CN114493822A - 一种基于迁移学习的用户违约预测定价方法和*** - Google Patents
一种基于迁移学习的用户违约预测定价方法和*** Download PDFInfo
- Publication number
- CN114493822A CN114493822A CN202011176198.0A CN202011176198A CN114493822A CN 114493822 A CN114493822 A CN 114493822A CN 202011176198 A CN202011176198 A CN 202011176198A CN 114493822 A CN114493822 A CN 114493822A
- Authority
- CN
- China
- Prior art keywords
- user
- default risk
- pricing
- users
- default
- 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
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开一种基于迁移学***方的相反数。本发明优先剔除高违约风险的用户,对剩下用户数据放进改进的tradaboost中,调整金融产品的定价最大化利润,来解决实际问题。
Description
技术领域
本发明属于用户信贷定价领域,更具体地,涉及一种基于迁移学习的用户违约预测定价方法和***。
背景技术
近年来互联网消费金融放贷规模持续增长,从2014年的0.02万亿增长至2018年的7.8万亿,增幅近400倍。伴随着互联网成长起来的年轻群体,在收入水平有限的前提下,对于超前消费有着强烈意愿。同时2017年颁发的《关于规范整顿“现金贷”业务的通知》中明确划定利率红线,高利率的贷款将不在被法律认可。
小额贷款属于零售贷款,单位贷款金额的运作成本高。特别是由于单笔金额较小,同样的贷款总额小额贷款需要服务大量的客户,其人工成本过高。小额信贷属于***,如果用户违约其放贷金额将难以收回。传统的线下处理,人工审核耗时偏长,对于本就是申请小额信贷的用户,耗时进行办理申请的性价比不高。开展新业务时,没有足够的数据训练模型。对于顾客收取相同的费率不利于培养用户按时还款的习惯。
在以往的信贷贷款业务中,放款发往往会采用信贷评分卡等模式根据用户的个人信息已经历史贷款信息进行加权打分评级,并根据评级选择是否向用户放款,以及根据评级再进行定价。小额贷款往往采用的无差别放款,部分小额贷款采用的是如前述信贷业务中的评分卡,但是其都是根据固有的评分卡模板,并依赖利润最大化或成本最小化等方法得到理论上的定价加以主观经验的调整。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种基于迁移学习的用户违约预测定价方法和***,其目的在于快速审核,快速定价,快速定价,有效降低小额贷款的风险,提高放款方的收益。
为实现上述目的,按照本发明的第一方面,提供了一种基于迁移学习的用户违约预测定价方法,该方法包括以下步骤:
S1.基于各个信贷用户的信贷数据,采用迁移学习模型预测各个信贷用户的违约风险,根据违约风险概率对信贷用户进行分类,得到高违约风险用户、中违约风险用户和低违约风险用户,并标记高违约风险用户,不对其进行定价处理;
S2.将所有中违约风险用户的信贷数据和低违约风险用户的信贷数据作为输入,采用改进Tradaboost模型调节中违约风险用户和低违约风险用户的贷款费率定价,以利润最大化为目标,得到最优定价,所述改进Tradaboost模型的损失函数为利润函数平方的相反数。
有益效果:不同于以往模型单纯的调节预测用户违约精度,但是实际业务需求中,最终需要达到的是使得开展业务的利润最大化或者成本最小化。所以本发明将利润最大化作为模型损失函数的构建依据,并调节中违约风险用户和低违约风险用户的贷款费率定价,使得最后的预测模型能够达到在利润最大化指导下的预测结果,且得到最优定价。
优选地,步骤S1中,所述信贷数据包括用户特征集合U、用户办理产品特征集合P和用户网络行为特征集合W,对于用户特征集U,缺失值最少的前6项进行用户聚类,构成新的用户特征,结合用户特征集U形成用户画像,并对用户特征集U、用户办理产品特征P、用户网络行为特征W的缺失值最少的前6项的特征进行交叉特征构建。
有益效果:由于特征数据中含有较多的空置,所以优先选出用户特征集U中特征数据中缺失值最少的前6项进行用户聚类,尽可能的将包含更多数据信息的用户特征用于用户聚类,并结合其他用户特征,更好的刻画用户画像。同时将其他不同特征集中缺失值较少的特征进行交叉特征构建,充分的挖掘特征之间的信息,使得后期模型训练时的特征更具多样性。
优选地,步骤S1中,所述信贷数据包括源数据和目标数据,所述目标数据为新贷款业务数据,所述源数据为与目标数据业务相似的业务数据;
所述迁移学习模型的样本权重参数为所有信贷用户的目标数据的正负样本比重,正样本为违约用户,负样本为不违约用户。
有益效果:对于数据集的类别不平衡分类问题,对于正负样本进行加权,调整样本不均衡性。
优选地,步骤S1中,分别采用Tradaboost、JDA联合分布适配方法、DTELM迁移极限学***均融合的方式第一融合结果和第二融合结果进行融合。
有益效果:Tradaboost解决迁移学习过程中出现源数据和目标数据偏差较大的问题、JDA联合分布适配方法降低目标数据和源数据之间的边缘分布和条件分布使得源数据和目标数据更加相似、DTELM迁移极限学习机通过源数据来调整模型参数,使得模型更加适用于目标数据,三种迁移学习模型的融合,降低了由目标数据不足带来的模型预测不准确的问题。
优选地,步骤S2中,将定价目标P1、P2根据贪心算法,作为参数在tradaboost模型中进行调整,具体如下:
首先将历史定价作为低违约风险用户的放款定价、中违约风险用户的放款定价参数的初始值;
采用贪心算法先固定历史低违约风险用户的放款定价,调整中违约风险用户的放款定价参数,以达到该参数下的模型利润最大化后,再对低违约风险用户的放款定价进行调参,得到对应的中、低违约风险用户的放款定价。
有益效果:根据贪心算法思想先对当前模型(改进tradaboost模型)影响最大的参数进行调优,达到该参数下的模型利润最大化后,再对模型次重要的参数进行调参。对于中、低风险的用户,考虑到用户违约风险越高带来的由用户带来的损失期望将会越大,所以对于模型(改进tradaboost模型)而言其参数低违约风险用户的放款定价P2对模型的影响将大于中违约风险用户的放款定价P1参数对模型的影响。
优选地,步骤S2中,所述利润函数为
π=P1*(1-F′1(x))(1-y1)-C*(1-F′1(x))(y1)+P2*(1-F′2(x))(1-y2)-C*(1-F′2(x))(y2)
其中,π为利润,P1,P2分别表示对于中、低违约风险用户的放款定价,F′1(x)表示中违约风险用户预测结果,F′2(x)表示低违约风险用户预测结果,y1,y2分别表示实际中违约风险用户结果、低违约风险用户结果,C表示放款方的成本。
有益效果:考虑现实业务的情况,构建不同预测情况与不同现实情况下的利润函数。根据代价敏感方法,重新包含中违约风险用户预测结果F′1(x),低违约风险用户预测结果F′2(x),实际中违约风险用户结果y1、低违约风险用户结果y2的利润函数,使其可以作为改进tradaboost模型的损失函数建立依据。
为实现上述目的,按照本发明的第二方面,提供了一种基于迁移学习的用户违约预测定价***,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行第一方面所述的基于迁移学习的用户违约预测定价方法。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
本发明优先剔除了部分高违约风险的用户,并对于剩下的用户数据放进改进的tradaboost中,调整金融产品(中低违约风险用户的产品定价)的定价最大化利润,来解决实际问题。本发明可控制信贷业务的风险,可以大大减少信贷审核人员,减少人工成本,加快放贷周期;在开展新的信贷业务时利用相似业务数据进行辅助训练,解决初始数据集不足的问题;同时对于顾客收取相同的费率不利于培养用户按时还款的习惯。本模型无需人工参与,极大程度的降低人工成本,同时在线预测模型将极大程度的提升放款速度。
附图说明
图1为本发明提供的一种基于迁移学习的用户违约预测定价方法流程图;
图2为本发明提供的预测模型及定价模型结构示意图;
图3为本发明提供的预测定价***模块结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明提供了一种基于迁移学习的用户违约预测定价方法,该方法包括以下步骤:
步骤S1.基于各个信贷用户的信贷数据,采用迁移学习模型预测各个信贷用户的违约风险,根据违约风险概率对信贷用户进行分类,得到高违约风险用户、中违约风险用户和低违约风险用户,并标记高违约风险用户,不对其进行定价处理。
在互联网消费信贷的现金贷业务中,用户常常有多笔申请贷款的交易记录,在申请一笔新的信用贷款时,用户往往在平台上有历史的信贷信息,再加上平台收集的用户的个人特征信息,信贷平台可以根据这些信息来预测用户的违约情况。
当信贷用户提出信贷申请,对信贷用户的信息进行采集,收集关于用户的各方面数据,并收集相似业务的数据集作为辅助数据集;生成订单根据生成信贷业务请求,同时生成包含用户信息的数据和辅助数据集数据。本实施例采用前海信征提供的用户信贷数据,其中源数据为4万条,目标数据4千条,预测目标数据中用户违约的情况。
在数据处理阶段本发明对于特征进行了筛选,首先将源数据特征与目标数据特征进行匹配,由于目标数据和源数据的特征空值较多,所以选取空值数进行计数,将其排序,选取空值最少的前300个特征,组成目标数据和源数据集。并将空值较多的数据样本进行筛选。填充数据中的空值对于数值型特征进行平均数填充空缺值,对于类别型特征使用“-1”填充,再对数值型特征进行标准化。
优选地,步骤S1中,所述信贷数据包括用户特征集合U、用户办理产品特征集合P和用户网络行为特征集合W,对于用户特征集U,缺失值最少的前6项进行用户聚类,构成新的用户特征,结合用户特征集U形成用户画像,并对用户特征集U、用户办理产品特征P、用户网络行为特征W的缺失值较少的特征进行交叉特征构建。
根据用户的数据,通过计算特征的均值方差等数据构建新特征,同时对用户进行聚类,并根据聚类结果结合其他特征构建新特征,最后得到特征集X。
由于特征数据中含有较多的空置,所以优先选出用户特征集U中特征数据中缺失值最少的前6项进行用户聚类,尽可能的将包含更多数据信息的用户特征用于用户聚类,并结合其他用户特征,更好的刻画用户画像。同时将其他不同特征集中缺失值较少的特征进行交叉特征构建,充分的挖掘特征之间的信息,使得后期模型训练时的特征更具多样性。
优选地,步骤S1中,所述信贷数据包括源数据和目标数据,所述目标数据为新贷款业务数据,所述源数据为与目标数据业务相似的业务数据;
所述迁移学习模型的样本权重参数为所有信贷用户的目标数据的正负样本比重,正样本为违约用户,负样本为不违约用户。
本实施例中源数据为信用贷款,其特征就是债务人无需提供抵押品,仅凭自己的信誉就能取得贷款,并以借款人信用程度作为还款保证的,贷款期限为1-3年,平均贷款金额为几千至几万的中等额度信用贷款业务。
本实施例中目标数据为现金贷,即发薪日贷款,贷款期限为7-30天,平均贷款金额为一千的小额短期贷款业务。主要具有以下五个特点:额度小、周期短、无抵押、流程快、利率高,这也是与其借贷门槛低的特征相适应的。
将目标数据按3:7的比例划分训练集与测试集。同时由于数据为不平衡数据,在进行模型构建前将样本数据权重调整目标数据正负样本比重。
对于数据集的类别不平衡分类问题,对于正负样本进行加权,调整样本不均衡性。
优选地,如图2所示,步骤S1中,分别采用Tradaboost、JDA联合分布适配方法、DTELM迁移极限学***均融合的方式第一融合结果和第二融合结果进行融合。
Tradaboost解决迁移学习过程中出现源数据和目标数据偏差较大的问题、JDA联合分布适配方法降低目标数据和源数据之间的边缘分布和条件分布使得源数据和目标数据更加相似、DTELM迁移极限学习机通过源数据来调整模型参数,使得模型更加适用于目标数据,三种迁移学习模型的融合,降低了由目标数据不足带来的模型预测不准确的问题。
根据预测结果将用户违约分为高风险违约,预测违约概率p>0.8、中风险违约0.8≥p>0.4和低风险违约p≤0.4三种类型。
步骤S2.将所有中违约风险用户的信贷数据和低违约风险用户的信贷数据作为输入,采用改进Tradaboost模型调节中违约风险用户和低违约风险用户的贷款费率定价,以利润最大化为目标,得到最优定价,所述改进Tradaboost模型的损失函数为利润函数平方的相反数。
将中低违约风险用户的数据作为重新划分训练集和测试集,采用tradaboost为训练模型,将损失函数按照利润公式修改,用贪心算法对P1、P2进行调参,寻找最优价格。对于分类结果中的高违约风险用户,选择不进行放贷策略,在数据驱动的背景下,科学规避部分风险。然后将所有中违约风险用户的信贷数据和低违约风险用户的信贷数据作为输入,将高违约风险用户数据排除在此步输入之外,进行更有针对性的定价。考虑现实业务的情况,构建利润函数,使利润函数平方的相反数可以作为改进tradaboost模型的损失函数。用贪心算法对P1、P2进行优化调参,得到数据驱动下实际业务的最大化利润的P1、P2最优价格。
优选地,步骤S2中,将定价目标P1、P2根据贪心算法,作为参数在tradaboost模型中进行调整,具体如下:
首先将历史定价作为低违约风险用户的放款定价、中违约风险用户的放款定价参数的初始值;
采用贪心算法先固定历史低违约风险用户的放款定价,调整中违约风险用户的放款定价参数,以达到该参数下的模型利润最大化后,再对低违约风险用户的放款定价进行调参,得到对应的中、低违约风险用户的放款定价。
根据贪心算法思想先对当前模型(改进tradaboost模型)影响最大的参数进行调优,达到该参数下的模型利润最大化后,再对模型次重要的参数进行调参。对于中、低风险的用户,考虑到用户违约风险越高带来的由用户带来的损失期望将会越大,所以对于模型(改进tradaboost模型)而言其参数低违约风险用户的放款定价P2对模型的影响将大于中违约风险用户的放款定价P1参数对模型的影响。
所以首先将历史定价作为低违约风险用户的放款定价、中违约风险用户的放款定价参数的初始值。采用贪心算法先固定历史低违约风险用户的放款定价,调整高违约风险用户的放款定价参数,以达到该参数下的模型利润最大化后,再对低违约风险用户的放款定价进行调参,得到对应的中、低违约风险用户的放款定价。
根据贪心算法思想和现实业务的特性确定定价目标P1、P2的优化先后顺序,并利用贪心算法优化定价目标P1、P2,更加合理的确定定价目标P1、P2。
改进模型的输出用户违约概率f′(x)
若f′(x)>=0.5,F’(X)=1,标志预测用户违约;若f′(x)<0.5,F’(X)=0,标志预测用户不违约。
优选地,步骤S2中,所述利润函数为
π=P1*(1-F′1(x))(1-y1)-C*(1-F′1(x))(y1)+P2*(1-F′2(x))(1-y2)-C*(1-F′2(x))(y2)
其中,π为利润,P1,P2分别表示对于中、低违约风险用户的放款定价,F′1(x)表示中违约风险用户预测结果,F′2(x)表示低违约风险用户预测结果,y1,y2分别表示实际中违约风险用户结果、低违约风险用户结果,C表示放款方的成本。
考虑现实业务的情况,构建不同预测情况与不同现实情况下的利润函数。根据代价敏感方法,重新包含中违约风险用户预测结果F′1(x),低违约风险用户预测结果F′2(x),实际中违约风险用户结果y1、低违约风险用户结果y2的利润函数,使其可以作为改进tradaboost模型的损失函数建立依据。
本发明提供了一种基于迁移学习的用户违约预测定价***,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行上述基于迁移学习的用户违约预测定价方法。
如图3所示,所述***包括数据仓库、大数据风控***、信贷业务***。所述大数据风控***包括数据预处理模块、特征构建模块和预测用户违约模块,所述信贷业务***包括:用户违约风险分类模块、定价模块和其他。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于迁移学习的用户违约预测定价方法,其特征在于,该方法包括以下步骤:
S1.基于各个信贷用户的信贷数据,采用迁移学习模型预测各个信贷用户的违约风险,根据违约风险概率对信贷用户进行分类,得到高违约风险用户、中违约风险用户和低违约风险用户,并标记高违约风险用户,不对其进行定价处理;
S2.将所有中违约风险用户的信贷数据和低违约风险用户的信贷数据作为输入,采用改进Tradaboost模型调节中违约风险用户和低违约风险用户的贷款费率定价,以利润最大化为目标,得到最优定价,所述改进Tradaboost模型的损失函数为利润函数平方的相反数。
2.如权利要求1所述的方法,其特征在于,步骤S1中,所述信贷数据包括用户特征集合U、用户办理产品特征集合P和用户网络行为特征集合W,对于用户特征集U,缺失值最少的前6项进行用户聚类,构成新的用户特征,结合用户特征集U形成用户画像,并对用户特征集U、用户办理产品特征P、用户网络行为特征W的缺失值最少的前6项的特征进行交叉特征构建。
3.如权利要求1或2所述的方法,其特征在于,步骤S1中,所述信贷数据包括源数据和目标数据,所述目标数据为新贷款业务数据,所述源数据为与目标数据业务相似的业务数据;
所述迁移学习模型的样本权重参数为所有信贷用户的目标数据的正负样本比重,正样本为违约用户,负样本为不违约用户。
4.如权利要求1至3任一项所述的方法,其特征在于,步骤S1中,分别采用Tradaboost、JDA联合分布适配方法、DTELM迁移极限学***均融合的方式第一融合结果和第二融合结果进行融合。
5.如权利要求1至4任一项所述的方法,其特征在于,步骤S2中,将定价目标P1、P2根据贪心算法,作为参数在tradaboost模型中进行调整,具体如下:
首先将历史定价作为低违约风险用户的放款定价、中违约风险用户的放款定价参数的初始值;
采用贪心算法先固定历史低违约风险用户的放款定价,调整中违约风险用户的放款定价参数,以达到该参数下的模型利润最大化后,再对低违约风险用户的放款定价进行调参,得到对应的中、低违约风险用户的放款定价。
6.如权利要求1至5任一项所述的方法,其特征在于,步骤S2中,所述利润函数为
π=P1*(1-F′1(x))(1-y1)-C*(1-F′1(x))(y1)+P2*(1-F′2(x))(1-y2)-C*(1-F′2(x))(y2)
其中,π为利润,P1,P2分别表示对于中、低违约风险用户的放款定价,F′1(x)表示中违约风险用户预测结果,F′2(x)表示低违约风险用户预测结果,y1,y2分别表示实际中违约风险用户结果、低违约风险用户结果,C表示放款方的成本。
7.一种基于迁移学习的用户违约预测定价***,其特征在于,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行权利要求1至6任一项所述的基于迁移学习的用户违约预测定价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011176198.0A CN114493822A (zh) | 2020-10-27 | 2020-10-27 | 一种基于迁移学习的用户违约预测定价方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011176198.0A CN114493822A (zh) | 2020-10-27 | 2020-10-27 | 一种基于迁移学习的用户违约预测定价方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114493822A true CN114493822A (zh) | 2022-05-13 |
Family
ID=81490915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011176198.0A Pending CN114493822A (zh) | 2020-10-27 | 2020-10-27 | 一种基于迁移学习的用户违约预测定价方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114493822A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115713140A (zh) * | 2022-10-18 | 2023-02-24 | 广州越秀融资租赁有限公司 | 基于问卷对用户的违约风险进行预测的方法、装置、介质及设备 |
WO2024134925A1 (ja) * | 2022-12-20 | 2024-06-27 | 楽天グループ株式会社 | 信用学習装置、信用学習方法、信用推定装置、信用推定方法及びプログラム |
-
2020
- 2020-10-27 CN CN202011176198.0A patent/CN114493822A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115713140A (zh) * | 2022-10-18 | 2023-02-24 | 广州越秀融资租赁有限公司 | 基于问卷对用户的违约风险进行预测的方法、装置、介质及设备 |
WO2024134925A1 (ja) * | 2022-12-20 | 2024-06-27 | 楽天グループ株式会社 | 信用学習装置、信用学習方法、信用推定装置、信用推定方法及びプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102009309B1 (ko) | 금융상품 관리자동화 시스템 및 관리자동화 방법 | |
CN112541817A (zh) | 一种个人消费贷款潜在客户的营销响应处理方法及*** | |
CN111080338A (zh) | 用户数据的处理方法、装置、电子设备及存储介质 | |
WO2023082969A1 (zh) | 基于夏普利值的数据特征组合定价方法、***及电子设备 | |
US20150262184A1 (en) | Two stage risk model building and evaluation | |
CN110930038A (zh) | 一种贷款需求识别方法、装置、终端及存储介质 | |
CN112561568A (zh) | 一种目标客户预测方法、装置及存储介质 | |
CN114493822A (zh) | 一种基于迁移学习的用户违约预测定价方法和*** | |
CN110689437A (zh) | 一种基于随机森林的通信施工项目财务风险预测方法 | |
CN111062806A (zh) | 个人金融信用风险评价方法、***和存储介质 | |
CN110610415B (zh) | 一种模型更新的方法和装置 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN115293336A (zh) | 风险评估模型训练方法、装置和服务器 | |
CN114782169A (zh) | 一种客户流失率预警方法及装置 | |
CN114529400A (zh) | 一种消费贷款预授信评估方法、设备及介质 | |
CN110322347A (zh) | 一种长短期策略多因子量化投资方法及装置 | |
CN112419045A (zh) | 基于过采样与随机森林的不平衡信贷用户分类方法 | |
CN112508684A (zh) | 一种基于联合卷积神经网络的催收风险评级方法及*** | |
KR101960074B1 (ko) | 신용 상태 평가 방법, 이를 실행하는 서버 및 이를 실행하는 시스템 | |
CN115545909A (zh) | 一种审批方法、装置、设备及存储介质 | |
CN117252677A (zh) | 信贷额度确定方法和装置、电子设备及存储介质 | |
Alfonso-Sánchez et al. | Optimizing credit limit adjustments under adversarial goals using reinforcement learning | |
CN111951099B (zh) | 一种***发卡模型及其运用方法 | |
CN113919934A (zh) | 一种银行贷款业务评分策略迭代方法 | |
CN113379456A (zh) | 一种授信利率差异化定价方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |