CN109993652B - 一种借贷信用风险评估方法及装置 - Google Patents
一种借贷信用风险评估方法及装置 Download PDFInfo
- Publication number
- CN109993652B CN109993652B CN201910126812.3A CN201910126812A CN109993652B CN 109993652 B CN109993652 B CN 109993652B CN 201910126812 A CN201910126812 A CN 201910126812A CN 109993652 B CN109993652 B CN 109993652B
- Authority
- CN
- China
- Prior art keywords
- borrower
- repayment
- overdue
- bad account
- risk
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012502 risk assessment Methods 0.000 title abstract description 23
- 230000006399 behavior Effects 0.000 claims description 116
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000009471 action Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 abstract description 11
- 238000011156 evaluation Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 238000013145 classification model Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 238000007635 classification algorithm Methods 0.000 description 4
- 230000010485 coping Effects 0.000 description 4
- 238000012854 evaluation process Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种借贷信用风险评估方法及装置,该方法包括:获取借款人对应的统计特征信息和历史还款信息;根据所述统计特征信息和所述历史还款信息,确定所述借款人所属的风险类别;根据所述历史还款信息和所述风险类别,通过预先训练的逾期‑坏账风险模型评估所述借款人的逾期概率及坏账概率。本发明依据借款人的特征对借款人的信用风险进行了分类,并通过逾期‑坏账风险模型同时考察借款人的逾期风险和坏账风险,能够识别借款人的还款能力,并依据借款人每个单笔还款的情况,对下一期的逾期和坏账风险进行预测,整个风险评估过程能够涵盖借款人多期还款的整个生命周期。
Description
技术领域
本发明属于数据处理技术领域,具体涉及一种借贷信用风险评估方法及装置。
背景技术
由于用户分散且无需抵押,金融市场中互联网络借贷平台的用户坏账风险比传统信用市场更高,因此,在有限的借款人信息提供条件下,信用风险评估对于网络借贷平台和投资人而言就变得极为重要。
当前,相关技术中通常依据借款人的个人相关信息、款项信息以及借款人的社会资本特征等指标,对借款人的坏账风险进行评估。但借款人的还款过程有逾期和坏账两个阶段,而现有研究主要集中基于款项层面来评测借款人的坏账风险,不考虑借款人的逾期行为,即便考虑,也是将逾期看成是坏账预测的一个影响因素,导致借贷信用风险评估具有一定的片面性,风险评估的准确性有待进一步提高。
发明内容
为解决以上问题,本发明提供一种借贷信用风险评估方法及装置,通过逾期-坏账风险模型同时考察借款人的逾期风险和坏账风险。本发明通过以下几个方面来解决以上问题。
第一方面,本发明实施例提供了一种借贷信用风险评估方法,所述方法包括:
获取借款人对应的统计特征信息和历史还款信息;
根据所述统计特征信息和所述历史还款信息,确定所述借款人所属的风险类别;
根据所述历史还款信息和所述风险类别,通过预先训练的逾期-坏账风险模型评估所述借款人的逾期概率及坏账概率。
结合第一方面,本发明实施例提供了上述第一方面的第一种可能的实现方式,其中,所述根据所述统计特征信息和所述历史还款信息,确定所述借款人所属的风险类别,包括:
根据所述统计特征信息,分别计算所述借款人属于各个风险类别的概率;
根据所述借款人属于各个风险类别的概率及所述历史还款信息,计算所述借款人的历史还款行为对应的还款概率;
根据所述借款人的历史还款行为对应的还款概率,确定所述借款人所属的风险类别。
结合第一方面的第一种可能的实现方式,本发明实施例提供了上述第一方面的第二种可能的实现方式,其中,所述根据所述统计特征信息,分别计算所述借款人属于各个风险类别的概率,包括:
根据所述统计特征信息包括的各个特征变量,分别确定所述借款人属于各个风险类别时所述各个特征变量对应的分类权重;
根据所述各个特征变量及所述各个特征变量对应的分类权重,通过公式(1)分别计算所述借款人属于各个风险类别的概率;
在公式(1)中,mis为借款人i属于风险类别s的概率,μis为借款人i属于风险类别s时所述各个特征变量对应的分类权重组成的权重矩阵,μis′为所述μis的转置矩阵,Demoi为借款人i对应的所述各个特征变量组成的特征矩阵,μik为借款人i属于风险类别k时所述各个特征变量对应的分类权重组成的权重矩阵,μik′为所述μik的转置矩阵,k的取值为1,2,…,S,S为风险类别的总数目。
结合第一方面的第一种可能的实现方式,本发明实施例提供了上述第一方面的第三种可能的实现方式,其中,所述根据所述借款人属于各个风险类别的概率及所述历史还款信息,计算所述借款人的历史还款行为对应的还款概率,包括:
根据所述历史还款信息,确定所述借款人的历史还款行为所属的风险类别;
根据所述借款人属于各个风险类别的概率及所述借款人的历史还款行为所属的风险类别,通过公式(2)计算所述借款人的历史还款行为对应的还款概率;
在公式(2)中,fit为借款人i偿还第t笔款项的历史还款行为对应的还款概率,mis为借款人i属于风险类别s的概率,fits()为借款人i偿还第t笔款项的还款行为属于风险类别s,βs,λs,τs,γs,θs,δs,φs,μs,ρ为风险类别s对应的所述逾期-坏账风险模型的模型参数组。
结合第一方面,本发明实施例提供了上述第一方面的第四种可能的实现方式,其中,所述根据所述历史还款信息和所述风险类别,通过预先训练的逾期-坏账风险模型评估所述借款人的逾期概率及坏账概率,包括:
根据所述风险类别,获取对应的模型参数组;
将所述模型参数组代入预先训练的逾期-坏账风险模型,获得所述风险类别对应的逾期-坏账风险模型;
根据所述历史还款信息和所述风险类别对应的逾期-坏账风险模型,评估所述借款人的逾期概率及坏账概率。
结合第一方面的第四种可能的实现方式,本发明实施例提供了上述第一方面的第五种可能的实现方式,其中,所述根据所述历史还款信息和所述风险类别对应的逾期-坏账风险模型,评估所述借款人的逾期概率及坏账概率,包括:
根据所述历史还款信息,通过所述风险类别对应的逾期-坏账风险模型包括的逾期阶段模型,评估所述借款人的逾期概率;
根据所述历史还款信息,通过所述风险类别对应的逾期-坏账风险模型包括的坏账阶段模型,评估所述借款人的坏账概率。
结合第一方面的第五种可能的实现方式,本发明实施例提供了上述第一方面的第六种可能的实现方式,其中,所述根据所述历史还款信息,通过所述风险类别对应的逾期-坏账风险模型包括的逾期阶段模型,评估所述借款人的逾期概率,包括:
根据所述历史还款信息包括的还款前定变量、历史逾期行为信息及同期平均逾期率,通过公式(3)和(4)的逾期阶段模型评估所述借款人的逾期概率;
在公式(3)和(4)中,为借款人i在偿还第t笔款项时的逾期决策效用值,X1i,t为借款人i在第t笔款项逾期之前的所述还款前定变量,M1i为借款人i在偿还第一笔款项之前与借款人i同期借款的其他借款人的同期平均逾期率,Y1i,t-1为借款人i偿还第t-1笔款项的历史逾期行为信息,β,λ,τ,γ为所述风险类别对应的模型参数,η为误差项,Pr1()及Prob[]为逾期概率,Φ()为服从正态分布。
结合第一方面的第五种可能的实现方式,本发明实施例提供了上述第一方面的第七种可能的实现方式,其中,所述根据所述历史还款信息,通过所述风险类别对应的逾期-坏账风险模型包括的坏账阶段模型,评估所述借款人的坏账概率,包括:
根据所述历史还款信息包括的还款前定变量、坏账行为信息及同期平均坏账率,通过(5)和(6)的坏账阶段模型评估所述借款人的坏账概率;
在公式(5)和(6)中,Pr2()为坏账概率,Φ()为服从正态分布,Y2i,t为借款人i在偿还第t笔款项时的坏账行为信息,X2i,t为借款人i在第t笔款项坏账之前的所述还款前定变量,N2i为借款人i在偿还第一笔款项之前与借款人i同期借款的其他借款人的同期平均坏账率,Y2i,t-1为借款人i偿还第t-1笔款项的坏账行为信息,θ,δ,φ,为所述风险类别对应的模型参数,ε为误差项。
结合第一方面的第五种可能的实现方式,本发明实施例提供了上述第一方面的第八种可能的实现方式,其中,所述根据所述历史还款信息,通过所述风险类别对应的逾期-坏账风险模型包括的坏账阶段模型,评估所述借款人的坏账概率,包括:
根据所述历史还款信息包括的还款前定变量、逾期行为信息、坏账行为信息、同期平均逾期率及同期平均坏账率,通过(7)和(8)的坏账阶段模型评估所述借款人的坏账概率;
在公式(7)和(8)中,Pr2()为坏账概率,Φ()为服从正态分布,Y2i,t为借款人i在偿还第t笔款项时的坏账行为信息,Y1i,t为借款人i在偿还第t笔款项时的逾期行为信息,X1i,t为借款人i在第t笔款项逾期之前的所述还款前定变量,M1i为借款人i在偿还第一笔款项之前与借款人i同期借款的其他借款人的同期平均逾期率,X2i,t为借款人i在第t笔款项坏账之前的所述还款前定变量,N2i为借款人i在偿还第一笔款项之前与借款人i同期借款的其他借款人的同期平均坏账率,Y1i,t-1为借款人i偿还第t-1笔款项的逾期行为信息,Y2i,t-1为借款人i偿还第t-1笔款项的坏账行为信息,β,λ,τ,γ,θ,δ,φ,为所述风险类别对应的模型参数,η为误差项,ρ为所述η和ε的相关系数。
第二方面,本发明实施例提供了一种借贷信用风险评估装置,所述装置包括:
获取模块,用于获取借款人对应的统计特征信息和历史还款信息;
确定模块,用于根据所述统计特征信息和所述历史还款信息,确定所述借款人所属的风险类别;
评估模块,用于根据所述历史还款信息和所述风险类别,通过预先训练的逾期-坏账风险模型评估所述借款人的逾期概率及坏账概率。
本发明实施例中提供的技术方案,至少具有如下技术效果或优点:
本发明依据借款人的特征对借款人的信用风险进行了分类,通过逾期-坏账风险模型同时考察借款人的逾期风险和坏账风险,能够识别借款人的还款能力,并依据借款人每个单笔还款的情况,对下一期的逾期和坏账风险进行预测,整个风险评估过程能够涵盖借款人多期还款的整个生命周期。而且本发明能够帮助金融企业通准确评估催收措施的边际作用和经济价值,帮助金融企业相对准确地识别“逾期但最终还款”这类创造高收益的借款用户群体。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变的明显,或通过本发明的实践了解到。
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,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例1所提供的一种借贷信用风险评估方法的流程图。
图2示出了本发明实施例2所提供的一种借贷信用风险评估装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例1
本发明实施例提供了一种借贷信用风险评估方法,该方法从借贷平台或金融企业等获取大量借款人信息,通过大量借款人信息预先训练了潜分类模型和逾期-坏账风险模型。
其中,潜分类模型用于依据借款人的特征,在没有既定分类规则指导的情况下对用户进行准确的“先验”分类,即根据借款人的特征确定借款人所属的风险类别。本发明实施例将借款人划分为不同的风险类别,如低风险类别、中风险类别或高风险类别等。
本发明实施例训练的逾期-坏账风险模型,确定了每种风险类别对应的模型参数组,将风险类别对应的模型参数组代入逾期-坏账风险模型即可得到该风险类别对应的逾期-坏账风险模型。
该方法通过预先训练的潜分类模型确定借款人所属的风险类别,将该风险类别对应的模型参数组代入逾期-坏账风险模型,得到该风险类别对应的逾期-坏账风险模型,然后利用该风险类别对应的逾期-坏账风险模型预测该借款人的逾期概率和坏账概率。该方法对借款人同时进行预期和坏账风险的预测,能够识别借款人的还款能力,并依据借款人每个单笔还款的情况,对下一期的逾期和坏账风险进行预测,整个风险评估过程能够涵盖借款人多期还款的整个生命周期。
参见图1,该方法具体包括以下步骤:
步骤101:获取借款人对应的统计特征信息和历史还款信息。
统计特征信息包括借款人的多个特征变量,如借款人的年龄、性别、累积借款次数、教育水平、月收入水平、家乡所在城市经济水平、住房所有权等。历史还款信息包括借款人过去每次借款的借款记录以及借款的还款表现等影响借款人还款风险的因素,如单笔还款层面的变量、累积逾期笔数、平均逾期天数、平均提前还款天数、单笔还款应到期是否位于预设期间等、每月应还款利率、月份的固定时间等。上述预设期间可以为周末、月初或月末(如月初和月末3天等)、寒暑假或者法定节假日期间等。
步骤102:根据借款人的统计特征信息和历史还款信息,确定借款人所属的风险类别。
由于一些不可观测的借款人特征也可能影响其逾期和坏账行为。为了控制这些不可观测的借款人异质性,本发明实施例假定可观测的借款人的还款行为服从某类联合分布,并预先训练了潜分类模型来对借款人进行风险分类。潜分类模型能够基于不随时间变化的借款人财务和人口统计学特征设定借款人的类别归属,例如包括借款人的年龄、性别、累积借款次数、教育水平、月收入水平、家乡所在城市经济水平、住房所有权等。基于统计学模型拟合判别标准,如BIC(Bayesian information criterion,贝叶斯信息准则)分数和AIC(Akaikeinformation criterion,赤池信息准则)分数,可以利用二手数据得到最优的借款人类别数量,再通过后验概率计算可以进一步得到每个借款人属于哪个特征类别。
本发明实施例具体通过如下步骤1021-1023的操作来确定借款人所属的风险类别,包括:
步骤1021:根据借款人的统计特征信息,分别计算借款人属于各个风险类别的概率。
首先根据借款人的统计特征信息包括的各个特征变量,分别确定借款人属于各个风险类别时各个特征变量对应的分类权重。
对于每个特征变量,分别确定该特征变量对借款人属于各个风险类别中所起作用的大小,得到在各个风险类别下该特征变量对应的分类权重,如对于特征变量“年龄”,分别确定“年龄”对于借款人属于高风险类别、中风险类别、低风险类别的分类权重。
之后根据各个特征变量及各个特征变量对应的分类权重,通过如下公式(1)分别计算借款人属于各个风险类别的概率。具体地,将统计特征信息中包含的多个特征变量组成借款人对应的特征矩阵。以及,在确定出各个风险类别下每个特征变量对应的分类权重之后,对于每个风险类别,还将该风险类别下各个特征变量对应的分类权重组成该风险类别下借款人对应的权重矩阵。然后根据该借款人对应的特征矩阵和各个风险类别下的权重矩阵,通过公式(1)分别计算借款人属于各个风险类别的概率。
在公式(1)中,mis为借款人i属于风险类别s的概率,μis为借款人i属于风险类别s时各个特征变量对应的分类权重组成的权重矩阵,μis′为μis的转置矩阵,Demoi为借款人i对应的各个特征变量组成的特征矩阵,μik为借款人i属于风险类别k时各个特征变量对应的分类权重组成的权重矩阵,μik′为μik的转置矩阵,k的取值为1,2,…,S,S为风险类别的总数目。
通过上述方式确定出借款人属于各个风险类别的概率之后,通过如下步骤1022和1023来确定该借款人所属的风险类别。
步骤1022:根据借款人属于各个风险类别的概率及历史还款信息,计算借款人的历史还款行为对应的还款概率。
具体地,根据历史还款信息,确定借款人的历史还款行为所属的风险类别。历史还款信息中包括借款人过去每次借款的借款记录,借款记录中包括了借款人对每笔款项的还款行为,还款行为可以为按期偿还、逾期之后偿还及坏账行为等。通过历史还款信息包括的借款人对每笔款项的还款行为,能够确定出该借款人的历史还款行为所属的风险类别。例如,若借款人对第t笔款项按期偿还,则借款人对第t笔款项的还款行为属于低风险类别;若借款人在第t笔款项逾期之后进行偿还,则借款人对第t笔款项的还款行为属于中风险类别;若借款人在第t笔款项逾期很久之后仍不进行偿还,导致第t笔款项坏账,则借款人对第t笔款项的还款行为属于高风险类别。
确定出借款人属于各个风险类别的概率以及借款人的历史还款行为所属的风险类别后,根据借款人属于各个风险类别的概率及借款人的历史还款行为所属的风险类别,通过公式(2)计算借款人的历史还款行为对应的还款概率;
在公式(2)中,fit为借款人i偿还第t笔款项的历史还款行为对应的还款概率,mis为借款人i属于风险类别s的概率,fits()为借款人i偿还第t笔款项的还款行为属于风险类别s,βs,λs,τs,γs,θs,δs,φs,μs,ρ为风险类别s对应的逾期-坏账风险模型的模型参数组。
步骤1023:根据借款人的历史还款行为对应的还款概率,确定借款人所属的风险类别。
本发明实施例在训练潜分类模型和逾期-坏账风险模型时,依据上述公式(1)和(2)还获得了逾期-坏账风险模型的似然函数:
上述似然函数能够表示风险类别对应的模型参数组与属于该风险类别的借款人的还款概率之间的相关关系。
通过上述步骤1022确定出当前该借款人的历史还款行为对应的还款概率之后,根据借款人的历史还款行为对应的还款概率,依据上述似然函数,计算该借款人与各个风险类别的借款人之间的相似度,将相似度最大的风险类别确定为该借款人所属的风险类别。
在本发明实施例中预先训练的潜分类模型即包括上述公式(1)、(2)以及上述似然函数。
步骤103:根据借款人的历史还款信息和上述风险类别,通过预先训练的逾期-坏账风险模型评估借款人的逾期概率及坏账概率。
本发明实施例通过预先训练的逾期-坏账风险模型来评估借款人的逾期概率及坏账概率,具体通过如下步骤1031-1032的操作来同时预测借款人的逾期和坏账风险,包括:
步骤1031:根据借款人所属的风险类别,获取对应的模型参数组。
步骤1032:将获取的模型参数组代入预先训练的逾期-坏账风险模型,获得该风险类别对应的逾期-坏账风险模型。
步骤1033:根据历史还款信息和风险类别对应的逾期-坏账风险模型,评估借款人的逾期概率及坏账概率。
具体地,逾期-坏账风险模型为两阶段模型,包括逾期阶段模型和坏账阶段模型。根据历史还款信息,通过风险类别对应的逾期-坏账风险模型包括的逾期阶段模型,评估借款人的逾期概率;以及,根据历史还款信息,通过风险类别对应的逾期-坏账风险模型包括的坏账阶段模型,评估借款人的坏账概率。
在本发明实施例中,令Y1i,t表示借款人i是否在第t笔还款发生逾期行为,Y1it的下脚标1表示是第一阶段,即逾期阶段。令第一阶段对应的决策效用为因此,借款人的逾期行为可以表示为:
在通过逾期阶段模型评估借款人的逾期概率时,根据历史还款信息包括的还款前定变量、历史逾期行为信息及同期平均逾期率,通过逾期阶段模型来预测借款人的逾期风险。其中,还款前定变量为影响借款人的还款风险的前定因素,是随时间变化的变量,包括借款人之前的还款表现及单笔还款层面的变量。
借款可以划分为多笔进行分期偿还,上述历史逾期行为信息即为借款人在当前需偿还的一笔款项之前出现的逾期行为。而将借款划分为多笔分期偿还时,对于第一笔款项,由于借款人还没有发生前期的还款行为,因此对于第一笔款项不存在历史逾期行为信息,本发明实施例中将同期平均逾期率作为工具变量来考察借款人在第一笔款项之前的前期还款表现指标,同期平均逾期率为与借款人同期借款的用户在预设时长内的平均逾期率,如可以为与借款人在同一日或同一月等借款的用户在第一个月内的平均逾期率。
本发明实施例根据历史还款信息包括的还款前定变量、历史逾期行为信息及同期平均逾期率,通过如下公式(3)和(4)的逾期阶段模型评估借款人的逾期概率;
在公式(3)和(4)中,为借款人i在偿还第t笔款项时的逾期决策效用值,X1i,t为借款人i在第t笔款项逾期之前的还款前定变量,M1i为借款人i在偿还第一笔款项之前与借款人i同期借款的其他借款人的同期平均逾期率,Y1i,t-1为借款人i偿还第t-1笔款项的历史逾期行为信息,β,λ,τ,γ为风险类别对应的模型参数,η为误差项,Pr1()及Prob[]为逾期概率,Φ()为服从正态分布。
其中,β,λ,τ,γ分别衡量在t=1和t>1时,X1i,t、M1i和Y1i,t-1对于借款人是否出现逾期行为的影响程度。上述公式(3)和(4)即为本发明实施例预先训练的逾期-坏账风险模型包括的逾期阶段模型。
在本发明实施例中,令Y2i,t表示借款人i是否在第t笔还款发生坏账行为,Y2i,t的下脚标2表示是第二阶段,即坏账阶段。令第二阶段对应的决策效用为因此,借款人的坏账行为可以表示为:
对于逾期-坏账风险模型包括的坏账阶段模型,本发明实施例设置了条件概率的坏账阶段模型和非条件概率的坏账阶段模型。其中,条件概率的坏账阶段模型是以逾期行为为前提条件的,在进行坏账预测时考虑了借款人的逾期行为。而非条件概率的坏账阶段模型直接考察借款人的坏账行为。下面分别对条件概率的坏账阶段模型和非条件概率的坏账阶段模型进行详细说明。
一、非条件概率的坏账阶段模型
在通过非条件概率的坏账阶段模型评估借款人的坏账概率时,根据历史还款信息包括的还款前定变量、坏账行为信息及同期平均坏账率,来预测借款人的坏账风险。
其中,还款前定变量为影响借款人的还款风险的前定因素,是随时间变化的变量,包括借款人之前的还款表现及单笔还款层面的变量。该还款前定变量包括单笔款项坏账之前的还款前定变量。坏账行为信息为借款人在当前需偿还的一笔款项之前出现的坏账行为。同期平均坏账率为与借款人同期借款的用户在预设时长内的平均坏账率,如可以为与借款人在同一日或同一月等借款的用户在第一个月内的平均坏账率。
具体通过如下公式通过(5)和(6)的坏账阶段模型评估借款人的坏账概率;
在公式(5)和(6)中,Pr2()为坏账概率,Φ()为服从正态分布,Y2i,t为借款人i在偿还第t笔款项时的坏账行为信息,X2i,t为借款人i在第t笔款项坏账之前的还款前定变量,N2i为借款人i在偿还第一笔款项之前与借款人i同期借款的其他借款人的同期平均坏账率,Y2i,t-1为借款人i偿还第t-1笔款项的坏账行为信息,θ,δ,φ,为风险类别对应的模型参数,ε为误差项。
其中,θ,δ,φ分别衡量在t=1和t>1时,X2i,t、N2i和Y2i,t-1对于借款人是否出现坏账行为的影响程度。本发明实施例预先训练的逾期-坏账风险模型包括的非条件概率的坏账阶段模型即包括上述公式(5)和(6)。
二、条件概率的坏账阶段模型
在通过条件概率的坏账阶段模型评估借款人的坏账概率时,根据历史还款信息包括的还款前定变量、逾期行为信息、坏账行为信息、同期平均逾期率及同期平均坏账率,来预测借款人的坏账风险。其中,还款前定变量为影响借款人的还款风险的前定因素,是随时间变化的变量,包括借款人之前的还款表现及单笔还款层面的变量。该还款前定变量包括单笔款项逾期之前的还款前定变量,以及单笔款项坏账之前的还款前定变量。逾期行为信息为借款人在当前需偿还的一笔款项之前出现的逾期行为。坏账行为信息为借款人在当前需偿还的一笔款项之前出现的坏账行为。同期平均逾期率为与借款人同期借款的用户在预设时长内的平均逾期率,如可以为与借款人在同一日或同一月等借款的用户在第一个月内的平均逾期率。同期平均坏账率为与借款人同期借款的用户在预设时长内的平均坏账率,如可以为与借款人在同一日或同一月等借款的用户在第一个月内的平均坏账率。
本发明实施例具体通过如下公式(7)和(8)的条件概率的坏账阶段模型评估借款人的坏账概率;
在公式(7)和(8)中,Pr2()为坏账概率,Φ()为服从正态分布,Y2i,t为借款人i在偿还第t笔款项时的坏账行为信息,Y1i,t为借款人i在偿还第t笔款项时的逾期行为信息,X1i,t为借款人i在第t笔款项逾期之前的还款前定变量,M1i为借款人i在偿还第一笔款项之前与借款人i同期借款的其他借款人的同期平均逾期率,X2i,t为借款人i在第t笔款项坏账之前的还款前定变量,N2i为借款人i在偿还第一笔款项之前与借款人i同期借款的其他借款人的同期平均坏账率,Y1i,t-1为借款人i偿还第t-1笔款项的逾期行为信息,Y2i,t-1为借款人i偿还第t-1笔款项的坏账行为信息,β,λ,τ,γ,θ,δ,φ,为风险类别对应的模型参数,η为误差项,ρ为误差项η和ε的相关系数。
其中,β,λ,τ,γ分别衡量在t=1和t>1时,X1i,t、M1i和Y1i,t-1对于借款人是否出现逾期行为的影响程度。θ,δ,φ分别衡量在t=1和t>1时,X2i,t、N2i和Y2i,t-1对于借款人是否出现坏账行为的影响程度。
在条件概率的坏账阶段模型及非条件概率的坏账阶段模型中,X2i,t中还可以包括一系列企业干预策略,如是否加以催收,用于刻画企业是否对某个逾期的单笔还款采取了催收措施。X2i,t中包含企业干预政策,能够帮助金融企业通过二手数据实证计算平台干预策略的效应,有助于准确评估催收措施的边际作用和经济价值。
本发明实施例预先训练的逾期-坏账风险模型包括的条件概率的坏账阶段模型即包括上述公式(7)和(8)。由于坏账行为发生的前提条件是发生了逾期行为,即Y2i,t的概率函数是条件于借款人i在第t笔款项逾期之前的还款前定变量X1i,t、同期平均逾期率M1i、借款人i偿还第t-1笔款项的逾期行为信息Y1i,t-1和Y1i,t=1。假定ηi,t和εi,t服从标准正态分布,并与X1i,t和X2i,t独立,则可以推导出上述条件概率下的坏账阶段模型,其中ρ为误差项η和ε的相关系数。对于条件概率的坏账阶段模型的证明过程如下所示:
假设ηi,t和εi,t都符合均值为0,方差为1的标准正态分布N(0,1),则
因此,对于t≥2有:
同理,
对于t=1时可以做类似的推导证明,在此不再赘述。
在本发明实施例中,基于上述条件概率的坏账阶段模型,进一步推导出借款人i在第t笔款项的可观测的还款行为的还款概率如公式(9)所示:
本发明实施例还开发了基于Matlab的实现代码,该代码包括主函数(数据处理和估计方程)、核心概率函数实现以及优化的动态面板矩阵估计函数三部分。通过对代码中的参数和期望分类数m加以初始值设置,运行程序即可得到相应的逾期和坏账算法风险评测结果,在超过一定样本量的情况下,其中模型输出的各参数进行T检验参数值大于1.96对应的因素为对借款人风险行为产生显著作用的因素。通过将样本集按照一定比例划分为训练集和预测集,利用训练集训练得到的参数来对预测集的借款人逾期和坏账风险分别加以预测,可以利用AUC、MAPE等机器学习常用分类指标考察本发明实施例提供的借贷信用风险评估方法在分析预测方面的准确性。
本发明实施例是基于借款人单笔还款层面的同时考察“逾期”和“坏账”两阶段风险行为的动态面板二值响应分类算法。在实际应用中还可以通过基于广义矩阵估计的动态面板二值响应算法来实现,如通过构造两阶段条件概率进行广义矩阵估计。也可以通过基于Heckman两阶段的二值响应分类算法来实现,分别就逾期和坏账两阶段进行二值响应回归,包括Probit算法和逻辑算法,利用Heckman算法能够通过将第一阶段逻辑回归得到的逆米尔斯比带入第二阶段的逻辑回归从而构建起两阶段的统计关系。还可以通过基于两阶段动态面板二值响应回归的随机效应算法或混合面板加聚类算法来实现。还可以先对用户进行分类再通过两阶段风险预测的算法来实现,如先通过聚类或group-based trajectorymodeling等手段根据用户特征对借款人进行分类,再使用本算法对逾期和坏账两阶段风险加以评估和预测。或者,还可以对逾期和坏账的差异化进行定义,如基于本算法的两阶段思想和动态面板二值响应原理,通过对逾期和坏账的定义或使用场景稍加变通。或者,还可以基于逾期和坏账两阶段的其它机器学习分类算法,即通过除二值响应算法以外的其它机器学习分类算法同时考察单笔还款层面的借款人逾期和坏账行为的联系,对两阶段风险概率加以预测,并考察借款人特征因素及平台干预因素。
本发明实施例通过条件概率推导同时考察和评测借款人的逾期和坏账两阶段的风险行为。针对借款人分期还款的单笔还款层面,而非整个款项层面的风险预测。基于此提出了应对因为考察还款行为“动态性”,即考查借款人同一款项中之前月份还款行为对后面月份还款行为影响,而造成内生性影响因素。本发明实施例还提出了潜分类模型,利用二手数据对借款人进行“先验”类别分类,同时解决了由于面板固定效应算法带来的无法评测不随时间变化的用户异质性对风险行为影响的问题。本发明实施例中还基于逾期-坏账两阶段模型对金融企业针对逾期借款人加以各种干预策略的效果进行评测。
本发明实施例通过提出逾期-坏账两阶段模型帮助金融企业更准确地利用还款过程中的各类动态指标对借款人的风险加以评测,不仅能够识别借款人的还款能力,还能充分考察借款人每个单笔还款的情况,据此来对下一期的逾期和坏账风险加以预测,从而为金融企业和投资人的应对策略提供指导。整个风险评测过程涵盖了借款人多期还款的整个生命周期。本发明实施例提出的逾期和坏账两阶段模型能够帮助金融企业相对准确地识别“逾期但最终还款”这类创造高收益的借款用户群体。对于金融企业而言,两阶段模型可以帮助统计和提供关于某类别借款人在任意时间段内的整体风险趋势,包括“逾期但最终还款”这类高价值用户。本发明实施例由于能够帮助预测多期的借款人风险行为,因此能够实现对一系列创新的因素指标在风险评测中重要性的分析,例如包括同一个款项中借款人前期的还款行为记录以及单笔还款应到期日所处的特征等,两阶段动态面板模型可以准确估计这些因素对借款人逾期和坏账风险的影响。本发明实施例考察的行为变量能够帮助金融企业对借款人的风险进行持续跟踪和监测。
实施例2
参见图2,本发明实施例提供了一种借贷信用风险评估装置,该装置用于执行上述实施例1所提供的借贷信用风险评估方法,该装置包括:
获取模块20,用于获取借款人对应的统计特征信息和历史还款信息;
确定模块21,用于根据统计特征信息和历史还款信息,确定借款人所属的风险类别;
评估模块22,用于根据历史还款信息和风险类别,通过预先训练的逾期-坏账风险模型评估借款人的逾期概率及坏账概率。
上述确定模块21包括:
计算单元,用于根据统计特征信息,分别计算借款人属于各个风险类别的概率;根据借款人属于各个风险类别的概率及历史还款信息,计算借款人的历史还款行为对应的还款概率;
确定单元,用于根据借款人的历史还款行为对应的还款概率,确定借款人所属的风险类别。
上述计算单元,用于根据统计特征信息包括的各个特征变量,分别确定借款人属于各个风险类别时各个特征变量对应的分类权重;根据各个特征变量及各个特征变量对应的分类权重,通过公式(1)分别计算借款人属于各个风险类别的概率;
在公式(1)中,mis为借款人i属于风险类别s的概率,μis为借款人i属于风险类别s时各个特征变量对应的分类权重组成的权重矩阵,μis′为μis的转置矩阵,Demoi为借款人i对应的各个特征变量组成的特征矩阵,μik为借款人i属于风险类别k时各个特征变量对应的分类权重组成的权重矩阵,μik′为μik的转置矩阵,k的取值为1,2,…,S,S为风险类别的总数目。
上述计算单元,用于根据历史还款信息,确定借款人的历史还款行为所属的风险类别;根据借款人属于各个风险类别的概率及借款人的历史还款行为所属的风险类别,通过公式(2)计算借款人的历史还款行为对应的还款概率;
在公式(2)中,fit为借款人i偿还第t笔款项的历史还款行为对应的还款概率,mis为借款人i属于风险类别s的概率,fits()为借款人i偿还第t笔款项的还款行为属于风险类别s,βs,λs,τs,γs,θs,δs,φs,μs,ρ为风险类别s对应的逾期-坏账风险模型的模型参数组。
上述评估模块22包括:
获取单元,用于根据风险类别,获取对应的模型参数组;将模型参数组代入预先训练的逾期-坏账风险模型,获得风险类别对应的逾期-坏账风险模型;
评估单元,用于根据历史还款信息和风险类别对应的逾期-坏账风险模型,评估借款人的逾期概率及坏账概率。
上述评估单元包括:
逾期评估子单元,用于根据历史还款信息,通过风险类别对应的逾期-坏账风险模型包括的逾期阶段模型,评估借款人的逾期概率;
坏账评估子单元,用于根据历史还款信息,通过风险类别对应的逾期-坏账风险模型包括的坏账阶段模型,评估借款人的坏账概率。
上述逾期评估子单元,用于根据历史还款信息包括的还款前定变量、历史逾期行为信息及同期平均逾期率,通过公式(3)和(4)的逾期阶段模型评估借款人的逾期概率;
在公式(3)和(4)中,为借款人i在偿还第t笔款项时的逾期决策效用值,X1i,t为借款人i在第t笔款项逾期之前的还款前定变量,M1i为借款人i在偿还第一笔款项之前与借款人i同期借款的其他借款人的同期平均逾期率,Y1i,t-1为借款人i偿还第t-1笔款项的历史逾期行为信息,β,λ,τ,γ为风险类别对应的模型参数,η为误差项,Pr1()及Prob[]为逾期概率,Φ()为服从正态分布。
上述坏账评估子单元,用于根据历史还款信息包括的还款前定变量、坏账行为信息及同期平均坏账率,通过(5)和(6)的坏账阶段模型评估借款人的坏账概率;
在公式(5)和(6)中,Pr2()为坏账概率,Φ()为服从正态分布,Y2i,t为借款人i在偿还第t笔款项时的坏账行为信息,X2i,t为借款人i在第t笔款项坏账之前的还款前定变量,N2i为借款人i在偿还第一笔款项之前与借款人i同期借款的其他借款人的同期平均坏账率,Y2i,t-1为借款人i偿还第t-1笔款项的坏账行为信息,θ,δ,φ,为风险类别对应的模型参数,ε为误差项。
上述坏账评估子单元,用于根据历史还款信息包括的还款前定变量、逾期行为信息、坏账行为信息、同期平均逾期率及同期平均坏账率,通过(7)和(8)的坏账阶段模型评估借款人的坏账概率;
在公式(7)和(8)中,Pr2()为坏账概率,Φ()为服从正态分布,Y2i,t为借款人i在偿还第t笔款项时的坏账行为信息,Y1i,t为借款人i在偿还第t笔款项时的逾期行为信息,X1i,t为借款人i在第t笔款项逾期之前的还款前定变量,M1i为借款人i在偿还第一笔款项之前与借款人i同期借款的其他借款人的同期平均逾期率,X2i,t为借款人i在第t笔款项坏账之前的还款前定变量,N2i为借款人i在偿还第一笔款项之前与借款人i同期借款的其他借款人的同期平均坏账率,Y1i,t-1为借款人i偿还第t-1笔款项的逾期行为信息,Y2i,t-1为借款人i偿还第t-1笔款项的坏账行为信息,β,λ,τ,γ,θ,δ,φ,为风险类别对应的模型参数,η为误差项,ρ为η和ε的相关系数。
本发明实施例通过提出逾期-坏账两阶段模型帮助金融企业更准确地利用还款过程中的各类动态指标对借款人的风险加以评测,不仅能够识别借款人的还款能力,还能充分考察借款人每个单笔还款的情况,据此来对下一期的逾期和坏账风险加以预测,从而为金融企业和投资人的应对策略提供指导。整个风险评测过程涵盖了借款人多期还款的整个生命周期。本发明实施例提出的逾期和坏账两阶段模型能够帮助金融企业相对准确地识别“逾期但最终还款”这类创造高收益的借款用户群体。对于金融企业而言,两阶段模型可以帮助统计和提供关于某类别借款人在任意时间段内的整体风险趋势,包括“逾期但最终还款”这类高价值用户。本发明实施例由于能够帮助预测多期的借款人风险行为,因此能够实现对一系列创新的因素指标在风险评测中重要性的分析,例如包括同一个款项中借款人前期的还款行为记录以及单笔还款应到期日所处的特征等,两阶段动态面板模型可以准确估计这些因素对借款人逾期和坏账风险的影响。本发明实施例考察的行为变量能够帮助金融企业对借款人的风险进行持续跟踪和监测。
实施例3
本发明实施例提供一种借贷信用风险评估设备,该设备包括一个或多个处理器,以及一个或多个存储装置,所述一个或多个存储装置中存储有一个或多个程序,所述一个或多个程序被所述一个或多个处理器加载并执行时,实现上述实施例1所提供的借贷信用风险评估方法。
本发明实施例通过提出逾期-坏账两阶段模型帮助金融企业更准确地利用还款过程中的各类动态指标对借款人的风险加以评测,不仅能够识别借款人的还款能力,还能充分考察借款人每个单笔还款的情况,据此来对下一期的逾期和坏账风险加以预测,从而为金融企业和投资人的应对策略提供指导。整个风险评测过程涵盖了借款人多期还款的整个生命周期。本发明实施例提出的逾期和坏账两阶段模型能够帮助金融企业相对准确地识别“逾期但最终还款”这类创造高收益的借款用户群体。对于金融企业而言,两阶段模型可以帮助统计和提供关于某类别借款人在任意时间段内的整体风险趋势,包括“逾期但最终还款”这类高价值用户。本发明实施例由于能够帮助预测多期的借款人风险行为,因此能够实现对一系列创新的因素指标在风险评测中重要性的分析,例如包括同一个款项中借款人前期的还款行为记录以及单笔还款应到期日所处的特征等,两阶段动态面板模型可以准确估计这些因素对借款人逾期和坏账风险的影响。本发明实施例考察的行为变量能够帮助金融企业对借款人的风险进行持续跟踪和监测。
实施例4
本发明实施例提供一种计算机可存储介质,该存储介质中存储有可执行程序,所述可执行程序被处理器加载并执行时实现上述实施例1所提供的借贷信用风险评估方法。
本发明实施例通过提出逾期-坏账两阶段模型帮助金融企业更准确地利用还款过程中的各类动态指标对借款人的风险加以评测,不仅能够识别借款人的还款能力,还能充分考察借款人每个单笔还款的情况,据此来对下一期的逾期和坏账风险加以预测,从而为金融企业和投资人的应对策略提供指导。整个风险评测过程涵盖了借款人多期还款的整个生命周期。本发明实施例提出的逾期和坏账两阶段模型能够帮助金融企业相对准确地识别“逾期但最终还款”这类创造高收益的借款用户群体。对于金融企业而言,两阶段模型可以帮助统计和提供关于某类别借款人在任意时间段内的整体风险趋势,包括“逾期但最终还款”这类高价值用户。本发明实施例由于能够帮助预测多期的借款人风险行为,因此能够实现对一系列创新的因素指标在风险评测中重要性的分析,例如包括同一个款项中借款人前期的还款行为记录以及单笔还款应到期日所处的特征等,两阶段动态面板模型可以准确估计这些因素对借款人逾期和坏账风险的影响。本发明实施例考察的行为变量能够帮助金融企业对借款人的风险进行持续跟踪和监测。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述,构造这类装置所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种借贷信用风险评估方法,其特征在于,所述方法包括:
获取借款人对应的统计特征信息和历史还款信息;
根据所述统计特征信息和所述历史还款信息,确定所述借款人所属的风险类别;
根据所述历史还款信息和所述风险类别,通过预先训练的逾期-坏账风险模型评估所述借款人的逾期概率及坏账概率;
根据所述统计特征信息和所述历史还款信息,确定所述借款人所属的风险类别,包括:
根据所述统计特征信息,分别计算所述借款人属于各个风险类别的概率;
根据所述借款人属于各个风险类别的概率及所述历史还款信息,计算所述借款人的历史还款行为对应的还款概率;
根据所述借款人的历史还款行为对应的还款概率,确定所述借款人所属的风险类别;
根据所述统计特征信息,分别计算所述借款人属于各个风险类别的概率,包括:
根据所述统计特征信息包括的各个特征变量,分别确定所述借款人属于各个风险类别时所述各个特征变量对应的分类权重;
根据所述各个特征变量及所述各个特征变量对应的分类权重,通过公式(1)分别计算所述借款人属于各个风险类别的概率;
在公式(1)中,mis为借款人i属于风险类别s的概率,μis为借款人i属于风险类别s时所述各个特征变量对应的分类权重组成的权重矩阵,μis′为所述μis的转置矩阵,Demoi为借款人i对应的所述各个特征变量组成的特征矩阵,μik为借款人i属于风险类别k时所述各个特征变量对应的分类权重组成的权重矩阵,μik′为所述μik的转置矩阵,k的取值为1,2,…,S,S为风险类别的总数目;
根据所述借款人属于各个风险类别的概率及所述历史还款信息,计算所述借款人的历史还款行为对应的还款概率,包括:
根据所述历史还款信息,确定所述借款人的历史还款行为所属的风险类别;
根据所述借款人属于各个风险类别的概率及所述借款人的历史还款行为所属的风险类别,通过公式(2)计算所述借款人的历史还款行为对应的还款概率;
在公式(2)中,fit为借款人i偿还第t笔款项的历史还款行为对应的还款概率,mis为借款人i属于风险类别s的概率,fits()为借款人i偿还第t笔款项的还款行为属于风险类别s,βs,λs,τs,γs,θs,δs,φs,μs,ρ为风险类别s对应的所述逾期-坏账风险模型的模型参数组。
2.根据权利要求1所述的方法,其特征在于,根据所述历史还款信息和所述风险类别,通过预先训练的逾期-坏账风险模型评估所述借款人的逾期概率及坏账概率,包括:
根据所述风险类别,获取对应的模型参数组;
将所述模型参数组代入预先训练的逾期-坏账风险模型,获得所述风险类别对应的逾期-坏账风险模型;
根据所述历史还款信息和所述风险类别对应的逾期-坏账风险模型,评估所述借款人的逾期概率及坏账概率。
3.根据权利要求2所述的方法,其特征在于,根据所述历史还款信息和所述风险类别对应的逾期-坏账风险模型,评估所述借款人的逾期概率及坏账概率,包括:
根据所述历史还款信息,通过所述风险类别对应的逾期-坏账风险模型包括的逾期阶段模型,评估所述借款人的逾期概率;
根据所述历史还款信息,通过所述风险类别对应的逾期-坏账风险模型包括的坏账阶段模型,评估所述借款人的坏账概率。
4.根据权利要求3所述的方法,其特征在于,根据所述历史还款信息,通过所述风险类别对应的逾期-坏账风险模型包括的逾期阶段模型,评估所述借款人的逾期概率,包括:
根据所述历史还款信息包括的还款前定变量、历史逾期行为信息及同期平均逾期率,通过公式(3)和(4)的逾期阶段模型评估所述借款人的逾期概率;
在公式(3)和(4)中,为借款人i在偿还第t笔款项时的逾期决策效用值,X1i,t为借款人i在第t笔款项逾期之前的所述还款前定变量,M1i为借款人i在偿还第一笔款项之前与借款人i同期借款的其他借款人的同期平均逾期率,Y1i,t-1为借款人i偿还第t-1笔款项的历史逾期行为信息,β,λ,τ,γ为所述风险类别对应的模型参数,η为误差项,Pr1()及Prob[]为逾期概率,Φ()为服从正态分布。
5.根据权利要求3所述的方法,其特征在于,根据所述历史还款信息,通过所述风险类别对应的逾期-坏账风险模型包括的坏账阶段模型,评估所述借款人的坏账概率,包括:
根据所述历史还款信息包括的还款前定变量、坏账行为信息及同期平均坏账率,通过(5)和(6)的坏账阶段模型评估所述借款人的坏账概率;
在公式(5)和(6)中,Pr2()为坏账概率,Φ()为服从正态分布,Y2i,t为借款人i在偿还第t笔款项时的坏账行为信息,X2i,t为借款人i在第t笔款项坏账之前的所述还款前定变量,N2i为借款人i在偿还第一笔款项之前与借款人i同期借款的其他借款人的同期平均坏账率,Y2i,t-1为借款人i偿还第t-1笔款项的坏账行为信息,θ,δ,φ,为所述风险类别对应的模型参数,ε为误差项。
6.根据权利要求5所述的方法,其特征在于,根据所述历史还款信息,通过所述风险类别对应的逾期-坏账风险模型包括的坏账阶段模型,评估所述借款人的坏账概率,包括:
根据所述历史还款信息包括的还款前定变量、逾期行为信息、坏账行为信息、同期平均逾期率及同期平均坏账率,通过(7)和(8)的坏账阶段模型评估所述借款人的坏账概率;
在公式(7)和(8)中,Pr2()为坏账概率,Φ()为服从正态分布,Y2i,t为借款人i在偿还第t笔款项时的坏账行为信息,Y1i,t为借款人i在偿还第t笔款项时的逾期行为信息,X1i,t为借款人i在第t笔款项逾期之前的所述还款前定变量,M1i为借款人i在偿还第一笔款项之前与借款人i同期借款的其他借款人的同期平均逾期率,X2i,t为借款人i在第t笔款项坏账之前的所述还款前定变量,N2i为借款人i在偿还第一笔款项之前与借款人i同期借款的其他借款人的同期平均坏账率,Y1i,t-1为借款人i偿还第t-1笔款项的逾期行为信息,Y2i,t-1为借款人i偿还第t-1笔款项的坏账行为信息,β,λ,τ,γ,θ,δ,φ,为所述风险类别对应的模型参数,η为误差项,ρ为所述η和ε的相关系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910126812.3A CN109993652B (zh) | 2019-02-20 | 2019-02-20 | 一种借贷信用风险评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910126812.3A CN109993652B (zh) | 2019-02-20 | 2019-02-20 | 一种借贷信用风险评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109993652A CN109993652A (zh) | 2019-07-09 |
CN109993652B true CN109993652B (zh) | 2024-02-06 |
Family
ID=67130258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910126812.3A Active CN109993652B (zh) | 2019-02-20 | 2019-02-20 | 一种借贷信用风险评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993652B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200340A (zh) * | 2019-08-08 | 2021-01-08 | 北京天德博源科技有限公司 | 预测逃废债区块链系统 |
CN110428327A (zh) * | 2019-08-13 | 2019-11-08 | 树根互联技术有限公司 | 一种用户逾期评估方法、装置及存储介质 |
CN110610412A (zh) * | 2019-09-02 | 2019-12-24 | 深圳中兴飞贷金融科技有限公司 | 信用风险评估方法和装置、存储介质和电子设备 |
CN110648223A (zh) * | 2019-09-27 | 2020-01-03 | 上海淇玥信息技术有限公司 | 一种核给大额业务额度的方法、装置和电子设备 |
CN111126676A (zh) * | 2019-12-05 | 2020-05-08 | 北京明略软件系统有限公司 | 一种公司经营风险预测的方法、装置及设备 |
CN111192131A (zh) * | 2019-12-12 | 2020-05-22 | 上海淇玥信息技术有限公司 | 金融风险预测方法、装置和电子设备 |
CN111898970A (zh) * | 2020-06-30 | 2020-11-06 | 深圳前海微众银行股份有限公司 | 一种产品申请资格的认证方法及装置 |
CN111815433A (zh) * | 2020-07-09 | 2020-10-23 | 北京云从科技有限公司 | 一种贷中风险评估方法、装置、机器可读介质及设备 |
CN112132622B (zh) * | 2020-09-25 | 2021-07-16 | 北京达佳互联信息技术有限公司 | 数据预估方法及装置 |
CN112215702A (zh) * | 2020-10-14 | 2021-01-12 | 深圳市欢太科技有限公司 | 信用风险的评估方法、移动终端及计算机存储介质 |
CN113112346A (zh) * | 2021-04-30 | 2021-07-13 | 平安普惠企业管理有限公司 | 用户分类方法、装置、电子设备及存储介质 |
CN116452323B (zh) * | 2023-04-28 | 2024-01-30 | 广州市良策网络技术有限公司 | 风险评估方法、系统、设备及存储介质 |
CN117237138A (zh) * | 2023-09-28 | 2023-12-15 | 上海硕恩网络科技股份有限公司 | 一种基于聚类、同期群分析的企业坏账预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503873A (zh) * | 2016-11-30 | 2017-03-15 | 腾云天宇科技(北京)有限公司 | 一种预测用户守约概率的方法、装置和计算设备 |
CN108846520A (zh) * | 2018-06-22 | 2018-11-20 | 北京京东金融科技控股有限公司 | 贷款逾期预测方法、装置以及计算机可读存储介质 |
-
2019
- 2019-02-20 CN CN201910126812.3A patent/CN109993652B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503873A (zh) * | 2016-11-30 | 2017-03-15 | 腾云天宇科技(北京)有限公司 | 一种预测用户守约概率的方法、装置和计算设备 |
CN108846520A (zh) * | 2018-06-22 | 2018-11-20 | 北京京东金融科技控股有限公司 | 贷款逾期预测方法、装置以及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109993652A (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993652B (zh) | 一种借贷信用风险评估方法及装置 | |
US20230009149A1 (en) | System, method and computer program for underwriting and processing of loans using machine learning | |
Pope et al. | What’s in a Picture?: Evidence of Discrimination from Prosper. com | |
Singell et al. | Modeling retention at a large public university: Can at-risk students be identified early enough to treat? | |
Abdou et al. | Credit scoring, statistical techniques and evaluation criteria: a review of the literature | |
US20060212386A1 (en) | Credit scoring method and system | |
Davis et al. | Personality Traits and Financial Satisfaction: Investigation of a Hierarchical Approach. | |
Hyatt et al. | Reform in motion: the promise and perils of incorporating risk assessments and cost-benefit analysis into Pennsylvania sentencing | |
CN106022508A (zh) | 预测线上理财平台的用户邀请好友行为的方法和装置 | |
WO2019089990A1 (en) | Entity segmentation for analysis of sensitivities to potential disruptions | |
Staffel | Measuring the overall incoherence of credence functions | |
Persico | Racial profiling? Detecting bias using statistical evidence | |
CN110827143A (zh) | 训练信用评分模型的方法、装置及设备 | |
Sarlija et al. | Comparison procedure of predicting the time to default in behavioural scoring | |
Keane et al. | Evaluating consumers’ choices of Medicare Part D plans: A study in behavioral welfare economics | |
CN112991052B (zh) | 还款能力评估方法及装置 | |
Luo et al. | CEO Sports Hobby and Firms' Tax Aggressiveness | |
Finlay | Predictive models of expenditure and over-indebtedness for assessing the affordability of new consumer credit applications | |
Zanbak et al. | Econometric analysis of factors affecting women's multidimensional poverty | |
Pope et al. | What’s in a picture | |
Guo | Research on the factors affecting the successful borrowing rate of P2P network lending in China—Taking the case of renrendai online lending as an example | |
Andrén et al. | Women’s and men’s responses to in-work benefits: the influence of children | |
CN113610638B (zh) | 基于smaa-ds的信用等级与违约损失率相匹配的评级系统及方法 | |
Fan et al. | A TAIEX forecasting model based on changes of keyword search volume on Google Trends | |
Georgalos et al. | Higher order risk attitudes: new model insights and heterogeneity of preferences |
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 |