[發明專利]基于LightGBM決策樹算法的個貸類不良資產風險評級方法

在審

• 申請號: 202011399404.4
• 申請日: 2020-12-02
• 公開（公告）號: CN112862585A
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 郭能
• 申請（專利權）人: 浙江惠瀜網絡科技有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06N20/00;G06F16/951
• 代理公司: 南京樂羽知行專利代理事務所(普通合伙) 32326
• 代理人: 孫承堯

1.一種基于LightGBM決策樹算法的個貸類不良資產風險評級方法，其特征在于：

所述基于LightGBM決策樹算法的個貸類不良資產風險評級方法包括如下步驟：

采集和處理用于風險評級的數據；

將采集和處理后的所述數據輸入至一個基于LightGBM決策樹構建決策系統，所述決策系統根據輸入的所述數據和決策系統中構建的模型進行分析；

根據所述決策系統的分析輸出評級結果。

2.根據權利要求1所述的基于LightGBM決策樹算法的個貸類不良資產風險評級方法，其特征在于：

所述基于LightGBM決策樹算法的個貸類不良資產風險評級方法還包括如下步驟：

構建基于LightGBM決策樹構建決策系統的模型。

3.根據權利要求1所述的基于LightGBM決策樹算法的個貸類不良資產風險評級方法，其特征在于：

所述構建基于LightGBM決策樹構建決策系的模型統包括如下步驟：

數據抽取：基于API對接的三方數據，如銀聯數據、人行征信數據、公積金/社保數據、運營商數據、電商交易數據，以及公開網站合規爬取的工商、法院、資訊等數據，以及不良資產用戶數據，并進行數據匹配；

數據打標：根據資產管理公司反饋的歷史不良資產最終回款情況，進行樣本打標，給定表現期三個月，三個月內回款則是好用戶，否則為壞用戶。

4.根據權利要求1所述的基于LightGBM決策樹算法的個貸類不良資產風險評級方法，其特征在于：

樣本增強：如果樣本較少，那需要對樣本進行上采樣，即樣本增強。可以在時間序列上通過滑動窗口，生成多個切片數據，不同切片數據相當于對原單個樣本進行復制或增強。

5.根據權利要求1所述的基于LightGBM決策樹算法的個貸類不良資產風險評級方法，其特征在于：

所述構建基于LightGBM決策樹構建決策系的模型統包括如下步驟：

缺失值填充：缺失比例高于80％，采用直接刪除的方式；低于此比例，采用插值法進行缺失數據填充；

數據集劃分：數據集劃分為訓練集、測試集和驗證集樣本，樣本比列為7：2：1。

6.根據權利要求1所述的基于LightGBM決策樹算法的個貸類不良資產風險評級方法，其特征在于：

所述構建基于LightGBM決策樹構建決策系的模型統包括如下步驟：

特征構建：基于用戶收入、用戶負債、用戶信用、用戶對外擔保情況、用戶消費、用戶行蹤中一個或多個梳理基礎指標，并結合時間特性和常用統計量進行特征的構建；

特征篩選：基于特征的重要性和相關性進行篩選。

7.根據權利要求1所述的基于LightGBM決策樹算法的個貸類不良資產風險評級方法，其特征在于：

所述構建基于LightGBM決策樹構建決策系的模型統包括如下步驟：

模型構建：模型采用LightGBM-LR的架構搭建而成，其中LightGBM用來對衍生的特征映射到高維度；最終用高維向量空間的特征作為LR模型的輸入來預測樣本回款概率。

8.根據權利要求1所述的基于LightGBM決策樹算法的個貸類不良資產風險評級方法，其特征在于：

所述構建基于LightGBM決策樹構建決策系的模型統包括如下步驟：

模型評估：將構建模型分別應用到測試集和驗證集樣本中，分別得出測試集樣本的回款概率預測值以及驗證集樣本的回款概率預測值。

9.根據權利要求1所述的基于LightGBM決策樹算法的個貸類不良資產風險評級方法，其特征在于：

所述模型評估還包括：

計算測試樣本集的AUC值和K-S值，如果AUC值和K-S值本身滿足預設條件且多個所述側視樣本集之間的AUC值和K-S值的差值在預設差值范圍內，則認為模型有效。

10.根據權利要求1所述的基于LightGBM決策樹算法的個貸類不良資產風險評級方法，其特征在于：

所述決策系統輸出回款概率值，并根據回款概率值輸出評估等級。