CN111144627A - 用户逾期还款预测方法、装置及电子设备 - Google Patents
用户逾期还款预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111144627A CN111144627A CN201911271317.8A CN201911271317A CN111144627A CN 111144627 A CN111144627 A CN 111144627A CN 201911271317 A CN201911271317 A CN 201911271317A CN 111144627 A CN111144627 A CN 111144627A
- Authority
- CN
- China
- Prior art keywords
- user
- arrearage
- determining
- data
- amount
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000009826 distribution Methods 0.000 claims abstract description 91
- 238000003860 storage Methods 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Abstract
本公开涉及一种用户逾期还款预测方法、装置、电子设备及计算机可读介质。该方法包括:获取目标用户的用户数据和其对应的欠款金额、欠款时间;确定调节参数和坏账率;根据所述用户数据确定其对应的信用评分;以及基于所述欠款金额、所述调节参数、所述坏账率、所述信用评分确定所述目标用户逾期还款的欠款日期分布和欠款金额分布。本公开涉及的用户逾期还款预测方法、装置、电子设备及计算机可读介质,能够筛选出可能逾期用户数量及逾期金额,推算出未来每日逾期高峰和低谷,为贷后管理提供数据上的参考依据,更合理的安排贷后管理相关资源。
Description
技术领域
本公开涉及计算机信息处理领域,具体而言,涉及一种用户逾期还款预测方法、装置、电子设备及计算机可读介质。
背景技术
金融资源是指金融领域中关于金融服务主体与客体的结构、数量、规模、分布及其效应和相互作用关系的一系列对象的总和或集合体,在生产和生活中,只有金融资源配置有效率,才能实现金融和经济可持续发展。对于提供互联网金融服务的公司而言,金融资源可以为资金的总额度,或者等同于资金的资产的额度等等。对于提供互联网金融服务的公司而言,金融资产中的一部分可用来给个人用户提供金融服务,还有一部分可以给其他的企业用户提供金融服务,其他部分可用来投入到本公司的发展中去,或者进行其他的金融相关的业务。
对于互联网金融服务的公司而言,由于总体的金融资源在一个相对固定的时间是有限的,而如何在不同的业务中合理的进行金融资源的分配就尤为重要。对于互联网金融服务公司所服务的企业级用户或者其他金融相关的业务而言,其需要占用金融资源的时间和周期一般是通过事先计划审批才能够获准的,比较有利于统筹安排其金融资源的分配。对于个人用户而言,由于个人用户的个体差异性,互联网金融服务公司几乎无法事先预知个人用户的金融资源需求的计划和时间,更加无法得知用户逾期还款的情况,如何合理掌握上述情况,进而合理调配资源分布是亟待解决的难题。
因此,需要一种新的用户逾期还款预测方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本公开提供一种用户逾期还款预测方法、装置、电子设备及计算机可读介质,能够筛选出可能逾期用户数量及逾期金额,推算出未来每日逾期高峰和低谷,为贷后管理提供数据上的参考依据,更合理的安排贷后管理相关资源。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一方面,提出一种用户逾期还款预测方法,该方法包括:获取目标用户的用户数据和其对应的欠款金额、欠款时间;确定调节参数和坏账率;根据所述用户数据确定其对应的信用评分;以及基于所述欠款金额、所述调节参数、所述坏账率、所述信用评分确定所述目标用户逾期还款的欠款日期分布和欠款金额分布。
可选地,还包括:获取预定日期的所有目标用户的欠款日期分布和欠款金额;以及基于所述所有目标用户的欠款日期分布和欠款金额对金融资源的流动性进行预测。
可选地,获取目标用户的用户数据和其对应的欠款金额、欠款时间,包括:在用户的欠款状态为逾期状态,且还款方式为非分期还款时;将所述用户确定为所述目标用户。
可选地,确定调节参数和坏账率,包括:通过历史数据和数学拟合计算确定所述调节参数和坏账率。
可选地,根据所述用户数据确定其对应的信用评分,包括:将所述用户数据输入用户信用评估模型中以生成信用评估参数;获取所述目标用户的历史欠款数据;获取所述目标用户的历史还款数据;以及通过所述信用评估参数、所述历史欠款数据、所述历史还款数据生成所述信用评分;其中,所述用户信用评估模型是通过机器学习模型生成。
