CN111784182A - 资产信息处理方法和装置 - Google Patents
资产信息处理方法和装置 Download PDFInfo
- Publication number
- CN111784182A CN111784182A CN202010671579.XA CN202010671579A CN111784182A CN 111784182 A CN111784182 A CN 111784182A CN 202010671579 A CN202010671579 A CN 202010671579A CN 111784182 A CN111784182 A CN 111784182A
- Authority
- CN
- China
- Prior art keywords
- asset
- information
- asset information
- type
- evaluation result
- 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
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种资产信息处理方法和装置。其中,该方法包括:获取待处理对象信息;根据待处理对象信息,加载待处理对象的资产信息,其中,资产信息包括第一类资产信息和第二类资产信息;通过第一类资产评估模型对第一类资产信息进行评估,得到第一类资产评估结果,以及,通过第二类资产评估模型对第二类资产信息进行评估,得到第二类资产评估结果;根据第一类资产评估结果和第二类资产评估结果得到总资产评估结果。本发明解决了现有技术中采用主观判断方式对资产信息进行评估得到的评估结果偏差较大的技术问题。
Description
技术领域
本发明涉及信息处理领域,具体而言,涉及一种资产信息处理方法和装置。
背景技术
目前的不良资产定价实务中,由于不良资产业务尽调时间紧、信息量大,当前定价各环节多依赖主观判断,缺乏可量化的抵押物、信用债权估值模型,因此尚未形成成熟的、被行业普遍认可的定价标准或定价模式,而采用现在的主观判断方式,不同的定价人员定价结果偏差较大,可参考性较差。
针对上述现有技术中采用主观判断方式对资产信息进行评估得到的评估结果偏差较大的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种资产信息处理方法和装置,一方面解决了现有技术中采用主观判断方式对资产信息进行评估得到的评估结果偏差较大的技术问题,另一方面基于历史资产数据,采用主流机器学习算法挖掘债务人属性与资产价值关系,得到有效估值结果,可供业务人员参考,以期提高项目尽调效率。
根据本发明实施例的一个方面,提供了一种资产信息处理方法,包括:获取待处理对象信息;根据待处理对象信息,加载待处理对象的资产信息,其中,资产信息包括第一类资产信息和第二类资产信息;通过第一类资产评估模型对第一类资产信息进行评估,得到第一类资产评估结果,以及,通过第二类资产评估模型对第二类资产信息进行评估,得到第二类资产评估结果;根据第一类资产评估结果和第二类资产评估结果得到总资产评估结果。
根据本发明实施例的另一方面,还提供了一种资产信息处理装置,包括:获取模块,用于获取待处理对象信息;加载模块,用于根据待处理对象信息,加载待处理对象的资产信息,其中,资产信息包括第一类资产信息和第二类资产信息;第一评估模块,用于通过第一类资产评估模型对第一类资产信息进行评估,得到第一类资产评估结果,以及,通过第二类资产评估模型对第二类资产信息进行评估,得到第二类资产评估结果;第二评估模块,用于根据第一类资产评估结果和第二类资产评估结果得到总资产评估结果。
根据本发明实施例的另一方面,还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现上述资产信息处理方法。
在本发明实施例中,通过获取待处理对象信息;根据待处理对象信息,加载待处理对象的资产信息,其中,资产信息包括第一类资产信息和第二类资产信息;通过第一类资产评估模型对第一类资产信息进行评估,得到第一类资产评估结果,以及,通过第二类资产评估模型对第二类资产信息进行评估,得到第二类资产评估结果;根据第一类资产评估结果和第二类资产评估结果得到总资产评估结果,达到了结合待处理对象信息对其资产进行评估的目的,从而实现了快速、高效、准确对资产评估的技术效果,为资产评估人员提供了一种快速、高效评估资产的方法,进而解决了现有技术中采用主观判断方式对资产信息进行评估得到的评估结果偏差较大的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种资产信息处理方法的示意图;
