[發明專利]一種基于拒絕推斷的金融違約風險評估方法及系統

在審

• 申請號: 202011132733.2
• 申請日: 2020-10-21
• 公開（公告）號: CN112488817A
• 公開（公告）日: 2021-03-12
• 發明（設計）人: 段建鋼;鄧詩哲;李瑞
• 申請（專利權）人: 上海旻浦科技有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06F16/215;G06F16/2458
• 代理公司: 上海恒慧知識產權代理事務所(特殊普通合伙) 31317
• 代理人: 張寧展

本發明提供了一種基于拒絕推斷的金融違約風險評估方法及系統，獲取接受申請用戶和拒絕申請用戶的數據形成接受樣本和拒絕樣本，統計兩者的共有特征維度；將信用還款記錄作為標簽，將接受樣本分為違約正樣本和非違約負樣本，構建具有標簽的接受樣本，并形成訓練數據集；利用學習后的特征表示模型生成具有標簽的接受樣本和拒絕樣本的特征表示結果；利用訓練后的拒絕推斷模型，根據S1中得到的訓練數據集中的數據推斷拒絕樣本的標簽，構建具有標簽的拒絕樣本，并加入到S1中得到的訓練數據集中，利用訓練完成的風險評估模型，對新申請者的違約概率進行計算，進而得到風險評估結果。本發明降低樣本偏差對模型的影響，能更好地評估金融違約風險。

技術領域

本發明涉及金融違約風險評估技術領域，具體地，涉及一種基于拒絕推斷的金融違約風險評估方法及系統。

背景技術

金融違約風險評估是通過構建模型對貸款申請者的違約風險進行預測，并給出申請者違約概率的技術，在此基礎上金融借貸機構可以根據相關政策并利用違約概率判斷申請者的好壞并做出接受或拒絕貸款申請的決策。

金融違約風險評估技術常常利用專家系統、統計模型、機器學習模型，機器學習在實際應用中已取得了較好的成果，其中利用較多的技術是邏輯回歸、支持向量機、XGBoost、神經網絡等模型，為了提高預測模型的準確度，越來越復雜的模型開始采用，其中最多的是集成模型XGBoost、隨機森林和神經網絡等，但是模型的復雜度提高后，相對于傳統的單模型邏輯回歸等，模型缺乏了可解釋性，在實際應用中較難滿足業務要求，而邏輯回歸由于簡單穩定并具有強邏輯解釋性，在實際業務中是應用很廣的技術。另一方面在構建模型數據集上存在一定問題，不能完全利用所有數據的信息，在構建機器學習信用評分模型時需要足夠的有標簽數據，數據越能體現所有樣本的信息模型的準確度越高，而金融機構獲得的數據往往是非隨機缺失的非完備數據，即金融借貸機構擁有的是所有申請者的相關特征屬性信息，以及通過申請用戶的貸款記錄和還款記錄信息，但是拒絕貸款申請用戶的信用還款記錄是缺失，這部分還款記錄是用來構建模型的最佳標簽，這會導致實際建模時，由于缺乏拒絕申請者的標簽而僅用接受申請者的樣本進行模型構建，這種接受樣本是經過一次篩選的會出現樣本非隨機偏差，在建模時導致參數估計的有偏，無法做出準確的判斷，易造成金融借貸機構的經濟損失。

綜上所述，現有的金融違約風險評估技術存在樣本偏差，進而影響評估的準確度，無法真正滿足金融違約風險評估的要求，目前沒有發現同本發明類似技術的說明或報道，也尚未收集到國內外類似的資料。

發明內容

本發明針對現有技術中存在的上述不足，提供了一種基于拒絕推斷的金融違約風險評估方法及系統。

本發明是通過以下技術方案實現的。

根據本發明的一個方面，提供了一種基于拒絕推斷的金融違約風險評估方法，包括：

S1，獲取接受申請用戶和拒絕申請用戶的數據，對數據進行預處理，分別形成接受樣本和拒絕樣本，統計接受樣本和拒絕樣本的共有特征維度；將信用還款記錄作為標簽，將接受樣本分為違約正樣本和非違約負樣本，構建具有標簽的接受樣本，并形成訓練數據集；

S2，利用S1中得到的訓練數據集中的數據學習特征表示模型，利用學習后的特征表示模型生成具有標簽的接受樣本和拒絕樣本的特征表示結果；

S3，利用S2中得到的特征表示結果訓練拒絕推斷模型，利用訓練后的拒絕推斷模型，根據S1中得到的訓練數據集中的數據推斷拒絕樣本的標簽，構建具有標簽的拒絕樣本，并加入到S1中得到的訓練數據集中；

S4，利用S3中得到的訓練數據集訓練風險評估模型；

利用訓練完成的風險評估模型，對新申請者的違約概率進行計算，進而得到風險評估結果。