CN114936921A - 贷款风险控制方法及装置 - Google Patents

贷款风险控制方法及装置 Download PDF

Info

Publication number
CN114936921A
CN114936921A CN202210593394.0A CN202210593394A CN114936921A CN 114936921 A CN114936921 A CN 114936921A CN 202210593394 A CN202210593394 A CN 202210593394A CN 114936921 A CN114936921 A CN 114936921A
Authority
CN
China
Prior art keywords
subset
determining
loan
category
reject ratio
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
Application number
CN202210593394.0A
Other languages
English (en)
Inventor
朱江波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bank of China Ltd
Original Assignee
Bank of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202210593394.0A priority Critical patent/CN114936921A/zh
Publication of CN114936921A publication Critical patent/CN114936921A/zh
Pending legal-status Critical Current

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明提出了一种贷款风险控制方法及装置，涉及金融数据处理技术领域，该方法包括：对银行在预定区域内的客户分类；对客户类别的所有客户进行聚类；对于每个客户类别对应的每个子集合，依据子集合的贷款客户的交易数据和贷款数据，确定子集合对应的交易风险概率、贷款金额以及不良率；确定客户类别的多个参考子集合；对于每个客户类别，确定客户类别的交易风险概率与不良率的对应关系；对于每个客户类别，确定客户类别的贷款金额与不良率的对应关系；当第一客户提交贷款请求时，依据第一客户归属的客户类别的交易风险概率与不良率的对应关系、贷款金额与不良率的对应关系以及本次贷款请求的贷款金额，确定本次贷款请求的风险。

