[發明專利]基于海量大數據、核心算法的貸款全過程精準風控及管理系統

有效

• 申請號: 202110649992.0
• 申請日: 2021-06-10
• 公開（公告）號: CN113393316B
• 公開（公告）日: 2023-02-03
• 發明（設計）人: 羅嗣揚;羅忠明
• 申請（專利權）人: 羅嗣揚
• 主分類號: G06Q40/03
• 分類號: G06Q40/03;G06N3/084
• 代理公司: 河北圓友緣專利代理事務所(普通合伙) 13173
• 代理人: 吳秀蘭

1.基于海量大數據、核心算法的貸款全過程精準風控及管理系統，其特征在于：包括數據處理單元(100)、訓練模型單元(200)、安全管理單元(300)和決策系統單元(400)；所述數據處理單元(100)的信號輸出端與所述訓練模型單元(200)的信號輸入端連接，所述訓練模型單元(200)的信號輸出端與所述安全管理單元(300)的信號輸入端連接，所述安全管理單元(300)的信號輸出端與所述決策系統單元(400)的信號輸入端連接；所述數據處理單元(100)用于通過多維度數據采集途徑獲取海量與貸款相關的數據信息并對數據進行去重、存儲、統析及劃分處理；所述訓練模型單元(200)用于以BP神經網絡預測技術為基礎搭建貸款風控相關的預測識別模型并進行訓練及學習；所述安全管理單元(300)用于對貸款業務全過程進行風險監控及安全管理；所述決策系統單元(400)用于根據模型預測的貸款業務中存在的風險因素來作為風控決策的依據；

所述數據處理單元(100)包括采集去重模塊(101)、分類存儲模塊(102)、統計分析模塊(103)和數集劃分模塊(104)；

所述訓練模型單元(200)包括模型搭建模塊(201)、算法訓練模塊(202)、相關檢驗模塊(203)和機器學習模塊(204)；

所述安全管理單元(300)包括行為識別模塊(301)、信用評級模塊(302)、風險評估模塊(303)和貸后預警模塊(304)；

所述決策系統單元(400)包括指標計算模塊(401)、運營審核模塊(402)、風控決策模塊(403)和綜合報告模塊(404)；

所述模型搭建模塊(201)的信號輸出端與所述算法訓練模塊(202)的信號輸入端連接，所述算法訓練模塊(202)的信號輸出端與所述相關檢驗模塊(203)的信號輸入端連接，所述相關檢驗模塊(203)的信號輸出端與所述機器學習模塊(204)的信號輸入端連接；所述模型搭建模塊(201)用于以BP神經網絡算法為基礎，分別搭建貸款中各種風險類型的預測模型；所述算法訓練模塊(202)用于按照流程步驟對預測模型進行算法訓練；所述相關檢驗模塊(203)用于分別通過皮爾森和斯皮爾曼相關性檢驗算法來對各種風險類型的預測結果之間相關性進行分析檢驗；所述機器學習模塊(204)用于通過機器學習來完善預測算法以提高預測的準確度；

其中，通過粒子群算法對模型搭建模塊(201)預測模型過程中采用的BP神經網絡的初始權值和閾值進行優化；在粒子群算法中，設表示種群中粒子i在第t次迭代更新后的解，為定義的種群中粒子i在第(t+1)次迭代更新時進行學習的局部較優解，Qbest^t表示種群在第t次迭代更新后的全局最優解，令種群中粒子i通過向局部較優解和全局最優解Qbest^t進行學習，從而獲得粒子i在第(t+1)次迭代更新后的解

所述局部較優解的求解方法為：

設表示在第t次迭代更新后種群中優于粒子i當前的歷史最優解的解組成的集合，且其中，表示集合中的第j個較優解，表示集合中的較優解的數量，表示較優解的適應度函數值，表示種群中粒子i在第t次迭代更新后的歷史最優解，表示歷史最優解的適應度函數值；

對集合中的較優解依次進行篩選，定義表示針對較優解設置的個體篩選系數，表示針對集合中較優解設置的整體篩選系數，且和的值分別為：

式中，表示較優解的尋優篩選因子，且表示較優解的距離篩選因子，且表示較優解的迭代調節因子，且其中，t表示當前迭代次數，T_max表示最大迭代次數，和的作用為取最大值，的作用為取中值；

當集合中的較優解滿足：時，則在集合中保留較優解而當較優解滿足：時，則在集合中刪除較優解

設表示對集合中的較優解依次進行篩選后剩余的較優解組成的集合，所述局部較優解即為在集合中隨機選取的一個較優解；

令種群中粒子i通過向局部較優解和全局最優解Qbest^t進行學習，從而獲得粒子i在第(t+1)次迭代更新后的解具體為：

其中，表示種群中粒子i在第(t+1)次迭代更新時的步長，表示種群中粒子i在第t次迭代更新時的步長，c₁和c₂表示種群的學習因子，r₁和r₂分別表示隨機產生的0到1之間的隨機數，ω表示種群中粒子的慣性權重因子。