数据处理方法、装置以及风险预测模型训练方法与流程

摘要: 本申请涉及金融科技领域或其他相关领域,尤其涉及一种数据处理方法、装置以及风险预测模型训练方法。背景技术:1、经营快贷是银行等金融机构提供的一款线上信用类贷款产品...
数据处理方法、装置以及风险预测模型训练方法与流程

本申请涉及金融科技领域或其他相关领域,尤其涉及一种数据处理方法、装置以及风险预测模型训练方法。

背景技术:

1、经营快贷是银行等金融机构提供的一款线上信用类贷款产品,基于客户经营活动产生的多维度数据(如结算、资产、交易、税务等)审批贷款,从而为资金周转压力较大的小微企业和个体工商户提供快速、便捷的融资服务。

2、随着该产品的普及,个体工商户用户占比显著增加,其经营收入来源多样化且波动性大,传统信用评估手段难以全面、动态地反映其信用状况。金融机构对小微企业及个体工商户贷款风控,通常采用基于历史交易、税务和资产信息的信用评分模型进行风险评估。

3、然而,该类信用评分模型多侧重静态历史信息,难以刻画交易行为的时序变化及异常模式,对多源行为数据的综合利用不足,导致贷后风险趋势识别能力有限;当客户经营状况或资金流动突变时,往往难以及时、准确地完成风险判断与预警。

技术实现思路

1、本申请提供一种数据处理方法、装置以及风险预测模型训练方法,用以提升对客户行为变化的动态识别与趋势预测能力,以实现更准确的风险预警。

2、第一方面,本申请提供一种数据处理方法,包括:

3、响应于目标客户的客户业务数据,所述客户业务数据包括:客户属性数据以及待分析时段内的银联收单数据,所述银联收单数据用于指示所述目标客户的流水;

4、对所述客户属性数据以及所述银联收单数据进行特征嵌入以及特征提取,生成时序特征序列;

5、通过期望最大化-卡尔曼滤波器对所述时序特征序列进行参数优化,生成滤波特征序列,所述滤波特征序列是滤除了所述客户业务数据对应的异常特征得到的;

6、基于所述滤波特征序列进行分类决策,生成所述目标客户的风险预测值。

7、第二方面,本申请提供一种风险预测模型训练方法,包括:

8、获取样本训练集;

9、针对所述样本训练集中的各样本客户的客户业务数据,通过预设的量化公式,将所述客户业务数据量化为风险值标签;

10、根据各所述客户业务数据以及所述风险值标签,训练风险预测模型,所述风险预测模型,用于实现如上第一方面和/或第一方面各种可能的实施方式。

11、第三方面,本申请提供一种数据处理装置,包括:

12、特征提取模块,响应于目标客户的客户业务数据,所述客户业务数据包括:客户属性数据以及待分析时段内的银联收单数据,所述银联收单数据用于指示所述目标客户的流水;

13、所述特征提取模块,用于对所述客户属性数据以及所述银联收单数据进行特征嵌入以及特征提取,生成时序特征序列;

14、参数优化模块,用于通过期望最大化-卡尔曼滤波器对所述时序特征序列进行参数优化,生成滤波特征序列,所述滤波特征序列是滤除了所述客户业务数据对应的异常特征得到的;

15、分类决策模块,用于基于所述滤波特征序列进行分类决策,生成所述目标客户的风险预测值。

16、第四方面,本申请实施例提供一种电子设备,包括:存储器,处理器;

17、所述存储器存储计算机执行指令;

18、所述处理器执行所述存储器存储的计算机执行指令,使得所述处理器执行如上第一方面和/或第一方面各种可能的实施方式以及如上第二方面和/或第二方面各种可能的实施方式。

19、第五方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如上第一方面和/或第一方面各种可能的实施方式以及如上第二方面和/或第二方面各种可能的实施方式。

20、第六方面,本申请实施例提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如上第一方面和/或第一方面各种可能的实施方式以及如上第二方面和/或第二方面各种可能的实施方式。

21、本申请提供的数据处理方法、装置以及风险预测模型训练方法,响应于目标客户的客户业务数据,客户业务数据包括客户属性数据以及待分析时段内的银联收单数据;对客户属性数据以及银联收单数据进行特征嵌入以及特征提取,生成时序特征序列;通过期望最大化-卡尔曼滤波器对时序特征序列进行参数优化,生成滤波特征序列;基于滤波特征序列进行分类决策,生成目标客户的风险预测值。将客户属性数据与待分析时段内的银联收单数据统一建模为时序特征序列,并结合期望最大化-卡尔曼滤波器对序列参数进行优化,再基于滤波后稳定的滤波特征序列进行决策分类,实现了对目标客户经营行为中风险动态识别以及贷后风险的提前预测,提升了风险预测的准确性与鲁棒性。

1.一种数据处理方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,所述通过期望最大化-卡尔曼滤波器对所述时序特征序列进行参数优化,生成滤波特征序列,包括:

3.根据权利要求1所述的方法,其特征在于,所述对所述客户属性数据以及所述银联收单数据进行特征嵌入以及特征提取,生成时序特征序列,包括:

4.根据权利要求1所述的方法,其特征在于,所述基于所述滤波特征序列进行分类决策,生成所述目标客户的风险预测值,包括:

5.根据权利要求1所述的方法,其特征在于,所述方法还包括:

6.根据权利要求5所述的方法,其特征在于,所述通过比对所述风险预测等级以及预存的所述目标客户的基础风险等级,确定所述目标客户的风险类别,包括:

7.一种风险预测模型训练方法,其特征在于,包括:

8.根据权利要求7所述的方法,其特征在于,所述通过预设的量化公式,将所述客户业务数据量化为风险值标签,包括:

9.一种数据处理装置,其特征在于,包括:

10.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;

11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至8任一项所述的方法。

12.一种计算机程序产品,其特征在于,包括计算机程序,该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法。