[0001] 本发明属于计算机决策系统技术领域，特别是涉及一种用于贷款放款的智能决策引擎、一种用于贷款的决策系统以及一种用于贷款放款的决策方法。

[0002] 贷款一般是银行、信用合作社等机构借钱给用钱单位或个人，一般规定利息、偿还日期；广义的贷款是指贷款、贴现、透支等出贷资金的总成，银行通过贷款的方式将所集中的货币及货币资金投放出去，可以满足社会扩大再生产对补充资金的需求，促进经济的发展。

[0003] 贷款的一般流程包括：(1)贷款申请阶段，客户需要向银行等贷款机构提出申请，并填写一些申请资料；(2)贷款审核阶段，借款机构需要对借款人提交的申请资料进行审核；(3)签订贷款合同，审核通过后双方会签订借款合同、担保合同等，视具体情况而定；(4)发放贷款。

[0004] 在整个贷款流程中，对于贷款的审核决策是最为重要的环节，审核决策的对与否直接关系信贷风险的问题，现有的贷款特别是无抵押贷款流程，依然采用的是人工审核，由审核人员依据征信报告对贷款主体的资格、资质、信用及财产状况进行系统的考察与调查；在实践中，对于贷款流程的审核与决策，有关审贷人员，往往只重视文件的识别，却缺乏对整体材料及数据的判断及决策，容易导致贷款流程中的欺诈，造成信贷的风险。

[0005] 现有的贷款审批存在如下问题：(1)基于互联网技术角度的渗透度低，审批风控水平参差不齐，多采用人工传统的方式进行审核，缺乏互联网科技的应用与协助，审核效率无法满足实际的业务需求；(2)传统的贷款审核所获取的调查资料无法与审批系统相连通、审查数据无法统一留存，后期调取数据困难；(3)贷款行业数据孤岛情况比较常见，缺乏共享机制，各金融机构之间的信息难以共通，对于贷款违约的风险易造成疏漏的情况。因此，针对以上问题，提供一种智能决策引擎、决策系统及决策方法具有重要实际意义。

[0037] 下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

[0038] 请参阅图1所示，本发明的一种智能决策引擎，是以SDK的形式提供给业务端，嵌入至贷款系统中，包括：

[0039] 初始化模块：用于对整个决策引擎的数据进行初始化，具体包括创建决策引擎实例、创建模型实例；创建决策引擎实例为选择具体的对应的决策引擎实例用于后续对对应贷款人员基于决策引擎实例下进行决策动作；创建模型实例是选择具体的对应的训练模型用于后续输入数据进行训练；

[0040] 数据处理模块：用于对用户录入的信息进行处理，包括数据采集和数据清洗；数据采集用于对贷款系统端用户输入的数据进行接口数据获取后采集；数据清洗用于对采集的数据进行正确性及规范性的判断，对不符合要求的数据进行异常提示，并由抓取和识别程序自动修改为满足要求的标准化格式的数据后进行收录，对于缺少的信息进行自动化补充；

[0041] 违约预测模块：用于根据用户录入的新数据进行违约的预测，并输出预测结果，在预测之前，先读取文件中的训练模型，该训练模型由训练模块进行训练并保存，在读取到训练模型后，即可将数据处理模块读入的数据传入至由训练模型训练后形成的违约预测模块中，经违约预测模块预测后将预测的结果返回给用户，给到用户该笔贷款是否可能违约的判断结果，并基于判断结果给出是否同意放贷的决策意见；

[0042] 模型管理模块：用于对违约预测模块中的训练模型进行训练新的训练模型以及对模型版本进行管理；

[0043] 决策引擎数据库：用于决策引擎的决策过程提供数据存储及支持，存储的数据包括违约预测模型信息、模型参数信息、模型评估信息、模型预测结果信息、预测数据信息；预测模型信息具体是在经过模型训练之后，将生成的模型文件保存与预测模型表中，包括模型的版本号、训练时间、参数id、模型评估结果id以及模芯文件；模型参数信息具体是基于预测模型参数表的形式进行存储训练模型时所需的模型参数，包括模型参数id、创建时间、logistic回归参数文件、支持向量机参数文件、随机森林参数文件、神经网络参数文件以及xgboost模型参数文件；模型预测结果信息具体是通过预测结果存储表的形式进行存储，包括预测编号、数据id、模型版本号、预测时间、预测结果；在原始数据中还包括以客户表形式存储的客户基本信息情况，包括客户编号、姓名、性别、联系电话以及订单号。

[0044] 如图4所示，其中，训练模块包括初级学习器及次级学习器，由初级学习器将训练集以及分类属性作为初级学习器的输入，然后根据初级学习器输出作为次级学习器的输入进行构建XGBoost复合树模型，最终得到学习模型并进行预测。

[0045] 其中，初级学习器包括Logistics回归、支持向量机、随机森林、神经网络。

[0046] 如图5所示，其中，智能决策引擎的工作流程是：

[0047] 模型训练及对应评估结果训练：获取用于预测的原始数据，利用数据处理模块对原始数据进行清洗获得符合要求及标准的模型数据，然后根据所获取的模型数据基于训练模块进行训练，获得对应的训练模型及训练模型对应的模型评估结果；

[0048] 实际预测：获得需要预测的用户原始数据，利用初始化模块选择对应的训练模型及决策引擎实例用于后续预测动作，利用数据处理模块对原始数据进行清洗获得符合要求及标准的模型数据，使用该模型数据进行实际的预测，并由违约预测模块预测后将预测的结果返回给用户，给到用户该笔贷款是否可能违约的判断结果，并基于判断结果给出是否同意放贷的决策意见。

[0049] 其中，原始数据包括用户所填报客户对应的个人基本信息、银行征信信息、单位征信信息、房产信息、车产信息以及网查信息；网查信息为基于客户姓名、身份证号、手机号及工作单位于工商信息网、法院信息综合查询网、犯罪信息查询网前述所列途径外查询到的信息。

[0050] 如图2所示，一种决策系统，采用如上述的智能决策引擎实现，包括：

[0051] 智能决策引擎；

[0052] 支持层：与智能决策引擎相连，为智能决策引擎提供客户贷款审批所需数据的录入和接入，包括录入客户的个人基本信息、单位征信信息以及接入对应的征信系统、房产信息、车产信息及以及网查信息的平台接口，用于用户实现对客户贷款信息操作且带有登录权限验证的终端；

[0053] 逻辑层：将支持层与智能决策引擎之间进行关联的程序代码及功能结构。

[0054] 如图3所示，一种智能决策决策方法，采用如上述的一种决策系统实现，包括如下步骤：

[0055] S1、用户基于授权的登录权限使用终端登录决策系统，填写需要进行贷款风险违约评测的客户的个人基本信息、单位征信信息，并勾选需要进行连接并抓取的征信系统、房产信息、车产信息及以及网查信息平台，自动抓取对应的原始数据信息；

[0056] S2、对所获得的需要预测的原始数据，利用初始化模块选择对应的训练模型及决策引擎实例用于后续预测动作，利用数据处理模块对原始数据进行清洗获得符合要求及标准的模型数据，使用该模型数据进行实际的预测；

[0057] S3、由违约预测模块预测后将预测的结果通过终端返回给用户，并于终端上进行显示，给到用户该笔贷款是否可能违约的判断结果，并基于判断结果给出是否同意放贷的决策意见。

[0058] 有益效果：

[0059] 本发明基于训练的模型对接收来自客户对应的多种类、多途径的各项数据及信息进行预测，参考信息数据广更加全面，且采用的是由训练的模型基于决策引擎自动化给出违约风险的结果，而非由人工进行判断违约风险，决策依据数据参考面广、准确率及效率高，决策评价客观性强，避免了人为因素的干扰，有利于放贷审核人员精准、高效、全面、迅速的对贷款人员的违约风险作出初步判断，且是基于计算机自动实现，而非人工评估，大大提高了决策的效率。

[0060] 以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。