CN111415247B - 贷后信用风险评价方法、装置、存储介质及电子设备 - Google Patents
贷后信用风险评价方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111415247B CN111415247B CN202010335871.4A CN202010335871A CN111415247B CN 111415247 B CN111415247 B CN 111415247B CN 202010335871 A CN202010335871 A CN 202010335871A CN 111415247 B CN111415247 B CN 111415247B
- Authority
- CN
- China
- Prior art keywords
- information
- default
- users
- neural network
- overdue
- 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
- 238000011156 evaluation Methods 0.000 title abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000006399 behavior Effects 0.000 claims abstract description 6
- 238000012502 risk assessment Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 238000013480 data collection Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 206010063659 Aversion Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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
本发明公开了一种贷后信用风险评价方法、装置、存储介质及电子设备,方法包括收集存量用户中出现逾期,违约行为的第一类用户的第一信息,及第一类用户在逾期、违约发生前的第二信息,及第一类用户在逾期、违约过程发生时第三信息;将第一类用户的第一信息、第二信息进行数据离散化,将第三信息归一化用来统一设定违约程度的规则分数;将抽象后的第一信息、第二信息作为神经网络的输入数据,经过神经网络的处理得到第四信息,当第四信息和第三信息的差值小于一定阈值时,即停止神经网络的训练;将存量所有用户(存量所有用户)的第一信息和第二信息分别输入到神经网络中,神经网络输出存量所有用户的预测的违约风险值;通过设定一违约风险警戒阈值和违约风险安全阈值来对存量所有用户违约风险进行筛选。
Description
技术领域
本发明是涉及信息技术领域,特别是涉及一种贷后信用风险评价方法、装置、存储介质及电子设备。
背景技术
近年来居民贷款余额大幅增长。作为金融机构,对在贷用户的风险管理的挑战也在日益严峻。对用户逾期、违约风险的精准评估、把控,既可以降低金融机构坏账率,又可以以安全稳健的方式提高在贷余额。
在现有技术下,面对存量巨大的贷款用户,金融机构以定期查询用户信用信息(例如征信报告、公积金缴存记录、个人所得税纳税记录)等方式,动态评估用户信用状态,进一步分析其逾期、违约风险。这种周期性的查询行为存在如下弊端:
(1)频率过高的查询会引发用户的反感,易导致用户流失。
(2)频率过高的查询会导致金融机构的贷后成本显著增加。
(3)固定周期的查询方式很难精细化动态反映用户信用状态。
发明内容
为解决上述问题,本发明实施例的目的在于提供一种贷后信用风险评价方法、装置、存储介质及电子设备,可以动态精准的评估贷后信用风险。
第一方面,本发明实施例提供了一种贷后信用风险评价方法,包括:
收集存量用户中出现逾期,违约行为的第一类用户的第一信息,及所述第一类用户在逾期、违约发生前的第二信息,及所述第一类用户在逾期、违约过程发生时第三信息;
将所述第一类用户的第一信息、第二信息进行数据离散化,将所述第三信息归一化用来统一设定违约程度的规则分数;
训练神经网络模型,将抽象后的所述第一信息、第二信息输入神经网络,经过所述神经网络的处理得到第四信息,当所述第四信息和所述第三信息的差值小于一定阈值时,即停止所述神经网络的训练;
将存量所有用户存量所有用户的第一信息和第二信息分别输入到所述神经网络中,所述神经网络输出所述存量所有用户存量所有用户的预测的违约风险值;
通过设定一违约风险警戒阈值和违约风险安全阈值来对所述存量所有用户的存量所有用户违约风险进行筛选。
在一种可能的实现方式中,所述第一信息包括年龄信息、职业信息、历史职业信息、工作年限信息、籍贯地信息、工作所在地信息的一种或多种。
在一种可能的实现方式中,所述第二信息包括信用信息,不限于征信报告中贷款总额、贷款余额、逾期金额、逾期笔数、公积金缴存记录中的前12月缴存金额均值、缴存金额方差、缴存金额最大值、缴存金额最小值、个税纳税记录中的前12月缴税金额均值、缴税金额方差、缴税金额最大值或缴税金额最小值的一种或多种。
在一种可能的实现方式中,所述第三信息包括逾期金额或违约金额。
在一种可能的实现方式中,当所述存量所有用户的违约风险值大于所述违约风险警戒阈值时,使用短周期的查询频率收集所述第二信息,将获取的第二信息输入到所述神经网络得到最新的违约风险值。
在一种可能的实现方式中,当所述存量所有用户违约风险值小于所述违约风险安全阈值时,使用长周期的查询频率收集所述第二信息,将获取的第二信息输入到所述神经网络得到最新的违约风险值。
第二方面,本发明实施例还提供了一种贷后信用风险评价装置,包括:
数据收集模块,用于收集存量用户中出现逾期,违约行为的第一类用户的第一信息,及所述第一类用户在逾期、违约发生前的第二信息,及所述第一类用户在逾期、违约过程发生时第三信息;
数据抽象模块,用于将所述第一类用户的第一信息、第二信息进行数据离散化,将所述第三信息归一化用来统一设定违约程度的规则分数;
模型训练模块,用于将抽象后的所述第一信息、第二信息作为神经网络的输入数据,经过所述神经网络的处理得到第四信息,当所述第四信息和所述第三信息的差值小于一定阈值时,即停止所述神经网络的训练;
模型使用模块,用于将存量所有用户(存量所有用户)的第一信息和第二信息分别输入到所述神经网络中,所述神经网络输出所述存量所有用户的预测的违约风险值;以及
筛选模块,用于通过设定一违约风险警戒阈值和违约风险安全阈值来对所述存量所有用户违约风险进行筛选。
第三方面,本发明实施例还提供了一种存储介质,所述存储介质存储有计算机可执行指令,所述计算机可执行指令用于执行上述的贷后信用风险评价方法。
第四方面,本发明实施例还提供了一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的贷后信用风险评价方法。
本发明实施例提供的贷后信用风险评价方法、装置、存储介质及电子设备,通过历史数据的收集归纳,使用人工智能技术进行神经网络的训练,形成贷后信用风险评价方法,输出为一种精准动态评估用户信用的***,可以真实客观精确的描述了用户的违约风险。实现对用户风险的动态更新、差异化管理。对逾期、违约风险大的用户,高频的信息更新可以使金融机构提前预知风险,采取行动,最大化降低坏账。对信用良好的用户,低频的信息查询使之感受到更优质的金融服务。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例提供的贷后信用风险评价方法的流程图;
图2示出了本发明实施例提供的贷后信用风险评价方法中的具体流程图;
图3示出了本发明实施例所提供的用于执行贷后信用风险评价方法的电子设备的结构示意图。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
本发明实施例提供了一种需求的匹配方法的流程图,参见图1,包括如下步骤:
数据收集:收集存量用户中出现逾期,违约行为的第一类用户的第一信息(包括但不限于其年龄、职业、历史职业、工作年限、籍贯地、工作所在地等),及所述第一类用户在逾期、违约发生前的第二信息(包括信用信息,不限于征信报告中贷款总额、贷款余额、逾期金额、逾期笔数,公积金缴存记录中的前12月缴存金额均值、缴存金额方差、缴存金额最大值、缴存金额最小值,个税纳税记录中的前12月缴税金额均值、缴税金额方差、缴税金额最大值、缴税金额最小值等),及所述第一类用户在逾期、违约过程发生时第三信息(逾期金额、违约金额等)。
数据抽象:将所述第一类用户的第一信息、第二信息进行数据离散化。第一信息可能是年龄、职业等不同数据类型的碎片化信息,例如职业包括教师、工人、医生等。离散化的含义是使其分别与离散数对应起来,例如教师-0、工人-1、医生-2。将其离散化会方便深度学习网络计算数据变化梯度,有助于其模型训练(以年龄为例,以允许发放贷款的最高年龄为上限,将用户年龄归一化到0-1之间)(以职业为例,将N种职业类别表示为N维的非0即1的向量,每种职业用第n位为1,其余为0的该向量表示)。
将所述第三信息归一化,统一表征该违约行为的严重程度。第三信息的直接数据往往对应金融领域的逾期金额、信用评分等。对于神经网络,归一化是利于模型梯度传递和收敛的技术方法,归一化本身是现有技术。将归一化后的数据,与真实金融领域的直接数据建立函数映射关系,所以归一化参数的规则分数,也可以反应直接数据中的客户情况。通过人为设定的规则进行评分,不限于以下规则,例如逾期金额大于5w,严重程度为0.8;逾期金额大于10w,严重程度0.9;彻底违约,严重程度为1。
模型训练:将如上抽象后的所述第一信息、第二信息作为神经网络的输入数据,经过所述神经网络的处理,该处理特指神经网络的前向传播阶段(现有技术),可以类比为一函数给一输入条件,得到输出结果的过程。但神经网络的处理过程是多节点多层的,属于复杂函数,得到第四信息(即预测的用户违约严重程度),使用所述第三信息进行监督,对多层深度神经网络进行训练。训练误差为所述第四信息和第三信息的差值。当所述训练误差小于一定阈值时,即停止所述神经网络的训练。
模型使用:使用所述神经网络进行用户信用风险预测时,将存量所有用户(存量所有用户)的第一信息和第二信息分别输入到所述神经网络中,所述神经网络的输出,即所述第四信息为存量所有用户的预测的违约严重程度,即违约风险值。数据输入到输出的过程并不是创新点所在,此处可以列举现有技术方案:多层感知机、支持向量机、循环神经网络等。
通过设定一违约风险警戒阈值,将上述预测的存量所有用户违约风险进行筛选。对大于该阈值的第三类用户进行重点关注,具体方式为:
1)使用更短周期的查询频率收集所述第二信息。
2)获取最新的第二信息,输入到所述神经网络得到最新的违约风险值。
设定一违约风险安全阈值,对上述预测的存量所有用户违约风险进行筛选。对小于该阈值的第四类用户降低关注频率,具体方式为:
1)使用更长周期的查询频率收集所述第二信息。
2)获取最新的第二信息,输入到所述神经网络得到最新的违约风险值。
以上详细介绍了需求的匹配方法的流程,该方法也可以通过相应的装置实现,下面详细介绍该装置的结构和功能。
本发明实施例提供还了一种贷后信用风险评价装置,包括数据收集模块、数据抽象模块、模型训练模块、模型使用模块和筛选模块。具体地:
数据收集模块用于收集存量用户中出现逾期,违约行为的第一类用户的第一信息,及所述第一类用户在逾期、违约发生前的第二信息,及所述第一类用户在逾期、违约过程发生时第三信息。
数据抽象模块用于将所述第一类用户的第一信息、第二信息进行数据离散化,将所述第三信息归一化并对违约程度统一设定规则分数。
模型训练模块用于将抽象后的所述第一信息、第二信息作为神经网络的输入数据,经过所述神经网络的处理得到第四信息,当所述第四信息和所述第三信息的差值小于一定阈值时,即停止所述神经网络的训练。
模型使用模块用于将存量所有用户(存量所有用户)的第一信息和第二信息分别输入到所述神经网络中,所述神经网络输出所述存量所有用户的预测的违约风险值。
筛选模块用于通过设定一违约风险警戒阈值和违约风险安全阈值来对所述存量所有用户违约风险进行筛选。
本发明实施例还提供了一种存储介质,所述存储介质存储有计算机可执行指令,其包含用于执行上述贷后信用风险评价方法的程序,该计算机可执行指令可执行上述任意方法实施例中的方法。
其中,所述存储介质可以是计算机能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。
图3示出了本发明的另一个实施例的一种电子设备的结构框图。所述电子设备1100可以是具备计算能力的主机服务器、个人计算机PC、或者可携带的便携式计算机或终端等。本发明具体实施例并不对电子设备的具体实现做限定。
该电子设备1100包括至少一个处理器(processor)1110、通信接口(Communications Interface)1120、存储器(memory array)1130和总线1140。其中,处理器1110、通信接口1120、以及存储器1130通过总线1140完成相互间的通信。
通信接口1120用于与网元通信,其中网元包括例如虚拟机管理中心、共享存储等。
处理器1110用于执行程序。处理器1110可能是一个中央处理器CPU,或者是专用集成电路ASIC(Application Specific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器1130用于可执行的指令。存储器1130可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。存储器1130也可以是存储器阵列。存储器1130还可能被分块,并且所述块可按一定的规则组合成虚拟卷。存储器1130存储的指令可被处理器1110执行,以使处理器1110能够执行上述任意方法实施例中的贷后信用风险评价方法。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (5)
1.一种贷后信用风险评价方法,其特征在于,包括:
收集存量用户中出现逾期、违约行为的第一类用户的第一信息,及所述第一类用户在逾期、违约发生前的第二信息,及所述第一类用户在逾期、违约过程发生时的第三信息,所述第一信息包括年龄信息、职业信息、历史职业信息、工作年限信息、籍贯地信息、工作所在地信息的一种或多种,所述第二信息包括信用信息,不限于征信报告中贷款总额、贷款余额、逾期金额、逾期笔数、公积金缴存记录中的前12月缴存金额均值、缴存金额方差、缴存金额最大值、缴存金额最小值、个税纳税记录中的前12月缴税金额均值、缴税金额方差、缴税金额最大值或缴税金额最小值的一种或多种,所述第三信息包括逾期金额或违约金额;
将所述第一类用户的第一信息、第二信息进行数据离散化,将所述第三信息归一化用来统一设定违约程度的规则分数;
训练神经网络模型,将离散化后的所述第一信息、第二信息输入神经网络,经过所述神经网络的处理得到第四信息,当所述第四信息和所述第三信息的差值小于一定阈值时,停止所述神经网络的训练;
将存量所有用户存量所有用户的第一信息和第二信息分别输入到所述神经网络中,所述神经网络输出存量所有用户存量所有用户的预测的违约风险值;
通过设定违约风险警戒阈值和违约风险安全阈值来对所述存量所有用户的违约风险进行筛选,当所述存量所有用户的违约风险值大于所述违约风险警戒阈值时,使用短周期的查询频率收集所述第二信息,将获取的第二信息输入到所述神经网络得到最新的违约风险值。
2.根据权利要求1所述的贷后信用风险评价方法,其特征在于,当所述存量所有用户违约风险值小于所述违约风险安全阈值时,使用长周期的查询频率收集所述第二信息,将获取的第二信息输入到所述神经网络得到最新的违约风险值。
3.一种贷后信用风险评价装置,其特征在于,包括:
数据收集模块,用于收集存量用户中出现逾期,违约行为的第一类用户的第一信息,及所述第一类用户在逾期、违约发生前的第二信息,及所述第一类用户在逾期、违约过程发生时第三信息,所述第一信息包括年龄信息、职业信息、历史职业信息、工作年限信息、籍贯地信息、工作所在地信息的一种或多种,所述第二信息包括信用信息,不限于征信报告中贷款总额、贷款余额、逾期金额、逾期笔数、公积金缴存记录中的前12月缴存金额均值、缴存金额方差、缴存金额最大值、缴存金额最小值、个税纳税记录中的前12月缴税金额均值、缴税金额方差、缴税金额最大值或缴税金额最小值的一种或多种,所述第三信息包括逾期金额或违约金额;
数据抽象模块,用于将所述第一类用户的第一信息、第二信息进行数据离散化,将所述第三信息归一化用来统一设定违约程度的规则分数;
模型训练模块,用于将抽象后的所述第一信息、第二信息作为神经网络的输入数据,经过所述神经网络的处理得到第四信息,当所述第四信息和所述第三信息的差值小于一定阈值时,即停止所述神经网络的训练;
模型使用模块,用于将存量所有用户存量所有用户的第一信息和第二信息分别输入到所述神经网络中,所述神经网络输出所述存量所有用户存量所有用户的预测的违约风险值;以及
筛选模块,用于通过设定一违约风险警戒阈值和违约风险安全阈值来对所述存量所有用户的存量所有用户违约风险进行筛选,当所述存量所有用户的违约风险值大于所述违约风险警戒阈值时,使用短周期的查询频率收集所述第二信息,将获取的第二信息输入到所述神经网络得到最新的违约风险值。
4.一种存储介质,其特征在于,所述存储介质存储有计算机可执行指令,所述计算机可执行指令用于执行权利要求1-2任意一项所述的贷后信用风险评价方法。
5.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-2任意一项所述的贷后信用风险评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010335871.4A CN111415247B (zh) | 2020-04-25 | 2020-04-25 | 贷后信用风险评价方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010335871.4A CN111415247B (zh) | 2020-04-25 | 2020-04-25 | 贷后信用风险评价方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111415247A CN111415247A (zh) | 2020-07-14 |
CN111415247B true CN111415247B (zh) | 2023-07-28 |
Family
ID=71493683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010335871.4A Active CN111415247B (zh) | 2020-04-25 | 2020-04-25 | 贷后信用风险评价方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111415247B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452323B (zh) * | 2023-04-28 | 2024-01-30 | 广州市良策网络技术有限公司 | 风险评估方法、***、设备及存储介质 |
CN117151869A (zh) * | 2023-10-26 | 2023-12-01 | 北京信立合创信息技术有限公司 | 一种基于深度学习的个人信用征信模型及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5696907A (en) * | 1995-02-27 | 1997-12-09 | General Electric Company | System and method for performing risk and credit analysis of financial service applications |
WO2020037942A1 (zh) * | 2018-08-20 | 2020-02-27 | 平安科技(深圳)有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550927A (zh) * | 2015-11-30 | 2016-05-04 | 吉林大学 | 一种银行信贷***风险评估方法及装置 |
CN107025596B (zh) * | 2016-02-01 | 2021-07-16 | 腾讯科技(深圳)有限公司 | 一种风险评估方法和*** |
US20180033009A1 (en) * | 2016-07-27 | 2018-02-01 | Intuit Inc. | Method and system for facilitating the identification and prevention of potentially fraudulent activity in a financial system |
US20180096426A1 (en) * | 2016-10-03 | 2018-04-05 | Bridgecare Finance, Inc. | System and method for providing and administering loans |
CN108389125B (zh) * | 2018-02-27 | 2022-06-07 | 挖财网络技术有限公司 | 信贷申请的逾期风险预测方法及装置 |
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 |
CN109255506B (zh) * | 2018-11-22 | 2022-05-03 | 重庆邮电大学 | 一种基于大数据的互联网金融用户贷款逾期预测方法 |
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 |
CN110956273A (zh) * | 2019-11-07 | 2020-04-03 | 中信银行股份有限公司 | 融合多种机器学习模型的征信评分方法及*** |
-
2020
- 2020-04-25 CN CN202010335871.4A patent/CN111415247B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5696907A (en) * | 1995-02-27 | 1997-12-09 | General Electric Company | System and method for performing risk and credit analysis of financial service applications |
WO2020037942A1 (zh) * | 2018-08-20 | 2020-02-27 | 平安科技(深圳)有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111415247A (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10943186B2 (en) | Machine learning model training method and device, and electronic device | |
CN110197315B (zh) | 风险评估方法、装置及其存储介质 | |
US20230100730A1 (en) | Evaluation of modeling algorithms with continuous outputs | |
US20220122171A1 (en) | Client server system for financial scoring with cash transactions | |
Hensher et al. | An error component logit analysis of corporate bankruptcy and insolvency risk in Australia | |
US9355370B2 (en) | System and method for generating legal documents | |
US20110166979A1 (en) | Connecting decisions through customer transaction profiles | |
TW202004636A (zh) | 保險服務優化方法、系統及電腦程式產品 | |
CN111415247B (zh) | 贷后信用风险评价方法、装置、存储介质及电子设备 | |
CN113538154B (zh) | 风险对象的识别方法、装置、存储介质和电子设备 | |
CN104321794A (zh) | 一种使用多维评级来确定一实体的未来商业可行性的***和方法 | |
US20230023630A1 (en) | Creating predictor variables for prediction models from unstructured data using natural language processing | |
CN112561691B (zh) | 一种客户授信预测方法、装置、设备及存储介质 | |
US20050171885A1 (en) | Object oriented demographically predictive insurance agency asset evaluation system and method | |
CN111369345A (zh) | 云计算区块链的大数据信贷用户信用评估方法及*** | |
US20170270543A1 (en) | Projecting resource demand using a computing device | |
CN113469818A (zh) | 投资风险预警方法、装置、电子设备及计算机可读介质 | |
CN111915425A (zh) | 一种贷款审批方法、装置、设备及存储介质 | |
CN113220447B (zh) | 基于边缘计算的金融风控***及方法 | |
WO2023060150A1 (en) | Data compression techniques for machine learning models | |
US11625788B1 (en) | Systems and methods to evaluate application data | |
CN110362981B (zh) | 基于可信设备指纹判断异常行为的方法及*** | |
RU2717903C1 (ru) | Автоматизированная система моделирования изменения содержания информационного пространства | |
WO2022020070A9 (en) | Self learning machine learning pipeline for enabling binary decision making | |
US11915313B2 (en) | Using email history to estimate creditworthiness for applicants having insufficient credit history |
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 |