CN110796534A - 一种分期贷款逾期率的预测方法和装置 - Google Patents
一种分期贷款逾期率的预测方法和装置 Download PDFInfo
- Publication number
- CN110796534A CN110796534A CN201910921516.2A CN201910921516A CN110796534A CN 110796534 A CN110796534 A CN 110796534A CN 201910921516 A CN201910921516 A CN 201910921516A CN 110796534 A CN110796534 A CN 110796534A
- Authority
- CN
- China
- Prior art keywords
- user
- overdue
- data
- overdue rate
- installments
- 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
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
本发明公开了一种分期贷款逾期率的预测方法、装置、电子设备和计算机可读介质。该方法包括:获取用户针对指定信贷产品的多个历史分期的逾期率数据,将所述多个历史分期的逾期率数据以及相应的分期时间数据输入至基于时间序列的自回归模型中,根据所述自回归模型预测所述用户针对所述指定信贷产品的剩余分期的逾期率数据。本发明可以根据用户针对某信贷产品的多个历史分期的逾期率数据预测该信贷产品的剩余分期的逾期率数据,可以预测尚未表现完整的贷款的还贷情况,因此在信贷产品尚未表现完整之前便可以根据预测得到的逾期率数据分析用户的质量,计算该信贷产品是否盈利等指标,减少了观察时间成本,提高了工作效率。
Description
技术领域
本发明涉及计算机信息处理领域,具体而言,涉及一种分期贷款逾期率的预测方法、装置、电子设备及计算机可读存储介质。
背景技术
随着网络信息技术的快速发展,互联网金融也越来越广泛地应用于工作和生活等诸多场景。金融市场上涌现出许多提供信贷服务的银行或金融机构,同时各家旗下开设的信贷产品琳琅满目,以满足不同客户的需求。
目前,各信贷机构通常会根据用户针对某个信贷产品的还款表现情况分析用户的质量,或者计算该信贷产品是否盈利等。例如,可以根据用户针对某个分期贷款业务的各个分期的逾期率分析用户的质量,或者计算信贷机构提供给用户的信贷产品是否盈利等。
然而,在实现发明构思的过程中,发明人发现现有技术中至少存在如下问题,即,在现有技术中,通常要等到信贷产品表现完整之后再根据用户的还贷表现分析用户的质量,计算该信贷产品是否盈利等指标,观察时间成本较大,效率低。
发明内容
本发明旨在解决现有技术中通常要等到某一信贷产品表现完整之后再根据用户的还贷表现分析用户的质量,计算该信贷产品是否盈利等指标,导致观察时间成本较大,效率低的问题。
为了解决上述技术问题,本发明第一方面提出一种分期贷款逾期率的预测方法,其特征在于,包括:获取用户针对指定信贷产品的多个历史分期的逾期率数据,将所述多个历史分期的逾期率数据以及相应的分期时间数据输入至基于时间序列的自回归模型中,以及根据所述自回归模型预测所述用户针对所述指定信贷产品的剩余分期的逾期率数据。
根据本发明的一种优选实施方式,所述方法还包括:动态获取历史分期的逾期率数据,更新所述自回归模型。
根据本发明的一种优选实施方式,所述方法还包括:基于所述用户的各历史分期的逾期率数据以及预测得到的各剩余分期的逾期率数据,评估所述用户的质量得分。
根据本发明的一种优选实施方式,所述方法还包括:获取所述用户针对其他信贷产品的各分期的逾期率数据,其中,所述其他信贷产品包括所述用户已完成的信贷产品,以及基于所述用户针对其他信贷产品的各分期的逾期率数据优化所述自回归模型。
根据本发明的一种优选实施方式,所述基于所述用户针对其他信贷产品的各分期的逾期率数据优化所述自回归模型,包括:基于所述用户针对其他信贷产品的各分期的逾期率数据以及相应的分期时间数据生成校正模型,计算所述校正模型与所述自回归模型的相似度,以及在所述相似度满足预设条件的情况下,基于所述校正模型优化所述自回归模型。
根据本发明的一种优选实施方式,基于所述校正模型优化所述自回归模型,包括:基于所述校正模型和相似度修正所述自回归模型中针对剩余分期对应的逾期率数据。
为了解决上述技术问题,本发明第二方面提出一种分期贷款逾期率的预测装置,该装置包括第一获取模块、输入模块和预测模块。其中,第一获取模块用于获取用户针对指定信贷产品的多个历史分期的逾期率数据。输入模块用于将所述多个历史分期的逾期率数据以及相应的分期时间数据输入至基于时间序列的自回归模型中。预测模块用于根据所述自回归模型预测所述用户针对所述指定信贷产品的剩余分期的逾期率数据。
根据本发明的一种优选实施方式,所述装置还包括:更新模块,用于动态获取历史分期的逾期率数据,更新所述自回归模型。
根据本发明的一种优选实施方式,所述装置还包括:评估模块,用于基于所述用户的各历史分期的逾期率数据以及预测得到的各剩余分期的逾期率数据,评估所述用户的质量得分。
根据本发明的一种优选实施方式,所述装置还包括第二获取模块和优化模块。其中,第二获取模块用于获取所述用户针对其他信贷产品的各分期的逾期率数据,其中,所述其他信贷产品包括所述用户已完成的信贷产品。优化模块用于基于所述用户针对其他信贷产品的各分期的逾期率数据优化所述自回归模型。
根据本发明的一种优选实施方式,所述基于所述用户针对其他信贷产品的各分期的逾期率数据优化所述自回归模型,包括:基于所述用户针对其他信贷产品的各分期的逾期率数据以及相应的分期时间数据生成校正模型,计算所述校正模型与所述自回归模型的相似度,以及在所述相似度满足预设条件的情况下,基于所述校正模型优化所述自回归模型。
根据本发明的一种优选实施方式,所述基于所述校正模型优化所述自回归模型,包括:基于所述校正模型和相似度修正所述自回归模型中针对剩余分期对应的逾期率数据。
为了解决上述技术问题,本发明第三方面提出一种电子设备,其包括处理器以及存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器执行上述的方法。
为了解决上述技术问题,本发明第四方面提出一种计算机可读存储介质,该所述计算机可读存储介质存储一个或多个程序,当所述一个或多个程序被处理器执行时,实现上述的方法。
由于本发明可以根据用户针对某信贷产品的多个历史分期的逾期率数据预测该信贷产品的剩余分期的逾期率数据,可以预测尚未表现完整的贷款的还贷情况,因此在信贷产品尚未表现完整之前便可以根据预测得到的逾期率数据分析用户的质量,计算该信贷产品是否盈利等指标,减少了观察时间成本,提高了工作效率。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚,下面将参照附图详细描述本发明的具体实施例。但需声明的是,下面描述的附图仅仅是本发明的示例性实施例的附图,对于本领域的技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他实施例的附图。
图1A和1B示意性示出了根据本发明实施例的分期贷款逾期率的预测方法和装置的应用场景。
图2示意性示出了根据本发明实施例的分期贷款逾期率的预测方法的流程图。
图3示意性示出了根据本发明实施例的分期贷款逾期率的预测装置的框图。
图4示意性示出了根据本发明实施例的电子设备的结构框图。
图5示意性示出了根据本发明实施例的计算机可读介质的示意图。
具体实施方式
现在将参考附图来更加全面地描述本发明的示例性实施例,虽然各示例性实施例能够以多种具体的方式实施,但不应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是为了使本发明的内容更加完整,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结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。
在对于具体实施例的介绍过程中,对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是,并不排除本领域技术人员可以在特定情况下,以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
附图中的流程图仅是一种示例性的流程演示,不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤,也不代表必须按照图中所显示的的顺序执行。例如,流程图中有的操作/步骤可以分解,有的操作/步骤可以合并或部分合并,等等,在不脱离本发明的发明主旨的情况下,流程图中显示的执行顺序可以根据实际情况改变。
附图中的框图一般表示的是功能实体,并不一定必然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。
各附图中相同的附图标记表示相同或类似的元件、组件或部分,因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解,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,但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说,这些定语仅是用来将一者与另一者区分。例如,第一器件亦可称为第二器件,但不偏离本发明实质的技术方案。此外,术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
