本申請(qǐng)涉及風(fēng)險(xiǎn)管控領(lǐng)域，特別涉及一種基于聚類算法的信用額度優(yōu)化方法、系統(tǒng)、存儲(chǔ)介質(zhì)和設(shè)備。

背景技術(shù)：

1、在信貸風(fēng)控領(lǐng)域，確定客戶的授信額度是信貸決策過(guò)程中的關(guān)鍵環(huán)節(jié)。

2、目前，確定客戶授信額度的方法主要包括基于規(guī)則的額度分配和基于機(jī)器學(xué)習(xí)的額度預(yù)測(cè)。基于規(guī)則的額度分配通過(guò)預(yù)設(shè)的一系列規(guī)則和條件，如客戶的信用評(píng)分、收入水平和職業(yè)類型等，來(lái)分配授信額度。例如，信用評(píng)分較高的客戶可以獲得更高的額度。然而基于規(guī)則的方法通常固定死板，難以根據(jù)客戶的個(gè)性化需求和市場(chǎng)變化進(jìn)行動(dòng)態(tài)調(diào)整。同時(shí)規(guī)則的方法在面對(duì)多維度數(shù)據(jù)和復(fù)雜的非線性關(guān)系時(shí)表現(xiàn)不佳，可能無(wú)法準(zhǔn)確反映客戶的信用風(fēng)險(xiǎn)?；跈C(jī)器學(xué)習(xí)的額度預(yù)測(cè)利用歷史數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)模型（如線性回歸、xgboost等），通過(guò)輸入客戶的信用數(shù)據(jù)來(lái)預(yù)測(cè)最適合的授信額度。然而機(jī)器學(xué)習(xí)模型需要準(zhǔn)確的額度標(biāo)簽進(jìn)行訓(xùn)練，但在實(shí)際業(yè)務(wù)中，通常缺乏精確的授信額度標(biāo)簽，這使得模型訓(xùn)練難以進(jìn)行。

技術(shù)實(shí)現(xiàn)思路

1、本申請(qǐng)的目的是提供一種基于聚類算法的信用額度優(yōu)化方法、系統(tǒng)、存儲(chǔ)介質(zhì)和設(shè)備，通過(guò)聚類找到與目標(biāo)客戶最相似的鄰近客戶群體，并基于鄰近客戶的授信額度進(jìn)行額度優(yōu)化，無(wú)需依賴準(zhǔn)確的額度標(biāo)簽?。

2、為解決上述技術(shù)問(wèn)題，本申請(qǐng)?zhí)峁┮环N基于聚類算法的信用額度優(yōu)化方法，具體技術(shù)方案如下：

3、獲取客戶的客戶數(shù)據(jù)和動(dòng)支行為數(shù)據(jù)；所述動(dòng)支行為數(shù)據(jù)包括所述客戶的授信額度、實(shí)際動(dòng)支情況和逾期記錄；

4、根據(jù)所述動(dòng)支行為數(shù)據(jù)篩選授信通過(guò)且存在動(dòng)支操作的樣本客戶；

5、計(jì)算變量與所述授信額度之間的相關(guān)性；所述變量為不同銀行對(duì)所述樣本客戶的歷史最大授信額度；

6、將相關(guān)性滿足關(guān)聯(lián)閾值的變量轉(zhuǎn)化為特征向量，利用聚類算法對(duì)所述特征向量進(jìn)行聚類分析，確定與所述樣本客戶最相似的若干鄰近客戶；

7、根據(jù)所述鄰近客戶對(duì)所述樣本客戶的信用額度進(jìn)行優(yōu)化，得到所述樣本客戶的優(yōu)化信用額度。

8、可選的，所述計(jì)算變量與所述授信額度之間的相關(guān)性包括：

9、計(jì)算各所述變量與所述授信額度樣本協(xié)方差之間的樣本協(xié)方差和各自的樣本標(biāo)準(zhǔn)差；

10、根據(jù)所述樣本協(xié)方差和所述樣本標(biāo)準(zhǔn)差確定皮爾森區(qū)分相關(guān)性。

11、可選的，所述將相關(guān)性滿足關(guān)聯(lián)閾值的變量轉(zhuǎn)化為特征向量之前，還包括：

12、移除相關(guān)性滿足所述關(guān)聯(lián)閾值，且不符合業(yè)務(wù)邏輯的變量。

13、可選的，將相關(guān)性滿足關(guān)聯(lián)閾值的變量轉(zhuǎn)化為特征向量之后，還包括：

14、去除所述特征向量的異常值；

15、移除或者填充所述特征向量中的缺失值；

16、計(jì)算所述特征向量的統(tǒng)計(jì)量，根據(jù)所述統(tǒng)計(jì)量對(duì)所述特征向量進(jìn)行標(biāo)準(zhǔn)化處理；所述標(biāo)準(zhǔn)化處理包括中心化處理或縮放處理。

17、可選的，利用聚類算法對(duì)所述特征向量進(jìn)行聚類分析，確定與所述樣本客戶最相似的若干鄰近客戶包括：

18、交叉驗(yàn)證確定最優(yōu)近鄰數(shù)量k和距離度量方式；

19、利用knn分類器進(jìn)行聚類分析，確定與所述樣本客戶最相似的k個(gè)鄰近客戶。

20、可選的，所述根據(jù)所述鄰近客戶對(duì)所述樣本客戶的信用額度進(jìn)行優(yōu)化，得到所述樣本客戶的優(yōu)化信用額度包括：

21、對(duì)所述樣本客戶的若干鄰近客戶各自的授信額度進(jìn)行聚合，計(jì)算平均值或加權(quán)平均值，根據(jù)所述平均值或所述加權(quán)平均值得到所述樣本客戶的優(yōu)化信用額度。

22、可選的，根據(jù)所述鄰近客戶對(duì)所述樣本客戶的信用額度進(jìn)行優(yōu)化之后，還包括：

23、對(duì)所述樣本客戶的優(yōu)化信用額度利用驗(yàn)證數(shù)據(jù)集進(jìn)行驗(yàn)證，得到驗(yàn)證結(jié)果；

24、根據(jù)所述驗(yàn)證結(jié)果調(diào)整所述鄰近客戶的數(shù)量或鄰近客戶的特征選擇。

25、本申請(qǐng)還提供一種基于聚類算法的信用額度優(yōu)化系統(tǒng)，包括：

26、數(shù)據(jù)獲取模塊，用于獲取客戶的客戶數(shù)據(jù)和動(dòng)支行為數(shù)據(jù)；所述動(dòng)支行為數(shù)據(jù)包括所述客戶的授信額度、實(shí)際動(dòng)支情況和逾期記錄；

27、客戶篩選模塊，用于根據(jù)所述動(dòng)支行為數(shù)據(jù)篩選授信通過(guò)且存在動(dòng)支操作的樣本客戶；

28、變量計(jì)算模塊，用于計(jì)算變量與所述授信額度之間的相關(guān)性；所述變量為不同銀行對(duì)所述樣本客戶的歷史最大授信額度；

29、聚類模塊，用于將相關(guān)性滿足關(guān)聯(lián)閾值的變量轉(zhuǎn)化為特征向量，利用聚類算法對(duì)所述特征向量進(jìn)行聚類分析，確定與所述樣本客戶最相似的若干鄰近客戶；

30、額度優(yōu)化模塊，用于根據(jù)所述鄰近客戶對(duì)所述樣本客戶的信用額度進(jìn)行優(yōu)化，得到所述樣本客戶的優(yōu)化信用額度。

31、本申請(qǐng)還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上所述的方法的步驟。

32、本申請(qǐng)還提供一種電子設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器中存有計(jì)算機(jī)程序，所述處理器調(diào)用所述存儲(chǔ)器中的計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如上所述的方法的步驟。

33、本申請(qǐng)?zhí)峁┮环N基于聚類算法的信用額度優(yōu)化方法，包括：獲取客戶的客戶數(shù)據(jù)和動(dòng)支行為數(shù)據(jù)；所述動(dòng)支行為數(shù)據(jù)包括所述客戶的授信額度、實(shí)際動(dòng)支情況和逾期記錄；根據(jù)所述動(dòng)支行為數(shù)據(jù)篩選授信通過(guò)且存在動(dòng)支操作的樣本客戶；計(jì)算變量與所述授信額度之間的相關(guān)性；所述變量為不同銀行對(duì)所述樣本客戶的歷史最大授信額度；將相關(guān)性滿足關(guān)聯(lián)閾值的變量轉(zhuǎn)化為特征向量，利用聚類算法對(duì)所述特征向量進(jìn)行聚類分析，確定與所述樣本客戶最相似的若干鄰近客戶；根據(jù)所述鄰近客戶對(duì)所述樣本客戶的信用額度進(jìn)行優(yōu)化，得到所述樣本客戶的優(yōu)化信用額度。

34、本申請(qǐng)基于已有的動(dòng)支行為數(shù)據(jù)，通過(guò)聚類找到與樣本客戶最相似的客戶群體，并基于相似客戶的授信額度對(duì)樣本客戶進(jìn)行優(yōu)化，無(wú)需依賴準(zhǔn)確的額度標(biāo)簽，能夠有效優(yōu)化未動(dòng)支樣本的授信額度，提升其動(dòng)支率。同時(shí)根據(jù)相似客戶的動(dòng)態(tài)行為和額度情況等信息?，能夠靈活應(yīng)對(duì)個(gè)性化需求和市場(chǎng)變化。

35、本申請(qǐng)還提供一種基于聚類算法的信用額度優(yōu)化系統(tǒng)、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)和電子設(shè)備，具有上述有益效果，此處不再贅述。

技術(shù)特征：

1.一種基于聚類算法的信用額度優(yōu)化方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的基于聚類算法的信用額度優(yōu)化方法，其特征在于，所述計(jì)算變量與所述授信額度之間的相關(guān)性包括：

3.根據(jù)權(quán)利要求2所述的基于聚類算法的信用額度優(yōu)化方法，其特征在于，所述將相關(guān)性滿足關(guān)聯(lián)閾值的變量轉(zhuǎn)化為特征向量之前，還包括：

4.根據(jù)權(quán)利要求1所述的基于聚類算法的信用額度優(yōu)化方法，其特征在于，將相關(guān)性滿足關(guān)聯(lián)閾值的變量轉(zhuǎn)化為特征向量之后，還包括：

5.根據(jù)權(quán)利要求1所述的基于聚類算法的信用額度優(yōu)化方法，其特征在于，利用聚類算法對(duì)所述特征向量進(jìn)行聚類分析，確定與所述樣本客戶最相似的若干鄰近客戶包括：

6.根據(jù)權(quán)利要求1所述的基于聚類算法的信用額度優(yōu)化方法，其特征在于，所述根據(jù)所述鄰近客戶對(duì)所述樣本客戶的信用額度進(jìn)行優(yōu)化，得到所述樣本客戶的優(yōu)化信用額度包括：

7.根據(jù)權(quán)利要求1所述的基于聚類算法的信用額度優(yōu)化方法，其特征在于，根據(jù)所述鄰近客戶對(duì)所述樣本客戶的信用額度進(jìn)行優(yōu)化之后，還包括：

8.一種基于聚類算法的信用額度優(yōu)化系統(tǒng)，其特征在于，包括：

9.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1-7任一項(xiàng)所述的方法的步驟。

10.一種電子設(shè)備，其特征在于，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器中存有計(jì)算機(jī)程序，所述處理器調(diào)用所述存儲(chǔ)器中的計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如權(quán)利要求1-7任一項(xiàng)所述的方法的步驟。

技術(shù)總結(jié)
本申請(qǐng)?zhí)峁┮环N基于聚類算法的信用額度優(yōu)化方法，包括：獲取客戶的客戶數(shù)據(jù)和動(dòng)支行為數(shù)據(jù)；根據(jù)動(dòng)支行為數(shù)據(jù)篩選授信通過(guò)且存在動(dòng)支操作的樣本客戶；計(jì)算變量與授信額度之間的相關(guān)性；變量為不同銀行對(duì)樣本客戶的歷史最大授信額度；將相關(guān)性滿足關(guān)聯(lián)閾值的變量轉(zhuǎn)化為特征向量，利用聚類算法對(duì)特征向量進(jìn)行聚類分析，確定與樣本客戶最相似的若干鄰近客戶；根據(jù)鄰近客戶對(duì)樣本客戶的信用額度進(jìn)行優(yōu)化，得到樣本客戶的優(yōu)化信用額度。本申請(qǐng)無(wú)需依賴準(zhǔn)確的額度標(biāo)簽，能夠有效優(yōu)化未動(dòng)支樣本的授信額度，提升其動(dòng)支率。本申請(qǐng)還提供一種基于聚類算法的信用額度優(yōu)化系統(tǒng)、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)和電子設(shè)備，具有上述有益效果。

技術(shù)研發(fā)人員：徐思豪,劉秋言,韓傳贊,胡渝鑫
受保護(hù)的技術(shù)使用者：重慶渝銀金融科技有限責(zé)任公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/11/18