CN110400208B - 一种小微风险控制模型构建方法及应用方法 - Google Patents

Abstract

本发明涉及金融风险控制技术领域，特别是涉及一种小微风险控制模型构建方法及应用方法，其中，一种小微风险控制模型构建方法包括于初始客户画像库中按预定方法筛选形成一样本数据库，并根据所述样本数据库形成确定数据组；基于EM‑tool算法根据所述确定数据组计算形成导出数据组数据；基于向量机算法根据所述导出数据组、所述确定数据组形成一深度学习组数据。

Description

一种小微风险控制模型构建方法及应用方法

技术领域

本发明涉及金融风险控制技术领域，特别是涉及一种小微风险控制模型构建方法及应用方法。

背景技术

中国商业化小微金融的起点是在2005年，源于世界银行发起、国家开发银行承办、德国IPC公司提供技援的【国家开发银行小微信贷项目】。该项目第一次将商业化小微信贷风控技术引入中国，在该项目下总共支持了18家城市商业银行和农村商业银行开展小微信贷业务和传播IPC小微信贷技术，例如包括该领域的领跑者台州银行、包商银行、重庆银行、贵阳银行、安徽马鞍山农商行等。自2008年起，大量的城市商业银行、农村商业银行、农村信用联合社、小贷公司引入和传播IPC小微信贷风控技术，该技术成为各金融机构开展小微信贷业务的核心风控技术。

现有的IPC小微信贷风控技术的核心是通过“交叉检验”技术还原那些无报表非正规的小微商户的财务报表，通过广泛授权的人工审贷会来进行快速贷款审批。IPC小微风控技术能够精准计算客户的第一还款能力避免多头负债，以及评估客户的还款意愿，从而实现将信用风险控制在贷前。以台州银行践行IPC信贷技术的实践为例，10多年来其小微业务长期保持低于1％的风控水平，用优质的资产质量论证了IPC小微信贷技术的有效性。

IPC小微信贷风控技术在多年推广过程中暴露出来一些显著的弊端，例如：一、严重依赖“全能型”客户经理，“全能型”客户经理通常需要较长的培训周期，通常客户经理的培训入门时间为3个月，基本掌握为6个月，全面开展各类业务需要12个月，这对于希望快速形成业务规模的机构来说需要非常长的技术储备期。与此同时，当客户经理可以独立带领团队时，则通过“师傅带徒弟”的形成传承相应的审核技术，但是一个“师傅”很难全面掌握所有的审核技术或技巧，故而在后期的技术传承中，其传承的技术或技巧不断缩水，周而复始不断形成了一恶性循环；二、IPC小微风控技术以客户经理为中心，信贷流程中的操作风险较高，客户经理一个人完成营销、调查、制表、贷后管理。稍有经验的客户经理与客户传统伪造数据和资料的门槛低，如何防范小微客户经理的道德风险防范常常是各家金融机构应用IPC技术的痛点；三、IPC小微风控技术线下审贷会审批制度高度依赖有丰富风控经验的信审人员，审批效率低。通常IPC线下审贷会审批权限严格按照审批人各自的权限组合来确定，因此常常造成分支机构的通常需要更高审批权限的人员参加，或者由于审批和调查分离的原则，导致有调查权限的审批人员不能审批有关联关系的贷款，这些都造成了审批的低效。

发明内容

针对上述问题，本发明实施例提供了一种小微风险控制模型构建方法及应用方法，旨在提高审核效率、降低风险，减少人工成本。

一方面，本公开提供一种小微风险控制模型构建方法，其中，包括：

于初始客户画像库中按预定方法筛选形成一样本数据库，并根据所述样本数据库形成确定数据组；

基于EM-tool算法根据所述确定数据组计算形成导出数据组数据；

基于向量机算法根据所述导出数据组、所述确定数据组形成一深度学习组数据。

优选地，上述的小微风险控制模型构建方法，其中：包括，于所述初始客户画像库中按预定方法筛选形成一样本数据库，并根据所述样本数据库形成确定数据组包括：

步骤S11、设置M个第一类指标项、N个第二类指标项，所述第一类指标项、所述第二类指标项配置有Q个选项值；根据所述第一类指标项的选项值、所述第二类指标项的选项值形成初始客户画像库及画像组合；

步骤S12、读取所述初始客户画像库中的任意客户画像数据，并对当前的所述客户画像数据分析判断以形成一判断结果；

步骤S13、根据所述判断结果形成更新所述初始画像库，读取根据所述判断结果摒除的画像组合数量，于摒除的所述画像组合数量不小于预定数值的状态执行步骤S12；反之，根据更新后的所述初始画像库形成所述样本数据库。

优选地，上述的一种小微风险控制模型构建方法，其中：于所述步骤S12中，读取所述初始客户画像库中的任意客户画像数据，并对当前的所述客户画像数据分析判断以形成一判断结果具体包括：

步骤S121、于当前所述客户画像数据被判定为拒绝的状态，摒除低于当前所述客户画像数据的组合池；

步骤S122、于当前所述客户画像数据被判定为批准的状态，接受高于当前所述客户画像数据的组合池。

优选地，上述的一种小微风险控制模型构建方法，基于EM-tool算法根据所述确定数据组计算形成导出数据组数据具体包括：

读取所述确定数据组中与所述每个画像数据的组合线每个选项值匹配的通过率，基于每一个所述选项值的通过率获取当前所述画像数据组合线的通过率；

对每一个所述画像组合线的通过率做排序处理以形成所述导出数据组数据。

优选地，上述的一种小微风险控制模型构建方法，基于向量机算法根据所述导出数据组、所述确定数据组形成一深度学习组数据包括：

读取所述确定数据组数据、所述导出数据组数据，对所述导出数据组数据做权重处理以形成一权重导出数据组数据；

根据所述确定数据组数据、权重导出数据组数据做向量机处理以形成所述深度学习组数据。

另一方面，本发明在提供一种小微风险控制模型的应用方法，其中，包括基于上述任一项所述的一种小微风险控制模型构建方法形成的风险控制模型，还包括：

读取用户的待评画像数据，根据所述待评画像数据结合所述风险控制模型计算获取最高可贷额度；

于所述最高可贷额度不小于用户的目标贷款额度的状态下批准当前用户的贷款请求；

于所述最高可贷额度小于用户的目标贷款额度的状态下，根据所述最高可贷额度形成建议贷款额度。

与现有技术相比，本发明的优点在于：

摈弃了传统的通过主观设定指标项和人工分配权重来构建专家模型的建模思路，为了大幅提供专家模型精度，首先构建或更新初始客户画像库，让参与建模的专家基于初始客户画像库进行0或1判断以形成确定数据组。其次，基于确定数据组通过EM-tool算法获取了70％的导出数据组数据，最后通过深度学习确定数据组数据、导出数据组数据完成剩余30％计算，一方面将专家评判的主观性将至最低，从而大幅提高建模的精度，另一方面无需大量经验丰富的信审人员进行审批，大大提高了审批的效率、同时降低了审批的成本。

附图说明

图1为本发明实施例中的一种小微风险控制模型构建方法的流程图；

图2为本发明实施例中的一种小微风险控制模型构建方法的流程图；

图3为本发明实施例中的一种小微风险控制模型构建方法的流程图；

图4为本发明实施例中的一种小微风险控制模型构建方法的流程图；

图5为本发明实施例中的一种小微风险控制模型构建方法的流程图；

图6为本发明实施例中的一种小微风险控制模型的应用方法的流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1是本发明实施例一中的一种小微风险控制模型构建方法的流程图，本实施例可适用于任何移动终端的情形。该方法可以由服务器执行，该服务器可以采用软件和/或硬件的方式实现。如图1所示，为本发明实施例一中的一种小微风险控制模型构建方法的流程图，该方法具体包括：

步骤S1、于初始客户画像库中按预定方法筛选形成一样本数据库，并根据所述样本数据库形成确定数据组；具体包括：

如图2所示，步骤S11、设置M个第一类指标项、N个第二类指标项，所述第一类指标项、所述第二类指标项配置有Q个选项值；根据所述第一类指标项的选项值、所述第二类指标项的选项值形成初始客户画像库及画像组合；其中第一类指标项可为定性指标项，例如婚姻状况、居住情况等，第二类指标项可为定量指标项，例如负债率、月可支配收入数据、贷款分期还款金额等数据，M与N之和至少为10，其中M为自然数、N为自然数；所述M个第一类指标项或N个第二类指标项中均配置有Q个选项值，Q的取值范围可为2～4，每个客户画像数据中的第一类指标项、第二类指标项均对应有一个选项值，即每个客户画像数据由第一类指标项和第二类指标项的选项值形成。

步骤S12、读取所述初始客户画像库中的任意客户画像数据，并对当前的所述客户画像数据分析判断以形成一判断结果；其中每个客户画像数据中均包含有M个第一类指标项的结果、N个第二类指标项的选项值，该判断结果可由专家完成，也可由计算器完成，此处不做具体限制。其中如图3所示，具体包括：

步骤S121、于当前所述客户画像数据被判定为拒绝的状态，摒除低于当前所述客户画像数据的组合池；低于当前客户画像数据的组合池内的所有客户画像数据，其通过的概率均小于当前客户画像数据的通过概率，故而直接摒除。

步骤S122、于当前所述客户画像数据被判定为批准的状态，接受高于当前所述客户画像数据的组合池。高于当前所述客户画像数据的组合池内的所有客户画像数据，其通过的概率均不小于当前客户画像数据的通过概率，故而可以直接接受。执行步骤S121、或步骤S122后，均可获得一客户画像组合线，根据该客户画像组合线可进一步缩小初始客户画像库内的客户画像数量。

步骤S13、根据所述判断结果形成更新所述初始画像库，读取根据所述判断结果摒除的画像组合数量，于摒除的所述画像组合数量不小于预定数值的状态执行步骤S12；反之，根据更新后的所述初始画像库形成所述样本数据库。其中预定数值为可为5～10个，即每次判断之后仅可摒除5～10个画像组合的状态下则停止判断。其中，每次判断后，其摒除的所述画像组合的数量大于10的状态下，可判定为当前的初始画像库中仍存在大量冗余数据，此时需要根据当前客户画像组合线做进一步的摒除处理。当每次判断之后仅可摒除5～10个画像组合的状态下则停止判断，此时的初始画像库中仍存在部分需要摒除的数据，但是摒除的效率相对较低，故而停止判断。

步骤S2、基于EM-tool算法根据所述确定数据组计算形成导出数据组数据；具体包括：如图4所示，步骤S21读取所述确定数据组中与所述每个画像数据的组合线每个选项值匹配的通过率，基于每一个所述选项值的通过率获取当前所述画像数据组合线的通过率；

步骤S22、对每一个所述画像组合线的通过率做排序处理以形成所述导出数据组数据。

步骤S3、基于向量机算法根据所述导出数据组、所述确定数据组形成一深度学习组数据。具体，如图5所示，包括：

步骤S31、读取所述确定数据组数据、所述导出数据组数据，对所述导出数据组数据做权重处理以形成一权重导出数据组数据；导出数据组数据的权重可为0.2～1.5。

步骤S32、根据所述确定数据组数据、权重导出数据组数据做向量机处理以形成所述深度学习组数据。

列举一具体实施方式，该实施方式中，有人工判断形成判断结果，机器也可完成此判断，其原理与人工判断原理相似，此处仅以人工判断为例，首先筛选出相应的专家人选。

在小微风险控制模型构建中，由6位信审专家参与人工判断建模，每位信审专家至少具有5年的线下审贷会经历。首先确定每个专家的权重，采用3个指标来确定最终的专家权重，计算各个专家标记数据对应数据模式的可识别性F1,数据的稳定性F2，专家业务综合能力F3三个指标的值，其中F1和F2是客观指标，可直接通过数据进行计算得到；F3是主观指标，采用人工评测的方法测评，选取多个评审人，每个评审人均对各个专家较为了解，通过多人对每个专家的评审获取该专家对应的专家业务综合能力，三个指标的重要性一样，按照等权重配置。

获取模式可识别性F1，模式可识别性F1为专家标识数据的可识别程度，即从该专家标注过的数据中学习其数据规律，采用不同的算法获取专家标注数据的边界性，可使用多次XGBOOST算法准确性的方差来衡量，方差越大说明该专家标记的数据质量较差，算法学习能力变动较大，方差越小越好，以此计算出每位专家的方差，并对其进行标准化，就可以得到每位专家的F1指标。

获取专家的稳定性F2，专家的稳定性F2为某一专家前后至少两次对同一数据标记的一致性，专家的稳定性越高，说明其对标准对象的认识比较深刻，其标记数据越稳定，数据质量可信度越高。

获取专家业务综合能力F3，专家业务综合能力F3是指专家的业务综合能力，至少包括：专家的业务水平，专家的职称，专家的学历，专家的工作年限，专家的性格水平等等方面。专家的业务综合能力越高，说明专家数据的质量相对较高，其数据的质量越值得信赖。

基于模式可识别性F1、专家的稳定性F2、专家业务综合能力F3以计算形成一专家权重。

每个专家读取所述初始客户画像库中的任意客户画像数据，其中客户画像为34992个，并对当前的所述客户画像数据分析判断以形成一判断结果；

每个客户画像数据中均包含有M个第一类指标项的结果、N个第二类指标项的选项值，专家从客户画像库中获取客户画像数据信息，读取每个客户画像数据中的每个选项值，并根据选项值判断该客户画像数据所对应的贷款请求能否被通过，当判断结果为0的状态下，则表示拒绝该客户画像数据对应的贷款请求，当判断结果为1的状态下，则表示允许该客户画像数据对应的贷款请求。当判断结果为0的状态下，以当前客户画像数据作为临界阈值，低于该临界阈值的客户画像数据全部为摒除。最后形成一个有专家决策获得确定数据组，34992个客户数据画像组合中，专家需要判断1000个-1500个画像组合。继续通过EM-tool算法根据所述确定数据组计算形成导出数据组数据；其中可计算的导出数据组合大概为24000个。基于确定数据组数据、所述导出数据组数据采用XGBOOST算法获取深度学习组数据，深度学习组数据约为10000个。如图所示，上述实施案例中，其确定数据组数据、导出数据组数据、深度学习组数据布局，其中深度学习组数据的准确率，至少达到85％。

上述方法中，摈弃了传统的通过主观设定指标项和人工分配权重来构建专家模型的建模思路，为了大幅提供专家模型精度，首先构建了客户画像库，然后让参与建模的专家仅仅进行0或1判断以形成确定数据组。其次，基于确定数据组通过EM-tool算法获取了70％的导出数据组数据，最后通过深度学习确定数据组数据、导出数据组数据完成剩余30％计算，一方面将专家评判的主观性将至最低，从而大幅提高建模的精度，另一方面无需大量经验丰富的信审人员进行审批，大大提高了审批的效率、同时降低了审批的成本。

实施例二

基于上述实施例一，本实施例在公开一种小微风险控制模型的应用方法，如图6所示的一种小微风险控制模型的应用方法的流程图，包括基于上述实施例提供的任一项所述的一种小微风险控制模型构建方法形成的风险控制模型，还包括：

