(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 202210367094.0 (22)申请日 2022.04.08 (71)申请人 深圳微言科技有限责任公司 地址 518049 广东省深圳市福田区梅林街 道孖岭社区凯丰 路10号翠林大厦13层 1305、 1306、 1307、 1308室 (72)发明人 韩彧　苏树清　 (74)专利代理 机构 北京睿智保诚专利代理事务 所(普通合伙) 11732 专利代理师 韩迎之 (51)Int.Cl. G06Q 40/02(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 信贷风险预测模型的训练方法及系统 (57)摘要 本发明公开了一种信贷风险预测模型的训 练方法及系统， 涉及信贷风险领域。 本发明包括 以下步骤： 获取经济数据样本， 经济数据样本包 括宏观经济状况， 金融机构状况以及信贷者经济 状况； 将经济数据样本分为训练样本和测试样 本； 将训练样本输入到预先建立的BP神经网络 中， 对BP神经网络进行训练， 得到第一信贷风险 预测模型； 将测试样本输入到所述第一信贷风险 预测模型中， 对所述第一信贷风险预测模型测 试， 并利用损失函数对所述第一信贷风险预测模 型校正， 得到信贷风险预测模型。 本发明通过建 立银行不良信贷风险评估模型， 根据银行不良信 贷风险评估指数公式对银行中各个不良信贷指 标进行优化处理， 从而 得到海量数据下的银行不 良信贷风险评估结果。 权利要求书1页 说明书4页 附图1页 CN 114638696 A 2022.06.17 CN 114638696 A 1.一种信贷风险预测模型的训练方法， 其特 征在于， 包括以下步骤： 获取经济数据样本， 所述经济数据样本包括宏观经济状况， 金融机构状况以及信贷者 经济状况； 将经济数据样本分为训练样本和 测试样本； 将训练样本输入到预先建立的BP神经网络中， 对BP神经网络进行训练， 得到第一信贷 风险预测模型； 将测试样本输入到所述第一信贷风险预测模型中， 对所述第一信贷风险预测模型测 试， 并利用损失函数对所述第一信贷风险预测模型 校正， 得到信贷风险预测模型。 2.根据权利要求1所述的一种信贷风险预测模型的训练方法， 其特征在于， 还包括对经 济数据样本进行多维信息衍生， 并利用模糊评价模型对衍生出的多维信息进行评价， 并挑 选符合预 先设定阈值的多维信息 。 3.根据权利要求2所述的一种信贷风险预测模型的训练方法， 其特征在于， 把衍生出的 多维信息做WOE转换后， 当作新的衍 生变量放入到经济数据样本中。 4.根据权利要求1所述的一种信贷风险预测模型的训练方法， 其特征在于， 对所述经济 数据样本的关联数据进行预处理， 并基于所述资源描述框架， 自预处理后的经济数据样本 的关联数据中抽取经济数据样本的实体三元组数据， 以建立新的经济数据样本的知识图谱 或更新预存 储的经济数据样本知识图谱， 并将知识图谱作为训练样本和 测试样本 。 5.根据权利要求1所述的一种信贷风险预测模型的训练方法， 其特征在于， 还包括利用 RS理论和BP神经网络共同构建第一信贷风险预测模型。 6.根据权利要求1所述的一种信贷风险预测模型的训练方法， 其特征在于， 所述损失函 数采用权 重交叉熵损失函数， 以调整权 重。 7.根据权利要求1所述的一种信贷风险预测模型的训练方法， 其特征在于， 将经济数据 样本分为两 部分， 其中， 70％为训练样本， 3 0％为测试样本 。 8.一种信贷风险预测模型的训练系统， 其特 征在于， 包括： 样本获取模块： 用于获取经济数据样本， 所述经济数据样本包括宏观经济状况， 金融机 构状况以及信贷者经济状况； 样本分类模块： 用于将经济数据样本分为训练样本和 测试样本； 训练模块： 用于将训练样本输入到预先建立的BP神经网络中， 对BP神经网络进行训练， 得到第一信贷风险预测模型； 信贷风险预测模型校正模块： 将测试样本输入到所述第一信贷风险预测模型中， 对所 述第一信贷风险预测模型测试， 并利用损失函数对所述第一信贷风险预测模型校正， 得到 信贷风险预测模型。权　利　要　求　书 1/1 页 2 CN 114638696 A 2信贷风险预测模型的训练方 法及系统 技术领域 [0001]本发明涉及信贷风险领域， 更具体的说是涉及信贷风险预测模型的训练方法及系 统。 背景技术 [0002]随着现代经济 的发展， 银行是金融业的主要实体， 银行业的稳定影响着整个社会 的稳定。 信贷风险在银行经营中不可回避， 它使得商业银行面临信贷资产损失的可能。 银行 信贷风险管理要求对风险尽早识别， 为管理层在决策阶段获得主动性， 从而降低不良贷款 发生率， 减少信贷资产损失。 [0003]利用传统算法进行海量数据下的银行不良信贷风险评估过程中， 由于不良信贷风 险的影响因素具有海量性、 冗余性， 无法根据银行在经营中产生的海量数据信息对银行不 良信贷风险进行准确的评估。 因此， 如何解决上述问题是本领域 技术人员亟需解决的。 发明内容 [0004]有鉴于此， 本发明提供了一种信贷风险预测模型的训练方法及系统， 以解决背景 技术中存在的问题。 [0005]为了实现上述目的， 本发明采用如下技 术方案： [0006]一种信贷风险预测模型的训练方法， 包括以下步骤： [0007]获取经济数据样本， 所述经济数据样本包括宏观经济状况， 金融机构状况以及信 贷者经济状况； [0008]将经济数据样本分为训练样本和 测试样本； [0009]将训练样本输入到预先建立 的BP神经网络中， 对BP神经网络进行训练， 得到第一 信贷风险预测模型； [0010]将测试样本输入到所述第一信贷风险预测模型中， 对所述第一信贷风险预测模型 测试， 并利用损失函数对所述第一信贷风险预测模型 校正， 得到信贷风险预测模型。 [0011]可选的， 还包括对经济数据样本进行多维信息衍生， 并利用模糊评价模型对衍生 出的多维信息进行评价， 并挑选符合预 先设定阈值的多维信息 。 [0012]以上技术方案具有以下有益效果： [0013]通过模糊评价模型科学客观地评估信贷者的状况， 避免商业银行放贷的盲 目性， 加强商业银 行信贷资产管控和预防不良贷款的能力。 [0014]可选的， 把衍生出的多维信息做WOE转换后， 当作新的衍生变量放入到经济数据样 本中。 [0015]可选的， 对所述经济数据样本的关联数据进行预处理， 并基于所述资源描述框架， 自预处理后的经济数据样本的关联数据中抽取经济数据样本的实体三元组数据， 以建立新 的经济数据样本的知识图谱或更新预存储的经济数据样本知识图谱， 并将知识图谱作为训 练样本和 测试样本 。说　明　书 1/4 页 3 CN 114638696 A 3