CN112116166A - 信用风险指标预测方法及装置 - Google Patents
信用风险指标预测方法及装置 Download PDFInfo
- Publication number
- CN112116166A CN112116166A CN202011043258.1A CN202011043258A CN112116166A CN 112116166 A CN112116166 A CN 112116166A CN 202011043258 A CN202011043258 A CN 202011043258A CN 112116166 A CN112116166 A CN 112116166A
- Authority
- CN
- China
- Prior art keywords
- index
- credit risk
- bank
- macro
- data
- 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 60
- 238000004458 analytical method Methods 0.000 claims abstract description 48
- 238000012417 linear regression Methods 0.000 claims abstract description 48
- 238000010219 correlation analysis Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims description 66
- 238000007781 pre-processing Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 230000014509 gene expression Effects 0.000 description 6
- 239000000872 buffer Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013488 ordinary least square regression Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis 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
- 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
- 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
- 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
- G06Q10/06395—Quality analysis or management
-
- 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
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例提供一种信用风险指标预测方法及装置,方法包括:确定信用风险指标和对应的待选银行宏观指标;对所述信用风险指标和所述待选银行宏观指标进行数据质量分析和相关性分析,并根据所述数据质量分析和相关性分析的分析结果确定所述待选银行宏观指标中的目标宏观指标;根据所述信用风险指标和所述目标宏观指标构建线性回归预测模型,并根据所述线性回归预测模型得到信用风险指标预测数据;本申请能够有效、准确得对金融风控领域的信用风险指标进行预测。
Description
技术领域
本申请涉及金融风控领域,具体涉及一种信用风险指标预测方法及装置。
背景技术
2008年金融危机后,压力测试的作用迅速增大,监管部门对银行压力测试提出了很多新的严苛要求,例如,美联储于2012年采纳了DFAST规则,2014年正式发布EPS规则(中国银行、工商银行已满足其第三档标准,需定期开展压力测试并提交报告),BASEL委员会于2018年10月更新了压力测试原则,银保监会在各类监管指引中均提出了有关压力测试的要求。作为银行前瞻性评估风险,未雨绸缪做好风险防范的重要工具,压力测试已经融入到日常风险管理工作之中。
从压力测试覆盖范围来看,已经从原来的主要关注境内分行信用风险,扩展至包括境内分行、直营中心、海外机构和子公司在内的集团层面,涉及信用、市场、操作、集中度、国别、押品等各类风险,承压指标也从原来的资产质量扩展至预期损失、利润、资本充足率等。
现存建模方案多用于泛经济金融领域,很少用于针对银行特定业务场景例如客户违约率,金融违约率、PD、LGD等信用风险指标进行建模预测。同时,对于现有技术而言,没有一套成体系化的指标预测方法及建模算法,造成无法有效开展银行压力测试。
发明内容
针对现有技术中的问题,本申请提供一种信用风险指标预测方法及装置,能够有效、准确得对金融风控领域的信用风险指标进行预测。
为了解决上述问题中的至少一个,本申请提供以下技术方案:
第一方面,本申请提供一种信用风险指标预测方法,包括:
确定信用风险指标和对应的待选银行宏观指标;
对所述信用风险指标和所述待选银行宏观指标进行数据质量分析和相关性分析,并根据所述数据质量分析和相关性分析的分析结果确定所述待选银行宏观指标中的目标宏观指标;
根据所述信用风险指标和所述目标宏观指标构建线性回归预测模型,并根据所述线性回归预测模型得到信用风险指标预测数据。
进一步地,在所述根据所述信用风险指标和所述目标宏观指标构建线性回归预测模型之前,包括:
