CN110766541B - 贷款风险评估方法、装置、设备及计算机可读存储介质 - Google Patents
贷款风险评估方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110766541B CN110766541B CN201910916212.7A CN201910916212A CN110766541B CN 110766541 B CN110766541 B CN 110766541B CN 201910916212 A CN201910916212 A CN 201910916212A CN 110766541 B CN110766541 B CN 110766541B
- Authority
- CN
- China
- Prior art keywords
- data
- loan
- risk
- sub
- loan application
- 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.)
- Active
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 53
- 230000006399 behavior Effects 0.000 claims description 178
- 238000011835 investigation Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 23
- 230000008451 emotion Effects 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000001447 compensatory effect Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 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
本发明公开一种贷款风险评估方法、装置、设备及计算机可读存储介质,所述方法包括:当接收到用户的贷款申请时,读取所述用户的历史行为数据,并根据所述历史行为数据,对所述贷款申请的基础风险进行评估;当所述基础风险评估为合格时,则根据所述历史行为数据,对所述贷款申请的合理性风险进行评估;当所述合理性风险评估为合理时,则根据所述历史行为数据,对所述贷款申请的偿还能力风险进行评估,并在生成所述偿还能力风险的评估结果后,完成所述贷款申请的风险评估。本方案通过大数据分析技术,依据提出贷款申请用户的各方面历史行为数据对贷款申请的欺诈性风险、合理性风险以及偿还能力风险进行逐层评估,确保贷款风险的评估全面准确。
Description
技术领域
本发明主要涉及计算机技术领域,具体地说,涉及一种贷款风险评估方法、装置、设备及计算机可读存储介质。
背景技术
随着网络技术的发展,互联网贷款平台的应用越来越广泛,用户在电脑或手机上就可以提交申请获得贷款;但是互联网贷款给用户贷款带来方便的同时,也给放贷方带来了更多的风险和挑战;各笔贷款中所存在的欺诈性风险、非理性风险,偿还能力风险往往会带来坏账,造成放贷方的损失。
目前,对于通过互联网贷款平台所进行的贷款申请,通常根据提出贷款申请的用户在第三方机构中所评估的征信分进行风险评估,进而决定是否同意该用户的贷款申请。因用户的征信分所反映的是用户相对长期、稳定的信用状态,而不能有效判断用户的欺诈贷款行为、非理性贷款行为或者偿还风险;如此一来,尽管可能用户的征信分较高,但其欺诈贷款行为、非理性贷款行为或者偿还风险仍然会造成放贷方的损失,提高了贷款风险。
发明内容
本发明的主要目的是提供一种贷款风险评估方法、装置、设备及计算机可读存储介质,旨在解决现有技术中对互联网贷款上的贷款风险评估不准确,不能有效控制贷款风险的问题。
为实现上述目的,本发明提供一种贷款风险评估方法,所述贷款风险评估方法包括:
读取所述用户的历史行为数据,并根据所述历史行为数据,对所述贷款申请的基础风险进行评估;
当所述基础风险评估为合格时,则根据所述历史行为数据,对所述贷款申请的合理性风险进行评估;
当所述合理性风险评估为合理时,则根据所述历史行为数据,对所述贷款申请的偿还能力风险进行评估。
优选地,所述根据所述历史行为数据,对所述贷款申请的基础风险进行评估的步骤包括:
对所述历史行为数据进行筛选,确定所述历史行为数据中的贷款词语子数据、第一经济子数据和征信子数据;
根据所述贷款词语子数据、第一经济子数据和征信子数据,确定所述贷款申请的基础风险得分,并将所述基础风险得分和预设基础阈值进行对比,生成第一对比结果;
根据所述第一对比结果,评估所述贷款申请的基础风险。
优选地,所述根据所述贷款词语子数据、第一经济子数据和征信子数据,确定所述贷款申请的基础风险得分的步骤包括:
读取与所述贷款词语子数据、第一经济子数据以及征信子数据分别对应的第一权重值、第二权重值以及第三权重值;
调用预设公式,并将所述贷款词语子数据、第一经济子数据、征信子数据、第一权重值、第二权重值和第三权重值分别传输到所述预设公式中,对所述贷款申请的基础风险得分进行计算。
优选地,所述根据所述历史行为数据,对所述贷款申请的合理性风险进行评估的步骤包括:
对所述历史行为数据进行筛选,确定所述历史行为数据中的情感行为数据,并将所述情感行为数据排列,生成行为数据序列;
调用预设学习模型,并将所述行为数据序列传输到所述预设学习模型中进行分析,生成所述贷款申请的合理性分值;
将所述合理性分值和预设合理阈值进行对比,生成第二对比结果,并根据所述第二对比结果,评估所述贷款申请的合理性风险。
优选地,所述根据所述历史行为数据,对所述贷款申请的偿还能力风险进行评估的步骤包括:
对所述历史行为数据进行筛选,确定所述历史行为数据中的第二经济子数据,并根据所述第二经济子数据,确定所述用户的信用额度数据;
读取所述贷款申请中的申请额度数据和偿还时限数据,并调用与所述偿还时限数据以及所述申请额度数据对应的预设支配阈值;
将所述信用额度数据和所述预设支配阈值对比,生成第三对比结果,并根据所述第三对比结果,评估所述贷款申请的偿还能力风险。
优选地,所述根据所述第二经济子数据,确定所述用户的信用额度数据的步骤包括:
根据预设间隔区间,将各所述第二经济子数据划分为收入子数据和支出子数据;
对各所述收入子数据和支出子数据整合,生成各所述预设间隔区间的间隔信用数据;
对各所述间隔信用数据进行均值化处理,生成所述用户的信用额度数据。
优选地,所述根据所述历史行为数据,对所述贷款申请的偿还能力风险进行评估的步骤之后包括:
若所述偿还能力风险的评估结果的结果等级为一级,则对所述贷款申请进行放款;
若所述偿还能力风险的评估结果的结果等级为二级,则将所述贷款申请转换到人工审核流程;
若所述偿还能力风险的评估结果的结果等级为三级,则对所述贷款申请进行拒绝放款。
此外,为实现上述目的,本发明还提出一种贷款风险评估装置,所述贷款风险评估装置包括:
读取模块,用于读取所述用户的历史行为数据,并根据所述历史行为数据,对所述贷款申请的基础风险进行评估;
第一评估模块,用于当所述基础风险评估为合格时,则根据所述历史行为数据,对所述贷款申请的合理性风险进行评估;
