CN109711974A - 贷款产品自动匹配方法、装置、计算机设备和存储介质 - Google Patents
贷款产品自动匹配方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109711974A CN109711974A CN201811381202.XA CN201811381202A CN109711974A CN 109711974 A CN109711974 A CN 109711974A CN 201811381202 A CN201811381202 A CN 201811381202A CN 109711974 A CN109711974 A CN 109711974A
- Authority
- CN
- China
- Prior art keywords
- creditor
- loan
- information
- product
- loan product
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000011161 development Methods 0.000 claims abstract description 45
- 230000007246 mechanism Effects 0.000 claims abstract description 45
- 238000012550 audit Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000005259 measurement Methods 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 4
- 235000008434 ginseng Nutrition 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 230000018199 S phase Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Abstract
本申请涉及金融数据分析技术领域,尤其涉及基于神经网络的贷款产品自动匹配方法、装置、计算机设备和存储介质。获取贷款人信息,对所述贷款人的贷款申领情况进行审核;将经过审核的所述贷款人的信息与贷款产品进行匹配,所述贷款产品信息存储在贷款产品平台数据库中;若匹配成功,则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息;否则将所述贷款人进行标记,获取带有标记的贷款人信息,发送至所述贷款人期望的目标金融机构,将所述贷款人信息与目标金融机构的预开发产品进行再次匹配。本技术方案针对现有贷款发放过程中贷款人信息不能重复利用,能够实现贷款人能够及时有效的获得贷款,提高银行发放贷款的效率。
Description
技术领域
本申请涉及金融数据分析技术领域,尤其涉及一种贷款产品自动匹配方法、装置、计算机设备和存储介质。
背景技术
贷款是银行或其他金融机构按一定利率和必须归还等条件进行出借货币资金的一种信用活动形式。广义的贷款指贷款、贴现、透支等出贷资金的总称。银行通过贷款的方式将所集中的货币和货币资金投放出去,可以满足社会扩大再生产对补充资金的需要,促进经济的发展,同时,银行也可以由此取得贷款利息收入,增加银行自身的积累。
目前,在贷款过程中,需要银行或者金融机构对贷款人的资格进行审查,当贷款人符合相应的贷款产品的要求后,才能向该贷款人发放相应的贷款产品。而如果该贷款人不符其申请的贷款产品,则无法贷款成功只能自己重新寻找适合的贷款产品。
因此,急需一种自动将贷款人信息和银行或者金融机构的产品进行快速精准匹配的方法。方便贷款人在首次申请贷款失败后,银行或者金融机构通过获取贷款人的信息与其发放的所有贷款产品进行匹配以实现贷款的及时有效的利用。
发明内容
有鉴于此,有必要针对现有贷款发放过程中贷款人信息不能重复利用,造成贷款产品利用率低的问题,提供一种贷款产品自动匹配方法、装置、计算机设备和存储介质。
一种贷款产品自动匹配方法,包括如下步骤:
获取贷款人信息,对所述贷款人的贷款申领情况进行审核;
将经过审核的所述贷款人的信息与贷款产品进行匹配,所述贷款产品信息存储在贷款产品平台数据库中;
若匹配成功,则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息;
否则将所述贷款人进行标记,获取带有标记的贷款人信息,发送至所述贷款人期望的目标金融机构,将所述贷款人信息与目标金融机构的预开发产品进行再次匹配,若匹配成功则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息,否则重新获取其它预开发贷款产品与所述贷款人信息进行匹配直到匹配成功,其中,所述贷款人期望的目标金融机构预存储在数据库中。
在其中一个实施例中,所述获取贷款人信息,对所述贷款人的贷款申领情况进行审核,包括:
采集贷款人的生物特征信息,将所述生物特征信息与预存信息进行比对,确认贷款人身份;
根据所述贷款人身份,调用贷款登记表对所述贷款人的贷款情况进行核验,所述贷款登记表存储在数据库中;
若所述贷款人已经成功申领贷款,则将申领成功的所述贷款人信息从所述贷款登记表中清除,否则将所述贷款人信息与贷款产品进行建立映射关系。
在其中一个实施例中,所述将经过审核的所述贷款人的信息与贷款产品进行匹配,所述贷款产品信息存储在贷款产品平台数据库中,包括:
