CN110619434A - 一种预测还款概率的方法、装置、电子设备和存储介质 - Google Patents

一种预测还款概率的方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN110619434A
CN110619434A CN201910877050.0A CN201910877050A CN110619434A CN 110619434 A CN110619434 A CN 110619434A CN 201910877050 A CN201910877050 A CN 201910877050A CN 110619434 A CN110619434 A CN 110619434A
Authority
CN
China
Prior art keywords
repayment
overdue
probability
payment
equipment
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
Application number
CN201910877050.0A
Other languages
English (en)
Inventor
薛冰
张善睿
韦华
曹金飞
李维
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North Valley Electronics Co Ltd
Beigu Electronics Co Ltd Shanghai Branch
Original Assignee
North Valley Electronics Co Ltd
Beigu Electronics Co Ltd Shanghai Branch
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North Valley Electronics Co Ltd, Beigu Electronics Co Ltd Shanghai Branch filed Critical North Valley Electronics Co Ltd
Priority to CN201910877050.0A priority Critical patent/CN110619434A/zh
Publication of CN110619434A publication Critical patent/CN110619434A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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"
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Tourism & Hospitality (AREA)
  • Algebra (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种预测还款概率的方法、装置、电子设备和存储介质，所述方法包括：获取每一设备的历史还款状态信息，其中所述历史还款状态信息包括过去n期的还款状态信息和本期还款状态信息，所述还款状态包括正常还款和逾期还款，所述逾期还款包括逾期1期、逾期2期和逾期多期；以及根据所述设备的历史还款状态信息，采用马尔科夫状态转移矩阵计算每一所述设备在下一期的还款概率。本发明可以简化每一设备在下一期的还款概率的计算过程，并可以有效提高还款概率的预测准确率，进而可以帮助租赁商、经销商和主机厂有效预测下一期的回款总金额，以提升对债权风险的控制能力。

Description

一种预测还款概率的方法、装置、电子设备和存储介质
技术领域
本发明涉及计算机技术领域，特别涉及一种预测还款概率的方法、装置、电子设备和存储介质。
背景技术
在工程机械领域，客户购买设备大多以融资租赁或者分期的方式边使用设备工作边还款，设备的工作情况将直接影响到客户的收入，进而影响还款行为，对于主机厂、经销商和租赁商来说，债权风险控制是重中之重。然而目前还没有有效的方法来预测设备的分期还款概率。
发明内容
本发明的目的在于提供一种预测还款概率的方法、装置、电子设备和存储介质，可以计算出每一设备在下一期的还款概率。
为达到上述目的，本发明提供一种预测还款概率的方法，包括：
获取每一设备的历史还款状态信息，其中所述历史还款状态信息包括过去n期的还款状态信息和本期还款状态信息，所述还款状态包括正常还款和逾期还款，所述逾期还款包括逾期1期、逾期2期和逾期多期；以及
根据所述设备的历史还款状态信息，采用马尔科夫状态转移矩阵计算每一所述设备在下一期的还款概率。
可选的，若所述设备的本期还款状态信息为正常还款，则所述设备在下一期的还款概率的计算方法包括：
获取设备的至少一个关键特征，将每一所述关键特征划分为多个特征类别，将所述至少一个关键特征的每个所述特征类别分别进行组合以得到多个特征组合类别，将每一设备映射到对应的特征组合类别中；
计算过去n期内，每一所述特征组合类别在每一还款期的先验概率，根据所述先验概率，分别拟合出每一所述特征组合类别的Beta分布的概率密度函数，并计算得到所述Beta分布的概率密度函数的参数α和β；以及
根据所述设备的历史还款状态信息和所述设备所对应的特征组合类别的Beta分布的概率密度函数的参数α和β，计算所述设备在下一期的还款概率。
可选的，所述先验概率为所述特征组合类别在对应还款期的还款状态为正常还款的设备在下一期向正常还款状态或逾期1期状态转移的概率。
可选的，根据如下公式计算所述特征组合类别在每一还款期的先验概率：
Pabi＝Nbi/N总i；
其中，Pabi为所述特征组合类别在第i期的先验概率，Nbi为所述特征组合类别在第i期的还款状态为逾期1期的设备数，N总i为所述特征组合类别在第i期应还款的设备总数。
可选的，所述计算所述设备在下一期的还款概率，具体为，按照如下公式计算所述设备在下一期的还款概率P还款概率：
P还款概率＝(α+a)/(α+a+β+b)；
其中，a为所述设备正常还款的次数，b为所述设备逾期1期的次数。
可选的，所述关键特征包括设备的日平均工作时长、购买设备的首付比例、还款的总期数和设备的产品类型。
可选的，若所述设备的本期还款状态信息为逾期1期，则所述设备在下一期的还款概率的计算方法包括：
统计上一期还款状态为逾期1期的设备总数mb；
