本發(fā)明專利技術(shù)涉及一種征信變量組合挖掘方法及系統(tǒng)，該方法包括：獲取客戶的歷史征信數(shù)據(jù)，提取征信基礎(chǔ)變量；利用機(jī)器學(xué)習(xí)算法對(duì)征信基礎(chǔ)變量進(jìn)行組合衍生，通過預(yù)先構(gòu)建的計(jì)算框架計(jì)算征信變量組合的價(jià)值；計(jì)算征信基礎(chǔ)變量及其構(gòu)成的征信變量組合的KS值，計(jì)算組合后增益；剔除相關(guān)性大于預(yù)設(shè)相關(guān)性閾值的組合，基于組合后增益和相關(guān)性，選取目標(biāo)征信變量組合，最終得到獨(dú)立高價(jià)值征信變量組合。本發(fā)明專利技術(shù)通過機(jī)器學(xué)習(xí)算法和數(shù)學(xué)方法對(duì)征信基礎(chǔ)變量進(jìn)行組合衍生，生成新的征信變量組合，并計(jì)算這些組合的價(jià)值，從而深度挖掘了征信數(shù)據(jù)的潛在價(jià)值。通過計(jì)算征信變量組合的KS值，并評(píng)估組合后增益，優(yōu)化了征信數(shù)據(jù)對(duì)好壞客戶的區(qū)分度。
【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及風(fēng)控特征的衍生及價(jià)值挖掘，尤其涉及一種征信變量組合挖掘方法及系統(tǒng)。
技術(shù)介紹
1、在金融領(lǐng)域，征信數(shù)據(jù)是評(píng)估個(gè)人或企業(yè)信用狀況的重要依據(jù)。隨著金融業(yè)務(wù)的快速發(fā)展，人行征信系統(tǒng)提供了大量關(guān)于個(gè)人和企業(yè)的信用信息，包括貸款記錄、還款情況、信用卡使用情況等。這些數(shù)據(jù)對(duì)于金融機(jī)構(gòu)在進(jìn)行信貸審批、風(fēng)險(xiǎn)管理等方面具有極高的價(jià)值。然而，如何高效地挖掘和利用這些征信數(shù)據(jù)，以更精準(zhǔn)地評(píng)估客戶信用狀況，一直是金融機(jī)構(gòu)面臨的挑戰(zhàn)。
2、目前，許多公司在處理人行征信報(bào)文時(shí)，主要采取以下做法：
3、第一，單純解析數(shù)據(jù)落庫及直接使用：這種方法較為簡(jiǎn)單，主要是將征信報(bào)文中的數(shù)據(jù)進(jìn)行解析，然后直接存儲(chǔ)到數(shù)據(jù)庫中供后續(xù)使用。這種做法雖然能夠保留原始數(shù)據(jù)，但缺乏對(duì)數(shù)據(jù)的深度挖掘和組合分析，無法充分發(fā)掘征信數(shù)據(jù)的潛在價(jià)值。
4、第二，請(qǐng)咨詢公司進(jìn)行拆解統(tǒng)計(jì)：一些公司會(huì)選擇與專業(yè)的咨詢公司合作，對(duì)征信數(shù)據(jù)進(jìn)行拆解和統(tǒng)計(jì)分析。雖然這種方法能夠獲得一定的數(shù)據(jù)分析結(jié)果，但咨詢公司的服務(wù)成本較高，且分析結(jié)果可能無法完全滿足公司內(nèi)部的個(gè)性化需求。此外，這種方法仍然停留在數(shù)據(jù)拆解和統(tǒng)計(jì)的層面，未能進(jìn)行更深層次的組合挖掘。
技術(shù)實(shí)現(xiàn)思路
1、有鑒于此，有必要提供一種征信變量組合挖掘方法及系統(tǒng)，用以解決現(xiàn)有技術(shù)的上述缺陷。
2、為了解決上述問題，第一方面，本專利技術(shù)實(shí)施例提供一種征信變量組合挖掘方法，包括：
3、獲取客戶的歷史征信數(shù)據(jù)，提取征信基礎(chǔ)變量；
<
p>4、利用機(jī)器學(xué)習(xí)算法對(duì)征信基礎(chǔ)變量進(jìn)行組合衍生，對(duì)于每一個(gè)新生成的征信變量組合，通過預(yù)先構(gòu)建的計(jì)算框架計(jì)算征信變量組合的價(jià)值，篩選價(jià)值符合標(biāo)準(zhǔn)的征信變量組合；5、計(jì)算征信基礎(chǔ)變量及其構(gòu)成的征信變量組合的ks值，計(jì)算組合后增益；其中，ks值用于評(píng)估征信基礎(chǔ)變量對(duì)好壞客戶的區(qū)分能力；
