CN117635311A - 一种风险等级预测方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种风险等级预测方法、装置、设备及存储介质，该方法包括：获取目标企业的风险评估相关的特征数据；其中，所述目标企业为绿色能源相关企业，且所述目标企业向金融机构进行过金融借贷；将所述特征数据进行标准化处理，获得标准特征数据；将所述标准特征数据输入至多种设定基学习器中，获得预测组合特征；将所述预测组合特征输入至设定元学习器中，输出所述目标企业的风险等级。利用该方法：利用与目标企业的风险评估相关的特征数据，输入至多种学习器的，更好的预测客户的贷后风险，以更好地辅助贷后管理人员进行贷后风险的分析与管理。

Description

一种风险等级预测方法、装置、设备及存储介质

技术领域

本发明实施例涉及风险评估技术领域，尤其涉及一种风险等级预测方法、装置、设备及存储介质。

背景技术

为响应国家“碳达峰、碳中和”的目标，金融机构为环保、节能与清洁能源等领域提供了绿色金融贷款服务，同样这些企业也须纳入企业贷后风险管理。金融机构贷后风险预警是金融机构信用风险管理的最后一道屏障，并且实际风险往往都发生在贷后，因此贷后预警在金融机构的经营中是非常重要的一部分。随着信贷客户在贷款期间运营状况不断发生变化，所以在整个贷款周期未结束前，需要对其进行贷后风险监测，提前发现客户风险，及时采取措施止损。同时随着贷款客户越来越多，传统的贷后管理模式中贷后管理主要依靠人工完成，贷后管理负责人主要通过走访、贷款客户财务信息与交易信息等相关数据进行分析，但是这种贷后风险评估方式存在一定的滞后性且效率不高。

发明内容

本发明实施例提供一种风险等级预测方法、装置、设备及存储介质，利用与目标企业的风险评估相关的特征数据，输入至多种学习器的，更好的预测客户的贷后风险，以更好地辅助贷后管理人员进行贷后风险的分析与管理。

第一方面，本发明实施例提供了一种风险等级预测方法，该方法包括：

获取目标企业的风险评估相关的特征数据；其中，所述目标企业为绿色能源相关企业，且所述目标企业向金融机构进行过金融借贷；

将所述特征数据进行标准化处理，获得标准特征数据；

将所述标准特征数据输入至多种设定基学习器中，获得预测组合特征；

将所述预测组合特征输入至设定元学习器中，输出所述目标企业的风险等级。

第二方面，本发明实施例还提供了一种风险等级预测装置，该装置包括：

获取模块，用于获取目标企业的风险评估相关的特征数据；其中，所述目标企业为绿色能源相关企业，且所述目标企业向金融机构进行过金融借贷；

标准化模块，用于将所述特征数据进行标准化处理，获得标准特征数据；

组合特征确定模块，用于将所述标准特征数据输入至多种设定基学习器中，获得预测组合特征；

风险等级预测模块，用于将所述预测组合特征输入至设定元学习器中，输出所述目标企业的风险等级。

第三方面，本公开实施例还提供电子设备，所述电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本公开实施例提供的风险等级预测方法。

第四方面，本公开实施例还提供了包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行实现本公开实施例提供的风险等级预测方法。

本发明公开了一种风险等级预测方法、装置、设备及存储介质，该方法包括：获取目标企业的风险评估相关的特征数据；其中，所述目标企业为绿色能源相关企业，且所述目标企业向金融机构进行过金融借贷；将所述特征数据进行标准化处理，获得标准特征数据；将所述标准特征数据输入至多种设定基学习器中，获得预测组合特征；将所述预测组合特征输入至设定元学习器中，输出所述目标企业的风险等级。利用该方法：利用与目标企业的风险评估相关的特征数据，输入至多种学习器的，更好的预测客户的贷后风险，以更好地辅助贷后管理人员进行贷后风险的分析与管理。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1为本公开实施例所提供的一种风险等级预测方法的流程图；

图2为本公开实施例所提供的一种风险等级预测装置的结构示意图；

图3为本公开实施例所提供的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。

例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。

作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。

可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。

可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。

实施例一

图1为本公开实施例所提供的一种风险等级预测的流程图，本公开实施例适用于提供解决传统的贷后风险评估方式存在一定的滞后性且效率不高的问题的情形，该方法可以由风险等级预测装置来执行，该装置可以通过软件和/或硬件的形式实现，可选的，通过电子设备来实现，该电子设备可以是移动终端、PC端或服务器等。

如图1所示，本公开实施例提供的一种风险等级预测方法，具体可以包括下述步骤：

S110、获取目标企业的风险评估相关的特征数据。

其中，目标企业为绿色能源相关企业，且目标企业向金融机构进行过金融借贷。

需要知道的是，清洁能源等企业对空气污染物、气象条件等外部因素存在一定程度的依赖性。

在本实施例中，特征数据可以是与风险评估相关的数据信息。

特征数据中包括以下特征至少之一：气溶胶光学厚度、温度、风速、湿度、空气污染物、客户收入信息。

具体的，获取目标企业的风险评估相关的特征数据。

在上述实施例的基础上，可以将获取目标企业的风险评估相关的特征数据具体为下述步骤：

a1)获取采集的卫星遥感监测数据、气象数据、客户数据。

b1)从卫星遥感监测数据中提取气溶胶光学厚度。

c1)从气象数据中提取温度、风速、湿度、空气污染物。

d1)从客户数据中提取客户收入信息。

在本实施例中，卫星遥感监测数据的气溶胶光学厚度数据与地面PM2.5等污染物有较强的关联。

具体的，获取采集的卫星遥感监测数据、气象数据、客户数据。从卫星遥感监测数据中提取气溶胶光学厚度。从气象数据中提取温度、风速、湿度、空气污染物，从客户数据中提取客户收入信息的特征数据。

S120、将特征数据进行标准化处理，获得标准特征数据。

需要知道的是，由于数据特征有多个部分组成，每个特征具有不同的量纲和数量级，特征之间水平相差很大，其中数值较高的特征例如借贷金额，也存在数值较低的特征例如风速等，如果使用原始特征进行分析，数值较高的特征会对模型的建立产生较大的影响，从而削弱数值水平较低特征对于模型的贡献。

在本实施例中，根据特征数据确定出各个特征的均值和标准差。基于均值和标准差对各个特征进行标准化处理，获得标准特征数据。

在上述实施例的基础上，将特征数据进行标准化处理，获得标准特征数据具体为下述步骤：

a2)基于特征数据确定出各个特征的均值和标准差。

b2)基于均值和标准差对各个特征进行标准化处理，获得标准特征数据。

具体的，根据特征数据确定出各个特征的均值和标准差，然后将均值和标准差带入标准差标准化公式中对各个特征进行标准化处理，获得标准特征数据。

x*＝(x-μ)/σ

其中，x*为标准化处理后的标准特征数据，x为特征数据，μ为每个特征的均值，σ为每个特征的标准差。

利用本方法，通过标准差标准化，将特征转换为平均值为0，标准差为1的标准正态分布，消除了因为不同量纲引起的误差，使各特征处于同一个数量级别上，在数值上有了一定的可比性，避免了数值较高的特征引发的数值问题。

S130、将标准特征数据输入至多种设定基学习器中，获得预测组合特征。

其中，设定基学习器分别为随机森林基学习器、GBRT基学习器和XGBoost基学习器。

具体的，将标准特征数据依次输入至多种设定基学习器中，得到与原标准特征数相当的数据并进行组合，组合的数据为预测组合特征。

在上述实施例的基础上，本发明实施例在将标准特征数据输入至多种设定基学习器中，获得预测组合特征具体为下述步骤：

a3)将标准特征数据分别输入至训练后的三种设定基学习器中，获得第一预测特征、第二预测特征和第三预测特征。

b3)将第一预测特征、第二预测特征和第三预测特征进行组合，输出预测组合特征。

具体的，将标准特征数据分别输入至训练后的三种设定基学习器中，获得第一预测特征、第二预测特征和第三预测特征。其中，第一预测特征、第二预测特征和第三预测特征与原标准特征数相当的数据特征。

S140、将预测组合特征输入至设定元学习器中，输出目标企业的风险等级。

具体的，将预测组合特征输入至设定元学习器中，输出目标企业的风险等级。

其中，设定元学习器为岭分类模型元学习器。

本发明公开了一种风险等级预测方法，该方法包括：获取目标企业的风险评估相关的特征数据；其中，目标企业为绿色能源相关企业，且目标企业向金融机构进行过金融借贷；将特征数据进行标准化处理，获得标准特征数据；将标准特征数据输入至多种设定基学习器中，获得预测组合特征；将预测组合特征输入至设定元学习器中，输出目标企业的风险等级。利用该方法：利用与目标企业的风险评估相关的特征数据，输入至多种学习器的，更好的预测客户的贷后风险，以更好地辅助贷后管理人员进行贷后风险的分析与管理。

实施例二

图2为本发明实施例还提供了一种风险等级预测装置结构示意图，如图2示，装置包括：获取模块210、标准化模块220、组合特征确定模块230以及风险等级预测模块240。

获取模块210，用于获取目标企业的风险评估相关的特征数据；其中，所述目标企业为绿色能源相关企业，且所述目标企业向金融机构进行过金融借贷；

标准化模块220，用于将所述特征数据进行标准化处理，获得标准特征数据；

组合特征确定模块230，用于将所述标准特征数据输入至多种设定基学习器中，获得预测组合特征；

风险等级预测模块240，用于将所述预测组合特征输入至设定元学习器中，输出所述目标企业的风险等级。

本公开实施例所提供的技术方案，利用该方法：利用与目标企业的风险评估相关的特征数据，输入至多种学习器的，更好的预测客户的贷后风险，以更好地辅助贷后管理人员进行贷后风险的分析与管理。

进一步地，获取模块210可以用于：

所述特征数据中包括以下特征至少之一：气溶胶光学厚度、温度、风速、湿度、空气污染物、客户收入信息。

进一步地，获取模块210可以用于：

获取采集的卫星遥感监测数据、气象数据、客户数据；

从所述卫星遥感监测数据中提取气溶胶光学厚度；

从所述气象数据中提取温度、风速、湿度、空气污染物；

从所述客户数据中提取客户收入信息。

进一步地，标准化模块220可以用于：

基于所述特征数据确定出各个特征的均值和标准差；

基于所述均值和标准差对各个特征进行标准化处理，获得标准特征数据。

进一步地，组合特征确定模块230可以用于：

将所述标准特征数据分别输入至训练后的三种设定基学习器中，获得第一预测特征、第二预测特征和第三预测特征；

将所述第一预测特征、第二预测特征和第三预测特征进行组合，输出预测组合特征。

进一步地，组合特征确定模块230可以用于：设定基学习器分别为随机森林基学习器、GBRT基学习器和XGBoost基学习器。

进一步地，风险等级预测模块240可以用于：所述设定元学习器为岭分类模型元学习器。

上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。

实施例三

图3给出了可以用来实施本发明的实施例的电子设备10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，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，例如风险等级预测方法。

在一些实施例中，风险等级预测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风险等级预测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)而被配置为执行风险等级预测方法。

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、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)

1.一种风险等级预测方法，其特征在于，包括：

获取目标企业的风险评估相关的特征数据；其中，所述目标企业为绿色能源相关企业，且所述目标企业向金融机构进行过金融借贷；

将所述特征数据进行标准化处理，获得标准特征数据；

将所述标准特征数据输入至多种设定基学习器中，获得预测组合特征；

将所述预测组合特征输入至设定元学习器中，输出所述目标企业的风险等级。

2.根据权利要求1所述的方法，其特征在于，所述特征数据中包括以下特征至少之一：气溶胶光学厚度、温度、风速、湿度、空气污染物、客户收入信息。

3.根据权利要求2所述的方法，其特征在于，获取目标企业的风险评估相关的特征数据，包括：

获取采集的卫星遥感监测数据、气象数据、客户数据；

从所述卫星遥感监测数据中提取气溶胶光学厚度；

从所述气象数据中提取温度、风速、湿度、空气污染物；

从所述客户数据中提取客户收入信息。

4.根据权利要求3所述的方法，其特征在于，将所述特征数据进行标准化处理，获得标准特征数据，包括：

基于所述特征数据确定出各个特征的均值和标准差；

基于所述均值和标准差对各个特征进行标准化处理，获得标准特征数据。

5.根据权利要求1所述的方法，其特征在于，将所述标准特征数据输入至多种设定基学习器中，获得预测组合特征，包括：

将所述标准特征数据分别输入至训练后的三种设定基学习器中，获得第一预测特征、第二预测特征和第三预测特征；

将所述第一预测特征、第二预测特征和第三预测特征进行组合，输出预测组合特征。

6.根据权利要求5所述的方法，其特征在于，设定基学习器分别为随机森林基学习器、GBRT基学习器和XGBoost基学习器。

7.根据权利要求1所述的方法，其特征在于，所述设定元学习器为岭分类模型元学习器。

8.一种风险等级预测装置，其特征在于，包括：

获取模块，用于获取目标企业的风险评估相关的特征数据；其中，所述目标企业为绿色能源相关企业，且所述目标企业向金融机构进行过金融借贷；

标准化模块，用于将所述特征数据进行标准化处理，获得标准特征数据；

组合特征确定模块，用于将所述标准特征数据输入至多种设定基学习器中，获得预测组合特征；

风险等级预测模块，用于将所述预测组合特征输入至设定元学习器中，输出所述目标企业的风险等级。

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1-7中任一项所述的风险等级预测方法。

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1-7中任一项所述的风险等级预测方法。