CN111695982A - 信贷系统的征信数据处理方法及装置、存储介质、终端 - Google Patents
信贷系统的征信数据处理方法及装置、存储介质、终端 Download PDFInfo
- Publication number
- CN111695982A CN111695982A CN201910191321.7A CN201910191321A CN111695982A CN 111695982 A CN111695982 A CN 111695982A CN 201910191321 A CN201910191321 A CN 201910191321A CN 111695982 A CN111695982 A CN 111695982A
- Authority
- CN
- China
- Prior art keywords
- loan applicant
- credit
- present value
- loan
- loss rate
- 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
- 238000011835 investigation Methods 0.000 title claims abstract description 55
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 230000004941 influx Effects 0.000 claims description 6
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000011084 recovery Methods 0.000 description 3
- 238000012550 audit Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification 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
- 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)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一种信贷系统的征信数据处理方法及装置、存储介质、终端，征信数据处理方法包括：获取贷款申请人的征信数据；利用所述贷款申请人的征信数据进行信用评级，以得到所述贷款申请人的信用评分，所述信用评分能够表征所述贷款申请人的信用等级；根据所述贷款申请人的信用评分确定所述贷款申请人针对当前业务的损失率；根据所述损失率计算所述贷款申请人的净现值，所述净现值为未来资金流入现值与未来资金流出现值的差值，所述未来资金流入现值与所述损失率成反比，所述未来资金流出现值与所述损失率成正比；至少根据所述贷款申请人的净现值确定所述贷款申请人是否审批通过。本发明技术方案能够提升信用审核的决策结果的准确性。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种信贷系统的征信数据处理方法及装置、存储介质、终端。
背景技术
消费信贷的借款人进入信审系统填写贷款信息。信审系统主要做以下操作：反欺诈，包括对申请人身份的验真、是否是行业黑名单、其他高欺诈风险的人群判定，如果是判定有较高欺诈风险的，就直接拒绝。如果通过了反欺诈测试；下一步是对申请人的信用风险评估，包括基于大数据的多头借贷的查询、以及基于多个维度的信用风险评级。系统显示申请人的基本画像以及信用风险等级。有了以上信息，就可以进行信贷审批决策。通常是基于预先设定的规则，根据客户的风险等级画像来做决策，给予通过、拒绝、做其他处理这样的决策结果。
在决策的过程中，虽然有预先设定的规则，来使得决策过程相对标准和容易。但是，现有技术中仅根据风险等级确定的决策结果不够准确。
发明内容
本发明解决的技术问题如何提升信用审核的决策结果的准确性。
为解决上述技术问题，本发明实施例提供一种信贷系统的征信数据处理方法，征信数据处理方法包括：获取贷款申请人的征信数据；利用所述贷款申请人的征信数据进行信用评级，以得到所述贷款申请人的信用评分，所述信用评分能够表征所述贷款申请人的信用等级；根据所述贷款申请人的信用评分确定所述贷款申请人针对当前业务的损失率；根据所述损失率计算所述贷款申请人的净现值，所述净现值为未来资金流入现值与未来资金流出现值的差值，所述未来资金流入现值与所述损失率成反比，所述未来资金流出现值与所述损失率成正比；至少根据所述贷款申请人的净现值确定所述贷款申请人是否审批通过。
可选的，所述征信数据处理方法还包括：将所述贷款申请人的净现值输出并进行显示。
可选的，所述根据所述贷款申请人的信用评分确定所述贷款申请人针对当前业务的损失率包括：以第一预设系数为底数，以及第二预设系数与所述贷款申请人的信用评分之差为指数，计算所述损失率，其中，所述贷款申请人的信用评分越高，所述贷款申请人的信用等级越高。
可选的，所述损失率为小于1的正数，所述根据所述损失率计算所述贷款申请人的净现值包括：计算所述贷款申请人的贷款数额与损失系数的乘积，以作为所述未来资金流入现值，所述损失系数与所述损失率成反比，所述征信数据包括所述贷款数额；计算所述贷款申请人的贷款数额与所述损失率的乘积，以作为所述贷款申请人的损失成本；计算所述损失率与所述贷款申请人的贷款期数的第一乘积，以及1减损失率与所述贷款申请人的还款期数的第二乘积，计算所述第一乘积与所述第二乘积之和与所述贷款金额、资金成本率的乘积，以作为所述贷款申请人的资金成本，所述征信数据包括所述贷款期数和所述还款期数；计算所述损失成本与所述资金成本之和，以作为所述未来资金流出现值；计算所述未来资金流入现值与所述未来资金流出现值的差值，以作为所述贷款申请人的净现值。
可选的，所述至少根据所述贷款申请人的净现值确定所述贷款申请人是否审批通过包括：根据所述贷款申请人的净现值以及所述贷款申请人的信用评分确定所述贷款申请人是否审批通过。
可选的，所述征信数据处理方法还包括：判定所述贷款申请人的净现值在最优评级组合中的名额是否大于0，以得到判定结果，所述最优评级组合是预先确定的，所述最优评级组合包括至少一种净现值及其名额；根据所述判定结果确定所述贷款申请人是否审批通过。
为解决上述技术问题，本发明实施例还公开了一种征信数据处理装置，征信数据处理装置包括：征信数据获取模块，适于获取贷款申请人的征信数据；信用评级模块，适于利用所述贷款申请人的征信数据进行信用评级，以得到所述贷款申请人的信用评分，所述信用评分能够表征所述贷款申请人的信用等级；损失率计算模块，适于根据所述贷款申请人的信用评分确定所述贷款申请人针对当前业务的损失率；净现值计算模块，适于根据所述损失率计算所述贷款申请人的净现值，所述净现值为未来资金流入现值与未来资金流出现值的差值，所述未来资金流入现值与所述损失率成反比，所述未来资金流出现值与所述损失率成正比；审批模块，适于至少根据所述贷款申请人的净现值确定所述贷款申请人是否审批通过。
本发明实施例还公开了一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行所述征信数据处理方法的步骤。
本发明实施例还公开了一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行所述征信数据处理方法的步骤。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
本发明技术方案获取贷款申请人的征信数据；利用所述贷款申请人的征信数据进行信用评级，以得到所述贷款申请人的信用评分，所述信用评分能够表征所述贷款申请人的信用等级；根据所述贷款申请人的信用评分确定所述贷款申请人针对当前业务的损失率；根据所述损失率计算所述贷款申请人的净现值，所述净现值为未来资金流入现值与未来资金流出现值的差值，所述未来资金流入现值与所述损失率成反比，所述未来资金流出现值与所述损失率成正比；至少根据所述贷款申请人的净现值确定所述贷款申请人是否审批通过。本发明技术方案在确定贷款申请人的信用评分后，还可以根据贷款申请人的信用评分确定损失率，基于损失率可以确定在当前业务下该贷款申请人所产生的收益和成本，并通过计算贷款申请人的净现值，来用于辅助对该贷款申请人的审批决策，从而提高信用审核的决策结果的准确性。
进一步地，所述根据所述贷款申请人的信用评分确定所述贷款申请人针对当前业务的损失率包括：以第一预设系数为底数，以及第二预设系数与所述贷款申请人的信用评分之差为指数，计算所述损失率，其中，所述贷款申请人的信用评分越高，所述贷款申请人的信用等级越高。本发明技术方案中，损失率与信用评分的关系为指数关系，也即非线性关系，通过损失率与信用评分之间的非线性关系，可以减小后续计算净现值的误差，提高净现值计算的准确性，从而提升审核的决策结果的准确性。
附图说明
图1是本发明实施例一种信贷系统的征信数据处理方法的流程图；
图2是图1所示步骤S104的具体实施方式的流程图；
图3是本发明实施例一种信贷系统的征信数据处理装置的结构示意图。
具体实施方式
