一种基于人工智能深度学习和多参数动态博弈的银行贷款发放与贷后管理决策支持系统

摘要

本发明主要属于科技金融信贷决策领域，具体涉一种基于人工智能深度学习和多参数动态博弈的银行贷款发放与贷后管理决策支持系统。本发明通过运筹学、博弈论、网络科学与经济学交叉的理论研究方法，综合考虑现有的人工智能、云计算、大数据、机器学习等前沿技术，并借鉴数据挖掘与机器学习、数据处理、深度学习理论，在金融机构在信贷决策时存在信息不对称的复杂动态的商业环境基础上，采用人工智能深度增强学习DQN的模型模拟人做决策的动态过程，构建多层次、全方位的用户识别、贷前评估及贷后管理的系统化智能化贷款决策系统，提高金融机构跨行业、跨市场、交叉性金融风险的识别、防范以及化解能力。

说明书

技术领域

本发明主要属于科技金融信贷决策领域，具体涉一种基于人工智能深度学习和多参数动态博弈的银行贷款发放与贷后管理决策支持系统。

背景技术

由于现有贷款流程中存在信息不对称问题，银行无法获取贷款者全部信息，因此银行在向客户提供贷款服务时尤为审慎，这使得贷款审核及发放流程较长，贷款客户体验感较差。同时，由于存在信息不对称，目前银行无足够数据和子信息进行决策，在进行贷后决策时也难以基于消费者不同的还款行为形成最优化贷后管理政策和动态化智能化的政策体系。

银行传统贷款业务流程存在诸多问题，经济新常态下须寻求转型。由于信息不对称，银行信贷业务中存在信用风险、市场风险以及流动性风险，同时，传统信贷管理流程中缺乏技术介入，银行内部上下级之间信息也存在差异，进一步导致了信贷审核效率低等问题。在经济新常态下，目前传统信贷业务存在以下信贷管理的行政化倾向、风险管理机制不合理、信用风险分析方法落后等问题。新形势下，银行需要对传统信贷管理方法进行优化。

基于新兴网络科学及传统经济学结合的视角，科技金融通过融合人工智能、区块链等核心技术，探寻其在金融经济领域应用场景。科技金融涵盖领域可简要概括为（1）信贷、存款及融资服务（2）支付、清算及结算（3）投资管理服务（4）保险。科技金融通过应用人工智能、区块链等技术，能够提高投资效率,满足新兴企业成长和传统产业数字化转型中的新金融需求，对实体经济发展有着积极作用。

本发明综合博弈论、运筹学和网络科学等理论框架构建人工智能深度学习和多参数动态博弈的银行贷款发放与贷后管理决策支持系统，为贷款机构的信贷决策提供科学可靠的实证支撑，提高金融机构跨行业、跨市场、交叉性金融风险的识别、防范以及化解能力。

发明内容

本发明涉及的智能化贷款体系模型，在借鉴和发展传统模型的基础上，进一步革新研究手段：结合信息博弈模型、实施非固定马尔科夫链模型的t-Copula仿真法、强化学习DQN算法、k-均值聚类模型、BP神经网络模型等；主要基于数据挖掘与机器学习、深度增强学习等前沿理论，云计算、大数据管理等技术，进一步解析人工智能在信贷决策的作用机理。具体的步骤包括用户识别、贷款评估和贷款管理。

本发明的通过以下技术方案实现：

本发明的用户识别步骤通过大数据、云平台和深度学习的应用，对用户指纹、声音、人脸及档案等信息进行用户画像，搭建基于用户分层的智能信贷数据库，实现客户信息的自动化、智能化处理。

首先，结合终端设备的生物识别技术，形成用户指纹库，并通过自然语音处理、计算机视觉、信息检索技术，充分利用社交媒体、交易平台等多维数据，对分散的、多渠道的信息进行整合，深入挖掘客户特征（指纹、声音、人脸、档案），形成建立数据库的基础。其次，利用k-均值聚类模型将数据成员进行分类组织：

K-均值算法代码如下：

进一步地，通过采用BP神经网络作为评估模型对分类的客户特征进行评估，完成对客户综合风险的评估，识别用户高风险交易的特征及信用等级，有效地交叉识别客户信息的真实性。最终在进行信贷决策时，实现对不良的用户信息和交易记录进行自动识别、过滤和更新。

本发明的贷款评估步骤利用自语言处理、深度学习、机器学习等人工智能技术和智能决策技术（IDT），基于贷款评估涉及内容，构架贷款方案、推荐还款期限、预测贷款利率及贷款定价的整体框架，对信贷方案形成机制展开论述。

首先，构建不完全信息动态博弈模型：

对于

进一步地，通过非固定马尔科夫链模型的t-Copula仿真，模拟外部风险因素对过渡概率的影响，

发放的零售抵押贷款的质量为策略依据，使用t-Copula仿真估计：

第 1 步：计算 Kendall’s矩阵及其 P 值矩阵。然后，在第一列中记录其 P 值小于 5%的重要元素

第2步：使用 Kendall’s矩阵并生成具有自由度的t分布随机变量

第3步：计算多变量累积 t 分布函数：

第4步：计算反向累积分布函数：

第5步：在不同的竞争情景下计算

第6步：通过将步骤 5 到步骤 3 的结果进行映射，计算最终模拟矩阵 M，使 M 中每个元素的联合累积概率分布等效于步骤3 中的 U

第7步：使用矩阵 M 和 相应元素来近似

进一步地，利用强化学习深度Q-网络（DQN）算法用于推导出不同策略调整方案下的详细决策过程及根据各种目的执行分析：

估计函数Q 和

最终实现贷款评估模型搭建，实现以算法替代经验，实现智能化分析、自动化识别风险，形成针对用户特征定制的贷款方案。

本发明的贷款管理步骤主要用于贷款后对于贷款客户的管理决策。其中对于贷款机构和客户之间存在的信息不对称问题，通过运用大数据和云计算对结构化及非结构化数据进行整合分析，系统客观地反映用户风险水平；进行风险实时监控，实现对客户风险的自动识别和量化评估，以便及时掌握客户贷后的异常变化。同时通过马尔科夫决策流程和强化学习 DQN 算法模拟机构调整政策行为,结合当前金融宏观环境及经济周期，考虑市场行为、监管政策等趋势的变化，通过深度学习和集成学习，针对贷款方案动态的进行利率调整及贷款定价，形成对应还款方案，提高信贷效率。

本发明的有益效果在：

（1）在理论层面，为推动我国大数据、云平台、科技金融同金融机构贷款融合提供一个综合可行的理论分析框架。本发明将现有的数据挖掘与机器学习、数据处理、深度学习等前沿理论、云计算、存储技术和感知技术等和传统信贷政策纳入统一分析框架，综合运用信息博弈模型和算法、实施非固定马尔科夫链模型的t-Copula仿真法、强化学习DQN算法、k-均值聚类模型、BP神经网络模型等多个模型，建立数据驱动的自实行优化学习机制，通过跨学科融合实现更优化的贷款自动化处理模型。

（2）在实证层面，为商业银行等贷款机构提供调整其信贷政策的决策建议，以最大化其回报。本研究尝试从人工智能、大数据与云平台的视角，构建多层次、全方位的用户识别、贷前评估及贷后管理的体系，为贷款机构的信贷决策提供科学可靠的实证支撑。

（3）在实践层面，为我国金融机构贷款业务提供切实可行的决策参考模型，探寻科技金融新兴应用场景。本发明利用大数据、人工智能、云计算等技术手段，提高金融机构跨行业、跨市场、跨监管、交叉性金融风险的识别、防范以及化解能力。通过建设自动化贷款决策模型，确保金融机构在进行信贷决策中的风险可控，降低机构的风险损失、成本并提高其运营效率。

附图说明

图1：为本发明中贷款发放与贷后管理决策流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实例，对本发明进一步详细描述。应当理解，此处描述的具体实施仅仅用于解释本发明，并不用于限定本发明。

相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有细节部分的描述也可以完全理解本发明。

如图所示，本发明采用3个步骤实现的人工智能在银行机构信贷领域的落地。包括了用户识别、贷款评估和贷款管理三个步骤，通过MATLAB编程完成。

本发明的用户识别步骤通过大数据、云平台和深度学习的应用，对用户指纹、声音、人脸及档案等信息进行用户画像，搭建基于用户分层的智能信贷数据库，实现客户信息的自动化、智能化处理。

首先，结合终端设备的生物识别技术，形成用户指纹库，并通过自然语音处理、计算机视觉、信息检索技术，充分利用社交媒体、交易平台等多维数据，对分散的、多渠道的信息进行整合，深入挖掘客户特征（指纹、声音、人脸、档案），形成建立数据库的基础。其次，利用k-均值聚类模型将数据成员进行分类组织：

算法1：

进一步地，通过采用BP神经网络作为评估模型对分类的客户特征进行评估，完成对客户综合风险的评估，识别用户高风险交易的特征及信用等级，有效地交叉识别客户信息的真实性。最终在进行信贷决策时，实现对不良的用户信息和交易记录进行自动识别、过滤和更新。

本发明的贷款评估步骤利用自语言处理、深度学习、机器学习等人工智能技术和智能决策技术（IDT），基于贷款评估涉及内容，构架贷款方案、推荐还款期限、预测贷款利率及贷款定价的整体框架，对信贷方案形成机制展开论述。

首先，构建不完全信息动态博弈模型：

算法2：在冲突情况下的均衡奖励

对于

进一步地，通过非固定马尔科夫链模型的t-Copula仿真，模拟外部风险因素对过渡概率的影响，发放的零售抵押贷款的质量为策略依据：

算法3：将 A 定义为标准贷款集，B 列为特别提及，C 列为低于标准，D 为可疑贷款，E为违约贷款，F 为已付贷款，过渡矩阵如下：

转换只从

算法4：使用t-Copula仿真估计

第 1 步：计算 Kendall’s矩阵及其 P 值矩阵。然后，在第一列中记录其 P 值小于 5%的重要元素

第2步：使用 Kendall’s矩阵并生成具有自由度的t分布随机变量

第3步：计算多变量累积 t 分布函数：

第4步：计算反向累积分布函数

第5步：在不同的竞争情景下计算

第6步：通过将步骤 5 到步骤 3 的结果进行映射，计算最终模拟矩阵 M，使 M 中每个元素的联合累积概率分布等效于步骤3 中的 U

第7步：使用矩阵 M 和 相应元素来近似

进一步地，利用强化学习深度Q-网络（DQN）算法用于推导出不同策略调整方案下的详细决策过程及根据各种目的执行分析：

算法5：每个路径的返回函数之和如下所示：

其中 E 代表预期值，折扣系数设置为 1，以使计算更容易。

算法6：估计函数Q 和

算法7：银行有3次机会调整对GDRR的政策

算法8：银行有无限机会调整对GDRR的政策

算法9：两家银行对GDRR的最佳政策

最终实现贷款评估模型搭建，实现以算法替代经验，实现智能化分析、自动化识别风险，形成针对用户特征定制的贷款方案。

本发明的贷款管理步骤主要用于贷款后对于贷款客户的管理决策。其中对于贷款机构和客户之间存在的信息不对称问题，通过运用大数据和云计算对结构化及非结构化数据进行整合分析，系统客观地反映用户风险水平；进行风险实时监控，实现对客户风险的自动识别和量化评估，以便及时掌握客户贷后的异常变化。同时通过马尔科夫决策流程和强化学习 DQN 算法模拟机构调整政策行为,结合当前金融宏观环境及经济周期，考虑市场行为、监管政策等趋势的变化，通过深度学习和集成学习，针对贷款方案动态的进行利率调整及贷款定价，形成对应还款方案，提高信贷效率。

算法10：金融机构有无限机会调整政策

Input: the policy

Output: max

Initialize

Repeat (for each step):

If

Initialize

Repeat (for each episode):

Initialize S

Choose action A from S using policy derived from Q

Repeat (for each step of episode):

Take action A given by

observe

Choose

Call Algorithm 3 to get the transition probability

If competition scenarios==Conflicting

Call Algorithm 1

Else

Call Algorithm 2

Until S is null

Output R,A

Stop。