CN110363642A - 贷款数据处理方法、装置、可读存储介质和程序产品 - Google Patents
贷款数据处理方法、装置、可读存储介质和程序产品 Download PDFInfo
- Publication number
- CN110363642A CN110363642A CN201910307125.1A CN201910307125A CN110363642A CN 110363642 A CN110363642 A CN 110363642A CN 201910307125 A CN201910307125 A CN 201910307125A CN 110363642 A CN110363642 A CN 110363642A
- Authority
- CN
- China
- Prior art keywords
- guarantee
- loan
- candidate
- client
- dimension
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims description 59
- 238000012986 modification Methods 0.000 claims description 31
- 230000004048 modification Effects 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000001052 transient effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 39
- 230000006399 behavior Effects 0.000 description 6
- 241000208340 Araliaceae Species 0.000 description 5
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 5
- 235000003140 Panax quinquefolius Nutrition 0.000 description 5
- 235000008434 ginseng Nutrition 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001447 compensatory effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction 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)
Abstract
本申请提供了一种贷款数据处理方法、装置、可读存储介质和程序产品,本申请涉及人工智能技术领域。本申请确定客户的征信评分;若客户征信评分低于预设阈值,根据当前存储的维度确定候选担保方;采用目标函数及约束条件,从候选担保方中,确定多个最终担保方及各最终担保方实际担保金额;按确定的实际担保金额,由各最终担保方共同对客户进行担保。本申请在客户的征信评分低于预设阈值的情况下,先根据当前存储的维度确定候选担保方,再采用目标函数及约束条件,从候选担保方中,确定多个最终担保方及各最终担保方的实际担保金额,最后按确定的实际担保金额,由各最终担保方共同对客户进行担保。实现了客户的征信评分不理想时的多担保方共同担保。
Description
【技术领域】
本发明涉及人工智能技术领域,尤其涉及贷款数据处理方法、装置、可读存储介质和程序产品。
【背景技术】
随着互联网金融的发展,P2P网络借贷凭借其手续便利、信息透明等属性,越来越多的为人们所熟知。
网络借贷的主要模式是借贷人与投资人双方在网络借贷平台自由竞价,撮合成交。投资人获取利息收益并承担风险,借贷人到期偿还本金,提供网络借贷平台的信贷公司收取中介服务费。网络借贷平台的担保模式包括无担保模式和有担保模式,其中,有担保模式包括平台自身担保和第三方担保。
第三方担保是指当借贷人不履行对投资人负有的债务时,由第三方(以下称“担保方”)依法承担对相应投资人的代偿责任。
但传统的基于第三方担保模式的网络借贷平台仅支持单一担保功能,换言之,一个网络借贷平台只能由唯一担保方做担保,由此全部借贷人的担保责任集中至唯一担保方。而单一担保方担保金额有限,使得贷款申请受限。
【发明内容】
为解决上述问题,本申请实施例提供了一种贷款数据处理方法,所述方法包括:
确定客户的征信评分;
若客户的征信评分低于预设阈值时,根据当前存储的维度确定候选担保方;
采用如下的目标函数及约束条件,从所述候选担保方中,确定多个最终担保方及各最终担保方的实际担保金额:
目标函数:
约束函数:U=0;mixi≤候选担保方i的担保能力;
按确定的实际担保金额,由各最终担保方共同对所述客户进行担保;
其中,T为本次贷款金额,i为候选担保方标识,mi为候选担保方i的担保权重,xi为候选担保方i的当前最大担保金额,mixi为候选担保方i的实际担保金额;
候选担保方i的担保能力=(候选担保方i的注册资金-候选担保方i的预设阈值)-候选担保方i的均担保转化率*(候选担保方i的已放金额-候选担保方i的在途金额)。
可选地,所述当前存储的维度,包括:城市区编码,渠道,最终资产标签,资产标签,期限,还款方式,客户价值标签,评级,媒体来源,借款用途。
可选地,所述采用如下的目标函数及约束条件,从所述候选担保方中,确定多个最终担保方及各最终担保方的实际担保金额之前,还包括:
获取维度处理指令,所述维度处理指令为维度增加指令,或者,维度删除指令,或者,维度修改指令;所述维度增加指令中包括待增加的维度;所述维度删除指令中包括待删除的维度;所述维度修改指令中包括修改前信息和修改后信息;
若获取到维度增加指令,则将所述待增加的维度存储至已存的维度中;
若获取到维度删除指令,则将所述待删除的维度从已存的维度中删除;
若获取到维度修改指令,则在已存储的维度中确定与所述修改前信息匹配的待修改维度,根据所述待修改后信息修改所述待修改维度的值。
可选地,所述确定客户的征信评分,包括:
确定国家征信中心对所述客户的征信结论,根据所述客户的征信结论确定第一征信评分参数值;
确定所述客户的历史借贷信息,根据所述客户的历史借贷信息确定第二征信评分参数值;
确定所述客户的本次贷款信息,根据所述客户的本次贷款信息确定第三征信评分参数值;
根据第一征信评分参数值、第二征信评分参数值和第三征信评分参数值确定所述客户的征信评分;
其中,所述历史借贷信息包括:历史贷款数量,历史贷款总金额,每次贷款时间,每次贷款的还款情况,逾期还款次数,逾期还款涉及的总金额;
所述本次贷款信息包括:本次贷款金额,本次贷款时长,本次贷款距上次贷款之间的间隔时间。
可选地,所述根据所述客户的征信结论确定第一征信评分参数值,包括:
若所述征信结论为所述客户已入黑名单,则确定所述客户的第一征信评分参数=-1;
若所述征信结论为所述客户未入黑名单,则确定所述客户的第一征信评分参数=1。
可选地,所述根据所述客户的历史借贷信息确定第二征信评分参数值,包括:
根据所述每次贷款时间,确定贷款时间大于5年的数量n11,贷款时间小于或等于5年但大于1年的数量n12,贷款时间小于等于一年但大于6个月的数量n13,贷款数量小于或等于6个月的数量n14;
根据每次贷款的还款情况,确定提前还款数量n21,按时还款数量n22,逾期还款数量n23;
第二征信评分参数值=(逾期还款次数/历史贷款数量)*(w21*n21+w22*n22+w23*n23)+(历史贷款总金额/逾期还款涉及的总金额)*(w11*n11+w12*n12+w13*n13+w14*n14);
其中,w11、w12、w13和w14为系数,w11+w12+w13+w14=1,且w11>w12>w13>w14;w21、w22和w23,w21+w22+w23=1,且w23>w22>w21。
可选地,所述根据所述客户的本次贷款信息确定第三征信评分参数值,包括:
根据本次贷款时长,确定时长上限和时长下限;
根据所述历史借贷信息确定贷款时间位于所述时长下限与所述时长上限之间的历史贷款总金额;
第三征信评分参数值=(本次贷款距上次贷款之间的间隔时间/本次贷款时长)*(本次贷款金额/历史贷款总金额);
若本次贷款时长大于1年,则所述时长上限为本次贷款时长的上取整+1,所述时长下限为本次贷款时长的下取整;
若本次贷款时长不大于1年,则所述时长上限为1,所述时长下限为0。
本申请实施例还提供了一种贷款数据处理装置,所述装置包括:
第一确定模块,用于确定客户的征信评分;
第二确定模块,用于当客户的征信评分低于预设阈值时,根据当前存储的维度确定候选担保方;
第三确定模块,用于采用如下的目标函数及约束条件,从所述候选担保方中,确定多个最终担保方及各最终担保方的实际担保金额:
目标函数:
约束函数:U=0;mixi≤候选担保方i的担保能力;
担保模块,用于按确定的实际担保金额,由各最终担保方共同对所述客户进行担保;
其中,T为本次贷款金额,i为候选担保方标识,mi为候选担保方i的担保权重,xi为候选担保方i的当前最大担保金额,mixi为候选担保方i的实际担保金额;
候选担保方i的担保能力=(候选担保方i的注册资金-候选担保方i的预设阈值)-候选担保方i的均担保转化率*(候选担保方i的已放金额-候选担保方i的在途金额)。
本申请实施例还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储有计算机指令,所述计算机指令使所述计算机执行本申请上述贷款数据处理方法。
本申请实施例还提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行本申请上述贷款数据处理方法。
有益效果如下:
在客户的征信评分低于预设阈值的情况下,先根据当前存储的维度确定候选担保方,再采用目标函数及约束条件,从候选担保方中,确定多个最终担保方及各最终担保方的实际担保金额,最后按确定的实际担保金额,由各最终担保方共同对客户进行担保。实现了客户的征信评分不理想时的多担保方共同担保,解决了现有方案中不能多担保方共同担保进而不能贷款的问题。
另外,本申请的贷款数据处理方法,对于担保方并无特殊要求,普通合作的担保公司即可,拓展了本方法的应用场景,降低了本方法的使用门槛,使得本方法具有较佳的应用价值。
此外,本方法针对每个客户的不同的征信评分,动态的确定担保方和担保比例,灵活的实现增信方式的调整,但业务逻辑可以不变,使得本方法用更佳灵活多变,效果更佳贴合客户当前的情况,提升客户体验。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1示出了本申请一实施例提供的一种贷款数据处理方法的流程示意图;
图2示出了本申请一实施例提供的一种贷款数据处理装置的结构示意图;
图3示出了本申请一实施例提供的一种计算机设备的示意图。
【具体实施方式】
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
传统的基于第三方担保模式的网络借贷平台仅支持单一担保功能,换言之,一个网络借贷平台只能由唯一担保方做担保,由此全部借贷人的担保责任集中至唯一担保方。如果借贷人希望基于多个担保方进行贷款,则需要在多个网络借贷平台分别录入贷款申请数据,操作繁琐,使得贷款申请效率降低。
基于此,本申请提供一种贷款数据处理方法,在客户的征信评分低于预设阈值的情况下,先根据当前存储的维度确定候选担保方,再采用目标函数及约束条件,从候选担保方中,确定多个最终担保方及各最终担保方的实际担保金额,最后按确定的实际担保金额,由各最终担保方共同对客户进行担保。实现了客户的征信评分不理想时的多担保方共同担保,解决了现有方案中不能多担保方共同担保进而不能贷款的问题。
如图1所示,本实施例提供的贷款数据处理方法的实现流程如下:
101,确定客户的征信评分。
客户的征信评分是对信用的一个衡量指标。
本步骤的实现过程包括但不限于:
101-1,确定国家征信中心对客户的征信结论,根据客户的征信结论确定第一征信评分参数值。
例如,通过接口与国家征信中心建立连接,获取客户的征信结论。若征信结论为客户已入黑名单,则确定客户的第一征信评分参数=-1。若征信结论为客户未入黑名单,则确定客户的第一征信评分参数=1。
通过第一征信评分参数值可以从国家征信中心的客观层面对该客户的可信度进行评价。
101-2,确定客户的历史借贷信息,根据客户的历史借贷信息确定第二征信评分参数值。
其中,历史借贷信息包括但不限于:历史贷款数量,历史贷款总金额,每次贷款时间,每次贷款的还款情况,逾期还款次数,逾期还款涉及的总金额。
历史贷款数量可以反映该用户的贷款习惯,如果贷款数量较高,则反映经常贷款,用未来的钱满足当前的需求,如果贷款数量不高,则反映不经常贷款,仅在急需时才偶尔贷款。
历史贷款总金额可以反映该用户的贷款需求,如果贷款金额较多,则反映客户贷款需求远大于客户的收入,贷款需求较高,如果贷款金额较低,则反映客户的收入基本满足客户的贷款需求,贷款需求较低。
每次贷款时间可以反映该用户的还款能力,如果每次贷款时间较少,则反映客户贷款后能在短时间内偿还,还款能力较强,如果每次贷款时间较长,则反映客户贷款不能在短时间内偿还,还款行为能力较弱。
