本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域，尤其涉及一種征信系統(tǒng)的穩(wěn)定性指標(biāo)生成方法及裝置。

背景技術(shù)：

隨著社會(huì)的發(fā)展進(jìn)步，金融業(yè)的信貸業(yè)務(wù)中的用戶的信用信息以及評(píng)價(jià)得到量化。傳統(tǒng)技術(shù)中的征信系統(tǒng)，將分散在社會(huì)有關(guān)方面的企業(yè)、個(gè)人信用信息，進(jìn)行采集、分類、整理、儲(chǔ)存，形成企業(yè)或者個(gè)人信用信息數(shù)據(jù)庫(kù)，然后再以采集到的信用數(shù)據(jù)作為輸入，根據(jù)一定的征信算法模型，計(jì)算得到用戶的信用度評(píng)價(jià)值。在該用戶的信貸業(yè)務(wù)中，即可根據(jù)該信用度評(píng)價(jià)值來(lái)設(shè)定該用戶的信貸額度等權(quán)限信息。

然而，相比成熟的征信評(píng)分卡方法，新發(fā)展的基于大數(shù)據(jù)和人工智能的征信系統(tǒng)雖然在效率上有所提高，但所構(gòu)建得到的模型的穩(wěn)定性卻難以保證。這一方面是由于大數(shù)據(jù)往往包含多種數(shù)據(jù)類型，而不是純粹的金融數(shù)據(jù)，而人工智能和機(jī)器學(xué)習(xí)方法并不能夠很好地篩選和排除掉這些數(shù)據(jù)當(dāng)中的不穩(wěn)定因素，因此導(dǎo)致了得到的征信模型會(huì)經(jīng)常性地隨著數(shù)據(jù)的變化產(chǎn)生比傳統(tǒng)方法大的多的波動(dòng)和跳變。因此，傳統(tǒng)技術(shù)中的征信系統(tǒng)的穩(wěn)定性不足。

技術(shù)實(shí)現(xiàn)要素：

基于此，為解決傳統(tǒng)技術(shù)中征信系統(tǒng)的穩(wěn)定性不足的技術(shù)問(wèn)題，特提出了一種征信系統(tǒng)的穩(wěn)定性指標(biāo)生成方法。

一種征信系統(tǒng)的穩(wěn)定性指標(biāo)生成方法，包括：

在征信系統(tǒng)中選定樣本用戶集，抽樣采集所述樣本用戶集中的樣本用戶賬號(hào)在預(yù)設(shè)的信用數(shù)據(jù)類型下的樣本信用數(shù)據(jù)；

對(duì)于所述樣本用戶集中的每個(gè)樣本用戶賬號(hào)，根據(jù)預(yù)設(shè)的回歸算法，計(jì)算該樣本用戶賬號(hào)在預(yù)設(shè)的信用數(shù)據(jù)類型下的樣本信用數(shù)據(jù)隨時(shí)間變化的穩(wěn)定性特征函數(shù)，所述穩(wěn)定性特征函數(shù)包括本底趨勢(shì)變化部分、周期性變化部分和隨機(jī)變化部分；

計(jì)算所述樣本用戶集中的樣本用戶賬號(hào)在所述預(yù)設(shè)的信用數(shù)據(jù)類型下的穩(wěn)定性特征函數(shù)的特征參數(shù)的分布，計(jì)算所述分布在預(yù)設(shè)的分布特征類型下的特征值；

對(duì)在所述預(yù)設(shè)的信用數(shù)據(jù)類型下的每個(gè)特征參數(shù)在的每個(gè)預(yù)設(shè)的分布特征類型下的每個(gè)特征值進(jìn)行歸一化并加權(quán)后得到與所述預(yù)設(shè)的信用數(shù)據(jù)類型對(duì)應(yīng)的穩(wěn)定性指標(biāo)。

可選的，在其中一個(gè)實(shí)施例中，所述計(jì)算該樣本用戶賬號(hào)在預(yù)設(shè)的信用數(shù)據(jù)類型下的樣本信用數(shù)據(jù)隨時(shí)間變化的穩(wěn)定性特征函數(shù)還包括：

通過(guò)卡爾曼濾波器和降采樣的方法在所述樣本用戶賬號(hào)在預(yù)設(shè)的信用數(shù)據(jù)類型下的樣本信用數(shù)據(jù)中分離出與所述本底趨勢(shì)變化部分對(duì)應(yīng)的數(shù)據(jù)，通過(guò)線性擬合或多項(xiàng)式擬合的方式得到穩(wěn)定性特征函數(shù)的本底趨勢(shì)變化部分。

可選的，在其中一個(gè)實(shí)施例中，所述通過(guò)卡爾曼濾波器和降采樣的方法在所述樣本用戶賬號(hào)在預(yù)設(shè)的信用數(shù)據(jù)類型下的樣本信用數(shù)據(jù)中分離出與所述本底趨勢(shì)變化部分對(duì)應(yīng)的數(shù)據(jù)之后還包括：

通過(guò)傅里葉分析或小波分析分離出與周期性變化部分對(duì)應(yīng)的數(shù)據(jù)，對(duì)該數(shù)據(jù)通過(guò)多項(xiàng)式擬合得到穩(wěn)定性特征函數(shù)的周期性變化部分，根據(jù)剩余部分的數(shù)據(jù)得到穩(wěn)定性特征函數(shù)的隨機(jī)變化部分。

可選的，在其中一個(gè)實(shí)施例中，所述回歸算法中的穩(wěn)定性特征函數(shù)為：

S＝f(t)+T(t)+ε

其中，f(t)為本底趨勢(shì)變化部分：

$f\left(t\right)=C+{\Σ}_i^n{a}_i{t}^i$

T(t)為周期性變化部分：

$T\left(t\right)={\Σ}_i^n{a}_{ti}{g}_i\left(t\right)$

g_i(t)為預(yù)設(shè)的周期函數(shù)；

ε為服從均值為0的正態(tài)分布的隨機(jī)變量；

所述穩(wěn)定性特征函數(shù)的特征參數(shù)包括C、a_i、a_ti和ε中的至少一個(gè)。

可選的，在其中一個(gè)實(shí)施例中，所述預(yù)設(shè)的信用數(shù)據(jù)類型包括至少一個(gè)；

所述方法還包括：

根據(jù)所述預(yù)設(shè)的信用數(shù)據(jù)類型下的樣本信用數(shù)據(jù)計(jì)算所述預(yù)設(shè)的信用數(shù)據(jù)類型的穩(wěn)定性指標(biāo)的相關(guān)度。

此外，為解決傳統(tǒng)技術(shù)中征信系統(tǒng)的穩(wěn)定性不足的技術(shù)問(wèn)題，特提出了一種征信系統(tǒng)的穩(wěn)定性指標(biāo)生成裝置。

一種征信系統(tǒng)的穩(wěn)定性指標(biāo)生成裝置，包括：

樣本信用數(shù)據(jù)采集模塊，用于在征信系統(tǒng)中選定樣本用戶集，抽樣采集所述樣本用戶集中的樣本用戶賬號(hào)在預(yù)設(shè)的信用數(shù)據(jù)類型下的樣本信用數(shù)據(jù)；

穩(wěn)定性特征函數(shù)計(jì)算模塊，用于對(duì)于所述樣本用戶集中的每個(gè)樣本用戶賬號(hào)，根據(jù)預(yù)設(shè)的回歸算法，計(jì)算該樣本用戶賬號(hào)在預(yù)設(shè)的信用數(shù)據(jù)類型下的樣本信用數(shù)據(jù)隨時(shí)間變化的穩(wěn)定性特征函數(shù)，所述穩(wěn)定性特征函數(shù)包括本底趨勢(shì)變化部分、周期性變化部分和隨機(jī)變化部分；

特征值計(jì)算模塊，用于計(jì)算所述樣本用戶集中的樣本用戶賬號(hào)在所述預(yù)設(shè)的信用數(shù)據(jù)類型下的穩(wěn)定性特征函數(shù)的特征參數(shù)的分布，計(jì)算所述分布在預(yù)設(shè)的分布特征類型下的特征值；

穩(wěn)定性指標(biāo)計(jì)算模塊，用于對(duì)在所述預(yù)設(shè)的信用數(shù)據(jù)類型下的每個(gè)特征參數(shù)在的每個(gè)預(yù)設(shè)的分布特征類型下的每個(gè)特征值進(jìn)行歸一化并加權(quán)后得到與所述預(yù)設(shè)的信用數(shù)據(jù)類型對(duì)應(yīng)的穩(wěn)定性指標(biāo)。

可選的，在其中一個(gè)實(shí)施例中，所述穩(wěn)定性特征函數(shù)計(jì)算模塊還用于通過(guò)卡爾曼濾波器和降采樣的方法在所述樣本用戶賬號(hào)在預(yù)設(shè)的信用數(shù)據(jù)類型下的樣本信用數(shù)據(jù)中分離出與所述本底趨勢(shì)變化部分對(duì)應(yīng)的數(shù)據(jù)，通過(guò)線性擬合或多項(xiàng)式擬合的方式得到穩(wěn)定性特征函數(shù)的本底趨勢(shì)變化部分。

可選的，在其中一個(gè)實(shí)施例中，所述穩(wěn)定性特征函數(shù)計(jì)算模塊還用于通過(guò)傅里葉分析或小波分析分離出與周期性變化部分對(duì)應(yīng)的數(shù)據(jù)，對(duì)該數(shù)據(jù)通過(guò)多項(xiàng)式擬合得到穩(wěn)定性特征函數(shù)的周期性變化部分，根據(jù)剩余部分的數(shù)據(jù)得到穩(wěn)定性特征函數(shù)的隨機(jī)變化部分。

可選的，在其中一個(gè)實(shí)施例中，所述回歸算法中的穩(wěn)定性特征函數(shù)為：

S＝f(t)+T(t)+ε

其中，f(t)為本底趨勢(shì)變化部分：

$f\left(t\right)=C+{\Σ}_i^n{a}_i{t}^i$

T(t)為周期性變化部分：

$T\left(t\right)={\Σ}_i^n{a}_{ti}{g}_i\left(t\right)$

g_i(t)為預(yù)設(shè)的周期函數(shù)；

ε為服從均值為0的正態(tài)分布的隨機(jī)變量；

所述穩(wěn)定性特征函數(shù)的特征參數(shù)包括C、a_i、a_ti和ε中的至少一個(gè)。

可選的，在其中一個(gè)實(shí)施例中，所述預(yù)設(shè)的信用數(shù)據(jù)類型包括至少一個(gè)；

所述裝置還包括穩(wěn)定性指標(biāo)相關(guān)性分析模塊，用于根據(jù)所述預(yù)設(shè)的信用數(shù)據(jù)類型下的樣本信用數(shù)據(jù)計(jì)算所述預(yù)設(shè)的信用數(shù)據(jù)類型的穩(wěn)定性指標(biāo)的相關(guān)度。

實(shí)施本發(fā)明實(shí)施例，將具有如下有益效果：

采用了上述征信系統(tǒng)的穩(wěn)定性指標(biāo)生成方法及裝置之后，可在征信系統(tǒng)預(yù)設(shè)的信用數(shù)據(jù)類型下抽樣采集隨時(shí)間分布的多個(gè)樣本信用數(shù)據(jù)，然后根據(jù)該多個(gè)樣本信用數(shù)據(jù)的分布回歸為預(yù)設(shè)的穩(wěn)定性特征函數(shù)，然后計(jì)算樣本用戶集中的樣本用戶賬號(hào)在所述預(yù)設(shè)的信用數(shù)據(jù)類型下的穩(wěn)定性特征函數(shù)的特征參數(shù)的分布，以及該分布在預(yù)設(shè)的分布特征類型下的特征值，將計(jì)算得到的特征值歸一化并加權(quán)后即可得到與所述預(yù)設(shè)的信用數(shù)據(jù)類型對(duì)應(yīng)的穩(wěn)定性指標(biāo)。征信系統(tǒng)即可根據(jù)每個(gè)信用數(shù)據(jù)類型對(duì)應(yīng)的穩(wěn)定性指標(biāo)判定其自身的征信模型的計(jì)算信用度的算法是否存在穩(wěn)定性缺陷，從而方便征信系統(tǒng)修正其征信模型的算法，從而使得計(jì)算得到的用戶的信用度更加準(zhǔn)確。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

其中：

圖1為一個(gè)實(shí)施例中一種征信系統(tǒng)的穩(wěn)定性指標(biāo)生成方法的流程示意圖；

圖2為一個(gè)實(shí)施例中樣本信用數(shù)據(jù)回歸為穩(wěn)定性特征函數(shù)的示意圖；

圖3為一個(gè)實(shí)施例中穩(wěn)定性特征函數(shù)的本底趨勢(shì)變化部分的示意圖；

圖4為一個(gè)實(shí)施例中穩(wěn)定性特征函數(shù)的周期性變化部分的示意圖；

圖5為一個(gè)實(shí)施例中回歸生成穩(wěn)定性特征函數(shù)的過(guò)程示意圖；

圖6為一個(gè)實(shí)施例中一種征信系統(tǒng)的穩(wěn)定性指標(biāo)生成裝置的結(jié)構(gòu)示意圖；

圖7為一個(gè)實(shí)施例中運(yùn)行前述征信系統(tǒng)的穩(wěn)定性指標(biāo)生成方法的計(jì)算機(jī)設(shè)備的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

為解決傳統(tǒng)技術(shù)中征信系統(tǒng)的穩(wěn)定性不足的技術(shù)問(wèn)題，特提出了一種征信系統(tǒng)的穩(wěn)定性指標(biāo)生成方法。該方法的實(shí)現(xiàn)可依賴于計(jì)算機(jī)程序，該計(jì)算機(jī)程序可運(yùn)行于基于馮諾依曼體系的計(jì)算機(jī)系統(tǒng)之上，該計(jì)算機(jī)程序可以是傳統(tǒng)銀行、互聯(lián)網(wǎng)銀行或其他金融機(jī)構(gòu)的征信系統(tǒng)的服務(wù)器程序，執(zhí)行上述方法的計(jì)算機(jī)系統(tǒng)可以是傳統(tǒng)銀行、互聯(lián)網(wǎng)銀行或其他金融機(jī)構(gòu)的征信系統(tǒng)的服務(wù)器設(shè)備。

在上述征信系統(tǒng)中，通常需要采集用戶的日常操作記錄、信貸記錄、消費(fèi)記錄等多個(gè)維度的數(shù)據(jù)作為原始數(shù)據(jù)，然后根據(jù)征信系統(tǒng)中的信用度評(píng)價(jià)模型以該原始數(shù)據(jù)作為輸入計(jì)算某個(gè)用戶的信用度，且在該計(jì)算過(guò)程中，可以存在多個(gè)層級(jí)的中間數(shù)據(jù)。

例如，采集的某個(gè)用戶的原始數(shù)據(jù)可包括用戶以日為單位的消費(fèi)金額數(shù)據(jù)A(即信用數(shù)據(jù)類型為日消費(fèi)數(shù)據(jù)，后續(xù)依次類推)、以月為單位的儲(chǔ)蓄額數(shù)據(jù)B、以月為單位的信用卡還款數(shù)據(jù)C、以月為單位的流水?dāng)?shù)據(jù)D等，且對(duì)于每種信用數(shù)據(jù)類型，可以時(shí)間單位采集多個(gè)樣本信用數(shù)據(jù)，例如，對(duì)于以月為單位的流水?dāng)?shù)據(jù)D，則可采集該用戶自開(kāi)戶以來(lái)每個(gè)月的流水?dāng)?shù)據(jù)為信用數(shù)據(jù)類型D下的樣本信用數(shù)據(jù)。而征信模型自身將根據(jù)上述信用數(shù)據(jù)類型A、B、C、D得到信用數(shù)據(jù)類型為E和F的中間數(shù)據(jù)，然后再根據(jù)E和F的中間數(shù)據(jù)得到最終的信用度G，即信用數(shù)據(jù)類型G為該用戶的信用度。

因此，征信系統(tǒng)中存在多個(gè)可采用的節(jié)點(diǎn)，每個(gè)采樣節(jié)點(diǎn)對(duì)應(yīng)一種信用數(shù)據(jù)類型。這些信用數(shù)據(jù)類型之間也可能存在一定的相關(guān)性。在本發(fā)明實(shí)施例中，則既可以得到某個(gè)信用數(shù)據(jù)類型的穩(wěn)定性指標(biāo)，也可以得到包含該多個(gè)信用數(shù)據(jù)類型的征信系統(tǒng)整體的穩(wěn)定性指標(biāo)。

具體的，如圖1所示，該征信系統(tǒng)的穩(wěn)定性指標(biāo)生成方法包括如下步驟：

步驟S102：在征信系統(tǒng)中選定樣本用戶集，抽樣采集所述樣本用戶集中的樣本用戶賬號(hào)在預(yù)設(shè)的信用數(shù)據(jù)類型下的樣本信用數(shù)據(jù)。

樣本用戶集即為征信系統(tǒng)中包括的全部或部分用戶的集合，在本實(shí)施例中，征信系統(tǒng)中的每一個(gè)用戶即為一個(gè)樣本用戶，樣本用戶集可以是征信系統(tǒng)中包含的所有的用戶的集合，也可以是從所有的用戶中篩選出的部分用戶組成的集合。例如，可以按照隨機(jī)抽樣的方式在所有的用戶中抽取一定的用戶組成樣本用戶集，當(dāng)然，也可以按照分層抽樣、整群抽樣或者其他抽樣方式?jīng)Q定樣本用戶集中包含的樣本用戶是哪些。

需要說(shuō)明的是，在本實(shí)施例中，樣本用戶集的數(shù)量可以不止一個(gè)。例如，根據(jù)個(gè)人用戶和企業(yè)用戶來(lái)對(duì)所有的樣本用戶進(jìn)行區(qū)別，并分別在其中篩選出對(duì)應(yīng)的樣本用戶集。在另一個(gè)實(shí)施例中，還可以根據(jù)用戶存款數(shù)的多少來(lái)對(duì)所有的樣本用戶進(jìn)行分組，在每一個(gè)分組中分別篩選出其對(duì)應(yīng)的樣本用戶集。也就是說(shuō)，在本實(shí)施例中，可以根據(jù)具體的需要，按照一定的規(guī)則對(duì)征信系統(tǒng)中包含的所有的樣本用戶劃分用戶集，并在每一個(gè)用戶集中進(jìn)行抽樣確定其對(duì)應(yīng)的樣本用戶集。

需要說(shuō)明的是，在本實(shí)施例中，在確定樣本用戶集中的樣本用戶的過(guò)程中，需要按照一定的抽樣規(guī)則抽取一定數(shù)量的樣本用戶，在此過(guò)程中，首先需要確定采樣的數(shù)量。由于數(shù)據(jù)樣本點(diǎn)通常表現(xiàn)為某個(gè)用戶在某一時(shí)刻某個(gè)特征上的表現(xiàn)值，但為了對(duì)征信系統(tǒng)的穩(wěn)定性進(jìn)行分析，那么所采用的時(shí)間點(diǎn)必須大于2，因此在本實(shí)施例中，樣本用戶集中數(shù)據(jù)樣本點(diǎn)數(shù)量(即采樣數(shù)量，或樣本用戶集中包含的樣本用戶數(shù)量)與數(shù)據(jù)采樣時(shí)長(zhǎng)有密切的關(guān)系。常用的樣本量估計(jì)方法包括Z統(tǒng)計(jì)量的樣本估計(jì)方法，但由于實(shí)際樣本分布并不遵守正態(tài)分布，因此需要在理論的最小樣本量上擴(kuò)充3-6倍的樣本量，以適應(yīng)常見(jiàn)的長(zhǎng)尾分布。在另一個(gè)實(shí)施例中，還可以采用先驗(yàn)估計(jì)對(duì)采樣數(shù)量進(jìn)行估計(jì)。

在本實(shí)施例中，在征信系統(tǒng)中選定一個(gè)樣本用戶集進(jìn)行分析，然后采集該樣本用戶集中的樣本用戶對(duì)應(yīng)的賬號(hào)下的信用數(shù)據(jù)，例如，交易記錄、存款記錄、每月存款數(shù)、信用等級(jí)、信用評(píng)分等。在征信系統(tǒng)中采集的原始數(shù)據(jù)包括了每一個(gè)用戶的所有原始數(shù)據(jù)，例如包括了前述的A-G等所有的信用數(shù)據(jù)類型下的所有數(shù)據(jù)，但是，在進(jìn)行穩(wěn)定性指標(biāo)的描述過(guò)程中，并不需要考慮所有的信用數(shù)據(jù)類型下的穩(wěn)定性指標(biāo)，例如，可以考慮的是某一個(gè)特定的信用數(shù)據(jù)類型下的穩(wěn)定性指標(biāo)，也可以是某幾個(gè)特定的信用數(shù)據(jù)類型下的穩(wěn)定性指標(biāo)，當(dāng)然，也可以是征信系統(tǒng)中所包含的信用數(shù)據(jù)類型下的穩(wěn)定性指標(biāo)。因此，在本步驟中，針對(duì)預(yù)設(shè)的信用數(shù)據(jù)類型，采集前述樣本用戶集中的所有樣本用戶賬號(hào)在預(yù)設(shè)的信用數(shù)據(jù)類型下的樣本信用數(shù)據(jù)作為本方法中征信系統(tǒng)的穩(wěn)定性指標(biāo)計(jì)算的樣本數(shù)據(jù)。

步驟S104：對(duì)于所述樣本用戶集中的每個(gè)樣本用戶賬號(hào)，根據(jù)預(yù)設(shè)的回歸算法，計(jì)算該樣本用戶賬號(hào)在預(yù)設(shè)的信用數(shù)據(jù)類型下的樣本信用數(shù)據(jù)隨時(shí)間變化的穩(wěn)定性特征函數(shù)，所述穩(wěn)定性特征函數(shù)包括本底趨勢(shì)變化部分、周期性變化部分和隨機(jī)變化部分。

對(duì)于每一個(gè)樣本用戶而言，其對(duì)應(yīng)的用戶信用水平可以根據(jù)其對(duì)應(yīng)的樣本信用數(shù)據(jù)來(lái)計(jì)算。在本實(shí)施例中，對(duì)于一個(gè)樣本用戶賬號(hào)在預(yù)設(shè)的信用數(shù)據(jù)類型下的樣本信用數(shù)據(jù)(例如，一個(gè)用戶的每月存款數(shù)額)，根據(jù)預(yù)設(shè)的回歸算法，以時(shí)間為自變量t(即t₁,t₂,…,t_i,…,t_n)，計(jì)算樣本信用數(shù)據(jù)S(即S_1,S₂,…,S,…,S_n)隨著時(shí)間變化的關(guān)系式。需要說(shuō)明的是，在本實(shí)施例中，主要是關(guān)心樣本信用數(shù)據(jù)隨著時(shí)間的變化而表現(xiàn)出來(lái)的穩(wěn)定特定，所以，上述樣本信用數(shù)據(jù)隨著時(shí)間變化的關(guān)系式為樣本信用數(shù)據(jù)隨著時(shí)間變化的特定性特征函數(shù)。

具體的，樣本信用數(shù)據(jù)與時(shí)間這兩個(gè)變量之間的關(guān)系往往比較復(fù)雜，可以將其分為3個(gè)部分進(jìn)行計(jì)算，即本底趨勢(shì)變化部分、周期性變化部分和隨機(jī)變化部分。

在本實(shí)施例中，上述穩(wěn)定性特征函數(shù)可以用如下公式表示：

S＝f(t)+T(t)+ε，

其中，f(t)表示本底趨勢(shì)變化部分，T(t)表示周期性變化部分，ε表示隨機(jī)變化部分。

請(qǐng)同時(shí)參考圖2、圖3和圖4，圖2即為整體的樣本信用數(shù)據(jù)隨時(shí)間的分布，將其回歸為S，圖3即為樣本信用數(shù)據(jù)隨時(shí)間的分布的本底趨勢(shì)變化部分，回歸為f(t)，圖4為樣本信用數(shù)據(jù)隨時(shí)間的分布的周期性變化部分，回歸為T(t)。

本底趨勢(shì)變化部分f(t)表示的是用戶信用的長(zhǎng)期不變量和用戶信用水平的變化趨勢(shì)，在此處是不考慮周期性的變化以及其他因素的干擾的，即本底趨勢(shì)變化量表示的是用戶長(zhǎng)期的整體的信用水平以及變化趨勢(shì)，例如，在用戶工作穩(wěn)定的情況下，其工資會(huì)隨著時(shí)間的增長(zhǎng)而增加，其對(duì)應(yīng)的貸款額度也會(huì)隨著時(shí)間的增加而增加，其信用水平也會(huì)提高。需要說(shuō)明的是，在本實(shí)施例中，本底趨勢(shì)變化部分可以分為不變量-本底水平和變化量-趨勢(shì)變化量?jī)蓚€(gè)部分。

周期性變化部分T(t)指的是樣本信用數(shù)據(jù)隨著時(shí)間的變化呈現(xiàn)的周期性的變化，例如，賬戶存款數(shù)會(huì)呈現(xiàn)出的按月波動(dòng)、季節(jié)性波動(dòng)以及年度波動(dòng)，這些都是樣本信用數(shù)據(jù)在年、季度、月、周等時(shí)間單位上呈現(xiàn)的周期性變化；對(duì)于樣本信用數(shù)據(jù)呈現(xiàn)的周期性變化的相關(guān)性質(zhì)在穩(wěn)定性特征函數(shù)中用周期性變化部分來(lái)進(jìn)行刻畫(huà)。

隨機(jī)變化部分ε指的是不受其他因素干擾的隨機(jī)變化值，通常表現(xiàn)為高斯白噪聲。例如，彩票中獎(jiǎng)的收入在樣本信用數(shù)據(jù)上的反應(yīng)即為隨機(jī)因素，在本實(shí)施例中用隨機(jī)變化部分ε來(lái)刻畫(huà)樣本信用數(shù)據(jù)在該部分的相關(guān)性質(zhì)。

進(jìn)一步的，在上述計(jì)算穩(wěn)定性特征函數(shù)的具體表達(dá)式的過(guò)程中，可以利用上述本底趨勢(shì)變化部分、周期性變化部分和隨機(jī)變化部分3個(gè)部分的具體性質(zhì)對(duì)每個(gè)部分的數(shù)據(jù)進(jìn)行分離，然后分別對(duì)每個(gè)部分的具體關(guān)系式進(jìn)行計(jì)算。

具體的，可參考圖5所示，本底趨勢(shì)變化部分表現(xiàn)的是數(shù)據(jù)隨著時(shí)間的推移變現(xiàn)出來(lái)的趨勢(shì)變化，一般情況下為線性變化、多項(xiàng)式變化等變化趨勢(shì)，也就是說(shuō)，在計(jì)算本底趨勢(shì)變化部分的關(guān)系式的過(guò)程中，可以使用如下計(jì)算方法：通過(guò)卡爾曼濾波器和降采樣的方法在所述樣本用戶賬號(hào)在預(yù)設(shè)的信用數(shù)據(jù)類型下的樣本信用數(shù)據(jù)中分離出與所述本底趨勢(shì)變化部分對(duì)應(yīng)的數(shù)據(jù)，通過(guò)線性擬合或多項(xiàng)式擬合的方式得到穩(wěn)定性特征函數(shù)的本底趨勢(shì)變化部分。

具體的，卡爾曼濾波器的作用是對(duì)于時(shí)變線性系統(tǒng)中，從一組有限的，包含噪聲的，隨著時(shí)間變化的樣本信用數(shù)據(jù)預(yù)測(cè)出下一時(shí)刻的樣本信用數(shù)據(jù)以及對(duì)應(yīng)的變化趨勢(shì)。降采樣可用于對(duì)于步驟S102中已經(jīng)進(jìn)行抽樣處理的樣本信用數(shù)據(jù)進(jìn)行進(jìn)一步的抽樣，即將采樣，從而使得分析的樣本信用數(shù)據(jù)的數(shù)據(jù)樣點(diǎn)減小，也就是減少運(yùn)算時(shí)間。

對(duì)于通過(guò)卡爾曼濾波器和降采樣的方法從樣本信用數(shù)據(jù)中分離出來(lái)的本底趨勢(shì)變化部分的具體數(shù)據(jù)，在這里，稱之為本底趨勢(shì)變化量，即f₁,f₂,…,f_i,…,f_n，按照線性擬合或者多項(xiàng)式擬合的方式，將本底趨勢(shì)變化量與時(shí)間自變量t₁,t₂,…,t_i,…,t_n之間的關(guān)系進(jìn)行擬合，獲取對(duì)應(yīng)的表達(dá)式，即f＝f(t)的具體表達(dá)式。需要說(shuō)明的是，在本實(shí)施例中，本底趨勢(shì)變化部分的具體表達(dá)式的計(jì)算是唯一的，是通過(guò)線性擬合、二次多項(xiàng)式擬合、三次多項(xiàng)式擬合、N次多項(xiàng)式擬合等多次運(yùn)算，并且從多次運(yùn)算的結(jié)果中計(jì)算其對(duì)應(yīng)的擬合度和/或殘差，從中篩選出擬合效果最優(yōu)的結(jié)果作為本底趨勢(shì)變化部分的表達(dá)式，也就是說(shuō)，從多次回歸的結(jié)果中挑選殘差最小、擬合度最佳的回歸表達(dá)式作為穩(wěn)定性特征函數(shù)的本底趨勢(shì)變化部分。

也就是說(shuō)，本底趨勢(shì)變化部分可用如下的關(guān)系式表示

$f\left(t\right)=C+{\Σ}_i^n{a}_i{t}^i,$

其中，常量C表示本底趨勢(shì)變化部分中的本底水平，a_i為線性函數(shù)或者多項(xiàng)式函數(shù)的系數(shù)。

在本底趨勢(shì)變化部分被分離之后，樣本信用數(shù)據(jù)中的剩余部分未周期性變化部分和隨機(jī)變化部分。根據(jù)數(shù)據(jù)的周期性變化的特性，可以使用傅里葉分析或小波分析對(duì)剩余部分的呈現(xiàn)出周期性規(guī)律的數(shù)據(jù)進(jìn)行分離，具體的：通過(guò)傅里葉分析或小波分析分離出與周期性變化部分對(duì)應(yīng)的數(shù)據(jù)，對(duì)該數(shù)據(jù)通過(guò)多項(xiàng)式擬合得到穩(wěn)定性特征函數(shù)的周期性變化部分，根據(jù)剩余部分的數(shù)據(jù)得到穩(wěn)定性特征函數(shù)的隨機(jī)變化部分。具體的，因?yàn)楦道锶~分析和小波分析可以對(duì)時(shí)域上的數(shù)據(jù)進(jìn)行信噪分離以及其傅里葉分析的周期性質(zhì)，因此可以對(duì)樣本信用數(shù)據(jù)的除去本底趨勢(shì)變化部分的剩余部分的周期性的變化進(jìn)行刻畫(huà)，即將樣本信用數(shù)據(jù)的剩余部分中的周期性變化部分進(jìn)行分離作為穩(wěn)定性特征函數(shù)的周期性變化部分，并將剩余部分作為隨機(jī)變化部分。

具體的，上述T(t)為周期性變化部分可用如下關(guān)系式表示：

$T\left(t\right)={\Σ}_i^n{a}_{ti}{g}_i\left(t\right)$

其中，g_i(t)為預(yù)設(shè)的周期函數(shù)，例如三角函數(shù)等周期函數(shù)，在本實(shí)施例中，可以令函數(shù)g_i(t)的首項(xiàng)系數(shù)為1，則a_ti為每個(gè)周期函數(shù)g_i(t)對(duì)應(yīng)的系數(shù)。

綜上所述，根據(jù)本底趨勢(shì)變化部分和周期性變化部分的值可以確定樣本信用數(shù)據(jù)的隨機(jī)變化部分ε的具體值，一般來(lái)講，ε為滿足高斯分布的隨機(jī)變量，或者滿足正態(tài)分布的隨機(jī)變量，亦或者滿足其他隨機(jī)分布的隨機(jī)變量。在具體的分析中，可以根據(jù)ε的具體值，確定其滿足的分布，從而確定穩(wěn)定性特征函數(shù)的具體表達(dá)式。

綜上所述，上述通過(guò)回歸算法得到的穩(wěn)定性特征函數(shù)的具體表達(dá)式為：

S＝f(t)+T(t)+ε，

其中，f(t)為本底趨勢(shì)變化部分：

$f\left(t\right)=C+{\Σ}_i^n{a}_i{t}^i,$

T(t)為周期性變化部分：

$T\left(t\right)={\Σ}_i^n{a}_{ti}{g}_i\left(t\right),$

g_i(t)為預(yù)設(shè)的周期函數(shù)；ε為服從均值為0的正態(tài)分布的隨機(jī)變量。

也就是說(shuō)，決定穩(wěn)定性特征函數(shù)的具體性質(zhì)的特征參數(shù)可以包括上述表達(dá)式中的C、a_i、a_ti和ε中的至少一個(gè)參數(shù)，當(dāng)然，還可以包括g_i(t)的具體表達(dá)式以及f(t)的次數(shù)。

步驟S106：計(jì)算樣本用戶集中的樣本用戶賬號(hào)在所述預(yù)設(shè)的信用數(shù)據(jù)類型下的穩(wěn)定性特征函數(shù)的特征參數(shù)的分布，計(jì)算所述分布在預(yù)設(shè)的分布特征類型下的特征值。

如前所述，穩(wěn)定性特征函數(shù)的特征參數(shù)包括C、a_i、a_ti和ε中的至少一個(gè)參數(shù)。也就是說(shuō)，對(duì)于多個(gè)用戶中的某個(gè)信用數(shù)據(jù)類型而言，通過(guò)上述回歸算法得到C、a_i、a_ti和ε是與樣本用戶賬號(hào)相關(guān)的，即樣本用戶集中的樣本用戶賬號(hào)在某個(gè)信用數(shù)據(jù)類型下各自都有一個(gè)獨(dú)特的C(當(dāng)然，不同的樣本用戶賬號(hào)對(duì)應(yīng)的C的值可以相同)，則可得到每個(gè)樣本用戶賬號(hào)在該信用數(shù)據(jù)類型下對(duì)應(yīng)的C值的分布。

預(yù)設(shè)的分布特征類型包括均值、方差、最大最小值、百分位數(shù)等。如上例中，得到每個(gè)樣本用戶賬號(hào)在該信用數(shù)據(jù)類型下對(duì)應(yīng)的C值的分布之后，則可計(jì)算該C值的分布的均值得到所有樣本用戶賬號(hào)在該信用數(shù)據(jù)類型下的C值的均值(即分布特征類型為“均值”下的特征值)，計(jì)算該C值的分布的方差得到所有樣本用戶賬號(hào)在該信用數(shù)據(jù)類型下的C值分布的方差(即分布特征類型為“方差”下的特征值)。

步驟S108：對(duì)在所述預(yù)設(shè)的信用數(shù)據(jù)類型下的每個(gè)特征參數(shù)在的每個(gè)預(yù)設(shè)的分布特征類型下的每個(gè)特征值進(jìn)行歸一化并加權(quán)后得到與所述預(yù)設(shè)的信用數(shù)據(jù)類型對(duì)應(yīng)的穩(wěn)定性指標(biāo)。

對(duì)于某個(gè)預(yù)設(shè)的信用數(shù)據(jù)類型x，若分布特征類型的序號(hào)為i，每個(gè)穩(wěn)定性特征函數(shù)的特征參數(shù)的序號(hào)為j，則x在第j個(gè)穩(wěn)定性特征函數(shù)的特征參數(shù)下的第i個(gè)分布特征類型下的穩(wěn)定性指標(biāo)即為而相應(yīng)的每個(gè)還預(yù)設(shè)有權(quán)重系數(shù)然后通過(guò)累加，即可得到信用數(shù)據(jù)類型x的穩(wěn)定性指標(biāo)。

得到征信系統(tǒng)在信用數(shù)據(jù)類型x的穩(wěn)定性指標(biāo)之后，即可得到征信系統(tǒng)在信用數(shù)據(jù)類型x下的穩(wěn)定程度。例如，若預(yù)設(shè)的信用數(shù)據(jù)類型中包括用戶的信用度這一類型，而計(jì)算得到該信用數(shù)據(jù)類型的穩(wěn)定性指標(biāo)較低，則意味著，該征信系統(tǒng)的信用度計(jì)算模型在計(jì)算信用度時(shí)的算法有較大問(wèn)題，計(jì)算得到的信用度準(zhǔn)確度不夠，從而可反饋給征信系統(tǒng)調(diào)整信用度的計(jì)算算法，提高征信系統(tǒng)計(jì)算信用度的準(zhǔn)確性。

進(jìn)一步的，還可根據(jù)所述預(yù)設(shè)的信用數(shù)據(jù)類型下的樣本信用數(shù)據(jù)計(jì)算所述預(yù)設(shè)的信用數(shù)據(jù)類型的穩(wěn)定性指標(biāo)的相關(guān)度。

由于提取到的模型數(shù)據(jù)實(shí)際上是從模型的數(shù)據(jù)流圖當(dāng)中的不同采樣點(diǎn)(即不同的信用數(shù)據(jù)類型)得到的數(shù)據(jù)片段，因此不同的片段之間往往存在著相關(guān)性，這種相關(guān)性既包含穩(wěn)定性特征的相關(guān)性，也包含模型數(shù)據(jù)邏輯上的相關(guān)性和因果性。例如，如前所述，信用度的類型G由于是通過(guò)作為信用數(shù)據(jù)類型E和F計(jì)算得到的，而信用數(shù)據(jù)類型E和F的數(shù)據(jù)又是通過(guò)作為征信系統(tǒng)的原始采樣數(shù)據(jù)的A、B、C、D計(jì)算得到的，因此信用度G與作為中間數(shù)據(jù)的信用數(shù)據(jù)類型E和F存在較強(qiáng)的相關(guān)性，作為征信系統(tǒng)的原始采樣數(shù)據(jù)的A、B、C、D均有一定的相關(guān)性。

而征信模型的數(shù)據(jù)流圖往往存在一定的層次性，于是從不同層次中提取得到的數(shù)據(jù)片段的相關(guān)性反映了不穩(wěn)定因素在模型中的傳導(dǎo)過(guò)程，因此能夠以此追根溯源，找出不穩(wěn)定因素發(fā)生的本源。

例如，若計(jì)算得到信用度G的穩(wěn)定性指標(biāo)較低，而信用數(shù)據(jù)類型E與信用度G的相關(guān)度較高，信用數(shù)據(jù)類型A和B與信用數(shù)據(jù)類型E的相關(guān)性較高，則意味著征信系統(tǒng)在通過(guò)信用數(shù)據(jù)類型A和B的數(shù)據(jù)計(jì)算信用數(shù)據(jù)類型E的中間數(shù)據(jù)時(shí)，穩(wěn)定性得到了降低，從而進(jìn)一步地影響了信用度G的穩(wěn)定性指標(biāo)，從而可幫助征信系統(tǒng)改進(jìn)通過(guò)信用數(shù)據(jù)類型A和B的數(shù)據(jù)計(jì)算信用數(shù)據(jù)類型E的中間數(shù)據(jù)的算法。

追溯不穩(wěn)定因素在模型中的傳導(dǎo)過(guò)程，應(yīng)當(dāng)將不同層次之間的穩(wěn)定特征的相關(guān)性與邏輯上的因果性相結(jié)合?？梢酝ㄟ^(guò)Pearson相關(guān)系數(shù)、Spearman相關(guān)系數(shù)等方法，分別對(duì)層次之間的不同變量的相同穩(wěn)定性特征兩兩組合，求其相關(guān)系數(shù)，得到穩(wěn)定性的相關(guān)性；然后通過(guò)層次之間不同變量的序列和差分序列兩兩組合，求其相關(guān)系數(shù)，得到模型的因果性，最后將兩者糅合得到不穩(wěn)定因素在模型層次間的傳遞關(guān)系，并整合成傳導(dǎo)過(guò)程。

在所述預(yù)設(shè)的信用數(shù)據(jù)類型下的每個(gè)特征參數(shù)在的每個(gè)預(yù)設(shè)的分布特征類型還對(duì)應(yīng)有初始設(shè)定的歸一化的可靠度。

所述方法還包括：

通過(guò)加權(quán)抽樣的方法得到預(yù)設(shè)的信用數(shù)據(jù)類型下的每個(gè)特征參數(shù)在的每個(gè)預(yù)設(shè)的分布特征類型的可靠度的置信度，從而得到預(yù)設(shè)的信用數(shù)據(jù)類型下的每個(gè)特征參數(shù)在的每個(gè)預(yù)設(shè)的分布特征類型對(duì)應(yīng)的量化穩(wěn)定性。

對(duì)給定的預(yù)設(shè)的信用數(shù)據(jù)類型下的每個(gè)特征參數(shù)在的每個(gè)預(yù)設(shè)的分布特征類型s，通過(guò)人工給出的穩(wěn)定性程度量化表求得其量化值V_s，并進(jìn)行歸一化，使得V_s∈[-1,1]，其中-1表示該指標(biāo)非常不穩(wěn)定，1表示非常穩(wěn)定。然后可將所有變量的V值放入同一總體空間V_Ω，并使用{W_s′}作為非均勻抽樣的權(quán)重，從中抽取一定量的樣本P，然后使用非參數(shù)分布估計(jì)方法估計(jì)其分布常見(jiàn)的非參數(shù)分布估計(jì)方法包括直方圖估計(jì)、核密度估計(jì)。根據(jù)估計(jì)得到的分布計(jì)算與參考分布的散度作為置信度的參照值，即：

其中表示與的分布散度，包括常見(jiàn)的f-散度和KL散度；u是置信度量化映射函數(shù)。參考分布與置信度量化函數(shù)u根據(jù)經(jīng)驗(yàn)選定。

進(jìn)一步的，還可進(jìn)行特征分布分析的量化結(jié)果分析：

對(duì)于任意模型中的可評(píng)估變量x_i，其穩(wěn)定性指標(biāo)對(duì)應(yīng)的量化權(quán)值和量化穩(wěn)定性計(jì)算兩者的疊加其中t為疊加函數(shù)，通常使用乘法。對(duì)中的元素進(jìn)行排序，找出每個(gè)變量x_i對(duì)應(yīng)最大的并給出對(duì)應(yīng)的指標(biāo)所屬于的成分類型和特征類型，記作該變量的主要不穩(wěn)定因素。按照進(jìn)行排序，找出主要的不穩(wěn)定變量x_i。

進(jìn)一步的，還可進(jìn)行層次相關(guān)分析的量化結(jié)果分析：

對(duì)于模型中的相鄰層次，從輸入數(shù)據(jù)層自底向上進(jìn)行量化結(jié)果的分析，每一層的可評(píng)估變量x_i，其穩(wěn)定性指標(biāo)對(duì)應(yīng)的量化權(quán)值和量化穩(wěn)定性計(jì)算兩者的疊加由于相關(guān)系數(shù)僅在相同定義的可評(píng)估變量上才有意義，因此分別對(duì)j個(gè)進(jìn)行排序，得到各自最大的相關(guān)變量利用設(shè)定的閾值k,對(duì)其進(jìn)行過(guò)濾：從而提取相應(yīng)的傳遞關(guān)系。然后將各層變量之間的傳遞關(guān)系構(gòu)造得到不同成分的變量層次穩(wěn)定性傳遞圖，傳遞系數(shù)即為層次穩(wěn)定性傳遞圖能夠有效反映不穩(wěn)定性在模型中的產(chǎn)生和傳遞過(guò)程，以及具體產(chǎn)生的步驟。

此外，為解決傳統(tǒng)技術(shù)中征信系統(tǒng)的穩(wěn)定性不足的技術(shù)問(wèn)題，在一個(gè)實(shí)施例中，還提出了一種征信系統(tǒng)的穩(wěn)定性指標(biāo)生成裝置，如圖6所示，上述征信系統(tǒng)的穩(wěn)定性指標(biāo)生成裝置包括樣本信用數(shù)據(jù)采集模塊102、穩(wěn)定性特征函數(shù)計(jì)算模塊104、特征值計(jì)算模塊106以及穩(wěn)定性指標(biāo)計(jì)算模塊108，其中：

樣本信用數(shù)據(jù)采集模塊102，用于在征信系統(tǒng)中選定樣本用戶集，抽樣采集所述樣本用戶集中的樣本用戶賬號(hào)在預(yù)設(shè)的信用數(shù)據(jù)類型下的樣本信用數(shù)據(jù)；

穩(wěn)定性特征函數(shù)計(jì)算模塊104，用于對(duì)于所述樣本用戶集中的每個(gè)樣本用戶賬號(hào)，根據(jù)預(yù)設(shè)的回歸算法，計(jì)算該樣本用戶賬號(hào)在預(yù)設(shè)的信用數(shù)據(jù)類型下的樣本信用數(shù)據(jù)隨時(shí)間變化的穩(wěn)定性特征函數(shù)，所述穩(wěn)定性特征函數(shù)包括本底趨勢(shì)變化部分、周期性變化部分和隨機(jī)變化部分；

特征值計(jì)算模塊106，用于計(jì)算所述樣本用戶集中的樣本用戶賬號(hào)在所述預(yù)設(shè)的信用數(shù)據(jù)類型下的穩(wěn)定性特征函數(shù)的特征參數(shù)的分布，計(jì)算所述分布在預(yù)設(shè)的分布特征類型下的特征值；

穩(wěn)定性指標(biāo)計(jì)算模塊108，用于對(duì)在所述預(yù)設(shè)的信用數(shù)據(jù)類型下的每個(gè)特征參數(shù)在的每個(gè)預(yù)設(shè)的分布特征類型下的每個(gè)特征值進(jìn)行歸一化并加權(quán)后得到與所述預(yù)設(shè)的信用數(shù)據(jù)類型對(duì)應(yīng)的穩(wěn)定性指標(biāo)。

可選的，在其中一個(gè)實(shí)施例中，所述穩(wěn)定性特征函數(shù)計(jì)算模塊104還用于通過(guò)卡爾曼濾波器和降采樣的方法在所述樣本用戶賬號(hào)在預(yù)設(shè)的信用數(shù)據(jù)類型下的樣本信用數(shù)據(jù)中分離出與所述本底趨勢(shì)變化部分對(duì)應(yīng)的數(shù)據(jù)，通過(guò)線性擬合或多項(xiàng)式擬合的方式得到穩(wěn)定性特征函數(shù)的本底趨勢(shì)變化部分。

可選的，在其中一個(gè)實(shí)施例中，所述穩(wěn)定性特征函數(shù)計(jì)算模塊104還用于通過(guò)傅里葉分析或小波分析分離出與周期性變化部分對(duì)應(yīng)的數(shù)據(jù)，對(duì)該數(shù)據(jù)通過(guò)多項(xiàng)式擬合得到穩(wěn)定性特征函數(shù)的周期性變化部分，根據(jù)剩余部分的數(shù)據(jù)得到穩(wěn)定性特征函數(shù)的隨機(jī)變化部分。

可選的，在其中一個(gè)實(shí)施例中，所述回歸算法中的穩(wěn)定性特征函數(shù)為：

S＝f(t)+T(t)+ε

其中，f(t)為本底趨勢(shì)變化部分：

$f\left(t\right)=C+{\Σ}_i^n{a}_i{t}^i$

T(t)為周期性變化部分：

$T\left(t\right)={\Σ}_i^n{a}_{ti}{g}_i\left(t\right)$

g_i(t)為預(yù)設(shè)的周期函數(shù)；ε為服從均值為0的正態(tài)分布的隨機(jī)變量；所述穩(wěn)定性特征函數(shù)的特征參數(shù)包括C、a_i、a_ti和ε中的至少一個(gè)。

可選的，在其中一個(gè)實(shí)施例中，所述預(yù)設(shè)的信用數(shù)據(jù)類型包括至少一個(gè)；如圖6所示，所述裝置還包括穩(wěn)定性指標(biāo)相關(guān)性分析模塊110，用于根據(jù)所述預(yù)設(shè)的信用數(shù)據(jù)類型下的樣本信用數(shù)據(jù)計(jì)算所述預(yù)設(shè)的信用數(shù)據(jù)類型的穩(wěn)定性指標(biāo)的相關(guān)度。

實(shí)施本發(fā)明實(shí)施例，將具有如下有益效果：

采用了上述征信系統(tǒng)的穩(wěn)定性指標(biāo)生成方法及裝置之后，可在征信系統(tǒng)預(yù)設(shè)的信用數(shù)據(jù)類型下抽樣采集隨時(shí)間分布的多個(gè)樣本信用數(shù)據(jù)，然后根據(jù)該多個(gè)樣本信用數(shù)據(jù)的分布回歸為預(yù)設(shè)的穩(wěn)定性特征函數(shù)，然后計(jì)算樣本用戶集中的樣本用戶賬號(hào)在所述預(yù)設(shè)的信用數(shù)據(jù)類型下的穩(wěn)定性特征函數(shù)的特征參數(shù)的分布，以及該分布在預(yù)設(shè)的分布特征類型下的特征值，將計(jì)算得到的特征值歸一化并加權(quán)后即可得到與所述預(yù)設(shè)的信用數(shù)據(jù)類型對(duì)應(yīng)的穩(wěn)定性指標(biāo)。征信系統(tǒng)即可根據(jù)每個(gè)信用數(shù)據(jù)類型對(duì)應(yīng)的穩(wěn)定性指標(biāo)判定其自身的征信模型的計(jì)算信用度的算法是否存在穩(wěn)定性缺陷，從而方便征信系統(tǒng)修正其征信模型的算法，從而使得計(jì)算得到的用戶的信用度更加準(zhǔn)確。

在一個(gè)實(shí)施例中，如圖7所示，圖7展示了一種運(yùn)行上述征信系統(tǒng)的穩(wěn)定性指標(biāo)生成方法的基于馮諾依曼體系的計(jì)算機(jī)系統(tǒng)的終端10。該計(jì)算機(jī)系統(tǒng)可以是智能手機(jī)、平板電腦、掌上電腦，筆記本電腦或個(gè)人電腦等終端設(shè)備。具體的，可包括通過(guò)系統(tǒng)總線連接的外部輸入接口1001、處理器1002、存儲(chǔ)器1003和輸出接口1004。其中，外部輸入接口1001可選的可至少包括網(wǎng)絡(luò)接口10012。存儲(chǔ)器1003可包括外存儲(chǔ)器10032(例如硬盤、光盤或軟盤等)和內(nèi)存儲(chǔ)器10034。輸出接口1004可至少包括顯示屏10042等設(shè)備。

在本實(shí)施例中，本方法的運(yùn)行基于計(jì)算機(jī)程序，該計(jì)算機(jī)程序的程序文件存儲(chǔ)于前述基于馮諾依曼體系的計(jì)算機(jī)系統(tǒng)10的外存儲(chǔ)器10032中，在運(yùn)行時(shí)被加載到內(nèi)存儲(chǔ)器10034中，然后被編譯為機(jī)器碼之后傳遞至處理器1002中執(zhí)行，從而使得基于馮諾依曼體系的計(jì)算機(jī)系統(tǒng)10中形成邏輯上的樣本信用數(shù)據(jù)采集模塊102、穩(wěn)定性特征函數(shù)計(jì)算模塊104、特征值計(jì)算模塊106以及穩(wěn)定性指標(biāo)計(jì)算模塊108。且在上述征信系統(tǒng)的穩(wěn)定性指標(biāo)生成方法執(zhí)行過(guò)程中，輸入的參數(shù)均通過(guò)外部輸入接口1001接收，并傳遞至存儲(chǔ)器1003中緩存，然后輸入到處理器1002中進(jìn)行處理，處理的結(jié)果數(shù)據(jù)或緩存于存儲(chǔ)器1003中進(jìn)行后續(xù)地處理，或被傳遞至輸出接口1004進(jìn)行輸出。

以上所揭露的僅為本發(fā)明較佳實(shí)施例而已，當(dāng)然不能以此來(lái)限定本發(fā)明之權(quán)利范圍，因此依本發(fā)明權(quán)利要求所作的等同變化，仍屬本發(fā)明所涵蓋的范圍。