CN111815437A - 金融服务信用风险分析方法及系统 - Google Patents
金融服务信用风险分析方法及系统 Download PDFInfo
- Publication number
- CN111815437A CN111815437A CN202010702705.3A CN202010702705A CN111815437A CN 111815437 A CN111815437 A CN 111815437A CN 202010702705 A CN202010702705 A CN 202010702705A CN 111815437 A CN111815437 A CN 111815437A
- Authority
- CN
- China
- Prior art keywords
- data
- variables
- value
- variable
- financial service
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种金融服务信用风险分析方法及系统,属于金融风险分析技术领域,要解决的技术问题为如何对金融服务进行信用分析,以在不降低融资合同数量增长的情况下减少损失、更好地通过控制用于批准金融服务申请的标准。方法,包括如下步骤:从先前提交的金融服务申请中采集融资业务数据作为训练数据;基于金融服务申请的状态,对上述训练数据进行预处理,得到训练集;基于上述预处理后的数据以及信贷业务员对金融服务业务的理解,构建并训练层次神经网络模型;将测试数据输入金融服务信用风险分析模型。该系统包括采集模块、训练集构建模块、模型训练模块和分析模块。
Description
技术领域
本发明涉及金融风险分析技术领域,具体地说是一种金融服务信用风险分析方法及系统。
背景技术
在金融服务业中,利润的增加通常是由融资合同数量的增加、活跃融资合同损失的减少或两者的结合带来的。损失的主要来源通常是融资方拖欠付款。因此,必须仔细筛选合适的融资业务,以减少拖欠付款的发生率。当从申请人的财务状况可以预见经济困难时,用严格的标准筛选金融服务申请可以大大减少损失。然而,严格的审批标准也可能导致金融服务申请的审批数量减少,从而导致融资合同数量增长放缓。因此,有必要在不降低融资合同数量增长的情况下减少损失,或者更好地通过控制用于批准金融服务申请的标准,在不导致损失显著增加的情况下大幅增加融资合同的数量。
基于上述,如何对金融服务进行信用分析,以在不降低融资合同数量增长的情况下减少损失、更好地通过控制用于批准金融服务申请的标准,是需要解决的技术问题。
发明内容
本发明的技术任务是针对以上不足,提供一种金融服务信用风险分析方法及系统,来解决如何对金融服务进行信用分析,以在不降低融资合同数量增长的情况下减少损失、更好地通过控制用于批准金融服务申请的标准,是需要解决的技术问题的问题。
第一方面,本发明提供一种金融服务信用风险分析方法,包括如下步骤:
从先前提交的金融服务申请中采集融资业务数据作为训练数据;
基于金融服务申请的状态,对上述训练数据进行预处理,得到训练集,所述训练集包括多组具有各种数据变量的训练数据;每组训练数据中的数据变量分为有序变量和分类变量,对有序变量进行排序,并基于敏感性对分类变量进行分类;
基于上述预处理后的数据以及信贷业务员对金融服务业务的理解,构建并训练层次神经网络模型,得到训练后层次神经网络模型作为金融服务信用风险分析模型,所述层次神经网络模型包括输入层、输出层和将输入层耦合至输出层的中间层,输入层、中间层和输出层均包括多个处理节点,中间层处理节点的个数等于或大于等于训练数据的分组数;
从待分析的金融服务申请中采集融资业务数据作为测试数据;
将上述测试数据输入金融服务信用风险分析模型,通过输入层对测试数据进行预处理,得到测试集,通过中间层对预处理后测试数据进行分析得到决策结构决策结果后,通过输出层输出决策结果。
作为优选,所述融资业务数据来源于超过预定期限的有效融资合同,包括用于执行风险预测的数据变量和用于执行信用评估的数据变量。
作为优选,金融服务申请的状态包括:因拖欠付款而终止,申请人提前终止,正常终止,在预定期限内账户仍在开立、没有任何拖欠;
上述因拖欠付款而终止或申请人提前终止的有效融资合同标记为不可接受类;
上述正常终止或在预定期限内账户仍在开立、没有任何拖欠标记为可接收类。
作为优选,基于金融服务申请的状态,对上述训练数据进行预处理,包括:
将每组训练数据中的数据变量分为序数变量和分类变量,序数变量为具有数值的变量,分类变量为具有标识符标签的变量;
对于序数变量,将序数变量按照从最高序数值排序到最低序数值的顺序排序,最高序数值被赋值为1,最低序数值被赋值为0,最高序数值与最低序数值之间的值被赋值为基于排序顺在0和1之间线性缩放的值;
对于每一个分类变量,确定脆弱性的度量值,脆弱性是分类变量对上述可接收类或不可接受类的敏感性。
作为优选,通过输入层对测试数据进行预处理,包括如下步骤:
基于待分析的金融服务申请的状态,将测试数据分为多组测试数据;
将每组测试数据中的数据变量分为序数变量和分类变量,序数变量为具有数值的变量,分类变量为具有标识符标签的变量;
对于序数变量,将序数变量按照从最高序数值排序到最低序数值的顺序排序,最高序数值被赋值为1,最低序数值被赋值为0,最高序数值与最低序数值之间的值被赋值为基于排序顺在0和1之间线性缩放的值;
对于每一个分类变量,确定脆弱性的度量值,脆弱性是分类变量对上述可接收类或不可接受类的敏感性。
作为优选,输入层通过加权连接的方式连接到中间层,中间层通过加权连接的方式连接到输出层。
作为优选,通过网格搜索的方法训练层次神经网络模型,得到训练后层次神经网络模型作为金融服务信用风险分析模型。
第二方面,本发明提供一种金融服务信用风险分析系统,用于通过如第一方面任一项所述的金融服务信用风险分析方法对金融服务进行信用风险分析,所述系统包括:
采集模块,所述采集模块用于从金融服务申请中采集融资业务数据。包括采集训练数据和测试数据;
训练集构建模块,所述训练集构建模块用于基于金融服务申请的状态,对训练数据进行预处理,得到训练集,所述训练集包括多组具有各种数据变量的训练数据;每组训练数据中的数据变量分为有序变量和分类变量,对有序变量进行排序,并基于敏感性对分类变量进行分类;
