CN110348995A - 一种基于风险归因的信贷风险控制方法、装置和电子设备 - Google Patents
一种基于风险归因的信贷风险控制方法、装置和电子设备 Download PDFInfo
- Publication number
- CN110348995A CN110348995A CN201910578965.1A CN201910578965A CN110348995A CN 110348995 A CN110348995 A CN 110348995A CN 201910578965 A CN201910578965 A CN 201910578965A CN 110348995 A CN110348995 A CN 110348995A
- Authority
- CN
- China
- Prior art keywords
- credit risk
- credit
- risk
- ovd
- value
- 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 42
- 238000012954 risk control Methods 0.000 title claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 12
- 230000001965 increasing effect Effects 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 241001062009 Indigofera Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 244000309464 bull Species 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于风险归因的信贷风险控制方法、装置、电子设备及计算机可读介质。其中，本发明的方法将信贷风险元素进行归类，构建n个信贷风险因子，并对于历史信贷用户集，计算历史每天的信贷风险变化Rovd以及各信贷风险因子贡献率fi；使用各信贷风险因子贡献率fi拟合所述信贷风险变化Rovd的曲线，得到各信贷风险因子贡献率fi的暴露值xi；最后，根据各信贷风险因子的暴露值xi调整信贷风险控制策略。本发明能够实现更加精细、准确且自动化的分析组合信贷的风险因素，并据此调整关于组合信贷贷产的策略。
Description
技术领域
本发明涉及计算机信息处理领域，具体而言，涉及一种基于风险归因的信贷风险控制方法、装置、电子设备及计算机可读介质。
背景技术
信贷资产面临的风险主要来自外部的信用风险、宏观政策风险、内部的操作风险、流动性风险等，其中尤以信用风险为最。针对信用风险，目前主要是以逾期率来衡量。可以理解，信贷资产在同一时刻都暴露在多个不同的风险因素下，它们之间共同的作用形成了逾期率的涨跌和波动。但是，按照目前常规的数据处理方式，我们无法了解究竟哪些因素导致了逾期率的变化。
结构化多因子风险模型是目前指数增强和阿尔法对冲基金应用比较广泛的风险分析工具。结构化风险模型对收益率进行简单的线性分解，对于第j只股票收益的分解形式可以表示为：
rj＝x1f1+x2f2+x3f3+…xKfK+μj,
其中，rj表示第j只股票的收益率，xK表示第j只股票在第K个因子上的暴露(也称为因子载荷)，fK表示第j只股票第K个因子的因子收益率(即每单位因子暴露所承载的收益率)，μj表示第j只股票的特质收益率(相当于扰动项)。
对于一个包含N只股票的投资组合，假设组合的权重为：
w＝(w1,w2,...,w)T，
那么组合收益率可以表示为：
然而，现有的结构化多因子风险模型是应用于股票或基金类投资组合中，并没有人尝试将其应用于信贷资产中来对信贷风险进行归因以进行信贷策略的调整。
发明内容
由此，本发明的目的旨在解决现有的信贷风险模型无法地信贷风险的来源进行量化分析，从而无法精确地调整和应对信贷风险的变化的问题。
为解决上述技术问题，本发明第一方面提出一种基于风险归因的信贷风险控制方法，包括：将信贷风险元素进行归类，构建n个信贷风险因子，n和i均为自然数，n≥2，1≤i≤n；对于历史信贷用户集，计算历史每天的信贷风险变化Rovd以及各信贷风险因子贡献率fi；使用各信贷风险因子贡献率fi拟合所述信贷风险变化Rovd的曲线，得到各信贷风险因子贡献率fi的暴露值xi；根据各信贷风险因子的暴露值xi调整信贷风险控制策略。
根据本发明的一种优选实施方式，所述拟合步骤为多项式拟合，即u表示是回归残差。
根据本发明的一种优选实施方式，根据以下方法计算所述信贷风险因子贡献率：
对于所述历史信贷用户集中的每个用户，计算每个信贷风险因子的值；对于每个信贷风险因子，根据信贷风险因子的值的大小，将各所述用户分成m个挡，第1挡、第2档、……第m挡的用户的信贷风险因子的值依次增大，计算第1档的用户的信贷风险值Ovdi1和第m挡的用户的信贷风险值Ovdim，根据以下公式计算信贷风险因子贡献率：
fi＝Ovdim-Ovdi1，
其中，Ovdim表示第m档用户的第i个信贷风险的值，Ovdi1表示第1档用户的第i个信贷风险的值。
根据本发明的一种优选实施方式，各挡的信贷风险因子的范围大小相等。
根据本发明的一种优选实施方式，m＝5，每个信贷风险因子的挡按照20％的间隔平均划分为5个区间。
根据本发明的一种优选实施方式，根据以下公式计算信贷风险变化：
其中，Ovdt表示当天的信贷风险的值，Ovdt-1表示前一天的信贷风险的值。
根据本发明的一种优选实施方式，所述信贷风险的值是逾期率。
根据本发明的一种优选实施方式，各信贷风险因子的相关性小于0.3。
根据本发明的一种优选实施方式，所述信贷风险因子包括身份识别、行为模式、履约能力、社会关系、历史守约中的任意一个或多个。
本发明的第二方面提出一种基于风险归因的信贷风险控制装置，包括：
构建模块，用于将信贷风险元素进行归类，构建n个信贷风险因子，n和i均为自然数，n≥2，1≤i≤n；
计算模块，用于对于历史信贷用户集，计算历史每天的信贷风险变化Rovd以及各信贷风险因子贡献率fi；
拟合模块，用于使用各信贷风险因子贡献率fi拟合所述信贷风险变化Rovd的曲线，得到各信贷风险因子贡献率fi的暴露值xi；
控制模块，用于根据各信贷风险因子的暴露值xi调整信贷风险控制策略。
根据本发明的一种优选实施方式，所述拟合模块用于进行多项式拟合，即使用进行拟合，u表示是回归残差。
根据本发明的一种优选实施方式，所述计算模块根据以下方法计算所述信贷风险因子贡献率：
对于所述历史信贷用户集中的每个用户，计算每个信贷风险因子的值；
对于每个信贷风险因子，根据信贷风险因子的值的大小，将各所述用户分成m个挡，第1挡、第2档、……第m挡的用户的信贷风险因子的值依次增大，计算第1档的用户的信贷风险值Ovdi1和第m挡的用户的信贷风险值Ovdim，根据以下公式计算信贷风险因子贡献率：
fi＝Ovdim-Ovdi1，
其中，Ovdim表示第m档用户的第i个信贷风险的值，Ovdi1表示第1档用户的第i个信贷风险的值。
根据本发明的一种优选实施方式，各挡的信贷风险因子的范围大小相等。
根据本发明的一种优选实施方式，m＝5，每个信贷风险因子的挡按照20％的间隔平均划分为5个区间。
根据本发明的一种优选实施方式，所述计算模块根据以下公式计算信贷风险变化：
其中，Ovdt表示当天的信贷风险的值，Ovdt-1表示前一天的信贷风险的根据本发明的一种优选实施方式，所述信贷风险的值是逾期率。
根据本发明的一种优选实施方式，各信贷风险因子的相关性小于0.3。
根据本发明的一种优选实施方式，所述信贷风险因子包括身份识别、行为模式、履约能力、社会关系、历史守约中的任意一个或多个。
本发明的第三方面是一种电子设备，其中，该电子设备包括：
处理器；以及，
存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行前述的方法。
本发明的第四方面提出一种计算机可读介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现所述的方法。
本发明通过利用大数据及风险归因模型对组合式信贷资产的风险因素进行分析，能够实现更加精细、准确且自动化的分析组合信贷的风险因素，并据此调整关于组合信贷贷产的策略。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
图1是本发明的基于风险归因的信贷风险控制方法的流程图；
图2是本发明的基于风险归因的信贷风险控制装置的一个实施例的架构图；
图3是根据本发明的一种电子设备的示例性实施例的结构框图；
图4是本发明的一个计算机可读介质实施例的示意图。
具体实施方式
现在将参考附图来更加全面地描述本发明的示例性实施例，虽然各示例性实施例能够以多种具体的方式实施，但不应理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例是为了使本发明的内容更加完整，更加便于将发明构思全面地传达给本领域的技术人员。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。
在对于具体实施例的介绍过程中，对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是，并不排除本领域技术人员可以在特定情况下，以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