6、剔除衍生組合間相關(guān)性大于預(yù)設(shè)相關(guān)性閾值的組合，以及與原征信基礎(chǔ)變量的相關(guān)性大于預(yù)設(shè)相關(guān)性閾值的組合，基于組合后增益和相關(guān)性，選取目標(biāo)征信變量組合。
7、優(yōu)選的，所述獲取客戶的歷史征信數(shù)據(jù)，提取征信基礎(chǔ)變量，包括：
8、跨平臺(tái)提取多個(gè)客戶的歷史征信數(shù)據(jù)；
9、確定好壞客戶的劃分標(biāo)準(zhǔn)，并根據(jù)客戶的歷史征信數(shù)據(jù)，將客戶劃分為好客戶樣本和壞客戶樣本；
10、從客戶的歷史征信數(shù)據(jù)中提取用于描述個(gè)人信用狀況的基本信息單元，作為征信基礎(chǔ)變量，將征信基礎(chǔ)變量整合成寬表。
11、優(yōu)選的，所述利用機(jī)器學(xué)習(xí)算法對(duì)征信基礎(chǔ)變量進(jìn)行組合衍生，包括：
12、利用機(jī)器學(xué)習(xí)算法或數(shù)學(xué)方法對(duì)征信基礎(chǔ)變量進(jìn)行組合衍生；
13、其中，所述機(jī)器學(xué)習(xí)算法包括k均值聚類、pca主成分分析以及xgboost極限梯度提升；所述數(shù)學(xué)方法包括加法組合、減法組合、乘法組合、除法組合、平方和組合以及三角函數(shù)組合。
14、優(yōu)選的，所述利用機(jī)器學(xué)習(xí)算法對(duì)征信基礎(chǔ)變量進(jìn)行組合衍生，還包括：
15、使用for循環(huán)遍歷并組合征信基礎(chǔ)變量，生成新的征信變量組合。
16、優(yōu)選的，在通過預(yù)先構(gòu)建的計(jì)算框架計(jì)算征信變量組合的價(jià)值之前，所述方法還包括：
17、搭建iv計(jì)算框架和ks計(jì)算框架；
18、其中，iv計(jì)算框架計(jì)算的iv值用于評(píng)估征信基礎(chǔ)變量對(duì)好壞客戶的影響程度；iv值和ks值用于共同判斷征信基礎(chǔ)變量的價(jià)值。
19、優(yōu)選的，在計(jì)算征信基礎(chǔ)變量及其構(gòu)成的征信變量組合的ks值，計(jì)算組合后增益之后，所述方法還包括：
20、根據(jù)組合后增益的大小，將征信變量組合劃分為低增益組合、中增益組合和高增益組合；
21、相應(yīng)的，所述基于組合后增益和相關(guān)性，選取目標(biāo)征信變量組合，包括：
22、選取相關(guān)性符合要求的高增益組合，作為目標(biāo)征信變量組合。
23、第二方面，本專利技術(shù)實(shí)施例提供一種征信變量組合挖掘系統(tǒng)，包括：
24、獲取模塊，用于獲取客戶的歷史征信數(shù)據(jù)，提取征信基礎(chǔ)變量；
25、組合衍生模塊，用于利用機(jī)器學(xué)習(xí)算法對(duì)征信基礎(chǔ)變量進(jìn)行組合衍生，對(duì)于每一個(gè)新生成的征信變量組合，通過預(yù)先構(gòu)建的計(jì)算框架計(jì)算征信變量組合的價(jià)值，篩選價(jià)值符合標(biāo)準(zhǔn)的征信變量組合；
26、增益計(jì)算模塊，用于計(jì)算征信基礎(chǔ)變量及其構(gòu)成的征信變量組合的ks值，計(jì)算組合后增益；其中，ks值用于評(píng)估征信基礎(chǔ)變量對(duì)好壞客戶的區(qū)分能力；
27、組合選取模塊，用于剔除衍生組合間相關(guān)性大于預(yù)設(shè)相關(guān)性閾值的組合，以及與原征信基礎(chǔ)變量的相關(guān)性大于預(yù)設(shè)相關(guān)性閾值的組合，基于組合后增益和相關(guān)性，選取目標(biāo)征信變量組合。
28、第三方面，本專利技術(shù)還提供了一種電子設(shè)備，包括存儲(chǔ)器和處理器，其中，
29、所述存儲(chǔ)器，用于存儲(chǔ)程序；
30、所述處理器，與所述存儲(chǔ)器耦合，用于執(zhí)行所述存儲(chǔ)器中存儲(chǔ)的所述程序，以實(shí)現(xiàn)如本專利技術(shù)第一方面實(shí)施例所述的征信變量組合挖掘方法中的步驟。
31、第四方面，本專利技術(shù)還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，用于存儲(chǔ)計(jì)算機(jī)可讀取的程序或指令，所述程序或指令被處理器執(zhí)行時(shí)能夠?qū)崿F(xiàn)如本專利技術(shù)第一方面實(shí)施例所述的征信變量組合挖掘方法中的步驟。
32、本專利技術(shù)提供的征信變量組合挖掘方法及系統(tǒng)，與現(xiàn)有技術(shù)相比，具有以下有益效果：
33、1)本專利技術(shù)通過機(jī)器學(xué)習(xí)算法和數(shù)學(xué)方法對(duì)征信基礎(chǔ)變量進(jìn)行組合衍生，生成新的征信變量組合，并計(jì)算這些組合的價(jià)值，從而深度挖掘了征信數(shù)據(jù)的潛在價(jià)值。
34、2)本專利技術(shù)通過搭建iv計(jì)算框架、ks計(jì)算框架，以及使用for循環(huán)遍歷并組合征信基礎(chǔ)變量，實(shí)現(xiàn)了自動(dòng)化和智能化的征信變量組合挖掘。本專利技術(shù)通過計(jì)算征信變量組合的ks值，并評(píng)估組合后增益，優(yōu)化了征信數(shù)據(jù)對(duì)好壞客戶的區(qū)分度。
本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種征信變量組合挖掘方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的征信變量組合挖掘方法，其特征在于，所述獲取客戶的歷史征信數(shù)據(jù)，提取征信基礎(chǔ)變量，包括：
3.根據(jù)權(quán)利要求1所述的征信變量組合挖掘方法，其特征在于，所述利用機(jī)器學(xué)習(xí)算法對(duì)征信基礎(chǔ)變量進(jìn)行組合衍生，包括：
4.根據(jù)權(quán)利要求1所述的征信變量組合挖掘方法，其特征在于，所述利用機(jī)器學(xué)習(xí)算法對(duì)征信基礎(chǔ)變量進(jìn)行組合衍生，還包括：
5.根據(jù)權(quán)利要求1所述的征信變量組合挖掘方法，其特征在于，在通過預(yù)先構(gòu)建的計(jì)算框架計(jì)算征信變量組合的價(jià)值之前，所述方法還包括：
6.根據(jù)權(quán)利要求1所述的征信變量組合挖掘方法，其特征在于，在計(jì)算征信基礎(chǔ)變量及其構(gòu)成的征信變量組合的KS值，計(jì)算組合后增益之后，所述方法還包括：
7.一種應(yīng)用于權(quán)利要求1-6任一項(xiàng)所述征信變量組合挖掘方法的征信變量組合挖掘系統(tǒng)，其特征在于，包括：
8.一種電子設(shè)備，
9.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，用于存儲(chǔ)計(jì)算機(jī)可讀取的程序或指令，所述程序或指令被處理器執(zhí)行時(shí)能夠?qū)崿F(xiàn)上述權(quán)利要求1至6中任意一項(xiàng)所述的征信變量組合挖掘方法中的步驟。
...
【技術(shù)特征摘要】
1.一種征信變量組合挖掘方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的征信變量組合挖掘方法，其特征在于，所述獲取客戶的歷史征信數(shù)據(jù)，提取征信基礎(chǔ)變量，包括：
3.根據(jù)權(quán)利要求1所述的征信變量組合挖掘方法，其特征在于，所述利用機(jī)器學(xué)習(xí)算法對(duì)征信基礎(chǔ)變量進(jìn)行組合衍生，包括：
4.根據(jù)權(quán)利要求1所述的征信變量組合挖掘方法，其特征在于，所述利用機(jī)器學(xué)習(xí)算法對(duì)征信基礎(chǔ)變量進(jìn)行組合衍生，還包括：
5.根據(jù)權(quán)利要求1所述的征信變量組合挖掘方法，其特征在于，在通過預(yù)先構(gòu)建的計(jì)算框架計(jì)算征信...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：林嘉裕，饒梓義，陳陽，王志雄，
申請(qǐng)(專利權(quán))人：蘇銀凱基消費(fèi)金融有限公司，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。