CN110458689A - 用于评估主体信用风险的方法及装置 - Google Patents
用于评估主体信用风险的方法及装置 Download PDFInfo
- Publication number
- CN110458689A CN110458689A CN201910693034.6A CN201910693034A CN110458689A CN 110458689 A CN110458689 A CN 110458689A CN 201910693034 A CN201910693034 A CN 201910693034A CN 110458689 A CN110458689 A CN 110458689A
- Authority
- CN
- China
- Prior art keywords
- main body
- credit
- assessed
- principal classes
- assessing
- 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
- 238000012502 risk assessment Methods 0.000 claims abstract description 54
- 238000012937 correction Methods 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 14
- 239000003795 chemical substances by application Substances 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000008092 positive effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 201000006549 dyspepsia Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- 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
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开提供了一种用于评估主体信用风险的方法及装置。该方法包括：获取待评估主体的特征数据，特征数据包括至少一个维度的数据；基于所获取的特征数据，确定待评估主体的主体类别；从多种信用风险评估模型中选择与所确定的主体类别对应的信用风险评估模型；以及使用所选择的信用风险评估模型，基于所获取的特征数据，对待评估主体进行信用风险评估。利用该方法，信用风险评估过程中财报数据并不是必须项，不强依赖于财报数据，而根据特征数据以及信用风险评估模型即可以进行信用风险评估，这样使得信用风险评估更具备通用性。
Description
技术领域
本公开涉及机器学习技术领域，具体地，涉及一种用于评估主体信用风险的方法及装置。
背景技术
信用风险评估是指充分利用现有行业与研究力量，根据主体的经营状况和现金流等情况对其信用风险进行评估，以此作为金融借贷等金融业务的基本依据。目前，由第三方信用风险评估机构对企业进行信用风险评估，信用风险评估结果一般用于金融借贷、投资等金融业务。
目前，信用风险评估是基于企业的财报数据进行评估的。然而，一般仅大型或者超大型企业才具备财报数据，一般的小型甚至微型企业是不具备财报数据的，因此目前的这一套信用风险评估无法应用于这些不具有财报数据的企业。由此可见，如何对这些不具备财报数据的企业进行信用风险评估是亟待解决的问题。
发明内容
鉴于上述，本公开提供了一种用于评估主体信用风险的方法及装置。利用该用于评估主体信用风险的方法及装置，基于待评估主体的特征数据来确定待评估主体的主体类别，再从多种信用风险评估模型中选择与所确定的主体类别对应的信用风险评估模型，并使用所选择的信用风险评估模型对待评估主体进行信用风险评估。在本公开提供的信用风险评估过程中不需要财报数据，而根据特征数据以及信用风险评估模型即可以进行信用风险评估，这样使得信用风险评估更具备通用性。
根据本公开的一个方面，提供了一种用于评估主体信用风险的方法，包括：获取待评估主体的特征数据，所述特征数据具有至少一个维度的数据；基于所获取的特征数据，确定所述待评估主体的主体类别；从多种评估模型中选择与所确定的主体类别对应的评估模型；以及，使用所选择的信用风险评估模型，基于所获取的特征数据，对所述待评估主体进行信用风险评估。
可选地，在上述方面的一个示例中，所述待评估主体为指定规模的主体。
可选地，在上述方面的一个示例中，所述至少一个维度包括以下维度中的至少一个：主体基本信息类维度；经营数据类维度；成长潜力类维度；履约记录类维度；和主体法定代表人诚信信息类维度。
可选地，在上述方面的一个示例中，所述主体类别包括以下类别中的至少一种：潜力主体；风险主体；基于互联网平台的主体；有信用记录主体；和无信用记录主体。
可选地，在上述方面的一个示例中，每种主体类别具有类别优先级，以及，基于所获取的特征数据，确定所述待评估主体的主体类别包括：基于所获取的特征数据，确定所述待评估主体的候选主体类别，所述候选主体类别包括至少两种主体类别；以及，将类别优先级最高的主体类别确定为所述待评估主体的主体类别。
可选地，在上述方面的一个示例中，使用所选择的信用风险评估模型，基于所获取的特征数据，对所述待评估主体进行信用风险评估包括：使用所选择的信用风险评估模型，基于所获取的特征数据，确定所述待评估主体的信用评分；以及，基于信用评分与信用风险等级的对应关系，确定所述待评估主体的信用风险等级。
可选地，在上述方面的一个示例中，在确定所述待评估主体的信用风险等级之前，使用所选择的信用风险评估模型，基于所获取的特征数据，对所述待评估主体进行信用风险评估还包括：基于所获取的特征数据中的负面特征数据和/或历史信用评分，对所确定的信用评分进行修正。
根据本公开的另一方面，还提供一种用于评估主体信用风险的装置，包括：特征数据获取单元获取待评估主体的特征数据，所述特征数据具有至少一个维度的数据；主体类别确定单元基于所获取的特征数据，确定所述待评估主体的主体类别；评估模型选择单元从多种评估模型中选择与所确定的主体类别对应的评估模型；以及，信用风险评估单元使用所选择的信用风险评估模型，基于所获取的特征数据，对所述待评估主体进行信用风险评估。
可选地，在上述方面的一个示例中，所述待评估主体为指定规模的主体。
