CN111582908A - 一种基于利率敏感度曲线的定价方法、装置及电子设备 - Google Patents
一种基于利率敏感度曲线的定价方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111582908A CN111582908A CN202010274560.1A CN202010274560A CN111582908A CN 111582908 A CN111582908 A CN 111582908A CN 202010274560 A CN202010274560 A CN 202010274560A CN 111582908 A CN111582908 A CN 111582908A
- Authority
- CN
- China
- Prior art keywords
- pricing
- user
- interest rate
- establishing
- rate sensitivity
- 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
- 230000035945 sensitivity Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- 238000013398 bayesian method Methods 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于利率敏感度曲线的定价方法、装置及电子设备，所述方法包括：建立各个用户的利率敏感度曲线；建立客群子模型对客群进行分组得到多个客群组；建立利率衡量指标，根据所述利率衡量指标、所述利率敏感度曲线确定各个客群组的用户定价。本发明的最终定价综合考虑了用户的信用状况和交易心理预期，使客户不至于因为利率价格不符合预期而不交易，也不会因为对客户风险评估不够而对平台带来损失；兼顾了用户和平台的利益，实现了用户与平台都获利的双赢局面。本发明具有定价精准、稳定、动态定价的优点。
Description
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种基于利率敏感度曲线的定价方法、装置、电子设备及计算机可读介质。
背景技术
随着国民经济的发展以及消费理念的改变，人们对资金的需求增加，但是由于银行对客户资质要求较高，导致相当一部分人无法得到银行的信贷服务，这些人群则成为各个信贷平台的主要客户。由于当前并不能很好的立体刻画出这些客户，且很多客户是无抵押、无担保的小额贷款客户，为了减小信贷风险，信贷平台一般都会给这些客户较高的利率定价。定价过高，一方面会加重客户的还款负担，另一方面，还会导致平台的客户流失，影响平台业务。
发明内容
本发明旨在解决现有信贷平台对客户利率定价过高，无法兼顾客户和平台利益的技术问题。
为了解决上述技术问题，本发明第一方面提出一种基于利率敏感度曲线的定价方法，所述方法包括：
建立各个用户的利率敏感度曲线；
建立客群子模型对客群进行分组得到多个客群组；
建立利率衡量指标，根据所述利率衡量指标、所述利率敏感度曲线确定各个客群组的用户定价。
根据本发明一种优选实施方式，所述建立各个用户的利率敏感度曲线包括：
创建风险信用模型，根据所述风险信用模型确定用户风险定价；
创建动支模型，根据所述用户风险定价及所述动支模型确定用户利率敏感度曲线。
根据本发明一种优选实施方式，所述根据所述用户风险定价及所述动支模型确定用户利率敏感度曲线包括：
创建多个有监督模型，根据用户风险定价及所述多个有监督模型通过贝叶斯方法确定用户第一初始定价；
创建自动编码器，将所述第一初始定价输入所述自动编码器获取用户第二初始定价；
通过深度学习的方式整合所述第一初始定价和所述第二初始定价，同时通过每个用户对不同价格的接受概率图及用户历史表现描绘各个用户的利率敏感度曲线。
根据本发明一种优选实施方式，所述建立利率衡量指标包括：
根据所述利率敏感度曲线确定各个客群组的用户建议定价Psug；
当所述用户建议定价Psug大于等于回测月份用户实际产品定价Preal时，分别计算该客群组的用户动支概率a和未动支概率b；
当所述用户建议定价Psug小于回测月份用户实际产品定价Preal时，分别计算该客群组的用户动支概率c和未动支概率d；
则所述利率衡量指标：
PDR＝d/(b+d)；
AWP＝根据金额的平均加权定价。
根据本发明一种优选实施方式，所述根据所述利率衡量指标、所述利率敏感度曲线确定各个客群组的用户定价包括：
在所述AWP一定的情况下，将PDR最大时的建议定价Psug作为该客群组的用户定价。
根据本发明一种优选实施方式，所述方法还包括：
判断所述动支模型的可信性；
当所述动支模型的可信性达到预设标准时，将所述用户定价作为最终定价。
根据本发明一种优选实施方式，所述有监督模型为XGB模型。