图2是根据本发明实施例的一种可选的资产信息处理方法的示意图;以及
图3是根据本发明实施例的一种资产信息处理装置的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种资产信息处理方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的资产信息处理方法,如图1所示,该方法包括如下步骤:
步骤S102,获取待处理对象信息;
步骤S104,根据待处理对象信息,加载待处理对象的资产信息,其中,资产信息包括第一类资产信息和第二类资产信息;
步骤S106,通过第一类资产评估模型对第一类资产信息进行评估,得到第一类资产评估结果,以及,通过第二类资产评估模型对第二类资产信息进行评估,得到第二类资产评估结果;
步骤S108,根据第一类资产评估结果和第二类资产评估结果得到总资产评估结果。
具体的,待处理对象可以是企业或者个人,如果待处理对象是企业,则待处理信息可以包括企业名称、企业地址、企业类型、成立日期、注册资本、城市分类、国民经济行业分类、股东类型、经营状态、企业注册ID等;如果待处理对象是个人,则待处理信息可以包括姓名、注册ID等信息;步骤S102中获取待处理对象信息,其方式可以是将待处理对象信息中的一种或多种信息通过键盘输入、语音识别、图像识别等方式录入至处理器或者终端中,这里的处理器或者终端可以是电脑、手机或其他具备数据处理能力及计算能力的设备。
本发明结合不良资产业务实际以及市场中可获取的大数据资源,针对第一类资产信息和第二类资产信息的评估进行了创造性改进。
在本发明实施例中,通过获取待处理对象信息;根据待处理对象信息,加载待处理对象的资产信息,其中,资产信息包括第一类资产信息和第二类资产信息;通过第一类资产评估模型对第一类资产信息进行评估,得到第一类资产评估结果,以及,通过第二类资产评估模型对第二类资产信息进行评估,得到第二类资产评估结果;根据第一类资产评估结果和第二类资产评估结果得到总资产评估结果,达到了结合待处理对象信息对其资产进行评估的目的,从而实现了快速、高效、准确对资产评估的技术效果,为资产评估人员提供了一种快速、高效评估资产的方法,进而解决了现有技术中采用主观判断方式对资产信息进行评估得到的评估结果偏差较大的技术问题。
本发明实施例的资产信息可以是不良资产信息,则本发明实施例的资产信息处理方法可以是不良资产信息处理方法,可以应用于不良资产价值的评估测算,通过本发明实施例的方法,基于业务实践形成了不良资产定价影响因子,并结合市场化大数据选择可落地的影响因子构建定价模型,可支持不良资产业务从业者快速、高效地测算不良资产价值,提升不良资产估值定价能力,为不良资产行业机构提供一种可量化的、可参考的不良资产估值定价方法。
在一种可选的实施例中,步骤S106中通过第一类资产评估模型对第一类资产信息进行评估,得到第一类资产评估结果,包括:
步骤S202,筛选与第一类资产信息相似的历史资产信息;
步骤S204,根据历史资产信息的评估结果,得到第一类资产评估结果。
在一种可选的实施例中,步骤S204中根据历史资产信息的评估结果,得到第一类资产评估结果,包括:
步骤S302,确定历史资产信息中与第一类资产信息相似度最高的至少一个历史资产信息;
步骤S304,根据至少一个历史资产信息的评估结果,得到第一类资产评估结果。
在一种可选的实施例中,步骤S302中确定历史资产信息中与第一类资产信息相似度最高的至少一个历史资产信息,包括:
步骤S402,计算第一类资产信息的隶属特征向量,得到第一隶属特征向量,以及,计算历史资产信息中每个资产信息的隶属特征向量,得到第二隶属特征向量;
步骤S404,根据第一隶属特征向量和第二隶属特征向量,计算第一类资产信息和历史资产信息中每个资产信息的格贴近度;
步骤S406,根据格贴近度的大小确定历史资产信息中与第一类资产信息相似度最高的至少一个历史资产信息。
在一种可选的实施例中,资产信息还包括第一类资产信息的预录入结果,步骤S304中根据至少一个历史资产信息的评估结果,得到第一类资产评估结果,包括:
步骤S502,根据至少一个历史资产信息与第一类资产信息的格贴近度以及至少一个历史资产信息的单位评估结果,得到第一类资产信息的单位评估结果;
步骤S504,根据第一类资产信息的单位评估结果和单位数据,得到总评估结果;
步骤S506,比较第一类资产信息的预录入结果和总评估结果的大小,从中确定第一类资产评估结果。
在一种可选的实施例中,第一类资产信息包括抵质押物信息,抵质押物包括房地产类抵押物。
具体的,在第一类资产信息包括抵押物信息且抵押物包括房地产类抵押物的情况下,前述实施例中的预录入结果为房地产抵押债权金额,为待处理对象进行抵押登记时所担保的债权金额。
