[发明专利]一种基于深度学习的风控建模方法

说明书

本发明提出了一种基于深度学习的风控建模方法，包括如下步骤：S1，通过云端数据库获取用户数据，将用户数据区分为结构化数据和非结构化数据，并将用户数据进行初步筛选；S2，将初步筛选后的用户数据提取特征与分词，并将用户数据中的结构化数据使用随机森林算法中的重要性进行降序排序，然后筛选结构化数据变量，对非结构化数据洗净性分词操作；S3，建立深度学习网络风控模型，然后训练深度学习网络风控模型；S4，计算出风控分数，该分数被部署服务接口，供客户调用使用。

技术领域

本发明涉及风控计算领域，尤其涉及一种基于深度学习的风控建模方法。

背景技术

在互联网金融快速发展的今天，用户的数据更加复杂，既包含高维的结构化数据也会包含文本、图像等非结构化数据，所以在这样的情况下，更加凸显了对互联网海量数据进行风控建模的重要性。

目前在互联网金融行业，逻辑回归算法是主流的风控建模技术，该技术简单易用，具有较好的可解释性且效果不错。张保强(张保强.互联网小贷违约风险评估与风控模型改进策略研究[D].浙江大学,2018.)使用逻辑回归方法进行风控建模来对现金贷数据进行风险评估。刘哲(刘哲.逻辑回归模型在小额信贷企业中风控环节的应用研究[D].首都经济贸易大学,2018.)也是运用逻辑回归模型测度小额信贷中的信用风险。喻光丽(喻光丽.基于Logistic回归模型的P2P网络借贷平台借款人信用风险评估研究[D].兰州大学,2017.)分析了P2P网络借贷平台借款人信用风险的成因，然后选择逻辑模型进行P2P网络借贷平台借款人信用风险评估。刘冰清等人(刘冰清,卢子芳,朱卫未,尹相菊.基于Logistic-DEA的互联网金融贷款产品有效客户识别[J].管理现代化,2018,38(04):1-4.)提出一种改进的逻辑回归方法，并使用该方法来识别互联网贷款产品的潜在客户，使得客户的短信回应率得到了显著的提高。熊正德等人(熊正德,刘臻煊,熊一鹏.基于有序logistic模型的互联网金融客户违约风险研究[J].系统工程,2017,35(08):29-38.)将客户由违约与不违约两类细分为提前结清、当前正常、可疑、损失四类，然后利用有序多分类逻辑模型进行客户违约风险研究，得出了更好的效果。

以目前市场上存在的产品FICO评分为例，该评分是Fair Isaac公司开发的信用评分系统，也是目前美国应用得最广泛的一种(https://www.cnblogs.com/nxld/p/6364341.html)。该评分通过分析客户的人口统计学信息、历史贷款还款信息、历史金融交易信息和银行征信信息，最终使用逻辑回归模型构建最终的分数。

除了逻辑回归算法，基于机器学习的风控建模方法的研究应用也越来越多。赵静娴(赵静娴.基于决策树的信用风险评估方法研究[D].天津大学,2009.)分析了不同信用风险评估方法的特点，提出了基于决策树的信用风险评估方法。李进(李进.基于随机森林算法的绿色信贷信用风险评估研究[J].金融理论与实践,2015(11):14-18.)认为传统评估方法很难适用绿色信贷信用风险评估中所面临的复杂性、非线性及不确定性等问题，所以提出了基于随机森林算法的信用风险评估，发现基于随机森林算法的评估，速度更快，效果更好。王梦雪(王梦雪.基于机器学习技术的P2P风控模型研究[D].哈尔滨工业大学,2017.)讨论了在P2P场景下使用机器学习技术(随机森林、GBDT等算法)进行风控建模的研究，并得到了不错的效果。

目前支付宝上的芝麻信用分就是通过比较复杂的机器学习技术来构建的(http://www.chinacpda.org/anlifenxi/5443.html)。目前比较前沿的一些算法，如决策树、随机森林、支持向量机、神经网络等，芝麻信用都在研究尝试。

在本研究场景中，要对大量结构化数据(例如：年龄、性别等)和非结构化数据(文本)进行统一的风险建模，不论是逻辑回归还是基于机器学习的风控技术都难以提供一个统一的框架来进行建模，所以本发明提出了一种基于深度学习的风控建模方法来解决该场景下建模。

发明内容