为了解决上述技术问题，本发明第二方面提供一种基于利率敏感度曲线的定价装置，所述装置包括：
第一创建模块，用于建立各个用户的利率敏感度曲线；
第二创建模块，用于建立客群子模型对客群进行分组得到多个客群组；
第三创建模块，用于建立利率衡量指标，根据所述利率衡量指标、所述利率敏感度曲线确定各个客群组的用户定价。
根据本发明一种优选实施方式，所述第一创建模块包括：
第一子创建模块，用于创建风险信用模型，根据所述风险信用模型确定用户风险定价；
第二子创建模块，用于创建动支模型，根据所述用户风险定价及所述动支模型确定用户利率敏感度曲线。
根据本发明一种优选实施方式，所述第二子创建模块包括：
第一处理模块，用于创建多个有监督模型，根据用户风险定价及所述多个有监督模型通过贝叶斯装置确定用户第一初始定价；
第二处理模块，用于创建自动编码器，将所述第一初始定价输入所述自动编码器获取用户第二初始定价；
第三处理模块，用于通过深度学习的方式整合所述第一初始定价和所述第二初始定价，同时通过每个用户对不同价格的接受概率图及用户历史表现描绘各个用户的利率敏感度曲线。
根据本发明一种优选实施方式，所述第三创建模块包括：子创建模块，具体用于根据所述利率敏感度曲线确定各个客群组的用户建议定价Psug；当所述用户建议定价Psug大于等于回测月份用户实际产品定价Preal时，分别计算该客群组的用户动支概率a和未动支概率b；当所述用户建议定价Psug小于回测月份用户实际产品定价Preal时，分别计算该客群组的用户动支概率c和未动支概率d；
则所述利率衡量指标：
PDR＝d/(b+d)；
AWP＝根据金额的平均加权定价。
根据本发明一种优选实施方式，所述第三创建模块还包括：
子确定模块，用于在所述AWP一定的情况下，将PDR最大时的建议定价Psug作为该客群组的用户定价。
根据本发明一种优选实施方式，所述装置还包括：
置信判断模块，用于判断所述动支模型的可信性；当所述动支模型的可信性达到预设标准时，将所述用户定价作为最终定价。
根据本发明一种优选实施方式，所述有监督模型为XGB模型。
为解决上述技术问题，本发明第三方面提供一种电子设备，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，其中，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，实现上述方法。
本发明通过百万用户的数据，每个用户近千维的数据，深度挖掘了每个用户的利率敏感度曲线，描绘了每一个客户对利率的敏感度情况，通过客群子模型对客群进行分组得到多个客群组；通过建立利率衡量指标，并根据所述利率衡量指标、所述利率敏感度曲线确定各个客群组的用户定价，达到不同客群组用户利率定价不同的效果。本发明的最终定价综合考虑了用户的信用状况和交易心理预期，使客户不至于因为利率价格不符合预期而不交易，也不会因为对客户风险评估不够而对平台带来损失；兼顾了用户和平台的利益，实现了用户与平台都获利的双赢局面。与现有技术相比，本发明不是一个常规的静态定价方式，并非是用户越资金饥渴就价格越高的杀熟模式，而是一个模拟顾客接受程度，使得顾客的长期价值得到保障；具有定价精准、稳定、动态定价的优点。
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1是本发明一种基于利率敏感度曲线的定价方法的流程示意图；
图2a是本发明中某个用户对不同价格的接受概率图；
图2b是本发明中随机抽取的10个用户对不同价格的接受概率图；
图3是本发明本发明对某一用户描绘的利率敏感度曲线；
图4本发明在相同动支概率情况下对图3的建议定价Psug加价后模拟动支概率的变化示意图；
图5是本发明一种基于利率敏感度曲线的定价装置的结构框架示意图；
图6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7是本发明一个计算机可读介质实施例的示意图。
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。
请参阅图1，图1是本发明提供的一种基于利率敏感度曲线的定价方法的流程图，如图1所示，所述方法包括：
S1、建立各个用户的利率敏感度曲线；
其中，所述利率敏感度曲线用于反映用户的交易心理，即用户在哪些利率范围内会进行信贷交易，在哪些利率范围内不会进行信贷交易。
示例性的，本发明中，各个用户的利率敏感度曲线通过如下步骤建立：
S11、创建风险信用模型，根据所述风险信用模型确定用户风险定价；
所述风险信用模型用于评价用户的信用等级，具体可以通过采集用户的购物信息(如淘宝等购物平台的购物履约信息)、借贷信息(如在其他平台借款时是否按期还款)、租赁信息(如房屋、汽车等租赁是否按期归还)等，将用户的这些信息输入风险信用模型中得到用户信用等级，再根据用户信用等级确定用户的定价级别，将该定价级别作为该用户的风险定价。具体可以对不同信用等级设置不同的定价级别，如第一信用等级对应定价级别a，第二信用等级对应定价级别b，第三信用等级对应定价级别c等。
