CN115187009A - 一种数据处理方法及装置 - Google Patents

一种数据处理方法及装置 Download PDF

Info

Publication number
CN115187009A
CN115187009A CN202210723631.0A CN202210723631A CN115187009A CN 115187009 A CN115187009 A CN 115187009A CN 202210723631 A CN202210723631 A CN 202210723631A CN 115187009 A CN115187009 A CN 115187009A
Authority
CN
China
Prior art keywords
economic
macro
credit card
index
default
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
CN202210723631.0A
Other languages
English (en)
Inventor
邹沛江
程建
陈伟杰
刘礼锋
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.)
China Construction Bank Corp
Original Assignee
China Construction Bank Corp
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 China Construction Bank Corp filed Critical China Construction Bank Corp
Priority to CN202210723631.0A priority Critical patent/CN115187009A/zh
Publication of CN115187009A publication Critical patent/CN115187009A/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
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种数据处理方法及装置，可以获得用于表征宏观经济情景的第一宏观经济指标组，第一宏观经济指标组中包括至少一个宏观经济指标的指标值；将第一宏观经济指标组输入至宏微观传导模型，以确定目标客户关于信用卡的、易受宏观经济情景影响的第一微观经济指标组，第一微观经济指标组包括至少一个微观经济指标的指标值；将第二微观经济指标组输入至信用卡违约预测模型中，获得信用卡违约预测模型输出的目标客户的信用卡违约概率；其中，第二微观经济指标组至少包括第一微观经济指标组中的各微观经济指标的指标值。本发明可以有效实现对客户的信用卡违约概率的预测，进而确定客户的信用卡违约风险。