对所述信用风险指标和所述待选银行宏观指标进行单整自回归移动平均处理,得到经过所述单整自回归移动平均后的信用风险指标和待选银行宏观指标。
进一步地,所述对所述信用风险指标和所述待选银行宏观指标进行数据质量分析,包括:
对所述信用风险指标和所述待选银行宏观指标在设定时间周期内的数据完整性进行分析。
进一步地,所述对所述信用风险指标和所述待选银行宏观指标进行相关性分析包括:
对所述信用风险指标与所述待选银行宏观指标之间以及多个所述待选银行宏观指标之间的业务相关性进行分析。
进一步地,在所述确定所述待选银行宏观指标中的目标宏观指标之前,包括:
对所述信用风险指标和所述待选银行宏观指标进行无量纲化数据预处理,得到经过所述无量纲化数据预处理后的信用风险指标和待选银行宏观指标。
进一步地,所述对所述信用风险指标和所述待选银行宏观指标进行无量纲化数据预处理包括:
对所述信用风险指标和所述待选银行宏观指标进行环比数据处理,得到经过所述环比数据处理后的信用风险指标和待选银行宏观指标。
进一步地,所述对所述信用风险指标和所述待选银行宏观指标进行无量纲化数据预处理包括:
对所述信用风险指标和所述待选银行宏观指标进行差分数据处理,得到经过所述差分数据处理后的信用风险指标和待选银行宏观指标。
第二方面,本申请提供一种信用风险指标预测装置,包括:
指标数据确定模块,用于确定信用风险指标和对应的待选银行宏观指标;
入模数据确定模块,用于对所述信用风险指标和所述待选银行宏观指标进行数据质量分析和相关性分析,并根据所述数据质量分析和相关性分析的分析结果确定所述待选银行宏观指标中的目标宏观指标;
回归预测模块,用于根据所述信用风险指标和所述目标宏观指标构建线性回归预测模型,并根据所述线性回归预测模型得到信用风险指标预测数据。
进一步地,还包括:
单整自回归移动平均处理单元,用于对所述信用风险指标和所述待选银行宏观指标进行单整自回归移动平均处理,得到经过所述单整自回归移动平均后的信用风险指标和待选银行宏观指标。
进一步地,所述入模数据确定模块包括:
完整性分析单元,用于对所述信用风险指标和所述待选银行宏观指标在设定时间周期内的数据完整性进行分析。
进一步地,所述入模数据确定模块包括:
相关性分析单元,用于对所述信用风险指标与所述待选银行宏观指标之间以及多个所述待选银行宏观指标之间的业务相关性进行分析。
进一步地,还包括:
无量纲化数据预处理单元,用于对所述信用风险指标和所述待选银行宏观指标进行无量纲化数据预处理,得到经过所述无量纲化数据预处理后的信用风险指标和待选银行宏观指标。
进一步地,所述无量纲化数据预处理单元包括:
环比数据处理子单元,用于对所述信用风险指标和所述待选银行宏观指标进行环比数据处理,得到经过所述环比数据处理后的信用风险指标和待选银行宏观指标。
进一步地,所述无量纲化数据预处理单元包括:
差分数据处理子单元,用于对所述信用风险指标和所述待选银行宏观指标进行差分数据处理,得到经过所述差分数据处理后的信用风险指标和待选银行宏观指标。
第三方面,本申请提供一种电子设备,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,所述处理器执行所述程序时实现所述的信用风险指标预测方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的信用风险指标预测方法的步骤。
由上述技术方案可知,本申请提供一种信用风险指标预测方法及装置,通过对确定的信用风险指标和对应的待选银行宏观指标进行数据质量分析和相关性分析,根据分析结果从待选银行宏观指标中筛选出目标银行宏观指标,并据此作为线性回归预测模型的入模数据,以此通过该线性回归预测模型得到信用风险指标的预测数据,能够在金融风控领域准确且有效得对各项信用风险指标进行预测,以此满足后续压力测试场景的需求。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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,下面描述中的附图是本申请的一些实施例,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为本申请实施例中的信用风险指标预测方法的流程示意图;
图2为本申请实施例中的信用风险指标预测装置的结构图之一;
图3为本申请实施例中的信用风险指标预测装置的结构图之二;
图4为本申请实施例中的信用风险指标预测装置的结构图之三;
图5为本申请实施例中的信用风险指标预测装置的结构图之四;
图6为本申请实施例中的信用风险指标预测装置的结构图之五;
图7为本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
考虑到现存建模方案多用于泛经济金融领域,很少用于针对银行特定业务场景例如客户违约率,金融违约率、PD、LGD等信用风险指标进行建模预测。同时,对于现有技术而言,没有一套成体系化的指标预测方法及建模算法,造成无法有效开展银行压力测试的问题,本申请提供一种信用风险指标预测方法及装置,通过对确定的信用风险指标和对应的待选银行宏观指标进行数据质量分析和相关性分析,根据分析结果从待选银行宏观指标中筛选出目标银行宏观指标,并据此作为线性回归预测模型的入模数据,以此通过该线性回归预测模型得到信用风险指标的预测数据,能够在金融风控领域准确且有效得对各项信用风险指标进行预测,以此满足后续压力测试场景的需求。
为了能够有效、准确得对金融风控领域的信用风险指标进行预测,本申请提供一种信用风险指标预测方法的实施例,参见图1,所述信用风险指标预测方法具体包含有如下内容:
步骤S101:确定信用风险指标和对应的待选银行宏观指标。
