CN106651570A - 一种贷款实时审批***和方法 - Google Patents

Abstract

本发明公开了一种贷款实时审批***和方法，其中，所述***包括：额度预授信模块，用于根据客户的贡献度信息为客户进行额度预授信处理，得到所述客户的综合信用额度信息；内控名单检查模块，用于通过匹配客户的身份三要素信息，检查该客户是否在内控名单中；征信信息检查模块，用于根据自定义的拒贷规则，判断是否拒贷；审批规则库模块，用于根据初始规则库中的规则信息和预定义的训练数据的编码，得到初始神经网络，自动判断是否拒贷；评分卡模块，用于根据所述客户申请资料、所述人行征信信息、***评分，按照预定义的计算分类规则，得到客户评分和贷款审批建议结果。从而达到降低贷款审批风险和提高贷款审批效率的效果。

Description

一种贷款实时审批***和方法

技术领域

本发明涉及数据处理领域，更为具体而言，涉及一种贷款实时审批***和方法。

背景技术

随着我国经济的快速发展，金融市场的日趋完善和成熟，个人作为融资人参与到金融市场中的现象已经越来越普遍。在充分认识发展零售贷款巨大机遇的同时，也必须清醒地认识到它给金融管理所带来的深刻挑战。在零售贷款业务丰厚的盈利潜力背后，也蕴藏着很大的风险，特别是信用风险。从国外的经验来看，如果能够妥善解决对信用风险的管理和控制，个人零售贷款将是一块回报丰厚的业务。

由于零售贷款业务具有笔数多、单笔金额小、数据丰富的特征，决定了需要对其实行智能化、概率化的管理模式。目前个人零售贷款审批主要采用线下申请线下审批或线上申请线下审批相结合的方式。线下审批过于依赖客户经理的主观判断，对客户经理的经验与个人素质的要求过高；同时还存在审批时效性较差、审批成本较高等问题。近年来涌现出了一些提供线上实时审批功能的零售贷款产品，部分产品出于风险管控的考虑，只提供了较低的信用贷款额度，无法实现对客户的差异化授信；部分产品虽然提供了较高的授信额度，但主要靠较高的利率弥补不良贷款带来的损失，也并未实现风险的有效管控，从而导致贷款审批风险高和贷款审批效率低的问题。

发明内容

鉴于现有技术的上述缺陷，本发明实施方式提供了一种贷款实时审批***和方法，能够有效解决当前贷款审批风险高和贷款审批效率低的问题。

具体地，本发明实施方式提供了一种贷款实时审批***，其包括：

额度预授信模块，用于在客户提交申请资料后，根据客户的贡献度信息为客户进行额度预授信处理，得到所述客户的综合信用额度信息；

内控名单检查模块，用于通过匹配客户的身份三要素信息，检查该客户是否在内控名单中，如果在，则启动监控预警；如果不在，则执行下一模块；

征信信息检查模块，用于提取人行征信信息和行内征信信息，根据自定义的拒贷规则，判断是否拒贷；

审批规则库模块，用于根据初始规则库中的规则信息和预定义的训练数据的编码，得到初始神经网络，并从所述初始神经网络中抽取得到更新后的审批规则，再根据所述更新后的审批规则和所述客户申请资料，自动判断是否拒贷；

评分卡模块，用于根据所述客户申请资料、所述人行征信信息、***评分，按照预定义的计算分类规则，得到客户评分和贷款审批建议结果。

相应地，本发明实施方式还提供了一种贷款实时审批方法，其包括：

在客户提交申请资料后，根据客户的贡献度信息为客户进行额度预授信处理，得到所述客户的综合信用额度信息；

通过匹配客户的身份三要素信息，检查该客户是否在内控名单中，如果在，则启动监控预警；如果不在，则执行下一步骤；

提取人行征信信息和行内征信信息，根据自定义的拒贷规则，判断是否拒贷；

根据初始规则库中的规则信息和预定义的训练数据的编码，得到初始神经网络，并从所述初始神经网络中抽取得到更新后的审批规则，再根据所述更新后的审批规则和所述客户申请资料，自动判断是否拒贷；

