CN110782338B - 借贷业务风险预测方法、装置、计算机设备和存储介质 - Google Patents
借贷业务风险预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110782338B CN110782338B CN201910978428.6A CN201910978428A CN110782338B CN 110782338 B CN110782338 B CN 110782338B CN 201910978428 A CN201910978428 A CN 201910978428A CN 110782338 B CN110782338 B CN 110782338B
- Authority
- CN
- China
- Prior art keywords
- data
- loan
- prediction
- return
- information
- 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.)
- Active
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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及一种借贷业务风险预测方法、装置、计算机设备和存储介质。所述方法包括:通过获取待预测借贷业务申请对应的风险预测数据;将风险预测数据输入预设借贷预测模型,获取模型输入数据对应的归还预测结果;获取待预测借贷业务中借贷日信息与约定归还日信息;根据借贷日信息、约定归还日信息与归还预测结果获取预期归还日信息;根据预期归还日信息与约定归还日信息获取借贷业务风险结果数据。本申请的借贷业务风险预测方法通过借贷业务对应的产品交易信息、预期销售情况、采购方信息等对借贷归还情况进行预估,提高了借贷风险预测的针对性,从而提高借贷风险预测的准确性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种借贷业务风险预测方法、装置、计算机设备和存储介质。
背景技术
随着计算机等技术的发展,出现了人工神经网络技术,人工神经网络的计算模型灵感来自动物的中枢神经系统,并且被用于估计或可以依赖于大量的输入和一般的未知近似函数。人工神经网络通常呈现为相互连接的“神经元”,它可以从输入的计算值,并且能够机器学习以及模式识别由于它们的自适应性质的系统。
目前存在各种进行借贷风险评估的人工神经网络模型。然而,目前,计算机在通过人工神经网络模型,对借贷业务风险进行预测评估时,评估体系针对的目标与所应用的场景范畴都比较笼统,并没有根据评估的目标对考量指标进行差异化设置,导致计算机处理输出的某些预测结果与实际状况偏差较大。
发明内容
基于此,有必要针对上述技术问题,提供一种能够能有效提高借贷风险评估准确性的借贷业务风险预测方法、装置、计算机设备和存储介质。
一种借贷业务风险预测方法,所述方法包括:
获取待预测借贷业务申请对应的风险预测数据,所述待预测借贷业务存在关联的待销售产品,所述风险预测数据包括所述待销售产品的交易信息、预期销售信息以及待销售产品采购方信息;
将所述风险预测数据输入预设借贷预测模型,获取所述风险预测数据对应的归还预测结果;
获取所述待预测借贷业务中借贷日信息与约定归还日信息;
根据所述借贷日信息、所述约定归还日信息与归还预测结果获取预期归还日信息;
根据所述预期归还日信息与所述约定归还日信息获取借贷业务风险结果数据。
在其中一个实施例中,所述将所述风险预测数据输入预设借贷预测模型,获取所述风险预测数据对应的归还预测结果包括:
将所述风险预测数据输入预设借贷预测模型,获取所述模型输入数据对应的一维向量数据;
获取层级结构数据,根据所述层次结构数据对所述一维向量数据进行拼接处理,获取输入拼接数据;
通过所述预设借贷预测模型获取所述输入拼接数据对应的归还预测结果。
在其中一个实施例中,所述模型输入数据包括序列型数据,将所述风险预测数据输入预设借贷预测模型,获取所述模型输入数据对应的一维向量数据包括:
对所述序列型数据进行RNN结构处理,获取所述序列型数据对应的一维向量数据。
在其中一个实施例中,所述将所述风险预测数据输入预设风险评估模型,获取所述风险预测数据对应的归还预测结果之前还包括:
获取历史借贷业务数据,根据所述历史借贷业务数据生成对应模型训练数据;
将所述模型训练数据输入初始卷积神经网络模型,对所述初始卷积神经网络模型进行有监督训练后,获取得到预设借贷预测模型,所述预设借贷预测模型的损失函数根据真实还贷能力与预测还贷能力确定。
在其中一个实施例中,所述风险预测数据包括部分连续型数值数据、连续型数值数据、分类型变量数据以及日期数据,所述将所述风险预测数据输入预设风险评估模型,获取所述模型输入数据对应的风险评估结果之前,还包括:
