(19)中华 人民共和国 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 202111327341.6 (22)申请日 2021.11.10 (71)申请人 中国建设银行股份有限公司 地址 100033 北京市西城区金融大街25号 (72)发明人 雷文烨　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 代理人 单冠飞 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 40/02(2012.01) G06N 20/00(2019.01) G06N 3/08(2006.01) (54)发明名称 一种客户贷款收益 率等级预测方法及系统 (57)摘要 本公开提出一种客户贷款收益率等级预测 方法及系统， 方法包括： 获取历史放款客户的客 户数据； 基于所述历史放款客户的客户数据建立 建模样本， 并计算历史放款客户的客户贷款收益 率等级， 基于所述建模样本和所述历史放款客户 的客户贷款收益率等级， 利用机器学习算法进行 拟合训练， 以建立客户贷款收益率等级预测模 型； 获取无额度客户的客户数据， 并根据所述无 额度客户的客户数据， 利用所述客户贷款收益率 等级预测模型预测所述无额度客户的客户贷款 收益率等级。 本公开的方法可以预测客户贷款收 益率等级且 预测准确度较高， 同时确保了银行的 贷款收益。 权利要求书4页 说明书9页 附图2页 CN 114154682 A 2022.03.08 CN 114154682 A 1.一种客户贷款收益 率等级预测方法， 其特 征在于， 所述方法包括： 获取历史放 款客户的客户数据； 基于所述历史放款客户的客户数据建立建模样本， 并计算历史放款客户的客户贷款收 益率等级， 基于所述建模样本和所述历史放款客户的客户贷款收益率等级， 利用机器学习 算法进行拟合训练， 以建立 客户贷款收益 率等级预测模型； 获取无额度客户的客户数据， 并根据所述无额度客户的客户数据， 利用所述客户贷款 收益率等级预测模型 预测所述无额度客户的客户贷款收益 率等级。 2.根据权利要求1所述的客户贷款收益率等级预测方法， 其特征在于， 所述获取历史放 款客户的客户数据， 包括： 获取历史放 款且到期后未逾期或逾期在预设时间内的客户数据。 3.根据权利要求1所述的客户贷款收益率等级预测方法， 所述基于所述历史放款客户 的客户数据建立建模样本， 包括： 对所述历史放 款客户的客户数据进行关联、 整合及清洗处 理， 得到有效数据集； 根据所述有 效数据集， 通过特征衍生得到适用于客户贷款收益率等级预测模型的衍生 特征； 对衍生特征进行特征筛选； 对筛选后的特 征进行预处理， 将预处 理后的特 征作为建模样本 。 4.根据权利要求3所述的客户贷款收益率等级预测方法， 其特征在于， 所述有效数据集 至少包括： 企业主的数据信息和企业的数据信息； 其中， 企业主的数据信息包括： 企业主的基础信 息、 信用卡信 息、 贷款信息及 资产信息； 企业主的数据信息包括： 企业的基础信息、 交易信息、 及负债信息 。 5.根据权利要求3所述的客户贷款收益率等级预测方法， 其特征在于， 所述根据 所述有 效数据集， 通过 特征衍生得到适用于客户贷款收益 率等级预测模型的衍 生特征， 包括： 对所述有效数据集进行透传处理、 统计聚合处理及特征交叉处理以进行特征衍生， 形 成所述衍生特征。 6.