CN111626466A - 一种现金流数据预测方法、装置及系统 - Google Patents
一种现金流数据预测方法、装置及系统 Download PDFInfo
- Publication number
- CN111626466A CN111626466A CN202010266784.8A CN202010266784A CN111626466A CN 111626466 A CN111626466 A CN 111626466A CN 202010266784 A CN202010266784 A CN 202010266784A CN 111626466 A CN111626466 A CN 111626466A
- Authority
- CN
- China
- Prior art keywords
- cash flow
- asset data
- prediction
- data
- sub
- 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 67
- 238000004064 recycling Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012896 Statistical algorithm Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000013439 planning Methods 0.000 abstract description 4
- 230000015654 memory Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 9
- 238000011084 recovery Methods 0.000 description 7
- 238000011217 control strategy Methods 0.000 description 5
- 101000969581 Homo sapiens MOB kinase activator 1A Proteins 0.000 description 3
- 102100021437 MOB kinase activator 1A Human genes 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012954 risk control Methods 0.000 description 3
- 101001115732 Homo sapiens MOB kinase activator 2 Proteins 0.000 description 2
- 102100025000 MOB kinase activator 2 Human genes 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 102000003712 Complement factor B Human genes 0.000 description 1
- 108090000056 Complement factor B Proteins 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 101000730540 Homo sapiens MOB-like protein phocein Proteins 0.000 description 1
- 102100032587 MOB-like protein phocein Human genes 0.000 description 1
- 101100018694 Rattus norvegicus Il24 gene Proteins 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 102000003898 interleukin-24 Human genes 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Pure & Applied Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的一种现金流数据预测方法、装置及系统，其中，该方法包括：提取目标时间段内的整体资产数据；根据整体资产数据，确定整体资产数据的有效特征及子资产数据；根据有效特征及子资产数据，分别计算第一预测结果，可以是有效特征及子资产数据各自现金流指标的预测结果，根据现金流指标的多个第一预测结果，计算第二预测结果，第二预测结果用以表征整体资产的现金流数据预测结果。通过实施本发明，解决了现有技术中无法准确预测汽车金融企业的现金流，且预测的过程较为繁琐的问题，提高了汽车金融企业对于现金流数据预测的准确率，还可以针对于现金流的预测情况，使得汽车金融企业可以提前进行资金规划。
