CN115271934A - 信贷客户的多层次评价方法、装置、设备及存储介质 - Google Patents
信贷客户的多层次评价方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115271934A CN115271934A CN202211177799.2A CN202211177799A CN115271934A CN 115271934 A CN115271934 A CN 115271934A CN 202211177799 A CN202211177799 A CN 202211177799A CN 115271934 A CN115271934 A CN 115271934A
- Authority
- CN
- China
- Prior art keywords
- rule set
- credit
- default probability
- rule
- rate
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000006399 behavior Effects 0.000 claims description 74
- 238000012216 screening Methods 0.000 claims description 73
- 230000001737 promoting effect Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000002950 deficient Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 238000013209 evaluation strategy Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及金融技术领域，公开了一种信贷客户的多层次评价方法、装置、设备及存储介质，所述方法包括：根据目标对象信贷业务的贷款利率范围和目标回报率算法计算当前可接受违约概率，并根据当前可接受违约概率和预设业务逻辑构建高风险行为因子规则集；根据高风险行为因子规则集和原始样本集得到备选样本集；根据贷款利率范围和目标回报率算法计算目标平均违约概率，并根据目标平均违约概率和预设业务逻辑构建灰度规则集；根据所述灰度规则集和所述备选样本集标记不同类别的信贷客户；通过上述方式，根据灰度规则集标记信贷客户类别，尊重并体现银行偏好，形成多层级的评价策略，从而能够有效提高评价信贷客户的准确性，提高信贷产能。
Description
技术领域
本发明涉及金融技术领域，尤其涉及信贷客户的多层次评价方法、装置、设备及存储介质。
背景技术
贷款业务是现代商业银行的基础业务，信贷业务又是贷款业务的重要组成部分。银行工作人员在开展信贷业务的过程中经常面临银行-信贷主体信息不对称、申请审批环节流程复杂、时效低以及管户能力存在天然上限等现实问题，造成信贷业务在价、量、险均衡发展和商业可持续发展等方面的难题，而造成上述问题的原因是传统信贷风控的实践更倾向于寻找优质客户作为授信对象，采用专家经验迁移的方式确定贷款审批规则，且传统信贷产品通常基于单一数据源构建指标体系，外部数据源资源禀赋固定在特定场景，使得不同场景和产品间的指标迁移和复用过程缺乏实际数据支撑，从而造成传统信贷风控客群区分度不足、规则误杀率高、整体产能低下的问题，制约了信贷产能。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种信贷客户的多层次评价方法、装置、设备及存储介质，旨在解决现有技术评价出的信贷客户的信用评价指标的准确性较低，制约信贷产能的技术问题。
为实现上述目的，本发明提供了一种信贷客户的多层次评价方法，所述信贷客户的多层次评价方法包括以下步骤：
根据目标对象信贷业务的贷款利率范围和目标回报率算法计算当前可接受违约概率，并根据所述当前可接受违约概率和预设业务逻辑构建高风险行为因子规则集；
