CN107977804A - 一种保兑仓业务风险评估方法 - Google Patents

一种保兑仓业务风险评估方法 Download PDF

Info

Publication number
CN107977804A
CN107977804A CN201810002046.5A CN201810002046A CN107977804A CN 107977804 A CN107977804 A CN 107977804A CN 201810002046 A CN201810002046 A CN 201810002046A CN 107977804 A CN107977804 A CN 107977804A
Authority
CN
China
Prior art keywords
risk
stage
value
transaction record
appraisal procedure
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.)
Granted
Application number
CN201810002046.5A
Other languages
English (en)
Other versions
CN107977804B (zh
Inventor
邱晓惠
文韬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201810002046.5A priority Critical patent/CN107977804B/zh
Publication of CN107977804A publication Critical patent/CN107977804A/zh
Application granted granted Critical
Publication of CN107977804B publication Critical patent/CN107977804B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • General Physics & Mathematics (AREA)
  • Technology Law (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种保兑仓业务风险评估方法，包括以下阶段：（1）数据组织阶段：将各个历史交易的多角度信息数据进行组织构造；（2）知识发现阶段：根据阶段（1）中数据的分布特征，计算出每个历史交易的风险值；（3）风险评估阶段：将待评估的新交易记录和历史交易记录合并后，根据阶段（2）进行新交易记录的风险值计算。本发明采用的评估方法，并不依赖正样本（也就是违约业务交易）信息、仅仅学习出大量负样本（成功交易）的数据分布特征，就可以输出较精确的评估结论，从而能够在较低数据质量的情况下稳定工作。

Description

一种保兑仓业务风险评估方法
技术领域
本发明属于供应链金融领域，具体涉及一种保兑仓业务风险评估方法。
背景技术
中小企业由于资信不足,一直存在着贷款难的问题。供应链金融创新业务的出现,为众多的中小企业解决融资难题带来希望。早在上个世纪八十年代,供应链金融的概念首次被提出。该融资模式的出现,打破了商业银行对单一贷款企业的信用评估传统方式,将整个供应链中的企业规模、商业信用、物流监管、信息传递进行综合考虑,尤其关注与具有融资需求的中小企业建立商业关系的核心企业的资信水平。
“保兑仓”是指以买方信用为载体，以银行承兑汇票为结算工具，由银行控制货权，仓储方受托保管货物，承兑汇票保证金以外金额部分由卖方以货物回购作为担保措施，由银行向供应商(卖方)及其经销商(买方)提供的以银行承兑汇票为结算方式的一种供应链金融服务。其为国内外商业银行提供了新的盈利模式,开拓了新的竞争市场,成为众多银行主要的竞争领域之一。
然而,任何创新不仅面临新机遇,同时面临新挑战。随着各大银行供应链金融业务的展开,风险事件也层出不穷,自2011年以来仅网络媒体公开报道的供应链金融风险案件就有数十起,涉及金额已超过10亿元,给从业各方造成了不小的损失，在其中保兑仓模式业务所占比例很大。在这样的背景下，亟待发展、运用以信息技术为载体、以智能技术为核心的保兑仓业务风险评估方法。
之前业界往往采用专家评估法，由专家组对某项保兑仓业务进行背靠背评估打分，综合各位专家的意见后给予最终评估结果，这种方法相对来说偏重于定性分析，不能有效利用相关交易历史数据，且相对耗费审批时间；当前，大数据和人工智能的技术优势在逐步推进金融行业智能化发展，业内已经有利用人工智能中的分类算法(比如logit回归、决策树、神经网络视为等等)来评估供应链金融业务风险的工作，其尝试利用历史交易的数据资源来辅助业务专家做智能决策。
然而，以上利用分类算法的方法中，往往难以解决如下问题：如果分类的目标正样本(违约业务)数目远远小于目标负样本(正常业务)，则这些方法往往会拘泥于训练样本的分布特征(称为“过拟合”)、并不能有效识别出未来真正有风险的业务。而保兑仓业务却正好符合以上情况，即：绝大多数业务运行正常、仅有较少业务存在异常违约(该情况在业务开展的前期和中期都很普遍)，但这种异常将会带来较大损失、需要尽可能提前识别风险。
综上所述，当前亟待需要新型的方法来提升保兑仓业务风险评估的精度，且这种方法需要能够规避传统人工智能方法常常遇到的过拟合问题。
发明内容
为了克服现有保兑仓业务风险评估技术在较少违约样本条件下不能有效工作(即系统冷启动能力不足)的缺点，本发明给出了一种鲁棒评估方法。该技术对比当前主要评估方法，并不强依赖正样本(也就是违约业务交易)信息、仅仅学习出大量负样本(成功交易)的数据分布特征，就可以输出较精确的评估结论，从而能够在较低数据质量的情况下稳定工作。
为了达到上述目的，本发明提供了一种保兑仓业务风险评估方法，包括以下阶段：
(1)数据组织阶段：将各个历史交易的多角度信息数据进行组织构造；
(2)知识发现阶段：根据阶段(1)中数据的分布特征，计算出每个历史交易的风险值；
(3)风险评估阶段：将待评估的新交易记录和历史交易记录合并后，根据阶段(2)进行新交易记录的风险值计算。
进一步的，步骤(2)中每个历史交易p的风险指标计算方法如下：
其中，LOFk(p)表示交易记录p的邻域Nk(p)的局部可达密度与p的局部可达密度之比的平均数；
选择不同的k值作为参数，依次带入公式1-3中计算得出各个业务的风险值，将所有风险值进行从大到小排序，取前10％的风险列表RiskList(k)，将各个k值生成的风险列表RiskList与实际情况中的违约交易进行对比，选出与实际情况最吻合的k值，记为kBest。
当历史交易中无违约记录时，kBest记为3或10。
阶段(3)中待评估的新交易记录根据公式1-3和阶段(2)中得到的kBset值进行风险值计算。
进一步的，阶段(3)中计算得到的新交易记录的风险值，根据该值的大小判断新交易记录是否异常；当该值大于1时，判断可能为异常交易，由风控专员进一步审核该交易的背景和材料。
其中，阶段(1)中各个历史交易的多角度信息数据包括融资企业自身因素、核心企业因素、供应链因素、合同因素和质押物因素。
本发明相比现有技术具有以下优点：
本发明采用的评估方法，并不依赖正样本(也就是违约业务交易)信息、仅仅学习出大量负样本(成功交易)的数据分布特征，就可以输出较精确的评估结论，从而能够在较低数据质量的情况下稳定工作。
附图说明
图1为本发明保兑仓业务风险评估方法的流程图；
图2为交易记录p的第k距离示意图。
具体实施方式
下面结合附图对本发明进行详细说明。
如图1所示，本发明进行保兑仓业务风险评估方法主要分为3个阶段：
1、数据组织阶段：本阶段进行数据准备，将各个历史交易(无论是否存在违约交易)的多角度信息进行组织构造，包括但不限于：
a、融资企业自身因素(盈利能力、偿债能力、成长能力)，
b、核心企业因素(行业状况、信用状况)，
c、供应链因素(交易量占比、履约率、供应链合作时间)
d、合同因素(质押率/保证金和同期同业务的对比、合同周期、同业风险是否出现)，
e、质押物因素(价格稳定性)。
2、知识发现阶段：根据以上数据的分布特征，计算出每个交易的风险指标Law ofdanger Factor(LOF)。具体地，先给出如下定义：
1)交易距离d(p,o)：两交易记录p和o之间的距离(可以是欧式距离、余弦相似度、曼哈顿距离等等)；
2)k-distance：第k交易距离
对交易记录p的第k距离dk(p)定义如下：
dk(p)＝d(p,o)，并且满足：
a)在集合中至少有不包括p在内的k个交易o'∈C{x≠p}，满足d(p,o')≤d(p,o)；
b)在集合中最多有不包括p在内的k-1个交易o'∈C{x≠p}，满足d(p,o')＜d(p,o)；
p的第k距离，也就是距离p第k远交易的距离，不包括p，如图2所示。
3)k-distance neighborhood of p：第k交易距离邻域
交易记录p的第k距离邻域Nk(p)，就是p的第k距离即以内的所有其他交易，包括第k距离。因此p的第k邻域交易的个数|Nk(p)|≥k。
4)reach-distance：可达交易距离
交易记录o到p的第k可达距离定义(公式1-1)为：
reach-distancek(p,o)＝max{k-distance(o),d(p,o)} 公式1-1；
也就是说，交易记录o到p的第k可达距离，至少是o的第k距离，或者为o、p间的真实距离。
5)local reachability density：局部可达交易密度
交易记录p的局部可达密度表示(公式1-2)为：
表示交易记录p的第k邻域内各个记录到p的平均可达距离的倒数。
6)Law of danger Factor(LOF)的计算方法(公式1-3)：
该值表示交易记录p的邻域Nk(p)的局部可达密度与p的局部可达密度之比的平均数。如果这个比值越接近1，说明交易记录p的其邻域点密度差不多，p交易和邻域越相似；如果这个比值越大于1，说明p交易的密度小于其邻域点密度，p交易越可能是异常交易。
此时，选择不同的k值作为参数，带入以上LOF计算方法得出各个业务的风险值，将从大到小排序前10％的风险列表称为RiskList(k)。将各个k值生成的RiskList与实际情况中的违约交易进行对比，选出与实际情况最吻合的k值记为kBest；如果没有历史违约交易，默认选择kBest为3或者10。
3、风险评估阶段：
将新交易记录和历史交易记录合并后，用上阶段的LOF计算方法和kBest值算出各个新交易记录的风险评估值，越大说明风险越高。
实施例1
1、数据准备：将保兑仓业务历史信息记录组织如下表。
表1 历史交易的多角度信息组织构造
每个历史交易都由以上19个变量构成一个19维的交易特征向量。
2、知识发现：
1)将外部参数k从3到10循环：
a、根据公式1-3,交易距离选择欧几里得距离，计算出每个交易向量的k风险值。
b、将以上k风险值从大到小排序，取前10％作为k风险队列RiskList(k)。
2)查看历史交易记录中实际违约交易情况，找出与其最吻合的RiskList(k)，此时这个k值就是知识发现的结果kBest。
3、风险评估：
将新的交易信息与历史交易信息合并，利用公式1-3和kBest值算出新交易的风险得分，越大则说明风险越高、需要风控专员进一步审核该交易的背景和材料。
当然,本发明还可以有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员可以根据本发明做出各种相应的改变和变形,但这些相应的改变和变形都应该属于本发明所附的权利要求的保护范围。

