本发明涉及金融风险控制技术领域，特别涉及一种贷款风险监控系统及方法。
背景技术
所谓授信，是指金融机构、信用服务机构或者商业机构向借款人直接提供的资金，或者对借款人在有关经济活动中可能产生的赔偿、支付责任做出的保证方面的服务。以金融机构为例，其业务范围有两个方面：1、表内业务：包括贷款、贸易融资、票据融资、融资租赁、透支、各项垫款等。2、表外业务，包括票据承兑、开出信用证、保函、备用信用证、信用证保兑、债券发行担保、借款担保、有追索权的资产销售、未使用的不可撤消的贷款承诺等。因此，授信业务在本质上是以借贷业务为基础的各种金融基础产品和衍生产品的集合，也是金融服务业的主要业务内容。
目前市场上在授信贷款的过程中，需要事先评估企业信用和还款能力，银行再确定是否通过企业的贷款申请，现有技术一般通过人工对企业历史交易数据进行审核评定，根据用户的等级评定贷款额度，但是这样的评定机制相对简单、单一，用户等级很难真实反映用户的还贷能力，存在贷款风险隐患，无法对贷款风险进行提前预测。
而在用户在获得贷款后的使用期间，由于银行获取相关用户的贷款信息渠道少，银行就不能及时获取到用户使用该贷款的情况、经营状况、贷款用途是否符合贷款合同、是否出现各类不良记录等情况，信息更新的不及时，导致在贷款使用期结束后银行不能收回本息，造成不良贷款。
因此，目前亟需一种针对贷款前后整个流程的风险监控系统。
技术实现要素：
本发明意在提供一种贷款风险监控系统及方法，以能够实现对客户贷款前后整个流程的风险监控。
为解决上述技术问题，本发明提供的基础方案如下：
贷款风险监控系统，包括：
商户画像构建模块，用于收集用户相关的特征数据并建立用户画像；
授信额度评估模块，用于根据用户画像构建授信模型计算各用户的信用分数，将用户的信用分数划分分数段，并根据分数段决定贷款额度；
贷后风险监控模块：用于实时更新用户画像，并根据更新的用户画像构建贷后监控模型修改授信额度。
本发明的技术方案，通过商户画像构建模块收集用户相关的特征数据并建立用户画像，用户画像可包括商户在电子商务平台上的习惯下单时间、订单排名、商户类型、商户类型与采购商品匹配度、退单比例、互联网使用习惯和异常程度等，以全面呈现客户特征；授信额度评估模块根据用户画像构建授信模型计算各用户的信用分数，将用户的信用分数划分分数段，并根据分数段初步决定贷款额度，授信模型对商户的信用分数进行精细化评分，使各个商户之间的授信差距得到更加准确地计量，通过评分的方式有助于银行及时了解商户的还款能力，从而根据信用分数合理地设置授信额度，避免授信额度过高和对客户还款能力估计过高的情况，实现了授信风险的控制；在银行放款后，对贷款后的用户画像进行定期更新，主要包括对客户放款后的还款情况、逾期情况、异常交易指数、异常登录指数、最新多头贷款情况、最新手机使用情况等贷后指标进行定期更新的监控，将更新的用户画像作为新的指标构建贷后监控模型，有助于银行及时了解用户贷款后的异常行为，及时修改授信额度、授信期限和还款催收计划，达到对贷款前后全流程风险控制的效果。
进一步，所述授信额度评估模块包括：
贷款等级划分子模块：用于根据用户画像构建第一层信用评分模型对各用户进行信用评分，将评分得出的第一层信用分数划分分数段，并根据分数段划分贷款等级对用户进行筛选；
特征补充子模块：用于根据筛选通过后的用户的人行征信和第三方征信补充用户画像；
贷款额度确定子模块：根据补充后的用户画像构建第二层信用评分模型并计算筛选通过后的用户的第二层信用分数；将第二层信用分数划分分数段，并根据分数段确定筛选通过后的用户的贷款额度。
