CN111192131A - 金融风险预测方法、装置和电子设备 - Google Patents
金融风险预测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111192131A CN111192131A CN201911271327.1A CN201911271327A CN111192131A CN 111192131 A CN111192131 A CN 111192131A CN 201911271327 A CN201911271327 A CN 201911271327A CN 111192131 A CN111192131 A CN 111192131A
- Authority
- CN
- China
- Prior art keywords
- overdue
- bad
- account
- user
- target user
- 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
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000006399 behavior Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research 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
- 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"
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Abstract
本发明提供了一种金融风险预测方法、装置和电子设备。所述风险预测方法包括：获取历史用户的特征信息和还款行为信息；建立预测模型，使用历史用户的特征信息、逾期和/或坏账信息训练所述预测模型；获取各目标用户的特征信息并输入所述预测模型，利用该预测模型计算各目标用户的逾期和/或坏账概率；基于各目标用户的所述逾期和/或坏账概率计算预测的总贷款余额。本发明的金融风险预测方法，使用方便，应用广泛，该方法能够更准确地计算预测贷款余额，从而提高了风险预测的准确性。
Description
技术领域
本发明涉及计算机信息处理领域，具体而言，涉及一种基于还款行为的金融风险预测方法、装置和电子设备。
背景技术
随着用户需求变化，因为用户分散且无需抵押，金融市场中互联网络借贷平台的用户坏账风险比传统信用市场更高，因此，在有限的借款人信息提供条件下，信用风险评估对于网络借贷平台和投资人而言就变得极为重要。
在相关技术中，通常依据借款人的个人相关信息、款项信息以及借款人的社会资本特征等指标，对借款人的坏账风险进行评估。但借款人的还款过程有逾期和坏账两个阶段，而现有研究主要集中基于款项层面来评测借款人的坏账风险，不考虑借款人的逾期行为，即便考虑，也是将逾期看成是坏账预测的一个影响因素，导致借贷信用风险评估具有一定的片面性，风险评估的准确性有待进一步提高。
此外，在相关技术中，公开了一种基于用户登录行为分析的风控方法，该方法通过用户登录行为建立并融合用户按键风险识别、用户登录地风险识别、密码重试风险识别、设备来源风险识别四种模型，来获得风险预警值。
此外，现有技术中，对于金融机构的贷款余额(即贷款总量)，通常仅简单的统计所有用户未还的贷款金额。但是，实际上部分贷款是会逾期的，并且少部分可能成为坏账，逾期和坏账的贷款余额属于不健康的余额。因此，上述方法不能有效反应出健康的贷款余额状况。
因此，有必要提供一种更为准确的金融风险预测方法。
发明内容
为了解决上述问题，本发明提供了一种基于总贷款余额预测的金融风险预测方法，包括：获取历史用户的特征信息和还款行为信息；建立预测模型，使用历史用户的特征信息、逾期和/或坏账信息训练所述预测模型；获取各目标用户的特征信息并输入所述预测模型，利用该预测模型计算各目标用户的逾期和/或坏账概率；基于各目标用户的所述逾期和/或坏账概率计算预测的总贷款余额。
优选地，所述基于各目标用户的所述逾期和/或坏账概率计算预测的总贷款余额包括：用总贷款额减去实际已逾期和/或坏账的用户余额，再减去逾期和/或坏账概率大于预定阈值的目标用户的贷款余额。
优选地，还包括：当预测的总贷款余额少于临界值时进行预警。
优选地，基于各目标用户的所述逾期和/或坏账概率计算预测的总贷款余额包括：将连续时间段内的存量用户作为目标用户，计算连续时间段内的预测的总贷款余额，并计算预测的总贷款余额的变化趋势，当所述变化趋势超过预定范围时进行报警。
优选地，所述金融风险预测方法还包括设置预定阈值，所述预定阈值包括逾期预定阈值和坏账预定阈值，所述逾期预定阈值由有逾期记录、逾期时间、逾期次数、有催收记录、有逾期后还款记录、有拒贷记录中的至少一个信息数据确定。
优选地，所述坏账预定阈值由有坏账记录、坏账次数、有催收记录、有拒贷记录、有坏账后还款记录中的至少一个信息数据确定。
此外，本发明还提供了一种金融风险预测装置，包括：数据获取模块，其用于获取历史用户的特征信息和还款行为信息；训练模块，建立预测模型，使用历史用户的特征信息、逾期和/或坏账信息训练所述预测模型；第一计算模块，其用于获取各目标用户的特征信息并输入所述预测模型，利用该预测模型计算各目标用户的逾期和/或坏账概率；第二计算模块，其用于基于各目标用户的所述逾期和/或坏账概率计算预测的总贷款余额。
优选地，所述第二计算模块还包括：用总贷款额减去实际已逾期和/或坏账的用户余额，再减去逾期和/或坏账概率大于预定阈值的目标用户的贷款余额。
优选地，所述金融风险预测装置还包括预警模块，所述预警模块用于当预测的总贷款余额少于临界值时进行预警
优选地，所述金融风险预测装置还包括预警模块，所述预警模块用于将连续时间段内的存量用户作为目标用户，计算连续时间段内的预测的总贷款余额，并计算预测的总贷款余额的变化趋势，当所述变化趋势超过预定范围时进行报警。
优选地，所述金融风险预测方法还包括设置预定阈值，所述预定阈值包括逾期预定阈值和坏账预定阈值，所述逾期预定阈值由有逾期记录、逾期时间、逾期次数、有催收记录、有逾期后还款记录、有拒贷记录中的至少一个信息数据确定。
优选地，所述坏账预定阈值由有坏账记录、坏账次数、有催收记录、有拒贷记录、有坏账后还款记录中的至少一个信息数据确定。
此外，本发明还提供了一种电子设备，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本发明所述的金融风险预测方法。
此外，本发明还提供了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，实现本发明所述的金融风险预测方法。
有益效果
与现有技术相比，本发明的金融风险预测方法使用方便，应用广泛，特别适用于预测金融机构的贷款余额，能够有效地区分贷款余额所表示的健康程度；使用上述实际逾期或坏账的用户余额和预测的逾期或坏账的用户余额进行组合计算，能够更有效反应金融机构的贷款余额的情况，并且能更准确地计算预测贷款余额，从而提高了风险预测的准确性。
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本发明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1是本发明的基于总贷款余额预测的金融风险预测方法的一示例的流程图。
图2是示出了本发明的风险预测方法中计算过程的示意图。
图3是本发明的基于总贷款余额预测的金融风险预测方法的另一示例的流程图。
图4是本发明的金融风险预测装置的一示例的示意图。
图5是本发明的金融风险预测装置的另一示例的示意图。
图6是本发明的金融风险预测装置的又一示例的示意图。
图7是根据本发明的一种电子设备的示例性实施例的结构框图。
图8是根据本发明的计算机可读介质的示例性实施例的结构框图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被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能够使得本发明更加全面和完整，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，因而将省略对它们的重复描述。
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特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
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。
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。
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，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“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。
实施例1
为了进一步提高风险预测的准确性，本发明通过建立预测模型，对可能逾期或者可能成为坏账的用户进行预测，并且计算了这部分用户的预测贷款余额；通过获取用户的特征信息和还款行为信息，提取实际已逾期的用户和已坏账的用户的信息数据，计算已逾期用户和已坏账用户的实际贷款余额，本发明对贷款余额的预测是通过使用预测贷款余额和实际贷款余额组合的计算方式来计算金融机构的预测贷款余额，因此，计算的预测贷款余额更准确，并且提高了风险预测的准确性，还能够通过风险预测值与预定阈值的比较反馈给金融机构或者其他贷款机构提供预警信息，具体方案如下。
下面，将参照图1至图3描述本发明的基于总贷款余额预测的金融风险预测方法。
图1为本发明的基于总贷款余额预测的金融风险预测方法的流程图。如图1所示，一种总贷款余额预测的金融风险预测方法，该风险预测方法包括如下步骤。
步骤S101，获取历史用户的特征信息和还款行为信息。
步骤S102，建立预测模型，使用历史用户的特征信息、逾期和/或坏账信息训练所述预测模型。
步骤S103，获取各目标用户的特征信息并输入所述预测模型，利用该预测模型计算各目标用户的逾期和/或坏账概率。
步骤S104，基于各目标用户的所述逾期概率和/或坏账概率计算预测的总贷款余额。
首先，说明步骤S101。在步骤S101中，例如从第三方网站或者信贷数据库获取历史用户(历史借款人)的特征信息和还款行为信息。
具体地，历史用户的特征信息例如包括年龄、地域、性别、婚姻状况、收入和负债信息等。上述这些特征信息可以基于用户注册贷款平台时的注册信息获取。
在本实施例中，还款行为信息包括历史各期的还款状态信息和历史还款统计信息中至少一项。其中，还款状态信息例如包括逾期信和/或坏账信息，具体地，还款状态信息为贷款的历史各期的逾期天数、贷款机构代偿金额、贷款机构代偿比例、有催收记录、有拒贷记录、有坏装记录、有坏账后还款记录中至少一项。
进一步地，历史还款统计信息包括：贷款的历史逾期总次数、逾期总金额、贷款机构代偿总金额、贷款机构代偿总次数、贷款机构代偿比例、最大逾期天数、催收次数、坏账次数中至少一项。历史还款统计信息即对贷款的历史各期的还款状态信息的统计信息，也可以根据实际需求进行选取，不限于所举示例。
需要说明的是，贷款机构代偿是指用户逾期一定时间之后贷款机构给资金方垫付还款的行为。本发明中贷款不仅包括传统的向线上或线下信贷机构借款行为，还可以包括购买商品时的分期付款、信用卡分期还款等行为。
在本实施例中，根据所获取的历史用户的特征信息和还款行为信息，提取实际已逾期的用户和已坏账的用户，并且计算已逾期的用户和已坏账的用户的贷款余额(下文中，简称为“用户余额”)。
接下来，将说明步骤S102。在步骤S102中，建立预测模型，使用历史用户的特征信息、逾期和/或坏账信息训练所述预测模型。
在本实施例中，例如使用深度神经网络DNN(Deep Neural Network，DNN)建立预测模型。但是不限于此，在其他实施例中，还可以使用RBF网络、SOM网络、级联相关网络等。
作为一个具体的例子，可以使用“是否逾期”这一用户特征作来定义好坏样本，即标签为“是否逾期”，标签值规定为0或1，其中，1表示用户有逾期，0表示用户无逾期。通常，用户的逾期概率和坏账概率越低，贷款回收本金的情况越好，资金的使用效率越好，资产的风险程度就越低，反之亦然。
本发明中，也可以使用“是否有坏账”来定义好坏样本，或者将“是否逾期”与“是否有坏账”结合起来定义好坏样本。
或者，还可以对“是否逾期”与“是否有坏账”限定特定的时段。例如，可以将“是否最近三个月内发生逾期”，“是否逾期天数超过10天”等作为定义好坏样本的标签。
更进一步地，步骤S102还包括训练模型的过程。具体地，使用所获取的样本数据(历史用户)的特征信息作为输入层的特征，并使用逾期和/或坏账信息作为输出层的特征训练所述预测模型。通过预测模型，使用用户的特征信息，以实现输出对用户的逾期和/或坏账的预测。
接下来，将说明步骤S103。步骤S103是对目标用户的逾期和/或坏账进行预测的步骤。在步骤S103中，获取各目标用户的特征信息并输入预测模型，利用该预测模型计算各目标用户的逾期概率和/或坏账概率。
对于各目标用户，所述预测模型输出的逾期概率和/或坏账概率通常是一个0和1之间的数值。越接近1则该目标用户越不倾向于发生逾期或坏账。
接下来，将说明步骤S104。
首先，步骤S104根据步骤S103计算的各目标用户的逾期概率和/或坏账概率来确定该目标用户是否为预测的逾期和/或坏账用户。该步骤通常根据预定的策略来确定。
例如，以Y表示逾期概率，判断每个目标用户的Y值是否超过预定的阈值Y0来判断该用户是否为预测的逾期和/或坏账用户。
Y0可以通过使用坏标率(其中，坏标率＝逾期30天以上标数/总标数)计算。此外，还可以基于梯度下降(gradient descent)策略，以目标负梯度方向对各个参数进行调整，针对误差，给定学习率，计算出最优解(Y值)。
在本实施例中，逾期概率阈值Y0例如为3.25％。进一步地，目标用户的逾期概率为3.25％以上则为预测的逾期和/或坏账用户。
下面，以计算某金融机构的预测贷款余额为示例进行说明。例如，已知某金融机构的总贷款余额L及其所有用户的特征信息和还款行为信息，提取实际已逾期和坏账的用户的信息数据，计算实际已经逾期的用户余额M0和已坏账(或者已标记为坏账)的用户余额M1。
图2示出了本发明的风险预测方法中计算过程的示意图。如图2所示，基于实际已逾期的用户余额M0和已坏账的用户余额M1，可以计算无逾期余额L1和无还账余额L2，具体如下表达式1和2。
L1＝L-M0-M1 (1)
其中，L是某金融机构的总贷款余额；L1表示无逾期余额；M0是实际已逾期的用户余额；M1是实际已坏账的用户余额。
L2＝L- M1 (2)
其中，L是某金融机构的总贷款余额；L2表示无坏账余额；M1是实际已坏账的用户余额。
进一步地，通过获取该金融机构的目标用户的特征信息并输入预测模型，计算目标用户的逾期概率和/或坏账概率。
在步骤S104中，基于各目标用户的所述逾期和/或坏账概率计算预测的总贷款余额，用总贷款额减去实际已逾期的用户余额M0和/或坏账的用户余额M1，再减去逾期概率和/或坏账概率大于预定阈值的目标用户的贷款余额，可得到预测的无逾期余额L3和无坏账余额L4，具体如表达式3和4。
L3＝L-M0-M1-P0-P1 (3)
其中，L是某金融机构的总贷款余额；L3表示预测的无逾期余额；M0是实际已逾期的用户余额；M1是实际已坏账的用户余额；P0是预测会逾期的用户余额；P1是预测会坏账的用户余额。
L4＝L-M1-P1 (4)
其中，L是某金融机构的总贷款余额；L4表示预测的无坏账余额；M1是实际已坏账的用户余额；P1是预测会坏账的用户余额。
因此，使用上述实际逾期或坏账的用户余额和预测的逾期或坏账的用户余额进行组合计算，能够更有效反应金融机构的贷款余额的情况，并且能更准确地计算预测贷款余额，从而提高了风险预测的准确性。
需要说明的是，在本发明中，总贷款余额是某一时点金融机构存款金额与金融机构贷款金额之和，其中金融机构主要包括商业银行和政策性银行、非银行信贷机构和保险公司。用户余额是指用户尚未偿还的贷款。
进一步地，金融风险预测方法还包括设置预定阈值，该预定阈值包括逾期预定阈值和坏账预定阈值，在本实施例中，逾期预定阈值和坏账预定阈值相等。
但是，在其他实施例中，逾期预定阈值和坏账预定阈值可以不相等。在不相等的情况下，通过将计算的逾期概率与逾期预定阈值或坏账预定阈值进行比较，基于比较结果，将不同的贷款余额划分成具有不同风险等级的情况，并针对不同情况进行对应预警。例如，在所计算的逾期概率大于等于逾期预定阈值且小于坏账预定阈值的情况下，将这个范围内的逾期概率所计算的贷款余额设定为第一风险级。在所计算的逾期概率大于等于坏账预定阈值的情况下，将这个范围内的逾期概率所计算的贷款余额设定为第二风险级。在本实施例中，风险级越高，表示风险越大。需要说明的是，上述仅用于说明，不能理解成对本发明的限制。
具体地，所述逾期预定阈值由有逾期记录、逾期时间、逾期次数、有催收记录、有逾期后还款记录、有拒贷记录中的至少一个信息数据确定。所述坏账预定阈值由有坏账记录、坏账次数、有催收记录、有拒贷记录、有坏账后还款记录中的至少一个信息数据确定。
优选地，在本实施例中，当预测的总贷款余额少于临界值时进行预警，因此，通过风险预测值与预定阈值的比较，能够更准确地预测金融机构或者其他贷款机构的贷款余额，并提供预警信息。
另外，在其他实施例中，还可以包括预警步骤S201，具体参见图3。在步骤S201中，基于各目标用户的所述逾期和/或坏账概率计算预测的总贷款余额，将连续时间段内的存量用户作为目标用户，计算连续时间段内的预测的总贷款余额，并计算预测的总贷款余额的变化趋势，当所述变化趋势超过预定范围时进行报警。
需要说明的是，临界值或者预定范围都可以是基于金融机构和用户的历史数据确定的，或者根据本领域技术人员人为设置的，或者以其他任何公知的方式进行设置。
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计算机数据处理设备执行的程序(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。
与现有技术相比，本发明的金融风险预测方法，使用方便，应用广泛，特别适用于预测金融机构的贷款余额，能够有效地区分贷款余额所表示的健康程度；使用上述实际逾期或坏账的用户余额和预测的逾期或坏账的用户余额进行组合计算，能够更有效反应金融机构的贷款余额的情况，并且能更准确地计算预测贷款余额，从而提高了风险预测的准确性。
实施例2
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。
参照图4、图5和图6，本发明还提供了一种金融风险预测装置400，其包括：数据获取模块401，其用于获取历史用户的特征信息和还款行为信息；训练模块402，建立预测模型，使用历史用户的特征信息、逾期和/或坏账信息训练所述预测模型；第一计算模块403，其用于获取各目标用户的特征信息并输入所述预测模型，利用该预测模型计算各目标用户的逾期和/或坏账概率；第二计算模块404，其用于基于各目标用户的所述逾期和/或坏账概率计算预测的总贷款余额。
优选地，所述第二计算模块还包括：用总贷款额减去实际已逾期和/或坏账的用户余额，再减去逾期和/或坏账概率大于预定阈值的目标用户的贷款余额。
如图5所示，所述金融风险预测装置还包括预警模块501，所述预警模块用于当预测的总贷款余额少于临界值时进行预警。
优选地，所述金融风险预测装置还包括预警模块，所述预警模块用于将连续时间段内的存量用户作为目标用户，计算连续时间段内的预测的总贷款余额，并计算预测的总贷款余额的变化趋势，当所述变化趋势超过预定范围时进行报警。
如图6所示，所述金融风险预测方法还包括设置阈值模块601，所述设置阈值模块601用于设置预定阈值，所述预定阈值包括逾期预定阈值和坏账预定阈值，所述逾期预定阈值由有逾期记录、逾期时间、逾期次数、有催收记录、有逾期后还款记录、有拒贷记录中的至少一个信息数据确定。
优选地，所述坏账预定阈值由有坏账记录、坏账次数、有催收记录、有拒贷记录、有坏账后还款记录中的至少一个信息数据确定。
需要说明的是，在实施例2中，省略了与实施例1相同的部分的说明。
本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述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。
实施例3
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具体实体实施方式。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7是根据本发明的一种电子设备的示例性实施例的结构框图。下面参照图7来描述根据本发明该实施例的的电子设备200。图7显示的电子设备200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7所示，电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240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210执行，使得所述处理单元210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发明各种示例性实施方式的步骤。例如，所述处理单元210可以执行如图1所示的步骤。
所述存储单元220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)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205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230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200也可以与一个或多个外部设备300(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200交互的设备通信，和/或与使得该电子设备200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250进行。并且，电子设备200还可以通过网络适配器260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260可以通过总线230与电子设备200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200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，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)执行根据本发明的上述方法。当所述计算机程序被一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：使用历史用户的APP下载序列向量数据和逾期信息作为训练数据，对所创建的用户风险控制模型进行训练，使用所创建的用户风险控制模型计算目标用户的金融风险预测值。
如图8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。
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，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，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根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
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 (10)
1.一种基于总贷款余额预测的金融风险预测方法，其特征在于，包括：
获取历史用户的特征信息和还款行为信息；
建立预测模型，使用历史用户的特征信息、逾期和/或坏账信息训练所述预测模型；
获取各目标用户的特征信息并输入所述预测模型，利用该预测模型计算各目标用户的逾期和/或坏账概率；
基于各目标用户的所述逾期和/或坏账概率计算预测的总贷款余额。
2.根据权利要求1所述的金融风险预测方法，其特征在于，
所述基于各目标用户的所述逾期和/或坏账概率计算预测的总贷款余额包括：
用总贷款额减去实际已逾期和/或坏账的用户余额，再减去逾期和/或坏账概率大于预定阈值的目标用户的贷款余额。
3.根据权利要求1-2所述的金融风险预测方法，其特征在于，还包括：
当预测的总贷款余额少于临界值时进行预警。
4.根据权利要求1-3所述的金融风险预测方法，其特征在于，基于各目标用户的所述逾期和/或坏账概率计算预测的总贷款余额包括：将连续时间段内的存量用户作为目标用户，计算连续时间段内的预测的总贷款余额，并计算预测的总贷款余额的变化趋势，当所述变化趋势超过预定范围时进行报警。
5.根据权利要求1-4所述的金融风险预测方法，其特征在于，所述金融风险预测方法还包括设置预定阈值，所述预定阈值包括逾期预定阈值和坏账预定阈值，所述逾期预定阈值由有逾期记录、逾期时间、逾期次数、有催收记录、有逾期后还款记录、有拒贷记录中的至少一个信息数据确定。
6.根据权利要求1-5所述的金融风险预测方法，其特征在于，所述坏账预定阈值由有坏账记录、坏账次数、有催收记录、有拒贷记录、有坏账后还款记录中的至少一个信息数据确定。
7.一种金融风险预测装置，其特征在于，包括：
数据获取模块，其用于获取历史用户的特征信息和还款行为信息；
训练模块，建立预测模型，使用历史用户的特征信息、逾期和/或坏账信息训练所述预测模型；
第一计算模块，其用于获取各目标用户的特征信息并输入所述预测模型，利用该预测模型计算各目标用户的逾期和/或坏账概率；
第二计算模块，其用于基于各目标用户的所述逾期和/或坏账概率计算预测的总贷款余额。
8.根据权利要求7所述的金融风险预测装置，其特征在于，所述第二计算模块还包括：
用总贷款额减去实际已逾期和/或坏账的用户余额，再减去逾期和/或坏账概率大于预定阈值的目标用户的贷款余额。
9.一种电子设备，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1-7中任一项所述的金融风险预测方法。
10.一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1-7中任一项所述的金融风险预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911271327.1A CN111192131A (zh) | 2019-12-12 | 2019-12-12 | 金融风险预测方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911271327.1A CN111192131A (zh) | 2019-12-12 | 2019-12-12 | 金融风险预测方法、装置和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111192131A true CN111192131A (zh) | 2020-05-22 |
Family
ID=70707830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911271327.1A Pending CN111192131A (zh) | 2019-12-12 | 2019-12-12 | 金融风险预测方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111192131A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111815432A (zh) * | 2020-07-08 | 2020-10-23 | 中国工商银行股份有限公司 | 金融服务风险预测方法及装置 |
| CN112116166A (zh) * | 2020-09-28 | 2020-12-22 | 中国建设银行股份有限公司 | 信用风险指标预测方法及装置 |
| CN112116169A (zh) * | 2020-09-29 | 2020-12-22 | 中国银行股份有限公司 | 一种用户行为的确定方法、装置及电子设备 |
| CN112199359A (zh) * | 2020-09-18 | 2021-01-08 | 中国建设银行股份有限公司 | 数据检核方法、装置、电子设备和存储介质 |
| CN112232642A (zh) * | 2020-09-25 | 2021-01-15 | 上海淇毓信息科技有限公司 | 一种基于资源返还管理资源策略的方法、装置和电子设备 |
| CN112270547A (zh) * | 2020-10-27 | 2021-01-26 | 上海淇馥信息技术有限公司 | 基于特征构造的金融风险评估方法、装置和电子设备 |
| CN112508695A (zh) * | 2021-02-05 | 2021-03-16 | 北京淇瑀信息科技有限公司 | 基于市场风险的金融风险预测方法、装置和电子设备 |
| CN112561688A (zh) * | 2020-12-21 | 2021-03-26 | 第四范式（北京）技术有限公司 | 基于图嵌入的信用卡逾期预测方法、装置及电子设备 |
| CN112785086A (zh) * | 2021-02-10 | 2021-05-11 | 中国工商银行股份有限公司 | 信贷逾期风险预测方法及装置 |
| CN113298634A (zh) * | 2021-04-26 | 2021-08-24 | 上海淇玥信息技术有限公司 | 基于时序特征和图神经网络的用户风险预测方法及装置 |
| CN113313569A (zh) * | 2021-05-18 | 2021-08-27 | 建信金融科技有限责任公司 | 预测还款金额的方法、装置、设备及存储介质 |
| CN113362159A (zh) * | 2021-06-07 | 2021-09-07 | 中国工商银行股份有限公司 | 一种用户信用度的确定方法、装置和设备 |
| CN113554228A (zh) * | 2021-07-23 | 2021-10-26 | 中信银行股份有限公司 | 还款率预测模型的训练方法及还款率的预测方法 |
| CN113689289A (zh) * | 2021-08-26 | 2021-11-23 | 天元大数据信用管理有限公司 | 一种基于银行风险控制的方法及设备 |
| CN116128134A (zh) * | 2023-01-16 | 2023-05-16 | 四川大学 | 一种信贷逾期时间预测方法、系统、电子设备及介质 |
| CN116452323A (zh) * | 2023-04-28 | 2023-07-18 | 广州市良策网络技术有限公司 | 风险评估方法、系统、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846520A (zh) * | 2018-06-22 | 2018-11-20 | 北京京东金融科技控股有限公司 | 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 |
| WO2019075412A1 (en) * | 2017-10-13 | 2019-04-18 | QCash Financial, LLC | STATISTICAL MODEL FOR TAKING LOAN DECISIONS |
| CN109993652A (zh) * | 2019-02-20 | 2019-07-09 | 复旦大学 | 一种借贷信用风险评估方法及装置 |
| CN110070430A (zh) * | 2019-03-12 | 2019-07-30 | 平安科技（深圳）有限公司 | 评估还款风险的方法及装置、存储介质、电子设备 |
-
2019
- 2019-12-12 CN CN201911271327.1A patent/CN111192131A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019075412A1 (en) * | 2017-10-13 | 2019-04-18 | QCash Financial, LLC | STATISTICAL MODEL FOR TAKING LOAN DECISIONS |
| CN108846520A (zh) * | 2018-06-22 | 2018-11-20 | 北京京东金融科技控股有限公司 | 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 |
| CN109993652A (zh) * | 2019-02-20 | 2019-07-09 | 复旦大学 | 一种借贷信用风险评估方法及装置 |
| CN110070430A (zh) * | 2019-03-12 | 2019-07-30 | 平安科技（深圳）有限公司 | 评估还款风险的方法及装置、存储介质、电子设备 |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111815432A (zh) * | 2020-07-08 | 2020-10-23 | 中国工商银行股份有限公司 | 金融服务风险预测方法及装置 |
| CN111815432B (zh) * | 2020-07-08 | 2023-08-18 | 中国工商银行股份有限公司 | 金融服务风险预测方法及装置 |
| CN112199359A (zh) * | 2020-09-18 | 2021-01-08 | 中国建设银行股份有限公司 | 数据检核方法、装置、电子设备和存储介质 |
| CN112232642A (zh) * | 2020-09-25 | 2021-01-15 | 上海淇毓信息科技有限公司 | 一种基于资源返还管理资源策略的方法、装置和电子设备 |
| CN112116166A (zh) * | 2020-09-28 | 2020-12-22 | 中国建设银行股份有限公司 | 信用风险指标预测方法及装置 |
| CN112116169A (zh) * | 2020-09-29 | 2020-12-22 | 中国银行股份有限公司 | 一种用户行为的确定方法、装置及电子设备 |
| CN112116169B (zh) * | 2020-09-29 | 2023-09-19 | 中国银行股份有限公司 | 一种用户行为的确定方法、装置及电子设备 |
| CN112270547A (zh) * | 2020-10-27 | 2021-01-26 | 上海淇馥信息技术有限公司 | 基于特征构造的金融风险评估方法、装置和电子设备 |
| CN112561688A (zh) * | 2020-12-21 | 2021-03-26 | 第四范式（北京）技术有限公司 | 基于图嵌入的信用卡逾期预测方法、装置及电子设备 |
| CN112508695A (zh) * | 2021-02-05 | 2021-03-16 | 北京淇瑀信息科技有限公司 | 基于市场风险的金融风险预测方法、装置和电子设备 |
| CN112785086A (zh) * | 2021-02-10 | 2021-05-11 | 中国工商银行股份有限公司 | 信贷逾期风险预测方法及装置 |
| CN113298634A (zh) * | 2021-04-26 | 2021-08-24 | 上海淇玥信息技术有限公司 | 基于时序特征和图神经网络的用户风险预测方法及装置 |
| CN113298634B (zh) * | 2021-04-26 | 2023-09-05 | 上海淇玥信息技术有限公司 | 基于时序特征和图神经网络的用户风险预测方法及装置 |
| CN113313569A (zh) * | 2021-05-18 | 2021-08-27 | 建信金融科技有限责任公司 | 预测还款金额的方法、装置、设备及存储介质 |
| CN113362159A (zh) * | 2021-06-07 | 2021-09-07 | 中国工商银行股份有限公司 | 一种用户信用度的确定方法、装置和设备 |
| CN113554228A (zh) * | 2021-07-23 | 2021-10-26 | 中信银行股份有限公司 | 还款率预测模型的训练方法及还款率的预测方法 |
| CN113689289A (zh) * | 2021-08-26 | 2021-11-23 | 天元大数据信用管理有限公司 | 一种基于银行风险控制的方法及设备 |
| CN113689289B (zh) * | 2021-08-26 | 2024-04-30 | 天元大数据信用管理有限公司 | 一种基于银行风险控制的方法及设备 |
| CN116128134A (zh) * | 2023-01-16 | 2023-05-16 | 四川大学 | 一种信贷逾期时间预测方法、系统、电子设备及介质 |
| CN116452323A (zh) * | 2023-04-28 | 2023-07-18 | 广州市良策网络技术有限公司 | 风险评估方法、系统、设备及存储介质 |
| CN116452323B (zh) * | 2023-04-28 | 2024-01-30 | 广州市良策网络技术有限公司 | 风险评估方法、系统、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111192131A (zh) | 金融风险预测方法、装置和电子设备 | |
| US20230009149A1 (en) | System, method and computer program for underwriting and processing of loans using machine learning | |
| US20220122171A1 (en) | Client server system for financial scoring with cash transactions | |
| CN110796542A (zh) | 金融风险控制方法、金融风险控制装置和电子设备 | |
| WO2019005214A1 (en) | GROUP DECISION MANAGEMENT RELATED TO REQUESTS USING PREDICTIVE ANALYSIS | |
| US20190130481A1 (en) | Entity Segmentation for Analysis of Sensitivities to Potential Disruptions | |
| CN111340616A (zh) | 线上贷款的审批方法、装置、设备及介质 | |
| CN111597343B (zh) | 一种基于app的智能化用户职业判断方法、装置和电子设备 | |
| CN111967954A (zh) | 一种资源归还增比确定方法、装置和电子设备 | |
| CN111383091A (zh) | 一种资产证券化定价方法和装置 | |
| CN111192133A (zh) | 用户贷后风险模型生成方法、装置及电子设备 | |
| CN113034046A (zh) | 一种数据风险计量方法、装置、电子设备及存储介质 | |
| CN110689425A (zh) | 基于收益进行额度定价的方法、装置和电子设备 | |
| US11501378B2 (en) | Methods and systems of a patient insurance solution as a service for gig employees | |
| US20230386650A1 (en) | Enterprise computer system for medical data processing | |
| AU2020351871A1 (en) | Dynamically-generated electronic database for portfolio selection | |
| KR102174608B1 (ko) | 기계 학습 기반의 채무불이행 예측 장치 및 방법 | |
| US10699335B2 (en) | Apparatus and method for total loss prediction | |
| CN112200340A (zh) | 预测逃废债区块链系统 | |
| CN108256667A (zh) | 资产数据处理方法、装置、存储介质和计算机设备 | |
| CN112926892A (zh) | 一种资金匹配方法、装置、电子设备及存储介质 | |
| Zand | Towards intelligent risk-based customer segmentation in banking | |
| US11972338B2 (en) | Automated systems for machine learning model development, analysis, and refinement | |
| KR102133668B1 (ko) | 대출 중개 플랫폼 시스템 및 신용도평가 장치 | |
| Moturi | Use Of Data Mining To Detect Fraud Health Insurance Claims |
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: Zhong Guo 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: Zhong Guo |
|
| CB02 | Change of applicant information |