Claims (6)

1.一种保兑仓业务风险评估方法，其特征在于：包括以下阶段：
(1)数据组织阶段：将各个历史交易的多角度信息数据进行组织构造；
(2)知识发现阶段：根据阶段(1)中数据的分布特征，计算出每个历史交易的风险值；
(3)风险评估阶段：将待评估的新交易记录和历史交易记录合并后，根据阶段(2)进行新交易记录的风险值计算。
2.根据权利要求1所述的保兑仓业务风险评估方法，其特征在于：所述步骤(2)中每个历史交易p的风险指标计算方法如下：
所述LOFk(p)表示交易记录p的邻域Nk(p)的局部可达密度与p的局部可达密度之比的平均数；
选择不同的k值作为参数，依次带入公式1-3中计算得出各个业务的风险值，将所有风险值进行从大到小排序，取前10％的风险列表RiskList(k)，将各个k值生成的风险列表RiskList与实际情况中的违约交易进行对比，选出与实际情况最吻合的k值，记为kBest。
3.根据权利要求4所述的保兑仓业务风险评估方法，其特征在于：当历史交易中无违约记录时，kBest记为3或10。
4.根据权利要求2或3所述的保兑仓业务风险评估方法，其特征在于：所述阶段(3)中待评估的新交易记录根据公式1-3和kBset值进行风险值计算。
5.根据权利要求4所述的保兑仓业务风险评估方法，其特征在于：所述阶段(3)中计算得到的新交易记录的风险值，根据该值的大小判断新交易记录是否异常；当该值大于1时，判断可能为异常交易，由风控专员进一步审核该交易的背景和材料。
6.根据权利要求1所述的保兑仓业务风险评估方法，其特征在于：所述各个历史交易的多角度信息数据包括融资企业自身因素、核心企业因素、供应链因素、合同因素和质押物因素。
CN201810002046.5A 2018-01-02 2018-01-02 一种保兑仓业务风险评估方法 Active CN107977804B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810002046.5A CN107977804B (zh) 2018-01-02 2018-01-02 一种保兑仓业务风险评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810002046.5A CN107977804B (zh) 2018-01-02 2018-01-02 一种保兑仓业务风险评估方法

Publications (2)

Publication Number Publication Date
CN107977804A true CN107977804A (zh) 2018-05-01
CN107977804B CN107977804B (zh) 2020-10-27

Family

ID=62005738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810002046.5A Active CN107977804B (zh) 2018-01-02 2018-01-02 一种保兑仓业务风险评估方法

Country Status (1)

Country Link
CN (1) CN107977804B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11263643B2 (en) 2019-08-27 2022-03-01 Coupang Corp. Computer-implemented method for detecting fraudulent transactions using locality sensitive hashing and locality outlier factor algorithms

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140207634A1 (en) * 2013-01-19 2014-07-24 Kevin Edmonds Refund purchase system
CN106408423A (zh) * 2016-11-25 2017-02-15 泰康保险集团股份有限公司 用于风险评估的方法、系统及构建风险评估系统的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140207634A1 (en) * 2013-01-19 2014-07-24 Kevin Edmonds Refund purchase system
CN106408423A (zh) * 2016-11-25 2017-02-15 泰康保险集团股份有限公司 用于风险评估的方法、系统及构建风险评估系统的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11263643B2 (en) 2019-08-27 2022-03-01 Coupang Corp. Computer-implemented method for detecting fraudulent transactions using locality sensitive hashing and locality outlier factor algorithms
TWI812871B (zh) * 2019-08-27 2023-08-21 南韓商韓領有限公司 電腦實行的系統以及方法

Also Published As

Publication number Publication date
CN107977804B (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
US7165043B2 (en) Valuation prediction models in situations with missing inputs
US7003484B2 (en) Methods and systems for efficiently sampling portfolios for optimal underwriting
US7028005B2 (en) Methods and systems for finding value and reducing risk
US7162445B2 (en) Methods and systems for quantifying cash flow recovery and risk
US20010037278A1 (en) Methods and apparatus for simulating competitive bidding yield
US20020013752A1 (en) Rapid valuation of portfolios of assets such as financial instruments
US20020049659A1 (en) Methods and systems for optimizing return and present value
CN111401600A (zh) 基于关联关系的企业信用风险评价方法和系统
Lei et al. Development of an intelligent information system for financial analysis depend on supervised machine learning algorithms
Chen [Retracted] Risk Assessment of Government Debt Based on Machine Learning Algorithm
CN115660803A (zh) 互联网背景下供应链金融风险管理方法
Xu et al. Research on credit risk assessment of listed companies in technology sector based on support vector machine integration
CN107977804A (zh) 一种保兑仓业务风险评估方法
Ullah et al. Predicting Default Payment of Credit Card Users: Applying Data Mining Techniques
Kirkos et al. Detection of fraudulent financial statements through the use of data mining techniques
Nguyen et al. Corporate financial distress prediction in a transition economy
Mabe et al. Determinants of Corporate Failure: The Case of the Johannesburg Stock Exchange
Arifah et al. Artificial Intelligence in Credit Risk Management of Peer-to-Peer Lending Financial Technology: Systematic Literature Review
Xia et al. [Retracted] Performance Evaluation Method of Online Supply Chain Finance Logistics Enterprises Based on GARCH‐VAR
Sri The role of external and internal factors in the accuracy of predicting financial distress
Shafiee et al. Evaluation of back propagation-artificial neural network (BP-ANN) fit rate and types of vector machine algorithms in estimating the bankruptcy prediction of companies listed on tehran stock exchange
Zhong et al. A buisness system towards supply chain finance based on complex network
Li et al. A Study on Regional Financial Risks Based on CoCVaR Model
Zhang et al. Prediction of default risk borne by financial enterprises in China based on big data analysis approach
Spindler Algorithm Assurance

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant