[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

说明书

技术领域

本发明涉及计算机应用领域，尤其是一种基于机器学习的贷款用户信用评级方法及系统。

背景技术

信用评级又称“资信评级”或“信誉评估”，是建立社会信用体系的重要内容和基础。按照通常的定义，信用评级是信用评级服务机构以第三方的客观、公正立场，根据规范的评估指标体系，运用科学的评估方法，履行严格的评估程序，对企业、金融机构、债券发行者和社会组织等市场参与主体的信用记录、企业素质、管理能力、经营水平、外部环境、财务状况、发展前景等进行全面了解、考察调研、分析研究后，就其在未来一段时间履行承诺的能力、可能出现的各种风险所做的综合评价，并以一定的符号表示其优劣并公布于社会公众的一种经济活动。信用评级通过对贷款申请人的债务偿还风险进行评价，以便于银行等金融机构对贷款申请人进行审批授信。

传统的信用评级方法大多基于专家法则或评分卡模型，即预先根据专家经验制定一套评分规则，再根据用户的实际数据，套用此套规则进行信用评分。然而，这种信用评级方式是基于历史已有经验进行的评分，其评分具有一定的滞后性，不能反应新形势下的新用户情况，且其评分规则的制定和修改都需要经过严格的专家论证，制定和修改的周期一般比较长，数据变更速度慢。此外，传统的信用评级方法一般通过人工的方式阅读征信报告，或者使用征信接口进行接口上的对接，并不能直接解析征信报告文档，更不能将征信报告中的指标进行细分，不够全面和方便。

发明内容

为解决上述技术问题，本发明的目的在于：提供一种数据变更速度快、全面和方便的，基于机器学习的贷款用户信用评级方法。

本发明的另一目的在于：提供一种数据变更速度快、全面和方便的，基于机器学习的贷款用户信用评级系统。

本发明所采取的技术方案是：

一种基于机器学习的贷款用户信用评级方法，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。

进一步，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。

进一步，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

进一步，所述机器学习的方法为梯度提升决策树方法。

进一步，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。

进一步，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。

本发明所采取的另一技术方案是：

一种基于机器学习的贷款用户信用评级系统，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；