CN112200340A - 预测逃废债区块链系统 - Google Patents

Abstract

一逃废债预制系统，包括多个区块链系统，区块链系统存储数据用以识别借款人，用以对借款人进行信用评级，也包括借款人信用贷款中的支付记录，以及相关借款人群体的经济社会的大数据。提供的数据覆盖在固定的时间段在固定的地理区域的借款人群体的相关活动。3个数学模型用于预测借款人的逃废债务行为。这些数学模型是动态系统，它们预测借款人的行为，包括一组借款人的行为，以及借款人在未来一段时间内可能的逃避债务行为；该预测可以按时间顺序表达。人工神经网络方法可用于识别3个数学模型的参数。

Description

预测逃废债区块链系统

技术领域

本发明涉及自动预测信用风险高活动的系统和方法，特别是用于自动预测小额贷款逃废债，基于存证区块链的系统和方法。

背景技术

小额贷款已经成为一般民众和小企业取得资金的一种方法。在互联网时代，互 联网贷款公司在中国蓬勃发展。然而，小额信贷也带来了许多问题。首先是借款人 违约不还款，导致网贷公司和这些公司的投资者蒙受损失。最具破坏性的就是逃废债， 即债务人有履行能力而不尽力履行还款的行为。贷款违约的输家还包括电子商务公 司和银行，这些公司也从事小额融资。

在下文中，词语“借款人”表示从互联网贷款公司，银行或电子商务供应商借 入小额贷款的自然人，或商业实体。

各种金融服务实体向消费者和/或企业提供信用账户，例如抵押，汽车贷款， 信用卡账户等。在向申请人提供信用账户之前，或在为这种信用账户提供服务期间， 许多金融服务提供商想要知道申请人或客户是否或可能是个“从不付费”(逃废债) 借款人。逃废债借款人包括，但不限于那些提出信用请求，随后获得信用工具的客户， 并且在账户整个生命周期中，从不支付或基本上不支付。对金融服务提供商而言，逃 废债借款人是个代价高昂的借款人。

传统的评分模型无法提供必要的洞察力来识别从不支付的借款人。在某种程度上，这是由于借款人背后的概况的多样性。此外，由于资源有限以，及分析逃废债借 款人的复杂度，一些金融服务提供商难以识别逃废债的属性和/或原因。因此，这些 逃废债的账户不能在流程的早期被识别出来，造成金融服务提供商的损失。

本发明涉及预测逃废债的过程，方法，和系统。目前有许多方法可以预测逃废 债借款人。其中包括从一组数据集中自动预测出逃废债借款人。直到最近，大多数 预测方法和系统采用保存在线或离线的电子副本文件做为数据集。传统方法的一个问 题是这些数据会受到电子安全漏洞和恶意交替的影响，而数据的实物副本可能会丢失 或被更改。今天，区块链已成为一种创新的证据保存技术，具有许多好处。其中存 储在区块链系统中的证据(或所有数据)是实际上不可变更且无可争议的。

本发明适用于自动预测逃废债借款人，也适用于自动预测信用风险高的相关活动如：雇佣，租赁，市场调查，动产、不动产鉴定等。而征信业可大致分为四大类： 信贷征信、商业征信、雇佣征信以及其他征信。因此，本发明不应视为仅适用于自动 预测逃废债借款，而逃废债借款仅做为描述本发明的实施例的载体。

本发明所解决的问题之一是关于使用宏观经济和/或人口统计背景来预测信用申请人行为。多数信用评级系统使用静态模型来预测信用申请人行为。更好的方式， 是采用动态方模型来测信用申请人行为，这应该大大提高信用申请人支付行为的预测 准确性。本发明的一个方面是采用动态模型来预测信用申请人的支付行为，特别是 预测逃废债行为。

目前对逃废债的预测是静态的：基本上仅预测借款人未来是否会有逃废债行为。这是类似零或一的预测。目前的解决方案并不能预测借款人支付的频率，以及他将在 一段时间内会支付多少钱，和支付的概率。本发明采用动态系统模型(数学模型)来 进行这种预测。例如，目前的预测不能说，虽然借款人不可能在本月支付任何款项， 但在接下来的2-3个月内，他可能会支付部分款项；而且很有可能，他会全额支付所 有欠款，基于他所从事的行业，和他开展业务的城市的经济発展。

发明内容

本发明涉及自动预测逃废债借款人的方法和系统。本发明的方法和系统采用区块链为数据存储和检索系统。本发明的方法和系统采用区块链技术为数据存储，和/ 或检索系统。应用本发明所产生的预测方法和系统，可用于预测潜在客户或和实际客 户(借款人)当中的逃废债借款人。“借款人”可以是任何自然人，或任何商业实体。

在一个实施例中，逃废债借款人的自动预测系统包括：预测系统处理器，区块 链系统，和网路系统。使用的数据至少包括四种，存储于不同或相同区块链系统系 统里。四种数据包括：(1)借款人识别数据，(2)信用評级(征信credit rating) 数据，(3)赊账额度(tradeline信用借款人借款还款的活动记录)数据，(4)与借 款人有关的宏观的社会经济大数据。

信用評级数据通常来自信用評级机构；这些机构采集、整理、保存、加工自 然人、法人及其他组织的信用信息，并对外提供信用报告、信用评估、信用信息咨询 等服务。

预测系统处理器从这些区块链系统获取借款人的数据的配置文件。

在一个实施例中，相关数据存储于不同或相同的区块链系统的设备上。在一个 实施例中，预测系统处理器也是实现于一个区块链系统，该区块链系统成为逃废债预 测的区块链。

通过处理器中包含的计算机硬件和软件，预测系统处理器实现多个数学模型。 数学模型从一个或多个数据区块链系统获取数据。在一个实施例中，第一个数学模型 根据区块链数据预测借款人的支付行为；第二个数学模型预测与借款人相关的一组借 款人的支付行为；第三个数学模型获取第一个和第二个数学模型的输出，并产生最终 的逃废债预测输出。所有数学模型接受输入并产生输出。

这些数学模型中的每一模型都能输出一个时间序列。换句话说，随着时间的 推移，这些模型将按时间顺序预测借款人的行为。

建构数学模型的方法基于至少3种方法。第一种方法是经典的系统识别方法。 模型可以是黑盒子，白盒子和灰盒子。

在一个实施例中，最简单的黑盒模型即传递函数，比如ARX(autoregressive withexogenous inputs)模型。另一种是输入-输出多项式状态空间模型。

在一个实施例中，数学模型可以是灰盒子模型。在灰盒模型中，已知的关系 由已知的数学函数直接建模。例如，已知的数学函数算或模型算出在固定时间段内产 生的利息。在另一个例子中，已知的数学函数或模型算出所得税和其他税收。

在一个实施例中，数学模型可以是白盒子模型，即所有变量都具有现实世界的 意义，变量之间的逻辑关系是已知的，而唯一未知的是参数值。

在一个实施例中，人工神经网络用来识别上述其中数学模型的参数。所用数 据可能是个大数据，尤其是社会经济型的大数据。这些带数据与固定的时间段相关。 在另一个实施例中，经典系统识别技术如最小二乘拟合用来识别参数。在另一个实施 例中，识别参数是通过优化模型来完成；优化模型包括最低预期预测误差，和最高正 确预测的概率。

第二个数学模型是个宏观社会经济模型。在一个实施例中，借款人被确定属于 某特定的高度相关群体。比如在一个实施例中，一相关群体是在某城市中生活或做 生意的借款人。在一个实施例中，一相关群体是一组具有相似的总资产的借款人， 或是一组具有相似的教育背景，和/或相似年龄范围的借款人。

在一个实施例中，基于某城市地区逃废债和/或延迟付款的数量增加，一数学 模型预测该城市地区延迟付款或逃废债行为的增加。在另一个实施例中，基于某城 市地区正进入衰退，一数学模型预测该城市地区借款人延迟付款或逃废债行为增加。 在另一个实施例中，基于某城市地区正从衰退中反弹和/或正进入经济扩张，一数学 模型预测该城市地区借款人延迟支付或逃废债行为减少。在另一个实施例中，当中 央银行降低利率或降低准备金要求，或型使其他货币刺激计划时，一数学模型预测经 济会扩张，而逃废债行为会降低。

根据本发明的一个方面，一动态数学模型使用某些活动的发展趋势来预测逃废债行为在时间上的变动。例如，藉着使用某城市或地区发展中的经济放缓或扩张用， 一动态数学模型预测该城市或地区的逃废债行为。

在一个实施例中，一数学模型使用包括符合某特定风险规则的借款人数据，比 如借款人逾期还款次数(当逾期数超过某特定数字)，或借款人逾期还款时间(当逾 期时间超过某特定数字)。

在一个实施例中，一数学模型使用数据包括借款人所属相关团体逾期还款数字，和/或包括借款人所属相关团体逾期还款时间。

在一个实施例中，一城市或地区小额贷款仲裁案件的数量是一数学模型的输入。在一个实施例中，一城市或地区逃废债总数量是一数学模型的输入。在一个实施例中， 一城市或地区逃废债总数量，在过去一段时间(比如3至6个月)的增长率是一数学 模型的输入变量。

附图说明

下面参考各种实施例的附图详细描述本发明的前述和其他特征，方面和优点，这些附图旨在说明而不是限制本发明。附图包括以下附图，其中：

图1示出预测逃废债区块链系统的实施例框图，该系统包括一预测处理器，N个区块 链系统，而N个区块链系统将输出数据馈送到预测处理器。

图2描绘预测处理器的逻辑结构，包括3个数学模型，其中2个数学模型的输出被馈 送到第三个数学模型以产生预测输出。

具体实施方式

下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。

现在将参考附图描述本发明的实施例，其中相同的标号始终表示相同的元件。在此呈现的描述中使用的术语不旨在以任何限制或限制的方式解释，仅仅因为它与本发明的 某些特定实施例的详细描述一起使用。此外，本发明的实施例可以包括若干新颖特征， 其中没有一个特征单独负责其期望的属性或者对于实践本文所述的发明是必不可少的。

图1显示了逃废债预测系统的硬件/软件框图。在该系统中，有多个块链系统，每个 区块链系统存储了预测处理器所用的一些数据。区块链系统的数量是N，其中N的范 围可以从1到有限数。通常，N是4。

如上所述，有4种类型的数据，其中一些是在一个地理区域内在固定的时间段内，在 经济社会背景下收集的相关联大数据。

在图1中，各区块链系统通过网络系统连接到逃废债预测处理器。

为了获得逃废债预测结果，各种区块链系统必须经由网络系统将所需的数据馈送到逃废债预测处理器。由于区块链系统是分布式系统，区块链系统的节点通常通过网络连 接。然而，在一个实施例中，图1中表示的块链系统可以是个节点，这节点也可以 位于具有逃废债预测系统的单个机器中。通常，逃废债预测系统通过网络连接到这些 区块链系统。

在图2中，而通过硬件/软件，逃废债预测处理器所需数据来自上述多个区块链系统。处理器实现包括3个数学模型。第一个数学模型根据来自区块链系统输入的数据来预 测借款人行为。第二个数学模型根据来自各区块链系统输入数据来预测一组相关借 款人的行为。第二个数学模型的输入可能与第一个数学模型的输入不同，因为它们预 测不同的行为。第二个数学模型输入数据可能是在一段固定时间内在社会经济背景下 取得的大数据。

图2中的第3个数学模型采用第1个数学模型和第2个数学模型的输出数据。第三个 数学模型也可能直接从图1中的各区块链系统获取数据，尽管图2未显示此路径。图 2中的框图暗示了该路径。

第三个数学模型产生预测处理器的最终输出。在所有三种数学模型中，由于模型是动态系统，因此输出是个时间序列。这些时间序列，按时间顺序，预测借款人，或一组 相关借款人的未来行为，和/或逃废债行为。此外，这些数学模型的输入还可以包括 固定时间段内的历史数据。

Claims (10)

1.一预测逃废债系统，包括分布在网络系统上的多个区块链系统，包括一个逃废债预测处理器，该预测系统执行以下任务：

上述多个区块链系统区块链系统存储数据用以识别任意借款人，对该借款人进行信用评级；该数据包括该借款人信用贷款中的支付记录，和/或与该借款人相关的群体的经济社会大数据；

上述预测处理器使用上述多个区块链系存储的数据来预测借款人的逃废债行为；

上述预测处理器使用一个或多个动态系统数学模型来预测借款人的支付行为以及可能的逃废债行为。

2.根据权利要求1所述的预测逃廢債系统，该逃廢債预测处理器使用，在一段时间内，在一城市或地区内，与该借款人相关群体的大数据来进行预测。

3.根据权利要求2所述的预测逃廢債系统，其中一个或多个数学模型预测未来一段时间内该借款人或一组与该借款人相关的群体的支付行为，该预测可以按时间顺序表达。

4.一预测逃廢債系统，包括分布在网络系统上的多个区块链系统，包括一个逃廢債预测处理器，该预测系统执行以下任务：

上述多个区块链系统区块链系统存储数据用以识别任意借款人，对该借款人进行信用评级；该数据包括该借款人信用贷款中的支付记录，和/或与该借款人相关的群体的经济社会大数据；

上述预测处理器使用上述多个区块链系存储的数据来预测借款人的逃廢債行为；

上述预测处理器使用多个动态系统数学模型来预测借款人的支付行为以及可能的逃廢債行为；

其中，第一个数学模型预测借款人的支付行为；第二个数学模型预测与借款人相关的一组借款人的支付行为；第三个数学模型获取第一个和第二个数学模型的输出，并产生最终的借款人逃廢債预测。

5.根据权利要求4所述的预测逃廢債系统，该逃廢債预测处理器使用，在一段时间内，在一城市或地区内，与该借款人相关群体的大数据来进行预测。

6.根据权利要求5所述的预测逃廢債系统，其中一个或多个数学模型预测未来一段时间内该借款人或一组与该借款人相关的群体的支付行为，该预测可以按时间顺序表达。

7.一预测逃廢債系统，包括分布在网络系统上的多个区块链系统，包括一个逃廢債预测处理器，该预测系统执行以下任务：

上述多个区块链系统区块链系统存储数据用以识别任意借款人，对该借款人进行信用评级；该数据包括该借款人信用贷款中的支付记录，和/或与该借款人相关的群体的经济社会大数据；

上述预测处理器使用上述多个区块链系存储的数据来预测借款人的逃廢債行为；

上述预测处理器使用多个动态系统数学模型来预测借款人的支付行为以及可能的逃廢債行为；

人工神经网络技术用以识别上述多个动态系统数学模型的参数。

8.根据权利要求7所述的预测逃廢債系统，该逃廢債预测处理器使用，在一段时间内，在一城市或地区内，与该借款人相关群体的大数据来进行预测。

9.根据权利要求8所述的预测逃廢債系统，其中一个或多个数学模型预测未来一段时间内该借款人或一组与该借款人相关的群体的支付行为，该预测可以按时间顺序表达。

10.根据权利要求7所述的预测逃廢債系统，基于一城市地区正进入经济衰退或扩张，其中一数学模型预测该城市地区借款人延迟付款或逃廢債行为增加或减少。

Images