模型训练模块,所述模型训练模块用于基于上述预处理后的数据以及信贷业务员对金融服务业务的理解,构建并训练层次神经网络模型,得到训练后层次神经网络模型作为金融服务信用风险分析模型,所述层次神经网络模型包括输入层、输出层和将输入层耦合至输出层的中间层,输入层、中间层和输出层均包括多个处理节点,中间层处理节点的个数等于或大于等于训练数据的分组数;
分析模块,所述分析模块用于采集模块获取测试数据,并从模型训练模块调用金融服务信用风险分析模型,将测试数据输入金融服务信用风险分析模型,通过输入层对测试数据进行预处理,得到测试集,通过中间层对预处理后测试数据进行分析得到决策结构决策结果后,通过输出层输出决策结果。
作为优选,金融服务申请的状态包括:因拖欠付款而终止,申请人提前终止,正常终止,在预定期限内账户仍在开立、没有任何拖欠;
上述因拖欠付款而终止或申请人提前终止的有效融资合同标记为不可接受类;
上述正常终止或在预定期限内账户仍在开立、没有任何拖欠标记为可接收类;
模型训练模块用于基于金融服务申请的状态,对训练数据进行预处理,包括:
用于将每组训练数据中的数据变量分为序数变量和分类变量,序数变量为具有数值的变量,分类变量为具有标识符标签的变量;
用于对于序数变量,将序数变量按照从最高序数值排序到最低序数值的顺序排序,最高序数值被赋值为1,最低序数值被赋值为0,最高序数值与最低序数值之间的值被赋值为基于排序顺在0和1之间线性缩放的值;
用于对于每一个分类变量,确定脆弱性的度量值,脆弱性是分类变量对上述可接收类或不可接受类的敏感性;
通过输入层对测试数据进行预处理,包括如下步骤:
基于待分析的金融服务申请的状态,将测试数据分为多组测试数据;
将每组测试数据中的数据变量分为序数变量和分类变量,序数变量为具有数值的变量,分类变量为具有标识符标签的变量;
对于序数变量,将序数变量按照从最高序数值排序到最低序数值的顺序排序,最高序数值被赋值为1,最低序数值被赋值为0,最高序数值与最低序数值之间的值被赋值为基于排序顺在0和1之间线性缩放的值;
对于每一个分类变量,确定脆弱性的度量值,脆弱性是分类变量对上述可接收类或不可接受类的敏感性。
作为优选,输入层通过加权连接的方式连接到中间层,中间层通过加权连接的方式连接到输出层;
训练模块用于通过网格搜索的方法训练层次神经网络模型,得到训练后层次神经网络模型作为金融服务信用风险分析模型。
本发明的金融服务信用风险分析方法及系统具有以下优点:
1、从先前提交的金融服务申请中采集融资业务数据作为训练数据,构建并训练层次神经网络模型作为金融服务信用风险分析模型,通过金融服务信用风险分析模型对待分析的金融服务数据进行分析得到决策结果,可在不降低融资合同数量增长的情况下减少损失,或者更好地通过控制用于批准金融服务申请的标准,在不导致损失显著增加的情况下大幅增加融资合同的数量;
2、通过训练数据构建并训练层次神经网络模型之前,基于金融服务申请的状态对训练数据进行预处理,包括获取的多个训练数据分为多组,每组具有各种数据变量,每组训练数据中的数据变量分为有序变量和分类变量,对有序变量进行排序,并基于敏感性对分类变量进行分类,通过上述预处理后的训练数据构建并训练模型,使得变量涵盖范围大、模型精确度高,且节省了计算时间。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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。
下面结合附图对本发明进一步说明。
图1为实施例1金融服务信用风险分析方法用于框架;
图2为实施例1金融服务信用风险分析方法的流程框图;
图3为实施例1金融服务信用风险分析方法中对基于金融服务申请的状态,对训练数据进行预处理的流程框图;
图4为实施例1金融服务信用风险分析方法中序数变量有序排序的仿真图;
图5为实施例1金融服务信用风险分析方法中分类变量脆弱值的仿真图;
图6为实施例1金融服务信用风险分析方法中层次神经网络模型的拓扑图;
图7为实施例1金融服务信用风险分析方法中输出层处理节点到中间层处理节点连接的相对权重示意图;
其中,50、层次神经网络模型,52、输入层,54、输出层,56、中间层。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互结合。
需要理解的是,在本发明实施例的描述中,“第一”、“第二”等词汇,仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。在本发明实施例中的“多个”,是指两个或两个以上。
本发明实施例中的属于“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,单独存在B,同时存在A和B这三种情况。另外,本文中字符“/”一般表示前后关联对象是一种“或”关系。
本发明实施例提供A,用于解决的技术问题。本发明实施例中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图1所示的方位或位置关系,只是为了便于叙述本发明各部件或元件结构关系而确定的关系词,并非特指本发明中任一部件或元件,不能理解为对本发明的限制。
本发明实施例中中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本发明中的具体含义,不能理解为对本发明的限制。
本发明实施例提供一种金融服务信用风险分析方法及系统,用于解决如何对金融服务进行信用分析,以在不降低融资合同数量增长的情况下减少损失、更好地通过控制用于批准金融服务申请的标准,是需要解决的技术问题。
实施例1:
本发明的一种金融服务信用风险分析方法,包括如下步骤:
S100、从先前提交的金融服务申请中采集融资业务数据作为训练数据;
S200、基于金融服务申请的状态,对上述训练数据进行预处理,得到训练集,所述训练集包括多组具有各种数据变量的训练数据;每组训练数据中的数据变量分为有序变量和分类变量,对有序变量进行排序,并基于敏感性对分类变量进行分类;
S300、基于上述预处理后的数据以及信贷业务员对金融服务业务的理解,构建并训练层次神经网络模型,得到训练后层次神经网络模型作为金融服务信用风险分析模型,所述层次神经网络模型包括输入层、输出层和将输入层耦合至输出层的中间层,输入层、中间层和输出层均包括多个处理节点,中间层处理节点的个数等于或大于等于训练数据的分组数;
S400、从待分析的金融服务申请中采集融资业务数据作为测试数据;
