本發(fā)明涉及履約風(fēng)險預(yù)警，尤其涉及一種基于用戶數(shù)據(jù)的履約風(fēng)險預(yù)警方法及系統(tǒng)。

背景技術(shù)：

1、在現(xiàn)有的履約風(fēng)險評估領(lǐng)域中，金融機(jī)構(gòu)和其他信貸服務(wù)提供商面臨著日益增長的數(shù)據(jù)處理挑戰(zhàn)。傳統(tǒng)的履約風(fēng)險評估方式通常需要對每一位用戶的信用歷史和行為模式進(jìn)行單獨評估，這不僅計算量巨大，而且效率低下。隨著互聯(lián)網(wǎng)金融的發(fā)展，用戶行為數(shù)據(jù)呈指數(shù)級增長，如何從海量數(shù)據(jù)中快速準(zhǔn)確地識別出潛在違約用戶成為了行業(yè)亟待解決的問題。

2、當(dāng)前的方法往往依賴于人工審核或是簡單的統(tǒng)計分析，這導(dǎo)致了評估過程中可能存在主觀判斷偏差，且難以實時反映用戶的最新信用狀況。

技術(shù)實現(xiàn)思路

1、為了解決上述提出的至少一個技術(shù)問題，本發(fā)明提供一種基于用戶數(shù)據(jù)的履約風(fēng)險預(yù)警方法及系統(tǒng)。

2、第一方面，本發(fā)明提供了一種基于用戶數(shù)據(jù)的履約風(fēng)險預(yù)警方法，所述方法包括：

3、獲取不同待檢測用戶預(yù)設(shè)時間段內(nèi)的信用行為變更數(shù)據(jù)和抵押物價格變動數(shù)據(jù)，所述信用行為變更數(shù)據(jù)包括借款頻次變更信息、貸款機(jī)構(gòu)數(shù)變更信息和還款方式變更信息；

4、混合多個信用行為變更數(shù)據(jù)與預(yù)設(shè)的風(fēng)險信用行為變更數(shù)據(jù)集，得到混合數(shù)據(jù)集，所述風(fēng)險信用行為變更數(shù)據(jù)集中包括多個已知違約用戶預(yù)設(shè)時間段內(nèi)的信用行為變更數(shù)據(jù)；

5、對混合數(shù)據(jù)集進(jìn)行聚類處理，得到風(fēng)險分類數(shù)據(jù)，并基于風(fēng)險分類數(shù)據(jù)篩選出潛在違約用戶；

6、獲取潛在違約用戶的歷史信用數(shù)據(jù)，將歷史信用數(shù)據(jù)和信用行為變更數(shù)據(jù)輸入預(yù)設(shè)的履約風(fēng)險值預(yù)測算法，輸出履約風(fēng)險值；

7、若履約風(fēng)險值大于預(yù)設(shè)的風(fēng)險閾值，判斷潛在違約用戶的抵押物價格變動數(shù)據(jù)是否滿足預(yù)設(shè)條件，若不滿足，則確認(rèn)潛在違約用戶的履約風(fēng)險為高風(fēng)險。

8、優(yōu)選地，所述履約風(fēng)險值預(yù)測算法表述為：

9、vk＝vhistory+v0，

10、

11、v0＝ln(1+ef+l+m)，

12、式中，vk表示用戶k的履約風(fēng)險值，vhistory表示歷史信用數(shù)據(jù)引起的履約影響項，v0表示信用行為變更數(shù)據(jù)引起的履約影響項，mk表示用戶k的歷史信用數(shù)據(jù)的總條數(shù)，ti表示第i條歷史信用數(shù)據(jù)距離當(dāng)前時間的時間距離，表示第i條歷史信用數(shù)據(jù)的權(quán)重，ai為第i條歷史信用數(shù)據(jù)的貸款金額，δai為第i條歷史信用數(shù)據(jù)的貸款金額與當(dāng)前貸款金額之差，xi表示第i條歷史信用數(shù)據(jù)的逾期情況，且xi＝0表示未逾期，xi＝1表示逾期，hi表示第i條歷史信用數(shù)據(jù)的逾期天數(shù)，hi表示第i條歷史信用數(shù)據(jù)的貸款期限總天數(shù)，f、l和m分別為歸一化后的借款頻次變更信息、貸款機(jī)構(gòu)數(shù)變更信息和還款方式變更信息，其中，m＝0表示自動還款，m＝1手動還款。

13、優(yōu)選地，所述對混合數(shù)據(jù)集進(jìn)行聚類處理，得到風(fēng)險分類數(shù)據(jù)，并基于風(fēng)險分類數(shù)據(jù)篩選出潛在違約用戶，包括：

14、基于風(fēng)險信用數(shù)據(jù)集的風(fēng)險類型數(shù)量，確定分類簇數(shù)量；

15、基于分類簇數(shù)量，采用k-means算法對混合數(shù)據(jù)集進(jìn)行聚類處理，得到風(fēng)險分類數(shù)據(jù)；

16、根據(jù)待檢測用戶的信用數(shù)據(jù)在風(fēng)險分類數(shù)據(jù)中的分布情況，確定待檢測用戶是否為潛在違約用戶。

17、第二方面，本發(fā)明還提供了一種基于用戶數(shù)據(jù)的履約風(fēng)險預(yù)警系統(tǒng)，所述系統(tǒng)包括：

18、數(shù)據(jù)獲取模塊，用于獲取不同待檢測用戶預(yù)設(shè)時間段內(nèi)的信用行為變更數(shù)據(jù)和抵押物價格變動數(shù)據(jù)，所述信用行為變更數(shù)據(jù)包括借款頻次變更信息、貸款機(jī)構(gòu)數(shù)變更信息和還款方式變更信息；

19、風(fēng)險數(shù)據(jù)混合模塊，用于混合多個信用行為變更數(shù)據(jù)與預(yù)設(shè)的風(fēng)險信用行為變更數(shù)據(jù)集，得到混合數(shù)據(jù)集，所述風(fēng)險信用行為變更數(shù)據(jù)集中包括多個已知違約用戶預(yù)設(shè)時間段內(nèi)的信用行為變更數(shù)據(jù)；

20、潛在違約用戶篩選模塊，用于對混合數(shù)據(jù)集進(jìn)行聚類處理，得到風(fēng)險分類數(shù)據(jù)，并基于風(fēng)險分類數(shù)據(jù)篩選出潛在違約用戶；

21、潛在違約用戶風(fēng)險值計算模塊，用于獲取潛在違約用戶的歷史信用數(shù)據(jù)，將歷史信用數(shù)據(jù)和信用行為變更數(shù)據(jù)輸入預(yù)設(shè)的履約風(fēng)險值預(yù)測算法，輸出履約風(fēng)險值；

22、潛在違約用戶風(fēng)險預(yù)測模塊，用于若履約風(fēng)險值大于預(yù)設(shè)的風(fēng)險閾值，判斷潛在違約用戶的抵押物價格變動數(shù)據(jù)是否滿足預(yù)設(shè)條件，若不滿足，則確認(rèn)潛在違約用戶的履約風(fēng)險為高風(fēng)險。

23、優(yōu)選地，所述履約風(fēng)險值預(yù)測算法表述為：

24、vk＝vhistory+v0，

25、

26、v0＝ln(1+ef+l+m)，

27、式中，vk表示用戶k的履約風(fēng)險值，vntstory表示歷史信用數(shù)據(jù)引起的履約影響項，v0表示信用行為變更數(shù)據(jù)引起的履約影響項，mk表示用戶k的歷史信用數(shù)據(jù)的總條數(shù)，ti表示第i條歷史信用數(shù)據(jù)距離當(dāng)前時間的時間距離，表示第i條歷史信用數(shù)據(jù)的權(quán)重，ai為第i條歷史信用數(shù)據(jù)的貸款金額，δai為第i條歷史信用數(shù)據(jù)的貸款金額與當(dāng)前貸款金額之差，xi表示第i條歷史信用數(shù)據(jù)的逾期情況，且xi＝0表示未逾期，xi＝1表示逾期，hi表示第i條歷史信用數(shù)據(jù)的逾期天數(shù)，hi表示第i條歷史信用數(shù)據(jù)的貸款期限總天數(shù)，f、l和m分別為歸一化后的借款頻次變更信息、貸款機(jī)構(gòu)數(shù)變更信息和還款方式變更信息，其中，m＝0表示自動還款，m＝1手動還款。

28、優(yōu)選地，所述對混合數(shù)據(jù)集進(jìn)行聚類處理，得到風(fēng)險分類數(shù)據(jù)，并基于風(fēng)險分類數(shù)據(jù)篩選出潛在違約用戶，包括：

29、基于風(fēng)險信用數(shù)據(jù)集的風(fēng)險類型數(shù)量，確定分類簇數(shù)量；

30、基于分類簇數(shù)量，采用k-means算法對混合數(shù)據(jù)集進(jìn)行聚類處理，得到風(fēng)險分類數(shù)據(jù)；

31、根據(jù)待檢測用戶的信用數(shù)據(jù)在風(fēng)險分類數(shù)據(jù)中的分布情況，確定待檢測用戶是否為潛在違約用戶。

32、第三方面，本發(fā)明還提供了一種電子設(shè)備，包括處理器和存儲器，所述存儲器用于存儲計算機(jī)程序代碼，所述計算機(jī)程序代碼包括計算機(jī)指令，當(dāng)所述處理器執(zhí)行所述計算機(jī)指令時，所述電子設(shè)備執(zhí)行如上述第一方面及其任意一種可能實現(xiàn)的方式的方法。

33、第四方面，本發(fā)明還提供了一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)中存儲有計算機(jī)程序，所述計算機(jī)程序包括程序指令，所述程序指令當(dāng)被電子設(shè)備的處理器執(zhí)行時，使所述處理器執(zhí)行如上述第一方面及其任意一種可能實現(xiàn)的方式的方法。

34、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：

35、1)本發(fā)明通過混合待檢測用戶的信用行為變更數(shù)據(jù)與已知違約用戶的數(shù)據(jù)形成混合數(shù)據(jù)集，并采用聚類算法進(jìn)行風(fēng)險分類，高效地篩選出潛在違約用戶，再結(jié)合歷史信用數(shù)據(jù)與履約風(fēng)險預(yù)測算法，精準(zhǔn)評估履約風(fēng)險值，當(dāng)風(fēng)險值超過預(yù)設(shè)閾值且抵押物價格變動未能提供足夠保障時，能及時確認(rèn)高風(fēng)險用戶，從而顯著提高履約風(fēng)險預(yù)警的效率與準(zhǔn)確性，有效減少金融機(jī)構(gòu)面臨的信貸損失風(fēng)險。

36、2)本發(fā)明中的履約風(fēng)險值預(yù)測算法通過綜合歷史信用數(shù)據(jù)和近期信用行為變更信息，能夠準(zhǔn)確地量化用戶的履約風(fēng)險程度，其中利用加權(quán)平均和指數(shù)衰減來強(qiáng)調(diào)近期信用事件的重要性，并通過歸一化處理信用行為變更信息確保不同維度的信息在同一尺度上進(jìn)行比較，進(jìn)一步的，采用對數(shù)函數(shù)來提高對信用行為變更數(shù)據(jù)小變動的敏感度，從而實現(xiàn)對履約風(fēng)險的精準(zhǔn)預(yù)測，既考慮了歷史履約表現(xiàn)又兼顧了最新的信用行為動態(tài)。

37、3)本發(fā)明通過構(gòu)建混合數(shù)據(jù)集并與聚類分析技術(shù)相結(jié)合，利用k-means算法高效準(zhǔn)確地識別出具有相似風(fēng)險特征的用戶群體，從而實現(xiàn)了對潛在違約用戶的快速篩選，大幅提升了履約風(fēng)險評估的效率和準(zhǔn)確性，同時動態(tài)適應(yīng)新風(fēng)險特征的變化，持續(xù)優(yōu)化風(fēng)險評估模型，有效增強(qiáng)了金融機(jī)構(gòu)的風(fēng)險管理能力和市場穩(wěn)定性。

38、應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，而非限制本公開。