本技術(shù)涉及一種信用風(fēng)險(xiǎn)管控系統(tǒng)和方法，利用本技術(shù)的方法和系統(tǒng)能夠輔助金融機(jī)構(gòu)進(jìn)行更為準(zhǔn)確的風(fēng)險(xiǎn)決策，增快其數(shù)字化轉(zhuǎn)型進(jìn)程。詳細(xì)來說本技術(shù)涉及一種構(gòu)建普惠信用風(fēng)險(xiǎn)預(yù)測(cè)模型的方法和針對(duì)普惠信貸業(yè)務(wù)的scoreomega模型。

背景技術(shù)：

1、在當(dāng)前消費(fèi)信貸蓬勃發(fā)展的大環(huán)境下，部分金融機(jī)構(gòu)的人工審批機(jī)制已經(jīng)無法應(yīng)對(duì)逐漸增多的信貸需求，因此迫切地希望提升金融機(jī)構(gòu)的智能化風(fēng)控能力。金融機(jī)構(gòu)希望構(gòu)建從客戶預(yù)篩選、貸前審查、貸中審批、貸后管理到早期催收階段的信貸全流程風(fēng)險(xiǎn)緩釋機(jī)制。

2、如果能夠基于早識(shí)別、早預(yù)警、早發(fā)現(xiàn)、早處置的原則開發(fā)評(píng)分系統(tǒng)，快速便捷地對(duì)信貸業(yè)務(wù)進(jìn)行監(jiān)控管理，就能在在風(fēng)險(xiǎn)可控的基礎(chǔ)上，提升金融機(jī)構(gòu)自身業(yè)務(wù)體量、競(jìng)爭(zhēng)優(yōu)勢(shì)和資產(chǎn)質(zhì)量。

3、但是建設(shè)評(píng)分系統(tǒng)對(duì)于數(shù)據(jù)和技術(shù)層面的依賴性極強(qiáng)，數(shù)據(jù)維度的多樣性和覆蓋度、建模技巧及方法論直接影響著評(píng)分系統(tǒng)最終的穩(wěn)定性及排序性。部分金融機(jī)構(gòu)對(duì)于普惠業(yè)務(wù)智能化風(fēng)控經(jīng)驗(yàn)積累較少，風(fēng)控能力較弱。在實(shí)際的應(yīng)用過程中，存在數(shù)據(jù)挖掘分析能力欠缺、風(fēng)險(xiǎn)建模技術(shù)薄弱等因素導(dǎo)致金融機(jī)構(gòu)無法充分發(fā)揮內(nèi)部數(shù)據(jù)價(jià)值、無法有效提高模型精準(zhǔn)度及穩(wěn)定性等管控技術(shù)難題。這也是中小型金融機(jī)構(gòu)在進(jìn)行數(shù)字化轉(zhuǎn)型方向上的面臨的主要障礙之一。

技術(shù)實(shí)現(xiàn)思路

1、在此背景下，本技術(shù)的信用風(fēng)險(xiǎn)預(yù)測(cè)方法和系統(tǒng)基于大型銀行海量的數(shù)據(jù)，專門從海量數(shù)據(jù)中篩選有已申請(qǐng)企業(yè)信貸業(yè)務(wù)的客戶數(shù)據(jù)，以已申請(qǐng)企業(yè)信貸業(yè)務(wù)的客戶為樣本，構(gòu)建了預(yù)測(cè)信貸業(yè)務(wù)信用風(fēng)險(xiǎn)的模型。

2、目前市場(chǎng)上其他的流行的評(píng)分模型建設(shè)過程中往往困囿于建模樣本數(shù)量較小、數(shù)據(jù)來源較為單一、數(shù)據(jù)維度同質(zhì)性較高等不利因素。同時(shí)，由于目前市面上的風(fēng)險(xiǎn)評(píng)估模型大多使用單一維度的數(shù)據(jù)，即基于單一金融機(jī)構(gòu)數(shù)據(jù)、單一社交平臺(tái)數(shù)據(jù)或單一網(wǎng)購商城數(shù)據(jù)等進(jìn)行建模，數(shù)據(jù)覆蓋度有限，并且難以對(duì)借款人進(jìn)行全面與真實(shí)的風(fēng)險(xiǎn)評(píng)估。

3、本技術(shù)的方法和系統(tǒng)是基于高穩(wěn)定、高覆蓋和高稀缺性的數(shù)據(jù)樣本進(jìn)行的開發(fā)，并對(duì)目前已經(jīng)相對(duì)成熟的信貸風(fēng)控體系進(jìn)行了系統(tǒng)性的創(chuàng)新，同時(shí)在樣本選擇時(shí)使用信貸中的已申請(qǐng)企業(yè)信貸業(yè)務(wù)的的客戶作為建模樣本，能夠?qū)鹑跈C(jī)構(gòu)普惠業(yè)務(wù)信用風(fēng)險(xiǎn)評(píng)估體系進(jìn)行有效補(bǔ)充。

4、具體來說，本技術(shù)還可以進(jìn)一步以(1)無對(duì)公存款賬戶的客戶群體預(yù)測(cè)其未來是否會(huì)發(fā)生信貸逾期的概率；(2)有對(duì)公存款賬戶且企業(yè)信貸業(yè)務(wù)當(dāng)前時(shí)間未發(fā)生逾期的客戶群體預(yù)測(cè)其發(fā)生信貸逾期的概率；(3)有對(duì)公存款賬戶且企業(yè)信貸業(yè)務(wù)當(dāng)前時(shí)間未發(fā)生逾期的客戶群體預(yù)測(cè)其發(fā)生信貸逾期的概率，這3種信用違約概率為預(yù)測(cè)目標(biāo)(即目標(biāo)變量)進(jìn)行研發(fā)。

5、本技術(shù)的方法和系統(tǒng)與市場(chǎng)上現(xiàn)有的模型相比，在預(yù)測(cè)信貸客群發(fā)生信貸逾期30天及以上的覆蓋度、穩(wěn)定性和信息價(jià)值等方面都有著較大的優(yōu)勢(shì)，在普惠信貸客群逾期風(fēng)險(xiǎn)方面具有良好的應(yīng)用前景。

6、本技術(shù)涉及如下技術(shù)方案：

7、1.一種計(jì)算普惠信用風(fēng)險(xiǎn)的方法，其包括：

8、數(shù)據(jù)采集步驟，其獲取待預(yù)測(cè)樣本的普惠信用預(yù)測(cè)數(shù)據(jù)；

9、對(duì)待預(yù)測(cè)樣本進(jìn)行分類的步驟，其基于決策樹方法將待預(yù)測(cè)樣本進(jìn)行分類以確定用于計(jì)算信用違約概率的子模型；

10、信用違約概率計(jì)算步驟，將普惠信用預(yù)測(cè)數(shù)據(jù)代入信用違約概率子模型中以計(jì)算所述待預(yù)測(cè)樣本的信用違約概率。

11、2.根據(jù)項(xiàng)1所述的方法，其還包括：

12、在計(jì)算出信用違約概率之后，計(jì)算所述待預(yù)測(cè)樣本的信用評(píng)分的步驟，其用于將計(jì)算得到的信用違約概率校準(zhǔn)至0-1000分的標(biāo)準(zhǔn)化分?jǐn)?shù)。

13、3.根據(jù)項(xiàng)1或2所述的方法，其中，

14、所述普惠信用預(yù)測(cè)數(shù)據(jù)包括待預(yù)測(cè)樣本的原始普惠信用預(yù)測(cè)數(shù)據(jù)以及基于原始的普惠信用預(yù)測(cè)數(shù)據(jù)加工出衍生普惠信用預(yù)測(cè)數(shù)據(jù)；

15、優(yōu)選，所述原始普惠信用預(yù)測(cè)數(shù)據(jù)包括：

16、企業(yè)信貸類基礎(chǔ)數(shù)據(jù)，其是基于樣本(企業(yè))用戶的貸款申請(qǐng)情況及使用行為的全部可獲取的數(shù)據(jù)，

17、企業(yè)對(duì)公存款類基礎(chǔ)數(shù)據(jù)，其是基于樣本(企業(yè))用戶在金融機(jī)構(gòu)辦理的人民幣存款的全部可獲取的數(shù)據(jù)，

18、企業(yè)基本信息類基礎(chǔ)數(shù)據(jù)，其是基于樣本(企業(yè))用戶本身的屬性，但與在金融機(jī)構(gòu)的行為不直接關(guān)聯(lián)的數(shù)據(jù)，

19、企業(yè)主金融資產(chǎn)類基礎(chǔ)數(shù)據(jù)，其是樣本(企業(yè)實(shí)控人)用戶在金融機(jī)構(gòu)與信用卡和貸款不相關(guān)的其他全部金融資產(chǎn)和金融交易類數(shù)據(jù)，

20、企業(yè)主信貸類基礎(chǔ)數(shù)據(jù)，其是基于樣本(企業(yè)實(shí)控人)用戶的貸款申請(qǐng)情況及使用行為的全部可獲取的數(shù)據(jù)，

21、企業(yè)主基本信息類基礎(chǔ)數(shù)據(jù)，其是基于樣本(企業(yè)實(shí)控人)用戶本身的屬性，但與在金融機(jī)構(gòu)的行為不直接關(guān)聯(lián)的數(shù)據(jù)。

22、4.根據(jù)項(xiàng)1～3中任一項(xiàng)所述的方法，其中，

23、基于原始的普惠信用預(yù)測(cè)數(shù)據(jù)加工出衍生普惠信用預(yù)測(cè)數(shù)據(jù)是指基于時(shí)間維度、空間維度、頻率維度、統(tǒng)計(jì)信息維度對(duì)采集的原始的普惠信用預(yù)測(cè)數(shù)據(jù)進(jìn)行加工而得到的數(shù)據(jù)；

24、優(yōu)選，衍生普惠信用預(yù)測(cè)數(shù)據(jù)包括但不限于：

25、基于樣本關(guān)系長度進(jìn)行加工得到的衍生普惠信用預(yù)測(cè)數(shù)據(jù)，

26、基于時(shí)間間隔類變量進(jìn)行加工得到的衍生普惠信用預(yù)測(cè)數(shù)據(jù)，

27、基于樣本行為頻率程度進(jìn)行加工得到的衍生普惠信用預(yù)測(cè)數(shù)據(jù)，

28、基于樣本當(dāng)前時(shí)間點(diǎn)情況進(jìn)行加工得到的衍生普惠信用預(yù)測(cè)數(shù)據(jù)，

29、基于樣本持續(xù)行為進(jìn)行加工得到的衍生普惠信用預(yù)測(cè)數(shù)據(jù)，

30、基于統(tǒng)計(jì)信息維度對(duì)樣本數(shù)據(jù)進(jìn)行加工得到的衍生普惠信用預(yù)測(cè)數(shù)據(jù)。

31、5.根據(jù)項(xiàng)1～4中任一項(xiàng)所述的方法，其中，所述普惠信用預(yù)測(cè)數(shù)據(jù)選自以下中的一種或兩種或三種或四種或五種或六種或七種：

32、企業(yè)過去12個(gè)月(貸款總余額/合同總額度)最小值、企業(yè)實(shí)控人近6個(gè)月所有信貸申請(qǐng)拒絕次數(shù)、企業(yè)過去6個(gè)月(抵質(zhì)押擔(dān)保合同擔(dān)保金額之和/貸款總余額)最小值、企業(yè)過去12個(gè)月新增抵質(zhì)押貸款放款金額最大值、企業(yè)當(dāng)前住宅抵押擔(dān)保合同抵押物評(píng)估價(jià)值、企業(yè)過去12個(gè)月(貸款總余額/抵質(zhì)押擔(dān)保合同擔(dān)保金額之和)最小值、對(duì)公存款當(dāng)前月存款賬戶余額值、企業(yè)實(shí)控人個(gè)人貸款過去6個(gè)月還款金額平均值、企業(yè)過去6個(gè)月(存款賬戶月均貸方交易金額/貸款余額)平均值的分位數(shù)水平、企業(yè)當(dāng)前月(抵質(zhì)押擔(dān)保合同擔(dān)保金額之和/主合同額度之和)<10％的主合同個(gè)數(shù)、企業(yè)實(shí)控人過去3個(gè)月存款賬戶時(shí)點(diǎn)最小余額、企業(yè)過去12個(gè)月(逾期金額/總放款金額)平均值、企業(yè)實(shí)控人個(gè)人貸款過去12個(gè)月利息還款金額>0的月數(shù)占比、企業(yè)實(shí)控人信用卡(過去三個(gè)月平均賬單余額/過去三個(gè)月平均額度)、對(duì)公存款當(dāng)前月(月均貸方交易金額-月均借方交易金額)、企業(yè)實(shí)控人近12個(gè)月所有信貸申請(qǐng)拒絕次數(shù)。

33、6.根據(jù)項(xiàng)1～5中任一項(xiàng)所述的方法，其中，

34、對(duì)待預(yù)測(cè)樣本進(jìn)行分類的步驟包括如下子步驟：

35、該待測(cè)樣本是否是持有對(duì)公存款賬戶的客戶；

36、該待測(cè)樣本是否是企業(yè)信貸發(fā)生逾期的客戶；

37、基于上述子步驟對(duì)待預(yù)測(cè)樣本進(jìn)行分類以確定用于計(jì)算信用違約概率的子模型，在保證業(yè)務(wù)邏輯合理的前提下，上述子步驟進(jìn)行的順序可以任意設(shè)定；

38、優(yōu)選按照如下順序?qū)ΥA(yù)測(cè)樣本進(jìn)行分類：

39、該待測(cè)樣本是否是持有對(duì)公存款賬戶的客戶；

40、該待測(cè)樣本是否是企業(yè)信貸發(fā)生逾期的客戶。

41、7.根據(jù)項(xiàng)1～6中任一項(xiàng)所述的方法，其中，

42、對(duì)普惠信用預(yù)測(cè)數(shù)據(jù)進(jìn)行特征轉(zhuǎn)換后再代入信用違約概率子模型中計(jì)算所述待預(yù)測(cè)樣本的信用違約概率，所述特征轉(zhuǎn)換步驟包括：

43、基于需要代入信用違約概率子模型的普惠信用預(yù)測(cè)數(shù)據(jù)的特征類型選擇woe方式或連續(xù)型方式進(jìn)行特征轉(zhuǎn)換。

44、8.根據(jù)項(xiàng)7所述的方法，其中，

45、采用連續(xù)型方式進(jìn)行特征轉(zhuǎn)換包括如下方式：直接選取原始值、計(jì)算原始數(shù)據(jù)的平方、計(jì)算原始數(shù)據(jù)平方根、計(jì)算原始數(shù)據(jù)立方根或計(jì)算原始數(shù)據(jù)自然對(duì)數(shù)的方式進(jìn)行連續(xù)型特征轉(zhuǎn)換。

46、9.根據(jù)項(xiàng)1～8中任一項(xiàng)所述的方法，其中，

47、信用違約概率子模型為基于樣本普惠信用預(yù)測(cè)數(shù)據(jù)和信用違約概率采用邏輯回歸基于已有用戶人群構(gòu)建的模型。

48、10.根據(jù)項(xiàng)1～9中任一項(xiàng)所述的方法，其中，

49、所述普惠信用預(yù)測(cè)數(shù)據(jù)選自：企業(yè)過去6個(gè)月逾期期數(shù)>0的抵質(zhì)押合同筆數(shù)之和、企業(yè)過去12個(gè)月(貸款總余額/合同總額度)最小值、企業(yè)實(shí)控人近6個(gè)月所有信貸申請(qǐng)拒絕次數(shù)、企業(yè)過去6個(gè)月(抵質(zhì)押擔(dān)保合同擔(dān)保金額之和/貸款總余額)最小值、企業(yè)過去12個(gè)月新增抵質(zhì)押貸款放款金額最大值、企業(yè)當(dāng)前住宅抵押擔(dān)保合同抵押物評(píng)估價(jià)值中的一個(gè)、兩個(gè)、三個(gè)、四個(gè)、五個(gè)或六個(gè)。

50、11.根據(jù)項(xiàng)10所述的方法，其中，信用違約概率計(jì)算步驟包括：

51、對(duì)企業(yè)過去6個(gè)月逾期期數(shù)>0的抵質(zhì)押合同筆數(shù)之和、企業(yè)過去12個(gè)月(貸款總余額/合同總額度)最小值、企業(yè)實(shí)控人近6個(gè)月所有信貸申請(qǐng)拒絕次數(shù)、企業(yè)過去6個(gè)月(抵質(zhì)押擔(dān)保合同擔(dān)保金額之和/貸款總余額)最小值、企業(yè)過去12個(gè)月新增抵質(zhì)押貸款放款金額最大值、企業(yè)當(dāng)前住宅抵押擔(dān)保合同抵押物評(píng)估價(jià)值進(jìn)行特征轉(zhuǎn)化，

52、優(yōu)選對(duì)企業(yè)過去6個(gè)月逾期期數(shù)>0的抵質(zhì)押合同筆數(shù)之和采用連續(xù)型轉(zhuǎn)換方式；對(duì)企業(yè)過去12個(gè)月(貸款總余額/合同總額度)最小值采用連續(xù)型轉(zhuǎn)換方式；對(duì)企業(yè)實(shí)控人近6個(gè)月所有信貸申請(qǐng)拒絕次數(shù)采用woe轉(zhuǎn)換方式；對(duì)企業(yè)過去6個(gè)月(抵質(zhì)押擔(dān)保合同擔(dān)保金額之和/貸款總余額)最小值采用連續(xù)型轉(zhuǎn)換方式；對(duì)企業(yè)過去12個(gè)月新增抵質(zhì)押貸款放款金額最大值采用連續(xù)型轉(zhuǎn)換方式；對(duì)企業(yè)當(dāng)前住宅抵押擔(dān)保合同抵押物評(píng)估價(jià)值采用連續(xù)型轉(zhuǎn)換方式；

53、進(jìn)一步優(yōu)選，對(duì)企業(yè)過去6個(gè)月逾期期數(shù)>0的抵質(zhì)押合同筆數(shù)之和使用取對(duì)數(shù)的計(jì)算方式；對(duì)企業(yè)過去12個(gè)月(貸款總余額/合同總額度)最小值使用取原始值的計(jì)算方式；對(duì)企業(yè)過去6個(gè)月(抵質(zhì)押擔(dān)保合同擔(dān)保金額之和/貸款總余額)最小值使用取立方根的計(jì)算方式；對(duì)企業(yè)過去12個(gè)月新增抵質(zhì)押貸款放款金額最大值使用取立方根的計(jì)算方式；對(duì)企業(yè)當(dāng)前住宅抵押擔(dān)保合同抵押物評(píng)估價(jià)值使用取立方根的計(jì)算方式。

54、12.根據(jù)項(xiàng)11所述的方法，其中，

55、將企業(yè)過去6個(gè)月逾期期數(shù)>0的抵質(zhì)押合同筆數(shù)之和、企業(yè)過去12個(gè)月(貸款總余額/合同總額度)最小值、企業(yè)實(shí)控人近6個(gè)月所有信貸申請(qǐng)拒絕次數(shù)、企業(yè)過去6個(gè)月(抵質(zhì)押擔(dān)保合同擔(dān)保金額之和/貸款總余額)最小值、企業(yè)過去12個(gè)月新增抵質(zhì)押貸款放款金額最大值、企業(yè)當(dāng)前住宅抵押擔(dān)保合同抵押物評(píng)估價(jià)值這六個(gè)特征轉(zhuǎn)換后的數(shù)值代入基于樣本普惠信用預(yù)測(cè)數(shù)據(jù)和信用違約概率采用邏輯回歸構(gòu)建的子模型來計(jì)算該待預(yù)測(cè)樣本的違約概率。

56、13.根據(jù)項(xiàng)12所述的方法，其中，

57、其中所述子模型如下公式1所示：

58、

59、其中，k為進(jìn)入的模型的特征數(shù)量，優(yōu)選k為6，

60、α為截距項(xiàng)，數(shù)值范圍為(-1.35454,-3.32983)，最優(yōu)為-2.342；

61、β1為企業(yè)過去6個(gè)月逾期期數(shù)>0的抵質(zhì)押合同筆數(shù)之和對(duì)應(yīng)系數(shù)，數(shù)值范圍為(3.76101,3.2228)，最優(yōu)為3.492；

62、β2為企業(yè)過去12個(gè)月(貸款總余額/合同總額度)最小值對(duì)應(yīng)系數(shù)，數(shù)值范圍為(0.02864,0.02511)，最優(yōu)為0.027；

63、β3為企業(yè)實(shí)控人近6個(gè)月所有信貸申請(qǐng)拒絕次數(shù)對(duì)應(yīng)系數(shù)，數(shù)值范圍為(-1.03442,-1.21788)，最優(yōu)為-1.126；

64、β4為企業(yè)過去6個(gè)月(抵質(zhì)押擔(dān)保合同擔(dān)保金額之和/貸款總余額)最小值對(duì)應(yīng)系數(shù)，數(shù)值范圍為(-0.25209,-0.31363)，最優(yōu)為-0.283；

65、β5為企業(yè)過去12個(gè)月新增抵質(zhì)押貸款放款金額最大值對(duì)應(yīng)系數(shù)，數(shù)值范圍為(0.01243,0.0093)，最優(yōu)為0.011；

66、β6為企業(yè)當(dāng)前住宅抵押擔(dān)保合同抵押物評(píng)估價(jià)值對(duì)應(yīng)系數(shù)，取值范圍為(-0.00539,-0.00775)，最優(yōu)為-0.007；

67、x1為特征轉(zhuǎn)換步驟生成的企業(yè)過去6個(gè)月逾期期數(shù)>0的抵質(zhì)押合同筆數(shù)之和的自然對(duì)數(shù)轉(zhuǎn)換值；

68、x2為特征轉(zhuǎn)換步驟生成的企業(yè)過去12個(gè)月(貸款總余額/合同總額度)最小值的原始轉(zhuǎn)換值；

69、x3為特征轉(zhuǎn)換步驟生成的企業(yè)實(shí)控人近6個(gè)月所有信貸申請(qǐng)拒絕次數(shù)的woe轉(zhuǎn)換值；

70、x4為特征轉(zhuǎn)換步驟生成的企業(yè)過去6個(gè)月(抵質(zhì)押擔(dān)保合同擔(dān)保金額之和/貸款總余額)最小值的立方根轉(zhuǎn)換值；

71、x5為特征轉(zhuǎn)換步驟生成的企業(yè)過去12個(gè)月新增抵質(zhì)押貸款放款金額最大值的立方根轉(zhuǎn)換；

72、x6為特征轉(zhuǎn)換步驟生成的企業(yè)當(dāng)前住宅抵押擔(dān)保合同抵押物評(píng)估價(jià)值的立方根轉(zhuǎn)換值。

73、14.根據(jù)項(xiàng)13所述的方法，其中，

74、在計(jì)算出信用違約概率之后，計(jì)算所述待預(yù)測(cè)樣本的信用評(píng)分的步驟為利用如下公式計(jì)算生成用于表征所述借款人的信用評(píng)分：

75、

76、

77、其中，p為計(jì)算信用違約概率模塊中生成的借款人的違約概率(p)，a為54.2458；b為115.4156，round函數(shù)對(duì)計(jì)算分?jǐn)?shù)四舍五入后的取整值；最后將大于1000的分?jǐn)?shù)置為1000分，小于0分的分?jǐn)?shù)置為0分。

78、15.根據(jù)項(xiàng)1～9中任一項(xiàng)所述的方法，其中，

79、所述普惠信用預(yù)測(cè)數(shù)據(jù)選自：企業(yè)過去12個(gè)月(貸款總余額/抵質(zhì)押擔(dān)保合同擔(dān)保金額之和)最小值、對(duì)公存款當(dāng)前月存款賬戶余額值、企業(yè)過去12個(gè)月(貸款總余額/合同總額度)最小值、企業(yè)實(shí)控人個(gè)人貸款過去6個(gè)月還款金額平均值、企業(yè)過去6個(gè)月(存款賬戶月均貸方交易金額/貸款余額)平均值的分位數(shù)水平、企業(yè)當(dāng)前月(抵質(zhì)押擔(dān)保合同擔(dān)保金額之和/主合同額度之和)<10％的主合同個(gè)數(shù)、企業(yè)實(shí)控人過去3個(gè)月存款賬戶時(shí)點(diǎn)最小余額中的一個(gè)、兩個(gè)、三個(gè)、四個(gè)、五個(gè)、六個(gè)或七個(gè)。

80、16.根據(jù)項(xiàng)15所述的方法，其中，信用違約概率計(jì)算步驟包括：

81、將企業(yè)過去12個(gè)月(貸款總余額/抵質(zhì)押擔(dān)保合同擔(dān)保金額之和)最小值、對(duì)公存款當(dāng)前月存款賬戶余額值、企業(yè)過去12個(gè)月(貸款總余額/合同總額度)最小值、企業(yè)實(shí)控人個(gè)人貸款過去6個(gè)月還款金額平均值、企業(yè)過去6個(gè)月(存款賬戶月均貸方交易金額/貸款余額)平均值的分位數(shù)水平、企業(yè)當(dāng)前月(抵質(zhì)押擔(dān)保合同擔(dān)保金額之和/主合同額度之和)<10％的主合同個(gè)數(shù)、企業(yè)實(shí)控人過去3個(gè)月存款賬戶時(shí)點(diǎn)最小余額進(jìn)行特征轉(zhuǎn)換，

82、優(yōu)選對(duì)企業(yè)過去12個(gè)月(貸款總余額/抵質(zhì)押擔(dān)保合同擔(dān)保金額之和)最小值采用連續(xù)型轉(zhuǎn)換方式；對(duì)對(duì)公存款當(dāng)前月存款賬戶余額值采用連續(xù)型轉(zhuǎn)換方式；對(duì)企業(yè)過去12個(gè)月(貸款總余額/合同總額度)最小值采用連續(xù)型轉(zhuǎn)換方式；對(duì)企業(yè)實(shí)控人個(gè)人貸款過去6個(gè)月還款金額平均值采用連續(xù)型轉(zhuǎn)換方式；對(duì)企業(yè)過去6個(gè)月(存款賬戶月均貸方交易金額/貸款余額)平均值的分位數(shù)水平采用連續(xù)型轉(zhuǎn)換方式；對(duì)企業(yè)當(dāng)前月(抵質(zhì)押擔(dān)保合同擔(dān)保金額之和/主合同額度之和)<10％的主合同個(gè)數(shù)采用連續(xù)型轉(zhuǎn)換方式；對(duì)企業(yè)實(shí)控人過去3個(gè)月存款賬戶時(shí)點(diǎn)最小余額采用連續(xù)型轉(zhuǎn)換方式；

83、進(jìn)一步優(yōu)選，對(duì)企業(yè)過去12個(gè)月(貸款總余額/抵質(zhì)押擔(dān)保合同擔(dān)保金額之和)最小值使用取平方根的計(jì)算方式；對(duì)對(duì)公存款當(dāng)前月存款賬戶余額值使用取對(duì)數(shù)的計(jì)算方式；對(duì)企業(yè)過去12個(gè)月(貸款總余額/合同總額度)最小值使用取平方的計(jì)算方式；對(duì)企業(yè)實(shí)控人個(gè)人貸款過去6個(gè)月還款金額平均值取對(duì)數(shù)的計(jì)算方式；對(duì)企業(yè)過去6個(gè)月(存款賬戶月均貸方交易金額/貸款余額)平均值的分位數(shù)水平使用取原始值的計(jì)算方式；對(duì)企業(yè)當(dāng)前月(抵質(zhì)押擔(dān)保合同擔(dān)保金額之和/主合同額度之和)<10％的主合同個(gè)數(shù)使用取原始值的計(jì)算方式；對(duì)企業(yè)實(shí)控人過去3個(gè)月存款賬戶時(shí)點(diǎn)最小余額使用取對(duì)數(shù)的計(jì)算方式。

84、17.根據(jù)項(xiàng)15所述的方法，其中，

85、將企業(yè)過去12個(gè)月(貸款總余額/抵質(zhì)押擔(dān)保合同擔(dān)保金額之和)最小值、對(duì)公存款當(dāng)前月存款賬戶余額值、企業(yè)過去12個(gè)月(貸款總余額/合同總額度)最小值、企業(yè)實(shí)控人個(gè)人貸款過去6個(gè)月還款金額平均值、企業(yè)過去6個(gè)月(存款賬戶月均貸方交易金額/貸款余額)平均值的分位數(shù)水平、企業(yè)當(dāng)前月(抵質(zhì)押擔(dān)保合同擔(dān)保金額之和/主合同額度之和)<10％的主合同個(gè)數(shù)、企業(yè)實(shí)控人過去3個(gè)月存款賬戶時(shí)點(diǎn)最小余額這七個(gè)特征轉(zhuǎn)換后的數(shù)值代入基于樣本普惠信用預(yù)測(cè)數(shù)據(jù)采用邏輯回歸構(gòu)建的子模型來計(jì)算該待預(yù)測(cè)樣本的違約概率。

86、18.根據(jù)項(xiàng)17所述的方法，其中，

87、所述子模型如下公式2所示：

88、

89、其中，k為進(jìn)入的模型的特征數(shù)量，優(yōu)選k為7；

90、α為截距項(xiàng)，數(shù)值范圍為(2.76651,1.35845)，最優(yōu)為2.062；

91、β1為企業(yè)過去12個(gè)月(貸款總余額/抵質(zhì)押擔(dān)保合同擔(dān)保金額之和)最小值對(duì)應(yīng)系數(shù)，數(shù)值范圍為(0.28152,0.21763)，最優(yōu)為0.250；

92、β2為對(duì)公存款當(dāng)前月存款賬戶余額值對(duì)應(yīng)系數(shù)，數(shù)值范圍為(-0.13684,-0.15997)，最優(yōu)為-0.148；

93、β3為企業(yè)過去12個(gè)月(貸款總余額/合同總額度)最小值對(duì)應(yīng)系數(shù)，數(shù)值范圍為(0.07758,0.0521)，最優(yōu)為0.065；

94、β4為企業(yè)實(shí)控人個(gè)人貸款過去6個(gè)月還款金額平均值對(duì)應(yīng)系數(shù)，數(shù)值范圍為(-0.07126,-0.08419)，最優(yōu)為-0.078；

95、β5為企業(yè)過去6個(gè)月(存款賬戶月均貸方交易金額/貸款余額)平均值的分位數(shù)水平對(duì)應(yīng)系數(shù)，數(shù)值范圍為(-0.01233,-0.01429)，最優(yōu)為-0.013；

96、β6為企業(yè)當(dāng)前月(抵質(zhì)押擔(dān)保合同擔(dān)保金額之和/主合同額度之和)<10％的主合同個(gè)數(shù)對(duì)應(yīng)系數(shù)，數(shù)值范圍為(0.32322,0.28441)，最優(yōu)為0.304；

97、β7為企業(yè)實(shí)控人過去3個(gè)月存款賬戶時(shí)點(diǎn)最小余額對(duì)應(yīng)系數(shù)，數(shù)值范圍為(-0.0847,-0.10038)，最優(yōu)為-0.093；

98、x1為特征轉(zhuǎn)換步驟生成的企業(yè)過去12個(gè)月(貸款總余額/抵質(zhì)押擔(dān)保合同擔(dān)保金額之和)最小值的平方根轉(zhuǎn)換值；

99、x2為特征轉(zhuǎn)換步驟生成的對(duì)公存款當(dāng)前月存款賬戶余額值的自然對(duì)數(shù)轉(zhuǎn)換值；

100、x3為特征轉(zhuǎn)換步驟生成的企業(yè)過去12個(gè)月(貸款總余額/合同總額度)最小值的平方轉(zhuǎn)換值；

101、x4為特征轉(zhuǎn)換步驟生成的企業(yè)實(shí)控人個(gè)人貸款過去6個(gè)月還款金額平均值的自然對(duì)數(shù)轉(zhuǎn)換值；

102、x5為特征轉(zhuǎn)換步驟生成的企業(yè)過去6個(gè)月(存款賬戶月均貸方交易金額/貸款余額)平均值的分位數(shù)水平的原始轉(zhuǎn)換值；

103、x6為特征轉(zhuǎn)換步驟生成的企業(yè)當(dāng)前月(抵質(zhì)押擔(dān)保合同擔(dān)保金額之和/主合同額度之和)<10％的主合同個(gè)數(shù)的原始轉(zhuǎn)換值；

104、x7為特征轉(zhuǎn)換步驟生成的企業(yè)實(shí)控人過去3個(gè)月存款賬戶時(shí)點(diǎn)最小余額的自然對(duì)數(shù)轉(zhuǎn)換值。

105、19.根據(jù)項(xiàng)18所述的方法，其中，

106、在計(jì)算出信用違約概率之后，計(jì)算所述待預(yù)測(cè)樣本的信用評(píng)分的步驟為利用如下公式計(jì)算生成用于表征所述借款人的信用評(píng)分：

107、

108、

109、其中，p為計(jì)算信用違約概率模塊中生成的借款人的違約概率(p)，a為54.2458；b為115.4156，round函數(shù)對(duì)計(jì)算分?jǐn)?shù)四舍五入后的取整值；最后將大于1000的分?jǐn)?shù)置為1000分，小于0分的分?jǐn)?shù)置為0分。

110、20.根據(jù)項(xiàng)1～9中任一項(xiàng)所述的方法，其中，

111、所述普惠信用預(yù)測(cè)數(shù)據(jù)選自：企業(yè)過去12個(gè)月(逾期金額/總放款金額)平均值、企業(yè)實(shí)控人個(gè)人貸款過去12個(gè)月利息還款金額>0的月數(shù)占比、企業(yè)實(shí)控人信用卡(過去三個(gè)月平均賬單余額/過去三個(gè)月平均額度)、對(duì)公存款當(dāng)前月(月均貸方交易金額-月均借方交易金額)、企業(yè)實(shí)控人近12個(gè)月所有信貸申請(qǐng)拒絕次數(shù)中的一個(gè)、兩個(gè)、三個(gè)、四個(gè)或五個(gè)。

112、21.根據(jù)項(xiàng)20所述的方法，其中，信用違約概率計(jì)算步驟包括：

113、將企業(yè)過去12個(gè)月(逾期金額/總放款金額)平均值、企業(yè)實(shí)控人個(gè)人貸款過去12個(gè)月利息還款金額>0的月數(shù)占比、企業(yè)實(shí)控人信用卡(過去三個(gè)月平均賬單余額/過去三個(gè)月平均額度)、對(duì)公存款當(dāng)前月(月均貸方交易金額-月均借方交易金額)、企業(yè)實(shí)控人近12個(gè)月所有信貸申請(qǐng)拒絕次數(shù)進(jìn)行特征轉(zhuǎn)換，

114、優(yōu)選對(duì)企業(yè)過去12個(gè)月(逾期金額/總放款金額)平均值采用連續(xù)型轉(zhuǎn)換方式；對(duì)企業(yè)實(shí)控人個(gè)人貸款過去12個(gè)月利息還款金額>0的月數(shù)占比采用連續(xù)型轉(zhuǎn)換方式；對(duì)企業(yè)實(shí)控人信用卡(過去三個(gè)月平均賬單余額/過去三個(gè)月平均額度)采用連續(xù)型轉(zhuǎn)換方式；對(duì)對(duì)公存款當(dāng)前月(月均貸方交易金額-月均借方交易金額)采用連續(xù)型轉(zhuǎn)換方式；對(duì)企業(yè)實(shí)控人近12個(gè)月所有信貸申請(qǐng)拒絕次數(shù)采用連續(xù)型轉(zhuǎn)換方式；

115、進(jìn)一步優(yōu)選，對(duì)企業(yè)過去12個(gè)月(逾期金額/總放款金額)平均值使用取立方根的計(jì)算方式；對(duì)企業(yè)實(shí)控人個(gè)人貸款過去12個(gè)月利息還款金額>0的月數(shù)占比使用原始值的計(jì)算方式；對(duì)企業(yè)實(shí)控人信用卡(過去三個(gè)月平均賬單余額/過去三個(gè)月平均額度)使用取平方的計(jì)算方式；對(duì)對(duì)公存款當(dāng)前月(月均貸方交易金額-月均借方交易金額)使用取對(duì)數(shù)的計(jì)算方式；對(duì)企業(yè)實(shí)控人近12個(gè)月所有信貸申請(qǐng)拒絕次數(shù)使用取平方根的計(jì)算方式。

116、22.根據(jù)項(xiàng)20所述的方法，其中，

117、將企業(yè)過去12個(gè)月(逾期金額/總放款金額)平均值、企業(yè)實(shí)控人個(gè)人貸款過去12個(gè)月利息還款金額>0的月數(shù)占比、企業(yè)實(shí)控人信用卡(過去三個(gè)月平均賬單余額/過去三個(gè)月平均額度)、對(duì)公存款當(dāng)前月(月均貸方交易金額-月均借方交易金額)、企業(yè)實(shí)控人近12個(gè)月所有信貸申請(qǐng)拒絕次數(shù)這五個(gè)特征轉(zhuǎn)換后的數(shù)值代入基于樣本普惠信用預(yù)測(cè)數(shù)據(jù)和信用違約概率采用邏輯回歸構(gòu)建的子模型來計(jì)算該待預(yù)測(cè)樣本的違約概率。

118、23.根據(jù)項(xiàng)22所述的方法，其中，

119、所述子模型如下公式3所示：

120、

121、其中，k為進(jìn)入的模型的特征數(shù)量，優(yōu)選k為5；

122、α為截距項(xiàng)，數(shù)值范圍為(-2.32928,-2.45472)，最優(yōu)為-2.392；

123、β1為企業(yè)過去12個(gè)月(逾期金額/總放款金額)平均值對(duì)應(yīng)系數(shù)，數(shù)值范圍為(-0.60156,-0.65644)，最優(yōu)為-0.629；

124、β2為企業(yè)實(shí)控人個(gè)人貸款過去12個(gè)月利息還款金額>0的月數(shù)占比對(duì)應(yīng)系數(shù)，數(shù)值范圍為(-0.84424,-0.96576)，最優(yōu)為-0.905；

125、β3為企業(yè)實(shí)控人信用卡(過去三個(gè)月平均賬單余額/過去三個(gè)月平均額度)對(duì)應(yīng)系數(shù)，數(shù)值范圍為(-0.49976,-0.57424)，最優(yōu)為-0.537；

126、β4為對(duì)公存款當(dāng)前月(月均貸方交易金額-月均借方交易金額)對(duì)應(yīng)系數(shù)，數(shù)值范圍為(-0.05612,-0.06788)，最優(yōu)為-0.062；

127、β5為企業(yè)實(shí)控人近12個(gè)月所有信貸申請(qǐng)拒絕次數(shù)對(duì)應(yīng)系數(shù)，數(shù)值范圍為(-0.74304,-0.94296)，最優(yōu)為-0.843；

128、x1為特征轉(zhuǎn)換步驟生成的企業(yè)過去12個(gè)月(逾期金額/總放款金額)平均值的立方根轉(zhuǎn)換值；

129、x2為特征轉(zhuǎn)換步驟生成的企業(yè)實(shí)控人個(gè)人貸款過去12個(gè)月利息還款金額>0的月數(shù)占比的原始轉(zhuǎn)換值；

130、x3為特征轉(zhuǎn)換步驟生成的企業(yè)實(shí)控人信用卡(過去三個(gè)月平均賬單余額/過去三個(gè)月平均額度)的平方轉(zhuǎn)換值；

131、x4為特征轉(zhuǎn)換步驟生成的對(duì)公存款當(dāng)前月(月均貸方交易金額-月均借方交易金額)的自然對(duì)數(shù)轉(zhuǎn)換值；

132、x5為特征轉(zhuǎn)換步驟生成的企業(yè)實(shí)控人近12個(gè)月所有信貸申請(qǐng)拒絕次數(shù)的平方根轉(zhuǎn)換值。

133、24.根據(jù)項(xiàng)23所述的方法，其中，

134、在計(jì)算出信用違約概率之后，計(jì)算所述待預(yù)測(cè)樣本的信用評(píng)分的步驟為利用如下公式計(jì)算生成用于表征所述借款人的信用評(píng)分：

135、

136、

137、其中，p為計(jì)算信用違約概率模塊中生成的借款人的違約概率(p)，a為54.2458；b為115.4156，round函數(shù)對(duì)計(jì)算分?jǐn)?shù)四舍五入后的取整值；最后將大于1000的分?jǐn)?shù)置為1000分，小于0分的分?jǐn)?shù)置為0分。

138、25.一種計(jì)算普惠信用風(fēng)險(xiǎn)的裝置，其包括：

139、數(shù)據(jù)采集模塊，其用于獲取待預(yù)測(cè)樣本的普惠信用預(yù)測(cè)數(shù)據(jù)；

140、對(duì)待預(yù)測(cè)樣本進(jìn)行分類的模塊，其用于基于決策樹方法將待預(yù)測(cè)樣本進(jìn)行分類以確定用于計(jì)算信用違約概率的子模型；

141、信用違約概率計(jì)算模塊，其用于將普惠信用預(yù)測(cè)數(shù)據(jù)代入信用違約概率子模型中以計(jì)算所述待預(yù)測(cè)樣本的信用違約概率。

142、26.根據(jù)項(xiàng)25所述的裝置，其中，所述裝置執(zhí)行項(xiàng)1～24中任一項(xiàng)所述的計(jì)算普惠信用風(fēng)險(xiǎn)的方法的步驟。

143、27.一種計(jì)算普惠信用風(fēng)險(xiǎn)的系統(tǒng)，其特征在于，所述計(jì)算普惠信用風(fēng)險(xiǎn)的系統(tǒng)包括：存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的所述計(jì)算普惠信用風(fēng)險(xiǎn)方法的程序，所述計(jì)算普惠信用風(fēng)險(xiǎn)的程序被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)如項(xiàng)1～24中任一項(xiàng)所述的計(jì)算普惠信用風(fēng)險(xiǎn)的方法的步驟。

144、28.一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算普惠信用風(fēng)險(xiǎn)方法的程序，所述計(jì)算普惠信用風(fēng)險(xiǎn)方法的程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如項(xiàng)1～24中任一項(xiàng)所述的計(jì)算普惠信用風(fēng)險(xiǎn)的方法的步驟。

145、29.一種構(gòu)建普惠信用風(fēng)險(xiǎn)預(yù)測(cè)模型的方法，其包括：

146、數(shù)據(jù)采集步驟，其獲取用于構(gòu)建模型的樣本的原始普惠信用預(yù)測(cè)數(shù)據(jù)；

147、數(shù)據(jù)衍生步驟，其基于原始的普惠信用預(yù)測(cè)數(shù)據(jù)加工出衍生普惠信用預(yù)測(cè)數(shù)據(jù)；

148、特征初篩步驟，其對(duì)包括原始普惠信用預(yù)測(cè)數(shù)據(jù)和衍生普惠信用預(yù)測(cè)數(shù)據(jù)的全部類別，即全部特征進(jìn)行初步篩選，以獲得初步篩選后的特征；

149、初篩數(shù)據(jù)轉(zhuǎn)換步驟，對(duì)初步篩選后的特征進(jìn)行轉(zhuǎn)換方式的判斷以確認(rèn)采用woe轉(zhuǎn)換方式、啞特征轉(zhuǎn)換方式以及連續(xù)型轉(zhuǎn)換方式中的一種來進(jìn)行特征轉(zhuǎn)換，并針對(duì)每一個(gè)初步篩選后的特征采用判斷的最優(yōu)方式來進(jìn)行特征轉(zhuǎn)換；

150、特征精篩步驟，對(duì)進(jìn)行特征轉(zhuǎn)換后的初步篩選的特征進(jìn)行深度篩選以獲得精篩后的特征；

151、信用違約概率建模步驟，針對(duì)精篩后的特征結(jié)合與信用違約之間的概率關(guān)系選擇邏輯回歸的方式進(jìn)行模型構(gòu)建，并確認(rèn)用于計(jì)算信用違約概率的方式；

152、其中數(shù)據(jù)采集步驟獲取的數(shù)據(jù)樣本為使用過企業(yè)信貸業(yè)務(wù)的客戶樣本。

153、30.根據(jù)項(xiàng)29所述的方法，其中，

154、在數(shù)據(jù)采集步驟中，獲取的用于構(gòu)建模型的樣本的原始普惠信用預(yù)測(cè)數(shù)據(jù)包括：

155、企業(yè)信貸類基礎(chǔ)數(shù)據(jù)，其是基于樣本(企業(yè))用戶的貸款申請(qǐng)情況及使用行為的全部可獲取的數(shù)據(jù)，

156、企業(yè)對(duì)公存款類基礎(chǔ)數(shù)據(jù)，其是基于樣本(企業(yè))用戶在金融機(jī)構(gòu)辦理的人民幣存款的全部可獲取的數(shù)據(jù)，

157、企業(yè)基本信息類基礎(chǔ)數(shù)據(jù)，其是基于樣本(企業(yè))用戶本身的屬性，但與在金融機(jī)構(gòu)的行為不直接關(guān)聯(lián)的數(shù)據(jù)，

158、企業(yè)主金融資產(chǎn)類基礎(chǔ)數(shù)據(jù)，其是樣本(企業(yè)實(shí)控人)用戶在金融機(jī)構(gòu)與信用卡和貸款不相關(guān)的其他全部金融資產(chǎn)和金融交易類數(shù)據(jù)，

159、企業(yè)主信貸類基礎(chǔ)數(shù)據(jù)，其是基于樣本(企業(yè)實(shí)控人)用戶的貸款申請(qǐng)情況及使用行為的全部可獲取的數(shù)據(jù)，

160、企業(yè)主基本信息類基礎(chǔ)數(shù)據(jù)，其是基于樣本(企業(yè)實(shí)控人)用戶本身的屬性，但與在金融機(jī)構(gòu)的行為不直接關(guān)聯(lián)的數(shù)據(jù)。

161、31.根據(jù)項(xiàng)29所述的方法，其中，

162、在數(shù)據(jù)衍生步驟中，基于原始的普惠信用預(yù)測(cè)數(shù)據(jù)加工出衍生普惠信用預(yù)測(cè)數(shù)據(jù)是指基于時(shí)間維度、空間維度、頻率維度、統(tǒng)計(jì)信息維度對(duì)采集的原始的普惠信用預(yù)測(cè)數(shù)據(jù)進(jìn)行加工而得到的數(shù)據(jù)；

163、優(yōu)選，衍生普惠信用預(yù)測(cè)數(shù)據(jù)包括但不限于：

164、基于樣本關(guān)系長度進(jìn)行加工得到的衍生普惠信用預(yù)測(cè)數(shù)據(jù)，

165、基于時(shí)間間隔類變量進(jìn)行加工得到的衍生普惠信用預(yù)測(cè)數(shù)據(jù)，

166、基于樣本行為頻率程度進(jìn)行加工得到的衍生普惠信用預(yù)測(cè)數(shù)據(jù)，

167、基于樣本當(dāng)前時(shí)間點(diǎn)情況進(jìn)行加工得到的衍生普惠信用預(yù)測(cè)數(shù)據(jù)，

168、基于樣本持續(xù)行為進(jìn)行加工得到的衍生普惠信用預(yù)測(cè)數(shù)據(jù)，

169、基于統(tǒng)計(jì)信息維度對(duì)樣本數(shù)據(jù)進(jìn)行加工得到的衍生普惠信用預(yù)測(cè)數(shù)據(jù)。

170、32.根據(jù)項(xiàng)29～31中任一項(xiàng)所述的方法，其中，

171、特征初篩步驟包括如下步驟：

172、第一初篩步驟，基于用于構(gòu)建模型的樣本的每一特征的數(shù)據(jù)缺失情況來對(duì)特征進(jìn)行篩選，

173、第二初篩步驟，基于某一特征樣本的單一值過高情況來對(duì)特征進(jìn)行篩選，

174、第三初篩步驟，計(jì)算每一個(gè)特征的信息iv值對(duì)特征進(jìn)行初步篩選；

175、第一初篩步驟、第二初篩步驟和第三初篩步驟的順序可以為任意順序，

176、第四初篩步驟，對(duì)經(jīng)過第一～第三初步篩選后的特征采用逐步判別算法進(jìn)行特征的初步篩選；

177、第五初篩步驟，對(duì)經(jīng)過第四初篩步驟之后的特征基于各個(gè)特征本身的風(fēng)險(xiǎn)特性與用于模型構(gòu)建的樣本實(shí)際的真實(shí)結(jié)果的吻合情況來進(jìn)行特征的初步篩選。

178、33.根據(jù)項(xiàng)29～32中任一項(xiàng)所述的方法，其中，還包括：

179、樣本選定步驟，其用于在數(shù)據(jù)采集步驟之前對(duì)全部用戶進(jìn)行篩選并獲取用于模型構(gòu)建的使用了企業(yè)信貸業(yè)務(wù)的樣本，

180、優(yōu)選，樣本選定步驟包括基于決策樹對(duì)樣本全部用戶進(jìn)行分類，分類依據(jù)包括但不限于：

181、某一用戶是否是持有對(duì)公存款賬戶的客戶；

182、某一用戶是否是企業(yè)信貸發(fā)生逾期的客戶。

183、34.根據(jù)項(xiàng)29～33中任一項(xiàng)所述的方法，其中，在初篩數(shù)據(jù)轉(zhuǎn)換步驟中，初步篩選后的特征進(jìn)行轉(zhuǎn)換方式的判斷，是基于經(jīng)過初步篩選特征的集中度和數(shù)據(jù)類型來進(jìn)行判斷的。

184、35.根據(jù)項(xiàng)34所述的方法，其中，

185、初篩數(shù)據(jù)轉(zhuǎn)換步驟基于集中度和數(shù)據(jù)類型的判斷包括如下步驟：

186、針對(duì)每一特征的數(shù)據(jù)類型進(jìn)行分類將每一特征分類成字符型變量和數(shù)值型變量，

187、對(duì)字符型變量采用啞特征轉(zhuǎn)換方式進(jìn)行初篩數(shù)據(jù)轉(zhuǎn)換，

188、對(duì)數(shù)值型變量進(jìn)一步進(jìn)行分類的過程包括如下子步驟：

189、如果該數(shù)值型變量的取值少于n個(gè)，采用woe的轉(zhuǎn)換方式進(jìn)行初篩數(shù)據(jù)轉(zhuǎn)換，

190、如果該數(shù)值型變量的取值在n個(gè)以上時(shí)，進(jìn)一步判斷如果轉(zhuǎn)換為連續(xù)型變量取值較多且單一取值的集中度大于m％，則采用woe的轉(zhuǎn)換方式，如果單一取值的集中度小于等于m％，則采用連續(xù)型的轉(zhuǎn)換方式，

191、優(yōu)選，n和m均為正整數(shù)，其中n＝5～10，m＝90～99。

192、36.根據(jù)項(xiàng)35所述的方法，其中，還包括：

193、針對(duì)確認(rèn)采用連續(xù)型的轉(zhuǎn)換方式的特征基于該特征在不同連續(xù)型轉(zhuǎn)換方式下與信用違約的相關(guān)性高低來選擇最優(yōu)轉(zhuǎn)換方法來進(jìn)行該特征的連續(xù)型特征轉(zhuǎn)換，

194、優(yōu)選采用直接選取原始值、計(jì)算原始數(shù)據(jù)的平方、計(jì)算原始數(shù)據(jù)平方根、計(jì)算原始數(shù)據(jù)立方根或計(jì)算原始數(shù)據(jù)自然對(duì)數(shù)的方式進(jìn)行連續(xù)型特征轉(zhuǎn)換。

195、37.根據(jù)項(xiàng)29～36中任一項(xiàng)所述的方法，其中，特征精篩步驟包括：

196、第一精篩步驟，基于逐步回歸算法，基于f檢驗(yàn)與t檢驗(yàn)對(duì)特征的顯著性進(jìn)行特征的篩選，

197、第二精篩步驟，基于每個(gè)特征計(jì)算方差膨脹因子并剔除方差膨脹因子較高的特征來進(jìn)行特征的篩選，

198、第三精篩步驟，基于邏輯回歸對(duì)經(jīng)過第一精篩步驟和第二精篩步驟之后的特征，分析特征系數(shù)是否符合針對(duì)信用違約的預(yù)測(cè)結(jié)果的趨勢(shì)以進(jìn)一步進(jìn)行特征篩選。

199、38.根據(jù)項(xiàng)29～37中任一項(xiàng)所述的方法，其中，信用違約概率建模步驟將經(jīng)過特征精篩步驟篩選的特征代入sigmoid函數(shù)進(jìn)行邏輯回歸計(jì)算信用違約概率的模型。

200、39.一種構(gòu)建普惠信用風(fēng)險(xiǎn)預(yù)測(cè)模型的裝置，其特征在于，所述裝置包括：

201、數(shù)據(jù)采集模塊，其用于獲取用于構(gòu)建模型的樣本的原始普惠信用預(yù)測(cè)數(shù)據(jù)；

202、數(shù)據(jù)衍生模塊，其用于基于原始的普惠信用預(yù)測(cè)數(shù)據(jù)加工出衍生普惠信用預(yù)測(cè)數(shù)據(jù)；

203、特征初篩模塊，其用于對(duì)包括原始普惠信用預(yù)測(cè)數(shù)據(jù)和衍生普惠信用預(yù)測(cè)數(shù)據(jù)的全部類別，即全部特征進(jìn)行初步篩選，以獲得初步篩選后的特征；

204、初篩數(shù)據(jù)轉(zhuǎn)換模塊，其用于對(duì)初步篩選后的特征進(jìn)行轉(zhuǎn)換方式的判斷以確認(rèn)采用woe轉(zhuǎn)換方式、啞特征轉(zhuǎn)換方式以及連續(xù)型轉(zhuǎn)換方式中的一種來進(jìn)行特征轉(zhuǎn)換，并針對(duì)每一個(gè)初步篩選后的特征采用判斷的最優(yōu)方式來進(jìn)行特征轉(zhuǎn)換；

205、特征精篩模塊，其用于對(duì)進(jìn)行特征轉(zhuǎn)換后的初步篩選的特征進(jìn)行深度篩選以獲得精篩后的特征；

206、信用違約概率建模模塊，其用于針對(duì)精篩后的特征結(jié)合與信用違約之間的概率關(guān)系選擇邏輯回歸的方式進(jìn)行模型構(gòu)建，并確認(rèn)用于計(jì)算信用違約概率的方式，

207、其中數(shù)據(jù)采集模塊獲取的數(shù)據(jù)樣本為使用過企業(yè)信貸業(yè)務(wù)的客戶樣本。

208、40.根據(jù)項(xiàng)39所述的裝置，其中，所述裝置執(zhí)行項(xiàng)29～38中任一項(xiàng)所述的構(gòu)建普惠信用風(fēng)險(xiǎn)預(yù)測(cè)模型方法的步驟。

209、41.一種構(gòu)建普惠信用風(fēng)險(xiǎn)預(yù)測(cè)模型的系統(tǒng)，其特征在于，所述系統(tǒng)包括：存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的構(gòu)建普惠信用風(fēng)險(xiǎn)預(yù)測(cè)模型方法的程序，所述構(gòu)建普惠信用風(fēng)險(xiǎn)預(yù)測(cè)模型方法的程序被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)如項(xiàng)29～38中任一項(xiàng)所述的構(gòu)建普惠信用風(fēng)險(xiǎn)預(yù)測(cè)模型方法的步驟。

210、發(fā)明效果

211、本技術(shù)用于構(gòu)建普惠信用風(fēng)險(xiǎn)預(yù)測(cè)模型的方法和系統(tǒng)在構(gòu)建模型時(shí)結(jié)合了某大型金融機(jī)構(gòu)的大量樣本，并從中篩選已申請(qǐng)企業(yè)信貸業(yè)務(wù)的客戶數(shù)據(jù)，并深入地對(duì)樣本獲得的原始數(shù)據(jù)進(jìn)行加工和衍生，利用高級(jí)統(tǒng)計(jì)分析方法和可解釋的機(jī)器學(xué)習(xí)技術(shù)，根據(jù)原始數(shù)據(jù)和衍生數(shù)據(jù)的自身特點(diǎn)以及數(shù)據(jù)中包含的市場(chǎng)上難以獲取的強(qiáng)金融屬性信息，構(gòu)建的普惠信用類通用評(píng)分模型。

212、此外本技術(shù)在構(gòu)建模型之初先利用決策樹的方法對(duì)樣本進(jìn)行最為合理的分類并基于分類的樣本構(gòu)建子分類模型。結(jié)合決策樹構(gòu)建金融模型可以有效地將樣本按照可執(zhí)行的類別進(jìn)行分類，從而更好覆蓋不同客群的信用風(fēng)險(xiǎn)特點(diǎn)，避免將全部樣本用于構(gòu)建模型導(dǎo)致模型缺乏子群代表性的問題。

213、進(jìn)一步在本技術(shù)構(gòu)建風(fēng)險(xiǎn)預(yù)測(cè)模型時(shí)由于采用了逐步判別分析方法進(jìn)行模型特征的初步篩選充分提高了模型開發(fā)的整體效率。逐步判別的方法能夠更好地甄選出相同維度下更為重要的特征變量，大幅度減少下一步驟中需要開發(fā)人員根據(jù)變量趨勢(shì)逐一判斷篩選的工作量，在不影響整體模型效果的前提下充分提高模型開發(fā)效率，使初篩變量時(shí)更加高效和精準(zhǔn)。

214、本技術(shù)在模型構(gòu)建時(shí)開創(chuàng)性地將連續(xù)型轉(zhuǎn)換、woe轉(zhuǎn)換、啞特征轉(zhuǎn)換三種方式結(jié)合，對(duì)經(jīng)過了初始篩選地部分特征進(jìn)行再加工，結(jié)合了三種轉(zhuǎn)換方式的優(yōu)缺點(diǎn)，并且獨(dú)創(chuàng)性地設(shè)計(jì)了轉(zhuǎn)換判斷方法，根據(jù)特征數(shù)據(jù)屬性、缺失率、集中度的等參數(shù)輔以業(yè)務(wù)邏輯上的判斷，選擇最優(yōu)的特征轉(zhuǎn)換方式，通過這樣的模型構(gòu)建方法能夠規(guī)避以完全woe變量構(gòu)建模型時(shí)存在的過擬合、以完全連續(xù)型變量構(gòu)建模型時(shí)存在的無法很好適配分類型變量的這些技術(shù)缺點(diǎn)。

215、此外，用本技術(shù)構(gòu)建的計(jì)算信用風(fēng)險(xiǎn)概率或?qū)π庞蔑L(fēng)險(xiǎn)進(jìn)行評(píng)分的方法和系統(tǒng)，即scoreomega模型(scoreomega系列評(píng)分卡)(包括omega-1～omega-3子模型或子評(píng)分卡)，由于其模型構(gòu)建時(shí)首先基于決策樹進(jìn)行拆分，因此信用風(fēng)險(xiǎn)進(jìn)行計(jì)算初始先對(duì)客戶樣本進(jìn)行有效地決策分類選擇其最為適合的子模型或子評(píng)分卡進(jìn)行處理，同時(shí)由于子模型或子評(píng)分卡中使用的模型構(gòu)建方法為本技術(shù)所述方法，在構(gòu)建過程中同樣的規(guī)避了以完全woe變量構(gòu)建模型時(shí)存在的過擬合、以完全連續(xù)型變量構(gòu)建模型時(shí)存在的無法很好適配分類型變量的這些技術(shù)缺點(diǎn)，因此其在預(yù)測(cè)信用風(fēng)險(xiǎn)方面有著顯著優(yōu)于現(xiàn)有模型的效果。除此之外，由于本技術(shù)針對(duì)的是普惠信貸業(yè)務(wù)，樣本數(shù)據(jù)是從海量銀行數(shù)據(jù)中篩選出已申請(qǐng)企業(yè)信貸業(yè)務(wù)的客戶數(shù)據(jù)，涵蓋了普惠信貸業(yè)務(wù)的預(yù)測(cè)類變量，因此通過特定的業(yè)務(wù)場(chǎng)景數(shù)據(jù)利用統(tǒng)計(jì)學(xué)原理提煉出的風(fēng)險(xiǎn)規(guī)律，在針對(duì)普惠信貸業(yè)務(wù)的信用風(fēng)險(xiǎn)方面有著非常顯著的適配性和區(qū)分性。