统计上一期还款状态为逾期1期且本期还款状态为正常还款的设备数mba或统计上一期还款状态为逾期1期且本期还款状态为逾期1期的设备数mbb；以及
根据如下公式，计算所述设备在下一期的还款概率Pba：
Pba＝mba/mb；或者
根据如下公式，计算所述设备在下一期的还款概率Pbb：
Pbb＝mbb/mb。
可选的，若所述设备的本期还款状态信息为逾期2期，则所述设备在下一期的还款概率的计算方法包括：
统计上一期还款状态为逾期2期的设备总数mc；
统计上一期还款状态为逾期2期且本期还款状态为正常还款的设备数mca、统计上一期还款状态为逾期2期且本期还款状态为逾期1期的设备数mcb、或统计上一期还款状态为逾期2期且本期还款状态为逾期2期的设备数mcc；以及
根据如下公式，计算所述设备在下一期的还款概率Pca：
Pca＝mca/mc；或者
根据如下公式，计算所述设备在下一期的还款概率Pcb：
Pcb＝mcb/mc；或者
根据如下公式，计算所述设备在下一期的还款概率Pcc：
Pcc＝mcc/mc。
可选的，若所述设备的本期还款状态信息为逾期多期，则所述设备在下一期的还款概率的计算方法包括：
统计上一期还款状态为逾期多期的设备总数md；
统计上一期还款状态为逾期多期且本期还款状态为正常还款的设备数mda、统计上一期还款状态为逾期多期且本期还款状态为逾期1期的设备数mdb、或统计上一期还款状态为逾期多期且本期还款状态为逾期2期的设备数mdc；以及
根据如下公式，计算所述设备在下一期的还款概率Pda：
Pda＝mda/md；或者
根据如下公式，计算所述设备在下一期的还款概率Pdb：
Pdb＝mdb/md；或者
根据如下公式，计算所述设备在下一期的还款概率Pdc：
Pdc＝mdc/md。
可选的，若所述设备在下一期为首期还款，则所述设备在下一期的还款概率的计算方法包括：
统计本期为首期需还款的设备总数n总；
统计本期为首期且正常还款的设备数na；以及
根据如下公式，计算所述设备在下一期的还款概率Paa：
Paa＝na/n总。
为达到上述目的，本发明还提供一种预测还款概率的装置，包括：
获取模块，用于获取每一设备的历史还款状态信息，其中所述历史还款状态信息包括过去n期的还款状态信息和本期还款状态信息，所述还款状态包括正常还款和逾期还款，所述逾期还款包括逾期1期、逾期2期和逾期多期；以及
计算模块，用于根据所述设备的历史还款状态信息，采用马尔科夫状态转移矩阵计算每一所述设备在下一期的还款概率。
可选的，所述计算模块包括：
类别划分子模块，用于获取设备的至少一个关键特征，将每一所述关键特征划分为多个特征类别，将所述至少一个关键特征的每个所述特征类别分别进行组合以得到多个特征组合类别，将每一设备映射到对应的特征组合类别中；
拟合子模块，用于计算过去n期内，每一所述特征组合类别在每一还款期的先验概率，根据所述先验概率，分别拟合出每一所述特征组合类别的Beta分布的概率密度函数，并计算得到所述Beta分布的概率密度函数的参数α和β；以及
计算子模块，用于根据所述设备的历史还款状态信息和所述设备所对应的特征组合类别的Beta分布的概率密度函数的参数α和β，计算所述设备在下一期的还款概率，其中，所述设备的本期还款状态信息为正常还款。
可选的，所述计算子模块，具体用于根据如下公式，计算所述设备在下一期的还款概率P还款概率：
P还款概率＝(α+a)/(α+a+β+b)；
其中，a为所述设备正常还款的次数，b为所述设备逾期1期的次数。
可选的，所述关键特征包括设备的日平均工作时长、购买设备的首付比例、还款的总期数和设备的产品类型。
可选的，所述计算模块包括：
第一统计子模块，用于统计上一期还款状态为逾期1期的设备总数mb；
第二统计子模块，统计上一期还款状态为逾期1期且本期还款状态为正常还款的设备数mba或统计上一期还款状态为逾期1期且本期还款状态为逾期1期的设备数mbb；以及
计算子模块，用于根据如下公式，计算所述设备在下一期的还款概率Pba：
Pba＝mba/mb；或者
用于根据如下公式，计算所述设备在下一期的还款概率Pbb：
Pbb＝mbb/mb；
其中，所述设备的本期还款状态信息为逾期1期。
可选的，所述计算模块包括：
第一统计子模块，用于统计上一期还款状态为逾期2期的设备总数mc；
第二统计子模块，用于统计上一期还款状态为逾期2期且本期还款状态为正常还款的设备数mca、统计上一期还款状态为逾期2期且本期还款状态为逾期1期的设备数mcb、或统计上一期还款状态为逾期2期且本期还款状态为逾期2期的设备数mcc；以及
计算子模块，用于根据如下公式，计算所述设备在下一期的还款概率Pca：
Pca＝mca/mc；或者
用于根据如下公式，计算所述设备在下一期的还款概率Pcb：
Pcb＝mcb/mc；或者
用于根据如下公式，计算所述设备在下一期的还款概率Pcc：
Pcc＝mcc/mc；
其中，所述设备的本期还款状态信息为逾期2期。
可选的，所述计算模块包括：
第一统计子模块，用于统计上一期还款状态为逾期多期的设备总数md；
第二统计子模块，用于统计上一期还款状态为逾期多期且本期还款状态为正常还款的设备数mda、统计上一期还款状态为逾期多期且本期还款状态为逾期1期的设备数mdb、或统计上一期还款状态为逾期多期且本期还款状态为逾期2期的设备数mdc；以及
计算子模块，用于根据如下公式，计算所述设备在下一期的还款概率Pda：
Pda＝mda/md；或者
用于根据如下公式，计算所述设备在下一期的还款概率Pdb：
Pdb＝mdb/md；或者
用于根据如下公式，计算所述设备在下一期的还款概率Pdc：
Pdc＝mdc/md；
其中，所述设备的本期还款状态信息为逾期多期。
可选的，所述计算模块包括：
第一统计子模块，用于统计本期为首期需还款的设备总数n总；
第二统计子模块，用于统计本期为首期且正常还款的设备数na；以及
计算子模块，用于根据如下公式，计算所述设备在下一期的还款概率Paa，其中，所述设备在下一期为首期还款：
Paa＝na/n总。
为达到上述目的，本发明还提供一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现上述任一项所述的方法。
为达到上述目的，本发明还提供一种可读存储介质，所述可读存储介质内存储有计算机程序，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。
