信贷风控方法、设备和存储介质与流程

本技术涉及金融风控，尤其涉及一种信贷风控方法、设备和存储介质。

背景技术：

1、目前，在金融风控场景下，通常采用ks（kolmogorov-smirnov statistic）统计量衡量风控模型的性能；具体地，ks统计量通过计算正负样本累积分布函数之间的最大垂直距离，评估模型对好坏客户的排序区分能力。

2、然而，在训练风控模型时，通常采用交叉熵损失函数（cross entropy loss）作为模型训练的优化目标；交叉熵损失函数通过最小化模型预测概率与样本真实标签之间的概率误差，使得模型能够拟合条件概率分布。也就是说，在模型训练阶段，交叉熵损失的优化目标在于最小化每个样本的预测概率误差，而在模型评估阶段，ks统计量的优化目标在于正负样本群体的排序分离程度；导致交叉熵损失函数的优化目标与ks统计量的优化目标不一致，模型训练方向与业务优化方向无法实现对齐，难以确保模型在实际金融风控业务中的预测准确性。

技术实现思路

1、本技术的主要目的在于提供一种信贷风控方法、设备和存储介质，旨在解决模型训练方向与业务优化方向无法实现对齐，难以确保模型在实际金融风控业务中的预测准确性的技术问题。

2、为实现上述目的，本技术提出一种信贷风控方法，所述信贷风控方法包括：

3、获取信贷用户的当前信贷数据；

4、将所述当前信贷数据输入至预设风控模型，通过所述预设风控模型输出风控结果，其中，所述风控结果包括所述信贷用户的当前违约概率，所述预设风控模型基于信贷样本数据，以预设损失函数为优化目标对预训练模型训练得到，所述信贷样本数据包括正样本数据和负样本数据，所述预设损失函数用于衡量所述预训练模型对所述正样本数据和所述负样本数据在预测违约概率上的群体平均区分能力。

5、在一实施例中，所述获取信贷用户的信贷数据的步骤之前，还包括：

6、获取信贷样本数据，所述信贷样本数据包括训练样本数据以及对应的第一风控结果标签，所述训练样本数据基于所述第一风控结果标签被划分为正样本数据和负样本数据；

7、将所述正样本数据和所述负样本数据输入至预训练模型，通过所述预训练模型输出预测违约概率；

8、根据所述正样本数据对应的预测违约概率和所述负样本数据对应的预测违约概率，计算所述预设损失函数的损失值；

9、根据所述损失值，更新所述预训练模型的模型参数，并返回所述将所述正样本数据和所述负样本数据输入至预训练模型的步骤，直至满足预设精度条件，得到所述预设风控模型。

10、在一实施例中，所述根据所述正样本数据对应的预测违约概率和所述负样本数据对应的预测违约概率，计算所述预设损失函数的损失值的步骤，包括：

11、根据当前训练批次内所有正样本数据对应的预测违约概率，以及当前训练批次内所有正样本数据的数量，计算正样本数据对应的第一预测概率均值；

12、根据当前训练批次内所有负样本数据对应的预测违约概率，以及当前训练批次内所有负样本数据的数量，计算负样本数据对应的第二预测概率均值；

13、计算所述第一预测概率均值和所述第二预测概率均值之间的差值，将所述差值作为所述预设损失函数的损失值。

14、在一实施例中，所述预设损失函数的表达式为：

15、

16、其中，，；

17、其中，为所述第一风控结果标签，表示正样本数据，表示负样本数据，为预测违约概率，表示当前训练批次内所有正样本数据的数量，表示当前训练批次内所有负样本数据的数量，表示正样本数据对应的预测违约概率，表示负样本数据对应的预测违约概率，表示所述预设损失函数的损失值。

18、在一实施例中，所述根据所述损失值，更新所述预训练模型的模型参数的步骤，包括：

19、通过反向传播算法计算所述预设损失函数对所述预训练模型中模型参数的梯度值；

20、以最大化所述损失值为更新方向，根据所述梯度值及预设学习率，按照梯度上升策略更新各所述模型参数。

21、在一实施例中，所述信贷样本数据还包括验证样本数据以及对应的第二风控结果标签，所述第二风控结果标签包括违约和未违约，所述根据所述损失值，更新所述预训练模型的模型参数的步骤之前，还包括：

22、在当前训练周期结束时，将所述验证样本数据中的多个验证样本输入至所述预训练模型，通过所述预训练模型输出对应的验证违约概率；

23、根据各所述验证样本对应验证违约概率，计算所述预训练模型对应的第一ks统计量；

24、若在所述当前训练周期之前的连续多个训练周期对应的第一ks统计量未呈现正向增长时，确定所述预训练模型满足预设精度条件，停止更新所述预训练模型的模型参数。

25、在一实施例中，所述根据各所述验证样本对应验证违约概率，计算所述预训练模型对应的第一ks统计量的步骤，包括：

26、对各所述验证违约概率按照大小进行排序，针对排序后的验证违约概率，逐一计算每个排序位置之前的所有验证样本中，第二风控结果标签为违约的验证样本数量占所述验证样本数据中正样本总数量的第一累积占比，以及第二风控结果标签为负样本的验证样本数量占所述验证样本数据中负样本总数量的第二累积占比；

27、逐一计算各所述排序位置对应的所述第一累积占比与所述第二累积占比的差值的绝对值，将所有所述排序位置对应的绝对值中的最大值作为所述预训练模型对应的第一ks统计量。

28、在一实施例中，在训练得到所述预设风控模型的步骤之后，还包括：

29、获取样本外数据和对应的第三风控结果标签；

30、将所述样本外数据分别输入至在训练所述预训练模型的过程中保存的多个候选风控模型，通过各所述候选风控模型输出对应的样本外违约概率；

31、根据所述样本外违约概率和对应的第三风控结果标签，计算各所述候选风控模型对应的第二ks统计量；

32、将具有最高的第二ks统计量的候选风控模型作为所述预设风控模型。

33、此外，为实现上述目的，本技术还提出一种信贷风控设备，所述信贷风控设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上文所述的信贷风控方法的步骤。

34、此外，为实现上述目的，本技术还提出一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的信贷风控方法的步骤。

35、本技术提出的一个或多个技术方案，至少具有以下技术效果：

36、本技术预设风控模型是基于信贷样本数据，以预设损失函数为优化目标对预训练模型训练得到的，由于信贷样本数据包括正样本数据和负样本数据，该预设损失函数用于衡量所述预训练模型对所述正样本数据和所述负样本数据在预测违约概率上的群体平均区分能力，在模型训练过程中，不再是以模型对个体样本的概率误差为优化目标，而是以模型对正样本数据和负样本数据的群体平均区分能力为优化目标；使得在金融风控场景下，当预设损失函数在训练过程中持续优化时，预设损失函数的优化方向能够与传统ks统计量的评估方向具有内在的一致性，基于信贷样本数据以该预设损失函数为优化目标训练得到的预设风控模型也能够准确对信贷用户的当前信贷数据进行预测，得到准确的信贷用户的当前违约概率。即，能够确保模型在实际金融风控业务中的预测准确性。