CN116342253A - 贷款风险评分方法、装置、设备以及存储介质 - Google Patents

Abstract

本公开提供了一种贷款风险评分方法、装置、设备以及存储介质，方法包括：确定当前的数据加工逻辑信息；将数据加工逻辑信息转换为可执行的数据加工函数；基于数据加工函数对样本客户的贷前征信数据进行加工，得到样本特征；基于样本特征对至少一个初始风控模型进行训练，得到至少一个目标风控模型；基于数据加工函数对目标客户的贷前征信数据进行加工，得到目标特征；将目标特征输入到至少一个目标风控模型中，得到目标客户的风险预测结果；基于风险预测结果生成目标客户的贷款风险评分。上述方法实现了大量的风控业务场景下的自定义函数，满足业务人员自行编写风控模型，快速迭代和部署时效性。

Description

贷款风险评分方法、装置、设备以及存储介质

技术领域

本公开涉及计算机的技术领域，具体涉及一种贷款风险评分方法、装置、设备以及存储介质。

背景技术

人工智能时代的到来，给风控领域带来了全新的机遇和挑战，面对层出不穷的欺诈风险和不断翻新的欺诈手段，传统的规则式风控方法有着难以处理海量数据、对弱特征不敏感、分析覆盖范围窄等种种弊端。

基于风险形式复杂多变，风险模型及模型应用策略需要快速迭代，便于风险的捕捉，风险模型投产效能提升至10个工作日为目标，需要构建支持贷前评分卡的实时风险指标集市与模型规则平台。在该目标背景下，目前市场上的产品在模型快速迭代和处理性能上无法兼顾，同时很多产品无法实现由业务人员自行编写数据加工逻辑，开发门槛比较高，部署成本和周期较长，效率也比较低下。

发明内容

本公开提供了一种贷款风险评分方法、装置、设备以及存储介质。

根据本公开的第一方面，提供了一种贷款风险评分方法，包括：

确定当前的数据加工逻辑信息，其中，数据加工逻辑信息是用户使用结构化查询语言描述的用于指示征信数据加工逻辑的信息；

将数据加工逻辑信息转换为可执行的数据加工函数；

基于数据加工函数对样本客户的贷前征信数据进行加工，得到样本特征；

基于样本特征对至少一个初始风控模型进行训练，得到至少一个目标风控模型；

基于数据加工函数对目标客户的贷前征信数据进行加工，得到目标特征；

将目标特征输入到至少一个目标风控模型中，得到目标客户的风险预测结果；

基于风险预测结果生成目标客户的贷款风险评分。

在本公开实施例中，将数据加工逻辑信息转换为可执行的数据加工函数，包括：

基于预设的语法生成器工具对数据加工逻辑信息进行解析，得到数据加工逻辑信息的解析结果；

将解析结果转换为由Jave代码构建的数据加工函数。

在本公开实施例中，基于数据加工函数对样本客户的贷前征信数据进行加工，得到样本特征，包括：

基于数据加工函数对样本客户的贷前征信数据进行特征实时计算和特征全量计算，得到贷前征信数据的特征衍生结果；

将贷前征信数据的特征衍生结果作为样本特征。

在本公开实施例中，数据加工函数包括第一程序代码和第二程序代码，执行第一程序代码用于获取样本客户的贷前征信数据，执行第二程序代码用于对样本客户的贷前征信数据进行数据准备。

