CN114387075A - 一种企业信贷策略查询方法及系统 - Google Patents
一种企业信贷策略查询方法及系统 Download PDFInfo
- Publication number
- CN114387075A CN114387075A CN202111369902.9A CN202111369902A CN114387075A CN 114387075 A CN114387075 A CN 114387075A CN 202111369902 A CN202111369902 A CN 202111369902A CN 114387075 A CN114387075 A CN 114387075A
- Authority
- CN
- China
- Prior art keywords
- credit
- bank
- enterprise
- rate
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开公开的一种企业信贷策略查询方法及系统,包括:接收信贷策略查询请求,解析其中包含的银行的唯一标识信息;根据唯一标识信息,从信贷策略存储数据库中调取相应的信贷策略;其中,企业信贷策略的计算过程为:获取各企业的评价指标数据;根据各企业的评价指标数据,预测各企业的信誉等级;根据信誉等级从各企业中筛选符合银行贷款要求的企业,计算符合银行贷款要求的各企业随贷款年利率的流失率及各企业无法偿还银行贷款的风险率;根据流失率、贷款年利率和风险率构建资本收益模型;以银行收益最大为目标对资本收益模型进行求解,获得银行的企业信贷策略。实现了对银行的企业信贷策略的查询。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种企业信贷策略查询方法及系统。
背景技术
中小微企业在贷款时,由于缺少抵押资产,银行通常依据信贷政策、企业的交易票据信息和上下游企业的影响力,向实力强、供求关系稳定的企业提供贷款,并可以对信誉高、信贷风险小的企业给予一定的利率优惠。银行会根据中小微企业的实力、信誉对其信贷风险做出评估,然后依据信贷风险来确定是否放贷及贷款额度、利率和期限等信贷策略。
但本公开发明人发现,针对银行的信贷策略缺乏对应的查询机制,使得企业无法准确获知银行的信贷策略,从而对银行进行选择,且银行在发放贷款时也存在以下问题:
(1)对于企业是否存在信贷风险缺少较为准确的评估模型。
(2)假设对企业的信贷风险进行一定的风险评定后,缺少具有针对性的信贷策略。
(3)企业的生产经营和经济效益可能会受到一些突发因素影响,突发因素往往对不同行业、不同类别的企业会有不同的影响,现有的信贷策略不能针对这些突发因素做出及时调整。
发明内容
本公开为了解决上述问题,提出了一种企业信贷策略查询方法及系统,能够实现对银行的企业信贷策略的查询,且在评估银行的企业信贷策略时,以银行收益为最大目标,充分考虑了企业无法偿还银行贷款的风险率、企业流失率、贷款年利率及企业的抗风险能力,降低了银行信贷风险,提高了银行整体收益。
为实现上述目的,本公开采用如下技术方案:
第一方面,提出了一种企业信贷策略查询方法,包括:
接收信贷策略查询请求,解析其中包含的银行的唯一标识信息;
根据唯一标识信息,从信贷策略存储数据库中调取相应的信贷策略;
其中,企业信贷策略的计算过程为:
获取各企业的评价指标数据;
根据各企业的评价指标数据,预测各企业的信誉等级;
根据信誉等级从各企业中筛选符合银行贷款要求的企业,计算符合银行贷款要求的各企业随贷款年利率的流失率及各企业无法偿还银行贷款的风险率;
根据流失率、贷款年利率和风险率构建资本收益模型;
以银行收益最大为目标对资本收益模型进行求解,获得银行的企业信贷策略,将得到的企业信贷策略与唯一标识信息关联存储至信贷策略存储数据库中。
第二方面,提出了一种企业信贷策略查询系统,包括:
请求接收及解析模块,用于接收信贷策略查询请求,解析其中包含的银行的唯一标识信息;
信贷策略调取模块,用于根据唯一标识信息,从信贷策略存储数据库中调取相应的信贷策略;
信贷策略调取模块还包括:
数据获取模块,用于获取各企业的评价指标数据;
企业信誉等级预测模块,用于根据各企业的评价指标数据,预测各企业的信誉等级;
流失率及风险率计算模块,用于根据信誉等级从各企业中筛选符合银行贷款要求的企业,计算符合银行贷款要求的各企业随贷款年利率的流失率及各企业无法偿还银行贷款的风险率;
资本收益模型构建模块,用于根据流失率、贷款年利率和风险率构建资本收益模型;
企业信贷策略计算存储模块,用于以银行收益最大为目标对资本收益模型进行求解,获得银行的企业信贷策略,将得到的企业信贷策略与唯一标识信息关联存储至信贷策略存储数据库中。
第三方面,提出了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成一种企业信贷策略查询方法所述的步骤。
第四方面,提出了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成一种企业信贷策略查询方法所述的步骤。
与现有技术相比,本公开的有益效果为:
1、本公开实现了对银行的企业信贷策略的查询,使得企业能够通过查询银行的企业信贷策略,对银行进行选择。
2、本公开在确定企业信贷策略时,以银行收益为最大目标,充分考虑了企业无法偿还银行贷款的风险率、企业流失率、贷款年利率及企业的抗风险能力,降低了银行信贷风险,提高了银行整体收益。
3、本公开改善了中小微企业如今所面临的信贷困难处境,构建了一个健全的信贷风险评估体系,帮助银行更加合理地对中小微企业进行风险评估,制定合理的信贷策略,提高银行的收益的同时,促进中微小企业的发展,使金融环境趋于稳定,具有重要的理论价值和现实意义。
4、本公开利用主成分分析、多分类回归、秩和比综合评价等方法,提高了各项预测的准确性。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本公开实施例1公开查询方法的流程图;
图2为本公开实施例1所述的企业偿还意愿及风险评估的示意图;
图3为本公开实施例1所述的企业各项指标映射图;
图4为本公开实施例1所述的多头注意力机制示意图;
图5为本公开实施例1所述的各信誉级企业贷款年利率的变化曲线。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
实施例1
在该实施例中,公开了一种企业信贷策略查询方法,包括:
接收信贷策略查询请求,解析其中包含的银行的唯一标识信息;
根据唯一标识信息,从信贷策略存储数据库中调取相应的信贷策略;
其中,企业信贷策略的计算过程为:
获取各企业的评价指标数据;
根据各企业的评价指标数据,预测各企业的信誉等级;
根据信誉等级从各企业中筛选符合银行贷款要求的企业,计算符合银行贷款要求的各企业随贷款年利率的流失率及各企业无法偿还银行贷款的风险率;
根据流失率、贷款年利率和风险率构建资本收益模型;
以银行收益最大为目标对资本收益模型进行求解,获得银行的企业信贷策略,将得到的企业信贷策略与唯一标识信息关联存储至信贷策略存储数据库中。
进一步的,将各企业的评价指标数据输入信誉多分类回归模型中,预测各企业的信誉等级。
进一步的,资本收益模型包括银行预期总收益减去银行预期损失的期望获得的银行收益模型,以银行收益最大为目标,以银行年度信贷总额为约束,求解银行收益模型获得银行的企业信贷策略。
进一步的,银行预期总收益由企业贷款金额与贷款年利率确定;
银行预期损失的期望由企业贷款金额与企业无法偿还银行贷款的风险率确定。
进一步的,根据评价指标数据计算各企业的偿还意愿;
根据各企业的偿还意愿计算各企业无法偿还银行贷款的风险率。
进一步的,利用主成分分析法对评价指标数据进行分析,获得评价指标数据中的主要影响因素;
根据主要影响因素计算企业的还款意愿。
进一步的,评价指标数据包括上游平均违约金额、平均日进项速率、进项废票率、上游企业数量、下游平均违约金额、平均日销项速率、销项废票率、下游企业数量、资金流动率、增值税额、信誉值。
结合图1-6对本实施例公开的一种企业信贷策略查询方法进行详细说明。
如图1所示,本实施例公开的一种企业信贷策略查询方法,包括:
S1:接收信贷策略查询请求,解析其中包含的银行的唯一标识信息。
在具体实施中,银行的唯一标识信息可以为银行名称或银行组织机构代码或是银行统一信用代码等。
S2:根据唯一标识信息,从信贷策略存储数据库中调取相应的信贷策略。
具体的,在信贷策略存储数据库中,银行的企业信贷策略与银行的唯一标识信息两者一一对应关联存储,这样能够准确快捷地查询出银行的企业信贷策略,保障了查询的速度及准确性。
在该实施例中,银行的企业信贷策略的计算过程为:
S21:获取各企业的评价指标数据。
在具体实施中,如图2所示,综合考虑企业供应链的稳定性、企业的上下游企业实力、企业现金流的状况及企业信誉评级的评价指标,选定各企业的评价指标数据包括但不限于上游平均违约金额,平均日进项速率,进项废票率,上游企业数量,下游平均违约金额,平均日销项速率,销项废票率,下游企业数量,资金流动率,增值税额,信誉值等。各评价指标数据从多项票根数据中提取获得。
