CN112598244A - 风险收益的管理方法、装置、系统及计算机可读存储介质 - Google Patents
风险收益的管理方法、装置、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112598244A CN112598244A CN202011482063.7A CN202011482063A CN112598244A CN 112598244 A CN112598244 A CN 112598244A CN 202011482063 A CN202011482063 A CN 202011482063A CN 112598244 A CN112598244 A CN 112598244A
- Authority
- CN
- China
- Prior art keywords
- data
- risk
- determining
- default
- withdrawal
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 75
- 230000006870 function Effects 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000014509 gene expression Effects 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000010276 construction Methods 0.000 description 1
- 230000003287 optical 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
Abstract
本申请涉及金融科技技术领域,公开了一种风险收益的管理方法、装置、系统及计算机可读存储介质,该方法的步骤包括:基于数据预测模型确定用户的预测违约数据和预测提款数据,基于预测违约数据和预测提款数据确定用户对应的客群;确定客群对应的授信数据,基于预测违约数据和授信数据确定客群的风险收益数据,并基于风险收益数据确定对应的目标函数;解析目标函数得到客群的最优授信数据,基于最优授信数据确定最优风险收益。本申请通过预测违约数据和预测提款数据两个维度数据共同确定用户的最优授信数据,再通过最优授信数据确定最优风险收益,在降低违约风险的同时,降低了经营风险,使得风险收益最大化。
Description
技术领域
本申请涉及金融科技(Fintech)数据处理技术领域,尤其涉及一种风险收益的管理方法、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,也对风险收益的管理技术提出了更高的要求。
目前,风险的管理方法是只从风险的角度考虑授信方案,目标是使得授信用户的违约率最低,然而,只从单一的风险损失维度考虑授信方案,避免的是违约风险,而不能避免经营风险。
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收益的管理方法、装置、系统及计算机可读存储介质,旨在同时降低违约风险和经营风险,使得风险收益最大化。
为实现上述目的,本申请实施例提供一种风险收益的管理方法,所述风险收益的管理方法包括步骤:
基于数据预测模型确定用户的预测违约数据和预测提款数据,基于所述预测违约数据和所述预测提款数据确定所述用户对应的客群;
确定所述客群对应的授信数据,基于所述预测违约数据和所述授信数据确定所述客群的风险收益数据,并基于所述风险收益数据确定对应的目标函数;
解析所述目标函数得到所述客群的最优授信数据,基于所述最优授信数据确定最优风险收益。
可选地,所述授信数据包括授信额度数据和利率数据,所述基于所述预测违约数据和所述授信数据确定所述客群的风险收益数据的步骤包括:
基于所述授信额度数据和利率数据确定所述客群的目标预测提款数据;
基于所述目标预测提款数据、所述授信额度数据、所述利率数据和所述预测违约数据确定所述客群的风险收益数据。
可选地,所述基于所述目标预测提款数据、所述授信额度数据、所述利率数据和所述预测违约数据确定所述客群的风险收益数据的步骤包括:
将所述目标预测提款数据、所述授信额度数据、所述利率数据和所述预测违约数据输入至对应的预设公式中,确定所述客群的风险收益数据。
可选地,所述基于所述风险收益数据确定对应的目标函数的步骤包括:
将所述风险收益数据中的各个数据转化为对应的预测表达式,基于各个预测表达式确定所述目标函数。
可选地,所述解析所述目标函数得到所述客群的最优授信数据的步骤包括:
确定所述风险收益数据中各个预测表达式的约束条件,通过约束条件对所述目标函数中的各个预测表达式进行解析,得到所述客群的最优授信数据。
可选地,所述基于所述预测违约数据和所述预测提款数据确定所述用户对应的客群的步骤包括:
基于所述预测违约数据确定对应的目标违约数据区间,并基于所述预测提款数据确定对应的目标提款数据区间;
基于所述目标违约数据区间和所述目标提款数据区间确定所述用户对应的客群。
