CN110610412A - 信用风险评估方法和装置、存储介质和电子设备 - Google Patents
信用风险评估方法和装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN110610412A CN110610412A CN201910824927.XA CN201910824927A CN110610412A CN 110610412 A CN110610412 A CN 110610412A CN 201910824927 A CN201910824927 A CN 201910824927A CN 110610412 A CN110610412 A CN 110610412A
- Authority
- CN
- China
- Prior art keywords
- target user
- credit
- information
- risk assessment
- user
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 215
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000013210 evaluation model Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims description 65
- 238000007477 logistic regression Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 12
- 238000011835 investigation Methods 0.000 description 22
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 230000003111 delayed effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开涉及一种信用风险评估方法和装置、存储介质和电子设备,以解决难以准确地评估用户信用风险的问题。所述方法包括:获取目标用户的特征信息;将所述特征信息输入预先建立的风险评估模型,输出所述目标用户的信用风险评估结果,其中,所述风险评估模型是将不同用户的特征信息及其信用风险评估结果作为训练样本训练得到的。本公开可以通过预先建立的风险评估模型,准确地评估用户的信用风险。
Description
技术领域
本公开涉及信息技术领域,具体地,涉及一种信用风险评估方法和装置、存储介质和电子设备。
背景技术
信用借贷是指根据用户的信用提供借贷产品的新消费方式,用户无需提供抵押物或第三方担保,凭借用户的信用就能取得产品,并以用户的信用程度作为还款的保证。
在信用借贷等业务领域中,通常需要对用户进行信用风险评估。相关技术中,通常是根据用户的征信信息对该用户进行信用风险评估,然而,部分用户虽然向银行办理过***,但是使用***较少,仅具有少量的***信息,或者没有向银行申请过***,无***信息,也从未办理过任何网络贷款,没有和金融机构发生过借贷关系,所以这部分用户征信信息较薄弱,甚至没有征信信息,因而,该方式难以准确地评估用户的信用风险。
发明内容
本公开的目的是提供一种信用风险评估方法和装置、存储介质和电子设备,以解决相关技术中难以准确地评估用户信用风险的问题。
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供一种信用风险评估方法,所述方法包括:获取目标用户的特征信息;将所述特征信息输入预先建立的风险评估模型,输出所述目标用户的信用风险评估结果,其中,所述风险评估模型是将不同用户的特征信息及其信用风险评估结果作为训练样本训练得到的。
可选地,所述风险评估模型为多个,且每一风险评估模型对应一种用户类别,其中,所述用户类别是根据用户的历史征信信息划分得到的;其中,每一所述风险评估模型是根据以下方式建立的:获取属于同一用户类别的多个用户的历史特征信息;针对每一用户,根据该用户的历史特征信息和该用户类别对应的预设信用风险评估规则,确定该类用户的信用风险评估结果;将该用户类别中的各个用户的历史特征信息及其对应的信用风险评估结果作为训练样本对逻辑回归模型进行训练,得到该用户类别对应的风险评估模型;所述将所述特征信息输入预先建立的风险评估模型,包括:根据所述目标用户的特征信息,确定所述目标用户所属的用户类别;将所述目标用户的特征信息输入与该用户类别对应的风险评估模型中。
可选地,在所述将所述特征信息输入预先建立的风险评估模型之前,还包括:判断所述目标用户是否符合预设的准入规则;所述将所述特征信息输入预先建立的风险评估模型,包括:若确定所述目标用户符合所述准入规则,则将所述特征信息输入所述风险评估模型。
可选地,所述方法还包括:至少根据所述目标用户的信用风险评估结果,确定所述目标用户的信用额度信息;根据所述信用额度信息,确定为所述目标用户推送的信贷产品信息。
可选地,所述至少根据所述目标用户的信用风险评估结果,确定所述目标用户的信用额度信息,包括:根据所述目标用户的信用风险评估结果,确定所述目标用户的违约概率等级;根据所述目标用户的违约概率等级,以及违约概率等级与信用额度信息之间的预设对应关系,输出所述目标用户的信用额度信息。
可选地,所述至少根据所述目标用户的信用风险评估结果,确定所述目标用户的信用额度信息,包括:根据所述目标用户的特征信息,得到所述目标用户的还款能力特征信息;根据所述还款能力特征信息,得到所述目标用户的还款能力等级;根据所述目标用户的还款能力等级,以及违约概率等级、还款能力等级以及信用额度信息之间的预设对应关系,得到所述目标用户的信用额度信息。
第二方面,本公开提供一种信用风险评估装置,所述装置包括:信息获取模块,用于获取目标用户的特征信息;风险评估模块,用于将所述特征信息输入预先建立的风险评估模型,输出所述目标用户的信用风险评估结果,其中,所述风险评估模型是将不同用户的特征信息及其信用风险评估结果作为训练样本训练得到的。
可选地,所述风险评估模块,包括:获取子模块,用于获取属于同一用户类别的多个用户的历史特征信息;确定子模块,用于针对每一用户,根据该用户的历史特征信息和该用户类别对应的预设信用风险评估规则,确定该类用户的信用风险评估结果;风险评估子模块,用于将该用户类别中的各个用户的历史特征信息及其对应的信用风险评估结果作为训练样本对逻辑回归模型进行训练,得到该用户类别对应的风险评估模型。
所述确定子模块,还用于根据所述目标用户的特征信息,确定所述目标用户所属的用户类别;将所述目标用户的特征信息输入与该用户类别对应的风险评估模型中。
可选地,所述装置还包括:判断模块,用于判断所述目标用户是否符合预设的准入规则;所述风险评估模型,还用于在确定所述目标用户符合所述准入规则时,将所述特征信息输入所述风险评估模型。
可选地,所述装置还包括:结果确定模块,用于至少根据所述目标用户的信用风险评估结果,确定所述目标用户的信用额度信息;信贷模块,用于根据所述信用额度信息,确定为所述目标用户推送的信贷产品信息。
可选地,所述结果确定模块包括:第一结果确定子模块,用于根据所述目标用户的信用风险评估结果,确定所述目标用户的违约概率等级;第二结果确定子模块,用于根据所述目标用户的违约概率等级,以及违约概率等级与信用额度信息之间的预设对应关系,输出所述目标用户的信用额度信息;
所述结果确定模块包括:第三结果确定子模块,用于根据所述目标用户的特征信息,得到所述目标用户的还款能力特征信息;第四结果确定子模块,用于根据所述还款能力特征信息,得到所述目标用户的还款能力等级;第五结果确定子模块,用于根据所述目标用户的还款能力等级,以及违约概率等级、还款能力等级以及信用额度信息之间的预设对应关系,得到所述目标用户的信用额度信息。
