[发明专利]用于信贷风险评估的数据处理方法、装置、设备及介质

说明书

本发明提供一种用于信贷风险评估的数据处理方法、装置、设备及介质，所述方法包括：基于原始数据确定信用评级数据集、信贷风险因素属性集和决策属性集，并确定评级决策表；将信用评级数据集划分为个评级数据子集；分别计算各个评级数据子集的所有信贷记录样本在所有信贷风险因素下的全局等价类，获取得到与信用评级数据集对应的全局等价类集合；基于全局等价类集合融合嵌套等价类方法对评级决策表中的信贷风险因素属性集进行属性约简操作，以得到用于对用户进行信贷风险评估的约简决策表。本发明能够有效提高用户信贷风险评估的准确性及计算效率。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种用于信贷风险评估的数据处理方法、装置、电子设备和存储介质。

背景技术

随着互联网金融的兴起，小额信贷的普及与渗透，国内信贷交易量大幅上涨。不同金融机构在该风口获得利润的同时，也带来了一定的信贷风险。信贷风险会带来潜在的巨额损失，因此，客观科学的评估信贷风险平衡贷款营收与风险至关重要。然而，传统银行对客户信贷风险的评估方式往往采用专家分析法，信用评级法等此类主观方法，根据贷款者信息进行主观判断是否提供贷款，用该方法处理大额度贷款等低频业务存在一定的适用性，但随着市场经济的快速发展与互联网技术的发展，对于越来越多的信贷需求，传统的人工审核方式耗时耗力。

目前，已有学者对信贷风险因素识别与评估方法进行了探索，通过建立财务指标、融合金融理论和数学工具对其进行分析，并取得了一定的成果。例如，构建了基础年龄、婚姻状况、受教育程度、个人月收入、职务、贷款年限、贷款金额、还款方式、担保方式九个指标上的Logistics回归模型，通过指标的权值对个人信贷风险进行识别。Feng XUE引入了粗糙集理论属性处理信贷风险预测任务中，通过将过去的财务业绩数据反馈到粗糙集方法和神经网络中来预测五类风险等级，使用粗糙集方法在不损失信息的情况下对属性进行约简，然后将约简后的信息用于制定分类规则和训练Elman神经网络。

上述研究为识别评估信贷风险因素问题提供了较好的思路与支撑，但现有方法仍旧存在以下三个问题：

1：许多研究引入了粗糙集理论的属性约简方法对风险因素进行降维，现有方法一般仅能处理静态数据，当关键风险因素随时间和环境动态变化，静态算法需要使用所有历史数据和新数据，计算效率低下，造成响应速度缓慢；

2：现有研究中基于粗糙集理论的降维方法一般只能获得一组固定指标对风险进行评估，缺乏足够灵活性，当评估数据不实或缺失，可能使结果具有较大偏差，导致后续更高的信贷风险；

3：现实场景中，评估信贷风险数据是典型的大规模高维数据，识别关键风险指标，有助于简化信贷风险评估过程，现有方法计算的效率极其低下。

发明内容

基于此，本发明提出了一种用于信贷风险评估的数据处理方法、装置、电子设备和存储介质，用以提高信贷风险评估的准确性和计算效率。

本发明提出一种用于信贷风险评估的数据处理方法，包括：

获取原始数据，基于所述原始数据确定信用评级数据集U、信贷风险因素属性集C和决策属性集D，并确定评级决策表DT＝(U,C∪D)；

将所述信用评级数据集U划分为t个评级数据子集U_k；其中，k∈{1,2,3,..,t}；

分别计算各个所述评级数据子集U_k的所有信贷记录样本在所有信贷风险因素C下的全局等价类，获取与所述信用评级数据集U对应的全局等价类集合

基于所述全局等价类集合融合嵌套等价类方法对所述评级决策表DT中的信贷风险因素属性集C进行属性约简操作，以得到用于对用户进行信贷风险评估的约简决策表。

进一步地，所述获取原始数据，基于所述原始数据确定信用评级数据集U、信贷风险因素属性集C和决策属性集D，并确定评级决策表DT＝(U,C∪D)，包括：