[发明专利]样本评估方法、装置、存储介质及电子装置

说明书

本发明公开了一种样本评估方法、装置、存储介质及电子装置。其中，该方法包括：获取第一信贷业务的第一样本和第二样本，其中，第一样本为有贷后表现的样本，第二样本为没有贷后表现的样本；从第一样本中选取训练样本，对训练样本进行特征筛选，得到第一特征，其中，第一特征包括训练样本中每个样本的贷款数据；获取第一模型，根据第一特征调整第一模型的损失函数，得到第二模型；通过第二模型对第二样本进行评估。本发明解决了相关技术的损失函数与信贷业务的匹配度低，导致得到的投资回报率较低，以及通过拒绝推断预测违约概率的准确性低的技术问题。

技术领域

本发明涉及金融风险评估技术领域，具体而言，涉及一种样本评估方法、装置、存储介质及电子装置。

背景技术

金融风险评估是一种通过构建模型对信贷客户的违约风险进行预测，评估信贷客户违约概率的技术。金融借贷机构根据信贷客户的违约概率判断信贷客户为好客户还是坏客户，从而决定是否接受信贷客户的贷款申请。在评估信贷客户的违约概率时，金融借贷机构只能对有贷后表现的信贷客户(known good bad，KGB)进行风险评估，对于没有贷后表现的信贷客户(referred good bad，RGB)，通常通过拒绝推断来推断其贷后表现。

目前，业内拒绝推断的方法有三种：第一种是下探法，即随机接受一部分RGB的贷款申请，从而获得RGB的贷后表现，但由于RGB的违约风险较高，因此下探法的成本很高。第二种是重分类法，即通过第三方机构数据获取RGB的贷款信息从而做出合理推断，但由于其他机构通常不会将客户的贷款信息对外提供，因此重分类法的实现难度很高。第三种是重新打包法，即使用模型预测RGB的违约概率，但用于预测违约概率的损失函数为交叉熵损失函数，该函数认为一类错误和二类错误的成本是相同的，由于拒绝推断的主要目的是通过权衡通过率和坏账率，获得投资回报率(return on investment，ROI)的提升，因此该损失函数与信贷业务的匹配度低，导致得到的投资回报率较低，以及通过拒绝推断预测违约概率的准确性低。

发明内容

本发明实施例提供了一种样本评估方法、装置、存储介质及电子装置，以至少解决相关技术的损失函数与信贷业务的匹配度低，导致得到的投资回报率较低，以及通过拒绝推断预测违约概率的准确性低的技术问题。

根据本发明其中一实施例，提供了一种样本评估方法，该方法包括：

获取第一信贷业务的第一样本和第二样本，其中，第一样本为有贷后表现的样本，第二样本为没有贷后表现的样本；从第一样本中选取训练样本，对训练样本进行特征筛选，得到第一特征，其中，第一特征包括训练样本中每个样本的贷款数据；获取第一模型，根据第一特征调整第一模型的损失函数，得到第二模型；通过第二模型对第二样本进行评估。

可选地，获取第一信贷业务的第一样本和第二样本包括：获取第一时间范围内的第一样本和第二样本，其中，不同的信贷业务对应不同的时间范围，第一信贷业务对应第一时间范围。

可选地，从第一样本中选取训练样本，对训练样本进行特征筛选，得到第一特征包括：根据第一样本中每个样本的贷款时间，将贷款时间在第一预设时间范围内的样本选取为训练样本；根据第一特征筛选方法对训练样本进行特征筛选，得到第一特征，其中，第一特征筛选方法包括根据信息价值IV、群体稳定性指标SPI和缺失率进行筛选以及采用提升阈值下置入量的方法进行筛选。

可选地，贷款数据包括每个样本的贷款时间、贷款项目和还款记录。

可选地，根据第一特征调整第一模型的损失函数，得到第二模型包括：根据第一特征确定第一信贷业务的一类错误和二类错误的成本差异，其中，一类错误为将好客户误判为坏客户，二类错误为将坏客户误判为好客户；根据成本差异调整损失函数的权重，得到第二模型。

可选地，通过第二模型对第二样本进行评估包括：通过第二模型对第二样本的违约概率进行评估。