每次贷款的还款情况可以反映该用户的还款行为,如果每次贷款时间较少,则反映客户贷款后及时还款,还款行为积极,如果每次贷款时间较长,则反映客户贷款后拖延还款,还款行为不积极。
逾期还款次数可以反映该用户本次逾期还款可能性,如果逾期还款次数较多,则反映客户经常逾期还款,本次再向其贷款进而逾期还款的可能性较大,如果逾期还款次数较少,则反映客户不常逾期还款,本次再向其贷款进而逾期还款的可能性较小。
逾期还款涉及的总金额也可以反映该用户本次逾期还款可能性,如果逾期还款涉及的总金额较大,则反映客户逾期款额较多,本次再向其贷款可能因为待还款额较大,而造成本次贷款逾期还款,如果逾期还款涉及的总金额较小,则反映客户逾期款额较少,本次再向其贷款可能不会逾期还款。
具体的,101-2的实现过程包括但不限于:
1.1根据每次贷款时间,确定贷款时间大于5年的数量n11,贷款时间小于或等于5年但大于1年的数量n12,贷款时间小于等于一年但大于6个月的数量n13,贷款数量小于或等于6个月的数量n14。
1.2根据每次贷款的还款情况,确定提前还款数量n21,按时还款数量n22,逾期还款数量n23。
1.3第二征信评分参数值=(逾期还款次数/历史贷款数量)*(w21*n21+w22*n22+w23*n23)+(历史贷款总金额/逾期还款涉及的总金额)*(w11*n11+w12*n12+w13*n13+w14*n14)。
其中,w11、w12、w13和w14为系数,w11、w12、w13和w14的具体值本实施例不做限定,只要w11+w12+w13+w14=1,且w11>w12>w13>w14即可。w21、w22和w23,w21、w22和w23的具体值本实施例也不做限定,只要w21+w22+w23=1,且w23>w22>w21即可。
通过第二征信评分参数值可以从行为习惯方面对该客户的可信度进行评价。
101-3,确定客户的本次贷款信息,根据客户的本次贷款信息确定第三征信评分参数值。
其中,本次贷款信息包括:本次贷款金额,本次贷款时长,本次贷款距上次贷款之间的间隔时间。
本次贷款金额可以反映该用户本次偿还可能性,如果本次贷款金额较小,则反映客户还款压力较小,本次贷款的偿还可能性较大,如果本次贷款金额较大,则反映客户还款压力较大,本次贷款的逾期偿还可能性增大。
本次贷款时长也可以反映该用户本次偿还可能性,如果本次贷款时间较长,则反映客户会有充足时间进行偿还,客户还款压力较小,本次贷款的偿还可能性较大,如果本次贷款时间较短,则反映客户会有偿还时间较紧迫,客户还款压力较大,本次贷款的逾期偿还可能性增大。
本次贷款距上次贷款之间的间隔时间也可以反映该用户本次偿还可能性,如果本次贷款距上次贷款之间的间隔时间较短,则反映客户贷款较频,很可能在同一时间不仅需要偿还本次贷款,还需偿还其他已经进行的贷款,偿还压力较大,本次贷款的逾期偿还可能性增大,如果本次贷款距上次贷款之间的间隔时间较长,则反映客户贷款不频,偿还完其他已经进行的贷款后再偿还本次贷款的可能性较大,偿还压力较小,本次贷款的偿还可能性较大。
具体的,101-3的实现过程包括但不限于:
2.1根据本次贷款时长,确定时长上限和时长下限。
若本次贷款时长大于1年,则时长上限为本次贷款时长的上取整+1,时长下限为本次贷款时长的下取整。
若本次贷款时长不大于1年,则时长上限为1,时长下限为0。
例如,本次贷款时长为1.5年(即1年半),则时长上限为1.5的上取整+1=2+1=3,时长下限为1.5的下取整=1。
再例如,本次贷款时长为0.5年(即半年),则时长上限为1,时长下限为0。
2.2根据历史借贷信息确定贷款时间位于时长上限与时长下限之间的历史贷款总金额。
以本次贷款时长为1.5年为例,根据历史借贷信息中的每次贷款时间确定贷款时间位于1年至2年之间的历史贷款金额总和。
2.3第三征信评分参数值=(本次贷款距上次贷款之间的间隔时间/本次贷款时长)*(本次贷款金额/历史贷款总金额)。
通过第三征信评分参数值可以从本次贷款金额方面对该客户的还款可能性进行评价。
101-4,根据第一征信评分参数值、第二征信评分参数值和第三征信评分参数值确定客户的征信评分。
本步骤的具体实现方式包括但不限于:将第一征信评分参数值、第二征信评分参数值和第三征信评分参数值的总和作为客户的征信评分。
本步骤在确定客户征信评分时,在国家提供的征信结论的基础上,考虑客户的历史贷款行为可以有效的对客户本身的信用情况做准确的评估。在此基础上,再考虑客户本次贷款情况,可以有效的评估客户对于本次贷款的偿还能力,此种方式确定出的征信评分,不仅贴合客户本身,而且可以随着当前的贷款情况动态调整,使得该征信评分也贴合本次贷款要求,保证了最终担保方和担保比例的准确评估。
若客户的征信评分不低于预设阈值,则认为该客户信用无问题,可以进入贷款流程。若客户的征信评分低于预设阈值时,则认为该客户信用有问题。对于客户信用有问题的情况,现有技术不会批准该用户的贷款请求,该用户不能进行贷款。而本实施例提供的方法,与现有技术不同,不会简单的确定不批准该用户的贷款请求,而是通过步骤102至步骤104,根据当前存储的维度确定多个担保方同时对其进行担保。
102,若客户的征信评分低于预设阈值时,根据当前存储的维度确定候选担保方。
其中,当前存储的维度,包括但不限于:城市区编码,渠道,最终资产标签,资产标签,期限,还款方式,客户价值标签,评级,媒体来源,借款用途。
例如,担保方在注册时会根据其自身情况确定能够为其担保的目标客户的维度,该维度可以限制目标客户的范围,因此,担保方会报备能够为其担保的目标客户的所在城市,渠道,最终资产标签,资产标签,期限,还款方式,客户价值标签,评级,媒体来源,借款用途等。
而客户在本次贷款之前也会存储其维度,例如所在城市,渠道,最终资产标签,资产标签,期限,还款方式,客户价值标签,评级,媒体来源,借款用途等。
本步骤即选择报备的信息与存储的维度相匹配的担保方,将其做为候选担保方,给最终担保方的确定提供合理的候选对象。由于候选担保方是针对每个客户的维度针对性的确定,进而提供合理的候选对象,增加了本实施例的方法所提供的候选对象与该客户的匹配度,不仅提升了本本实施例的方法的实现效果,而且增加了客户体验。
另外,本实施例中的方法,提供对维度的增删改等操作,且操作后及时生效,即可作为选择候选担保方的依据。维度的及时生效以及动态调整的功能,保证了本实施例提供的方案在确定候选担保方时所考虑的因素的实时性,避免了由于使用旧数据而造成的候选担保方的确定误差,提升方案的准确性。
例如,客户或者担保方发送一个维度处理指令,维度处理指令包括但不限于如下三种:
1)维度增加指令
维度增加指令中会包括待增加的维度。
2)维度删除指令
维度删除指令中会包括待删除的维度。
3)维度修改指令
维度修改指令中会包括修改前信息和修改后信息。
