[發明專利]借貸風險控制的模型篩選方法、裝置和存儲介質

在審

• 申請號: 201711211464.7
• 申請日: 2017-11-28
• 公開（公告）號: CN107944708A
• 公開（公告）日: 2018-04-20
• 發明（設計）人: 賴曉彬;劉奕慧
• 申請（專利權）人: 深圳市牛鼎豐科技有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q40/02
• 代理公司: 廣州華進聯合專利商標代理有限公司44224
• 代理人: 李文淵

技術領域

本發明涉及計算機技術領域，特別是涉及一種借貸風險控制的模型篩選方法、裝置和存儲介質。

背景技術

隨著計算機技術的不斷發展，借貸數據越來越傾向電子信息化，借貸指標數據也朝著多維度、大數據量方向發展，傳統的以人工的方式實現的經驗風險控制，因效率低且需要投入大量人力而不適用于目前借貸中的風險控制。因此，通過采集大量借貸指標數據進行數據建模的大數據風險控制不斷發展。大數據風險控制通過運用大數據構建模型的方法對借貸人或借貸企業進行風險控制和風險提示，相比傳統的人工經驗風險控制方式更科學，效率更高。

目前，大數據風險控制所運用的借貸風險控制模型主要是邏輯回歸算法模型。邏輯回歸算法模型的衡量標準是K-S值(模型的區分度指標)的大小，當K-S值在0.3以上的邏輯回歸算法模型才會被采用。

然而，當在多個算法模型中篩選出一個最佳的模型作為風險控制模型時，只能根據已有經驗和/或各個算法模型的K-S值相結合進行篩選，因而篩選出的模型不一定是最佳的模型，從而導致篩選最佳借貸風險控制模型的準確率下降。

發明內容

基于此，有必要針對目前篩選最佳借貸風險控制模型的準確率低的技術問題，提供了一種借貸風險控制的模型篩選方法、裝置和存儲介質。

一種借貸風險控制的模型篩選方法，所述方法包括：

獲取借貸業務的驗證樣本數據；

通過已訓練的多個模型分別預測所述驗證樣本數據的借貸結果；

對于所述多個模型中的模型，分別根據借貸結果為借貸通過的驗證樣本數據所對應的還貸數據和自然還貸逾期率，計算還貸逾期率下降指標；

對于所述多個模型中的模型，分別根據相應的借貸結果為借貸拒絕的驗證樣本數據的數量和驗證樣本數據總量，計算借貸拒絕率；

根據每個所述模型所對應的還貸逾期率下降指標和借貸拒絕率，分別確定每個所述模型的風險控制模型評估指標；

根據所述風險控制模型評估指標進行模型篩選。

一種借貸風險控制的模型篩選裝置，所述裝置包括：

驗證樣本數據獲取模塊，用于獲取借貸業務的驗證樣本數據；

借貸結果預測模塊，用于通過已訓練的多個模型分別預測所述驗證樣本數據的借貸結果；

還貸逾期率下降指標計算模塊，用于對于所述多個模型中的模型，分別根據借貸結果為借貸通過的驗證樣本數據所對應的還貸數據和自然還貸逾期率，計算還貸逾期率下降指標；

借貸拒絕率計算模塊，用于對于所述多個模型中的模型，分別根據相應的借貸結果為借貸拒絕的驗證樣本數據的數量和驗證樣本數據總量，計算借貸拒絕率；

風險控制模型評估指標計算模塊，用于根據每個所述模型所對應的還貸逾期率下降指標和借貸拒絕率，分別確定每個所述模型的風險控制模型評估指標；

模型篩選模塊，用于根據所述風險控制模型評估指標進行模型篩選。

一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述計算機程序被所述處理器執行時，使得所述處理器執行以下步驟：

獲取借貸業務的驗證樣本數據；

通過已訓練的多個模型分別預測所述驗證樣本數據的借貸結果；

對于所述多個模型中的模型，分別根據借貸結果為借貸通過的驗證樣本數據所對應的還貸數據和自然還貸逾期率，計算還貸逾期率下降指標；

對于所述多個模型中的模型，分別根據相應的借貸結果為借貸拒絕的驗證樣本數據的數量和驗證樣本數據總量，計算借貸拒絕率；

根據每個所述模型所對應的還貸逾期率下降指標和借貸拒絕率，分別確定每個所述模型的風險控制模型評估指標；

根據所述風險控制模型評估指標進行模型篩選。

一種計算機可讀存儲介質，存儲有計算機程序，所述計算機程序被處理器執行時，使得所述處理器執行以下步驟：

獲取借貸業務的驗證樣本數據；

通過已訓練的多個模型分別預測所述驗證樣本數據的借貸結果；

對于所述多個模型中的模型，分別根據借貸結果為借貸通過的驗證樣本數據所對應的還貸數據和自然還貸逾期率，計算還貸逾期率下降指標；

對于所述多個模型中的模型，分別根據相應的借貸結果為借貸拒絕的驗證樣本數據的數量和驗證樣本數據總量，計算借貸拒絕率；

根據每個所述模型所對應的還貸逾期率下降指標和借貸拒絕率，分別確定每個所述模型的風險控制模型評估指標；

根據所述風險控制模型評估指標進行模型篩選。