可选地，在上述方面的一个示例中，每种主体类别具有类别优先级，以及，所述主体类别确定单元进一步：基于所获取的特征数据，确定所述待评估主体的候选主体类别，所述候选主体类别包括至少两种主体类别；以及，将类别优先级最高的主体类别确定为所述待评估主体的主体类别。
可选地，在上述方面的一个示例中，所述信用风险评估单元包括：信用评分确定模块使用所选择的信用风险评估模型，基于所获取的特征数据，确定所述待评估主体的信用评分；以及，信用风险等级确定模块基于信用评分与信用风险等级的对应关系，确定所述待评估主体的信用风险等级。
可选地，在上述方面的一个示例中，所述信用风险评估单元包括：信用评分修正模块基于所获取的特征数据中的负面特征数据和/或历史信用评分，对所确定的信用评分进行修正。
根据本公开的另一方面，还提供一种计算设备，包括：至少一个处理器；以及存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如上所述的用于评估主体信用风险的方法。
根据本公开的另一方面，还提供一种机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的用于评估主体信用风险的方法。
附图说明
通过参照下面的附图，可以实现对于本公开内容的本质和优点的进一步理解。在附图中，类似组件或特征可以具有相同的附图标记。附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开的实施例，但并不构成对本公开的实施例的限制。在附图中：
图1示出了本公开的实施例的用于评估主体信用风险的方法的流程图；
图2示出了本公开的另一实施例的用于评估主体信用风险的方法的流程图；
图3示出了本公开的实施例的信用评分与信用风险等级的对应关系的一个示例的示意图；
图4示出了本公开的实施例的信用评分与信用风险等级的对应关系的另一个示例的示意图；
图5示出了本公开的实施例的信用评分用图表示的一个示例的示意图；
图6示出了本公开的实施例的修正后的信用评分用图表示的一个示例的示意图；
图7示出了本公开的实施例的用于评估主体信用风险的装置的方框图；
图8示出了本公开的实施例的信用风险评估单元的一个示例的方框图；
图9示出了本公开的实施例的用于评估主体信用风险的方法的计算设备的方框图。
具体实施方式
以下将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本公开内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其它例子中也可以进行组合。
如本文中使用的，术语“包括”及其变型表示开放的术语，含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义，无论是明确的还是隐含的。除非上下文中明确地指明，否则一个术语的定义在整个说明书中是一致的。
在本公开中，“维度”用于反映数据的一类属性，具有这类属性的数据的集合即为一个维度。
大型企业以及超大型企业在运营过程中会涉及到金融借贷、投资等金融业务，而在实行这些金融业务之前，需要进行信用风险评估，将信用风险评估的结果作为实施金融业务的基本依据。比如，若企业的信用较差，则该企业的信用风险较高，对于信用风险较高的企业，实行金融借贷会较困难。
信用风险评估是由第三方的信用风险评估机构来执行的，第三方的信用风险评估机构例如包括穆迪，邓白氏，标准普尔，鹏远征信以及金电联行等。而当前绝大部分评级机构，在对企业进行信用风险评估时主要基于该企业的财报数据，因为财报数据不仅数据丰富，而且因为经过审计，所有数据真实可靠，可以作为信用风险评估的参考和依据。而因为财报数据仅限于部分大型企业和超大型企业，因此目前这些信用风险评估机构的评估对象主要是大型企业和超大型企业。
然而，一般的中小型企业甚至微型企业在运营过程中也需要进行一些金融业务，因此对于这些企业来说也需要进行信用风险评估，而因为这些企业几乎没有专业能力出具标准规范且经审计的财报数据，导致了目前基于财报数据的信用风险评估方法不能应用于这些企业。
为了解决上述问题，本公开提供了一种用于评估主体信用风险的方法及装置。利用该用于评估主体信用风险的方法及装置，基于待评估主体的特征数据来确定待评估主体的主体类别，再从多种信用风险评估模型中选择与所确定的主体类别对应的信用风险评估模型，并使用所选择的信用风险评估模型对待评估主体进行信用风险评估。在本公开提供的信用风险评估过程中不强依赖于财报数据，而根据特征数据以及信用风险评估模型即可以进行信用风险评估，这样使得信用风险评估更具备通用性。
下面将结合附图来详细描述根据本公开实施例的用于评估主体信用风险的方法及装置。
图1示出了本公开的实施例的用于评估主体信用风险的方法的流程图。
如图1所示，在块110，获取待评估主体的特征数据。
在本公开中，待评估主体可以是企业和个体工商户中的任一种。本公开中以待评估主体为企业为例进行说明。
在本公开的一个示例中，待评估主体可以为指定规模的主体。指定规模可以是小型或者微型，即待评估主体可以是小型企业或者微型企业。在本公开中，小型企业或者微型企业是根据相关部门的规定来界定的。例如，针对工业企业，从业人员20人以下或者年营业收入在300万元以下的企业为微型企业。
在本公开中，特征数据可以是待评估主体的相关数据，比如，企业资质，经营地，品牌，法定代表人以及行业属性等。
待评估主体的数据可以按照多个维度进行划分，多个维度可以是指定的。在本公开的一个示例中，进行数据划分的多个维度可以包括主体基本信息类维度、经营数据类维度、成长潜力类维度、履约记录类维度以及主体法定代表人诚信信息类维度中的至少一个。
下面针对上述五个维度分别进行说明。
针对主体基本信息类维度，是指待评估主体的基本信息。主体基本信息类维度可以包括在相关部门登记过的信息。
例如，主体基本信息类维度可以包括企业资质，行业属性，经营地，品牌，企业名称，注册类型，批准设立机关，组织机构代码，证件号码，开业时间，邮政编码，电话，经营范围，法定代表人，股东名称，税务登记证号，核算方式，存续时间，从业人员以及关联企业等。
主体基本信息类维度所包括的数据数量丰富且数据真实，基于主体基本信息类维度进行信用风险评估有助于提高主体信用风险评估的准确度。
针对经营数据类维度，所包括的数据可以反映出待评估主体的经营状况的数据，经营数据类维度也可以体现出经营过程中的各种经营行为。例如，经营数据类维度可以包括交易金额，交易次数，交易趋势，招投标，发票流水，招聘，社保，公积金，纳税及税务评级，进出口及海关评价，年报以及财报等。
经营数据类维度反映了待评估主体的经营状况，而经营状况是信用风险评估的重要参考。基于此，经营数据类维度是信用风险评估的重要参考因素。
针对成长潜力类维度，属于成长潜力类维度的数据一般为高价值产出，能够对于待评估主体的成长产生积极作用，并且成长潜力类维度可以反映出待评估主体的成长趋势以及前景。例如，成长潜力类维度可以包括专利，商标，著作权，影响力以及企业生命周期等数据。
具备成长潜力类维度的特征数据的待评估主体反映出成长趋势良好且相对稳定，则会对待评估主体信用风险评估产生积极作用。
针对履约记录类维度，所包括的数据可以是与待评估主体相关的合约、承诺以及诉讼等方面的记录。例如，履约记录类维度可以包括金融履约记录，商业履约记录，抵押记录，担保记录以及所涉及的诉讼记录等数据。
履约记录类维度所包括的数据在一定程度上可以反映经营行为，履约记录丰富且按约定履行则可以表示经营状况良好，这样会对待评估主体信用风险评估产生积极作用。
针对主体法定代表人诚信信息类维度，所包括的数据可以是主体在相关部门备案的法定代表人的诚信信息，主体法定代表人可以是企业的经营者，因此，主体法定代表人的诚信信息会对企业的信用风险评估产生影响。具体地，正面的主体法定代表人诚信信息类维度所包括的数据会对主体信用风险评估产生积极作用，负面的主体法定代表人诚信信息类维度所包括的数据则会对主体信用风险评估产生消极作用。
在本公开中，正面表示待评估主体符合法律法规、合约等的正常活动，对待评估主体的信用风险评估有积极作用。负面表示违反法律法规、合约等的非正常活动，对待评估主体的信用风险评估有消极作用。例如，诚信信息是正面的是指正常履约，诚信信息是负面的是指出现延迟履约、不履约等非正常履约。
待评估主体的数据划分所依据的维度除了上述五个维度以外，还可以包括其他维度。需要说明的是，其他各个主体的数据均可以参照上述多个维度进行划分，在此不再赘述。
在本公开中，所获取的特征数据包括至少一个维度的数据。例如，特征数据可以包括主体基本信息类维度、经营数据类维度、成长潜力类维度、履约记录类维度以及主体法定代表人诚信信息类维度五个维度中至少一个维度的数据。
又例如，待评估主体的数据按照主体基本信息类维度、经营数据类维度、成长潜力类维度、履约记录类维度以及主体法定代表人诚信信息类维度五个维度进行划分，所获取的该待评估主体的特征数据仅包括主体基本信息类维度、经营数据类维度以及履约记录类维度三个维度的数据。
在块120，基于所获取的特征数据，确定待评估主体的主体类别。
在本公开的一个示例中，主体类别可以包括以下类别中的至少一种：潜力主体，风险主体，基于互联网平台的主体，有信用记录主体以及无信用记录主体。当然，除了上述五种类别以外，主体类别还可以包括其他类别。
下面针对上述五种类别分别进行说明。
针对潜力主体，是指具有成长潜力的主体。在一个示例中，待评估主体具有成长潜力类维度的数据，即可以确定该待评估主体为潜力主体。在一个示例中，待评估主体具有的成长潜力类维度的数据越多，则该待评估主体的成长潜力越大。
在一个示例中，可以将成长潜力类维度的数据中的指定数据作为判断是否为潜力主体的依据。具体地，当待评估主体具有指定数据时，则可以确定该待评估主体是潜力主体。否则，可以确定该待评估主体不是潜力主体。其中，指定数据可以是成长潜力类维度所包括的数据中的部分数据。
例如，在成长潜力类维度的数据中，指定数据包括专利和招投标，当待评估主体具备专利和招投标时，则可以确定待评估主体为潜力主体。
针对风险主体，是指存在信用风险的主体。在一个示例中，待评估主体是否存在信用风险可以根据经营数据类维度、履约记录类维度以及主体法定代表人诚信信息类维度三个维度中的至少一个维度来判断。
当待评估主体的经营数据类维度中存在司法涉诉、相关部门的负面记录和处罚以及经营异常等特征数据时，表示待评估主体存在信用风险，此时待评估主体的主体类别是风险主体。其中，司法涉诉可以包括民事诉讼、行政诉讼以及刑事诉讼等。相关部门的负面记录和处罚可以包括行政处罚以及偷税漏税记录等，经营异常可以包括刷单、地址失联以及未报送年报等。
当待评估主体的履约记录类维度中存在被列为被执行人、恶意逾期等数据时，表示待评估主体存在信用风险。
当待评估主体的主体法定代表人诚信信息类维度所包括的数据是负面时，比如主体法定代表人被相关部门列为老赖，则表示待评估主体存在信用风险。
在本公开的一个示例中，信用风险可以划分为多个等级，信用风险的等级越高表示信用风险越大。信用风险的等级可以根据经营数据类维度、履约记录类维度以及主体法定代表人诚信信息类维度三个维度中的负面数据来确定，负面数据越多则信用风险等级越高，负面数据越少则信用风险等级越低。
针对基于互联网平台的主体，是指主要经营模式是基于互联网平台的主体。在一个示例中，互联网平台可以是电商平台，基于互联网平台的主体可以包括网店以及同时具备线上和线下销售渠道的主体等。
针对有信用记录主体，是指存在信用记录的主体，存在的信用记录可以包括正面的信用记录和负面的信用记录。例如，信用记录可以包括申请贷款的记录、免押记录以及赊销赊购记录等。信用记录的来源可以包括征信系统，银行、法院等机构以及第三方评估机构等。
针对无信用记录主体，是指不存在信用记录的主体。无信用记录主体的特征数据包括至少一个维度的数据，且无信用记录主体的特征数据足够用来进行信用风险评估。
在本公开的一个示例中，主体类别除了上述五种类别以外，还可以包括其他类别，比如薄信息主体，薄信息主体是指除上述五种类别以外的且没有足够的特征数据来支持进行信用风险评估的主体。
在本公开的一个示例中，每种主体类别均具有类别优先级。各个主体类别的类别优先级可以是指定的，且不同的主体类别的类别优先级不相同。例如，类别优先级由高到底的顺序为：潜力主体，风险主体，基于互联网平台的主体，有信用记录主体以及无信用记录主体。
当主体类别还包括薄信息主体时，薄信息主体的类别优先级最低，此时类别优先级由高到底的顺序为：潜力主体，风险主体，基于互联网平台的主体，有信用记录主体，无信用记录主体以及薄信息主体。
在主体类别具有类别优先级的情况下，基于所获取的特征数据，确定待评估主体的主体类别可以包括以下两种情况。
第一种情况，基于所获取的特征数据确定出的待评估主体的候选主体类别仅有一种主体类别时，则将该仅有的一种主体类别作为待评估主体的主体类别。例如，若基于所获取的特征数据确定出的待评估主体的候选主体类别仅包括风险主体，则可以确定该待评估主体的主体类别为风险主体。
第二种情况，基于所获取的特征数据，确定待评估主体的候选主体类别，且该候选主体类别包括至少两种主体类别；则可以将类别优先级最高的主体类别确定为待评估主体的主体类别。
例如，若基于所获取的特征数据确定出的待评估主体的候选主体类别包括潜力主体、风险主体和基于互联网平台的主体三种时，优先级最高的主体类别为潜力主体，则可以将潜力主体确定为待评估主体的主体类别。