在一种具体的实施例中,当第一类资产信息为房地产类抵押物信息时,在通过第一类资产评估模型对第一类资产信息进行评估时,具体包括以下步骤:
步骤一,筛选与第一类资产信息A相似的历史资产信息,可以通过第一类资产评估模型中的尽调信息采集模块,根据第一类资产信息的抵押物坐落,在历史司法拍卖成交案例库中自动筛选房地产类型和/或建筑物性质与第一类资产信息相同的案例,从而得到历史资产信息,可选的,在此基础上,还可以进一步设置筛选条件,例如对历史拍卖时间、历史案例与第一类资产信息距离等进行进一步的限制,比如按照历史拍卖时间不超过12个月,或者与第一类资产信息的房地产抵押物直线距离不超过3km进行进一步筛选,从而得到历史资产信息,历史资产信息可以用U(N)表示,其中N表示历史资产信息中资产信息的数量,Ui(i=1…N)表示第i个资产信息。
步骤二,计算第一类资产信息A的隶属特征向量,得到第一隶属特征向量T,以及,计算历史资产信息U(N)中每个资产信息的隶属特征向量,得到第二隶属特征向量Ti,其中,在计算隶属特征向量时,可以选择行政区间(T1)、成交时间(T2)、直线距离(T3)、面积(T4)、租赁情况(T5)等特征因素,则得到:
T=(T01 T02 T03 T04 T05)
Ti=(Ti1 Ti2 Ti3 Ti4 Ti5),i=1…N
步骤三,根据第一隶属特征向量和第二隶属特征向量,计算第一类资产信息和历史资产信息中每个资产信息的格贴近度σi(i=1…N),该格贴近度体现了第一类资产信息与历史资产信息的相似度,具体计算公式为:
步骤四,根据格贴近度的大小确定历史资产信息中与第一类资产信息相似度最高的至少一个历史资产信息,具体为:将上述计算出的格贴近度按照大小进行排序,可以选择σi值最高即相似性最高的若干个历史资产信息作为评估基准,例如可以选择3个;
步骤五,根据至少一个历史资产信息与第一类资产信息的格贴近度以及至少一个历史资产信息的单位评估结果,得到第一类资产信息的单位评估结果,具体为:若选择σi值最高的3个历史资产信息作为评估基准,且该3个历史资产信息的格贴近度分别为σ1、σ2、σ3,由于该实施例中的资产信息指的是房地产类抵押物信息,则这里的单位评估结果指的是单位面积的价格P1、P2、P3,分别为,则第一类资产信息的单位评估结果即第一类资产信息单位面积的价格P的计算公式为:
P=σ1P1+(1-σ1){σ2P2+(1-σ2)[σ3P3+(1-σ3)(P1+P2+P3)/3]}
步骤六,根据第一类资产信息的单位评估结果和单位数据,得到总评估结果,其中单位数据即第一类资产信息的总面积M,总评估结果即第一类资产信息的总价TP,具体计算公式为:
TP=P*M
步骤七,比较第一类资产信息的预录入结果和总评估结果的大小,从中确定第一类资产评估结果,其中,预录入结果市场评估结果即该第一类资产信息的抵押债权金额,本发明选择抵押债权金额及总评估结果中较小的作为最终的第一类资产评估结果。
在一种可选的实施例中,第二类资产信息包括信用债权信息,资产信息还包括总债权信息、抵质押物担保债权信息以及第二类资产信息的预录入结果。
具体的,前述实施例中第二类资产信息的预录入结果为信用债权回收率,其定义公式如下所示
步骤S106中通过第二类资产评估模型对第二类资产信息进行评估,得到第二类资产评估结果,包括:
步骤S602,计算备选评估结果,其中,备选评估结果=(总债权信息-抵质押物担保债权信息)*信用债权回收率;
步骤S604,比较总债权信息和备选评估结果的大小,从中确定第二类资产评估结果。
具体的,信用债权指除抵质押物担保债权外,待处理对象即债务主体的信用偿还金额,第二类资产评估模型主要是针对债务主体信用债权价值是否为零建立的判别模型,本质为基于历史业务数据的债务主体信用评价法,将债务人信用债权回收率进行二值化,若信用债权回收率为零,则视为状态“0”,否则视为状态“1”。
在一种可选的实施例中,步骤S602中计算备选评估结果,包括:步骤S702,采用随机森林算法,根据所述待处理对象信息以及所述第二类资产信息的预录入结果,确定与所述待处理对象匹配的所述信用债权回收率。
具体的,采用随机森林算法,根据待处理对象信息,确定与待处理对象匹配的信用债权回收率是否为零,若非零则基于预录入结果计算备选评估结果。
具体的,随机森林算法的具体构建过程如下:从训练集(可以是80%比例)中方法随机有放回采样(Bootstraping方法)取出m个样本,共进行n_tree次采样,得到n_tree个训练集。对n_tree个训练集,随机选择n个影响因素,分别训练n_tree个决策树模型。对于单个决策树模型,每次分裂时根据信息增益选择最好的特征进行分裂。每棵树都已知这样分裂下去,直到该节点的所有训练样例都属于同一类,在决策树的分裂过程中不需要剪枝。将生成的多颗决策树组成随机森林。对于分类问题,按照多棵决策树分类器投票决定最终分类结果。
具体的,在构建第二类资产评估模型时,需要首先对数据进行清洗,在待处理对象即债务主体为企业时,建模数据来源于待处理对象信息,包括括企业内部数据与外部数据,内部数据为前期积累的债务人信用债权回收率、原始债权金额,外部数据为对应影响债务人信用债权回收率的因素,包括企业类型、成立日期、注册资本、城市分类、国民经济行业分类、股东类型、经营状态、企业异常名录、裁判文书、开庭公告、失信公告、执行公告等企业工商及司法相关因素;数据清洗方式包括时间假设、缺失数据剔除,异常值剔除、连续变量标准化以及二阶因素考虑,其中,在时间假设中,由于客观原因限制,无法取得与内部时点一致外部数据,外部数据较内部数据时点延后两个月,假设外部数据在近两个月仅发生微小变动或无变动,当前数据与两个月前企业状态一致;在缺失数据剔除中,由于客观原因,部分债务人行业分类、注册资本、注册币种缺失,在不影响数据量的情况下,采用直接剔除缺失债务人信息方法;在异常值剔除中,可以根据箱线图,针对连续型变量,剔除均值上下若干个标准差外数据;在连续变量标准化中,对于债权金额、裁判文书、执行公告、成立日期和注册资本等连续变量可以采用样本均值和样本标准差进行标准化;在二阶因素考虑中,除连续变量一阶数据外,模型中可以同时加入连续变量二阶和交互因素,考察对信用债权回收率的影响。
具体的,数据清洗之后,可以进行数据建模,为验证模型泛化能力,可以随机无放回选取20%数据作为测试集,剩余80%作为训练集,建立随机森林模型,对于随机森林而言,关键参数主要为产生决策树的数量、随机选择特征的个数和最小节点样本量等。本模型中参数结合特征个数n_tree设置为200,随机特征的个数n设置为有放回采样样本数量m设置等于训练集样本量。
在一种可选的实施例中,当第一类资产信息为房地产类抵押物信息,第二类资产信息为信用债权信息时,步骤S108中根据第一类资产评估结果和第二类资产评估结果得到总资产评估结果=房地产类抵押物价值+信用债权资产价值。
在实际应用过程中,针对第二类资产评估模型,可以采用ROC曲线、AUC值、最优阈值设置来对预测效果进行验证,采用上述方式对本发明的第二类资产评估模型的验证结果如下:
(1)ROC曲线
ROC曲线是一种评定或比较二分类模型的可视化根据,给定一个二元分类问题,通过对测试数据及的不同部分所显示的模型可以正确识别“1”实例的比例(真正率:Truepositive rate)与模型将“0”实例错误地识别为“1”的比例(假正率:False positiverate)进行分析。针对第二类资产评估模型的验证结果ROC曲线如图2所示,图2中曲线的横轴是假正率,纵轴是真正率,ROC曲线下面的面积就是判断模型准确度的指标和依据,面积大的模型准确度更高,面积接近0.5,等同于随机判定,准确率最低,由图2可见,模型ROC曲线在对角线左侧,即准确度比随机判定更高。
(2)AUC值
AUC值指的是ROC曲线覆盖的面积,经计算分析,模型AUC值约0.69,计算结果显示,相对于随机判定,随机森林模型AUC值具有更好的预测效果。
(3)最优阈值设置
为最大程度区分真正样本与假正样本,通过计算得到最优阈值约0.5,即将预测概率为0.5以上判断为零回收,否则为非零回收。
根据上述验证结果,可以看到,本发明采用的第二类资产评估模型的评估结果准确度高。
实施例2
根据本发明实施例,提供了一种资产信息处理装置的产品实施例,图3是根据本发明实施例的资产信息处理装置,如图3所示,该装置包括获取模块、加载模块,第一评估模块和第二评估模块,其中,获取模块,用于获取待处理对象信息;加载模块,用于根据待处理对象信息,加载待处理对象的资产信息,其中,资产信息包括第一类资产信息和第二类资产信息;第一评估模块,用于通过第一类资产评估模型对第一类资产信息进行评估,得到第一类资产评估结果,以及,通过第二类资产评估模型对第二类资产信息进行评估,得到第二类资产评估结果;第二评估模块,用于根据第一类资产评估结果和第二类资产评估结果得到总资产评估结果。
在本发明实施例中,通过获取模块获取待处理对象信息,加载模块根据待处理对象信息,加载待处理对象的资产信息,其中,资产信息包括第一类资产信息和第二类资产信息,第一评估模块通过第一类资产评估模型对第一类资产信息进行评估,得到第一类资产评估结果,以及,通过第二类资产评估模型对第二类资产信息进行评估,得到第二类资产评估结果,第二评估模块根据第一类资产评估结果和第二类资产评估结果得到总资产评估结果,达到了结合待处理对象信息对其资产进行评估的目的,从而实现了快速、高效、准确对资产评估的技术效果,为资产评估人员提供了一种快速、高效评估资产的方法,进而解决了现有技术中采用主观判断方式对资产信息进行评估得到的评估结果偏差较大的技术问题。
此处需要说明的是,上述获取模块、加载模块,第一评估模块和第二评估模块对应于实施例1中的步骤S102至步骤S108,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在一种可选的实施例中,第一评估模块包括筛选模块和第三评估模块,其中,筛选模块,用于筛选与第一类资产信息相似的历史资产信息;第三评估模块,用于根据历史资产信息的评估结果,得到第一类资产评估结果。
此处需要说明的是,上述筛选模块和第三评估模块对应于实施例1中的步骤S202至步骤S204,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在一种可选的实施例中,第三评估模块包括第一确定模块和第四评估模块,其中,第一确定模块,用于确定历史资产信息中与第一类资产信息相似度最高的至少一个历史资产信息;第四评估模块,用于根据至少一个历史资产信息的评估结果,得到第一类资产评估结果。
此处需要说明的是,上述第一确定模块和第四评估模块对应于实施例1中的步骤S302至步骤S304,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在一种可选的实施例中,第一确定模块包括第一计算模块、第二计算模块和第二确定模块,其中,第一计算模块,用于计算第一类资产信息的隶属特征向量,得到第一隶属特征向量,以及,计算历史资产信息中每个资产信息的隶属特征向量,得到第二隶属特征向量;第二计算模块,用于根据第一隶属特征向量和第二隶属特征向量,计算第一类资产信息和历史资产信息中每个资产信息的格贴近度;第二确定模块,用于根据格贴近度的大小确定历史资产信息中与第一类资产信息相似度最高的至少一个历史资产信息。
此处需要说明的是,上述第一计算模块、第二计算模块和第二确定模块对应于实施例1中的步骤S402至步骤S406,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在一种可选的实施例中,资产信息还包括第一类资产信息的预录入结果,第四评估模块包括第五评估模块、第六评估模块和第一比较模块,其中,第五评估模块,用于根据至少一个历史资产信息与第一类资产信息的格贴近度以及至少一个历史资产信息的单位评估结果,得到第一类资产信息的单位评估结果;第六评估模块,用于根据第一类资产信息的单位评估结果和单位数据,得到总评估结果;第一比较模块,用于比较第一类资产信息的预录入结果和总评估结果的大小,从中确定第一类资产评估结果。
此处需要说明的是,上述第五评估模块、第六评估模块和第一比较模块对应于实施例1中的步骤S502至步骤S506,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在一种可选的实施例中,第一类资产信息包括抵质押物信息,抵质押物包括房地产类抵押物。
在一种可选的实施例中,第二类资产信息包括信用债权信息,资产信息还包括总债权信息和抵质押物担保债权信息;第一评估模块包括第三计算模块和第二比较模块,其中,第三计算模块,用于计算备选评估结果,其中,备选评估结果=(总债权信息-抵质押物担保债权信息)*信用债权回收率;第二比较模块,用于比较总债权信息和备选评估结果的大小,从中确定第二类资产评估结果。
此处需要说明的是,上述第三计算模块和第二比较模块对应于实施例1中的步骤S602至步骤S604,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在一种可选的实施例中,资产信息还包括第二类资产信息的预录入结果,第三计算模块包括匹配模块,用于采用随机森林算法,根据待处理对象信息以及第二类资产信息的预录入结果,确定与待处理对象匹配的信用债权回收率。
此处需要说明的是,上述匹配模块对应于实施例1中的步骤S702,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例3
根据本发明实施例,提供了一种存储介质的产品实施例,该存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述资产信息处理方法。
实施例4
根据本发明实施例,提供了一种处理器的产品实施例,该处理器用于运行程序,其中,程序运行时执行上述资产信息处理方法。
实施例5
根据本发明实施例,提供了一种计算机设备的产品实施例,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现上述资产信息处理方法。
实施例6
根据本发明实施例,提供了一种终端的产品实施例,该终端包括获取模块、加载模块,第一评估模块、第二评估模块和处理器,其中,获取模块,用于获取待处理对象信息;加载模块,用于根据待处理对象信息,加载待处理对象的资产信息,其中,资产信息包括第一类资产信息和第二类资产信息;第一评估模块,用于通过第一类资产评估模型对第一类资产信息进行评估,得到第一类资产评估结果,以及,通过第二类资产评估模型对第二类资产信息进行评估,得到第二类资产评估结果;第二评估模块,用于根据第一类资产评估结果和第二类资产评估结果得到总资产评估结果;处理器,处理器运行程序,其中,程序运行时对于从获取模块、加载模块,第一评估模块和第二评估模块输出的数据执行上述资产信息处理方法。
实施例7
根据本发明实施例,提供了一种终端的产品实施例,该终端包括获取模块、加载模块,第一评估模块、第二评估模块和存储介质,其中,获取模块,用于获取待处理对象信息;加载模块,用于根据待处理对象信息,加载待处理对象的资产信息,其中,资产信息包括第一类资产信息和第二类资产信息;第一评估模块,用于通过第一类资产评估模型对第一类资产信息进行评估,得到第一类资产评估结果,以及,通过第二类资产评估模型对第二类资产信息进行评估,得到第二类资产评估结果;第二评估模块,用于根据第一类资产评估结果和第二类资产评估结果得到总资产评估结果;存储介质,用于存储程序,其中,程序在运行时对于从获取模块、加载模块,第一评估模块和第二评估模块输出的数据执行上述资产信息处理方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种资产信息处理方法,其特征在于,包括:
获取待处理对象信息;
根据所述待处理对象信息,加载所述待处理对象的资产信息,其中,所述资产信息包括第一类资产信息和第二类资产信息;
通过第一类资产评估模型对所述第一类资产信息进行评估,得到第一类资产评估结果,以及,通过第二类资产评估模型对所述第二类资产信息进行评估,得到第二类资产评估结果;
根据所述第一类资产评估结果和所述第二类资产评估结果得到总资产评估结果。
2.根据权利要求1所述的方法,其特征在于,通过第一类资产评估模型对所述第一类资产信息进行评估,得到第一类资产评估结果,包括:
筛选与所述第一类资产信息相似的历史资产信息;
根据所述历史资产信息的评估结果,得到所述第一类资产评估结果。
3.根据权利要求2所述的方法,其特征在于,根据所述历史资产信息的评估结果,得到所述第一类资产评估结果,包括:
确定所述历史资产信息中与所述第一类资产信息相似度最高的至少一个历史资产信息;
根据所述至少一个历史资产信息的评估结果,得到所述第一类资产评估结果。
4.根据权利要求3所述的方法,其特征在于,确定所述历史资产信息中与所述第一类资产信息相似度最高的至少一个历史资产信息,包括:
计算所述第一类资产信息的隶属特征向量,得到第一隶属特征向量,以及,计算所述历史资产信息中每个资产信息的隶属特征向量,得到第二隶属特征向量;
根据所述第一隶属特征向量和所述第二隶属特征向量,计算所述第一类资产信息和所述历史资产信息中每个资产信息的格贴近度;
根据所述格贴近度的大小确定所述历史资产信息中与所述第一类资产信息相似度最高的至少一个历史资产信息。
5.根据权利要求4所述的方法,其特征在于,所述资产信息还包括所述第一类资产信息的预录入结果,根据所述至少一个历史资产信息的评估结果,得到所述第一类资产评估结果,包括:
根据所述至少一个历史资产信息与所述第一类资产信息的格贴近度以及所述至少一个历史资产信息的单位评估结果,得到所述第一类资产信息的单位评估结果;
根据所述第一类资产信息的单位评估结果和单位数据,得到总评估结果;
比较所述第一类资产信息的预录入结果和所述总评估结果的大小,从中确定所述第一类资产评估结果。
6.根据权利要求1-5中任意一项所述的方法,其特征在于,所述第一类资产信息包括抵质押物信息,所述抵质押物包括房地产类抵押物。
7.根据权利要求1所述的方法,其特征在于,所述第二类资产信息包括信用债权信息,所述资产信息还包括总债权信息和抵质押物担保债权信息;通过第二类资产评估模型对所述第二类资产信息进行评估,得到第二类资产评估结果,包括:
计算备选评估结果,其中,所述备选评估结果=(所述总债权信息-所述抵质押物担保债权信息)*信用债权回收率;
比较所述总债权信息和所述备选评估结果的大小,从中确定所述第二类资产评估结果。
8.根据权利要求7所述的方法,其特征在于,所述资产信息还包括所述第二类资产信息的预录入结果,计算备选评估结果,包括:
采用随机森林算法,根据所述待处理对象信息以及所述第二类资产信息的预录入结果,确定与所述待处理对象匹配的所述信用债权回收率。
9.一种资产信息处理装置,其特征在于,包括:
获取模块,用于获取待处理对象信息;
加载模块,用于根据所述待处理对象信息,加载所述待处理对象的资产信息,其中,所述资产信息包括第一类资产信息和第二类资产信息;
第一评估模块,用于通过第一类资产评估模型对所述第一类资产信息进行评估,得到第一类资产评估结果,以及,通过第二类资产评估模型对所述第二类资产信息进行评估,得到第二类资产评估结果;
第二评估模块,用于根据所述第一类资产评估结果和所述第二类资产评估结果得到总资产评估结果。
10.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1至8中任意一项所述的资产信息处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010671579.XA CN111784182A (zh) | 2020-07-14 | 2020-07-14 | 资产信息处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010671579.XA CN111784182A (zh) | 2020-07-14 | 2020-07-14 | 资产信息处理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111784182A true CN111784182A (zh) | 2020-10-16 |
Family
ID=72767655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010671579.XA Pending CN111784182A (zh) | 2020-07-14 | 2020-07-14 | 资产信息处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784182A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115187356A (zh) * | 2022-07-21 | 2022-10-14 | 杭州源诚科技有限公司 | 债务人财产线索信息分级模型、构建方法及其应用 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1737837A (zh) * | 2005-07-26 | 2006-02-22 | 北京同方信息安全技术股份有限公司 | 一种基于面向对象数据库的信息资产评估方法 |
CN103020437A (zh) * | 2012-12-04 | 2013-04-03 | 司春林 | 资产评估风险控制系统 |
CN104616192A (zh) * | 2015-02-02 | 2015-05-13 | 戴海涛 | 一种对民间借贷投融资业务进行管理和风险把控的系统 |
CN106874439A (zh) * | 2016-06-17 | 2017-06-20 | 何国斌 | 一种搜索房产信息的方法及系统 |
CN109584046A (zh) * | 2018-11-29 | 2019-04-05 | 广州广永投资管理有限公司 | 一种对不良资产信息数据进行深度挖掘和分析方法及系统 |
CN110119979A (zh) * | 2019-04-12 | 2019-08-13 | 深圳壹账通智能科技有限公司 | 基于数据分析的房产评估系统推荐方法、装置及服务器 |
CN111260394A (zh) * | 2020-01-08 | 2020-06-09 | 中联财联网科技有限公司 | 一种基于集成思想的写字楼估值方法与系统 |
US20200202429A1 (en) * | 2018-05-06 | 2020-06-25 | Strong Force TX Portfolio 2018, LLC | System and method of an automated agent to automatically implement loan activities based on loan status |
-
2020
- 2020-07-14 CN CN202010671579.XA patent/CN111784182A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1737837A (zh) * | 2005-07-26 | 2006-02-22 | 北京同方信息安全技术股份有限公司 | 一种基于面向对象数据库的信息资产评估方法 |
CN103020437A (zh) * | 2012-12-04 | 2013-04-03 | 司春林 | 资产评估风险控制系统 |
CN104616192A (zh) * | 2015-02-02 | 2015-05-13 | 戴海涛 | 一种对民间借贷投融资业务进行管理和风险把控的系统 |
CN106874439A (zh) * | 2016-06-17 | 2017-06-20 | 何国斌 | 一种搜索房产信息的方法及系统 |
US20200202429A1 (en) * | 2018-05-06 | 2020-06-25 | Strong Force TX Portfolio 2018, LLC | System and method of an automated agent to automatically implement loan activities based on loan status |
CN109584046A (zh) * | 2018-11-29 | 2019-04-05 | 广州广永投资管理有限公司 | 一种对不良资产信息数据进行深度挖掘和分析方法及系统 |
CN110119979A (zh) * | 2019-04-12 | 2019-08-13 | 深圳壹账通智能科技有限公司 | 基于数据分析的房产评估系统推荐方法、装置及服务器 |
CN111260394A (zh) * | 2020-01-08 | 2020-06-09 | 中联财联网科技有限公司 | 一种基于集成思想的写字楼估值方法与系统 |
Non-Patent Citations (2)
Title |
---|
刘澄 等: "金融不良资产的价值评估方法", 《商业现代化》 * |
金发奇 等: "金融不良资产价值评估方法研究", 《山东财经大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115187356A (zh) * | 2022-07-21 | 2022-10-14 | 杭州源诚科技有限公司 | 债务人财产线索信息分级模型、构建方法及其应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009479B (zh) | 信用评价方法及装置、存储介质、计算机设备 | |
CN108960833B (zh) | 一种基于异构金融特征的异常交易识别方法,设备及存储介质 | |
JP7102344B2 (ja) | 機械学習モデルのモデリング方法及びデバイス | |
CN109711955B (zh) | 基于当前订单的差评预警方法、系统、黑名单库建立方法 | |
CN111291816A (zh) | 针对用户分类模型进行特征处理的方法及装置 | |
CN105095238A (zh) | 用于检测欺诈交易的决策树生成方法 | |
CN111695597B (zh) | 基于改进式孤立森林算法的信贷欺诈团伙识别方法和系统 | |
CN112668859A (zh) | 基于大数据的客户风险评级方法、装置、设备及存储介质 | |
CN105809448B (zh) | 账户交易的聚类方法及其系统 | |
CN112927072B (zh) | 一种基于区块链的反洗钱仲裁方法、系统及相关装置 | |
CN111639690A (zh) | 基于关系图谱学习的欺诈分析方法、系统、介质及设备 | |
CN113052577A (zh) | 一种区块链数字货币虚拟地址的类别推测方法及系统 | |
CN115222303A (zh) | 基于大数据的行业风险数据分析方法、系统及存储介质 | |
CN110852884A (zh) | 用于反洗钱识别的数据处理系统及方法 | |
CN111784182A (zh) | 资产信息处理方法和装置 | |
CN113487241A (zh) | 企业环保信用等级的分类方法、装置、设备及存储介质 | |
CN112990989A (zh) | 价值预测模型输入数据生成方法、装置、设备和介质 | |
CN115496364A (zh) | 幌子企业识别方法及装置、存储介质及电子设备 | |
CN115205026A (zh) | 信用评估方法、装置、设备及计算机存储介质 | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN114037395A (zh) | 一种异常寄递数据识别方法及系统、电子设备、存储介质 | |
CN110570301B (zh) | 风险识别方法、装置、设备及介质 | |
CN116451050A (zh) | 异常行为识别模型训练、异常行为识别方法和装置 | |
CN113177840A (zh) | 一种客户风险的识别方法及装置 | |
Katarya et al. | Analyzing customer sentiments using machine learning techniques to improve business performance |
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: 20201016 |