CN112598241A - 风险的评估方法、装置、系统及计算机可读存储介质 - Google Patents
风险的评估方法、装置、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112598241A CN112598241A CN202011480000.8A CN202011480000A CN112598241A CN 112598241 A CN112598241 A CN 112598241A CN 202011480000 A CN202011480000 A CN 202011480000A CN 112598241 A CN112598241 A CN 112598241A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- liability
- asset value
- determining
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000011156 evaluation Methods 0.000 claims description 23
- 230000007774 longterm Effects 0.000 claims description 23
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013210 evaluation model Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001373 regressive effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及金融科技技术领域，公开了一种风险的评估方法、装置、系统及计算机可读存储介质，该方法的步骤包括：获取用户财务数据，基于用户财务数据确定对应的资产价值数据，并基于资产价值数据确定对应的资产价值波动数据；获取用户负债数据，基于用户负债数据确定对应的负债水平数据；基于资产价值数据、资产价值波动数据和负债水平数据确定对应的目标违约距离数据，并基于目标违约距离数据进行风险评估。本申请根据用户财务数据和用户负债数据动态确定用户对应的目标违约距离数据，并根据动态的目标违约距离数据对用户进行风险评估，实现对用户的动态违约风险评估。
Description
技术领域
本申请涉及金融科技(Fintech)数据处理技术领域，尤其涉及一种风险的评估方法、装置、系统及计算机可读存储介质。
背景技术
随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技(Fintech)转变，但由于金融行业的安全性、实时性要求，也对风险的评估技术提出了更高的要求。
风险评估方法主要是信用风险评分卡方法和KMV模型方法，信用风险评分卡方法，即利用静态指标构建逻辑回归模型，生成评分卡，用于预测信用违约风险，但是，静态指标往往是企业的横截面数据，无法反映企业经营状态的动态变化过程。KMV模型方法，即将公司违约债务看作是公司资产的或有权益，应用期权定价理论进行分析，当公司的资产价值下降到某个临界点以下，公司就会发生违约。但是，KMV模型方法只适用于上市企业，小微企业绝大多数都不是上市企业，因此，KMV模型方法无法获取股权价值以及股权价值的波动，从而无法从股权价值估算资产价值。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本申请的主要目的在于提供一种风险的评估方法、装置、系统及计算机可读存储介质，旨在对小微企业进行动态风险评估。
为实现上述目的，本申请实施例提供一种风险的评估方法，所述风险的评估方法包括步骤：
获取用户财务数据，基于所述用户财务数据确定对应的资产价值数据，并基于所述资产价值数据确定对应的资产价值波动数据；
获取用户负债数据，基于所述用户负债数据确定对应的负债水平数据；
基于所述资产价值数据、所述资产价值波动数据和所述负债水平数据确定对应的目标违约距离数据，并基于所述目标违约距离数据进行风险评估。
可选地，所述基于所述目标违约距离数据进行风险评估的步骤包括：
获取历史违约距离数据，基于所述历史违约距离数据和所述目标违约距离数据估算期望违约概率，并基于所述期望违约概率进行风险评估。
可选地，所述基于所述资产价值数据确定对应的资产价值波动数据的步骤包括：
计算所述资产价值数据的标准差数据，将所述资产价值数据的标准差数据确定为所述资产价值波动数据；或者，
计算所述资产价值数据的增长率数据，基于所述资产价值数据的增长率数据确定所述资产价值波动数据。