Description

贷款风险控制方法及装置
技术领域
本发明涉及金融数据处理技术领域，尤指一种贷款风险控制方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
贷款是银行或者其他金融机构等贷款平台等按一定利率和必须归还等条件出借货币资金的一种信用活动形式，即贷款平台通过贷款的方式将所集中的货币和货币资金投放出去，以满足社会扩大再生产对补充资金的需要，促进经济的发展。
在现有技术中，贷款平台在放贷业务中往往存在风险，在贷款之前需要对贷款用户的资产情况进行风险评估审核，审核通过后才可以发放贷款。通常情况下，贷款业务机构在接收到贷款业务申请请求时，需通过审核专员与贷款业务申请请求对应的用户进行电话沟通，了解用户的贷款意向、资产情况与信用情况，以决定是否向该用户发放贷款。上述人工审核的方式需要耗费大量的人力成本，效率低，并且由于审核专员素质的参差不齐，也会影响与用户交流的效果。此外，信贷审核专员在与用户进行通话的过程中，需要快速记录用户多方面的信息，不可避免地产生用户信息的错记、漏记等情况，导致审核准确率低。并且，信贷审核专员对基于其自身的经验判断贷款业务申请请求的风险，存在较大的误差。
综上来看，亟需一种可以克服上述缺陷，能够对贷款风险进行有效控制的技术方案。
发明内容
为解决现有技术存在的问题，本发明提出了一种贷款风险控制方法及装置，可以对贷款风险进行有效控制。
在本发明实施例的第一方面，提出了一种贷款风险控制方法，包括：
依据客户信息，对银行在预定区域内的客户分类，获得多个客户类别；
对于每个客户类别，获取该客户类别的所有客户的交易数据，并依据交易数据，对该客户类别的所有客户进行聚类，获得该客户类别对应的多个子集合；
对于每个客户类别对应的每个子集合，依据该子集合的贷款客户的交易数据和贷款数据，确定该子集合对应的交易风险概率、贷款金额以及不良率；
对于每个客户类别，依据交易风险概率及不良率，确定该客户类别的多个参考子集合；
对于每个客户类别，依据该客户类别对应的多个参考子集合对应的交易风险概率及不良率，确定该客户类别的交易风险概率与不良率的对应关系；
对于每个客户类别，依据该客户类别对应的多个参考子集合对应的贷款金额及不良率，确定该客户类别的贷款金额与不良率的对应关系；
当第一客户提交贷款请求时，依据该第一客户归属的客户类别的交易风险概率与不良率的对应关系、贷款金额与不良率的对应关系以及本次贷款请求的贷款金额，确定本次贷款请求的风险。
在本发明实施例的第二方面，提出了一种贷款风险控制装置，包括：
客户分类模块，用于依据客户信息，对银行在预定区域内的客户分类，获得多个客户类别；
聚类模块，用于对于每个客户类别，获取该客户类别的所有客户的交易数据，并依据交易数据，对该客户类别的所有客户进行聚类，获得该客户类别对应的多个子集合；
子集合分析模块，用于对于每个客户类别对应的每个子集合，依据该子集合的贷款客户的交易数据和贷款数据，确定该子集合对应的交易风险概率、贷款金额以及不良率；
参考子集合确定模块，用于对于每个客户类别，依据交易风险概率及不良率，确定该客户类别的多个参考子集合；
交易风险概率分析模块，用于对于每个客户类别，依据该客户类别对应的多个参考子集合对应的交易风险概率及不良率，确定该客户类别的交易风险概率与不良率的对应关系；
贷款金额分析模块，用于对于每个客户类别，依据该客户类别对应的多个参考子集合对应的贷款金额及不良率，确定该客户类别的贷款金额与不良率的对应关系；
风险控制模块，用于当第一客户提交贷款请求时，依据该第一客户归属的客户类别的交易风险概率与不良率的对应关系、贷款金额与不良率的对应关系以及本次贷款请求的贷款金额，确定本次贷款请求的风险。
在本发明实施例的第三方面，提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现贷款风险控制方法。
在本发明实施例的第四方面，提出了一种计算机可读存储介质，所述计算机可读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贷款风险控制方法。
在本发明实施例的第五方面，提出了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现贷款风险控制方法。
本发明提出的贷款风险控制方法及装置可以对银行在预定区域内的客户分类；对客户类别的所有客户进行聚类；对于每个客户类别对应的每个子集合，依据子集合的贷款客户的交易数据和贷款数据，确定子集合对应的交易风险概率、贷款金额以及不良率；确定客户类别的多个参考子集合；对于每个客户类别，确定客户类别的交易风险概率与不良率的对应关系；对于每个客户类别，确定客户类别的贷款金额与不良率的对应关系；当第一客户提交贷款请求时，依据第一客户归属的客户类别的交易风险概率与不良率的对应关系、贷款金额与不良率的对应关系以及本次贷款请求的贷款金额，确定本次贷款请求的风险，本发明整体方案可以对贷款请求进行准确分析，实现贷款风险的有效控制，降低放贷风险，增强了金融平台的风险管控能力。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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，还可以根据这些附图获得其它的附图。
图1是本发明一实施例的贷款风险控制方法流程示意图。
图2是本发明一实施例的对客户类别的所有客户进行聚类的流程示意图。