可选地,所述数据预测模型包括违约数据预测模型和提款数据预测模型,所述基于数据预测模型确定用户的预测违约数据和预测提款数据,基于所述预测违约数据和所述预测提款数据确定所述用户对应的客群的步骤之前,还包括:
基于预设数据确定违约数据变量和提款数据变量;
基于所述违约数据变量构建所述违约数据预测模型,并基于提款数据变量构建所述提款数据预测模型;
基于所述违约数据预测模型的模型性能划分预设个数的违约数据区间,并基于所述提款数据预测模型的模型性能划分预设个数的提款数据区间。
本申请实施例还提供一种风险收益的管理装置,所述风险收益的管理装置包括:
确定模块,用于基于数据预测模型确定用户的预测违约数据和预测提款数据,基于所述预测违约数据和所述预测提款数据确定所述用户对应的客群;
所述确定模块还用于确定所述客群对应的授信数据,基于所述预测违约数据和所述授信数据确定所述客群的风险收益数据,并基于所述风险收益数据确定对应的目标函数;
解析模块,用于解析所述目标函数得到所述客群的最优授信数据;
所述确定模块还用于基于所述最优授信数据确定最优风险收益。
本申请实施例还提供一种风险收益的管理系统,所述风险收益的管理系统包括存储器、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收益的管理程序,所述风险收益的管理程序被所述处理器执行时实现如上所述的风险收益的管理方法的步骤。
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收益的管理程序,所述风险收益的管理程序被处理器执行时实现如上所述的风险收益的管理方法的步骤。
本申请实施例提供一种风险收益的管理方法、装置、系统及计算机可读存储介质,基于数据预测模型确定用户的预测违约数据和预测提款数据,基于预测违约数据和预测提款数据确定用户对应的客群;确定客群对应的授信数据,基于预测违约数据和授信数据确定客群的风险收益数据,并基于风险收益数据确定对应的目标函数;解析目标函数得到客群的最优授信数据,基于最优授信数据确定最优风险收益。由此可知,本申请通过预测违约数据和预测提款数据两个维度数据共同确定用户的授信数据,降低了违约风险,然后,根据预测违约数据和授信数据确定对应的风险收益数据,再通过风险收益数据确定用户的最优授信数据,最后通过最优授信数据确定最优风险收益,降低了经营风险,使得风险收益最大化。
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是本申请风险收益的管理方法第一实施例的流程示意图;
图3为本申请风险收益的管理方法客群的示意图;
图4为本申请风险收益的管理方法客群矩阵的示意图;
图5为本申请风险收益的管理方法授信数据的示意图;
图6为本申请风险收益的管理方法授信数据矩阵的示意图;
图7是本申请风险收益的管理方法另一实施例的流程示意图;
图8是本申请风险收益的管理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。该风险收益的管理系统可以包括: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中示出的风险收益的管理系统结构并不构成对风险收益的管理系统的限定,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收益的管理程序。
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主要用于连接用户端,与用户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的风险收益的管理程序,并执行以下操作:
基于数据预测模型确定用户的预测违约数据和预测提款数据,基于所述预测违约数据和所述预测提款数据确定所述用户对应的客群;
确定所述客群对应的授信数据,基于所述预测违约数据和所述授信数据确定所述客群的风险收益数据,并基于所述风险收益数据确定对应的目标函数;
解析所述目标函数得到所述客群的最优授信数据,基于所述最优授信数据确定最优风险收益。
进一步地,处理器1001可以调用存储器1005中存储的风险收益的管理程序,还执行以下操作:
基于所述授信额度数据和利率数据确定所述客群的目标预测提款数据;
基于所述目标预测提款数据、所述授信额度数据、所述利率数据和所述预测违约数据确定所述客群的风险收益数据。
进一步地,处理器1001可以调用存储器1005中存储的风险收益的管理程序,还执行以下操作:
将所述目标预测提款数据、所述授信额度数据、所述利率数据和所述预测违约数据输入至对应的预设公式中,确定所述客群的风险收益数据。
进一步地,处理器1001可以调用存储器1005中存储的风险收益的管理程序,还执行以下操作:
将所述风险收益数据中的各个数据转化为对应的预测表达式,基于各个预测表达式确定所述目标函数。
进一步地,处理器1001可以调用存储器1005中存储的风险收益的管理程序,还执行以下操作:
确定所述风险收益数据中各个预测表达式的约束条件,通过约束条件对所述目标函数中的各个预测表达式进行解析,得到所述客群的最优授信数据。
