一种风控方法、装置及存储介质与流程

1.本公开涉及大数据智能分析技术领域，尤其涉及一种风控方法、装置及存储介质。


背景技术：

2.近年来，普惠金融贷款业务发展迅猛，该领域市场竞争越来越激烈。在此背景下，银行亟需从提升客户体验、提高办理效率、精准把控风险等方面不断创新，从而避免产品同质化，提高产品竞争力，获得客户和合作平台的青睐。同时对普惠金融贷款场景的贷前风控需求也在不断提高，对于区域特色风险识别、精细化风控管理等方面的要求也日趋严格，因而对风险规则池的构建也提出了更高的要求。
3.相关技术中，风险规则池构建时通常是采用强规则方法。但是，该强规则方法主要依赖于风控专业人员的经验，由风控专业人员基于过往产品经验进行设计，则人力成本较高。同时，当待选的指标数量较多时，仅凭人工挑选往往无法体现弱规则的作用，则会使得所构建的风险规则池的风险识别能力较低，同时更新迭代也较慢。


技术实现要素：

4.本公开提供一种风控方法及装置，以解决相关技术中构建风险规则池时人力成本较高、风险识别能力较低以及更新迭代较慢的技术问题。
5.本公开第一方面实施例提出一种风控方法，包括：
6.对待选的风险规则进行编码；
7.对所有待选的风险规则进行划分形成至少一个初始风险规则池，其中，每个初始风险规则池包括至少一条待选的风险规则，所有初始风险规则池构成初始种群；
8.计算出各个初始风险规则池的ks值；
9.利用遗传算法基于各个初始风险规则池对应的编码值和ks值对所述初始种群进行预设代数的种群进化，将最后一世代种群中ks值最高的风险规则池确定为最优风险规则池，并基于所述最优风险规则池对客户进行贷前风险预测，以进行风控。
10.本公开第二方面实施例提出一种风控装置，所述系统包括：
11.编码模块，用于对待选的风险规则进行编码；
12.划分模块，用于对所有待选的风险规则进行划分形成至少一个初始风险规则池，其中，每个初始风险规则池包括至少一条待选的风险规则，所有初始风险规则池构成初始种群；
13.计算模块，用于计算出各个初始风险规则池的ks值；
14.进化模块，用于利用遗传算法基于各个初始风险规则池对应的编码值和ks值对所述初始种群进行预设代数的种群进化，将最后一世代种群中ks值最高的风险规则池确定为最优风险规则池，并基于所述最优风险规则池对客户进行贷前风险预测，以进行风控。
15.本公开第三方面实施例提出一种计算机存储介质，其中，所述计算机存储介质存储有计算机可执行指令；所述计算机可执行指令被处理器执行后，能够实现如上所述的方
法。
16.本公开第四方面实施例提出的计算机设备，其中，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，处理器执行所述程序时，能够实现如上第一方面所述的方法。
17.本公开的实施例提供的技术方案至少带来以下有益效果：
18.综上所述，本公开实施例提供的风控方法及装置之中，会对待选的风险规则进行编码，并对所有待选的风险规则进行划分形成至少一个初始风险规则池，所有初始风险规则池构成初始种群；之后，会计算出各个初始风险规则池的ks值；再利用遗传算法基于各个初始风险规则池对应的编码值和ks值对所述初始种群进行预设代数的种群进化，将最后一世代种群中ks值最高的风险规则池确定为最优风险规则池。由此可知，本公开实施例之中，通过对遗传算法的应用，对于从大量数据中加工出来的初始种群进行不断地种群进化，最终构建出风险规则池，能够发掘弱规则在风险规则池中的应用，可以使得最终构建出的风险规则池对于风险的识别更加精准，提高了风险判断的准确性。
19.同时，当出现新的样本或是新的数据维度时，只需要相应地调整初始种群，即可再次基于遗传算法进行种群进化以快速建立风险规则池，则效率较高。
20.此外，本公开实施例之中，在遗传算法中，还会采用ks值的计算作为适应度函数，从而可以进一步提高风险规则池构建的精度。
21.本公开附加的方面以及优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
22.本公开上述的和/或附加的方面以及优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
23.图1为根据本公开实施例一提供的风控方法的流程示意图；
24.图2为根据本公开实施例二提供的对初始种群进行预设代数的种群进化的方法的流程示意图；
25.图3为根据本公开实施例三提供的风控装置的结构示意图；
26.图4为根据本公开实施例四提供的进化模块的结构示意图。
具体实施方式
27.下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。
28.以下对本公开所涉及到的术语进行解释。
29.风险规则池：由若干条规则组成的一个风险准入模型，池内每条规则均有一个对应的分值，客户的最终评分为其命中的所有规则对应分值的加总。
30.ks(kolmogorov-smirnov)值：是一个评估模型区分能力的指标，将模型结果(通常是评分)分段并排序，计算每个分数区间好账户比率和坏账户比率的差值，该差值的最大值即为ks值。
31.下面参考附图描述本公开实施例的风控方法及系统。
32.实施例一
33.图1为根据本公开实施例一提供的一种风控方法的流程示意图，如图1所示，该方法可以包括：
34.步骤101、对待选的风险规则进行编码。
35.其中，可以对每一个待选的风险规则进行二进制编码，以使得每一个待选的风险规则对应一唯一的编码值，其中，可以将该编码值称之为基因。
36.示例的，当有40条待选的风险规则规则时，由于25＜40＜26，因此可以使用6位二进制数字进行编码，例如可以使得第一条风险规则对应编码000001、使得第二条风险规则对应编码000010、使得第三条风险规则对应编码000011，以此类推。
37.步骤102、对所有待选的风险规则进行划分形成至少一个初始风险规则池，其中，每个初始风险规则池包括至少一条待选的风险规则，所有初始风险规则池构成初始种群。
38.具体的，可以随机生成若干个初始风险规则池，每个初始风险规则池包含若干条待选的风险规则。以及可以将每个初始风险规则池称为一个初始个体，所有初始个体构成初始种群。
39.以及，初始风险规则池内包含的所有风险规则称之为染色体，通过指定染色体长度，即可控制每个初始风险规则池所包含的风险规则个数；例如：当希望将初始风险规则池内的风险规则数控制在10个时，而一条风险规则由6位二进制数字编码，故只需指定染色体长度为10
×
6＝60位即可。
40.步骤103、计算出各个初始风险规则池的ks值。
41.其中，可以基于各个初始风险规则池对应的染色体确定出各个初始风险规则池中所包括的风险规则，之后，基于初始风险规则池中所包括的风险规则计算出各个风险规则池的ks值，并采用ks值作为该初始风险规则池的适应度函数。
42.步骤104、利用遗传算法基于各个初始风险规则池对应的编码值和ks值对所述初始种群进行预设代数的种群进化，将最后一世代种群中ks值最高的风险规则池确定为最优风险规则池。
43.其中，在确定出最优风险规则池之后，可以基于该最优风险规则池对客户进行贷前风险预测，以进行风控。
44.综上所述，本公开实施例提供的风控方法之中，会对待选的风险规则进行编码，并对所有待选的风险规则进行划分形成至少一个初始风险规则池，所有初始风险规则池构成初始种群；之后，会计算出各个初始风险规则池的ks值；再利用遗传算法基于各个初始风险规则池对应的编码值和ks值对所述初始种群进行预设代数的种群进化，将最后一世代种群中ks值最高的风险规则池确定为最优风险规则池。由此可知，本公开实施例之中，通过对遗传算法的应用，对于从大量数据中加工出来的初始种群进行不断地种群进化，最终构建出风险规则池，能够发掘弱规则在风险规则池中的应用，可以使得最终构建出的风险规则池对于风险的识别更加精准，提高了风险判断的准确性。
45.同时，当出现新的样本或是新的数据维度时，只需要相应地调整初始种群，即可再次基于遗传算法进行种群进化以快速建立风险规则池，则效率较高。
46.此外，本公开实施例之中，在遗传算法中，还会采用ks值的计算作为适应度函数，
从而可以进一步提高风险规则池构建的精度。
47.实施例二
48.上述步骤104中所使用的技术为遗传算法。遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，不需要确定的规则就能自动获取和指导优化的搜索空间，自适应地调整搜索方向。遗传算法以一种群体中的所有个体为对象，并利用随机化技术指导对一个被编码的参数空间进行高效搜索。其中，选择、交叉和变异构成了遗传算法的遗传操作；参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定五个要素组成了遗传算法的核心内容。
49.遗传算法模拟一个人工种群的进化过程，通过选择、交叉以及变异等机制，在每次迭代中都保留一组候选个体，重复此过程，种群经过若干代进化后，理想情况下其适应度达到近似最优的状态。
50.以及，具体的，图2为根据本公开实施例二提供的对初始种群进行预设代数的种群进化的方法的流程示意图，如图2所示，上述步骤104中利用遗传算法基于各个初始风险规则池对应的编码值和ks值对所述初始种群进行预设代数的种群进化，将最后一世代种群中ks值最高的风险规则池确定为最优风险规则池的方法具体可以包括：
51.步骤1041、将所述初始风险规则池按照ks值从高到低的顺序进行排序，并保留前n个初始风险规则池，其中，n为正整数，n≤初始种群所包括的初始风险规则池的总个数。
52.其中，将所述初始风险规则池按照ks值从高到低的顺序进行排序后，可以为不同的ks值指定不同的选择概率，ks值越高，所指定的选择概率就越高。例如，可以指定ks值最高的初始风险规则池被选择的概率为95％，第二高的初始风险规则池被选择的概率为90％，以此类推。
53.步骤1042、对所述前n个初始风险规则池进行两两交叉处理。
54.所述交叉处理包括：从所述前n个初始风险规则池任选两个初始风险规则池，采用单点交叉法对所述两个初始风险规则池对应的编码值进行交叉得到两个新的风险规则池，计算所述两个新的风险规则池的ks值，将所述两个新的风险规则池中ks值较高的风险规则池保留。
55.其中，需要说明的是，上述的初始风险规则池对应的编码值主要为：由该初始风险规则池中的所有风险规则的编码值按照其排列顺序组成的。示例的，假设初始风险规则a包括两个风险规则，分别为风险规则1和风险规则2，其中，风险规则1排列在前，风险规则2排列在后，且风险规则1对应的编码值为a1，风险规则2对应的编码值为a2，则可以确定出该初始风险规则池对应的编码值为a1a2。
56.以及，上述的采用单点交叉法对所述两个初始风险规则池对应的编码值进行交叉得到两个新的风险规则池的步骤主要为：
57.将两个初始风险规则池的每个初始风险规则池的编码值在一编码点位切开，得到四段子编码；将所述四段子编码重新两两组合以得到两段新的编码，将每段新的编码对应的风险规则重新组出一新的风险规则池。
58.示例的，假设初始风险规则池a的编码值为a1a2，初始风险规则池b的编码为b1b2，
则可以将初始风险规则池a的编码值a1a2切分为a1和a2，将初始风险规则池b的编码值b1b2切分为b1和b2，再将a1、a2、b1、b2重新组合为两段新的编码a1b2和b1a2。将a1b2对应的风险规则重新组成一新的风险规则池，将b1a2对应的风险规则重新组成一新的风险规则池，且再保留两个新的风险规则池中ks值较高的风险规则池。
59.步骤1043、对交叉处理后的风险规则池进行变异处理，所述变异处理包括：采用单点变异法对所述交叉处理后的风险规则池对应的编码值进行变异处理。
60.其中，所述采用单点变异法对所述交叉处理后的风险规则池对应的编码值进行变异处理具体可以包括如下步骤：
61.步骤a、在所述交叉处理后的风险规则池的编码值中随机选择一段子编码，以及，随机生成一变异种子，所述变异种子的比特数与所述子编码的比特数相同。
62.示例的，假设交叉处理后的风险规则池的编码值为000001000010，则将该编码值000001000010中的前4个编码作为该子编码，子编码为0000。以及，随机生成以变异种子1010。
63.步骤b、将所述子编码与所述变异种子进行按位取反或按位异或运算，形成变异后的编码。
64.假设本公开所执行的是按位异或运算，则对子编码0000和变异种子1010进行按位异或运算之后得到的变异后的编码为：1010。
65.步骤c、利用所述变异后的编码替代所述子编码，以得到变异处理后的风险规则池。
66.利用变异后的编码1010替代原来的子编码0000之后得到变异处理后的风险规则池101001000010。
67.步骤1044、将变异处理后的风险规则池按照ks值从高到低的顺序进行排序，并保留前m个初始风险规则池以构成新世代种群，其中，m为正整数，m≤n。
68.则通过执行上述步骤1041-步骤1044即可实现对风险规则池进行一代种群进化，以及，重复执行上述步骤1041-步骤1044直至到达预设世代数(例如20代或100代)，将预设世代种群确定为最后一世代种群，将最后一世代种群中ks值最高的风险规则池确定为最优风险规则池。
69.综上所述，本公开实施例提供的风控方法之中，会对待选的风险规则进行编码，并对所有待选的风险规则进行划分形成至少一个初始风险规则池，所有初始风险规则池构成初始种群；之后，会计算出各个初始风险规则池的ks值；再利用遗传算法基于各个初始风险规则池对应的编码值和ks值对所述初始种群进行预设代数的种群进化，将最后一世代种群中ks值最高的风险规则池确定为最优风险规则池。由此可知，本公开实施例之中，通过对遗传算法的应用，对于从大量数据中加工出来的初始种群进行不断地种群进化，最终构建出风险规则池，能够发掘弱规则在风险规则池中的应用，可以使得最终构建出的风险规则池对于风险的识别更加精准，提高了风险判断的准确性。
70.同时，当出现新的样本或是新的数据维度时，只需要相应地调整初始种群，即可再次基于遗传算法进行种群进化以快速建立风险规则池，则效率较高。
71.此外，本公开实施例之中，在遗传算法中，还会采用ks值的计算作为适应度函数，从而可以进一步提高风险规则池构建的精度。
72.实施例三
73.图3为根据本公开实施例三提供的一种风控装置300的结构示意图，如图3所示，该装置可以包括：
74.编码模块301，用于对待选的风险规则进行编码；
75.划分模块302，用于对所有待选的风险规则进行划分形成至少一个初始风险规则池，其中，每个初始风险规则池包括至少一条待选的风险规则，所有初始风险规则池构成初始种群；
76.计算模块303，用于计算出各个初始风险规则池的ks值；
77.进化模块304，用于利用遗传算法基于各个初始风险规则池对应的编码值和ks值对所述初始种群进行预设代数的种群进化，将最后一世代种群中ks值最高的风险规则池确定为最优风险规则池，并基于所述最优风险规则池对客户进行贷前风险预测，以进行风控。
78.可选的，所述编码模块，还用于：
79.使得每一个待选的风险规则对应一唯一的编码值。
80.可选的，所述编码为二进制编码。
81.综上所述，本公开实施例提供的风控装置之中，会对待选的风险规则进行编码，并对所有待选的风险规则进行划分形成至少一个初始风险规则池，所有初始风险规则池构成初始种群；之后，会计算出各个初始风险规则池的ks值；再利用遗传算法基于各个初始风险规则池对应的编码值和ks值对所述初始种群进行预设代数的种群进化，将最后一世代种群中ks值最高的风险规则池确定为最优风险规则池。由此可知，本公开实施例之中，通过对遗传算法的应用，对于从大量数据中加工出来的初始种群进行不断地种群进化，最终构建出风险规则池，能够发掘弱规则在风险规则池中的应用，可以使得最终构建出的风险规则池对于风险的识别更加精准，提高了风险判断的准确性。
82.同时，当出现新的样本或是新的数据维度时，只需要相应地调整初始种群，即可再次基于遗传算法进行种群进化以快速建立风险规则池，则效率较高。
83.此外，本公开实施例之中，在遗传算法中，还会采用ks值的计算作为适应度函数，从而可以进一步提高风险规则池构建的精度。
84.实施例四
85.图4为根据本公开实施例四提供的一种进化模块304的结构示意图，如图4所示，该装置可以包括：
86.可选的，所述进化模块304，包括：
87.第一排序模块3041，用于将所述初始风险规则池按照ks值从高到低的顺序进行排序，并保留前n个初始风险规则池，其中，n为正整数，n≤初始种群所包括的初始风险规则池的总个数；
88.交叉处理模块3042，用于对所述前n个初始风险规则池进行两两交叉处理，所述交叉处理包括：从所述前n个初始风险规则池任选两个初始风险规则池，采用单点交叉法对所述两个初始风险规则池对应的编码值进行交叉得到两个新的风险规则池，计算所述两个新的风险规则池的ks值，将所述两个新的风险规则池中ks值较高的风险规则池保留；
89.变异处理模块3041，用于对交叉处理后的风险规则池进行变异处理，所述变异处理包括：采用单点变异法对所述交叉处理后的风险规则池对应的编码值进行变异处理；
90.第二排序模块3041，用于将变异处理后的风险规则池按照ks值从高到低的顺序进行排序，并保留前m个初始风险规则池以构成新世代种群，其中，m为正整数，m≤n；
91.重复执行上述步骤直至到达预设世代数，将预设世代种群确定为最后一世代种群。
92.可选的，所述交叉处理模块，还用于：
93.将两个初始风险规则池的每个初始风险规则池的编码值在一编码点位切开，得到四段子编码；将所述四段子编码重新两两组合以得到两段新的编码，将每段新的编码对应的风险规则重新组出一新的风险规则池。
94.可选的，所述变异处理模块，还用于：
95.在所述交叉处理后的风险规则池的编码值中随机选择一段子编码，以及，随机生成一变异种子，所述变异种子的比特数与所述子编码的比特数相同；
96.将所述子编码与所述变异种子进行按位取反或按位异或运算，形成变异后的编码；
97.利用所述变异后的编码替代所述子编码，以得到变异处理后的风险规则池。
98.可选的，所述预设世代数为20代或100代
99.综上所述，本公开实施例提供的风控装置之中，会对待选的风险规则进行编码，并对所有待选的风险规则进行划分形成至少一个初始风险规则池，所有初始风险规则池构成初始种群；之后，会计算出各个初始风险规则池的ks值；再利用遗传算法基于各个初始风险规则池对应的编码值和ks值对所述初始种群进行预设代数的种群进化，将最后一世代种群中ks值最高的风险规则池确定为最优风险规则池。由此可知，本公开实施例之中，通过对遗传算法的应用，对于从大量数据中加工出来的初始种群进行不断地种群进化，最终构建出风险规则池，能够发掘弱规则在风险规则池中的应用，可以使得最终构建出的风险规则池对于风险的识别更加精准，提高了风险判断的准确性。
100.同时，当出现新的样本或是新的数据维度时，只需要相应地调整初始种群，即可再次基于遗传算法进行种群进化以快速建立风险规则池，则效率较高。
101.此外，本公开实施例之中，在遗传算法中，还会采用ks值的计算作为适应度函数，从而可以进一步提高风险规则池构建的精度。
102.为了实现上述实施例，本公开还提出一种计算机存储介质。
103.本公开实施例提供的计算机存储介质，存储有可执行程序；所述可执行程序被处理器执行后，能够实现如图1或图2所示的方法。
104.本公开还提出一种计算机设备，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，实现如图1或图2所示的方法
105.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
106.流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施例所属技术领域的技术人员所理解。
107.尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。