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(lái)說(shuō)本技術(shù)涉及一種針對(duì)普惠信貸業(yè)務(wù)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)的普惠信用風(fēng)險(xiǎn)預(yù)測(cè)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(wú)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(kāi)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(lài)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)于零售業(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(guò)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(wú)法充分發(fā)揮內(nèi)部數(shù)據(jù)價(jià)值、無(wú)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、本技術(shù)提供了一種計(jì)算普惠信用風(fēng)險(xiǎn)的方法，其包括：

2、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)；

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

4、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。

5、2.根據(jù)項(xiàng)1所述的方法，其還包括：

6、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)。

7、3.根據(jù)項(xiàng)1或2所述的方法，其中，

8、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)；

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

10、企業(yè)信貸類(lèi)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)，

11、企業(yè)對(duì)公存款類(lèi)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)，

12、企業(yè)基本信息類(lèi)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)，

13、企業(yè)主金融資產(chǎn)類(lèi)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(lèi)數(shù)據(jù)，

14、企業(yè)主信貸類(lèi)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)，

15、企業(yè)主基本信息類(lèi)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)。

16、4.根據(jù)項(xiàng)1～3中任一項(xiàng)所述的方法，其中，

17、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)；

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

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

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

21、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)，

22、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)，

23、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)，

24、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)。

25、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或八種：

26、企業(yè)主過(guò)去6個(gè)月月均資產(chǎn)規(guī)模、企業(yè)主過(guò)去3個(gè)月存款賬戶時(shí)點(diǎn)最小余額、企業(yè)主過(guò)去12個(gè)月投資理財(cái)賬戶最大余額、企業(yè)主過(guò)去3個(gè)月月均交易金額除以過(guò)去6個(gè)月月均交易金額、企業(yè)主過(guò)去3個(gè)月投資理財(cái)賬戶金額最大連續(xù)增加月數(shù)、企業(yè)主當(dāng)月資產(chǎn)規(guī)模除以過(guò)去12個(gè)月月均資產(chǎn)規(guī)模、企業(yè)主個(gè)貸當(dāng)前月還款金額、企業(yè)主信用卡當(dāng)前剩余額度、企業(yè)主最近一次逾期>0至觀察點(diǎn)的月數(shù)、企業(yè)主過(guò)去12個(gè)月信用卡申請(qǐng)拒絕次數(shù)、企業(yè)主過(guò)去12個(gè)月額度使用率大于70％的月數(shù)、企業(yè)主過(guò)去12個(gè)月新增循環(huán)額度最大值、企業(yè)主過(guò)去6個(gè)月存款賬戶時(shí)點(diǎn)最小余額、企業(yè)主信貸當(dāng)前還款率。

27、6.根據(jù)項(xiàng)1～5中任一項(xiàng)所述的方法，其中，

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

29、該待測(cè)樣本是否有零售信貸；

30、基于上述子步驟對(duì)待預(yù)測(cè)樣本進(jìn)行分類(lèi)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。

31、7.根據(jù)項(xiàng)1～6中任一項(xiàng)所述的方法，其中，

32、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：

33、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(lèi)型選擇woe方式或連續(xù)型方式進(jìn)行特征轉(zhuǎn)換。

34、8.根據(jù)項(xiàng)7所述的方法，其中，

35、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。

36、9.根據(jù)項(xiàng)1～8中任一項(xiàng)所述的方法，其中，

37、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。

38、10.根據(jù)項(xiàng)1～9中任一項(xiàng)所述的方法，其中，

39、所述普惠信用預(yù)測(cè)數(shù)據(jù)選自：企業(yè)主過(guò)去6個(gè)月月均資產(chǎn)規(guī)模、企業(yè)主過(guò)去3個(gè)月存款賬戶時(shí)點(diǎn)最小余額、企業(yè)主過(guò)去12個(gè)月投資理財(cái)賬戶最大余額、企業(yè)主過(guò)去3個(gè)月月均交易金額除以過(guò)去6個(gè)月月均交易金額、企業(yè)主過(guò)去3個(gè)月投資理財(cái)賬戶金額最大連續(xù)增加月數(shù)、企業(yè)主當(dāng)月資產(chǎn)規(guī)模除以過(guò)去12個(gè)月月均資產(chǎn)規(guī)模中的一個(gè)、兩個(gè)、三個(gè)、四個(gè)、五個(gè)或六個(gè)。

40、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：

41、企業(yè)主過(guò)去6個(gè)月月均資產(chǎn)規(guī)模、企業(yè)主過(guò)去3個(gè)月存款賬戶時(shí)點(diǎn)最小余額、企業(yè)主過(guò)去12個(gè)月投資理財(cái)賬戶最大余額、企業(yè)主過(guò)去3個(gè)月月均交易金額除以過(guò)去6個(gè)月月均交易金額、企業(yè)主過(guò)去3個(gè)月投資理財(cái)賬戶金額最大連續(xù)增加月數(shù)、企業(yè)主當(dāng)月資產(chǎn)規(guī)模除以過(guò)去12個(gè)月月均資產(chǎn)規(guī)模進(jìn)行特征轉(zhuǎn)化，

42、優(yōu)選對(duì)企業(yè)主過(guò)去6個(gè)月月均資產(chǎn)規(guī)模、企業(yè)主過(guò)去3個(gè)月存款賬戶時(shí)點(diǎn)最小余額、企業(yè)主過(guò)去12個(gè)月投資理財(cái)賬戶最大余額、企業(yè)主過(guò)去3個(gè)月月均交易金額除以過(guò)去6個(gè)月月均交易金額、企業(yè)主過(guò)去3個(gè)月投資理財(cái)賬戶金額最大連續(xù)增加月數(shù)、企業(yè)主當(dāng)月資產(chǎn)規(guī)模除以過(guò)去12個(gè)月月均資產(chǎn)規(guī)模采用連續(xù)型方式進(jìn)行轉(zhuǎn)換；

43、進(jìn)一步優(yōu)選，對(duì)企業(yè)主過(guò)去6個(gè)月月均資產(chǎn)規(guī)模取自然對(duì)數(shù)的計(jì)算方式、對(duì)企業(yè)主過(guò)去3個(gè)月存款賬戶時(shí)點(diǎn)最小余額取平方根的計(jì)算方式、對(duì)企業(yè)主過(guò)去12個(gè)月投資理財(cái)賬戶最大余額取立方根的計(jì)算方式、對(duì)企業(yè)主過(guò)去3個(gè)月月均交易金額除以過(guò)去6個(gè)月月均交易金額取自然對(duì)數(shù)的計(jì)算方式、對(duì)企業(yè)主過(guò)去3個(gè)月投資理財(cái)賬戶金額最大連續(xù)增加月數(shù)取原始值的計(jì)算方式、對(duì)企業(yè)主當(dāng)月資產(chǎn)規(guī)模除以過(guò)去12個(gè)月月均資產(chǎn)規(guī)模取平方根的計(jì)算方式。

44、12.根據(jù)項(xiàng)11所述的方法，其中，

45、將企業(yè)主過(guò)去6個(gè)月月均資產(chǎn)規(guī)模、企業(yè)主過(guò)去3個(gè)月存款賬戶時(shí)點(diǎn)最小余額、企業(yè)主過(guò)去12個(gè)月投資理財(cái)賬戶最大余額、企業(yè)主過(guò)去3個(gè)月月均交易金額除以過(guò)去6個(gè)月月均交易金額、企業(yè)主過(guò)去3個(gè)月投資理財(cái)賬戶金額最大連續(xù)增加月數(shù)、企業(yè)主當(dāng)月資產(chǎn)規(guī)模除以過(guò)去12個(gè)月月均資產(chǎn)規(guī)模這六個(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(lái)計(jì)算該待預(yù)測(cè)樣本的違約概率。

46、13.根據(jù)項(xiàng)12所述的方法，其中，

47、其中所述子模型如下公式1所示：

48、

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

50、α為截距項(xiàng)，優(yōu)選的數(shù)值范圍為(1.41481,1.41417)，最優(yōu)為1.414；

51、β1為企業(yè)主過(guò)去6個(gè)月月均資產(chǎn)規(guī)模對(duì)應(yīng)系數(shù)，優(yōu)選的數(shù)值范圍為(-0.05188,-0.07419)，最優(yōu)為-0.063；

52、β2為企業(yè)主過(guò)去3個(gè)月存款賬戶時(shí)點(diǎn)最小余額對(duì)應(yīng)系數(shù)，優(yōu)選的數(shù)值范圍為(-0.23804,-0.24612)，最優(yōu)為-0.242；

53、β3為企業(yè)主過(guò)去12個(gè)月投資理財(cái)賬戶最大余額對(duì)應(yīng)系數(shù)，優(yōu)選的數(shù)值范圍為(-0.0964,-0.13168)，最優(yōu)為-0.114；

54、β4為企業(yè)主過(guò)去3個(gè)月月均交易金額除以過(guò)去6個(gè)月月均交易金額對(duì)應(yīng)系數(shù)，優(yōu)選的數(shù)值范圍為(0.02062,-0.00667)，最優(yōu)為0.007；

55、β5為企業(yè)主過(guò)去3個(gè)月投資理財(cái)賬戶金額最大連續(xù)增加月數(shù)對(duì)應(yīng)系數(shù)，優(yōu)選的數(shù)值范圍為(-0.03249,-0.03897)，最優(yōu)為-0.036；

56、β6為企業(yè)主當(dāng)月資產(chǎn)規(guī)模除以過(guò)去12個(gè)月月均資產(chǎn)規(guī)模對(duì)應(yīng)系數(shù)，優(yōu)選的數(shù)值范圍為(-0.30972,-0.31256)，最優(yōu)為-0.311；

57、x1為特征轉(zhuǎn)換步驟生成的企業(yè)主過(guò)去6個(gè)月月均資產(chǎn)規(guī)模的自然對(duì)數(shù)轉(zhuǎn)換值；

58、x2為特征轉(zhuǎn)換步驟生成的企業(yè)主過(guò)去3個(gè)月存款賬戶時(shí)點(diǎn)最小余額的平方根轉(zhuǎn)換值；

59、x3為特征轉(zhuǎn)換步驟生成的企業(yè)主過(guò)去12個(gè)月投資理財(cái)賬戶最大余額的立方根轉(zhuǎn)換值；

60、x4為特征轉(zhuǎn)換步驟生成的企業(yè)主過(guò)去3個(gè)月月均交易金額除以過(guò)去6個(gè)月月均交易金額的自然對(duì)數(shù)轉(zhuǎn)換值；

61、x5為特征轉(zhuǎn)換步驟生成的企業(yè)主過(guò)去3個(gè)月投資理財(cái)賬戶金額最大連續(xù)增加月數(shù)的原始值；

62、x6為特征轉(zhuǎn)換步驟生成的企業(yè)主當(dāng)月資產(chǎn)規(guī)模除以過(guò)去12個(gè)月月均資產(chǎn)規(guī)模的平方根轉(zhuǎn)換值。

63、14.根據(jù)項(xiàng)13所述的方法，其中，

64、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：

65、

66、

67、其中，p為計(jì)算信用逾期概率模塊中生成的借款人的逾期概率(p)，a為54.2475；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。

68、15.根據(jù)項(xiàng)1～9中任一項(xiàng)所述的方法，其中，

69、所述普惠信用預(yù)測(cè)數(shù)據(jù)選自：企業(yè)主個(gè)貸當(dāng)前月還款金額、企業(yè)主信用卡當(dāng)前剩余額度、企業(yè)主最近一次逾期>0至觀察點(diǎn)的月數(shù)、企業(yè)主過(guò)去12個(gè)月信用卡申請(qǐng)拒絕次數(shù)、企業(yè)主過(guò)去12個(gè)月額度使用率大于70％的月數(shù)、企業(yè)主過(guò)去12個(gè)月新增循環(huán)額度最大值、企業(yè)主過(guò)去6個(gè)月存款賬戶時(shí)點(diǎn)最小余額、企業(yè)主信貸當(dāng)前還款率中的一個(gè)、兩個(gè)、三個(gè)、四個(gè)、五個(gè)、六個(gè)、七個(gè)或八個(gè)。

