CN111383101B - 贷后风险监控方法、装置、设备及计算机可读存储介质 - Google Patents
贷后风险监控方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111383101B CN111383101B CN202010223221.0A CN202010223221A CN111383101B CN 111383101 B CN111383101 B CN 111383101B CN 202010223221 A CN202010223221 A CN 202010223221A CN 111383101 B CN111383101 B CN 111383101B
- Authority
- CN
- China
- Prior art keywords
- risk
- information
- enterprise
- data
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012544 monitoring process Methods 0.000 title claims abstract description 63
- 238000012806 monitoring device Methods 0.000 title claims abstract description 21
- 238000003066 decision tree Methods 0.000 claims abstract description 86
- 239000013598 vector Substances 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims description 68
- 230000008859 change Effects 0.000 claims description 39
- 238000002372 labelling Methods 0.000 claims description 33
- 238000012937 correction Methods 0.000 claims description 14
- 238000012502 risk assessment Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000011144 upstream manufacturing 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q40/10—Tax strategies
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及金融科技技术领域，公开了一种贷后风险监控方法、装置、设备及计算机可读存储介质。该贷后风险监控方法包括：获取待监控企业的第一属性数据；根据所述第一属性数据构建第一特征向量，并将所述第一特征向量输入至预先训练好的风险评分模型，得到所述待监控企业的第一风险评分；将所述第一属性数据和所述第一风险评分输入至预先训练好的决策树模型，得到风险等级，以基于所述风险等级对所述待监控企业进行监控。本发明能够提高贷后风险监控的及时性和准确性。
Description
技术领域
本发明涉及金融科技(Fintech)技术领域，尤其涉及一种贷后风险监控方法、装置、设备及计算机可读存储介质。
背景技术
随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技(Fintech)转变，但由于金融行业的安全性、实时性要求，也对技术提出了更高的要求。
在对企业进行贷后风险监控时，目前通常是通过人工对企业的风险监控数据进行风险分析。然而，人工分析的模式，对工作人员的数量和专业能力都有一定的要求，导致较高的人力成本开销，且人工分析速度慢、效率低，间接导致调查的频率低，多为半年一次或一年一次，进而导致风险监控的及时性较差；此外，由于人工分析的主观性强，标准难以统一，且风险监控数据的唯一较为单一，导致风险分析结果的准确性较差。
发明内容
本发明的主要目的在于提供一种贷后风险监控方法、装置、设备及计算机可读存储介质，旨在提高贷后风险监控的及时性和准确性。
为实现上述目的，本发明提供一种贷后风险监控方法，所述贷后风险监控方法包括：
获取待监控企业的第一属性数据；
根据所述第一属性数据构建第一特征向量，并将所述第一特征向量输入至预先训练好的风险评分模型，得到所述待监控企业的第一风险评分；
将所述第一属性数据和所述第一风险评分输入至预先训练好的决策树模型，得到风险等级，以基于所述风险等级对所述待监控企业进行监控。
可选地，所述将所述第一特征向量输入至预先训练好的风险评分模型，得到所述待监控企业的第一风险评分的步骤之前，还包括：
获取样本企业的第二属性数据和风险指标信息；
根据所述风险指标信息确定所述样本企业的标注标签；
根据所述第二属性数据和所述标注标签构建第一训练样本集，并通过所述第一训练样本集对预设风险评分模型进行训练，得到训练好的风险评分模型。
可选地，所述风险指标信息为历史最长逾期天数，所述根据所述风险指标信息确定所述样本企业的标注标签的步骤包括：
比较所述历史最长逾期天数与第一预设阈值和第二预设阈值的大小关系，其中，所述第一预设阈值小于所述第二预设阈值；
若所述历史最长逾期天数小于或等于所述第一预设阈值，则确定对应样本企业的标注标签为好样本标签；
若所述历史最长逾期天数大于或等于所述第二预设阈值，则确定对应样本企业的标注标签为坏样本标签。
可选地，所述将所述第一属性数据和所述第一风险评分输入至预先训练好的决策树模型，得到风险等级的步骤之前，还包括：
根据所述第二属性数据构建第二特征向量，并将所述第二特征向量输入至预先训练好的风险评分模型，得到所述样本企业的第二风险评分；
获取所述样本企业的风险等级标签，并根据所述风险等级标签、所述第二属性数据和所述第二风险评分构建第二训练样本集；
根据所述第二训练样本集和预设决策树算法对预设决策树模型进行训练，得到训练好的决策树模型。
可选地，所述根据所述第二训练样本集和预设决策树算法对预设决策树模型进行训练，得到训练好的决策树模型的步骤包括：
根据所述第二训练样本集和预设决策树算法对预设决策树模型进行训练，得到初始决策树模型；
