CN113313570B - 违约率确定方法、系统、计算机程序产品及存储介质 - Google Patents
违约率确定方法、系统、计算机程序产品及存储介质 Download PDFInfo
- Publication number
- CN113313570B CN113313570B CN202110576486.3A CN202110576486A CN113313570B CN 113313570 B CN113313570 B CN 113313570B CN 202110576486 A CN202110576486 A CN 202110576486A CN 113313570 B CN113313570 B CN 113313570B
- Authority
- CN
- China
- Prior art keywords
- borrowing
- information
- month
- overdue
- account age
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000004590 computer program Methods 0.000 title claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 41
- 230000000694 effects Effects 0.000 abstract description 10
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种违约率确定方法、系统、计算机程序产品及存储介质,方法包括:根据设定的观察月周期对历史月度借据信息进行滚轮设置处理,得到多个借据滚轮;对各借据滚轮中的账龄特征数据进行汇总统计,得到对应的账龄分组,并统计各账龄分组中的逾期信息,得到各账龄分组对应的借据逾期数据;根据借据逾期数据确定各所述账龄分组对应的月度违约率。本发明将违约率从年度统计细化至按账龄进行月度统计,可提高客户违约率的精确度,同时也可以更好地贴合零售贷款违约概率的成熟性效应,有利于提高各大金融机构的管理精细度。
Description
技术领域
本发明涉及金融科技(Fintech)技术领域,尤其涉及违约率确定方法、系统、计算机程序产品及存储介质。
背景技术
由于中、短期贷款具有期限短、周转快的特点,使得个人消费贷款、零售贷款等中、短期贷款日益普及。因此,如何确定中、短贷款的违约率对各大金融机构具有重要意义。
但是,传统的违约率确定方法一般以一年为观察表现期,衡量的是一年内客户发生违约的可能性,而中、短期贷款借据的存续期一般以月度计算,通过传统的违约率确定方法无法精准地衡量客户的违约概率;此外,由于贷款违约概率随着存续期的推进并非均匀表现,反而会出现初期小、中期逐渐增加到稳定成熟的成熟性效应,因此,从年度统计的层面来确定客户的违约率,其统计颗粒度较粗,也就无法体现零售贷款的成熟性效应。
发明内容
本发明的主要目的在于提出一种违约率确定方法、系统、计算机程序产品及存储介质,旨在更加精准地确定中、短期贷款的违约率,并更好地贴合零售贷款违约概率的成熟性效应。
为实现上述目的,本发明提供一种违约率确定方法,所述方法包括如下步骤:
获取历史月度借据信息,并根据预设的观察期设定规则,确定所述历史月度借据信息对应的观察月周期;
根据所述观察月周期对所述历史月度借据信息进行滚轮设置处理,得到多个借据滚轮;
分别确定各所述借据滚轮中历史月度借据信息对应的账龄特征数据和逾期信息;
对各所述借据滚轮中的账龄特征数据进行汇总统计,得到对应的账龄分组,并统计各所述账龄分组中的逾期信息,得到各所述账龄分组对应的借据逾期数据;
根据所述借据逾期数据确定各所述账龄分组对应的月度违约率。
优选地,所述观察月周期包括多个观察期,若以各所述观察月周期内的第一个观察期为观察基期,所述根据所述观察月周期对所述历史月度借据信息进行滚轮设置处理,得到多个借据滚轮的步骤包括:
获取各所述观察基期中历史月度借据信息对应的借据号,并在对应的观察月周期内获取与所述借据号匹配的目标月度借据信息;
确定各所述观察月周期中观察期的期数,并判断所述目标月度借据信息的借据数与所述期数是否相等;
若相等,则将各所述观察月周期内相邻观察期的目标月度借据信息进行拼接,以进行滚轮设置,得到多个借据滚轮。
优选地,所述判断所述目标月度借据信息的借据数与所述期数是否相等的步骤之后,还包括:
若不相等,则确定缺失的待定月度借据信息,并对所述待定月度借据信息进行赋值处理,得到赋值处理后的历史月度借据信息;
对所述赋值处理后的历史月度借据信息进行滚轮设置,得到多个借据滚轮。
优选地,所述分别确定各所述借据滚轮中历史月度借据信息对应的账龄特征数据和逾期信息的步骤包括:
分别确定各所述观察基期中历史月度借据信息对应的第一账龄信息和第一逾期信息;
确定各所述观察基期中历史月度借据信息在对应借据滚轮中其他观察期的第二账龄信息和第二逾期信息,所述其他观察期为各所述观察月周期中除观察基期以外的观察期;
将各所述借据滚轮中历史月度借据信息的第一账龄信息和对应的第二账龄信息进行关联处理,得到对应的账龄特征数据;
结合所述第一逾期信息和对应的第二逾期信息,确定各所述借据滚轮中历史月度借据信息对应的逾期信息。
优选地,所述对各所述借据滚轮中的账龄特征数据进行汇总统计,得到对应的账龄分组的步骤包括:
汇总统计各所述借据滚轮中的账龄特征数据,并将账龄特征数据相同的月度借据信息归为一类,得到对应的账龄特征类;
确定各所述账龄特征类对应的账龄,并根据所述账龄对各所述账龄特征类进行分组,得到对应的账龄分组。
优选地,所述统计各所述账龄分组中的逾期信息,得到各所述账龄分组对应的借据逾期数据的步骤包括:
根据各所述账龄分组中月度借据信息的逾期信息,确定各所述账龄分组中的逾期状态类型;
根据所述逾期状态类型和各所述账龄分组中月度借据信息的逾期信息,对各所述账龄分组中的月度借据信息进行统计,得到对应的借据逾期数据。
优选地,所述根据所述借据逾期数据确定各所述账龄分组对应的月度违约率的步骤之后,还包括:
当接收到目标客户的新月度借据信息时,确定所述新月度借据信息对应的目标账龄特征数据,并根据所述目标特征数据确定所述新月度借据信息的目标账龄分组;
确定所述新月度借据信息的目标逾期状态,并根据所述目标逾期状态和所述目标账龄分组,确定所述新月度借据信息对应的目标月度违约率;
对所述目标客户执行所述目标月度违约率对应的催收策略。
此外,为实现上述目的,本发明还提供一种违约率确定装置,所述违约率确定装置包括:
第一确定模块,用于获取历史月度借据信息,并根据预设的观察期设定规则,确定所述历史月度借据信息对应的观察月周期;
滚轮设置模块,用于根据所述观察月周期对所述历史月度借据信息进行滚轮设置处理,得到多个借据滚轮;
第二确定模块,用于分别确定各所述借据滚轮中历史月度借据信息对应的账龄特征数据和逾期信息;
汇总统计模块,用于对各所述借据滚轮中的账龄特征数据进行汇总统计,得到对应的账龄分组,并统计各所述账龄分组中的逾期信息,得到各所述账龄分组对应的借据逾期数据;
最终确定模块,用于根据所述借据逾期数据确定各所述账龄分组对应的月度违约率。
优选地,所述观察月周期包括多个观察期,若以各所述观察月周期内的第一个观察期为观察基期,所述滚轮设置模块还用于:
获取各所述观察基期中历史月度借据信息对应的借据号,并在对应的观察月周期内获取与所述借据号匹配的目标月度借据信息;
确定各所述观察月周期中观察期的期数,并判断所述目标月度借据信息的借据数与所述期数是否相等;
若相等,则将各所述观察月周期内相邻观察期的目标月度借据信息进行拼接,以进行滚轮设置,得到多个借据滚轮。
优选地,所述滚轮设置模块还包括赋值处理单元,所述赋值处理单元用于:
若不相等,则确定缺失的待定月度借据信息,并对所述待定月度借据信息进行赋值处理,得到赋值处理后的历史月度借据信息;
对所述赋值处理后的历史月度借据信息进行滚轮设置,得到多个借据滚轮。
优选地,所述第二确定模块还用于:
分别确定各所述观察基期中历史月度借据信息对应的第一账龄信息和第一逾期信息;
确定各所述观察基期中历史月度借据信息在对应借据滚轮中其他观察期的第二账龄信息和第二逾期信息,所述其他观察期为各所述观察月周期中除观察基期以外的观察期;
将各所述借据滚轮中历史月度借据信息的第一账龄信息和对应的第二账龄信息进行关联处理,得到对应的账龄特征数据;
结合所述第一逾期信息和对应的第二逾期信息,确定各所述借据滚轮中历史月度借据信息对应的逾期信息。
优选地,所述汇总统计模块还用于:
汇总统计各所述借据滚轮中的账龄特征数据,并将账龄特征数据相同的月度借据信息归为一类,得到对应的账龄特征类;
确定各所述账龄特征类对应的账龄,并根据所述账龄对各所述账龄特征类进行分组,得到对应的账龄分组。
优选地,所述汇总统计模块还用于:
根据各所述账龄分组中月度借据信息的逾期信息,确定各所述账龄分组中的逾期状态类型;
根据所述逾期状态类型和各所述账龄分组中月度借据信息的逾期信息,对各所述账龄分组中的月度借据信息进行统计,得到对应的借据逾期数据。
优选地,所述违约率确定装置还包括策略执行模块,所述策略执行模块用于:
当接收到目标客户的新月度借据信息时,确定所述新月度借据信息对应的目标账龄特征数据,并根据所述目标特征数据确定所述新月度借据信息的目标账龄分组;
确定所述新月度借据信息的目标逾期状态,并根据所述目标逾期状态和所述目标账龄分组,确定所述新月度借据信息对应的目标月度违约率;
对所述目标客户执行所述目标月度违约率对应的催收策略。
此外,为实现上述目的,本发明还提供一种违约率确定系统,所述违约率确定系统包括: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违约率确定程序,所述违约率确定程序被所述处理器执行时实现如上所述的违约率确定方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上所述的违约率确定方法的步骤。
此外,为实现上述目的,本发明还提供一种存储介质,所述存储介质上存储有违约率确定程序,所述违约率确定程序被处理器执行时实现如上所述的违约率确定方法的步骤。
本发明提出的违约率确定方法,通过获取历史月度借据信息,并根据预设的观察期设定规则,确定历史月度借据信息对应的观察月周期;根据观察月周期对历史月度借据信息进行滚轮设置处理,得到多个借据滚轮;分别确定各借据滚轮中历史月度借据信息对应的账龄特征数据和逾期信息;对各借据滚轮中的账龄特征数据进行汇总统计,得到对应的账龄分组,并统计各账龄分组中的逾期信息,得到各账龄分组对应的借据逾期数据;根据借据逾期数据确定各账龄分组对应的月度违约率。本发明将违约率从年度统计细化至按账龄进行月度统计,可提高客户违约率的精确度,同时也可以更好地贴合零售贷款违约概率的成熟性效应,有利于提高各大金融机构的管理精细度。
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为本发明违约率确定方法第一实施例的流程示意图;
图3为本发明违约率确定方法较佳实施例的功能模块示意图。
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。
本发明实施例系统可以是PC端、管理服务器等。
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、用户接口模块以及违约率确定程序。
其中,操作系统是管理和控制违约率确定系统与软件资源的程序,支持网络通信模块、用户接口模块、违约率确定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所示的违约率确定系统中,所述违约率确定系统通过处理器1001调用存储器1005中存储的违约率确定程序,并执行下述违约率确定方法各个实施例中的操作。
基于上述硬件结构,提出本发明违约率确定方法实施例。
参照图2,图2为本发明违约率确定方法第一实施例的流程示意图,所述方法包括:
步骤S10,获取历史月度借据信息,并根据预设的观察期设定规则,确定所述历史月度借据信息对应的观察月周期;
本实施例违约率确定方法运用于各大金融机构的违约率确定系统中,尤其是中、短期贷款的违约率确定系统,其中,违约率(Probability of Default,PD)指的是违约概率,是指借款人发生违约行为的可能性。由于中、短期贷款具有期限短、周转快的特点,使得个人消费贷款、零售贷款等中、短期贷款日益普及。因此,如何确定中、短贷款的违约率对各大金融机构具有重要意义。
但是,传统的违约率确定方法一般以一年为观察表现期,衡量的是一年内借款人发生违约的可能性,而中、短期贷款借据的存续期一般以月度计算,因此,通过传统的违约率确定方法无法精准地衡量客户的违约概率。
