CN113919933A - 一种基于好坏标签的客户评分验证方法 - Google Patents
一种基于好坏标签的客户评分验证方法 Download PDFInfo
- Publication number
- CN113919933A CN113919933A CN202110984086.6A CN202110984086A CN113919933A CN 113919933 A CN113919933 A CN 113919933A CN 202110984086 A CN202110984086 A CN 202110984086A CN 113919933 A CN113919933 A CN 113919933A
- Authority
- CN
- China
- Prior art keywords
- sample
- index
- scoring
- variable
- verification
- 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
- 238000012795 verification Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 80
- 230000000694 effects Effects 0.000 claims description 143
- 230000007246 mechanism Effects 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000011835 investigation Methods 0.000 claims description 16
- 239000000126 substance Substances 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 8
- 238000005315 distribution function Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000012797 qualification Methods 0.000 claims description 8
- 238000013475 authorization Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012954 risk control Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 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
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种基于好坏标签的客户评分验证方法,包括:获取建模样本A和建模外样本B,计算建模样本A中的放款样本A4的评分指标;其中,所述建模样本A包括授信申请样本A1、授信通过样本A2、提现申请样本A3和放款样本A4;基于预设的评分变量规避性和更优性原则,构建好坏标签推断策略,并通过好坏标签推断策略,分别对建模样本A和建模外样本B中的样本进行标签认定,确定对应的标签样本;其中,所述建模外样本B包括授信申请样本B1、授信通过样本B2、提现申请样本B3和放款样本B4;计算标签样本对应的评分指标,并根据所述评分指标,绘制监控报表,分析监控报表,对建模外样本B的评分指标进行评分验证。
Description
技术领域
本发明涉及客户评分验证技术领域,特别涉及一种基于好坏标签的客户评分验证方法。
背景技术
贷款申请评分模型是商业银行贷款风险控制领域的重要技术,运用统计分析与机器学习等算法对合法采集的客户授权信息,建立评分对客户信用综合评估,给出授信审批决策,运用评分进行授信审批,通常比人工审批具有更高效率、更低成本,且更为客观,不会出现不同的审批人员给出不同决策的情况。
申请评分开发完成部署上线,参与风险决策,需持续跟踪监控申请评分的使用效果,通过监控,及时有效地发现评分效果的变动,并采取措施(如评分迭代或风险策略调整)规避模型风险,在商业银行模型风险管控领域意义重大。
但是,商业银行客户借款申请转化流程如下:授信申请,客户有借款需求,向银行提出借款申请,银行通过授信风险规则、申请评分及人工审核等评估客户信用状况,对于信用状况良好的客户审批通过,并根据客户风险不同给予差异化授信额度及定价(利息),即授信通过,对不符合风险控制要求的客户,审批拒绝,即授信拒绝。
提现申请,客户在银行授信审批通过获得额度后,可进行提现申请以获取资金,客户提现申请转化具有偶然性,如果提现时点与授信时点间隔较久,客户信用状况可能发生变化了,因此银行在客户提现申请时会再次审核,提现审核通过后(提现通过)银行才会放款至客户银行卡,无法通过提现风控审核的客户,将会被拒绝,即提现拒绝。
发明内容
本发明提供一种基于好坏标签的客户评分验证方法,以解决上述背景技术出现的问题。
本发明提供一种基于好坏标签的客户评分验证方法,其特征在于,包括:
获取建模样本A和建模外样本B,计算建模样本A中的放款样本A4的评分指标;其中,
所述建模样本A包括授信申请样本A1、授信通过样本A2、提现申请样本A3和放款样本A4;
所述建模外样本B包括授信申请样本B1、授信通过样本B2、提现申请样本B3和放款样本B4;
基于预设的评分变量规避性原则和更优性原则,构建好坏标签推断策略;
通过好坏标签推断策略,分别对建模样本A和建模外样本B中的样本进行标签认定,确定对应的标签样本,计算标签样本对应的评分指标;
根据所述评分指标,绘制监控报表,分析监控报表,对建模外样本B的评分指标进行评分验证。
作为本技术方案的一种实施例,所述获取建模样本A和建模外样本B,包括:
获取预设的历史时间阈值内的授信申请样本A1和预设的时间阈值内的目标授信申请样本B1;
根据授权申请样本A1中客户预设的客户质量信息和目标授信申请样本B1中客户预设的客户质量信息,分别计算第一授信通过率和第二授信通过率,确定授信通过样本A2和授信通过样本B2;
分别采集授信通过样本A2和授信通过样本B2中客户的提现影响参数,确定提现申请样本A3和提现申请样本B3;其中,
所述提现影响参数至少包括客户对借款资金的需要程度和对获批的额度及利息的满意程度;
基于预设的渠道风控机制,分别对所述提现申请样本A3和提现申请样本B3进行风控审核,确定放款样本A4;
根据所述授信申请样本A1、授信通过样本A2、提现申请样本A3和放款样本A4,确定建模样本A;
根据所述授信申请样本B1、授信通过样本B2、提现申请样本B3和放款样本B4,确定建模外样本B。
作为本技术方案的一种实施例,所述评分指标包括评分效果指标KS和评分变量指标IV,其中,所述评分效果指标KS的计算公式为:
其中,KS代表评分效果指标,FG为估计的好标签样本的评分累计概率分布函数;FB为估计的坏标签样本的评分累计概率分布函数;Scorei为好标签样本和坏标签样本混合排序后的第i个评分;i=1,2,3…n,其中,n为评分的总个数。
作为本技术方案的一种实施例,所述评分变量指标IV的计算公式为:
其中,IV代表评分变量指标,j=1,2,…,m,m为变量分箱总个数;GoodDistj为第j个变量分箱中好标签占所有好标签的比例的好标签分布;BadDistj为第j个变量分箱中坏标签占所有坏标签的比例的坏标签分布。
作为本技术方案的一种实施例,所述基于预设的评分变量规避性原则和更优性原则,构建好坏标签推断策略,包括:
筛选银行的征信负面逾期变量,并对所述征信负面逾期变量进行极坏性认定,确定第一极坏性认定规则;
查询多头银行征信机构及民间征信机构的征信变量阈值,对所述征信变量阈值进行第二极坏性认定,确定第二极坏性认定规则;其中,
所述征信变量阈值代表高度严格于风险策略时的拒绝阈值;
根据预设的第三方的有效评分阈值,进行第三极坏性认定,确定第三极坏性认定规则;
根据第一极坏性认定规则、第二极坏性认定规则和第三极坏性认定规则,构建更优性原则;
规避预设的评分变量标签,确定目标评分变量标签,并计算目标评分变量标签的评分变量指标IV,构建评分变量规避性原则;
通过评分变量规避性原则和更优性原则,设计好坏标签推断策略。
作为本技术方案的一种实施例,所述通过好坏标签推断策略,分别对建模样本A和建模外样本B中的样本进行标签认定,确定对应的标签样本,包括:
基于所述好坏标签推断策略,分别对建模样本A和建模外样本B中的样本进行标签认定;
获取好坏标签认定后的建模样本A,确定好坏标签认定后的授信申请样本A1、授信通过样本A2和提现申请样本A3;
分别计算好坏标签认定后的授信申请样本A1、授信通过样本A2和提现申请样本A3的评分效果指标KS,确定评分效果指标KS_A1、评分效果指标KS_A2和评分效果指标KS_A3;
分别计算好坏标签认定后的授信申请样本A1、授信通过样本A2和提现申请样本A3的评分变量指标IV,确定评分变量指标IV_A1、评分变量指标IV_A2和评分变量指标IV_A3;
获取放款样本A4的评分指标,根据评分效果指标KS_A1、评分效果指标KS_A2、评分效果指标KS_A3、评分变量指标IV_A1、评分变量指标IV_A2、评分变量指标IV_A3和放款样本A4的评分指标,确定建模样本A对应的评分指标;
获取好坏标签认定后的建模外样本B,确定好坏标签认定后的授信申请样本B1、授信通过样本B2、提现申请样本B3和放款样本B4;
分别计算好坏标签认定后的授信申请样本B1、授信通过样本B2、提现申请样本B3和放款样本B4的评分效果指标KS,确定评分效果指标KS_B1、评分效果指标KS_B2、评分效果指标KS_B3及评分效果指标KS_B4;
分别计算好坏标签认定后的授信申请样本B1、授信通过样本B2、提现申请样本B3和放款样本B4的评分变量指标IV,确定评分变量指标IV_B1、评分变量指标IV_B2、评分变量指标IV_B3及评分变量指标IV_B4;
根据所述评分效果指标KS_B1、评分效果指标KS_B2、评分效果指标KS_B3、评分效果指标KS_B4、评分变量指标IV_B1、评分变量指标IV_B2、评分变量指标IV_B3和评分变量指标IV_B4,确定建模外样本B对应的评分指标。
作为本技术方案的一种实施例,所述根据所述评分指标,绘制监控报表,分析监控报表,对建模外样本B的评分指标进行评分验证,包括:
根据所述评分指标,绘制KS监控报表和IV监控报表;其中,
KS监控报表包括KS_A监控报表和KS_B监控报表;
IV监控报表包括IV_A监控报表和IV_B监控报表;
对KS_A监控报表和KS_B监控报表进行效果波动分析,确定分析结果;
将所述分析结果传输至预设的智能终端,对建模外样本B的评分指标进行评分验证。
作为本技术方案的一种实施例,所述对KS_A监控报表和KS_B监控报表进行效果波动分析,确定分析结果,包括:
对比评分效果指标KS_A1与评分效果指标KS_B1,评估模型效果的衰减幅度,根据所述衰减幅度,确定第一影响;
对比评分效果指标KS_B1和评分效果指标KS_B2,评估授信风控调整对评分效果的第二影响;
对比评分效果指标KS_B2和评分效果指标KS_B3,评估客户提现意愿对评分效果的第三影响;
对比评分效果指标KS_B3和评分效果指标KS_B4,评估提现风控对评分效果的第四影响;
根据所述第一影响、第二影响、第三影响和第四影响,确定分析结果。
作为本技术方案的一种实施例,所述将所述分析结果传输至预设的智能终端,对建模外样本B的评分指标进行评分验证,包括:
监视分析结果,并根据所述分析结果,确定建模外样本B的波动系数;
判断KS_B监控报表中的波动系数是否越过预设的波动限制,确定判断结果;
当所述判断结果为KS_B监控报表中的波动系数越过预设的波动限制,基于预设的验证机制,对建模外样本B进行扫描,确定波动状态信息,并根据所述波动状态信息,确定波动特征属性;
将所述波动特征属性进行预处理,生成验证变量,并获取每一个验证变量对应的时间点;
按照所述时间点,将验证变量传输至验证机制中预设的时间点网络进行验证,并生成对应的评分验证结果;
当所述判定结果为KS_B监控报表中的波动系数未越过预设的波动限制,将KS_B监控报表和IV_B监控报表传输至预设的智能终端。
作为本技术方案的一种实施例,所述按照所述时间点,将验证变量传输至验证机制中预设的时间点网络进行验证,并生成对应的评分验证结果,还包括以下步骤:
步骤1:基于验证变量对应的时间点,划分验证机制中预设的时间点网络,确定对应的时间验证通道;
步骤2:按照预设的时序逻辑,选取预设的频率阈值内的验证变量,将验证变量传输至对应的时间验证通道;
步骤3:通过时间验证通道中预设的风控函数,对验证变量进行检验,确定失效验证变量和有效验证变量;
步骤4:过滤所述失效验证变量;
步骤5:对所述有效验证变量进行评分验证,并确定评分验证结果。
本发明的有益效果如下:本发明,解决了商业银行无法在授信申请客户上评估评分效果的问题,可以使用基于授信申请客户(代替放款客户)对申请评分进行效果评估,规避了经验上使用放款客户进行评分效果评估的各种问题,如评分效果指标不可信、时效性低等。与现有技术相比,本发明提出的技术方案中,解决了商业银行在评分上线使用后评分效果评估方法不当的问题,实现了于当日、当周及当月末即可有效评估当日、当周及当月的评分效果。相比行业经验,对评分效果的评估更为合理,可更早且更有效的发现模型风险,避免不可信的评分效果结论及模型风险决策建议给银行带来坏账损失,而且大幅缩短得出评分效果结论及模型风险决策建议的时效。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于好坏标签的客户评分验证方法的方法流程图;
图2为本发明实施例中一种基于好坏标签的客户评分验证方法的方法流程图;
图3为本发明实施例中一种基于好坏标签的客户评分验证方法的方法流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
需说明的是,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。
实施例1:
根据图1所示,本发明提供一种基于好坏标签的客户评分验证方法,其特征在于,包括:
获取建模样本A和建模外样本B,计算建模样本A中的放款样本A4的评分指标;其中,
所述建模样本A包括授信申请样本A1、授信通过样本A2、提现申请样本A3和放款样本A4;
所述建模外样本B包括授信申请样本B1、授信通过样本B2、提现申请样本B3和放款样本B4;
基于预设的评分变量规避性原则和更优性原则,构建好坏标签推断策略;
通过好坏标签推断策略,分别对建模样本A和建模外样本B中的样本进行标签认定,确定对应的标签样本,计算标签样本对应的评分指标;
根据所述评分指标,绘制监控报表,分析监控报表,对建模外样本B的评分指标进行评分验证。
上述技术方案的工作原理的有益效果为:
本技术方案通过获取建模样本A和建模外样本B,建模样本A使用的是较早授信月份的客户数据(包含模型验证样本集),计算建模样本A中的放款样本A4的评分指标;其中,所述建模样本A包括授信申请样本A1、授信通过样本A2、提现申请样本A3和放款样本A4;按照业务环节如授信申请、授信通过、提现申请与提现通过(放款),所述评分指标包括评分效果指标KS和评分变量IV指标;基于预设的评分变量规避性和更优性原则,构建好坏标签推断策略,并通过好坏标签推断策略,分别对建模样本A和建模外样本B中的样本进行标签认定,确定对应的标签样本;其中,所述建模外样本B包括授信申请样本B1、授信通过样本B2、提现申请样本B3和放款样本B4;计算标签样本对应的评分指标,并根据所述评分指标,绘制监控报表;基于所述监控报表,对比建模样本A和建模外样本B,基于好坏标签推断策略,对模型验证样本A和建模外样本B进行认定,确定认定结果,并根据所述认定结果,计算对应的第一评分效果指标;基于所述第一评分效果指标,生成第一评分效果指标监控报表,对监控报表进行分析和风控调整,确定模型效果客观结论,对申请评分线上使用以后的后段监控的方法的创新。解决了商业银行在评分上线使用后评分效果评估方法不当的问题,实现了于当日、当周及当月末即可有效评估当日、当周及当月的评分效果。相比行业经验,对评分效果的评估更为合理,可更早且更有效的发现模型风险,避免不可信的评分效果结论及模型风险决策建议给银行带来坏账损失,而且大幅缩短得出评分效果结论及模型风险决策建议的时效。相比行业经验,对评分效果的评估更为合理,可更早且更有效的发现模型风险,避免不可信的评分效果结论及模型风险决策建议给银行带来坏账损失,而且大幅缩短得出评分效果结论及模型风险决策建议的时效。
实施例2:
根据图2所述,本技术方案提供了一种实施例,所述获取建模样本A和建模外样本B,包括:
获取预设的历史时间阈值内的授信申请样本A1和预设的时间阈值内的目标授信申请样本B1;
根据授权申请样本A1中客户预设的客户质量信息和目标授信申请样本B1中客户预设的客户质量信息,分别计算第一授信通过率和第二授信通过率,确定授信通过样本A2和授信通过样本B2;
分别采集授信通过样本A2和授信通过样本B2中客户的提现影响参数,确定提现申请样本A3和提现申请样本B3;其中,
所述提现影响参数至少包括客户对借款资金的需要程度和对获批的额度及利息的满意程度;
基于预设的渠道风控机制,分别对所述提现申请样本A3和提现申请样本B3进行风控审核,确定放款样本A4;
根据所述授信申请样本A1、授信通过样本A2、提现申请样本A3和放款样本A4,确定建模样本A;
根据所述授信申请样本B1、授信通过样本B2、提现申请样本B3和放款样本B4,确定建模外样本B。
上述技术方案的工作原理和有益效果为:
本技术方案通过获取授信申请样本A1;根据授权申请客户的客户质量,计算授信通过率,确定授信通过样本A2;获取授信通过客户的提现影响参数,确定提现申请样本A3;其中,所述提现影响参数至少包括客户对借款资金的迫切程度、对获批的额度及利息的满意程度;对所述提现申请样本进行风控审核,确定放款样本A4;根据所述授信申请样本A1、授信通过样本A2、提现申请样本A3和放款样本A4,确定建模样本A,建模外样本B是申请评分模型部署上线使用以后的较近月份的样本数据,样本A与样本B无时间交集,按照业务环节如授信申请、授信通过、提现申请与提现通过(放款),可分别生成不同的样本如A1、A2、A3、A4、B1、B2、B3与B4等。
实施例3:
本技术方案提供了一种实施例,所述评分指标包括评分效果指标KS和评分变量指标IV,其中,所述评分效果指标KS的计算公式为:
其中,KS代表评分效果指标,FG为估计的好标签样本的评分累计概率分布函数;FB为估计的坏标签样本的评分累计概率分布函数;Scorei为好标签样本和坏标签样本混合排序后的第i个评分;i=1,2,3…n,其中,n为评分的总个数。
上述技术方案的工作原理和有益效果为:
本技术方案的KS(Kolmogorov-Smirnov)统计量由两位苏联数学家A.N.Kolmogorov和N.V.Smirnov提出。在统计学中,是一种基于累计分布函数的非参数检验(KS检验),用以检验两个经验分布是否不同(两样本KS检验)或一个经验分布与另一个理想分布是否不同,因对经验累积分布函数的位置和形状差异具有一定的敏感性,常用于比较两个样本分布。在风险控制领域,KS常用于评估申请评分对好人和坏人的区分度,区分度越大,评分的风险排序能力越强,效果越好,IV指标能反映出变量对好坏标签的贡献和解释能力,常用于评分模型中选择重要变量。在后段监控中,评分KS波动较大时,可以据此定位具体变量的贡献度变化。
实施例4:
根据图3所示,本技术方案提供了一种实施例,所述评分变量指标IV的计算公式为:
其中,IV代表评分变量指标,j=1,2,…,m,m为变量分箱总个数;GoodDistj为第j个变量分箱中好标签占所有好标签的比例的好标签分布;BadDistj为第j个变量分箱中坏标签占所有坏标签的比例的坏标签分布。
上述技术方案的工作原理和有益效果为:
本技术方案提供了一种实施例,所述通过对模型验证样本A中的放款样本A4的开发评审,计算放款样本A4的评分验证对比量,之前包括:获取客户的申请评分;基于预设的贷款表现周期,监控客户的申请评分,根据所述申请评分,计算统计指标;其中,所述统计指标至少包括申请评分的稳定性、申请客户的评分分布和评分区间通过率;根据所述统计指标,确定客户筛选样本;基于客户的贷款表现,生成好标记和坏标记;根据所述好标记和坏标记,对客户放款样本加以标签,确定好标签样本和坏标签样本。
实施例5:
本技术方案提供了一种实施例,所述基于预设的评分变量规避性原则和更优性原则,构建好坏标签推断策略,包括:
筛选银行的征信负面逾期变量,并对所述征信负面逾期变量进行极坏性认定,确定第一极坏性认定规则;
查询多头银行征信机构及民间征信机构的征信变量阈值,对所述征信变量阈值进行第二极坏性认定,确定第二极坏性认定规则;其中,
所述征信变量阈值代表高度严格于风险策略时的拒绝阈值;
根据预设的第三方的有效评分阈值,进行第三极坏性认定,确定第三极坏性认定规则;
根据第一极坏性认定规则、第二极坏性认定规则和第三极坏性认定规则,构建更优性原则;
规避预设的评分变量标签,确定目标评分变量标签,并计算目标评分变量标签的评分变量指标IV,构建评分变量规避性原则;
通过评分变量规避性原则和更优性原则,设计好坏标签推断策略。
上述技术方案的工作原理和有益效果为:
本技术方案基于预设的评分变量规避性和更优性原则,构建好坏标签推断策略,包括:筛选银行的征信负面逾期变量,并对所述征信负面逾期变量进行极坏性认定,确定第一极坏性认定规则;查询多头银行征信机构及民间征信机构的征信变量阈值,对所述征信变量阈值进行第二极坏性认定,确定第二极坏性认定规则;其中,所述征信变量阈值代表高度严格于风险策略时的拒绝阈值;根据预设的第三方的有效评分阈值,进行第三极坏性认定,确定第三极坏性认定规则;基于第一极坏性认定规则、第二极坏性认定规则和第三极坏性认定规则,设计好坏标签推断策略。
实施例6:
本技术方案提供了一种实施例,所述通过好坏标签推断策略,分别对建模样本A和建模外样本B中的样本进行标签认定,确定对应的标签样本,包括:
基于所述好坏标签推断策略,分别对建模样本A和建模外样本B中的样本进行标签认定;
获取好坏标签认定后的建模样本A,确定好坏标签认定后的授信申请样本A1、授信通过样本A2和提现申请样本A3;
分别计算好坏标签认定后的授信申请样本A1、授信通过样本A2和提现申请样本A3的评分效果指标KS,确定评分效果指标KS_A1、评分效果指标KS_A2和评分效果指标KS_A3;
分别计算好坏标签认定后的授信申请样本A1、授信通过样本A2和提现申请样本A3的评分变量指标IV,确定评分变量指标IV_A1、评分变量指标IV_A2和评分变量指标IV_A3;
获取放款样本A4的评分指标,根据评分效果指标KS_A1、评分效果指标KS_A2、评分效果指标KS_A3、评分变量指标IV_A1、评分变量指标IV_A2、评分变量指标IV_A3和放款样本A4的评分指标,确定建模样本A对应的评分指标;
