[发明专利]资产数据的筛选方法、装置、设备及存储介质

权利要求书

1.一种资产数据的筛选方法，其特征在于，包括：

根据业务类型获取多个备选资产数据；其中，所述备选资产数据携带有资产特征；

按照设定比例将所述备选资产数据划分为训练数据和测试数据；

基于所述训练数据对梯度提升决策树GBDT模型进行训练，获得训练后的GBDT模型及判定阈值；

将所述测试数据输入所述训练后的GBDT模型，获得所述测试数据对应的判定结果；

若所述判定结果大于所述判定阈值，则将所述测试数据存入资产池，否则，删除所述测试数据。

2.根据权利要求1所述的方法，其特征在于，基于所述训练数据对梯度提升决策树GBDT模型进行训练，包括：

根据所述资产特征对所述训练数据进行聚类，获得至少一组数据；

对每组数据分别进行归一化处理，获得至少一个归一化后的训练数据；

基于所述至少一个归一化后的训练数据对GBDT模型进行训练。

3.根据权利要求2所述的方法，其特征在于，所述GBDT模型包括多个树结构，且每个树结构包括多个叶子节点。

4.根据权利要求3所述的方法，其特征在于，基于所述至少一个归一化后的训练数据对GBDT模型进行训练，包括：

将所述至少一个归一化后的训练数据输入所述GBDT模型，获得至少一个判定结果；

根据所述判定结果和所述至少一个归一化后的训练数据的真实结果按照如下公式生成优化目标：

其中，Obj为优化目标，n为归一化后的训练数据的数量；y_i为第i个训练数据的真实结果，为第i个训练数据的判定结果，l(·,·)为损失函数，Ω()为复杂度函数，K为树结构的数量，f_k为第k个树结构的输出，x为训练数据，T为第k个树结构包含的叶子节点的数量，γ和λ为系数，且为常量，ω_j为第j个叶子节点的输出；

基于所述优化目标对所述GBDT模型进行训练。

5.根据权利要求3所述的方法，其特征在于，基于所述至少一个归一化后的训练数据对GBDT模型进行训练，包括：

基于所述至少一个归一化后的训练数据对所述多个树结构进行迭代训练，直到所有树结构训练完成，获得训练后的GBDT模型。

6.根据权利要求5所述的方法，其特征在于，基于所述至少一个归一化后的训练数据对所述多个树结构进行迭代训练，包括：

基于如下目标函数对第t个树结构进行训练：

其中，x_i为第i个训练数据，为复杂度函数，T为第t个树结构包含的叶子节点的数量，γ和λ为系数，且为常量，ω_j为第j个叶子节点的输出。

7.根据权利要求1-6任一所述的方法，其特征在于，所述资产特征包括：违约概率、违约回收率、剩余期限、债务人的集中度相关系数、行业相关系数、地域集中度相关系数及真实结果。

8.一种资产数据的筛选装置，其特征在于，包括：

备选资产数据获取模块，用于根据业务类型获取多个备选资产数据；其中，所述备选资产数据携带有资产特征；

备选资产数据划分模块，用于按照设定比例将所述备选资产数据划分为训练数据和测试数据；

GBDT模型训练模块，用于基于所述训练数据对梯度提升决策树GBDT模型进行训练，获得训练后的GBDT模型及判定阈值；

判定结果获取模块，用于将所述测试数据输入所述训练后的GBDT模型，获得所述测试数据对应的判定结果；

数据入池模块，用于若所述判定结果大于所述判定阈值，则将所述测试数据存入资产池，否则，删除所述测试数据。

9.一种计算机设备，其特征在于，所述设备包括：包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-7任一所述的资产数据的筛选方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现如权利要求1-7中任一所述的资产数据的筛选方法。