[发明专利]基于局部加权分位数回归修正信用评分卡特征偏移的方法

说明书

本发明的目的在于提供一种基于局部加权分位数回归修正信用评分卡特征偏移的方法，包括五个步骤。步骤1：收集信用评分卡风险特征变量随时间周期变化的样本数据，数据按照时间单位进行数据清洗和统计处理；步骤2：按照时间单位对特征变量进行加权，构造分位数回归模型；步骤3：利用梯度下降法优化该分位数回归参数并确定回归模型；步骤4：根据计算到的分位数模型参数，预测该变量后续随时间的偏移分位值；步骤5：根据预测的偏移分位值，映射到申请样本集，得到特征实际预测值。本方法在局部使用线性方法对非线性函数进行近似逼近，对随时间周期的非线性变化进行线性逼近，简化了模型的复杂性，使得工程实施更容易执行。

技术领域

本发明涉及信息技术领域，特别涉及市场营销、客户管理和风险控制等细分领域。

背景技术

如今在银行、消费金融公司等各种贷款业务机构，普遍使用信用评分，对客户实行打分制，以期对客户有一个优质与否的评判。数据质量好坏是决定开发的模型成功的关键因素。

时间越久，信用评分模型的有效性会降低，因为经济环境、市场状况和申请者、借款人的构成、业务的来源渠道在不断变化，使得样本人群的特质和属性发生改变，特别是在经济高速发展的阶段(或是股市大牛市阶段)，人群的生活方式、消费习惯、经济状况等变化很快，申请评分模型在应用一段时间后通常会与初期模型产生偏移。

通常情况下样本人群的某些特征变量已经偏离正态分布，使用传统的最小二乘法来预测偏移后的特征变量效果不是很理想。

所以我们要利用分位数回归来预测样本人群特征的偏移趋势，提高特征变量的显著性，从而提高信用评分模型的有效性。

发明内容

本发明的目的在于克服现有技术中存在的问题，提供一种基于局部加权分位数回归修正信用评分卡特征偏移的方法。

为了解决上述问题，本发明的技术方案如下：

基于局部加权分位数回归修正信用评分卡特征偏移的方法，具体包括：

基于局部加权分位数回归修正信用评分卡特征偏移的方法，其特征在于包括以下步骤：

步骤1：收集信用评分卡风险特征变量随时间周期变化的样本数据，数据按照时间单位进行数据清洗和统计处理；

步骤2：按照时间单位对特征变量进行加权，构造分位数回归模型；

步骤3：利用梯度下降法优化分位数回归参数并确定回归模型；

步骤4：根据计算到的分位数模型参数，预测特征变量后续随时间的偏移分位值；

步骤5：根据预测的偏移分位值，映射到申请样本集，得到特征实际预测值。

所述步骤1中，收集特征变量随时间周期变化的样本数据，所述数据清洗包括缺失值处理、异常值处理和近似常量的删除；所述统计处理包括特征变量的均值、方差和分位值。

所述步骤2中，按照时间单位对特征变量进行加权，选择的加权系数为正态分布钟形函数，所述分位数回归模型使用交叉验证法获取偏移最优均值和标准差。

所述步骤3中，分位数回归用梯度下降法求解并优化迭代。

步骤3中计算得出的分位数回归模型参数为完全统计量，在进行步骤4预测时只需要使用模型参数就可以对样本进行预测，得到预测结果。

步骤4中计算得到的预测偏移分位值需要映射到特定训练样本集上。

所述的随时间周期变化的样本数据，样本数据的特征变量必须随时间周期变化，局部加权分位数回归的特征变量修正过程引入额外的假设偏差。

本发明方案假设所有的申请样本对象特征条件概率不变，对于存在一致性偏移的特征，本假设引入的偏差都比较小，会取得较好的效果。