[发明专利]多流量平台和金融机构矫正样本的拒绝推断方法及系统

说明书

本发明涉及金融安全技术领域，具体涉及一种多流量平台和金融机构矫正样本的拒绝推断方法及系统，通过Vintage分析和滚动率分析确定目标变量的逻辑；获取样本数据在申请贷款时的特征数据；统计不同时期不同金融机构的风控批核率，计算矫正因子，推导得出矫正样本的似然函数；利用极大似然估计方法求解参数，得到申请评分卡的打分公式。本发明综合流量平台的不同金融机构在不同时期申请批核信息，作为权重矫正有表现样本的，准确开发申请评分卡模型，实现不同客群精准推送不同机构提供基础。

技术领域

本发明涉及金融安全技术领域，具体涉及一种多流量平台和金融机构矫正样本的拒绝推断方法及系统。

背景技术

近三年，互联网助贷模式快速发展，成为金融科技领域最活跃的一块业务，得益于金融机构拥有低成本资金，互联网平台拥有大量用户以及平台积累海量用户数据。为了避免合作金融机构出现一家独大的情况，互联网公司会与多家作金融机构合作，实现客群利益的最大化；而金融机构保证自己的业务规模快速发展，对接更多流量平台，所形成的模式如图1。

由于不同金融机构的风险识别能力以及风险偏好的差异，以及平台客群差异，不同平台对应的不同金融机构的批核率，贷后表现差异较大。本专利提出依赖不同金融机构在不同平台的差异信息，作为构建申请评分模型矫正的因素，采用样本加权法的思路以解决不同机构策略的差异导致表现样本的偏差，以期望达到风险口径对齐，为实现不同平台客群精准推送金融机构提供依据。

申请评分卡作为风险排序模型在现代风险管理体系被广泛使用，拒绝推断技术研究如何有效利用被拒绝的样本数据，能够在一定程度上解决模型有偏问题。开发申请评分卡时需要利用拒绝推断技术，在审批策略增加新规则的同时，也优化了历史准确率不高的弱规则，保证业务能够稳健快速发展。常用的拒绝推断技术包括，样本重加权法或扩张法(Re-weighting/Augmentation)，目标重新归类法(Re-classification)，分散打包法(Fuzzy Augmentation/Parceling)，以及基于这些技术扩展的一些技术，主要从技术角度出发解决样本的偏差。

发明内容

针对现有技术的不足，本发明公开了一种多流量平台和金融机构矫正样本的拒绝推断方法及系统，本发明提出依赖不同金融机构在不同平台的差异信息，作为构建申请评分模型矫正的因素，采用样本加权法的思路以解决不同机构策略的差异导致表现样本的偏差，以期望达到风险口径对齐，为实现不同平台客群精准推送金融机构提供依据。

本发明通过以下技术方案予以实现：

第一方面，本发明公开一种多流量平台和金融机构矫正样本的拒绝推断方法，所述方法包括以下步骤：

S1在预设周期内采集有信用表现用户的相关数据，通过Vintage分析和滚动率分析确定目标变量的逻辑，对齐所有用户观察窗口，窗口期内出现过逾期N天及以上订单的用户为坏样本，观察期内有贷款且从未发生过逾期的用户定为好用户；

S2结合现有用户贷后的规模，采用MOB6定义历史出现过逾期30天及以上的用户为坏样本，MOB6内有贷款且从未发生过逾期的用户定为好用户；

S3获取好坏样本在申请贷款时的相关特征；

S4计算矫正因子，根据平台数据统计不同机构历史月份的批核率数据，剔除拒绝的样本，得到矫正的机构批核率矩阵A，如下

其中每行代表机构不同时期矫正后的批核率，每列代表不同的合作金融机构。以矫正后机构批核率的倒数作为观察样本的权重矩阵为W，其中W的每个元素

S5计算得到不同金融机构和不同时期的矫正因子，与准备的样本数据按金融机构和时期合并到Logistic Regression；具体如下π_i表示事件为1发生的概率，1-π_i表示事件为0发生的概率，其中