本实施例提供的方法,会实时获取该维度处理指令。若获取到维度增加指令,则将待增加的维度存储至已存的维度中。若获取到维度删除指令,则将待删除的维度从已存的维度中删除。若获取到维度修改指令,则在已存储的维度中确定与修改前信息匹配的待修改维度,根据待修改后信息修改待修改维度的值。
103,采用目标函数及约束条件,从候选担保方中,确定多个最终担保方及各最终担保方的实际担保金额。
步骤103所采用的目标函数及约束条件如下:
目标函数:
约束函数:U=0。mixi≤候选担保方i的担保能力。
其中,T为本次贷款金额,i为候选担保方标识,mi为候选担保方i的担保权重,xi为候选担保方i的当前最大担保金额,mixi为候选担保方i的实际担保金额。
候选担保方i的担保能力=(候选担保方i的注册资金-候选担保方i的预设阈值)-候选担保方i的均担保转化率*(候选担保方i的已放金额-候选担保方i的在途金额)。
候选担保方的担保能力是对候选担保方的担保能力的客观评价,具体通过候选担保方的注册资金、候选担保方的预设阈值、候选担保方的均担保转化率、候选担保方的已放金额、候选担保方的在途金额确定。
其中,注册资金代表候选担保方的风险应对体量,当被担保客户不能偿还时,可以通过对注册资金的抵扣实现偿还,因此注册资金较多的担保方其担保能力较强。
候选担保方的预设阈值是候选担保方对自己的风险控制值,若大于该预设阈值,表明该担保方自身认为其担保吃力,担保能力不足。
候选担保方的均担保转化率描述了担保方平所有发生过的担保行为的平均担保转化率,该值较高,说明其由于为客户进行担保而偿还客户债务的行为较高,该担保方的担保能力会因此降低。
候选担保方的已放金额和候选担保方的在途金额均描述了担保方的当前担保行为,若已放金额和在途金额较高,说明担保方目前可用于为本次贷款进行担保的资金较低,其担保能力会因此降低。
通过注册资金与阀值的差,可以反应候选担保方的担保风险。通过历史担保情况,反应候选担保方的担保信用。通过已放、在途,反应候选担保方的当前担保情况。综合担保风险、担保信用和当前担保情况,预估该候选担保方的目前担保能力,既考虑了担保公司当前已担保情况,又考虑了担保公司的信用情况,还考虑了担保公司可进行无风险的安全担保数量,保证了本次担保风险可控。
对于担保金额大于注册资金的超额担保,具有较大的担保风险。本实施例的方法通过候选担保方的担保能力可以有效的降低该风险,进而支持超额担保。
步骤103是个求最优解的过程,即通过目标函数及约束条件确定最优解(即mi),根据最优解确定的mixi的值即为满足本次贷款金额的各候选担保方实际担保金额。将mi不为0的候选担保方确定为最终担保方。
例如,本次贷款金额为1万,候选担保方有3家,担保方A,担保方B,担保方C,担保方A的当前最大担保金额为1万,担保方B的当前最大担保金额为1万,担保方C的当前最大担保金额为0.5万,若确定满足步骤103所采用的目标函数及约束条件的担保方A的的担保权重为50%,满足步骤103所采用的目标函数及约束条件的担保方B的的担保权重为50%,满足步骤103所采用的目标函数及约束条件的担保方C的的担保权重为。则确定最终担保方为担保方A和担保方B,担保方A的实际担保金额为0.5万,担保方B的实际担保金额为0.5万。
步骤103在求最优解的时候,不仅要求最终的U=0(即本次贷款金额被全部担保),而且使得担保能力高的候选担保方尽可能的多担保,担保能力低的候选担保方少担保。通过对目标函数和约束条件进行最优解的计算,合理的确定出本次担保的最终担保方及各最终担保方的实际担保金额。
本步骤的求最优解过程会根据不同客户的贷款金额,以及各候选担保方的当前担保状态动态调整担保公司和担保比例,在降低担保风险的同时,灵活的实现增信方式的调整,但业务逻辑可以不变,使得本方案使用更佳灵活多变,效果更佳贴合客户当前的情况,提升客户体验。
104,按确定的实际担保金额,由各最终担保方共同对客户进行担保。
仍以步骤103中的例子为例,则有担保方A和担保方B共同对客户进行担保,其中担保方A担保其中的0.5万,担保方B担保其中的0.5万。
对于需要查询客户信用的贷款产品,如果客户的信用不理想,目前的方案为需要担保方为客户背书,不能多个担保方共同担保,风险更大。而通过实施例的方法,通过信用评分衡量用户信用,根据信用评分灵活采用多个担保方共同担保,降低担保风险。
另外,本实施例的方法对于担保方并无特殊要求,普通合作的担保公司即可,拓展了本实施例的方法的应用场景,降低了本实施例的方法的使用门槛,使得本实施例的方法具有较佳的应用价值。
此外,本实施例的方法针对每个客户的不同的征信评分,动态的确定担保方和担保比例,灵活的实现增信方式的调整,但业务逻辑可以不变,使得本实施例的方法使用更佳灵活多变,效果更佳贴合客户当前的情况,提升客户体验。
有益效果:
在客户的征信评分低于预设阈值的情况下,先根据当前存储的维度确定候选担保方,再采用目标函数及约束条件,从候选担保方中,确定多个最终担保方及各最终担保方的实际担保金额,最后按确定的实际担保金额,由各最终担保方共同对客户进行担保。实现了客户的征信评分不理想时的多担保方共同担保,解决了现有方案中不能多担保方共同担保进而不能贷款的问题。
基于与图1所示的贷款数据处理方法同一发明构思,本实施例还提供一种一种贷款数据处理装置,参见图2。
第一确定模块201,用于确定客户的征信评分;
第二确定模块202,用于当客户的征信评分低于预设阈值时,根据当前存储的维度确定候选担保方;
第三确定模块203,用于采用如下的目标函数及约束条件,从候选担保方中,确定多个最终担保方及各最终担保方的实际担保金额:
目标函数:
约束函数:U=0;mixi≤候选担保方i的担保能力;
担保模块204,用于按确定的实际担保金额,由各最终担保方共同对客户进行担保;
其中,T为本次贷款金额,i为候选担保方标识,mi为候选担保方i的担保权重,xi为候选担保方i的当前最大担保金额,mixi为候选担保方i的实际担保金额;
候选担保方i的担保能力=(候选担保方i的注册资金-候选担保方i的预设阈值)-候选担保方i的均担保转化率*(候选担保方i的已放金额-候选担保方i的在途金额)。
可选地,当前存储的维度,包括:城市区编码,渠道,最终资产标签,资产标签,期限,还款方式,客户价值标签,评级,媒体来源,借款用途。
可选地,所述装置还包括:
获取模块,用于获取维度处理指令,维度处理指令为维度增加指令,或者,维度删除指令,或者,维度修改指令;维度增加指令中包括待增加的维度;维度删除指令中包括待删除的维度;维度修改指令中包括修改前信息和修改后信息;
处理模块,用于若获取到维度增加指令,则将待增加的维度存储至已存的维度中;若获取到维度删除指令,则将待删除的维度从已存的维度中删除;若获取到维度修改指令,则在已存储的维度中确定与修改前信息匹配的待修改维度,根据待修改后信息修改待修改维度的值。
可选地,第一确定模块201,用于确定国家征信中心对客户的征信结论,根据客户的征信结论确定第一征信评分参数值;确定客户的历史借贷信息,根据客户的历史借贷信息确定第二征信评分参数值;确定客户的本次贷款信息,根据客户的本次贷款信息确定第三征信评分参数值;根据第一征信评分参数值、第二征信评分参数值和第三征信评分参数值确定客户的征信评分;
其中,历史借贷信息包括:历史贷款数量,历史贷款总金额,每次贷款时间,每次贷款的还款情况,逾期还款次数,逾期还款涉及的总金额;
本次贷款信息包括:本次贷款金额,本次贷款时长,本次贷款距上次贷款之间的间隔时间。
可选地,第一确定模块201,用于若征信结论为客户已入黑名单,则确定客户的第一征信评分参数=-1;若征信结论为客户未入黑名单,则确定客户的第一征信评分参数=1。
可选地,第一确定模块201,用于根据每次贷款时间,确定贷款时间大于5年的数量n11,贷款时间小于或等于5年但大于1年的数量n12,贷款时间小于等于一年但大于6个月的数量n13,贷款数量小于或等于6个月的数量n14;根据每次贷款的还款情况,确定提前还款数量n21,按时还款数量n22,逾期还款数量n23;第二征信评分参数值=(逾期还款次数/历史贷款数量)*(w21*n21+w22*n22+w23*n23)+(历史贷款总金额/逾期还款涉及的总金额)*(w11*n11+w12*n12+w13*n13+w14*n14);
其中,w11、w12、w13和w14为系数,w11+w12+w13+w14=1,且w11>w12>w13>w14;w21、w22和w23,w21+w22+w23=1,且w23>w22>w21。
可选地,第一确定模块201,用于根据本次贷款时长,确定时长上限和时长下限;根据历史借贷信息确定贷款时间位于时长下限与时长上限之间的历史贷款总金额;第三征信评分参数值=(本次贷款距上次贷款之间的间隔时间/本次贷款时长)*(本次贷款金额/历史贷款总金额);若本次贷款时长大于1年,则时长上限为本次贷款时长的上取整+1,时长下限为本次贷款时长的下取整;若本次贷款时长不大于1年,则时长上限为1,时长下限为0。
有益效果:
在客户的征信评分低于预设阈值的情况下,先根据当前存储的维度确定候选担保方,再采用目标函数及约束条件,从候选担保方中,确定多个最终担保方及各最终担保方的实际担保金额,最后按确定的实际担保金额,由各最终担保方共同对客户进行担保。实现了客户的征信评分不理想时的多担保方共同担保,解决了现有方案中不能多担保方共同担保进而不能贷款的问题。
本实施例还提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储有计算机指令,所述计算机指令使所述计算机执行上述图1所示的方法实施例所提供的方法。
如:
确定客户的征信评分;
若客户的征信评分低于预设阈值时,根据当前存储的维度确定候选担保方;
采用如下的目标函数及约束条件,从候选担保方中,确定多个最终担保方及各最终担保方的实际担保金额:
目标函数:
约束函数:U=0;mixi≤候选担保方i的担保能力;
按确定的实际担保金额,由各最终担保方共同对客户进行担保;
其中,T为本次贷款金额,i为候选担保方标识,mi为候选担保方i的担保权重,xi为候选担保方i的当前最大担保金额,mixi为候选担保方i的实际担保金额;
候选担保方i的担保能力=(候选担保方i的注册资金-候选担保方i的预设阈值)-候选担保方i的均担保转化率*(候选担保方i的已放金额-候选担保方i的在途金额)。
可选地,当前存储的维度,包括:城市区编码,渠道,最终资产标签,资产标签,期限,还款方式,客户价值标签,评级,媒体来源,借款用途。
可选地,采用如下的目标函数及约束条件,从候选担保方中,确定多个最终担保方及各最终担保方的实际担保金额之前,还包括:
获取维度处理指令,维度处理指令为维度增加指令,或者,维度删除指令,或者,维度修改指令;维度增加指令中包括待增加的维度;维度删除指令中包括待删除的维度;维度修改指令中包括修改前信息和修改后信息;
若获取到维度增加指令,则将待增加的维度存储至已存的维度中;
若获取到维度删除指令,则将待删除的维度从已存的维度中删除;
若获取到维度修改指令,则在已存储的维度中确定与修改前信息匹配的待修改维度,根据待修改后信息修改待修改维度的值。
可选地,确定客户的征信评分,包括:
确定国家征信中心对客户的征信结论,根据客户的征信结论确定第一征信评分参数值;
确定客户的历史借贷信息,根据客户的历史借贷信息确定第二征信评分参数值;
确定客户的本次贷款信息,根据客户的本次贷款信息确定第三征信评分参数值;
根据第一征信评分参数值、第二征信评分参数值和第三征信评分参数值确定客户的征信评分;
其中,历史借贷信息包括:历史贷款数量,历史贷款总金额,每次贷款时间,每次贷款的还款情况,逾期还款次数,逾期还款涉及的总金额;
本次贷款信息包括:本次贷款金额,本次贷款时长,本次贷款距上次贷款之间的间隔时间。
可选地,根据客户的征信结论确定第一征信评分参数值,包括:
若征信结论为客户已入黑名单,则确定客户的第一征信评分参数=-1;
若征信结论为客户未入黑名单,则确定客户的第一征信评分参数=1。
可选地,根据客户的历史借贷信息确定第二征信评分参数值,包括:
根据每次贷款时间,确定贷款时间大于5年的数量n11,贷款时间小于或等于5年但大于1年的数量n12,贷款时间小于等于一年但大于6个月的数量n13,贷款数量小于或等于6个月的数量n14;
根据每次贷款的还款情况,确定提前还款数量n21,按时还款数量n22,逾期还款数量n23;
第二征信评分参数值=(逾期还款次数/历史贷款数量)*(w21*n21+w22*n22+w23*n23)+(历史贷款总金额/逾期还款涉及的总金额)*(w11*n11+w12*n12+w13*n13+w14*n14);
其中,w11、w12、w13和w14为系数,w11+w12+w13+w14=1,且w11>w12>w13>w14;w21、w22和w23,w21+w22+w23=1,且w23>w22>w21。
可选地,根据客户的本次贷款信息确定第三征信评分参数值,包括:
根据本次贷款时长,确定时长上限和时长下限;
根据历史借贷信息确定贷款时间位于时长下限与时长上限之间的历史贷款总金额;
第三征信评分参数值=(本次贷款距上次贷款之间的间隔时间/本次贷款时长)*(本次贷款金额/历史贷款总金额);
若本次贷款时长大于1年,则时长上限为本次贷款时长的上取整+1,时长下限为本次贷款时长的下取整;
若本次贷款时长不大于1年,则时长上限为1,时长下限为0。
有益效果:
