CN110648223A - 一种核给大额业务额度的方法、装置和电子设备 - Google Patents
一种核给大额业务额度的方法、装置和电子设备 Download PDFInfo
- Publication number
- CN110648223A CN110648223A CN201910921951.5A CN201910921951A CN110648223A CN 110648223 A CN110648223 A CN 110648223A CN 201910921951 A CN201910921951 A CN 201910921951A CN 110648223 A CN110648223 A CN 110648223A
- Authority
- CN
- China
- Prior art keywords
- data
- overdue
- repayment
- user
- repayment capacity
- 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
Images
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Abstract
本申请提供一种核给大额业务额度的方法，获取申请大额业务的申请用户的还款能力参考数据，还款能力参考数据包括:劳务类收入数据、资产类收入数据和画像类潜在收入数据，根据构建的还款能力评估模型对所述还款能力参考数据进行处理，得到所述申请用户的预估逾期数据，以此为依据为申请用户授予额度。通过获取劳务类收入数据、资产类收入数据和画像类潜在收入数据这些直接影响还款能力的收入类数据，从还款能力的维度收集作为分析依据的数据，评估描述用户逾期风险的预估逾期数据，使得对大额度业务的用户还款表现的评估更准确，以为依据为其授予额度，降低了大额度业务的额度核给中存在的风险。
Description
技术领域
本申请涉及互联网金融领域，尤其涉及一种核给大额业务额度的方法、装置和电子设备。
背景技术
大额度业务(比如大额度贷款)由于其额度大的特点，因此在授予额度时需要更慎重、更准确的风险评估。现有的大额业务多是直接根据样本用户使用的较小额度的信贷产品的还款表现来获取大量数据构建评估模型，利用该模型来预估申请用户的在大额度业务中的还款表现，进而评估如何对申请大额度业务的用户授予额度。
发明内容
本说明书实施例提供一种核给大额业务额度的方法、装置和电子设备。用以解决现有的大额度业务的额度核给存在的风险高的问题。
本申请提供一种核给大额业务额度的方法，包括：
获取申请大额业务的申请用户的还款能力参考数据，所述还款能力参考数据包括:劳务类收入数据、资产类收入数据和画像类潜在收入数据；
根据构建的还款能力评估模型对所述还款能力参考数据进行处理，得到所述申请用户的预估逾期数据；
根据所述预估逾期数据为所述申请用户授予额度。
可选地，所述大额业务为分期业务；
所述根据构建的还款能力评估模型对所述还款能力参考数据进行处理，得到所述申请用户的预估逾期数据，包括:
至少得到所述申请用户在所述分期业务中的后期的预估逾期数据；
所述根据所述预估逾期数据为所述申请用户授予额度，包括：
至少根据所述后期的预估逾期数据为所述申请用户授予额度。
可选地，所述还款能力评估模型通过对所述还款能力参考数据进行特征提取对所述申请用户进行分类，得到对应类别的预估逾期数据。
可选地，还包括：
构建还款能力评估模型，包括：
获取样本用户的还款能力参考数据和逾期表现数据；
根据所述样本用户的还款能力参考数据和逾期表现数据构建还款能力评估模型。
可选地，所述获取样本用户的还款能力参考数据和逾期表现数据，包括：
获取所述样本用户的还款能力参考数据和各期的逾期表现数据；
所述根据所述样本用户的还款能力参考数据和逾期表现数据构建还款能力评估模型，包括：
根据所述样本用户的还款能力参考数据和各期的逾期表现数据构建还款能力评估模型。
可选地，所述根据所述样本用户的还款能力参考数据和各期的逾期表现数据构建还款能力评估模型，包括：
根据所述样本用户的还款能力参考数据和各期的逾期表现数据的变化趋势构建还款能力评估模型。
可选地，所述根据所述样本用户的还款能力参考数据和逾期表现数据构建还款能力评估模型，包括：
通过对所述样本用户的还款能力参考数据和逾期表现数据进行回归分类构建还款能力评估模型。
可选地，所述根据所述样本用户的还款能力参考数据和逾期表现数据构建还款能力评估模型，包括：
根据所述样本用户的逾期表现数据设置各逾期表现数据的标签值；
以所述样本用户的逾期表现数据为训练样本进行训练，得到还款能力评估模型。
本说明书实施例还提供一种核给大额业务额度的装置，包括：
数据获取模块，获取申请大额业务的申请用户的还款能力参考数据，所述还款能力参考数据包括:劳务类收入数据、投资类收入数据和画像类潜在收入数据；
逾期预估模块，根据构建的还款能力评估模型对所述还款能力参考数据进行处理，得到所述申请用户的预估逾期数据；
额度模块，根据所述预估逾期数据为所述申请用户授予额度。
可选地，所述大额业务为分期业务；
所述根据构建的还款能力评估模型对所述还款能力参考数据进行处理，得到所述申请用户的预估逾期数据，包括:
至少得到所述申请用户在所述分期业务中的后期的预估逾期数据；
所述根据所述预估逾期数据为所述申请用户授予额度，包括：
至少根据所述后期的预估逾期数据为所述申请用户授予额度。
可选地，所述还款能力评估模型通过对所述还款能力参考数据进行特征提取对所述申请用户进行分类，得到对应类别的预估逾期数据。
可选地，该装置还包括：
建模模块，用于构建还款能力评估模型，包括：
获取样本用户的还款能力参考数据和逾期表现数据；
根据所述样本用户的还款能力参考数据和逾期表现数据构建还款能力评估模型。
可选地，所述获取样本用户的还款能力参考数据和逾期表现数据，包括：
获取所述样本用户的还款能力参考数据和各期的逾期表现数据；
所述根据所述样本用户的还款能力参考数据和逾期表现数据构建还款能力评估模型，包括：
根据所述样本用户的还款能力参考数据和各期的逾期表现数据构建还款能力评估模型。
可选地，所述根据所述样本用户的还款能力参考数据和各期的逾期表现数据构建还款能力评估模型，包括：
根据所述样本用户的还款能力参考数据和各期的逾期表现数据的变化趋势构建还款能力评估模型。
可选地，所述根据所述样本用户的还款能力参考数据和逾期表现数据构建还款能力评估模型，包括：
通过对所述样本用户的还款能力参考数据和逾期表现数据进行回归分类构建还款能力评估模型。
可选地，所述根据所述样本用户的还款能力参考数据和逾期表现数据构建还款能力评估模型，包括：
根据所述样本用户的逾期表现数据设置各逾期表现数据的标签值；
以所述样本用户的逾期表现数据为训练样本进行训练，得到还款能力评估模型。
本说明书实施例还提供一种电子设备，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上述任一项方法。
本说明书实施例还提供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，实现上述任一项方法。
本说明书记载的各种实施例通过获取劳务类收入数据、资产类收入数据和画像类潜在收入数据这些直接影响还款能力的收入类数据，从还款能力的维度收集作为分析依据的数据，评估描述用户逾期风险的预估逾期数据，使得对大额度业务的用户还款表现的评估更准确，以为依据为其授予额度，降低了大额度业务的额度核给中存在的风险。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的一种核给大额业务额度的方法的原理示意图；
图2为本说明书实施例提供的一种核给大额业务额度的装置的结构示意图；
图3为本说明书实施例提供的一种电子设备的结构示意图。
具体实施方式
然而，对现有技术进行分析发现，通过构建模型来对用户进行评估，实质上是考虑各种影响还款表现的因素，各种因素在评估时均具有一定的权重，通过诸如加权求和的方式进行分析，得到预估的还款表现，最终以此为依据核给为用户授予的额度。
进一步分析发现，在小额度业务中，由于用户普遍具有较好的还款能力，因此，影响中小额度还款表现的主要因素是用户的还款意愿。然而，在大额度业务中，由于还款难度则增加，使得还款能力对还款表现产生较大的影响比重，这种情况下，利用用户过去的小额度贷款的还款表现来进行大额度业务授信评估，实质上是粗暴地混杂了各种参考因素，使得一些与还款意愿强相关而与还款能力弱相关、甚至无关的因素占有偏高的比重，这就使得评估结果偏差较大。
因此，利用这种方式进行大额度业务额度核计的风险有待进一步降低。
基于上述发明构思，本说明书实施例提供一种核给大额业务额度的方法，包括：
获取申请大额业务的申请用户的还款能力参考数据，所述还款能力参考数据包括:劳务类收入数据、资产类收入数据和画像类潜在收入数据；
根据构建的还款能力评估模型对所述还款能力参考数据进行处理，得到所述申请用户的预估逾期数据；
根据所述预估逾期数据为所述申请用户授予额度。
该方法考虑了劳务类收入数据、资产类收入数据和画像类潜在收入数据这些直接影响还款能力的收入类数据，从还款能力的维度收集作为分析依据的数据，评估描述用户逾期风险的预估逾期数据，使得对大额度业务的用户还款表现的评估更准确，以为依据为其授予额度，降低了大额度业务的额度核给中存在的风险。
此外，该方法考虑了劳务类收入数据、资产类收入数据和画像类潜在收入数据，画像类潜在收入数据可以影响用户的未来收入水平，使得考量因素更全面，进一步降低了大额度业务的额度核给中存在的风险。