S500、将上述测试数据输入金融服务信用风险分析模型,通过输入层对测试数据进行预处理,得到测试集,通过中间层对预处理后测试数据进行分析得到决策结构决策结果后,通过输出层输出决策结果。
该方法应用于如图1所述的系统框架,该系统框架包括用于处理存储在数据存储单元14中的大量数据的主机12,连接到主机12的是个人计算机或工作站15,其包含用于分析金融服务的神经网络,具有硬盘驱动器18、键盘和鼠标20等输入设备以及显示器22和打印机等输出设备的终端或个人计算机或工作站16连接到主机12,计算机16用于检查与主机相关联的新提议的金融服务。特别是,来自新提议的金融服务的信息从计算机16发送到主机,主机激活计算机15,在计算机15中访问神经网络,并输出提供金融服务的风险预测和信用评估。
其中,步骤S100中,融资业务数据来源于超过预定期限的有效融资合同,包括用于执行风险预测的数据变量和用于执行信用评估的数据变量。
本实施例中,这些融资业务数据来源于超过24个月的有效融资合同。上述数据存储于存储器中。
步骤S200中,首先需要确定先前提交的金融服务申请的状态,金融服务申请的状态可分为:(1)因拖欠付款而终止,(2)申请人提前终止,(3)正常终止,以及(4)在24个月期间、账户仍在开立、没有任何拖欠,提前终止(2)或由于默认值(1)而终止的合同被分组到标记为不可接受的类中,正常终止(3)或仍然(4)打开且没有拖欠的融资业务被分为另一类,标记为可接受,这两类分别是不可接受和可接受的,随后用于构造神经网络模型。
基于金融服务申请的状态,对上述训练数据进行预处理,包括如下步骤:
(1)将每组训练数据中的数据变量分为序数变量和分类变量,序数变量为具有数值的变量,分类变量为具有标识符标签的变量;
(2)对于序数变量,将序数变量按照从最高序数值排序到最低序数值的顺序排序,最高序数值被赋值为1,最低序数值被赋值为0,最高序数值与最低序数值之间的值被赋值为基于排序顺在0和1之间线性缩放的值;
(3)对于每一个分类变量,确定脆弱性的度量值,脆弱性是分类变量对上述可接收类或不可接受类的敏感性。
本实例中以汽车租赁为例,业务金融数据涉及就业稳定性、居住稳定性、信用历史、债务和收入以及杂项,多个组中的每个组都包含用于执行风险控制和信用分析的变量,例如,就业稳定组中的变量可能包括当前就业年份、以前就业年份、主要职业类别和总收入,“住宅稳定性”组中的变量可能包括当前地址的年份、以前地址的年份、申请人是否拥有、租赁或居住在住宅中。收入和债务组中的变量可能包括可支配收入、收入/资本化车辆成本比率、抵押/长期债务比率、债务/收入比率、租赁付款/收入比率、总付款/资本化车辆成本比率、租赁付款/资本化车辆成本比率,“信用记录”组中的变量可能包括信用局查询的数量、太新而无法评级的账户数量、贬损性评论的数量、延迟30天的账户数量、延迟60天的账户数量、延迟90天的账户数量、银行贷款的数量、金融贷款的数量和循环贷款的数量,杂项组中的一些变量可能包括先前收回或破产指标、先前购买汽车指标、汽车对卡车或货车、受抚养人数量等,该组中的变量取决于特定的风险分析和信用评估融资业务。
在将数据组织成多个组之后,将每组中的数据变量分为序数变量和分类变量,序数变量是具有数值的变量,分类变量是具有数字编码标签或其他标识符标签的变量,接下来,将先前批准的融资业务的序数变量的值按顺序从最高序数值排序到最低序数值,最高序数值被赋值为1,最低序数值被赋值为0,最高和最低序数值之间的值被赋值为基于排序顺序在0和1之间线性缩放的值,而不是基于序数值本身,图4示出了就业稳定组中当前就业的可变年的有序排序图的示例,对于每一个分类变量,脆弱性的度量值确定为48,脆弱性是变量对上述可接受或不可接受类的敏感性,例如,标签X的脆弱性是标签X在不可接受类内的样本总体的比例,减去标签X在可接受类内的样本总体的比例,图5示出了就业稳定组中可变主要职业类别的脆弱性图的示例。
数据经过预处理后,即可建立神经网络决策模型,根据预先处理的数据和信贷经理对金融服务业务的了解,建立了神经网络决策模型,通常,信贷经理使用启发式方法来指导他们对融资业务的评估和批准过程,例如,一个启发可能是,当前的就业时间越短,就越有可能出现拖欠付款的情况。在一个典型的金融服务的风险预测和信用评估中,信贷经理必须同时考虑许多不同的经济变量,然而,人类大脑很难同时考虑5到7个以上的变量,在本发明中,分层决策过程用于并行地考虑大量变量,特别是,每组中变量不超过5-7的小数据组与其他组分开考虑,然后将这些值分组为中间变量,并根据中间变量的评估做出最终决定。
该模型为是层次神经网络模型,其结构是在信贷经理的指导下确定的,并且通过非迭代过程优化神经网络权重。神经网络的优化权值在时进行检验,以推断批准标准放宽的方向,从而增加金融服务申请的批准量,然后存储训练后神经网络存。在从新提出的融资业务获得数据之后,应用神经网络,新融资业务的风险预测和信用评估在输出。
本实施例中该层次神经网络模型中,输入层通过加权连接的方式连接到中间层,中间层通过加权连接的方式连接到输出层。
在本实例中,加权连接是根据先前批准的金融服务的数据和状态信息来确定的,而不是由有经验的信贷经理分配的。对于任何给定的处理节点,节点与其输入之间的连接的权重通过使用融资业务的状态信息作为因变量(可接受类的实例被分配为1,不可接受类的实例将a-1,)作为独立变量分配给应用于节点输入的数据。自变量的系数通过回归估计,并成为节点输入的相应权重。
本实施例中网络搜索的方法进行训练,得到优化后参数,以得到训练后层次神经网路模型。
该层次神经网络包括具有处理节点的输入层、具有处理节点的输出层和将输入层耦合到输出层的具有处理节点的中间层,输入层从存储在数据存储器中的先前归档的金融服务接收数据,数据以图3所示的方式在神经网络的输入层之前进行预处理,并被组织成包括就业稳定性、居住稳定性、信用记录、债务和收入以及杂项的多个组,然后将数据变量应用于具有处理节点的中间层,该中间层包括五个处理节点,每个处理节点从特定组接收不同的变量,例如,处理节点1可以接收就业稳定组的变量,处理节点2可以接收居住稳定组的变量,处理节点3可以接收信用历史组的变量,处理节点4可以接收债务和收入组的变量,处理节点5可以接收变量对于杂项组,然后,将来自中间层的中间变量组合到输出层以获得最终决策。