图3是本发明一实施例的确定子集合对应的交易风险概率、贷款金额以及不良率的具体流程示意图。
图4是本发明一实施例的依据交易风险概率及不良率，确定客户类别的多个参考子集合的具体流程示意图。
图5是本发明一实施例的确定客户类别的交易风险概率与不良率的对应关系的具体流程示意图。
图6是本发明一实施例的确定该客户类别的贷款金额与不良率的对应关系的具体流程示意图。
图7是本发明一实施例的处理贷款请求的流程示意图。
图8是本发明一实施例的贷款风险控制装置架构示意图。
图9是本发明一实施例的计算机设备结构示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
根据本发明的实施方式，提出了一种贷款风险控制方法及装置，涉及金融数据处理技术领域。
下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
图1是本发明一实施例的贷款风险控制方法流程示意图。如图1所示，该方法包括：
S1，依据客户信息，对银行在预定区域内的客户分类，获得多个客户类别；
S2，对于每个客户类别，获取该客户类别的所有客户的交易数据，并依据交易数据，对该客户类别的所有客户进行聚类，获得该客户类别对应的多个子集合；
S3，对于每个客户类别对应的每个子集合，依据该子集合的贷款客户的交易数据和贷款数据，确定该子集合对应的交易风险概率、贷款金额以及不良率；
S4，对于每个客户类别，依据交易风险概率及不良率，确定该客户类别的多个参考子集合；
S5，对于每个客户类别，依据该客户类别对应的多个参考子集合对应的交易风险概率及不良率，确定该客户类别的交易风险概率与不良率的对应关系；
S6，对于每个客户类别，依据该客户类别对应的多个参考子集合对应的贷款金额及不良率，确定该客户类别的贷款金额与不良率的对应关系；
S7，当第一客户提交贷款请求时，依据该第一客户归属的客户类别的交易风险概率与不良率的对应关系、贷款金额与不良率的对应关系以及本次贷款请求的贷款金额，确定本次贷款请求的风险。
为了对上述贷款风险控制方法进行更为清楚的解释，下面结合每一步骤来进行详细说明。
在S1中，依据客户信息，对银行在预定区域内的客户分类，获得多个客户类别；
其中，客户信息至少包括：收入、就业行业、毕业学校、持有的银行资产等，基于该些客户信息对客户进行分类。
在S2中，参考图2，对于每个客户类别，获取该客户类别的所有客户的交易数据，并依据交易数据，对该客户类别的所有客户进行聚类，获得该客户类别对应的多个子集合的具体方法为：
S201，依据交易数据，确定客户对应的距离函数，其中，该距离函数用于确定任何两个客户的距离；
S202，依据客户对应的距离函数，对该客户类别的所有客户进行聚类，获得该客户类别对应的多个子集合。
在实际应用场景中，由于一个客户的数据有限，若对单个客户进行分析，分析结果会存在较大的偏差，尤其是风险数据，对此，本发明通过聚类可以解决单个客户的数据太少的问题，同时能保证计算获得的各个指标的准确性。
在一实施例中，(S201)依据交易数据，确定客户对应的距离函数的具体方法为：
将每个客户对应各个交易类别的值确定为该客户的交易数据对应该交易类别的数量；
对于任何两个函数，该距离函数将该两个客户的距离确定为
Figure BDA0003666565870000061
其中，n1(i)和n2(i)是该两个客户对应第i个交易类别的值；
在一实施例中，(S202)依据客户对应的距离函数，对该客户类别的所有客户进行聚类，获得该客户类别对应的多个子集合的具体方法为：
基于客户对应的距离函数，选择聚类算法对该客户类别的所有客户进行聚类，获得多个客户子集合；
循环执行如下步骤，直到所有的客户子集合的一致指标大于等于设定阈值：
选取出一致指标小于设定阈值的客户子集合，依据选择的聚类算法继续对该客户子集合进行聚类，获取多个新的客户子集合(取代选取出的客户子集合)。
其中，每一客户子集合的一致参数按照如下方法确定：确定该客户子集合的每一客户的主要交易类别；将该客户子集合中各个主要交易类别对应的客户占比的最大值作为该客户类别的一致指标。
在实际应用场景中，交易类别是银行提供的各种服务，比如，存款、取款、查询、转账等。
在S3中，参考图3，对于每个客户类别对应的每个子集合，依据该子集合的贷款客户的交易数据和贷款数据，确定该子集合对应的交易风险概率、贷款金额以及不良率的具体方法为：
S301，依据该子集合的贷款客户的交易数据，确定该子集合对应的交易风险概率；
S302，依据该子集合的贷款客户的贷款数据，确定该子集合对应的贷款金额以及不良率。
具体的，(S301提到的)交易数据是银行提供给客户的除贷款服务之外的其他服务的数据，(S302提到的)贷款数据是贷款服务的数据。
在一实施例中，该子集合对应的交易风险概率的确定方法可参考该子集合对应的不良率的确定方法。
在一实施例中，(S302)依据该子集合的贷款客户的贷款数据，确定该子集合对应的贷款金额以及不良率的具体方法为：
确定该子集合中每个贷款客户的总贷款额；将该子集合对应的贷款金额确定为该子集合中所有贷款客户的总贷款额的均值；
将该子集合的贷款客户的贷款数据按照时间先后顺序划分为多个贷款数据子集，其中，每个贷款数据子集包含的贷款交易数量大于设定值；
将各个贷款数据子集中违约金额占该贷款数据子集对应的总贷款金额的比例作为该子集合对应的不良率样本；
基于该多个子集合对应的不良率样本，确定该子集合对应的不良率的方差；
设置误差上界最大值β；
确定
Figure BDA0003666565870000071
与β的大小关系，其中，σ是该子集合对应的不良率的方差，n是获得的贷款数据子集的数量；
如果
Figure BDA0003666565870000072
则循环执行如下步骤，直到获得的贷款数据子集的数量m满足
Figure BDA0003666565870000073
获取该子集合的新的贷款数据(或者获取在预定区域之外的贷款客户的贷款数据，其中，该贷款客户按照分类和聚类对应该子集合)；
将该新的贷款数据按照时间先后顺序划分为多个新的贷款数据子集，其中，每个新的贷款数据子集包含的贷款交易数量大于设定值；
将各个新的贷款数据子集中违约金额占该新的贷款数据子集对应的总贷款金额的比例作为该子集合对应的不良率样本；
将该子集合对应的不良率确定为该子集合对应的所有不良率样本的均值。
其中，误差上界最大值β可以设置为ε2×P，ε是可以接受的不良率误差阈值，P是可以接受的不良率误差大于ε的概率。
在S4中，参考图4，对于每个客户类别，依据交易风险概率及不良率，确定该客户类别的多个参考子集合的具体方法为：
S401，依据交易风险概率及不良率，确定子集合的偏序，其中，该偏序用于确定该客户类别对应的任何两个子集合中第一子集合是否优于第二子集合；
S402，依据该客户类别的多个子集合对应的不良率的最小值及最大值，确定该客户类别对应的不良率区间；
S403，将该客户类别对应的不良率区间划分为多个不良率子区间；
S404，将该客户类别的多个子集合中对应的不良率位于每个不良率子区间的子集合作为该不良率子区间对应的子集合；
S405，对于每个不良率子区间，依据子集合的偏序，确定该不良率子区间对应的子集合中的极大子集合，其中，极大子集合是该偏序的极大元素；将该极大子集合作为该客户类别的参考子集合。
需要说明的是，偏序的极大元素就是在偏序对应的集合中，不存在其他元素优于该极大元素。
在一实施例中，(S401)依据交易风险概率及不良率，确定子集合的偏序的具体方法为：
对于该客户类别对应的任何两个子集合，如果该两个子集合中第一子集合对应的交易风险概率小于等于该两个子集合中第二子集合对应的交易风险概率，且该第一子集合对应的不良率小于等于该第二子集合对应的不良率，则确定该第一子集合优于该第二子集合。
在一实施例中，(S405)对于每个不良率子区间，依据子集合的偏序，确定该不良率子区间对应的子集合中的极大子集合的具体方法为：
将该不良率子区间对应的每个子集合对应的极大认证值初始化为“待定”，以及每个子集合对应的比较布尔值初始化为“是”；
按照对应的交易风险概率从小到到的顺序对该不良率子区间对应的所有子集合进行排序；
按照排序的顺序依次对该不良率子区间对应的每个子集合执行如下步骤，直到该不良率子区间对应的所有的子集合都执行完如下步骤，即确定了该不良率子区间对应的子集合中的所有极大子集合：
对每个子集合，如果该子集合对应的极大认证值是“待定”，则将该子集合对应的待比较子集合设置为在该不良率子区间对应的子集合中对应的比较布尔值为“是”的其他子集合(除该子集合之外)；否则，将该子集合对应的待比较子集合设置为空；
依次确定该子集合和对应的每个待比较子集合的偏序关系：如果该待比较子集合优于该子集合，则将该子集合对应的极大认证值更新为“否”；如果该子集合优于该待比较子集合，则将该待比较子集合对应的极大认证值更新为“否”，并将该待比较子集合确定为该子集合的次要子集合；如果该待比较子集合不优于该子集合并且该子集合不优于该待比较子集合，则两个子集合对应的极大认证值保持不变；
如果确定该子集合对应的所有待比较子集合都不优于该子集合，则将该子集合作为该不良率子区间对应的子集合中的极大子集合，并且更新该极大子集合的所有次要子集合的比较布尔值为“否”。
在S5中，参考图5，对于每个客户类别，依据该客户类别对应的多个参考子集合对应的交易风险概率及不良率，确定该客户类别的交易风险概率与不良率的对应关系的具体方法为：
S501，对于每个参考子集合，确定一个坐标点样本，其中，该坐标点样本的横坐标是该参考子集合对应的交易风险概率，纵坐标是该参考子集合对应的不良率；
S502，根据确定的多个坐标点样本，进行函数拟合，得到该客户类别的交易风险概率与不良率的对应关系。
其中，函数拟合可以采用多项式函数拟合。
在S6中，参考图6，对于每个客户类别，依据该客户类别对应的多个参考子集合对应的贷款金额及不良率，确定该客户类别的贷款金额与不良率的对应关系的具体方法为：
S601，对于每个参考子集合，确定一个坐标点样本，其中，该坐标点样本的横坐标是该参考子集合对应的不良率，纵坐标是该参考子集合对应的贷款金额；
S602，根据确定的多个坐标点样本，进行函数拟合，得到该客户类别的贷款金额与不良率的对应关系。
其中，函数拟合可以采用多项式函数拟合。
在S7中，参考图7，当第一客户提交贷款请求时，依据该第一客户归属的客户类别的交易风险概率与不良率的对应关系、贷款金额与不良率的对应关系以及本次贷款请求的贷款金额，确定本次贷款请求的风险的具体方法为：
S701，确定该第一客户归属的客户类别以及该客户类别对应的子集合；
S702，依据该第一客户归属的客户类别的交易风险概率与不良率的对应关系及该子集合的交易风险概率，确定该第一客户对应的不良率；
S703，依据本次贷款请求的贷款金额及该第一客户归属的客户类别的贷款金额与不良率的对应关系，确定该贷款金额对应的不良率；
S704，如果该贷款金额对应的不良率大于该客户对应的不良率，则确定本次贷款请求存在风险。
需要说明的是，尽管在上述实施例及附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
在介绍了本发明示例性实施方式的方法之后，接下来，参考图8对本发明示例性实施方式的贷款风险控制装置进行介绍。
贷款风险控制装置的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的术语“模块”或者“单元”，可以是实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
基于同一发明构思，本发明还提出了一种贷款风险控制装置，如图8所示，该装置包括：
客户分类模块810，用于依据客户信息，对银行在预定区域内的客户分类，获得多个客户类别；
聚类模块820，用于对于每个客户类别，获取该客户类别的所有客户的交易数据，并依据交易数据，对该客户类别的所有客户进行聚类，获得该客户类别对应的多个子集合；
子集合分析模块830，用于对于每个客户类别对应的每个子集合，依据该子集合的贷款客户的交易数据和贷款数据，确定该子集合对应的交易风险概率、贷款金额以及不良率；
参考子集合确定模块840，用于对于每个客户类别，依据交易风险概率及不良率，确定该客户类别的多个参考子集合；
交易风险概率分析模块850，用于对于每个客户类别，依据该客户类别对应的多个参考子集合对应的交易风险概率及不良率，确定该客户类别的交易风险概率与不良率的对应关系；
贷款金额分析模块860，用于对于每个客户类别，依据该客户类别对应的多个参考子集合对应的贷款金额及不良率，确定该客户类别的贷款金额与不良率的对应关系；
风险控制模块870，用于当第一客户提交贷款请求时，依据该第一客户归属的客户类别的交易风险概率与不良率的对应关系、贷款金额与不良率的对应关系以及本次贷款请求的贷款金额，确定本次贷款请求的风险。
在一实施例中，聚类模块具体用于：
依据交易数据，确定客户对应的距离函数，其中，该距离函数用于确定任何两个客户的距离；
依据客户对应的距离函数，对该客户类别的所有客户进行聚类，获得该客户类别对应的多个子集合。
在一实施例中，子集合分析模块具体用于：
依据该子集合的贷款客户的交易数据，确定该子集合对应的交易风险概率；
依据该子集合的贷款客户的贷款数据，确定该子集合对应的贷款金额以及不良率。
在一实施例中，参考子集合确定模块具体用于：
依据交易风险概率及不良率，确定子集合的偏序，其中，该偏序用于确定该客户类别对应的任何两个子集合中第一子集合是否优于第二子集合；
依据该客户类别的多个子集合对应的不良率的最小值及最大值，确定该客户类别对应的不良率区间；
将该客户类别对应的不良率区间划分为多个不良率子区间；
将该客户类别的多个子集合中对应的不良率位于每个不良率子区间的子集合作为该不良率子区间对应的子集合；
对于每个不良率子区间，依据子集合的偏序，确定该不良率子区间对应的子集合中的极大子集合，其中，极大子集合是该偏序的极大元素；将该极大子集合作为该客户类别的参考子集合。
在一实施例中，参考子集合确定模块具体用于：
对于该客户类别对应的任何两个子集合，如果该两个子集合中第一子集合对应的交易风险概率小于等于该两个子集合中第二子集合对应的交易风险概率，且该第一子集合对应的不良率小于等于该第二子集合对应的不良率，则确定该第一子集合优于该第二子集合。
在一实施例中，交易风险概率分析模块具体用于：
对于每个参考子集合，确定一个坐标点样本，其中，该坐标点样本的横坐标是该参考子集合对应的交易风险概率，纵坐标是该参考子集合对应的不良率；
根据确定的多个坐标点样本，进行函数拟合，得到该客户类别的交易风险概率与不良率的对应关系。
在一实施例中，贷款金额分析模块具体用于：
对于每个参考子集合，确定一个坐标点样本，其中，该坐标点样本的横坐标是该参考子集合对应的不良率，纵坐标是该参考子集合对应的贷款金额；
根据确定的多个坐标点样本，进行函数拟合，得到该客户类别的贷款金额与不良率的对应关系。
在一实施例中，风险控制模块具体用于：
确定该第一客户归属的客户类别以及该客户类别对应的子集合；
依据该第一客户归属的客户类别的交易风险概率与不良率的对应关系及该子集合的交易风险概率，确定该第一客户对应的不良率；
依据本次贷款请求的贷款金额及该第一客户归属的客户类别的贷款金额与不良率的对应关系，确定该贷款金额对应的不良率；
如果该贷款金额对应的不良率大于该客户对应的不良率，则确定本次贷款请求存在风险。
应当注意，尽管在上文详细描述中提及了贷款风险控制装置的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
基于前述发明构思，如图9所示，本发明还提出了一种计算机设备900，包括存储器910、处理器920及存储在存储器910上并可在处理器920上运行的计算机程序930，所述处理器920执行所述计算机程序930时实现前述贷款风险控制方法。
基于前述发明构思，本发明提出了一种计算机可读存储介质，所述计算机可读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前述贷款风险控制方法。
基于前述发明构思，本发明提出了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现贷款风险控制方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法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。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (19)

1.一种贷款风险控制方法，其特征在于，包括：
依据客户信息，对银行在预定区域内的客户分类，获得多个客户类别；
对于每个客户类别，获取该客户类别的所有客户的交易数据，并依据交易数据，对该客户类别的所有客户进行聚类，获得该客户类别对应的多个子集合；
对于每个客户类别对应的每个子集合，依据该子集合的贷款客户的交易数据和贷款数据，确定该子集合对应的交易风险概率、贷款金额以及不良率；
对于每个客户类别，依据交易风险概率及不良率，确定该客户类别的多个参考子集合；
对于每个客户类别，依据该客户类别对应的多个参考子集合对应的交易风险概率及不良率，确定该客户类别的交易风险概率与不良率的对应关系；
对于每个客户类别，依据该客户类别对应的多个参考子集合对应的贷款金额及不良率，确定该客户类别的贷款金额与不良率的对应关系；
当第一客户提交贷款请求时，依据该第一客户归属的客户类别的交易风险概率与不良率的对应关系、贷款金额与不良率的对应关系以及本次贷款请求的贷款金额，确定本次贷款请求的风险。
2.如权利要求1所述的方法，其特征在于，对于每个客户类别，获取该客户类别的所有客户的交易数据，并依据交易数据，对该客户类别的所有客户进行聚类，获得该客户类别对应的多个子集合，包括：
依据交易数据，确定客户对应的距离函数，其中，该距离函数用于确定任何两个客户的距离；
依据客户对应的距离函数，对该客户类别的所有客户进行聚类，获得该客户类别对应的多个子集合。
3.如权利要求1所述的方法，其特征在于，对于每个客户类别对应的每个子集合，依据该子集合的贷款客户的交易数据和贷款数据，确定该子集合对应的交易风险概率、贷款金额以及不良率，包括：
依据该子集合的贷款客户的交易数据，确定该子集合对应的交易风险概率；
依据该子集合的贷款客户的贷款数据，确定该子集合对应的贷款金额以及不良率。
4.如权利要求1所述的方法，其特征在于，对于每个客户类别，依据交易风险概率及不良率，确定该客户类别的多个参考子集合，包括：
依据交易风险概率及不良率，确定子集合的偏序，其中，该偏序用于确定该客户类别对应的任何两个子集合中第一子集合是否优于第二子集合；
依据该客户类别的多个子集合对应的不良率的最小值及最大值，确定该客户类别对应的不良率区间；
将该客户类别对应的不良率区间划分为多个不良率子区间；
将该客户类别的多个子集合中对应的不良率位于每个不良率子区间的子集合作为该不良率子区间对应的子集合；
对于每个不良率子区间，依据子集合的偏序，确定该不良率子区间对应的子集合中的极大子集合，其中，极大子集合是该偏序的极大元素；将该极大子集合作为该客户类别的参考子集合。
5.如权利要求4所述的方法，其特征在于，依据交易风险概率及不良率，确定子集合的偏序，包括：
对于该客户类别对应的任何两个子集合，如果该两个子集合中第一子集合对应的交易风险概率小于等于该两个子集合中第二子集合对应的交易风险概率，且该第一子集合对应的不良率小于等于该第二子集合对应的不良率，则确定该第一子集合优于该第二子集合。
6.如权利要求1所述的方法，其特征在于，对于每个客户类别，依据该客户类别对应的多个参考子集合对应的交易风险概率及不良率，确定该客户类别的交易风险概率与不良率的对应关系，包括：
对于每个参考子集合，确定一个坐标点样本，其中，该坐标点样本的横坐标是该参考子集合对应的交易风险概率，纵坐标是该参考子集合对应的不良率；
根据确定的多个坐标点样本，进行函数拟合，得到该客户类别的交易风险概率与不良率的对应关系。
7.如权利要求1所述的方法，其特征在于，对于每个客户类别，依据该客户类别对应的多个参考子集合对应的贷款金额及不良率，确定该客户类别的贷款金额与不良率的对应关系，包括：
对于每个参考子集合，确定一个坐标点样本，其中，该坐标点样本的横坐标是该参考子集合对应的不良率，纵坐标是该参考子集合对应的贷款金额；
根据确定的多个坐标点样本，进行函数拟合，得到该客户类别的贷款金额与不良率的对应关系。
8.如权利要求1所述的方法，其特征在于，当第一客户提交贷款请求时，依据该第一客户归属的客户类别的交易风险概率与不良率的对应关系、贷款金额与不良率的对应关系以及本次贷款请求的贷款金额，确定本次贷款请求的风险，包括：
确定该第一客户归属的客户类别以及该客户类别对应的子集合；
依据该第一客户归属的客户类别的交易风险概率与不良率的对应关系及该子集合的交易风险概率，确定该第一客户对应的不良率；
依据本次贷款请求的贷款金额及该第一客户归属的客户类别的贷款金额与不良率的对应关系，确定该贷款金额对应的不良率；
如果该贷款金额对应的不良率大于该客户对应的不良率，则确定本次贷款请求存在风险。
9.一种贷款风险控制装置，其特征在于，包括：
客户分类模块，用于依据客户信息，对银行在预定区域内的客户分类，获得多个客户类别；
聚类模块，用于对于每个客户类别，获取该客户类别的所有客户的交易数据，并依据交易数据，对该客户类别的所有客户进行聚类，获得该客户类别对应的多个子集合；
子集合分析模块，用于对于每个客户类别对应的每个子集合，依据该子集合的贷款客户的交易数据和贷款数据，确定该子集合对应的交易风险概率、贷款金额以及不良率；
参考子集合确定模块，用于对于每个客户类别，依据交易风险概率及不良率，确定该客户类别的多个参考子集合；
交易风险概率分析模块，用于对于每个客户类别，依据该客户类别对应的多个参考子集合对应的交易风险概率及不良率，确定该客户类别的交易风险概率与不良率的对应关系；
贷款金额分析模块，用于对于每个客户类别，依据该客户类别对应的多个参考子集合对应的贷款金额及不良率，确定该客户类别的贷款金额与不良率的对应关系；
风险控制模块，用于当第一客户提交贷款请求时，依据该第一客户归属的客户类别的交易风险概率与不良率的对应关系、贷款金额与不良率的对应关系以及本次贷款请求的贷款金额，确定本次贷款请求的风险。
10.如权利要求9所述的装置，其特征在于，聚类模块具体用于：
依据交易数据，确定客户对应的距离函数，其中，该距离函数用于确定任何两个客户的距离；
依据客户对应的距离函数，对该客户类别的所有客户进行聚类，获得该客户类别对应的多个子集合。
11.如权利要求9所述的装置，其特征在于，子集合分析模块具体用于：
依据该子集合的贷款客户的交易数据，确定该子集合对应的交易风险概率；
依据该子集合的贷款客户的贷款数据，确定该子集合对应的贷款金额以及不良率。
12.如权利要求9所述的装置，其特征在于，参考子集合确定模块具体用于：
依据交易风险概率及不良率，确定子集合的偏序，其中，该偏序用于确定该客户类别对应的任何两个子集合中第一子集合是否优于第二子集合；
依据该客户类别的多个子集合对应的不良率的最小值及最大值，确定该客户类别对应的不良率区间；
将该客户类别对应的不良率区间划分为多个不良率子区间；
将该客户类别的多个子集合中对应的不良率位于每个不良率子区间的子集合作为该不良率子区间对应的子集合；
对于每个不良率子区间，依据子集合的偏序，确定该不良率子区间对应的子集合中的极大子集合，其中，极大子集合是该偏序的极大元素；将该极大子集合作为该客户类别的参考子集合。
13.如权利要求12所述的装置，其特征在于，参考子集合确定模块具体用于：
对于该客户类别对应的任何两个子集合，如果该两个子集合中第一子集合对应的交易风险概率小于等于该两个子集合中第二子集合对应的交易风险概率，且该第一子集合对应的不良率小于等于该第二子集合对应的不良率，则确定该第一子集合优于该第二子集合。
14.如权利要求9所述的装置，其特征在于，交易风险概率分析模块具体用于：
对于每个参考子集合，确定一个坐标点样本，其中，该坐标点样本的横坐标是该参考子集合对应的交易风险概率，纵坐标是该参考子集合对应的不良率；
根据确定的多个坐标点样本，进行函数拟合，得到该客户类别的交易风险概率与不良率的对应关系。
15.如权利要求9所述的装置，其特征在于，贷款金额分析模块具体用于：
对于每个参考子集合，确定一个坐标点样本，其中，该坐标点样本的横坐标是该参考子集合对应的不良率，纵坐标是该参考子集合对应的贷款金额；
根据确定的多个坐标点样本，进行函数拟合，得到该客户类别的贷款金额与不良率的对应关系。
16.如权利要求9所述的装置，其特征在于，风险控制模块具体用于：
确定该第一客户归属的客户类别以及该客户类别对应的子集合；
依据该第一客户归属的客户类别的交易风险概率与不良率的对应关系及该子集合的交易风险概率，确定该第一客户对应的不良率；
依据本次贷款请求的贷款金额及该第一客户归属的客户类别的贷款金额与不良率的对应关系，确定该贷款金额对应的不良率；
如果该贷款金额对应的不良率大于该客户对应的不良率，则确定本次贷款请求存在风险。
17.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8任一所述方法。
18.一种计算机可读存储介质，其特征在于，所述计算机可读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权利要求1至8任一所述方法。
19.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至8任一所述方法。
CN202210593394.0A 2022-05-27 2022-05-27 贷款风险控制方法及装置 Pending CN114936921A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210593394.0A CN114936921A (zh) 2022-05-27 2022-05-27 贷款风险控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210593394.0A CN114936921A (zh) 2022-05-27 2022-05-27 贷款风险控制方法及装置

Publications (1)

Publication Number Publication Date
CN114936921A true CN114936921A (zh) 2022-08-23

Family

ID=82867057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210593394.0A Pending CN114936921A (zh) 2022-05-27 2022-05-27 贷款风险控制方法及装置

Country Status (1)

Country Link
CN (1) CN114936921A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115545882A (zh) * 2022-09-02 2022-12-30 睿智合创(北京)科技有限公司 一种基于新增信贷不良率的信贷风险预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107908650A (zh) * 2017-10-12 2018-04-13 浙江大学 基于海量数字图书的知识脉络自动构建方法
CN111681111A (zh) * 2020-06-16 2020-09-18 深圳前海点金保理有限公司 一种基于区块链的增信融资平台系统、方法及存储介质
CN113129125A (zh) * 2021-03-30 2021-07-16 诺丁汉(宁波保税区)区块链有限公司 基于质押典当系统的风险监控方法、系统及存储介质
CN113724074A (zh) * 2021-09-14 2021-11-30 中国银行股份有限公司 信用贷风险预警方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107908650A (zh) * 2017-10-12 2018-04-13 浙江大学 基于海量数字图书的知识脉络自动构建方法
CN111681111A (zh) * 2020-06-16 2020-09-18 深圳前海点金保理有限公司 一种基于区块链的增信融资平台系统、方法及存储介质
CN113129125A (zh) * 2021-03-30 2021-07-16 诺丁汉(宁波保税区)区块链有限公司 基于质押典当系统的风险监控方法、系统及存储介质
CN113724074A (zh) * 2021-09-14 2021-11-30 中国银行股份有限公司 信用贷风险预警方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张舒翼: "企业财务状况、财务报告质量与银行信贷决策", 《中国优秀博士学位论文全文数据库》, no. 7, 15 July 2018 (2018-07-15), pages 152 - 52 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115545882A (zh) * 2022-09-02 2022-12-30 睿智合创(北京)科技有限公司 一种基于新增信贷不良率的信贷风险预测方法

Similar Documents

Publication Publication Date Title
US7930242B2 (en) Methods and systems for multi-credit reporting agency data modeling
CN110162516B (zh) 一种基于海量数据处理的数据治理的方法及系统
CN111325617B (zh) 基于文件的对账方法、装置、计算机设备和可读存储介质
JP2021111261A (ja) モデル生成装置、モデル生成方法、及び、記録媒体
CN111429264A (zh) 一种分布式系统的组合对账方法及装置
CN114936921A (zh) 贷款风险控制方法及装置
Xu et al. Profit-and risk-driven credit scoring under parameter uncertainty: a multiobjective approach
CN113159968A (zh) 基于金融核心批量交易场景的数据处理方法及装置
CN114117052B (zh) 一种业务数据报表的分类方法及装置
Li et al. Restructuring performance prediction with a rebalanced and clustered support vector machine
US11983610B2 (en) Calculating decision score thresholds using linear programming
Yeh et al. Predicting failure of P2P lending platforms through machine learning: The case in China
CN114881785A (zh) 智能柜台的服务模式处理方法及装置
CN114881699A (zh) 一种基于地域聚类的银行产品投放处理方法及装置
CN114782156A (zh) 通过数据分析计算重空数量的方法及系统
CN114997269A (zh) 银行网点的人脸识别处理方法及系统
CN118261693A (zh) 资源申请方法、装置、计算机设备、存储介质和程序产品
CN115205018A (zh) 一种对公客户贷款额度的修正方法及装置
Muren et al. A new parallel framework algorithm for solving large-scale DEA models
CN114862601A (zh) 自助终端的现金资源处理方法及装置
CN115099942A (zh) 银行客户的贷款风险控制方法及装置
CN114926277A (zh) 银行推荐业务渠道的方法及装置
CN118277255A (zh) 数据校验方法、装置、计算机设备、存储介质和计算机程序产品
CN116108007A (zh) 报表数据校验方法、装置、计算机设备和存储介质
CN117391840A (zh) 一种用于外贸企业的信贷审批方法、设备及介质

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