違約風險評估方法、設備與存儲介質技術

本發明專利技術提供一種違約風險評估方法、設備與存儲介質，屬于數據處理技術領域，具體包括：獲取用戶的非結構化數據中的時序數據，并對其進行重構得到重構時序數據，并基于其通過時序數據風險評估模型確定用戶的時序違約評分，并當其不大于第一風險閾值或者用戶的違約概率不大于第二概率閾值時，獲取用戶的非結構數據中的文本數據，并基于文本數據以及其權值進行重構得到重構文本數據，并采用基于文本數據風險評估模型確定用戶的文本違約評分，并基于用戶的文本違約評分、時序違約評分、違約概率，采用基于機器學習算法的評估模型，得到用戶的違約風險得分，并基于違約風險得分確認用戶的違約風險，從而進一步提升了判斷的準確性。從而進一步提升了判斷的準確性。從而進一步提升了判斷的準確性。

【技術實現步驟摘要】
違約風險評估方法、設備與存儲介質


[0001]本專利技術屬于數據處理
，尤其涉及一種違約風險評估方法、設備與存儲介質。

技術介紹

[0002]為了實現對授信風險的準確評估，在授權專利技術專利授權公告號CN112804242B《一種基于深度學習的非結構化數據的違約概率預測方法》中通過集成和清洗信貸主體人包括文本數據和時序數據在內的非結構化數據；將非結構化數據變換為深度學習模型可識別的數據格式；基于深度學習模型框架，提取數據特征作為樣本數據；針對提取出來的樣本數據，利用復雜機器學習分類算法
?
集成樹模型構建信用風險模型，輸出違約概率預測，但是卻存在以下技術問題：
[0003]1、未考慮對文本數據和時序數據進行重構，在進行違約風險評估時，文本數據反應的是用戶的當前的實際情況，而時序數據則反應的是一段周期的用戶的情況，與文本數據相比的話，其對于最后的違約概率的預測的可靠性和準確性明顯更高，若不能對上述數據進行重構，則會導致最終的違約概率的預測的精度會受到一定程度的影響。
[0004]2、未考慮首先結合用戶的違約情況首先對高違約風險的用戶的篩選，對于歷史中存在違約或者違約風險較大的用戶，若均采用上述的違約風險評估模型，則有可能會導致整體的違約風險的評估效率會受到一定程度的影響。
[0005]3、未考慮對于文本數據和時序數據采用不同的信用風險評估模型，對于不同的神經網絡模型，在處理文本數據或者時序數據時，其處理的可靠性和準確性也不相同，若采用相同的神經網絡模型以及信用風險評估模型，則有可能導致最終的信用風險的評估結果的準確性也會受到一定程度的影響。
[0006]針對上述技術問題，本專利技術提供了一種違約風險評估方法、設備與存儲介質。

技術實現思路

[0007]為實現本專利技術目的，本專利技術采用如下技術方案：
[0008]根據本專利技術的一個方面，提供了一種違約風險評估方法、設備與存儲介質。
[0009]一種違約風險評估方法，具體包括：
[0010]S11獲取用戶的歷史違約次數，并判斷所述用戶的歷史違約次數是否大于第一閾值，若是，則確定所述客戶的歷史違約風險為高風險，若否，則進入步驟S12；
[0011]S12獲取用戶的歷史違約數據，并基于所述歷史違約數據判斷所述用戶的違約概率是否大于第一概率閾值，若是，則確定所述客戶的歷史違約風險為高風險，若否，則進入步驟S13；
[0012]S13獲取所述用戶的非結構化數據中的時序數據，并將所述時序數據以及所述時序數據的權值，對所述時序數據進行重構得到重構后的數據并將其作為重構時序數據，并基于所述重構時序數據，采用時序數據風險評估模型確定所述用戶的時序違約評分，并判
斷是否所述用戶的時序違約評分大于第一風險閾值且所述用戶的違約概率大于第二概率閾值，若是，則確定所述客戶的歷史違約風險為高風險，若否，則進入步驟S14；
[0013]S14獲取所述用戶的非結構數據中的文本數據，并基于所述文本數據以及所述文本數據的權值進行重構得到重構文本數據，并采用基于文本數據風險評估模型確定所述用戶的文本違約評分，并基于所述用戶的文本違約評分、時序違約評分、違約概率，采用基于機器學習算法的評估模型，得到所述用戶的違約風險得分，并基于所述用戶的違約風險得分確認所述用戶的違約風險。
[0014]通過結合用戶的違約次數和違約數據實現對存在較大違約可能性的用戶的篩選，從而實現了減少需要進行時序數據篩選以及違約風險得分的評估的用戶的數量，進一步提升了評估的效率，同時也保證了系統運行的效率的提升。
[0015]通過結合時序數據的權值進行重構時序數據的生成以及用戶的時序違約評分的構建，從而極大的提升了用戶的時序違約評分的準確性，充分考慮到不同的時序數據對最終的時序違約評分的結果的影響，并且通過第一風險閾值的設置，實現了對高風險的客戶的篩選，同時也避免了采用相同的數學模型導致的最終的評估結果不夠準確的技術問題的出現。
[0016]通過結合文本違約評分、時序違約評分、違約概率，采用基于機器學習算法的評估模型，得到所述用戶的違約風險得分，從而極大的提升了不同用戶的違約風險得分的評估的全面性和準確性，同時也實現了從多角度以及多特征的角度對用戶的違約風險的準確評估。
[0017]另一方面，本申請實施例中提供一種計算機設備，包括：通信連接的存儲器和處理器，以及存儲在所述存儲器上并能夠在所述處理器上運行的計算機程序，其特征在于：所述處理器運行所述計算機程序時執行上述的一種違約風險評估方法。
[0018]另一方面，本專利技術提供了一種計算機存儲介質，其上存儲有計算機程序，當所述計算機程序在計算機中執行時，令計算機執行上述的一種違約風險評估方法。
[0019]其他特征和優點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本專利技術而了解。本專利技術的目的和其他優點在說明書以及附圖中所特別指出的結構來實現和獲得。
[0020]為使本專利技術的上述目的、特征和優點能更明顯易懂，下文特舉較佳實施例，并配合所附附圖，作詳細說明如下。
附圖說明
[0021]通過參照附圖詳細描述其示例實施方式，本專利技術的上述和其它特征及優點將變得更加明顯。
[0022]圖1是根據實施例1的一種違約風險評估方法的具體步驟的流程圖；
[0023]圖2是根據實施例1的違約概率的評估的具體步驟的流程圖；
[0024]圖3是根據實施例1的用戶的時序違約評分的評估的具體步驟的流程圖；
[0025]圖4是根據實施例1的用戶的違約風險得分構建的具體步驟的流程圖；
[0026]圖5是根據實施例3的一種計算機存儲介質的結構圖。
具體實施方式
[0027]現在將參考附圖更全面地描述示例實施方式。然而，示例實施方式能夠以多種形式實施，且不應被理解為限于在此闡述的實施方式；相反，提供這些實施方式使得本專利技術將全面和完整，并將示例實施方式的構思全面地傳達給本領域的技術人員。圖中相同的附圖標記表示相同或類似的結構，因而將省略它們的詳細描述。
[0028]用語“一個”、“一”、“該”、“所述”用以表示存在一個或多個要素/組成部分/等；用語“包括”和“具有”用以表示開放式的包括在內的意思并且是指除了列出的要素/組成部分/等之外還可存在另外的要素/組成部分/等。
[0029]申請人發現，在進行違約風險的實時評估，未考慮對文本數據和時序數據進行重構，若不能對上述數據進行重構，則會導致最終的違約概率的預測的精度會受到一定程度的影響；未考慮對于文本數據和時序數據采用不同的信用風險評估模型，對于不同的神經網絡模型，在處理文本數據或者時序數據時，其處理的可靠性和準確性也不相同，若采用相同的神經網絡模型以及信用風險評估模型，則有可能導致最終的信用風險的評估結果的準確性也會受到一定程度的影響。
[0030]實施例1
[0031]為解決上述問題，根據本專利技術的一個方面，如圖1所示，提供了根據本本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種違約風險評估方法，其特征在于，具體包括：S11獲取用戶的歷史違約次數，并判斷所述用戶的歷史違約次數是否大于第一閾值，若是，則確定所述客戶的歷史違約風險為高風險，若否，則進入步驟S12；S12獲取用戶的歷史違約數據，并基于所述歷史違約數據判斷所述用戶的違約概率是否大于第一概率閾值，若是，則確定所述客戶的歷史違約風險為高風險，若否，則進入步驟S13；S13獲取所述用戶的非結構化數據中的時序數據，并將所述時序數據以及所述時序數據的權值，對所述時序數據進行重構得到重構后的數據并將其作為重構時序數據，并基于所述重構時序數據，采用時序數據風險評估模型確定所述用戶的時序違約評分，并判斷是否所述用戶的時序違約評分大于第一風險閾值且所述用戶的違約概率大于第二概率閾值，若是，則確定所述客戶的歷史違約風險為高風險，若否，則進入步驟S14；S14獲取所述用戶的非結構數據中的文本數據，并基于所述文本數據以及所述文本數據的權值進行重構得到重構文本數據，并采用基于文本數據風險評估模型確定所述用戶的文本違約評分，并基于所述用戶的文本違約評分、時序違約評分、違約概率，采用基于機器學習算法的評估模型，得到所述用戶的違約風險得分，并基于所述用戶的違約風險得分確認所述用戶的違約風險。2.如權利要求1所述的違約風險評估方法，其特征在于，所述用戶的歷史違約次數根據所述用戶在第一時間閾值內的違約次數進行確定，所述第一時間閾值不少于一年。3.如權利要求1所述的違約風險評估方法，其特征在于，所述用戶的歷史違約數據包括所述用戶的歷史違約次數、歷史違約金額、最長違約時間、用戶的違約狀態，所述用戶的違約狀態包括處于違約狀態和處于非違約狀態。4.如權利要求1所述的違約風險評估方法，其特征在于，所述違約概率的評估的具體步驟為：獲取所述用戶的違約狀態，并判斷所述用戶的違約狀態是否為處于違約狀態，若是，則確定所述用戶的違約概率為1，若否，則進入下一步驟；基于所述用戶的歷史違約次數、歷史違約金額、最長違約時間構建輸入集，并基于機器學習算法的預測模型，得到所述用戶的基礎違約概率，并判斷所述基礎違約概率是否大于第二概率閾值，若是，則確定所述用戶的違約概率為1，若否，則進入下一步驟；基于所述用戶的最近一年的違約次數，對所述基礎違約概率進行修正，得到所述用戶的違約概率。5.如權利要求1所述的違約風險評估方法，其特征在于，所述第一概率閾值根據待評估的用戶的數量...

【專利技術屬性】
技術研發人員：唐科偉，陳聲鴻，
申請(專利權)人：浙江孚臨科技有限公司，
類型：發明
國別省市：