根据权利要求5所述的客户贷款收益 率等级预测方法， 其特 征在于， 所述透传处理包括： 对于有效数据集中属于数值型变量的数据且所述数据仅对应一个 数据值， 直接进行透传作为衍生特征； 对于有效数据集中属于分类型变量的数据进行类型 合并后透传为 衍生特征； 所述统计聚合处理包括： 对于有效数据集中的流水数据或明细类型的数据， 划分不同 的时间窗口并计算每个窗口内的统计变量， 以衍生出新的特征； 对于有效数据集中属于分 类型变量的数据， 计算所述分类型变量的数据对应类型 的出现次数及种类， 以衍生出新的 特征； 所述特征交叉处理包括： 将所述有效数据集中的不同类型的数据进行多维交叉以衍生 出新的特 征。 7.根据权利要求3所述的客户贷款收益率等级预测方法， 其特征在于， 所述对衍生特征 进行特征筛选， 包括： 对衍生特征进行预设筛选处理、 相关性筛选处理、 缺失值筛选处理、 单值率筛选处理及 取值过多情况筛 选处理， 得到筛选后的特 征。权　利　要　求　书 1/4 页 2 CN 114154682 A 28.根据权利要求7 所述的客户贷款收益 率等级预测方法， 其特 征在于， 所述预设筛选处理包括： 利用信息值IV分析各个衍生特征对于客户贷款收益率等级的 预测能力， 剔除预测能力低于第一阈值的特征， 其中， 所述预测能力用于表示所述衍生特征 对于客户贷款收益 率等级的影响程度； 所述相关性筛选包括： 计算各个衍生特征之间相关性， 将相关性大于第二阈值的两个 衍生特征中与客户贷款收益 率等级的相关性较高的衍 生特征保留； 所述缺失值筛选处理包括： 计算各个衍生特征的数据缺失率， 剔除数据缺失率大于第 三阈值的衍 生特征； 所述单值率筛选处理包括： 计算离散型衍生特征的取值情况， 剔除取值唯一的离散型 衍生特征； 所述取值过多情况筛选处理包括： 计算离散型衍生变量特征的取值情况， 剔除取值个 数超过第四阈值的离 散型衍生特征。 9.根据权利要求3所述的客户贷款收益率等级预测方法， 其特征在于， 对筛选后的特征 进行预处理， 包括： 对筛选后的特 征进行异常值处 理及缺失值 填充处理， 得到预处 理后的特 征。 10.根据权利要求9所述的客户贷款收益 率等级预测方法， 其特 征在于， 所述异常值处理包括： 将超出业务规定范围的衍生特征的取值确定为异常值， 并对所 述异常值进行修改； 所述缺失值填充处理包括： 对属于离散型变量的衍生特征的取值的缺失值利用默认字 符串进行填充， 对属于连续型变量的衍 生特征的取值的缺失值用特定 字符串进行填充。 11.根据权利要求1所述的客户贷款收益率等级预测方法， 其特征在于， 所述计算历史 放款客户的客户贷款收益 率等级， 包括： 计算所述历史放款客户的客户潜在收益率； 客户潜在收益率＝(客户利息+罚息)/(授 信额度×贷款期限 ×利率)； 基于所述 客户潜在收益 率确定客户贷款收益 率等级； 其中， 当客户潜在收益 率≤第一预设值， 确定客户贷款收益 率等级为高； 当第一阈值＜客户潜在收益 率≤第二预设值， 确定客户贷款收益 率等级为中； 当客户潜在收益 率＞第二预设值， 确定客户贷款收益 率等级为低。 12.根据权利要求1所述的客户贷款收益率等级预测方法， 其特征在于， 所述基于所述 建模样本和所述历史放款客户的客户贷款收益率等级， 利用机器学习算法进行拟合训练， 以建立客户贷款收益 率等级预测模型， 包括： 基于所述建模样本和所述历史放款客户的客户贷款收益率等级， 利用LightGBM算法进 行拟合训练， 以建立 客户贷款收益 率等级预测模型。 13.一种客户贷款收益 率等级预测系统， 其特 征在于， 所述系统包括： 获取模块， 用于获取历史放 款客户的客户数据； 建立模块， 用于基于所述历史放款客户的客户数据建立建模样本， 并计算历史放款客 户的客户贷款收益率等级， 基于所述建模样本和所述历史放款客户的客户贷款收益率等 级， 利用机器学习算法进行拟合训练， 以建立 客户贷款收益 率等级预测模型； 预测模块， 用于获取无额度客户的客户数据， 并根据所述无额度客户的客户数据， 利用权　利　要　求　书 2/4 页 3 CN 114154682 A 3