上游企业与中游企业之间的有向边存在多维权重,其中x1为上游平均违约金额,x2为进项平均日价税,x3为进项废票率,x4为上游企业数量,v1为进项价税合计总金额。同样,中游企业与下游企业之间的的有向边存在多维权重,x5为下游平均违约金额,x6为销项平均日价税,x7为销项废票率,x8下游企业数量,v2为销项价税合计总金额。其中,平均违约金额为违约总金额与违约次数的比值,平均日进项速率为进项总额与天数的比值,平均日销项速率为销项总额与天数的比值,废票率为废票数与总票数的比值。
以每个中游企业节点及其相连的所有节点为一个子图,每个子图有一个资金流,如图3企业各项评价指标映射图的动率属性每个中游企业节点包含两个属性,x10为企业的销项增值税额,能够反映企业的盈利情况,x11为企业的信誉。
S22:根据各企业的评价指标数据预测各企业的信誉等级。
在具体实施中,利用各企业的评价指标数据构建信誉多分类回归模型。
将S21中的多项评价指标构建多维向量qi=(xi1,xi2,xi3,xi4...xi11)输入,设定四个信誉等级yi∈0,1,2,3,对应的为A、B、C和D四个等级,利用信誉多分类回归模型估算输入多维向量归属于每一各信誉等级的概率,该信誉多分类回归模型为:
S23:根据信誉等级从各企业中筛选符合银行贷款要求的企业,计算符合银行贷款要求的各企业随贷款年利率的流失率及各企业无法偿还银行贷款的风险率。
在具体实施中,统计信誉等级为A、B、C、D的企业数量分别为n1、n2、n3、 n4,根据银行规则不予以D信誉等级的企业贷款,故从各企业中筛选出信誉等级为A、 B、C的企业,并具体考量A、B、C信誉等级中各信誉等级的贷款份额以及贷款年利率分布,假设A信誉等级的占比为β1,B等级的占比为β2,C等级的占比为β3,年度信贷总额为K,每个信誉等级中企业的平均贷款额为:
则银行的预期总收益G为:
G=G(β1,t1)+G(β2,t2)+G(β3,t3)
各信誉级别企业的流失率随贷款年利率的变化如图5所示,拟合图5所示曲线,获得客户流失率函数为:
其中,gA,gB,gC分别为信誉等级为A、B、C的客户流失率,t为贷款年利率。
由图5可知随着年利率的增加客户流失率不断增加且信誉等级越高的用户越可能流失。所以对于银行来说,对于高信誉,低风险的企业银行需给予一定的利率优惠政策,使得流失最少的企业客户并且收益最大化,对于低信誉,高风险得企业客户应该提高利率,从而在一定程度上弥补损失。
利用主成分分析法对企业的评价指标数据进行分析,获得企业的评价指标数据中的主要影响因素,根据主要影响因素计算企业的还款意愿,进而根据企业的还款意愿计算企业无法偿还银行贷款的风险率。具体为:
假设除去信誉等级为D的企业后,企业剩余99家,利用i=1,2...99标记剩余的99家企业,第i家企业的属性可以用(1)来表示:
x1,x2,x3,...,x99=[fi1fi2fi3...fi9] (1)
利用主成分分析法,对以上评价指标进行降维:
最终得到各个主成分及各项主成分的贡献率,如图4所示。
得到的各个主成分为:
利用得到的主成分以及主成分贡献率构建了如式(3)所示的公式,该公式可求得每个子图的质量,即每个企业的偿还意愿:
Z=0.354×Y1+0.169×Y2+0.149×Y3+0.095×Y4+0.081×Y5+0.070×Y6 (3)
经分析,信贷风险与企业的偿还有负相关关系,利用公式(4)将偿还意愿映射到[0,1]区间,得到企业无法偿还银行贷款的风险率P(x):
S24:根据流失率、贷款年利率和企业无法偿还银行贷款的风险率构建资本收益模型,即银行收益=预期总收益-预期损失的期望。
其中:银行的预期总收益G为:
G=G(β1,t1)+G(β2,t2)+G(β3,t3)
其中,g为客户流失率,m为企业借贷金额,假定m∈(10000,100000),P(x)为企业无法偿还银行贷款的风险率,E(m)为预期损失期望。
S25:以银行收益最大为目标,以银行信贷总额为约束,通过多项规划与约束得到多个极值点,得多个极值点:(β1,t1),(β2t2),(β3,t3)。由此可得预测信誉等级A,B,C,D下每类信誉等级的企业信贷策略,即每类信誉等级的配额比率L,每类信誉等级的贷款利率设定,每类贷款等级的借贷基准额度,如表1所示。
表1银行的企业信贷策略
企业信誉 | 客户流失率 | 借贷基准额度 | 利率 | 收益 |
A | 0.5296 | 53.3000 | 0.0750 | 2491.3314 |
B | 0.5762 | 35.9540 | 0.085 | 2451.9153 |
C | 0.6557 | 25.0600 | 0.0970 | 2584.3884 |
D | 0.7930 | 14.7826 | 0.1274 | 1991.3649 |