根据所述客户申请资料、所述人行征信信息、***评分，按照预定义的计算分类规则，得到客户评分和贷款审批建议结果。

通过采用本发明实施方式，能够有效解决当前贷款审批风险高和贷款审批效率低的问题，从而达到降低贷款审批风险和提高贷款审批效率的效果。

附图说明

图1是根据本发明实施方式的一种贷款实时审批***的架构图；

图2是根据本发明另一种实施方式的一种贷款实时审批***的架构图；

图3是本发明实施例中初始神经网络的示例图；

图4是根据本发明实施方式的一种贷款实时审批方法的流程示意图。

具体实施方式

为了便于理解本发明技术方案的各个方面、特征以及优点，下面结合附图对本发明进行具体描述。应当理解，下述的各种实施方式只用于举例说明，而非用于限制本发明的保护范围。

首先对根据本发明可能涉及到的名称或术语进行解释。

零售贷款：零售贷款是指信贷机构以个人为对象发放的贷款。主要包括个人消费贷款与个人投资贷款。

AUM值：AUM值是衡量客户对信贷机构贡献度的一个标志。AUM包括客户在金融机构的存款和通过金融机构购买的各种投资产品等个人金融资产。投资主要包括基金、国债、保险及金融机构发行的投资理财产品等。

WOE值：WOE值即证据权重(Weight of Evidence)，表示自变量取某个值的时候对信用评分的一种影响。

自主支付：自主支付是指贷款资金可以由借款人自行使用，无需经过审批，但如果借款人违反借款合同约定使用贷款资金的话，信贷机构有权随时提前清收。

受托支付：受托支付在贷款发放前增加了“对贷款资金用途的审核”环节，从而将贷款资金与贷款用途捆绑在一起。这种捆绑将使借款人对贷款资金的“自由”使用受到限制，从而有效解决贷款资金被挪用问题。

消费支付：消费支付并不直接将贷款发放给客户，而是通过客户在网上消费时选择贷款账号支付的方式发放贷款。

图1是根据本发明实施方式的一种贷款实时审批***的***架构图。参照图1，具体实施例如下：

实施例1：

所述***包括：

额度预授信模块100，用于在客户提交申请资料后，根据客户的贡献度信息为客户进行额度预授信处理，得到所述客户的综合信用额度信息；其中，额度预授信模块依据客户的贡献度即资产信息、存量房贷、代发工资与公积金缴存信息为客户进行额度预授信。

内控名单检查模块200，用于通过匹配客户的身份三要素信息，检查该客户是否在内控名单中，如果在，则启动监控预警；如果不在，则执行下一模块；其中，对客户额度预授信之后，客户可以申请不超过预授信额度的贷款金额。客户提出贷款申请之后，首先检查客户是否在内控名单中。对于风险预警模型或线下人工发现的存在潜在风险的客户，需纳入内控名单并进行相应操作。内控名单数据格式如下：

零售贷款实时审批组件在客户提出贷款申请与支付贷款时，都需将客户身份三要素与内控名单进行匹配，如发现客户在内控名单中，并根据内控名单中客户准入建议判断，直接展示拒贷页面、支付报错或自动流转到下一步。对于手工导入的内控名单，导入人员应在“导入原因”栏应写明客户列入内控名单的原因，以备日后对这部分拒贷客户的咨询做好答复。对于内控名单判断为终止的，则客户在申请和支付零售贷款时，页面提示报错；对于***判断调减额度的，则客户在申请零售贷款时，额度输出时按***通过规则计算出的额度基础上乘一个系数；客户在贷款支付时，***输出可支用额度时按***在原判断出可支用额度的基础上乘一个系数。该系数的赋值作为参数统一设置。

征信信息检查模块300，用于提取人行征信信息和行内征信信息，根据自定义的拒贷规则，判断是否拒贷；其中，客户提交贷款申请时需同意贷款审批机构提取其人行征信信息。对于未被内控名单拒贷的客户，检查其征信信息，若征信查询次数、个人贷款逾期记录、贷记卡与准贷记卡逾期记录满足任意一条拒贷规则，则直接拒贷。拒贷规则中所有的标准均配置为参数，可以根据贷款的不良率等指标进行动态调整。

审批规则库模块400，用于根据初始规则库中的规则信息和预定义的训练数据的编码，得到初始神经网络，并从所述初始神经网络中抽取得到更新后的审批规则，再根据所述更新后的审批规则和所述客户申请资料，自动判断是否拒贷；其中，在客户的贷款申请通过内控名单与人行征信的检查之后，利用既有的审批规则来决定是否给予贷款。一般来说，信贷机构会建立初始的审批规则库。初始规则库常常存在知识不完全或不一致等问题，难以适应实际信贷环境的变化。考虑到根据实际信贷环境对其进行手工修改的难度较大，而在以往的贷款审批业务中，信贷机构积累了零售贷款方面的大量数据。所以最好的方式是采用这些数据对原有的规则库进行知识求精，能较好地解决上述问题。

评分卡模块500，用于根据所述客户申请资料、所述人行征信信息、***评分，按照预定义的计算分类规则，得到客户评分和贷款审批建议结果。其中，评分卡模块利用***传入的客户申请资料、人行征信信息、***行为评分及客户信息***中的相关信息，按照设定的排除政策、计算标准、硬政策、特殊筛选政策及筛选政策，自动对客户进行分类(批准申请客户、拒绝申请客户和人工审批客户)，同时输出每个参与评分客户的分值及***建议结果。另外，当评分卡模块的评分和建议结果为同意签约房贷时，可选择自主支付、约定支付和消费支付等形式。

在本实施方式中，客户发起贷款申请时首先对征信信息与内控名单进行检查，然后依据客户的贡献度即资产信息、存量房贷、代发工资与公积金缴存信息为客户进行额度预授信，在此基础上依据审批规则库对该笔贷款申请进行审批，最终评分卡的评分结果决定是否放行该笔贷款申请，同时具体的分值决定该笔贷款以何种方式支付给客户。另外，对零售贷款审批规则库利用神经网络技术，利用零售贷款审批的历史数据进行求精；利用贷后检测预警机制将危险客户纳入内控名单管理。通过采用本发明实施方式，能够有效解决当前贷款审批风险高和贷款审批效率低的问题，从而达到降低贷款审批风险和提高贷款审批效率的效果。

实施例2：

图2是根据本发明另一种实施方式的一种贷款实时审批***的架构图；在本发明的另一种实施方式中，所述***除了上述处理方式外，其中，所述额度预授信模块100包括：

AUM值维度授信单元110，用于根据所述贡献度信息中的AUM值，得到信用额度A；其中，以近N个月(N为大于等于1的正整数)的月日均AUM值为基数，综合考虑客户AUM值的稳定性和趋势变化情况，给出客户AUM值信用额度A。

存量房贷维度授信单元120，用于根据存量房贷抵押物价值及调节系数，得到信用额度B；其中，以存量房贷抵押物价值为基数，综合考虑抵押率系数、房产增值系数、城市调节系数和存量房贷余额等，给出客户存量房贷信用额度B。

代发工资维度授信单元130，用于根据代发工资数据中的客户年收入和存续期，得到信用额度C；其中，根据代发工资数据中的客户年收入，考虑代发工资的存续期与稳定性，给出客户代发工资信用额度C。

公积金维度授信单元140，用于根据公积金缴存数据中的缴存额与缴存系数，计算出客户预期年收入，并根据公积金缴存时间与账户余额，得到信用额度D；其中，根据公积金缴存数据中的缴存额与缴存系数，计算出客户的预期年收入，综合考虑公积金缴存的时间长度与账户余额，给出客户公积金信用额度D。

实施例3：

在本发明的另一种实施方式中，所述***除了上述处理方式外，其中，所述额度预授信模块100还包括：

综合信用额度输出模块，用于对所述信用额度A、信用额度B、信用额度C和信用额度D进行额度计算，得到并输出综合信用额度；

其中，所述额度计算的计算规则为：综合信用额度＝Max(信用额度A，信用额度B，信用额度C，信用额度D)*调节系数。

调节系数为当存在多个指标时，适当增加额度。当存在4个维度的信用额度时，则调节系数为1.3；如存在3个维度的信用额度时，则调节系数为1.2；存在2个维度的信用额度时，则调节系数为1.1；仅存1个维度的信用额度，则调节系数为1.0。

实施例4：

在本发明的另一种实施方式中，所述***除了上述处理方式外，其中，所述从所述初始神经网络中抽取得到更新后的审批规则包括：利用剪枝算法和SubsetII(子集二代)算法，对所述初始神经网络进行简化处理，得到所述更新后的审批规则。

首先建立零售贷款审批的初始规则库：

利用零售贷款历史审批数据对其进行知识求精。历史审批数据只有两种结论：同意贷款和不同意贷款。同时利用零售贷款历史逾期数据对其进行求精。将逾期的贷款的审批结论置为不同意贷款，正常还款的贷款的审批结论置为同意贷款。对历史审批数据中申请者信息与贷款申请结论分别进行编码如下：

根据初始规则库中的规则信息以及训练数据的编码情况，得到一个初始神经网络(如图3所示)。

利用历史贷款审批数据对神经网络的结构进行调整，当神经网络能够将所有训练数据正确分类之后，即达到预期的训练效果。然后利用剪枝算法对网络结构进行剪枝，去掉不重要的连接或节点，以简化神经网络的结构。最终采用SubsetII算法从修剪后的神经网络中抽取出新的审批规则。求精可以简化规则库、降低规则的复杂度，同时也可以提高规则库的推理准确率。利用新的审批规则可以根据近期的个人贷款审批与还款数据及时进行调整，有效的提高了零售贷款审批的准确性。

实施例5：

在本发明的另一种实施方式中，所述***除了上述处理方式外，所述预定义的计算分类规则包括：自定义若干变量值，并根据预定义计算公式计算得到所述客户评分，并按照预定义的分类标准对所述客户评分进行分类。具体如下：

1、申请评分模型所需数据

评分根据重要性和区分度需要客户资料中的省份信息、账户利息、是否本地人、家庭总负债、职业、性别、最高学历、婚姻状况、年龄共九个方面的数据信息。

2、变量构造

在此基础上，对其中六个数据信息：省份信息、账户利息、家庭总负债、职业、最高学历、年龄进行变量的构造。构造方式如下：

(1)省份信息：根据客户所属地区的过往业务信用状况，经济发展情况，综合考虑各省份的经济发展情况以及管理水平等多方面因素，将省份划分三类。

(2)账户利息：根据客户申请贷款时最近一年的活期存款账户利息之和划分出5类。

序号	利息金额
		1	[0,5]
2	[5,20)
		3	[20,50)
4	[50,100)
		5	[100,+∞)
6	无存款账号

(3)家庭总负债：按照客户的家庭总负债金额进行以下分类。

(4)职业：根据客户的职业性质，将其分为五类。

(5)最高学历：根据客户受教育情况，将最高学历划分三类。

序号	最高学历
		1	研究生以上
2	本科
		3	大专中专
4	其他

(6)年龄：将客户的年龄划分为四类。

序号	年龄
		1	18-30
2	30-35
		3	35-50
4	50以上

3、变量替换

通过变量构造，加上性别、婚姻状况，得到评分所需要的十二个变量：照模型需要，根据各个变量的不同取值，取其对应WOE值(证据权重，Weight of Evidence)进行替换，具体替换值如下：

变量一：省份信息

变量二：账户利息

属性名称	代码	WOE
			[0,5)	[0,5)	A
[5,20)	[5,20)	B
			[20,50)	[20,50)	C
[50,100)	[50,100)	D
			[100,+∞)	[100,+∞)	E
无存款账号	无存款账号	F

变量三：是否本地人

属性名称	代码	WOE
			否	0	A
是	1	B

变量四：家庭总负债

属性名称	代码	WOE
			无和未知	无和未知	A
7万以下)	7万以下	B
			[7-10万)	7-10万	C
[10-16万)	10-16万	D
			[16万以上	16万以上	E

变量五：职业

变量六：性别

变量七：最高学历

属性名称	代码	WOE
			研究生以上	10	A
本科	20	B
			大专中专	30,40	C
其他	其他	D

变量八：婚姻状况

属性名称	代码	WOE
			未婚	1	A
已婚有子女	5	B
			已婚无子女	6	C
其他	3，4，9	D

变量九：年龄

属性名称	代码	WOE
			18-30	[18,30]	A
30-35	(30,35]	B
			35-50	(35,50]	C
50以上	>50	D

根据前面变量替换后得到的变量值，可以计算客户的评分卡分值。客户的最终评分卡分值为scoreadjust。***根据设定的计算公式计算出每一申请客户的申请分值，然后按照一定的标准对分值进行归集，总共可以划分为20个分数等级。

完成分值计算之后，对申请分值进行归类，***根据预先设定的准入分值把评分划定为五个分值区间，即：高分值区客户、中分值区客户、低分值区客户、人工判断区客户和拒绝分值区客户。分值判断表格如下：

根据评分结果位于不同的分值区间，对客户的贷款申请分别做直接通过、人工审批与直接拒绝的处理。对于直接通过的贷款申请转入开户放款模块，对于人工审批的贷款申请转入线下审批，其余贷款申请直接拒贷。同时根据评分结果位于不同的分值区间，确定客户贷款的支付方式。

图4是根据本发明实施方式的一种贷款实时审批方法的流程示意图。参照图4，所述***包括：

步骤S1，在客户提交申请资料后，根据客户的贡献度信息为客户进行额度预授信处理，得到所述客户的综合信用额度信息；其中，该步骤中依据客户的贡献度即资产信息、存量房贷、代发工资与公积金缴存信息为客户进行额度预授信。

步骤S2，通过匹配客户的身份三要素信息，检查该客户是否在内控名单中，如果在，则启动监控预警；如果不在，则执行下一步骤；其中，对客户额度预授信之后，客户可以申请不超过预授信额度的贷款金额。客户提出贷款申请之后，首先检查客户是否在内控名单中。对于风险预警模型或线下人工发现的存在潜在风险的客户，需纳入内控名单并进行相应操作。内控名单数据格式如下：

零售贷款实时审批组件在客户提出贷款申请与支付贷款时，都需将客户身份三要素与内控名单进行匹配，如发现客户在内控名单中，并根据内控名单中客户准入建议判断，直接展示拒贷页面、支付报错或自动流转到下一步。对于手工导入的内控名单，导入人员应在“导入原因”栏应写明客户列入内控名单的原因，以备日后对这部分拒贷客户的咨询做好答复。对于内控名单判断为终止的，则客户在申请和支付零售贷款时，页面提示报错；对于***判断调减额度的，则客户在申请零售贷款时，额度输出时按***通过规则计算出的额度基础上乘一个系数；客户在贷款支付时，***输出可支用额度时按***在原判断出可支用额度的基础上乘一个系数。该系数的赋值作为参数统一设置。

步骤S3，提取人行征信信息和行内征信信息，根据自定义的拒贷规则，判断是否拒贷；其中，客户提交贷款申请时需同意贷款审批机构提取其人行征信信息。对于未被内控名单拒贷的客户，检查其征信信息，若征信查询次数、个人贷款逾期记录、贷记卡与准贷记卡逾期记录满足任意一条拒贷规则，则直接拒贷。拒贷规则中所有的标准均配置为参数，可以根据贷款的不良率等指标进行动态调整。

步骤S4，根据初始规则库中的规则信息和预定义的训练数据的编码，得到初始神经网络，并从所述初始神经网络中抽取得到更新后的审批规则，再根据所述更新后的审批规则和所述客户申请资料，自动判断是否拒贷；其中，在客户的贷款申请通过内控名单与人行征信的检查之后，利用既有的审批规则来决定是否给予贷款。一般来说，信贷机构会建立初始的审批规则库。初始规则库常常存在知识不完全或不一致等问题，难以适应实际信贷环境的变化。考虑到根据实际信贷环境对其进行手工修改的难度较大，而在以往的贷款审批业务中，信贷机构积累了零售贷款方面的大量数据。所以最好的方式是采用这些数据对原有的规则库进行知识求精，能较好地解决上述问题。

步骤S5，根据所述客户申请资料、所述人行征信信息、***评分，按照预定义的计算分类规则，得到客户评分和贷款审批建议结果。其中，该步骤中利用***传入的客户申请资料、人行征信信息、***行为评分及客户信息***中的相关信息，按照设定的排除政策、计算标准、硬政策、特殊筛选政策及筛选政策，自动对客户进行分类(批准申请客户、拒绝申请客户和人工审批客户)，同时输出每个参与评分客户的分值及***建议结果。

在本实施方式中，客户发起贷款申请时首先对征信信息与内控名单进行检查，然后依据客户的贡献度即资产信息、存量房贷、代发工资与公积金缴存信息为客户进行额度预授信，在此基础上依据审批规则库对该笔贷款申请进行审批，最终评分卡的评分结果决定是否放行该笔贷款申请，同时具体的分值决定该笔贷款以何种方式支付给客户。另外，对零售贷款审批规则库利用神经网络技术，利用零售贷款审批的历史数据进行求精；利用贷后检测预警机制将危险客户纳入内控名单管理。通过采用本发明实施方式，能够有效解决当前贷款审批风险高和贷款审批效率低的问题，从而达到降低贷款审批风险和提高贷款审批效率的效果。

在本发明的另一实施方式中，所述***除了上述处理方式外，其中，所述步骤S1包括：

步骤S11，根据所述贡献度信息中的AUM值，得到信用额度A；其中，以近N个月(N为大于等于1的正整数)的月日均AUM值为基数，综合考虑客户AUM值的稳定性和趋势变化情况，给出客户AUM值信用额度A。

步骤S12，根据存量房贷抵押物价值及调节系数，得到信用额度B；其中，以存量房贷抵押物价值为基数，综合考虑抵押率系数、房产增值系数、城市调节系数和存量房贷余额等，给出客户存量房贷信用额度B。

步骤S13，根据代发工资数据中的客户年收入和存续期，得到信用额度C；其中，根据代发工资数据中的客户年收入，考虑代发工资的存续期与稳定性，给出客户代发工资信用额度C。

步骤S14，根据公积金缴存数据中的缴存额与缴存系数，计算出客户预期年收入，并根据公积金缴存时间与账户余额，得到信用额度D；其中，根据公积金缴存数据中的缴存额与缴存系数，计算出客户的预期年收入，综合考虑公积金缴存的时间长度与账户余额，给出客户公积金信用额度D。

在本发明的又一实施方式中，所述方法除了上述处理方式外，其中，步骤S1还包括：

对所述信用额度A、信用额度B、信用额度C和信用额度D进行额度计算，得到并输出综合信用额度；

其中，所述额度计算的计算规则为：综合信用额度＝Max(信用额度A，信用额度B，信用额度C，信用额度D)*调节系数。

调节系数为当存在多个指标时，适当增加额度。当存在4个维度的信用额度时，则调节系数为1.3；如存在3个维度的信用额度时，则调节系数为1.2；存在2个维度的信用额度时，则调节系数为1.1；仅存1个维度的信用额度，则调节系数为1.0。

在本发明的再一实施方式中，所述***除了上述处理方式外，其中，所述从所述初始神经网络中抽取得到更新后的审批规则包括：利用剪枝算法和SubsetII算法，对所述初始神经网络进行简化处理，得到所述更新后的审批规则。

首先建立零售贷款审批的初始规则库：

利用零售贷款历史审批数据对其进行知识求精。历史审批数据只有两种结论：同意贷款和不同意贷款。同时利用零售贷款历史逾期数据对其进行求精。将逾期的贷款的审批结论置为不同意贷款，正常还款的贷款的审批结论置为同意贷款。对历史审批数据中申请者信息与贷款申请结论分别进行编码如下：

根据初始规则库中的规则信息以及训练数据的编码情况，得到一个初始神经网络(如图3所示)。

利用历史贷款审批数据对神经网络的结构进行调整，当神经网络能够将所有训练数据正确分类之后，即达到预期的训练效果。然后利用剪枝算法对网络结构进行剪枝，去掉不重要的连接或节点，以简化神经网络的结构。最终采用SubsetII算法从修剪后的神经网络中抽取出新的审批规则。求精可以简化规则库、降低规则的复杂度，同时也可以提高规则库的推理准确率。利用新的审批规则可以根据近期的个人贷款审批与还款数据及时进行调整，有效的提高了零售贷款审批的准确性。

在本发明的另一种实施方式中，所述***除了上述处理方式外，所述预定义的计算分类规则包括：自定义若干变量值，并根据预定义计算公式计算得到所述客户评分，并按照预定义的分类标准对所述客户评分进行分类。具体如下：

1、申请评分模型所需数据

评分根据重要性和区分度需要客户资料中的省份信息、账户利息、是否本地人、家庭总负债、职业、性别、最高学历、婚姻状况、年龄共九个方面的数据信息。

2、变量构造

在此基础上，对其中六个数据信息：省份信息、账户利息、家庭总负债、职业、最高学历、年龄进行变量的构造。构造方式如下：

(1)省份信息：根据客户所属地区的过往业务信用状况，经济发展情况，综合考虑各省份的经济发展情况以及管理水平等多方面因素，将省份划分三类。

(2)账户利息：根据客户申请贷款时最近一年的活期存款账户利息之和划分出5类。

序号	利息金额
		1	[0,5]
2	[5,20)
		3	[20,50)
4	[50,100)
		5	[100,+∞)
6	无存款账号

(3)家庭总负债：按照客户的家庭总负债金额进行以下分类。

(4)职业：根据客户的职业性质，将其分为五类。

(5)最高学历：根据客户受教育情况，将最高学历划分三类。

序号	最高学历
		1	研究生以上
2	本科
		3	大专中专
4	其他

(6)年龄：将客户的年龄划分为四类。

序号	年龄
		1	18-30
2	30-35
		3	35-50
4	50以上

3、变量替换

通过变量构造，加上性别、婚姻状况，得到评分所需要的十二个变量：照模型需要，根据各个变量的不同取值，取其对应woe值进行替换，具体替换值如下：

变量一：省份信息

变量二：账户利息

属性名称	代码	WOE
			[0,5)	[0,5)	A
[5,20)	[5,20)	B
			[20,50)	[20,50)	C
[50,100)	[50,100)	D
			[100,+∞)	[100,+∞)	E
无存款账号	无存款账号	F

变量三：是否本地人

属性名称	代码	WOE
			否	0	A
是	1	B

变量四：家庭总负债

属性名称	代码	WOE
			无和未知	无和未知	A
7万以下)	7万以下	B
			[7-10万)	7-10万	C
[10-16万)	10-16万	D
			[16万以上	16万以上	E

变量五：职业

变量六：性别

属性名称	代码	WOE
			女	2	A
男	1	B

变量七：最高学历

属性名称	代码	WOE
			研究生以上	10	A
本科	20	B
			大专中专	30,40	C
其他	其他	D

变量八：婚姻状况

属性名称	代码	WOE
			未婚	1	A
已婚有子女	5	B
			已婚无子女	6	C
其他	3，4，9	D

变量九：年龄

根据前面变量替换后得到的变量值，可以计算客户的评分卡分值。客户的最终评分卡分值为scoreadjust。***根据设定的计算公式计算出每一申请客户的申请分值，然后按照一定的标准对分值进行归集，总共可以划分为20个分数等级。

完成分值计算之后，对申请分值进行归类，***根据预先设定的准入分值把评分划定为五个分值区间，即：高分值区客户、中分值区客户、低分值区客户、人工判断区客户和拒绝分值区客户。分值判断表格如下：

根据评分结果位于不同的分值区间，对客户的贷款申请分别做直接通过、人工审批与直接拒绝的处理。对于直接通过的贷款申请转入开户放款模块，对于人工审批的贷款申请转入线下审批，其余贷款申请直接拒贷。同时根据评分结果位于不同的分值区间，确定客户贷款的支付方式。

需要说明的是，上述贷款实时审批方法的各个实施方式与所述贷款实时审批***的对应技术内容完全一致，为了避免重复，在此不再冗述。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件结合硬件平台的方式来实现。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本领域技术人员应当理解，以上所公开的仅为本发明的实施方式而已，当然不能以此来限定本发明之权利范围，依本发明实施方式所作的等同变化，仍属本发明权利要求所涵盖的范围。

Claims (10)

1.一种贷款实时审批***，其特征在于，所述***包括：

额度预授信模块，用于在客户提交申请资料后，根据客户的贡献度信息为客户进行额度预授信处理，得到所述客户的综合信用额度信息；

内控名单检查模块，用于通过匹配客户的身份三要素信息，检查该客户是否在内控名单中，如果在，则启动监控预警；如果不在，则执行下一模块；

征信信息检查模块，用于提取人行征信信息和行内征信信息，根据自定义的拒贷规则，判断是否拒贷；

审批规则库模块，用于根据初始规则库中的规则信息和预定义的训练数据的编码，得到初始神经网络，并从所述初始神经网络中抽取得到更新后的审批规则，再根据所述更新后的审批规则和所述客户申请资料，自动判断是否拒贷；

评分卡模块，用于根据所述客户申请资料、所述人行征信信息、***评分，按照预定义的计算分类规则，得到客户评分和贷款审批建议结果。

2.如权利要求1所述的***，其特征在于，所述额度预授信模块包括：

AUM值维度授信单元，用于根据所述贡献度信息中的AUM值，得到信用额度A；

存量房贷维度授信单元，用于根据存量房贷抵押物价值及调节系数，得到信用额度B；

代发工资维度授信单元，用于根据代发工资数据中的客户年收入和存续期，得到信用额度C；

公积金维度授信单元，用于根据公积金缴存数据中的缴存额与缴存系数，计算出客户预期年收入，并根据公积金缴存时间与账户余额，得到信用额度D。

3.如权利要求2所述的***，其特征在于，所述额度预授信模块还包括：

综合信用额度输出模块，用于对所述信用额度A、信用额度B、信用额度C和信用额度D进行额度计算，得到并输出综合信用额度；

其中，所述额度计算的计算规则为：

综合信用额度＝Max(信用额度A，信用额度B，信用额度C，信用额度D)*调节系数。

4.如权利要求1所述的***，其特征在于，所述从所述初始神经网络中抽取得到更新后的审批规则包括：

利用剪枝算法和SubsetII算法，对所述初始神经网络进行简化处理，得到所述更新后的审批规则。

5.如权利要求1所述的***，其特征在于，所述预定义的计算分类规则包括：

自定义若干变量值，并根据预定义计算公式计算得到所述客户评分，并按照预定义的分类标准对所述客户评分进行分类。

6.一种贷款实时审批方法，其特征在于，所述方法包括：

在客户提交申请资料后，根据客户的贡献度信息为客户进行额度预授信处理，得到所述客户的综合信用额度信息；

通过匹配客户的身份三要素信息，检查该客户是否在内控名单中，如果在，则启动监控预警；如果不在，则执行下一步骤；

提取人行征信信息和行内征信信息，根据自定义的拒贷规则，判断是否拒贷；

根据初始规则库中的规则信息和预定义的训练数据的编码，得到初始神经网络，并从所述初始神经网络中抽取得到更新后的审批规则，再根据所述更新后的审批规则和所述客户申请资料，自动判断是否拒贷；

根据所述客户申请资料、所述人行征信信息、***评分，按照预定义的计算分类规则，得到客户评分和贷款审批建议结果。

7.如权利要求6所述的方法，其特征在于，所述在客户提交申请资料后，根据客户的贡献度信息为客户进行额度预授信处理，得到所述客户的综合信用额度信息包括：

根据所述贡献度信息中的AUM值，得到信用额度A；

根据存量房贷抵押物价值及调节系数，得到信用额度B；

根据代发工资数据中的客户年收入和存续期，得到信用额度C；

根据公积金缴存数据中的缴存额与缴存系数，计算出客户预期年收入，并根据公积金缴存时间与账户余额，得到信用额度D。

8.如权利要求7所述的方法，其特征在于，所述方法还包括：

对所述信用额度A、信用额度B、信用额度C和信用额度D进行额度计算，得到并输出综合信用额度；

其中，所述额度计算的计算规则为：

综合信用额度＝Max(信用额度A，信用额度B，信用额度C，信用额度D)*调节系数。

9.如权利要求6所述的方法，其特征在于，所述从所述初始神经网络中抽取得到更新后的审批规则包括：

利用剪枝算法和SubsetII算法，对所述初始神经网络进行简化处理，得到所述更新后的审批规则。

10.如权利要求6所述的方法，其特征在于，所述预定义的计算分类规则包括：

自定义若干变量值，并根据预定义计算公式计算得到所述客户评分，并按照预定义的分类标准对所述客户评分进行分类。