[发明专利]基于回归算法的车贷风险评估方法

说明书

本申请提供一种基于回归算法的车贷风险评估方法，包括：构建用于进行车贷风险评估的人工神经网络模型；评估和优化所述人工神经网络模型：判断训练集、测试集、时间外样本集的KS值是否大于预设阈值，如果不是则优化所述人工神经网络模型；制作进行车贷风险评估的评分卡；基于所述评分卡和所述人工神经网络模型对客户进行车贷风险评级。本申请的有益之处在于提供了一种采用了人工智能方式高效并准确的解决车贷客户风险评估问题的基于回归算法的车贷风险评估方法。

技术领域

本申请涉及一种车贷风险评估方法，具体而言，涉及一种基于回归算法的车贷风险评估方法。

背景技术

车贷业务是借款人在购买消费类车时，由于自己的资金有限和银行贷款，银行直接把资金发放到汽车经销商的汽车消金贷款。随着市场逐步扩大，不管是银行还是担保公司，依靠人力去控制风险是远远不够的，我们没有那么多人力和时间去控制风险，所以急需一个可以解放大量劳动力和时间的风控解决方案。

发明内容

为了解决现有技术的不足之处，本申请提供一种基于回归算法的车贷风险评估方法，包括：构建用于进行车贷风险评估的人工神经网络模型；评估和优化所述人工神经网络模型：判断训练集、测试集、时间外样本集的KS值是否大于预设阈值，如果不是则优化所述人工神经网络模型；制作进行车贷风险评估的评分卡；基于所述评分卡和所述人工神经网络模型对客户进行车贷风险评级。

进一步地，所述构建用于进行车贷风险评估的人工神经网络模型的步骤包括：对客户信息数据进行数据抽取和数据匹配。

进一步地，所述构建用于进行车贷风险评估的人工神经网络模型的步骤还包括：对通过抽取和匹配而采集的客户数据进行数据标签定义，根据负责贷后部门反馈历史客户的贷后逾期表现，进行样本好坏样本定义，通过vintage和滚动率分析，给定表现期n个月，定义前n个月最大逾期天数大于等于m天是坏样本，前六期没有发生过逾期是好样本，否则为灰样本。

进一步地，所述构建用于进行车贷风险评估的人工神经网络模型的步骤还包括：数据集划分：将数据集划分为训练集、测试集和时间外样本集，它们的样本数量比例为7：2：1。

进一步地，所述构建用于进行车贷风险评估的人工神经网络模型的步骤还包括：构成所述人工神经网络模型的特征：至少对个人基本信息、用户征信信用评分、征信评分相对位置、婚姻状态、职业信息、公积金缴交记录、用户负债的数据进行梳理和衍生以构成所述人工神经网络模型的特征。

进一步地，所述构建用于进行车贷风险评估的人工神经网络模型的步骤还包括：数据分箱和编码数值化的处理：所述数据分箱采用等频、等距、决策树分箱、卡方分箱中的一种分箱方式；编码数值化采用独热编码或WOE编码。

进一步地，所述构建用于进行车贷风险评估的人工神经网络模型的步骤还包括：筛选所述人工神经网络模型的特征：采用IV值筛选和特征相关性筛选以及多重共线性筛选中的一种或几种进行所述人工神经网络模型的特征的筛选。

进一步地，所述构建用于进行车贷风险评估的人工神经网络模型的步骤还包括：所述人工神经网络模型的训练：采用逻辑回归进行模型训练，训练过程中观察回归系数是否为负，如果为负，删除这个变量，采用网格搜索方法对逻辑回归主要的超参数进行调优。

进一步地，所述评估和优化所述人工神经网络模型的步骤还包括：判断训练集、测试集、时间外样本集的AUC值是否大于预设阈值，如果不是则优化所述人工神经网络模型。

进一步地，所述制作进行车贷风险评估的评分卡包括如下步骤：给设定的比率设定特定的预期分支；确定比率翻番的分数PDO；依据公式确定刻度参数A和B；根据刻度因子B、逻辑回归系数和每个箱对应的WOE值计算每个特征每个箱对应的分数；生成评分卡文档。

本申请的有益之处在于：提供了一种采用了人工智能方式高效并准确的解决车贷客户风险评估问题的基于回归算法的车贷风险评估方法。

附图说明