CN116993490A - 一种基于人工智能的银行场景自动处理方法及系统 - Google Patents
一种基于人工智能的银行场景自动处理方法及系统 Download PDFInfo
- Publication number
- CN116993490A CN116993490A CN202311029827.0A CN202311029827A CN116993490A CN 116993490 A CN116993490 A CN 116993490A CN 202311029827 A CN202311029827 A CN 202311029827A CN 116993490 A CN116993490 A CN 116993490A
- Authority
- CN
- China
- Prior art keywords
- credit
- approval
- wolf
- data
- client
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 241000282461 Canis lupus Species 0.000 claims abstract description 83
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000010606 normalization Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000004140 cleaning Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 56
- 241000282421 Canidae Species 0.000 claims description 35
- 238000012954 risk control Methods 0.000 claims description 27
- 238000012795 verification Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 20
- 101100390985 Schizosaccharomyces pombe (strain 972 / ATCC 24843) fmc1 gene Proteins 0.000 claims description 12
- 101100460203 Schizosaccharomyces pombe (strain 972 / ATCC 24843) new2 gene Proteins 0.000 claims description 12
- 101100273916 Schizosaccharomyces pombe (strain 972 / ATCC 24843) wip1 gene Proteins 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000012217 deletion Methods 0.000 claims description 9
- 230000037430 deletion Effects 0.000 claims description 9
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 35
- 230000006870 function Effects 0.000 description 16
- 238000000605 extraction Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000012552 review Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000003012 network analysis Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
- G06N3/048—Activation functions
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于人工智能的银行场景自动处理方法,包括步骤:S1:获取客户的信贷申请数据;S2:数据预处理,对获取的客户的信贷申请数据进行数据清洗、归一化;S3:根据数据预处理后的数据,采用改进的灰狼优化算法找到最优解决方案;S4:采用训练好的人工神经网络对改进的灰狼优化算法选择的解决方案的审批结果进行预测;S5:输出信贷审批结果,包括批准或拒绝,以及贷款利率和条款,S6:自动通知客户,生成合同。本申请通过采用改进的灰狼优化算法找到最优解决方案,采用训练好的人工神经网络对改进的灰狼优化算法选择的解决方案的审批结果进行预测,输出信贷审批结果模块,实现了银行信贷审批自动化处理。
Description
技术领域
本发明涉及银行场景自动处理领域,具体涉及一种基于人工智能的银行场景自动处理方法及系统。
背景技术
信贷审批是金融机构评估和决定是否批准个人或企业贷款申请的关键过程。传统的信贷审批方法主要依赖人工审查,涉及大量的文件和信息核查,不仅效率低下,而且可能受到主观判断的影响。传统的信贷审批流程主要依赖人工审查,涉及大量的文件和信息核查。这一流程不仅耗时,而且容易出错,限制了银行的服务能力和响应速度。
虽然一些银行已经开始采用机器学习和数据挖掘技术来自动化信贷审批,但现有的算法和模型可能无法充分捕捉和理解复杂的信贷风险。例如,仅依赖基本的财务和人口统计特征可能无法准确反映申请人的真实信用状况。现有的身份验证方法可能无法有效防止身份欺诈和冒名申请。且现有的银行自动处理系统不能够根据客户的特殊化需求自动寻找方案,或寻找到的匹配方案不准确,或现有技术只针对一家银行寻找对应方案不能够对多家银行的方案同一考虑选择其中一个方案;传统的身份验证手段(如密码、身份证复印件等)可能被窃取或伪造,增加了信贷风险。现有的信贷审批系统可能涉及多种不同的技术和数据源,如人脸识别、社交网络分析、交易行为分析等。这些技术的集成和协同可能复杂且容易出错,限制了系统的性能和可靠性。现有的信贷审批流程可能无法提供流畅和友好的客户体验。例如,申请流程可能繁琐、响应时间可能较长、审批结果可能缺乏透明度和解释性等。
发明内容
针对现有技术中提到的上述问题,为解决上述技术问题,本发明提供了一种基于人工智能的银行场景自动处理方法及系统,该方法通过采用改进的灰狼优化算法找到最优解决方案,采用训练好的人工神经网络对改进的灰狼优化算法选择的解决方案的审批结果进行预测,输出信贷审批结果模块,包括批准或拒绝,以及贷款利率和条款,实现了银行信贷审批自动化处理。
一种基于人工智能的银行场景自动处理方法,包括步骤:
S1:获取客户的信贷申请数据,包括年龄、收入、信用记录、贷款金额、信用历史特征、客户人脸图像数据、社交和网络特征、交易行为特征;
S2:数据预处理,对获取的客户的信贷申请数据进行数据清洗、归一化;
S3:根据数据预处理后的数据,采用改进的灰狼优化算法找到最优解决方案,包括:S31初始化一群灰狼,每个灰狼代表一种信贷审批策略;S32全局搜索,模拟灰狼狩猎行为,对解空间进行全局搜索,适应度函数寻找最优解;
f(Xi)=W*(w1*Accuracy+w2*Risk Control+w3*Efficiency)
其中,Accuracy表示审批准确性,Risk Control表示风险控制、Efficiency表示审批效率,P表示正确批准的案例,N表示正确拒绝的案例,J表示总审批案例,F表示错误批准的案例,L表示已处理的案件总数、U表示资源使用量,T表示处理时间,w1、w2、w3是审批准确性系数、风险控制系数、审批效率系数,W表示客户类型权重;
S33在每次迭代中,更新灰狼的位置,选择适应度最好的前三只灰狼Xα、Xβ、Xδ,将三个新位置的平均值作为灰狼的新位置:
A=2μ*r1-μ
C=2*r2
Xnew1,i=Xα-A*|C*Xα-Xi|
Xnew2,i=Xβ-A*|C*Xβ-Xi|
Xnew3,i=Xδ-A*|C*Xδ-Xi|
A表示攻击系数,用于计算灰狼向主要灰狼靠近的方向和距离,μ表示线性递减系数,用于模拟灰狼捕猎过程中的收敛行为,r1,r2是在[0,1]范围内的随机数,X表示解的位置,表示在搜索空间中的一个点,C为位置系数,用于计算灰狼与主要灰狼之间的距离,Xnew1,i、Xnew2,i、Xnew3,i前三只狼为新的解的位置;
S4:采用训练好的人工神经网络对改进的灰狼优化算法选择的解决方案的审批结果进行预测;其中,人工神经网络根据获取客户的信贷申请数据进行训练预测;
S5:输出信贷审批结果,包括批准或拒绝,以及贷款利率和条款;
S6:自动通知客户,生成合同。
优选地,所述交易行为特征包括:交易频率、交易金额、交易类型、在线银行使用频率;所述信用历史特征包括:信用卡使用率、还款记录、还款记录、信用查询次数、贷款类型和数量;所述社交和网络特征包括在线购物行为、在线购物行为、网络搜索行为;所述客户人脸图像数据包括人脸灰度图像均值、人脸灰度图像直方图均衡化特征。
优选地,所述对获取的客户的信贷申请数据进行数据清洗、归一化,包括,采用删除、填充、插值方法处理缺失值,采用最大-最小进行归一化。
优选地,所述W表示客户类型权重由客户信用等级、客户收入水平、职业类型、客户年龄段确定;其中客户信用等级分为高、中、低;客户收入水平分为高收入、中等收入、低收入;职业类型分为白领、蓝领;客户年龄段分为青年、中年、老年。
优选地,所述客户人脸图像数据用于人脸识别,将提取的人脸特征与存储的人脸特征进行比较,验证申请人的身份,采用余弦相似度计算提取的特征与存储特征之间的相似度,若相似度大约阈值则验证通过,否则验证失败。
本申请还提供一种基于人工智能的银行场景自动处理系统,包括:
信息获取模块,获取客户的信贷申请数据,包括年龄、收入、信用记录、贷款金额、信用历史特征、客户人脸图像数据、社交和网络特征、交易行为特征;
数据预处理模块,对获取的客户的信贷申请数据进行数据清洗、归一化;
解决方案确定模块,根据数据预处理后的数据,采用改进的灰狼优化算法找到最优解决方案,包括:初始化一群灰狼,每个灰狼代表一种信贷审批策略;全局搜索,模拟灰狼狩猎行为,对解空间进行全局搜索,适应度函数寻找最优解;
f(Xi)=W*(w1*Accuracy+w2*Risk Control+w3*Efficiency)
其中,Accuracy表示审批准确性,Risk Control表示风险控制、Efficiency表示审批效率,P表示正确批准的案例,N表示正确拒绝的案例,J表示总审批案例,F表示错误批准的案例,L表示已处理的案件总数、U表示资源使用量,T表示处理时间,w1、w2、w3是审批准确性系数、风险控制系数、审批效率系数,W表示客户类型权重;
在每次迭代中,更新灰狼的位置,选择适应度最好的前三只灰狼Xα、Xβ、Xδ,将三个新位置的平均值作为灰狼的新位置:
A=2μ*r1-μ
C=2*r2
Xnew1,i=Xα-A*|C*Xα-Xi|
Xnew2,i=Xβ-A*|C*Xβ-Xi|
Xnew3,i=Xδ-A*|C*Xδ-Xi|
A表示攻击系数,用于计算灰狼向主要灰狼靠近的方向和距离,μ表示线性递减系数,用于模拟灰狼捕猎过程中的收敛行为,r1,r2是在[0,1]范围内的随机数,X表示解的位置,表示在搜索空间中的一个点,C为位置系数,用于计算灰狼与主要灰狼之间的距离,Xnew1,i、Xnew2,i、Xnew3,i前三只狼为新的解的位置;
人工神经网络预测模块:采用训练好的人工神经网络对改进的灰狼优化算法选择的解决方案的审批结果进行预测;其中,人工神经网络根据获取客户的信贷申请数据进行训练预测;
输出信贷审批结果模块,包括批准或拒绝,以及贷款利率和条款;
客户确定模块,自动通知客户,生成合同。
优选地,所述交易行为特征包括:交易频率、交易金额、交易类型、在线银行使用频率;所述信用历史特征包括:信用卡使用率、还款记录、还款记录、信用查询次数、贷款类型和数量;所述社交和网络特征包括在线购物行为、在线购物行为、网络搜索行为;所述客户人脸图像数据包括人脸灰度图像均值、人脸灰度图像直方图均衡化特征。
优选地,所述对获取的客户的信贷申请数据进行数据清洗、归一化,包括,采用删除、填充、插值方法处理缺失值,采用最大-最小进行归一化。
优选地,所述W表示客户类型权重由客户信用等级、客户收入水平、职业类型、客户年龄段确定;其中客户信用等级分为高、中、低;客户收入水平分为高收入、中等收入、低收入;职业类型分为白领、蓝领;客户年龄段分为青年、中年、老年。
优选地,所述客户人脸图像数据用于人脸识别,将提取的人脸特征与存储的人脸特征进行比较,验证申请人的身份,采用余弦相似度计算提取的特征与存储特征之间的相似度,若相似度大约阈值则验证通过,否则验证失败。
本发明提供了一种基于人工智能的银行场景自动处理方法及系统,所能实现的有益技术效果如下:
1、本申请通过采用改进的灰狼优化算法找到最优解决方案,采用训练好的人工神经网络对改进的灰狼优化算法选择的解决方案的审批结果进行预测,输出信贷审批结果模块,包括批准或拒绝,以及贷款利率和条款,实现了银行信贷审批自动化处理,实现方案的精确匹配优化寻找,大大增强了银行处理效率。
2、本发明根据数据预处理后的数据,采用改进的灰狼优化算法找到最优解决方案,包括:初始化一群灰狼,每个灰狼代表一种信贷审批策略;全局搜索,模拟灰狼狩猎行为,对解空间进行全局搜索,适应度函数寻找最优解;w1、w2、w3是审批准确性系数、风险控制系数、审批效率系数,W表示客户类型权重,上述系数、权重的设置大大增强了根据客户信息寻找优化方案的准确性,提高了寻找效率。
3、本发明通过采用训练好的人工神经网络对改进的灰狼优化算法选择的解决方案的审批结果进行预测;其中,人工神经网络根据获取客户的信贷申请数据进行训练预测;输出信贷审批结果模块,包括批准或拒绝,以及贷款利率和条款;本申请将改进的灰狼优化算法与人工神经网络算法结合实现了银行业务自动化处理,大大增强了审批效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明的一种基于人工智能的银行场景自动处理方法步骤示意图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1:
针对现有技术中提到的上述问题,为解决上述技术问题,如图1所示:一种基于人工智能的银行场景自动处理方法,包括步骤:
S1:获取客户的信贷申请数据,包括年龄、收入、信用记录、贷款金额、信用历史特征、客户人脸图像数据、社交和网络特征、交易行为特征;
特征提取是机器学习和数据分析的关键步骤,通过提取关键特征,可以更好地理解数据并构建有效的模型。在银行场景中,除了信用评分、贷款额度与收入比等特征外,还可以提取以下特征:
财务状况特征:总资产、总负债、流动资产、流动负债、财务杠杆比率、储蓄账户余额;
信用历史特征:信用卡使用率、还款记录、逾期次数、信用查询次数、贷款类型和数量;
职业和收入特征:职业类型、工作年限、年收入、收入稳定性;
人口统计特征:年龄、性别、婚姻状况、教育水平、居住地区;
交易行为特征:交易频率、交易金额、交易类型、在线银行使用情况;
投资和理财特征:投资类型、投资回报率、投资风险承受能力、理财产品持有情况;
客户关系特征:与银行的关系年限、使用的银行产品数量、客户满意度评分、客户反馈和投诉记录;
宏观经济特征:经济增长率、利率水平、通货膨胀率、失业率;
法律和合规特征:法律诉讼记录、合规审查结果、税务合规状况;
社交和网络特征:社交媒体活跃度、在线购物行为、网络搜索行为;
通过综合分析这些特征,银行可以更精确地评估客户的信用风险、理解客户需求、优化产品推荐、提高风险管理效果等。不过,值得注意的是,特征提取和使用需要遵循相关法律和道德规范,确保客户隐私和数据安全。
S2:数据预处理,对获取的客户的信贷申请数据进行数据清洗、归一化;
灰狼优化算法(Grey Wolf Optimizer,GWO)是一种模拟灰狼狩猎行为的启发式优化算法。在银行信贷审批场景中,可以用来寻找最优的信贷审批策略;
1.初始化首先,初始化一群灰狼,每个灰狼代表一个可能的信贷审批策略,例如不同的特征权重、阈值等。灰狼数量:N代表解空间维度:D代表信贷审批策略的参数数量,位置矩阵X,代表每个灰狼的位置,即信贷审批策略,全局搜索通过模拟灰狼的狩猎行为,进行全局搜索。在每次迭代中,更新灰狼的位置,寻找最优解;适应度函数:f(Xi),用于评估每个灰狼的适应度,即信贷审批策略的效果,最优灰狼:选择适应度最好的三只灰狼;
S3:根据数据预处理后的数据,采用改进的灰狼优化算法找到最优解决方案,包括:
S31初始化一群灰狼,每个灰狼代表一种信贷审批策略;
S32全局搜索,模拟灰狼狩猎行为,对解空间进行全局搜索,适应度函数寻找最优解;将客户类型权重集成到适应度函数中,以便在优化过程中考虑客户类型因素,适应度函数在灰狼优化算法(GWO)中起到评估每个解(即每只灰狼)的效果的作用。在信贷审批场景中,适应度函数可以设计为评估信贷审批策略的效果,包括审批的准确性、风险控制、效率等因素。
f(Xi)=W*(w1*Accuracy+w2*Risk Control+w3*Efficiency)
