[发明专利]一种AI智能风控建模方法

说明书

本发明公开一种AI智能风控建模方法，包括如下步骤：准备数据，数据预处理，数据集划分，建立训练模型，使用训练模型训练，评估优化，公布，数据沉淀并反馈。本发明建立了数据处理通路自动化、可溯源、数据易于解释的AI算法，可以兼容多种数据库文件格式，提高其兼容性、提高使用过程中的简便性；同时，训练模型可以自动分析出模型的主要关联属性，并与模型一同公布，便于操作人员理解，降低使用门槛，适合进行广泛的市场推广。

技术领域

本发明涉及金融科技模型技术领域，具体为一种AI智能风控建模方法。

背景技术

风险控制是指风险管理者采取各种措施和方法，消除或减少风险事件发生的各种可能性，或者风险管理者减少风险事件发生时造成的损失。风险控制可以有效的对各种风险进行管理，有利于企业做出正确的决策，有利于保护企业资产的安全和完整、有利于实现企业的经营活动目标，对于金融领域的企业具有重要的意义。

现有各金融单位使用的软件和数据库不同，因此其生成的数据库文件格式不同。在使用数据库文件进行建模时，难以兼容建模速度较慢。并且，建模后输出的模型的溯源性较差，可解释性较差；建模完成后需要专业的人士进行分析和解释，高度依赖专业人士的主观经验，使用门槛较高。并且，现有建模系统的学习周期较长，优化和更新速度较慢。

发明内容

针对现有技术中存在的上述不足，本发明提供一种AI智能风控建模方法。本发明通过以下技术方案实现。

一种AI智能风控建模方法，包括如下步骤：

S1.准备数据，收集存量数据样本；

S2.对数据样本进行预处理，根据数据样本的属性建立宽表数据集；

S3.对所述数据集进行划分，将数据集划分成训练集、测试集和验证集；

S4.建立训练模型；

S5.使用训模型训练，并调整损失函数和优化器；

S6.评估优化，使用S2中所述测试机评估训练模型的测试准确度；

S7.公布，并在业务场景中应用；

S8.应用的数据沉淀并反馈至S1处进入收集的样本中。

作为改进，S4中所述训练模型采用PyTorch开源AI算法框架建立，并通过配置参数对训练过程中的PyTorch开源AI算法框架的调用及数据参数。

作为改进，所述数据样本包括用户的基本信息数据，银行交易流水信息数据，产品持有信息数据，征信数据。

作为改进，S2中所述对数据样本预处理包括整理样本数据的特征，并根据特征标签化建立宽表数据集。

作为改进，S7中所述公布前使用验证集验证模型后发布。

作为改进，所述S7在公布模型时，还同时公布与模型相关的样本属性，并根据与模型相关性从高至低依次排列。

本发明的有益效果：

本发明建立了数据处理通路自动化、可溯源、数据易于解释的AI算法，可以兼容多种数据库文件格式，提高其兼容性、提高使用过程中的简便性；同时，训练模型可以自动分析出模型的主要关联属性，并与模型一同公布，便于操作人员理解，降低使用门槛。

附图说明

图1为本发明一种AI智能风控建模方法运行示意图。

具体实施方式

下面结合具体实施例对本发明的技术方案作更为详细、完整的说明。

实施例1

本实施例公开了一种AI智能风控建模方法，包括如下步骤：