CN117455417B - 一种智能风控审批策略自动迭代优化方法及系统 - Google Patents

一种智能风控审批策略自动迭代优化方法及系统 Download PDF

Info

Publication number
CN117455417B
CN117455417B CN202311777041.7A CN202311777041A CN117455417B CN 117455417 B CN117455417 B CN 117455417B CN 202311777041 A CN202311777041 A CN 202311777041A CN 117455417 B CN117455417 B CN 117455417B
Authority
CN
China
Prior art keywords
data
module
wind control
customer
rule
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.)
Active
Application number
CN202311777041.7A
Other languages
English (en)
Other versions
CN117455417A (zh
Inventor
杨蜀
陈威
吴春明
张垚彦
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.)
Shenzhen Shubao Technology Co ltd
Original Assignee
Shenzhen Shubao Technology 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 Shenzhen Shubao Technology Co ltd filed Critical Shenzhen Shubao Technology Co ltd
Priority to CN202311777041.7A priority Critical patent/CN117455417B/zh
Publication of CN117455417A publication Critical patent/CN117455417A/zh
Application granted granted Critical
Publication of CN117455417B publication Critical patent/CN117455417B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • 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
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Human Resources & Organizations (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Technology Law (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明涉及一种智能风控审批策略自动迭代优化方法及系统，采用先进的客户数据处理和分类技术，自动化风控策略审批，以及创新的数据清洗和特征衍生算法，显著提高了风险评估的效率和准确性；特别是利用随机森林算法在变量分析和规则生成阶段，本发明能够有效识别高预测能力变量，生成强大的风控规则；通过这些技术的应用，本发明不仅解决了传统风控方法在处理复杂金融数据时的局限，还增强了风控模型对市场变化的动态适应性，为金融机构提供了更高效、更精准的风险管理解决方案。