其中,Accuracy表示审批准确性,Risk Control表示风险控制、Efficiency表示审批效率,P表示正确批准的案例,N表示正确拒绝的案例,J表示总审批案例,F表示错误批准的案例,L表示已处理的案件总数、U表示资源使用量,T表示处理时间,w1、w2、w3是审批准确性系数、风险控制系数、审批效率系数,W表示客户类型权重;定义客户类型特征,例如:
信用等级(高、中、低)
客户收入水平(高收入、中等收入、低收入)
职业类型(例如白领、蓝领等)
客户年龄段(例如青年、中年、老年);
S33在每次迭代中,更新灰狼的位置,选择适应度最好的前三只灰狼Xα、Xβ、Xδ,将三个新位置的平均值作为灰狼的新位置:
A=2μ*r1-μ
C=2*r2
Xnew1,i=Xα-A*|C*Xα-Xi|
Xnew2,i=Xβ-A*|C*Xβ-Xi|
Xnew3,i=Xδ-A*|C*Xδ-Xi|
A表示攻击系数,用于计算灰狼向主要灰狼靠近的方向和距离,μ表示线性递减系数,用于模拟灰狼捕猎过程中的收敛行为,r1,r2是在[0,1]范围内的随机数,X表示解的位置,表示在搜索空间中的一个点,C为位置系数,用于计算灰狼与主要灰狼之间的距离,Xnew1,i、Xnew2,i、Xnew3,i前三只狼为新的解的位置;当达到最大迭代次数或找到满足条件的最优解时,终止算法;
S4:采用训练好的人工神经网络对改进的灰狼优化算法选择的解决方案的审批结果进行预测;其中,人工神经网络根据获取客户的信贷申请数据进行训练预测;人工神经网络(Artificial Neural Network,ANN)在信贷审批中可以用于学习和预测申请人的信贷风险。以下是结合信贷审批的ANN训练和预测的具体详细说明和公式表示:
1.定义网络结构:
首先,我们需要定义神经网络的结构,包括输入层、隐藏层和输出层。
输入层:特征数量,例如信用评分、收入、负债等。
隐藏层:一个或多个隐藏层,每层包括若干神经元。
输出层:输出信贷审批的结果,例如批准或拒绝。
2.初始化权重和偏置:
权重和偏置是神经网络的参数,需要在训练开始时进行初始化。
权重:w
偏置:b
3.前向传播:
前向传播是计算神经网络的输出的过程。对于每一层,我们可以使用以下公式:zl=wl*al-1-bl
al=σ(zl)
al表示l层的激活值,σ表示激活函数(例如Sigmoid或ReLU),l为层的索引,zl表示l层的输出,wl表示l层的权重,bl表示l层的偏置,zl表示l层的净输入,由权重、输入和偏置的线性组合计算得出。
损失函数:
损失函数用于评估神经网络的预测与实际结果的差距。常用的损失函数包括均方误差(MSE)和交叉熵(Cross-Entropy)等。
其中,m表示样本数量,yi表示网络的预测输出值,y'i表示实际目标值或真实标签。反向传播用于计算损失函数关于权重和偏置的梯度,以便更新这些参数;
使用梯度下降或其他优化算法更新权重和偏置,wi是客户类型权重,通过将wi客户类型权重作为损失函数的计算考虑因素,可以使人工神经网络更好地适应信贷审批的特定需求和挑战,实现更高的准确性、灵活性和创造性。这种创造性的方法将有助于提高银行信贷审批的效率和准确性,同时增强客户满意度和忠诚度。大大增强了计算准确度。
使用训练好的神经网络进行预测。预测过程与前向传播相同,只需将训练数据替换为新的输入数据。
S5:输出信贷审批结果,包括批准或拒绝,以及贷款利率和条款;
S6:自动通知客户,生成合同。
在一些实施例中,所述交易行为特征包括:交易频率、交易金额、交易类型、在线银行使用频率;所述信用历史特征包括:信用卡使用率、还款记录、还款记录、信用查询次数、贷款类型和数量;所述社交和网络特征包括在线购物行为、在线购物行为、网络搜索行为;所述客户人脸图像数据包括人脸灰度图像均值、人脸灰度图像直方图均衡化特征。
在信贷审批过程中,提取关键特征是至关重要的步骤,因为这些特征将用于评估申请人的信贷风险。以下是如何提取关键特征(例如信用评分、贷款额度与收入比等)的具体详细说明:
1.数据收集和预处理:
首先,需要收集申请人的相关信息,包括但不限于个人信息、财务状况、信用历史等。预处理步骤可能包括清理缺失值、转换数据类型、标准化数值等。
2.信用评分提取:
信用评分通常由信用局提供,反映了申请人的信用历史和信用行为。
数据源:信用局报告、银行交易记录等。
计算方法:可以使用FICO分数或其他信用评分模型。
3.贷款额度与收入比提取:
贷款额度与收入比(Loan-to-IncomeRatio)是申请人所申请的贷款额度与其年收入的比例。
数据源:申请表格(包括申请的贷款额度)、工资单、税务记录等。.贷款额度与收入比提取:
贷款额度与收入比(Loan-to-IncomeRatio)是申请人所申请的贷款额度与其年收入的比例。
数据源:申请表格(包括申请的贷款额度)、工资单、税务记录等。
4.其他特征提取:
除了上述特征外,还可能需要提取其他与信贷风险相关的特征,例如:
债务收入比(Debt-to-IncomeRatio)
工作历史:工作年限、行业、职位等。
教育背景:学历、专业等。
居住情况:房屋所有权、居住年限等。
5.特征选择和降维:
可能需要使用特征选择和降维技术(例如主成分分析、LASSO回归等)来选择最有信息价值的特征,并减少维度。
在一些实施例中,所述对获取的客户的信贷申请数据进行数据清洗、归一化,包括,采用删除、填充、插值方法处理缺失值,采用最大-最小进行归一化。
在一些实施例中,所述W表示客户类型权重由客户信用等级、客户收入水平、职业类型、客户年龄段确定;其中客户信用等级分为高、中、低;客户收入水平分为高收入、中等收入、低收入;职业类型分为白领、蓝领;客户年龄段分为青年、中年、老年。
在一些实施例中,所述客户人脸图像数据用于人脸识别,将提取的人脸特征与存储的人脸特征进行比较,验证申请人的身份,采用余弦相似度计算提取的特征与存储特征之间的相似度,若相似度大约阈值则验证通过,否则验证失败。
本申请还提供一种基于人工智能的银行场景自动处理系统,包括:
