[发明专利]一种基于迁移学习的用户违约预测定价方法和系统

权利要求书

1.一种基于迁移学习的用户违约预测定价方法，其特征在于，该方法包括以下步骤：

S1.基于各个信贷用户的信贷数据，采用迁移学习模型预测各个信贷用户的违约风险，根据违约风险概率对信贷用户进行分类，得到高违约风险用户、中违约风险用户和低违约风险用户，并标记高违约风险用户，不对其进行定价处理；

S2.将所有中违约风险用户的信贷数据和低违约风险用户的信贷数据作为输入，采用改进Tradaboost模型调节中违约风险用户和低违约风险用户的贷款费率定价，以利润最大化为目标，得到最优定价，所述改进Tradaboost模型的损失函数为利润函数平方的相反数。

2.如权利要求1所述的方法，其特征在于，步骤S1中，所述信贷数据包括用户特征集合U、用户办理产品特征集合P和用户网络行为特征集合W，对于用户特征集U，缺失值最少的前6项进行用户聚类，构成新的用户特征，结合用户特征集U形成用户画像，并对用户特征集U、用户办理产品特征P、用户网络行为特征W的缺失值最少的前6项的特征进行交叉特征构建。

3.如权利要求1或2所述的方法，其特征在于，步骤S1中，所述信贷数据包括源数据和目标数据，所述目标数据为新贷款业务数据，所述源数据为与目标数据业务相似的业务数据；

所述迁移学习模型的样本权重参数为所有信贷用户的目标数据的正负样本比重，正样本为违约用户，负样本为不违约用户。

4.如权利要求1至3任一项所述的方法，其特征在于，步骤S1中，分别采用Tradaboost、JDA联合分布适配方法、DTELM迁移极限学习机对各个信贷用户的违约风险进行预测，分别使用stacking和加权融合两种方式对三种模型输出的预测结果进行融合，得到第一融合结果和第二融合结果，再使用平均融合的方式第一融合结果和第二融合结果进行融合。

5.如权利要求1至4任一项所述的方法，其特征在于，步骤S2中，将定价目标P₁、P₂根据贪心算法，作为参数在tradaboost模型中进行调整，具体如下：

首先将历史定价作为低违约风险用户的放款定价、中违约风险用户的放款定价参数的初始值；

采用贪心算法先固定历史低违约风险用户的放款定价，调整中违约风险用户的放款定价参数，以达到该参数下的模型利润最大化后，再对低违约风险用户的放款定价进行调参，得到对应的中、低违约风险用户的放款定价。

6.如权利要求1至5任一项所述的方法，其特征在于，步骤S2中，所述利润函数为

π＝P₁*(1-F′₁(x))(1-y₁)-C*(1-F′₁(x))(y₁)+P₂*(1-F′₂(x))(1-y₂)-C*(1-F′₂(x))(y₂)

其中，π为利润，P₁，P₂分别表示对于中、低违约风险用户的放款定价，F′₁(x)表示中违约风险用户预测结果，F′₂(x)表示低违约风险用户预测结果，y₁，y₂分别表示实际中违约风险用户结果、低违约风险用户结果，C表示放款方的成本。

7.一种基于迁移学习的用户违约预测定价系统，其特征在于，包括：计算机可读存储介质和处理器；

所述计算机可读存储介质用于存储可执行指令；

所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行权利要求1至6任一项所述的基于迁移学习的用户违约预测定价方法。