[发明专利]企业授信模型的构建方法、装置、设备及可读存储介质

说明书

本发明公开了一种企业授信模型的构建方法、装置、设备及可读存储介质，该方法包括以下步骤：从企业主的个人信用报告中获取所述企业主的个人信用数据；基于不同的分类变量组合对应的个人信用数据的统计变量，确定各个分类变量组合下的统计变量在不同统计维度下的特征统计，得到特征集合；采用递归特征消除算法对所述特征集合进行特征筛选，得到目标特征子集；将所述目标特征子集输入多个相对独立的回归树组，对所述回归树组进行训练，在训练完成时得到企业授信模型。本发明可以更加全面地对企业的信用风险进行评估，从而使得预测目标客户的信用风险结果更加可靠，解决了现有的企业信用评分技术无法全面评价企业的风险水平的技术问题。

技术领域

本发明涉及金融科技(Fintech)技术领域，尤其涉及一种企业授信模型的构建方法、装置、设备及可读存储介质。

背景技术

随着计算机技术的发展，越来越多的技术(大数据、分布式、区块链Blockchain、人工智能等)应用在金融领域，传统金融业正在逐步向金融科技(Fintech)转变，但由于金融行业的安全性、实时性要求，也对技术提出了更高的要求。

现有的企业信用评分技术包括专家评分卡、传统信用评分卡和人行数字数字解读。其中，专家评分模型是根据专家的业务经验，将信用风险分解为多个评价维度，然后人为地给每一个评价维度赋予一定的权重，最终把所有维度的加权评分之和作为最终的评分，但是，专家评分卡对不同评价维度的权重是人为赋值的，存在较大的随意性，难以客观反映不同评价维度对风险判断的贡献度。传统信用评分卡是把风险大小量化为不同评价维度的线性组合，根据历史数据采用逻辑回归算法进行数学建模，得出不同维度的贡献权重，再计算所有维度的加权评分之和，并通过激活函数转换为最终的概率评分，传统信用评分卡的缺点在于评价维度往往只有十余个，难以全面描述客户的风险表现。以及，人行数字解读是在人民银行征信报告中的提供的信用评分，数字解读的缺点在于：数字解读评分模型的训练样本仅包括人民银行的样本数据，因此在不同业务场景下，对于不同的银行机构，个人征信数据对于风险判断的权重会存在差异，直接采用数字解读无法反映小微企业自身的风险特点。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种企业授信模型的构建方法、装置、设备及可读存储介质，旨在解决现有的企业信用评分技术无法全面评价企业的风险水平的技术问题。

为实现上述目的，本发明提供一种企业授信模型的构建方法，所述企业授信模型的构建方法包括以下步骤：

从企业主的个人信用报告中获取所述企业主的个人信用数据；

基于不同的分类变量组合对应的个人信用数据的统计变量，确定各个分类变量组合下的统计变量在不同统计维度下的特征统计，得到特征集合；

采用递归特征消除算法对所述特征集合进行特征筛选，得到目标特征子集；

将所述目标特征子集输入多个相对独立的回归树组，对所述回归树组进行训练，在训练完成时得到企业授信模型。

可选地，所述基于不同的分类变量组合对应的个人信用数据的统计变量，确定各个分类变量组合下的统计变量在不同统计维度下的特征统计，得到特征集合的步骤之前，还包括：

确定所述个人信用数据的变量类型；

将所述变量类型为字符型或日期型的个人信用数据作为分类变量，以及将所述变量类型为数值型的个人信用数据作为所述个人信用数据的统计变量；

确定所述分类变量对应的分类变量组合，其中，所述分类变量组合为所述分类变量的任意组合。

可选地，所述个人信用数据包括查询信息和信贷信息，所述统计维度包括计数、去重计数、求和、均值、中位数、缺失率、0值率、75％分位数或25分位数中的至少一种。