基于进出口贸易数据的金融信贷建模方法和系统与流程

1.本发明涉及金融信贷相关领域，尤其涉及一种基于进出口贸易数据的金融信贷建模方法和系统。


背景技术：

2.近年来，银行的各类贷款量迅速提升，目前银行客户的征信信息、第三方信息激增，数据管理工作的难度增大，信用评估普遍依旧采用传统模式，效率较低，并且准确率有待提升；银行迫切需要高效准确且可靠的新型金融信贷模型建模方法。
3.当前银行、铁路、港口等相关行业正响应国务院号召正积极商讨合作对接工作。面向金融信贷，海量的进出口贸易数据隐藏着大量的有价值的信息，出口贷、退税贷等更是与金融信贷息息相关。金融信贷作为当前备受关注的热点，随着人工智能和深度学习的发展更是为其发展带来了机遇。当前迫切的需要提出一种基于进出口贸易数据以及当前技术热点的高效准确且可靠的新型金融信贷建模方法及系统。


技术实现要素：

4.针对金融信贷现状以及发展机遇，本发明提出了一种基于进出口贸易数据的金融信贷建模方法和系统。
5.第一方面，本发明提出了一种基于进出口贸易数据的金融信贷建模方法，所述方法包括：获得进出口贸易数据，所述进出口贸易数据包括企业工商信息、企业海关评级信息、企业外贸数据，并将所述进出口贸易数据经处理存储于数据仓库中；获得数据存储要求，根据所述数据存储要求定期获取企业工商信息、企业海关评级信息、企业外贸数据存储或更新；获得数据处理要求，根据所述数据处理要求对所述进出口贸易数据进行处理，获得外贸统计数据；获得贸易数据向量化表示，根据所述贸易数据向量化要求对所述外贸统计数据进行处理获得贸易数据向量化表示；根据所述贸易数据向量化表示，建立基于进出口贸易数据的金融信贷模型获得输出结果；判断所述输出结果误差是否满足预定阈值，当不满足时，获取优化循环指令，所述优化循环指令用于将所述输出结果的贸易数据向量化表示重新带入所述金融信贷模型进行处理直至输出结果误差满足所述预定阈值为止；根据拟合、专家筛选结果获得所述金融信贷模型的输出结果，即为基于进出口贸易数据的金融信贷评分结果。
6.另一方面，本发明提出了一种基于进出口贸易数据的金融信贷建模系统。所述系统包括：第一获得单元，所述第一获得单元用于获得进出口贸易数据，所述进出口贸易数据包括企业工商信息、企业海关评级信息、企业外贸数据，并将所述进出口贸易数据经处理存储于数据仓库中；第二获得单元，所述第二获得单元用于获得数据存储要求，所述数据存储要求需定期获取所述进出口贸易数据存储或更新；第三获得单元，所述第三获得单元用于获得数据处理要求，根据所述数据处理要求对所述进出口贸易数据进行处理，获得外贸统计数据；第四获得单元，所述第四获得单元用于获得贸易数据向量化要求，根据所述贸易数
据向量化要求对所述外贸统计数据进行处理，获得贸易数据向量化表示；第一建立单元，所述第一建立单元用于根据所述外贸统计数据，建立基于进出口贸易数据的金融信贷模型；第五获得单元，所述第五获得单元用于获得所述基于进出口贸易数据的金融信贷模型的输出结果；第一判断单元，所述第一判断单元用于判断所述金融信贷模型的输出结果是否满足预定的阈值，当不满足时，获取优化循环指令，所述优化循环指令用于将所述输出结果的贸易数据向量化表示重新带入所述金融信贷模型进行处理，直至输出结果误差满足所述预定阈值为止；第六获得单元，所述第六获得单元用于根据拟合、专家筛选结果获得基于进出口贸易数据的金融信贷模型的预测结果。
7.本发明中提出的基于进出口贸易数据的金融信贷建模方法及系统，至少具有如下的技术效果或优点：获得进出口贸易数据，通过企业资质信息调度模块、海关评级信息调度模块、关务区块链系统获取数据保证了数据的可靠性；获得数据存储要求与获得数据处理要求，通过定期获取数据并存储于数据仓库的方式可以科学的进行数据管理工作，便于挖掘数据价值；获得贸易数据向量化要求，有利于消除量纲对模型输出结果的影响，令贸易数据向量化表示的每维变量在计算距离的时候处于同等的重要程度，为模型的构建夯实了基础；建立基于进出口贸易数据的金融信贷模型，将银行专家知识、海关专家知识与深度学习模型相结合极大的提高了预测结果的准确率，其中，深度学习模型中cnn模型优秀的特征提取能力以及bilstm模型强大的时序处理能力在挖掘进出口贸易数据的潜藏价值发挥了重要作用。
8.上述说明为本技术技术方案的概述，为了能够更清楚了解本技术的技术方法、特征及优点，并可依照说明书的内容予以实施，以下特举本技术的具体实施方式。
附图说明
9.图1为本技术实施例基于进出口贸易数据的金融信贷建模方法的流程示意图；图2位本技术实施例基于进出口贸易数据的金融信贷建模系统的结构示意图；附图标记说明：第一获得单元01，第二获得单元02，第三获得单元03，第四获得单元04，第一建立单元05，第五获得单元06，第一判断单元07，第六获得单元08。
具体实施方式
10.本技术实施例通过提供基于进出口贸易数据的金融信贷建模方法及系统，解决了当前银行普遍采用的信用评估模式效率低下，数据管理工作难度较大等问题；响应国务院关于将银行、铁路、港口等相关行业应积极商讨合作对接工作的号召，面向金融信贷，本技术所提出的金融信贷建模方法及系统以进出口贸易数据为基准挖掘与金融信贷相关的潜藏价值信息；并且本技术中所提出的基于进出口贸易数据的金融信贷建模方法及系统更是引入了区块链、数据仓库、深度学习模型，极大的提高了金融信贷预测的可靠性、准确率与企业满意度。下面，请参考附图详细的描述根据本技术的示例实例图，应理解，本技术不受这里描述的示例实例的限制。
11.申请概述近年来，银行的各类贷款量迅速提升，目前银行客户的征信信息、第三方信息激增，数据管理工作的难度增大，信用评估普遍依旧采用传统模式，效率较低，并且准确率有
待提升；银行迫切需要高效准确且可靠的新型金融信贷模型建模方法。当前银行、铁路、港口等相关行业结构响应国务院号召积极商讨合作对接工作。面向金融信贷，海量的进出口贸易数据隐藏着大量有价值的信息，出口贷、退税贷等更是与金融信贷息息相关。金融信贷作为当前备受关注的热点，随着人工智能和深度学习的发展更是为其发展带来了机遇。当前迫切的需要提出一种基于进出口贸易数据以及当前技术热点的高效准确且可靠的新型金融信贷建模方法及系统。
12.针对上述银行所面临的问题以及发展机遇，本技术提供的技术方案总体思路如下：本技术实施例提供了一种基于进出口贸易数据的金融信贷建模方法，所述方法包括：获得进出口贸易数据，所述进出口贸易数据包括企业工商信息、企业海关评级信息、企业外贸数据，并将所述进出口贸易数据经处理存储于数据仓库中；获得数据存储要求，根据所述数据存储要求定期获取企业工商信息、企业海关评级信息、企业外贸数据存储或更新；获得数据处理要求，根据所述数据处理要求对所述进出口贸易数据进行处理，获得外贸统计数据；获得贸易数据向量化表示，根据所述贸易数据向量化要求对所述外贸统计数据进行处理获得贸易数据向量化表示；根据所述贸易数据向量化表示，建立基于进出口贸易数据的金融信贷模型获得所述金融信贷模型的输出结果；判断所述输出结果误差是否满足预定阈值，当不满足时，获取优化循环指令，所述优化循环指令用于将所述输出结果的贸易数据向量化表示重新带入所述金融信贷模型进行处理直至输出结果误差满足所述预定阈值为止；根据拟合、专家筛选结果获得基于进出口贸易数据的金融信贷模型的预测结果。
13.在介绍了本技术基本原理后，下面将结合说明书附图来具体介绍本技术的各种非限制性的实施方式。
14.实施例一如图1所示，本技术实施例提供了一种基于进出口贸易数据的金融信贷建模方法及系统，其中，所述方法包括： 步骤s100: 获得进出口贸易数据，所述进出口贸易数据包括企业工商信息、企业海关评级信息、企业外贸数据，并将所述进出口贸易数据经处理存储于数据仓库中；详细地，本技术实施例步骤s100还包括：步骤s110：获得贸易数据调度平台信息；步骤s120：获得进出口贸易数据筛选标准；步骤s130：根据所述进出口贸易数据筛选标准，用于从所述贸易数据调用平台中采集所述进出口贸易数据；步骤s140：将所述进出口贸易数据先存储于所述业务数据库内，然后经处理推送至数据仓库中；进一步而言，所述获得进出口贸易数据，本技术实施例步骤s100还包括：步骤s110a：获得贸易数据调用平台调用地址，所述贸易数据调用平台包括企业资质信息调度模块、海关评级信息调度模块、关务区块链系统数据调度模块；步骤s120a：获得进出口贸易数据筛选标准；步骤s130a：根据所述贸易数据调用平台调用地址、所述贸易数据筛选标准，获得
进出口贸易数据。
15.具体而言，所述进出口贸易数据的获取包括通过etl技术，利用贸易数据调度平台获取企业工商信息、企业海关评级信息、企业外贸数据，将所述获取的进出口贸易数据先存储于所述业务数据库。根据所述进出口贸易数据筛选标准从所述贸易数据调用平台中采集所述进出口贸易数据，举例而言，所述采集过程包括采集企业工商信息、企业海关评级信息以及企业外贸数据，通过对外接口、数据传输等方式获取相关数据，所述过程包括获取贸易数据调用平台调用地址，根据贸易数据筛选标准获取相关数据，再通过后台java程序加载入库。
16.步骤s200：获得数据存储要求，根据所述数据存储要求定期获取企业工商信息、企业海关评级信息、企业外贸数据存储或更新；具体而言，所述数据存储要求是为了保证进出口贸易数据的实时性及可靠性所提出的要求，举例而言，企业工商信息需每日凌晨定时通过企业资质信息调度模块获取信息存储或更新，以月为单位向数据仓库推送数据；企业海关评级信息需每日凌晨通过海关评级信息调度模块获取信息存储或更新，以月为单位向数据仓库推送数据；企业外贸数据，实时获取关务区块链系统的进出口贸易数据本地化存储，然后以月为单位经处理后向数据仓库中存储。
17.步骤s300：获得数据处理要求，根据所述数据处理要求对所述进出口贸易数据进行处理，获得外贸统计数据；具体而言，所述数据处理要求为根据数据需求标准所提出的处理要求，举例而言，所述处理包括但不限于数据的缺失值处理、统一度量标准处理、进出口贸易数据汇总统计等，通过上述的数据处理要求对所采集的数据进行处理，获得进出口贸易数据，为后续准确的构建模型夯实了基础。
18.步骤s400：获得贸易数据向量化要求，根据所述贸易数据向量化要求对所述进出口贸易数据进行处理获得贸易数据向量化表示；具体而言，所述贸易数据向量化是所构建金融信贷模型的输入，包括企业工商信息向量化表示、企业海关评级信息向量化表示、企业外贸数据向量化表示，三者均需进行归一化、标准化处理；其中，企业进出口贸易数据向量化表示维度为n
n
*m
m
,其中n
n
表示n个月的进出口贸易数据跨度，m
m
表示m个维度的统计信息。
19.步骤s500：根据所述贸易数据向量化表示，构建基于进出口贸易的金融信贷模型并获得所述金融信贷模型的输出结果；基于进出口贸易数据的金融信贷模型输出结果由三部分组成：关于企业工商信息的输出结果、关于企业海关评级信息的输出结果、关于企业外贸数据的输出结果；具体而言，对关于企业工商信息的处理需要借助于银行专家知识库，建立企业工商信息评分标准，以企业工商信息向量化表示为输入获得关于企业工商信息的输出结果；对关于企业海关评级信息的处理需要借助于海关专家知识库，建立企业海关评级信息评分标准，以企业海关评级信息向量化表示为输入获得关于企业海关评级信息的输出结果；对关于企业进出口贸易数据的处理本技术提出了一种基于bilstm
‑
cnn的深度学习模型，以企业外贸数据的向量化表示为输入获得关于企业外贸数据的输出结果；其中，关于企业外贸数据的处理本技术所提出的基于bilstm
‑
cnn的深度学习模型，由基于cnn的深度学习模型、基于bilstm的深度学习模型、逻辑回归模型三部分组成；
最终，通过逻辑回归模型完成上述三部分的整合，获得基于bilstm
‑
cnn的深度学习模型。
20.步骤s600：判断所述基于进出口贸易数据的金融信贷模型的输出结果误差是否满足预定阈值，当不满足时，获取优化循环指令，所述优化循环指令用于将所述输出结果的贸易数据向量化表示重新带入所述金融信贷模型进行处理，直至输出结果误差满足所述预定阈值为止；特别值得关注的是，基于进出口贸易数据的金融信贷模型循环优化重点在于关于企业外贸数据处理的所构建的基于bilstm
‑
cnn的深度学习模型。
21.步骤s700：根据拟合、专家筛选结果获得基于进出口贸易数据的金融信贷模型预测结果；其中，经过优化循环，金融信贷模型各个组成部分如关于企业工商信息、企业海关评级信息及企业进出口贸易数据的处理已经完成参数拟合并达到了预期效果，此外，还需专家筛选单元的处理完成各个部分的整合。
22.其中，专家筛选单元的处理过程实质上为通过分析各处理部分的输出结果与实际数据的关系，结合业务的可解释性，设置各处理部分的权重占比并保证拟合指标的最优，将专家筛选结果代入所述的逻辑回归模型完成各个组成部分的整合，获得基于进出口贸易数据的金融信贷模型；按照上述步骤，将进出口贸易数据经处理后作为金融模型的输入便可得到相关企业的金融信贷预测结果。
23.具体而言，所述数据处理及模型搭建的过程是通过python平台，访问数据仓库，对整体数据进行分析处理，同时将所构建模型的输出结果输入到业务数据库完成的，根据上述优化循环指令、专家筛选单元处理可得到对测试数据拟合最佳的模型。其中，企业外贸数据取自于关务区块链系统，这保证了数据的可靠性；其次，通过搭建进出口贸易数据的数据仓库解决了数据管理工作繁重的难题；此外，关于企业外贸数据处理所构建的基于bilstm
‑
cnn的深度学习模型，其使用了bilstm和cnn深度学习模型可以实现历史数据的信息传递处理以及数据特征的有效提取，充分挖掘了海量进出口贸易数据面向金融的潜在价值；而且通过结合专家知识库更进一步提高了金融信贷模型的预测准确率以及企业的满意度。
24.进一步而言，所述获得数据处理要求，根据所述数据处理要求对所述进出口贸易数据进行处理，本技术实施例步骤s300还包括：步骤s310：判断所述企业工商信息、所述企业海关评级信息、所述企业外贸数据是否存在缺失值；步骤s320：获得存在缺失值的影响因素；步骤s330：获得缺失值的处理要求；步骤s340：获得所述影响因素的缺失值满足所述缺失值处理要求时，获得缺失补充信息；步骤s350：根据所述缺失补充信息对所述影响因素进行缺失部分补充；其中，当所述影响因素的缺失值满足所述缺失值处理要求时，获得缺失补充信息之前，本技术实施例步骤s340还包括：步骤s341：当所述影响因素的缺失值满足所述缺失值处理要求时，判断所述影响因素是否为关键指标数据；步骤s342：当所述影响因素非关键指标数据时，不做处理；步骤s343：当所述影响因素为关键指标数据时，获得所述缺失补充信息。
25.具体而言，所述影响因素为关键指标因素，所述缺失值处理要求为根据数据仓库入库要求设置，举例而言，报关单中含有申报数量、申报单价、申报总额、用途等数据，对于申报总额数据如若缺失，其属于关键指标因素，则根据申报数量与申报单价进行补充，而用途数据如若缺失，由于其属于非关键指标因素，则不予处理。
26.此外，所获数据处理要求，根据所述数据处理要求对要入库数据仓库的数据进行处理，本技术实施例s300还包括：步骤s310a：获得所述企业进出口贸易数据；步骤s320a：判断所述企业进出口贸易数据中质量、金额、数目等信息是否满足指定的统一度量标准；步骤s330a：如果满足，不做处理；步骤s340a：如果不满足，则对相应的进出口贸易数据记性度量标准转换处理。
27.进一步而言，根据所述贸易数据向量化要求对外贸统计数据进行处理，获得贸易数据向量化表示，本技术实施例步骤s400还包括：步骤s410：获得企业工商信息向量化表示；步骤s420：获得企业海关评级信息向量化表示；步骤s430：获得企业外贸数据向量化表示；步骤s440：企业工商信息向量化表示、企业海关评级信息向量化表示、企业外贸数据向量化表示均需进行归一化、标准化处理。
28.具体而言，按照贸易数据向量化处理后，通过归一化、标准化的处理可消除量纲对最终结果的影响，使得变量具备同等的重要程度；将贸易数据向量化用以表示每维变量在计算距离的时候重要程度。上述处理对于后期金融信贷模型的拟合及有效性起着至关重要的作用。
29.进一步而言，在得到贸易数据向量化表示后，构建基于进出口贸易数据的金融信贷模型并获得所述金融信贷模型的输出结果，其中，输出结果由三部分组成：关于企业工商信息的输出结果、关于企业海关评级信息的输出结果、关于企业外贸数据的输出结果；本技术实施例步骤s500还包括：步骤s510：关于企业工商信息的输出结果，企业工商信息的处理需要借助于银行专家知识库，建立企业工商信息评分标准，构建逻辑回归模型，以企业工商信息的向量化表示为输入获得企业工商信息的输出结果；步骤s520：关于企业海关评级信息的输出结果，企业海关评级信息的处理需要借助于海关专家知识库，建立海关评级信息评分标准，构建逻辑回归模型，以企业海关评级信息的向量化表示为输入获得企业工商信息的输出结果，此外，输出结果还需通过sigmoid函数进行处理；步骤s530：关于企业外贸数据的输出结果，通过基于bilstm
‑
cnn的深度学习模型挖掘企业外贸数据中隐藏的价值信息，以企业外贸数据向量化表示为输入获得关于企业外贸数据的输出结果，此外，输出结果还需通过sigmoid函数进行处理；步骤s540：所述金融信贷模型的输出结果通过逻辑回归模型完成整合。
30.其中，对于企业外贸数据的处理是所述金融信贷模型的重点，其中，借助于cnn与bilstm深度学习模型挖掘进出口贸易数据的价值信息，cnn深度学习模型有着优秀的特征
提取能力，通过设置不同大小的卷积核可实现多种特征信息的获取，而bilstm深度学习模型，其网络结构非常适合于处理时间序列数据，可以充分挖掘贸易数据中与时间有关的信息，而其双向处理特征也可更好的捕捉贸易数据双向的信息依赖关系，本技术实施例步骤s500还包括：步骤s510a：获得基于cnn的深度学习模型组成部分，其中，卷积层部分需要设置不同大小的卷积核，并且各个卷积核的宽度大小与企业外贸数据向量化表示的宽度相等，而高度设置不做限制，如此设置可以提取整个时间跨度内容的贸易数据特征信息；此外，还需要池化层部分，经分析设置池化策略为最大池化策略，提取显著特征，以卷积层输出作为输入经池化层处理便可获得基于cnn的深度学习模型输出特征向量；步骤s520a：获得基于bilstm的深度学习组成部分，其中，bilstm层用于挖掘贸易数据中与时间关联的信息，企业外贸数据的向量化表示以时间为单位作为模型的输入进行处理；此外，需要池化层部分，经分析设置池化策略为最大池化策略，提取显著特征，以bilstm层输出作为输入经池化层处理便可获得基于bilstm的深度学习模型输出特征向量；步骤s530a：获得整合模型输出结果的逻辑回归模型，将基于cnn、bilstm的深度学习模型的输出特征向量通过拼接后得到企业外贸数据的特征向量表示，经逻辑回归模型、sigmoid函数处理得到基于bilstm
‑
cnn的深度学习模型的输出结果。
31.进一步而言，在获得基于进出口贸易数据的金融信贷模型之后，需要量化现模型的输出结果与实际结果之间误差，步骤s600还包括：步骤s610：获得银行现有企业的历史信贷数据；步骤s620：获得银行现有企业历史信贷数据中实际放贷占可最大放贷金额的比例；步骤s630：获得企业对应的工商信息；步骤s640：获得企业对应的海关评级信息；步骤s650：获得企业对应的外贸数据；步骤s660：将企业的工商信息、海关评级信息、外贸数据作为基于进出口贸易数据的金融信贷模型的输入，输出结果为预测企业可获得的银行放贷比例；具体来说，根据企业的实际放贷比例与金融信贷模型输出的放贷比例，获得基于进出口贸易数据的金融信贷模型的输出结果误差，经分析，损失函数采用绝对值损失函数，以获得企业的实际放贷比例与本技术所提出的金融信贷模型输出的实际放贷比例作为损失函数输入计算实际值与预测值差的绝对值，并以计算结果作为所述金融信贷模型预测准确率的衡量；在量化所述金融信贷模型的预测误差之后，下一步需要通过优化循环指令实现金融信贷模型的拟合，这里着重关注基于bilstm
‑
cnn的深度学习模型，步骤s600还包括：步骤s610a：获得基于bilstm
‑
cnn的深度学习模型的输出结果误差；步骤s620b：获得所述深度学习模型所采取的训练策略；经分析，训练策略采取mini
‑
batch gradient descent小批量梯度下降法，设置每轮训练中每3个月的进出口贸易数据为一个批次。
32.综上所述，本技术实施例所提供的基于进出口贸易数据的金融信贷建模方法及系统具有如下技术效果：
1、获得进出口贸易数据来源于企业资质信息调度模块、海关评级信息调度模块、关务区块链系统，其中本技术实施例所提出的金融信贷模型重点依赖于企业外贸数据，此部分数据源自于关务区块链系统，借助关务区块链系统获取企业外贸数据，区块链的不可篡改特性保证了企业外贸数据的可靠性。
33.2、根据数据存储要求，通过搭建进出口贸易数据仓库的方式解决了当前普遍面临的数据管理工作繁重的难题，为后期的数据挖掘工作奠定了基础。
34.3、本技术实施例所提供的基于进出口贸易数据的金融信贷模型通过引入当前的技术热点深度学习模型极大地提高了预测的准确率，其使用bilstm和cnn深度学习模型可以实现历史数据的信息传递处理以及数据特征的有效提取，充分挖掘了海量进出口贸易数据面向金融的潜在价值；而且通过结合专家知识库更进一步提高了金融信贷模型的预测准确率以及企业的满意度。
35.实施例二启发于前述实施例中基于进出口贸易数据的金融信贷建模方法，本发明还提供了基于进出口贸易数据的金融信贷建模系统，如图2所示，所述系统包括：第一获得单元01，所述第一获得单元用于获得进出口贸易数据，所述进出口贸易数据包括企业工商信息、企业海关评级信息、企业外贸数据，并将所述进出口贸易数据存储于业务数据库中；第二获得单元02，所述第二获得单元用于获得数据存储要求，所述数据存储要求需定期获取所述进出口贸易数据向数据仓库存储或更新；第三获得单元03，所述第三获得单元用于获得数据处理要求，根据所述数据处理要求对业务数据库内的进出口贸易数据进行处理，获得外贸统计数据；第四获得单元04，所述第四获得单元用于获得贸易数据向量化要求，根据所述贸易数据向量化要求对所述外贸统计数据进行处理，获得贸易数据向量化表示；第一建立单元05，所述第一建立单元用于根据所述数据仓库中的贸易数据，建立基于进出口贸易数据的金融信贷模型；第五获得单元06，所述第五获得单元用于获得所述基于进出口贸易数据的金融信贷模型的输出结果；第一判断单元07，所述第一判断单元用于判断所述金融信贷模型的输出结果是否满足预定的阈值，当不满足时，获取优化循环指令，所述优化循环指令用于将所述输出结果的贸易数据向量化表示重新带入所述金融信贷模型进行处理，直至输出结果误差满足所述预定阈值为止；第六获得单元08，所述第六获得单元用于根据拟合、专家筛选结果获得基于进出口贸易数据的金融信贷模型的预测结果。
36.前述图1实施例一中的基于进出口贸易数据的金融信贷模型的具体实现适用于本实施例中的基于进出口贸易数据的金融信贷系统，通过实施例一种的详细描述，本领域技术人员可知悉本实施例中基于进出口贸易数据的金融信贷系统的实施方法，在此不再详述。