信息获取模块,获取客户的信贷申请数据,包括年龄、收入、信用记录、贷款金额、信用历史特征、客户人脸图像数据、社交和网络特征、交易行为特征;
数据预处理模块,对获取的客户的信贷申请数据进行数据清洗、归一化;
数据清洗
数据清洗是从原始数据中识别和纠正(或删除)错误和不一致性的过程,以提高数据的质量。
处理缺失值:
方法:删除、填充、插值等。
示例:如果某个申请人的年收入数据缺失,可以使用该申请人职业类别的平均年收入进行填充。
删除重复记录:
方法:识别和删除重复的行。
示例:如果同一申请人提交了多个相同的申请,可以删除重复的申请记录。
纠正异常值:
方法:使用统计方法识别和纠正或删除异常值。
示例:如果某个申请人的年收入远高于其职业类别的正常范围,可以将其视为异常值并进行处理。
数据归一化是将特征缩放到相同的范围,以便在分析和建模中进行公平比较。
最小-最大归一化:
方法:将特征缩放到指定的范围(通常为0到1);
Z-Score标准化:将特征缩放为均值为0,标准差为1的分布。
解决方案确定模块,根据数据预处理后的数据,采用改进的灰狼优化算法找到最优解决方案,包括:初始化一群灰狼,每个灰狼代表一种信贷审批策略;全局搜索,模拟灰狼狩猎行为,对解空间进行全局搜索,适应度函数寻找最优解;
f(Xi)=W*(w1*Accuracy+w2*Risk Control+w3*Efficiency)
其中,Accuracy表示审批准确性,Risk Control表示风险控制、Efficiency表示审批效率,P表示正确批准的案例,N表示正确拒绝的案例,J表示总审批案例,F表示错误批准的案例,L表示已处理的案件总数、U表示资源使用量,T表示处理时间,w1、w2、w3是审批准确性系数、风险控制系数、审批效率系数,W表示客户类型权重;
在每次迭代中,更新灰狼的位置,选择适应度最好的前三只灰狼Xα、Xβ、Xδ,将三个新位置的平均值作为灰狼的新位置:
A=2μ*r1-μ
C=2*r2
Xnew1,i=Xα-A*|C*Xα-Xi|
Xnew2,i=Xβ-A*|C*Xβ-Xi|
Xnew3,i=Xδ-A*|C*Xδ-Xi|
A表示攻击系数,用于计算灰狼向主要灰狼靠近的方向和距离,μ表示线性递减系数,用于模拟灰狼捕猎过程中的收敛行为,r1,r2是在[0,1]范围内的随机数,X表示解的位置,表示在搜索空间中的一个点,C为位置系数,用于计算灰狼与主要灰狼之间的距离,Xnew1,i、Xnew2,i、Xnew3,i前三只狼为新的解的位置;
人工神经网络预测模块:采用训练好的人工神经网络对改进的灰狼优化算法选择的解决方案的审批结果进行预测;其中,人工神经网络根据获取客户的信贷申请数据进行训练预测;
输出信贷审批结果模块,包括批准或拒绝,以及贷款利率和条款;
客户确定模块,自动通知客户,生成合同。
在一些实施例中,所述交易行为特征包括:交易频率、交易金额、交易类型、在线银行使用频率;所述信用历史特征包括:信用卡使用率、还款记录、还款记录、信用查询次数、贷款类型和数量;所述社交和网络特征包括在线购物行为、在线购物行为、网络搜索行为;所述客户人脸图像数据包括人脸灰度图像均值、人脸灰度图像直方图均衡化特征。
在一些实施例中,所述对获取的客户的信贷申请数据进行数据清洗、归一化,包括,采用删除、填充、插值方法处理缺失值,采用最大-最小进行归一化。
在一些实施例中,所述W表示客户类型权重由客户信用等级、客户收入水平、职业类型、客户年龄段确定;其中客户信用等级分为高、中、低;客户收入水平分为高收入、中等收入、低收入;职业类型分为白领、蓝领;客户年龄段分为青年、中年、老年。
在一些实施例中,所述客户人脸图像数据用于人脸识别,将提取的人脸特征与存储的人脸特征进行比较,验证申请人的身份,采用余弦相似度计算提取的特征与存储特征之间的相似度,若相似度大约阈值则验证通过,否则验证失败。将客户的人脸图像作为信贷审批过程的输入,可以增加一层人身验证的安全措施。人脸识别和人身验证可以确保申请人的身份真实性,减少欺诈风险。以下是如何结合人脸图像进行人脸识别和人身验证的过程:
1.人脸图像收集:
在信贷申请过程中,可以要求申请人提供一张清晰的人脸图像或者采用摄像头或CCD相机拍摄人脸图像,并对人脸图像进行直方图均衡化实现去噪,对人脸图像进行灰度化预处理,采用均值滤波滤除噪声。也可以通过在线申请界面的摄像头捕获,或者上传一张已有的照片来实现。
2.人脸检测:
使用人脸检测算法从图像中定位并提取人脸区域。
方法:可以使用OpenCV、Dlib等库中的人脸检测算法。
输出:人脸的边界框或人脸区域的图像。
3.人脸特征提取:
从人脸区域提取关键特征,用于人脸识别和人身验证。
方法:可以使用深度学习的人脸识别模型,如FaceNet、VGGFace等。
输出:人脸的特征向量。
4.人身验证:
将提取的人脸特征与存储的人脸特征进行比较,验证申请人的身份。
方法:计算提取的人脸图像特征与存储特征之间的相似度,如欧氏距离或余弦相似度。例如人脸图像灰度均值、最大值、最小值等像素特征。
判断:如果相似度超过某个阈值,则验证通过;否则,验证失败。
5.整合到信贷审批流程:
将人脸识别和人身验证的结果整合到信贷审批流程中。
如果验证通过:继续审批流程,考虑年龄、收入、信用记录、贷款金额等因素。
如果验证失败:拒绝申请或要求提供其他身份验证信息。
将客户的社交和网络特征、交易行为特征作为信贷审批的输入,可以提供更全面和精确的客户画像,有助于更准确地评估信贷风险。以下是这些特征的详细说明以及获取方法:
社交和网络特征
社交和网络特征反映了客户在社交网络和在线平台上的行为和关系。
社交网络连接:
包括:好友数量、关注者数量、被关注者数量等。
获取方法:通过社交媒体平台的API获取。
社交媒体活动:
包括:发帖数量、点赞数量、分享数量、评论数量等。
获取方法:通过社交媒体平台的API或网络爬虫获取。
在线声誉和评分:
包括:在线评论的评分、信誉等级等。
获取方法:通过电商平台、服务平台等的API或网络爬虫获取。
社交网络分析:
包括:社交网络中的中心性、聚类系数、社区结构等。
获取方法:通过社交网络分析工具和算法分析。
交易行为特征
交易行为特征反映了客户在金融和商业交易中的行为和习惯。
交易频率和金额:
包括:交易次数、平均交易金额、最大/最小交易金额等。
获取方法:通过银行和支付平台的交易记录获取。
交易类型和类别:
包括:消费类别(如食品、娱乐、医疗等)、支付方式(如信用卡、借记卡、移动支付等)。
获取方法:通过银行和支付平台的交易记录获取。
交易时间和地点:
包括:交易时间(如季节、周几、一天中的时间等)、交易地点(如城市、商店类型等)。
获取方法:通过银行和支付平台的交易记录获取。
交易异常行为:
包括:异常交易次数、异常交易类型等。
获取方法:通过银行和支付平台的风险管理系统获取。
本发明提供了一种基于人工智能的银行场景自动处理方法及系统,所能实现的有益技术效果如下:
1、本申请通过采用改进的灰狼优化算法找到最优解决方案,采用训练好的人工神经网络对改进的灰狼优化算法选择的解决方案的审批结果进行预测,输出信贷审批结果模块,包括批准或拒绝,以及贷款利率和条款,实现了银行信贷审批自动化处理,实现方案的精确匹配优化寻找,大大增强了银行处理效率。
2、本发明根据数据预处理后的数据,采用改进的灰狼优化算法找到最优解决方案,包括:初始化一群灰狼,每个灰狼代表一种信贷审批策略;全局搜索,模拟灰狼狩猎行为,对解空间进行全局搜索,适应度函数寻找最优解;w1、w2、w3是审批准确性系数、风险控制系数、审批效率系数,W表示客户类型权重,上述系数、权重的设置大大增强了根据客户信息寻找优化方案的准确性,提高了寻找效率。
3、本发明通过采用训练好的人工神经网络对改进的灰狼优化算法选择的解决方案的审批结果进行预测;其中,人工神经网络根据获取客户的信贷申请数据进行训练预测;输出信贷审批结果模块,包括批准或拒绝,以及贷款利率和条款;本申请将改进的灰狼优化算法与人工神经网络算法结合实现了银行业务自动化处理,大大增强了审批效率。
以上对一种基于人工智能的电力系统主动防御方法及系统进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的核心思想;同时,对于本领域的一般技术人员,依据本发明的思想和方法,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于人工智能的银行场景自动处理方法,其特征在于,包括步骤:
S1:获取客户的信贷申请数据,包括年龄、收入、信用记录、贷款金额、信用历史特征、客户人脸图像数据、社交和网络特征、交易行为特征;
S2:数据预处理,对获取的客户的信贷申请数据进行数据清洗、归一化;
S3:根据数据预处理后的数据,采用改进的灰狼优化算法找到最优解决方案,包括:
S31初始化一群灰狼,每个灰狼代表一种信贷审批策略;
S32全局搜索,模拟灰狼狩猎行为,对解空间进行全局搜索,适应度函数寻找最优解;
f(Xi)=W*(w1*Accuracy+w2*Risk Control+w3*Efficiency)
其中,Accuracy表示审批准确性,Risk Control表示风险控制、Efficiency表示审批效率,P表示正确批准的案例,N表示正确拒绝的案例,J表示总审批案例,F表示错误批准的案例,L表示已处理的案件总数、U表示资源使用量,T表示处理时间,w1、w2、w3是审批准确性系数、风险控制系数、审批效率系数,W表示客户类型权重;
S33在每次迭代中,更新灰狼的位置,选择适应度最好的前三只灰狼Xα、Xβ、Xδ,将三个新位置的平均值作为灰狼的新位置:
A=2μ*r1-μ
C=2*r2
Xnew1,i=Xα-A*|C*Xα-Xi|
Xnew2,i=Xβ-A*|C*Xβ-Xi|
Xnew3,i=Xδ-A*|C*Xδ-Xi|
A表示攻击系数,用于计算灰狼向主要灰狼靠近的方向和距离,μ表示线性递减系数,用于模拟灰狼捕猎过程中的收敛行为,r1,r2是在[0,1]范围内的随机数,X表示解的位置,表示在搜索空间中的一个点,C为位置系数,用于计算灰狼与主要灰狼之间的距离,Xnew1,i、Xnew2,i、Xnew3,i前三只狼为新的解的位置;
S4:采用训练好的人工神经网络对改进的灰狼优化算法选择的解决方案的审批结果进行预测;其中,人工神经网络根据获取客户的信贷申请数据进行训练预测;
S5:输出信贷审批结果,包括批准或拒绝,以及贷款利率和条款;
S6:自动通知客户,生成合同。
2.如权利要求1所述的一种基于人工智能的银行场景自动处理方法,其特征在于,所述交易行为特征包括:交易频率、交易金额、交易类型、在线银行使用频率;所述信用历史特征包括:信用卡使用率、还款记录、还款记录、信用查询次数、贷款类型和数量;所述社交和网络特征包括在线购物行为、在线购物行为、网络搜索行为;所述客户人脸图像数据包括人脸灰度图像均值、人脸灰度图像直方图均衡化特征。
3.如权利要求1所述的一基于人工智能的银行场景自动处理方法,其特征在于,所述对获取的客户的信贷申请数据进行数据清洗、归一化,包括,采用删除、填充、插值方法处理缺失值,采用最大-最小进行归一化。
4.如权利要求1所述的一种基于人工智能的银行场景自动处理方法,其特征在于,所述W表示客户类型权重由客户信用等级、客户收入水平、职业类型、客户年龄段确定;其中客户信用等级分为高、中、低;客户收入水平分为高收入、中等收入、低收入;职业类型分为白领、蓝领;客户年龄段分为青年、中年、老年。
5.如权利要求1所述的一种基于人工智能的银行场景自动处理方法,其特征在于,所述客户人脸图像数据用于人脸识别,将提取的人脸特征与存储的人脸特征进行比较,验证申请人的身份,采用余弦相似度计算提取的特征与存储特征之间的相似度,若相似度大约阈值则验证通过,否则验证失败。
