[發明專利]一種車貸風控模型生成方法、裝置及評分卡生成方法

在審

• 申請號: 202110647121.5
• 申請日: 2021-06-10
• 公開（公告）號: CN113554504A
• 公開（公告）日: 2021-10-26
• 發明（設計）人: 周波;徐棟;郭能;蔡浴泓;余勇輝
• 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;G06Q10/06
• 代理公司: 北京正理專利代理有限公司 11257
• 代理人: 張帆

1.一種車貸風控模型生成方法，其特征在于，包括：

S10、獲取原始車貸用戶的基礎數據；

S20、對所述基礎數據進行特征工程處理；

S30、基于所述特征工程處理后的數據采用邏輯斯蒂回歸模型進行訓練，直至所述邏輯斯蒂回歸模型的KS值達到第一預設閾值，AUC值達到第二預設閾值，得到LR評分卡模型，將所述LR評分卡模型作為車貸風控模型。

2.根據權利要求1所述的方法，其特征在于，所述S20包括：

S200、對所述基礎數據進行特征構建，得到多個特征自變量；

S202、對所述多個特征自變量進行分箱處理，得到分箱結果；

S204、對所述分箱結果進行WOE編碼，得到編碼結果。

3.根據權利要求2所述的方法，其特征在于，所述S20還包括：

S206、計算所述編碼結果中每一列特征自變量的IV值；

S208、基于IV值對編碼結果進行自變量篩選，保留IV值大于等于第三預設閾值的特征自變量，得到第一篩選結果；

S210、計算所述第一篩選結果中的特征自變量的特征相關系數，保留特征相關系數的絕對值超過第四預設閾值的特征自變量中IV值高的特征自變量，得到第二篩選結果。

4.根據權利要求3所述的方法，其特征在于，將所述第二篩選結果劃分為訓練集、測試集以及時間外樣本集。

5.根據權利要求4所述的方法，其特征在于，所述S30包括：

S300、利用所述訓練集對邏輯斯蒂回歸模型進行訓練，其中，檢驗所述訓練集中的特征自變量的特征相關系數是否為負數，若是，刪除該特征自變量，采用網格搜索方法對邏輯斯蒂回歸模型的超參數進行調優；

S302、利用所述測試集和時間外樣本集對S300訓練后的邏輯斯蒂回歸模型進行評估和優化，其中，計算所述測試集和時間外樣本集的違約概率預測值，根據所述違約概率預測值獲取邏輯斯蒂回歸模型的KS值和AUC值，判斷所述KS值是否達到所述第一預設閾值并且所述AUC值是否達到所述第二預設閾值，若否，執行S206～S210，對邏輯斯蒂回歸模型重新進行訓練，直至所述KS值和AUC值達到預設閾值。

6.根據權利要求2所述的方法，其特征在于，當某一特征自變量的缺失比例高于第五預設閾值時，判斷該特征自變量是否有特殊含義，若是，采用插值法對該特征自變量的缺失內容進行填充；若否，刪除該特征自變量。

7.根據權利要求1所述的方法，其特征在于，所述基礎數據包括個人基本信息、車輛數據、第三方評分數據。

8.根據權利要求1所述的方法，其特征在于，所述原始車貸用戶為初始通過貸款申請并有貸后表現的用戶，包括好樣本用戶和壞樣本用戶，其中，在預設表現期內沒有發生過逾期的用戶為好樣本用戶；在預設表現期內最大逾期天數超過第六預設閾值或逾期次數超過第七預設閾值的用戶為壞樣本用戶。

9.根據權利要求8所述的方法，其特征在于，判斷所述好樣本用戶與所述壞樣本用戶的比例是否達到第八預設閾值，若否，通過SMOTE算法生成壞樣本用戶，直至好樣本用戶與壞樣本用戶的比例達到所述第八預設閾值。

10.根據權利要求3所述的方法，其特征在于，還包括：

利用所述LR評分卡模型對多個拒絕樣本進行預測，得到多個與拒絕樣本對應的違約概率預測值；

將多個違約概率預測值進行單調排序，選取違約概率預測值超過第九預設閾值的拒絕樣本為新增壞樣本用戶；

將所述新增壞樣本用戶加入原始車貸用戶中對所述LR評分卡模型進行優化，直至所述LR評分卡模型的KS值收斂，得到最終車貸風控模型。

11.根據權利要求10所述的方法，其特征在于，所述拒絕樣本為初始未通過貸款申請的無貸后表現的的用戶。