CN111583018A - 一种基于用户金融表现分析的授信策略管理方法、装置和电子设备 - Google Patents
一种基于用户金融表现分析的授信策略管理方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111583018A CN111583018A CN202010275263.9A CN202010275263A CN111583018A CN 111583018 A CN111583018 A CN 111583018A CN 202010275263 A CN202010275263 A CN 202010275263A CN 111583018 A CN111583018 A CN 111583018A
- Authority
- CN
- China
- Prior art keywords
- user
- financial performance
- financial
- information
- risk
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims description 41
- 238000010801 machine learning Methods 0.000 claims description 18
- 238000012512 characterization method Methods 0.000 claims description 7
- 238000012502 risk assessment Methods 0.000 abstract description 6
- 230000001364 causal effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 8
- 238000013507 mapping Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012880 independent component analysis Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Technology Law (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于用户金融表现分析的授信策略管理方法,包括:获取用户的金融表现信息;根据金融表现信息生成用户的金融表现特征;将金融表现特征输入用户评分模型获取用户的金融风险评分,用户评分模型用于描述所述用户金融风险的概率;根据金融风险评分确定用户类型,并基于用户历史金融表现信息生成授信策略。本发明能够从行为经济学的角度去分析顾客的违约情况,根据永久收入假说(permanent income hypothesis)挖掘推导顾客是高风险金融表现的成因,预判高风险用户并提前干预进行主动管理,将风险评估由一个相关性问题变成一个因果性问题,降低金融风险,提升盈利水平。
Description
技术领域
本发明涉及计算机信息处理领域,具体而言,涉及一种……方法、装置、电子设备及计算机可读介质。
背景技术
随着经济的发展和新兴技术手段在各个领域的应用,为了满足自身需要,个人用户经常向由金融服务机构进行借款活动,对于金融服务机构而言,用户的借款活动在带来营收利润的同时很可能会给金融服务公司带来风险。在还款期限届满之前,借款人(信贷用户)财务商务状况的重大不利变化很可能影响其履约能力,从而发生呆账、坏账等风险,因此,为了降低此类风险的发生概率,金融服务机构需要对借款人进行风险评估,根据风险评估结果,金融服务公司可为借款人提供金融服务产品或拒绝为部分金融风险较高的用户提供服务。
在现有技术中,金融风险的判别经常是建立一个logistic模型根据已有客户若干类维度数据表现去推测一个新用户的违约概率情况。可例如,通过获取历史用户的基础数据或行为数据构建模型,其中基础信息可包括用户的年龄、性别、职业、地域等等,行为信息可包括用户的借款信息、还款信息、违约信息等等。但是,现有技术的相关做法仍存在一定的缺陷,一是现在维度的选取仍然偏向于用户的表层数据,即选取的维度与最终的评测结果仅仅体现相关性,缺乏明显的因果性的证据;二是仅通过属性及行为特征可能存在一定数量的“误杀”情况,难以从源头上做到对用户行为的提前判断与干预,无法做到合理、分层次的提供金融服务。
因此,如何从用户高风险表现的成因角度分析,预判用户高风险金融表现概率并做到提前干预、主动管理,降低金融服务机构风险,成为广泛关注的核心课题。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本公开提供了一种基于用户金融表现分析的授信策略管理方法、装置、电子设备及计算机可读介质,能够从行为经济学的角度去分析顾客的违约情况,根据永久收入假说(permanent income hypothesis)挖掘推导顾客是高风险金融表现的成因,预判高风险用户并提前干预进行主动管理,将风险评估由一个相关性问题变成一个因果性问题,降低金融风险,提升盈利水平。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一方面,提出一种基于用户金融表现分析的授信策略管理方法,该包括:
获取用户的金融表现信息;
根据所述金融表现信息生成所述用户的金融表现特征;
将所述金融表现特征输入用户评分模型获取所述用户的金融风险评分,其中,所述用户评分模型用于描述所述用户金融风险的概率;
根据所述金融风险评分确定用户类型,并生成匹配于所述类型的授信策略。
可选地,所述金融表现信息包括用户的借还款实际现金流信息、逾期状态信息及多头借贷变化信息。
可选地,根据所述金融表现信息生成所述用户的金融表现特征,包括:提取所述用户的借还款实际现金流、逾期状态及多头借贷变化信息;将所述用户的相关信息输入用户金融表现特征模型以生成所述用户金融表现特征。
可选地,所述用户金融表现特征模型是通过机器学习的方法训练获取的模型。
可选地,所述通过机器学习的方法训练获取用户金融表现特征模型,包括:获取历史用户的金融表现信息,所述金融表现信息包括历史用户的借还款实际现金流信息、逾期状态信息及多头借贷变化信息;以所述历史用户的金融表现信息为样本,采用机器学习的方法训练以获取用户金融表现特征模型,其中,所述金融表现特征模型用以根据用户的金融表现信息获取用户的金融表现特征。
可选地,所述机器学习的方法包括无监督表征学习方法。
可选地,还包括通过对历史用户的金融表现特征进行训练生成用户评分模型。
可选地,所述通过对历史用户的金融表现特征进行训练生成用户评分模型步骤进一步包括:获取历史用户的金融表现特征及风险状况信息;以所述历史用户的金融表现特征及风险状况信息为样本训练以获取用户评分模型。
可选地,所述训练以获取用户评分模型进一步包括:利用XGB算法训练样本构建所述用户评分模型。
可选地,还包括:建立用户金融风险评分与用户客群类型、授信策略映射表;根据所述用户的金融风险评分利用所述映射表确定用户类型,并生成匹配于所述类型的授信策略。
根据本公开的一方面,提出基于用户金融表现分析的授信策略管理装置,其特征在于,包括:
信息模块,用于获取用户的金融表现信息;
特征模块,用于根据所述金融表现信息生成所述用户的金融表现特征;
评分模块,用于将所述金融表现特征输入用户评分模型获取所述用户的金融风险评分,其中,所述用户评分模型用于描述所述用户金融风险的概率;以及
策略模块,用于根据所述金融风险评分确定用户类型,并生成匹配于所述类型的授信策略。
可选地,所述金融表现信息包括用户的借还款实际现金流信息、逾期状态信息及多头借贷变化信息。
可选地,所述特征模块包括:提取单元,用于提取所述用户的借还款实际现金流、逾期状态及多头借贷变化信息;特征生成单元,用于将所述用户的相关信息输入用户金融表现特征模型以生成所述用户金融表现特征。
可选地,所述特征模块还包括:第一模型训练单元,用于通过机器学习的方法训练获取的用户金融表现特征模型。
可选地,所述第一模型训练单元获取历史用户的金融表现信息,所述金融表现信息包括历史用户的借还款实际现金流信息、逾期状态信息及多头借贷变化信息;以所述历史用户的金融表现信息为样本,采用机器学习的方法训练以获取用户金融表现特征模型,其中,所述金融表现特征模型用以根据用户的金融表现信息获取用户的金融表现特征。
可选地,所述机器学习的方法包括无监督表征学习方法。
可选地,评分模块进一步包括:第二模型训练单元,用于通过对历史用户的金融表现特征进行训练生成用户评分模型。
可选地,所述第二模型训练单元还包括:获取历史用户的金融表现特征及风险状况信息;以所述历史用户的金融表现特征及风险状况信息为样本训练以获取用户评分模型。
可选地,还包括:所述第二模型训练单元利用XGB算法训练样本构建所述用户评分模型。
可选地,所述策略模块还包括:映射单元,用于建立用户金融风险评分与用户客群类型、授信策略映射表;匹配单元,用于根据所述用户的金融风险评分利用所述映射表确定用户类型,并生成匹配于所述类型的授信策略。
根据本公开的一方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上文的方法。
根据本公开的一方面,提出一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上文中的方法。
根据本公开的基于用户金融表现分析的授信策略管理方法、装置、电子设备及计算机可读介质,获取用户的金融表现信息,根据所述金融表现信息生成所述用户的金融表现特征,将所述金融表现特征输入用户评分模型获取所述用户的金融风险评分,其中,所述用户评分模型用于描述所述用户金融风险的概率,根据所述金融风险评分确定用户类型,并生成匹配于所述类型的授信策略,能够从行为经济学的角度去分析顾客的违约情况,根据永久收入假说挖掘推导顾客是高风险金融表现的成因,预判高风险用户并提前干预进行主动管理,将风险评估由一个相关性问题变成一个因果性问题,降低金融风险,提升盈利水平。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚,下面将参照附图详细描述本发明的具体实施例。但需声明的是,下面描述的附图仅仅是本发明本发明示例性实施例的附图,对于本领域的技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他实施例的附图。
图1是根据一示例性实施例示出的一种基于用户金融表现分析的授信策略管理方法及装置的***框图。
图2是根据一示例性实施例示出的一种基于用户金融表现分析的授信策略管理方法的流程图。
图3是根据一示例性实施例示出生成金融表现特征的方法的流程图。
图4是根据一示例性实施例示出的构建用户评分模型的方法的流程图。
图5是根据一示例性实施例示出的基于用户金融表现分析的授信策略管理装置的框图。
图6是根据一示例性实施例示出的特征模块的框图。
图7是根据一示例性实施例示出的一种电子设备的框图。
图8是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而,示例性实施例能够以多种形式实施,且不应被理解为本发明仅限于在此阐述的实施例。相反,提供这些示例性实施例能够使得本发明更加全面和完整,更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分,因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下,在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中,本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是,并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
应理解,虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分,但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如,第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
如图1所示,***架构10可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如金融服务类应用、购物类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的金融服务类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的用户数据进行分析等处理,并将处理结果(例如训练完毕的用户风险模型或者通过用户风险模型对用户进行的风险评分)反馈给金融服务网站的管理员。
服务器105可例如获取用户的金融表现信息;服务器105可例如根据所述金融表现信息生成所述用户的金融表现特征;服务器105可例如将所述金融表现特征输入用户评分模型获取所述用户的金融风险评分,其中,所述用户评分模型用于描述所述用户金融风险的概率;服务器105可例如根据所述金融风险评分确定用户类型,并生成匹配于所述类型的授信策略。服务器105可以是一个实体的服务器,还可例如为多个服务器组成。
需要说明的是,本公开实施例所提供的用户风险识别方法可以由服务器105执行,相应地,用户风险识别装置可以设置于服务器105中。而提供给用户进行金融服务平台浏览的网页端一般位于终端设备101、102、103中。
图2是根据一示例性实施例示出的一种基于用户金融表现分析的授信策略管理方法的流程图。基于用户金融表现分析的授信策略管理方法至少包括S201至S205。
根据永久收入的消费理论,消费者的消费支出不只是由他的现期收入决定的,而且由他的持久收入决定。也就是说,理性的消费者为了实现效应最大化,不只是根据现期的暂时性收入,还会根据长期中能保持的收入水平即永久收入水平来作出消费决策。
基于永久收入的消费理论精神可知决定一个用户在某个时点是否出现高风险行为,并不取决于他一开始从金融服务公司产生多少数量的借贷,而取决于他在这个时点是否有足够的偿还资源,或者偿还的能力承担当时所处的负债。而这个负债是他所有不同长短期债务在某个时间的累加。用户偿还资源或者偿还能力往往直接体现在用户的金融表现上。
如图2所示,在步骤S201中,获取用户的金融表现信息,所述金融表现信息包括用户的借还款实际现金流信息、逾期状态信息及多头借贷变化信息。可例如,从用户授权的信息或官方渠道获取的用户征信信息中获取用户的借款金额信息、还款金额信息、逾期状态信息、多头借贷变化信息等。
如图2所示,在步骤S202中,生成金融表现特征。可包括根据步骤S201获取的用户金融表现信息,提取所述用户的借还款实际现金流、逾期状态及多头借贷变化信息;将所述用户的相关信息输入用户金融表现特征模型以生成所述用户金融表现特征。
图3是根据一示例性实施例示出生成金融表现特征的方法的流程图。生成金融表现特征的方法至少包括步骤S301-S304。
如图3所示,在步骤S301中,获取历史用户的金融表现信息,所述金融表现信息包括历史用户的借还款实际现金流信息、逾期状态信息及多头借贷变化信息。可例如,从历史用户授权的信息或官方渠道获取的历史用户征信信息中获取历史用户的借款金额信息、还款金额信息、逾期状态信息、多头借贷变化信息等。
如图3所示,在步骤S302中,训练形成用户金融表现特征模型。可包括,获取历史用户的金融表现信息,所述金融表现信息包括历史用户的借还款实际现金流信息、逾期状态信息及多头借贷变化信息;以所述历史用户的金融表现信息为样本,采用机器学习的方法训练以获取用户金融表现特征模型,其中,所述金融表现特征模型用以根据用户的金融表现信息获取用户的金融表现特征。
表征学习,又叫特征学习,在机器学习中,表征学习或特征学习是学习一个特征的技术的集合:将原始数据转换成为能够被机器学习来有效开发的一种形式。无监督学习常常被用于数据挖掘,用于在大量无标签数据中发现些具体特征。它的训练数据是无标签的,训练目标是能对观察值进行分类或者区分等。
在本发明中,用于训练形成金融表现特征模型的机器算法可使用无监督表征学习方法,具体方法可包括主成分分析(PCA)、独立成分分析(ICA)和线性判别分析(LDA)等。在本发明中,可采用现有技术中的无监督表征学习方法,无需针对本发明技术方法设计新的算法或修改现有算法,在此不赘述。
如图3所示,在步骤S303中,从步骤S201中获取的用户的金融表现信息提取用户的借还款实际现金流信息、逾期状态信息及多头借贷变化信息。
如图3所示,在步骤S304中,将步骤S303提取的数据输入步骤S302构建的用户金融表现特征模型,通过模型运算,获取用户的金融表现特征。
如图2所示,在步骤S203中,生成用户金融风险评分。
将由步骤S202获取的用户金融表现特征输入用户评分模型获取所述用户的金融风险评分,其中,所述用户评分模型用于描述所述用户金融风险的概率。可例如,利用机器学习的方法构建用户评分模型。
图4是根据一示例性实施例示出的构建用户评分模型的方法的流程图。
如图4所示,在步骤S401中,获取历史用户相关数据。可例如,利用步骤S302训练并形成的用户金融表现特征模型获取历史用户的金融表现特征。此外,还应包括历史用户的风险状况信息,所述风险状况信息包括历史用户的逾期情况等、违约情况信息等。
如图4所示,在步骤S402中,将步骤S401获取的历史用户相关数据作为训练样本,采用机器学习的方法构建模型,使得模型的输入层为用户的金融表现特征,输出层为用户的金融风险评分。更具体而言,可采用XGB(XGBoost)算法进行数据训练。需要说明的是,在本发明中,可采用现有技术中的XGB(XGBoost)算法,无需针对本发明技术方法设计新的算法或修改现有算法,在此不赘述。
如图2所示,在步骤S204中,根据所述金融风险评分确定用户类型。可例如,根据用户风险评分可将循环户、下沉用户等。
如图2所示,在步骤S205中,制定授信策略。根据步骤S204确定的用户类型,根据用户的历史现金流判断用户能承受的最大负债,从而生成匹配用户类型及负债的授信策略。可例如,根据用户类型及偿还负债能力,定向输出一个3/6期金融产品,严格控制用户单月负债,控制其额度释放的速率及单月负债。
根据本公开的基于用户金融表现分析的授信策略管理方法、装置、电子设备及计算机可读介质,获取用户的金融表现信息,根据所述金融表现信息生成所述用户的金融表现特征,将所述金融表现特征输入用户评分模型获取所述用户的金融风险评分,其中,所述用户评分模型用于描述所述用户金融风险的概率,根据所述金融风险评分确定用户类型,并生成匹配于所述类型的授信策略,能够从行为经济学的角度去分析顾客的违约情况,根据永久收入假说挖掘推导顾客是高风险金融表现的成因,预判高风险用户并提前干预进行主动管理,将风险评估由一个相关性问题变成一个因果性问题,降低金融风险,提升盈利水平。
本领域技术人员可以理解,实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时,可以实现本发明提供的上述方法。而且,所述的计算机程序可以存储于计算机可读存储介质中,该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质,也可以是多个存储介质组成的存储阵列,例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储,其也可以是分布式存储,例如基于云计算的云存储。
下面描述本发明的装置实施例,该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节,应视为对于上述方法实施例的补充;对于在本发明装置实施例中未披露的细节,可以参照上述方法实施例来实现。
图5是根据一示例性实施例示出的基于用户金融表现分析的授信策略管理装置的框图。如图5所示,授信策略管理装置50包括:信息模块501、特征模块502、评分模块503和策略模块504。
如图5所示,信息模块501,用于用于获取用户的金融表现信息,所述金融表现信息包括用户的借还款实际现金流信息、逾期状态信息及多头借贷变化信息。
如图5所示,特征模块502,用于根据信息模块501获取的金融表现信息生成所述用户的金融表现特征。
图6是根据一示例性实施例示出的特征模块502的框图。
如图6所示,特征模块502包括提取单元601、第一模型训练单元602、特征生成单元603。
提取单元601,用于提取用户的借还款实际现金流、逾期状态及多头借贷变化信息。
第一模型训练单元602,用于通过机器学习的方法训练获取的用户金融表现特征模型。
具体的,第一模型训练单元602获取历史用户的金融表现信息,所述金融表现信息包括历史用户的借还款实际现金流信息、逾期状态信息及多头借贷变化信息;以所述历史用户的金融表现信息为样本,采用机器学习的方法训练以获取用户金融表现特征模型,其中,所述金融表现特征模型用以根据用户的金融表现信息获取用户的金融表现特征。
更具体的,第一模型训练单元602采用无监督表征学习方法训练模型。可选地,具体方法可包括主成分分析(PCA)、独立成分分析(ICA)和线性判别分析(LDA)等。
特征生成单元603,用于将提取单元601提取的所述用户的相关信息输入第一模型训练单元602训练获得的用户金融表现特征模型以生成所述用户金融表现特征。
如图5所示,评分模块503用于将所述金融表现特征输入用户评分模型获取所述用户的金融风险评分,其中,所述用户评分模型用于描述所述用户金融风险的概率。
可选地,评分模块503包括第二模型训练单元,用于通过对历史用户的金融表现特征进行训练生成用户评分模型。更具体的,第二模型训练单元获取历史用户的金融表现特征及风险状况信息;以所述历史用户的金融表现特征及风险状况信息为样本训练以获取用户评分模型。可选地,所述第二模型训练单元利用XGB算法训练样本构建所述用户评分模型。
如图5所示,策略模块504用于根据所述金融风险评分确定用户类型,并基于所述用户历史金融表现信息生成匹配于所述类型的授信策略。策略模块504根据评分模块503生成的用户金融风险评分确定用户类型,根据用户的历史现金流判断用户能承受的最大负债,从而生成匹配用户类型及负债的授信策略。
可选地,策略模块504还包括:
映射单元,用于建立用户金融风险评分与用户客群类型映射表;
匹配单元,用于根据所述用户的金融风险评分利用所述映射表确定用户类型。
可例如,根据用户风险评分可将循环户、下沉用户等。
本领域技术人员可以理解,上述装置实施例中的各模块可以按照描述分布于装置中,也可以进行相应变化,分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
下面描述本发明的电子设备实施例,该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节,应视为对于上述方法或装置实施例的补充;对于在本发明电子设备实施例中未披露的细节,可以参照上述方法或装置实施例来实现。
图7是根据一示例性实施例示出的一种电子设备的框图。
下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于:至少一个处理单元710、至少一个存储单元720、连接不同***组件(包括存储单元720和处理单元710)的总线730、显示单元740等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元710执行,使得所述处理单元710执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元710可以执行如图2中所示的步骤。
所述存储单元720可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202,还可以进一步包括只读存储单元(ROM)7203。
所述存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204,这样的程序模块7205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备700’(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备700交互的设备通信,和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且,电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器760可以通过总线730与电子设备700的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备700使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,本发明描述的示例性实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时,使得该计算机可读介质能够实现本发明的上述方法。
所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述,本发明可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,本发明不与任何特定计算机、虚拟装置或者电子设备固有相关,各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于用户金融表现分析的授信策略管理方法,其特征在于,包括:
获取用户的金融表现信息;
根据所述金融表现信息生成所述用户的金融表现特征;
将所述金融表现特征输入用户评分模型获取所述用户的金融风险评分,其中,所述用户评分模型用于描述所述用户金融风险的概率;
根据所述金融风险评分确定用户类型,并基于所述用户历史金融表现信息生成授信策略。
2.根据权利要求1所述的方法,其特征在于,所述金融表现信息包括用户的借还款实际现金流信息、逾期状态信息及多头借贷变化信息。
3.根据权利要求1-2中任一项所述的方法,其特征在于,根据所述金融表现信息生成所述用户的金融表现特征,包括:
提取所述用户的借还款实际现金流、逾期状态及多头借贷变化信息;
将所述用户的相关信息输入用户金融表现特征模型以生成所述用户金融表现特征。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述用户金融表现特征模型是通过机器学习的方法训练获取的模型。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述通过机器学习的方法训练获取用户金融表现特征模型,包括:
获取历史用户的金融表现信息,所述金融表现信息包括历史用户的借还款实际现金流信息、逾期状态信息及多头借贷变化信息;
以所述历史用户的金融表现信息为样本,采用机器学习的方法训练以获取用户金融表现特征模型,其中,所述金融表现特征模型用以根据用户的金融表现信息获取用户的金融表现特征。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述机器学习的方法包括无监督表征学习方法。
7.根据权利要求1-6中任一项所述的方法,其特征在于,还包括:
