信貸風險控制方法及系統、電子設備及可讀存儲介質技術方案

本發明專利技術實施例提供一種信貸風險控制方法及系統、電子設備及可讀存儲介質，包括：基于基本身份信息與授權信息，獲取用戶的信貸信息，提取信貸信息中的原始特征，剔除無效特征，得到的重要特征作為特征數據；并從用戶的基礎信貸申請信息中提取出初始申請額度；將用戶的特征數據輸入預設的信用風險評分模型，得到用戶的信用評分結果；基于建立并訓練好的風險調整因子模型，得到風險調整因子；利用風險調整因子對所述用戶的初始申請額度進行修正。本案實施例根據用戶風險水平調整用戶的授信水平，以供進一步在風險和收益之間做一種權衡，可以在風險可控的前提下，高效地、自動化、合理化地實現出借方利益的最大化。

【技術實現步驟摘要】
信貸風險控制方法及系統、電子設備及可讀存儲介質
本專利技術涉及一種應用于信貸場景的風險定價系統，屬于智能風控

技術介紹
傳統信貸額度以及信貸利率的確定嚴重依賴于人工審核，用戶提交貸款申請后，一方面銀行等出借方要耗費大量的人力物力進行資料審查、背調走訪等，同時針對用戶貸款額度的修正也往往憑借相關行業經驗進行，難以根據用戶的信用資質實現自動化、個性化、合理化的風險定價，從而難以在風險可控的前提下，實現出借方利益的最大化，另一方面個人用戶/法人用戶等借貸方從提交信貸申請到獲得審批結果往往要耗費數周，體驗極差。隨著用戶多維度數據的不斷沉淀以及人工智能技術的發展，智能風控技術開始受到越來越多的重視和應用，目前智能風控技術主要聚焦于通過聚合用戶不同維度的數據(比如基礎屬性數據、歷史信貸行為數據、社交行為數據等等)全面衡量用戶的信貸風險控制，從而替代人工審核，即智能風控的輸出往往是用戶的風險等級評定結果，但是無法實現出借方利益的最大化，比如A客戶申請貸款10萬元，智能風控評級結果顯示該客戶在貸款10萬元的情況下，發生逾期概率較低，但是實際上A客戶在貸款15萬元的情況下，其發生逾期的概率依然較低，即出借方可以進一步追求利益的復加。目前智能風控系統的痛點與難點是如何使用好的算法有效提升區分用戶能力，即如何有效提升高信用風險用戶的識別率，同時避免誤傷低風險用戶，也就是如何同時提升算法的召回率和準確率，從而在風險可控的前提下，保證出借方利益的最大化，高效地、自動地、合理地實現用戶的“千人千價”。專利
技術實現思路
本專利技術實施例提供一種能夠實現提升算法的召回率和準確率，高效地、自動化、合理化地實現出借方利益的最大化的信貸風險控制方法及系統、電子設備及可讀存儲介質。本專利技術實施例提供一種信貸風險控制方法，包括：S1:基于用戶提交的基本身份信息與授權信息，獲取用戶的信貸信息，所述信貸信息包括基礎信貸申請信息、行為表現信息和金融產品相關信息；S2:提取所述信貸信息中的N個原始特征，對所述N個原始特征采用K-S值最大的分箱算法進行處理，得到分箱結果特征，其中，N為正整數；所述分箱結果特征采用交叉特征衍生算法處理，得到衍生出的交叉特征；將所述衍生出的交叉特征、所述分箱結果特征和所述N個原始特征進行結合，剔除無效特征，得到的重要特征作為特征數據；并從用戶的基礎信貸申請信息中提取出初始申請額度；S3:將所述用戶的特征數據輸入預設的信用風險評分模型，得到所述用戶的信用評分結果；根據所述信用評分結果，評估所述用戶的信用風險等級；S4:基于建立并訓練好的風險調整因子模型，當所述用戶的信用風險等級不為第一等級時，將所述用戶的信用評分結果輸入所述風險調整因子模型，得到風險調整因子；利用所述風險調整因子對所述用戶的初始申請額度進行修正，得到修正后的定價水平。根據本專利技術實施例所述的信貸風險控制方法，所述提取所述信貸信息中的N個原始特征，對所述N個原始特征采用K-S值最大的分箱算法進行處理，得到分箱結果特征，其中，N為正整數，具體包括：提取所述信貸信息中的所有N種屬性信息，形成N個原始特征；基于如下公式對所述N個原始特征進行K-S值最大的分箱算法處理：其中，{f1,f2,f3,…,fi,…,fN}為所述N個原始特征的集合，fi為所述N個原始特征中的第i個原始特征，0＜i≤N,為分箱結果特征的集合，ficut為對應于原始特征fi的分箱結果，Fcut_bin為K-S值最大的分箱算法。根據本專利技術實施例所述的信貸風險控制方法，所述對所述分箱結果特征采用交叉特征衍生算法處理，得到衍生出的交叉特征，具體包括：基于如下公式對所述分箱結果特征進行交叉特征衍生算法處理：其中，為分箱結果特征的集合，為衍生出的交叉特征的集合，T為正整數，Pgen為交叉特征衍生算法。根據本專利技術實施例所述的信貸風險控制方法，所述將所述衍生出的交叉特征、所述分箱結果特征和所述N個原始特征進行結合，剔除無效特征，得到重要特征，具體包括：將所述衍生出的交叉特征、所述分箱結果特征和所述N個原始特征進行結合，得到結合后特征；再采用卡方驗證算法、信息增益算法、IV值算法、梯度提升樹算法、特征PSI指數算法、特征方差值算法、皮爾遜相關系數算法和最大信息系數算法中的任一種算法或者任意種算法的組合進行所述結合后特征的重要性評估；基于所述評估結果，剔除無效特征，保留重要特征。根據本專利技術實施例所述的信貸風險控制方法，所述將所述用戶的特征數據輸入預設的信用風險評分模型，得到所述用戶的信用評分結果的實現過程為：Sscore＝Fscore[Pfeature-engineer(f1,f2,f3…)]其中f1，f2，f3…為用戶的若干個特征數據，Pfeature-engineer為特征工程算法，Sscore為用戶的信用評分結果，其中，所述特征工程算法包括數據預處理、特征衍生、特征選擇，所述Fscore為預設的信用風險評分模型。根據本專利技術實施例所述的信貸風險控制方法，所述根據所述信用評分結果，評估所述用戶的信用風險等級的實現過程為：其中為若干個用戶的信用評分結果，Lcredit為用戶的信用風險等級，Lcredit的取值范圍為集合{Lreject,Lcareful,Lcommon,Llow,Lbypass}，其中Lreject、Lcareful、Lcommon、Llow、Lbypass分別表示不同程度的信用風險等級，Fcredit表示預設的信用風險等級模型。根據本專利技術實施例所述的信貸風險控制方法，所述將所述用戶的信用評分結果輸入風險調整因子模型，得到風險調整因子的具體實現過程為：R＝Gfactor(Sscore,α,β，…)其中Sscore為用戶的信用評分結果，α,β為風險調整因子模型參數或超參數，R為輸出的用戶風險調整因子，Gfactor為預設的用戶風險調整模型。本專利技術實施例提供一種信貸風險控制系統，包括：信貸信息獲取模塊，用于基于用戶提交的基本身份信息與授權信息，獲取用戶的信貸信息，所述信貸信息包括基礎信貸申請信息、行為表現信息和金融產品相關信息；特征信息提取模塊，連接所述信貸信息獲取模塊，用于提取所述信貸信息中的N個原始特征，對所述N個原始特征采用K-S值最大的分箱算法進行處理，得到分箱結果特征，其中，N為正整數；所述分箱結果特征采用交叉特征衍生算法處理，得到衍生出的交叉特征；將所述衍生出的交叉特征、所述分箱結果特征和所述N個原始特征進行結合，剔除無效特征，得到的重要特征作為特征數據；并從用戶的基礎信貸申請信息中提取出初始申請額度；風險等級評估模塊，連接所述特征信息提取模塊，用于將所述用戶的特征數據輸入預設的信用風險評分模型，得到所述用戶的信用評分結果；根據所述信用評分結果，評估所述用戶的信用風險等級；風險調整控制模塊，分別連接所述特征信息提取模塊和風險等級評估模塊，用于基于建立并訓練本文檔來自技高網...

【技術保護點】
1.一種信貸風險控制方法，其特征在于，包括：/nS1:基于用戶提交的基本身份信息與授權信息，獲取用戶的信貸信息，所述信貸信息包括基礎信貸申請信息、行為表現信息和金融產品相關信息；/nS2:提取所述信貸信息中的N個原始特征，對所述N個原始特征采用K-S值最大的分箱算法進行處理，得到分箱結果特征，其中，N為正整數；所述分箱結果特征采用交叉特征衍生算法處理，得到衍生出的交叉特征；將所述衍生出的交叉特征、所述分箱結果特征和所述N個原始特征進行結合，剔除無效特征，得到的重要特征作為特征數據；并從用戶的基礎信貸申請信息中提取出初始申請額度；/nS3:將所述用戶的特征數據輸入預設的信用風險評分模型，得到所述用戶的信用評分結果；根據所述信用評分結果，評估所述用戶的信用風險等級；/nS4:基于建立并訓練好的風險調整因子模型，當所述用戶的信用風險等級不為第一等級時，將所述用戶的信用評分結果輸入所述風險調整因子模型，得到風險調整因子；利用所述風險調整因子對所述用戶的初始申請額度進行修正，得到修正后的定價水平。/n

【技術特征摘要】
1.一種信貸風險控制方法，其特征在于，包括：
S1:基于用戶提交的基本身份信息與授權信息，獲取用戶的信貸信息，所述信貸信息包括基礎信貸申請信息、行為表現信息和金融產品相關信息；
S2:提取所述信貸信息中的N個原始特征，對所述N個原始特征采用K-S值最大的分箱算法進行處理，得到分箱結果特征，其中，N為正整數；所述分箱結果特征采用交叉特征衍生算法處理，得到衍生出的交叉特征；將所述衍生出的交叉特征、所述分箱結果特征和所述N個原始特征進行結合，剔除無效特征，得到的重要特征作為特征數據；并從用戶的基礎信貸申請信息中提取出初始申請額度；
S3:將所述用戶的特征數據輸入預設的信用風險評分模型，得到所述用戶的信用評分結果；根據所述信用評分結果，評估所述用戶的信用風險等級；
S4:基于建立并訓練好的風險調整因子模型，當所述用戶的信用風險等級不為第一等級時，將所述用戶的信用評分結果輸入所述風險調整因子模型，得到風險調整因子；利用所述風險調整因子對所述用戶的初始申請額度進行修正，得到修正后的定價水平。


2.根據權利要求1所述的信貸風險控制方法，其特征在于，所述提取所述信貸信息中的N個原始特征，對所述N個原始特征采用K-S值最大的分箱算法進行處理，得到分箱結果特征，其中，N為正整數，具體包括：
提取所述信貸信息中的所有N種屬性信息，形成N個原始特征；
基于如下公式對所述N個原始特征進行K-S值最大的分箱算法處理：



其中，{f1,f2,f3,…,fi,…,fN}為所述N個原始特征的集合，fi為所述N個原始特征中的第i個原始特征，0＜i≤N,為分箱結果特征的集合，ficut為對應于原始特征fi的分箱結果，Fcut_bin為K-S值最大的分箱算法。


3.根據權利要求1所述的信貸風險控制方法，其特征在于，所述對所述分箱結果特征采用交叉特征衍生算法處理，得到衍生出的交叉特征，具體包括：
基于如下公式對所述分箱結果特征進行交叉特征衍生算法處理：



其中，為分箱結果特征的集合，為衍生出的交叉特征的集合，T為正整數，Pgen為交叉特征衍生算法。


4.根據權利要求1所述的信貸風險控制方法，其特征在于，所述將所述衍生出的交叉特征、所述分箱結果特征和所述N個原始特征進行結合，剔除無效特征，得到重要特征，具體包括：
將所述衍生出的交叉特征、所述分箱結果特征和所述N個原始特征進行結合，得到結合后特征；
再采用卡方驗證算法、信息增益算法、IV值算法、梯度提升樹算法、特征PSI指數算法、特征方差值算法、皮爾遜相關系數算法和最大信息系數算法中的任一種算法或者任意種算法的組合進行所述結合后特征的重要性評估；
基于所述評估結果，剔除無效特征，保留重要特征。


5.根據權利要求1所述的信貸風險控制方法，其特征在于，所述將所述用戶的特征數據輸入預設的信用風險評分模型，得到所述用戶的信用評分結果的實現過程為：
Sscore＝Fscore[Pfeature...

【專利技術屬性】
技術研發人員：李少帥，張博，張勝慶，曹家楷，黃慕宇，張帆，
申請(專利權)人：長安汽車金融有限公司，
類型：發明
國別省市：重慶;50