[發(fā)明專利]一種風(fēng)險評估方法、裝置、終端設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 201810435813.1
• 申請日: 2018-05-09
• 公開（公告）號: CN108665159A
• 公開（公告）日: 2018-10-16
• 發(fā)明（設(shè)計）人: 劉順
• 申請（專利權(quán)）人: 深圳壹賬通智能科技有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q40/00
• 代理公司: 深圳眾鼎專利商標(biāo)代理事務(wù)所(普通合伙) 44325
• 代理人: 譚果林

1.一種風(fēng)險評估方法，其特征在于，所述風(fēng)險評估方法包括：

獲取樣本用戶的歷史金融信息；

根據(jù)所述歷史金融信息構(gòu)建訓(xùn)練集；

針對所述訓(xùn)練集，使用隨機森林算法進行決策樹構(gòu)建，得到金融風(fēng)險評估模型，其中，所述金融風(fēng)險評估模型包括K棵決策樹，K為正整數(shù)；

使用所述金融風(fēng)險評估模型對待評測用戶的金融信息進行模型預(yù)測，得到所述待評測用戶在所述金融風(fēng)險評估模型中每棵所述決策樹的預(yù)測結(jié)果；

根據(jù)所述預(yù)測結(jié)果，對預(yù)設(shè)的金融風(fēng)險類別進行投票，并統(tǒng)計每個所述金融風(fēng)險類別的得票率，其中，所述金融風(fēng)險類別包括預(yù)設(shè)的多個風(fēng)險等級和每個所述風(fēng)險等級對應(yīng)的初始厭惡系數(shù)；

將每個所述金融風(fēng)險類別的得票率中最高得票率的金融風(fēng)險類別確定為基準(zhǔn)類別，并計算低于所述基準(zhǔn)類別的金融風(fēng)險類別的得票率的左平均值，以及高于所述基準(zhǔn)類別的金融風(fēng)險類別的得票率的右平均值；

若所述左平均值大于或者等于所述右平均值，則將所述基準(zhǔn)類別的初始厭惡系數(shù)與所述左平均值的差確定為所述待評測用戶的金融風(fēng)險厭惡系數(shù)，否則，將所述基準(zhǔn)類別的初始厭惡系數(shù)與所述右平均值的和確定為所述金融風(fēng)險厭惡系數(shù)；

根據(jù)所述金融風(fēng)險厭惡系數(shù)確定所述待評測用戶的金融風(fēng)險承受水平。

2.如權(quán)利要求1所述的風(fēng)險評估方法，其特征在于，所述根據(jù)所述歷史金融信息構(gòu)建訓(xùn)練集包括：

根據(jù)所述歷史金融信息確定n個用戶金融特征，并基于所述用戶金融特征構(gòu)造金融風(fēng)險特征向量，將所述金融風(fēng)險特征向量作為訓(xùn)練樣本，其中，n為正整數(shù)；

對所述金融風(fēng)險特征向量進行篩選，若檢測到存在所述金融風(fēng)險特征向量相同的多個所述訓(xùn)練樣本，則保留其中任意一個所述訓(xùn)練樣本，刪除其余的所述訓(xùn)練樣本；

根據(jù)篩選后的所述金融風(fēng)險特征向量構(gòu)建所述訓(xùn)練集。

3.如權(quán)利要求2所述的風(fēng)險評估方法，其特征在于，在所述根據(jù)所述歷史金融信息構(gòu)建訓(xùn)練集之后，以及所述針對所述訓(xùn)練集，使用隨機森林算法進行決策樹構(gòu)建，得到金融風(fēng)險評估模型之前，所述風(fēng)險評估方法還包括：

根據(jù)預(yù)設(shè)的分類條件對所述訓(xùn)練集中的所述金融風(fēng)險特征向量標(biāo)記其標(biāo)識信息；

根據(jù)所述標(biāo)識信息標(biāo)記的結(jié)果對所述訓(xùn)練集中的所述金融風(fēng)險特征向量進行歸一化處理。

4.如權(quán)利要求3所述的風(fēng)險評估方法，其特征在于，所述針對所述訓(xùn)練集，使用隨機森林算法進行決策樹構(gòu)建，得到金融風(fēng)險評估模型包括：

使用隨機抽樣的方式從所述訓(xùn)練集中抽取所述訓(xùn)練樣本，構(gòu)建K個子訓(xùn)練集；

針對每個所述子訓(xùn)練集，按照如下公式計算每個所述用戶金融特征的信息熵：

H(X)＝-∑p(x_i)log(2,p(x_i))

其中，X為所述用戶金融特征，H(X)為所述用戶金融特征的信息熵，i＝1,2,...,n，x_i為第i個所述用戶金融特征，p(x_i)為第i個所述用戶金融特征的特征值概率；

根據(jù)所述信息熵，按照如下公式計算每個所述用戶金融特征的信息增益：

gain＝H(c)-H(c|X)

其中，gain為所述用戶金融特征的信息增益，H(c)為按照用戶金融特征X進行分裂之前的信息熵，H(c|X)為按照所述用戶金融特征X分裂之后的信息熵；

根據(jù)所述信息增益，按照如下公式計算每個所述用戶金融特征的信息增益比：

其中，IntI為用戶金融特征的懲罰因子，D為所述子訓(xùn)練集中訓(xùn)練樣本的總量，W_X為用戶金融特征的每個標(biāo)識信息的訓(xùn)練樣本數(shù)量，gr為所述用戶金融特征的信息增益比；

選取最大的信息增益比對應(yīng)的用戶金融特征作為分裂節(jié)點進行分裂；

對剩下的所述用戶金融特征，返回所述針對每個所述子訓(xùn)練集，按照如下公式計算每個所述用戶金融特征的信息熵的步驟繼續(xù)執(zhí)行，直到n個所述用戶金融特征均作為所述分裂點完成分裂為止，得到所述決策樹；

根據(jù)生成的K棵所述決策樹構(gòu)造隨機森林，得到金融風(fēng)險評估模型。