CN111681102B - 信贷预测方法、装置、设备和存储介质 - Google Patents
信贷预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111681102B CN111681102B CN202010505722.8A CN202010505722A CN111681102B CN 111681102 B CN111681102 B CN 111681102B CN 202010505722 A CN202010505722 A CN 202010505722A CN 111681102 B CN111681102 B CN 111681102B
- Authority
- CN
- China
- Prior art keywords
- user
- paid
- credit
- determining
- refused
- 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
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
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- Educational Administration (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例公开了一种信贷预测方法、装置、设备和存储介质。所述方法包括:获取待预测用户的风险画像信息;将所述风险画像信息输入训练完成的信贷预测模型中,得到所述待预测用户的违约概率,其中,所述信贷预测模型基于至少一个已放款用户的样本数据和至少一个已拒绝放款用户的样本数据训练得到;基于所述违约概率,确定所述待预测用户是否为安全信贷用户。以实现精确预测信贷审批,提高信贷评估的可靠性和有效性的效果。
Description
技术领域
本发明实施例涉及神经网络技术,尤其涉及一种信贷预测方法、装置、设备和存储介质。
背景技术
金融及放贷机构接收到企业的信贷申请后,根据企业的信誉、企业信息、企业表现等对企业的信贷申请进行审核,审核通过后才会给该企业放贷。
风控信贷审批过程一般包括反欺诈策略、政策性规则、信用审批策略、人工信用审核等环节,风控***犹如一把筛子逐层过滤得到相对优质客户,最终决定是否放贷。实际应用中,对于100%的全量申请订单,实际放贷订单可能只占10%,甚至更低。
现在的风控模型一般是基于只占全量申请用户的10%的放贷样本而建立的,即是根据通过放贷申请的企业建立信贷预测模型,对该信贷预测模型进行训练,利用训练好的信贷预测模型,预测任一申请贷款的企业,是否可以对其进行放贷,但利用放贷申请中通过的企业训练的信贷预测模型,存在“使用部分样本来估计总体”的问题,对全量申请用户的风险估计就会不准确,通常会偏于乐观(风险概率预测偏低)。随着时间推移,训练的模型将越来越偏离实际情况,甚至通过了大量应该被拒绝的坏用户,致使出现大量坏账。为了降低坏账率,风控策略将进一步收紧,这又会导致放贷率难以提升,长期下来,风控***就陷入了一种恶性循环状态。
发明内容
本发明实施例提供一种信贷预测方法、装置、设备和存储介质,以实现精确预测信贷审批,提高信贷评估的可靠性和有效性的效果。
第一方面,本发明实施例提供了一种信贷预测方法,该方法包括:
获取待预测用户的风险画像信息;
将所述风险画像信息输入训练完成的信贷预测模型中,得到所述待预测用户的违约概率,其中,所述信贷预测模型基于至少一个已放款用户的样本数据和至少一个已拒绝放款用户的样本数据训练得到;
基于所述违约概率,确定所述待预测用户是否为安全信贷用户。
第二方面,本发明实施例还提供了一种信贷预测装置,该装置包括:
风险画像信息获取模块,用于获取待预测用户的风险画像信息;
违约概率确定模块,用于将所述风险画像信息输入训练完成的信贷预测模型中,得到所述待预测用户的违约概率,其中,所述信贷预测模型基于至少一个已放款用户的样本数据和至少一个已拒绝放款用户的样本数据训练得到;
放贷确定模块,用于基于所述违约概率,确定所述待预测用户是否为安全信贷用户。
第三方面,本发明实施例还提供了一种设备,该设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例中任一所述的信贷预测方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行本发明实施例中任一所述的信贷预测方法。
本发明实施例的技术方案,通过获取待预测用户的风险画像信息,将待预测用户的风险画像信息输入训练完成的信贷预测模型中,得到所述待预测用户的违约概率,基于违约概率,确定该待预测用户是否为安全信贷用户,进而确定是否给该待预测用户放贷,这样不用人为的去预测待预测用户的违约概率,实现了快速基于待预测用户的风险画像信息对待预测用户的违约概率进行预测的效果,这样可以基于得到的违约概率,判断是否给该待预测用户进行放款。同时该信贷预测模型是基于至少一个已放款用户的样本数据和至少一个已拒绝放款用户的样本数据进行训练得到的,解决了现有技术中仅依靠已放款用户的样本数据对信贷预测模型进行训练,以局部预测全部的问题,实现了对信贷预测模型的样本数据偏差进行了修正,使得信贷预测模型具有很好的鲁棒性,精确预测信贷审批,提高信贷评估的可靠性和有效性的效果。基于所述违约概率,确定所述待预测用户是否为安全信贷用户,这样实现了快速对待预测用户的信贷申请进行审批的效果。
附图说明
图1是本发明实施例一中的信贷预测方法的流程图;
图2是本发明实施例一中的风险画像信息组成示意图;
图3是本发明实施例二中的信贷预测方法的流程图;
图4是本发明实施例三中的信贷预测方法的流程图;
图5是本发明实施例三中的第一神经网络的结构示意图;
图6是本发明实施例三中的信贷预测方法的执行流程图;
图7是本发明实施例四中的信贷预测方法的流程图;
图8是本发明实施例四中的已放款用户和已拒绝放款用户的分组示意图;
图9是本发明实施例五中的信贷预测方法的流程图;
图10是本发明实施例五中的自编码器的结构示意图;
图11是本发明实施例五中的任一分组中负样本数量的确定示意图;
图12是本发明实施例五中的已拒绝放款用户的标签确定示意图;
图13是本发明实施例六中的信贷预测装置的结构示意图;
图14是本发明实施例七中的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的信贷预测方法的流程图,本实施例可适用于信贷审批的情况,该方法可以由信贷预测装置来执行,该信贷预测装置可以由软件和/或硬件来实现,该信贷预测装置可以配置在计算设备上,具体包括如下步骤:
S110、获取待预测用户的风险画像信息。
