CN117593115A - 信贷风险评估模型的特征值确定方法、装置、设备和介质 - Google Patents
信贷风险评估模型的特征值确定方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN117593115A CN117593115A CN202311676635.9A CN202311676635A CN117593115A CN 117593115 A CN117593115 A CN 117593115A CN 202311676635 A CN202311676635 A CN 202311676635A CN 117593115 A CN117593115 A CN 117593115A
- Authority
- CN
- China
- Prior art keywords
- credit risk
- data
- risk data
- updated
- determining
- 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
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000011425 standardization method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种信贷风险评估模型的特征值确定方法、装置、设备和介质。该方法包括:获取用户授权的多个信贷风险数据,对信贷风险数据进行归一化处理获得参考信贷风险数据,参考信贷风险数据为同一标准下的信贷风险数据;将参考信贷风险数据进行共线性检验,并基于共线性检验结果对参考信贷风险数据进行筛选获得更新后信贷风险数据;基于更新后信贷风险数据,通过极大似然估计方法确定更新后信贷风险数据的数据优先级,并根据数据优先级确定信贷风险评估模型的特征值,数据优先级用于表示更新后信贷风险数据影响信贷风险评估准确性的程度。本申请解决了确定特征值过程计算量大的问题,大大的提高了特征值的确定效率。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种信贷风险评估模型的特征值确定方法、装置、设备和介质。
背景技术
为了对已采集的征信数据以及用户信息等丰富的数据资源进行定量分析用户行为,有效评估用户违约风险,已经有各个机构提出了多种信贷风险评估模型。
信贷风险评估模型应具备分类准确性的原则,输入信贷风险评估模型的特征值也会影响模型的分类准确性。目前,应用随机森林模型对于信贷风险评估模型的特征值的确定,但是树的数量太多容易导致生成特征值较为缓慢,一般情况下,要提高筛选模型的准确性将需要更多的树,从而使算法运行缓慢无法满足实时性较高的情形,大大降低了特征值的确定效率。
发明内容
本发明提供了一种信贷风险评估模型的特征值确定方法、装置、设备和介质,以解决确定特征值过程计算量大的问题,大大的提高了特征值的确定效率。
根据本发明的一方面,提供了一种信贷风险评估模型的特征值确定方法,该方法包括:
获取用户授权的多个信贷风险数据,对所述信贷风险数据进行归一化处理获得参考信贷风险数据,所述信贷风险数据至少反映所述用户的信贷情况,所述参考信贷风险数据为同一标准下的信贷风险数据;
将所述参考信贷风险数据进行共线性检验,并基于共线性检验结果对所述参考信贷风险数据进行筛选获得更新后信贷风险数据;
基于所述更新后信贷风险数据,通过极大似然估计方法确定所述更新后信贷风险数据的数据优先级,并根据所述数据优先级确定信贷风险评估模型的特征值,所述数据优先级用于表示更新后信贷风险数据影响信贷风险评估准确性的程度。
根据本发明的另一方面,提供了一种信贷风险评估模型的特征值确定装置,该装置包括:
数据处理模块,用于获取用户的多个信贷风险数据,对所述信贷风险数据进行归一化处理获得参考信贷风险数据,所述信贷风险数据至少反映所述用户的信贷情况,所述参考信贷风险数据为同一标准下的信贷风险数据;
检验模块,用于将所述参考信贷风险数据进行共线性检验,并基于共线性检验结果对所述参考信贷风险数据进行筛选获得更新后信贷风险数据;
特征值确定模块,用于基于所述更新后信贷风险数据,通过极大似然估计方法确定所述更新后信贷风险数据的数据优先级,并根据所述数据优先级确定信贷风险评估模型的特征值,所述数据优先级用于表示更新后信贷风险数据影响信贷风险评估准确性的程度。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
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计算机程序,所述计算机程序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本发明任一实施例所述的信贷风险评估模型的特征值确定方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的信贷风险评估模型的特征值确定方法。
本发明实施例的技术方案,获取用户授权的多个信贷风险数据,对信贷风险数据进行归一化处理获得参考信贷风险数据,参考信贷风险数据为同一标准下的信贷风险数据;然后将参考信贷风险数据进行共线性检验,并基于共线性检验结果对参考信贷风险数据进行筛选获得更新后信贷风险数据;进一步的基于更新后信贷风险数据,通过极大似然估计方法确定更新后信贷风险数据的数据优先级,并根据数据优先级确定信贷风险评估模型的特征值,数据优先级用于表示更新后信贷风险数据影响信贷风险评估准确性的程度。本申请解决了确定特征值过程计算量大的问题,大大的提高了特征值的确定效率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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他的附图。
图1是根据本发明实施例提供的一种信贷风险评估模型的特征值确定方法的流程图;
图2是根据本发明实施例提供的一种信贷风险评估模型的特征值确定装置的结构示意图;
图3是根据本发明实施例提供的实现本发明实施例的信贷风险评估模型的特征值确定方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“参考”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例提供的一种信贷风险评估模型的特征值确定方法的流程图,本实施例可适用于对信贷风险评估模型的特征值进行确定的情况,该方法可以由信贷风险评估模型的特征值确定装置来执行,该信贷风险评估模型的特征值确定装置可以采用硬件和/或软件的形式实现,该信贷风险评估模型的特征值确定装置可配置于任何具有网络通信功能的电子设备中。如图1所示,该方法包括:
S110、获取用户授权的多个信贷风险数据,对信贷风险数据进行归一化处理获得参考信贷风险数据。
其中,信贷风险数据至少反映用户的信贷情况,参考信贷风险数据为同一标准下的信贷风险数据。
可选的,信贷风险数据包括信贷风险指标和信贷风险指标对应的变量赋值信息。例如,信贷风险指标可以包括性别、婚姻状况、家庭成员健康状况、个人品质、用户类型、经营主体类型、用户职业、用户文化程度和个人信贷对象、年龄、本地居住年限、家庭总人数、家庭劳动人口数量、家庭供养人口数量、家庭年收入、家庭年支出、资产负债和经营项目情况等数据。变量赋值信息可以是指对信贷风险指标进行赋值的信息,用以表示影响信贷的数值。
具体的,对信贷风险数据进行归一化处理获得参考信贷风险数据,包括:
若信贷风险数据为离散型数据,则采用最小最大规范化方法对信贷风险数据中的变量赋值信息进行线性变换,以获得参考信贷风险数据;
若信贷风险数据为连续型数据,则采用比例变换对信贷风险数据中的变量赋值信息进行转换,以获得参考信贷风险数据。
S120、将参考信贷风险数据进行共线性检验,并基于共线性检验结果对参考信贷风险数据进行筛选获得更新后信贷风险数据。
对于本申请若所选的参考信贷风险数据之间存在较高的相关关系,那么计算距离时同类型的参考信贷风险数据将会重复起作用,相当于对相似的参考信贷风险数据进行了加权处理,从而导致在利用聚类分析进行风险评估时聚类结果会偏向同类型的参考信贷风险数据。所以,为了使得到的风险评估的结果更加准确,需要对样本数据进行共线性检验。
具体的,基于参考信贷风险数据确定参考信贷风险数据之间的容差和方差扩大因子;若容差大于第一预设值和/或所述方差扩大因子大于第二预设值,则确定参考信贷风险数据之间存在多重共线性;存在多重共线性的参考信贷风险数据组合形成至少一个候选信贷风险数据集,将所述候选信贷风险数据集中影响信贷风险评估最强的参考信贷风险数据保留,剔除候选信贷风险数据集中其它参考信贷风险数据,以获得更新后信贷风险数据。
S130、基于更新后信贷风险数据,通过极大似然估计方法确定更新后信贷风险数据的数据优先级,并根据数据优先级确定信贷风险评估模型的特征值。
其中,数据优先级用于表示更新后信贷风险数据影响信贷风险评估准确性的程度。
具体的,根据数据优先级确定信贷风险评估模型的特征值,包括:
确定信贷风险评估模型的特征值的预设数量,即选择多少数据用于进行信贷风险评估;
若预设数量小于或等于更新后信贷风险数据的数量,说明选用的特征值比较少,因此需要选用影响力度大的数据作为特征值,具体则依据数据优先级选择排序在前的预设数量的更新后信贷风险数据作为信贷风险评估模型的特征值;
若预设数量大于更新后信贷风险数据的数量,说明选用的特征值比较多比现有的数据多,具体则按照预设比例从更新后信贷风险数据选择信贷风险数据作为信贷风险评估模型的特征值,预设比例根据预设数量、数据优先级和更新后信贷风险数据的数量确定,也可以自定义,例如信贷风险数据按照数据优先级从高到低排序为A、B、C、D和E,预设数量为10个,那么为了使得信贷风险评估更加准确,那么将数据优先级高的比例调高,例如可以为A:B:C:D:E=4:3:1:1:1,则可以根据这个预设比例从信贷风险数据中选用相应的数据。
本发明实施例的技术方案,获取用户授权的多个信贷风险数据,对信贷风险数据进行归一化处理获得参考信贷风险数据,参考信贷风险数据为同一标准下的信贷风险数据;然后将参考信贷风险数据进行共线性检验,并基于共线性检验结果对参考信贷风险数据进行筛选获得更新后信贷风险数据;进一步的基于更新后信贷风险数据,通过极大似然估计方法确定更新后信贷风险数据的数据优先级,并根据数据优先级确定信贷风险评估模型的特征值,数据优先级用于表示更新后信贷风险数据影响信贷风险评估准确性的程度。本申请解决了确定特征值过程计算量大的问题,大大的提高了特征值的确定效率。
实施例二
图2为本发明实施例提供的一种信贷风险评估模型的特征值确定装置的结构示意图,本实施例可适用于对信贷风险评估模型的特征值进行确定的情况,该信贷风险评估模型的特征值确定装置可以采用硬件和/或软件的形式实现,该信贷风险评估模型的特征值确定装置可配置于任何具有网络通信功能的电子设备中。如图2所示,该装置包括:
数据处理模块210,用于获取用户的多个信贷风险数据,对所述信贷风险数据进行归一化处理获得参考信贷风险数据,所述信贷风险数据至少反映所述用户的信贷情况,所述参考信贷风险数据为同一标准下的信贷风险数据;
检验模块220,用于将所述参考信贷风险数据进行共线性检验,并基于共线性检验结果对所述参考信贷风险数据进行筛选获得更新后信贷风险数据;
特征值确定模块230,用于基于所述更新后信贷风险数据,通过极大似然估计方法确定所述更新后信贷风险数据的数据优先级,并根据所述数据优先级确定信贷风险评估模型的特征值,所述数据优先级用于表示更新后信贷风险数据影响信贷风险评估准确性的程度。
可选的,所述信贷风险数据包括信贷风险指标和所述信贷风险指标对应的变量赋值信息。
可选的,数据处理模块,用于:
若所述信贷风险数据为离散型数据,则采用最小最大规范化方法对所述信贷风险数据中的变量赋值信息进行线性变换,以获得所述参考信贷风险数据;
若所述信贷风险数据为连续型数据,则采用比例变换对所述信贷风险数据中的变量赋值信息进行转换,以获得所述参考信贷风险数据。
可选的,检验模块,用于:
基于所述参考信贷风险数据确定所述参考信贷风险数据之间的容差和方差扩大因子;
若所述容差大于第一预设值和/或所述方差扩大因子大于第二预设值,则确定所述参考信贷风险数据之间存在多重共线性;
存在多重共线性的所述参考信贷风险数据组合形成至少一个候选信贷风险数据集;
将所述候选信贷风险数据集中影响信贷风险评估最强的参考信贷风险数据保留,剔除所述候选信贷风险数据集中其它参考信贷风险数据,以获得更新后信贷风险数据。
可选的,特征值确定模块,用于:
确定信贷风险评估模型的特征值的预设数量;
若所述预设数量小于或等于更新后信贷风险数据的数量,则依据所述数据优先级选择排序在前的所述预设数量的所述更新后信贷风险数据作为信贷风险评估模型的特征值;
若所述预设数量大于更新后信贷风险数据的数量,则按照预设比例从所述更新后信贷风险数据选择信贷风险数据作为信贷风险评估模型的特征值,所述预设比例根据所述预设数量、所述数据优先级和所述更新后信贷风险数据的数量确定。
本发明实施例所提供的信贷风险评估模型的特征值确定装置可执行本发明任意实施例所提供的信贷风险评估模型的特征值确定方法,具备执行方法相应的功能模块和有益效果。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定,且不违背公序良俗。
实施例三
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示出了可以用来实现本发明实施例的信贷风险评估模型的特征值确定方法的电子设备的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图3所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理,例如信贷风险评估模型的特征值确定方法。
在一些实施例中,信贷风险评估模型的特征值确定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的信贷风险评估模型的特征值确定方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行信贷风险评估模型的特征值确定方法。
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)、复杂可编程逻辑设备(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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用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),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用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)来接收来自用户的输入。
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,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用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)、区块链网络和互联网。
计算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,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发明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,只要能够实现本发明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,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种信贷风险评估模型的特征值确定方法,其特征在于,所述方法包括:
获取用户授权的多个信贷风险数据,对所述信贷风险数据进行归一化处理获得参考信贷风险数据,所述信贷风险数据至少反映所述用户的信贷情况,所述参考信贷风险数据为同一标准下的信贷风险数据;
将所述参考信贷风险数据进行共线性检验,并基于共线性检验结果对所述参考信贷风险数据进行筛选获得更新后信贷风险数据;
基于所述更新后信贷风险数据,通过极大似然估计方法确定所述更新后信贷风险数据的数据优先级,并根据所述数据优先级确定信贷风险评估模型的特征值,所述数据优先级用于表示更新后信贷风险数据影响信贷风险评估准确性的程度。
2.根据权利要求1所述的方法,其特征在于,所述信贷风险数据包括信贷风险指标和所述信贷风险指标对应的变量赋值信息。
3.根据权利要求2所述的方法,其特征在于,对所述信贷风险数据进行归一化处理获得参考信贷风险数据,包括:
若所述信贷风险数据为离散型数据,则采用最小最大规范化方法对所述信贷风险数据中的变量赋值信息进行线性变换,以获得所述参考信贷风险数据;
若所述信贷风险数据为连续型数据,则采用比例变换对所述信贷风险数据中的变量赋值信息进行转换,以获得所述参考信贷风险数据。
4.根据权利要求1所述的方法,其特征在于,将所述参考信贷风险数据进行共线性检验,并基于共线性检验结果对所述参考信贷风险数据进行筛选获得更新后信贷风险数据,包括:
基于所述参考信贷风险数据确定所述参考信贷风险数据之间的容差和方差扩大因子;
若所述容差大于第一预设值和/或所述方差扩大因子大于第二预设值,则确定所述参考信贷风险数据之间存在多重共线性;
存在多重共线性的所述参考信贷风险数据组合形成至少一个候选信贷风险数据集;
将所述候选信贷风险数据集中影响信贷风险评估最强的参考信贷风险数据保留,剔除所述候选信贷风险数据集中其它参考信贷风险数据,以获得更新后信贷风险数据。
5.根据权利要求1所述的方法,其特征在于,根据所述数据优先级确定信贷风险评估模型的特征值,包括:
确定信贷风险评估模型的特征值的预设数量;
若所述预设数量小于或等于更新后信贷风险数据的数量,则依据所述数据优先级选择排序在前的所述预设数量的所述更新后信贷风险数据作为信贷风险评估模型的特征值;
若所述预设数量大于更新后信贷风险数据的数量,则按照预设比例从所述更新后信贷风险数据选择信贷风险数据作为信贷风险评估模型的特征值,所述预设比例根据所述预设数量、所述数据优先级和所述更新后信贷风险数据的数量确定。
6.一种信贷风险评估模型的特征值确定装置,其特征在于,所述装置包括:
数据处理模块,用于获取用户的多个信贷风险数据,对所述信贷风险数据进行归一化处理获得参考信贷风险数据,所述信贷风险数据至少反映所述用户的信贷情况,所述参考信贷风险数据为同一标准下的信贷风险数据;
检验模块,用于将所述参考信贷风险数据进行共线性检验,并基于共线性检验结果对所述参考信贷风险数据进行筛选获得更新后信贷风险数据;
特征值确定模块,用于基于所述更新后信贷风险数据,通过极大似然估计方法确定所述更新后信贷风险数据的数据优先级,并根据所述数据优先级确定信贷风险评估模型的特征值,所述数据优先级用于表示更新后信贷风险数据影响信贷风险评估准确性的程度。
7.根据权利要求6所述的装置,其特征在于,所述信贷风险数据包括信贷风险指标和所述信贷风险指标对应的变量赋值信息。
8.根据权利要求7所述的装置,其特征在于,数据处理模块,用于:
若所述信贷风险数据为离散型数据,则采用最小最大规范化方法对所述信贷风险数据中的变量赋值信息进行线性变换,以获得所述参考信贷风险数据;
若所述信贷风险数据为连续型数据,则采用比例变换对所述信贷风险数据中的变量赋值信息进行转换,以获得所述参考信贷风险数据。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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1-5中任一项所述的信贷风险评估模型的特征值确定方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-5中任一项所述的信贷风险评估模型的特征值确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311676635.9A CN117593115A (zh) | 2023-12-07 | 2023-12-07 | 信贷风险评估模型的特征值确定方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311676635.9A CN117593115A (zh) | 2023-12-07 | 2023-12-07 | 信贷风险评估模型的特征值确定方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117593115A true CN117593115A (zh) | 2024-02-23 |
Family
ID=89918185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311676635.9A Pending CN117593115A (zh) | 2023-12-07 | 2023-12-07 | 信贷风险评估模型的特征值确定方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117593115A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808578A (zh) * | 2024-03-01 | 2024-04-02 | 杭银消费金融股份有限公司 | 一种智能化人行征信数据解析方法及系统 |
-
2023
- 2023-12-07 CN CN202311676635.9A patent/CN117593115A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808578A (zh) * | 2024-03-01 | 2024-04-02 | 杭银消费金融股份有限公司 | 一种智能化人行征信数据解析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN117593115A (zh) | 信贷风险评估模型的特征值确定方法、装置、设备和介质 | |
CN113034046A (zh) | 一种数据风险计量方法、装置、电子设备及存储介质 | |
CN114428677B (zh) | 任务处理方法、处理装置、电子设备及存储介质 | |
CN116128627A (zh) | 风险预测方法、装置、电子设备及存储介质 | |
CN115422028A (zh) | 标签画像体系的可信度评估方法、装置、电子设备及介质 | |
CN111858267A (zh) | 预警方法、装置、电子设备及存储介质 | |
CN116340831A (zh) | 一种信息分类方法、装置、电子设备及存储介质 | |
CN115344495A (zh) | 批量任务测试的数据分析方法、装置、计算机设备及介质 | |
CN114999665A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN113010782A (zh) | 需求量获取方法、装置、电子设备以及计算机可读介质 | |
CN113052509A (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
CN116629620B (zh) | 一种风险等级确定方法、装置、电子设备及存储介质 | |
CN117150215B (zh) | 一种考核结果确定方法、装置、电子设备及存储介质 | |
CN109614328B (zh) | 用于处理测试数据的方法和装置 | |
CN116166501B (zh) | 一种日志校验方法、装置、电子设备及存储介质 | |
CN117010760A (zh) | 等级评估方法、装置、设备、存储介质及程序产品 | |
CN115204746A (zh) | 一种工程风险评估方法、装置、设备及存储介质 | |
CN115757306A (zh) | 一种信息压缩方法、装置、设备及存储介质 | |
CN117455684A (zh) | 一种数据处理方法、装置、电子设备、存储介质及产品 | |
CN117593113A (zh) | 一种信用卡账户风险评估方法、装置、设备及存储介质 | |
CN115576830A (zh) | 一种用例质量确定方法、装置、电子设备及存储介质 | |
CN117009356A (zh) | 一种公共数据的应用成效确定方法、装置和设备 | |
CN114866437A (zh) | 一种节点检测方法、装置、设备及介质 | |
CN116823159A (zh) | 金融项目的工作量预估方法、装置及程序产品 |
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 |