其中，所述风险信用模型具体可以采用Logistic回归模型或XGB模型。
S12、创建动支模型，根据所述用户风险定价及所述动支模型确定用户利率敏感度曲线。
本发明中，所述动支模型是一个动态的多级模型，底层架构是多个有监督模型的融合，根据用户风险定价及所述多个有监督模型通过贝叶斯方法确定用户第一初始定价，其中所述有监督模型可以是XGB模型。中间层采用自动编码器auto-encoder分层，将所述第一初始定价输入所述自动编码器获取用户第二初始定价；其中，auto-encoder是多层神经网络，其输入层和输出层表示相同的含义，具有相同的节点数。auto-encoder学习的是一个输入输出相同的“恒等函数”。auto-encoder的意义在于学习的(通常是节点数更少的)中间coder层(最中间的那一层)，这一层是输入向量的良好表示。本发明中，通过auto-encoder分层自动化地更新一些外部宏观变量。所述动支模型的上层通过深度学习的方式整合所述第一初始定价和所述第二初始定价，同时通过每个用户对不同价格的接受概率图及用户历史表现描绘各个用户的利率敏感度曲线。
其中，每个用户对不同价格的接受概率图通过历史样本数据来描绘，如图2a示出了某个用户对不同价格的接受概率图中横坐标代表利率，纵坐标代表用户接受该利率的概率。图2b为随机抽取的10个用户对不同价格的接受概率图。用户历史表现指在利率变动的历史情况下，用户动支意愿的改变情况。如图3为本发明对某一用户描绘的利率敏感度曲线，其横坐标表示用户的接受定价的概率，纵坐标表示对用户的建议定价Psug，NeutralDemand表示理想建议定价Psug下的利率敏感度曲线，High Demand表示建议定价Psug过高的利率敏感度曲线，Low Demand表示建议定价Psug过低的利率敏感度曲线。图4是在相同动支概率情况下对图3的建议定价Psug加价后模拟动支概率的变化情况，从图4可以看出：在相同动支概率的情况下，对利率加价后的动支概率变化差异很大。
S2、建立客群子模型对客群进行分组得到多个客群组；
本发明中，通过客群子模型将所有用户作为整体客群进行分组，得到多个客群组。示例性的，可以通过分类器将客群分为信用等级不同的客群组。
S3、建立利率衡量指标，根据所述利率衡量指标、所述利率敏感度曲线确定各个客群组的用户定价。
其中，所述利率衡量指标用于确定用户的最终利率定价。其可以是一个也可以是多个。本实施例中，所述利率衡量指标包括：PDR和AWP。
所述建立利率衡量指标包括：
S31、根据所述利率敏感度曲线确定各个客群组的用户建议定价Psug；
示例性的，在动支概率相同的情况下，根据客群组中各个用户的利率敏感度曲线确定各个用户的建议定价p，将各个用户建议定价p的平均值作为该客群组的用户建议定价Psug。
S32、当所述用户建议定价Psug大于等于回测月份用户实际产品定价Prea1时，分别计算该客群组的用户动支概率a和未动支概率b；
其中，回测月份可以设定为最近一个月，则回测月份用户实际产品定价Preal指最近一个月用户实际产品定价。
在上述动支模型不变的情况下，保留一定的测试组和对比组，可以较为公正的计算加价带来的收益和余额可能的下降，进而可以确定各个客群组中用户的动支概率a和未动支概率b。
S33、当所述用户建议定价Psug小于回测月份用户实际产品定价Preal时，分别计算该客群组的用户动支概率c和未动支概率d；
本步骤具体算法与S32相同，此处不再赘述。
最后得到利率衡量指标：
PDR＝d/(b+d)；
AWP＝根据金额的平均加权定价。
其中，PDR反映了所有未动支用户中，建议定价Psug比实际产品定价Preal小的占比，这个指标越高，越可能增加更多的动支人数。AWP是根据该客群组所有用户的贷款金额的平均加权值所确定的利率定价。本发明中，在所述AWP一定的情况下，将PDR最大时的建议定价Psug作为该客群组的用户定价。
进一步的，为了保证最终定价的准确性，本发明提供的基于利率敏感度曲线的定价还可以包括以下步骤：
S4、判断所述动支模型的可信性；当所述动支模型的可信性达到预设标准时，将所述用户定价作为最终定价。
具体可以将动支模型的模型节点标记出来，通过计算余弦相似度来评估动支模型的可信性。
图5是本发明一种基于利率敏感度曲线的定价装置的架构示意图，如图5所示，所述装置包括：
第一创建模块51，用于建立各个用户的利率敏感度曲线；
第二创建模块52，用于建立客群子模型对客群进行分组得到多个客群组；
第三创建模块53，用于建立利率衡量指标，根据所述利率衡量指标、所述利率敏感度曲线确定各个客群组的用户定价。
置信判断模块54，用于判断所述动支模型的可信性；当所述动支模型的可信性达到预设标准时，将所述用户定价作为最终定价。
其中，所述第一创建模块51包括：
第一子创建模块510，用于创建风险信用模型，根据所述风险信用模型确定用户风险定价；
第二子创建模块511，用于创建动支模型，根据所述用户风险定价及所述动支模型确定用户利率敏感度曲线。
进一步的，所述第二子创建模块511包括：
第一处理模块，用于创建多个有监督模型，根据用户风险定价及所述多个有监督模型通过贝叶斯装置确定用户第一初始定价；优选的，所述有监督模型为XGB模型。
第二处理模块，用于创建自动编码器，将所述第一初始定价输入所述自动编码器获取用户第二初始定价；
第三处理模块，用于通过深度学习的方式整合所述第一初始定价和所述第二初始定价，同时通过每个用户对不同价格的接受概率图及用户历史表现描绘各个用户的利率敏感度曲线。
所述第三创建模块53包括：子创建模块531，具体用于根据所述利率敏感度曲线确定各个客群组的用户建议定价Psug；当所述用户建议定价Psug大于等于回测月份用户实际产品定价Preal时，分别计算该客群组的用户动支概率a和未动支概率b；当所述用户建议定价Psug小于回测月份用户实际产品定价Preal时，分别计算该客群组的用户动支概率c和未动支概率d；
则所述利率衡量指标：
PDR＝d/(b+d)；
AWP＝根据金额的平均加权定价。
根据权利要求11所述的装置，其特征在于，所述第三创建模块还包括：
子确定模块532，用于在所述AWP一定的情况下，将PDR最大时的建议定价Psug作为该客群组的用户定价。
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。
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6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6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6所示，该示例性实施例的电子设备600以通用数据处理设备的形式表现。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、连接不同电子设备组件(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620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610执行，使得所述处理单元610执行本发明各种实施方式的步骤。例如，所述处理单元610可以执行如图1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：操作电子设备、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300(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600与该电子设备600交互，和/或使得该电子设备600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650进行，还可以通过网络适配器660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660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6中未示出，电子设备600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电子设备、磁带驱动器以及数据备份存储电子设备等。
图7是本发明的一个计算机可读介质实施例的示意图。如图7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、或半导体的电子设备、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：建立各个用户的利率敏感度曲线；建立客群子模型对客群进行分组得到多个客群组；建立利率衡量指标，根据所述利率衡量指标、所述利率敏感度曲线确定各个客群组的用户定价。
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电子设备、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音的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语音包括面向对象的程序设计语音-诸如Java、C++等，还包括常规的过程式程序设计语音-诸如“C”语音或类似的程序设计语音。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 (10)
1.一种基于利率敏感度曲线的定价方法，其特征在于，所述方法包括：
建立各个用户的利率敏感度曲线；