在块130，从多种信用风险评估模型中选择与所确定的主体类别对应的信用风险评估模型。
在本公开中，多种信用风险评估模型是预先训练好的模型，并且每一种主体类别对应有一种信用风险评估模型，每一种信用风险评估模型用于对所对应的主体类别的待评估主体进行信用风险评估。
例如，主体类别包括潜力主体，风险主体，基于互联网平台的主体，有信用记录主体和无信用记录主体，则多种信用风险评估模型中至少包括针对潜力主体的信用风险评估模型，针对风险主体的信用风险评估模型，针对基于互联网平台的主体的信用风险评估模型，针对有信用记录主体的信用风险评估模型，以及针对无信用记录主体的信用风险评估模型。当待评估主体的主体类别为潜力主体时，则选择针对潜力主体的信用风险评估模型对该待评估主体进行信用风险评估。
在本公开的一个示例中，信用风险评估模型可以是评分卡模型。
在块140，使用所选择的信用风险评估模型，基于所获取的特征数据，对待评估主体进行信用风险评估。
在本公开的一个示例中，使用信用风险评估模型对待评估主体进行信用风险评估的输出形式可以包括评分和信用风险等级，即，信用风险评估模型可以输出待评估主体的评分，还可以直接输出待评估主体的信用风险等级。
在输出信用风险等级的情况下，信用风险评估模型可以预先配置针对信用风险的不同等级。
在本公开的一个示例中，以信用风险评估模型为评分卡模型为例，对信用风险评估模型的训练过程进行说明。针对信用风险评估模型的训练可以采用二分类的监督学习的方式。
首先获取样本数据，样本数据中包括多个主体的特征数据，且每个主体均携带有标签，每个主体的标签用于表征该主体是否存在信用风险。
然后，将样本数据中的每个主体的特征数据按照主体基本信息类维度，经营数据类维度，成长潜力类维度，履约记录类维度和主体法定代表人诚信信息类维度五个维度进行分类处理，在完成分类处理后，每个主体可以包括上述五个维度的特征数据。
接着，基于每个主体的特征数据，确定每个主体的主体类别。主体类别包括潜力主体，风险主体，基于互联网平台的主体，有信用记录主体，无信用记录主体和薄信息主体。其中，对于主体类别为薄信息主体的主体可以不进行处理。
在一个示例中，可以将存在专利和/或招投标的主体确定为潜力主体，可以将存在司法涉诉，相关部门负面记录或处罚的主体确定为风险主体，可以将互联网平台为主要经营渠道的主体确定为基于互联网平台的主体，可以将不属于上述三种主体类别且存在信用记录的主体确定为有信用记录主体，可以将不属于上述三主体类且不存在信用记录的主体确定为无信用记录主体。其中，这里的上述三种主体类别是指潜力主体，风险主体和基于互联网平台的主体。
在确定出每个主体的主体类别后，分别利用同一种主体类别的特征数据来训练一种评分卡模型。训练得到的评分卡模型也仅对该主体类别的主体进行信用风险评估。
具体地，将属于同一种主体类别的主体的特征数据作为评分卡模型的样本输入，并基于该主体的标签，对评分卡模型的模型参数进行调整。
评分卡模型的理论基础为逻辑回归，评分卡模型计算信用风险出现的概率：
其中，y＝1表示出现信用风险，Pr表示信用风险出现的概率，β0，β1，…，βr均为模型参数，β0还有个专有名词叫截距项，β0，β1，…，βr均由评分卡模型根据最大似然法(MaximumLikelihood，ML)训练得出最优值。x1，x2，…，xr均为特征数据经过证据权重(Weight ofEvidence，WOE)转换后的值。
在训练过程中，还可以利用逐步选择法对特征数据持续进行筛选，每一次筛选中选择对评分卡模型的预测能力有积极作用的特征数据，而移除对评分卡模型无增益的特征数据，下一轮训练中不再使用这些移除的特征数据。除了通过评分卡模型本身进行筛选以外，还可以根据以下因素中的至少一种来进行筛选：特征数据的独立性，一致性，鲁棒性，稳定性以及可解释性。
在训练完成后即可以得到β0，β1，…，βr的值。将所得到的β0，β1，…，βr的值作为评分卡模型的模型参数，该评分卡模型即可以进行信用风险评估。
图2示出了本公开的另一实施例的用于评估主体信用风险的方法的流程图。图2中所示的实施例是上述图1示出的实施例的修改实施例。
在图2示出的实施例中，信用风险评估模型输出待评估主体的评分，再基于输出的评分来确定信用风险等级。因为评分具有通用性，而信用风险等级针对不同的对象可以有不同的解读方式，在该实施例中，信用风险评估模型输出评分，然后可以根据不同的对象来确定相应的解读方式的信用风险等级。这样提高了信用风险评估的机动性，也提升了用户体验。
在图2示出的实施例中，块210，块220以及块230的操作分别与上述图1中的块110，块120以及块130相同，在此不再描述。下面仅对不同之处进行详细描述。
在块240，使用所选择的信用风险评估模型，基于所获取的特征数据，确定待评估主体的信用评分。
在本公开的一个示例中，信用风险评估模型为评分卡模型，评分卡模型可以得到针对待评估主体的存在信用风险的概率，该概率用p表示，则针对待评估主体的不存在信用风险的概率为：1-p。然后，利用下式可以得到针对待评估主体的好坏比Odds：
其中，好坏比Odds即为不存在信用风险的概率与存在信用风险的概率之间的比值。
评分卡模型将信用评分通过Odds对数的线性表达式来表示，即通过下式来计算信用评分：
评分＝A+B*ln(Odds)
其中，A和B是常数。A和B可以通过两个已知点带入计算得出，本公开中的两个已知点为：大盘发生信用风险事件的比例对应居中的分数，根据本公开确定的分数制，该居中分数为1400；分数上涨50分，对应Odds增加一倍。由这两个已知点出发，可解出A和B的值，从而得到信用评分与概率的映射关系。
在本公开的一个示例中，信用评分可以采用1000-2000分值段的评分制，即信用风险评估模型输出的信用评分可以是1000至2000中的任一分值。在本公开中，“1000-2000”表示大于等于1000，且小于等于2000的分值段，下面所采用的这种表示方式均表示包括两个端点的分值段，后续不再赘述。
在块250，基于信用评分与信用风险等级的对应关系，确定待评估主体的信用风险等级。
在本公开中，信用评分与信用风险等级的对应关系可以是指定的。信用风险等级可以包括多种形式，不同形式的信用风险等级可能会存在不同的解读，因此不同形式的信用风险等级可以应用于不同的对象。
在一个示例中，图3示出了本公开的实施例的信用评分与信用风险等级的对应关系的一个示例的示意图。如图3所示，信用风险等级可以分为五个等级：信用一般，信用中等，信用良好，信用优秀以及信用极好。其中，信用一般对应的信用评分为：1000-1299，信用中等对应的信用评分为：1300-1399，信用良好对应的信用评分为：1400-1499，信用优秀对应的信用评分为：1500-1599，信用极好对应的信用评分为：1600-2000。
在该示例中，信用风险等级针对于用户的，信用风险等级采用更接近于用户口语的表达方式，使得用户更易于理解各信用评分所表示的信用风险等级。
在另一个示例中，图4示出了本公开的实施例的信用评分与信用风险等级的对应关系的另一个示例的示意图。如图4所示，信用风险等级可以分为A’、B’、C’和D’四个大类的等级，其中，A’、B’和C’三个大类的等级又进一步地可以细化分为三个小类的等级：A’等级可以包括A等级、AA等级以及AAA等级，B’等级可以包括B等级、BB等级以及BBB等级，C’等级可以包括C等级、CC等级以及CCC等级。D’等级仅包括D等级。
D’等级对应的信用评分为：1000-1299。C’等级对应的信用评分为：1300-1449，其中，C等级对应的信用评分为：1300-1349，CC等级对应的信用评分为：1350-1399，CCC等级对应的信用评分为：1400-1449。B’等级对应的信用评分为：1450-1599，其中，B等级对应的信用评分为：1450-1499，BB等级对应的信用评分为：1500-1549，BBB等级对应的信用评分为：1550-1599。A’等级对应的信用评分为：1600-2000，其中，A等级对应的信用评分为：1600-1649，AA等级对应的信用评分为：1650-1699，AAA等级对应的信用评分为：1700-2000。
在该示例中，信用风险等级针对于组织机构的，信用风险等级采用行业内通用的且更精确的等级划分机制，可以基于评分更精确地确定待评估主体的信用风险等级。
在本公开的一个示例中，在确定评估主体的信用风险等级之前，使用所选择的信用风险评估模型，基于所获取的特征数据，对待评估主体进行信用风险评估还可以包括：基于所获取的特征数据中的负面特征数据和/或历史信用评分，对所确定的信用评分进行修正。
在该示例中，可以仅基于负面特征数据对所确定的信用评分进行修正，还可以仅基于历史信用评分对所确定的信用评分进行修正，还可以基于负面特征数据和历史信用评分对所确定的信用评分进行修正。
当基于负面特征数据和历史信用评分对所确定的信用评分进行修正时，可以不限定执行的顺序。即，可以先基于负面特征数据对所确定的信用评分进行修正，得到修正评分后，再针对该修正评分并基于历史信用评分继续进行修正。还可以先基于历史信用评分对所确定的信用评分进行修正，得到修正评分后，再针对该修正评分并基于负面特征数据继续进行修正。
下面针对基于负面特征数据对所确定的信用评分进行修正进行说明。
在该示例中，负面特征数据是指对待评估主体的信用风险评估起到消极作用的特征数据。负面特征数据可以是经营数据类维度、履约记录类维度以及主体法定代表人诚信信息类维度三个维度中的特征数据。
例如，负面特征数据可以是经营数据类维度中的司法涉诉，行政处罚，偷税漏税记录，刷单，地址失联以及未报送年报等特征数据。负面特征数据还可以是履约记录类维度中的被列为被执行人，恶意逾期等特征数据。负面特征数据还可以是主体法定代表人诚信信息类维度中主体法定代表人被列为老赖等特征数据。
当所获取的特征数据中存在负面特征数据时，则将所确定的信用评分减去指定分值。
在一个示例中，指定分值为固定分值，只要存在至少一个负面特征数据，则将信用评分减去该固定分值。
在另一个示例中，指定分值与负面特征数据的数量成正比，所获取的特征数据中负面特征数据越多，则指定分值越大。比如，每一个负面特征数据对应10分，当有5个负面特征数据时，则需要再所确定的信用评分的基础上减去50分。
在另一个示例中，不同的负面特征数据的负面严重程度会不同，所起到的消极作用也不同。可以根据每一种负面特征数据的负面严重程度，为每一种负面特征数据设定需要减去的分值，越严重的负面特征数据对应的分值会越大。指定分值是各负面特征数据的分值之和。
比如，偷税漏税会比刷单更严重，偷税漏税对应的分值是30分，刷单对应的分值是10分。当所获取的特征数据中存在负面特征数据包括偷税漏税和刷单时，则指定分值是偷税漏税和刷单对应的分值之和40分，将所确定的信用评分减去40分。
在该示例中，利用负面特征数据对信用评分进行修正，所得到的信用评分不仅考虑了正面特征数据，而且考虑了负面特征数据的影响，使得信用评分更全面更准确。
下面针对基于历史信用评分对所确定的信用评分进行修正进行说明。
对于同一个待评估主体，可能存在多次信用风险评估的历史信用评分，在每次对待评估主体进行信用风险评估之后，当前的信用评分和历史信用评分会一起反馈给待评估主体。历史信用评分可以作为参考进而反映出当前的信用评分的变化，并且，当前的信用评分与历史信用评分结合起来可以得到待评估主体在一段时间内的信用评分的整体变化趋势。
在一个示例中，当前的信用评分和历史信用评分可以以图表的方式来呈现。图5示出了本公开的实施例的信用评分用图表示的一个示例的示意图。如图5所示，针对待评估主体，每个月进行一次信用风险评估，并且每次的信用评分和历史信用评分连接成一条变化曲线，该曲线可以表示该待评估主体的信用评分的变化趋势。
如图5所示，1月至6月的信用评分是历史信用评分，7月的是最新的一次信用风险评估所得到的信用评分。由图5可知，6月的历史信用评分是1700，而7月的信用评分是1150，6月的历史信用评分和7月的信用评分之间的连接线形成了一个较大的下降趋势，此时，可以对7月的信用评分进行修正，可以在当前的信用评分的基础上提高7月的信用评分，以使得6月的历史信用评分和7月的信用评分之间下降趋势更缓和。
对7月的信用评分进行修正后的信用评分为1550。图6示出了本公开的实施例的修正后的信用评分用图表示的一个示例的示意图。如图6所示，6月的历史信用评分和修正后的7月的信用评分之间下降趋势更缓和，相对于图5示出的修正前的信用评分曲线的变化趋势，图6示出的信用评分曲线的变化趋势更缓和，并且信用评分曲线更规整，这样规整的图形呈现给用户时，有助于提升用户体验。
图7示出了本公开的实施例的用于评估主体信用风险的装置(在下文中简称为信用风险评估装置700)的方框图。如图7所示，信用风险评估装置700包括特征数据获取单元710，主体类别确定单元720，评估模型选择单元730以及信用风险评估单元740。
特征数据获取单元710获取待评估主体的特征数据，特征数据包括至少一个维度的数据。在本公开的一个示例中，待评估主体为指定规模的主体。特征数据获取单元710所执行的操作可以参考上面参照图1描述的块110的操作。
主体类别确定单元720基于所获取的特征数据，确定待评估主体的主体类别。在本公开的一个示例中，每种主体类别具有类别优先级，以及主体类别确定单元720进一步：基于所获取的特征数据，确定待评估主体的候选主体类别，候选主体类别包括至少两种主体类别；以及将类别优先级最高的主体类别确定为待评估主体的主体类别。主体类别确定单元720所执行的操作可以参考上面参照图1描述的块120的操作。
评估模型选择单元730从多种信用风险评估模型中选择与所确定的主体类别对应的信用风险评估模型。评估模型选择单元730所执行的操作可以参考上面参照图1描述的块130的操作。
信用风险评估单元740使用所选择的信用风险评估模型，基于所获取的特征数据，对待评估主体进行信用风险评估。信用风险评估单元740所执行的操作可以参考上面参照图1描述的块140的操作。
图8示出了本公开的实施例的信用风险评估单元740的一个示例的方框图。如图8所示，信用风险评估单元740可以包括信用评分确定模块743，信用评分修正模块745以及信用风险等级确定模块747。
信用评分确定模块743使用所选择的信用风险评估模型，基于所获取的特征数据，确定所述待评估主体的信用评分。在本公开的一个示例中，信用评分修正模块745基于所获取的特征数据中的负面特征数据和/或历史信用评分，对所确定的信用评分进行修正。信用评分确定模块743所执行的操作可以参考上面参照图2描述的块240的操作。
信用风险等级确定模块747基于信用评分与信用风险等级的对应关系，确定所述待评估主体的信用风险等级。信用风险等级确定模块747所执行的操作可以参考上面参照图2描述的块250的操作。
需要说明的是，信用风险评估单元740可以不包括信用评分修正模块745而包括信用评分确定模块743和信用风险等级确定模块747。
以上参照图1到图8，对根据本公开的用于评估主体信用风险的方法及装置的实施例进行了描述。
本公开的用于评估主体信用风险的装置可以采用硬件实现，也可以采用软件或者硬件和软件的组合来实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在设备的处理器将存储器中对应的计算机程序指令读取到内存中运行形成的。在本公开中，用于评估主体信用风险的装置例如可以利用计算设备实现。
图9示出了本公开的实施例的用于评估主体信用风险的方法的计算设备900的方框图。
如图9所示，计算设备900可以包括至少一个处理器910、存储器(例如，非易失性存储器)920、内存930和通信接口940，并且至少一个处理器910、存储器920、内存930和通信接口940经由总线950连接在一起。至少一个处理器910执行在存储器中存储或编码的至少一个计算机可读指令(即，上述以软件形式实现的元素)。
在一个实施例中，在存储器中存储计算机可执行指令，其当执行时使得至少一个处理器910：获取待评估主体的特征数据，特征数据包括至少一个维度的数据；基于所获取的特征数据，确定待评估主体的主体类别；从多种信用风险评估模型中选择与所确定的主体类别对应的信用风险评估模型；以及使用所选择的信用风险评估模型，基于所获取的特征数据，对待评估主体进行信用风险评估。
应该理解，在存储器中存储的计算机可执行指令当执行时使得至少一个处理器910进行本公开的各个实施例中以上结合图1-8描述的各种操作和功能。
根据一个实施例，提供了一种例如机器可读介质的程序产品。机器可读介质可以具有指令(即，上述以软件形式实现的元素)，该指令当被机器执行时，使得机器执行本公开的各个实施例中以上结合图1-8描述的各种操作和功能。
具体地，可以提供配有可读存储介质的系统或者装置，在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。
在这种情况下，从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此机器可读代码和存储机器可读代码的可读存储介质构成了本发明的一部分。
可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD-RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上或云上下载程序代码。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
上述各流程和各系统结构图中不是所有的步骤和单元都是必须的，可以根据实际的需要忽略某些步骤或单元。各步骤的执行顺序不是固定的，可以根据需要进行确定。上述各实施例中描述的装置结构可以是物理结构，也可以是逻辑结构，即，有些单元可能由同一物理实体实现，或者，有些单元可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。
在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”，并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的，具体实施方式包括具体细节。然而，可以在没有这些具体细节的情况下实施这些技术。在一些实例中，为了避免对所描述的实施例的概念造成难以理解，公知的结构和装置以框图形式示出。
以上结合附图详细描述了本公开的实施例的可选实施方式，但是，本公开的实施例并不限于上述实施方式中的具体细节，在本公开的实施例的技术构思范围内，可以对本公开的实施例的技术方案进行多种简单变型，这些简单变型均属于本公开的实施例的保护范围。
本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说，对本公开内容进行的各种修改是显而易见的，并且，也可以在不脱离本公开内容的保护范围的情况下，将本文所定义的一般性原理应用于其它变型。因此，本公开内容并不限于本文所描述的示例和设计，而是与符合本文公开的原理和新颖性特征的最广范围相一致。
Claims (14)
1.一种用于评估主体信用风险的方法，包括：
获取待评估主体的特征数据，所述特征数据包括至少一个维度的数据；
基于所获取的特征数据，确定所述待评估主体的主体类别；
从多种信用风险评估模型中选择与所确定的主体类别对应的信用风险评估模型；以及
使用所选择的信用风险评估模型，基于所获取的特征数据，对所述待评估主体进行信用风险评估。
2.如权利要求1所述的方法，其中，所述待评估主体为指定规模的主体。
3.如权利要求1所述的方法，其中，所述至少一个维度包括以下维度中的至少一个：
主体基本信息类维度；
经营数据类维度；
成长潜力类维度；
履约记录类维度；和
主体法定代表人诚信信息类维度。
4.如权利要求1所述的方法，其中，所述主体类别包括以下类别中的至少一种：
潜力主体；
风险主体；
基于互联网平台的主体；
有信用记录主体；和
无信用记录主体。
5.如权利要求4所述的方法，其中，每种主体类别具有类别优先级，以及
基于所获取的特征数据，确定所述待评估主体的主体类别包括：
基于所获取的特征数据，确定所述待评估主体的候选主体类别，所述候选主体类别包括至少两种主体类别；以及
将类别优先级最高的主体类别确定为所述待评估主体的主体类别。
6.如权利要求1所述的方法，其中，使用所选择的信用风险评估模型，基于所获取的特征数据，对所述待评估主体进行信用风险评估包括：
使用所选择的信用风险评估模型，基于所获取的特征数据，确定所述待评估主体的信用评分；以及
基于信用评分与信用风险等级的对应关系，确定所述待评估主体的信用风险等级。
7.如权利要求6所述的方法，其中，在确定所述待评估主体的信用风险等级之前，使用所选择的信用风险评估模型，基于所获取的特征数据，对所述待评估主体进行信用风险评估还包括：
基于所获取的特征数据中的负面特征数据和/或历史信用评分，对所确定的信用评分进行修正。
8.一种用于评估主体信用风险的装置，包括：
特征数据获取单元，获取待评估主体的特征数据，所述特征数据包括至少一个维度的数据；
主体类别确定单元，基于所获取的特征数据，确定所述待评估主体的主体类别；
评估模型选择单元，从多种信用风险评估模型中选择与所确定的主体类别对应的信用风险评估模型；以及
信用风险评估单元，使用所选择的信用风险评估模型，基于所获取的特征数据，对所述待评估主体进行信用风险评估。
9.如权利要求8所述的装置，其中，所述待评估主体为指定规模的主体。
10.如权利要求8所述的装置，其中，每种主体类别具有类别优先级，以及
所述主体类别确定单元进一步：
基于所获取的特征数据，确定所述待评估主体的候选主体类别，所述候选主体类别包括至少两种主体类别；以及
将类别优先级最高的主体类别确定为所述待评估主体的主体类别。
11.如权利要求8所述的装置，其中，所述信用风险评估单元包括：
信用评分确定模块，使用所选择的信用风险评估模型，基于所获取的特征数据，确定所述待评估主体的信用评分；以及
信用风险等级确定模块，基于信用评分与信用风险等级的对应关系，确定所述待评估主体的信用风险等级。
12.如权利要求11所述的装置，其中，所述信用风险评估单元包括：
信用评分修正模块，基于所获取的特征数据中的负面特征数据和/或历史信用评分，对所确定的信用评分进行修正。
13.一种计算设备，包括：
至少一个处理器，以及
与所述至少一个处理器耦合的存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如权利要求1到7中任一所述的方法。
14.一种机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如权利要求1到7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910693034.6A CN110458689A (zh) | 2019-07-30 | 2019-07-30 | 用于评估主体信用风险的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910693034.6A CN110458689A (zh) | 2019-07-30 | 2019-07-30 | 用于评估主体信用风险的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110458689A true CN110458689A (zh) | 2019-11-15 |
Family
ID=68484004
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910693034.6A Pending CN110458689A (zh) | 2019-07-30 | 2019-07-30 | 用于评估主体信用风险的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110458689A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111815432A (zh) * | 2020-07-08 | 2020-10-23 | 中国工商银行股份有限公司 | 金融服务风险预测方法及装置 |
| CN112819610A (zh) * | 2021-02-26 | 2021-05-18 | 重庆度小满优扬科技有限公司 | 信用的评估方法、信用评估模型的训练方法以及设备 |
| CN113177701A (zh) * | 2021-04-15 | 2021-07-27 | 国任财产保险股份有限公司 | 一种用户信用评估方法和装置 |
-
2019
- 2019-07-30 CN CN201910693034.6A patent/CN110458689A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111815432A (zh) * | 2020-07-08 | 2020-10-23 | 中国工商银行股份有限公司 | 金融服务风险预测方法及装置 |
| CN111815432B (zh) * | 2020-07-08 | 2023-08-18 | 中国工商银行股份有限公司 | 金融服务风险预测方法及装置 |
| CN112819610A (zh) * | 2021-02-26 | 2021-05-18 | 重庆度小满优扬科技有限公司 | 信用的评估方法、信用评估模型的训练方法以及设备 |
| CN113177701A (zh) * | 2021-04-15 | 2021-07-27 | 国任财产保险股份有限公司 | 一种用户信用评估方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guvenen et al. | Offshore profit shifting and aggregate measurement: Balance of payments, foreign investment, productivity, and the labor share | |
| Talab et al. | Role of Beneish M-score model in detecting of earnings management practices: Empirical study in listed banks of Iraqi Stock Exchange | |
| Pensions Commission | Pensions: Challenges and choices | |
| Flood | Wiley GAAP 2013: Interpretation and application of generally accepted accounting principles | |
| US20140310142A1 (en) | Life element guiding and financial planning system | |
| CN109934431A (zh) | 一种信用评估方法及系统 | |
| Amidu et al. | Credit risk, capital structure and lending decisions of banks in Ghana | |
| CN110458689A (zh) | 用于评估主体信用风险的方法及装置 | |
| US20220101430A1 (en) | Blockchain-Based Carbon Credit Database | |
| Diewert et al. | Problems with the measurement of banking services in a national accounting framework | |
| Fabozzi et al. | Advanced bond portfolio management: best practices in modeling and strategies | |
| Tracy | Accounting workbook for dummies | |
| Jaitly | Pricing of IPOs and their after issue performance in the Indian equity market | |
| Aaron et al. | Taxing Capital Income | |
| Amaral et al. | Evaluating investment fund performance in Portugal | |
| Fountas et al. | Does The Exchange Rate Regime Affect Export Volume? Evidence From Bilateral Exportsin US–UK Trade: 1900–98 | |
| Kjærsgaard | Blockchain Technology and the Allocation of Taxing Rights to Payments Related to Initial Coin Offerings | |
| Abdul-Aziz | A Non-Parametric Approach to Assessing Efficiency in Conventionaland Participation (Islamic) Banks ofTurkey | |
| McCrary | Mastering financial accounting essentials: the critical nuts and bolts | |
| Gure et al. | Macroeconomic variable and stock market performance in Kenya | |
| Joshi | Transition to Ind-AS-A corporate governance perspective... | |
| MOHAMMED | Is Fair Value Accounting Information Relevant and Reliable? Evidence from Capital and Debt Market Institutions in Jordan | |
| Imperiale et al. | Deaccessioning and capitalisation in museums from an international perspective. | |
| Mojca | ANALYSIS OF THE REPLACEMENT OF INTERNATIONAL FINANCIAL REPORTING STANDARD FOR FINANCIAL INSTRUMENTS: IAS 39 VERSUS IFRS 9 | |
| Aththanayake et al. | The Impact of Market Sentiment and Macro-Financial Factors on Cryptocurrency Prices |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40017466 Country of ref document: HK |
|
| TA01 | Transfer of patent application right |
Effective date of registration: 20201012 Address after: English genus Applicant after: Innovative advanced technology Co.,Ltd. Address before: English genus Applicant before: Advanced innovation technology Co.,Ltd. Effective date of registration: 20201012 Address after: English genus Applicant after: Advanced innovation technology Co.,Ltd. Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Applicant before: Alibaba Group Holding Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191115 |
|
| RJ01 | Rejection of invention patent application after publication |