风险评分方法及装置与流程

1.本公开涉及计算机技术领域，尤其涉及一种风险评分方法及装置。


背景技术：

2.近年来，随着越来越多的提供金融服务的各种信贷公司的出现，对于金融用户而言，能够获得贷款的渠道增多，服务也多样化，金融用户有了更大的选择性，一户多贷的情况也逐渐明显。一户多贷也称为多头贷款，多头贷款指的是同一贷款者同时向多家提供金融服务的机构提出信贷要求得行为。
3.过度授信的行为对于部分金融用户，尤其是缺乏自我约束的金融用户而言，是一种具有极大的金融风险的事件。部分金融用户在过度授信之后，在其资金链断裂后，极易发生频繁违约和拖延还款行为，这种行为给提供金融服务的信贷公司的带来了大量的业务风险。
4.因此，如何提供一种解决上述问题的技术方案是本领域技术人员目前需要解决的技术问题。


技术实现要素：

5.本公开实施例提供一种风险评分方法及装置，能够对多头违约带来的信贷风险进行量化。
6.本公开实施例的第一方面，提供一种风险评分方法，所述风险评分方法包括：
7.基于预先获取的用户数据，其中，所述用户数据包括用户基本属性信息、用户的多头信息以及用户的违约信息；
8.基于所述用户数据，获取用户在预设时间阈值内多头信息的变化情况，确定用户的多头违约分类标签；
9.根据所述用户数据以及所述多头违约分类标签，通过预先构建的风险评分模型，确定所述用户的多头风险评分。
10.在一种可选的实施方式中，
11.所述多头信息包括以下的至少一种：多头查询信息、多头命中信息；
12.所述多头信息是多个预定时间期限内的多头信息；
13.违约用户是指违约时间超过预定时长的用户；
14.多头违约风险是从当前时间起始的预定时长范围内的违约风险。
15.在一种可选的实施方式中，
16.所述方法还包括：
17.根据所述用户的多头风险评分预测用户的多头借贷违约风险；
18.通过判断所述多头风险评分是否在预设评分阈值内，判断用户的多头借贷违约风险，
19.若在预设评分阈值范围内，则认定该用户的多头借贷违约风险低于预设值；
20.若不在预设评分阈值范围，则认定该用户的多头借贷违约风险高于预设值。
21.在一种可选的实施方式中，
22.所述方法还包括：
23.将用户的多头风险评分作为输入变量，作为预先构建的金融风险分析模型的输入变量之一，以使所述金融风险分析模型对用户进行金融风险分析。
24.在一种可选的实施方式中，
25.所述方法还包括训练所述风险评分模型，所述训练训练所述风险评分模型的方法包括：
26.基于预先获取的训练数据集，其中，所述训练数据集包括多个训练用户基本属性信息、训练用户多头信息以及训练用户违约信息；
27.从所述训练数据集中选取违约用户的数据，并为违约用户分配多头违约分类标签，
28.将违约用户的基本属性信息作为输入变量，将违约用户的多头违约分类标签作为目标变量，通过boost提升算法xgb训练所述风险评分模型。
29.本公开实施例的第二方面，提供一种风险评分装置，所述风险评分装置包括：
30.第一单元，用于基于预先获取的用户数据，其中，所述用户数据包括用户基本属性信息、用户的多头信息以及用户的违约信息；
31.第二单元，用于基于所述用户数据，获取用户在预设时间阈值内多头信息的变化情况，确定用户的多头违约分类标签；
32.第三单元，用于根据所述用户数据以及所述多头违约分类标签，通过预先构建的风险评分模型，确定所述用户的多头风险评分。
33.在一种可选的实施方式中，
34.所述多头信息包括以下的至少一种：多头查询信息、多头命中信息；
35.所述多头信息是多个预定时间期限内的多头信息；
36.违约用户是指违约时间超过预定时长的用户；
37.多头违约风险是从当前时间起始的预定时长范围内的违约风险。
38.在一种可选的实施方式中，
39.所述装置还包括第四单元，所述第四单元用于：
40.根据所述用户的多头风险评分预测用户的多头借贷违约风险；
41.通过判断所述多头风险评分是否在预设评分阈值内，判断用户的多头借贷违约风险，
42.若在预设评分阈值范围内，则认定该用户的多头借贷违约风险低于预设值；
43.若不在预设评分阈值范围，则认定该用户的多头借贷违约风险高于预设值。
44.在一种可选的实施方式中，
45.所述装置还包括第五单元，所述第五单元用于：
46.将用户的多头风险评分作为输入变量，作为预先构建的金融风险分析模型的输入变量之一，以使所述金融风险分析模型对用户进行金融风险分析。
47.在一种可选的实施方式中，
48.所述装置还包括第六单元，所述第六单元用于训练所述风险评分模型，所述训练
训练所述风险评分模型的方法包括：
49.基于预先获取的训练数据集，其中，所述训练数据集包括多个训练用户基本属性信息、训练用户多头信息以及训练用户违约信息；
50.从所述训练数据集中选取违约用户的数据，并为违约用户分配多头违约分类标签，
51.将违约用户的基本属性信息作为输入变量，将违约用户的多头违约分类标签作为目标变量，通过boost提升算法xgb训练所述风险评分模型。
52.本公开的风险评分方法，包括基于预先获取的用户数据，其中，所述用户数据包括用户基本属性信息、用户的多头信息以及用户的违约信息；
53.基于所述用户数据，获取用户在预设时间阈值内多头信息的变化情况，确定用户的多头违约分类标签；
54.根据所述用户数据以及所述多头违约分类标签，通过预先构建的风险评分模型，确定所述用户的多头风险评分。
55.本公开的风险评分方法采用了分类模型建立多头违约分类标签，再利用该标签来训练违约风险模型，因此本发明能够对多头违约带来的信贷风险进行量化，从而为信贷策略的调整提供依据。本发明能够有效利用多头信息，模型架构合理、计算快速而准确，为信贷风险的控制提供了有力的数据支撑。
附图说明
56.图1为本公开实施例风险评分方法的流程示意图；
57.图2为本公开实施例风险评分装置的结构示意图。
具体实施方式
58.为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
59.本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
60.应当理解，在本公开的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。
61.应当理解，在本公开中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
62.应当理解，在本公开中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关
联对象的关联关系，表示可以存在三种关系，例如，和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含a、b和c”、“包含a、b、c”是指a、b、c三者都包含，“包含a、b或c”是指包含a、b、c三者之一，“包含a、b和/或c”是指包含a、b、c三者中任1个或任2个或3个。
63.应当理解，在本公开中，“与a对应的b”、“与a相对应的b”、“a与b
64.相对应”或者“b与a相对应”，表示b与a相关联，根据a可以确定b。根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其他信息确定b。a与b的匹配，是a与b的相似度大于或等于预设的阈值。
65.取决于语境，如在此所使用的“若”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”或“响应于检测”。
66.下面以具体地实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
67.图1示例性地示出本公开实施例风险评分方法的流程示意图，如图1所示，所述方法包括：
68.步骤s101、基于预先获取的用户数据；
69.其中，所述用户数据包括用户基本属性信息、用户的多头信息以及用户的违约信息；
70.在一种可选的实施方式中，
71.所述多头信息包括以下的至少一种：多头查询信息、多头命中信息；
72.所述多头信息是多个预定时间期限内的多头信息；
73.违约用户是指违约时间超过预定时长的用户；
74.多头违约风险是从当前时间起始的预定时长范围内的违约风险。
75.步骤s102、基于所述用户数据，获取用户在预设时间阈值内多头信息的变化情况，确定用户的多头违约分类标签；
76.根据经验，有多种因素可能造成信贷用户的违约。这里所说的违约一般是指逾期未还贷或还贷不足的情况。对于数据处理来说，为了更精细分用户的实际违约情况，还可以按违约时长对违约行为进行细分，例如：逾期超过7天，逾期超过1个月、逾期超过3个月、逾期超过6个月、逾期超过1年等。此外，也可以根据欠款的额度进行细分，例如欠款1000元以下、欠款1000至5000元，欠款5000至15000元，欠款15000元以上。等等。如果将上述违约情况进行标签化，那么对于每个用户，都可以得到多个标签的违约信息。
77.为了量化因多头造成的违约风险，需要引入用户的多头信息。所谓的多头信息是指与用户的多头行为相关的数据，多头行为是指用户在多个信贷平台上发生的与信贷行为有关的行为，例如网络查询、电话咨询、信贷申请、授信、动支、还款、违约、被催收等等的各种主动或被动行为。多头信息可以是多头行为的类型、持续时间、次数、多头数量等数据。在本发明中，并不限于多头信息和违约信息的种类和数据类型。
78.在获得了用户的多头信息之后，由于数据来源比较复杂，数据维度较多，数据范围较大，然而，并非所有维度的所有数据范围对于判断用户违约信息都是有用的。因此本发明提出首先对多头数据进行处理以建立多头违约分类标签，也就是说先提取出对于判断多头违约风险具有重要意义的分类标签。接下来就可以使用信贷用户的作为违约风险模型的目
标变量来进行模型的训练，得到多头因素造成的违约可能性数值。
79.步骤s103、根据所述用户数据以及所述多头违约分类标签，通过预先构建的风险评分模型，确定所述用户的多头风险评分。
80.在一种可选的实施方式中，
81.所述方法还包括：
82.根据所述用户的多头风险评分预测用户的多头借贷违约风险；
83.通过判断所述多头风险评分是否在预设评分阈值内，判断用户的多头借贷违约风险，
84.若在预设评分阈值范围内，则认定该用户的多头借贷违约风险低于预设值；
85.若不在预设评分阈值范围，则认定该用户的多头借贷违约风险高于预设值。
86.在一种可选的实施方式中，
87.所述方法还包括：
88.将用户的多头风险评分作为输入变量，作为预先构建的金融风险分析模型的输入变量之一，以使所述金融风险分析模型对用户进行金融风险分析。
89.在一种可选的实施方式中，
90.所述方法还包括训练所述风险评分模型，所述训练训练所述风险评分模型的方法包括：
91.基于预先获取的训练数据集，其中，所述训练数据集包括多个训练用户基本属性信息、训练用户多头信息以及训练用户违约信息；
92.从所述训练数据集中选取违约用户的数据，并为违约用户分配多头违约分类标签，
93.将违约用户的基本属性信息作为输入变量，将违约用户的多头违约分类标签作为目标变量，通过boost提升算法xgb训练所述风险评分模型。
94.示例性地，可使用boost提升算法xgb构建用户多头风险评分模型b，进行预测客户未来因多头增加变坏的可能性。其中，可用分箱的方法对预测结果多头风险评分分为5组，标注为a、b、c、d、e标签分别为400、700、800、900、900以上，根据设定的一个400的阈值，确定是落入a的类型即可。多头风险分低客户风险越低。
95.本公开的风险评分方法，包括基于预先获取的用户数据，其中，所述用户数据包括用户基本属性信息、用户的多头信息以及用户的违约信息；
96.基于所述用户数据，获取用户在预设时间阈值内多头信息的变化情况，确定用户的多头违约分类标签；
97.根据所述用户数据以及所述多头违约分类标签，通过预先构建的风险评分模型，确定所述用户的多头风险评分。
98.本公开的风险评分方法采用了分类模型建立多头违约分类标签，再利用该标签来训练违约风险模型，因此本发明能够对多头违约带来的信贷风险进行量化，从而为信贷策略的调整提供依据。本发明能够有效利用多头信息，模型架构合理、计算快速而准确，为信贷风险的控制提供了有力的数据支撑。
99.图2示例性地示出本公开实施例风险评分装置的结构示意图，如图2所示，所述装置包括：
specific integrated circuits，简称：asic)中。另外，该asic可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(rom)、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
124.在上述终端或者服务器的实施例中，应理解，处理器可以是中央处理单元(英文：central processing unit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digital signal processor，简称：dsp)、专用集成电路(英文：application specific integrated circuit，简称：asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
125.最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。