[发明专利]一种基于逻辑回归技术的信用风险评估方法及装置

说明书

本发明提供了一种基于逻辑回归技术的信用风险评估方法及装置，方法包括：获取用户数据信息和模型配置信息，从所述用户数据信息中提取信用特征数据构建样本集，根据所述模型配置信息和所述样本集开发信用评分模型；获取信用评分配置信息和待预测的用户信用特征数据，将待预测的用户信用特征数据输入信用评分模型，输出对应的信用预测结果；基于所述信用评分配置信息和信用预测结果得到该用户对应的信用评分及信用风险评估结果并输出。能够对用户的信用风险进行高效评估，便捷高效、易于实现，具有用户信用风险评估结果稳定性好、信用风险预测准确性高、可靠性高等优点。

技术领域

本发明涉及信用风险评估领域，具体涉及一种基于逻辑回归技术的信用风险评估方法及装置。

背景技术

在银行或金融部门的风险监管中，需要对用户的信用进行评估，从而得到不同等级的信用分数，根据客户的信用分数，来决定客户可以持有的金额权限，从而保证还款等业务的安全性。现有的用户信用风险评估方法存在以下不足：

1、信用风险评估一般是根据用户过往信用历史及表现情况，将不同用户各方面的信息通过统计学的方法量化各个变量对于信用历史好坏的影响程度，过程繁琐，效率低下，对风控人员的专业能力要求较高，费时费力，不符合当前数据高效处理的需求。

2、市面上存在一些信用评分算法，是采用用户的历史信用资料预先训练好信用评分模型，然后根据训练好的信用评分模型来预测和评估用户的信用风险，又称违约风险，是指借款人不能履约所造成的损失，主要有两方面的原因，一是借款人没有足够的还款能力，一是借款人无还款意愿。在真实的信贷业务中，信用评分模型的训练样本经常存在正负样本不均衡问题，通常情况下是坏样本较少而好样本较多的情况，因此，我们在样本采样时一般会进行过采样(Oversampling)和欠采样(Undersampling)，从而得到均衡的样本，再基于较为均衡的样本构建和训练信用评分模型。这样，虽然解决了样本不均衡问题，但也会导致信用评分模型的评估结果输出不稳定、准确性低，信用风险的预测结果和真实结果差距较大，不能真实反应用户的信用风险，信用风险预测数据的准确性低、可靠性不足。

发明内容

针对现有技术存在的上述不足，本发明的目的在于：提供一种基于逻辑回归技术的信用风险评估方法及装置，能够对用户的信用风险进行高效评估，便捷高效、易于实现；同时可以对信用评分模型进行区分能力、稳定性、准确性与审慎性的验证，对信用评分模型的准确性进行校准，从而对实际坏样本比例进行还原。具有用户信用风险评估结果稳定性好、信用风险预测准确性高、可靠性高等优点。

一种基于逻辑回归技术的信用风险评估方法，其特征在于，包括以下步骤：

获取用户数据信息和模型配置信息，从所述用户数据信息中提取信用特征数据构建样本集，根据所述模型配置信息和所述样本集开发信用评分模型；

获取信用评分配置信息和待预测的用户信用特征数据，将待预测的用户信用特征数据输入信用评分模型，输出对应的信用预测结果；

基于所述信用评分配置信息和信用预测结果得到该用户对应的信用评分及信用风险评估结果并输出。

进一步地，所述从所述用户数据信息中提取信用特征数据构建样本集，具体包括：

从所述用户数据信息中提取信用特征数据，对提取的信用特征数据进行预处理；预处理包括数据异常诊断处理、变量逻辑诊断处理或变量衍生加工，最终形成业务宽表；根据业务宽表构建样本集。

进一步地，所述信用评分模型的开发过程如下：

将整理后的数据业务宽表内的变量作为备选变量，对备选变量进行分箱，对分箱后的备选变量进行WOE特征转换，筛选出可区分用户信用等级且具备稳定性的变量；调整适宜的参数，对筛选后的变量进行逻辑回归，构建信用评分模型。