可选地,基于所述欠款金额、所述调节参数、所述坏账率、所述信用评分确定所述目标用户逾期还款的欠款日期分布和欠款金额分布,包括:基于所述调节参数、所述信用评分、坏账率确定所述目标用户欠款的概率分布,所述概率分布表示了用户在时间序列上的欠款概率分布;以及基于所述欠款金额、所述信用评分确定所述目标用户的欠款金额分布。
可选地,所述欠款日期分布,包括:
Xi={xi,T,xi,T+1,xi,T+2……xi,T+30,bi}
Xi为欠款概率分布、xi,T为i用户在T日欠款的概率,bi为坏账率。
可选地,所述欠款金额分布,包括:
Yi=QaXi=Qa{xi,T,xi,T+1,xi,T+2……xi,T+n}
Yi为欠款金额分布、xi,T为i用户在T日欠款的概率,α为用户欠款金额,Q为调节系数。
可选地,获取预定日期的所有目标用户的欠款日期分布和欠款金额,包括:将逾期还款用户作为目标用户;获取多个目标用户的用户数据和其对应的欠款金额、欠款时间;确定所述多个目标用户的信用评分;以及基于所述多个目标的欠款金额、所述调节参数、所述信用评分确定所述目标用户的欠款日期分布和欠款金额分布。
可选地,基于所述所有目标用户的欠款日期分布和欠款金额对金融资源的流动性进行预测,包括:基于所述多个目标的欠款金额、所述调节参数、所述信用评分计算所述金融资源的在预定日期的欠款预测数据;获取预定日期的金融资源的借款预测数据;以及基于所述欠款预测数据和所述借款预测数据对所述金融资源的流动性进行预测。
根据本公开的一方面,提出一种用户逾期还款预测装置,该装置包括:数据模块,用于获取目标用户的用户数据和其对应的欠款金额、欠款时间;参数模块,用于确定调节参数;评分模块,用于根据所述用户数据确定其对应的信用评分;以及分布模块,用于基于所述欠款金额、所述调节参数、所述坏账率、所述信用评分确定所述目标用户逾期还款的欠款日期分布和欠款金额分布。
可选地,还包括:预测模块,用于获取预定日期的所有目标用户的欠款日期分布和欠款金额;以及基于所述所有目标用户的欠款日期分布和欠款金额对金融资源的流动性进行预测。
可选地,所述数据模块,包括:判断单元,用于在用户的欠款状态为逾期状态,且还款方式为非分期还款时;将所述用户确定为所述目标用户。
可选地,所述参数模块,还用于通过历史数据和数学拟合计算确定所述调节参数和坏账率。
可选地,所述评分模块,包括:模型单元,用于将所述用户数据输入用户信用评估模型中以生成信用评估参数;历史单元,用于获取所述目标用户的历史欠款数据;获取所述目标用户的历史还款数据;以及评分单元,用于通过所述信用评估参数、所述历史欠款数据、所述历史还款数据生成所述信用评分;其中,所述用户信用评估模型是通过机器学习模型生成。
可选地,所述分布模块,包括:概率单元,用于基于所述调节参数、所述信用评分确定所述目标用户欠款的概率分布,所述概率分布表示了用户在时间序列上的欠款概率分布;以及金额单元,用于基于所述欠款金额、所述信用评分确定所述目标用户的欠款金额分布。
可选地,所述欠款日期分布,包括:
Xi={xi,T,xi,T+1,xi,T+2……xi,T+30,bi}
Xi为欠款概率分布、xi,T为i用户在T日欠款的概率,bi为坏账率。
可选地,所述欠款金额分布,包括:
Yi=QaXi=Qa{xi,T,xi,T+1,xi,T+2……xi,T+n}
Yi为欠款金额分布、xi,T为i用户在T日欠款的概率,a为用户欠款金额。
可选地,所述预测模块,包括:计算单元,用于将逾期还款用户作为目标用户;获取多个目标用户的用户数据和其对应的欠款金额、欠款时间;确定所述多个目标用户的信用评分;以及基于所述多个目标的欠款金额、所述调节参数、所述信用评分确定所述目标用户的欠款日期分布和欠款金额分布。
可选地,所述预测模块,包括:预测单元,用于基于所述多个目标的欠款金额、所述调节参数、所述信用评分计算所述金融资源的在预定日期的欠款预测数据;获取预定日期的金融资源的借款预测数据;以及基于所述欠款预测数据和所述借款预测数据对所述金融资源的流动性进行预测。
根据本公开的一方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上文的方法。
根据本公开的一方面,提出一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上文中的方法。
根据本公开的用户逾期还款预测方法、装置、电子设备及计算机可读介质,获取目标用户的用户数据和其对应的欠款金额、欠款时间;确定调节参数和坏账率;根据所述用户数据确定其对应的信用评分;以及基于所述欠款金额、所述调节参数、所述坏账率、所述信用评分确定所述目标用户逾期还款的欠款日期分布和欠款金额分布的方式,能够筛选出可能逾期用户数量及逾期金额,推算出未来每日逾期高峰和低谷,为贷后管理提供数据上的参考依据,更合理的安排贷后管理相关资源。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例,本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例,对于本领域的普通技术人员来讲,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。