可选地，所述基于所述资产价值数据的增长率数据确定所述资产价值波动数据的步骤包括：
计算所述资产价值数据的增长率数据对应的标准差数据，将增长率数据的标准差数据确定为所述资产价值波动数据；或者，
计算所述资产价值数据的增长率数据对应的对数数据，将增长率数据的对数数据确定为所述资产价值波动数据。
可选地，所述用户负债数据包括用户债务数据和用户法人债务数据，所述获取用户负债数据，基于所述用户负债数据确定对应的负债水平数据的步骤包括：
获取用户债务数据或/和用户法人债务数据，并确定所述用户债务数据的第一债务类型或/和所述用户法人债务数据的第二债务类型；
基于所述第一债务类型或/和所述第二债务类型确定所述负债水平数据。
可选地，所述债务类型包括短期债务类型和长期债务类型，所述基于所述第一债务类型或/和所述第二债务类型确定所述负债水平数据的步骤包括：
基于所述第一债务类型中短期债务类型的加权权重或/和长期债务类型的加权权重确定对应的第一权重值；或/和
基于所述第二债务类型中短期债务类型的加权权重或/和长期债务类型的加权权重确定对应的第二权重值；
基于所述第一权重值或/和所述第二权重值确定所述负债水平数据。
可选地，所述用户财务数据包括用户资产数据或/和用户所有者权益数据，所述获取用户财务数据，基于所述用户财务数据确定对应的资产价值数据的步骤包括：
获取用户资产数据，将所述用户资产数据确定为所述资产价值数据；或者，
获取用户所有者权益数据，将所述用户所有者权益数据确定为所述资产价值数据；或者，
获取用户资产数据和用户所有者权益数据，将用户资产数据和用户所有者权益数据确定为所述资产价值数据。
可选地，所述基于所述目标违约距离数据进行风险评估的步骤之后，还包括：
基于历史违约距离数据构建对应的回归模型；
基于所述回归模型遍历所述目标违约距离数据对应的组合数据，确定各个组合数据对应的模型性能指标；
基于各个所述模型性能指标确定最优组合数据，并基于所述最优组合数据构建对应的风险评估模型。
本申请实施例还提供一种风险的评估装置，所述风险的评估装置包括：
获取模块，用于获取用户财务数据；
确定模块，用于基于所述用户财务数据确定对应的资产价值数据，并基于所述资产价值数据确定对应的资产价值波动数据；
所述获取模块还用于获取用户负债数据；
所述确定模块还用于基于所述用户负债数据确定对应的负债水平数据；
所述确定模块还用于基于所述资产价值数据、所述资产价值波动数据和所述负债水平数据确定对应的目标违约距离数据；
评估模块，用于基于所述目标违约距离数据进行风险评估。
本申请实施例还提供一种风险的评估系统，所述风险的评估系统包括存储器、处理器和存储在所述存储器上并在所述处理器上运行的风险的评估程序，所述风险的评估程序被所述处理器执行时实现如上所述的风险的评估方法的步骤。
本申请实施例还提供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风险的评估程序，所述风险的评估程序被处理器执行时实现如上所述的风险的评估方法的步骤。
本申请实施例提供一种风险的评估方法、装置、系统及计算机可读存储介质，通过获取用户财务数据，基于用户财务数据确定对应的资产价值数据，并基于资产价值数据确定对应的资产价值波动数据；获取用户负债数据，基于用户负债数据确定对应的负债水平数据；基于资产价值数据、资产价值波动数据和负债水平数据确定对应的目标违约距离数据，并基于目标违约距离数据进行风险评估。由此可知，本申请根据用户财务数据确定资产价值数据，并根据资产价值数据确定资产价值波动数据，然后，根据用户负债数据确定负债水平数据，并根据资产价值数据、资产价值波动数据和负债水平数据动态确定用户对应的目标违约距离数据，最后根据动态的目标违约距离数据对用户进行风险评估，实现对用户的动态违约风险评估。
附图说明
图1是本申请实施例方案涉及的硬件运行环境的结构示意图；
图2是本申请风险的评估方法第一实施例的流程示意图；
图3是本申请风险的评估方法另一实施例的流程示意图；
图4是本申请风险的评估装置较佳的结构示意图。
本申请目的的实现、功能特点及优点将合并实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，图1为本申请实施例方案涉及的硬件运行环境的系统结构示意图。该风险的评估系统可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如Wi-Fi接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的风险的评估系统结构并不构成对风险的评估系统的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及风险的评估程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的风险的评估程序，并执行以下操作：
