个人金融信用的量化评估方法、装置、系统及存储介质与流程

本发明涉及信用评估领域，尤其涉及一种个人金融信用的量化评估方法、装置、系统及存储介质。

背景技术

目前，各机构进行金融信用评估时，首先对金融相关数据进行挖掘，选取与金融信用逾期相关性高的变量，再对变量进行机器学习，得到个人金融信用评估的结果。

然而，上述方法具有以下缺点：

1.对于金融信用相关数据的深加工构造比较简单，未能充分挖掘数据的信息价值(iv，informationvalue)，信息价值是用来衡量信息的预测能力的参数。

2.未能有效度量金融信用相关数据与金融信用逾期之间的数量关系。

3.建模算法单一，未能集成各算法的优势。

因此，上述方法所评估的金融信用结果准确度较低。

技术实现要素：

本发明的主要目的在于提供一种个人金融信用的量化评估方法、装置、系统及存储介质，旨在解决现有技术中无法较准确地对个人进行金融信用评估的技术问题。

为实现上述目的，本发明提供一种个人金融信用的量化评估方法，所述方法包括以下步骤：

采集个人的当前金融信用相关数据，在所述当前金融信用相关数据中提取当前目标变量；

将所述当前目标变量分别输入多个不同种类的预设模型中，获取各预设模型输出的当前金融信用分值；

根据各预设模型的权重和各预设模型输出的当前金融信用分值确定所述个人的目标金融信用分值。

优选地，所述将所述当前目标变量分别输入若干预设模型中，获取各预设模型输出的当前金融信用分值之前，所述方法还包括：

获取样本目标变量和对应的样本金融信用表现数据；

建立多个不同种类的金融信用模型，根据所述样本目标变量和所述样本金融信用表现数据对各金融信用模型分别进行训练，获得各预设模型。

优选地，所述获取样本目标变量和对应的样本金融信用表现数据之前，所述方法还包括：

采集样本金融信用相关数据，根据所述样本金融信用相关数据获取候选变量；

计算所述候选变量的目标信息价值，根据所述目标信息价值在所述候选变量中筛选样本目标变量。

优选地，所述计算所述候选变量的目标信息价值，根据所述目标信息价值在所述候选变量中筛选样本目标变量，具体包括：

根据所述候选变量的取值对所述候选变量进行分组；

在各组内，计算所述候选变量的证据权重，并根据所述证据权重计算所述候选变量的子信息价值；

对所述子信息价值进行求和，获得所述候选变量的目标信息价值；

按从大到小的顺序对所有候选变量的目标信息价值进行排序，选取前预设数目的候选变量作为样本目标变量。

优选地，所述候选变量包括：候选基础变量和候选衍生变量；

相应地，所述采集样本金融信用相关数据，根据所述样本金融信用相关数据获取候选变量，具体包括：

采集样本金融信用相关数据，根据所述样本金融信用相关数据获取候选基础变量，并根据所述候选基础变量获取候选衍生变量。

优选地，所述候选衍生变量包括：统计学衍生变量和数学运算衍生变量。

优选地，所述根据各预设模型的权重和各预设模型输出的当前金融信用分值确定所述个人的目标金融信用分值，具体包括：

根据各预设模型的准确性权重、稳定性权重和各预设模型输出的当前金融信用分值确定所述个人的目标金融信用分值。

此外，为实现上述目的，本发明还提供一种个人金融信用的量化评估装置，所述装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的个人金融信用的量化评估程序，所述个人金融信用的量化评估程序被所述处理器执行时实现如上述个人金融信用的量化评估方法的步骤。

此外，为实现上述目的，本发明还提供一种个人金融信用的量化评估系统，所述个人金融信用的量化评估系统包括：采集模块、获取模块与计算模块；

所述采集模块，用于采集个人的当前金融信用相关数据，在所述当前金融信用相关数据中提取当前目标变量；

所述获取模块，用于将所述当前目标变量分别输入多个不同种类的预设模型中，获取各预设模型输出的当前金融信用分值；

所述计算模块，用于根据各预设模型的权重和各预设模型输出的当前金融信用分值确定所述个人的目标金融信用分值。

此外，为实现上述目的，本发明还提供一种存储介质，所述存储介质上存储有个人金融信用的量化评估程序，所述个人金融信用的量化评估程序被处理器执行时实现如上述个人金融信用的量化评估方法的步骤。

在本发明中，通过采集个人的当前金融信用相关数据，在所述当前金融信用相关数据中提取当前目标变量；将所述当前目标变量分别输入多个不同种类的预设模型中，获取各预设模型输出的当前金融信用分值；根据各预设模型的权重和各预设模型输出的当前金融信用分值确定所述个人的目标金融信用分值。由于使用了与个人金融信用相关性较高的目标变量，从根本上提高金融信用评估的准确度，通过多个不同种类的预设模型对目标变量对应的金融信用分值进行预测，将预测结果进行加权，获得目标金融信用分值，具有准确性与稳定性统筹兼顾的效果。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的个人金融信用的量化评估装置结构示意图；

图2为本发明个人金融信用的量化评估方法第一实施例的流程示意图；

图3为本发明个人金融信用的量化评估方法第二实施例的流程示意图；

图4为本发明个人金融信用的量化评估方法第三实施例的流程示意图；

图5为本发明个人金融信用的量化评估系统第一实施例的功能模块图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的个人金融信用的量化评估装置结构示意图。

如图1所示，所述个人金融信用的量化评估装置可以包括：处理器1001，例如cpu，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储服务器。

本领域技术人员可以理解，图1中示出的结构并不构成对所述个人金融信用的量化评估装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及个人金融信用的量化评估程序。

所述个人金融信用的量化评估装置通过处理器1001调用存储器1005中存储的个人金融信用的量化评估程序，并执行以下操作：

采集个人的当前金融信用相关数据，在所述当前金融信用相关数据中提取当前目标变量；

将所述当前目标变量分别输入多个不同种类的预设模型中，获取各预设模型输出的当前金融信用分值；

根据各预设模型的权重和各预设模型输出的当前金融信用分值确定所述个人的目标金融信用分值。

进一步地，处理器1001可以调用存储器1005中存储的个人金融信用的量化评估程序，还执行以下操作：

获取样本目标变量和对应的样本金融信用表现数据；

建立多个不同种类的金融信用模型，根据所述样本目标变量和所述样本金融信用表现数据对各金融信用模型分别进行训练，获得各预设模型。

进一步地，处理器1001可以调用存储器1005中存储的个人金融信用的量化评估程序，还执行以下操作：

采集样本金融信用相关数据，根据所述样本金融信用相关数据获取候选变量；

计算所述候选变量的目标信息价值，根据所述目标信息价值在所述候选变量中筛选样本目标变量。

进一步地，处理器1001可以调用存储器1005中存储的个人金融信用的量化评估程序，还执行以下操作：

根据所述候选变量的取值对所述候选变量进行分组；

在各组内，计算所述候选变量的证据权重，并根据所述证据权重计算所述候选变量的子信息价值；

对所述子信息价值进行求和，获得所述候选变量的目标信息价值；

按从大到小的顺序对所有候选变量的目标信息价值进行排序，选取前预设数目的候选变量作为样本目标变量。

进一步地，处理器1001可以调用存储器1005中存储的个人金融信用的量化评估程序，还执行以下操作：

采集样本金融信用相关数据，根据所述样本金融信用相关数据获取候选基础变量，并根据所述候选基础变量获取候选衍生变量。

进一步地，处理器1001可以调用存储器1005中存储的个人金融信用的量化评估程序，还执行以下操作：

根据各预设模型的准确性权重、稳定性权重和各预设模型输出的当前金融信用分值确定所述个人的目标金融信用分值。

在本实施例中，通过采集个人的当前金融信用相关数据，在所述当前金融信用相关数据中提取当前目标变量；将所述当前目标变量分别输入多个不同种类的预设模型中，获取各预设模型输出的当前金融信用分值；根据各预设模型的权重和各预设模型输出的当前金融信用分值确定所述个人的目标金融信用分值。由于使用了与个人金融信用相关性较高的目标变量，从根本上提高金融信用评估的准确度，通过多个不同种类的预设模型对目标变量对应的金融信用分值进行预测，将预测结果进行加权，获得目标金融信用分值，具有准确性与稳定性统筹兼顾的效果。