6.一种基于人工智能的银行场景自动处理系统,其特征在于,包括:
信息获取模块,获取客户的信贷申请数据,包括年龄、收入、信用记录、贷款金额、信用历史特征、客户人脸图像数据、社交和网络特征、交易行为特征;
数据预处理模块,对获取的客户的信贷申请数据进行数据清洗、归一化;
解决方案确定模块,根据数据预处理后的数据,采用改进的灰狼优化算法找到最优解决方案,包括:初始化一群灰狼,每个灰狼代表一种信贷审批策略;全局搜索,模拟灰狼狩猎行为,对解空间进行全局搜索,适应度函数寻找最优解;
f(Xi)=W*(w1*Accuracy+w2*Risk Control+w3*Efficiency)
其中,Accuracy表示审批准确性,Risk Control表示风险控制、Efficiency表示审批效率,P表示正确批准的案例,N表示正确拒绝的案例,J表示总审批案例,F表示错误批准的案例,L表示已处理的案件总数、U表示资源使用量,T表示处理时间,w1、w2、w3是审批准确性系数、风险控制系数、审批效率系数,W表示客户类型权重;
在每次迭代中,更新灰狼的位置,选择适应度最好的前三只灰狼Xα、Xβ、Xδ,将三个新位置的平均值作为灰狼的新位置:
A=2μ*r1-μ
C=2*r2
Xnew1,i=Xα-A*|C*Xα-Xi|
Xnew2,i=Xβ-A*|C*Xβ-Xi|
Xnew3,i=Xδ-A*|C*Xδ-Xi|
A表示攻击系数,用于计算灰狼向主要灰狼靠近的方向和距离,α表示线性递减系数,用于模拟灰狼捕猎过程中的收敛行为,r1,r2是在[0,1]范围内的随机数,X表示解的位置,表示在搜索空间中的一个点,C为位置系数,用于计算灰狼与主要灰狼之间的距离,Xnew1,i、Xnew2,i、Xnew3,i前三只狼为新的解的位置;
人工神经网络预测模块:采用训练好的人工神经网络对改进的灰狼优化算法选择的解决方案的审批结果进行预测;其中,人工神经网络根据获取客户的信贷申请数据进行训练预测;
输出信贷审批结果模块,包括批准或拒绝,以及贷款利率和条款;
客户确定模块,自动通知客户,生成合同。
7.如权利要求6所述的一种基于人工智能的银行场景自动处理系统,其特征在于,所述交易行为特征包括:交易频率、交易金额、交易类型、在线银行使用频率;所述信用历史特征包括:信用卡使用率、还款记录、还款记录、信用查询次数、贷款类型和数量;所述社交和网络特征包括在线购物行为、在线购物行为、网络搜索行为;所述客户人脸图像数据包括人脸灰度图像均值、人脸灰度图像直方图均衡化特征。
8.如权利要求6所述的一基于人工智能的银行场景自动处理系统,其特征在于,所述对获取的客户的信贷申请数据进行数据清洗、归一化,包括,采用删除、填充、插值方法处理缺失值,采用最大-最小进行归一化。
9.如权利要求6所述的一种基于人工智能的银行场景自动处理系统,其特征在于,所述W表示客户类型权重由客户信用等级、客户收入水平、职业类型、客户年龄段确定;其中客户信用等级分为高、中、低;客户收入水平分为高收入、中等收入、低收入;职业类型分为白领、蓝领;客户年龄段分为青年、中年、老年。
10.如权利要求6所述的一种基于人工智能的银行场景自动处理系统,其特征在于,所述客户人脸图像数据用于人脸识别,将提取的人脸特征与存储的人脸特征进行比较,验证申请人的身份,采用余弦相似度计算提取的特征与存储特征之间的相似度,若相似度大约阈值则验证通过,否则验证失败。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311029827.0A CN116993490B (zh) | 2023-08-15 | 2023-08-15 | 一种基于人工智能的银行场景自动处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311029827.0A CN116993490B (zh) | 2023-08-15 | 2023-08-15 | 一种基于人工智能的银行场景自动处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116993490A true CN116993490A (zh) | 2023-11-03 |
CN116993490B CN116993490B (zh) | 2024-03-01 |
Family
ID=88530091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311029827.0A Active CN116993490B (zh) | 2023-08-15 | 2023-08-15 | 一种基于人工智能的银行场景自动处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993490B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726461A (zh) * | 2024-02-07 | 2024-03-19 | 湖南招采猫信息技术有限公司 | 一种用于电子招采辅助的金融风险预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581263A (zh) * | 2020-12-23 | 2021-03-30 | 百维金科(上海)信息科技有限公司 | 一种基于灰狼算法优化广义回归神经网络的信用评估方法 |
CN112700326A (zh) * | 2021-01-08 | 2021-04-23 | 北京工业大学 | 一种基于灰狼算法优化bp神经网络的信贷违约预测方法 |
CN114021612A (zh) * | 2021-09-15 | 2022-02-08 | 南京云创大数据科技股份有限公司 | 一种新型个人信用评估方法及系统 |
-
2023
- 2023-08-15 CN CN202311029827.0A patent/CN116993490B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581263A (zh) * | 2020-12-23 | 2021-03-30 | 百维金科(上海)信息科技有限公司 | 一种基于灰狼算法优化广义回归神经网络的信用评估方法 |
CN112700326A (zh) * | 2021-01-08 | 2021-04-23 | 北京工业大学 | 一种基于灰狼算法优化bp神经网络的信贷违约预测方法 |
CN114021612A (zh) * | 2021-09-15 | 2022-02-08 | 南京云创大数据科技股份有限公司 | 一种新型个人信用评估方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726461A (zh) * | 2024-02-07 | 2024-03-19 | 湖南招采猫信息技术有限公司 | 一种用于电子招采辅助的金融风险预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116993490B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11501205B2 (en) | System and method for synthesizing data | |
US20180260891A1 (en) | Systems and methods for generating and using optimized ensemble models | |
Plakandaras et al. | Forecasting daily and monthly exchange rates with machine learning techniques | |
US20170330058A1 (en) | Detecting and reducing bias (including discrimination) in an automated decision making process | |
US20220122171A1 (en) | Client server system for financial scoring with cash transactions | |
CN109389494B (zh) | 借贷欺诈检测模型训练方法、借贷欺诈检测方法及装置 | |
US8412604B1 (en) | Financial account segmentation system | |
Maskara et al. | The role of P2P platforms in enhancing financial inclusion in the United States: An analysis of peer‐to‐peer lending across the rural–urban divide | |
CN110704730A (zh) | 基于大数据的产品数据推送方法、系统及计算机设备 | |
CN116993490B (zh) | 一种基于人工智能的银行场景自动处理方法及系统 | |
CN111325248A (zh) | 降低贷前业务风险的方法及系统 | |
CN110796539A (zh) | 一种征信评估方法及装置 | |
CN110689427A (zh) | 一种基于生存分析的消费分期违约概率模型 | |
WO2019021314A1 (en) | SYSTEM AND METHOD FOR PREDICTING DEFAULT PROBABILITY AND CREDIT EVALUATION FRAMEWORK | |
CN113657990A (zh) | 一种蚁狮算法优化narx神经网络风险预测系统及方法 | |
Eddy et al. | Credit scoring models: Techniques and issues | |
CN112232950A (zh) | 针对借贷风险的评估方法及装置、设备、计算机可读存储介质 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN116596659A (zh) | 基于大数据风控的企业智能化信贷审批方法、系统及介质 | |
Zhou | Data mining for individual consumer credit default prediction under e-commence context: a comparative study | |
CN114021612A (zh) | 一种新型个人信用评估方法及系统 | |
CN115841345B (zh) | 跨境大数据智能化分析方法、系统以及存储介质 | |
US10346873B1 (en) | Method and system for implementing behavior isolating prediction model | |
Cheryshenko et al. | Integration of big data in the decision-making process in the real estate sector | |
US11551317B2 (en) | Property valuation model and visualization |
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 |