处理节点的输入层通过加权连接连接到处理节点的中间层,中间层通过加权连接连接到输出层。在本实例中,加权连接是根据先前批准的金融服务的数据和状态信息来确定的,而不是由有经验的信贷经理分配的。对于任何给定的处理节点,节点与其输入之间的连接的权重通过使用融资业务的状态信息作为因变量(可接受类的实例被分配为1,不可接受类的实例将a-1,)作为独立变量分配给应用于节点输入的数据。自变量的系数通过回归估计,并成为节点输入的相应权重。
首先对中间层的每个处理节点执行线性回归,其中每个节点具有连接到中间变量所代表的组的变量的权重。处理节点的中间层通过获得预处理数据与刚刚获得的权重之和来计算。然后,按照上述方式对值进行排序,并将其规范化为介于0和1之间的值。接下来,对输出层的处理节点执行线性回归,其具有连接到中间变量的权重。然后,利用标准化中间变量的乘积与回归得到的相应权重之和来计算分层神经网络的最终评价。Mendenhall,概率导论,456-489(1983)对多元回归分析进行了更详细的讨论,通过引用将其并入本文。在确定神经网络的所有权重之后,将其存储在计算机中,用于对新提出的金融服务提供风险和信用评估。
通过上述非迭代过程获得的权重可能与信贷经理使用的主观权重不一致,因为神经网络模型被优化以在合同的前24个月内预测异常合同终止。信贷经理使用的这些主观关联权重的大小反映了这些变量在预测风险和进行信贷分析的标准中的重要性。主观权重对批准金融服务申请的决定既有正向影响,也有负向影响,或者对批准金融服务申请的决定影响很小或没有影响。信贷经理设想的这些权重是否与最优决策或最准确的评估相对应尚不清楚,因为信贷经理在合同批准后不会得到绩效反馈,除非是按月和在投资组合层面。然而,神经网络模型被优化以预测合同的前24个月内的异常终止,因此其权重更适合于推断放松方向以实现业务扩张同时控制损失。用于推断批准标准放宽方向的一种方法是检查权重的大小。一般来说,权重越小,与该权重相关的变量的影响就越小,并且该方向的批准标准可能会放宽得越多。图7是示出从最终评估节点到五个中间节点的相对权重的图。通过将一级权重与二级权重相乘,得到变量影响的近似排序。这个排名不是绝对的,因为两者之间存在非线性。
另一种可用于推断批准标准放宽方向的方法是使用层次神经网络模型评估一组金融服务样本。选择风险最低和最高的10%融资业务。然后,对这些融资业务的配置文件进行比较和对比。风险最低和最高的融资业务通常在某些变量中具有非常不同的配置文件(即总体分布),在其他变量中具有一些类似的配置文件。来自类似概要文件的数据变量是可以在不增加损失的情况下放宽的批准标准。然后,可以向信贷经理发布指导方针,告知他们放宽的批准标准。
得到训练后层次神经网络模型后,从待分析的金融服务申请中采集融资业务数据作为测试数据,将测试数据输入金融服务信用风险分析模型进行分析得出决策结果。
在金融服务信用风险分析模型中,通过输入层对测试数据进行预处理,包括如下步骤:
(1)基于待分析的金融服务申请的状态,将测试数据分为多组测试数据;
(2)将每组测试数据中的数据变量分为序数变量和分类变量,序数变量为具有数值的变量,分类变量为具有标识符标签的变量;
(3)对于序数变量,将序数变量按照从最高序数值排序到最低序数值的顺序排序,最高序数值被赋值为1,最低序数值被赋值为0,最高序数值与最低序数值之间的值被赋值为基于排序顺在0和1之间线性缩放的值;
(4)对于每一个分类变量,确定脆弱性的度量值,脆弱性是分类变量对上述可接收类或不可接受类的敏感性。
预处理后的测试数据输入中间层,中间层中每个处理节点对应一组测试数据,每个才护理节点从特定组接收不同变量,然后将来自中间层处理节点的中间变量组合到输出层,以获得最终决策结果。与具有隐层单元的传统前馈神经网络相比,层次神经网络易于分析。此外,与传统的前馈神经网络相比,层次神经网络分别评估多个不同的变量集。
上述构建的金融服务信用风险分析系统以及方法,在汽车租赁业务中具有特殊的实用性,在汽车租赁业务中,需要在扩大业务量的同时,尽量减少因收回和提前终止而造成的损失。然而,神经网络可以应用于各种应用,例如租赁投资组合的收购,整个投资组合的评级是一致的。此外,神经网络可以应用于汽车零售融资业务,无论是在消费者层面还是在投资组合层面。在汽车租赁业务之外,神经网络可以应用到任何商业信用评估中,在这些评估中,数据是稀缺的,而且启发式方法是丰富的。
实施例2:
本发明的一种金融服务信用风险分析系统,该系统包括采集模块、训练集构建模块、模型训练模块以及分析模块,采集模块用于从金融服务申请中采集融资业务数据,包括采集训练数据和测试数据;训练集构建模块用于基于金融服务申请的状态,对训练数据进行预处理,得到训练集,所述训练集包括多组具有各种数据变量的训练数据;每组训练数据中的数据变量分为有序变量和分类变量,对有序变量进行排序,并基于敏感性对分类变量进行分类;模型训练模块用于基于上述预处理后的数据以及信贷业务员对金融服务业务的理解,构建并训练层次神经网络模型,得到训练后层次神经网络模型作为金融服务信用风险分析模型,所述层次神经网络模型包括输入层、输出层和将输入层耦合至输出层的中间层,输入层、中间层和输出层均包括多个处理节点,中间层处理节点的个数等于或大于等于训练数据的分组数;分析模块用于采集模块获取测试数据,并从模型训练模块调用金融服务信用风险分析模型,将测试数据输入金融服务信用风险分析模型,通过输入层对测试数据进行预处理,得到测试集,通过中间层对预处理后测试数据进行分析得到决策结构决策结果后,通过输出层输出决策结果。
其中,融资业务数据来源于超过预定期限的有效融资合同,包括用于执行风险预测的数据变量和用于执行信用评估的数据变量。
首先需要确定先前提交的金融服务申请的状态,金融服务申请的状态可分为:(1)因拖欠付款而终止,(2)申请人提前终止,(3)正常终止,以及(4)在24个月期间、账户仍在开立、没有任何拖欠,提前终止(2)或由于默认值(1)而终止的合同被分组到标记为不可接受的类中,正常终止(3)或仍然(4)打开且没有拖欠的融资业务被分为另一类,标记为可接受,这两类分别是不可接受和可接受的,随后用于构造神经网络模型。
训练集预处理模块中,基于金融服务申请的状态,对上述训练数据进行预处理,包括如下步骤:
(1)将每组训练数据中的数据变量分为序数变量和分类变量,序数变量为具有数值的变量,分类变量为具有标识符标签的变量;
(2)对于序数变量,将序数变量按照从最高序数值排序到最低序数值的顺序排序,最高序数值被赋值为1,最低序数值被赋值为0,最高序数值与最低序数值之间的值被赋值为基于排序顺在0和1之间线性缩放的值;
(3)对于每一个分类变量,确定脆弱性的度量值,脆弱性是分类变量对上述可接收类或不可接受类的敏感性。
