CN113011971A - 风险测度方法、装置、系统与计算机存储介质 - Google Patents
风险测度方法、装置、系统与计算机存储介质 Download PDFInfo
- Publication number
- CN113011971A CN113011971A CN202110354686.4A CN202110354686A CN113011971A CN 113011971 A CN113011971 A CN 113011971A CN 202110354686 A CN202110354686 A CN 202110354686A CN 113011971 A CN113011971 A CN 113011971A
- Authority
- CN
- China
- Prior art keywords
- risk
- debt
- loan
- joint
- strategy
- 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
- 238000000691 measurement method Methods 0.000 title claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 30
- 238000004088 simulation Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 21
- 238000005315 distribution function Methods 0.000 claims abstract description 13
- 238000004140 cleaning Methods 0.000 claims abstract description 12
- 230000008014 freezing Effects 0.000 claims description 19
- 238000007710 freezing Methods 0.000 claims description 19
- 241000039077 Copula Species 0.000 claims description 16
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000013075 data extraction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000630 rising 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种风险测度方法,包括:采集放贷数据和债务对象的还款记录,并对放贷数据和还款记录进行提取、清洗和合并,以得到原始风险数据;基于预设常规模型,对原始数据中单个债务对象进行风险拟合,以提取预设常规模型无法合理解释的残差数据;基于经验分布函数,将残差数据转换为标准参数,并基于标准参数进行联合欺诈模拟,以得到残差数据对应的各债务对象的联合风险变动指数;基于联合风险变动指数,确定残差数据对应的各债务对象的关联关系,并基于关联关系,执行相应的风险策略。本发明还公开了一种风险测度装置、系统和计算机存储介质。本发明考虑了各债务对象之间的联动性,通过联动监控,增强了风险测度的精准性。
Description
技术领域
本发明涉及金融科技(Fintech)技术领域,尤其涉及风险测度方法、装置、系统与存储介质。
背景技术
近年来,随着金融科技(Fintech),尤其是互联网金融的不断发展,数据分析技术被引入银行等金融机构的日常服务中。在银行等金融机构的日常服务过程中,往往需要对申请相关业务的对象,如企业或商户等,进行风险测度,如对申请贷款的商户进行风险测度,以决定是否给与贷款,避免客户在贷款之后无法及时偿还,给银行等金融带来直接的经济损失,因此,如何进行风险测度是银行等金融机构必做的一项重要工作。
现有风险测度主要通过对每个商户的征信数据、财产情况、日均付款金额、日均付款频次等信息进行统计分析,再使用模型,如xgboost模型、logit模型等对每个商户的欺诈风险大小进行判定、风险预警,从而决定是否对其进行放贷。
现有技术的缺点之一是样本之间的孤立性,忽视了每个商户之间的关联性,容易导致风险测度结果不准确、不稳健,最终导致低估了整体风险,一旦有极端情况发生,如整个区域的铺租上涨等,将会导致区域性的商户集体违约事件的发生。现有技术的缺点之二是区域间的商户欺诈风险结构的静态性。现有模型一般在建模时,就对所有的前提条件进行了设定,观测值、参数、变量等服从的分布是确定的,而在现实中,极端情况突发时,整个风险分布应当发生改变,但现有技术无法捕捉此种变化,导致最终风险测度结果偏离现实风险。可见,现有风险测度的精准性较低。
发明内容
本发明的主要目的在于提出一种风险测度方法、装置、系统与存储介质,旨在提高风险测度的准确性。
为实现上述目的,本发明提供一种风险测度方法,所述风险测度方法包括如下步骤:
采集放贷数据和债务对象的还款记录,并对所述放贷数据和所述还款记录进行提取、清洗和合并,以得到原始风险数据;