贷款等级划分子模块通过用户画像构建第一层信用评分模型对各用户进行信用评分，将评分得出的第一层信用分数划分分数段，并根据分数段划分贷款等级，例如，50～60分为划分为低分数段，60～70为中分数段，70～90为高分数段，根据分数段划分为高、中、低三个等级，银行通过处于高等和中等的商户的贷款申请，拒绝低等级的商户，实现了对商户的筛选，从而拒绝高风险贷款商户，更加合理的进行风险控制。
根据用户的人行征信和第三方征信补充用户画像，使用户画像更加有效、完整，根据补充后的用户画像构建第二层信用评分模型并计算各用户的第二层信用分数，实现对客户的信用进行精细化评分，再将各用户的第二层信用分数划分分数段，例如，将70～75分划分为第一分数段，75～80分划分为第二分数段，80～85分划分为第三分数段，85～90分划分为第四分数段，90～95分划分为第五分数段，根据不同分数段确定不同用户的授信额度，让客户授权额度得到合理的确定，减少授信额度过高和对客户还款能力估计过高的情况，进一步控制了贷款风险。
进一步，还包括：
数据收集加工模块，用于收集商户在电子商务平台上的交易数据，并对收集到的交易数据进行统一的标准化处理得到特征数据；还用于将特征数据发送给异常商户筛查模块；
异常商户筛查模块，用于根据特征数据构建商户的异常指标及通过异常指标建模，对可疑商户进行筛查。
通过数据收集加工模块收集商户在电子商务平台上的交易数据，并对收集到的交易数据进行统一的标准化处理，使交易数据按照完整地标准格式输出，有助于保证商户的行为画像、属性画像、异常商户筛查以及对商户授信评估的准确性；异常商户筛查模块将数据收集加工模块输出的所有特征数据构建商户的异常指标及通过异常指标建立异常检测模型，达到排出异常商户的目的，例如排除存在较大虚假交易可能的商户。
进一步，所述异常商户筛查模块包括：
异常指标构建子模块，用于将特征数据作为判断各项异常指标偏离标准值的基础；
异常系数确定子模块，用于使用数据挖掘和机器学习方法得出各项异常指标偏离标准值的异常系数，将各项异常系数加权求和计算得出各商户的总异常系数；
异常商户排除子模块，预先设置异常系数阈值，用于将各商户的总异常系数与异常系数阈值进行对比，并筛选出总异常系数小于异常系数阈值的商户。
运用数据挖掘和机器学习方法得出各项异常指标偏离标准值的异常系数，将各项异常系数加权求和计算得出各商户的总异常系数，从而可通过商户的总异常系数达到排出异常商户的目的。
本发明另一目的在于提供一种贷款风险监控方法，该方法基于以上系统，该方法包括以下步骤：
用户画像构建步骤：收集用户相关的特征数据并建立用户画像；
授信额度评估步骤：根据用户画像构建授信模型计算各用户的信用分数，将用户的信用分数划分分数段，并根据分数段决定贷款额度；
贷后风险监控步骤：实时更新用户画像，并根据更新的用户画像构建贷后监控模型修改授信额度。
进一步，授信额度评估步骤包括以下步骤：
s1：利用用户画像构建第一层信用评分模型对各用户进行信用评分，将评分得出的第一层信用分数划分分数段，并根据分数段划分贷款等级对用户进行筛选；
s2：根据筛选通过后的用户的人行征信和第三方征信补充用户画像；
s3：根据补充后的用户画像构建第二层信用评分模型并计算筛选通过后的用户的第二层信用分数，将第二层信用分数划分分数段，并根据分数段确定筛选通过后的用户的贷款额度。
进一步，所述商户画像构建步骤之前还包括：
数据收集加工步骤：收集商户在电子商务平台上的交易数据，并对收集到的交易数据进行统一的标准化处理得到特征数据；
异常商户筛查步骤：根据特征数据构建商户的异常指标及通过异常指标建模，对可疑商户进行筛查。
进一步，所述异常商户筛查步骤具体包括：
s4：以特征数据作为判断各项异常指标偏离标准值的基础；
s5：使用数据挖掘和机器学习方法得出各项异常指标偏离标准值的异常系数，将各项异常系数加权求和计算得出各商户的总异常系数；
s6：通过预先设置异常系数阈值，筛选出总异常系数小于异常系数阈值的商户。
附图说明
图1为本发明贷款风险监控系统实施例的示意性框图；
图2为本发明贷款风险监控方法实施例的流程图。
具体实施方式
下面通过具体实施方式进一步详细说明：
如图1所示，本发明贷款风险监控系统，包括：
数据收集加工模块，用于收集商户在电子商务平台上的交易数据，并对收集到的交易数据进行统一的标准化处理得到特征数据；还用于将特征数据发送给异常商户筛查模块；
异常商户筛查模块，用于根据特征数据构建商户的异常指标及通过异常指标建模，对可疑商户进行筛查。
商户画像构建模块，用于收集用户相关的特征数据并建立用户画像；
授信额度评估模块，用于根据用户画像构建授信模型计算各用户的信用分数，将用户的信用分数划分分数段，并根据分数段决定贷款额度；
贷后风险监控模块：用于实时更新用户画像，并根据更新的用户画像构建贷后监控模型修改授信额度。
本实施例中，异常商户筛查模块包括：
异常指标构建子模块，用于将特征数据作为判断各项异常指标偏离标准值的基础；
异常系数确定子模块，用于使用数据挖掘和机器学习方法得出各项异常指标偏离标准值的异常系数，将各项异常系数加权求和计算得出各商户的总异常系数；
异常商户排除子模块，预先设置异常系数阈值，用于将各商户的总异常系数与异常系数阈值进行对比，并筛选出总异常系数小于异常系数阈值的商户。
授信额度评估模块包括：
贷款等级划分子模块：用于根据用户画像构建第一层信用评分模型对各用户进行信用评分，将评分得出的第一层信用分数划分分数段，并根据分数段划分贷款等级对用户进行筛选；
特征补充子模块：用于根据筛选通过后的用户的人行征信和第三方征信补充用户画像；
贷款额度确定子模块：根据补充后的用户画像构建第二层信用评分模型并计算筛选通过后的用户的第二层信用分数；将第二层信用分数划分分数段，并根据分数段确定筛选通过后的用户的贷款额度。
该贷款风险监控系统的具体过程为：
一、数据收集和加工
通过数据收集加工模块收集商户在电子商务平台上的交易数据，并对收集到的交易数据进行统一的标准化处理得到特征数据，还用于将特征数据发送给异常商户筛查模块，使交易数据按照完整地标准格式输出，有助于保证商户的行为画像、属性画像、异常商户筛查以及对商户授信评估的准确性；具体地，交易数据可包括商户在电子商务平台上的登录数据、采购数据、付款数据、注册数据。
二、异常客户筛查
异常商户筛查模块将数据收集加工模块输出的所有特征数据构建商户的异常指标及通过异常指标建立异常检测模型，具体地，异常指标构建子模块将特征数据作为判断各项异常指标偏离标准值的基础；异常系数确定子模块使用数据挖掘和机器学习方法得出各项异常指标偏离标准值的异常系数，异常指标包含异常登录次数、异常订单比例、订单量与商户类型不符合程度、订单量偏离商户历史水平等；具体地，使用数据挖掘和机器学习方法中的算法包括但不限于以下三种：使用k最近邻分类算法找出样本最邻近的样本类别来决定样本所属类别，将周围邻近样本对该样本的影响按照权重值大小与距离成反比的方式给予该样本不同的权重，最终进行回归；使用聚类算法，将样本分类，使同类样本同质性最大化同时不同类样本异质性较大；使用树型的决策树算法来划分每个属性的权重，同时发现离群点，去掉离群严重的部分；使用神经网络的算法来连接各神经元和进行权值划分。
以上三种算法都可以对商户和异常指标进行分类和异常识别，通过排除无法归类的异常指标部分，确定每项异常指标的异常系数，将各项异常系数加权求和计算得出各商户的总异常系数，异常商户排除子模块预先设置异常系数阈值，并能够将各商户的总异常系数与异常系数阈值进行对比，筛选出总异常系数小于异常系数阈值的商户，排除总异常系数大于异常系数阈值的商户，通过对商户总异常系数的计算，来决定是否将商户纳入之后的授信评分模型环节，达到了初次排出异常商户的目的，例如排除存在较大虚假交易可能的商户。
三、构建用户画像
通过商户画像构建模块收集商户行为画像和属性画像，行为画像和属性画像可包括商户类型、异常交易指数、异常登录指数、增长趋势、互联网使用习惯、平台依赖度、是否连锁、地区排名、地区同业排名等。
四、授信额度评估
1、构建第一层信用评分模型排除低分数商户
通过用户画像构建第一层信用评分模型对各用户进行信用评分，并根据第一层信用分数的高低对用户进行筛选，具体地，运用数据挖掘和机器学习算法将用户画像作为特征指标构建第一层评分卡模型计算各用户的第一层信用分数；将用户的第一层信用分数与预先设置的信用分数阈值进行对比，筛选出第一层信用分数高于信用分数阈值的用户，例如，信用分数阈值为70分，向70以上的用户发出贷款邀请，并排除掉70以下的用户，根据第一层信用分数可初步衡量用户的还款能力，从而拒绝高风险贷款的用户，更加合理的进行风险控制。
第一层评分卡模型建立的过程为：
建模使用的特征指标包括：商户类型、异常交易指数、异常登录指数、增长趋势、互联网使用习惯、平台依赖度、是否连锁、地区排名、地区同业排名等。所有建模的特征指标会根据该指标在模型中对好坏客户的区分能力来进行排列，优先选取预测能力最强和稳定性最强的10-16个指标用于建模。模型使用逻辑回归和决策树结合的算法。具体地，根据历史申请者借款额度和还款情况选取有周期性的好坏样本，定义好坏客户，根据信息量和群体稳定性指标值定义可用的10-16个变量，用逻辑回归和决策树开发模型，设置模型取舍点阈值，利用模型k－s检验值和接受者操作特征曲线对模型精确性稳定性进行评估，评估后对模型进行调整，调整直到模型k－s检验值和接受者操作特征曲线达到预期后生成评分卡，再根据评分卡给出每个用户的第一层信用分数。
2、构建第二层信用评分模型确定授信额度
对于第一层评分模型通过的用户，跑人行征信和第三方征信数据，根据用户的人行征信和第三方征信补充用户的行为和属性画像，得到补充的指标特征，具体可包括：企业主婚姻状况，教育情况，住房车辆抵押情况，身份证是否高风险区域，银行卡钱包位置，手机号码使用情况，当前贷款情况，是否多头借贷，是否涉诉，纳税情况等，使用户画像更加全面、完整，根据补充后的用户的行为和属性画像构建第二层信用评分模型并计算各用户的第二层信用分数；
第二层评分卡模型建立的过程为：将补充的特征指标和第一层评分模型已运用的特征指标结合在一起，根据所有特征指标在模型中对好坏客户的区分能力来进行重新排列，优先选取预测能力最强和稳定性最强的10-16个指标用于第二层评分模型建立。模型依然使用逻辑回归和决策树结合的算法，建立全过程基本步骤与第一层评分模型一致。得到的评分卡给出每个客户的第二层信用分数，并进行比第一层信用分数更为细致的分数段区分，例如本实施例划分的分数段为五个，将70～75分划分为第一分数段，75～80分划分为第二分数段，80～85分划分为第三分数段，85～90分划分为第四分数段，90～95分划分为第五分数段。
根据分数段的划分决定用户贷款额度和期限，具体地，分数段的高低和银行授予的额度成正比。同时，高分数段的客户得到比分数段低的客户更多的期限选项。从而让客户授权额度和期限得到合理的确定，减少授信额度过高和对客户还款能力估计过高的情况，进一步控制了贷款风险。
五、贷后风险监控
贷后监控模型构建的过程为：
在银行放款后，对贷款后的用户画像进行定期更新，主要包括对客户放款后的还款情况、逾期情况、异常交易指数、异常登录指数、最新多头贷款情况、最新手机使用情况等贷后指标进行定期更新，给所有贷后指标设置预警值，一旦客户的贷后指标触及到预警值，则会触发贷后预警，具体地，贷后预警分为两种程度，一种是情节较轻，对该类情况，修改客户授信额度、授信期限和还款计划；另一种是情节严重，对该类情况，对该客户冻结额度或提前催收还款。
将更新的用户画像作为贷后指标构建贷后监控模型，实现对贷款用户的监控，有助于银行及时了解用户贷款后的异常行为，及时修改授信额度、授信期限和还款催收计划，达到对贷款前后全流程风险控制的效果。
为了更清楚的阐述本发明的用于授信贷款的贷款等级评估系统的工作过程，本实施例中，还公开了一种贷款风险监控方法，该方法基于以上系统，如图2所示，该方法包括以下步骤：
数据收集加工步骤：收集商户在电子商务平台上的交易数据，并对收集到的交易数据进行统一的标准化处理得到特征数据；
异常商户筛查步骤：根据特征数据构建商户的异常指标及通过异常指标建模，对可疑商户进行筛查。
用户画像构建步骤：收集用户相关的特征数据并建立用户画像；
授信额度评估步骤：根据用户画像构建授信模型计算各用户的信用分数，将用户的信用分数划分分数段，并根据分数段决定贷款额度；
贷后风险监控步骤：实时更新用户画像，并根据更新的用户画像构建贷后监控模型修改授信额度。
本实施例中，授信额度评估步骤包括以下步骤：
s1：利用用户画像构建第一层信用评分模型对各用户进行信用评分，将评分得出的第一层信用分数划分分数段，并根据分数段划分贷款等级对用户进行筛选；
s2：根据筛选通过后的用户的人行征信和第三方征信补充用户画像；
s3：根据补充后的用户画像构建第二层信用评分模型并计算筛选通过后的用户的第二层信用分数，将第二层信用分数划分分数段，并根据分数段确定筛选通过后的用户的贷款额度。
异常商户筛查步骤具体包括：
s4：以特征数据作为判断各项异常指标偏离标准值的基础；
s5：使用数据挖掘和机器学习方法得出各项异常指标偏离标准值的异常系数，将各项异常系数加权求和计算得出各商户的总异常系数；
s6：通过预先设置异常系数阈值，筛选出总异常系数小于异常系数阈值的商户。
综上所述，本发明的有益效果在于：
一、在缺少用户上下游数据、仅凭用户在电子商务平台上的数据信息并结合第三方征信数据的情况下，构建了针对用户的行为和属性画像，全面呈现用户特征。
二、在第一层评分卡模型建模的过程中，优先选取预测能力最强和稳定性最强的10-16个指标用于建模，通过运用数据挖掘和机器学习算法，利用较少数据维度精确测算用户的信用分数，使各个客户间的信用差距得到更加准确的计量。
三、利用用户画像构建了异常检测模型、第一层信用评分模型，先通过异常检测模型排除高欺诈和低还款能力的异常客户，实现对用户的初步筛选；再利用第一层信用评分模型对用户的信用分数进行评分并对用户进行二次筛选，两次筛选实现对异常用户的全面检测，更加合理的控制了贷款风险。
四、使用第二层信用评分模型对用户的信用分数进行分数段划分，实现对不同分数段用户的额度量化，以信用分数为依据的分数段划分，让客户授权额度和期限得到合理的确定，减少银行对授信额度过高和对客户还款能力估计过高的情况，进一步实现对贷款风险的控制。
五、定时更新用户画像，结合贷后监控模型，及时检测贷后异常情况，及时修改客户额度和还款计划，达到对贷款前后全流程风险控制的效果。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。