一种应用于智慧银行的用户贷款风险预测方法与流程

本发明涉及一种应用于智慧银行的用户贷款风险预测方法。

背景技术：

在“互联网+”的驱使下，金融脱媒、利率市场化、非金融机构及互联网金融的异军突起迫使传统银行管理模式、业务运行模式及网点服务模式向直销银行、互联网银行、智慧银行等的转型。

早在2009年，ibm就率先提出智慧网点的理念，狭义上的智慧银行是指基于智能设备、自助机具等对网点布局改造升级，广义上的智慧银行则是利用成熟的智能技术和设备实现对银行传统的业务流程、经营模式、管理模式等的再造和重塑以提升服务效率和客户体验；伴随着以移动互联网、云计算、大数据等为代表的新一代信息技术的蓬勃发展，互联网金融正以一种独特的业态悄然形成。

在互联网金融领域，鉴于投资理财、借贷放款业务等消费类金融服务对象的额度小、人群大、周期短的特性被公认为是风险最高的细分领域，因此风险控制始终是这类业务的核心基础，传统金融行业的借贷需要用户提供资产资料，而互联网金融整合用户线下资产的同时也整合了用户的线上网络消费行为，依靠人工智能和大数据等技术主动收集、分析、整理各类金融数据，以便为用户提供更好的服务体验，为金融商家区别违约风险用户提供更全面的了解和评估。

技术实现要素：

针对上述存在的技术问题，本发明的目的是：提出了一种应用于智慧银行的用户贷款风险预测方法，提高了贷后管理工作效率、关键风险点的把握、风险识别的前瞻性、化解风险的能力。

本发明的技术解决方案是这样实现的：一种应用于智慧银行的用户贷款风险预测方法，包括如下步骤，步骤100，获取银行用户历史行为数据，线上数据以及线下数据；步骤101，对用户的历史行为数据预处理，清洗用户属性，通过工程化操作构建出包括基础特征、时序特征、业务特征、组合特征、离散特征以及其他数百维特征；步骤102，采用学习过程和特征选择过程是同时进行的方法，基于xgboost模型做特征选择，保留前n个特征；步骤103，建立randomforest、gbdt、xgboost、lightgbm四个模型，每个模型随机地将原始数据切分为5个互不相交且大小相同的子集，每次挑选其中的一份作为验证集，剩下的4份作为训练集，这样每一个子集都有机会作为训练集；步骤104，步骤103执行完毕之后，得到4个模型w1、w2、w3、w4；步骤105，根据用户历史行为数据对用户未来出现逾期的可能性做出预测；步骤106，输出用户逾期还款的可能性。

优选的，该方法使用docker容器部署，开发语言为python。

优选的，该方法采用k折交叉验证获取验证集。

由于上述技术方案的运用，本发明与现有技术相比具有下列优点：

本发明的一种应用于智慧银行的用户贷款风险预测方法，应用于智慧银行借贷风险预警平台中，此平台坚决摒弃“重贷轻管”的管理理念，提高贷后管理工作效率，把握关键风险点，提升风险识别前瞻性，提高风险化解能力。

附图说明

下面结合附图对本发明技术方案作进一步说明：

附图1为本发明的一种应用于智慧银行的用户贷款风险预测方法的运行流程图。

具体实施方式

下面结合附图来说明本发明。

如附图1所示为本发明所述的一种应用于智慧银行的用户贷款风险预测方法，包括如下步骤，步骤100，获取银行用户历史行为数据，线上数据以及线下数据；步骤101，对用户的历史行为数据预处理，清洗用户属性，通过工程化操作构建出包括基础特征、时序特征、业务特征、组合特征、离散特征以及其他数百维特征；步骤102，采用学习过程和特征选择过程是同时进行的方法，基于xgboost模型做特征选择，保留前n个特征；步骤103，建立randomforest、gbdt、xgboost、lightgbm四个模型，每个模型随机地将原始数据切分为5个互不相交且大小相同的子集，每次挑选其中的一份作为验证集，剩下的4份作为训练集，这样每一个子集都有机会作为训练集；步骤104，步骤103执行完毕之后，得到4个模型w1、w2、w3、w4；步骤105，根据用户历史行为数据对用户未来出现逾期的可能性做出预测；步骤106，输出用户逾期还款的可能性。

该方法使用docker容器部署，开发语言为python。

该方法采用k折交叉验证获取验证集。

本发明的一种应用于智慧银行的用户贷款风险预测方法，应用于智慧银行借贷风险预警平台中，此平台坚决摒弃“重贷轻管”的管理理念，提高贷后管理工作效率，把握关键风险点，提升风险识别前瞻性，提高风险化解能力。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围内。