权重确定模型训练方法、风险预测方法及装置

摘要

本申请提供了一种权重确定模型训练方法、风险预测方法及装置，应用于金融科技技术领域，其中该方法包括：根据对应子模型的历史预测效果自动学习得到子模型的权重，进而为确定集成模型提供基础，从而能够提升集成模型预测效果的准确性；此外，对子模型的相对权重进行归一化处理，从而使得各个子模型都能发挥相应的作用，避免某一子模型的相对权重过大或某一子模型的权重过小，而使得相应的子模型发挥的作用太大或不发挥作用。

说明书

技术领域

本申请涉及金融科技技术领域，具体而言，本申请涉及一种权重确定模型训练方法、风险预测方法及装置。

背景技术

在互联网和大数据的推动下，银行信贷产品体系越发丰富，线上产品与线下业务均取得了快速发展，信贷风险管理体系也越来越全面，但同时也催生出了新的信用管理问题。由于面向业务场景不同或考虑风险维度不同，对相同客群往往会构建多个不同的风险评估模型。常规的单一模型在随时间不变或者缓慢变化的环境中一般具有较好的预测和控制效果，但是，随着外部宏观环境的变化和内部银行业务的发展，不同信贷风险评估模型的表现会随之发生变化，构建并结合多个子模型以形成一个强学习器将有助于达到“博采众长”的效果，取得较好的稳定性、预测精度和瞬态响应。

但在传统集成学习的范式中，无论是采用Bagging方法(例如，随机森林)还是Boosting方法(例如，Adaptive boosting-AdaBoost或者Gradient Boost DecisionTree)，常见的结合策略均为线性加权平均和投票法，往往存在以下缺陷：1.权重设置往往是人工设定，缺乏理论与数据的支撑；2.不同子模型的表现随时间有所波动，固定不变的权重设置无法快速且准确地对模型权重进行调整，往往会由于部分模型的失效导致总体模型的效果降低。

发明内容

本申请提供了一种权重确定模型训练方法、风险预测方法及装置，用于根据对应子模型的历史预测效果自动学习得到子模型的权重，进而为确定集成模型提供基础，从而能够提升集成模型预测效果的准确性。本申请采用的技术方案如下：

第一方面，提供了一种集成模型的子模型权重确定模型训练方法，包括：

确定子模型相对权重X

针对第t个时间窗口下的样本客户i，确定第k个子模型上的权重为

针对第t个时间窗，确定客户i的风险评估结果为

基于第(t-T)～t时间窗口的样本客户信息、各样本客户在各时间窗口的违约信息、各子模型第(t-T)～t时间窗口的预测表现Q

可选地，该方法包括：

采用极大似然法或者整体模型预测效果最优化方法确定权重计算中的参数β

可选地，该方法还包括：

在时间窗口t子模型M

可选地，预测表现包括以下至少一种指标：AUC、F1-score、KS、Accuracy。

可选地，该方法还包括：

针对第t个时间窗口，获取不同子模型k在过去(t-T

基于预设筛选条件确定当期K个有效子模型集合M

可选地，当预定的时间条件发生时，对参数β

第二方面，提供了一种风险预测方法，包括：

基于第一方面方法确定的子模型权重确定模型确定各目标子模型在相对权重值X

对客户i的目标子模型的相对权重进行归一化处理，得到客户i在第k个子模型在t时刻的权重

获取客户在各目标子模型输出的信用风险评分p

可选地，该方法包括：

获取客户i的客户信息与多个子模型的应用信息；

基于客户i的客户信息与多个子模型的应用信息，从多个子模型中确定与客户i匹配的目标子模型。

可选地，该方法包括：

获取客户i预定时期内在各子模型的AUC均值与波动值；

基于客户i在各子模型的AUC均值与波动值从多个子模型中确定与客户i匹配的目标子模型。

可选地，在时间窗口t子模型M

第三方面，提供了一种，包括：

第一确定模块，用于确定子模型相对权重X

第二确定模块，用于针对第t个时间窗口下的样本客户i，确定第k个子模型上的权重为

第三确定模块，用于针对第t个时间窗，确定客户i的风险评估结果为

训练确定模块，用于基于第(t-T)～t时间窗口的样本客户信息、各样本客户在各时间窗口的违约信息、各子模型第(t-T)～t时间窗口的预测表现为Q

可选地，该装置包括：

训练确定模块，具体用于采用极大似然法或者整体模型预测效果最优化装置确定权重计算中的参数β

可选地，在时间窗口t子模型M

可选地，预测表现包括以下至少一种指标：AUC、F1-score、KS、Accuracy。

可选地，该装置还包括：

第一获取模块，用于针对第t个时间窗口，获取不同子模型k在过去(t-T

纳入模块，用于基于预设筛选条件确定当期K个有效子模型集合(M

可选地，该装置还包括：

更新模块，用于当预定的时间条件发生时，对参数β

第四方面，提供了一种风险预测装置，该装置包括：

第四确定模块，用于基于权利要求1-6任一项方法确定的子模型权重确定模型确定各目标子模型在相对权重值X

归一化模块，用于对所述第四确定模块确定的客户i的目标子模型的相对权重进行归一化处理，得到客户i在第k个子模型在t时刻的权重

第二获取模块，用于获取客户在当期各子模型输出的信用风险评分p

可选地，该装置包括：

第三获取模块，用于获取客户i的客户信息与多个子模型的应用信息；

第五确定模块，用于基于客户i的客户信息与多个子模型的应用信息，从多个子模型中确定与客户i匹配的目标子模型。

可选地，包括：

第四获取模块，用于获取客户i预定时期内在各子模型的AUC均值与波动值；

第六确定模块，用于基于客户i在各子模型的AUC均值与波动值从多个子模型中确定与客户i匹配的目标子模型。

可选地，在时间窗口t子模型M

第五方面，提供了一种电子设备，该电子设备包括：

一个或多个处理器；

存储器；

一个或多个应用程序，其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序配置用于：执行第一方面和/或第二方面所示的方法。

第六方面，提供了一种计算机可读存储介质，计算机存储介质用于存储计算机指令，当其在计算机上运行时，使得计算机可以执行第一方面和/或第二方面所示的方法。

本申请提供了一权重确定模型训练方法、风险预测方法及装置，本申请通过确定子模型相对权重X

本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请实施例的一种集成模型的子模型权重确定模型训练方法的流程示意图；

图2为本申请实施例的风险预测方法的流程示意图；

图3为本申请实施例的集成模型的子模型权重确定模型训练装置的结构示意图；

图4为本申请实施例的风险预测装置的结构示意图；

图5为本申请实施例的一种电子设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，各实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

实施例一

本申请实施例提供了一种集成模型的子模型权重确定模型训练方法，如图1所示，该方法可以包括以下步骤：

第一方面，提供了一种集成模型的子模型权重确定模型训练方法，包括：

步骤S101，确定子模型相对权重X

步骤S102，针对第t个时间窗口下的样本客户i，确定第k个子模型上的权重为

步骤S103，针对第t个时间窗，确定客户i的风险评估结果为

步骤S104，基于第(t-T)～t时间窗口的样本客户信息、各样本客户在各时间窗口的违约信息(即定义的风险评估结果)、各子模型第(t-T)～t时间窗口的预测表现为Q

本申请实施例提供了一权重确定模型训练方法，本申请通过确定子模型相对权重X

可选地，该方法包括：

采用极大似然法或者整体模型预测效果最优化方法确定权重计算中的参数β

可选地，该方法还包括：

在时间窗口t子模型M

可选地，预测表现包括以下至少一种指标：AUC、F1-score、KS、Accuracy；具体的还可以是R-square等回归任务下的评价指标。

可选地，该方法还包括：

针对第t个时间窗口，获取不同子模型k在过去(t-T

基于预设筛选条件确定当期K个有效子模型集合M

可选地，当预定的时间条件发生时，对参数β

示例性地，以小微企业贷前申请为实施例，基于多个风险评估模型构建贷前申请风险评估组合模型，模型训练过程主要包括如下步骤：

获取过去一年的小微企业申贷债项数据，各债项在申请时间点在不同风险评估模型(如企业结算风险模型、企业征信评估模型、企业财务风险模型、企业基础评价模型、企业税务评估模型等等)上的风险评分，以及各子模型在过去一年每个月的预测表现AUC值(Q

计算每个子模型在过去一年的AUC均值与波动值，将均值低于0.7或波动值高于0.05的子模型剔除，剩余模型放入模型备选池，其中，具体的数值可以根据具体情况设定，此处仅是示例性地；

本实施例中定义在时间窗口t子模型M

对每个债项i与该债项的申请时间t，计算其在第k个子模型上的权重为

基于债项的风险评估结果与每个债项最终的实际违约情况，以最大化训练集模型的AUC为目标，计算当期模型参数[β

实施例二

本申请实施例提供了一种风险预测方法，该方法包括：

步骤S201,基于预训练的子模型权重确定模型确定各目标子模型在相对权重值X

步骤S202,对客户i的目标子模型的相对权重进行归一化处理，得到客户i在第k个子模型在t时刻的权重

步骤S203,获取客户在当期各子模型输出的信用风险评分p

可选地，该方法包括：

获取客户i的客户信息与多个子模型的应用信息；具体地，各个子模型有其对应的应用领域信息，可以根据客户信息确定对应的匹配的领域，然后确定对应的子模型。

基于客户i的客户信息与多个子模型的应用信息，从多个子模型中确定与客户i匹配的目标子模型。

可选地，该方法包括：

获取客户i预定时期内在各子模型的AUC均值与波动值；

基于客户i在各子模型的AUC均值与波动值从多个子模型中确定与客户i匹配的目标子模型。其中，AUC是在机器学习领域中是一种模型评估指标，AUC(area under thecurve)是ROC曲线下的面积。

可选地，在时间窗口t子模型M

示例性地，模型应用方面，风险预测的主要步骤包括：

考虑到业务对模型参数稳定性的需求，模型参数[β

在确定了模型参数的情况下，获取当前客户在各子模型上的风险评估结果与各子模型上个月的AUC值；

基于上个月子模型AUC值与集成模型参数计算每个子模型的相对权重；

基于该客户的有效子模型权重，计算客户最终的风险评估结果，并输出结果。

本申请提供了一权重确定模型训练方法，本申请通过获取客户i在目标子模型输出的信用风险评分p

实施例三

本申请实施例提供了一种集成模型的子模型权重确定模型训练装置，包括：

第一确定模块301，用于确定子模型相对权重X

第二确定模块302，用于针对第t个时间窗口下的样本客户i，确定第k个子模型上的权重为

第三确定模块303，用于针对第t个时间窗，确定客户i的风险评估结果为

训练确定模块304，用于基于第(t-T)～t时间窗口的样本客户信息、各样本客户在各时间窗口的违约信息、各子模型第(t-T)～t时间窗口的预测表现为Q

可选地，该装置包括：

训练确定模块，具体用于采用极大似然法或者整体模型预测效果最优化装置确定权重计算中的参数β

可选地，在时间窗口t子模型M

可选地，预测表现包括以下至少一种指标：AUC、F1-score、KS、Accuracy。

可选地，该装置还包括：

第一获取模块，用于针对第t个时间窗口，获取不同子模型k在过去(t-T

纳入模块，用于基于预设筛选条件确定当期K个有效子模型集合(M

可选地，该装置还包括：

更新模块，用于当预定的时间条件发生时，对参数β

本申请实施例的装置的有益效果与实施例一所示的方法相似，在此不再赘述。

实施例四

本申请实施例提供了一种风险预测装置40，该装置40包括：

第四确定模块402，用于基于权利要求1-6任一项方法确定的子模型权重确定模型确定各目标子模型在相对权重值X

归一化模块403，用于对所述第四确定模块确定的客户i的目标子模型的相对权重进行归一化处理，得到客户i在第k个子模型在t时刻的权重

第二获取模块404，用于获取客户在当期各子模型输出的信用风险评分p

可选地，该装置包括：

第三获取模块，用于获取客户i的客户信息与多个子模型的应用信息；

第五确定模块，用于基于客户i的客户信息与多个子模型的应用信息，从多个子模型中确定与客户i匹配的目标子模型。

可选地，包括：

第四获取模块，用于获取客户i预定时期内在各子模型的AUC均值与波动值；

第六确定模块，用于基于客户i在各子模型的AUC均值与波动值从多个子模型中确定与客户i匹配的目标子模型。

可选地，在时间窗口t子模型M

本申请实施例的装置的有益效果与实施例二所示的方法相似，在此不再赘述。

实施例五

本申请实施例提供了一种电子设备，如图5所示，图5所示的电子设备50包括：处理器501和存储器505。其中，处理器501和存储器503相连，如通过总线502相连。进一步地，电子设备50还可以包括收发器503。需要说明的是，实际应用中收发器504不限于一个，该电子设备50的结构并不构成对本申请实施例的限定。其中，处理器501应用于本申请实施例中，用于实现图3或4所示模块的功能。收发器504包括接收机和发射机。

处理器501可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器501也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线502可包括一通路，在上述组件之间传送信息。总线502可以是PCI总线或EISA总线等。总线502可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器505可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

存储器505用于存储执行本申请方案的应用程序代码，并由处理器501来控制执行。处理器501用于执行存储器505中存储的应用程序代码，以实现图3或图4所示实施例提供的装置的功能。

本申请实施例提供了一种电子设备，与现有技术凭借先验知识或简单的线性加权确定模型权重相比，本申请根据对应子模型的历史预测效果自动学习得到子模型的权重，进而为确定集成模型提供基础，从而能够提升集成模型预测效果的准确性；此外，对子模型的相对权重进行归一化处理，从而使得各个子模型都能发挥相应的作用，避免某一子模型的相对权重过大或某一子模型的权重过小，而使得相应的子模型发挥的作用太大或不发挥作用。

本申请实施例提供了一种电子设备适用于上述方法实施例。在此不再赘述。

实施例六

本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述实施例中所示的方法。

本申请实施例提供了一种计算机可读存储介质，与现有技术凭借先验知识或简单的线性加权确定模型权重相比，本申请根据对应子模型的历史预测效果自动学习得到子模型的权重，进而为确定集成模型提供基础，从而能够提升集成模型预测效果的准确性；此外，对子模型的相对权重进行归一化处理，从而使得各个子模型都能发挥相应的作用，避免某一子模型的相对权重过大或某一子模型的权重过小，而使得相应的子模型发挥的作用太大或不发挥作用。

本申请实施例提供了一种计算机可读存储介质适用于上述方法实施例。在此不再赘述。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。