70、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：

71、將企業(yè)主個(gè)貸當(dāng)前月還款金額、企業(yè)主信用卡當(dāng)前剩余額度、企業(yè)主最近一次逾期>0至觀察點(diǎn)的月數(shù)、企業(yè)主過(guò)去12個(gè)月信用卡申請(qǐng)拒絕次數(shù)、企業(yè)主過(guò)去12個(gè)月額度使用率大于70％的月數(shù)、企業(yè)主過(guò)去12個(gè)月新增循環(huán)額度最大值、企業(yè)主過(guò)去6個(gè)月存款賬戶時(shí)點(diǎn)最小余額、企業(yè)主信貸當(dāng)前還款率進(jìn)行特征轉(zhuǎn)換，

72、優(yōu)選對(duì)企業(yè)主個(gè)貸當(dāng)前月還款金額采用連續(xù)型轉(zhuǎn)換方式；對(duì)企業(yè)主信用卡當(dāng)前剩余額度采用連續(xù)型轉(zhuǎn)換方式；對(duì)企業(yè)主最近一次逾期>0至觀察點(diǎn)的月數(shù)采用連續(xù)型轉(zhuǎn)換方式；對(duì)企業(yè)主過(guò)去12個(gè)月信用卡申請(qǐng)拒絕次數(shù)采用啞特征方式進(jìn)行轉(zhuǎn)換；對(duì)企業(yè)主過(guò)去12個(gè)月額度使用率大于70％的月數(shù)采用啞特征方式進(jìn)行轉(zhuǎn)換；對(duì)企業(yè)主過(guò)去12個(gè)月新增循環(huán)額度最大值采用連續(xù)型轉(zhuǎn)換方式；對(duì)企業(yè)主過(guò)去6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；對(duì)企業(yè)主信貸當(dāng)前還款率采用連續(xù)型轉(zhuǎn)換方式；

73、進(jìn)一步優(yōu)選，對(duì)企業(yè)主個(gè)貸當(dāng)前月還款金額取自然對(duì)數(shù)的計(jì)算方式；對(duì)企業(yè)主信用卡當(dāng)前剩余額度取立方根的計(jì)算方式；對(duì)企業(yè)主最近一次逾期>0至觀察點(diǎn)的月數(shù)取原始值的計(jì)算方式；對(duì)企業(yè)主過(guò)去12個(gè)月新增循環(huán)額度最大值取立方根的計(jì)算方式；對(duì)企業(yè)主過(guò)去6個(gè)月存款賬戶時(shí)點(diǎn)最小余額取立方根的計(jì)算方式；對(duì)企業(yè)主信貸當(dāng)前還款率取平方根的計(jì)算方式。

74、17.根據(jù)項(xiàng)15所述的方法，其中，

75、將企業(yè)主個(gè)貸當(dāng)前月還款金額、企業(yè)主信用卡當(dāng)前剩余額度、企業(yè)主最近一次逾期>0至觀察點(diǎn)的月數(shù)、企業(yè)主過(guò)去12個(gè)月信用卡申請(qǐng)拒絕次數(shù)、企業(yè)主過(guò)去12個(gè)月額度使用率大于70％的月數(shù)、企業(yè)主過(guò)去12個(gè)月新增循環(huán)額度最大值、企業(yè)主過(guò)去6個(gè)月存款賬戶時(shí)點(diǎn)最小余額、企業(yè)主信貸當(dāng)前還款率這八個(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(lái)計(jì)算該待預(yù)測(cè)樣本的違約概率。

76、18.根據(jù)項(xiàng)17所述的方法，其中，

77、所述子模型如下公式2所示：

78、

79、其中，k為進(jìn)入的模型的特征數(shù)量，優(yōu)選k為8；

80、α為截距項(xiàng)，優(yōu)選的數(shù)值范圍為(0.7295,0.6903)，最優(yōu)為0.710；

81、β1為企業(yè)主個(gè)貸當(dāng)前月還款金額對(duì)應(yīng)系數(shù)，優(yōu)選的數(shù)值范圍為(0.02443,-0.05397)，最優(yōu)為-0.015；

82、β2為近企業(yè)主信用卡當(dāng)前剩余額度對(duì)應(yīng)系數(shù)，優(yōu)選的數(shù)值范圍為(-0.22862,-0.26782)，最優(yōu)為-0.248；

83、β3為企業(yè)主最近一次逾期>0至觀察點(diǎn)的月數(shù)對(duì)應(yīng)系數(shù)，優(yōu)選的數(shù)值范圍為(-0.0311,-0.03902)，最優(yōu)為-0.035；

84、β4為企業(yè)主過(guò)去12個(gè)月信用卡申請(qǐng)拒絕次數(shù)對(duì)應(yīng)系數(shù)，優(yōu)選的數(shù)值范圍為(0.02274,-0.01185)，最優(yōu)為0.005；

85、β5為企業(yè)主過(guò)去12個(gè)月額度使用率大于70％的月數(shù)對(duì)應(yīng)系數(shù)，優(yōu)選的數(shù)值范圍為(0.0129,-0.0655)，最優(yōu)為-0.026；

86、β6為企業(yè)主過(guò)去12個(gè)月新增循環(huán)額度最大值對(duì)應(yīng)系數(shù)，優(yōu)選的數(shù)值范圍為(-0.27345,-0.27981)，最優(yōu)為-0.277；

87、β7為企業(yè)主過(guò)去6個(gè)月存款賬戶時(shí)點(diǎn)最小余額對(duì)應(yīng)系數(shù)，優(yōu)選的數(shù)值范圍為(0.17884,0.13964)，最優(yōu)為0.159；

88、β8為企業(yè)主信貸當(dāng)前還款率對(duì)應(yīng)系數(shù)，優(yōu)選的數(shù)值范圍為(0.07388,-0.12212)，最優(yōu)為-0.02；

89、x1為特征轉(zhuǎn)換步驟生成的企業(yè)主個(gè)貸當(dāng)前月還款金額的自然對(duì)數(shù)轉(zhuǎn)換值；

90、x2為特征轉(zhuǎn)換步驟生成企業(yè)主信用卡當(dāng)前剩余額度的立方根轉(zhuǎn)換值；

91、x3為特征轉(zhuǎn)換步驟生成的企業(yè)主信用卡當(dāng)前剩余額度的原始值；

92、x4為特征轉(zhuǎn)換步驟生成的企業(yè)主過(guò)去12個(gè)月額度使用率大于70％的月數(shù)的woe轉(zhuǎn)換值；

93、x5為特征轉(zhuǎn)換步驟生成的企業(yè)主過(guò)去12個(gè)月信用卡申請(qǐng)拒絕次數(shù)的啞變量轉(zhuǎn)換值；

94、x6為特征轉(zhuǎn)換步驟生成企業(yè)主過(guò)去12個(gè)月新增循環(huán)額度最大值的啞變量轉(zhuǎn)換值；

95、x7為特征轉(zhuǎn)換步驟生成企業(yè)主過(guò)去6個(gè)月存款賬戶時(shí)點(diǎn)最小余額的立方根轉(zhuǎn)換值；

96、x8為特征轉(zhuǎn)換步驟生成企業(yè)主信貸當(dāng)前還款率的平方根轉(zhuǎn)換值。

97、19.根據(jù)項(xiàng)18所述的方法，其中，

98、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：

99、

100、

101、其中，p為計(jì)算信用逾期概率模塊中生成的借款人的逾期概率(p)，a為54.2475；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。

102、20.一種計(jì)算普惠信用風(fēng)險(xiǎn)的裝置，其包括：

103、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)；

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

105、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，優(yōu)選所述信用違約概率為針對(duì)普惠信貸業(yè)務(wù)的信用違約概率。

106、21.根據(jù)項(xiàng)20所述的裝置，其中，所述裝置執(zhí)行項(xiàng)1～19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。

107、22.一種計(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)1～19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。

108、23.一種計(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)1～19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。

109、24.一種針對(duì)普惠信貸業(yè)務(wù)構(gòu)建普惠信用風(fēng)險(xiǎn)預(yù)測(cè)模型的方法，其包括：

110、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)；

111、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)；

112、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(lèi)別，即全部特征進(jìn)行初步篩選，以獲得初步篩選后的特征；

113、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(lái)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(lái)進(jìn)行特征轉(zhuǎn)換；

114、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；

115、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；

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

117、25.根據(jù)項(xiàng)24所述的方法，其中，

118、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：

119、企業(yè)信貸類(lèi)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)，

120、企業(yè)對(duì)公存款類(lèi)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)，

121、企業(yè)基本信息類(lèi)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)，

122、企業(yè)主金融資產(chǎn)類(lèi)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(lèi)數(shù)據(jù)，

