CN109685649A - 基于人工智能确定授信额度的方法、装置及存储介质 - Google Patents
基于人工智能确定授信额度的方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109685649A CN109685649A CN201811624317.7A CN201811624317A CN109685649A CN 109685649 A CN109685649 A CN 109685649A CN 201811624317 A CN201811624317 A CN 201811624317A CN 109685649 A CN109685649 A CN 109685649A
- Authority
- CN
- China
- Prior art keywords
- client
- overdue
- accounts
- value
- aging analysis
- 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
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明的实施例公开了一种基于人工智能确定授信额度的方法,其特征在于,所述方法包括:A.接收待申请用户的第一信用数据和训练样本数据;B.通过使用K最近邻算法从所述训练样本数据中找出与所述待申请用户的所述第一信用数据最接近的客群子集,其中,所述客群子集中包括与至少两个客户相关联的第二信用数据;C.基于对所述第二信用数据的账龄分析计算与所述至少两个客户相关联的逾期损失率;以及D.将所述待申请用户的授信额度确定为所述至少两个客户中逾期损失率最小的授信额度。依据本发明的实施例的基于人工智能确定授信额度的方法能够在不降低风控能力的基础上,在收益最大化的前提下为客户确定授信额度。
Description
技术领域
本发明属于信息技术领域,尤其涉及一种基于人工智能确定授信额度的方法、基于人工智能确定授信额度的装置以及一种相应的计算机可读存储介质。
背景技术
人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
传统银行小额信贷的准入要求极高,需要借款人征信无逾期,有稳定的收入等,所以风控策略相对较简单,授信额度也与其收入相关,而大部分达不到银行准入要求的用户就无法获得银行的授信额度。
对于小微金融服务来说,控制风险是一方面,减小坏账率并提高收益率是另一方面,两者不可偏废其一。
发明内容
本发明的实施例提供了一种基于人工智能确定授信额度的方法、基于人工智能确定授信额度的装置和相应的计算机可读存储介质,使得能够在不降低风控能力的基础上,降低了准入要求,从而能让更多的用户获得授信额度。
为此,本发明的实施例的第一方面提出了一种基于人工智能确定授信额度的方法,所述方法包括:
A.接收待申请用户的第一信用数据和训练样本数据;
B.通过使用K最近邻算法从所述训练样本数据中找出与所述待申请用户的所述第一信用数据最接近的客群子集,其中,所述客群子集中包括与至少两个客户相关联的第二信用数据;
C.基于对所述第二信用数据的账龄分析计算与所述至少两个客户相关联的逾期损失率;以及
D.将所述待申请用户的授信额度确定为所述至少两个客户中逾期损失率最小的授信额度。
本发明的实施例的第二方面提出了一种基于人工智能确定授信额度的装置,其特征在于,包括:
处理器;以及
存储器,其用于存储指令,当所述指令被执行时使得所述处理器执行以下操作:
A.接收待申请用户的第一信用数据和训练样本数据;
B.通过使用K最近邻算法从所述训练样本数据中找出与所述待申请用户的所述第一信用数据最接近的客群子集,其中,所述客群子集中包括与至少两个客户相关联的第二信用数据;
C.基于对所述第二信用数据的账龄分析计算与所述至少两个客户相关联的逾期损失率;以及
D.将所述待申请用户的授信额度确定为所述至少两个客户中逾期损失率最小的授信额度。
本发明的实施例的第三方面提出了一种计算机可读存储介质,包括计算机可执行指令,所述计算机可执行指令在装置中运行时使得所述装置执行根据本发明的实施例的第一方面所述的基于人工智能确定授信额度的方法。
依据本发明的实施例的基于人工智能确定授信额度的方法能够在不降低风控能力的基础上,在收益最大化的前提下为客户确定授信额度。
本发明的其他优势将在下文中进一步说明。
附图说明
结合附图并参考以下详细说明,本发明的各实施例的特征、优点及其他方面将变得更加明显,在此以示例性而非限制性的方式示出了本发明的若干实施例,在附图中:
图1示出了本发明的实施例的基于人工智能确定授信额度的方法100的流程图。
图2示出了根据本发明的实施例的基于人工智能确定授信额度的装置200的示意图。
具体实施方式
以下参考附图详细描述本发明的各个示例性实施例。附图中的流程图和框图示出了根据本发明的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意,流程图或框图中的每一个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意,在有些作为备选的实现中,方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,或者它们有时也可以按照相反的顺序执行,这取决于所涉及的功能。同样应当注意的是,流程图和/或框图中的每一个方框、以及流程图和/或框图中的方框的组合,可以使用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以使用专用硬件与计算机指令的组合来实现。
本文所使用的术语“包括”、“包含”及类似术语是开放性的术语,即“包括/包含但不限于”,表示还可以包括其他内容。术语“基于”是“至少部分地基于"。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”等等。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当视为说明书的一部分。对于附图中的各单元之间的连线,仅仅是为了便于说明,其表示至少连线两端的单元是相互通信的,并非旨在限制未连线的单元之间无法通信。
为了便于描述,下面对本发明中出现的一些术语进行说明,应当理解,本发明中所使用的术语应解释为具有与其在本说明书的上下文及有关领域中的意义一致的意义。
本发明中的术语“用户”或者“客户”是指为满足生产、生活消费而需要购买和使用机构提供的产品或是接受机构提供的服务的用户群体。
本发明中的术语“第一”、“第二”仅用于描述指代、目的或某具体事物,而不能理解为指示或暗示相对重要性,或者隐含指明所指示的技术特征的数量。
本发明中的术语“多个”是指两个或两个以上。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当视为说明书的一部分。对于附图中的各单元之间的连线,仅仅是为了便于说明,其表示至少连线两端的单元是相互通信的,并非旨在限制未连线的单元之间无法通信。
在介绍本发明所提出的解决方案之前,申请人首先介绍一下目前的现有技术现状以及本发明的发明人的发明构思。
同行授信是传统金融机构在有信用历史的客户额度授信比较常用的方法,比如信用卡的以卡办卡,如果信用良好,后一次办卡授信额度会在前一次额度的基础上进行提额,如果表现一般,额度会保持不变,在小额信贷中同样也如此。如何从用户的资金需求与收益最大化两个方面来,传统的同行额度授信的方法显然并不是最合理的。
本方法利用机器学习中的KNN(K最近邻)算法找出申请客户A与逾期表现的放款客户的信用历史最相似的K个用户群体,根据收益最大授信额度。
图1示出了依据本发明的实施例的基于人工智能确定授信额度的方法100的流程图。从图中可以看出,该方法100至少包括以下四个步骤,即首先在方法步骤110中接收待申请用户的第一信用数据和训练样本数据;然后,在方法步骤120中通过使用K最近邻算法从所述训练样本数据中找出与所述待申请用户的所述第一信用数据最接近的客群子集,其中,所述客群子集中包括与至少两个客户相关联的第二信用数据;接下来,在方法步骤130中基于对所述第二信用数据的账龄分析计算与所述至少两个客户相关联的逾期损失率,以及最后在方法步骤150中将所述待申请用户的授信额度确定为所述至少两个客户中逾期损失率最小的授信额度。
具体而言,收集大量的训练样本,即需要给具有信用历史的客群客户进行额度授信,授信方法可以是按照某一种评价准则或者随机的方式,然后收集放款后客户的逾期表现情况;
利用KNN算法在这些客群中找出和申请客户A相似的客群子集B;
由于客群子集B中客户的额度不同,逾期表现也会不同,根据申请客户A授予客群子集B中的能够使得收益最大的额度。
由于对较长期的借款产品,需要等待1年或者2年以上的表现期,才能获得较为准确的风险表现。在实际情况中,客群子集B中会存在表现期未结束的子集,比如客群子集B中当前账期数可能的分布为12、15、20、24等,因此其表现出来的风险也是不相同的。本方法将风险表现结合账期和vintage来衡量最终的逾期表现情况。
具体实现方法:
计算客群的vintage(账期分析),获得客群子集B中当前账期所在的vintage值集C;
根据vintage历史值,设置预估当前资产的vintage最大值d;
计算当前账期所在的vintage值与最大值d之差,然后平均估计每个子集的最终的损失;
选择损失最小或者收益最大的用户额度进行授信。
本方法利用机器学习中的KNN(K最近邻)算法找出申请客户A与逾期表现的放款客户的信用历史最相似的K个用户群体,根据收益最大授信额度。
在依据本发明的一个实施例中,所述方法还包括:C.基于对所述第二信用数据的账龄分析计算与所述至少两个客户相关联的逾期损失率包括:
C1.确定所述至少两个客户的当前账期的账龄分析值;
C2.根据账龄分析历史值,确定所述至少两个客户的最大账龄分析值;以及
C3.基于当前账期的账龄分析值和所述至少两个客户的最大账龄分析值确定与所述至少两个客户相关联的逾期损失率。
由此能够通过账龄分析根据当前账期的账龄分析值和所述至少两个客户的最大账龄分析值确定与所述至少两个客户相关联的逾期损失率,从而确定收益最大化率或者损失最小化率。
在依据本发明的一个实施例中,C3.基于当前账期的账龄分析值和所述至少两个客户的最大账龄分析值确定与所述至少两个客户相关联的逾期损失率进一步包括:
当所述至少两个客户中的一个客户是逾期不超过一期的客户或者未逾期客户时,基于剩余未还本金、所述客户的授信额度以及所述客户的当前账期的账龄分析值与最大账龄分析值之间的差值来确定所述逾期损失率;或者
当所述至少两个客户中的一个客户是逾期超过一期的客户时,基于剩余未还本金和所述客户的授信额度来确定所述逾期损失率。
在依据本发明的一个实施例中,所述第一信用数据包括征信报告。
