[发明专利]一种基于深度学习与逻辑回归相融合的企业信用评估方法

说明书

本发明公开一种基于深度学习与逻辑回归相融合的企业信用评估方法，涉及金融信贷技术领域，包括：将企业的政府、互联网、第三方数据存储于关系型数据子表格，多个子表格融合为一个总表格存储于标准数据仓库；筛选仓库数据，构建企业信用指标体系；人工标注企业是否违约，并将相应数据随机划分到训练样本和预测样本；基于训练样本和指标体系，进行探索性数据分析和数据清洗，确定初步入模指标；构建深度学习与逻辑回归相融合的企业信用评估模型，基于训练样本和初步入模指标，训练模型，输出最终入模指标及最优模型；最优模型预测企业的违约概率，并转换处理为信用评分。本发明可以提高企业的信用评分准确度，为企业的金融信贷提供重要评估。

技术领域

本发明涉及金融信贷技术领域，具体的说是一种基于深度学习与逻辑回归相融合的企业信用评估方法。

背景技术

企业信用评分是对企业进行信贷风险管控的重要环节之一，根据已有数据提供逾期概率指标参考，是以分数的形式来衡量风险几率的一种手段，通常评分越高越安全。企业信用评分建模常采用逻辑回归、决策树、组合模型的机器学习建模方法。随着人工智能技术在金融风控领域中应用的普及，以深度学习技术为主的信用评分模型也得到了广泛应用。信贷金融行业，以其小额分散的特点，用户更加下沉，更需要在贷款、审批、客户服务、贷后管理的各个环节不断完善智能化，降低自身风险，运用深度学习技术对客户高维特征进行深入挖掘分析客户潜在风险，让信贷审批服务更加高效快捷。

深度学习由神经网络衍生而来，通过模拟人脑学习和处理知识的能力，来实现具体模式的识别。相较于传统评分方法，深度学习并行分布处理能力强，分布存储及学习能力强，可以用在监督领域(分类、预测)和非监督领域(特征衍生)，能够学习大量数据特征中错综复杂隐藏的特征关联及模式特征。基于深度学习的企业信用评分是深度学习技术在企业信用评分中的拓展应用之一，也为后期基于大量数据、特征运用深度学习技术进行企业风控领域中各类模型的建立奠定了基础。

深度神经网络的应用领域集中在图像识别、语音识别、自然语言处理等多个领域，孙哲南、王乐源等提出了《一种基于深度神经网络的高效虹膜图像质量评价新方法》，使用特征提取模型提取图像中的虹膜图像的特征图，然后使用重建模型由虹膜图像的特征图估计虹膜有效区域热力图，最后质量预测模型将虹膜有效区域作为感兴趣区域，由特征图计算虹膜图像整体质量分数。深度神经网络同样在信贷金融领域应用广泛，图像识别与金融风险评估的区别在于数据预处理的阶段不同，特征向量抽取完成后针对特征的深入挖掘与分析是相通的，算法也是可以复用的。基于此，研发人员将深度神经网络学习技术应用于金融信贷领域的企业风险评价，通过深度学习技术对入模特征进行深入挖掘学习，综合评价企业的信用风险情况。

发明内容

本发明针对目前技术发展的需求和不足之处，提供一种基于深度学习与逻辑回归相融合的企业信用评估方法。

本发明的一种基于深度学习与逻辑回归相融合的企业信用评估方法，解决上述技术问题采用的技术方案如下：

一种基于深度学习与逻辑回归相融合的企业信用评估方法，包括如下步骤：

S1、获取多家企业的政府数据、互联网数据、第三方数据，将同一家企业的政府数据、互联网数据、第三方数据存储于同一个关系型数据子表格中；

S2、多家企业的关系型数据子表格经过汇聚、对齐、融合成至少一个关系型数据总表格，存储于标准数据仓库；

S3、分别筛选标准数据仓库中所有关系型数据总表格包含的数据，构建三层指标的企业信用指标体系；

S4、基于企业的关系型数据子表格包含的数据，人工将企业标注为违约用户或守约用户，随后，在标准数据仓库存储的关系型数据总表格中，分别标记违约用户和守约用户的相关数据；