第三方面,本公开提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现任一项所述信用风险评估方法的步骤。
第四方面,本公开提供一种电子设备,包括:存储器,其上存储有计算机程序;处理器,用于执行所述存储器中的所述计算机程序,以实现任一项所述信用风险评估方法的步骤。
上述技术方案,至少能够达到以下技术效果:
通过获取目标用户的特征信息,并将所述特征信息输入预先建立的风险评估模型,所述风险评估模型是将不同用户的历史特征信息及其信用风险评估结果作为训练样本训练得到的,进一步的输出所述目标用户的信用风险评估结果,这样,可以根据目标用户的特征信息,通过预先建立的风险评估模型,准确地评估用户的信用风险,提高了评估用户信用风险的准确性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是根据一示例性公开实施例示出的一种信用风险评估方法的流程图。
图2是根据一示例性公开实施例示出的一种信用风险评估方法的流程图。
图3是根据一示例性公开实施例示出的一种信用风险评估方法的流程图。
图4是根据一示例性公开实施例示出的另一种信用风险评估方法的流程图。
图5是根据一示例性实施例示出的一种信用风险评估装置的框图。
图6是根据一示例性实施例示出的一种电子设备框图。
图7是根据一示例性实施例示出的另一种电子设备框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
图1是根据一示例性公开实施例示出的一种信息评估的方法的流程图。
S11、获取目标用户的特征信息。
在具体实施时,所述特征信息可以包括所述目标用户的年龄信息,职业信息,收入信息,***办理及使用信息,征信信息等。
可选地,所述特征信息可以基于所述目标用户的申请信息获取,也可以基于内部数据库获取,还可以基于第三方平台的数据信息库获取,其中,所述第三方平台的数据信息库,是指第三方平台引入的所述目标用户的数据信息,例如,中国人民银行的征信***数据信息库。
在一种可选的实施方式中,首先,基于所述目标用户的申请信息,获取所述目标用户的姓名,年龄,身份证信息,收入信息,职业信息。其次,基于所述申请信息,从内部数据库匹配所述目标用户的历史特征信息,例如,是否办理过***,***使用频率,历史***还款信息。再次,基于所述申请信息,和/或内部数据库匹配的所述目标用户的历史特征信息,引入第三方平台数据信息,例如,中国人民银行的征信***数据信息,获取所述目标用户历史征信信息。
S12、将所述特征信息输入预先建立的风险评估模型,输出所述目标用户的信用风险评估结果。
其中,所述风险评估模型是将不同用户的特征信息及其信用风险评估结果作为训练样本训练得到的。
所述风险评估模型为多个,且每一风险评估模型对应一种用户类别,其中,所述用户类别是根据用户的历史征信信息划分得到的。
每一所述风险评估模型是根据以下方式建立的:
获取属于同一用户类别的多个用户的历史特征信息;
针对每一用户,根据该用户的历史特征信息和该用户类别对应的预设信用风险评估规则,确定该类用户的信用风险评估结果;
将该用户类别中的各个用户的历史特征信息及其对应的信用风险评估结果作为训练样本对逻辑回归模型进行训练,得到该用户类别对应的风险评估模型。
值得说明的是,所述信用风险评估结果,可以是信用风险评估分值,得到不同分值的信用风险评估结果,进一步的,得到不同分值的逻辑回归模型。也可以是信用风险评估等级,得到不同等级的信用风险评估结果。进一步的,得到不同等级的逻辑回归模型。
示例地,首先,获取多个用户的历史特征信息,例如,信用借贷信息,历史***办理及使用信息,根据这些历史特征信息将这些用户划分为有少量***信息,无***信息和无任何信用借贷信息三种类别的客户。
其次,针对每一用户,根据该用户的历史特征信息和该用户类别对应的预设信用风险评估规则,确定该类用户的信用风险评估结果,例如,是否按时、足额还款,出现未按时或者未足额还款,一半以上的次数还款未按时或者未足额。根据每一用户的历史特征信息及其预设的信用风险评估规则,确定该类用户的信用风险评估结果。例如,有少量***信息,对应每次按时,足额还款,则确定该类用户的信用风险评估结果为良;有少量***信息,对应出现过还款时间延后或者金额不足等事件,则确定该类用户的信用风险评估结果为中;有少量***信息,并且一半以上的次数还款时间延后或者金额不足,则确定该类用户的信用风险评估结果为差;无***信息,但是有其他平台的借贷信息,对应每次按时,足额还款,则确定该类用户的信用风险评估结果为良;无***信息,但是有其他平台的借贷信息,对应出现过还款时间延后或者金额不足,则确定该类用户的信用风险评估结果为中;无***信息,但是有其他平台的借贷信息,对应一半以上的次数还款时间延后或者金额不足,则确定该类用户的信用风险评估结果为差;无任何信用借贷信息,对应没有还款信息,则确定该类用户的信用风险评估结果为中。
最后,将该用户类别中的各个用户的历史特征信息及其对应的信用风险评估结果作为训练样本对逻辑回归模型进行训练,得到该用户类别对应的风险评估模型。例如,用户的信用风险评估结果为良,作为训练样本对逻辑回归模型进行训练,则得到类别为良等级的逻辑回归模型;用户的信用风险评估结果为中,作为训练样本对逻辑回归模型进行训练,则得到类别为中等级的逻辑回归模型;用户的信用风险评估结果为差,作为训练样本对逻辑回归模型进行训练,则得到类别为差等级的逻辑回归模型。
在一种可能实现的方式中,所述风险评估模型为不同类别的分值风险评估模型,良的风险评估结果分值为5分,则得到所述逻辑回归模型分值为5分;中的风险评估结果中等评估结果的信用风险评估分值为10分,则得到所述逻辑回归模型分值为10分;差的风险评估结果较差评估结果的信用风险评估分值为15分,则得到所述逻辑回归模型分值为15分。其中,所述风险评估结果的分值越大表示信用风险评估风险越大。
在另一种可能实现的方式中,所述风险评估模型为不同类别的等级风险评估模型,良的风险评估结果等级为低,则得到所述逻辑回归模型等级为低;中的风险评估结果等级为中,则得到所述逻辑回归模型等级为中;差的风险评估结果等级为高,则得到所述逻辑回归模型等级为高良好评估结果的信用风险评估等级为低,中等评估结果的信用风险评估等级为中,较差评估结果的信用风险评估等级为高。
所述将所述特征信息输入预先建立的风险评估模型,包括:
根据所述目标用户的特征信息,确定所述目标用户所属的用户类别;
将所述目标用户的特征信息输入与该用户类别对应的风险评估模型中。
示例地,根据所述目标用户的特征信息,例如,***办理及使用信息,征信信息,确定所述目标用户所述的用户类型。将所述目标用户的特征信息输入与该用户类别对应的风险评估模型中,输出所述目标用户的信用风险评估结果。
可选地,若所述风险评估模型输出不同评估分值,则输出目标用户的信用风险评估分值;若所述风险评估模型输出不同评估等级,则输出目标用户的信用风险评估等级。
示例地,若所述目标用户的特征信息为少量***信息,对应每次按时,足额还款,将所述目标用户的特征信息输入到预先建立的风险评估模型。若预先建立的逻辑回归模型是分值模型,则输入到分值为5分的逻辑回归模型,得到所述目标用户的信用风险评估分值为5分;若预先建立的逻辑回归模型是等级模型,则输入到等级为低的逻辑回归模型,得到所述目标用户的信用风险评估等级为低。
示例地,若所述目标用户的特征信息为无***信息,但是有其他平台的借贷信息,对应一半以上的次数还款时间延后或者金额不足,则将所述目标用户的特征信息输入到预先建立的风险评估模型。若预先建立的逻辑回归模型是分值模型,则输入到分值为15分的逻辑回归模型,得到所述目标用户的信用风险评估分值为15分;若预先建立的逻辑回归模型是等级模型,则输入到等级为高的逻辑回归模型,得到所述目标用户的信用风险评估等级为高。
示例地,若所述目标用户的特征信息为无任何信用借贷信息,将所述目标用户的特征信息输入到预先建立的风险评估模型。若预先建立的逻辑回归模型是分值模型,则输入到分值为10分的逻辑回归模型,得到所述目标用户的信用风险评估分值为10分;若预先建立的逻辑回归模型是等级模型,则输入到等级为中的逻辑回归模型,得到所述目标用户的信用风险评估等级为中。
上述技术方案,至少能够达到以下技术效果:
通过获取目标用户的特征信息,并将所述特征信息输入预先建立的风险评估模型,所述风险评估模型是将不同用户的历史特征信息及其信用风险评估结果作为训练样本训练得到的,进一步的输出所述目标用户的信用风险评估结果,这样,可以根据目标用户的特征信息,通过预先建立的风险评估模型,准确地评估用户的信用风险,提高了评估用户信用风险的准确性。
图2是根据一示例性公开实施例示出的一种信息评估的方法的流程图。
S21、获取目标用户的特征信息。
在具体实施时,所述特征信息可以包括所述目标用户的年龄信息,职业信息,收入信息,***办理及使用信息,征信信息,家庭成员信息等。
可选地,所述特征信息可以基于所述目标用户的申请信息获取,也可以基于内部数据库获取,还可以基于第三方平台的数据信息库获取,其中,所述第三方平台的数据信息库,是指第三方平台引入的所述目标用户的数据信息,例如,中国人民银行的征信***数据信息库。
在一种可选的实施方式中,首先,基于所述目标用户的申请信息,获取所述目标用户的姓名,年龄,身份证信息,收入信息,职业信息。其次,基于所述申请信息,从内部数据库匹配所述目标用户的历史特征信息,例如,是否办理过***,***使用频率,历史***还款信息。再次,基于所述申请信息,和/或内部数据库匹配的所述目标用户的历史特征信息,引入第三方平台数据信息,例如,中国人民银行的征信***数据信息,获取所述目标用户历史征信信息。
S22、判断所述目标用户是否符合预设的准入规则。
示例地,判断所述目标用户是否符合预设的准入规则,可以是判断所述目标用户的年龄是否在预设的准入年龄区间内。
可以理解的是,所述预设的准入规则还可以包括其他信息,并且所述预设的准入规则可以是一个或者多个信息构成的准入规则。
S23、若确定所述目标用户符合所述准入规则,则将所述特征信息输入所述风险评估模型。
示例地,判断所述目标用户是否符合预设的准入规则可以是判断所述目标用户的年龄是否在预设的准入年龄区间内。例如,根据所述特征信息中的年龄信息,判断所述年龄信息是否在预设的准入年龄区间内;若所述年龄信息在预设的准入年龄区间内,则确定所述目标用户符合所述准入规则,进一步的,将所述特征信息输入所述风险评估模型。例如,预设的准入年龄区间是18岁到50岁,若所述目标用户的年龄是27岁,则确定目标用户的年龄信息在预设的注入年龄区间内,进一步的,确定所述目标用户符合所述准入规则,进一步的,将所述特征信息输入所述风险评估模型。
可选地,所述判断所述目标用户是否符合预设的准入规则可以是一个或者多个信息构成的准入规则。
S24、输出所述目标用户的信用风险评估结果。
将所述目标用户的特征信息输入预先建立的风险评估模型,输出所述目标用户的信用风险评估结果。例如,将所述目标用户的特征信息输入到预先建立的逻辑回归模型,输出所述目标用户的信用风险评估结果。
可选地,若所述风险评估模型输出不同评估分值,则输出目标用户的信用风险评估分值;若所述风险评估模型输出不同评估等级,则输出目标用户的信用风险评估等级。
上述技术方案,至少能够达到以下技术效果:
通过获取目标用户的特征信息,并且判断所述目标用户的特征信息是否符合预设的准入规则,若符合预设的准入规则,则将所述特征信息输入预先建立的风险评估模型,所述风险评估模型是将不同用户的历史特征信息及其信用风险评估结果作为训练样本训练得到的,进一步的输出所述目标用户的信用风险评估结果,这样,可以根据目标用户的特征信息,判断所述目标用户的特征信息是否符合预设的准入规则,可以筛选掉不符合准入规则的用户,减少风险评估的工作量,进一步的通过预先建立的风险评估模型,准确地评估用户的信用风险,提高了评估用户信用风险的准确性。
图3是根据一示例性公开实施例示出的一种信息评估的方法的流程图。
S31、获取目标用户的特征信息。
在具体实施时,所述特征信息可以包括所述目标用户的年龄信息,职业信息,收入信息,***办理及使用信息,征信信息,家庭成员信息等。
可选地,所述特征信息可以基于所述目标用户的申请信息获取,也可以基于内部数据库获取,还可以基于第三方平台的数据信息库获取,其中,所述第三方平台的数据信息库,是指第三方平台引入的所述目标用户的数据信息,例如,中国人民银行的征信***数据信息库。
在一种可选的实施方式中,首先,基于所述目标用户的申请信息,获取所述目标用户的姓名,年龄,身份证信息,收入信息,职业信息。其次,基于所述申请信息,从内部数据库匹配所述目标用户的历史特征信息,例如,是否办理过***,***使用频率,历史***还款信息。再次,基于所述申请信息,和/或内部数据库匹配的所述目标用户的历史特征信息,引入第三方平台数据信息,例如,中国人民银行的征信***数据信息,获取所述目标用户历史征信信息。
S32、判断所述目标用户是否符合预设的准入规则。
示例地,判断所述目标用户是否符合预设的准入规则可以是判断所述目标用户的年龄是否在预设的准入年龄区间内。
可以理解的是,所述预设的准入规则还可以包括其他信息,并且所述预设的准入规则可以是一个或者多个信息构成的准入规则。
S33、若确定所述目标用户符合所述准入规则,则将所述特征信息输入所述风险评估模型。
示例地,判断所述目标用户是否符合预设的准入规则可以是判断所述目标用户的年龄是否在预设的准入年龄区间内。例如,根据所述特征信息中的年龄信息,判断所述年龄信息是否在预设的准入年龄区间内;若所述年龄信息在预设的准入年龄区间内,则确定所述目标用户符合所述准入规则,进一步的,将所述特征信息输入所述风险评估模型。例如,预设的准入年龄区间是18岁到50岁,若所述目标用户的年龄是27岁,则确定目标用户的年龄信息在预设的注入年龄区间内,进一步的,确定所述目标用户符合所述准入规则,进一步的,将所述特征信息输入所述风险评估模型。
可选地,所述判断所述目标用户是否符合预设的准入规则可以是一个或者多个信息构成的准入规则。
S34、输出所述目标用户的信用风险评估结果。
将所述目标用户的特征信息输入预先建立的风险评估模型,输出所述目标用户的信用风险评估结果。例如,将所述目标用户的特征信息输入到预先建立的逻辑回归模型,输出所述目标用户的信用风险评估结果。
可选地,若所述风险评估模型输出不同评估分值,则输出目标用户的信用风险评估分值;若所述风险评估模型输出不同评估等级,则输出目标用户的信用风险评估等级。
S35、根据所述目标用户的信用风险评估结果,确定所述目标用户的违约概率等级。
可选地,若所述目标用户的信用风险评估结果是评估分值,则确定所述目标用户的违约概率分值;若所述目标用户的信用风险评估结果是评估等级,则确定所述目标用户的违约概率等级。
示例地,所述目标用户的信用风险评估结果是评估等级,则确定所述目标用户的违约概率等级。若所述目标用户信用风险评估等级为低,则确定所述目标用户的违约概率等级为低,若所述目标用户信用风险评估等级为中,则确定所述目标用户的违约概率等级为中,若所述目标用户信用风险评估等级为高,则确定所述目标用户的违约概率等级为高。其中,所述违约概率等级为低表示违约概率小,所述违约概率等级为高表示违约概率大。
S36、根据所述目标用户的违约概率等级,以及违约概率等级与信用额度信息之间的预设对应关系,输出所述目标用户的信用额度信息。
在一种可能实现的方式中,若所述目标用户的信用风险评估结果是评估等级,则确定所述目标用户的违约概率等级。进一步的,根据违约概率等级与信用额度信息之间的预设对应关系,确定所述目标用户的信用额度等级。
示例地,若所述目标用户信用风险评估等级为低,则确定所述目标用户的违约概率等级为低,进一步的,根据违约概率等级与信用额度信息之间的预设对应关系,确定所述目标用户的信用额度等级高;若所述目标用户信用风险评估等级为中,则确定所述目标用户的违约概率等级为中,进一步的,根据违约概率等级与信用额度信息之间的预设对应关系,确定所述目标用户的信用额度等级中;若所述目标用户信用风险评估等级为高,则确定所述目标用户的违约概率等级为高,进一步的,根据违约概率等级与信用额度信息之间的预设对应关系,确定所述目标用户的信用额度等级低。
S37、根据所述信用额度信息,确定为所述目标用户推送的信贷产品信息。
根据所述目标用户的信用风险评估结果评估分值或者评估等级,确定所述目标用户的信用风险大小,进一步的,确定对应所述信用风险大小的信贷产品信息。
示例地,若所述输出目标用户的信用风险评估结果为低,则确定所述目标用户的信用风险较小,进一步的,可以向所述目标用户推送价格较高和/或还款周期较长的信贷产品。例如,若所述输出目标用户的信用风险评估结果是5或者低,则向所述目标用户推送价格在10万,还款周期为12个月的信贷产品。
示例地,若所述输出目标用户的信用风险评估结果为中,则确定所述目标用户的信用风险中等,进一步的,可以向所述目标用户推送价格稍低和/或还款周期稍短的信贷产品。例如,若所述输出目标用户的信用风险评估结果是10或者中,则向所述目标用户推送价格在3万,还款周期为6个月的信贷产品。
示例地,若所述输出目标用户的信用风险评估结果为高,则确定所述目标用户的信用风险较大,进一步的,可以向所述目标用户推送价格较低和/或还款周期短的信贷产品。例如,若所述输出目标用户的信用风险评估结果是15或者高,则向所述目标用户推送价格在1万,还款周期为3个月的信贷产品。
由此,根据所述目标用户的信用风险评估结果,信用风险越小,推送的信贷产品价格越高,每次还款的金额也越大,周期越长;信用风险越大,推送的信贷产品价格越低,每次还款的金额也越小,周期越短。
上述技术方案,至少能够达到以下技术效果:
通过获取目标用户的特征信息,并且判断所述目标用户的特征信息是否符合预设的准入规则,若符合预设的准入规则,则将所述特征信息输入预先建立的风险评估模型,所述风险评估模型是将不同用户的历史特征信息及其信用风险评估结果作为训练样本训练得到的,进一步的输出所述目标用户的信用风险评估结果,这样,可以根据目标用户的特征信息,判断所述目标用户的特征信息是否符合预设的准入规则,可以筛选掉不符合准入规则的用户,减少风险评估的工作量,进一步的通过预先建立的风险评估模型,准确地评估用户的信用风险,提高了评估用户信用风险的准确性。
此外,通过所述目标用户的信用风险评估结果,确定所述目标用户的信用额度信息,确定为所述目标用户推送的信贷产品信息,从而可以提高为所述目标用户推送的信贷产品信息的准确性,减小信用借贷的风险。
图4是根据一示例性公开实施例示出的另一种信息评估的方法的流程图。
S401、获取目标用户的特征信息。
在具体实施时,所述特征信息可以包括所述目标用户的年龄信息,职业信息,收入信息,***办理及使用信息,征信信息,家庭成员信息等。
可选地,所述特征信息可以基于所述目标用户的申请信息获取,也可以基于内部数据库获取,还可以基于第三方平台的数据信息库获取,其中,所述第三方平台的数据信息库,是指第三方平台引入的所述目标用户的数据信息,例如,中国人民银行的征信***数据信息库。
在一种可选的实施方式中,首先,基于所述目标用户的申请信息,获取所述目标用户的姓名,年龄,身份证信息,收入信息,职业信息。其次,基于所述申请信息,从内部数据库匹配所述目标用户的历史特征信息,例如,是否办理过***,***使用频率,历史***还款信息。再次,基于所述申请信息,和/或内部数据库匹配的所述目标用户的历史特征信息,引入第三方平台数据信息,例如,中国人民银行的征信***数据信息,获取所述目标用户历史征信信息。
S402、判断所述目标用户是否符合预设的准入规则。
示例地,判断所述目标用户是否符合预设的准入规则,可以是判断所述目标用户的年龄是否在预设的准入年龄区间内。
可以理解的是,所述预设的准入规则还可以包括其他信息,并且所述预设的准入规则可以是一个或者多个信息构成的准入规则。
S403、若确定所述目标用户符合所述准入规则,则将所述特征信息输入所述风险评估模型。
示例地,判断所述目标用户是否符合预设的准入规则可以是判断所述目标用户的年龄是否在预设的准入年龄区间内。例如,所述判断所述目标用户是否符合预设的准入规则可以是一个或者多个信息构成的准入规则。例如,根据所述特征信息中的月收入信息,判断所述月收入信息是否在预设的准入阈值以上,并且根据所述特征信息中的学历信息,判断所述学历信息是否在预设的准入学历以上。若所述月收入信息在预设的准入阈值以上,并且所述学历信息在预设的准入学历以上,则确定所述目标用户符合所述准入规则,进一步的,将所述特征信息输入所述风险评估模型。
所述风险评估模型是将不同用户的特征信息及其信用风险评估结果作为训练样本训练得到的。
S404、输出所述目标用户的信用风险评估结果。
将所述目标用户的特征信息输入预先建立的风险评估模型,输出所述目标用户的信用风险评估结果。例如,将目标用户的特征信息输入到预先建立的逻辑回归模型,输出所述目标用户的信用风险评估结果。
可选地,若所述风险评估模型输出不同评估分值,则输出目标用户的信用风险评估分值;若所述风险评估模型输出不同评估等级,则输出目标用户的信用风险评估等级。
示例地,若所述风险评估模型输出不同评估分值,良评估结果的信用风险评估分值为5分,中评估结果的信用风险评估分值为10分,差评估结果的信用风险评估分值为15分。其中,分值越大表示风险越大。
示例地,若所述风险评估模型输出不同评估等级,良评估结果的信用风险评估等级为低,中评估结果的信用风险评估等级为中,差评估结果的信用风险评估等级为高。
S405、根据所述目标用户的信用风险评估结果,确定所述目标用户的违约概率等级。
可选地,若所述目标用户的信用风险评估结果是评估分值,则确定所述目标用户的违约概率分值;若所述目标用户的信用风险评估结果是评估等级,则确定所述目标用户的违约概率等级。
示例地,所述目标用户的信用风险评估结果是评估等级,则确定所述目标用户的违约概率等级。若所述目标用户信用风险评估等级为低,则确定所述目标用户的违约概率等级为低,若所述目标用户信用风险评估等级为中,则确定所述目标用户的违约概率等级为中,若所述目标用户信用风险评估等级为高,则确定所述目标用户的违约概率等级为高。其中,所述违约概率等级为低表示违约概率小,所述违约概率等级为高表示违约概率大。
S406、若确定所述目标用户符合所述准入规则,根据所述目标用户的特征信息,得到所述目标用户的还款能力特征信息。
可选地,所述目标用户的还款能力特征信息可以是所述目标用户的工资收入水平,职业信息,是否购买车辆及购买车辆的价格,是否购买住房,购买的住房所在的城市、所在的地段等。
S407、根据所述还款能力特征信息,得到所述目标用户的还款能力等级。
可以理解的是,为提高用户的还款能力等级的准确性,用户的还款能力等级由多项所述还款能力特征信息决定,并且,所述还款能力特征信息项数越多,用户的还款能力等级越准确。
示例地,若目标用户甲月收入5万,购买了车辆,车辆价格20万,购买了住房,住房位于北京市朝阳区,则所述目标用户甲的还款能力等级为A;若目标用户乙月收入5万,购买了车辆,车辆价格20万,购买了住房,住房位于北京市房山区,则所述目标用户乙的还款能力等级为B。其中,所述还款能力等级A表示的还款能力,高于所述还款能力等级B表示的还款能力。此示例用以说明,所述还款能力等级受购买住房的地段影响。
示例地,若目标用户丙月收入5万,购买了车辆,车辆价格10万,购买了住房,住房位于北京市房山区,则所述目标用户丙的还款能力等级为C。其中,所述还款能力等级B表示的还款能力,高于所述还款能力等级C表示的还款能力。此示例用以说明,所述还款能力等级受购买车辆的价格影响。
示例地,若目标用户丁月收入5万,未购买车辆,购买了住房,住房位于北京市房山区,则所述目标用户丁的还款能力等级为D。其中,所述还款能力等级C表示的还款能力,高于所述还款能力等级D表示的还款能力。此示例用以说明,所述还款能力等级受是否购买车辆影响。
示例地,若目标用户戊月收入5万,未购买车辆,未购买住房,则所述目标用户戊的还款能力等级为E。其中,所述还款能力等级D表示的还款能力,高于所述还款能力等级E表示的还款能力。此示例用以说明,所述还款能力等级受是否购买住房影响。
示例地,若目标用户戌月收入2万,未购买车辆,未购买住房,则所述目标用户丁的还款能力等级为F。其中,所述还款能力等级E表示的还款能力,高于所述还款能力等级F表示的还款能力。此示例用以说明,所述还款能力等级受收入水平影响。
示例地,若目标用户戌月收入2万,未购买车辆,未购买住房,所述目标用户戌为事业单位职员,所述目标用户丁的还款能力等级为F。若目标用户庚月收入5万,未购买车辆,未购买住房,所述目标用户庚是无底薪推销员,所述目标用户庚的还款能力等级为F。此示例用以说明,所述还款能力等级受职业稳定性影响。
值得说明的是,所述方法并不限制上述步骤S403和步骤S406的先后顺序。执行相应的步骤是相互独立的。
S408、根据所述目标用户的还款能力等级,以及违约概率等级、还款能力等级以及信用额度信息之间的预设对应关系,得到所述目标用户的信用额度信息。
以上述诸多实例为例,所述违约概率等级为低,中,高。所述还款能力等级为A,B,C,D,E,F,其中,从A到F表示的还款能力由高到低,违约概率等级与还款能力等级之间的预设关系可以如下表所示。
以上表的所述违约概率等级,以及所述还款能力等级的组合关系,输出所述目标用户的信用额度信息,其中,a表示用户的信用额度最高,表示用户的信用风险越低,a到h的信用额度逐渐降低,信用风险逐渐升高,h表示用户的信用额度最低,表示用户的信用风险越高。
示例地,若所述目标用户的特征信息为少量***信息,对应每次按时,足额还款,收入5万,购买了车辆,车辆价格20万,购买了住房,住房位于北京市朝阳区,则确定所述目标用户的违约概率等级为低,还款能力等级为A,进一步的,输出所述目标用户的信用额度信息为a。
示例地,若所述目标用户的特征信息为无***信息,但是有其他平台的借贷信息,对应一半以上的次数还款时间延后或者金额不足,月收入5万,未购买车辆,未购买住房,则确定所述目标用户的违约概率等级为高,还款能力等级为E,进一步的,输出所述目标用户的信用额度信息为g。
示例地,若所述目标用户的特征信息为无任何信用借贷信息,月收入5万,购买了车辆,车辆价格10万,购买了住房,住房位于北京市房山区,则确定所述目标用户的违约概率等级为中,还款能力等级为C,进一步的,输出所述目标用户的信用额度信息为d。
S409、根据所述信用额度信息,确定为所述目标用户推送的信贷产品信息。
根据所述目标用户的信用额度信息,确定对应所述信用风险大小的信贷产品信息。所述目标用户的信用额度越高,可以向所述目标用户推送价格较高和/或还款周期较长的信贷产品;所述目标用户的信用额度越低,可以向所述目标用户推送价格较低和/或还款周期较短的信贷产品。
示例地,若所述目标用户的信用额度信息为a,可以向所述目标用户推送价格在10万,还款周期为12个月的信贷产品;若所述目标用户的信用额度信息为b,可以向所述目标用户推送价格在9万,还款周期为12个月的信贷产品;若所述目标用户的信用额度信息为c,可以向所述目标用户推送价格在8万,还款周期为12个月的信贷产品;若所述目标用户的信用额度信息为d,可以向所述目标用户推送价格在7万,还款周期为12个月的信贷产品;若所述目标用户的信用额度信息为e,可以向所述目标用户推送价格在6万,还款周期为12个月的信贷产品,或者,可以向所述目标用户推送价格在3万,还款周期为6个月的信贷产品;若所述目标用户的信用额度信息为f,可以向所述目标用户推送价格在5万,还款周期为12个月的信贷产品,或者,可以向所述目标用户推送价格在2.5万,还款周期为6个月的信贷产品;若所述目标用户的信用额度信息为g,可以向所述目标用户推送价格在2万,还款周期为6个月的信贷产品,或者,可以向所述目标用户推送价格在1万,还款周期为3个月的信贷产品;若所述目标用户的信用额度信息为g,可以向所述目标用户推送价格在5000块,还款周期为3个月的信贷产品。
由此,所述目标用户的信用额度越高,推送的信贷产品价格越高,每次还款的金额也越大,周期越长;所述目标用户的信用额度越高,每次还款的金额也越小,周期越短。
通过获取目标用户的特征信息,并且判断所述目标用户的特征信息是否符合预设的准入规则,若符合预设的准入规则,则将所述特征信息输入预先建立的风险评估模型,所述风险评估模型是将不同用户的历史特征信息及其信用风险评估结果作为训练样本训练得到的,进一步的输出所述目标用户的信用风险评估结果,这样,可以根据目标用户的特征信息,判断所述目标用户的特征信息是否符合预设的准入规则,可以筛选掉不符合准入规则的用户,减少风险评估的工作量,进一步的通过预先建立的风险评估模型,准确地评估用户的信用风险,提高了评估用户信用风险的准确性。
此外,通过所述目标用户的信用风险评估结果,确定所述目标用户的信用额度信息,通过所述特征信息确定所述目标用户的还款能力,进一步的,根据所述目标用户的信用额度信息,以及所述目标用户的还款能力,确定为所述目标用户推送的信贷产品信息,进一步的,提高为所述目标用户推送的信贷产品信息的准确性。
图5是根据一示例性实施例示出的一种信用风险评估装置的框图。
如图5所示,所述装置500包括:信息获取模块510,风险评估模块520。
所述信息获取模块510,用于获取目标用户的特征信息;
所述风险评估模块520,用于将所述特征信息输入预先建立的风险评估模型,输出所述目标用户的信用风险评估结果,其中,所述风险评估模型是将不同用户的特征信息及其信用风险评估结果作为训练样本训练得到的。
通过获取目标用户的特征信息,并将所述特征信息输入预先建立的风险评估模型,所述风险评估模型是将不同用户的历史特征信息及其信用风险评估结果作为训练样本训练得到的,进一步的输出所述目标用户的信用风险评估结果,这样,可以根据目标用户的特征信息,通过预先建立的风险评估模型,准确地评估用户的信用风险,提高了评估用户信用风险的准确性。
可选地,所述风险评估模块520,包括:
获取子模块,用于获取属于同一用户类别的多个用户的历史特征信息。
确定子模块,用于针对每一用户,根据该用户的历史特征信息和该用户类别对应的预设信用风险评估规则,确定该类用户的信用风险评估结果。
风险评估子模块,用于将该用户类别中的各个用户的历史特征信息及其对应的信用风险评估结果作为训练样本对逻辑回归模型进行训练,得到该用户类别对应的风险评估模型。
所述确定子模块,还用于根据所述目标用户的特征信息,确定所述目标用户所属的用户类别;将所述目标用户的特征信息输入与该用户类别对应的风险评估模型中。
可选地,所述装置还包括:判断模块,用于判断所述目标用户是否符合预设的准入规则;所述风险评估模型,还用于在确定所述目标用户符合所述准入规则时,将所述特征信息输入所述风险评估模型。
可选地,所述装置还包括:结果确定模块,用于至少根据所述目标用户的信用风险评估结果,确定所述目标用户的信用额度信息;信贷模块,用于根据所述信用额度信息,确定为所述目标用户推送的信贷产品信息。
可选地,所述结果确定模块包括:第一结果确定子模块,用于根据所述目标用户的信用风险评估结果,确定所述目标用户的违约概率等级;第二结果确定子模块,用于根据所述目标用户的违约概率等级,以及违约概率等级与信用额度信息之间的预设对应关系,输出所述目标用户的信用额度信息。
所述结果确定模块包括:第三结果确定子模块,用于根据所述目标用户的特征信息,得到所述目标用户的还款能力特征信息;第四结果确定子模块,用于根据所述还款能力特征信息,得到所述目标用户的还款能力等级;第五结果确定子模块,用于根据所述目标用户的还款能力等级,以及违约概率等级、还款能力等级以及信用额度信息之间的预设对应关系,得到所述目标用户的信用额度信息。
本公开实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所信用风险评估方法的步骤。
本公开实施例还提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现所述信用风险评估方法的步骤。
图6是根据一示例性实施例示出的一种电子设备的框图。如图6所示,该电子设备600可以包括:处理器610,存储器620。该电子设备600还可以包括多媒体组件630,输入/输出(I/O)接口640,以及通信组件650中的一者或多者。
其中,处理器610用于控制电子设备600的整体操作,以完成上述的信用风险评估方法中的全部或部分步骤。存储器620用于存储各种类型的数据以支持在该电子设备600的操作,这些数据例如可以包括用于在该电子设备600上操作的任何应用程序或方法的指令,以及指令相关的数据,例如本公开实施例中的信用风险评估方法需要的申请信息数据、征信信息数据等。该存储器620可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件630可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器620或通过通信组件650发送。音频组件还包括至少一个扬声器,用于输出音频信号。输入/输出(I/O)接口640为处理器610和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件650用于该电子设备600与其他设备之间进行有线或无线通信。所述无线通信,例如Wi-Fi,蓝牙,近场通信(Near Field Communication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件650可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,电子设备600可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的信用风险评估方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的风险的方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器620,上述程序指令可由电子设备600的处理器610执行以完成上述的信用风险评估方法。
在可能的方式中,该电子设备的框图可以如图7所示。参照图7,该电子设备700可以被提供为一服务器。参照图7,电子设备700包括处理器710,其数量可以为一个或多个,以及存储器720,用于存储可由处理器710执行的计算机程序。存储器720中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器710可以被配置为执行该计算机程序,以执行上述信用风险评估方法中服务器所执行的步骤。
另外,电子设备700还可以包括电源组件730和通信组件740,该电源组件730可以被配置为执行电子设备700的电源管理,该通信组件740可以被配置为实现电子设备700的通信,例如,有线或无线通信。此外,该电子设备700还可以包括输入/输出(I/O)接口750。电子设备700可以操作基于存储在存储器720的操作***,例如Windows ServerTM,Mac OSXTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述信用风险评估方法中服务器所执行的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器720,上述程序指令可由电子设备700的处理器710执行以完成上述信用风险评估方法的步骤。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (10)
1.一种信用风险评估方法,其特征在于,包括:
获取目标用户的特征信息;
将所述特征信息输入预先建立的风险评估模型,输出所述目标用户的信用风险评估结果,其中,所述风险评估模型是将不同用户的特征信息及其信用风险评估结果作为训练样本训练得到的。
2.根据权利要求1所述的方法,其特征在于,所述风险评估模型为多个,且每一风险评估模型对应一种用户类别,其中,所述用户类别是根据用户的历史征信信息划分得到的;
其中,每一所述风险评估模型是根据以下方式建立的:
获取属于同一用户类别的多个用户的历史特征信息;
针对每一用户,根据该用户的历史特征信息和该用户类别对应的预设信用风险评估规则,确定该类用户的信用风险评估结果;
将该用户类别中的各个用户的历史特征信息及其对应的信用风险评估结果作为训练样本对逻辑回归模型进行训练,得到该用户类别对应的风险评估模型;
所述将所述特征信息输入预先建立的风险评估模型,包括:
根据所述目标用户的特征信息,确定所述目标用户所属的用户类别;
将所述目标用户的特征信息输入与该用户类别对应的风险评估模型中。
3.根据权利要求1所述的方法,其特征在于,在所述将所述特征信息输入预先建立的风险评估模型之前,还包括:
判断所述目标用户是否符合预设的准入规则;
所述将所述特征信息输入预先建立的风险评估模型,包括:
若确定所述目标用户符合所述准入规则,则将所述特征信息输入所述风险评估模型。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
至少根据所述目标用户的信用风险评估结果,确定所述目标用户的信用额度信息;
根据所述信用额度信息,确定为所述目标用户推送的信贷产品信息。
5.根据权利要求4所述的方法,其特征在于,所述至少根据所述目标用户的信用风险评估结果,确定所述目标用户的信用额度信息,包括:
根据所述目标用户的信用风险评估结果,确定所述目标用户的违约概率等级;
根据所述目标用户的违约概率等级,以及违约概率等级与信用额度信息之间的预设对应关系,输出所述目标用户的信用额度信息。
6.根据权利要求4所述的方法,其特征在于,所述至少根据所述目标用户的信用风险评估结果,确定所述目标用户的信用额度信息,包括:
根据所述目标用户的特征信息,得到所述目标用户的还款能力特征信息;
根据所述还款能力特征信息,得到所述目标用户的还款能力等级;
根据所述目标用户的还款能力等级,以及违约概率等级、还款能力等级以及信用额度信息之间的预设对应关系,得到所述目标用户的信用额度信息。
7.一种信用风险评估装置,其特征在于,所述装置包括:
信息获取模块,用于获取目标用户的特征信息;
风险评估模块,用于将所述特征信息输入预先建立的风险评估模型,输出所述目标用户的信用风险评估结果,其中,所述风险评估模型是将不同用户的特征信息及其信用风险评估结果作为训练样本训练得到的。