与现有技术相比，本发明提供的预测还款概率的方法、装置、电子设备和存储介质具有以下优点：本发明通过获取每一设备的历史还款状态信息，其中还款状态包括正常还款和逾期还款，逾期还款又细分为逾期1期、逾期2期和逾期多期，并根据所述设备的历史还款状态信息，采用马尔科夫状态转移矩阵计算每一所述设备在下一期的还款概率，从而可以简化每一设备在下一期的还款概率的计算过程，并可以有效提高还款概率的预测准确率，进而可以帮助租赁商、经销商和主机厂有效预测下一期的回款总金额，以提升对债权风险的控制能力。
附图说明
图1为本发明一实施方式的预测还款概率的方法的流程图；
图2为本发明一实施方式的马尔科夫状态转移图的示意图；
图3为本发明一实施方式的预测还款概率的装置的结构框图；
图4为本发明一实施方式的电子设备的结构框图。
其中，附图标记如下：
获取模块-201，计算模块-202，处理器-301，通信接口-302；存储器-303；通信总线-304。
具体实施方式
以下结合附图1至4和具体实施方式对本发明提出的一种预测还款概率的方法、装置、电子设备和存储介质作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明的核心思想在于提供一种预测还款概率的方法、装置、电子设备和存储介质，可以计算出每一设备在下一期的还款概率。
需要说明的是，本发明实施方式的预测还款概率的方法可应用于本发明实施方式的预测还款概率的装置，该预测还款概率的装置可被配置于电子设备上。其中，该电子设备可以是个人计算机、移动终端等，该移动终端可以是手机、平板电脑等具有各种操作系统的硬件设备。
为实现上述思想，本发明提供一种预测还款概率的方法，请参考图1，示意性地给出了本发明一实施方式提供的预测还款概率的方法的流程图，如图1所示，本发明提供的预测还款概率的方法包括如下步骤：
S100：获取每一设备的历史还款状态信息，其中所述历史还款状态信息包括过去n期的还款状态信息和本期还款状态信息，所述还款状态包括正常还款和逾期还款，所述逾期还款包括逾期1期、逾期2期和逾期多期；以及
S200：根据所述设备的历史还款状态信息，采用马尔科夫状态转移矩阵计算每一所述设备在下一期的还款概率。
由于在本实施方式中，将设备的还款状态抽象为4种：正常还款、逾期1期、逾期2期和逾期多期，所有设备在还款周期内的任何一个还款期必定处于上述4种状态中的一种，并且在整个还款周期内任一设备的还款状态只会在这4种状态间转换，在本文中，将4这种状态和各状态间的转移过程用马尔科夫链模型表示，请参考图2和表1，其中图2示意性地给出了本发明一实施方式的马尔科夫状态转移图的示意图。如图2所示，正常还款用a表示，逾期1期用b表示，逾期2期用c表示，逾期多期用d表示；Paa表示还款状态由正常还款向正常还款转移的概率，Pab表示还款状态由正常还款向逾期1期状态转移的概率，Pac表示还款状态由正常还款向逾期2期转移的概率，其中Pac＝0，Pad表示还款状态由正常还款向逾期多期转移的概率，其中Pad＝0；Pba表示还款状态由逾期1期向正常还款转移的概率，Pbb表示还款状态由逾期1期向逾期1期状态转移的概率，Pbc表示还款状态由逾期1期向逾期2期转移的概率，Pbd表示还款状态由逾期1期向逾期多期转移的概率，其中Pbd＝0；Pca表示还款状态由逾期2期向正常还款转移的概率，Pcb表示还款状态由逾期2期向逾期1期状态转移的概率，Pcc表示还款状态由逾期2期向逾期2期转移的概率，Pcd表示还款状态由逾期2期向逾期多期转移的概率；Pda表示还款状态由逾期多期向正常还款转移的概率，Pdb表示还款状态由逾期多期向逾期1期状态转移的概率，Pdc表示还款状态由逾期多期向逾期2期转移的概率，Pdd表示还款状态由逾期多期向逾期多期转移的概率，由此，预测每一设备在下一期的还款概率，就转化为计算马尔科夫链的状态转移矩阵问题，为此，本发明提供的预测还款概率的方法通过获取每一设备的历史还款状态信息和本期还款状态信息，并根据每一所述设备的历史还款状态信息和本期还款状态信息，采用马尔科夫状态转移矩阵计算每一所述设备在下一期的还款概率，从而可以简化每一设备在下一期的还款概率的计算过程，并可以有效提高还款概率的预测准确率。此外，根据所述设备在下一期的还款概率和下一期的应还金额(可能既包括下一期应还金额，也包含历史欠款)计算所述设备下一期的预测还款金额，将所述设备按照经销商或租赁商进行聚合，即可计算出经销商或租赁商的预测回款总金额，将所有设备的预测还款金额累加即可得到主机厂的预测回款总金额，进而可以帮助租赁商、经销商和主机厂有效预测下一期的回款总金额，以提高对债权的风险控制。
表1状态转移概率矩阵
起/终 正常还款(a) 逾期1期(b) 逾期2期(c) 逾期多期(d)
正常还款(a) P<sub>aa</sub> P<sub>ab</sub> P<sub>ac</sub>＝0 P<sub>ad</sub>＝0
逾期1期(b) P<sub>ba</sub> P<sub>bb</sub> P<sub>bc</sub> P<sub>bd</sub>＝0
逾期2期(c) P<sub>ca</sub> P<sub>cb</sub> P<sub>cc</sub> P<sub>cd</sub>
逾期多期(d) P<sub>da</sub> P<sub>db</sub> P<sub>dc</sub> P<sub>dd</sub>
一般情况下，处于正常还款状态的设备占比非常高，对于那些本期还款状态信息为正常还款且本期为非首期还款的设备，可采用如下步骤计算所述设备在下一期的还款概率：
获取设备的至少一个关键特征，将每一所述关键特征划分为多个特征类别，将所述至少一个关键特征的每个所述特征类别分别进行组合以得到多个特征组合类别，将每一设备映射到对应的特征组合类别中；
计算过去n期内，每一所述特征组合类别在每一还款期的先验概率，根据所述先验概率，分别拟合出每一所述特征组合类别的Beta分布的概率密度函数，并计算得到所述Beta分布的概率密度函数的参数α和β，其中α可以理解为所述特征组合类别的还款状态为正常还款的次数，β可以理解为所述特征组合类别的还款状态为逾期1期的次数；以及
根据所述设备的历史还款状态信息和所述设备所对应的特征组合类别的Beta分布的概率密度函数的参数α和β，计算所述设备在下一期的还款概率。
假设共获取T、X、Y、Z四个关键特征，需要说明的是关键特征的个数可以任意选择，并不仅仅限定为4个，本发明对关键特征的个数并不做限定。其中关键特征T共划分为n1个特征类别，关键特征X共划分为n2个特征类别，关键特征Y共划分为n3个特征类别，关键特征Z共划分为n4个特征类别，则在将这四个关键特征的特征类别进行组合时，共可以产生m个(m＝n1*n2*n3*n4)特征组合类别，在任意一还款期中，任意一台设备都属于这m个类别组合中的一个。由此，通过将每个关键特征进行特征类别的划分，一方面可以通过将连续的特征离散化从而将具有不同特点的设备区分开，另一方面通过将不同的特征类别进行组合，从而可以降低预测的颗粒度。
优选的，所述关键特征包括设备的日平均工作时长、购买设备的首付比例、还款的总期数和设备的产品类型，需要说明的是除了以上列举的四个关键特征，本发明还可以选择别的与设备相关的特征作为关键特征，本发明对此并不做限定。由于随着物联网技术的发展，具备定位和回传设备工作数据等功能的GPS终端已被广泛使用在债权设备上，由此可以通过安装在设备上的GPS终端获取所述设备的工作时长。例如，可以将设备的日平均工作时长(用T表示)划分为如下6个类别(单位：小时)：类别1：[0,2)、类别2：[2,4)、类别3：[4,8)、类别4：[8,12)、类别5：[12,18)、类别6：[18,24)；将购买设备的首付比例(用X表示)划分为如下5个类别：类别1：0首付、类别2：0＜首付比例≤30％、类别3：30％＜首付比例≤50％、类别4：50％＜首付比例≤80％、类别5：首付比例＞80％；将还款的总期数(用Y表示)划分为如下5个类别：类别1：0＜总期数≤12、类别2：12＜总期数≤18、类别3：18＜总期数≤24、类别4：24＜总期数≤36、类别5：总期数＞36；将设备的产品类型(用Z表示)划分为4个类别：类别1：装载机1、类别2：小型挖掘机、类别3：中型挖掘机、类别4：大型挖掘机，则通过将以上4种关键特征的特征类别进行组合，共可以得到6×5×5×4＝600个特征组合类别，根据每一设备的具体情况，将每一设备映射到对应的特征组合类别中。
优选的，所述先验概率为所述特征组合类别在对应还款期的还款状态为正常还款的设备在下一期向正常还款状态或逾期1期状态转移的概率。其中，所述设备在下一期向正常还款状态转移的概率与所述设备在下一期向逾期1期状态转移的概率之和等于1。
进一步的，可根据如下公式计算所述特征组合类别在每一还款期的先验概率：
Pabi＝Nbi/N总i；
其中，Pabi为所述特征组合类别在第i期的先验概率，Nbi为所述特征组合类别在第i期的还款状态为逾期1期的设备数，N总i为所述特征组合类别在第i期应还款的设备总数。
优选的，所述计算所述设备在下一期的还款概率，具体为，按照如下公式计算所述设备在下一期的还款概率P还款概率：
P还款概率＝(α+a)/(α+a+β+b)；
其中，a为所述设备正常还款的次数，b为所述设备逾期1期的次数。
由于逾期设备占比小而且受到催款人员的直接影响，所以对于本期还款状态为逾期状态的设备，不再采用上述的计算方法计算其在下一期的还款概率，对于此类设备，可以通过统计上一期还款状态为逾期1期、逾期2期和逾期多期的设备本期转化为正常还款、逾期1期、逾期2期和逾期多期的状态转移概率，作为它们下一期相应的状态转移概率，从而即可得到逾期设备在下一期的还款概率和逾期概率。
具体的，若所述设备的本期还款状态信息为逾期1期，则所述设备在下一期的还款概率的计算方法包括：
统计上一期还款状态为逾期1期的设备总数mb；
统计上一期还款状态为逾期1期且本期还款状态为正常还款的设备数mba或统计上一期还款状态为逾期1期且本期还款状态为逾期1期的设备数mbb；以及
根据如下公式，计算所述设备在下一期的还款概率Pba：
Pba＝mba/mb；或者
根据如下公式，计算所述设备在下一期的还款概率Pbb：
Pbb＝mbb/mb。
若所述设备的本期还款状态信息为逾期2期，则所述设备在下一期的还款概率的计算方法包括：
统计上一期还款状态为逾期2期的设备总数mc；
统计上一期还款状态为逾期2期且本期还款状态为正常还款的设备数mca、统计上一期还款状态为逾期2期且本期还款状态为逾期1期的设备数mcb、或统计上一期还款状态为逾期2期且本期还款状态为逾期2期的设备数mcc；以及
根据如下公式，计算所述设备在下一期的还款概率Pca：
Pca＝mca/mc；或者
根据如下公式，计算所述设备在下一期的还款概率Pcb：
Pcb＝mcb/mc；或者
根据如下公式，计算所述设备在下一期的还款概率Pcc：
Pcc＝mcc/mc。
若所述设备的本期还款状态信息为逾期多期，则所述设备在下一期的还款概率的计算方法包括：
统计上一期还款状态为逾期多期的设备总数md；
统计上一期还款状态为逾期多期且本期还款状态为正常还款的设备数mda、统计上一期还款状态为逾期多期且本期还款状态为逾期1期的设备数mdb、或统计上一期还款状态为逾期多期且本期还款状态为逾期2期的设备数mdc；以及
根据如下公式，计算所述设备在下一期的还款概率Pda：
Pda＝mda/md；或者
根据如下公式，计算所述设备在下一期的还款概率Pdb：
Pdb＝mdb/md；或者
根据如下公式，计算所述设备在下一期的还款概率Pdc：
Pdc＝mdc/md。
对于那些在本期还款期所对应的时间内租出或卖出的设备，由于其首期还款期在下一期，因此其还没有任何历史还款记录，故默认其本期处于正常还款状态。且由于首期还款的准时率往往比较高，所以可以通过统计本期的首期还款设备的正常还款率和逾期率作为下一期首期还款设备从正常还款状态向正常还款状态和逾期1期状态转移的概率，其中，所述设备从正常还款状态向正常还款状态转移的概率即为所述设备在下一期的还款概率，所述设备从正常还款状态向逾期1期状态转移的概率即为所述设备在下一期的逾期概率，所述还款概率与所述逾期概率之和为1。具体的，若所述设备在下一期为首期还款，则所述设备在下一期的还款概率的计算方法包括：
统计本期为首期需还款的设备总数n总；
统计本期为首期且正常还款的设备数na；以及
根据如下公式，计算所述设备在下一期的还款概率Paa：
Paa＝na/n总。
在采用上述的计算方法获得每一设备在下一期的还款概率后，可以根据所述设备的还款概率和下一期应还的金额(可能既包含下期应还，也包含历史欠款)计算出所述设备在下一期的预测还款金额。通过将各个设备按照经销商或租赁商进行聚合，即可计算出经销商或租赁商的预测回款总金额，将所有设备的预测还款金额累加即可得到主机厂的预测回款总金额。
综上所述，本发明提供的预测还款概率的方法，通过获取每一设备的历史还款状态信息，其中还款状态包括正常还款和逾期还款，逾期还款又细分为逾期1期、逾期2期和逾期多期，并根据所述设备的历史还款状态信息，采用马尔科夫状态转移矩阵计算每一所述设备在下一期的还款概率，从而可以简化每一设备在下一期的还款概率的计算过程，并可以有效提高还款概率的预测准确率，进而可以帮助租赁商、经销商和主机厂有效预测下一期的回款总金额，以提升对债权风险的控制能力。
与上述的预测还款概率的方法相对应，本发明还提供一种预测还款概率的装置，请参考图3，图3示意性的给出了本发明一实施方式提供的预测还款概率的装置的结构框图，如图3所示，所述预测还款概率的装置包括：
获取模块201，用于获取每一设备的历史还款状态信息，其中所述历史还款状态信息包括过去n期的还款状态信息和本期还款状态信息，所述还款状态包括正常还款和逾期还款，所述逾期还款包括逾期1期、逾期2期和逾期多期；以及
计算模块202，用于根据所述设备的历史还款状态信息，采用马尔科夫状态转移矩阵计算每一所述设备在下一期的还款概率。
可选的，所述计算模块202包括：
类别划分子模块，用于获取设备的至少一个关键特征，根据每一所述关键特征的特征进行分区，将每一所述关键特征的特征划分为多个特征类别，将所述至少一个关键特征的每个所述特征类别分别进行组合以得到多个特征组合类别，将每一设备映射到对应的特征组合类别中；
拟合子模块，用于计算过去n期内，每一所述特征组合类别在每一还款期的先验概率，根据所述先验概率，分别拟合出每一所述特征组合类别的Beta分布的概率密度函数，并计算得到所述Beta分布的概率密度函数的参数α和β，其中α可以理解为所述特征组合类别的还款状态为正常还款的次数，β可以理解为所述特征组合类别的还款状态为逾期1期的次数；以及
计算子模块，用于根据所述设备的历史还款状态信息和所述设备所对应的特征组合类别的Beta分布的概率密度函数的参数α和β，计算所述设备在下一期的还款概率，其中，所述设备的本期还款状态信息为正常还款。
可选的，所述先验概率为所述特征组合类别在对应还款期的还款状态为正常还款的设备在下一期向正常还款状态或逾期1期状态转移的概率。
可选的，根据如下公式计算所述特征组合类别在每一还款期的先验概率：
Pabi＝Nbi/N总i；
其中，Pabi为所述特征组合类别在第i期的先验概率，Nbi为所述特征组合类别在第i期的还款状态为逾期1期的设备数，N总i为所述特征组合类别在第i期应还款的设备总数。
可选的，所述计算子模块，具体用于根据如下公式，计算所述设备在下一期的还款概率P还款概率：
P还款概率＝(α+a)/(α+a+β+b)；
其中，a为所述设备正常还款的次数，b为所述设备逾期1期的次数。
可选的，所述关键特征包括设备的日平均工作时长、购买设备的首付比例、还款的总期数和设备的产品类型。
可选的，所述计算模块202包括：
第一统计子模块，用于统计上一期还款状态为逾期1期的设备总数mb；
第二统计子模块，用于统计上一期还款状态为逾期1期且本期还款状态为正常还款的设备数mba或统计上一期还款状态为逾期1期且本期还款状态为逾期1期的设备数mbb；以及
计算子模块，用于根据如下公式，计算所述设备在下一期的还款概率Pba：
Pba＝mba/mb；或者
用于根据如下公式，计算所述设备在下一期的还款概率Pbb：
Pbb＝mbb/mb；
其中，所述设备的本期还款状态信息为逾期1期。
可选的，所述计算模块202包括：
第一统计子模块，用于统计上一期还款状态为逾期2期的设备总数mc；
第二统计子模块，用于统计上一期还款状态为逾期2期且本期还款状态为正常还款的设备数mca、统计上一期还款状态为逾期2期且本期还款状态为逾期1期的设备数mcb、或统计上一期还款状态为逾期2期且本期还款状态为逾期2期的设备数mcc；以及
计算子模块，用于根据如下公式，计算所述设备在下一期的还款概率Pca：
Pca＝mca/mc；或者
用于根据如下公式，计算所述设备在下一期的还款概率Pcb：
Pcb＝mcb/mc；或者
用于根据如下公式，计算所述设备在下一期的还款概率Pcc：
Pcc＝mcc/mc；
其中，所述设备的本期还款状态信息为逾期2期。
其中，所述计算模块202包括：
第一统计子模块，用于统计上一期还款状态为逾期多期的设备总数md；
第二统计子模块，用于统计上一期还款状态为逾期多期且本期还款状态为正常还款的设备数mda、统计上一期还款状态为逾期多期且本期还款状态为逾期1期的设备数mdb、或统计上一期还款状态为逾期多期且本期还款状态为逾期2期的设备数mdc；以及
计算子模块，用于根据如下公式，计算所述设备在下一期的还款概率Pda：
Pda＝mda/md；或者
用于根据如下公式，计算所述设备在下一期的还款概率Pdb：
Pdb＝mdb/md；或者
用于根据如下公式，计算所述设备在下一期的还款概率Pdc：
Pdc＝mdc/md；
其中，所述设备的本期还款状态信息为逾期多期。
可选的，所述计算模块202包括：
第一统计子模块，用于统计本期为首期需还款的设备总数n总；
第二统计子模块，用于统计本期为首期且正常还款的设备数na；以及
计算子模块，用于根据如下公式，计算所述设备在下一期的还款概率Paa，其中，所述设备在下一期为首期还款：
Paa＝na/n总。
本发明提供的预测还款概率的装置，通过获取每一设备的历史还款状态信息，其中还款状态包括正常还款和逾期还款，逾期还款又细分为逾期1期、逾期2期和逾期多期，并根据所述设备的历史还款状态信息，采用马尔科夫状态转移矩阵计算每一所述设备在下一期的还款概率，从而可以简化每一设备在下一期的还款概率的计算过程，并可以有效提高还款概率的预测准确率，进而可以帮助租赁商、经销商和主机厂有效预测下一期的回款总金额，以提升对债权风险的控制能力。
基于同一发明构思，本发明还提供一种电子设备，请参考图4，示意性的给出了本发明一实施方式提供的电子设备的结构框图，如图4所示，所述电子设备包括处理器301、通信接口302、存储器303和通信总线304。
其中，所述处理器301、所述通信接口302、所述存储器303通过所述通信总线304完成相互间的通信。
所述存储器303，用于存放计算机程序。
所述处理器301，用于执行存储器303上所存放的程序时，实现如上文所述的预测还款概率的方法。
上述电子设备提到的通信总线304可以是外设部件互连标准(PeripheralComponent Interconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线304可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口302用于上述电子设备与其他设备之间的通信。
所称处理器301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)、现成可编程门阵列(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，所述处理器301是所述电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分。
所述存储器303可用于存储所述计算机程序，所述处理器301通过运行或执行存储在所述存储器303内的计算机程序，以及调用存储在存储器303内的数据，实现所述电子设备的各种功能。
所述存储器303可以包括包括非易失性和/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。
本发明还提供了一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时可以实现如上文所述的预测还款概率的方法。
本发明实施方式的计算机可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、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。计算机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、便携式计算机硬盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其组合使用。
计算机可读的信号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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
综上所述，本发明提供的预测还款概率的方法、装置、电子设备和存储介质具有以下优点：本发明通过获取每一设备的历史还款状态信息，其中还款状态包括正常还款和逾期还款，逾期还款又细分为逾期1期、逾期2期和逾期多期，并根据所述设备的历史还款状态信息，采用马尔科夫状态转移矩阵计算每一所述设备在下一期的还款概率，从而可以简化每一设备在下一期的还款概率的计算过程，并可以有效提高还款概率的预测准确率，进而可以帮助租赁商、经销商和主机厂有效预测下一期的回款总金额，以提升对债权风险的控制能力。
应当注意的是，在本文的实施方式中所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施方式仅仅是示意性的，例如，附图中的流程图和框图显示了根据本文的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用于执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本文各个实施方式中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
上述描述仅是对本发明较佳实施方式的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (20)

1.一种预测还款概率的方法，其特征在于，包括：
获取每一设备的历史还款状态信息，其中所述历史还款状态信息包括过去n期的还款状态信息和本期还款状态信息，所述还款状态包括正常还款和逾期还款，所述逾期还款包括逾期1期、逾期2期和逾期多期；以及
根据所述设备的历史还款状态信息，采用马尔科夫状态转移矩阵计算每一所述设备在下一期的还款概率。
2.根据权利要求1所述的预测还款概率的方法，其特征在于，若所述设备的本期还款状态信息为正常还款，则所述设备在下一期的还款概率的计算方法包括：
获取设备的至少一个关键特征，将每一所述关键特征划分为多个特征类别，将所述至少一个关键特征的每个所述特征类别分别进行组合以得到多个特征组合类别，将每一设备映射到对应的特征组合类别中；
计算过去n期内，每一所述特征组合类别在每一还款期的先验概率，根据所述先验概率，分别拟合出每一所述特征组合类别的Beta分布的概率密度函数，并计算得到所述Beta分布的概率密度函数的参数α和β；以及
根据所述设备的历史还款状态信息和所述设备所对应的特征组合类别的Beta分布的概率密度函数的参数α和β，计算所述设备在下一期的还款概率。
3.根据权利要求2所述的预测还款概率的方法，其特征在于，所述先验概率为所述特征组合类别在对应还款期的还款状态为正常还款的设备在下一期向正常还款状态或逾期1期状态转移的概率。
4.根据权利要求3所述的预测还款概率的方法，其特征在于，根据如下公式计算所述特征组合类别在每一还款期的先验概率：
Pabi＝Nbi/N总i；
其中，Pabi为所述特征组合类别在第i期的先验概率，Nbi为所述特征组合类别在第i期的还款状态为逾期1期的设备数，N总i为所述特征组合类别在第i期应还款的设备总数。
5.根据权利要求2所述的预测还款概率的方法，其特征在于，所述计算所述设备在下一期的还款概率，具体为，按照如下公式计算所述设备在下一期的还款概率P还款概率：
P还款概率＝(α+a)/(α+a+β+b)；
其中，a为所述设备正常还款的次数，b为所述设备逾期1期的次数。
6.根据权利要求2所述的预测还款概率的方法，其特征在于，所述关键特征包括设备的日平均工作时长、购买设备的首付比例、还款的总期数和设备的产品类型。
7.根据权利要求1所述的预测还款概率的方法，其特征在于，若所述设备的本期还款状态信息为逾期1期，则所述设备在下一期的还款概率的计算方法包括：
统计上一期还款状态为逾期1期的设备总数mb；
统计上一期还款状态为逾期1期且本期还款状态为正常还款的设备数mba或统计上一期还款状态为逾期1期且本期还款状态为逾期1期的设备数mbb；以及
根据如下公式，计算所述设备在下一期的还款概率Pba：
Pba＝mba/mb；或者
根据如下公式，计算所述设备在下一期的还款概率Pbb：
Pbb＝mbb/mb。
8.根据权利要求7所述的预测还款概率的方法，其特征在于，若所述设备的本期还款状态信息为逾期2期，则所述设备在下一期的还款概率的计算方法包括：
统计上一期还款状态为逾期2期的设备总数mc；
统计上一期还款状态为逾期2期且本期还款状态为正常还款的设备数mca、统计上一期还款状态为逾期2期且本期还款状态为逾期1期的设备数mcb、或统计上一期还款状态为逾期2期且本期还款状态为逾期2期的设备数mcc；以及
根据如下公式，计算所述设备在下一期的还款概率Pca：
Pca＝mca/mc；或者
根据如下公式，计算所述设备在下一期的还款概率Pcb：
Pcb＝mcb/mc；或者
根据如下公式，计算所述设备在下一期的还款概率Pcc：
Pcc＝mcc/mc。
9.根据权利要求7所述的预测还款概率的方法，其特征在于，若所述设备的本期还款状态信息为逾期多期，则所述设备在下一期的还款概率的计算方法包括：
