银行客户违约概率预测方法、装置、电子设备及介质与流程

1.本发明涉及金融风险分析技术领域，具体而言，涉及一种银行客户违约概率预测方法、装置、电子设备及介质。


背景技术：

2.在金融风险分析技术领域，银行对于客户预警的现有技术方案是，对客户的基础数据设定指标，比如财务偿债能力等，当客户指标不符合阈值时即触发预警，继而由工作人员进行核实、处理。现有的预警方案精确度不高，浪费了银行大量的人工成本。


技术实现要素：

3.为了解决上述技术问题，本技术实施例提供了一种银行客户违约概率预测方法、装置、电子设备及介质。
4.第一方面，本技术实施例提供了一种银行客户违约概率预测方法，所述方法包括：
5.从观察时段中选择多个观察时点，确定各所述观察时点的多个违约客户及多个有效客户；
6.获取客户的多维度指标数据，将所述客户的多维度指标数据分别输入多个预设违约计算模型，各所述预设违约计算模型对所述客户的多维度指标数据进行计算，输出各所述预设违约计算模型的初始违约率及入模指标数；
7.根据各所述预设违约计算模型的初始违约率及入模指标数，从多个所述预设违约计算模型确定最优违约计算模型；
8.对所述最优违约计算模型输出的初始违约率进行排序，得到违约率排序结果；
9.对所述违约率排序结果进行分段，得到多个违约率排序子段，确定各个违约率排序子段对应的目标客户；
10.根据各所述观察时点的多个违约客户及多个有效客户计算各目标客户的历史违约概率；
11.根据切等法及各目标客户的历史违约概率对各个违约率排序子段进行校准，得到各目标客户的校准违约率。
12.在一实施方式中，所述方法还包括：
13.采用逻辑回归算法计算各维度指标数据在所述初始违约率中所占的权重；
14.从多个维度指标数据中确定权重排序前n的目标维度指标数据；
15.根据所述目标维度指标数据确定客户风险点。
16.在一实施方式中，所述客户的多维度指标数据包括：银行整体客户的多维度指标数据，或者，多个敞口分类客户的多维度指标数据，所述将所述客户的多维度指标数据分别输入多个预设违约计算模型，包括：
17.将所述银行整体客户的多维度指标数据分别输入多个预设违约计算模型；或者，
18.将各敞口分类客户的多维度指标数据分别输入多个预设违约计算模型。
19.在一实施方式中，所述客户的多维度指标数据包括多个敞口分类客户的多维度指标数据；
20.各所述预设违约计算模型对所述客户的多维度指标数据进行计算，输出各所述预设违约计算模型的初始违约率及入模指标数，包括：
21.各所述预设违约计算模型分别对各个敞口分类客户的多维度指标数据进行计算，通过各所述预设违约计算模型输出各个敞口分类客户的初始违约率及入模指标数。
22.在一实施方式中，所述根据各所述预设违约计算模型的初始违约率及入模指标数从多个所述预设违约计算模型确定最优违约计算模型，包括：
23.根据各个敞口分类客户的初始违约率及入模指标数，从多个所述预设违约计算模型确定各个敞口分类客户的最优违约计算模型。
24.在一实施方式中，所述对所述最优违约计算模型输出的初始违约率进行排序，得到违约率排序结果，包括：
25.对各个敞口分类客户的最优违约计算模型输出的初始违约率进行排序，得到各个敞口分类客户的违约率排序结果；
26.所述对所述违约率排序结果进行分段，得到多个违约率排序子段，包括：
27.对各个敞口分类客户的违约率排序结果进行分段，得到各个敞口分类客户的多个违约率排序子段。
28.在一实施方式中，所述根据切等法及各目标客户的历史违约概率对各个违约率排序子段进行校准，包括：
29.采用对数等距法确定各目标客户的违约概率上下限；
30.采用对数等距插值法及所述违约概率上下限对各目标客户的违约概率进行校准。
31.第二方面，本技术实施例提供了一种银行客户违约概率预测装置，所述银行客户违约概率预测装置包括：
32.第一确定模块，用于从观察时段中选择多个观察时点，确定各所述观察时点的多个违约客户及多个有效客户；
33.获取模块，用于获取客户的多维度指标数据，将所述客户的多维度指标数据分别输入多个预设违约计算模型，各所述预设违约计算模型对所述客户的多维度指标数据进行计算，输出各所述预设违约计算模型的初始违约率及入模指标数；
34.第二确定模块，用于根据各所述预设违约计算模型的初始违约率及入模指标数，从多个所述预设违约计算模型确定最优违约计算模型；
35.排序模块，用于对所述最优违约计算模型输出的初始违约率进行排序，得到违约率排序结果；
36.分段模块，用于对所述违约率排序结果进行分段，得到多个违约率排序子段，确定各个违约率排序子段对应的目标客户；
37.计算模块，用于根据各所述观察时点的多个违约客户及多个有效客户计算各目标客户的历史违约概率；
38.校准模块，用于根据切等法及各目标客户的历史违约概率对各个违约率排序子段进行校准，得到各目标客户的校准违约率。
39.第三方面，本技术实施例提供了一种电子设备，包括存储器以及处理器，所述存储
器用于存储计算机程序，所述计算机程序在所述处理器运行时执行第一方面提供的银行客户违约概率预测方法。
40.第四方面，本技术实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行第一方面提供的银行客户违约概率预测方法。
41.上述本技术提供的银行客户违约概率预测方法、装置、电子设备及介质，从观察时段中选择多个观察时点，确定各所述观察时点的多个违约客户及多个有效客户；获取客户的多维度指标数据，将所述客户的多维度指标数据分别输入多个预设违约计算模型，各所述预设违约计算模型对所述客户的多维度指标数据进行计算，输出各所述预设违约计算模型的初始违约率及入模指标数；根据各所述预设违约计算模型的初始违约率及入模指标数，从多个所述预设违约计算模型确定最优违约计算模型；对所述最优违约计算模型输出的初始违约率进行排序，得到违约率排序结果；对所述违约率排序结果进行分段，得到多个违约率排序子段，确定各个违约率排序子段对应的目标客户；根据各所述观察时点的多个违约客户及多个有效客户计算各目标客户的历史违约概率；根据切等法及各目标客户的历史违约概率对各个违约率排序子段进行校准，得到各目标客户的校准违约率，提高银行的客户违约概率的预测准确度，降低人工成本。
附图说明
42.为了更清楚地说明本技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对本技术保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
43.图1示出了本技术实施例提供的银行客户违约概率预测方法的一流程示意图；
44.图2示出了本技术实施例提供的银行客户违约概率预测方法的另一流程示意图；
45.图3示出了本技术实施例提供的银行客户违约概率预测方法的另一流程示意图；
46.图4示出了本技术实施例提供的银行客户违约概率预测装置的一结构示意图；
47.图5示出了本技术实施例提供的电子设备的一结构示意图。
48.图标：400-银行客户违约概率预测装置，401-第一确定模块，402-获取模块，403-第二确定模块，404-排序模块，405-分段模块，406-计算模块，407-校准模块，500-电子设备，501-收发机，502-处理器，503-存储器。
具体实施方式
49.下面将结合本技术实施例中附图，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实施例，而不是全部的实施例。
50.通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
51.在下文中，可在本技术的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先
排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
52.此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
53.除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本技术的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本技术的各种实施例中被清楚地限定。
54.实施例1
55.本技术实施例提供了一种银行客户违约概率预测方法。
56.参见图1，银行客户违约概率预测方法包括：
57.步骤s101，从观察时段中选择多个观察时点，确定各所述观察时点的多个违约客户及多个有效客户。
58.在本实施例中，观测时段可以为连续1年或2年，观测时点为观测时段中设置的观测点，例如，观测时点可以为每季度季末。示范性的，选择2017年4月30到2019年7月31共2年多1个季度的数据，每个季度季末为一个观察点，如20170430、20170731、20171031、20180131。需要说明的是，若观察间段设置过短，则样本数量太少，不利于模型开发，这是基于实际业务考量的,观察间段需要依据情况设置合适长度。
59.在本实施例中，可以根据银行业务对有效客户及违约客户进行定义，示范性的，有效客户为满足以下条件之一的客户：1)在观察时点贷款余额大于0的对公客户；2)在观察时点及其前六个月没有违约记录，其中，违约记录是指逾期超过7天的，或五级分类属于后4类的；五级分类是指：违约、关注、次级、可疑、损失；3)剔除低风险业务。违约客户为满足以下条件之一的客户：1)观察点之后一年内出现实质性逾期(逾期天数》7)；2)观察点之后一年内五级分类为后四类(关注、次级、可疑、损失)；需要说明的是，汽车经销商逾期超过90天才算违约客户。
60.步骤s102，获取客户的多维度指标数据，将所述客户的多维度指标数据分别输入多个预设违约计算模型，各所述预设违约计算模型对所述客户的多维度指标数据进行计算，输出各所述预设违约计算模型的初始违约率及入模指标数。
61.在一实施方式中，所述客户的多维度指标数据包括：银行整体客户的多维度指标数据，或者，多个敞口分类客户的多维度指标数据。示范性的，可以基于银行客户类型进行多个客户敞口划分，通过划分多个敞口分类客户，以发现模型是否在不同场景有考虑不周的地方，模型可针对某个敞口进行进一步调整，比如具体算法的选择，参数的调优等。也可以不划分敞口，直接按全量客户进行预测。例如，可以将银行客户客户再细分为生产大型客户、非生产大型客户、中小企业客户、汽车经销商客户4个敞口分类客户，以便确认比较算法对各细分客户的准确度。
62.示范性的，客户的多维度指标数据可以为财务、司法、行为、征信、工商5个维度指标，共583个指标。5个维度指标涵盖了客户的财务能力，处罚信息，负债程度，法院公告，失信信息，贷款信息等，都是根据实际业务来反映客户是否可能逾期的相关数据。
63.在一实施方式中，步骤s102中的所述将所述客户的多维度指标数据分别输入多个预设违约计算模型，包括：
64.将所述银行整体客户的多维度指标数据分别输入多个预设违约计算模型；或者，
65.将各敞口分类客户的多维度指标数据分别输入多个预设违约计算模型。
66.在本实施例中，多个预设违约计算模型可以为gbdt、随机森林、svm、hp森林、hp svm、gbdt、回归决策树、hp bn分类符、神经网络、mbr、light gbm、xgboost等模型。各个预设违约计算模型的输入是客户的5大维度共583个指标的数据。输出是准确率(accuracy ratio，ar)值和入模指标数量，ar越高，说明算法模型的区分能力越好。预设违约计算模型输出的ar值又称为初始违约率。
67.在一实施方式中，所述客户的多维度指标数据包括多个敞口分类客户的多维度指标数据；步骤s102中的各所述预设违约计算模型对所述客户的多维度指标数据进行计算，输出各所述预设违约计算模型的初始违约率及入模指标数，包括：
68.各所述预设违约计算模型分别对各个敞口分类客户的多维度指标数据进行计算，通过各所述预设违约计算模型输出各个敞口分类客户的初始违约率及入模指标数。
69.这样，通过各所述预设违约计算模型输出各个敞口分类客户的初始违约率及入模指标数，可以进而确定各个敞口分类客户的最优违约计算模型，提高计算的细粒度。
70.步骤s103，根据各所述预设违约计算模型的初始违约率及入模指标数，从多个所述预设违约计算模型确定最优违约计算模型。
71.示范性的，根据各所述预设违约计算模型的初始违约率及入模指标数，从多个所述预设违约计算模型确定银行整体客户的最优违约计算模型。
72.在一实施方式中，步骤s103包括：
73.根据各个敞口分类客户的初始违约率及入模指标数，从多个所述预设违约计算模型确定各个敞口分类客户的最优违约计算模型。
74.在本实施例中，根据区分能力、稳定性、入模指标合理性选择最优违约计算模型，例如，最终确定gbdt为最优违约计算模型，最优违约计算模型也可以为其他模型，在此不做限制。需要补充说明的是，区分能力就是ar值，稳定性考量的是ar在样本内、样本外、时间外的变化差异是否过大，入模指标合理考虑的是入模指标不可太多，也不可太少。入模太多会导致模型过拟合，太少会导致欠拟合。例如，gbdt的入模指标数199个，也是适中的，这也是选择gbdt为最优违约计算模型的理由之一。
75.步骤s104，对所述最优违约计算模型输出的初始违约率进行排序，得到违约率排序结果。
76.示范性的，针对银行整体客户的最优违约计算模型输出的初始违约率进行排序，得到银行整体客户的违约率排序结果。
77.在一实施方式中，步骤s104，包括：
78.对各个敞口分类客户的最优违约计算模型输出的初始违约率进行排序，得到各个敞口分类客户的违约率排序结果。
79.在对各个敞口分类客户的最优违约计算模型输出的初始违约率进行排序后，得到多个违约率排序结果。
80.步骤s105，对所述违约率排序结果进行分段，得到多个违约率排序子段，确定各个
违约率排序子段对应的目标客户。
81.示范性的，银行整体客户的违约率排序结果进行分段，得到个违约率排序子段。
82.在一实施方式中，步骤s105中的所述对所述违约率排序结果进行分段，得到多个违约率排序子段，包括：
83.对各个敞口分类客户的违约率排序结果进行分段，得到各个敞口分类客户的多个违约率排序子段。
84.示范性的，对生产大型客户、非生产大型客户、中小企业客户、汽车经销商客户的违约率排序结果进行分段，得到生产大型客户的多个违约率排序子段、非生产大型客户的多个违约率排序子段、中小企业客户的多个违约率排序子段、汽车经销商客户的多个违约率排序子段。
85.步骤s106，根据各所述观察时点的多个违约客户及多个有效客户计算各目标客户的历史违约概率。
86.在本实施例中，根据有效客户及违约客户的定义，可以各个客户对应打标，根据标记上违约的客户计算得到真实的违约概率。
87.步骤s107，根据切等法及各目标客户的历史违约概率对各个违约率排序子段进行校准，得到各目标客户的校准违约率。
88.从客户真实历史数据出发，对最优违约计算模型输出排序进行分段，计算各段内客户的历史平均违约概率(probability of default，pd)，并使用对数等距法确定各组的pd上下限，最后使用对数等距插值法对各分段客户进行校准。切等法就是将数据分为数量相等的子集进行计算，切等法可以减少数据损失，保留原数据集的分布信息；切等法考虑了每组的平均pd，各组的校准结果都更贴近真实情况。相比较而言，而其他方法，比如k值法，对高风险客户的违约风险估计可能失真。
89.参见图2，步骤s107包括：
90.步骤s1071，采用对数等距法确定各目标客户的违约概率上下限；
91.步骤s1072，采用对数等距插值法及所述违约概率上下限对各目标客户的违约概率进行校准。
92.这样，可以提高目标客户的违约概率的准确度。
93.参见图3，所述方法还包括：
94.步骤s108，采用逻辑回归算法计算各维度指标数据在所述初始违约率中所占的权重；
95.步骤s109，从多个维度指标数据中确定权重排序前n的目标维度指标数据；
96.步骤s1010，根据所述目标维度指标数据确定客户风险点。
97.在本实施例中，引入逻辑回归算法来算各指标对于最后的违约概率所占的权重，选择权重排序在前5个最大的指标作为解释客户最主要的风险点。逻辑回归算法使用逻辑回归使用sigmoid函数，逻辑回归算法的输入也是客户的多个维度指标，输出是各指标的权重数据。
98.示范性的，比如说逻辑回归的结果权重最大的5个指标分别为：对外担保总笔数占比15％；非保证金存款余额近一年连续减少最大月份数占比15％；企业对外投资(企业在营)数量占比8％；未结清贷款余额/总负债占比8％；存款余额年日均同比变动6％；确定该
客户对外担保多，对外投资多，存款余额连续减少，未结清贷款持续增加，有明显的违约风险。
99.本实施例中，算法结果对人类友好，解释性强；多个维度的组合指标比单规则指标更科学，大幅减少单指标误触预警，从而大幅减少客户经理的工作量，给客户经理减负，让客户经理把时间花在更有价值的事情上。
100.本实施例提供的银行客户违约概率预测方法，从观察时段中选择多个观察时点，确定各所述观察时点的多个违约客户及多个有效客户；获取客户的多维度指标数据，将所述客户的多维度指标数据分别输入多个预设违约计算模型，各所述预设违约计算模型对所述客户的多维度指标数据进行计算，输出各所述预设违约计算模型的初始违约率及入模指标数；根据各所述预设违约计算模型的初始违约率及入模指标数，从多个所述预设违约计算模型确定最优违约计算模型；对所述最优违约计算模型输出的初始违约率进行排序，得到违约率排序结果；对所述违约率排序结果进行分段，得到多个违约率排序子段，确定各个违约率排序子段对应的目标客户；根据各所述观察时点的多个违约客户及多个有效客户计算各目标客户的历史违约概率；根据切等法及各目标客户的历史违约概率对各个违约率排序子段进行校准，得到各目标客户的校准违约率，提高银行的客户违约概率的预测准确度，降低人工成本。
101.实施例2
102.此外，本技术实施例提供了一种银行客户违约概率预测装置。
103.如图4所示，银行客户违约概率预测装置400包括：
104.第一确定模块401，用于从观察时段中选择多个观察时点，确定各所述观察时点的多个违约客户及多个有效客户；
105.获取模块402，用于获取客户的多维度指标数据，将所述客户的多维度指标数据分别输入多个预设违约计算模型，各所述预设违约计算模型对所述客户的多维度指标数据进行计算，输出各所述预设违约计算模型的初始违约率及入模指标数；
106.第二确定模块403，用于根据各所述预设违约计算模型的初始违约率及入模指标数，从多个所述预设违约计算模型确定最优违约计算模型；
107.排序模块404，用于对所述最优违约计算模型输出的初始违约率进行排序，得到违约率排序结果；
108.分段模块405，用于对所述违约率排序结果进行分段，得到多个违约率排序子段，确定各个违约率排序子段对应的目标客户；
109.计算模块406，用于根据各所述观察时点的多个违约客户及多个有效客户计算各目标客户的历史违约概率；
110.校准模块407，用于根据切等法及各目标客户的历史违约概率对各个违约率排序子段进行校准，得到各目标客户的校准违约率。
111.在一实施方式中，银行客户违约概率预测装置400还包括：
112.处理模块，用于采用逻辑回归算法计算各维度指标数据在所述初始违约率中所占的权重；
113.从多个维度指标数据中确定权重排序前n的目标维度指标数据；
114.根据所述目标维度指标数据确定客户风险点。
115.在一实施方式中，所述客户的多维度指标数据包括：银行整体客户的多维度指标数据，或者，多个敞口分类客户的多维度指标数据，获取模块402，还用于将所述银行整体客户的多维度指标数据分别输入多个预设违约计算模型；或者，
116.将各敞口分类客户的多维度指标数据分别输入多个预设违约计算模型。
117.在一实施方式中，所述客户的多维度指标数据包括多个敞口分类客户的多维度指标数据；获取模块402，还用于各所述预设违约计算模型分别对各个敞口分类客户的多维度指标数据进行计算，通过各所述预设违约计算模型输出各个敞口分类客户的初始违约率及入模指标数。
118.在一实施方式中，第二确定模块403，还用于根据各个敞口分类客户的初始违约率及入模指标数，从多个所述预设违约计算模型确定各个敞口分类客户的最优违约计算模型。
119.在一实施方式中，排序模块404，还用于对各个敞口分类客户的最优违约计算模型输出的初始违约率进行排序，得到各个敞口分类客户的违约率排序结果；
120.分段模块405，还用于对各个敞口分类客户的违约率排序结果进行分段，得到各个敞口分类客户的多个违约率排序子段。
121.在一实施方式中，校准模块407，还用于采用对数等距法确定各目标客户的违约概率上下限；
122.采用对数等距插值法及所述违约概率上下限对各目标客户的违约概率进行校准。
123.本实施例提供的银行客户违约概率预测装置400可以实现实施例1所提供的银行客户违约概率预测方法，为避免重复，在此不再赘述。
124.本实施例提供的银行客户违约概率预测装置，从观察时段中选择多个观察时点，确定各所述观察时点的多个违约客户及多个有效客户；获取客户的多维度指标数据，将所述客户的多维度指标数据分别输入多个预设违约计算模型，各所述预设违约计算模型对所述客户的多维度指标数据进行计算，输出各所述预设违约计算模型的初始违约率及入模指标数；根据各所述预设违约计算模型的初始违约率及入模指标数，从多个所述预设违约计算模型确定最优违约计算模型；对所述最优违约计算模型输出的初始违约率进行排序，得到违约率排序结果；对所述违约率排序结果进行分段，得到多个违约率排序子段，确定各个违约率排序子段对应的目标客户；根据各所述观察时点的多个违约客户及多个有效客户计算各目标客户的历史违约概率；根据切等法及各目标客户的历史违约概率对各个违约率排序子段进行校准，得到各目标客户的校准违约率，提高银行的客户违约概率的预测准确度，降低人工成本。
125.实施例3
126.此外，本技术实施例提供了一种电子设备，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行实施例1所提供的银行客户违约概率预测方法。
127.具体的，参见图5，所述电子设备500包括：收发机501、总线接口及处理器502，所述处理器502，用于：从观察时段中选择多个观察时点，确定各所述观察时点的多个违约客户及多个有效客户；
128.获取客户的多维度指标数据，将所述客户的多维度指标数据分别输入多个预设违
约计算模型，各所述预设违约计算模型对所述客户的多维度指标数据进行计算，输出各所述预设违约计算模型的初始违约率及入模指标数；
129.根据各所述预设违约计算模型的初始违约率及入模指标数，从多个所述预设违约计算模型确定最优违约计算模型；
130.对所述最优违约计算模型输出的初始违约率进行排序，得到违约率排序结果；
131.对所述违约率排序结果进行分段，得到多个违约率排序子段，确定各个违约率排序子段对应的目标客户；
132.根据各所述观察时点的多个违约客户及多个有效客户计算各目标客户的历史违约概率；
133.根据切等法及各目标客户的历史违约概率对各个违约率排序子段进行校准，得到各目标客户的校准违约率。
134.在一实施方式中，所述处理器502还用于：采用逻辑回归算法计算各维度指标数据在所述初始违约率中所占的权重；
135.从多个维度指标数据中确定权重排序前n的目标维度指标数据；
136.根据所述目标维度指标数据确定客户风险点。
137.在一实施方式中，所述客户的多维度指标数据包括：银行整体客户的多维度指标数据，或者，多个敞口分类客户的多维度指标数据，所述处理器502还用于：将所述银行整体客户的多维度指标数据分别输入多个预设违约计算模型；或者，
138.将各敞口分类客户的多维度指标数据分别输入多个预设违约计算模型。
139.在一实施方式中，所述客户的多维度指标数据包括多个敞口分类客户的多维度指标数据；
140.所述处理器502还用于：各所述预设违约计算模型分别对各个敞口分类客户的多维度指标数据进行计算，通过各所述预设违约计算模型输出各个敞口分类客户的初始违约率及入模指标数。
141.在一实施方式中，所述处理器502还用于：根据各个敞口分类客户的初始违约率及入模指标数，从多个所述预设违约计算模型确定各个敞口分类客户的最优违约计算模型。
142.在一实施方式中，所述处理器502还用于：对各个敞口分类客户的最优违约计算模型输出的初始违约率进行排序，得到各个敞口分类客户的违约率排序结果；
143.对各个敞口分类客户的违约率排序结果进行分段，得到各个敞口分类客户的多个违约率排序子段。
144.在一实施方式中，所述处理器502还用于：采用对数等距法确定各目标客户的违约概率上下限；
145.采用对数等距插值法及所述违约概率上下限对各目标客户的违约概率进行校准。
146.在本技术实施例中，电子设备500还包括：存储器503。在图5中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器502代表的一个或多个处理器和存储器503代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机501可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线架构和通常的处
理，存储器503可以存储处理器502在执行操作时所使用的数据。
147.本技术实施例提供的电子设备500，可以执行上述方法实施例1所提供的银行客户违约概率预测方法的步骤，为避免重复，在此不再赘述。
148.实施例4
149.本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现实施例1所提供的银行客户违约概率预测方法。
150.在本实施例中，计算机可读存储介质可以为只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等。
151.本实施例提供的计算机可读存储介质可以实现实施例1所提供的银行客户违约概率预测方法，为避免重复，在此不再赘述。
152.需要说明的是，在本文中，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、物品或者终端不仅包括那些要素，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、物品或者终端所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
153.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
154.上面结合附图对本技术的实施例进行了描述，但是本技术并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本技术的启示下，在不脱离本技术宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本技术的保护之内。

技术特征：
1.一种银行客户违约概率预测方法，其特征在于，所述方法包括：从观察时段中选择多个观察时点，确定各所述观察时点的多个违约客户及多个有效客户；获取客户的多维度指标数据，将所述客户的多维度指标数据分别输入多个预设违约计算模型，各所述预设违约计算模型对所述客户的多维度指标数据进行计算，输出各所述预设违约计算模型的初始违约率及入模指标数；根据各所述预设违约计算模型的初始违约率及入模指标数，从多个所述预设违约计算模型确定最优违约计算模型；对所述最优违约计算模型输出的初始违约率进行排序，得到违约率排序结果；对所述违约率排序结果进行分段，得到多个违约率排序子段，确定各个违约率排序子段对应的目标客户；根据各所述观察时点的多个违约客户及多个有效客户计算各目标客户的历史违约概率；根据切等法及各目标客户的历史违约概率对各个违约率排序子段进行校准，得到各目标客户的校准违约率。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：采用逻辑回归算法计算各维度指标数据在所述初始违约率中所占的权重；从多个维度指标数据中确定权重排序前n的目标维度指标数据；根据所述目标维度指标数据确定客户风险点。3.根据权利要求1所述的方法，其特征在于，所述客户的多维度指标数据包括：银行整体客户的多维度指标数据，或者，多个敞口分类客户的多维度指标数据，所述将所述客户的多维度指标数据分别输入多个预设违约计算模型，包括：将所述银行整体客户的多维度指标数据分别输入多个预设违约计算模型；或者，将各敞口分类客户的多维度指标数据分别输入多个预设违约计算模型。4.根据权利要求3所述方法，其特征在于，所述客户的多维度指标数据包括多个敞口分类客户的多维度指标数据；各所述预设违约计算模型对所述客户的多维度指标数据进行计算，输出各所述预设违约计算模型的初始违约率及入模指标数，包括：各所述预设违约计算模型分别对各个敞口分类客户的多维度指标数据进行计算，通过各所述预设违约计算模型输出各个敞口分类客户的初始违约率及入模指标数。5.根据权利要求4所述方法，其特征在于，所述根据各所述预设违约计算模型的初始违约率及入模指标数从多个所述预设违约计算模型确定最优违约计算模型，包括：根据各个敞口分类客户的初始违约率及入模指标数，从多个所述预设违约计算模型确定各个敞口分类客户的最优违约计算模型。6.根据权利要求5所述方法，其特征在于，所述对所述最优违约计算模型输出的初始违约率进行排序，得到违约率排序结果，包括：对各个敞口分类客户的最优违约计算模型输出的初始违约率进行排序，得到各个敞口分类客户的违约率排序结果；所述对所述违约率排序结果进行分段，得到多个违约率排序子段，包括：
对各个敞口分类客户的违约率排序结果进行分段，得到各个敞口分类客户的多个违约率排序子段。7.根据权利要求1所述方法，其特征在于，所述根据切等法及各目标客户的历史违约概率对各个违约率排序子段进行校准，包括：采用对数等距法确定各目标客户的违约概率上下限；采用对数等距插值法及所述违约概率上下限对各目标客户的违约概率进行校准。8.一种银行客户违约概率预测装置，其特征在于，所述装置包括：第一确定模块，用于从观察时段中选择多个观察时点，确定各所述观察时点的多个违约客户及多个有效客户；获取模块，用于获取客户的多维度指标数据，将所述客户的多维度指标数据分别输入多个预设违约计算模型，各所述预设违约计算模型对所述客户的多维度指标数据进行计算，输出各所述预设违约计算模型的初始违约率及入模指标数；第二确定模块，用于根据各所述预设违约计算模型的初始违约率及入模指标数，从多个所述预设违约计算模型确定最优违约计算模型；排序模块，用于对所述最优违约计算模型输出的初始违约率进行排序，得到违约率排序结果；分段模块，用于对所述违约率排序结果进行分段，得到多个违约率排序子段，确定各个违约率排序子段对应的目标客户；计算模块，用于根据各所述观察时点的多个违约客户及多个有效客户计算各目标客户的历史违约概率；校准模块，用于根据切等法及各目标客户的历史违约概率对各个违约率排序子段进行校准，得到各目标客户的校准违约率。9.一种电子设备，其特征在于，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器运行时执行权利要求1-7中任一项所述的银行客户违约概率预测方法。10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序在处理器上运行时执行根据权利要求1-7中的任一所述银行客户违约概率预测方法。

技术总结
本发明的实施例提供了一种银行客户违约概率预测方法、装置、电子设备及介质，涉及金融风险分析技术领域，该方法包括：获取客户的多维度指标数据，将客户的多维度指标数据分别输入多个预设违约计算模型，输出各预设违约计算模型的初始违约率及入模指标数；根据各预设违约计算模型的初始违约率及入模指标数，从多个预设违约计算模型确定最优违约计算模型；对最优违约计算模型输出的初始违约率进行排序，得到违约率排序结果；根据违约率排序结果确定目标客户；根据切等法及各目标客户的历史违约概率对各个违约率排序子段进行校准，得到各目标客户的校准违约率，提高银行的客户违约概率的预测准确度，降低人工成本。降低人工成本。降低人工成本。


技术研发人员：陈宏斌
受保护的技术使用者：平安银行股份有限公司
技术研发日：2023.06.07
技术公布日：2023/8/24