[发明专利]基于GBST的金融违约风险预测方法、装置和电子设备

权利要求书

1.一种基于GBST的金融违约风险预测方法，其特征在于，包括：

获取历史金融用户数据集，根据历史金融用户数据集建立训练数据集；

基于所述训练数据集初始化GBST生存模型的基础生存树；

从所述基础生存树开始，利用前一棵生存树预测出的生存概率与真实标签的残差进行优化迭代，以此训练得到后一棵生存树，直到总体损失小于既定的阈值；

对于新金融用户的输入数据，利用最后得到的生存树遍历生成树的结果，输出该用户的生存曲线，根据该生存曲线预测每个时间段的违约风险概率。

2.根据权利要求1所述的方法，其特征在于：所述基于所述训练数据集初始化GBST生存模型的基础生存树包括：使用log-rank分离规则初始化生存树。

3.根据权利要求1-2中任一项所述的方法，其特征在于：所述使用log-rank分离规则初始化生存树包括：使用KM生成估计方法来估计生存树节点中的生存函数。

4.根据权利要求1-3中任一项所述的方法，其特征在于：所述使用log-rank分离规则初始化生存树包括：使用COX模型来减小用户特征的影响。

5.根据权利要求1-4中任一项所述的方法，其特征在于：所述利用前一棵生存树预测出的生存概率与真实标签的残差进行优化迭代包括：使用负二项对数似然函数作为损失函数，通过最小化损失函数来优化迭代。

6.根据权利要求1-5中任一项所述的方法，其特征在于：所述利用前一棵生存树预测出的生存概率与真实标签的残差进行优化迭代包括：使用损失函数的负梯度替换当前损失的近似值，然后拟合树。

7.根据权利要求1-6中任一项所述的方法，其特征在于：所述利用前一棵生存树预测出的生存概率与真实标签的残差进行优化迭代包括：遍历所有特征的所有有效值，选择合适的特征和值来最小化均方误差。

8.一种基于GBST的金融违约风险预测装置，其特征在于，包括：

数据获取模块，用于获取历史金融用户数据集，根据历史金融用户数据集建立训练数据集；

初始化模块，用于基于所述训练数据集初始化GBST生存模型的基础生存树；

生长模块，用于从所述基础生存树开始，利用前一棵生存树预测出的生存概率与真实标签的残差进行优化迭代，以此训练得到后一棵生存树，直到总体损失小于既定的阈值；

预测模块，用于对于新金融用户的输入数据，利用最后得到的生存树遍历生成树的结果，输出该用户的生存曲线，根据该生存曲线预测每个时间段的违约风险概率。

9.根据权利要求8所述的装置，其特征在于：所述初始化模块还用于：使用log-rank分离规则初始化生存树。

10.一种电子设备，包括：

处理器；以及

存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。

11.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，当所述一个或多个程序被处理器执行时，实现权利要求1-7中任一项所述的方法。