本發(fā)明涉及模型訓(xùn)練，具體涉及信用模型更新方法、裝置、設(shè)備、存儲(chǔ)介質(zhì)及程序產(chǎn)品。

背景技術(shù)：

1、信用評(píng)分是指對(duì)個(gè)人還貸時(shí)發(fā)生違約的風(fēng)險(xiǎn)進(jìn)行量化評(píng)估的活動(dòng)。相關(guān)技術(shù)中，采用logistic回歸模型、基于樹(shù)的方法(cart、xgboost、lightgbm)、神經(jīng)網(wǎng)絡(luò)模型等進(jìn)行信用評(píng)分建模，以評(píng)估債權(quán)人因借款人未履約而遭受損失的可能性，輔助決策。

2、然而，上述方案都是通過(guò)交叉熵?fù)p失、均方誤差損失等作為損失函數(shù)進(jìn)行模型訓(xùn)練，在訓(xùn)練過(guò)程中更加關(guān)注模型的分類(lèi)準(zhǔn)確性，側(cè)重于對(duì)預(yù)測(cè)值與真實(shí)值之間的差異進(jìn)行建模，忽略了信用評(píng)分模型需要正確地將用戶(hù)按照違約風(fēng)險(xiǎn)大小進(jìn)行排序的需求；交叉熵?fù)p失計(jì)算時(shí)涉及對(duì)數(shù)運(yùn)算，會(huì)放大預(yù)測(cè)值和真實(shí)值之間的差距，均方誤差對(duì)每個(gè)樣本的誤差進(jìn)行平方處理，在進(jìn)行模型訓(xùn)練時(shí)對(duì)異常值敏感，而信用評(píng)分領(lǐng)域的用戶(hù)多、數(shù)據(jù)源多樣，會(huì)產(chǎn)生大量異常值，影響到模型的穩(wěn)定性；并且，交叉熵?fù)p失、均方誤差損失都是對(duì)稱(chēng)的損失函數(shù)，當(dāng)發(fā)生預(yù)測(cè)錯(cuò)誤時(shí)，無(wú)論針對(duì)的客戶(hù)優(yōu)質(zhì)與否，都給予相同的懲罰，但是在信用評(píng)分領(lǐng)域中，若針對(duì)非優(yōu)質(zhì)客戶(hù)發(fā)生預(yù)測(cè)錯(cuò)誤一般會(huì)造成更大的損失，因此通過(guò)上述方案訓(xùn)練得到的信用評(píng)分模型與信用評(píng)分領(lǐng)域的目標(biāo)需求不匹配，影響到預(yù)測(cè)的準(zhǔn)確性。

3、因此，亟需一種能夠?qū)⒂脩?hù)按照違約風(fēng)險(xiǎn)大小進(jìn)行排序且穩(wěn)定性好、準(zhǔn)確性高的信用模型更新方法。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供一種信用模型更新方法、裝置、設(shè)備、存儲(chǔ)介質(zhì)及程序產(chǎn)品，以解決相關(guān)技術(shù)中進(jìn)行信用評(píng)分模型訓(xùn)練時(shí)難以將用戶(hù)按照違約風(fēng)險(xiǎn)大小進(jìn)行排序且穩(wěn)定性差、準(zhǔn)確性低的問(wèn)題。

2、第一方面，本發(fā)明提供了一種信用模型更新方法，所述方法包括：

3、獲取信用違約數(shù)據(jù)；所述信用違約數(shù)據(jù)包括用戶(hù)信息以及違約情況；

4、基于所述信用違約數(shù)據(jù)，構(gòu)建ks統(tǒng)計(jì)量；所述ks統(tǒng)計(jì)量用于指示目標(biāo)模型判斷用戶(hù)違約的準(zhǔn)確性；所述ks統(tǒng)計(jì)量中包括目標(biāo)模型的違約評(píng)分閾值以及目標(biāo)模型的權(quán)重參數(shù)；

5、以所述ks統(tǒng)計(jì)量最大為第一更新目標(biāo)，更新所述違約評(píng)分閾值，以獲得目標(biāo)閾值；

6、以所述ks統(tǒng)計(jì)量最大為第二更新目標(biāo)，更新所述權(quán)重參數(shù)，得到更新后的目標(biāo)模型，以判斷用戶(hù)的信用評(píng)分。

7、在一種可選的實(shí)施方式中，所述ks統(tǒng)計(jì)量為：

8、

9、其中，n0是違約用戶(hù)的數(shù)量，n1是未違約用戶(hù)的數(shù)量，yi用于指示第i個(gè)用戶(hù)是否違約，yi＝1代表沒(méi)有違約，yi＝0代表違約；xi′用于指示第i個(gè)用戶(hù)的信用違約數(shù)據(jù)；β為表示目標(biāo)模型的權(quán)重參數(shù)；t為違約評(píng)分閾值，用于將目標(biāo)模型輸出的預(yù)測(cè)值分為兩類(lèi)，預(yù)測(cè)值小于t代表沒(méi)有違約，預(yù)測(cè)值大于t代表違約；xi′β用于指示用戶(hù)得分，用戶(hù)得分與違約風(fēng)險(xiǎn)成反比；用于指示目標(biāo)模型正確判斷用戶(hù)違約的比例；用于指示目標(biāo)模型將實(shí)際未違約用戶(hù)錯(cuò)誤判斷為發(fā)生違約的比例。

10、在一種可選的實(shí)施方式中，在所述以所述ks統(tǒng)計(jì)量最大為第一更新目標(biāo)，更新所述違約評(píng)分閾值之前，所述方法還包括：

11、構(gòu)建用于指示最大化ks(β)統(tǒng)計(jì)量的估計(jì)量公式如下：

12、

13、其中，的初始值設(shè)置為為β的最小二乘估計(jì)。

14、在一種可選的實(shí)施方式中，所述以所述ks統(tǒng)計(jì)量最大為第一更新目標(biāo)，更新所述違約評(píng)分閾值，以獲得目標(biāo)閾值，包括：

15、以獲取最大化的目標(biāo)閾值t(0)為第一更新目標(biāo)，設(shè)關(guān)于t的分段函數(shù)的截?cái)帱c(diǎn)候選值序列其中，是第i個(gè)用戶(hù)的用戶(hù)得分；

16、將截?cái)帱c(diǎn)候選值序列τ0按升序排列，得到排序后的截?cái)帱c(diǎn)候選值序列其中，用戶(hù)得分從小到大排列；

17、以為初始，通過(guò)以下公式迭代更新

18、

19、當(dāng)達(dá)到最大值時(shí)，將此時(shí)的用戶(hù)得分作為目標(biāo)閾值t(0)。

20、在一種可選的實(shí)施方式中，所述以所述ks統(tǒng)計(jì)量最大為第二更新目標(biāo)，更新所述權(quán)重參數(shù)，包括：

21、逐一更新β，用于指示第s次迭代后的權(quán)重參數(shù)，

22、用于指示第s次迭代時(shí)前k-1個(gè)變量已更新，則更新第k個(gè)變量的步驟如下：

23、步驟a1：記截?cái)帱c(diǎn)集合ds,k如下公式：

24、

25、其中，是在第s次迭代時(shí)的第i個(gè)截?cái)帱c(diǎn)，t(s)是當(dāng)前的閾值，是與當(dāng)前特征和之前特征有關(guān)的系數(shù)，xik是用戶(hù)數(shù)據(jù)的特征值，

26、步驟a2：將截?cái)帱c(diǎn)集合ds,k中的元素按照升序排序，得到

27、步驟a3：當(dāng)i＝1時(shí)，計(jì)算和

28、當(dāng)i∈[2，n]時(shí)，通過(guò)以下網(wǎng)格搜索規(guī)則更新和

29、

30、

31、情形1：

32、情形2：

33、情形3：

34、情形4：

35、情形5：

36、情形6：

37、情形7：

38、情形8：

39、除情形1至8以外的其他情形中，并且

40、步驟a4：計(jì)算令令

41、步驟a5：重復(fù)步驟a1至步驟a4，得到權(quán)重參數(shù)β(s+1)。

42、在一種可選的實(shí)施方式中，所述得到更新后的目標(biāo)模型，包括：

43、重復(fù)所述以所述ks統(tǒng)計(jì)量最大為第一更新目標(biāo)，更新所述違約評(píng)分閾值，以獲得目標(biāo)閾值的步驟以及所述步驟a1至步驟a5，直到目標(biāo)模型收斂；其中，目標(biāo)模型收斂條件如下公式：

44、|1-β(s-1)′β(s)|<10-6；

45、獲取模型收斂時(shí)的估計(jì)量采用所述模型收斂時(shí)的估計(jì)量更新目標(biāo)模型，得到更新后的目標(biāo)模型。

46、第二方面，本發(fā)明提供了一種信用模型更新裝置，所述裝置包括：

47、數(shù)據(jù)獲取模塊，用于獲取信用違約數(shù)據(jù)；所述信用違約數(shù)據(jù)包括用戶(hù)信息以及違約情況；

48、ks構(gòu)建模塊，用于基于所述信用違約數(shù)據(jù)，構(gòu)建ks統(tǒng)計(jì)量；所述ks統(tǒng)計(jì)量用于指示目標(biāo)模型判斷用戶(hù)違約的準(zhǔn)確性；所述ks統(tǒng)計(jì)量中包括目標(biāo)模型的違約評(píng)分閾值以及目標(biāo)模型的權(quán)重參數(shù)；

49、目標(biāo)閾值獲取模塊，用于以所述ks統(tǒng)計(jì)量最大為第一更新目標(biāo)，更新所述違約評(píng)分閾值，以獲得目標(biāo)閾值；

50、目標(biāo)模型更新模塊，用于以所述ks統(tǒng)計(jì)量最大為第二更新目標(biāo)，更新所述權(quán)重參數(shù)，得到更新后的目標(biāo)模型，以判斷用戶(hù)的信用評(píng)分。

51、第三方面，本發(fā)明提供了一種計(jì)算機(jī)設(shè)備，包括：存儲(chǔ)器和處理器，存儲(chǔ)器和處理器之間互相通信連接，存儲(chǔ)器中存儲(chǔ)有計(jì)算機(jī)指令，處理器通過(guò)執(zhí)行計(jì)算機(jī)指令，從而執(zhí)行上述第一方面或其對(duì)應(yīng)的任一實(shí)施方式的信用模型更新方法。

52、第四方面，本發(fā)明提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，該計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)指令，計(jì)算機(jī)指令用于使計(jì)算機(jī)執(zhí)行上述第一方面或其對(duì)應(yīng)的任一實(shí)施方式的信用模型更新方法。

53、第五方面，本發(fā)明提供了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)指令，計(jì)算機(jī)指令用于使計(jì)算機(jī)執(zhí)行上述第一方面或其對(duì)應(yīng)的任一實(shí)施方式的信用模型更新方法。

54、本發(fā)明提供的技術(shù)方案可以包括以下有益效果：

55、本發(fā)明提供的信用模型更新方法，通過(guò)選擇一個(gè)最優(yōu)的違約評(píng)分閾值，使得ks統(tǒng)計(jì)量最大化，確保目標(biāo)模型能夠有效地區(qū)分違約和未違約用戶(hù)，在確定了最優(yōu)的目標(biāo)閾值后，進(jìn)一步調(diào)整模型的權(quán)重參數(shù)，以達(dá)到更高的ks統(tǒng)計(jì)量，能夠使得目標(biāo)模型的排序能力和后續(xù)應(yīng)用時(shí)進(jìn)行判斷的準(zhǔn)確性更強(qiáng)，在進(jìn)行信用模型更新時(shí)，能夠?qū)⒂脩?hù)按照違約風(fēng)險(xiǎn)大小進(jìn)行排序且穩(wěn)定性好、準(zhǔn)確性高。