贷后风险预警方法、装置、电子设备和计算机可读介质与流程

1.本发明涉及大数据智能分析技术领域，尤其涉及一种贷后风险预警方法、装置、电子设备和计算机可读介质。


背景技术：

2.贷后风险预警向来是银行贷后监控和管理的重要工具之一，不同于传统上的贷后管理模式，现在各家银行都逐渐加大了大数据分析技术在贷后风险预警方面的应用，通过多个维度分析客户的信用状况、经营情况变化以及行为特征，找到影响客户贷后风险的关键因素，从而建立贷后风险预警规则或者模型。
3.样本筛选和标签定义的逻辑性符合业务目标是贷后风险预警模型建模的基础。目前常见的做法一般是参考准入模型的标签定义，完全以客户最终好坏作为分析和建模的标签，这样的做法显然是不符合贷后风险场景需要的。事实上，贷后风险和贷前风险的表现有着较大差异。
4.在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
5.目前传统的金融机构在贷后风险预警模型方面主要有两种方式，一种方式是基于专家经验建立贷后风险预警规则或者贷后风险预警模型，该模型的业务解释性较强，但预警的效果难以把握，容易出现预警用户比例占比过高或者预警和非预警用户的好坏比例不明显的问题；另一种方式是利用机器学习算法建立贷后风险预警模型，建模前需定义好用户的正负标签并选好建模样本。
6.但是，从目前的贷后风险预警模型看，正负标签定义和样本筛选均存在不合理之处，正负标签定义一般和贷前准入模型的正负标签一致，以用户编号为样本主键，用户在整个还款期内是否出现逾期作为区分样本正负的标志，从而以用户维度筛选样本，这样会导致贷后风险预警结果不准确，进而导致贷后风险预警处理压力较大。


技术实现要素：

7.有鉴于此，本发明实施例提供一种贷后风险预警方法、装置、电子设备和计算机可读介质，以解决贷后风险预警结果不准确的技术问题。
8.为实现上述目的，根据本发明实施例的一个方面，提供了一种贷后风险预警方法，包括：
9.基于预警时点对各笔样本贷款进行样本衍生，得到衍生样本贷款；
10.标记所述各笔衍生样本贷款的标签；其中，所述标签包括正样本和负样本；
11.根据所述各笔衍生样本贷款及其对应的标签训练模型，从而得到贷后风险预警模型；
12.通过所述贷后风险预警模型计算目标贷款在未来预警时点变为坏账贷款的概率。
13.可选地，基于预警时点对各笔样本贷款进行样本衍生，得到衍生样本贷款，包括：
14.筛选出还款期数达到表现期的贷款；
15.计算各笔贷款的坏账日期，根据所述各笔贷款的坏账日期筛选出样本贷款；
16.对于每笔样本贷款，根据所述样本贷款的预警时点生成衍生样本贷款。
17.可选地，计算各笔贷款的坏账日期，根据所述各笔贷款的坏账日期筛选出样本贷款，包括：
18.对于每笔贷款，将逾期n天后的开始日期作为所述贷款的坏账日期；
19.筛除坏账日期在放款后m个月内的贷款，从而筛选出样本贷款；
20.其中，n大于等于25且小于等于45，m大于等于2且小于等于6。
21.可选地，根据所述样本贷款的预警时点生成衍生样本贷款，包括：
22.随机抽取所述样本贷款在放款后s个月末时点作为预警时点；其中，s大于等于2；
23.根据所述样本贷款的各个预警时点生成衍生样本贷款。
24.可选地，根据所述样本贷款的各个预警时点生成衍生样本贷款，包括：
25.对于每个预警时点，生成所述预警时点对应的衍生样本贷款；
26.对于坏账的样本贷款，若所述样本贷款的预警时点在所述样本贷款的坏账日期之后，则筛除所述预警时点对应的衍生样本贷款。
27.可选地，标记所述各笔衍生样本贷款的标签，包括：
28.对于坏账的样本贷款，判断所述样本贷款的预警时点与所述样本贷款的坏账日期的时间间隔是否大于t个月；其中，t大于等于2且小于等于6；
29.若是，则将所述预警时点对应的衍生样本贷款标记为正样本；
30.若否，则将所述预警时点对应的衍生样本贷款标记为负样本。
31.可选地，根据所述各笔衍生样本贷款及其对应的标签训练模型，从而得到贷后风险预警模型，包括：
32.随机抽取标签为正样本的衍生样本贷款和标签为负样本的衍生样本贷款，以使所述标签为正样本的衍生样本贷款与所述标签为负样本的衍生样本贷款的数量比为预设比例；
33.采用抽取出的衍生样本贷款及其对应的标签训练模型，从而得到贷后风险预警模型。
34.可选地，通过所述贷后风险预警模型计算目标贷款在未来预警时点变为坏账贷款的概率，包括：
35.通过所述贷后风险预警模型计算目标贷款在未来每个月的月末变为坏账贷款的概率。
36.另外，根据本发明实施例的另一个方面，提供了一种贷后风险预警装置，包括：
37.衍生模块，用于基于预警时点对各笔样本贷款进行样本衍生，得到衍生样本贷款；
38.标记模块，用于标记所述各笔衍生样本贷款的标签；其中，所述标签包括正样本和负样本；
39.训练模块，用于根据所述各笔衍生样本贷款及其对应的标签训练模型，从而得到贷后风险预警模型；
40.预警模块，用于通过所述贷后风险预警模型计算目标贷款在未来预警时点变为坏账贷款的概率。
41.可选地，所述衍生模块还用于：
42.筛选出还款期数达到表现期的贷款；
43.计算各笔贷款的坏账日期，根据所述各笔贷款的坏账日期筛选出样本贷款；
44.对于每笔样本贷款，根据所述样本贷款的预警时点生成衍生样本贷款。
45.可选地，所述衍生模块还用于：
46.对于每笔贷款，将逾期n天后的开始日期作为所述贷款的坏账日期；
47.筛除坏账日期在放款后m个月内的贷款，从而筛选出样本贷款；
48.其中，n大于等于25且小于等于45，m大于等于2且小于等于6。
49.可选地，所述衍生模块还用于：
50.随机抽取所述样本贷款在放款后s个月末时点作为预警时点；其中，s大于等于2；
51.根据所述样本贷款的各个预警时点生成衍生样本贷款。
52.可选地，所述衍生模块还用于：
53.对于每个预警时点，生成所述预警时点对应的衍生样本贷款；
54.对于坏账的样本贷款，若所述样本贷款的预警时点在所述样本贷款的坏账日期之后，则筛除所述预警时点对应的衍生样本贷款。
55.可选地，所述标记模块还用于：
56.对于坏账的样本贷款，判断所述样本贷款的预警时点与所述样本贷款的坏账日期的时间间隔是否大于t个月；其中，t大于等于2且小于等于6；
57.若是，则将所述预警时点对应的衍生样本贷款标记为正样本；
58.若否，则将所述预警时点对应的衍生样本贷款标记为负样本。
59.可选地，所述训练模块还用于：
60.随机抽取标签为正样本的衍生样本贷款和标签为负样本的衍生样本贷款，以使所述标签为正样本的衍生样本贷款与所述标签为负样本的衍生样本贷款的数量比为预设比例；
61.采用抽取出的衍生样本贷款及其对应的标签训练模型，从而得到贷后风险预警模型。
62.可选地，所述预警模块还用于：
63.通过所述贷后风险预警模型计算目标贷款在未来每个月的月末变为坏账贷款的概率。
64.根据本发明实施例的另一个方面，还提供了一种电子设备，包括：
65.一个或多个处理器；
66.存储装置，用于存储一个或多个程序，
67.当所述一个或多个程序被所述一个或多个处理器执行时，所述一个或多个处理器实现上述任一实施例所述的方法。
68.根据本发明实施例的另一个方面，还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例所述的方法。
69.上述发明中的一个实施例具有如下优点或有益效果：因为采用基于预警时点对各笔样本贷款进行样本衍生，得到衍生样本贷款，标记各笔衍生样本贷款的标签的技术手段，所以克服了现有技术中贷后风险预警结果不准确的技术问题。本发明实施例充分考虑了贷后风险预警的场景特点，通过预警时点对样本贷款进行衍生，并筛选出合适的样本和定义
合适的标签，使得通过衍生样本构建得到的贷后风险预警模型可以准确地计算出贷款在未来预警时点变成坏账的概率，相比于现有技术只是预测贷款最终变成坏账，本发明实施例可以减少每个月的预警比例，从而减轻了贷后风险预警处理压力。
70.上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
71.附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
72.图1是根据本发明实施例的贷后风险预警方法的主要流程的示意图；
73.图2是根据本发明一个可参考实施例的贷后风险预警方法的主要流程的示意图；
74.图3是根据本发明另一个可参考实施例的贷后风险预警方法的主要流程的示意图；
75.图4是根据本发明再一个可参考实施例的贷后风险预警方法的主要流程的示意图；
76.图5是根据本发明实施例的贷后风险预警装置的主要模块的示意图；
77.图6是本发明实施例可以应用于其中的示例性系统架构图；
78.图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
79.以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
80.从目前的贷后风险预警模型看，正负标签定义和样本筛选均存在不合理之处，正负标签定义一般和贷前准入模型的正负标签一致，以用户编号为样本主键，用户在整个还款期内是否出现逾期作为区分样本正负的标志，从而以用户维度筛选样本。事实上，贷后风险和贷前风险的表现有着较大差异，因此贷后风险预警模型的样本筛选和标签定义方法与准入模型是不同的，用户贷后风险具有逐步显现的特征，在贷后某个时点后才会表现为坏账，在该时点前表现为好账，因此样本应以贷款编号+预警时点作为主键进行标签定义和样本筛选。
81.为了解决现有技术存在的技术问题，本发明实施例利用贷后风险具有逐步显现的特征，提出了一种贷后风险预警方法，该方法可以准确地预测出贷款在每个时点变成坏账的概率，实现大数据贷后预警目标。
82.图1是根据本发明实施例的贷后风险预警方法的主要流程的示意图。作为本发明的一个实施例，如图1所示，所述贷后风险预警方法可以包括：
83.步骤101，基于预警时点对各笔样本贷款进行样本衍生，得到衍生样本贷款。
84.为了训练出较好的贷后风险预警模型，首先需要构建合适的样本，本发明实施例在现有样本的基础上对样本进行衍生，从而生成衍生样本贷款。
85.可选地，步骤101可以包括：筛选出还款期数达到表现期的贷款；计算各笔贷款的坏账日期，根据所述各笔贷款的坏账日期筛选出样本贷款；对于每笔样本贷款，根据所述样本贷款的预警时点生成衍生样本贷款。为了使样本中既有负样本又有正样本，需要先筛选出还款期数达到表现期的贷款，然后计算这些贷款的坏账日期，并根据贷款的坏账日期筛选出样本贷款，最后根据样本贷款的预警时点生成衍生样本贷款，即每个预警时点对应与一笔衍生样本贷款。
86.在本发明的实施例中，比如若表现期为6个月(每笔贷款在放款后第6个月才能确定是否变坏)，则选取6个月前放款的贷款；比如若表现期为12个月(每笔贷款在放款后第12个月才能确定是否变坏)，则选取12个月前放款的贷款；若表现期为13个月(每笔贷款在放款后第13个月才能确定是否变坏)，则选取13个月前放款的贷款；若表现期为18个月(每笔贷款在放款后第18个月才能确定是否变坏)，则选取18个月前放款的贷款。
87.在定义标签前，先筛选出合适的样本，排除明显不符合预警需要的样本，保留能表现出正负的样本，再基于预警时点进行样本衍生。
88.可选地，计算各笔贷款的坏账日期，根据所述各笔贷款的坏账日期筛选出样本贷款，包括：对于每笔贷款，将逾期n天后的开始日期作为所述贷款的坏账日期；筛除坏账日期在放款后m个月内的贷款，从而筛选出样本贷款；其中，n大于等于25且小于等于45，m大于等于2且小于等于6。在本发明的实施例中，将贷款变成坏账的日期(即坏账日期)定义为逾期n天后的开始日期，表示从这一天往后这笔贷款就认定为一笔坏账。如果n＝30，则将贷款逾期30天后的开始日期作为贷款的坏账日期；如果n＝35，则将贷款逾期35天后的开始日期作为贷款的坏账日期；n＝45，则将贷款逾期45天后的开始日期作为贷款的坏账日期。由于有些贷款存在欺诈风险的可能，因此需要筛除欺诈风险较大的贷款，保留下来的贷款即为样本贷款。例如，筛除坏账日期在放款后3个月内的贷款，一笔贷款在放款后3个月内就变坏，那么这笔贷款的欺诈风险的可能性较大，贷后风险预警模型很难预测出这种风险。举例来说，用户a的放款日期是2021年6月9日，1个月后就开始逾期直至逾期30天，那么在筛选样本时要筛除这笔贷款，以免影响模型的预测效果。
89.可选地，根据所述样本贷款的预警时点生成衍生样本贷款，包括：随机抽取所述样本贷款在放款后s个月末时点作为预警时点；其中，s大于等于2；根据所述样本贷款的各个预警时点生成衍生样本贷款。由于贷后风险预警是贷款放款后每月触发，因此可以这对每笔贷款随机抽选放款后n个月末时点作为预警时点。如果s为3，则随机抽取样本贷款在放贷后3个月末时点作为预警时点，举例来说，可能贷款a以贷后3个月、4个月、8个月的月末时点为预警时点，贷款b对应的预警时点为贷后4个月、7个月、11个月的月末时点，贷款c对应的预警时点为贷后5个月、8个月、11个月的月末时点。如果s为4，则随机抽取样本贷款在放贷后4个月末时点作为预警时点，举例来说，可能贷款a以贷后3个月、5个月、8个月、13个月的月末时点为预警时点，贷款b对应的预警时点为贷后2个月、6个月、7个月、12个月的月末时点，贷款c对应的预警时点为贷后5个月、9个月、11个月、15个月的月末时点。
90.可选地，根据所述样本贷款的各个预警时点生成衍生样本贷款，包括：对于每个预警时点，生成所述预警时点对应的衍生样本贷款；对于坏账的样本贷款，若所述样本贷款的预警时点在所述样本贷款的坏账日期之后，则筛除所述预警时点对应的衍生样本贷款。对于正常贷款，由于预警时点有n个月末时点，因此一个样本贷款会对应n个预警时点，形成n
条衍生样本贷款。但对于坏账贷款，由于在贷款变坏后无需预警，因此可以删除变坏日期之后的预警时点，此时样本为以贷款编号+预警时点为主键的样本。也就是说，一笔贷款会形成1至3条衍生样本贷款。
91.举例来说，贷款a为正常贷款，放款日期是2021年6月9日，假如随机抽取2021年9月9日、2021年12月9日、2022年3月9日作为预警时点，从而贷款a就直接扩充为3条衍生样本贷款；贷款b为坏账贷款，放款日期是2021年6月9日，坏账日期是2022年1月9日，那么2022年3月9日的预警时点就不需要了，因此贷款b对应的衍生样本贷款就是2条。
92.步骤102，标记所述各笔衍生样本贷款的标签；其中，所述标签包括正样本和负样本。
93.贷后风险预警模型是基于用户放款后多维度的数据表现，预测贷款在每个预警时点(通常是每月月末)变成坏账的可能性，基于此目标，需要定义样本在每个预警时点正负的标签。因此生成衍生样本贷款之后，需要逐一标记这些衍生样本贷款的标签，所述标签为正样本或者负样本。
94.可选地，步骤102可以包括：对于坏账的样本贷款，判断所述样本贷款的预警时点与所述样本贷款的坏账日期的时间间隔是否大于t个月；其中，t大于等于2且小于等于6；若是，则将所述预警时点对应的衍生样本贷款标记为正样本；若否，则将所述预警时点对应的衍生样本贷款标记为负样本。在本发明的实施例中，将样本贷款分为好账和坏账，对于坏账的样本贷款，判断该样本贷款的预警时点与该样本贷款的坏账日期的时间间隔是否大于t个月，如果是，则将该预警时点对应的衍生样本贷款标记为正样本，如果不是，才会将该预警时点对应的衍生样本贷款标记为负样本。例如，t为3，若样本贷款的预警时点与样本贷款的坏账日期的时间间隔大于3个月，则该预警时点对应的衍生样本贷款的标签为正样本，只有当预警时点与坏账日期的时间间隔小于等于3个月时，才会将该预警时点对应的衍生样本贷款标记为负样本。
95.举例来说，贷款b为坏账贷款，放款日期是2021年6月9日，坏账日期是2022年1月9日，那么2021年9月9日预警时点对应的衍生样本贷款的标签为正样本，2021年12月9日预警时点对应的衍生样本贷款的标签为负样本。
96.步骤103，根据所述各笔衍生样本贷款及其对应的标签训练模型，从而得到贷后风险预警模型。
97.以各笔衍生样本贷款的相关信息(比如用户征信、年龄、职业、贷款额度等)作为模型的输入，将各笔衍生样本贷款对应的标签作为模型的输出，进行有监督训练，模型通过迭代学习，最终生成贷后风险模型。
98.可选地，步骤103可以包括：随机抽取标签为正样本的衍生样本贷款和标签为负样本的衍生样本贷款，以使所述标签为正样本的衍生样本贷款与所述标签为负样本的衍生样本贷款的数量比为预设比例；采用抽取出的衍生样本贷款及其对应的标签训练模型，从而得到贷后风险预警模型。例如，按照一定的正负比例(5:1或者10:1)从衍生样本贷款中随机抽取出样本，进行贷后风险预警模型的建模。
99.步骤104，通过所述贷后风险预警模型计算目标贷款在未来预警时点变为坏账贷款的概率。
100.将目标贷款的相关信息(比如用户征信、年龄、职业、贷款额度等)输入到贷后风险
预警模型中，所述贷后风险预警模型可以输出该笔贷款在未来预警时点变为坏账贷款的概率。
101.可选地，步骤104可以包括：通过所述贷后风险预警模型计算目标贷款在未来每个月的月末变为坏账贷款的概率。为了更好的监控贷款的风险，可以贷后风险预警模型还可以输出目标贷款在未来每个月的月末变为坏账贷款的概率。
102.根据上面所述的各种实施例，可以看出本发明实施例通过基于预警时点对各笔样本贷款进行样本衍生，得到衍生样本贷款，标记各笔衍生样本贷款的标签的技术手段，解决了现有技术中贷后风险预警结果不准确的技术问题。本发明实施例充分考虑了贷后风险预警的场景特点，通过预警时点对样本贷款进行衍生，并筛选出合适的样本和定义合适的标签，使得通过衍生样本构建得到的贷后风险预警模型可以准确地计算出贷款在未来预警时点变成坏账的概率，相比于现有技术只是预测贷款最终变成坏账，本发明实施例可以减少每个月的预警比例，从而减轻了贷后风险预警处理压力。
103.图2是根据本发明一个可参考实施例的贷后风险预警方法的主要流程的示意图。作为本发明的又一个实施例，如图2所示，所述贷后风险预警方法可以包括：
104.步骤201，筛选出还款期数达到表现期的贷款。
105.步骤202，对于每笔贷款，将逾期n天后的开始日期作为所述贷款的坏账日期；其中，n大于等于25且小于等于45，m大于等于2且小于等于6。
106.步骤203，筛除坏账日期在放款后m个月内的贷款，从而筛选出样本贷款。
107.步骤204，对于每笔样本贷款，随机抽取所述样本贷款在放款后s个月末时点作为预警时点；其中，s大于等于2。
108.步骤205，对于每个预警时点，生成所述预警时点对应的衍生样本贷款。
109.步骤206，对于坏账的样本贷款，若所述样本贷款的预警时点在所述样本贷款的坏账日期之后，则筛除所述预警时点对应的衍生样本贷款。
110.步骤207，标记所述各笔衍生样本贷款的标签；其中，所述标签包括正样本和负样本。
111.步骤208，根据所述各笔衍生样本贷款及其对应的标签训练模型，从而得到贷后风险预警模型。
112.步骤209，通过所述贷后风险预警模型计算目标贷款在未来预警时点变为坏账贷款的概率。
113.另外，在本发明一个可参考实施例中贷后风险预警方法的具体实施内容，在上面所述贷后风险预警方法中已经详细说明了，故在此重复内容不再说明。
114.图3是根据本发明另一个可参考实施例的贷后风险预警方法的主要流程的示意图。作为本发明的另一个实施例，如图3所示，所述贷后风险预警方法可以包括：
115.步骤301，基于预警时点对各笔样本贷款进行样本衍生，得到衍生样本贷款。
116.步骤302，对于坏账的样本贷款，判断所述样本贷款的预警时点与所述样本贷款的坏账日期的时间间隔是否大于t个月；其中，t大于等于2且小于等于6；若是，则执行步骤303；若否，则执行步骤304。
117.步骤303，将所述预警时点对应的衍生样本贷款标记为正样本。
118.步骤304，将所述预警时点对应的衍生样本贷款标记为负样本。
119.步骤305，根据所述各笔衍生样本贷款及其对应的标签训练模型，从而得到贷后风险预警模型。
120.步骤306，通过所述贷后风险预警模型计算目标贷款在未来预警时点变为坏账贷款的概率。
121.另外，在本发明另一个可参考实施例中贷后风险预警方法的具体实施内容，在上面所述贷后风险预警方法中已经详细说明了，故在此重复内容不再说明。
122.图4是根据本发明一个可参考实施例的贷后风险预警方法的主要流程的示意图。作为本发明的再一个实施例，如图4所示，所述贷后风险预警方法可以包括：
123.步骤401，基于预警时点对各笔样本贷款进行样本衍生，得到衍生样本贷款。
124.步骤402，标记所述各笔衍生样本贷款的标签；其中，所述标签包括正样本和负样本。
125.步骤403，随机抽取标签为正样本的衍生样本贷款和标签为负样本的衍生样本贷款，以使所述标签为正样本的衍生样本贷款与所述标签为负样本的衍生样本贷款的数量比为预设比例。
126.步骤404，采用抽取出的衍生样本贷款及其对应的标签训练模型，从而得到贷后风险预警模型。
127.步骤405，通过所述贷后风险预警模型计算目标贷款在未来每个月的月末变为坏账贷款的概率。
128.另外，在本发明再一个可参考实施例中贷后风险预警方法的具体实施内容，在上面所述贷后风险预警方法中已经详细说明了，故在此重复内容不再说明。
129.图5是根据本发明实施例的贷后风险预警装置的主要模块的示意图，如图5所示，所述贷后风险预警装置500包括衍生模块501、标记模块502、训练模块503和预警模块504；其中，衍生模块501用于基于预警时点对各笔样本贷款进行样本衍生，得到衍生样本贷款；标记模块502用于标记所述各笔衍生样本贷款的标签；其中，所述标签包括正样本和负样本；训练模块503用于根据所述各笔衍生样本贷款及其对应的标签训练模型，从而得到贷后风险预警模型；预警模块504用于通过所述贷后风险预警模型计算目标贷款在未来预警时点变为坏账贷款的概率。
130.可选地，所述衍生模块501还用于：
131.筛选出还款期数达到表现期的贷款；
132.计算各笔贷款的坏账日期，根据所述各笔贷款的坏账日期筛选出样本贷款；
133.对于每笔样本贷款，根据所述样本贷款的预警时点生成衍生样本贷款。
134.可选地，所述衍生模块501还用于：
135.对于每笔贷款，将逾期n天后的开始日期作为所述贷款的坏账日期；
136.筛除坏账日期在放款后m个月内的贷款，从而筛选出样本贷款；
137.其中，n大于等于25且小于等于45，m大于等于2且小于等于6。
138.可选地，所述衍生模块501还用于：
139.随机抽取所述样本贷款在放款后s个月末时点作为预警时点；其中，s大于等于2；
140.根据所述样本贷款的各个预警时点生成衍生样本贷款。
141.可选地，所述衍生模块501还用于：
142.对于每个预警时点，生成所述预警时点对应的衍生样本贷款；
143.对于坏账的样本贷款，若所述样本贷款的预警时点在所述样本贷款的坏账日期之后，则筛除所述预警时点对应的衍生样本贷款。
144.可选地，所述标记模块502还用于：
145.对于坏账的样本贷款，判断所述样本贷款的预警时点与所述样本贷款的坏账日期的时间间隔是否大于t个月；其中，t大于等于2且小于等于6；
146.若是，则将所述预警时点对应的衍生样本贷款标记为正样本；
147.若否，则将所述预警时点对应的衍生样本贷款标记为负样本。
148.可选地，所述训练模块503还用于：
149.随机抽取标签为正样本的衍生样本贷款和标签为负样本的衍生样本贷款，以使所述标签为正样本的衍生样本贷款与所述标签为负样本的衍生样本贷款的数量比为预设比例；
150.采用抽取出的衍生样本贷款及其对应的标签训练模型，从而得到贷后风险预警模型。
151.可选地，所述预警模块504还用于：
152.通过所述贷后风险预警模型计算目标贷款在未来每个月的月末变为坏账贷款的概率。
153.根据上面所述的各种实施例，可以看出本发明实施例通过基于预警时点对各笔样本贷款进行样本衍生，得到衍生样本贷款，标记各笔衍生样本贷款的标签的技术手段，解决了现有技术中贷后风险预警结果不准确的技术问题。本发明实施例充分考虑了贷后风险预警的场景特点，通过预警时点对样本贷款进行衍生，并筛选出合适的样本和定义合适的标签，使得通过衍生样本构建得到的贷后风险预警模型可以准确地计算出贷款在未来预警时点变成坏账的概率，相比于现有技术只是预测贷款最终变成坏账，本发明实施例可以减少每个月的预警比例，从而减轻了贷后风险预警处理压力。
154.需要说明的是，在本发明所述贷后风险预警装置的具体实施内容，在上面所述贷后风险预警方法中已经详细说明了，故在此重复内容不再说明。
155.图6示出了可以应用本发明实施例的贷后风险预警方法或贷后风险预警装置的示例性系统架构600。
156.如图6所示，系统架构600可以包括终端设备601、602、603，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
157.用户可以使用终端设备601、602、603通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
158.终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
159.服务器605可以是提供各种服务的服务器，例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的物品信息查询请求等数据进行分析等处理，并将处理结果反馈给终端设备。
160.需要说明的是，本发明实施例所提供的贷后风险预警方法一般由服务器605执行，相应地，所述贷后风险预警装置一般设置在服务器605中。本发明实施例所提供的贷后风险预警方法也可以由终端设备601、602、603执行，相应地，所述贷后风险预警装置可以设置在终端设备601、602、603中。
161.应该理解，图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
162.下面参考图7，其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
163.如图7所示，计算机系统700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram 703中，还存储有系统700操作所需的各种程序和数据。cpu 701、rom 702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
164.以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
165.特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(cpu)701执行时，执行本发明的系统中限定的上述功能。
166.需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的
程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
167.附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
168.描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括衍生模块、标记模块、训练模块和预警模块，其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。
169.作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，该设备实现如下方法：基于预警时点对各笔样本贷款进行样本衍生，得到衍生样本贷款；标记所述各笔衍生样本贷款的标签；其中，所述标签包括正样本和负样本；根据所述各笔衍生样本贷款及其对应的标签训练模型，从而得到贷后风险预警模型；通过所述贷后风险预警模型计算目标贷款在未来预警时点变为坏账贷款的概率。
170.根据本发明实施例的技术方案，因为采用基于预警时点对各笔样本贷款进行样本衍生，得到衍生样本贷款，标记各笔衍生样本贷款的标签的技术手段，所以克服了现有技术中贷后风险预警结果不准确的技术问题。本发明实施例充分考虑了贷后风险预警的场景特点，通过预警时点对样本贷款进行衍生，并筛选出合适的样本和定义合适的标签，使得通过衍生样本构建得到的贷后风险预警模型可以准确地计算出贷款在未来预警时点变成坏账的概率，相比于现有技术只是预测贷款最终变成坏账，本发明实施例可以减少每个月的预警比例，从而减轻了贷后风险预警处理压力。
171.上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。