在本实施例中,可按月提取自业务开展日(贷款发放日)至贷款统计日期之间每个月月底的存量借据信息,以作为历史月度借据信息,且为了更好地计算各大金融机构的预期贷款损失,一般情况下要求各个历史月度借据信息对应的借据余额大于零。为了描述方便,本实施例的历史月度借据信息以贷款存量借据表为例进行阐述。例如,某贷款自2015年04月01日开展业务,当前的贷款统计时点为2019年03月31日,则可提取:20150430的贷款存量借据表;20150531的贷款存量借据表;…20190331的贷款存量借据表,即提取从2015年04月01日起至2019年03月31日之间每个月的贷款存量借据表,作为历史月度借据信息。此外,由于各大金融机构一般将逾期90天以上定义为违约,也即,逾期超过3个月的属于违约行为,因此,每一笔借据从未逾期状态到违约状态至少需要经过4个月的表现期。在此情况下,一笔借据从贷款发放日开始,会经过未逾期状态、逾期1期状态、逾期2期状态、逾期3期状态才会进入违约状态,而在实际应用场景中,每个月对应的贷款存量借据表也会不尽相同,而且每个月的每一天金融机构都有可能发放新的贷款,也即,每个月的贷款存量借据表数量、逾期信息等都不相同,因此需要设置一个观察基期来确定每个月贷款存量借据表的数量、逾期信息等信息,再确定处于违约状态的借据以及借据数量等,从而确定对应的违约率。由此可见,预设的观察期设定规则应为观察月周期至少为5个月。
可以理解的,若某历史月度借据信息对应的逾期信息为第一期(第一个月)未逾期,则至少需要再经过往后4期,才能从未逾期状态迁徙至逾期90天以上(也即从未逾期状态迁徙至违约状态)。由于观察月周期是用于确定借据信息是否违约的一个表现时期,因此,观察月周期至少需要5个月。为了减少计算机的运算压力,保证各个滚轮的统计速度,若将逾期90天以上定义为违约,那么观察月周期优选为5个月。
需要说明的是,观察月周期的确定与违约的定义息息相关,在IFRS9(国际财务报告准则第9号)拨备计量情景下,一般将逾期90天以上定义为违约,那么观察月周期优选为5个月,因此,为描述方便,以下各个实施例均以观察月周期为5个月为例进行阐述。
步骤S20,根据所述观察月周期对所述历史月度借据信息进行滚轮设置处理,得到多个借据滚轮;
在本实施例中,可从历史月度借据表起始月起,开始设置滚轮(每5个月设置一借据滚轮,那么,一个月为一个观察期)。例如,借据A的存续期为2015年01月01日至2015年12月31日,当前贷款统计日期为2016年04月30日,那么,对该借据A的观察应从2015年01月01日开始。若以每个月的最后一天为该月的统计时点,可以知道,第一个观察期的观察时点为2015年01年31日,那么,借据A在借据滚轮中的第一轮表现观察期为2015年01年31日至2015年05月31日;第二轮表现观察期为2015年02月01日至2015年06月30日;第三轮表现观察期为2015年03月01日至2015年07月30日;…第十二轮表现观察期为2015年12月31日至2016年4月30日,共计十二轮表现观察期,得到对应的12个借据滚轮。同理地,可通过上述方法对第一个观察期的观察时点相同的多个历史月度借据信息进行批量滚轮设置处理,从而将表现观察期相同的一批历史月度借据信息设置在同一借据滚轮中。
进行滚轮设置的目的是为了保证同一滚轮中从观察基期至最后一个观察期的借据数量保持一致,也即,同一滚轮的观察对象均为同一批月度借据信息,然后观察该批月度借据信息的动态迁徙变化。通过对获取到的历史月度借据信息进行滚轮设置处理,可防止由于每个月新增借据等因素对月度违约率计算公式中的分子或分母造成干扰,在一定程度上保证了月度违约率的准确性。
步骤S30,分别确定各所述借据滚轮中历史月度借据信息对应的账龄特征数据和逾期信息;
在本实施例中,由于在贷款初期借款人的还款意愿较强,但随着时间的推移,还款概率会减弱,因此,随着借据存续期的推进,违约率并非是均匀表现的,反而出呈现出初期低、中期逐渐升高到后期稳定成熟的成熟性效应,因此,需要对同一时点的月度借据信息按账龄信息进行统计,得到各个借据滚轮中月度借据信息对应的账龄特征数据,并根据各个借据滚轮中的月度借据信息确定对应的逾期信息,其中,账龄(Account receivable age)是指尚未收回的应收账款的时间长度。例如,某借据的存续期为2015年01月01日至2015年12月31日,那么,在2015年01月31日这个统计时点时,可确定该借据的账龄为一个月,且未达到预期还款日期(在贷款发放后,一般要求次月即2015年2月开始还款),因此可确定该借据尚未逾期。再者,若在2015年01月31日这个统计时点,共计有100条月度借据信息,且这100条月度借据信息的账龄分布在1个月至12个月之间,当借据滚轮滚至2015年01月31日至2015年05月31日,即当借据滚轮滚到第一轮表现观察期时,应将这100条月度借据信息按账龄信息进行区分,从而得到这100条月度借据信息对应的账龄特征数据;再分别根据这100条月度借据信息对应的存续期,确定对应月度借据信息的逾期信息。
步骤S40,对各所述借据滚轮中的账龄特征数据进行汇总统计,得到对应的账龄分组,并统计各所述账龄分组中的逾期信息,得到各所述账龄分组对应的借据逾期数据;
在本实施例中,由于个人消费贷款、零售贷款等业务存在成熟性效应,因此需要对同一时点的月度借据信息按账龄进行分组统计,如对各个借据滚轮中的账龄特征数据进行汇总统计,从而得到不同账龄特征数据对应的账龄分组。再对各个账龄分组中月度借据信息对应的逾期信息进行统计,即可获得各个账龄分组对应的借据逾期数据,其中,各个账龄分组对应的借据逾期数据可包括处于不同逾期状态类型的月度借据信息数量。通过将传统的年度借据信息分析细化到月度借据信息分析统计,并确定不同账龄分组对应的借据逾期数据,可更好地反映中、短期贷款业务违约概率的成熟性效应。
步骤S50,根据所述借据逾期数据确定各所述账龄分组对应的月度违约率。
在本实施例中,根据不同账龄不同逾期情况对应的违约率计算公式,可确定各个账龄分组不同逾期情况的月度违约率。若观察月周期为5个月,借据逾期数据可包括不同逾期状态的借据数目,那么,逾期状态包括未逾期、逾期1期、逾期2期、逾期3期和违约这5种状态,借据逾期数据则可包括这5个不同逾期状态的借据数目。在IFRS9拨备计量情景下,由于借款人一般按月偿付本金,因此每个月末的风险敞口不断递减,为了与差异化的风险敞口相匹配,违约概率从年度统计细化到月度统计,即确定月度违约率,有利于各大金融机构更加精准地计算出未来期间应计提的资产减值。
