CN113642825A - 适用于车贷合作机构的监管方法 - Google Patents

Abstract

本申请的提供了一种适用于车贷合作机构的监管方法，包括：构建用于实现监管数据分析的人工神经网络模型；评估和优化所述人工神经网络模型；采用所述人工神经网络模型对所述车贷合作机构的数据进行管控；其中，人工神经网络模型的特征包括：经营风险、芯用风险、代偿风险、过程风险、道德风险、关联风险和业务风险。本申请的有益之处在于：提供了一种采用了人工智能方式高效并准确的解决合作机构风险评估的适用于车贷合作机构的监管方法。

Description

适用于车贷合作机构的监管方法

技术领域

本申请涉及金融机构的监管方法，具体而言，涉及一种适用于车贷合作机构的监管方法。

背景技术

金融类企业经营管理的很多方面都可以应用大数据技术，例如金融产品研发、客户关系维护、绩效考评、市场营销等，但是在风险管理的应用上还是最为重要的。随着科技信息的发展和数据的海量增长，大量结构化和非结构化的数据信息存在于银行内外部环境中，为风险管理中大数据技术的应用提供了一定的数据基础。

合作机构的定义为在车辆消费贷金融场景下，相关中介机构和资金方存在业务合作，其中存在一定担保责任的为担保中介机构，其中存在一定引流量责任的为引流中介机构。

在车辆消费贷场景下的资金方对于合作机构的监测管理中，一般比较常用的利用内部数据进行分析控制，而且都是以传统的报表文件导出的方式进行分析，但分析维度较少，时效性较低且评估方法大多基于个人经验、非常主观，且考虑的因素不全面。

发明内容

为了解决现有技术的不足之处，本申请的提供了一种适用于车贷合作机构的监管方法，包括：构建用于实现监管数据分析的人工神经网络模型；评估和优化所述人工神经网络模型；采用所述人工神经网络模型对所述车贷合作机构的数据进行管控；其中，人工神经网络模型的特征包括：经营风险、芯用风险、代偿风险、过程风险、道德风险、关联风险和业务风险。

进一步地，所述构建用于实现监管数据分析的人工神经网络模型的步骤包括：变量抽取：基于API获取三方数据并对三方数据进行筛选抽取所需变量，所述三方数据包括：银联数据、人行征信数据、工商数据、法律数据、新闻资讯数据。

进一步地，所述构建用于实现监管数据分析的人工神经网络模型的步骤还包括：样本定义：根据反馈的业务订单数据，进行样本打标，车贷合作机构的订单逾期率大于等于预设值时，将该车贷合作机构的数据定义为坏样本，其余样本定义为好样本。

进一步地，所述样本定义还包括：判断所述好样本的数量是否大于等于预设值；如果所述好样本的数量小于预设值，则对样本进行上采样。

进一步地，所述构建用于实现监管数据分析的人工神经网络模型的步骤还包括：特征构建：根据所述人工神经网络模型的特征的维度梳理基础指标，并结合时间特性以基于统计量方式进行特征衍生。

进一步地，所述构建用于实现监管数据分析的人工神经网络模型的步骤还包括：特征筛选：根据特征的重要和特征的相关性对特征进行筛选。

进一步地，所述评估和优化所述人工神经网络模型的步骤包括：组合策略变量集合进行对所述人工神经网络模型验证和评估工作。

进一步地，所述组合策略变量集合进行对所述人工神经网络模型验证和评估工作包括：将验证数据输入至所述人工神经网络模型进行验证，判断所述人工神经网络模型输出结果的命中率是否大于等于命中率预设值，如果是，则完成所述人工神经网络模型的构建工作；如果否，则继续优化所述工神经网络模型。

进一步地，所述命中率的预设值取值范围为45%至65%。

进一步地，所述命中率的预设值取值范围为50%。

本申请的有益之处在于：提供了一种采用了人工智能方式高效并准确的解决合作机构风险评估的适用于车贷合作机构的监管方法。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请一种实施例的适用于车贷合作机构的监管方法所适用的应用场景机构流程示意图；

图2是根据本申请一种实施例的适用于车贷合作机构的监管方法的步骤流程示意图；

图3是根据本申请一种实施例的适用于车贷合作机构的监管方法中构建模型步骤流程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

参照图1至图3所示，本发明的目的是结合外部大数据+内部业务数据的方式，寻找出一套真实有效的针对合作机构监控管理的变量集合，为后续合作机构监控策略的配设提供科学依据。

实现的核心技术方案是包括：

一变量抽取，收集围绕车辆消费贷场景下合作机构（企业）的经营稳定性及欺诈性相关风险点，如经营风险，信用风险，代偿风险，过程风险，业务风险等，再根据合作机构的各风险点及其相关性能够合理验证的外部及内部数据信息，如企业银联数据、人行企业征信数据、工商、法院、资讯数据、以及业务订单交易数据。

二样本定义，定义出“好”“坏”样本，进行样本分层。

三特征构建，总结归纳出所有数据属性下的相关特征及变量数据，包含数据源内的数据清洗及数据集划分，且继续衍生变量和组合变量的相关性分析工作。

四特征筛选，特征筛选包括基于特征重要性筛选和基于特征相关性筛选；五组合策略变量集合进行模型的验证和评估工作；六资金方系统内配设合作机构监测模型，预警出风险较高的合作机构，并提示出具体的风险内容。

作为更具体的方案，本申请的适用于车贷合作机构的监管方法包括：构建用于实现监管数据分析的人工神经网络模型；评估和优化所述人工神经网络模型；采用所述人工神经网络模型对所述车贷合作机构的数据进行管控。

更具体而言，作为具体步骤的说明，本申请具体包括：

步骤一：变量抽取。基于API对接的三方数据，如银联数据、人行征信数据、工商、法院、资讯等数据，以及业务订单表现数据，进行变量的筛选工作。

步骤二：样本定义，打标及增强。根据资金方反馈的业务订单情况，进行样本打标，给定表现期九个月，存在三期15+的定义为逾期订单，合作机构内订单表现逾期率>=5%作为“坏”样本，其他的为“好”样本。如果样本较少，那需要对样本进行上采样，即样本增强。可以在时间序列上通过滑动窗口，生成多个切片数据，不同切片数据相当于对原单个样本进行复制或增强。

步骤三：特征构建。基于业务专家经验，影响合作机构监测风险的主要维度有：经营风险、信用风险、代偿风险、过程风险、道德风险、关联风险及业务风险等。根据这些维度，梳理基础指标，并结合时间特性，基于均值、方差、比值等统计量进行特征衍生。构造出当日前一月平均值、后一月平均值、前一月均值与后一月均值的比值、差值、趋势等统计量，共计5000+维特征。

步骤四：特征筛选。特征筛选包括基于特征重要性筛选和基于特征相关性筛选。

1）经营风险，具体的企业经营状态命中非“存续”“在业”等正常状态，则发出预警信息；企业命中严重税务违规，严重工商违规等违规行为，则发出预警信息；企业一个月内出现法人变更，股东变更，名称变更的，则发出预警信息；

2）信用风险，具体的企业根据7日/15日/30日新增的被执行信息/失信信息/限高信息，命中一条则触发预警，30天内的劳务纠纷被告次数增加3笔以上，则发出预警信息；具体的法人个人根据7日/15日/30日新增的被执行信息/失信信息/限高信息，命中则发出预警信息，7日/15日/30日存在新增金融案件被告纠纷，则发出预警信息；

3）代偿风险，具体的代偿订单绝对值大于等于3，7日/15日/30日新增的代偿订单/总订单数的环比增加>=50%，或代偿订单绝对值小于3，7日/15日/30日新增的代偿订单/总订单数的环比增加>=100%，则发出预警信息；

4）过程风险，具体的7日/15日/30日新增的未按时抵押的订单>=3笔，则发出预警信息，具体的7日/15日/30日新增的过程问题订单>=3笔，则发出预警信息；

5）道德风险，具体的7日/15日/30日新增的操作人员的问题订单>=2笔，则发出预警信息，具体的7日/15日/30日新增的中介人员的问题订单>=2笔，则发出预警信息；

6）关联风险，具体的公司，法人，股东高度关联的企业在7日/15日/30日新增存在被执行信息/失信信息/限高信息，则发出预警信息；

7）业务风险，具体的7日/15日/30日名下担保/引流的公司逾期率达到5%以上的新增数量>=2家，则发出预警信息，具体的7日/15日/30日名下担保/引流的公司新增预警数量>=2家，则发出预警信息，具体的近3天首期15+逾期订单数/近7天首期15+逾期订单数>=70%，则发出预警信息，具体的近7天首期15+逾期订单数/近15天首期15+逾期订单数>=70%，则发出预警信息，具体的近3天首期30+逾期订单数/近7天首期30+逾期订单数>=70%，则发出预警信息，具体的近7天首期30+逾期订单数/近15天首期30+逾期订单数>=70%，则发出预警信息，具体的前四期15+的订单逾期率>=8%，则发出预警信息，具体的前四期30+的订单逾期率>=5%，则发出预警信息，具体的前六期15+的订单逾期率>=8%，则发出预警信息，具体的前六期15+的订单逾期率>=5%，则发出预警信息，具体的近3天"终止订单"的订单数/近7天"终止订单"的订单数>=70%，则发出预警信息，具体的近3天"终止订单"的订单数/近7天"取消订单"的订单数>=80%，则发出预警信息，具体的近3天"拒绝订单"的订单数/近7天"终止订单"的订单数>=70%，则发出预警信息，具体的近3天的通过率<=30%，则发出预警信息，具体的近3天用款率/近7天用款率<=30%，则发出预警信息；

步骤五：组合策略变量集合进行模型的验证和评估工作。模型的效果在验证数据中能命中50%的高风险合作机构。

步骤六：模型上线及辅助业务管控。根据模型上线后，结合内外部的大数据信息针对行内的合作机构且根据资金方的监测频率进行监测，得出相关的模型监测结果，辅助资金方对于合作机构进行业务管控。

以合作机构监测为例，模型策略主要从3方面大维度考虑：经营风险、信用风险和业务风险。

具体而言，经营风险需要考量如下：

经营状态变更为"停业"、"清算"、"注销"、"吊销"，命中严重税务违规，命中严重工商违规，1个月内法人变更次数>=2，1个月内股东变更次数>=2，3个月负面舆情的新增占比>=50%，近7天总交易金额/近14天总交易金额的比例<=25%，近30天的交易金额/近60天的交易金额<=30%，近7日的交易笔数/近14天的交易笔数<=25%，近30天的交易笔数/近60天的交易笔数<=30%，近360天的深夜交易时间内的交易金额/近360天的总交易金额>=30%，近360天的疑似套现金额/近360天的总交易金额>=30%。

具体而言，信用风险需要考量如下：

以企业为主体的30天新增被执行信息笔数>=1，30天新增失信/限高信息笔数>=1，30天新增金融案件被告次数>=3，30天新增的劳务纠纷被告的次数>=3，30天新增的劳务纠纷被告的次数>=3。

以法人个人为主体的30天新增被执行记录条数>=1，30天新增失信/限高信息次数>=1，30天新增金融案件被告次数>=2，命中信息1、信息2。

具体而言，业务风险需要考量如下：

近7天名下担保的公司逾期率达到3%以上的占比（首期30+）>=0.5，近7天/近15天申请订单数的占比<=10%，且近7天申请订单数>=2，近7天/近15天交易订单数的占比<=10%，且近7天交易订单数>=5，近30天/近60天贷后订单数的占比<=20%，且近30天交易订单数>=8，首期30+逾期率>=4%，且首期30+逾期订单数>=4，近3天首期30+逾期订单数/近7天首期30+逾期订单数>=75%，且近3天首期30+逾期订单数>=2，近30天首期30+逾期订单数/近60天首期30+逾期订单数>=70%，且近30天首期30+逾期订单数，前六期30+逾期率>=9%，且前六期30+逾期订单数>=4，近90天首期30+逾期率>3%，且近90天首期30+逾期次数>=3，近3天/近7天贷后订单发票高开订单数的占比>=70%，且近7天贷后订单发票高开订单数>=5，近3天通过订单数/近7天通过订单数<=20%，且近3天通过订单数>=3，近3天银行拒绝订单数/近7天银行拒绝订单数>=85%，且近7天银行拒绝订单数>=6，近7/15天用款率（通过订单中，成功放款的占比）<=30%，且近7天用款率>0。

最后根据命中的结果，输出是否命中预警策略并提示预警信息。

以上方案的优势在于：本发明全新的提供的了一套车辆消费贷场景下的合作机构风险监测的方案；发明提供的监测风险方案，是基于外部+内部的数据，其中包含了专家的主观针对企业的风险经验变量，也包含了通过数据分析得出的“坏”企业的高度相关的风险变量，二种变量相结合最终输出合作机构的风险监测结果。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种适用于车贷合作机构的监管方法，其特征在于：

所述适用于车贷合作机构的监管方法包括：

构建用于实现监管数据分析的人工神经网络模型；

评估和优化所述人工神经网络模型；

采用所述人工神经网络模型对所述车贷合作机构的数据进行管控；

其中，人工神经网络模型的特征包括：经营风险、芯用风险、代偿风险、过程风险、道德风险、关联风险和业务风险。

2.根据权利要求1所述的适用于车贷合作机构的监管方法，其特征在于：

所述构建用于实现监管数据分析的人工神经网络模型的步骤包括：

变量抽取：基于API获取三方数据并对三方数据进行筛选抽取所需变量，所述三方数据包括：银联数据、人行征信数据、工商数据、法律数据、新闻资讯数据。

3.根据权利要求2所述的适用于车贷合作机构的监管方法，其特征在于：

所述构建用于实现监管数据分析的人工神经网络模型的步骤还包括：

样本定义：根据反馈的业务订单数据，进行样本打标，车贷合作机构的订单逾期率大于等于预设值时，将该车贷合作机构的数据定义为坏样本，其余样本定义为好样本。

4.根据权利要求3所述的适用于车贷合作机构的监管方法，其特征在于：

所述样本定义还包括：

判断所述好样本的数量是否大于等于预设值；

如果所述好样本的数量小于预设值，则对样本进行上采样。

5.根据权利要求4所述的适用于车贷合作机构的监管方法，其特征在于：

所述构建用于实现监管数据分析的人工神经网络模型的步骤还包括：

特征构建：根据所述人工神经网络模型的特征的维度梳理基础指标，并结合时间特性以基于统计量方式进行特征衍生。

6.根据权利要求5所述的适用于车贷合作机构的监管方法，其特征在于：

所述构建用于实现监管数据分析的人工神经网络模型的步骤还包括：

特征筛选：根据特征的重要和特征的相关性对特征进行筛选。

7.根据权利要求6所述的适用于车贷合作机构的监管方法，其特征在于：

所述评估和优化所述人工神经网络模型的步骤包括：

组合策略变量集合进行对所述人工神经网络模型验证和评估工作。

8.根据权利要求7所述的适用于车贷合作机构的监管方法，其特征在于：

所述组合策略变量集合进行对所述人工神经网络模型验证和评估工作包括：

将验证数据输入至所述人工神经网络模型进行验证，判断所述人工神经网络模型输出结果的命中率是否大于等于命中率预设值，如果是，则完成所述人工神经网络模型的构建工作；如果否，则继续优化所述工神经网络模型。

9.根据权利要求8所述的适用于车贷合作机构的监管方法，其特征在于：

所述命中率的预设值取值范围为45%至65%。

10.根据权利要求9所述的适用于车贷合作机构的监管方法，其特征在于：

所述命中率的预设值取值范围为50%。

Images