CN113129127A - 预警方法和装置 - Google Patents
预警方法和装置 Download PDFInfo
- Publication number
- CN113129127A CN113129127A CN202110429862.6A CN202110429862A CN113129127A CN 113129127 A CN113129127 A CN 113129127A CN 202110429862 A CN202110429862 A CN 202110429862A CN 113129127 A CN113129127 A CN 113129127A
- Authority
- CN
- China
- Prior art keywords
- model
- fund
- net
- historical
- predicted
- 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
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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
本发明公开了一种预警方法和装置,涉及大数据技术领域。该方法的一具体实施方式包括:通过获取待预测者的历史资金流水数据,基于历史资金流水数据构造时间序列;利用预设的三次指数平滑模型对时间序列进行计算,得到计算结果,计算结果表示待预测者在预设时间的预测净资金流入值;根据历史资金流水数据和预测净资金流入值,确定波动区间;确定待预测者在预测时间的实际净资金流入值是否在波动区间内,若否,则生成预警信息。该实施方式能够捕获借款人团的资金流模式,从而对资金流的异常情况进行预警,提高预警的准确性;以楼盘为单位集合借款人团的资金流,更好的预警开发商骗贷的违规行为,为预警提供一种新的方式。
Description
技术领域
本发明涉及大数据技术领域,尤其涉及一种预警方法和装置。
背景技术
在某些情况下,部分开发商由于资金链紧张,打着有合法审批手续的楼盘名义,向银行申请贷款。银行为了避免坏账,需要在向开发商贷款之后对开发商的资金情况进行监控。若发现开发商存在违规行为,则需要进行预警。然而,现有技术中银行对单个借款人每月总净资金流入进行监控,当连续三个月净流入下降30%以上时预警。然而,这种方法会对客户季节性因素导致的资金净流入减少或偶然偏差导致的资金净流入进行预警,准确率较低。因此,亟需一种准确的方法来确定开发商是否存在违规行为。
发明内容
有鉴于此,本发明实施例提供一种预警方法和装置,能够对连续时间的资金流进行监控,捕获借款人团的资金流模式,从而对资金流的异常情况进行预警,提高预警的准确性;以楼盘为单位集合借款人团的资金流,更好的预警开发商骗贷的违规行为,为预警提供一种新的方式。
为实现上述目的,根据本发明实施例的一个方面,提供了一种预警方法,包括:
获取待预测者的历史资金流水数据,基于所述历史资金流水数据构造时间序列;
利用预设的三次指数平滑模型对所述时间序列进行计算,得到计算结果,所述计算结果表示所述待预测者在预设时间的预测净资金流入值;
根据所述历史资金流水数据和所述预测净资金流入值,确定波动区间;
确定所述待预测者在所述预测时间的实际净资金流入值是否在所述波动区间内,若否,则生成预警信息。
可选地,获取待预测者的历史资金流水数据包括:对于目标楼盘,获取所述目标楼盘的所有贷款人团的历史资金流水数据,将所述目标楼盘的所有贷款人团的历史资金流水数据作为所述待预测者的历史资金流水数据。
可选地,所述贷款人团包括贷款人;所述贷款人团还包括以下一个或多个与所述贷款人相关联的人员:共同借款人、配偶、父母和子女。
可选地,所述历史资金流水包括历史资金流入数据和历史资金流出数据;
基于所述历史资金流水数据构造时间序列包括:以天为单位,计算所述历史资金流入数据与所述历史资金流出数据的差值,将所述差值作为历史净资金流入值;基于所述历史净资金流入值,构造时间序列。
可选地,所述预设的三次指数平滑模型为预设的Holter-Winter模型;
所述预设的三次指数平滑模型根据以下过程训练得到:获取训练样本数据;利用所述训练样本数据训练预设的Holter-Winter模型,以确定所述Holter-Winter模型的参数。
可选地,所述预设的Holter-Winter模型包括累加性模型和累乘性模型;
利用所述训练样本数据训练所述预设的Holter-Winter模型,以确定所述Holter-Winter模型的参数包括:
根据所述训练样本数据,选择将所述累加性模型或所述累乘性模型作为待训练的模型;
利用所述训练样本数据训练所述待训练的模型,以确定所述待训练的模型的参数;
根据预设的检验规则,检验所述待训练的模型;
若检验通过,则将所述待训练的模型作为所述预设的Holter-Winte r模型。
可选地,根据所述训练样本数据,选择将所述累加性模型或所述累乘性模型作为待训练的模型包括:
根据所述训练样本数据,确定所述待预测者的月末净资金流入值与所述待预测者的月初净资金流入值之间的关系;
根据所述关系,选择将所述累加性模型或所述累乘性模型作为待训练的模型。
可选地,根据所述关系,选择将所述累加性模型或所述累乘性模型作为待训练的模型包括:
若所述月末净资金流入值与所述月初净资金流入值的差值在第一预设范围内,则将所述累加性模型作为待训练的模型;
若所述月末净资金流入值与所述月初净资金流入值的差值在第二预设范围内,则将所述累乘性模型作为待训练的模型。
可选地,根据预设的检验规则,检验所述待训练的模型包括:
获取测试样本数据;
利用所述待训练的模型对所述测试样本数据进行计算,得到测试结果;
计算所述测试结果与所述测试样本中对应的真实值的残差;
根据预设的检验规则检验所述残差,得到检测结果。
可选地,根据预设的检验规则检验所述第一残差和所述第二残差包括:利用以下一种或多种检验方法检验所述第一残差和所述第二残差:分位数-分位数图检验方法、德宾沃森检验方法和Ljung-Box检验方法。
可选地,根据所述历史资金流水数据和所述预测净资金流入值,确定波动区间包括:基于所述历史资金流水数据,确定第一时间的净资金流入值和第二时间的净资金流入值;计算所述第一时间的净资金流入值和第二时间的净资金流入值的标准差;根据所述标准差和所述预测净资金流入值,确定波动区间。
可选地,所述波动区间如下式(1)所示:
[Ft+m-Nσ,Ft+m+Nσ] (1)
其中,Ft+m表示所述预测净资金流入值,N表示正整数,σ表示所述标准差,(t+m)表示所述预设时间,t表示所述第一时间。
为实现上述目的,根据本发明实施例的另一个方面,提供了一种预警装置,包括:
序列构造模块,用于获取待预测者的历史资金流水数据,基于所述历史资金流水数据构造时间序列;
计算模块,用于利用预设的三次指数平滑模型对所述时间序列进行计算,得到计算结果,所述计算结果表示所述待预测者在预设时间的预测净资金流入值;
区间确定模块,用于根据所述历史资金流水数据和所述预测净资金流入值,确定波动区间;
预警模块,用于确定所述待预测者在所述预测时间的实际净资金流入值是否在所述波动区间内,若否,则生成预警信息。
可选地,所述序列构造模块还用于:对于目标楼盘,获取所述目标楼盘的所有贷款人团的历史资金流水数据,将所述目标楼盘的所有贷款人团的历史资金流水数据作为所述待预测者的历史资金流水数据。
可选地,所述贷款人团包括贷款人;所述贷款人团还包括以下一个或多个与所述贷款人相关联的人员:共同借款人、配偶、父母和子女。
可选地,所述历史资金流水包括历史资金流入数据和历史资金流出数据;
所述序列构造模块还用于:以天为单位,计算所述历史资金流入数据与所述历史资金流出数据的差值,将所述差值作为历史净资金流入值;基于所述历史净资金流入值,构造时间序列。
可选地,所述预设的三次指数平滑模型为预设的Holter-Winter模型;
所述装置还包括训练模块,用于获取训练样本数据;利用所述训练样本数据训练预设的Holter-Winter模型,以确定所述Holter-Winter模型的参数。
可选地,所述预设的Holter-Winter模型包括累加性模型和累乘性模型;
所述训练模块还用于:根据所述训练样本数据,选择将所述累加性模型或所述累乘性模型作为待训练的模型;利用所述训练样本数据训练所述待训练的模型,以确定所述待训练的模型的参数;根据预设的检验规则,检验所述待训练的模型;若检验通过,则将所述待训练的模型作为所述预设的Holter-Winter模型。
可选地,所述训练模块还用于:根据所述训练样本数据,确定所述待预测者的月末净资金流入值与所述待预测者的月初净资金流入值之间的关系;根据所述关系,选择将所述累加性模型或所述累乘性模型作为待训练的模型。
可选地,所述训练模块还用于:若所述月末净资金流入值与所述月初净资金流入值的差值在第一预设范围内,则将所述累加性模型作为待训练的模型;若所述月末净资金流入值与所述月初净资金流入值的差值在第二预设范围内,则将所述累乘性模型作为待训练的模型。
可选地,所述训练模块还用于:获取测试样本数据;利用所述待训练的模型对所述测试样本数据进行计算,得到测试结果;计算所述测试结果与所述测试样本中对应的真实值的残差;根据预设的检验规则检验所述残差,得到检测结果。
可选地,所述训练模块还用于:利用以下一种或多种检验方法检验所述第一残差和所述第二残差:分位数-分位数图检验方法、德宾沃森检验方法和Ljung-Box检验方法。
可选地,所述区间确定模块还用于:基于所述历史资金流水数据,确定第一时间的净资金流入值和第二时间的净资金流入值;计算所述第一时间的净资金流入值和第二时间的净资金流入值的标准差;根据所述标准差和所述预测净资金流入值,确定波动区间。
可选地,所述波动区间如下式(1)所示:
[Ft+m-Nσ,Ft+m+Nσ] (1)
其中,Ft+m表示所述预测净资金流入值,N表示正整数,σ表示所述标准差,(t+m)表示所述预设时间,t表示所述第一时间。
为实现上述目的,根据本发明实施例的又一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例的预警方法。
为实现上述目的,根据本发明实施例的再一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例的预警方法。
上述发明中的一个实施例具有如下优点或有益效果:通过获取待预测者的历史资金流水数据,基于所述历史资金流水数据构造时间序列;利用预设的三次指数平滑模型对所述时间序列进行计算,得到计算结果,所述计算结果表示所述待预测者在预设时间的预测净资金流入值;根据所述历史资金流水数据和所述预测净资金流入值,确定波动区间;确定所述待预测者在所述预测时间的实际净资金流入值是否在所述波动区间内,若否,则生成预警信息的技术手段,能够对连续时间的资金流进行监控,捕获借款人团的资金流模式,从而对资金流的异常情况进行预警,提高预警的准确性;以楼盘为单位集合借款人团的资金流,更好的预警开发商骗贷的违规行为,为预警提供一种新的方式。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是本发明实施例的预警方法的主要流程的示意图;
图2是本发明另一实施例的预警方法的主要流程的示意图;
图3是本发明实施例的预警方法的子流程的示意图;
图4是本发明实施例的预警装置的主要模块的示意图;
图5是本发明实施例可以应用于其中的示例性系统架构图;
图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是本发明实施例的预警方法的主要步骤的流程示意图,如图1所示,该方法包括:
步骤S101:获取待预测者的历史资金流水数据,基于所述历史资金流水数据构造时间序列;
步骤S102:利用预设的三次指数平滑模型对所述时间序列进行计算,得到计算结果,所述计算结果表示所述待预测者在预设时间的预测净资金流入值;
步骤S103:根据所述历史资金流水数据和所述预测净资金流入值,确定波动区间;
步骤S104:确定所述待预测者在所述预测时间的实际净资金流入值是否在所述波动区间内,若否,则生成预警信息。
本发明实施例的预警方法可以用于预防开发商违规骗贷。由于不同贷款人的资金净流入模式差别较大,且具有不稳定性,并且还款情况与家庭财务状况也密切相关,所以本实施例中使用集合数据,即以楼盘为单位集合贷款人团(借款人、共同借款人、配偶、父母和子女)的资金流水数据,以该资金流水数据构造时间序列。因此,本实施例中的待预测者可以是以楼盘为单位集合的借款人团。该待预测者可以是目标楼盘的所有贷款人团。其中,贷款人团包括贷款人,还可以包括以下一个或多个与所述贷款人相关联的人员:共同借款人、配偶、父母和子女。待预测者的历史资金流水数据可以是目标楼盘的所有贷款人团的历史资金流水数据,例如,目标楼盘所有贷款人团近三年的历史资金流水数据,其中,历史资金流水数据包括历史资金流入数据和历史资金流出数据。
在得到目标楼盘的所有贷款人团的历史资金流水数据之后,基于该历史资金流水数据构造时间序列,即基于该历史资金流水数据构造净资金流入以天为单位的时间序列。具体过程可以如下所示:
以天为单位,计算所述历史资金流入数据与所述历史资金流出数据的差值,将所述差值作为历史净资金流入值;基于所述历史净资金流入值,构造时间序列。
具体的,根据如下过程计算历史净资金流入:
单个借款人的净资金流入=(一天的资金流入)-(一天的资金流出);
借款人团的净资金流入=(借款人的净资金流入)+(共同借款人的净资金流入)+(配偶净资金流入)+(父母净资金流入)+(子女净资金流入);
目标楼盘的净资金流入=∑借款人团的净资金流入。
根据上述过程得到的历史净资金流入(即目标楼盘的净资金流入)是以天为单位的数据集,该以天为单位的数据集即为时间序列。
对于步骤S102,在本实施例中,贷款人团的净资金流入是时间序列上的值,在时间上呈现一定的稳态或规律,可以利用过去时间区间的值来预测未来值。因此,本实施例中利用指数平滑模型预测某一时间的净资产流入。指数平滑模型包括一次指数平滑、二次指数平滑、三次指数平滑。当时间序列无明显的趋势变化,可用一次指数平滑预测。二次平滑是对一次指数平滑的再平滑,它适用于具线性趋势的时间序列。三次指数平滑是在二次平滑基础上的再平滑,可对有趋势性也有季节性的时间序列进行预测。本实施例的时间序列具有季节性,因此,在本实施例中利用三次指数平滑模型对时间序列进行预测。优选的,该三次指数平滑模型可以是Holter-Winter模型。Holter-Winter模型将时间序列数据分为三部分:平稳随机信号分量si、趋势信号分量ti、周期性信号分量pi。各部分的迭代计算公式如下:
(1)平稳随机信号分量:
si=α(xi-pi-k)+(1-α)(si-1+ti-1)
(2)趋势信号分量:
ti=β(si-si-1)+(1-β)ti-1
(3)周期性信号分量:
pi=γ(xi-si)+(l-γ)pi-k
其中,i是时间变量,k是周期,可以是天,α是数据平滑因子,0<α<1;β是趋势平滑因子,0<β<1;γ是季节改变平滑因子0<γ<1。可以使用最小二乘法训练得到α、β、γ参数。
在可选的实施例中,可以根据以下过程训练得到Holter-Winter模型:获取训练样本数据;利用所述训练样本数据训练预设的Holter-Winter模型,以确定所述Holter-Winter模型的参数。
对于步骤S103,可以根据如下过程确定波动区间:
基于所述历史资金流水数据,确定第一时间的净资金流入值和第二时间的净资金流入值;
计算所述第一时间的净资金流入值和第二时间的净资金流入值的标准差;
根据所述标准差和所述预测净资金流入值,确定波动区间。
作为示例,将第一时间的净资产流入值表示为Ft,其中,t表示第一时间。将第二时间的净资产流入值表示为Ft-d,(t-d)表示第二时间,d<t。将第一时间的净资金流入值和第二时间的净资金流入值的标准差表示为σ。将预测净资金流入值表示为Ft+m,(t+m)表示预设时间,m为正整数。则波动区间如下式(1)所示:
[Ft+m-Nσ,Ft+m+Nσ] (1)
其中,N表示正整数。作为示例,N=3。
对于步骤S104,若待预测者在(t+m)刻的真实净资金流入值在波动区间内,则可以确定待预测没有违规行为,不需要预警。若待预测者在(t+m)刻的真实净资金流入值不在波动区间内,可以确定待预测有违规行为,需要预警,则生成预警信息,进行预警。
本发明实施例的预警方法,通过获取待预测者的历史资金流水数据,基于所述历史资金流水数据构造时间序列;利用预设的三次指数平滑模型对所述时间序列进行计算,得到计算结果,所述计算结果表示所述待预测者在预设时间的预测净资金流入值;根据所述历史资金流水数据和所述预测净资金流入值,确定波动区间;确定所述待预测者在所述预测时间的实际净资金流入值是否在所述波动区间内,若否,则生成预警信息的技术手段,能够对连续时间的资金流进行监控,捕获借款人团的资金流模式,从而对资金流的异常情况进行预警,提高预警的准确性;以楼盘为单位集合借款人团的资金流,更好的预警开发商骗贷的违规行为,为预警提供一种新的方式。
图2是本发明另一实施例的预警方法的主要步骤的流程示意图,如图2所示,该方法包括:
步骤S201:训练得到三次指数平滑模型,即Holter-Winter模型;
步骤S202:对于目标楼盘,获取所述目标楼盘的所有贷款人团的历史资金流水数据,将所述目标楼盘的所有贷款人团的历史资金流水数据作为所述待预测者的历史资金流水数据;
步骤S203:以天为单位,计算所述历史资金流入数据与所述历史资金流出数据的差值,将所述差值作为历史净资金流入值;
步骤S204:基于所述历史净资金流入值,构造时间序列;
步骤S205:利用所述三次指数平滑模型对所述时间序列进行计算,得到计算结果,所述计算结果表示所述待预测者在预设时间的预测净资金流入值;
