宏观违约风险模型训练方法、信用评价方法及装置

技术领域

本申请涉及金融科技技术领域，具体而言，本申请涉及一种宏观违约风险模型训练方法、信用评价方法及装置。

背景技术

宏观环境的动态变化为金融机构信贷风险管理，尤其是对公信贷业务，带来了新的挑战。当前，国际国内形势正在发生着深刻的变化，经济金融格局也在不断调整。中国宏观经济正逐步从投资拉动型发展为高储蓄率支撑下的消费驱动型，一些传统领域的产能过剩问题不断显现，在国内总体经济从高速度增长模式向高质量增长模式改革的进程中，无论是实体经济还是金融系统都面临着不断积累的风险。与此同时，以民生改善为背景的产业、产品、服务、技术运用等进入前所未有的新发展阶段，各种制度红利、人口红利、生态红利、资源红利日渐式微，亟需优化资源、提升结构、加快经济转型。

企业的经营绩效与每个人的经济收入往往受外部宏观环境的影响，该影响在不同地域和行业中存在着差异。传统评分卡模型往往忽略了外部市场环境对客户收入的影响，在宏观环境恶化时往往会造成整体违约率的升高。如何快速且准确地对外部环境变化做出智能化响应，提高整体信用评价系统的准确性与稳定性是本发明要解决的主要问题。

发明内容

本申请提供了一种宏观违约风险模型训练方法、信用评价方法及装置，用于提升信用风险预测的准确性。本申请采用的技术方案如下：

第一方面，提供了一种宏观违约风险模型训练方法，包括：

定义宏观违约风险模型为：

其中，

基于预定时间段内样本客户违约率与目标宏中观经济指标，训练宏观信用评价模型，确定模型参数。

可选地，函数f为线性回归算法、XGBoost算法、岭回归算法、SVM、随机森林、AdaBoost、决策树、深度学习算法的任一种或多种的组合。

可选地，确定客户样本集合I

获取预设历史时间段T内的样本客户；

对各个样本客户添加时间窗编号

基于确定的各样本客户的违约情况确定各个客户样本集合I

可选地，确定目标宏中观经济指标包括：

确定多个候选宏中观指标；

基于各个候选宏中观指标在时间序列上的预测能力从多个候选宏中观指标中确定出目标宏中观指标。

可选地，候选宏中观指标包括国内外经济环境指标、行业成长周期指标、地区经济形式指标中的至少一项。

第二方面，提供了一种信用评价方法，包括：

获取当前目标宏中观经济指标，并基于预训练的宏中观信用评价模型确定宏观信用风险；

基于确定的宏观信用风险与目标客户在微观风险评估模型中的微观信用风险确定目标客户的信用风险。

可选地，基于确定的宏观信用风险与目标客户在微观风险评估模型中的微观信用风险确定目标客户的信用风险，包括：

基于预训练的权重确定模型确定宏中观信用评价模型与微观风险评估模型的权重；

基于确定的宏中观信用评价模型与微观风险评估模型的权重，以及确定的宏观信用风险与微观信用风险确定目标客户的信用风险。

可选地，基于预训练的权重确定模型确定宏中观信用评价模型与微观风险评估模型的权重包括：

基于预训练的权重确定模型确定宏中观信用评价模型与微观风险评估模型的相对权重；

对宏中观信用评价模型与微观风险评估模型的相对权重进行归一化处理，得到宏中观信用评价模型与微观风险评估模型在t时刻的权重

可选地，预训练的权重确定模型的训练过程包括：

确定模型相对权重X

针对第t个时间窗口下的样本客户i，确定第k个模型上的权重为

针对第t个时间窗，确定客户i的风险评估结果为

基于第(t-T)～t时间窗口的样本客户信息、各样本客户在各时间窗口的违约信息、各子模型第(t-T)～t时间窗口的预测表现为Q

可选地，该方法还包括：

基于目标客户的客户相关信息确定目标客户的类型；

基于目标客户的类型从多个候选微观风险评估模型确定出至少一个微观风险评估模型。

第三方面，提供了宏观违约风险模型训练装置，包括：

定义模块，用于定义宏观违约风险模型为：

其中，

训练模块，用于基于预定时间段内样本客户违约率与目标宏中观经济指标，训练宏观信用评价模型，确定模型参数。

可选地，函数f为线性回归算法、XGBoost算法、岭回归算法、SVM、随机森林、AdaBoost、决策树、深度学习算法的任一种或多种的组合。

可选地，该装置包括：

第一获取模块，用于获取预设历史时间段T内的样本客户；

分割模块，用于对各个样本客户添加时间窗编号

第一确定模块，用于基于确定的各样本客户的违约情况确定各个客户样本集合I

可选地，该装置还包括：

第二确定模块，用于确定多个候选宏中观指标；

第三确定模块，用于基于各个候选宏中观指标在时间序列上的预测能力从多个候选宏中观指标中确定出目标宏中观指标。

可选地，候选宏中观指标包括国内外经济环境指标、行业成长周期指标、地区经济形式指标中的至少一项。

第四方面，提供了一种信用评价装置，包括：

第二获取模块，用于获取当前目标宏中观经济指标，并基于预训练的宏中观信用评价模型确定宏观信用风险；

第四确定模块，用于基于确定的宏观信用风险与目标客户在微观风险评估模型中的微观信用风险确定目标客户的信用风险。

可选地，第四确定模块包括：

第一确定单元，用于基于预训练的权重确定模型确定宏中观信用评价模型与微观风险评估模型的权重；

第二确定单元，用于基于确定的宏中观信用评价模型与微观风险评估模型的权重，以及确定的宏观信用风险与微观信用风险确定目标客户的信用风险。

可选地，第一确定单元，具体用于基于预训练的权重确定模型确定宏中观信用评价模型与微观风险评估模型的相对权重；

以及具体用于对宏中观信用评价模型与微观风险评估模型的相对权重进行归一化处理，得到宏中观信用评价模型与微观风险评估模型在t时刻的权重

可选地，该装置还包括：

训练模块，用于确定模型相对权重X

以及用于针对第t个时间窗口下的样本客户i，确定第k个模型上的权重为

以及用于针对第t个时间窗，确定客户i的风险评估结果为

以及用于基于第(t-T)～t时间窗口的样本客户信息、各样本客户在各时间窗口的违约信息、各子模型第(t-T)～t时间窗口的预测表现为Q

可选地，该装置还包括：

第五确定模块，用于基于目标客户的客户相关信息确定目标客户的类型；

第六确定模块，用于基于目标客户的类型从多个候选微观风险评估模型确定出至少一个微观风险评估模型。

第五方面，提供了一种电子设备，该电子设备包括：

一个或多个处理器；

存储器；

一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于：执行第一方面和/或第二方面所示的方法。

第六方面，提供了一种计算机可读存储介质，计算机存储介质用于存储计算机指令，当其在计算机上运行时，使得计算机可以执行第一方面和/或第二方面所示的方法。

本申请提供了一种宏观违约风险模型训练方法、信用评价方法及装置，本申请通过获取当前目标宏中观经济指标，并基于预训练的宏中观信用评价模型确定宏观信用风险；基于确定的宏观信用风险与目标客户在微观风险评估模型中的微观信用风险确定目标客户的信用风险。即与传统风险评估模型往往只考虑了客户微观上的经营风险，忽略了来自国内外经济、行业成长周期和地区经济形势的宏中观风险相比。本申请基于经济金融理论，综合宏中观系统性风险和微观经营风险，提出了一种更科学、全面的信贷风险评价方法，能够提升风险预测的准确性。该方法可以作为传统微观风险评估模型的优化方法，解决高度动态不确定的宏中观环境给金融机构带来的风险管理问题，使传统的模型可以快速且准确地对外部环境变化做出智能化响应。

本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和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：

图1为本申请实施例的一种宏观违约风险模型训练方法的流程示意图；

图2为本申请实施例的信用评价方法的流程示意图；

图3为本申请实施例的宏观违约风险模型训练装置的结构示意图；

图4为本申请实施例的信用评价装置的结构示意图；

图5为本申请实施例的一种电子设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，各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，仅用于解释本申请，而不能解释为对本申请的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

实施例一

本申请实施例提供了一种宏观违约风险模型训练方法，如图1所示，该方法可以包括以下步骤：

步骤S101，定义宏观违约风险模型为：

其中，

步骤S102，基于预定时间段内样本客户违约率与目标宏中观经济指标，训练宏观信用评价模型，确定模型参数。

其中，客户违约率为各目标宏观经济指标的相关函数，其中定义宏观违约风险为客户违约率。

本申请实施例提供了一种可能的实现方式，具体的，函数f为线性回归算法、XGBoost算法、岭回归算法、SVM、随机森林、AdaBoost、决策树、深度学习算法的任一种或多种的组合。

本申请实施例提供了一种可能的实现方式，具体的，确定客户样本集合I

获取预设历史时间段T内的样本客户；

对各个样本客户添加时间窗编号

基于确定的各样本客户的违约情况确定各个客户样本集合I

本申请实施例提供了一种可能的实现方式，具体的，确定目标宏中观经济指标包括：

确定多个候选宏中观指标；

基于各个候选宏中观指标在时间序列上的预测能力从多个候选宏中观指标中确定出目标宏中观指标。

本申请实施例提供了一种可能的实现方式，具体的，候选宏中观指标包括国内外经济环境指标、行业成长周期指标、地区经济形式指标中的至少一项。

示例性地，宏观违约风险模型的训练过程包括如下步骤：

1.数据接入层：

获取过去预设时间段T内的样本客户，并对每个样本添加时间窗编号

获取每个时间窗口下的宏中观指标，如国内外经济环境、行业成长周期、地区经济形式等；

2.数据准备层：

定义各地区、行业的宏观违约风险，为当前该地区、行业的客户整体违约率水平；计算每个客户样本集合I

对不同的行业或地区层面的宏中观经济指标Z

3.宏观风险训练层：

定义不同地区、行业的宏观风险为各宏观指标的相关函数：

其中函数f表示预测算法(例如，普通线性回归或XGBoost等非线性算法)，Z表示行业或地区层面的宏中观经济指标及其滞后项，ε

基于预设时间段T内的样本客户违约情况与宏中观指标，训练宏观风险预测模型，获得模型参数；

获取基于历史宏中观数据得到的历史宏观风险估计结果：

4.微观与宏观风险集成层：

获取历史客户样本集L在传统风险模型上的微观风险结果{P

定义客户l的信用违约风险为宏观风险与微观风险的相关函数：

基于历史客户的违约情况数据、客户微观风险预测结果、宏中观风险预测结果，以最优化模型预测表现为目标，计算模型参数。

示例性地，以小微企业贷前申请为实施例，展示本发明系统对传统小微企业信贷申请评分卡的优化改进。

模型训练：

1.获取过去三年的小微企业申贷债项数据、各债项l在传统申请评分卡模型上的微观风险评估结果P

2.以月份为时间窗口，计算每月各省各行业的申请债项的违约率结果

3.计算每个宏中观经济指标Z

4.基于筛选后的宏中观指标对宏观系统风险(各省各行业的平均违约率)进行拟合训练，考虑到不同宏中观变量与系统风险之间可能存在非线性关系，本实施例中使用极端梯度提升方法(XGBoost)进行预测训练，并基于历史宏中观数据获取历史宏观风险的估计结果

5.本实施例中，定义客户信用违约风险公式如下：

其中，P

6.以历史客户样本的风险预测AUC最大化为目标，估计参数ω

本申请提供了一种宏观违约风险模型训练方法，为综合宏中观系统性风险和微观经营风险确定客户的信用风险提供了基础。

实施例二

本申请实施例提供了一种信用评价方法，包括：

步骤201，获取当前目标宏中观经济指标，并基于预训练的宏中观信用评价模型确定宏观信用风险；

步骤202，基于确定的宏观信用风险与目标客户在微观风险评估模型中的微观信用风险确定目标客户的信用风险。

本申请提供了一种信用评价方法，本申请通过获取当前目标宏中观经济指标，并基于预训练的宏中观信用评价模型确定宏观信用风险；基于确定的宏观信用风险与目标客户在微观风险评估模型中的微观信用风险确定目标客户的信用风险。即与传统风险评估模型往往只考虑了客户微观上的经营风险，忽略了来自国内外经济、行业成长周期和地区经济形势的宏中观风险相比。本申请基于经济金融理论，综合宏中观系统性风险和微观经营风险，提出了一种更科学、全面的信贷风险评价方法，能够提升风险预测的准确性。该方法可以作为传统微观风险评估模型的优化方法，解决高度动态不确定的宏中观环境给金融机构带来的风险管理问题，使传统的模型可以快速且准确地对外部环境变化做出智能化响应。

本申请实施例提供了一种可能的实现方式，具体的，基于确定的宏观信用风险与目标客户在微观风险评估模型中的微观信用风险确定目标客户的信用风险，包括：

基于预训练的权重确定模型确定宏中观信用评价模型与微观风险评估模型的权重；

基于确定的宏中观信用评价模型与微观风险评估模型的权重，以及确定的宏观信用风险与微观信用风险确定目标客户的信用风险。

本申请实施例提供了一种可能的实现方式，具体的，基于预训练的权重确定模型确定宏中观信用评价模型与微观风险评估模型的权重包括：

基于预训练的权重确定模型确定宏中观信用评价模型与微观风险评估模型的相对权重；

对宏中观信用评价模型与微观风险评估模型的相对权重进行归一化处理，得到宏中观信用评价模型与微观风险评估模型在t时刻的权重

本申请实施例提供了一种可能的实现方式，具体的，预训练的权重确定模型的训练过程包括：

确定模型相对权重X

针对第t个时间窗口下的样本客户i，确定第k个模型上的权重为

针对第t个时间窗，确定客户i的风险评估结果为

基于第(t-T)～t时间窗口的样本客户信息、各样本客户在各时间窗口的违约信息、各子模型第(t-T)～t时间窗口的预测表现为Q

本申请实施例提供了一种可能的实现方式，进一步地，该方法还包括：

基于目标客户的客户相关信息确定目标客户的类型；

基于目标客户的类型从多个候选微观风险评估模型确定出至少一个微观风险评估模型。

示例性地，信用风险评价的流程包括如下步骤：

获取最终入模的各省市、行业、全国的宏中观预测指标，以及目标客户在原风险模型中的微观风险评估结果；

基于预训练的宏中观风险评估模型，计算目标客户当前宏中观风险估计值；

基于客户当前宏中观系统性风险与客户微观风险，计算客户最终风险评分，并输出结果。

实施例三

本申请实施例提供了一种宏观违约风险模型训练装置，包括：

定义模块301，用于定义宏观违约风险模型为：

其中，

训练模块302，用于基于预定时间段内样本客户违约率与目标宏中观经济指标，训练宏观信用评价模型，确定模型参数。

本申请实施例提供了一种可能的实现方式，具体地，函数f为线性回归算法、XGBoost算法、岭回归算法、SVM、随机森林、AdaBoost、决策树、深度学习算法的任一种或多种的组合。

本申请实施例提供了一种可能的实现方式，具体地，该装置包括：

第一获取模块，用于获取预设历史时间段T内的样本客户；

分割模块，用于对各个样本客户添加时间窗编号

第一确定模块，用于基于确定的各样本客户的违约情况确定各个客户样本集合I

本申请实施例提供了一种可能的实现方式，具体地，该装置还包括：

第二确定模块，用于确定多个候选宏中观指标；

第三确定模块，用于基于各个候选宏中观指标在时间序列上的预测能力从多个候选宏中观指标中确定出目标宏中观指标。

本申请实施例提供了一种可能的实现方式，具体地，候选宏中观指标包括国内外经济环境指标、行业成长周期指标、地区经济形式指标中的至少一项。

本申请实施例的有益效果同实施例一，此处不再赘述。

实施例四

本申请实施例提供了一种信用评价装置40，该装置40包括：

第二获取模块401，用于获取当前目标宏中观经济指标，并基于预训练的宏中观信用评价模型确定宏观信用风险；

第四确定模块402，用于基于确定的宏观信用风险与目标客户在微观风险评估模型中的微观信用风险确定目标客户的信用风险。

本申请实施例提供了一种可能的实现方式，具体地，第四确定模块包括：

第一确定单元，用于基于预训练的权重确定模型确定宏中观信用评价模型与微观风险评估模型的权重；

第二确定单元，用于基于确定的宏中观信用评价模型与微观风险评估模型的权重，以及确定的宏观信用风险与微观信用风险确定目标客户的信用风险。

本申请实施例提供了一种可能的实现方式，具体地，第一确定单元，具体用于基于预训练的权重确定模型确定宏中观信用评价模型与微观风险评估模型的相对权重；

以及具体用于对宏中观信用评价模型与微观风险评估模型的相对权重进行归一化处理，得到宏中观信用评价模型与微观风险评估模型在t时刻的权重

本申请实施例提供了一种可能的实现方式，具体地，该装置还包括：

训练模块，用于确定模型相对权重X

以及用于针对第t个时间窗口下的样本客户i，确定第k个模型上的权重为

以及用于针对第t个时间窗，确定客户i的风险评估结果为

以及用于基于第(t-T)～t时间窗口的样本客户信息、各样本客户在各时间窗口的违约信息、各子模型第(t-T)～t时间窗口的预测表现为Q

本申请实施例提供了一种可能的实现方式，具体地，该装置还包括：

第五确定模块，用于基于目标客户的客户相关信息确定目标客户的类型；

第六确定模块，用于基于目标客户的类型从多个候选微观风险评估模型确定出至少一个微观风险评估模型。

本申请实施例的有益效果同实施例一，此处不再赘述。

实施例五

本申请实施例提供了一种电子设备，如图5所示，图5所示的电子设备50包括：处理器501和存储器505。其中，处理器501和存储器503相连，如通过总线502相连。进一步地，电子设备50还可以包括收发器503。需要说明的是，实际应用中收发器504不限于一个，该电子设备50的结构并不构成对本申请实施例的限定。其中，处理器501应用于本申请实施例中，用于实现图3或4所示模块的功能。收发器504包括接收机和发射机。

处理器501可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器501也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线502可包括一通路，在上述组件之间传送信息。总线502可以是PCI总线或EISA总线等。总线502可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器505可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

存储器505用于存储执行本申请方案的应用程序代码，并由处理器501来控制执行。处理器501用于执行存储器505中存储的应用程序代码，以实现图3或图4所示实施例提供的装置的功能。

本申请实施例提供了一种电子设备，本申请基于经济金融理论，综合宏中观系统性风险和微观经营风险，提出了一种更科学、全面的信贷风险评价方法，能够提升风险预测的准确性。该方法可以作为传统微观风险评估模型的优化方法，解决高度动态不确定的宏中观环境给金融机构带来的风险管理问题，使传统的模型可以快速且准确地对外部环境变化做出智能化响应。

本申请实施例提供了一种电子设备适用于上述方法实施例。在此不再赘述。

实施例六

本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述实施例中所示的方法。

本申请实施例提供了一种计算机可读存储介质，本申请基于经济金融理论，综合宏中观系统性风险和微观经营风险，提出了一种更科学、全面的信贷风险评价方法，能够提升风险预测的准确性。该方法可以作为传统微观风险评估模型的优化方法，解决高度动态不确定的宏中观环境给金融机构带来的风险管理问题，使传统的模型可以快速且准确地对外部环境变化做出智能化响应。

本申请实施例提供了一种计算机可读存储介质适用于上述方法实施例。在此不再赘述。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。