CN110796536A - 风险限额确定方法及装置 - Google Patents
风险限额确定方法及装置 Download PDFInfo
- Publication number
- CN110796536A CN110796536A CN201910972749.5A CN201910972749A CN110796536A CN 110796536 A CN110796536 A CN 110796536A CN 201910972749 A CN201910972749 A CN 201910972749A CN 110796536 A CN110796536 A CN 110796536A
- Authority
- CN
- China
- Prior art keywords
- customer
- client
- future
- income
- value
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种风险限额确定方法及装置,该方法包括:获取客户的基础数据,其中,所述基础数据包括:收入指标数据、劳动力指标数据以及行为指标数据;根据所述基础数据将客户分为多个客群;针对每个客群根据所述基础数据计算客群中各客户未来的无形资产价值以及有形资产价值;根据客户的收入指标数据、劳动力指标数据以及行为指标数据计算客户未来的违约概率,得到客户的限额风险调整系数;根据客户的无形资产价值、有形资产价值以及限额风险调整系数确定客户未来的风险限额。本发明解决了现有的风险限额仅从产品维度出发,难以把控客户的整体授予额度,无法准确的确定客户的风险限额的技术问题。
Description
技术领域
本发明涉及信贷领域,具体而言,涉及一种风险限额确定方法及装置。
背景技术
现代社会中,人的借贷行为越来越复杂,互联网时代的融资渠道也更加复杂,信贷风险管理的问题也是日益突出。而银行原有的风险限额都是从产品维度出发的,不是从客户维度的。从产品维度出发的风险限额难以把控客户的整体授予额度,难以准确的确定客户的风险限额,带来了较大的风险。传统银行在客户额度授信时往往只关注于客户当前的资产、工资收入、征信等信息,而忽略了客户的人力资本等无形资产,没有考虑客户未来价值的成长性。
发明内容
本发明为了解决上述问题中的至少一个,提供一种风险限额确定方法及装置。
为了实现上述目的,根据本发明的一个方面,提供了一种风险限额确定方法,该方法包括:
获取客户的基础数据,其中,所述基础数据包括:收入指标数据、劳动力指标数据以及行为指标数据;
根据所述基础数据将客户分为多个客群;
针对每个客群根据所述基础数据计算客群中各客户未来的无形资产价值以及有形资产价值,其中,所述无形资产价值包括:劳动收入未来价值和/或晋升的潜在收入成长;所述有形资产价值包括:金融资产的市场价值和/或有形资产带来的未来资产收入;
根据客户的收入指标数据、劳动力指标数据以及行为指标数据计算客户未来的违约概率,得到客户的限额风险调整系数;
根据客户的无形资产价值、有形资产价值以及限额风险调整系数确定客户未来的风险限额。
可选的,所述根据所述基础数据将客户分为多个客群,具体包括:
从所述基础数据中筛选出客户的收入的重要影响变量;
根据所述重要影响变量采用决策树模型或聚类算法将客户分为多个客群。
可选的,计算客户未来的无形资产价值,包括:
分别针对每个客群根据客群中各客户的劳动力指标数据和行为指标数据建立回归模型,预测客群中各客户的工资未来成长性参数;
根据客群中各客户的工资未来成长性参数确定客群对应的客户工资未来成长性参数;
根据客群中各客户的工资未来成长性参数计算客群对应的工资波动性参数;
根据客群对应的客户工资未来成长性参数、客群对应的工资波动性参数以及预设的金融机构的风险厌恶系数计算客群对应的客户收入成长性参数;
根据客群对应的客户收入成长性参数计算客群中各客户在未来S年内的劳动收入未来价值,其中,S为自然数。
可选的,计算客户未来的无形资产价值,包括:
分别针对每个客群根据客群中高管客户在劳动力指标数据和行为指标数据上的分布建立预测模型,预测客群中非高管客户的晋升高管概率;
根据所述晋升高管概率以及晋升高管后收入提升值计算客户在未来S年内的晋升的潜在收入成长,其中,S为自然数。
可选的,计算客户未来的有形资产价值,包括:
估算每个客群的客户管理的金融资产年平均收益率;
根据客户的当前金融资产以及所述金融资产年平均收益率计算未来S年客户的金融资产的市场价值,其中,S为自然数。
可选的,计算客户未来的有形资产价值,包括:
获取客户的有形资产数据以及有形资产价值收益数据;
根据所述有形资产数据以及所述有形资产价值收益数据计算未来S年客户的有形资产带来的未来资产收入,其中,S为自然数。
为了实现上述目的,根据本发明的另一方面,提供了一种风险限额确定装置,该装置包括:
指标数据获取单元,用于获取客户的基础数据,其中,所述基础数据包括:收入指标数据、劳动力指标数据以及行为指标数据;
客户分群单元,用于根据所述基础数据将客户分为多个客群;
无形资产评估单元,用于针对每个客群根据所述基础数据计算客群中各客户未来的无形资产价值,其中,所述无形资产价值包括:劳动收入未来价值和/或晋升的潜在收入成长;
有形资产评估单元,用于针对每个客群根据所述基础数据计算客群中各客户未来的有形资产价值,其中,所述有形资产价值包括:金融资产的市场价值和/或有形资产带来的未来资产收入;
风险评价单元,用于根据客户的收入指标数据、劳动力指标数据以及行为指标数据计算客户未来的违约概率,得到客户的限额风险调整系数;
