CN109741093A - 债权价值评估方法及装置、存储介质、终端 - Google Patents
债权价值评估方法及装置、存储介质、终端 Download PDFInfo
- Publication number
- CN109741093A CN109741093A CN201811570272.XA CN201811570272A CN109741093A CN 109741093 A CN109741093 A CN 109741093A CN 201811570272 A CN201811570272 A CN 201811570272A CN 109741093 A CN109741093 A CN 109741093A
- Authority
- CN
- China
- Prior art keywords
- credits
- assessed
- refund
- data
- risk score
- 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
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一种债权价值评估方法及装置、存储介质、终端,债权价值评估方法包括:获取待评估债权的业务数据;利用所述待评估债权的业务数据计算得到所述待评估债权的风险评分;根据所述待评估债权的风险评分以及所述待评估债权的已还款行为数据,确定所述待评估债权的未来还款数据;至少根据所述未来还款数据确定所述待评估债权的最终价值。本发明技术方案能够准确的评估标的价值。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种债权价值评估方法及装置、存储介质、终端。
背景技术
在信贷领域,每一业务对应一支借款标的,借款标的包括债权和债务。标的从成功发标到还款结束的整个业务周期中,借款主体会产生不同的还款行为;并且借款主体的资质、其他业务行为、平台市场环境等也可能发生变化,标的价值便会随之波动。
但是,如何准确的评估标的价值是一个亟待解决的技术问题。
发明内容
本发明解决的技术问题是如何准确的评估标的价值。
为解决上述技术问题,本发明实施例提供一种债权价值评估方法,债权价值评估方法包括:获取待评估债权的业务数据;利用所述待评估债权的业务数据计算得到所述待评估债权的风险评分,所述风险评分表示所述待评估债权的风险水平;根据所述待评估债权的风险评分以及所述待评估债权的已还款行为数据,确定所述待评估债权的未来还款数据;至少根据所述未来还款数据确定所述待评估债权的最终价值。
可选的,所述未来还款数据是通过模型计算得到的,所述至少根据所述未来还款数据确定所述待评估债权的最终价值包括:接收来自用户的先验预估参数,并根据所述先验预估参数计算先验还款数据,所述先验预估参数选自逾期率和提前还款率;确定所述模型的置信度,并根据所述模型的置信度更新所述未来还款数据的第一权重的值,以及所述先验还款数据的第二权重的值,所述置信度越高,所述第一权重的值越大;根据所述未来还款数据及其第一权重的值,以及所述先验还款数据及其第二权重的值计算得到所述待评估债权的最终价值。
可选的,所述至少根据所述未来还款数据确定所述待评估债权的最终价值包括:根据所述未来还款数据以及预设折现率计算净现值,以作为所述待评估债权的最终价值。
可选的,所述至少根据所述未来还款数据确定所述待评估债权的最终价值包括:根据具备各个固定期限的业务的利率构建利率曲线;根据所述未来还款数据以及所述利率曲线计算净现值,以作为所述待评估债权的最终价值。
可选的,所述根据所述待评估债权的风险评分以及所述待评估债权的已还款行为数据,确定所述待评估债权的未来还款数据包括:根据所述待评估债权的风险评分以及所述已还款行为数据中的逾期还款行为数据计算逾期还款比率,和/或根据所述待评估债权的风险评分以及所述已还款行为数据中的提前还款行为数据计算提前还款比率;根据所述已还款行为数据中的剩余未还款金额与所述逾期还款比率和/或所述提前还款比率计算所述未来还款数据。
可选的,所述根据所述待评估债权的风险评分以及所述已还款行为数据中的逾期还款行为数据计算逾期还款比率包括:将所述待评估债权的风险评分以及所述已还款行为数据中的逾期还款行为数据输入逾期率模型,以得到所述逾期还款比率,所述逾期率模型是利用第一样本数据预先训练得到的,所述第一样本数据包括逾期还款行为数据及其对应的风险评分和逾期还款比率;所述根据所述待评估债权的风险评分以及所述已还款行为数据中的提前还款行为数据计算提前还款比率包括:将所述待评估债权的风险评分以及所述已还款行为数据中的提前还款行为数据输入提前还款模型,以得到所述提前还款比率,所述提前还款模型是利用第二样本数据预先训练得到的,所述第二样本数据包括提前还款行为数据及其对应的风险评分和提前还款比率。
可选的,所述利用所述待评估债权的业务数据计算得到所述待评估债权的风险评分包括:将所述待评估债权的业务数据输入评分模型,以得到所述待评估债权的风险评分,所述评分模型是利用第三样本数据预先训练得到的,所述第三样本数据包括业务数据及其风险评分。
可选的,所述待评估债权的业务数据包括以下一种或多种:借款人的基本信息、形成所述待评估债权时收集的借款信息、已还款行为数据、借款人的信用信息、所述借款人的设备信息、所述借款人的第三方借款信息。
为解决上述技术问题,本发明实施例还公开了一种债权价值评估装置,债权价值评估装置包括:业务数据获取模块,适于获取待评估债权的业务数据;风险评分计算模块,适于利用所述待评估债权的业务数据计算得到所述待评估债权的风险评分;未来还款数据预估模块,适于根据所述待评估债权的风险评分以及所述待评估债权的已还款行为数据,确定所述待评估债权的未来还款数据;最终价值确定模块,适于至少根据所述未来还款数据确定所述待评估债权的最终价值。
本发明实施例还公开了一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行所述债权价值评估方法的步骤。
本发明实施例还公开了一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行所述债权价值评估方法的步骤。
与现有技术相比,本发明实施例的技术方案具有以下有益效果:
本发明技术方案获取待评估债权的业务数据;利用所述待评估债权的业务数据计算得到所述待评估债权的风险评分;根据所述待评估债权的风险评分以及所述待评估债权的已还款行为数据,确定所述待评估债权的未来还款数据;至少根据所述未来还款数据确定所述待评估债权的最终价值。本发明技术方案中,由于不同的债权具有不同的业务数据,因此利用待评估债权的业务数据确定待评估债权的风险评分,以采用统一的标准衡量各种待评估债权,能够适用于各种不同借贷业务,扩大了适用范围。此外,风险评分和已还款数据能够反映待评估债权的未来还款情况,通过结合风险评分以及已还款行为数据确定未来还款数据来表征待评估债权的最终价值,从多维度预估债权价值,可以保证待评估债权评估的准确性。
进一步地,所述未来还款数据是通过模型计算得到的;接收来自用户的先验预估参数,并根据所述先验预估参数计算先验还款数据,所述先验预估参数选自逾期率和提前还款率;确定所述模型的置信度,并根据所述模型的置信度更新所述未来还款数据的第一权重的值,以及所述先验还款数据的第二权重的值,所述置信度越高,所述第一权重的值越大;根据所述未来还款数据及其第一权重的值,以及所述先验还款数据及其第二权重的值计算得到所述待评估债权的最终价值。本发明技术方案中,通过结合用户的先验预估参数计算先验还款数据,并结合未来还款数据以及先验还款数据的权重计算待评估债权的最终价值,能够结合资深投资用户的观点来调整债权价值,避免了采用单一模型计算债权价值带来的不准确性,进一步提高了待评估债权评估的准确性。
附图说明
图1是本发明实施例一种债权价值评估方法的流程图;
图2是图1所示步骤S104的一种具体实施方式的流程图;
图3是本发明实施例一种典型应用场景的示意图;
图4是本发明实施例一种债权价值评估装置的结构示意图。
具体实施方式
如背景技术中所述,如何准确的评估标的价值是一个亟待解决的技术问题。
本发明技术方案中,由于不同的债权具有不同的业务数据,因此利用待评估债权的业务数据确定待评估债权的风险评分,以采用统一的标准衡量各种待评估债权,能够适用于各种不同借贷业务,扩大了适用范围。此外,风险评分和已还款数据能够反映待评估债权的未来还款情况,通过结合风险评分以及已还款行为数据确定未来还款数据来表征待评估债权的最终价值,从多维度预估债权价值,可以保证待评估债权评估的准确性。
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
图1是本发明实施例一种债权价值评估方法的流程图。
图1所示债权价值评估方法可以包括以下步骤:
步骤S101:获取待评估债权的业务数据;
步骤S102:利用所述待评估债权的业务数据计算得到所述待评估债权的风险评分;
步骤S103:根据所述待评估债权的风险评分以及所述待评估债权的已还款行为数据,确定所述待评估债权的未来还款数据;
步骤S104:至少根据所述未来还款数据确定所述待评估债权的最终价值。
需要指出的是,本实施例中各个步骤的序号并不代表对各个步骤的执行顺序的限定。
具体实施中,债权的业务数据可以表示债权相关的信息,例如债权还款人的相关信息以及债权本身的还款额度、还款周期、还款利率等。
债权的业务数据可以是预先采集得到的。具体的采集方式可以是用户输入业务数据、设备爬取业务数据或者获取第三方信用数据。具体地,设备爬取的数据可以是在用户授权下获取的设备信息,例如用户安装的应用程序的列表、用户手机型号等。第三方信用数据可以是通过与第三方机构合作获取的,例如芝麻信用分等。
本发明一个非限制性的实施例中,所述待评估债权的业务数据包括以下一种或多种:已还款行为数据、借款人的信用信息、所述借款人的设备信息、所述借款人的第三方借款信息。所述待评估债权的业务数据还可以包括:借款人的基本信息(例如年龄、省份等)、形成所述待评估债权时收集的借款信息(例如借款目的、职业等)。
由于不同类型的债权具有不同的业务数据,并且同一类型的债权获取的业务数据也具有多种类型和形式。对于具备不同类型的业务数据,可以采用数据仓库的方式将其整合在一起。整合后的业务数据可以用于计算待评估债权的风险评分。
在步骤S102的具体实施中,可以利用所述待评估债权的业务数据计算得到所述待评估债权的风险评分。所述风险评分表示待评估债权的风险水平,也即可以用于表示还款行为存在的风险,其中,风险评分与待评估债券的价值成反比,风险评分越高,待评估债权的价值越低。
在步骤S103的具体实施中,已还款行为数据可以包括还款人的还款日期以及还款金额。未来还款数据也可以称为未来现金流,表示该待评估债权目前为止还没有发生的现金流。结合风险评分以及已还款行为数据可以预估出未来还款数据,也即可以预估还款人未来能够还款的金额。具体地,风险评分与未来还款数据成反比,也即风险评分越高,未来还款数据的金额越小。
进而在步骤S104的具体实施中,可以根据所述未来还款数据确定所述待评估债权的最终价值。具体可以采用净现值(Net Present Value,NPV)方法计算待评估债权的最终价值,也即利用未来现金流计算债权的当前价值。
本领域技术人员可以理解的是,净现值的具体计算方式可参照现有技术,本发明实施例对此不做限制,例如,净现值可以是投资方案所产生的现金净流量以资金成本为贴现率(也可以称为折现率)折现之后与原始投资额现值的差额。
本发明一个非限制性的实施例中,步骤S104具体可以包括以下步骤:根据所述未来还款数据以及预设折现率计算净现值,以作为所述待评估债权的最终价值。
具体地,预设折现率可以是预先设置的。预设折现率可以是固定值,也可以是利率曲线,也即随着未来还款数据的还款时间的不同,预设折现率也不同。
本发明一个非限制性的实施例中,所述未来还款数据是通过模型计算得到的。请参照图2,图1所示步骤S104可以包括以下步骤:
步骤S201:接收来自用户的先验预估参数,并根据所述先验预估参数计算先验还款数据,所述先验预估参数选自逾期率和提前还款率;
步骤S202:确定所述模型的置信度,并根据所述模型的置信度更新所述未来还款数据的第一权重的值,以及所述先验还款数据的第二权重的值,所述置信度越高,所述第一权重的值越大;
步骤S203:根据所述未来还款数据及其第一权重的值,以及所述先验还款数据及其第二权重的值计算得到所述待评估债权的最终价值。
具体实施中,用户的先验预估参数可以是逾期率和/或提前还款率。资深投资用户具有权威性,其对于逾期率和/或提前还款率可以用于评估待评估债权的价值。具体可以根据所述先验预估参数计算先验还款数据。
需要说明的是,根据逾期率和/或提前还款率计算先验还款数据的具体方式可参照已有技术,此处不再赘述。
此外,由于未来还款数据是通过模型计算得到的,模型本身具有置信度,因此可以根据置信度的大小调整未来还款数据的第一权重的值。相应地,也可以调整先验还款数据的第二权重的值。第一权重与第二权重之和为1。具体地,模型的置信度越低,第一权重的值越小,第二权重的值越大;模型的置信度越高,第一权重的值越大,第二权重的值越小。
通过未来还款数据与先验还款数据的加权之和,可以确定所述待评估债权的最终价值。
本发明实施例中,通过结合用户的先验预估参数计算先验还款数据,并结合未来还款数据以及先验还款数据的权重计算待评估债权的最终价值,能够结合资深投资用户的观点来调整债权价值,避免了采用单一模型计算债权价值带来的不准确性,进一步提高了待评估债权评估的准确性。
本发明另一个非限制性的实施例中,图1所示步骤S104可以包括以下步骤:根据具备各个固定期限的业务的利率构建利率曲线;根据所述未来还款数据以及所述利率曲线计算净现值,以作为所述待评估债权的最终价值。
未来还款数据的还款剩余期限与已有贷款业务的期限可能不匹配,在计算净现值时,如果已有贷款业务对应的固定的利率值,则会导致待评估债权的价值估计不准确。
本实施例中,根据具备各个固定期限的业务的利率构建利率曲线,使得利率曲线可以包括多个连续的期限及其对应的利率,从而在利用该利率曲线计算净现值时,可以在该曲线中确定与未来还款数据中剩余还款时间对应的利率,进而可以保证净现值计算的准确度,进一步保证待评估债权的最终价值评估的准确性。
本发明一个非限制性的实施例中,图1所示步骤S103可以包括以下步骤:根据所述待评估债权的风险评分以及所述已还款行为数据中的逾期还款行为数据计算逾期还款比率,和/或根据所述待评估债权的风险评分以及所述已还款行为数据中的提前还款行为数据计算提前还款比率;根据所述已还款行为数据中的剩余未还款金额与所述逾期还款比率和/或所述提前还款比率计算所述未来还款数据。
本实施例中,逾期还款比率表示还款人未来逾期还款的金额与剩余未还款金额的比率;提前还款比率表示还款人未来提前还款的金额与剩余未还款金额的比率。
进一步地,还可以根据所述待评估债权的风险评分以及所述已还款行为数据中的提前还款行为数据计算提前还款的提前期限,例如,提前五天、七天等。
具体实施中,未来还款数据可以利用所述已还款行为数据中的剩余未还款金额与所述逾期还款比率和/或所述提前还款比率计算。具体可以是将剩余未还款金额与所述逾期还款比率和/或所述提前还款比率的乘积作为所述未来还款数据。
进一步地,可以采用以下方式计算逾期还款比率:将所述待评估债权的风险评分以及所述已还款行为数据中的逾期还款行为数据输入逾期率模型,以得到所述逾期还款比率,所述逾期率模型是利用第一样本数据预先训练得到的,所述第一样本数据包括逾期还款行为数据及其对应的风险评分和逾期还款比率。
可以采用以下方式计算提前还款比率:将所述待评估债权的风险评分以及所述已还款行为数据中的提前还款行为数据输入提前还款模型,以得到所述提前还款比率,所述提前还款模型是利用第二样本数据预先训练得到的,所述第二样本数据包括提前还款行为数据及其对应的风险评分和提前还款比率。
本实施例中,可以分别利用预先训练完成的逾期率模型和提前还款模型计算逾期还款比率和提前还款比率。具体地,对于逾期率模型,逾期还款行为数据及其对应的风险评分为输入数据,逾期还款比率为输出数据。对于提前还款模型,提前还款行为数据及其对应的风险评分为输入数据,提前还款比率为输出数据。
可以理解的是,逾期率模型和提前还款模型使用的具体算法可以参照已有技术,此处不再赘述。
在本发明一个非限制性的实施例中,图1所示步骤S102可以包括以下步骤:将所述待评估债权的业务数据输入评分模型,以得到所述待评估债权的风险评分,所述评分模型是利用第三样本数据预先训练得到的,所述第三样本数据包括业务数据及其风险评分。
具体地,对于评分模型,输入数据为待评估债权的业务数据,输出数据为该业务数据对应的风险评分。
进一步地,由于不同类型的待评估债权的业务数据差异较大,因此对于不同类型的待评估债权,可以采用不同的评分模型计算其风险评分,可以保证风险评分计算的准确性。
在本发明一个典型应用场景中,请参照图3。债权价值评估方法可以采用图3所示的系统架构来实现。
其中,数据采集终端301可以采集待评估债权的业务数据,例如,借款人的信用信息、已还款行为数据、第三方授权信息、设备爬取信息等。
评分终端302包括多个评分模型:评分模型1、评分模型2…评分模型N。不同评分模型可以针对不同类型的待评估债权的业务数据进行评分,以得到待评估债权的风险评分。
价值计算终端303可以包括逾期率模型、提前还款模型、NPV计算模块以及先验还款数据计算模块。价值计算终端303可以根据待评估债权的风险评分以及已还款数据计算待评估债权的最终价值。具体地,逾期率模型可以计算逾期比率,提前还款模型可以计算提前还款比率,NPV计算模块可以计算未来还款数据,先验还款模块可以计算先验还款数据。
关于本发明应用场景的更多具体实施方式,可参照前述实施例,此处不再赘述。
在本发明一个典型应用场景中,金融产品与资产标的的期限总体上保持一致,不存在期限错配,不过对应到每一期产品,可能会有产品期限和标的期限不一致的情况,这时需要在产品到期时帮用户将未到期的标的自动转移到其他产品,保证用户到期退出。在转移未到期的标的时,可以使用本发明技术方案中的债权评估方法计算该标的的价值。
在本发明另一个典型应用场景中,在二级市场中,交易平台除了撮合买卖双方交易还未到期的标的,还可以给买卖双方提供参考价。也就是说,交易平台会为每一支挂出的标的提供官方指导价,卖方需要在指导价的一定范围内进行定价,买方可以参考卖方定价与指导价之间的折价比例进行标的选择。官方指导价可以使用本发明技术方案中的债权评估方法来计算。
在本发明又一个典型应用场景中,策略市场是为投资用户提供的交易平台,资深投资用户可以申请成为策略师,通过平台审核后,策略师可以在平台上挂出自己的投标策略,其他用户可以在平台上自由选择投标策略进行投标,投标成功后向策略师支付一定的费用。交易平台除了撮合交易外,很重要的一点功能是为投资用户提供“策略指标”和“策略师评级”,帮助投资用户进行策略选择。“策略指标”和“策略师评级最重要的维度就是投标收益,投标收益可以使用本发明技术方案中的债权评估方法来计算。
在本发明再一个典型应用场景中,财务需要计算跟资产公允价值相关的统计量,可以使用本发明技术方案中的债权评估方法来计算标的估值。
请参照图4,本发明实施例还公开了一种债权价值评估装置40。债权价值评估装置40可以包括:业务数据获取模块401、风险评分计算模块402、未来还款数据预估模块403和最终价值确定模块404。
其中,业务数据获取模块401适于获取待评估债权的业务数据;风险评分计算模块402适于利用所述待评估债权的业务数据计算得到所述待评估债权的风险评分;未来还款数据预估模块403适于根据所述待评估债权的风险评分以及所述待评估债权的已还款行为数据,确定所述待评估债权的未来还款数据;最终价值确定模块404适于至少根据所述未来还款数据确定所述待评估债权的最终价值。
本发明实施例中,由于不同的债权具有不同的业务数据,因此利用待评估债权的业务数据确定待评估债权的风险评分,以采用统一的标准衡量各种待评估债权,能够适用于各种不同借贷业务,扩大了适用范围。此外,风险评分和已还款数据能够反映待评估债权的未来还款情况,通过结合风险评分以及已还款行为数据确定未来还款数据来表征待评估债权的最终价值,从多维度预估债权价值,可以保证待评估债权评估的准确性。
关于所述债权价值评估装置40的工作原理、工作方式的更多内容,可以参照图1至图3中的相关描述,这里不再赘述。
本发明实施例还公开了一种存储介质,其上存储有计算机指令,所述计算机指令运行时可以执行图1或图2中所示的债权价值评估方法的步骤。所述存储介质可以包括ROM、RAM、磁盘或光盘等。所述存储介质还可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器等。
本发明实施例还公开了一种终端,所述终端可以包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令。所述处理器运行所述计算机指令时可以执行图1或图2中所示的债权价值评估方法的步骤。所述终端包括但不限于手机、计算机、平板电脑等终端设备。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (11)
1.一种债权价值评估方法,其特征在于,包括:
获取待评估债权的业务数据;
利用所述待评估债权的业务数据计算得到所述待评估债权的风险评分,所述风险评分表示所述待评估债权的风险水平;
根据所述待评估债权的风险评分以及所述待评估债权的已还款行为数据,确定所述待评估债权的未来还款数据;
至少根据所述未来还款数据确定所述待评估债权的最终价值。
2.根据权利要求1所述的债权价值评估方法,其特征在于,所述未来还款数据是通过模型计算得到的,所述至少根据所述未来还款数据确定所述待评估债权的最终价值包括:
接收来自用户的先验预估参数,并根据所述先验预估参数计算先验还款数据,所述先验预估参数选自逾期率和提前还款率;
确定所述模型的置信度,并根据所述模型的置信度更新所述未来还款数据的第一权重的值,以及所述先验还款数据的第二权重的值,所述置信度越高,所述第一权重的值越大;
根据所述未来还款数据及其第一权重的值,以及所述先验还款数据及其第二权重的值计算得到所述待评估债权的最终价值。
3.根据权利要求1所述的债权价值评估方法,其特征在于,所述至少根据所述未来还款数据确定所述待评估债权的最终价值包括:
根据所述未来还款数据以及预设折现率计算净现值,以作为所述待评估债权的最终价值。
4.根据权利要求1所述的债权价值评估方法,其特征在于,所述至少根据所述未来还款数据确定所述待评估债权的最终价值包括:
根据具备各个固定期限的业务的利率构建利率曲线;
根据所述未来还款数据以及所述利率曲线计算净现值,以作为所述待评估债权的最终价值。
5.根据权利要求1所述的债权价值评估方法,其特征在于,所述根据所述待评估债权的风险评分以及所述待评估债权的已还款行为数据,确定所述待评估债权的未来还款数据包括:
根据所述待评估债权的风险评分以及所述已还款行为数据中的逾期还款行为数据计算逾期还款比率,和/或根据所述待评估债权的风险评分以及所述已还款行为数据中的提前还款行为数据计算提前还款比率;
根据所述已还款行为数据中的剩余未还款金额与所述逾期还款比率和/或所述提前还款比率计算所述未来还款数据。
6.根据权利要求5所述的债权价值评估方法,其特征在于,所述根据所述待评估债权的风险评分以及所述已还款行为数据中的逾期还款行为数据计算逾期还款比率包括:
将所述待评估债权的风险评分以及所述已还款行为数据中的逾期还款行为数据输入逾期率模型,以得到所述逾期还款比率,所述逾期率模型是利用第一样本数据预先训练得到的,所述第一样本数据包括逾期还款行为数据及其对应的风险评分和逾期还款比率;
所述根据所述待评估债权的风险评分以及所述已还款行为数据中的提前还款行为数据计算提前还款比率包括:
将所述待评估债权的风险评分以及所述已还款行为数据中的提前还款行为数据输入提前还款模型,以得到所述提前还款比率,所述提前还款模型是利用第二样本数据预先训练得到的,所述第二样本数据包括提前还款行为数据及其对应的风险评分和提前还款比率。
7.根据权利要求1所述的债权价值评估方法,其特征在于,所述利用所述待评估债权的业务数据计算得到所述待评估债权的风险评分包括:
将所述待评估债权的业务数据输入评分模型,以得到所述待评估债权的风险评分,所述评分模型是利用第三样本数据预先训练得到的,所述第三样本数据包括业务数据及其风险评分。
8.根据权利要求1至7任一项所述的债权价值评估方法,其特征在于,所述待评估债权的业务数据包括以下一种或多种:借款人的基本信息、形成所述待评估债权时收集的借款信息、已还款行为数据、借款人的信用信息、所述借款人的设备信息、所述借款人的第三方借款信息。
9.一种债权价值评估装置,其特征在于,包括:
业务数据获取模块,适于获取待评估债权的业务数据;
风险评分计算模块,适于利用所述待评估债权的业务数据计算得到所述待评估债权的风险评分,所述风险评分表示所述待评估债权的风险水平;
未来还款数据预估模块,适于根据所述待评估债权的风险评分以及所述待评估债权的已还款行为数据,确定所述待评估债权的未来还款数据;
最终价值确定模块,适于至少根据所述未来还款数据确定所述待评估债权的最终价值。
10.一种存储介质,其上存储有计算机指令,其特征在于,所述计算机指令运行时执行权利要求1至8中任一项所述债权价值评估方法的步骤。
11.一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,其特征在于,所述处理器运行所述计算机指令时执行权利要求1至8中任一项所述债权价值评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811570272.XA CN109741093A (zh) | 2018-12-21 | 2018-12-21 | 债权价值评估方法及装置、存储介质、终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811570272.XA CN109741093A (zh) | 2018-12-21 | 2018-12-21 | 债权价值评估方法及装置、存储介质、终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109741093A true CN109741093A (zh) | 2019-05-10 |
Family
ID=66360825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811570272.XA Pending CN109741093A (zh) | 2018-12-21 | 2018-12-21 | 债权价值评估方法及装置、存储介质、终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741093A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929223A (zh) * | 2019-11-14 | 2020-03-27 | 中国科学技术大学 | 债权转让匹配方法、系统、设备及介质 |
CN111161080A (zh) * | 2019-12-10 | 2020-05-15 | 中国建设银行股份有限公司 | 信息处理方法和装置 |
CN112750031A (zh) * | 2021-01-20 | 2021-05-04 | 北京赛思信安技术股份有限公司 | 一种应用于融资担保机构的多维度风险验证装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157139A (zh) * | 2015-04-03 | 2016-11-23 | 上海拓悉信息科技有限公司 | 一种债权交易方法 |
CN106952159A (zh) * | 2017-03-20 | 2017-07-14 | 重庆汇集源科技有限公司 | 一种不动产抵押品风险控制方法、系统及存储介质 |
CN107194597A (zh) * | 2017-05-27 | 2017-09-22 | 北京汇通金财信息科技有限公司 | 一种分布式电站的评估方法及装置 |
CN107644375A (zh) * | 2016-07-22 | 2018-01-30 | 花生米浙江数据信息服务股份有限公司 | 一种专家模型与机器学习模型融合的小商户信用评估方法 |
CN108460678A (zh) * | 2017-02-22 | 2018-08-28 | 北京数信互融科技发展有限公司 | 资产筛选、质量监测、预测全流程互联网金融资产管理云平台 |
-
2018
- 2018-12-21 CN CN201811570272.XA patent/CN109741093A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157139A (zh) * | 2015-04-03 | 2016-11-23 | 上海拓悉信息科技有限公司 | 一种债权交易方法 |
CN107644375A (zh) * | 2016-07-22 | 2018-01-30 | 花生米浙江数据信息服务股份有限公司 | 一种专家模型与机器学习模型融合的小商户信用评估方法 |
CN108460678A (zh) * | 2017-02-22 | 2018-08-28 | 北京数信互融科技发展有限公司 | 资产筛选、质量监测、预测全流程互联网金融资产管理云平台 |
CN106952159A (zh) * | 2017-03-20 | 2017-07-14 | 重庆汇集源科技有限公司 | 一种不动产抵押品风险控制方法、系统及存储介质 |
CN107194597A (zh) * | 2017-05-27 | 2017-09-22 | 北京汇通金财信息科技有限公司 | 一种分布式电站的评估方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929223A (zh) * | 2019-11-14 | 2020-03-27 | 中国科学技术大学 | 债权转让匹配方法、系统、设备及介质 |
CN110929223B (zh) * | 2019-11-14 | 2022-05-17 | 中国科学技术大学 | 债权转让匹配方法、系统、设备及介质 |
CN111161080A (zh) * | 2019-12-10 | 2020-05-15 | 中国建设银行股份有限公司 | 信息处理方法和装置 |
CN112750031A (zh) * | 2021-01-20 | 2021-05-04 | 北京赛思信安技术股份有限公司 | 一种应用于融资担保机构的多维度风险验证装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ronn et al. | Pricing risk‐adjusted deposit insurance: An option‐based model | |
US8275686B2 (en) | Methods for measuring hedging value-at-risk and profitability | |
CN109741093A (zh) | 债权价值评估方法及装置、存储介质、终端 | |
CN109285070A (zh) | 基金的持仓调整方法及装置、存储介质、计算机设备 | |
US20130218807A1 (en) | System and Method for Valuation and Risk Estimation of Mortgage Backed Securities | |
US20140317021A1 (en) | Multi-asset portfolio simulation (maps) | |
CN110363642A (zh) | 贷款数据处理方法、装置、可读存储介质和程序产品 | |
TW202008231A (zh) | 外匯交易量預測方法和裝置 | |
CN110135702A (zh) | 一种实时更新的还款积极度评估方法、装置、系统和记录介质 | |
CN105469308A (zh) | 一种中小企业融资风险评估系统及方法 | |
CN110706087B (zh) | 凭证数据处理方法、装置、计算机设备和存储介质 | |
CN109102282A (zh) | 一种多币种退款业务处理方法及装置 | |
US20150088727A1 (en) | Method for determining creditworthiness for exchange of a projected, future asset | |
JP2018514889A (ja) | 当初証拠金標準モデルに基づいて当初証拠金を計算及び提供する方法及びシステム | |
US20140279378A1 (en) | Model performance simulator | |
CN115311077A (zh) | 贷款信息处理方法、服务器、应用端和系统 | |
US20230306515A1 (en) | Systems and Computer-Implemented Methods for Capital Management | |
CN108921682A (zh) | 一种增值税的处理方法、装置和系统 | |
US7546270B1 (en) | Method and system for estimating economic risk associated with a group of loans | |
CN113034183A (zh) | 定价处理方法、装置、电子设备和存储介质 | |
US20200065897A1 (en) | Financial instrument pricing | |
Mohsin et al. | Exploring Digitalization of Malaysian Banking and Fintech Companies’ Services from the Customer’s Perspective | |
CN109711943B (zh) | 订单统计方法、装置及系统 | |
US20230229503A1 (en) | Efficient use of computing resources for optimization of non-convex functions | |
Bogerd | Smile risk in expected shortfall estimation for interest rate options |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190510 |
|
RJ01 | Rejection of invention patent application after publication |