[发明专利]一种利于信用租赁的个人信用风险评估方法

说明书

本发明公开了一种利于信用租赁的个人信用风险评估方法，其特征在于：其步骤如下：步骤一：数据收集，本方法收集到的数据为客户的行为数据为主：包括：申请、放款、还款、黑名单、涉法信息等维度信息；步骤二：数据处理，把客户的行为数据转换成可以量化的风险信息；步骤三：不同模块风险值汇总，取每个模块最大值为合并后的风险值；步骤四：最后激活函数校验，最后再经过涉法信息、黑名单，做一个策略上的调整；步骤五：根据最终得分，评定等级，量化客户风险等级。该利于信用租赁的个人信用风险评估方法，在无标签的情况下，通过仅有客户的行为数据，对客户进行信用风险评估，直接采用最大风险点维度的分值为个人信用评分的方法。

技术领域

本发明涉及风险评估技术领域，具体为一种利于信用租赁的个人信用风险评估方法。

背景技术

随着信用租赁及个人信贷业务的兴起，开展这些业务的平台、企业对个人信用风险评估的需求也与日俱增，特别是信用无抵押租赁业务模式多样性的爆发式增长，也对客户的信用风险评估的要求更高，风险的控制也就成为制约这些新兴行业发展的瓶颈，因此个人信用风险评估的研究有利于信用租赁和信贷行业健康稳定持续的发展。

现在人工智能模型对数据质量要求很高，特别是现在流行的建模方法都是有监督学习算法基于有标签样本构建出来的模型，对于无标签样本来说，这些方法不适用。

个人的征信数据是评估个人信用风险的重要依据，但是对于信用租赁和小额信贷业务来说，让客户提供这些数据，会让整个的服务体验度很不好，也会涉及到客户隐私信息的泄露，只能通过第三方机构把客户分散在社会各个方面的个人信用行为信息通过合法手段进行采集、加工、存储，形成个人信用风险档案，并根据租赁、信贷等机构的要求提供个人信用风险评估和查询。

现阶段，对于没有标签的客户群体，一般都是通过画像或者聚类算法等方式来评估客户的信用风险。

画像：基于数据给客户打上很多标签，每个标签有不同的权重，最后汇总得到一个总分。此种方法的缺点是：客户在某一个标签的风险点很高，在其他标签的风险点很低，经过加权运算后会拉低整体的风险，此存在不合理的地方，聚类算法同样会存在以上不合理的地方。

发明内容

本发明的目的在于提供一种利于信用租赁的个人信用风险评估方法，以解决上述背景技术中客户在某一个标签的风险点很高，在其他标签的风险点很低，经过加权运算后会拉低整体的风险，此存在不合理地方的问题。

为实现上述目的，本发明提供如下技术方案：一种利于信用租赁的个人信用风险评估方法，其步骤如下：

步骤一：数据收集，本方法收集到的数据为客户的行为数据为主：包括：申请、放款、还款、黑名单、涉法信息等维度信息；

步骤二：数据处理，把客户的行为数据转换成可以量化的风险信息；

步骤三：不同模块风险值汇总，取每个模块最大值为合并后的风险值；

步骤四：最后激活函数校验，最后再经过涉法信息、黑名单，做一个策略上的调整；

步骤五：根据最终得分，评定等级，量化客户风险等级。

进一步的，所述步骤一申请数据主要为金融机构清洗的数据，放款、还款这些数据主要来源于代扣代付平台清洗的数据，黑名单主要为客户是否在合作机构有逾期、欺诈等行为，涉法信息主要是涉及客户在各级地方公示公布的案件信息，合法合规的收集整理用户的行为数据。。

进一步的，所述步骤二缺失值一律填充为：0；

借贷申请维度：

近一个月申请次数：最大风险点为申请次数最高用户占比：3％的次数；

近三个月申请次数：最大风险点为申请次数最高用户占比：4％的次数；