CN112434065A - 一种基于银行流水区间数据的预测处理方法 - Google Patents

一种基于银行流水区间数据的预测处理方法 Download PDF

Info

Publication number
CN112434065A
CN112434065A CN202011311755.5A CN202011311755A CN112434065A CN 112434065 A CN112434065 A CN 112434065A CN 202011311755 A CN202011311755 A CN 202011311755A CN 112434065 A CN112434065 A CN 112434065A
Authority
CN
China
Prior art keywords
amount
interval
weighted
credit
maximum
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
Application number
CN202011311755.5A
Other languages
English (en)
Inventor
李时铨
张梦蝶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Fuli Technology Co Ltd
Original Assignee
Shanghai Fuli Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Fuli Technology Co Ltd filed Critical Shanghai Fuli Technology Co Ltd
Priority to CN202011311755.5A priority Critical patent/CN112434065A/zh
Publication of CN112434065A publication Critical patent/CN112434065A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24568—Data stream processing; Continuous queries
    • 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
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及信贷风控技术领域，具体的讲是一种基于银行流水区间数据的预测处理方法，包括如下步骤：步骤1，区间特征预处理模块提取流水信息中的数据特征，获得四个加权数据特征，并发送给预测处理模块；步骤2，预测处理模块对数据特征进行分析处理，获得预估年进账及授信额度预测值；步骤3，预测处理模块将加权数据特征、申请额度、预估年进账、营业额、授信额度预测值发送给结果反馈模块；步骤4，结果反馈模块生成预测结果。与现有技术相比，能够提供一种智能预测处理银行流水的方法，能够有效的根据客户流水信息进行预警，披露风险，同时分析客户进账金额、每日余额与授信额度之间的关系。

