[发明专利]企业信用风险评估方法、装置、设备及存储介质

权利要求书

1.一种企业信用风险评估方法，其特征在于，包括：

接收待评估企业的企业税务数据；

调用基于XGBoost算法搭建的预训练的小微企业信用风险模型对所述企业税务数据进行经营信用风险评估，得到评估结果；

其中，所述小微企业信用风险模型的训练方法包括：

获取企业的税务样本数据；

对所述税务样本数据进行变量预处理，得到样本变量数据；

以所述样本变量数据的变量稳定性以及模型稳定性作为评估指标，对所述样本变量数据进行变量筛选，确定所述样本变量数据中的入模变量；

确定基于XGBoost算法搭建的小微企业信用风险模型中的模型参数；

调用所述样本变量数据对所述小微企业信用风险模型进行训练。

2.如权利要求1所述的企业信用风险评估方法，其特征在于，对所述税务样本数据进行变量预处理，得到样本变量数据，包括：

对所述税务样本数据进行变量分析，并将所述变量分析输出的数据作为预处理样本数据；

对所述预处理样本数据进行分箱woe处理，得到分箱后变量数据，将所述分箱后变量数据作为样本变量数据。

3.如权利要求2所述的企业信用风险评估方法，其特征在于，对所述税务样本数据进行变量分析，并将所述变量分析输出的数据作为预处理样本数据，包括：

对税务样本数据的分布进行统计分析，得到样本分布统计信息；

对所述样本分布统计信息中的缺失值以及异常值进行数据填充处理，并将处理后的数据作为预处理样本数据。

4.如权利要求1所述的企业信用风险评估方法，其特征在于，以所述样本变量数据的变量稳定性以及模型稳定性作为评估指标，对所述样本变量数据进行变量筛选，确定所述样本变量数据中的入模变量，包括：

根据所述样本变量数据间的相关性以及变量重要性对所述样本变量数据进行筛选，得到第一变量；

计算所述第一变量的模型稳定性指标，并取所述模型稳定性指标低于阈值的第一变量作为入模变量。

5.如权利要求1所述的企业信用风险评估方法，其特征在于，所述确定基于XGBoost算法搭建的小微企业信用风险模型中的模型参数，包括：

确定XGBoost模型基学习器类型；其中，所述XGBoost模型基学习器类型包括：gbtree和gbliner；

确定XGBoost的学习目标函数以及模型评估指标；其中，所述目标函数包括：逻辑回归、线性回归，所述模型评估指标包括：auc、logloss、rmse、mae、error；

对XGBoost算法参数进行调优处理，并将得到的最佳模型参数组合作为XGBoost模型参数。

6.一种企业信用风险评估装置，其特征在于，包括：

数据接收单元，用于接收待评估企业的企业税务数据；

模型评估单元，用于调用基于XGBoost算法搭建的预训练的小微企业信用风险模型对所述企业税务数据进行经营信用风险评估，得到评估结果；

其中，所述用于训练所述模型评估单元调用的所述小微企业信用风险模型的模型训练单元包括：

数据获取子单元，用于获取企业的税务样本数据；

变量预处理子单元，用于对所述税务样本数据进行变量预处理，得到样本变量数据；

变量筛选子单元，用于以所述样本变量数据的变量稳定性以及模型稳定性作为评估指标，对所述样本变量数据进行变量筛选，确定所述样本变量数据中的入模变量；

参数确定子单元，用于确定基于XGBoost算法搭建的小微企业信用风险模型中的模型参数；

训练子单元，用于调用所述样本变量数据对所述小微企业信用风险模型进行训练。

7.如权利要求6所述的企业信用风险评估装置，其特征在于，所述变量预处理子单元包括：

变量分析子单元，用于对所述税务样本数据进行变量分析，并将所述变量分析输出的数据作为预处理样本数据；

分箱处理子单元，用于对所述预处理样本数据进行分箱woe处理，得到分箱后变量数据，将所述分箱后变量数据作为样本变量数据。