CN112750022B - 一种消费金融的信用压缩方法 - Google Patents

一种消费金融的信用压缩方法 Download PDF

Info

Publication number
CN112750022B
CN112750022B CN202011485162.0A CN202011485162A CN112750022B CN 112750022 B CN112750022 B CN 112750022B CN 202011485162 A CN202011485162 A CN 202011485162A CN 112750022 B CN112750022 B CN 112750022B
Authority
CN
China
Prior art keywords
credit
user
model
beta
variable
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.)
Active
Application number
CN202011485162.0A
Other languages
English (en)
Other versions
CN112750022A (zh
Inventor
梁元宇
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.)
Nanyin Faba Consumer Finance Co.,Ltd.
Original Assignee
Suning Consumer Finance 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 Suning Consumer Finance Co ltd filed Critical Suning Consumer Finance Co ltd
Priority to CN202011485162.0A priority Critical patent/CN112750022B/zh
Publication of CN112750022A publication Critical patent/CN112750022A/zh
Application granted granted Critical
Publication of CN112750022B publication Critical patent/CN112750022B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • 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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Technology Law (AREA)
  • Computing Systems (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种消费金融的信用压缩方法通过用户新增行为调整回归方法重新计算出用户违约概率；考虑到用户违约前后不存在严重的跳跃，且长期呈现均值回归特征，利用AR模型计算出用户未来的违约概率，通过时间序列调整使其预估准确、更加合理，本发明提出对信用评级评分系统添加时间序列，能够及时分析出用户的信用变化情况，及时对压缩可能违约的用户授信额度，减少消费金融公司面对的用户的信用风险。

Description

一种消费金融的信用压缩方法
技术领域
本发明涉及信贷风险预测技术领域，具体涉及一种消费金融的信用压缩方法。
背景技术
信贷用户的风险是消费金融公司的业务持续的关键点之一，而对信贷用户的计量经历从专家判断法、信用评分模型到违约概率模型的三个主要发展阶段。通常，消费金融公司会采用逻辑回归对信贷用户违约进行评估，但这种方法分析存在下面的缺陷：
1，只关注每个特征对整体的影响，而随着时间变长，特征量变多导致预估不精确；
2，短期预估中数据相关性影响较大，导致现在没法完全契合未来；
而在消费金融信贷场景中，及时止损是至关重要的，不然就会出现用户已经无力偿还还让其正常借款导致违约情况，所以需要通过时间序列调整使其预估准确、更加合理。
发明内容
(一)解决的技术问题
本发明的目的在于提供一种消费金融的信用压缩方法，以解决上述背景技术中提出的实际问题。
(二)技术方案
为实现上述目的，本发明提供如下技术方案：一种消费金融的信用压缩方法，具体包括以下步骤：
S1：收集用户信息并进行预处理；
S2：根据分析目的设置因变量和自变量，假定，Y为因变量，它代表借款人违约，Y＝1代表已经违约，Y＝0代表没有；P为Y＝1的概率；X为解释变量，代表影响因素；则Logistic回归模型的具体公式如下：
Figure BDA0002839146720000021
可以推导出违约概率P的大小为：
Figure BDA0002839146720000022
其中:α指的是截距项；Xi为第i个解释变量；βi是第i个决定系数；通过Logistic回归模型可以算出对应的βi；
S3：通过最小二乘法对回归函数进行优化，使得残差最小，具体公式如下：
RSS(β)＝(P-Xβ)T(P-Xβ)
其中：X是Xi矩阵；β是βi矩阵；
S4：利用AR模型计算出未来的违约概率，AR(1)模型指的是时间序列{xt}t≥0在时间戳t时刻(这边t去单位为月)的取值xt与时间戳t-1时刻的取值xt-1相关，其公式就是：
Figure BDA0002839146720000023
继续扩展可以得到AR(p)模型如下：
Figure BDA0002839146720000024
其中：ωt服从WN(0，δ2)分布；
Figure BDA0002839146720000025
是系数，通过逐个回归计算出来；
S5：设置Pt-i与Pt的差值阈值，当Pt-i与Pt的差值超过差值阈值时，对用户信用进行压缩，即压缩用户可借贷额度，避免发生信用风险。
进一步的，所述步骤S1中的预处理包括哑变量转化和缺失值处理。
进一步的，所述解释变量X包括就业职称、就业年限、房屋所有权和债务收入比。
(三)有益效果
本发明通过用户新增行为调整回归方法重新计算出用户违约概率；考虑到用户违约前后不存在严重的跳跃，且长期呈现均值回归特征，利用AR模型计算出用户未来的违约概率，通过时间序列调整使其预估准确、更加合理。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明流程图；
图2为本发明哑变量转化示意图；
图3为本发明逻辑回归模型示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
请参阅图1-3，本发明提供一种技术方案：一种消费金融的信用压缩方法，具体包括以下步骤：
S1：首先对收集到的用户信息进行预处理，包括：哑变量转化，缺失值处理等；
S2：根据分析目的设置因变量和自变量，假定，Y为因变量，它代表借款人违约，Y＝1代表已经违约，Y＝0代表没有；P为Y＝1的概率；X为解释变量，代表影响因素；则Logistic回归模型的具体公式如下：
Figure BDA0002839146720000041
可以推导出违约概率P的大小为：
Figure BDA0002839146720000042
其中:α指的是截距项；Xi为第i个解释变量；βi是第i个决定系数；通过Logistic回归模型可以算出对应的βi；
S3：考虑到回归得到的不一定是最优，需要通过最小二乘法对回归函数进行优化，使得残差最小，具体公式如下：
RSS(β)＝(P-Xβ)T(P-Xβ)
其中：X是Xi矩阵；β是βi矩阵；
S4：当求出最优回归函数后，新用户违约概率可以通过新用户基本影响因素和上面求出的回归函数进行估计。
因为用户行为不是一尘不变的，而随着时间变化，过去并不能完全代表未来，所以对于用户未来违约预估需要加入时间这个参数进行调整。
考虑到用户违约前后不存在严重的跳跃，且长期呈现均值回归特征，可以利用AR模型计算出未来的违约概率。
AR(1)模型指的是时间序列{xt}t≥0在时间戳t时刻(这边t去单位为月)的取值xt与时间戳t-1时刻的取值x_(t-1)相关，其公式就是：
Figure BDA0002839146720000043
继续扩展可以得到AR(p)模型如下：
Figure BDA0002839146720000051
其中：ωt服从WN(0，δ2)分布；
Figure BDA0002839146720000052
是系数，通过逐个回归计算出来；
S5：设置Pt-i与Pt的差值阈值，当Pt-i与Pt的差值超过差值阈值时，对用户信用进行压缩，即压缩用户可借贷额度，避免发生信用风险。
本发明提出对信用评级评分系统添加时间序列，能够及时分析出用户的信用变化情况，及时对压缩可能违约的用户授信额度，减少消费金融公司面对的用户的信用风险。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (3)

1.一种消费金融的信用压缩方法，其特征在于，具体包括以下步骤：
S1：收集用户信息并进行预处理；
S2：根据分析目的设置因变量和自变量，假定，Y为因变量，它代表借款人违约，Y＝1代表已经违约，Y＝0代表没有；P为Y＝1的概率；X为解释变量，代表影响因素；则Logistic回归模型的具体公式如下：
Figure FDA0003656421430000011
可以推导出违约概率P的大小为：
Figure FDA0003656421430000012
其中:α指的是截距项；Xi为第i个解释变量；βi是第i个决定系数；通过Logistic回归模型可以算出对应的βi；
S3：通过最小二乘法对回归函数进行优化，使得残差最小，具体公式如下：
RSS(β)＝(P-Xβ)T(P-Xβ)
其中：X是Xi矩阵；β是βi矩阵；
S4：利用AR模型计算出未来的违约概率，AR1模型指的是时间序列{xt}t≥0在时间戳t时刻的取值xt与时间戳t-1时刻的取值xt-1相关，这边t取 单位为月，其公式就是：
Figure FDA0003656421430000013
继续扩展可以得到ARp模型如下：
Figure FDA0003656421430000021
其中：
ωt服从WN(0,δ2)分布；
Figure FDA0003656421430000022
是系数，通过逐个回归计算出来；
S5：设置Pt-i与Pt的差值阈值，当Pt-i与Pt的差值超过差值阈值时，对用户信用进行压缩，即压缩用户可借贷额度，避免发生信用风险。
2.根据权利要求1所述的一种消费金融的信用压缩方法，其特征在于：所述步骤S1中的预处理包括哑变量转化和缺失值处理。
3.根据权利要求1所述的一种消费金融的信用压缩方法，其特征在于：所述解释变量X包括就业职称、就业年限、房屋所有权和债务收入比。
CN202011485162.0A 2020-12-16 2020-12-16 一种消费金融的信用压缩方法 Active CN112750022B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011485162.0A CN112750022B (zh) 2020-12-16 2020-12-16 一种消费金融的信用压缩方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011485162.0A CN112750022B (zh) 2020-12-16 2020-12-16 一种消费金融的信用压缩方法

Publications (2)

Publication Number Publication Date
CN112750022A CN112750022A (zh) 2021-05-04
CN112750022B true CN112750022B (zh) 2022-08-02

Family

ID=75648517

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011485162.0A Active CN112750022B (zh) 2020-12-16 2020-12-16 一种消费金融的信用压缩方法

Country Status (1)

Country Link
CN (1) CN112750022B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961362A (zh) * 2019-02-19 2019-07-02 合肥工业大学 P2p平台信用风险动态评价方法和系统
CN110689427A (zh) * 2019-10-12 2020-01-14 杭州绿度信息技术有限公司 一种基于生存分析的消费分期违约概率模型
CN111324862A (zh) * 2020-02-10 2020-06-23 深圳华策辉弘科技有限公司 贷中行为监控的方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961362A (zh) * 2019-02-19 2019-07-02 合肥工业大学 P2p平台信用风险动态评价方法和系统
CN110689427A (zh) * 2019-10-12 2020-01-14 杭州绿度信息技术有限公司 一种基于生存分析的消费分期违约概率模型
CN111324862A (zh) * 2020-02-10 2020-06-23 深圳华策辉弘科技有限公司 贷中行为监控的方法及系统

Also Published As

Publication number Publication date
CN112750022A (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
Khan Financial development and economic growth
Banker et al. Implications of impairment decisions and assets' cash-flow horizons for conservatism research
Koopman et al. Empirical credit cycles and capital buffer formation
US8214840B2 (en) Optimization with unknown objective function
US7725575B2 (en) Unexpected demand detection system and unexpected demand detection program
US7469227B2 (en) Retail lending risk related scenario generation
CN112750022B (zh) 一种消费金融的信用压缩方法
CN109801003A (zh) 一种基于ahp的业务影响分析方法
CN112465613A (zh) 贷款利息参数化计提方法及装置
CN113703974B (zh) 一种预测服务器容量的方法及装置
CN111737308A (zh) 基于最小熵分值的股票交易点预测方法、系统及存储介质
Kalotychou et al. An empirical investigation of the loan concentration risk in Latin America
Wasiaturrahma et al. Impact of Exchange Rate Volatility to Stocks’ Return in Indonesia: The Augmented Markov-Switching Egarch Approach
Yang An integrated risk management method: VaR approach
JP2003296655A (ja) 経済成長率予測プログラム及び該予測プログラムを記録したコンピュータ読み取り可能な記録媒体。
KR102633684B1 (ko) 경기 상황을 자동으로 반영하는 신용 평가 모형 조정 방법 및 그 방법을 실행하는 프로그램을 저장한 기록 매체
Zegeye Estimating savings and growth functions in developing economies: A simultaneous equations approach
CN115471041B (zh) 黑产账户的识别方法、装置、设备和存储介质
CN112767007B (zh) 一种金融风险行为的监控方法
JPH07234895A (ja) 時系列予測方法
Schallheim et al. Are firms really under-levered?
Lambertini et al. Bank capital requirements
Lucey et al. Advanced Risk Consulting Expected Loss Model (ARC ELM): For Current Expected Credit Losses (CECL)
CN118350928A (zh) 一种基于rfm模型的企业电力信用评价方法及系统
CN117876093A (zh) 一种用户信用评价方法及系统

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
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: No.88, Huaihai Road, Qinhuai District, Nanjing City, Jiangsu Province, 210005

Patentee after: Nanyin Faba Consumer Finance Co.,Ltd.

Address before: No.88, Huaihai Road, Qinhuai District, Nanjing City, Jiangsu Province, 210005

Patentee before: SUNING CONSUMER FINANCE Co.,Ltd.