CN109117976A - 一种贷款损失预测方法、装置、服务器及存储介质 - Google Patents
一种贷款损失预测方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN109117976A CN109117976A CN201810653792.0A CN201810653792A CN109117976A CN 109117976 A CN109117976 A CN 109117976A CN 201810653792 A CN201810653792 A CN 201810653792A CN 109117976 A CN109117976 A CN 109117976A
- Authority
- CN
- China
- Prior art keywords
- loans
- month
- overdue rate
- repayment period
- making
- 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
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例公开了一种贷款损失预测方法、装置、服务器及存储介质,其中方法包括:获取第一放款月份的放款在已还款期的第一逾期率,第一放款月份为放款月份中任意一个放款的已还款期的数量不小于第一数量的放款月份;将各个第一放款月份的放款在已还款期的第一逾期率分别进行拟合,获取第一拟合函数;根据第一拟合函数和第二放款月份的放款在已还款期的第二逾期率,确定第二放款月份的放款在未还款期的第三逾期率,第二放款月份为放款月份中任意一个放款的已还款期的数量小于第一数量且不小于第二数量的放款月份;根据第二逾期率以及第三逾期率确定第二放款月份的放款的贷款损失。通过本发明实施例可以预测放款的贷款损失。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种贷款损失预测方法、装置、服务器及存储介质。
背景技术
在网贷平台或者商业银行的贷款业务中发生贷款不履约是非常正常的现象,所谓贷款的不履约是指借款人不能按贷款协议所规定的日期或者金额归还贷款。贷款的不履约现象会给网贷平台或者商业银行造成贷款损失。对放款的贷款损失进行预测显得尤其重要,如何对放款的贷款损失进行预测是目前的研究热点。
发明内容
本发明实施例所要解决的技术问题在于,提供一种贷款损失预测方法、装置、服务器及存储介质,可以预测放款的贷款损失。
第一方面,本发明实施例提供了一种贷款损失预测方法,该方法包括:
获取第一放款月份的放款在已还款期的第一逾期率,所述第一放款月份为放款月份中任意一个放款的已还款期的数量不小于第一数量的放款月份;
将各个第一放款月份的放款在已还款期的第一逾期率分别进行拟合,获取第一拟合函数;
根据所述第一拟合函数和第二放款月份的放款在已还款期的第二逾期率,确定所述第二放款月份的放款在未还款期的第三逾期率,所述第二放款月份为放款月份中任意一个放款的已还款期的数量小于所述第一数量且不小于第二数量的放款月份;
根据所述第二逾期率以及所述第三逾期率确定所述第二放款月份的放款的贷款损失。
第二方面,本发明实施例提供了一种贷款损失预测装置,该装置包括:
第一获取模块,用于获取第一放款月份的放款在已还款期的第一逾期率,所述第一放款月份为放款月份中任意一个放款的已还款期的数量不小于第一数量的放款月份;
拟合模块,用于将各个第一放款月份的放款在已还款期的第一逾期率分别进行拟合,获取第一拟合函数;
第一确定模块,用于根据所述第一拟合函数和第二放款月份的放款在已还款期的第二逾期率,确定所述第二放款月份的放款在未还款期的第三逾期率,所述第二放款月份为放款月份中任意一个放款的已还款期的数量小于所述第一数量且不小于第二数量的放款月份;
第二确定模块,用于根据所述第二逾期率以及所述第三逾期率确定所述第二放款月份的放款的贷款损失。
第三方面,本发明实施例提供了一种服务器,包括处理器和存储器,所述处理器和所述存储器连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述第一方面所述的贷款损失预测方法。
第四方面,本发明实施例提供了一种存储介质,所述存储介质中存储有指令,当所述指令在计算机上运行时,使计算机执行上述第一方面所述的贷款损失预测方法。
本发明实施例通过首先获取第一放款月份的放款在已还款期的第一逾期率,并将各个第一放款月份的放款在已还款期的第一逾期率分别进行拟合,获取第一拟合函数,然后根据该第一拟合函数和第二放款月份的放款在已还款期的第二逾期率,确定该第二放款月份的放款在未还款期的第三逾期率,最后根据该第二逾期率以及该第三逾期率确定该第二放款月份的放款的贷款损失,从而可以预测放款的贷款损失。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明第一实施例提供的一种贷款损失预测方法的流程示意图;
图2是本发明第二实施例提供的一种贷款损失预测方法的流程示意图;
图3是本发明实施例提供的一种贷款损失预测装置的结构示意图;
图4是本发明实施例提供的一种服务器的结构示意图。
具体实施方式
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。
本发明实施例公开了一种贷款损失预测方法、装置、服务器及存储介质,用于预测放款的贷款损失,以便于贷款机构根据贷款损失进行贷款催还或者计提贷款损失准备。其中,本发明实施例提供的贷款损失预测方法可以由服务器来实现,该服务器可以是风控服务器。
请参阅图1,图1为本发明第一实施例提供的一种贷款损失预测方法的流程示意图。本发明实施例中所描述的贷款损失预测方法,包括:
S101、服务器获取第一放款月份的放款在已还款期的第一逾期率。
本发明实施例中,服务器首先从历史贷款记录以及历史还款记录中,获取各个放款月份的放款在各个已还款期的逾期率。该历史贷款记录以及历史还款记录可以是存储在该服务器中,也可以是存储在其他服务器中,在此不作限定。已还款期指的是放款月份的放款对应的应还款期中还款时间已到的还款期,应还款期是贷款协议所规定的还款时间,应还款期的还款期数例如可以为12或者20。然后,服务器从多个放款月份中确定出第一放款月份,该第一放款月份为该多个放款月份中,任意一个放款的已还款期的数量大于或者等于第一数量的放款月份,第一数量对应的数值例如可以是10。进一步地,服务器获取各个第一放款月份的放款在已还款期的第一逾期率。其中,第一逾期率可以是M月逾期率,M为大于或者等于1的正整数,M例如是1、2或者3。逾期率为在已还款期逾期还款的人数占放款月份对应的放款总人数的比例。
在一实施方式中,服务器获取到各个放款月份的放款在各个已还款期的逾期率之后,可以按照放款月份和应还款期的编号做表,表中元素为逾期率。举例来说,请一并参阅表一,表一为放款月份和应还款期的映射关系,表一中的元素为M2逾期率,也即是2月逾期率或者60天逾期率。M2逾期率为在已还款期逾期至少60天还款的人数占放款月份对应的放款总人数的比例。
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | |
201705 | 10% | 15% | 17% | 18% | 20% | 23% | 24% | 30% | 32% | 38% | 41% | 42% |
201709 | 8% | 10% | 16% | 20% | 21% | 24% | 26% | 28% | 33% | 37% | ||
201712 | 9% | 12% | 18% | 21% | 22% | 24% | ||||||
201803 | 10% | 13% |
表一、放款月份和应还款期的映射关系
如表一所示,放款月份的放款的应还款期的还款期数为12,放款月份的放款的已还款期为相应应还款期中存在逾期率的应还款期。201705表示放款月份为2017年05月,其它放款月份则以此类推,此处不再赘述。放款月份2017年05月的放款的已还款期的数量为12,放款月份2017年09月的放款的已还款期的数量为10。假设第一数量对应的数值为10,服务器则将放款月份2017年05月以及放款月份2017年09月分别确定为第一放款月份。放款月份2017年05月的放款在已还款期的第一逾期率为:10%、15%、17%、18%、20%、23%、24%、30%、32%、38%、41%和42%;放款月份2017年09月的放款在已还款期的第一逾期率为:8%、10%、16%、20%、21%、24%、26%、28%、33%和37%。
S102、所述服务器将各个第一放款月份的放款在已还款期的第一逾期率分别进行拟合,获取第一拟合函数。
本发明实施例中,服务器获取到各个第一放款月份的放款在已还款期的第一逾期率之后,利用不同类型的函数对各个第一放款月份的放款在已还款期的第一逾期率分别进行拟合,获取第一拟合函数。其中,第一拟合函数为对各个第一逾期率分别进行拟合时拟合优度最好的函数的函数类型,该函数类型例如可以是对数函数类型。举例来说,结合前文例子,服务器利用不同类型的函数,对放款月份2017年05月的放款在已还款期的第一逾期率进行拟合,获取拟合优度最好的函数的函数类型。与此同时,服务器利用不同类型的函数,对放款月份2017年09月的放款在已还款期的第一逾期率进行拟合,获取拟合优度最好的函数的函数类型。假设对放款月份2017年05月对应的第一逾期率进行拟合时拟合优度最好的函数为对数函数,且对放款月份2017年09月对应的第一逾期率进行拟合时拟合优度最好的函数也为对数函数;服务器则将对数函数确定为第一拟合函数。
S103、所述服务器根据所述第一拟合函数和第二放款月份的放款在已还款期的第二逾期率,确定所述第二放款月份的放款在未还款期的第三逾期率。
本发明实施例中,服务器首先从多个放款月份中确定出第二放款月份,该第二放款月份为该多个放款月份中,任意一个放款的已还款期的数量小于第一数量且不小于第二数量的放款月份。第二数量小于第一数量,第二数量对应的数值例如可以是3。进一步地,服务器获取各个第二放款月份的放款在已还款期的第二逾期率。其中,第二逾期率可以是M月逾期率。举例来说,如表一所示,放款月份2017年12月的放款的已还款期的数量为6,假设第一数量对应的数值为10,第二数量对应的数值为3;服务器则将放款月份2017年12月确定为第二放款月份。放款月份2017年12月的放款在已还款期的第二逾期率为:9%、12%、18%、21%、22%和24%。
然后,针对每一个第二放款月份,服务器利用该第一拟合函数对第二放款月份的放款在已还款期的第二逾期率进行拟合,确定出第二放款月份的放款在未还款期的第三逾期率。其中,第三逾期率可以是M月逾期率。未还款期指的是放款月份的放款对应的应还款期中还款时间未到的还款期。结合前文例子,如表一所示,放款月份的放款的未还款期为相应应还款期中逾期率为空的应还款期,表一中编号为7-12的应还款期为放款月份2017年12月的放款的未还款期。该第三逾期率也即是放款月份2017年12月的放款在编号为7-12的应还款期的逾期率。
S104、所述服务器根据所述第二逾期率以及所述第三逾期率确定所述第二放款月份的放款的贷款损失。
本发明实施例中,针对每一个第二放款月份,服务器根据第二放款月份的放款在已还款期的第二逾期率,以及确定出的第二放款月份的放款在未还款期的第三逾期率,确定第二放款月份的放款的贷款损失。在一实施方式中,服务器根据该第二逾期率、该第三逾期率以及第二放款月份的放款对应的应还款期的期数,确定出第二放款月份的放款在应还款期的第一平均逾期率,并将该第一平均逾期率确定为第二放款月份的放款的贷款损失。采用上述方式,可以预测出放款月份的放款的贷款损失,以便于贷款机构根据贷款损失进行贷款催还或者计提贷款损失准备。
本发明实施例中,针对每一个第一放款月份,服务器可以直接根据第一放款月份的放款在已还款期的第一逾期率,以及第一放款月份的放款对应的已还款期的期数,确定出第一放款月份的放款在已还款期的第二平均逾期率,并将该第二平均逾期率确定为第一放款月份的放款的贷款损失。在一实施方式中,服务器也可以先根据该第一逾期率以及该第一拟合函数,确定出第一放款月份的放款在各个未还款期的逾期率;然后根据该第一逾期率、第一放款月份的放款在各个未还款期的逾期率、以及第一放款月份的放款对应的应还款期的期数,确定出第一放款月份的放款在应还款期的第三平均逾期率,并将该第三平均逾期率确定为第一放款月份的放款的贷款损失。
本发明实施例通过首先获取第一放款月份的放款在已还款期的第一逾期率,并将各个第一放款月份的放款在已还款期的第一逾期率分别进行拟合,获取第一拟合函数,然后根据该第一拟合函数和第二放款月份的放款在已还款期的第二逾期率,确定该第二放款月份的放款在未还款期的第三逾期率,最后根据该第二逾期率以及该第三逾期率确定该第二放款月份的放款的贷款损失,从而可以预测放款的贷款损失。
请参阅图2,图2为本发明第二实施例提供的一种贷款损失预测方法的流程示意图。本发明实施例中所描述的贷款损失预测方法,包括:
S201、服务器获取第三放款月份的放款在已还款期的第四逾期率。
本发明实施例中,服务器首先从多个放款月份中确定出第三放款月份,该第三放款月份为该多个放款月份中,任意一个放款的已还款期的数量小于第二数量的放款月份。进一步地,服务器获取各个第三放款月份的放款在已还款期的第四逾期率。其中,第四逾期率可以是M月逾期率。举例来说,如表一所示,放款月份2018年03月的放款的已还款期的数量为2,假设第二数量对应的数值为3;服务器则将放款月份2018年03月确定为第三放款月份。放款月份2018年03月的放款在已还款期的第四逾期率为:10%和13%。
S202、所述服务器获取所述第三放款月份的放款在未还款期中编号小于或等于所述第二数量对应的数值的未还款期的第五逾期率。
本发明实施例中,针对每一个第三放款月份,服务器首先对第三放款月份的放款的已还款期对应的时间段进行拆分,得到多个子时间段;然后获取第三放款月份的放款在该多个子时间段各自的第六逾期率。其中,第六逾期率可以是N天逾期率,N为小于30的正整数。N例如可以是10。
进一步地,服务器对第三放款月份的放款在该多个子时间段各自的第六逾期率进行分析,得到该多个子时间段各自的第六逾期率之间的递推关系。进一步地,服务器根据该递推关系确定出第三放款月份的放款的第五逾期率,第五逾期率为第三放款月份的放款在编号小于或等于第二数量对应的数值的未还款期的逾期率。其中,第五逾期率可以是M月逾期率。举例来说,假设第二数量对应的数值为3,M为2,N为10,对不足3期60天逾期表现数据的第三放款月份,如表一所示,放款月份2018年03月为第三放款月份,且只有2期60天逾期表现数据;服务器则获取放款月份2018年03月对应的多期10天逾期表现数据,并获取该多期10天逾期表现数据之间的递推关系,根据该递推关系确定放款月份2018年03月在编号为3的未还款期的第五逾期率。
S203、所述服务器根据所述第四逾期率以及所述第五逾期率确定所述第三放款月份的放款的贷款损失。
本发明实施例中,服务器首先获取第一放款月份的放款在已还款期的第一逾期率,该第一放款月份为该多个放款月份中,任意一个放款的已还款期的数量不小于第一数量的放款月份;然后将各个第一放款月份的放款在已还款期的第一逾期率分别进行拟合,获取第一拟合函数;进一步地,服务器根据该第一拟合函数和第二放款月份的放款在已还款期的第二逾期率,确定出第二放款月份的放款在未还款期的第三逾期率,该第二放款月份为该多个放款月份中,任意一个放款的已还款期的数量小于第一数量且不小于第二数量的放款月份。需要说明的是,上述步骤的具体实现方式可参考前文所述,在此不再赘述。
进一步地,服务器首先根据各个第一放款月份的放款在已还款期的第一逾期率、各个第二放款月份的放款在已还款期的第二逾期率,以及各个第二放款月份的放款在未还款期的第三逾期率,确定出应还款期中编号不小于第二数量对应的数值的各个应还款期的平均逾期率。其中,上述各个应还款期的平均逾期率可以是M月逾期率。举例来说,假设第一数量对应的数值为10,第二数量对应的数值为3。如表一所示,则放款月份2017年05月、放款月份2017年09月为第一放款月份,放款月份2017年12月为第二放款月份。应还款期中编号为4的应还款期的平均逾期率可以是,放款月份2017年05月在编号为4的应还款期的逾期率18%、放款月份2017年09月在编号为4的应还款期的逾期率20%,以及放款月份2017年12月在编号为4的应还款期的逾期率21%三者的平均值。需要说明的是,其他各个应还款期的平均逾期率亦可根据上述方式得出,在此不再赘述。
进一步地,服务器利用不同类型的函数,对应还款期中编号不小于第二数量对应的数值的各个应还款期的平均逾期率进行拟合,获取第二拟合函数。其中,第二拟合函数为对上述各个应还款期的平均逾期率进行拟合时拟合优度最好的函数,该函数可以是一个对数函数。然后,服务器根据该第二拟合函数以及该第五逾期率,确定第三放款月份的放款在未还款期中编号大于第二数量对应的数值的未还款期的第七逾期率。其中,第七逾期率可以是M月逾期率。结合前文例子,如表一所示,第七逾期率也即是放款月份2018年03月的放款在编号为4-12的应还款期的逾期率。
最后,服务器根据该第四逾期率、该第五逾期率以及该第七逾期率确定第三放款月份的放款的贷款损失。在一实施方式中,服务器根据该第四逾期率、该第五逾期率、该第七逾期率以及第三放款月份的放款对应的应还款期的期数,确定出第三放款月份的放款在应还款期的第四平均逾期率,并将该第四平均逾期率确定为第三放款月份的放款的贷款损失。采用上述方式,可以预测出放款月份的放款的贷款损失,以便于贷款机构根据贷款损失进行贷款催还或者计提贷款损失准备。
在一实施方式中,服务器可以是先将第五逾期率以及第二拟合函数的函数图像绘制到一张曲线图中,曲线图的横坐标为应还款期的编号,纵坐标为各个应还款期的逾期率。然后,服务器将第二拟合函数的函数图像进行平移,以使第二拟合函数在编号为第二数量对应的数值的应还款期的逾期率,与第五逾期率中编号为第二数量对应的数值的应还款期的逾期率重合。最后,服务器根据平移后的第二拟合函数,确定出第三放款月份的放款在未还款期中编号大于第二数量对应的数值的未还款期的第七逾期率。
在一实施方式中,服务器采用前文实施例的方式确定出各个第二放款月份的放款在未还款期的逾期率,采用本实施例的方式确定出各个第三放款月份的放款在未还款期的逾期率之后;服务器根据各个第一放款月份的放款在已还款期的第一逾期率、各个第二放款月份的放款在已还款期的第二逾期率、各个第二放款月份的放款在未还款期的第三逾期率、各个第三放款月份的放款在已还款期的第四逾期率,以及各个第三放款月份的放款在未还款期的第五逾期率和第七逾期率,确定出各个应还款期的平均逾期率;并将各个应还款期的平均逾期率作为各个应还款期的的贷款损失。
采用上述方式,不仅可以预测出每一个放款月份各自对应的贷款损失,还可以预测出各个应还款期对应的的贷款损失。预测出贷款损失之后,可以便于贷款机构根据贷款损失进行贷款催还或者计提贷款损失准备,还可以便于贷款机构根据贷款损失调整后续放款月份的放款标准,例如降低放款额度,提高放款条件,要求用户提供资产抵押等。
在一实施方式中,服务器获取到第一拟合函数之后,可以直接利用该第一拟合函数对第三放款月份的放款在已还款期的第四逾期率进行拟合,确定出第三放款月份的放款在未还款期的逾期率。服务器然后根据该第四逾期率,以及确定出的第三放款月份的放款在未还款期的逾期率,确定第三放款月份的放款的贷款损失。
在一实施方式中,服务器根据第一拟合函数和第二逾期率,确定出第三逾期率之后,利用不同的函数对各个第一放款月份对应的第一逾期率、各个第二放款月份对应的第二逾期率和第三逾期率进行拟合,获取第三拟合函数。其中,第三拟合函数为对该第一逾期率、该第二逾期率以及该第三逾期率进行拟合时拟合优度最好的函数,该函数可以是一个对数函数。然后,服务器根据该第三拟合函数以及第三放款月份的放款在已还款期的第四逾期率,确定出第三放款月份的放款在未还款期的逾期率。最后,服务器根据该第四逾期率,以及确定出的第三放款月份的放款在未还款期的逾期率,确定第三放款月份的放款的贷款损失。
本发明实施例通过首先获取第三放款月份的放款在已还款期的第四逾期率,该第三放款月份为放款月份中任意一个放款的已还款期的数量小于第二数量的放款月份;然后获取该第三放款月份的放款在未还款期中编号小于或等于第二数量对应的数值的未还款期的第五逾期率;最后根据该第四逾期率以及该第五逾期率确定该第三放款月份的放款的贷款损失,从而可以预测放款的贷款损失。
请参见图3,图3为本发明实施例提供的一种贷款损失预测装置的结构示意图。本实施例中所描述的贷款损失预测装置,包括:
第一获取模块301,用于获取第一放款月份的放款在已还款期的第一逾期率,所述第一放款月份为放款月份中任意一个放款的已还款期的数量不小于第一数量的放款月份;
拟合模块302,用于将各个第一放款月份的放款在已还款期的第一逾期率分别进行拟合,获取第一拟合函数;
第一确定模块303,用于根据所述第一拟合函数和第二放款月份的放款在已还款期的第二逾期率,确定所述第二放款月份的放款在未还款期的第三逾期率,所述第二放款月份为放款月份中任意一个放款的已还款期的数量小于所述第一数量且不小于第二数量的放款月份;
第二确定模块304,用于根据所述第二逾期率以及所述第三逾期率确定所述第二放款月份的放款的贷款损失。
在一些可行的实施方式中,所述第一获取模块301,还用于获取第三放款月份的放款在已还款期的第四逾期率,所述第三放款月份为放款月份中任意一个放款的已还款期的数量小于所述第二数量的放款月份;
其中,所述贷款损失预测装置,还包括:
第二获取模块305,用于获取所述第三放款月份的放款在未还款期中编号小于或等于所述第二数量对应的数值的未还款期的第五逾期率;
第三确定模块306,用于根据所述第四逾期率以及所述第五逾期率确定所述第三放款月份的放款的贷款损失。
在一些可行的实施方式中,所述第二获取模块305,具体包括:
拆分单元3051,用于对所述第三放款月份的放款的已还款期对应的时间段进行拆分,得到多个子时间段;
获取单元3052,用于获取所述第三放款月份的放款在所述多个子时间段的第六逾期率;
所述获取单元3052,还用于获取所述第三放款月份的放款在所述多个子时间段各自的第六逾期率之间的递推关系;
确定单元3053,用于根据所述递推关系确定所述第三放款月份的放款在未还款期中编号小于或等于所述第二数量对应的数值的未还款期的第五逾期率。