对所述风险预测数据进行预处理,所述预处理包括对所述部分连续型数值数据进行Z-score归一化处理、对所述分类型变量数据进行onehot形式编码处理以及对所述日期数据进行预设日期编码处理。
在其中一个实施例中,所述预期销售信息包括历史平台交易数据,所述对所述风险预测数据进行预处理之前还包括:
对所述预期销售信息中各历史平台交易数据进行指数归一化处理。
一种借贷业务风险预测装置,所述装置包括:
数据获取模块,用于获取待预测借贷业务申请对应的风险预测数据,所述待预测借贷业务存在关联的待销售产品,所述风险预测数据包括所述待销售产品的交易信息、预期销售信息以及待销售产品采购方信息;
预测结果获取模块,用于将所述风险预测数据输入预设借贷预测模型,获取所述风险预测数据对应的归还预测结果;
期限获取模块,用于获取所述待预测借贷业务中申请借贷日信息与约定归还日信息;
日期估计模块,用于根据所述借贷日信息、所述约定归还日信息与归还预测结果获取预期归还日信息;
结果获取模块,用于根据所述预期归还日信息与所述约定归还日信息获取借贷业务风险结果数据。
在其中一个实施例中,所述预测结果获取模块具体用于:
将所述风险预测数据输入预设借贷预测模型,获取所述模型输入数据对应的一维向量数据;
获取层级结构数据,根据所述层次结构数据对所述一维向量数据进行拼接处理,获取输入拼接数据;
通过所述预设借贷预测模型获取所述输入拼接数据对应的归还预测结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待预测借贷业务申请对应的风险预测数据,所述待预测借贷业务存在关联的待销售产品,所述风险预测数据包括所述待销售产品的交易信息、预期销售信息以及待销售产品采购方信息;
将所述风险预测数据输入预设借贷预测模型,获取所述风险预测数据对应的归还预测结果;
获取所述待预测借贷业务中借贷日信息与约定归还日信息;
根据所述借贷日信息、所述约定归还日信息与归还预测结果获取预期归还日信息;
根据所述预期归还日信息与所述约定归还日信息获取借贷业务风险结果数据。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待预测借贷业务申请对应的风险预测数据,所述待预测借贷业务存在关联的待销售产品,所述风险预测数据包括所述待销售产品的交易信息、预期销售信息以及待销售产品采购方信息;
将所述风险预测数据输入预设借贷预测模型,获取所述风险预测数据对应的归还预测结果;
获取所述待预测借贷业务中借贷日信息与约定归还日信息;
根据所述借贷日信息、所述约定归还日信息与归还预测结果获取预期归还日信息;
根据所述预期归还日信息与所述约定归还日信息获取借贷业务风险结果数据。
上述借贷业务风险预测方法、装置、计算机设备和存储介质,通过获取待预测借贷业务申请对应的风险预测数据,待预测借贷业务存在关联的待销售产品,风险预测数据包括待销售产品的交易信息、预期销售信息以及待销售产品采购方信息;将风险预测数据输入预设借贷预测模型,获取模型输入数据对应的归还预测结果;获取待预测借贷业务中借贷日信息与约定归还日信息;根据借贷日信息、约定归还日信息与归还预测结果获取预期归还日信息;根据预期归还日信息与约定归还日信息获取借贷业务风险结果数据。本申请的借贷风险预测方法通过借贷业务对应的产品交易信息、预期销售情况、采购方信息等对借贷归还情况进行预测,提高了借贷风险预测的针对性,从而提高借贷风险预测的准确性。
附图说明
图1为一个实施例中借贷业务风险预测方法的应用环境图;
图2为一个实施例中借贷业务风险预测方法的流程示意图;
图3为一个实施例中风险预测数据与对应层级结构数据的示意图;
图4为一个实施例中图2中步骤S300的字流程示意图;
图5为一个实施例中借贷业务风险预测装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的借贷业务风险预测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。终端102可以提交待预测借贷业务申请至服务器104,服务器104通过获取终端102提交的待预测借贷业务申请对应的风险预测数据,待预测借贷业务存在关联的待销售产品,风险预测数据包括待销售产品的交易信息、预期销售信息以及待销售产品采购方信息;将风险预测数据输入预设借贷预测模型,获取模型输入数据对应的归还预测结果;获取待预测借贷业务中借贷日信息与约定归还日信息;根据借贷日信息、约定归还日信息与归还预测结果获取预期归还日信息;根据预期归还日信息与约定归还日信息获取借贷业务风险结果数据。本申请的借贷风险预测方法通过借贷业务对应的产品交易信息、预期销售情况、采购方信息等对借贷归还情况进行预测,提高了借贷风险预测的针对性,从而提高借贷风险预测的准确性。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种借贷业务风险预测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S100,获取待预测借贷业务申请对应的风险预测数据,待预测借贷业务存在关联的待销售产品,风险预测数据包括待销售产品的交易信息、预期销售信息以及待销售产品采购方信息。
本申请的借贷业务风险预测方法应用于借贷业务平台,通过服务器实现,借贷业务平台作为中间人,整和所处供应链/网上下游公司的信息,撮合上下游的合作;平台作为中间人,为采购者提供资金支持,垫付交易尾款,加快采购者进货、销货的速度;平台销货后按期支付平台垫付的尾款。采购商购买产品数量存在上限,加之避免库存积压,采购的产品的目标销售时长相对而言较短。而待预测借贷业务申请是指有采购商提交至平台的借贷业务申请,该借贷业务与采购商当前采购的待销售产品相关,采购商在向平台服务器提交借贷业务申请是要同时提供风险预测数据,在其中一个实施例中,风险预测数据具体可以参照图3所示,这些数据则具体包含了待销售产品的交易信息、预期销售信息以及待销售产品采购方信息。其中交易信息具体包括了交易金额、垫付金额以及交易商品数量等信息,预期销售信息包括了商品信息、商品库存信息以及商品销量信息,其中商品信息包括商品定价、商品折扣以及商品类别,商品库存信息包括了库存数量、库存单价以及采购中数量,商品销量数据包括了宏观销售情况、商家销售情况以及预期到货日至还款日的日期序列,宏观销售情况包括平台仅半年同类商品每月销售量以及商家近半年该商品每月销售量,商家销售情况包括商家过去半个月的每日销售情况,采购方信息即商家体量信息包括了商家信息流以及公司规模,商家现金流包括了近半年定期余额时间序列以及近半年收入/支出时间序列,公司规模包括了公司注册资本以及公司过去三年年利润。首先具体的,服务器可以根据所需要的数据生成对应的预设数据表,并提供至终端,而后由申请方在所在终端上进行相应填写后反馈至服务器,服务器据此获取这些风险预测数据。
S300,将风险预测数据输入预设借贷预测模型,获取风险预测数据对应的归还预测结果。
服务器将这些风险预测数据输入预设的借贷预测模型,由预设借贷预测模型来获取相应的归还预测结果。其中预设的借贷预测模型由一些历史的交易数据以及当时对应的风险预测数据进行有监督的训练获取,而预设借贷预测模型的损失函数根据真实还贷能力与预测还贷能力确定。对应的归还预测结果则是定义的一个数值C,该数值计算方式定义如下:
其中,Tsi为应还款日期,To为垫款日期,Tri为实际还款时间。该公式有以下特点:应还款日期当天还款时该值为0;应还款日期之前还款,该值为正,但提前还款对正值的提高并不大,表明只要按时还款了,没有太大的问题;应还款日期之后还款,该值为负,并且每拖欠一天,负值的增长会越来越快且越来越大,表明一旦拖欠还款就会评估得分很低。该公式简单且参考意义符合人的直觉。
S500,获取待预测借贷业务中借贷日信息与约定归还日信息。
S700,根据借贷日信息、约定归还日信息与归还预测结果获取预期归还日信息。
S900,根据预期归还日信息与约定归还日信息获取借贷业务风险结果数据。
其中借贷日信息具体是指,借贷业务进行的日期,约定归还日信息是指采购商即借贷申请人与平台约定的归还日期。服务器获取用户输入的风险预测数据中的待预测借贷业务中借贷日信息与约定归还日信息,而后通过模型估计出的数据C,推算采购商的预期归还日信息,而后基于预期归还日信息,获取借贷业务风险结果数据,即判断预期归还日是否晚于约定归还日过久,是否大于预设的风险阈值日数,如果高于预设风险阈值日数,则判断当前的借贷业务风险过大,而如果低于预设风险阈值日数则判断当前的借贷业务的风险是可以接受的。
上述借贷业务风险预测方法,通过获取待预测借贷业务申请对应的风险预测数据,待预测借贷业务存在关联的待销售产品,风险预测数据包括待销售产品的交易信息、预期销售信息以及待销售产品采购方信息;将风险预测数据输入预设借贷预测模型,获取模型输入数据对应的归还预测结果;获取待预测借贷业务中借贷日信息与约定归还日信息;根据借贷日信息、约定归还日信息与归还预测结果获取预期归还日信息;根据预期归还日信息与约定归还日信息获取借贷业务风险结果数据。本申请的借贷业务风险预测方法通过借贷业务对应的产品交易信息、预期销售情况、采购方信息等对借贷归还情况进行预测,提高了借贷风险预测的针对性,从而提高借贷风险预测的准确性。
如图4所示,在其中一个实施例中,步骤S300包括:
S320,将风险预测数据输入预设借贷预测模型,获取模型输入数据对应的一维向量数据。
S340,获取层级结构数据,根据层次结构数据对一维向量数据进行拼接处理,获取输入拼接数据。
S360,通过预设借贷预测模型获取输入拼接数据对应的归还预测结果。
首先服务器会获取终端提交的待预测借贷业务申请对应的风险预测数据,而后将这些数据进行一定的处理,来获取模型最终的输入数据。首先需要获取各个输入数据对应一维向量数据。层级结构数据具体为输入数据的拼接形式,具体可以参照图3中的层次结构所示,每一个父节点为其子节点的拼接。在将所有的输入数据拼接完成之后,就可以通过预设借贷预测模型的多层卷积神经网络以及全连接层处理,直至最后输出预测值。通过数据拼接形式将数据进行拼接处理,可以有效提高数据的有效性,间接提高识别的准确率。
在其中一个实施例中,模型输入数据包括序列型数据,S320包括:
对序列型数据进行RNN结构处理,获取序列型数据对应的一维向量数据。
序列型数据是指近半年定期余额时间序列以及近半年收入/支出时间序列等等的数据,对于这些一个数据包含多组不同数字的数据,可以先对其使用LSTM、GRU等RNN结构处理,输出一维向量后再与其它数据拼接。保证数据的有效性。
在其中一个实施例中,S300之前还包括:
获取历史借贷业务数据,根据历史借贷业务数据生成对应模型训练数据。
将模型训练数据输入初始卷积神经网络模型,对初始卷积神经网络模型进行有监督训练后,获取得到预设借贷预测模型,预设借贷预测模型的损失函数根据真实还贷能力与预测还贷能力确定。
在使用预设借贷预测模型进行归还预测前,还需要获取该预设借贷预测模型。预测的具体过程可以通过使用训练数据来进行,训练数据具体可以为服务器工作所在的平台处理的一些历史借贷业务数据,首先根据输入数据的样式对历史借贷业务数据进行规范化处理,并为其添加相应的标签,而后将其输入至初始的卷积神经网络进行训练,初始的卷积神经网络定义的损失主要为真实还款能力与预测还款能力的差值。在其中一个实施例中,还可以根据采购商需还款金额考虑不同的损失权重。采购商需归还的资源量=垫付占比×交易资源量,记为W,由于交易资源量归一化过,所以W是一个小于1的值,最大值为1,当且仅当是历史数据中交易金额最大,且借贷业务平台垫付了全款时出现。对于每一批数据,设批大小为batchSize,每一个样本的损失为loss_sample=W*loss_mse,其中loss_mse为原输出均方误差。该损失的特点为对金额越大的交易赋予更大的关注度。通过对初始的卷积神经网络模型进行有监督训练,可以高效地获得可以用于预测的预设借贷预测模型,同时保证借贷业务预测的准确性。
在其中一个实施例中,风险预测数据包括部分连续型数值数据、连续型数值数据、分类型变量数据以及日期数步骤S300之前,还包括:
对风险预测数据进行预处理,预处理包括对部分连续型数值数据进行Z-score归一化处理、对分类型变量数据进行onehot形式编码处理以及对日期数据进行预设日期编码处理。
更具体的,部分连续型数值型数据包括:商品定价、库存数量、库存单价、采购中数量、平台近半年同类商品每月销售量、商家近半年该商品每月销售量、商家过去半个月的每日销售情况、近半年定期余额时间序列、近半年收入/支出时间序列、公司注册资本、公司过去三年年利润、交易金额、交易商品数量。连续型数值型数据为商品折扣、垫付占比等,可以直接以原值表示。分类型变量包括商品类别、预期到货日至还款日日期性质序列,可以使用onehot形式编码,商品类别根据实际情况定义,日期性质包括上新日、促销日等。而日期变量则包括了预期到货日及还款日日期使用如下公式编码:
其中,Nod为日期在一年中的序号,一月一号为0,十二月三十一号为355,二月二十九等同于二月二十八。
由于输入模型的数据具有多样性,为了提高模型的处理效率,还需要对模型的输入数据进行一定的预处理,与处理的过程如上,依据输入模型的数据的类型对不同的数据进行预处理,可以有效提升预设借贷预测模型的预测处理效率。
预期销售信息包括历史平台交易数据,对风险预测数据进行预处理之前还包括:
对预期销售信息中各历史平台交易数据进行指数归一化处理。
预期销售信息中宏观销售情况与商家销售情况考虑采购商所涉及的所有平台,输出数据进行指数归一化处理。例如有五个平台,分别的重要性为[S1,S2,S3,S4,S5],采购商提供了平台1与平台2的数据,则输出为(平台1输出,平台2输出)^T·softmax(S1,S2)。通过共享所有平台的参数,可以减少有效减少模型训练以及预测过程中涉及的参数,并且允许处理部分平台数据缺失的问题。
应该理解的是,虽然图2以及图4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2以及图4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种借贷业务风险预测装置,包括:
数据获取模块100,用于获取待预测借贷业务申请对应的风险预测数据,待预测借贷业务存在关联的待销售产品,风险预测数据包括待销售产品的交易信息、预期销售信息以及待销售产品采购方信息;
预测结果获取模块300,用于将风险预测数据输入预设借贷预测模型,获取风险预测数据对应的归还预测结果;
期限获取模块500,用于获取待预测借贷业务中申请借贷日信息与约定归还日信息;
日期估计模块700,用于根据借贷日信息、约定归还日信息与归还预测结果获取预期归还日信息;