获取用户财务数据，基于所述用户财务数据确定对应的资产价值数据，并基于所述资产价值数据确定对应的资产价值波动数据；
获取用户负债数据，基于所述用户负债数据确定对应的负债水平数据；
基于所述资产价值数据、所述资产价值波动数据和所述负债水平数据确定对应的目标违约距离数据，并基于所述目标违约距离数据进行风险评估。
进一步地，处理器1001可以调用存储器1005中存储的风险的评估程序，还执行以下操作：
获取历史违约距离数据，基于所述历史违约距离数据和所述目标违约距离数据估算期望违约概率，并基于所述期望违约概率进行风险评估。
进一步地，处理器1001可以调用存储器1005中存储的风险的评估程序，还执行以下操作：
计算所述资产价值数据的标准差数据，将所述资产价值数据的标准差数据确定为所述资产价值波动数据；或者，
计算所述资产价值数据的增长率数据，基于所述资产价值数据的增长率数据确定所述资产价值波动数据。
进一步地，处理器1001可以调用存储器1005中存储的风险的评估程序，还执行以下操作：
计算所述资产价值数据的增长率数据对应的标准差数据，将增长率数据的标准差数据确定为所述资产价值波动数据；或者，
计算所述资产价值数据的增长率数据对应的对数数据，将增长率数据的对数数据确定为所述资产价值波动数据。
进一步地，处理器1001可以调用存储器1005中存储的风险的评估程序，还执行以下操作：
获取用户债务数据或/和用户法人债务数据，并确定所述用户债务数据的第一债务类型或/和所述用户法人债务数据的第二债务类型；
基于所述第一债务类型或/和所述第二债务类型确定所述负债水平数据。
进一步地，处理器1001可以调用存储器1005中存储的风险的评估程序，还执行以下操作：
基于所述第一债务类型中短期债务类型的加权权重或/和长期债务类型的加权权重确定对应的第一权重值；或/和
基于所述第二债务类型中短期债务类型的加权权重或/和长期债务类型的加权权重确定对应的第二权重值；
基于所述第一权重值或/和所述第二权重值确定所述负债水平数据。
进一步地，处理器1001可以调用存储器1005中存储的风险的评估程序，还执行以下操作：
获取用户资产数据，将所述用户资产数据确定为所述资产价值数据；或者，
获取用户所有者权益数据，将所述用户所有者权益数据确定为所述资产价值数据；或者，
获取用户资产数据和用户所有者权益数据，将用户资产数据和用户所有者权益数据确定为所述资产价值数据。
进一步地，处理器1001可以调用存储器1005中存储的风险的评估程序，还执行以下操作：
基于历史违约距离数据构建对应的回归模型；
基于所述回归模型遍历所述目标违约距离数据对应的组合数据，确定各个组合数据对应的模型性能指标；
基于各个所述模型性能指标确定最优组合数据，并基于所述最优组合数据构建对应的风险评估模型。
本申请提供一种风险的评估方法，参照图2，图2为本申请风险的评估方法第一实施例的流程示意图。
本申请实施例提供了风险的评估方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些数据下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例以风险评估系统为执行主体进行举例说明，风险的评估方法包括:
步骤S10，获取用户财务数据，基于所述用户财务数据确定对应的资产价值数据，并基于所述资产价值数据确定对应的资产价值波动数据。
需要说明的是，用户需要定时将用户的会计财务报表数据上传至风险评估系统的服务器的数据库中，并定时进行更新。在需要对对应用户进行风险评估时，系统操作人员在风险评估系统的操作界面输入用户对应的用户名称或者用户编号。
风险评估系统侦测到操作界面输入用户对应的用户名称或者用户编号后，在服务器的数据库中获取与用户名称或者用户编号对应的用户的用户财务数据，其中，财务数据是指用户上传至服务器中的会计财务报表数据用户，用户包括但不限制于个体户、小微型企业、中型企业和大型企业，需要说明的是，本申请实施例中用户主要面对的小微型企业。
然后，风险评估系统获取用户当前的会计财务报表数据和用户历史的会计财务报表数据，将用户当前的会计财务报表数据中的用户资产数据或/和用户所有者权益数据确定为用户当前的资产价值数据。
接着，风险评估系统再通过用户历史的会计财务报表数据中的用户资产数据或/和用户所有者权益数据，计算用户资产数据或/和用户所有者权益数据的标准差或/和增长率，将用户资产数据或/和用户所有者权益数据的标准差或/和增长率确定为用户的资产价值波动数据。
