[发明专利]企业信用风险评估方法、装置、设备及存储介质

说明书

本申请公开了一种企业信用风险评估方法，该方法中通过接收企业税务数据，从税务数据维度出发量化企业的经营信用风险，为企业信用的精准风险评估奠定基础；同时，该方法调用的小微企业信用风险模型基于XGBoost算法搭建，保障了模型的较弱变量的特征交叉能力；在训练过程中基于税务样本数据的分析，对变量预处理后以样本变量数据的变量稳定性以及模型稳定性作为评估指标，对样本变量数据进行入模变量筛选，可以过滤异常样本变量对于模型训练中的影响，缓解小微企业信用风险模型采用XGBoost算法时过拟合的问题，提升企业信用风险评估精准度。本申请还提供了一种企业信用风险评估装置、设备及一种可读存储介质，具有上述有益效果。

技术领域

本申请涉及眼前节检查技术领域，特别涉及一种企业信用风险评估方法、装置、设备及一种可读存储介质。

背景技术

大数据和互联网技术广泛的应用，对我国的金融生态产生深刻的影响，同时也为小微企业融资提供了新的平台和渠道；大数据技术在互联网金融领域的创新应用，更为小微企业的金融业务发展创造了更多可能。

企业征信也随着这些技术的发展而随之发展，企业征信制度可以解决一些信息不对称的问题，降低信息成本和交易成本，进而减轻逆向选择。征信体系能大规模高效率地收集、加工、处理交易的信息，尽可能降低交易过程中的不确定性，降低银行信息成本，也提高了银行贷款的质量。同时，企业征信制度使得中小企业的风险更加透明化，进而增加中小企业的融资机会,此外，企业征信制度还可以形成企业经营风险约束机制，征信系统为企业展示自身的经营风险水平和信誉提供了一个平台，企业会自发形成约束机制，倾向于披露真实信息，最终形成社会认可的信誉交易机制。

目前信用风险模型普遍用的还是传统逻辑回归模型，虽然逻辑回归有比较好的业务可解释性，但在互联网时代一些较弱变量的特征交叉能力模型无法学习到，因此，现在越来越多的机器学习算法应用到了小微企业信用风险模型。

目前，小微企业信用风险模型常采用XGBoost方法进行数据处理，XGBoost(eXtreme Gradient Boosting)是一种集成学习数据处理方法，由于小微企业风控建模样本少、企业类型复杂等特点，采用XGBoost方法进行数据处理会导致模型容易出现过拟合的情况，模型过拟合后会导致模型的泛化能力弱，影响模型的识别精度。

因此，如何在保证较弱变量的特征交叉能力，同时避免模型过拟合对于识别精度的影响，是本领域技术人员急需解决的问题。

发明内容

本申请的目的是提供一种企业信用风险评估方法，该方法可以保证较弱变量的特征交叉能力，同时避免模型过拟合对于识别精度的影响；本申请的另一目的是提供一种企业信用风险评估装置、设备及一种可读存储介质。

为解决上述技术问题，本申请提供一种企业信用风险评估方法，包括：

接收待评估企业的企业税务数据；

调用基于XGBoost算法搭建的预训练的小微企业信用风险模型对所述企业税务数据进行经营信用风险评估，得到评估结果；

其中，所述小微企业信用风险模型的训练方法包括：

获取企业的税务样本数据；

对所述税务样本数据进行变量预处理，得到样本变量数据；

以所述样本变量数据的变量稳定性以及模型稳定性作为评估指标，对所述样本变量数据进行变量筛选，确定所述样本变量数据中的入模变量；

确定基于XGBoost算法搭建的小微企业信用风险模型中的模型参数；

调用所述样本变量数据对所述小微企业信用风险模型进行训练。

可选地，对所述税务样本数据进行变量预处理，得到样本变量数据，包括：