[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

说明书

本发明公开一种基于迁移学习的用户违约预测定价方法和系统，属于用户信贷定价领域。包括：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，标记高违约风险用户，不对其进行定价处理；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，改进Tradaboost模型的损失函数为利润函数平方的相反数。本发明优先剔除高违约风险的用户，对剩下用户数据放进改进的tradaboost中，调整金融产品的定价最大化利润，来解决实际问题。

技术领域

本发明属于用户信贷定价领域，更具体地，涉及一种基于迁移学习的用户违约预测定价方法和系统。

背景技术

近年来互联网消费金融放贷规模持续增长，从2014年的0.02万亿增长至2018年的7.8万亿，增幅近400倍。伴随着互联网成长起来的年轻群体，在收入水平有限的前提下，对于超前消费有着强烈意愿。同时2017年颁发的《关于规范整顿“现金贷”业务的通知》中明确划定利率红线，高利率的贷款将不在被法律认可。

小额贷款属于零售贷款，单位贷款金额的运作成本高。特别是由于单笔金额较小，同样的贷款总额小额贷款需要服务大量的客户，其人工成本过高。小额信贷属于无抵押贷款，如果用户违约其放贷金额将难以收回。传统的线下处理，人工审核耗时偏长，对于本就是申请小额信贷的用户，耗时进行办理申请的性价比不高。开展新业务时，没有足够的数据训练模型。对于顾客收取相同的费率不利于培养用户按时还款的习惯。

在以往的信贷贷款业务中，放款发往往会采用信贷评分卡等模式根据用户的个人信息已经历史贷款信息进行加权打分评级，并根据评级选择是否向用户放款，以及根据评级再进行定价。小额贷款往往采用的无差别放款，部分小额贷款采用的是如前述信贷业务中的评分卡，但是其都是根据固有的评分卡模板，并依赖利润最大化或成本最小化等方法得到理论上的定价加以主观经验的调整。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种基于迁移学习的用户违约预测定价方法和系统，其目的在于快速审核，快速定价，快速定价，有效降低小额贷款的风险，提高放款方的收益。

为实现上述目的，按照本发明的第一方面，提供了一种基于迁移学习的用户违约预测定价方法，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。

有益效果：不同于以往模型单纯的调节预测用户违约精度，但是实际业务需求中，最终需要达到的是使得开展业务的利润最大化或者成本最小化。所以本发明将利润最大化作为模型损失函数的构建依据，并调节中违约风险用户和低违约风险用户的贷款费率定价，使得最后的预测模型能够达到在利润最大化指导下的预测结果，且得到最优定价。

优选地，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。