一种用户授信方法、装置、电子设备与存储介质与流程

1.本技术一个或多个实施例涉及信贷领域，尤其涉及一种用户授信方法、装置、电子设备与存储介质。


背景技术：

2.授信是指授信机构为待授信的用户提供资金。
3.授信机构在收到待授信的用户的授信申请后，可以基于该待授信的用户对应的用户数据，利用贷款授信模型确定该用户是否为可授信用户，以及在确定该用户为可授信用户的情形下，确定该用户的授信额度和授信利率，以基于确定的授信额度与授信利率向所述用户贷款。
4.授信机构依靠为用户贷款授信获得收益，高收益可以促进授信机构的授信行为，从而促进社会发展。由此，需要一种用户授信方法，使机构长期收益最大化。


技术实现要素：

5.有鉴于此，本技术提出了一种用户授信方法。该方法可以包括：获取待授信的用户对应的用户数据；将所述用户数据输入贷款授信模型进行计算，得到所述用户对应的贷款授信结果；所述贷款授信模型包括以面向授信用户群体进行放贷后的财务风险指标达标为约束条件，以面向授信用户群体进行放贷的收益最大化为优化目标，并基于历史用户的用户数据周期性进行动态更新的人工智能模型；基于得到的贷款授信结果向所述用户贷款。
6.在一些实施例中，所述贷款授信模型包括以用户的信用评分、贷款授信额度和贷款授信利率为模型变量，以面向授信用户群体进行放贷后的财务风险指标达标为约束条件，以面向授信用户群体进行放贷的收益最大化为优化目标的人工智能模型；所述信用评分表征用户贷款违约的概率；所述贷款授信结果包括与用户的信用评分对应的贷款授信额度，以及与用户的信用评分对应的贷款授信利率。
7.在一些实施例中，所述贷款授信模型包括信用评估子模型，授信额度子模型以及授信利率子模型；所述信用评估子模型用于计算用户的信用评分；所述授信额度子模型用于计算与用户的信用评分对应的贷款授信额度；所述授信利率子模型用于计算与用户的信用评分对应的贷款授信利率；所述将所述用户数据输入贷款授信模型进行计算，得到所述用户对应的贷款授信结果，包括：将所述用户数据输入所述信用评估子模型，得到所述用户对应的信用评分；将所述信用评分分别输入所述授信额度子模型与所述授信利率子模型，得到与所述用户的信用评分对应的贷款授信额度与贷款授信利率。
8.在一些实施例中，所述信用评估子模型包括基于历史用户的用户数据训练出的评分卡模型；所述授信额度子模型包括基于历史用户的用户数据学习出的历史用户的信用评分和历史用户的贷款授信额度之间的数学关系；所述授信利率子模型包括基于历史用户的用户数据学习出的历史用户的信用评分和历史用户的贷款授信利率之间的数学关系。
9.在一些实施例中，所述财务风险指标包括财务不良率；所述财务风险指标达标，包
括：所述财务不良率低于预设阈值。
10.在一些实施例中，所述优化目标包括：利用所述信用评估子模型，所述授信额度子模型以及授信利率子模型，对基于历史用户数据得到的n个用户进行贷款，得到的人均贷款收益率最大化；所述约束条件包括：利用所述信用评估子模型，所述授信额度子模型以及授信利率子模型，对基于历史用户数据得到的n个用户进行贷款后，逾期还款金额与日均放贷余额之比低于所述预设阈值。
11.在一些实施例中，所述方法还包括：将所述用户的用户数据作为历史用户的用户数据添加至离线用户数据库；其中，所述离线用户数据库用于存储所述历史用户的用户数据。
12.本技术还提出一种用户授信装置，包括：获取模块，获取待授信的用户对应的用户数据；计算模块，将所述用户数据输入贷款授信模型进行计算，得到所述用户对应的贷款授信结果；所述贷款授信模型包括以面向授信用户群体进行放贷后的财务风险指标达标为约束条件，以面向授信用户群体进行放贷的收益最大化为优化目标，并基于历史用户的用户数据周期性进行动态更新的人工智能模型；贷款模块，基于得到的贷款授信结果向所述用户贷款。
13.在一些实施例中，所述贷款授信模型包括以用户的信用评分、贷款授信额度和贷款授信利率为模型变量，以面向授信用户群体进行放贷后的财务风险指标达标为约束条件，以面向授信用户群体进行放贷的收益最大化为优化目标的人工智能模型；所述信用评分表征用户贷款违约的概率；所述贷款授信结果包括与用户的信用评分对应的贷款授信额度，以及与用户的信用评分对应的贷款授信利率。
14.在一些实施例中，所述贷款授信模型包括信用评估子模型，授信额度子模型以及授信利率子模型；所述信用评估子模型用于计算用户的信用评分；所述授信额度子模型用于计算与用户的信用评分对应的贷款授信额度；所述授信利率子模型用于计算与用户的信用评分对应的贷款授信利率；所述计算模块，具体用于：将所述用户数据输入所述信用评估子模型，得到所述用户对应的信用评分；将所述信用评分分别输入所述授信额度子模型与所述授信利率子模型，得到与所述用户的信用评分对应的贷款授信额度与贷款授信利率。
15.在一些实施例中，所述信用评估子模型包括基于历史用户的用户数据训练出的评分卡模型；所述授信额度子模型包括基于历史用户的用户数据学习出的历史用户的信用评分和历史用户的贷款授信额度之间的数学关系；所述授信利率子模型包括基于历史用户的用户数据学习出的历史用户的信用评分和历史用户的贷款授信利率之间的数学关系。
16.在一些实施例中，所述财务风险指标包括财务不良率；所述财务风险指标达标，包括：所述财务不良率低于预设阈值。
17.在一些实施例中，所述优化目标包括：利用所述信用评估子模型，所述授信额度子模型以及授信利率子模型，对基于历史用户数据得到的n个用户进行贷款，得到的人均贷款收益率最大化；所述约束条件包括：利用所述信用评估子模型，所述授信额度子模型以及授信利率子模型，对基于历史用户数据得到的n个用户进行贷款后，逾期还款金额与日均放贷余额之比低于所述预设阈值。
18.在一些实施例中，所述装置还包括：添加模块，将所述用户的用户数据作为历史用户的用户数据添加至离线用户数据库；其中，所述离线用户数据库用于存储所述历史用户
的用户数据。
19.本技术还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器通过运行所述可执行指令以实现如前述任一实施例示出的用户授信方法。
20.本技术还提出一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于使处理器执行如前述任一实施例示出的用户授信方法。
21.在前述实施例示出的技术方案中至少包括以下技术效果：第一，可以利用历史用户数据对贷款授信模型进行更新，使得所述贷款授信模型可以达到的对授信用户进行放贷后获得的收益最大化，以及承担的财务风险指标达标，从而在利用该贷款授信模型确定待授信的用户的贷款授信结果，并基于贷款授信结果向待授信的用户贷款时，可以使授信机构在财务风险可控的情形下，收益最大化，提升机构长期收益，促进其可持续发展。
22.第二，可以通过周期性基于历史用户数据动态更新所述贷款授信模型，可以根据维护的历史数据定期对贷款授信模型做出最优化更新，以使授信机构收益可以时刻保持最优。
23.第三，可以利用历史用户真实的授信数据进行进行模型优化更新，从而可以结合历史信贷数据对授信机构的真实影响，做出更贴合历史情形的模型优化，进而使优化的贷款授信模型更加贴合真实情况。
24.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
25.为了更清楚地说明本技术一个或多个实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术一个或多个实施例中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
26.图1为本技术示出的一种用户授信方法的方法流程图；图2为本技术示出的一种更新贷款授信模型的方法的方法流程图；图3为本技术示出的一种贷款授信流程示意图；图4为本技术示出的一种用户授信装置的结构示意图；图5为本技术示出的一种电子设备的硬件结构示意图。
具体实施方式
27.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施例并不代表与本技术一个或多个实施例相一致的所有实施例。相反，它们仅是与如所附权利要求书中所详述的、本技术一个或多个实施例的一些方面相一致的装置和方法的例子。
28.需要说明的是：在其他实施例中并不一定按照本技术示出和描述的顺序来执行相
应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本技术所描述的更多或更少。此外，本技术中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本技术中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
29.有鉴于此，本技术提供了一种授信方法。该方法可以定期利用维护的历史用户数据对贷款授信模型进行更新，使得所述贷款授信模型可以面向授信用户进行放贷后获得的收益最大化，以及承担的财务风险指标达标，从而一方面，可以定期对贷款授信模型做出最优化更新，以使授信机构收益可以时刻保持最优；另一方面可以在利用该贷款授信模型确定用户的贷款授信结果，并基于贷款授信结果向待授信的用户贷款时，使授信机构在财务风险可控的情形下，收益最大化，从而提升机构长期收益，促进其可持续发展。
30.所述方法可以应用于与信贷机构对应的电子设备中。所述电子设备可以通过搭载与授信方法对应的软件装置执行所述方法。所述电子设备的类型可以是笔记本电脑，计算机，服务器，手机，pad终端等。本技术不对所述电子设备的具体类型进行特别限定。可以理解的是，所述电子设备可以是客户端或服务端一侧的设备。所述服务端可以是由服务器、服务器集群或分布式服务器集群提供的服务端或云端。以下以执行主体为电子设备（以下简称设备）为例进行说明。
31.请参见图1，图1为本技术示出的一种用户授信方法的方法流程图。
32.如图1所示，所述方法可以包括s102
‑
s106。
33.其中，s102，获取待授信的用户对应的用户数据。
34.所述待授信的用户，是指具有授信需求的用户。在一些实施例中，可以通过由业务推广平台引流待授信的用户进行授信申请。
35.所述用户数据可以包括用户基础数据，行为数据，信贷数据等。其中基础数据可以包括年龄，工作，资产等数据。行为数据可以包括消费数据。信贷数据可以包括贷款，还款等数据。通过所述用户数据可以进行信贷评分。
36.在一些实施例中，待授信的用户通过机构提供的用户客户端可以向机构发起授信申请。其中，响应于用户发起授信申请，可以将待授信的用户对应的用户数据发送至机构。该机构对应的电子设备可以获取用户客户端发送的用户数据。
37.s104，将将所述用户数据输入贷款授信模型进行计算，得到所述用户对应的贷款授信结果；其中，所述贷款授信模型包括以面向授信用户群体进行放贷后的财务风险指标达标为约束条件，以面向授信用户群体进行放贷的收益最大化为优化目标，并基于历史用户的用户数据周期性进行动态更新的人工智能模型。
38.所述贷款授信模型，可以周期性基于历史用户数据进行动态更新。其中，所述贷款授信模型包括以面向授信用户群体进行放贷后的财务风险指标达标为约束条件，以面向授信用户群体进行放贷的收益最大化为优化目标，并基于历史用户的用户数据周期性进行动态更新的人工智能模型。
39.所述财务风险指标可以表征向待授信用户放贷后，机构可能承担的损失。财务风险指标达标可以是指向待授信用户放贷后，机构可能承担的损失低于预设的数值。
40.在一些实施例中，可以利用所述贷款授信模型包括的模型参数构建动态优化模型。所述动态优化模型一方面，可以利用所述模型参数，根据针对历史用户数据，确定对历
史用户进行放贷后获得的收益，另一方面可以利用所述模型参数，根据针对历史用户数据，确定对历史用户进行放贷后承担的财务风险。
41.在一些实施例中，在进行贷款授信模型更新时，可以获取历史用户对应的历史用户数据，然后将所述历史用户数据输入所述动态优化模型，得到对历史用户进行放贷后获得的收益，以及对历史用户进行放贷后承担的财务风险。然后可以不断调整所述动态优化模型的模型参数，直至满足预设的两个约束条件，即收益最大化和财务风险低于预设阈值。之后可以将所述动态优化模型当前的模型参数，确定为所述贷款授信模型的模型参数，完成针对贷款授信模型的参数更新。所述贷款授信模型用于基于待授信的用户的用户数据，输出针对待授信的用户的贷款授信结果。在一些实施例中，所述贷款授信模型包括以用户的信用评分、贷款授信额度和贷款授信利率为模型变量，以面向授信用户群体进行放贷后的财务风险指标达标为约束条件，以面向授信用户群体进行放贷的收益最大化为优化目标的人工智能模型；所述信用评分表征用户贷款违约的概率；所述贷款授信结果包括与用户的信用评分对应的贷款授信额度，以及与用户的信用评分对应的贷款授信利率信用评估子模型授信额度子模型授信利率子模型。由此采用用户的信用评分、贷款授信额度和贷款授信利率为所述贷款授信模型的模型变量，可以提升对用户的贷款授信准确性。
42.在一些实施例中，所述贷款授信模型包括信用评估子模型，授信额度子模型以及授信利率子模型；所述信用评估子模型用于计算用户的信用评分；所述授信额度子模型用于计算与用户的信用评分对应的贷款授信额度；所述授信利率子模型用于计算与用户的信用评分对应的贷款授信利率。
43.在执行s104时，可以将所述用户数据输入所述信用评估子模型，得到所述用户对应的信用评分。然后可以将所述信用评分分别输入所述授信额度子模型与所述授信利率子模型，得到与所述用户的信用评分对应的贷款授信额度与贷款授信利率。
44.所述信用评估子模型，可以基于待授信的用户的用户数据，输出针对待授信的用户的用户评分。所述用户评分可以反映用户贷款违约的概率，也即待授信的用户的可信程度。在一些实施例中，所述信用评估子模型可以包括用户数据与用户评分的映射关系，所述映射关系可以是线性或非线性映射关系。根据待授信的用户的用户数据，可以映射得到待授信的用户的用户评分。在一些实施例中，在得到用户评分后，可以确定用户评分是否达到评分阈值，如果达到，可以确定待授信的用户为可授信用户。
45.所述授信额度子模型，用于基于待授信的用户的用户评分，输出针对待授信的用户的授信额度。所述授信额度指示机构授予用户的贷款额度。授予的贷款额度越高，用户可以贷款的金额越大。
46.在一些实施例中，所述授信额度子模型可以包括授信额度表。该表可以维护用户授信等级与授信额度之间的对应关系。在一些实施例中，可以根据待授信的用户的用户评分确定用户授信等级，然后可以根据确定的用户授信等级，查询所述授信额度表，以确定待授信的用户的授信额度。
47.所述授信利率子模型，用于基于待授信的用户的用户评分，输出针对待授信的用户的授信利率。所述授信利率指示机构授予用户的贷款利率。贷款利率越低，用户需还款的金额越低。
48.在一些实施例中，所述授信利率子模型可以包括授信利率表。该表可以维护用户
授信等级与授信利率之间的对应关系。在一些实施例中，可以根据待授信的用户的用户评分确定用户授信等级，然后可以根据确定的用户授信等级，查询所述授信利率表，以确定待授信的用户的授信利率。
49.s106，基于得到的贷款授信结果向所述用户贷款。在一些实施例中，在执行s106时，可以基于s104得到的待授信的用户的授信利率与授信额度，向所述用户进行贷款。
50.在所述方案中，一方面，可以利用历史用户数据对贷款授信模型进行更新，使得所述贷款授信模型可以面向授信用户进行放贷后获得的收益最大化，以及承担的财务风险指标达标，从而在利用该贷款授信模型确定待授信的用户的贷款授信结果，并基于贷款授信结果向待授信的用户贷款时，可以使授信机构在财务风险可控的情形下，收益最大化，从而提升机构长期收益，促进其可持续发展。
51.另一方面，通过周期性基于历史用户数据动态更新所述贷款授信模型，可以根据维护的历史数据定期对贷款授信模型做出最优化更新，以使授信机构收益可以时刻保持最优。
52.在一些实施例中，所述机构对应的设备还可以包括离线用户数据库。所述离线用户数据库用于存储历史用户的用户数据。所述设备在完成针对待授信的用户的授信后，还可以将所述用户的用户数据作为历史用户的用户数据添加至离线用户数据库，以进行数据统计，进而便于利用历史用户数据对贷款授信模型进行优化更新。
53.在一些实施例中，所述财务风险包括财务不良率。所述财务风险达标包括所述财务不良率低于预设阈值。所述财务不良率可以用于衡量授信机构的年化损失。通过财务不良率可以准确表征机构放贷后可能承担的财务风险，提升贷款授信模型优化效果。
54.在一些实施例中，对所述贷款授信模型的优化目标可以包括：利用所述信用评估子模型，所述授信额度子模型以及授信利率子模型，对基于历史用户数据得到的n个用户进行贷款，得到的人均贷款收益率最大化。
55.对所述贷款授信模型的约束条件可以包括：利用所述信用评估子模型，所述授信额度子模型以及授信利率子模型，对基于历史用户数据得到的n个用户进行贷款后，逾期还款金额与日均放贷余额之比低于所述预设阈值。
56.在一些实施例中，可以根据已维护的第一用户的用户数据，生成第一预设时段内新增加的第二用户的用户数据。然后可以基于所述第一用户与所述第二用户，生成用户集合以动态更新所述贷款授信模型。
57.所述第一用户可以是从历史用户中筛选出的第一用户。所述第二用户的用户数据可以是根据第一用户的用户数据进行合理推测（例如，求平均，求最大值等推测方式），得到的用户数据。
58.所述第一用户的用户数据中可以包括实际已经发生的信贷数据。通过所述用户集合中用户的数据进行贷款授信模型更新，可以结合历史信贷数据对授信机构的真实影响，做出更贴合历史情形的模型优化，从而使优化的贷款授信模型更加贴合真实情况。
59.请参见图2，图2为本技术示出的一种更新贷款授信模型的方法的方法流程图。
60.如图2所示，所述方法可以包括：s202，求解目标信用评估子模型、目标授信额度子模型以及目标授信利率子模型，
以使满足条件a与条件b。
61.s204，将所述目标信用评估子模型、目标授信额度子模型以及目标授信利率子模型确定为所述贷款授信模型包括的信用评估子模型、授信额度子模型以及授信利率。
62.其中，条件a包括：利用所述信用评估子模型，所述授信额度子模型以及授信利率子模型，对基于历史用户数据得到的n个用户进行贷款，得到的人均贷款收益率最大化。
63.条件b包括：利用所述信用评估子模型，所述授信额度子模型以及授信利率子模型，对基于历史用户数据得到的n个用户进行贷款后，逾期还款金额与日均放贷余额之比低于所述预设阈值。
64.在一些实施例中，为了便于求解所述目标信用评估子模型、目标授信额度子模型以及目标授信利率子模型，可以为条件a与条件b设置表达式。
65.其中，条件a的表达式可以包括：其中，表示所述用户集合中的用户数量，表示所述用户集合中的各用户。
66.表示需要求解的目标信用评估子模型，表示需要求解的目标授信额度子模型，表示需要求解的目标授信利率子模型。
67.表示利用所述目标信用评估子模型确定用户是否为可授信用户。在一些实施例中，所述目标信用评估子模型可以包括映射函数与评分阈值。通过映射函数可以将用户的用户数据映射为用户评分。如果得到的用户评分达到评分阈值，可以确定用户为可授信用户，此时可以将置为1。如果得到的用户评分未达到评分阈值，可以确定用户为不可授信用户，此时可以将置为0。根据用户的用户评分，还可以确定其用户等级。
68.表示利用所述目标信用评估子模型与所述目标授信额度子模型确定的针对用户的授信额度。在一些实施例中，所述目标授信额度子模型可以包括目标授信额度表。该表维护了用户等级与授信额度的对应关系。通过目标信用评估子模型可以确定用户的用户等级，根据用户等级可以确定用户的授信额度。机构可以在授信额度内向用户贷款。
69.表示利用所述目标信用评估子模型与所述目标授信利率子模型确定的针对用户的授信利率。在一些实施例中，所述目标授信利率子模型可以包括目标授信利率表。该表维护了用户等级与授信利率的对应关系。通过目标信用评估子模型可以确定用户的用户等级，根据用户等级可以确定用户的授信利率。机构可以根据授信利率向用户贷款。
70.表示利用所述第一用户的用户数据中表征贷款额度使用率的数据，确
定的用户的贷款额度使用率。所述第一用户为真实发生信贷行为的用户，其对应用户数据中可以包括表征其贷款额度使用率的数据。在一些实施例中，可以选择第一用户中的最高、最低或平均的贷款额度使用率作为所述。在一些实施例中，也可以采用神经网络，基于第一用户的用户数据预测贷款额度使用率。
71.通过，即可得到对用户集合中各用户进行放贷后，机构可以获得的收益。将该收益除以人数n，即可得到对用户集合中各用户进行放贷后，机构可以获得的人均收益。
72.条件b的表达式可以包括：需要说明的是，其一，条件b的表达式与条件a的表达式中相同的变量代表相同的含义，在此不作详述。其二，为了提升贷款授信模型优化效果，可以使k为1
‑
12的任意月份时，条件b均成立。
73.其中，为所述预设阈值。该值可以根据业务需求进行设定。如果需要机构承担的财务风险低，则选择较小的数值作为，如果机构可以承担的较高的财务风险，则选择较大的数值作为 。
74.表示一个月内新增的第二用户数量。表示新增的第二用户中的各用户。表示第月。
75.表示利用所述第一用户的用户数据中表征逾期金额的数据，确定的第月的历史逾期金额；所述第一用户为真实发生信贷行为的用户，其对应用户数据中可以包括表征其表征逾期金额的数据。在一些实施例中，可以选择第一用户中的最高、最低或平均的逾期金额作为所述。在一些实施例中，也可以采用神经网络，基于第一用户的用户数据预测逾期金额。
76.表示利用所述目标信用评估子模型确定用户是否为逾期用户。在一些实施例中，所述信用评估子模型还包括逾期评分，如果用户的用户评分达到所述逾期评分，则可以确定该用户为逾期用户，此时可以置为1；如果用户的用户评分为达到所述逾期评分，则可以确定该用户不是逾期用户，此时可以将置为0。
77.表示进行个月放贷后的新增逾期金额。需要说明的是，此处做了两个合理假设。其一，逾期用户会在机构给予的最大授信额度内进行贷款逾期。例如，如果机构基于用户j的授信额度为，用户j如果被判定为逾期用户，则其对应的逾期金额。其二，在用户数量足够大的情形下，每个月新增加的用户数量和成分构成大致相同，即每个月新产生的逾
期金额相同。由此则可以进行个月放贷后的新增逾期金额。
78.表示所述第一用户的用户数据中表征日均贷款余额的数据，确定的第月的历史日均贷款余额。所述第一用户为真实发生信贷行为的用户，其对应用户数据中可以包括表征其表征日均贷款余额的数据。在一些实施例中，可以选择第一用户中的最高、最低或平均的日均贷款余额作为所述。在一些实施例中，也可以采用神经网络，基于第一用户的用户数据预测日均贷款余额。
79.表示进行个月放贷后的日均贷款余额。
80.日均贷款余额即机构放出贷款的金额。例如，用户j为可授信用户，则机构针对用户j放出的贷款金额为。另外，此处也利用了在用户数量足够大的情形下，每个月新增加的用户数量和成分构成大致相同的假设。即，可以表示进行个月放贷后的日均贷款余额。
81.通过，即可通过将第k个月实际发生的历史逾期金额与新增加的逾期金额相加，得到机构放贷k个月后可能承担的逾期金额。
82.通过，即可通过将第k个月实际发生的历史日均贷款余额与新增加的日均贷款余额相加，得到机构放贷k个月后的日均贷款余额。
83.将机构放贷k个月后可能承担的逾期金额除以日均贷款余额，既可以得到机构放贷k个月后可能承担的财务不良率。
84.在一些实施例中，在执行s202时，可以通过预设的智能优化算法进行求解目标信用评估子模型、目标授信额度子模型以及目标授信利率子模型。所述智能优化算法可以包括遗传算法、粒子群算法、蚁群算法等。本技术不对智能优化算法进行特别限定。
85.在完成求解后，即可执行s204，将求解的目标信用评估子模型、目标授信额度子模型以及目标授信利率子模型确定为所述贷款授信模型包括的信用评估子模型、授信额度子模型以及授信利率。
86.在前述实施例公开的方案中，一方面，通过以条件a和条件b作为优化目标，对贷款授信模型包括的信用评估子模型，授信额度子模型以及授信利率子模型进行优化更新，可以使优化后的贷款授信模型对用户集合中各用户进行放贷后获得的收益最大化，以及承担的财务不良率低于阈值，从而在利用该贷款授信模型确定待授信的用户的贷款授信结果，并基于贷款授信结果向待授信的用户贷款时，可以使授信机构在财务风险可控的情形下，收益最大化，从而提升机构长期收益，促进其可持续发展。
87.另一方面，可以利用第一用户（历史用户）真实的授信数据进行进行模型优化更新，从而可以结合历史信贷数据对授信机构的真实影响，做出更贴合历史情形的模型优化，进而使优化的贷款授信模型更加贴合真实情况。
88.以下结合授信场景进行实施例说明。
89.请参见图3，图3为本技术示出的一种贷款授信流程示意图。
90.图3示出的授信系统（以下简称系统）可以包括由授信机构开发的用于进行用户授信的系统。如图3所示，所述授信系统可以包括在线系统，与离线系统。所述授信系统可以通过电子设备提供的算力进行用户授信。
91.其中所述在线系统可以通过贷款授信模型对用户进行授信。所述贷款授信模型可以包括授信条件，信用评估子模型，授信额度子模型与授信利率子模型。所述授信额度子模型可以包括授信额度表；所述授信利率子模型可以包括授信利率表。所述授信条件用于初步过滤不满足授信条件的用户。
92.所述离线系统可以维护历史用户数据，并定期对所述信用评估子模型，所述授信额度表与所述授信利率表进行优化更新，从而实现定期对贷款授信模型进行优化更新。
93.如图3所示，所述系统可以执行s31，在线系统通过引流平台获取待授信的用户的用户数据。所述引流平台可以是包括信机构或第三方机构开发的平台。所述待授信的用户可以包括通过引流平台提供的链接发起授信申请的用户。响应于所述待授信的用户发起授信申请，可以同步授权将用户数据发送至在线系统。所述用户数据可以包括待授信的用户的身高、职业等基础数据，消费等行为数据，以及历史信贷数据等。
94.然后所述系统可以执行s32，确定待授信的用户是否符合预设的授信条件，如果符合则可以进一步根据待授信的用户的用户数据，利用信用评估子模型确定待授信的用户的用户评分，并在用户评分达到评分阈值时，确定待授信的用户为可授信用户。
95.之后可以执行s33，将待授信的用户的授信评分分别输入授信额度子模型与授信利率子模型，利用授信额度表与授信利率表，确定待授信的用户的授信额度与授信利率，并根据确定的授信额度与授信利率，对待授信的用户进行放贷，以及还款跟踪。
96.所述系统还可以执行s34，对所述待授信的用户的贷款，还款等行为进行跟踪统计，通过在线数据库维护用户数据。
97.系统还可以执行s35，定期将在线数据库中维护的用户数据导入离线数据库。
98.所述系统包括的离线系统可以根据离线数据库中第一用户的用户数据，生成第二用户的用户数据，并根据第一用户与第二用户生成用户集合。
99.所述系统可以执行s36，根据第一用户的用户数据进行额度使用率预测，历史预期金额预测，历史贷款日均余额预测。
100.然后可以执行s37，根据系统中维护的条件a与条件b分别对应的表达式，通过最优化求解算法，求解出信用评估子模型，授信额度表与授信利率，并定期对贷款授信模型包括的信用评估子模型，授信额度表与授信利率进行优化更新。
101.从而第一，通过以条件a和条件b作为优化目标，对贷款授信模型包括的信用评估子模型，授信额度子模型以及授信利率子模型进行优化更新，可以使优化后的贷款授信模型对用户集合中各用户进行放贷后获得的收益最大化，以及承担的财务不良率低于阈值，从而在利用该贷款授信模型确定待授信的用户的贷款授信结果，并基于贷款授信结果向待
授信的用户贷款时，可以使授信机构在财务风险可控的情形下，收益最大化，从而提升机构长期收益，促进其可持续发展。
102.第二，可以利用第一用户（历史用户）真实的授信数据进行进行模型优化更新，从而可以结合历史信贷数据对授信机构的真实影响，做出更贴合历史情形的模型优化，进而使优化的贷款授信模型更加贴合真实情况。
103.第三，通过周期性基于历史用户数据动态更新所述贷款授信模型，可以根据维护的历史数据定期对贷款授信模型做出最优化更新，以使授信机构收益可以时刻保持最优。
104.与前述实施例相应的，本技术还提出一种用户授信装置40。
105.请参见图4，图4为本技术示出的一种用户授信装置的结构示意图。
106.如图4所示，所述装置40可以包括：获取模块41，获取待授信的用户对应的用户数据；计算模块42，将所述用户数据输入贷款授信模型进行计算，得到所述用户对应的贷款授信结果；所述贷款授信模型包括以面向授信用户群体进行放贷后的财务风险指标达标为约束条件，以面向授信用户群体进行放贷的收益最大化为优化目标，并基于历史用户的用户数据周期性进行动态更新的人工智能模型；贷款模块43，基于得到的贷款授信结果向所述用户贷款。
107.在一些实施例中，所述贷款授信模型包括以用户的信用评分、贷款授信额度和贷款授信利率为模型变量，以面向授信用户群体进行放贷后的财务风险指标达标为约束条件，以面向授信用户群体进行放贷的收益最大化为优化目标的人工智能模型；所述信用评分表征用户贷款违约的概率；所述贷款授信结果包括与用户的信用评分对应的贷款授信额度，以及与用户的信用评分对应的贷款授信利率。
108.在一些实施例中，所述贷款授信模型包括信用评估子模型，授信额度子模型以及授信利率子模型；所述信用评估子模型用于计算用户的信用评分；所述授信额度子模型用于计算与用户的信用评分对应的贷款授信额度；所述授信利率子模型用于计算与用户的信用评分对应的贷款授信利率；所述计算模块42，具体用于：将所述用户数据输入所述信用评估子模型，得到所述用户对应的信用评分；将所述信用评分分别输入所述授信额度子模型与所述授信利率子模型，得到与所述用户的信用评分对应的贷款授信额度与贷款授信利率。
109.在一些实施例中，所述信用评估子模型包括基于历史用户的用户数据训练出的评分卡模型；所述授信额度子模型包括基于历史用户的用户数据学习出的历史用户的信用评分和历史用户的贷款授信额度之间的数学关系；所述授信利率子模型包括基于历史用户的用户数据学习出的历史用户的信用评分和历史用户的贷款授信利率之间的数学关系。
110.在一些实施例中，所述财务风险指标包括财务不良率；所述财务风险指标达标，包括：所述财务不良率低于预设阈值。
111.在一些实施例中，所述优化目标包括：利用所述信用评估子模型，所述授信额度子模型以及授信利率子模型，对基于历史用户数据得到的n个用户进行贷款，得到的人均贷款收益率最大化；所述约束条件包括：
利用所述信用评估子模型，所述授信额度子模型以及授信利率子模型，对基于历史用户数据得到的n个用户进行贷款后，逾期还款金额与日均放贷余额之比低于所述预设阈值。
112.在一些实施例中，所述装置40还包括：添加模块44，将所述用户的用户数据作为历史用户的用户数据添加至离线用户数据库；其中，所述离线用户数据库用于存储所述历史用户的用户数据。
113.本技术示出的用户授信装置的实施例可以应用于电子设备上。相应地，本技术公开了一种电子设备，该设备可以包括：处理器。
114.用于存储处理器可执行指令的存储器。
115.其中，所述处理器被配置为调用所述存储器中存储的可执行指令，实现前述任一实施例示出的用户授信方法。
116.请参见图5，图5为本技术示出的一种电子设备的硬件结构示意图。
117.如图5所示，该电子设备可以包括用于执行指令的处理器，用于进行网络连接的网络接口，用于为处理器存储运行数据的内存，以及用于存储用户授信装置对应指令的非易失性存储器。
118.其中，所述装置的实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，除了图5所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常根据该电子设备的实际功能，还可以包括其他硬件，对此不再赘述。
119.可以理解的是，为了提升处理速度，用户授信装置对应指令也可以直接存储于内存中，在此不作限定。
120.本技术提出一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序可以用于使处理器执行如前述任一实施例示出的用户授信方法。
121.本领域技术人员应明白，本技术一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本技术一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（可以包括但不限于磁盘存储器、cd
‑
rom、光学存储器等）上实施的计算机程序产品的形式。
122.本技术中记载的“和/或”表示至少具有两者中的其中一个，例如，“a和/或b”包括三种方案：a、b、以及“a和b”。
123.本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于数据处理设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
124.所述对本技术特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的行为或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的
或者可能是有利的。
125.本技术中描述的主题及功能操作的实施例可以在以下中实现：数字电子电路、有形体现的计算机软件或固件、包括本技术中公开的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本技术中描述的主题的实施例可以实现为一个或多个计算机程序，即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地，程序指令可以被编码在人工生成的传播信号上，例如机器生成的电、光或电磁信号，该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、或它们中的一个或多个的组合。
126.本技术中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行，以通过根据输入数据进行操作并生成输出来执行相应的功能。所述处理及逻辑流程还可以由专用逻辑电路—例如fpga（现场可编程门阵列）或asic（专用集成电路）来执行，并且装置也可以实现为专用逻辑电路。
127.适合用于执行计算机程序的计算机包括，例如通用和/或专用微处理器，或任何其他类型的中央处理系统。通常，中央处理系统将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件包括用于实施或执行指令的中央处理系统以及用于存储指令和数据的一个或多个存储器设备。通常，计算机还将包括用于存储数据的一个或多个大容量存储设备，例如磁盘、磁光盘或光盘等，或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据，抑或两种情况兼而有之。然而，计算机不是必须具有这样的设备。此外，计算机可以嵌入在另一设备中，例如移动电话、个人数字助理（pda）、移动音频或视频播放器、游戏操纵台、全球定位系统（gps）接收机、或例如通用串行总线（usb）闪存驱动器的便携式存储设备，仅举几例。
128.适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备，例如包括半导体存储器设备（例如eprom、eeprom和闪存设备）、磁盘（例如内部硬盘或可移动盘）、磁光盘以及0xcd_00 rom和dvd
‑
rom盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。
129.虽然本技术包含许多具体实施细节，但是这些不应被解释为限制任何公开的范围或所要求保护的范围，而是主要用于描述特定公开的具体实施例的特征。本技术内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。
130.类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，所述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中，或者封装成多个软件产品。
131.由此，主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在
某些情况下，权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外，附图中描绘的处理并非必需所示的特定顺序或顺次顺序，以实现期望的结果。在某些实现中，多任务和并行处理可能是有利的。
132.以上仅为本技术一个或多个实施例的较佳实施例而已，并不用以限制本技术一个或多个实施例，凡在本技术一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本技术一个或多个实施例保护的范围之内。