Description

一种智能风控审批策略自动迭代优化方法及系统
技术领域
本发明涉及金融智能风控技术领域，更具体地说，涉及一种智能风控审批策略自动迭代优化方法及系统。
背景技术
随着金融技术领域的不断发展和数据处理需求的激增，传统金融风险控制（以下简称：风控）方法在现代消费金融行业中面临着显著的技术性挑战。传统金融风控方法，主要基于静态信用评分模型和人工审查流程，已逐渐显露出在处理复杂数据和适应快速市场变化方面的局限性。尤其是在大数据时代背景下，金融机构需要处理的信息量呈指数级增长，包括客户的交易历史、信用记录以及市场动态等复杂数据。传统金融风控系统在高效解析这些海量数据并提供实时、精准的风险评估方面存在明显不足。
传统金融风控系统大多依赖于预设的规则和模型，缺乏自适应和学习能力，无法及时反映出最新的市场趋势和风险模式。在市场环境和消费者行为快速变化的当今时代，这种静态和固定的风控模式难以捕捉和响应新出现的风险类型，导致金融机构可能面临更高的风险暴露。
在业务审批处理方面，传统风控方法中的人工审批流程在处理大量贷款申请时效率低下。这不仅消耗大量人力资源，而且在高峰期或面对复杂案件时，审批速度缓慢，难以满足快速响应市场需求的要求。此外，手动审批过程中的主观性和不一致性也是一个关键问题，可能导致风控决策的不稳定性和误判。
在数据处理和分析能力方面，传统风控系统通常无法充分利用现代技术提供的数据洞察。它们在分析大型、多维度的数据集，特别是非结构化数据时，效能受限。这种限制阻碍了对复杂金融环境中潜在风险因素的深入理解，降低了风险预测的准确性和及时性。
当今，传统风控方法在动态适应市场变化方面也显得笨拙。它们通常需要人工输入和调整规则，以应对新的风险情景。这种依赖人工干预的方法在快速变化的市场环境中显得反应迟缓，无法提供连续、及时和自动迭代优化的风险管理。
综上，传统风控方法在数据处理能力、审批效率、风险适应性和动态学习方面的技术性不足，已成为制约金融行业风险管理水平提升的关键因素。这些局限性不仅影响了金融机构的风险管理效果，还限制了其对新兴市场机会的响应能力。因此，针对这些挑战，开发出新一代风控技术，以提高风险管理的效率和精度，已成为行业发展的重要需求。
发明内容
本发明解决其技术问题所采用的技术方案是：
一种智能风控审批策略自动迭代优化方法，包括以下步骤：
客户数据处理与分类步骤：采集和标准化处理客户进件数据，通过预设的准入规则和黑名单规则筛选出符合条件的目标客户数据，所述预设的准入规则包括客户信用评分和历史交易数据，再将所述目标客户数据根据分类模块预定算法随机分配为测试组或对照组，所述分类模块预定算法基于客户信用评分和历史交易数据的加权随机机制计算；
风控策略审批与数据存储步骤：将所述测试组的所述目标客户数据输入风控策略模块和评分卡模块，所述风控策略模块综合分析客户的信用历史、交易行为和社会经济指标，实施动态风险评估和决策制定；所述评分卡模块针对每个客户计算信用评分，预测贷款违约风险；同时将所述对照组数据存储于自动迭代优化数据库中，以支持持续的数据分析和策略优化；
数据提取与预处理步骤：从所述自动迭代优化数据库中根据特定条件执行客户样本数据的提取，所述特定条件为用户自定义预设条件，将提取到的所述客户样本数据拆分成训练数据集和验证数据集，用于风控数据处理和分析；
特征衍生与数据清洗步骤：对所述训练数据集执行特征衍生操作，并生成客户衍生变量数据宽表；对所述客户衍生变量数据宽表进行数据清洗，所述数据清洗包括处理异常值、计算并处理数据缺失率和同质性，以优化所述训练数据集的质量和可用性；
变量分析与规则生成步骤：对清洗后剩下的所述客户衍生变量数据宽表数据做单变量分析，识别并保留具有高预测能力的变量；将所述高预测能力的变量使用随机森林算法根据预设变量生成规则生成单变量和多变量组合规则；
规则验证与筛选步骤：将生成所述单变量和多变量组合规则的规则集应用于验证数据集，并计算所述规则集中每条规则的性能，所述性能包括提升度和稳定度指标，以筛选出有效且稳定的规则，形成有效规则集；将筛选后的所述有效规则集与从所述自动迭代优化数据库中现有规则进行比较和综合评估，筛选出最优规则集；
规则集部署与优化步骤：综合评估所述最优规则集在验证集上的效果及在近期申请案件中的通过率，评估所述最优规则集是否满足预设上线要求；符合要求的所述最优规则集将被打包并部署，用于优化现行的风控策略审批。
进一步地，所述客户数据处理与分类步骤还包括基于循环神经网络RNN的自适应调整步骤，所述自适应调整步骤采用长短时记忆网络LSTM架构，能够有效处理和分析时间序列数据，用于处理连续的市场数据和客户行为变化；所述长短时记忆网络LSTM架构通过其架构的遗忘门、输入门和输出门自动识别和记忆重要的市场趋势和客户行为模式，据此动态调整数据分类标准，增强风控策略对市场变化的敏感性和预测准确度。
进一步地，所述变量分析与规则生成步骤还包括基于多层卷积神经网络和自然语言处理技术的复合预测步骤；所述复合预测步骤使用卷积层和池化层的组合来提取文本数据中的局部特征，所述卷积层通过不同的滤波器对输入数据进行特征卷积操作，提取关键特征信息；所述池化层用于缩减特征维度，增强模型对关键特征的捕捉能力。
进一步地，所述客户数据处理与分类步骤还包括使用基于支持向量机的分类步骤，所述分类步骤采用径向基函数作为核函数，所述核函数可以将数据从原始特征空间映射到更高维的特征空间，用于处理在原始空间中不可线性分隔的数据；所述径向基函数核是通过计算数据点之间的欧式距离，并应用指数函数变换来实现非线性映射；在所述非线性映射后的高维空间中，所述分类步骤通过构建最佳分离超平面，将客户数据有效地分类为高风险和低风险两个子集，用于复杂和多维的客户数据集精确细分化分类。
进一步地，所述特征衍生与数据清洗步骤还包括采用主成分分析步骤对客户衍生变量数据进行降维处理；所述主成分分析步骤通过提取数据的主要特征分量，减少数据集的维度，同时保留了大部分的变异信息，从而优化训练数据集的质量，提高后续模型训练的效率和准确性。
进一步地，所述风控策略审批与数据存储步骤还包括基于决策树集成学习算法的风险评估模型，所述风险评估模型使用梯度提升决策树算法，所述梯度提升决策树算法通过结合多个决策树的预测结果来提高预测精度，其中每棵所述决策树都在前一棵树的残差上进行训练，通过连续迭代优化降低误差，能够有效捕捉客户信用历史和交易行为中的复杂模式。
进一步地，所述数据提取与预处理步骤还包括应用自编码器算法对客户样本数据进行特征学习和降噪处理步骤，所述自编码器通过无监督学习的方式学习输入数据的高效表示，所述自编码器包含编码器和解码器，所述编码器用于将输入数据压缩为低维特征表示，所述解码器则重构原始数据；所述自编码器用于提取客户样本数据中的核心特征，并减少数据中的噪声和冗余信息。
一种基于智能风控审批策略自动迭代优化方法的系统，所述系统包括：
客户数据处理与分类模块，所述客户数据处理与分类模块设有数据处理子模块和分类子模块，所述数据处理子模块用于采集和标准化客户进件数据，利用预设的准入规则和黑名单规则进行筛选，筛选结果符合条件的目标客户数据由所述分类子模块随机分配至测试组或对照组，以便于进一步的数据处理和分析；
风控审批策略模块，所述风控审批策略模块设有风控策略模块和评分卡模块，所述风控策略模块通过接收所述客户数据处理与分类模块的所述测试组目标客户数据并执行风控策略审批检查；所述评分卡模块负责对测试组目标客户进行评分；
自动迭代优化数据库，所述自动迭代优化数据库存储来自所述客户数据处理与分类模块的所述对照组目标客户数据，为数据分析和风控策略优化提供必要的数据支持，支持所述风控策略的自学习和自我调整；
数据提取与预处理模块，所述数据提取与预处理模块负责执行基于所述自动迭代优化数据库用户自定义特定条件的客户样本数据提取，将数据分为训练数据集和验证数据集，为后续风控策略模块的数据分析和模型训练提供准备；
特征衍生与数据清洗模块，所述特征衍生与数据清洗模块对所述数据提取与预处理模块提取的所述训练数据集进行特征衍生，产生客户衍生变量数据，并且通过数据清洗提升数据集的质量，确保数据分析的准确性；
决策引擎模块，所述决策引擎模块连接所述风控策略模块、所述评分卡模块和所述自动迭代优化数据库，基于评分和风控策略实施审批决策决定，同时记录决策结果及所依据的规则，并提供决策结果反馈至所述自动迭代优化数据库以便之后的迭代学习与优化；
变量分析与规则生成模块，所述变量分析与规则生成模块与所述客户数据处理与分类模块相连，所述变量分析与规则生成模块接收来自处理后的客户衍生变量数据，执行单变量分析并保留具有高预测能力的变量，利用随机森林算法生成风控规则，所述风控规则包括单变量和多变量组合规则；
规则验证与筛选模块，所述规则验证与筛选模块从所述变量分析与规则生成模块接收生成的所述风控规则，并在验证数据集上应用所述风控规则，所述规则验证与筛选模块计算每条规则的性能指标，所述性能指标包括提升度和稳定度指标，通过优化筛选，确保只有最优规则集被采用；再将选出的所述最优规则集传输至所述风控审批策略模块用于实际的审批决策，并且结果反馈给所述自动迭代优化数据库迭代学习。
进一步地，所述客户数据处理与分类模块还包含一个动态数据适应子模块，所述动态数据适应子模块配备自适应算法，能够根据实时市场数据和客户行为模式的变化动态调整数据分类标准。
进一步地，所述变量分析与规则生成模块还包括一个基于高级分析的规则优化子模块，所述规则优化子模块采用复合算法技术，结合历史风控案例分析、模式识别和预测建模，以生成更为精确和综合的风控规则，所述规则优化子模块还自动整合交易历史、客户行为和市场动态多源数据。
本发明的有益效果在于：针对现有金融风控技术问题，本发明通过采用先进的客户数据处理和分类技术，自动化风控策略审批，以及创新的数据清洗和特征衍生算法，显著提高了风险评估的效率和准确性；特别是利用随机森林算法在变量分析和规则生成阶段，本发明能够有效识别高预测能力变量，生成强大的风控规则；通过这些技术的应用，本发明不仅解决了传统风控方法在处理复杂金融数据时的局限，还增强了风控模型对市场变化的动态适应性，为金融机构提供了更高效、更精准的风险管理解决方案。
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，下面将结合附图及实施例对本发明作进一步说明，下面描述中的附图仅仅是本发明的部分实施例，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取其他附图：
图1是本发明实施例的一种智能风控审批策略自动迭代优化方法总体流程示意图；
图2是本发明实施例的一种智能风控审批策略自动迭代优化系统的架构示意图；
图3是本发明实施例的一种智能风控审批策略自动迭代优化系统的客户数据处理与分类模块工作示意图；
图4是本发明实施例的一种智能风控审批策略自动迭代优化系统的风控审批策略模块工作示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的部分实施例，而不是全部实施例。基于本发明的实施例，本领域普通技术人员在没有付出创造性劳动的前提下所获取的所有其他实施例，都属于本发明的保护范围。
如图1所示，本发明提供了一种智能风控审批策略自动迭代优化方法，具体实施步骤如下：
