[发明专利]一种信用风险评估方法、装置、存储介质和设备

说明书

本申请公开了一种信用风险评估方法、装置、存储介质和设备，预先从待测客户的信贷行为信息中提取目标指标。目标指标为满足预设条件的特征指标，预设条件为：特征指标与新发生信贷信用行为存在关联关系。将待测客户的目标指标输入至预测模型中，得到预测模型的输出结果。其中，预测模型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。样本包括预先获取的阳性样本和阴性样本。输出结果包括待测客户的新发生信贷信用风险。可见，利用本申请所述方案，无需人为考虑定量和定性指标，利用预先训练得到的预测模型进行新发生信贷信用风险评估，能够有效提高新发生信贷信用风险评估的准确性。

技术领域

本申请涉及大数据处理领域，尤其涉及一种信用风险评估方法、装置、存储介质和设备。

背景技术

在金融业务中，企业信贷在上年末无不良、欠息及本金逾期状态，下一年该企业发生信贷不良或发生持续超过一定天数的欠息或本金逾期状态，将其定义为新发生信贷信用风险。如何评估客户的新发生信贷信用风险，成为金融业务项目所关注的重点。

目前，现有的新发生信贷信用风险评估方法，大多数通过企业提供的贷款材料、财务变量等结合业务经验，判断企业是否满足信贷产品办理政策，从而确定客户的新发生信贷信用风险。然而，现有的技术手段，需要人为考虑的定量和定性指标繁多，主观性较强，其信用风险评估的准确性太低。

发明内容

本申请提供了一种信用风险评估方法、装置、存储介质和设备，目的在于提高新发生信贷信用风险评估的准确性。

为了实现上述目的，本申请提供了以下技术方案：

一种信用风险评估方法，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。

可选的，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。

可选的，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。