本实施例的违约率确定方法,通过获取历史月度借据信息,并根据预设的观察期设定规则,确定历史月度借据信息对应的观察月周期;根据观察月周期对历史月度借据信息进行滚轮设置处理,得到多个借据滚轮;分别确定各借据滚轮中历史月度借据信息对应的账龄特征数据和逾期信息;对各借据滚轮中的账龄特征数据进行汇总统计,得到对应的账龄分组,并统计各账龄分组中的逾期信息,得到各账龄分组对应的借据逾期数据;根据借据逾期数据确定各账龄分组对应的月度违约率。本发明将违约率从年度统计细化至按账龄进行月度统计,可提高客户违约率的精确度,同时也可以更好地贴合零售贷款违约概率的成熟性效应,有利于提高各大金融机构的管理精细度。
进一步地,基于本发明违约率确定方法第一实施例,提出本发明违约率确定方法第二实施例。
违约率确定方法的第二实施例与违约率确定方法的第一实施例的区别在于,所述观察月周期包括多个观察期,若以各所述观察月周期内的第一个观察期为观察基期,则步骤S20还包括:
步骤a1,获取各所述观察基期中历史月度借据信息对应的借据号,并在对应的观察月周期内获取与所述借据号匹配的目标月度借据信息;
在本实施例中,从历史月度借据信息的起始月起,开始设置滚轮,每五期为一滚轮。按照各个观察期的时间先后顺序,以第一个观察期为观察基期,以该观察基期存量借据表的借据号为主键,在对应借据滚轮其他观察期的存量借据表中匹配出相同借据号的记录,即可得到与该借据号匹配的目标月度借据信息,由于观察月周期为5个月,以每个月为一期,因此本实施例的其他观察期为观察基期的向后4个观察期,即观察基期的向后4个月。
步骤a2,确定各所述观察月周期中观察期的期数,并判断所述目标月度借据信息的借据数与所述期数是否相等;
在本实施例中,各个借据滚轮中观察期的期数为5期,由于每个月的月度借据信息会有所差异,如在2015年1月刚发放的贷款借据信息,客户可能在次月(2015年2月)就已经偿还了,因此,根据该贷款借据信息的借据号进行匹配查询时,在2015年2月的月度借据数据库中查询不到该贷款借据信息对应的月度借据信息。通过判断匹配到的目标月度借据信息的借据数与观察期的期数是否相等,可确定是否存在月度借据信息缺失的情况,提高后续计算违约率的准确度。
步骤a3,若相等,则将各所述观察月周期内相邻观察期的目标月度借据信息进行拼接,以进行滚轮设置,得到多个借据滚轮。
在本实施例中,若确定匹配出来的目标月度借据信息的借据数与观察期的期数相等,即说明该借据滚轮中的历史月度借据信息都能在对应的各个观察期中找到匹配的目标月度借据信息,然后可将该借据滚轮中相邻观察期的目标月度借据信息进行拼接,从而对获取到的历史月度借据信息进行滚轮设置,得到多个借据滚轮。通过对历史月度借据信息进行滚轮设置,可保证同一借据滚轮中的观察对象均为同一批月度借据信息,观察该批月度借据信息的动态迁徙变化,可保证后续计算违约率的准确性。
进一步地,步骤a2之后,还包括:
步骤b1,若不相等,则确定缺失的待定月度借据信息,并对所述待定月度借据信息进行赋值处理,得到赋值处理后的历史月度借据信息;
步骤b2,对所述赋值处理后的历史月度借据信息进行滚轮设置,得到多个借据滚轮。
在本实施例中,对于某一笔借据,若根据该借据的借据号在向后四期中存在任一期无法找到匹配记录的情况时,则说明存在月度借据信息缺失的情况,需要确定缺失的待定月度借据信息,并对待定月度借据信息进行赋值处理,以填充缺失的月度借据信息。在进行赋值处理时,待定月度借据信息中的借据号、贷款发放日期等参数均可直接拷贝上一观察期对应的记录;对于月度借据信息的逾期状态可赋值为未逾期状态,即赋值处理得到的月度借据信息均为当月未逾期的月度借据信息;贷款统计日期的赋值应为待定月度借据信息所在的观察期对应的统计日期,而非观察基期的统计日期,等等。然后对赋值处理后的月度借据信息进行滚轮设置,得到多个借据滚轮。在月度借据信息缺失时,对缺失的待定月度借据信息进行赋值处理,可保证同一个借据滚轮中的月度借据信息数量一致。
本实施例的违约率确定方法,根据借据号获取匹配的目标月度借据信息时,若历史月度借据信息的借据数与观察期的期数不相等时,则对缺失的月度借据信息进行赋值处理,以保证同一个借据滚轮中的月度借据信息数量一致。
进一步地,基于本发明违约率确定方法第一、第二实施例,提出本发明违约率确定方法第三实施例。
违约率确定方法的第三实施例与违约率确定方法的第一、第二实施例的区别在于,所述分别确定各所述借据滚轮中历史月度借据信息对应的账龄特征数据和逾期信息的步骤包括:
步骤c1,分别确定各所述观察基期中历史月度借据信息对应的第一账龄信息和第一逾期信息;
步骤c2,确定各所述观察基期中历史月度借据信息在对应借据滚轮中其他观察期的第二账龄信息和第二逾期信息,所述其他观察期为各所述观察月周期中除观察基期以外的观察期;
步骤c3,将各所述借据滚轮中历史月度借据信息的第一账龄信息和对应的第二账龄信息进行关联处理,得到对应的账龄特征数据;
步骤c4,结合所述第一逾期信息和对应的第二逾期信息,确定各所述借据滚轮中历史月度借据信息对应的逾期信息。
在本实施例中,可通过获取各个借据滚轮中历史月度借据信息对应的贷款发放日期,根据贷款发放日期确定各个借据滚轮中历史月度借据信息对应的初始统计时点,从而将初始统计时点对应的月份确定为观察基期。通过初始统计时点和贷款发放日期即可确定月度借据信息在观察基期的第一账龄信息Age,此外,通过将初始统计时点和理论还款日进行比较,即可确定月度借据信息在观察基期的第一逾期信息。同理地,通过其他观察期的统计时点和对应月度借据信息的贷款发放日期,可得到同一个借据滚轮中各个月度借据信息在其他观察期的第二账龄信息CD,将其他观察期的统计时点和理论还款日进行比较,即可确定月度借据信息在其他观察期的第二逾期信息,从而得到各个借据滚轮中月度借据信息对应的账龄特征数据Age_CD,并结合各个借据滚轮中各个月度借据信息对应的第一逾期信息和对应的第二逾期信息,确定各个月度借据信息对应的逾期信息,再逐笔为月度借据信息打上账龄、逾期信息标签,方便后续对所有借据滚轮进行汇总统计时,根据各个月度借据信息对应的标签进行区分。
进一步地,所述对各所述借据滚轮中的账龄特征数据进行汇总统计,得到对应的账龄分组的步骤包括:
步骤d1,汇总统计各所述借据滚轮中的账龄特征数据,并将账龄特征数据相同的月度借据信息归为一类,得到对应的账龄特征类;
步骤d2,确定各所述账龄特征类对应的账龄,并根据所述账龄对各所述账龄特征类进行分组,得到对应的账龄分组。
在本实施例中,通过对各个借据滚轮中的账龄特征数据Age_CD进行汇总统计,将Age_CD相同的月度借据信息归为一类,由此得到不同账龄情况的月度借据信息,并将相同账龄的月度账龄信息分为一组,从而得到对应的账龄分组。例如,账龄特征数据分别为1_1、1_2、1_3、1_4的月度借据信息,可分在账龄为1个月的账龄分组;账龄特征数据分别为2_2、2_3、2_4、2_5的月度借据信息,可分在账龄为2个月的账龄分组;同理地,可确定其他账龄特征数据对应的账龄分组。通过将不同账龄的月度借据信息进行分组,可更好地反映出不同账龄情况下月度借据信息的成熟性效应,有利于提高管理精细度。
进一步地,所述统计各所述账龄分组中的逾期信息,得到各所述账龄分组对应的借据逾期数据的步骤包括:
步骤e1,根据各所述账龄分组中月度借据信息的逾期信息,确定各所述账龄分组中的逾期状态类型;
步骤e2,根据所述逾期状态类型和各所述账龄分组中月度借据信息的逾期信息,对各所述账龄分组中的月度借据信息进行统计,得到对应的借据逾期数据。
在本实施例中,借据B的存续期为2015年01月01日至2015年12月31日,即借据B的理论还款日为2015年12月31日,以每个月的最后一天为当月的统计日期,那么,通过将每个月的统计日期和理论还款日进行比较,即可确定借据B对应的逾期信息,从而确定对应的逾期状态类型,其中,逾期状态类型包括未逾期、逾1期、逾2期、逾3期、逾4期、逾4期以上这6个状态,由于逾期超过3个月即为违约,那么逾期状态类型为逾4期或逾4期以上的均属于违约状态,也即,逾期状态类型包括未逾期(逾期天数为0天)、逾1期(逾期天数为1天至30天)、逾2期(逾期天数为31天至60天)、逾3期(逾期天数为61天至90天)、违约(逾期天数90天以上)这5个状态。通过分别统计各个账龄分组中不同逾期状态类型的月度借据信息数目,即可得到对应的借据逾期数据,从而可根据不同账龄分组对应的借据逾期数据确定各个账龄组中不同逾期状态类型的月度违约率,可更进一步地提高各大金融机构对中、短期贷款业务的管理精细度。
需要说明的是,为了方便统计,在确定逾期信息时,逾期时间的单位为月,如果逾期时间不满1个月则按1个月算,即逾1期,以此类推。
例如,若在2015年01月31日这个统计时点共计有100笔借据,即2015年1月有100条月度借据信息,可确定这100条月度借据信息在同一个借据滚轮中,那么,这100条月度借据信息的第一轮表现观察期为2015年01月31日至2015年05月31日。而且,在2015年01月01日这个统计时点,这100条月度借据信息均处于未逾期状态。
如表1所示,表1为这100条月度借据信息在第一轮表现观察期的账龄特征数据及其借据逾期数据。
表1:
统计时点 | Age_CD | 未逾期 | 逾1期 | 逾2期 | 逾3期 | 违约 |
2015-01-31 | 1_1 | 100 | ||||
2015-02-28 | 1_2 | 90 | 10 | |||
2015-03-31 | 1_3 | 90 | 5 | 5 | ||
2015-04-30 | 1_4 | 85 | 8 | 5 | 2 | |
2015-05-31 | 1_5 | 77 | 10 | 6 | 5 | 2 |
需要说明的是,由于在同一个借据滚轮中进行数据分析处理的月度借据信息数量一致,因此,在同一个Age下,五个观察期的月度借据信息数量相同,如上表1所示,在同一个借据滚轮中后这五个统计时点的观察对象均为这100条月度借据信息。
具体的,例如,某借据在观察基期时对应的逾期状态类型为未逾期状态,那么,该借据从未逾期状态到违约状态(逾期超过90天),需要经过逾1期、逾2期、逾3期、逾4期这四个逾期状态,共4期表现期,即4个月,因此,该借据对应的违约观察时点应该是在4个月后;若某借据在观察基期时对应的逾期状态类型为逾1期状态,那么,该借据从逾1期状态到违约状态(逾期超过90天),需要经过逾2期、逾3期、逾4期这三个逾期状态,共3期表现期,即3个月,因此,该借据对应的违约观察时点应该是在3个月后;以此类推,即可确定在观察基期处于未逾期状态、逾1期状态、逾2期状态、逾3期状态等不同逾期状态类型的借据对应的违约观察时点。由于不同逾期状态类型的月度借据信息,其对应的月度违约概率也不相同,因此,针对观察基期处于不同逾期状态类型的月度借据信息都有对应的月度违约率计算公式。
如表2所示,表2为不同逾期状态类型月度违约率的确定公式及说明。
表2:
其中,t为统计时点处月度借据信息的账龄,D(t)表示满足t和违约定义的借据数量;(Nt,X)表示符合条件t和X的借据数量,由于逾期4期的月度借据信息已经处于违约状态,因此,逾4期以及逾4期以上的PD均为100%。那么,X可以是未逾期、逾1期、逾2期、逾3期中的任一个。
如表3所示,表3为较佳实施例各个账龄分组不同逾期情况下的月度违约率PD计算公式。
表3:
/>
本实施例的违约率确定方法,通过汇总统计各个借据滚轮,将账龄特征数据相同的月度借据信息分在同一个账龄分组,然后根据各个账龄分组中月度借据信息的逾期信息,确定对应的借据逾期数据,有利于提高月度违约率的计算准确度。
进一步地,基于本发明违约率确定方法第一、第二、第三实施例,提出本发明违约率确定方法第四实施例。
违约率确定方法的第四实施例与违约率确定方法的第一、第二、第三实施例的区别在于,步骤S50之后,还包括:
步骤f1,当接收到目标客户的新月度借据信息时,确定所述新月度借据信息对应的目标账龄特征数据,并根据所述目标特征数据确定所述新月度借据信息的目标账龄分组;
步骤f2,确定所述新月度借据信息的目标逾期状态,并根据所述目标逾期状态和所述目标账龄分组,确定所述新月度借据信息对应的目标月度违约率;
步骤f3,对所述目标客户执行所述目标月度违约率对应的催收策略。
在本实施例中,当接收到某个目标客户的新月度借据信息时,可根据新月度借据信息对应的贷款发放日期,以及未来预测月份的统计日期,确定该新月度借据信息对应的目标账龄特征数据,从而根据目标账龄特征数据确定该目标客户对应的目标账龄分组,再确定该目标客户在对应统计日期所处的目标逾期状态,从而确定该目标客户对应的目标月度违约率。例如,当确定该目标客户的目标账龄特征数据为2_2、2_3、2_4、2_5时,可确定该目标客户对应的新月度借据信息的账龄为2个月,即该目标客户处于账龄为2个月的目标账龄分组。假设在未来某个统计日期时,确定该目标客户的借据信息理应逾期一个月,即目标逾期状态为逾1期状态,则可查询预设数据库,若查询到预设数据库中账龄为2个月且处于逾1期状态的客户对应的月度违约率为2%,即可确定该目标客户的目标月度违约率亦为2%,从而对该目标客户执行对应的催收策略,如通过该新月度借据信息中携带的客户预留联系方式,向该目标客户发送还款提示消息,以催促该目标客户及时还款等。根据不同账龄不同逾期情况客户对应的月度违约率,可提前精准地确定未来期间应计提的资产减值方便各大金融机构提前执行催收策略,降低预期贷款损失。
本实施例的违约率确定方法,通过确定目标客户的账龄分组、逾期情况,确定预期的月度违约率,方便各大金融机构提前精准地确定未来期间应计提的资产减值,降低预期贷款损失。
本发明还提供一种违约率确定装置。参照图3,本发明违约率确定装置包括:
第一确定模块10,用于获取历史月度借据信息,并根据预设的观察期设定规则,确定所述历史月度借据信息对应的观察月周期;
滚轮设置模块20,用于根据所述观察月周期对所述历史月度借据信息进行滚轮设置处理,得到多个借据滚轮;
第二确定模块30,用于分别确定各所述借据滚轮中历史月度借据信息对应的账龄特征数据和逾期信息;
汇总统计模块40,用于对各所述借据滚轮中的账龄特征数据进行汇总统计,得到对应的账龄分组,并统计各所述账龄分组中的逾期信息,得到各所述账龄分组对应的借据逾期数据;
最终确定模块50,用于根据所述借据逾期数据确定各所述账龄分组对应的月度违约率。
优选地,所述观察月周期包括多个观察期,若以各所述观察月周期内的第一个观察期为观察基期,所述滚轮设置模块还用于:
获取各所述观察基期中历史月度借据信息对应的借据号,并在对应的观察月周期内获取与所述借据号匹配的目标月度借据信息;
确定各所述观察月周期中观察期的期数,并判断所述目标月度借据信息的借据数与所述期数是否相等;
若相等,则将各所述观察月周期内相邻观察期的目标月度借据信息进行拼接,以进行滚轮设置,得到多个借据滚轮。
优选地,所述滚轮设置模块还包括赋值处理单元,所述赋值处理单元用于:
若不相等,则确定缺失的待定月度借据信息,并对所述待定月度借据信息进行赋值处理,得到赋值处理后的历史月度借据信息;
对所述赋值处理后的历史月度借据信息进行滚轮设置,得到多个借据滚轮。
优选地,所述第二确定模块还用于:
分别确定各所述观察基期中历史月度借据信息对应的第一账龄信息和第一逾期信息;
确定各所述观察基期中历史月度借据信息在对应借据滚轮中其他观察期的第二账龄信息和第二逾期信息,所述其他观察期为各所述观察月周期中除观察基期以外的观察期;
将各所述借据滚轮中历史月度借据信息的第一账龄信息和对应的第二账龄信息进行关联处理,得到对应的账龄特征数据;
结合所述第一逾期信息和对应的第二逾期信息,确定各所述借据滚轮中历史月度借据信息对应的逾期信息。
优选地,所述汇总统计模块还用于:
汇总统计各所述借据滚轮中的账龄特征数据,并将账龄特征数据相同的月度借据信息归为一类,得到对应的账龄特征类;
确定各所述账龄特征类对应的账龄,并根据所述账龄对各所述账龄特征类进行分组,得到对应的账龄分组。
优选地,所述汇总统计模块还用于:
根据各所述账龄分组中月度借据信息的逾期信息,确定各所述账龄分组中的逾期状态类型;
根据所述逾期状态类型和各所述账龄分组中月度借据信息的逾期信息,对各所述账龄分组中的月度借据信息进行统计,得到对应的借据逾期数据。
优选地,所述违约率确定装置还包括策略执行模块,所述策略执行模块用于:
当接收到目标客户的新月度借据信息时,确定所述新月度借据信息对应的目标账龄特征数据,并根据所述目标特征数据确定所述新月度借据信息的目标账龄分组;
确定所述新月度借据信息的目标逾期状态,并根据所述目标逾期状态和所述目标账龄分组,确定所述新月度借据信息对应的目标月度违约率;
对所述目标客户执行所述目标月度违约率对应的催收策略。
本发明还提出一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上所述的违约率确定方法的步骤。
本发明还提供一种存储介质。
本发明存储介质上存储有违约率确定程序,所述违约率确定程序被处理器执行时实现如上所述的违约率确定方法的步骤。
其中,本发明违约率确定系统、计算机程序产品和存储介质的各实施例,均可参照本发明违约率确定方法各个实施例,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系统(可以是手机,计算机,服务器,空调器,或者网络系统等)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 (5)
1.一种违约率确定方法,其特征在于,所述方法包括如下步骤:
获取历史月度借据信息,并根据预设的观察期设定规则,确定所述历史月度借据信息对应的观察月周期;
根据所述观察月周期对所述历史月度借据信息进行滚轮设置处理,得到多个借据滚轮;
分别确定各所述借据滚轮中历史月度借据信息对应的账龄特征数据和逾期信息;
对各所述借据滚轮中的账龄特征数据进行汇总统计,得到对应的账龄分组,并统计各所述账龄分组中的逾期信息,得到各所述账龄分组对应的借据逾期数据;
根据所述借据逾期数据确定各所述账龄分组对应的月度违约率;
其中,所述观察月周期包括多个观察期,若以各所述观察月周期内的第一个观察期为观察基期,所述根据所述观察月周期对所述历史月度借据信息进行滚轮设置处理,得到多个借据滚轮的步骤包括:
获取各所述观察基期中历史月度借据信息对应的借据号,并在对应的观察月周期内获取与所述借据号匹配的目标月度借据信息;
确定各所述观察月周期中观察期的期数,并判断所述目标月度借据信息的借据数与所述期数是否相等;
若相等,则将各所述观察月周期内相邻观察期的目标月度借据信息进行拼接,以进行滚轮设置,得到多个借据滚轮,其中,同一借据滚轮中从所述观察基期至最后一个观察期的借据数量保持一致;
若不相等,则确定缺失的待定月度借据信息,并对所述待定月度借据信息进行赋值处理,得到赋值处理后的历史月度借据信息;对所述赋值处理后的历史月度借据信息进行滚轮设置,得到多个借据滚轮;
其中,所述分别确定各所述借据滚轮中历史月度借据信息对应的账龄特征数据和逾期信息的步骤包括:
分别确定各所述观察基期中历史月度借据信息对应的第一账龄信息和第一逾期信息;
确定各所述观察基期中历史月度借据信息在对应借据滚轮中其他观察期的第二账龄信息和第二逾期信息,所述其他观察期为各所述观察月周期中除观察基期以外的观察期;
将各所述借据滚轮中历史月度借据信息的第一账龄信息和对应的第二账龄信息进行关联处理,得到对应的账龄特征数据;
结合所述第一逾期信息和对应的第二逾期信息,确定各所述借据滚轮中历史月度借据信息对应的逾期信息;
其中,所述对各所述借据滚轮中的账龄特征数据进行汇总统计,得到对应的账龄分组的步骤包括:
汇总统计各所述借据滚轮中的账龄特征数据,并将账龄特征数据相同的月度借据信息归为一类,得到对应的账龄特征类;
确定各所述账龄特征类对应的账龄,并根据所述账龄对各所述账龄特征类进行分组,得到对应的账龄分组;
所述统计各所述账龄分组中的逾期信息,得到各所述账龄分组对应的借据逾期数据的步骤包括:
根据各所述账龄分组中月度借据信息的逾期信息,确定各所述账龄分组中的逾期状态类型;
根据所述逾期状态类型和各所述账龄分组中月度借据信息的逾期信息,对各所述账龄分组中的月度借据信息进行统计,得到对应的借据逾期数据。
2.如权利要求1所述的违约率确定方法,其特征在于,所述根据所述借据逾期数据确定各所述账龄分组对应的月度违约率的步骤之后,还包括:
当接收到目标客户的新月度借据信息时,确定所述新月度借据信息对应的目标账龄特征数据,并根据所述目标特征数据确定所述新月度借据信息的目标账龄分组;
确定所述新月度借据信息的目标逾期状态,并根据所述目标逾期状态和所述目标账龄分组,确定所述新月度借据信息对应的目标月度违约率;
对所述目标客户执行所述目标月度违约率对应的催收策略。
3.一种违约率确定系统,其特征在于,所述违约率确定系统包括: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违约率确定程序,所述违约率确定程序被所述处理器执行时实现如权利要求1至2中任一项所述的违约率确定方法的步骤。
4.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至2中任一项所述的违约率确定方法的步骤。
5.一种存储介质,其特征在于,所述存储介质上存储有违约率确定程序,所述违约率确定程序被处理器执行时实现如权利要求1至2中任一项所述的违约率确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110576486.3A CN113313570B (zh) | 2021-05-25 | 2021-05-25 | 违约率确定方法、系统、计算机程序产品及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110576486.3A CN113313570B (zh) | 2021-05-25 | 2021-05-25 | 违约率确定方法、系统、计算机程序产品及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113313570A CN113313570A (zh) | 2021-08-27 |
CN113313570B true CN113313570B (zh) | 2024-05-10 |
Family
ID=77374927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110576486.3A Active CN113313570B (zh) | 2021-05-25 | 2021-05-25 | 违约率确定方法、系统、计算机程序产品及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313570B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001015047A1 (en) * | 1999-08-24 | 2001-03-01 | Private Investor Reserves, Llc | Method and apparatus to allow customized investor borrowing on securities |
KR20040022777A (ko) * | 2002-09-07 | 2004-03-18 | 삼성증권주식회사 | 네트워크 기반의 예탁 유가증권을 이용한 자동 담보대출서비스 시스템 및 방법 |
CN106503873A (zh) * | 2016-11-30 | 2017-03-15 | 腾云天宇科技(北京)有限公司 | 一种预测用户守约概率的方法、装置和计算设备 |
CN107248114A (zh) * | 2017-06-01 | 2017-10-13 | 世纪禾光科技发展(北京)有限公司 | 电商贷款管理方法和系统 |
CN109903152A (zh) * | 2019-01-24 | 2019-06-18 | 平安科技(深圳)有限公司 | 违约损失分析方法、装置及计算机可读存储介质 |
CN110246031A (zh) * | 2019-06-21 | 2019-09-17 | 深圳前海微众银行股份有限公司 | 企业信用的评估方法、系统、设备及存储介质 |
CN111626843A (zh) * | 2020-05-09 | 2020-09-04 | 深圳索信达数据技术有限公司 | 一种基于风险管理数据的Vintage分析方法 |
CN112102073A (zh) * | 2020-09-27 | 2020-12-18 | 长安汽车金融有限公司 | 信贷风险控制方法及系统、电子设备及可读存储介质 |
CN112508708A (zh) * | 2020-12-13 | 2021-03-16 | 李力 | 一种基于区块链技术的证券化现金流跟踪方法及系统 |
CN112602075A (zh) * | 2018-06-01 | 2021-04-02 | 奥恩全球运营欧洲股份公司新加坡分公司 | 用于灾难性损失估计的系统、方法和平台 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070271178A1 (en) * | 2006-05-22 | 2007-11-22 | Davis Richard S | Loan program and process for transacting the same |
US20140304185A1 (en) * | 2013-03-15 | 2014-10-09 | United Student Aid Funds, Inc. | System and method for managing educational institution borrower debt |
-
2021
- 2021-05-25 CN CN202110576486.3A patent/CN113313570B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001015047A1 (en) * | 1999-08-24 | 2001-03-01 | Private Investor Reserves, Llc | Method and apparatus to allow customized investor borrowing on securities |
KR20040022777A (ko) * | 2002-09-07 | 2004-03-18 | 삼성증권주식회사 | 네트워크 기반의 예탁 유가증권을 이용한 자동 담보대출서비스 시스템 및 방법 |
CN106503873A (zh) * | 2016-11-30 | 2017-03-15 | 腾云天宇科技(北京)有限公司 | 一种预测用户守约概率的方法、装置和计算设备 |
CN107248114A (zh) * | 2017-06-01 | 2017-10-13 | 世纪禾光科技发展(北京)有限公司 | 电商贷款管理方法和系统 |
CN112602075A (zh) * | 2018-06-01 | 2021-04-02 | 奥恩全球运营欧洲股份公司新加坡分公司 | 用于灾难性损失估计的系统、方法和平台 |
CN109903152A (zh) * | 2019-01-24 | 2019-06-18 | 平安科技(深圳)有限公司 | 违约损失分析方法、装置及计算机可读存储介质 |
CN110246031A (zh) * | 2019-06-21 | 2019-09-17 | 深圳前海微众银行股份有限公司 | 企业信用的评估方法、系统、设备及存储介质 |
CN111626843A (zh) * | 2020-05-09 | 2020-09-04 | 深圳索信达数据技术有限公司 | 一种基于风险管理数据的Vintage分析方法 |
CN112102073A (zh) * | 2020-09-27 | 2020-12-18 | 长安汽车金融有限公司 | 信贷风险控制方法及系统、电子设备及可读存储介质 |
CN112508708A (zh) * | 2020-12-13 | 2021-03-16 | 李力 | 一种基于区块链技术的证券化现金流跟踪方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113313570A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8600854B2 (en) | Method and system for evaluating customers of a financial institution using customer relationship value tags | |
US7881959B2 (en) | On demand selection of marketing offers in response to inbound communications | |
US20020178098A1 (en) | System and method for measuring and utilizing pooling analytics | |
CN107274156A (zh) | HCMxpress人力快线中薪资福利模块的实现方法 | |
US20110099101A1 (en) | Automated validation reporting for risk models | |
US8788413B2 (en) | System and method for managing related accounts | |
JP4812978B2 (ja) | 事務処理管理方法及びシステム | |
US20110054948A1 (en) | Fiduciary cash flow data management | |
US10600063B2 (en) | Real-time system to identify and analyze behavioral patterns to predict churn risk and increase retention | |
CN113313570B (zh) | 违约率确定方法、系统、计算机程序产品及存储介质 | |
CN112465613A (zh) | 贷款利息参数化计提方法及装置 | |
CN116596659A (zh) | 基于大数据风控的企业智能化信贷审批方法、系统及介质 | |
CN115660881A (zh) | 一种基于商业客户财务收支的监测方法、系统和介质 | |
CN115797052A (zh) | 基于供应链金融的授信额度分析方法及系统 | |
CN115034685A (zh) | 客户价值评估方法、装置和计算机可读存储介质 | |
WO1999009503A1 (en) | A method and system for evaluating customers of a financial institution using customer relationship value tags | |
CN114282921A (zh) | 预付卡处理方法、装置、计算机设备以及存储介质 | |
Manshadi et al. | Redesigning VolunteerMatch's Ranking Algorithm: Toward More Equitable Access to Volunteers | |
CN112632197A (zh) | 基于知识图谱的业务关系处理方法及装置 | |
CN111754341A (zh) | 一种计算小微企业贷款违约概率pd的方法 | |
CN110956535A (zh) | 一种数据处理方法及装置 | |
CN112101703B (zh) | 一种基于元数据的预计可用库存统计方法及装置 | |
CN111489261B (zh) | 一种再保险业务处理方法、装置、设备及可读存储介质 | |
CN115311068A (zh) | 基于小微企业的额度定价方法、装置、设备及存储介质 | |
CN111626466A (zh) | 一种现金流数据预测方法、装置及系统 |
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 |