CN117934160A - 一种基于多模型融合的风险等级划分方法 - Google Patents
一种基于多模型融合的风险等级划分方法 Download PDFInfo
- Publication number
- CN117934160A CN117934160A CN202410327006.3A CN202410327006A CN117934160A CN 117934160 A CN117934160 A CN 117934160A CN 202410327006 A CN202410327006 A CN 202410327006A CN 117934160 A CN117934160 A CN 117934160A
- Authority
- CN
- China
- Prior art keywords
- risk
- user
- credit
- different
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000004927 fusion Effects 0.000 title claims abstract description 24
- 238000012937 correction Methods 0.000 claims abstract description 33
- 230000006399 behavior Effects 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 241000207961 Sesamum Species 0.000 description 2
- 235000003434 Sesamum indicum Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种基于多模型融合的风险等级划分方法与系统，属于金融风险管理技术领域，具体包括：基于用户在不同平台的信用评分确定用户不属于风险用户时，根据不同的历史用户的逾期行为将历史用户划分为不同的风险用户群体，通过不同平台的信用评分的关联的用户数据确定不同平台的独占用户数据，将除去独占用户数据的其它的关联的用户数据作为其它用户数据，分别根据独占用户数据以及其它用户数据在不同的风险用户群体的风险匹配情况确定不同平台的信用评分的关联系数，基于关联系数、权重值进行不同平台的信用评分的修正权重值，通过不同平台的信用评分以及修正权重值确定用户的风险等级，实现了对用户的授信风险的准确评估。
Description
技术领域
本发明属于金融风险管理技术领域，尤其涉及一种基于多模型融合的风险等级划分方法。
背景技术
随着互联网科技的不断普及以及金融市场的快速发展，为了满足个人用户的消费贷款的审批需求，个人的信用评级在其中起到了至关重要的作用。信用机构采用大数据、人工智能等手段，通过对借款人的信用风险、还款能力、还款意愿等多维度的分析和评估，为金融机构及投资者提供了有效的风险策略依据，由于不同的信用机构的信用评分往往是基于不同的数据维度，例如微信信用分、芝麻信用分，因此如何对不同的信用机构的信用评分进行融合处理，实现对用户的风险的准确评估成为亟待解决的技术问题。
为解决上述技术问题，现有技术方案中往往是对不同的数据源的数据进行信贷风险的评估，并根据不同的数据源的信贷风险的评估结果进行融合处理得到最终的授信申请用户的风险，具体的在CN201710228572.9《基于个人信息融合的金融信用评价商业模式》、CN202110997257.9《一种基于多源数据融合的贷款授信系统》中均给出了类似的技术方案，但是均未考虑如何结合现有的不同的平台的信用分的评估结果进行信贷风险的评估，使得信贷申请的处理效率较慢。
针对上述技术问题，本发明提供了一种基于多模型融合的风险等级划分方法。
发明内容
为实现本发明目的，本发明采用如下技术方案：
根据本发明的一个方面，提供了一种基于多模型融合的风险等级划分方法。
一种基于多模型融合的风险等级划分方法，其特征在于，具体包括：
S1基于用户在不同平台的信用评分确定用户不属于风险用户时，进入下一步骤；
S2根据不同的历史用户的逾期行为将所述历史用户划分为不同的风险用户群体，基于不同平台的信用评分在不同的风险用户群体的匹配情况确定不同平台的信用评分的权重值，通过不同平台的所述权重值以及信用评分确定所述用户不属于风险用户时，进入下一步骤；
S3通过不同平台的信用评分的关联的用户数据确定不同平台的独占用户数据，将除去所述独占用户数据的其它的关联的用户数据作为其它用户数据，分别根据独占用户数据以及其它用户数据在不同的风险用户群体的风险匹配情况确定不同平台的信用评分的关联系数；
S4基于所述关联系数、权重值进行不同平台的信用评分的修正权重值的确定，通过不同平台的信用评分以及修正权重值确定所述用户的风险等级。
本发明的有益效果在于：
1、通过不同平台的权重值以及信用评分确定用户是否属于风险用户，不仅考虑到由于不同平台的信用评分的差异导致的用户的授信风险的差异，同时通过进一步结合不同平台在不同的风险用户群体的识别准确率实现了对风险用户的准确识别，也为差异化的进行风控策略的输出奠定了基础。
2、根据独占用户数据以及其它用户数据在不同的风险用户群体的风险匹配情况确定不同平台的信用评分的关联系数，避免了原有的仅仅依靠信用评分导致的风控结果的识别准确率难以满足要求的技术问题的出现，充分考虑到不同的平台由于数据源的差异导致的识别准确率的差异，也为差异化的进行风险等级的确定奠定了基础。
3、通过不同平台的信用评分以及修正权重值确定用户的风险等级，实现了从不同平台的数据源以及识别准确率的角度对不同平台的信用评分的融合处理，提升了风险等级的评估的准确性，也实现了对不同用户的差异化的授信的风控管理。
进一步的技术方案在于，所述平台包括具有根据用户信息进行信用评分输出的网络平台以及基于用户信息进行信用评分输出的模型。
进一步的技术方案在于，所述用户的评分风险值的取值范围在0到1之间，其中当所述用户的评分风险值大于预设风险值时，则确定所述用户属于风险用户。
进一步的技术方案在于，通过不同平台的所述权重值以及信用评分确定所述用户不属于风险用户，具体包括：
通过不同平台的信用评分以及权重值确定不同平台的修正信用评分，并根据不同平台的修正信用评分确定所述用户的信用评分评估量；
基于所述用户的信用评分评估量确定所述用户是否不属于风险用户。
进一步的技术方案在于，通过不同平台的信用评分以及修正权重值确定所述用户的风险等级，具体包括：
通过不同平台的信用评分以及修正权重值确定所述用户的综合修正信用评分，并基于所述用户的综合修正信用评分所匹配的风险等级确定所述用户的风险等级。
第二方面，本发明提供了一种计算机系统，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行上述的一种基于多模型融合的风险等级划分方法。
其他特征和优点将在随后的说明书中阐述，本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显；
图1是一种基于多模型融合的风险等级划分方法的流程图；
图2是基于用户在不同平台的信用评分确定用户不属于风险用户的方法的流程图；
图3是平台的信用评分的权重值的确定的方法的流程图；
图4是平台的信用评分的关联系数的确定的方法的流程图；
图5是一种计算机系统的框架图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书实施例，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他实施例，都应当属于本说明书保护的范围。
对于不同的授信申请用户往往在不同的平台都有信用评分，例如微信信用分、芝麻信用分，对于不同的平台机构其参考的数据维度存在一定程度的差异，因此若不能结合不同的信用机构的信用评分进行用户的风险的评估，则无法准确的实现对风险用户的准确识别。
为解决上述技术问题，根据金融机构的逾期用户在不同平台的信用评分的匹配情况确定不同平台的信用评分的权重，并根据不同平台的独占用户数据以及通用用户数据与逾期用户的关联情况确定不同平台的信用评分的关联系数，最后根据不同平台的信用评分的权重以及关联系数得到修正权重值，根据不同平台的信用评分的修正权重值的和确定不同用户的信贷风险等级。
具体的，采用以下技术方案：
当用户在不同平台的信用评分任意一个不满足授信要求时，确定其为风险用户；
当不属于风险用户时，根据授信机构中的逾期用户与不同平台的信用评分的匹配情况确定不同平台的信用评分的权重值，具体的根据信用评分满足要求的用户在授信机构中存在逾期行为的比例确定信用频分的权重值，根据信用评分的权重和确定用户不属于风险用户时，进入下一步骤；
通过不同平台的独占用户数据以及除去独占用户数据的其它用户数据与逾期用户的风险评估情况确定不同平台的信用评分的关联系数，具体的可以通过独占用户数据可靠的用户在授信机构的逾期用户的比例以及其它用户数据可靠的用户在授信机构的逾期用户的比例的乘积确定不同平台的信用评分的关联系数。
基于所述关联系数、权重值的乘积进行不同平台的信用评分的修正权重值的确定，通过不同平台的信用评分以及修正权重值确定所述用户的综合修正信用评分，并基于所述用户的综合修正信用评分所匹配的风险等级确定所述用户的风险等级。
进一步的，以下将从方法类实施例和系统类实施例两个角度进行进一步阐述。
为解决上述问题，根据本发明的一个方面，如图1所示，提供了一种基于多模型融合的风险等级划分方法，其特征在于，具体包括：
S1基于用户在不同平台的信用评分确定用户不属于风险用户时，进入下一步骤；
进一步的，所述平台包括具有根据用户信息进行信用评分输出的网络平台以及基于用户信息进行信用评分输出的模型。
在其中的一个可能的实施例中，如图2所示，上述步骤中的基于用户在不同平台的信用评分确定用户不属于风险用户，具体包括：
通过所述用户在不同平台的信用评分确定所述用户在不同平台的授信风险等级，并根据不同的授信风险等级的平台的数量以及不同平台的信用评分确定所述用户在不同的授信风险等级的综合授信评分；
基于所述用户在不同的授信风险等级的综合授信评分确定所述用户的评分风险值，并通过所述评分风险值确定所述用户是否属于风险用户。
具体的，所述用户的评分风险值的取值范围在0到1之间，其中当所述用户的评分风险值大于预设风险值时，则确定所述用户属于风险用户。
在另外的一个可能的实施例中，上述步骤中的基于用户在不同平台的信用评分确定用户不属于风险用户，具体包括：
当不存在信用评分不满足要求的平台时：则确定所述用户不属于风险用户；
当信用评分不满足要求的平台的数量大于预设平台数量时：则确定所述用户属于风险用户；
当信用评分不满足要求的平台的数量不大于预设平台数量时：
通过所述用户在不同平台的信用评分确定所述用户在不同平台的授信风险等级，当达到预设授信风险等级的平台数量不满足要求时，则确定所述用户属于风险用户；
当达到预设授信风险等级的平台数量满足要求时，根据不同的授信风险等级的平台的数量以及不同平台的信用评分确定所述用户在不同的授信风险等级的综合授信评分，判断所述用户在预设授信风险等级的综合授信评分是否满足要求，若是，则进入下一步骤，若否，则确定所述用户属于风险用户；
基于所述用户在不同的授信风险等级的综合授信评分确定所述用户的评分风险值，并通过所述评分风险值确定所述用户是否属于风险用户。
在另外的一个可能的实施例中，上述步骤中的基于用户在不同平台的信用评分确定用户不属于风险用户，具体包括：
基于所述用户在不同平台的信用评分判断是否存在具有信贷风险的平台，若是，则进入下一步骤，若否，则确定所述用户不属于风险用户；
将具有信贷风险的平台作为信贷风险平台，判断所述信贷风险平台的数量是否大于预设平台数量，若是，则确定所述用户属于风险用户，若否，则进入下一步骤；
判断不同平台的信用评分与不同平台的基准风险评分的比值的数量和是否满足要求，若是，则确定所述用户不属于风险用户，若否，则进入下一步骤；
通过所述信贷风险平台的数量以及不同的信贷风险平台的信用评分确定所述信贷风险平台的综合授信风险，判断所述信贷风险平台的综合授信风险是否满足要求，若是，则进入下一步骤，若否，则确定所述用户属于风险用户；
获取所述用户在不同平台的信用评分与不同平台的基准风险评分的比值的数量和，并结合所述用户的信贷风险平台的数量占比以及所述信贷风险平台的综合授信风险确定所述用户的评分风险值，并通过所述评分风险值确定所述用户是否属于风险用户。
S2根据不同的历史用户的逾期行为将所述历史用户划分为不同的风险用户群体，基于不同平台的信用评分在不同的风险用户群体的匹配情况确定不同平台的信用评分的权重值，通过不同平台的所述权重值以及信用评分确定所述用户不属于风险用户时，进入下一步骤；
可以理解的是，根据不同的历史用户的逾期行为将所述历史用户划分为不同的风险用户群体，具体包括：
根据所述历史用户是否存在过逾期行为将所述历史用户划分为安全历史用户、风险历史用户，并通过所述风险历史用户的逾期状态将所述风险历史用户划分为可控风险用户以及逾期风险用户。
在其中的一个可能的实施例中，如图3所示，上述步骤中的所述平台的信用评分的权重值的确定的方法为：
基于不同平台的信用评分在不同的风险用户群体的匹配情况确定不同平台的信用评分在不同的风险用户群体的匹配准确率，并结合不同的风险用户群体的用户数量确定所述平台的信用评分在不同的风险用户群体的准确率评估量；
通过所述平台的信用评分在不同的风险用户群体的准确率评估量以及不同的风险用户群体的基准权重值确定所述平台的信用评分的权重值。
进一步的，所述不同的风险用户群体的基准权重值根据不同的风险用户群体的用户数量进行确定，具体的根据所述用户数量与基准用户数量的比值确定不同的风险用户群体的基准权重值。
在其中的一个可能的实施例中，上述步骤中的通过不同平台的所述权重值以及信用评分确定所述用户不属于风险用户，具体包括：
通过不同平台的信用评分以及权重值确定不同平台的修正信用评分，并根据不同平台的修正信用评分确定所述用户的信用评分评估量；
基于所述用户的信用评分评估量确定所述用户是否不属于风险用户。
进一步的，通过不同平台的所述权重值以及信用评分确定所述用户属于风险用户时，则根据预设风险等级确定所述用户的风险等级。
在另外的一个可能的实施例中，上述步骤中的通过不同平台的所述权重值以及信用评分确定所述用户不属于风险用户，具体包括：
