本发明涉及金融科技领域，具体而言，涉及一种基于信用卡审批场景的风险建模方法及系统实现。
背景技术：
随着计算机网络的快速发展，电子商务在人们的日常生活中得到了广泛的发展。随着日趋激烈的市场竞争，企业以赊销方式销售产品的交易方式已成为世界范围内诸多领域中的主要销售形式，而随之而来的是企业的信用风险，其中，信用风险是指借款人、证券发行人或交易对方因种种原因，不愿或无力履行合同条件而构成违约，致使银行、投资者或交易对方遭受损失的可能性。目前，银行对受信企业的风险评估方法主要是采用专家法和准入条件法，依靠银行审批人员的业务经验来对企业的风险进行评估，该方法主观性较强，无法进行量化评估。
由于当前社会处于大数据时代下，随着数据维度的不断升高，审批人员可利用各种机器学习算法来建立分类器，进而预测企业的违约概率。然而将机器学习算法应用于信用风险评估中，其结果的可解释性较差，而且根据机器学习算法所建立的分类器可能与业务人员的理解出入较大，难以让业务人员信服。
针对上述现有技术无法对对象的风险进行准确评估的问题，目前尚未提出有效的解决方案。
技术实现要素：
本发明实施例提供了一种基于信用卡审批场景的风险建模方法及系统实现，以至少解决现有技术无法对对象的风险进行准确评估的技术问题。
根据本发明实施例的一个方面，提供了一种基于信用卡审批场景的风险建模方法，包括：从待评估对象的多个指标中确定用于进行风险评估的待评估指标；确定待评估指标的评分；根据待评估指标的评分以及待评估指标的权重值构建风险模型；基于风险模型确定待评估对象的风险值。
根据本发明实施例的另一方面，还提供了一种基于信用卡审批场景的风险建模装置，包括：第一确定模块，用于从待评估对象的多个指标中确定用于进行风险评估的待评估指标；第二确定模块，用于确定待评估指标的评分；第三确定模块，用于根据待评估指标的评分以及待评估指标的权重值构建风险模型；第四确定模块，用于基于风险模型确定待评估对象的风险值。
根据本发明实施例的另一方面，还提供了一种基于信用卡审批场景的风险建模系统，包括：输入设备，用于获取待评估对象的多个指标；处理器，与输入设备连接，用于从多个指标中确定用于进行风险评估的待评估指标，并确定待评估指标的评分，然后根据待评估指标的评分以及待评估指标的权重值构建风险模型，并基于风险模型确定待评估对象的风险值；输出设备，与处理器连接，用于输出对待评估对象进行风险评估的结果。
根据本发明实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，其中，程序执行基于信用卡审批场景的风险建模方法。
根据本发明实施例的另一方面，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行基于信用卡审批场景的风险建模方法。
在本发明实施例中，采用数理统计的方式，通过从待评估对象的多个指标中确定用于进行风险评估的待评估指标，并确定待评估指标的评分，然后根据待评估指标的评分以及待评估指标的权重值构建风险模型，并基于风险模型确定待评估对象的风险值，达到了对对象风险进行评估的目的，从而实现了提高风险评估的准确性的技术效果，进而解决了现有技术无法对对象的风险进行准确评估的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种基于信用卡审批场景的风险建模方法的流程图；
图2是根据本发明实施例的一种优选的基于信用卡审批场景的风险建模方法的流程图；
图3是根据本发明实施例的一种基于信用卡审批场景的风险建模装置的结构示意；以及
图4是根据本发明实施例的一种基于信用卡审批场景的风险建模系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本发明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。此外，术语“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。
实施例1
根据本发明实施例，提供了一种基于信用卡审批场景的风险建模方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的基于信用卡审批场景的风险建模方法的流程图，如图1所示，该方法包括如下步骤：
步骤s102，从待评估对象的多个指标中确定用于进行风险评估的待评估指标。
需要说明的是，在信用卡审批场景中，上述待评估对象可以为但不限于贷前环节进行信用风险评估的企业，其中，待评估对象的多个指标可以为但不限于企业的公司结构、融资情况、对外投资情况、财务情况、营运资本情况、销售情况等。
此外，还需要说明的是，待评估对象的多个指标中并不是所有的指标均可作为待评估指标，只有满足一定条件的指标才能作为待评估指标来对待评估对象的风险进行评估。由此可见，通过步骤s102可以达到对待评估对象的指标进行降维的目的，进而达到简化数据处理步骤，提高数据处理效率的效果。
步骤s104，确定待评估指标的评分。
需要说明的是，在从多个指标中确定了用于对待评估对象进行风险评估的指标之后，确定每个待评估指标的评分，从而使得待评估指标数量化，从而达到了减少人为因素对风险评估的干扰。
步骤s106，根据待评估指标的评分以及待评估指标的权重值构建风险模型。
需要说明的是，在确定了待评估指标的评分，使得待评估对象的指标数量化之后，可采用熵权法对待评估指标的评分进行加权求和，从而得到待评估对象的量化值。
此外，还需要说明的是，上述步骤s102至步骤s106可以为预设设置好的风险模型，待评估对象的多个指标即为风险模型的输入，待评估对象的风险值即为风险模型的输出。
步骤s108，基于风险模型确定待评估对象的风险值。
在一种可选的实施例中，如果待评估对象的风险值大于第一预设风险值，则确定该待评估对象为高违约风险的企业，不建议同意该企业的贷款请求；如果待评估对象的风险值大于第二预设风险值，并小于等于第一阈值风险值，则确定该待评估对象为中违约风险的企业，建议观察后再确定是否同意该企业的贷款请求；如果待评估对象的风险值小于等于第二预设风险值，则确定待评估对象为无违约或者低违约风险的企业，建立同意该企业的贷款请求。
基于上述步骤s102至步骤s108所限定的方案，可以获知，通过从待评估对象的多个指标中确定用于进行风险评估的待评估指标，并确定待评估指标的评分，然后根据待评估指标的评分以及待评估指标的权重值构建风险模型，并基于风险模型确定待评估对象的风险值。
容易注意到的是，从多个指标中确定出用于进行风险评估的指标，即从多个指标中选取对风险评估起到重要作用的指标，与传统的机器学习的分类器相比，可以得到对数据降维、简化数据处理步骤的目的，进而达到了提高数据处理效率的效果。另外，在得到待评估指标之后，对待评估指标的评分进行加权处理，使得对待评估对象的风向评估数值化，排除了人为因素对风险评估的干扰，进而提高了评估的准确性以及可靠性。
由此可见，本申请所提供的评估风险的方法可以达到对对象风险进行评估的目的，从而实现了提高风险评估的准确性的技术效果，进而解决了现有技术无法对对象的风险进行准确评估的技术问题。
在一种可选的实施例中，基于风险模型从待评估对象的多个指标中确定用于进行风险评估的待评估指标具体包括如下步骤：
步骤s1020，确定第一类对象对应的第一分布函数以及第二类对象对应的第二分布函数，其中，第一分布函数为第一类对象的第一指标的分布函数，第二分布函数为第二类对象的第二指标的分布函数；
步骤s1022，确定第一分布函数与第二分布函数不匹配时对应的第一指标为待评估指标。
在一种可选的实施例中，上述第一类对象为信用度较高的优质企业，第二类对象为信用度较差的劣质企业，将待评估对象的多个指标中的指标a作为风险模型的输入，则固定指标a，改变其他指标对应的参数，并使用检验方法柯尔莫诺夫-斯米尔诺夫检验，来确定第一类对象所对应的第一分布函数和第二类对象所对应的第二分布函数是否服从相同的分布。如果零假设为第一分布函数和第二分布函数的分布相同，即零假设成立时，则取显著性水平为0.05；当两个分布函数的显著性水平的值小于预设的显著性水平时，拒绝零假设，此时，表明该指标在第一类对象和第二类对象之间存在明显的差异，即确定指标a为待评估指标。对于待评估对象的其他指标同样执行上述过程，即可确定待评估对象的其他指标是否为待评估指标。
需要说明的是，零假设(nullhypothesis)，即原假设，指进行统计检验时预先建立的假设，其中，零假设成立时，有关统计量应服从已知的某种概率分布；而当统计量的计算值落入否定域时，否定原假设。此外，显著性水平是估计总体参数落在某一区间内，可能犯错误的概率。
此外，还需要说明的是，在确定了用于进行风险评估的待评估指标之后，进而确定待评估指标的评分，具体步骤如下：
步骤s1040，确定待评估指标的指标类型；
步骤s1042，根据待评估指标的类型确定待评估指标的评分。
需要说明的是，待评估指标的指标类型可以为但不限于正向指标和负向指标，其中，正向指标是指指标的参数值越大，使该待评估对象被接受的可能性越大；负向指标是指指标的参数至越大，使待评估对象被接受的可能性越小。
具体的，确定待评估指标的指标类型包括如下步骤：
步骤s10401，确定待评估指标在第一类对象中对应的第一中位数；
步骤s10403，确定待评估指标在第二类对象中对应的第二中位数；
步骤s10405，在第一中位数大于第二中位数的情况下，确定待评估指标的类型为正向指标；
步骤s10407，在第一中位数小于等于第二中位数的情况下，确定待评估指标的类型为负向指标。
其中，中位数是按顺序排列的一组数集中位于中间位置的数据。
在一种可选的实施例中，确定待评估对象的多个指标中的指标a为待评估指标，则确定指标a在第一类对象(例如，优质企业)的第一中位数，以及指标a在第二类对象(例如，劣质企业)的第二中位数，如果第一中位数大于第二中位数，则确定指标a为正向指标；如果第一中位数小于等于第二中位数，则确定指标a为负向指标。
在另一种可选的实施例中，在确定了待评估指标的指标类型之后，根据待评估指标的指标类型确定待评估指标的评分，进而根据待评估指标的评分确定风险值，其中，根据指标类型确定待评估指标的评分包括如下步骤：
步骤s10420，根据待评估指标的指标类型确定待评估指标的排名；
步骤s10422，根据排名确定待评估指标的评分。
具体的，将待评估指标的经验累积分布函数作为累积分布函数的近似函数，将经验累积分布函数的分位数与百分制进行一一对应，其中，对于正向指标排名越靠前的待评估指标，其对应的评分越高；而对于负向指标排名越靠前的待评估指标，其对应的评分越低。例如，对于正向指标a，其排名为a％，则正向指标a对应的评分为(100-a)分；对于负向指标b，其排名为b％，则负向指标对应的评分为b分。
在一种可选的实施例中，在得到待评估指标的评分之后，可基于风险模型确定待评估对象的风险值，具体步骤如下：
步骤s1080，根据风险模型得到的待评估指标的评分确定待评估指标的权重值；
步骤s1082，基于待评估指标的权重值对待评估指标的评分进行加权求和，得到风险值。
具体的，使用熵权法来确定每个待评估指标的权重值，进而根据下式确定风险值：
s＝α1a1+α2a2+…+αnan
在上式中，s为风险值，αi为第i个待评估指标的权重值，ai为第i个待评估指标的评分。
在一种优选的实施例中，如图2所示的一种优选的基于信用卡审批场景的风险建模方法的流程图，其中，图2中的数据源即为上述待评估对象的多个指标，将待评估对象的多个指标输入到风险模型之后，风险模型根据假设检验从多个指标中提取出待评估指标，并确定待评估指标的类型。然后基于待评估指标的类型对模拟待评估指标的分布，并对其进行评分。然后根据评分确定待评估指标对应的权重值。最后对待评估指标的评分以及待评估指标的权重值进行加权求和，得到风险值。
需要说明的是，本申请所提供的评估风险的方法，可以排除人为因素对风险模型的影响，并且还降低了数据处理的维度，避免了数据维数过大导致的风险模型可靠性低的问题。
实施例2
根据本发明实施例，还提供了一种基于信用卡审批场景的风险建模装置实施例，其中，图3是根据本发明实施例的基于信用卡审批场景的风险建模装置的结构示意图，如图3所示，该装置包括：第一确定模块301、第二确定模块303、第三确定模块305以及第四确定模块307。
其中，第一确定模块301，用于从待评估对象的多个指标中确定用于进行风险评估的待评估指标；第二确定模块303，用于确定待评估指标的评分；第三确定模块305，用于根据待评估指标的评分以及待评估指标的权重值确定构建风险模型；第四确定模块307，用于根据基于风险模型确定待评估对象的风险值。
需要说明的是，上述第一确定模块301、第二确定模块303、第三确定模块305以及第四确定模块307对应于实施例1中的步骤s102至步骤s108，四个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
在一种可选的实施例中，第一确定模块包括：第五确定模块以及第六确定模块。其中，第五确定模块，用于确定第一类对象对应的第一分布函数以及第二类对象对应的第二分布函数，其中，第一分布函数为第一类对象的第一指标的分布函数，第二分布函数为第二类对象的第二指标的分布函数；第六确定模块，用于确定第一分布函数与第二分布函数不匹配时对应的第一指标为待评估指标。
需要说明的是，上述第五确定模块以及第六确定模块对应于实施例1中的步骤s1020至步骤s1022，两个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
在一种可选的实施例中，第二确定模块包括：第七确定模块以及第八确定模块。其中，第七确定模块，用于确定待评估指标的指标类型；第八确定模块，用于根据待评估指标的类型确定待评估指标的评分。
需要说明的是，上述第七确定模块以及第八确定模块对应于实施例1中的步骤s1040至步骤s1040，两个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
在一种可选的实施例中，第七确定模块包括：第九确定模块、第十确定模块、第十一确定模块以及第十二确定模块。其中，第九确定模块，用于确定待评估指标在第一类对象中对应的第一中位数；第十确定模块，用于确定待评估指标在第二类对象中对应的第二中位数；第十一确定模块，用于在第一中位数大于第二中位数的情况下，确定待评估指标的类型为正向指标；第十二确定模块，用于在第一中位数小于等于第二中位数的情况下，确定待评估指标的类型为负向指标。
需要说明的是，上述第九确定模块、第十确定模块、第十一确定模块以及第十二确定模块对应于实施例1中的步骤s10401至步骤s10407，四个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
在一种可选的实施例中，第八确定模块包括：第十三确定模块以及第十四确定模块。其中，第十三确定模块，用于根据待评估指标的指标类型确定待评估指标的排名；第十四确定模块，用于根据排名确定待评估指标的评分。
需要说明的是，上述第十三确定模块以及第十四确定模块对应于实施例1中的步骤s10420至步骤s10422，两个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
在一种可选的实施例中，第四确定模块包括：第十五确定模块以及处理模块。其中，第十五确定模块，用于根据风险模型得到的待评估指标的评分确定待评估指标的权重值；处理模块，用于基于待评估指标的权重值对待评估指标的评分进行加权求和，得到风险值。
需要说明的是，上述第十五确定模块以及处理模块对应于实施例1中的步骤s1080至步骤s1082，两个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
实施例3
根据本发明实施例，还提供了一种基于信用卡审批场景的风险建模系统实施例，其中，图4是根据本发明实施例的基于信用卡审批场景的风险建模系统的结构示意图，如图4所示，该系统包括：输入设备401、处理器403以及输出设备405。
其中，输入设备401，用于获取待评估对象的多个指标；处理器403，与输入设备连接，用于从多个指标中确定用于进行风险评估的待评估指标，并确定待评估指标的评分，然后根据待评估指标的评分以及待评估指标的权重值构建风险模型，并基于风险模型确定待评估对象的风险值；输出设备405，与处理器连接，用于输出对待评估对象进行风险评估的结果。
需要说明的是，基于信用卡审批场景的风险建模系统可以包括但不限于终端设备，例如，服务器。上述输入设备可以为但不限于实体输入设备(例如，键盘、鼠标)和虚拟输入设备(虚拟键盘)。上述输出设备可以为但不限于显示器、打印机等。上述待评估对象可以为但不限于贷前环节进行信用风险评估的企业，其中，待评估对象的多个指标可以为但不限于企业的公司结构、融资情况、对外投资情况、财务情况、营运资本情况、销售情况等。
此外，还需要说明的是，待评估对象的多个指标中并不是所有的指标均可作为待评估指标，只有满足一定条件的指标才能作为待评估指标来对待评估对象的风险进行评估。由此可见，处理器可以达到对待评估对象的指标进行降维的目的，进而达到简化数据处理步骤，提高数据处理效率的效果。另外，在从多个指标中确定了用于对待评估对象进行风险评估的指标之后，处理器还可以确定每个待评估指标的评分，从而使得待评估指标数量化，从而达到了减少人为因素对风险评估的干扰。
由上可知，通过输入设备获取待评估对象的多个指标，与输入设备连接的处理器从多个指标中确定用于进行风险评估的待评估指标，并确定待评估指标的评分，然后根据待评估指标的评分以及待评估指标的权重值构建风险模型，并基于风险模型确定待评估对象的风险值。与处理器连接的输出设备输出对待评估对象进行风险评估的结果。
容易注意到的是，从多个指标中确定出用于进行风险评估的指标，即从多个指标中选取对风险评估起到重要作用的指标，与传统的机器学习的分类器相比，可以得到对数据降维、简化数据处理步骤的目的，进而达到了提高数据处理效率的效果。另外，在得到待评估指标之后，对待评估指标的评分进行加权处理，使得对待评估对象的风向评估数值化，排除了人为因素对风险评估的干扰，进而提高了评估的准确性以及可靠性。
由此可见，本申请所提供的评估风险的方法可以达到对对象风险进行评估的目的，从而实现了提高风险评估的准确性的技术效果，进而解决了现有技术无法对对象的风险进行准确评估的技术问题。
在一种可选的实施例中，处理器还用于确定第一类对象对应的第一分布函数以及第二类对象对应的第二分布函数，其中，第一分布函数为第一类对象的第一指标的分布函数，第二分布函数为第二类对象的第二指标的分布函数；确定第一分布函数与第二分布函数不匹配时对应的第一指标为待评估指标。
在一种可选的实施例中，处理器还用于确定待评估指标的指标类型；根据待评估指标的类型确定待评估指标的评分。
在一种可选的实施例中，处理器还用于确定待评估指标在第一类对象中对应的第一中位数；确定待评估指标在第二类对象中对应的第二中位数；在第一中位数大于第二中位数的情况下，确定待评估指标的类型为正向指标；在第一中位数小于等于第二中位数的情况下，确定待评估指标的类型为负向指标。
在一种可选的实施例中，处理器还用于根据待评估指标的指标类型确定待评估指标的排名；根据排名确定待评估指标的评分。
在一种可选的实施例中，处理器还用于根据风险模型得到的待评估指标的评分确定待评估指标的权重值；基于待评估指标的权重值对待评估指标的评分进行加权求和，得到风险值。
实施例4
根据本发明实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，其中，程序执行实施例1中的基于信用卡审批场景的风险建模方法。
实施例5
根据本发明实施例的另一方面，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行实施例1中的基于信用卡审批场景的风险建模方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。