CN110659979A - 预测违约损失率的方法和装置、存储介质及电子设备 - Google Patents
预测违约损失率的方法和装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN110659979A CN110659979A CN201910829516.XA CN201910829516A CN110659979A CN 110659979 A CN110659979 A CN 110659979A CN 201910829516 A CN201910829516 A CN 201910829516A CN 110659979 A CN110659979 A CN 110659979A
- Authority
- CN
- China
- Prior art keywords
- users
- default
- information
- user group
- class
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种预测违约损失率的方法和装置、存储介质及电子设备,以提升违约损失率的预测结果的准确性。所述预测违约损失率的方法包括:获取属于同一用户组中的第一类用户的特征信息以及第二类用户的特征信息;将获取到的特征信息输入至预先建立的违约率预测模型,得到所述用户组中第二类用户的违约率信息,其中,所述违约率预测模型是以历史用户组中各类用户的特征信息以及第二类用户的历史违约率信息作为模型训练样本训练得到的;根据所述用户组中所述第二类用户的违约率信息以及向所述用户组推荐的目标业务产品的特征信息,确定所述目标业务产品的违约损失率。
Description
技术领域
本公开涉及信息技术领域,具体地,涉及一种预测违约损失率的方法和装置、存储介质及电子设备。
背景技术
违约损失率(LGD,Loss Given Default)是信贷等业务领域中用于评估信用风险的一个重要参数。
目前,以信贷业务领域为例,信贷产品的违约损失率通常是基于该信贷产品针对的客户的收入、年龄等特征信息来预测的。由于实际业务中,信贷产品的违约损失率还受到诸多因素的影响,通过上述方法预测的准确性较低。
发明内容
本公开的目的是提供一种预测违约损失率的方法和装置、存储介质及电子设备,以提升违约损失率的预测结果的准确性。
为了实现上述目的,根据本公开实施例的第一方面,提供一种预测违约损失率的方法,包括:
获取属于同一用户组中的第一类用户的特征信息以及第二类用户的特征信息;
将获取到的特征信息输入至预先建立的违约率预测模型,得到所述用户组中第二类用户的违约率信息,其中,所述违约率预测模型是以历史用户组中各类用户的特征信息以及第二类用户的历史违约率信息作为模型训练样本训练得到的;
根据所述用户组中所述第二类用户的违约率信息以及向所述用户组推荐的目标业务产品的特征信息,确定所述目标业务产品的违约损失率。
可选地,在所述将获取到的特征信息输入至预先建立的违约率预测模型之前,还包括:
将所述用户组中第二类用户的特性信息输入预先建立的特征选取模型,得到目标特征,其中,所述特征信息选取模型用于对输入的第二类用户的特征信息进行筛选;
所述将获取到的特征信息输入至预先建立的违约率预测模型,包括:
将所述目标特征和所述用户组中第一类用户的特征信息输入所述违约率预测模型。
可选地,所述特征选取模型是通过以下方式训练得到的:
获取训练样本集,所述训练样本集包括不同历史用户组中第二类用户的特征信息以及每一历史用户组对应的目标特征;
以最大化目标特征的信息值为目标,基于预定的各项评价指标和最大似然估计算法,根据所述训练样本集调整初始模型的参数,得到所述特征选取模型。
可选地,所述特征选取模型为以下模型中的任一种:逻辑斯蒂回归LR模型、决策树模型。
可选地,所述目标业务产品的特征信息包括所述目标业务产品的年化系数、观察期内日均余额占比以及所述目标业务产品针对的目标用户信息;
所述根据所述用户组中所述第二类用户的违约率信息以及向所述用户组推荐的目标业务产品的特征信息,确定所述目标业务产品的违约损失率,包括:
根据所述目标用户信息和所述用户组中第二类用户的违约率信息,确定所述目标用户对应的违约率,其中,所述用户组中的第二类用户被划分为多个小组,所述用户组中第二类用户的违约率信息包括各小组对应的违约率;
将所述目标用户对应的违约率、所述目标业务产品的年化系数和观察期内日均余额占比的乘积,作为所述目标业务产品的违约损失率。
根据本公开实施例的第二方面,提供一种预测违约损失率的装置,包括:
获取模块,用于获取属于同一用户组中的第一类用户的特征信息以及第二类用户的特征信息;
违约率预测模块,用于将获取到的特征信息输入至预先建立的违约率预测模型,得到所述用户组中第二类用户的违约率信息,其中,所述违约率预测模型是以历史用户组中各类用户的特征信息以及第二类用户的历史违约率信息作为模型训练样本训练得到的;
违约损失率确定模块,用于根据所述用户组中所述第二类用户的违约率信息以及向所述用户组推荐的目标业务产品的特征信息,确定所述目标业务产品的违约损失率。
可选地,所述装置还包括选取模块,所述选取模块包括:
选取子模块,用于在所述违约率预测模块将获取到的特征信息输入至预先建立的违约率预测模型之前,将所述用户组中第二类用户的特性信息输入预先建立的特征选取模型,得到目标特征,其中,所述特征信息选取模型用于对输入的第二类用户的特征信息进行筛选;
所述违约率预测模块包括:
违约率预测子模块,用于将所述目标特征和所述用户组中第一类用户的特征信息输入所述违约率预测模型。
可选地,所述装置还包括训练模块,所述训练模块用于通过以下方式训练所述特征选取模型:
获取训练样本集,所述训练样本集包括不同历史用户组中第二类用户的特征信息以及每一历史用户组对应的目标特征;
以最大化目标特征的信息值为目标,基于预定的各项评价指标和最大似然估计算法,根据所述训练样本集调整初始模型的参数,得到所述特征选取模型。
可选地,所述特征选取模型为以下模型中的任一种:逻辑斯蒂回归LR模型、决策树模型。
可选地,所述目标业务产品的特征信息包括所述目标业务产品的年化系数、观察期内日均余额占比以及所述目标业务产品针对的目标用户信息;
所述违约损失率确定模块包括:
第一确定子模块,用于根据所述目标用户信息和所述用户组中第二类用户的违约率信息,确定所述目标用户对应的违约率,其中,所述用户组中的第二类用户被划分为多个小组,所述用户组中第二类用户的违约率信息包括各小组对应的违约率;
第二确定子模块,用于将所述目标用户对应的违约率、所述目标业务产品的年化系数和观察期内日均余额占比的乘积,作为所述目标业务产品的违约损失率。
根据本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面所述方法的步骤。
根据本公开实施例的第四方面,提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现第一方面所述方法的步骤。
通过上述技术方案,至少可以达到如下技术效果:通过将同一用户组中各类用户的特征信息输入到预先建立的违约率预测模型,结合得到的用户组中第二类用户的违约率信息以及目标业务产品的特征信息预测目标业务产品的违约损失率,相比于相关技术中基于单一的信息对损失率进行预测,可以提升违约损失率的预测结果的准确性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,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,但并不构成对本公开的限制。在附图中:
图1是根据本公开一示例性实施例示出的一种预测违约损失率的方法的流程图;
图2是根据本公开一示例性实施例示出的一种预测违约损失率的装置的框图;
图3是根据本公开另一示例性实施例示出的一种预测违约损失率的装置的框图;
图4是根据本公开一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
需要说明的是,本公开的说明书和权利要求书以及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必理解为特定的顺序或先后次序。
本公开提供一种预测违约损失率的方法。如图1所示,图1是根据本公开一示例性实施例示出的一种预测违约损失率的方法的流程图,该方法可以包括以下步骤:
S101、获取属于同一用户组中的第一类用户的特征信息以及第二类用户的特征信息。
具体地,第一类用户的特征信息和第二类用户的特征信息均可根据该方法具体应用的业务场景自定义。例如,以信贷业务为例,第一类用户可以为客户经理,则第一类用户的特征信息可以包括但不限于以下至少一种特征:年龄、性别、工作年限、月收入等等;相应地,第二类用户可以为该客户经理组内的客户,则第二类用户的特征信息可以包括但不限于以下至少一种特征:年龄分布、性别分布、区域分布、第三方平台上的历史行为数据等等。
需要说明的是,上述只是对本公开实施例可能的业务场景进行的举例说明,本公开实施例还可能涉及销售等业务场景中,本公开对此不做限定。
S102、将获取到的特征信息输入至预先建立的违约率预测模型,得到该用户组中第二类用户的违约率信息。
S103、根据该用户组中第二类用户的违约率信息以及向该用户组推荐的目标业务产品的特征信息,确定目标业务产品的违约损失率。
其中,目标业务产品的特征信息可以包括目标业务产品的年化系数、观察期内日均余额占比以及目标业务所针对的目标用户信息。
在一种可选的实现方式中,上述步骤S102得到的用户组中第二类用户的违约率信息可以包括该用户组中各个第二类用户的违约率。相应地,在该步骤S103中,可根据目标业务产品针对的目标用户信息和用户组中第二类用户的违约率信息,查询该目标用户的违约率,并计算目标用户对应的违约率、目标业务产品的年化系数和观察期内日均余额占比的乘积,该计算得到的结果作为该目标业务产品的违约损失率。
在另一种可选的实现方式中,根据用户组中第二类用户的特征信息,可以将该用户组划分为多个小组,例如,可根据年龄这一特征将用户组中的第二类用户划分为多个小组,每一小组对应一年龄分布区间。相应地,上述步骤S102得到的用户组中第二类用户的违约率信息可以包括每一小组的第二类用户对应的违约率。相应的,在该步骤S103中,可根据目标业务产品针对的目标用户信息和用户组中第二类用户的分组情况,确定该目标用户所属的小组,进一步查询用户组中第二类用户的违约率信息得到该目标用户的违约率,并计算目标用户对应的违约率、目标业务产品的年化系数和观察期内日均余额占比的乘积,该计算得到的结果作为该目标业务产品的违约损失率。
值得说明的是,目标业务产品的年化系数以及观察期内日均余额占比可以根据该目标业务产品的历史用户对该目标业务产品的历史使用期限信息以及还款能力计算得到。
采用上述方法,通过将同一用户组中各类用户的特征信息输入到预先建立的违约率预测模型,结合得到的用户组中第二类用户的违约率信息以及目标业务产品的特征信息预测目标业务产品的违约损失率,相比于相关技术中基于单一的信息对损失率进行预测,可以提升违约损失率的预测结果的准确性。
在本本公开另一示例性实施例中,为了进一步提升预测出的违约率的准确性,从而提升最终计算出的违约损失率,在将获取到的特征信息输入至预先建立的违约率预测模型之前,还可对用户组中第二类用户的特征信息进行筛选,选取出能进一步表征第二类用户好坏的有效特征,将选取出的特征输入至上述违约率预测模型中。具体地,在上述步骤S102之前,上述方法还包括:将用户组中第二类用户的特征信息输入预先建立的特征选取模型,得到目标特征。相应地,上述步骤S102包括:将该目标特征和用户组中第一类用户的特征信息输入该违约率预测模型。
其中,特征信息选取模型用于对输入的第二类用户的特征信息进行筛选。具体地,该特征信息选取模型是通过以下方式训练得到的:获取训练样本集,该训练样本集包括不同历史用户组中第二类用户的特征信息以及每一历史用户组对应的目标特征;接着,以最大化目标特征的信息值(IV,Information Value)为目标,基于预定的各项评价指标和最大似然估计算法,根据训练样本集调整初始模型的参数,得到特征选取模型。其中,特征信息选取模型可以为以下任一种模型:逻辑斯蒂回归(LR,Logistic Regression)模型、决策树模型等,评价指标可以例如包括但不限于以下指标中的至少一种:特征的信息值、缺失率、稳定性等等。
基于同一发明构思,本公开还提供一种预测违约损失率的装置。如图2所示,图2是根据本公开一示例性实施例示出的一种预测违约损失率的装置的框图,该装置200包括:
获取模块201,用于获取属于同一用户组中的第一类用户的特征信息以及第二类用户的特征信息;
违约率预测模块202,用于将获取到的特征信息输入至预先建立的违约率预测模型,得到所述用户组中第二类用户的违约率信息,其中,所述违约率预测模型是以历史用户组中各类用户的特征信息以及第二类用户的历史违约率信息作为模型训练样本训练得到的;
违约损失率确定模块203,用于根据所述用户组中所述第二类用户的违约率信息以及向所述用户组推荐的目标业务产品的特征信息,确定所述目标业务产品的违约损失率。
可选地,如图3所示,所述装置200还包括选取模块204,所述选取模块204包括:
选取子模块241,用于在所述违约率预测模块202将获取到的特征信息输入至预先建立的违约率预测模型之前,将所述用户组中第二类用户的特性信息输入预先建立的特征选取模型,得到目标特征,其中,所述特征信息选取模型用于对输入的第二类用户的特征信息进行筛选;
所述违约率预测模块202包括:
违约率预测子模块221,用于将所述目标特征和所述用户组中第一类用户的特征信息输入所述违约率预测模型。
可选地,如图3所示,所述装置200还包括训练模块205,所述训练模块205用于通过以下方式训练所述特征选取模型:
获取训练样本集,所述训练样本集包括不同历史用户组中第二类用户的特征信息以及每一历史用户组对应的目标特征;
以最大化目标特征的信息值为目标,基于预定的各项评价指标和最大似然估计算法,根据所述训练样本集调整初始模型的参数,得到所述特征选取模型。
可选地,所述特征选取模型为以下模型中的任一种:逻辑斯蒂回归LR模型、决策树模型。
可选地,如图3所示,所述目标业务产品的特征信息包括所述目标业务产品的年化系数、观察期内日均余额占比以及所述目标业务产品针对的目标用户信息;
所述违约损失率确定模块203包括:
第一确定子模块231,用于根据所述目标用户信息和所述用户组中第二类用户的违约率信息,确定所述目标用户对应的违约率,其中,所述用户组中的第二类用户被划分为多个小组,所述用户组中第二类用户的违约率信息包括各小组对应的违约率;
第二确定子模块232,用于将所述目标用户对应的违约率、所述目标业务产品的年化系数和观察期内日均余额占比的乘积,作为所述目标业务产品的违约损失率。
本领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图4是根据一示例性实施例示出的一种电子设备400的框图。如图4所示,该电子设备400可以包括:处理器401,存储器402。该电子设备400还可以包括多媒体组件403,输入/输出(I/O)接口404,以及通信组件405中的一者或多者。
其中,处理器401用于控制该电子设备400的整体操作,以完成上述的预测违约损失率的方法中的全部或部分步骤。存储器402用于存储各种类型的数据以支持在该电子设备400的操作,这些数据例如可以包括用于在该电子设备400上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器402可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件403可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器402或通过通信组件405发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口404为处理器401和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件405用于该电子设备400与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件405可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,电子设备400可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的预测违约损失率的方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的预测违约损失率的方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器402,上述程序指令可由电子设备400的处理器401执行以完成上述的预测违约损失率的方法。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开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保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (10)
1.一种预测违约损失率的方法,其特征在于,包括:
获取属于同一用户组中的第一类用户的特征信息以及第二类用户的特征信息;
将获取到的特征信息输入至预先建立的违约率预测模型,得到所述用户组中第二类用户的违约率信息,其中,所述违约率预测模型是以历史用户组中各类用户的特征信息以及第二类用户的历史违约率信息作为模型训练样本训练得到的;
根据所述用户组中所述第二类用户的违约率信息以及向所述用户组推荐的目标业务产品的特征信息,确定所述目标业务产品的违约损失率。
2.根据权利要求1所述的方法,其特征在于,在所述将获取到的特征信息输入至预先建立的违约率预测模型之前,还包括:
将所述用户组中第二类用户的特性信息输入预先建立的特征选取模型,得到目标特征,其中,所述特征信息选取模型用于对输入的第二类用户的特征信息进行筛选;
所述将获取到的特征信息输入至预先建立的违约率预测模型,包括:
将所述目标特征和所述用户组中第一类用户的特征信息输入所述违约率预测模型。
3.根据权利要求2所述的方法,其特征在于,所述特征选取模型是通过以下方式训练得到的:
获取训练样本集,所述训练样本集包括不同历史用户组中第二类用户的特征信息以及每一历史用户组对应的目标特征;
以最大化目标特征的信息值为目标,基于预定的各项评价指标和最大似然估计算法,根据所述训练样本集调整初始模型的参数,得到所述特征选取模型。
4.根据权利要求3所述的方法,其特征在于,所述特征选取模型为以下模型中的任一种:逻辑斯蒂回归LR模型、决策树模型。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述目标业务产品的特征信息包括所述目标业务产品的年化系数、观察期内日均余额占比以及所述目标业务产品针对的目标用户信息;
所述根据所述用户组中所述第二类用户的违约率信息以及向所述用户组推荐的目标业务产品的特征信息,确定所述目标业务产品的违约损失率,包括:
根据所述目标用户信息和所述用户组中第二类用户的违约率信息,确定所述目标用户对应的违约率,其中,所述用户组中的第二类用户被划分为多个小组,所述用户组中第二类用户的违约率信息包括各小组对应的违约率;
将所述目标用户对应的违约率、所述目标业务产品的年化系数和观察期内日均余额占比的乘积,作为所述目标业务产品的违约损失率。
6.一种预测违约损失率的装置,其特征在于,包括:
获取模块,用于获取属于同一用户组中的第一类用户的特征信息以及第二类用户的特征信息;
违约率预测模块,用于将获取到的特征信息输入至预先建立的违约率预测模型,得到所述用户组中第二类用户的违约率信息,其中,所述违约率预测模型是以历史用户组中各类用户的特征信息以及第二类用户的历史违约率信息作为模型训练样本训练得到的;
违约损失率确定模块,用于根据所述用户组中所述第二类用户的违约率信息以及向所述用户组推荐的目标业务产品的特征信息,确定所述目标业务产品的违约损失率。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括选取模块,所述选取模块包括:
选取子模块,用于在所述违约率预测模块将获取到的特征信息输入至预先建立的违约率预测模型之前,将所述用户组中第二类用户的特性信息输入预先建立的特征选取模型,得到目标特征,其中,所述特征信息选取模型用于对输入的第二类用户的特征信息进行筛选;
所述违约率预测模块包括:
违约率预测子模块,用于将所述目标特征和所述用户组中第一类用户的特征信息输入所述违约率预测模型。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括训练模块,所述训练模块用于通过以下方式训练所述特征选取模型:
获取训练样本集,所述训练样本集包括不同历史用户组中第二类用户的特征信息以及每一历史用户组对应的目标特征;
以最大化目标特征的信息值为目标,基于预定的各项评价指标和最大似然估计算法,根据所述训练样本集调整初始模型的参数,得到所述特征选取模型。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-5中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910829516.XA CN110659979A (zh) | 2019-09-03 | 2019-09-03 | 预测违约损失率的方法和装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910829516.XA CN110659979A (zh) | 2019-09-03 | 2019-09-03 | 预测违约损失率的方法和装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110659979A true CN110659979A (zh) | 2020-01-07 |
Family
ID=69037829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910829516.XA Pending CN110659979A (zh) | 2019-09-03 | 2019-09-03 | 预测违约损失率的方法和装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110659979A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899093A (zh) * | 2020-09-30 | 2020-11-06 | 苏宁金融科技(南京)有限公司 | 一种违约损失率的预测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107424070A (zh) * | 2017-03-29 | 2017-12-01 | 广州汇融易互联网金融信息服务有限公司 | 一种基于机器学习的贷款用户信用评级方法及系统 |
CN107992982A (zh) * | 2017-12-28 | 2018-05-04 | 上海氪信信息技术有限公司 | 一种基于深度学习的非结构化数据的违约概率预测方法 |
CN109657837A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 违约概率预测方法、装置、计算机设备和存储介质 |
CN109903152A (zh) * | 2019-01-24 | 2019-06-18 | 平安科技(深圳)有限公司 | 违约损失分析方法、装置及计算机可读存储介质 |
CN110020939A (zh) * | 2019-03-01 | 2019-07-16 | 平安科技(深圳)有限公司 | 建立违约损失率预测模型的装置、方法及存储介质 |
CN110020783A (zh) * | 2019-03-01 | 2019-07-16 | 平安科技(深圳)有限公司 | 电子装置、资产预期损失的计量方法和存储介质 |
CN110110981A (zh) * | 2019-04-26 | 2019-08-09 | 重庆第二师范学院 | 一种信用评级违约概率测度与风险预警方法 |
-
2019
- 2019-09-03 CN CN201910829516.XA patent/CN110659979A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107424070A (zh) * | 2017-03-29 | 2017-12-01 | 广州汇融易互联网金融信息服务有限公司 | 一种基于机器学习的贷款用户信用评级方法及系统 |
CN107992982A (zh) * | 2017-12-28 | 2018-05-04 | 上海氪信信息技术有限公司 | 一种基于深度学习的非结构化数据的违约概率预测方法 |
CN109657837A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 违约概率预测方法、装置、计算机设备和存储介质 |
CN109903152A (zh) * | 2019-01-24 | 2019-06-18 | 平安科技(深圳)有限公司 | 违约损失分析方法、装置及计算机可读存储介质 |
CN110020939A (zh) * | 2019-03-01 | 2019-07-16 | 平安科技(深圳)有限公司 | 建立违约损失率预测模型的装置、方法及存储介质 |
CN110020783A (zh) * | 2019-03-01 | 2019-07-16 | 平安科技(深圳)有限公司 | 电子装置、资产预期损失的计量方法和存储介质 |
CN110110981A (zh) * | 2019-04-26 | 2019-08-09 | 重庆第二师范学院 | 一种信用评级违约概率测度与风险预警方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899093A (zh) * | 2020-09-30 | 2020-11-06 | 苏宁金融科技(南京)有限公司 | 一种违约损失率的预测方法及装置 |
CN111899093B (zh) * | 2020-09-30 | 2021-06-29 | 南京星云数字技术有限公司 | 一种违约损失率的预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11128582B2 (en) | Emoji recommendation method and apparatus | |
KR102355481B1 (ko) | 반복된 액션에 대한 스마트 어시스트 | |
US8676981B2 (en) | Routing service requests based on lowest actual cost within a federated virtual service cloud | |
CN106993104B (zh) | 来电处理方法、装置及终端 | |
US9692840B2 (en) | Systems and methods for monitoring and applying statistical data related to shareable links associated with content items stored in an online content management service | |
CN107885796B (zh) | 信息推荐方法及装置、设备 | |
US20190034963A1 (en) | Dynamic sentiment-based mapping of user journeys | |
CN108347532B (zh) | 功能访问方法、装置、终端设备及存储介质 | |
US11276493B2 (en) | Device configuration based on predicting a health affliction | |
CN109831532B (zh) | 数据分享方法、装置、设备及介质 | |
CN110321273A (zh) | 一种业务统计方法及装置 | |
US10313219B1 (en) | Predictive intelligent processor balancing in streaming mobile communication device data processing | |
CN110019382B (zh) | 用户亲密度指数确定方法、装置、存储介质及电子设备 | |
CN104408640A (zh) | 应用软件推荐方法及装置 | |
CN107733710A (zh) | 链路调用关系的构建方法、装置、计算机设备及存储介质 | |
CA2887793C (en) | Predicting renewal of contracts | |
US11861508B2 (en) | Causal analysis | |
CN110659979A (zh) | 预测违约损失率的方法和装置、存储介质及电子设备 | |
CN111046156B (zh) | 奖励数据的确定方法、装置和服务器 | |
CN111177562B (zh) | 一种目标对象的推荐排序处理方法、装置及服务器 | |
CN111125388B (zh) | 多媒体资源的检测方法、装置及设备和存储介质 | |
CN105162931A (zh) | 一种通信号码的分类方法及装置 | |
US11301760B2 (en) | Automated postulation thresholds in computer-based questioning | |
CN113852723B (zh) | 号码调度方法、设备及存储介质 | |
CN110442615B (zh) | 资源信息处理方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200107 |