一种企业信用评分方法及装置与流程

技术特征：
1.一种企业信用评分方法，其特征在于，具有如下步骤：s1、数据汇聚融合建立标准数据仓库；s2、筛选企业信用评估指标；s3、特征工程形成信用评估入模指标；s4、深度学习模型建立；s5、深度学习模型训练；s6、入模特征重要性评估；s7、企业评分形成。2.根据权利要求1所述的一种企业信用评分方法，其特征在于，在步骤s1中，首先建立统一的数据标准规范对入库的多源数据进行规范化管理；其次，通过etl数据治理工具进行多源数据的治理加工，互联网数据存储数据定期拉取，实时接口数据通过内存进行处理，结合批流处理模式对数据进行数据加工处理、数据标准化、指标计算和轻特征挖掘；最后，三方多源数据通过横纵向数据融合，融合汇聚到统一的数据仓库中，数据仓库存储多源数据融合之后的标准库数据、加工所得指标库和特征库。3.根据权利要求1或2所述的一种企业信用评分方法，其特征在于，在步骤s2中，基于建立的企业多源数据标准库，建立覆盖三级层次的企业标准库，基于标准库建立企业信用评估指标体系，其中三级指标为通过数据库表格抽取的具体的企业信用评估指标；二级指标是基于三级指标基础之上融入业务知识归类整理的企业信用评估指标类别；一级指标为评估企业信用风险最终确定的评估维度，一级指标维度会用于企业画像的雷达图展示中，用以评估企业在各个细分维度上的信用风险情况。4.根据权利要求3所述的一种企业信用评分方法，其特征在于，在步骤s3中，首先进行探索性数据分析，探索性数据分析主要包括对训练样本及海选指标进行简单的描述统计，经过对数据进行简单的统计分析之后，对特定指标数据进行数据切分，对数据的动态变化情况、某一特定条件下的取值情况进行深入的剖析；通过绘制单变量的直方图曲线、单变量与目标变量的关系曲线对入模样例指标进行可视化分析。5.根据权利要求4所述的一种企业信用评分方法，其特征在于，在步骤s3中，然后进行数据清洗，采用randomforest随机森林方法对训练样本中的缺失指标进行填充，首先统计特征中存在缺失值的特征和不存在缺失值的特征列表，缺失特征中每一个缺失指标分别选做目标函数，特征变量和目标变量的非缺失值作为训练样例，用来训练randomforest模型，训练好的随机森林模型输出保存，用于预测缺失特征的缺失值。经过数据清洗、缺失值填充的训练样例进行z-score标准化处理，形成标准化后的训练向量，待神经网络结构确立后输入神经网络进行模型训练。6.根据权利要求5所述的一种企业信用评分方法，其特征在于，在步骤s4中，首先，确定神经网络结构，再确定激活函数，最后确定权重搜索策略。7.根据权利要求6所述的一种企业信用评分方法，其特征在于，在步骤s5中，深度学习网络的训练常采用tensorflow和keras的开源包来进行深度学习模型的训练，训练过程中通过绘制模型学习曲线来展示模型训练过程中损失函数、训练样例准确率、测试样例准确率伴随模型迭代过程的变化情况，用来判断模型的收敛情况。8.根据权利要求7所述的一种企业信用评分方法，其特征在于，在步骤s6中，深度学习
网络建设过程中会通过选用输入扰动特征的重要性来评估入模指标的重要性，对数据x的每一个特征，进行打乱，然后对新的x输入网络得到预测值，计算损失函数，作为该特征的重要性分数；针对入模特征运用输入扰动特征的重要性来评估入模指标的重要性之后，入模特征按照扰动特征重要性从高到低排列，依次选择不同的阈值来筛选入模特征，针对筛选后的特征运用已确定的深度学习网络结构进行多次模型的训练，最终通过深度学习模型的训练效果确定最终的入模特征，最终确定最优的深度学习网络模型并输出模型保存。9.根据权利要求8所述的一种企业信用评分方法，其特征在于，在步骤s7中，标准的评分卡转换方法有两种，一是基于woe转换的方法，通过woe值及逻辑回归模型预测所得特征的系数进行特征分值的计算；二是基于模型预测所得的企业违约概率，根据违约概率进行标准分值的转换，深度学习网络预测企业的违约概率，通过标准评分卡转换方法将企业预测所得的企业违约概率转换成企业的标准评分；最后，通过正态检验方法对训练样本的整体评分分布进行检验，针对评分分布不符合正态分布的评分结果通过分值调整、分值转换进行分布调整。10.一种企业信用评分装置，其特征在于，包括：至少一个存储器和至少一个处理器；所述至少一个存储器，用于存储机器可读程序；所述至少一个处理器，用于调用所述机器可读程序，执行权利要求1至9中任一所述的方法。

技术总结
本发明涉及企业信用评分领域，具体提供了一种企业信用评分方法，具有如下步骤：S1、数据汇聚融合建立标准数据仓库；S2、筛选企业信用评估指标；S3、特征工程形成信用评估入模指标；S4、深度学习模型建立；S5、深度学习模型训练；S6、入模特征重要性评估；S7、企业评分形成。与现有技术相比，本发明构建了相对准确的企业信用评分模型运用深度学习技术对客户高维特征进行深入挖掘分析客户潜在风险，让信贷审批服务更加高效快捷。务更加高效快捷。务更加高效快捷。


技术研发人员：王利鑫 李仰允 崔乐乐 徐宏伟
受保护的技术使用者：天元大数据信用管理有限公司
技术研发日：2022.08.25
技术公布日：2022/11/11