从所述贷款人信息提取特征信息,赋予每一个所述特征信息以衡量贷款人信息与贷款产品匹配度的衡量参数;
将所述衡量参数输入到BP神经网络模型中进行训练得到修正后的衡量参数,其训练过程中的公式为:
dtk=(ytk-ct)ct(1-ct)ejk,式中dtk表示训练前后的差值,ytk表示输入的参数,ct输出层第t个神经元的实际输出,ejk表示输入层连接元,当dtk=0时,则训练结束;
获取所述贷款产品的产品特征参数,建立产品特征参数矩阵;
将所述修正后的衡量参数与所述产品特征参数矩阵做积,得到匹配矩阵,从所述匹配矩阵中抽取出最大数值,获取所述最大数值的对应贷款产品,所述对应贷款产品是与所述贷款人匹配的贷款产品。
在其中一个实施例中,所述若匹配成功,则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息,包括:
分别获取所述贷款人和所述贷款产品对应的金融机构所在终端的IP地址,对任一所述IP地址进行解析得到对应的DNS解析代码;
获取所述DNS解析代码中的特征码,根据所述特征码与服务器的对应关系,得到所述特征码所对应的服务器,所述对应关系存储在数据库中;
向所述服务器发出发送匹配成功的指令,获取所述贷款人终端或者所述金融机构所在终端接收所述指令后的数据变化,根据所述数据变化,以验证所述贷款人是否得到贷款。
在其中一个实施例中所述否则将所述贷款人进行标记,获取带有标记的贷款人信息,发送至所述贷款人期望的目标金融机构,将所述贷款人信息与目标金融机构的预开发产品进行再次匹配,若匹配成功则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息,否则重新获取其它预开发贷款产品与所述贷款人信息进行匹配直到匹配成功,其中,所述贷款人期望的目标金融机构预存储在数据库中,包括:
获取所述贷款人与所述贷款产品未匹配的特征元素,根据所述特征元素的类型,赋予所述贷款人以不同的特征值;
向所述贷款人发送目标金融机构,获取所述贷款人选择结果;
获取所述选择结果对应的金融机构,抽取所述选择结果对应的金融机构预开发的贷款产品信息;
获取所述预开发的贷款产品的产品特征参数,建立预开发的产品的特征参数矩阵;
将所述特征值与所述预开发的产品的特征参数矩阵中的每一个数值做差,获取绝对值最小的数值在所述预开发的产品的特征参数矩阵的位置,发送所述预开发的产品的特征参数矩阵的位置所对应的预开发贷款产品于所述贷款人进行匹配。
在其中一个实施例中,所述将经过审核的所述贷款人的信息与贷款产品进行匹配,所述贷款产品信息存储在贷款产品平台数据库中,还包括对训练过的衡量参数进行误差修正的过程,具体包括:
通过Grange表述定理对所述衡量参数进行第一步修正,修正公式为:
ΔYt=lag(ΔY)-λμt-1,式中,μt-1是非均衡误差项,λ是短期调整参数,ΔYt为误差差值,ΔY为衡量贷款人信息与贷款产品匹配度的衡量参数;
将经过Grange一步法修正过的衡量参数进行协整回归,获取协整向量;
将所述协整向量输入到误差修正模型中,获取协整回归参数,根据所述协整回归参数,将所述协整回归参数作为权重对所述衡量参数进行修正。
在其中一个实施例中,所述否则将所述贷款人进行标记,获取带有标记的贷款人信息,发送至所述贷款人期望的目标金融机构,将所述贷款人信息与目标金融机构的预开发产品进行再次匹配,若匹配成功则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息,否则重新获取其它预开发贷款产品与所述贷款人信息进行匹配直到匹配成功,其中,所述贷款人期望的目标金融机构预存储在数据库中,还包括对所述预开发贷款产品进行风险评估的步骤,具体包括:
根据已有的贷款产品的历史数据确定损失函数;
通过所述损失函数求得的所述历史数据的最小损失值,将所述最小损失值带入到预开发贷款产品中;
根据所述最小损失值与风险系数的对应关系,获得到所述预开发贷款产品的风险系数,并将所述风险系数入参到风控模型中进行训练,得到所述开发贷款产品的风险系数,所述对应关系预存储在数据库中。
一种贷款产品自动匹配装置,包括如下模块:
信息审核模块,设置为获取贷款人信息,对所述贷款人的贷款申领情况进行审核;
贷款产品匹配模块,设置为将经过审核的所述贷款人的信息与贷款产品进行匹配,所述贷款产品信息存储在贷款产品平台数据库中;
成功信息发送模块,设置为若匹配成功,则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息;
再次匹配模块,设置为否则将所述贷款人进行标记,获取带有标记的贷款人信息,发送至所述贷款人期望的目标金融机构,将所述贷款人信息与目标金融机构的预开发产品进行再次匹配,若匹配成功则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息,否则重新获取其它预开发贷款产品与所述贷款人信息进行匹配直到匹配成功,其中,所述贷款人期望的目标金融机构预存储在数据库中。
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行上述贷款产品自动匹配方法的步骤。
一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述贷款产品自动匹配方法的步骤。
上述贷款产品自动匹配方法、装置、计算机设备和存储介质,包括获取贷款人信息,对所述贷款人的贷款申领情况进行审核;将经过审核的所述贷款人的信息与贷款产品进行匹配,所述贷款产品信息存储在贷款产品平台数据库中;若匹配成功,则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息;否则将所述贷款人进行标记,获取带有标记的贷款人信息,发送至所述贷款人期望的目标金融机构,将所述贷款人信息与目标金融机构的预开发产品进行再次匹配,若匹配成功则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息,否则重新获取其它预开发贷款产品与所述贷款人信息进行匹配直到匹配成功,其中,所述贷款人期望的目标金融机构预存储在数据库中。本技术方案针对现有贷款发放过程中贷款人信息不能重复利用,能够实现贷款人能够及时有效的获得贷款,提高银行发放贷款的效率,银行可以根据数据库中的信息调整发放贷款的种类。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。
图1为本申请一种贷款产品自动匹配方法的整体流程图;
图2为本申请一种贷款产品自动匹配方法中的匹配成功过程示意图;
图3为本申请一种贷款产品自动匹配装置的结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
图1为本申请一个实施例中的贷款产品自动匹配方法的流程图,如图1所示,一种贷款产品自动匹配方法,包括以下步骤:
S1、获取贷款人信息,对所述贷款人的贷款申领情况进行审核;
具体的,在贷款产品平台数据库中预存有各个金融机构目前已经发行并且可以进行申领的贷款产品,贷款产品平台数据库每天对数据进行更新,如果贷款人申领贷款失败是因为贷款平台数据库没有及时更新造成的,例如贷款人在申领某一项贷款产品时,在贷款人终端显示为该贷款产品有份额可以进行申领,然而当贷款人进行申领操作时无法进行申领。此时,贷款人操作贷款人终端上的报错控件向贷款产品平台服务器上传申领错误的信息,贷款产品平台服务器接收到申领错误信息后向该贷款产品发放的金融机构终端发出数据更新指令,金融机构终端对该贷款产品的数据进行及时更新并上传到贷款产品平台数据库。在数据更新后,贷款人终端重新调取贷款产品平台数据库的贷款产品的数据,贷款人根据最新的数据信息选择心仪的贷款产品,贷款产品平台服务器再对贷款人选择的贷款产品与贷款人的信息进行匹配,审核该贷款人是否具有申领该项贷款产品的资格。
S2、将经过审核的所述贷款人的信息与贷款产品进行匹配,所述贷款产品信息存储在贷款产品平台数据库中;
具体的,在进行匹配时可以采用树模型,树模型其是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干,故称决策树。在机器学习中,决策树是一个预测模型,他代表的是对象属性与对象值之间的一种映射关系。Entropy=系统的凌乱程度,使用算法ID3,C4.5和C5.0生成树算法使用熵。这一度量是基于信息学理论中熵的概念。
S3、若匹配成功,则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息;
具体的,可以以短信、微信等形式向贷款人的移动端发送贷款匹配成功的信息,获取贷款人确认的信息,并将确认信息发送到金融机构,金融机构核验后,向贷款人发放相应的贷款。
S4、否则将所述贷款人进行标记,获取带有标记的贷款人信息,发送至所述贷款人期望的目标金融机构,将所述贷款人信息与目标金融机构的预开发产品进行再次匹配,若匹配成功则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息,否则重新获取其它预开发贷款产品与所述贷款人信息进行匹配直到匹配成功,其中,所述贷款人期望的目标金融机构预存储在数据库中。
具体的,对贷款人进行标记,可以在客户端进行复查,而对于金融机构的数据也可以进行实时更新,以便获得最新的信息,防止信息过时导致的标记错误。
本实施例中,通过将为申领贷款成功的贷款人信息与贷款产品进行再次匹配,提升了银行贷款发放的效率,同时也使贷款人能够及时获得所需的贷款。
在一个实施例中,所述获取贷款人信息,对所述贷款人的贷款申领情况进行审核,包括:
采集贷款人的生物特征信息,将所述生物特征信息与预存信息进行比对,确认贷款人身份;
具体的,采集贷款人的生物特征可以采用人脸识别技术、虹膜技术、指纹或者声纹技术,对贷款人的信息进行比对,同时也可以采用输入密码,进行密码核对的方式来确认贷款人的身份。
根据所述贷款人身份,调用贷款登记表对所述贷款人的贷款情况进行核验,所述贷款登记表存储在数据库中;
具体的,在向贷款人终端发送已申领成功的信息时,将此次比对不一致的事件生成错误日志,并记录到贷款产品数据库中,贷款平台服务器对贷款产品数据库中存储的比对不一致信息进行审核,贷款平台服务器每周都要建立一个错误信息统计表,并根据错误信息统计表建立起错误信息直方图,根据直方图找出排名在前三的所对应的贷款人终端信息,贷款平台服务器向维护人员发出维护信息,维护人员对这三个贷款人终端进行检查。
若所述贷款人已经成功申领贷款,则将申领成功的所述贷款人信息从所述贷款登记表中清除,否则将所述贷款人信息与贷款产品进行建立映射关系。
具体的,对贷款人的贷款情况进行核验,主要是进行关键词检索,从各个金融机构的贷款登记表中查询是否存在该贷款人的记录,如果发现有贷款成功的记录,则不需要再将此贷款人的信息发送给其它金融机构。
本实施例中,通过对贷款人的贷款情况进行核验,有效的清除了那些已经贷款成功的人的信息,加快贷款匹配的速度。
在一个实施例中,所述将经过审核的所述贷款人的信息与贷款产品进行匹配,所述贷款产品信息存储在贷款产品平台数据库中,包括:
从所述贷款人信息提取特征信息,赋予每一个所述特征信息以衡量贷款人信息与贷款产品匹配度的衡量衡量参数;
将所述衡量参数输入到BP神经网络模型中进行训练得到修正后的衡量参数,其训练过程中的公式为:
dtk=(ytk-ct)ct(1-ct)ejk,式中dtk表示训练前后的差值,ytk表示输入的参数,ct输出层第t个神经元的实际输出,ejk表示输入层连接元,当dtk=0时,则训练结束;
获取所述贷款产品的产品特征参数,建立产品特征参数矩阵;
将所述修正后的衡量参数与所述产品特征参数矩阵做积,得到匹配矩阵,从所述匹配矩阵中抽取出最大数值,获取所述最大数值的对应贷款产品,所述对应贷款产品是与所述贷款人匹配的贷款产品。
具体的,应用衡量参数与特征参数做积,即对所述特征参数赋予一个系数,通过这个系数对特征参数进行修正,以降低采用单一特征参数匹配时造成的误差。而从所述匹配矩阵中抽取出最大数值,也就是获取该特征参数矩阵中所有元素对应的贷款产品中匹配度最好的元素,以所述最大数值对应的贷款产品为该贷款人匹配的贷款产品。
其中,在BP神经网络模型训练后,还可以采用误差计算模型对所述贷款人的信息和贷款产品的信息进行误差分析,在误差计算模型中设置有误差阈值,通常误差阈值设置为0.05%,当通过所述误差分析后得到的误差值小于所述误差阈值时,将所述贷款人的信息与所述贷款产品的信息进行配对,并通过自学习模型对误差阈值进行修正增加配对的准确性。
本实施例中,通过BP神经网络模型对贷款匹配过程进行优化,能够有效提升贷款匹配的效率。
图2为本申请一种贷款产品自动匹配方法中匹配成功过程示意图,如图所示,所述若匹配成功,则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息,包括:
S301、分别获取所述贷款人和所述金融机构所在终端的IP地址,对任一所述IP地址进行解析得到对应的DNS解析代码;
具体的,在本实施例中,贷款人的IP地址和金融机构的IP地址均为静态IP地址,其所对应的DNS解析代码也是唯一的。
S302、获取所述DNS解析代码中的特征码,根据所述特征码与服务器的对应关系,得到所述特征码所对应的服务器,所述对应关系存储在数据库中;
具体的,DNS解析代码通常又12个数字构成,其中后3位通常为区分标识。
S303、向所述服务器发出发送匹配成功的指令,获取所述贷款人终端或者所述金融机构所在终端接收所述指令后的数据变化,根据所述数据变化,以验证所述贷款人是否得到贷款。
具体的,数据变化只要是指金额的变化,在贷款前,金融机构的存款金额为A,而在贷款后变为A-a;则贷款人贷款的金额应该为a,如果贷款的金额不是a,则将发送报错信息。
本实施例中,通过对匹配过程进行精准的把控,能够有效的跟踪资金的流向。
在一个实施例中,所述否则将所述贷款人进行标记,获取带有标记的贷款人信息,发送至所述贷款人期望的目标金融机构,将所述贷款人信息与目标金融机构的预开发产品进行再次匹配,若匹配成功则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息,否则重新获取其它预开发贷款产品与所述贷款人信息进行匹配直到匹配成功,其中,所述贷款人期望的目标金融机构预存储在数据库中,包括:
获取所述贷款人与所述贷款产品未匹配的特征元素,根据所述特征元素的类型,赋予所述贷款人以不同的特征值;
具体的,特征元素包括:贷款人的收入水平、征信情况、贷款产品的风险系数等,其中贷款人的收入水平是衡量贷款人与贷款产品匹配度最重要的指标。
向所述贷款人发送目标金融机构,获取所述贷款人选择结果;
获取所述选择结果对应的金融机构,抽取所述选择结果对应的金融机构预开发的贷款产品信息;
获取所述预开发的贷款产品的产品特征参数,建立预开发的产品的特征参数矩阵;
具体的,对于预开发贷款产品的特征参数主要包括:还款期限、风险系数、单次还款金额等,并且将这些指标进行量化赋予不同的权重后形成特征参数矩阵。
将所述特征值与所述预开发的产品的特征参数矩阵中的每一个数值做差,获取绝对值最小的数值在所述预开发的产品的特征参数矩阵的位置,发送所述预开发的产品的特征参数矩阵的位置所对应的预开发贷款产品于所述贷款人进行匹配。
具体的,将所述特征值与所述预开发的产品的特征参数矩阵中的每一个数值做差,也就是在衡量贷款人与预开发贷款产品之间的量化差额,其绝对值差额越小,就是说贷款人与预开发贷款产品之间的差距最小,匹配度越大。
本实施例中,通过将贷款人的信息进行量化,将预开发的贷款产品的信息也进行量化,然后将二者的每一个参数进行匹配,增加了匹配的精度。
在一个实施例中,所述将经过审核的所述贷款人的信息与贷款产品进行匹配,所述贷款产品信息存储在贷款产品平台数据库中,还包括对训练过的衡量参数进行误差修正的过程,具体包括:
通过Grange表述定理对所述衡量参数进行第一步修正,修正公式为:
ΔYt=lag(ΔY)-λμt-1,式中,μt-1是非均衡误差项,λ是短期调整参数,ΔYt为误差差值,ΔY为衡量贷款人信息与贷款产品匹配度的衡量参数;
将经过Grange一步法修正过的衡量参数进行协整回归,获取协整向量;
将所述协整向量输入到误差修正模型中,获取协整回归参数,根据所述协整回归参数,将所述协整回归参数作为权重对所述衡量参数进行修正。