客户数据处理与分类步骤：采集和标准化处理客户进件数据，所述采集客户进件数据可以为客户通过移动应用或网站填写各种表单并提交个人信息和相关的财务等申请贷款所需进件数据，标准化为将这些信息转换成统一格式，以便后续分析和处理。数据标准化处理包括：格式统一：将收集到的数据转换为标准格式。例如，日期格式统一为“YYYY-MM-DD”，电话号码格式统一为国际标准格式。数据清洗：检查数据的完整性和准确性，删除或更正错误、重复或无关数据。编码转换：对分类数据进行编码处理，如将性别“男”和“女”转换为数字代码“1”和“0”。缺失值处理：对缺失的数据采取适当的策略，如填补、删除或估算。数据规范化：将连续变量（如收入）进行规范化处理，以消除不同量纲带来的影响。数据整合：将来自不同源的数据合并为一个统一的数据集，以便进行进一步的分析。通过预设的准入规则和黑名单规则筛选出符合条件的目标客户数据，所述预设的准入规则包括客户信用评分和历史交易数据，再将所述目标客户数据根据分类模块预定算法随机分配为测试组或对照组，所述分类模块预定算法基于客户信用评分和历史交易数据的加权随机机制计算；将目标客户数据根据分类模块的预定算法随机分配为测试组或对照组的这个过程是风控策略优化的重要组成部分，它帮助金融机构评估和改进其风控模型。具体参考实施方式为：第一步，建立分流规则：银行设定一个简单的随机分配规则，比如说每个客户有50%的概率被分配到测试组，50%的概率被分配到对照组。第二步，随机数生成：对于每个贷款申请，系统生成一个0到1之间的随机数。如果这个随机数小于0.5，客户被分配到测试组；如果大于或等于0.5，客户被分配到对照组。第三步：客户申请处理：当客户提交贷款申请时，银行的系统收集并处理其个人和财务数据。第四步：执行分组算法：系统对每个客户运行分组算法，根据生成的随机数将客户分配到相应的组别。第五步：记录分组结果：系统记录每个客户的分组信息，以便后续的跟踪和分析。第六步：测试与对照组的运作。测试组：对于分配到测试组的客户，银行使用新的信用评分模型来决定是否批准其贷款申请。对照组：对于分配到对照组的客户，银行使用传统的信用评分模型来作出贷款决策。最后，随着时间的推移，银行比较两组客户的贷款表现，如违约率、逾期支付等指标。通过分析，银行可以判断新模型是否比现有模型更有效，是否应该将其应用于所有贷款申请。以上操作确保了风险控制的客观性和公正性。
风控策略审批与数据存储步骤：将所述测试组的所述目标客户数据输入风控策略模块和评分卡模块，所述风控策略模块综合分析客户的信用历史、交易行为和社会经济指标，实施动态风险评估和决策制定；所述评分卡模块针对每个客户计算信用评分，预测贷款违约风险；同时将所述对照组数据存储于自动迭代优化数据库中，以支持持续的数据分析和策略优化；
所述风控策略模块的具体操作为：
客户数据分析：当被分配到测试组的客户提交贷款申请时，所述风控策略模块开始分析其详细的信用历史、交易行为和社会经济指标。所述信用历史可能包括客户过去的贷款记录、偿还行为、逾期次数等。所述交易行为分析可能涵盖客户的购买习惯、支付活动、账户余额变动等。所述社会经济指标可能包括客户的职业、教育水平、居住地区的经济状况等。
动态风险评估：基于上述信息，风控策略模块利用决策树分类器算法来实施动态风险评估。模型会预测客户未来的偿还能力和可能的违约风险。
以下通过简化Python代码展示所述决策树分类器应用参考示例，展示如何使用决策树算法来训练模型并预测客户的违约风险：
import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# 假设数据
data = {
'Age': [25, 45, 35, 60, 20, 50, 40],
'Annual_Income': [50000, 150000, 80000, 120000, 40000, 110000,90000],
'Credit_Score': [700, 800, 650, 750, 650, 720, 710],
'Past_Default': [0, 0, 1, 0, 1, 0, 1],
'Will_Default': [0, 0, 1, 0, 1, 0, 0] # 违约标签，1表示违约，0表示未违约
}
# 创建DataFrame
df = pd.DataFrame(data)
# 特征和标签
X = df[['Age', 'Annual_Income', 'Credit_Score', 'Past_Default']] #特征
y = df['Will_Default'] # 标签
# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# 创建决策树分类器
clf = DecisionTreeClassifier()
# 训练模型
clf.fit(X_train, y_train)
# 预测测试集
y_pred = clf.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"Model Accuracy: {accuracy}")
所述评分卡模块操作为：信用评分计算：评分卡模块根据一系列预定义的标准和参数，为每个测试组客户计算一个信用评分。这个评分是基于客户的信用记录、收入水平、债务水平、工作稳定性等因素。这个评分可以在0到100之间，其中高分代表低风险，低分代表高风险。违约风险预测：根据计算出的信用评分，模块评估客户贷款违约的可能性。评分较高的客户通常表明违约风险较低，反之亦然。
所述对照组数据处理操作为：数据存储：对照组的客户数据（未应用新风控策略和评分卡的数据）被存储在自动迭代优化数据库中。数据分析与优化：这些数据用于持续监控和分析，帮助公司理解新风控策略的影响，并持续优化风控模型和评分卡的参数。
决策制定：根据风险评估结果，模块会自动做出决策，比如批准、拒绝贷款申请，或是提出修改后的贷款条件（如更高的利率、更低的贷款额度），所述模块的自动决策制定实现：设置阈值：贷款公司预先设定了几个决策阈值。例如：如果风险分数高于80，表示客户信用良好，系统自动批准贷款申请。如果风险分数在60到80之间，表示中等风险，系统可能提供较低的贷款额度或较高的利率。如果风险分数低于60，表示高风险，系统自动拒绝贷款申请。
决策执行：当客户的风险分数被计算出来后，风控策略模块根据上述规则自动做出决策。这些决策立即被传达给客户，无需人工干预。每次决策的结果都会被记录下来，并用于未来的风险评估模型优化。
数据提取与预处理步骤：从所述自动迭代优化数据库中根据特定条件执行客户样本数据的提取，所述特定条件为用户自定义预设条件，将提取到的所述客户样本数据拆分成训练数据集和验证数据集，用于风控数据处理和分析；所述数据提取与预处理具体实施步骤参考：