进一步地，所述步骤S10，获取用户财务数据，基于所述用户财务数据确定对应的资产价值数据的步骤包括：
步骤S101，获取用户资产数据，将所述用户资产数据确定为所述资产价值数据；或者，
步骤S102，获取用户所有者权益数据，将所述用户所有者权益数据确定为所述资产价值数据；或者，
步骤S103，获取用户资产数据和用户所有者权益数据，将用户资产数据和用户所有者权益数据确定为所述资产价值数据。
具体地，风险评估系统获取会计财务报表数据中的用户资产数据，将会计财务报表数据中的用户资产数据确定为用户对应的资产价值数据。或者，风险评估系统获取会计财务报表数据中的用户所有者权益数据，将会计财务报表数据中的用户所有者权益数据确定为用户对应的资产价值数据。或者，风险评估系统获取会计财务报表数据中的用户资产数据和用户所有者权益数据，将会计财务报表数据中的用户资产数据和用户所有者权益数据共同确定为用户对应的资产价值数据。本实施例中确定用户对应的资产价值数据的规则不限定，由系统操作人员设定的。
进一步地，所述步骤S10，基于所述资产价值数据确定对应的资产价值波动数据的步骤包括：
步骤S104，计算所述资产价值数据的标准差数据，将所述资产价值数据的标准差数据确定为所述资产价值波动数据；或者，
步骤S105，计算所述资产价值数据的增长率数据，基于所述资产价值数据的增长率数据确定所述资产价值波动数据。
具体地，风险评估系统确定用户历史的会计财务报表数据中的各个资产价值数据，并根据各个资产价值数据计算资产价值数据的标准差数据，并将资产价值数据的标准差数据确定为用户的资产价值数据对应的资产价值波动数据。或者，风险评估系统根据各个资产价值数据计算资产价值数据的增长率数据，并计算资产价值数据的增长率数据的标准差数据或者对数数据，将资产价值数据的增长率数据的标准差数据或者对数数据确定为用户的资产价值数据对应的资产价值波动数据。
进一步地，所述步骤S105包括：
步骤S1051，计算所述资产价值数据的增长率数据对应的标准差数据，将增长率数据的标准差数据确定为所述资产价值波动数据；或者，
步骤S1052，计算所述资产价值数据的增长率数据对应的对数数据，将增长率数据的对数数据确定为所述资产价值波动数据。
具体地，风险评估系统根据各个资产价值数据的增长率数据计算资产价值数据的增长率数据对应的标准差数据，将资产价值数据的增长率数据对应的标准差数据确定为用户的资产价值数据对应的资产价值波动数据。或者，风险评估系统根据各个资产价值数据的增长率数据计算资产价值数据的增长率数据对应的对数数据，将资产价值数据的增长率数据对应的对数数据确定为用户的资产价值数据对应的资产价值波动数据。
进一步地，可通过GARCH(Auto Regressive Conditional Heteroskedasticity，自回归条件异方差)模型估算资产价值波动数据。也可以通过时间序列STL(Seasonal andTrend decomposition using Loess，时间序列分解方法)模型分解后的误差项的波动率估算资产价值波动数据。
步骤S20，获取用户负债数据，基于所述用户负债数据确定对应的负债水平数据。
风险评估系统根据操作界面输入的用户名称或者用户编号，通过服务器获取用户的用户负债数据，需要说明的是，通过服务器可获取到用户在银行系统或者其他金融系统中的用户负债数据(违约点)，用户负债数据包括用户债务数据或/和用户法人债务数据。然后，风险评估系统确定用户债务数据或/和用户法人债务数据中的债务类型，根据用户债务数据或/和用户法人债务数据中的债务类型确定用户对应的负债水平数据，债务类型包括短期债务类型或/和长期债务类型。
进一步地，所述步骤S20包括：
步骤201，获取用户债务数据或/和用户法人债务数据，并确定所述用户债务数据的第一债务类型或/和所述用户法人债务数据的第二债务类型；
步骤S202，基于所述第一债务类型或/和所述第二债务类型确定所述负债水平数据。
具体地，风险评估系统确定用户的用户负债数据，并确定用户负债数据是否存在用户债务数据或/和用户法人债务数据，若风险评估系统确定用户负债数据存在用户债务数据和用户法人债务数据，风险评估系统则确定用户债务数据的债务类型和用户法人债务数据的债务类型，根据用户债务数据的债务类型和用户法人债务数据的债务类型确定用户对应的负债水平数据。若风险评估系统确定用户负债数据仅存在用户债务数据，风险评估系统则确定用户债务数据的债务类型，根据用户债务数据的债务类型确定用户对应的负债水平数据。若风险评估系统确定用户负债数据仅存在用户法人债务数据，风险评估系统则确定用户法人债务数据的债务类型，根据用户法人债务数据的债务类型确定用户对应的负债水平数据。
进一步地，所述步骤S202包括：
步骤S2021，基于所述第一债务类型中短期债务类型的加权权重或/和长期债务类型的加权权重确定对应的第一权重值；或/和
步骤S2022，基于所述第二债务类型中短期债务类型的加权权重或/和长期债务类型的加权权重确定对应的第二权重值；
步骤S2023，基于所述第一权重值或/和所述第二权重值确定所述负债水平数据。
具体地，风险评估系统确定用户负债数据存在用户债务数据和用户法人债务数据后，并确定用户债务数据的债务类型是否存在短期债务类型或/和长期债务类型，若风险评估系统确定用户债务数据的债务类型存在短期债务类型和长期债务类型，风险评估系统则根据短期债务类型的加权权重和长期债务类型的加权权重计算用户债务数据的权重值。若风险评估系统确定用户债务数据的债务类型仅存在短期债务类型，风险评估系统则根据短期债务类型的加权权重计算用户债务数据的权重值。若风险评估系统确定用户债务数据的债务类型仅存在长期债务类型，风险评估系统则根据长期债务类型的加权权重计算用户债务数据的权重值。
同理，风险评估系统确定用户法人债务数据的债务类型是否存在短期债务类型或/和长期债务类型，若风险评估系统确定用户法人债务数据的债务类型存在短期债务类型和长期债务类型，风险评估系统则根据短期债务类型的加权权重和长期债务类型的加权权重计算用户法人债务数据的权重值。若风险评估系统确定用户法人债务数据的债务类型仅存在短期债务类型，风险评估系统则根据短期债务类型的加权权重计算用户法人债务数据的权重值。若风险评估系统确定用户法人债务数据的债务类型仅存在长期债务类型，风险评估系统则根据长期债务类型的加权权重计算用户法人债务数据的权重值。
步骤S30，基于所述资产价值数据、所述资产价值波动数据和所述负债水平数据确定对应的目标违约距离数据，并基于所述目标违约距离数据进行风险评估。
风险评估系统确定用户的资产价值数据(需要说明的是，用户的资产价值数据为用户当前的资产价值数据)、资产价值波动数据和负债水平数据后，通过预设计算公式计算资产价值数据、资产价值波动数据和负债水平数据，得到用户的目标违约距离数据。其中，预设计算公式为，目标违约距离数据＝(资产价值数据-负债水平数据)/资产价值波动数据。风险评估系统确定用户的目标违约距离数据后，将目标违约距离数据和历史违约距离数据进行比较，估算用户的违约概率。
进一步地，可以将目标违约距离数据作为变量纳入到静态评分卡模型中，通过静态评分卡模型得到目标违约距离数据对应的违约评分卡，通过违约评分卡评估用户的违约概率。
进一步地，步骤S30包括：
步骤301，获取历史违约距离数据，基于所述历史违约距离数据和所述目标违约距离数据估算期望违约概率，并基于所述期望违约概率进行风险评估。
具体地，风险评估系统获取历史违约距离数据，历史违约距离数据即历史样本的经验违约概率，通过历史样本的经验违约概率对目标违约距离数据进行违约概率估算，得到目标违约距离数据对应的期望违约概率。然后，风险评估系统根据期望违约概率估算用户的违约概率。
本实施例通过获取用户财务数据，基于用户财务数据确定对应的资产价值数据，并基于资产价值数据确定对应的资产价值波动数据；获取用户负债数据，基于用户负债数据确定对应的负债水平数据；基于资产价值数据、资产价值波动数据和负债水平数据确定对应的目标违约距离数据，并基于目标违约距离数据进行风险评估。由此可知，本实施例根据用户财务数据确定资产价值数据，并根据资产价值数据确定资产价值波动数据，然后，根据用户负债数据确定负债水平数据，并根据资产价值数据、资产价值波动数据和负债水平数据动态确定用户对应的目标违约距离数据，最后根据动态的目标违约距离数据对用户进行风险评估，实现对用户的动态违约风险评估。
进一步地，参照图3，图3为本申请风险的评估方法另一实施例的流程示意图。所述步骤S30之后，还包括：
步骤S40，基于历史违约距离数据构建对应的回归模型；
步骤S50，基于所述回归模型遍历所述目标违约距离数据对应的组合数据，确定各个组合数据对应的模型性能指标；
步骤S60，基于各个所述模型性能指标确定最优组合数据，并基于所述最优组合数据构建对应的风险评估模型。
具体地，风险评估系统获取历史违约距离数据，根据历史违约距离数据建立对应的回归模型，在确定目标违约距离数据，通过建立的回归模型遍历目标违约距离数据对应的各个组合数据，确定各个组合数据对应的各个模型性能指标。然后，风险评估系统将各个模型性能指标进行性能数值比较，将模型性能指标的性能数值最大的组合数据确定为最优组合数据，并将最优组合数据作为模型构建参数，构建对应的风险评估模型，并将风险评估模型存储于数据库中，在后续对该用户进行风险评估时，可直接通过该风险评估模型进行风险评估。
