CN114418304A - 一种不良资产包的评估方法和装置 - Google Patents
一种不良资产包的评估方法和装置 Download PDFInfo
- Publication number
- CN114418304A CN114418304A CN202111560706.XA CN202111560706A CN114418304A CN 114418304 A CN114418304 A CN 114418304A CN 202111560706 A CN202111560706 A CN 202111560706A CN 114418304 A CN114418304 A CN 114418304A
- Authority
- CN
- China
- Prior art keywords
- historical
- evaluated
- data set
- per
- asset
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
- G06F16/278—Data partitioning, e.g. horizontal or vertical partitioning
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Computing Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种不良资产包的评估方法和装置,其中方法包括:基于目标分箱方式对待评估资产包中的样本数据进行分箱处理,获得若干第一数据集合;获取与各所述第一数据集合对应的历史平均每期还款率,以及获取与各所述第一数据集合对应的逾期本金占比比例;基于各所述第一数据集合对应的历史平均每期还款率以及逾期本金占比比例,计算获得所述待评估资产包的历史每期回收率;至少基于所述待评估资产包的历史每期回收率进行评估,得到评估结果。本申请中的方法,通过计算待评估资产包的历史每期回收率,根据历史每期回收率来评估资产包未来回收的情况,提高了评估结果的准确性。
Description
技术领域
本申请涉及金融科技技术领域,特别涉及一种不良资产包的评估方法和装置。
背景技术
随着经济的发展,金融借贷领域中资产包涉及到债权笔数众多,债务关系比较复杂,对于整体资产包的估值造成很大难度。现有评估方法大多是采用策略评估法或模型评估法来对同类资产包进行评估,由此造成评估结果不够准确的问题。
由此亟需一种不良资产包的评估方法,以解决现有技术中评估结果不够准确的问题。
发明内容
有鉴于此,本发明提供了一种不良资产包的评估方法、装置、存储介质以及电子设备。主要目的在于解决目前存在的金融借贷领域中资产包涉及到债权笔数众多,债务关系比较复杂,对于整体资产包的估值不准确的问题。
为解决上述问题,本申请提供一种不良资产包的评估方法,包括:
基于目标分箱方式对待评估资产包中的样本数据进行分箱处理,获得若干第一数据集合;
获取与各所述第一数据集合对应的历史平均每期还款率,以及获取与各所述第一数据集合对应的逾期本金占比比例;
基于各所述第一数据集合对应的历史平均每期还款率以及逾期本金占比比例,计算获得所述待评估资产包的历史每期回收率;
至少基于所述待评估资产包的历史每期回收率进行评估,得到评估结果。
可选的,所述在基于目标分箱方式对待评估资产包中的样本数据进行分箱处理之前,所述方法还包括确定目标分箱方式,具体包括:
基于各个特征字段对待评估资产包中样本数据进行预分箱处理,获得若干初始数据集合;
基于各所述初始数据集合对应的初始还款率以及特征字段,分别进行单因子回归处理,获得各特征字段拟合出的假定值以及回归系数;
基于各初始数据集合对应的假定值以及回归系数,对各初始数据集合对应的特征字段进行筛选,获得若干第一特征字段;
至少基于各所述第一特征字段,计算获得与各第一特征字段对应相关度;
基于各第一特征字段的相关度对各所述第一特征字段进行筛选,获得目标特征字段。
可选的,所述确定与各所述第一数据集合对应的历史平均每期还款率,具体包括:
基于待评估资产包中各样本数据对应的历史催回总额、逾期总额以及逾期期数,分别计算获得与各所述样本数据对应的第一平均每期还款率;
分别基于所述第一数据集合中各样本数据的第一平均每期还款率,计算得到与所述第一数据集合对应的历史平均每期还款率。
可选的,所述获取与各所述第一数据集合对应的历史平均每期还款率,具体包括:
获取与所述待评估资产包对应的基准资产包;
基于所述目标分箱方式对所述基准资产包进行分箱处理,获得与各所述第一数据集合对应的第二数据集合;
基于各所述第二数据集合中的样本数据计算得到与各所述第二数据集合对应的历史平均每期还款率,以得到与各所述第一数据集合对应的历史平均每期还款率。
可选的,所述获取与各所述第一数据集合对应的逾期本金占比比例,具体包括:
分别基于各所述第一数据集合中的各样本数据的本金,获取与各第一数据集合对应的第一本金总额;
基于所述待评估资产包中各样本数据的本金,获取与待评估资产包对应的第二本金总额;
基于所述第二本金总额以及各所述第一本金总额,计算获得与各所述第一数据集合对应的逾期本金占比比例;
具体是指所述第一数据集合包括的各样本数据的本金之和与待评估资产包的全部样本数据的本金之和的比值。
可选的,所述基于各所述第一数据集合对应的历史平均每期还款率以及逾期本金占比比例,计算获得所述待评估资产包的历史每期回收率,具体包括:
基于所述第一数据集合对应的历史平均每期还款率以及逾期本金占比比例,计算获取与所述各第一数据集合对应的目标历史每期回收率;
基于各所述目标历史每期回收率,计算获得所述待评估资产包的历史每期回收率。
可选的,所述不良资产包的评估方法还包括:
基于所述待评估资产包的历史每期回收率和催收期数,计算得到待评估资产包在给定催收期数下对应的累计回收率;
基于所述累计回收率进行评估,得到不良资产包的评估结果。
为了解决上述技术问题,本申请提供一种不良资产包的评估装置,包括:
处理模块,基于目标分箱方式对待评估资产包中的样本数据进行分箱处理,获得若干第一数据集合;
获取模块,获取与各所述第一数据集合对应的历史平均每期还款率,以及获取与各所述第一数据集合对应的逾期本金占比比例;
计算模块,基于各所述第一数据集合对应的历史平均每期还款率以及逾期本金占比比例,计算获得所述待评估资产包的历史每期回收率;
评估模块,至少基于所述待评估资产包的历史每期回收率进行评估,得到评估结果。
为解决上述技术问题,本申请提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述不良资产包的评估方法的步骤。
为解决上述技术问题,本申请提供一种电子设备,至少包括存储器、处理器,所述存储器上存储有计算机程序,所述处理器在执行所述存储器上的计算机程序时实现上述任一项不良资产包的评估方法的步骤。
本申请中的不良资产包的评估方法,更好的基于待评估资产包自身的催收情况去对待评估资产包进行评估分析,是基于分箱技术对待评估资产包的样本数据进行分箱处理,通过计算待评估资产包的历史每期回收率得到评估结果,该方法使不良资产包的评估结果更加精准。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本申请实施例一种不良资产包的评估方法的流程图;
图2为本申请又一实施例一种不良资产包的评估方法的流程图;
图3为本申请又一实施例一种不良资产包的评估装置的结构框图。
具体实施方式
此处参考附图描述本申请的各种方案以及特征。
应理解的是,可以对此处申请的实施例做出各种修改。因此,上述说明书不应该视为限制,而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例,并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本申请的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本申请进行了描述,但本领域技术人员能够确定地实现本申请的很多其它等效形式。
当结合附图时,鉴于以下详细说明,本申请的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本申请的具体实施例;然而,应当理解,所申请的实施例仅仅是本申请的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此,本文所申请的具体的结构性和功能性细节并非意在限定,而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”,其均可指代根据本申请的相同或不同实施例中的一个或多个。
本申请实施例提供一种不良资产包的评估方法,如图1所示,包括如下步骤:
步骤S101,基于目标分箱方式对待评估资产包中的样本数据进行分箱处理,获得若干第一数据集合;
本步骤在具体实施过程中,基于目标分箱方式中选定的特征字段将待评估资产包中的样本数据进行分箱处理,特征字段下样本数据是连续变量时进行等频分箱,所述连续变量为逾期期数,历史还款总金额,逾期本金等字段;特征字段下样本数据是离散变量,进行非等频分箱,所述离散变量为性别,是否结婚等字段。通过分箱处理获取得到若干第一数据集合。
步骤S102,获取与各所述第一数据集合对应的历史平均每期还款率,以及获取与各所述第一数据集合对应的逾期本金占比比例;
本步骤在具体实施过程中,先通过计算各第一数据集合中每个样本数据的逾期总额和历史催回总额的和得到与所述各样本数据对应的历史逾期总额;再计算各样本数据的历史催回总额与其对应的所述历史逾期总额的比值,计算得出各样本数据的历史还款率;然后计算各样本数据的历史还款率与对应的逾期期数的比值,获得各样本数据的第一平均每期还款率;最后对各样本数据的第一平均每期还款率求均值以得到各所述第一数据集合对应的历史平均每期还款率。当待评估资产包中特征字段不包括历史催回总额,逾期期数,逾期总额三个字段的一个或多个,不能通过计算直接求取各样本数据的第一平均每期还款率,需要先为待评估资产包匹配一个基准资产包,通过对基准资产包进行分箱处理,获得与各所述第一数据集合对应的第二数据集合,基于各所述第二数据集合中的样本数据计算得到与各所述第二数据集合对应的历史平均每期还款率,以得到与各所述第一数据集合对应的历史平均每期还款率。所述逾期本金占比比例的计算过程为:分别基于各所述第一数据集合中的各样本数据的本金,获取与各第一数据集合对应的第一本金总额;基于所述待评估资产包中各样本数据的本金,获取与待评估资产包对应的第二本金总额;基于所述第二本金总额以及各所述第一本金总额,计算获得与各所述第一数据集合对应的逾期本金占比比例。也就是,逾期本金占比比例是指:第一数据集合包括的各样本数据的本金之和与待评估资产包的全部样本数据的本金之和的比值。
步骤S103,基于各所述第一数据集合对应的历史平均每期还款率以及逾期本金占比比例,计算获得所述待评估资产包的历史每期回收率;
具体实施过程中,先计算所述第一数据集合对应的历史平均每期还款率与逾期本金占比比例的乘积,得到与所述第一数据集合对应的目标历史每期回收率;将各第一数据集合对应的目标历史每期回收率加权求和,得到待评估资产包的历史每期回收率。
步骤S104,至少基于所述待评估资产包的历史每期回收率进行评估,得到评估结果。
此步骤中,在根据历史每期回收率进行评估时,具体是根据历史每期回收率的大小来确定待评估资产包回收的可能性。即所述待评估资产包的历史每期回收率大于预设阈值证明逾期资产收回的可能性比较大,而且值越大证明回收的可能性越大。当待评估资产包的历史每期回收率小于预设阈值证明逾期资产收回的可能性小。
本申请中的不良资产包的评估方法,更好的基于待评估资产包自身的催收情况去对待评估资产包进行评估分析,是基于分箱技术对待评估资产包的样本数据进行分箱处理,通过计算待评估资产包的历史每期回收率得到评估结果,该方法使不良资产包的评估结果更加精准。
本申请又一实施例提供一种不良资产包的评估方法,如图2,包括如下步骤:
步骤S201:基于各个特征字段对待评估资产包中样本数据进行预分箱处理,获得若干初始数据集合;
此步骤在具体实施中,首先对待评估资产包进行数据清洗,删除重复字段,检测有无异常值并对其进行替换,补充数据中的缺失值,然后基于各个特征字段对待评估资产包中样本数据进行预分箱处理,获得若干初始数据集合。所述特征字段包括债务人用户基础信息数据涵盖的字段、债务人用户金融统计数据涵盖的字段、债务人用户历史还款率等。所述债务人用户基础数据涵盖的字段包括:年龄,是否结婚,性别,教育,年收入等等。所述债务人用户金融统计数据涵盖的字段包括:债务人还款相关特征,债务人逾期相关特征,债务人收入支出相关特征以及借贷产品相关特征等等。当特征字段下变量是连续变量时进行等频分箱,所述连续变量为逾期期数,历史还款总金额,逾期本金等字段对应的样本数据变量信息;特征字段下样本数据是离散变量时进行非等频分箱,所述离散变量为性别,是否结婚等字段。
步骤S202:基于各所述初始数据集合对应的初始还款率以及特征字段,分别进行单因子回归处理,获得各特征字段拟合出的假定值以及回归系数;
此步骤在具体实施过程中,将初始还款率作为因变量,将特征字段下的各样本数据作为自变量,分别进行单因子回归测试,已得到各特征字段拟合出的假定值以及回归系数。
步骤S203:基于各初始数据集合对应的假定值以及回归系数,对各初始数据集合对应的特征字段进行筛选,获得若干第一特征字段;
此步骤在具体实施过程中,对所述假定值和所述回归系数进行筛选,筛选规则为P-value(假定值)小于第一预设阈值,例如:所述第一预设阈值可以是0.05,其可以根据实际需要设定;R-square(拟合程度的好坏)大于第二预设阈值,例如:所述第二预设阈值可以为0.01,其可以根据实际需要设定。通过筛选得到同时满足筛选规则的特征字段即得到所述第一特征字段。
步骤S204:基于各第一特征字段的相关度对各所述第一特征字段进行筛选,获得目标特征字段;
本步骤在具体实施过程中,具体可以通过皮尔逊相关系数法对特征字段进行相关性分析,筛选规则为皮尔逊系数小于第一阈值,例如所述第一阈值可以是0.7,其可以根据实际需要进行设定。本申请中的分箱方法是基于动态分箱技术针对待评估资产包中单个或者多个特征字段去分箱的,通过此方法计算总资产包的回收率得到的结果更加精准。
步骤S205:基于目标分箱方式对待评估资产包中的样本数据进行分箱处理,获得若干第一数据集合;
本步骤在具体实施过程中,可以基于目标分箱方式中的多个特征字段,或者基于目标分箱方式中的单个特征字段对待评估资产包进行分箱处理,例如:目标分箱方式中包括的特征字段是逾期期数,历史还款总金额两个字段时,首先将待评估资产包中的样本数据按照目标分箱方式中的逾期期数字段进行分箱处理,此步骤是按照期数范围进行等频分箱处理的,所述期数范围有N个范围区间,N是大于0的整数,因此通过分箱处理得到N个初始数据集合;其次将历史还款总金额字段下的样本数据按照金额范围对初始数据集合进行分箱处理,所述金额范围有M个范围区间,M是大于0的整数,则经过分箱处理后得到N*M个第一数据集合。进一步举例说明:例如:待评估资产包中现有样本甲,样本乙,样本丙,样本丁,样本戊五个样本数据,样本甲逾期期数为8期,历史还款总金额为1000元;样本乙的逾期期数为10期,历史还款总金额为6000元;样本丙的逾期期数为13期,历史还款总金额为1000元;样本丁的逾期期数为23期,历史还款总金额为2000元;样本戊的逾期期数为24期,历史还款总金额为8000元。首先将目标分箱方式中的逾期期数字段下的样本数据按照期数范围进行分箱,所述期数范围可以是每12期/月为一个范围区间,将原资产包中的五个样本数据划分为2个初始数据集合;则样本甲和样本乙被划分到逾期期数范围为0-12期的初始数据集合里,样本丙、样本丁和样本戊被划分到逾期期数范围为13-24期/月的初始数据集合里;其次将初始数据集合里的各样本数据按照历史还款总金额字段进行分箱处理,此步骤是按照金额范围对初始数据集合进行分箱处理,所述金额范围可以是每5000元为一个区间,则金额范围区间为0-5000、5001-10000两个区间段,则对初始数据集合分箱处理后得到4个第一数据集合,分别为a数据集合、b数据集合、c数据集合、d数据集合,其中a数据集合代表第一个第一数据集合、b数据集合代表第二个第一数据集合、c数据集合代表第三个第一数据集合、d数据集合代表第四个第一数据集合,其中满足逾期期数为0-12期、历史还款总金额为0-5000元的样本数据为a数据集合;满足逾期期数为0-12期、历史还款总金额为5001-10000元的样本数据为b数据集合;满足逾期期数为13-24期、历史还款总金额为0-5000元的样本数据为c数据集合;满足逾期期数为13-24期、历史还款总金额为5001-10000元的样本数据为d数据集合。则经过此步骤分箱处理后样本甲被划分到a数据集合,样本乙被划分到b数据集合,样本丙被划分到c数据集合,样本丁被划分到c数据集合,样本戊被划分到d数据集合。又例如选取的特征字段是逾期期数,历史还款总金额,逾期本金三个字段的时候,在分箱处理的时候,首先将待评估资产包的样本数据按照目标分箱方式中的逾期期数字段进行分箱处理,此过程按照期数范围进行分箱处理,期数范围有N个区间范围,则待评估资产包被划分为N个初始数据集合;然后:将初始数据集合中的各样本数据按照历史还款总金额字段进行分箱处理,此步骤按照金额范围进行分箱处理,金额范围有M个区间范围,则经过分箱处理后得到N*M个目标数据集合;最后将所述目标数据集合中的各样本数据按照目标分箱方式中的逾期本金字段进行分箱处理,此步骤中按照逾期本金的金额范围进行分箱处理,所述金额范围有W个范围区间,则经过此步骤分箱处理后得到N*M*W个第一数据集合,选定的特征字段越多则分箱处理后获得的第一数据集合数目越多。
步骤S206:获取与各所述第一数据集合对应的历史平均每期还款率,以及获取与各所述第一数据集合对应的逾期本金占比比例;
本步骤在具体实施过程中,所述获取与各所述第一数据集合对应的历史平均每期还款率,当待评估资产包中特征字段包括历史催回总额,逾期期数,逾期总额三个字段的时候。首先:计算各第一数据集合中包括的各样本数据的历史还款率,所述各样本数据的历史还款率计算过程:通过计算各第一数据集合中每个样本数据的逾期总额和历史催回总额的和得到与所述各样本数据对应的历史逾期总额;再计算各样本数据的历史催回总额与与其对应的所述历史逾期总额的比值,计算得到各样本数据的历史还款率。其次:计算各样本数据的第一平均每期还款率,计算过程:各样本数据的历史还款率与此样本的逾期期数的比值,计算得到各所述样本数据的第一平均每期还款率。再次:基于各所述样本数据的第一平均每期还款率求均值计算,以获取与各所述第一数据集合对应的历史平均每期还款率。例如:待评估资产包共划分为2个所述第一数据集合,第一个第一数据集合有A和B两个客户样本数据信息,第二个第一数据集合有C、D和E三个客户的样本数据,首先:先分别计算A、B、C、D、E五个客户样本数据的的历史还款率。其次:分别计算A、B、C、D、E五个客户样本数据的第一平均每期还款率。再次:基于客户A和客户B的第一平均每期还款率相加的和除以2计算得到第一个第一数据集合的平均每期还款率;同理,基于C、D和E的第一平均每期还款率相加的和除以3,计算得到第二个第一数据集合的平均每期还款率,即得到了所述各第一数据集合的历史平均每期还款率。当待评估资产包中的样本数据缺少历史催回总额,逾期期数,逾期总额三个字段其中的一个或多个,不能通过计算直接求取各样本数据的第一平均每期还款率,需要先为待评估资产包匹配一个基准资产包,通过对基准资产包进行分箱处理,获得与各所述第一数据集合对应的第二数据集合,基于各所述第二数据集合中的样本数据计算得到与各所述第二数据集合对应的历史平均每期还款率,以得到与各所述第一数据集合对应的历史平均每期还款率。获取与各所述第一数据集合对应的逾期本金占比比例,具体在实施中,例如,如上所述的A、B、C、D、E五个样本数据,分别计算样本A和样本B本金和,样本C、样本D和样本E本金和得到与各第一数据集合对应的第一本金总额;计算样本A、样本B、样本C、样本D和样本E本金和得到与待评估资产包对应的第二本金总额;分别计算各第一本金总额与所述第二本金总额的比值得到各所述第一数据集合对应的逾期本金占比比例。
步骤S207:基于各所述第一数据集合对应的历史平均每期还款率以及逾期本金占比比例,计算获得所述待评估资产包的历史每期回收率;
具体实施过程中先计算各所述第一数据集合对应的历史平均每期还款率与逾期本金占比比例的乘积,得到与各所述第一数据集合对应的目标历史每期回收率,将各第一数据集合对应的目标历史每期回收率加权求和,得到待评估资产包的历史每期回收率。
步骤S208:基于所述待评估资产包的历史每期回收率和催收期数,计算得到待评估资产包在给定催收期数下对应的累计回收率;
本步骤在具体实施过程中,所述累计回收率是通过公式计算得到的,公式为:累计回收率=历史每期回收率*T,其中T为大于0的整数,代表催收期数(1期=1月)。
步骤S209:基于所述待评估资产包的累计回收率对待评估资产包进行评估,得到评估结果。
此步骤在具体实施中,在根据累计回收率对待评估资产包进行评估的时候,具体是根据累计回收率的大小来进行评估的,所述待评估资产包的累计回收率大于预设阈值证明逾期资产收回的可能性比较大,而且值越大回收的可能性就越大;当待评估资产包的累计回收率小于预设阈值证明逾期资产收回的可能性小。本实施例中的不良资产包的评估方法,更好的基于待评估资产包自身的催收情况去预测未来的回收率,是基于动态分箱技术针对单个或者多个特征字段去分箱加权求取待评估资产包的历史每期回收率,进而求取累计回收率来评估资产包的未来回收率,此方法对不良资产包的评估得到的结果更加精准。
本申请另一实施例提供一种不良资产包的评估装置,如图3所示,包括:
处理模块1,基于目标分箱方式对待评估资产包中的样本数据进行分箱处理,获得若干第一数据集合;
获取模块2,获取与各所述第一数据集合对应的历史平均每期还款率,以及获取与各所述第一数据集合对应的逾期本金占比比例;
计算模块3,基于各所述第一数据集合对应的历史平均每期还款率以及逾期本金占比比例,计算获得所述待评估资产包的历史每期回收率;
评估模块4,至少基于所述待评估资产包的历史每期回收率进行评估,得到评估结果。
所述处理模块具体用于:基于目标分箱方式选定的特征字段将待评估资产包中的样本数据进行分箱处理,特征字段下样本数据是连续变量时进行等频分箱,所述连续变量为逾期期数,历史还款总金额,逾期本金等字段;特征字段下样本数据是离散变量,进行非等频分箱,所述离散变量为性别,是否结婚等字段。通过分箱处理获取得到若干第一数据集合。
所述获取模块具体用于:当待评估资产包中特征字段包含历史催回总额、逾期总额、逾期期数字段时,先通过计算各第一数据集合中每个样本数据的逾期总额和历史催回总额的和得到与所述各样本数据对应的历史逾期总额;再计算各样本数据的历史催回总额与其对应的所述历史逾期总额的比值,计算得出各样本数据的历史还款率;然后计算各样本数据的历史还款率与对应的逾期期数的比值,获取各样本数据的第一平均每期还款率;最后对各样本数据的第一平均每期还款率求均值以得到各所述第一数据集合对应的历史平均每期还款率。当待评估资产包中的样本数据缺少历史催回总额,逾期期数,逾期总额三个字段其中的一个或多个,不能通过计算直接求取各样本数据的第一平均每期还款率,需要先为待评估资产包匹配一个基准资产包,通过对基准资产包进行分箱处理,获得与各所述第一数据集合对应的第二数据集合,基于各所述第二数据集合中的样本数据计算得到与各所述第二数据集合对应的历史平均每期还款率,以得到与各所述第一数据集合对应的历史平均每期还款率。所述逾期本金占比比例的计算过程为:分别基于各所述第一数据集合中的各样本数据的本金,获取与各第一数据集合对应的第一本金总额;基于所述待评估资产包中各样本数据的本金,获取与待评估资产包对应的第二本金总额;基于所述第二本金总额以及各所述第一本金总额,计算获得与各所述第一数据集合对应的逾期本金占比比例。也就是,逾期本金占比比例是指:第一数据集合包括的各样本数据的本金之和与待评估资产包的全部样本数据的本金之和的比值。
所述计算模块具体用于:先计算所述第一数据集合对应的历史平均每期还款率与逾期本金占比比例的乘积,得到与所述第一数据集合对应的目标历史每期回收率;将各第一数据集合对应的目标历史每期回收率加权求和,得到待评估资产包的历史每期回收率。
所述评估模块具体用于:在根据历史每期回收率进行评估时,具体是根据历史每期回收率的大小来确定待评估资产包回收的可能性。即所述待评估资产包的历史每期回收率大于预设阈值证明逾期资产收回的可能性比较大,而且值越大证明回收的可能性越大。当待评估资产包的历史每期回收率小于预设阈值证明逾期资产收回的可能性小。
所述评估模块还用于:基于所述待评估资产包的累计回收率对待评估资产包进行评估,得到评估结果。此步骤在具体实施中,在根据累计回收率对待评估资产包进行评估得时候,具体是根据累计回收率的大小来进行评估的,所述待评估资产包的累计回收率大于预设阈值证明逾期资产收回的可能性比较大,而且值越大回收的可能性就越大;当待评估资产包的累计回收率小于预设阈值证明逾期资产收回的可能性小。
本实施例中的不良资产包的评估方法,更好的基于待评估资产包自身的催收情况去预测未来的回收率,是基于动态分箱技术针对单个或者多个特征字段去分箱加权求取待评估资产包的历史每期回收率,进而求取累计回收率来评估资产包的未来回收率,此方法对不良资产包的评估得到的结果更加精准。
本申请又一实施例提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如下方法步骤:
步骤一、基于目标分箱方式对待评估资产包中的样本数据进行分箱处理,获得若干第一数据集合;
步骤二、获取与各所述第一数据集合对应的历史平均每期还款率,以及获取与各所述第一数据集合对应的逾期本金占比比例;
步骤三、基于各所述第一数据集合对应的历史平均每期还款率以及逾期本金占比比例,计算获得所述待评估资产包的历史每期回收率;
步骤四、至少基于所述待评估资产包的历史每期回收率进行评估,得到评估结果。
上述方法步骤的具体实施例过程可参见上述任意不良资产包的评估方法的实施例,本实施例在此不再重复赘述。
本申请中的不良资产包的评估方法,更好的基于待评估资产包自身的催收情况去对待评估资产包进行评估分析,是基于分箱技术对待评估资产包的样本数据进行分箱处理,通过计算待评估资产包的历史每期回收率得到评估结果,该方法使不良资产包的评估结果更加精准。
本申请又一实施例提供一种电子设备,至少包括存储器、处理器,所述存储器上存储有计算机程序,所述处理器在执行所述存储器上的计算机程序时实现如下方法步骤:
步骤一、基于目标分箱方式对待评估资产包中的样本数据进行分箱处理,获得若干第一数据集合;
步骤二、获取与各所述第一数据集合对应的历史平均每期还款率,以及获取与各所述第一数据集合对应的逾期本金占比比例;
步骤三、基于各所述第一数据集合对应的历史平均每期还款率以及逾期本金占比比例,计算获得所述待评估资产包的历史每期回收率;
步骤四、至少基于所述待评估资产包的历史每期回收率进行评估,得到评估结果。
上述方法步骤的具体实施例过程可参见上述任意不良资产包的评估方法的实施例,本实施例在此不再重复赘述。
本申请中的不良资产包的评估方法,更好的基于待评估资产包自身的催收情况去对待评估资产包进行评估分析,是基于分箱技术对待评估资产包的样本数据进行分箱处理,通过计算待评估资产包的历史每期回收率得到评估结果,该方法使不良资产包的评估结果更加精准。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种不良资产包的评估方法,其特征在于,包括:
基于目标分箱方式对待评估资产包中的样本数据进行分箱处理,获得若干第一数据集合;
获取与各所述第一数据集合对应的历史平均每期还款率,以及获取与各所述第一数据集合对应的逾期本金占比比例;
基于各所述第一数据集合对应的历史平均每期还款率以及逾期本金占比比例,计算获得所述待评估资产包的历史每期回收率;
至少基于所述待评估资产包的历史每期回收率进行评估,得到评估结果。
2.如权利要求1所述的方法,其特征在于,所述在基于目标分箱方式对待评估资产包中的样本数据进行分箱处理之前,所述方法还包括确定目标分箱方式,具体包括:
基于各个特征字段对待评估资产包中样本数据进行预分箱处理,获得若干初始数据集合;
基于各所述初始数据集合对应的初始还款率以及特征字段,分别进行单因子回归处理,获得各特征字段拟合出的假定值以及回归系数;
基于各初始数据集合对应的假定值以及回归系数,对各初始数据集合对应的特征字段进行筛选,获得若干第一特征字段;
至少基于各所述第一特征字段,计算获得与各第一特征字段对应相关度;
基于各第一特征字段的相关度对各所述第一特征字段进行筛选,获得目标特征字段。
3.如权利要求1所述的方法,其特征在于,所述确定与各所述第一数据集合对应的历史平均每期还款率,具体包括:
基于待评估资产包中各样本数据对应的历史催回总额、逾期总额以及逾期期数,分别计算获得与各所述样本数据对应的第一平均每期还款率;
分别基于所述第一数据集合中各样本数据的第一平均每期还款率,计算得到与所述第一数据集合对应历史平均每期还款率。
4.如权利要求1所述的方法,其特征在于,所述获取与各所述第一数据集合对应的历史平均每期还款率,具体包括:
获取与所述待评估资产包对应的基准资产包;
基于所述目标分箱方式对所述基准资产包进行分箱处理,获得与各所述第一数据集合对应的第二数据集合;
基于各所述第二数据集合中的样本数据计算得到与各所述第二数据集合对应的历史平均每期还款率,以得到与各所述第一数据集合对应的历史平均每期还款率。
5.如权利要求1所述的方法,其特征在于,所述获取与各所述第一数据集合对应的逾期本金占比比例,具体包括:
分别基于各所述第一数据集合中的各样本数据的本金,获取与各第一数据集合对应的第一本金总额;
基于所述待评估资产包中各样本数据的本金,获取与待评估资产包对应的第二本金总额;
基于所述第二本金总额以及各所述第一本金总额,计算获得与各所述第一数据集合对应的逾期本金占比比例。
6.如权利要求1所述的方法,其特征在于,所述基于各所述第一数据集合对应的历史平均每期还款率以及逾期本金占比比例,计算获得所述待评估资产包的历史每期回收率,具体包括:
基于所述第一数据集合对应的历史平均每期还款率以及逾期本金占比比例,计算获取与所述各第一数据集合对应的目标历史每期回收率;
基于各所述目标历史每期回收率,计算获得所述待评估资产包的历史每期回收率。
7.如权利要求1所述的方法,其特征在于,所述至少基于所述待评估资产包的历史每期回收率进行评估得到评估结果,还包括:
基于所述待评估资产包的历史每期回收率和催收期数,计算得到待评估资产包在给定催收期数下对应的累计回收率;
基于所述累计回收率进行评估,得到不良资产包的评估结果。
8.一种不良资产包的评估装置,其特征在于,包括:
处理模块,基于目标分箱方式对待评估资产包中的样本数据进行分箱处理,获得若干第一数据集合;
获取模块,获取与各所述第一数据集合对应的历史平均每期还款率,以及获取与各所述第一数据集合对应的逾期本金占比比例;
计算模块,基于各所述第一数据集合对应的历史平均每期还款率以及逾期本金占比比例,计算获得所述待评估资产包的历史每期回收率;
评估模块,至少基于所述待评估资产包的历史每期回收率进行评估,得到评估结果。
9.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-7任一项所述不良资产包的评估方法的步骤。
10.一种电子设备,其特征在于,至少包括存储器、处理器,所述存储器上存储有计算机程序,所述处理器在执行所述存储器上的计算机程序时实现上述权利要求1-7任一项不良资产包的评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111560706.XA CN114418304A (zh) | 2021-12-20 | 2021-12-20 | 一种不良资产包的评估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111560706.XA CN114418304A (zh) | 2021-12-20 | 2021-12-20 | 一种不良资产包的评估方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114418304A true CN114418304A (zh) | 2022-04-29 |
Family
ID=81267453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111560706.XA Pending CN114418304A (zh) | 2021-12-20 | 2021-12-20 | 一种不良资产包的评估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114418304A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217807A (zh) * | 2023-11-08 | 2023-12-12 | 四川智筹科技有限公司 | 一种基于多模态高维特征的不良资产估值算法 |
-
2021
- 2021-12-20 CN CN202111560706.XA patent/CN114418304A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217807A (zh) * | 2023-11-08 | 2023-12-12 | 四川智筹科技有限公司 | 一种基于多模态高维特征的不良资产估值算法 |
CN117217807B (zh) * | 2023-11-08 | 2024-01-26 | 四川智筹科技有限公司 | 一种基于多模态高维特征的不良资产估值方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
In et al. | An introduction to wavelet theory in finance: a wavelet multiscale approach | |
Reiss et al. | Statistical analysis of extreme values | |
Hansen et al. | Choosing the best volatility models: the model confidence set approach | |
Antunes et al. | Forecasting banking crises with dynamic panel probit models | |
Shenoy et al. | The firm's leverage-cash flow relationship | |
Beckmann et al. | Oil price and FX-rates dependency | |
Dalla Valle et al. | A Bayesian approach to estimate the marginal loss distributions in operational risk management | |
Chaudhury | A review of the key issues in operational risk capital modeling | |
Bee et al. | Realizing the extremes: Estimation of tail-risk measures from a high-frequency perspective | |
WO2003096237A2 (en) | Electronic data processing system and method of using an electronic data processing system for automatically determining a risk indicator value | |
Aloui et al. | Dependence and risk assessment for oil prices and exchange rate portfolios: A wavelet based approach | |
CN110634060A (zh) | 一种用户信用风险的评估方法、系统、装置及存储介质 | |
CN113205403A (zh) | 一种企业信用等级的计算方法、装置、存储介质及终端 | |
CN111259922A (zh) | 基于客户退单预警的订单数据处理方法、装置 | |
Fornah et al. | Empirical analysis on the Influence of interest rates on foreign direct investment in Sierra Leone | |
CN114418304A (zh) | 一种不良资产包的评估方法和装置 | |
McCord et al. | House price estimation using an eigenvector spatial filtering approach | |
CN110597990A (zh) | 一种基于智能分类的财务分析方法和系统 | |
Kaeck et al. | Model complexity and out-of-sample performance: Evidence from s&p 500 index returns | |
CN113065742A (zh) | 小微企业的信用评价方法、系统、存储介质及电子设备 | |
CN113407827A (zh) | 基于用户价值分类的信息推荐方法、装置、设备及介质 | |
Tooma | Modeling and forecasting Egyptian stock market volatility before and after price limits | |
Raihan | Performance of Markov-Switching GARCH Model Forecasting Inflation Uncertainty | |
CN114926012A (zh) | 一种研发项目智慧验收评审方法、系统及可读存储介质 | |
CN116128652A (zh) | 股票市场波动率的确定方法、装置及电子设备 |
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 |