Description

一种基于银行流水区间数据的预测处理方法
技术领域
本发明涉及信贷风控技术领域，具体的讲是一种基于银行流水区间数据的预测处理方法。
背景技术
在信贷业务中，个人或者企业的流水信息是衡量客户贷款资质的一个重要参考对象。目前，对银行流水的审核评估工作主要依赖于审批官的经验与决策，并且银行流水条目众多，审批极易引起疲劳，计算效率极低，甚至审批官也会因为工作失误，放过坏客户造成风险损失；同时，银行流水中交易金额的跨度很大，原本由全部流水月度进账来计算均值，但是大额的交易往往在数据分析过程中造成权重偏差，会对客户带来误判，有些客户在提交业务时，会登记自己的营业额，但是该营业额的真实性无从考证，因此也需要对度量进行比较。
因此设计一种基于银行流水区间数据的预测处理方法是十分有必要的。
发明内容
本发明突破了现有技术的难题，设计了一种基于银行流水区间数据的预测处理方法。
为了达到上述目的，本发明设计了一种基于银行流水区间数据的预测处理方法，包括如下步骤：
步骤1，区间特征预处理模块提取流水信息中的数据特征，获得四个加权数据特征，并发送给预测处理模块；
步骤2，预测处理模块对数据特征进行分析处理，获得预估年进账及授信额度预测值；
步骤3，预测处理模块将加权数据特征、申请额度、预估年进账、营业额、授信额度预测值发送给结果反馈模块；
步骤4，结果反馈模块生成预测结果。
所述步骤1中数据特征的计算步骤如下：
步骤11：将流水信息的进账金额分为若干个区间，计算每个区间的进账笔数，计算每个区间进账笔数的占比
Figure 100002_DEST_PATH_IMAGE002
，然后获取在每个区间内，进账金额的最大值
Figure 100002_DEST_PATH_IMAGE004
与进账金额的最小值
Figure 100002_DEST_PATH_IMAGE006
，计算最大加权进账金额WImax=
Figure 100002_DEST_PATH_IMAGE008
，最小加权进账金额WImin=
Figure 100002_DEST_PATH_IMAGE010
；
步骤12：将流水信息中的每日余额分为若干个区间，计算余额在每个区间的天数，得到每个区间进账笔数的占比
Figure 100002_DEST_PATH_IMAGE012
，然后获取在每个区间内，每日余额的最大值
Figure 100002_DEST_PATH_IMAGE014
，与每日余额的最小值
Figure 100002_DEST_PATH_IMAGE016
，计算最大加权每日余额WBmax=
Figure 100002_DEST_PATH_IMAGE018
，最小加权每日余额WBmin=
Figure 100002_DEST_PATH_IMAGE020
；
步骤2中预估年进账及授信额度预测值的计算步骤如下：
步骤21：通过每月的最小加权进账金额WImin与最大加权进账金额WImax，根据不同月度情况施加影响因子
Figure 100002_DEST_PATH_IMAGE022
得到预估年进账=
Figure 100002_DEST_PATH_IMAGE024
其中影响因子
Figure 100002_DEST_PATH_IMAGE025
的计算过程如下：
对某月的余额进行N区间划分后，自动统计各个区间最大最小值，计算每个划分节点附近的大区间最小值除以小区间最大值，获取多个节点附近的补偿系数，计算多个节点补偿系数均值，作为当月的影响因子
Figure 258862DEST_PATH_IMAGE025
。
步骤22：将最大加权进账金额、最小加权进账金额、最大加权每日余额及最小加权每日余额输入非线性多元回归模型，得到授信额度预测值=
Figure 100002_DEST_PATH_IMAGE027
其中的
Figure 100002_DEST_PATH_IMAGE029
，
Figure 100002_DEST_PATH_IMAGE031
，
Figure 100002_DEST_PATH_IMAGE033
，
Figure 100002_DEST_PATH_IMAGE035
是模型系数，首先将最大加权进账金额、最小加权进账金额、最大加权每日余额及最小加权每日余额的单位统一为万元，对统一后的WImax，WImin进行开方变换得到
Figure 100002_DEST_PATH_IMAGE037
，
Figure 100002_DEST_PATH_IMAGE039
，对
Figure 100002_DEST_PATH_IMAGE041
进行自然对数变换得到
Figure 100002_DEST_PATH_IMAGE043
，然后对大量样本进行机器学习训练后得到模型系数
Figure 395576DEST_PATH_IMAGE029
，
Figure 100002_DEST_PATH_IMAGE044
，
Figure 972051DEST_PATH_IMAGE033
，
Figure 508206DEST_PATH_IMAGE035
。
区间特征预处理模块包括处理进账金额子模块与处理每日余额子模块。
预测处理模块包括预估年进账子模块与申请额度预测子模块。
结果反馈模块包括区间分析结果子模块，预估反馈子模块，额度预测结果子模块；
区间分析结果子模块，可将计算出来的最大加权进账金额与加权最大每日余额和流水信息中的申请授信额度进行比较，若加权最大余额<加权最大进账<申请授信额度，则表示申请授信额度过高，若加权最大进账<加权最大余额<申请授信额度，则表示申请授信额度过高；
预估反馈子模块，可以将预估年进账金额与营业额进行比较，若营业额＞预估年进账金额的一定百分比135%，则与记录差别较大，若营业额＜预估年进账金额的一定百分比65%，则与记录差别较大；
额度预测结果子模块，可按照区间分割的结果，标注申请授信额度所在区间以及授信额度预测值所在区间，得到授信额度预测值所在区间与申请授信额度所在区间的关系后进行综合评估，输出结果。
流水信息中的数据特征包括进账金额、每日余额、申请授信额度、银行流水信息。
本发明与现有技术相比，能够提供一种智能预测处理银行流水的方法，能够有效的根据客户流水信息进行预警，披露风险，同时分析客户进账金额、每日余额与授信额度之间的关系。
附图说明
图1为本发明的流程图。
图2为本发明预估年进账的计算表格图。
具体实施方式
本发明设计了一种基于银行流水区间数据的预测处理方法，包括如下步骤：
步骤1，区间特征预处理模块提取流水信息中的数据特征，获得四个加权数据特征，处理后发送给预测处理模块；区间特征预处理模块包括处理进账金额子模块与处理每日余额子模块。
步骤2，预测处理模块对数据特征进行分析处理，获得预估年进账及授信额度预测值；预测处理模块包括预估年进账子模块与申请额度预测子模块。
步骤3，预测处理模块将预估年进账及授信额度预测值发送给结果反馈模块；
步骤4，结果反馈模块生成预测结果。
步骤1中的数据特征的处理步骤如下：
步骤11：将流水信息的进账金额分为若干个区间
Figure DEST_PATH_IMAGE046
，计算每个区间的进账笔数
Figure DEST_PATH_IMAGE048
，计算每个区间进账笔数的占比
Figure DEST_PATH_IMAGE050
，然后获取在每个区间内，进账金额的最大值
Figure DEST_PATH_IMAGE052
与进账金额的最小值
Figure DEST_PATH_IMAGE054
，定义最大加权进账金额和最小加权进账金额，用以衡量客户流水账户资质，最大加权进账金额WImax=
Figure 208396DEST_PATH_IMAGE008
，最小加权进账金额WImin=
Figure 296438DEST_PATH_IMAGE010
步骤12：将流水信息中的每日余额分为若干个区间
Figure DEST_PATH_IMAGE056
，计算余额在每个区间的天数，得到每个区间进账笔数的占比
Figure DEST_PATH_IMAGE058
，然后获取在每个区间内，每日余额的最大值
Figure DEST_PATH_IMAGE060
，与每日余额的最小值
Figure DEST_PATH_IMAGE062
，最大加权每日余额WBmax=
Figure DEST_PATH_IMAGE063
，最小加权每日余额WBmin=
Figure DEST_PATH_IMAGE064
；
步骤2中预估年进账及授信额度预测值的计算步骤如下：
步骤21：通过每月的最小加权进账金额WImin与最大加权进账金额WImax，根据不同月度情况施加影响因子
Figure DEST_PATH_IMAGE065
得到预估年进账=
Figure DEST_PATH_IMAGE066
其中影响因子
Figure 376521DEST_PATH_IMAGE025
的计算过程如下：
对某月的余额进行N区间划分后，自动统计各个区间最大最小值，计算每个划分节点附近的大区间最小值除以小区间最大值，获取多个节点附近的补偿系数，计算多个节点补偿系数均值，作为当月的影响因子
Figure 841000DEST_PATH_IMAGE025
。
计算每个月的最小加权进账金额与最大加权进账金额，
例如第i个月的最小加权进账金额
Figure DEST_PATH_IMAGE068
与最大加权进账金额
Figure DEST_PATH_IMAGE070
；以及计算影响因子，对第i个月的全部余额进行区间划分
Figure 837775DEST_PATH_IMAGE056
后
获取了最大值序列
Figure DEST_PATH_IMAGE072
…与最小值序列
Figure DEST_PATH_IMAGE074
…，对每个划分节点例如B，获取B右区间的最小值与B左区间的最大值作商
Figure DEST_PATH_IMAGE076
得到一个节点补偿系数，对所有能计算的节点补偿系数作均值，作为预估全年进账的重要指标，即影响因子
Figure 34401DEST_PATH_IMAGE025
。
所提供流水每个月都计算最小加权进账金额、最大加权进账金额、影响因子，得到预估年进账
Figure DEST_PATH_IMAGE078
。
步骤22：将最大加权进账金额、最小加权进账金额、最大加权每日余额及最小加权每日余额输入非线性多元回归模型，得到授信额度预测值=
Figure DEST_PATH_IMAGE080
；其中
Figure 742725DEST_PATH_IMAGE029
，
Figure 745316DEST_PATH_IMAGE044
，
Figure 675226DEST_PATH_IMAGE033
，
Figure 370650DEST_PATH_IMAGE035
是模型系数，计算方法如下：将最大加权进账金额、最小加权进账金额、最大加权每日余额及最小加权每日余额的单位统一为万元，对统一后的WImax，WImin进行开方变换得到
Figure 268067DEST_PATH_IMAGE037
，
Figure 808770DEST_PATH_IMAGE039
，对
Figure 717820DEST_PATH_IMAGE041
进行自然对数变换得到
Figure 459511DEST_PATH_IMAGE043
，对大量样本进行机器学习训练后得到模型系数
Figure 454012DEST_PATH_IMAGE029
，
Figure 63985DEST_PATH_IMAGE044
，
Figure 453640DEST_PATH_IMAGE033
，
Figure 756446DEST_PATH_IMAGE035
。
结果反馈模块包括区间分析结果子模块，预估反馈子模块，额度预测结果子模块；
区间分析结果子模块，可将计算出来的最大加权进账金额与加权最大每日余额和流水信息中的申请授信额度进行比较，若加权最大余额<加权最大进账<申请授信额度，则表示申请授信额度过高，可提示客户流水快进快出，难以留存，建议降额或分期；若加权最大进账<加权最大余额<申请授信额度，则表示申请授信额度过高，可提示客户流水资金调动能力较弱，建议降额或分期。
预估反馈子模块，可以将预估年进账金额与营业额进行比较，若营业额＞预估年进账金额的135%，则与记录差别较大，可能存在以下情况：流水收集不全，建议补充流水或是营业额夸大，建议交叉检验；若营业额＜预估年进账金额的65%，则与记录差别较大，可能存在以下情况：有其他对外投资收入或是有隐形负债。
额度预测结果子模块，可按照区间分割的结果，标注申请授信额度所在区间以及授信额度预测值所在区间，得到授信额度预测值所在区间与申请授信额度所在区间的关系后进行综合评估，输出结果。
流水信息中的数据特征包括进账金额、每日余额、申请授信额度、银行流水信息。
实施例1：
步骤1：获取客户所提供的流水信息、申请金额为50万、提供近一年营业额为500万；对流水文件的金额列、余额列、时间列进行提取；对金额列筛选进账，记作进账金额；对余额列根据时间提取出每日最后留存余额，记作每日余额。
步骤11：对进账金额进行划分bins=[0，1e4，5e4，10e4，20e4，30e4，50e4，100e4，200e4，300e4，500e4，1000e4 ]；
步骤12：每日余额与步骤11采取一致的划分；计算进账金额最大值、进账金额最小值、每日余额最大值、每日余额最小值，如下表所示：
Figure DEST_PATH_IMAGE082
计算余额区间笔数占比、进账区间笔数占比，如下表所示：
Figure DEST_PATH_IMAGE084
得到WImax=131996，WImin=65634，WBmax=95383，WBmin=167755；
将特征数据发送到下一模块。
步骤21：首先计算影响因子，对全部余额进行区间划分，计算划分节点左右两区间的最值之比，如下表所示：
Figure DEST_PATH_IMAGE086
第i个月影响因子为 ratio列均值，
Figure DEST_PATH_IMAGE087
=1.051；计算每个月的result =
Figure DEST_PATH_IMAGE089
。
根据图2，可以得到流水跨度N=11，根据预估年进账公式
Figure DEST_PATH_IMAGE091
=2986157元，为该客户预估的年进账，而原先使用的计算方法中OI·12=4472942元包含了偶发大额，不能准确评估客户经营水平。
步骤22：对四个加权值进行对应的函数变换，
Figure DEST_PATH_IMAGE093
，变换后的公式为：
Figure DEST_PATH_IMAGE095
；根据公式可以计算出建议授信金额额度为
Figure DEST_PATH_IMAGE096
=28万元
步骤3：在接收以上数据之后，根据条件输出不同的提示语。
加权最大每日余额（95383）<加权最大进账金额（131996）<申请金额（500000）；提示A：申请授信额度过高；客户流水快进快出，难以留存，建议降额或分期。
Figure DEST_PATH_IMAGE098
，提示B：营业额与预估年进账金额差别较大，可能存在以下情况：（i）流水收集不全，建议补充流水；（ii）营业额夸大，建议交叉检验。
提示C：客户申请金额为40万元，本次建议授信额度为28万元。

Claims (7)

1.一种基于银行流水区间数据的预测处理方法，其特征在于，包括如下步骤：
步骤1，区间特征预处理模块提取流水信息中的数据特征，获得四个加权数据特征，处理后发送给预测处理模块；
步骤2，预测处理模块对数据特征进行分析处理，获得预估年进账及授信额度预测值；
步骤3，预测处理模块将加权数据特征、申请额度、预估年进账、营业额、授信额度预测值发送给结果反馈模块；
步骤4，结果反馈模块生成预测结果。
2.所述步骤1中的数据特征的处理步骤如下：
步骤11：将流水信息的进账金额分为若干个区间，计算每个区间的进账笔数，计算每个区间进账笔数的占比
Figure DEST_PATH_IMAGE002
，然后获取在每个区间内，进账金额的最大值
Figure DEST_PATH_IMAGE004
与进账金额的最小值
Figure DEST_PATH_IMAGE006
，计算最大加权进账金额WImax=
Figure DEST_PATH_IMAGE008
，最小加权进账金额WImin=
Figure DEST_PATH_IMAGE010
；
步骤12：将流水信息中的每日余额分为若干个区间，计算余额在每个区间的天数，得到每个区间进账笔数的占比
Figure DEST_PATH_IMAGE012
，然后获取在每个区间内，每日余额的最大值
Figure DEST_PATH_IMAGE014
，与每日余额的最小值
Figure DEST_PATH_IMAGE016
，计算最大加权每日余额WBmax=
Figure DEST_PATH_IMAGE018
，最小加权每日余额WBmin=
Figure DEST_PATH_IMAGE020
；
所述步骤2中预估年进账及授信额度预测值的计算步骤如下：
步骤21：通过每月的最小加权进账金额WImin与最大加权进账金额WImax，根据不同月度情况施加影响因子
Figure DEST_PATH_IMAGE022
得到预估年进账=
Figure DEST_PATH_IMAGE024
其中影响因子
Figure DEST_PATH_IMAGE025
的计算过程如下：
对某月的余额进行N区间划分后，自动统计各个区间最大最小值，计算每个划分节点附近的大区间最小值除以小区间最大值，获取多个节点附近的补偿系数，计算多个节点补偿系数均值，作为当月的影响因子
Figure 593559DEST_PATH_IMAGE025
。
3.步骤22：将最大加权进账金额、最小加权进账金额、最大加权每日余额及最小加权每日余额输入非线性多元回归模型，得到授信额度预测值=
Figure DEST_PATH_IMAGE027
；
其中
Figure DEST_PATH_IMAGE029
，
Figure DEST_PATH_IMAGE031
，
Figure DEST_PATH_IMAGE033
，
Figure DEST_PATH_IMAGE035
是模型系数，计算方法如下：首先将最大加权进账金额、最小加权进账金额、最大加权每日余额及最小加权每日余额的单位统一为万元，对统一后的WImax，WImin进行开方变换得到
Figure DEST_PATH_IMAGE037
，
Figure DEST_PATH_IMAGE039
，对
Figure DEST_PATH_IMAGE041
进行自然对数变换得到
Figure DEST_PATH_IMAGE043
，然后对大量样本进行机器学习训练后得到模型系数
Figure DEST_PATH_IMAGE044
，
Figure 492376DEST_PATH_IMAGE031
，
Figure 251384DEST_PATH_IMAGE033
，
Figure 928353DEST_PATH_IMAGE035
。
4.根据权利要求1所述的一种基于银行流水区间数据的预测处理方法，其特征在于：所述的区间特征预处理模块包括处理进账金额子模块与处理每日余额子模块。
5.根据权利要求1所述的一种基于银行流水区间数据的预测处理方法，其特征在于：所述的预测处理模块包括预估年进账子模块与申请额度预测子模块。
6.根据权利要求1所述的一种基于银行流水区间数据的预测处理方法，其特征在于：所述的结果反馈模块包括区间分析结果子模块、预估反馈子模块和额度预测结果子模块；
区间分析结果子模块，可将计算出来的最大加权进账金额与加权最大每日余额和流水信息中的申请授信额度进行比较，若加权最大余额<加权最大进账<申请授信额度，则表示申请授信额度过高，若加权最大进账<加权最大余额<申请授信额度，则表示申请授信额度过高；
预估反馈子模块，可以将预估年进账金额与营业额进行比较，若营业额＞预估年进账金额的135%，则与记录差别较大，若营业额＜预估年进账金额的一定百分比65%，则与记录差别较大；
额度预测结果子模块，可按照区间分割的结果，标注申请授信额度所在区间以及授信额度预测值所在区间，得到授信额度预测值所在区间与申请授信额度所在区间的关系后进行综合评估，输出结果。
7.根据权利要求1所述的一种基于银行流水区间数据的预测处理方法，其特征在于：所述的流水信息中的数据特征包括进账金额、每日余额、申请授信额度、银行流水信息。
CN202011311755.5A 2020-11-20 2020-11-20 一种基于银行流水区间数据的预测处理方法 Pending CN112434065A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011311755.5A CN112434065A (zh) 2020-11-20 2020-11-20 一种基于银行流水区间数据的预测处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011311755.5A CN112434065A (zh) 2020-11-20 2020-11-20 一种基于银行流水区间数据的预测处理方法

Publications (1)

Publication Number Publication Date
CN112434065A true CN112434065A (zh) 2021-03-02

Family

ID=74693264

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011311755.5A Pending CN112434065A (zh) 2020-11-20 2020-11-20 一种基于银行流水区间数据的预测处理方法

Country Status (1)

Country Link
CN (1) CN112434065A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956273A (zh) * 2019-11-07 2020-04-03 中信银行股份有限公司 融合多种机器学习模型的征信评分方法及系统
CN111738843A (zh) * 2020-06-29 2020-10-02 金电联行（北京）信息技术有限公司 一种使用流水数据的量化风险评价系统和方法
US20200349641A1 (en) * 2019-05-03 2020-11-05 Mo Tecnologias, Llc System and method for determining credit and issuing a business loan using tokens and machine learning

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200349641A1 (en) * 2019-05-03 2020-11-05 Mo Tecnologias, Llc System and method for determining credit and issuing a business loan using tokens and machine learning
CN110956273A (zh) * 2019-11-07 2020-04-03 中信银行股份有限公司 融合多种机器学习模型的征信评分方法及系统
CN111738843A (zh) * 2020-06-29 2020-10-02 金电联行（北京）信息技术有限公司 一种使用流水数据的量化风险评价系统和方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LUCA ANZILLI ET AL.: "Credit risk profiling using a new evaluation of interval-valued fuzzy sets based on alpha-cuts", 《2017 IEEE INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS (FUZZ-IEEE)》 *
李响: "商业银行对小微企业授信额度测算模型研究", 《中国优秀博硕士学位论文全文数据库(硕士) 经济与管理科学辑》 *
赵梦: "DZ银行基于RAROC模型的企业授信额度研究", 《中国优秀博硕士学位论文全文数据库(硕士) 经济与管理科学辑》 *

Similar Documents

Publication Publication Date Title
Amiram et al. Financial statement errors: Evidence from the distributional properties of financial statement numbers
CN111062801A (zh) 一种综合式评估企业授信额度分析系统及方法
CN112102073A (zh) 信贷风险控制方法及系统、电子设备及可读存储介质
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
Majdina et al. The determinant factors of efficiency on Islamic banking and conventional banking in Indonesia
CN111598682A (zh) 一种针对企业的信用风险评估方法及系统
CN112700321A (zh) 基于用户行为数据的多规则反欺诈预测方法及系统
CN111784487A (zh) 一种基于动态财资流的中小企业超短期信用评价方法
CN114140013A (zh) 一种基于xgboost的评分卡生成方法、装置及设备
Agustian et al. Analysis Of Common Size On BSI (Bank Syariah Indonesia) In 2020-2021
Muhammad et al. The determinants of potential failure of islamic peer-to-peer lending: perceptions of stakeholders in Indonesia
de Rassenfosse On the price elasticity of demand for trademarks
CN112037006A (zh) 小微企业的信用风险识别方法及装置
Barbosa et al. Credit supply shocks and human capital: Evidence from a change in accounting norms
CN110930258B (zh) 一种应收账款融资变现规模预测方法及系统
Pham et al. Innovation and bank efficiency in Vietnam and Pakistan
CN112434065A (zh) 一种基于银行流水区间数据的预测处理方法
Leitner-Hanetseder Quality and determinants of risk reporting-Evidence from Germany and Austria
CN113421154B (zh) 基于控制图的信贷风险评估方法及系统
CN107657528A (zh) 一种结合风险管理的商业保理管理系统
CN114693428A (zh) 数据确定方法、装置、计算机可读存储介质及电子设备
KR101187099B1 (ko) 대용량처리전용 데이터베이스를 이용한 국제회계기준 금융상품 회계처리시스템
Romer et al. Brookings Papers on Economic Activity: Fall 2011
Rahayu et al. The Impact Of Psak 72 Implementation On Financial Performance In The Pandemic Time Covid-19 (Empirical Study On Real Estate Companies Registered In Indonesia Stock Exchange)
CN113313572B (zh) 一种基于公积金点贷客户的模型识别方法

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

Application publication date: 20210302

RJ01 Rejection of invention patent application after publication