CN114266414A - 贷款数额的预测方法、装置、电子设备和介质 - Google Patents
贷款数额的预测方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN114266414A CN114266414A CN202111644368.8A CN202111644368A CN114266414A CN 114266414 A CN114266414 A CN 114266414A CN 202111644368 A CN202111644368 A CN 202111644368A CN 114266414 A CN114266414 A CN 114266414A
- Authority
- CN
- China
- Prior art keywords
- loan amount
- prediction
- data
- model
- loan
- 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
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种贷款数额的预测方法、装置、电子设备、介质和程序产品,涉及数据分析技术领域。所述方法包括:利用各对象的贷款数额历史数据拟合预测模型,其中,所述预测模型用于反映多维数据间的概率相依结构;利用所述拟合好的预测模型产生多维模拟数据,将所述多维模拟数据作为所述各对象未来贷款数额的预测结果;将利用所述拟合好的预测模型产生的多次预测结果进行对比,计算各对象的贷款数额增长率,并根据所述各对象的贷款数额增长率获取所述各对象之间贷款数额的关联性。本申请的技术方案可以实现各对象未来贷款数额的精准预测和不同对象间贷款数额变化的关联性分析。
Description
技术领域
本申请涉及数据分析技术领域,尤其涉及一种贷款数额的预测方法、装置、电子设备、介质和程序产品。
背景技术
贷款融资是金融业务中最常见的需求,也是金融机构的主要营收来源之一,如何更好发掘市场客户的贷款需求是各金融机构不遗余力的提升自身能力的主要方向。
一般来说,在一个产业集群下,各企业公司在生产上往往是协同配合的产业链上下游关系,这就使得其生产周期活动具有很强的内在关联性。反映在资金需求上就是各公司的贷款融资往往都是同步的,例如一家公司要扩大生产需要更多资金,其上下游配套企业为了获取更多市场订单或货源,也会同时扩大自己的产能,同步产生对庞大资金的需求。
那么,如何把这些产业链集群下的各家企业资金需求精准地预测出来,就成为了各金融机构掌握市场先机的关键。
发明内容
本申请提供一种贷款数额的预测方法、装置、电子设备、介质和程序产品,以实现各对象未来贷款数额的精准预测和不同对象间贷款数额变化的关联性分析。
第一方面,本申请提供了一种贷款数额的预测方法,该方法包括:
利用各对象的贷款数额历史数据拟合预测模型,其中,所述预测模型用于反映多维数据间的概率相依结构;
利用所述拟合好的预测模型产生多维模拟数据,将所述多维模拟数据作为所述各对象未来贷款数额的预测结果;
将利用所述拟合好的预测模型产生的多次预测结果进行对比,计算各对象的贷款数额增长率,并根据所述各对象的贷款数额增长率获取所述各对象之间贷款数额的关联性。
第二方面,本申请还提供了一种贷款数额的预测装置,该装置包括:
模型拟合模块,用于利用各对象的贷款数额历史数据拟合预测模型,其中,所述预测模型用于反映多维数据间的概率相依结构;
预测模块,用于利用所述拟合好的预测模型产生多维模拟数据,将所述多维模拟数据作为所述各对象未来贷款数额的预测结果;
关联分析模块,用于将利用所述拟合好的预测模型产生的多次预测结果进行对比,计算各对象的贷款数额增长率,并根据所述各对象的贷款数额增长率获取所述各对象之间贷款数额的关联性。
第三方面,本申请还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如上所述的贷款数额的预测方法。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的贷款数额的预测方法。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的贷款数额的预测方法。
本申请的技术方案中,利用各对象的贷款数额历史数据拟合预测模型,再利用拟合好的预测模型为各对象未来的贷款数额进行预测。进一步的,还通过将利用预测模型产生的多次预测结果进行对比,计算各对象的贷款数额增长率,根据各对象的贷款数额增长率获取各对象之间贷款数额的关联性。由此,本申请采用能够反映多维数据间的概率相依结构的预测模型来模拟各对象未来贷款需求的联动关系变化,并基于预测模型预测各对象未来的贷款数额,极大地提高了数据的利用效率和信息的挖掘深度,为金融机构针对各对象自身提出了系统性的市场预测分析方法。
