申请/专利权人：华东师范大学;上海银行股份有限公司

申请日：2024-01-25

公开（公告）日：2024-04-16

公开（公告）号：CN117893313A

主分类号：G06Q40/03

分类号：G06Q40/03;G06Q40/06;G06N20/20;G06F18/2431

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.03#实质审查的生效;2024.04.16#公开

摘要：本发明公开了一种基于时间‑事件数据的信用卡逾期后债务风险评估方法及系统，包括客户分类模型与逾期天数预测模型两大模块，实现了对信用卡逾期客户的用户画像刻画、是否出催分类以及好客户出催天数预测等功能，构建了针对时间‑事件数据的风险函数学习模型，通过根据客户历史行为数据及是否逾期按照客户风险情况对客户进行分类，以及对分类后的好客户出催日期的预测，综合评估客户的债务风险，解决了信用卡逾期数据存在的类别不平衡、催收实时分析以及时间与事件指标的综合考量等问题，在实际数据上较现有的模型有着更高的准确率和可用性。

主权项：1.一种基于时间-事件数据的信用卡逾期后债务风险评估方法，其特征在于，所述风险评估方法通过根据客户历史行为数据及是否逾期按照客户风险情况对客户进行分类，以及对分类后的好客户出催日期的预测，综合评估客户的债务风险；所述风险评估方法包括客户分类和逾期天数预测；所述客户分类包括如下步骤：步骤一：对客户数据进行特征提取、统计分析，得到不同客户可应用的客户历史行为数据的数据集、是否逾期指标数据和是否出催标签；步骤二：随机采样步骤一中得到的不同用户数据集中的特征、是否出催标签送入基于随机森林模型的客户分类模型重复学习，利用过采样及阈值调整手段矫正不平衡问题，得到优化后的客户分类模型；步骤三：利用训练好的客户分类模型，输入待分类客户信息，返回输出所述待分类客户对应的类别；所述逾期天数预测包括如下步骤：步骤S1：对已统计的客户历史行为数据进行序列化处理，并计算所述序列化处理后的客户历史行为数据对应的逾期天数，转换客户历史行为数据集为时间-事件的形式，作为逾期天数预测模型的输入序列；步骤S2：将处理好后的序列化数据分别输入模型参数学习网络，得到针对某一客户的个性化偏好参数；步骤S3：结合计算得到的参数，分别计算对应参数下不同分组类别的Weibull分布概率密度函数，结合EM算法进行分布混合，并利用最大似然函数对模型进行优化训练；步骤S4：利用优化后的逾期天数预测模型对客户分类中获得的好客户进行分析，计算得到好客户不出催概率变化曲线，并根据预设阈值获得不出催天数，即预计客户发生逾期的时间。

全文数据：

权利要求：

百度查询： 华东师范大学;上海银行股份有限公司 一种基于时间-事件数据的信用卡逾期后债务风险评估方法、系统及应用

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