统计上一期还款状态为逾期多期的设备总数md；
统计上一期还款状态为逾期多期且本期还款状态为正常还款的设备数mda、统计上一期还款状态为逾期多期且本期还款状态为逾期1期的设备数mdb、或统计上一期还款状态为逾期多期且本期还款状态为逾期2期的设备数mdc；以及
根据如下公式，计算所述设备在下一期的还款概率Pda：
Pda＝mda/md；或者
根据如下公式，计算所述设备在下一期的还款概率Pdb：
Pdb＝mdb/md；或者
根据如下公式，计算所述设备在下一期的还款概率Pdc：
Pdc＝mdc/md。
10.根据权利要求1所述的预测还款概率的方法，其特征在于，若所述设备在下一期为首期还款，则所述设备在下一期的还款概率的计算方法包括：
统计本期为首期需还款的设备总数n总；
统计本期为首期且正常还款的设备数na；以及
根据如下公式，计算所述设备在下一期的还款概率Paa：
Paa＝na/n总。
11.一种预测还款概率的装置，其特征在于，包括：
获取模块，用于获取每一设备的历史还款状态信息，其中所述历史还款状态信息包括过去n期的还款状态信息和本期还款状态信息，所述还款状态包括正常还款和逾期还款，所述逾期还款包括逾期1期、逾期2期和逾期多期；以及
计算模块，用于根据所述设备的历史还款状态信息，采用马尔科夫状态转移矩阵计算每一所述设备在下一期的还款概率。
12.根据权利要求11所述的预测还款概率的装置，其特征在于，所述计算模块包括：
类别划分子模块，用于获取设备的至少一个关键特征，将每一所述关键特征划分为多个特征类别，将所述至少一个关键特征的每个所述特征类别分别进行组合以得到多个特征组合类别，将每一设备映射到对应的特征组合类别中；
拟合子模块，用于计算过去n期内，每一所述特征组合类别在每一还款期的先验概率，根据所述先验概率，分别拟合出每一所述特征组合类别的Beta分布的概率密度函数，并计算得到所述Beta分布的概率密度函数的参数α和β；以及
计算子模块，用于根据所述设备的历史还款状态信息和所述设备所对应的特征组合类别的Beta分布的概率密度函数的参数α和β，计算所述设备在下一期的还款概率，其中，所述设备的本期还款状态信息为正常还款。
13.根据权利要求12所述的预测还款概率的装置，其特征在于，所述计算子模块，具体用于根据如下公式，计算所述设备在下一期的还款概率P还款概率：
P还款概率＝(α+a)/(α+a+β+b)；
其中，a为所述设备正常还款的次数，b为所述设备逾期1期的次数。
14.根据权利要求12所述的预测还款概率的装置，其特征在于，所述关键特征包括设备的日平均工作时长、购买设备的首付比例、还款的总期数和设备的产品类型。
15.根据权利要求11所述的预测还款概率的装置，其特征在于，所述计算模块包括：
第一统计子模块，用于统计上一期还款状态为逾期1期的设备总数mb；
第二统计子模块，用于统计上一期还款状态为逾期1期且本期还款状态为正常还款的设备数mba或统计上一期还款状态为逾期1期且本期还款状态为逾期1期的设备数mbb；以及
计算子模块，用于根据如下公式，计算所述设备在下一期的还款概率Pba：
Pba＝mba/mb；或者
用于根据如下公式，计算所述设备在下一期的还款概率Pbb：
Pbb＝mbb/mb；
其中，所述设备的本期还款状态信息为逾期1期。
16.根据权利要求11所述的预测还款概率的装置，其特征在于，所述计算模块包括：
第一统计子模块，用于统计上一期还款状态为逾期2期的设备总数mc；
第二统计子模块，用于统计上一期还款状态为逾期2期且本期还款状态为正常还款的设备数mca、统计上一期还款状态为逾期2期且本期还款状态为逾期1期的设备数mcb、或统计上一期还款状态为逾期2期且本期还款状态为逾期2期的设备数mcc；以及
计算子模块，用于根据如下公式，计算所述设备在下一期的还款概率Pca，Pca＝mca/mc；或者
用于根据如下公式，计算所述设备在下一期的还款概率Pcb：
Pcb＝mcb/mc；或者
用于根据如下公式，计算所述设备在下一期的还款概率Pcc：
Pcc＝mcc/mc；
其中，所述设备的本期还款状态信息为逾期2期。
17.根据权利要求11所述的预测还款概率的装置，其特征在于，所述计算模块包括：
第一统计子模块，用于统计上一期还款状态为逾期多期的设备总数md；
第二统计子模块，用于统计上一期还款状态为逾期多期且本期还款状态为正常还款的设备数mda、统计上一期还款状态为逾期多期且本期还款状态为逾期1期的设备数mdb、或统计上一期还款状态为逾期多期且本期还款状态为逾期2期的设备数mdc；以及
计算子模块，用于根据如下公式，计算所述设备在下一期的还款概率Pda：
Pda＝mda/md；或者
用于根据如下公式，计算所述设备在下一期的还款概率Pdb：
Pdb＝mdb/md；或者
用于根据如下公式，计算所述设备在下一期的还款概率Pdc：
Pdc＝mdc/md；
其中，所述设备的本期还款状态信息为逾期多期。
18.根据权利要求11所述的预测还款概率的装置，其特征在于，所述计算模块包括：
第一统计子模块，用于统计本期为首期需还款的设备总数n总；
第二统计子模块，用于统计本期为首期且正常还款的设备数na；以及
计算子模块，用于根据如下公式，计算所述设备在下一期的还款概率Paa，其中，所述设备在下一期为首期还款：
Paa＝na/n总。
19.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-10中任一项所述的方法。
20.一种可读存储介质，其特征在于，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-10中任一项所述的方法。
CN201910877050.0A 2019-09-17 2019-09-17 一种预测还款概率的方法、装置、电子设备和存储介质 Pending CN110619434A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910877050.0A CN110619434A (zh) 2019-09-17 2019-09-17 一种预测还款概率的方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910877050.0A CN110619434A (zh) 2019-09-17 2019-09-17 一种预测还款概率的方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN110619434A true CN110619434A (zh) 2019-12-27

Family

ID=68923227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910877050.0A Pending CN110619434A (zh) 2019-09-17 2019-09-17 一种预测还款概率的方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN110619434A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832806A (zh) * 2020-06-09 2020-10-27 深圳市融壹买信息科技有限公司 一种资金流的预测方法、装置及终端设备
CN113313569A (zh) * 2021-05-18 2021-08-27 建信金融科技有限责任公司 预测还款金额的方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663419A (zh) * 2012-03-21 2012-09-12 江苏视软智能系统有限公司 基于表示模型和分类模型的云台跟踪方法
CN106503873A (zh) * 2016-11-30 2017-03-15 腾云天宇科技（北京）有限公司 一种预测用户守约概率的方法、装置和计算设备
CN106779755A (zh) * 2016-12-31 2017-05-31 湖南文沥征信数据服务有限公司 一种网络电商借贷风险评估方法及模型
CN108229542A (zh) * 2017-12-21 2018-06-29 中智诚征信有限公司 一种基于时序分析技术的循环借贷信用风险监测方法
CN109509086A (zh) * 2018-11-28 2019-03-22 上海点融信息科技有限责任公司 基于人工智能的处理催收业务的方法、装置及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663419A (zh) * 2012-03-21 2012-09-12 江苏视软智能系统有限公司 基于表示模型和分类模型的云台跟踪方法
CN106503873A (zh) * 2016-11-30 2017-03-15 腾云天宇科技（北京）有限公司 一种预测用户守约概率的方法、装置和计算设备
CN106779755A (zh) * 2016-12-31 2017-05-31 湖南文沥征信数据服务有限公司 一种网络电商借贷风险评估方法及模型
CN108229542A (zh) * 2017-12-21 2018-06-29 中智诚征信有限公司 一种基于时序分析技术的循环借贷信用风险监测方法
CN109509086A (zh) * 2018-11-28 2019-03-22 上海点融信息科技有限责任公司 基于人工智能的处理催收业务的方法、装置及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SONGROOM: "马尔柯夫预测法", 《百度》 *
于立勇等: "基于具有吸收态马尔科夫链的银行逾期贷款风险分析", 《数量经济技术经济研究》 *
任金政等: "马尔可夫链模型在信用卡账户行为变化预测中的应用", 《数学的实践与认识》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832806A (zh) * 2020-06-09 2020-10-27 深圳市融壹买信息科技有限公司 一种资金流的预测方法、装置及终端设备
CN113313569A (zh) * 2021-05-18 2021-08-27 建信金融科技有限责任公司 预测还款金额的方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN111260465B (zh) 一种业务处理方法、装置、服务器及存储介质
CN111324867B (zh) 一种疑似风险交易确定方法、装置及设备
CN110188990B (zh) 一种资源请求和资金请求分流方法、装置及设备
CN110619434A (zh) 一种预测还款概率的方法、装置、电子设备和存储介质
WO2019196257A1 (zh) 一种自动还款方法、系统及终端设备
CN108052279A (zh) 一种提升闪存性能的方法、装置、设备及存储介质
CN113918884A (zh) 业务量预测模型构建方法和业务量预测方法
CN110489418B (zh) 一种数据聚合方法和系统
CN111104401B (zh) 在基于数组和链表的集成结构中存储数据的系统和方法
CN112149977A (zh) 贷后风险监控预警方法及其系统、计算机设备、存储介质
CN113312259B (zh) 一种接口测试方法及装置
CN112016914B (zh) 资源管控、资金管控方法、装置和设备
CN111754329A (zh) 一种贷款利息结算方法、装置、电子设备和存储介质
CN109117976B (zh) 一种贷款损失预测方法、装置、服务器及存储介质
CN111915340B (zh) 商户类型的识别方法、装置、设备及存储介质
CN116737084A (zh) 一种队列统计方法、装置、电子设备及存储介质
CN113469825A (zh) 数据处理方法、装置、电子设备和计算机可读介质
WO2020181798A1 (zh) 数据处理方法、设备、服务器及计算机可读存储介质
CN110442587B (zh) 业务信息升级方法及终端设备
WO2018233308A1 (zh) 统计指标处理方法、装置、终端设备及可读存储介质
Deng et al. Adaptation to Climate Change Through Mortgage Default and Prepayment
CN116382924B (zh) 资源配置的推荐方法、装置、电子设备及存储介质
CN113449232A (zh) 一种数据处理方法、装置、设备和存储介质
CN116132204B (zh) 数据处理方法、装置、电子设备和可读存储介质
JP7269106B2 (ja) 審査実行装置、審査実行方法および審査実行プログラム

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: 20191227