CN111507821A - 基于评级和记忆性策略的资产池风控方法和系统 - Google Patents

基于评级和记忆性策略的资产池风控方法和系统 Download PDF

Info

Publication number
CN111507821A
CN111507821A CN202010273417.0A CN202010273417A CN111507821A CN 111507821 A CN111507821 A CN 111507821A CN 202010273417 A CN202010273417 A CN 202010273417A CN 111507821 A CN111507821 A CN 111507821A
Authority
CN
China
Prior art keywords
asset
asset pool
risk
pool
rating
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.)
Granted
Application number
CN202010273417.0A
Other languages
English (en)
Other versions
CN111507821B (zh
Inventor
王仲蔚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanyin Faba Consumer Finance Co ltd
Original Assignee
Suning Consumer Finance Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suning Consumer Finance Co ltd filed Critical Suning Consumer Finance Co ltd
Priority to CN202010273417.0A priority Critical patent/CN111507821B/zh
Publication of CN111507821A publication Critical patent/CN111507821A/zh
Application granted granted Critical
Publication of CN111507821B publication Critical patent/CN111507821B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种基于评级和记忆性策略的资产池风控方法，包括：依据不同业务模式将总资产划分成若干个资产池；根据相应的资金成本、平均期限、期望收益制定每个资产池的风险成本目标，进而推算出对应的最大允许资产池投损率；以投损率为基准，推算出每个资产池所对应的所有客户资质风险评级的投放比例，其中，采用记忆性策略控制每个客户资质风险评级的投放比例在规定的投放比例范围内，并且实时投损率小于最大允许资产池投损率。本发明充分考虑总体资产池(或者不同资产池)的风险资本状态，结合损失率推算得到不同资质风险评级客户的投放比例，以达到任意情形下风险资产质量的管控目的，在确保资产风险较低的情形下，有效提高了资产的撮合成功率，保障业务的持续稳定运行。