在一些可行的实施方式中,所述第三确定模块306,具体用于:
根据所述第一逾期率、所述第二逾期率以及所述第三逾期率确定应还款期中编号不小于所述第二数量对应的数值的各个应还款期的平均逾期率;
根据所述各个应还款期的平均逾期率确定第二拟合函数;
根据所述第二拟合函数以及所述第五逾期率,确定所述第三放款月份的放款在未还款期中编号大于所述第二数量对应的数值的未还款期的第七逾期率;
根据所述第四逾期率、所述第五逾期率以及所述第七逾期率确定所述第三放款月份的放款的贷款损失。
在一些可行的实施方式中,所述第一拟合函数和所述第二拟合函数为对数函数。
在一些可行的实施方式中,所述第一逾期率、所述第二逾期率、所述第三逾期率、所述第四逾期率、所述第五逾期率以及所述第七逾期率均为M月逾期率,所述M为正整数。
在一些可行的实施方式中,所述第六逾期率为N天逾期率,所述N为小于30的正整数。
可以理解的是,本发明实施例的贷款损失预测装置的各功能模块、单元的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
本发明实施例通过第一获取模块301获取第一放款月份的放款在已还款期的第一逾期率,并触发拟合模块302将各个第一放款月份的放款在已还款期的第一逾期率分别进行拟合,获取第一拟合函数,然后触发第一确定模块303根据该第一拟合函数和第二放款月份的放款在已还款期的第二逾期率,确定该第二放款月份的放款在未还款期的第三逾期率,最后触发第二确定模块304根据该第二逾期率以及该第三逾期率确定该第二放款月份的放款的贷款损失,从而可以预测放款的贷款损失。
请参见图4,图4为本发明实施例提供的一种服务器的结构示意图,本发明实施例中所描述的服务器包括:处理器401、通信接口402、存储器403。其中,处理器401、通信接口402、存储器403可通过总线或其他方式连接,本发明实施例以通过总线连接为例。
处理器401可以是中央处理器(central processing unit,CPU),网络处理器(network processor,NP),图形处理器(graphics processing unit,GPU),或者CPU、GPU和NP的组合。处理器401也可以是多核CPU、多核GPU或多核NP中用于实现通信标识绑定的核。
上述处理器401可以是硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit,ASIC),可编程逻辑器件(programmablelogic device,PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complexprogrammable logic device,CPLD),现场可编程逻辑门阵列(field-programmable gatearray,FPGA),通用阵列逻辑(generic array logic,GAL)或其任意组合。
上述通信接口402可用于收发信息或信令的交互,以及信号的接收和传递,通信接口402可以是收发器。上述存储器403可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的存储程序(比如文字存储功能、位置存储功能等);存储数据区可存储根据服务器的使用所创建的数据(比如图像数据、文字数据)等,并可以包括应用存储程序等。此外,存储器403可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
上述存储器403还用于存储程序指令。上述处理器401可以调用上述存储器403存储的程序指令,实现如本发明实施例所示的贷款损失预测方法。
具体地,上述处理器401调用存储在上述存储器403中的程序指令执行以下步骤:
获取第一放款月份的放款在已还款期的第一逾期率,所述第一放款月份为放款月份中任意一个放款的已还款期的数量不小于第一数量的放款月份;
将各个第一放款月份的放款在已还款期的第一逾期率分别进行拟合,获取第一拟合函数;
根据所述第一拟合函数和第二放款月份的放款在已还款期的第二逾期率,确定所述第二放款月份的放款在未还款期的第三逾期率,所述第二放款月份为放款月份中任意一个放款的已还款期的数量小于所述第一数量且不小于第二数量的放款月份;
根据所述第二逾期率以及所述第三逾期率确定所述第二放款月份的放款的贷款损失。
本发明实施例中处理器401执行的方法均从处理器的角度来描述,可以理解的是,本发明实施例中处理器401要执行上述方法需要其他硬件结构的配合。本发明实施例对具体的实现过程不作详细描述和限制。
在一些可行的实施方式中,上述处理器401还用于:
获取第三放款月份的放款在已还款期的第四逾期率,所述第三放款月份为放款月份中任意一个放款的已还款期的数量小于所述第二数量的放款月份;
获取所述第三放款月份的放款在未还款期中编号小于或等于所述第二数量对应的数值的未还款期的第五逾期率;
根据所述第四逾期率以及所述第五逾期率确定所述第三放款月份的放款的贷款损失。
在一些可行的实施方式中,上述处理器401获取所述第三放款月份的放款在未还款期中编号小于或等于所述第二数量对应的数值的未还款期的第五逾期率的具体方式为:
对所述第三放款月份的放款的已还款期对应的时间段进行拆分,得到多个子时间段;
获取所述第三放款月份的放款在所述多个子时间段的第六逾期率;
获取所述第三放款月份的放款在所述多个子时间段各自的第六逾期率之间的递推关系;
根据所述递推关系确定所述第三放款月份的放款在未还款期中编号小于或等于所述第二数量对应的数值的未还款期的第五逾期率。
在一些可行的实施方式中,上述处理器401根据所述第四逾期率以及所述第五逾期率确定所述第三放款月份的放款的贷款损失的具体方式为:
根据所述第一逾期率、所述第二逾期率以及所述第三逾期率确定应还款期中编号不小于所述第二数量对应的数值的各个应还款期的平均逾期率;
根据所述各个应还款期的平均逾期率确定第二拟合函数;
根据所述第二拟合函数以及所述第五逾期率,确定所述第三放款月份的放款在未还款期中编号大于所述第二数量对应的数值的未还款期的第七逾期率;
根据所述第四逾期率、所述第五逾期率以及所述第七逾期率确定所述第三放款月份的放款的贷款损失。
在一些可行的实施方式中,所述第一拟合函数和所述第二拟合函数为对数函数。
在一些可行的实施方式中,所述第一逾期率、所述第二逾期率、所述第三逾期率、所述第四逾期率、所述第五逾期率以及所述第七逾期率均为M月逾期率,所述M为正整数。
在一些可行的实施方式中,所述第六逾期率为N天逾期率,所述N为小于30的正整数。
具体实现中,本申请实施例中所描述的处理器401、通信接口402、存储器403可执行本发明实施例提供的贷款损失预测方法中所描述的实现方式,也可执行本申请实施例图3提供的一种贷款损失预测装置中所描述的实现方式,在此不再赘述。
本发明实施例通过处理器401首先获取第一放款月份的放款在已还款期的第一逾期率,并将各个第一放款月份的放款在已还款期的第一逾期率分别进行拟合,获取第一拟合函数,然后根据该第一拟合函数和第二放款月份的放款在已还款期的第二逾期率,确定该第二放款月份的放款在未还款期的第三逾期率,最后根据该第二逾期率以及该第三逾期率确定该第二放款月份的放款的贷款损失,从而可以预测放款的贷款损失。
本发明实施例还提供一种存储介质,所述存储介质中存储有贷款损失预测指令,当所述贷款损失预测指令在计算机上运行时,使得计算机执行上述方法实施例所述的贷款损失预测方法。
本发明实施例还提供一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述方法实施例所述的贷款损失预测方法。
需要说明的是,对于前述的各个方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某一些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的模块以及单元可以根据实际需要进行合并、划分和删减。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random AccessMemory,RAM)、磁盘或光盘等。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (10)
1.一种贷款损失预测方法,其特征在于,所述方法包括:
获取第一放款月份的放款在已还款期的第一逾期率,所述第一放款月份为放款月份中任意一个放款的已还款期的数量不小于第一数量的放款月份;
将各个第一放款月份的放款在已还款期的第一逾期率分别进行拟合,获取第一拟合函数;
根据所述第一拟合函数和第二放款月份的放款在已还款期的第二逾期率,确定所述第二放款月份的放款在未还款期的第三逾期率,所述第二放款月份为放款月份中任意一个放款的已还款期的数量小于所述第一数量且不小于第二数量的放款月份;
根据所述第二逾期率以及所述第三逾期率确定所述第二放款月份的放款的贷款损失。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取第三放款月份的放款在已还款期的第四逾期率,所述第三放款月份为放款月份中任意一个放款的已还款期的数量小于所述第二数量的放款月份;
获取所述第三放款月份的放款在未还款期中编号小于或等于所述第二数量对应的数值的未还款期的第五逾期率;
根据所述第四逾期率以及所述第五逾期率确定所述第三放款月份的放款的贷款损失。
3.根据权利要求2所述的方法,其特征在于,所述获取所述第三放款月份的放款在未还款期中编号小于或等于所述第二数量对应的数值的未还款期的第五逾期率,包括:
对所述第三放款月份的放款的已还款期对应的时间段进行拆分,得到多个子时间段;
获取所述第三放款月份的放款在所述多个子时间段的第六逾期率;
获取所述第三放款月份的放款在所述多个子时间段各自的第六逾期率之间的递推关系;
根据所述递推关系确定所述第三放款月份的放款在未还款期中编号小于或等于所述第二数量对应的数值的未还款期的第五逾期率。
4.根据权利要求2或3所述的方法,其特征在于,所述根据所述第四逾期率以及所述第五逾期率确定所述第三放款月份的放款的贷款损失,包括:
根据所述第一逾期率、所述第二逾期率以及所述第三逾期率确定应还款期中编号不小于所述第二数量对应的数值的各个应还款期的平均逾期率;
根据所述各个应还款期的平均逾期率确定第二拟合函数;
根据所述第二拟合函数以及所述第五逾期率,确定所述第三放款月份的放款在未还款期中编号大于所述第二数量对应的数值的未还款期的第七逾期率;
根据所述第四逾期率、所述第五逾期率以及所述第七逾期率确定所述第三放款月份的放款的贷款损失。
5.根据权利要求4所述的方法,其特征在于,所述第一拟合函数和所述第二拟合函数为对数函数。
6.根据权利要求4所述的方法,其特征在于,所述第一逾期率、所述第二逾期率、所述第三逾期率、所述第四逾期率、所述第五逾期率以及所述第七逾期率均为M月逾期率,所述M为正整数。
7.根据权利要求3所述的方法,其特征在于,所述第六逾期率为N天逾期率,所述N为小于30的正整数。
8.一种贷款损失预测装置,其特征在于,所述装置包括:
第一获取模块,用于获取第一放款月份的放款在已还款期的第一逾期率,所述第一放款月份为放款月份中任意一个放款的已还款期的数量不小于第一数量的放款月份;
拟合模块,用于将各个第一放款月份的放款在已还款期的第一逾期率分别进行拟合,获取第一拟合函数;
第一确定模块,用于根据所述第一拟合函数和第二放款月份的放款在已还款期的第二逾期率,确定所述第二放款月份的放款在未还款期的第三逾期率,所述第二放款月份为放款月份中任意一个放款的已还款期的数量小于所述第一数量且不小于第二数量的放款月份;
第二确定模块,用于根据所述第二逾期率以及所述第三逾期率确定所述第二放款月份的放款的贷款损失。
9.一种服务器,其特征在于,包括处理器和存储器,所述处理器和所述存储器连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1至7中任一项所述的贷款损失预测方法。
10.一种存储介质,所述存储介质中存储有指令,当所述指令在计算机上运行时,使计算机执行如权利要求1至7中任一项所述的贷款损失预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810653792.0A CN109117976B (zh) | 2018-06-22 | 2018-06-22 | 一种贷款损失预测方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810653792.0A CN109117976B (zh) | 2018-06-22 | 2018-06-22 | 一种贷款损失预测方法、装置、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109117976A true CN109117976A (zh) | 2019-01-01 |
CN109117976B CN109117976B (zh) | 2021-05-11 |
Family
ID=64822742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810653792.0A Active CN109117976B (zh) | 2018-06-22 | 2018-06-22 | 一种贷款损失预测方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117976B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246026A (zh) * | 2019-05-21 | 2019-09-17 | 平安银行股份有限公司 | 一种数据转移的输出组合设定方法、装置及终端设备 |
CN111832806A (zh) * | 2020-06-09 | 2020-10-27 | 深圳市融壹买信息科技有限公司 | 一种资金流的预测方法、装置及终端设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140069712A (ko) * | 2012-11-29 | 2014-06-10 | 중소기업은행 | 자금을 대출받은 미연체 고객에 대한 대출이자 캐쉬백 방법 |
CN106296391A (zh) * | 2016-08-08 | 2017-01-04 | 联动优势科技有限公司 | 一种评估逾期概率的方法和装置 |
CN107194799A (zh) * | 2017-04-28 | 2017-09-22 | 中证信用云科技(深圳)股份有限公司 | 信用云风险监控管理系统 |
CN107194807A (zh) * | 2017-06-29 | 2017-09-22 | 喀什博雅成信网络科技有限公司 | 一种贷款智能催收系统及方法 |
CN107220890A (zh) * | 2017-05-25 | 2017-09-29 | 重庆小雨点小额贷款有限公司 | 信贷额度确定方法及装置 |
CN107424070A (zh) * | 2017-03-29 | 2017-12-01 | 广州汇融易互联网金融信息服务有限公司 | 一种基于机器学习的贷款用户信用评级方法及系统 |
CN107481137A (zh) * | 2017-09-27 | 2017-12-15 | 新疆兴华富疆互联网金融服务有限公司 | 一种网络借贷系统 |
CN107862597A (zh) * | 2017-09-28 | 2018-03-30 | 重庆小雨点小额贷款有限公司 | 一种还款方法、装置、服务器及计算机可读存储介质 |
CN107909225A (zh) * | 2017-12-12 | 2018-04-13 | 链家网(北京)科技有限公司 | 一种房产交易中的贷款放款时长预测方法 |
CN107944708A (zh) * | 2017-11-28 | 2018-04-20 | 深圳市牛鼎丰科技有限公司 | 借贷风险控制的模型筛选方法、装置和存储介质 |
-
2018
- 2018-06-22 CN CN201810653792.0A patent/CN109117976B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140069712A (ko) * | 2012-11-29 | 2014-06-10 | 중소기업은행 | 자금을 대출받은 미연체 고객에 대한 대출이자 캐쉬백 방법 |
CN106296391A (zh) * | 2016-08-08 | 2017-01-04 | 联动优势科技有限公司 | 一种评估逾期概率的方法和装置 |
CN107424070A (zh) * | 2017-03-29 | 2017-12-01 | 广州汇融易互联网金融信息服务有限公司 | 一种基于机器学习的贷款用户信用评级方法及系统 |
CN107194799A (zh) * | 2017-04-28 | 2017-09-22 | 中证信用云科技(深圳)股份有限公司 | 信用云风险监控管理系统 |
CN107220890A (zh) * | 2017-05-25 | 2017-09-29 | 重庆小雨点小额贷款有限公司 | 信贷额度确定方法及装置 |
CN107194807A (zh) * | 2017-06-29 | 2017-09-22 | 喀什博雅成信网络科技有限公司 | 一种贷款智能催收系统及方法 |
CN107481137A (zh) * | 2017-09-27 | 2017-12-15 | 新疆兴华富疆互联网金融服务有限公司 | 一种网络借贷系统 |
CN107862597A (zh) * | 2017-09-28 | 2018-03-30 | 重庆小雨点小额贷款有限公司 | 一种还款方法、装置、服务器及计算机可读存储介质 |
CN107944708A (zh) * | 2017-11-28 | 2018-04-20 | 深圳市牛鼎丰科技有限公司 | 借贷风险控制的模型筛选方法、装置和存储介质 |
CN107909225A (zh) * | 2017-12-12 | 2018-04-13 | 链家网(北京)科技有限公司 | 一种房产交易中的贷款放款时长预测方法 |
Non-Patent Citations (1)
Title |
---|
韩颖: "大数据下P2P网络信贷行为的风险研究", 《赤峰学院学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246026A (zh) * | 2019-05-21 | 2019-09-17 | 平安银行股份有限公司 | 一种数据转移的输出组合设定方法、装置及终端设备 |
CN110246026B (zh) * | 2019-05-21 | 2023-06-27 | 平安银行股份有限公司 | 一种数据转移的输出组合设定方法、装置及终端设备 |
CN111832806A (zh) * | 2020-06-09 | 2020-10-27 | 深圳市融壹买信息科技有限公司 | 一种资金流的预测方法、装置及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109117976B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107993146A (zh) | 金融大数据的风控方法及系统 | |
CN106355391A (zh) | 一种业务处理方法及装置 | |
CN110134516A (zh) | 金融数据处理方法、装置、设备及计算机可读存储介质 | |
CN106682890A (zh) | 多个用户账户之间进行业务数值转移的方法及装置 | |
CN108764862A (zh) | 支付数据处理方法及装置 | |
CN109117976A (zh) | 一种贷款损失预测方法、装置、服务器及存储介质 | |
CN114090544A (zh) | 模板生成方法、数据录入模板、数据录入方法及装置 | |
CN107807935B (zh) | 应用推荐方法及装置 | |
CN113935507A (zh) | 基于区块链的外币现钞兑换预约方法及装置 | |
CN110415105A (zh) | 资源的分摊方法、装置及设备 | |
CN105787714A (zh) | 一种支付应用之间的转账方法及系统 | |
CN110213071A (zh) | 数据核对方法、装置、系统、计算机设备和存储介质 | |
CN110874728A (zh) | 网上支付系统、网上支付方法、装置、介质及服务器 | |
CN110634066A (zh) | 确定结算利息的方法、装置和设备 | |
CN109523326A (zh) | 一种计费分润系统、方法、计算机设备及存储介质 | |
CN113327126A (zh) | 一种业务资源的分配方法及装置 | |
CN101615275A (zh) | 一种实现网上充值及购卡的方法及系统 | |
CN108492095B (zh) | 基于区块链的交易方法及装置 | |
CN114363179B (zh) | 针对云产品的成本优化方法及装置 | |
CN110336872A (zh) | 第三方数据获取的方法、装置及系统 | |
CN110349022A (zh) | 一种基于微服务化的虚拟信用卡交易场景的自动化测试方法、装置和电子设备 | |
CN108053044A (zh) | 一种银行业务的预约方法、预约装置及终端设备 | |
CN114170007A (zh) | 冲正交易返回报文组装方法、程序产品、介质和电子设备 | |
CN110135803B (zh) | 一种事项管理方法及区块链节点设备 | |
CN112634010A (zh) | 资金预划拨处理方法、装置、电子设备及介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40001474 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |