[发明专利]基于LightGBM决策树算法的个贷类不良资产风险评级方法

权利要求书

1.一种基于LightGBM决策树算法的个贷类不良资产风险评级方法，其特征在于：

所述基于LightGBM决策树算法的个贷类不良资产风险评级方法包括如下步骤：

采集和处理用于风险评级的数据；

将采集和处理后的所述数据输入至一个基于LightGBM决策树构建决策系统，所述决策系统根据输入的所述数据和决策系统中构建的模型进行分析；

根据所述决策系统的分析输出评级结果。

2.根据权利要求1所述的基于LightGBM决策树算法的个贷类不良资产风险评级方法，其特征在于：

所述基于LightGBM决策树算法的个贷类不良资产风险评级方法还包括如下步骤：

构建基于LightGBM决策树构建决策系统的模型。

3.根据权利要求1所述的基于LightGBM决策树算法的个贷类不良资产风险评级方法，其特征在于：

所述构建基于LightGBM决策树构建决策系的模型统包括如下步骤：

数据抽取：基于API对接的三方数据，如银联数据、人行征信数据、公积金/社保数据、运营商数据、电商交易数据，以及公开网站合规爬取的工商、法院、资讯等数据，以及不良资产用户数据，并进行数据匹配；

数据打标：根据资产管理公司反馈的历史不良资产最终回款情况，进行样本打标，给定表现期三个月，三个月内回款则是好用户，否则为坏用户。

4.根据权利要求1所述的基于LightGBM决策树算法的个贷类不良资产风险评级方法，其特征在于：

样本增强：如果样本较少，那需要对样本进行上采样，即样本增强。可以在时间序列上通过滑动窗口，生成多个切片数据，不同切片数据相当于对原单个样本进行复制或增强。

5.根据权利要求1所述的基于LightGBM决策树算法的个贷类不良资产风险评级方法，其特征在于：

所述构建基于LightGBM决策树构建决策系的模型统包括如下步骤：

缺失值填充：缺失比例高于80％，采用直接删除的方式；低于此比例，采用插值法进行缺失数据填充；

数据集划分：数据集划分为训练集、测试集和验证集样本，样本比列为7：2：1。

6.根据权利要求1所述的基于LightGBM决策树算法的个贷类不良资产风险评级方法，其特征在于：

所述构建基于LightGBM决策树构建决策系的模型统包括如下步骤：

特征构建：基于用户收入、用户负债、用户信用、用户对外担保情况、用户消费、用户行踪中一个或多个梳理基础指标，并结合时间特性和常用统计量进行特征的构建；

特征筛选：基于特征的重要性和相关性进行筛选。

7.根据权利要求1所述的基于LightGBM决策树算法的个贷类不良资产风险评级方法，其特征在于：

所述构建基于LightGBM决策树构建决策系的模型统包括如下步骤：

模型构建：模型采用LightGBM-LR的架构搭建而成，其中LightGBM用来对衍生的特征映射到高维度；最终用高维向量空间的特征作为LR模型的输入来预测样本回款概率。

8.根据权利要求1所述的基于LightGBM决策树算法的个贷类不良资产风险评级方法，其特征在于：

所述构建基于LightGBM决策树构建决策系的模型统包括如下步骤：

模型评估：将构建模型分别应用到测试集和验证集样本中，分别得出测试集样本的回款概率预测值以及验证集样本的回款概率预测值。

9.根据权利要求1所述的基于LightGBM决策树算法的个贷类不良资产风险评级方法，其特征在于：

所述模型评估还包括：

计算测试样本集的AUC值和K-S值，如果AUC值和K-S值本身满足预设条件且多个所述侧视样本集之间的AUC值和K-S值的差值在预设差值范围内，则认为模型有效。

10.根据权利要求1所述的基于LightGBM决策树算法的个贷类不良资产风险评级方法，其特征在于：

所述决策系统输出回款概率值，并根据回款概率值输出评估等级。