如背景技术中所述，在决策的过程中，虽然有预先设定的规则，来使得决策过程相对标准和容易。但是，现有技术中仅根据风险等级确定的决策结果不够准确。
本发明技术方案在确定贷款申请人的信用评分后，还可以根据贷款申请人的信用评分确定损失率，基于损失率可以确定在当前业务下该贷款申请人所产生的收益和成本，并通过计算贷款申请人的净现值，来用于辅助对该贷款申请人的审批决策，从而提高信用审核的决策结果的准确性。
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
图1是本发明实施例一种征信数据处理方法的流程图。所述方法可以由计算机执行，例如可以通过编写计算机程序指令并运行该指令来执行。在实际的应用中，审批系统(也可以成为信贷系统)可以记录贷款申请人的属性信息(例如个人信息、信用信息、待评估数据等)。所述方法可以由审批系统中的模块来执行。审批系统通过执行所述方法可以直接获得审批结果(是否审批通过)，也可以将运行结果发送至系统使用者进行参考。
图1所示征信数据处理方法包括以下步骤：
步骤S101：获取贷款申请人的征信数据；
步骤S102：利用所述贷款申请人的征信数据进行信用评级，以得到所述贷款申请人的信用评分，所述信用评分能够表征所述贷款申请人的信用等级；
步骤S103：根据所述贷款申请人的信用评分确定所述贷款申请人针对当前业务的损失率；
步骤S104：根据所述损失率计算所述贷款申请人的净现值，所述净现值为未来资金流入现值与未来资金流出现值的差值，所述未来资金流入现值与所述损失率成反比，所述未来资金流出现值与所述损失率成正比；
步骤S105：至少根据所述贷款申请人的净现值确定所述贷款申请人是否审批通过。
需要指出的是，本实施例中各个步骤的序号并不代表对各个步骤的执行顺序的限定。
本发明实施例的应用场景可以是消费信贷，例如银行贷款业务、互联网金融贷款、网络贷款等。
贷款申请人在申请贷款时，需要提交贷款资料，该贷款资料可以作为待评级数据。进一步地，还可以调取贷款申请人的信用记录，例如逾期数据等，以作为待评级数据。待评级数据可以表示贷款申请人的信用状况，反映贷款申请人的资产状况和还款能力。具体可以是贷款申请人的信用记录、年龄、住所、收入、固定资产等信息。在步骤S101和步骤S102的具体实施中，可以根据待评级数据得到贷款申请人的信用评分。
具体而言，可以将待评级数据作为输入，利用信用评级模型计算信用评分。不同的信用等级具有不同的信用度以及风险，相应地，不同的信用等级可以具备不同的信用额度。进一步地，不同的信用等级可以具备不同的贷款利率。
在步骤S103的具体实施中，可以根据当前申请人的信用评分计算得到当前申请人针对当前业务的损失率。具体而言，信用评分与损失率的关系可以是线性关系，也可以是非线性关系。对于不同的业务，信用评分与损失率之间的对应关系可以不同。信用评分与损失率之间的对应关系可以是预先确定的。
可以理解的是，针对具体应用场景中的贷款业务，可以利用该业务的历史数据确定信用评分与损失率之间的对应关系，本发明实施例对此不做限制。
在步骤S104的具体实施中，可以利用贷款申请人的损失率计算该贷款申请人的净现值(Net Present Value)。净现值为未来资金流入现值与未来资金流出现值的差值，未来资金流入现值与损失率成正比关系，也即损失率越大，未来资金流入现值越大；未来资金流出现值与损失率成反比关系，也即损失率越大，未来资金流入现值越小。
本实施例中，净现值为大于0的数值时，表示贷款申请人能够针对当前业务带来利润；反之，净现值为大于0的数值时，表示贷款申请人未能够针对当前业务带来利润。
本发明实施例通过损失率计算净现值，实现了对贷款申请人针对当前业务的可预测利润的估计，从而有助于生成更加准确的决策结果。
由此，在步骤S105的具体实施中，可以根据净现值确定贷款申请人是否审批通过。具体而言，可以在净现值大于预设阈值的情况下，确定贷款申请人审批通过，反之，则确定贷款申请人审批未通过。
本实施例中，贷款申请人的审批通过表示可以放款该贷款申请人；贷款申请人的审批未通过表示拒绝放款给该贷款申请人。
需要说明的是，预设阈值的具体数值可以根据实际业务进行自定义配置，例如可以是经验值，本发明实施例对此不做限制。
本发明实施例在确定贷款申请人的信用评分后，还可以根据贷款申请人的信用评分确定损失率，基于损失率可以确定在当前业务下该贷款申请人所产生的收益和成本，并通过计算贷款申请人的净现值，来用于辅助对该贷款申请人的审批决策，从而提高信用审核的决策结果的准确性。
本发明一个具体实施例中，图1所示征信数据处理方法还可以包括以下步骤：将所述贷款申请人的净现值输出并进行显示。