获取好坏标签认定后的建模外样本B,确定好坏标签认定后的授信申请样本B1、授信通过样本B2、提现申请样本B3和放款样本B4;
分别计算好坏标签认定后的授信申请样本B1、授信通过样本B2、提现申请样本B3和放款样本B4的评分效果指标KS,确定评分效果指标KS_B1、评分效果指标KS_B2、评分效果指标KS_B3及评分效果指标KS_B4;
分别计算好坏标签认定后的授信申请样本B1、授信通过样本B2、提现申请样本B3和放款样本B4的评分变量指标IV,确定评分变量指标IV_B1、评分变量指标IV_B2、评分变量指标IV_B3及评分变量指标IV_B4;
根据所述评分效果指标KS_B1、评分效果指标KS_B2、评分效果指标KS_B3、评分效果指标KS_B4、评分变量指标IV_B1、评分变量指标IV_B2、评分变量指标IV_B3和评分变量指标IV_B4,确定建模外样本B对应的评分指标。
上述技术方案的工作原理和有益效果为:
本技术方案提供了一种实施例,所述通过好坏标签推断策略,分别对建模样本A和建模外样本B中的样本进行标签认定,确定对应的标签样本,计算标签样本对应的评分指标,包括:获取好坏标签认定后的建模样本A,确定好坏标签认定后的授信申请样本A1、授信通过样本A2和提现申请样本A3;分别计算好坏标签认定后的授信申请样本A1、授信通过样本A2和提现申请样本A3的评分效果指标KS,确定评分效果指标KS_A1、评分效果指标KS_A2和评分效果指标KS_A3;分别计算好坏标签认定后的授信申请样本A1、授信通过样本A2和提现申请样本A3的评分变量指标IV,确定评分变量指标IV_A1、评分变量指标IV_A2和评分变量指标IV_A3;获取放款样本A4的评分指标,根据评分效果指标KS_A1、评分效果指标KS_A2、评分效果指标KS_A3、评分变量指标IV_A1、评分变量指标IV_A2、评分变量指标IV_A3和放款样本A4的评分指标,确定建模样本A对应的评分指标;获取好坏标签认定后的建模外样本B,确定好坏标签认定后的授信申请样本B1、授信通过样本B2、提现申请样本B3和放款样本B4;分别计算好坏标签认定后的授信申请样本B1、授信通过样本B2、提现申请样本B3和放款样本B4的评分效果指标KS,确定评分效果指标KS_B1、评分效果指标KS_B2、评分效果指标KS_B3及评分效果指标KS_B4;分别计算好坏标签认定后的授信申请样本B1、授信通过样本B2、提现申请样本B3和放款样本B4的评分变量指标IV,确定评分变量指标IV_B1、评分变量指标IV_B2、评分变量指标IV_B3及评分变量指标IV_B4;根据所述评分效果指标KS_B1、评分效果指标KS_B2、评分效果指标KS_B3、评分效果指标KS_B4、评分变量指标IV_B1、评分变量指标IV_B2、评分变量指标IV_B3和评分变量指标IV_B4,确定建模外样本B对应的评分指标。
实施例7:
本技术方案提供了一种实施例,所述根据所述评分指标,绘制监控报表,分析监控报表,对建模外样本B的评分指标进行评分验证,包括:
根据所述评分指标,绘制KS监控报表和IV监控报表;其中,
KS监控报表包括KS_A监控报表和KS_B监控报表;
IV监控报表包括IV_A监控报表和IV_B监控报表;
对KS_A监控报表和KS_B监控报表进行效果波动分析,确定分析结果;
将所述分析结果传输至预设的智能终端,对建模外样本B的评分指标进行评分验证。
上述技术方案的工作原理和有益效果为:
本技术方案分析监控报表,对建模外样本B的评分指标进行评分验证,包括根据监控报表,获取KS监控报表;对所述KS监控报表中建模外样本B进行效果波动分析,确定波动原因;根据波动原因,对建模外样本B的评分指标进行评分验证。
实施例8:
本技术方案提供了一种实施例,所述对KS_A监控报表和KS_B监控报表进行效果波动分析,确定分析结果,包括:
对比评分效果指标KS_A1与评分效果指标KS_B1,评估模型效果的衰减幅度,根据所述衰减幅度,确定第一影响;
对比评分效果指标KS_B1和评分效果指标KS_B2,评估授信风控调整对评分效果的第二影响;
对比评分效果指标KS_B2和评分效果指标KS_B3,评估客户提现意愿对评分效果的第三影响;
对比评分效果指标KS_B3和评分效果指标KS_B4,评估提现风控对评分效果的第四影响;
根据所述第一影响、第二影响、第三影响和第四影响,确定分析结果。
上述技术方案的工作原理和有益效果为:
本技术方案绘制上线以后累计效果指标KS监控报表,建模样本A(可以为较早月份的客户样本)与建模外样本B(可以为较近月份的客户样本),并无时间交集,通过对比,可以分析出模型上线后在累计新增样本B上与模型开发样本A的效果波动,并分析出由于什么原因产生的波动,可以包括具体变量的IV波动,也可以是其他的效果波动原因;首先,对比KS_A1与KS_B1上的效果,可以评估模型效果是否有衰减及衰减幅度;其次,对比KS_B1和KS_B2上的效果,可以评估授信风控调整对评分效果的影响;然后,对比KS_B2和KS_B3上的效果,可以评估客户提现意愿对评分效果的影响;最后,对比KS_B3和KS_B4上的效果,可以评估提现风控对评分效果的影响。在示例表格中,我们看到KS_B4的效果降到了0.25,但是KS_B1的效果为0.29与KS_A1(0.30)基本持平,并无明显下降,可以基本判断KS_B4上评分效果下降原因是由于授信风控、客户提现意愿及提现风控多重干扰的结果。
实施例9:
本技术方案提供了一种实施例,所述将所述分析结果传输至预设的智能终端,对建模外样本B的评分指标进行评分验证,包括:
监视分析结果,并根据所述分析结果,确定建模外样本B的波动系数;
判断KS_B监控报表中的波动系数是否越过预设的波动限制,确定判断结果;
当所述判断结果为KS_B监控报表中的波动系数越过预设的波动限制,基于预设的验证机制,对建模外样本B进行扫描,确定波动状态信息,并根据所述波动状态信息,确定波动特征属性;
将所述波动特征属性进行预处理,生成验证变量,并获取每一个验证变量对应的时间点;
按照所述时间点,将验证变量传输至验证机制中预设的时间点网络进行验证,并生成对应的评分验证结果;
当所述判定结果为KS_B监控报表中的波动系数未越过预设的波动限制,将KS_B监控报表和IV_B监控报表传输至预设的智能终端。
上述技术方案的工作原理和有益效果为:
本技术方案根据波动原因,对建模外样本B的评分指标进行评分验证,包括:监视并分析波动原因,判定波动是否越过预设的波动限制,确定判定结果;当所述判定结果为波动越过预设的波动限制,基于预设的验证机制,对建模外样本B进行扫描,并重新建模;当所述判定结果为波动未越过预设的波动限制,确定波动原因的状态信息,并根据所述状态信息,确定特征属性;将所述特征属性传输至验证机制,生成验证变量;通过验证变量和预设的时间点网络,对建模外样本B进行验证,并生成对应的评分验证结果;其中,所述时间点网络用于对波动原因产生的时序逻辑进行检验。
实施例10:
本技术方案提供了一种实施例,所述按照所述时间点,将验证变量传输至验证机制中预设的时间点网络进行验证,并生成对应的评分验证结果,还包括以下步骤:
步骤1:基于验证变量对应的时间点,划分验证机制中预设的时间点网络,确定对应的时间验证通道;
步骤2:按照预设的时序逻辑,选取预设的频率阈值内的验证变量,将验证变量传输至对应的时间验证通道;
步骤3:通过时间验证通道中预设的风控函数,对验证变量进行检验,确定失效验证变量和有效验证变量;
步骤4:过滤所述失效验证变量;
步骤5:对所述有效验证变量进行评分验证,并确定评分验证结果。
上述技术方案的工作原理和有益效果为:
本技术方案通过验证变量和预设的时间点网络,对建模外样本B进行验证,并生成对应的评分验证结果,基于预设的时间点网络,确定时间点,将所述时间点传输至验证机制,划分对应的验证时间通道;获取建模外样本B的样本时间,并根据时间点,选取对应的样本时间,确定对应时间关系;基于所述对应时间关系,将建模外样本B传输至成对应的验证通道;基于验证机制内预设的风控函数,验证建模外样本B是否满足风控内阈值,并确定对应的评分验证结果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于好坏标签的客户评分验证方法,其特征在于,包括:
获取建模样本A和建模外样本B,计算建模样本A中的放款样本A4的评分指标;其中,
所述建模样本A包括授信申请样本A1、授信通过样本A2、提现申请样本A3和放款样本A4;
所述建模外样本B包括授信申请样本B1、授信通过样本B2、提现申请样本B3和放款样本B4;
基于预设的评分变量规避性原则和更优性原则,构建好坏标签推断策略;
通过好坏标签推断策略,分别对建模样本A和建模外样本B中的样本进行标签认定,确定对应的标签样本,计算标签样本对应的评分指标;
根据所述评分指标,绘制监控报表,分析监控报表,对建模外样本B的评分指标进行评分验证。
2.权利要求1所述的一种基于好坏标签的客户评分验证方法,其特征在于,所述获取建模样本A和建模外样本B,包括:
获取预设的历史时间阈值内的授信申请样本A1和预设的时间阈值内的目标授信申请样本B1;
根据授权申请样本A1中客户预设的客户质量信息和目标授信申请样本B1中客户预设的客户质量信息,分别计算第一授信通过率和第二授信通过率,确定授信通过样本A2和授信通过样本B2;
分别采集授信通过样本A2和授信通过样本B2中客户的提现影响参数,确定提现申请样本A3和提现申请样本B3;其中,
所述提现影响参数至少包括客户对借款资金的需要程度和对获批的额度及利息的满意程度;
基于预设的渠道风控机制,分别对所述提现申请样本A3和提现申请样本B3进行风控审核,确定放款样本A4;
根据所述授信申请样本A1、授信通过样本A2、提现申请样本A3和放款样本A4,确定建模样本A;
根据所述授信申请样本B1、授信通过样本B2、提现申请样本B3和放款样本B4,确定建模外样本B。
5.如权利要求1所述的一种基于好坏标签的客户评分验证方法,其特征在于,所述基于预设的评分变量规避性原则和更优性原则,构建好坏标签推断策略,包括:
筛选银行的征信负面逾期变量,并对所述征信负面逾期变量进行极坏性认定,确定第一极坏性认定规则;
查询多头银行征信机构及民间征信机构的征信变量阈值,对所述征信变量阈值进行第二极坏性认定,确定第二极坏性认定规则;其中,
所述征信变量阈值代表高度严格于风险策略时的拒绝阈值;
根据预设的第三方的有效评分阈值,进行第三极坏性认定,确定第三极坏性认定规则;
根据第一极坏性认定规则、第二极坏性认定规则和第三极坏性认定规则,构建更优性原则;
规避预设的评分变量标签,确定目标评分变量标签,并计算目标评分变量标签的评分变量指标IV,构建评分变量规避性原则;
通过评分变量规避性原则和更优性原则,设计好坏标签推断策略。
6.如权利要求1所述的一种基于好坏标签的客户评分验证方法,其特征在于,所述通过好坏标签推断策略,分别对建模样本A和建模外样本B中的样本进行标签认定,确定对应的标签样本,包括:
基于所述好坏标签推断策略,分别对建模样本A和建模外样本B中的样本进行标签认定;
获取好坏标签认定后的建模样本A,确定好坏标签认定后的授信申请样本A1、授信通过样本A2和提现申请样本A3;
分别计算好坏标签认定后的授信申请样本A1、授信通过样本A2和提现申请样本A3的评分效果指标KS,确定评分效果指标KS_A1、评分效果指标KS_A2和评分效果指标KS_A3;
分别计算好坏标签认定后的授信申请样本A1、授信通过样本A2和提现申请样本A3的评分变量指标IV,确定评分变量指标IV_A1、评分变量指标IV_A2和评分变量指标IV_A3;