在本公开实施例中，基于数据加工函数对样本客户的贷前征信数据进行特征实时计算和特征全量计算，得到贷前征信数据的特征衍生结果，包括：

调用第一程序代码，基于第一程序代码获取样本客户的贷前征信数据；

调用第二程序代码，基于第二程序代码将样本客户的贷前征信数据按照映射关系转成特征引擎标准的JSON格式报文；

对JSON格式报文进行特征实时计算和特征全量计算，得到贷前征信数据的特征衍生结果。

在本公开实施例中，对JSON格式报文进行特征实时计算和特征全量计算，得到贷前征信数据的特征衍生结果，包括：

确定存储预先开发好的特征查询语言；

按照特征查询语言的计算因子对JSON格式报文进行特征实时计算和特征全量计算，得到贷前征信数据的特征衍生结果。

在本公开实施例中，贷前征信数据包括人行征信数据和非人行征信数据；非人行征信数据至少包括公积金数据、公安数据处理、航空数据和学历数据。

在本公开实施例中，基于风险预测结果生成目标客户的贷款风险评分，包括：

获取样本客户的贷后行为数据；

基于样本客户的贷后行为数据确定出贷前风险评分规则；

基于风险预测结果和贷前风险评分规则生成目标客户的贷款风险评分。

根据本公开的第二方面，提供了一种贷款风险评分装置，贷款风险评分装置包括逻辑信息确定模块、加工函数转换模块、样本生成模块、目标模型训练模块、目标生成模块、风险预测模块和风险预测模块。

逻辑信息确定模块用于确定当前的数据加工逻辑信息，其中，数据加工逻辑信息是用户使用结构化查询语言描述的用于指示征信数据加工逻辑的信息；

加工函数转换模块用于将数据加工逻辑信息转换为可执行的数据加工函数；

样本生成模块用于基于数据加工函数对样本客户的贷前征信数据进行加工，得到样本特征；

目标模型训练模块用于基于样本特征对至少一个初始风控模型进行训练，得到至少一个目标风控模型；

目标生成模块用于基于数据加工函数对目标客户的贷前征信数据进行加工，得到目标特征；

风险预测模块用于将目标特征输入到至少一个目标风控模型中，得到目标客户的风险预测结果；

风险评分模块用于基于风险预测结果生成目标客户的贷款风险评分。

在本公开实施例中，加工函数转换模块在用于将数据加工逻辑信息转换为可执行的数据加工函数时，具体用于：

基于预设的语法生成器工具对数据加工逻辑信息进行解析，得到数据加工逻辑信息的解析结果；

将解析结果转换为由Jave代码构建的数据加工函数。

在本公开实施例中，样本生成模块在用于基于数据加工函数对样本客户的贷前征信数据进行加工，得到样本特征时，具体用于：

基于数据加工函数对样本客户的贷前征信数据进行特征实时计算和特征全量计算，得到贷前征信数据的特征衍生结果；

将贷前征信数据的特征衍生结果作为样本特征。

在本公开实施例中，数据加工函数包括第一程序代码和第二程序代码，执行第一程序代码用于获取样本客户的贷前征信数据，执行第二程序代码用于对样本客户的贷前征信数据进行数据准备。

在本公开实施例中，样本生成模块在用于基于数据加工函数对样本客户的贷前征信数据进行特征实时计算和特征全量计算，得到贷前征信数据的特征衍生结果时，具体用于：

调用第一程序代码，基于第一程序代码获取样本客户的贷前征信数据；

调用第二程序代码，基于第二程序代码将样本客户的贷前征信数据按照映射关系转成特征引擎标准的JSON格式报文；

对JSON格式报文进行特征实时计算和特征全量计算，得到贷前征信数据的特征衍生结果。

在本公开实施例中，样本生成模块在用于对JSON格式报文进行特征实时计算和特征全量计算，得到贷前征信数据的特征衍生结果时，具体用于：

确定存储预先开发好的特征查询语言；

按照特征查询语言的计算因子对JSON格式报文进行特征实时计算和特征全量计算，得到贷前征信数据的特征衍生结果。

在本公开实施例中，贷前征信数据包括人行征信数据和非人行征信数据；非人行征信数据至少包括公积金数据、公安数据处理、航空数据和学历数据。

在本公开实施例中，风险评分模块在用于基于风险预测结果生成目标客户的贷款风险评分时，具体用于：

获取样本客户的贷后行为数据；

基于样本客户的贷后行为数据确定出贷前风险评分规则；

基于风险预测结果和贷前风险评分规则生成目标客户的贷款风险评分。

根据本公开的第三方面，提供了一种电子设备，包括：

至少一个处理器；以及与至少一个处理器通信连接的存储器；

其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述第一方面提供的贷款风险评分方法。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述第一方面提供的贷款风险评分方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

本公开提供的技术方案带来的有益效果是：

本公开实施例提供贷款风险评分方法，可以允许用户使用结构化查询语言描述自行编写用于指示征信数据加工逻辑的信息，基于数据加工逻辑的信息和样本用户的贷前征信数据来训练初始风控模型，得到一个新的目标风控模型来预测用户的贷款风险。该方法实现了大量的风控业务场景下的自定义函数，满足业务人员自行编写风控模型，快速迭代和部署时效性。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1示出了本公开实施例提供的一种贷款风险评分方法的流程示意图；

图2示出了本公开实施例提供的一种贷款风险评分装置的流程示意图；

图3示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

人工智能时代的到来，给风控领域带来了全新的机遇和挑战，面对层出不穷的欺诈风险和不断翻新的欺诈手段，传统的规则式风控方法有着难以处理海量数据、对弱特征不敏感、分析覆盖范围窄等种种弊端。

基于风险形式复杂多变，风险模型及模型应用策略需要快速迭代，便于风险的捕捉，风险模型投产效能提升至10个工作日为目标，需要构建支持贷前评分卡的实时风险指标集市与模型规则平台。在该目标背景下，目前市场上的产品在模型快速迭代和处理性能上无法兼顾，同时很多产品无法实现由业务人员自行编写数据加工逻辑，开发门槛比较高，部署成本和周期较长，效率也比较低下。

本公开实施例提供的贷款风险评分方法、装置、设备以及存储介质，旨在解决现有技术的如上技术问题中的至少一个。

本公开实施例提供的贷款风险评分方法的执行主体可以是计算机，也可以是服务器或其他具有数据处理能力的计算设备。例如，前述计算机、服务器、计算设备等可以是前述任意一种应用场景的后台服务设备，如搜索引擎的后台服务器。本公开对贷款风险评分方法的执行主体也不作限制。

一些实施例中，服务器可以是单独的一个服务器，或者，也可以是由多个服务器构成的服务器集群。部分实施方式中，服务器集群还可以是分布式集群。本公开对服务器的具体实现方式也不作限制。

图1示出了本公开实施例提供的一种贷款风险评分方法的流程示意图，该方法的执行主体为服务器，服务器可以作为贷款风险评分的主控端，如图1所示，该方法主要可以包括以下步骤：

S110：确定当前的数据加工逻辑信息，其中，数据加工逻辑信息是用户使用结构化查询语言描述的用于指示征信数据加工逻辑的信息。

S120：将数据加工逻辑信息转换为可执行的数据加工函数。

S130：基于数据加工函数对样本客户的贷前征信数据进行加工，得到样本特征。

S140：基于样本特征对至少一个初始风控模型进行训练，得到至少一个目标风控模型。

S150：基于数据加工函数对目标客户的贷前征信数据进行加工，得到目标特征。

S160：将目标特征输入到至少一个目标风控模型中，得到目标客户的风险预测结果。

S170：基于风险预测结果生成目标客户的贷款风险评分。

本公开实施例提供贷款风险评分方法，可以允许用户使用结构化查询语言描述自行编写用于指示征信数据加工逻辑的信息，基于数据加工逻辑的信息和样本用户的贷前征信数据来训练初始风控模型，得到一个新的目标风控模型来预测用户的贷款风险。该方法实现了大量的风控业务场景下的自定义函数，满足业务人员自行编写风控模型，快速迭代和部署时效性。

在本公开实施例中，将XGB模型对归入实时评分系统范畴管理，调整现有XGB模型服务(申请评分模型、申请反欺诈模型、共债模型)的调用接口参数，不上送人行征信报文，改为上送特征引擎加工好的特征变量参数(具体变量设计阶段梳理)；新增人行二代XGB模型支持；移除XGB模型服务中的人行征信相关指标加工逻辑；大数据近线ES访问改为调用大数据API服务接口；XGB模型部署改造为支持热部署；模型效果监控通过大数据抽数后纳入原有大数据的监控体系。

在本公开实施例中，将数据加工逻辑信息转换为可执行的数据加工函数，包括：基于预设的语法生成器工具对数据加工逻辑信息进行解析，得到数据加工逻辑信息的解析结果；将解析结果转换为由Jave代码构建的数据加工函数。

在本公开实施例中，基于数据加工函数对样本客户的贷前征信数据进行加工，得到样本特征，包括：基于数据加工函数对样本客户的贷前征信数据进行特征实时计算和特征全量计算，得到贷前征信数据的特征衍生结果；将贷前征信数据的特征衍生结果作为样本特征。

在本公开实施例中，数据加工函数包括第一程序代码和第二程序代码，执行第一程序代码用于获取样本客户的贷前征信数据，执行第二程序代码用于对样本客户的贷前征信数据进行数据准备。

在本公开实施例中，基于数据加工函数对样本客户的贷前征信数据进行特征实时计算和特征全量计算，得到贷前征信数据的特征衍生结果，包括：调用第一程序代码，基于第一程序代码获取样本客户的贷前征信数据；调用第二程序代码，基于第二程序代码将样本客户的贷前征信数据按照映射关系转成特征引擎标准的JSON格式报文；对JSON格式报文进行特征实时计算和特征全量计算，得到贷前征信数据的特征衍生结果。

在本公开实施例中，对JSON格式报文进行特征实时计算和特征全量计算，得到贷前征信数据的特征衍生结果，包括：确定存储预先开发好的特征查询语言；按照特征查询语言的计算因子对JSON格式报文进行特征实时计算和特征全量计算，得到贷前征信数据的特征衍生结果。

这里，计算因子开发前前需要对数据进行格式化处理，还需要对数据进行分域开发。还需要在数据Schema设定后进行计算因子开发。

在本公开实施例中，贷前征信数据包括人行征信数据和非人行征信数据；非人行征信数据至少包括公积金数据、公安数据处理、航空数据和学历数据。

在本公开实施例中，基于风险预测结果生成目标客户的贷款风险评分，包括：获取样本客户的贷后行为数据；基于样本客户的贷后行为数据确定出贷前风险评分规则；基于风险预测结果和贷前风险评分规则生成目标客户的贷款风险评分。

基于与上述的贷款风险评分方法相同的原理，本公开实施例提供了一种贷款风险评分装置，图2示出了本公开实施例提供的一种贷款风险评分装置的示意图，如图2所示，贷款风险评分装置200包括逻辑信息确定模块210、加工函数转换模块220、样本生成模块230、目标模型训练模块240、目标生成模块250、风险预测模块260和风险评分模块270。

逻辑信息确定模块210用于确定当前的数据加工逻辑信息，其中，数据加工逻辑信息是用户使用结构化查询语言描述的用于指示征信数据加工逻辑的信息。

加工函数转换模块220用于将数据加工逻辑信息转换为可执行的数据加工函数。

样本生成模块230用于基于数据加工函数对样本客户的贷前征信数据进行加工，得到样本特征。

目标模型训练模块240用于基于样本特征对至少一个初始风控模型进行训练，得到至少一个目标风控模型。

目标生成模块250用于基于数据加工函数对目标客户的贷前征信数据进行加工，得到目标特征。

风险预测模块260用于将目标特征输入到至少一个目标风控模型中，得到目标客户的风险预测结果。

风险评分模块270用于基于风险预测结果生成目标客户的贷款风险评分。

本公开实施例提供贷款风险评分装置，可以允许用户使用结构化查询语言描述自行编写用于指示征信数据加工逻辑的信息，基于数据加工逻辑的信息和样本用户的贷前征信数据来训练初始风控模型，得到一个新的目标风控模型来预测用户的贷款风险。该方法实现了大量的风控业务场景下的自定义函数，满足业务人员自行编写风控模型，快速迭代和部署时效性。

在本公开实施例中，加工函数转换模块220在用于将数据加工逻辑信息转换为可执行的数据加工函数时，具体用于：

基于预设的语法生成器工具对数据加工逻辑信息进行解析，得到数据加工逻辑信息的解析结果；

将解析结果转换为由Jave代码构建的数据加工函数。

在本公开实施例中，样本生成模块230在用于基于数据加工函数对样本客户的贷前征信数据进行加工，得到样本特征时，具体用于：

基于数据加工函数对样本客户的贷前征信数据进行特征实时计算和特征全量计算，得到贷前征信数据的特征衍生结果；

将贷前征信数据的特征衍生结果作为样本特征。

在本公开实施例中，数据加工函数包括第一程序代码和第二程序代码，执行第一程序代码用于获取样本客户的贷前征信数据，执行第二程序代码用于对样本客户的贷前征信数据进行数据准备。

在本公开实施例中，样本生成模块230在用于基于数据加工函数对样本客户的贷前征信数据进行特征实时计算和特征全量计算，得到贷前征信数据的特征衍生结果时，具体用于：

调用第一程序代码，基于第一程序代码获取样本客户的贷前征信数据；

调用第二程序代码，基于第二程序代码将样本客户的贷前征信数据按照映射关系转成特征引擎标准的JSON格式报文；

对JSON格式报文进行特征实时计算和特征全量计算，得到贷前征信数据的特征衍生结果。

在本公开实施例中，样本生成模块230在用于对JSON格式报文进行特征实时计算和特征全量计算，得到贷前征信数据的特征衍生结果时，具体用于：

确定存储预先开发好的特征查询语言；

按照特征查询语言的计算因子对JSON格式报文进行特征实时计算和特征全量计算，得到贷前征信数据的特征衍生结果。

在本公开实施例中，贷前征信数据包括人行征信数据和非人行征信数据；非人行征信数据至少包括公积金数据、公安数据处理、航空数据和学历数据。

在本公开实施例中，风险评分模块270在用于基于风险预测结果生成目标客户的贷款风险评分时，具体用于：

获取样本客户的贷后行为数据；

基于样本客户的贷后行为数据确定出贷前风险评分规则；

基于风险预测结果和贷前风险评分规则生成目标客户的贷款风险评分。

可以理解的是，本公开实施例中的贷款风险评分装置的上述各模块具有实现上述的贷款风险评分方法相应步骤的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。上述模块可以是软件和/或硬件，上述各模块可以单独实现，也可以多个模块集成实现。对于上述贷款风险评分装置的各模块的功能描述具体可以参见上述的贷款风险评分方法的对应描述，在此不再赘述。

本公开的技术方案中，所涉及的客户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图3示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图3所示，设备300包括计算单元301，其可以根据存储在只读存储器(ROM)302中的计算机程序或者从存储单元308加载到随机访问存储器(RAM)303中的计算机程序，来执行各种适当的动作和处理。在RAM 303中，还可存储设备300操作所需的各种程序和数据。计算单元301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

设备300中的多个部件连接至I/O接口305，包括：输入单元306，例如键盘、鼠标等；输出单元307，例如各种类型的显示器、扬声器等；存储单元308，例如磁盘、光盘等；以及通信单元309，例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元301执行上文所描述的各个方法和处理，例如贷款风险评分方法。例如，在一些实施例中，贷款风险评分方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM 303并由计算单元301执行时，可以执行上文描述的贷款风险评分方法的一个或多个步骤。备选地，在其他实施例中，计算单元301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行贷款风险评分方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与客户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向客户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，客户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与客户的交互；例如，提供给客户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自客户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形客户界面或者网络浏览器的客户计算机，客户可以通过该图形客户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (11)

1.一种贷款风险评分方法，包括：

确定当前的数据加工逻辑信息，其中，所述数据加工逻辑信息是用户使用结构化查询语言描述的用于指示征信数据加工逻辑的信息；

将所述数据加工逻辑信息转换为可执行的数据加工函数；

基于所述数据加工函数对样本客户的贷前征信数据进行加工，得到样本特征；

基于所述样本特征对至少一个初始风控模型进行训练，得到至少一个目标风控模型；

基于所述数据加工函数对目标客户的贷前征信数据进行加工，得到目标特征；

将所述目标特征输入到所述至少一个目标风控模型中，得到所述目标客户的风险预测结果；

基于所述风险预测结果生成所述目标客户的贷款风险评分。

2.根据权利要求1所述的贷款风险评分方法，其特征在于，所述将所述数据加工逻辑信息转换为可执行的数据加工函数，包括：

基于预设的语法生成器工具对所述数据加工逻辑信息进行解析，得到所述数据加工逻辑信息的解析结果；

将所述解析结果转换为由Jave代码构建的数据加工函数。

3.根据权利要求1所述的贷款风险评分方法，其特征在于，所述基于所述数据加工函数对样本客户的贷前征信数据进行加工，得到样本特征，包括：

基于所述数据加工函数对样本客户的贷前征信数据进行特征实时计算和特征全量计算，得到所述贷前征信数据的特征衍生结果；

将所述贷前征信数据的特征衍生结果作为样本特征。

4.根据权利要求3所述的贷款风险评分方法，其特征在于，所述数据加工函数包括第一程序代码和第二程序代码，执行所述第一程序代码用于获取样本客户的贷前征信数据，执行所述第二程序代码用于对所述样本客户的贷前征信数据进行数据准备。

5.根据权利要求4所述的贷款风险评分方法，其特征在于，所述基于所述数据加工函数对样本客户的贷前征信数据进行特征实时计算和特征全量计算，得到所述贷前征信数据的特征衍生结果，包括：

调用所述第一程序代码，基于所述第一程序代码获取所述样本客户的贷前征信数据；

调用所述第二程序代码，基于所述第二程序代码将所述样本客户的贷前征信数据按照映射关系转成特征引擎标准的JSON格式报文；

对所述JSON格式报文进行特征实时计算和特征全量计算，得到所述贷前征信数据的特征衍生结果。

6.根据权利要求5所述的贷款风险评分方法，其特征在于，所述对所述JSON格式报文进行特征实时计算和特征全量计算，得到所述贷前征信数据的特征衍生结果，包括：

确定存储预先开发好的特征查询语言；

按照所述特征查询语言的计算因子对所述JSON格式报文进行特征实时计算和特征全量计算，得到所述贷前征信数据的特征衍生结果。

7.根据权利要求1所述的贷款风险评分方法，其特征在于，所述贷前征信数据包括人行征信数据和非人行征信数据；

所述非人行征信数据至少包括公积金数据、公安数据处理、航空数据和学历数据。

8.根据权利要求1所述的贷款风险评分方法，其特征在于，所述基于所述风险预测结果生成所述目标客户的贷款风险评分，包括：

获取所述样本客户的贷后行为数据；

基于所述样本客户的贷后行为数据确定出贷前风险评分规则；

基于所述风险预测结果和所述贷前风险评分规则生成所述目标客户的贷款风险评分。

9.一种贷款风险评分装置，包括：

逻辑信息确定模块，用于确定当前的数据加工逻辑信息，其中，所述数据加工逻辑信息是用户使用结构化查询语言描述的用于指示征信数据加工逻辑的信息；

加工函数转换模块，用于将所述数据加工逻辑信息转换为可执行的数据加工函数；

样本生成模块，用于基于所述数据加工函数对样本客户的贷前征信数据进行加工，得到样本特征；

目标模型训练模块，用于基于所述样本特征对至少一个初始风控模型进行训练，得到至少一个目标风控模型；

目标生成模块，用于基于所述数据加工函数对目标客户的贷前征信数据进行加工，得到目标特征；

风险预测模块，用于将所述目标特征输入到所述至少一个目标风控模型中，得到所述目标客户的风险预测结果；

风险评分模块，用于基于所述风险预测结果生成所述目标客户的贷款风险评分。

10.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的贷款风险评分方法。

11.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的贷款风险评分方法。

Images