根据所述高风险行为因子规则集和原始样本集得到备选样本集；
根据所述贷款利率范围和目标回报率算法计算目标平均违约概率，并根据所述目标平均违约概率和所述预设业务逻辑构建灰度规则集；
根据所述灰度规则集和所述备选样本集标记不同类别的信贷客户。
可选地，所述根据目标对象信贷业务的贷款利率范围计算当前可接受违约概率；根据目标对象的可接受违约概率和预设业务逻辑构建高风险行为因子规则集，包括：
根据目标对象信贷业务的贷款利率范围和目标回报率算法计算目标对象贷款业务的当前可接受违约概率；
获取目标对象信贷业务的样本平均违约概率，根据所述当前可接受违约概率和所述样本平均违约概率计算出规则提升度阈值；
根据预设提升度获取基础规则集和候选规则集，通过预设逐步筛选策略将所述候选规则集合中的规则逐一添加至所述基础规则集；
根据添加后的基础规则集计算出其中各个规则的相对增量提升度；
在所述相对增量提升度小于所述规则提升度阈值时，对所述添加后的基础规则集进行筛选，得到筛选基础规则集；
分别计算出所述基础规则集和所述筛选基础规则集的基础整体规则提升度和筛选基础整体规则提升度；
根据所述基础整体规则提升度和筛选基础整体规则提升度确定最佳基础规则集。
重复执行上述步骤，通过预设逐步筛选策略从所述候选规则集中依次移除候选规则，直至所述候选规则集中的规则被全部移除，在执行完成后，所述最佳基础规则集即为高风险行为因子备选规则集；
获取所述高风险行为因子备选规则集中符合预设业务逻辑的高风险行为因子备选规则和不符合预设业务逻辑的高风险行为因子备选规则；
将所述不符合预设业务逻辑的高风险行为因子备选规则从所述高风险行为因子备选规则集中剔除，得到高风险行为因子规则集。
可选地，所述根据目标对象信贷业务的贷款利率范围和目标回报率算法计算目标对象贷款业务的当前可接受违约概率，包括：
获取贷款利息收入、资金成本、运营成本、所得税率以及目标回报率；
根据当前贷款金额分别对所述贷款利息收入、资金成本以及运营成本进行计算，得到贷款利率、资金成本率以及运营成本率；
根据违约概率和贷款损失率得到风险定价系数表达式，以及根据期限调整因子、极端情况违约概率、违约概率以及调整系数得到资本缓释系数表达式；
按照目标回报率算法对所述贷款利率、资金成本率、运营成本率、风险定价系数表达式、资本缓释系数表达式以及所得税率进行计算，得到目标对象信贷业务的当前可接受违约概率。
可选地，所述根据高风险行为因子规则集和原始样本集得到备选样本集，包括：
根据所述符合预设业务逻辑的高风险行为因子规则集对所述原始样本集进行筛选，得到备选样本集。
可选地，所述根据所述贷款利率范围和目标回报率算法计算目标平均违约概率，并根据所述目标平均违约概率和所述预设业务逻辑构建灰度规则集，包括：
根据目标对象信贷业务的贷款利率范围和目标回报率算法计算目标平均违约概率；
获取所述目标对象信贷业务的样本平均违约概率，根据所述目标平均违约概率和样本平均违约概率计算出灰度规则提升度阈值；
根据预设提升度获取基础规则集和候选规则集，通过预设逐步筛选策略将所述候选规则集合中的规则逐一添加至所述基础规则集；
根据添加后的基础规则集计算出其中各个规则的相对增量提升度；
在所述相对增量提升度小于所述灰度规则提升度阈值时，对所述添加后的基础规则集进行筛选，得到筛选基础规则集；
分别计算出所述基础规则集和所述筛选基础规则集的基础整体规则提升度和筛选基础整体规则提升度；
根据所述基础整体规则提升度和筛选基础整体规则提升度确定最佳基础规则集；
重复执行上述步骤，通过预设逐步筛选策略从所述候选规则集中依次移除候选规则，直至所述候选规则集中的规则被全部移除，在执行完成后，所述最佳基础规则集即为灰度备选规则集；；
获取所述灰度备选规则集中符合所述预设业务逻辑的灰度规则和不符合所述预设业务逻辑的灰度规则；
将所述不符合预设业务逻辑的灰度规则从所述灰度备选规则集中剔除，得到灰度规则集。
可选地，所述根据目标对象信贷业务的贷款利率范围和目标回报率算法计算目标平均违约概率，包括：
获取贷款利息收入、资金成本、运营成本、所得税率以及目标回报率；
根据当前贷款金额分别对所述贷款利息收入、资金成本以及运营成本进行计算，得到贷款利率、资金成本率以及运营成本率；
根据违约概率和贷款损失率得到风险定价系数表达式，以及根据期限调整因子、极端情况违约概率、违约概率以及调整系数得到资本缓释系数表达式；
根据产品目标平均利率按照目标回报率算法对所述贷款利率、资金成本率、运营成本率、风险定价系数表达式、资本缓释系数表达式以及所得税率进行反向推算，得到目标平均违约概率。
可选地，所述根据所述灰度规则集和所述备选样本集标记不同类别的信贷客户，包括：
根据所述灰度规则集对所述备选样本集进行筛选；
对筛选结果中的各个信贷客户进行标记，得到不同类别的信贷客户，所述不同类别的信贷客户包括瑕疵客户、白名单客户。
此外，为实现上述目的，本发明还提出一种信贷客户的多层次评价装置，所述信贷客户的多层次评价装置包括：
概率计算模块，用于根据目标对象信贷业务的贷款利率范围和目标回报率算法计算当前可接受违约概率，并根据所述当前可接受违约概率和预设业务逻辑构建高风险行为因子规则集；
样本筛选模块，用于根据所述高风险行为因子规则集和原始样本集得到备选样本集；
规则构建模块，用于根据所述贷款利率范围和目标回报率算法计算目标平均违约概率，并根据所述目标平均违约概率和所述预设业务逻辑构建灰度规则集；
标记模块，用于根据所述灰度规则集和所述备选样本集标记不同类别的信贷客户。
此外，为实现上述目的，本发明还提出一种信贷客户的多层次评价设备，所述信贷客户的多层次评价设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的信贷客户的多层次评价程序，所述信贷客户的多层次评价程序配置为实现如上文所述的信贷客户的多层次评价方法。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有信贷客户的多层次评价程序，所述信贷客户的多层次评价程序被处理器执行时实现如上文所述的信贷客户的多层次评价方法。
本发明提出的信贷客户的多层次评价方法，根据目标对象信贷业务的贷款利率范围和目标回报率算法计算当前可接受违约概率，并根据所述当前可接受违约概率和预设业务逻辑构建高风险行为因子规则集；根据所述高风险行为因子规则集和原始样本集得到备选样本集；根据所述贷款利率范围和目标回报率算法计算目标平均违约概率，并根据所述目标平均违约概率和所述预设业务逻辑构建灰度规则集；根据所述灰度规则集和所述备选样本集标记不同类别的信贷客户；通过上述方式，基于高风险行为因子规则集标记风险底线，描绘的风险回避和风险经营的界限，根据灰度规则集标记信贷客户类别，尊重并体现银行偏好，形成多层级的评价策略，从而能够有效提高评价信贷客户的准确性，提高信贷产能。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的信贷客户的多层次评价设备的结构示意图；
图2为本发明信贷客户的多层次评价方法第一实施例的流程示意图；
图3为本发明信贷客户的多层次评价方法第二实施例的流程示意图；
图4为本发明信贷客户的多层次评价装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的信贷客户的多层次评价设备结构示意图。
如图1所示，该信贷客户的多层次评价设备可以包括：处理器1001，例如中央处理器（Central Processing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless-Fidelity，Wi-Fi）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对信贷客户的多层次评价设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及信贷客户的多层次评价程序。
在图1所示的信贷客户的多层次评价设备中，网络接口1004主要用于与网络一体化平台工作站进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明信贷客户的多层次评价设备中的处理器1001、存储器1005可以设置在信贷客户的多层次评价设备中，所述信贷客户的多层次评价设备通过处理器1001调用存储器1005中存储的信贷客户的多层次评价程序，并执行本发明实施例提供的信贷客户的多层次评价方法。
基于上述硬件结构，提出本发明信贷客户的多层次评价方法实施例。
参照图2，图2为本发明信贷客户的多层次评价方法第一实施例的流程示意图。
在第一实施例中，所述信贷客户的多层次评价方法包括以下步骤：
步骤S10，根据目标对象信贷业务的贷款利率范围和目标回报率算法计算当前可接受违约概率，并根据所述当前可接受违约概率和预设业务逻辑构建高风险行为因子规则集。
需要说明的是，本实施例的执行主体为信贷客户的多层次评价设备，还可为其他可实现相同或相似功能的设备，例如信贷业务控制器等，本实施例对此不作限制，在本实施例中，以信贷业务控制器为例进行说明。
应当理解的是，目标对象指的是进行合法信贷业务的对象，该目标对象包括但不限于银行、金融机构，当前可接受违约概率指的是目标对象信贷业务的可接受的最大违约概率，该当前可接受违约概率通过目标回报率算法计算得到，预设业务逻辑是为了验证高风险行为因子备选规则的合理性的业务逻辑，具体是确认高风险行为因子备选规则集中的规则是否符合预设业务逻辑，高风险行为因子规则集指的是由高风险行为因子对应的各个规则构成的集合。
可以理解的是，本实施例采用“风控+产品”式自下而上的思维方式。明确风险底线，风险底线以全面性、预判性以及精确性的高风险行为因子为主体，并根据高风险行为因子规则集标记风险底线，描绘风险回避和风险经营的界限，以跨时间、跨客群、跨区域的稳定灰度描绘客户的差异度，尊重并体现银行偏好，形成多层级的客户风险的评价策略，助力银行实现精细化风控。
进一步地，步骤S10，包括：根据目标对象信贷业务的贷款利率范围和目标回报率算法计算目标对象贷款业务的当前可接受违约概率；获取目标对象信贷业务的样本平均违约概率，根据所述当前可接受违约概率和所述样本平均违约概率计算出规则提升度阈值；根据预设提升度获取基础规则集和候选规则集，通过预设逐步筛选策略将所述候选规则集合中的规则逐一添加至所述基础规则集；根据添加后的基础规则集计算出其中各个规则的相对增量提升度；在所述相对增量提升度小于所述规则提升度阈值时，对所述添加后的基础规则集进行筛选，得到筛选基础规则集；分别计算出所述基础规则集和所述筛选基础规则集的基础整体规则提升度和筛选基础整体规则提升度；根据所述基础整体规则提升度和筛选基础整体规则提升度确定最佳基础规则集。重复执行上述步骤，通过预设逐步筛选策略从所述候选规则集中依次移除候选规则，直至所述候选规则集中的规则被全部移除，在执行完成后，所述最佳基础规则集即为高风险行为因子备选规则集；获取所述高风险行为因子备选规则集中符合预设业务逻辑的高风险行为因子备选规则和不符合预设业务逻辑的高风险行为因子备选规则；将所述不符合预设业务逻辑的高风险行为因子备选规则从所述高风险行为因子备选规则集中剔除，得到高风险行为因子规则集。
可以理解的是，样本平均违约概率指的是样本违约概率的平均值，在得到样本平均违约概率后，根据当前可接受违约概率和样本平均违约概率计算出规则提升度阈值，例如，目标对象信贷业务的当前可接受违约概率为17%，样本平均违约概率为2%，则规则提升度阈值=当前可接受违约概率/样本平均违约概率=8.5，然后采用逐步筛选策略不断重复向基础规则集候选规则集合中的规则，此时的基础规则集中含有添加的规则，然后计算出添加后的基础规则集中各个规则的相对增量提升度，并在相对增量提升度小于规则提升度阈值时，对添加后的基础规则集进行筛选，再分别计算出基础规则集和筛选基础规则集的基础整体规则提升度和筛选基础整体规则提升度，然后将基础整体规则提升度和筛选基础整体规则提升度进行比较，保留其中较大者为基础规则集，例如，基础整体规则提升度大于筛选基础整体规则提升度，将基础整体规则提升度对应的基础规则集作为基础规则集，继续重复上述步骤，即将通过预设逐步筛选策略从所述候选规则集中依次移除候选规则，直至候选规则集中的规则被全部移除，在执行完成后，此时的最佳基础规则集即为高风险行为因子备选规则集，为了保证金融信贷业务符合行业规范和监管要求，银行信贷业务对规则的业务可解释性有极高要求，在得到高风险行为因子规则集后，判断高风险行为因子规则集中的规则是否符合预设业务逻辑规则，具体是根据预设业务逻辑将高风险行为因子备选规则集划分为符合预设业务逻辑的高风险行为因子备选规则和不符合预设业务逻辑的高风险行为因子备选规则，然后将不符合预设业务逻辑的高风险行为因子备选规则从高风险行为因子备选规则集中剔除，在剔除完成后，该高风险行为因子备选规则集中的规则均符合预设业务逻辑，即为高风险行为因子规则集。
进一步地，所述根据目标对象信贷业务的贷款利率范围和目标回报率算法计算目标对象贷款业务的当前可接受违约概率，包括：获取贷款利息收入、资金成本、运营成本、所得税率以及目标回报率；根据当前贷款金额分别对所述贷款利息收入、资金成本以及运营成本进行计算，得到贷款利率、资金成本率以及运营成本率；根据违约概率和贷款损失率得到风险定价系数表达式，以及根据期限调整因子、极端情况违约概率、违约概率以及调整系数得到资本缓释系数表达式；按照目标回报率算法对所述贷款利率、资金成本率、运营成本率、风险定价系数表达式、资本缓释系数表达式以及所得税率进行计算，得到目标对象信贷业务的当前可接受违约概率。
应当理解的是，资金成本率为银行内部转移定价FTP(Funds Transfer Pricing)，运营成本率则根据银行实际运营状况确定，风险定价系数与资本缓释系数均根据权威机构颁发的规则文件确定，所得税率适用25%的企业，风险定价系数与资本缓释系数，均为违约概率PD(Probability of Default)的函数，资本缓释系数表达式为期限调整因子*(极端情况违约概率-违约概率)*调整系数，风险定价系数表达式为违约概率*贷款损失率，在得到贷款利率、资金成本率、运营成本率、风险定价系数以及资本缓释系数后，按照目标回报率算法计算出目标对象信贷业务的当前可接受违约概率。
步骤S20，根据所述高风险行为因子规则集和原始样本集得到备选样本集。
进一步地，步骤S20，包括：根据所述高风险行为因子规则集对所述原始样本集进行筛选，得到备选样本集。
应当理解的是，备选样本集是通过符合预设业务逻辑的高风险行为因子规则集从原始样本集中筛选出的样本集。
步骤S30，根据所述贷款利率范围和目标回报率算法计算目标平均违约概率，并根据所述目标平均违约概率和所述预设业务逻辑构建灰度规则集。
应当理解的是，目标平均违约概率是根据银行产品的实际设计目标确定的，具体是通过产品目标平均利率和目标回报率算法计算得到的，在得到目标平均违约概率，根据目标平均违约概率和预设业务逻辑构建灰度规则集。
进一步地，步骤S30，包括：根据目标对象信贷业务的贷款利率范围和目标回报率算法计算目标平均违约概率；获取所述目标对象信贷业务的样本平均违约概率，根据所述目标平均违约概率和样本平均违约概率计算出灰度规则提升度阈值；根据预设提升度获取基础规则集和候选规则集，通过预设逐步筛选策略将所述候选规则集合中的规则逐一添加至所述基础规则集；根据添加后的基础规则集计算出其中各个规则的相对增量提升度；在所述相对增量提升度小于所述灰度规则提升度阈值时，对所述添加后的基础规则集进行筛选，得到筛选基础规则集；分别计算出所述基础规则集和所述筛选基础规则集的基础整体规则提升度和筛选基础整体规则提升度；根据所述基础整体规则提升度和筛选基础整体规则提升度确定最佳基础规则集；重复执行上述步骤，通过预设逐步筛选策略从所述候选规则集中依次移除候选规则，直至所述候选规则集中的规则被全部移除，在执行完成后，所述最佳基础规则集即为灰度备选规则集；获取所述灰度备选规则集中符合所述预设业务逻辑的灰度规则和不符合所述预设业务逻辑的灰度规则；将所述不符合预设业务逻辑的灰度规则从所述灰度备选规则集中剔除，得到灰度规则集。