Description

基于评级和记忆性策略的资产池风控方法和系统
技术领域
本发明涉及消费信贷资产风控管理技术领域，具体而言涉及一种基于评级和记忆性策略的资产池风控方法和系统。
背景技术
目前常用的资产风控管理技术主要是在授信、用信阶段，对当前申请客户的资质进行评价，并根据评价结果做出通过/拒绝决策，降低资产投放风险。由于只考虑到客户的资质，当资质评估较为严格时，资产的撮合成功率低，反之，资产的投放风险增加，难以在两者之间达成有效平衡，尤其当前资产市场瞬息万变，前述弊端越发显现。
专利号为CN201910313862.2的发明“一种基于大数据决策策略进行信贷资产分发处理系统及方法”中提出，在传统信贷资产静态分发处理规则的基础上，引入了优先级权重规则与大数据模型分发处理规则的组合资产分发策略，不仅仅考虑到信贷资产分发的风控、支付渠道等静态规则及要求，还通过大数据分析历史信贷资产分布特征，训练信贷资产预测模型，推导预测未来信贷资产金额、各信贷资产类型构成，终结合静态规则与预测未来资产构成形成智能分发模型策略，大大提高资产-资金撮合交易环节的分发处理灵活度，提高资产的撮合成功效率、资产-资金匹配度及资金收益率。在该发明中，提出通过组合资产分发策略来配合实现资产的撮合成功效率，但其明显不适用单一资产投放场景，对资本的现状管理致力不足。
发明内容
本发明目的在于提供一种基于评级和记忆性策略的资产池风控方法和系统，在授信、用信阶段，不仅仅是根据当前申请客户的资质做出决策，在决策过程中，充分考虑总体资产池(或者不同资产池)的风险资本状态，结合损失率推算得到不同资质风险评级客户的投放比例，以达到任意情形下(尤其是单一资产池投放场景)风险资产质量的管控目的，同时，在确保资产风险较低的情形下，有效提高了资产的撮合成功率，实现资金的快速流动。
为达成上述目的，结合图1，本发明提出一种基于评级和记忆性策略的资产池风控方法，所述资产池风控方法包括以下步骤：
S1，依据不同业务模式将总资产划分成若干个资产池；
S2，根据相应的资金成本、期望收益制定每个资产池的风险成本目标，进而推算出对应的最大允许资产池投损率；
S3，以投损率为基准，推算出每个资产池所对应的所有客户资质风险评级的投放比例，其中，采用记忆性策略控制每个客户资质风险评级的投放比例在规定的投放比例范围内，并且实时投损率小于最大允许资产池投损率。
作为其中的一种优选例，所述资产池风控方法还包括：
结合当前客户的风险评级和请求申请的资产池中该风险评级所对应的实时投放比例判断是否通过当前客户的贷款申请。
作为其中的一种优选例，所述资产池风控方法还包括：
采用数据源灾备技术以获取一定量的样本数据，创建客户资质风险评级模型，利用样本数据对客户资质风险评级模型进行训练；
采用训练好的客户资质风险评级模型对客户资质进行风险评级。
作为其中的一种优选例，所述资产池风控方法还包括：
实时监控资产池投放结果，结合资产池投放结果验证并调整记忆性策略相关参数配置。
作为其中的一种优选例，步骤S2中，所述根据相应的资金成本、期望收益制定每个资产池的风险成本目标，进而推算出对应的最大允许资产池投损率的过程包括以下步骤：
S21：设产品定价为P，运营成本为Q，平均期限为N；
S22：根据下述公式计算得到最大允许资产池投损率RMAX：
Figure BDA0002443937400000021
其中，IRR代表内部收益率公式，PMT代表风险调整后的每期还款额，PV代表一笔贷款的现值或本金投放。
作为其中的一种优选例，步骤S3中，所述以投损率为基准，推算出每个资产池所对应的所有客户资质风险评级的投放比例，其中，采用记忆性策略控制每个客户资质风险评级的投放比例在规定的投放比例范围内，并且实时投损率小于最大允许资产池投损率的过程包括以下步骤：
S31，选取任意一个资产池，设该资产池对应的第i个客户资质风险评级、第j个期次设定时间窗口内的投放占比为Li,j，在更新周期T内，第i个客户资质风险评级、第j个期次允许的上浮比例为Δi,j，则调整后的投放占比为
Figure BDA0002443937400000022
Figure BDA0002443937400000023
S32，结合前M个周期内所述资产池的历史投放比例设定其中部分Li,j的初始值，循环增加剩余部分Li,j的取值，采用下述公式以历史数据计算得到此部分可增加的最大Δ，使得R≤RMAX；
Figure BDA0002443937400000024
式中，Wi,j是历史数据下各等级、期次的投损率表现，根据经验设置调整；
S33，输出计算得到的所述资产池所对应的所有客户资质风险评级的投放比例和上浮比例；
S34，重复步骤S31-S33，直至完成所有资产池的所有客户资质风险评级的投放比例和上浮比例的推算。
基于前述方法，本发明还提及一种基于评级和记忆性策略的资产池风控系统，所述资产池风控系统包括资产池管理模块、监控模块、实时调控系统、记忆性策略集、常规策略集；
所述资产池管理模块用于依据不同业务模式将总资产划分成若干个资产池，并对每个资产池进行管理；
所述监控模块用于实时监控资产池投放结果，结合资产池投放结果验证并调整记忆性策略相关参数配置；
所述实时调控系统用于根据相应的资金成本、期望收益制定每个资产池的风险成本目标，进而推算出对应的最大允许资产池投损率，再以投损率为基准，推算出每个资产池所对应的所有客户资质风险评级的投放比例，其中，采用记忆性策略控制每个客户资质风险评级的投放比例在规定的投放比例范围内，并且实时投损率小于最大允许资产池投损率；
所述常规策略集用于设置基础投放策略。
作为其中的一种优选例，所述资产池投放结果包括资产结构、动态现金流、流动性指标、收益曲线。
以上本发明的技术方案，与现有相比，其显著的有益效果在于：
(1)在授信、用信阶段，不仅仅是根据当前申请客户的资质做出决策，在决策过程中，充分考虑总体资产池(或者不同资产池)的风险资本状态，根据资产池的实际情况实时调整不同资质风险评客户的投放比例，在确保资产风险较低的情形下，有效提高了资产的撮合成功率，实现资金的快速流动。
(2)结合损失率和历史投放比例，快速推算得到不同资质风险评级客户的投放比例，满足实时性需求。
(3)采用客户资质风险评级模型对客户资质进行风险评级，模型的训练数据来自于不同数据源，包括内部数据和外部数据，同时，利用数据源灾备技术确保评级稳定且有效。
(4)利用历史指标表现的评级占比加权推算出风险资本状态，推算结果精确度高且推算速度快。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1是本发明的基于评级和记忆性策略的资产池风控方法的流程图。
图2是本发明的基于评级和记忆性策略的资产池风控系统的结构示意图。
图3是本发明所提方法运用在其中一个具体例子时的结果(不同开放产品期限的投放占比和最终投损率趋势)示意图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
结合图1，本发明提出一种基于评级和记忆性策略的资产池风控方法，所述资产池风控方法包括以下步骤：
S1，依据不同业务模式将总资产划分成若干个资产池。
S2，根据相应的资金成本、平均期限、期望收益制定每个资产池的风险成本目标，进而推算出对应的最大允许资产池投损率。
S3，以投损率为基准，推算出每个资产池所对应的所有客户资质风险评级的投放比例，其中，采用记忆性策略控制每个客户资质风险评级的投放比例在规定的投放比例范围内，并且实时投损率小于最大允许资产池投损率。
在本发明中，首先根据业务模式将总资产划分成若干个资产池，以对应不同的业务申请，使资产的投放目的性增强，同时，也便于后续的资产风险管理能够有效展开。在此基础上，结合相应的资金成本、期望收益制定每个资产池的风险成本目标，进而推算出对应的损失率。损失率的大小直接决定每个资产池的最大风险等级，因此，可以根据资产池允许风险等级反推最大允许资产池投损率。在推算出最大允许资产池投损率的前提下，实时推算出每个资产池所对应的所有客户资质风险评级的投放比例，其中，采用记忆性策略控制每个客户资质风险评级的投放比例在规定的投放比例范围内，使整个资产池的损失率小于最大允许资产池投损率。当确定资产池所对应的每个客户资质风险评级的投放比例后，对客户申请进行解析，获取客户对应的风险评级和请求申请的资产池，结合当前客户的风险评级和请求申请的资产池中该风险评级所对应的实时投放比例判断是否通过当前客户的贷款申请。优选的，还可以通过实时监控资产池投放结果，结合资产池投放结果验证并调整记忆性策略相关参数配置，确保前述风控方法能够稳定运行。例如，实时监测包括资产结构、动态现金流、流动性指标、收益曲线在内的资产池投放结果，对当前记忆性策略的有效性进行评估。
由前述可知，传统风控管理通常是以客户资质为着眼点，或客户资质结合资产发展趋势为着眼点，而本发明区别于传统资产风控管理的是，由始自终只着眼于资产管理，由资产管理结果决定投放策略(即不同客户资质风险评级对应的投放比例)，使得在充分确保资产风险维持在允许范围内的前提下，尽可能地促成资产的投放成功率，实现资产的有效流动。
