1.一种小微企业金融风险测量的方法，其特征在于，包括：以小微企业的工商数据、征信数据和同盾数据作为拒绝策略，对所述小微企业进行筛选；

对筛选得到的所述小微企业，再以所述小微企业在银行中的行内结算数据、黑名单数据和历史数据作为拒绝策略，对所述小微企业再次进行筛选；

对再次筛选得到的所述小微企业的发票数据进行数据预处理，筛选得到数据特征集；

使用LR模型和XGBoost模型分别对所述数据特征集进行计算，均分别获得所述LR模型的输出概率映射分数和所述XGBoost模型的输出概率映射分数；

将所述LR模型的输出概率映射分数和所述XGBoost模型的输出概率映射分数的平均值与阈值比较，若大于所述阈值，则判断所述小微企业为好客户；若小于所述阈值，则判断所述小微企业为坏客户；

使用LR softmax多分类模型对所述坏客户进行分类，将所述坏客户分为多种不同风险标签的坏客户。

2.如权利要求1所述的小微企业金融风险测量的方法，其特征在于，所述以小微企业的工商数据、征信数据和同盾数据作为拒绝策略，对所述小微企业进行筛选和对筛选得到的所述小微企业，再以所述小微企业在银行中的行内结算数据、黑名单数据和历史数据作为拒绝策略，对所述小微企业再次进行筛选的步骤包括：设定阈值，若所述小微企业的工商数据、征信数据和同盾数据均大于所述阈值，则继续；否则结束；

设定阈值，若所述小微企业在银行中的行内结算数据、黑名单数据和历史数据均大于所述阈值，则继续；否则结束。

3.如权利要求1所述的小微企业金融风险测量的方法，其特征在于，所述对再次筛选得到的所述小微企业的发票数据进行数据预处理，筛选得到数据特征集的步骤包括：对所述发票数据中的变量特征选择不同的缺失值方法进行处理；

基于所述发票数据中的固定数据分布常态，通过箱线图和MAD确定位于特定分布区域或范围之外的固定数据用平均值代替；

对所述发票数据中具有多种属性的数据，采用向前选择和向后删除的方法，筛选出具有最好属性的数据；

基于所述发票数据中单变量数据与其预测变量数据相关性，采用pearson相关系数、卡方检验与树模型相结合的方法，删除预测能力低的所述单变量数据；

将所述发票数据中将属于同一类具有相似性的特征数据按照各自权重计算得到新的特征数据。

4.如权利要求1所述的小微企业金融风险测量的方法，其特征在于，所述使用LR模型对所述数据特征集进行计算的步骤为：将所述小微企业分为为正样本和负样本，且令Eθ(X)＝0为边界，所述数据特征集为X＝{1，x1，x2，x3，...，xn}；

T

令公式Eθ(X)＝Xθ；

其中，T为转置符号；

将所述公式Eθ(X)转换为函数hθ(X)＝sigmoid(Eθ(θ))；

则hθ(X)＝0.5为边界；

对所述函数进行迭代计算，得到所述输出概率映射分数θ。

5.如权利要求1所述的小微企业金融风险测量的方法，其特征在于，所述LR softmax多分类模型建立的步骤包括：

对所述坏客户的数据特征集进行无监督聚类计算，所述坏客户按照风险类型聚集成多个类别集；

采用风险指标模型分别对所述类别集进行计算，得到所述类别集的判断结果，并将所述判断结果加入到所述类别集中；

根据得到所述判断结果的所述类别集建立所述LR softmax多分类模型。

6.如权利要求5所述的小微企业金融风险测量的方法，其特征在于，所述风险指标模型建立的步骤包括：

所述类别集的特征集为U＝{u1，u2，u3，...，un}，风险种类V＝{v1，v2，v3，...，vm}，对所述特征集U中每一个特征根据所述风险种类V进行模糊判断，得到评断矩阵：其中，rij表示ui关于vj的隶属程度；

根据层次分析法确定所述特征集U中每一个特征重要权数，为A＝{a1，a2，a3，...，an}，且将所述权数A与所述矩阵R相乘得到所述判定结果B＝{b1，b2，b3，...，bm}。

7.如权利要求6所述的小微企业金融风险测量的方法，其特征在于，所述根据得到所述判断结果的所述类别集建立所述LR softmax多分类模型的步骤包括：对于出现的m个所述判定结果，将选择一个判断结果与其余m‑1个所述判定结果进行回归计算；

并采用线性预测器和归一化因子对所述判定结果概率建立LR softmax多分类模型。

8.一种实现如权利1～7中任一权利要求所述方法的装置，其特征在于，包括：拒绝策略模块，用于以小微企业的工商数据、征信数据和同盾数据作为拒绝策略，对所述小微企业进行筛选和对筛选得到的所述小微企业，再以所述小微企业在银行中的行内结算数据、黑名单数据和历史数据作为拒绝策略，对所述小微企业再次进行筛选；

一级分类模块，用于对再次筛选得到的所述小微企业的发票数据进行数据预处理，筛选得到数据特征集，使用LR模型和XGBoost模型分别对所述数据特征集进行计算，均分别获得所述LR模型的输出概率映射分数和所述XGBoost模型的输出概率映射分数，将所述LR模型的输出概率映射分数和所述XGBoost模型的输出概率映射分数的平均值与阈值比较，若大于所述阈值，则判断所述小微企业为好客户；若小于所述阈值，则判断所述小微企业为坏客户；

二级分类模块，用于使用LR softmax多分类模型对所述坏客户进行分类，将所述坏客户分为多种不同风险标签的坏客户。

9.一种电子设备，其特征在于，包括至少一个处理单元以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行权利要求1～7任一权利要求所述的方法。

10.一种存储介质，其特征在于，其存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行权利要求1～7任一权利要求所述的方法。