在依据本发明的一个实施例中,所述第一信用数据包括所述待申请用户的个人信息、额度信息和/或逾期信息。
同行授信叠加模型的举例;
本方法是应用于有信用历史的客户额度授信上,即客户需要有征信报告,不适合征信白户。方法涉及到的数据源主要有以下几类:
1、客户的基本信息(年龄、职业信息、征信信息等)
2、客户的额度信息(申请额度,获批额度,签约情况等)
3、当前额度下的逾期情况(额度,逾期情况等)
在这些数据源中主要考虑客户在他行授信额度的情况,通过KNN算法得到的客群子集B中他行授信与申请客户A都是相似的,这样通过我们对B中不同授信额度,最终展示出来的风险也是不同的,选择其中表现最好的用户进行额度授信。其中KNN需要构建的数据矩阵如表1所示:
表1
客户最终风险表现预估举例
在找出客群子集B之后需要对子集中的客户进行风险评估,不同期限的客户表现出来的风险是不同的,参见以下表2。
表2
计算子集B中每个用户当前的损失,如果当前状态为M1+,逾期损失为剩余未还本金/授信额度,否则逾期损失为剩余未还本金/授信额度*(d-vintage_c),跟根据逾期损失最小或者收益最大的授信额度进行授信。
另外或替代地,上述方法能够通过计算机程序产品,即计算机可读存储介质来实现。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
图2示出了根据本发明的实施例的基于人工智能确定授信额度的装置200的示意图。应当理解,装置200可以实现图1中的基于人工智能确定授信额度的方法100的功能。从图2中可以看出基于人工智能确定授信额度的装置200包括处理器201和存储器202。处理器201可以是中央处理器(CPU)、微控制器、专用集成电路(ASIC)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、或是被配置为实现本发明的实施例的一个或多个集成电路。存储器202可以包括易失性存储器,也可以包括非易失性存储器,诸如ROM、RAM、移动盘、磁盘、光盘和U盘等。当存储在存储器202中的指令执行时使得处理器201执行以下操作:
在依据本发明的一个实施例中,当所述指令被执行时使得所述处理器执行以下操作:
A.接收待申请用户的第一信用数据和训练样本数据;
B.通过使用K最近邻算法从所述训练样本数据中找出与所述待申请用户的所述第一信用数据最接近的客群子集,其中,所述客群子集中包括与至少两个客户相关联的第二信用数据;
C.基于对所述第二信用数据的账龄分析计算与所述至少两个客户相关联的逾期损失率;以及
D.将所述待申请用户的授信额度确定为所述至少两个客户中逾期损失率最小的授信额度。
在依据本发明的一个实施例中,C.基于对所述第二信用数据的账龄分析计算与所述至少两个客户相关联的逾期损失率包括:
C1.确定所述至少两个客户的当前账期的账龄分析值;
C2.根据账龄分析历史值,确定所述至少两个客户的最大账龄分析值;以及
C3.基于当前账期的账龄分析值和所述至少两个客户的最大账龄分析值确定与所述至少两个客户相关联的逾期损失率。
在依据本发明的一个实施例中,C3.基于当前账期的账龄分析值和所述至少两个客户的最大账龄分析值确定与所述至少两个客户相关联的逾期损失率进一步包括:
当所述至少两个客户中的一个客户是逾期不超过一期的客户或者未逾期客户时,基于剩余未还本金、所述客户的授信额度以及所述客户的当前账期的账龄分析值与最大账龄分析值之间的差值来确定所述逾期损失率;或者
当所述至少两个客户中的一个客户是逾期超过一期的客户时,基于剩余未还本金和所述客户的授信额度来确定所述逾期损失率。
在依据本发明的一个实施例中,所述第一信用数据包括征信报告。
在依据本发明的一个实施例中,所述第一信用数据包括所述待申请用户的个人信息、额度信息和/或逾期信息。
一般而言,本发明的各种示例实施例可以在硬件或专用电路、软件、固件、逻辑,或其任何组合中实施。某些方面可以在硬件中实施,而其他方面可以在可以由控制器、微处理器或其他计算设备执行的固件或软件中实施。当本发明的实施例的各方面图示或描述为框图、流程图或使用某些其他图形表示时,将理解此处描述的方框、装置、系统、技术或方法可以作为非限制性的示例在硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备,或其某些组合中实施。
应当注意,尽管在上文的详细描述中提及了装置的若干模块或单元,但是这种划分仅仅是示例性而非强制性的。实际上,根据本发明的实施例,上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之,上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
以上所述仅为本发明的实施例可选实施例,并不用于限制本发明的实施例,对于本领域的技术人员来说,本发明的实施例可以有各种更改和变化。凡在本发明的实施例的精神和原则之内,所作的任何修改、等效替换、改进等,均应包含在本发明的实施例的保护范围之内。
虽然已经参考若干具体实施例描述了本发明的实施例,但是应该理解,本发明的实施例并不限于所公开的具体实施例。本发明的实施例旨在涵盖在所附权利要求的精神和范围内所包括的各种修改和等同布置。所附权利要求的范围符合最宽泛的解释,从而包含所有这样的修改及等同结构和功能。
Claims (11)
1.一种基于人工智能确定授信额度的方法,其特征在于,所述方法包括:
A.接收待申请用户的第一信用数据和训练样本数据;
B.通过使用K最近邻算法从所述训练样本数据中找出与所述待申请用户的所述第一信用数据最接近的客群子集,其中,所述客群子集中包括与至少两个客户相关联的第二信用数据;
C.基于对所述第二信用数据的账龄分析计算与所述至少两个客户相关联的逾期损失率;以及
D.将所述待申请用户的授信额度确定为所述至少两个客户中逾期损失率最小的授信额度。
2.根据权利要求1所述的方法,其特征在于,C.基于对所述第二信用数据的账龄分析计算与所述至少两个客户相关联的逾期损失率包括:
C1.确定所述至少两个客户的当前账期的账龄分析值;
C2.根据账龄分析历史值,确定所述至少两个客户的最大账龄分析值;以及
C3.基于当前账期的账龄分析值和所述至少两个客户的最大账龄分析值确定与所述至少两个客户相关联的逾期损失率。
3.根据权利要求2所述的方法,其特征在于,C3.基于当前账期的账龄分析值和所述至少两个客户的最大账龄分析值确定与所述至少两个客户相关联的逾期损失率进一步包括:
当所述至少两个客户中的一个客户是逾期不超过一期的客户或者未逾期客户时,基于剩余未还本金、所述客户的授信额度以及所述客户的当前账期的账龄分析值与最大账龄分析值之间的差值来确定所述逾期损失率;或者
当所述至少两个客户中的一个客户是逾期超过一期的客户时,基于剩余未还本金和所述客户的授信额度来确定所述逾期损失率。
4.根据权利要求1所述的方法,其特征在于,所述第一信用数据包括征信报告。
5.根据权利要求1所述的方法,其特征在于,所述第一信用数据包括所述待申请用户的个人信息、额度信息和/或逾期信息。
6.一种基于人工智能确定授信额度的装置,其特征在于,包括:
处理器;以及
存储器,其用于存储指令,当所述指令被执行时使得所述处理器执行以下操作:
A.接收待申请用户的第一信用数据和训练样本数据;
B.通过使用K最近邻算法从所述训练样本数据中找出与所述待申请用户的所述第一信用数据最接近的客群子集,其中,所述客群子集中包括与至少两个客户相关联的第二信用数据;
C.基于对所述第二信用数据的账龄分析计算与所述至少两个客户相关联的逾期损失率;以及
D.将所述待申请用户的授信额度确定为所述至少两个客户中逾期损失率最小的授信额度。
7.根据权利要求6所述的装置,其特征在于,C.基于对所述第二信用数据的账龄分析计算与所述至少两个客户相关联的逾期损失率包括:
C1.确定所述至少两个客户的当前账期的账龄分析值;
C2.根据账龄分析历史值,确定所述至少两个客户的最大账龄分析值;以及
C3.基于当前账期的账龄分析值和所述至少两个客户的最大账龄分析值确定与所述至少两个客户相关联的逾期损失率。
8.根据权利要求7所述的装置,其特征在于,C3.基于当前账期的账龄分析值和所述至少两个客户的最大账龄分析值确定与所述至少两个客户相关联的逾期损失率进一步包括:
当所述至少两个客户中的一个客户是逾期不超过一期的客户或者未逾期客户时,基于剩余未还本金、所述客户的授信额度以及所述客户的当前账期的账龄分析值与最大账龄分析值之间的差值来确定所述逾期损失率;或者
当所述至少两个客户中的一个客户是逾期超过一期的客户时,基于剩余未还本金和所述客户的授信额度来确定所述逾期损失率。
9.根据权利要求6所述的装置,其特征在于,所述第一信用数据包括征信报告。
10.根据权利要求6所述的装置,其特征在于,所述第一信用数据包括所述待申请用户的个人信息、额度信息和/或逾期信息。
11.一种计算机可读存储介质,包括计算机可执行指令,所述计算机可执行指令在装置中运行时使得所述装置执行根据权利要求1至5中任一项所述的基于人工智能确定授信额度的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811624317.7A CN109685649A (zh) | 2018-12-28 | 2018-12-28 | 基于人工智能确定授信额度的方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811624317.7A CN109685649A (zh) | 2018-12-28 | 2018-12-28 | 基于人工智能确定授信额度的方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109685649A true CN109685649A (zh) | 2019-04-26 |
Family
ID=66190931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811624317.7A Pending CN109685649A (zh) | 2018-12-28 | 2018-12-28 | 基于人工智能确定授信额度的方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685649A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689425A (zh) * | 2019-09-30 | 2020-01-14 | 上海淇玥信息技术有限公司 | 基于收益进行额度定价的方法、装置和电子设备 |
CN110706096A (zh) * | 2019-09-30 | 2020-01-17 | 上海淇玥信息技术有限公司 | 基于捞回用户管理授信额度的方法、装置和电子设备 |
CN110826921A (zh) * | 2019-11-08 | 2020-02-21 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、计算机可读存储介质和计算机设备 |
CN111738331A (zh) * | 2020-06-19 | 2020-10-02 | 北京同邦卓益科技有限公司 | 用户分类方法及装置、计算机可读存储介质、电子设备 |
CN111985773A (zh) * | 2020-07-15 | 2020-11-24 | 北京淇瑀信息科技有限公司 | 用户资源分配策略确定方法、装置及电子设备 |
CN112016797A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 基于knn的资源配额调整方法、装置和电子设备 |
CN112561691A (zh) * | 2020-12-24 | 2021-03-26 | 中国农业银行股份有限公司 | 一种客户授信预测方法、装置、设备及存储介质 |
CN112598244A (zh) * | 2020-12-15 | 2021-04-02 | 深圳前海微众银行股份有限公司 | 风险收益的管理方法、装置、系统及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616194A (zh) * | 2014-12-31 | 2015-05-13 | 腾讯科技(深圳)有限公司 | 一种数据处理方法及支付平台 |
CN104965844A (zh) * | 2014-12-29 | 2015-10-07 | 腾讯科技(深圳)有限公司 | 信息处理方法及装置 |
CN106056426A (zh) * | 2016-05-24 | 2016-10-26 | 中国联合网络通信集团有限公司 | 一种移动用户信用额度的评估方法和评估系统 |
CN108648074A (zh) * | 2018-05-18 | 2018-10-12 | 深圳壹账通智能科技有限公司 | 基于支持向量机的贷款评估方法、装置及设备 |
CN108961040A (zh) * | 2018-06-29 | 2018-12-07 | 重庆富民银行股份有限公司 | 用于授信贷款的贷款额度评估系统及方法 |
-
2018
- 2018-12-28 CN CN201811624317.7A patent/CN109685649A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965844A (zh) * | 2014-12-29 | 2015-10-07 | 腾讯科技(深圳)有限公司 | 信息处理方法及装置 |
CN104616194A (zh) * | 2014-12-31 | 2015-05-13 | 腾讯科技(深圳)有限公司 | 一种数据处理方法及支付平台 |
CN106056426A (zh) * | 2016-05-24 | 2016-10-26 | 中国联合网络通信集团有限公司 | 一种移动用户信用额度的评估方法和评估系统 |
CN108648074A (zh) * | 2018-05-18 | 2018-10-12 | 深圳壹账通智能科技有限公司 | 基于支持向量机的贷款评估方法、装置及设备 |
CN108961040A (zh) * | 2018-06-29 | 2018-12-07 | 重庆富民银行股份有限公司 | 用于授信贷款的贷款额度评估系统及方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689425A (zh) * | 2019-09-30 | 2020-01-14 | 上海淇玥信息技术有限公司 | 基于收益进行额度定价的方法、装置和电子设备 |
CN110706096A (zh) * | 2019-09-30 | 2020-01-17 | 上海淇玥信息技术有限公司 | 基于捞回用户管理授信额度的方法、装置和电子设备 |
CN110826921A (zh) * | 2019-11-08 | 2020-02-21 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、计算机可读存储介质和计算机设备 |
CN110826921B (zh) * | 2019-11-08 | 2023-04-18 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、计算机可读存储介质和计算机设备 |
CN111738331A (zh) * | 2020-06-19 | 2020-10-02 | 北京同邦卓益科技有限公司 | 用户分类方法及装置、计算机可读存储介质、电子设备 |
CN111985773A (zh) * | 2020-07-15 | 2020-11-24 | 北京淇瑀信息科技有限公司 | 用户资源分配策略确定方法、装置及电子设备 |
CN112016797A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 基于knn的资源配额调整方法、装置和电子设备 |
CN112016797B (zh) * | 2020-07-15 | 2024-03-01 | 北京淇瑀信息科技有限公司 | 基于knn的资源配额调整方法、装置和电子设备 |
CN112598244A (zh) * | 2020-12-15 | 2021-04-02 | 深圳前海微众银行股份有限公司 | 风险收益的管理方法、装置、系统及计算机可读存储介质 |
CN112598244B (zh) * | 2020-12-15 | 2024-04-16 | 深圳前海微众银行股份有限公司 | 风险收益的管理方法、装置、系统及计算机可读存储介质 |
CN112561691A (zh) * | 2020-12-24 | 2021-03-26 | 中国农业银行股份有限公司 | 一种客户授信预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685649A (zh) | 基于人工智能确定授信额度的方法、装置及存储介质 | |
Furceri et al. | The real effect of financial crises in the European transition economies 1 | |
Ibrahim et al. | House prices and bank credits in Malaysia: An aggregate and disaggregate analysis | |
Brave et al. | Gathering insights on the forest from the trees: A new metric for financial conditions | |
Murad et al. | The impact of microfinance institution in economic growth of a country: Nigeria in focus | |
CN109711981A (zh) | 基于人工智能确定授信额度的方法、装置及存储介质 | |
Awrey | Law and finance in the Chinese shadow banking system | |
Cukierman et al. | Bailout uncertainty in a microfounded general equilibrium model of the financial system | |
CN109308616A (zh) | 一种交易记录的风险判定方法及装置 | |
CN106033455A (zh) | 一种处理用户操作信息的方法与设备 | |
Laurini et al. | A noisy principal component analysis for forward rate curves | |
Loncarski et al. | Empirical analysis of credit spread changes of US corporate bonds | |
CN110516713A (zh) | 一种目标群体识别方法、装置及设备 | |
Cathcart et al. | Semi-analytical pricing of defaultable bonds in a signaling jump-default model | |
Janczura et al. | Inference for Markov regime-switching models of electricity spot prices | |
CN109672535A (zh) | 联盟链签名生成方法及装置 | |
Bhardwaj et al. | Subprime cohorts and loan performance | |
Ionescu | Madoff’s fraudulent financial scheme, his decades-long swindle, and the failure of operational risk management | |
CN108921226A (zh) | 一种基于低秩表示和流形正则化的零样本分类方法 | |
Hussin et al. | Performance of low volatility shariah equities in Malaysia | |
Kovacs et al. | How to breathe a new life into the global mortgage market?-An alternative solution | |
Platen et al. | Dynamics of a Well-Diversified Equity Index | |
CN110472686A (zh) | 对象行为执行概率预测方法及装置 | |
Fieberg et al. | The relevance of credit ratings over the business cycle | |
Cohen | Bad Times Call for Fundamental Questions: On the Counter-Cyclical Behavior of Basic Research and The Impact of Transient Shocks on Long-Term Growth. |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190426 |