[发明专利]一种违约时间的预测方法及相关装置

说明书

本申请提供了一种违约时间的预测方法及相关装置，涉及人工智能领域。该方法包括：获取第一客户的数据，第一客户的数据包括用于反映第一客户的信用风险的参数；将上述数据输入至第一模型中，得到第一客户的违约概率；在第一客户的违约概率大于预设值的情况下，通过第二模型预测第一客户的违约时间所属的时间区间；基于第二模型预测的第一客户的违约时间所属的时间区间，通过对应的第三模型预测第一客户的违约时间。通过预测出第一客户的违约时间，金融机构可以针对违约时间制定更合理的风险控制措施，有利于提高金融机构的信用风险控制的效率。

技术领域

本申请涉及人工智能领域，尤其涉及一种违约时间的预测方法及相关装置。

背景技术

随着我国经济和金融的快速发展，消费信贷逐渐被人们接受。近年来，汽车贷款、教育贷款、小额现金贷、美容贷款等各种信贷业务蓬勃发展。对于信贷业务来说，金融机构对客户的信用风险评估是至关重要的。在大数据时代，虽然用于信用风险评估的数据越来越丰富，但给信用风险评估也带来了诸多挑战。

目前主流的信用风险评估方法是利用统计模型预测客户是否会发生违约或计算客户的违约概率，但单纯地预测客户的违约概率，对于金融机构的风险控制来说还不够全面，风险控制的效率不高。

发明内容

本申请提供一种违约时间的预测方法及相关装置，通过预测出客户的违约时间，金融机构可以针对违约时间制定更合理的风险控制措施，进而提高金融机构的信用风险控制的效率。

第一方面，本申请提供了一种违约时间的预测方法，该方法可以由服务器执行，或者，也可以由配置在服务器中的部件(如芯片、芯片系统等)执行，或者，还可以由能够实现全部或部分服务器功能的逻辑模块或软件实现，本申请对此不作限定。

其中，上述服务器配置有第一模型、第二模型和至少一个第三模型，所述第一模型用于预测客户的违约概率，所述第二模型用于预测客户的违约时间所属的时间区间，所述至少一个第三模型和至少一个时间区间对应，每个第三模型用于预测客户在所对应的时间区间内的违约次数和违约时间。

示例性地，该方法包括：获取第一客户的数据，所述第一客户的数据包括用于反映所述第一客户的信用风险的参数；将所述数据输入至所述第一模型中，得到所述第一客户的违约概率；在所述第一客户的违约概率大于预设值的情况下，通过所述第二模型预测所述第一客户的违约时间所属的时间区间；基于所述第二模型预测的所述第一客户的违约时间所属的时间区间，通过对应的第三模型预测所述第一客户的违约时间。

基于上述技术方案，将获取到的第一客户的数据输入至第一模型中，以得到该客户的违约概率，在该违约概率大于预设值的情况下，通过第二模型预测该客户的违约时间所属的时间区间，也即该客户可能在未来多长时间内违约，进一步地基于预测的客户的违约时间所属的时间区间，通过对应的第三模型预测该客户具体的违约时间，如此一来，不但可以预测出客户的违约概率，还可进一步针对可能违约的客户预测违约时间，因此可以获得更为全面的信息，便于金融机构基于此来制定更合理的风险控制措施，有利于提高金融机构的信用风险控制的效率。

结合第一方面，在第一方面某种可能的实现方式中，所述第一模型为多元逻辑(Logistic)模型，所述第二模型为高斯混合模型(Gaussian mixture model，GMM)，所述第三模型为自回归移动平均(autoregressive integrated moving average，ARIMA)模型。

结合第一方面，在第一方面某种可能的实现方式中，所述数据包括如下一项或多项：行业类别、执行利率、放款金额、贷款期数、性别、年龄、学历、家庭年收入、雇佣情况、单位类型、居住情况、职务、社保标志以及客户等级。