现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被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能够使得本发明更加全面和完整，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，因而将省略对它们的重复描述。
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特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体，不一定必须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。
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，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个或多者的所有组合。
图1为本说明书实施例提供的一种核给大额业务额度的方法的原理示意图，该方法可以包括：
S101：获取申请大额业务的申请用户的还款能力参考数据，所述还款能力参考数据包括:劳务类收入数据、资产类收入数据和画像类潜在收入数据。
大额度业务可以是受众较少的业务，相比于中小额业务对还款能力要求较高，比如，借呗这类普遍开放的业务而言，尊享贷这类需要更严格的审核流程的业务，就可以被算作大额度业务，在此不做具体距离和阐述。
在本说明书实施例中，还款能力参考数据，是与还款能力相关的收入类数据，可以包括多种具体的指标，比如：劳务类收入数据、资产类收入数据和画像类潜在收入数据。
劳务类收入数据可能和个人是否参与劳务相关，比如工资，公积金，单位的福利等，也可以通过国家统计局发布的《中国统计年鉴》中的行业分城镇非私营单位就业人员平均工资，同时结合从外部获取到的客户的近似年缴税额、社保缴交基数、公积金缴交基数等，从而得出客户的基本工资类收入，作为劳务类收入数据。
资产类收入数据指客户提供的资产所反映出的客户收入高低的体现，如客户提供的车辆价值，可从侧面计算出客户的可支配收入；再比如用户因持有住房而获得的房租收入，因持有车辆而获得载客收入，这些都可以作为资产类收入数据。
画像可以是用户的自身属性，比如，学历，年龄，性别。画像类收入可以反映用户在未来的收入，不同的画像所反映的潜在的收入不同，可以作为评估用户收入水平的因素。
对于一种场景，比如，高学历客户、商旅客户、高消费客户等客户画像，都是对可支配收入的侧面体现。
再比如，A用户和B用户在申请贷款时均未毕业，但是A为博士生，B为本科生，业务平台通过估计得知，等到还款期限时，A、B均已毕业，并均已工作一段时间，因此可以初步确定，这种学历会在未来为其带来收入，而且，不同的学历会为其带来不同的收入，因此，由于画像类潜在收入数据可以影响用户的未来收入水平，使得考量因素更全面，进一步降低了大额度业务的额度核给中存在的风险。
S102：根据构建的还款能力评估模型对所述还款能力参考数据进行处理，得到所述申请用户的预估逾期数据。
在本说明书是实施例中，预估逾期数据可以是对申请用户在未来的还款情况进行估计得到的数据。
预估逾期数据可以是定性的数据，比如该用户在指定期限内还款，或者，该用户未在指定期限内还款。
预估逾期数据也可以是定量的数据，比如，用户在何时进行还款，还了多少款，还款延迟率(这可以是实际还款期限与预计还款期限之比)等。
如果该大额业务是分期业务，那么，预估逾期数据可以是其中一期的还款情况，也可以是多期的还款表现，甚至还可以是各期的还款表现的变化趋势，比如，按照贷款时的合同：用户将从贷款开始的第12后，每个期还款5万元，共还10期，而用户还款时，前四期都按时按量还款，第五期时延期一月还款，或者只还了该期一半的贷款，这都可以作为各期的还款表现的变化趋势。
这在实际场景中具有实际意义，当评估出这种情况时，可以考虑只为该用户投放四期的贷款，以避免第五期放贷的风险。
在本说明书实施例中，可以在所述根据构建的还款能力评估模型对所述还款能力参考数据进行处理之前，构建还款能力评估模型。
因此，该方法还可以包括：
构建还款能力评估模型，包括：
获取样本用户的还款能力参考数据和逾期表现数据；
根据所述样本用户的还款能力参考数据和逾期表现数据构建还款能力评估模型。
其中，样本用户的逾期表现数据可以是具有还款表现的用户的还款表现，其表现形式可以与申请用户的预估逾期数据相同，区别是逾期表现数据根据已发生的现实结果统计的数据，而预估逾期数据是预估的数据，因此，对于逾期表现数据的具体表现形式，可以参考上文对预估逾期数据的论述，在此不进行重复阐述。
其中，还款能力参考数据也可以包括:劳务类收入数据、资产类收入数据和画像类潜在收入数据，当然，这里是指样本用户的数据，通过样本用户的还款能力参考数据和逾期表现数据来构建还款能力评估模型，使还款能力评估模型可以对申请用户的还款能力参考数据进行处理和分析，输出得到申请用户的预估逾期数据。