第二评估模块,用于当所述合理性风险评估为合理时,则根据所述历史行为数据,对所述贷款申请的偿还能力风险进行评估。
此外,为实现上述目的,本发明还提出一种贷款风险评估设备,所述贷款风险评估设备包括:存储器、处理器、通信总线以及存储在所述存储器上的贷款风险评估程序;
所述通信总线用于实现处理器和存储器之间的连接通信;
所述处理器用于执行所述贷款风险评估程序,以实现:
读取所述用户的历史行为数据,并根据所述历史行为数据,对所述贷款申请的基础风险进行评估;
当所述基础风险评估为合格时,则根据所述历史行为数据,对所述贷款申请的合理性风险进行评估;
当所述合理性风险评估为合理时,则根据所述历史行为数据,对所述贷款申请的偿还能力风险进行评估。
此外,为实现上述目的,本发明还提供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一个或者一个以上程序,所述一个或者一个以上程序可被一个或者一个以上的处理器执行以用于:
读取所述用户的历史行为数据,并根据所述历史行为数据,对所述贷款申请的基础风险进行评估;
当所述基础风险评估为合格时,则根据所述历史行为数据,对所述贷款申请的合理性风险进行评估;
当所述合理性风险评估为合理时,则根据所述历史行为数据,对所述贷款申请的偿还能力风险进行评估。
本实施例的贷款风险评估方法,在接收到用户的贷款申请时,先对该用户的历史行为数据进行读取,并根据该读取的历史行为数据,对贷款申请的基础风险进行评估;在基础风险评估为合格后,再根据历史行为数据,对贷款申请的合理性风险进行评估;而在合理性风险评估为合理后,则进一步根据历史行为数据,对贷款申请的偿还能力风险进行评估,生成评估结果,完成贷款申请的风险评估。本方案中的基础风险表征了用户所申请贷款具有的欺诈性行为风险,而合理性风险表征了用户所申请贷款具有的非理性行为风险,偿还能力风险表征了用户所申请贷款具有的偿还风险;只有在基础风险评估为合格后,才进行合理性风险评估,而在合理性风险评估为合理后,才进行偿还风险能力评估;通过逐层的方式对贷款申请的风险进行全面评估,使得贷款风险评估更为准确,避免了贷款申请过程中的欺诈性行为、非理性行为和偿还能力风险,可有效控制贷款风险。
附图说明
图1是本发明的贷款风险评估方法第一实施例的流程示意图;
图2是本发明的贷款风险评估装置第一实施例的功能模块示意图;
图3是本发明实施例方法涉及的硬件运行环境的设备结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明提供一种贷款风险评估方法。
请参照图1,图1为本发明贷款风险评估方法第一实施例的流程示意图。在本实施例中,所述贷款风险评估方法包括:
步骤S10,读取所述用户的历史行为数据,并根据所述历史行为数据,对所述贷款申请的基础风险进行评估;
本发明的贷款风险评估方法应用于服务器,适用于通过服务器对用户所提出的贷款申请进行风险评估,且评估依据用户在贷款申请前一段时间内的出行行为、购物行为、即时通信行为、经济行为等各种行为所生成的历史行为数据进行。具体地,服务器与多个第三方平台通信连接,在接收到用户的贷款申请时,服务器读取贷款申请中的用户身份信息,并发送与各个第三方平台的通信请求,以依据身份信息请求从各个第三方平台中获取与该用户相关的在一定时间范围内的历史行为数据。该一定时间范围可通过实验设定,如一个季度、半年等,以使得所获得的历史行为数据在充分、准确反映用户特征的同时,避免所处理的历史行为数据过大,而消耗服务器的大量资源。其中第三方平台可以是即时通信平台、支付平台、购物平台、出行平台、理财平台、银行平台等,相对于各个第三方平台所获取的历史行为数据包括即时通信数据、收入数据、支出数据、购物数据、出行数据和征信数据等。
历史行为数据中的即时通信数据存在表征用户对贷款偿还态度的数据,和表征用户私下向其他人员进行借款以及对该类借款偿还情况的数据,而征信数据表征了用户的信用情况;其中贷款偿还态度包括及时积极还款的正向态度和故意拖欠的负向态度,对私下其他人员借款的偿还情况主要涉及到催收逾期情况,信用情况主要涉及到历史贷款中的逾期次数。当所表征的贷款偿还态度中的负向态度程度越高,催款逾期情况越严重,历史贷款中的逾期次数越多;则说明用户存在恶意拖欠还款的可能性越大,或者用户存在将申请的贷款用于偿还其私下向其他人员所借款项的可能性;将该类行为作为贷款申请中的欺诈性行为,通过历史行为数据中与该欺诈性行为相关的数据,对欺诈性行为进行评估。因贷款申请只有确保在非欺诈性的情况下,才能进行后续其他的方面的评估,是贷款申请过程中的基础评估;从而将欺诈性行为的评估做为基础风险进行评估,即根据历史行为数据,实现对贷款申请中的基础风险进行评估。
步骤S20,当所述基础风险评估为合格时,则根据所述历史行为数据,对所述贷款申请的合理性风险进行评估;
进一步地,为了确保放贷方所放款资金的安全性,将基础风险的评估结果设定为合格和不合格两种;当经评估确定基础风险较高,用户的贷款申请为欺诈性行为的可能性较大时,则将基础风险的评估结果确定为不合格,对用户的该笔贷款申请进行拒绝;当经评估确定基础风险较低,用户的贷款申请为欺诈性行为的可能性较小时,则将基础风险的评估结果确定为合格,对用户的该笔贷款申请继续后续流程的评估。在贷款申请的评估流程中,位于基础风险评估后续的流程为合理性风险评估,当基础风险经评估为合格时,则继续依据历史行为数据,对贷款申请的合理性风险进行评估。具体地,合理性表征用户在理性,而不是在冲动的情感状态下进行贷款的申请操作;用户的情感状态可通过历史行为数据中的即时通信数据进行表征。预先设定表征用户情感状态的预设数据,如用户收款和付款信息、用户主动加好友数和接收好友邀请数、用户发送红包数和接收红包数等;将即时通信数据和该预设数据对比,确定即时通信数据中所具有的情感行为数据;进而依据该情感行为数据,评估贷款申请的合理性风险。
步骤S30,当所述合理性风险评估为合理时,则根据所述历史行为数据,对所述贷款申请的偿还能力风险进行评估。
更进一步地,合理性风险包括合理和不合理两个方面,对于合理表征用户在理性的情况下对贷款进行申请,而对于不合理表征用户在非理性的冲动情况下对贷款进行申请。对于理性的贷款申请,则需要对该笔贷款申请继续后续流程的评估,而对于非理性的贷款申请,则对该笔贷款申请进行拒绝或转由人工进行审核。在贷款申请的评估流程中,位于合理性风险评估后续的流程为偿还能力风险评估,当合理性风险评估为合理时,则继续依据历史行为数据,对贷款申请的偿还能力风险进行评估。具体地,偿还能力风险表征用户对该笔贷款申请的偿还是否具有风险;用户历史行为数据中的收入数据和支出数据,表征了用户可支配的金额数据;从而可通过对历史行为数据进行筛选,筛选出其中的收入数据和支出数据,进而依据该收入数据和支出数据,评估该笔贷款申请的偿还能力风险。在进行偿还能力风险评估,生成评估结果后,则完成贷款申请中所有评估流程的风险评估。
因偿还能力风险在基础风险和合理性风险的基础上进行,即贷款申请在基础风险合格,且合理性风险也合理的情况下才进行偿还能力风险评估;从而偿还能力风险的评估结果表征了贷款申请的风险结果,即在进行偿还能力风险评估后,是否对该笔贷款申请进行放款由偿还能力风险的评估结果决定。具体地,根据历史行为数据,对贷款申请的偿还能力风险进行评估的步骤之后包括:
步骤q1,若所述偿还能力风险的评估结果的结果等级为一级,则对所述贷款申请进行放款;
