能以任意精度全局逼近一个非线性函数。PSO-RBF神经网络模型较传统的RBF神经网络模型具有更高的分类精度和网络适应度。将预处理数据按照预设定比例划分成训练集与测试集，将训练集与所述测试集输入基于PSO-RBF神经网络构建的优化后评估模型，判定测试集的结果符合要求，将基于PSO-RBF神经网络构建的优化后评估模型作为目标评估模型。
参照图6，本申请还提出了一种基于人工智能的贷款资质评估装置，所述装置包括：
预处理模块100，用于提取所述金融平台中所有客户数据，对所述客户数据进行预处理得到预处理数据；
训练测试模块200，用于将所述预处理数据按照预设定比例划分成训练集与测试集，将所述训练集输入基于RBF神经网络构建的评估模型得到训练后评估模型；将所述测试集输入所述训练后评估模型，判定所述测试集的测试结果符合要求，将所述训练后评估模型作为所述目标评估模型。
本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的贷款资质评估方法，应用于金融平台，所述方法包括：接收贷款申请人的贷款申请请求，获取所述贷款申请人的数据；其中，所述数据包括：所述贷款申请人的基本信息，所述贷款申请人的偿贷能力，所述贷款申请人的历史信用记录；将所述数据输入目标评估模型，对所述贷款申请人进行资质评估，得到所述贷款申请人的风险等级；基于所述风险等级，判断所述贷款申请人是否获得贷款资质；若所述贷款申请人获得贷款资质，则获取后续所述贷款申请人的还款数据，基于所述还款数据，判断所述贷款申请人的所述贷款资质是否仍符合标准；否则，基于PSO算法对所述目标评估模型进行优化获得优化后评估模型，将所述优化后评估模型替代所述目标评估模型。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于人工智能的贷款资质评估方法，应用于金融平台，所述方法包括：接收贷款申请人的贷款申请请求，获取所述贷款申请人的数据；其中，所述数据包括：所述贷款申请人的基本信息，所述贷款申请人的偿贷能力，所述贷款申请人的历史信用记录；将所述数据输入目标评估模型，对所述贷款申请人进行资质评估，得到所述贷款申请人的风险等级；基于所述风险等级，判断所述贷款申请人是否获得贷款资质；若所述贷款申请人获得贷款资质，则获取后续所述贷款申请人的还款数据，基于所述还款数据，判断所述贷款申请人的所述贷款资质是否仍符合标准；否则，基于PSO算法对所述目标评估模型进行优化获得优化后评估模型，将所述优化后评估模型替代所述目标评估模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。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、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请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，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种基于人工智能的贷款资质评估方法，应用于金融平台，其特征在于，所述方法包括：
接收贷款申请人的贷款申请请求，获取所述贷款申请人的数据；其中，所述数据包括：所述贷款申请人的基本信息，所述贷款申请人的偿贷能力，所述贷款申请人的历史信用记录；
将所述数据输入目标评估模型，对所述贷款申请人进行资质评估，得到所述贷款申请人的风险等级；
基于所述风险等级，判断所述贷款申请人是否获得贷款资质；
若所述贷款申请人获得贷款资质，则获取后续所述贷款申请人的还款数据，基于所述还款数据，判断所述贷款申请人的所述贷款资质是否仍符合标准；否则，基于PSO算法对所述目标评估模型进行优化获得优化后评估模型，将所述优化后评估模型替代所述目标评估模型。
2.根据权利要求1所述的基于人工智能的贷款资质评估方法，其特征在于，所述接收贷款申请人的数据的步骤之前，包括：
提取所述金融平台中所有客户数据，对所述客户数据进行预处理得到预处理数据；
将所述预处理数据按照预设定比例划分成训练集与测试集，将所述训练集输入基于RBF神经网络构建的评估模型得到训练后评估模型；将所述测试集输入所述训练后评估模型，判定所述测试集的测试结果符合要求，将所述训练后评估模型作为所述目标评估模型。
3.根据权利要求2所述的基于人工智能的贷款资质评估方法，其特征在于，所述对所述客户数据进行预处理得到预处理数据的步骤，包括：
对所有所述客户数据进行数据清理以及数据转换，得到第一处理数据，其中，所述数据转换为将数据清理后所述客户数据中非数值型数据转换为数值化数据；
将所有所述第一处理数据进行数据归一化处理。
4.根据权利要求3所述的基于人工智能的贷款资质评估方法，其特征在于，所述数据归一化公式为：
Figure FDA0003835050760000021
其中，其中i代表评估指标，j代表不同年份，xij为客户数据中第i个评估指标在第j年的取值，yij为归一化后的评估指标，maxxi为第i个评估指标所有样本属性值最大值，minxi为第i个评估指标所有样本属性值最小值。
5.根据权利要求1所述的基于人工智能的贷款资质评估方法，其特征在于，所述接收贷款申请人的贷款申请请求，获取所述贷款申请人的数据的步骤之前，所述方法还包括：
获取所有贷后逾期客户的逾期数据，判断所有所述贷后逾期客户是否满足预设定条件；其中，所述预设定条件包括：逾期次数、逾期天数、逾期金额；
若是，提取满足预设定条件的所述贷后逾期客户的基本信息，将所述贷后逾期客户的基本信息加入到黑名单。
6.根据权利要求5所述的基于人工智能的贷款资质评估方法，其特征在于，所述接收贷款申请人的贷款申请请求，获取所述贷款申请人的数据的步骤之后，所述方法还包括：
遍历所述黑名单，判断所述贷款申请人是否与所述黑名单匹配；
若是，则判定所述贷款申请人是逾期人员，停止对所述贷款申请人进行资质评估；
若否，则执行“将所述数据输入目标评估模型，对所述贷款申请人进行资质评估，得到所述贷款申请人的风险等级”的步骤。
7.一种基于人工智能的贷款资质评估装置，其特征在于，所述装置包括：
接收获取模块，用于接收贷款申请人的贷款申请请求，获取所述贷款申请人的数据；其中，所述数据包括：所述贷款申请人的基本信息，所述贷款申请人的偿贷能力，所述贷款申请人的历史信用记录；
评估模块，用于将所述数据输入目标评估模型，对所述贷款申请人进行资质评估，得到所述贷款申请人的风险等级；
判断模块，用于基于所述风险等级，判断所述贷款申请人是否获得贷款资质；
判断优化模块，用于若所述贷款申请人获得贷款资质，则获取后续所述贷款申请人的还款数据，基于所述还款数据，判断所述贷款申请人的所述贷款资质是否仍符合标准；否则，基于PSO算法对所述目标评估模型进行优化获得优化后评估模型，将所述优化后评估模型替代所述目标评估模型。
8.一种基于人工智能的贷款资质评估装置，其特征在于，所述装置包括：
预处理模块，用于提取所述金融平台中所有客户数据，对所述客户数据进行预处理得到预处理数据；
训练测试模块，用于将所述预处理数据按照预设定比例划分成训练集与测试集，将所述训练集输入基于RBF神经网络构建的评估模型得到训练后评估模型；将所述测试集输入所述训练后评估模型，判定所述测试集的测试结果符合要求，将所述训练后评估模型作为所述目标评估模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法。
10.一种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权利要求1至6中任一项所述的方法。
CN202211084832.7A 2022-09-06 2022-09-06 基于人工智能的贷款资质评估方法、装置、及存储介质 Pending CN116071142A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211084832.7A CN116071142A (zh) 2022-09-06 2022-09-06 基于人工智能的贷款资质评估方法、装置、及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211084832.7A CN116071142A (zh) 2022-09-06 2022-09-06 基于人工智能的贷款资质评估方法、装置、及存储介质

Publications (1)

Publication Number Publication Date
CN116071142A true CN116071142A (zh) 2023-05-05

Family

ID=86168826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211084832.7A Pending CN116071142A (zh) 2022-09-06 2022-09-06 基于人工智能的贷款资质评估方法、装置、及存储介质

Country Status (1)

Country Link
CN (1) CN116071142A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116738481A (zh) * 2023-06-07 2023-09-12 湖南君创融信科技有限公司 一种基于大数据的安全信贷评估方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116738481A (zh) * 2023-06-07 2023-09-12 湖南君创融信科技有限公司 一种基于大数据的安全信贷评估方法及系统

Similar Documents

Publication Publication Date Title
CN111507831A (zh) 信贷风险自动评估方法和装置
Frame et al. Credit scoring and the availability of small business credit in low‐and moderate‐income areas
CN112989621B (zh) 一种模型性能评价方法、装置、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
CN112990386B (zh) 用户价值聚类方法、装置、计算机设备和存储介质
CN111708883A (zh) 一种基于机器学习和设备指纹的授信额度确定方法及装置
CN111709826A (zh) 目标信息确定方法和装置
CN110728301A (zh) 一种个人用户的信用评分方法、装置、终端及存储介质
CN113034263A (zh) 一种信贷审批方法、装置、服务器及介质
Xiong et al. The analysis of influence mechanism for internet financial fraud identification and user behavior based on machine learning approaches
Murugan Large-scale data-driven financial risk management & analysis using machine learning strategies
CN116071142A (zh) 基于人工智能的贷款资质评估方法、装置、及存储介质
CN115034886A (zh) 一种违约风险预测方法及装置
CN112990989B (zh) 价值预测模型输入数据生成方法、装置、设备和介质
CN112734566A (zh) 授信额度获取方法、装置及计算机设备
CN110533528A (zh) 评估企业信用的方法及设备
Hui et al. The model and empirical research of application scoring based on data mining methods
CN114240605A (zh) 贷款测算方法、装置、计算机设备和存储介质
Cucaro Measuring the" health" of Italian SMEs with insolvency prediction models Z'-ScoreM and D-Score: Measuring default index of Italian SMEs
CN113807943A (zh) 一种不良资产的多因子估值方法及系统、介质、设备
Jayasuriya et al. The use of digital footprints in the US mortgage market
Leonard et al. Automating the credit decision process
Melnyk et al. Improving the quality of credit activity by using scoring model
CN113538132B (zh) 一种基于回归树算法的信用评分方法、设备及介质
Lin et al. Research on Credit Big Data Algorithm Based on Logistic Regression

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