8.根据权利要求7所述的装置,其特征在于,所述风险评估模块,包括:
获取子模块,用于获取属于同一用户类别的多个用户的历史特征信息;
确定子模块,用于针对每一用户,根据该用户的历史特征信息和该用户类别对应的预设信用风险评估规则,确定该类用户的信用风险评估结果;
风险评估子模块,用于将该用户类别中的各个用户的历史特征信息及其对应的信用风险评估结果作为训练样本对逻辑回归模型进行训练,得到该用户类别对应的风险评估模型;
所述确定子模块,还用于根据所述目标用户的特征信息,确定所述目标用户所属的用户类别;将所述目标用户的特征信息输入与该用户类别对应的风险评估模型中。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910824927.XA CN110610412A (zh) | 2019-09-02 | 2019-09-02 | 信用风险评估方法和装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910824927.XA CN110610412A (zh) | 2019-09-02 | 2019-09-02 | 信用风险评估方法和装置、存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110610412A true CN110610412A (zh) | 2019-12-24 |
Family
ID=68892154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910824927.XA Pending CN110610412A (zh) | 2019-09-02 | 2019-09-02 | 信用风险评估方法和装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110610412A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353873A (zh) * | 2020-02-18 | 2020-06-30 | 随手(北京)信息技术有限公司 | 用户信用额度的评估方法、***、服务器及存储介质 |
CN111369346A (zh) * | 2020-03-17 | 2020-07-03 | 深圳市随手金服信息科技有限公司 | 用户信用的评估方法、装置、服务器和存储介质 |
CN111583024A (zh) * | 2020-05-08 | 2020-08-25 | 南京甄视智能科技有限公司 | 信用评估方法、装置、存储介质及服务器 |
CN111652504A (zh) * | 2020-06-01 | 2020-09-11 | 泰康保险集团股份有限公司 | 数据处理装置 |
CN111897709A (zh) * | 2020-07-31 | 2020-11-06 | 上海连尚网络科技有限公司 | 监控用户的方法、装置、电子设备及介质 |
CN112215702A (zh) * | 2020-10-14 | 2021-01-12 | 深圳市欢太科技有限公司 | 信用风险的评估方法、移动终端及计算机存储介质 |
CN112396310A (zh) * | 2020-11-12 | 2021-02-23 | 上海京滴信用管理有限公司 | 一种基于机器学习的社会信用风险评估*** |
CN112950347A (zh) * | 2021-02-01 | 2021-06-11 | 大箴(杭州)科技有限公司 | 资源数据处理的优化方法及装置、存储介质、终端 |
CN112991052A (zh) * | 2021-04-25 | 2021-06-18 | 大箴(杭州)科技有限公司 | 还款能力评估方法及装置 |
CN112990707A (zh) * | 2021-03-12 | 2021-06-18 | 深圳工盟科技有限公司 | 施工风险评估方法、装置、设备及存储介质 |
CN113177047A (zh) * | 2021-04-23 | 2021-07-27 | 上海晓途网络科技有限公司 | 数据的回溯方法、装置、电子设备及存储介质 |
CN113313587A (zh) * | 2021-06-29 | 2021-08-27 | 平安资产管理有限责任公司 | 基于人工智能的信用风险分析方法、装置、设备和介质 |
CN113379534A (zh) * | 2021-06-11 | 2021-09-10 | 重庆农村商业银行股份有限公司 | 一种风险评估方法、装置、设备及存储介质 |
CN113487403A (zh) * | 2021-06-29 | 2021-10-08 | 百维金科(上海)信息科技有限公司 | 一种信用风险评估***、方法、设备及介质 |
CN113793152A (zh) * | 2021-07-16 | 2021-12-14 | 数字驱动(福州)科技有限责任公司 | 一种基于互联网账户的个人用户风险评估方法及*** |
CN115759733A (zh) * | 2022-10-18 | 2023-03-07 | 广州越秀融资租赁有限公司 | 基于业务事件的用户违约风险确定方法、装置、介质及设备 |
CN116468540A (zh) * | 2023-04-13 | 2023-07-21 | 苏银凯基消费金融有限公司 | 基于大数据的消费金融客群风险识别***及其方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971338A (zh) * | 2017-04-26 | 2017-07-21 | 北京趣拿软件科技有限公司 | 数据评估的方法和装置 |
US20180330437A1 (en) * | 2014-08-07 | 2018-11-15 | Syml Systems Inc. | System and method for online evaluation and underwriting of loan products |
CN109993652A (zh) * | 2019-02-20 | 2019-07-09 | 复旦大学 | 一种借贷信用风险评估方法及装置 |
CN110060068A (zh) * | 2019-02-14 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 商户评估方法、装置、电子设备及可读存储介质 |
-
2019
- 2019-09-02 CN CN201910824927.XA patent/CN110610412A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180330437A1 (en) * | 2014-08-07 | 2018-11-15 | Syml Systems Inc. | System and method for online evaluation and underwriting of loan products |
CN106971338A (zh) * | 2017-04-26 | 2017-07-21 | 北京趣拿软件科技有限公司 | 数据评估的方法和装置 |
CN110060068A (zh) * | 2019-02-14 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 商户评估方法、装置、电子设备及可读存储介质 |
