[發明專利]貸后風險評估方法及裝置、存儲介質

在審

• 申請號: 201910983490.4
• 申請日: 2019-10-16
• 公開（公告）號: CN110738564A
• 公開（公告）日: 2020-01-31
• 發明（設計）人: 王晨曦;林路;王慜驪;郟維強
• 申請（專利權）人: 信雅達系統工程股份有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02
• 代理公司: 33289 杭州裕陽聯合專利代理有限公司
• 代理人: 姚宇吉

1.一種貸后風險評估方法，其特征在于，包括：

對所存儲的貸款數據進行預處理，所述預處理包括數據降維、數據重分類、數據合并和數據清洗，所述貸款數據分類后包括靜態數據和動態數據；

對預處理后的動態數據進行特征工程提取對應的特征工程特征；

基于深度學習網絡進行評估模型構建，并采用金融模型中的專家特征和所述特征工程特征進行評估模型的訓練；

基于所述評估模型進行數據評估并輸出最終的審批名單。

2.根據權利要求1所述的方法，其特征在于，

所述數據降維為對所述貸款數據的每兩個到三個維度之間做聚類，聚類之后分箱，啞變量處理，并計算啞變量化之后的信息增益并排序，當所述信息增益超過某一設定閾值之后，對其執行啞變量處理；

所述數據重分類是將所述貸款數據分成靜態數據和動態數據；

所述數據合并為通過主關鍵字指示的核心客戶將相關表結構進行并聯合并，形成原始特征集合；

所述數據清洗為所述動態數據進行數據剔除。

3.根據權利要求1所述的方法，其特征在于，所述對預處理后的貸款數據進行特征工程提取對應的特征工程特征，包括：

對預處理后的貸款數據進行淺層特征提取，將連續特征分段離散化得到淺層特征；

對預處理后的貸款數據進行統計特征提取，提取數據觀察窗口內時間序列的描述性統計得到統計特征，所述描述性統計包括均值、標準差和分位差中的一個或多個；

對預處理后的貸款數據進行深層特征提取，得到對應的深度特征；

結合所述淺層特征、所述統計特征和所述深層特征形成特征工程對應的特征工程特征。

4.根據權利要求1所述的方法，其特征在于，所述方法還包括：

引入金融模型中的專家特征，劃定所述專家特征所需數據的范圍與所述特征工程中所需數據的范圍具有最小交集。

5.根據權利要求3所述的方法，其特征在于，所述基于深度學習網絡進行評估模型構建，并采用專家特征和特征工程特征進行評估模型的訓練，包括：

采用LSTM網絡進行深度、時序特征的提取，建立評估模型，并采用ADAM優化算法和均方誤差函數對所建模型進行是否違約的訓練；

采用支持向量機依據所述靜態數據進行模型訓練；

采用決策樹隨機森林的方法對針對是否違約的訓練輸出模型結果。

6.一種貸后風險評估裝置，其特征在于，包括：

數據預處理模塊，用于對所存儲的貸款數據進行預處理，所述預處理包括數據降維、數據重分類、數據合并和數據清洗，所述貸款數據分類后包括靜態數據和動態數據；

特征工程模塊，用于對預處理后的動態數據進行特征工程提取對應的特征工程特征；

模型構建模塊，用于基于深度學習網絡進行評估模型構建，并采用金融模型中的專家特征和所述特征工程特征進行評估模型的優化；

數據評估模塊，用于基于所述評估模型進行數據評估并輸出最終的審批名單。

7.根據權利要求6所述的裝置，其特征在于，所述特征工程模塊包括：

淺層特征提取單元，用于對預處理后的貸款數據進行淺層特征提取，將連續特征分段離散化得到淺層特征；

統計特征提取單元，用于對預處理后的貸款數據進行統計特征提取，提取數據觀察窗口內時間序列的描述性統計得到統計特征，所述描述性統計包括均值、標準差和分位差中的一個或多個；

深層特征提取單元，用于對預處理后的貸款數據進行深層特征提取，得到對應的深度特征；

特征結合單元，用于結合所述淺層特征、所述統計特征和所述深層特征形成特征工程對應的特征工程特征。

8.根據權利要求6所述的裝置，其特征在于，所述裝置還包括：

專家特征處理模塊，用于引入專家特征，劃定所述專家特征所需數據的范圍與所述特征工程中所需數據的范圍具有最小交集。