CN110097206A - 违约率预测方法、装置、计算机设备和存储介质 - Google Patents
违约率预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110097206A CN110097206A CN201910213207.XA CN201910213207A CN110097206A CN 110097206 A CN110097206 A CN 110097206A CN 201910213207 A CN201910213207 A CN 201910213207A CN 110097206 A CN110097206 A CN 110097206A
- Authority
- CN
- China
- Prior art keywords
- curve
- aging
- violation
- rate
- indicators
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及数据分析领域,尤其涉及一种违约率预测方法、装置、计算机设备和存储介质。所述方法包括:获取拟合得到的外因曲线,以及根据历史违约率曲线分解得到的用户质量曲线以及账龄曲线;根据外因曲线的趋势将外因曲线进行延长,根据用户质量曲线的趋势将用户质量曲线进行延长,根据账龄曲线的趋势将账龄曲线进行延长;接收输入的与用户质量曲线的延长段以及账龄曲线的延长段的趋势调整指令;根据趋势调整指令对用户质量曲线的延长段的趋势进行调整,对账龄曲线的延长段进行调整;根据外因曲线以及调整后的用户质量曲线、账龄曲线组合得到当前违约率曲线;根据当前违约率曲线预测违约率。采用本方法能够提高违约率预测准确性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种违约率预测方法、装置、计算机设备和存储介质。
背景技术
对于违约率等的预测,需要根据历史数据绘制违约率曲线,然后基于直接回归的方法对未来的违约率进行预测。
传统地,在通过直接回归的方法对违约率进行预测时,其直接根据违约率曲线进行预存,没有考虑到产品的特征,从而导致所预测出的违约率准确性不高。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高违约率预测准确性的违约率预测方法、装置、计算机设备和存储介质。
一种违约率预测方法,所述方法包括:
获取拟合得到的外因曲线,以及根据历史违约率曲线分解得到的用户质量曲线以及账龄曲线;
根据所述外因曲线的趋势将所述外因曲线进行延长,根据所述用户质量曲线的趋势将所述用户质量曲线进行延长,根据所述账龄曲线的趋势将所述账龄曲线进行延长;
接收输入的与所述用户质量曲线的延长段以及账龄曲线的延长段的趋势调整指令;
根据所述趋势调整指令对所述用户质量曲线的延长段的趋势进行调整,对所述账龄曲线的延长段进行调整;
根据所述外因曲线以及调整后的用户质量曲线、账龄曲线组合得到当前违约率曲线;
根据所述当前违约率曲线预测违约率。
在其中一个实施例中,所述根据所述外因曲线以及调整后的用户质量曲线、账龄曲线组合得到当前违约率曲线,包括:
获取预先设置的表示违约率与账龄因子、外部因子以及用户质量因子的初始模型;
获取预设的账龄、放贷时间以及日历时间的对应关系;
根据所述调整后的用户质量曲线生成当前用户质量因子,根据调整后的账龄曲线生成当前账龄因子;
将所述当前用户质量因子、所述当前账龄因子以及所述对应关系输入至所述初始模型中得到当前违约率曲线。
在其中一个实施例中,所述接收输入的与所述用户质量曲线的延长段以及账龄曲线的延长段的趋势调整指令之前,还包括:
获取监管服务器发送的监管信息,从所述监管信息中提取预设参数;
根据所提取的预设参数计算宏观场景预警指数以及场景下行概率;
当所述宏观场景预警指数以及所述场景下行概率其中至少一个大于预设值时,则生成将所述用户质量曲线的趋势调高且将所述账龄曲线的趋势调低的趋势调整推荐指令。
在其中一个实施例中,所述获取拟合得到的外因曲线,以及根据历史违约率曲线分解得到的用户质量曲线以及账龄曲线,包括:
获取历史数据,并根据所述历史数据生成历史违约率曲线;
将所述历史违约率曲线进行分解得到分解后的外因曲线、用户质量曲线以及账龄曲线;
获取初始宏观指标以及表示初始宏观指标以及传导宏观指标之间的传导关系的传导图;
将所述初始宏观指标输入至所述传导图中得到传导宏观指标;
根据所述初始宏观指标以及所述传导宏观指标拟合分解后的外因曲线以获得拟合得到的外因曲线
在其中一个实施例中,所述将所述初始宏观指标输入至所述传导图中得到传导宏观指标,包括:
在所述传导图中获取所述初始宏观指标的当前节点,并获取所述初始宏观指标的当前数量;
获取与所述当前节点关联的关联节点,并获取所述当前节点对应的传导宏观指标以及所获取的传导宏观指标的初始数量;
根据所述当前数量和所述初始数量对所述当前数量进行更新;
判断所述当前数量是否大于预设值,且在所述当前数量大于等于预设值时,则输出所述初始宏观指标以及所遍历的关联节点对应的传导宏观指标;
当所述当前数量小于所述预设值时,则将所述关联节点作为当前节点,并继续获取与所述当前节点关联的关联节点。
一种违约率预测装置,所述装置包括:
曲线获取模块,用于获取拟合得到的外因曲线,以及根据历史违约率曲线分解得到的用户质量曲线以及账龄曲线;
延长模块,用于根据所述外因曲线的趋势将所述外因曲线进行延长,根据所述用户质量曲线的趋势将所述用户质量曲线进行延长,根据所述账龄曲线的趋势将所述账龄曲线进行延长;
接收模块,用于接收输入的与所述用户质量曲线的延长段以及账龄曲线的延长段的趋势调整指令;
调整模块,用于根据所述趋势调整指令对所述用户质量曲线的延长段的趋势进行调整,对所述账龄曲线的延长段进行调整;
组合模块,用于根据所述外因曲线以及调整后的用户质量曲线、账龄曲线组合得到当前违约率曲线;
预测模块,用于根据所述当前违约率曲线预测违约率。
在其中一个实施例中,所述组合模块包括:
模型获取单元,用于获取预先设置的表示违约率与账龄因子、外部因子以及用户质量因子的初始模型;
关系获取单元,用于获取预设的账龄、放贷时间以及日历时间的对应关系;
因子生成单元,用于根据所述调整后的用户质量曲线生成当前用户质量因子,根据调整后的账龄曲线生成当前账龄因子;
组合单元,用于将所述当前用户质量因子、所述当前账龄因子以及所述对应关系输入至所述初始模型中得到当前违约率曲线。
在其中一个实施例中,所述装置还包括:
监管信息获取模块,用于获取监管服务器发送的监管信息,从所述监管信息中提取预设参数;
计算模块,用于根据所提取的预设参数计算宏观场景预警指数以及场景下行概率;
推荐模块,用于当所述宏观场景预警指数以及所述场景下行概率其中至少一个大于预设值时,则生成将所述用户质量曲线的趋势调高且将所述账龄曲线的趋势调低的趋势调整推荐指令。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
上述违约率预测方法、装置、计算机设备和存储介质,在获取到拟合得到外因曲线、以及分解得到的用户质量曲线、账龄曲线后,将曲线的趋势将三条曲线分别延长,且对用户质量曲线以及账龄曲线进行了预测调整,从而根据外因曲线以及调整后的用户质量曲线、账龄曲线组合得到当前违约率曲线,进而实现了违约率的预测,由于充分考虑到了用户质量和账龄的变化,因此提高了违约率预测的准确性。
附图说明
图1为一个实施例中违约率预测方法的应用场景图;
图2为一个实施例中违约率预测方法的流程示意图;
图3为一个实施例中的分解的外因曲线的获取方法的流程图;
图4为一个实施例中的传导图的示意图;
图5为一个实施例中违约率预测装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
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。
本申请提供的违约率预测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。终端102根据服务器发送的历史数据生成了历史违约率曲线,并根据历违约率曲线分解得到外因曲线、用户质量曲线以及账龄曲线,然后根据宏观指标对该外因曲线进行拟合得到拟合后的外因曲线,根据所得到的外因曲线、用户质量曲线以及账龄曲线的趋势对外因曲线、用户质量曲线以及账龄曲线进行延长,且根据用户质量曲线的延长段以及账龄曲线的延长段的趋势调整指令对用户质量曲线的延长段以及账龄曲线的延长段进行调整,并根据调整后的用户质量曲线、账龄曲线以及外因曲线得到当前违约率曲线,从而可以根据当前违约率曲线对违约率进行预测,充分考虑到了用户质量和账龄的变化,因此提高了违约率预测的准确性。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种违约率预测方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
S202:获取拟合得到的外因曲线,以及根据历史违约率曲线分解得到的用户质量曲线以及账龄曲线。
具体地,拟合得到的外因曲线是终端根据多个宏观指标对分解得到的外因曲线拟合得到的,其中分解得到的外因曲线是有历史违约率曲线分解得到的,终端对历史违约率曲线进行分解可以得到用户质量曲线、账龄曲线以及外因曲线。
其中为了保证外因曲线拟合的准确性,终端可以首先根据初始宏观指标以及传导图进行传导得到传导宏观指标,然后根据初始宏观指标和传导宏观指标对分解得到的外因曲线进行拟合,例如设宏观指标为x1、x2……xn,外因曲线为y=a1x1+a2x2+……+anxn,其中n为正整数,表示了初始宏观指标以及传导宏观指标的个数,a1、a2……an是对应的宏观指标x1、x2……xn的参数,该参数是经过拟合得到的,用于表征拟合后的外因曲线。
S204:根据外因曲线的趋势将外因曲线进行延长,根据用户质量曲线的趋势将用户质量曲线进行延长,根据账龄曲线的趋势将账龄曲线进行延长。
具体地,为了实现对违约率的预测,可以首先将外因曲线、用户质量曲线以及账龄曲线的趋势进行延长,例如可以根据拟合得到的外因曲线的参数得到外因曲线的表达式,从而可以对外因曲线进行延长,同理用户质量曲线以及账龄曲线也可以进行延长。
S206:接收输入的与用户质量曲线的延长段以及账龄曲线的延长段的趋势调整指令。
具体地,用户可以根据对用户质量和账龄的预测来确定用户质量曲线的延长段以及账龄曲线的延长段的趋势调整,因此终端可以首先将上述的外因曲线、用户质量曲线以及账龄曲线进行显示,然后根据确定的趋势去调整用户质量曲线和账龄曲线。
S208:根据趋势调整指令对用户质量曲线的延长段的趋势进行调整,对账龄曲线的延长段进行调整。
具体地,终端根据用户输入的趋势调整指令对用户质量曲线的延长段的趋势进行调整,例如用户可以将客户质量进行调低,从而其最后得到的违约率可能会相应地升高。同样地,对账龄曲线也可以作类似的调整。
S210:根据外因曲线以及调整后的用户质量曲线、账龄曲线组合得到当前违约率曲线。
具体地,终端在对用户质量曲线和账龄曲线进行调整后,可以将调整后的质量曲线、账龄曲线以及拟合得到的外因曲线进行组合得到违约率曲线,从而从所生成的违约率曲线中读取违约率。
S212:根据当前违约率曲线预测违约率。
具体地,所生成的当前违约率曲线是的横坐标为时间,纵坐标为违约率,因此可以根据所生成的当前违约率曲线对应的时间去获取到违约率,以实现违约率的预测。
且可选地,如果所得到的预测违约率不符合当前预期,则可以重新调整用户质量曲线以及账龄曲线,从而得到新的预测违约率,直至预测违约率符合当前预期,进而用户可以根据用户质量以及账龄来获取到产品针对的用户群,实现产品的针对投放,保证了产品风险。
上述违约率预测方法,在获取到拟合得到外因曲线、以及分解得到的用户质量曲线、账龄曲线后,将曲线的趋势将三条曲线分别延长,且对用户质量曲线以及账龄曲线进行了预测调整,从而根据外因曲线以及调整后的用户质量曲线、账龄曲线组合得到当前违约率曲线,进而实现了违约率的预测,由于充分考虑到了用户质量和账龄的变化,因此提高了违约率预测的准确性。
在其中一个实施例中,根据外因曲线以及调整后的用户质量曲线、账龄曲线组合得到当前违约率曲线,可以包括:获取预先设置的表示违约率与账龄因子、外部因子以及用户质量因子的初始模型;获取预设的账龄、放贷时间以及日历时间的对应关系;根据调整后的用户质量曲线生成当前用户质量因子,根据调整后的账龄曲线生成当前账龄因子;将当前用户质量因子、当前账龄因子以及对应关系输入至初始模型中得到当前违约率曲线。
具体地,终端可以首先根据所调整的用户质量曲线,账龄曲线生成对应的表达式,然后通过以下公式计算得到对应的违约率曲线:
其中,y是初始模型要预测的目标,即违约率,v是债项房贷时间,a为账龄,t为日历时间,为账龄曲线,为外因曲线,ev为用户质量曲线,其中fm(a)为账龄因子,gx(t)为外因因子。因此终端可以根据得到的用户质量曲线求得ev,根据得到的账龄曲线求得且由于外因因子gx(t)也是已知的,因此外因曲线也可以得到,从而违约率的表达式也可以得到,进而可以得到违约率。
且相应地,外因曲线、用户质量曲线以及账龄曲线的组合过程与历史违约率曲线的分解过程是互逆的,具体地,历史违约率曲线的分解过程包括:将违约率曲线进行分解得到外因曲线,可以包括:获取预先设置的表示违约率与账龄因子、外部因子以及用户质量因子的初始模型;获取预设的账龄、放贷时间以及日历时间的对应关系;根据历史数据生成账龄曲线,并根据账龄曲线计算账龄因子;根据账龄因子、对应关系以及初始模型计算得到外因曲线。
在其中一个实施例中,根据账龄因子、对应关系以及初始模型计算得到外因曲线,可以包括:获取预先设置的外因因子影响度;当外因因子影响度为0时,则根据所计算的账龄因子通过线性回归计算得到当前用户质量因子;根据所得到的当前用户质量因子、账龄因子以及初始模型计算外因因子,并根据计算得到的外因因子以及账龄因子计算得到目标用户质量因子;判断目标用户质量因子对应的初始模型的决定系数和均方差是否收敛,当目标用户质量因子对应的初始模型的决定系数和均方差收敛时,则输出所计算得到的外因因子对应的外因曲线;当目标用户质量因子对应的初始模型的决定系数和均方差不收敛时,则将目标用户质量因子作为当前用户质量因子,并继续根据所得到的当前用户质量因子、账龄因子以及初始模型计算外因因子,直至目标用户质量因子对应的初始模型的决定系数和均方差收敛。
具体地,表示违约率与账龄因子、外部因子以及用户质量因子的初始模型可以是:
其中,y是初始模型要预测的目标,即违约率,v是债项房贷时间,a为账龄,t为日历时间,为账龄曲线,为外因曲线,ev为用户质量曲线,其中fm(a)为账龄因子,gx(t)为外因因子。
其中,在信贷资产管理情景下,预设的账龄、放贷时间以及日历时间的对应关系为:
a=t-v (2)
由于时间之间存在相互关系,在模型求解过程中需要解决多重共线性的问题。对于非线问题求解,利用log转换为线性问题。
对于多重共线问题,可以通过特定求的时间求解顺序解决;最后获取到能够保证初始模型参数被求解且多重贡献问题不存在,具体操作如下:
第一步:通过三次平滑样条法求出fm(a)曲线,基于账龄时间维度,即根据历史数据生成账龄曲线,然后通过三次平滑样条法求解出fm(a)曲线,即账龄因子,从而皆可以根据该账龄因子、对应关系以及初始模型计算得到外因曲线,具体可以参见下文的第二步到第五步。
第二步:其中外因因子影响度在求解的过程中首先假设不影响,即影响度为0,因此假设gx(t)为1,通过已知fm(a),利用线性回归求出ev,即用户质量因子。
第三步:通过已知账龄因子fm(a),用户质量因子ev以及初始模型即可以求解得到外因因子gx(t)。
第四步:通过已知账龄因子fm(a)、外因因子gx(t),重新求解用户质量因子ev。
第五步:循环迭代第四步,直到收敛。收敛条件利用初始模型决定系数R2,均方差MSE等模型评价指标进行收敛条件设定,即当R2以及MSE达到预设范围时,则停止循环步骤,将所得到的gx(t)曲线作为最终分解得到的外因曲线。
上述实施例中,给出了违约率曲线的分解原理,保证了违约率曲线的分解准确性,从而保证了外因曲线的准确性。
在其中一个实施例中,接收输入的与用户质量曲线的延长段以及账龄曲线的延长段的趋势调整指令之前,还可以包括:获取监管服务器发送的监管信息,从监管信息中提取预设参数;根据所提取的预设参数计算宏观场景预警指数以及场景下行概率;当宏观场景预警指数以及场景下行概率其中至少一个大于预设值时,则生成将用户质量曲线的趋势调高且将账龄曲线的趋势调低的趋势调整推荐指令。
具体地,监管信息是监管服务器对于国家政策、当前经济状态的监管信息,预设参数是用于计算宏观场景预警指数以及场景下行概率的参数,其中宏观场景预警指数可以等于当前宏观场景预警分数,场景下行概率可以是场景下行分数,宏观场景预警指数以及场景下行概率其中至少一个大于预设值时,即监管收紧时,则终端可以生成将用户质量曲线的趋势调高且将账龄曲线的趋势调低的趋势调整推荐指令,即在监管收紧时,可以提高用户质量以及降低账龄,从而用户可以根据推荐来调整账龄曲线和用户质量曲线。
上述实施例中,根据监管信息生成针对用户质量曲线的趋势以及账龄曲线的趋势的趋势调整推荐指令,可以提高上述违约率预测的效率和准确性。
在其中一个实施例中,上述违约率预测方法还可以包括分解的外因曲线的获取方法,具体地,参阅图3,图3为一个实施例中的分解的外因曲线的获取方法的流程图,该分解的外因曲线的获取方法可以包括:
S302:获取历史数据,并根据历史数据生成历史违约率曲线。
具体地,历史数据是指当前时间以前的产品数据,包括产品的违约数据以及产品的数量等,具体可以包括产品的账龄数据、购买产品的用户的质量数据以及影响产品的其他数据,其中购买产品的用户的质量数据可以包括用户的基础数据和用户的信用数据。该历史数据是存储于服务器中的,这样可以保证历史数据的安全性。
终端在获取到历史数据后,可以根据历史数据绘制违历史约率曲线,例如终端首先根据历史数据计算得到历史违约率,然后绘制历史违约率曲线,该历史违约率曲线的横坐标为时间,纵坐标为历史违约率。
S304:将历史违约率曲线进行分解得到分解后的外因曲线、用户质量曲线以及账龄曲线。
具体地,终端在生成违约率曲线后,可以对违约率曲线进行分解,例如分解为外因曲线、用户质量曲线以及账龄曲线。其中用户质量是用户群中用户的开户时间、企业的信用情况或个人的学历等因素对历史借贷风险的影响,同一时间开会的用户群,其信用或学历等因素应该不会存在很大的变动,因此用户质量曲线是与用户的开户时间相关的,用户的开户时间越长,用户质量越稳定。账龄曲线是用户群自开户以来的风险变换成长情况,其时间维度时基于开户时间之后的账龄,其变化趋势应在开户时风险为0,随着用户的交易增长,最后趋于平稳。外因曲线是根据国家政策、市场经济变化等环境因素对于用户群借贷等的风险的影响趋势,其时间维度时日历时间。
S306:获取初始宏观指标以及表示初始宏观指标以及传导宏观指标之间的传导关系的传导图。
具体地,传导图是用于表征各个宏观指标之间的传导关系的,该传导图是由权威机构发布的,权威结构可以根据当前国家政策、国民经济水平的生成性的宏观指标,并添加到该传导图中,从而保证传导图的准确性。
初始宏观指标是用户预先预测的可以影响当前产品的宏观指标,该初始宏观指标一般为基础性宏观指标,例如居民收入、居民消费等,传导图中即包含了初始宏观指标又包含了传导宏观指标,并且给出了该些初始宏观指标和传导宏观指标之间的传导关系。
S308:将初始宏观指标输入至传导图中得到传导宏观指标。
具体地,终端将初始宏观指标输入至传导图中,从而根据传导图中的传导关系,可以得到与该初始宏观指标具有传导关系的传导宏观指标。从而将一开始仅有的几个初始宏观指标扩展到包含了初始宏观指标以及传导宏观指标的大量的宏观指标。可选地,终端将初始宏观指标放在传导图中进行传导时,可以控制传导停止条件,例如,当当前初始宏观指标和传导宏观指标的数量达到预设值时,则停止传导,其中预设值可以是根据产品的发布数量进行确定,例如当产品发布较多时,则预测准确性需要提高,因此预设值也需要相应地提高,当产品发布较小时,则预测准确性相应降低,因此预设值也相应地降低。
S310:根据初始宏观指标以及传导宏观指标拟合分解后的外因曲线以获得拟合得到的外因曲线。
具体地,在得到传导宏观指标后,终端可以通过初始宏观指标以及传导宏观指标来拟合分解后的外因曲线得到拟合得到的外因曲线,例如可以将外因曲线先离散化,然后根据所得到的宏观指标去拟合各个离散的点,最后得到拟合后的外因曲线,从而即可以得到外因曲线的趋势,再根据外因曲线的趋势去预测未来的外因曲线。
例如,假设初始宏观指标和传导宏观指标为x1、x2……xn,外因曲线为y=a1x1+a2x2+……+anxn,其中n为正整数,表示了初始宏观指标和传导宏观指标的个数,a1、a2……an是对应的初始宏观指标和传导宏观指标x1、x2……xn的参数,该参数是经过拟合得到的,从而可以的得到确定的外因曲线的表达式。
具体地,将初始宏观指标输入至传导图中得到传导宏观指标,可以包括:在传导图中获取初始宏观指标的当前节点,并获取初始宏观指标的当前数量;获取与当前节点关联的关联节点,并获取当前节点对应的传导宏观指标以及所获取的传导宏观指标的初始数量;根据当前数量和初始数量对当前数量进行更新;判断当前数量是否大于预设值,且在当前数量大于等于预设值时,则输出初始宏观指标以及所遍历的关联节点对应的传导宏观指标;当当前数量小于预设值时,则将关联节点作为当前节点,并继续获取与当前节点关联的关联节点。
具体地,参见图4所示,图4为一个实施例中的传导图的示意图,在该实施例中,为了确定传导宏观指标,可以将初始宏观指标放置在该传导图中进行传导,其中该传导图是权威结构进行发布的,且图3中所示出的传导图仅是一部分,实际应用中的传导图中的节点可以包括更多,在此不做具体限制。
终端将初始宏观指标放置在该传导图中进行传导得到与初始宏观指标存在传导关系的传导宏观指标,且可选地,还可以根据需要判断所得到的传导宏观指标的个数是否达到初始预设值,即初始宏观指标和传导宏观指标的总个数是否达到预设值,如果达到,则停止传导,最后输出所得到的初始宏观指标和传导宏观指标。
在实际操作中,终端可以先确定初始宏观指标在当前节点中的位置,例如当初始宏观指标为“贷款”时,为了说明方便,假设此处只有一个初始宏观指标,则当前数量为1,然后与“贷款”存在传导关系的是“固定投资”,则初始数量也为1,根据当前数量1以及初始数量1对当前数量进行更新,则当前数量为2,假设预设值为2,则此时当前数量等于预设值,则可以输出“贷款”和“固定投资”。假设预设值为3,时,则当前数量小于预设值,则继续将“固定投资”对应的关联节点作为当前节点,然后获取“固定投资”存在传导关系的“资本形成”,并继续获取初始数量,并更新当前数量,直至当前数量大于等于预设值时,则停止传导。
上述实施例中,传导宏观指标是经过传导得到的,从而扩展了初始宏观指标和传导宏观指标的数量,提高外因曲线的拟合度。
应该理解的是,虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种违约率预测装置,包括:曲线获取模块100、延长模块200、接收模块300、调整模块400、组合模块500和预测模块600,其中:
曲线获取模块100,用于获取拟合得到的外因曲线,以及根据历史违约率曲线分解得到的用户质量曲线以及账龄曲线。
延长模块200,用于根据外因曲线的趋势将外因曲线进行延长,根据用户质量曲线的趋势将用户质量曲线进行延长,根据账龄曲线的趋势将账龄曲线进行延长。
接收模块300,用于接收输入的与用户质量曲线的延长段以及账龄曲线的延长段的趋势调整指令。
调整模块400,用于根据趋势调整指令对用户质量曲线的延长段的趋势进行调整,对账龄曲线的延长段进行调整。
组合模块500,用于根据外因曲线以及调整后的用户质量曲线、账龄曲线组合得到当前违约率曲线。
预测模块600,用于根据当前违约率曲线预测违约率。
在其中一个实施例中,组合模块500可以包括:
模型获取单元,用于获取预先设置的表示违约率与账龄因子、外部因子以及用户质量因子的初始模型。
关系获取单元,用于获取预设的账龄、放贷时间以及日历时间的对应关系。
因子生成单元,用于根据调整后的用户质量曲线生成当前用户质量因子,根据调整后的账龄曲线生成当前账龄因子。
组合单元,用于将当前用户质量因子、当前账龄因子以及对应关系输入至初始模型中得到当前违约率曲线。
在其中一个实施例中,上述违约率预测装置还可以包括:
监管信息获取模块,用于获取监管服务器发送的监管信息,从监管信息中提取预设参数。
计算模块,用于根据所提取的预设参数计算宏观场景预警指数以及场景下行概率。
推荐模块,用于当宏观场景预警指数以及场景下行概率其中至少一个大于预设值时,则生成将用户质量曲线的趋势调高且将账龄曲线的趋势调低的趋势调整推荐指令。
在其中一个实施例中,上述违约率预测装置还可以包括:
违约率曲线生成模块,用于获取历史数据,并根据历史数据生成历史违约率曲线。
分解模块,用于将历史违约率曲线进行分解得到分解后的外因曲线、用户质量曲线以及账龄曲线。
传导图获取模块,用于获取初始宏观指标以及表示初始宏观指标以及传导宏观指标之间的传导关系的传导图。
传导模块,用于将初始宏观指标输入至传导图中得到传导宏观指标。
拟合模块,用于根据初始宏观指标以及传导宏观指标拟合分解后的外因曲线以获得拟合得到的外因曲线。
在其中一个实施例中,传导模块可以包括:
定位单元,用于在传导图中获取初始宏观指标的当前节点,并获取初始宏观指标的当前数量。
传导单元,用于获取与当前节点关联的关联节点,并获取当前节点对应的传导宏观指标以及所获取的传导宏观指标的初始数量。
更新单元,用于根据当前数量和初始数量对当前数量进行更新。
输出单元,用于判断当前数量是否大于预设值,且在当前数量大于等于预设值时,则输出初始宏观指标以及所遍历的关联节点对应的传导宏观指标。
循环单元,用于当当前数量小于预设值时,则将关联节点作为当前节点,并继续获取与当前节点关联的关联节点。
关于违约率预测装置的具体限定可以参见上文中对于违约率预测方法的限定,在此不再赘述。上述违约率预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种违约率预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取拟合得到的外因曲线,以及根据历史违约率曲线分解得到的用户质量曲线以及账龄曲线;根据外因曲线的趋势将外因曲线进行延长,根据用户质量曲线的趋势将用户质量曲线进行延长,根据账龄曲线的趋势将账龄曲线进行延长;接收输入的与用户质量曲线的延长段以及账龄曲线的延长段的趋势调整指令;根据趋势调整指令对用户质量曲线的延长段的趋势进行调整,对账龄曲线的延长段进行调整;根据外因曲线以及调整后的用户质量曲线、账龄曲线组合得到当前违约率曲线;根据当前违约率曲线预测违约率。
在一个实施例中,处理器执行计算机程序时所实现的根据外因曲线以及调整后的用户质量曲线、账龄曲线组合得到当前违约率曲线,可以包括:获取预先设置的表示违约率与账龄因子、外部因子以及用户质量因子的初始模型;获取预设的账龄、放贷时间以及日历时间的对应关系;根据调整后的用户质量曲线生成当前用户质量因子,根据调整后的账龄曲线生成当前账龄因子;将当前用户质量因子、当前账龄因子以及对应关系输入至初始模型中得到当前违约率曲线。
在一个实施例中,处理器执行计算机程序时所实现的接收输入的与用户质量曲线的延长段以及账龄曲线的延长段的趋势调整指令之前,还可以包括:获取监管服务器发送的监管信息,从监管信息中提取预设参数;根据所提取的预设参数计算宏观场景预警指数以及场景下行概率;当宏观场景预警指数以及场景下行概率其中至少一个大于预设值时,则生成将用户质量曲线的趋势调高且将账龄曲线的趋势调低的趋势调整推荐指令。
在一个实施例中,处理器执行计算机程序时所实现的获取拟合得到的外因曲线,以及根据历史违约率曲线分解得到的用户质量曲线以及账龄曲线,可以包括:获取历史数据,并根据历史数据生成历史违约率曲线;将历史违约率曲线进行分解得到分解后的外因曲线、用户质量曲线以及账龄曲线;获取初始宏观指标以及表示初始宏观指标和传导宏观指标之间的传导关系的传导图;将初始宏观指标输入至传导图中得到传导宏观指标;根据初始宏观指标以及传导宏观指标拟合分解后的外因曲线以获得拟合得到的外因曲线。
在一个实施例中,处理器执行计算机程序时所实现的将初始宏观指标输入至传导图中得到传导宏观指标,可以包括:在传导图中获取初始宏观指标的当前节点,并获取初始宏观指标的当前数量;获取与当前节点关联的关联节点,并获取当前节点对应的传导宏观指标以及所获取的传导宏观指标的初始数量;根据当前数量和初始数量对当前数量进行更新;判断当前数量是否大于预设值,且在当前数量大于等于预设值时,则输出初始宏观指标以及所遍历的关联节点对应的传导宏观指标;当当前数量小于预设值时,则将关联节点作为当前节点,并继续获取与当前节点关联的关联节点。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取拟合得到的外因曲线,以及根据历史违约率曲线分解得到的用户质量曲线以及账龄曲线;根据外因曲线的趋势将外因曲线进行延长,根据用户质量曲线的趋势将用户质量曲线进行延长,根据账龄曲线的趋势将账龄曲线进行延长;接收输入的与用户质量曲线的延长段以及账龄曲线的延长段的趋势调整指令;根据趋势调整指令对用户质量曲线的延长段的趋势进行调整,对账龄曲线的延长段进行调整;根据外因曲线以及调整后的用户质量曲线、账龄曲线组合得到当前违约率曲线;根据当前违约率曲线预测违约率。
在一个实施例中,计算机程序被处理器执行时所实现的根据外因曲线以及调整后的用户质量曲线、账龄曲线组合得到当前违约率曲线,可以包括:获取预先设置的表示违约率与账龄因子、外部因子以及用户质量因子的初始模型;获取预设的账龄、放贷时间以及日历时间的对应关系;根据调整后的用户质量曲线生成当前用户质量因子,根据调整后的账龄曲线生成当前账龄因子;将当前用户质量因子、当前账龄因子以及对应关系输入至初始模型中得到当前违约率曲线。
在一个实施例中,计算机程序被处理器执行时所实现的接收输入的与用户质量曲线的延长段以及账龄曲线的延长段的趋势调整指令之前,还可以包括:获取监管服务器发送的监管信息,从监管信息中提取预设参数;根据所提取的预设参数计算宏观场景预警指数以及场景下行概率;当宏观场景预警指数以及场景下行概率其中至少一个大于预设值时,则生成将用户质量曲线的趋势调高且将账龄曲线的趋势调低的趋势调整推荐指令。
在一个实施例中,计算机程序被处理器执行时所实现的获取拟合得到的外因曲线,以及根据历史违约率曲线分解得到的用户质量曲线以及账龄曲线,可以包括:获取历史数据,并根据历史数据生成历史违约率曲线;将历史违约率曲线进行分解得到分解后的外因曲线、用户质量曲线以及账龄曲线;获取初始宏观指标以及表示初始宏观指标和传导宏观指标之间的传导关系的传导图;将初始宏观指标输入至传导图中得到传导宏观指标;根据初始宏观指标以及传导宏观指标拟合分解后的外因曲线以获得拟合得到的外因曲线。
在一个实施例中,计算机程序被处理器执行时所实现的将初始宏观指标输入至传导图中得到传导宏观指标,可以包括:在传导图中获取初始宏观指标的当前节点,并获取初始宏观指标的当前数量;获取与当前节点关联的关联节点,并获取当前节点对应的传导宏观指标以及所获取的传导宏观指标的初始数量;根据当前数量和初始数量对当前数量进行更新;判断当前数量是否大于预设值,且在当前数量大于等于预设值时,则输出初始宏观指标以及所遍历的关联节点对应的传导宏观指标;当当前数量小于预设值时,则将关联节点作为当前节点,并继续获取与当前节点关联的关联节点。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上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的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。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)
1.一种违约率预测方法,所述方法包括:
获取拟合得到的外因曲线,以及根据历史违约率曲线分解得到的用户质量曲线以及账龄曲线;
根据所述外因曲线的趋势将所述外因曲线进行延长,根据所述用户质量曲线的趋势将所述用户质量曲线进行延长,根据所述账龄曲线的趋势将所述账龄曲线进行延长;
接收输入的与所述用户质量曲线的延长段以及账龄曲线的延长段的趋势调整指令;
根据所述趋势调整指令对所述用户质量曲线的延长段的趋势进行调整,对所述账龄曲线的延长段进行调整;
根据所述外因曲线以及调整后的用户质量曲线、账龄曲线组合得到当前违约率曲线;
根据所述当前违约率曲线预测违约率。
2.根据权利要求1所述的方法,其特征在于,所述根据所述外因曲线以及调整后的用户质量曲线、账龄曲线组合得到当前违约率曲线,包括:
获取预先设置的表示违约率与账龄因子、外部因子以及用户质量因子的初始模型;
获取预设的账龄、放贷时间以及日历时间的对应关系;
根据所述调整后的用户质量曲线生成当前用户质量因子,根据调整后的账龄曲线生成当前账龄因子;
将所述当前用户质量因子、所述当前账龄因子以及所述对应关系输入至所述初始模型中得到当前违约率曲线。
3.根据权利要求1所述的方法,其特征在于,所述接收输入的与所述用户质量曲线的延长段以及账龄曲线的延长段的趋势调整指令之前,还包括:
获取监管服务器发送的监管信息,从所述监管信息中提取预设参数;
根据所提取的预设参数计算宏观场景预警指数以及场景下行概率;
当所述宏观场景预警指数以及所述场景下行概率其中至少一个大于预设值时,则生成将所述用户质量曲线的趋势调高且将所述账龄曲线的趋势调低的趋势调整推荐指令。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述获取拟合得到的外因曲线,以及根据历史违约率曲线分解得到的用户质量曲线以及账龄曲线,包括:
获取历史数据,并根据所述历史数据生成历史违约率曲线;
将所述历史违约率曲线进行分解得到分解后的外因曲线、用户质量曲线以及账龄曲线;
获取初始宏观指标以及表示初始宏观指标以及传导宏观指标之间的传导关系的传导图;
将所述初始宏观指标输入至所述传导图中得到传导宏观指标;
根据所述初始宏观指标以及所述传导宏观指标拟合分解后的外因曲线以获得拟合得到的外因曲线。
5.根据权利要求4所述的方法,其特征在于,所述将所述初始宏观指标输入至所述传导图中得到传导宏观指标,包括:
在所述传导图中获取所述初始宏观指标的当前节点,并获取所述初始宏观指标的当前数量;
获取与所述当前节点关联的关联节点,并获取所述当前节点对应的传导宏观指标以及所获取的传导宏观指标的初始数量;
根据所述当前数量和所述初始数量对所述当前数量进行更新;
判断所述当前数量是否大于预设值,且在所述当前数量大于等于预设值时,则输出所述初始宏观指标以及所遍历的关联节点对应的传导宏观指标;
当所述当前数量小于所述预设值时,则将所述关联节点作为当前节点,并继续获取与所述当前节点关联的关联节点。
6.一种违约率预测装置,所述装置包括:
曲线获取模块,用于获取拟合得到的外因曲线,以及根据历史违约率曲线分解得到的用户质量曲线以及账龄曲线;
延长模块,用于根据所述外因曲线的趋势将所述外因曲线进行延长,根据所述用户质量曲线的趋势将所述用户质量曲线进行延长,根据所述账龄曲线的趋势将所述账龄曲线进行延长;
接收模块,用于接收输入的与所述用户质量曲线的延长段以及账龄曲线的延长段的趋势调整指令;
调整模块,用于根据所述趋势调整指令对所述用户质量曲线的延长段的趋势进行调整,对所述账龄曲线的延长段进行调整;
组合模块,用于根据所述外因曲线以及调整后的用户质量曲线、账龄曲线组合得到当前违约率曲线;
预测模块,用于根据所述当前违约率曲线预测违约率。
7.根据权利要求6所述的装置,其特征在于,所述组合模块包括:
模型获取单元,用于获取预先设置的表示违约率与账龄因子、外部因子以及用户质量因子的初始模型;
关系获取单元,用于获取预设的账龄、放贷时间以及日历时间的对应关系;
因子生成单元,用于根据所述调整后的用户质量曲线生成当前用户质量因子,根据调整后的账龄曲线生成当前账龄因子;
组合单元,用于将所述当前用户质量因子、所述当前账龄因子以及所述对应关系输入至所述初始模型中得到当前违约率曲线。
8.根据权利要求6所述的装置,其特征在于,所述装置还包括:
监管信息获取模块,用于获取监管服务器发送的监管信息,从所述监管信息中提取预设参数;
计算模块,用于根据所提取的预设参数计算宏观场景预警指数以及场景下行概率;
推荐模块,用于当所述宏观场景预警指数以及所述场景下行概率其中至少一个大于预设值时,则生成将所述用户质量曲线的趋势调高且将所述账龄曲线的趋势调低的趋势调整推荐指令。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910213207.XA CN110097206A (zh) | 2019-03-20 | 2019-03-20 | 违约率预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910213207.XA CN110097206A (zh) | 2019-03-20 | 2019-03-20 | 违约率预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110097206A true CN110097206A (zh) | 2019-08-06 |
Family
ID=67443247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910213207.XA Pending CN110097206A (zh) | 2019-03-20 | 2019-03-20 | 违约率预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110097206A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2019
- 2019-03-20 CN CN201910213207.XA patent/CN110097206A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110377851B (zh) | 多级联动下拉框的实现方法、装置和计算机设备 | |
CN105205297B (zh) | 一种基于时间序列的业务预测方法及系统 | |
Künzi-Bay et al. | Computational aspects of minimizing conditional value-at-risk | |
US20220121971A1 (en) | Deep causal learning for continuous testing, diagnosis, and optimization | |
Vargas et al. | Robust adaptive synchronization of a hyperchaotic finance system | |
EP4152224A1 (en) | Machine learning application method, device, electronic apparatus, and storage medium | |
CN110109750A (zh) | 虚拟资源获取方法、装置、计算机设备和存储介质 | |
US20210350175A1 (en) | Key-value memory network for predicting time-series metrics of target entities | |
CN110489622A (zh) | 对象信息的分享方法、装置、计算机设备和存储介质 | |
Golshani et al. | Proactive auto-scaling for cloud environments using temporal convolutional neural networks | |
CN110457361A (zh) | 特征数据获取方法、装置、计算机设备和存储介质 | |
Huber | Comparative risk aversion in two periods: An application to self‐insurance and self‐protection | |
CN110097206A (zh) | 违约率预测方法、装置、计算机设备和存储介质 | |
CN109542962B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN115766104A (zh) | 一种基于改进的Q-learning网络安全决策自适应生成方法 | |
Zhang et al. | On the tuning of predictive controllers: Application of generalized Benders decomposition to the ELOC problem | |
CN109684339B (zh) | 供需单据的调整方法、装置、计算机设备和存储介质 | |
Zhang et al. | A novel hybrid model for docker container workload prediction | |
CN110097449A (zh) | 违约率预测方法、装置、计算机设备和存储介质 | |
CN109783876A (zh) | 时间序列模型建立方法、装置、计算机设备和存储介质 | |
CN110110882A (zh) | 风险预测方法、装置、计算机设备和存储介质 | |
CN109345369A (zh) | 备付金的配置方法及终端设备 | |
Kijima et al. | A simple option pricing model with Markovian volatilities | |
CN113536254A (zh) | 资源权限配置方法、装置、计算机设备和存储介质 | |
CN112561562A (zh) | 订单发布方法、装置、计算机设备和存储介质 |
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 |