基于上述硬件结构，提出本发明个人金融信用的量化评估方法的实施例。

参照图2，图2为本发明个人金融信用的量化评估方法第一实施例的流程示意图。

在第一实施例中，所述个人金融信用的量化评估方法包括以下步骤：

步骤s10：采集个人的当前金融信用相关数据，在所述当前金融信用相关数据中提取当前目标变量。

需要说明的是，金融信用相关数据为与个人金融信用相关的数据，所述当前金融信用相关数据为涉及到所述个人的金融信用相关数据，比如通话数据，消费数据等，本实施例对此不加以限制；目标变量为与个人金融信用相关性高的变量，比如漫游次数等；所述当前目标变量为所述个人的目标变量，比如个人的当前漫游次数等。从金融信用相关数据中可提取目标变量，因此，将采集个人的当前金融信用相关数据，并从所述当前金融信用相关数据中提取当前目标变量。

在具体实现中，以个人的通话数据为例进行说明，采集个人的当前金融信用相关数据，即采集个人的通话数据，包括日通话时长、日消费额、日主叫次数以及是否漫游等等，根据该当前金融信用相关数据提取当前目标变量，比如：通信消费额、漫游次数、个人观察期主叫次数、个人观察期漫游天数、观察期单月最大漫游天数、观察期单月最小漫游天数以及观察期单月通话总时长等等。

步骤s20：将所述当前目标变量分别输入多个不同种类的预设模型中，获取各预设模型输出的当前金融信用分值。

可以理解的是，为了提高金融信用评估的准确性，本实施例采用多个不同的预设模型进行预测，所述预设模型基于感知器型的模型算法如：逻辑回归、支持向量机以及基于决策树型的模型算法如：随机森林、xgboost进行构造。在通过预设模型进行预测之前，需通过若干样本对各模型进行训练，所述样本包含目标变量与金融信用表现数据的映射关系，所述金融信用表现数据包括但不限于欺诈、非欺诈、伪冒、非伪冒、逾期及非逾期等；当各模型训练完毕之后，在各模型中输入当前目标变量，从而输出预测的当前金融信用分值。

在具体实现中，以当前目标变量为通信消费额、漫游次数为例进行说明，将所述通信消费额、漫游次数分别输入至多个不同种类的预设模型中，获取各预设模型输出的当前金融信用分值，例如第一预设模型输出90分，第二预设模型输出85分，第三预设模型输出89分等等。

步骤s30：根据各预设模型的权重和各预设模型输出的当前金融信用分值确定所述个人的目标金融信用分值。

需要说明的是，所述各预设模型的权重为每一预设模型在所有预设模型中的相对重要程度，各预设模型的权重总和为1，根据各预设模型的权重和各预设模型输出的当前金融信用分值确定所述个人的目标金融信用分值，相比于单一模型，通过多个不同种类的预设模型所得的金融信用分值更具普适性。

在具体实现中，将各预设模型的权重与该预设模型输出的当前金融信用分值进行乘法运算，并将所得的乘积进行求和运算，将求和结果作为所述个人的目标金融信用分值。

在本实施例中，通过采集个人的当前金融信用相关数据，在所述当前金融信用相关数据中提取当前目标变量；将所述当前目标变量分别输入多个不同种类的预设模型中，获取各预设模型输出的当前金融信用分值；根据各预设模型的权重和各预设模型输出的当前金融信用分值确定所述个人的目标金融信用分值。由于使用了与个人金融信用相关性较高的目标变量，从根本上提高金融信用评估的准确度，通过多个不同种类的预设模型对目标变量对应的金融信用分值进行预测，将预测结果进行加权，获得目标金融信用分值，具有准确性与稳定性统筹兼顾的效果。

参照图3，图3为本发明个人金融信用的量化评估方法第二实施例的流程示意图，基于上述图2所示的实施例，提出本发明个人金融信用的量化评估方法的第二实施例。

在第二实施例中，所述步骤s10之前，所述方法还包括：

步骤s101：获取样本目标变量和对应的样本金融信用表现数据。

步骤s102：建立多个不同种类的金融信用模型，根据所述样本目标变量和所述样本金融信用表现数据对各金融信用模型分别进行训练，获得各预设模型。

需要说明的是，所述样本金融信用表现数据包括但不限于欺诈、非欺诈、伪冒、非伪冒、逾期及非逾期等个人金融信用表现，建立多个不同种类的金融信用模型，根据样本目标变量和样本金融信用表现数据对各金融信用模型分别进行训练，逐步调整各金融信用模型的预测参数，达到一定的准确率之后，获得各金融信用模型对应的各预设模型。

在具体实现中，将所述样本目标变量和样本金融信用表现数据输入至各金融信用模型中，当经过大量样本进行训练之后，将获取准确度较高的预设模型。

进一步地，所述步骤s101之前，所述方法还包括：

步骤s01：采集样本金融信用相关数据，根据所述样本金融信用相关数据获取候选变量。

步骤s02：计算所述候选变量的目标信息价值，根据所述目标信息价值在所述候选变量中筛选样本目标变量。

可以理解的是，金融信用相关数据为与个人金融信用相关的数据，所述样本金融信用相关数据为涉及到样本个人的金融信用相关数据，比如通话数据，消费数据等，本实施例对此不加以限制；目标变量为与个人金融信用相关性较高的变量，样本目标变量为与样本金融信用相关性高的变量，在本实施例中，为了选取出所述样本目标变量，将预先从金融信用相关数据中获取大量候选变量，从所述候选变量中筛选出与个人金融信用相关性较高的变量作为样本目标变量。信息价值是用来衡量信息的预测能力的参数，所述目标信息价值为所述候选变量的信息价值，目标信息价值越高，其对应的候选变量与个人金融信用的相关性越高，因此，将选取目标信息价值较高的若干候选变量作为所述样本目标变量。

在具体实现中，以手机用户为例进行说明，采集样本金融信用相关数据，包括但不限于：日通话时长、日消费额、日主叫次数以及是否漫游等等。根据所述样本金融信用相关数据获取候选变量，该候选变量包括但不限于：通信消费额、个人观察期主叫次数/被叫次数，观察期单月最大漫游天数，观察期单月最小漫游天数，观察期单月最大漫游天数-观察期单月最小漫游天数，观察期单月漫游天数的25％分位数，观察期单月漫游天数均值，观察期单月漫游天数方差，观察期单月漫游天数不为空的月份数、观察期单月通话总时长，观察期m1月通话时长-观察期m2月通话时长，观察期通话时长环比值等等。计算所述候选变量的目标信息价值，根据所述目标信息价值在所述候选变量中筛选信息价值较高的样本目标变量，所述样本目标变量可以是：通信消费额、漫游次数、个人观察期主叫次数、观察期单月最大漫游天数、观察期单月最小漫游天数以及观察期单月通话总时长等。

进一步地，所述步骤s02，具体包括：

根据所述候选变量的取值对所述候选变量进行分组。

在各组内，计算所述候选变量的证据权重，并根据所述证据权重计算所述候选变量的子信息价值。

对所述子信息价值进行求和，获得所述候选变量的目标信息价值。

按从大到小的顺序对所有候选变量的目标信息价值进行排序，选取前预设数目的候选变量作为样本目标变量。

需要说明的是，所述证据权重(woe，weightofevidence)，是对变量的一种编码形式，证据权重的计算公式为：

其中，pyi是这个组中响应用户(模型中预测变量取值为“是”或者说1的个体)占所有样本中所有响应用户的比例，pni是这个组中未响应用户占样本中所有未响应用户的比例，#yi是这个组中响应用户的数量，#ni是这个组中未响应用户的数量，#yt是样本中所有响应用户的数量，#nt是样本中所有未响应用户的数量。

可以理解的是，证据权重表示的实际上是“当前分组中响应用户占所有响应用户的比例”和“当前分组中没有响应的用户占所有没有响应的用户的比例”的差异。

进一步地，根据所述证据权重可以计算所述候选变量的子信息价值，其计算公式为：

因此，所述目标价值信息的计算公式为：

在具体实现中，计算出各候选变量的目标信息价值之后，按从大到小的顺序对所有候选变量的目标信息价值进行排序，选取前预设数目的候选变量作为样本目标变量。

在本实施例中，建立多个不同种类的金融信用模型，并通过大量样本对其进行训练，获得准确率高的预设模型，通过多个不同种类的模型预测所述个人的当前金融信用分值，提高了预测准确度和稳定性；通过计算候选变量的目标信息价值，在候选变量中筛选与个人金融信用相关性高的目标变量，高价值的变量胜过好的算法，从根本上提高金融信用评估的准确性和全面性。

参照图4，图4为本发明个人金融信用的量化评估方法第三实施例的流程示意图，基于上述图3所示的实施例，提出本发明个人金融信用的量化评估方法的第三实施例。

在本实施例中，所述候选变量包括：候选基础变量和候选衍生变量。

相应地，所述步骤s01，具体包括：

采集样本金融信用相关数据，根据所述样本金融信用相关数据获取候选基础变量，并根据所述候选基础变量获取候选衍生变量。

需要说明的是，所述候选基础变量为通过样本金融信用相关数据直接获得的候选变量，例如通信消费额、漫游天数，所述候选衍生变量为通过所述候选基础变量进行分析所得的候选变量，例如观察期单月最大漫游天数或观察期单月通话总时长。