步骤q2,若所述偿还能力风险的评估结果的结果等级为二级,则将所述贷款申请转换到人工审核流程;
步骤q3,若所述偿还能力风险的评估结果的结果等级为三级,则对所述贷款申请进行拒绝放款。
本实施例中将偿还能力风险的评估结果分为包括一级、二级和三级的三个结果等级;其中一级表征偿还能力风险较低,用户具有较好的经济实力对贷款进行偿还;二级表征偿还能力风险为中等,用户的经济实力勉强可对贷款进行偿还;三级表征偿还能力风险较高,用户的经济实力较差,难以对贷款进行偿还。当经判定偿还能力风险的评估结果的结果等级为一级,则说明风险较低,而对贷款申请进行放款。当经判定偿还能力风险的评估结果的结果等级为二级,则说明风险中等;而将贷款申请转到人工审核流程,由人工对该贷款申请进行进一步的偿还能力风险审核;通过人工的审核来确定是否对该贷款申请进行放款,以确保对贷款风险评估的准确性。当经判定偿还能力风险的评估结果的结果等级为三级,则说明风险较高,从而对该笔贷款申请进行拒绝放款,以避免因用户的还款风险较高而引起的放贷方经济损失。
本实施例的贷款风险评估方法,在接收到用户的贷款申请时,先对该用户的历史行为数据进行读取,并根据该读取的历史行为数据,对贷款申请的基础风险进行评估;在基础风险评估为合格后,再根据历史行为数据,对贷款申请的合理性风险进行评估;而在合理性风险评估为合理后,则进一步根据历史行为数据,对贷款申请的偿还能力风险进行评估,生成评估结果,完成贷款申请的风险评估。本方案中的基础风险表征了用户所申请贷款具有的欺诈性行为风险,而合理性风险表征了用户所申请贷款具有的非理性行为风险,偿还能力风险表征了用户所申请贷款具有的偿还风险;只有在基础风险评估为合格后,才进行合理性风险评估,而在合理性风险评估为合理后,才进行偿还风险能力评估;通过逐层的方式对贷款申请的风险进行全面评估,使得贷款风险评估更为准确,避免了贷款申请过程中的欺诈性行为、非理性行为和偿还能力风险,可有效控制贷款风险。
进一步地,在本发明贷款风险评估方法另一实施例中,所述根据所述历史行为数据,对所述贷款申请的基础风险进行评估的步骤包括:
步骤S11,对所述历史行为数据进行筛选,确定所述历史行为数据中的贷款词语子数据、第一经济子数据和征信子数据;
可理解地,历史行为数据中的即时通信数据涉及到多种类型的数据,为了对基础风险进行评估,需要对即时通信数据进行筛选,确定其中与贷款相关的词语子数据。具体地,该与贷款相关的词语子数据可通过将筛选条件设定为正则表达式进行筛选;预先设定表征与贷款相关的多个预设词语,再将各即时通信数据和该设定的多个预设词语对比,确定各即时通信数据中所包含的预设词语;该包含的预设词语即为即时通信数据中与贷款相关的词语子数据。因从即时通信数据中所筛选出的与贷款相关的词语子数据由用户和其他人员日常沟通所生成的词语,不同词语所体现的用户对贷款偿还的态度不一样;如所筛选的词语数据中多次出现“拖欠”、“延后”、“逾期”、“超期”、“降额”等词语,则说明用户对贷款偿还的态度不积极,处于负向态度;而所筛选的词语数据中多次出现“提前”、“正常”、“偿还”、“升额”等词语,则说明用户对贷款偿还的态度积极,处于正向态度。
进一步地,对与贷款相关的词语子数据中的词语数量进行统计,确定词语总数量,同时对其中涉及到的分别与正向态度和负向态度相关的词语数量统计,确定其中的正向词语数量和负向词语数量;再用正向词语数量、负向词语数量分别和词语总数量做比值,得到正向比值和负向比值;根据正向比值和负向比值的大小关系,即可确定用户的还款态度侧重。当正向比值大于负向比值,则说明用户的还款态度侧重于正向,而当正向比值小于负向比值,则说明用户的还款态度侧重于负向。将所生成的正向比值和负向比值添加到词语子数据中,对词语子数据进行更新,以依据词语子数据对用户的基础风险进行评估。
此外,还从即时通信数据中筛选出与个人经济相关的行为数据以及与各行为数据相关的经济词语,并将该各行为数据以及经济词语作为第一经济子数据。其中行为数据包括向其他人员或组织进行借款的行为,以及所借款项的额度大小;而与该类行为数据相关的经济词语包括表征对该借款催收或逾期相关的词语;将该类行为数据和经济词语一并作为用户历史行为数据中的第一经济子数据,表征用户对其私下向其他人员或组织借款的偿还情况。同时还从历史行为数据中筛选出征信子数据,以表征用户历史借款行为中的逾期情况。
步骤S12,根据所述贷款词语子数据、第一经济子数据和征信子数据,确定所述贷款申请的基础风险得分,并将所述基础风险得分和预设基础阈值进行对比,生成第一对比结果;
进一步地,因词语数子据体现了用户对贷款申请偿还的态度,第一经济子数据表征了用户对其私下借款的偿还情况,征信子数据表征了用户的历史信用情况;在从历史行为数据中筛选出词语子数据、第一经济子数据和征信子数据后,可依据此三项生成贷款申请的基础风险得分,通过基础风险得分的高低来表征用户贷款申请的欺诈性风险高低。当词语子数据所体现的用户对贷款偿还的态度为负向态度、第一经济子数据所体现的用户对其私下借款的偿还情况为拖欠偿还、且征信子数据所体现的用户历史逾期次数较多;则依据此三者所生成的基础风险得分较高,表征用户贷款的欺诈性风险越高,而不能对该用户的贷款申请进行放款。
具体地,根据贷款词语子数据、第一经济子数据和征信子数据,确定贷款申请的基础风险得分的步骤包括:
步骤S121,读取与所述贷款词语子数据、第一经济子数据以及征信子数据分别对应的第一权重值、第二权重值以及第三权重值;
步骤S122,调用预设公式,并将所述贷款词语子数据、第一经济子数据、征信子数据、第一权重值、第二权重值和第三权重值分别传输到所述预设公式中,对所述贷款申请的基础风险得分进行计算。
可理解地,贷款偿还的态度、私下借款的偿还情况以及历史信用情况对贷款申请的基础风险的影响程度不一样;为了表征贷款偿还的态度、私下借款的偿还情况以及历史信用情况对贷款申请的基础风险的影响程度,预先对与贷款偿还态度相关的贷款词语子数据,与私下借款偿还情况的第一经济子数据,以及与历史信用情况相关的征信子数据分别设定第一权重值、第二权重值以及第三权重。同时预先设定用于对基础风险得分进行计算的预设公式,在依据贷款词语子数据、第一经济子数据和征信子数据,确定贷款申请的基础风险得分的过程中,先对分别与贷款词语子数据、第一经济子数据以及征信子数据对应的第一权重值、第二权重值以及第三权重值进行读取;再对预设公式进行调用,将贷款词语子数据、第一经济子数据、征信子数据、第一权重值、第二权重值和第三权重值分别传输到该预设公式中;通过预设公式的计算,生成贷款申请的基础风险得分。
具体地,预设公式为:W=k1*R(x1)+k2*T(x2,x3,x4)+k3*F(x5);
其中,W为基础风险得分;
R(x1)为用于计算贷款偿还态度得分的函数,x1为贷款词语子数据,k1为第一权重值;
T(x2,x3,x4)为用于计算私下借款偿还情况得分的函数,x2、x3和x4分别表征第一经济子数据中是否有私下借款行为、借款额度以及与私下借款相关的催收或逾期词语,k2为第二权重值;
F(x5)为用于计算历史信用情况得分的函数,x5为征信子数据,k3为第三权重值。
在通过预设公式对基础风险得分进行计算的过程中,先通过R(x1)函数对词语子数据进行计算,得到表征用户对贷款偿还态度的正向比值和负向比值,进而生成正向比值和负向比值之间的大小关系;不同的大小关系所表征的态度侧重程度不相同,预先设置有表征不同态度侧重程度的预设阈值范围。如设定预设阈值范围1~2对应的态度为正向一般,2~5对应的态度为正向较好,5~10对应的态度为正向很好;而设定预设阈值范围-2~-1对应的态度为负向一般,-5~-2对应的态度为负向较差,-10~-5对应的态度为负向很差。同时各个预设阈值范围对应不同的态度分值,将生成的大小关系和预设阈值范围对比,确定大小关系所在的预设阈值范围,该预设阈值范围所对应的态度分值即为用户对贷款偿还态度的分值,即R(x1)函数对词语子数据进行计算所得到的结果。进而用预先设定的表征态度分值对用户基础风险分值影响程度的第一权重值k1,对R(x1)函数的计算结果进行加权处理,即可得到贷款偿还态度得分的大小。其中加权处理后的数值为正数,则表征用户对贷款偿还的态度为负向;且正数的数值越大,负向的程度越大,表征贷款申请所存在的欺诈性风险越高。
同时,对于T(x2,x3,x4)函数,当x2表征用户的第一经济子数据中没有向其他人员或组织进行借款的私下借款行为,则将T(x2,x3,x4)的函数值确定为0;当x2表征用户的第一经济子数据中具有向其他人员或组织进行借款的私下借款行为,则依据x3和x4确定T(x2,x3,x4)的函数值。具体地,预先设定有不同的借款额度以及相关词语数量与偿还分值之间的对应关系,如设定借款额度50万以及相关词语数量在10个以内对应的偿还分值为5,借款额度80万以及相关词语数量在10个到20个之间对应的偿还分值为8,借款额度100万以及相关词语数量在20个到50个之间对应的偿还分值为10等。将所确定的第一经济子数据中的借款额度以及相关词语数量和各个预设的对应关系对比,确定借款额度和相关词语数量所在目标对应关系;该目标对应关系所对应的偿还分值,即为T(x2,x3,x4)函数对第一经济子数据进行计算所得到的结果;用预先设定的表征偿还分值对用户基础风险分值影响程度的第二权重值k2,对T(x2,x3,x4)函数的计算结果进行加权处理,即可得到私下借款偿还情况得分的大小。其中加权处理后的数值越大,表征用户的偿还情况越差,贷款申请的欺诈性风险越高。
此外,F(x5)函数根据征信子数据中用户历史欠款逾期的次数,对用户历史信用情况得分进行计算;具体地,预先设定不同逾期次数与征信分值之间的关联关系,如设定逾期次数在1~2次之间关联的征信分值为2,逾期次数在2~5次之间关联的征信分值为5,逾期次数在5~8次之间关联的征信分值为8等。将所确定的征信数据中的逾期次数和各个预设的关联关系对比,确定逾期次数所在的目标关联关系,该目标关联关系所对应的征信分值,即为F(x5)函数对征信子数据进行计算所得到的结果;用预先设定的表征征信分值对用户基础风险分值影响程度的第三权重值k3,对F(x5)函数的计算结果进行加权处理,即可得到历史信用情况得分的大小。其中加权处理后的数值越大,表征用户的历史信用情况越差,贷款申请的欺诈风险越高。
在用第一权重值、第二权重值和第三权重值分别对R(x1)、T(x2,x3,x4)和F(x5)函数进行加权处理后,对加权处理的结果进行相加,即可得到基础风险得分W。预先设置有表征基础风险得分大小的预设基础阈值,在生成基础风险得分后,将该基础风险得分和预设基础阈值对比,得到表征两者之间大小关系的第一对比结果,依据该第一对比结果即可判断用户贷款申请的基础风险是否合格。
步骤S13,根据所述第一对比结果,评估所述贷款申请的基础风险。
进一步地,预先设定表征基础风险合格的依据,如设定基础风险得分小于预设基础阈值为合格;在生成第一对比结果后,根据第一对比结果所表征的基础得分和预设基础阈值之间的大小关系,即可判断贷款申请的基础风险是否合格。若第一对比结果表征基础得分大于预设基础阈值,则判定基础风险合格,否则若第一对比结果表征基础得分小于或等于基础阈值,则判定基础风险不合格,可能存在欺诈性风险。
进一步地,在本发明贷款风险评估方法另一实施例中,所述根据所述历史行为数据,对所述贷款申请的合理性风险进行评估的步骤包括:
步骤S21,对所述历史行为数据进行筛选,确定所述历史行为数据中的情感行为数据,并将所述情感行为数据排列,生成行为数据序列;
同样地,历史行为数据中的即时通信数据涉及到多种类型的数据,为了对合理性风险进行评估,需要对历史行为数据中的即时通信数据进行筛选,确定其中与合理性相关的情感行为数据,进而由情感行为数据对贷款申请的合理性风险进行评估。具体地,将历史行为数据中的各项即时通信数据和预先设定的表征用户情感状态的预设数据对比,以筛选出历史行为数据中的情感行为数据。此后对各项情感行为数据依据其各自所生成的时间先后顺序进行排序,生成各项情感行为数据的行为数据序列。通过数据序列中各情感行为数据随着时间的变化情况,来反映贷款申请的合理性;如在时间的先后顺序中,作为情感行为数据之一的发送红包数中的红包金额越来越大,则说明用户当前的贷款申请具有不合理因素,而若红包金额越来越小,则说明用户当前的贷款申请趋向于回归理性。
步骤S22,调用预设学习模型,并将所述行为数据序列传输到所述预设学习模型中进行分析,生成所述贷款申请的合理性分值;
进一步地,预先设置有预设学习模型,在生成行为数据序列后,对该预设学习模型进行调用,并将所生成的行为数据序列传输到该预设学习模型中进行分析。预设学习模型通过大量样本数据的训练,生成有各类训练数据序列与分值之间的映射关系;在将行为数据序列传输到预设学习模型中后,调用各映射关系逐一和行为数据序列对比,确定与行为数据序列对应的映射关系;该对应的映射关系所映射的分值,即为与行为数据序列所对应的分值,即表征贷款申请是否理性的合理性分值。
步骤S23,将所述合理性分值和预设合理阈值进行对比,生成第二对比结果,并根据所述第二对比结果,评估所述贷款申请的合理性风险。
更进一步地,为了表征合理性分值的大小,即贷款申请是否合理,预先设置有预设合理阈值,在生成合理性分值后,将该合理性分值和预设合理阈值进行对比,生成表征两者之间大小关系的第二对比结果。预先设定表征合理性风险合理的依据,如设定合理性分值不小于预设合理阈值为合理;根据第二对比结果所表征的合理性分值和预设合理阈值之间的大小关系,即可判断贷款申请的合理性风险是否合理。当第二对比结果所表征的合理性分值大于或等于预设合理阈值,则判定用户的贷款申请是在理性的状态下进行,合理性风险为合理;而当第二对比结果所表征的合理性分值小于预设合理阈值时,则判定用户的贷款申请不是在理性的状态下进行,合理性风险为不合理;从而对该贷款申请进行拒绝,或者发出告警信息,提示放贷方对贷款申请进行人工审核。
进一步地,在本发明贷款风险评估方法另一实施例中,所述根据所述历史行为数据,对所述贷款申请的偿还能力风险进行评估的步骤包括:
步骤S31,对所述历史行为数据进行筛选,确定所述历史行为数据中的第二经济子数据,并根据所述第二经济子数据,确定所述用户的信用额度数据;
考虑到历史行为数据中所涉及到的数据种类众多,为了对偿还能力风险进行评估,需要对历史行为数据进行筛选,确定其中与用户收入数据和支出数据相关的第二经济子数据。具体地,预先设定表征收入的收入关键词和表征支出的支出关键词,并将历史行为数据逐一和各个收入关键词以及支出关键词对比,确定历史行为数据中的目标收入关键词和目标支出关键词;与各目标收入关键词对应的数值即为收入数值,而与各项目标支出关键词对应的数值即为支出数值;由目标收入关键词和收入数值,以及目标支出关键词和支出数值所形成的各项数据即为历史行为数据中的第二经济子数据。因第二经济子数据表征了用户的收入情况和支出情况,从而根据该第二经济子数据可确定用户的信用额度数据,该信用额度数据为用户支配金额、用户资产信息、用户信誉等相关数据,用于表征用户可用于偿还贷款的金额数据。
具体地,根据第二经济子数据,确定用户的信用额度数据的步骤包括:
步骤S311,根据预设间隔区间,将各所述第二经济子数据划分为收入子数据和支出子数据;
可理解地,贷款的偿还通常按月进行,而用户在不同月份中的收入数值和支出数值存在差异性,而导致各月中的第二经济子数据之间存在差异性。为了准确表征用户的第二经济子数据,可将月设置为预设间隔区间,按照各月的预设间隔区间,将各第二经济子数据划分为收入子数据和支出子数据;即将相同月份内的收入子数据划分到一起,同时将相同月份内的支出子数据划分到一致,表征同一月份内的收入子数据和支出子数据
步骤S312,对各所述收入子数据和支出子数据整合,生成各所述预设间隔区间的间隔信用数据;
进一步地,对所划分的各项收入子数据和支出子数据进行整合,生成各预设间隔区间的间隔信用数据。在整合时,以各个预设间隔区间为单位,将各项收入子数据进行相加得到第一相加结果,同时将各项支出子数据进行相加得到第二相加结果,再用各预设间隔区间内的第一相加结果减去第二相加结果,得到各预设间隔区间内的间隔信用数据。
步骤S313,对各所述间隔信用数据进行均值化处理,生成所述用户的信用额度数据。
更进一步地,为了准确表征用户在各预设间隔区间中的信用额度数据,对各预设间隔区间的间隔信用数据进行均值化处理;即将各预设间隔区间中的间隔信用数据进行相加,并用相加的结果和预设间隔区间的个数做比值;比值的结果即为用户的信用额度数据,表征用户可用于偿还贷款的金额数值。
步骤S32,读取所述贷款申请中的申请额度数据和偿还时限数据,并调用与所述偿还时限数据以及所述申请额度数据对应的预设支配阈值;
可理解地,不同用户在贷款申请时所需要的借贷额度不同,且对借款的偿还时限也存在差异性;如用户A所需求的借贷额度为50万,偿还时限为10年,而用户B所需求的借贷额度为100万,偿还时限为20年。不同的借贷额度和偿还时限对用户偿还能力的影响不一样。从而为了评估用户的偿还能力风险,对用户贷款申请中的申请额度数据和偿还时限数据进行读取,其中申请额度数据表征用户贷款申请所需要的借贷额度,偿还时限数据表征用户对该贷款所需求的偿还时限。同时预先针对各个范围内的申请额度以及偿还时限设定预设支配阈值,表征对各种申请额度以各种时限进行偿还所需要的可支配金额数据;如设定申请额度在30万到50万之间,偿还时限为10年,所对应的预设支配阈值不小于5000;而申请额度在50万到100万之间,偿还时限为10年,所对应的预设支配阈值不小于8000等。将读取的申请额度数据和各个预先设定的申请额度范围对比,确定其所在的目标申请额度范围;进而将偿还时限数据和目标申请额度范围所具有的偿还时限对比,确定与偿还时限数据一致的偿还时限。具有该一致的偿还时间的目标申请额度范围所对应的预设支配阈值,即为与偿还时限数据以及申请额度数据对应的预设支配阈值。对该预设支配阈值进行调用,以判断用户的信用额度数据是否到达预设支配阈值所表征需求的可支配金额数据。
步骤S33,将所述信用额度数据和所述预设支配阈值对比,生成第三对比结果,并根据所述第三对比结果,评估所述贷款申请的偿还能力风险。
进一步地,将信用额度数据和预设支配阈值对比,生成表征两者之间大小关系的第三对比结果。预先设定表征具有偿还能力的依据,如设定信用额度数据不小于预设支配阈值为具有偿还能力;根据第三对比结果所表征的信用额度数据和预设支配阈值之间的大小关系,即可判断贷款申请的偿还能力风险。当第三对比结果所表征的信用额度数据大于或等于预设支配阈值,则判定用户所具有的可支配金额足以对其所申请的贷款进行偿还,不存在偿还能力风险;而当第三对比结果所表征的信用额度数据小于预设支配阈值,则判定用户所具有的可支配金额不足以对其所申请的贷款进行偿还,存在偿还能力风险。
考虑到信用额度数据与预设支配阈值之间的大小关系具有不同的大小程度,而不同的大小程度表征用户所具有的可支配金额对其所申请贷款偿还的能力不相同;如设定信用额度数据大于预设支配阈值较大的区间,当第三对比结果在该区间内,则可将偿还能力风险的评估结果的结果等级设定为一级,表征用户具有足够的可支配金额对其所申请的贷款进行偿还;同时设定信用额度数据与预设支配阈值之间数值近似相等的区间,当第三对比结果在该区间内,则可将偿还能力风险的评估结果的结果等级设定为二级,表征用户的可支配金额勉强可对其所申请的贷款进行偿还;此外设定信用额度数据小于预设支配阈值较大的区间,当第三对比结果在该区间内,则可将偿还能力风险的评估结果的结果等级设定为三级,表征用户不具有足够的可支配金额对其所申请的贷款进行偿还。
在对贷款申请的偿还能力风险进行评估,生成评估结果后,可依据该评估结果对用户所申请的贷款进行放款或拒绝放款;因用户的贷款风险由各方面的数据进行多次评估,使得该所评估的贷款风险具有较高的准确性,避免贷款产生坏账,确保回款率。
此外,请参照图2,本发明提供一种贷款风险评估装置,在本发明贷款风险评估装置第一实施例中,所述贷款风险评估装置包括:
读取模块10,用于读取所述用户的历史行为数据,并根据所述历史行为数据,对所述贷款申请的基础风险进行评估;
第一评估模块20,用于当所述基础风险评估为合格时,则根据所述历史行为数据,对所述贷款申请的合理性风险进行评估;
第二评估模块30,用于当所述合理性风险评估为合理时,则根据所述历史行为数据,对所述贷款申请的偿还能力风险进行评估。
本实施例的贷款风险评估装置,在接收到用户的贷款申请时,读取模块10先对该用户的历史行为数据进行读取,并根据该读取的历史行为数据,对贷款申请的基础风险进行评估;在基础风险评估为合格后,第一评估模块20再根据历史行为数据,对贷款申请的合理性风险进行评估;而在合理性风险评估为合理后,第二评估模块30则进一步根据历史行为数据,对贷款申请的偿还能力风险进行评估,生成评估结果,完成贷款申请的风险评估。本方案中的基础风险表征了用户所申请贷款具有的欺诈性行为风险,而合理性风险表征了用户所申请贷款具有的非理性行为风险,偿还能力风险表征了用户所申请贷款具有的偿还风险;只有在基础风险评估为合格后,才进行合理性风险评估,而在合理性风险评估为合理后,才进行偿还风险能力评估;通过逐层的方式对贷款申请的风险进行全面评估,使得贷款风险评估更为准确,避免了贷款申请过程中的欺诈性行为、非理性行为和偿还能力风险,可有效控制贷款风险。
进一步地,在本发明贷款风险评估装置另一实施例中,所述读取模块还包括:
确定单元,用于对所述历史行为数据进行筛选,确定所述历史行为数据中的贷款词语子数据、第一经济子数据和征信子数据;
对比单元,用于根据所述贷款词语子数据、第一经济子数据和征信子数据,确定所述贷款申请的基础风险得分,并将所述基础风险得分和预设基础阈值进行对比,生成第一对比结果;
评估单元,用于根据所述第一对比结果,评估所述贷款申请的基础风险。
进一步地,在本发明贷款风险评估装置另一实施例中,所述对比单元还用于:
读取与所述贷款词语子数据、第一经济子数据以及征信子数据分别对应的第一权重值、第二权重值以及第三权重值;
调用预设公式,并将所述贷款词语子数据、第一经济子数据、征信子数据、第一权重值、第二权重值和第三权重值分别传输到所述预设公式中,对所述贷款申请的基础风险得分进行计算。
进一步地,在本发明贷款风险评估装置另一实施例中,所述第一评估模块还包括:
筛选单元,用于对所述历史行为数据进行筛选,确定所述历史行为数据中的情感行为数据,并将所述情感行为数据排列,生成行为数据序列;
调用单元,用于调用预设学习模型,并将所述行为数据序列传输到所述预设学习模型中进行分析,生成所述贷款申请的合理性分值;
生成单元,用于将所述合理性分值和预设合理阈值进行对比,生成第二对比结果,并根据所述第二对比结果,评估所述贷款申请的合理性风险。
进一步地,在本发明贷款风险评估装置另一实施例中,所述第二评估模块还用于:
对所述历史行为数据进行筛选,确定所述历史行为数据中的第二经济子数据,并根据所述第二经济子数据,确定所述用户的信用额度数据;
读取所述贷款申请中的申请额度数据和偿还时限数据,并调用与所述偿还时限数据以及所述申请额度数据对应的预设支配阈值;
将所述信用额度数据和所述预设支配阈值对比,生成第三对比结果,并根据所述第三对比结果,评估所述贷款申请的偿还能力风险。
进一步地,在本发明贷款风险评估装置另一实施例中,所述第二评估模块还用于:
根据预设间隔区间,将各所述第二经济子数据划分为收入子数据和支出子数据;
对各所述收入子数据和支出子数据整合,生成各所述预设间隔区间的间隔信用数据;
对各所述间隔信用数据进行均值化处理,生成所述用户的信用额度数据。
进一步地,在本发明贷款风险评估装置另一实施例中,所述贷款风险评估装置还包括:
放款模块,用于若所述偿还能力风险的评估结果的结果等级为一级,则对所述贷款申请进行放款;
转换模块,用于若所述偿还能力风险的评估结果的结果等级为二级,则将所述贷款申请转换到人工审核流程;
拒绝模块,用于若所述偿还能力风险的评估结果的结果等级为三级,则对所述贷款申请进行拒绝放款。
其中,上述贷款风险评估装置的各虚拟功能模块存储于图3所示贷款风险评估设备的存储器1005中,处理器1001执行贷款风险评估程序时,实现图2所示实施例中各个模块的功能。
参照图3,图3是本发明实施例方法涉及的硬件运行环境的设备结构示意图。
本发明实施例贷款风险评估设备可以是PC(personal computer,个人计算机),也可以是智能手机、平板电脑、电子书阅读器、便携计算机等终端设备。
如图3所示,该贷款风险评估设备可以包括:处理器1001,例如CPU(CentralProcessing Unit,中央处理器),存储器1005,通信总线1002。其中,通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM(random accessmemory,随机存取存储器),也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,该贷款风险评估设备还可以包括用户接口、网络接口、摄像头、RF(RadioFrequency,射频)电路,传感器、音频电路、WiFi(Wireless Fidelity,无线宽带)模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图3中示出的贷款风险评估设备结构并不构成对贷款风险评估设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图3所示,作为一种计算机可读存储介质的存储器1005中可以包括操作***、网络通信模块以及贷款风险评估程序。操作***是管理和控制贷款风险评估设备硬件和软件资源的程序,支持贷款风险评估程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与贷款风险评估设备中其它硬件和软件之间通信。
在图3所示的贷款风险评估设备中,处理器1001用于执行存储器1005中存储的贷款风险评估程序,实现上述贷款风险评估方法各实施例中的步骤。
本发明提供了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一个或者一个以上程序,所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述贷款风险评估方法各实施例中的步骤。
还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个计算机可读存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (6)
1.一种贷款风险评估方法,其特征在于,所述贷款风险评估方法包括:
读取用户的历史行为数据,并根据所述历史行为数据,对贷款申请的基础风险进行评估;
当所述基础风险评估为合格时,则根据所述历史行为数据,对所述贷款申请的合理性风险进行评估;
当所述合理性风险评估为合理时,则根据所述历史行为数据,对所述贷款申请的偿还能力风险进行评估;
所述根据所述历史行为数据,对所述贷款申请的基础风险进行评估的步骤包括:
对所述历史行为数据进行筛选,确定所述历史行为数据中的贷款词语子数据、第一经济子数据和征信子数据;
根据所述贷款词语子数据、第一经济子数据和征信子数据,确定所述贷款申请的基础风险得分,并将所述基础风险得分和预设基础阈值进行对比,生成第一对比结果;
根据所述第一对比结果,评估所述贷款申请的基础风险;
所述根据所述贷款词语子数据、第一经济子数据和征信子数据,确定所述贷款申请的基础风险得分的步骤包括:
读取与所述贷款词语子数据、第一经济子数据以及征信子数据分别对应的第一权重值、第二权重值以及第三权重值;
调用预设公式,并将所述贷款词语子数据、第一经济子数据、征信子数据、第一权重值、第二权重值和第三权重值分别传输到所述预设公式中,对所述贷款申请的基础风险得分进行计算;
所述预设公式为:
;
式中,W为基础风险得分,R(x1)为用于计算贷款偿还态度得分的函数,x1为贷款词语子数据,k1为第一权重值,T(x2,x3,x4)为用于计算私下借款偿还情况得分的函数,x2、x3和x4分别表征第一经济子数据中是否有私下借款行为、借款额度以及与私下借款相关的催收或逾期词语,k2为第二权重值,F(x5)为用于计算历史信用情况得分的函数,x5为征信子数据,k3为第三权重值;
所述根据所述历史行为数据,对所述贷款申请的合理性风险进行评估的步骤包括:
对所述历史行为数据进行筛选,确定所述历史行为数据中的情感行为数据,并将所述情感行为数据排列,生成行为数据序列;
调用预设学习模型,并将所述行为数据序列传输到所述预设学习模型中进行分析,生成所述贷款申请的合理性分值;
将所述合理性分值和预设合理阈值进行对比,生成第二对比结果,并根据所述第二对比结果,评估所述贷款申请的合理性风险;
所述根据所述历史行为数据,对所述贷款申请的偿还能力风险进行评估的步骤包括:
对所述历史行为数据进行筛选,确定所述历史行为数据中的第二经济子数据,并根据所述第二经济子数据,确定所述用户的信用额度数据;
读取所述贷款申请中的申请额度数据和偿还时限数据,并调用与所述偿还时限数据以及所述申请额度数据对应的预设支配阈值;
将所述信用额度数据和所述预设支配阈值对比,生成第三对比结果,并根据所述第三对比结果,评估所述贷款申请的偿还能力风险。
2.如权利要求1所述的贷款风险评估方法,其特征在于,所述根据所述第二经济子数据,确定所述用户的信用额度数据的步骤包括:
根据预设间隔区间,将各所述第二经济子数据划分为收入子数据和支出子数据;
对各所述收入子数据和支出子数据整合,生成各所述预设间隔区间的间隔信用数据;
对各所述间隔信用数据进行均值化处理,生成所述用户的信用额度数据。
3.如权利要求1-2任一项所述的贷款风险评估方法,其特征在于,所述根据所述历史行为数据,对所述贷款申请的偿还能力风险进行评估的步骤之后包括:
若所述偿还能力风险的评估结果的结果等级为一级,则对所述贷款申请进行放款;
若所述偿还能力风险的评估结果的结果等级为二级,则将所述贷款申请转换到人工审核流程;
若所述偿还能力风险的评估结果的结果等级为三级,则对所述贷款申请进行拒绝放款。
4.一种贷款风险评估装置,其特征在于,所述贷款风险评估装置包括:
读取模块,用于读取用户的历史行为数据,并根据所述历史行为数据,对贷款申请的基础风险进行评估;
第一评估模块,用于当所述基础风险评估为合格时,则根据所述历史行为数据,对所述贷款申请的合理性风险进行评估;
第二评估模块,用于当所述合理性风险评估为合理时,则根据所述历史行为数据,对所述贷款申请的偿还能力风险进行评估;
所述读取模块,还用于对所述历史行为数据进行筛选,确定所述历史行为数据中的贷款词语子数据、第一经济子数据和征信子数据;根据所述贷款词语子数据、第一经济子数据和征信子数据,确定所述贷款申请的基础风险得分,并将所述基础风险得分和预设基础阈值进行对比,生成第一对比结果;根据所述第一对比结果,评估所述贷款申请的基础风险;
所述读取模块,还用于读取与所述贷款词语子数据、第一经济子数据以及征信子数据分别对应的第一权重值、第二权重值以及第三权重值;调用预设公式,并将所述贷款词语子数据、第一经济子数据、征信子数据、第一权重值、第二权重值和第三权重值分别传输到所述预设公式中,对所述贷款申请的基础风险得分进行计算;
其中,所述预设公式为:;
式中,W为基础风险得分,R(x1)为用于计算贷款偿还态度得分的函数,x1为贷款词语子数据,k1为第一权重值,T(x2,x3,x4)为用于计算私下借款偿还情况得分的函数,x2、x3和x4分别表征第一经济子数据中是否有私下借款行为、借款额度以及与私下借款相关的催收或逾期词语,k2为第二权重值,F(x5)为用于计算历史信用情况得分的函数,x5为征信子数据,k3为第三权重值;
所述第一评估模块,还用于对所述历史行为数据进行筛选,确定所述历史行为数据中的情感行为数据,并将所述情感行为数据排列,生成行为数据序列;调用预设学习模型,并将所述行为数据序列传输到所述预设学习模型中进行分析,生成所述贷款申请的合理性分值;将所述合理性分值和预设合理阈值进行对比,生成第二对比结果,并根据所述第二对比结果,评估所述贷款申请的合理性风险;
所述第二评估模块,还用于对所述历史行为数据进行筛选,确定所述历史行为数据中的第二经济子数据,并根据所述第二经济子数据,确定所述用户的信用额度数据;读取所述贷款申请中的申请额度数据和偿还时限数据,并调用与所述偿还时限数据以及所述申请额度数据对应的预设支配阈值;将所述信用额度数据和所述预设支配阈值对比,生成第三对比结果,并根据所述第三对比结果,评估所述贷款申请的偿还能力风险。
5.一种贷款风险评估设备,其特征在于,所述贷款风险评估设备包括:存储器、处理器、通信总线以及存储在所述存储器上的贷款风险评估程序;
所述通信总线用于实现处理器和存储器之间的连接通信;
所述处理器用于执行所述贷款风险评估程序,以实现如权利要求1-3中任一项所述的贷款风险评估方法的步骤。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有贷款风险评估程序,所述贷款风险评估程序被处理器执行时实现如权利要求1-3中任一项所述的贷款风险评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910916212.7A CN110766541B (zh) | 2019-09-25 | 2019-09-25 | 贷款风险评估方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910916212.7A CN110766541B (zh) | 2019-09-25 | 2019-09-25 | 贷款风险评估方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110766541A CN110766541A (zh) | 2020-02-07 |
CN110766541B true CN110766541B (zh) | 2024-07-02 |
Family
ID=69330262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910916212.7A Active CN110766541B (zh) | 2019-09-25 | 2019-09-25 | 贷款风险评估方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766541B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445324A (zh) * | 2020-03-26 | 2020-07-24 | 宁波全致金融科技有限公司 | 一种物流行业小额贷款风控方法、模型及装置 |
CN111429269A (zh) * | 2020-03-31 | 2020-07-17 | 上海德易车信息科技有限公司 | 一种基于大数据的预审批方法、装置、电子设备和存储介质 |
CN111652711A (zh) * | 2020-06-09 | 2020-09-11 | 深圳前海微众银行股份有限公司 | 基于催收数据的贷前分析方法、装置、设备与存储介质 |
CN111784448A (zh) * | 2020-06-24 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 一种商户数据的处理方法及*** |
CN111899025A (zh) * | 2020-07-16 | 2020-11-06 | 中国工商银行股份有限公司 | 用于贷款服务的处理方法和装置 |
CN112991034B (zh) * | 2020-11-30 | 2021-12-24 | 重庆誉存大数据科技有限公司 | 基于模型的小微企业信贷评估方法、设备及存储介质 |
CN113516548A (zh) * | 2021-05-14 | 2021-10-19 | 牛少侠科技(山西)有限公司 | 一种基于区块链的金融借贷方法及*** |
CN113487229A (zh) * | 2021-07-27 | 2021-10-08 | 中国银行股份有限公司 | 贷款风险检测方法及装置 |
CN113506173A (zh) * | 2021-08-06 | 2021-10-15 | 国网电子商务有限公司 | 一种信用风险评估方法及其相关设备 |
CN113689289B (zh) * | 2021-08-26 | 2024-04-30 | 天元大数据信用管理有限公司 | 一种基于银行风险控制的方法及设备 |
CN115187393A (zh) * | 2022-09-14 | 2022-10-14 | 深圳市明源云科技有限公司 | 贷款风险检测方法、装置、电子设备及可读存储介质 |
CN116738481A (zh) * | 2023-06-07 | 2023-09-12 | 湖南君创融信科技有限公司 | 一种基于大数据的安全信贷评估方法及*** |
CN116823451B (zh) * | 2023-08-10 | 2024-03-26 | 杭银消费金融股份有限公司 | 一种信贷风险控制方法与*** |
CN116738258B (zh) * | 2023-08-11 | 2023-11-03 | 西安银信博锐信息科技有限公司 | 基于数据分析的用户关键数据挖掘方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2726790A1 (en) * | 2010-01-13 | 2011-07-13 | Corelogic Information Solutions, Inc. | System and method of detecting and assessing multiple types of risks related to mortgage lending |
CN108564286A (zh) * | 2018-04-19 | 2018-09-21 | 天合泽泰(厦门)征信服务有限公司 | 一种基于大数据征信的人工智能金融风控授信评定方法和*** |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408413A (zh) * | 2016-09-23 | 2017-02-15 | 快睿登信息科技(上海)有限公司 | 一种多循环分期决策的方法及*** |
CN108805689A (zh) * | 2017-04-26 | 2018-11-13 | 腾讯科技(深圳)有限公司 | 一种贷款风险评估控制方法及装置 |
CN109214617A (zh) * | 2017-06-29 | 2019-01-15 | 格局商学教育科技(深圳)有限公司 | 一种互联网金融风险定量评估审核*** |
CN109389486A (zh) * | 2018-08-27 | 2019-02-26 | 深圳壹账通智能科技有限公司 | 贷款风控规则调整方法、装置、设备及计算机存储介质 |
CN109727120A (zh) * | 2018-12-14 | 2019-05-07 | 深圳壹账通智能科技有限公司 | 风险评估模型的测试方法及装置、存储介质、计算机设备 |
CN110009479B (zh) * | 2019-03-01 | 2021-02-19 | 百融云创科技股份有限公司 | 信用评价方法及装置、存储介质、计算机设备 |
CN110135971A (zh) * | 2019-04-15 | 2019-08-16 | 上海良鑫网络科技有限公司 | 基于弱变量数据的信用风险评估***与方法 |
-
2019
- 2019-09-25 CN CN201910916212.7A patent/CN110766541B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2726790A1 (en) * | 2010-01-13 | 2011-07-13 | Corelogic Information Solutions, Inc. | System and method of detecting and assessing multiple types of risks related to mortgage lending |
CN108564286A (zh) * | 2018-04-19 | 2018-09-21 | 天合泽泰(厦门)征信服务有限公司 | 一种基于大数据征信的人工智能金融风控授信评定方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN110766541A (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766541B (zh) | 贷款风险评估方法、装置、设备及计算机可读存储介质 | |
CN110610412A (zh) | 信用风险评估方法和装置、存储介质和电子设备 | |
CN109389486A (zh) | 贷款风控规则调整方法、装置、设备及计算机存储介质 | |
WO2019020095A1 (zh) | 商户评价方法及*** | |
US20130006844A1 (en) | Systems and methods for collateralizing loans | |
CN104965844A (zh) | 信息处理方法及装置 | |
WO2012006192A2 (en) | Systems and methods for underwriting loans | |
CN108876188B (zh) | 一种间连服务商风险评估方法及装置 | |
US20210049721A1 (en) | User security awareness detection method and apparatus | |
CN109658256A (zh) | 风险控制方法、装置、设备及可读存储介质 | |
CN107026848A (zh) | 业务授权方法及装置 | |
Hsu et al. | China's Fintech Explosion: Disruption, Innovation, and Survival | |
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 | |
CN110348981A (zh) | 贷款风控方法及装置、电子设备和计算机可读存储介质 | |
Faia et al. | P2P Lending: Information Externalities, Social Networks and Loans' Substitution | |
CN110046985A (zh) | 数据处理***、方法及终端设备 | |
KR101899217B1 (ko) | 배정 주식 납입대금 대출을 위한 금융 기술 서비스 방법 및 그 장치 | |
CN112907361A (zh) | 一种用于处理贷款申请的方法和装置 | |
CN109118373A (zh) | 企业年金交易方法、装置及计算机可读存储介质 | |
CN115147030A (zh) | 利率评估方法、装置、电子设备及可读存储介质 | |
CN109087195A (zh) | 一种基于职业社交信息的授信方法、用户终端和服务器 | |
CN108346097A (zh) | 一种对用户金融数据的分析方法、装置及终端 | |
CN114240605A (zh) | 贷款测算方法、装置、计算机设备和存储介质 | |
Button et al. | Annual fraud indicator 2016 |
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 | ||
GR01 | Patent grant |