本发明涉及金融技术领域，具体涉及一种基于用户信用动态评分的互联网金融放贷风险评估系统。
背景技术：
随着金融市场的日益开放，缺乏有效的风险管理机制已经成为许多商业银行面临的最大风险，所以金融风控下的个人信用评分对当代社会有着很重要的影响。
现在的信用评分系统主要是针对特定的数据源对其借贷人贷款信用进行评分，都是静态化的评分，针对新注入的数据源，现有的信用评分系统必须得重新建立模型进行计算，于是形成了信用评分预测结果单一化、不系统的局限性。
现在已有的信用评分系统存在着以下不足：现有的信用评分系统缺乏系统自动更新评分的功能，大多也是趋于静态的数据源对其个人借贷人进行信用评分，这就导致了商户所得信息不全面，会有所得信用评分单一、不准确的情况出现，于是在利用信用评分系统对其借款人进行贷款决策时容易出现判断错误，增大贷款风险。
技术实现要素：
本发明的目的是为了解决现有技术的不足，提供一种基于用户信用动态评分的互联网金融放贷风险评估系统。
本发明的目的是通过以下技术方案实现的：
一种基于用户信用动态评分的互联网金融放贷风险评估系统，包括数据动态生成模块、数据分析模块、模型自生成模块、信用动态评分模块和信用报表模块；
所述数据动态生成模块用于将实时更新源数据，并将源数据传入数据分析模块；
所述数据分析模块用于源数据的加载、源数据的处理、特征的提取和选择；
所述模型自生成模块用于分析后的数据流的实时训练，生成有效模型，并达到模型自动完善的功能；
所述信用动态评分模块用于实现动态的个人信用评分功能，实时展现个人评分，商户可进行静态时间段的评分查询；
所述信用报表模块用于实现自动生成动态评分趋势图，实时保存评分结果，打印及预览评分结果。
进一步，所述数据动态生成模块包括数据库，所述数据库连接商户的源数据，商户的源数据更新后，实时传送给数据动态生成模块，并存储在所述数据库中。
进一步，源数据传送给数据动态生成模块后，数据动态生成模块实时将更新的源数据传送给数据分析模块；数据分析模块实时进行源数据加载，并同时进行数据分析，及时提取源数据中可用样本，定义有效变量，提取针对性特征，将针对性特征转换为有效数据流导入模型自生成模块。
进一步，模型自生成模块接收到数据分析模块的实时有效信息后，随即进行数据训练，最终利用导入的数据流生成一个具有实时训练、不断自动完善学习功能的有效模型；通过所述模型预测用户接下来一段时间的数据，并生成模型预测结果数据。
进一步，将模型预测结果数据导入信用动态评分模块，对每个数据样本进行实时评分，记录个人信用评分并更新个人评分；通过界面可以向商户实时展现各个数据样本的信用评分以及评分的变化趋势，商户亦可对个人信用评分进行静态查询，提取个人信用评分信息。
进一步，信用动态评分模块将每个数据样本的个人信用评分结果发送给所述信用报表模块，所述信用报表模块自动将个人信用评分结果进行图形化展示，形成动态评分趋势图；商户可针对现实的商业情景对不同的借贷人进行多种信用场景的查询，所述信用报表模块最终生成可保存、打印的文本文件。
综上所述，由于采用了上述技术方案，本发明与现有技术相比，有以下优点：
本发明基于动态信用评分、模型自学习的理念，提出了一种能将最终评分动态实时展示的系统，提高了源数据利用率，增强了模型自学习能力，扩增了商户查询评分视野，减少了贷款风险，有效的降低了贷款损失。本发明能够避免大多数信用评分系统评分静态化、评分单一化的局限性，实现个人信用评分的多元化。债权人能够根据借款人各个时间点的评分、动态评分变化趋势等全面的实时的信息做出贷款抉择，减少贷款损失。
具体实施方式
下面对本发明的具体实施方式作进一步详细介绍。
本发明一种基于用户信用动态评分的互联网金融放贷风险评估系统，包括数据动态生成模块、数据分析模块、模型自生成模块、信用动态评分模块和信用报表模块。
本发明的数据动态生成模块用于将实时更新源数据，并将源数据传入数据分析模块；数据分析模块用于源数据的加载、源数据的处理、特征的提取和选择；模型自生成模块用于分析后的数据流的实时训练，生成有效模型，并达到模型自动完善的功能；信用动态评分模块用于实现动态的个人信用评分功能，实时展现个人评分，商户可进行静态时间段的评分查询；信用报表模块用于实现自动生成动态评分趋势图，实时保存评分结果，打印及预览评分结果。
本发明基于用户信用动态评分的互联网金融放贷风险评估系统的运行过程如下：
数据动态生成模块包括数据库，数据库连接商户的源数据，商户的源数据更新后，实时传送给数据动态生成模块，并存储在数据库中。
源数据传送给数据动态生成模块后，数据动态生成模块实时将更新的源数据传送给数据分析模块。数据分析模块实时进行源数据加载，并同时进行数据分析，及时提取源数据中可用样本，定义有效变量，提取针对性特征，将针对性特征转换为有效数据流导入模型自生成模块。
模型自生成模块接收到数据分析模块的实时有效信息后，随即进行数据训练，最终利用导入的数据流生成一个具有实时训练、不断自动完善学习功能的有效模型。
因为源数据的实时更新，利用普通的权重算法会导致机器模型在自主学习的过程中计算样本特征权重杂度太高，根本无法实现模型的自学习。经过动态学习后的权重占比是会发生变化的，但是总体都大致的满足于高斯型权重。
因此本发明提出新的权重算法，采用权重回传算法进行权重回传。
本发明提出的权重回传算法包括：
(1)源数据在更新之前模型会根据权重自动计算出每个特征相对应的参数值，但是在经历实时更新过程中，对应的特征值的权重也会实时出现变化。
(2)更新前个人特征权重为逻辑回归模型所计算出各特征相对于的参数，设为wi。
(3)数据源更新后，将更新的数据和现有的数据组合在一起，对模型特征权重进行调整，调整方式为w′i＝wi-θ*xi。其中w′i为更新后的权重，wi为更新前的权重，θ为超参数，可设定为0.01至0.1，xi表示更新后数据和现有数据组合在一起后的第i个特征的值。
通过所述模型预测用户接下来一段时间的数据，并生成模型预测结果数据。
将模型预测结果数据导入信用动态评分模块，对每个数据样本进行实时评分，记录个人信用评分并更新个人评分。通过界面可以向商户实时展现各个数据样本的信用评分以及评分的变化趋势，商户亦可通过页面操作对个人信用评分进行静态查询，提取不同时间段同一个借贷人、同一时间段不同借贷人或不同时间段同一借贷人等各种情况的信用评分信息。
信用动态评分模块将每个数据样本的个人信用评分结果发送给所述信用报表模块，所述信用报表模块自动将个人信用评分结果进行图形化展示，形成动态评分趋势图。商户可针对现实的商业情景对不同的借贷人进行多种信用场景的查询，信用报表模块最终生成可保存、打印的文本文件。
商业银行、债券投资者等债权人得到信用报表模块生成的文本文件(报表)后，根据所得的有效信息对借款人的信用信息进行分析，以做出最终的贷款抉择。
本发明解决了传统的信用评分系统评分静态化、评分单一化的局限性，创造出能够实时进行动态评分的数据导流系统，对债权人有着极大的使用价值。
以某银行5000借贷样本为例，下表代表了随机取出某些样本的动态评分分布。
采用本发明的系统，可以得到表中数据。如表中所示，cust_id表示针对的某个数据样本，后面的每列元素是对于这个样本进行动态评分的各个评分节点。从这个表中可以清楚的看到借款人每个静态时间段的信用评分，以及整个评分的动态变化趋势。
本发明具体有以下优点：
(1)本发明提供了一种实时的具有动态监控意义的信用评分系统，极大的增强了源数据提供预测能力的价值，满足了风控领域要求细致入微的放贷原则。
(2)避免了风控技术人员对新增源数据的实时操纵，对模型要求随时训练监控的场景，极大的减少了开发成本，提高了信用评分模型使用效率。
(3)不同于以往静态的、单节点的对借贷人进行观测，通过本发明，债权人可以全面系统的、动态的对借贷人的信用评分进行随时观测，避免了信用预测的唯一性，利于商户做出高效的贷款决策，减少损失。
(4)避免了特殊情况下个别借款人模型判断错误的可能性，如果遇到本发明的模型判断出某个借款人某一时段下个人信用评分高，但实际偿还能力弱或评价低的情景，若是静态单一的信用评分系统，借款人会因此做出错误的放款抉择。而本发明可通过一段时间轴去观察评分趋势，模型亦会自主训练，完善自身预测能力，借款人可根据很长一段时间轴去做出正确的放款抉择。
(5)本发明可以进行动态实时信用评分，比现有银行信用评分系统衍生出更多观测值，可有效且生动的反映出借款人的还款能力的变化状态，增强了信贷风控领域放贷把控的可解释性。
(6)本本发明的系统因为是动态信用评分，利用权重回传、模型自学习，可同时使用不同商户的源数据进行划分区间的同步评分。因为是动态观测，本发明赋予了信用评分极大的现实意义。
以上所述的实施例仅用于说明本发明的技术思想及特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，不能仅以本实施例来限定本发明的专利范围，即凡依本发明所揭示的精神所作的同等变化或修饰，仍落在本发明的专利范围内。