通过对历史用户的金融表现特征进行训练生成用户评分模型。
8.一种基于用户金融表现分析的授信策略管理装置,其特征在于,
包括:
信息模块,用于获取用户的金融表现信息;
特征模块,用于根据所述金融表现信息生成所述用户的金融表现特征;
评分模块,用于将所述金融表现特征输入用户评分模型获取所述用户的金融风险评分,其中,所述用户评分模型用于描述所述用户金融风险的概率;以及
策略模块,用于根据所述金融风险评分确定用户类型,并基于所述用户历史金融表现信息生成匹配于所述类型的授信策略。
9.一种电子设备,其中,该电子设备包括:
处理器;以及,
存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010275263.9A CN111583018A (zh) | 2020-04-09 | 2020-04-09 | 一种基于用户金融表现分析的授信策略管理方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010275263.9A CN111583018A (zh) | 2020-04-09 | 2020-04-09 | 一种基于用户金融表现分析的授信策略管理方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111583018A true CN111583018A (zh) | 2020-08-25 |
Family
ID=72111507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010275263.9A Pending CN111583018A (zh) | 2020-04-09 | 2020-04-09 | 一种基于用户金融表现分析的授信策略管理方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111583018A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347343A (zh) * | 2020-09-25 | 2021-02-09 | 北京淇瑀信息科技有限公司 | 一种定制信息推送方法、装置和电子设备 |
CN113298636A (zh) * | 2021-04-28 | 2021-08-24 | 上海淇玥信息技术有限公司 | 一种基于模拟资源申请的风险控制方法、装置和*** |
CN113781239A (zh) * | 2021-09-10 | 2021-12-10 | 未鲲(上海)科技服务有限公司 | 一种策略确定方法、装置、电子设备以及存储介质 |
TWI776370B (zh) * | 2021-01-25 | 2022-09-01 | 第一商業銀行股份有限公司 | 對於基金商品的投資風險評分方法及系統 |
WO2024047668A1 (en) * | 2022-08-30 | 2024-03-07 | 1 Finance Private Limited | Comprehensive resource allocation |
CN117952185A (zh) * | 2024-03-15 | 2024-04-30 | 中国科学技术大学 | 基于多维度数据评估的金融领域大模型训练方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335138A (zh) * | 2019-06-21 | 2019-10-15 | 上海淇馥信息技术有限公司 | 一种预测客群资质变化的风险预警方法、装置和电子设备 |
CN110349009A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 一种多头借贷违约预测方法、装置和电子设备 |
CN110363656A (zh) * | 2019-07-02 | 2019-10-22 | 北京淇瑀信息科技有限公司 | 金融服务请求处理方法、装置及电子设备 |
CN110796542A (zh) * | 2019-09-26 | 2020-02-14 | 北京淇瑀信息科技有限公司 | 金融风险控制方法、金融风险控制装置和电子设备 |
-
2020
- 2020-04-09 CN CN202010275263.9A patent/CN111583018A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335138A (zh) * | 2019-06-21 | 2019-10-15 | 上海淇馥信息技术有限公司 | 一种预测客群资质变化的风险预警方法、装置和电子设备 |
CN110349009A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 一种多头借贷违约预测方法、装置和电子设备 |
CN110363656A (zh) * | 2019-07-02 | 2019-10-22 | 北京淇瑀信息科技有限公司 | 金融服务请求处理方法、装置及电子设备 |
CN110796542A (zh) * | 2019-09-26 | 2020-02-14 | 北京淇瑀信息科技有限公司 | 金融风险控制方法、金融风险控制装置和电子设备 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347343A (zh) * | 2020-09-25 | 2021-02-09 | 北京淇瑀信息科技有限公司 | 一种定制信息推送方法、装置和电子设备 |
CN112347343B (zh) * | 2020-09-25 | 2024-05-28 | 北京淇瑀信息科技有限公司 | 一种定制信息推送方法、装置和电子设备 |
TWI776370B (zh) * | 2021-01-25 | 2022-09-01 | 第一商業銀行股份有限公司 | 對於基金商品的投資風險評分方法及系統 |
CN113298636A (zh) * | 2021-04-28 | 2021-08-24 | 上海淇玥信息技术有限公司 | 一种基于模拟资源申请的风险控制方法、装置和*** |
CN113781239A (zh) * | 2021-09-10 | 2021-12-10 | 未鲲(上海)科技服务有限公司 | 一种策略确定方法、装置、电子设备以及存储介质 |
WO2024047668A1 (en) * | 2022-08-30 | 2024-03-07 | 1 Finance Private Limited | Comprehensive resource allocation |
CN117952185A (zh) * | 2024-03-15 | 2024-04-30 | 中国科学技术大学 | 基于多维度数据评估的金融领域大模型训练方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111583018A (zh) | 一种基于用户金融表现分析的授信策略管理方法、装置和电子设备 | |
CN111210335B (zh) | 用户风险识别方法、装置及电子设备 | |
CN112348660A (zh) | 生成风险警示信息的方法、装置及电子设备 | |
CN112508694B (zh) | 服务器处理资源额度申请的方法、装置及电子设备 | |
CN110705719A (zh) | 执行自动机器学习的方法和装置 | |
CN112016796B (zh) | 综合风险评分请求处理方法、装置及电子设备 | |
CN111178687B (zh) | 金融风险分类方法、装置及电子设备 | |
WO2020035075A1 (zh) | 在数据隐私保护下执行机器学习的方法和*** | |
CN111612513A (zh) | 一种基于业务项目信息的资源配置方法、装置和电子设备 | |
CN112017062B (zh) | 基于客群细分的资源额度分配方法、装置及电子设备 | |
CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
CN111210336A (zh) | 用户风险模型生成方法、装置及电子设备 | |
CN112348659A (zh) | 用户风险识别策略的分配方法、装置及电子设备 | |
CN111191677B (zh) | 用户特征数据生成方法、装置及电子设备 | |
CN111783039A (zh) | 风险确定方法、装置、计算机***和存储介质 | |
CN110348999B (zh) | 金融风险敏感用户识别方法、装置及电子设备 | |
CN110348892A (zh) | 基于用户特征的定制信息生成方法、装置及电子设备 | |
CN113610366A (zh) | 风险警告生成方法、装置及电子设备 | |
CN113610625A (zh) | 逾期风险警示方法、装置及电子设备 | |
CN114742645B (zh) | 基于多阶段时序多任务的用户安全等级识别方法及装置 | |
CN112348661B (zh) | 基于用户行为轨迹的服务策略分配方法、装置及电子设备 | |
CN113568739B (zh) | 用户资源额度分配方法、装置及电子设备 | |
CN113298555B (zh) | 推广策略生成方法、装置及电子设备 | |
CN114078046A (zh) | 风险预警信息生成方法、装置及电子设备 | |
CN112288475A (zh) | 产品推荐方法、装置及电子设备 |
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 | ||
CB02 | Change of applicant information |
Country or region after: China Address after: Room 1118, No.4, Lane 800, Tongpu Road, Putuo District, Shanghai 200062 Applicant after: SHANGHAI QIYU INFORMATION TECHNOLOGY Co.,Ltd. Address before: 201500 room a1-5962, 58 Fumin Branch Road, Hengsha Township, Chongming District, Shanghai (Shanghai Hengtai Economic Development Zone) Applicant before: SHANGHAI QIYU INFORMATION TECHNOLOGY Co.,Ltd. Country or region before: China |
|
CB02 | Change of applicant information |