[发明专利]贷后风险评估方法及装置、存储介质

权利要求书

1.一种贷后风险评估方法，其特征在于，包括：

对所存储的贷款数据进行预处理，所述预处理包括数据降维、数据重分类、数据合并和数据清洗，所述贷款数据分类后包括静态数据和动态数据；

对预处理后的动态数据进行特征工程提取对应的特征工程特征；

基于深度学习网络进行评估模型构建，并采用金融模型中的专家特征和所述特征工程特征进行评估模型的训练；

基于所述评估模型进行数据评估并输出最终的审批名单。

2.根据权利要求1所述的方法，其特征在于，

所述数据降维为对所述贷款数据的每两个到三个维度之间做聚类，聚类之后分箱，哑变量处理，并计算哑变量化之后的信息增益并排序，当所述信息增益超过某一设定阈值之后，对其执行哑变量处理；

所述数据重分类是将所述贷款数据分成静态数据和动态数据；

所述数据合并为通过主关键字指示的核心客户将相关表结构进行并联合并，形成原始特征集合；

所述数据清洗为所述动态数据进行数据剔除。

3.根据权利要求1所述的方法，其特征在于，所述对预处理后的贷款数据进行特征工程提取对应的特征工程特征，包括：

对预处理后的贷款数据进行浅层特征提取，将连续特征分段离散化得到浅层特征；

对预处理后的贷款数据进行统计特征提取，提取数据观察窗口内时间序列的描述性统计得到统计特征，所述描述性统计包括均值、标准差和分位差中的一个或多个；

对预处理后的贷款数据进行深层特征提取，得到对应的深度特征；

结合所述浅层特征、所述统计特征和所述深层特征形成特征工程对应的特征工程特征。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

引入金融模型中的专家特征，划定所述专家特征所需数据的范围与所述特征工程中所需数据的范围具有最小交集。

5.根据权利要求3所述的方法，其特征在于，所述基于深度学习网络进行评估模型构建，并采用专家特征和特征工程特征进行评估模型的训练，包括：

采用LSTM网络进行深度、时序特征的提取，建立评估模型，并采用ADAM优化算法和均方误差函数对所建模型进行是否违约的训练；

采用支持向量机依据所述静态数据进行模型训练；

采用决策树随机森林的方法对针对是否违约的训练输出模型结果。

6.一种贷后风险评估装置，其特征在于，包括：

数据预处理模块，用于对所存储的贷款数据进行预处理，所述预处理包括数据降维、数据重分类、数据合并和数据清洗，所述贷款数据分类后包括静态数据和动态数据；

特征工程模块，用于对预处理后的动态数据进行特征工程提取对应的特征工程特征；

模型构建模块，用于基于深度学习网络进行评估模型构建，并采用金融模型中的专家特征和所述特征工程特征进行评估模型的优化；

数据评估模块，用于基于所述评估模型进行数据评估并输出最终的审批名单。

7.根据权利要求6所述的装置，其特征在于，所述特征工程模块包括：

浅层特征提取单元，用于对预处理后的贷款数据进行浅层特征提取，将连续特征分段离散化得到浅层特征；

统计特征提取单元，用于对预处理后的贷款数据进行统计特征提取，提取数据观察窗口内时间序列的描述性统计得到统计特征，所述描述性统计包括均值、标准差和分位差中的一个或多个；

深层特征提取单元，用于对预处理后的贷款数据进行深层特征提取，得到对应的深度特征；

特征结合单元，用于结合所述浅层特征、所述统计特征和所述深层特征形成特征工程对应的特征工程特征。

8.根据权利要求6所述的装置，其特征在于，所述装置还包括：

专家特征处理模块，用于引入专家特征，划定所述专家特征所需数据的范围与所述特征工程中所需数据的范围具有最小交集。