CN115271927A - 不良贷款回收预测方法、装置、设备、介质和程序产品 - Google Patents

Abstract

本公开提供了一种不良贷款回收预测方法，可以应用于人工智能技术领域。该方法包括：获取不良贷款回收因子数据，包含对应于m个不良贷款回收项的m组不良贷款回收因子，其中，对应于第i个不良贷款回收项的第i组不良贷款回收因子包含k个不良贷款回收因子；将第i组不良贷款回收因子数据输入不良贷款回收项预测模型，获取第i个不良贷款回收项预测结果；获取m个不良贷款回收项预测结果，并基于m个不良贷款回收项预测结果获取不良贷款回收预测结果，其中，不良贷款回收预测结果为m个不良贷款回收项预测结果的聚合，不良贷款回收项预测模型基于因子‑回归分析方法构建。本公开还提供了一种不良贷款回收预测装置、设备、存储介质和程序产品。

Description

不良贷款回收预测方法、装置、设备、介质和程序产品

技术领域

本公开涉及人工智能技术领域，具体地涉及一种不良贷款回收预测方法、装置、设备、介质和程序产品。

背景技术

在现有的不良贷款估值场景中，获取贷款预计可回收金额的过程中主要依赖人工调研的方式，如相关部门依据不良贷款认定结果，以一定时点的不良贷款为基数，采取调阅信贷档案、查询信贷管理台账、走访客户和有关部门、现场勘查、核实资产负债、了解市场行情、委托中介机构等方式，并通过人工估算的方式进行可回收金额预测，由于人工估算主要依赖大量的人工调阅材料、走访、核查，并依赖业务人员的不良贷款处置经验完成，对于一些工作经验不是非常丰富信贷人员来说具有比较大的难度，同时工作效率相对比较低下。

发明内容

鉴于上述问题，本公开的实施例提供了提高不良贷款回收预测科学性和智能性的不良贷款回收预测方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种不良贷款回收预测方法，包括：获取不良贷款回收因子数据，其中，所述不良贷款回收因子数据包含对应于m个不良贷款回收项的m组不良贷款回收因子，其中，对应于第i个不良贷款回收项的第i组不良贷款回收因子包含k个不良贷款回收因子，且满足1≤i≤m且i和m均为整数；k为大于或等于1的整数；将所述第i组不良贷款回收因子数据输入预训练得到的不良贷款回收项预测模型，获取第i个不良贷款回收项预测结果；获取m个不良贷款回收项预测结果，并基于所述m个不良贷款回收项预测结果获取不良贷款回收预测结果，其中，所述不良贷款回收预测结果为m个不良贷款回收项预测结果的聚合，其中，所述预训练得到的不良贷款回收项预测模型基于因子-回归分析方法构建。

根据本公开的实施例，预训练得到不良贷款回收项预测模型包括：获取样本数据，所述样本数据包含m个不良贷款回收项的样本数据以及与所述m个不良贷款回收项的样本数据对应的m组不良贷款回收因子样本数据，其中，对应于第i个不良贷款回收项的第i组不良贷款回收因子样本数据包含j个初始因子的样本数据，且满足j≥k且j为整数；基于因子分析方法从所述j个初始因子中筛选出所述k个不良贷款回收因子作为第i组不良贷款回收因子；以及基于回归分析方法建立第i个不良贷款回收项与所述k个不良贷款回收因子的关联关系。

根据本公开的实施例，基于因子分析方法从所述j个初始因子中筛选出所述k个不良贷款回收因子作为第i组不良贷款回收因子包括：基于第i个不良贷款回收项的样本数据和第q个初始因子的样本数据建立相关性模型，所述相关性模型用于计算所述第q个初始因子与所述第i个不良贷款回收项的关联度，其中，q满足1≤q≤j；以及当所述第q个初始因子与所述第i个不良贷款回收项的关联度达到预设的阈值时，确定所述第q个初始因子为不良贷款回收因子。

根据本公开的实施例，因子分析方法包括皮尔逊相关系数及显著性检验法。

根据本公开的实施例，不良贷款回收项包含借款人受偿金额，抵质押物受偿金额，保证人受偿金额，多渠道受偿金额中的至少一种，以及处置费用。

根据本公开的实施例，借款人受偿金额对应的不良贷款回收因子包括年销售收入，利润总额，历史累计亏损，上年现金流入，贷款本金，表内利息以及表外利息中的至少三种。

根据本公开的实施例，抵质押物受偿金额对应的不良贷款回收因子包括贷款余额，表内欠息，表外欠息，抵质押担保合同金额以及押品变现价值中的至少两种。

根据本公开的实施例，与保证人受偿金额对应的不良贷款回收因子包括贷款余额，表内欠息，表外欠息，保证担保合同金额，保证人利润金额以及保证人资产总额中的至少两种。

根据本公开的实施例，与多渠道受偿金额对应的不良贷款回收因子包括异常债务行为矫正受偿额，政策支持受偿额，机构或有收益受偿额中的至少一种。

根据本公开的实施例，与处置费用对应的不良贷款回收因子包括法律费用，税费，中介费用以及管理费用中的至少一种。

本公开的第二方面提供了一种不良贷款回收预测装置，包括：获取模块，用于获取不良贷款回收因子数据，其中，所述不良贷款回收因子数据包含对应于m个不良贷款回收项的m组不良贷款回收因子，其中，对应于第i个不良贷款回收项的第i组不良贷款回收因子包含k个不良贷款回收因子，且满足1≤i≤m且i和m均为整数；k为大于或等于1的整数；预测模块，用于将所述第i组不良贷款回收因子数据输入预训练得到的不良贷款回收项预测模型，获取第i个不良贷款回收项预测结果，其中，所述预训练得到的不良贷款回收项预测模型基于因子-回归分析方法构建；以及聚合模块，用于获取m个不良贷款回收项预测结果，并基于所述m个不良贷款回收项预测结果获取不良贷款回收预测结果，其中，所述不良贷款回收预测结果为m个不良贷款回收项预测结果的聚合。

本公开的第三方面提供了一种不良贷款回收项预测模型的训练装置，包括：接收模块，配置为获取样本数据，所述样本数据包含m个不良贷款回收项的样本数据以及与所述m个不良贷款回收项的样本数据对应的m组不良贷款回收因子样本数据，其中，对应于第i个不良贷款回收项的第i组不良贷款回收因子样本数据包含j个初始因子的样本数据，且满足j≥k且j为整数。筛选模块，配置为基于因子分析方法从所述j个初始因子中筛选出所述k个不良贷款回收因子作为第i组不良贷款回收因子。回归模块，配置为基于回归分析方法建立第i个不良贷款回收项与所述k个不良贷款回收因子的关联关系。

根据本公开的实施例，筛选模块还可以进一步包含相关性分析子模块和判断子模块。其中，相关性分析子模块被配置为基于第i个不良贷款回收项的样本数据和第q个初始因子的样本数据建立相关性模型，所述相关性模型用于计算所述第q个初始因子与所述第i个不良贷款回收项的关联度，其中，q满足1≤q≤j。判断子模块被配置为当所述第q个初始因子与所述第i个不良贷款回收项的关联度达到预设的阈值时，确定所述第q个初始因子为不良贷款回收因子。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述不良贷款回收预测方法。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述不良贷款回收预测方法。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述不良贷款回收预测方法。

本公开的实施例提供的方法，通过因子-回归分析方法建立不良贷款回收项预测模型，可以在获取不良贷款回收因子数据后，基于模型智能获取不良贷款回收项，并基于预设的聚合规则自动获取不良贷款回收项预测结果。本公开的实施例提供的方法，减少了不良贷款回收预测的人力成本，减少了对预测估值人员业务经验的依赖，提高了预测的智能性和科学性。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的不良贷款回收预测方法、装置、设备、介质和程序产品的应用场景图。