在客户的征信评分低于预设阈值的情况下,先根据当前存储的维度确定候选担保方,再采用目标函数及约束条件,从候选担保方中,确定多个最终担保方及各最终担保方的实际担保金额,最后按确定的实际担保金额,由各最终担保方共同对客户进行担保。实现了客户的征信评分不理想时的多担保方共同担保,解决了现有方案中不能多担保方共同担保进而不能贷款的问题。
本实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述图1所示的方法实施例所提供的方法。
如:
确定客户的征信评分;
若客户的征信评分低于预设阈值时,根据当前存储的维度确定候选担保方;
采用如下的目标函数及约束条件,从候选担保方中,确定多个最终担保方及各最终担保方的实际担保金额:
目标函数:
约束函数:U=0;mixi≤候选担保方i的担保能力;
按确定的实际担保金额,由各最终担保方共同对客户进行担保;
其中,T为本次贷款金额,i为候选担保方标识,mi为候选担保方i的担保权重,xi为候选担保方i的当前最大担保金额,mixi为候选担保方i的实际担保金额;
候选担保方i的担保能力=(候选担保方i的注册资金-候选担保方i的预设阈值)-候选担保方i的均担保转化率*(候选担保方i的已放金额-候选担保方i的在途金额)。
可选地,当前存储的维度,包括:城市区编码,渠道,最终资产标签,资产标签,期限,还款方式,客户价值标签,评级,媒体来源,借款用途。
可选地,采用如下的目标函数及约束条件,从候选担保方中,确定多个最终担保方及各最终担保方的实际担保金额之前,还包括:
获取维度处理指令,维度处理指令为维度增加指令,或者,维度删除指令,或者,维度修改指令;维度增加指令中包括待增加的维度;维度删除指令中包括待删除的维度;维度修改指令中包括修改前信息和修改后信息;
若获取到维度增加指令,则将待增加的维度存储至已存的维度中;
若获取到维度删除指令,则将待删除的维度从已存的维度中删除;
若获取到维度修改指令,则在已存储的维度中确定与修改前信息匹配的待修改维度,根据待修改后信息修改待修改维度的值。
可选地,确定客户的征信评分,包括:
确定国家征信中心对客户的征信结论,根据客户的征信结论确定第一征信评分参数值;
确定客户的历史借贷信息,根据客户的历史借贷信息确定第二征信评分参数值;
确定客户的本次贷款信息,根据客户的本次贷款信息确定第三征信评分参数值;
根据第一征信评分参数值、第二征信评分参数值和第三征信评分参数值确定客户的征信评分;
其中,历史借贷信息包括:历史贷款数量,历史贷款总金额,每次贷款时间,每次贷款的还款情况,逾期还款次数,逾期还款涉及的总金额;
本次贷款信息包括:本次贷款金额,本次贷款时长,本次贷款距上次贷款之间的间隔时间。
可选地,根据客户的征信结论确定第一征信评分参数值,包括:
若征信结论为客户已入黑名单,则确定客户的第一征信评分参数=-1;
若征信结论为客户未入黑名单,则确定客户的第一征信评分参数=1。
可选地,根据客户的历史借贷信息确定第二征信评分参数值,包括:
根据每次贷款时间,确定贷款时间大于5年的数量n11,贷款时间小于或等于5年但大于1年的数量n12,贷款时间小于等于一年但大于6个月的数量n13,贷款数量小于或等于6个月的数量n14;
根据每次贷款的还款情况,确定提前还款数量n21,按时还款数量n22,逾期还款数量n23;
第二征信评分参数值=(逾期还款次数/历史贷款数量)*(w21*n21+w22*n22+w23*n23)+(历史贷款总金额/逾期还款涉及的总金额)*(w11*n11+w12*n12+w13*n13+w14*n14);
其中,w11、w12、w13和w14为系数,w11+w12+w13+w14=1,且w11>w12>w13>w14;w21、w22和w23,w21+w22+w23=1,且w23>w22>w21。
可选地,根据客户的本次贷款信息确定第三征信评分参数值,包括:
根据本次贷款时长,确定时长上限和时长下限;
根据历史借贷信息确定贷款时间位于时长下限与时长上限之间的历史贷款总金额;
第三征信评分参数值=(本次贷款距上次贷款之间的间隔时间/本次贷款时长)*(本次贷款金额/历史贷款总金额);
若本次贷款时长大于1年,则时长上限为本次贷款时长的上取整+1,时长下限为本次贷款时长的下取整;
若本次贷款时长不大于1年,则时长上限为1,时长下限为0。
有益效果:
在客户的征信评分低于预设阈值的情况下,先根据当前存储的维度确定候选担保方,再采用目标函数及约束条件,从候选担保方中,确定多个最终担保方及各最终担保方的实际担保金额,最后按确定的实际担保金额,由各最终担保方共同对客户进行担保。实现了客户的征信评分不理想时的多担保方共同担保,解决了现有方案中不能多担保方共同担保进而不能贷款的问题。
图3是本发明实施例提供的一种计算机设备的示意图。如图3所示,该实施例的计算机设备50包括:处理器51、存储器52以及存储在存储器52中并可在处理器51上运行的计算机程序53,该计算机程序53被处理器51执行时实现图1所示的实施例中的贷款数据处理方法方法,为避免重复,此处不一一赘述。或者,该计算机程序被处理器51执行时实现图2所示的实施例中贷款数据处理装置中各模型/单元的功能,为避免重复,此处不一一赘述。
计算机设备50可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可包括,但不仅限于,处理器51、存储器52。本领域技术人员可以理解,图3仅仅是计算机设备50的示例,并不构成对计算机设备50的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器51可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器52可以是计算机设备50的内部存储单元,例如计算机设备50的硬盘或内存。存储器52也可以是计算机设备50的外部存储设备,例如计算机设备50上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器52还可以既包括计算机设备50的内部存储单元也包括外部存储设备。存储器52用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器52还可以用于暂时地存储已经输出或者将要输出的数据。
有益效果:
在客户的征信评分低于预设阈值的情况下,先根据当前存储的维度确定候选担保方,再采用目标函数及约束条件,从候选担保方中,确定多个最终担保方及各最终担保方的实际担保金额,最后按确定的实际担保金额,由各最终担保方共同对客户进行担保。实现了客户的征信评分不理想时的多担保方共同担保,解决了现有方案中不能多担保方共同担保进而不能贷款的问题。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明保护的范围之内。
Claims (10)
1.一种贷款数据处理方法,其特征在于,所述方法包括:
确定客户的征信评分;
若客户的征信评分低于预设阈值时,根据当前存储的维度确定候选担保方;
采用如下的目标函数及约束条件,从所述候选担保方中,确定多个最终担保方及各最终担保方的实际担保金额:
目标函数:
约束函数:U=0;0≤mi≤1;mixi≤候选担保方i的担保能力;
按确定的实际担保金额,由各最终担保方共同对所述客户进行担保;
其中,T为本次贷款金额,i为候选担保方标识,mi为候选担保方i的担保权重,xi为候选担保方i的当前最大担保金额,mixi为候选担保方i的实际担保金额;
候选担保方i的担保能力=(候选担保方i的注册资金-候选担保方i的预设阈值)-候选担保方i的均担保转化率*(候选担保方i的已放金额-候选担保方i的在途金额)。
2.根据权利要求1所述的方法,其特征在于,所述当前存储的维度,包括:城市区编码,渠道,最终资产标签,资产标签,期限,还款方式,客户价值标签,评级,媒体来源,借款用途。
3.根据权利要求2所述的方法,其特征在于,所述采用如下的目标函数及约束条件,从所述候选担保方中,确定多个最终担保方及各最终担保方的实际担保金额之前,还包括:
获取维度处理指令,所述维度处理指令为维度增加指令,或者,维度删除指令,或者,维度修改指令;所述维度增加指令中包括待增加的维度;所述维度删除指令中包括待删除的维度;所述维度修改指令中包括修改前信息和修改后信息;
若获取到维度增加指令,则将所述待增加的维度存储至已存的维度中;
若获取到维度删除指令,则将所述待删除的维度从已存的维度中删除;
若获取到维度修改指令,则在已存储的维度中确定与所述修改前信息匹配的待修改维度,根据所述待修改后信息修改所述待修改维度的值。
4.根据权利要求1所述的方法,其特征在于,所述确定客户的征信评分,包括:
确定国家征信中心对所述客户的征信结论,根据所述客户的征信结论确定第一征信评分参数值;
确定所述客户的历史借贷信息,根据所述客户的历史借贷信息确定第二征信评分参数值;
确定所述客户的本次贷款信息,根据所述客户的本次贷款信息确定第三征信评分参数值;
根据第一征信评分参数值、第二征信评分参数值和第三征信评分参数值确定所述客户的征信评分;
其中,所述历史借贷信息包括:历史贷款数量,历史贷款总金额,每次贷款时间,每次贷款的还款情况,逾期还款次数,逾期还款涉及的总金额;
所述本次贷款信息包括:本次贷款金额,本次贷款时长,本次贷款距上次贷款之间的间隔时间。
5.根据权利要求4所述的方法,其特征在于,所述根据所述客户的征信结论确定第一征信评分参数值,包括:
若所述征信结论为所述客户已入黑名单,则确定所述客户的第一征信评分参数=-1;
若所述征信结论为所述客户未入黑名单,则确定所述客户的第一征信评分参数=1。
6.根据权利要求4所述的方法,其特征在于,所述根据所述客户的历史借贷信息确定第二征信评分参数值,包括:
根据所述每次贷款时间,确定贷款时间大于5年的数量n11,贷款时间小于或等于5年但大于1年的数量n12,贷款时间小于等于一年但大于6个月的数量n13,贷款数量小于或等于6个月的数量n14;
根据每次贷款的还款情况,确定提前还款数量n21,按时还款数量n22,逾期还款数量n23;
第二征信评分参数值=(逾期还款次数/历史贷款数量)*(w21*n21+w22*n22+w23*n23)+(历史贷款总金额/逾期还款涉及的总金额)*(w11*n11+w12*n12+w13*n13+w14*n14);
其中,w11、w12、w13和w14为系数,w11+w12+w13+w14=1,且w11>w12>w13>w14;w21、w22和w23,w21+w22+w23=1,且w23>w22>w21。
7.根据权利要求4所述的方法,其特征在于,所述根据所述客户的本次贷款信息确定第三征信评分参数值,包括:
根据本次贷款时长,确定时长上限和时长下限;
根据所述历史借贷信息确定贷款时间位于所述时长下限与所述时长上限之间的历史贷款总金额;
第三征信评分参数值=(本次贷款距上次贷款之间的间隔时间/本次贷款时长)*(本次贷款金额/历史贷款总金额);
若本次贷款时长大于1年,则所述时长上限为本次贷款时长的上取整+1,所述时长下限为本次贷款时长的下取整;
若本次贷款时长不大于1年,则所述时长上限为1,所述时长下限为0。
8.一种贷款数据处理装置,其特征在于,所述装置包括:
第一确定模块,用于确定客户的征信评分;
第二确定模块,用于当客户的征信评分低于预设阈值时,根据当前存储的维度确定候选担保方;
第三确定模块,用于采用如下的目标函数及约束条件,从所述候选担保方中,确定多个最终担保方及各最终担保方的实际担保金额:
目标函数:
约束函数:U=0;0≤mi≤1;mixi≤候选担保方i的担保能力;
担保模块,用于按确定的实际担保金额,由各最终担保方共同对所述客户进行担保;
其中,T为本次贷款金额,i为候选担保方标识,mi为候选担保方i的担保权重,xi为候选担保方i的当前最大担保金额,mixi为候选担保方i的实际担保金额;
候选担保方i的担保能力=(候选担保方i的注册资金-候选担保方i的预设阈值)-候选担保方i的均担保转化率*(候选担保方i的已放金额-候选担保方i的在途金额)。
9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行权利要求1至7任一项所述的方法。
10.一种计算机程序产品,其特征在于,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910307125.1A CN110363642A (zh) | 2019-04-17 | 2019-04-17 | 贷款数据处理方法、装置、可读存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910307125.1A CN110363642A (zh) | 2019-04-17 | 2019-04-17 | 贷款数据处理方法、装置、可读存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110363642A true CN110363642A (zh) | 2019-10-22 |
Family
ID=68215194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910307125.1A Pending CN110363642A (zh) | 2019-04-17 | 2019-04-17 | 贷款数据处理方法、装置、可读存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363642A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489249A (zh) * | 2020-03-13 | 2020-08-04 | 天元大数据信用管理有限公司 | 一种基于区块链构建金融风控联盟的方法、设备及介质 |
CN112199359A (zh) * | 2020-09-18 | 2021-01-08 | 中国建设银行股份有限公司 | 数据检核方法、装置、电子设备和存储介质 |
CN112529477A (zh) * | 2020-12-29 | 2021-03-19 | 平安普惠企业管理有限公司 | 信用评估变量筛选方法、装置、计算机设备及存储介质 |
CN113298410A (zh) * | 2021-06-10 | 2021-08-24 | 路献峰 | 一种通过系统进行风险控制的方法及其系统 |
CN115730966A (zh) * | 2022-11-15 | 2023-03-03 | 东方微银科技股份有限公司 | 基于客户需求的产品智能优选方法及系统 |
-
2019
- 2019-04-17 CN CN201910307125.1A patent/CN110363642A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489249A (zh) * | 2020-03-13 | 2020-08-04 | 天元大数据信用管理有限公司 | 一种基于区块链构建金融风控联盟的方法、设备及介质 |
CN112199359A (zh) * | 2020-09-18 | 2021-01-08 | 中国建设银行股份有限公司 | 数据检核方法、装置、电子设备和存储介质 |
CN112529477A (zh) * | 2020-12-29 | 2021-03-19 | 平安普惠企业管理有限公司 | 信用评估变量筛选方法、装置、计算机设备及存储介质 |
CN113298410A (zh) * | 2021-06-10 | 2021-08-24 | 路献峰 | 一种通过系统进行风险控制的方法及其系统 |
CN113298410B (zh) * | 2021-06-10 | 2024-01-12 | 路献峰 | 一种通过系统进行风险控制的方法及其系统 |
CN115730966A (zh) * | 2022-11-15 | 2023-03-03 | 东方微银科技股份有限公司 | 基于客户需求的产品智能优选方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363642A (zh) | 贷款数据处理方法、装置、可读存储介质和程序产品 | |
CN110458693A (zh) | 一种企业贷款自动审批方法、装置、存储介质及电子设备 | |
CN108596495A (zh) | 一种零售信贷业务评分系统及方法 | |
Guy et al. | Non-performing loans and bank stability in Barbados | |
KR20010108282A (ko) | 입찰가 판정 방법, 시스템 및 컴퓨터 | |
CN111369345A (zh) | 云计算区块链的大数据信贷用户信用评估方法及系统 | |
KR20170048976A (ko) | 주식 투자 성과에 기반한 주식 투자 신뢰성 평가 시스템 및 그 방법 | |
CN109741093A (zh) | 债权价值评估方法及装置、存储介质、终端 | |
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 | |
JP6771513B2 (ja) | 債務不履行確率を算出する装置、方法及びそのためのプログラム | |
CN111161080A (zh) | 信息处理方法和装置 | |
Espinoza et al. | A model of external debt and international reserves | |
KR102282058B1 (ko) | 공동 주택 담보 가치 추정 시스템 | |
CN113807943A (zh) | 一种不良资产的多因子估值方法及系统、介质、设备 | |
CN113469818A (zh) | 投资风险预警方法、装置、电子设备及计算机可读介质 | |
TWI726093B (zh) | 清算之方法 | |
CA3090143A1 (en) | Systems and methods of generating resource allocation insights based on datasets | |
Tselekidou | A Machine Learning Approach for Micro-Credit Scoring and Limit Optimization | |
CN116644372B (zh) | 一种账户类型的确定方法、装置、电子设备及存储介质 | |
Mokhov et al. | Modeling the profitability of loan operations corporate clients | |
Ramaube | The profitability of technical analysis during volatile periods in the South African Financial Markets | |
CN112085299A (zh) | 违约损失率预测方法及装置 | |
Koapaha | Foreign Stock Indexes and Indonesian Stock Index: Which Foreign Stock Index is More Important to Jakarta Composite Index? | |
Bry | Human Computation-Enabled Network Analysis for a Systemic Credit Risk Rating | |
Reijerkerk | This is a test |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191022 |
|
WD01 | Invention patent application deemed withdrawn after publication |