通过不同平台的信用评分以及权重值确定不同平台的修正信用评分，判断修正信用评分不满足要求的平台的数量是否大于预设平台数量，若是，则确定所述用户属于风险用户，若否，则进入下一步骤；
判断是否存在修正信用评分不满足要求的平台，若是，则进入下一步骤，若否，则确定所述述用户不属于风险用户；
基于不同平台的信用评分以及基准信用评分确定不同平台的信用评分比值，判断信用评分比值的平均值是否满足要求，若否，则进入下一步骤，若是，则确定所述用户不属于风险用户；
根据不同平台的信用评分比值进行所述平台中的授信风险平台的确定，判断所述授信风险平台的权重和是否满足要求，若是，则进入下一步骤，若否，则确定所述用户属于风险用户；
获取所述授信风险平台的信用评分比值，并结合不同的授信风险平台的权重以及授信风险平台的数量确定所述用户在所述授信风险平台的信用风险评估量，判断所述用户在所述授信风险平台的信用风险评估量是否满足要求，若是，则进入下一步骤，若否，则确定所述用户属于风险用户；
根据不同平台的信用评分比值以及权重确定不同平台的修正信用评分比值，并结合所述用户在所述授信风险平台的信用风险评估量确定所述用户的信用评分评估量，基于所述用户的信用评分评估量确定所述用户是否不属于风险用户。
在另外的一个可能的实施例中，上述步骤中的通过不同平台的所述权重值以及信用评分确定所述用户不属于风险用户，具体包括：
基于不同平台的信用评分以及基准信用评分确定不同平台的信用评分比值，当不存在信用评分比值不满足要求的平台时，则确定所述用户不属于风险用户；
当存在信用评分比值不满足要求的平台时，根据不同平台的信用评分比值以及权重值确定不同平台的修正评分比值，当不同平台的修正评分比值的数量和满足要求时，则确定所述用户不属于风险用户；
当不同平台的修正评分比值的数量和不满足要求时，根据不同平台的信用评分比值进行所述平台中的授信风险平台的确定，当所述授信风险平台的权重和不满足要求时，则确定所述用户属于风险用户；
当所述授信风险平台的权重和满足要求时，获取所述授信风险平台的信用评分比值，并结合不同的授信风险平台的权重以及授信风险平台的数量确定所述用户在所述授信风险平台的信用风险评估量，判断所述用户在所述授信风险平台的信用风险评估量是否满足要求，若是，则进入下一步骤，若否，则确定所述用户属于风险用户；
根据不同平台的信用评分比值以及权重确定不同平台的修正信用评分比值，并结合所述用户在所述授信风险平台的信用风险评估量确定所述用户的信用评分评估量，基于所述用户的信用评分评估量确定所述用户是否不属于风险用户。
S3通过不同平台的信用评分的关联的用户数据确定不同平台的独占用户数据，将除去所述独占用户数据的其它的关联的用户数据作为其它用户数据，分别根据独占用户数据以及其它用户数据在不同的风险用户群体的风险匹配情况确定不同平台的信用评分的关联系数；
在其中的一个可能的实施例中，如图4所示，上述步骤中的所述平台的信用评分的关联系数的确定的方法为：
基于所述独占用户数据的种类数量以及不同种类的独占用户数据在不同的风险用户群体的风险匹配准确率确定所述独占用户数据的数据关联系数；
根据所述其它用户数据的种类数量以及不同种类的其它用户数据在不同的风险用户群体的风险匹配准确率确定所述其它用户数据的数据关联系数；
利用所述独占用户数据的数据量以及其它用户数据的数据量确定所述独占用户数据的权重值以及其它用户数据的权重值，并结合所述独占用户数据的数据关联系数以及所述其它用户数据的数据关联系数确定所述平台的信用评分的关联系数。
具体的，所述平台的信用评分的关联系数的取值范围在0到1之间，其中所述平台的信用评分的关联系数越大，则所述平台的信用评分越可信。
在另外的一个可能的实施例中，上述步骤中的所述平台的信用评分的关联系数的确定的方法为：
S31根据所述其它用户数据的种类数量以及不同种类的其它用户数据在不同的风险用户群体的风险匹配准确率确定所述其它用户数据的其它数据关联系数；
S32判断所述独占用户数据的数据量是否小于预设数据量阈值，若是，则通过所述其它用户数据的其它数据关联系数确定所述平台的信用评分的关联系数，若否，则进入下一步骤；
S33基于不同种类的独占用户数据在不同的风险用户群体的风险匹配准确率以及不同种类的独占用户数据的数据量确定不同种类的独占用户数据的数据关联系数，判断是否存在数据关联系数大于预设关联阈值的独占用户数据，若是，则进入下一步骤，若否，则通过所述其它用户数据的其它数据关联系数确定所述平台的信用评分的关联系数；
S34基于所述独占用户数据的种类数量以及不同种类的独占用户数据的数据关联系数确定所述独占用户数据的独占数据关联系数，判断所述独占用户数据的独占数据关联系数是否满足要求，若是，则通过所述独占用户数据的独占数据关联系数确定所述平台的信用评分的关联系数，若否，则进入下一步骤；
S35利用所述独占用户数据的数据量以及其它用户数据的数据量确定所述独占用户数据的权重值以及其它用户数据的权重值，并结合所述独占用户数据的独占数据关联系数以及所述其它用户数据的其它数据关联系数确定所述平台的信用评分的关联系数。
S4基于所述关联系数、权重值进行不同平台的信用评分的修正权重值的确定，通过不同平台的信用评分以及修正权重值确定所述用户的风险等级。
进一步的，通过不同平台的信用评分以及修正权重值确定所述用户的风险等级，具体包括：
通过不同平台的信用评分以及修正权重值确定所述用户的综合修正信用评分，并基于所述用户的综合修正信用评分所匹配的风险等级确定所述用户的风险等级。
另一方面，如图5所示，本发明提供了一种计算机系统，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行上述的一种基于多模型融合的风险等级划分方法。
其中上述的一种基于多模型融合的风险等级划分方法，具体包括：
基于所述用户在不同平台的信用评分判断是否存在具有信贷风险的平台，若是，则进入下一步骤，若否，则确定所述用户不属于风险用户；
将具有信贷风险的平台作为信贷风险平台，判断所述信贷风险平台的数量是否大于预设平台数量，若是，则确定所述用户属于风险用户，若否，则进入下一步骤；
判断不同平台的信用评分与不同平台的基准风险评分的比值的数量和是否满足要求，若是，则确定所述用户不属于风险用户，若否，则进入下一步骤；
通过所述信贷风险平台的数量以及不同的信贷风险平台的信用评分确定所述信贷风险平台的综合授信风险，判断所述信贷风险平台的综合授信风险是否满足要求，若是，则进入下一步骤，若否，则确定所述用户属于风险用户；
获取所述用户在不同平台的信用评分与不同平台的基准风险评分的比值的数量和，并结合所述用户的信贷风险平台的数量占比以及所述信贷风险平台的综合授信风险确定所述用户的评分风险值，并通过所述评分风险值确定所述用户是否属于风险用户，当确定用户不属于风险用户时，进入下一步骤；
根据不同的历史用户的逾期行为将所述历史用户划分为不同的风险用户群体，基于不同平台的信用评分在不同的风险用户群体的匹配情况确定不同平台的信用评分的权重值，通过不同平台的所述权重值以及信用评分确定所述用户不属于风险用户时，进入下一步骤；
通过不同平台的信用评分的关联的用户数据确定不同平台的独占用户数据，将除去所述独占用户数据的其它的关联的用户数据作为其它用户数据，基于所述独占用户数据的种类数量以及不同种类的独占用户数据在不同的风险用户群体的风险匹配准确率确定所述独占用户数据的数据关联系数；
根据所述其它用户数据的种类数量以及不同种类的其它用户数据在不同的风险用户群体的风险匹配准确率确定所述其它用户数据的数据关联系数；
利用所述独占用户数据的数据量以及其它用户数据的数据量确定所述独占用户数据的权重值以及其它用户数据的权重值，并结合所述独占用户数据的数据关联系数以及所述其它用户数据的数据关联系数确定所述平台的信用评分的关联系数；
基于所述关联系数、权重值进行不同平台的信用评分的修正权重值的确定，通过不同平台的信用评分以及修正权重值确定所述用户的风险等级。
通过以上实施例，本发明取得以下有益效果：
1、通过不同平台的权重值以及信用评分确定用户是否属于风险用户，不仅考虑到由于不同平台的信用评分的差异导致的用户的授信风险的差异，同时通过进一步结合不同平台在不同的风险用户群体的识别准确率实现了对风险用户的准确识别，也为差异化的进行风控策略的输出奠定了基础。
2、根据独占用户数据以及其它用户数据在不同的风险用户群体的风险匹配情况确定不同平台的信用评分的关联系数，避免了原有的仅仅依靠信用评分导致的风控结果的识别准确率难以满足要求的技术问题的出现，充分考虑到不同的平台由于数据源的差异导致的识别准确率的差异，也为差异化的进行风险等级的确定奠定了基础。
3、通过不同平台的信用评分以及修正权重值确定用户的风险等级，实现了从不同平台的数据源以及识别准确率的角度对不同平台的信用评分的融合处理，提升了风险等级的评估的准确性，也实现了对不同用户的差异化的授信的风控管理。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种基于多模型融合的风险等级划分方法，其特征在于，具体包括：
基于用户在不同平台的信用评分确定用户不属于风险用户时，进入下一步骤；
根据不同的历史用户的逾期行为将所述历史用户划分为不同的风险用户群体，基于不同平台的信用评分在不同的风险用户群体的匹配情况确定不同平台的信用评分的权重值，通过不同平台的所述权重值以及信用评分确定所述用户不属于风险用户时，进入下一步骤；
通过不同平台的信用评分的关联的用户数据确定不同平台的独占用户数据，将除去所述独占用户数据的其它的关联的用户数据作为其它用户数据，分别根据独占用户数据以及其它用户数据在不同的风险用户群体的风险匹配情况确定不同平台的信用评分的关联系数；
基于所述关联系数、权重值进行不同平台的信用评分的修正权重值的确定，通过不同平台的信用评分以及修正权重值确定所述用户的风险等级。
2.如权利要求1所述的基于多模型融合的风险等级划分方法，其特征在于，所述平台包括具有根据用户信息进行信用评分输出的网络平台以及基于用户信息进行信用评分输出的模型。
3.如权利要求1所述的基于多模型融合的风险等级划分方法，其特征在于，基于用户在不同平台的信用评分确定用户不属于风险用户，具体包括：
通过所述用户在不同平台的信用评分确定所述用户在不同平台的授信风险等级，并根据不同的授信风险等级的平台的数量以及不同平台的信用评分确定所述用户在不同的授信风险等级的综合授信评分；
基于所述用户在不同的授信风险等级的综合授信评分确定所述用户的评分风险值，并通过所述评分风险值确定所述用户是否属于风险用户。
4.如权利要求3所述的基于多模型融合的风险等级划分方法，其特征在于，所述用户的评分风险值的取值范围在0到1之间，其中当所述用户的评分风险值大于预设风险值时，则确定所述用户属于风险用户。
5.如权利要求1所述的基于多模型融合的风险等级划分方法，其特征在于，根据不同的历史用户的逾期行为将所述历史用户划分为不同的风险用户群体，具体包括：
根据所述历史用户是否存在过逾期行为将所述历史用户划分为安全历史用户、风险历史用户，并通过所述风险历史用户的逾期状态将所述风险历史用户划分为可控风险用户以及逾期风险用户。
6.如权利要求1所述的基于多模型融合的风险等级划分方法，其特征在于，所述平台的信用评分的权重值的确定的方法为：
基于不同平台的信用评分在不同的风险用户群体的匹配情况确定不同平台的信用评分在不同的风险用户群体的匹配准确率，并结合不同的风险用户群体的用户数量确定所述平台的信用评分在不同的风险用户群体的准确率评估量；
通过所述平台的信用评分在不同的风险用户群体的准确率评估量以及不同的风险用户群体的基准权重值确定所述平台的信用评分的权重值。
7.如权利要求6所述的基于多模型融合的风险等级划分方法，其特征在于，所述不同的风险用户群体的基准权重值根据不同的风险用户群体的用户数量进行确定，具体的根据所述用户数量与基准用户数量的比值确定不同的风险用户群体的基准权重值。
8.如权利要求1所述的基于多模型融合的风险等级划分方法，其特征在于，通过不同平台的所述权重值以及信用评分确定所述用户不属于风险用户，具体包括：
通过不同平台的信用评分以及权重值确定不同平台的修正信用评分，并根据不同平台的修正信用评分确定所述用户的信用评分评估量；
基于所述用户的信用评分评估量确定所述用户是否不属于风险用户。
9.如权利要求1所述的基于多模型融合的风险等级划分方法，其特征在于，通过不同平台的所述权重值以及信用评分确定所述用户属于风险用户时，则根据预设风险等级确定所述用户的风险等级。
10.一种计算机系统，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行权利要求1-9任一项所述的一种基于多模型融合的风险等级划分方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410327006.3A CN117934160A (zh) | 2024-03-21 | 2024-03-21 | 一种基于多模型融合的风险等级划分方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410327006.3A CN117934160A (zh) | 2024-03-21 | 2024-03-21 | 一种基于多模型融合的风险等级划分方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117934160A true CN117934160A (zh) | 2024-04-26 |
Family
ID=90754216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410327006.3A Pending CN117934160A (zh) | 2024-03-21 | 2024-03-21 | 一种基于多模型融合的风险等级划分方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117934160A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090198610A1 (en) * | 2008-01-31 | 2009-08-06 | Mingyang Wu | Credit Risk Prediction And Bank Card Customer Management By Integrating Disparate Data Sources |
| US20120278226A1 (en) * | 2011-04-26 | 2012-11-01 | Black Oak Partners, Llc | Systems and methods for using data metrics for credit score analysis |
| CN110599070A (zh) * | 2019-10-08 | 2019-12-20 | 山东爱城市网信息技术有限公司 | 一种基于区块链的跨境电商平台质量信用分析方法及系统 |
| CN112686337A (zh) * | 2021-02-08 | 2021-04-20 | 南京审计大学 | 一种基于深度优先算法的跨平台信用信息融合方法 |
| CN113724058A (zh) * | 2020-05-21 | 2021-11-30 | 中国移动通信有限公司研究院 | 信用及贷款额度评估方法、装置、设备和存储介质 |
| CN115330510A (zh) * | 2022-05-07 | 2022-11-11 | 北京航空航天大学 | 一种基于区块链智能合约的跨平台信用管理方法 |
| CN115358753A (zh) * | 2022-07-01 | 2022-11-18 | 北京航空航天大学 | 一种跨平台信用指标关联模型的生成方法及其系统 |
| CN117391847A (zh) * | 2023-12-08 | 2024-01-12 | 国任财产保险股份有限公司 | 一种基于多层多视图学习的用户风险评估方法及系统 |
-
2024
- 2024-03-21 CN CN202410327006.3A patent/CN117934160A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090198610A1 (en) * | 2008-01-31 | 2009-08-06 | Mingyang Wu | Credit Risk Prediction And Bank Card Customer Management By Integrating Disparate Data Sources |
| US20120278226A1 (en) * | 2011-04-26 | 2012-11-01 | Black Oak Partners, Llc | Systems and methods for using data metrics for credit score analysis |
| CN110599070A (zh) * | 2019-10-08 | 2019-12-20 | 山东爱城市网信息技术有限公司 | 一种基于区块链的跨境电商平台质量信用分析方法及系统 |
| CN113724058A (zh) * | 2020-05-21 | 2021-11-30 | 中国移动通信有限公司研究院 | 信用及贷款额度评估方法、装置、设备和存储介质 |
| CN112686337A (zh) * | 2021-02-08 | 2021-04-20 | 南京审计大学 | 一种基于深度优先算法的跨平台信用信息融合方法 |
| CN115330510A (zh) * | 2022-05-07 | 2022-11-11 | 北京航空航天大学 | 一种基于区块链智能合约的跨平台信用管理方法 |
| CN115358753A (zh) * | 2022-07-01 | 2022-11-18 | 北京航空航天大学 | 一种跨平台信用指标关联模型的生成方法及其系统 |
| CN117391847A (zh) * | 2023-12-08 | 2024-01-12 | 国任财产保险股份有限公司 | 一种基于多层多视图学习的用户风险评估方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| DING, HY: "Credit Scoring Using Ensemble Classification Based on Variable Weighting Clustering", 《2017 IEEE 21ST INTERNATIONAL CONFERENCE ON COMPUTER SUPPORTED COOPERATIVE WORK IN DESIGN (CSCWD)》, 31 December 2017 (2017-12-31) * |
| 张晓冉: "国内个人信用评分机制的规范研究", 征信, no. 006, 31 December 2019 (2019-12-31) * |
| 王春源;金能斗;: "试论P2P网贷信息中介平台的金融创新设计及风险防范", 海峡科学, no. 04, 15 April 2018 (2018-04-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109035003A (zh) | 基于机器学习的反欺诈模型建模方法和反欺诈监控方法 | |
| US20220122171A1 (en) | Client server system for financial scoring with cash transactions | |
| Crook et al. | Recent developments in consumer credit risk assessment | |
| CN110009479A (zh) | 信用评价方法及装置、存储介质、计算机设备 | |
| CN108389120B (zh) | 一种对互联网信贷资产进行自动评级的方法、系统及装置 | |
| Pang et al. | Borrowers’ credit quality scoring model and applications, with default discriminant analysis based on the extreme learning machine | |
| WO2007106787A2 (en) | Methods and systems for characteristic leveling | |
| MXPA01008619A (es) | Metodos y sistemas para optimizar el valor de devolucion y el presente. | |
| 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 | |
| CN113919851A (zh) | 基于改进的s-topsis的企业评价方法 | |
| CN113344692B (zh) | 多信息源融合的网络借贷信用风险评估模型的建立方法 | |
| CN117670149A (zh) | 一种客群质量评分方法 | |
| CN112991052B (zh) | 还款能力评估方法及装置 | |
| Wang et al. | Improving investment suggestions for peer-to-peer lending via integrating credit scoring into profit scoring | |
| CN117934160A (zh) | 一种基于多模型融合的风险等级划分方法 | |
| CN114862563A (zh) | 基于主成分分析和神经网络的中小信贷策略模型 | |
| Ryan et al. | FinTech isn’t so different from traditional banking: trading off aggregation of soft information for transaction processing efficiency | |
| CN115099933A (zh) | 一种业务预算方法、装置及设备 | |
| CN113989050A (zh) | 一种基于topsis综合分析的钢贸企业供应链金融风险评估方法 | |
| CN113610638B (zh) | 基于smaa-ds的信用等级与违约损失率相匹配的评级系统及方法 | |
| Kim et al. | Predicting debt default of P2P loan borrowers using self-organizing map | |
| Lu et al. | Predicting P2P lenders' decisions: the prospect theory approach | |
| CN117094817B (zh) | 一种信用风险控制智能预测方法及系统 | |
| Kouser et al. | Using Machine Learning Models For Predicting Loan Status And Computation Of Interest Rate | |
| Mejía | From A to Z in P2P: Credit Risk Analysis for the Fintech Lending Paradigm |
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 |