[發明專利]信用評分方法、系統、計算機設備及可讀介質

在審

• 申請號: 201810947751.2
• 申請日: 2018-08-20
• 公開（公告）號: CN109087196A
• 公開（公告）日: 2018-12-25
• 發明（設計）人: 肖尊雷;趙鋼;龐閃閃;劉婷婷;康麗娜;李翠靜
• 申請（專利權）人: 北京玖富普惠信息技術有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06N99/00
• 代理公司: 北京正理專利代理有限公司 11257
• 代理人: 付生輝

本發明提供一種信用評分方法、系統、計算機設備及可讀介質，在數據獲取階段，選擇多渠道信息，例如運營商信息，信用卡信息和借記卡信息等，綜合考慮用戶各方面的信息，可以增強模型的預測效果和穩定性；基于時間切片的衍生字段，可以提取出真正有預測價值的信息，也可以增加模型的預測效果；在數據準備階段，刪除了缺失率較高的變量和包含難以解釋水平的變量，增強了整個模型的穩定性。在模型開發階段，刪除了具有多重共線性的變量，增強了模型的穩定性。使用LASSO等機器學習方法選出真正有預測能力的變量，提高了最終模型的預測能力。

技術領域

本發明涉及信用評分。更具體地，涉及信用評分方法、系統、計算機設備及可讀介質。

背景技術

信用評級又稱為“資信評級”或“信譽評級”，是建立社會信用體系的重要內容和基礎。傳統信用評級方法大多基于專家法或評分卡模型，即預先根據莊家經驗指定一套評分規則，再根據用戶的實際數據，套用此規則進行評分。中國發明專利，申請號201710197889.0，公開了名稱為一種基于機器學習的貸款用戶信用評級方法及系統的專利。該專利揭示了一種信用評級方法，主要包括：對建模樣本數據進行采集，得到商戶的征信報告和是否逾期數據；對征信報告數據進行預處理，包括數據提取和指標細分，得到預測變量及其權重；采用一種機器學習方法對樣本數據進行建模，得到預測模型；使用預測模型對新貸款用戶進行預測，得到新用戶的違約概率；使用新用戶違約概率對其進行評分，得到新用戶的信用評分。本發明使用一種機器學習算法建立模型，使得模型可以根據全新用戶數據進行快速迭代，可廣泛應用于計算機領域。但是，該專利還存在一些不足，主要是最終預測變量的選擇。該專利分析了從征信報告中提取的信用額度、近期行為、信用時長、賬戶數量和還款歷史等五個維度的143個預測變量。為了減少運算量和提升預測速度，從143個預測變量中篩選出了7個最終模型預測變量，包括：正在使用貸記卡平均授信額度、最近一次還款的貸記卡距今的時間、最近24個月查詢次數、最近一次貸記卡距現在的時間、最早貸記卡距現在的時間、最近3個月查詢次數、最近六個月查詢次數。該文沒有明確指出其使用的變量選擇方法，選出的變量沒有很好的覆蓋五個維度。從變量含義可以看出，這7個預測變量之間存在一定的多重共線性，據此建立的模型可能存在不穩定性。因此，目前針對傳統信用評級的方法仍然需要進行改進。

發明內容

有鑒于此，為了解決目前針對傳統信用評級方法中仍然存在一些缺陷，需要進行改進的問題，本發明采用下述技術方案：

本發明第一方面提供一種信用評分方法，其特征在于，所述方法包括：

對收集的信用卡申請客戶的原始數據進行清洗，刪去不符合預設條件的變量；

對保留的字符型變量進行數據分箱；

構建評分模型，對新申請用戶進行評分，根據評分結果確定是否批準用戶申請。

優選地，所述構建評分模型，對新申請用戶進行評分，根據評分結果決定是否批準用戶申請包括：

確定并提取評分模型所需的數據類型；

對所提取的數據進行清洗，得到格式整齊的模型候選變量；

對清洗好的候選變量進行選擇，保留解釋能力高于第一預設數值的變量；

計算模型的評估標準，對模型整體預測能力進行評估；

使用合適生產環境的語言，將評分卡模型部署到生產環境。

優選地，所述對所提取的數據進行清洗，得到格式整齊的模型候選變量包括：

分析變量的含義，刪除貸后變量和無意義變量；

分析變量空值率，刪除缺失率高于第二預設數值的變量；

分析變量分布情況，刪除單一水平變量。

優選地，所述對清洗好的候選變量進行選擇包括：