CN101197037A - 基于web的银行债项风险检测系统 - Google Patents
基于web的银行债项风险检测系统 Download PDFInfo
- Publication number
- CN101197037A CN101197037A CNA2008100558898A CN200810055889A CN101197037A CN 101197037 A CN101197037 A CN 101197037A CN A2008100558898 A CNA2008100558898 A CN A2008100558898A CN 200810055889 A CN200810055889 A CN 200810055889A CN 101197037 A CN101197037 A CN 101197037A
- Authority
- CN
- China
- Prior art keywords
- liability
- risk
- money
- amount
- expection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种基于WEB的银行债项风险检测系统，该系统包括：WEB客户端单元，用于通过WEB页面输入至少包括客户代码在内的债项数据信息，生成并发送检测请求；风险敞口检测单元，用于根据债项数据信息计算债项风险敞口；预期回收金额检测单元，用于计算债项预期回收金额总计；风险系数检测单元，用于计算债项风险系数；预期回收率检测单元，用于根据债项风险敞口、债项预期回收金额总计、债项风险系数计算债项预期回收率，债项预期回收率＝(债项预期回收金额总计/债项风险敞口)×债项风险调整系数；违约损失率检测单元，用于根据债项预期回收率计算债项违约损失率，检测银行债项风险。本发明的基于WEB的银行债项风险检测系统及方法可以量化控制银行信用风险，以减少损失，规避风险。
Description
技术领域
本发明有关于计算机及网络技术，特别是有关于利用计算机及网络来管理金融业务中的资产信用风险的技术，具体地讲是一种基于WEB的银行债项风险检测系统。
背景技术
随着市场经济的不断发展，企业的竞争越来越激烈，市场风险也越来越难以控制。而在金融企业的资本经营的过程中，资本风险包括信用风险、操作性风险和市场风险。信用风险是指交易对手不能按照合同规定按时偿还其债务的可能性及严重程度，是最严重的资本风险。特别是商业银行资产业务非常大，所以信用风险是银行面临的最基本风险，精确地揭示与度量信用风险，对减少银行资金损失，提高经营业绩是至关重要的。
债项是融资合同，是商业银行的主要资产，一般指银行的流动资金、贸易融资、项目贷款、房地产贷款、票据贴现、表外担保和承诺等非零售表内外信贷产品。
因此，债项风险评价对商业银行的经营非常重要，但目前商业银行对于债项风险的评估，只是进行五级分类(正常、次级、关注、呆滞、呆帐)等，将不同质量的贷款分成不同的级别，这不能有效地反映出债项预期的损失大小，即目前只是根据债项风险的大小作一个简单的分类，不利于银行风险管理水平的进一步提高。
因此，目前的债项风险管理中无法做到准确地评估债项的预期违约损失率(LGD)，不能根据债项的预期损失率确定债项等级。
而对于流动资金、贸易融资、项目贷款、房地产贷款、票据贴现、表外担保和承诺等非零售表内外信贷产品，可以在信贷审批、监控环节中通过评估债项的违约损失率(LGD)，来反映客户特定交易的预期损失，即单笔交易的信用风险成本，这样就可以为信贷决策提供支持，从而商业银行通过贷款定价，贷款规模控制的方式有效地控制资产风险。因此，就需要量化控制银行信用风险，以减少损失。
在中国专利公开号CN1680953A中公开了一种“金融企业对客户进行风险分析的系统和方法”的内容合并于此作为本发明的现有技术。
发明内容
本发明基于上述的问题提供一种基于WEB的银行债项风险检测系统，用以量化控制银行信用风险，以减少损失。
本发明的目的在于，提供一种基于WEB的银行债项风险检测系统，该系统包括：WEB客户端单元，用于通过WEB页面输入至少包括客户代码在内的债项数据信息，生成并发送银行债项风险检测请求；风险敞口检测单元，用于根据所述债项数据信息计算债项风险敞口；预期回收金额检测单元，用于根据所述债项数据信息计算债项预期回收金额总计；风险系数检测单元，用于根据所述债项数据信息计算债项风险系数；预期回收率检测单元，用于根据所述债项风险敞口、债项预期回收金额总计、债项风险系数计算债项预期回收率，其计算公式为：
违约损失率检测单元，用于根据所述债项预期回收率计算债项违约损失率，检测银行债项风险。
本发明的基于WEB的银行债项风险检测系统及方法可以量化控制银行信用风险，以减少损失，规避风险。
附图说明
图1所示的是本发明的基于WEB的银行债项风险检测系统的结构框图。
图2A所示的是本发明的实施例1的基于WEB的银行债项风险检测系统的示意图。
图2B是本发明的实施例2的基于WEB的银行债项风险检测系统的结构框图。
图3是本发明的实施例2的基于WEB的银行债项风险检测系统的数据处理装置的结构框图。
图4是本发明的实施例2的计算银行债项风险的流程图。
图5A是本发明的实施例2的计算银行债项风险时的界面图。
图5B是本发明的实施例2的计算银行债项风险时的界面图。
图5C是本发明的实施例2的计算银行债项风险时的界面图。
具体实施方式
以下参照附图详细说明本发明的具体实施方式。
图1所示的是本发明的基于WEB的银行债项风险检测系统的结构框图，其中该系统包括：WEB客户端单元101，用于通过WEB页面输入至少包括客户代码在内的债项数据信息，生成并发送银行债项风险检测请求；风险敞口检测单元102，用于根据债项数据信息计算债项风险敞口；预期回收金额检测单元103，用于根据债项数据信息计算债项预期回收金额总计；风险系数检测单元104，用于根据债项数据信息计算债项风险系数；预期回收率检测单元105，用于根据债项风险敞口、债项预期回收金额总计、债项风险系数计算债项预期回收率，其计算公式为：
违约损失率检测单元106，用于根据债项预期回收率计算债项违约损失率，检测银行债项风险；WEB服务器(未图示)，用于向WEB客户端单元提供WEB页面，并处理由WEB客户端单元发送来的基于http和https的操作。
从而，用户可以在WEB客户终端通过WEB页面来检测银行债项风险。
实施例1
图2A所示的是本发明的实施例1的基于WEB的银行债项风险检测系统的示意图，该系统包括WEB服务装置203、数据存储装置201、客户端装置204、数据处理装置202，其中该数据存储装置201和数据处理装置202组成一应用服务器(未图示)。该客户端装置204和数据处理装置102分别通过网络与WEB服务装置203相连，其中WEB服务装置203，用于向客户端装置204提供WEB页面，使用户进行基于http和https的操作、即通过网页来进行各种操作；数据存储装置201，用于存储计算债项风险的基础数据、计算债项风险的中间数据、计算债项风险的结果数据；客户端装置204，用于通过WEB页面发送计算银行债项风险的请求并输入至少包括客户代码在内的债项信息数据；所述数据处理装置202，用于接收请求并根据债项信息数据从数据存储装置201中获取基础数据计算对应的债项风险，数据处理装置202包括：风险敞口单元，用于计算债项风险敞口；预期回收金额单元，用于计算债项预期回收金额总计；风险系数单元，用于确定债项风险调整系数；预期回收率单元，用于计算债项预期回收率，其违约损失率单元，用于计算债项违约损失率。
其中，上述预期回收金额单元还包括：抵质押物的回收金额模块，用于计算抵质押方式下的债项的预期回收金额；保证方式下的回收金额模块，用于计算保证方式下的债项的预期回收金额；信用方式下的回收金额模块，用于计算信用方式下的债项的预期回收金额。
数据存储装置201从银行联机业务系统导入上述的基础数据，该银行联机业务系统是银行的一个日常业务处理系统，负责银行存款、取款、转账、贷款发放与收回、核算等业务处理，由它产生的基础数据，如客户基本信息、客户存款情况、客户贷款情况、客户财务及现金流量情况等数据，这些数据是进行债项评级的基础数据中的一部分。在本发明的债项风险评价中需要用到其中的客户基本信息、客户存款情况、抵质押信息等数据。
本发明的基于WEB的银行债项风险检测系统通过计算债项风险敞口(EAD)、预期回收金额总计、债项风险调整系数来计算债项预期回收率，其计算公式为
并根据公式：
债项违约损失率＝MAX(1—债项预期回收率，违约损失率最小值)，来计算债项违约损失率。
其中：MAX()是指取两个数据中的最大值，上述违约损失率最小值是系数参数。
最后再根据所求得的上述债项违约损失率来对债项风险划分等级，以此来量化债项风险。
实施例2
图2B是本发明的实施例2的用于计算银行债项风险系统的结构框图，其中数据存储装置201和认证装置205分别与数据处理装置202连接，并且客户终端装置204通过WEB服务装置203与数据处理装置202连接。
上述数据存储装置201可以是一个PC服务器或主机，其运行数据库管理系统，并存放债项风险评价的基础数据、债项风险评价的中间数据、债项风险评价的结果等数据，为系统提供数据存取服务。
认证装置205负责对用户进行认证处理，用户在使用系统前必须进行登录，用户在客户终端装置204上输入用户名或代码、密码等认证信息，客户终端装置204将用户认证信息经过WEB服务装置203发送给数据处理装置202，数据处理装置202经过处理认为应该进行认证时(如该用户没有经过认证)，则将认证信息转给认证装置205进行认证处理，认证的结果将返回数据处理装置202，数据处理装置202将认证结果记录到数据存储装置201，用户在后续操作中判断该用户是否是经过认证的合法用户。
数据处理装置202负责系统的逻辑处理，它根据用户请求的服务，访问数据存储装置201，取得计算所需的初始数据，再进行计算处理，将处理的结果存放到数据存储装置201中。
WEB服务装置203用于向客户终端装置提供WEB页面，使用户在该WEB页面上进行基于http及https操作。
其中客户端装置204与WEB服务装置203通过内部网络连接，该内部网络可以为企业的局域网，可以是以太网(Ethernet)，也可以是其它局域网，如光纤分布式数据接口(FDDI)、令牌环(Token-Ring)等。另外还可以通过租用专线等方式将其各个分支机构的局域网连接组成更大的企业内部网(Intranet)。
客户终端装置204是系统的客户端，可以是一台个人PC，安装有浏览器软件， 也可以是其它能够运行浏览器软件的装置，如NC、Windows图形终端等。它有显示装置和输入装置，显示装置可以是显示器，输入装置可以是键盘和鼠标。
图3是本发明的实施例2的用于计算银行债项风险系统的数据处理装置的结构框图，其中该数据处理装置302与数据存储装置301相连，并包括：风险敞口单元303，用于计算债项风险敞口(EAD)；预期回收金额单元304，用于计算预期回收金额总计；风险系数单元308，用于确定债项风险调整系数；预期回收率单元309，用于计算债项预期回收率；违约损失率单元310，用于计算债项违约损失率；等级确定单元311，用于确定债项等级。
其中，上述的预期回收金额单元304包括：抵质押物的回收金额模块305，用于计算抵质押方式下的债项的预期回收金额；保证方式下的回收金额模块306，用于计算保证方式下的债项的预期回收金额；信用方式下的回收金额模块307，用于计算信用方式下的债项的预期回收金额。
图4所示的是本发明的实施例2的计算银行债项风险的流程图，其具体步骤如下：
步骤S401：输入债项信息数据、即将债项的基础数据导入到数据存储装置301中，导入的方式可以是采用数据库表文本导出/导入的方式，也可以是数据库表读取数据再存入到数据存储装置301中，这些数据有客户基本信息、客户存款情况、抵质押信息等。债项风险评价中还需要录入部分债项信息数据，包括客户代码、信用等级、所属行业、债项类别等。录入数据通过客户终端装置204进行录入，客户终端装置204通过WEB服务装置203将录入数据转发给数据处理装置202处理，数据处理装置202对录入数据进行检查，并将录入数据保存在数据存储装置201中。
步骤S402：数据处理装置202通过风险敞口单元303计算债项风险敞口(EAD)。债项风险敞口(EAD)的计算公式如下：
债项风险敞口(EAD)＝债项申请金额×信用转换系数(CCF)；
其中：债项申请金额为债项合约的金额，是数据存储装置201中的数据。
信用转换系数(CCF)是系统参数，不同的债项类别信用转换系数(CCF)不同，这是经验数据，存储在数据存储装置201中，例如一些债项类别的信用转换系数(CCF)如下表所示：
| 债项类别编码 | 债项类别名称 | CCF |
| 1082 | 营运资金贷款-短期 | 1.0 |
| 1083 | 营运资金贷款-中期 | 1.0 |
| 1084 | 周转限额贷款-短期 | 1.0 |
| 1085 | 周转限额贷款-中期 | 1.0 |
| 1086 | 国内信用证 | 0.8 |
| … | … | … |
| 5086 | 国内信用证 | 0.8 |
| … | … | … |
比如：国内信用证对应的债项类别编号为5086，则可以得到信用转换系数(CCF)为0.8。
数据处理装置202通过访问数据存储装置201，读取债项所对应的信用转换系数(CCF)，债项的申请金额，根据上述债项风险敞口(EAD)的计算公式即可计算得到债项风险敞口(EAD)。计算出来的债项风险敞口(EAD)存储到数据存储装置201中。
步骤S403：数据处理装置202通过预期回收金额单元304计算债项的预期回收金额总计。债项预期回收金额总计由抵质押、保证和信用等方式下的回收金额累计。将得到的预期回收金额总计存储到数据存储装置201中。
其中，债项的预期回收金额总计的计算公式如下：
预期回收金额总计＝抵质押方式下的预期回收金额+保证方式下的预期回收金额+信用方式下的预期回收金额
质押方式下的预期回收金额：
质押方式下的预期回收金额是通过抵质押物的回收金额模块305来计算。由于抵押物可能是多个，因此质押方式下的预期回收金额是对多个抵押物的预期回收金额的累计。质押方式下的预期回收金额的计算公式为：
其中：单个抵质押物覆盖的风险敞口＝MIN(债项风险敞口(EAD)，单个抵质押物可担保金额)；
MIN()是指取两个数据的最小值。
债项风险敞口(EAD)是步骤S402中计算得到的数据，单个抵质押物可担保金额是该抵质押物可担保金额，是数据存储装置201中的数据。
其中：MIN()是指取两个数据的最小值。
C为该抵质押物评估价值，是导入到数据存储装置201中的数据。
V为该抵质押物价值波动率，是系统参数，不同的抵质押物的价值波动率(V)不同，其存储在数据存储装置201中，例如本实施例的一些抵质押物的价值波动率(V)如下表所示：
抵质押物价值波动率参数
| 抵质押物分类 | 抵质押物分类名称 | 剩余期限 | |||
| 0-5 | 5-10 | 10-20 | ＞20 | ||
| 0 | 低风险质押 | 0.1 | 0.2 | 0.5 | … |
| 1 | 生产用土地 | 0.1 | 0.5 | 0.5 | … |
| 2 | 商业用土地 | 0.1 | 0.6 | 0.6 | … |
| … | … | … | … | … | … |
RRC为抵质押物平均回收率，是系统参数，不同的抵质押物的平均回收率(RRC)不同，其存储在数据存储装置201中，例如本实施例的一些抵质押物的平均回收率(RRC)如下表所示：
抵质押物平均回收率参数
| 抵质押物分类 | 0 | 1 | 2 | … |
| 抵质押物分类名称 | 低风险质押 | 生产用土地 | 商业用土地 | … |
| 平均回收率 | 100％ | 98％ | 96％ | … |
抵质押物风险敞口最高回收率是系统参数，不同的抵质押物的风险敞口最高回收率不同，其存储在数据存储装置201中，例如本实施例中一些抵质押物的风险敞口最高回收率如下表所示：
抵质押物风险敞口最高回收率
| 抵质押物分类 | 0 | 1 | 2 | … |
| 低风险质押 | 生产用土地 | 商业用土地 | ||
| 风险敞口最高回收率 | 0.9 | 0.8 | 0.7 | … |
数据处理装置202通过访问数据存储装置201，并读取债项风险敞口(EAD)、抵质押物可担保金额、抵质押物风险敞口最高回收率、C、V、RRC等数据，计算出质押方式下的预期回收金额，将计算结果存储到数据存储装置201中。
保证方式下的预期回收金额：
对于保证方式下的预期回收金额是通过保证方式下的回收金额模块306来计算的。由于保证人可能是多个，因此保证方式下的预期回收金额是对多个保证人的预期回收金额的累计。
保证方式下的预期回收金额的计算公式为：
其中：
债项风险敞口(EAD)是步骤S402中计算得到的数据，保证人合同担保金额，是导入到数据存储装置201中的数据。债项申请金额为债项合约的金额，是导入到数据存储装置201中的数据。
单个保证人风险敝口回收率是系统参数，与保证人类别、所在地区、所属行业有关，其存储在数据存储装置201中，例如本实施例中一些单个保证人风险敞口回收率如下表所示：
保证人风险敞口回收率参数
| 保证人分类 | 所在地区 | 行业分类 | 平均回收率 |
| 1 | 1 | 1 | 71.47％ |
| 2 | 72.57％ | ||
| …… | |||
| 17 | 73.41％ | ||
| 2 | 1 | 77.47％ | |
| 2 | 73.87％ | ||
| …… | |||
| 17 | 78.47％ | ||
| …… | 1 | 79.97％ | |
| 2 | 86.47％ | ||
| …… | |||
| 17 | 83.87％ | ||
| 7 | 1 | 81.47％ | |
| 2 | 72.57％ | ||
| …… | |||
| 17 | 81.77％ | ||
| … | … | … | … |
数据处理装置202通过访问数据存储装置201，读取债项风险敞口(EAD)、保证人合同担保金额、债项申请金额、保证人风险敞口回收率等数据，计算出保证方式下的预期回收金额，将计算结果存储到数据存储装置201中。
信用方式下的预期回收金额：
对于信用方式下的预期回收金额是通过信用方式下的回收金额模块307计算的，其计算公式为：
信用方式下的预期回收金额＝借款人覆盖的风险敞口×借款人风险敞口回收率
其中：
债项风险敞口(EAD)是步骤S402中计算得到的数据，合同信用金额是借款人信用借款金额，指债项申请金额中除抵质押、保证外的金额部分，是导入到数据存储装置201中的数据。债项申请金额为债项合约的金额，是导入到数据存储装置201中的数据。
借款人风险敞口回收率是系统参数，与借款人类别、所在地区、所属行业有关，这是经验数据，一般可以使用与保证人风险敞口回收率相同的参数，但也可以不同，如果使用与保证人风险敞口回收率则需要设置借款人风险敝口回收率参数，存储在数据存储装置201中，例如一些借款人风险敞口回收率如下表所示：
借款人风险敞口回收率参数
| 保证人分类 | 所在地区 | 行业分类 | 平均回收率 |
| 1 | 1 | 1 | 71.47％ |
| 2 | 72.57％ | ||
| …… | |||
| 17 | 73.41％ | ||
| 2 | 1 | 77.47％ | |
| 2 | 73.87％ | ||
| …… | |||
| 17 | 78.47％ | ||
| …… | 1 | 79.97％ | |
| 2 | 86.47％ | ||
| …… | |||
| 17 | 83.87％ | ||
| 7 | 1 | 81.47％ | |
| 2 | 72.57％ | ||
| …… |
| 17 | 81.77％ | ||
| … | … | … | … |
数据处理装置202通过访问数据存储装置201，读取债项风险敞口(EAD)、合同信用金额、债项申请金额、借款人风险敞口回收率等数据，计算出信用方式下的预期回收金额，将计算结果存储到数据存储装置201中。
数据处理装置202通过访问数据存储装置201，读取抵质押方式下的预期回收金额、保证方式下的预期回收金额、信用方式下的预期回收金额，计算得到预期回收金额总计，将计算结果存储到数据存储装置201中。
步骤S404：确定债项风险调整系数，即数据处理装置202通过风险系数单元确定债项风险调整系数。债项风险调整系数反映债项担保因素以外其他特定风险因素对债项预期回收率的影响。不同的类别的债项，其债项风险调整系数不同，债项风险调整系数存储在数据存储装置201中，数据处理装置202通过访问数据存储装置201，可以找到债项的风险调整系数。例如本实施例的一些债项类别的风险调整系数为：
| 债项类别编码 | 债项类别名称 | 债项风险调整系数 |
| 1082 | 营运资金贷款-短期 | 1.0 |
| 1083 | 营运资金贷款-中期 | 1.0 |
| 1084 | 周转限额贷款-短期 | 1.0 |
| 1085 | 周转限额贷款-中期 | 1.0 |
| 1086 | 国内信用证 | 0.8 |
| … | … | … |
| 5086 | 国内信用证 | 0.8 |
| … | … | … |
步骤S405：计算债项预期回收率、即数据处理装置202通过预期回收率单元309计算债项的预期回收率。债项预期回收率是债项到期后能够回收金额的比率。其计算公式为：
其中：债项风险敞口(EAD)是步骤S402中计算得到的数据，债项预期回收金额总计是步骤S403中计算得到的数据，债项风险调整系数是步骤S404中计算得到的数据。债项风险敞口、债项预期回收金额总计、债项风险调整系数都存储在数据存储装置201中，数据处理装置202通过访问数据存储装置201读取债项风险敞口、债项预期回收金额总计、债项风险调整系数，根据债项预期回收率计算公式计算得到债项预期回收率。债项预期回收率存储到数据存储装置201中。
步骤S406：计算债项违约损失率、即数据处理装置202通过违约损失率单元310计算债项违约损失率。债项违约损失率是债项发生违约后损失的比率。其计算公式为：
债项违约损失率(LGD)＝MAX(1—债项预期回收率，违约损失率最小值)
其中：MAX()是指取两个数据中的最大值。
债项预期回收率是步骤S405中计算得到的数据，存储在数据存储装置201中。违约损失率最小值是系数参数，存储在数据存储装置201中，例如本实施例中违约损失率最小值为2％。数据处理装置202通过访问数据存储装置201，读取债项预期回收率、违约损失率最小值，计算得到债项违约损失率(LGD)，将计算结果存储到数据存储装置201中。
步骤S407：确定债项等级、即数据处理装置202通过等级确定单元311来确定债项等级。根据债项违约损失率(LGD)进行换算可得到债项等级，换算是根据债项主标尺参数表进行，债项主标尺是系统参数，是验收数据，系统处理工程中可以不断修正。例如本实施例中的一个债项主标尺的样例如下：
债项评级主标尺参数表的例子
| 债项等级 | 预期LGD范围(％) | 平均LGD | |
| 最低值(＞＝) | 最高值(＜) | ||
| 1 | 0 | 0.001％ | 0％ |
| 2 | 0.001％ | 10％ | 5％ |
| 3 | 10％ | 20％ | 15％ |
| 4 | 20％ | 35％ | 28％ |
| 5 | 35％ | 50％ | 43％ |
| 6 | 50％ | 65％ | 60％ |
| 7 | 65％ | 80％ | 72％ |
数据处理装置202先通过访问数据存储装置201读债项违约损失率(LGD)，在再访问数据存储装置201中的债项主标尺参数表，检查债项违约损失率(LGD)处在债项主标尺参数表中哪一个债项等级的预期LGD范围，得到债项的债项等级。
图5A、图5B、图5C是本发明的计算银行债项风险时的界面图，首先WEB服务装置203向客户端装置204提供一个WEB页面供用户输入客户代码及密码(如图5A所示)，经认证装置205通过认证后向用户提供一个应用界面(如图5B所示)使用户选择此次服务的内容(如计算债项风险)，数据处理装置202在经过如上所述S402及S407的步骤之后通过WEB服务装置203以网页的形式向客户服务装置204提供计算结果(如图5C所示)。
综上所述，虽然本发明已以实施例2揭露如上，然其并非用以限制本发明，任何熟习该技术者，在不脱离本发明的精神和范围内，当可作各种更动与润饰，因此本发明的保护范围应当以权利要求书所要求的范围为准。
Claims (12)
1.一种基于WEB的银行债项风险检测系统，其特征在于，所述系统包括：
WEB客户端单元，用于通过WEB页面输入至少包括客户代码在内的债项数据信息，生成并发送银行债项风险检测请求；
风险敞口检测单元，用于根据所述债项数据信息计算债项风险敞口；
预期回收金额检测单元，用于根据所述债项数据信息计算债项预期回收金额总计；
风险系数检测单元，用于根据所述债项数据信息计算债项风险系数；
预期回收率检测单元，用于根据所述债项风险敞口、债项预期回收金额总计、债项风险系数计算债项预期回收率，其计算公式为：
违约损失率检测单元，用于根据所述债项预期回收率计算债项违约损失率，检测银行债项风险。
2.根据权利要求1所述的基于WEB的银行债项风险检测系统，其特征在于，所述系统还包括：
WEB服务器，用于向所述WEB客户端单元提供WEB页面，并处理由所述WEB客户端单元发送来的基于http和https的操作。
3.根据权利要求1所述的基于WEB的银行债项风险检测系统，其特征在于，所述系统还包括：
认证单元，用于在用户通过所述WEB客户端单元登录所述系统时进行用户的身份认证。
4.根据权利要求1所述的基于WEB的银行债项风险检测系统，其特征在于，所述预期回收金额单元还包括：
抵质押物的回收金额模块，用于计算抵质押方式下的债项的预期回收金额；
保证方式下的回收金额模块，用于计算保证方式下的债项的预期回收金额；
信用方式下的回收金额模块，用于计算信用方式下的债项的预期回收金额。
5.根据权利要求1所述的基于WEB的银行债项风险检测系统，其特征在于，所述的债项数据信息包括：客户基本信息、客户存款情况、抵质押信息。
6.根据权利要求1所述的基于WEB的银行债项风险检测系统，其特征在于，
所述计算债项风险敞口的计算公式为：
债项风险敞口＝债项申请金额×信用转换系数，
其中，债项申请金额为债项合约的金额，信用转换系数是系统参数；
所述计算债项预期回收金额总计的计算公式为：
预期回收金额总计＝抵质押方式下的预期回收金额+保证方式下的预期回收金额+信用方式下的预期回收金额；
所述计算债项违约损失率的公式为：
债项违约损失率＝MAX(1—债项预期回收率，违约损失率最小值)
其中：MAX()是指取两个数据中的最大值，所述违约损失率最小值是系统参数。
7.根据权利要求6所述的基于WEB的银行债项风险检测系统，其特征在于，
所述计算抵质押方式下的预期回收金额的公式为：
其中：单个抵质押物覆盖的风险敞口＝MIN(债项风险敞口，单个抵质押物可担保金额)；
C为该抵质押物评估价值，V为该抵质押物价值波动率，是系统参数，RRC为抵质押物平均回收率，是系统参数；
MIN()是指取两个数据的最小值。
8.根据权利要求6所述的基于WEB的银行债项风险检测系统，其特征在于，所述计算保证方式下的债项的预期回收金额的公式为：
其中：
保证人合同担保金额和所述债项申请金额是所述债项数据信息中的一部分；
所述单个保证人风险敞口回收率是系统参数。
9.根据权利要求6所述的基于WEB的银行债项风险检测系统，其特征在于，所述计算信用方式下的债项的预期回收金额的公式为：
信用方式下的预期回收金额＝借款人覆盖的风险敝口×借款人风险敞口回收率，
用金额和债项申请金额是所述债项数据信息中的一部分，并且所述信用金额是指借款人信用借款金额，指债项申请金额中除抵质押、保证外的金额部分，
所述借款人风险敞口回收率是系统参数。
10.根据权利要求1所述的基于WEB的银行债项风险检测系统，其特征在于，所述计算债项违约损失率的公式为：
债项违约损失率＝MAX(1—债项预期回收率，违约损失率最小值)，
其中：MAX()是指取两个数据中的最大值，所述违约损失率最小值是系数参数。
11.根据权利要求10所述的基于WEB的银行债项风险检测系统，其特征在于，所述系统还包括等级确定单元，用于根据所述债项违约损失率确定债项风险的等级。
12.根据权利要求2所述的基于WEB的银行债项风险检测系统，其特征在于，
所述基于WEB的银行债项风险检测系统还包括应用服务器，该应用服务器包括所述风险敞口检测单元、预期回收金额检测单元、风险系数检测单元、预期回收率检测单元、违约损失率检测单元，
其中，所述WEB服务器分别与所述WEB客户端单元和所述应用服务器连接，所述WEB服务器从所述WEB客户端单元接收所述债项数据信息和银行债项风险检测请求，并根据所述请求向所述应用服务器发送检测债项风险的指令，所述应用服务器根据该指令进行基于WEB的银行债项风险检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNA2008100558898A CN101197037A (zh) | 2008-01-10 | 2008-01-10 | 基于web的银行债项风险检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNA2008100558898A CN101197037A (zh) | 2008-01-10 | 2008-01-10 | 基于web的银行债项风险检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN101197037A true CN101197037A (zh) | 2008-06-11 |
Family
ID=39547420
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CNA2008100558898A Pending CN101197037A (zh) | 2008-01-10 | 2008-01-10 | 基于web的银行债项风险检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101197037A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107608958A (zh) * | 2017-09-07 | 2018-01-19 | 湖南湘君奕成信息技术有限公司 | 基于条款统一建模的合同文本风险信息挖掘方法和系统 |
| CN109598606A (zh) * | 2018-12-04 | 2019-04-09 | 泰康保险集团股份有限公司 | 数据处理方法、装置、介质及电子设备 |
| CN109636589A (zh) * | 2018-12-20 | 2019-04-16 | 安徽经邦软件技术有限公司 | 一种大数据交叉验证还原功能系统 |
| CN113313574A (zh) * | 2021-06-09 | 2021-08-27 | 中关村科技租赁股份有限公司 | 一种科技租赁信用风险计量方法及系统 |
-
2008
- 2008-01-10 CN CNA2008100558898A patent/CN101197037A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107608958A (zh) * | 2017-09-07 | 2018-01-19 | 湖南湘君奕成信息技术有限公司 | 基于条款统一建模的合同文本风险信息挖掘方法和系统 |
| CN107608958B (zh) * | 2017-09-07 | 2023-06-16 | 长沙森悦电子信息有限责任公司 | 基于条款统一建模的合同文本风险信息挖掘方法和系统 |
| CN109598606A (zh) * | 2018-12-04 | 2019-04-09 | 泰康保险集团股份有限公司 | 数据处理方法、装置、介质及电子设备 |
| CN109598606B (zh) * | 2018-12-04 | 2021-06-18 | 泰康保险集团股份有限公司 | 数据处理方法、装置、介质及电子设备 |
| CN109636589A (zh) * | 2018-12-20 | 2019-04-16 | 安徽经邦软件技术有限公司 | 一种大数据交叉验证还原功能系统 |
| CN113313574A (zh) * | 2021-06-09 | 2021-08-27 | 中关村科技租赁股份有限公司 | 一种科技租赁信用风险计量方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20110166987A1 (en) | Evaluating Loan Access Using Online Business Transaction Data | |
| WO2010138445A2 (en) | Managed real-time transaction fraud analysis and decisioning | |
| Eze et al. | Electronic banking and profitability of commercial banks in Nigeria | |
| WO2001077925A1 (en) | Personalized investment consulting system implemented on network and method for the same | |
| WO2015015458A1 (en) | System and method for automatically providing a/r-based lines of credit to businesses | |
| Burri et al. | Transforming Payment Processes: A Discussion of AI-Enabled Routing Optimization | |
| CN101236638A (zh) | 一种基于Web的银行卡风险监测方法及系统 | |
| CN115836302A (zh) | 自动调整简档中的规则权重 | |
| CN101197037A (zh) | 基于web的银行债项风险检测系统 | |
| KR102552114B1 (ko) | 상품거래시스템 및 그 방법 | |
| JP2003216804A (ja) | 定性データを使用した倒産確率予測システム | |
| CN114331463A (zh) | 基于线性回归模型的风险识别方法及其相关设备 | |
| Okonkwo et al. | E-payment and performance of deposit money banks in Nigeria | |
| JP6766023B2 (ja) | 情報処理装置及びプログラム | |
| JP2010079555A (ja) | 与信判定システム及び書類改竄判定方法 | |
| US11694208B2 (en) | Self learning machine learning transaction scores adjustment via normalization thereof accounting for underlying transaction score bases relating to an occurrence of fraud in a transaction | |
| US11270230B1 (en) | Self learning machine learning transaction scores adjustment via normalization thereof | |
| JP7016394B2 (ja) | 情報処理装置及びプログラム | |
| TWI777266B (zh) | 貴金屬預提延後決價交易系統及其方法 | |
| US20230385844A1 (en) | Granting provisional credit based on a likelihood of approval score generated from a dispute-evaluator machine-learning model | |
| KR102430125B1 (ko) | P2p 금융을 위한 차주 계좌 리스크 관리 시스템 및 방법 | |
| US20240152924A1 (en) | Systems and methods for smart remediation for transactions | |
| US20220198457A1 (en) | Debt repayment system and debt management method | |
| KR20100079747A (ko) | 금융인에 대한 대출 관리 시스템 | |
| Njogo et al. | Do Digital Payment Platforms’ Activities affect Corruption? Evidence from Panel of West African Countries |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C12 | Rejection of a patent application after its publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20080611 |