[发明专利]一种信用评估方法

说明书

本发明涉及数据建模技术领域，具体涉及一种用客户授权后获取的银行卡交易数据，构建客户级消费、交易画像变量，预测客户信贷风险的一种信用评估方法。本发明信用评估方法，包括变量衍生，基于获取的银行卡交易流水数据，衍生交易偏好、交易活跃度、消费水平和风险交易的变量；变量筛选，根据变量的缺失值、缺失率和IV值对变量进行筛选；模型拟合，对任何一组超参数组合使用训练集进行模型训练得到一个模型，并在测试集中计算该模型的AUC值，以测试集中AUC值最高的模型的超参数作为超参数最终值，且以该模型使用的变量作为最终入模变量；将训练集和测试集合并，进行模型拟合，得到最终模型，并计算在最终模型上的AUC值。

技术领域

本发明涉及数据建模技术领域，具体为一种基于XGB算法模型的信用评估方法。

背景技术

数据库技术、数理统计技术、计算机技术的发展为评分模型的发展和应用提供了科技基础。以预测模型为核心的信用评分模型通过挖掘消费者的行为特征、资信能力等，运用数理统计技术，系统性地对客户未来的信用表现作出预测，以分数对客户按表现优劣进行排队，作为决策依据。预测模型在20世纪七八十年代开始被推广使用，至今仍是信贷管理中使用最广泛、发展最完善的技术。随着征信信息的日益完善，覆盖群体的扩大，以征信为核心的信用评分模型也在汽车信贷、个人信贷、个人信用卡、小微经营贷等领域广泛应用。但征信信息的核心主要是客户信用卡、贷款每月的借还款行为，以信贷行为为主，而未囊括其他与客户信贷表现可能有关的消费行为、支付行为等。

发明内容

本发明意在提供一种用客户授权后获取的银行卡交易数据，构建客户级消费、交易画像变量，预测客户信贷风险的一种信用评估方法。

本发明一种信用评估方法，包括以下内容，

数据获取，基于已查询授权的客户样本，获取各个客户的银行卡交易流水数据；

变量衍生，基于获取的银行卡交易流水数据，处理客户级的行为标签，衍生出交易偏好、交易活跃度、消费水平和风险交易的变量；

变量筛选，根据变量的缺失值、缺失率和IV值，对变量进行筛选；

模型拟合，将样本集分为训练集、测试集和跨时间验证集，在模型拟合中，采用网格搜索的方法选择最优的超参数组合，在进行网格搜索时，对任何一组超参数组合使用训练集进行模型训练得到一个模型，并在测试集中计算该模型的AUC值，以测试集中AUC值最高的模型的超参数作为超参数最终值，且以该模型使用的变量作为最终入模变量；将训练集和测试集合并形成合并集，在已确定超参数最终值和最终入模变量的基础上，进行模型拟合，得到最终模型，并计算在最终模型上的AUC值。

本发明的有益效果：在取得信贷客户授权后，获取客户名下所有银行卡的交易流水信息，加工客户级的行为标签，衍生出交易偏好、交易活跃度、消费水平、风险交易等类别的变量。匹配对应客户的信贷表现，用XGB算法建立客户违约概率预测模型。

进一步地，在变量筛选中，还包括采用XGB算法的嵌入式筛选对变量进行筛选，采用嵌入式筛选可以得到更有的筛选结果，嵌入式筛选分多个轮次进行，每个轮次进行如下操作：

将样本集随机划分为训练集和测试集；

选择XGB算法模型，XGB算法模型评估指标为AUC，设置XGB算法模型超参数；

采用训练集进行模型训练；

在测试集上评估XGB算法模型效果，计算AUC值，如果此轮的AUC值比上一轮有大幅下降，则终止筛选迭代，以上一轮筛选出的变量作为模型拟合的待选变量，否则继续进行变量筛选。