Description

一种数据处理方法及装置
技术领域
本发明涉及数据处理技术领域，尤其涉及一种数据处理方法及装置。
背景技术
当前，大型商业银行普遍开启零售转型，信用卡成为连接商业银行与个人客户的重要纽带，信用卡业务逐渐成为商业银行个人业务的重要组成部分。其中，在大型商业银行的信用卡业务中，信用卡贷款占全部个人贷款的比例普遍在10％以上，部分银行甚至接近30％。
具体的，现有技术需对信用卡业务进行前瞻性的风险分析，为商业银行的运营决策提供相关信息，以保障商业银行的稳健运营。
但是，现有技术无法对个人客户的信用卡违约风险进行有效分析。
发明内容
鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的数据处理方法及装置，技术方案如下：
一种数据处理方法，包括：
获得用于表征宏观经济情景的第一宏观经济指标组，所述第一宏观经济指标组中包括至少一个宏观经济指标的指标值；
将所述第一宏观经济指标组输入至宏微观传导模型，以确定目标客户关于信用卡的、易受宏观经济情景影响的第一微观经济指标组，所述第一微观经济指标组包括至少一个微观经济指标的指标值；
将第二微观经济指标组输入至信用卡违约预测模型中，获得所述信用卡违约预测模型输出的所述目标客户的信用卡违约概率；其中，所述第二微观经济指标组至少包括所述第一微观经济指标组中的各所述微观经济指标的指标值。
可选的，所述第一微观经济指标组包括所述目标客户的资产管理规模AUM，所述宏微观传导模型包括AUM计算模型；所述将所述第一宏观经济指标组输入至宏微观传导模型，以确定目标客户关于信用卡的、易受宏观经济情景影响的第一微观经济指标组，包括：
将所述第一宏观经济指标组中的至少部分宏观经济指标的指标值，输入至所述AUM计算模型，获得所述AUM计算模型输出的所述目标客户的AUM。
可选的，所述将第二微观经济指标组输入至信用卡违约预测模型中，获得所述信用卡违约预测模型输出的所述目标客户的信用卡违约概率，包括：
将所述第二微观经济指标组和第二宏观经济指标组输入至所述信用卡违约预测模型中，获得所述信用卡违约预测模型输出的所述目标客户的信用卡违约概率；其中，所述第一宏观经济指标组包括所述第二宏观经济指标组中各宏观经济指标的指标值，所述第二宏观经济指标组包括直接对客户产生影响的至少一个宏观经济指标的指标值。
可选的，所述数据处理方法还包括：
确定在目标地区内使用信用卡的所有客户的信用卡违约概率；
将信用卡违约概率不低于预设阈值的客户均确定为违约客户；
将所有所述违约客户的违约额输入至不良率计算模型，获得所述不良率计算模型输出的期末不良率。
可选的，所述第一微观经济指标组包括AUM，所述第二微观经济指标组包括：所述目标客户的性别、年龄、受教育年限和额度使用率。
可选的，所述第二宏观经济指标组包括失业率和消费者信息指数。
一种数据处理装置，包括：第一获得单元、第一输入单元、第二输入单元和第二获得单元；其中：
所述第一获得单元，用于获得用于表征宏观经济情景的第一宏观经济指标组，所述第一宏观经济指标组中包括至少一个宏观经济指标的指标值；
所述第一输入单元，用于将所述第一宏观经济指标组输入至宏微观传导模型，以确定目标客户关于信用卡的、易受宏观经济情景影响的第一微观经济指标组，所述第一微观经济指标组包括至少一个微观经济指标的指标值；
所述第二输入单元，用于将第二微观经济指标组输入至信用卡违约预测模型中；其中，所述第二微观经济指标组至少包括所述第一微观经济指标组中的各所述微观经济指标的指标值；
所述第二获得单元，用于获得所述信用卡违约预测模型输出的所述目标客户的信用卡违约概率。
可选的，所述第一微观经济指标组包括所述目标客户的资产管理规模AUM，所述宏微观传导模型包括AUM计算模型；所述第一输入单元，包括：第三输入单元和第三获得单元；
所述第三输入单元，用于将所述第一宏观经济指标组中的至少部分宏观经济指标的指标值，输入至所述AUM计算模型；
所述第三获得单元，用于获得所述AUM计算模型输出的所述目标客户的AUM。
可选的，所述第二输入单元，包括：第四输入单元和第四获得单元；其中：
所述第四输入单元，用于将所述第二微观经济指标组和第二宏观经济指标组输入至所述信用卡违约预测模型中；所述第一宏观经济指标组包括所述第二宏观经济指标组中各宏观经济指标的指标值，所述第二宏观经济指标组包括直接对客户产生影响的至少一个宏观经济指标的指标值；
所述第四获得单元，用于获得所述信用卡违约预测模型输出的所述目标客户的信用卡违约概率。