结果获取模块900,用于根据预期归还日信息与约定归还日信息获取借贷业务风险结果数据。
在其中一个实施例中,预测结果获取模块300具体用于:
将风险预测数据输入预设借贷预测模型,获取模型输入数据对应的一维向量数据;
获取层级结构数据,根据层次结构数据对一维向量数据进行拼接处理,获取输入拼接数据;
通过预设借贷预测模型获取输入拼接数据对应的归还预测结果。
在其中一个实施例中,模型输入数据包括序列型数据,预测结果获取模块300具体用于对序列型数据进行RNN结构处理,获取序列型数据对应的一维向量数据。
在其中一个实施例中,还包括模型训练模块,用于获取历史借贷业务数据,根据历史借贷业务数据生成对应模型训练数据;将模型训练数据输入初始卷积神经网络模型,对初始卷积神经网络模型进行有监督训练后,获取得到预设借贷预测模型,预设借贷预测模型的损失函数根据真实还贷能力与预测还贷能力确定。
在其中一个实施例中,风险预测数据包括部分连续型数值数据、连续型数值数据、分类型变量数据以及日期数据,还包括数据预处理模块,用于对风险预测数据进行预处理,预处理包括对部分连续型数值数据进行Z-score归一化处理、对分类型变量数据进行onehot形式编码处理以及对日期数据进行预设日期编码处理。
在其中一个实施例中,预期销售信息包括历史平台交易数据,数据预处理模块还用于对预期销售信息中各历史平台交易数据进行指数归一化处理。
关于借贷业务风险预测装置的具体限定可以参见上文中对于借贷业务风险预测方法的限定,在此不再赘述。上述借贷业务风险预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储借贷业务风险预测模型数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种借贷业务风险预测方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待预测借贷业务申请对应的风险预测数据,待预测借贷业务存在关联的待销售产品,风险预测数据包括待销售产品的交易信息、预期销售信息以及待销售产品采购方信息;
将风险预测数据输入预设借贷预测模型,获取风险预测数据对应的归还预测结果;
获取待预测借贷业务中借贷日信息与约定归还日信息;
根据借贷日信息、约定归还日信息与归还预测结果获取预期归还日信息;
根据预期归还日信息与约定归还日信息获取借贷业务风险结果数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将风险预测数据输入预设借贷预测模型,获取模型输入数据对应的一维向量数据;获取层级结构数据,根据层次结构数据对一维向量数据进行拼接处理,获取输入拼接数据;通过预设借贷预测模型获取输入拼接数据对应的归还预测结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对序列型数据进行RNN结构处理,获取序列型数据对应的一维向量数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取历史借贷业务数据,根据历史借贷业务数据生成对应模型训练数据;将模型训练数据输入初始卷积神经网络模型,对初始卷积神经网络模型进行有监督训练后,获取得到预设借贷预测模型,预设借贷预测模型的损失函数根据真实还贷能力与预测还贷能力确定。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对风险预测数据进行预处理,预处理包括对部分连续型数值数据进行Z-score归一化处理、对分类型变量数据进行onehot形式编码处理以及对日期数据进行预设日期编码处理。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对预期销售信息中各历史平台交易数据进行指数归一化处理。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待预测借贷业务申请对应的风险预测数据,待预测借贷业务存在关联的待销售产品,风险预测数据包括待销售产品的交易信息、预期销售信息以及待销售产品采购方信息;
将风险预测数据输入预设借贷预测模型,获取风险预测数据对应的归还预测结果;
获取待预测借贷业务中借贷日信息与约定归还日信息;
根据借贷日信息、约定归还日信息与归还预测结果获取预期归还日信息;
根据预期归还日信息与约定归还日信息获取借贷业务风险结果数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将风险预测数据输入预设借贷预测模型,获取模型输入数据对应的一维向量数据;获取层级结构数据,根据层次结构数据对一维向量数据进行拼接处理,获取输入拼接数据;通过预设借贷预测模型获取输入拼接数据对应的归还预测结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对序列型数据进行RNN结构处理,获取序列型数据对应的一维向量数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取历史借贷业务数据,根据历史借贷业务数据生成对应模型训练数据;将模型训练数据输入初始卷积神经网络模型,对初始卷积神经网络模型进行有监督训练后,获取得到预设借贷预测模型,预设借贷预测模型的损失函数根据真实还贷能力与预测还贷能力确定。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对风险预测数据进行预处理,预处理包括对部分连续型数值数据进行Z-score归一化处理、对分类型变量数据进行onehot形式编码处理以及对日期数据进行预设日期编码处理。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对预期销售信息中各历史平台交易数据进行指数归一化处理。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/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。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种借贷业务风险预测方法,包括:
获取待预测借贷业务申请对应的风险预测数据,所述待预测借贷业务存在关联的待销售产品,所述风险预测数据包括所述待销售产品的交易信息、预期销售信息以及待销售产品采购方信息;所述预期销售信息是根据采购方所有平台的预期销售数据;
将所述风险预测数据输入预设借贷预测模型,获取所述风险预测数据对应的归还预测结果;归还预测结果定义为一个数值,应还款日期当天还款时该数值为0;应还款日期之前还款,该数值为正;应还款日期之后还款,该数值为负,并且每拖欠一天,负值的增长会越来越快且越来越大;
获取所述待预测借贷业务中借贷日信息与约定归还日信息;
根据所述借贷日信息、所述约定归还日信息与归还预测结果获取预期归还日信息;
根据所述预期归还日信息与所述约定归还日信息,获取借贷业务风险预测结果数据。
2.根据权利要求1所述的方法,其特征在于,所述将所述风险预测数据输入预设借贷预测模型,获取所述风险预测数据对应的归还预测结果包括:
将所述风险预测数据输入预设借贷预测模型,获取模型输入数据对应的一维向量数据;
获取层级结构数据,根据所述层级结构数据对所述一维向量数据进行拼接处理,获取输入拼接数据;
通过所述预设借贷预测模型获取所述输入拼接数据对应的归还预测结果。
3.根据权利要求2所述的方法,其特征在于,所述模型输入数据包括序列型数据,将所述风险预测数据输入预设借贷预测模型,获取所述模型输入数据对应的一维向量数据包括:
对所述序列型数据进行RNN结构处理,获取所述序列型数据对应的一维向量数据。
4.根据权利要求1所述的方法,其特征在于,所述将所述风险预测数据输入预设风险评估模型,获取所述风险预测数据对应的归还预测结果之前还包括:
获取历史借贷业务数据,根据所述历史借贷业务数据生成模型训练数据;
将所述模型训练数据输入初始卷积神经网络模型,对所述初始卷积神经网络模型进行有监督训练,得到预设借贷预测模型,所述预设借贷预测模型的损失函数根据真实还贷能力与预测还贷能力确定。
5.根据权利要求1所述的方法,其特征在于,所述风险预测数据包括部分连续型数值数据、连续型数值数据、分类型变量数据以及日期数据,所述将所述风险预测数据输入预设风险评估模型,获取所述模型输入数据对应的风险评估结果之前,还包括:
对所述风险预测数据进行预处理,所述预处理包括对所述部分连续型数值数据进行Z-score归一化处理、对所述分类型变量数据进行onehot形式编码处理以及对所述日期数据进行预设日期编码处理。
6.根据权利要求5所述的方法,其特征在于,所述预期销售信息包括历史平台交易数据,所述对所述风险预测数据进行预处理之前,还包括:
对所述预期销售信息中各历史平台交易数据进行指数归一化处理。
7.一种借贷业务风险预测装置,其特征在于,所述装置包括:
数据获取模块,用于获取待预测借贷业务申请对应的风险预测数据,所述待预测借贷业务存在关联的待销售产品,所述风险预测数据包括所述待销售产品的交易信息、预期销售信息以及待销售产品采购方信息;所述预期销售信息是根据采购方所有平台的预期销售数据;
预测结果获取模块,用于将所述风险预测数据输入预设借贷预测模型,获取所述风险预测数据对应的归还预测结果;归还预测结果定义为一个数值,应还款日期当天还款时该数值为0;应还款日期之前还款,该数值为正;应还款日期之后还款,该数值为负,并且每拖欠一天,负值的增长会越来越快且越来越大;
期限获取模块,用于获取所述待预测借贷业务中申请借贷日信息与约定归还日信息;
日期估计模块,用于根据所述借贷日信息、所述约定归还日信息与归还预测结果获取预期归还日信息;
结果获取模块,用于根据所述预期归还日信息与所述约定归还日信息获取借贷业务风险结果数据。
8.根据权利要求7所述的装置,其特征在于,所述预测结果获取模块具体用于:
将所述风险预测数据输入预设借贷预测模型,获取模型输入数据对应的一维向量数据;
获取层级结构数据,根据所述层级结构数据对所述一维向量数据进行拼接处理,获取输入拼接数据;
通过所述预设借贷预测模型获取所述输入拼接数据对应的归还预测结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910978428.6A CN110782338B (zh) | 2019-10-15 | 2019-10-15 | 借贷业务风险预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910978428.6A CN110782338B (zh) | 2019-10-15 | 2019-10-15 | 借贷业务风险预测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110782338A CN110782338A (zh) | 2020-02-11 |
CN110782338B true CN110782338B (zh) | 2023-03-31 |
Family
ID=69385703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910978428.6A Active CN110782338B (zh) | 2019-10-15 | 2019-10-15 | 借贷业务风险预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110782338B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232949B (zh) * | 2020-12-07 | 2021-03-09 | 国网电子商务有限公司 | 基于区块链的借贷风险的预测方法和装置 |
CN114529397A (zh) * | 2022-02-17 | 2022-05-24 | 平安普惠企业管理有限公司 | 客户贷款风险等级确定方法、装置、电子设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013119648A1 (en) * | 2012-02-06 | 2013-08-15 | Opera Solutions, Llc | System and method for valuation and risk estimation of mortgage backed securities |
CN109670940A (zh) * | 2018-11-12 | 2019-04-23 | 深圳壹账通智能科技有限公司 | 基于机器学习的信用风险评估模型生成方法及相关设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8458074B2 (en) * | 2010-04-30 | 2013-06-04 | Corelogic Solutions, Llc. | Data analytics models for loan treatment |
CN108846520B (zh) * | 2018-06-22 | 2021-08-03 | 京东数字科技控股有限公司 | 贷款逾期预测方法、装置以及计算机可读存储介质 |
CN109242672A (zh) * | 2018-09-29 | 2019-01-18 | 北京京东金融科技控股有限公司 | 贷款的还款信息预测方法、装置以及计算机可读存储介质 |
CN110046986A (zh) * | 2019-03-06 | 2019-07-23 | 平安科技(深圳)有限公司 | 基于大数据的借款逾期客户分群方法及装置 |
TWM581252U (zh) * | 2019-04-19 | 2019-07-21 | 臺灣銀行股份有限公司 | Credit rating evaluation |
CN110223166A (zh) * | 2019-06-14 | 2019-09-10 | 哈尔滨哈银消费金融有限责任公司 | 基于大数据的消费金融用户贷款逾期的预测方法及设备 |
-
2019
- 2019-10-15 CN CN201910978428.6A patent/CN110782338B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013119648A1 (en) * | 2012-02-06 | 2013-08-15 | Opera Solutions, Llc | System and method for valuation and risk estimation of mortgage backed securities |
CN109670940A (zh) * | 2018-11-12 | 2019-04-23 | 深圳壹账通智能科技有限公司 | 基于机器学习的信用风险评估模型生成方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110782338A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034915B (zh) | 一种可应用数字资产或积分作为交易媒介的人工智能型电子商务系统 | |
Arani et al. | Integrated material-financial supply chain master planning under mixed uncertainty | |
US20190228397A1 (en) | Dynamic economizer methods and systems for improving profitability, savings, and liquidity via model training | |
US20080294534A1 (en) | System and method for online shopping optimization | |
CN111340244B (zh) | 预测方法、训练方法、装置、服务器及介质 | |
Ding et al. | Time-changed birth processes and multiname credit derivatives | |
US20220261830A1 (en) | Machine learning engine for demand-based pricing | |
CN110782338B (zh) | 借贷业务风险预测方法、装置、计算机设备和存储介质 | |
Chan | Online auction customer segmentation using a neural network model | |
CN111127149A (zh) | 大宗商品供应信息推荐方法、装置和计算机设备 | |
CN109697668A (zh) | 一种信贷产品的定价方法、装置、设备及存储介质 | |
CN112613997A (zh) | 货币基金的组合投资预测方法和预测装置 | |
US8255269B1 (en) | Data processing method for maximization of present and future supply and/or demand objectives | |
Karlinsky-Shichor et al. | Automating the b2b salesperson pricing decisions: A human-machine hybrid approach | |
CN114330837A (zh) | 对象处理方法、装置、计算机设备和存储介质 | |
CN111667307B (zh) | 一种理财产品销量的预测方法及装置 | |
CN110232150A (zh) | 一种用户数据分析方法、装置、可读存储介质及终端设备 | |
KR102485355B1 (ko) | 인공지능 기반 온,오프라인 판매 행사 중개 플랫폼 서비스 제공 방법, 장치 및 시스템 | |
CN106779560A (zh) | 用于管理商品的方法、系统及电子设备 | |
US8117063B2 (en) | System and methods for creating probabilistic products and for facilitating probabilistic selling | |
CN115829624A (zh) | 基于门店周期性回本的价格预测方法、装置及相关介质 | |
Józefczyk et al. | Heuristic algorithms for the Internet shopping optimization problem with price sensitivity discounts | |
CN111967987B (zh) | 交易数据的处理方法和交易数据的处理系统 | |
CN114219651A (zh) | 一种大宗商品资产交易方法、系统及终端 | |
CN114820113A (zh) | 基于区块链的电商平台推荐调整方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |