一种多维度的个人信用评价模型的生成方法

摘要

本发明涉及一种多维度的个人信用评价模型，包括确定用户主题，收集用户个人信用相关的样本数据，所述样本数据具体包括个人信用数据、个人金融数据和个人商业行为数据，并对样本数据进行预处理；从样本数据的特征值中提取构建个人信用指标体系所需要的数据；根据个人信用指标体系中指标的权重来计算信用评分，基于信用评分建立信用评价等级，构建信用评价模型；对所述信用评价模型的效果进行预测，并对实际效果进行检验。本发明能够为城市信用监管部门和信用服务机构对个人的信用评估提供更加准确、科学的决策信息。

说明书

技术领域

本发明涉及信用评估领域，尤其涉及一种多维度的个人信用评价模型的生成方法。

背景技术

随着中国社会信用体系的逐步建立，城市公共信用信息系统中个人信用信息记录也逐渐完善，因此构建一种科学合理的个人信用评价模型，能够对个人信用信息进行综合分析与评分评级，对信用等级高的市民提供更好的便民惠企服务，对信用等级低的市民则进行适度的联合惩戒和有效的信用监管，从而把个人信用转化可量化表达的指标，营造良好的营商环境与诚信守法社会。

信用评分模型是近年来兴起的一种为了保障银行和其他金融部门的金融安全而设立的一种关于人身金融权限的划定模型。该模型指根据客户的信用历史资料，利用一定的信用评分模型，得到不同等级的信用分数，根据客户的信用分数，来决定客户所可以持有的金额权限，从而保证还款等业务的安全性。目前，在国际金融领域已经存在多种较为成熟的个人信用评价模型，但因为中国社会信用体系建设起步较晚，信用评价模型不仅在国内金融界处于起步阶段，在公共信用领域的个人信用评价模型的研究更是匮乏，因此在快速发展的社会信用体系建设进程中，亟需建立一种客观科学个人信用评价模型对个人信用信息进行综合评估。

发明内容

为了克服现有技术的不足，本发明的目的在于提供一种信用评价模型的生成方法，能够更加准确、科学的评估个人信用。

本发明的目的采用以下技术方案实现：

一种多维度的个人信用评价模型的生成方法，包括以下步骤：

确定用户主题，收集用户个人信用相关的样本数据，所述样本数据具体包括个人信用数据、个人金融数据和个人商业行为数据，将样本数据分离为训练样本和保留样本；

从样本数据的特征值中提取构建个人信用指标体系所需要的数据；

根据个人信用指标体系中指标的权重来计算信用评分，基于信用评分建立信用评价等级，构建信用评价模型；

对所述信用评价模型的效果进行预测，并对实际效果进行检验。

进一步地，所述个人信用指标体系包括能力维度、意愿维度和行为模式维度。

进一步地，所述能力维度包括履行经济责任的能力及其可信任程度，所述意愿维度包括动机、目的、使命、愿景，所述行为模式维度包括性格、特质、习惯、自我认知。

进一步地，所述根据个人信用指标体系中指标的权重来计算信用评分具体包括：采用专家评分法和多层次矩阵分析法确定指标的权重，根据公式：W＝Q+S，确定信用评分，其中，W表示个人信用总分，Q表示基础指标得分，S表示附加指标得分。

进一步地，所述基础指标得分Q＝∑(T*P)，其中，T表示各大项指标总体得分，P表示本大项一级指标权重；所述附加指标得分S＝R1-R2，其中，R1表示个人因良好行为累积附加信用分，R2表示个人因非良好行为累积附加信用分。

进一步地，所述检验具体包括：保留样本和对比检验和K-S值检验。

相比现有技术，本发明的有益效果在于：通过对个人的人口特征、信用历史记录、行为记录、交易记录等大量数据进行系统的分析，针对不同的信用指标，科学的、合理的划分权重，计算信用分数，构造预测模型，以一个信用评分综合评估个人未来的信用表现，可以给城市信用监管部门和信用服务机构提供大量具有高度预测力的信息，帮助管理人员制定行之有效的管理策略和服务政策。

附图说明

图1为本发明实施例的一种多维度的个人信用评价模型的生成方法的流程示意图。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例：

参照图1，图1为本发明实施例方案涉及的多维度的个人信用评价模型的生成方法的流程示意图。

如图1所示，本发明实施例提供的个人信用评价模型的生成方法包括：

步骤S1:确定用户主题，收集用户个人信用相关的样本数据，所述样本数据具体包括个人信用数据、个人金融数据和个人商业行为数据，并对样本数据预处理。

具体的，在上述步骤中，首先需要确定模型所要评价的对象是哪一类用户主题，认真分析评价个人信用状况时所考虑的主要特征变量及数据库中所包含的变量，其次选择在一定观察期内的客户样本数据，样本数据来源来源于城市公共信息平台归集的个人信用数据、金融机构共享的个人金融数据、商业服务机构共享的个人商业行为数据，然后对收集到的样本数据进行处理，所述预处理为用户分类，分离训练样本和保留样本，剔除缺失严重的数据。

步骤S2：从样本数据的特征值中提取构建个人信用指标体系所需要的数据。

在本实施例中，基于个人公共信用信息，科学有效的构建个人信用指标体系，具体包括通过能力维度、意愿维度和行为模式维度三个维度来构建个人信用指标体系，所述能力维度包括履行经济责任的能力及其可信任程度，如文化程度、技术职称、岗位性质等指标数据；意愿维度包括动机、目的、使命/愿景，如志愿者服务、贫困地区支教、多次执行同一种守信或失信行为等指标数据；行为模式维度包括性格/特质、习惯、自我认知，如见义勇为、慈善捐赠、无偿献血等指标数据。

步骤S3:根据个人信用指标体系中指标的权重来计算信用评分，基于信用评分建立信用评价等级，构建信用评价模型；

在本步骤中，首先需要确定指标的权重和评分标准，本发明实施例采用专家评分法和多层次矩阵分析法，划分了每一级指标的权重和具体评分办法与标准，确定个人信用评价模型。多层次矩阵分析法是一种定性分析和定量分析相结合的多目标的决策分析方法，在权重确定中有广泛的应用。这一方法将复杂的问题按总目标、各层子目标等顺序分解为不同的组成要素，按支配关系将要素分层、分组，以形成有序的递阶层次结构；随后，在基础上，该方法通过两两比较的方式判断各层次中诸要素的重要性，并构造判断矩阵，通过求解判断矩阵的最大特征值与特征向量，以及归一化处理，求得每一层次的各元素对上一层次某元素的优先权重，最后再用递阶归并等方法确定最终权重。其次确定评价模型与计算方法。个人信用评价结果均依照对应的指标权重值进行计算，个人信用分总值W＝基础指标得分Q+附加指标得分S。

其中：基础指标得分Q＝∑(各大项二级指标总体得分T*本大项一级指标权重P)

附加指标得分S＝个人因良好行为累积附加信用分(加分)R1-个人因非良好行为累积附加信用分(减分)R2

步骤S4:对所述信用评价模型的效果进行预测，并对实际效果进行检验。

在建立个人信用评价模型后，开发人员需要评价模型的实际效果并对模型进行优化，努力降低模型的预测错误率，本发明主要采取两种方式进行检验：一是保留样本和对比检验；二是K-S值检验。具体的，关于保留样本对比检验：选取已获得的个人信用相关数据的保留样本，依据预设的个人信用评价模型分别计算了样本对象的信用得分和信用等级，并与政府公共信用管理系统内这些样本对象的真实信用等级进行比较分析。关于K-S值检验：也叫做拟合度检验法，将观测量的累积分布函数与某个确定的理论分布函数，如正态分布、指数分布等，进行相比较，来验证一个样本是否来自于某指定分布的样本，按绝对值计算两个分布函数之间最大的差异，确定K-S值，进而做出检验结果，通过上述两种验证方法能够对模型预测结果做出准确的检验。

以上，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。