[發(fā)明專利]信用評分方法、裝置、設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202011081209.7
• 申請日: 2020-10-09
• 公開（公告）號: CN112348685A
• 公開（公告）日: 2021-02-09
• 發(fā)明（設(shè)計）人: 劉新儒;劉圣軍;任燕
• 申請（專利權(quán)）人: 中南大學(xué)
• 主分類號: G06Q40/08
• 分類號: G06Q40/08;G06K9/62
• 代理公司: 長沙大珂知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 43236
• 代理人: 孫雪梅

本發(fā)明涉及信用評價技術(shù)領(lǐng)域，公開了一種信用評分方法、裝置、設(shè)備及存儲介質(zhì)，用于提高金融機構(gòu)對客戶信用評價的準(zhǔn)確性。所述方法包括：獲取目標(biāo)申請客戶數(shù)據(jù)；根據(jù)預(yù)置特征變量對所述目標(biāo)申請客戶數(shù)據(jù)進(jìn)行特征變量篩選；根據(jù)預(yù)置變量標(biāo)準(zhǔn)化參數(shù)對篩選出的特征變量按數(shù)據(jù)標(biāo)準(zhǔn)化處理方式進(jìn)行處理，得到對應(yīng)的標(biāo)準(zhǔn)化數(shù)據(jù)；將所述標(biāo)準(zhǔn)化數(shù)據(jù)輸入預(yù)置專家群決策模型進(jìn)行預(yù)測，輸出所述目標(biāo)申請客戶對應(yīng)的守約概率；將所述守約概率和所述目標(biāo)申請客戶的歷史信用記錄輸入預(yù)置信用評分模型，輸出所述目標(biāo)申請客戶的信用分?jǐn)?shù)。

技術(shù)領(lǐng)域

本發(fā)明涉及信用評價技術(shù)領(lǐng)域，尤其涉及一種信用評分方法、裝置、設(shè)備及存儲介質(zhì)。

背景技術(shù)

信用評分是指根據(jù)客戶的信用歷史資料，利用一定的信用評分模型，得到不同等級的信用分?jǐn)?shù)。根據(jù)客戶的信用分?jǐn)?shù)，授信者可以分析客戶按時還款的可能性。據(jù)此，授信者可以決定是否準(zhǔn)予授信以及授信的額度和利率。雖然授信者通過分析客戶的信用歷史資料，同樣可以得到這樣的分析結(jié)果，但利用信用評分卻更加快速、更加客觀、更具有一致性。信用評分模型作為信用風(fēng)險管理的基礎(chǔ)和核心，無論是對于建立社會征信體系還是對于金融機構(gòu)的信貸資產(chǎn)管理，都有著不可替代的作用其主要目的。

目前缺乏對客戶信用風(fēng)險進(jìn)行量化及分析的能力，現(xiàn)有的信用評分模型對新客戶的信用評價復(fù)雜、且存在信用評分準(zhǔn)確率低的情況，難以滿足現(xiàn)有金融機構(gòu)對申請客戶的信用評估。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于實現(xiàn)個人信用進(jìn)行自動評分，以提高金融機構(gòu)對客戶信用評價的準(zhǔn)確性。

為實現(xiàn)上述目的，本發(fā)明第一方面提供了一種信用評分方法，包括：

獲取目標(biāo)申請客戶數(shù)據(jù)；

根據(jù)預(yù)置特征變量對所述目標(biāo)申請客戶數(shù)據(jù)進(jìn)行特征變量篩選；

根據(jù)預(yù)置變量標(biāo)準(zhǔn)化參數(shù)對篩選出的特征變量按數(shù)據(jù)標(biāo)準(zhǔn)化處理方式進(jìn)行處理，得到對應(yīng)的標(biāo)準(zhǔn)化數(shù)據(jù)；

將所述標(biāo)準(zhǔn)化數(shù)據(jù)輸入預(yù)置專家群決策模型進(jìn)行預(yù)測，輸出所述目標(biāo)申請客戶對應(yīng)的守約概率；

將所述守約概率和所述目標(biāo)申請客戶的歷史信用記錄輸入預(yù)置信用評分模型，輸出所述目標(biāo)申請客戶的信用分?jǐn)?shù)。

可選的，在本發(fā)明第一方面的另一種實現(xiàn)方式中，所述信用評分方法還包括：

將所述目標(biāo)申請客戶的信用分?jǐn)?shù)輸入預(yù)置客戶信用等級標(biāo)準(zhǔn)模型，輸出所述目標(biāo)申請客戶的授信等級。

可選的，在本發(fā)明第一方面的另一種實現(xiàn)方式中，所述信用評分方法還包括：

將所述目標(biāo)申請客戶的授信等級輸入預(yù)置等級標(biāo)準(zhǔn)執(zhí)行利率水平模型，輸出所述目標(biāo)申請客戶的執(zhí)行利率水平。

可選的，在本發(fā)明第一方面的另一種實現(xiàn)方式中，所述獲取目標(biāo)申請客戶數(shù)據(jù)之前，所述方法還包括：

從預(yù)置數(shù)據(jù)庫中采樣獲取已知信用類別的客戶數(shù)據(jù)，形成原始數(shù)據(jù)樣本；

對所述原始數(shù)據(jù)樣本中的變量按數(shù)據(jù)標(biāo)準(zhǔn)化處理方式進(jìn)行處理生成對應(yīng)的標(biāo)準(zhǔn)化樣本，輸出并記錄每個變量的標(biāo)準(zhǔn)化參數(shù)，所述預(yù)置變量標(biāo)準(zhǔn)化參數(shù)為所述每個變量的標(biāo)準(zhǔn)化參數(shù)；

對所述標(biāo)準(zhǔn)化樣本根據(jù)預(yù)置抽取模型進(jìn)行特征變量抽取生成對應(yīng)的訓(xùn)練樣本，輸出并記錄所選擇的特征變量，所述預(yù)置特征變量為所述所選擇的特征變量；

將所述訓(xùn)練樣本輸入預(yù)置概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行模型訓(xùn)練，得到所述預(yù)置專家群決策模型。

可選的，在本發(fā)明第一方面的另一種實現(xiàn)方式中，所述數(shù)據(jù)標(biāo)準(zhǔn)化處理方式包括屬性數(shù)據(jù)的變量虛擬化處理和數(shù)值數(shù)據(jù)的無量綱化處理；

所述預(yù)置抽取模型為偏最小二乘法回歸模型。