CN108053310A - 信用风险评分方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明涉及一种信用风险评分方法、装置、计算机设备及存储介质，包括：获取客户的基本信息，将基本信息输入信用评分卡模型，根据信用评分卡模型对客户的信用进行评分，得到客户对应的信用分数，筛选出信用分数低于第一预设值的第一客户和信用分数高于第二预设值的第二客户，输出第一客户的审批结果为拒绝审批，输出第二客户的审批结果为审批通过。由于使用信用评分卡模型对客户的信用进行评分，并且根据信用分数对客户进行筛选，从而可以快速、准确的给出风险提示。

Description

信用风险评分方法、装置、计算机设备及存储介质

技术领域

本发明涉及计算机技术领域，特别是涉及一种信用风险评分方法、装置、计算机设备及存储介质。

背景技术

互联网金融的大力发展也带来了互联网平台的借贷业务发展，与传统的银行信贷相比，互联网信贷的额度更高、审批更快。在传统的信贷审批方式中，信贷审批人员通过面谈、电话核实、审阅申请者材料等来对客户进行基于主观的信用风险等级的评价，并基于对客户的整体印象根据相关从业经验来给客户一个相应的授信额度。

传统的审批机制依旧停留在银行信贷的水平，对客户的总体把控基于主观思想，更多的依赖工作经验来对客户进行风险测评。这种审批方式不仅缺乏科学依据，并且时效性差、所需人力成本高，并且，当大量客户涌入时，不能真正快速、准确的给出风险提示。

发明内容

基于此，有必要针对上述传统的审批方式不能真正快速、准确的给出风险提示的问题，提供一种信用风险评分方法、装置、计算机设备及存储介质。

一种信用风险评分方法，所述方法包括：

获取客户的基本信息，将所述基本信息输入信用评分卡模型；

根据所述信用评分卡模型对所述客户的信用进行评分，得到所述客户对应的信用分数；

筛选出所述信用分数低于第一预设值的第一客户和所述信用分数高于第二预设值的第二客户；

输出所述第一客户的审批结果为拒绝审批；

输出所述第二客户的审批结果为审批通过。

在一个实施例中，所述获取客户的基本信息，将所述基本信息输入信用评分卡模型，包括：

获取客户的身份标识，所述身份标识对应有所述客户的基本信息；

从所述基本信息中提取客户的信用指标；

将所述信用指标输入信用评分卡模型。

在一个实施例中，所述根据所述信用评分卡模型对所述客户的信用进行评分，得到信用分数，包括：

根据所述信用指标计算客户的信用概率；

将所述信用概率转化为信用分数。

在一个实施例中，所述信用评分卡模型通过下列方式训练得到：

获取客户的基本信息中的样本数据，所述样本数据为所述客户的信用指标；

对所述信用指标进行量化处理，得到信用指标数据集；

通过逻辑回归算法对所述信用指标数据集进行计算，直到所有信用指标数据集计算完毕，得到训练好的信用评分卡模型。

在一个实施例中，所述筛选出所述信用分数低于第一预设值的第一客户和所述信用分数高于第二预设值的第二客户之后，包括：

筛选出所述第一客户和所述第二客户后，根据其余客户的信用分数对所述其余客户进行人工审核。

在一个实施例中，所述根据所述信用评分卡模型对所述客户的信用进行评分之前，包括：

对所述客户的基本信息进行筛选，得到客户的信用信息；

将所述信用信息转换为字符，将所述字符输入信用评分卡模型。

一种信用风险评分装置，所述装置包括：

信息输入模块，由于获取客户的基本信息，将所述基本信息输入信用评分卡模型；

信用评分模块，用于根据所述信用评分卡模型对所述客户的信用进行评分，得到所述客户对应的信用分数；

分数筛选模块，用于筛选出所述信用分数低于第一预设值的第一客户和所述信用分数高于第二预设值的第二客户；

第一结果输出模块，用于输出所述第一客户的审批结果为拒绝审批；

第二结果输出模块，用于输出所述第二客户的审批结果为审批通过。

在一个实施例中，所述信息输入模块包括：

标识获取模块，用于获取客户的身份标识，所述身份标识对应有所述客户的基本信息；

指标提取模块，用于从所述基本信息中提取客户的信用指标；

指标输入模块，用于将所述信用指标输入信用评分卡模型。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。

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程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。

上述信用风险评分方法、装置、计算机设备及存储介质，通过获取客户的基本信息，将基本信息输入信用评分卡模型，根据信用评分卡模型对客户的信用进行评分，得到客户对应的信用分数，筛选出信用分数低于第一预设值的第一客户和信用分数高于第二预设值的第二客户，输出第一客户的审批结果为拒绝审批，输出第二客户的审批结果为审批通过。由于使用信用评分卡模型对客户的信用进行评分，并且根据信用分数对客户进行筛选，从而可以快速、准确的给出风险提示。

附图说明

图1为一个实施例中信用风险评分方法的应用环境图；

图2为一个实施例中图1中终端的内部结构图；

图3为一个实施例中信用风险评分方法的流程图；

图4为一个实施例中获取客户基本信息的方法流程图；

图5为一个实施例中训练信用评分卡模型的方法流程图；

图6为一个实施例中信用风险评分装置的结构框图；

图7为一个实施例中信息输入模块的结构框图。

具体实施方式

为使本发明的目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。

图1为一个实施例中信用风险评分方法的应用环境图。如图1所示，该应用环境包括终端110和服务器120，其中，终端110和服务器120之间通过网络进行通信。

终端110可为笔记本电脑、台式计算机、个人数字电脑、便携式膝上型电脑等，但并不局限于此。终端110通过服务器120获取客户的基本信息，并将基本信息输入信用评分卡模型，用于对客户的信用进行评分。终端110通过信用评分卡模型对客户的信用进行评分后，可以得到客户对应的信用分数。终端110可以筛选出信用分数低于第一预设值的第一客户和信用分数高于第二预设值的第二客户。筛选出第一客户和第二客户之后，终端110可以输出第一客户和第二客户的审批结果，其中，第一客户的审批结果是拒绝审批，第二客户的审批结果是审批通过。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端110，图1中的终端110的内部结构如图2所示，该终端110包括通过***总线连接的处理器、存储介质、内存、显示器和网络接口。其中，终端110的存储介质存储有操作***、数据库，还包括用于实现信用风险评分方法和装置的计算机程序。该处理器用于提供计算和控制能力，支撑整个终端110的运行。终端110中的显示器用于显示信息，例如，当筛选出第一客户和第二客户时，显示器可以显示第一客户的审批结果是拒绝审批，第二客户的审批结果是审批通过。内存为存储介质中实现信用风险评分方法和装置的计算机程序的运行提供环境，网络接口用于与服务器120进行网络通信，例如，网络接口可将客户的基本信息从服务器120中获取到，再将基本信息输入信用评分卡模型。图2中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种信用风险评分方法，以应用于上述应用环境中的终端来举例说明，如图3所示，包括如下步骤：

步骤S302，获取客户的基本信息，将基本信息输入信用评分卡模型。

其中，客户的基本信息可以包括客户的姓名、年龄、性别、学历、工资、借款情况、信用资料信息等。客户信用资料信息的收集是在信用消费中，通过调查或者通过客户填写的资料信息了解客户的信用信息。

信用评分卡模型是一种根据客户的信用历史资料，利用一定的信用评分模型将客户分为不同的等级，并对客户的信用进行评分，根据这个分数可以知道客户的信用风险。

收集到的客户的基本信息存储在服务器，当需要对客户的信用进行评分时，终端会从服务器获取到客户的基本信息，再将获取到的客户的基本信息输入到信用评分卡模型。

步骤S304，根据信用评分卡模型对客户的信用进行评分，得到客户对应的信用分数。

***评分模型对客户的信用进行评分时，分数的高低与风险水平成反比，信用评分为客户逾期率预测指标的分数化，将直接反应客户未来的逾期水平预测值。信用评分卡模型对客户的信用进行评分后会输出客户的分数，分数越高，表示客户风险越低，相反，分数越低，表示客户风险越高。

步骤S306，筛选出信用分数低于第一预设值的第一客户和信用分数高于第二预设值的第二客户。

其中，第一预设值和第二预设值都是预先设置好的一个的数值，例如，第一预设值可以是20，第二预设值可以是70，这个预设值不是固定的，可以根据输入的客户基本信息以及需要对客户的不同信用评分而更改。

每一位客户的基本信息输入到信用评分卡模型后都会输出一个信用分数，得到信用分数后，可以根据不同的信用分数对客户进行筛选，其中，可以筛选出信用分数低于第一预设值的第一客户和信用分数高于第二预设值的第二客户，例如，当第一预设值为20，第二预设值为70时，可以筛选出信用分数低于20的第一客户和信用分数高于70的第二客户。

步骤S308，输出第一客户的审批结果为拒绝审批。

由于第一客户的信用分数低于第一预设值，因此，第一客户的信用风险是极高的，对于这样信用风险极高的客户，可以直接拒绝审批，即输出审批结果为拒绝审批。

步骤S310，输出第二客户的审批结果为审批通过。

第二客户的信用分数高于第二预设值，第二客户属于极低风险客户，对于这样极低风险的客户可以采取全部通过的方式，输出审批通过的审批结果。

通过获取客户的基本信息，将基本信息输入信用评分卡模型，根据信用评分卡模型对客户的信用进行评分，得到客户对应的信用分数，筛选出信用分数低于第一预设值的第一客户和信用分数高于第二预设值的第二客户，输出第一客户的审批结果为拒绝审批，输出第二客户的审批结果为审批通过。由于使用信用评分卡模型对客户的信用进行评分，并且根据信用分数对客户进行筛选，从而可以快速、准确的给出风险提示。

在一个实施例中，提供的一种信用风险评分方法还包括获取客户基本信息的过程，如图4所示，具体包括：

步骤S402，获取客户的身份标识，身份标识对应有客户的基本信息。

其中，获取客户的身份标识可以通过身份证获取得到，例如，扫描身份证。每个客户的身份标识都是唯一的，获取客户的身份标识时，由于身份标识对应有客户的基本信息，终端就可以通过获取客户的身份标识进而获取到客户的基本信息。例如，通过扫描身份证的方式可以获取到客户的姓名、年龄、性别、借贷信息以及信用资料信息等。

步骤S404，从基本信息中提取客户的信用指标。

输入信用评分卡模型的客户的信息是对客户信用进行评分的有用的信息，终端可以通过算法从客户的基本信息中提取客户的信用指标。例如，客户的基本信息可以包括客户的姓名、年龄、性别、借贷信息以及信用资料信息，终端可以通过算法从众多的基本信息中提取出借贷信息、信用资料信息等对客户信用有影响的信息，这些信息就是信用指标。

步骤S406，将信用指标输入信用评分卡模型。

在提取出客户的信用指标后，终端可以将这些信用指标输入信用评分卡模型对相应的客户进行信用评分。

步骤S408，根据信用指标计算客户的信用概率。

将客户的信用指标输入信用评分卡模型后，信用评分卡可以应用逻辑回归算法，根据输入的信用指标对客户的信用计算信用概率。

步骤S410，将信用概率转化为信用分数。

信用评分卡模型计算出信用概率后，可以将信用概率转化为信用分数。例如，信用概率是0.7，信用评分卡模型可以将信用概率转化为70的信用分数，信用分数相对于信用概率可以更加直观的反应客户的信用风险。在通过信用评分卡模型得到信用分数后，终端可以通过界面展示出客户具体的信用分数。

通过获取客户的身份标识，身份标识对应有客户的基本信息，从基本信息中提取客户的信用指标，将信用指标输入信用评分卡模型，根据信用指标计算客户的信用概率，将信用概率转化为信用分数。由于信用评分卡模型根据算法计算出信用概率，再将信用概率转化为信用分数，这个过程都是在信用评分卡模型中进行的，得到的信用分数更加客观、更加中立、更加高效。

如图5所示，在一个实施例中，提供的一种信用风险评分方法还包括训练信用评分卡模型的过程，具体包括：

步骤S502，获取客户的基本信息中的样本数据，样本数据为客户的信用指标。

训练模型的时候都会有样本数据，客户的基本信息内容比较多，在训练信用评分卡模型的时候，不能将所有的基本信息都输入进去。因此，会有一些信息作为样本数据输入到信用评分卡模型中，这里的样本数据可以是客户的信用指标。也就是客户的借贷信息、信用资料信息等对客户的信用有影响的信息。

步骤S504，对信用指标进行量化处理，得到信用指标数据集。

信用指标中包含有客户的借贷信息、信用资料信息等。终端可以对这些信息进行量化处理，并得到相应的数据集。例如，将客户的借贷信息中借款数额与还款日期进行量化处理，可以得到客户借款数额与客户逾期还款的数据集。

步骤S506，通过逻辑回归算法对信用指标数据集进行计算，直到所有信用指标数据集计算完毕，得到训练好的信用评分卡模型。

逻辑回归算法是模型中的一种常用的算法，逻辑回归算法是一种分类分析算法，通常应用于信用评分卡模型这种分类模型。

应用逻辑回归算法对客户的信用指标数据集进行计算，客户的信用指标数据集可以有多个，逻辑回归算法可以逐一对客户的信用指标数据集进行计算，将所有的数据集都计算完毕后，就可以得到训练好的信用评分卡模型。

在一个实施例中，提供的一种信用风险评分方法还包括人工审核的过程，具体包括：

筛选出第一客户和第二客户后，根据其余客户的信用分数对其余客户进行人工审核。

第一客户的审批结果是拒绝审批，第二客户的审批结果是审批通过，这两部分客户的审批结果是明确的，不需要再进入人工审核阶段。除去第一客户和第二客户，其余的客户审批结果不明确，需要对这部分客户进行人工审核。

所有的客户都经过了信用评分卡模型计算信用概率，因此所有的客户都有一个对应的信用分数。对于这部分客户，可以根据这部分客户对应的信用分数对客户进行人工审核，得到拒绝审批或者审批通过的审批结果。

由于所有的客户都有信用分数，对筛选出的第一客户和第二客户采用直接通过或直接拒绝的审批方式，不需要再对这部分客户进行人工审核，大大减少了人工审核的工作量。而对于需要进行人工审核的客户，由于客户有对应的信用分数，根据信用分数对客户进行人工审核增加了科学的统计依据，使审批结果更加客观中立。

在一个实施例中，提供的一种信用风险评分方法还包括对客户的信用信息进行处理的过程，具体包括：

对客户的基本信息进行筛选，得到客户的信用信息；将信用信息转换为字符，将字符输入信用评分卡模型。

客户的基本信息是庞大的信息，受到信用评分卡模型计算处理能力的限制，不可能将所有的客户基本信息都输入信用评分卡模型。终端可以对客户的基本信息进行筛选，得到客户的信用信息。在将客户的信用信息输入信用评分卡模型前，需要将信用信息转换为字符，再将字符输入信用评分卡模型。

通过对客户的基本信息进行筛选，得到客户的信用信息，将信用信息转换为字符，将字符输入信用评分卡模型。先对需要输入的信息进行筛选，再将筛选出的信息转换为字符，将字符输入信用评分卡模型可以减少信用评分卡模型对信息的处理过程，可以更快速的得到客户的信用分数。

在一个实施例中，提供了一种信用风险评分方法，实现该方法的具体步骤如下：

首先，需要训练信用评分卡模型。终端可以获取客户的基本信息中的样本数据，样本数据为客户的信用指标。训练模型的时候都会有样本数据，客户的基本信息内容比较多，在训练信用评分卡模型的时候，不能将所有的基本信息都输入进去。因此，会有一些信息作为样本数据输入到信用评分卡模型中，这里的样本数据可以是客户的信用指标。也就是客户的借贷信息、信用资料信息等对客户的信用有影响的信息。再对信用指标进行量化处理，得到信用指标数据集。信用指标中包含有客户的借贷信息、信用资料信息等。终端可以对这些信息进行量化处理，并得到相应的数据集。例如，将客户的借贷信息中借款数额与还款日期进行量化处理，可以得到客户借款数额与客户逾期还款的数据集。通过逻辑回归算法对信用指标数据集进行计算，直到所有信用指标数据集计算完毕，得到训练好的信用评分卡模型。逻辑回归算法是模型中的一种常用的算法，逻辑回归算法是一种分类分析算法，通常应用于信用评分卡模型这种分类模型。应用逻辑回归算法对客户的信用指标数据集进行计算，客户的信用指标数据集可以有多个，逻辑回归算法可以逐一对客户的信用指标数据集进行计算，将所有的数据集都计算完毕后，就可以得到训练好的信用评分卡模型。

其次，需要获取客户的基本信息，将基本信息输入信用评分卡模型。具体可以包括：获取客户的身份标识，身份标识对应有客户的基本信息。其中，获取客户的身份标识可以通过身份证获取得到，例如，扫描身份证。每个客户的身份标识都是唯一的，获取客户的身份标识时，由于身份标识对应有客户的基本信息，终端就可以通过获取客户的身份标识进而获取到客户的基本信息。例如，通过扫描身份证的方式可以获取到客户的姓名、年龄、性别、借贷信息以及信用资料信息等。从基本信息中提取客户的信用指标。输入信用评分卡模型的客户的信息是对客户信用进行评分的有用的信息，终端可以通过算法从客户的基本信息中提取客户的信用指标。例如，客户的基本信息可以包括客户的姓名、年龄、性别、借贷信息以及信用资料信息，终端可以通过算法从众多的基本信息中提取出借贷信息、信用资料信息等对客户信用有影响的信息，这些信息就是信用指标，再将信用指标输入信用评分卡模型。

接着，对客户的基本信息进行筛选，得到客户的信用信息；将信用信息转换为字符，将字符输入信用评分卡模型。客户的基本信息是庞大的信息，受到信用评分卡模型计算处理能力的限制，不可能将所有的客户基本信息都输入信用评分卡模型。终端可以对客户的基本信息进行筛选，得到客户的信用信息。在将客户的信用信息输入信用评分卡模型前，需要将信用信息转换为字符，再将字符输入信用评分卡模型。

接着，根据信用评分卡模型对客户的信用进行评分，得到客户对应的信用分数。***评分模型对客户的信用进行评分时，分数的高低与风险水平成反比，信用评分为客户逾期率预测指标的分数化，将直接反应客户未来的逾期水平预测值。信用评分卡模型对客户的信用进行评分后会输出客户的分数，分数越高，表示客户风险越低，相反，分数越低，表示客户风险越高。终端可以根据信用指标计算客户的信用概率，再将信用概率转化为信用分数。

然后，终端可以筛选出信用分数低于第一预设值的第一客户和信用分数高于第二预设值的第二客户。其中，第一预设值和第二预设值都是预先设置好的一个的数值，例如，第一预设值可以是20，第二预设值可以是70，这个预设值不是固定的，可以根据输入的客户基本信息以及需要对客户的不同信用评分而更改。每一位客户的基本信息输入到信用评分卡模型后都会输出一个信用分数，得到信用分数后，可以根据不同的信用分数对客户进行筛选，其中，可以筛选出信用分数低于第一预设值的第一客户和信用分数高于第二预设值的第二客户，例如，当第一预设值为20，第二预设值为70时，可以筛选出信用分数低于20的第一客户和信用分数高于70的第二客户。

接着，筛选出第一客户和第二客户后，根据其余客户的信用分数对其余客户进行人工审核。第一客户的审批结果是拒绝审批，第二客户的审批结果是审批通过，这两部分客户的审批结果是明确的，不需要再进入人工审核阶段。除去第一客户和第二客户，其余的客户审批结果不明确，需要对这部分客户进行人工审核。所有的客户都经过了信用评分卡模型计算信用概率，因此所有的客户都有一个对应的信用分数。对于这部分客户，可以根据这部分客户对应的信用分数对客户进行人工审核，得到拒绝审批或者审批通过的审批结果。

最后，输出第一客户的审批结果为拒绝审批。由于第一客户的信用分数低于第一预设值，因此，第一客户的信用风险是极高的，对于这样信用风险极高的客户，可以直接拒绝审批，即输出审批结果为拒绝审批。输出第二客户的审批结果为审批通过。第二客户的信用分数高于第二预设值，第二客户属于极低风险客户，对于这样极低风险的客户可以采取全部通过的方式，输出审批通过的审批结果。

如图6所示，在一个实施例中，提供了一种信用风险评分装置，包括：

信息输入模块610，用于获取客户的基本信息，将基本信息输入信用评分卡模型。

信用评分模块620，用于根据信用评分卡模型对客户的信用进行评分，得到客户对应的信用分数。

分数筛选模块630，用于筛选出信用分数低于第一预设值的第一客户和信用分数高于第二预设值的第二客户。

第一结果输出模块640，用于输出第一客户的审批结果为拒绝审批。

第二结果输出模块650，用于输出第二客户的审批结果为审批通过。

在一个实施例中，如图7所示，信息输入模块610包括：

标识获取模块612，用于获取客户的身份标识，身份标识对应有客户的基本信息。

指标提取模块614，用于从基本信息中提取客户的信用指标。

指标输入模块616，用于将信用指标输入信用评分卡模型。

在一个实施例中，信用评分模块620还可以用于根据信用指标计算客户的信用概率，将信用概率转化为信用分数。

在一个实施例中，提供的一种信用风险评分装置还包括信用评分卡模型训练模块。信用评分卡模型训练模块可以用于获取客户的基本信息中的样本数据，样本数据为客户的信用指标。还可以用于对信用指标进行量化处理，得到信用指标数据集。还可以用于通过逻辑回归算法对信用指标数据集进行计算，直到所有信用指标数据集计算完毕，得到训练好的信用评分卡模型。

在一个实施例中，提供的一种信用风险评分装置还可以包括人工审核模块。人工审核模块用于筛选出第一客户和第二客户后，根据其余客户的信用分数对其余客户进行人工审核。

在一个实施例中，提供的一种信用风险评分装置还可以包括信息筛选模块，信息筛选模块用于对客户的基本信息进行筛选，得到客户的信用信息。信用风险评分装置还可以包括信息转换模块，信息转换模块用于将信用信息转换为字符，将字符输入信用评分卡模型。

在一个实施例中，还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：获取客户的基本信息，将基本信息输入信用评分卡模型；根据信用评分卡模型对客户的信用进行评分，得到客户对应的信用分数；筛选出信用分数低于第一预设值的第一客户和信用分数高于第二预设值的第二客户；输出第一客户的审批结果为拒绝审批；输出第二客户的审批结果为审批通过。

在一个实施例中，计算机程序被处理器执行获取客户的基本信息，将基本信息输入信用评分卡模型，包括：获取客户的身份标识，身份标识对应有客户的基本信息；从基本信息中提取客户的信用指标；将信用指标输入信用评分卡模型；根据信用指标计算客户的信用概率；将信用概率转化为信用分数。

在一个实施例中，计算机程序被处理器执行训练信用评分卡模型，包括：获取客户的基本信息中的样本数据，样本数据为客户的信用指标；对信用指标进行量化处理，得到信用指标数据集；通过逻辑回归算法对信用指标数据集进行计算，直到所有信用指标数据集计算完毕，得到训练好的信用评分卡模型。

在一个实施例中，计算机程序被处理器执行人工审核，包括：筛选出第一客户和第二客户后，根据其余客户的信用分数对其余客户进行人工审核。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对客户的基本信息进行筛选，得到客户的信用信息；将信用信息转换为字符，将字符输入信用评分卡模型。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性的计算机可读取存储介质中，如本发明实施例中，该程序可存储于计算机***的非易失性存储介质中，并被该计算机***中的至少一个处理器执行，以实现包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种信用风险评分方法，其特征在于，所述方法包括：

获取客户的基本信息，将所述基本信息输入信用评分卡模型；

根据所述信用评分卡模型对所述客户的信用进行评分，得到所述客户对应的信用分数；

筛选出所述信用分数低于第一预设值的第一客户和所述信用分数高于第二预设值的第二客户；

输出所述第一客户的审批结果为拒绝审批；

输出所述第二客户的审批结果为审批通过。

2.根据权利要求1所述的方法，其特征在于，所述获取客户的基本信息，将所述基本信息输入信用评分卡模型，包括：

获取客户的身份标识，所述身份标识对应有所述客户的基本信息；

从所述基本信息中提取客户的信用指标；

将所述信用指标输入信用评分卡模型。

3.根据权利要求2所述的方法，其特征在于，所述根据所述信用评分卡模型对所述客户的信用进行评分，得到信用分数，包括：

根据所述信用指标计算客户的信用概率；

将所述信用概率转化为信用分数。

4.根据权利要求1所述的方法，其特征在于，所述信用评分卡模型通过下列方式训练得到：

获取客户的基本信息中的样本数据，所述样本数据为所述客户的信用指标；

对所述信用指标进行量化处理，得到信用指标数据集；

通过逻辑回归算法对所述信用指标数据集进行计算，直到所有信用指标数据集计算完毕，得到训练好的信用评分卡模型。

5.根据权利要求1所述的方法，其特征在于，所述筛选出所述信用分数低于第一预设值的第一客户和所述信用分数高于第二预设值的第二客户之后，包括：

筛选出所述第一客户和所述第二客户后，根据其余客户的信用分数对所述其余客户进行人工审核。

6.根据权利要求1所述的方法，其特征在于，所述根据所述信用评分卡模型对所述客户的信用进行评分之前，包括：

对所述客户的基本信息进行筛选，得到客户的信用信息；

将所述信用信息转换为字符，将所述字符输入信用评分卡模型。

7.一种信用风险评分装置，其特征在于，所述装置包括：

信息输入模块，用于获取客户的基本信息，将所述基本信息输入信用评分卡模型；

信用评分模块，用于根据所述信用评分卡模型对所述客户的信用进行评分，得到所述客户对应的信用分数；

分数筛选模块，用于筛选出所述信用分数低于第一预设值的第一客户和所述信用分数高于第二预设值的第二客户；

第一结果输出模块，用于输出所述第一客户的审批结果为拒绝审批；

第二结果输出模块，用于输出所述第二客户的审批结果为审批通过。

8.根据权利要求7所述的装置，其特征在于，所述信息输入模块包括：

标识获取模块，用于获取客户的身份标识，所述身份标识对应有所述客户的基本信息；

指标提取模块，用于从所述基本信息中提取客户的信用指标；

指标输入模块，用于将所述信用指标输入信用评分卡模型。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。

10.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。