一种信用评分卡模型训练方法、应用方法及相关产品与流程

本技术涉及金融，尤其涉及一种信用评分卡模型训练方法、应用方法及相关产品。

背景技术：

1、在金融风险管理领域，评分卡模型被广泛应用于评估信用风险。该模型基于大量的历史数据，利用统计和机器学习算法，将各种特征转化为信用评分，从而预测客户未来的违约概率。评分卡模型的优点在于其简单、易于解释和实施，并且能够在大规模数据处理和快速决策方面提供优势。

2、然而，传统的评分卡模型在实践中存在一些局限性。例如，评分卡模型在预测违约概率时，通常只关注整体样本，而忽略了对不同类别风险客户的识别。这意味着，尽管模型可能总体上预测了违约概率，但它可能错过了最具有风险的客户，这可能导致金融机构在风险管理上的错误决策。

3、因此，如何提供一种信用评分卡模型实现更准确地预测高风险客户的违约概率，提高头部精确率，以帮助金融机构更好地管理风险是目前亟待解决的问题。

技术实现思路

1、有鉴于此，本技术提供了信用评分卡模型训练方法、应用方法及相关产品，旨在更准确地预测高风险客户的违约概率，提高头部精确率，以帮助金融机构更好地管理风险。

2、第一方面，本技术提供了一种信用评分卡模型训练方法，所述信用评分卡模型包括第一信用评分卡子模型、第二信用评分卡子模型和第三信用评分卡子模型，所述信用评分卡模型训练方法包括：

3、获取训练样本集；所述训练样本集包括多个信用主体的特征数据和信用评分标签；

4、将所述训练样本集输入所述第一信用评分卡子模型得到第一信用评分结果；

5、基于所述第一信用评分结果将所述训练样本集划分为第一子训练样本集和第二子训练样本集；所述第一子训练样本集为高风险样本；所述第二子训练样本集为低风险样本；

6、基于所述第一子训练样本集训练第二信用评分卡子模型，基于所述第二子训练样本集训练第三信用评分卡子模型；

7、为所述第一信用评分卡子模型、第二信用评分卡子模型和第三信用评分卡子模型分别设置权重得到目标信用评分卡模型。

8、可选地，所述将所述训练样本集输入所述第一信用评分卡子模型得到第一信用评分结果，包括：

9、获取所述训练样本集中的特征变量；

10、针对所述特征变量进行分箱，并对每个分箱中的变量进行woe转换得到每个分箱对应的woe值；

11、根据所述woe值，使用逻辑回归方法训练第一信用评分卡子模型，并得到第一信用评分结果。

12、可选地，所述基于所述第一信用评分结果将所述训练样本集划分为第一子训练样本集和第二子训练样本集，包括：

13、根据不同预设的比率基于所述第一信用评分结果将所述训练样本集划分为多个训练样本组；所述每个训练样本组包括第一子训练样本集和第二子训练样本集。

14、可选地，所述方法还包括：

15、获取验证样本集、测试样本集和实际样本集；

16、将所述验证样本集、测试样本集和实际样本集输入所述信用评分卡模型分别得到验证信用评分结果、测试信用评分结果和实际信用评分结果；

17、基于所述验证信用评分结果、测试信用评分结果和实际信用评分结果利用预测稳定性指数检验所述目标信用评分卡模型得到稳定性验证结果。

18、可选地，所述为所述第一信用评分卡子模型、第二信用评分卡子模型和第三信用评分卡子模型分别设置权重得到目标信用评分卡模型，包括：

19、获取验证样本集；

20、将所述验证样本集输入所述信用评分卡模型得到验证信用评分结果；

21、基于所述验证信用评分结果利用预测准确性指数检验所述信用评分卡模型得到准确性验证结果；

22、基于所述准确性验证结果为所述第一信用评分卡子模型、第二信用评分卡子模型和第三信用评分卡子模型分别设置权重得到目标信用评分卡模型。

23、可选地，所述为所述第一信用评分卡子模型、第二信用评分卡子模型和第三信用评分卡子模型分别设置权重得到目标信用评分卡模型，包括：

24、获取验证样本集；

25、基于所述第一信用评分卡子模型、第二信用评分卡子模型和第三信用评分卡子模型生成随机权重矩阵；

26、利用所述验证样本集循环验证所述随机权重矩阵，直至所述信用评分卡模型满足预设循环结束条件，得到目标信用评分卡模型。

27、可选地，所述获取训练样本集包括：

28、获取多个信用主体的原始特征数据和信用评分标签；

29、对所述多个信用主体的原始特征数据进行变量衍生处理，以生成候选衍生变量；

30、对所述原始特征数据和候选衍生变量分别进行筛选得到原始特征和衍生特征；

31、基于所述原始特征、衍生特征和所述信用评分标签得到训练样本集。

32、第二方面，本技术提供了一种信用评分方法，其特征在于，所述信用评分方法包括：

33、获取目标信用主体的历史行为数据；

34、基于信用评分卡模型对所述目标信用主体的历史行为数据进行处理，获得所述目标信用主体的信用评分卡结果；所述信用评分卡模型包括第一信用评分卡子模型、第二信用评分卡子模型和第三信用评分卡子模型；在训练过程中，所述第一信用评分卡子模型用于根据训练样本集得到第一信用评分结果，基于所述第一信用评分结果将所述训练样本集划分为第一子训练样本集和第二子训练样本集；所述第二信用评分卡子模型基于所述第一子训练样本集训练，所述第三信用评分卡子模型基于所述第二子训练样本集训练，为所述第一信用评分卡子模型、第二信用评分卡子模型和第三信用评分卡子模型分别设置权重得到信用评分卡模型。

35、第三方面，本技术提供了一种信用评分卡模型训练装置，所述信用评分卡模型包括第一信用评分卡子模型、第二信用评分卡子模型和第三信用评分卡子模型，所述信用评分卡模型训练装置包括：

36、第一获取模块，用于获取训练样本集；所述训练样本集包括多个信用主体的特征数据和信用评分标签；

37、第一信用评分模块，用于将所述训练样本集输入所述第一信用评分卡子模型得到第一信用评分结果；

38、划分模块，用于基于所述第一信用评分结果将所述训练样本集划分为第一子训练样本集和第二子训练样本集；

39、训练模块，用于基于所述第一子训练样本集训练第二信用评分卡子模型，基于所述第二子训练样本集训练第三信用评分卡子模型；

40、设置模块，用于为所述第一信用评分卡子模型、第二信用评分卡子模型和第三信用评分卡子模型分别设置权重得到信用评分卡模型。

41、第四方面，本技术提供了一种信用评分装置，所述信用评分装置包括：

42、第二获取模块，用于获取目标信用主体的历史行为数据；

43、信用评分模块，用于基于信用评分卡模型对所述目标信用主体的历史行为数据进行处理，获得所述目标信用主体的信用评分卡结果；所述信用评分卡模型包括第一信用评分卡子模型、第二信用评分卡子模型和第三信用评分卡子模型；在训练过程中，所述第一信用评分卡子模型用于根据训练样本集得到第一信用评分结果，基于所述第一信用评分结果将所述训练样本集划分为第一子训练样本集和第二子训练样本集；所述第二信用评分卡子模型基于所述第一子训练样本集训练，所述第三信用评分卡子模型基于所述第二子训练样本集训练，为所述第一信用评分卡子模型、第二信用评分卡子模型和第三信用评分卡子模型分别设置权重得到信用评分卡模型。

44、第五方面，本技术提供了一种设备，所述设备包括存储器和处理器，所述存储器用于存储指令或代码，所述处理器用于执行所述指令或代码，以使所述设备执行前述第一方面所述的信用评分卡模型训练方法，或者，前述第二方面所述的信用评分方法。

45、第六方面，本技术提供了一种计算机存储介质，所述计算机存储介质中存储有代码，当所述代码被运行时，运行所述代码的设备实现前述第一方面所述的信用评分卡模型训练方法，或者，前述第二方面所述的信用评分方法。

46、本技术提供了一种信用评分卡模型训练方法。所述信用评分卡模型包括第一信用评分卡子模型、第二信用评分卡子模型和第三信用评分卡子模型，在执行所述方法时，先获取训练样本集；所述训练样本集包括多个信用主体的特征数据和信用评分标签，后基于所述第一信用评分结果将所述训练样本集划分为第一子训练样本集和第二子训练样本集，所述第一子训练样本集为高风险样本；所述第二子训练样本集为低风险样本，然后基于所述第一子训练样本集训练第二信用评分卡子模型，基于所述第二子训练样本集训练第三信用评分卡子模型，最后为所述第一信用评分卡子模型、第二信用评分卡子模型和第三信用评分卡子模型分别设置权重得到目标信用评分卡模型。这样，通过将整体样本集划分为高风险样本和低风险样本，并对每个类别的样本进行训练，使得不同的信用评分卡子模型分类预测不同样本的特征，并且为不同的信用评分卡子模型设置权重，通过评分卡嵌套和分别设置权重的方式使得信用评分卡模型针对不同的预测准确度需求进行调整，达到了准确预测高风险客户的违约概率效果。如此，可以提高头部精确率，以帮助金融机构更好地管理风险。