本实例中以汽车租赁为例,业务金融数据涉及就业稳定性、居住稳定性、信用历史、债务和收入以及杂项,多个组中的每个组都包含用于执行风险控制和信用分析的变量,例如,就业稳定组中的变量可能包括当前就业年份、以前就业年份、主要职业类别和总收入,“住宅稳定性”组中的变量可能包括当前地址的年份、以前地址的年份、申请人是否拥有、租赁或居住在住宅中。收入和债务组中的变量可能包括可支配收入、收入/资本化车辆成本比率、抵押/长期债务比率、债务/收入比率、租赁付款/收入比率、总付款/资本化车辆成本比率、租赁付款/资本化车辆成本比率,“信用记录”组中的变量可能包括信用局查询的数量、太新而无法评级的账户数量、贬损性评论的数量、延迟30天的账户数量、延迟60天的账户数量、延迟90天的账户数量、银行贷款的数量、金融贷款的数量和循环贷款的数量,杂项组中的一些变量可能包括先前收回或破产指标、先前购买汽车指标、汽车对卡车或货车、受抚养人数量等,该组中的变量取决于特定的风险分析和信用评估融资业务。
在将数据组织成多个组之后,将每组中的数据变量分为序数变量和分类变量,序数变量是具有数值的变量,分类变量是具有数字编码标签或其他标识符标签的变量,接下来,将先前批准的融资业务的序数变量的值按顺序从最高序数值排序到最低序数值,最高序数值被赋值为1,最低序数值被赋值为0,最高和最低序数值之间的值被赋值为基于排序顺序在0和1之间线性缩放的值,而不是基于序数值本身,图4示出了就业稳定组中当前就业的可变年的有序排序图的示例,对于每一个分类变量,脆弱性的度量值确定为48,脆弱性是变量对上述可接受或不可接受类的敏感性,例如,标签X的脆弱性是标签X在不可接受类内的样本总体的比例,减去标签X在可接受类内的样本总体的比例,图5示出了就业稳定组中可变主要职业类别的脆弱性图的示例;
本实施例中,这些融资业务数据来源于超过24个月的有效融资合同。上述数据存储于存储器中。
模型构建模块用于根据预先处理的数据和信贷经理对金融服务业务的了解,建立了神经网络决策模型,通常,信贷经理使用启发式方法来指导他们对融资业务的评估和批准过程,例如,一个启发可能是,当前的就业时间越短,就越有可能出现拖欠付款的情况。在一个典型的金融服务的风险预测和信用评估中,信贷经理必须同时考虑许多不同的经济变量,然而,人类大脑很难同时考虑5到7个以上的变量,在本发明中,分层决策过程用于并行地考虑大量变量,特别是,每组中变量不超过5-7的小数据组与其他组分开考虑,然后将这些值分组为中间变量,并根据中间变量的评估做出最终决定。
上述模型为实施例1公开的层次神经网络模型,其结构是在信贷经理的指导下确定的,并且通过非迭代过程优化神经网络权重。神经网络的优化权值在时进行检验,以推断批准标准放宽的方向,从而增加金融服务申请的批准量,然后存储训练后神经网络存。在从新提出的融资业务获得数据之后,应用神经网络,新融资业务的风险预测和信用评估在输出。
本实施例中该层次神经网络模型中,输入层通过加权连接的方式连接到中间层,中间层通过加权连接的方式连接到输出层。
加权连接是根据先前批准的金融服务的数据和状态信息来确定的,而不是由有经验的信贷经理分配的。对于任何给定的处理节点,节点与其输入之间的连接的权重通过使用融资业务的状态信息作为因变量(可接受类的实例被分配为1,不可接受类的实例将a-1,)作为独立变量分配给应用于节点输入的数据。自变量的系数通过回归估计,并成为节点输入的相应权重。
本实施例中模型训练模块中,通过网络搜索的方法进行训练,得到优化后参数,以得到训练后层次神经网路模型。
该层次神经网络包括具有处理节点的输入层、具有处理节点的输出层和将输入层耦合到输出层的具有处理节点的中间层,输入层从存储在数据存储器中的先前归档的金融服务接收数据,数据以图3所示的方式在神经网络的输入层之前进行预处理,并被组织成包括就业稳定性、居住稳定性、信用记录、债务和收入以及杂项的多个组,然后将数据变量应用于具有处理节点的中间层,该中间层包括五个处理节点,每个处理节点从特定组接收不同的变量,例如,处理节点1可以接收就业稳定组的变量,处理节点2可以接收居住稳定组的变量,处理节点3可以接收信用历史组的变量,处理节点4可以接收债务和收入组的变量,处理节点5可以接收变量对于杂项组,然后,将来自中间层的中间变量组合到输出层以获得最终决策。
处理节点的输入层通过加权连接连接到处理节点的中间层,中间层通过加权连接连接到输出层。在本实例中,加权连接是根据先前批准的金融服务的数据和状态信息来确定的,而不是由有经验的信贷经理分配的。对于任何给定的处理节点,节点与其输入之间的连接的权重通过使用融资业务的状态信息作为因变量(可接受类的实例被分配为1,不可接受类的实例将a-1,)作为独立变量分配给应用于节点输入的数据。自变量的系数通过回归估计,并成为节点输入的相应权重。
首先对中间层的每个处理节点执行线性回归,其中每个节点具有连接到中间变量所代表的组的变量的权重。处理节点的中间层通过获得预处理数据与刚刚获得的权重之和来计算。然后,按照上述方式对值进行排序,并将其规范化为介于0和1之间的值。接下来,对输出层的处理节点执行线性回归,其具有连接到中间变量的权重。然后,利用标准化中间变量的乘积与回归得到的相应权重之和来计算分层神经网络的最终评价。Mendenhall,概率导论,456-489(1983)对多元回归分析进行了更详细的讨论,通过引用将其并入本文。在确定神经网络的所有权重之后,将其存储在计算机中,用于对新提出的金融服务提供风险和信用评估。
通过上述非迭代过程获得的权重可能与信贷经理使用的主观权重不一致,因为神经网络模型被优化以在合同的前24个月内预测异常合同终止。信贷经理使用的这些主观关联权重的大小反映了这些变量在预测风险和进行信贷分析的标准中的重要性。主观权重对批准金融服务申请的决定既有正向影响,也有负向影响,或者对批准金融服务申请的决定影响很小或没有影响。信贷经理设想的这些权重是否与最优决策或最准确的评估相对应尚不清楚,因为信贷经理在合同批准后不会得到绩效反馈,除非是按月和在投资组合层面。然而,神经网络模型被优化以预测合同的前24个月内的异常终止,因此其权重更适合于推断放松方向以实现业务扩张同时控制损失。用于推断批准标准放宽方向的一种方法是检查权重的大小。一般来说,权重越小,与该权重相关的变量的影响就越小,并且该方向的批准标准可能会放宽得越多。图7是示出从最终评估节点到五个中间节点的相对权重的图。通过将一级权重与二级权重相乘,得到变量影响的近似排序。这个排名不是绝对的,因为两者之间存在非线性。
另一种可用于推断批准标准放宽方向的方法是使用层次神经网络模型评估一组金融服务样本。选择风险最低和最高的10%融资业务。然后,对这些融资业务的配置文件进行比较和对比。风险最低和最高的融资业务通常在某些变量中具有非常不同的配置文件(即总体分布),在其他变量中具有一些类似的配置文件。来自类似概要文件的数据变量是可以在不增加损失的情况下放宽的批准标准。然后,可以向信贷经理发布指导方针,告知他们放宽的批准标准。
得到训练后层次神经网络模型后,从待分析的金融服务申请中采集融资业务数据作为测试数据,将测试数据输入金融服务信用风险分析模型进行分析得出决策结果。
本发明的一种金融服务信用风险分析系统可执行实施例1公开的一种金融服务信用风险分析方法。
需要说明的是,上述各流程和各系统结构图中不是所有的步骤和模块都是必须的,可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的,可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构,也可以是逻辑结构,即,有些模块可能由同一物理实体实现,或者,有些模块可能分由多个物理实体实现,或者,可以由多个独立设备中的某些部件共同实现。
上文通过附图和优选实施例对本发明进行了详细展示和说明,然而本发明不限于这些已揭示的实施例,基与上述多个实施例本领域技术人员可以知晓,可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例,这些实施例也在本发明的保护范围之内。
Claims (10)
1.金融服务信用风险分析方法,其特征在于包括如下步骤:
从先前提交的金融服务申请中采集融资业务数据作为训练数据;
基于金融服务申请的状态,对上述训练数据进行预处理,得到训练集,所述训练集包括多组具有各种数据变量的训练数据;每组训练数据中的数据变量分为有序变量和分类变量,对有序变量进行排序,并基于敏感性对分类变量进行分类;
基于上述预处理后的数据以及信贷业务员对金融服务业务的理解,构建并训练层次神经网络模型,得到训练后层次神经网络模型作为金融服务信用风险分析模型,所述层次神经网络模型包括输入层、输出层和将输入层耦合至输出层的中间层,输入层、中间层和输出层均包括多个处理节点,中间层处理节点的个数等于或大于等于训练数据的分组数;
从待分析的金融服务申请中采集融资业务数据作为测试数据;
将上述测试数据输入金融服务信用风险分析模型,通过输入层对测试数据进行预处理,得到测试集,通过中间层对预处理后测试数据进行分析得到决策结构决策结果后,通过输出层输出决策结果。
2.根据权利要求1所述的金融服务信用风险分析方法,其特征在于所述融资业务数据来源于超过预定期限的有效融资合同,包括用于执行风险预测的数据变量和用于执行信用评估的数据变量。
3.根据权利要求2所述的金融服务信用风险分析方法,其特征在于金融服务申请的状态包括:因拖欠付款而终止,申请人提前终止,正常终止,在预定期限内账户仍在开立、没有任何拖欠;
上述因拖欠付款而终止或申请人提前终止的有效融资合同标记为不可接受类;
上述正常终止或在预定期限内账户仍在开立、没有任何拖欠标记为可接收类。
4.根据权利要求3所述的金融服务信用风险分析方法,其特征在于基于金融服务申请的状态,对上述训练数据进行预处理,包括:
将每组训练数据中的数据变量分为序数变量和分类变量,序数变量为具有数值的变量,分类变量为具有标识符标签的变量;
对于序数变量,将序数变量按照从最高序数值排序到最低序数值的顺序排序,最高序数值被赋值为1,最低序数值被赋值为0,最高序数值与最低序数值之间的值被赋值为基于排序顺在0和1之间线性缩放的值;
对于每一个分类变量,确定脆弱性的度量值,脆弱性是分类变量对上述可接收类或不可接受类的敏感性。
5.根据权利要求4所述的金融服务信用风险分析方法,其特征在于通过输入层对测试数据进行预处理,包括如下步骤:
基于待分析的金融服务申请的状态,将测试数据分为多组测试数据;
将每组测试数据中的数据变量分为序数变量和分类变量,序数变量为具有数值的变量,分类变量为具有标识符标签的变量;
对于序数变量,将序数变量按照从最高序数值排序到最低序数值的顺序排序,最高序数值被赋值为1,最低序数值被赋值为0,最高序数值与最低序数值之间的值被赋值为基于排序顺在0和1之间线性缩放的值;
对于每一个分类变量,确定脆弱性的度量值,脆弱性是分类变量对上述可接收类或不可接受类的敏感性。
6.根据权利要求1-5任一项所述的金融服务信用风险分析方法,其特征在于输入层通过加权连接的方式连接到中间层,中间层通过加权连接的方式连接到输出层。
7.根据权利要求1-5任一项所述的金融服务信用风险分析方法,其特征在于通过网格搜索的方法训练层次神经网络模型,得到训练后层次神经网络模型作为金融服务信用风险分析模型。
8.金融服务信用风险分析系统,其特征在于用于通过如权利要求1-7任一项所述的金融服务信用风险分析方法对金融服务进行信用风险分析,所述系统包括:
采集模块,所述采集模块用于从金融服务申请中采集融资业务数据。包括采集训练数据和测试数据;
训练集构建模块,所述训练集构建模块用于基于金融服务申请的状态,对训练数据进行预处理,得到训练集,所述训练集包括多组具有各种数据变量的训练数据;每组训练数据中的数据变量分为有序变量和分类变量,对有序变量进行排序,并基于敏感性对分类变量进行分类;
模型训练模块,所述模型训练模块用于基于上述预处理后的数据以及信贷业务员对金融服务业务的理解,构建并训练层次神经网络模型,得到训练后层次神经网络模型作为金融服务信用风险分析模型,所述层次神经网络模型包括输入层、输出层和将输入层耦合至输出层的中间层,输入层、中间层和输出层均包括多个处理节点,中间层处理节点的个数等于或大于等于训练数据的分组数;
分析模块,所述分析模块用于采集模块获取测试数据,并从模型训练模块调用金融服务信用风险分析模型,将测试数据输入金融服务信用风险分析模型,通过输入层对测试数据进行预处理,得到测试集,通过中间层对预处理后测试数据进行分析得到决策结构决策结果后,通过输出层输出决策结果。
9.根据权利要求8所述的金融服务信用风险分析系统,其特征在于金融服务申请的状态包括:因拖欠付款而终止,申请人提前终止,正常终止,在预定期限内账户仍在开立、没有任何拖欠;
上述因拖欠付款而终止或申请人提前终止的有效融资合同标记为不可接受类;
上述正常终止或在预定期限内账户仍在开立、没有任何拖欠标记为可接收类;