本实施例基于历史违约距离数据构建对应的回归模型；基于回归模型遍历目标违约距离数据对应的组合数据，确定各个组合数据对应的模型性能指标；基于各个模型性能指标确定最优组合数据，并基于最优组合数据构建对应的风险评估模型。由此可知，本实施例通过历史违约距离数据构建对应的回归模型，然后通过回归模型遍历目标违约距离数据对应的组合数据，确定最优组合数据，将最优组合数据构建对应的风险评估模型，在后续对该用户进行风险评估时，可直接通过该风险评估模型进行风险评估，提升风险评估效率的同时，提升了风险评估的准确性。
此外，本申请还提供一种风险的评估装置，参照图4，图4是本申请风险的评估装置较佳的结构示意图，所述风险的评估装置包括：
获取模块10，用于获取用户财务数据；
确定模块20，用于基于所述用户财务数据确定对应的资产价值数据，并基于所述资产价值数据确定对应的资产价值波动数据；
所述获取模块10还用于获取用户负债数据；
所述确定模块20还用于基于所述用户负债数据确定对应的负债水平数据；
所述确定模块20还用于基于所述资产价值数据、所述资产价值波动数据和所述负债水平数据确定对应的目标违约距离数据；
评估模块30，用于基于所述目标违约距离数据进行风险评估。
进一步地，所述获取模块10还用于获取历史违约距离数据；
所述评估模块30还用于基于所述历史违约距离数据和所述目标违约距离数据估算期望违约概率，并基于所述期望违约概率进行风险评估。
进一步地，所述确定模块20包括：
计算单元，用于计算所述资产价值数据的标准差数据，将所述资产价值数据的标准差数据确定为所述资产价值波动数据；或者，
所述计算单元还用于计算所述资产价值数据的增长率数据，基于所述资产价值数据的增长率数据确定所述资产价值波动数据；
所述计算单元还用于计算所述资产价值数据的增长率数据对应的标准差数据，将增长率数据的标准差数据确定为所述资产价值波动数据；或者，
所述计算单元还用于计算所述资产价值数据的增长率数据对应的对数数据，将增长率数据的对数数据确定为所述资产价值波动数据；
所述获取模块10还用于获取用户债务数据或/和用户法人债务数据；
所述确定模块20还用于确定所述用户债务数据的第一债务类型或/和所述用户法人债务数据的第二债务类型；
所述确定模块20还用于基于所述第一债务类型或/和所述第二债务类型确定所述负债水平数据；
所述确定模块20还用于基于所述第一债务类型中短期债务类型的加权权重或/和长期债务类型的加权权重确定对应的第一权重值；或/和
所述确定模块20还用于基于所述第二债务类型中短期债务类型的加权权重或/和长期债务类型的加权权重确定对应的第二权重值；
所述确定模块20还用于基于所述第一权重值或/和所述第二权重值确定所述负债水平数据；
所述获取模块10还用于获取用户资产数据；
所述确定模块20还用于将所述用户资产数据确定为所述资产价值数据；或者，
所述获取模块10还用于获取用户所有者权益数据；
所述确定模块20还用于将所述用户所有者权益数据确定为所述资产价值数据；或者，
所述获取模块10还用于获取用户资产数据和用户所有者权益数据；
所述确定模块20还用于将用户资产数据和用户所有者权益数据确定为所述资产价值数据。
进一步地，所述风险的评估装置还包括：
构建模块，用于基于历史违约距离数据构建对应的回归模型；
遍历模块，用于基于所述回归模型遍历所述目标违约距离数据对应的组合数据，确定各个组合数据对应的模型性能指标；
所述构建模块还用于基于各个所述模型性能指标确定最优组合数据，并基于所述最优组合数据构建对应的风险评估模型。
本申请基于风险的评估装置具体实施方式与上述基于风险的评估方法各实施例基本相同，在此不再赘述。
此外，本申请实施例还提出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风险的评估程序，所述风险的评估程序被处理器执行时实现如上所述的风险的评估方法的步骤。
本申请计算机可读存储介质具体实施方式与上述风险的评估方法各实施例基本相同，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的数据下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多数据下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件货物的形式体现出来，该计算机软件货物存储在一个计算机可读存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台风险的评估系统执行本申请各个实施例所述的方法。
Claims (11)
1.一种风险的评估方法，其特征在于，所述风险的评估方法包括以下步骤：
获取用户财务数据，基于所述用户财务数据确定对应的资产价值数据，并基于所述资产价值数据确定对应的资产价值波动数据；
获取用户负债数据，基于所述用户负债数据确定对应的负债水平数据；
基于所述资产价值数据、所述资产价值波动数据和所述负债水平数据确定对应的目标违约距离数据，并基于所述目标违约距离数据进行风险评估。
2.如权利要求1所述风险的评估方法，其特征在于，所述基于所述目标违约距离数据进行风险评估的步骤包括：
获取历史违约距离数据，基于所述历史违约距离数据和所述目标违约距离数据估算期望违约概率，并基于所述期望违约概率进行风险评估。
3.如权利要求1所述风险的评估方法，其特征在于，所述基于所述资产价值数据确定对应的资产价值波动数据的步骤包括：
计算所述资产价值数据的标准差数据，将所述资产价值数据的标准差数据确定为所述资产价值波动数据；或者，
计算所述资产价值数据的增长率数据，基于所述资产价值数据的增长率数据确定所述资产价值波动数据。
4.如权利要求3所述风险的评估方法，其特征在于，所述基于所述资产价值数据的增长率数据确定所述资产价值波动数据的步骤包括：
计算所述资产价值数据的增长率数据对应的标准差数据，将增长率数据的标准差数据确定为所述资产价值波动数据；或者，
计算所述资产价值数据的增长率数据对应的对数数据，将增长率数据的对数数据确定为所述资产价值波动数据。
5.如权利要求1所述风险的评估方法，其特征在于，所述用户负债数据包括用户债务数据和用户法人债务数据，所述获取用户负债数据，基于所述用户负债数据确定对应的负债水平数据的步骤包括：
获取用户债务数据或/和用户法人债务数据，并确定所述用户债务数据的第一债务类型或/和所述用户法人债务数据的第二债务类型；
基于所述第一债务类型或/和所述第二债务类型确定所述负债水平数据。
6.如权利要求5所述风险的评估方法，其特征在于，所述债务类型包括短期债务类型和长期债务类型，所述基于所述第一债务类型或/和所述第二债务类型确定所述负债水平数据的步骤包括：
基于所述第一债务类型中短期债务类型的加权权重或/和长期债务类型的加权权重确定对应的第一权重值；或/和
基于所述第二债务类型中短期债务类型的加权权重或/和长期债务类型的加权权重确定对应的第二权重值；
基于所述第一权重值或/和所述第二权重值确定所述负债水平数据。
7.如权利要求1所述风险的评估方法，其特征在于，所述用户财务数据包括用户资产数据或/和用户所有者权益数据，所述获取用户财务数据，基于所述用户财务数据确定对应的资产价值数据的步骤包括：
获取用户资产数据，将所述用户资产数据确定为所述资产价值数据；或者，获取用户所有者权益数据，将所述用户所有者权益数据确定为所述资产价值数据；或者，
获取用户资产数据和用户所有者权益数据，将用户资产数据和用户所有者权益数据确定为所述资产价值数据。
8.如权利要求1至7任一项所述风险的评估方法，其特征在于，所述基于所述目标违约距离数据进行风险评估的步骤之后，还包括：
基于历史违约距离数据构建对应的回归模型；
基于所述回归模型遍历所述目标违约距离数据对应的组合数据，确定各个组合数据对应的模型性能指标；
基于各个所述模型性能指标确定最优组合数据，并基于所述最优组合数据构建对应的风险评估模型。
9.一种风险的评估装置，其特征在于，所述风险的评估装置包括：
获取模块，用于获取用户财务数据；
确定模块，用于基于所述用户财务数据确定对应的资产价值数据，并基于所述资产价值数据确定对应的资产价值波动数据；
所述获取模块还用于获取用户负债数据；
所述确定模块还用于基于所述用户负债数据确定对应的负债水平数据；
所述确定模块还用于基于所述资产价值数据、所述资产价值波动数据和所述负债水平数据确定对应的目标违约距离数据；
评估模块，用于基于所述目标违约距离数据进行风险评估。
10.一种风险的评估系统，其特征在于，所述风险的评估系统包括存储器、处理器和存储在所述存储器上并在所述处理器上运行的风险的评估程序，所述风险的评估程序被所述处理器执行时实现如权利要求1至8中任一项所述的风险的评估方法的步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有风险的评估程序，所述风险的评估程序被处理器执行时实现如权利要求1至8中任一项所述的风险的评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011480000.8A CN112598241A (zh) | 2020-12-15 | 2020-12-15 | 风险的评估方法、装置、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011480000.8A CN112598241A (zh) | 2020-12-15 | 2020-12-15 | 风险的评估方法、装置、系统及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112598241A true CN112598241A (zh) | 2021-04-02 |
Family
ID=75196078
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011480000.8A Pending CN112598241A (zh) | 2020-12-15 | 2020-12-15 | 风险的评估方法、装置、系统及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112598241A (zh) |
-
2020
- 2020-12-15 CN CN202011480000.8A patent/CN112598241A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20180150783A1 (en) | Method and system for predicting task completion of a time period based on task completion rates and data trend of prior time periods in view of attributes of tasks using machine learning models | |
| US10755196B2 (en) | Determining retraining of predictive models | |
| JP2006318500A5 (zh) | ||
| CN112884016B (zh) | 云平台可信评估模型训练方法和云平台可信评估方法 | |
| CN112633962A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
| CN110599240A (zh) | 应用的偏好值确定方法、装置和设备及存储介质 | |
| US9188968B2 (en) | Run-time characterization of on-demand analytical model accuracy | |
| CN113506023A (zh) | 工作行为数据分析方法、装置、设备及存储介质 | |
| CN117193980A (zh) | 任务剩余时长的计算方法和装置 | |
| CN111510473A (zh) | 访问请求处理方法、装置、电子设备和计算机可读介质 | |
| CN112598241A (zh) | 风险的评估方法、装置、系统及计算机可读存储介质 | |
| US10693855B1 (en) | Fraud detection | |
| CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
| CN115048561A (zh) | 推荐信息确定方法及装置、电子设备和可读存储介质 | |
| CN112328769A (zh) | 自动客服的应答方法、装置和计算机可读存储介质 | |
| US20210342691A1 (en) | System and method for neural time series preprocessing | |
| CN116862561B (zh) | 基于卷积神经网络的产品热度分析方法和系统 | |
| US20240020436A1 (en) | Automated data quality monitoring and data governance using statistical models | |
| CN118115187A (zh) | 租金确定方法、装置、设备、介质和程序产品 | |
| CN113961771A (zh) | 用户行为的预测方法、装置、设备以及可读存储介质 | |
| CN112214387A (zh) | 基于知识图谱的用户操作行为预测方法及装置 | |
| CN117057899A (zh) | 信用风险评估方法、装置和设备 | |
| CN110795622A (zh) | 资源确定方法、装置、计算设备和存储介质 | |
| Буравов et al. | Software development projects: A process of collecting and marking data | |
| CN117036057A (zh) | 基于果蝇优化算法的等级预测方法、装置、设备及介质 |
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: 20210402 |