图2示意性示出了根据本公开实施例的不良贷款回收预测方法的流程图。

图3示意性示出了根据本公开实施例的预训练得到不良贷款回收项预测模型的方法的流程图。

图4示意性示出了根据基于因子分析方法从所述j个初始因子中筛选出所述k个不良贷款回收因子作为第i组不良贷款回收因子的方法的流程图。

图5示意性示出了根据本公开实施例的不良贷款回收预测装置的结构框图。

图6示意性示出了根据本公开实施例的不良贷款回收预测装置的结构框图。

图7示意性示出了根据本公开实施例的筛选模块的结构框图。

图8示意性示出了根据本公开实施例的适于实现不良贷款回收预测方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

目前在传统的不良贷款调查估值场景中，在获取贷款预计可回收金额的过程中主要是不良贷款管理部门依据不良贷款认定结果，以一定时点的不良贷款为基数，采取调阅信贷档案、查询信贷管理台账、走访客户和有关部门、现场勘查、核实资产负债、了解市场行情、委托中介机构等方式，并通过人工估算的方式进行预测，根据人工估算的预计可回收金额最终通过模拟测算获取不良资产的估值结果。

在获取预计可回收金额时，主要依赖大量的人工调阅材料、走访、核查，并依赖丰富的不良贷款处置经验来完成。这部分工作依赖工作经验丰富的信贷人员，对于一些工作经验不是非常丰富信贷人员来说具有比较大的难度，同时工作效率相对比较低下。

针对现有技术中存在的上述问题，本公开的实施例提供了一种不良贷款回收预测方法，包括：获取不良贷款回收因子数据，其中，所述不良贷款回收因子数据包含对应于m个不良贷款回收项的m组不良贷款回收因子，其中，对应于第i个不良贷款回收项的第i组不良贷款回收因子包含k个不良贷款回收因子，且满足1≤i≤m且i和m均为整数；k为大于或等于1的整数；将所述第i组不良贷款回收因子数据输入预训练得到的不良贷款回收项预测模型，获取第i个不良贷款回收项预测结果；获取m个不良贷款回收项预测结果，并基于所述m个不良贷款回收项预测结果获取不良贷款回收预测结果，其中，所述不良贷款回收预测结果为m个不良贷款回收项预测结果的聚合，其中，所述预训练得到的不良贷款回收项预测模型基于因子-回归分析方法构建。

需要说明的是，本公开实施例提供的不良贷款回收预测方法、装置、设备、介质和程序产品可用于人工智能技术在不良贷款回收预测相关方面，也可用于除人工智能技术之外的多种领域，如金融领域等。本公开实施例提供的不良贷款回收预测方法、装置、设备、介质和程序产品的应用领域不做限定。

在本公开的技术方案中，所涉及的用户信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户信息之前，均获取了用户的授权或同意。

以下将结合附图及其说明文字围绕实现本公开的至少一个目的的上述操作进行阐述。

图1示意性示出了根据本公开实施例的不良贷款回收预测方法、装置、设备、介质和程序产品的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的不良贷款回收预测方法一般可以由服务器105执行。相应地，本公开实施例所提供的不良贷款回收预测装置一般可以设置于服务器105中。本公开实施例所提供的不良贷款回收预测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的不良贷款回收预测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

以下将基于图1描述的场景，通过图2～图6对公开实施例的不良贷款回收预测方法进行详细描述。

图2示意性示出了根据本公开实施例的不良贷款回收预测方法的流程图。

如图2所示，该实施例的不良贷款回收预测方法包括操作S210～操作S230，该不良贷款回收预测方法可以由处理器执行，也可以由包括处理器的任何电子设备执行。

在操作S210，获取不良贷款回收因子数据，其中，所述不良贷款回收因子数据包含对应于m个不良贷款回收项的m组不良贷款回收因子，其中，对应于第i个不良贷款回收项的第i组不良贷款回收因子包含k个不良贷款回收因子，且满足]≤i≤m且i和m均为整数；k为大于或等于1的整数。

在操作S220，将所述第i组不良贷款回收因子数据输入预训练得到的不良贷款回收项预测模型，获取第i个不良贷款回收项预测结果。

在操作S230，获取m个不良贷款回收项预测结果，并基于所述m个不良贷款回收项预测结果获取不良贷款回收预测结果，其中，所述不良贷款回收预测结果为m个不良贷款回收项预测结果的聚合。

根据本公开的实施例，在不良贷款回收估值业务中，主要依据不良贷款形成的原因、期限、形态和担保情况，综合考虑不良贷款客户属地的社会经济状况、市场环境、级差地租等因素，采用模拟测算、估值调整和上级行审批结合的方式，对不良贷款价值进行科学、公正评估。在进行不良贷款估值之前需要对于客户基本情况、客户贷款情况、客户资产及抵(质)押资产情况、客户贷款保证情况、其他受偿渠道等进行分析，并分别预测相关预计可回收金额。在本公开的实施例中，可以通过专家经验筛选获得m个不良贷款回收项，将各不良贷款回收项的预测结果进行聚合即可实现对于最终的不良贷款回收估值的测算。其中，所述m个不良贷款回收项可以包含与不良贷款回收呈正相关和负相关的回收项，例如可以产生对贷款回收产生贡献的项目以及在回收贷款过程中可能产生的花费。由此，可以基于预设的聚合规则获取不良贷款回收估值的测算。例如，将对贷款回收产生贡献的项目加和，再减去在回收贷款过程中可能产生的花费以获取最终的不良贷款回收估值。可以理解，每个不良贷款回收项可以关联多个不良贷款回收因子，以对不良贷款的回收产生综合贡献以用于测算最终的回收预测值。在本公开的实施例中，通过构建不良贷款回收预测模型，可以在仅获取不良贷款回收因子数据的情况下，完成回收预测值的智能测算。因子分析是指研究从变量群中提取共性因子的统计技术。回归分析是指确定两种或者两种以上变量间相互依赖的定量关系的一种统计分析方法。在本公开的实施例中，可以先通过因子分析用少量的不同维度指标因子反映不良贷款清收潜力，从而达到降低维度便于分析的目的。通过因子-回归分析法构建本公开的不良贷款回收预测模型，可以在提升数据处理效率，简化模型复杂度的情况下实现对于不良贷款回收项预测结果的准确测算。

需指出，在获取不良贷款回收因子数据时，可能涉及用户信息。在本公开的实施例中，在获取用户的信息之前，可以获得用户的同意或授权。例如，在操作S210之前，可以向用户发出获取用户信息的请求。在用户同意或授权可以获取用户信息的情况下，执行所述操作S210。

图3示意性示出了根据本公开实施例的预训练得到不良贷款回收项预测模型的方法的流程图。

如图3所示，该实施例的不良贷款回收预测方法包括操作S310～操作S330。

在操作S310，获取样本数据，所述样本数据包含m个不良贷款回收项的样本数据以及与所述m个不良贷款回收项的样本数据对应的m组不良贷款回收因子样本数据，其中，对应于第i个不良贷款回收项的第i组不良贷款回收因子样本数据包含j个初始因子的样本数据，且满足j≥k且j为整数。

在操作S320，基于因子分析方法从所述j个初始因子中筛选出所述k个不良贷款回收因子作为第i组不良贷款回收因子。

在操作S330，基于回归分析方法建立第i个不良贷款回收项与所述k个不良贷款回收因子的关联关系。

根据本公开的实施例，在训练得到不良贷款回收项预测模型的过程中，可以首先利用因子分析方法筛选对于不良贷款回收项具有较大影响的不良贷款回收因子以实现降维分析的目的，进一步，可以建立不良贷款回收项与所筛选出的不良贷款回收因子的关联关系。从而可以实现在已知不良贷款回收因子数据的情况下即可智能自动预测不良贷款回收项估值。应理解，样本数据的选取与实际应用模型时的输入数据类型一致，以实现准确预测。其中，j个初始因子包括可能与不良贷款回收项相关的影响因子，可以理解，初始因子的个数应大于或等于最终筛选出的不良贷款回收因子。

图4示意性示出了根据基于因子分析方法从所述j个初始因子中筛选出所述k个不良贷款回收因子作为第i组不良贷款回收因子的方法的流程图。

如图4所示，该实施例的不良贷款回收预测方法包括操作S410～操作S420。

在操作S410，基于第i个不良贷款回收项的样本数据和第q个初始因子的样本数据建立相关性模型，所述相关性模型用于计算所述第q个初始因子与所述第i个不良贷款回收项的关联度，其中，q满足1≤q≤j。

在操作S420，当所述第q个初始因子与所述第i个不良贷款回收项的关联度达到预设的阈值时，确定所述第q个初始因子为不良贷款回收因子。

根据本公开的实施例，第i个不良贷款回收项为m个不良贷款回收项中的元素，第q个初始因子为与第i个不良贷款回收项的样本数据对应的第i组不良贷款回收因子样本数据包含的j个初始因子样本数据中的元素，在进行因子分析时，可以基于相关性模型计算所述第q个初始因子与所述第i个不良贷款回收项的关联度以判断所述第q个初始因子是否与所述第i个不良贷款回收项有强相关性。其中，强相关性的判断可以基于预设的阈值确定。

在一些具体的实施例中，采用的因子分析方法包括皮尔逊(Pearson)相关系数及显著性检验法。皮尔逊相关系数是典型的可用于衡量两个变量线性相关关系的指标。假设两组数据X和Y，每个都包含n个元素，x_i代表数据X组中第i个元素，

代表数据X组中元素的平均值(期望)，y_i代表数据Y组中第i个元素，

代表数据X组中元素的平均值(期望)，

代表数据Y组中元素的平均值(期望)。

具体皮尔逊相关系数计算公式如式(1)所示：

应理解，得到的皮尔逊相关系数都是在-1到1之间，其中，接近于1说明二者正相关，接近于-1说明二者负相关，越接近于0就说明二者越不相关。然而，皮尔逊相关系数是用于衡量线性相关关系的，因此，在数据的分布不清楚的情况下，直接比较皮尔逊相关系数不能说明任何问题。即使皮尔逊相关系数大(非线性相关也会使皮尔逊相关系数很大)，也不能说明两个变量线性相关。在一些应用中，相较于直接比较相关性大小，需更关注皮尔逊相关系数的显著性。

皮尔逊相关系数的假设检验用到的是t检验的方法，而t检验的方法需要样本满足一定的前提条件。为了检验皮尔逊相关系数是否说明了显著性的线性相关，首先要检验数据是否满足了可以进行显著性检验的条件，包括：(1)实验数据是成对的来自正态分布的总体；(2)实验数据之间的差距不能太大；(3)每组样本都是独立抽样的。

在数据满足了可以进行显著性检验的条件下，可以构建统计量t，使用t分布进行相关性的检验。其中，统计量t的构建如式(2)所示：

其中，n为样本的数量，r是计算得到的皮尔逊相关系数，t统计量被证明是符合自由度为t-2的t分布的。

在构建统计量t后，可以查阅t分布表获取p值。根据t分布表，当p值小于0.01，代表在99％的置信水平上拒绝原假设，接受备择假设，(即，样本有线性相关性，而且非常显著)；当p小于0.05的时候，在95％的置信水平上拒绝原假设，接受备择假设(即，样本有线性相关性，较为显著)。

根据本公开的实施例，不良贷款回收项和不良贷款回收因子均为数值型数据，且满足显著性检验条件，设第i个不良贷款回收项为Y，第q个初始因子为x，计算二者的皮尔逊相关系数以及显著性。其中，当皮尔逊相关系数满足|r|＞0.5时，表现第q个初始因子与第i个不良贷款回收项具有较强相关性，进一步计算其显著性。在查阅t分布表获取p值后，若p＜0.05，则认为该第q个初始因子与第i个不良贷款回收项间具备相关关系，确定其为第i组不良贷款回收因子中的元素。