本发明的实施例提供了一种分期贷款逾期率的预测方法,包括:获取用户针对指定信贷产品的多个历史分期的逾期率数据,将多个历史分期的逾期率数据以及相应的分期时间数据输入至基于时间序列的自回归模型中,以及根据自回归模型预测用户针对该指定信贷产品的剩余分期的逾期率数据。
图1A和1B示意性示出了根据本发明实施例的分期贷款逾期率的预测方法和装置的应用场景。
需要注意的是,图1A和1B所示仅为可以应用本公开实施例的应用场景的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
可以理解,各信贷机构通常会根据用户针对某个信贷产品的还款表现情况分析用户的质量,或者计算该信贷产品是否盈利等。例如,在用户完成某个分期贷款项目后,获取该用户在该贷款项目的各个分期的逾期率,基于各分期的逾期率分析用户的质量,或者计算信贷机构提供给用户的该信贷产品是否盈利等。
例如,如图1A和1B所示,某信贷产品包括6个分期。信贷机构可以根据用户在这6个分期的还款表现(例如,逾期率)来分析用户的质量,或者计算该信贷产品是否为盈利等。
如图1A所示,在现有技术中,若该信贷产品是尚未表现完整的产品,例如,目前时间仅完成了该产品的前三次分期,信贷机构只能获取到用户前三次分期的逾期率。则,通常信贷机构需要等待用户完成第四期、第五期和第六期还款,然后根据用户的实际表现进行分析和计算。可见,信贷产品的分期时间越长,需要等待的时间越长,观察时间成本越大,不利于信贷机构及时分析和反馈调整。
有鉴于此,本发明实施例提供了一种分期贷款逾期率的预测方法。如图1B所示,本发明以根据用户前三个分期的逾期率数据预测该信贷产品的剩余分期(即,第四期、第五期和第六期)的逾期率数据,可以预测尚未表现完整的贷款的还贷情况,因此在信贷产品尚未表现完整之前便可以根据预测得到的逾期率数据分析用户的质量,计算该信贷产品是否盈利等指标,减少了观察时间成本,提高了工作效率。
图2示意性示出了根据本发明实施例的分期贷款逾期率的预测方法的流程图。
如图2所示,该方法包括操作S201~S203。
在操作S201,获取用户针对指定信贷产品的多个历史分期的逾期率数据。
根据本发明实施例,信贷产品例如可以是分期贷款产品,例如可以包括多个分期,用户可以根据合约在各分期内进行还款。
在本发明实施例中,在信贷机构需要分析指定信贷产品或者某用户质量表现时,可以获取该用户针对该指定信贷产品的多个历史分期的逾期率数据。其中,该指定信贷产品可以是尚未完成的信贷产品。
本发明实施例中的逾期率可以是逾期贷款率,可以用于反应贷款按期归还情况,逾期率可以从是否按期还款的角度反应贷款使用效益情况和资产风险程序。监控逾期率可以促进信贷机构对逾期贷款尽快妥善处理。
本发明实施例中的逾期率数据可以是期末逾期率也可以是平均逾期率,本发明对此不做限定,本领域技术人员可以根据实际情况设定逾期率的计算方法。
例如,该指定贷款产品包括12个分期,目前已经完成9个分期,则可以获取用户在该9个历史分期的预期率数据。
在操作S202,将多个历史分期的逾期率数据以及相应的分期时间数据输入至基于时间序列的自回归模型中。
可以理解,时间序列模型可以用于对未来的时间进行预测,本发明实施例可以将用户的历史分期的逾期率输入至时间序列模型中,得到拟合后的模型,用于对剩余分期的逾期率进行预测。
本发明的时间序列模型可以选用自回归模型。例如,模型公式可以如下:
Xt=β1Xt-1+β2Xt-2+…+βpXt-p+et et~WN(0,σ2)
例如,可以将前9个历史分期分别对应的逾期率数据以及分期时间数据输入至该模型中。例如,第一分期的逾期率可以表示为X1=0.0014,第二分期的逾期率可以表示为X2=0.0039,第三分期的逾期率可以表示为X3=0.0069,第四分期的逾期率可以表示为X4=0.0128,第五分期的逾期率可以表示为X5=0.0185,第六分期的逾期率可以表示为X6=0.025,第七分期的逾期率可以表示为X7=0.0275,第八分期的逾期率可以表示为X8=0.0326,第九分期的逾期率可以表示为X9=0.0376,将各分期的逾期率输入至模型中进行拟合得到自回归预测模型。
在操作S203,根据自回归模型预测该用户针对该指定信贷产品的剩余分期的逾期率数据。
根据本发明实施例,使用拟合好的预测模型预测剩余分期的逾期率。例如,延续上述举例,使用该模型得到X10=0.0426,则第十分期的预测逾期率为0.0426,X11=0.0467,则第十一分期的预测逾期率为0.0467,X12=0.052,则第十分期的预测逾期率为0.052。
可见,本发明实施例提供的方法可以根据已表现完成的历史分期逾期率预测尚未表现的剩余分期的逾期率,从而获得该信贷产品的各分期的逾期率,因此在信贷产品尚未表现完整之前便可以根据各分期的逾期率数据分析用户的质量,计算该信贷产品是否盈利等指标,减少了观察时间成本,提高了工作效率。
在本发明一实施例中,还可以动态获取历史分期的逾期率数据,更新自回归模型。
例如,用户每完成一个分期后,都可以获取该分期的逾期率数据作为历史分期的逾期率数据,重新拟合自回归模型,使得自回归模型越来越靠近真实情况。