图1是根据一示例性实施例示出的一种用户逾期还款预测方法的流程图。
图2是根据另一示例性实施例示出的一种用户逾期还款预测方法的流程图。
图3是根据另一示例性实施例示出的一种用户逾期还款预测方法的流程图。
图4是根据一示例性实施例示出的一种用户逾期还款预测装置的框图。
图5是根据另一示例性实施例示出的一种用户逾期还款预测装置的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
图7是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本公开将全面和完整,并将示例实施例的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部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
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。
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。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本公开所必须的,因此不能用于限制本公开的保护范围。
图1是根据一示例性实施例示出的一种用户按期还款预测方法的流程图。用户按期还款预测方法10至少包括步骤S102至S108。
如图1所示,在S102中,获取目标用户的用户数据和其对应的欠款金额、欠款时间。包括:在用户的欠款时间为预设时间之前,且用户欠款状态为非分期状态时;将所述用户确定为所述目标用户。
在一个实施例中,可获取金融资源的占用状态、占用期限、占用对象;基于所述占用状态和占用期限由占用对象中筛选出所述多个目标用户。指的一提的是,目标占用对象可为用户,还可为其他金融机构、其他公司等等,本公开只关注用户部分的还款预测。
在一个实施例中,待预测15号的时候的现金流情况,则提取所有还款期限为15号的用户,将这些用户作为目标用户。
在S104中,确定调节参数和坏账率。可例如,确定用户构成系数;确定周度因素系数;确定月度因素系数;确定市场环境系数;以及确定运行行为系数。
在一个实施例中,可通过历史数据和数学拟合计算确定所述调节参数和坏账率。
设Y是实际逾期还款金额,a是应该按时还款金额,则有:
Y=F(a)=βa
那么T日的实际逾期还款金额YT可以表示为:
YT=βTaT
系数βT会受到逾期还款的用户构成、时间因素、市场行情因素、运营因素的影响,因此会将这些因素纳入到模型中进行调节。
逾期还款用户构成,主要看这群用户中经常逾期还款的用户占比,设其为C;
周度、月度都会对还款周期产生影响,因此需要设定周度因素WT和月度因素MT。周期因素采用均值比较进行估计,即:
WT=E(αT/(E(T-3,T+3)(αT));
MT=E(αT/(E(T-15,T+15)(αT));
其中,WT为所述周度因素系数,MT为所述月度因素系数,E为期望值,T为当前日期;αT为按时偿还数据。
用户的还款行为还会受到市场环境的影响,可设置系数为V;运营行为在一定程度上也会影响用户还款,可设置系数为O;
YT=CT MT WT VT OT βT aT。
aT为应按时还款金额,可以直接通过用户应还时间和金额计算得出,其余系数则通过历史数据进行拟合,还可通过YT进行后续日期的预测,可例如预测出Y(T+1)。
在S106中,根据所述用户数据确定其对应的信用评分。包括:将所述用户数据输入用户信用评估模型中以生成信用评估参数;获取所述目标用户的历史欠款数据;获取所述目标用户的历史还款数据;以及通过所述信用评估参数、所述历史欠款数据、所述历史还款数据生成所述信用评分;其中,所述用户信用评估模型是通过机器学习模型生成。
在S108中,基于所述欠款金额、所述调节参数、所述坏账率、所述信用评分确定所述目标用户逾期还款的欠款日期分布和欠款金额分布。包括:基于所述调节参数、所述信用评分、坏账率确定所述目标用户欠款的概率分布,所述概率分布表示了用户在时间序列上的欠款概率分布;以及基于所述欠款金额、所述信用评分确定所述目标用户的欠款金额分布。
设用户i在T日逾期还款的概率为x(i,T),其中T日大于正常还款截止日期,且逾期30日后为还账,设坏账概率为bi,则用户在一段时间内逾期还款的概率分布可以表示为:
Xi={xi,T,xi,T+1,xi,T+2……xi,T+30,bi}
Xi为欠款概率分布、xi,T为i用户在T日欠款的概率,bi为坏账率。
所述欠款金额分布,包括:
Yi=QaXi=Qa{xi,T,xi,T+1,xi,T+2……xi,T+n}
Q=CTMTWTVTOTβT
Yi为欠款金额分布、xi,T为i用户在T日欠款的概率,a为用户欠款金额,Q为调节系数。
根据本公开的用户逾期还款预测方法,获取目标用户的用户数据和其对应的欠款金额、欠款时间;确定调节参数和坏账率;根据所述用户数据确定其对应的信用评分;以及基于所述欠款金额、所述调节参数、所述坏账率、所述信用评分确定所述目标用户逾期还款的欠款日期分布和欠款金额分布的方式,能够筛选出可能逾期用户数量及逾期金额,推算出未来每日逾期高峰和低谷,为贷后管理提供数据上的参考依据,更合理的安排贷后管理相关资源。