基于预设常规模型,对所述原始数据中单个债务对象进行风险拟合,以提取所述预设常规模型无法合理解释的残差数据;
基于经验分布函数,将所述残差数据转换为标准参数,并基于所述标准参数进行联合欺诈模拟,以得到所述残差数据对应的各债务对象的联合风险变动指数;
基于所述联合风险变动指数,确定所述残差数据对应的各债务对象的关联关系,并基于所述关联关系,执行相应的风险策略。
优选地,所述基于所述关联关系,执行相应的风险策略的步骤包括:
若检测到违约事件,则确定所述违约事件对应的目标债务对象,并基于所述关联关系,确定所述目标债务对象对应的关联债务对象;
基于所述关联债务对象的联合风险变动指数,执行所述关联债务对象对应的风险策略。
优选地,所述基于所述关联债务对象的联合风险变动指数,执行所述关联债务对象对应的风险策略的步骤包括:
若所述关联债务对象的联合风险变动指数位于第一阈值区间,则确定所述关联债务对象的风险策略为催收策略,并按照所述催收策略对所述关联债务对象进行催收;
若所述关联债务对象的联合风险变动指数位于第二阈值区间,则确定所述关联债务对象的风险策略为冻结策略,并按照所述冻结策略对所述关联债务对象的账户进行冻结,所述第二阈值区间的最小值大于所述第一阈值区间的最大值。
优选地,所述基于所述关联债务对象的联合风险变动指数,执行所述关联债务对象对应的风险策略的步骤包括:
若所述关联债务对象的联合风险变动指数位于第三阈值区间,则确定所述关联债务对象的风险策略为放贷策略,并获取所述关联债务对象的特征属性;
按照所述放贷策略,对具备所述特征属性的贷款对象进行放贷。
优选地,所述特征属性包括地理区域,所述按照所述放贷策略,对具备所述特征属性的贷款对象进行放贷的步骤包括:
若检测到贷款申请,则获取所述贷款申请的贷款信息,并确定所述贷款信息中的地址是否位于所述地理区域;
若是,则按照所述放贷策略,减少所述贷款申请的额度或者拒绝所述贷款申请的通过。
优选地,所述基于所述关联关系,确定所述目标债务对象对应的关联债务对象的步骤包括:
基于所述关联关系,确定所述目标债务对象对应的初始关联对象,并获取所述初始关联对象的联合风险变动指数;
从所述初始关联对象中筛选出联合风险变动指数大于阈值的关联对象作为所述目标债务对象的关联债务对象。
优选地,所述基于所述标准参数进行联合欺诈模拟,以得到所述残差数据对应的各债务对象的联合风险变动指数的步骤包括:
基于所述标准参数和因子copula模型,估计因子copula模型对应的目标参数;
基于马尔科夫链蒙特卡罗方法和所述目标参数,模拟所述残差数据对应的各债务对象联合欺诈风险分布,以得到所述残差数据对应的各债务对象的联合风险变动指数。
此外,为实现上述目的,本发明还提供一种风险测度装置,所述风险测度装置包括:
采集模块,用于采集放贷数据和债务对象的还款记录,并对所述放贷数据和所述还款记录进行提取、清洗和合并,以得到原始风险数据;
提取模块,用于基于预设常规模型,对所述原始数据中单个债务对象进行风险拟合,以提取所述预设常规模型无法合理解释的残差数据;
模拟模块,用于基于经验分布函数,将所述残差数据转换为标准参数,并基于所述标准参数进行联合欺诈模拟,以得到所述残差数据对应的各债务对象的联合风险变动指数;
执行模块,用于基于所述联合风险变动指数,确定所述残差数据对应的各债务对象的关联关系,并基于所述关联关系,执行相应的风险策略。
优选地,所述执行模块还用于:
若检测到违约事件,则确定所述违约事件对应的目标债务对象,并基于所述关联关系,确定所述目标债务对象对应的关联债务对象;
基于所述关联债务对象的联合风险变动指数,执行所述关联债务对象对应的风险策略。
优选地,所述执行模块还用于:
若所述关联债务对象的联合风险变动指数位于第一阈值区间,则确定所述关联债务对象的风险策略为催收策略,并按照所述催收策略对所述关联债务对象进行催收;
若所述关联债务对象的联合风险变动指数位于第二阈值区间,则确定所述关联债务对象的风险策略为冻结策略,并按照所述冻结策略对所述关联债务对象的账户进行冻结,所述第二阈值区间的最小值大于所述第一阈值区间的最大值。
优选地,所述执行模块还用于:
若所述关联债务对象的联合风险变动指数位于第三阈值区间,则确定所述关联债务对象的风险策略为放贷策略,并获取所述关联债务对象的特征属性;
按照所述放贷策略,对具备所述特征属性的贷款对象进行放贷。
优选地,所述执行模块还用于:
若检测到贷款申请,则获取所述贷款申请的贷款信息,并确定所述贷款信息中的地址是否位于所述地理区域;
若是,则按照所述放贷策略,减少所述贷款申请的额度或者拒绝所述贷款申请的通过。
优选地,所述执行模块还用于:
基于所述关联关系,确定所述目标债务对象对应的初始关联对象,并获取所述初始关联对象的联合风险变动指数;
从所述初始关联对象中筛选出联合风险变动指数大于阈值的关联对象作为所述目标债务对象的关联债务对象。
优选地,所述模拟模块还用于:
基于所述标准参数和因子copula模型,估计因子copula模型对应的目标参数;
基于马尔科夫链蒙特卡罗方法和所述目标参数,模拟所述残差数据对应的各债务对象联合欺诈风险分布,以得到所述残差数据对应的各债务对象的联合风险变动指数。
此外,为实现上述目的,本发明还提供一种风险测度系统,所述风险测度系统包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的风险测度程序,所述风险测度程序被所述处理器执行时实现如上所述的风险测度方法的步骤。
此外,为实现上述目的,本发明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测度程序,所述风险测度程序被处理器执行时实现如上所述的风险测度方法的步骤。
本发明提出的风险测度方法,采集放贷数据和债务对象的还款记录,并对所述放贷数据和所述还款记录进行提取、清洗和合并,以得到原始风险数据;基于预设常规模型,对所述原始数据中单个债务对象进行风险拟合,以提取所述预设常规模型无法合理解释的残差数据;基于经验分布函数,将所述残差数据转换为标准参数,并基于所述标准参数进行联合欺诈模拟,以得到所述残差数据对应的各债务对象的联合风险变动指数;基于所述联合风险变动指数,确定所述残差数据对应的各债务对象的关联关系,并基于所述关联关系,执行相应的风险策略。本发明考虑了债务对象之间的联系性,可以根据债务对象的风险突变预测其他关联债务对象的风险,提高了风险测度的准确性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的系统结构示意图;
图2为本发明风险测度方法第一实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,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发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的系统结构示意图。
本发明实施例系统包括移动终端或服务器设备。
如图1所示,该系统可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。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-volatile memory),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中示出的系统结构并不构成对系统的限定,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测度程序。
其中,操作系统是管理和控制风险测度系统与软件资源的程序,支持网络通信模块、用户接口模块、风险测度程序以及其他程序或软件的运行;网络通信模块用于管理和控制网络接口1002;用户接口模块用于管理和控制用户接口1003。
在图1所示的风险测度系统中,所述风险测度系统通过处理器1001调用存储器1005中存储的风险测度程序,并执行下述风险测度方法各个实施例中的操作。
基于上述硬件结构,提出本发明风险测度方法实施例。
参照图2,图2为本发明风险测度方法第一实施例的流程示意图,所述方法包括:
步骤S10,采集放贷数据和债务对象的还款记录,并对所述放贷数据和所述还款记录进行提取、清洗和合并,以得到原始风险数据;
步骤S20,基于预设常规模型,对所述原始数据中单个债务对象进行风险拟合,以提取所述预设常规模型无法合理解释的残差数据;
步骤S30,基于经验分布函数,将所述残差数据转换为标准参数,并基于所述标准参数进行联合欺诈模拟,以得到所述残差数据对应的各债务对象的联合风险变动指数;
步骤S40,基于所述联合风险变动指数,确定所述残差数据对应的各债务对象的关联关系,并基于所述关联关系,执行相应的风险策略。
本实施例风险测度方法运用于理财机构或者银行等金融机构的风险测度系统中,风险测度系统可以包括终端、机器人或者PC设备,为描述方便,风险测度系统以风险系统简称。
在日常开展业务过程中,由于原有风险测度方法主要通过对每个债务对象,如商户等的征信数据、财产情况、日均付款金额、日均付款频次等信息进行统计分析,使用xgboost模型、logit模型或者二者的融合,对每个商户欺诈风险大小进行判定、风险预警。此外,还辅以第三方数据库信息对贷款个人的欺诈风险等级进行修正。此种方式忽视了每个商户之间的关联性,这会导致现有风险测度方法的结果不准确、不稳健,并且导致低估整体风险,一旦有极端情况发生,将会导致区域性的商户集体违约事件发生,如某个商业区存在不法分子与商户进行欺诈套利,同一区域的其他商户的欺诈风险将有大大增加的可能性。
因此,本实施通过数据采集、常规建模、残差提取、经验分布转化、因子copula参数估计、MCMC(马尔科夫链蒙特卡罗)模拟、联合风险变动指数测算,为各商户,也即各债务对象建立关联关系,使得整个业务的风险是联动的,某一债务对象突发风险可以及时预测其他关联债务对象的风险,提高风险测度的准确性。
以下将对各个步骤进行详细说明:
步骤S10,采集放贷数据和债务对象的还款记录,并对所述放贷数据和所述还款记录进行提取、清洗和合并,以得到原始风险数据。
在本实施例中,风险系统先采集目标业务,如信贷业务等的放贷数据和债务对象的还款记录,并对放贷数据和还款记录进行数据提取、数据清洗和数据合并等操作,从而剔除一些无用、空白、不成规范的数据,得到原始风险数据,其中,放贷数据包括债务对象的基本信息,如征信数据、财产情况、放款额度和利息等;还款记录包括逾期情况、逾期金额等。此外,在对放贷数据和还款记录进行数据提取、数据清洗和数据合并的过程中,可采用正则表达式进行。
步骤S20,基于预设常规模型,对所述原始数据中单个债务对象进行风险拟合,以提取所述预设常规模型无法合理解释的残差数据。
在本实施例中,在得到原始风险数据之后,通过预设模型,对原始数据中单个债务对象进行风险拟合,其中,预设常规模型是指用于风险拟合的模型,如xgboost模型、logit模型或者二者的融合等,也即,采用xgboost模型等对单个债务对象进行风险拟合,而那些模型无法合理解释的,即为要提取的残差数据。
步骤S30,基于经验分布函数,将所述残差数据转换为标准参数,并基于所述标准参数进行联合欺诈模拟,以得到所述残差数据对应的各债务对象的联合风险变动指数。
在本实施例中,风险系统通过经验分布函数,将提取的残差数据进行转化,使其成为标准参数,其中,经验分布函数为:
其原理是设x1,x2,...,xn是总体x(残差数据)的一组容量为n的样本观测值,将它们按从小到大的顺序重新排列为对于任意实数x,定义函数Fn(x)。而求经验分布函数Fn(x)在一点x处的值,只要求出随机变量x的n个观测值中小于或等于x的个数,再除以观测次数n即可,因此,标准参数的取值范围为0到1。
风险系统再基于标准参数进行联合欺诈模拟,从而得到残差数据对应的各债务对象的联合风险变动指数。具体的,可设T+0、T-1进行模拟,其中,T+0即为当前的风险情况,T-1为在当前之前预设一段时间的风险情况,如一个月前;也即以T+0的数据作为验证数据,T-1作为模拟数据进行模拟验证。其原理是通过对一个月之前的单个债务对象进行风险预测,同时观察与之发生相同变化的其他债务对象有哪些,如债务对象A在一个月之前没有风险,一个月之后发生套利的违约情况,而债务对象B的情况与债务A的情况一致,则可认为两者有关联。
进一步的,在一实施例中,基于所述标准参数进行联合欺诈模拟,以得到所述残差数据对应的各债务对象的联合风险变动指数的步骤包括:
基于所述标准参数和因子copula模型,估计因子copula模型对应的目标参数;
在一实施例中,可先通过标准参数对因子copula模型进行拟合,估计出模型的目标参数,其中,因子copula模型是金融领域测度联合风险的模型之一,在具体实施时,可采用单因子copula模型,或者二元copula等,在此不详细说明。
基于马尔科夫链蒙特卡罗方法和所述目标参数,模拟所述残差数据对应的各债务对象联合欺诈风险分布,以得到所述残差数据对应的各债务对象的联合风险变动指数。
接着,风险系统基于马尔科夫链蒙特卡罗方法,也即MCMC,和目标参数,对未来联合欺诈风险分布进行模拟,并根据MCMC模拟的联合欺诈风险分布转化得到联合风险变动指数。也即先通过模拟,确认联合欺诈风险的分布主要集中在哪些地方,如是否同行业、是否同地理区域等,如根据MCMC模拟得到的联合欺诈风险分布结果可知相同行业联合欺诈的风险较高;或者根据MCMC模拟得到的联合欺诈风险分布结果可知,相同地理区域联合欺诈的风险较高等,再将分布情况以指数的形式表示,即可得到联合风险变动指数。
由于MCMC模拟和因子copula模型都是现有金融科技领域比较成熟的模拟方法,因此在此不详细说明。
步骤S40,基于所述联合风险变动指数,确定所述残差数据对应的各债务对象的关联关系,并基于所述关联关系,执行相应的风险策略。
在本实施例中,风险系统根据联合风险变动指数,确定各债务对象的关联关系,也即确定各债务对象是否存在联动关系。最后,根据关联关系,执行相应的风险策略。
在一实施例中,基于所述关联关系,执行相应的风险策略的步骤包括:
步骤a,若检测到违约事件,则确定所述违约事件对应的目标债务对象,并基于所述关联关系,确定所述目标债务对象对应的关联债务对象;
在一实施例中,风险系统在得到各债务对象的联合风险变动指数之后,实时或者定时监控各债务对象的风险情况。若检测到违约事件,如信用卡套利等,则确定违约事件对应的目标债务对象,也即信用卡套利的信用主体。然后,根据关联关系,确定目标债务对象对应的关联债务对象,也即确定跟信用主体联动的债务对象,也即确定跟信用主体一样,可能发生信用卡套利的债务对象。
进一步的,在一实施例中,基于所述关联关系,确定所述目标债务对象对应的关联债务对象的步骤包括:
步骤a1,基于所述关联关系,确定所述目标债务对象对应的初始关联对象,并获取所述初始关联对象的联合风险变动指数;
在一实施例中,各债务对象之间的关联关系有联动性强的,也有联动性弱的,因此需要筛选出联动性强的关联对象作为关联债务对象,具体的,先根据关联关系,确定目标债务对象对应的所有关联对象,也即所有与目标债务对象有关系的对象,也即初始关联对象,再获取各初始关联对象的联合风险变动指数,其中,联合风险变动指数是用于表征与目标债务对象的联动强弱。
步骤a2,从所述初始关联对象中筛选出联合风险变动指数大于阈值的关联对象作为所述目标债务对象的关联债务对象。
最后,从所有的初始关联对象中筛选出联合风险变动指数大于阈值的关联对象作为目标债务对象的关联债务对象,其中,阈值可根据实际情况进行设置,在此不做具体限定。
步骤b,基于所述关联债务对象的联合风险变动指数,执行所述关联债务对象对应的风险策略。
最后根据各关联债务对象的联合风险变动指数执行对应的风险策略,也即不同联合风险变动指数的关联债务对象,其风险策略也不尽相同。
进一步的,在一实施例中,步骤b包括:
步骤b1,若所述关联债务对象的联合风险变动指数位于第一阈值区间,则确定所述关联债务对象的风险策略为催收策略,并按照所述催收策略对所述关联债务对象进行催收;
在一实施例中,通过划分不同的阈值区间,制定不同联合风险变动指数对应的风险策略,具体的,若确定关联债务对象的联合风险变动指数位于第一阈值区间,则确定关联债务对象的风险策略为催收策略,并按照催收策略对关联债务对象进行催收,也即可根据联合风险变动指数划分为强中弱三个阈值区间,其中,第一阈值区间即对应中风险阈值区间,意味着关联债务对象联动违约的风险属于中度风险,需要加快催收,避免风险加大,其中催收策略可以是增加催收频率等。
步骤b2,若所述关联债务对象的联合风险变动指数位于第二阈值区间,则确定所述关联债务对象的风险策略为冻结策略,并按照所述冻结策略对所述关联债务对象的账户进行冻结,所述第二阈值区间的最小值大于所述第一阈值区间的最大值。
若确定关联债务对象的联合风险变动指数位于第二阈值区间,则确定关联赵武对象的风险策略为冻结策略,并按照冻结策略将关联债务对象的账户进行冻结,使相关主体无法再使用,使得风险及时被抑止。其中,第二阈值区间即对应高风险阈值区间,意味这关联债务对象联动违约的风险较高,需要及时止损,因此,第二阈值区间的最小值大于第一阈值区间的最大值。
以借贷商户为例,采用上述方法,一旦局部部分商户出现欺诈风险增加的情况,联合风险变动指数就会显著上升,从而进行风险预警。进一步地,可以指导银行等金融机构进行催收、冻结等风控管理。
本实施例采集放贷数据和债务对象的还款记录,并对所述放贷数据和所述还款记录进行提取、清洗和合并,以得到原始风险数据;基于预设常规模型,对所述原始数据中单个债务对象进行风险拟合,以提取所述预设常规模型无法合理解释的残差数据;基于经验分布函数,将所述残差数据转换为标准参数,并基于所述标准参数进行联合欺诈模拟,以得到所述残差数据对应的各债务对象的联合风险变动指数;基于所述联合风险变动指数,确定所述残差数据对应的各债务对象的关联关系,并基于所述关联关系,执行相应的风险策略。本发明考虑了债务对象之间的联系性,可以根据债务对象的风险突变预测其他关联债务对象的风险,提高了风险测度的准确性。
进一步地,基于本发明风险测度方法第一实施例,提出本发明风险测度方法第二实施例。
风险测度方法的第二实施例与风险测度方法的第一实施例的区别在于,基于所述关联债务对象的联合风险变动指数,执行所述关联债务对象对应的风险策略的步骤包括:
步骤b3,若所述关联债务对象的联合风险变动指数位于第三阈值区间,则确定所述关联债务对象的风险策略为放贷策略,并获取所述关联债务对象的特征属性;
在本实施中,若关联债务对象的联合风险变动指数位于第三阈值区间,则确定关联债务对象的风险策略为放贷策略,其中,第三阈值区间可根据实际情况设置,在具体实施时,第三阈值区间可对应弱风险区间,表示有一定的风险,但不宜再加大风险,因此要对放贷进行严控。此时,获取关联债务对象的特征属性,以便后续对相关贷款对象进行放贷控制,其中,特征属性指的是与关联债务对象具备相同属性的信息,如相同地理区域,相同行业等。
步骤b4,按照所述放贷策略,对具备所述特征属性的贷款对象进行放贷:
在本实施例中,先根据特征属性,确定与关联债务对象具备相同特征属性的贷款对象,再对贷款对象执行放贷策略,其中,放贷策略包括减少贷款额度,或者拒绝贷款申请的通过等。
进一步的,在一实施例中,所述特征属性包括地理区域,所述按照所述放贷策略,对具备所述特征属性的贷款对象进行放贷的步骤包括:
若检测到贷款申请,则获取所述贷款申请的贷款信息,并确定所述贷款信息中的地址是否位于所述地理区域;
在一实施例中,若检测到贷款申请,则获取贷款申请的贷款信息,并提取贷款信息中的地址,将该地址与放贷策略对应的特征属性进行比较,具体判断该地址是否位于特征属性中的地理区域中。
若是,则按照所述放贷策略,减少所述贷款申请的额度或者拒绝所述贷款申请的通过。
在一实施例中,若确认贷款信息中的地址位于放贷策略对应的地理区域中,即当前申请贷款的主体与风险管控过程中认定存在违约风险的债务对象所属同一区域,具有相同的特征属性,则认为当前申请贷款的主体与风险管控过程中认定存在违约风险的债务对象具有相同的风险。此时,按照放贷策略减少贷款申请的额度,或者拒绝贷款申请的通过。
也即,在具体实施过程中,若认定局部部分商户出现欺诈风险,则减少对该区域的放贷量,从而进行风险控制。
本实施例针对联合欺诈风险的情况进行风险指导,在揪出已有可能存在违约风险的关联债务对象之外,还提取了关联债务对象之间的共同特征属性,并对具备相同特征属性的贷款对象进行放贷指导,从而提高风险控制的智能性,相较以往只对单一主体违约后进行事后管控,本实施可从违约的目标债务对象预测出关联的债务对象,再对后续的贷款主体进行预防,起到事前预防的作用。
本发明还提供一种风险测度装置。本发明风险测度装置包括:
采集模块,用于采集放贷数据和债务对象的还款记录,并对所述放贷数据和所述还款记录进行提取、清洗和合并,以得到原始风险数据;
提取模块,用于基于预设常规模型,对所述原始数据中单个债务对象进行风险拟合,以提取所述预设常规模型无法合理解释的残差数据;
模拟模块,用于基于经验分布函数,将所述残差数据转换为标准参数,并基于所述标准参数进行联合欺诈模拟,以得到所述残差数据对应的各债务对象的联合风险变动指数;
执行模块,用于基于所述联合风险变动指数,确定所述残差数据对应的各债务对象的关联关系,并基于所述关联关系,执行相应的风险策略。
优选地,所述执行模块还用于:
若检测到违约事件,则确定所述违约事件对应的目标债务对象,并基于所述关联关系,确定所述目标债务对象对应的关联债务对象;
基于所述关联债务对象的联合风险变动指数,执行所述关联债务对象对应的风险策略。
优选地,所述执行模块还用于:
若所述关联债务对象的联合风险变动指数位于第一阈值区间,则确定所述关联债务对象的风险策略为催收策略,并按照所述催收策略对所述关联债务对象进行催收;
若所述关联债务对象的联合风险变动指数位于第二阈值区间,则确定所述关联债务对象的风险策略为冻结策略,并按照所述冻结策略对所述关联债务对象的账户进行冻结,所述第二阈值区间的最小值大于所述第一阈值区间的最大值。
优选地,所述执行模块还用于:
若所述关联债务对象的联合风险变动指数位于第三阈值区间,则确定所述关联债务对象的风险策略为放贷策略,并获取所述关联债务对象的特征属性;
按照所述放贷策略,对具备所述特征属性的贷款对象进行放贷。
优选地,所述执行模块还用于:
若检测到贷款申请,则获取所述贷款申请的贷款信息,并确定所述贷款信息中的地址是否位于所述地理区域;
若是,则按照所述放贷策略,减少所述贷款申请的额度或者拒绝所述贷款申请的通过。
优选地,所述执行模块还用于:
基于所述关联关系,确定所述目标债务对象对应的初始关联对象,并获取所述初始关联对象的联合风险变动指数;
从所述初始关联对象中筛选出联合风险变动指数大于阈值的关联对象作为所述目标债务对象的关联债务对象。
优选地,所述模拟模块还用于:
基于所述标准参数和因子copula模型,估计因子copula模型对应的目标参数;
基于马尔科夫链蒙特卡罗方法和所述目标参数,模拟所述残差数据对应的各债务对象联合欺诈风险分布,以得到所述残差数据对应的各债务对象的联合风险变动指数。
本发明还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有风险测度程序,所述风险测度程序被处理器执行时实现如上所述的风险测度方法的步骤。
其中,在所述处理器上运行的风险测度程序被执行时所实现的方法可参照本发明风险测度方法各个实施例,此处不再赘述。
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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,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、物品或者系统中还存在另外的相同要素。
上述本发明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,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明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产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书与附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种风险测度方法,其特征在于,所述风险测度方法包括如下步骤:
采集放贷数据和债务对象的还款记录,并对所述放贷数据和所述还款记录进行提取、清洗和合并,以得到原始风险数据;
基于预设常规模型,对所述原始数据中单个债务对象进行风险拟合,以提取所述预设常规模型无法合理解释的残差数据;
基于经验分布函数,将所述残差数据转换为标准参数,并基于所述标准参数进行联合欺诈模拟,以得到所述残差数据对应的各债务对象的联合风险变动指数;
基于所述联合风险变动指数,确定所述残差数据对应的各债务对象的关联关系,并基于所述关联关系,执行相应的风险策略。
2.如权利要求1所述的风险测度方法,其特征在于,所述基于所述关联关系,执行相应的风险策略的步骤包括:
若检测到违约事件,则确定所述违约事件对应的目标债务对象,并基于所述关联关系,确定所述目标债务对象对应的关联债务对象;
基于所述关联债务对象的联合风险变动指数,执行所述关联债务对象对应的风险策略。
3.如权利要求2所述的风险测度方法,其特征在于,所述基于所述关联债务对象的联合风险变动指数,执行所述关联债务对象对应的风险策略的步骤包括:
若所述关联债务对象的联合风险变动指数位于第一阈值区间,则确定所述关联债务对象的风险策略为催收策略,并按照所述催收策略对所述关联债务对象进行催收;
若所述关联债务对象的联合风险变动指数位于第二阈值区间,则确定所述关联债务对象的风险策略为冻结策略,并按照所述冻结策略对所述关联债务对象的账户进行冻结,所述第二阈值区间的最小值大于所述第一阈值区间的最大值。
4.如权利要求2所述的风险测度方法,其特征在于,所述基于所述关联债务对象的联合风险变动指数,执行所述关联债务对象对应的风险策略的步骤包括:
若所述关联债务对象的联合风险变动指数位于第三阈值区间,则确定所述关联债务对象的风险策略为放贷策略,并获取所述关联债务对象的特征属性;
按照所述放贷策略,对具备所述特征属性的贷款对象进行放贷。
5.如权利要求4所述的风险测度方法,其特征在于,所述特征属性包括地理区域,所述按照所述放贷策略,对具备所述特征属性的贷款对象进行放贷的步骤包括:
若检测到贷款申请,则获取所述贷款申请的贷款信息,并确定所述贷款信息中的地址是否位于所述地理区域;
若是,则按照所述放贷策略,减少所述贷款申请的额度或者拒绝所述贷款申请的通过。
6.如权利要求2所述的风险测度方法,其特征在于,所述基于所述关联关系,确定所述目标债务对象对应的关联债务对象的步骤包括:
基于所述关联关系,确定所述目标债务对象对应的初始关联对象,并获取所述初始关联对象的联合风险变动指数;
从所述初始关联对象中筛选出联合风险变动指数大于阈值的关联对象作为所述目标债务对象的关联债务对象。
7.如权利要求1-6任一项所述的风险测度方法,其特征在于,所述基于所述标准参数进行联合欺诈模拟,以得到所述残差数据对应的各债务对象的联合风险变动指数的步骤包括:
基于所述标准参数和因子copula模型,估计因子copula模型对应的目标参数;
基于马尔科夫链蒙特卡罗方法和所述目标参数,模拟所述残差数据对应的各债务对象联合欺诈风险分布,以得到所述残差数据对应的各债务对象的联合风险变动指数。
8.一种风险测度装置,其特征在于,所述风险测度装置包括:
采集模块,用于采集放贷数据和债务对象的还款记录,并对所述放贷数据和所述还款记录进行提取、清洗和合并,以得到原始风险数据;
提取模块,用于基于预设常规模型,对所述原始数据中单个债务对象进行风险拟合,以提取所述预设常规模型无法合理解释的残差数据;
模拟模块,用于基于经验分布函数,将所述残差数据转换为标准参数,并基于所述标准参数进行联合欺诈模拟,以得到所述残差数据对应的各债务对象的联合风险变动指数;
执行模块,用于基于所述联合风险变动指数,确定所述残差数据对应的各债务对象的关联关系,并基于所述关联关系,执行相应的风险策略。
9.一种风险测度系统,其特征在于,所述风险测度系统包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的风险测度程序,所述风险测度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测度方法的步骤。
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测度程序,所述风险测度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测度方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110354686.4A CN113011971B (zh) | 2021-03-31 | 2021-03-31 | 风险测度方法、装置、系统与计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110354686.4A CN113011971B (zh) | 2021-03-31 | 2021-03-31 | 风险测度方法、装置、系统与计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113011971A true CN113011971A (zh) | 2021-06-22 |
CN113011971B CN113011971B (zh) | 2024-05-10 |
Family
ID=76387618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110354686.4A Active CN113011971B (zh) | 2021-03-31 | 2021-03-31 | 风险测度方法、装置、系统与计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011971B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100145834A1 (en) * | 2008-12-10 | 2010-06-10 | Citizens Financial Group, Inc. | Method and system for identifying fraudulent account activity |
CN109615167A (zh) * | 2018-11-06 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 确定疑似批量风险交易事件的方法、装置和电子设备 |
CN109636575A (zh) * | 2018-10-25 | 2019-04-16 | 平安科技(深圳)有限公司 | 终端风险检测方法、装置、设备及可读存储介质 |
CN109658222A (zh) * | 2018-10-16 | 2019-04-19 | 深圳壹账通智能科技有限公司 | 风险分析方法、装置、设备及计算机可读存储介质 |
CN110009479A (zh) * | 2019-03-01 | 2019-07-12 | 百融金融信息服务股份有限公司 | 信用评价方法及装置、存储介质、计算机设备 |
CN111695597A (zh) * | 2020-05-07 | 2020-09-22 | 数尊信息科技(上海)有限公司 | 基于改进式孤立森林算法的信贷欺诈团伙识别方法和系统 |
CN111986034A (zh) * | 2020-08-14 | 2020-11-24 | 江苏云脑数据科技有限公司 | 医疗保险团伙欺诈监测方法、系统及存储介质 |
-
2021
- 2021-03-31 CN CN202110354686.4A patent/CN113011971B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100145834A1 (en) * | 2008-12-10 | 2010-06-10 | Citizens Financial Group, Inc. | Method and system for identifying fraudulent account activity |
CN109658222A (zh) * | 2018-10-16 | 2019-04-19 | 深圳壹账通智能科技有限公司 | 风险分析方法、装置、设备及计算机可读存储介质 |
CN109636575A (zh) * | 2018-10-25 | 2019-04-16 | 平安科技(深圳)有限公司 | 终端风险检测方法、装置、设备及可读存储介质 |
CN109615167A (zh) * | 2018-11-06 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 确定疑似批量风险交易事件的方法、装置和电子设备 |
CN110009479A (zh) * | 2019-03-01 | 2019-07-12 | 百融金融信息服务股份有限公司 | 信用评价方法及装置、存储介质、计算机设备 |
CN111695597A (zh) * | 2020-05-07 | 2020-09-22 | 数尊信息科技(上海)有限公司 | 基于改进式孤立森林算法的信贷欺诈团伙识别方法和系统 |
CN111986034A (zh) * | 2020-08-14 | 2020-11-24 | 江苏云脑数据科技有限公司 | 医疗保险团伙欺诈监测方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113011971B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111324862A (zh) | 贷中行为监控的方法及系统 | |
CN111507822A (zh) | 一种基于特征工程的企业风险评估方法 | |
CN108876188B (zh) | 一种间连服务商风险评估方法及装置 | |
CN110909984A (zh) | 业务数据处理模型训练方法、业务数据处理方法及装置 | |
CN113205403A (zh) | 一种企业信用等级的计算方法、装置、存储介质及终端 | |
CN111754241A (zh) | 一种用户行为感知方法、装置、设备及介质 | |
CN112907356A (zh) | 逾期催收方法、装置、系统及计算机可读存储介质 | |
CN111951008A (zh) | 一种风险预测方法、装置、电子设备和可读存储介质 | |
CN115203496A (zh) | 基于大数据的项目智能预测及评估方法、系统及可读存储介质 | |
CN113450158A (zh) | 银行活动信息推送方法及装置 | |
CN110910241B (zh) | 现金流评估方法、装置、服务器设备及存储介质 | |
CN112215509A (zh) | 资源参数的确定方法、装置及设备 | |
CN111612366A (zh) | 渠道质量评估方法、装置、电子设备及存储介质 | |
CN117132383A (zh) | 一种信贷数据处理方法、装置、设备及可读存储介质 | |
CN111738824A (zh) | 一种账务数据处理方式筛选方法、装置及系统 | |
CN116630020A (zh) | 风险评估方法、装置、存储介质及电子设备 | |
CN111382909A (zh) | 基于生存分析模型扩展坏样本的拒绝推断方法及相关设备 | |
CN113011971B (zh) | 风险测度方法、装置、系统与计算机存储介质 | |
CN116091200A (zh) | 基于机器学习的场景授信系统、方法、电子设备及介质 | |
CN111815204B (zh) | 风险评估方法、装置以及系统 | |
CN114978474A (zh) | 一种用户聊天风险等级自动处置方法及系统 | |
CN117252677A (zh) | 信贷额度确定方法和装置、电子设备及存储介质 | |
CN114119107A (zh) | 一种钢贸企业交易测评方法、装置、设备及存储介质 | |
CN113807943A (zh) | 一种不良资产的多因子估值方法及系统、介质、设备 | |
CN110766544A (zh) | 信用风险的检测方法及装置、存储介质、电子装置 |
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 |