如前所述，所述征信数据处理方法可以由审批系统中的模块来执行，在执行完成后，可以获得净现值以及审批结果。可以将净现值输出并在显示界面进行显示，以辅助审批人员进行审批决策或者审批监督。
本发明一个优选实施例中，图1所示步骤S103可以包括以下步骤：以第一预设系数为底数，以及第二预设系数与所述贷款申请人的信用评分之差为指数，计算所述损失率，其中，所述贷款申请人的信用评分越高，所述贷款申请人的信用等级越高。
本实施例中，损失率与信用评分为指数函数关系，并且信用评分越高，损失率越低。由于信用评分越高，贷款申请人的信用等级越高，因此信用等级越高，损失率越低。
需要说明的是，第一预设系数和第二预设系数可以根据具体的业务进行自定义配置，或者还可以在上述计算值的基础上叠加其他任意可实施的系数，本发明实施例对此不做限制。
在本发明一个非限制性的实施例中，
其中，第一预设系数2，第二预设系数600，第三预设系数50，第四预设系数0.09均为经验值。
本发明实施例中，损失率与信用评分的关系为指数关系，也即非线性关系，通过损失率与信用评分之间的非线性关系，可以减小后续计算净现值的误差，提高净现值计算的准确性，从而提升审核的决策结果的准确性。
本发明另一个优选实施例中，请参照图2，图1所示步骤S104可以包括以下步骤：
步骤S201：计算所述贷款申请人的贷款数额与损失系数的乘积，以作为所述未来资金流入现值，所述损失系数与所述损失率成反比，所述征信数据包括所述贷款数额；
步骤S202：计算所述贷款申请人的贷款数额与所述损失率的乘积，以作为所述贷款申请人的损失成本；
步骤S203：计算所述损失率与所述贷款申请人的贷款期数的第一乘积，以及1减损失率与所述贷款申请人的还款期数的第二乘积，计算所述第一乘积与所述第二乘积之和与所述贷款金额、资金成本率的乘积，以作为所述贷款申请人的资金成本，所述征信数据包括所述贷款期数和所述还款期数；
步骤S204：计算所述损失成本与所述资金成本之和，以作为所述未来资金流出现值；
步骤S205：计算所述未来资金流入现值与所述未来资金流出现值的差值，以作为所述贷款申请人的净现值。
本实施例中，首先通过步骤S201计算未来资金流入现值。具体可以计算征信数据中贷款数额与损失系数的乘积。损失系数与损失率成反比，具体可以是1减去损失率与预设数值的乘积。
在一个具体的实施例中，未来资金流入现值可以通过以下公式计算得到：贷款数额×(1-损失率)×平均还款期数×月息+贷款数额×(1-损失率)×(1-平均还款期数÷申请期数)×6％+贷款数额×贷后管理费回收率×贷后管理费率+贷款数额×1.3％。其中，平均还款期数、月息、申请期数均包含在征信数据中，贷后管理费回收率以及贷后管理费率与当前业务相关联，例如，
在步骤S202和步骤S203的具体实施中，贷款申请人的贷款数额与所述损失率的乘积可以作为贷款申请人的损失成本。贷款申请人的资金成本可以利用以下公式计算：贷款金额×资金成本率×(损失率×贷款期数+(1□损失率)×还款期数)，其中，贷款金额、资金成本率、贷款期数以及还款期数均包含在贷款申请人的征信数据中。
损失成本与资金成本之和为未来资金流出现值。由此，在步骤S205中，通过计算未来资金流入现值与所述未来资金流出现值的差值，可以得到贷款申请人的净现值。
在本发明一个非限制性的实施例中，除了损失成本与资金成本之外，还可以将运营成本、征信成本和纳税计入未来资金流出现值。其中，运营成本、征信成本和纳税与具体业务的具体贷款金额相关。例如，运营成本＝申请金额×(0.00167×平均还款期数+3％)；征信成本＝申请金额×0.0059。
本发明又一个优选实施例中，图1所示方法还可以包括以下步骤：根据所述贷款申请人的净现值以及所述贷款申请人的信用评分确定所述贷款申请人是否审批通过。
本发明实施例结合信用评分以及净现值确定审批结果，能够进一步保证决策结果的准确性。
本发明再一个优选实施例中，图1所示方法还可以包括以下步骤：判定所述贷款申请人的净现值在最优评级组合中的名额是否大于0，以得到判定结果，所述最优评级组合是预先确定的，所述最优评级组合包括至少一种净现值及其名额；根据所述判定结果确定所述贷款申请人是否审批通过。
本实施例中，由于最优评级组合中包括至少一种净现值及其名额，因此可以将贷款申请人的净现值与最优评级组合中的净现值进行比对，以确定贷款申请人的净现值对应的名额是否大于0。
最优评级组合可以是预先确定的，以便可以直接调用。最优评级组合的确定方式可以根据实际的应用场景进行配置，例如，最优评级组合的预期收益最大，或者最优评级组合的损失率最小，本发明实施例对此不做限制。