接收模型修正请求，并基于所述模型修正请求对所述初始决策树模型进行修正，得到训练好的决策树模型。
可选地，所述获取待监控企业的第一属性数据的步骤包括：
获取待监控企业的风险数据，所述风险数据包括企业基础信息数据、税务登记变更信息数据、涉税违法违章数据、纳税申报信息数据、税款缴纳信息数据、资产负债表信息数据、利润表信息数据和***数据中的一种或多种；
提取所述风险数据中的目标属性，得到第一属性数据，所述第一属性数据包括公司状态、纳税信用等级、行业、经营范围、地区、法人信息、预设时间段的注册资本变更信息、预设时间段的公司名称变更信息、预设时间段的税收违法信息、预设时间段的企业收入信息、预设时间段的纳税信息、预设时间段的欠缴信息、资产负债信息、利润信息、客户/供应商的年度分布信息、客户/供应商数量中的一种或多种。
可选地，所述贷后风险监控方法还包括：
根据预先设定的风险等级与提醒方式的映射关系，确定所述风险等级对应的提醒方式；
根据所述提醒方式发送对应的风险提醒信息至管理端，并记录所述待监控企业的风险提醒数据，所述风险提醒数据包括风险等级和风险提醒时间；
定期对所述风险提醒数据进行统计，得到风险等级的变化信息；
根据所述风险等级的变化信息生成对应的风险分析报告，并发送至所述管理端。
此外，为实现上述目的，本发明还提供一种贷后风险监控装置，所述贷后风险监控装置包括：
第一获取模块，用于获取待监控企业的第一属性数据；
第一输入模块，用于根据所述第一属性数据构建第一特征向量，并将所述第一特征向量输入至预先训练好的风险评分模型，得到所述待监控企业的第一风险评分；
第二输入模块，用于将所述第一属性数据和所述第一风险评分输入至预先训练好的决策树模型，得到风险等级，以基于所述风险等级对所述待监控企业进行监控。
此外，为实现上述目的，本发明还提供一种贷后风险监控设备，所述贷后风险监控设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的贷后风险监控程序，所述贷后风险监控程序被所述处理器执行时实现如上所述的贷后风险监控方法的步骤。
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上存储有贷后风险监控程序，所述贷后风险监控程序被处理器执行时实现如上所述的贷后风险监控方法的步骤。
本发明提供一种贷后风险监控方法、装置、设备及计算机可读存储介质，通过获取待监控企业的第一属性数据；然后，根据第一属性数据构建第一特征向量，并将第一特征向量输入至预先训练好的风险评分模型，得到待监控企业的第一风险评分；进而，将第一属性数据和第一风险评分输入至预先训练好的决策树模型，得到风险等级，以基于风险等级对待监控企业进行监控。通过上述方式，本发明采用风险评分与多个属性相结合进行多级划分的方式，结合风险评分模型和决策树模型实现了待监控企业风险等级的自动评定，便于对企业进行贷后风险监控，相比于现有技术中通过人工对单一数据源的数据进行处理和分析，本发明可节省人力成本、避免了人工分析的主观性，同时基于多个维度的数据进行风险监控，因此，可提高贷后风险监控的准确性。此外，本发明可根据需要灵活进行定期和非定期监控，从而可提高贷后风险监控的及时性。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图；
图2为本发明贷后风险监控方法第一实施例的流程示意图；
图3为本发明贷后风险监控方法涉及的决策树模型的一流程示意图；
图4为本发明贷后风险监控方法涉及的决策树模型的又一流程示意图；
图5为本发明贷后风险监控装置第一实施例的功能模块示意图。
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仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图。
本发明实施例贷后风险监控设备可以是智能手机，也可以是PC(PersonalComputer，个人计算机)、平板电脑、便携计算机等终端设备。
如图1所示，该贷后风险监控设备可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如Wi-Fi接口)。存储器1005可以是高速RAM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。
本领域技术人员可以理解，图1中示出的贷后风险监控设备结构并不构成对贷后风险监控设备的限定，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1所示，作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块以及贷后风险监控程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的贷后风险监控程序，并执行以下贷后风险监控方法的各个步骤。
基于上述硬件结构，提出本发明贷后风险监控方法的各实施例。
本发明提供一种贷后风险监控方法。
参照图2，图2为本发明贷后风险监控方法第一实施例的流程示意图。
在本实施例中，该贷后风险监控方法包括：
步骤S10，获取待监控企业的第一属性数据；
本实施例的贷后风险监控方法是由贷后风险监控设备实现的，该设备以服务器为例进行说明。
在本实施例中，先获取待监控企业的第一属性数据。具体的，步骤S10包括：
步骤a1，获取待监控企业的风险数据，所述风险数据包括企业基础信息数据、税务登记变更信息数据、涉税违法违章数据、纳税申报信息数据、税款缴纳信息数据、资产负债表信息数据、利润表信息数据和***数据中的一种或多种；
步骤a2，提取所述风险数据中的目标属性，得到第一属性数据，所述第一属性数据包括公司状态、纳税信用等级、行业、经营范围、地区、法人信息、预设时间段的注册资本变更信息、预设时间段的公司名称变更信息、预设时间段的税收违法信息、预设时间段的企业收入信息、预设时间段的纳税信息、预设时间段的欠缴信息、资产负债信息、利润信息、客户/供应商的年度分布信息、客户/供应商数量中的一种或多种。
对于第一属性数据的获取，可先从多个数据源获取待监控企业的风险数据，其中，风险数据包括企业基础信息数据、税务登记变更信息数据、涉税违法违章数据、纳税申报信息数据、税款缴纳信息数据、资产负债表信息数据、利润表信息数据和***数据中的一种或多种。如下表1，对各种风险数据进行了说明，当然，在具体实施例，除上述列举的风险数据外，还可以获取其他风险数据，如表1中的上下游信息数据、客户用款表现、人行征信、多头借贷信息数据、法律诉讼信息数据和工商信息数据等。
然后，提取风险数据中的目标属性，得到第一属性数据，第一属性数据包括公司状态、纳税信用等级、行业、经营范围、地区、法人信息、预设时间段的注册资本变更信息、预设时间段的公司名称变更信息、预设时间段的税收违法信息、预设时间段的企业收入信息、预设时间段的纳税信息、预设时间段的欠缴信息、资产负债信息、利润信息、客户/供应商的年度分布信息、客户/供应商数量中的一种或多种。各目标属性的提取来源可参照下表2。
表1风险数据
表2目标属性
步骤S20，根据所述第一属性数据构建第一特征向量，并将所述第一特征向量输入至预先训练好的风险评分模型，得到所述待监控企业的第一风险评分；
然后，根据第一属性数据构建第一特征向量。由于第一属性数据包括多个，可根据预设顺序生成对应的第一特征向量，例如，第一属性数据的种类包括n个，分别记为1-n，对应的值分别记为x1，x2，……，xn，可构建得到第一特征向量(x1，x2，……，xn)。
进而将该第一特征向量输入至预先训练好的风险评分模型，得到待监控企业的第一风险评分。其中，该风险评分模型的类型可选地为逻辑回归模型，当然，在具体实施时，还可以为其他分类模型，如神经网络模型、XGBoost(eXtreme Gradient Boosting，极端梯度增强)模型，SVM(Support Vector Machine，支持向量机)模型，贝叶斯模型和CNN(Convolutional Neural Networks，卷积神经网络)模型等。其训练过程可参照下述第二实施例，此处不作赘述。
步骤S30，将所述第一属性数据和所述第一风险评分输入至预先训练好的决策树模型，得到风险等级，以基于所述风险等级对所述待监控企业进行监控。
最后，将第一属性数据和第一风险评分输入至预先训练好的决策树模型，得到风险等级，以基于风险等级对待监控企业进行监控，具体的，可基于风险等级采用对应的贷后风险监控策略对待监控企业进行监控。其中，对于风险监控策略的制定，可基于实际情况针对不同的风险等级制定不同的风险监控策略，此处不作具体限定。决策树模型是预先训练好的，其训练过程可参照下述第三实施例，此处不作赘述。
本发明实施例提供一种贷后风险监控方法，通过获取待监控企业的第一属性数据；然后，根据第一属性数据构建第一特征向量，并将第一特征向量输入至预先训练好的风险评分模型，得到待监控企业的第一风险评分；进而，将第一属性数据和第一风险评分输入至预先训练好的决策树模型，得到风险等级，以基于风险等级对待监控企业进行监控。通过上述方式，本发明实施例采用风险评分与多个属性相结合进行多级划分的方式，结合风险评分模型和决策树模型实现了待监控企业风险等级的自动评定，便于对企业进行贷后风险监控，相比于现有技术中通过人工对单一数据源的数据进行处理和分析，本发明实施例可节省人力成本、避免了人工分析的主观性，同时基于多个维度的数据进行风险监控，因此，可提高贷后风险监控的准确性。此外，本发明实施例可根据需要灵活进行定期和非定期监控，从而可提高贷后风险监控的及时性。
进一步的，基于上述第一实施例，提出本发明贷后风险监控方法的第二实施例。
在本实施例中，在上述步骤S20之前，该贷后风险监控方法还包括：
步骤A，获取样本企业的第二属性数据和风险指标信息；
本实施例介绍了风险评分模型的训练过程，具体如下：
先获取样本企业的第二属性数据和风险指标信息，其中，第二属性数据包括公司状态、纳税信用等级、行业、经营范围、地区、法人信息、预设时间段的注册资本变更信息、预设时间段的公司名称变更信息、预设时间段的税收违法信息、预设时间段的企业收入信息、预设时间段的纳税信息、预设时间段的欠缴信息、资产负债信息、利润信息、客户/供应商的年度分布信息、客户/供应商数量中的一种或多种，其所包括的数据类型与第一属性数据相同，其获取过程也与第一属性数据的获取过程相一致，此处不作赘述。风险指标信息可以为历史最长逾期天数，可以基于样本企业的贷款历史信息获取得到。
步骤B，根据所述风险指标信息确定所述样本企业的标注标签；
然后，根据风险指标信息确定样本企业的标注标签。其中，所述风险指标信息为历史最长逾期天数，步骤B包括：
步骤b1，比较所述历史最长逾期天数与第一预设阈值和第二预设阈值的大小关系，其中，所述第一预设阈值小于所述第二预设阈值；
步骤b2，若所述历史最长逾期天数小于或等于所述第一预设阈值，则确定对应样本企业的标注标签为好样本标签；
步骤b3，若所述历史最长逾期天数大于或等于所述第二预设阈值，则确定对应样本企业的标注标签为坏样本标签。
本实施例中，对于标注标签的确定，可基于历史最长逾期天数来确定样本企业的标注标签，具体的，可以比较历史最长逾期天数与第一预设阈值和第二预设阈值的大小关系，其中，第一预设阈值小于第二预设阈值；若历史最长逾期天数小于或等于第一预设阈值，则确定对应样本企业的标注标签为好样本标签，对应的好样本标签可设为1；若历史最长逾期天数大于或等于第二预设阈值，则确定对应样本企业的标注标签为坏样本标签，对应的坏样本标签可设为0。
需要说明的是，在本实施例中，选用历史最长逾期天数作为风险指标信息，是基于工作人员的多次实验确定得到的。此外，通过将历史最长逾期天数与两个预设阈值(第一预设阈值和第二预设阈值)进行比较、以确定样本企业的标注标签，在确定标注标签时，将位于第一预设阈值和第二预设阈值之间(不含端点)的样本企业确定为灰色样本，并进行剔除，相比于只设定单个预设阈值来确定标注标签，可剔除一些干扰样本，更有利于风险评分模型的训练，从而提高风险评分结果的准确性。
步骤C，根据所述第二属性数据和所述标注标签构建第一训练样本集，并通过所述第一训练样本集对预设风险评分模型进行训练，得到训练好的风险评分模型。
在获取到样本企业的第二属性数据和标注标签之后，可根据第二属性数据和标注标签构建第一训练样本集。在构建第一训练样本集时，由于第二属性数据包括多个，可根据预设顺序生成对应的第二特征向量，例如，第二属性数据的种类包括n个，分别记为1-n，对应的值分别记为x’1，x’2，……，x’n，可构建得到第二特征向量(x’1，x’2，……，x’n)，进而基于该第二特征向量和标注标签构建第一训练样本集。
需要说明的是，由于在确定样本企业的标注标签时，舍弃了一部分样本企业，即，有一部分样本企业未被确定标注标签，因此，在根据第二属性数据和标注标签构建第一训练样本集时，同样也不包括未确定标注标签的样本企业的第二属性数据。
进而，通过第一训练样本集对预设风险评分模型进行训练，得到训练好的风险评分模型。其中，预设风险评分模型可选地为逻辑回归模型，当然，在具体实施时，还可以为其他分类模型，如神经网络模型、XGBoost(eXtreme Gradient Boosting，极端梯度增强)模型，SVM(Support Vector Machine，支持向量机)模型，贝叶斯模型和CNN(ConvolutionalNeural Networks，卷积神经网络)模型等。风险评分模型的具体训练过程可参照现有技术，此处不作赘述。
通过上述方式，可训练得到风险评分模型，该模型可用于对企业的贷后风险程度进行自动量化评分，可便于后续对待监控企业进行风险评分、然后结合企业的属性数据确定风险等级以进行风险监控。
进一步的，基于上述第二实施例，提出本发明贷后风险监控方法的第三实施例。
在本实施例中，在上述步骤C之后，且在步骤S30之前，该贷后风险监控方法还包括：
步骤D，根据所述第二属性数据构建第二特征向量，并将所述第二特征向量输入至预先训练好的风险评分模型，得到所述样本企业的第二风险评分；
本实施例介绍了决策树模型的训练过程，具体如下：
先根据样本企业的第二属性数据构建第二特征向量，例如，第二属性数据的种类包括n个，分别记为1-n，对应的值分别记为x’1，x’2，……，x’n，可构建得到第二特征向量(x’1，x’2，……，x’n)，进而将第二特征向量输入至预先训练好的风险评分模型，得到样本企业的第二风险评分。
步骤E，获取所述样本企业的风险等级标签，并根据所述风险等级标签、所述第二属性数据和所述第二风险评分构建第二训练样本集；
然后，获取样本企业的风险等级标签，并根据风险等级标签、第二属性数据和第二风险评分构建第二训练样本集。其中，风险等级标签可以是人为标注得到的，可将样本企业的第二属性数据和第二风险评分发送至工作人员端，以使得工作人员对样本企业进行风险等级标签的标注，进而接收工作人员端返回的样本企业的风险等级标签。
步骤F，根据所述第二训练样本集和预设决策树算法对预设决策树模型进行训练，得到训练好的决策树模型。
在构建得到第二训练样本集之后，根据第二训练样本集和预设决策树算法对预设决策树模型进行训练，得到训练好的决策树模型。其中，预设决策树算法可以为经典C5算法(一种据册数模型算法)或CHAID(chi-squared automatic interaction detection，卡方自动交互检测)算法或QUEST(quick unbiased efficient statistical tree，快速无偏有效统计树)算法，最终得到的决策树模型可以有图3和图4两种类型。
如图3所示，该决策树模型中的属性A、属性B既可以是省份、行业等集合类属性，也可以是收入、年龄等数值类属性，图中的(……)表示省略，此处内容与同层级前后内容类似；a1…an表示两两交集为空集的上级属性取值集合，且a1∪a2∪……∪an＝属性A的取值全集。后续的b1…bm,x1…xi,y1…yj都是类似含义，表示对于上层属性/风险评分的交集为空集的取值集合，其合集为上层属性/风险评分的取值全集。图3中决策树的同一层级均采用同一属性进行分支，且同一属性的取值范围划分方式是统一的。
如图4所示，图4中决策树的同一层级均采用多种属性扩展分支，且同一属性的取值范围划分方式可以有多种，例如，对于属性B，可划分为bm1…bmm、bn1…bnn。bm1…bmm表示交集为空集的属性B取值集合，且他们的并集是属性B的取值全集；bn1…bnn表示交集为空集的属性B取值集合，且他们的并集是属性B的取值全集。当然，在具体实施例中，决策树的同一层级可采用多种属性扩展分支，且同一属性的取值范围划分方式是统一的。
进一步地，步骤F包括：
步骤f1，根据所述第二训练样本集和预设决策树算法对预设决策树模型进行训练，得到初始决策树模型；
步骤f2，接收模型修正请求，并基于所述模型修正请求对所述初始决策树模型进行修正，得到训练好的决策树模型。
需要说明的是，作为决策树模型的其中一种训练方式，可以直接将基于第二训练样本集和预设决策树算法训练得到决策树模型，作为最终的决策树模型，以用于进行确定风险等级。
作为决策树模型的另一种训练方式，还可以在基于第二训练样本集和预设决策树算法训练得到决策树模型之后，对该决策树模型进行进一步的修正优化，将修正优化后的决策树模型作为最终的决策树模型。具体的，根据第二训练样本集和预设决策树算法对预设决策树模型进行训练，得到初始决策树模型；然后，可提醒工作人员进行修正，在接收到工作人员基于该初始决策树模型触发的模型修正请求时，基于该模型修正请求对初始决策树模型进行修正，得到训练好的决策树模型。在修正过程中，可以对各属性的取值范围进行调整，以进一步提高风险等级的评估结果的准确性。
此外，需要说明的是，本实施例中在训练决策树模型时所采用的样本企业与训练风险评分模型时所采用的样本企业是一样的，在具体实施时，还可以重新挑选其他的样本企业来训练决策树模型。
通过上述方式，可训练得到决策树模型，该决策树模型可用于确定企业的风险等级，可便于后续基于该风险等级进行风险监控。
进一步地，基于上述各实施例，提出本发明贷后风险监控方法的第四实施例。
在本实施例中，在步骤S30之后，所述贷后风险监控方法还包括：
步骤G，根据预先设定的风险等级与提醒方式的映射关系，确定所述风险等级对应的提醒方式；
在本实施例中，根据预先设定的风险等级与提醒方式的映射关系，确定风险等级对应的提醒方式。其中，提醒方式包括但不限于提醒手段(如电话、邮件、短信等)、提醒次数和提醒对象等，可基于风险等级所对应的风险严重程度来设定对应的提醒方式，此处不作具体限定。
步骤H，根据所述提醒方式发送对应的风险提醒信息至管理端，并记录所述待监控企业的风险提醒数据，所述风险提醒数据包括风险等级和风险提醒时间；
然后，根据提醒方式发送对应的风险提醒信息至管理端，以及时通知管理人员进行贷后风险监控。同时，为便于管理人员后续了解待监控企业的风险提醒情况，在根据确定的提醒方式发送对应的风险提醒信息至管理端之后，可记录待监控企业的风险提醒数据，其中，风险提醒数据包括风险等级和风险提醒时间。
步骤I，定期对所述风险提醒数据进行统计，得到风险等级的变化信息；
步骤J，根据所述风险等级的变化信息生成对应的风险分析报告，并发送至所述管理端。
定期对风险提醒数据进行统计，得到风险等级的变化信息。其中，统计的周期时长可以是根据实际情况进行设置，如定期可以设定为一个月一次，即以一个月为一个统计周期，还可以设定为一个季度一次。在统计时，可以统计对应统计周期内各风险等级的风险提醒次数、及风险等级的变化情况，即，风险等级的变化信息可以包括各风险等级的风险提醒次数及风险等级的变化情况。进而根据风险等级的变化信息生成对应的风险分析报告，并发送至管理端，以供管理人员进行查看，便于管理人员了解待监控企业的贷后风险的变化情况。
通过上述方式，根据风险等级的严重程度设定不同的提醒方式，以实现分级提醒，使得该贷后风险监控***更加规范化和人性化。此外，通过定期统计风险提醒数据，并生成对应的风险分析报告，以供管理人员进行查看，可便于管理人员了解待监控企业的贷后风险的变化情况。
本发明还提供一种贷后风险监控装置。
参照图5，图5本发明贷后风险监控装置第一实施例的功能模块示意图。
如图5所示，所述贷后风险监控装置包括：
第一获取模块10，用于获取待监控企业的第一属性数据；
第一输入模块20，用于根据所述第一属性数据构建第一特征向量，并将所述第一特征向量输入至预先训练好的风险评分模型，得到所述待监控企业的第一风险评分；
第二输入模块30，用于将所述第一属性数据和所述第一风险评分输入至预先训练好的决策树模型，得到风险等级，以基于所述风险等级对所述待监控企业进行监控。
进一步地，所述贷后风险监控装置还包括：
第二获取模块，用于获取样本企业的第二属性数据和风险指标信息；
标签确定模块，用于根据所述风险指标信息确定所述样本企业的标注标签；
第一训练模块，用于根据所述第二属性数据和所述标注标签构建第一训练样本集，并通过所述第一训练样本集对预设风险评分模型进行训练，得到训练好的风险评分模型。
进一步地，所述风险指标信息为历史最长逾期天数，所述标签确定模块具体用于：
比较所述历史最长逾期天数与第一预设阈值和第二预设阈值的大小关系，其中，所述第一预设阈值小于所述第二预设阈值；
若所述历史最长逾期天数小于或等于所述第一预设阈值，则确定对应样本企业的标注标签为好样本标签；
若所述历史最长逾期天数大于或等于所述第二预设阈值，则确定对应样本企业的标注标签为坏样本标签。
进一步地，所述贷后风险监控装置还包括：
第三输入模块，用于根据所述第二属性数据构建第二特征向量，并将所述第二特征向量输入至预先训练好的风险评分模型，得到所述样本企业的第二风险评分；
样本集构建模块，用于获取所述样本企业的风险等级标签，并根据所述风险等级标签、所述第二属性数据和所述第二风险评分构建第二训练样本集；
第二训练模块，用于根据所述第二训练样本集和预设决策树算法对预设决策树模型进行训练，得到训练好的决策树模型。
进一步地，所述第二训练模块具体用于：
根据所述第二训练样本集和预设决策树算法对预设决策树模型进行训练，得到初始决策树模型；
接收模型修正请求，并基于所述模型修正请求对所述初始决策树模型进行修正，得到训练好的决策树模型。
进一步地，所述第一获取模块10具体用于：
获取待监控企业的风险数据，所述风险数据包括企业基础信息数据、税务登记变更信息数据、涉税违法违章数据、纳税申报信息数据、税款缴纳信息数据、资产负债表信息数据、利润表信息数据和***数据中的一种或多种；
提取所述风险数据中的目标属性，得到第一属性数据，所述第一属性数据包括公司状态、纳税信用等级、行业、经营范围、地区、法人信息、预设时间段的注册资本变更信息、预设时间段的公司名称变更信息、预设时间段的税收违法信息、预设时间段的企业收入信息、预设时间段的纳税信息、预设时间段的欠缴信息、资产负债信息、利润信息、客户/供应商的年度分布信息、客户/供应商数量中的一种或多种。
进一步地，所述贷后风险监控装置还包括：
方式确定模块，用于根据预先设定的风险等级与提醒方式的映射关系，确定所述风险等级对应的提醒方式；
风险提醒模块，用于根据所述提醒方式发送对应的风险提醒信息至管理端，并记录所述待监控企业的风险提醒数据，所述风险提醒数据包括风险等级和风险提醒时间；
数据统计模块，用于定期对所述风险提醒数据进行统计，得到风险等级的变化信息；
报告生成模块，用于根据所述风险等级的变化信息生成对应的风险分析报告，并发送至所述管理端。
其中，上述贷后风险监控装置中各个模块的功能实现与上述贷后风险监控方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质上存储有贷后风险监控程序，所述贷后风险监控程序被处理器执行时实现如以上任一项实施例所述的贷后风险监控方法的步骤。
本发明计算机可读存储介质的具体实施例与上述贷后风险监控方法各实施例基本相同，在此不作赘述。
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***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***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***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，空调器，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，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种贷后风险监控方法，其特征在于，所述贷后风险监控方法包括：
获取待监控企业的第一属性数据；
根据所述第一属性数据构建第一特征向量，并将所述第一特征向量输入至预先训练好的风险评分模型，得到所述待监控企业的第一风险评分，其中，所述风险评分模型包括逻辑回归模型、神经网络模型、极端梯度增强模型、支持向量机模型、贝叶斯模型、卷积神经网络模型中的任意一种；
将所述第一属性数据和所述第一风险评分输入至预先训练好的决策树模型，得到风险等级，以基于所述风险等级对所述待监控企业进行监控；
所述获取待监控企业的第一属性数据的步骤包括：
获取待监控企业的风险数据，所述风险数据包括企业基础信息数据、税务登记变更信息数据、涉税违法违章数据、纳税申报信息数据、税款缴纳信息数据、资产负债表信息数据、利润表信息数据和***数据中的一种或多种；
提取所述风险数据中的目标属性，得到第一属性数据，所述第一属性数据包括公司状态、纳税信用等级、行业、经营范围、地区、法人信息、预设时间段的注册资本变更信息、预设时间段的公司名称变更信息、预设时间段的税收违法信息、预设时间段的企业收入信息、预设时间段的纳税信息、预设时间段的欠缴信息、资产负债信息、利润信息、客户/供应商的年度分布信息、客户/供应商数量中的一种或多种；
所述将所述第一特征向量输入至预先训练好的风险评分模型，得到所述待监控企业的第一风险评分的步骤之前，还包括：
获取样本企业的第二属性数据和风险指标信息，其中，所述第二属性数据包括公司状态、纳税信用等级、行业、经营范围、地区、法人信息、预设时间段的注册资本变更信息、预设时间段的公司名称变更信息、预设时间段的税收违法信息、预设时间段的企业收入信息、预设时间段的纳税信息、预设时间段的欠缴信息、资产负债信息、利润信息、客户/供应商的年度分布信息、客户/供应商数量中的一种或多种；
根据所述风险指标信息确定所述样本企业的标注标签；
根据所述第二属性数据构建第二特征向量，并基于所述第二特征向量和所述标注标签构建第一训练样本集，并通过所述第一训练样本集对预设风险评分模型进行训练，得到训练好的风险评分模型；
所述风险指标信息为历史最长逾期天数，所述根据所述风险指标信息确定所述样本企业的标注标签的步骤包括：
比较所述历史最长逾期天数与第一预设阈值和第二预设阈值的大小关系，其中，所述第一预设阈值小于所述第二预设阈值；
若所述历史最长逾期天数小于或等于所述第一预设阈值，则确定对应样本企业的标注标签为好样本标签；
若所述历史最长逾期天数大于或等于所述第二预设阈值，则确定对应样本企业的标注标签为坏样本标签；
所述将所述第一属性数据和所述第一风险评分输入至预先训练好的决策树模型，得到风险等级的步骤之前，还包括：
根据所述第二属性数据构建第二特征向量，并将所述第二特征向量输入至预先训练好的风险评分模型，得到所述样本企业的第二风险评分；
获取所述样本企业的风险等级标签，并根据所述风险等级标签、所述第二属性数据和所述第二风险评分构建第二训练样本集，其中所述风险等级标签为将样本企业的第二属性数据和第二风险评分发送至工作人员端，工作人员对样本企业进行标注得到的；
根据所述第二训练样本集和预设决策树算法对预设决策树模型进行训练，得到初始决策树模型，其中预设决策树算法包括经典C5算法、卡方自动交互检测算法、快速无偏有效统计树算法中的任意一种；
接收模型修正请求，并基于所述模型修正请求对所述初始决策树模型进行修正，得到训练好的决策树模型。
2.如权利要求1所述的贷后风险监控方法，其特征在于，所述贷后风险监控方法还包括：
根据预先设定的风险等级与提醒方式的映射关系，确定所述风险等级对应的提醒方式；
根据所述提醒方式发送对应的风险提醒信息至管理端，并记录所述待监控企业的风险提醒数据，所述风险提醒数据包括风险等级和风险提醒时间；
定期对所述风险提醒数据进行统计，得到风险等级的变化信息；
根据所述风险等级的变化信息生成对应的风险分析报告，并发送至所述管理端。
3.一种贷后风险监控装置，其特征在于，所述贷后风险监控装置包括：
第一获取模块，用于获取待监控企业的第一属性数据，具体地，所述第一获取模块用于获取待监控企业的风险数据，所述风险数据包括企业基础信息数据、税务登记变更信息数据、涉税违法违章数据、纳税申报信息数据、税款缴纳信息数据、资产负债表信息数据、利润表信息数据和***数据中的一种或多种；提取所述风险数据中的目标属性，得到第一属性数据，所述第一属性数据包括公司状态、纳税信用等级、行业、经营范围、地区、法人信息、预设时间段的注册资本变更信息、预设时间段的公司名称变更信息、预设时间段的税收违法信息、预设时间段的企业收入信息、预设时间段的纳税信息、预设时间段的欠缴信息、资产负债信息、利润信息、客户/供应商的年度分布信息、客户/供应商数量中的一种或多种；
第一输入模块，用于根据所述第一属性数据构建第一特征向量，并将所述第一特征向量输入至预先训练好的风险评分模型，得到所述待监控企业的第一风险评分，其中，所述风险评分模型包括逻辑回归模型、神经网络模型、极端梯度增强模型、支持向量机模型、贝叶斯模型、卷积神经网络模型中的任意一种；
第二输入模块，用于将所述第一属性数据和所述第一风险评分输入至预先训练好的决策树模型，得到风险等级，以基于所述风险等级对所述待监控企业进行监控；
第二获取模块，用于获取样本企业的第二属性数据和风险指标信息，其中，所述第二属性数据包括公司状态、纳税信用等级、行业、经营范围、地区、法人信息、预设时间段的注册资本变更信息、预设时间段的公司名称变更信息、预设时间段的税收违法信息、预设时间段的企业收入信息、预设时间段的纳税信息、预设时间段的欠缴信息、资产负债信息、利润信息、客户/供应商的年度分布信息、客户/供应商数量中的一种或多种；
标签确定模块，用于根据所述风险指标信息确定所述样本企业的标注标签，所述风险指标信息为历史最长逾期天数，所述标签确定模块具体用于比较所述历史最长逾期天数与第一预设阈值和第二预设阈值的大小关系，其中，所述第一预设阈值小于所述第二预设阈值；若所述历史最长逾期天数小于或等于所述第一预设阈值，则确定对应样本企业的标注标签为好样本标签；若所述历史最长逾期天数大于或等于所述第二预设阈值，则确定对应样本企业的标注标签为坏样本标签；
第一训练模块，用于根据所述第二属性数据构建第二特征向量，并基于所述第二特征向量和所述标注标签构建第一训练样本集，并通过所述第一训练样本集对预设风险评分模型进行训练，得到训练好的风险评分模型；
第三输入模块，用于将所述第二特征向量输入至预先训练好的风险评分模型，得到所述样本企业的第二风险评分；
样本集构建模块，用于获取所述样本企业的风险等级标签，并根据所述风险等级标签、所述第二属性数据和所述第二风险评分构建第二训练样本集，其中所述风险等级标签为将样本企业的第二属性数据和第二风险评分发送至工作人员端，工作人员对样本企业进行标注得到的；
第二训练模块，用于根据所述第二训练样本集和预设决策树算法对预设决策树模型进行训练，得到初始决策树模型，其中预设决策树算法包括经典C5算法、卡方自动交互检测算法、快速无偏有效统计树算法中的任意一种；接收模型修正请求，并基于所述模型修正请求对所述初始决策树模型进行修正，得到训练好的决策树模型。
4.一种贷后风险监控设备，其特征在于，所述贷后风险监控设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的贷后风险监控程序，所述贷后风险监控程序被所述处理器执行时实现如权利要求1至2中任一项所述的贷后风险监控方法的步骤。
5.一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后风险监控程序，所述贷后风险监控程序被处理器执行时实现如权利要求1至2中任一项所述的贷后风险监控方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010223221.0A CN111383101B (zh) | 2020-03-25 | 2020-03-25 | 贷后风险监控方法、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 |
|---|---|---|---|
| CN202010223221.0A CN111383101B (zh) | 2020-03-25 | 2020-03-25 | 贷后风险监控方法、装置、设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111383101A CN111383101A (zh) | 2020-07-07 |
| CN111383101B true CN111383101B (zh) | 2024-03-15 |
Family
ID=71218904
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010223221.0A Active CN111383101B (zh) | 2020-03-25 | 2020-03-25 | 贷后风险监控方法、装置、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111383101B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738360B (zh) * | 2020-07-24 | 2020-11-27 | 支付宝(杭州)信息技术有限公司 | 一种两方决策树训练方法和*** |
| CN112232947B (zh) * | 2020-10-23 | 2024-06-04 | 中国工商银行股份有限公司 | 贷中风险预测方法及装置 |
| CN111967807A (zh) * | 2020-10-23 | 2020-11-20 | 支付宝(杭州)信息技术有限公司 | 计算机执行的风险事件判别规则的生成方法及装置 |
| CN114662824A (zh) * | 2020-12-23 | 2022-06-24 | 顺丰恒通支付有限公司 | 风控策略切换方法、装置、计算机设备和存储介质 |
| CN112801766A (zh) * | 2020-12-28 | 2021-05-14 | 航天信息股份有限公司 | 一种税收风险动态防控方法及*** |
| CN112801773A (zh) * | 2021-01-20 | 2021-05-14 | 招商银行股份有限公司 | 企业风险预警方法、装置、设备及存储介质 |
| CN112801529B (zh) * | 2021-02-05 | 2024-05-17 | 北京同邦卓益科技有限公司 | 财务数据分析方法及装置、电子设备及介质 |
| CN113034019A (zh) * | 2021-03-31 | 2021-06-25 | 建信金融科技有限责任公司 | 企业风险预测方法、装置、计算机设备及可读存储介质 |
| CN113642825A (zh) * | 2021-05-28 | 2021-11-12 | 浙江惠瀜网络科技有限公司 | 适用于车贷合作机构的监管方法 |
| CN113298388A (zh) * | 2021-05-28 | 2021-08-24 | 浙江惠瀜网络科技有限公司 | 汽车金融业务二级经销商监控***及监控方法 |
| CN113450208A (zh) * | 2021-06-30 | 2021-09-28 | 中国建设银行股份有限公司 | 贷款风险变动预警、模型训练方法和装置 |
| CN113487208B (zh) * | 2021-07-16 | 2024-06-18 | 支付宝（中国）网络技术有限公司 | 风险评估方法及装置 |
| CN115187026A (zh) * | 2022-06-28 | 2022-10-14 | 北京融信数联科技有限公司 | 一种产业风险监控方法、***和可读存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107977754A (zh) * | 2017-12-18 | 2018-05-01 | 深圳前海微众银行股份有限公司 | 数据预测方法、***和计算机可读存储介质 |
| CN108416669A (zh) * | 2018-03-13 | 2018-08-17 | 腾讯科技（深圳）有限公司 | 用户行为数据处理方法、装置、电子设备及计算机可读介质 |
| CN109214915A (zh) * | 2018-09-06 | 2019-01-15 | 江西汉辰金融科技集团有限公司 | 贷中风险评分方法、***及计算机可读存储介质 |
| WO2019061989A1 (zh) * | 2017-09-30 | 2019-04-04 | 平安科技（深圳）有限公司 | 贷款风险控制方法、电子装置及可读存储介质 |
| CN110246029A (zh) * | 2019-06-21 | 2019-09-17 | 深圳前海微众银行股份有限公司 | 贷后风险管理方法、终端、装置及可读存储介质 |
| CN110246032A (zh) * | 2019-06-21 | 2019-09-17 | 深圳前海微众银行股份有限公司 | 贷后风险监控方法、装置及计算机可读存储介质 |
| CN110297848A (zh) * | 2019-07-09 | 2019-10-01 | 深圳前海微众银行股份有限公司 | 基于联邦学习的推荐模型训练方法、终端及存储介质 |
| CN110689438A (zh) * | 2019-08-26 | 2020-01-14 | 深圳壹账通智能科技有限公司 | 企业类金融风险评分方法、装置、计算机设备及存储介质 |
| CN110782340A (zh) * | 2019-10-25 | 2020-02-11 | 深圳前海微众银行股份有限公司 | 决策树模型的交互式建模方法、装置、设备及存储介质 |
-
2020
- 2020-03-25 CN CN202010223221.0A patent/CN111383101B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019061989A1 (zh) * | 2017-09-30 | 2019-04-04 | 平安科技（深圳）有限公司 | 贷款风险控制方法、电子装置及可读存储介质 |
| CN107977754A (zh) * | 2017-12-18 | 2018-05-01 | 深圳前海微众银行股份有限公司 | 数据预测方法、***和计算机可读存储介质 |
| CN108416669A (zh) * | 2018-03-13 | 2018-08-17 | 腾讯科技（深圳）有限公司 | 用户行为数据处理方法、装置、电子设备及计算机可读介质 |
| CN109214915A (zh) * | 2018-09-06 | 2019-01-15 | 江西汉辰金融科技集团有限公司 | 贷中风险评分方法、***及计算机可读存储介质 |
| CN110246029A (zh) * | 2019-06-21 | 2019-09-17 | 深圳前海微众银行股份有限公司 | 贷后风险管理方法、终端、装置及可读存储介质 |
| CN110246032A (zh) * | 2019-06-21 | 2019-09-17 | 深圳前海微众银行股份有限公司 | 贷后风险监控方法、装置及计算机可读存储介质 |
| CN110297848A (zh) * | 2019-07-09 | 2019-10-01 | 深圳前海微众银行股份有限公司 | 基于联邦学习的推荐模型训练方法、终端及存储介质 |
| CN110689438A (zh) * | 2019-08-26 | 2020-01-14 | 深圳壹账通智能科技有限公司 | 企业类金融风险评分方法、装置、计算机设备及存储介质 |
| CN110782340A (zh) * | 2019-10-25 | 2020-02-11 | 深圳前海微众银行股份有限公司 | 决策树模型的交互式建模方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 小微企业信贷风险评估实证研究;钱慧;梅强;文学舟;;科技管理研究(14);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111383101A (zh) | 2020-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111383101B (zh) | 贷后风险监控方法、装置、设备及计算机可读存储介质 | |
| CN108564286B (zh) | 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*** | |
| US10810680B2 (en) | Location and social network data predictive analysis system | |
| CN107993143A (zh) | 一种信贷风险评估方法及*** | |
| CN109583966B (zh) | 一种高价值客户识别方法、***、设备及存储介质 | |
| US9659277B2 (en) | Systems and methods for identifying potentially inaccurate data based on patterns in previous submissions of data | |
| CN109102394A (zh) | 风险评估方法、装置及计算机可读存储介质 | |
| CN113657993B (zh) | 信用风险识别方法、装置、设备及存储介质 | |
| CN111754044B (zh) | 员工行为审计方法、装置、设备及可读存储介质 | |
| CN112102073A (zh) | 信贷风险控制方法及***、电子设备及可读存储介质 | |
| CN108921456A (zh) | 风险评估方法、装置及计算机可读存储介质 | |
| CN112862593B (zh) | 信用评分卡模型训练方法、装置、***及计算机存储介质 | |
| US20210279212A1 (en) | User generated tag collection system and method | |
| JP2019125336A (ja) | リスク評価分析システムを用いたリスク評価分析方法 | |
| CN111369348A (zh) | 贷后风险监控方法、装置、设备及计算机可读存储介质 | |
| CN113609193A (zh) | 训练用于预测客户交易行为的预测模型的方法及装置 | |
| CN111932064A (zh) | 一种建立风险评估等级的方法 | |
| CN111340584A (zh) | 一种资金方的确定方法、装置、设备及存储介质 | |
| CN112907356A (zh) | 逾期催收方法、装置、***及计算机可读存储介质 | |
| CN112990281A (zh) | 异常投标识别模型训练方法、异常投标识别方法及装置 | |
| CN112835910B (zh) | 一种企业信息与政策信息的处理方法和装置 | |
| CN114092230A (zh) | 一种数据处理方法、装置、电子设备及计算机可读介质 | |
| CN112950359A (zh) | 一种用户识别方法和装置 | |
| CN113034295A (zh) | 险种推荐方法、装置、电子设备及存储介质 | |
| CN113283806A (zh) | 企业信息评估方法、装置、计算机设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |