本技術(shù)涉及智能風(fēng)控，尤其涉及一種基于移動設(shè)備監(jiān)測的智能金融風(fēng)控系統(tǒng)。

背景技術(shù)：

1、隨著金融科技的快速發(fā)展及移動設(shè)備的高度普及，金融服務(wù)正在向數(shù)字化、智能化、個(gè)性化的方向加速演進(jìn)。風(fēng)險(xiǎn)控制作為金融服務(wù)中的核心環(huán)節(jié)，其數(shù)據(jù)采集、建模、預(yù)測與監(jiān)控技術(shù)也在不斷創(chuàng)新升級。然而，現(xiàn)有的金融風(fēng)控系統(tǒng)在數(shù)據(jù)來源、特征工程、模型架構(gòu)、動態(tài)調(diào)整等方面仍面臨諸多不足與挑戰(zhàn)。

2、傳統(tǒng)金融風(fēng)控系統(tǒng)數(shù)據(jù)采集方式單一，主要依賴用戶的歷史金融行為數(shù)據(jù)，如銀行流水、信用卡賬單和征信記錄等，這種基于靜態(tài)數(shù)據(jù)的信用評估方式存在明顯的局限性。首先，數(shù)據(jù)類型單一，缺乏對用戶設(shè)備行為和時(shí)序特征的深度分析，其次，信息更新滯后，金融數(shù)據(jù)更新頻率低，難以實(shí)時(shí)反映用戶的信用狀況和財(cái)務(wù)行為變化。同時(shí)，對于缺乏傳統(tǒng)信用記錄的用戶，系統(tǒng)難以進(jìn)行有效評估。

3、目前，許多金融風(fēng)控系統(tǒng)仍然采用傳統(tǒng)的統(tǒng)計(jì)學(xué)模型（如邏輯回歸、決策樹等）或單一的機(jī)器學(xué)習(xí)算法（如隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)）進(jìn)行信用評分和額度預(yù)測。然而，這些方法存在一定的局限性。傳統(tǒng)統(tǒng)計(jì)學(xué)方法雖然具有良好的可解釋性，但在處理復(fù)雜非線性數(shù)據(jù)時(shí)表現(xiàn)較差，難以精準(zhǔn)刻畫用戶信用風(fēng)險(xiǎn)。此外，單一的機(jī)器學(xué)習(xí)模型在處理高維數(shù)據(jù)時(shí)可能面臨過擬合、魯棒性不足等問題，導(dǎo)致預(yù)測結(jié)果在不同用戶群體或不同時(shí)間段之間存在較大波動。

4、評分卡模型是當(dāng)前金融風(fēng)控領(lǐng)域的主要信用評估工具之一，其核心在于特征工程，尤其是特征分箱的處理方式。然而，傳統(tǒng)的評分卡模型通常依賴于人工設(shè)定的特征分箱方法，如等距分箱或等頻分箱，但存在諸多挑戰(zhàn)。人工設(shè)定的分箱方式可能無法適應(yīng)不同用戶群體的數(shù)據(jù)分布，導(dǎo)致模型的泛化能力較差；固定分箱策略難以適應(yīng)市場環(huán)境和用戶行為的變化，長期運(yùn)行后，可能會出現(xiàn)特征漂移問題，使得模型的預(yù)測能力下降。此外，傳統(tǒng)的評分卡模型通常缺乏自動化調(diào)整能力，當(dāng)數(shù)據(jù)分布發(fā)生變化時(shí)，需要人工介入重新調(diào)整分箱規(guī)則，增加了維護(hù)成本和調(diào)整難度，影響金融風(fēng)控系統(tǒng)的長期穩(wěn)定性。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)公開了一種基于移動設(shè)備監(jiān)測的智能金融風(fēng)控系統(tǒng)，基于對數(shù)據(jù)全面性、數(shù)據(jù)質(zhì)量、模型性能和用戶友好性等方面的優(yōu)化處理，為金融機(jī)構(gòu)提供了一種高效、智能、穩(wěn)定的風(fēng)控系統(tǒng)。

2、本技術(shù)采用的技術(shù)方案為：

3、一種基于移動設(shè)備監(jiān)測的智能金融風(fēng)控系統(tǒng)，其包括用戶終端、管理終端和服務(wù)器；

4、其中，用戶終端用于用戶身份認(rèn)證，采集用戶信息，以及用于用戶向管理終端發(fā)起金融業(yè)務(wù)申請；其中，用戶信息包括用戶個(gè)人信息和用戶終端的用戶設(shè)備行為信息；其中，用戶個(gè)人信息由用戶終端主動采集；用戶設(shè)備信息基于管理終端發(fā)起的監(jiān)測指令啟動采集；

5、管理終端用于接收并處理用戶終端采集的用戶信息，其包括數(shù)據(jù)預(yù)處理模塊、安全存儲模塊和金融業(yè)務(wù)管理模塊；其中，數(shù)據(jù)預(yù)處理模塊用于對接收的用戶信息進(jìn)行數(shù)據(jù)預(yù)處理并發(fā)送給安全存儲模塊；安全存儲模塊基于用戶id映射策略，對數(shù)據(jù)預(yù)處理后的用戶信息進(jìn)行去標(biāo)識化處理，再將處理后的用戶信息上傳至服務(wù)器，以存入指定的存儲位置；金融業(yè)務(wù)管理模塊用于接收用戶終端發(fā)起的金融業(yè)務(wù)申請，基于角色的訪問控制機(jī)制訪問服務(wù)器，并基于映射后的用戶id和金融業(yè)務(wù)申請內(nèi)容調(diào)用服務(wù)器上對應(yīng)的業(yè)務(wù)處理模塊，基于當(dāng)前調(diào)用的業(yè)務(wù)處理模塊的輸出生成響應(yīng)用戶發(fā)起的金融業(yè)務(wù)申請的業(yè)務(wù)處理結(jié)果返回給用戶終端；其中，服務(wù)器的業(yè)務(wù)處理模塊包括信用評分模塊和額度預(yù)測模塊；

6、服務(wù)器包括自動分箱模塊、信用評分模塊和額度預(yù)測模塊；其中，自動分箱模塊用于對管理終端上傳的預(yù)處理后的用戶個(gè)人信息進(jìn)行信息特征編碼，并將用戶個(gè)人信息的特征編碼發(fā)送給額度預(yù)測模塊和信用評分模塊；信用評分模塊基于用戶個(gè)人信息的特征編碼預(yù)測用戶的信用評分，額度預(yù)測模塊基于用戶設(shè)備行為時(shí)序特征和用戶個(gè)人信息的特征編碼預(yù)測用戶的貸款額度，其中用戶設(shè)備行為時(shí)序特征基于數(shù)據(jù)處理后的用戶設(shè)備行為信息獲得。

7、進(jìn)一步的，本技術(shù)的信用評分模塊可首先通過邏輯回歸模型預(yù)測出當(dāng)前用戶的違約概率，然后再將違約概率轉(zhuǎn)化為信用評分（也可稱為信用分）。

8、進(jìn)一步的，服務(wù)器的信用評分模塊基于個(gè)人信息特征計(jì)算出用戶的違約概率，并通過動態(tài)評分策略轉(zhuǎn)換為信用評分；額度預(yù)測模塊包括兩個(gè)預(yù)測模型；其中一個(gè)預(yù)測模型（即第一預(yù)測模型）采用編碼器-解碼器結(jié)構(gòu)，并基于用戶設(shè)備行為時(shí)序特征預(yù)測用戶的第一貸款預(yù)測額度；另一個(gè)預(yù)測模型（即第二預(yù)測模型）為基于梯度提升決策樹（gradientboosted?decision?trees，gbdt）的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其基于用戶個(gè)人信息的特征編碼預(yù)測用戶的第二貸款預(yù)測額度；基于第一和第二貸款預(yù)測額度的加權(quán)和得到額度預(yù)測模塊的最終預(yù)測額度。

9、進(jìn)一步的，服務(wù)器還包括動態(tài)風(fēng)控調(diào)整模塊，該動態(tài)風(fēng)控調(diào)整模塊基于設(shè)置的第一檢測周期，定期計(jì)算信息特征的群體穩(wěn)定性指數(shù)（population?stability?index，psi），當(dāng)群體穩(wěn)定性指數(shù)大于或等于指定的第一閾值時(shí)，觸發(fā)對自動分箱模塊的分箱重構(gòu)處理；動態(tài)風(fēng)控調(diào)整模塊基于設(shè)置的第二檢測周期，定期計(jì)算信用評分模塊的統(tǒng)計(jì)量（kolmogorov?smirnov，ks），當(dāng)最近兩次的統(tǒng)計(jì)量的波動大于或等于指定的第二閾值時(shí)，重新進(jìn)行用戶信息的特征篩選和調(diào)整分箱策略，其中，第一檢測周期小于第二檢測周期。

10、進(jìn)一步的，用戶個(gè)人信息具體包括：姓名、電話號碼、性別、年收入、身份證號碼、居住情況、學(xué)歷、貸款金額、貸款期限、貸款利率、貸款等級、貸款用途類別、債務(wù)收入比、分期付款金額、就業(yè)職稱、就業(yè)年限等基本身份信息。

11、進(jìn)一步的，用戶設(shè)備行為信息包括：安裝應(yīng)用目錄、設(shè)備使用行為、ip地址、每日登錄次數(shù)、單次使用時(shí)長、地理位置變化頻率和風(fēng)險(xiǎn)目標(biāo)應(yīng)用程序使用時(shí)長占比等。

12、進(jìn)一步的，采用編碼器-解碼器結(jié)構(gòu)的預(yù)測模型設(shè)置為基于長短期記憶網(wǎng)絡(luò)（lstm）和注意力機(jī)制的網(wǎng)絡(luò)結(jié)構(gòu)，其中，編碼器為基于長短期記憶網(wǎng)絡(luò)的結(jié)構(gòu)，解碼器為編碼器的逆操作，且通過注意力機(jī)制網(wǎng)絡(luò)將編碼器輸出的編碼特征進(jìn)行注意力處理后，再將其送入解碼器中，然后再基于全連接層將解碼器的輸出映射為第一貸款預(yù)測額度，該預(yù)測模型的模型輸入為用戶設(shè)備行為時(shí)序特征；