本实施例中,误差修正模型有许多明显的优点:a)一阶差分项的使用消除了变量可能存在的趋势因素,从而避免了虚假回归问题;b)一阶差分项的使用也消除模型可能存在的多重共线性问题;c)误差修正项的引入保证了变量水平值的信息没有被忽视;d)由于误差修正项本身的平稳性,使得该模型可以用经典的回归方法进行估计,尤其是模型中差分项可以使用通常的t检验与F检验来进行选取。因此,一个重要的问题就是:是否变量间的关系都可以通过误差修正模型来表述,就此问题,Engle与Granger 1987年提出了著名的Grange表述定理。
在一个实施例中,所述否则将所述贷款人进行标记,获取带有标记的贷款人信息,发送至所述贷款人期望的目标金融机构,将所述贷款人信息与目标金融机构的预开发产品进行再次匹配,若匹配成功则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息,否则重新获取其它预开发贷款产品与所述贷款人信息进行匹配直到匹配成功,其中,所述贷款人期望的目标金融机构预存储在数据库中,还包括对所述预开发贷款产品进行风险评估的步骤,具体包括:
根据已有的贷款产品的历史数据确定损失函数;
具体的,根据各历史数据的记录时间或者关键词,比如“银行名称”、“贷款限额”、“还款周期”等,将历史数据进行数据集合的划分,分为实验组集合和验证组数据集合;其中,验证组的历史数据的记录时间均晚于实验组中的历史数据的记录时间。
通过所述损失函数求得的所述历史数据的最小损失值,将所述最小损失值带入到预开发贷款产品中;
具体的,损失函数的表达式为:
其中fi为第i个风险等级的历史数据,ai为第i个风险等级的权重;对ai进行训练使得权重值与预期风险阈值接近以达到损失函数数值的缩小,通常当ai值小于0.3时认为损失函数的数值达到要求,对风控模型的修正结束,可以进行下一步的评价。
根据所述最小损失值与风险系数的对应关系,获得到所述预开发贷款产品的风险系数,并将所述风险系数入参到风控模型中进行训练,得到所述开发贷款产品的风险系数,所述对应关系预存储在数据库中。
具体的,对预开发的贷款产品进行数据分解,比如按照“贷款限额”、“贷款利息”、“还款周期”、“是否抵押”和“贷款发放机构”等作为不同维度的参数对预开发的贷款产品进行数据分解,建立起预开发产品的数据矩阵;将数据矩阵中的每一个数值带入到损失函数的表达式为:
式中,ai表示参数因子,fi表示第i个数值的损失量,F表示总损失量;
其中,对每一个参数进行损失函数计算,得出每一个参数的损失函数值,并带入历史数据对预开发产品的损失函数数值进行修正,得到修正后的损失函数值。将损失函数值带入到数据矩阵中,并对数据矩阵所对应的行列式进行数值计算,得到的数值如果为正则说明该预开发产品符合可以上传到贷款产品平台数据库,否则需要该预开发金融产品所属的金融机构进行重新开发。
在一个实施例中,提出了一种贷款产品自动匹配装置,如图3所示,包括如下模块:
信息审核模块,设置为获取贷款人信息,对所述贷款人的贷款申领情况进行审核;
贷款产品匹配模块,设置为将经过审核的所述贷款人的信息与贷款产品进行匹配,所述贷款产品信息存储在贷款产品平台数据库中;
成功信息发送模块,设置为若匹配成功,则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息;
再次匹配模块,设置为否则将所述贷款人进行标记,获取带有标记的贷款人信息,发送至所述贷款人期望的目标金融机构,将所述贷款人信息与目标金融机构的预开发产品进行再次匹配,若匹配成功则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息,否则重新获取其它预开发贷款产品与所述贷款人信息进行匹配直到匹配成功,其中,所述贷款人期望的目标金融机构预存储在数据库中。
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行上述贷款产品自动匹配方法的步骤。
一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述贷款产品自动匹配方法的步骤。所述存储介质可以为非易失性存储介质。
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:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请一些示例性实施例,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种贷款产品自动匹配方法,其特征在于,包括如下步骤:
获取贷款人信息,对所述贷款人的贷款申领情况进行审核;
将经过审核的所述贷款人的信息与贷款产品进行匹配,所述贷款产品信息存储在贷款产品平台数据库中;
若匹配成功,则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息;
否则将所述贷款人进行标记,获取带有标记的贷款人信息,发送至所述贷款人期望的目标金融机构,将所述贷款人信息与目标金融机构的预开发产品进行再次匹配,若匹配成功则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息,否则重新获取其它预开发贷款产品与所述贷款人信息进行匹配直到匹配成功,其中,所述贷款人期望的目标金融机构预存储在数据库中。
2.根据权利要求1所述的贷款产品自动匹配方法,其特征在于,所述获取贷款人信息,对所述贷款人的贷款申领情况进行审核,包括:
采集贷款人的生物特征信息,将所述生物特征信息与预存信息进行比对,确认贷款人身份;
根据所述贷款人身份,调用贷款登记表对所述贷款人的贷款情况进行核验,所述贷款登记表存储在数据库中;
若所述贷款人已经成功申领贷款,则将申领成功的所述贷款人信息从所述贷款登记表中清除,否则将所述贷款人信息与贷款产品进行建立映射关系。
3.根据权利要求1所述的贷款产品自动匹配方法,其特征在于,所述将经过审核的所述贷款人的信息与贷款产品进行匹配,所述贷款产品信息存储在贷款产品平台数据库中,包括:
从所述贷款人信息提取特征信息,赋予每一个所述特征信息以衡量贷款人信息与贷款产品匹配度的衡量参数;
将所述衡量参数输入到BP神经网络模型中进行训练得到修正后的衡量参数,其训练过程中的公式为:
dtk=(ytk-ct)ct(1-ct)ejk,式中dtk表示训练前后的差值,ytk表示输入的参数,ct输出层第t个神经元的实际输出,ejk表示输入层连接元,当dtk=0时,则训练结束;
获取所述贷款产品的产品特征参数,建立产品特征参数矩阵;
将所述修正后的衡量参数与所述产品特征参数矩阵做积,得到匹配矩阵,从所述匹配矩阵中抽取出最大数值,获取所述最大数值的对应贷款产品,所述对应贷款产品是与所述贷款人匹配的贷款产品。
4.根据权利要求1所述的贷款产品自动匹配方法,其特征在于,所述若匹配成功,则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息,包括:
分别获取所述贷款人和所述贷款产品对应的金融机构所在终端的IP地址,对任一所述IP地址进行解析得到对应的DNS解析代码;
获取所述DNS解析代码中的特征码,根据所述特征码与服务器的对应关系,得到所述特征码所对应的服务器,所述对应关系存储在数据库中;
向所述服务器发出发送匹配成功的指令,获取所述贷款人终端或者所述金融机构所在终端接收所述指令后的数据变化,根据所述数据变化,以验证所述贷款人是否得到贷款。
5.根据权利要求1所述的贷款产品自动匹配方法,其特征在于,所述否则将所述贷款人进行标记,获取带有标记的贷款人信息,发送至所述贷款人期望的目标金融机构,将所述贷款人信息与目标金融机构的预开发产品进行再次匹配,若匹配成功则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息,否则重新获取其它预开发贷款产品与所述贷款人信息进行匹配直到匹配成功,其中,所述贷款人期望的目标金融机构预存储在数据库中,包括:
获取所述贷款人与所述贷款产品未匹配的特征元素,根据所述特征元素的类型,赋予所述贷款人以不同的特征值;
向所述贷款人发送目标金融机构,获取所述贷款人选择结果;
获取所述选择结果对应的金融机构,抽取所述选择结果对应的金融机构预开发的贷款产品信息;
获取所述预开发的贷款产品的产品特征参数,建立预开发的产品的特征参数矩阵;
将所述特征值与所述预开发的产品的特征参数矩阵中的每一个数值做差,获取绝对值最小的数值在所述预开发的产品的特征参数矩阵的位置,发送所述预开发的产品的特征参数矩阵的位置所对应的预开发贷款产品于所述贷款人进行匹配。
6.根据权利要求3所述的贷款产品自动匹配方法,其特征在于,所述将经过审核的所述贷款人的信息与贷款产品进行匹配,所述贷款产品信息存储在贷款产品平台数据库中,还包括对训练过的衡量贷款人信息与贷款产品匹配度的衡量参数衡量参数进行误差修正的过程,具体包括:
通过Grange表述定理对所述衡量参数进行第一步修正,修正公式为:
ΔYt=lag(ΔY)-λμt-1,式中,μt-1是非均衡误差项,λ是短期调整参数,ΔYt为误差差值,ΔY为衡量贷款人信息与贷款产品匹配度的衡量参数;
将经过Grange一步法修正过的衡量参数进行协整回归,获取协整向量;
将所述协整向量输入到误差修正模型中,获取协整回归参数,根据所述协整回归参数,将所述协整回归参数作为权重对所述衡量参数进行修正。
7.根据权利要求1所述的贷款产品自动匹配方法,其特征在于,所述否则将所述贷款人进行标记,获取带有标记的贷款人信息,发送至所述贷款人期望的目标金融机构,将所述贷款人信息与目标金融机构的预开发产品进行再次匹配,若匹配成功则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息,否则重新获取其它预开发贷款产品与所述贷款人信息进行匹配直到匹配成功,其中,所述贷款人期望的目标金融机构预存储在数据库中,还包括对所述预开发贷款产品进行风险评估的步骤,具体包括:
根据已有的贷款产品的历史数据确定损失函数;
通过所述损失函数求得的所述历史数据的最小损失值,将所述最小损失值带入到预开发贷款产品中;
根据所述最小损失值与风险系数的对应关系,获得到所述预开发贷款产品的风险系数,并将所述风险系数入参到风控模型中进行训练,得到所述开发贷款产品的风险系数,所述对应关系预存储在数据库中。
8.一种贷款产品自动匹配装置,其特征在于,包括如下模块:
信息审核模块,设置为获取贷款人信息,对所述贷款人的贷款申领情况进行审核;
贷款产品匹配模块,设置为将经过审核的所述贷款人的信息与贷款产品进行匹配,所述贷款产品信息存储在贷款产品平台数据库中;
成功信息发送模块,设置为若匹配成功,则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息;
再次匹配模块,设置为否则将所述贷款人进行标记,获取带有标记的贷款人信息,发送至所述贷款人期望的目标金融机构,将所述贷款人信息与目标金融机构的预开发产品进行再次匹配,若匹配成功则向所述贷款人和所述贷款产品对应的金融机构发送匹配成功的信息,否则重新获取其它预开发贷款产品与所述贷款人信息进行匹配直到匹配成功,其中,所述贷款人期望的目标金融机构预存储在数据库中。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项权利要求所述贷款产品自动匹配方法的步骤。
10.一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述贷款产品自动匹配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811381202.XA CN109711974A (zh) | 2018-11-20 | 2018-11-20 | 贷款产品自动匹配方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811381202.XA CN109711974A (zh) | 2018-11-20 | 2018-11-20 | 贷款产品自动匹配方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109711974A true CN109711974A (zh) | 2019-05-03 |
Family
ID=66254333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811381202.XA Pending CN109711974A (zh) | 2018-11-20 | 2018-11-20 | 贷款产品自动匹配方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109711974A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135979A (zh) * | 2019-05-14 | 2019-08-16 | 极智(上海)企业管理咨询有限公司 | 个性化需求匹配的方法、装置、介质和电子设备 |
CN110717819A (zh) * | 2019-09-02 | 2020-01-21 | 深圳壹账通智能科技有限公司 | 业务处理方法、系统、计算机设备及存储介质 |
CN111242773A (zh) * | 2020-01-16 | 2020-06-05 | 深圳壹账通智能科技有限公司 | 虚拟资源申请的对接方法、装置、计算机设备及存储介质 |
CN116362876A (zh) * | 2023-06-01 | 2023-06-30 | 天津金城银行股份有限公司 | 一种贷款分流方法、系统、设备和存储介质 |
CN116630017A (zh) * | 2023-05-06 | 2023-08-22 | 广州市良策网络技术有限公司 | 贷款产品自动匹配方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150339769A1 (en) * | 2014-05-22 | 2015-11-26 | C1 Bank | System and method for enforcing data integrity and loan approval automation by means of data aggregation and analysis |
CN107038486A (zh) * | 2016-02-03 | 2017-08-11 | 株式会社日立制作所 | 金融产品预测装置以及金融产品预测方法 |
CN108711075A (zh) * | 2018-05-22 | 2018-10-26 | 阿里巴巴集团控股有限公司 | 一种产品推荐方法和装置 |
CN108765133A (zh) * | 2018-05-22 | 2018-11-06 | 考拉征信服务有限公司 | 贷款需求和贷款产品匹配的方法、装置、系统及存储介质 |
-
2018
- 2018-11-20 CN CN201811381202.XA patent/CN109711974A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150339769A1 (en) * | 2014-05-22 | 2015-11-26 | C1 Bank | System and method for enforcing data integrity and loan approval automation by means of data aggregation and analysis |
CN107038486A (zh) * | 2016-02-03 | 2017-08-11 | 株式会社日立制作所 | 金融产品预测装置以及金融产品预测方法 |
CN108711075A (zh) * | 2018-05-22 | 2018-10-26 | 阿里巴巴集团控股有限公司 | 一种产品推荐方法和装置 |
CN108765133A (zh) * | 2018-05-22 | 2018-11-06 | 考拉征信服务有限公司 | 贷款需求和贷款产品匹配的方法、装置、系统及存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135979A (zh) * | 2019-05-14 | 2019-08-16 | 极智(上海)企业管理咨询有限公司 | 个性化需求匹配的方法、装置、介质和电子设备 |
CN110717819A (zh) * | 2019-09-02 | 2020-01-21 | 深圳壹账通智能科技有限公司 | 业务处理方法、系统、计算机设备及存储介质 |
CN111242773A (zh) * | 2020-01-16 | 2020-06-05 | 深圳壹账通智能科技有限公司 | 虚拟资源申请的对接方法、装置、计算机设备及存储介质 |
CN116630017A (zh) * | 2023-05-06 | 2023-08-22 | 广州市良策网络技术有限公司 | 贷款产品自动匹配方法及系统 |
CN116630017B (zh) * | 2023-05-06 | 2023-11-21 | 广州市良策网络技术有限公司 | 贷款产品自动匹配方法及系统 |
CN116362876A (zh) * | 2023-06-01 | 2023-06-30 | 天津金城银行股份有限公司 | 一种贷款分流方法、系统、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11436615B2 (en) | System and method for blockchain transaction risk management using machine learning | |
US11907955B2 (en) | System and method for blockchain automatic tracing of money flow using artificial intelligence | |
CN109711974A (zh) | 贷款产品自动匹配方法、装置、计算机设备和存储介质 | |
US10984423B2 (en) | Method of operating artificial intelligence machines to improve predictive model training and performance | |
US20240046156A1 (en) | Data clean-up method for improving predictive model training | |
US20230342846A1 (en) | Micro-loan system | |
CN108475393A (zh) | 通过合成特征和梯度提升决策树进行预测的系统和方法 | |
US11080709B2 (en) | Method of reducing financial losses in multiple payment channels upon a recognition of fraud first appearing in any one payment channel | |
US20160086185A1 (en) | Method of alerting all financial channels about risk in real-time | |
CN113240509B (zh) | 一种基于多源数据联邦学习的贷款风险评估方法 | |
US20160055427A1 (en) | Method for providing data science, artificial intelligence and machine learning as-a-service | |
CN109472610A (zh) | 一种银行交易反欺诈方法及系统、设备和存储介质 | |
US20190180379A1 (en) | Life insurance system with fully automated underwriting process for real-time underwriting and risk adjustment, and corresponding method thereof | |
CN102012918A (zh) | 一种规律挖掘和执行系统及其方法 | |
Raiter | Applying supervised machine learning algorithms for fraud detection in anti-money laundering | |
CN108492001A (zh) | 一种用于担保贷款网络风险管理的方法 | |
Voican | Credit Card Fraud Detection using Deep Learning Techniques. | |
CN110866832A (zh) | 一种风险控制方法、系统、存储介质及计算设备 | |
CN113689218A (zh) | 风险账户的识别方法、装置、计算机设备和存储介质 | |
EP3185184A1 (en) | The method for analyzing a set of billing data in neural networks | |
CN112990989B (zh) | 价值预测模型输入数据生成方法、装置、设备和介质 | |
CN116821759A (zh) | 类别标签的识别预测方法、装置和处理器及电子设备 | |
CN114998002A (zh) | 风险操作预测方法及装置 | |
CN114493858A (zh) | 一种非法资金转移可疑交易监测方法及相关组件 | |
CN112926989A (zh) | 一种基于多视图集成学习的金融交易风险评估方法及设备 |
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 |