[发明专利]征信违约风险的评估方法及装置、存储介质、计算机设备

说明书

本发明公开了一种征信违约风险的评估方法及装置、存储介质、计算机设备，涉及数据处理技术领域，主要目的在于解决现有国内大多数银行的信用卡部门采取人工审批作业形式，效率低，而又面临很大的欺诈、违约风险的问题。包括：获取用户的征信信息、基本信息、贷款记录信息，并对征信信息、基本信息、贷款记录信息中的变量信息进行数据量化处理；采用特征分箱方式对进行数据量化处理后的变量信息进行变量划分选取，特征分箱用于将连续的变量信息进行离散化；通过预先建立的征信违约风险评估模型计算变量划分选取后的变量信息的征信违约风险评估值，征信违约风险评估模型为根据变量信息预测征信违约风险评估值的逻辑回归模型。

技术领域

本发明涉及一种数据处理技术领域，特别是涉及一种征信违约风险的评估方法及装置、存储介质、计算机设备。

背景技术

随着金融企业征信领域的快速发展，为了确保企业在对用户的信用贷款方面不会造成过大的经济损失，金融企业会对用户的征信情况进行评估，例如，银行的信用卡部门在对用户发放信用卡之前，都会对用户的信用程度进行审批。

目前，国内大多数银行的信用卡部门采取人工审批作业形式，效率低，而又面临很大的欺诈、违约风险，无法进行风险分级管理，影响风险控制的能力及灵活度，难以在风险与市场之间寻求合适的平衡点，且部分使用评分卡模型的银行，采用的方法基于专家规则，其预测的准确率又显然不够，由于处理数据过于粗糙，使得对征信违约风险的评估准确率明显受到影响。

发明内容

有鉴于此，本发明提供一种征信违约风险的评估方法及装置、存储介质、计算机设备，主要目的在于解决现有国内大多数银行的信用卡部门采取人工审批作业形式，效率低，而又面临很大的欺诈、违约风险的问题。

依据本发明一个方面，提供了一种征信违约风险的评估方法，包括：

获取用户的征信信息、基本信息、贷款记录信息，并对所述征信信息、所述基本信息、所述贷款记录信息中的变量信息进行数据量化处理；

采用特征分箱方式对进行数据量化处理后的变量信息进行变量划分选取，所述特征分箱用于将连续的变量信息进行离散化；

通过预先建立的征信违约风险评估模型计算变量划分选取后的变量信息的征信违约风险评估值，所述征信违约风险评估模型为根据变量信息预测征信违约风险评估值的逻辑回归模型。

进一步地，所述采用特征分箱方式对进行数据量化处理后的变量信息进行变量划分选取之前，所述方法还包括：

判断进行数据量化处理后的变量信息中是否存在缺失变量，所述缺失变量为进行数据量化处理后的变量信息中数据不存在的变量；

若进行数据量化处理后的变量信息中存在缺失变量，则对所述缺失变量进行缺失值填补处理，将缺失值填补处理后的变量信息确定为进行变量划分选取的变量信息；

若进行数据量化处理后的变量信息中不存在缺失变量，则将所述变量信息确定为进行变量划分选取的变量信息。

进一步地，所述采用特征分箱方式对进行数据量化处理后的变量信息进行变量划分选取包括：

对所述变量信息中的数据按照预置顺序进行排序，并通过所述数据中每两个相邻数据之间的中位数计算分裂点的数组；

计算所述数组中分裂点的柯尔莫可洛夫-斯米洛夫检验KS值，并将KS值最大的分裂点确定为所述数组中的最终分裂点；

按照迭代方式计算所述数组中符合预设停止分裂条件的所有最终分裂点；

按照预设数组个数通过信息价值IV计算公式计算所述最终分裂点中的最优分裂点，将所述最优分裂点划分出的数据对应的变量信息确定为进行变量划分选取后的变量信息。