申请/专利权人：深度(山东)数字科技集团有限公司

申请日：2023-12-04

公开（公告）日：2024-04-05

公开（公告）号：CN117829977A

主分类号：G06Q40/03

分类号：G06Q40/03;G06Q40/06;G06Q30/0601;G06F18/214;G06F18/2415

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.23#实质审查的生效;2024.04.05#公开

摘要：本发明涉及信息管理技术领域，尤其涉及一种基于商业汇票信息的企业融资意愿度分析方法及模型。本发明提供的基于商业汇票信息的企业融资意愿度分析方法，能够合理确定各特征指标对企业融资意愿度分析的有效程度、各特征指标之间的相关性及对模型计算的贡献率，科学地筛选降低指标维度、提高后续逐步回归效率，快速精准预测客户的贷款意愿。本发明提供的基于商业汇票信息的企业融资意愿度模型，能够实时计算出供应链上关联企业的意愿分，促进金融机构开展精准营销，缩短营销路径，降低营销成本，提高营销转化率。通过监控意愿分的变化，及时掌握产业客群融资、经营周期并快速锁定客户，作为基于供应链关系的普惠金融业务客户企业群体批量获客。

主权项：1.一种基于商业汇票信息的企业融资意愿度分析方法及模型，包括：S1指标离散化处理，针对是否有借款意愿的二分类问题，对特征指标采用概率论卡方检验进行分析，表示两个类型是独立的，表示两个类型是相关的； ；其中，表示第i行、j列观测类型计数，表示第i行、j列期望类型计数，拒绝阈，有个自由度；S2建模之前数据预处理，通过前置筛选降低指标维度，提高后续逐步回归效率；S2.1筛选变量X分布的连续性，证据权重WOE是衡量X对Y二类结果分离程度的统计量，WOE越高分离程度越高，基于卡方检验对X离散化后的结果统计每个离散区间值，选取分布呈单调性或者正反U型分布的解释变量；其中TPR表示混淆矩阵中真正类率，FPR表示假正类率； ；S2.2筛选变量X的信息价值，IV是X变量的信息价值，IV越高解释变量X的整体解释能力就越强，相比较WOE指标IV考虑了整体的信息量，选取IV大于的解释变量X，所述取值范围0.03～0.1； ；通过计算IV，筛选出符合WOE单调性分布并且满足IV最低信息价值要求的指标；S2.3筛选变量X之间的相关性，r为变量间相关系数，如果两个变量之间相关系数超过，则认为是重复指标，所述的取值范围0.7～0.9； ；通过特征指标的WOE、IV值、两个变量之间的相关系数r，对相关性比较高的特征指标取信息价值IV最大的，降低入模变量多重共线性程度；当两个解释变量与之间的相关系数绝对值大于时，则选取其中IV最高的一个变量，从而一定程度模型训练前降低入模变量的多重共线性；S3应用模型训练算法，将二分类问题转化为概率问题，通过对解释变量X的代数转换从而估计样本归属类别的概率，训练出具有预测能力的模型；S3.1采用逻辑回归算法： ； ；合并上述两个公式可得： ；S3.2运用逐步回归方法进行模型迭代训练，剔除回归系数wald检验不显著或回归系数正负方向与业务期望相违背特征指标；将步骤S2中筛选出的指标作为特征指标池，每次往训练器加入1个变量，生成每个系数回归参数P值检验结果P-value；逐一剔除P-value值大于且最大对应的特征指标，其中，逐一剔除回归系数正负方向与业务期望相反方向特征指标；S3.3应用方差膨胀因子VIF对回归变量间相关性检验； ；其原理是把第i个解释变量作为响应变量，将其余变量作为解释变量，作线性回归计算模型得出判决统计量方差膨胀因子VIF；方差膨胀因子越大，说明越接近1，则第i个解释变量与其他解释变量之间共线程度越强；如果方差膨胀因子VIF大于，则认为该变更与剩余N-1个变量之间具备多重共线性，因而剔除该变量；所述的取值范围3～10；S4将逻辑回归训练结果的概率模型转化为评分形式，同时计算分数对应的借款意愿概率，概率是介于0～1之间的值而分数是介于0～900之间，分数更贴近业务场景的理解： ；设置p为整体训练样本中有借款意愿样本的概率时，的取值范围为1%～3%；S等于分，的取值范围500～700，设机会比率，每当odds翻倍时，S增加分，其中；pointdoubleodds简称pdo，pdo=；即当odds变成2倍时，对应评分所增加的分数，由此可以得，，获得分数与所对应的借款意愿概率刻度；S5通过评分模型评估预测概率效果，效果评估统计量包括混淆矩阵、KS、AUC；混淆矩阵： ；其中：预测有意愿并且真实有意愿，用TP表示；预测无意愿但真实有意愿，用FN表示；预测有意愿但真实无意愿，用FP表示；预测无意愿并且真实无意愿，用TN表示； ； ； ；其中，TPR表示真正类率，FPR便是假正类率，TPR与FPR之间最大差值称为KS指标，KS越大表示模型的效果越好； ； ；上述公式中，表示实际为正类样本的预测概率，表示实际为负类样本的预测概率，表示正类样本集和负类样本集1对1预测概率大小比较结果，AUC表示ROC曲线下的面积，AUC越大说明模型的解释能力越强，与KS有着相似的统计效果；从概率的角度来解释，AUC表示正类的样本与负类的样本两两比较概率大小的事件，其中正类的概率大于负类的概率的事件数量在总的事件中的占比。

全文数据：

权利要求：

百度查询： 深度(山东)数字科技集团有限公司 一种基于商业汇票信息的企业融资意愿度分析方法及模型

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD