[发明专利]基于逻辑回归的银行对公贷款违约判别方法

说明书

本发明提供了基于逻辑回归的银行对公贷款违约判别方法，属于计算机技术领域。本发明采用灰色关联法计算各行业的违约倾向系数；采用单因素分析提取对被解释变量影响最大的几个解释变量，将从单因素分析中提取出来的原始变量，取方差累积贡献率L达到预设阈值的前m个指标为违约预测指标，每指标都是各原始变量的线性组合，各指标之间互不相关，通过二项逻辑回归算法建立二项逻辑回归模型进行违约概率预测，实现了对存在潜在违约风险的金融客户提前预警识别。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于逻辑回归的银行对公贷款违约判别方法。

背景技术

随着近年来金融经济的高速发展，贷款成为企业筹资的一大重要支撑手段，不可避免的企业违约现象的发生与之而来，而且越来越频繁的发生。银行业务结构和经营环境的变化以及金融创新的迅速发展，促使越来越多的银行意识到需要构建更加全面和系统的信用风险管理系统来应对金融风险日趋复杂化的现实，所以贷款企业违约风险测度具有极大的现实意义。

目前国外学术界和金融界对违约概率的测度与评估的研究概括起来有：(1)巴塞尔委员会新资本协议与国际知名金融机构推出的高级信用风险模型，主要针对企业违约概率数值如何测算问题的研究，这些模型也是巴塞尔委员会推荐的在资本金及经济资本方面计算的依据。(2)学术界对违约率的评估研究，集中于影响违约率的关键变量探寻，并利用企业历史样本建立企业违约率分类判别模型来估计企业违约的可能性。这两个方法相互补充，相互促进，但也存在过于依靠人工经验等弊端。

在中国专利申请文献CN111192140A中，公开了一种客户违约概率预测的方法，根据待识别客户标识从预先保存的数据集中选取对应的指标数据；指标数据包括以下至少之一：企业基本信息、企业信贷数据、企业财务数据、企业工商数据、企业社保数据；将指标数据作为预先训练的违约概率预测模型的输入，预测待识别客户的违约概率。该方法还包括：利用模型训练算法对样本数据进行模型训练得到违约概率预测模型，包括对样本训练集中的样本数据进行预处理；利用特征相关性分析方法对预处理后的样本数据进行违约变量的相关性分析得到特征候选集；利用模型训练算法对特征候选集进行模型训练得到违约概率预测模型。根据违约业务定义对样本数据构造违约特征；利用特征相关性分析方法分析各个违约特征与违约变量的相关性程度，选择相关性高的违约特征；将选择的违约特征作为特征候选集。利用Xgboost算法对特征候选集进行模型训练得到违约概率预测模型。在得到违约概率预测模型之后，根据所述违约概率预测模型对预先准备好的样本测试集中的样本数据进行违约概率预测；利用ROC曲线、AUC或KS值对违约概率预测模型进行评估。该方法在预测违约概率时，没有考虑行业平均违约率，也未对行业平均违约率进行分布和结构的分析，特征分析选择与违约变量相关性高的违约特征进行分析，使得预测准确率、实时性、有效程度等无法满足实际工作需要。

现有技术至少存在以下不足：

1.对公贷款违约存在样本量小、考虑周期短和较少考虑地区因素等缺陷，使得违约概率预测不准，算法的不精确导致业务人员工作效率降低。

2.所使用的算法单一，无法满足业务部门实时、动态进行风险排查的需求。

3.模型与算法阈值的设定不合理，频繁预警导致风险排查频率过高，加重了金融行业客户在还款期间带来应对排查的负担。

发明内容

为解决现有技术中存在的问题，本发明提供了一种基于逻辑回归的银行对公贷款违约判别方法，采用灰色关联法计算各行业的违约倾向系数；采用单因素分析提取对被解释变量影响最大的几个解释变量，将从单因素分析中提取出来的原始变量，取方差累积贡献率L达到预设阈值的前m个指标为违约预测指标，每指标都是各原始变量的线性组合，各指标之间互不相关，并通过财务指标、工商登记信息指标、行业贷款计划指标等信息根据二项逻辑回归算法建立二项逻辑回归模型进行违约概率预测，实现了对金融客户还款期间所蕴含的经营风险、还款能力进行实时、动态分析和预警。

本发明提供了一种基于逻辑回归的银行对公贷款违约判别方法，包括如下步骤：