风险限额评估单元,用于根据客户的无形资产价值、有形资产价值以及限额风险调整系数确定客户未来的风险限额。
可选的,所述客户分群单元包括:
变量筛选模块,用于从所述基础数据中筛选出客户的收入的重要影响变量;
分群计算模块,用于根据所述重要影响变量采用决策树模型或聚类算法将客户分为多个客群。
可选的,所述无形资产评估单元包括:
工资未来成长性计算模块,用于分别针对每个客群根据客群中各客户的劳动力指标数据和行为指标数据建立回归模型,预测客群中各客户的工资未来成长性参数;
客群工资未来成长性参数确定单元,用于根据客群中各客户的工资未来成长性参数确定客群对应的客户工资未来成长性参数;
客群工资波动性计算模块,用于根据客群中各客户的工资未来成长性参数计算客群对应的工资波动性参数;
收入成长性参数计算模块,用于根据客群对应的客户工资未来成长性参数、客群对应的工资波动性参数以及预设的金融机构的风险厌恶系数计算客群对应的客户收入成长性参数;
劳动收入未来价值计算模块,用于根据客群对应的客户收入成长性参数计算客群中各客户在未来S年内的劳动收入未来价值,其中,S为自然数。
可选的,所述无形资产评估单元包括:
晋升高管概率计算模块,用于分别针对每个客群根据客群中高管客户在劳动力指标数据和行为指标数据上的分布建立预测模型,预测客群中非高管客户的晋升高管概率;
晋升的潜在收入成长计算模块,用于根据所述晋升高管概率以及晋升高管后收入提升值计算客户在未来S年内的晋升的潜在收入成长,其中,S为自然数。
可选的,所述有形资产评估单元包括:
金融资产年平均收益率计算模块,用于估算每个客群的客户管理的金融资产年平均收益率;
金融资产的市场价值计算模块,用于根据客户的当前金融资产以及所述金融资产年平均收益率计算未来S年客户的金融资产的市场价值,其中,S为自然数。
可选的,所述有形资产评估单元包括:
有形资产信息获取模块,用于获取客户的有形资产数据以及有形资产价值收益数据;
有形资产带来的未来资产收入计算模块,用于根据所述有形资产数据以及所述有形资产价值收益数据计算未来S年客户的有形资产带来的未来资产收入,其中,S为自然数。
为了实现上述目的,根据本发明的另一方面,还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述风险限额确定方法中的步骤。
为了实现上述目的,根据本发明的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在计算机处理器中执行时实现上述风险限额确定方法中的步骤。
本发明的有益效果为:本发明实施例提出的风险限额确定方法,结合经济学和金融学理论,综合考虑客户的无形资产价值和有形资产的价值,对客户的收入未来价值进行测量,以评估客户可承担的最大客观债务总量。本发明实施例的风险限额确定方法不仅对金融机构预警风险客户、挖掘现有的潜在客户、全局管控风险额度有重要作用,同时,本发明实施例的风险限额确定方法评估的客户风险限额是跨金融机构的客户整体授信额度的天花板,对整个行业的额度授信管控有着指导意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本发明实施例风险限额确定方法的流程图;
图2是本发明实施例客户分群的流程图;
图3是本发明实施例计算客户劳动收入未来价值的流程图;
图4是本发明实施例计算客户晋升的潜在收入成长的流程图;
图5是本发明实施例计算客户金融资产的市场价值的流程图;
图6是本发明实施例计算客户有形资产带来的未来资产收入的流程图;
图7是本发明实施例风险限额确定装置的结构框图;
图8是本发明实施例客户分群单元的组成结构框图;
图9是本发明实施例无形资产评估单元的第一组成结构框图;
图10是本发明实施例无形资产评估单元的第二组成结构框图;
图11是本发明实施例有形资产评估单元的第一组成结构框图;
图12是本发明实施例有形资产评估单元的第二组成结构框图;
图13是本发明实施例计算机设备示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
图1是本发明实施例风险限额确定方法的流程图,如图1所示,本实施例的风险限额确定方法包括步骤S101至步骤S105。
步骤S101,获取客户的基础数据,其中,所述基础数据包括:收入指标数据、劳动力指标数据以及行为指标数据。
在本发明的可选实施例中,本步骤具体可以为:获取客户的基础数据,基础数据包括客户基础信息、银行内结算数据、信贷数据、投资理财数据等;根据基础数据构建风险限额指标体系:收入指标数据、劳动力指标数据、行为指标数据(包括跨期消费偏好、风险偏好、金融素养、自我控制力等指标),进而后续模型的计算都是基于指标体系进行。
在本发明实施例中,本步骤通过获取客户各个维度上的基础数据,并对数据进行清洗,去除异常值,得到客户的多维度特征的数据,例如收入指标数据、劳动力指标数据和行为指标数据等。
在本发明实施例中,收入指标数据可以包括:平均月工资收入、总金融资产(存款、股票等)、房屋价值、房屋的年租金收入等。劳动力指标数据可以包括:客户总工作年限、性别、婚姻状况、是否企业高管、学历、行业、地域、职业、职称、专业技术资格、居住状况、职务类型、年龄、现居住地等数据;行为指标数据可以包括:信用卡全额还款次数、信用卡逾期次数比率、违约情况等数据。
步骤S102,根据所述基础数据将客户分为多个客群。
