System.ArgumentOutOfRangeException: 索引和長度必須引用該字符串內的位置。 參數名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技術實現步驟摘要】
本專利技術屬于信貸,特別是涉及一種逾期狀態下風險評估的建模方法。
技術介紹
1、傳統的信貸風險評估模型往往采用較為粗放的標簽分類方式,如僅區分”逾期“與”未逾期“,未能深入挖掘逾期背后的多維度信息。這種簡化的風險評估方式容易導致對信貸風險的判斷不夠精確,無法準確識別出不同客戶的差異化風險。
技術實現思路
1、為解決上述技術問題,本專利技術采用的一個技術方案是:
2、一種逾期狀態下風險評估的建模方法,包括以下步驟:
3、s1):構建入催模型:通過定義多個標簽參數訓練出入催打分模型;
4、具體分為以下步驟:
5、s11):定義入催標簽:定義出標簽包括逾期天數、逾期金額、逾期次數、逾期類型;
6、s12):收集信貸客戶的歷史數據:收集歷史數據,包括征信信息、借款信息、還款信息、信用評分;
7、s13):確定標簽的閾值和權重:根據理財產品特點和客戶的歷史數據分析,確定出每個標簽的閾值和權重;
8、s14):模型訓練:利用機器學習對入催標簽進行訓練,構建出入催模型;
9、s2):構建回收模型:通過定義多個標簽參數訓練出回收打分模型;
10、具體分為以下步驟:
11、s21):定義回收標簽:定義出標簽包括回收金額、回收時間,催收方式、產品屬性和客戶特征;
12、s22):收集入催客戶的歷史數據:收集歷史數據,包括征信信息、借款信息、還款信息、信用評分;
14、s24):模型訓練:利用機器學習對回收標簽進行訓練,構建出回收模型;
15、s3):交叉使用和策略優化:結合兩個模型打分數據,綜合評分;
16、具體分為以下步驟:
17、s31):客戶畫像:根據入催模型和回收模型的打分,將客戶分類,分別為低入催低回收、低入催高回收、高入催低回收、高入催高回收;
18、s32):個性化策略制定:基于客戶畫像的不同分類,制定精細化的授信審批策略、催收策略;
19、s33):持續監控和及時反饋:基于模型的預測分數,建立反饋機制,實時監控客戶信貸風險變化。
20、進一步的,所述s11步驟中,逾期類型為首次逾期或者多次逾期。
21、進一步的,所述步驟14和步驟24中,機器學習的算法可以是邏輯回歸、隨機森林或gbdt。
22、進一步的,步驟1和步驟2中的打分模型的分值為0~100;
23、當入催模型分值<50時,為低入催;
24、當入催模型分值>=50時,為高入催;
25、當回收模型分值<50時,為低回收;
26、當回收模型分值>=50時,為高回收。
27、進一步的,步驟3中綜合評分規則為:入催40%+回收60%。
28、本專利技術的有益效果:
29、本專利技術通過對逾期標簽進行拆解,如入催和回收等,以更精細化的方式評估客戶的逾期風險,有助于金融機構更有效地識別出高入催低回收這類高風險客戶和低入催高回收這類低風險客戶,為后續的風險控制提供有力支持,提升了信貸風險評估的精確度,有效降低了信貸損失。
本文檔來自技高網...【技術保護點】
1.一種逾期狀態下風險評估的建模方法,其特征在于:包括以下步驟:
2.根據權利要求1所述的一種逾期狀態下風險評估的建模方法,其特征在于:所述S11步驟中,逾期類型為首次逾期或者多次逾期。
3.根據權利要求1所述的一種逾期狀態下風險評估的建模方法,其特征在于:所述步驟14和步驟24中,機器學習的算法可以是邏輯回歸、隨機森林或GBDT。
4.根據權利要求1所述的一種逾期狀態下風險評估的建模方法,其特征在于:步驟1和步驟2中的打分模型的分值為0~100;
5.根據權利要求1所述的一種逾期狀態下風險評估的建模方法,其特征在于:步驟3中綜合評分規則為:入催40%+回收60%。
【技術特征摘要】
1.一種逾期狀態下風險評估的建模方法,其特征在于:包括以下步驟:
2.根據權利要求1所述的一種逾期狀態下風險評估的建模方法,其特征在于:所述s11步驟中,逾期類型為首次逾期或者多次逾期。
3.根據權利要求1所述的一種逾期狀態下風險評估的建模方法,其特征在于:所述步驟14和步驟24中,機...
【專利技術屬性】
技術研發人員:田平,劉濤,袁慧,王宇達,常楠,
申請(專利權)人:蘇銀凱基消費金融有限公司,
類型:發明
國別省市:
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。