(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211032431.7 (22)申请日 2022.08.26 (71)申请人 中银金融科技有限公司 地址 200120 上海市浦东 新区中国 （上海） 自由贸易试验区银城中路200号4层 408室 (72)发明人 宋伊环　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 付丽 (51)Int.Cl. G06F 30/20(2020.01) G06Q 10/06(2012.01) G06Q 40/02(2012.01) G06F 119/02(2020.01) (54)发明名称 一种信贷风险模型 预测方法及装置 (57)摘要 本申请提供了一种信贷风险模型预测方法 及装置， 应用于数据处理的技术领域， 包括： 获取 待处理数据， 所述待处理数据包括客户的金融数 据； 将所述待处理数据输入筛选模型， 得到筛选 数据； 所述筛选模型包括惩罚函数， 所述惩罚函 数用于去除所述待处理数据中的衍生数据； 使用 所述筛选数据进行信贷风险模型预测。 以此， 采 用惩罚函数在筛选之前去除部分待处理数据， 压 缩部分系数， 可以提高模型的可解释性， 减少多 重共线性影 响， 降低模型 维度， 避免过拟合， 进而 减少信贷风险建模预测的成本， 提高建模效率。 权利要求书1页 说明书7页 附图2页 CN 115186514 A 2022.10.14 CN 115186514 A 1.一种信贷风险模型 预测方法， 其特 征在于， 所述方法包括： 获取待处 理数据， 所述待处 理数据包括 客户的金融数据； 将所述待处理数据输入筛选模型， 得到筛选数据； 所述筛选模型包括惩罚函数， 所述惩 罚函数用于去除所述待处 理数据中的衍 生数据； 使用所述筛 选数据进行信贷风险模型 预测。 2.根据权利要求1所述的方法， 其特征在于， 在所述将所述待处理数据输入筛选模型， 得到筛选数据之前， 所述方法还 包括： 对所述待处理数据进行预处理， 所述预处理包括对异常数据进行修复， 所述异常数据 包括缺失数据和重复数据。 3.根据权利要求1所述的方法， 其特征在于， 所述筛选模型包括： LASSO回归模型， 所述 LASSO回归模型包括所述 惩罚函数。 4.根据权利要求1所述的方法， 其特征在于， 所述使用所述筛选数据进行信贷风险模型 预测， 包括： 利用逻辑回归算法， 对所述筛 选数据进行信贷风险模型 预测。 5.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 获取所述信贷风险模型 预测的结果； 将所述结果 转换为分值， 所述分值用于反映所述信贷风险模型 预测的情况； 响应于所述分值低于预设阈值， 输出 预警提醒。 6.一种信贷风险模型 预测装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取待处 理数据， 所述待处 理数据包括 客户的金融数据； 筛选模块， 用于将所述待处理数据输入筛选模型， 得到筛选数据； 所述筛选模型包括惩 罚函数， 所述 惩罚函数用于去除部分所述待处 理数据； 预测模块， 用于使用所述筛 选数据进行信贷风险模型 预测。 7.根据权利要求6所述的装置， 其特 征在于， 所述装置还 包括： 预处理模块， 用于对所述待处理数据进行预处理， 所述预处理包括对异常数据进行修 复， 所述异常数据包括 缺失数据和重复数据。 8.根据权利要求6所述的装置， 其特 征在于， 所述装置还 包括： 结果模块， 用于获取 所述信贷风险模型 预测的结果； 评分模块， 用于将所述结果转换为分值， 所述分值用于表示所述信贷风险模型预测的 情况； 预警模块， 用于响应于所述分值低于预设阈值， 输出 预警提醒。 9.一种设备， 其特征在于， 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， 以使所述设备执行权利要求1至5任一项所述 的信贷风险模型 预测方法。 10.一种计算机存储介质， 所述计算机存储介质中存储有代码， 当所述代码被运行时， 运行所述代码的计算机存 储设备实现权利要求1至 5任一项所述的信贷风险模型 预测方法。权　利　要　求　书 1/1 页 2 CN 115186514 A 2一种信贷风险模型预测方 法及装置 技术领域 [0001]本申请涉及数据处 理的技术领域， 特别是 涉及一种信贷风险模型 预测方法。 背景技术 [0002]近年来， 信贷服务受到越来越多人的追捧。 对于银行来说， 在还款期限届满之前， 借款人财务商务状况 的重大不利变化很有可能影响其履约能力， 造成银行 的信贷风险。 因 为借款人财务商务状况 的不确定性， 信贷风险成为银行面临的主要风险， 构成了银行风险 管理的重点和难点， 是 银行风险管理的核心。 目前如何对信贷风险进行 预测成为关键 。 [0003]业界提出了构建风险模型预测的方法来进行信贷风险预测， 但预测过程中需要对 信贷风险建模特征因子进行筛选。 现有筛选方法主要是采用常规筛选逻辑， 筛选过程工作 量大， 计算成本高， 需要逐个计算分析所加工全部特征因子的分箱、 证据权重(Weight  of  Evidence， WOE)及信 息量(Information  Value， IV)值等指标， 且需反复尝试不同的入模变 量， 造成了建模时间成本大、 建模效率低的问题。 [0004]因此， 如何减少信贷风险建模预测的成本， 提高建模效率， 是本领域技术人员亟需 解决的技 术问题。 发明内容 [0005]有鉴于此， 本申请实施例提供了一种信贷风险模型预测方法及装置， 旨在减少信 贷模型的建模成本， 提高建模效率。 [0006]第一方面， 本申请实施例提供了一种信贷风险模型 预测方法， 包括： [0007]获取待处 理数据， 所述待处 理数据包括 客户的金融数据； [0008]将所述待处理数据输入筛选模型， 得到筛选数据； 所述筛选模型包括惩罚函数， 所 述惩罚函数用于去除所述待处 理数据中的衍 生数据； [0009]使用所述筛 选数据进行信贷风险模型 预测。 [0010]可选的， 在所述将所述待处理数据输入筛选模型， 得到筛选数据之前， 所述方法还 包括： [0011]对所述待处理数据进行预处理， 所述预处理包括对异常数据进行修复， 所述异常 数据包括 缺失数据和重复数据。 [0012]可选的， 所述筛选模型包括： LASSO回归模型， 所述LASSO回归模型包括所述惩罚函 数。 [0013]可选的， 所述使用所述筛 选数据进行信贷风险模型 预测， 包括： [0014]利用逻辑回归算法， 对所述筛 选数据进行信贷风险模型 预测。 [0015]可选的， 所述方法还 包括： [0016]获取所述信贷风险模型 预测的结果； [0017]将所述结果 转换为分值， 所述分值用于反映所述信贷风险模型 预测的情况； [0018]响应于所述分值低于预设阈值， 输出 预警提醒。说　明　书 1/7 页 3 CN 115186514 A 3