本发明实施例的风险限额确定方法对客户的未来价值进行预测。在不可观测的个体差异性和不可控的外部环境因素影响下,基于有限的历史数据对特定客户的个人未来价值进行预测将会存在较大偏差,因此,本发明实施例通过对客户进行分群,再对每个客群的未来价值进行估计将有利于降低预测的偏差。在本发明实施例中,可以通过聚类算法、决策树等模型进行客户分群。
步骤S103,针对每个客群根据所述基础数据计算客群中各客户未来的无形资产价值以及有形资产价值,其中,所述无形资产价值包括:劳动收入未来价值和/或晋升的潜在收入成长;所述有形资产价值包括:金融资产的市场价值和/或有形资产带来的未来资产收入。
在本发明的实施例中,无形资产价值可以包括:客户的劳动收入未来价值以及客户的晋升的潜在收入成长。客户的劳动收入未来价值可以为根据客户的平均月工资收入(或年薪)、学历、总工作年限预测的客户未来S年的劳动收入价值。晋升的潜在收入成长可以为根据客户的工作年限、性别、学历、行业、地域等基础数据预测客户未来S年的晋升概率,进而根据晋升后的收入差以及晋升概率计算出的由晋升带来的收入增长。
在本发明的实施例中,有形资产价值包括:客户的金融资产的市场价值以及有形资产带来的未来资产收入。金融资产可以为客户的存款、股票、基金等,客户的金融资产的市场价值可以为估算客户未来S年金融资产的收益率,进而根据收益率计算出客户的金融资产未来S年的总价值,即金融资产的市场价值。有形资产带来的未来资产收入可以为根据客户的房屋价值以及租售比估算的客户的房屋租金带来的收入。
步骤S104,根据客户的收入指标数据、劳动力指标数据以及行为指标数据计算客户未来的违约概率,得到客户的限额风险调整系数。
在本发明实施例中,本步骤中可以根据现有技术的方法根据客户的违约情况等行为指标数据建立客户的风险画像,从而预测客户未来S年的违约概率,S为自然数。
步骤S105,根据客户的无形资产价值、有形资产价值以及限额风险调整系数确定客户未来的风险限额。
在本发明的可选实施例中,客户未来的风险限额等于客户的无形资产价值和有形资产价值的总和与限额风险调整系数的乘积。
由以上描述可以看出,本发明实施例提出的风险限额确定方法,结合经济学和金融学理论,综合考虑客户的无形资产价值和有形资产的价值,对客户的收入未来价值进行测量,以评估客户可承担的最大客观债务总量。本发明实施例确定的客户的风险限额不仅对金融机构预警风险客户、挖掘现有的潜在客户、全局管控风险额度有重要作用,同时,本发明实施例的风险限额确定方法评估的客户风险限额是跨金融机构的客户整体授信额度的天花板,对整个行业的额度授信管控有着指导意义。
图2是本发明实施例客户分群的流程图,如图2所示,上述步骤S102的根据所述基础数据将客户分为多个客群,具体可以包括步骤S201和步骤S202。
步骤S201,从所述基础数据中筛选出客户的收入的重要影响变量。
在本发明实施例中,为了以及提高后续模型的可解释性和预测精度、降低计算量,需要对各指标的基础数据进行筛选,寻找对客户收入具有解释性的自变量子集。在本发明实施例中可以采用Lasso模型来进行基础数据的筛选,本发明的实施例选取了重要性排名靠前的多个变量,包括工作年限、行业、地域、学历、出生地域、以及客户的违约情况等行为变量。在本发明的其他可选实施例中,还可以利用其他回归模型以及机器学习算法对客户收入进行回归分析,确定不同变量的重要性,选择较为重要的影响变量,例如线性回归、XGBoost、岭回归、SVM、随机森林、AdaBoost、决策树以及DNN等深度学习神经网络等方法进行重要性预测与筛选。
步骤S202,根据所述重要影响变量采用决策树模型或聚类算法将客户分为多个客群。
在本发明实施例中,本步骤通过筛选出的重要影响变量对客户进行分群,本实施例中利用决策树模型将客户收入变化规律较为一致的客户分在一组,此外也可采用聚类等算法来进行分群。
图3是本发明实施例计算客户劳动收入未来价值的流程图,如图3所示,在本发明实施例中,计算客户劳动收入未来价值具体可以包括步骤S301至步骤S305。
步骤S301,分别针对每个客群根据客群中各客户的劳动力指标数据和行为指标数据建立回归模型,预测客群中各客户的工资未来成长性参数。
在本发明的实施例中,由于在对客户分群时将客户的学历作为其中一个分类变量,因此分群后的每个客群中的客户的学历对收入的影响可以看作近似相同。因此,在本发明实施例中,可以根据客户的劳动力指标数据(如工作年限)以及客户的信用卡全额还款次数、信用卡逾期次数比率、违约情况等行为指标数据作为关键变量,针对每个客群建立回归模型预测客群c中客户i的工资未来成长性参数ηci。在本发明的可选实施例中,上述用户预测客户工资未来成长性的回归模型可以在经济学家Jacob Mincer于1974年提出的人力资本收入模型(Mincer,1974)为基础进行拓展建立。
在本发明的可选实施例中,对每个客群的收入预测模型可采用不同的回归模型,如xgboost、Lasso、岭回归、SVM、随机森林、AdaBoost、决策树以及DNN等深度学习神经网络等方法。
步骤S302,根据客群中各客户的工资未来成长性参数确定客群对应的客户工资未来成长性参数。
在本发明的可选实施例中,可以将客群中各客户的工资未来成长性参数的中位数作为客群对应的客户工资未来成长性参数,采用中位数作为客群对应的客户工资未来成长性参数可以增加模型鲁棒性,减少某些客户异常值的影响。在本发明的其他可选实施例中,也可以将客群中各客户的工资未来成长性参数的均值、众数等作为客群对应的客户工资未来成长性参数。
步骤S303,根据客群中各客户的工资未来成长性参数计算客群对应的工资波动性参数。
