[发明专利]一种基于机器学习和大数据技术的信用评分构建方法

说明书

本发明公开了一种基于机器学习和大数据技术的信用评分构建方法,其特征在于，具体包括以下步骤：构建信贷主体人统一用户ID；将具有统一用户ID的信贷主体人数据进行提取和预处理成训练样本数据；通过机器学习分类算法‑集成树模型构建信用风险模型，根据信用风险模型获取风险概率；将风险概率自动转换为信用风险评分。本发明通过ID‑Mapping技术实现了信贷主体人的全域多维度大数据的高效准确的集成与融合，为信用风险模型的构建提供了信贷主体人的全域数据，并在此之上运用机器学习和大数据技术对信贷主体人进行定量信用风险分析从而提升了金融风控能力和降低信贷风险。

技术领域

本发明涉及金融风控技术领域，特别是涉及一种基于机器学习和大数据技术的信用评分构建方法。

背景技术

当下，我国金融改革持续深化，以互联网金融为代表的普惠金融呈爆发式增长。2015年我国消费信贷规模达到19万亿，同比增长23.3%，据第三方权威报告预计2019年将达到41.1万亿之巨。风口背后，一方面是传统金融未服务到的人群基数庞大，且长期缺乏金融产品，因此普惠金融是刚需，规模、潜力巨大；另一方面，移动互联网设备迅速普及，新型交互模式极大提升信贷效率，且数据爆发时代使得海量数据获取成本和难度大幅降低，在此之上运用机器学习技术对庞大人群进行定量风险分析并对应匹配合理的金融服务不仅成为可能，而且规模效应明显。

因此，整个金融行业正在技术、资本和市场的共同作用下发生数字化重构，面对剧烈变化的商业竞争格局和愈加完善的政府监管措施，金融机构纷纷寻求成熟的相关技术以强化其数据化风险体系。

但在实际操作中，由于互联网数据（如行为，电商，社交等数据）与传统征信数据（如信贷记录，银行流水，房产证件等数据）存在天然的巨大差别，传统的金融风险数据技术往往难以对新型互联网数据进行有效的风险价值提取，更无法支撑普惠金融下高并发实时的金融业务需求，具体难点分解如下：

（1）数据融合困难，数据一般来自多个渠道和系统，异质异构，且形式多样，诸如文本，时序，影像等类型，数据打通具有较大难度；

（2）数据使用困难，由于数据复杂度极大提升，且具有非结构化，低饱和，稀疏等特性，人工定义特征普遍耗时耗力，效率低；

（3）数据风险建模困难，特征加工之后往往会产生上千甚至上万维度变量，远远超出传统风控建模基于LR和评分卡体系的处理能力范围，急需更前沿的机器学习算法处理相应特征；

（4）模型集成困难，由于单一模型可能存在性能不稳定的问题，往往需要对不同模型进行集成以增强稳定性和泛化能力，传统方式缺乏相应的探索与验证；

（5）数据链条整合困难，从数据接入，预处理，特征加工到风险建模与迭代，形成持续优化的完整闭环系统，并且能够快速迁移和复用进不同金融业务取得实际效果，也需要较长时间的积累和打磨。

因此，金融风控领域急需一套更加科学合理以及成熟的基于机器学习和全域大数据技术的信用风险评分构建方法来提升金融风控能力、降低信贷风险。

发明内容

本发明的目的是克服现有技术的不足，设计出一种基于机器学习和大数据技术的信用评分构建方法。

为达到上述目的，本发明所采用的技术方案是：

一种基于机器学习和大数据技术的信用评分构建方法，具体包括以下步骤：

步骤1：构建信贷主体人统一用户ID；

步骤2：将具有统一用户ID的信贷主体人数据进行提取和预处理成训练样本数据；

步骤3：通过机器学习分类算法-集成树模型构建信用风险模型；