[发明专利]放款风险控制策略的生成方法、装置、终端及存储介质

权利要求书

1.一种放款风险控制策略的生成方法，其特征在于，包括：

依次对所选取的贷款账号进行滚动率分析和账龄分析，得到样本判断标准；

利用统计和特征衍生从所选取的贷款账号的相关信息中获取建模数据变量，以贷款账号为目标、以所述建模数据变量为特征，基于随机森林算法进行建模，得到规则生成模型；

利用所述规则生成模型对所选取的另一部分贷款账号进行处理，结合所述样本判断标准，得到挖掘规则集合，依据业务开展条件从所述挖掘规则集合中筛选出相对应的挖掘规则作为放款风险控制策略。

2.根据权利要求1所述的放款风险控制策略的生成方法，其特征在于，所述依次对所选取的贷款账号进行滚动率分析和账龄分析，得到样本判断标准，包括：

从历史贷款账号数据中选取一部分贷款账号，获取该部分贷款账号的还款计划数据，选择所述还款计划数据中的任一时间点作为观察点，定义所述观察点前的一段时间为观察期、所述观察点后的一段时间为表现期；

统计贷款账号在所述观察期内的最长逾期期数、按在所述观察期内的逾期状态将贷款账号划分为多个层次，随后统计贷款账号在所述表现期内的最长逾期期数、按在所述表现期内的逾期状态将贷款账号划分为多个层次；

交叉统计观察期内每个层次的账号分别在表现期内各层次中的数量、并计算其在对应层次的表现期内账号总数中的占比，依据统计和计算结果将对应层次的账号作为样本判断观察对象；

将所述样本判断观察对象带入贷款产品中，统计所述样本判断观察对象在所述贷款产品放款周期内不同月份的逾期率，依据统计结果得到样本判断标准。

3.根据权利要求2所述的放款风险控制策略的生成方法，其特征在于，所述利用统计和特征衍生从所选取的贷款账号的相关信息中获取建模数据变量，以贷款账号为目标、以所述建模数据变量为特征，基于随机森林算法进行建模，得到规则生成模型，包括：

获取所选取的贷款账号的相关信息；

利用统计和特征衍生从所述贷款账号的相关信息中获取建模数据变量；

设置随机森林算法中决策树的深度及决策树的数量，将所选取的贷款账号作为样本带入随机森林算法中，以贷款账号为目标、以所述建模数据变量为特征，训练得到包含有多棵决策树的规则生成模型。

4.根据权利要求3所述的放款风险控制策略的生成方法，其特征在于：

所述贷款账号的相关信息至少包括贷款账号的基本信息、贷款账号的申请信息、贷款账号的分析信息、贷款账号的交易信息以及贷款账号的消费信息；

所述建模数据变量至少包括贷款账号在不同月份内的订单数、贷款账号在最近1个月/3个月/6个月/12个月内的订单总数、贷款账号在最近1个月/3个月/6个月/12个月内的征信查询次数以及贷款账号的负债率。

5.根据权利要求3所述的放款风险控制策略的生成方法，其特征在于，设置随机森林算法中决策树的深度及决策树的数量，将所选取的贷款账号作为样本带入随机森林算法中，以贷款账号为目标、以所述建模数据变量为特征，训练得到包含有多棵决策树的规则生成模型，包括：

将随机森林算法中决策树的深度设置为2～4、将随机森林算法中决策树的数量设置为400～1000；

将所选取的贷款账号作为样本带入随机森林算法中，算法对样本进行有放回的随机抽样，形成多个训练样本，每个训练样本作为一棵决策树根结处的样本；

在决策树的每个节点需要分裂时，随机从所述建模数据变量中进行选取，再依据信息增益确定一个所述建模数据变量作为该节点的分裂属性；

重复节点分裂操作，直至决策树上每个节点都无法再分裂，得到一颗完整的决策树；

将所得到的全部决策树进行整合，得到完整的随机森林并将其作为所述规则生成模型。

6.根据权利要求5所述的放款风险控制策略的生成方法，其特征在于：将随机森林算法中决策树的深度设置为3，将随机森林算法中决策树的数量设置为500。