结合图2，本发明还提及一种基于评级和记忆性策略的资产池风控系统，所述资产池风控系统包括资产池管理模块、监控模块、实时调控系统、记忆性策略集、常规策略集。
所述资产池管理模块用于依据不同业务模式将总资产划分成若干个资产池，并对每个资产池进行管理。
所述监控模块用于实时监控资产池投放结果，结合资产池投放结果验证并调整记忆性策略相关参数配置。
所述实时调控系统用于根据相应的资金成本、期望收益制定每个资产池的风险成本目标，进而推算出对应的最大允许资产池投损率，再以投损率为基准，推算出每个资产池所对应的所有客户资质风险评级的投放比例，其中，采用记忆性策略控制每个客户资质风险评级的投放比例在规定的投放比例范围内，并且实时投损率小于最大允许资产池投损率。
所述常规策略集用于设置基础投放策略。
由图2可知，不同客户资质风险评级对应的投放比例呈周期性更新，以确保其实时性和有效性。
一、客户资质风险评级
作为其中的一种优选例，所述资产池风控方法还包括：
采用数据源灾备技术以获取一定量的样本数据，创建客户资质风险评级模型，利用样本数据对客户资质风险评级模型进行训练。
采用训练好的客户资质风险评级模型对客户资质进行风险评级。
二、最大允许资产池投损率
作为其中的一种优选例，步骤S2中，所述根据相应的资金成本、期望收益制定每个资产池的风险成本目标，进而推算出对应的最大允许资产池投损率的过程包括以下步骤：
S21：设产品定价为P，运营成本为Q，平均期限为N。
S22：根据下述公式计算得到最大允许资产池投损率RMAX：
Figure BDA0002443937400000051
其中，IRR代表内部收益率公式，PMT代表风险调整后的每期还款额，PV代表一笔贷款的现值或本金投放。
三、每个资产池所对应的所有客户资质风险评级的投放比例
作为其中的一种优选例，步骤S3中，所述以投损率为基准，推算出每个资产池所对应的所有客户资质风险评级的投放比例，其中，采用记忆性策略控制每个客户资质风险评级的投放比例在规定的投放比例范围内，并且实时投损率小于最大允许资产池投损率的过程包括以下步骤：
S31，选取任意一个资产池，设该资产池对应的第i个客户资质风险评级、第j个期次设定时间窗口内的投放占比为Li,j，在更新周期T内，第i个客户资质风险评级、第j个期次允许的上浮比例为Δi,j，则调整后的投放占比为
Figure BDA0002443937400000052
Figure BDA0002443937400000053
S32，结合前M个周期内所述资产池的历史投放比例设定其中部分Li,j的初始值，循环增加剩余部分Li,j的取值，采用下述公式以历史数据计算得到此部分可增加的最大Δ，使得R≤RMAX；
Figure BDA0002443937400000061
式中，Wi,j是历史数据下各等级、期次的投损率表现，根据经验设置调整。
S33，输出计算得到的所述资产池所对应的所有客户资质风险评级的投放比例和上浮比例。
S34，重复步骤S31-S33，直至完成所有资产池的所有客户资质风险评级的投放比例和上浮比例的推算。
下面以一个具体例子对前述方法进行说明。
结合图3，假设某资产池资金和运营成本(含预期收益率)折合年化13％，定价24％，加权平均期限为6期，开放产品期限分别为3\6\9，则投损率红线为3％，该池面向客户范围风险评级从好至坏分为以下几个等级：A\B\C\D\E\F，其对应等级期次日投放峰值、均值分别为：
Figure BDA0002443937400000062
和
Figure BDA0002443937400000063
相应同维度下历史投损率为：wa,3，以A\B\C等级的均值作为初始值，以投损红线3％为目标值，则整个风控过程包括以下步骤：
1、从D\E\F的均值附近往下搜索定其投放占比的限制值。
2、从D\E\F的均值附近往上搜索定其投放占比的最高值。
3、A\B\C等级的峰值与均值之差为其能容忍的上浮比例，D\E\F以上述差值作为容忍上浮比例。
4、实时调控系统定期更新上述各指标同时其记忆性策略调控实时投放比例，确保资产配置稳定。
报表系统将各主要监控指标展现给风控、业务人员，达到实时监控目的。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (8)

1.一种基于评级和记忆性策略的资产池风控方法，其特征在于，所述资产池风控方法包括以下步骤：
S1，依据不同业务模式将总资产划分成若干个资产池；
S2，根据相应的资金成本、平均期限、期望收益制定每个资产池的风险成本目标，进而推算出对应的最大允许资产池投损率；
S3，以投损率为基准，推算出每个资产池所对应的所有客户资质风险评级的投放比例，其中，采用记忆性策略控制每个客户资质风险评级的投放比例在规定的投放比例范围内，并且实时投损率小于最大允许资产池投损率。
2.根据权利要求1所述的基于评级和记忆性策略的资产池风控方法，其特征在于，所述资产池风控方法还包括：
结合当前客户的风险评级和请求申请的资产池中该风险评级所对应的实时投放比例判断是否通过当前客户的贷款申请。
3.根据权利要求2所述的基于评级和记忆性策略的资产池风控方法，其特征在于，所述资产池风控方法还包括：
采用数据源灾备技术以获取一定量的样本数据，创建客户资质风险评级模型，利用样本数据对客户资质风险评级模型进行训练；
采用训练好的客户资质风险评级模型对客户资质进行风险评级。
4.根据权利要求1所述的基于评级和记忆性策略的资产池风控方法，其特征在于，所述资产池风控方法还包括：
实时监控资产池投放结果，结合资产池投放结果验证并调整记忆性策略相关参数配置。
5.根据权利要求1-4中任意一项所述的基于评级和记忆性策略的资产池风控方法，其特征在于，步骤S2中，所述根据相应的资金成本、期望收益制定每个资产池的风险成本目标，进而推算出对应的最大允许资产池投损率的过程包括以下步骤：
S21：设产品定价为P，运营成本为Q，平均期限为N；
S22：根据下述公式计算得到最大允许资产池投损率RMAX：
Figure FDA0002443937390000011
其中，IRR代表内部收益率公式，PMT代表风险调整后的每期还款额，PV代表一笔贷款的现值或本金投放。
6.根据权利要求5所述的基于评级和记忆性策略的资产池风控方法，其特征在于，步骤S3中，所述以投损率为基准，推算出每个资产池所对应的所有客户资质风险评级的投放比例，其中，采用记忆性策略控制每个客户资质风险评级的投放比例在规定的投放比例范围内，并且实时投损率小于最大允许资产池投损率的过程包括以下步骤：
S31，选取任意一个资产池，设该资产池对应的第i个客户资质风险评级、第j个期次设定时间窗口内的投放占比为Li,j，在更新周期T内，第i个客户资质风险评级、第j个期次允许的上浮比例为Δi,j，则调整后的投放占比为
Figure FDA0002443937390000021
Figure FDA0002443937390000022
S32，结合前M个周期内所述资产池的历史投放比例设定其中部分Li,j的初始值，循环增加剩余部分Li,j的取值，采用下述公式以历史数据计算得到此部分可增加的最大Δ，使得R≤RMAX；
Figure FDA0002443937390000023
式中，Wi,j是历史数据下各等级、期次的投损率表现，根据经验设置调整；
S33，输出计算得到的所述资产池所对应的所有客户资质风险评级的投放比例和上浮比例；
S34，重复步骤S31-S33，直至完成所有资产池的所有客户资质风险评级的投放比例和上浮比例的推算。
7.一种基于权利要求1-4任意一项所述方法的基于评级和记忆性策略的资产池风控系统，其特征在于，所述资产池风控系统包括资产池管理模块、监控模块、实时调控系统、记忆性策略集、常规策略集；
所述资产池管理模块用于依据不同业务模式将总资产划分成若干个资产池，并对每个资产池进行管理；
所述监控模块用于实时监控资产池投放结果，结合资产池投放结果验证并调整记忆性策略相关参数配置；
所述实时调控系统用于根据相应的资金成本、平均期限、期望收益制定每个资产池的风险成本目标，进而推算出对应的最大允许资产池投损率，再以投损率为基准，推算出每个资产池所对应的所有客户资质风险评级的投放比例，其中，采用记忆性策略控制每个客户资质风险评级的投放比例在规定的投放比例范围内，并且实时投损率小于最大允许资产池投损率；
所述常规策略集用于设置基础投放策略。
8.根据权利要求7所述的基于评级和记忆性策略的资产池风控系统，其特征在于，所述资产池投放结果包括资产结构、动态现金流、流动性指标、收益曲线。
CN202010273417.0A 2020-04-09 2020-04-09 基于评级和记忆性策略的资产池风控方法和系统 Active CN111507821B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010273417.0A CN111507821B (zh) 2020-04-09 2020-04-09 基于评级和记忆性策略的资产池风控方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010273417.0A CN111507821B (zh) 2020-04-09 2020-04-09 基于评级和记忆性策略的资产池风控方法和系统

Publications (2)

Publication Number Publication Date
CN111507821A true CN111507821A (zh) 2020-08-07
CN111507821B CN111507821B (zh) 2022-08-02

Family

ID=71876037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010273417.0A Active CN111507821B (zh) 2020-04-09 2020-04-09 基于评级和记忆性策略的资产池风控方法和系统

Country Status (1)

Country Link
CN (1) CN111507821B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101996381A (zh) * 2009-08-14 2011-03-30 中国工商银行股份有限公司 一种零售资产风险的计算方法及系统
CN110060147A (zh) * 2019-04-18 2019-07-26 广东粤财金融云科技股份有限公司 一种基于大数据决策策略进行信贷资产分发处理系统及方法
CN110334938A (zh) * 2019-06-28 2019-10-15 深圳惠金卓信科技有限公司 一种资金资产动态撮合方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101996381A (zh) * 2009-08-14 2011-03-30 中国工商银行股份有限公司 一种零售资产风险的计算方法及系统
CN110060147A (zh) * 2019-04-18 2019-07-26 广东粤财金融云科技股份有限公司 一种基于大数据决策策略进行信贷资产分发处理系统及方法
CN110334938A (zh) * 2019-06-28 2019-10-15 深圳惠金卓信科技有限公司 一种资金资产动态撮合方法和装置

Also Published As

Publication number Publication date
CN111507821B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
Mileris Macroeconomic determinants of loan portfolio credit risk in banks
US20040030629A1 (en) System and method for portfolio valuation using an age adjusted delinquency rate
CA2362441A1 (en) Methods and systems for optimizing return and present value
Ramesh Determinants of bank performance: Evidence from the Indian commercial banks
CN115374962A (zh) 基于配电区域多维状态评估的运维投入规划方法与装置
Laux On the benefits of allowing CEOs to time their stock option exercises
Sultani et al. The impact of macroeconomic indicators on the balance of payments: Empirical evidence from Afghanistan
Bassett et al. A new look at the relationship between capital constraints and bank lending
CN111507821B (zh) 基于评级和记忆性策略的资产池风控方法和系统
Nugrahaeni et al. The effect of green credit and other determinants of credit risk commercial bank in Indonesia
Zhang et al. Evolutionary strategies of supply chain finance from the perspective of a return policy
Chen et al. Privatization and optimal share release in the Chinese banking industry
Liyanagamage Efficiency, Stability and Optimum Level of Bank Competition for Sustainable Development-A study of Sri Lankan Banking Sector
CN113989050A (zh) 一种基于topsis综合分析的钢贸企业供应链金融风险评估方法
CN113450228A (zh) 一种数字加密货币交易价格走势的预测系统及预测方法
TWI720638B (zh) 存款利率議價調整系統及其方法
SHOBANDE et al. Modelling dynamics of inflation in Nigeria
Zeng et al. [Retracted] Correlation Analysis of Interbank Money Market Interest Rate and Financial Crisis Based on Neural Network Model
Van Berkel et al. Building Loss Given Default Scorecard Using Weight of Evidence Bins in SAS Enterprise Miner
Choi The Effect of the Fast-Track Corporate Rehabilitation Program on the Interest Coverage Ratio of the Companies Under Court Receivership
Henneke et al. Capital requirements for SMEs under the revised Basel II framework
Li et al. The use of GARCH-neural network model for forecasting the volatility of bid-ask spread of the Chinese stock market
Seputra Forecasting Corporate Bankruptcy Based on Managerial Overconfidence Using the Adaptive Neuro-Fuzzy Inference System
CN116012144A (zh) 一种零售信贷额度策略构建的方法
Kim Evolution of debtor rights

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
CP01 Change in the name or title of a patent holder

Address after: No.88, Huaihai Road, Qinhuai District, Nanjing, Jiangsu 210001

Patentee after: Nanyin Faba Consumer Finance Co.,Ltd.

Address before: No.88, Huaihai Road, Qinhuai District, Nanjing, Jiangsu 210001

Patentee before: SUNING CONSUMER FINANCE Co.,Ltd.

CP01 Change in the name or title of a patent holder