技术特征：
1.一种基于产业链数字化场景金融模型建立金融风控体系的方法，其特征在于，包括：步骤s1、获取若干用户的用户信息和历史贷款数据，并从该用户信息和历史贷款数据中提取特征变量；步骤s2、将所述特征变量划分为训练数据集和验证数据集；步骤s3、建立以深度神经网络模型为基础的贷前用户准入模型、贷中产品准入模型和额度模型以及贷后预警模型，并将所述训练数据集中的数据分别输入对应模型进行模型训练；步骤s4、将所述验证数据集中的数据分别输入贷前用户准入模型、贷中产品准入模型和额度模型以及贷后预警模型，并确定输出值是否合格；步骤s5、当验证结果合格时且合格率达到预设标准时判定模型合格并生成对应的模型，当验证结果合格率未达到预设标准时，对模型进行调参；所述用户准入模型用以在贷前确定是否准许用户选取贷款产品，所述产品准入模型用以在贷中根据用户信息的分析结果确定用户可贷产品，额度审批模型用以在贷中根据用户交易信息的分析结果确定用户可贷额度，所述预警模型用以在贷后根据对用户的定期监控进行偿贷预警和通过多维指标整体监控信用资质变化。2.根据权利要求1所述的基于产业链数字化场景金融模型建立金融风控体系的方法，其特征在于，在所述步骤s3中，当确定对应用户的所述特征变量完成并训练用户准入模型时，根据所述特征变量中的逾期偿贷次数和被动展期次数确定所述用户的信用值u，将所述特征变量中的该信用值作为所述用户准入模型的输出，其中u=（fai+fbi）/2，其中fai为逾期偿贷次数cai对应的用户信用分值，fbi为被动展期次数cbi对应的用户信用分值；当训练所述产品准入模型时，将所述用户的贷款产品对应的实际额度e和产品风险系数y作为所述产品准入模型的输入，并将根据实际额度e和产品风险系数y计算的产品等级q作为所述产品准入模型的输出，其中q=e
×
y；当训练所述额度模型时，将所述产品等级q和信用值u作为所述额度模型的输入，并将根据产品等级q和信用值u计算的额度等级r作为所述额度模型的输出；当训练所述预警模型时，将用户的所述信用值u、产品等级q和额度等级r作为所述预警模型的输入，并将根据所述信用值u、产品等级q和额度等级r计算的预警值d作为所述预警模型的输出，其中d=u
×
q
×
r。3.根据权利要求2所述的基于产业链数字化场景金融模型建立金融风控体系的方法，其特征在于，当训练所述模型时，将所述模型的初始训练迭代次数设置为g，将初始学习率设置为p。4.根据权利要求3所述的基于产业链数字化场景金融模型建立金融风控体系的方法，其特征在于，在所述步骤s1中，当训练所述用户准入模型时，根据所述用户的资本数据、经营数据、纳税数据以及负债数据计算所述用户的偿债指数w，设定w=（sa+sb）/（sc+sd），并根据该偿债指数w与预设偿债指数范围w0的比对结果确定是否对信用值调整，其中预设偿债指数范围包括预设偿债指数最小值wmin和预设偿债指数最大值wmax，sa为资本数据对应的用户的注册资本，sb为经营数据对应的用户年度盈利，sc为纳税数据对应的用户年度纳税额，sd为负债数据对应的用户的已有贷款总额，若w∈w0，则判定不对所述信用值进行调整；
若w＜wmin，判定对所述信用值进行调节；若w＞wmax，则判定对所述信用值进行修正。5.根据权利要求4所述的基于产业链数字化场景金融模型建立金融风控体系的方法，其特征在于，当判定对所述信用值进行调节时，计算所述偿债指数w和预设偿债指数最小值wmin的第一指数差值δwa，并根据该第一指数差值和预设指数差值的比对结果选取对应的调节系数对所述信用值进行调节，其中，所述预设指数差值包括第一预设指数差值δw1、第二预设指数差值δw2以及第三预设指数差值δw3，所述调节系数包括第一信用值调节系数k1、第二信用值调节系数k2以及第三信用值调节系数k3，其中δw1＜δw2＜δw3,设定0.5＜k3＜k2＜k1＜1,当δwa≤δw1时，选取第一信用值调节系数k1对所述信用值进行调节；当δw1＜δwa≤δw2时，选取第二信用值调节系数k2对所述信用值进行调节；当δw2＜δwa≤δw3时，选取第三信用值调节系数k3对所述信用值进行调节；当选取第i信用值调节系数ki对所述信用值进行调节时，设定i=1，2，3，将调节后的信用值设置为u
´
，设定u
´
=u
×
ki。6.根据权利要求5所述的基于产业链数字化场景金融模型建立金融风控体系的方法，其特征在于，当判定对所述信用值进行修正时，计算所述偿债指数w和预设偿债指数最大值wmax的第二指数差值δwb，设定δwb=w-wmax，并根据该第二指数差值和预设指数差值的比对结果选取对应的修正系数对所述信用值进行修正，所述信用值修正系数包括第一信用值修正系数x1、第二信用值修正系数x2以及第三信用值修正系数x3，设定1＜x1＜x2＜x3＜1.5，当δwb≤δw1时，选取第一信用值调节系数x1对所述信用值进行调节；当δw1＜δwb≤δw2时，选取第二信用值调节系数x2对所述信用值进行调节；当δw2＜δwb≤δw3时，选取第三信用值调节系数x3对所述信用值进行调节；当选取第j信用值修正系数xj对所述信用值进行修正时，设定j=1，2，3，将修正后的信用值设置为u
´´
，设定u
´´
=u
×
xj。7.根据权利要求6所述的基于产业链数字化场景金融模型建立金融风控体系的方法，其特征在于，在所述步骤s4中，当验证模型时，将验证数据集中的数据输入模型中进行验证，并根据所述模型的输出值和根据数据计算的实际值进行比对，并计算输出值和实际值的差值绝对值z，并将该差值绝对值z与预设差值绝对值z0进行比对，若z＞z0，则判定所述输出值不合格，若z≤z0，则判定所述输出值合格。8.根据权利要求7所述的基于产业链数字化场景金融模型建立金融风控体系的方法，其特征在于，在所述步骤s5中，当输入验证数据至预设验证次数l0时，获取验证的输出值合格次数l，并根据计算模型在预设验证次数l0的合格率a，设定a=l/l0，将该合格率a与预设合格率a0进行比对，根据该比对结果确定模型是否合格，若a≥a0，则判定模型合格，若a＜a0，则判定模型不合格；当判定模型不合格时，计算所述合格率a与预设合格率a0的合格率差值δa，并根据该合格率差值与预设合格率差值的比对结果选取对应的调节系数对迭代次数进行调节，并在调节后再次训练模型，其中所述预设合格率差值包括第一预设合格率差值δa1、第二预设合格率差值δa2以
及第三预设合格率差值δa3，所述调节系数包括第一迭代次数调节系数kg1、第二迭代次数调节系数kg2以及第三迭代次数调节系数kg3，其中δa1＜δa2＜δa3，1＜kg1＜kg2＜kg3＜1.5，当δa≤δa1时，选取第一迭代次数调节系数kg1对所述迭代次数进行调节；当δa1＜δa≤δa2时，选取第二迭代次数调节系数kg2对所述迭代次数进行调节；当δa2＜δa≤δa3时，选取第三迭代次数调节系数kg3对所述迭代次数进行调节；当选取第x迭代次数调节系数kgx对所述迭代次数进行调节时，设定x=1，2，3，将调节后的迭代次数设置为g
´
，设定g
´
=g
×
kgx。9.根据权利要求8所述的基于产业链数字化场景金融模型建立金融风控体系的方法，其特征在于，当调节后再次训练模型且模型不合格时，判定对模型的所述学习率进行调整，在对所述学习率进行调节时，计算输出值大于实际值的第一次数la和输出值小于实际值的次数lb，若la＞lb，则调整降低所述学习率，若la＜lb，则调整增大所述学习率；当调整降低所述学习率时，计算所述第一次数la和第二次数lb的第一次数差值δla，设定δla=la-lb，并根据该第一次数差值与预设次数差值的比对结果选取对应的学习率调节系数对所述学习率进行调节，其中，所述预设次数差值包括第一预设次数差值δl1、第二预设次数差值δl2以及第三预设次数差值δl3，所述学习率调节系数包括第一学习率调节系数kp1、第二学习率调节系数kp2以及第三学习率调节系数kp3，其中δl1＜δl2＜δl3，设定0.5＜kp3＜kp2＜kp1＜1，当δla≤δl1时，选取第一学习率调节系数kp1调整所述学习率；当δl1＜δla≤δl2时，选取第二学习率调节系数kp2调整所述学习率；当δl2＜δla≤δl3时，选取第三学习率调节系数kp3调整所述学习率；当选取第γ学习率调节系数kpγ调整所述学习率时，设定γ=1，2，3，将调整后的学习率设置为pa，设定pa=p
×
kpγ。10.根据权利要求9所述的基于产业链数字化场景金融模型建立金融风控体系的方法，其特征在于，当调整增大所述学习率时，计算所述第一次数la和第二次数lb的第二次数差值δlb，设定δlb=lb-la，并根据该第二次数差值与预设次数差值的比对结果选取对应的学习率修正系数对所述学习率进行修正，其中，所述学习率修正系数包括第一学习率修正系数xp1、第二学习率修正系数xp2以及第三学习率修正系数xp3，设定1＜xp1＜xp2＜xp3＜2,当δlb≤δl1时，选取第一学习率修正系数xp1调整所述学习率；当δl1＜δlb≤δl2时，选取第二学习率修正系数xp2调整所述学习率；当δl2＜δlb≤δl3时，选取第三学习率修正系数xp3调整所述学习率；当选取第δ学习率修正系数kpδ调整所述学习率时，设定δ=1，2，3，将调整后的学习率设置为pb，设定pb=p
×
kpδ。
技术总结
本发明涉及基于产业链数字化场景金融模型建立金融风控体系的方法，涉及风控管理技术领域，包括获取若干用户的用户信息和历史贷款数据并从该用户信息和历史贷款数据中提取特征变量；将特征变量划分为训练数据集和验证数据集；建立以深度神经网络模型为基础的贷前用户准入模型、贷中产品准入模型和额度模型以及贷后预警模型，并将训练数据分别输入模型进行模型训练；将验证数据集输入验证并确定输出值是否合格；当验证结果合格时且合格率达到预设标准时判定模型合格并生成对应的模型，当验证结果合格率未达到预设标准时，对模型进行调参；提高了在贷款时的风险控制的准确性，从而降低了贷款运营的损失。降低了贷款运营的损失。降低了贷款运营的损失。
技术研发人员：张冰
受保护的技术使用者：中云融拓数据科技发展（深圳）有限公司
技术研发日：2022.02.17
技术公布日：2022/3/18