[发明专利]基于多机器学习模型并行的风控模型应用方法和系统

说明书

技术领域

本发明涉及一种风险评估的方法和系统。

背景技术

信贷风险控制对经济健康持续发展有很重要的意义。信用风险评估是进行信贷风险控制的重要手段。传统的信用风险评估过分依赖央行的征信系统，但该征信系统的征信数据的时效性、全面性和层次性上存在短板，无法全面反应客户的真实信息。此外，在风险评估中常见的模型为专家模型，该模型过于依赖专家的个人经验，主观随意性较强，评估结果不够客观准确，且效率较低。

发明内容

本发明提供一种基于多机器学习模型并行的风控模型应用方法和系统，以解决现有技术中上述问题。

第一方面，本发明提供了一种基于多机器学习模型并行的风控模型应用方法，包括线下风控模型应用方法，该线下风控模型应用方法包括采集申请客群信息；从上述信息中提取客户画像数据；对上述画像数据进行处理，计算风险相关指标；对上述风险相关指标分别利用不同的特征选择模型进行处理得到相应的单个模型特征排序；对得到的相应单个模型特征排序进行综合排序；以及对综合排序后的特征分别利用多个机器学习模型进行建模处理，评价各个机器学习模型的运行效果，筛选出排名靠前的若干机器学习模型。

第二方面，本发明还提供一种基于多机器学习模型并行的风控模型应用方法，包括线上风控模型应用方法，该线上风控模型应用方法包括采集申请客群信息；从上述信息中提取客户画像数据；对上述画像数据进行处理，计算风险相关指标；将前述线下风控模型应用方法中筛选出的排名靠前的若干机器学习模型作为投入使用的线上机器学习模型；将所述风险相关指标送入线上机器学习模型中相应的机器学习模型进行处理；以及将处理结果作为是否授信的决策依据。

第三方面，本发明进一步提供了一种基于多机器学习模型并行的风控模型应用系统，包括线下风控模型应用系统，该线下风控模型应用系统包括数据采集模块，其用于采集申请客群信息；数据提取模块，从申请客群信息中提取客户画像数据；数据计算模块，对上述画像数据进行处理，计算风险相关指标；特征选择模块，对上述风险相关指标分别利用不同的特征选择模型进行处理得到相应的单个模型特征排序；特征综合排序模块，对所述得到的单个模型特征排序进行综合排序；线下机器学习并行模块，利用多个机器学习模型对排序后的特征分别进行建模处理；以及机器学习模型评价筛选模块，评价各个机器学习模型的运行效果的优劣，筛选出排名靠前的若干机器学习模型。

第四方面，本发明还进一步提供一种基于多机器学习模型并行的风控模型应用系统，包括线上风控模型应用系统，该线上风控模型应用系统包括数据采集模块，其用于采集申请客群信息；数据提取模块，从申请客群信息中提取客户画像数据；数据计算模块，对上述画像数据进行处理，计算风险相关指标；线上机器学习并行模块，将前述线下风控模型应用系统中筛选出的排名靠前的若干机器学习模型作为投入使用的线上机器学习模型，并将所述风险相关指标送入线上机器学习模型中相应的机器学习模型进行处理；以及决策引擎模块，利用机器学习模型的处理结果进行决策。

本发明中分别利用不同的特征选择模型对多个风险相关指标的重要性进行单个模型排序，不同的特征选择模型因其内部使用的算法差异，从而可得到不同的选择结果，这样可以保证选择出来的特征不遗漏可能的重要特征。对于经过特征选择模型处理后的单个模型特征进行排序时，因不同的特征选择模型对多个风险相关指标处理后的不同的特征的重要性排序不同，可以采用平均加权或者根据特征选择模型的选择效果进行加权的方法综合排序；在综合排序后可以选择排名靠前的若干特征，去除不重要的特征，作为综合排序后保留的特征，利用机器学习模型进行建模处理，以提高后续利用机器学习模型处理数据的效果和效率。

此外，通过对各机器学习模型的运行效果进行评价从中筛选出排名靠前的机器学习模型投入线上风控模型使用，能够提高风控评估的准确性；根据机器学习模型运行效果排名的高低分配申请流量，进一步提高评估的准确性。线上运行过程中，线上机器学习并行模块中的投入使用的多个机器学习模型定期更新，再次提高了决策的准确性和可靠性。

综上，通过本发明的提供的技术方案，能够大大提高风险评估的效率，且结果更加准确可靠。

附图说明

图1描绘了一种线下风控模型应用方法的示意图；

图2描绘了一种线上风控模型应用方法的示意图；

图3描述了一种线下风控模型应用系统的示意图；

图4描述了一种线上风控模型应用系统的示意图。

具体实施方式