构建还款能力评估模型的方式可以有多种形式，其本质上都是对还款能力参考数据进行特征提取，为不同的还款能力参考数据配置不同的权重，从而使得该模型可以综合考量向该模型输入的各种数据，最终输出评估结果，相当于对用户进行分类，不同类别(或者等级)的用户对应不同的额度(甚至无额度)。
因此，可选地，所述还款能力评估模型通过对所述还款能力参考数据进行特征提取对所述申请用户进行分类，得到对应类别的预估逾期数据。
对于，构建还款能力评估模型，在其中的一种实施方式中，所述根据所述样本用户的还款能力参考数据和逾期表现数据构建还款能力评估模型，可以包括：
通过对所述样本用户的还款能力参考数据和逾期表现数据进行回归分类构建还款能力评估模型。
在其中的另一种方式中，可以利用监督学习的方式训练得到该模型，因此，所述根据所述样本用户的还款能力参考数据和逾期表现数据构建还款能力评估模型，可以包括：
根据所述样本用户的逾期表现数据设置各逾期表现数据的标签值；
以所述样本用户的逾期表现数据为训练样本进行训练，得到还款能力评估模型。
通过训练的方式，使得该模型可以逐渐修正特征提取方式，从还款能力参考数据中提取比重较大的影响因素，使得评估结果更准确，其具体方式，可以参考已有的技术中对神经网络模型的原理的论述，在此不做具体阐述。
对于其它可行的构建还款能力评估模型的方式，在此也不做具体阐述。
在本说明书实施例中，若大额业务为分期业务，则所述获取样本用户的还款能力参考数据和逾期表现数据，可以包括：
获取所述样本用户的还款能力参考数据和各期的逾期表现数据；
在获得各期的逾期表现数据后，可以以此构建模型，
具体地，所述根据所述样本用户的还款能力参考数据和逾期表现数据构建还款能力评估模型，可以包括：
根据所述样本用户的还款能力参考数据和各期的逾期表现数据构建还款能力评估模型。
这样，在所述大额业务为分期业务的情况下；
所述根据构建的还款能力评估模型对所述还款能力参考数据进行处理，得到所述申请用户的预估逾期数据，可以包括:
至少得到所述申请用户在所述分期业务中的后期的预估逾期数据。
可选地，为了使该模型可以评估申请用户在分期还款时突然发生的变化，可以根据样本用户各期的逾期表现数据构建还款能力评估模型。
因此，所述根据所述样本用户的还款能力参考数据和各期的逾期表现数据构建还款能力评估模型，可以包括：
根据所述样本用户的还款能力参考数据和各期的逾期表现数据的变化趋势构建还款能力评估模型。
既而，所述根据构建的还款能力评估模型对所述还款能力参考数据进行处理，得到所述申请用户的预估逾期数据，可以包括：
得到所述申请用户在所述分期业务中各期的预估逾期数据的变化趋势；
所述根据所述预估逾期数据为所述申请用户授予额度，可以包括：
根据所述申请用户在所述分期业务中各期的预估逾期数据的变化趋势为所述申请用户授予额度。
S103：根据所述预估逾期数据为所述申请用户授予额度。
利用该方法进行核给大额业务的额度，通过获取劳务类收入数据、资产类收入数据和画像类潜在收入数据这些直接影响还款能力的收入类数据，从还款能力的维度收集作为分析依据的数据，评估描述用户逾期风险的预估逾期数据，使得对大额度业务的用户还款表现的评估更准确，以为依据为其授予额度，降低了大额度业务的额度核给中存在的风险。
此外，该装置通过获取劳务类收入数据、资产类收入数据和画像类潜在收入数据进行额度核给，由于画像类潜在收入数据可以影响用户的未来收入水平，使得考量因素更全面，进一步降低了大额度业务的额度核给中存在的风险。
在一种实际场景中，考虑到大额贷款产品因为贷款额度较高，故有着客户每期所需要偿还的金额也会相应较多的特有属性。所以其逾期风险，不仅包含前期的恶意逾期等欺诈风险，更大的风险表现在还款中后期中因为还款能力不足而产生的信用风险。而信用风险最大的表现就是客户收入无法覆盖客户过高的负债，导致最终用户自身无力偿还比较高额的借款月供。
因此，在至少得到所述申请用户在所述分期业务中的后期的预估逾期数据之后，所述根据所述预估逾期数据为所述申请用户授予额度,可以包括：
根据所述申请用户在所述分期业务中的后期的预估逾期数据为所述申请用户授予额度。
这样，便可以在授信过程中进一步精准把握用户的还款能力，给出符合用户收入能力的相应额度。防止用户在后期还款中由于还款能力不足导致被迫逾期，抑制中后期逾期的异常增长。
在其中的一种实施方式中，为了考虑用户的负债情况，所述根据所述预估逾期数据为所述申请用户授予额度，可以包括:
根据所述申请用户的负债数据和所述预估逾期数据为所述申请用户授予额度。
这里的负债数据可以是用户在预设时间段内需要归还的款项，可以是其它贷款业务的应还款项，也可以是为员工发放的工资(工资对于老板来说是负债)，对于分期的大额度业务，可以统计用户在各期内需要还的款项，从而估计其各期的实际还款能力，进而以此为依据为其授予额度。
基于同一发明构思，本说明书实施例提供一种核给大额业务额度的装置。
图2为本说明书实施例提供的一种核给大额业务额度的装置的结构示意图，该装置可以包括：
数据获取模块201，获取申请大额业务的申请用户的还款能力参考数据，所述还款能力参考数据包括:劳务类收入数据、投资类收入数据和画像类潜在收入数据；
逾期预估模块202，根据构建的还款能力评估模型对所述还款能力参考数据进行处理，得到所述申请用户的预估逾期数据；
额度模块203，根据所述预估逾期数据为所述申请用户授予额度。
利用该装置进行核给大额业务的额度，通过获取劳务类收入数据、资产类收入数据和画像类潜在收入数据这些直接影响还款能力的收入类数据，从还款能力的维度收集作为分析依据的数据，评估描述用户逾期风险的预估逾期数据，使得对大额度业务的用户还款表现的评估更准确，以为依据为其授予额度，降低了大额度业务的额度核给中存在的风险。
此外，利用该装置进行核给大额业务的额度时，通过获取劳务类收入数据、资产类收入数据和画像类潜在收入数据，画像类潜在收入数据可以影响用户的未来收入水平，使得考量因素更全面，进一步降低了大额度业务的额度核给中存在的风险。
可选地，所述大额业务为分期业务；
所述根据构建的还款能力评估模型对所述还款能力参考数据进行处理，得到所述申请用户的预估逾期数据，包括:
至少得到所述申请用户在所述分期业务中的后期的预估逾期数据；
所述根据所述预估逾期数据为所述申请用户授予额度，包括：
至少根据所述后期的预估逾期数据为所述申请用户授予额度。
可选地，所述还款能力评估模型通过对所述还款能力参考数据进行特征提取对所述申请用户进行分类，得到对应类别的预估逾期数据。
可选地，该装置还包括：
建模模块，用于构建还款能力评估模型，包括：
获取样本用户的还款能力参考数据和逾期表现数据；
根据所述样本用户的还款能力参考数据和逾期表现数据构建还款能力评估模型。
可选地，所述获取样本用户的还款能力参考数据和逾期表现数据，包括：
获取所述样本用户的还款能力参考数据和各期的逾期表现数据；
所述根据所述样本用户的还款能力参考数据和逾期表现数据构建还款能力评估模型，包括：
根据所述样本用户的还款能力参考数据和各期的逾期表现数据构建还款能力评估模型。
可选地，所述根据所述样本用户的还款能力参考数据和各期的逾期表现数据构建还款能力评估模型，包括：
根据所述样本用户的还款能力参考数据和各期的逾期表现数据的变化趋势构建还款能力评估模型。
可选地，所述根据所述样本用户的还款能力参考数据和逾期表现数据构建还款能力评估模型，包括：
通过对所述样本用户的还款能力参考数据和逾期表现数据进行回归分类构建还款能力评估模型。
可选地，所述根据所述样本用户的还款能力参考数据和逾期表现数据构建还款能力评估模型，包括：
根据所述样本用户的逾期表现数据设置各逾期表现数据的标签值；
以所述样本用户的逾期表现数据为训练样本进行训练，得到还款能力评估模型。
对于其具体原理，和该装置所执行步骤的具体形式，可以参考S101-S103中的论述，在此不做重复论述。
基于同一发明构思，本说明书实施例还提供一种电子设备。
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具体实体实施方式。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为本说明书实施例提供的一种电子设备的结构示意图。下面参照图3来描述根据本发明该实施例的电子设备300。图3显示的电子设备300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，电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于：至少一个处理单元310、至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330、显示单元340等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元310执行，使得所述处理单元310执行本说明书上述处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元310可以执行如图1所示的步骤。
所述存储单元320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)3201和/或高速缓存存储单元3202，还可以进一步包括只读存储单元(ROM)3203。
所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204，这样的程序模块3205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330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300也可以与一个或多个外部设备400(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备300交互的设备通信，和/或与使得该电子设备300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口350进行。并且，电子设备300还可以通过网络适配器360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)通信。网络适配器360可以通过总线330与电子设备300的其它模块通信。应当明白，尽管图3中未示出，可以结合电子设备300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。
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计算设备(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。当所述计算机程序被一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，即：如图1所示的方法。
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。
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，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，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根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
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。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种核给大额业务额度的方法，包括：
获取申请大额业务的申请用户的还款能力参考数据，所述还款能力参考数据包括:劳务类收入数据、资产类收入数据和画像类潜在收入数据；
根据构建的还款能力评估模型对所述还款能力参考数据进行处理，得到所述申请用户的预估逾期数据；
根据所述预估逾期数据为所述申请用户授予额度。
2.根据权利要求1所述的方法，所述大额业务为分期业务；
所述根据构建的还款能力评估模型对所述还款能力参考数据进行处理，得到所述申请用户的预估逾期数据，包括:
至少得到所述申请用户在所述分期业务中的后期的预估逾期数据；
所述根据所述预估逾期数据为所述申请用户授予额度，包括：
至少根据所述后期的预估逾期数据为所述申请用户授予额度。
3.根据权利要求1-2中任一项所述的方法，还包括：
构建还款能力评估模型，包括：
获取样本用户的还款能力参考数据和逾期表现数据；
根据所述样本用户的还款能力参考数据和逾期表现数据构建还款能力评估模型。
4.根据权利要求1-3中任一项所述的方法，所述获取样本用户的还款能力参考数据和逾期表现数据，包括：
获取所述样本用户的还款能力参考数据和各期的逾期表现数据；
所述根据所述样本用户的还款能力参考数据和逾期表现数据构建还款能力评估模型，包括：
根据所述样本用户的还款能力参考数据和各期的逾期表现数据构建还款能力评估模型。
5.根据权利要求1-4中任一项所述的方法，所述根据所述样本用户的还款能力参考数据和各期的逾期表现数据构建还款能力评估模型，包括：
根据所述样本用户的还款能力参考数据和各期的逾期表现数据的变化趋势构建还款能力评估模型。
6.根据权利要求3-5中任一项所述的方法，所述根据所述样本用户的还款能力参考数据和逾期表现数据构建还款能力评估模型，包括：
通过对所述样本用户的还款能力参考数据和逾期表现数据进行回归分类构建还款能力评估模型。
7.根据权利要求3-5中任一项所述的方法，所述根据所述样本用户的还款能力参考数据和逾期表现数据构建还款能力评估模型，包括：
根据所述样本用户的逾期表现数据设置各逾期表现数据的标签值；
以所述样本用户的逾期表现数据为训练样本进行训练，得到还款能力评估模型。
8.一种核给大额业务额度的装置，包括：
数据获取模块，获取申请大额业务的申请用户的还款能力参考数据，所述还款能力参考数据包括:劳务类收入数据、投资类收入数据和画像类潜在收入数据；
逾期预估模块，根据构建的还款能力评估模型对所述还款能力参考数据进行处理，得到所述申请用户的预估逾期数据；
额度模块，根据所述预估逾期数据为所述申请用户授予额度。
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 |
|---|---|---|---|
| CN201910921951.5A CN110648223A (zh) | 2019-09-27 | 2019-09-27 | 一种核给大额业务额度的方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910921951.5A CN110648223A (zh) | 2019-09-27 | 2019-09-27 | 一种核给大额业务额度的方法、装置和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110648223A true CN110648223A (zh) | 2020-01-03 |
Family
ID=69011531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910921951.5A Pending CN110648223A (zh) | 2019-09-27 | 2019-09-27 | 一种核给大额业务额度的方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110648223A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112016794A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 资源配额管理方法、装置和电子设备 |
| CN112132677A (zh) * | 2020-09-22 | 2020-12-25 | 北京思特奇信息技术股份有限公司 | 一种智能化的信控及收益评估的方法 |
| CN115018638A (zh) * | 2022-08-08 | 2022-09-06 | 平安银行股份有限公司 | 一种业务额度确定方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080033852A1 (en) * | 2005-10-24 | 2008-02-07 | Megdal Myles G | Computer-based modeling of spending behaviors of entities |
| CN108846520A (zh) * | 2018-06-22 | 2018-11-20 | 北京京东金融科技控股有限公司 | 贷款逾期预测方法、装置以及计算机可读存储介质 |
| CN109242673A (zh) * | 2018-11-04 | 2019-01-18 | 上海良鑫网络科技有限公司 | 鹰眼反欺诈大数据风控评估系统 |
| CN109993652A (zh) * | 2019-02-20 | 2019-07-09 | 复旦大学 | 一种借贷信用风险评估方法及装置 |
| CN110135702A (zh) * | 2019-04-23 | 2019-08-16 | 上海淇玥信息技术有限公司 | 一种实时更新的还款积极度评估方法、装置、系统和记录介质 |
-
2019
- 2019-09-27 CN CN201910921951.5A patent/CN110648223A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080033852A1 (en) * | 2005-10-24 | 2008-02-07 | Megdal Myles G | Computer-based modeling of spending behaviors of entities |
| CN108846520A (zh) * | 2018-06-22 | 2018-11-20 | 北京京东金融科技控股有限公司 | 贷款逾期预测方法、装置以及计算机可读存储介质 |
| CN109242673A (zh) * | 2018-11-04 | 2019-01-18 | 上海良鑫网络科技有限公司 | 鹰眼反欺诈大数据风控评估系统 |
| CN109993652A (zh) * | 2019-02-20 | 2019-07-09 | 复旦大学 | 一种借贷信用风险评估方法及装置 |
| CN110135702A (zh) * | 2019-04-23 | 2019-08-16 | 上海淇玥信息技术有限公司 | 一种实时更新的还款积极度评估方法、装置、系统和记录介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112016794A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 资源配额管理方法、装置和电子设备 |
| CN112016794B (zh) * | 2020-07-15 | 2024-03-01 | 北京淇瑀信息科技有限公司 | 资源配额管理方法、装置和电子设备 |
| CN112132677A (zh) * | 2020-09-22 | 2020-12-25 | 北京思特奇信息技术股份有限公司 | 一种智能化的信控及收益评估的方法 |
| CN115018638A (zh) * | 2022-08-08 | 2022-09-06 | 平安银行股份有限公司 | 一种业务额度确定方法及装置 |
| CN115018638B (zh) * | 2022-08-08 | 2022-11-11 | 平安银行股份有限公司 | 一种业务额度确定方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4557933B2 (ja) | ファイナンシャルプランニングおよびアドバイスを提供するシステムおよび方法 | |
| US8355974B2 (en) | Account level liquidity charge determination | |
| CN111192131A (zh) | 金融风险预测方法、装置和电子设备 | |
| US20080133315A1 (en) | Intelligent Collections Models | |
| CN110648223A (zh) | 一种核给大额业务额度的方法、装置和电子设备 | |
| CN110659985A (zh) | 一种捞回误拒潜在用户的方法、装置和电子设备 | |
| CN111797019B (zh) | 一种交易核算测试方法、装置、电子设备及存储介质 | |
| CA2845645A1 (en) | In the market model systems and methods | |
| CN111383091A (zh) | 一种资产证券化定价方法和装置 | |
| US20110125623A1 (en) | Account level cost of funds determination | |
| CN110689425A (zh) | 基于收益进行额度定价的方法、装置和电子设备 | |
| WO2021176762A1 (ja) | 不正検出装置、外国人就労システム、プログラム及び外国人就労者の不正労働の検出方法 | |
| CN111192120B (zh) | 养老社区费用管理方法、系统、设备及存储介质 | |
| Wattanawongwan et al. | A mixture model for credit card exposure at default using the GAMLSS framework | |
| US8595114B2 (en) | Account level interchange effectiveness determination | |
| US10235719B2 (en) | Centralized GAAP approach for multidimensional accounting to reduce data volume and data reconciliation processing costs | |
| Mjøs et al. | On the pricing of performance sensitive debt | |
| CN114880369A (zh) | 一种基于弱数据技术的风险授信方法和系统 | |
| CN111915425A (zh) | 一种贷款审批方法、装置、设备及存储介质 | |
| CN111178592A (zh) | 资源的逾期占用预测方法、装置及电子设备 | |
| JP2021502653A (ja) | 目標の達成可能性に関する、可視表現の自動化された準備のためのシステム及び方法 | |
| CN112015975B (zh) | 基于牛顿冷却定律的面向金融用户的信息推送方法及装置 | |
| Rubunda et al. | Trade Credit, Debt Finance Structure and SMEs Growth in Rwanda | |
| Nordlund et al. | Forecast Modelling of Future Events that Affect the Repayment Capacity of Mortgages | |
| CN113962817A (zh) | 异常人员识别方法及装置、电子设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |