[发明专利]一种信用风险评估方法、装置、存储介质和设备

权利要求书

1.一种信用风险评估方法，其特征在于，包括：

预先从待测客户的信贷行为信息中提取目标指标；所述目标指标为满足预设条件的特征指标；所述预设条件为：所述特征指标与新发生信贷信用行为存在关联关系；

将所述待测客户的目标指标输入至预测模型中，得到所述预测模型的输出结果；其中，所述预测模型基于训练集作为输入，以所述训练集中样本的违约概率作为训练目标，预先训练得到；所述样本包括预先获取的阳性样本和阴性样本；所述输出结果包括所述待测客户的新发生信贷信用风险。

2.根据权利要求1所述的方法，其特征在于，所述阳性样本和阴性样本的获取过程，包括：

预先从样本客户的信贷行为信息中提取特征指标；其中，所述特征指标包括信贷资产分类、信贷逾期、以及欠息状态；

在检测到预设观察期内，所述信贷资产分类的级别由较高级别变迁至较低级别的情况下，将所述样本客户的特征指标，标识为阳性样本；

在检测到所述预设观察期内，所述信贷资产分类的级别未发生变迁的情况下，通过概率转移矩阵，计算所述样本客户在失信状态与守信状态之间的转移概率；其中，若所述样本客户具备失信行为，则确定所述样本客户处于所述失信状态，否则确定所述样本客户处于所述守信状态，失信状态可以是样本客户信贷业务发生并保持逾期或欠息状态；

在所述转移概率大于第一预设阈值的情况下，将所述样本客户的特征指标，标识为所述阳性样本；

在检测到所述预设观察期内，所述信贷资产分类的级别维持在所述较高级别的情况下，将所述样本客户的特征指标，标识为阴性样本。

3.根据权利要求2所述的方法，其特征在于，所述基于训练集作为输入，以训练集中样本的违约概率作为训练目标，预先训练得到所述预测模型的过程，包括：

集合获取得到的所述阳性样本和所述阴性样本，构建样本集；

对所述样本集进行阴性样本抽样，并将抽样后的所述样本集拆分为训练集和验证集；

将所述训练集作为输入，以所述训练集中样本的违约概率作为训练目标，利用预设的逻辑回归算法训练预测模型；

利用所述验证集对训练得到的所述预测模型进行验证。

4.根据权利要求3所述的方法，其特征在于，所述特征指标的类型包括连续型自变量和离散型自变量；

所述将所述训练集作为输入，以所述训练集中样本的违约概率作为训练目标，利用预设的逻辑回归算法训练预测模型之前，还包括：

将所述训练集中缺失率大于第二预设阈值的特征指标进行剔除；

对缺失率不大于所述第二预设阈值、且所述类型为连续型自变量的特征指标进行缺失值补缺；

为缺失率不大于所述第二预设阈值、且所述类型为离散型自变量的特征指标的缺失值设置单独的分箱；

对所述类型为连续型自变量的特征指标进行聚类，得到互不相同的多个分类变量；其中，每个所述分类变量均设置单独的分箱。

5.根据权利要求4所述的方法，其特征在于，还包括：

计算各个所述分类变量的KS值和IV值；

对所述KS值小于第三预设阈值、且所述IV值小于第四预设阈值的分类变量进行删除。

6.根据权利要求4所述的方法，其特征在于，还包括：

将所述训练集中所保留的所述分类变量、以及所述类型为离散型自变量的特征指标，作为目标指标；

对目标指标进行WOE编码，得到所述目标指标的WOE值；其中，WOE值用于表征所述训练集中样本的违约概率。

7.根据权利要求3所述的方法，其特征在于，所述利用所述验证集对训练得到的所述预测模型进行验证，包括：

分别计算所述训练集和所述验证集各自的KS值和AUC值，进行模型区分能力验证；

利用所述训练集和所述验证集的评分值对比，计算PSI值，验证跨期稳定性；

利用所述训练集和所述验证集的打分结果，计算违约率/深度、召回率/深度变量，验证排序能力。