将得到的企业信贷策略与唯一标识信息关联存储至信贷策略存储数据库中。
S3:企业的生产经营和经济效益可能会受到一些突发因素影响,我们首先构建企业抵御突发事件能力模型,并在之前的资本收益模型添加抗风险能力指标,得出企业在遭遇风险时的基本信贷策略。由于在突发因素下,银行的信贷风险加剧,为尽可能保证银行的利益,在构建企业抵御突发事件能力模型前,首先根据现阶段我国的贷款政策,可以剔除国家不支持的产业,贷款给国家重点支持的企业,然后构建评价企业的抗风险能力指标体系。
通过构建企业抵御突发事件能力模型预测企业的抗风险能力的运算过程具体包括:
S31:利用秩和比综合评价法评价企业的抗风险能力,将剩余n家企业的 C1,C2,C3,C4,C5,C6,C7,C8指标做如下操作:
S311:编秩,将n个评价对象的8个指标排列成n行8列的原始数据表。编出每个每个指标评价对象的秩,其中效益型指标从小到大编秩,成本性指标从大到小编秩,同一指标数据相同者编平均秩。得秩矩阵R=(Rij)n×8。
S312:将各指标进行归一化处理后通过熵权法求得各指标的权重 [w1,w2,...,w8]。根据式(12)计算加权秩和比,其中wj为第j个指标得权重。
S313:计算概率单位。按从小到大得顺序编制WRSR频率分布表,列出各组频数 fi,计算各组累计频数cfi,计算累计频率将pi转换为概率单位Probiti, Probiti为标准正态分布的pi分位数加5。
则企业的抗风险能力WRSR=a+b×Probit,其中a和b为调节常数,根据实际需求进行调节,企业的抗风险能力纳入S2建立的风险调整的资本收益模型中,将模型修改为银行收益=预期总收益-预期损失的期望+抗风险能力即。
本实施例公开的一种企业信贷策略查询方法通过主成分分析、多分类回归、秩和比综合评价等方法,分别建立面向风险调整的资本收益模型、面向企业信誉的多分类回归模型以及面向企业抵御突发事件的能力模型,根据银行已有的企业数据信息能够推算出企业的信贷风险,生成合理的信贷策略,以及对企业抵御风险能力进行评估,从而降低银行信贷风险,提高银行整体收益。
本实施例实现了对银行的企业信贷策略的查询,使得企业能够通过查询银行的企业信贷策略,对银行进行选择。
在确定企业信贷策略时,以银行收益为最大目标,充分考虑了企业无法偿还银行贷款的风险率、企业流失率、贷款年利率及企业的抗风险能力,降低了银行信贷风险,提高了银行整体收益。
改善了中小微企业如今所面临的信贷困难处境,构建了一个健全的信贷风险评估体系,帮助银行更加合理地对中小微企业进行风险评估,制定合理的信贷策略,提高银行的收益的同时,促进中微小企业的发展,使金融环境趋于稳定,具有重要的理论价值和现实意义。
利用主成分分析、多分类回归、秩和比综合评价等方法,提高了各项预测的准确性。
实施例2
在该实施例中,公开了一种企业信贷策略查询系统,包括:
请求接收及解析模块,用于接收信贷策略查询请求,解析其中包含的银行的唯一标识信息;
信贷策略调取模块,用于根据唯一标识信息,从信贷策略存储数据库中调取相应的信贷策略;
信贷策略调取模块还包括:
数据获取模块,用于获取各企业的评价指标数据;
企业信誉等级预测模块,用于根据各企业的评价指标数据,预测各企业的信誉等级;
流失率及风险率计算模块,用于根据信誉等级从各企业中筛选符合银行贷款要求的企业,计算符合银行贷款要求的各企业随贷款年利率的流失率及各企业无法偿还银行贷款的风险率;
资本收益模型构建模块,用于根据流失率、贷款年利率和风险率构建资本收益模型;
企业信贷策略计算存储模块,用于以银行收益最大为目标对资本收益模型进行求解,获得银行的企业信贷策略,将得到的企业信贷策略与唯一标识信息关联存储至信贷策略存储数据库中。
实施例3
在该实施例中,公开了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1 公开的一种企业信贷策略查询方法所述的步骤。
实施例4
在该实施例中,公开了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1公开的一种企业信贷策略查询方法所述的步骤。
以上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。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种企业信贷策略查询方法,其特征在于,包括:
接收信贷策略查询请求,解析其中包含的银行的唯一标识信息;
根据唯一标识信息,从信贷策略存储数据库中调取相应的信贷策略;
其中,企业信贷策略的计算过程为:
获取各企业的评价指标数据;
根据各企业的评价指标数据,预测各企业的信誉等级;
根据信誉等级从各企业中筛选符合银行贷款要求的企业,计算符合银行贷款要求的各企业随贷款年利率的流失率及各企业无法偿还银行贷款的风险率;
根据流失率、贷款年利率和风险率构建资本收益模型;
以银行收益最大为目标对资本收益模型进行求解,获得银行的企业信贷策略,将得到的企业信贷策略与唯一标识信息关联存储至信贷策略存储数据库中。
2.如权利要求1所述的一种企业信贷策略查询方法,其特征在于,将各企业的评价指标数据输入信誉多分类回归模型中,预测各企业的信誉等级。
3.如权利要求1所述的一种企业信贷策略查询方法,其特征在于,资本收益模型包括银行预期总收益减去银行预期损失的期望获得的银行收益模型,以银行收益最大为目标,以银行年度信贷总额为约束,求解银行收益模型获得银行的企业信贷策略。
4.如权利要求3所述的一种企业信贷策略查询方法,其特征在于,银行预期总收益由企业贷款金额与贷款年利率确定;
银行预期损失的期望由企业贷款金额与企业无法偿还银行贷款的风险率确定。
5.如权利要求1所述的一种企业信贷策略查询方法,其特征在于,根据评价指标数据计算各企业的偿还意愿;
根据各企业的偿还意愿计算各企业无法偿还银行贷款的风险率。
6.如权利要求5所述的一种企业信贷策略查询方法,其特征在于,利用主成分分析法对评价指标数据进行分析,获得评价指标数据中的主要影响因素;
根据主要影响因素计算企业的还款意愿。
7.如权利要求1所述的一种企业信贷策略查询方法,其特征在于,评价指标数据包括上游平均违约金额、平均日进项速率、进项废票率、上游企业数量、下游平均违约金额、平均日销项速率、销项废票率、下游企业数量、资金流动率、增值税额、信誉值。
8.一种企业信贷策略查询系统,其特征在于,包括:
请求接收及解析模块,用于接收信贷策略查询请求,解析其中包含的银行的唯一标识信息;
信贷策略调取模块,用于根据唯一标识信息,从信贷策略存储数据库中调取相应的信贷策略;
信贷策略调取模块还包括:
数据获取模块,用于获取各企业的评价指标数据;
企业信誉等级预测模块,用于根据各企业的评价指标数据,预测各企业的信誉等级;
流失率及风险率计算模块,用于根据信誉等级从各企业中筛选符合银行贷款要求的企业,计算符合银行贷款要求的各企业随贷款年利率的流失率及各企业无法偿还银行贷款的风险率;
资本收益模型构建模块,用于根据流失率、贷款年利率和风险率构建资本收益模型;
企业信贷策略计算存储模块,用于以银行收益最大为目标对资本收益模型进行求解,获得银行的企业信贷策略,将得到的企业信贷策略与唯一标识信息关联存储至信贷策略存储数据库中。
9.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项所述的一种企业信贷策略查询方法的步骤。
10.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的一种企业信贷策略查询方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111369902.9A CN114387075A (zh) | 2021-11-18 | 2021-11-18 | 一种企业信贷策略查询方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111369902.9A CN114387075A (zh) | 2021-11-18 | 2021-11-18 | 一种企业信贷策略查询方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114387075A true CN114387075A (zh) | 2022-04-22 |
Family
ID=81195992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111369902.9A Pending CN114387075A (zh) | 2021-11-18 | 2021-11-18 | 一种企业信贷策略查询方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114387075A (zh) |
-
2021
- 2021-11-18 CN CN202111369902.9A patent/CN114387075A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dahooie et al. | A novel dynamic credit risk evaluation method using data envelopment analysis with common weights and combination of multi-attribute decision-making methods | |
Magerman et al. | Heterogeneous firms and the micro origins of aggregate fluctuations | |
Chen-Ritzo et al. | Sales and operations planning in systems with order configuration uncertainty | |
US8577791B2 (en) | System and computer program for modeling and pricing loan products | |
Peters et al. | Dynamic R&D choice and the impact of the firm's financial strength | |
US20120290505A1 (en) | Market value matrix | |
US20080319811A1 (en) | System and method for modeling an asset-based business | |
US20080027841A1 (en) | System for integrating enterprise performance management | |
Krulicky et al. | Business performance and financial health assessment through artificial intelligence | |
US8296224B2 (en) | Constrained optimized binning for scorecards | |
WO2011133904A1 (en) | Performance analytics based on high performance indices | |
CN101326542A (zh) | 用于风险评估及预测的系统及其方法 | |
CN102496126B (zh) | 一种托管资产交易数据监控设备 | |
Radhakrishnan et al. | Inventory optimization in supply chain management using genetic algorithm | |
Tsai et al. | An empirical research on evaluating banks’ credit assessment of corporate customers | |
CN114077980A (zh) | 智能供应商管理系统及智能供应商管理方法 | |
Bakhtiari | Productivity, outsourcing and exit: the case of Australian manufacturing | |
Manova et al. | Export prices and heterogeneous firm models | |
Wang | Financial constraints and exports | |
Chen et al. | Shifting bottleneck-driven TOCh for solving product mix problems | |
JP2003036346A (ja) | オペレーショナル・リスク評価方法及びそのシステム | |
Niu et al. | The bullwhip effect in servitized manufacturers | |
CN114387075A (zh) | 一种企业信贷策略查询方法及系统 | |
Qiang et al. | [Retracted] Relationship Model between Human Resource Management Activities and Performance Based on LMBP Algorithm | |
CN114693428A (zh) | 数据确定方法、装置、计算机可读存储介质及电子设备 |
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 |