步骤S304,根据客群对应的客户工资未来成长性参数、客群对应的工资波动性参数以及预设的金融机构的风险厌恶系数计算客群对应的客户收入成长性参数gc。
在本发明实施例中,考虑银行或是金融机构本身的风险厌恶系数λ,根据确定性等价原理,经过风险调整后的客群c对应的客户收入成长性参数gc可以为:
其中,ηc为客群c对应的客户工资未来成长性参数。
步骤S305,根据客群对应的客户收入成长性参数计算客群中各客户在未来S年内的劳动收入未来价值,其中,S为自然数。
在本发明实施例中,客群c中客户i在未来S年内的劳动收入未来价值Ai可以通过以下公式计算得出:
其中,Ni为客户i的当前收入基数,例如当前年收入。
图4是本发明实施例计算客户晋升的潜在收入成长的流程图,如图4所示,在本发明实施例中,计算客户晋升的潜在收入成长具体可以包括步骤S401至步骤S402。
步骤S401,分别针对每个客群根据客群中高管客户在劳动力指标数据和行为指标数据上的分布建立预测模型,预测客群中非高管客户的晋升高管概率。
在本发明的其他可选实施例中,也可以针对每个客群建立高管用户的样本集合,高管用户的样本集合中包括用户的工作年限、性别、学历、行业、地域等劳动力指标。进而根据高管用户的样本集合以及同一客群中非高管用户的劳动力指标估算出非高管用户晋升高管的概率。在本发明的实施例中,可以采用EM算法建立本步骤的预测模型。
步骤S402,根据所述晋升高管概率以及晋升高管后收入提升值计算客户在未来S年内的晋升的潜在收入成长,其中,S为自然数。
图5是本发明实施例计算客户金融资产的市场价值的流程图,如图5所示,在本发明实施例中,计算客户金融资产的市场价值具体可以包括步骤S501至步骤S502。
步骤S501,估算每个客群的客户管理的金融资产年平均收益率。
在本发明实施例中,本步骤可以基于客户的劳动力指标数据与金融素养等行为指标数据,同时考虑宏观市场环境构建回归模型,估计客户的投资能力,估算出客户管理的金融资产的年平均收益。
步骤S502,根据客户的当前金融资产以及所述金融资产年平均收益率计算未来S年客户的金融资产的市场价值,其中,S为自然数。
在本发明的可选实施例中,可以统计各客群的客户近几年的平均金融资产年收益,进而计算出各客群对应的金融资产年平均收益率τ1,则未来S年客户i的金融资产的未来价值Ci为:
Ci=AUMi(1+τ1)S
其中,AUMi为客户i管理的总金融资产。
图6是本发明实施例计算客户有形资产带来的未来资产收入的流程图,如图6所示,在本发明实施例中,计算客户有形资产带来的未来资产收入具体可以包括步骤S601至步骤S602。
步骤S601,获取客户的有形资产数据以及有形资产价值收益数据。
在本发明的可选实施例中,客户的有形资产数据可以包括客户的房屋、土地、机器设备、厂房等有形资产。有形资产价值收益数据可以为房屋的租售比、土地的价值增长率、机器设备的收益数据、厂房的收益数据等。
步骤S602,根据所述有形资产数据以及所述有形资产价值收益数据计算未来S年客户的有形资产带来的未来资产收入,其中,S为自然数。
在本发明实施例中,本步骤先获取客户的有形资产的价值数据,例如房屋价值、土地价值等,进而根据客户的有形资产的价值数据、有形资产价值收益数据(房屋的租售比、土地的价值增长率、机器设备的收益数据、厂房的收益数据等)计算出未来S年客户的有形资产带来的未来资产收入。
以客户的房屋为例,本步骤从客户的基础数据中获取客户的房屋价值。在本发明的可选实施例中,租售比数据可以来源于市场数据,不同城市、区域租售比各异。在租售比为τ2的情况下,未来S年客户i的有形资产带来的未来资产收入Di为:
Di=HOUSEi×τ2×S
其中,HOUSEi为客户的房屋价值。
在本发明的可选实施例中,在通过上述方法计算出客户i的劳动收入未来价值Ai、晋升的潜在收入成长Bi、金融资产的未来价值Ci以及有形资产带来的未来资产收入Di之后,上述步骤S105的确定客户未来的风险限额具体可以通过以下公式计算得出:
Mi=(Ai+Bi+Ci+Di)×Ti
其中,Mi为客户i未来S年的风险限额,Ti为客户i的限额风险调整系数。
由以上实施例可以看出,本发明实施例的风险限额确定方法至少实现了以下有益效果:
本发明提出的风险限额确定方法从劳动经济学、行为经济学、金融学角度出发,结合人力资本理论、行为认知理论和风险偏好理论,科学、客观地计算客户的无形资产的现金流价值与有形资产的市场价值,评估客户未来可承担的债务总量,给出了客户可给与的信贷额度上限。与传统产品级的信贷风险管理不同,本发明从客户角度出发,针对不同地域、行业、金融机构的特点和风险偏好,动态地对模型进行调整,强化了零售客户风险管理,全面实现了客户风险总量控制,完善了限额管理,规范了限额管控流程。一方面对授信额度接近或超过模型预估风险限额的现有客户发出额度预警,提示可能发生的风险;另一方面,对授信额度远未达到模型预估风险限额的现有客户发出潜力提示,提示潜在的可发展业务的客户。同时,该系统对新入客户可根据客户的基础数据计算其可授予额度上限,给与了信贷额度的指导意见。且本系统可输出金融机构目前不同产品额度占比,以及潜在可释放的额度余量,统筹规划金融机构不同类型信贷产品的额度分配,全局层面设定和管理客户的贷款额度。同时,该发明评估的客户风险限额是客户授信额度的天花板,是跨金融机构的客户总体限额,对整个行业的额度授信管控有着指导意义。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
基于同一发明构思,本发明实施例还提供了一种风险限额确定装置,可以用于实现上述实施例所描述的风险限额确定方法,如下面的实施例所述。由于风险限额确定装置解决问题的原理与风险限额确定方法相似,因此风险限额确定装置的实施例可以参见风险限额确定方法的实施例,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图7是本发明实施例风险限额确定装置的结构框图,如图7所示,本发明实施例风险限额确定装置包括:指标数据获取单元1、客户分群单元2、无形资产评估单元3、有形资产评估单元4、风险评价单元5和风险限额评估单元6。
指标数据获取单元1,用于获取客户的基础数据,其中,所述基础数据包括:收入指标数据、劳动力指标数据以及行为指标数据。
客户分群单元2,用于根据所述基础数据将客户分为多个客群。
无形资产评估单元3,用于针对每个客群根据所述基础数据计算客群中各客户未来的无形资产价值,其中,所述无形资产价值包括:劳动收入未来价值和/或晋升的潜在收入成长。
有形资产评估单元4,用于针对每个客群根据所述基础数据计算客群中各客户未来的有形资产价值,其中,所述有形资产价值包括:金融资产的市场价值和/或有形资产带来的未来资产收入。
风险评价单元5,用于根据客户的收入指标数据、劳动力指标数据以及行为指标数据计算客户未来的违约概率,得到客户的限额风险调整系数。
风险限额评估单元6,用于根据客户的无形资产价值、有形资产价值以及限额风险调整系数确定客户未来的风险限额。
图8是本发明实施例客户分群单元的组成结构框图,如图8所示,在本发明的实施例中,客户分群单元2包括:变量筛选模块201和分群计算模块202。
变量筛选模块201,用于从所述基础数据中筛选出客户的收入的重要影响变量。
分群计算模块202,用于根据所述重要影响变量采用决策树模型或聚类算法将客户分为多个客群。
图9是本发明实施例无形资产评估单元的第一组成结构框图,如图9所示,本发明的实施例的无形资产评估单元3包括:工资未来成长性计算模块301、客群工资未来成长性参数确定单元302、客群工资波动性计算模块303、收入成长性参数计算模块304和劳动收入未来价值计算模块305。
工资未来成长性计算模块301,用于分别针对每个客群根据客群中各客户的劳动力指标数据和行为指标数据建立回归模型,预测客群中各客户的工资未来成长性参数。
客群工资未来成长性参数确定单元302,用于根据客群中各客户的工资未来成长性参数确定客群对应的客户工资未来成长性参数。
客群工资波动性计算模块303,用于根据客群中各客户的工资未来成长性参数计算客群对应的工资波动性参数。
收入成长性参数计算模块304,用于根据客群对应的客户工资未来成长性参数、客群对应的工资波动性参数以及预设的金融机构的风险厌恶系数计算客群对应的客户收入成长性参数。
劳动收入未来价值计算模块305,用于根据客群对应的客户收入成长性参数计算客群中各客户在未来S年内的劳动收入未来价值,其中,S为自然数。
图10是本发明实施例无形资产评估单元的第二组成结构框图,如图10所示,本发明的实施例的无形资产评估单元3还包括:晋升高管概率计算模块306和晋升的潜在收入成长计算模块307。
晋升高管概率计算模块306,用于分别针对每个客群根据客群中高管客户在劳动力指标数据和行为指标数据上的分布建立预测模型,预测客群中非高管客户的晋升高管概率。
晋升的潜在收入成长计算模块307,用于根据所述晋升高管概率以及晋升高管后收入提升值计算客户在未来S年内的晋升的潜在收入成长,其中,S为自然数。
图11是本发明实施例有形资产评估单元的第一组成结构框图,如图11所示,本发明的实施例的有形资产评估单元4包括:金融资产年平均收益率计算模块401和金融资产的市场价值计算模块402。
金融资产年平均收益率计算模块401,用于估算每个客群的客户管理的金融资产年平均收益率。
金融资产的市场价值计算模块402,用于根据客户的当前金融资产以及所述金融资产年平均收益率计算未来S年客户的金融资产的市场价值,其中,S为自然数。
图12是本发明实施例有形资产评估单元的第二组成结构框图,如图12所示,本发明的实施例的有形资产评估单元4还包括:有形资产信息获取模块403和有形资产带来的未来资产收入计算模块404。
有形资产信息获取模块403,用于获取客户的有形资产数据以及有形资产价值收益数据。
有形资产带来的未来资产收入计算模块404,用于根据所述有形资产数据以及所述有形资产价值收益数据计算未来S年客户的有形资产带来的未来资产收入,其中,S为自然数。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机设备。如图13所示,该计算机设备包括存储器、处理器、通信接口以及通信总线,在存储器上存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例方法中的步骤。
处理器可以为中央处理器(Central Processing Unit,CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元,如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及作品数据处理,即实现上述方法实施例中的方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个单元存储在所述存储器中,当被所述处理器执行时,执行上述实施例中的方法。
上述计算机设备具体细节可以对应参阅上述实施例中对应的相关描述和效果进行理解,此处不再赘述。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在计算机处理器中执行时实现上述风险限额确定方法中的步骤。本领域技术人员可以理解,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,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.一种风险限额确定方法,其特征在于,包括:
获取客户的基础数据,其中,所述基础数据包括:收入指标数据、劳动力指标数据以及行为指标数据;
根据所述基础数据将客户分为多个客群;
针对每个客群根据所述基础数据计算客群中各客户未来的无形资产价值以及有形资产价值,其中,所述无形资产价值包括:劳动收入未来价值和/或晋升的潜在收入成长;所述有形资产价值包括:金融资产的市场价值和/或有形资产带来的未来资产收入;
根据客户的收入指标数据、劳动力指标数据以及行为指标数据计算客户未来的违约概率,得到客户的限额风险调整系数;
根据客户的无形资产价值、有形资产价值以及限额风险调整系数确定客户未来的风险限额。
2.根据权利要求1所述的风险限额确定方法,其特征在于,所述根据所述基础数据将客户分为多个客群,具体包括:
从所述基础数据中筛选出客户的收入的重要影响变量;
根据所述重要影响变量采用决策树模型或聚类算法将客户分为多个客群。
3.根据权利要求1所述的风险限额确定方法,其特征在于,计算客户未来的无形资产价值,包括:
分别针对每个客群根据客群中各客户的劳动力指标数据和行为指标数据建立回归模型,预测客群中各客户的工资未来成长性参数;
根据客群中各客户的工资未来成长性参数确定客群对应的客户工资未来成长性参数;
根据客群中各客户的工资未来成长性参数计算客群对应的工资波动性参数;
根据客群对应的客户工资未来成长性参数、客群对应的工资波动性参数以及预设的金融机构的风险厌恶系数计算客群对应的客户收入成长性参数;
根据客群对应的客户收入成长性参数计算客群中各客户在未来S年内的劳动收入未来价值,其中,S为自然数。
4.根据权利要求1所述的风险限额确定方法,其特征在于,计算客户未来的无形资产价值,包括:
分别针对每个客群根据客群中高管客户在劳动力指标数据和行为指标数据上的分布建立预测模型,预测客群中非高管客户的晋升高管概率;
根据所述晋升高管概率以及晋升高管后收入提升值计算客户在未来S年内的晋升的潜在收入成长,其中,S为自然数。
5.根据权利要求1所述的风险限额确定方法,其特征在于,计算客户未来的有形资产价值,包括:
估算每个客群的客户管理的金融资产年平均收益率;
根据客户的当前金融资产以及所述金融资产年平均收益率计算未来S年客户的金融资产的市场价值,其中,S为自然数。
6.根据权利要求1所述的风险限额确定方法,其特征在于,计算客户未来的有形资产价值,包括:
获取客户的有形资产数据以及有形资产价值收益数据;
根据所述有形资产数据以及所述有形资产价值收益数据计算未来S年客户的有形资产带来的未来资产收入,其中,S为自然数。
7.一种风险限额确定装置,其特征在于,包括:
指标数据获取单元,用于获取客户的基础数据,其中,所述基础数据包括:收入指标数据、劳动力指标数据以及行为指标数据;
客户分群单元,用于根据所述基础数据将客户分为多个客群;
无形资产评估单元,用于针对每个客群根据所述基础数据计算客群中各客户未来的无形资产价值,其中,所述无形资产价值包括:劳动收入未来价值和/或晋升的潜在收入成长;
有形资产评估单元,用于针对每个客群根据所述基础数据计算客群中各客户未来的有形资产价值,其中,所述有形资产价值包括:金融资产的市场价值和/或有形资产带来的未来资产收入;
风险评价单元,用于根据客户的收入指标数据、劳动力指标数据以及行为指标数据计算客户未来的违约概率,得到客户的限额风险调整系数;
风险限额评估单元,用于根据客户的无形资产价值、有形资产价值以及限额风险调整系数确定客户未来的风险限额。
8.根据权利要求7所述的风险限额确定装置,其特征在于,所述客户分群单元包括:
变量筛选模块,用于从所述基础数据中筛选出客户的收入的重要影响变量;
分群计算模块,用于根据所述重要影响变量采用决策树模型或聚类算法将客户分为多个客群。
9.根据权利要求7所述的风险限额确定装置,其特征在于,所述无形资产评估单元包括:
工资未来成长性计算模块,用于分别针对每个客群根据客群中各客户的劳动力指标数据和行为指标数据建立回归模型,预测客群中各客户的工资未来成长性参数;
客群工资未来成长性参数确定单元,用于根据客群中各客户的工资未来成长性参数确定客群对应的客户工资未来成长性参数;
客群工资波动性计算模块,用于根据客群中各客户的工资未来成长性参数计算客群对应的工资波动性参数;
收入成长性参数计算模块,用于根据客群对应的客户工资未来成长性参数、客群对应的工资波动性参数以及预设的金融机构的风险厌恶系数计算客群对应的客户收入成长性参数;
劳动收入未来价值计算模块,用于根据客群对应的客户收入成长性参数计算客群中各客户在未来S年内的劳动收入未来价值,其中,S为自然数。
10.根据权利要求7所述的风险限额确定装置,其特征在于,所述无形资产评估单元包括:
晋升高管概率计算模块,用于分别针对每个客群根据客群中高管客户在劳动力指标数据和行为指标数据上的分布建立预测模型,预测客群中非高管客户的晋升高管概率;
晋升的潜在收入成长计算模块,用于根据所述晋升高管概率以及晋升高管后收入提升值计算客户在未来S年内的晋升的潜在收入成长,其中,S为自然数。
11.根据权利要求7所述的风险限额确定装置,其特征在于,所述有形资产评估单元包括:
金融资产年平均收益率计算模块,用于估算每个客群的客户管理的金融资产年平均收益率;
金融资产的市场价值计算模块,用于根据客户的当前金融资产以及所述金融资产年平均收益率计算未来S年客户的金融资产的市场价值,其中,S为自然数。
12.根据权利要求7所述的风险限额确定装置,其特征在于,所述有形资产评估单元包括:
有形资产信息获取模块,用于获取客户的有形资产数据以及有形资产价值收益数据;
有形资产带来的未来资产收入计算模块,用于根据所述有形资产数据以及所述有形资产价值收益数据计算未来S年客户的有形资产带来的未来资产收入,其中,S为自然数。
13.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,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任一项方法中的步骤。
14.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序在计算机处理器中执行时实现如权利要求1至6任意一项方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910972749.5A CN110796536A (zh) | 2019-10-14 | 2019-10-14 | 风险限额确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910972749.5A CN110796536A (zh) | 2019-10-14 | 2019-10-14 | 风险限额确定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110796536A true CN110796536A (zh) | 2020-02-14 |
Family
ID=69439104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910972749.5A Pending CN110796536A (zh) | 2019-10-14 | 2019-10-14 | 风险限额确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796536A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598244A (zh) * | 2020-12-15 | 2021-04-02 | 深圳前海微众银行股份有限公司 | 风险收益的管理方法、装置、系统及计算机可读存储介质 |
CN113254510A (zh) * | 2021-07-06 | 2021-08-13 | 平安科技(深圳)有限公司 | 业务风险客群的识别方法、装置、设备及存储介质 |
-
2019
- 2019-10-14 CN CN201910972749.5A patent/CN110796536A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598244A (zh) * | 2020-12-15 | 2021-04-02 | 深圳前海微众银行股份有限公司 | 风险收益的管理方法、装置、系统及计算机可读存储介质 |
CN112598244B (zh) * | 2020-12-15 | 2024-04-16 | 深圳前海微众银行股份有限公司 | 风险收益的管理方法、装置、系统及计算机可读存储介质 |
CN113254510A (zh) * | 2021-07-06 | 2021-08-13 | 平安科技(深圳)有限公司 | 业务风险客群的识别方法、装置、设备及存储介质 |
CN113254510B (zh) * | 2021-07-06 | 2021-09-28 | 平安科技(深圳)有限公司 | 业务风险客群的识别方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Taber et al. | Estimation of a roy/search/compensating differential model of the labor market | |
Srivastava et al. | Intelligent employee retention system for attrition rate analysis and churn prediction: An ensemble machine learning and multi-criteria decision-making approach | |
Bleichrodt et al. | A parameter-free elicitation of the probability weighting function in medical decision analysis | |
EP2506207A1 (en) | Computer system, computer-implemented method and computer program product for managing operations of a system | |
Art Chaovalitwongse et al. | Data mining framework to optimize the bid selection policy for competitively bid highway construction projects | |
CN111105266B (zh) | 基于改进决策树的客户分群方法及装置 | |
Bouchouicha et al. | Gender effects for loss aversion: Yes, no, maybe? | |
US20220028001A1 (en) | Wealth management systems | |
US20200356865A1 (en) | System and method for decision-making using a weighted comparison | |
Hernes et al. | Application of the consensus method in a multiagent financial decision support system | |
Bertelli et al. | Perceiving credible commitments: How independent regulators shape elite perceptions of regulatory quality | |
US20130166459A1 (en) | Invention valuation and scoring system | |
Daniels et al. | The impact of the gig-economy on financial hardship among low-income families | |
Chowdhury et al. | Applicability of Prediction Techniques in the Stock Market-A Chittagong Stock Exchange Perspective | |
Romano et al. | Governance, strategy and efficiency of water utilities: the Italian case | |
CN110796536A (zh) | 风险限额确定方法及装置 | |
Song et al. | Improving insurers’ loss reserve error prediction: Adopting combined unsupervised-supervised machine learning techniques in risk management | |
Wu et al. | Project portfolio selection considering uncertainty: stochastic dominance-based fuzzy ranking | |
Ilin et al. | Approach to the choice of Big Data processing methods in financial sector companies | |
CA2890823A1 (en) | Method and system for generating compliance data | |
Dellaportas et al. | Modelling volatility asymmetries: a Bayesian analysis of a class of tree structured multivariate GARCH models | |
Ceritoğlu | Self-insurance and consumption risk-sharing between birth-year cohorts in Turkey | |
Bulinskaya et al. | Asymptotic behavior of the processes describing some insurance models | |
Panagiotopoulos | Optimising time series forecasts through linear programming | |
Dwarakanath et al. | Optimal Stopping with Gaussian Processes |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220923 Address after: 12 / F, 15 / F, 99 Yincheng Road, Pudong New Area pilot Free Trade Zone, Shanghai, 200120 Applicant after: Jianxin Financial Science and Technology Co.,Ltd. Address before: 25 Financial Street, Xicheng District, Beijing 100033 Applicant before: CHINA CONSTRUCTION BANK Corp. Applicant before: Jianxin Financial Science and Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right |