附图中的流程图仅是一种示例性的流程演示，不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤，也不代表必须按照图中所显示的的顺序执行。例如，流程图中有的操作/步骤可以分解，有的操作/步骤可以合并或部分合并，等等，在不脱离本发明的发明主旨的情况下，流程图中显示的执行顺序可以根据实际情况改变。
附图中的框图一般表示的是功能实体，并不一定必然与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
各附图中相同的附图标记表示相同或类似的元件、组件或部分，因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说，这些定语仅是用来将一者与另一者区分。例如，第一器件亦可称为第二器件，但不偏离本发明实质的技术方案。此外，术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
对于信贷业务来说，其通常是由按照既定的策略进行用户群的获取，然后对用户进行授信和放贷。由于大数据、互联网、云计算等技术的发展，已能够实现对于信贷用户和信贷资产进行高效、智能的数据管理、存储和分析成为可能。为了使信贷风险降到最低，本发明将信贷看作是一种向用户购买的资产，对于某个用户群进行的信贷产品可以看作是组合投资，由此，我们创新性地借助了风险投资领域的风险归因模型来对信贷风险进行分析，因此提出一种基于风险归因的信贷风险控制方法。
图1示出了本发明的基于风险归因的信贷风险控制方法的流程。如图1所示，本发明的方法包括如下步骤。
S1、构建信贷风险因子。
首先，基于信贷客户的数据所表示的信贷用户的基本属性，对可能造成其信用风险的元素进行分离归类。例如，可以将身份信息有关的属性值归为一类，例如用户的性别、年龄、学业信息、职业经历信息。还可以将用户的行为模式数据归为一类，例如用户的消费信息、缴费信息、转账信息、多头行为等。此外，还可以对用户的信用类数据归为一类，例如表示的守约记录、失信行为等。
诸如此类，我们可以将信贷风险元素归为多个不同的类别，并基于此构建n个信贷风险因子，n为自然数，n≥2。
对于每个信贷风险因子，对其包含的信贷风险元素进行处理和评分，通常，对于离散型的风险元素，对于不同的值对应的分数，比如我们按照“分数越高风险越小”的原则给定元素得分，例如，关于是否有学历认证，有则记为1，无则记为0。对于连续型的风险元素，则给予不同区间段下对应的分数，例如，对于收入，可以划分成多个区间，例如分为“5000以下”，“5000至20000”，“20000至50000”，“50000以上”，分别给定分数0.2，0.4，0.7，1。此外，对于不同的风险元素，可以进行一定的算法进行组合，例如线性组合，由此可以给予不同的风险元素不同的权重。
由此，我们可以得到多个风险因子的特定计算方式，通过该特定的计算方式，我们可以得到不同每个信贷风险因子的分数(值)(并控制其具有相同的取值空间)。当然，在最开始确定的权重的基础上，对于不同的风险元素，计算方式中的权重值是可以根据对历史数据的验证而进行调整，以使得各风险因子之间的相关性较小。
为了计算各风险因子之间的相关性，我们可以选取历史信贷用户集中的样本数据计算这些风险因子的相关系数，根据该相关系数来调整风险因子计算方式。一般来说，我们应当控制不同风险因子之间相关性，例如使两两风险因子之间的相关系数<0.3。
S2、对于历史信贷用户集，计算历史每天的信贷风险变化Rovd以及各信贷风险因子贡献率fi。
在前面的步骤中，我们已构建了信贷风险因子，即我们获得了对于各信贷风险因子的不同计算方式，由此，对于每个信贷用户，我们可以据此计算其信贷风险因子的值。从而，我们也能够获得历史信贷用户集的各信贷风险因子的值(通过加权平均各信贷用户的风险元素的得分，并通过既定的风险因子计算方式计算得到)。
在本发明中，我们需要的是计算各信贷风险因子的贡献率，在此记为fi。本发明优选为采用如下方式来记算该贡献率：对于每个信贷风险因子，根据信贷风险因子的值的大小，将各所述用户分成m个挡，第1挡、第2档、……第m挡的用户的信贷风险因子的值依次增大，计算第1档的用户的信贷风险值Ovdi1和第m挡的用户的信贷风险值Ovdim，根据以下公式计算信贷风险因子贡献率：
fi＝Ovdim-Ovdi1，
其中，Ovdim表示第m档用户的第i个信贷风险的值，Ovdi1表示第1档用户的第i个信贷风险的值。
本发明中，信贷风险的值可以用任何能够体现信贷风险的指标，例如常用逾期率，包括逾期超过7天、30天、60天等的逾期率。我们可以通过历史信贷用户集来方便地计算得到。
信贷风险因子的贡献率表示的时信贷风险因子对于信贷风险的贡献度。本发明并不限于以上的计算方式，任何能表示信贷风险因子与信贷风险的正向关系的方式都可能成为替代方式。
S3、使用各信贷风险因子贡献率fi拟合所述信贷风险变化Rovd的曲线，得到各信贷风险因子贡献率fi的暴露值xi。
在风险控制中，我们需要时刻关注的时风险的升高或下降，以便采取相应的措施，因此，我们在获得各信贷风险因子对于信贷风险的贡献率之后，我们需要获得信贷风险因子对于风险的变动的作用方式。由于这种作用方式是一种复杂的方式，因此本发明采用曲线拟合的方式进行。
首先，我们对于当前的信贷用户数据，可以方便的获得信贷风险变化Rovd。一种方式是：
其中，Ovdt表示当天的信贷风险的值，Ovdt-1表示前一天的信贷风险的值。
其次，我们使用各信贷风险因子贡献率fi拟合所述信贷风险变化Rovd的曲线，得到各信贷风险因子贡献率fi的暴露值xi。暴露值xi反映的是信贷风险因子在上述信贷风险变化中起到了多少的作用。一种优选的实施方式，所述拟合步骤为多项式拟合，即u表示是回归残差，表示不可解释的部分。
S4、根据各信贷风险因子的暴露值xi调整信贷风险控制策略。
当我们得到了暴露值xi，我们就能够根据该暴露值xi的大小了解是什么样的信贷风险因子在信贷风险的变化中起到了较大的作用。基于此，我们就可以通过技术手段来调节信贷策略。
需要说明的是，该步骤S3和步骤S4是针对真实的的或模拟真实的信贷用户进行的，而非针对历史信贷用户的数据。
对于信贷策略，信贷策略包括选取何种信贷规则，以及使用什么样的信贷指标来调整规则。当前已有多种的现有的数据处理方式来进行自动化的调整。例如，信贷平台上可能建立有多种信贷规则，组成信贷规则集，并且预设有选择和调整信贷规则的方法并进行自动化管理。
由此，我们可以将所述的信贷因子的暴露值作为自动调整信贷规则的一个指标，并预设相应的规则。由此，对于每天的真实的信贷用户数据，我们可以实时的计算各的信贷因子的暴露值并据此调整信贷策略。
本发明不限于该信贷策略的种类，其可以是贷前、贷中、贷后、反欺诈等各种策略。
以下通过一个具体实施例进行说明。
该实施例中，我们根据信贷用户的数据特征构建五个信贷风险因子：
R1：身份识别；
R2：行为模式；
R3：履约能力；
R4：社会关系；
R5：历史守约。
每个信贷风险因子由多个信贷风险元素构成。在此，仅以R1作为例子来说明，其他的信贷风险因子做类似操作。下表列出了四个信贷用户的样本数据。该样本数据来自历史信贷用户集。其中，我们挑选了四个信贷风险元素：年龄、学历、职业、行业，将其作为信贷风险因子R1的元素。
| 信贷用户 | 年龄 | 学历 | 职业 | 行业 |
| P1 | 25 | 硕士 | 企业职员 | IT |
| P2 | 20 | 本科 | 学生 | 无 |
| P3 | 35 | 本科 | 公务员 | 政府机关 |
| P4 | 50 | 大专 | 企业职员 | 机械 |
对于上述数据，我们依照既有的经验或算法将元素的值转化为风险评分。评分值设为0和1之间，评分越高代表风险越小。当然，评分值的范围或评分规则也可取值不同的区间或值，不影响本发明的实质内容。
例如，对于信贷用户P1～P4，得到下列评分：
| 信贷用户 | 年龄分 | 学历分 | 职业分 | 行业分 |
| P1 | 0.6 | 0.8 | 0.7 | 0.7 |
| P2 | 0.5 | 0.7 | 0.5 | 0.2 |
| P3 | 1 | 0.7 | 0.8 | 0.8 |
| P4 | 0.7 | 0.6 | 0.7 | 0.6 |
基于上述信贷元素评分，我们可以据此计算风险因子的得分，作为风险因子的值。例如，我们分别对年龄、学历、职业、行业赋予权值1/10、2/10、3/10、4/10，我们得到信贷风险因子R1的评分：
| 信贷用户 | 年龄分 | 学历分 | 职业分 | 行业分 | R<sub>1</sub>评分 |
| P1 | 0.6 | 0.8 | 0.7 | 0.7 | 0.71 |
| P2 | 0.5 | 0.7 | 0.5 | 0.2 | 0.42 |
| P3 | 1 | 0.7 | 0.8 | 0.8 | 0.8 |
| P4 | 0.7 | 0.6 | 0.7 | 0.6 | 0.64 |
类似的，我们可以获得一个历史信贷用户集中的所有用户的信贷风险因子评分。需要说明的是，上述的权值只是一种示例，实际上，权值可以进行调整和变化。改变权值的一个考虑因素是不同信贷风险之间的相关性。一种优选方式是使两两风险因之间的相关性最小，或者在一个阈值以下。例如该阈值是0.3。
计算相关性的方式可以是现有的计算两个变量之间的相关系数的方式。计算相关系数的公式如下：
其中，cov(R1,R2)表示风险因子R1和R2之间的协方差，Var表示方差。
在计算了一个信贷用户集中的所有用户有各个信贷风险因子之后，我们计算每个信贷风险因子贡献率。
同样，以因子R1为例，我们各用户的R1值(得分)的大小，将各所述用户分成5个挡，例如，R1最小值为0.3，最大值为0.8，我们可以平均分成0.3至0.4为第1挡，0.4至0.5为第2档，等等，每个挡的信贷风险因子的值依次增大。如下表所示：
| R1挡 | 用户 | 人数 | 信贷风险值 |
| 0.3～0.4 | …… | 2568 | 0.041 |
| 0.4～0.5 | P2、…… | 5214 | |
| 0.5～0.6 | …… | 8805 | |
| 0.6～0.7 | P4、…… | 4895 | |
| 0.7～0.8 | P1、P3、…… | 1562 | 0.023 |
接着，我们对于第1挡和第5挡，计算用户的信贷风险值Ovd11和Ovd15。该实施例中，使用逾期超过30天的逾期率来计算，如上表。
可考虑计算五档风险近一月的均值作为信贷风险值的指标，即：
n为天数。
然后，根据以下公式计算信贷风险因子贡献率：
f1＝Ovd15-Ovd11＝0.041-0.023＝0.018。
通过类似的方法，我们获得其他四个信贷风险因子的贡献率：
f2＝0.025
f3＝0.030
f4＝0.021
f5＝0.028
当获得了所有信贷风险因子的贡献率之后，对于需要应用的当前真实的信贷用户的信贷数据，可以方便的获得信贷风险变化Rovd。一种方式是：
其中，Ovdt表示当天的信贷风险的值，Ovdt-1表示前一天的信贷风险的值。
于是，我们可以通过下式Rovd＝x1f1+x2f2+x3f3+x4f4+x5f5+u对每日的风险变化进行拟合，在拟合时，可以选取最近的一段时间(如30天)的风险变化值。
式中：Rovd代表逾期率的涨跌，每日计算；
fi代表第i个风险因子的值；
xi代表该风险因子暴露值；
u代表其他特质因子。
以此，获得每日信贷资产风险在不同因子上的暴露值xi。式中，x1f1表示风险因子1每单位带来的风险值为f1，而xi表示每日在第i个因子上暴露了几单位的风险，u为回归残差，代表不能解释的部分。
在得到了每个信贷风险因子的暴露值xi时，我们可以根据当天或前一段时间的xl来调整信贷策略。
例如，一种简单的方式是，当风险变大，而因子R1对应的暴露值x1在一段时间内升高时，表示因子R1是影响风险变大的主要因素，此时，可以调整针对信贷风险因子R1的风险因素的策略。比如，对于额度策略，可以针对年龄低的、传统行业的或普通职员降低授信额度。
本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由数据处理设备(包括计算机)执行的程序，即计算机程序。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。
下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。
图2是本发明的基于风险归因的信贷风险控制装置的一个实施例的架构图。如图2所示，本发明的装置包括构建模块、计算模块、拟合模块和控制模块。
构建模块用于将信贷风险元素进行归类，构建n个信贷风险因子，n和i均为自然数，n≥2，1≤i≤n；该实施例中，我们根据信贷用户的数据特征构建五个信贷风险因子，每个信贷风险因子均由多个信贷风险元素构成。
R1：身份识别；
R2：行为模式；
R3：履约能力；
R4：社会关系；
R5：历史守约。
计算模块，用于对于历史信贷用户集，计算历史每天的信贷风险变化Rovd以及各信贷风险因子贡献率fi。同样，以因子R1为例，我们各用户的R1值(得分)的大小，将各所述用户分成5个挡，例如，R1最小值为0.3，最大值为0.8，我们可以平均分成0.3至0.4为第1挡，0.4至0.5为第2档，等等，每个挡的信贷风险因子的值依次增大。如下表所示：
接着，我们对于第1挡和第5挡，计算用户的信贷风险值Ovd11和Ovd15。该实施例中，使用逾期超过30天的逾期率来计算，如上表。
可考虑计算五档风险近一月的均值作为信贷风险值的指标，即：
n为天数。
然后，根据以下公式计算信贷风险因子贡献率：
f1＝Ovd15-Ovd11＝0.041-0.023＝0.018。
通过类似的方法，我们获得其他四个信贷风险因子的贡献率：
f2＝0.025
f3＝0.030
f4＝0.021
f5＝0.028
拟合模块，用于使用各信贷风险因子贡献率fi拟合所述信贷风险变化Rovd的曲线，得到各信贷风险因子贡献率fi的暴露值xi；在该实施例中，可以通过下式Rovd＝x1f1+x2f2+x3f3+x4f4+x5f5+u对每日的风险变化进行拟合，在拟合时，可以选取最近的一段时间(如30天)的风险变化值。
式中：Rovd代表逾期率的涨跌，每日计算；
fi代表第i个风险因子的值；
xi代表该风险因子暴露值；
u代表其他特质因子。
以此，获得每日信贷资产风险在不同因子上的暴露值xi。式中，x1f1表示风险因子1每单位带来的风险值为f1，而xi表示每日在第i个因子上暴露了几单位的风险，u为回归残差，代表不能解释的部分。
控制模块，用于根据各信贷风险因子的暴露值xi调整信贷风险控制策略。例如，一种简单的方式是，当风险变大，而因子R1对应的暴露值x1在一段时间内升高时，表示因子R1是影响风险变大的主要因素，此时，可以调整针对信贷风险因子R1的风险因素的策略。比如，对于额度策略，可以针对年龄低的、传统行业的或普通职员降低授信额度。
本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的实体形式的实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
图3是根据本发明的一种电子设备的示例性实施例的结构框图。图3显示的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示，该示例性实施例的电子设备310以通用数据处理设备的形式表现。电子设备310的组件可以包括但不限于：至少一个处理单元311、至少一个存储单元312、连接不同系统组件(包括存储单元312和处理单元311)的总线316、显示单元313等。
其中，所述存储单元312存储有计算机可读程序，其可以是源程序或都只读程序的代码。所述程序可以被处理单元311执行，使得所述处理单元210执行本发明各种实施方式的步骤。例如，所述处理单元311可以执行如图1所示的步骤。
所述存储单元312可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)3121和/或高速缓存存储单元3122，还可以进一步包括只读存储单元(ROM)3123。所述存储单元312还可以包括具有一组(至少一个)程序模块3125的程序/实用工具3124，这样的程序模块3125包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线316可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备310也可以与一个或多个外部设备320(例如键盘、显示器、网络设备、蓝牙设备等)通信，使得用户能经由这些外部设备320与该电子设备320交互，和/或使得该电子设备310能与一个或多个其它数据处理设备(例如路由器、调制解调器等等)进行通信。这种通信可以通过输入/输出(I/O)接口314进行，还可以通过网络适配器315与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)进行。网络适配器315可以通过总线316与电子设备320的其它模块通信。应当明白，尽管图中未示出，电子设备310中可使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
图4是本发明的一个计算机可读介质实施例的示意图。如图4所示，所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。当所述计算机程序被一个或多个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台数据处理设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述，本发明可以执行计算机程序的方法、装置、电子设备或计算机可读介质来实现。可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现本发明的一些或者全部功能。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于风险归因的信贷风险控制方法，其特征在于，包括：
将信贷风险元素进行归类，构建n个信贷风险因子，n和i均为自然数，n≥2，1≤i≤n；
对于历史信贷用户集，计算历史每天的信贷风险变化Rovd以及各信贷风险因子贡献率fi；
使用各信贷风险因子贡献率fi拟合所述信贷风险变化Rovd的曲线，得到各信贷风险因子贡献率fi的暴露值xi；
根据各信贷风险因子的暴露值xi调整信贷风险控制策略。
2.根据权利要求1所述的基于风险归因的信贷风险控制方法，其特征在于，所述拟合步骤为多项式拟合，即u表示是回归残差。
3.根据权利要求1-2中任一项所述的基于风险归因的信贷风险控制方法，其特征在于，根据以下方法计算所述信贷风险因子贡献率：
对于所述历史信贷用户集中的每个用户，计算每个信贷风险因子的值；
对于每个信贷风险因子，根据信贷风险因子的值的大小，将各所述用户分成m个挡，第1挡、第2档、……第m挡的用户的信贷风险因子的值依次增大，计算第1档的用户的信贷风险值Ovdi1和第m挡的用户的信贷风险值Ovdim，根据以下公式计算信贷风险因子贡献率：
fi＝Ovdim-Ovdi1，
其中，Ovdim表示第m档用户的第i个信贷风险的值，Ovdi1表示第1档用户的第i个信贷风险的值。
4.根据权利要求1-3中任一项所述的基于风险归因的信贷风险控制方法，其特征在于，各挡的信贷风险因子的范围大小相等。
5.根据权利要求1-4中任一项所述的基于风险归因的信贷风险控制方法，其特征在于，m＝5，每个信贷风险因子的挡按照20％的间隔平均划分为5个区间。
6.根据权利要求1-5中任一项所述的基于风险归因的信贷风险控制方法，其特征在于，根据以下公式计算信贷风险变化：
其中，Ovdt表示当天的信贷风险的值，Ovdt-1表示前一天的信贷风险的值。
7.根据权利要求1-6中任一项所述的基于风险归因的信贷风险控制方法，其特征在于：所述信贷风险的值是逾期率。
8.一种基于风险归因的信贷风险控制装置，其特征在于，包括：
构建模块，用于将信贷风险元素进行归类，构建n个信贷风险因子，n和i均为自然数，n≥2，1≤i≤n；
计算模块，用于对于历史信贷用户集，计算历史每天的信贷风险变化Rovd以及各信贷风险因子贡献率fi；
拟合模块，用于使用各信贷风险因子贡献率fi拟合所述信贷风险变化Rovd的曲线，得到各信贷风险因子贡献率fi的暴露值xi；
控制模块，用于根据各信贷风险因子的暴露值xi调整信贷风险控制策略。
9.一种电子设备，其中，该电子设备包括：
处理器；以及，存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910578965.1A CN110348995A (zh) | 2019-06-28 | 2019-06-28 | 一种基于风险归因的信贷风险控制方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910578965.1A CN110348995A (zh) | 2019-06-28 | 2019-06-28 | 一种基于风险归因的信贷风险控制方法、装置和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110348995A true CN110348995A (zh) | 2019-10-18 |
Family
ID=68177285
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910578965.1A Pending CN110348995A (zh) | 2019-06-28 | 2019-06-28 | 一种基于风险归因的信贷风险控制方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110348995A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115545881A (zh) * | 2022-09-02 | 2022-12-30 | 睿智合创(北京)科技有限公司 | 一种基于信贷风险处理的风险因子归因方法 |
| CN117437036A (zh) * | 2023-12-18 | 2024-01-23 | 杭银消费金融股份有限公司 | 一种基于多任务提升树的信贷风控管理方法与系统 |
| CN117853232A (zh) * | 2024-03-07 | 2024-04-09 | 杭银消费金融股份有限公司 | 一种信贷风险异常巡检归因预警方法与系统 |
-
2019
- 2019-06-28 CN CN201910578965.1A patent/CN110348995A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115545881A (zh) * | 2022-09-02 | 2022-12-30 | 睿智合创(北京)科技有限公司 | 一种基于信贷风险处理的风险因子归因方法 |
| CN117437036A (zh) * | 2023-12-18 | 2024-01-23 | 杭银消费金融股份有限公司 | 一种基于多任务提升树的信贷风控管理方法与系统 |
| CN117437036B (zh) * | 2023-12-18 | 2024-03-26 | 杭银消费金融股份有限公司 | 一种基于多任务提升树的信贷风控管理方法与系统 |
| CN117853232A (zh) * | 2024-03-07 | 2024-04-09 | 杭银消费金融股份有限公司 | 一种信贷风险异常巡检归因预警方法与系统 |
| CN117853232B (zh) * | 2024-03-07 | 2024-05-24 | 杭银消费金融股份有限公司 | 一种信贷风险异常巡检归因预警方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI248001B (en) | Methods and apparatus for automated underwriting of segmentable portfolio assets | |
| CN110349000A (zh) | 基于用户分群的提额策略确定方法、装置和电子设备 | |
| CN110348727A (zh) | 一种基于用户风险等级和用户动支意愿的营销策略制定方法、装置和电子设备 | |
| CN109409677A (zh) | 企业信用风险评估方法、装置、设备及存储介质 | |
| Guo et al. | Quantitative trading: algorithms, analytics, data, models, optimization | |
| CN110349009A (zh) | 一种多头借贷违约预测方法、装置和电子设备 | |
| CN111340616B (zh) | 线上贷款的审批方法、装置、设备及介质 | |
| CN110335141A (zh) | 一种基于多模型的授信额度确定方法、装置和电子设备 | |
| CN110348995A (zh) | 一种基于风险归因的信贷风险控制方法、装置和电子设备 | |
| CN110415103A (zh) | 基于变量影响度指标进行用户分群提额的方法、装置和电子设备 | |
| Foroghi et al. | Applying decision tree to predict bankruptcy | |
| US20110047058A1 (en) | Apparatus and method for modeling loan attributes | |
| CN110472815A (zh) | 一种供应链金融业务中对融资企业的风险控制方法及系统 | |
| CN110349007A (zh) | 基于变量区分度指标进行用户分群提额的方法、装置和电子设备 | |
| Lin et al. | Tourism demand forecasting: Econometric model based on multivariate adaptive regression splines, artificial neural network and support vector regression | |
| CN111383091A (zh) | 一种资产证券化定价方法和装置 | |
| CN110796539A (zh) | 一种征信评估方法及装置 | |
| Nielsen et al. | Finite sample accuracy and choice of sampling frequency in integrated volatility estimation | |
| CN111506876A (zh) | 一种数据预测分析方法、系统、设备及可读存储介质 | |
| CN109767333A (zh) | 选基方法、装置、电子设备及计算机可读存储介质 | |
| CN110033165A (zh) | 逾期借款催收方式的推荐方法、装置、介质、电子设备 | |
| Filiz et al. | Graphical models for correlated defaults | |
| AU2020351871A1 (en) | Dynamically-generated electronic database for portfolio selection | |
| US20110264602A1 (en) | Computer-Implemented Systems And Methods For Implementing Dynamic Trading Strategies In Risk Computations | |
| Sharma et al. | Computing value-at-risk using genetic algorithm |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |