CN119444397A 信用风险评估模型的构建方法和信用风险评估模型 （南方科技大学）

信用风险评估模型的构建方法和信用风险本申请公开了一种基于产融大数据的中小传统中小企业信用风险评估模型中存在的单一2获取包含多个变量的中小企业信用风险评估多源数据集，所述信对所述信用风险评估多源数据集中的所述多个变量进行特过对所述第一特征集中的多个特征进行筛选得到第二将所述第二特征集划分为第一特征子集、第二特征子集和及风险评估数据集训练动态监控预警模型以对中小企业实时信用风险其中，所述第一特征子集包括中小企业近期经营状态特征，所所述获取中小企业的信用风险评估多源数据集进一步包括：对所述信计算所述多个变量的多个统计特征变量以并计算所述多个变量中的每个变量的第一信用评估质量值响应于所述多个变量中的所述第一信用评估质量值或所述第二信用评估质量值小于述第一插补变量替换所述第一信用评估质量值小于所述第一阈值的所述变量或用所述第3二插补变量替换所述第二信用评估质量值小于所述第计算所述多个变量的平均值和标准差，基于所述多个变响应于所述多个变量中位于所述异常区间内的所述变量获取所述多个变量的a％分位对所述信用风险评估多源数据集中的所述多个变量进行特征基于所述第一变量和所述最后变量计算所述多个变量中的每对所述信用风险评估多源数据集中的所述多个变量进行特征对所述信用风险评估多源数据集中的所述多个变量进行特征基于所述多个变量的平均值和标准差计算所述多个变量中的每个变量的标准差标准所述产业链特征包括：上游集中度指标、下游客户稳定性指标和/或供应链健康度指4和信用风险可能会在短期内发生显著变化，而现有的模型无法对这些变化做出及时反应。5风险评估数据集训练动态监控预警模型以对中小企业实时信用风险[0033]响应于多个变量中的第一信用评估质量值或第二信用评估质量值小于第一阈值一信用评估质量值小于第一阈值的变量或用第二插补变量替换第二信用评估质量值小于6[0049]基于多个变量的平均值和标准差计算多个变量中的每个[0053]产业链特征包括：上游集中度指标、下游客户稳定性指标和/或供应链健康度指[0060]删除第一信用风险相关系数的绝对值小于第三阈值的特征以获得相对于每个特[0061]计算多个相关特征集中的每个相关特征集的特征与目标变量的第二信用风险相7[0070]步骤2：计算多个决策树中的每个决策树的多个特征中的每个特征的信用风险重[0071]步骤3：计算多个决策树的多个特征中的每个特征的信用风险重要值的平均信用[0080]计算多个对应特征中的第一对应特征对应的特征值的信用评估解释性值和多个[0081]响应于累计信用评估解释性值小于第五阈值使累计信用评估解释性值按序与多[0082]删除特征矩阵中的信用评估解释性值未与累计信用评估解释性值加和的特征值[0087]基于第一权重值和第二权重值对第二特征集中的多个特征中的每个特征和多个89[0124]集成第一评估模型、第二评估模型和第三评估模型以得到综合信用评分模型包[0126]以集成方法基于第一输出权重、第二输出权重和第三输出权重将第一评估模型、[0138]利用实时风险评估数据集训练动态监控预警模型以对中小企业实时信用风险进[0139]设置实时风险评估数据集中的多个实时变量中的每个实时变量与其余实时变量[0141]基于与中小企业实时信用风险相关的实时变量的条件概率分别计算中小企业实使得处理器执行如项1_23中任一项的基于产融大数据的中小企业信用风险评估模型的构[0154]对信用风险评估多源数据集中的多个变量进行特征提取和特征筛选以得到风险[0156]与第三方数据源建立数据对接以获取包含多个实时变量的中小企业的实时风险[0163]对信用风险评估多源数据集中的多个变量进行特征提取和特征筛选以得到风险动现金流量/营业收入比和/或行业平均增长率输入综合信用评分模型以得到企业经营得[0190]将实时风险评估数据集中的多个实时变量输入动态监控预警模型以对中小企业[0191]将实时风险评估数据集中的多个实时变量输入动态监控预警模型以得到中小企[0193]综合信用评分模型为项1的基于产融大数据的中小企业信用风险评估模型的构建[0194]动态监控预警模型为项1的基于产融大数据的中小企业信用风险评估模型的构建使得处理器执行如项27_34中任一项的基于产融大数据的中小企业[0210]图1图示了根据本申请实施例基于产融大数据的中小企业信用风险评估方法的功[0211]图2图示了根据本申请实施例基于产融大数据的中小企业信用风险评估模型的构[0212]图3图示了根据本申请实施例基于产融大数据的中小企业信用风险评估方法构建[0213]图4图示了根据本申请实施例基于产融大数据的中小企业信用风险评估模型的构[0214]图5图示了根据本申请实施例基于产融大数据的中小企业信用风险评估系统的结[0219]本申请的基于产融大数据的中小企业信用风险评估模型的构建方法的综合信用[0223]互联网数据集可包括通过互联网获取的企业信息，其可包括社交媒体舆情信息、[0225]中小企业自有数据集可通过企业内部的ERP系统和/或CRM系统定期导出，其可包[0226]随着大数据技术的发展，多种类型的异构数据源可以用于中小企业信用风险评为模型对中小企业信用风险评估多源数据集中变量的统计学特征进行分析与学习提供重变量的分布度量变量可包括多个变量的偏度和/或峰度等；多个变量的时间序列变量可包于多个变量中的第一信用评估质量值或第二信用评估质量值小于第一阈值或第二阈值的质量值小于第一阈值的变量或用第二插补变量替换第二信用评估质量值小于第二阈值的型变量的众数以作为第二插补变量并替换第二信用评估质量值大于第二阈值[0243]为了保证基于信用风险评估多源数据集中的多个变量在不同数值尺度下的可比[0251]本领域技术人员可以理解的是，特征的指标可以指该类别特征下的一个多个特[0252]在一些实施方案中，基础财务特征用于反映中小企业现阶段的基本财务流动情流波动性可以为过去6个月现金流入的变异系数(CV)；交易频率异常指数可通过如下公式集中的多个变量进行情感提取并计算得到，可基于情感得分进一步得到文本情感分类结[0263]进一步地，关键指标时序特征中的关键指标移动平均值可以为关键指标在过去3指标环比增长率；还可以将关键指标输入ARIMA模型以预测未来3个月的关键指标变化趋长率/变化率等多种统计学特征，这些特征相比直接获得的特征可以包含更复杂的统计分[0266]分别计算多个特征中的每个特征与其余特征的第一信用风险删除第一信用风险相关系数的绝对值小于第三阈值的特征以获得相对于每个特征的多个间具有较高正/负相关性的特点，有助于模型利用第二特征集训练时捕捉到输入特征中的可能更高并保留更多的信息量。通过计算每个特征的方差并剔除方差小于第四阈值的特复上述操作，直至随机森林模型在多个特征上的性能不再提升和/或多个特征的特征数量释性值和多个对应特征中的第二对应特征对应的特征值的信用评估解释性值的累计信用二特征集中的多个特征，优选为通过降维得到的主成分中的每个特征各自设置第一权重中的每个特征和多个关键特征中的每个关键特征分别进行加权融合，以最终得到加权特集中的多个特征进行多维度筛选得到关键特[0288]利用本申请的对第一特征集中的多个特征进行筛选得到第二特征集的筛选方法征的信用风险相关系数进行相关性分析筛选、利用特征的信用风险重要值进行排序筛选、j为第j个选定的关键特征，ωi和pj分别键特征对模型预测性能的高低设置其类别。间序列分析为核心，继而可通过结合AutoRegressiveIntegratedMovingAverage将预测经营情况随时间推移形成的时间序列数据用ARIMA模型近似描述以识别序列特征，这样就可以从企业经营的第一特征子集在一定时间内的过去值及现值来预测一定时间内[0305]在一些实施方案中，第一评估模型可输出数值在0_100之间的企业经营得分体现[0308]在一些实施方案中，第二特征子集中的特征包含中小企业市场竞争力的相关指中的企业竞争力相关特征，例如构成加权特征的主成分或关键特征为企业竞争力相关特[0309]第二评估模型可以为企业竞争力评估模型，其利用层次分析法(AHP)对不同维度比例的权重值优选为0.15；以及新产品收入占比和研发费用/营业收入比的总权重值[0320]此外，还利用GradientBoostingDecisionTree(GBDT)模型进行多轮迭代训练[0322]其中，L(Y,)为GBDT的损失函数，可以示例为均方误差(MSE)或对数损失(Log权重的取值范围为0～2、三度关联权重的取值范围为0～1，优选分别为1，0.5，0.2；基于企业主风险预测的二分类问题，例如企业是否具有违约风险等进行建模和权重分配，独立对中小企业进行信用主风险二分类评估，帮助中小企业快速预估其大致信贷风险情和信用风险可能会在短期内发生显著变化，而现有的模型无法对这些变化做出及时反应。[0337]本申请采集的实时风险评估数据集可包括如下实时数据：短期流动性指标数据警模型可用于计算实时风险评估数据集中的多个实时变量中的每个实时变量与其余实时高抵押要求或减少授信额度以帮助中小企业度过高风险[0348]本申请还提出了一种基于产融大数据的中小企业信用风[0350]数据特征工程单元310，对信用风险评估多源数据集中的多个变量进行特征提取[0352]动态监控预警模型构建单元330，与第三方数据源建立数据对接以获取中小企业[0353]本申请提出的中小企业信用风险评估模型的构建系统可以为执行所述的中小企风险评估模型的构建系统中的各个模块的具体功能和操作已经在所述的中小企业信用风设备中，例如用于构建综合信用评估模型或其中的三种评估模型中的一个或两个及以上，本申请所述的中小企业信用风险评估模型的构建系统可以作为一个软件模块和/或硬件模行时使得处理器执行本申请所述的中小企业信用风险评估模型执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如用风险评估模型的构建方法以及/或者其他期望的功能。在所述的计算机可读存储介质中本申请提出的基于产融大数据的中小企业信用风险模型的构建方法所构建的综合信用评中小企业信用风险评估多源数据集可以与基于产融大数据的中小企业信用风险模型的构建方法所获取的中小企业信用风险评估多源数评估特征集可与基于产融大数据的中小企业信用风险模型的构建方法所获得的第二特征[0367]基于产融大数据的中小企业信用风险评估方法还可以包与第三方数据源建立数据对接以获取包含多个实时变量的中小企业的实时风险评估数据基于产融大数据的中小企业信用风险模型的构建方法所获取的中小企业的实时风险评估[0370]数据处理单元410，对所述信用风险评估多源数据集中的所述多个变量进行特征[0371]信用风险评估单元420，将所述风险评估特征集中的多个特征输入综合信用评分[0372]动态监控预警单元430，与第三方数据源建立数据对接以获取包含多个实时变量入动态监控预警模型以对中小企业实时信用风[0373]本申请提出的中小企业信用风险评估系统可以为执行所述的中小企业信用风险模块的具体功能和操作已经在所述的中小企业信用风险评估方法的描述中得到了详细介的中小企业信用风险评估系统可以作为一个软件模块和/或硬件模块而集成到终端设备估系统同样可以是该终端设备的众多硬件模也可以是分立的设备，并且所述的中小企业信用风险评估系统可以通过有线和/或无线网行时使得处理器执行本申请所述的中小企业信用风执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如用风险评估方法以及/或者其他期望的功能。在所述的计算机可读存储介质中还可以存储传统方法如线性回归或打分卡通常表现不足，特别是在面对动态变化和复杂数据环境时。著提升了模型的预测精度和鲁棒性。传统的信用评分体系大多依赖单一维度的打分模型，场竞争力和企业主风险三个方面的独立建模，最终通过集成学习综合生成企业的信用评[0389]总计采集了约100万家中小规模企业的基础政务数据，每家企业的平均数据字段[0391]总计覆盖了约100万家中小规模企业的50个主要行业的产业数据，每个产业的平[0395]总计覆盖了约1万家中小规模企业的企业自有数据，每家企业的平均企业自有数补全可如说通过实施明书中填补多个变量中的[0402]