[發(fā)明專(zhuān)利]一種基于大數(shù)據(jù)征信的人工智能金融風(fēng)控授信評(píng)定方法和系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201810352544.2
• 申請(qǐng)日: 2018-04-19
• 公開(kāi)（公告）號(hào): CN108564286B
• 公開(kāi)（公告）日: 2021-01-22
• 發(fā)明（設(shè)計(jì)）人: 孫曉俊;肖煒;洪倩雯;林佳佳;郭曉鳳;李琦薇
• 申請(qǐng)（專(zhuān)利權(quán)）人: 天合澤泰（廈門(mén)）征信服務(wù)有限公司
• 主分類(lèi)號(hào): G06Q10/06
• 分類(lèi)號(hào): G06Q10/06;G06Q40/02
• 代理公司: 廈門(mén)智慧呈睿知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 35222
• 代理人: 郭福利;魏思凡

1.一種基于大數(shù)據(jù)征信的人工智能金融風(fēng)控授信評(píng)定方法，其特征在于，該方法由處理器執(zhí)行，所述方法包括：

根據(jù)授信請(qǐng)求獲取被評(píng)客戶的原始數(shù)據(jù)；

對(duì)所述原始數(shù)據(jù)執(zhí)行清洗操作，所述清洗操作用于從所述原始數(shù)據(jù)中篩選出標(biāo)準(zhǔn)數(shù)據(jù)；

對(duì)所述標(biāo)準(zhǔn)數(shù)據(jù)進(jìn)行反欺詐驗(yàn)證，所述反欺詐驗(yàn)證為根據(jù)規(guī)則庫(kù)中的預(yù)定規(guī)則與反欺詐模型中的閾值，做出拒絕或通過(guò)結(jié)果反饋；

對(duì)通過(guò)的所述標(biāo)準(zhǔn)數(shù)據(jù)進(jìn)行信用評(píng)價(jià)，所述信用評(píng)價(jià)經(jīng)由信用評(píng)價(jià)模型，輸出針對(duì)所述標(biāo)準(zhǔn)數(shù)據(jù)的信用評(píng)分、信用等級(jí)；

根據(jù)所述信用評(píng)分與信用等級(jí)，計(jì)算所述標(biāo)準(zhǔn)數(shù)據(jù)的額度預(yù)測(cè)信息、利率預(yù)測(cè)信息以及收益率預(yù)測(cè)信息；

根據(jù)所述額度測(cè)算信息、利率測(cè)算信息以及收益率預(yù)測(cè)信息生成所述被評(píng)客戶的可視化評(píng)級(jí)報(bào)告；

信用評(píng)價(jià)模型還能夠?qū)崿F(xiàn)自我迭代更新，其包括在信用模型中監(jiān)控新增數(shù)據(jù)是否達(dá)到定值；通過(guò)該監(jiān)控，一旦新增數(shù)據(jù)達(dá)到了定值，則對(duì)該信用評(píng)價(jià)模型進(jìn)行重新訓(xùn)練；用重新訓(xùn)練后的信用評(píng)價(jià)模型更新現(xiàn)有的信用評(píng)價(jià)模型；

信用評(píng)價(jià)模塊包含模型構(gòu)建與定時(shí)迭代更新2部分，其中模型構(gòu)建部分包含信用評(píng)分卡模型、信用等級(jí)模型和風(fēng)險(xiǎn)分類(lèi)模型，作為客戶初始信用分確定、客戶群體劃分、風(fēng)險(xiǎn)預(yù)測(cè)的參照，對(duì)客戶形成一個(gè)較為完整的信用評(píng)價(jià)；模型更新指新增數(shù)據(jù)累積達(dá)到定值，則對(duì)模型重新訓(xùn)練，迭代更新；

信用評(píng)分卡模型包含評(píng)分特征項(xiàng)和對(duì)應(yīng)權(quán)重部分；評(píng)分特征項(xiàng)中，個(gè)人數(shù)據(jù)維度由基礎(chǔ)信息、職業(yè)信息、資產(chǎn)及流水信息、信用和借貸信息、模型外調(diào)整信息5部分組成；企業(yè)數(shù)據(jù)維度包含7部分，其中法人信息由5部分，企業(yè)信息由非財(cái)務(wù)評(píng)價(jià)與財(cái)務(wù)評(píng)價(jià)組成，權(quán)重的設(shè)定，采用自適應(yīng)AHP層次分析模型輸出，總信用分由各評(píng)分項(xiàng)與權(quán)重的乘積所得子分?jǐn)?shù)項(xiàng)加總得來(lái)；

信用等級(jí)模型是根據(jù)借貸歷史數(shù)據(jù)集，包含貸前數(shù)據(jù)與貸后數(shù)據(jù)集，數(shù)據(jù)集中包含信用分特征，做聚類(lèi)分析；從算法庫(kù)中選取不少于3個(gè)聚類(lèi)算法模型對(duì)數(shù)據(jù)建模，對(duì)建立的模型用留出法進(jìn)行模型泛化性能檢驗(yàn)，再對(duì)比不同模型間性能，確定最終使用的模型，并輸出該模型返回結(jié)果，以每一聚類(lèi)簇中信用分均值作為信用等級(jí)劃分邊界；

模塊中風(fēng)險(xiǎn)分類(lèi)模型是指對(duì)待評(píng)價(jià)對(duì)象進(jìn)行還款情況預(yù)測(cè)，根據(jù)借貸歷史數(shù)據(jù)集，將通過(guò)審批并還款的客戶分為兩類(lèi)，逾期客戶和正常還款客戶分別標(biāo)記為0、1,代表高風(fēng)險(xiǎn)與低風(fēng)險(xiǎn)客戶；從算法庫(kù)中選取不少于3個(gè)分類(lèi)算法模型對(duì)數(shù)據(jù)建模，對(duì)建立的模型進(jìn)行模型性能檢驗(yàn)，對(duì)比不同模型間精確率、召回率，確定最終使用的模型；將訓(xùn)練好的模型保存在系統(tǒng)中；同時(shí)對(duì)于風(fēng)險(xiǎn)分類(lèi)標(biāo)記為1的高風(fēng)險(xiǎn)客戶，回調(diào)其信用等級(jí)，下調(diào)一級(jí)；

對(duì)數(shù)據(jù)進(jìn)行分類(lèi)預(yù)測(cè)建模，調(diào)用封裝好的隨機(jī)森林算法包，從原始訓(xùn)練集中使用Bootstraping方法，即隨機(jī)有放回采樣選出m個(gè)樣本，共進(jìn)行n次采樣，生成n個(gè)訓(xùn)練集；

如果每個(gè)樣本的特征維度為M，指定一個(gè)常數(shù)mM，隨機(jī)地從M個(gè)特征中選取m個(gè)特征子集，每次樹(shù)進(jìn)行分裂時(shí)，從這m個(gè)特征中根據(jù)信息增益或信息增益比或基尼指數(shù)選擇最好的特征進(jìn)行分裂；

每棵樹(shù)都盡最大程度的生長(zhǎng)，在決策樹(shù)的分裂過(guò)程中不需要剪枝；

將生成的多棵決策樹(shù)組成隨機(jī)森林；由于此次模型是分類(lèi)問(wèn)題，按多棵樹(shù)分類(lèi)器投票決定最終分類(lèi)結(jié)果，此處為‘相對(duì)多數(shù)投票法’；

預(yù)測(cè)得票最多的標(biāo)記，若同時(shí)有數(shù)個(gè)標(biāo)記同票最高，隨機(jī)選擇一個(gè)；模型訓(xùn)練完畢并保存，將多個(gè)算法訓(xùn)練的模型進(jìn)行性能對(duì)比，對(duì)比精確率、召回率、ROC以及AUC指標(biāo)；確定一個(gè)最優(yōu)模型，保存模型文件；

所述自適應(yīng)AHP層次分析模型，由專(zhuān)家打分系統(tǒng)，形成矩陣傳輸至自適應(yīng)AHP模型，模型對(duì)AHP矩陣進(jìn)行第一次檢查，對(duì)沒(méi)有通過(guò)一致性檢驗(yàn)的矩陣進(jìn)行調(diào)整，計(jì)算偏差矩陣，對(duì)其中影響最大的矩陣元素進(jìn)行微調(diào)，再返回一個(gè)新的判斷矩陣，驗(yàn)證其是否滿足一致性檢驗(yàn)，循環(huán)以上程序直至通過(guò)，并最終輸出所有評(píng)分項(xiàng)對(duì)應(yīng)權(quán)重。

2.根據(jù)權(quán)利要求1所述的授信評(píng)定方法，其特征在于，所述清洗操作包括：

剔除所述原始數(shù)據(jù)中的異常值、重復(fù)值、無(wú)效值以及缺失值以獲得過(guò)濾數(shù)據(jù)；

對(duì)所述過(guò)濾數(shù)據(jù)進(jìn)行去噪、修復(fù)和降維處理，以獲得所述標(biāo)準(zhǔn)數(shù)據(jù)。