可选的，所述数据处理装置还包括：第一确定单元、第二确定单元、第五输入单元和第五获得单元；其中：
所述第一确定单元，用于确定在目标地区内使用信用卡的所有客户的信用卡违约概率；
所述第二确定单元，用于将信用卡违约概率不低于预设阈值的客户均确定为违约客户；
所述第五输入单元，用于将所有所述违约客户的违约额输入至不良率计算模型；
所述第五获得单元，用于获得所述不良率计算模型输出的期末不良率。
可选的，所述第一微观经济指标组包括AUM，所述第二微观经济指标组包括：所述目标客户的性别、年龄、受教育年限和额度使用率。
可选的，所述第二宏观经济指标组包括失业率和消费者信息指数。
本发明提出的数据处理方法及装置，可以获得用于表征宏观经济情景的第一宏观经济指标组，第一宏观经济指标组中包括至少一个宏观经济指标的指标值；将第一宏观经济指标组输入至宏微观传导模型，以确定目标客户关于信用卡的、易受宏观经济情景影响的第一微观经济指标组，第一微观经济指标组包括至少一个微观经济指标的指标值；将第二微观经济指标组输入至信用卡违约预测模型中，获得信用卡违约预测模型输出的目标客户的信用卡违约概率；其中，第二微观经济指标组至少包括第一微观经济指标组中的各微观经济指标的指标值。本发明可以通过宏微观传导模型和信用卡违约预测模型来对目标客户的信用卡违约概率进行预测，即通过采用“两步式”方式，使用宏微观传导模型将宏观经济情景传导至客户的微观经济指标，之后采用信用卡违约预测模型将客户的微观经济指标变化和信用卡违约状态相关联，来预测客户的信用卡违约概率，实现从宏观经济指标到微观经济指标，再从微观经济指标到信用卡违约状态的传导路径，有效实现对客户的信用卡违约概率的预测，进而确定客户的信用卡违约风险。
上述说明仅是本发明技术方案的概述，为了能够更清楚地了解本发明的技术手段，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
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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本申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1示出了本发明实施例提供的第一种数据处理方法的流程图；
图2示出了本发明实施例提供的第二种数据处理方法的流程图；
图3示出了本发明实施例提供的一种数据处理装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
如图1所示，本实施例提出了第一种数据处理方法，该方法可以包括以下步骤：
S101、获得用于表征宏观经济情景的第一宏观经济指标组，第一宏观经济指标组中包括至少一个宏观经济指标的指标值；
其中，宏观经济情景可以是用于开展信用卡贷款宏观情景压力测试的情景。具体的，宏观经济情景可以包括基准情景、轻度压力情景、中度压力情景和重度压力情景。
其中，第一宏观经济指标组可以是用于表征宏观经济情景的指标组。具体的，第一宏观经济指标组可以是由一个或多个宏观经济指标及其指标值构成的指标组。需要说明的是，宏观经济指标可以是如GDP、城镇居民可支配收入、消费者信息指数、CPI和失业率等指标。
S102、将第一宏观经济指标组输入至宏微观传导模型，以确定目标客户关于信用卡的、易受宏观经济情景影响的第一微观经济指标组，第一微观经济指标组包括至少一个微观经济指标的指标值；
其中，目标客户可以是某一个需要确定信用卡违约概率的客户。
需要说明的是，本发明的宏微观传导模型可以分析出宏观经济形势的变化对于客户所带来的微观影响，将宏观经济指标的变化传导至客户的微观经济指标。
具体的，本发明可以在获得第一宏观经济指标组后，将第一宏观经济指标组输入到宏微观传导模型中。之后，本发明可以获得宏微观传导模型基于第一宏观经济指标组输出的第一微观经济指标组。
其中，第一微观经济指标组可以是由一个或多个微观经济指标及其指标值构成的指标组。需要说明的是，第一微观经济指标组中的微观经济指标可以包括资产管理规模(Asset Under Management，AUM)。具体的，AUM可以包括目标客户在需要目标银行中的全部资产。目标银行即为需要预测目标客户的信用卡违约概率的银行。
可选的，宏微观传导模型可以为自回归滑动平均模型(Autoregressive movingaverage model，ARMA)。
可选的，宏微观传导模型可以为：
Figure BDA0003712549120000061
其中，AUMi，t为第i个客户第t期的AUM值，AUMi，t-p为滞后p期的指标值，εt为白噪声序列，β、α和γ为系数；模型中p、q、k、s、u均为滞后阶数，其中，p、q通过偏自相关函数和自相关函数的截尾数确定，k、s、u则通过系数γ的符号以及显著性水平确定，即适当的滞后阶数需确保系数符合经济学理论和统计学要求，一般来说GDP增速越高、城镇居民可支配收入越多、失业率越低，对应的AUM值应该越大。
需要说明的是，本发明可以通过SAS、EViews和Matlab等统计计量软件建立宏微观传导模型。
可选的，第一微观经济指标组包括目标客户的资产管理规模AUM，宏微观传导模型包括AUM计算模型；此时，步骤S102可以包括：
将第一宏观经济指标组中的至少部分宏观经济指标的指标值，输入至AUM计算模型，获得AUM计算模型输出的目标客户的AUM。
具体的，本发明可以先行获得用于训练宏微观传导模型的包括宏观经济指标和微观经济指标在内的样本数据，之后对样本数据进行预处理，利用预处理后的样本数据对宏微观传导模型进行训练。其中，样本数据可以包括一定年限内(如近五年内)的宏观经济指标如GDP、城镇居民可支配收入、消费者信息指数和CPI等，以及从商业银行的客户级大数据中获得的在一定年限内的微观经济指标，如客户的性别、年龄、受教育年限、职业、信用卡贷款余额、产品类别、额度使用率和AUM等。
其中，预处理过程可以包括数据清洗和数据格式转换。具体的，ARMAX模型存在有对变量平稳性的需求，因此，本发明可以在预处理过程中对部分经济指标进行格式变化，使其符合训练模型及建模的要求。具体的，对于微观经济指标，这类指标中有部分指标是不随时间变化的，比如客户性别、受教育年限等。部分指标随时间变化，比如客户年龄、额度使用率和AUM等，本发明可以将AUM转换为同比增速，以更加便利的在宏微观传导模型中考察宏观经济变化对其带来的影响；对于宏观经济指标，本发明也可以均对其进行格式变化，比如GDP和城镇居民可支配收入，本发明可以分别计算其包括当季同比和累计同比在内的同比增长速度，使用同比增长速度来进行经济指标的表征；比如消费者信心指数，本发明可以计算出其同比增速后直接使用同比增速对其进行表征；再比如价格类指标，本发明可以直接使用其价格涨幅进行经济指标的表征；而对于部分宏观经济指标，本发明也可以直接使用其自身值进行经济指标的表征，如失业率。
S103、将第二微观经济指标组输入至信用卡违约预测模型中；其中，第二微观经济指标组至少包括第一微观经济指标组中的各微观经济指标的指标值。
其中，第二微观经济指标组可以是包括有第一微观经济指标组中的所有微观经济指标以及其他微观经济指标的指标组。
可选的，第一微观经济指标组包括AUM，第二微观经济指标组可以包括：目标客户的性别、年龄、受教育年限和额度使用率。具体的，第一微观经济指标组可以不包括有目标客户的性别、年龄、受教育年限和额度使用率，即第二微观经济指标组中除第一微观经济指标组中的微观经济指标外，还可以包括目标客户的性别、年龄、受教育年限和额度使用率。
其中，信用卡违约预测模型即是用于预测客户的信用卡违约概率的模型。具体的，信用卡违约预测模型可以将客户的微观经济指标与其违约状态相关联，即判断在给定客户经济指标的情况下，预测客户发生信用卡违约的可能性。
可选的，本发明可以采用Logit模型作为信用卡违约预测模型。其中，Logit模型为经典的统计判别模型，在商业银行对公贷款评级中被广泛使用，模型行驶可以为：
Figure BDA0003712549120000081
其中，y表示历史数据中客户违约标志，1表示违约，0表示非违约，x表示一组客户微观变量，β是模型参数。Prob(y＝1|X＝x)表示给定单个客户的微观指标，客户违约的可能性。
需要说明的是，本发明可以从商业银行的客户级数据中获得用于训练信用卡违约预测模型的在一定年限内的客户的微观经济指标，将其作为样本数据训练信用卡违约预测模型。
具体的，本发明可以在获得第二微观经济指标组之后，将第二微观经济指标组输入到信用卡违约预测模型中。需要说明的是，本发明在实际建模时，使用的经济指标除了客户的微观经济指标之外，还可以使用包括一些直接对客户产生影响的宏观经济指标，比如失业率、消费者信息指数等。
S104、获得信用卡违约预测模型输出的目标客户的信用卡违约概率。
具体的，本发明可以在将目标客户的第二微观经济指标组输入到信用卡违约预测模型中后，获得信用卡违约预测模型输出的目标客户的信用卡违约概率。
具体的，本发明可以在获得目标客户的信用卡违约概率之后，将目标客户的信用卡违约概率与预设的违约概率阈值进行比较，当目标客户的信用卡违约概率不低于违约概率阈值时，可以确定目标客户存在较大的信用卡违约风险；而当目标客户的信用卡违约概率低于违约概率阈值时，可以确定目标客户的信用卡违约风险较低。
其中，违约概率阈值可以是由技术人员根据实际情况进行设置的，本发明对此不作限定。
可以理解的是，本发明可以通过宏微观传导模型和信用卡违约预测模型来对目标客户的信用卡违约概率进行预测，即通过采用“两步式”方式，使用宏微观传导模型将宏观经济情景传导至客户的微观经济指标，之后采用信用卡违约预测模型将客户的微观经济指标变化和信用卡违约状态相关联，来预测客户的信用卡违约概率，实现从宏观经济指标到微观经济指标，再从微观经济指标到信用卡违约状态的传导路径，有效实现对客户的信用卡违约概率的预测，进而确定客户的信用卡违约风险。
本实施例提出的数据处理方法，可以获得用于表征宏观经济情景的第一宏观经济指标组，第一宏观经济指标组中包括至少一个宏观经济指标的指标值；将第一宏观经济指标组输入至宏微观传导模型，以确定目标客户关于信用卡的、易受宏观经济情景影响的第一微观经济指标组，第一微观经济指标组包括至少一个微观经济指标的指标值；将第二微观经济指标组输入至信用卡违约预测模型中，获得信用卡违约预测模型输出的目标客户的信用卡违约概率；其中，第二微观经济指标组至少包括第一微观经济指标组中的各微观经济指标的指标值。本发明可以通过宏微观传导模型和信用卡违约预测模型来对目标客户的信用卡违约概率进行预测，即通过采用“两步式”方式，使用宏微观传导模型将宏观经济情景传导至客户的微观经济指标，之后采用信用卡违约预测模型将客户的微观经济指标变化和信用卡违约状态相关联，来预测客户的信用卡违约概率，实现从宏观经济指标到微观经济指标，再从微观经济指标到信用卡违约状态的传导路径，有效实现对客户的信用卡违约概率的预测，进而确定客户的信用卡违约风险。
基于图1，如图2所示，本实施例提出第二种数据处理方法，该方法还可以包括以下步骤：
S201、确定在目标地区内使用信用卡的所有客户的信用卡违约概率；
具体的，本发明可以按照图1所示方法，分别针对目标地区的各客户，确定其信用卡违约概率。
S202、将信用卡违约概率不低于预设阈值的客户均确定为违约客户；
其中，预设阈值可以是由技术人员根据实际情况确定的信用卡违约概率阈值。需要说明的是，本发明对于预设阈值的制定过程不作限定。
其中，违约客户即为存在较大的信用卡违约风险的客户。
S203、将所有违约客户的违约额输入至不良率计算模型；
其中，不良率计算模型可以为用于计算信用卡贷款的不良率的模型。
可选的，不良率计算模型可以为：
Figure BDA0003712549120000091
其中，m为期末不良率，A为期初不良额，PD为客户的信用卡违约概率，B为客户非不良贷款余额，C为期末贷款月。
需要说明的是，本发明可以假设违约客户的违约额全部成为信用卡的不良贷款，基于各违约客户的违约额来计算信用卡贷款的不良率。
具体的，本发明可以在确定出所有的违约客户之后，分别确定各违约客户的违约额，之后再将各违约客户的违约额输入到不良率计算模型中。
S204、获得不良率计算模型输出的期末不良率。
具体的，本发明可以在将所有违约客户的违约额输入至不良率计算模型之后，获得不良率计算模型输出的期末不良率。
具体的，本发明可以通过图2所示方法，对客户所在地区、所用信用卡开展多维度分析，计算出目标地区的信用卡贷款不良率，为商业银行的风险决策提供有效信息。
本实施例提出的数据处理方法，可以对客户所在地区、所用信用卡开展多维度分析，计算出目标地区的信用卡贷款不良率，为商业银行的风险决策提供有效信息。
基于图1，本实施例提出第三种数据处理方法。在该方法中，步骤S103包括：
将第二微观经济指标组和第二宏观经济指标组输入至信用卡违约预测模型中；其中，第一宏观经济指标组包括第二宏观经济指标组中各宏观经济指标的指标值，第二宏观经济指标组包括直接对客户产生影响的至少一个宏观经济指标的指标值。
需要说明的是，本发明利用信用卡违约预测模型预测信用卡违约概率时，使用的经济指标除了客户的微观经济指标之外，还可以使用包括一些直接对客户产生影响的宏观经济指标即第二宏观经济指标组。可选的，第二宏观经济指标组中的宏观经济指标可以包括失业率和消费者信息指数。
