[发明专利]一种基于机器学习的贷款用户信用评级方法及系统

权利要求书

1.一种基于机器学习的贷款用户信用评级方法，其特征在于：包括以下步骤：

获取建模的原始数据，所述建模的原始数据包括征信报告和逾期商户名单；

对征信报告进行提取和指标细分，得到信用额度、近期行为、信用时长、账户数量和还款历史这五个维度的预测变量及其权重；

根据逾期商户名单、得到的预测变量及其权重采用机器学习的方法进行建模，得到响应变量与预测变量的预测模型，其中，响应变量为反映商户是否逾期的变量；

根据得到的预测模型对新贷款用户进行预测，得到新贷款用户的违约概率；

根据新贷款用户的违约概率计算新贷款用户的信用评分。

2.根据权利要求1所述的一种基于机器学习的贷款用户信用评级方法，其特征在于：所述征信报告包括贷款信息、贷记卡信息、准贷记卡信息和查询信息。

3.根据权利要求1所述的一种基于机器学习的贷款用户信用评级方法，其特征在于：所述信用额度、近期行为、信用时长、账户数量和还款历史这五个维度的预测变量共143个，这143个预测变量的名称及权重如下表1所示：

表1

。

4.根据权利要求1所述的一种基于机器学习的贷款用户信用评级方法，其特征在于：所述机器学习的方法为梯度提升决策树方法。

5.根据权利要求3所述的一种基于机器学习的贷款用户信用评级方法，其特征在于：所述根据得到的预测模型对新贷款用户进行预测，得到新贷款用户的违约概率这一步骤，其包括：

从新贷款用户征信报告的143个预测变量中筛选出7个预测变量作为征信报告关键指标，所述征信报告关键指标分别为正在使用贷记卡平均授信额度、最近一次还款的贷记卡距今的时间、最近24个月查询次数、最近一次贷记卡距现在的时间、最早贷记卡距现在的时间、最近3个月查询次数和最近6个月查询次数；

根据筛选出的7个预测变量使用得到的预测模型来预测新贷款用户的违约概率。

6.根据权利要求1-6任一项所述的一种基于机器学习的贷款用户信用评级方法，其特征在于：所述根据新贷款用户的违约概率计算新贷款用户的信用评分这一步骤，其包括：

根据新贷款用户的违约概率计算新贷款用户的初步信用评分，其中，新贷款用户的初步信用评分＝100*(1-新贷款用户的违约概率)；

判断新贷款用户是否只有一份征信报告，若是，则直接以计算出的初步信用评分作为最终的信用评分，反之，则取所有征信报告计算出的初步信用评分中的最低分作为最终的信用评分。

7.一种基于机器学习的贷款用户信用评级系统，其特征在于：包括：

数据获取模块，用于获取建模的原始数据，所述建模的原始数据包括征信报告和逾期商户名单；

提取与指标细分模块，用于对征信报告进行提取和指标细分，得到信用额度、近期行为、信用时长、账户数量和还款历史这五个维度的预测变量及其权重；

建模模块，用于根据逾期商户名单、得到的预测变量及其权重采用机器学习的方法进行建模，得到响应变量与预测变量的预测模型，其中，响应变量为反映商户是否逾期的变量；

预测模块，用于根据得到的预测模型对新贷款用户进行预测，得到新贷款用户的违约概率；

信用评分模块，用于根据新贷款用户的违约概率计算新贷款用户的信用评分。

8.根据权利要求7所述的一种基于机器学习的贷款用户信用评级系统，其特征在于：所述信用额度、近期行为、信用时长、账户数量和还款历史这五个维度的预测变量共143个，这143个预测变量的名称及权重如下表1所示：

表1

。