[发明专利]基于lstm的行为评分系统及方法

说明书

本发明涉及数据处理技术领域，具体公开了基于lstm的行为评分系统及方法，方法包括如下步骤：S1、将观察点之前的一段时期设定为观察期，将观察点之后的一段时期设定为表现期；依据客户在表现期的表现对客户进行划分并生成标签数据，标签数据包括好客户或坏客户；S2、在完成观察期和表现期的设定后，构建行为评分卡的衍生指标；S3、构建lstm循环神经网络，输入观察期内客户的衍生指标数据，以及客户的标签数据进行训练，建立基于lstm循环神经网络的行为评分卡模型；S4、将建立的行为评分卡模型部署在预设的产品中，按预定的时间间隔对预设的产品中的在贷客户进行扫描生成行为评分卡结果。采用本发明的技术方案能够进行贷后的自动化管理，降低风险。

技术领域

本发明涉及数据处理技术领域，特别涉及基于lstm的行为评分系统及方法。

背景技术

目前，个人消费性循环贷产品日益线上化，其具有客户数目庞大、单笔金额较小、风险分散等特点。这使得推出这类产品的商业银行在迅速扩张业务规模的同时，也面临着巨大的信用风险。

因此商业银行需要一种快速有效的风控方法，准确及时地判断客户风险。目前比较成熟、主流的做法是基于数据挖掘构造评分卡模型，并且以评分支持风险管理决策。但是大部分银行主要的评分卡应用是在前端审批决策的，对于贷后管理方面缺乏自动化、智能化和定量化的管理工具。

为此，需要一种能对贷后进行自动化管理，降低风险的系统及方法。

发明内容

本发明提供了基于lstm的行为评分系统及方法，能够进行贷后的自动化管理，降低风险。

为了解决上述技术问题，本申请提供如下技术方案：

基于lstm的行为评分方法，包括如下步骤：

S1、选取客户样本中的一个时间点为观察点，将观察点之前的一段时期设定为观察期，将观察点之后的一段时期设定为表现期；依据客户在表现期的表现对客户进行划分并生成标签数据，标签数据包括好客户或坏客户；

S2、在完成观察期和表现期的设定后，构建行为评分卡的衍生指标；衍生指标包括客户申请贷款时的状况和贷款成功后的各个还款行为数据；

S3、构建lstm循环神经网络，输入观察期内客户的衍生指标，以及客户的标签数据进行训练，建立基于lstm循环神经网络的行为评分卡模型；

S4、将建立的行为评分卡模型部署在预设的产品中，按预定的时间间隔对预设的产品中的在贷客户进行扫描生成行为评分卡结果。

基础方案原理及有益效果如下：

lstm的全称是long short-term memory，即长短时记忆网络，是一种特定形式的循环神经网络，而循环神经网络是一系列能够处理序列数据的神经网络的总称。其主要应用于时间序列数据的分析及预测。通过对前面信息进行记忆并应用到当前输出的计算。其具有较强的时间序列学习能力以及较强的信息选择能力。

本方案中，为了提高个人消费性循环贷等产品的贷后预警监控的及时性和前瞻性以及准确性，运用lstm算法，通过对借款人贷后的还款行为数据等具有时间先后顺序的数据进行分析，建立行为评分卡模型；通过将行为评分卡模型部署在预设的产品中，按预定的时间间隔对在贷客户进行扫描生成行为评分卡结果，可以有效实现贷后的自动化管理，降低风险。

进一步，所述S1中，获取客户的账户数据中的贷后还款数据，基于客户在表现期中贷后还款数据将客户划分成好客户和坏客户。

进一步，所述S1中，将贷后还款数据中历史逾期天数大于预定天数的客户定义为坏客户。

进一步，所述S1中，观察期长度为6-18个月。

进一步，所述S2中，衍生指标还包括人行行为数据和三方数据源数据。