1．特定条件设定：首先，公司设定了用于数据提取的特定条件。这些条件可能包括：
客户的贷款申请日期在过去一年内。
客户的信用评分在特定范围内，比如600到750。
客户的年收入在特定阈值以上，例如年收入超过50,000美元。
2．从数据库中提取数据：基于上述条件，公司的数据分析师从自动迭代优化数据库中提取相应的客户样本数据。这些数据包括客户的个人信息、财务状况、贷款历史、偿还记录等。
3.数据集拆分：提取出的客户样本数据接下来被拆分为两个部分：
训练数据集：这部分数据用于训练风控模型。例如，可以选择70%的样本数据作为训练集。
验证数据集：剩余的30%的数据作为验证数据集，用于后续测试和验证模型的准确性和稳健性。
4.预处理操作：在进行模型训练之前，对数据进行必要的预处理操作，如：
处理缺失值，例如通过插值或使用平均值来填充缺失的数据。
对分类变量进行编码，如将性别“男”和“女”转换为数字代码“1”和“0”。
标准化数值变量，确保不同的变量在相同的量度上进行比较。
通过以上步骤，可以得到了一个准确、干净且适用于机器学习模型的数据集。这个经过预处理的数据集将直接影响风控模型的性能和最终的决策质量。
特征衍生与数据清洗步骤：对所述训练数据集执行特征衍生操作，并生成客户衍生变量数据宽表；对所述客户衍生变量数据宽表进行数据清洗，所述数据清洗包括处理异常值、计算并处理数据缺失率和同质性，以优化所述训练数据集的质量和可用性；
所述特征衍生与数据清洗步骤实施例参考：
1.特征衍生：
原始数据：原始数据包括客户的基本信息（如年龄、性别、职业）、信用历史（如过去贷款记录、逾期情况）、财务数据（如年收入、负债比率）等。
衍生特征：基于原始数据，衍生出新的特征。例如：
从财务数据中衍生出的“收入稳定性”（比如，近一年内收入的波动程度）。
基于信用历史衍生的“贷款偿还率”（即按时还款的贷款与总贷款的比例）。
从客户的职业和年龄衍生的“职业稳定性”指标。
2.生成客户衍生变量数据宽表：
数据宽表是一个表格，其中每行代表一个客户，每列代表一个特征（包括原始特征和衍生特征）。例如：
客户ID 年龄 性别 年收入 负债比率 收入稳定性 贷款偿还率 …
001 35 男 50000 0.3 高 0.9 …
002 42 女 60000 0.5 低 0.7 …
… … … … … … … …
3. 数据清洗：
银行检查数据宽表中的异常值，如收入或年龄不符合逻辑的值（如年龄大于150岁或收入异常高）。
计算并处理数据缺失率。例如，如果某个特征在大部分样本中缺失，可能会选择删除该特征。
检查同质性。如果某个特征在几乎所有样本中都是相同的（如某个特定贷款产品的所有客户都是同一个城市的），则可能选择删除该特征以避免冗余。
变量分析与规则生成步骤：对清洗后剩下的所述客户衍生变量数据宽表数据做单变量分析，识别并保留具有高预测能力的变量；将所述高预测能力的变量使用随机森林算法根据预设变量生成规则生成单变量和多变量组合规则；所述变量分析与规则生成步骤为1、数据准备：首先，提取清洗后剩下的所述客户衍生变量数据，包括年龄、性别、收入、贷款金额、还款记录等信息。2、特征衍生：在这一步中，根据原始数据衍生出新的变量。例如，从还款记录中可以衍生出如“平均每月还款金额”、“逾期次数”等新变量。3、构建客户衍生变量数据宽表：将所有原始变量和衍生变量整合成一个大的数据表，每一行代表一个客户，每一列代表一个变量。4、单变量分析：对每个变量进行统计分析，比如计算其与贷款违约的相关性。评估每个变量的预测能力，例如通过计算信息价值（IV）和Kolmogorov-Smirnov（KS）统计量。5、变量筛选：基于上述分析结果，保留具有较高预测能力的变量，如IV值较高的变量，而删除预测能力低的变量。6、规则生成：使用随机森林算法对筛选后的变量进行进一步分析，生成风险预测规则。随机森林算法会从多个决策树中提取出最重要的决策路径，形成单变量和多变量组合规则。所述随机森林由多个决策树组成，每棵树都是一个单独的分类器。这些树的输出被集成（例如，通过投票）来产生最终的预测结果。例如，一条可能的规则是：“如果客户的逾期次数大于3次且平均每月还款金额低于100美元，则将该客户标记为高风险。”7、规则验证：将这些生成的规则在另一部分数据集（验证集）上进行测试，以评估其准确性和稳定性。
规则验证与筛选步骤：将生成所述单变量和多变量组合规则的规则集应用于验证数据集，并计算所述规则集中每条规则的性能，所述性能包括提升度和稳定度指标，以筛选出有效且稳定的规则，形成有效规则集；将筛选后的所述有效规则集与从所述自动迭代优化数据库中现有规则进行比较和综合评估，筛选出最优规则集；
规则集部署与优化步骤：综合评估所述最优规则集在验证集上的效果及在近期申请案件中的通过率，评估所述最优规则集是否满足预设上线要求；符合要求的所述最优规则集将被打包并部署，用于优化现行的风控策略审批。所述规则集部署与优化步骤具体为：1、规则应用：将新生成的规则集应用于一个独立的验证数据集。这个验证数据集包含历史贷款申请者的数据，但不包括在规则生成时使用的数据。2、性能计算：提升度测量：对于每条规则，计算其在预测贷款违约方面的提升度。提升度是指规则在预测正类（例如违约）时相比随机选择的性能提升。稳定度评估：评估规则在不同子集和时间段的数据上的表现稳定性。3、规则筛选：从规则集中筛选出那些在验证数据集上表现良好（高提升度、高稳定度）的规则，删除那些性能较差或不稳定的规则。4、与现有规则比较：将筛选后的有效规则集与自动迭代优化数据库中现有的风控规则进行比较，以确保新规则的优越性。5、综合评估：比较新老规则集在各项性能指标上的表现，包括预测准确率、覆盖率等。根据业务目标和风险管理策略，综合考虑不同规则集的适用性。6、最优规则集选择：根据综合评估结果，选择一组最优规则集，用于未来的贷款审批决策。
所述客户数据处理与分类步骤还包括基于循环神经网络RNN的自适应调整步骤，所述自适应调整步骤采用长短时记忆网络LSTM架构，能够有效处理和分析时间序列数据，用于处理连续的市场数据和客户行为变化；所述长短时记忆网络LSTM架构通过其架构的遗忘门、输入门和输出门自动识别和记忆重要的市场趋势和客户行为模式，据此动态调整数据分类标准，增强风控策略对市场变化的敏感性和预测准确度。在金融科技公司的风控系统中，所述长短时记忆网络LSTM的所述循环神经网络RNN被用于客户数据处理与分类的自适应调整步骤。这种高级的网络架构是为处理和分析时间序列数据，如市场动态和客户行为模式而特别设计的。系统首先从多个来源收集市场数据和客户行为数据，包括交易记录、账户活动和经济指标。收集到的数据经过清洗和标准化，使其适合作为所述长短时记忆网络LSTM模型的输入。所述长短时记忆网络LSTM模型具备遗忘门、输入门和输出门，能够有效识别和记忆关键的市场趋势和客户行为模式。通过在历史数据上训练，模型学会了从复杂的数据流中提取有价值的信息，并据此动态调整风控策略。这不仅提高了风控系统对市场变化的敏感性，也增强了其对客户行为的预测准确度。随着时间的推移，所述长短时记忆网络LSTM模型定期更新，以纳入最新的市场和客户数据，确保风控策略的持续优化和适应性。
所述变量分析与规则生成步骤还包括基于多层卷积神经网络和自然语言处理技术的复合预测步骤；所述复合预测步骤使用卷积层和池化层的组合来提取文本数据中的局部特征，所述卷积层通过不同的滤波器对输入数据进行特征卷积操作，提取关键特征信息；所述池化层用于缩减特征维度，增强模型对关键特征的捕捉能力。
所述客户数据处理与分类步骤还包括使用基于支持向量机的分类步骤，所述分类步骤采用径向基函数作为核函数，所述核函数可以将数据从原始特征空间映射到更高维的特征空间，用于处理在原始空间中不可线性分隔的数据；所述径向基函数核是通过计算数据点之间的欧式距离，并应用指数函数变换来实现非线性映射；在所述非线性映射后的高维空间中，所述分类步骤通过构建最佳分离超平面，将客户数据有效地分类为高风险和低风险两个子集，用于复杂和多维的客户数据集精确细分化分类。
所述特征衍生与数据清洗步骤还包括采用主成分分析步骤对客户衍生变量数据进行降维处理；所述主成分分析步骤通过提取数据的主要特征分量，减少数据集的维度，同时保留了大部分的变异信息，从而优化训练数据集的质量，提高后续模型训练的效率和准确性。
所述风控策略审批与数据存储步骤还包括基于决策树集成学习算法的风险评估模型，所述风险评估模型使用梯度提升决策树算法，所述梯度提升决策树算法通过结合多个决策树的预测结果来提高预测精度，其中每棵所述决策树都在前一棵树的残差上进行训练，通过连续迭代优化降低误差，能够有效捕捉客户信用历史和交易行为中的复杂模式。
所述数据提取与预处理步骤还包括应用自编码器算法对客户样本数据进行特征学习和降噪处理步骤，所述自编码器通过无监督学习的方式学习输入数据的高效表示，所述自编码器包含编码器和解码器，所述编码器用于将输入数据压缩为低维特征表示，所述解码器则重构原始数据；所述自编码器用于提取客户样本数据中的核心特征，并减少数据中的噪声和冗余信息。
如图2所示，本发明还提供一种基于智能风控审批策略自动迭代优化方法的系统，所述系统包括：
客户数据处理与分类模块，如图3所示，所述客户数据处理与分类模块设有数据处理子模块和分类子模块，所述数据处理子模块用于采集和标准化客户进件数据，利用预设的准入规则和黑名单规则进行筛选，筛选结果符合条件的目标客户数据由所述分类子模块随机分配至测试组或对照组，以便于进一步的数据处理和分析；所述客户数据处理与分类模块还包含一个动态数据适应子模块，所述动态数据适应子模块配备自适应算法，能够根据实时市场数据和客户行为模式的变化动态调整数据分类标准。
如图4所示，风控审批策略模块，所述风控审批策略模块设有风控策略模块和评分卡模块，所述风控策略模块通过接收所述客户数据处理与分类模块的所述测试组目标客户数据并执行风控策略审批检查；所述评分卡模块负责对测试组目标客户进行评分；
自动迭代优化数据库，所述自动迭代优化数据库存储来自所述客户数据处理与分类模块的所述对照组目标客户数据，为数据分析和风控策略优化提供必要的数据支持，支持所述风控策略的自学习和自我调整；
数据提取与预处理模块，所述数据提取与预处理模块负责执行基于所述自动迭代优化数据库用户自定义特定条件的客户样本数据提取，将数据分为训练数据集和验证数据集，为后续风控策略模块的数据分析和模型训练提供准备；
特征衍生与数据清洗模块，所述特征衍生与数据清洗模块对所述数据提取与预处理模块提取的所述训练数据集进行特征衍生，产生客户衍生变量数据，并且通过数据清洗提升数据集的质量，确保数据分析的准确性；
决策引擎模块，所述决策引擎模块连接所述风控策略模块、所述评分卡模块和所述自动迭代优化数据库，基于评分和风控策略实施审批决策决定，同时记录决策结果及所依据的规则，并提供决策结果反馈至所述自动迭代优化数据库以便之后的迭代学习与优化；
变量分析与规则生成模块，所述变量分析与规则生成模块与所述客户数据处理与分类模块相连，所述变量分析与规则生成模块接收来自处理后的客户衍生变量数据，执行单变量分析并保留具有高预测能力的变量，利用随机森林算法生成风控规则，所述风控规则包括单变量和多变量组合规则；所述变量分析与规则生成模块还包括一个基于高级分析的规则优化子模块，所述规则优化子模块采用复合算法技术，结合历史风控案例分析、模式识别和预测建模，以生成更为精确和综合的风控规则，所述规则优化子模块还自动整合交易历史、客户行为和市场动态多源数据。
规则验证与筛选模块，所述规则验证与筛选模块从所述变量分析与规则生成模块接收生成的所述风控规则，并在验证数据集上应用所述风控规则，所述规则验证与筛选模块计算每条规则的性能指标，所述性能指标包括提升度和稳定度指标，通过优化筛选，确保只有最优规则集被采用；再将选出的所述最优规则集传输至所述风控审批策略模块用于实际的审批决策，并且结果反馈给所述自动迭代优化数据库迭代学习。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (7)

1.一种智能风控审批策略自动迭代优化方法，其特征在于，包括以下步骤：
客户数据处理与分类步骤：采集和标准化处理客户进件数据，通过预设的准入规则和黑名单规则筛选出符合条件的目标客户数据，所述预设的准入规则包括客户信用评分和历史交易数据，再将所述目标客户数据根据分类模块预定算法随机分配为测试组或对照组，所述分类模块预定算法基于客户信用评分和历史交易数据的加权随机机制计算；所述客户数据处理与分类步骤还包括基于循环神经网络RNN的自适应调整步骤，所述自适应调整步骤采用长短时记忆网络LSTM架构，能够有效处理和分析时间序列数据，用于处理连续的市场数据和客户行为变化；所述长短时记忆网络LSTM架构通过其架构的遗忘门、输入门和输出门自动识别和记忆重要的市场趋势和客户行为模式，据此动态调整数据分类标准，增强风控策略对市场变化的敏感性和预测准确度；所述客户数据处理与分类步骤还包括使用基于支持向量机的分类步骤，所述分类步骤采用径向基函数作为核函数，所述核函数可以将数据从原始特征空间映射到更高维的特征空间，用于处理在原始空间中不可线性分隔的数据；所述径向基函数核是通过计算数据点之间的欧式距离，并应用指数函数变换来实现非线性映射；在所述非线性映射后的高维空间中，所述分类步骤通过构建最佳分离超平面，将客户数据有效地分类为高风险和低风险两个子集，用于复杂和多维的客户数据集精确细分化分类；
风控策略审批与数据存储步骤：将所述测试组的所述目标客户数据输入风控策略模块和评分卡模块，所述风控策略模块综合分析客户的信用历史、交易行为和社会经济指标，实施动态风险评估和决策制定；所述评分卡模块针对每个客户计算信用评分，预测贷款违约风险；同时将所述对照组数据存储于自动迭代优化数据库中，以支持持续的数据分析和策略优化；
数据提取与预处理步骤：从所述自动迭代优化数据库中根据特定条件执行客户样本数据的提取，所述特定条件为用户自定义预设条件，所述自定义预设条件包括贷款申请日期、信用评分、年收入特定阈值，将提取到的所述客户样本数据拆分成训练数据集和验证数据集，用于风控数据处理和分析；
特征衍生与数据清洗步骤：对所述训练数据集执行特征衍生操作，并生成客户衍生变量数据宽表；对所述客户衍生变量数据宽表进行数据清洗，所述数据清洗包括处理异常值、计算并处理数据缺失率和同质性，以优化所述训练数据集的质量和可用性；
变量分析与规则生成步骤：对清洗后剩下的所述客户衍生变量数据宽表数据做单变量分析，识别并保留具有高预测能力的变量；将所述高预测能力的变量使用随机森林算法根据预设变量生成规则生成单变量和多变量组合规则；所述变量分析与规则生成步骤还包括基于多层卷积神经网络和自然语言处理技术的复合预测步骤；所述复合预测步骤使用卷积层和池化层的组合来提取文本数据中的局部特征，所述卷积层通过不同的滤波器对输入数据进行特征卷积操作，提取关键特征信息；所述池化层用于缩减特征维度，增强模型对关键特征的捕捉能力；
规则验证与筛选步骤：将生成所述单变量和多变量组合规则的规则集应用于验证数据集，并计算所述规则集中每条规则的性能，所述性能包括提升度和稳定度指标，以筛选出有效且稳定的规则，形成有效规则集；将筛选后的所述有效规则集与从所述自动迭代优化数据库中现有规则进行比较和综合评估，筛选出最优规则集；
规则集部署与优化步骤：综合评估所述最优规则集在验证集上的效果及在近期申请案件中的通过率，评估所述最优规则集是否满足预设上线要求；符合要求的所述最优规则集将被打包并部署，用于优化现行的风控策略审批。
2.根据权利要求1所述智能风控审批策略自动迭代优化方法，其特征在于，所述特征衍生与数据清洗步骤还包括采用主成分分析步骤对客户衍生变量数据进行降维处理；所述主成分分析步骤通过提取数据的主要特征分量，减少数据集的维度，同时保留了大部分的变异信息，从而优化训练数据集的质量，提高后续模型训练的效率和准确性。
3.根据权利要求2所述智能风控审批策略自动迭代优化方法，其特征在于，所述风控策略审批与数据存储步骤还包括基于决策树集成学习算法的风险评估模型，所述风险评估模型使用梯度提升决策树算法，所述梯度提升决策树算法通过结合多个决策树的预测结果来提高预测精度，其中每棵所述决策树都在前一棵树的残差上进行训练，通过连续迭代优化降低误差，能够有效捕捉客户信用历史和交易行为中的复杂模式。
4.根据权利要求3所述智能风控审批策略自动迭代优化方法，其特征在于，所述数据提取与预处理步骤还包括应用自编码器算法对客户样本数据进行特征学习和降噪处理步骤，所述自编码器通过无监督学习的方式学习输入数据的高效表示，所述自编码器包含编码器和解码器，所述编码器用于将输入数据压缩为低维特征表示，所述解码器则重构原始数据；所述自编码器用于提取客户样本数据中的特定条件数据，所述特定条件数据包括贷款申请日期、信用评分、年收入特定阈值，并减少数据中的噪声和冗余信息。
5.一种基于实施权利要求1至4任意一项智能风控审批策略自动迭代优化方法的系统，其特征在于，所述系统包括：
客户数据处理与分类模块，所述客户数据处理与分类模块设有数据处理子模块和分类子模块，所述数据处理子模块用于采集和标准化客户进件数据，利用预设的准入规则和黑名单规则进行筛选，筛选结果符合条件的目标客户数据由所述分类子模块随机分配至测试组或对照组，以便于进一步的数据处理和分析；
风控审批策略模块，所述风控审批策略模块设有风控策略模块和评分卡模块，所述风控策略模块通过接收所述客户数据处理与分类模块的所述测试组目标客户数据并执行风控策略审批检查；所述评分卡模块负责对测试组目标客户进行评分；
自动迭代优化数据库，所述自动迭代优化数据库存储来自所述客户数据处理与分类模块的所述对照组目标客户数据，为数据分析和风控策略优化提供必要的数据支持，支持所述风控策略的自学习和自我调整；
数据提取与预处理模块，所述数据提取与预处理模块负责执行基于所述自动迭代优化数据库用户自定义特定条件的客户样本数据提取，将数据分为训练数据集和验证数据集，为后续风控策略模块的数据分析和模型训练提供准备；
特征衍生与数据清洗模块，所述特征衍生与数据清洗模块对所述数据提取与预处理模块提取的所述训练数据集进行特征衍生，产生客户衍生变量数据，并且通过数据清洗提升数据集的质量，确保数据分析的准确性；
决策引擎模块，所述决策引擎模块连接所述风控策略模块、所述评分卡模块和所述自动迭代优化数据库，基于评分和风控策略实施审批决策决定，同时记录决策结果及所依据的规则，并提供决策结果反馈至所述自动迭代优化数据库以便之后的迭代学习与优化；
变量分析与规则生成模块，所述变量分析与规则生成模块与所述客户数据处理与分类模块相连，所述变量分析与规则生成模块接收来自处理后的客户衍生变量数据，执行单变量分析并保留具有高预测能力的变量，利用随机森林算法生成风控规则，所述风控规则包括单变量和多变量组合规则；
规则验证与筛选模块，所述规则验证与筛选模块从所述变量分析与规则生成模块接收生成的所述风控规则，并在验证数据集上应用所述风控规则，所述规则验证与筛选模块计算每条规则的性能指标，所述性能指标包括提升度和稳定度指标，通过优化筛选，确保只有最优规则集被采用；再将选出的所述最优规则集传输至所述风控审批策略模块用于实际的审批决策，并且结果反馈给所述自动迭代优化数据库迭代学习。
6.根据权利要求5所述系统，其特征在于，所述客户数据处理与分类模块还包含一个动态数据适应子模块，所述动态数据适应子模块配备自适应算法，能够根据实时市场数据和客户行为模式的变化动态调整数据分类标准。
7.根据权利要求6所述系统，其特征在于，所述变量分析与规则生成模块还包括一个基于高级分析的规则优化子模块，所述规则优化子模块采用复合算法技术，结合历史风控案例分析、模式识别和预测建模，以生成更为精确和综合的风控规则，所述规则优化子模块还自动整合交易历史、客户行为和市场动态多源数据。
CN202311777041.7A 2023-12-22 2023-12-22 一种智能风控审批策略自动迭代优化方法及系统 Active CN117455417B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311777041.7A CN117455417B (zh) 2023-12-22 2023-12-22 一种智能风控审批策略自动迭代优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311777041.7A CN117455417B (zh) 2023-12-22 2023-12-22 一种智能风控审批策略自动迭代优化方法及系统

Publications (2)

Publication Number Publication Date
CN117455417A CN117455417A (zh) 2024-01-26
CN117455417B true CN117455417B (zh) 2024-04-09

Family

ID=89591498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311777041.7A Active CN117455417B (zh) 2023-12-22 2023-12-22 一种智能风控审批策略自动迭代优化方法及系统

Country Status (1)

Country Link
CN (1) CN117455417B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861703B (zh) * 2020-07-10 2024-05-10 深圳无域科技技术有限公司 数据驱动的风控策略规则生成方法及系统、风险控制方法及系统
CN117893030B (zh) * 2024-03-14 2024-05-28 中智(福建)科技有限公司 基于大数据的电力系统风险预警方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110415111A (zh) * 2019-08-01 2019-11-05 信雅达系统工程股份有限公司 基于用户数据与专家特征合并逻辑回归信贷审批的方法
CN114529255A (zh) * 2022-01-29 2022-05-24 中银金融科技有限公司 一种基于风控评分卡的贷款自动审批方法及系统
CN115271912A (zh) * 2022-07-26 2022-11-01 天元大数据信用管理有限公司 一种基于大数据的信贷业务智能风控审批系统及方法
CN115641088A (zh) * 2022-11-04 2023-01-24 上海浦东发展银行股份有限公司 一种融合量子计算的审批策略组合获取方法、设备、介质
CN116468536A (zh) * 2023-03-30 2023-07-21 广州鑫景信息科技服务有限公司 一种自动化风险控制规则生成的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11928878B2 (en) * 2020-08-26 2024-03-12 Informed, Inc. System and method for domain aware document classification and information extraction from consumer documents

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110415111A (zh) * 2019-08-01 2019-11-05 信雅达系统工程股份有限公司 基于用户数据与专家特征合并逻辑回归信贷审批的方法
CN114529255A (zh) * 2022-01-29 2022-05-24 中银金融科技有限公司 一种基于风控评分卡的贷款自动审批方法及系统
CN115271912A (zh) * 2022-07-26 2022-11-01 天元大数据信用管理有限公司 一种基于大数据的信贷业务智能风控审批系统及方法
CN115641088A (zh) * 2022-11-04 2023-01-24 上海浦东发展银行股份有限公司 一种融合量子计算的审批策略组合获取方法、设备、介质
CN116468536A (zh) * 2023-03-30 2023-07-21 广州鑫景信息科技服务有限公司 一种自动化风险控制规则生成的方法

Also Published As

Publication number Publication date
CN117455417A (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
CN117455417B (zh) 一种智能风控审批策略自动迭代优化方法及系统
WO2022105525A1 (zh) 预测用户概率的方法、装置和计算机设备
CN110956273A (zh) 融合多种机器学习模型的征信评分方法及系统
CN110807700A (zh) 一种基于政府数据的无监督融合模型个人信用评分方法
Ko et al. Prediction of corporate financial distress: An application of the composite rule induction system
CN111461216A (zh) 一种基于机器学习的案件风险识别方法
CN112990386B (zh) 用户价值聚类方法、装置、计算机设备和存储介质
Chern et al. A decision tree classifier for credit assessment problems in big data environments
CN116823496A (zh) 基于人工智能的智能保险风险评估和定价系统
CN116503174A (zh) 一种基于大数据的金融数据预测系统
Tsai Two‐stage hybrid learning techniques for bankruptcy prediction
CN108564465A (zh) 一种企业信用管理方法
CA3125407C (en) Systems and methods for automating pricing desk operations
Marevac et al. Decision-making AI for customer worthiness and viability
CN113744042A (zh) 基于优化Boruta和XGBoost的信贷违约预测方法及系统
Spiess Machine learning explainability & fairness: Insights from consumer lending
Ortega-Bastida et al. Regional gross domestic product prediction using twitter deep learning representations
Lee et al. Application of machine learning in credit risk scorecard
CN108629507A (zh) 一种企业信用管理系统
CN117112791B (zh) 一种未知日志分类决策系统、方法、装置及可读存储介质
Sun et al. Research on the Impact of Green Technology Innovation on Enterprise Financial Information Management Based on Compound Neural Network
Suleiman et al. Predicting an applicant status using principal component, discriminant and logistic regression analysis
CN117235444A (zh) 一种融合深度学习与专家经验的金融风控方法及系统
Huang Recognition Algorithm of Financial Data Validity of Listed Enterprises Based on Classification Regression Decision Tree
CN118071487A (zh) 一种个人信贷回款预测方法及系统

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