本发明涉及一种信用评价方法,更具体的说,尤其涉及一种基于参考人关系网络上随机漫步的信用评价方法。
背景技术:
在借款人(如法人、自然人)申请贷款时,贷款人(如银行)通常需要借款人提交几个参考人(Trade Referee)。参考人根据借款人在以往的商业往来中的行为来对借款人的信用进行打分。参考人的打分越高,贷款人同意放贷(如商贷、房贷等)的几率越大。
多年来,学术界和产业界提出了很多的信用评价方法。典型的有基于专家判断的信用评价方法、基于统计分析的信用评价方法和基于人工智能的信用评价方法。
a)基于专家判断的信用评价方法
该方法是比较早期的方法。专家人工审查借款人所提交的信息,主要考虑5个维度。借款人的还款意愿;借款人的还款能力;借款人的净资产;抵押物;还有市场的环境因素。但专家人工判断的方法效率太低,无法处理大量借款人的申请。
b)基于统计分析的信用评价方法
随着个人金融的快速发展,尤其是信用卡的快速发展,学术界和业界提出了基于统计分析的信用评价方法。美国的FICO是当前应用最为广泛的方法。该方法考察借款人十几个维度的信息。如还款历史、信用账户数目、信用历史、信用账户的类型等等。把这些方面的信息作为信用的特征向量来构建统计学的模型,通过统计学的模型来评价借款人的信用。
c)基于人工智能的信用评价方法
近年来随着互联网、人工智能和金融科技(Fintech)的快速发展,学术界和业界提出了基于人工智能的信用评价方法。其思想是把借款人在互联网上留下的海量信息作为特征,训练一个人工智能的模型。该方法可以考虑借款人学历、日常消费历史、水电暖按时缴费历史、房租按时缴费历史、网购行为等上千个维度。
然而现有的信用评价方法存在一个弊端,参考人根据借款人在以往的商业往来中的行为来对借款人的信用进行打分,但参考人的信用并未纳入考虑的范围。参考人可能是一个经常骗贷的人,他的信用很差,他的打分应该不可信。现有的方法并未考虑这种情况,导致信用评价的结果不准。
技术实现要素:
本发明为了克服上述技术问题的缺点,提供了一种基于参考人关系网络上随机漫步的信用评价方法。
本发明的基于参考人关系网络上随机漫步的信用评价方法,其特别之处在于,依次通过以下步骤来实现:
a).建立参考人关系网络,用图G=(V,E)表示参考人关系网络,其中参考人vi是V中的一个节点,V={v1,v2,...,vi,...,vn1},n1为参考人的数目;参考人之间的打分关系为边,若参考人v对参考人u打分,则用有向边e(v,u)表示他们之间的打分关系,e(v,u)为E中的一条有向边,v给u所打的分数为边e(v,u)上的权重,用s(v,u)表示;其中,v∈V、u∈V,且v与u不为同一参考人;
b).定义入边邻居,如果参考人v存在对参考人u的打分行为,则在图G=(V,E)中定义节点v是节点u的入边邻居,节点u的所有入边邻居用集合Nin(u)表示;v∈V、u∈V,且v与u不为同一参考人;
c).定义出边邻居,相应地,如果参考人v存在对参考人u的打分行为,则在图G=(V,E)中定义节点u是节点v的出边邻居,节点v的所有出边邻居用集合Nout(v)表示;v∈V、u∈V,且v与u不为同一参考人;
d).赋初始信用值,对图G=(V,E)中参考人对应的节点vi均赋予一个相等的初始信用值trank(vi),i=1,2,...,n1;
e).计算信用值,对于图G=(V,E)中的每个节点,均利用公式(1)重新计算其信用值:
其中,节点v为节点u的入边邻居,v′为v的出边邻居;
执行步骤f);
f).判断信用值是否不再变化,判断重新计算后的节点信用值与之前相比是否发生了变化,如果存在信用值变化的节点,则执行步骤e);如果所有节点的信用值均不再变化,则执行步骤g);
g).判断是否满足放贷条件,将要考察的参考人的最终信用值trank(vi)与贷款人设定的放贷信用阈值进行比较,如果参考人的信用值大于放贷信用阈值,则给出满足放贷条件的建议;如果参考人的信用值小于放贷信用阈值,则给出不满足放贷条件的建议。
本发明的基于参考人关系网络上随机漫步的信用评价方法,步骤d)中,赋予参考人的初始信用值为100,步骤e)中计算的信用值精确到小数点后两位。
本发明的基于参考人关系网络上随机漫步的信用评价方法,设赋予参考人的初始信用值为X,则步骤g)中的放贷信用阈值为(1+α)X,α>0。
本发明的有益效果是:本发明的信用评价方法,在对借款人的信用评价的过程中,将其作为参考人置于参考人关系网络中,在计算其信用值的过程中,不仅依据参考人给其所打的信用分数,而且还将给其打分的参考人的信用情况考虑进入,如果给其打分的参考人经常给别人打分、且打分较高,该参考人可能是一个经常骗贷(信用很差)的人,则其打分的权重就会越低,保证了信用评价结果的准确性。
附图说明
图1为本发明的实施例所建立的参考人关系网络图;
图2为本发明的实施例中各节点赋初始信用值的示意图;
图3为本发明的实施例第一次迭代之后的结果示意图;
图4为本发明的实施例第二次迭代之后的结果示意图;
图5为本发明的实施例第三次迭代之后的结果示意图;
图6为本发明的实施例第四次迭代之后的结果示意图;
图7为本发明的实施例第五次迭代之后的结果示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
如图1所示,给出了本发明的实施例所建立的参考人关系网络图,该实施例中共有4个参考人v0、v1、v2、v3,其中节点v0给节点v1、v2、v3分别打10分、10分、0.1分;v1仅给v0、v3打分,所打分数分别为10分、0.1分,v3仅给v1、v2打分,所打分数分别为10分、0.1分,v2仅给v0打分,所打分数为10分。
可知:v0的入边邻居Nin(v0)为v1和v2,出边邻居Nout(v0)为v1、v2、v3;v1的入边邻居Nin(v1)为v0和v3,出边邻居Nout(v1)也为v0和v3;v2的入边邻居Nin(v2)为v0和v3,出边邻居Nout(v2)为v0;v3的入边邻居Nin(v3)为v0和v1,出边邻居Nout(v3)为v1和v2。
如图2所示,给出了本发明的实施例中各节点赋初始信用值的示意图,可见,节点v0、v1、v2、v3的初始信用值trank(vi)均为100,i=1,2,3,4。然后利用下面的公式(1)对节点v0、v1、v2、v3的信用值进行重新计算:
其中,节点v为节点u的入边邻居,v′为v的出边邻居。
第一次迭代过程中,对节点v0的信用值进行计算时,v0的入边邻居Nin(v0)为v1和v2,v1、v2给v0的打分均为10分。v1的出边邻居Nout(v1)为v0和v3,v1给v0、v3的打分分别为10分、0.1分;v2的出边邻居Nout(v2)为v0,v2给v0的打分为10分,故带入公式(1)可计算出节点v0的信用值:
同样地,可计算出第一次迭代后节点v1、v2和v3的信用值分别为148.76、50.74和1.48。
如图3所示,给出了本发明的实施例第一次迭代之后的结果示意图,第一次迭代后,v0、v1、v2、v3的信用值199.00、148.76、50.74、1.48,相对于原信用值100均发生了变化,故应进行第二次迭代计算。
如图4所示,给出了本发明的实施例第二次迭代之后的结果示意图,第二次迭代之后,v0、v1、v2、v3的信用值分别为198.03、100.48、99.02、2.46,其相对于原信用值199.00、148.76、50.74、1.48均发生了变化,故应进行第三次迭代计算。
如图5所示,给出了本发明的实施例第三次迭代之后的结果示意图,第三次迭代之后,v0、v1、v2、v3的信用值分别为198.51、100.96、98.55、1.98,其相对于原信用值198.03、100.48、99.02、2.46均发生了变化,故应进行第四次迭代计算。
如图6所示,给出了本发明的实施例第四次迭代之后的结果示意图,第四次迭代之后,v0、v1、v2、v3的信用值分别为198.51、100.72、98.78、1.48,v1、v2、v3的信用值100.72、98.78、1.48相对于原信用值100.96、98.55、1.98均发生了变化,故应进行第五次迭代计算。
如图7所示,给出了本发明的实施例第五次迭代之后的结果示意图,第五次迭代之后,v0、v1、v2、v3的信用值分别为198.51、100.72、98.78、1.48,其信用值均没有发生变化,故结束迭代计算。
如果放贷信用阈值为100,则节点v0、v1对应的参考人满足放贷条件。如果放贷信用阈值为150,则只有节点v0对应的参考人满足放贷条件。