13、例如可以將用戶設(shè)備行為時(shí)序特征具體設(shè)置為：每日登錄次數(shù)、單次使用時(shí)長、地理位置變化頻率和風(fēng)險(xiǎn)目標(biāo)應(yīng)用程序使用時(shí)長占比等。再基于指定的時(shí)間步長，使用過去連續(xù)天的歷史用戶設(shè)備行為時(shí)序特征作為預(yù)測模型輸入，預(yù)測未來天的第一貸款預(yù)測額度，其中，為指定的預(yù)測天數(shù)，例如設(shè)置為7。

14、進(jìn)一步的，第二預(yù)測模型（基于梯度提升決策樹的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的預(yù)測模型）具體設(shè)置為：

15、將用戶個(gè)人信息的特征編碼輸入梯度提升決策樹模型（如輕量的梯度提升機(jī)模型（lightgbm）模型），模型的輸出為值域?yàn)?~1的違約概率，記為；

16、對用戶個(gè)人信息的特征編碼進(jìn)行標(biāo)準(zhǔn)化處理后，再與拼接得到增強(qiáng)特征矩陣；

17、構(gòu)建神經(jīng)網(wǎng)絡(luò)用于預(yù)測第二貸款預(yù)測額度，該神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)為增強(qiáng)特征矩陣。

18、進(jìn)一步的，第二預(yù)測模型在訓(xùn)練時(shí)采用的損失函數(shù)設(shè)置為：

19、

20、其中，表示損失函數(shù)，n表示樣本數(shù)，為樣本編號，為真實(shí)標(biāo)簽，表示樣本的違約概率（即違約概率），為設(shè)置貢獻(xiàn)因子，基于自動化分箱模塊獲取的信息價(jià)值進(jìn)行實(shí)時(shí)調(diào)整，調(diào)整方式為：，其中表示特征f的信息價(jià)值，表示確定所有特征的最大信息價(jià)值。

21、進(jìn)一步的，數(shù)據(jù)預(yù)處理模塊的數(shù)據(jù)預(yù)處理包括：繪制直方圖，計(jì)算描述性統(tǒng)計(jì)信息（如最大值、最小值、均值和分位數(shù)等），處理異常值和缺失值，數(shù)據(jù)清洗，以及采用one-hot編碼對用戶信息中的分類變量進(jìn)行轉(zhuǎn)換，并剔除方差膨脹因子大于指定膨脹因子閾值的特征，刪除取值單一化程度大于或等于出現(xiàn)頻率閾值的無效特征。

22、進(jìn)一步的，用戶id映射策略具體為：

23、對設(shè)置的目標(biāo)敏感信息（如姓名、身份證號、電話號碼），采用哈希算法生成唯一標(biāo)識符，以該唯一標(biāo)識符作為服務(wù)器的數(shù)據(jù)索引，得到去標(biāo)識化后的用戶信息，并將其傳輸?shù)椒?wù)器上的指定數(shù)據(jù)庫中，從而保證傳輸過程中不直接存儲或傳輸真實(shí)身份信息。

24、進(jìn)一步的，自動化分箱模塊進(jìn)行信息特征提取時(shí)包括：對于連續(xù)型變量，采用條件熵最小化算法進(jìn)行分割，以確保每個(gè)分箱內(nèi)數(shù)據(jù)的內(nèi)在一致性；對于離散型變量，采用卡方檢驗(yàn)合并相鄰類別，計(jì)算單特征維度的編碼（如woe（weight?of?evidence?encodin）編碼）和信息價(jià)值（infommation?value,iv）來驗(yàn)證分箱效果，進(jìn)一步提高模型的可解釋性。

25、本技術(shù)提供的技術(shù)方案至少帶來如下有益效果：

26、本技術(shù)所提出的金融風(fēng)控系統(tǒng)通過深度分析用戶實(shí)時(shí)設(shè)備數(shù)據(jù)與多維度靜態(tài)特征，精準(zhǔn)預(yù)測信用風(fēng)險(xiǎn)（信用評分模塊輸出的信用評分）和可用額度（額度預(yù)測模塊的最終預(yù)測額度），實(shí)現(xiàn)動態(tài)風(fēng)控策略調(diào)整，提升了金融機(jī)構(gòu)的風(fēng)險(xiǎn)管理效率與用戶服務(wù)質(zhì)量。相比傳統(tǒng)風(fēng)控系統(tǒng)，本技術(shù)所請求保護(hù)的技術(shù)方案在數(shù)據(jù)全面性、數(shù)據(jù)質(zhì)量、模型性能、用戶友好性等方面實(shí)現(xiàn)了優(yōu)化，為金融機(jī)構(gòu)提供了一種高效、智能、穩(wěn)定的風(fēng)控解決方案。本技術(shù)所提系統(tǒng)可適用于銀行、消費(fèi)金融及其他金融機(jī)構(gòu)等的風(fēng)險(xiǎn)控制需求。