[發(fā)明專利]多流量平臺和金融機構(gòu)矯正樣本的拒絕推斷方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010707337.1
• 申請日: 2020-07-17
• 公開（公告）號: CN111798307A
• 公開（公告）日: 2020-10-20
• 發(fā)明（設(shè)計）人: 黃建;王云清
• 申請（專利權(quán)）人: 睿智合創(chuàng)（北京）科技有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06Q40/04
• 代理公司: 北京力量專利代理事務(wù)所(特殊普通合伙) 11504
• 代理人: 姚遠方

本發(fā)明涉及金融安全技術(shù)領(lǐng)域，具體涉及一種多流量平臺和金融機構(gòu)矯正樣本的拒絕推斷方法及系統(tǒng)，通過Vintage分析和滾動率分析確定目標變量的邏輯；獲取樣本數(shù)據(jù)在申請貸款時的特征數(shù)據(jù)；統(tǒng)計不同時期不同金融機構(gòu)的風控批核率，計算矯正因子，推導得出矯正樣本的似然函數(shù)；利用極大似然估計方法求解參數(shù)，得到申請評分卡的打分公式。本發(fā)明綜合流量平臺的不同金融機構(gòu)在不同時期申請批核信息，作為權(quán)重矯正有表現(xiàn)樣本的，準確開發(fā)申請評分卡模型，實現(xiàn)不同客群精準推送不同機構(gòu)提供基礎(chǔ)。

技術(shù)領(lǐng)域

本發(fā)明涉及金融安全技術(shù)領(lǐng)域，具體涉及一種多流量平臺和金融機構(gòu)矯正樣本的拒絕推斷方法及系統(tǒng)。

背景技術(shù)

近三年，互聯(lián)網(wǎng)助貸模式快速發(fā)展，成為金融科技領(lǐng)域最活躍的一塊業(yè)務(wù)，得益于金融機構(gòu)擁有低成本資金，互聯(lián)網(wǎng)平臺擁有大量用戶以及平臺積累海量用戶數(shù)據(jù)。為了避免合作金融機構(gòu)出現(xiàn)一家獨大的情況，互聯(lián)網(wǎng)公司會與多家作金融機構(gòu)合作，實現(xiàn)客群利益的最大化；而金融機構(gòu)保證自己的業(yè)務(wù)規(guī)模快速發(fā)展，對接更多流量平臺，所形成的模式如圖1。

由于不同金融機構(gòu)的風險識別能力以及風險偏好的差異，以及平臺客群差異，不同平臺對應(yīng)的不同金融機構(gòu)的批核率，貸后表現(xiàn)差異較大。本專利提出依賴不同金融機構(gòu)在不同平臺的差異信息，作為構(gòu)建申請評分模型矯正的因素，采用樣本加權(quán)法的思路以解決不同機構(gòu)策略的差異導致表現(xiàn)樣本的偏差，以期望達到風險口徑對齊，為實現(xiàn)不同平臺客群精準推送金融機構(gòu)提供依據(jù)。

申請評分卡作為風險排序模型在現(xiàn)代風險管理體系被廣泛使用，拒絕推斷技術(shù)研究如何有效利用被拒絕的樣本數(shù)據(jù)，能夠在一定程度上解決模型有偏問題。開發(fā)申請評分卡時需要利用拒絕推斷技術(shù)，在審批策略增加新規(guī)則的同時，也優(yōu)化了歷史準確率不高的弱規(guī)則，保證業(yè)務(wù)能夠穩(wěn)健快速發(fā)展。常用的拒絕推斷技術(shù)包括，樣本重加權(quán)法或擴張法(Re-weighting/Augmentation)，目標重新歸類法(Re-classification)，分散打包法(Fuzzy Augmentation/Parceling)，以及基于這些技術(shù)擴展的一些技術(shù)，主要從技術(shù)角度出發(fā)解決樣本的偏差。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)的不足，本發(fā)明公開了一種多流量平臺和金融機構(gòu)矯正樣本的拒絕推斷方法及系統(tǒng)，本發(fā)明提出依賴不同金融機構(gòu)在不同平臺的差異信息，作為構(gòu)建申請評分模型矯正的因素，采用樣本加權(quán)法的思路以解決不同機構(gòu)策略的差異導致表現(xiàn)樣本的偏差，以期望達到風險口徑對齊，為實現(xiàn)不同平臺客群精準推送金融機構(gòu)提供依據(jù)。

本發(fā)明通過以下技術(shù)方案予以實現(xiàn)：

第一方面，本發(fā)明公開一種多流量平臺和金融機構(gòu)矯正樣本的拒絕推斷方法，所述方法包括以下步驟：

S1在預(yù)設(shè)周期內(nèi)采集有信用表現(xiàn)用戶的相關(guān)數(shù)據(jù)，通過Vintage分析和滾動率分析確定目標變量的邏輯，對齊所有用戶觀察窗口，窗口期內(nèi)出現(xiàn)過逾期N天及以上訂單的用戶為壞樣本，觀察期內(nèi)有貸款且從未發(fā)生過逾期的用戶定為好用戶；

S2結(jié)合現(xiàn)有用戶貸后的規(guī)模，采用MOB6定義歷史出現(xiàn)過逾期30天及以上的用戶為壞樣本，MOB6內(nèi)有貸款且從未發(fā)生過逾期的用戶定為好用戶；

S3獲取好壞樣本在申請貸款時的相關(guān)特征；

S4計算矯正因子，根據(jù)平臺數(shù)據(jù)統(tǒng)計不同機構(gòu)歷史月份的批核率數(shù)據(jù)，剔除拒絕的樣本，得到矯正的機構(gòu)批核率矩陣A，如下

其中每行代表機構(gòu)不同時期矯正后的批核率，每列代表不同的合作金融機構(gòu)。以矯正后機構(gòu)批核率的倒數(shù)作為觀察樣本的權(quán)重矩陣為W，其中W的每個元素

S5計算得到不同金融機構(gòu)和不同時期的矯正因子，與準備的樣本數(shù)據(jù)按金融機構(gòu)和時期合并到Logistic Regression；具體如下π_i表示事件為1發(fā)生的概率，1-π_i表示事件為0發(fā)生的概率，其中