申请/专利权人：渤海银行股份有限公司

申请日：2024-03-22

公开（公告）日：2024-07-05

公开（公告）号：CN118297694A

主分类号：G06Q40/03

分类号：G06Q40/03;G06Q40/02;G06N3/092;G06N3/084

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明公开了一种基于深度强化学习识别银行贷款逾期风险的方法及装置，该方法包括以下步骤：步骤S1、准备样本数据；步骤S2、构造记录状态转移；步骤S3、重新进行采样；步骤S4、基于类别不平衡问题的重要性采样机制，更新采样概率；步骤S5、基于历史记忆力的利用和探索机制；步骤S6、计算未来最大回报；步骤S7、计算损失；步骤S8、更新Q网络参数；步骤S9、重复步骤S3到步骤S8，直到模型达到终止条件；步骤S10、基于训练好的强化学习模型，输出客户贷款的逾期预测概率，如果大于阈值，则认为存在逾期风险。本发明通过两种优化机制，完成强化学习模型的训练，模型输出每一个企业客户样本的逾期概率，如果大于阈值，则认为该企业客户存在逾期风险。

主权项：1.基于深度强化学习识别银行贷款逾期风险的方法，其特征在于：该方法包括以下步骤：步骤S1、准备客户的样本数据；步骤S2、基于Epsilon-greedy策略初始化样本数据生成动作，构造POOL经验池记录状态转移；步骤S3、根据不同的采样概率samplei从POOL经验池中重新进行采样；步骤S4、Q网络输出采样后状态对应的动作价值v，重新计算每个动作的学习结果，基于类别不平衡问题的重要性采样机制，在动作的学习结果基础上，继续优化多数类和少数类的样本重要性，更新POOL经验池状态对应的采样概率samplei；步骤S5、基于历史记忆力的利用和探索机制，结合历史记忆力和当前动作结果学习情况，继续更新采样概率samplei，根据动作失败率actionErrorRate，判断下一次的行为是探索新的动作或者利用历史经验；步骤S6、基于当前状态和动作，根据综合奖励方法计算动作奖励，结合动作奖励和当前动作价值v计算未来最大回报；步骤S7、根据当前状态的价值、未来最大回报，计算深度强化学习DQN模型的损失；步骤S8、基于计算得到的模型损失采用梯度下降法更新Q网络参数；步骤S9、重复步骤S3到步骤S8，直到模型达到终止条件；步骤S10、基于训练好的强化学习模型，输出客户贷款的逾期预测概率，如果大于阈值，则认为存在逾期风险。

全文数据：

权利要求：

百度查询： 渤海银行股份有限公司 基于深度强化学习识别银行贷款逾期风险的方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD