CN114445206A

CN114445206A - 一种资产包估值方法

Info

Publication number: CN114445206A
Application number: CN202210129269.4A
Authority: CN
Inventors: 曹思彬; 徐福珍; 刘攀峰; 董宇
Original assignee: Shanghai Lanshu Information Technology Co ltd
Current assignee: Shanghai Lanshu Information Technology Co ltd
Priority date: 2022-02-11
Filing date: 2022-02-11
Publication date: 2022-05-06

Abstract

本发明实施例公开了一种资产包估值方法，包括以下步骤：将还款动作划分成两个场景，两个所述场景分别为还款场景和结清场景；通过现金流预测模型预测所述还款场景在下一个月是否会出现还款情况；通过算法模型预测所述结清场景在下一个月是否会出现结清情况；预测结果为“是”，则进行下一个月的还款金额/结清金额转化，获得下一个月的还款金额/结清金额；将所述下一个月的还款金额/结清金额带入到折现公式计算资产包当前价值，通过针对车金融场景下的特点采用DCF和分部估值法来构建估值模型，通过分部估值的思想来处理不同特点场景的预测，实现了对车金融情况下的资产包准确评估，使预测结果更加贴近实际情况。

Description

一种资产包估值方法

技术领域

本发明实施例涉及资产包估值技术领域，具体涉及一种资产包估值方法。

背景技术

车金融场景下会产生大量未来不确定的现金流资产，如何对这些资产进行准确、合理、有效的估值，一直以来都是一个难题，并没有对应的技术手段。车金融场景下，有车辆作为抵押物，受内外部各种因素的影响，客户的行为和意愿复杂多变，在这样的前提下，很难对车金融场景下的资产包进行准确估值。从技术上来看，要对资产包进行估值，必须采用一套合适的估值模型组合，在选定了合适的估值模型方法论之上，还需要具备此估值模型所必须的要素，才能完成对资产包的估值。而现有的技术，并没有针对车金融场景的估值模型。

发明内容

为此，本发明实施例提供一种资产包估值方法，以解决现有技术中由于现有没有针对车金融场景的估值模型而导致的车金融资产包没办法进行估值的问题。

为了实现上述目的，本发明实施例提供如下技术方案：一种资产包估值方法，其特征是：

将还款动作划分成两个场景，两个所述场景分别为还款场景和结清场景；

通过现金流预测模型预测所述还款场景在下一个月是否会出现还款情况；通过算法模型预测所述结清场景在下一个月是否会出现结清情况；

预测结果为“是”，则进行下一个月的还款金额/结清金额转化，获得下一个月的还款金额/结清金额；

将所述下一个月的还款金额/结清金额带入到折现公式计算资产包当前价值；

所述折现公式为：

其中，P为资产包当前价值，C为下一个月的还款金额/结清金额，R为贴现因子。

进一步地，所述现金流预测模型的核心算法为梯度提升树算法，所述梯度提升树算法的目标函数为：

其中

为损失函数，Ω(f_t)代表正则项；constant代表常数。

进一步地，所述贴现因子以无风险利率为基准进行计算，所述贴现因子R＝r_f+β，其中r_f是针对资产包中融资期限分布情况选择的对应年限的无风险利率，β是根据所选参数计算出来的调节因子。

进一步地，所述贴现因子以公司加权平均资金成本为基准来进行计算，所述贴现因子R＝Wacc+α，其中Wacc是公司的加权平均资金成本，α是根据所选参数计算出来的对Wacc的影响因子。

进一步地，所述预测结果为“是”，则进行下一个月的还款金额/结清金额转化，获得下一个月的还款金额/结清金额，具体包括：

所述还款金额转化：判断所述资产包是否存在多期未还款行为，如判断结果为存在，根据历史上的多期未还款行为将金额转化为对应历史上多期未还款的倍数，如判断结果为不存在，则直接转化金额；

所述结清金额转化：判断所述结清行为为现金结清或还车结清，如判断结清行为为现金结清，则直接转化金额，如判断结清行为为还车结清时，通过一预设的先验比率和车辆处置周期来转化金额。

进一步地，所述现金流预测模型建立时，获取纸面信息和动态信息，将所述纸面信息和动态信息跟预测目标下一期影响结果进行统计分析，根据所述统计分析的结果，确定预测目标下一期影响结果的特征信息。

进一步地，将样本集带入所述预测模型进行训练时，将所述样本集根据车辆类型和是否逾期进行划分。

进一步地，所述估值模型包括静态模型、动态模型、融合模型、主模型和全催模型。

本发明实施例具有如下优点：通过针对车金融场景下的特点采用DCF和分部估值法来构建估值模型，通过分部估值的思想来处理不同特点场景的预测，实现了对车金融情况下的资产包准确评估，同时在现金流预测这部分选择了提升树模型作为基础，使预测结果更加贴近实际情况。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

图1为本发明实施例提供的一种资产包估值方法的方法流程图；

图2为本发明实施例提供的一种资产包估值方法的模型架构图；

图3为本发明实施例提供的一种资产包估值方法的还车金额转换图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

实施例：一种资产包估值方法，如图1所示，包括以下步骤：

将所述下一个月的还款金额/结清金额带入到折现公式计算资产包当前价值。

具体的，本发明主要采用DCF(自由现金流贴现法)和分部估值法来构建估值模型，DCF模型是核心，分部估值法的目的是更准确的进行现金流预测，从而使用DCF来计算资产包当前价值。

以一年期合同为例，DCF折现公式如下：

其中，P代表合同的当前价值，C为合同每一期的计划还款金额，R为贴现因子。DCF估值的关键是对未来现金流的准确预测，也就是找到跟未来实际情况相符合的C值，在本实施例中，优选为下一个月的还款金额，其次是选择合适的贴现因子。

通常来说，贴现因子可以参考的标的有比如无风险利率，国债10年期利率，公司内部的平均资金成本等。受不同的市场情况、资产质量等因素影响，贴现因子的选取具有一定的灵活性，因此又构建了一个小型的因子选取模型，来作为最终贴现因子的参考值。不同的贴现因子值将直接影响整个资产包的估值结果。选定了贴现因子之后，就获得了DCF折现公式中的R值。具体来说贴现因子目前系统方具有两种计算方式。

第一种方式是以无风险利率为基准进行计算，R＝r_f+β，其中r_f是针对资产包中融资期限分布情况选择的对应年限的无风险利率，β是根据所选参数计算出来的调节因子，反映了市场情况，供需关系等内容；第二种方式是以公司加权平均资金成本为基准来进行计算，R＝Wacc+α，Wacc是公司的加权平均资金成本，α是根据所选参数计算出来的对Wacc的影响因子，反映了资产质量、流通性等内容。在本实施例中，优选为第二中方式计算贴现因子。

DCF折现公式中的C值是合同约定的未来每一期的计划还款金额，实际情况会有各种偏差，比如逾期或者提前还款，这样实际还款情况就跟计划还款情况不一致，想要得到准确的资产包当前价值，就需要对资产包的未来现金流进行准确预测。

之后，进行现金流预测，一个资产包内包含多个合同，且每个合同的剩余融资期限都不一样，将资产包内包含的每一个合同的未来现金流叠加，就得到了资产包的未来现金流。以资产包A为例，包含三个合同a₁,a₂,a₃，三个合同的剩余期限分别为k,m,l(单位：月，k>m>l>6)，通过预测模型得到a₁合同未来k期实际还款金额分别为C_1n(n＝1,2……6…k)，a₂合同未来k期实际还款金额分别为C_2n(n＝1,2……6…m)，a₃合同未来n期实际还款金额分别为C_3n(n＝1,2……6…l)。

则资产包的当前价值为：

对于预测模型，最重要的就是准确预测资产包内每一笔合同(融资期限为T)的C_n(n＝1,2…11,…T)的值，获取了准确的资产包未来现金流情况，就得到了DCF折现公式中的分子部分。在现金流预测模型中，采用的核心算法是梯度提升树算法。

算法的目标函数为：

其中

为损失函数，Ω(f_t)代表的是正则项；constant则代表常数。最优的预测模型，就是由训练数据对目标函数进行最小值求解，得到的各项参数构成的模型，在目标函数最小的情况下，就是当前条件下的对训练数据拟合很好，且拥有很好的泛化能力的最优模型。

进一步的，我们需要构建一个预测模型，首先进行场景分析和分部估值，在车金融场景下，每一单合同都有还款计划表(包含每一期的计划还款日和计划还款金额)，但是客户实际还款的时间并不完全等同于计划还款日，实际还款金额也可能跟计划还款金额不一致，比如实际还款时部分还款或者是提前还款或者是逾期等。客户也可能提前结清。

从可能的还款动作将整个场景划分为两个类型，一个是用户还款或者不还款，另一个则是用户结清或者不结清，其中结清包括现金结清和还车结清。

在业务上还款和结清是两种不同的场景，从数据和发生频率来看，结清场景的已有数据和发生频率都远远低于还款这个场景，从发生的现金流入来看，通常结清的金额跟还款金额差异很大。由于场景、数据和金额的差异，按照分部估值的思想，需要将还款和结清这两种拆开分别进行现金流预测。

之后我们需要构建模型，首先确定预测目标，预测目标包含时间和动作两个维度，确定了预测目标也就确定了训练数据的目标值和所属时间段，同时也就确定了训练数据中对于算法来说的y值。由于还款和结清两种场景的区别，因此需要构建不同的预测模型，也就需要确定不同的预测目标。最终目标是需要确定每一单合同未来的现金流，这里边包含了两个维度：时间段和金额。

时间段上主要有两个选择，按照月和按照日来预测每一单合同的未来现金流，如果按照日来确定，样本集中会多出许多无意义但是会对模型训练产生干扰的样本，比如非还款日的日期和金额0，最终会影响模型效果，且一个月的时间对于资产价格影响可以忽略，因此最终在时间段的选择上确定了以“月”作为时间维度。合同的未来现金流主要依赖月供，月供则主要有合同的融资额和融资期限来决定，同样的结清金额也主要由融资额决定，合同的融资额非线性分布，也不是连续性变量，在拆解成月供时，金额的规律性会更弱。

对合同的实际还款金额进行分析，发现90％以上的还款金额都等同于月供金额。综合来看，我们不直接把还款金额作为预测目标，而是先预测合同在下一个月是否会出现还款，如果预测结果为是，再进行金额的转换。

结清场景下，有两种结清方式，且最终获得的结清金额差异比月供更大，因此在算法模型预测时预测目标同样定义为合同下一期是否会结清，如果预测结果为是，再作进一步金额的转换。

之后梳理模型架构，参照图2所示，根据情况不同我们从估值模型的架构可以分为静态模型、动态模型、融合模型、主模型和全催模型。模型架构中不同的模型分别适用于不同的场景和不同的特征成熟度。静态模型是在特征仅有纸面的静态信息时使用，如果有电催获取的动态的客户还款意愿数据则可以使用动融模型，主模型则增加了预测目标的维度，从是否还款这一个目标拓展了现金结清以及接车这两个目标，全催模型则增加了相应的催收手段对结果的循环性影响。

最后，需要获取和整理数据集，根据定好的预测目标和模型架构，需要获取对应的数据集，来训练并验证模型效果。资产包内每一单合同的具体可获取信息分为两类，一类是静态的纸面信息，比如合同金额，还款情况等，一类是动态的需要跟客户交互才能获取的信息，比如各种催收手段获得的客户反馈等。这些信息也就是算法模型中的x值。对于这些信息的选取，有一个筛选的过程，会把所有可获取的信息跟预测目标下一期是否有关系做初步的统计分析，比如分布情况，根据这些统计分析的结果，就可以确定初步的特征信息。通过业务调研和进一步的数据分析，发现不同车辆类型(新车/二手车)、逾期和非逾期的特征分布差异较大，因此将总样本集根据车辆类型和是否逾期做了进一步划分，在实际模型训练和预测时获得了更好的效果。

进一步的，根据上述的结果进行金额转化，通过算法模型完成了月供场景下是否还款的预测，以及结清场景下是否结清的预测，还需要进一步将还款与结清转化为对应的金额。

月供场景下，预测目标是下一个月是否还款，圈定了时间周期就是一个月，可以忽略，因此在对月供场景的预测结果为是进行转化时，仅需要考虑金额的问题，不需要再考虑时间周期的问题。

在进行金额转换时，若预测结果为是，则金额直接转换为合同的月供金额。同时根据可获得的单个合同的历史还款行为，如果合同对应的客户在历史上出现多期还款情况，在做转换时，首先判断是否存在多期还款的前提，包括：多期还款没超过融资期限、存在多期逾期的情况，满足的条件下，会根据历史上的多期还款行为(比如出现过还3期的情况)将金额转化为对应的倍数(金额＝月供金额*3)。其次是结清场景，结清场景分为两种情况，一种是现金结清，一种是还车结清。现金结清不需要考虑时间周期的问题；对于还车结清，需要考虑还车后，车辆处置的周期和车辆处置金额。处置周期和处置金额作为两个维度，通过对历史数据的分析和处理，形成一个先验比率来进行转换，参照图3所示，最终将还车结清这种场景完成时间和金额的转化。

1、本估值系统对于现金流预测部分主要依据对应的机器学习内核，来构建模型对未来现金流预测，模型的准确度除了依赖所选取的算法和机器学习基础模型之外，最重要的一点是对应数据的准确、可靠性，以及背后的可追溯、可分析的特征。

2、估值模型在现金流预测这部分选择了提升树模型作为基础，在此之上加入了许多其他的内容。通过分部估值的思想来处理不同特点场景的预测，通过对催收手段的跟踪以及客户还款行为的解析，使预测结果更加贴近实际情况。

3、业务数据模型：除开底层的算法模型之外，还加入了许多针对车金融场景的分析而得到的业务数据模型，包括催收方式对还款行为、还款意愿的影响，不同特征组合构成的特定数据集模型等。

4、估值模型(良性、不良、模型架构)：从对资产质量的适用来说，估值模型可以分为良性和不良两大类。良性资产和不良资产具备的特征有比较大的区别，在还款预测上也有较大的区分，因此用两类模型来分别进行估值。

5、从估值模型的架构可以分为静态模型、动态模型、融合模型、主模型和全催模型。模型架构中不同的模型分别适用于不同的场景和不同的特征成熟度。静态模型是在特征仅有纸面的静态信息时使用，如果有电催获取的动态的客户还款意愿数据则可以使用动融模型，主模型则增加了预测目标的维度，从是否还款这一个目标拓展了现金结清以及接车这两个目标，全催模型则增加了相应的催收手段对结果的循环性影响。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所作的这些修改或改进，均属于本发明要求保护的范围。

Claims

1.一种资产包估值方法，其特征是：包括以下步骤：

所述折现公式为：

2.根据权利要求1所述的一种资产包估值方法，其特征是：所述现金流预测模型的核心算法为梯度提升树算法，所述梯度提升树算法的目标函数为：

其中

为损失函数，Ω(f_t)代表正则项；constant代表常数。

3.根据权利要求2所述的一种资产包估值方法，其特征是：所述贴现因子以无风险利率为基准进行计算，所述贴现因子R＝r_f+β，其中r_f是针对资产包中融资期限分布情况选择的对应年限的无风险利率，β是根据所选参数计算出来的调节因子。

4.根据权利要求2所述的一种资产包估值方法，其特征是：所述贴现因子以公司加权平均资金成本为基准来进行计算，所述贴现因子R＝Wacc+α，其中Wacc是公司的加权平均资金成本，α是根据所选参数计算出来的对Wacc的影响因子。

5.根据权利要求1所述的一种资产包估值方法，其特征是：所述预测结果为“是”，则进行下一个月的还款金额/结清金额转化，获得下一个月的还款金额/结清金额，具体包括：

6.根据权利要求1所述的一种资产包估值方法，其特征是：所述现金流预测模型建立时，获取纸面信息和动态信息，将所述纸面信息和动态信息跟预测目标下一期影响结果进行统计分析，根据所述统计分析的结果，确定预测目标下一期影响结果的特征信息。

7.根据权利要求1所述的一种资产包估值方法，其特征是：将样本集带入所述预测模型进行训练时，将所述样本集根据车辆类型和是否逾期进行划分。

8.根据权利要求1所述的一种资产包估值方法，其特征是：所述估值模型包括静态模型、动态模型、融合模型、主模型和全催模型。