风险评估方法、装置、存储介质及电子设备与流程

1.本技术涉及金融科技领域，具体而言，涉及一种风险评估方法、装置、存储介质及电子设备。


背景技术：

2.随着信用卡业务的不断发展，为了推进信用卡业务良性发展，信用卡贷后风险控制愈加显著，对信用卡贷后风险的识别与预警显得愈加地突出，贷后还款异常行为的监控与管理需要适应发展要求，对大量样本数据中的极少部分“目标数据”进行早期标识，有助于风险预判并采取有效措施干预。但是，目前与其相关的风险预警不能全面的识别并降低风险，尤其在对信用卡贷后数据特征的选取上，不能有效的识别信用卡贷后特征或者对信用卡贷后特征提取比较片面，信用卡贷后风险评估准确性较差。
3.针对相关技术中在进行信用卡贷后风险评估方法存在的贷后风险识别不全面且评估准确性低的问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本技术的主要目的在于提供一种风险评估方法、装置、存储介质及电子设备，以解决相关技术中在进行信用卡贷后风险评估方法存在的贷后风险识别不全面且评估准确性低的问题。
5.为了实现上述目的，根据本技术的一个方面，提供了一种风险评估方法。该方法包括：获取目标账户的信用卡交易特征数据，其中，上述信用卡交易特征数据包括上述目标账户完成一笔贷款交易预定时长后，n个交易特征分别对应的第一特征数据，其中，n为大于或等于1的整数；确定上述n个交易特征分别对应的权重值；基于上述n个交易特征分别对应的第一特征数据，采用预先训练好的目标评分模型，得到上述n个交易特征分别对应的评分值，其中，上述目标评分模型是基于n个交易特征分别对应的历史特征数据和历史特征评分，采用梯度提升决策树模型训练得到的；根据上述n个交易特征分别对应的评分值，以及上述n个交易特征分别对应的权重值，得到上述目标账户的贷后风险评估结果。
6.为了实现上述目的，根据本技术的另一方面，提供了一种风险评估装置。该装置包括：获取模块，用于获取目标账户的信用卡交易特征数据，其中，上述信用卡交易特征数据包括上述目标账户完成一笔贷款交易预定时长后，n个交易特征分别对应的第一特征数据，其中，n为大于或等于1的整数；确定模块，用于确定上述n个交易特征分别对应的权重值；特征评分模块，用于基于上述n个交易特征分别对应的第一特征数据，采用预先训练好的目标评分模型，得到上述n个交易特征分别对应的评分值，其中，上述目标评分模型是基于n个交易特征分别对应的历史特征数据和历史特征评分，采用梯度提升决策树模型训练得到的；风险评估模块，用于根据上述n个交易特征分别对应的评分值，以及上述n个交易特征分别对应的权重值，得到上述目标账户的贷后风险评估结果。
7.为了实现上述目的，根据本技术的另一方面，还提供了一种非易失性存储介质，上
述非易失性存储介质存储有多条指令，上述指令适于由处理器加载并执行任意一项上述的风险评估方法。
8.为了实现上述目的，根据本技术的另一方面，还提供了一种电子设备，包括一个或多个处理器和存储器，上述存储器用于存储一个或多个程序，其中，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现任意一项上述的风险评估方法。
9.通过本技术，采用以下步骤：获取目标账户的信用卡交易特征数据，其中，上述信用卡交易特征数据包括上述目标账户完成一笔贷款交易预定时长后，n个交易特征分别对应的第一特征数据，其中，n为大于或等于1的整数；确定上述n个交易特征分别对应的权重值；基于上述n个交易特征分别对应的第一特征数据，采用预先训练好的目标评分模型，得到上述n个交易特征分别对应的评分值，其中，上述目标评分模型是基于n个交易特征分别对应的历史特征数据和历史特征评分，采用梯度提升决策树模型训练得到的；根据上述n个交易特征分别对应的评分值，以及上述n个交易特征分别对应的权重值，得到上述目标账户的贷后风险评估结果，达到了通过为不同的交易特征赋予不同的权重值，区分不同交易特征对于贷后风险的影响程度，以使得获取到的贷后风险评估结果更加准确可靠的目的，解决了相关技术中在进行信用卡贷后风险评估方法存在的贷后风险识别不全面且评估准确性低的问题。进而达到了提升用户信用卡贷后风险评估准确性和全面性的效果。
附图说明
10.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
11.图1是根据本技术实施例提供的风险评估方法的流程图；以及
12.图2是根据本技术实施例的一种可选的基于时间滑动窗口进行输入样本集合划分示意图；
13.图3是根据本技术实施例的一种可选的风险评估方法的流程图；
14.图4是根据本技术实施例的一种可选的交易特征评分结果示意图；
15.图5是根据本技术实施例的另一种可选的在线风险评估装置示意图；
16.图6是根据本技术实施例的风险评估装置的示意图；
17.图7是根据本技术实施例提供的电子设备的示意图。
具体实施方式
18.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
19.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
20.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第
二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
21.需要说明的是，本技术所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。例如，本系统和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取相关信息。
22.下面结合优选的实施步骤对本技术进行说明，图1是根据本技术实施例提供的风险评估方法的流程图，如图1所示，该方法包括如下步骤：
23.步骤s101，获取目标账户的信用卡交易特征数据，其中，上述信用卡交易特征数据包括上述目标账户完成一笔贷款交易预定时长后，n个交易特征分别对应的第一特征数据，其中，n为大于或等于1的整数。
24.可选的，通过以下方式获取目标账户的信用卡交易特征数据：获取目标账户的信用卡交易关联数据，其中，上述信用卡交易关联数据可以是实时采集到的，也可以是预先获取到的；对上述信用卡交易关联数据进行特征提取处理，得到的n个交易特征分别对应的第一特征数据作为目标账户的信用卡交易特征数据。
25.可选的，上述n个交易特征是从k个交易特征中筛选出来的对账户的信用卡贷后风险评估结果影响较大的交易特征。
26.在一种可选的实施例中，在上述获取目标账户的信用卡交易特征数据之前，上述方法还包括：获取第一样本数据集，其中，上述第一样本数据集包括m个账户分别在完成一笔贷款交易的上述预定时长后，对应的k个交易特征的历史特征数据，以及上述m个账户分别对应的贷后风险评估结果，其中，m为大于或等于1的整数，k为大于n的整数；基于上述第一样本数据集，采用主成分分析方法，得到上述k个交易特征分别对应的相关系数，其中，相关系数用于指示对应的交易特征与贷后风险评估结果之间的关联程度；根据上述k个交易特征分别对应的相关系数，从上述k个交易特征中确定出上述n个交易特征。
27.可选的，上述预订时长是基于账户完成一笔带宽交易的时间与还款期限确定的，例如，将账户完成一笔带宽交易的时间与距离还款期限前一个月的时间对应的时长确定为预定时长。
28.可选的，通过对m个账户的信用卡交易关联数据进行特征提取处理，例如，剔除交易地址、交易时间等与信用卡信贷风险无关的数据，得到的账户资产状况，历史违约次数，账单期数，未还款期数、债务情况、个人转账交易明细(转账交易)、个人消费交易(消费交易)、申请信用卡记录、借贷交易等数据构成第一样本数据集合。通过对m个账户的信用卡交易关联数据进行特征提取，将得到的m个账户对应的k个交易特征的历史特征数据作为第一样本数据集，上述k个交易特征可以但不限于包括：账户总资产、总负债、年龄、最大单笔交易数额、三个月平均负债、三个月平均资产、信用卡总透支、年收入、贷款总额、持有债券价值、违约次数、工作行业、平均月交易次数等等。
29.可选的，上述m个账户的信用卡交易关联数据是通过对多个账户对应的信用卡交易关联数据中筛选出来的，例如，只选取近三年历史数据、活跃交易信用卡账户，剔除多个账户中信用卡状态异常账户数据，进一年未进行信用卡刷卡行为的账户数据，存在异常交易行为账户，得到m个账户。
30.可选的，在确定m个账户对应的k个交易特征的历史特征数据中存在缺失数据，并且数据缺失率大于预设比例(如50％)的情况下，采用插补法对存在的缺失数据(如金额数据等)进行填补，其中，上述插值法可以但不限于为均值插补、众数插补等。
31.可选的，对于k个交易特征的历史特征数据中的部分交易特征(如违约次数、信用卡总透支、年龄等收较为分散的特征)，通过缩放的形式进行预处理，以使得更好的对特征数据进行归类，例如，表1至表3分别示出了约次数、信用卡总透支、年龄的缩放形式。
32.表1
33.违约次数表示含义转换值0次违约0次0大于0次小于等于3次违约大于0次小于等于3次1大于3次小于6次违约大于3次小于6次2大于等于3次违约大于等于3次3
34.表2
35.信用卡总透支表示含义转换值小于等于1000总透支小于等于1000500大于1000小于等于5000总透支大于1000小于等于50003000大于5000小于10000总透支大于5000小于100007500大于10000小于等于30000总透支大于10000小于等于3000020000大于30000总透支大于3000030000
36.表3
37.年龄表示含义转换值小于等于20年龄小于等于2020大于20小于等于30年龄大于20小于等于3025大于30小于40年龄大于30小于4035大于40小于等于50年龄大于40小于等于5045大于50年龄大于5055
38.可以理解，基于信用卡交易关联数据提取到的交易特征有多种，但是各交易特征对信用卡贷后风险评估结果的影响程度并不相同，并且较多无关交易特征的存在可能会对信用卡贷后风险评估结果造成一定的干扰，进而使得信用卡贷后风险评估结果不准确。基于此，采用主成分分析方法从众多的交易特征中预先筛选出对信用卡贷后风险评估结果影响较大的k个交易特征，基于k各交易特征进行信用卡贷后风险评估，以使得获取到的贷后风险评估结果更加准确可靠。
39.需要说明的是，基于主成分分析方法获取到的相关系数的大小能够反映出各交易特征与贷后风险评估结果之间的关联程度，相关系数越大，则表明对贷后风险评估结果的
影响程度越大，通过以上方式，能够客观分析出各交易特征对贷后风险评估结果的影响程度，进而可以筛选出与信用卡贷后风险评估结果关联性最高的k个交易特征为。
40.在一种可选的实施例中，上述基于上述第一样本数据集，采用主成分分析方法，得到上述k个交易特征分别对应的相关系数，包括：对上述k个交易特征进行融合处理，得到l个融合特征，其中，l为大于或等于1的整数；按照上述l个融合特征对上述第一样本数据集中包括的特征数据进行融合处理，得到第二样本数据集；基于上述第一样本数据集和上述第二样本数据集，采用上述主成分分析方法，得到上述k个交易特征分别对应的相关系数，以及上述l个融合特征分别对应的相关系数。
41.可选的，上述对上述k个交易特征进行融合处理，包括：对k个交易特征中的x个交易特征进行融合处理，得到l个融合特征，其中x为大于或等于2的整数，k小于或等于k；还可以依次对k个交易特征中的2个，3个，4个，
…
，k个进行融合处理，得到l个融合特征。
42.在一种可选的实施例中，上述根据上述k个交易特征分别对应的相关系数，从上述k个交易特征中确定出上述n个交易特征，包括：根据上述k个交易特征分别对应的相关系数，以及上述l个融合特征分别对应的相关系数，从上述k个交易特征和上述l个融合特征中确定出上述n个交易特征。
43.可以理解，在一些情况下，多个交易特征组合对贷后风险评估结果的影响程度可能到大于单个交易特征对贷后风险评估结果的影响程度，例如，信用卡总透支和年收入组合对贷后风险评估结果的影响程度可能会大于信用卡总透支或年收入组合对贷后风险评估结果的影响程度。基于此，在进行交易特征选取时，将多个交易特征的组合(即融合特征)纳入交易特征的筛选范围，以使得筛选出的交易特征更加准确全面可靠。
44.步骤s102，确定上述n个交易特征分别对应的权重值。
45.在一种可选的实施例中，上述确定上述n个交易特征分别对应的权重值，包括：获取上述n个交易特征分别对应的相关系数；对上述n个交易特征分别对应的相关系数进行求和处理，得到第一求和结果；计算上述n个交易特征分别对应的相关系数占上述第一求和结果的比重，得到上述n个交易特征分别对应的权重值。
46.可选的，采用主成分分析方法得到的n个交易特征分别对应的相关系数对应的数值较小，可能导致取法较好的突出n个交易特征分别对贷后风险评估结果的影响程度。基于此，重新对n个交易特征分别对应的相关系数进行归一化计算，即分别计算每一个交易特征的相关系数占n个交易特征分别对应的相关系数总和的比重，得到n个交易特征分别对应的权重值，由此更好的突出n个交易特征分别对贷后风险评估结果的影响程度。
47.步骤s103，基于上述n个交易特征分别对应的第一特征数据，采用预先训练好的目标评分模型，得到上述n个交易特征分别对应的评分值，其中，上述目标评分模型是基于n个交易特征分别对应的历史特征数据和历史特征评分，采用梯度提升决策树模型训练得到的。
48.在一种可选的实施例中，在上述基于上述n个交易特征分别对应的第一特征数据，采用预先训练好的目标评分模型，得到上述n个交易特征分别对应的评分值之前，上述方法还包括：基于预设的时间滑动窗口，从上述n个交易特征分别对应的历史特征数据和历史特征评分中确定出输入样本集合，得到p个输入样本集合，其中，p为大于或等于1的整数；将上述p个输入样本集合中，预设第一数量的输入样本集合作为训练集数据，预设第二数量的输
入样本集合作为验证集数据；按照上述p个输入样本集合对应的时间顺序，将上述预设第一数量的输入样本集合依次输入至上述梯度提升决策树模型进行训练，得到训练后的梯度提升决策树模型；按照上述时间顺序将上述预设第二数量的输入样本集合依次输入至上述训练后的梯度提升决策树模型进行验证，在验证通过的情况下将上述训练后的梯度提升决策树模型作为上述目标评分模型。
49.可选的，上述时间滑动窗口用于指示单词模型输入数据的时间维度和数据量。以上述时间滑动窗口为2个月为例，在模型训练的过程中，以2个月时长内的数据作为一个输入样本集合。需要说明的是，信用卡贷后风险评估结果会受到时间因素的影响，即贷后风险随着时间的推移通常会呈现出一定的规律性，通过以上方式，以预定时段内的特征数据和对应的特征评分作为模型输入数据，在模型训练的过程中融入时间因素，由此训练好的目标评分模型更能突出贷后风险的时间特性。
50.可以理解，时间滑动窗口的时间维度是迭代的，即前一个时间滑动窗口与后一个时间滑动窗口在时间维度上有重叠，例如，对连续2个月时间内的数据作为一个基本窗口，1年时间分为11个窗口，对应得到11个输入样本集合。对12个月的n个交易特征分别对应的历史特征数据和历史特征评分按照以2个月为一个时间窗口进行数据集的划分，划分后的输入样本集合如图2所示。
51.可选的，上述梯度提升决策树模型的目标函数由两部分组成，一是模型误差，即样本真实值和预测值之间的差值，二是模型的结构误差，即正则项，用于限制模型的复杂度。
52.可选的，根据实际需要设定梯度提升决策树模型对应的树个数、树深度、学习率等参数，例如，设置树个数为50，树深度为6，学习率为0.30；或者设置树个数为80，树深度为6，学习率为0.30，此处不做具体限定。
53.可选的，模型训练过程包括模型训练和模型验证两个部分，将获取到的p个输入样本集合按照一定的比例划分为训练集数据和验证集数据，例如将p个输入样本集合中70％作为训练集数据，30％作为验证集数据，每次模型输入的数据维度为一个输入样本集合。首先基于70％作为训练集，30％作为验证集进行模型训练，得到训练后的梯度提升决策树模型；再通过30％的验证集数据进行模型验证，在训练后的梯度提升决策树模型验证通过的情况下，将训练后的梯度提升决策树模型作为目标评分模型。
54.可选的，上述对训练后的梯度提升决策树模型进行验证的方法可以有多种，例如，在模型预测评分与对应的实际评分之间的差值小于预设差值阈值的情况下，确定上述训练后的梯度提升决策树模型验证通过；或者基于模型预测评分与对应的实际评分，计算模型损失，并在上述模型损失满足预设损失条件的情况下，确定上述训练后的梯度提升决策树模型验证通过，具体验证方法此处不做具体限定。
55.步骤s104，根据上述n个交易特征分别对应的评分值，以及上述n个交易特征分别对应的权重值，得到上述目标账户的贷后风险评估结果。
56.在一种可选的实施例中，上述根据上述n个交易特征分别对应的评分值，以及上述n个交易特征分别对应的权重值，得到上述目标账户的贷后风险评估结果，包括：根据上述n个交易特征分别对应的评分值，以及上述n个交易特征分别对应的权重值，得到综合评分值；判断上述综合评分值是否大于预设评分阈值；在确定上述综合评分值大于上述预设评分阈值的情况下，确定上述贷后风险评估结果为上述目标账户存在预期还款风险。
57.可选的，通过目标评分模型能够得到n个交易特征分别对应的评分值，结合通过主成分分析方法获取到的n个交易特征分别对应的权重值，对n个交易特征分别对应的评分值进行加权计算，得到综合评分值，将综合评分值与相应的预设评分阈值作比较，若综合评分值大于上述预设评分阈值，则确定目标账户存在预期还款风险。
58.可以理解，n个交易特征分别对应的权重值能够反映出各交易特征对贷后风险的影响程度。通过以上方式，在进行综合评分值计算时，将各交易特征对贷后风险的影响程度考虑其中，由此获得的贷后风险评估结果更加准确全面可靠。
59.通过上述步骤s101至步骤s104，可以达到通过为不同的交易特征赋予不同的权重值，区分不同交易特征对于贷后风险的影响程度，以使得获取到的贷后风险评估结果更加准确可靠的目的，解决相关技术中在进行信用卡贷后风险评估方法存在的贷后风险识别不全面且评估准确性低的问题。进而达到提升用户信用卡贷后风险评估准确性和全面性的效果。
60.基于实施例和可选实施例，本技术提出一种可选实施方式，图3是根据本技术实施例的一种可选的风险评估方法的流程图，如图3所示，该方法主要包括，模型训练阶段和模型上线阶段，具体包括：
61.步骤s1，关键交易特征提取与权重值的确定。从与信用卡贷后风险相关的k个交易特征中筛选出n个与信用卡贷后风险相关性较大的n个交易特征，具体包括如下子步骤：
62.步骤s11，获取m个账户的信用卡交易关联数据，通过对m个账户的信用卡交易关联数据进行特征提取处理，剔除交易地址、交易时间等与信用卡信贷风险无关的数据，得到k个交易特征，以及k个交易特征分别对应的历史特征数据，其中，k个交易特征可以但不限于包括：账户总资产、总负债、年龄、最大单笔交易数额、三个月平均负债、三个月平均资产、信用卡总透支、年收入、贷款总额、持有债券价值、违约次数、工作行业、平均月交易次数等等；
63.步骤s12，将m个账户分别对应的k个交易特征分别对应的历史特征数据，以及m个账户分别对应的贷后风险评估结果作为第一样本数据集合，基于第一样本数据集合，以m个账户分别对应的贷后风险评估结果作为因变量，k个交易特征作为自变量，采用出成分分析方法，确定k个交易特征分别对应的相关系数，其中，相关系数用于指示交易特征与信用卡贷后风险的关联程度(即交易特征对信用卡贷后风险的影响程度)；
64.步骤s13，从k个交易特征中确定出相关系数最大的n个交易特征，获取n个交易特征分别对应的相关系数，根据n个交易特征分别对应的相关系数，重新计算n个交易特征分别对应的权重值，即分别计算每一个交易特征的相关系数占n个交易特征分别对应的相关系数总和的比重。
65.步骤s2，特征评分模型的确定。基于预设的时间滑动窗口，从n个交易特征分别对应的历史特征数据和历史特征评分中确定出输入样本集合，得到p个输入样本集合，其中，p为大于或等于1的整数；将p个输入样本集合中，预设第一数量的输入样本集合作为训练集数据，预设第二数量的输入样本集合作为验证集数据；按照p个输入样本集合对应的时间顺序，将预设第一数量的输入样本集合依次输入至梯度提升决策树模型进行训练，得到训练后的梯度提升决策树模型；按照时间顺序将预设第二数量的输入样本集合依次输入至训练后的梯度提升决策树模型进行验证，在验证通过的情况下将训练后的梯度提升决策树模型作为目标评分模型。
66.步骤s3，在线贷后风险评估。具体包括如下子步骤：
67.步骤s31，在线获取目标账户的信用卡交易关联数据，其中，信用卡交易关联数据可以是实时采集到的，也可以是预先获取到的；对信用卡交易关联数据进行特征提取处理，得到的n个交易特征分别对应的第一特征数据作为目标账户的信用卡交易特征数据；
68.步骤s32，基于n个交易特征分别对应的第一特征数据，采用预先训练好的目标评分模型，得到n个交易特征分别对应的评分值，对应的评分结果如图4所示，其中，目标评分模型是基于n个交易特征分别对应的历史特征数据和历史特征评分，采用梯度提升决策树模型训练得到的；
69.步骤s33，根据n个交易特征分别对应的评分值，以及n个交易特征分别对应的权重值，得到综合评分值；判断综合评分值是否大于预设评分阈值；在确定综合评分值大于预设评分阈值的情况下，确定贷后风险评估结果为目标账户存在预期还款风险，并基于贷后风险评估结果生成风险报告及预警名单。
70.基于实施例和可选实施例，本技术提出一种可选实施方式，图5是根据本技术实施例的另一种可选的在线风险评估装置示意图，如图5所示，该装置主要包括：实时交易行为数据获取模块、贷后风险评估模块、风险报告智能生成模块、风险客户跟踪模块四个阶段，具体的：
71.实时交易行为数据获取阶段模块，用于实时获取账户的个人交易行为数据，提取个人转账交易、个人消费交易、申请信用卡、借贷交易数据等n个交易特征对应的特征数据；
72.贷后风险评估模块，用于将n个交易特征对应的特征数据出入预先训练好的目标评分模型，得到n个交易特征分别对应的评分值，根据n个交易特征分别对应的评分值和预先确定好的权重值，得到账户的综合评分值，其中，权重值用于指示交易特征与信用卡贷后风险的关联程度；
73.风险报告智能生成模块，用于将综合评分值与预设评分阈值进行比较，若综合评分值大于预设评分阈值，则确定存在预期还款风险并生成风险报告；若综合评分值小于或等于预设评分阈值，则确定不存在预期还款风险，并继续进行检测；
74.风险客户跟踪模块，用于提取出存在预期风险的账户，生成对应的风险客户名单，并向存在预期风险的账户发出风险提示。
75.需要说明的是，本技术实施例中，通过主成分分析方法筛选得到的与信用卡贷后风险关联性较大的交易特征，并对这些交易特征进行日常监测，设定变化阈值，在每期还款日前的特定时间(如前三天)，取模型预估信用卡逾期得分较高的客户，通过短信等渠道提醒客户及时还款，并跟踪提醒后客户行为的变化，对于实际逾期3天以内的客户，进行人工外呼等方式催促还款，以此减少坏账风险。通过本技术实施例不仅可以将模型预估的逾期客户，进行跟踪，对有逾期风险的客户及时预警并做相应智能提醒，对已逾期但未超过3天的客户进行催促还款，减小客户由n1恶化的风险，及时通过短信或语音提醒其规范用卡，对于多次提醒仍然发生逾期的客户，需及时采取降额或取消用卡等措施，减少其经济资本占用量，及时止损，有效稳定资产质量。
76.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
77.本技术实施例还提供了一种风险评估装置，需要说明的是，本技术实施例的风险评估装置可以用于执行本技术实施例所提供的用于风险评估方法。以下对本技术实施例提供的风险评估装置进行介绍。
78.图6是根据本技术实施例的风险评估装置的示意图。如图6所示，该装置包括：获取模块600、确定模块602、特征评分模块604、风险评估模块606，其中，
79.上述获取模块600，用于获取目标账户的信用卡交易特征数据，其中，上述信用卡交易特征数据包括上述目标账户完成一笔贷款交易预定时长后，n个交易特征分别对应的第一特征数据，其中，n为大于或等于1的整数；
80.上述确定模块602，连接于上述获取模块600用于确定上述n个交易特征分别对应的权重值；
81.上述特征评分模块604，连接于上述确定模块602，用于基于上述n个交易特征分别对应的第一特征数据，采用预先训练好的目标评分模型，得到上述n个交易特征分别对应的评分值，其中，上述目标评分模型是基于n个交易特征分别对应的历史特征数据和历史特征评分，采用梯度提升决策树模型训练得到的；
82.上述风险评估模块606，连接于上述确定模块602，用于根据上述n个交易特征分别对应的评分值，以及上述n个交易特征分别对应的权重值，得到上述目标账户的贷后风险评估结果。
83.本技术中，通过设置上述获取模块600，用于获取目标账户的信用卡交易特征数据，其中，上述信用卡交易特征数据包括上述目标账户完成一笔贷款交易预定时长后，n个交易特征分别对应的第一特征数据，其中，n为大于或等于1的整数；上述确定模块602，连接于上述获取模块600用于确定上述n个交易特征分别对应的权重值；上述特征评分模块604，连接于上述确定模块602，用于基于上述n个交易特征分别对应的第一特征数据，采用预先训练好的目标评分模型，得到上述n个交易特征分别对应的评分值，其中，上述目标评分模型是基于n个交易特征分别对应的历史特征数据和历史特征评分，采用梯度提升决策树模型训练得到的；上述风险评估模块606，连接于上述确定模块602，用于根据上述n个交易特征分别对应的评分值，以及上述n个交易特征分别对应的权重值，得到上述目标账户的贷后风险评估结果，达到了通过为不同的交易特征赋予不同的权重值，区分不同交易特征对于贷后风险的影响程度，以使得获取到的贷后风险评估结果更加准确可靠的目的，解决了相关技术中在进行信用卡贷后风险评估方法存在的贷后风险识别不全面且评估准确性低的问题。进而达到了提升用户信用卡贷后风险评估准确性和全面性的效果。
84.需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；或者，上述各个模块以任意组合的方式位于不同的处理器中。
85.此处需要说明的是，上述获取模块600、确定模块602、特征评分模块604、风险评估模块606对应于实施例中的步骤s101至步骤s104，上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在计算机终端中。
86.需要说明的是，本实施例的可选或优选实施方式可以参见实施例中的相关描述，此处不再赘述。
87.上述风险评估装置包括处理器和存储器，上述单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
88.处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来(本技术的目的)。
89.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
90.本技术实施例提供了一种非易失性存储介质，其上存储有程序，该程序被处理器执行时实现上述风险评估方法。
91.本技术实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述风险评估方法。
92.如图7所示，本技术实施例提供了一种电子设备，该电子设备10包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取目标账户的信用卡交易特征数据，其中，上述信用卡交易特征数据包括上述目标账户完成一笔贷款交易预定时长后，n个交易特征分别对应的第一特征数据，其中，n为大于或等于1的整数；确定上述n个交易特征分别对应的权重值；基于上述n个交易特征分别对应的第一特征数据，采用预先训练好的目标评分模型，得到上述n个交易特征分别对应的评分值，其中，上述目标评分模型是基于n个交易特征分别对应的历史特征数据和历史特征评分，采用梯度提升决策树模型训练得到的；根据上述n个交易特征分别对应的评分值，以及上述n个交易特征分别对应的权重值，得到上述目标账户的贷后风险评估结果。本文中的设备可以是服务器、pc、pad、手机等。
93.本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取目标账户的信用卡交易特征数据，其中，上述信用卡交易特征数据包括上述目标账户完成一笔贷款交易预定时长后，n个交易特征分别对应的第一特征数据，其中，n为大于或等于1的整数；确定上述n个交易特征分别对应的权重值；基于上述n个交易特征分别对应的第一特征数据，采用预先训练好的目标评分模型，得到上述n个交易特征分别对应的评分值，其中，上述目标评分模型是基于n个交易特征分别对应的历史特征数据和历史特征评分，采用梯度提升决策树模型训练得到的；根据上述n个交易特征分别对应的评分值，以及上述n个交易特征分别对应的权重值，得到上述目标账户的贷后风险评估结果。
94.可选的，上述计算机程序产品还适于执行初始化有如下方法步骤的程序：获取第一样本数据集，其中，上述第一样本数据集包括m个账户分别在完成一笔贷款交易的上述预定时长后，对应的k个交易特征的历史特征数据，以及上述m个账户分别对应的贷后风险评估结果，其中，m为大于或等于1的整数，k为大于n的整数；基于上述第一样本数据集，采用主成分分析方法，得到上述k个交易特征分别对应的相关系数，其中，相关系数用于指示对应的交易特征与贷后风险评估结果之间的关联程度；根据上述k个交易特征分别对应的相关系数，从上述k个交易特征中确定出上述n个交易特征。
95.可选的，上述计算机程序产品还适于执行初始化有如下方法步骤的程序：对上述k个交易特征进行融合处理，得到l个融合特征，其中，l为大于或等于1的整数；按照上述l个
融合特征对上述第一样本数据集中包括的特征数据进行融合处理，得到第二样本数据集；基于上述第一样本数据集和上述第二样本数据集，采用上述主成分分析方法，得到上述k个交易特征分别对应的相关系数，以及上述l个融合特征分别对应的相关系数。
96.可选的，上述计算机程序产品还适于执行初始化有如下方法步骤的程序：根据上述k个交易特征分别对应的相关系数，以及上述l个融合特征分别对应的相关系数，从上述k个交易特征和上述l个融合特征中确定出上述n个交易特征。
97.可选的，上述计算机程序产品还适于执行初始化有如下方法步骤的程序：获取上述n个交易特征分别对应的相关系数；对上述n个交易特征分别对应的相关系数进行求和处理，得到第一求和结果；计算上述n个交易特征分别对应的相关系数占上述第一求和结果的比重，得到上述n个交易特征分别对应的权重值。
98.可选的，上述计算机程序产品还适于执行初始化有如下方法步骤的程序：基于预设的时间滑动窗口，从上述n个交易特征分别对应的历史特征数据和历史特征评分中确定出输入样本集合，得到p个输入样本集合，其中，p为大于或等于1的整数；将上述p个输入样本集合中，预设第一数量的输入样本集合作为训练集数据，预设第二数量的输入样本集合作为验证集数据；按照上述p个输入样本集合对应的时间顺序，将上述预设第一数量的输入样本集合依次输入至上述初始梯度提升决策树模型进行训练，得到训练后的梯度提升决策树模型；按照上述时间顺序将上述预设第二数量的输入样本集合依次输入至上述训练后的梯度提升决策树模型进行验证，在验证通过的情况下将上述训练后的梯度提升决策树模型作为上述目标评分模型。
99.可选的，上述计算机程序产品还适于执行初始化有如下方法步骤的程序：根据上述n个交易特征分别对应的评分值，以及上述n个交易特征分别对应的权重值，得到综合评分值；判断上述综合评分值是否大于预设评分阈值；在确定上述综合评分值大于上述预设评分阈值的情况下，确定上述贷后风险评估结果为上述目标账户存在预期还款风险。
100.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
101.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
102.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
103.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计
算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
104.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
105.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
106.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
107.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
108.本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
109.以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种风险评估方法，其特征在于，包括：获取目标账户的信用卡交易特征数据，其中，所述信用卡交易特征数据包括所述目标账户完成一笔贷款交易预定时长后，n个交易特征分别对应的第一特征数据，其中，n为大于或等于1的整数；确定所述n个交易特征分别对应的权重值；基于所述n个交易特征分别对应的第一特征数据，采用预先训练好的目标评分模型，得到所述n个交易特征分别对应的评分值，其中，所述目标评分模型是基于n个交易特征分别对应的历史特征数据和历史特征评分，采用梯度提升决策树模型训练得到的；根据所述n个交易特征分别对应的评分值，以及所述n个交易特征分别对应的权重值，得到所述目标账户的贷后风险评估结果。2.根据权利要求1所述的方法，其特征在于，在所述获取目标账户的信用卡交易特征数据之前，所述方法还包括：获取第一样本数据集，其中，所述第一样本数据集包括m个账户分别在完成一笔贷款交易的所述预定时长后，对应的k个交易特征的历史特征数据，以及所述m个账户分别对应的贷后风险评估结果，其中，m为大于或等于1的整数，k为大于n的整数；基于所述第一样本数据集，采用主成分分析方法，得到所述k个交易特征分别对应的相关系数，其中，相关系数用于指示对应的交易特征与贷后风险评估结果之间的关联程度；根据所述k个交易特征分别对应的相关系数，从所述k个交易特征中确定出所述n个交易特征。3.根据权利要求2所述的方法，其特征在于，所述基于所述第一样本数据集，采用主成分分析方法，得到所述k个交易特征分别对应的相关系数，包括：对所述k个交易特征进行融合处理，得到l个融合特征，其中，l为大于或等于1的整数；按照所述l个融合特征对所述第一样本数据集中包括的特征数据进行融合处理，得到第二样本数据集；基于所述第一样本数据集和所述第二样本数据集，采用所述主成分分析方法，得到所述k个交易特征分别对应的相关系数，以及所述l个融合特征分别对应的相关系数。4.根据权利要求3所述的方法，其特征在于，所述根据所述k个交易特征分别对应的相关系数，从所述k个交易特征中确定出所述n个交易特征，包括：根据所述k个交易特征分别对应的相关系数，以及所述l个融合特征分别对应的相关系数，从所述k个交易特征和所述l个融合特征中确定出所述n个交易特征。5.根据权利要求2所述的方法，其特征在于，所述确定所述n个交易特征分别对应的权重值，包括：获取所述n个交易特征分别对应的相关系数；对所述n个交易特征分别对应的相关系数进行求和处理，得到第一求和结果；计算所述n个交易特征分别对应的相关系数占所述第一求和结果的比重，得到所述n个交易特征分别对应的权重值。6.根据权利要求1所述的方法，其特征在于，在所述基于所述n个交易特征分别对应的第一特征数据，采用预先训练好的目标评分模型，得到所述n个交易特征分别对应的评分值之前，所述方法还包括：
基于预设的时间滑动窗口，从所述n个交易特征分别对应的历史特征数据和历史特征评分中确定出输入样本集合，得到p个输入样本集合，其中，p为大于或等于1的整数；将所述p个输入样本集合中，预设第一数量的输入样本集合作为训练集数据，预设第二数量的输入样本集合作为验证集数据；按照所述p个输入样本集合对应的时间顺序，将所述预设第一数量的输入样本集合依次输入至所述梯度提升决策树模型进行训练，得到训练后的梯度提升决策树模型；按照所述时间顺序将所述预设第二数量的输入样本集合依次输入至所述训练后的梯度提升决策树模型进行验证，在验证通过的情况下将所述训练后的梯度提升决策树模型作为所述目标评分模型。7.根据权利要求1至6中任意一项所述的方法，其特征在于，所述根据所述n个交易特征分别对应的评分值，以及所述n个交易特征分别对应的权重值，得到所述目标账户的贷后风险评估结果，包括：根据所述n个交易特征分别对应的评分值，以及所述n个交易特征分别对应的权重值，得到综合评分值；判断所述综合评分值是否大于预设评分阈值；在确定所述综合评分值大于所述预设评分阈值的情况下，确定所述贷后风险评估结果为所述目标账户存在预期还款风险。8.一种风险评估装置，其特征在于，包括：获取模块，用于获取目标账户的信用卡交易特征数据，其中，所述信用卡交易特征数据包括所述目标账户完成一笔贷款交易预定时长后，n个交易特征分别对应的第一特征数据，其中，n为大于或等于1的整数；确定模块，用于确定所述n个交易特征分别对应的权重值；特征评分模块，用于基于所述n个交易特征分别对应的第一特征数据，采用预先训练好的目标评分模型，得到所述n个交易特征分别对应的评分值，其中，所述目标评分模型是基于n个交易特征分别对应的历史特征数据和历史特征评分，采用梯度提升决策树模型训练得到的；风险评估模块，用于根据所述n个交易特征分别对应的评分值，以及所述n个交易特征分别对应的权重值，得到所述目标账户的贷后风险评估结果。9.一种非易失性存储介质，其特征在于，所述非易失性存储介质存储有多条指令，所述指令适于由处理器加载并执行权利要求1至7中任意一项所述的风险评估方法。10.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至7中任意一项所述的风险评估方法。

技术总结
本申请公开了一种风险评估方法、装置、存储介质及电子设备。涉及金融科技领域，该方法包括：获取目标账户的信用卡交易特征数据，其中，信用卡交易特征数据包括目标账户完成一笔贷款交易预定时长后，N个交易特征分别对应的第一特征数据；确定N个交易特征分别对应的权重值；基于N个交易特征分别对应的第一特征数据，采用基于梯度提升决策树模型训练得到的目标评分模型，得到N个交易特征分别对应的评分值；根据N个交易特征分别对应的评分值，以及N个交易特征分别对应的权重值，得到目标账户的贷后风险评估结果。通过本申请，解决了相关技术中在进行信用卡贷后风险评估方法存在的贷后风险识别不全面且评估准确性低的问题。后风险识别不全面且评估准确性低的问题。后风险识别不全面且评估准确性低的问题。


技术研发人员：张俊威 马潇俊 杨依宁 翁迎旭
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.05.25
技术公布日：2023/8/24