[發明專利]基于大數據征信的金融風控模型構建方法和裝置

在審

• 申請號: 202010670396.6
• 申請日: 2020-07-13
• 公開（公告）號: CN111833196A
• 公開（公告）日: 2020-10-27
• 發明（設計）人: 段行健;田春明;曹然
• 申請（專利權）人: 北京逸風金科軟件有限公司
• 主分類號: G06Q40/08
• 分類號: G06Q40/08;G06Q40/02;G06N3/04;G06K9/62
• 代理公司: 北京匯捷知識產權代理事務所(普通合伙) 11531
• 代理人: 于鵬

1.基于大數據征信的金融風控模型構建方法，其特征在于，所述方法包括：

對金融風控數據進行采樣，所述金融風控數據包括金融風控數據訓練集和金融風控數據驗證集；

根據所述采樣后的金融風控數據建立所述金融風控數據的模型，所述模型包括所述金融風控數據及模型參數集；

根據所述模型對待征信企業進行風險等級判別。

2.根據權利要求1所述的基于大數據征信的金融風控模型構建方法，其特征在于，還包括：調整所述金融風控數據模型的參數，所述參數為所述模型參數集中的任一參數。

3.根據權利要求2所述的基于大數據征信的金融風控模型構建方法，其特征在于，所述調整所述金融風控數據模型的參數包括：

獲取被調整的參數并設置所述被調整參數的取值及取值范圍；

固定所述模型參數集中的其余參數，并根據所述模型對所述金融風控數據處理后獲得模型輸出結果；

當所述模型輸出結果與期望值不匹配時，再次調整所述被調整參數的取值。

4.根據權利要求1所述的基于大數據征信的金融風控模型構建方法，其特征在于，對金融風控數據進行采樣包括：通過預先布設在待征信企業場景的智能端進行數據采樣。

5.根據權利要求4所述的基于大數據征信的金融風控模型構建方法，其特征在于，還包括以下至少一項特征：

所述待征信企業場景包括：待征信企業的工廠、待征信企業的生產車間；

所述智能端包括以下之一或其任意組合：深度學習圖像處理攝像頭一體機、溫度傳感器、濕度傳感器、注塑機傳感器、智能電表、智能水表、智能氣表。

6.根據權利要求1所述的基于大數據征信的金融風控模型構建方法，其特征在于，所述根據所述采樣后的金融風控數據建立所述金融風控數據的模型包括：

設定所述模型的參數集；

獲取所述金融風控數據訓練集和金融風控數據驗證集；

設置所述金融風控數據訓練集和金融風控數據驗證集的交叉驗證規則；

根據所述交叉驗證規則對所述金融風控數據訓練集和金融風控數據驗證集進行模擬訓練；

當所述進行模擬訓練的數據與所述模型匹配后，獲得期望模型，根據所述期望模型計算類別及類別概率。

7.根據權利要求6所述的基于大數據征信的金融風控模型構建方法，其特征在于，所述設定所述模型的參數集包括：

設定所述模型的系統參數集和任務參數集。

8.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執行時實現所述權利要求1-7中任一項所述方法的步驟。

9.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現所述權利要求1-7中任一項所述方法的步驟。

10.基于大數據征信的金融風控模型構建裝置，其特征在于，所述裝置包括：

采樣模塊，用于對金融風控數據進行采樣，所述金融風控數據包括金融風控數據訓練集和金融風控數據驗證集；

建立模塊，用于根據所述采樣后的金融風控數據建立所述金融風控數據的模型，所述模型包括所述金融風控數據及模型參數集；

判別模塊，用于根據所述模型對待征信企業進行風險等級判別。