附图说明
图1是本申请实施例中的贷款数额的预测方法的流程图;
图2是本申请实施例中的贷款数额的预测方法的流程图;
图3是本申请实施例中的贷款数额的预测方法的流程图;
图4是本申请实施例中的贷款数额的预测装置的结构示意图;
图5是本申请实施例中的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
图1为本申请实施例中的贷款数额的预测方法的流程图,本实施例可适用于根据拟合的预测模型对各对象(例如金融机构的企业客户)未来的贷款数额进行预测以及关联性分析的情况,涉及数据分析技术领域。该方法可以由贷款数额的预测装置来执行,该装置可以采用软件和/或硬件的方式实现,优选是配置于电子设备中,例如计算机设备或服务器等。如图1所示,该方法具体包括:
S101、利用各对象的贷款数额历史数据拟合预测模型,其中,所述预测模型用于反映多维数据间的概率相依结构。
其中,对象可以是金融机构发放贷款的企业客户,而贷款数额历史数据可以是每个客户在过去一段时间内每日的贷款数额。预测模型是用于反映多维数据间的概率相依结构的模型,其本质是联合概率分布函数的变种。通过预测模型可以借助概率意义上的相关度来反映各个分量数据之间互相联动的强度关系。因此,先利用贷款数额历史数据拟合预测模型,通过拟合来确定模型中的各个参数,确定模型结构,然后利用拟合好的预测模型,基于这种相依结构来精准量化不同客户之间贷款数额的关联性,进而预测这些客户未来的贷款情况。
S102、利用拟合好的预测模型产生多维模拟数据,将多维模拟数据作为各对象未来贷款数额的预测结果。
具体的,利用拟合好的预测模型可以生成多组随机数,这些随机数即可表示预测的各对象未来的贷款数额。
S103、将利用拟合好的预测模型产生的多次预测结果进行对比,计算各对象的贷款数额增长率,并根据各对象的贷款数额增长率获取各对象之间贷款数额的关联性。
本申请实施例中,可以利用拟合好的预测模型进行多次预测,得到各对象的多组预测结果。然后,在这些不同的预测结果之间进行比较,计算出各对象的贷款数额增长率,并根据各对象的贷款数额增长率获取各对象之间贷款数额的关联性。
例如,通过进行两次预测得到两组预测结果,对比这两组预测结果,计算出每个对象的贷款数额增长率。根据这些增长率的变化情况,首先可以获取到这些对象的贷款数额需求增长率变化是否同步,在变化同步的对象中,可以提取出所有关联性高的企业形成一条条高关联度链条,这些链条极有可能就是现实中潜在产业链的基本雏形。由此,在现实场景中,可以根据这些关联度链条内企业的业务范围,分析企业在产业链上生产协作关系,从而将产业集群下的各条产业链大致整理出来。这些产业链商业价值极高,在将来的金融业务扩展中,可以基于预先分析出的产业链关系获得巨大的商业先机,例如对整条产业链上的企业进行同步营销、联动拓客等。
本申请实施例的技术方案,利用各对象的贷款数额历史数据拟合预测模型,再利用拟合好的预测模型为各对象未来的贷款数额进行预测。进一步的,还通过将利用预测模型产生的多次预测结果进行对比,计算各对象的贷款数额增长率,根据各对象的贷款数额增长率获取各对象之间贷款数额的关联性。由此,本申请采用能够反映多维数据间的概率相依结构的预测模型来模拟各对象未来贷款需求的联动关系变化,并基于预测模型预测各对象未来的贷款数额,极大地提高了数据的利用效率和信息的挖掘深度,为金融机构针对各对象自身提出了系统性的市场预测分析方法。
图2为本申请实施例中的贷款数额的预测方法的流程图,本实施例在上述实施例的基础上进行进一步地优化。如图2所示,所述方法包括:
S201、利用各对象的贷款数额历史数据,并依据极大似然法拟合所述预测模型,确定模型结构。
其中,所述预测模型为copula模型,但本申请实施例不对具体的copula模型结构做任何限定。
具体的,将贷款数额历史数据输入copula模型进行拟合,拟合结构依靠极大似然法确定最优解,也就是当copula模型对应的似然值达到最大时,此时模型参数值作为模型结构的最优估计输出,而模型的结构是由参数决定的,因此参数固定了,模型也就唯一确定了。这种评价指标给出了模型结构拟合好坏的标准,为模型最终结构的确定提供了依据。
在一种实施方式中,针对当前的应用场景中产业链集群下的客户数量成百上千的情况,面对如此大的数据维度,有些复杂的copula模型难以计算,比如R-vine等高度复杂的copula,它的计算精度很高,但代价是参数过多结构复杂,一般数据维度超过100,计算机就会计算崩溃。这时,可以采用t-copula、C-vine等中低复杂度copula模型,特别是t-copula,其重尾特性往往非常符合现实中金融数据在尾部极端波动下的概率衰减特性,更容易得到精准的预测结果。