应清楚地理解,本公开描述了如何形成和使用特定示例,但本公开的原理不限于这些示例的任何细节。相反,基于本公开公开的内容的教导,这些原理能够应用于许多其它实施例。
图2是根据另一示例性实施例示出的一种用户按期还款预测方法的流程图。图2所示的流程是对图1所示的流程中S106“根据所述用户数据确定其对应的信用评分”的详细描述。
如图2所示,在S202中,将所述用户数据输入用户信用评估模型中以生成信用评估参数。其中,所述用户信用评估模型是通过机器学习模型生成。
在S204中,获取所述目标用户的历史欠款数据。
在S206中,获取所述目标用户的历史还款数据。
在S208中,通过所述信用评估参数、所述历史欠款数据、所述历史还款数据生成所述信用评分。
根据用户信用评估数据,结合目标对象的个人历史还款特征,最终生成目标对象的信用特征,信用特征能够综合反映出用户逾期还款的概率。
图3是根据另一示例性实施例示出的一种用户按期还款预测方法的流程图。
如图3所示,在S302中,获取预定日期的所有目标用户的欠款日期分布和欠款金额。具体可包括:将逾期还款用户作为目标用户;获取多个目标用户的用户数据和其对应的欠款金额、欠款时间;确定所述多个目标用户的信用评分;以及基于所述多个目标的欠款金额、所述调节参数、所述信用评分确定所述目标用户的欠款日期分布和欠款金额分布。
在S304中,基于所述多个目标的欠款金额、所述调节参数、所述信用评分计算所述金融资源的在预定日期的欠款预测数据。
在S306中,获取预定日期的金融资源的借款预测数据。可例如,通过历史数据拟合得到预定日期的金融资源借款数据。
每日发生的借款现金流,可以认为是所有用户授信额度的函数,并且是一个简单的一次函数。令借款现金流为Y,授信额度为X,β为授信额转化为借款金额的比率(简称借款率),则:
Y=f(X)=βX
当天发生借款的用户,可以按其授信日期进行分类。设:
ya,b为b日授信用户,在a日的借款金额(a≥b),
xb为b日授信用户的授信金额,
βa,b即为b日授信用户在a日的借款率,
则有:ya,b=βa,bxb
那么T日的借款金额YT可以表示为:
即YT+1可表示为:
设时间周期因素变量为w,运营因素为o,风控调节因素为z,则借款率可以表示为:
其中fT+1(βT,b)表示对T+1借款率的ARIMA(差分整合移动平均自回归模型)模型预测值。
设当月设定的每日授信人数目标为p,则授信人数(金额)预测值可以表示为:
在S308中,基于所述欠款预测数据和所述借款预测数据对所述金融资源的流动性进行预测。
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CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图4是根据一示例性实施例示出的一种用户按期还款预测装置的框图。如图4所示,用户按期还款预测装置40包括:数据模块402,参数模块404,评分模块406,分布模块408,预测模块410。
数据模块402用于获取目标用户的用户数据和其对应的欠款金额、欠款时间;数据模块402包括:判断单元,用于在用户的欠款时间为预设时间之前,且用户欠款状态为非分期状态时;将所述用户确定为所述目标用户。
参数模块404用于确定调节参数和坏账率;调节参数,包括:用户构成系数;周度因素系数;月度因素系数;市场环境系数;以及运行行为系数。所述参数模块404还用于通过历史数据和数学拟合计算确定所述调节参数和坏账率。
评分模块406用于根据所述用户数据确定其对应的信用评分;所述评分模块406包括:模型单元,用于将所述用户数据输入用户信用评估模型中以生成信用评估参数;历史单元,用于获取所述目标用户的历史欠款数据;获取所述目标用户的历史还款数据;以及评分单元,用于通过所述信用评估参数、所述历史欠款数据、所述历史还款数据生成所述信用评分;其中,所述用户信用评估模型是通过机器学习模型生成。
分布模块408用于基于所述欠款金额、所述调节参数、所述坏账率、所述信用评分确定所述目标用户逾期还款的欠款日期分布和欠款金额分布。所述分布模块408包括:概率单元,用于基于所述调节参数、所述信用评分确定所述目标用户欠款的概率分布,所述概率分布表示了用户在时间序列上的欠款概率分布;以及金额单元,用于基于所述欠款金额、所述信用评分确定所述目标用户还款的金额分布。
所述欠款日期分布,包括:
Xi={xi,T,xi,T+1,xi,T+2……xi,T+n}
Xi为欠款概率分布、xi,T为i用户在T日欠款的概率。
所述欠款金额分布,包括:
Yi=QaXi=Qa{xi,T,xi,T+1,xi,T+2……xi,T+n}
Yi为欠款金额分布、xi,T为i用户在T日欠款的概率,a为用户欠款金额。
图5是根据另一示例性实施例示出的一种用户逾期还款预测装置的框图。用户逾期还款预测装置50在用户逾期还款预测装置40的基础上还包括:预测模块502。
预测模块502用于获取预定日期的所有目标用户的欠款日期分布和欠款金额;以及基于所述所有目标用户的欠款日期分布和欠款金额对金融资源的流动性进行预测。
所述预测模块502包括:计算单元,用于将预定日期的欠款用户作为目标用户;获取多个目标用户的用户数据和其对应的欠款金额、欠款时间;确定所述多个目标用户的信用评分;以及基于所述多个目标的欠款金额、所述调节参数、所述信用评分确定所述目标用户的欠款日期分布和欠款金额分布。预测单元,用于基于所述多个目标的欠款金额、所述调节参数、所述信用评分计算所述金融资源的在预定日期的欠款预测数据;获取预定日期的金融资源的借款预测数据;以及基于所述欠款预测数据和所述借款预测数据对所述金融资源的流动性进行预测。
根据本公开的用户逾期还款预测方法,获取目标用户的用户数据和其对应的欠款金额、欠款时间;确定调节参数和坏账率;根据所述用户数据确定其对应的信用评分;以及基于所述欠款金额、所述调节参数、所述坏账率、所述信用评分确定所述目标用户逾期还款的欠款日期分布和欠款金额分布的方式,能够筛选出可能逾期用户数量及逾期金额,推算出未来每日逾期高峰和低谷,为贷后管理提供数据上的参考依据,更合理的安排贷后管理相关资源。
图6是根据一示例性实施例示出的一种电子设备的框图。
下面参照图6来描述根据本公开的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640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610执行,使得所述处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1,图2,图3中所示的步骤。
所述存储单元620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)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205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630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600也可以与一个或多个外部设备600’(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600交互的设备通信,和/或与使得该电子设备600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650进行。并且,电子设备600还可以通过网络适配器650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650可以通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600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,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,如图7所示,根据本公开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非易失性存储介质(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)执行根据本公开实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。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公开操作的程序代码,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)。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如下功能:获取目标用户的用户数据和其对应的欠款金额、欠款时间;确定调节参数和坏账率;根据所述用户数据确定其对应的信用评分;以及基于所述欠款金额、所述调节参数、所述坏账率、所述信用评分确定所述目标用户逾期还款的欠款日期分布和欠款金额分布。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例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,根据本公开实施例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非易失性存储介质(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、移动终端、或者网络设备等)执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是,本公开不限于这里描述的详细结构、设置方式或实现方法;相反,本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (10)
1.一种用户逾期还款预测方法,其特征在于,包括:
