CN108615191A - 一种信用额度智能评估方法 - Google Patents
一种信用额度智能评估方法 Download PDFInfo
- Publication number
- CN108615191A CN108615191A CN201810415598.9A CN201810415598A CN108615191A CN 108615191 A CN108615191 A CN 108615191A CN 201810415598 A CN201810415598 A CN 201810415598A CN 108615191 A CN108615191 A CN 108615191A
- Authority
- CN
- China
- Prior art keywords
- credit
- data
- value
- line
- probability
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开一种信用额度智能评估方法,步骤包括:S1.将用户正常履行约定的发生概率作为初始信用评分值,并使用用户信用数据训练概率的模型,得到初始信用评分模型;S2.获取待评估用户的信用数据,使用初始信用评分模型对获取的信用数据进行评分,得到初始信用评分值;S3.将初始信用评分值输入至预先按照概率分布特性构建的信用评分值与信用额度值之间的概率分布关系中,计算得到待评估用户的信用额度值。本发明具有实现方法简单、能够实现信用额度的智能评估,且评估效率及精度高、应用灵活等优点。
Description
技术领域
本发明涉及信用评估技术领域,尤其涉及一种信用额度智能评估方法。
背景技术
信用评级是指由独立的第三方信用评级中介机构对债务人如期足额偿还债务本息的能力和意愿进行评价,并用简单的评级符号表示其违约风险和损失的严重程度,广义的信用评级则是指对评级对象履行相关合同和经济承诺的能力和意愿的总体评价。授信机构接受客户信用申请时,利用客户提交的申请表中的特征变量建立评分模型得到申请者的一个信用值,将该值与事先设定的标准值相比,判断该借款人逾期的可能性,从而决定是否授出信用及授信额度,该类信用评分即为申请评分。申请评分的评分方法主要依据为客户个人信息,主要分为四个部分:一是个人的基本信息,主要包括客户的姓名、工作情况、居住地址、教育程度等;二是个人的交易记录,主要是客户与金融机构的业务发生情况;三是客户的个人信用历史,主要是个人从金融机构贷款情况、偿还贷款情况等;四是公开记录情况,主要是法院关于客户的公开判决或破产情况等。在获取个人信用信息之后,授信机构通过建立个人信用评分模型得到客户的信用评分,信用评分表明了客户相应的信用等级,而授信机构则依据此信用评分给与客户不同的授信额度。
针对信用额度评估,目前通常都是简单的根据历史经验以及企业所承受的最大放贷额度,建立一套的额度对应表,评分与额度之间为简单的线性分布特性,即随着评分高低,按照一定比例对应出相应的放贷额度。该类信用额度评估方式实现简单,但是评估性能差,且灵活性不强,当额度发生更改时,需要重新调整整个额度评分对应表,若额度需要频繁调整,则会大大增加评估实现的复杂度,降低评估效率。
为解决上述问题,有从业者提出使用数据挖掘方法实现信用额度评估,即根据以往的借贷数据所标注的借贷金额,采用复杂的机器学习算法进行函数的拟合,最终根据拟合的函数来进行额度评估。但是该类方法实现复杂,需要使用复杂的机器学习算法,如神经网络算法实现非常复杂,且需要大量的数据提供训练,每次更新数据之后,都需要重新产生模型,数据处理量大,参数的调优也非常繁琐,整个评估过程的效率低、成本高,对于实时性要求高的场合,该类方法并不适用。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种实现方法简单、能够实现信用额度的智能评估,且评估效率及精度高、应用灵活的信用额度智能评估方法。
为解决上述技术问题,本发明提出的技术方案为:
一种信用额度智能评估方法,步骤包括:
S1.将用户正常履行约定的发生概率p作为初始信用评分值,并使用用户信用数据训练概率p的模型,得到初始信用评分模型;
S2.获取待评估用户的信用数据,使用所述初始信用评分模型对获取的信用数据进行评分,得到初始信用评分值;
S3.将所述初始信用评分值输入至预先按照概率分布特性构建的信用评分值与信用额度值之间的分布关系中,计算得到待评估用户的信用额度值。
作为本发明的进一步改进:所述步骤S1中具体基于逻辑回归模型训练概率p的模型,得到初始信用评分模型。
作为本发明的进一步改进,所述步骤S1的具体步骤为:
S11.获取原始用户信用数据进行数据预处理,输出预处理后数据;
S12.将所述预处理后数据中离散化数据进行数值化处理,以使用数值标识各项离散化数据的属性,得到数值型数据;
S13.基于逻辑回归模型对得到的所述数值型数据进行训练,得到基于逻辑回归模型的初始信用评分模型。
作为本发明的进一步改进:所述步骤S11中进行数据预处理时,具体查找所述原始用户信用数据中缺失值、冗余值以及异常值,并将查找到的所述缺失值进行拉格朗日插值处理,以及将查找到的所述冗余值、异常值进行删除处理。
作为本发明的进一步改进:所述步骤S12将预处理后数据中离散化数据进行数值化处理时,具体将具有递增关系型的数据使用递增的数值标识,无递增关系型的数据分别添加多个属性,每个属性使用数值进行标识。
作为本发明的进一步改进,所述基于逻辑回归模型构建所述信用评分模型时,具体先对p做一个逻辑转换:
具体先对p做一个逻辑转换:
L=β0+β1x1+βixi++βnxn=βTx
其中,i代表每个属性,β为每个属性的权重系数,xi为该属性下的值,β=(β0,β1,,βi,βn)T,x=(x0,x1,,xi,xn)T;
最终构建得到p的函数模型为:
通过上述构建得到的p的函数模型将输出预测值压缩至[0,1]之间。
作为本发明的进一步改进,所述步骤S2的具体步骤为:
S21.获取待评估用户的原始信用数据进行数据预处理,输出预处理后数据;
S22.将所述步骤S21得到的预处理后数据进行数值化处理,以使用数值标识各项离散化数据的属性,得到数值型数据;
S23.将所述步骤S22得到的数值型数据输入至所述初始信用评分模型中,得到初始信用评分值。
作为本发明的进一步改进,所述信用评分值与信用额度值之间的概率分布关系为正态分布或t分布,且满足:
其中,P为信用评分值,Q为信用额度值,且f(Q)为概率分布函数。
作为本发明的进一步改进,所述步骤S3中还包括预先建立信用评分值与信用额度值之间的对应关系表,计算到所述信用额度值后,从所述对应关系表中查找出对应的信用评分值,得到待评估用户最终的信用评分值输出。
与现有技术相比,本发明的优点在于:
1)本发明信用额度智能评估方法,利用借贷行为的概率分布特性,先构建用户正常履行约定的发生概率的模型,使用构建的模型对用户进行初始评分,得到的初始信用评分值即为概率值,由该概率值基于分布特性即可计算对应的信用额度值,评估方法简单,无需复杂的计算过程,可以实现快速的信用额度评估,且充分利用了借贷行为的信用额度分布特性,相比于传统使用简单的线性模型表示额度与评分之间的关系,可以有效提高额度评估性能,且应用灵活。
2)本发明信用额度智能评估方法,进一步利用借贷行为的概率分布特性,将信用评分值与信用额度值之间的分布关系等效为某种概率分布函数,能够准确表征信用评分与信用额度之间的分布关系,从而实现精确的信用额度评估,且基于概率分布特性可在最大承受放贷范围内自动调整参数。
3)本发明信用额度智能评估方法,进一步基于逻辑回归模型构建信用评分模型,模型输出值为数值型的概率值,因而可正好与信用额度的概率分布函数形成对应关系,基于概率值也可映射到任意所需要的评分区间之内,同时使用逻辑回归模型可以很好地解决因变量与解释变量之间的非线性问题,且评分的速度快、效率高,算法训练完成后,直接使用产生的权重参数即可对新用户进行信用评分,能够进一步提高信用评分的精度以及效率。
附图说明
图1是本实施例信用额度智能评估方法的实现流程示意图。
图2是本实施例中信用额度的概率分布函数分布曲线示意图。
图3是本实施例中计算初始信用评分值的实现流程示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述,但并不因此而限制本发明的保护范围。
如图1所示,本实施例信用额度智能评估方法,步骤包括:
S1.将用户正常履行约定的发生概率p作为初始信用评分值,并使用用户信用数据训练概率p的模型,得到初始信用评分模型;
S2.获取待评估用户的信用数据,使用初始信用评分模型对获取的信用数据进行评分,得到初始信用评分值;
S3.将初始信用评分值输入至预先按照概率分布特性构建的信用评分值与信用额度值之间的分布关系中,计算得到待评估用户的信用额度值。
每个用户的借贷行为数据之间是互相独立的,具有一定的概率分布特性,本实施例利用借贷行为的概率分布特性,先构建用户正常履行约定的发生概率p的模型,使用构建的模型对用户进行初始评分,得到的初始信用评分值即为概率值,由该概率值基于分布特性即可计算对应的信用额度值,评估方法简单,无需复杂的计算过程,可以实现快速的信用额度评估,且充分利用了借贷行为的信用额度分布特性,相比于传统使用简单的线性模型表示额度与评分之间的关系,可以有效提高额度评估性能且应用灵活。
本实施例中构建的信用评分值与信用额度值之间的分布关系为某种概率分布。若某一事件发生受到许多相互独立的随机因素影响,每个因素所产生的影响都很微小时,总的影响应该看作是服从相应的概率分布关系,而对于用户的借贷行为,每个用户的借贷行为数据之间是互相独立的,且之间产生的影响非常微小,即可应该服从概率分布关系,如正态分布、Student分布等,如图2所述,分布的概率密度函数f(Q)表示在一定的条件下Q发生的概率值,此概率值在[0,1]区间之内;本实施例将用户违约的发生概率记为0,正常守信遵守约定的借款行为概率记为1,其中1发生的概率记为p,p∈(0,1),表示待评估用户正常履行约定的发生概率为p,用户违约发生的概率为1-p,概率密度函数f(Q)与概率p的区间范围一致。
本实施例利用借贷行为的概率分布特性,能够准确表征信用评分与信用额度之间的分布关系,从而实现精确的信用额度评估,且基于概率分布特性可在最大承受放贷范围内自动调整参数。
本实施例中,步骤S1中具体基于逻辑(Logistic)回归模型训练概率p的模型,得到初始信用评分模型。Logistic回归分析法是一种用线性回归模型解决非线性问题的回归分析方法,本实施例基于逻辑回归模型构建信用评分模型,模型输出值为数值型的概率值,因而可正好与信用额度的概率分布函数形成对应关系,基于概率值也可映射到任意所需要的评分区间之内,同时逻辑回归模型将借款人的违约概率作为因变量,直接反应用户的信用值,将筛选出的与用户信用相关的属性指标作为解释变量,可以很好地解决因变量与解释变量之间的非线性问题,且评分的速度快、效率高,算法训练完成后,直接使用产生的权重参数即可对新用户进行信用评分,能够进一步提高信用评分的精度以及效率。
如图3所示,本实施例中步骤S1的具体步骤为:
S11.获取原始用户信用数据进行数据预处理,输出预处理后数据;
S12.将预处理后数据中离散化数据进行数值化处理,以使用数值标识各项离散化数据的属性,得到数值型数据;
S13.基于逻辑回归模型对得到的数值型数据进行训练,得到基于逻辑回归模型的初始信用评分模型。
本实施例中,步骤S11中进行数据预处理时,具体查找原始用户信用数据(包括用户的基本信息、交易记录信息等各类信用数据)中缺失值(即空缺值)、冗余值以及异常值,并将查找到的缺失值进行拉格朗日插值处理,将查找到的冗余值、异常值进行删除处理。即数据预处理包括冗余值处理:将重复的数据,或者无效的数据进行删除;.缺失值处理:将缺失值(空缺值)进行拉格朗治差值处理;异常值处理:将一些数据的属性超过预设范围或明显超过认知范围的数据删除,如年龄为150岁的用户等。
由于逻辑回归模型的输入数据需为数值型的数据,本实施例步骤S12将预处理后数据中离散化数据进行数值化处理时,具体将具有递增关系型的数据使用递增的数值标识,如学历型数据,可将用户的小学、初中、高中以及大学属性使用递增数值0,1,2,3等标识;无递增关系型的数据分别添加多个属性,每个属性使用数值进行标识,如视频、户口、电话、身份证、认证种类等,分别添加为多个属性,每个属性标识为0,1,即使用(0,1)标识是否视频验证,使用(0,1)标识是否户口验证等。数值化处理完成后即可使用逻辑回归模型进行训练,以得到逻辑回归信用评分模型。
本实施例中,基于逻辑回归模型构建所述信用评分模型时,具体先对p做一个逻辑转换:
L=β0+β1x1+βixi++βnxn=βTx (1)
其中,i代表每个属性,β为每个属性的权重系数,xi为该属性下的值,β=(β0,β1,,βi,βn)T,x=(x0,x1,,xi,xn)T;
最终构建得到p的函数模型为:
通过上述构建得到的p的函数模型将输出预测值压缩至[0,1]之间。
由于借款人正常履行约定的发生概率为p,则借款人违约发生的概率为1-p,那么借款人正常履行约定的概率p就成为模型中研究的对象,Logistic回归分析法不直接对概率p建立模型,而是对p做一个逻辑转换,转换如上述式(1)所述,由式(1)可以看出L∈(-∞,+∞)且因此可以对L进行如上式(2)所示的线性回归,最终构建得到p的函数模型如上述式(3)所示,该模型可以有效的保证p∈(0,1),且借款人的信用值p随着变量组合值的变化而连续变化,p趋于1表示借款者的信用度较高,反之则借款人的违约概率较高。
本实施例中,步骤S2的具体步骤为:
S21.获取待评估用户的原始信用数据进行数据预处理,输出预处理后数据;
S22.将步骤S21得到的预处理后数据进行数值化处理,以使用数值标识各项离散化数据的属性,得到数值型数据;
S23.将步骤S22得到的数值型数据输入至初始信用评分模型中,得到初始信用评分值。
当需要对新用户进行信用额度评估时,获取待评估用户的原始信用数据进行数据预处理,并进行数值化处理,数据预处理以及数值化处理方法具体如上所述,数值化处理后得到逻辑回归模型所需的数值型数据,将数据输入至预先构建的初始信用评分模型中进行计算,由模型输出值作为初始信用评分值,该评分值对应为[0,1]的概率值。
本实施例步骤S2得到初始信用评分值后,还包括判断初始信用评分值的大小,以判断是否可借贷,如具体以0.5作为判别阈值,初始信用评分值p≥0.5时,则判定为借款人可借贷,初始信用评分值p<0.5时,则判定为借款人不可贷款。
本实施例中,信用评分值与信用额度之间的对应关系具体为:
其中,P为初始信用评分值,Q为信用额度值且f(Q)为概率分布函数,如图2所示。
在步骤S2计算得到初始信用评分值后,由式(4)即可计算得到对应的信用额度Q值。
本实施例中,步骤S3中还包括预先建立信用评分值与信用额度值之间的对应关系表,计算到信用额度值后,从对应关系表中查找出对应的信用评分值,得到待评估用户最终的信用评分值输出。
上述只是本发明的较佳实施例,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
Claims (9)
1.一种信用额度智能评估方法,其特征在于,步骤包括:
S1.将用户正常履行约定的发生概率p作为初始信用评分值,并使用用户信用数据训练概率p的模型,得到初始信用评分模型;
S2.获取待评估用户的信用数据,使用所述初始信用评分模型对获取的信用数据进行评分,得到初始信用评分值;
S3.将所述初始信用评分值输入至预先按照概率分布特性构建的信用评分值与信用额度值之间的概率分布关系中,计算得到待评估用户的信用额度值。
2.根据权利要求1所述的信用额度智能评估方法,其特征在于:所述步骤S1中具体基于逻辑回归模型训练概率p的模型,得到初始信用评分模型。
3.根据权利要求2所述的信用额度智能评估方法,其特征在于:所述步骤S1的具体步骤为:
S11.获取原始用户信用数据进行数据预处理,输出预处理后数据;
S12.将所述预处理后数据中离散化数据进行数值化处理,以使用数值标识各项离散化数据的属性,得到数值型数据;
S13.基于逻辑回归模型对得到的所述数值型数据进行训练,得到基于逻辑回归模型的初始信用评分模型。
4.根据权利要求3所述的信用额度智能评估方法,其特征在于:所述步骤S11中进行数据预处理时,具体查找所述原始用户信用数据中缺失值、冗余值以及异常值,并将查找到的所述缺失值进行拉格朗日插值处理,以及将查找到的所述冗余值、异常值进行删除处理。
5.根据权利要求4所述的信用额度智能评估方法,其特征在于:所述步骤S12将预处理后数据中离散化数据进行数值化处理时,具体将具有递增关系型的数据使用递增的数值标识,无递增关系型的数据分别添加多个属性,每个属性使用数值进行标识。
6.根据权利要求2~5中任意一项所述的信用额度智能评估方法,其特征在于,所述基于逻辑回归模型构建所述信用评分模型时,具体先对p做一个逻辑转换:
L=β0+β1x1+βixi++βnxn=βTx
其中,i代表每个属性,β为每个属性的权重系数,xi为该属性下的值,β=(β0,β1,,βi,βn)T,x=(x0,x1,,xi,xn)T;
最终构建得到p的函数模型为:
通过上述构建得到的p的函数模型将输出预测值压缩至[0,1]之间。
7.根据权利要求1~5中任意一项所述的信用额度智能评估方法,其特征在于,所述步骤S2的具体步骤为:
S21.获取待评估用户的原始信用数据进行数据预处理,输出预处理后数据;
S22.将所述步骤S21得到的预处理后数据进行数值化处理,以使用数值标识各项离散化数据的属性,得到数值型数据;
S23.将所述步骤S22得到的数值型数据输入至所述初始信用评分模型中,得到初始信用评分值。
8.根据权利要求1~5中任意一项所述的信用额度智能评估方法,其特征在于,所述信用评分值与信用额度值之间的概率分布关系为正态分布或Student分布,且满足:
其中,P为信用评分值,Q为信用额度值,且f(Q)为概率分布函数。
9.根据权利要求8所述的信用额度智能评估方法,其特征在于,所述步骤S3中还包括预先建立信用评分值与信用额度值之间的对应关系表,计算到所述信用额度值后,从所述对应关系表中查找出对应的信用评分值,得到待评估用户最终的信用评分值输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810415598.9A CN108615191A (zh) | 2018-05-03 | 2018-05-03 | 一种信用额度智能评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810415598.9A CN108615191A (zh) | 2018-05-03 | 2018-05-03 | 一种信用额度智能评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108615191A true CN108615191A (zh) | 2018-10-02 |
Family
ID=63661815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810415598.9A Pending CN108615191A (zh) | 2018-05-03 | 2018-05-03 | 一种信用额度智能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108615191A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767312A (zh) * | 2018-12-10 | 2019-05-17 | 江西师范大学 | 一种信用评估模型训练、评估方法与装置 |
CN110060144A (zh) * | 2019-03-18 | 2019-07-26 | 平安科技(深圳)有限公司 | 额度模型训练方法、额度评估方法、装置、设备及介质 |
CN110175910A (zh) * | 2019-05-31 | 2019-08-27 | 阿里巴巴集团控股有限公司 | 处理授信服务请求的方法、装置和电子设备 |
CN111598677A (zh) * | 2020-07-24 | 2020-08-28 | 北京淇瑀信息科技有限公司 | 一种资源配额确定方法、装置和电子设备 |
CN111899088A (zh) * | 2020-06-23 | 2020-11-06 | 四川新网银行股份有限公司 | 高并发数据流场景下的精准资产额度计算方法 |
CN113177701A (zh) * | 2021-04-15 | 2021-07-27 | 国任财产保险股份有限公司 | 一种用户信用评估方法和装置 |
CN113487410A (zh) * | 2021-07-06 | 2021-10-08 | 建信金融科技有限责任公司 | 一种授信管理方法、装置、电子设备及计算机可读介质 |
-
2018
- 2018-05-03 CN CN201810415598.9A patent/CN108615191A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109767312A (zh) * | 2018-12-10 | 2019-05-17 | 江西师范大学 | 一种信用评估模型训练、评估方法与装置 |
CN109767312B (zh) * | 2018-12-10 | 2023-05-09 | 江西师范大学 | 一种信用评估模型训练、评估方法与装置 |
CN110060144A (zh) * | 2019-03-18 | 2019-07-26 | 平安科技(深圳)有限公司 | 额度模型训练方法、额度评估方法、装置、设备及介质 |
CN110060144B (zh) * | 2019-03-18 | 2024-01-30 | 平安科技(深圳)有限公司 | 额度模型训练方法、额度评估方法、装置、设备及介质 |
CN110175910A (zh) * | 2019-05-31 | 2019-08-27 | 阿里巴巴集团控股有限公司 | 处理授信服务请求的方法、装置和电子设备 |
CN111899088A (zh) * | 2020-06-23 | 2020-11-06 | 四川新网银行股份有限公司 | 高并发数据流场景下的精准资产额度计算方法 |
CN111899088B (zh) * | 2020-06-23 | 2023-04-18 | 四川新网银行股份有限公司 | 高并发数据流场景下的精准资产额度计算方法 |
CN111598677A (zh) * | 2020-07-24 | 2020-08-28 | 北京淇瑀信息科技有限公司 | 一种资源配额确定方法、装置和电子设备 |
CN113177701A (zh) * | 2021-04-15 | 2021-07-27 | 国任财产保险股份有限公司 | 一种用户信用评估方法和装置 |
CN113487410A (zh) * | 2021-07-06 | 2021-10-08 | 建信金融科技有限责任公司 | 一种授信管理方法、装置、电子设备及计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108615191A (zh) | 一种信用额度智能评估方法 | |
Jin et al. | A data-driven approach to predict default risk of loan for online peer-to-peer (P2P) lending | |
Schneider et al. | Infer, predict, and assure: Accounting opportunities in data analytics | |
Tang et al. | The determinants of ESG ratings: Rater ownership matters | |
TW201723968A (zh) | 監控可疑交易的方法 | |
Ereiz | Predicting default loans using machine learning (OptiML) | |
CN105931116A (zh) | 基于深度学习机制的自动化信用评分***及方法 | |
CN108492001A (zh) | 一种用于担保贷款网络风险管理的方法 | |
CN114638696A (zh) | 信贷风险预测模型的训练方法及*** | |
Guo et al. | The Prediction Analysis of Peer‐to‐Peer Lending Platforms Default Risk Based on Comparative Models | |
Atkeson et al. | Industry evolution and transition: Measuring investment in organization capital | |
CN111694952A (zh) | 一种基于微博的大数据分析模型***及其实现方法 | |
Mousseau et al. | On the notion of category size in multiple criteria sorting models | |
US20080208767A1 (en) | Predicting the Performance of Algorithmic Investment Strategies | |
CN110675240B (zh) | 风险雷达预警的监控方法及*** | |
Hadipour et al. | Factors Affecting the Instability Index in Tehran Stock Exchange | |
Panwai | Artificial neural network stock price prediction model under the influence of big data | |
Bozsik et al. | Decision tree-based credit decision support system | |
KR102576143B1 (ko) | 거절자 추론 없이 대출 실행 데이터를 활용하여 신용 평가 모형을 연속 학습하는 방법 및 이 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 | |
Sharma et al. | A Logistic Regression Based Credit Risk Assessment Using WoE Bining and Enhanced Feature Engineering Approach ANOVA and Chi-Square | |
Zamir | Can the WEKA Data Mining Tool be Used in Developing an Economic Growth Model? | |
Zagurskiy et al. | Management Models and Evaluation of Reputation Risks | |
US11915313B2 (en) | Using email history to estimate creditworthiness for applicants having insufficient credit history | |
Dallah et al. | Macorvian characteristics of the Nigerian stock market | |
Soares et al. | A simple fuzzy system applied to predict default rate |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200514 Address after: Guanxi Town, Dingcheng District, Changde, Hunan Province Applicant after: Hunan Huda Jinke Technology Development Co.,Ltd. Address before: Yuelu District City, Hunan province 410082 Changsha Lushan South Road, Hunan University College of information science and Engineering Applicant before: HUNAN University |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181002 |
|
RJ01 | Rejection of invention patent application after publication |