CN109993652A (zh) * | 2019-02-20 | 2019-07-09 | 复旦大学 | 一种借贷信用风险评估方法及装置 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353873A (zh) * | 2020-02-18 | 2020-06-30 | 随手(北京)信息技术有限公司 | 用户信用额度的评估方法、***、服务器及存储介质 |
CN111369346B (zh) * | 2020-03-17 | 2024-05-03 | 深圳市铭数信息有限公司 | 用户信用的评估方法、装置、服务器和存储介质 |
CN111369346A (zh) * | 2020-03-17 | 2020-07-03 | 深圳市随手金服信息科技有限公司 | 用户信用的评估方法、装置、服务器和存储介质 |
CN111583024A (zh) * | 2020-05-08 | 2020-08-25 | 南京甄视智能科技有限公司 | 信用评估方法、装置、存储介质及服务器 |
CN111652504A (zh) * | 2020-06-01 | 2020-09-11 | 泰康保险集团股份有限公司 | 数据处理装置 |
CN111897709A (zh) * | 2020-07-31 | 2020-11-06 | 上海连尚网络科技有限公司 | 监控用户的方法、装置、电子设备及介质 |
CN112215702A (zh) * | 2020-10-14 | 2021-01-12 | 深圳市欢太科技有限公司 | 信用风险的评估方法、移动终端及计算机存储介质 |
CN112396310A (zh) * | 2020-11-12 | 2021-02-23 | 上海京滴信用管理有限公司 | 一种基于机器学习的社会信用风险评估*** |
CN112396310B (zh) * | 2020-11-12 | 2024-05-28 | 上海京滴信用管理有限公司 | 一种基于机器学习的社会信用风险评估*** |
CN112950347A (zh) * | 2021-02-01 | 2021-06-11 | 大箴(杭州)科技有限公司 | 资源数据处理的优化方法及装置、存储介质、终端 |
CN112990707A (zh) * | 2021-03-12 | 2021-06-18 | 深圳工盟科技有限公司 | 施工风险评估方法、装置、设备及存储介质 |
CN113177047A (zh) * | 2021-04-23 | 2021-07-27 | 上海晓途网络科技有限公司 | 数据的回溯方法、装置、电子设备及存储介质 |
CN113177047B (zh) * | 2021-04-23 | 2024-06-07 | 上海晓途网络科技有限公司 | 数据的回溯方法、装置、电子设备及存储介质 |
CN112991052B (zh) * | 2021-04-25 | 2022-01-25 | 大箴(杭州)科技有限公司 | 还款能力评估方法及装置 |
CN112991052A (zh) * | 2021-04-25 | 2021-06-18 | 大箴(杭州)科技有限公司 | 还款能力评估方法及装置 |
CN113379534A (zh) * | 2021-06-11 | 2021-09-10 | 重庆农村商业银行股份有限公司 | 一种风险评估方法、装置、设备及存储介质 |
CN113487403A (zh) * | 2021-06-29 | 2021-10-08 | 百维金科(上海)信息科技有限公司 | 一种信用风险评估***、方法、设备及介质 |
CN113313587A (zh) * | 2021-06-29 | 2021-08-27 | 平安资产管理有限责任公司 | 基于人工智能的信用风险分析方法、装置、设备和介质 |
CN113793152A (zh) * | 2021-07-16 | 2021-12-14 | 数字驱动(福州)科技有限责任公司 | 一种基于互联网账户的个人用户风险评估方法及*** |
CN115759733A (zh) * | 2022-10-18 | 2023-03-07 | 广州越秀融资租赁有限公司 | 基于业务事件的用户违约风险确定方法、装置、介质及设备 |
CN115759733B (zh) * | 2022-10-18 | 2024-05-17 | 广州越秀融资租赁有限公司 | 基于业务事件的用户违约风险确定方法、装置、介质及设备 |
CN116468540A (zh) * | 2023-04-13 | 2023-07-21 | 苏银凯基消费金融有限公司 | 基于大数据的消费金融客群风险识别***及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610412A (zh) | 信用风险评估方法和装置、存储介质和电子设备 | |
CN110766541B (zh) | 贷款风险评估方法、装置、设备及计算机可读存储介质 | |
CN108665159A (zh) | 一种风险评估方法、装置、终端设备及存储介质 | |
CN107993146A (zh) | 金融大数据的风控方法及*** | |
CN109508901A (zh) | 贷款审批任务的分派方法、装置及计算机设备 | |
CN110070430A (zh) | 评估还款风险的方法及装置、存储介质、电子设备 | |
CN110033120A (zh) | 用于为商户提供风险预测赋能服务的方法及装置 | |
CN109325845A (zh) | 一种金融产品智能推荐方法及*** | |
CN110659961A (zh) | 一种用于识别线下商户的方法和装置 | |
CN113034263A (zh) | 一种信贷审批方法、装置、服务器及介质 | |
CN108335188A (zh) | 贷款费率生成方法、服务器及可读存储介质 | |
CN113034046A (zh) | 一种数据风险计量方法、装置、电子设备及存储介质 | |
CN110197426A (zh) | 一种信用评分模型的建立方法、装置及可读存储介质 | |
CN110516713A (zh) | 一种目标群体识别方法、装置及设备 | |
CN114596105A (zh) | 一种充电用户信用的评估方法、装置、设备以及介质 | |
CN110348983B (zh) | 交易信息管理方法及装置、电子设备和非暂态存储介质 | |
CN112907361A (zh) | 一种用于处理贷款申请的方法和装置 | |
CN111047146B (zh) | 一种企业用户的风险识别方法、装置及设备 | |
CN110675136A (zh) | 信息处理方法、装置及设备 | |
CN107172311B (zh) | 业务评估方法及终端设备 | |
CN114240599A (zh) | 贷款测算方法、装置、计算机设备和存储介质 | |
CN114387085A (zh) | 流水数据处理方法、装置、计算机设备和存储介质 | |
Križanováa et al. | Marketing research as a tool of customers contentment determination | |
CN113256401A (zh) | 一种贷前域外用户拦截方法、装置、服务器及存储介质 | |
CN114493821B (zh) | 数据核销方法、装置、计算机设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191224 |
|
RJ01 | Rejection of invention patent application after publication |