进一步地,处理器1001可以调用存储器1005中存储的风险收益的管理程序,还执行以下操作:
基于所述预测违约数据确定对应的目标违约数据区间,并基于所述预测提款数据确定对应的目标提款数据区间;
基于所述目标违约数据区间和所述目标提款数据区间确定所述用户对应的客群。
进一步地,处理器1001可以调用存储器1005中存储的风险收益的管理程序,还执行以下操作:
基于预设数据确定违约数据变量和提款数据变量;
基于所述违约数据变量构建所述违约数据预测模型,并基于提款数据变量构建所述提款数据预测模型;
基于所述违约数据预测模型的模型性能划分预设个数的违约数据区间,并基于所述提款数据预测模型的模型性能划分预设个数的提款数据区间。
本申请提供一种风险收益的管理方法,参照图2,图2为本申请风险收益的管理方法第一实施例的流程示意图。
本申请实施例提供了风险收益的管理方法的实施例,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管理系统为执行主体进行举例说明,风险收益的管理方法包括:
步骤S40,基于数据预测模型确定用户的预测违约数据和预测提款数据,基于所述预测违约数据和所述预测提款数据确定所述用户对应的客群。
在需要确定对应用户的最优风险收益时,需要在风险管理系统中输入对应的用户数据。数据预测模型包括违约数据预测模型和提款数据预测模型,风险管理系统侦测到输入的用户数据后,通过违约数据预测模型对用户数据进行违约率预测,确定用户数据的预测违约率,并通过提款数据预测模型对用户数据进行提款率预测,确定用户数据的预测提款率。
然后,风险管理系统将预测违约率与违约数据预测模型中各个违约率区间的区间值进行数值大小比较,确定预测违约率所处的违约率区间,将预测提款率与提款数据预测模型中各个提款率区间的区间值进行数值大小比较,确定预测提款率所处的提款率区间。接着,风险管理系统将预测违约率所处的违约率区间和预测提款率所处的提款率区间的共同区间确定为用户所属于的客群。如图3所示,图3为本申请风险收益的管理方法客群的示意图。
进一步地,可通过用户风险画像的函数Probdefault=f(Profile)描述预测违约率,Probdefault为预测违约率,f(Profile)为用户风险画像的函数。同理,可通过用户风险画像的函数Prob1withdraw=,g1(Profile)描述预测提款率,Prob1withdraw为预测提款率,g1(Profile)为用户风险画像的函数。
进一步地,所述步骤S40,基于所述预测违约数据和所述预测提款数据确定所述用户对应的客群的步骤包括:
步骤S401,基于所述预测违约数据确定对应的目标违约数据区间,并基于所述预测提款数据确定对应的目标提款数据区间;
步骤S402,基于所述目标违约数据区间和所述目标提款数据区间确定所述用户对应的客群。
具体地,风险管理系统将预测违约率与违约数据预测模型中各个违约率区间的区间值进行数值大小比较,确定预测违约率的目标违约数据区间,将预测提款率与提款数据预测模型中各个提款率区间的区间值进行数值大小比较,确定预测提款率的目标提款数据区间。接着,风险管理系统将目标违约数据区间和目标提款数据区间的交集区间确定为用户所属于的客群。
进一步地,不失一般性,违约率区间为m个区间,提款率区间为n个区间,则对于i∈[1,m],j∈[1,n],可表示为对应的矩阵如图4所示,图4为本申请风险收益的管理方法客群矩阵的示意图。第i,j区间的客群记作Gi,j,则客群Gi,j占全体客群的权重为Wi,j,满足∑1≤i≤m≤j≤nWi,j=1。
步骤S50,确定所述客群对应的授信数据,基于所述预测违约数据和所述授信数据确定所述客群的风险收益数据,并基于所述风险收益数据确定对应的目标函数。
风险管理系统确定用户所属于的客群后,确定该客群对应的授信数据,需要说明的是,授信数据包括授信额度数据和授信额度数据对应的利率数据,每个客群和授信数据都是相对应的,可以理解为,第i,j区间的客群对应第i,j区间的授信数据。如图5所示,图5为本申请风险收益的管理方法授信数据的示意图。对于给定的授信数据,会对客群的预测提款率产生影响,若把客群看作一个整体,则对于该客群而言,目标预测提款率可根据客群的授信额度数据和授信额度数据对应的利率数据确定。
风险管理系统根据客群的授信额度数据和授信额度数据对应的利率数据确定客群的目标预测提款数据,然后,根据客群的目标预测提款数据、授信额度数据、利率数据以及客群的预测违约数据输入至对应的公式中,得到客群的风险收益数据。接着,风险管理系统将风险收益数据中各个数据转化为其对应的预测表达式,得到对应的目标函数。
进一步地,不失一般性,利率数据为p个区间,授信额度数据区间为q个区间,则对于k∈[1,p],l∈[1,q],可表示为对应的矩阵如图6所示,图6为本申请风险收益的管理方法授信数据矩阵的示意图。第k,l区间的授信数据(授信额度数据和利率数据)记作Pk,l。
进一步地,所述步骤S50基于所述预测违约数据和所述授信数据确定所述客群的风险收益数据的步骤包括:
步骤S501,基于所述授信额度数据和利率数据确定所述客群的目标预测提款数据;
步骤S502,基于所述目标预测提款数据、所述授信额度数据、所述利率数据和所述预测违约数据确定所述客群的风险收益数据。
具体地,风险管理系统根据客群的授信额度数据和授信额度数据对应的利率数据确定客群的目标预测提款数据,可通过用户风险画像和授信数据的函数描述目标预测提款数据Prob2withdraw=g2(Gi,j,Pk,l),其中,Prob2withdraw为目标预测提款率,g2(Gi,j,Pk,l)为用户风险画像和授信数据的函数。风险管理系统根据客群的目标预测提款数据、授信额度数据、利率数据以及客群的预测违约数据输入至对应的公式中,得到客群的风险收益数据。
进一步地,所述S502包括:
步骤S5021,将所述目标预测提款数据、所述授信额度数据、所述利率数据和所述预测违约数据输入至对应的预设公式中,确定所述客群的风险收益数据。
对于单个客群Gi,j,不同的授信数据可以得到p*q个不同的目标预测提款率Prob2withdraw,此时,可计算Gi,j客群在授信数据Pk,l下的风险收益数据的公式为,风险收益数据=目标预测提款率*授信额度数据*(利率数据-资金成本-预测违约率)。风险管理系统根据客群的目标预测提款数据、授信额度数据、利率数据以及客群的预测违约数据输入至上述风险收益数据的公式中,确定客群的风险收益数据。需要说明的是,资金成本对于金融机构而言在一定时期内是一个固定值,可作为常数放入公式。
进一步地,风险收益数据=目标预测提款率*授信额度数据*(利率数据-资金成本-预测违约率)可对应的表达为ReturnGi,j=Prob2withdraw*quotal*(Interestk-Capitalcost-Probdefault)。
进一步地,所述步骤S50基于所述风险收益数据确定对应的目标函数的步骤包括:
步骤S503,将所述风险收益数据中的各个数据转化为对应的预测表达式,基于各个预测表达式确定所述目标函数。
具体地,风险管理系统将风险收益数据中的各个数据转化为对应的预测表达式,即将ReturnGi,j=Prob2withdraw*quotal*(Interestk-Capitalcost-Probdefault)中的各个数据转化为其对应的预测表达式,得到转化后的表达式为ReturnGi,j=g2(Gi,j,PGi,j,k,l)*quotaGi,j,l*(InterestGi,j,k-Capitalcost-f(ProfileGi,j)),其中,PGi,j,k,l表示对应第Gi,j客群的授信数据Pk,l,quotaGi,j,l表示对应第Gi,j客群的授信额度数据,InterestGi,j,k表示对应第Gi,j客群的利率数据,ProfileGi,j表示第Gi,j客群的风险画像。风险管理系统根据各个数据对应的预测表达式得到的目标函数为
步骤S60,解析所述目标函数得到所述客群的最优授信数据,基于所述最优授信数据确定最优风险收益。
对于单个客群Gi,j而言,使得风险收益数据ReturnGi,j最大的授信数据Pk,l(授信额度数据与利率数据的组合)即为单个客群的最优授信数据(最优授信额度数据及最优利率数据)。
风险管理系统得到风险收益数据对应的目标函数后,通过风险收益数据中各个数据的数据条件对目标函数进行解析,得到客群的最优授信数据,然后,根据最优授信数据确定客群的最优风险收益。
进一步地,所述步骤S60包括:
步骤S601,确定所述风险收益数据中各个预测表达式的约束条件,通过约束条件对所述目标函数中的各个预测表达式进行解析,得到所述客群的最优授信数据。
对于金融机构而言,其目标并不完全是追求单个客群的风险收益最大化,而是在满足监管要求以及行业定位的前提下,实现整体资产组合的风险收益最大化。因此,风险管理系统确定风险收益数据中各个数据对应的预测表达式的约束条件,通过各个数据对应的预测表达式的约束条件求解目标函数。约束条件为∑1≤i≤m≤j≤nWi,j=1,∑1≤i≤m≤j≤nWi,j*quotaGi,j,l≤Max_quota,∑1≤i≤m≤j≤nWi,j*f(ProfileGi,j)≤Max_default,其中,Max_quota为最大授信额度数据,Max_default为最高预测违约率,得到每个客群的最优授信数据。
本实施例基于数据预测模型确定用户的预测违约数据和预测提款数据,基于预测违约数据和预测提款数据确定用户对应的客群;确定客群对应的授信数据,基于预测违约数据和授信数据确定客群的风险收益数据,并基于风险收益数据确定对应的目标函数;解析目标函数得到客群的最优授信数据,基于最优授信数据确定最优风险收益。由此可知,本实施例通过预测违约数据和预测提款数据两个维度数据共同确定用户的授信数据,降低了违约风险,然后,根据预测违约数据和授信数据确定对应的风险收益数据,再通过风险收益数据确定用户的最优授信数据,最后通过最优授信数据确定最优风险收益,降低了经营风险,使得风险收益最大化。
进一步地,参照图7,图7为本申请风险收益的管理方法另一实施例的流程示意图。所述步骤S40之前,还包括:
步骤S10,基于预设数据确定违约数据变量和提款数据变量;
步骤S20,基于所述违约数据变量构建所述违约数据预测模型,并基于提款数据变量构建所述提款数据预测模型;
步骤S30,基于所述违约数据预测模型的模型性能划分预设个数的违约数据区间,并基于所述提款数据预测模型的模型性能划分预设个数的提款数据区间。
具体地,风险管理系统在确定用户的最优风险收益之前,获取风险管理系统中数据库的预设数据,通过预设数据确定违约数据变量和提款数据变量,其中,预设数据是风险管理系统在数据库中各个用户的真实数据。然后,风险管理系统根据违约数据变量构建对应的违约数据预测模型,并根据提款数据变量构建对应的提款数据预测模型。接着,风险管理系统根据违约数据预测模型的模型性能,将违约数据预测模型中的违约数据划分为预设个数的违约数据区间,并根据提款数据预测模型的模型性能,将提款数据预测模型中的提款数据划分为预设个数的提款数据区间,其中,预设个数根据模型性能决定,本实施例不作限制。风险管理系统将违约数据预测模型、提款数据预测模型、提款数据区间和违约数据区间存储于数据库中,以供后续直接根据用户数据确定各个用户对应的客群。
本实施例基于预设数据确定违约数据变量和提款数据变量;基于违约数据变量构建违约数据预测模型,并基于提款数据变量构建提款数据预测模型;基于违约数据预测模型的模型性能划分预设个数的违约数据区间,并基于提款数据预测模型的模型性能划分预设个数的提款数据区间。由此可知,本实施例将违约数据预测模型、提款数据预测模型、提款数据区间和违约数据区间存储于数据库中,以供后续直接根据用户数据确定各个用户对应的客群,提升用户客群的确定效率。
此外,本申请还提供一种风险收益的管理装置,参照图8,图8是本申请风险收益的管理装置较佳的结构示意图,所述风险收益的管理装置包括:
确定模块10,用于基于数据预测模型确定用户的预测违约数据和预测提款数据,基于所述预测违约数据和所述预测提款数据确定所述用户对应的客群;
所述确定模块10还用于确定所述客群对应的授信数据,基于所述预测违约数据和所述授信数据确定所述客群的风险收益数据,并基于所述风险收益数据确定对应的目标函数;
解析模块20,用于解析所述目标函数得到所述客群的最优授信数据;
所述确定模块10还用于基于所述最优授信数据确定最优风险收益。
进一步地,所述确定模块10还用于基于所述授信额度数据和利率数据确定所述客群的目标预测提款数据;
所述确定模块10还用于基于所述目标预测提款数据、所述授信额度数据、所述利率数据和所述预测违约数据确定所述客群的风险收益数据;
所述确定模块10还用于将所述目标预测提款数据、所述授信额度数据、所述利率数据和所述预测违约数据输入至对应的预设公式中,确定所述客群的风险收益数据;
所述确定模块10还用于将所述风险收益数据中的各个数据转化为对应的预测表达式,基于各个预测表达式确定所述目标函数;
所述确定模块10还用于确定所述风险收益数据中各个预测表达式的约束条件;
所述解析模块20还用于通过约束条件对所述目标函数中的各个预测表达式进行解析,得到所述客群的最优授信数据;
所述确定模块10还用于基于所述预测违约数据确定对应的目标违约数据区间,并基于所述预测提款数据确定对应的目标提款数据区间;
所述确定模块10还用于基于所述目标违约数据区间和所述目标提款数据区间确定所述用户对应的客群;
所述确定模块10还用于基于预设数据确定违约数据变量和提款数据变量。
进一步地,所述风险收益的管理装置还包括:
构建模块,用于基于所述违约数据变量构建所述违约数据预测模型,并基于提款数据变量构建所述提款数据预测模型;
划分模块,用于基于所述违约数据预测模型的模型性能划分预设个数的违约数据区间,并基于所述提款数据预测模型的模型性能划分预设个数的提款数据区间。
本申请基于风险收益的管理装置具体实施方式与上述基于风险收益的管理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收益的管理程序,所述风险收益的管理程序被处理器执行时实现如上所述的风险收益的管理方法的步骤。
本申请计算机可读存储介质具体实施方式与上述风险收益的管理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收益的管理系统执行本申请各个实施例所述的方法。
Claims (10)
1.一种风险收益的管理方法,其特征在于,所述风险收益的管理方法包括以下步骤:
基于数据预测模型确定用户的预测违约数据和预测提款数据,基于所述预测违约数据和所述预测提款数据确定所述用户对应的客群;
确定所述客群对应的授信数据,基于所述预测违约数据和所述授信数据确定所述客群的风险收益数据,并基于所述风险收益数据确定对应的目标函数;
解析所述目标函数得到所述客群的最优授信数据,基于所述最优授信数据确定最优风险收益。
2.如权利要求1所述风险收益的管理方法,其特征在于,所述授信数据包括授信额度数据和利率数据,所述基于所述预测违约数据和所述授信数据确定所述客群的风险收益数据的步骤包括:
基于所述授信额度数据和利率数据确定所述客群的目标预测提款数据;
基于所述目标预测提款数据、所述授信额度数据、所述利率数据和所述预测违约数据确定所述客群的风险收益数据。
3.如权利要求2所述风险收益的管理方法,其特征在于,所述基于所述目标预测提款数据、所述授信额度数据、所述利率数据和所述预测违约数据确定所述客群的风险收益数据的步骤包括:
将所述目标预测提款数据、所述授信额度数据、所述利率数据和所述预测违约数据输入至对应的预设公式中,确定所述客群的风险收益数据。
4.如权利要求1所述风险收益的管理方法,其特征在于,所述基于所述风险收益数据确定对应的目标函数的步骤包括:
将所述风险收益数据中的各个数据转化为对应的预测表达式,基于各个预测表达式确定所述目标函数。
5.如权利要求1所述风险收益的管理方法,其特征在于,所述解析所述目标函数得到所述客群的最优授信数据的步骤包括:
确定所述风险收益数据中各个预测表达式的约束条件,通过约束条件对所述目标函数中的各个预测表达式进行解析,得到所述客群的最优授信数据。
6.如权利要求1所述风险收益的管理方法,其特征在于,所述基于所述预测违约数据和所述预测提款数据确定所述用户对应的客群的步骤包括:
基于所述预测违约数据确定对应的目标违约数据区间,并基于所述预测提款数据确定对应的目标提款数据区间;
基于所述目标违约数据区间和所述目标提款数据区间确定所述用户对应的客群。
7.如权利要求1至6任一项所述风险收益的管理方法,其特征在于,所述数据预测模型包括违约数据预测模型和提款数据预测模型,所述基于数据预测模型确定用户的预测违约数据和预测提款数据,基于所述预测违约数据和所述预测提款数据确定所述用户对应的客群的步骤之前,还包括:
基于预设数据确定违约数据变量和提款数据变量;
基于所述违约数据变量构建所述违约数据预测模型,并基于提款数据变量构建所述提款数据预测模型;
基于所述违约数据预测模型的模型性能划分预设个数的违约数据区间,并基于所述提款数据预测模型的模型性能划分预设个数的提款数据区间。
8.一种风险收益的管理装置,其特征在于,所述风险收益的管理装置包括:
确定模块,用于基于数据预测模型确定用户的预测违约数据和预测提款数据,基于所述预测违约数据和所述预测提款数据确定所述用户对应的客群;
所述确定模块还用于确定所述客群对应的授信数据,基于所述预测违约数据和所述授信数据确定所述客群的风险收益数据,并基于所述风险收益数据确定对应的目标函数;
解析模块,用于解析所述目标函数得到所述客群的最优授信数据;
所述确定模块还用于基于所述最优授信数据确定最优风险收益。
9.一种风险收益的管理系统,其特征在于,所述风险收益的管理系统包括存储器、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收益的管理程序,所述风险收益的管理程序被所述处理器执行时实现如权利要求1至7中任一项所述的风险收益的管理方法的步骤。
10.一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收益的管理程序,所述风险收益的管理程序被处理器执行时实现如权利要求1至7中任一项所述的风险收益的管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011482063.7A CN112598244B (zh) | 2020-12-15 | 2020-12-15 | 风险收益的管理方法、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 |
---|---|---|---|
CN202011482063.7A CN112598244B (zh) | 2020-12-15 | 2020-12-15 | 风险收益的管理方法、装置、系统及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598244A true CN112598244A (zh) | 2021-04-02 |
CN112598244B CN112598244B (zh) | 2024-04-16 |
Family
ID=75195977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011482063.7A Active CN112598244B (zh) | 2020-12-15 | 2020-12-15 | 风险收益的管理方法、装置、系统及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598244B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450211A (zh) * | 2021-08-31 | 2021-09-28 | 支付宝(杭州)信息技术有限公司 | 一种用户授信方法、装置、电子设备与存储介质 |
CN113643125A (zh) * | 2021-08-30 | 2021-11-12 | 天元大数据信用管理有限公司 | 一种授信额度测算方法、设备及介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020123960A1 (en) * | 2000-10-05 | 2002-09-05 | American Express Company | Systems, methods and computer program products for offering consumer loans having customized terms for each customer |
US8275637B1 (en) * | 2006-05-02 | 2012-09-25 | Allstate Insurance Company | Earnings at risk method and system |
CN109685649A (zh) * | 2018-12-28 | 2019-04-26 | 上海点融信息科技有限责任公司 | 基于人工智能确定授信额度的方法、装置及存储介质 |
CN109978680A (zh) * | 2019-03-18 | 2019-07-05 | 杭州绿度信息技术有限公司 | 一种细分客群信贷业务风控差异化定价的风控方法和系统 |
CN110288466A (zh) * | 2019-06-28 | 2019-09-27 | 北京淇瑀信息科技有限公司 | 一种基于夏普比率的信贷策略评估和选择方法 |
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 |
CN110349012A (zh) * | 2019-07-12 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 数据预测方法及计算机可读存储介质 |
CN110689425A (zh) * | 2019-09-30 | 2020-01-14 | 上海淇玥信息技术有限公司 | 基于收益进行额度定价的方法、装置和电子设备 |
CN110796536A (zh) * | 2019-10-14 | 2020-02-14 | 中国建设银行股份有限公司 | 风险限额确定方法及装置 |
CN110807527A (zh) * | 2019-09-30 | 2020-02-18 | 北京淇瑀信息科技有限公司 | 一种基于客群筛选的额度调整方法、装置和电子设备 |
CN111583017A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 基于客群定位的风险策略生成方法、装置及电子设备 |
CN111738818A (zh) * | 2020-06-12 | 2020-10-02 | 深圳前海微众银行股份有限公司 | 贷后授信重检方法、设备及存储介质 |
-
2020
- 2020-12-15 CN CN202011482063.7A patent/CN112598244B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020123960A1 (en) * | 2000-10-05 | 2002-09-05 | American Express Company | Systems, methods and computer program products for offering consumer loans having customized terms for each customer |
US8275637B1 (en) * | 2006-05-02 | 2012-09-25 | Allstate Insurance Company | Earnings at risk method and system |
CN109685649A (zh) * | 2018-12-28 | 2019-04-26 | 上海点融信息科技有限责任公司 | 基于人工智能确定授信额度的方法、装置及存储介质 |
CN109978680A (zh) * | 2019-03-18 | 2019-07-05 | 杭州绿度信息技术有限公司 | 一种细分客群信贷业务风控差异化定价的风控方法和系统 |
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 |
CN110288466A (zh) * | 2019-06-28 | 2019-09-27 | 北京淇瑀信息科技有限公司 | 一种基于夏普比率的信贷策略评估和选择方法 |
CN110349012A (zh) * | 2019-07-12 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 数据预测方法及计算机可读存储介质 |
CN110689425A (zh) * | 2019-09-30 | 2020-01-14 | 上海淇玥信息技术有限公司 | 基于收益进行额度定价的方法、装置和电子设备 |
CN110807527A (zh) * | 2019-09-30 | 2020-02-18 | 北京淇瑀信息科技有限公司 | 一种基于客群筛选的额度调整方法、装置和电子设备 |
CN110796536A (zh) * | 2019-10-14 | 2020-02-14 | 中国建设银行股份有限公司 | 风险限额确定方法及装置 |
CN111583017A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 基于客群定位的风险策略生成方法、装置及电子设备 |