具体的，本发明在信用卡违约预测模型进行预测所需要的第二宏观经济指标组中的宏观经济指标，也需要应用在宏微观传导模型中，即第一宏观经济指标组包括第二宏观经济指标组中的所有宏观经济指标。
此时，步骤S104依然可以为：获得信用卡违约预测模型输出的目标客户的信用卡违约概率；
其中，信用卡违约预测模型可以基于第二微观经济指标组和第二宏观经济指标组中的经济指标，预测并输出目标客户的信用卡违约概率。
本实施例提出的数据处理方法，信用卡违约预测模型可以第二微观经济指标组和第二宏观经济指标组中的经济指标，预测并输出目标客户的信用卡违约概率，进一步提高信用卡违约概率的预测准确度。
与图1所示方法相对应，如图3所示，本实施例提出一种数据处理装置。该装置可以包括：第一获得单元101、第一输入单元102、第二输入单元103和第二获得单元104；其中：
第一获得单元101，用于获得用于表征宏观经济情景的第一宏观经济指标组，第一宏观经济指标组中包括至少一个宏观经济指标的指标值；
第一输入单元102，用于将第一宏观经济指标组输入至宏微观传导模型，以确定目标客户关于信用卡的、易受宏观经济情景影响的第一微观经济指标组，第一微观经济指标组包括至少一个微观经济指标的指标值；
第二输入单元103，用于将第二微观经济指标组输入至信用卡违约预测模型中；其中，第二微观经济指标组至少包括第一微观经济指标组中的各微观经济指标的指标值。
第二获得单元104，用于获得信用卡违约预测模型输出的目标客户的信用卡违约概率。
需要说明的是，第一获得单元101、第一输入单元102、第二输入单元103和第二获得单元104的具体处理过程及其带来的技术效果，可以分别参照本实施例关于图1中步骤S101、S102、S103和S104的相关说明，此处不再赘述。
可选的，第一微观经济指标组包括目标客户的资产管理规模AUM，宏微观传导模型包括AUM计算模型；第一输入单元102，包括：第三输入单元和第三获得单元；
第三输入单元，用于将第一宏观经济指标组中的至少部分宏观经济指标的指标值，输入至AUM计算模型；
第三获得单元，用于获得AUM计算模型输出的目标客户的AUM。
可选的，第二输入单元103，包括：第四输入单元和第四获得单元；其中：
第四输入单元，用于将第二微观经济指标组和第二宏观经济指标组输入至信用卡违约预测模型中；第一宏观经济指标组包括第二宏观经济指标组中各宏观经济指标的指标值，第二宏观经济指标组包括直接对客户产生影响的至少一个宏观经济指标的指标值。
第四获得单元，用于获得信用卡违约预测模型输出的目标客户的信用卡违约概率。
可选的，数据处理装置还包括：第一确定单元、第二确定单元、第五输入单元和第五获得单元；其中：
第一确定单元，用于确定在目标地区内使用信用卡的所有客户的信用卡违约概率；
第二确定单元，用于将信用卡违约概率不低于预设阈值的客户均确定为违约客户；
第五输入单元，用于将所有违约客户的违约额输入至不良率计算模型；
第五获得单元，用于获得不良率计算模型输出的期末不良率。
可选的，第一微观经济指标组包括AUM，第二微观经济指标组包括：目标客户的性别、年龄、受教育年限和额度使用率。
可选的，第二宏观经济指标组包括失业率和消费者信息指数。
本发明提出的数据处理装置，可以获得用于表征宏观经济情景的第一宏观经济指标组，第一宏观经济指标组中包括至少一个宏观经济指标的指标值；将第一宏观经济指标组输入至宏微观传导模型，以确定目标客户关于信用卡的、易受宏观经济情景影响的第一微观经济指标组，第一微观经济指标组包括至少一个微观经济指标的指标值；将第二微观经济指标组输入至信用卡违约预测模型中，获得信用卡违约预测模型输出的目标客户的信用卡违约概率；其中，第二微观经济指标组至少包括第一微观经济指标组中的各微观经济指标的指标值。本发明可以通过宏微观传导模型和信用卡违约预测模型来对目标客户的信用卡违约概率进行预测，即通过采用“两步式”方式，使用宏微观传导模型将宏观经济情景传导至客户的微观经济指标，之后采用信用卡违约预测模型将客户的微观经济指标变化和信用卡违约状态相关联，来预测客户的信用卡违约概率，实现从宏观经济指标到微观经济指标，再从微观经济指标到信用卡违约状态的传导路径，有效实现对客户的信用卡违约概率的预测，进而确定客户的信用卡违约风险。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。

Claims (10)

1.一种数据处理方法，其特征在于，包括：
获得用于表征宏观经济情景的第一宏观经济指标组，所述第一宏观经济指标组中包括至少一个宏观经济指标的指标值；
将所述第一宏观经济指标组输入至宏微观传导模型，以确定目标客户关于信用卡的、易受宏观经济情景影响的第一微观经济指标组，所述第一微观经济指标组包括至少一个微观经济指标的指标值；
将第二微观经济指标组输入至信用卡违约预测模型中，获得所述信用卡违约预测模型输出的所述目标客户的信用卡违约概率；其中，所述第二微观经济指标组至少包括所述第一微观经济指标组中的各所述微观经济指标的指标值。
2.根据权利要求1所述的数据处理方法，其特征在于，所述第一微观经济指标组包括所述目标客户的资产管理规模AUM，所述宏微观传导模型包括AUM计算模型；所述将所述第一宏观经济指标组输入至宏微观传导模型，以确定目标客户关于信用卡的、易受宏观经济情景影响的第一微观经济指标组，包括：
将所述第一宏观经济指标组中的至少部分宏观经济指标的指标值，输入至所述AUM计算模型，获得所述AUM计算模型输出的所述目标客户的AUM。
3.根据权利要求1所述的数据处理方法，其特征在于，所述将第二微观经济指标组输入至信用卡违约预测模型中，获得所述信用卡违约预测模型输出的所述目标客户的信用卡违约概率，包括：
将所述第二微观经济指标组和第二宏观经济指标组输入至所述信用卡违约预测模型中，获得所述信用卡违约预测模型输出的所述目标客户的信用卡违约概率；其中，所述第一宏观经济指标组包括所述第二宏观经济指标组中各宏观经济指标的指标值，所述第二宏观经济指标组包括直接对客户产生影响的至少一个宏观经济指标的指标值。
4.根据权利要求1所述的数据处理方法，其特征在于，所述数据处理方法还包括：
确定在目标地区内使用信用卡的所有客户的信用卡违约概率；
将信用卡违约概率不低于预设阈值的客户均确定为违约客户；
将所有所述违约客户的违约额输入至不良率计算模型，获得所述不良率计算模型输出的期末不良率。
5.根据权利要求1所述的数据处理方法，其特征在于，所述第一微观经济指标组包括AUM，所述第二微观经济指标组包括：所述目标客户的性别、年龄、受教育年限和额度使用率。
6.根据权利要求3所述的数据处理方法，其特征在于，所述第二宏观经济指标组包括失业率和消费者信息指数。
7.一种数据处理装置，其特征在于，包括：第一获得单元、第一输入单元、第二输入单元和第二获得单元；其中：
所述第一获得单元，用于获得用于表征宏观经济情景的第一宏观经济指标组，所述第一宏观经济指标组中包括至少一个宏观经济指标的指标值；
所述第一输入单元，用于将所述第一宏观经济指标组输入至宏微观传导模型，以确定目标客户关于信用卡的、易受宏观经济情景影响的第一微观经济指标组，所述第一微观经济指标组包括至少一个微观经济指标的指标值；
所述第二输入单元，用于将第二微观经济指标组输入至信用卡违约预测模型中；其中，所述第二微观经济指标组至少包括所述第一微观经济指标组中的各所述微观经济指标的指标值；
所述第二获得单元，用于获得所述信用卡违约预测模型输出的所述目标客户的信用卡违约概率。
8.根据权利要求7所述的数据处理装置，其特征在于，所述第一微观经济指标组包括所述目标客户的资产管理规模AUM，所述宏微观传导模型包括AUM计算模型；所述第一输入单元，包括：第三输入单元和第三获得单元；
所述第三输入单元，用于将所述第一宏观经济指标组中的至少部分宏观经济指标的指标值，输入至所述AUM计算模型；
所述第三获得单元，用于获得所述AUM计算模型输出的所述目标客户的AUM。
9.根据权利要求7所述的数据处理装置，其特征在于，所述第二输入单元，包括：第四输入单元和第四获得单元；其中：
所述第四输入单元，用于将所述第二微观经济指标组和第二宏观经济指标组输入至所述信用卡违约预测模型中；所述第一宏观经济指标组包括所述第二宏观经济指标组中各宏观经济指标的指标值，所述第二宏观经济指标组包括直接对客户产生影响的至少一个宏观经济指标的指标值；
所述第四获得单元，用于获得所述信用卡违约预测模型输出的所述目标客户的信用卡违约概率。
10.根据权利要求7所述的数据处理装置，其特征在于，所述数据处理装置还包括：第一确定单元、第二确定单元、第五输入单元和第五获得单元；其中：
所述第一确定单元，用于确定在目标地区内使用信用卡的所有客户的信用卡违约概率；
所述第二确定单元，用于将信用卡违约概率不低于预设阈值的客户均确定为违约客户；
所述第五输入单元，用于将所有所述违约客户的违约额输入至不良率计算模型；
所述第五获得单元，用于获得所述不良率计算模型输出的期末不良率。
CN202210723631.0A 2022-06-24 2022-06-24 一种数据处理方法及装置 Pending CN115187009A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210723631.0A CN115187009A (zh) 2022-06-24 2022-06-24 一种数据处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210723631.0A CN115187009A (zh) 2022-06-24 2022-06-24 一种数据处理方法及装置

Publications (1)

Publication Number Publication Date
CN115187009A true CN115187009A (zh) 2022-10-14

Family

ID=83515289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210723631.0A Pending CN115187009A (zh) 2022-06-24 2022-06-24 一种数据处理方法及装置

Country Status (1)

Country Link
CN (1) CN115187009A (zh)

Similar Documents

Publication Publication Date Title
Poterba et al. Unemployment benefits and labor market transitions: A multinomial logit model with errors in classification
Fitzgerald et al. Is there a stable relationship between unemployment and future inflation?
KR102009309B1 (ko) 금융상품 관리자동화 시스템 및 관리자동화 방법
US20060100957A1 (en) Electronic data processing system and method of using an electronic data processing system for automatically determining a risk indicator value
CN109583966B (zh) 一种高价值客户识别方法、系统、设备及存储介质
US20030069822A1 (en) Corporate value evaluation system
CN112541817A (zh) 一种个人消费贷款潜在客户的营销响应处理方法及系统
CN110704730A (zh) 基于大数据的产品数据推送方法、系统及计算机设备
Ginzberg Improving MIS project selection
CN111882420A (zh) 响应率的生成方法、营销方法、模型训练方法及装置
CN112488496A (zh) 一种财务指标预测方法及装置
CN114118793A (zh) 一种地方交易所风险预警方法、装置及设备
McDonald Feasibility criteria for accounting measures
JP2003114977A (ja) 顧客生涯価値算出方法およびシステム
Duru et al. Judgmental forecasting in the dry bulk shipping business: Statistical vs. judgmental approach
US20090187412A1 (en) Correlation/relationship and forecasting generator
CN115187009A (zh) 一种数据处理方法及装置
CN113421154B (zh) 基于控制图的信贷风险评估方法及系统
CN115034685A (zh) 客户价值评估方法、装置和计算机可读存储介质
Niknya et al. Financial distress prediction of Tehran Stock Exchange companies using support vector machine
CN116416056B (zh) 一种基于机器学习的征信数据处理方法及系统
CN118014719B (zh) 一种基于线性回归模型的企业信用智能分析方法和系统
Raja Model Building in the Capital Market Analysis for Attaining Sustainable Development of the Indian Economy
Rameseder The Applicability of Functional Data in Multi-Unit Auctions
CN117522433A (zh) 一种不良资产估值方法、系统、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