可以理解的是,线性回归是回归模型中最常见的模型,普通最小二乘估计(OLS)是估计一个线性回归模型简单有效、容易理解的方法。最小二乘估计是通过最小化残差(观察值与历史数据线性估计所得的预测值支差)的平方和来进行参数估计。
其中,多元线性回归的一般表达式为:
其中,y为因变量(被解释变量),μ为常数项,xi为自变量(解释变量),βi为自变量对应的参数估计值,n为自变量个数,ε为随机扰动项。
可选的,本申请可以根据金融风控领域中具体的业务需求选定信用风险指标作为线性回归预测模型中的因变量,选定银行宏观指标作为线性回归预测模型中自变量。
具体的,所述信用风险指标例如包括:客户违约率和年度金额违约率,其中,根据所述信用风险指标的不同和预先设定的对应规则,可以确定与该信用风险指标对应的至少一个待选银行宏观指标,例如当选定信用风险指标为客户违约率时,对应的所述待选银行宏观指标可以为:GDP累计同比、GDP环比增长率以及M2累计同比。
步骤S102:对所述信用风险指标和所述待选银行宏观指标进行数据质量分析和相关性分析,并根据所述数据质量分析和相关性分析的分析结果确定所述待选银行宏观指标中的目标宏观指标。
可以理解的是,在确定上述信用风险指标和待选银行宏观指标后,将二者输入线性回归预测模型前,本申请还可以对其进行数据预处理,例如数据质量分析和相关性分析,以确保建模时的准确性。
可选的,所述数据质量分析是指对数据完整性、数据准确性和数据是否异常中的至少一种进行的数据预处理,根据数据质量分析后的分析结果进行相应数据修正,可以增强后续模型的可靠性和准确性。
具体的,对于缺失的某一报告期数指标数据,根据该指标对应规则,可以取该报告期前后两期平均值作为该期数据,若前后两期指标仍有缺失,则可以提示业务使用者补齐缺失指标保证建模准确性。
在本申请的另一实施例中,如果对于某一报告期数指标数据,其与前后两期相比差异幅度较大,则将该期数据舍弃并取前后两期平均值作为该期替代。具体的,例如CPI累计同比1月份值为8.1%,2月份值为78.4%,3月份为6.2%,显然2月份为异常数据,此时舍弃掉该期数据并取(8.1+6.2)/2%作为替代。
可选的,所述相关性分析是指因变量与自变量的相关分析和自变量之间的相关分析,其是在金融数据挖掘过程中以相关性的强弱作为变量初步筛选的衡量标准。
具体的,根据所选择的银行宏观指标的不同,例如:违约率年度与季度差异、金融违约率与客户违约率差异,在本申请中初始化一套对应的自变量指标供业务使用者选择。更进一步的,例如对于选用季度金额违约率,则将进口金额季度统计值、出口金额季度统计值等加入可选指标池;而对于选用年度客户违约率,则将年度定期存款利率、理财产品预期年收益率等加入可选指标池。
可选的,经过上述数据质量分析和相关性分析后,本申请通过观测模型表现情况,进行迭代优化,从多个待选银行宏观指标中筛选得到至少一个目标银行宏观指标,用于作为构建线性回归预测模型的入模变量。具体的,例如选取M2同比、GDP累计同比作为预测季度金额违约率的指标进行建模,得到模型后代入历史数据值进行校验发现经模型得到的历史违约率与实际历史违约率差异较大,则返回该步骤修改指标,例如改为选用CPI环比增长率进行建模,多次迭代得到最优业务模型。
步骤S103:根据所述信用风险指标和所述目标宏观指标构建线性回归预测模型,并根据所述线性回归预测模型得到信用风险指标预测数据。
可选的,本申请将经过上述数据质量分析和相关性分析后的信用风险指标和目标宏观指标作为构建线性回归预测模型的入模参数。
可以理解的是,多元线性回归通常使用最小二乘法进行参数估计,本申请采用梯度下降法进行参数估计工作。
可以理解的是,本申请构建线性回归预测模型的基本原理可以采用现有技术,具体的,本申请在执行方程显著性检验和变量系数显著性检验时,方程显著性检验具体是进行F检验,可以用R方与调整后R方进行判断,指标越大表明方程越显著;变量系数显著性检验具体是进行T检验,主要用变量系数的P值来判断变量是否显著,其中P值小于0.05。
可以理解的是,根据上述检验的结果最终确定线性回归预测模型的表达式方程,即完成线性回归预测模型的构建工作,进而根据所述线性回归预测模型得到信用风险指标预测数据。
从上述描述可知,本申请实施例提供的信用风险指标预测方法,能够通过对确定的信用风险指标和对应的待选银行宏观指标进行数据质量分析和相关性分析,根据分析结果从待选银行宏观指标中筛选出目标银行宏观指标,并据此作为线性回归预测模型的入模数据,以此通过该线性回归预测模型得到信用风险指标的预测数据,能够在金融风控领域准确且有效得对各项信用风险指标进行预测,以此满足后续压力测试场景的需求。
为了能够进一步提高线性回归预测模型的预测准确度,在本申请的信用风险指标预测方法的一实施例中,在上述步骤S103之前,还可以具体包含如下内容:
对所述信用风险指标和所述待选银行宏观指标进行单整自回归移动平均处理,得到经过所述单整自回归移动平均后的信用风险指标和待选银行宏观指标。
可选的,所述单整自回归移动平均处理可以由含外生变量的单整自回归移动平均模型实现,例如ARIMAX模型。
可选的,本申请采用的单整自回归移动平均模型包含有相关的解释变量。
可以理解的是,解释变量的加入增加了模型构建过程的复杂度,但是其优势在于使得模型可以更好的捕捉外生变量的影响。在金融时间序列分析与预测中,该模型能够将宏观经济因子纳入时间序列模型的构建中,捕捉宏观经济状况对预测变量的影响。
具体的,ARIMAX(p,d,q)模型的可以写作:
其中,yt是预测变量;μ是常数项;d差分次数;n为宏观因子(变量)个数;Xi,t是在t期第i个宏观因子的时间序列;B代表延迟算子;φ(B)是自回归算子,代表后移算子中的多项式φ(B)=1-φ1B-…-φpBp;θ(B)是移动平均回归算子,代表后移算子中的多项式B(B)=1-θ1B-…-θqBq;at为在t期白噪声,也是就是残差项等于t期的历史真实值减去预测值(Yt-yt)。
可选的,由于延迟算子的存在增加了该模型的使用难度,因此本申请可以进行简化,将延迟算子转为其他形式表达,具体为:
对于多元线性回归基本形式,其待预测左式多为单一待预测变量y,例如Y=a1X1+a2X2+a3X3形式,a为待预测系数,该形式便于后续的矩阵法或梯度下降法求解出回归结果,简单而言,延时算子B是一个与预测变量yt有关的参数,而我们期望将待回归式化简为等式左侧变量不出现在等式右侧,例如Y=0.5Y+aX1,显然可以化简为Y=aX1的基本回归形式。而对于本案例中,上述公式2中yt为最终需要得到的预测结果,而由于延时算子B与yt有关(可以简单理解为B*yt=yt-1,即预测期数据延时一期等于前一期数据)可以观察到其左右式并非为最简形式,为方便后续回归计算,需要将该模型表达式化简为多元线性回归基本形式。
令(1-B)dyt=Wt,则原等式5变形为:
右式=at-θ1·at-1-…θq·at-q (8)
其中,上述公式(3)至公式(7)中,公式(3)为公式(2)将右式两项左移得到,公式(4)为公式(3)将分母乘到左边得到,公式(5)为将自回归算子和移动平均回归算子替换为其本身代表的多项式得到,具体多项式在前一自然段已有叙述,公式(6)为用Wt替换公式(5)获得,Wt本身不具有业务含义,仅为中间步骤简化运算需要,公式(7)为将公式(6)左式乘积展开获得。
由于第t期为预测期,因此将t期之前的W和a均认为是已知项,其中在预测时t期的残差项为0,因此将上述公式可变形为:
该右式各项均为已知项,于是可以预测出第t期的Wt值,进而通过Wt求解yt值。通常差分d=1,于是(1-B)1yt=yt-yt-1=Wt,即yt=Wt+yt-1。
为了能够保证建模时的准确性,在本申请的信用风险指标预测方法的一实施例中,在上述步骤S102中,还可以具体包含如下内容:
对所述信用风险指标和所述待选银行宏观指标在设定时间周期内的数据完整性进行分析。
可选的,对于缺失的某一报告期数指标数据,根据该指标对应规则,可以取该报告期前后两期平均值作为该期数据,若前后两期指标仍有缺失,则可以提示业务使用者补齐缺失指标保证建模准确性。
为了能够保证建模时的准确性,在本申请的信用风险指标预测方法的一实施例中,在上述步骤S102中,还可以具体包含如下内容:
对所述信用风险指标与所述待选银行宏观指标之间以及多个所述待选银行宏观指标之间的业务相关性进行分析。
可选的,根据所选择的银行宏观指标的不同,例如:违约率年度与季度差异、金融违约率与客户违约率差异,在本申请中初始化一套对应的自变量指标供业务使用者选择。
为了能够保证建模时的准确性,在本申请的信用风险指标预测方法的一实施例中,在上述步骤S102中,还可以具体包含如下内容:
对所述信用风险指标和所述待选银行宏观指标进行无量纲化数据预处理,得到经过所述无量纲化数据预处理后的信用风险指标和待选银行宏观指标。
可选的,由于变量的数量级、单位差异等原因,通常不会直接使用原始变量数据进行建模,在确定上述信用风险指标和待选银行宏观指标后,将二者输入线性回归预测模型前,本申请还可以对其进行数据标准化处理,即所述无量纲化数据预处理。
可选的,所述无量纲化数据预处理包括但不限于环比数据处理、差分数据处理、滞后处理、和超前处理。
例如对于所选自变量GDP累计值做差分处理,则建模时采用数据为当期值减去上期值。具体的,例如GDP季度累计值初始报告期数据为X1,第二期数据为X2,第三期数据为X3,对于差分处理,则将第二期数据与第一期数据差额X2-X1作为建模时实际使用的第二期数据,将第三期数据与第二期差额X3-X2作为实际使用的第三期报告期数据;而对于环比处理,将第二期数据与第一期数据差额除以第一期数据得到(X2-X1)/X1作为第二期实际使用的数据,将第三期数据与第二期数据差额除以第二期数据得到(X3-X2)/X2作为第三期实际使用数据。
在本申请的其他一些实施例中,由于经济传导存在迟滞,例如,财务政策的推出并不会立刻传导至GDP的影响,因此,本申请还可以只针对自变量进行滞后处理。
可以理解的是,滞后处理跟差分处理、环比处理属于同一层级,都是可选择的对于自变量的处理方式。例如滞后一期,则指使用上一期实际值作为当前期入模时采用的值,例如CPI累计同比3月份为8.1%,4月份为6.3%,5月份为7.2%,则在实际运算时将8.1%作为4月份数据,6.3%作为5月份数据,相似的,如果选择滞后两期,则将8.1%作为5月份实际运算数据。而类似的,滞后处理与超前处理相对应,超前处理指往后取值,例如超前一期在上述例子中则将7.2%作为4月实际运算数据。
为了能够保证建模时的准确性,在本申请的信用风险指标预测方法的一实施例中,在上述步骤S102中,还可以具体包含如下内容:
对所述信用风险指标和所述待选银行宏观指标进行环比数据处理,得到经过所述环比数据处理后的信用风险指标和待选银行宏观指标。
为了能够保证建模时的准确性,在本申请的信用风险指标预测方法的一实施例中,在上述步骤S102中,还可以具体包含如下内容:
对所述信用风险指标和所述待选银行宏观指标进行差分数据处理,得到经过所述差分数据处理后的信用风险指标和待选银行宏观指标。
为了能够有效、准确得对金融风控领域的信用风险指标进行预测,本申请提供一种用于实现所述信用风险指标预测方法的全部或部分内容的信用风险指标预测装置的实施例,参见图2,所述信用风险指标预测装置具体包含有如下内容:
指标数据确定模块10,用于确定信用风险指标和对应的待选银行宏观指标。