进一步地，所述候选衍生变量包括：统计学衍生变量和数学运算衍生变量。

需要说明的是，所述统计学衍生变量为根据统计学方法从所述候选基础变量衍生而来的变量，例如观察期单月漫游天数均值，观察期单月漫游天数方差；所述数学运算衍生变量为根据数学运算从所述候选基础变量衍生而来的变量，例如观察期通话时长环比值，即观察期m2月通话时长/观察期m1月通话时长。通过基础变量衍生出上述各种衍生变量，充分发挥了数据的作用，提高了数据挖掘的有效性，从而提高后续金融信用评估的准确度。

进一步地，所述步骤s30，具体包括：

步骤s300：根据各预设模型的准确性权重、稳定性权重和各预设模型输出的当前金融信用分值确定所述个人的目标金融信用分值。

需要说明的是，所述准确性权重(k-s，kolmogrov-smirnov)表示预设模型的准确性，预设模型得出的违约样本召回曲线与非违约样本的召回曲线的间隔最大值即为该预设模型的准确性权重；所述稳定性权重(psi，populationstabilityindex)表示预设模型的稳定性，稳定性权重计算公式为：psi＝sum((实际占比-预期占比)*ln(实际占比/预期占比))。

在具体实现中，目标金融信用分值的计算公式为：

目标金融信用分值＝模型1分值*(模型1准确性权重+模型1稳定性权重)+模型2分值*(模型2准确性权重+模型2稳定性权重)+模型3分值*(模型3准确性权重+模型3稳定性权重)+模型4分值*(模型4准确性权重+模型4稳定性权重)。

其中：sum(模型i准确性权重+模型i稳定性权重)＝1。

可以理解的是，通过多种预设模型输出的当前金融信用分值进行准确性和稳定性加权集成的方式，得到个人的目标金融信用分值，获得了个人金融信用评估的量化结果，达到了准确性与稳定性统筹兼顾的效果。

在本实施例中，通过基础变量衍生出上述各种衍生变量，充分发挥了金融信用相关数据的作用，提高了数据挖掘的有效性，从而提高后续金融信用评估的准确度。通过多种预设模型输出的当前金融信用分值进行准确性和稳定性加权集成的方式，得到个人的目标金融信用分值，获得了个人金融信用评估的量化结果，达到了准确性与稳定性统筹兼顾的效果。

参照图5，图5为本发明个人金融信用的量化评估系统第一实施例的功能模块图，基于个人金融信用的量化评估方法，提出本发明个人金融信用的量化评估系统的第一实施例。

在本实施例中，所述个人金融信用的量化评估系统包括：采集模块10、获取模块20与计算模块30；

所述采集模块10，用于采集个人的当前金融信用相关数据，在所述当前金融信用相关数据中提取当前目标变量。

需要说明的是，金融信用相关数据为与个人金融信用相关的数据，所述当前金融信用相关数据为涉及到所述个人的金融信用相关数据，比如通话数据，消费数据等，本实施例对此不加以限制；目标变量为与个人金融信用相关性高的变量，比如漫游次数等；所述当前目标变量为所述个人的目标变量，比如个人的当月漫游次数等。从金融信用相关数据中可提取目标变量，因此，将采集个人的当前金融信用相关数据，并从所述当前金融信用相关数据中提取当前目标变量。

在具体实现中，以个人的通话数据为例进行说明，采集个人的当前金融信用相关数据，即采集个人的通话数据，包括日通话时长、日消费额、日主叫次数以及是否漫游等等，根据当前金融信用相关数据提取当前目标变量，比如：观察期通信消费额、观察期漫游次数、个人观察期主叫次数、个人观察期漫游天数、观察期单月最大漫游天数、观察期单月最小漫游天数以及观察期单月通话总时长等等。

所述获取模块20，用于将所述当前目标变量分别输入多个不同种类的预设模型中，获取各预设模型输出的当前金融信用分值。

可以理解的是，为了提高金融信用评估的准确性，本实施例采用多个不同的预设模型进行预测，所述预设模型基于感知器型的模型算法如：逻辑回归、支持向量机以及基于决策树型的模型算法如：随机森林、xgboost进行构造。在通过预设模型进行预测之前，需通过若干样本对各模型进行训练，所述样本包含目标变量与金融信用表现数据的映射关系；当各模型训练完毕之后，在各模型中输入当前目标变量，从而输出预测的当前金融信用分值。

在具体实现中，以当前目标变量为通信消费额、漫游次数为例进行说明，将所述通信消费额、漫游次数分别输入至多个不同种类的预设模型中，获取各预设模型输出的当前金融信用分值，例如第一预设模型输出90分，第二预设模型输出85分，第三预设模型输出89分等等。

所述计算模块30，用于根据各预设模型的权重和各预设模型输出的当前金融信用分值确定所述个人的目标金融信用分值。

需要说明的是，所述各预设模型的权重为每一预设模型在所有预设模型中的相对重要程度，各预设模型的权重总和为1，根据各预设模型的权重和各预设模型输出的当前金融信用分值确定所述个人的目标金融信用分值，相比于单一模型，通过多个不同种类的预设模型所得的金融信用分值更具普适性。

在具体实现中，将各预设模型的权重与该预设模型输出的当前金融信用分值进行乘法运算，并将所得的乘积进行求和运算，将求和结果作为所述个人的目标金融信用分值。

在本实施例中，通过采集个人的当前金融信用相关数据，在所述当前金融信用相关数据中提取当前目标变量；将所述当前目标变量分别输入多个不同种类的预设模型中，获取各预设模型输出的当前金融信用分值；根据各预设模型的权重和各预设模型输出的当前金融信用分值确定所述个人的目标金融信用分值。由于使用了与个人金融信用相关性高的目标变量，从根本上提高金融信用评估的准确度，通过多个不同种类的预设模型对目标变量对应的金融信用分值进行预测，将预测结果进行加权，获得目标金融信用分值，具有准确性与稳定性统筹兼顾的效果。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有个人金融信用的量化评估程序，所述个人金融信用的量化评估程序被处理器执行时实现如下操作：

采集个人的当前金融信用相关数据，在所述当前金融信用相关数据中提取当前目标变量；

将所述当前目标变量分别输入多个不同种类的预设模型中，获取各预设模型输出的当前金融信用分值；

根据各预设模型的权重和各预设模型输出的当前金融信用分值确定所述个人的目标金融信用分值。

进一步地，所述个人金融信用的量化评估程序被处理器执行时还实现如下操作：

获取样本目标变量和对应的金融信用分值；

建立多个不同种类的金融信用模型，根据所述样本目标变量和所述样本金融信用表现数据对各金融信用模型分别进行训练，获得各预设模型。

进一步地，所述个人金融信用的量化评估程序被处理器执行时还实现如下操作：

采集样本金融信用相关数据，根据所述样本金融信用相关数据获取候选变量；

计算所述候选变量的目标信息价值，根据所述目标信息价值在所述候选变量中筛选样本目标变量。

进一步地，所述个人金融信用的量化评估程序被处理器执行时还实现如下操作：

根据所述候选变量的取值对所述候选变量进行分组；

在各组内，计算所述候选变量的证据权重，并根据所述证据权重计算所述候选变量的子信息价值；

对所述子信息价值进行求和，获得所述候选变量的目标信息价值；

按从大到小的顺序对所有候选变量的目标信息价值进行排序，选取前预设数目的候选变量作为样本目标变量。

进一步地，所述个人金融信用的量化评估程序被处理器执行时还实现如下操作：

采集样本金融信用相关数据，根据所述样本金融信用相关数据获取候选基础变量，并根据所述候选基础变量获取候选衍生变量。

进一步地，所述个人金融信用的量化评估程序被处理器执行时还实现如下操作：

根据各预设模型的准确性权重、稳定性权重和各预设模型输出的当前金融信用分值确定所述个人的目标金融信用分值。

在本实施例中，通过采集个人的当前金融信用相关数据，在所述当前金融信用相关数据中提取当前目标变量；将所述当前目标变量分别输入多个不同种类的预设模型中，获取各预设模型输出的当前金融信用分值；根据各预设模型的权重和各预设模型输出的当前金融信用分值确定所述个人的目标金融信用分值。由于使用了与个人金融信用相关性高的目标变量，从根本上提高金融信用评估的准确度，通过多个不同种类的预设模型对目标变量对应的金融信用分值进行预测，将预测结果进行加权，获得目标金融信用分值，具有准确性与稳定性统筹兼顾的效果。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

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。

单词第一、第二、以及第三等的使用不表示任何顺序，可将这些单词解释为名称。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。