步骤S201、读取用户的待评画像数据，根据所述待评画像数据结合所述风险控制模型计算获取最高可贷额度；

步骤S202、于所述最高可贷额度不小于用户的目标贷款额度的状态下批准当前用户的贷款请求；

步骤S203、于所述最高可贷额度小于用户的目标贷款额度的状态下，根据所述最高可贷额度形成建议贷款额度。

列举一具体实施方式

假设某一用户的所有指向标为X0，其中X0＝[x1；x2；x3；x4；x5；x6；x7；x8；x9；x10]，第一类指标项为G0，其中G0＝[x1；x2；x3；x4；？；x6；？；？；x9；？]，第二了指标项为H0，H0＝[？；？；？；？；x5；？；x7；x8；？；x10]；以G0作为查询条件，从风险控制模型中筛选出所有满足G0组合的记录，形成满足条件的矩阵E1，然后通过HO中的4个边界阈值反推申贷金额，然后取四个边界值的最小值作为最高可贷金额。于所述最高可贷额度不小于用户的目标贷款额度的状态下批准当前用户的贷款需求，于所述最高可贷额度小于用户的目标贷款额度的状态下，根据所述最高可贷额度形成建议贷款额度。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (3)

1.一种小微风险控制模型构建方法，其特征在于：包括，

于初始客户画像库中按预定方法筛选形成一样本数据库，并根据所述样本数据库形成确定数据组，包括：

步骤S11、设置M个第一类指标项、N个第二类指标项，所述第一类指标项、所述第二类指标项配置有Q个选项值；根据所述第一类指标项的选项值、所述第二类指标项的选项值形成初始客户画像库及画像组合；

步骤S12、读取所述初始客户画像库中的任意客户画像数据，并对当前的所述客户画像数据分析判断以形成一判断结果；

步骤S13、根据所述判断结果形成更新所述初始客户画像库，读取根据所述判断结果摒除的画像组合数量，于摒除的所述画像组合数量不小于预定数值的状态执行步骤S12；反之，根据更新后的所述初始客户画像库形成所述样本数据库；

基于EM-tool算法根据所述确定数据组计算形成导出数据组数据；

基于向量机算法根据所述导出数据组、所述确定数据组形成一深度学习组数据；

其中，读取所述初始客户画像库中的任意客户画像数据，并对当前的所述客户画像数据分析判断以形成一判断结果的步骤包括：

步骤S121、于当前所述客户画像数据被判定为拒绝的状态，摒除低于当前所述客户画像数据的组合池；

步骤S122、于当前所述客户画像数据被判定为批准的状态，接受高于当前所述客户画像数据的组合池；

基于EM-tool算法根据所述确定数据组计算形成导出数据组数据的步骤包括：

读取所述确定数据组中与每个画像数据的组合线每个选项值匹配的通过率，基于每一个所述选项值的通过率获取当前所述画像数据组合线的通过率；

对每一个画像数据组合线的通过率做排序处理以形成所述导出数据组数据。

2.根据权利要求1所述的一种小微风险控制模型构建方法，其特征在于：基于向量机算法根据所述导出数据组、所述确定数据组形成一深度学习组数据包括：

读取所述确定数据组数据、所述导出数据组数据，对所述导出数据组数据做权重处理以形成一权重导出数据组数据；

根据所述确定数据组数据、权重导出数据组数据做向量机处理以形成所述深度学习组数据。

3.一种小微风险控制模型的应用方法，其特征在于，包括基于上述权利要求1或2所述的一种小微风险控制模型构建方法形成的风险控制模型，还包括：

读取用户的待评画像数据，根据所述待评画像数据结合所述风险控制模型计算获取最高可贷额度；

于所述最高可贷额度不小于用户的目标贷款额度的状态下批准当前用户的贷款请求；

于所述最高可贷额度小于用户的目标贷款额度的状态下，根据所述最高可贷额度形成建议贷款额度。

Images