入模数据确定模块20,用于对所述信用风险指标和所述待选银行宏观指标进行数据质量分析和相关性分析,并根据所述数据质量分析和相关性分析的分析结果确定所述待选银行宏观指标中的目标宏观指标。
回归预测模块30,用于根据所述信用风险指标和所述目标宏观指标构建线性回归预测模型,并根据所述线性回归预测模型得到信用风险指标预测数据。
从上述描述可知,本申请实施例提供的信用风险指标预测装置,能够通过对确定的信用风险指标和对应的待选银行宏观指标进行数据质量分析和相关性分析,根据分析结果从待选银行宏观指标中筛选出目标银行宏观指标,并据此作为线性回归预测模型的入模数据,以此通过该线性回归预测模型得到信用风险指标的预测数据,能够在金融风控领域准确且有效得对各项信用风险指标进行预测,以此满足后续压力测试场景的需求。
为了能够进一步提高线性回归预测模型的预测准确度,在本申请的信用风险指标预测装置的一实施例中,还具体包含有如下内容:
单整自回归移动平均处理单元,用于对所述信用风险指标和所述待选银行宏观指标进行单整自回归移动平均处理,得到经过所述单整自回归移动平均后的信用风险指标和待选银行宏观指标。
为了能够保证建模时的准确性,在本申请的信用风险指标预测装置的一实施例中,参见图3,所述入模数据确定模块20包括:
完整性分析单元21,用于对所述信用风险指标和所述待选银行宏观指标在设定时间周期内的数据完整性进行分析。
为了能够保证建模时的准确性,在本申请的信用风险指标预测装置的一实施例中,参见图4,所述入模数据确定模块20包括:
相关性分析单元22,用于对所述信用风险指标与所述待选银行宏观指标之间以及多个所述待选银行宏观指标之间的业务相关性进行分析。
为了能够保证建模时的准确性,在本申请的信用风险指标预测装置的一实施例中,还具体包含有如下内容:
无量纲化数据预处理单元40,用于对所述信用风险指标和所述待选银行宏观指标进行无量纲化数据预处理,得到经过所述无量纲化数据预处理后的信用风险指标和待选银行宏观指标。
为了能够保证建模时的准确性,在本申请的信用风险指标预测装置的一实施例中,参见图5,所述无量纲化数据预处理单元40包括:
环比数据处理子单元41,用于对所述信用风险指标和所述待选银行宏观指标进行环比数据处理,得到经过所述环比数据处理后的信用风险指标和待选银行宏观指标。
为了能够保证建模时的准确性,在本申请的信用风险指标预测装置的一实施例中,参见图6,所述无量纲化数据预处理单元40包括:
差分数据处理子单元42,用于对所述信用风险指标和所述待选银行宏观指标进行差分数据处理,得到经过所述差分数据处理后的信用风险指标和待选银行宏观指标。
为了更进一步说明本方案,本申请还提供一种应用上述信用风险指标预测装置实现信用风险指标预测方法的具体应用实例,具体包含有如下内容:
假设业务背景,已知银行的贷款余额历史统计指标和宏观指标历史数据,并已知未来一段时间内的GDP、贷款利率等宏观指标预测值。现将银行贷款余额作为被解释变量,部分宏观指标作为解释变量,构建回归方程,借此方程利用已知的宏观指标预测值来估计为来一段时间内银行的贷款余额。
进一步假设所构建的模型定阶结果为:p=4,d=0,q=4,并以此进行参数估计。ARIMAX(4,0,4)模型参数估计的结果如下表1所示:
表1模型参数估计的结果
由于未做差分处理,模型公式可以简化为:
将上述参数估计的结果代入便可得到贷款的预测表达式:
此时,只要获取近4期的贷款余额环比增长率(被解释变量)、各项宏观经济指标(解释变量)和模型回归时产生残差项,就是可以完成对贷款余额环比增长率的预测值,进而推算未来的贷款余额规模。
由上述描述可知,本申请至少还可以实现如下技术效果:
1,为银行量身打造,针对性强,在银行金融范围内覆盖面极广,更能适应银行金融情景。
2,该建模技术及矩阵转换思路对数据具有良好的密封性。
从硬件层面来说,为了能够有效、准确得对金融风控领域的信用风险指标进行预测,本申请提供一种用于实现所述信用风险指标预测方法中的全部或部分内容的电子设备的实施例,所述电子设备具体包含有如下内容:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现信用风险指标预测装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输;该逻辑控制器可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该逻辑控制器可以参照实施例中的信用风险指标预测方法的实施例,以及信用风险指标预测装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
可以理解的是,所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中,信用风险指标预测方法的部分可以在如上述内容所述的电子设备侧执行,也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成,所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通信模块(即通信单元),可以与远程的服务器进行通信连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
图7为本申请实施例的电子设备9600的系统构成的示意框图。如图7所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图7是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,信用风险指标预测方法功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
步骤S101:确定信用风险指标和对应的待选银行宏观指标。
步骤S102:对所述信用风险指标和所述待选银行宏观指标进行数据质量分析和相关性分析,并根据所述数据质量分析和相关性分析的分析结果确定所述待选银行宏观指标中的目标宏观指标。
步骤S103:根据所述信用风险指标和所述目标宏观指标构建线性回归预测模型,并根据所述线性回归预测模型得到信用风险指标预测数据。
从上述描述可知,本申请实施例提供的电子设备,通过对确定的信用风险指标和对应的待选银行宏观指标进行数据质量分析和相关性分析,根据分析结果从待选银行宏观指标中筛选出目标银行宏观指标,并据此作为线性回归预测模型的入模数据,以此通过该线性回归预测模型得到信用风险指标的预测数据,能够在金融风控领域准确且有效得对各项信用风险指标进行预测,以此满足后续压力测试场景的需求。
在另一个实施方式中,信用风险指标预测装置可以与中央处理器9100分开配置,例如可以将信用风险指标预测装置配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现信用风险指标预测方法功能。
如图7所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图7中所示的所有部件;此外,电子设备9600还可以包括图7中没有示出的部件,可以参考现有技术。
如图7所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的信用风险指标预测方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的信用风险指标预测方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤S101:确定信用风险指标和对应的待选银行宏观指标。
步骤S102:对所述信用风险指标和所述待选银行宏观指标进行数据质量分析和相关性分析,并根据所述数据质量分析和相关性分析的分析结果确定所述待选银行宏观指标中的目标宏观指标。
步骤S103:根据所述信用风险指标和所述目标宏观指标构建线性回归预测模型,并根据所述线性回归预测模型得到信用风险指标预测数据。
从上述描述可知,本申请实施例提供的计算机可读存储介质,通过对确定的信用风险指标和对应的待选银行宏观指标进行数据质量分析和相关性分析,根据分析结果从待选银行宏观指标中筛选出目标银行宏观指标,并据此作为线性回归预测模型的入模数据,以此通过该线性回归预测模型得到信用风险指标的预测数据,能够在金融风控领域准确且有效得对各项信用风险指标进行预测,以此满足后续压力测试场景的需求。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (16)
1.一种信用风险指标预测方法,其特征在于,所述方法包括:
确定信用风险指标和对应的待选银行宏观指标;
对所述信用风险指标和所述待选银行宏观指标进行数据质量分析和相关性分析,并根据所述数据质量分析和相关性分析的分析结果确定所述待选银行宏观指标中的目标宏观指标;
根据所述信用风险指标和所述目标宏观指标构建线性回归预测模型,并根据所述线性回归预测模型得到信用风险指标预测数据。
2.根据权利要求1所述的信用风险指标预测方法,其特征在于,在所述根据所述信用风险指标和所述目标宏观指标构建线性回归预测模型之前,包括:
对所述信用风险指标和所述待选银行宏观指标进行单整自回归移动平均处理,得到经过所述单整自回归移动平均后的信用风险指标和待选银行宏观指标。
3.根据权利要求1所述的信用风险指标预测方法,其特征在于,所述对所述信用风险指标和所述待选银行宏观指标进行数据质量分析,包括:
对所述信用风险指标和所述待选银行宏观指标在设定时间周期内的数据完整性进行分析。
4.根据权利要求1所述的信用风险指标预测方法,其特征在于,所述对所述信用风险指标和所述待选银行宏观指标进行相关性分析包括:
对所述信用风险指标与所述待选银行宏观指标之间以及多个所述待选银行宏观指标之间的业务相关性进行分析。
5.根据权利要求1所述的信用风险指标预测方法,其特征在于,在所述确定所述待选银行宏观指标中的目标宏观指标之前,包括:
对所述信用风险指标和所述待选银行宏观指标进行无量纲化数据预处理,得到经过所述无量纲化数据预处理后的信用风险指标和待选银行宏观指标。
6.根据权利要求5所述的信用风险指标预测方法,其特征在于,所述对所述信用风险指标和所述待选银行宏观指标进行无量纲化数据预处理包括:
对所述信用风险指标和所述待选银行宏观指标进行环比数据处理,得到经过所述环比数据处理后的信用风险指标和待选银行宏观指标。
7.根据权利要求5所述的信用风险指标预测方法,其特征在于,所述对所述信用风险指标和所述待选银行宏观指标进行无量纲化数据预处理包括:
对所述信用风险指标和所述待选银行宏观指标进行差分数据处理,得到经过所述差分数据处理后的信用风险指标和待选银行宏观指标。
8.一种信用风险指标预测装置,其特征在于,包括:
指标数据确定模块,用于确定信用风险指标和对应的待选银行宏观指标;
入模数据确定模块,用于对所述信用风险指标和所述待选银行宏观指标进行数据质量分析和相关性分析,并根据所述数据质量分析和相关性分析的分析结果确定所述待选银行宏观指标中的目标宏观指标;
回归预测模块,用于根据所述信用风险指标和所述目标宏观指标构建线性回归预测模型,并根据所述线性回归预测模型得到信用风险指标预测数据。
9.根据权利要求8所述的信用风险指标预测装置,其特征在于,还包括:
单整自回归移动平均处理单元,用于对所述信用风险指标和所述待选银行宏观指标进行单整自回归移动平均处理,得到经过所述单整自回归移动平均后的信用风险指标和待选银行宏观指标。
10.根据权利要求8所述的信用风险指标预测装置,其特征在于,所述入模数据确定模块包括:
完整性分析单元,用于对所述信用风险指标和所述待选银行宏观指标在设定时间周期内的数据完整性进行分析。
11.根据权利要求8所述的信用风险指标预测装置,其特征在于,所述入模数据确定模块包括:
相关性分析单元,用于对所述信用风险指标与所述待选银行宏观指标之间以及多个所述待选银行宏观指标之间的业务相关性进行分析。
12.根据权利要求8所述的信用风险指标预测装置,其特征在于,还包括:
无量纲化数据预处理单元,用于对所述信用风险指标和所述待选银行宏观指标进行无量纲化数据预处理,得到经过所述无量纲化数据预处理后的信用风险指标和待选银行宏观指标。
13.根据权利要求12所述的信用风险指标预测装置,其特征在于,所述无量纲化数据预处理单元包括:
环比数据处理子单元,用于对所述信用风险指标和所述待选银行宏观指标进行环比数据处理,得到经过所述环比数据处理后的信用风险指标和待选银行宏观指标。
14.根据权利要求12所述的信用风险指标预测装置,其特征在于,所述无量纲化数据预处理单元包括:
差分数据处理子单元,用于对所述信用风险指标和所述待选银行宏观指标进行差分数据处理,得到经过所述差分数据处理后的信用风险指标和待选银行宏观指标。
15.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现权利要求1至7任一项所述的信用风险指标预测方法的步骤。
16.一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,该计算机程序被处理器执行时实现权利要求1至7任一项所述的信用风险指标预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011043258.1A CN112116166A (zh) | 2020-09-28 | 2020-09-28 | 信用风险指标预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011043258.1A CN112116166A (zh) | 2020-09-28 | 2020-09-28 | 信用风险指标预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112116166A true CN112116166A (zh) | 2020-12-22 |
Family
ID=73797240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011043258.1A Pending CN112116166A (zh) | 2020-09-28 | 2020-09-28 | 信用风险指标预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112116166A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734340A (zh) * | 2021-01-21 | 2021-04-30 | 上海东普信息科技有限公司 | 快递件量的预测指标筛选方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101131763A (zh) * | 2007-09-27 | 2008-02-27 | 中国工商银行股份有限公司 | 一种基于web的银行信用风险检测方法与系统 |
CN102117469A (zh) * | 2011-01-18 | 2011-07-06 | 中国工商银行股份有限公司 | 一种对信用风险进行评估的系统和方法 |
TWM564208U (zh) * | 2018-05-11 | 2018-07-21 | 兆豐國際商業銀行股份有限公司 | 評估多種經濟情境下機率加權違約機率的系統 |
TWM581728U (zh) * | 2019-03-29 | 2019-08-01 | 臺灣銀行股份有限公司 | Credit risk stress test system |
CN110335138A (zh) * | 2019-06-21 | 2019-10-15 | 上海淇馥信息技术有限公司 | 一种预测客群资质变化的风险预警方法、装置和电子设备 |
CN110348999A (zh) * | 2019-06-29 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 金融风险敏感用户识别方法、装置及电子设备 |
CN111192131A (zh) * | 2019-12-12 | 2020-05-22 | 上海淇玥信息技术有限公司 | 金融风险预测方法、装置和电子设备 |
-
2020
- 2020-09-28 CN CN202011043258.1A patent/CN112116166A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101131763A (zh) * | 2007-09-27 | 2008-02-27 | 中国工商银行股份有限公司 | 一种基于web的银行信用风险检测方法与系统 |
CN102117469A (zh) * | 2011-01-18 | 2011-07-06 | 中国工商银行股份有限公司 | 一种对信用风险进行评估的系统和方法 |
TWM564208U (zh) * | 2018-05-11 | 2018-07-21 | 兆豐國際商業銀行股份有限公司 | 評估多種經濟情境下機率加權違約機率的系統 |
TWM581728U (zh) * | 2019-03-29 | 2019-08-01 | 臺灣銀行股份有限公司 | Credit risk stress test system |
CN110335138A (zh) * | 2019-06-21 | 2019-10-15 | 上海淇馥信息技术有限公司 | 一种预测客群资质变化的风险预警方法、装置和电子设备 |
CN110348999A (zh) * | 2019-06-29 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 金融风险敏感用户识别方法、装置及电子设备 |
CN111192131A (zh) * | 2019-12-12 | 2020-05-22 | 上海淇玥信息技术有限公司 | 金融风险预测方法、装置和电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734340A (zh) * | 2021-01-21 | 2021-04-30 | 上海东普信息科技有限公司 | 快递件量的预测指标筛选方法、装置、设备及存储介质 |
CN112734340B (zh) * | 2021-01-21 | 2023-09-01 | 上海东普信息科技有限公司 | 快递件量的预测指标筛选方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220188720A1 (en) | Systems and methods for risk processing of supply chain management system data | |
CN109255486B (zh) | 一种策略配置的优化方法及装置 | |
CN111292007A (zh) | 供应商财务风险预测方法及装置 | |
US20200265357A1 (en) | Systems and methods to quantify risk associated with suppliers or geographic locations | |
US20110246385A1 (en) | Automatically recalibrating risk models | |
US20150178646A1 (en) | Integrated stress testing framework system and method | |
CN110992190A (zh) | 基于用户画像的资产配置方法及装置 | |
CN115080619A (zh) | 数据异常阈值确定方法及装置 | |
WO2016123657A1 (en) | Computer implemented frameworks and methodologies configured to enable generation of a synthetic profit and loss report based on business data, and loan management based on including risk-based loan construction and pricing and/or pricing based on data analysis of default risk and loss given default parameters | |
JP6978582B2 (ja) | 予測業務支援装置および予測業務支援方法 | |
Molinari | Joint analysis of the non-linear debt–growth nexus and cash-flow sensitivity: New evidence from Italy | |
CN112116166A (zh) | 信用风险指标预测方法及装置 | |
US20230289692A1 (en) | Risk management system interface | |
CN110543973A (zh) | 数据预测、数据预测结果的调整方法、装置及设备 | |
Berteloot et al. | A novel credit rating migration modeling approach using macroeconomic indicators | |
CN113129127A (zh) | 预警方法和装置 | |
CN112116402A (zh) | 信用风险客户级违约率确定方法及装置 | |
CN111951011A (zh) | 监控系统阈值确定方法及装置 | |
CN112085497A (zh) | 用户账户数据的处理方法及装置 | |
US20200272964A1 (en) | Systems and methods for providing diagnostics for a supply chain | |
CN116402321B (zh) | 物品需求量确定方法及装置、电子设备和存储介质 | |
CN112766698B (zh) | 应用业务压力确定方法及装置 | |
US20230325749A1 (en) | Systems and methods for providing diagnostics for a supply chain | |
CN107944667B (zh) | 对象模型处理方法和装置 | |
CN108241536A (zh) | 事件资源变化率的比对方法和装置 |
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 |