模型训练模块用于基于金融服务申请的状态,对训练数据进行预处理,包括:
用于将每组训练数据中的数据变量分为序数变量和分类变量,序数变量为具有数值的变量,分类变量为具有标识符标签的变量;
用于对于序数变量,将序数变量按照从最高序数值排序到最低序数值的顺序排序,最高序数值被赋值为1,最低序数值被赋值为0,最高序数值与最低序数值之间的值被赋值为基于排序顺在0和1之间线性缩放的值;
用于对于每一个分类变量,确定脆弱性的度量值,脆弱性是分类变量对上述可接收类或不可接受类的敏感性;
通过输入层对测试数据进行预处理,包括如下步骤:
基于待分析的金融服务申请的状态,将测试数据分为多组测试数据;
将每组测试数据中的数据变量分为序数变量和分类变量,序数变量为具有数值的变量,分类变量为具有标识符标签的变量;
对于序数变量,将序数变量按照从最高序数值排序到最低序数值的顺序排序,最高序数值被赋值为1,最低序数值被赋值为0,最高序数值与最低序数值之间的值被赋值为基于排序顺在0和1之间线性缩放的值;
对于每一个分类变量,确定脆弱性的度量值,脆弱性是分类变量对上述可接收类或不可接受类的敏感性。
10.根据权利要求8或9所述的金融服务信用风险分析系统,其特征在于输入层通过加权连接的方式连接到中间层,中间层通过加权连接的方式连接到输出层;
训练模块用于通过网格搜索的方法训练层次神经网络模型,得到训练后层次神经网络模型作为金融服务信用风险分析模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010702705.3A CN111815437A (zh) | 2020-07-21 | 2020-07-21 | 金融服务信用风险分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010702705.3A CN111815437A (zh) | 2020-07-21 | 2020-07-21 | 金融服务信用风险分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111815437A true CN111815437A (zh) | 2020-10-23 |
Family
ID=72865074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010702705.3A Pending CN111815437A (zh) | 2020-07-21 | 2020-07-21 | 金融服务信用风险分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815437A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5696907A (en) * | 1995-02-27 | 1997-12-09 | General Electric Company | System and method for performing risk and credit analysis of financial service applications |
CN106803204A (zh) * | 2017-01-17 | 2017-06-06 | 上海聚赟大数据有限公司 | 一种基于机器学习的债券发行人违约分析方法 |
CN106875270A (zh) * | 2017-01-19 | 2017-06-20 | 上海冰鉴信息科技有限公司 | 一种构建及验证信用评分方程的方法和系统设计 |
CN107633030A (zh) * | 2017-09-04 | 2018-01-26 | 深圳市华傲数据技术有限公司 | 基于数据模型的信用评估方法及装置 |
CN107731304A (zh) * | 2017-09-30 | 2018-02-23 | 北京好啦科技有限公司 | 一种身高预测方法及系统 |
CN108596757A (zh) * | 2018-04-23 | 2018-09-28 | 大连火眼征信管理有限公司 | 一种智能组合的个人信用评估方法及系统 |
CN109300039A (zh) * | 2018-12-05 | 2019-02-01 | 山东省城市商业银行合作联盟有限公司 | 基于人工智能和大数据进行智能产品推荐的方法及系统 |
CN109993223A (zh) * | 2019-03-26 | 2019-07-09 | 南京道润交通科技有限公司 | 路面使用性能预测方法、存储介质、电子设备 |
CN110570300A (zh) * | 2019-09-10 | 2019-12-13 | 武汉科技大学 | 基于XGBoost驱动的海萨尼转换金融决策处理系统 |
CN110618671A (zh) * | 2018-06-20 | 2019-12-27 | 安波福技术有限公司 | 空中(ota)移动服务平台 |
CN110677290A (zh) * | 2019-09-26 | 2020-01-10 | 国网安徽省电力有限公司信息通信分公司 | 基于退火算法及神经网络模型的电力通信运维风险预警方法 |
-
2020
- 2020-07-21 CN CN202010702705.3A patent/CN111815437A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5696907A (en) * | 1995-02-27 | 1997-12-09 | General Electric Company | System and method for performing risk and credit analysis of financial service applications |
CN106803204A (zh) * | 2017-01-17 | 2017-06-06 | 上海聚赟大数据有限公司 | 一种基于机器学习的债券发行人违约分析方法 |
CN106875270A (zh) * | 2017-01-19 | 2017-06-20 | 上海冰鉴信息科技有限公司 | 一种构建及验证信用评分方程的方法和系统设计 |
CN107633030A (zh) * | 2017-09-04 | 2018-01-26 | 深圳市华傲数据技术有限公司 | 基于数据模型的信用评估方法及装置 |
CN107731304A (zh) * | 2017-09-30 | 2018-02-23 | 北京好啦科技有限公司 | 一种身高预测方法及系统 |
CN108596757A (zh) * | 2018-04-23 | 2018-09-28 | 大连火眼征信管理有限公司 | 一种智能组合的个人信用评估方法及系统 |
CN110618671A (zh) * | 2018-06-20 | 2019-12-27 | 安波福技术有限公司 | 空中(ota)移动服务平台 |
CN109300039A (zh) * | 2018-12-05 | 2019-02-01 | 山东省城市商业银行合作联盟有限公司 | 基于人工智能和大数据进行智能产品推荐的方法及系统 |
CN109993223A (zh) * | 2019-03-26 | 2019-07-09 | 南京道润交通科技有限公司 | 路面使用性能预测方法、存储介质、电子设备 |
CN110570300A (zh) * | 2019-09-10 | 2019-12-13 | 武汉科技大学 | 基于XGBoost驱动的海萨尼转换金融决策处理系统 |
CN110677290A (zh) * | 2019-09-26 | 2020-01-10 | 国网安徽省电力有限公司信息通信分公司 | 基于退火算法及神经网络模型的电力通信运维风险预警方法 |
Non-Patent Citations (2)
Title |
---|
何晓夏;刘融;: "贷款利率市场化后的商业银行个人信用评估模型探析", 思想战线, no. 05, pages 150 - 153 * |
杨雪松;刘勇;: "基于BP和SOM神经网络的云平台数据合并技术", 甘肃科技, no. 09, pages 24 - 26 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5696907A (en) | System and method for performing risk and credit analysis of financial service applications | |
US7383215B1 (en) | Data center for account management | |
US20040039688A1 (en) | System and method for monitoring managing and valuing credit accounts | |
US20050222929A1 (en) | Systems and methods for investigation of financial reporting information | |
US8065227B1 (en) | Method and system for producing custom behavior scores for use in credit decisioning | |
CN110956273A (zh) | 融合多种机器学习模型的征信评分方法及系统 | |
Collier | Modelling the relationships between process quality errors andoverall service process performance | |
Smith et al. | A comprehensive model for managing credit risk on home mortgage portfolios | |
US8984022B1 (en) | Automating growth and evaluation of segmentation trees | |
CN112598500A (zh) | 一种无额度客户的授信处理方法及系统 | |
WO2022155740A1 (en) | Systems and methods for outlier detection of transactions | |
CN112613977A (zh) | 一种基于政务数据的个人信用贷款准入授信方法及系统 | |
Düllmann et al. | Determinants of the asset correlations of German corporations and implications for regulatory capital | |
CN112037006A (zh) | 小微企业的信用风险识别方法及装置 | |
US20020184140A1 (en) | Computerized method for determining a credit line | |
CN117114812A (zh) | 一种针对企业的金融产品推荐方法及装置 | |
CN111815437A (zh) | 金融服务信用风险分析方法及系统 | |
CN113421154B (zh) | 基于控制图的信贷风险评估方法及系统 | |
KR102499182B1 (ko) | 인공지능을 이용한 가계대출 사기/부실 상시감사지원시스템 | |
CN117455681A (zh) | 业务风险预测方法和装置 | |
CN113919937A (zh) | 一种基于贷款评估风控的ks监控系统 | |
CN113298393A (zh) | 基于回归算法的车贷风险评估方法 | |
CN114493822A (zh) | 一种基于迁移学习的用户违约预测定价方法和系统 | |
Taha | The possibility of using artificial neural networks in auditing-theoretical analytical paper | |
Amin-Tahmasbi et al. | Prioritization of different solvency monitoring systems of Iran insurance company using combined approach of analytic network process and DEMATEL |
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 |