[发明专利]贷中行为监控的方法及系统

说明书

本发明公开了贷中行为监控的方法及系统。涉及信息处理及应用领域，其中，方法通过获取业务类型和客户的历史行为特征数据构成的数据集，然后利用预先训练好的业务类型对应的逻辑回归预测模型根据数据集计算得到客户的违约概率，最后根据违约概率进行贷中行为监控。通过在贷中根据客户的历史行为特征数据预测该客户的违约风险，来评估客户的还款能力和还款意愿等，根据违约概率来进行贷中行为监控，对于高风险客户及时采取有效的预防措施，准确定位客户群体，提高贷款的有效性，贷中行为监控的方法，避免人为因素影响，提高评审效率以及有效贷款量。可广泛应用于信贷领域。

技术领域

本发明涉及信息处理及应用领域，尤其是涉及一种贷中行为监控的方法及系统。

背景技术

近年来随着互联网金融的快速发展以及互联网所沉淀的行为数据呈现爆炸式的增长，依托于海量数据，客户互联网贷款业务量逐年增加。但是目前在结束了贷前评估流程并完成放款后，客户仍有可能会在还款过程中违约，为了降低贷中违约风险，目前多是业务人员根据人为经验确定已放款客户的还款能力、还款意向等用于评估违约风险，因此没有有效的方法来进行贷中行为监控降低贷中业务风险，由于人为因素的影响较大、其评审结果可靠性低，且评审效率低，导致坏账死账变多，有效贷款量下降。因此需要提出一种能够进行贷中行为监控的方法，以避免人为因素影响，提高行为监控效率以及发放贷款回款率。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种贷中行为监控的方法，能够监控贷中行为，避免人为因素影响，提高行为监控效率以及发放贷款回款率。

第一方面，本发明的一个实施例提供了：一种贷中行为监控的方法，包括：

获取业务类型和客户的历史行为特征数据构成的数据集；

利用预先训练好的所述业务类型对应的逻辑回归预测模型根据所述数据集计算得到客户的违约概率；

根据所述违约概率进行贷中行为监控。

进一步地，训练所述业务类型对应的逻辑回归预测模型具体包括：

根据不同业务类型选取对应的历史行为特征数据构成训练数据集；

利用训练数据集训练所述逻辑回归预测模型得到历史行为特征对应的预测概率；

将所述预测概率与真实值进行比较得到损失值，根据所述损失值调整所述逻辑回归预测模型参数。

进一步地，所述根据所述违约概率进行贷中行为监控包括：

根据所述违约概率计算得到整体风险分值；

将所述整体风险分值映射到评分区间计算客户的信用评分，根据所述信用评分进行贷中行为监控。

进一步地，所述根据所述违约概率计算得到整体风险分值包括：

计算每一类历史行为特征数据的违约概率；

并根据所述违约概率与所述历史行为特征数据对应的变量权重计算得到单变量风险分值；

根据所述单变量风险分值得到所述历史行为特征数据的整体风险分值。

进一步地，计算所述变量权重的过程包括：

获取多个用户的每一类历史行为特征数据组成多个单一变量训练数据集，将每一个单一变量训练数据集输入到所述逻辑回归预测模型中得到当前类别历史行为特征数据的预测概率，根据所述预测概率调整所述逻辑回归预测模型得到当前类别历史行为特征数据的变量权重。

进一步地，计算所述变量权重的过程还包括：