[发明专利]汽车金融用户申请欺诈概率预测方法及介质

说明书

本发明公开了一种汽车金融用户申请欺诈概率预测方法及介质，其中方法包括：获取用户的历史申请数据，并进行分组；进行数据衍生，以衍生出多维特征；对多维特征进行过滤式筛选，随后进行集成式递归特征消除，以得到最优特征；对最优特征进行最优分箱，并对每个分箱进行WOE编码；进行欠采样和过采样组合处理，以生成训练样本集；根据训练样本集进行模型训练，以得到各单模型，并进行模型融合，以生成最终欺诈概率预测模型；获取用户申请信息，并将用户申请信息输入最终欺诈概率预测模型，以通过最终欺诈概率预测模型输出欺诈概率；能够根据用户的申请信息对欺诈概率进行自动计算，有效防止欺诈骗车行为的发生，保障汽车金融公司的财产安全。

技术领域

本发明涉及金融风险管控技术领域，特别涉及一种汽车金融用户申请欺诈概率预测方法和一种计算机可读存储介质。

背景技术

在互联网金融时代飞速发展的今天，各种金融产品逐步改变人类的生活和储蓄方式，汽车金融就是其中之一。汽车金融指的是由消费者在购买汽车需要贷款时，消费者向汽车金融公司申请优惠的支付方式。

相关技术中，汽车金融公司在接收到消费者的贷款申请时，多通过人工对接收到的申请数据进行审核；这种方式极为耗费人力；并且，人工方式下难以对消费者当前贷款行为的欺诈概率进行有效分析；进而，导致汽车金融公司的风险难以管控。

发明内容

本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种汽车金融用户申请欺诈概率预测方法，能够根据用户的申请信息对欺诈概率进行自动计算，有效防止欺诈骗车行为的发生，保障汽车金融公司的财产安全。

本发明的第二个目的在于提出一种计算机可读存储介质。

为达到上述目的，本发明第一方面实施例提出了一种汽车金融用户申请欺诈概率预测方法，包括以下步骤：获取用户的历史申请数据，并对所述历史申请数据进行分组；对分组后的历史申请数据进行数据衍生，以衍生出所述历史申请数据对应的多维特征；对所述多维特征进行过滤式筛选，以得到特征组，并对所述特征组中的所有样本进行欠采样平衡样本，以及进行递归特征消除以得到最优特征；对所述最优特征进行最优分箱，并对每个分箱进行WOE编码；对WOE编码后的数据进行欠采样和过采样组合处理，以生成训练样本集；根据所述训练样本集进行单模型的训练，以得到多个单模型，并将多个单模型进行模型融合，以生成最终欺诈概率预测模型；获取用户申请信息，并将所述用户申请信息输入所述最终欺诈概率预测模型，以通过所述最终欺诈概率预测模型输出所述用户申请信息对应的欺诈概率。

根据本发明实施例的汽车金融用户申请欺诈概率预测方法，首先，获取用户的历史申请数据，并对所述历史申请数据进行分组；接着，对分组后的历史申请数据进行数据衍生，以衍生出所述历史申请数据对应的多维特征；然后，对所述多维特征进行过滤式筛选，以得到特征组，并对所述特征组中的所有样本进行欠采样平衡样本，以及进行递归特征消除以得到最优特征；接着，对所述最优特征进行最优分箱，并对每个分箱进行WOE编码；然后，对WOE编码后的数据进行欠采样和过采样组合处理，以生成训练样本集；接着，根据所述训练样本集进行单模型的训练，以得到多个单模型，并将多个单模型进行模型融合，以生成最终欺诈概率预测模型；然后，获取用户申请信息，并将所述用户申请信息输入所述最终欺诈概率预测模型，以通过所述最终欺诈概率预测模型输出所述用户申请信息对应的欺诈概率；从而实现根据用户的申请信息对欺诈概率进行自动计算，有效防止欺诈骗车行为的发生，保障汽车金融公司的财产安全。

另外，根据本发明上述实施例提出的汽车金融用户申请欺诈概率预测方法还可以具有如下附加的技术特征：

可选地，对所述多维特征进行过滤式筛选，包括：对多维特征进行皮尔森相关系数筛选，并在皮尔森相关系数筛选完成后进行信息价值筛选，以及在所述信息价值筛选完成后进行PSI值筛选。

可选地，所述皮尔森相关系数筛选根据以下公式进行：