CN111738818A (zh) * | 2020-06-12 | 2020-10-02 | 深圳前海微众银行股份有限公司 | 贷后授信重检方法、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643125A (zh) * | 2021-08-30 | 2021-11-12 | 天元大数据信用管理有限公司 | 一种授信额度测算方法、设备及介质 |
CN113450211A (zh) * | 2021-08-31 | 2021-09-28 | 支付宝(杭州)信息技术有限公司 | 一种用户授信方法、装置、电子设备与存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112598244B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7650633B2 (en) | Automated organizational role modeling for role based access controls | |
KR102447160B1 (ko) | 물류 창고의 임대 신청에 따른 물류 창고 배정 서비스 제공 방법 및 장치 | |
US7747641B2 (en) | Modeling sequence and time series data in predictive analytics | |
Zhao et al. | A hybrid approach of topic model and matrix factorization based on two-step recommendation framework | |
JP2018524672A (ja) | 分散コンピューティング・システム上でデータマイニング・タスクを実行するための計算リソースを推定するためのコンピュータ実装方法、コンピュータ・プログラム、およびシステム | |
EP3866042A1 (en) | Adaptive differentially private count | |
CN112598244A (zh) | 风险收益的管理方法、装置、系统及计算机可读存储介质 | |
CN112508723B (zh) | 基于自动择优建模的金融风险预测方法、装置和电子设备 | |
CN112017042A (zh) | 基于tweedie分布的资源配额确定方法、装置和电子设备 | |
AU2019203230A1 (en) | Closed loop nodal analysis | |
CN112070545B (zh) | 用于优化信息触达的方法、装置、介质和电子设备 | |
García-Pérez | Limited validity of equations to predict the future h index | |
CN111639247A (zh) | 用于评估评论的质量的方法、装置、设备以及计算机可读存储介质 | |
CN111209930B (zh) | 一种生成授信策略的方法、装置和电子设备 | |
Braziunas | Decision-theoretic elicitation of generalized additive utilities | |
CN113506023A (zh) | 工作行为数据分析方法、装置、设备及存储介质 | |
CN111582649B (zh) | 基于用户app独热编码的风险评估方法、装置和电子设备 | |
Ahmed et al. | An improved decomposition algorithm for optimization under uncertainty | |
CN112669084A (zh) | 策略确定方法、设备及计算机可读存储介质 | |
Pierreval et al. | Robust simulation with a base environmental scenario | |
Park et al. | Queue congestion prediction for large-scale high performance computing systems using a hidden Markov model | |
CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 | |
US20220383137A1 (en) | Enterprise Market Volatility Predictions through Synthetic DNA and Mutant Nucleotides | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN112950003A (zh) | 用户资源配额调整方法、装置及电子设备 |
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 | ||
GR01 | Patent grant |