在本发明另一实施例中,还可以基于用户的各历史分期的逾期率数据以及预测得到的各剩余分期的逾期率数据,评估用户的质量得分。
例如,可以根据用户的质量得分确定是否批准该用户的之后的贷款申请等。
或者,本发明实施例还可以基于用户的各历史分期的逾期率数据以及预测得到的各剩余分期的逾期率数据计算内部收益率(Internal Rate of Return,简称IRR)。IRR是一项投资渴望达到的报酬率,该指标越大越好。一般情况下,内部收益率大于等于基准收益率时,该项目是可行的。计算IRR便于信贷机构随时监控为该用户提供的该信贷服务的收益情况,便于信贷机构参考反馈调整。
在本发明再一实施例中,可以获取用户针对其他信贷产品的各分期的逾期率数据,其中,其他信贷产品包括该用户已完成的信贷产品,基于该用户针对其他信贷产品的各分期的逾期率数据优化该自回归预测模型。
可以理解,同一客户对于已完成的相似的信贷产品的各分期的逾期率数据对于预测该指定信贷产品剩余分期的逾期率应具有参考价值。因此,为了提高预测的准确性,本发明可以根据用户针对其他信贷产品的各分期的逾期率数据优化该预测模型。本发明不限定模型优化的方法,本领域技术人员可以根据实际情况设定。
例如,本发明可以基于用户针对其他信贷产品的各分期的逾期率数据以及相应的分期时间数据生成校正模型,计算校正模型与自回归模型的相似度,在相似度满足预设条件的情况下,基于校正模型优化自回归模型。
可以理解,本发明选择相似性高的校正模型来优化自回归预测模型,有效提高预测准确性。
根据本发明实施例,基于校正模型优化自回归模型可以包括:基于校正模型和相似度修正自回归模型中针对剩余分期对应的逾期率数据。例如,可以通过校正模型和相似度计算剩余分期的校正逾期率,基于该校正逾期率以及预测模型得到的预测逾期率得到剩余分期的逾期率。例如,为校正逾期率和预测逾期率分别赋予权重。
例如,校正模型中的第10期的逾期率为0.035,相似度(两个模型的方差或者距离)为0.01,则校正逾期率为0.045,自回归预测模型预测得到的第10期的逾期率为0.0426。校正逾期率权重为0.1,预测逾期率权重为0.9,则预测该用户针对该指定信贷产品的第十分期的逾期率为0.04284。
本发明实施例提供的方法可以根据已表现完成的历史分期逾期率预测尚未表现的剩余分期的逾期率,从而获得该信贷产品的各分期的逾期率,因此在信贷产品尚未表现完整之前便可以根据各分期的逾期率数据分析用户的质量,计算该信贷产品是否盈利等指标,减少了观察时间成本,提高了工作效率。并且,并且本发明实施例提供了多种提高预测准确性的方法,可以有效地提高预测准确性。
本领域技术人员可以理解,实现上述实施例的全部或部分步骤被实现为由数据处理设备(包括计算机)执行的程序,即计算机程序。在该计算机程序被执行时,可以实现本发明提供的上述方法。而且,所述的计算机程序可以存储于计算机可读存储介质中,该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质,也可以是多个存储介质组成的存储阵列,例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储,其也可以是分布式存储,例如基于云计算的云存储。
下面描述本发明的装置实施例,该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节,应视为对于上述方法实施例的补充;对于在本发明装置实施例中未披露的细节,可以参照上述方法实施例来实现。
图3示意性示出了根据本发明实施例的分期贷款逾期率的预测装置的框图。
如图3所示,预测装置300包括第一获取模块310、输入模块320以及预测模块330。
第一获取模块310用于获取用户针对指定信贷产品的多个历史分期的逾期率数据。根据本发明实施例,第一获取模块310例如可以执行上文参考图2描述的操作S201,在此不再赘述。
输入模块320用于将多个历史分期的逾期率数据以及相应的分期时间数据输入至基于时间序列的自回归模型中。根据本发明实施例,输入模块320例如可以执行上文参考图2描述的操作S202,在此不再赘述。
预测模块330用于根据自回归模型预测该用户针对指定信贷产品的剩余分期的逾期率数据。根据本发明实施例,预测模块330例如可以执行上文参考图2描述的操作S203,在此不再赘述。
根据本发明实施例,预测装置300还可以包括更新模块(图中未示),更新模块用于动态获取历史分期的逾期率数据,更新自回归模型。
根据本发明实施例,预测装置300还可以包括评估模块(图中未示),评估模块用于基于用户的各历史分期的逾期率数据以及预测得到的各剩余分期的逾期率数据,评估该用户的质量得分。
根据本发明实施例,预测装置300还可以包括第二获取模块(图中未示)和优化模块(图中未示)。其中,第二获取模块用于获取用户针对其他信贷产品的各分期的逾期率数据,其中,其他信贷产品包括用户已完成的信贷产品。优化模块用于基于用户针对其他信贷产品的各分期的逾期率数据优化自回归模型。
根据本发明实施例,基于用户针对其他信贷产品的各分期的逾期率数据优化自回归模型,可以包括:基于用户针对其他信贷产品的各分期的逾期率数据以及相应的分期时间数据生成校正模型,计算校正模型与自回归模型的相似度,在相似度满足预设条件的情况下,基于校正模型优化自回归模型。
根据本发明实施例,基于校正模型优化自回归模型,可以包括:基于校正模型和相似度修正自回归模型中针对剩余分期对应的逾期率数据。
根据本发明实施例,评估装置300例如可以执行上文参考图2描述的方法,在此不再赘述。
根据本发明的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,第一获取模块310、输入模块320以及预测模块330中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,第一获取模块310、输入模块320以及预测模块330中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一获取模块310、输入模块320以及预测模块330中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
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实体形式的实施方式。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4示意性示出了根据本发明实施例的电子设备400的结构框图。图4显示的电子设备仅仅是一个示例,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4所示,该示例性实施例的电子设备400以通用数据处理设备的形式表现。电子设备400的组件可以包括但不限于:至少一个处理单元410、至少一个存储单元420、连接不同系统组件(包括存储单元420和处理单元410)的总线430、显示单元440等。
其中,所述存储单元420存储有计算机可读程序,其可以是源程序或都只读程序的代码。所述程序可以被处理单元410执行,使得所述处理单元410执行本发明各种实施方式的步骤。例如,所述处理单元410可以执行如图2所示的步骤。
所述存储单元420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)4201和/或高速缓存存储单元4202,还可以进一步包括只读存储单元(ROM)4203。所述存储单元420还可以包括具有一组(至少一个)程序模块4205的程序/实用工具4204,这样的程序模块4205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430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400也可以与一个或多个外部设备500(例如键盘、显示器、网络设备、蓝牙设备等)通信,使得用户能经由这些外部设备500与该电子设备400交互,和/或使得该电子设备400能与一个或多个其它数据处理设备(例如路由器、调制解调器等等)进行通信。这种通信可以通过输入/输出(I/O)接口450进行,还可以通过网络适配器460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)进行。网络适配器460可以通过总线430与电子设备400的其它模块通信。应当明白,尽管图中未示出,电子设备400中可使用其它硬件和/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。
图5示意性示出了根据本发明实施例的计算机可读介质的示意图。如图5所示,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。当所述计算机程序被一个或多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:接收环境切换指令,该环境切换指令能够指示待切换的目标服务器,获取该待切换的目标服务器的配置文件,基于配置文件判断目标服务器是否满足预设条件,如果目标服务器满足预设条件,则可以切换至目标服务器。
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数据处理设备(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。
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,本发明可以执行计算机程序的方法、装置、电子设备或计算机可读介质来实现。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本发明的一些或者全部功能。
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。
Claims (9)
1.一种分期贷款逾期率的预测方法,其特征在于,包括:
获取用户针对指定信贷产品的多个历史分期的逾期率数据;
将所述多个历史分期的逾期率数据以及相应的分期时间数据输入至基于时间序列的自回归模型中;
根据所述自回归模型预测所述用户针对所述指定信贷产品的剩余分期的逾期率数据。
2.根据权利要求1所述的方法,其特征在于,还包括:
动态获取历史分期的逾期率数据,更新所述自回归模型。
3.根据权利要求1-2中任一所述的方法,其特征在于,还包括:
基于所述用户的各历史分期的逾期率数据以及预测得到的各剩余分期的逾期率数据,评估所述用户的质量得分。
4.根据权利要求1-3中任一所述的方法,其特征在于,还包括:
获取所述用户针对其他信贷产品的各分期的逾期率数据,其中,所述其他信贷产品包括所述用户已完成的信贷产品;
基于所述用户针对其他信贷产品的各分期的逾期率数据优化所述自回归模型。
5.根据权利要求1-4中任一所述的方法,其特征在于,所述基于所述用户针对其他信贷产品的各分期的逾期率数据优化所述自回归模型,包括:
基于所述用户针对其他信贷产品的各分期的逾期率数据以及相应的分期时间数据生成校正模型;
计算所述校正模型与所述自回归模型的相似度;
在所述相似度满足预设条件的情况下,基于所述校正模型优化所述自回归模型。
6.根据权利要求1-5中任一所述的方法,其特征在于,所述基于所述校正模型优化所述自回归模型,包括:
基于所述校正模型和相似度修正所述自回归模型中针对剩余分期对应的逾期率数据。
7.一种分期贷款逾期率的预测装置,其特征在于,包括:
第一获取模块,用于获取用户针对指定信贷产品的多个历史分期的逾期率数据;
输入模块,用于将所述多个历史分期的逾期率数据以及相应的分期时间数据输入至基于时间序列的自回归模型中;
预测模块,用于根据所述自回归模型预测所述用户针对所述指定信贷产品的剩余分期的逾期率数据。
8.一种电子设备,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1-6中任一项所述的方法。
9.一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1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910921516.2A CN110796534A (zh) | 2019-09-27 | 2019-09-27 | 一种分期贷款逾期率的预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910921516.2A CN110796534A (zh) | 2019-09-27 | 2019-09-27 | 一种分期贷款逾期率的预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110796534A true CN110796534A (zh) | 2020-02-14 |
Family
ID=69439858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910921516.2A Pending CN110796534A (zh) | 2019-09-27 | 2019-09-27 | 一种分期贷款逾期率的预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796534A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598494A (zh) * | 2020-07-24 | 2020-08-28 | 北京淇瑀信息科技有限公司 | 资源额度的调整方法、装置及电子设备 |
CN111815434A (zh) * | 2020-07-10 | 2020-10-23 | 中国建设银行股份有限公司 | 一种信贷保护方法、装置、设备及存储介质 |
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 |
CN111985773A (zh) * | 2020-07-15 | 2020-11-24 | 北京淇瑀信息科技有限公司 | 用户资源分配策略确定方法、装置及电子设备 |
CN113592263A (zh) * | 2021-07-16 | 2021-11-02 | 上海淇玥信息技术有限公司 | 基于动态资源归还增比的资源归还增量预测方法和装置 |
-
2019
- 2019-09-27 CN CN201910921516.2A patent/CN110796534A/zh active Pending
Cited By (5)
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 |
CN111815434A (zh) * | 2020-07-10 | 2020-10-23 | 中国建设银行股份有限公司 | 一种信贷保护方法、装置、设备及存储介质 |
CN111985773A (zh) * | 2020-07-15 | 2020-11-24 | 北京淇瑀信息科技有限公司 | 用户资源分配策略确定方法、装置及电子设备 |
CN111598494A (zh) * | 2020-07-24 | 2020-08-28 | 北京淇瑀信息科技有限公司 | 资源额度的调整方法、装置及电子设备 |
CN113592263A (zh) * | 2021-07-16 | 2021-11-02 | 上海淇玥信息技术有限公司 | 基于动态资源归还增比的资源归还增量预测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796534A (zh) | 一种分期贷款逾期率的预测方法和装置 | |
US11861464B2 (en) | Graph data structure for using inter-feature dependencies in machine-learning | |
CN113342345A (zh) | 深度学习框架的算子融合方法、装置 | |
CN112270545A (zh) | 基于迁移样本筛选的金融风险预测方法、装置和电子设备 | |
CN112017061A (zh) | 基于贝叶斯深度学习的金融风险预测方法、装置和电子设备 | |
CN110599335A (zh) | 一种基于多模型的用户金融风险评估方法和装置 | |
CN105224536A (zh) | 划分数据库的方法和装置 | |
US10664786B2 (en) | Using run time and historical customer profiling and analytics to determine customer test vs. production differences, and to enhance customer test effectiveness | |
CN112015402A (zh) | 业务场景快速建立方法、装置和电子设备 | |
CN110348725A (zh) | 基于区域社会环境信息的风险策略调整方法、装置和电子设备 | |
US20170243268A1 (en) | Method and system for determining an optimized service package model for market participation | |
CN110689425A (zh) | 基于收益进行额度定价的方法、装置和电子设备 | |
CN110675250A (zh) | 一种基于用户营销评分的信贷额度管理的方法、装置和电子设备 | |
CN111199308A (zh) | 一种不同逾期阶段客户预测方法、装置及电子设备 | |
US10255142B2 (en) | Using run time and historical customer profiling and analytics to determine customer disaster recovery vs. production differences, and to enhance customer disaster recovery readiness and effectiveness | |
CN111861004B (zh) | 日收入产量的自动佣金预测方法、系统、设备及存储介质 | |
CN109523296B (zh) | 用户行为概率分析方法及装置、电子设备、存储介质 | |
JP2020013229A (ja) | 債務不履行確率を算出する装置、方法及びそのためのプログラム | |
CN111210110A (zh) | 基于压力测试生成预防策略的方法、装置和电子设备 | |
CN113988914A (zh) | 一种用户价值预测方法、装置和电子设备 | |
CN112115316B (zh) | 一种分箱方法、装置、电子设备及存储介质 | |
CN114091570A (zh) | 业务处理系统方法、装置和电子设备 | |
CN113592263A (zh) | 基于动态资源归还增比的资源归还增量预测方法和装置 | |
CN113256070A (zh) | 基于电销转化率的承接线路分配方法、装置及电子设备 | |
US20210182696A1 (en) | Prediction of objective variable using models based on relevance of each model |
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 |