CN108961040A - 用于授信贷款的贷款额度评估***及方法 - Google Patents

Abstract

本发明公开了一种用于授信贷款的贷款额度评估***及方法，涉及金融服务领域，利用用户画像构建了异常检测模型、第一层信用评分模型，先通过异常检测模型排除高欺诈和低还款能力的异常客户，实现对用户的初步筛选；再利用第一层信用评分模型对用户的信用分数进行评分并对用户进行二次筛选，再使用第二层信用评分模型对用户的信用分数进行分数段划分，实现对不同分数段用户的额度量化。本发明解决了现有技术对企业信用与还款能力评估不精确的问题，主要用于对不同信用分数的用户的贷款额度进行精准化评估和量化。

Description

用于授信贷款的贷款额度评估***及方法

技术领域

本发明涉及金融服务领域，特别涉及一种用于授信贷款的贷款额度评估***及方法。

背景技术

授信额度是指商业银行为客户核定的短期授信业务的存量管理指标，一般可分为单笔贷款授信额度、借款企业额度和集团借款企业额度。只要授信余额不超过对应的业务品种指标，无论累计发放金额和发放次数为多少，商业银行业务部门均可快速向客户提供短期授信，即企业可便捷地循环使用银行的短期授信资金，从而满足客户对金融服务快捷性和便利性的要求。

目前市场上的个人贷款额度，特别是个人授信贷款额度都是通过人工评定信用评级，人工核算贷款或授信额度。现有个人贷款或授信决策，需要先对客户进行评级，然后人工测算贷款或授信额度，相对繁琐，人为干预因素较多，误差较大，最终造成对企业信用与还款能力的评估不精确，导致不能对客户精准授信和贷款风险的很好控制。

发明内容

本发明意在提供一种用于授信贷款的贷款额度评估***及方法，实现对不同信用分数的用户的贷款额度的精准化评估和量化。

为解决上述技术问题，本发明提供的基础方案如下：

用户画像获取模块：用于收集用户相关的特征数据并建立用户行为和属性画像；

贷款额度评估模块：用于根据用户行为和属性画像构建授信模型决定用户贷款额度。

本发明的技术方案中，用户画像获取模块收集用户相关的特征数据并建立用户行为和属性画像，例如，相关的特征数据可包括通过电子商务平台获取用户的交易数据、商品数据、行为数据和注册数据；贷款额度评估模块根据用户行为和属性画像构建授信模型决定用户贷款额度，从而达到通过授信模型精确量化用户贷款额度，实现银行对贷款风险的控制。

进一步，还包括：

异常用户排除模块：用于通过用户行为和属性画像构建异常检测模型排除高欺诈和低还款能力的异常客户；

用户筛选模块：用于通过用户行为和属性画像构建第一层信用评分模型对各用户进行信用评分，并根据第一层信用分数的高低对用户进行筛选。

通过用户画像获取模块收集的特征数据构建用户的异常指标及通过异常指标建模，对可疑商户进行筛查；具体地，假设特征数据包括：商户注册、登录、订单、付款和商品类型数据，那么异常指标则为：异常登录次数、异常订单比例、订单量与商户类型不符合程度、订单量偏离商户历史水平，然后使用数据挖掘和机器学习方法得出各项异常指标偏离标准值的异常系数，将各项异常系数加权求和计算得出各商户的总异常系数；再将各用户的总异常系数与异常系数阈值进行对比，并排除出总异常系数大于异常系数阈值的用户，即达到了排除高欺诈和低还款能力的异常客户。

用户筛选模块通过用户行为和属性画像构建第一层信用评分模型对各用户进行信用评分，并根据第一层信用分数的高低对用户进行筛选，例如，向既定分数以上的用户发出贷款邀请，并排除掉低分数的用户，根据第一层信用分数可衡量用户的还款能力，从而拒绝高风险贷款的用户，更加合理的进行风险控制。

进一步，所述贷款额度评估模块包括：

用户画像补充子模块：根据用户的人行征信和第三方征信补充用户的行为和属性画像；

评分模型构建子模块：根据补充后的用户的行为和属性画像构建第二层信用评分模型并计算各用户的第二层信用分数；

贷款额度确定子模块：将各用户的第二层信用分数划分分数区间并决定用户贷款额度和期限。

根据用户的人行征信和第三方征信补充用户的行为和属性画像，使用户画像更加有效、完整，根据补充后的用户的行为和属性画像构建第二层信用评分模型并计算各用户的第二层信用分数，实现对客户的信用进行精细化评分，再将各用户的第二层信用分数划分分数区间，再根据分数区间的划分决定用户贷款额度和期限，减少授信额度过高和对客户还款能力估计过高的情况，进一步控制了贷款风险。

进一步，所述用户筛选模块包括：

筛选模型构建子模块：用于运用数据挖掘和机器学习算法将用户行为画像和属性画像作为特征指标构建第一层评分卡模型计算各用户的第一层信用分数；

用户排除子模块：预先设置信用分数阈值，用于将用户的第一层信用分数与信用分数阈值进行对比，筛选出第一层信用分数高于信用分数阈值的用户。

特征指标可包括：商户类型、异常交易指数、异常登录指数、增长趋势、互联网使用***台依赖度、是否连锁、地区排名和地区同业排名等，所有建模的特征指标会根据该指标在模型中对好坏客户的区分能力来进行排列，优先选取预测能力最强和稳定性最强的10-16个指标用于建模。第一层评分卡模型使用逻辑回归和决策树结合的算法计算各用户的第一层信用分数；再将用户的第一层信用分数与预先设置的信用分数阈值进行对比，进而实现对用户的筛选，以排除低分数的用户。

本发明另一目的在于提供一种用于授信贷款的贷款额度评估方法，该方法基于以上***，该方法包括以下步骤：

用户画像获取步骤：收集用户相关的特征数据并建立用户行为和属性画像；

贷款额度评估步骤：根据用户行为和属性画像构建授信模型决定用户贷款额度。

进一步，所述用户画像获取步骤和授信额度确定步骤之间包括：

异常用户排除步骤：通过用户行为和属性画像构建异常检测模型排除高欺诈和低还款能力的异常客户；

用户筛选步骤：通过用户行为和属性画像构建第一层信用评分模型对各用户进行信用评分，并根据第一层信用分数的高低对用户进行筛选。

进一步，所述贷款额度评估步骤包括：

S1：根据用户的人行征信和第三方征信补充用户的行为和属性画像；

S2：根据补充后的用户的行为和属性画像构建第二层信用评分模型并计算各用户的第二层信用分数；

S3：将各用户的第二层信用分数划分分数区间并决定用户贷款额度和期限。

进一步，所述用户筛选步骤具体包括：

步骤一：运用数据挖掘和机器学习算法将用户行为画像和属性画像作为特征指标构建第一层评分卡模型计算各用户的第一层信用分数；

步骤二：预先设置信用分数阈值，将用户的第一层信用分数与信用分数阈值进行对比，筛选出第一层信用分数高于信用分数阈值的用户。

附图说明

图1为本发明用于授信贷款的贷款额度评估***实施例的示意性框图；

图2为本发明用于授信贷款的贷款额度评估方法实施例的流程图。

具体实施方式

下面通过具体实施方式进一步详细说明：

如图1所示，本发明用于授信贷款的贷款额度评估***，包括：

用户画像获取模块：用于收集用户相关的特征数据并建立用户行为和属性画像；

异常用户排除模块：用于通过用户行为和属性画像构建异常检测模型排除高欺诈和低还款能力的异常客户；

用户筛选模块：用于通过用户行为和属性画像构建第一层信用评分模型对各用户进行信用评分，并根据第一层信用分数的高低对用户进行筛选。

贷款额度评估模块：用于根据用户行为和属性画像构建授信模型决定用户贷款额度。

本实施例中，用户筛选模块包括：

筛选模型构建子模块：用于运用数据挖掘和机器学习算法将用户行为画像和属性画像作为特征指标构建第一层评分卡模型计算各用户的第一层信用分数；

用户排除子模块：预先设置信用分数阈值，用于将用户的第一层信用分数与信用分数阈值进行对比，筛选出第一层信用分数高于信用分数阈值的用户。

贷款额度评估模块包括：

用户画像补充子模块：根据用户的人行征信和第三方征信补充用户的行为和属性画像；

评分模型构建子模块：根据补充后的用户的行为和属性画像构建第二层信用评分模型并计算各用户的第二层信用分数；

贷款额度确定子模块：将各用户的第二层信用分数划分分数区间并决定用户贷款额度和期限。

该用于授信贷款的贷款额度评估***的原理及使用场景为：

一、异常客户筛查

用户画像获取模块收集用户相关的特征数据并建立用户行为和属性画像，例如，相关的特征数据可包括通过电子商务平台获取用户的交易数据、商品数据、行为数据和注册数据，以及历史申请者借款额度和还款情况数据等；通过用户画像获取模块收集的特征数据构建用户的异常指标及通过异常指标建模，对可疑商户进行筛查；具体地，假设特征数据包括：商户注册、登录、订单、付款和商品类型数据，那么异常指标则为：异常登录次数、异常订单比例、订单量与商户类型不符合程度、订单量偏离商户历史水平，特征数据作为判断各项异常指标偏离标准值的基础；然后使用数据挖掘和机器学习方法得出各项异常指标偏离标准值的异常系数，将各项异常系数加权求和计算得出各商户的总异常系数；再将各用户的总异常系数与预先设置的异常系数阈值进行对比，并排除出总异常系数大于异常系数阈值的用户，即达到了排除高欺诈和低还款能力的异常客户；

具体地，使用数据挖掘和机器学习方法中的算法可为：使用K最近邻分类算法找出样本最邻近的样本类别来决定样本所属类别，将周围邻近样本对该样本的影响按照权重值大小与距离成反比的方式给予该样本不同的权重，最终进行回归；使用聚类算法，将样本分类，使同类样本同质性最大化同时不同类样本异质性较大；使用树型的决策树算法来划分每个属性的权重，同时发现离群点，去掉离群严重的部分；使用神经网络的算法来连接各神经元和进行权值划分。

二、排除低分数用户

用户筛选模块通过用户行为和属性画像构建第一层信用评分模型对各用户进行信用评分，并根据第一层信用分数的高低对用户进行筛选，具体地，运用数据挖掘和机器学习算法将用户行为画像和属性画像作为特征指标构建第一层评分卡模型计算各用户的第一层信用分数；将用户的第一层信用分数与预先设置的信用分数阈值进行对比，筛选出第一层信用分数高于信用分数阈值的用户，例如，信用分数阈值为70分，向70以上的用户发出贷款邀请，并排除掉70以下的用户，根据第一层信用分数可初步衡量用户的还款能力，从而拒绝高风险贷款的用户，更加合理的进行风险控制。

第一层评分卡模型建立的过程为：建模使用的特征指标包括：商户类型、异常交易指数、异常登录指数、增长趋势、互联网使用***台依赖度、是否连锁、地区排名、地区同业排名等。所有建模的特征指标会根据该指标在模型中对好坏客户的区分能力来进行排列，优先选取预测能力最强和稳定性最强的10-16个指标用于建模。模型使用逻辑回归和决策树结合的算法。具体地，根据历史申请者借款额度和还款情况选取有周期性的好坏样本，定义好坏客户，根据信息量和群体稳定性指标值定义可用的10-16个变量，用逻辑回归和决策树开发模型，设置模型取舍点阈值，利用模型K－S检验值和接受者操作特征曲线对模型精确性稳定性进行评估，评估后对模型进行调整，调整直到模型K－S检验值和接受者操作特征曲线达到预期后生成评分卡，再根据评分卡给出每个用户的第一层信用分数。

三、第二层信用分数分数段划分

对于第一层评分模型通过的用户，跑人行征信和第三方征信数据，根据用户的人行征信和第三方征信补充用户的行为和属性画像，得到补充的指标特征，具体可包括：企业主婚姻状况，教育情况，住房车辆抵押情况，身份证是否高风险区域，银行卡钱包位置，手机号码使用情况，当前贷款情况，是否多头借贷，是否涉诉，纳税情况等，使用户画像更加全面、完整，根据补充后的用户的行为和属性画像构建第二层信用评分模型并计算各用户的第二层信用分数；

第二层评分卡模型建立的过程为：将补充的特征指标和第一层评分模型已运用的特征指标结合在一起，根据所有特征指标在模型中对好坏客户的区分能力来进行重新排列，优先选取预测能力最强和稳定性最强的10-16个指标用于第二层评分模型建立。模型依然使用逻辑回归和决策树结合的算法，建立全过程基本步骤与第一层评分模型一致。得到的评分卡给出每个客户的第二层信用分数，并进行比第一层信用分数更为细致的分数段区分，例如本实施例划分的分数段为五个，将70～75分划分为第一分数段，75～80分划分为第二分数段，80～85分划分为第三分数段，85～90分划分为第四分数段，90～95分划分为第五分数段。

四、额度确定

根据分数段的划分决定用户贷款额度和期限，具体地，分数段的高低和银行授予的额度成正比。同时，高分数段的客户得到比分数段低的客户更多的期限选项。从而让客户授权额度和期限得到合理的确定，减少授信额度过高和对客户还款能力估计过高的情况，进一步控制了贷款风险。

为了更清楚的阐述本发明的用于授信贷款的贷款等级评估***的工作过程，本实施例中，还公开了一种用于授信贷款的贷款等级评估方法，该方法基于以上***，如图2所示，该方法包括以下步骤：

用户画像获取步骤：收集用户相关的特征数据并建立用户行为和属性画像；

异常用户排除步骤：通过用户行为和属性画像构建异常检测模型排除高欺诈和低还款能力的异常客户；

用户筛选步骤：通过用户行为和属性画像构建第一层信用评分模型对各用户进行信用评分，并根据第一层信用分数的高低对用户进行筛选；

贷款额度评估步骤：根据用户行为和属性画像构建授信模型决定用户贷款额度。

具体地，用户筛选步骤具体包括：

步骤一：运用数据挖掘和机器学习算法将用户行为画像和属性画像作为特征指标构建第一层评分卡模型计算各用户的第一层信用分数；

步骤二：预先设置信用分数阈值，将用户的第一层信用分数与信用分数阈值进行对比，筛选出第一层信用分数高于信用分数阈值的用户。

贷款额度评估步骤包括：

S1：根据用户的人行征信和第三方征信补充用户的行为和属性画像；

S2：根据补充后的用户的行为和属性画像构建第二层信用评分模型并计算各用户的第二层信用分数；

S3：将各用户的第二层信用分数划分分数区间并决定用户贷款额度和期限。

综上所述，本发明的有益效果在于：

一、利用用户画像构建了异常检测模型、第一层信用评分模型，先通过异常检测模型排除高欺诈和低还款能力的异常客户，实现对用户的初步筛选；再利用第一层信用评分模型对用户的信用分数进行评分并对用户进行二次筛选，两次筛选实现对异常用户的全面检测，更加合理的控制了贷款风险。

二、使用第二层信用评分模型对用户的信用分数进行分数段划分，实现对不同分数段用户的额度量化，以信用分数为依据的分数段划分，让客户授权额度和期限得到合理的确定，减少银行对授信额度过高和对客户还款能力估计过高的情况，进一步实现对贷款风险的控制。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (8)

1.用于授信贷款的贷款额度评估***，其特征在于，包括：

用户画像获取模块：用于收集用户相关的特征数据并建立用户行为和属性画像；

贷款额度评估模块：用于根据用户行为和属性画像构建授信模型决定用户贷款额度。

2.根据权利要求1所述的用于授信贷款的贷款额度评估***，其特征在于，还包括：

异常用户排除模块：用于通过用户行为和属性画像构建异常检测模型排除高欺诈和低还款能力的异常客户；

用户筛选模块：用于通过用户行为和属性画像构建第一层信用评分模型对各用户进行信用评分，并根据第一层信用分数的高低对用户进行筛选。

3.根据权利要求2所述的用于授信贷款的贷款额度评估***，其特征在于，所述贷款额度评估模块包括：

用户画像补充子模块：根据用户的人行征信和第三方征信补充用户的行为和属性画像；

评分模型构建子模块：根据补充后的用户的行为和属性画像构建第二层信用评分模型并计算各用户的第二层信用分数；

贷款额度确定子模块：将各用户的第二层信用分数划分分数区间并决定用户贷款额度和期限。

4.根据权利要求2所述的用于授信贷款的贷款额度评估***，其特征在于，所述用户筛选模块包括：

筛选模型构建子模块：用于运用数据挖掘和机器学习算法将用户行为画像和属性画像作为特征指标构建第一层评分卡模型计算各用户的第一层信用分数；

用户排除子模块：预先设置信用分数阈值，用于将用户的第一层信用分数与信用分数阈值进行对比，筛选出第一层信用分数高于信用分数阈值的用户。

5.用于授信贷款的贷款额度评估方法，其特征在于，包括以下步骤：

用户画像获取步骤：收集用户相关的特征数据并建立用户行为和属性画像；

贷款额度评估步骤：根据用户行为和属性画像构建授信模型决定用户贷款额度。

6.根据权利要求5所述的用于授信贷款的贷款额度评估方法，其特征在于，所述用户画像获取步骤和授信额度确定步骤之间包括：

异常用户排除步骤：通过用户行为和属性画像构建异常检测模型排除高欺诈和低还款能力的异常客户；

用户筛选步骤：通过用户行为和属性画像构建第一层信用评分模型对各用户进行信用评分，并根据第一层信用分数的高低对用户进行筛选。

7.根据权利要求6所述的用于授信贷款的贷款额度评估方法，其特征在于，所述贷款额度评估步骤包括：

S1：根据用户的人行征信和第三方征信补充用户的行为和属性画像；

S2：根据补充后的用户的行为和属性画像构建第二层信用评分模型并计算各用户的第二层信用分数；

S3：将各用户的第二层信用分数划分分数区间并决定用户贷款额度和期限。

8.根据权利要求6所述的用于授信贷款的贷款额度评估方法，其特征在于，所述用户筛选步骤具体包括：

步骤一：运用数据挖掘和机器学习算法将用户行为画像和属性画像作为特征指标构建第一层评分卡模型计算各用户的第一层信用分数；

步骤二：预先设置信用分数阈值，将用户的第一层信用分数与信用分数阈值进行对比，筛选出第一层信用分数高于信用分数阈值的用户。