请参照图3，本发明实施例还公开了一种征信数据处理装置30。征信数据处理装置30可以包括征信数据获取模块301、信用评级模块302、损失率计算模块303、净现值计算模块304和审批模块305。
其中，征信数据获取模块301适于获取贷款申请人的征信数据；信用评级模块302适于利用所述贷款申请人的征信数据进行信用评级，以得到所述贷款申请人的信用评分，所述信用评分能够表征所述贷款申请人的信用等级；损失率计算模块303适于根据所述贷款申请人的信用评分确定所述贷款申请人针对当前业务的损失率；净现值计算模块304适于根据所述损失率计算所述贷款申请人的净现值，所述净现值为未来资金流入现值与未来资金流出现值的差值，所述未来资金流入现值与所述损失率成反比，所述未来资金流出现值与所述损失率成正比；审批模块305适于至少根据所述贷款申请人的净现值确定所述贷款申请人是否审批通过。
本发明实施例在确定贷款申请人的信用评分后，还可以根据贷款申请人的信用评分确定损失率，基于损失率可以确定在当前业务下该贷款申请人所产生的收益和成本，并通过计算贷款申请人的净现值，来用于辅助对该贷款申请人的审批决策，从而提高信用审核的决策结果的准确性。
关于所述征信数据处理装置30的工作原理、工作方式的更多内容，可以参照图1至图2中的相关描述，这里不再赘述。
本发明实施例还公开了一种存储介质，其上存储有计算机指令，所述计算机指令运行时可以执行图1或图2中所示方法的步骤。所述存储介质可以包括ROM、RAM、磁盘或光盘等。所述存储介质还可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器等。
本发明实施例还公开了一种终端，所述终端可以包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令。所述处理器运行所述计算机指令时可以执行图1或图2中所示方法的步骤。所述终端包括但不限于手机、计算机、平板电脑等终端设备。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (9)
1.一种信贷系统的征信数据处理方法，其特征在于，包括：
获取贷款申请人的征信数据；
利用所述贷款申请人的征信数据进行信用评级，以得到所述贷款申请人的信用评分，所述信用评分能够表征所述贷款申请人的信用等级；
根据所述贷款申请人的信用评分确定所述贷款申请人针对当前业务的损失率；
根据所述损失率计算所述贷款申请人的净现值，所述净现值为未来资金流入现值与未来资金流出现值的差值，所述未来资金流入现值与所述损失率成反比，所述未来资金流出现值与所述损失率成正比；
至少根据所述贷款申请人的净现值确定所述贷款申请人是否审批通过。
2.根据权利要求1所述的征信数据处理方法，其特征在于，还包括：
将所述贷款申请人的净现值输出并进行显示。
3.根据权利要求1所述的征信数据处理方法，其特征在于，所述根据所述贷款申请人的信用评分确定所述贷款申请人针对当前业务的损失率包括：
以第一预设系数为底数，以及第二预设系数与所述贷款申请人的信用评分之差为指数，计算所述损失率，其中，所述贷款申请人的信用评分越高，所述贷款申请人的信用等级越高。
4.根据权利要求1所述的征信数据处理方法，其特征在于，所述损失率为小于1的正数，所述根据所述损失率计算所述贷款申请人的净现值包括：
计算所述贷款申请人的贷款数额与损失系数的乘积，以作为所述未来资金流入现值，所述损失系数与所述损失率成反比，所述征信数据包括所述贷款数额；
计算所述贷款申请人的贷款数额与所述损失率的乘积，以作为所述贷款申请人的损失成本；
计算所述损失率与所述贷款申请人的贷款期数的第一乘积，以及1减损失率与所述贷款申请人的还款期数的第二乘积，计算所述第一乘积与所述第二乘积之和与所述贷款金额、资金成本率的乘积，以作为所述贷款申请人的资金成本，所述征信数据包括所述贷款期数和所述还款期数；
计算所述损失成本与所述资金成本之和，以作为所述未来资金流出现值；
计算所述未来资金流入现值与所述未来资金流出现值的差值，以作为所述贷款申请人的净现值。
5.根据权利要求1所述的征信数据处理方法，其特征在于，所述至少根据所述贷款申请人的净现值确定所述贷款申请人是否审批通过包括：
根据所述贷款申请人的净现值以及所述贷款申请人的信用评分确定所述贷款申请人是否审批通过。
6.根据权利要求1所述的征信数据处理方法，其特征在于，还包括：
判定所述贷款申请人的净现值在最优评级组合中的名额是否大于0，以得到判定结果，所述最优评级组合是预先确定的，所述最优评级组合包括至少一种净现值及其名额；
根据所述判定结果确定所述贷款申请人是否审批通过。
7.一种信贷系统的征信数据处理装置，其特征在于，包括：
征信数据获取模块，适于获取贷款申请人的征信数据；
信用评级模块，适于利用所述贷款申请人的征信数据进行信用评级，以得到所述贷款申请人的信用评分，所述信用评分能够表征所述贷款申请人的信用等级；
损失率计算模块，适于根据所述贷款申请人的信用评分确定所述贷款申请人针对当前业务的损失率；
净现值计算模块，适于根据所述损失率计算所述贷款申请人的净现值，所述净现值为未来资金流入现值与未来资金流出现值的差值，所述未来资金流入现值与所述损失率成反比，所述未来资金流出现值与所述损失率成正比；
审批模块，适于至少根据所述贷款申请人的净现值确定所述贷款申请人是否审批通过。
8.一种存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至6中任一项所述征信数据处理方法的步骤。
9.一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行权利要求1至6中任一项所述征信数据处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910191321.7A CN111695982A (zh) | 2019-03-13 | 2019-03-13 | 信贷系统的征信数据处理方法及装置、存储介质、终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910191321.7A CN111695982A (zh) | 2019-03-13 | 2019-03-13 | 信贷系统的征信数据处理方法及装置、存储介质、终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111695982A true CN111695982A (zh) | 2020-09-22 |
Family
ID=72475075
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910191321.7A Pending CN111695982A (zh) | 2019-03-13 | 2019-03-13 | 信贷系统的征信数据处理方法及装置、存储介质、终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111695982A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105956915A (zh) * | 2016-04-19 | 2016-09-21 | 大连理工大学 | 基于信用相似度最大的信用等级最优划分方法 |
| CN106971338A (zh) * | 2017-04-26 | 2017-07-21 | 北京趣拿软件科技有限公司 | 数据评估的方法和装置 |
| CN108564286A (zh) * | 2018-04-19 | 2018-09-21 | 天合泽泰（厦门）征信服务有限公司 | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 |
| CN108961043A (zh) * | 2018-07-06 | 2018-12-07 | 中国电力财务有限公司 | 一种风险等级的确定方法及装置 |
-
2019
- 2019-03-13 CN CN201910191321.7A patent/CN111695982A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105956915A (zh) * | 2016-04-19 | 2016-09-21 | 大连理工大学 | 基于信用相似度最大的信用等级最优划分方法 |
| CN106971338A (zh) * | 2017-04-26 | 2017-07-21 | 北京趣拿软件科技有限公司 | 数据评估的方法和装置 |
| CN108564286A (zh) * | 2018-04-19 | 2018-09-21 | 天合泽泰（厦门）征信服务有限公司 | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 |
| CN108961043A (zh) * | 2018-07-06 | 2018-12-07 | 中国电力财务有限公司 | 一种风险等级的确定方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 杨蕴石: "贷款组合信用风险模拟的简化方法" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20140074689A1 (en) | Systems and Methods for Modifying Consumer Credit Data | |
| US20140324731A1 (en) | System and method for resolving transactions with lump sum payment capabilities | |
| WO2012150985A1 (en) | System and method for dynamic working capital | |
| US11042930B1 (en) | Insufficient funds predictor | |
| WO2011087911A2 (en) | System and method for resolving transaction with variable offer parameter selection capabilities | |
| CN106296389A (zh) | 一种用户信用度的评估方法及装置 | |
| CA3081569A1 (en) | Entity segmentation for analysis of sensitivities to potential disruptions | |
| CN106910129B (zh) | 资产数据的处理方法、客户端及服务器 | |
| CN107622444A (zh) | 业务准入方法及装置、电子设备 | |
| US20220215465A1 (en) | Predictive modeling based on pattern recognition | |
| US20150348186A1 (en) | System and method for dynamic customer acquisition probability and risk-adjusted return-on-equity analysis | |
| KR101955546B1 (ko) | 대출 중개 플랫폼 시스템 및 신용도평가 장치와 그 방법 | |
| US20220172214A1 (en) | Method for generating transferable tranches | |
| KR101927893B1 (ko) | 신용등급 관리를 통한 대환 대출 방법 및 시스템 | |
| CN111552733B (zh) | 一种基于大数据的运营动态分析系统及方法 | |
| CN113159545A (zh) | 确定价值属性值的方法、装置、电子设备和存储介质 | |
| CN116681519A (zh) | 违约预测方法、装置、电子设备、介质和程序产品 | |
| US20200349574A1 (en) | Transaction Lifecycle Monitoring | |
| US20220084035A1 (en) | System and method for facilitating direct trading of electronic transactions | |
| CN111899093B (zh) | 一种违约损失率的预测方法及装置 | |
| CN111695982A (zh) | 信贷系统的征信数据处理方法及装置、存储介质、终端 | |
| CN113807943A (zh) | 一种不良资产的多因子估值方法及系统、介质、设备 | |
| KR102133668B1 (ko) | 대출 중개 플랫폼 시스템 및 신용도평가 장치 | |
| US10679286B1 (en) | Systems and methods for intelligent income verification to improve loan contract funding | |
| CN114240605A (zh) | 贷款测算方法、装置、计算机设备和存储介质 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200922 |
|
| WD01 | Invention patent application deemed withdrawn after publication |