[發明專利]一種基于企業行為模式的信用風險評估預測方法及系統

在審

• 申請號: 201910735301.1
• 申請日: 2019-08-09
• 公開（公告）號: CN112348220A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 劉鍵偉;劉彥龍
• 申請（專利權）人: 上海瑪爾斯數據科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q40/02;G06K9/62
• 代理公司: 北京金蓄專利代理有限公司 11544
• 代理人: 孫巍

本發明公開了一種基于企業行為模式的信用風險評估預測方法及系統。所述基于企業行為模式的信用風險評估預測方法，包括數據準備、對外貿企業原始數據進行轉換、對外貿企業商業數據進行模型參數的空間變換、采用廣義聚類算法在多維特征空間上進行聚類、對數百組行為特征壞樣本監督學習、計算每家外貿企業的信用風險分數。本發明在數據處理方式上選用了多維特征空間映射的方法；通過廣義聚類算法實現了多維特征空間自動計算最優刻畫外貿企業商業行為的種類，實現對外貿企業信用風險的精準預測，為金融機構提供信貸決策依據，用于外貿企業信用價值管理、金融機構對外貿企業的風險管理、金融機構的金融風控。

技術領域

本發明涉及企業風險評估技術領域，具體涉及基于企業行為模式的信用風險評估預測方法及系統。

背景技術

目前金融機構對企業風險評估普遍采用指標體系打分法。其理論依據是：業績比較差、財務狀況糟糕的企業所呈現出來的比率和財務趨勢不同于那些業績好、財務狀況良好的企業，金融機構可以據此對借款企業進行識別。金融機構按照各自內部的評級體系只對與其有業務往來的企業進行信用風險評級。在對中小企業進行信用風險分析時，考慮信用風險評估成本，大多沒有對各種規模的企業進行細分，而是籠統地使用大中型企業的評定標準。僅僅依靠財務數據評估中小型企業的信用風險具有非常大的局限性。評定標準的模型參數往往是企業的財務數據，而這些財務指標數據對于某些中小企業來說，為了獲得金融服務支持，往往會進行虛假填報，數據的真實性有待考證。而且，這些數據常常是年度的靜態數據，評定結果不會動態更新。評定的結果常常出現滯后性和不準性。正因為現有評估信用風險的方法存在以上弊端，一種適用于外貿企業的科學的信用評估方法亟待研究。

發明內容

本發明是為了克服現有企業信用評估方法的不足，提供基于企業行為模式的信用風險評估預測方法及系統。

術語

廣義聚類算法(EM)，EM算法是通過兩個步驟迭代完成的。1)期望計算：迭代估計每個觀測值屬于每個類的概率；2)最大化：利用上一步求得的最大似然值來計算參數的值，對每類參數進行估計。找到的參數估計值被用于下一個 E步計算中，這個過程不斷交替進行。

聚類算法包括劃分法、密度算法、圖形聚類、模型聚類等。但本發明使用的廣義聚類算法區別于傳統通過固有的變量計算或模型來進行聚類。而是通過模式探索進行聚類的方法。適合企業行為模式的探索研究。

每組壞樣本率，壞樣本率＝壞樣本數/每組總樣本數，壞樣本提取于金融機構對企業金融服務的違約記錄及公共部門所披露失信企業公開名錄。

公式Score＝1000-500*LOG(2^(8*P),2)，P代表壞樣本率，^:指數符號，log: 對數符號。

本發明的主要目的之一是提供一種基于企業行為模式的信用風險評估預測方法，包括以下步驟：

S1：數據準備，采集外貿企業原始商業數據；

S2：對外貿企業原始數據進行轉換，聚合多個企業維度的特征變量；

S3：對外貿企業商業數據進行模型參數的空間變換，將外貿企業行為特征映射到多維空間向量上；

S4：采用廣義聚類算法在多維特征空間上進行聚類，生成外貿企業行為特征庫；

S5：對數百組行為特征壞樣本監督學習，不同企業特征的行為模式都有壞樣本分布規律，保存每組的壞樣本率；

S6：計算每家外貿企業的信用風險分數。

在另一優選例中，還包括對S1采集的數據進行完整性及連續性的驗證。

優選地，S1采集的原始商業數據包括財務數據、ERP數據、HR數據、貿易企業商業行為數據、靜態工商數據及履約行為數據。