步骤S206:根据所述历史资金流水数据和所述预测净资金流入值,确定波动区间;
步骤S207:确定所述待预测者在所述预测时间的实际净资金流入值是否在所述波动区间内,若否,则生成预警信息。
其中,步骤S202-S207与图1所示的实施例相同,本发明在此不再赘述。
其中,对于步骤S201,可以根据图3所示的过程训练得到三次指数平滑模型。如图3所示,该过程包括:
步骤S301:获取训练样本数据;
步骤302:利用所述训练样本数据选择将所述累加性模型或所述累乘性模型作为待训练的模型;
步骤S303:利用所述训练样本数据训练所述待训练的模型,以确定所述待训练的模型的参数;
步骤S304:根据预设的检验规则,检验所述待训练的模型;
步骤S305:若检验通过,则将所述待训练的模型作为所述预设的Holter-Winter模型。
对于步骤S301,训练样本数据可以是以某楼盘为单位集合贷款人团(借款人、共同借款人、配偶、父母、子女)的净资金流入。
对于步骤S302,三次指数平滑的预测有两种,一种是累加性,一种是累乘性。则Holter-Winter模型可以分为累加性模型和累乘性模型。
其中,累加性模型的计算公式如下式(2)所示:
累乘性模型的计算公式如下式(3)所示:
st表示一次指数平滑的预测值,xt表示t时刻的真实数据,α可以是0和1之间的任意值,它控制着新旧信息之间的平衡:当α越接近1,st就更多保留当前时刻的实际值;当α接近0时,就更多保留之前的历史信息。bt是二次指数平滑的预测值,是对一次指数平滑的平滑。ct是三次指数平滑的预测值,三次指数平滑将时间序列的周期性这一特征也考虑进去了。L是周期,此处是月份(30天),表示资金流动存在以月为单位的规律。
在本实施例中,可以根据所述训练样本数据,确定所述待预测者的月末净资金流入值与所述待预测者的月初净资金流入值之间的关系。然后根据所述关系,选择将所述累加性模型或所述累乘性模型作为待训练的模型。具体的,若所述月末净资金流入值与所述月初净资金流入值的差值在第一预设范围内,则将所述累加性模型作为待训练的模型;若所述月末净资金流入值与所述月初净资金流入值的差值在第二预设范围内,则将所述累乘性模型作为待训练的模型,其中,第一预设范围的范围比第二预设范围的范围小。例如,如果每月月末总比月初的净资金流入多某金额,则使用累加性模型,如果每月月末总是月初净资金流入的数倍,则使用累乘性模型。
对于步骤S303-S305,在计算得到Holter-Winter模型的参数以后,将最近一年的历史资金流水数据作为测试样本数据,利用训练得到的Holter-Winter模型进行预测,将预测结果和真实结果对比得到残差。然后,利用预设的检测规则,进行检测。具体的,如下所示:
(1)使用QQ图,看残差是否正态分布,残差应符合正态分布。QQ图全称Quantile-Quantile图,也就是分位数-分位数图,把两个分布相同分位数的值,构成点(x,y)绘图;如果两个分布很接近,那个点(x,y)会分布在y=x直线附近。预测的残差序列的分布和正态分布构成的QQ图,呈现y=x直线的形态,则残差序列分布接近正态分布。
(2)德宾沃森检验。检测是否存在自相关性,残差应不存在自相关性。其中,德宾沃森检验(Durbin-Watson test)用于检验随机误差项具有一阶自回归形式的序列相关问题,也就是自相关检验。
(3)Ljung-Box检验。计算残差序列的p值,若p值>0.05,模型通过检验。Ljung-Box检验是对randomness(随机性)的检验,或者说是对时间序列是否存在滞后相关的一种统计检验。
模型通过检验后,将模型预测的资金流与实际发生的资金流进行对比,如果实际发生的资金流与预测的资金流相差较大则对楼盘进行预警。
本发明实施例的预警方法,能够对连续时间的资金流进行监控,捕获借款人团的资金流模式,从而对资金流的异常情况进行预警,提高预警的准确性;以楼盘为单位集合借款人团的资金流,更好的预警开发商骗贷的违规行为,为预警提供一种新的方式。
图4是本发明实施例的预警装置400的主要模块的示意图。如图4所示,该预警装置400包括序列构造模块401、计算模块402、区间确定模块403和预警模块404。
其中,序列构造模块401,用于获取待预测者的历史资金流水数据,基于所述历史资金流水数据构造时间序列;
计算模块402,用于利用预设的三次指数平滑模型对所述时间序列进行计算,得到计算结果,所述计算结果表示所述待预测者在预设时间的预测净资金流入值;
区间确定模块403,用于根据所述历史资金流水数据和所述预测净资金流入值,确定波动区间;
预警模块404,用于确定所述待预测者在所述预测时间的实际净资金流入值是否在所述波动区间内,若否,则生成预警信息。
可选地,所述序列构造模块401还用于:对于目标楼盘,获取所述目标楼盘的所有贷款人团的历史资金流水数据,将所述目标楼盘的所有贷款人团的历史资金流水数据作为所述待预测者的历史资金流水数据。
可选地,所述贷款人团包括贷款人;所述贷款人团还包括以下一个或多个与所述贷款人相关联的人员:共同借款人、配偶、父母和子女。
可选地,所述历史资金流水包括历史资金流入数据和历史资金流出数据;
所述序列构造模块401还用于:以天为单位,计算所述历史资金流入数据与所述历史资金流出数据的差值,将所述差值作为历史净资金流入值;基于所述历史净资金流入值,构造时间序列。
可选地,所述预设的三次指数平滑模型为预设的Holter-Winter模型;
所述装置还包括训练模块,用于获取训练样本数据;利用所述训练样本数据训练预设的Holter-Winter模型,以确定所述Holter-Winter模型的参数。
可选地,所述预设的Holter-Winter模型包括累加性模型和累乘性模型;
所述训练模块还用于:根据所述训练样本数据,选择将所述累加性模型或所述累乘性模型作为待训练的模型;利用所述训练样本数据训练所述待训练的模型,以确定所述待训练的模型的参数;根据预设的检验规则,检验所述待训练的模型;若检验通过,则将所述待训练的模型作为所述预设的Holter-Winter模型。
可选地,所述训练模块还用于:根据所述训练样本数据,确定所述待预测者的月末净资金流入值与所述待预测者的月初净资金流入值之间的关系;根据所述关系,选择将所述累加性模型或所述累乘性模型作为待训练的模型。
可选地,所述训练模块还用于:若所述月末净资金流入值与所述月初净资金流入值的差值在第一预设范围内,则将所述累加性模型作为待训练的模型;若所述月末净资金流入值与所述月初净资金流入值的差值在第二预设范围内,则将所述累乘性模型作为待训练的模型。
可选地,所述训练模块还用于:获取测试样本数据;利用所述待训练的模型对所述测试样本数据进行计算,得到测试结果;计算所述测试结果与所述测试样本中对应的真实值的残差;根据预设的检验规则检验所述残差,得到检测结果。
可选地,所述训练模块还用于:利用以下一种或多种检验方法检验所述第一残差和所述第二残差:分位数-分位数图检验方法、德宾沃森检验方法和Ljung-Box检验方法。
可选地,所述区间确定模块403还用于:基于所述历史资金流水数据,确定第一时间的净资金流入值和第二时间的净资金流入值;计算所述第一时间的净资金流入值和第二时间的净资金流入值的标准差;根据所述标准差和所述预测净资金流入值,确定波动区间。
可选地,所述波动区间如下式(1)所示:
[Ft+m-Nσ,Ft+m+Nσ] (1)
其中,Ft+m表示所述预测净资金流入值,N表示正整数,σ表示所述标准差,(t+m)表示所述预设时间,t表示所述第一时间。
本发明实施例的预警装置,通过获取待预测者的历史资金流水数据,基于所述历史资金流水数据构造时间序列;利用预设的三次指数平滑模型对所述时间序列进行计算,得到计算结果,所述计算结果表示所述待预测者在预设时间的预测净资金流入值;根据所述历史资金流水数据和所述预测净资金流入值,确定波动区间;确定所述待预测者在所述预测时间的实际净资金流入值是否在所述波动区间内,若否,则生成预警信息的技术手段,能够对连续时间的资金流进行监控,捕获借款人团的资金流模式,从而对资金流的异常情况进行预警,提高预警的准确性;以楼盘为单位集合借款人团的资金流,更好的预警开发商骗贷的违规行为,为预警提供一种新的方式。
上述装置可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
图5示出了可以应用本发明实施例的预警方法或预警装置的示例性系统架构500。
如图5所示,系统架构500可以包括终端设备501、502、503,网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备501、502、503通过网络504与服务器505交互,以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器,例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息)反馈给终端设备。
需要说明的是,本发明实施例所提供的预警方法一般由服务器505执行,相应地,预警装置一般设置于服务器505中。
应该理解,图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图6,其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CP U)601执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中,这些模块的名称在某种情况下并不构成对该单元本身的限定,例如,发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:
通过获取待预测者的历史资金流水数据,基于所述历史资金流水数据构造时间序列;
利用预设的三次指数平滑模型对所述时间序列进行计算,得到计算结果,所述计算结果表示所述待预测者在预设时间的预测净资金流入值;
根据所述历史资金流水数据和所述预测净资金流入值,确定波动区间;
确定所述待预测者在所述预测时间的实际净资金流入值是否在所述波动区间内,若否,则生成预警信息。
本发明实施例的技术方案,能够对连续时间的资金流进行监控,捕获借款人团的资金流模式,从而对资金流的异常情况进行预警,提高预警的准确性;以楼盘为单位集合借款人团的资金流,更好的预警开发商骗贷的违规行为,为预警提供一种新的方式。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (26)
1.一种预警方法,其特征在于,包括:
获取待预测者的历史资金流水数据,基于所述历史资金流水数据构造时间序列;
利用预设的三次指数平滑模型对所述时间序列进行计算,得到计算结果,所述计算结果表示所述待预测者在预设时间的预测净资金流入值;
根据所述历史资金流水数据和所述预测净资金流入值,确定波动区间;
确定所述待预测者在所述预测时间的实际净资金流入值是否在所述波动区间内,若否,则生成预警信息。
2.根据权利要求1所述的方法,其特征在于,获取待预测者的历史资金流水数据包括:
对于目标楼盘,获取所述目标楼盘的所有贷款人团的历史资金流水数据,将所述目标楼盘的所有贷款人团的历史资金流水数据作为所述待预测者的历史资金流水数据。
3.根据权利要求2所述的方法,其特征在于,所述贷款人团包括贷款人;所述贷款人团还包括以下一个或多个与所述贷款人相关联的人员:共同借款人、配偶、父母和子女。
4.根据权利要求1所述的方法,其特征在于,所述历史资金流水包括历史资金流入数据和历史资金流出数据;
基于所述历史资金流水数据构造时间序列包括:
以天为单位,计算所述历史资金流入数据与所述历史资金流出数据的差值,将所述差值作为历史净资金流入值;
基于所述历史净资金流入值,构造时间序列。
5.根据权利要求1所述的方法,其特征在于,所述预设的三次指数平滑模型为预设的Holter-Winter模型;
所述预设的三次指数平滑模型根据以下过程训练得到:获取训练样本数据;利用所述训练样本数据训练所述预设的Holter-Winter模型,以确定所述Holter-Winter模型的参数。
6.根据权利要求5所述的方法,其特征在于,所述预设的Holter-Winter模型包括累加性模型和累乘性模型;
利用所述训练样本数据训练所述预设的Holter-Winter模型,以确定所述Holter-Winter模型的参数包括:
根据所述训练样本数据,选择将所述累加性模型或所述累乘性模型作为待训练的模型;
利用所述训练样本数据训练所述待训练的模型,以确定所述待训练的模型的参数;
根据预设的检验规则,检验所述待训练的模型;
若检验通过,则将所述待训练的模型作为所述预设的Holter-Winter模型。
7.根据权利要求6所述的方法,其特征在于,根据所述训练样本数据,选择将所述累加性模型或所述累乘性模型作为待训练的模型包括:
根据所述训练样本数据,确定所述待预测者的月末净资金流入值与所述待预测者的月初净资金流入值之间的关系;
根据所述关系,选择将所述累加性模型或所述累乘性模型作为待训练的模型。
8.根据权利要求7所述的方法,其特征在于,根据所述关系,选择将所述累加性模型或所述累乘性模型作为待训练的模型包括:
若所述月末净资金流入值与所述月初净资金流入值的差值在第一预设范围内,则将所述累加性模型作为待训练的模型;
若所述月末净资金流入值与所述月初净资金流入值的差值在第二预设范围内,则将所述累乘性模型作为待训练的模型。
9.根据权利要求6所述的方法,其特征在于,根据预设的检验规则,检验所述待训练的模型包括:
获取测试样本数据;
利用所述待训练的模型对所述测试样本数据进行计算,得到测试结果;
计算所述测试结果与所述测试样本中对应的真实值的残差;
根据预设的检验规则检验所述残差,得到检测结果。
10.根据权利要求9所述的方法,其特征在于,根据预设的检验规则检验所述残差包括:
利用以下一种或多种检验方法检验所述残差:分位数-分位数图检验方法、德宾沃森检验方法和Ljung-Box检验方法。
11.根据权利要求1所述的方法,其特征在于,根据所述历史资金流水数据和所述预测净资金流入值,确定波动区间包括:
基于所述历史资金流水数据,确定第一时间的净资金流入值和第二时间的净资金流入值;
计算所述第一时间的净资金流入值和第二时间的净资金流入值的标准差;
根据所述标准差和所述预测净资金流入值,确定波动区间。
12.根据权利要求11所述的方法,其特征在于,所述波动区间如下式(1)所示:
[Ft+m-Nσ,Ft+m+Nσ] (1)
其中,Ft+m表示所述预测净资金流入值,N表示正整数,σ表示所述标准差,(t+m)表示所述预设时间,t表示所述第一时间。
13.一种预警装置,其特征在于,包括:
序列构造模块,用于获取待预测者的历史资金流水数据,基于所述历史资金流水数据构造时间序列;
计算模块,用于利用预设的三次指数平滑模型对所述时间序列进行计算,得到计算结果,所述计算结果表示所述待预测者在预设时间的预测净资金流入值;
区间确定模块,用于根据所述历史资金流水数据和所述预测净资金流入值,确定波动区间;
预警模块,用于确定所述待预测者在所述预测时间的实际净资金流入值是否在所述波动区间内,若否,则生成预警信息。
14.根据权利要求13所述的装置,其特征在于,所述序列构造模块还用于:
对于目标楼盘,获取所述目标楼盘的所有贷款人团的历史资金流水数据,将所述目标楼盘的所有贷款人团的历史资金流水数据作为所述待预测者的历史资金流水数据。
15.根据权利要求14所述的装置,其特征在于,所述贷款人团包括贷款人;所述贷款人团还包括以下一个或多个与所述贷款人相关联的人员:共同借款人、配偶、父母和子女。
16.根据权利要求13所述的装置,其特征在于,所述历史资金流水包括历史资金流入数据和历史资金流出数据;
所述序列构造模块还用于:
以天为单位,计算所述历史资金流入数据与所述历史资金流出数据的差值,将所述差值作为历史净资金流入值;
基于所述历史净资金流入值,构造时间序列。
17.根据权利要求13所述的装置,其特征在于,所述预设的三次指数平滑模型为预设的Holter-Winter模型;
所述装置还包括训练模块,用于获取训练样本数据;利用所述训练样本数据训练预设的Holter-Winter模型,以确定所述Holter-Winter模型的参数。
18.根据权利要求17所述的装置,其特征在于,所述预设的Holter-Winter模型包括累加性模型和累乘性模型;
所述训练模块还用于:
根据所述训练样本数据,选择将所述累加性模型或所述累乘性模型作为待训练的模型;
利用所述训练样本数据训练所述待训练的模型,以确定所述待训练的模型的参数;
根据预设的检验规则,检验所述待训练的模型;
若检验通过,则将所述待训练的模型作为所述预设的Holter-Winter模型。
19.根据权利要求18所述的装置,其特征在于,所述训练模块还用于:
根据所述训练样本数据,确定所述待预测者的月末净资金流入值与所述待预测者的月初净资金流入值之间的关系;
根据所述关系,选择将所述累加性模型或所述累乘性模型作为待训练的模型。
20.根据权利要求19所述的装置,其特征在于,所述训练模块还用于:
若所述月末净资金流入值与所述月初净资金流入值的差值在第一预设范围内,则将所述累加性模型作为待训练的模型;
若所述月末净资金流入值与所述月初净资金流入值的差值在第二预设范围内,则将所述累乘性模型作为待训练的模型。
21.根据权利要求18所述的装置,其特征在于,所述训练模块还用于:
获取测试样本数据;
利用所述待训练的模型对所述测试样本数据进行计算,得到测试结果;
计算所述测试结果与所述测试样本中对应的真实值的残差;
根据预设的检验规则检验所述残差,得到检测结果。
22.根据权利要求21所述的装置,其特征在于,所述训练模块还用于:利用以下一种或多种检验方法检验所述残差:分位数-分位数图检验方法、德宾沃森检验方法和Ljung-Box检验方法。
23.根据权利要求13所述的装置,其特征在于,所述区间确定模块还用于:
基于所述历史资金流水数据,确定第一时间的净资金流入值和第二时间的净资金流入值;
计算所述第一时间的净资金流入值和第二时间的净资金流入值的标准差;
根据所述标准差和所述预测净资金流入值,确定波动区间。
24.根据权利要求23所述的装置,其特征在于,所述波动区间如下式(1)所示:
[Ft+m-Nσ,Ft+m+Nσ] (1)
其中,Ft+m表示所述预测净资金流入值,N表示正整数,σ表示所述标准差,(t+m)表示所述预设时间,t表示所述第一时间。
25.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-20中任一所述的方法。
26.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-12中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110429862.6A CN113129127A (zh) | 2021-04-21 | 2021-04-21 | 预警方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110429862.6A CN113129127A (zh) | 2021-04-21 | 2021-04-21 | 预警方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113129127A true CN113129127A (zh) | 2021-07-16 |
Family
ID=76778472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110429862.6A Pending CN113129127A (zh) | 2021-04-21 | 2021-04-21 | 预警方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113129127A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977754A (zh) * | 2017-12-18 | 2018-05-01 | 深圳前海微众银行股份有限公司 | 数据预测方法、系统和计算机可读存储介质 |
CN109272396A (zh) * | 2018-08-20 | 2019-01-25 | 平安科技(深圳)有限公司 | 客户风险预警方法、装置、计算机设备和介质 |
CN110245047A (zh) * | 2019-05-29 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 时间序列异常检测方法、装置及设备 |
CN110544130A (zh) * | 2019-09-05 | 2019-12-06 | 广州时代数据服务有限公司 | 流量异动监测方法、装置、计算机设备和存储介质 |
CN110634061A (zh) * | 2018-06-22 | 2019-12-31 | 马上消费金融股份有限公司 | 一种资金需求预测方法、装置及终端设备 |
US20200134716A1 (en) * | 2018-10-29 | 2020-04-30 | Flinks Technology Inc. | Systems and methods for determining credit worthiness of a borrower |
CN111340611A (zh) * | 2020-02-20 | 2020-06-26 | 中国建设银行股份有限公司 | 一种风险预警方法和装置 |
CN111369344A (zh) * | 2020-03-06 | 2020-07-03 | 中国建设银行股份有限公司 | 一种动态生成预警规则的方法和装置 |
CN111429258A (zh) * | 2020-03-19 | 2020-07-17 | 中国建设银行股份有限公司 | 一种监测贷款资金流向的方法和装置 |
CN111695791A (zh) * | 2020-05-29 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 一种业务指标预测方法及装置 |
CN111798304A (zh) * | 2020-07-08 | 2020-10-20 | 中国建设银行股份有限公司 | 一种风险贷款确定方法、装置、电子设备及存储介质 |
CN112613997A (zh) * | 2020-12-17 | 2021-04-06 | 平安消费金融有限公司 | 货币基金的组合投资预测方法和预测装置 |
-
2021
- 2021-04-21 CN CN202110429862.6A patent/CN113129127A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977754A (zh) * | 2017-12-18 | 2018-05-01 | 深圳前海微众银行股份有限公司 | 数据预测方法、系统和计算机可读存储介质 |
CN110634061A (zh) * | 2018-06-22 | 2019-12-31 | 马上消费金融股份有限公司 | 一种资金需求预测方法、装置及终端设备 |
CN109272396A (zh) * | 2018-08-20 | 2019-01-25 | 平安科技(深圳)有限公司 | 客户风险预警方法、装置、计算机设备和介质 |
US20200134716A1 (en) * | 2018-10-29 | 2020-04-30 | Flinks Technology Inc. | Systems and methods for determining credit worthiness of a borrower |
CN110245047A (zh) * | 2019-05-29 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 时间序列异常检测方法、装置及设备 |
CN110544130A (zh) * | 2019-09-05 | 2019-12-06 | 广州时代数据服务有限公司 | 流量异动监测方法、装置、计算机设备和存储介质 |
CN111340611A (zh) * | 2020-02-20 | 2020-06-26 | 中国建设银行股份有限公司 | 一种风险预警方法和装置 |
CN111369344A (zh) * | 2020-03-06 | 2020-07-03 | 中国建设银行股份有限公司 | 一种动态生成预警规则的方法和装置 |
CN111429258A (zh) * | 2020-03-19 | 2020-07-17 | 中国建设银行股份有限公司 | 一种监测贷款资金流向的方法和装置 |
CN111695791A (zh) * | 2020-05-29 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 一种业务指标预测方法及装置 |
CN111798304A (zh) * | 2020-07-08 | 2020-10-20 | 中国建设银行股份有限公司 | 一种风险贷款确定方法、装置、电子设备及存储介质 |
CN112613997A (zh) * | 2020-12-17 | 2021-04-06 | 平安消费金融有限公司 | 货币基金的组合投资预测方法和预测装置 |
Non-Patent Citations (1)
Title |
---|
张欣怡等: "正则化和交叉验证在组合预测模型中的应用", 《计算机系统应用》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190259095A1 (en) | Determining present and future virtual balances for a client computing device | |
US10489865B1 (en) | Framework for cash-flow forecasting | |
CN111400155B (zh) | 一种数据检测方法及装置 | |
US20150081398A1 (en) | Determining a performance target setting | |
CN113610230A (zh) | 训练方法、预测方法、装置、计算机系统及存储介质 | |
JP6771513B2 (ja) | 債務不履行確率を算出する装置、方法及びそのためのプログラム | |
CN112037007A (zh) | 针对小微企业信贷审批的方法及电子设备 | |
CN109308660B (zh) | 一种征信评分模型评估方法、装置、设备及存储介质 | |
CN116091249A (zh) | 交易风险的评估方法、装置、电子设备和介质 | |
CN113706223B (zh) | 一种数据处理方法和装置 | |
CN114708081A (zh) | 信用风险预测方法及装置、电子设备和可读存储介质 | |
CN113129127A (zh) | 预警方法和装置 | |
CN115063145A (zh) | 交易风险因子的预测方法、装置、电子设备和存储介质 | |
CN114282881A (zh) | 折旧测算方法、装置、存储介质及计算机设备 | |
CN113537631A (zh) | 药品需求量的预测方法、装置、电子设备及存储介质 | |
CN113052509A (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
CN111899093A (zh) | 一种违约损失率的预测方法及装置 | |
WO2019227415A1 (zh) | 一种评分卡模型的调整方法、装置、服务器及存储介质 | |
CN114781745A (zh) | 用于对机构存款业务状况进行预测的方法、装置、设备 | |
CN108805692B (zh) | 一种变量选择方法、装置及服务器 | |
CN112906986A (zh) | 一种建模方法、装置、存储介质及电子设备 | |
CN116797343A (zh) | 风险评估方法、模型训练方法、装置、介质及设备 | |
CN116228421A (zh) | 交易风险预测模型的训练方法、装置、设备及介质 | |
CN117421311A (zh) | 基于人工智能的数据校验方法、装置、设备及存储介质 | |
CN114820164A (zh) | 信用卡额度评估方法、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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220930 Address after: 25 Financial Street, Xicheng District, Beijing 100033 Applicant after: CHINA CONSTRUCTION BANK Corp. Address before: 12 / F, 15 / F, No. 99, Yincheng Road, Shanghai pilot Free Trade Zone, 200120 Applicant before: Jianxin Financial Science and Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right |