获取放款样本A4的评分指标,根据评分效果指标KS_A1、评分效果指标KS_A2、评分效果指标KS_A3、评分变量指标IV_A1、评分变量指标IV_A2、评分变量指标IV_A3和放款样本A4的评分指标,确定建模样本A对应的评分指标;
获取好坏标签认定后的建模外样本B,确定好坏标签认定后的授信申请样本B1、授信通过样本B2、提现申请样本B3和放款样本B4;
分别计算好坏标签认定后的授信申请样本B1、授信通过样本B2、提现申请样本B3和放款样本B4的评分效果指标KS,确定评分效果指标KS_B1、评分效果指标KS_B2、评分效果指标KS_B3及评分效果指标KS_B4;
分别计算好坏标签认定后的授信申请样本B1、授信通过样本B2、提现申请样本B3和放款样本B4的评分变量指标IV,确定评分变量指标IV_B1、评分变量指标IV_B2、评分变量指标IV_B3及评分变量指标IV_B4;
根据所述评分效果指标KS_B1、评分效果指标KS_B2、评分效果指标KS_B3、评分效果指标KS_B4、评分变量指标IV_B1、评分变量指标IV_B2、评分变量指标IV_B3和评分变量指标IV_B4,确定建模外样本B对应的评分指标。
7.如权利要求1所述的一种基于好坏标签的客户评分验证方法,其特征在于,所述根据所述评分指标,绘制监控报表,分析监控报表,对建模外样本B的评分指标进行评分验证,包括:
根据所述评分指标,绘制KS监控报表和IV监控报表;其中,
KS监控报表包括KS_A监控报表和KS_B监控报表;
IV监控报表包括IV_A监控报表和IV_B监控报表;
对KS_A监控报表和KS_B监控报表进行效果波动分析,确定分析结果;
将所述分析结果传输至预设的智能终端,对建模外样本B的评分指标进行评分验证。
8.如权利要求7所述的一种基于好坏标签的客户评分验证方法,其特征在于,所述对KS_A监控报表和KS_B监控报表进行效果波动分析,确定分析结果,包括:
对比评分效果指标KS_A1与评分效果指标KS_B1,评估模型效果的衰减幅度,根据所述衰减幅度,确定第一影响;
对比评分效果指标KS_B1和评分效果指标KS_B2,评估授信风控调整对评分效果的第二影响;
对比评分效果指标KS_B2和评分效果指标KS_B3,评估客户提现意愿对评分效果的第三影响;
对比评分效果指标KS_B3和评分效果指标KS_B4,评估提现风控对评分效果的第四影响;
根据所述第一影响、第二影响、第三影响和第四影响,确定分析结果。
9.如权利要求7述的一种基于好坏标签的客户评分验证方法,其特征在于,所述将所述分析结果传输至预设的智能终端,对建模外样本B的评分指标进行评分验证,包括:
监视分析结果,并根据所述分析结果,确定建模外样本B的波动系数;
判断KS_B监控报表中的波动系数是否越过预设的波动限制,确定判断结果;
当所述判断结果为KS_B监控报表中的波动系数越过预设的波动限制,基于预设的验证机制,对建模外样本B进行扫描,确定波动状态信息,并根据所述波动状态信息,确定波动特征属性;
将所述波动特征属性进行预处理,生成验证变量,并获取每一个验证变量对应的时间点;
按照所述时间点,将验证变量传输至验证机制中预设的时间点网络进行验证,并生成对应的评分验证结果;
当所述判定结果为KS_B监控报表中的波动系数未越过预设的波动限制,将KS_B监控报表和IV_B监控报表传输至预设的智能终端。
10.如权利要求9所述的一种基于好坏标签的客户评分验证方法,其特征在于,所述按照所述时间点,将验证变量传输至验证机制中预设的时间点网络进行验证,并生成对应的评分验证结果,还包括以下步骤:
步骤1:基于验证变量对应的时间点,划分验证机制中预设的时间点网络,确定对应的时间验证通道;
步骤2:按照预设的时序逻辑,选取预设的频率阈值内的验证变量,将验证变量传输至对应的时间验证通道;
步骤3:通过时间验证通道中预设的风控函数,对验证变量进行检验,确定失效验证变量和有效验证变量;
步骤4:过滤所述失效验证变量;
步骤5:对所述有效验证变量进行评分验证,并确定评分验证结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110984086.6A CN113919933A (zh) | 2021-08-25 | 2021-08-25 | 一种基于好坏标签的客户评分验证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110984086.6A CN113919933A (zh) | 2021-08-25 | 2021-08-25 | 一种基于好坏标签的客户评分验证方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113919933A true CN113919933A (zh) | 2022-01-11 |
Family
ID=79233273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110984086.6A Pending CN113919933A (zh) | 2021-08-25 | 2021-08-25 | 一种基于好坏标签的客户评分验证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113919933A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150127416A1 (en) * | 2013-11-01 | 2015-05-07 | Digital Risk Analytics, LLC | Systems, methods and computer readable media for multi-dimensional risk assessment |
CN108564286A (zh) * | 2018-04-19 | 2018-09-21 | 天合泽泰(厦门)征信服务有限公司 | 一种基于大数据征信的人工智能金融风控授信评定方法和*** |
CN110163743A (zh) * | 2019-04-28 | 2019-08-23 | 钛镕智能科技(苏州)有限公司 | 一种基于超参数优化的信用评分方法 |
CN111311128A (zh) * | 2020-03-30 | 2020-06-19 | 百维金科(上海)信息科技有限公司 | 一种基于第三方数据的消费金融信用评分卡开发方法 |
CN111798310A (zh) * | 2020-07-22 | 2020-10-20 | 睿智合创(北京)科技有限公司 | 基于Cox回归和逻辑回归的拒绝推断方法及电子设备 |
CN112613977A (zh) * | 2020-12-17 | 2021-04-06 | 中国建设银行股份有限公司 | 一种基于政务数据的个人信用贷款准入授信方法及*** |
-
2021
- 2021-08-25 CN CN202110984086.6A patent/CN113919933A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150127416A1 (en) * | 2013-11-01 | 2015-05-07 | Digital Risk Analytics, LLC | Systems, methods and computer readable media for multi-dimensional risk assessment |
CN108564286A (zh) * | 2018-04-19 | 2018-09-21 | 天合泽泰(厦门)征信服务有限公司 | 一种基于大数据征信的人工智能金融风控授信评定方法和*** |
CN110163743A (zh) * | 2019-04-28 | 2019-08-23 | 钛镕智能科技(苏州)有限公司 | 一种基于超参数优化的信用评分方法 |
CN111311128A (zh) * | 2020-03-30 | 2020-06-19 | 百维金科(上海)信息科技有限公司 | 一种基于第三方数据的消费金融信用评分卡开发方法 |
CN111798310A (zh) * | 2020-07-22 | 2020-10-20 | 睿智合创(北京)科技有限公司 | 基于Cox回归和逻辑回归的拒绝推断方法及电子设备 |
CN112613977A (zh) * | 2020-12-17 | 2021-04-06 | 中国建设银行股份有限公司 | 一种基于政务数据的个人信用贷款准入授信方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170262852A1 (en) | Database monitoring system | |
KR102009309B1 (ko) | 금융상품 관리자동화 시스템 및 관리자동화 방법 | |
CN111461216A (zh) | 一种基于机器学习的案件风险识别方法 | |
CN109961368A (zh) | 基于机器学习的数据处理方法及装置 | |
CN111985937A (zh) | 交易商价值信息评估方法、***、存储介质、计算机设备 | |
CN115271912A (zh) | 一种基于大数据的信贷业务智能风控审批***及方法 | |
CN114638688A (zh) | 一种用于信贷反欺诈的拦截策略衍生方法、*** | |
CN113919931A (zh) | 一种贷款申请评分模型的使用效果评估方法及*** | |
CN110288038A (zh) | 一种企业的分类方法及装置 | |
CN113919932A (zh) | 一种基于贷款申请评分模型的客户评分偏移检测方法 | |
CN113919937B (zh) | 一种基于贷款评估风控的ks监控*** | |
CN112686446A (zh) | 一种面向机器学习可解释性的信贷违约预测方法及*** | |
CN112634048A (zh) | 一种反洗钱模型的训练方法及装置 | |
CN116703563A (zh) | 一种基于量化分析模型的信贷策略 | |
CN113674075A (zh) | 企业债务融资工具信用评级的方法 | |
CN113919933A (zh) | 一种基于好坏标签的客户评分验证方法 | |
CN115564591A (zh) | 一种融资产品的确定方法及相关设备 | |
KR102499182B1 (ko) | 인공지능을 이용한 가계대출 사기/부실 상시감사지원시스템 | |
CN114298472A (zh) | 数字工厂上下游企业画像评价方法以及*** | |
CN110956471A (zh) | 装修行业征信数据的分析方法 | |
CN109886797A (zh) | 一种信贷批量审批学习及优化方法 | |
KR102499183B1 (ko) | 인공지능을 이용한 기업대출 사기/사기의심 상시감사지원시스템 | |
TWI705407B (zh) | 異常帳戶自動化偵測方法及系統 | |
CN117273919A (zh) | 针对个体户及小微企业电商商户的互联网信用评估方法 | |
CN115330541A (zh) | 基于区块链的基金信息推荐及交易安全保障***及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220111 |