[發明專利]貸中風險預測方法及裝置

在審

• 申請號: 202011144929.3
• 申請日: 2020-10-23
• 公開（公告）號: CN112232947A
• 公開（公告）日: 2021-01-15
• 發明（設計）人: 張瑩;李文豪;高峰;張雪
• 申請（專利權）人: 中國工商銀行股份有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06N20/20
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 任默聞;孫乳筍

1.一種貸中風險預測方法，其特征在于，包括：

將目標用戶的預測用數據輸入預設的貸中風險預測模型，并根據該貸中風險預測模型的輸出確定所述目標用戶的貸中風險預測結果，其中，所述預測用數據包括：行為特征數據以及應用貸中行為評分卡模型獲取的貸中風險評分數據；

輸出所述目標用戶的貸中風險預測結果。

2.根據權利要求1所述的貸中風險預測方法，其特征在于，還包括：

輸出所述目標用戶的貸中風險評分數據。

3.根據權利要求1所述的貸中風險預測方法，其特征在于，所述貸中風險預測模型為預先根據多個用戶的訓練用數據，基于XGBoost算法訓練得到的；

其中，所述訓練用數據和所述預測用數據均包括：用戶數據、觀察期數據和表現期預測數據；

所述用戶數據承載的信息包括：個人信息、資產信息和賬戶信息中的至少一項；

所述觀察期數據承載的信息包括：賬戶交易信息和/或歷史風險信息；

所述表現期預測數據包括：所述行為特征數據和對應的貸中風險評分數據。

4.根據權利要求3所述的貸中風險預測方法，其特征在于，在所述將目標用戶的預測用數據輸入預設的貸中風險預測模型之前，還包括：

獲取用戶信息對照表，其中，該用戶信息對照表中存儲有所述用戶數據和行為數據組之間的一對多的對應關系；每個所述行為數據組中均包含有所述觀察期數據和表現期預測數據，各個所述行為數據組之間根據預設的觀察期時長和/或表現期時長進行劃分；

選取所述用戶信息對照表中表現期時長最長的行為數據組和對應的所述用戶數據作為當前的訓練用數據；

基于XGBoost算法應用當前的訓練用數據訓練得到用于進行貸中風險預測的初始模型；

將所述初始模型設置為當前的貸中風險預測模型進行應用；

相對應的，所述預測用數據中的表現期預測數據對應的表現期時長與用于訓練所述貸中風險預測模型的訓練用數據的表現期時長相同。

5.根據權利要求4所述的貸中風險預測方法，其特征在于，在所述將所述初始模型設置為當前的貸中風險預測模型進行應用之后，還包括：

自所述用戶信息對照表中選取表現期時長小于用于訓練所述初始模型的訓練用數據的表現期時長的行為數據組和對應的所述用戶數據作為當前的訓練用數據；

基于XGBoost算法應用當前的訓練用數據對所述初始模型進行模型訓練，得到當前的更新用模型；

應用當前的更新用模型自動替換當前的貸中風險預測模型。

6.根據權利要求5所述的貸中風險預測方法，其特征在于，在所述基于XGBoost算法應用當前的訓練用數據對所述初始模型進行模型訓練，得到當前的更新用模型之后，還包括：

驗證步驟：對當前的更新用模型進行預測效果驗證，并在確認驗證通過后判斷所述用戶信息對照表中是否包含有表現期時長小于用于訓練更新后的訓練模型的訓練用數據的表現期時長的行為數據組，若是，則將當前的更新用模型確認為歷史模型，基于該行為數據組和對應的所述用戶數據作為當前的訓練用數據，并執行更新訓練步驟；

所述更新訓練步驟包括：基于XGBoost算法應用當前的訓練用數據對當所述歷史模型進行模型訓練，得到當前的更新用模型，并返回執行所述驗證步驟。

7.根據權利要求1所述的貸中風險預測方法，其特征在于，在所述將目標用戶的預測用數據輸入預設的貸中風險預測模型之前，還包括：

獲取目標用戶的貸中行為數據；

對所述貸中行為數據進行特征提取，得到所述目標用戶的行為特征數據；

應用所述貸中行為評分卡模型獲取所述行為特征數據對應的貸中風險評分數據；

將所述目標用戶的行為特征數據和對應的貸中風險評分數據添加至該目標用戶的預測用數據。