123、企業(yè)主信貸類(lèi)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)，

124、企業(yè)主基本信息類(lèi)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)。

125、26.根據(jù)項(xiàng)24所述的方法，其中，

126、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)；

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

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

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

130、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)，

131、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)，

132、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)，

133、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)。

134、27.根據(jù)項(xiàng)24～26中任一項(xiàng)所述的方法，其中，

135、特征初篩步驟包括如下步驟：

136、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(lái)對(duì)特征進(jìn)行篩選，

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

138、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；

139、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，

140、第四初篩步驟，對(duì)經(jīng)過(guò)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；

141、第五初篩步驟，對(duì)經(jīng)過(guò)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(lái)進(jìn)行特征的初步篩選。

142、28.根據(jù)項(xiàng)24～27中任一項(xiàng)所述的方法，其中，還包括：

143、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)建的使用了普惠信貸業(yè)務(wù)的樣本，

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

145、某一用戶是否有零售信貸。

146、29.根據(jù)項(xiàng)24～28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(guò)初步篩選特征的集中度和數(shù)據(jù)類(lèi)型來(lái)進(jìn)行判斷的。

147、30.根據(jù)項(xiàng)29所述的方法，其中，

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

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

150、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，

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

152、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，

153、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，

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

155、31.根據(jù)項(xiàng)30所述的方法，其中，還包括：

156、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(lái)選擇最優(yōu)轉(zhuǎn)換方法來(lái)進(jìn)行該特征的連續(xù)型特征轉(zhuǎn)換，

157、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。

158、32.根據(jù)項(xiàng)24～31中任一項(xiàng)所述的方法，其中，特征精篩步驟包括：

159、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，

160、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(lái)進(jìn)行特征的篩選，

161、第三精篩步驟，基于邏輯回歸對(duì)經(jīng)過(guò)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。

162、33.根據(jù)項(xiàng)24～32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(guò)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。

163、34.一種針對(duì)普惠信貸業(yè)務(wù)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：

164、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)；

165、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)；

166、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(lèi)別，即全部特征進(jìn)行初步篩選，以獲得初步篩選后的特征；

167、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(lái)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(lái)進(jìn)行特征轉(zhuǎn)換；

168、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；

169、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，

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

171、35.根據(jù)項(xiàng)34所述的裝置，其中，所述裝置執(zhí)行項(xiàng)24～33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。

172、36.一種針對(duì)普惠信貸業(yè)務(wù)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)24～33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。

173、發(fā)明效果

174、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，并從中篩選有已申請(qǐng)普惠信貸業(yè)務(wù)的客戶數(shù)據(jù)作為原始數(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(lèi)通用評(píng)分模型。

175、此外本技術(shù)在構(gòu)建模型之初先利用決策樹(shù)的方法對(duì)樣本進(jìn)行最為合理的分類(lèi)并基于分類(lèi)的樣本構(gòu)建子分類(lèi)模型。結(jié)合決策樹(shù)構(gòu)建金融模型可以有效地將樣本按照可執(zhí)行的類(lèi)別進(jìn)行分類(lèi)，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(wèn)題。

176、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(kāi)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(kāi)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(kāi)發(fā)效率，使初篩變量時(shí)更加高效和精準(zhǔn)。

177、本技術(shù)在模型構(gòu)建時(shí)開(kāi)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(guò)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(guò)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(guò)擬合、以完全連續(xù)型變量構(gòu)建模型時(shí)存在的無(wú)法很好適配分類(lèi)型變量的這些技術(shù)缺點(diǎn)。

178、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kappa模型(kappa系列評(píng)分卡)(包括kappa1和kappa2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(shù)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(lèi)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(guò)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(guò)擬合、以完全連續(xù)型變量構(gòu)建模型時(shí)存在的無(wú)法很好適配分類(lèi)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)是從海量數(shù)據(jù)中篩選出已申請(qǐng)普惠信貸業(yè)務(wù)的客戶數(shù)據(jù)，不僅涵蓋了互聯(lián)網(wǎng)業(yè)務(wù)的預(yù)測(cè)類(lèi)變量，還包含了互聯(lián)網(wǎng)業(yè)務(wù)的逾期表現(xiàn)數(shù)據(jù)，因此通過(guò)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。