进一步，可以按照如上所述的方法筛选与第i个不良贷款回收项存在相关关系的k个不良贷款回收因子，并运用回归分析的方法来建立第i个不良贷款回收项与所述k个不良贷款回收因子的关联关系。典型的回归分析的方法可以包括线性回归方程。设通过相关性模型筛选出的对应于第i个不良贷款回收项的k个不良贷款回收因子为a1，a2，a3......，第i个不良贷款回收项为y，在运用回归分析方法建立第i个不良贷款回收项与所述k个不良贷款回收因子的关联关系时，各不良贷款回收因子的系数为b1，b2，b3......。

构建回归方程：

y＝e+b₁a₁+b₂a₂+b₃a₃+... 式(3)

在式(3)中，e为随机误差，通过对样本数据的回归计算得出b₁，b₂，b₃......。由此，可以构建得到第i个不良贷款回收项与所述k个不良贷款回收因子的关联关系。

在应用模型时，对于需要预测的第i个不良贷款回收项，将所述k个不良贷款回收因子代入上述回归方程，计算结果即为第i个不良贷款回收项的预测值。应理解，对于每一个不良贷款回收项，均可以采用上述方法进行不良贷款回收因子的筛选，并获取不良贷款回收项与不良贷款回收因子的关联关系，以实现对于每一个不良贷款回收项的预测。聚合即可得到不良贷款回收预测结果。

在一些实施例中，所述不良贷款回收项包含借款人受偿金额，抵质押物受偿金额，保证人受偿金额，多渠道受偿金额中的至少一种，以及处置费用。其中，多渠道受偿金额可以为在不良贷款回收时可获取的其他来源的受偿额。可以理解，借款人受偿金额，抵质押物受偿金额，保证人受偿金额，多渠道受偿金额为与贷款回收金额呈正相关性的不良贷款回收项，处置费用为与贷款回收金额呈负相关性的不良贷款回收项。由此，在对m个不良贷款回收项预测结果进行聚合以及算最终的不良贷款回收项预测结果时，可以基于式(4)所示的公式进行计算：

不良贷款回收项预测结果＝借款人受偿金额+抵质押物受偿金额+保证人受偿金额+多渠道受偿金额-处置费用 式(4)

在一些实施例中，与所述借款人受偿金额对应的不良贷款回收因子包括年销售收入，利润总额，历史累计亏损，上年现金流入，贷款本金，表内利息以及表外利息中的至少三种。

在一些实施例中，与所述抵质押物受偿金额对应的不良贷款回收因子包括贷款余额，表内欠息，表外欠息，抵质押担保合同金额以及押品变现价值中的至少两种。其中，抵质押担保合同金额以及押品变现价值可以来源于抵质押物在押品市场的价值估值。

在一些实施例中，与所述保证人受偿金额对应的不良贷款回收因子包括贷款余额，表内欠息，表外欠息，保证担保合同金额，保证人利润金额以及保证人资产总额中的至少两种。

在一些实施例中，与所述多渠道受偿金额对应的不良贷款回收因子包括异常债务行为矫正受偿额，政策支持受偿额，机构或有收益受偿额中的至少一种。其中，异常债务行为矫正受偿额可以包括通过纠正逃废债等异常行为的可能的受偿额。应理解，其中，机构或有收益受偿额可以不包含担保人受偿额。还应理解，上述因子仅为示例性的与多渠道受偿金额对应的不良贷款回收因子。可以基于业务的实际变动情况，灵活动态调整与与所述多渠道受偿金额对应的不良贷款其他渠道受偿额作为不良贷款回收因子。

在一些实施例中，与所述处置费用对应的不良贷款回收因子包括法律费用，税费，中介费用以及管理费用中的至少一种。

本公开的实施例发现，通过筛选得到上述不良贷款回收项以及与各不良贷款回收项对应的不良贷款回收因子，可以实现对于不良贷款回收估值的准确预测。

基于上述不良贷款回收预测方法，本公开的实施例还提供了一种不良贷款回收预测装置。以下将结合图5对该装置进行详细描述。

图5示意性示出了根据本公开实施例的不良贷款回收预测装置的结构框图。

如图5所示，该实施例的不良贷款回收预测装置500包括获取模块510、预测模块520和聚合模块530。

其中，获取模块510被配置为获取不良贷款回收因子数据，其中，所述不良贷款回收因子数据包含对应于m个不良贷款回收项的m组不良贷款回收因子，其中，对应于第i个不良贷款回收项的第i组不良贷款回收因子包含k个不良贷款回收因子，且满足1≤i≤m且i和m均为整数；k为大于或等于1的整数。

预测模块520被配置为用于将所述第i组不良贷款回收因子数据输入预训练得到的不良贷款回收项预测模型，获取第i个不良贷款回收项预测结果，其中，所述预训练得到的不良贷款回收项预测模型基于因子-回归分析方法构建。

聚合模块530被配置为用于获取m个不良贷款回收项预测结果，并基于所述m个不良贷款回收项预测结果获取不良贷款回收预测结果，其中，所述不良贷款回收预测结果为m个不良贷款回收项预测结果的聚合。

基于上述预训练得到不良贷款回收项预测模型的方法，本公开的实施例还提供了一种不良贷款回收项预测模型的训练装置。以下将结合图6对该装置进行详细描述。

图6示意性示出了根据本公开实施例的不良贷款回收项预测模型的训练装置的结构框图。

如图6所示，该实施例的不良贷款回收项预测模型的训练装置600包括接收模块610、筛选模块620和回归模块630。

其中，接收模块610被配置为获取样本数据，所述样本数据包含m个不良贷款回收项的样本数据以及与所述m个不良贷款回收项的样本数据对应的m组不良贷款回收因子样本数据，其中，对应于第i个不良贷款回收项的第i组不良贷款回收因子样本数据包含j个初始因子的样本数据，且满足j≥k且j为整数。

筛选模块620被配置为基于因子分析方法从所述j个初始因子中筛选出所述k个不良贷款回收因子作为第i组不良贷款回收因子。

回归模块630被配置为基于回归分析方法建立第i个不良贷款回收项与所述k个不良贷款回收因子的关联关系。

在一些实施例中，筛选模块还可以进一步包含相关性分析子模块和判断子模块。

图7示意性示出了根据本公开实施例的筛选模块的结构框图。

如图7所示，该实施例的筛选模块620包括相关性分析子模块6201和判断子模块6202。

其中，相关性分析子模块6201被配置为基于第i个不良贷款回收项的样本数据和第q个初始因子的样本数据建立相关性模型，所述相关性模型用于计算所述第q个初始因子与所述第i个不良贷款回收项的关联度，其中，q满足1≤q≤j。

判断子模块6202被配置为当所述第q个初始因子与所述第i个不良贷款回收项的关联度达到预设的阈值时，确定所述第q个初始因子为不良贷款回收因子。

根据本公开的实施例，获取模块510、预测模块520、聚合模块530、接收模块610、筛选模块620和回归模块630、相关性分析子模块6201和判断子模块6202中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，获取模块510、预测模块520、聚合模块530、接收模块610、筛选模块620和回归模块630、相关性分析子模块6201和判断子模块6202中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块510、预测模块520、聚合模块530、接收模块610、筛选模块620和回归模块630、相关性分析子模块6201和判断子模块6202中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图8示意性示出了根据本公开实施例的适于实现不良贷款回收预测方法的电子设备的方框图。

如图8所示，根据本公开实施例的电子设备900包括处理器901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备900还可以包括输入/输出(I/O)接口905，输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的方法。

在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载和安装，和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (14)

1.一种不良贷款回收预测方法，其特征在于，包括：

获取不良贷款回收因子数据，其中，所述不良贷款回收因子数据包含对应于m个不良贷款回收项的m组不良贷款回收因子，其中，对应于第i个不良贷款回收项的第i组不良贷款回收因子包含k个不良贷款回收因子，且满足1≤i≤m且i和m均为整数；k为大于或等于1的整数；

将所述第i组不良贷款回收因子数据输入预训练得到的不良贷款回收项预测模型，获取第i个不良贷款回收项预测结果；

获取m个不良贷款回收项预测结果，并基于所述m个不良贷款回收项预测结果获取不良贷款回收预测结果，其中，所述不良贷款回收预测结果为m个不良贷款回收项预测结果的聚合，

其中，所述预训练得到的不良贷款回收项预测模型基于因子-回归分析方法构建。

2.一种根据权利要求1所述的方法，其中，预训练得到不良贷款回收项预测模型包括：

获取样本数据，所述样本数据包含m个不良贷款回收项的样本数据以及与所述m个不良贷款回收项的样本数据对应的m组不良贷款回收因子样本数据，其中，对应于第i个不良贷款回收项的第i组不良贷款回收因子样本数据包含j个初始因子的样本数据，且满足j≥k且j为整数；

基于因子分析方法从所述j个初始因子中筛选出所述k个不良贷款回收因子作为第i组不良贷款回收因子；以及

基于回归分析方法建立第i个不良贷款回收项与所述k个不良贷款回收因子的关联关系。

3.根据权利要求2所述的方法，其中，所述基于因子分析方法从所述j个初始因子中筛选出所述k个不良贷款回收因子作为第i组不良贷款回收因子包括：

基于第i个不良贷款回收项的样本数据和第q个初始因子的样本数据建立相关性模型，所述相关性模型用于计算所述第q个初始因子与所述第i个不良贷款回收项的关联度，其中，q满足1≤q≤j；以及

当所述第q个初始因子与所述第i个不良贷款回收项的关联度达到预设的阈值时，确定所述第q个初始因子为不良贷款回收因子。

4.根据权利要求2所述的方法，其中，所述因子分析方法包括皮尔逊相关系数及显著性检验法。

5.根据权利要求1所述的方法，其中，所述不良贷款回收项包含借款人受偿金额，抵质押物受偿金额，保证人受偿金额，多渠道受偿金额中的至少一种，以及处置费用。

6.根据权利要求5所述的方法，其中，与所述借款人受偿金额对应的不良贷款回收因子包括年销售收入，利润总额，历史累计亏损，上年现金流入，贷款本金，表内利息以及表外利息中的至少三种。

7.根据权利要求5所述的方法，其中，与所述抵质押物受偿金额对应的不良贷款回收因子包括贷款余额，表内欠息，表外欠息，抵质押担保合同金额以及押品变现价值中的至少两种。

8.根据权利要求5所述的方法，其中，与所述保证人受偿金额对应的不良贷款回收因子包括贷款余额，表内欠息，表外欠息，保证担保合同金额，保证人利润金额以及保证人资产总额中的至少两种。

9.根据权利要求5所述的方法，其中，与所述多渠道受偿金额对应的不良贷款回收因子包括异常债务行为矫正受偿额，政策支持受偿额，机构或有收益受偿额中的至少一种。

10.根据权利要求5所述的方法，其中，与所述处置费用对应的不良贷款回收因子包括法律费用，税费，中介费用以及管理费用中的至少一种。

11.一种不良贷款回收预测装置，其特征在于，包括：

获取模块，用于获取不良贷款回收因子数据，其中，所述不良贷款回收因子数据包含对应于m个不良贷款回收项的m组不良贷款回收因子，其中，对应于第i个不良贷款回收项的第i组不良贷款回收因子包含k个不良贷款回收因子，且满足1≤i≤m且i和m均为整数；k为大于或等于1的整数；

预测模块，用于将所述第i组不良贷款回收因子数据输入预训练得到的不良贷款回收项预测模型，获取第i个不良贷款回收项预测结果，其中，所述预训练得到的不良贷款回收项预测模型基于因子-回归分析方法构建；以及

聚合模块，用于获取m个不良贷款回收项预测结果，并基于所述m个不良贷款回收项预测结果获取不良贷款回收预测结果，其中，所述不良贷款回收预测结果为m个不良贷款回收项预测结果的聚合。

12.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～10中任一项所述的方法。

13.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～10中任一项所述的方法。

14.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～10中任一项所述的方法。

Images