示例性的,待预测用户可以是需进行信贷审批预测的用户,例如,可以是需进行信贷审批的个人,也可以是需进行信贷审批的企业。
风险画像信息可以是待预测用户的用户基础信息画像、设备行为画像、applist画像、聚合关联、外部数据、行为埋点、团伙识别信息、短信画像、网贷账单等其中的一个或多个组合信息。参考图2所述的风险画像信息组成示意图,如果待预测用户为需进行信贷审批的个人,这里的用户基础信息画像可以是但不限于包括:现单位工作年限、职位、行业类别等,若待预测用户为需进行信贷审批的企业,则这里的用户基础信息画像还可以是但不限于包括:渠道入口标签(企业信贷审批的物品的进货渠道入口标签)、用户注册时长(用户注册信贷程序应用的时长)等;设备行为画像可以是但不限于包括:前一月登陆次数(待预测用户前一个月内登陆信贷程序应用的次数)等;applist画像可以是但不限于包括:社交类程序应用个数(微信、QQ等社交程序应用的个数)、贷款类程序应用个数、办公学习类程序应用个数等。
这样通过获取的待预测用户的风险画像信息,以便后续可以基于该风险画像信息,以及信贷预测模型,预测待预测用户的违约概率,进而基于预测的违约概率,判断该待预测用户是否为安全信贷用户,进而确定是否要给该待预测用户进行贷款。
S120、将所述风险画像信息输入训练完成的信贷预测模型中,得到所述待预测用户的违约概率,其中,所述信贷预测模型基于至少一个已放款用户的样本数据和至少一个已拒绝放款用户的样本数据训练得到。
示例性的,信贷预测模型可以是对待预测用户的信贷申请进行预测的模型,该信贷预测模型例如可以是全卷积神经网络(Fully Convolutional Networks,FCN)、U-net神经网络、二维卷积神经网络(CNN-2d)、特征金字塔网络(Feature Pyramid Networks,FPN)。
违约概率可以是待预测用户在未按信贷审批机构的要求进行还款的概率,例如可以是待预测用户预设时间逾期未还款的概率,比如可以是待预测用户逾期信贷审批机构规定的时间30天未还款的概率。
信贷预测模型是基于至少一个已放款用户的样本数据和至少一个已拒绝放款用户的样本数据训练得到的。
这里的已放款用户可以是信贷审批机构已通过给放款的用户。这里的已放款用户的样本数据可以是已放款用户的风险画像信息和已放款用户的标签类型,这里的标签类型包括:正标签和负标签。这里的正标签可以是好,具体可以是指已放款用户中按期还款的用户,该类用户为正标签。这里的负标签可以是坏,具体可以是指已放款用户中未按期还款的用户,该类用户为负标签。
相对应的,这里的已拒绝放款用户可以是信贷审批机构已拒绝给放款的用户。这里的已拒绝放款用户的样本数据可以是已拒绝放款用户的风险画像信息和已拒绝放款用户的标签类型。同样的,这里的标签类型包括:正标签和负标签。这里的正标签可以是好,具体可以是指已拒绝放款用户中可能会按期还款的用户,该类用户为正标签。这里的负标签可以是坏,具体可以是指已拒绝放款用户中可能未按期还款的用户,该类用户为负标签。
将待预测用户的风险画像信息输入训练完成的信贷预测模型中,得到待预测用户的违约概率,不用人为的去预测待预测用户的违约概率,实现了快速基于待预测用户的风险画像信息对待预测用户的违约概率进行预测的效果,这样可以基于得到的违约概率,判断该待预测用户是否为安全信贷用户,进而确定是否给该待预测用户进行放款。同时该信贷预测模型是基于至少一个已放款用户的样本数据和至少一个已拒绝放款用户的样本数据进行训练得到的,解决了现有技术中仅依靠已放款用户的样本数据对信贷预测模型进行训练,以局部预测全部的问题,实现了对信贷预测模型的样本数据偏差进行了修正,使得信贷预测模型具有很好的鲁棒性,精确预测信贷审批,提高信贷评估的可靠性和有效性的效果。
S130、基于所述违约概率,确定所述待预测用户是否为安全信贷用户。
示例性的,基于得到的违约概率,可以基于预设的评判规则,可以确定该待预测用户是否为安全信贷用户,进而确定是否对待预测用户进行放贷。这样实现了快速对待预测用户的信贷申请进行审批的效果。
可选的,所述基于所述违约概率,确定所述待预测用户是否为安全信贷用户,具体可以是:基于所述违约概率,确定所述待预测用户的个人信用评分分数;基于所述个人信用评分分数和预设标准,确定所述待预测用户是否为安全信贷用户。
示例性的,个人信用评分可以是基于预测的待预测用户的违约概率,基于一定的预设计算规则,得到的待预设用户的个人信用评分,例如可以是FICO评分。
基于预测的待预测用户的违约概率,基于一定的预设计算规则,得到的待预设用户的个人信用评分,具体可以是根据如下公式,得到待预测用户的个人信用评分:
a=800-20*log(20)/log(2);
b=20/log(2);
score=a+b*log(p/(1-p));
其中,p为信贷预测模型预测的待预测用户的违约概率值。
预设标准可以是预先设置的个人信用评分分数与是否进行放贷的评判标准,例如可以是,当待预测用户的个人信用评分分数大于等于70时,确定该待预测用户为安全信贷用户,即可给该待预测用户进行放贷。
基于违约概率,确定待预测用户的个人信用评分分数,这样可很明确知道待预测用户的个人信用评分分数,基于待预测用户的个人信用评分分数和预设标准,以便确定该待预测用户是否为安全信贷用户,进而确定是否为待预测用户进行放贷。
本发明实施例的技术方案,通过获取待预测用户的风险画像信息,将待预测用户的风险画像信息输入训练完成的信贷预测模型中,得到所述待预测用户的违约概率,基于违约概率,确定该待预测用户是否为安全信贷用户,进而确定是否给该待预测用户放贷,这样不用人为的去预测待预测用户的违约概率,实现了快速基于待预测用户的风险画像信息对待预测用户的违约概率进行预测的效果,这样可以基于得到的违约概率,判断是否给该待预测用户进行放款。同时该信贷预测模型是基于至少一个已放款用户的样本数据和至少一个已拒绝放款用户的样本数据进行训练得到的,解决了现有技术中仅依靠已放款用户的样本数据对信贷预测模型进行训练,以局部预测全部的问题,实现了对信贷预测模型的样本数据偏差进行了修正,使得信贷预测模型具有很好的鲁棒性,精确预测信贷审批,提高信贷评估的可靠性和有效性的效果。基于所述违约概率,确定所述待预测用户是否为安全信贷用户,这样实现了快速对待预测用户的信贷申请进行审批的效果。
实施例二
图3为本发明实施例二提供的信贷预测方法的流程图,本发明实施例与上述实施例中各个可选方案可以结合。在本发明实施例中,可选地,信贷预测模型的训练方法包括:根据所述已放款用户的样本数据和所述已拒绝放款用户的样本数据中风险画像信息确定各样本数据对应的标签,其中,所述标签包括:正标签和负标签;基于各样本数据中的风险画像信息和对应的标签对待训练的信贷预测模型进行迭代训练。
如图3所示,本发明实施例的方法具体包括如下步骤:
S210、根据所述已放款用户的样本数据和所述已拒绝放款用户的样本数据中风险画像信息确定各样本数据对应的标签,其中,所述标签包括:正标签和负标签。
示例性的,根据已放款用户的样本数据中的风险画像信息,基于预设的规则,可以确定已放款用户中的好标签用户和坏标签用户,根据已拒绝放款用户的样本数据中的风险画像信息,基于预设的规则,可以确定已拒绝放款用户中的好标签用户和坏标签用户。这样以便后续基于已放款用户的样本数据中的风险画像信息和对应标签,以及已拒绝放款用户的样本数据中的风险画像信息和对应标签,对信贷预测模型进行训练。
S220、基于各样本数据中的风险画像信息和对应的标签对待训练的信贷预测模型进行迭代训练。
这样基于已放款用户的样本数据中的风险画像信息和对应标签,以及已拒绝放款用户的样本数据中的风险画像信息和对应标签,对信贷预测模型进行迭代训练,解决了现有技术中仅依靠已放款用户的样本数据对信贷预测模型进行训练,以局部预测全部的问题,实现了对信贷预测模型的样本数据偏差进行了修正,使得信贷预测模型具有很好的鲁棒性,精确预测信贷审批,提高信贷评估的可靠性和有效性的效果,同时这样以便后续基于训练好的信贷预测模型对待预测用户进行预测。
需要说明的是,在对信贷预测模型进行训练前,首先要构造网络(例如U-net,FCN等),接着给定网络参数如:迭代轮数、学***均像素精度MPA与F1分数作为评价指标,这里不做限定。
S230、获取待预测用户的风险画像信息。
S240、将所述风险画像信息输入训练完成的信贷预测模型中,得到所述待预测用户的违约概率,其中,所述信贷预测模型基于至少一个已放款用户的样本数据和至少一个已拒绝放款用户的样本数据训练得到。
S250、基于所述违约概率,确定所述待预测用户是否为安全信贷用户。
本发明实施例的技术方案,通过根据所述已放款用户的样本数据和所述已拒绝放款用户的样本数据中风险画像信息确定各样本数据对应的标签,其中,所述标签包括:正标签和负标签,这样以便后续基于已放款用户的样本数据中的风险画像信息和对应标签,以及已拒绝放款用户的样本数据中的风险画像信息和对应标签,对信贷预测模型进行训练。基于各样本数据中的风险画像信息和对应的标签对待训练的信贷预测模型进行迭代训练,解决了现有技术中仅依靠已放款用户的样本数据对信贷预测模型进行训练,以局部预测全部的问题,实现了对信贷预测模型的样本数据偏差进行了修正,使得信贷预测模型具有很好的鲁棒性,精确预测信贷审批,提高信贷评估的可靠性和有效性的效果,同时这样以便后续基于训练好的信贷预测模型对待预测用户进行预测。
实施例三
图4为本发明实施例三提供的信贷预测方法的流程图,本发明实施例与上述实施例中各个可选方案可以结合。在本发明实施例中,可选地,所述根据所述已放款用户的样本数据和所述已拒绝放款用户的样本数据中风险画像信息确定各样本数据对应的标签,包括:基于已放款用户的贷后表现数据,确定所述已放款用户的标签,所述贷后表现数据包括:还贷款数据;基于所述已放款用户的风险画像信息和对应的标签,训练得到第一神经网络;基于所述第一神经网络对所述已拒绝放款用户的风险画像信息进行预测,确定所述已拒绝放款用户在逾期预设时间未还款的第一概率;基于所述已放款用户的标签和所述已拒绝放款用户在逾期预设时间未还贷款的第一概率,确定所述已拒绝放款用户的标签。
如图4所示,本发明实施例的方法具体包括如下步骤:
S310、基于已放款用户的贷后表现数据,确定所述已放款用户的标签,所述贷后表现数据包括:还贷款数据。
示例性的,已放款用户的贷后表现数据可以是已放款用户审批通过获得贷款后的表现数据,例如可以是已放款用户贷后的还贷款数据,比如,已放款用户贷后的还贷款的时间以及还贷款的金额是否满足信贷审批机构给规范的时间和金额。若某一已放款用户贷后的还贷款时间和金额满足信贷审批机构给规范的时间和金额,则确定该放款用户的标签为好标签;若某一已放款用户贷后的还贷款时间和金额不满足信贷审批机构给规范的时间和金额,则确定该放款用户的标签为坏标签。这样基于已放款用户的贷后表现数据,确定已放款用户的标签,可以很精确知道已放款用户的标签类型,以便后续基于该标签类型,对第一神经网络进行训练。
S320、基于所述已放款用户的风险画像信息和对应的标签,训练得到第一神经网络。
示例性的,第一神经网络可以是预测任一用户逾期未还款的概率的神经网络。这里第一神经网络是根据已放款用户的风险画像信息和其对应的标签进行训练得到的。这里的第一神经网络可以是三层全连接神经网络,参考图5所述的第一神经网络的结构示意图,该第一神经网络中的具有输入层、隐藏层和输出层三个部分,将已放款用户的风险画像信息输入第一神经网络的输入层,经隐藏层的计算后,在输出层输出结果。
具体的,参考图6所述的信贷预测方法的执行流程图,该流程图一共分为三大部分:已放款用户训练第一神经网络、预测已拒绝放款用户样本数据、全量样本数据训练信贷预测模型。
针对第一部分,利用已放款用户的风险画像信息和其对应的标签对第一神经网络进行训练的过程与现有的神经网络的训练过程相同,这里不做详细介绍。这样以便后续利用训练好的第一神经网络对已拒绝放款用户进行预测。
S330、基于所述第一神经网络对所述已拒绝放款用户的风险画像信息进行预测,确定所述已拒绝放款用户逾期预设时间未还款的第一概率。
示例性的,预设时间可以是预先设置的时间,例如,可以是信贷审批机构预先设置的用户在信贷审批机构规定的时间之后的时间,比如,信贷审批机构规定放款后一年内要还清本年度的本金及利息,若有特殊情况,可在一年的期限后延迟30天还,这里的一年+30天则是预设时间。
第一概率可以是基于训练好的第一神经网络得到的已拒绝放款用户在逾期预设时间未还款的概率。
具体的可以是,将各已拒绝放款用户的风险画像信息输入训练好的第一神经网络中,第一神经网络可输出各已拒绝放款用户逾期预设时间未还款的概率,这样可以基于训练好的第一神经网络,精确获得各已拒绝放款用户逾期预设时间未还款的概率。
S340、基于所述已放款用户的标签和所述已拒绝放款用户逾期预设时间未还款的第一概率,确定所述已拒绝放款用户的标签。
示例性的,基于已放款用户的标签、已拒绝放款用户逾期预设时间未还款的第一概率,基于预设确定规则,可确定已拒绝放款用户的标签。这样可明确知道已拒绝放款用户的标签,以便后续基于已放款用户的样本数据和已拒绝放款用户的样本数据对信贷预测模型进行训练。
S350、基于各样本数据中的风险画像信息和对应的标签对待训练的信贷预测模型进行迭代训练。
S360、获取待预测用户的风险画像信息。
S370、将所述风险画像信息输入训练完成的信贷预测模型中,得到所述待预测用户的违约概率,其中,所述信贷预测模型基于至少一个已放款用户的样本数据和至少一个已拒绝放款用户的样本数据训练得到。
S380、基于所述违约概率,确定所述待预测用户是否为安全信贷用户。
本发明实施例的技术方案,通过基于已放款用户的贷后表现数据,确定已放款用户的标签,基于已放款用户的风险画像信息和对应的标签,训练得到第一神经网络,利用训练好的第一神经网络对已拒绝放款用户的风险画像信息进行预测,确定已拒绝放款用户逾期预设时间未还款的第一概率,基于已放款用户的标签和已拒绝放款用户逾期预设时间未还款的第一概率,确定已拒绝放款用户的标签,这样可明确知道已拒绝放款用户的标签,以便后续基于已放款用户的样本数据和已拒绝放款用户的样本数据对信贷预测模型进行训练,解决了现有技术中仅依靠已放款用户的样本数据对信贷预测模型进行训练,以局部预测全部的问题,实现了对信贷预测模型的样本数据偏差进行了修正,使得信贷预测模型具有很好的鲁棒性,精确预测信贷审批,提高信贷评估的可靠性和有效性的效果。
实施例四
图7为本发明实施例四提供的信贷预测方法的流程图,本发明实施例与上述实施例中各个可选方案可以结合。在本发明实施例中,可选地,所述基于所述已放款用户的标签和所述已拒绝放款用户逾期预设时间未还款的第一概率,确定所述已拒绝放款用户的标签,包括:基于所述第一神经网络对所述已放款用户的风险画像信息进行预测,确定所述已放款用户在逾期预设时间未还款的第二概率;基于所述第二概率对所述已放款用户进行分组,并基于各已放款用户的标签确定各分组的第一负样本比例;基于所述第一概率对所述已拒绝放款用户进行分组,并基于所述第一负样本比例确定所述已拒绝放款用户的对应分组的第二负样本比例;基于所述已拒绝放款用户的分组结果和各分组的第二负样本比例确定所述已拒绝放款用户的标签。
如图7所示,本发明实施例的方法具体包括如下步骤:
S401、基于已放款用户的贷后表现数据,确定所述已放款用户的标签,所述贷后表现数据包括:还贷款数据。
S402、基于所述已放款用户的风险画像信息和对应的标签,训练得到第一神经网络。
S403、基于所述第一神经网络对所述已拒绝放款用户的风险画像信息进行预测,确定所述已拒绝放款用户逾期预设时间未还款的第一概率。
S404、基于所述第一神经网络对所述已放款用户的风险画像信息进行预测,确定所述已放款用户逾期预设时间未还款的第二概率。
示例性的,第二概率可以是利用第一神经网络预测的已放款用户逾期预设时间未还款的概率。
具体的可以是,将各已放款用户的风险画像信息输入训练好的第一神经网络中,第一神经网络可输出各已放款用户逾期预设时间未还款的概率,这样可以基于训练好的第一神经网络,精确获得各已放款用户逾期预设时间未还款的概率。
S405、基于所述第二概率对所述已放款用户进行分组,并基于各已放款用户的标签确定各分组的第一负样本比例。
示例性的,第一负样本比例可以是各已放款用户的各分组中坏标签的已放款用户在该组所占的比例。
将已放款用户逾期预设时间未还款的第二概率,基于预设分组规则进行分组,例如,可以是将第二概率进行等距分组,比如,第二概率的值分别为0、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9和1,可将第二概率每0.1分一组,即分为10组,分别为[0,0.1)、[0.1,0.2)、[0.2,0.3)、[0.3,0.4)、[0.4,0.5)、[0.5,0.6)、[0.6,0.7)、[0.7,0.8)、[0.8,0.9)和[0.9,1]。根据各已放款用户的标签,可确定将各组中坏标签的已放款用户所占的比例,这样以便后续基于第一负样本比例,确定各已拒绝放款用户的标签。
S406、基于所述第一概率对所述已拒绝放款用户进行分组,并基于所述第一负样本比例确定所述已拒绝放款用户的对应分组的第二负样本比例。
示例性的,第二负样本比例可以是各已拒绝放款用户的各分组中坏标签的已拒绝放款用户在该组所占的比例。
可以基于第二概率的分组,对已拒绝放款用户进行分组,具体可以是,将已拒绝放款用户逾期预设时间未还款的第一概率按第二概率的分组进行分组,例如,参考图8所述的已放款用户和已拒绝放款用户的分组示意图,可以是将第一概率也按[0,0.1)、[0.1,0.2)、[0.2,0.3)、[0.3,0.4)、[0.4,0.5)、[0.5,0.6)、[0.6,0.7)、[0.7,0.8)、[0.8,0.9)和[0.9,1]分为10组。
基于第一负样本比例,根据一定的计算规则,可以确定已拒绝放款用户的对应分组的第二负样本比例。可选的,对应分组中,第二负样本比例为第一负样本比例的预设倍数,这里的预设倍数可以是第二负样本比例和第一负样本比例的经验风险因子,具体的可以是,实际应用中,各组中的第二负样本比例是第一负样本比例的2-4倍。图8中的以第二负样本比例是第一负样本比例的2倍为例进行说明。
需要说明的是,在基于已放款用户逾期预设时间未还款的第二概率进行分组时,还可以是先将第二概率乘以100得到已放款用户逾期预设时间未还款的分数,基于该分数进行分组,分组方法可以与上述基于第二概率进行分组一致,这里不再详细介绍。已拒绝放款用户的分组也可先将第一概率乘以100得到已拒绝放款用户逾期预设时间未还款的分数,基于已放款用户的分组规则,对已拒绝放款用户进行分组。
这样以便后续基于第二负样本比例可确定已拒绝放款用户的标签。
S407、基于所述已拒绝放款用户的分组结果和各分组的第二负样本比例确定所述已拒绝放款用户的标签。
示例性的,根据已拒绝放款用户的分组结果和各分组的第二负样本比例,根据一定计算规则,例如可以是计算各分组中已拒绝放款用户与已放款用户的欧式距离,来确定各已拒绝放款用户的标签,这样可基于确定的已拒绝放款用户的标签,以及已放款用户的标签,以及已拒绝放款用户的风险画像信息和已放款用户的风险画像信息,可对信贷预测模型进行训练,这样就解决了现有技术中仅依靠已放款用户的样本数据对信贷预测模型进行训练,以局部预测全部的问题,实现了对信贷预测模型的样本数据偏差进行了修正,使得信贷预测模型具有很好的鲁棒性,精确预测信贷审批,提高信贷评估的可靠性和有效性的效果。
S408、基于各样本数据中的风险画像信息和对应的标签对待训练的信贷预测模型进行迭代训练。
S409、获取待预测用户的风险画像信息。
S410、将所述风险画像信息输入训练完成的信贷预测模型中,得到所述待预测用户的违约概率,其中,所述信贷预测模型基于至少一个已放款用户的样本数据和至少一个已拒绝放款用户的样本数据训练得到。
S411、基于所述违约概率,确定所述待预测用户是否为安全信贷用户。
本发明实施例的技术方案,通过基于第一神经网络对已放款用户的风险画像信息进行预测,确定已放款用户逾期预设时间未还款的第二概率,基于所述第二概率对所述已放款用户进行分组,并基于各已放款用户的标签确定各分组的第一负样本比例,基于所述第一概率对所述已拒绝放款用户进行分组,并基于所述第一负样本比例确定所述已拒绝放款用户的对应分组的第二负样本比例,基于所述已拒绝放款用户的分组结果和各分组的第二负样本比例确定所述已拒绝放款用户的标签,这样可基于确定的已拒绝放款用户的标签,以及已放款用户的标签,以及已拒绝放款用户的风险画像信息和已放款用户的风险画像信息,可对信贷预测模型进行训练,这样就解决了现有技术中仅依靠已放款用户的样本数据对信贷预测模型进行训练,以局部预测全部的问题,实现了对信贷预测模型的样本数据偏差进行了修正,使得信贷预测模型具有很好的鲁棒性,精确预测信贷审批,提高信贷评估的可靠性和有效性的效果。
实施例五
图9为本发明实施例五提供的信贷预测方法的流程图,本发明实施例与上述实施例中各个可选方案可以结合。在本发明实施例中,可选地,所述基于所述已拒绝放款用户的分组结果和各分组的第二负样本比例确定所述已拒绝放款用户的标签,包括:根据所述已拒绝放款用户的分组结果和各分组的第二负样本比例,确定各分组中负样本数量;分别计算各已拒绝放款用户的风险画像信息与所述至少一个已放款用户的风险画像信息的欧式距离;根据所述欧式距离以及所述各分组中负样本数量确定各已拒绝放款用户的标签。可选的,在基于所述已放款用户的风险画像信息和对应的标签,训练得到第一神经网络之前,还包括:对至少一个已放款用户的风险画像信息进行降维压缩处理。
如图9所示,本发明实施例的方法具体包括如下步骤:
S501、基于已放款用户的贷后表现数据,确定所述已放款用户的标签,所述贷后表现数据包括:还贷款数据。
S502、对至少一个已放款用户的风险画像信息进行降维压缩处理。
示例性的,这里可以是采集用自编码器对已放款用户的风险画像信息进行降维压缩处理。由于已放款用户的风险画像信息为多维信息,这样在对第一神经网络进行训练时,就会增加第一神经网络的学习负担,降低第一神经网络的训练效率,利用自编码器对已放款用户的风险画像信息进行压缩编码,将高位的风险画像信息用低维的向量来表示,可使得压缩后的低维向量能保留输入第一神经网络的风险画像信息的典型特征,这样提高了第一神经网络的训练效率。
参考图10所述的自编码器的结构示意图,自编码器的特点为输入层等于输出层,即输入层的神经元的数量与输出层的神经元的数量一样,保证输入等于输出。
S503、基于所述已放款用户的风险画像信息和对应的标签,训练得到第一神经网络。
S504、基于所述第一神经网络对所述已拒绝放款用户的风险画像信息进行预测,确定所述已拒绝放款用户逾期预设时间未还款的第一概率。
S505、基于所述第一神经网络对所述已放款用户的风险画像信息进行预测,确定所述已放款用户逾期预设时间未还款的第二概率。
S506、基于所述第二概率对所述已放款用户进行分组,并基于各已放款用户的标签确定各分组的第一负样本比例。
S507、基于所述第一概率对所述已拒绝放款用户进行分组,并基于所述第一负样本比例确定所述已拒绝放款用户的对应分组的第二负样本比例。
S508、根据所述已拒绝放款用户的分组结果和各分组的第二负样本比例,确定各分组中负样本数量。
示例性的,参考图11所述的任一分组中负样本数量的确定示意图,图11是以图8中的第一组为例进行说明。例如,[0,0.1)该组中已放款样本的第一负样本比例为0.52%,第二负样本比例为1.04%(经验风险因子为2),若已拒绝放款用户共10000个,则已拒绝放款用户中的坏标签用户为104个。其他分组中的负样本数量与第一组的确定方法相同,这里不做详细介绍。这样基于确定的各组中负样本数量,以便后续可确定各分组中已拒绝放款用户的标签。
S509、分别计算各已拒绝放款用户的风险画像信息与所述至少一个已放款用户的风险画像信息的欧式距离。
示例性的,参考图12所述的已拒绝放款用户的标签确定示意图,图12中,圆圈“○”标识为已放款用户中好标签的已放款用户的风险画像信息,三角形“△”标识为已放款用户中坏标签的已放款用户的风险画像信息。方形“□”标识为任一已拒绝放款用户的风险画像信息。
当将任一分组中的任一已拒绝放款用户放入该分组中的已放款用户中时,可计算该已拒绝放款用户的风险画像信息与该分组中各已放款用户的风险画像信息的欧式距离。这样基于计算的欧式距离,以便后续确定已拒绝放款用户的标签。
S510、根据所述欧式距离以及所述各分组中负样本数量确定各已拒绝放款用户的标签。
示例性的,根据计算的任一组中已拒绝放款用户的风险画像信息与该分组中各已放款用户的风险画像信息的欧式距离,可对该组中计算的欧式距离进行排序,将预设数量欧式距离最小的已放款用户确定出来,例如,如图12中,可将与该组中已拒绝放款用户的欧式距离最小的3个已放款用户确定出来。基于确定的已放款用户的标签,来确定该组中该已拒绝放款用户的标签,例如,可以是判断确定的已放款用户的哪种标签数量较多,即可确定该已拒绝放款用户的标签为该种标签,比如,如图12,确定出3个欧式距离最小的已放款用户,这3个已放款用户中,有2个是坏标签的已放款用户,1个是好标签的已放款用户,则该已拒绝放款用户的标签为坏标签。
以此类推,直至将该组中的坏标签数量达到阈值104个时,停止遍历,若不满104个,则将该组中的坏标签的已拒绝放款用户在该组中随机补齐。其他组的已拒绝放款用户的标签确定方式与第一组相同,这里不做详细介绍。
这样基于确定的已拒绝放款用户的标签,以及已放款用户的标签,以及已拒绝放款用户的风险画像信息和已放款用户的风险画像信息,可对信贷预测模型进行训练,这样就解决了现有技术中仅依靠已放款用户的样本数据对信贷预测模型进行训练,以局部预测全部的问题,实现了对信贷预测模型的样本数据偏差进行了修正,使得信贷预测模型具有很好的鲁棒性,精确预测信贷审批,提高信贷评估的可靠性和有效性的效果。
S511、基于各样本数据中的风险画像信息和对应的标签对待训练的信贷预测模型进行迭代训练。
S512、获取待预测用户的风险画像信息。
S513、将所述风险画像信息输入训练完成的信贷预测模型中,得到所述待预测用户的违约概率,其中,所述信贷预测模型基于至少一个已放款用户的样本数据和至少一个已拒绝放款用户的样本数据训练得到。
S514、基于所述违约概率,确定所述待预测用户是否为安全信贷用户。
本发明实施例的技术方案,通过对至少一个已放款用户的风险画像信息进行降维压缩处理,提高了第一神经网络的训练效率。根据所述已拒绝放款用户的分组结果和各分组的第二负样本比例,确定各分组中负样本数量,分别计算各已拒绝放款用户的风险画像信息与所述至少一个已放款用户的风险画像信息的欧式距离,根据所述欧式距离以及所述各分组中负样本数量确定各已拒绝放款用户的标签,这样基于确定的已拒绝放款用户的标签,以及已放款用户的标签,以及已拒绝放款用户的风险画像信息和已放款用户的风险画像信息,可对信贷预测模型进行训练,这样就解决了现有技术中仅依靠已放款用户的样本数据对信贷预测模型进行训练,以局部预测全部的问题,实现了对信贷预测模型的样本数据偏差进行了修正,使得信贷预测模型具有很好的鲁棒性,精确预测信贷审批,提高信贷评估的可靠性和有效性的效果。
实施例六
图13为本发明实施例六提供的信贷预测装置的结构示意图,如图13所示,该装置包括:风险画像信息获取模块31、违约概率确定模块32和放贷确定模块33。
其中,风险画像信息获取模块31,用于获取待预测用户的风险画像信息;
违约概率确定模块32,用于将所述风险画像信息输入训练完成的信贷预测模型中,得到所述待预测用户的违约概率,其中,所述信贷预测模型基于至少一个已放款用户的样本数据和至少一个已拒绝放款用户的样本数据训练得到;
放贷确定模块33,用于基于所述违约概率,确定所述待预测用户是否为安全信贷用户。
在上述实施例的技术方案的基础上,该装置还包括:
标签确定模块,用于根据所述已放款用户的样本数据和所述已拒绝放款用户的样本数据中风险画像信息确定各样本数据对应的标签,其中,所述标签包括:正标签和负标签;
训练模块,用于基于各样本数据中的风险画像信息和对应的标签对待训练的信贷预测模型进行迭代训练。
在上述实施例的技术方案的基础上,标签确定模块包括:
标签确定第一单元,用于基于已放款用户的贷后表现数据,确定所述已放款用户的标签,所述贷后表现数据包括:还贷款数据;
第一神经网络获得单元,用于基于所述已放款用户的风险画像信息和对应的标签,训练得到第一神经网络;
第一概率确定单元,用于基于所述第一神经网络对所述已拒绝放款用户的风险画像信息进行预测,确定所述已拒绝放款用户逾期预设时间未还款的第一概率;
标签确定第二单元,用于基于所述已放款用户的标签和所述已拒绝放款用户逾期预设时间未还款的第一概率,确定所述已拒绝放款用户的标签。
在上述实施例的技术方案的基础上,标签确定第二单元包括:
第二概率确定子单元,用于基于所述第一神经网络对所述已放款用户的风险画像信息进行预测,确定所述已放款用户逾期预设时间未还款的第二概率;
第一负样本比例确定子单元,用于基于所述第二概率对所述已放款用户进行分组,并基于各已放款用户的标签确定各分组的第一负样本比例;
第二负样本比例确定子单元,用于基于所述第一概率对所述已拒绝放款用户进行分组,并基于所述第一负样本比例确定所述已拒绝放款用户的对应分组的第二负样本比例;
标签确定第二子单元,用于基于所述已拒绝放款用户的分组结果和各分组的第二负样本比例确定所述已拒绝放款用户的标签。
可选的,对应分组中,所述第二负样本比例为所述第一负样本比例的预设倍数。
在上述实施例的技术方案的基础上,标签确定第二子单元具体用于:
根据所述已拒绝放款用户的分组结果和各分组的第二负样本比例,确定各分组中负样本数量;分别计算各已拒绝放款用户的风险画像信息与所述至少一个已放款用户的风险画像信息的欧式距离;根据所述欧式距离以及所述各分组中负样本数量确定各已拒绝放款用户的标签。
在上述实施例的技术方案的基础上,放贷确定模块包括:
个人信用评分分数确定单元,用于基于所述违约概率,确定所述待预测用户的个人信用评分分数;
放贷确定单元,用于基于所述个人信用评分分数和预设标准,确定所述待预测用户是否为安全信贷用户。
在上述实施例的技术方案的基础上,标签确定模块还包括:
信息处理单元,用于对至少一个已放款用户的风险画像信息进行降维压缩处理。
本发明实施例所提供的信贷预测装置可执行本发明任意实施例所提供的信贷预测方法,具备执行方法相应的功能模块和有益效果。
实施例七
图14为本发明实施例七提供的一种设备的结构示意图,如图14所示,该设备包括处理器70、存储器71、输入装置72和输出装置73;设备中处理器70的数量可以是一个或多个,图14中以一个处理器70为例;设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接,图14中以通过总线连接为例。
存储器71作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的信贷预测方法对应的程序指令/模块(例如,风险画像信息获取模块31、违约概率确定模块32和放贷确定模块33)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的信贷预测方法。
存储器71可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器71可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器71可进一步包括相对于处理器70远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置72可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
实施例八
本发明实施例八还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种信贷预测方法。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的信贷预测方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,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,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,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。
值得注意的是,上述信贷预测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种信贷预测方法,其特征在于,包括:
获取待预测用户的风险画像信息;
将所述风险画像信息输入训练完成的信贷预测模型中,得到所述待预测用户的违约概率,其中,所述信贷预测模型基于至少一个已放款用户的样本数据和至少一个已拒绝放款用户的样本数据训练得到;
基于所述违约概率,确定所述待预测用户是否为安全信贷用户;
所述信贷预测模型的训练方法包括:
根据所述已放款用户的样本数据和所述已拒绝放款用户的样本数据中风险画像信息确定各样本数据对应的标签,其中,所述标签包括:正标签和负标签;
基于各样本数据中的风险画像信息和对应的标签对待训练的信贷预测模型进行迭代训练;
所述根据所述已放款用户的样本数据和所述已拒绝放款用户的样本数据中风险画像信息确定各样本数据对应的标签,包括:
基于已放款用户的贷后表现数据,确定所述已放款用户的标签,所述贷后表现数据包括:还贷款数据;
基于所述已放款用户的风险画像信息和对应的标签,训练得到第一神经网络;
基于所述第一神经网络对所述已拒绝放款用户的风险画像信息进行预测,确定所述已拒绝放款用户逾期预设时间未还款的第一概率;
基于所述已放款用户的标签和所述已拒绝放款用户逾期预设时间未还贷款的第一概率,确定所述已拒绝放款用户的标签。
2.根据权利要求1所述的方法,其特征在于,所述基于所述已放款用户的标签和所述已拒绝放款用户逾期预设时间未还贷款的第一概率,确定所述已拒绝放款用户的标签,包括:
基于所述第一神经网络对所述已放款用户的风险画像信息进行预测,确定所述已放款用户逾期预设时间未还款的第二概率;
基于所述第二概率对所述已放款用户进行分组,并基于各已放款用户的标签确定各分组的第一负样本比例;
基于所述第一概率对所述已拒绝放款用户进行分组,并基于所述第一负样本比例确定所述已拒绝放款用户的对应分组的第二负样本比例;
基于所述已拒绝放款用户的分组结果和各分组的第二负样本比例确定所述已拒绝放款用户的标签。
3.根据权利要求2所述的方法,其特征在于,对应分组中,所述第二负样本比例为所述第一负样本比例的预设倍数。
4.根据权利要求3所述的方法,其特征在于,所述基于所述已拒绝放款用户的分组结果和各分组的第二负样本比例确定所述已拒绝放款用户的标签,包括:
根据所述已拒绝放款用户的分组结果和各分组的第二负样本比例,确定各分组中负样本数量;
分别计算各已拒绝放款用户的风险画像信息与所述至少一个已放款用户的风险画像信息的欧式距离;
根据所述欧式距离以及所述各分组中负样本数量确定各已拒绝放款用户的标签。
5.根据权利要求1所述的方法,其特征在于,所述基于所述违约概率,确定所述待预测用户是否为安全信贷用户,包括:
基于所述违约概率,确定所述待预测用户的个人信用评分分数;
基于所述个人信用评分分数和预设标准,确定所述待预测用户是否为安全信贷用户。
6.根据权利要求1所述的方法,其特征在于,在基于所述已放款用户的风险画像信息和对应的标签,训练得到第一神经网络之前,还包括:
对至少一个已放款用户的风险画像信息进行降维压缩处理。
7.一种信贷预测装置,其特征在于,包括:
风险画像信息获取模块,用于获取待预测用户的风险画像信息;
违约概率确定模块,用于将所述风险画像信息输入训练完成的信贷预测模型中,得到所述待预测用户的违约概率,其中,所述信贷预测模型基于至少一个已放款用户的样本数据和至少一个已拒绝放款用户的样本数据训练得到;
放贷确定模块,用于基于所述违约概率,确定所述待预测用户是否为安全信贷用户;
标签确定模块,用于根据所述已放款用户的样本数据和所述已拒绝放款用户的样本数据中风险画像信息确定各样本数据对应的标签,其中,所述标签包括:正标签和负标签;
训练模块,用于基于各样本数据中的风险画像信息和对应的标签对待训练的信贷预测模型进行迭代训练;
标签确定第一单元,用于基于已放款用户的贷后表现数据,确定所述已放款用户的标签,所述贷后表现数据包括:还贷款数据;
第一神经网络获得单元,用于基于所述已放款用户的风险画像信息和对应的标签,训练得到第一神经网络;
第一概率确定单元,用于基于所述第一神经网络对所述已拒绝放款用户的风险画像信息进行预测,确定所述已拒绝放款用户逾期预设时间未还款的第一概率;
标签确定第二单元,用于基于所述已放款用户的标签和所述已拒绝放款用户逾期预设时间未还款的第一概率,确定所述已拒绝放款用户的标签。
8.一种电子设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的信贷预测方法。
9.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6中任一所述的信贷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010505722.8A CN111681102B (zh) | 2020-06-05 | 2020-06-05 | 信贷预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010505722.8A CN111681102B (zh) | 2020-06-05 | 2020-06-05 | 信贷预测方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111681102A CN111681102A (zh) | 2020-09-18 |
CN111681102B true CN111681102B (zh) | 2023-09-01 |
Family
ID=72435007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010505722.8A Active CN111681102B (zh) | 2020-06-05 | 2020-06-05 | 信贷预测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681102B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308293B (zh) * | 2020-10-10 | 2024-07-02 | 北京贝壳时代网络科技有限公司 | 违约概率预测方法及装置 |
CN113139687B (zh) * | 2021-04-25 | 2024-03-01 | 中国工商银行股份有限公司 | 一种预测***用户违约的方法及装置 |
CN113222732B (zh) * | 2021-05-17 | 2024-07-02 | 中国农业银行股份有限公司 | 信息处理方法、装置、设备及存储介质 |
CN113379534A (zh) * | 2021-06-11 | 2021-09-10 | 重庆农村商业银行股份有限公司 | 一种风险评估方法、装置、设备及存储介质 |
CN113505936A (zh) * | 2021-07-26 | 2021-10-15 | 平安信托有限责任公司 | 项目审批结果的预测方法、装置、设备及存储介质 |
CN114331696A (zh) * | 2021-12-31 | 2022-04-12 | 北京瑞莱智慧科技有限公司 | 风险评估方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256691A (zh) * | 2018-02-08 | 2018-07-06 | 成都智宝大数据科技有限公司 | 还款概率预测模型构建方法及装置 |
CN108389125A (zh) * | 2018-02-27 | 2018-08-10 | 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 |
CN108846520A (zh) * | 2018-06-22 | 2018-11-20 | 北京京东金融科技控股有限公司 | 贷款逾期预测方法、装置以及计算机可读存储介质 |
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 |
CN110827143A (zh) * | 2019-11-08 | 2020-02-21 | 支付宝(杭州)信息技术有限公司 | 训练信用评分模型的方法、装置及设备 |
CN111222982A (zh) * | 2020-01-16 | 2020-06-02 | 随手(北京)信息技术有限公司 | 一种互联网信贷逾期预测方法、装置、服务器和存储介质 |
-
2020
- 2020-06-05 CN CN202010505722.8A patent/CN111681102B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256691A (zh) * | 2018-02-08 | 2018-07-06 | 成都智宝大数据科技有限公司 | 还款概率预测模型构建方法及装置 |
CN108389125A (zh) * | 2018-02-27 | 2018-08-10 | 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 |
CN108846520A (zh) * | 2018-06-22 | 2018-11-20 | 北京京东金融科技控股有限公司 | 贷款逾期预测方法、装置以及计算机可读存储介质 |
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 |
CN110827143A (zh) * | 2019-11-08 | 2020-02-21 | 支付宝(杭州)信息技术有限公司 | 训练信用评分模型的方法、装置及设备 |
CN111222982A (zh) * | 2020-01-16 | 2020-06-02 | 随手(北京)信息技术有限公司 | 一种互联网信贷逾期预测方法、装置、服务器和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111681102A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111681102B (zh) | 信贷预测方法、装置、设备和存储介质 | |
US20170330058A1 (en) | Detecting and reducing bias (including discrimination) in an automated decision making process | |
CA2821095C (en) | System and method for detecting fraudulent account access and transfers | |
CN109829776A (zh) | 商户风险评估方法、装置、计算机设备和存储介质 | |
WO2017133456A1 (zh) | 一种确定风险评估参数的方法及装置 | |
Xia et al. | Stock loans | |
Wang et al. | Impact and user perception of sandwich attacks in the defi ecosystem | |
US20130006844A1 (en) | Systems and methods for collateralizing loans | |
WO2012006191A2 (en) | Systems and methods for collateralizing loans | |
CA3073714C (en) | Method and system for identifying potential fraud activity in a tax return preparation system to trigger an identity verification challenge through the tax return preparation system | |
CA2991136A1 (en) | Modifying data structures to indicate derived relationships among entity data objects | |
WO2016084642A1 (ja) | 与信審査用サーバと与信審査用システム及び与信審査用プログラム | |
US20150348186A1 (en) | System and method for dynamic customer acquisition probability and risk-adjusted return-on-equity analysis | |
Pu et al. | Breakeven determination of loan limits for reverse mortgages under information asymmetry | |
KR102092461B1 (ko) | 투자성공률 제공방법 | |
US20140379544A1 (en) | Methods and systems for expedited trading account funding | |
Anagnostopoulou et al. | Bank loan terms and conditions: Is there a macro effect? | |
CN110264368A (zh) | 目标加密货币的情绪指数的生成方法及装置 | |
Ng | How does group affiliation affect the diversification performance of family-controlled firms in Malaysia?-A governance perspective | |
CN112907361A (zh) | 一种用于处理贷款申请的方法和装置 | |
Cont et al. | Constant proportion debt obligations (CPDOs): modeling and risk analysis | |
CN108805690A (zh) | 用于比较和推荐合适的借款业务的***和方法 | |
CN114240605A (zh) | 贷款测算方法、装置、计算机设备和存储介质 | |
Greiner et al. | Building consumer-to-consumer trust in e-finance marketplaces | |
CN111611542A (zh) | 一种金融体系的***性风险的度量方法和装置 |
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 |