建立客群子模型对客群进行分组得到多个客群组；
建立利率衡量指标，根据所述利率衡量指标、所述利率敏感度曲线确定各个客群组的用户定价。
2.根据权利要求1所述的方法，其特征在于，所述建立各个用户的利率敏感度曲线包括：
创建风险信用模型，根据所述风险信用模型确定用户风险定价；
创建动支模型，根据所述用户风险定价及所述动支模型确定用户利率敏感度曲线。
3.根据权利要求1-2中任一项所述的方法，其特征在于，所述根据所述用户风险定价及所述动支模型确定用户利率敏感度曲线包括：
创建多个有监督模型，根据用户风险定价及所述多个有监督模型通过贝叶斯方法确定用户第一初始定价；
创建自动编码器，将所述第一初始定价输入所述自动编码器获取用户第二初始定价；
通过深度学习的方式整合所述第一初始定价和所述第二初始定价，同时通过每个用户对不同价格的接受概率图及用户历史表现描绘各个用户的利率敏感度曲线。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述建立利率衡量指标包括：
根据所述利率敏感度曲线确定各个客群组的用户建议定价Psug；
当所述用户建议定价Psug大于等于回测月份用户实际产品定价Preal时，分别计算该客群组的用户动支概率a和未动支概率b；
当所述用户建议定价Psug小于回测月份用户实际产品定价Preal时，分别计算该客群组的用户动支概率c和未动支概率d；
则所述利率衡量指标：
PDR＝d/(b+d)；
AWP＝根据金额的平均加权定价。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述根据所述利率衡量指标、所述利率敏感度曲线确定各个客群组的用户定价包括：
在所述AWP一定的情况下，将PDR最大时的建议定价Psug作为该客群组的用户定价。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述方法还包括：
判断所述动支模型的可信性；
当所述动支模型的可信性达到预设标准时，将所述用户定价作为最终定价。
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述有监督模型为XGB模型。
8.一种基于利率敏感度曲线的定价装置，其特征在于，所述装置包括：
第一创建模块，用于建立各个用户的利率敏感度曲线；
第二创建模块，用于建立客群子模型对客群进行分组得到多个客群组；
第三创建模块，用于建立利率衡量指标，根据所述利率衡量指标、所述利率敏感度曲线确定各个客群组的用户定价。
9.一种电子设备，包括：
处理器；以及
存储计算机可执行指令的存储器，所述计算机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，当所述一个或多个程序被处理器执行时，实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010274560.1A CN111582908A (zh) | 2020-04-09 | 2020-04-09 | 一种基于利率敏感度曲线的定价方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010274560.1A CN111582908A (zh) | 2020-04-09 | 2020-04-09 | 一种基于利率敏感度曲线的定价方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111582908A true CN111582908A (zh) | 2020-08-25 |
Family
ID=72122707
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010274560.1A Pending CN111582908A (zh) | 2020-04-09 | 2020-04-09 | 一种基于利率敏感度曲线的定价方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111582908A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508689A (zh) * | 2021-02-01 | 2021-03-16 | 四川新网银行股份有限公司 | 一种基于多维度实现决策评估的方法 |
| CN112529689A (zh) * | 2020-12-16 | 2021-03-19 | 北京逸风金科软件有限公司 | 银行风险定价策略的仿真方法和装置 |
| CN115439208A (zh) * | 2022-08-01 | 2022-12-06 | 睿智合创(北京)科技有限公司 | 一种基于客户信用的客户动态定价方法 |
-
2020
- 2020-04-09 CN CN202010274560.1A patent/CN111582908A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112529689A (zh) * | 2020-12-16 | 2021-03-19 | 北京逸风金科软件有限公司 | 银行风险定价策略的仿真方法和装置 |
| CN112529689B (zh) * | 2020-12-16 | 2024-04-26 | 北京逸风金科软件有限公司 | 银行风险定价策略的仿真方法和装置 |
| CN112508689A (zh) * | 2021-02-01 | 2021-03-16 | 四川新网银行股份有限公司 | 一种基于多维度实现决策评估的方法 |
| CN115439208A (zh) * | 2022-08-01 | 2022-12-06 | 睿智合创(北京)科技有限公司 | 一种基于客户信用的客户动态定价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9760619B1 (en) | Generating weighted clustering coefficients for a social network graph | |
| CN111582908A (zh) | 一种基于利率敏感度曲线的定价方法、装置及电子设备 | |
| CN111192131A (zh) | 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 | |
| CN112508580A (zh) | 基于拒绝推断方法的模型构建方法、装置和电子设备 | |
| CN112016796B (zh) | 综合风险评分请求处理方法、装置及电子设备 | |
| CN111209478A (zh) | 任务推送方法及装置、存储介质及电子设备 | |
| KR102288785B1 (ko) | 당사자들 사이의 전략적 상호작용에서의 전략 검색을 위한 샘플링 방식들 | |
| US11410111B1 (en) | Generating predicted values based on data analysis using machine learning | |
| CN111159565A (zh) | 构建基于多目标优化的推荐模型的方法、装置及设备 | |
| US20220083897A1 (en) | Explanation for time series forecasting models | |
| CN113407854A (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
| CN110689425A (zh) | 基于收益进行额度定价的方法、装置和电子设备 | |
| CN115169633A (zh) | 瓦斯浓度预测方法及装置 | |
| CN110033165A (zh) | 逾期借款催收方式的推荐方法、装置、介质、电子设备 | |
| JP2022080302A (ja) | コンピュータ実装方法、コンピュータプログラム製品、およびコンピュータシステム（ニューラルネットワークを用いたデータパーティショニング） | |
| CN116542673B (zh) | 应用于机器学习的欺诈行为识别方法及系统 | |
| CN112419025A (zh) | 用户数据处理方法和装置、存储介质、电子设备 | |
| CN111382909A (zh) | 基于生存分析模型扩展坏样本的拒绝推断方法及相关设备 | |
| CN116091249A (zh) | 交易风险的评估方法、装置、电子设备和介质 | |
| CN115953234A (zh) | 风险评估方法、装置、电子设备及存储介质 | |
| US8370241B1 (en) | Systems and methods for analyzing financial models with probabilistic networks | |
| CN113516398A (zh) | 基于分层抽样的风险设备识别方法、装置及电子设备 | |
| US20210271713A1 (en) | Adapting conversational agent communications to different stylistic models | |
| CN113743906A (zh) | 一种确定业务处理策略的方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |
|
| RJ01 | Rejection of invention patent application after publication |