S202、利用拟合好的预测模型进行多次预测,产生多组多维模拟数据,得到每个对象的多组贷款数额的预测结果。
S203、分别计算每个对象的多组预测结果的平均值,将所述平均值作为各对象未来贷款数额的目标预测结果。
copula模型拟合完毕后,用于预测各对象未来的贷款数额。Copula模型可以产生多维模拟数据,将一次模拟产生的数据作为各对象未来贷款数额的一次预测估计。为了保证预测精度,可以对每一个对象进行多次模拟产生多组贷款数额的预测结果,然后将每个对象的多组预测结果分别取均值作为各自最终的目标预测结果输出。此外,最终的目标预测结果还可以和现实中的真实数据进行对比,采用预测精度衡量预测效果。
S204、将利用所述拟合好的预测模型产生的多次预测结果进行对比,计算各对象的贷款数额增长率,并根据所述各对象的贷款数额增长率计算线性相关系数,根据线性相关系数来获取各对象之间贷款数额的关联性。
本申请实施例的技术方案,将企业客户过去的贷款金额数据收集起来,分析整个生产周期内不同企业客户贷款数额之间的联动变化关系,并对各企业客户未来的市场贷款需求做出预测,从而对产业链群体客户的贷款需求状况有一个更加全面、准确的评估。同时,基于各企业客户贷款需求增长率变化之间的相关性,还可以分析各企业产业协作的上下游关系,整理出现实中的潜在产业链的雏形。这些产业链在商业应用上有巨大价值,为金融机构的后续商业价值深度挖掘提供基础。
图3为本申请实施例中的贷款数额的预测方法的流程图,本实施例在上述实施例的基础上进行进一步地优化。如图3所示,所述方法包括:
S301、获取各对象在过去设定时间段内的每日贷款数额历史数据,并形成贷款数额历史数据矩阵,其中,所述贷款数额历史数据矩阵中的各列对应所述各对象,各行对应每日贷款数额历史数据。
例如,可收集产业集群下各家企业客户过去五年的贷款数据,将这些贷款数据以天为单位进行整理汇总,这样就得到了各个企业对象的每日贷款数额历史数据。其中,贷款数额历史数据若存在丢失的情况,则可以采用蒙特卡洛算法基于已有数据模拟总体样本,产生近似的新数据作为缺失值的近似估计值,从而对贷款数额历史数据中的缺失数据进行填充。
S302、将贷款数额历史数据矩阵中的各列数据,按样本分位点值进行转换,得到经验概率分布值矩阵。
具体的,数据的转换可按照如下操作进行:
将贷款数额历史数据矩阵中的各列数据按照大小顺序进行排序,排序后得到各列的样本总体;将经排序的各列数据中的每个数据,转化为其在各列样本总体中对应的分位点值,其中,所述分位点值的取值范围为0至1;根据每个数据对应的分位点值得到经验概率分布值矩阵。
需要说明的是,本申请实施例的预测模型面对的数据类型是0-1上的数值,因为它是专门用来处理各个概率分布函数间关系的结构,因此,各企业的贷款数额数据是无法直接代入模型中使用的,需要将数据进行转换。也即:输入数据必须和概率分布函数一样取值只能在0-1范围内。本申请中可以采用经验分布的方法,将各企业的贷款数额数据一字排开作为样本总体,将每个数据转化为其在样本总体中的对应分位点值即可。此外,因为在现实案例中0%和100%分位点不太常见,为了使数据更合理,在不改变数据排序的情况下,本申请中还可以将最小和最大的数值(0%和100%分位点的数据)对应的分位点作适当放缩,比如,分别改成0.01%和99.99%,以使得转化后的数据不会出现0和1这样的数值,这样模型计算出的结果往往会更加精确。
S303、利用经验概率分布值矩阵拟合预测模型。
本申请实施例中,以预测模型为t-copula模型为例给出其具体结构,但由于难以给出其copula函数的显式表达,此处列出一个d维的copula密度示例,它是由copula函数对每个分量求偏导得到,和copula函数相互唯一确定:
其中,u=(u1,…,ud)是各分量,在本申请中即为各个对象贷款数额转化为0-1之间数值后的数据。是t分布函数(自由度为v)的逆函数。R是相关系数矩阵,其第i行第j列元素表示第i个企业与第j个企业的贷款数额转化数据之间的相关系数。
S304、利用拟合好的预测模型产生多维模拟数据,将多维模拟数据作为各对象未来贷款数额的预测结果。
S305、将利用拟合好的预测模型产生的多次预测结果进行对比,计算各对象的贷款数额增长率,并根据各对象的贷款数额增长率获取各对象之间贷款数额的关联性。
本申请实施例的技术方案,采用能够反映多维数据间的概率相依结构的预测模型来模拟各对象未来贷款需求的联动关系变化,并基于预测模型预测各对象未来的贷款数额,极大地提高了数据的利用效率和信息的挖掘深度,为金融机构针对各对象自身提出了系统性的市场预测分析方法。
图4是本实施例中的贷款数额的预测装置的结构示意图。本实施例可适用于根据拟合的预测模型对各对象(例如金融机构的企业客户)未来的贷款数额进行预测以及关联性分析的情况,涉及数据分析技术领域。该装置可实现本申请任意实施例所述的贷款数额的预测方法。如图4所示,该装置具体包括:
模型拟合模块401,用于利用各对象的贷款数额历史数据拟合预测模型,其中,所述预测模型用于反映多维数据间的概率相依结构;
预测模块402,用于利用所述拟合好的预测模型产生多维模拟数据,将所述多维模拟数据作为所述各对象未来贷款数额的预测结果;
关联分析模块403,用于将利用所述拟合好的预测模型产生的多次预测结果进行对比,计算各对象的贷款数额增长率,并根据所述各对象的贷款数额增长率获取所述各对象之间贷款数额的关联性。
可选的,所述预测模型为copula模型。
可选的,所述预测模块402包括:
多次预测单元,用于利用所述拟合好的预测模型进行多次预测,产生多组多维模拟数据,得到每个对象的多组贷款数额的预测结果;
平均值计算单元,用于分别计算每个对象的多组预测结果的平均值,将所述平均值作为各对象未来贷款数额的目标预测结果。
可选的,所述关联分析模块403具体用于:
根据所述各对象的贷款数额增长率计算线性相关系数,根据所述线性相关系数来获取所述各对象之间贷款数额的关联性。
可选的,所述模型拟合模块401具体用于:
利用各对象的贷款数额历史数据,并依据极大似然法拟合所述预测模型,确定模型结构。
可选的,所述装置还包括:
数据填充模块,用于采用蒙特卡洛算法对所述贷款数额历史数据中的缺失数据进行填充。
可选的,所述模型拟合模块401包括:
数据获取单元,用于获取各对象在过去设定时间段内的每日贷款数额历史数据,并形成贷款数额历史数据矩阵,其中,所述贷款数额历史数据矩阵中的各列对应所述各对象,各行对应每日贷款数额历史数据;
数据转换单元,用于将所述贷款数额历史数据矩阵中的各列数据,按样本分位点值进行转换,得到经验概率分布值矩阵;
模型拟合单元,用于利用所述经验概率分布值矩阵拟合所述预测模型。
可选的,所述数据转换单元具体用于:
将所述贷款数额历史数据矩阵中的各列数据按照大小顺序进行排序,排序后得到各列的样本总体;
将经排序的各列数据中的每个数据,转化为其在各列样本总体中对应的分位点值,其中,所述分位点值的取值范围为0至1;
根据所述每个数据对应的分位点值得到所述经验概率分布值矩阵。
可选的,所述数据转换单元还用于:
在不改变所述排序的顺序的情况下,将所述每个数据在各列样本总体对应的分位点值中出现的极值进行缩放。
本申请实施例所提供的贷款数额的预测装置可执行本申请任意实施例所提供的贷款数额的预测方法,具备执行方法相应的功能模块和有益效果。
图5为本申请实施例提供的一种电子设备的结构示意图。图5示出了适于用来实现本申请实施方式的示例性电子设备12的框图。图5显示的电子设备12仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本申请实施例所提供的贷款数额的预测方法。
本申请实施例中还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请实施例所提供的贷款数额的预测方法。
本申请实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中,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。
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。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
此外,本申请还提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的贷款数额的预测方法。
本申请实施例的技术方案中,所涉及的用户个人及企业信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (14)
1.一种贷款数额的预测方法,其特征在于,包括:
利用各对象的贷款数额历史数据拟合预测模型,其中,所述预测模型用于反映多维数据间的概率相依结构;
利用所述拟合好的预测模型产生多维模拟数据,将所述多维模拟数据作为所述各对象未来贷款数额的预测结果;
将利用所述拟合好的预测模型产生的多次预测结果进行对比,计算各对象的贷款数额增长率,并根据所述各对象的贷款数额增长率获取所述各对象之间贷款数额的关联性。
2.根据权利要求1所述的方法,其特征在于,所述预测模型为copula模型。
3.根据权利要求1所述的方法,其特征在于,所述利用所述拟合好的预测模型产生多维模拟数据,将所述多维模拟数据作为所述各对象未来贷款数额的预测结果,包括:
利用所述拟合好的预测模型进行多次预测,产生多组多维模拟数据,得到每个对象的多组贷款数额的预测结果;
分别计算每个对象的多组预测结果的平均值,将所述平均值作为各对象未来贷款数额的目标预测结果。
4.根据权利要求1所述的方法,其特征在于,所述根据所述各对象的贷款数额增长率获取所述各对象之间贷款数额的关联性,包括:
根据所述各对象的贷款数额增长率计算线性相关系数,根据所述线性相关系数来获取所述各对象之间贷款数额的关联性。
5.根据权利要求1所述的方法,其特征在于,所述利用各对象的贷款数额历史数据拟合预测模型,包括:
利用各对象的贷款数额历史数据,并依据极大似然法拟合所述预测模型,确定模型结构。
6.根据权利要求1所述的方法,其特征在于,还包括:
采用蒙特卡洛算法对所述贷款数额历史数据中的缺失数据进行填充。
7.根据权利要求1所述的方法,其特征在于,所述利用各对象的贷款数额历史数据拟合预测模型,包括:
获取各对象在过去设定时间段内的每日贷款数额历史数据,并形成贷款数额历史数据矩阵,其中,所述贷款数额历史数据矩阵中的各列对应所述各对象,各行对应每日贷款数额历史数据;
将所述贷款数额历史数据矩阵中的各列数据,按样本分位点值进行转换,得到经验概率分布值矩阵;
利用所述经验概率分布值矩阵拟合所述预测模型。
8.根据权利要求7所述的方法,其特征在于,所述将所述贷款数额历史数据矩阵中的各列数据,按样本分位点值进行转换,得到经验概率分布值矩阵,包括:
将所述贷款数额历史数据矩阵中的各列数据按照大小顺序进行排序,排序后得到各列的样本总体;
将经排序的各列数据中的每个数据,转化为其在各列样本总体中对应的分位点值,其中,所述分位点值的取值范围为0至1;
根据所述每个数据对应的分位点值得到所述经验概率分布值矩阵。
9.根据权利要求8所述的方法,其特征在于,其中,所述将所述贷款数额历史数据矩阵中的各列数据,按样本分位点值进行转换,得到经验概率分布值矩阵,还包括:
在不改变所述排序的顺序的情况下,将所述每个数据在各列样本总体对应的分位点值中出现的极值进行缩放。
10.一种贷款数额的预测装置,其特征在于,包括:
模型拟合模块,用于利用各对象的贷款数额历史数据拟合预测模型,其中,所述预测模型用于反映多维数据间的概率相依结构;
预测模块,用于利用所述拟合好的预测模型产生多维模拟数据,将所述多维模拟数据作为所述各对象未来贷款数额的预测结果;
关联分析模块,用于将利用所述拟合好的预测模型产生的多次预测结果进行对比,计算各对象的贷款数额增长率,并根据所述各对象的贷款数额增长率获取所述各对象之间贷款数额的关联性。
11.根据权利要求10所述的装置,其特征在于,所述预测模型为copula模型。
12.一种电子设备,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1-9中任一所述的贷款数额的预测方法。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-9中任一所述的贷款数额的预测方法。
14.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的贷款数额的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111644368.8A CN114266414A (zh) | 2021-12-29 | 2021-12-29 | 贷款数额的预测方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111644368.8A CN114266414A (zh) | 2021-12-29 | 2021-12-29 | 贷款数额的预测方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114266414A true CN114266414A (zh) | 2022-04-01 |
Family
ID=80831508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111644368.8A Pending CN114266414A (zh) | 2021-12-29 | 2021-12-29 | 贷款数额的预测方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114266414A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115731023A (zh) * | 2022-11-23 | 2023-03-03 | 联洋国融(北京)科技有限公司 | 一种贷款回收现金流数额的预测方法和系统 |
-
2021
- 2021-12-29 CN CN202111644368.8A patent/CN114266414A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115731023A (zh) * | 2022-11-23 | 2023-03-03 | 联洋国融(北京)科技有限公司 | 一种贷款回收现金流数额的预测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103370722B (zh) | 通过小波和非线性动力学预测实际波动率的系统和方法 | |
US7584160B2 (en) | System and method for optimizing project subdivision using data and requirements focuses subject to multidimensional constraints | |
CN106030589A (zh) | 使用开源数据的疾病预测系统 | |
CN110738527A (zh) | 一种特征重要性排序方法、装置、设备和存储介质 | |
US20110167020A1 (en) | Hybrid Simulation Methodologies To Simulate Risk Factors | |
CN110264270A (zh) | 一种行为预测方法、装置、设备和存储介质 | |
CN112182118B (zh) | 基于多数据源的目标对象预测方法及其相关设备 | |
Zhou et al. | A novel grey seasonal model based on cycle accumulation generation for forecasting energy consumption in China | |
CN110543996A (zh) | 一种职位薪资评估方法、装置、服务器和存储介质 | |
CN112988840A (zh) | 一种时间序列预测方法、装置、设备和存储介质 | |
CN112668238A (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
Wang et al. | An adaptive two-stage dual metamodeling approach for stochastic simulation experiments | |
CN114266414A (zh) | 贷款数额的预测方法、装置、电子设备和介质 | |
Liaqat et al. | Comparative Analysis of the Time‐Fractional Black–Scholes Option Pricing Equations (BSOPE) by the Laplace Residual Power Series Method (LRPSM) | |
Almomani et al. | Selecting a good stochastic system for the large number of alternatives | |
Tambue et al. | A stochastic delay model for pricing debt and equity: Numerical techniques and applications | |
US20230022253A1 (en) | Fast and accurate prediction methods and systems based on analytical models | |
CN115952878A (zh) | 用电负荷预测方法、装置、电子设备和存储介质 | |
CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 | |
CN112115316B (zh) | 一种分箱方法、装置、电子设备及存储介质 | |
CN114154757A (zh) | 企业风险预测方法、装置、电子设备和介质 | |
CN114169993A (zh) | 金融机构风险预警方法、装置、电子设备和介质 | |
CN114239997A (zh) | 营收数据的预测方法、装置、电子设备和介质 | |
Sravan et al. | Precise Portfolio Optimization Based on Novel Modern Portfolio Theory Using Time Series Model Compared with LASSO Regression | |
CN114331682A (zh) | 对象间存款数额关联性的获取方法和装置 |
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 |