Description
技术领域
本发明涉及信息处理领域，具体涉及一种现金流数据预测方法、装置及系统。
背景技术
随着消费升级和汽车金融市场快速发展，汽车金融业务量逐年上升，与之伴随而来的是对汽车贷款现金流数据的精准预测需求。
目前汽车金融行业对于金融业务现金流数据的预测大多停留在财务层面预估，也就是仅针对于汽车订单的交易量来统计的，但是由于汽车金融领域涉及到汽车贷款和客户还款，所以导致对于公司现金流数据的预估准确性较低，且预测过程较为繁琐的问题。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中对于汽车金融企业的现金流数据预测准确性较低，且预测过程较为繁琐的缺陷，从而提供一种现金流数据预测方法、装置及系统。
根据第一方面，本发明实施例公开了一种现金流数据预测方法，包括如下步骤：提取目标时间段内的整体资产数据；根据所述整体资产数据，确定所述整体资产数据的有效特征及子资产数据；所述有效特征用以表征划分所述整体资产数据的不同标准，子资产数据用以表征根据所述有效特征而划分的资产数据；根据所述有效特征及子资产数据，分别计算现金流指标的多个第一预测结果，所述现金流指标包括未来逾期率、逾期金额、折现金额、保证金金额、回收处置金额等，用以表征预测子资产数据现金流的指标；根据所述现金流指标的多个第一预测结果，计算得到第二预测结果，所述第二预测结果用以表征所述整体资产的现金流数据预测结果。
结合第一方面，在第一方面第一实施方式中，所述根据所述整体资产数据，确定所述整体资产数据的有效特征及子资产数据，包括：根据所述整体资产数据，计算不同指标的资产数据的初始账龄表；根据所述整体资产数据，确定划分所述整体资产数据的有效特征；根据所述初始账龄表、所述有效特征，计算生成不同指标的资产数据的账龄表。
结合第一方面第一实施方式，在第一方面第二实施方式中，所述根据所述有效特征及子资产数据，分别计算得到现金流指标的多个第一预测结果，具体包括：根据所述有效特征及子资产数据，确定所述初始账龄表对应的第一进展因子及其权重；根据所述第一进展因子及其权重，分别确定所述现金流指标的第二进展因子；根据所述第二进展因子，分别计算现金流指标的多个第一预测结果。
结合第一方面第二实施方式，在第一方面第三实施方式中，所述根据所述现金流指标的多个第一预测结果，计算第二预测结果，具体包括：合并所述现金流指标的多个第一预测结果，分别计算得到所述现金流指标的第三预测结果，所述第三预测结果用以表征预测所述整体资产数据现金流不同指标的预测结果；根据所述整体资产数据不同现金流指标的预测结果，计算得到所述第二预测结果。
结合第一方面第一实施方式，在第一方面第四实施方式中，所述根据所述有效特征及子资产数据，分别计算现金流指标的多个第一预测结果，还包括：根据所述有效特征及子资产数据，通过统计学算法确定所述子资产数据的概率分布；根据所述子资产数据的概率分布，确定所述现金流指标的多个仿真模型；根据所述多个仿真模型，确定所述现金流指标的多个第一预测结果。
结合第一方面第二实施方式，在第一方面第五实施方式中，该方法还包括：获取实际应用场景信息；根据所述实际应用场景信息及预设规则，对所述第二进展因子进行噪声修正。
根据第二方面本发明实施例公开了一种现金流数据预测装置，包括：提取模块，用于提取目标时间段内的整体资产数据；第一确定模块，用于根据所述整体资产数据，确定所述整体资产数据的有效特征及子资产数据；第一计算模块，用于根据所述有效特征及子资产数据，分别计算现金流指标的多个第一预测结果，所述现金流指标包括未来逾期率、逾期金额、折现金额，保证金金额，回收处置金额用以表征预测子资产数据现金流的指标；第二计算模块，用于根据所述现金流指标的多个第一预测结果，计算第二预测结果，所述第二预测结果用以表征所述整体资产的现金流数据预测结果。
根据第三方面，本发明实施例公开了一种现金流数据预测系统，包括：至少一个控制设备，所述控制设备用于执行如第一方面或第一方面任一实施方式中所述的现金流数据预测方法的步骤，根据整体资产情况以及有效特征信息对汽车金融公司的现金流进行预测。
根据第四方面，本发明实施例公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面任一实施方式中所述的现金流数据预测方法的步骤。
本发明技术方案，具有如下优点：
1.本发明实施例提供的一种现金流数据预测方法、装置及系统，包括如下步骤：将整体资产基于有效特征拆分成多个子资产，有效特征可以是产品期限、贷款人年龄阶段，对这些子资产的未来逾期率、逾期金额、回收情况、保证金金额，回收处置金额现金流数据预测指标进行量化分析、模拟，最终再将各特征的预测结果合并形成整体资产未来现金流数据预测结果。具体地，提取目标时间段内的整体资产数据；根据整体资产数据，确定整体资产数据的有效特征及子资产数据；有效特征用以表征划分整体资产数据的不同标准，子资产数据用以表征根据有效特征而划分的资产数据；根据有效特征及子资产数据，分别计算现金流指标的多个第一预测结果，现金流指标包括未来逾期率、逾期金额、折现金额、保证金金额、回收处置金额，用以表征预测子资产数据现金流的指标；根据现金流指标的多个第一预测结果，计算第二预测结果，第二预测结果用以表征整体资产的现金流数据预测结果。通过实施本发明，解决了现有技术中无法准确预测汽车金融企业的现金流，且预测的过程较为繁琐的问题，提高了汽车金融企业对于现金流数据预测的准确率，还可以针对于现金流的预测情况，使得汽车金融企业可以提前进行资金规划，进一步与风险控制系统结合，制定符合企业风险容忍度的风控策略。
2.本发明实施例提供的一种现金流数据预测方法、装置及系统，可以使相应的汽车金融企业通过提前预测企业现金流情况，从而预知在未来经营状况中存在的风险，根据预测到的现金流情况，制定更加符合企业本身的经营策略；另外，本发明实施例中的现金流数据预测方法的实施过程中，涉及到的各产品种类、各产品期限的现金流数据预测结果的数据资料可以存储于企业数据库中，根据上述数据信息，优化企业内部制定的产品策略；还可以为企业中风险管理部门提供相应的数据支持，帮助其制定更加有效的前端风控策略。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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方式，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。
图1为本发明实施例1中一种现金流数据预测方法的一个具体示例的流程图；
图2为本发明实施例1中一种现金流数据预测方法的中生成账龄表的流程图；
图3为本发明实施例1中一种现金流数据预测方法确定第一预测结果的流程图；
图4为本发明实施例1中一种现金流数据预测方法中计算第二预测结果的流程图；
图5为本发明实施例1中一种现金流数据预测方法计算第一预测结果的另一个具体示例的流程图；
图6为本发明实施例2中一种现金流数据预测装置的一个具体示例的结构框图；
图7为本发明实施例3中一种现金流数据预测系统中控制设备的结构框图；
图8为本发明实施例3中一种现金流数据预测系统中控制器的结构框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供一种现金流数据预测方法，应用于汽车金融企业结合历史数据对目标时间节点的企业现金流的预测的具体应用场景中，如图1 所示，该方法包括：
步骤S11：提取目标时间段内的整体资产数据；在本实施例中，目标时间段可以是一个月、一个季度、半年、一年等表示时间的节点，具体地，在汽车金融企业中，涉及到汽车贷款业务，在本实施例中采用一整年内资产数据；整体资产数据包括：企业在目标时间段内已经成交的订单数量以及订单金额。
步骤S12：根据整体资产数据，确定整体资产数据的有效特征及子资产数据；有效特征用以表征划分整体资产数据的不同标准，子资产数据用以表征根据有效特征而划分的资产数据；
示例性地，整体资产是企业在目标时间段内已经成交的订单总量，基于不同的维度，整体资产可以划分成不同的子资产集合；具体地，根据已经成交的订单数据，确定区分不同订单之间的标准，比如，消费者购买的汽车的贷款期限不同，部分消费者购买汽车时贷款两年、三年、四年等，表示不同的贷款期限的指标可以是产品期限，也就是产品期限1可以是共两年贷款的汽车；产品期限2可以是共三年贷款的汽车；产品期限3可以是共四年贷款的汽车，可以有N各产品期限种类的汽车；基于产品期限的标准，可以将整体资产数据，也就是成交的订单总量，划分为产品期限为二年贷款时间的子资产数据、产品期限为三年贷款时间的子资产数据、产品期限为四年贷款时间的子资产数据。
示例性地，有效特征还可以是消费者，也就是贷款人的年龄期限，不同年龄期限的消费者对于还款的执行程度不同；公司自身的风险政策和/或管理政策也可能是相应的有效特征，如是否为高风险城市、按成交所在省或市进行的特征划分等。有效特征还可以是任意根据上述整体资产数据确定的，对订单还款有影响的，可以划分整体资产数据的标准。
步骤S13：根据有效特征及子资产数据，分别计算现金流指标的多个第一预测结果，现金流指标可以包括未来逾期率、逾期金额、折现金额、保证金金额、回收处置金额等，用以表征预测子资产数据现金流的指标；第一预测结果可以是有效特征及子资产数据各自的现金流指标的预测结果；在本实施例中，根据上述步骤确定的有效特征以及基于有效特征划分而成的子资产数据，生成不同指标所对应的进展因子及其权重，上述不同指标可以是7天逾期率、30天逾期率、处置回收率等，上述权重可以是根据不同成交周期的贷款金额，具体地，可以是每个月份的贷款金额得到的，将不同月份的进展因子及其权重进行加权统一，得到目标时间段内的进展因子；
示例性地，可以结合汽车金融实际应用场景，对已经计算得到的进展因子进行修正，使计算得到的进展因子更加贴合实际，提高汽车金融企业现金流数据预测的准确程度。
示例性地，基于不同成交周期订单金额中的有效特征及子资产数据，计算得到各有效特征下对应的现金流数据预测指标的进展因子曲线，对该成交周期订单金额的未来指标进行预测，得到现金流指标的第一预测结果。
示例性地，基于各有效特征及子资产数据，采用统计学方法计算各子资产数据的概率分布。采用相应模拟仿真技术对现金流数据预测指标，建立量化模型，生成相应的仿真函数。对上述现金流数据预测指标进行未来模拟仿真，计算得到第一预测结果，具体地，现金流指标可以是逾期率、逾期金额、折现金额、保证金金额、回收处置金额等，例如，逾期率可以是逾期七天的订单逾期率、逾期三十天的订单逾期率、逾期九十天的订单逾期率等。
步骤S14：根据现金流指标的多个第一预测结果，计算第二预测结果，第二预测结果用以表征整体资产的现金流数据预测结果。在本实施例中，根据现金流指标的多个第一预测结果，也就是根据贷款期限为两年的订单的逾期率、贷款期限为三年的订单的逾期率、贷款期限为四年的订单的逾期率，结合上述步骤中计算得到的权重，进行合并，最终得到整体资产数据的逾期率预测结果；经过类似过程，也可得到整体资产的回收金额、保证金、折现金额、逾期金额的预测结果，在此不再赘述。
示例性地，将步骤S13中的各项现金流数据预测指标基于实际业务逻辑进行合并，计算得到第二预测结果，也就是最终计算得到的整体资产数据的现金流数据预测结果。
本发明实施例提供的一种现金流数据预测方法，其中，方法包括如下步骤：将整体资产基于有效特征拆分成多个子资产，有效特征可以是产品期限、贷款人年龄阶段、公司风控政策、订单成交省份，对这些子资产的未来逾期率、逾期金额、回收情况等现金流数据预测指标进行量化分析、模拟，最终再将各特征的预测结果合并形成整体资产未来现金流数据预测结果。通过实施本发明，解决了现有技术中无法准确预测汽车金融企业的现金流，且预测的过程较为繁琐的问题，提高了汽车金融企业对于现金流数据预测的准确率，还可以针对于现金流的预测情况，使得汽车金融企业可以提前进行资金规划，进一步与风险控制系统结合，制定符合企业风险容忍度的风控策略。
在一具体实施例中，上述步骤S12，根据整体资产数据，确定整体资产数据的有效特征及子资产数据，在执行的过程中，如图2所示：可具体包括如下步骤：
步骤S121：根据整体资产数据，计算不同指标的资产数据的初始账龄表；在本实施例中，不同指标可以是7天逾期率，30天逾期率，处置回收率，本步骤也就是对存量资产的逾期率统计分析，生成各口径Vintage表。具体地，口径表示不同产品期限的订单的逾期时限。
步骤S122：根据整体资产数据，确定划分整体资产数据的有效特征；在本实施例中，根据整体资产数据，也就是目标时间段的订单成交金额，确定与还款现金流以及还款逾期率有显著关系的特征，具体地，可以是产品期限，例如，不同还款周期的产品，还款情况有所不同；均价为二十万的汽车，贷款三年与贷款五年的还款情况会有不同；特征还可以贷款人年龄期限，青年与中年的还款情况也会有差异。
步骤S123：根据初始账龄表、有效特征，计算生成不同指标资产数据的账龄表，表示目标时间段内成交的订单在之后每个还款周期的表现，MOB1 可以表示第一个还款周期、MOB2可以表示第二个还款周期。
示例性地，基于不同指标，可以是7天逾期率、30天逾期率、处置回收率等，例如，逾期7天以上的订单逾期率、逾期30天以上的订单逾期率、逾期90天以上的订单逾期率，计算相应的账龄表，如表1所示：
表1
| 放款月 | 放款额：万元 | MOB1 | MOB2 | MOB3 | MOB4 | MOB5 | MOB6 | MOB7 | MOB8 |
| 2018年12月 | 100 | 1.9％ | 1.4％ | 1.4％ | 1.4％ | 3.2％ | 2.3％ | 2.9％ | 2.9％ |
| 2019年1月 | 300 | 7.2％ | 7.2％ | 7.2％ | 7.2％ | 8.0％ | |||
| 2019年2月 | 400 | 5.1％ | 5.1％ | 5.1％ | 5.3％ | ||||
| 2019年3月 | 500 | 5.4％ | 5.4％ | 6.7％ | |||||
| 2019年4月 | 600 | 2.6％ | 3.1％ | ||||||
| 2019年5月 | 700 | 3.0％ |
通过下述公式计算表内的逾期率：
例如，2018年12月的MOB1，可通过下述公式计算：
其中，Q表示2018年11月份成交订单的放款额在第一个回收周期内的逾期率。
示例性地，还可以基于不同的逾期时限，也就是不同的口径计算逾期率，如表2所示：
表2
具体地，逾期时限为7天的订单金额会对逾期时限为九十天的订单金额产生影响，基于目标时间段内的历史数据，可以计算逾期时限为7天与逾期时限为90天的进展关系，因此基于历史数据可以确定7+逾期率至后面还款周期90+逾期率的关系；在同一成交月订单逾期时限为九十天的订单金额的逾期率在后续还款周期中存在相应的进展关系。
示例性地，预测2019年1月成交订单在MOB6时候的表现，也就是在第六个还款周期的表现，根据俩部分内容确定：逾期时限为7天与逾期时限为90天的进展关系以及同一成交月订单逾期时限为九十天的订单金额的逾期率在后续还款周期中的进展关系。
在一具体实施例中，上述步骤S13，根据有效特征及子资产数据，分别计算现金流指标的多个第一预测结果，在执行的过程中，如图3所示，可具体包括如下步骤：
步骤S131：根据有效特征及子资产数据，确定初始账龄表对应的第一进展因子及其权重；具体地，第一进展因子可以是每个成交月份的第一个还款周期A与下一个还款周期B之间的关系，其中，A表示在第一个还款周期中的逾期率，B表示在第二个还款周期中的逾期率，如表3所示：
表3
通过下述公式计算得到多个第一进展因子，如表4所示：
第一进展因子＝B/A，
表4
| 2018年11月 | 74％ |
| 2018年12月 | 118％ |
| 2019年1月 | 100％ |
| 2019年2月 | 100％ |
| 2019年3月 | 100％ |
| 2019年4月 | 119％ |
示例性地，权重可以是该成交周期放款额与目标时间段内总放款额的比值，如表5所示：
表5
步骤S132：根据第一进展因子及其权重，分别确定现金流指标的第二进展因子；在本实施例中，通过下述公式计算MBO1-MBO2的进展因子，即第二进展因子：
单项进展＝第一进展因子*权重,
MBO1-MBO2的进展因子＝所有单项进展相加＝106％。
步骤S133：根据第二进展因子，分别计算现金流指标的多个第一预测结果。
在一具体实施例中，上述步骤S14，根据现金流指标的多个第一预测结果，计算得到第二预测结果，在执行的过程中，如图4所示，可具体包括如下步骤：
步骤S141：合并现金流指标的多个第一预测结果，基于上述步骤中计算得到的权重进行合并，分别计算得到现金流指标的第三预测结果，第三预测结果用以表征预测整体资产数据现金流不同指标的预测结果，第一预测结果可以是产品期限1的逾期率、产品期限2的逾期率、产品期限3的逾期率。
具体地，第三预测结果可以是整体资产逾期率的预测结果、逾期金额、折现金额、保证金金额、回收处置金额的预测结果，可以通过下述公式计算：
逾期率＝逾期率产品期限1+逾期率产品期限2+逾期率产品期限3…。
步骤S142：根据整体资产数据现金流不同指标的预测结果，计算得到第二预测结果。在本实施例中，通过业务逻辑合并上述现金流数据预测指标，包括：逾期率、回收率、保证金、折现金额、保证金金额、回收处置金额等，计算得到最终现金流的预测结果，即第二预测结果。
作为本申请一个可选的实施例，上述步骤12，根据有效特征及子资产数据，分别计算现金流指标的多个第一预测结果，在具体的执行过程中，如图5所示，还包括：
步骤S124：根据有效特征及子资产数据，通过统计学算法确定子资产数据的概率分布；
步骤S125：根据子资产数据的概率分布，确定现金流指标的多个仿真模型；
步骤S126：根据多个仿真模型，确定现金流指标的多个第一预测结果。
示例性地，上述步骤中的第一进展因子符合正态分布，正态分布由两个参数决定，即样本均值和样本方差，通过不同的均值和方差，计算对应的正态分布，当与第一进展因子的实际出现概率分布最接近时，确定此概率分布，通过模拟仿真技术对相应进展因子建立仿真模型，生成相应的第二进展因子，计算得到现金流数据预测指标，也就是第一预测结果。
本发明实施例提供的一种现金流数据预测方法，可以使相应的汽车金融企业通过提前预测企业现金流情况，从而预知在未来经营状况中存在的风险，根据预测到的现金流情况，制定更加符合企业本身的经营策略；另外，本发明实施例中的现金流数据预测方法的实施过程中，涉及到的各产品种类、各产品期限的现金流数据预测结果的数据资料可以存储于企业数据库中，根据上述数据信息，优化企业内部制定的产品策略；还可以为企业中风险管理部门提供相应的数据支持，帮助其制定更加有效的前端风控策略。
作为本申请一个可选的实施例，上述步骤13，根据有效特征及子资产数据，分别计算现金流指标的多个第一预测结果，在具体的执行过程中，还包括：
步骤S134：获取实际应用场景信息；根据实际应用场景信息及预设规则，对第二进展因子进行噪声修正。具体地，在实际计算中，由于样本量的差异，进展因子可能出现异常波动，例如在某些业务场景下进展因子不应该小于1，针对这种情况需要结合实际的业务情况对进展因子进行合理人工修正。提高了对于企业现金流数据预测的准确性。
实施例2
本发明实施例提供一种现金流数据预测装置，如图6所示，该装置包括：
提取模块，用于提取目标时间段内的整体资产数据；详细实施内容可参见上述方法实施例中步骤S11的相关描述。
第一确定模块，用于根据所述整体资产数据，确定所述整体资产数据的有效特征及子资产数据；详细实施内容可参见上述方法实施例中步骤S12 的相关描述。
第一计算模块，用于根据所述有效特征及子资产数据，分别计算现金流指标的多个第一预测结果，所述现金流指标包括未来逾期率、逾期金额、折现金额、保证金金额、回收处置金额等，用以表征预测子资产数据现金流的指标；详细实施内容可参见上述方法实施例中步骤S13的相关描述。
第二计算模块，用于根据所述现金流指标的多个第一预测结果，计算第二预测结果，所述第二预测结果用以表征所述整体资产的现金流数据预测结果。详细实施内容可参见上述方法实施例中步骤S14的相关描述。
本发明实施例提供的一种现金流数据预测装置，包括：将整体资产基于有效特征拆分成多个子资产，有效特征可以是产品期限、贷款人年龄阶段，对这些子资产的未来逾期率、逾期金额、回收情况等现金流数据预测指标进行量化分析、模拟，最终再将各特征的预测结果合并形成整体资产未来现金流数据预测结果。具体地，通过提取模块提取目标时间段内的整体资产数据；通过第一确定模块，根据整体资产数据，确定整体资产数据的有效特征及子资产数据；有效特征用以表征划分整体资产数据的不同标准，子资产数据用以表征根据有效特征而划分的资产数据；通过第一计算模块，分别计算现金流指标的多个第一预测结果，现金流指标包括未来逾期率、逾期金额、折现金额、保证金金额、回收处置金额等，用以表征预测子资产数据现金流的指标；最后通过第二计算模块，计算第二预测结果，第二预测结果用以表征整体资产的现金流数据预测结果。通过实施本发明，解决了现有技术中无法准确预测汽车金融企业的现金流，且预测的过程较为繁琐的问题，提高了汽车金融企业对于现金流数据预测的准确率，还可以针对于现金流的预测情况，使得汽车金融企业可以提前进行资金规划，进一步与风险控制系统结合，制定符合企业风险容忍度的风控策略。
实施例3
本发明实施例提供一种现金流数据预测系统，其中包括至少一个控制设备31，控制设备31用于执行如上述实施例中任一项的所述的现金流数据预测方法的步骤。
如图7所示，控制设备31，包括：
第一通讯模块311：用于传输数据，接收和传输根据目标时间段内的整体资产数据获取到的与企业现金流数据预测有关的有效特征及子资产数据信息。该第一通讯模块可以是蓝牙模块，Wi-Fi模块，通过设定的无线通讯协议，继而通信。
第一控制器312：与第一通讯模块311连接，如图8所示，包括：至少一个处理器41；以及与至少一个处理器41通信连接的存储器42；其中，存储器42存储有可被至少一个处理器41执行的指令，当接收到数据信息时，以使至少一个
处理器41执行图1所示的现金流数据预测方法，图8中以一个处理器为例，处理器41，存储器42通过总线40连接，在本实施例中，第一通讯模块可以为无线通讯模块，例如，蓝牙模块，Wi-Fi模块等，也可以为有线通讯模块。第一控制器312与第一通讯模块311之间的传输是无线传输。
存储器42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模块，如本申请实施例中的现金流数据预测方法对应的程序指令/模块。处理器41通过运行存储在存储器42 中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的现金流数据预测方法。
存储器42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；存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外，存储器42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42 可选包括相对于处理器41远程设置的存储器，这些远程存储器可以通过网络连接至网络连接装置。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。
一个或者多个模块存储在存储器42中，当被一个或者多个处理器41 执行时，执行上述实施例任意一项描述的方法。
实施例4
本发明实施例还提供了一种非暂态计算机可读介质，非暂态计算机可读存储介质存储计算机指令，计算机指令用于使计算机执行如上述实施例中任意一项描述的现金流数据预测方法，其中，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(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(HardDisk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.一种现金流数据预测方法，其特征在于，包括如下步骤：
提取目标时间段内的整体资产数据；
根据所述整体资产数据，确定所述整体资产数据的有效特征及子资产数据；所述有效特征用以表征划分所述整体资产数据的不同标准，子资产数据用以表征根据所述有效特征而划分的资产数据；
根据所述有效特征及子资产数据，分别计算现金流指标的多个第一预测结果，所述现金流指标包括未来逾期率、逾期金额、折现金额、保证金金额、回收处置金额，用以表征预测子资产数据现金流的指标；
根据所述现金流指标的多个第一预测结果，计算得到第二预测结果，所述第二预测结果用以表征所述整体资产的现金流数据预测结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述整体资产数据，确定所述整体资产数据的有效特征及子资产数据，包括：
根据所述整体资产数据，计算不同指标的资产数据的初始账龄表；
根据所述整体资产数据，确定划分所述整体资产数据的有效特征；
根据所述初始账龄表、所述有效特征，计算生成不同指标资产数据的账龄表。
3.根据权利要求2所述的方法，其特征在于，所述根据所述有效特征及子资产数据，分别计算现金流指标的多个第一预测结果，具体包括：
根据所述有效特征及子资产数据，确定所述初始账龄表对应的第一进展因子及其权重；
根据所述第一进展因子及其权重，分别计算得到所述现金流指标的第二进展因子；
根据所述第二进展因子，分别计算现金流指标的多个第一预测结果。
4.根据权利要求3所述的方法，其特征在于，所述根据所述现金流指标的多个第一预测结果，计算第二预测结果，具体包括：
合并所述现金流指标的多个第一预测结果，分别计算得到所述现金流指标的第三预测结果，所述第三预测结果用以表征预测所述整体资产数据现金流不同指标的预测结果；
根据所述整体资产数据不同现金流指标的预测结果，计算得到所述第二预测结果。
5.根据权利要求2所述的方法，其特征在于，所述根据所述有效特征及子资产数据，分别计算现金流指标的多个第一预测结果，还包括：
根据所述有效特征及子资产数据，通过统计学算法确定所述子资产数据的概率分布；
根据所述子资产数据的概率分布，确定所述现金流指标的多个仿真模型；
根据所述多个仿真模型，确定所述现金流指标的多个第一预测结果。
6.根据权利要求3所述的方法，其特征在于，还包括：
获取实际应用场景信息；
根据所述实际应用场景信息及预设规则，对所述第二进展因子进行噪声修正。
7.一种现金流数据预测装置，其特征在于，包括：
提取模块，用于提取目标时间段内的整体资产数据；
第一确定模块，用于根据所述整体资产数据，确定所述整体资产数据的有效特征及子资产数据；
第一计算模块，用于根据所述有效特征及子资产数据，分别计算现金流指标的多个第一预测结果，所述现金流指标包括未来逾期率、逾期金额、折现金额、保证金金额、回收处置金额，用以表征预测子资产数据现金流的指标；
第二计算模块，用于根据所述现金流指标的多个第一预测结果，计算第二预测结果，所述第二预测结果用以表征所述整体资产的现金流数据预测结果。
8.一种现金流数据预测系统，其特征在于，包括：
至少一个控制设备，所述控制设备用于执行如权利要求1-6中任一项所述的现金流数据预测方法的步骤，根据整体资产情况以及有效特征信息对汽车金融公司的现金流进行预测。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的现金流数据预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010266784.8A CN111626466A (zh) | 2020-04-07 | 2020-04-07 | 一种现金流数据预测方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010266784.8A CN111626466A (zh) | 2020-04-07 | 2020-04-07 | 一种现金流数据预测方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111626466A true CN111626466A (zh) | 2020-09-04 |
Family
ID=72273073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010266784.8A Pending CN111626466A (zh) | 2020-04-07 | 2020-04-07 | 一种现金流数据预测方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111626466A (zh) |
-
2020
- 2020-04-07 CN CN202010266784.8A patent/CN111626466A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110415119B (zh) | 模型训练、票据交易预测方法、装置、存储介质及设备 | |
| CN110704730A (zh) | 基于大数据的产品数据推送方法、系统及计算机设备 | |
| CN110503564B (zh) | 基于大数据的保全案件处理方法、系统、设备及存储介质 | |
| WO2017007810A1 (en) | Modifying data structures to indicate derived relationships among entity data objects | |
| US10489865B1 (en) | Framework for cash-flow forecasting | |
| CN111353901A (zh) | 风险识别监控方法、装置以及电子设备 | |
| CN111523997A (zh) | 客户风险评估方法和装置、以及电子设备和可读存储介质 | |
| JP5955436B1 (ja) | ローンリスク評価パラメータ算出装置、プログラム、及び方法 | |
| CN112182250A (zh) | 勾稽关系知识图谱的构建方法、财务报表核查方法及装置 | |
| CN112308623A (zh) | 基于监督学习的优质客户流失预测方法、装置及存储介质 | |
| CN115311077A (zh) | 贷款信息处理方法、服务器、应用端和系统 | |
| JP6771513B2 (ja) | 債務不履行確率を算出する装置、方法及びそのためのプログラム | |
| Tikhonov et al. | The Relationship Between the Financial Performance of Banks and the Quality of Credit Scoring Models | |
| US20150178827A1 (en) | Computer modeling of propery tax delinquency risk | |
| CN111626466A (zh) | 一种现金流数据预测方法、装置及系统 | |
| US10235719B2 (en) | Centralized GAAP approach for multidimensional accounting to reduce data volume and data reconciliation processing costs | |
| CN115004182B (zh) | 基于确定值及估计值的数据量化方法 | |
| CN117252677A (zh) | 信贷额度确定方法和装置、电子设备及存储介质 | |
| CN114693428A (zh) | 数据确定方法、装置、计算机可读存储介质及电子设备 | |
| CN112308639B (zh) | 目标事件的时效预计方法及装置 | |
| CN112632197A (zh) | 基于知识图谱的业务关系处理方法及装置 | |
| GB2578733A (en) | Computer-implemented method and system for dynamic loan calculation | |
| CN113674041B (zh) | 车辆报价方法、装置、系统和计算机可读存储介质 | |
| RU2599951C2 (ru) | Система организации процесса электронной торговли финансовыми инструментами | |
| KR101954129B1 (ko) | 스마트고지 핀테크 간편납부 시스템 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200904 |