获取目标用户的用户数据和其对应的欠款金额、欠款时间;
确定调节参数和坏账率;
根据所述用户数据确定其对应的信用评分;以及
基于所述欠款金额、所述调节参数、所述坏账率、所述信用评分确定所述目标用户逾期还款的欠款日期分布和欠款金额分布。
2.如权利要求1所述的方法,其特征在于,还包括:
获取预定日期的所有目标用户的欠款日期分布和欠款金额;以及
基于所述所有目标用户的欠款日期分布和欠款金额对金融资源的流动性进行预测。
3.如权利要求1-2所述的方法,其特征在于,获取目标用户的用户数据和其对应的欠款金额、欠款时间,包括:
在用户的欠款状态为逾期状态,且还款方式为非分期还款时;
将所述用户确定为所述目标用户。
4.如权利要求1-3所述的方法,其特征在于,确定调节参数和坏账率,包括:
通过历史数据和数学拟合计算确定所述调节参数和坏账率。
5.如权利要求1-4所述的方法,其特征在于,根据所述用户数据确定其对应的信用评分,包括:
将所述用户数据输入用户信用评估模型中以生成信用评估参数;
获取所述目标用户的历史欠款数据;
获取所述目标用户的历史还款数据;以及
通过所述信用评估参数、所述历史欠款数据、所述历史还款数据生成所述信用评分;
其中,所述用户信用评估模型是通过机器学习模型生成。
6.如权利要求1-5所述的方法,其特征在于,基于所述欠款金额、所述调节参数、所述坏账率、所述信用评分确定所述目标用户逾期还款的欠款日期分布和欠款金额分布,包括:
基于所述调节参数、所述信用评分、坏账率确定所述目标用户欠款的概率分布,所述概率分布表示了用户在时间序列上的欠款概率分布;以及
基于所述欠款金额、所述信用评分确定所述目标用户的欠款金额分布。
7.如权利要求1-6所述的方法,其特征在于,所述欠款日期分布,包括:
Xi={xi,T,xi,T+1,xi,T+2......xi,T+30,bi}
Xi为欠款概率分布、xi,T为i用户在T日欠款的概率,bi为坏账率。
8.一种用户还款预测装置,其特征在于,包括:
数据模块,用于获取目标用户的用户数据和其对应的欠款金额、欠款时间;
参数模块,用于确定调节参数和坏账率;
评分模块,用于根据所述用户数据确定其对应的信用评分;以及
分布模块,用于基于所述欠款金额、所述调节参数、所述坏账率、所述信用评分确定所述目标用户逾期还款的欠款日期分布和欠款金额分布。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911271317.8A CN111144627A (zh) | 2019-12-12 | 2019-12-12 | 用户逾期还款预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911271317.8A CN111144627A (zh) | 2019-12-12 | 2019-12-12 | 用户逾期还款预测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111144627A true CN111144627A (zh) | 2020-05-12 |
Family
ID=70518173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911271317.8A Pending CN111144627A (zh) | 2019-12-12 | 2019-12-12 | 用户逾期还款预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144627A (zh) |
Cited By (2)
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 |
CN113298635A (zh) * | 2021-04-28 | 2021-08-24 | 上海淇玥信息技术有限公司 | 基于tweedie分布的用户未归还资源数量预测方法和装置 |
-
2019
- 2019-12-12 CN CN201911271317.8A patent/CN111144627A/zh active Pending
Cited By (2)
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 |
CN113298635A (zh) * | 2021-04-28 | 2021-08-24 | 上海淇玥信息技术有限公司 | 基于tweedie分布的用户未归还资源数量预测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8706599B1 (en) | System and method of generating investment criteria for an investment vehicle that includes a pool of escrow deposits from a plurality of merger and acquisition transactions | |
AU2004244267B2 (en) | Customer revenue prediction method and system | |
US8355974B2 (en) | Account level liquidity charge determination | |
US20080189221A1 (en) | System and method for a risk management framework for headging mortality risk in portfolios having mortality-based exposure | |
US20150278950A1 (en) | Method and system for providing a decision support framework relating to financial trades | |
KR20040019378A (ko) | 재정 계획 및 자문 제공 시스템 및 방법 | |
US20170359233A1 (en) | Monitoring resource consumption based on fixed cost for threshold use and additional cost for use above the threshold | |
CN111178692A (zh) | 资源使用数量预估方法、装置及电子设备 | |
US20230111785A1 (en) | Machine-learning techniques to generate recommendations for risk mitigation | |
CN111967954A (zh) | 一种资源归还增比确定方法、装置和电子设备 | |
US20130013506A1 (en) | Variable Service Fee For Overdraft Protection | |
CN112017042A (zh) | 基于tweedie分布的资源配额确定方法、装置和电子设备 | |
CN111144627A (zh) | 用户逾期还款预测方法、装置及电子设备 | |
US20110125623A1 (en) | Account level cost of funds determination | |
CN111199472A (zh) | 金融资源的流动性预测方法、装置及电子设备 | |
Boloș et al. | Developing an adaptive fuzzy controller for risk management of company cash flow | |
CN111242767A (zh) | 用户按期还款预测方法、装置及电子设备 | |
Liu et al. | A Markov decision model for consumer term-loan collections | |
CN111178592A (zh) | 资源的逾期占用预测方法、装置及电子设备 | |
CN116091242A (zh) | 推荐产品组合生成方法及装置、电子设备和存储介质 | |
CN113469818B (zh) | 投资风险预警方法、装置、电子设备及计算机可读介质 | |
US8595114B2 (en) | Account level interchange effectiveness determination | |
CN110909294A (zh) | 数据处理的方法和装置 | |
CN111652614A (zh) | 数据处理系统、数据处理方法及装置 | |
Curnow et al. | Automating credit and collections decisions at AT&T Capital Corporation |
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 | ||
CB02 | Change of applicant information |
Country or region after: China Address after: Room 1109, No. 4, Lane 800, Tongpu Road, Putuo District, Shanghai, 200062 Applicant after: Shanghai Qiyue Information Technology Co.,Ltd. Address before: Room a2-8914, 58 Fumin Branch Road, Hengsha Township, Chongming District, Shanghai, 201500 Applicant before: Shanghai Qiyue Information Technology Co.,Ltd. Country or region before: China |
|
CB02 | Change of applicant information |