可以理解的是，灰度规则提升度阈值指的是灰度规则的提升度阈值，该灰度规则提升度阈值是通过目标平均违约概率和样本平均违约概率计算得到的，例如，目标平均违约概率为5%，样本平均违约概率为2%，则灰度规则提升度阈值=平均违约概率/样本平均违约概率=2.5，然后采取同样的方式，即采用逐步筛选策略不断重复向基础规则集添加候选规则集的规则，此时的基础规则集中含有添加的规则，然后计算出添加后的基础规则集中各个规则的相对增量提升度，并在相对增量提升度小于规则提升度阈值时，对添加后的基础规则集进行筛选，再分别计算出基础规则集和筛选基础规则集的基础整体规则提升度和筛选基础整体规则提升度，然后将基础整体规则提升度和筛选基础整体规则提升度进行比较，保留其中较大者为基础规则集，例如，基础整体规则提升度大于筛选基础整体规则提升度，将基础整体规则提升度对应的基础规则集作为基础规则集，继续重复上述步骤，即将通过预设逐步筛选策略从所述候选规则集中依次移除候选规则，直至候选规则集中的规则被全部移除，在执行完成后，此时的最佳基础规则集即为灰度备选规则集，然后将灰度备选规则集中不符合预设业务逻辑的灰度规则剔除，得到灰度规则集。
进一步地，所述根据目标对象信贷业务的贷款利率范围和目标回报率算法计算目标平均违约概率，包括：获取贷款利息收入、资金成本、运营成本、所得税率以及目标回报率；根据当前贷款金额分别对所述贷款利息收入、资金成本以及运营成本进行计算，得到贷款利率、资金成本率以及运营成本率；根据违约概率和贷款损失率得到风险定价系数表达式，以及根据期限调整因子、极端情况违约概率、违约概率以及调整系数得到资本缓释系数表达式；根据产品目标平均利率按照目标回报率算法对所述贷款利率、资金成本率、运营成本率、风险定价系数表达式、资本缓释系数表达式以及所得税率进行反向推算，得到目标平均违约概率。
应当理解的是，在得到贷款利率、资金成本率、运营成本率、风险定价系数表达式以及资本缓释系数表达式，将产品目标平均利率进行代入以反向推理并计算出目标平均违约概率。
步骤S40，根据所述灰度规则集和所述备选样本集标记不同类别的信贷客户。
可以理解的是，信贷客户指的是有信贷需求或者需要进行信贷的客户，该信贷客户分为不同的类别，例如，瑕疵客户和白名单客户，瑕疵客户指的是触碰到灰度规则集的客户，白名单客户指的是未触碰到灰度规则集的客户，瑕疵客户和白名单客户均未触碰高风险行为因子规则集。
本实施例根据目标对象信贷业务的贷款利率范围计算当前可接受违约概率，并根据所述当前可接受违约概率和预设业务逻辑构建高风险行为因子规则集；根据所述高风险行为因子规则集和原始样本集得到备选样本集；根据所述贷款利率范围和目标回报率算法计算目标平均违约概率，并根据所述预设所述目标平均违约概率和预设业务逻辑构建灰度规则集；根据所述灰度规则集和所述备选样本集标记不同类别的信贷客户；通过上述方式，基于高风险行为因子规则集标记风险底线，描绘的风险回避和风险经营的界限，根据灰度规则集标记信贷客户类别，尊重并体现银行偏好，形成多层级的评价策略，从而能够有效提高评价信贷客户的准确性，提高信贷产能。
在一实施例中，如图3所述，基于第一实施例提出本发明信贷客户的多层次评价方法第二实施例，所述步骤S40，包括：
步骤S401，根据所述灰度规则集对所述备选样本集进行筛选。
应当理解的是，在得到灰度规则集后，通过灰度规则集对筛选得到的备选样本集进一步筛选。
步骤S402，对筛选结果中的各个信贷客户进行标记，得到不同类别的信贷客户，所述不同类别的信贷客户包括瑕疵客户、白名单客户。
可以理解的是，筛选结果包括触碰到符合预设业务逻辑的灰度规则的备份样本和未触碰到符合预设业务逻辑的灰度规则的备份样本，此时将触碰到符合预设业务逻辑的灰度规则的备份样本标记为瑕疵客户，以及将未触碰到符合预设业务逻辑的灰度规则的备份样本标记为白名单客户。
本实施例根据所述灰度规则集对所述备选样本集进行筛选；对筛选结果中的各个信贷客户进行标记，得到不同类别的信贷客户，所述不同类别的信贷客户包括瑕疵客户、白名单客户；通过上述方式，根据灰度规则集对备选样本集进行筛选，再对筛选结果中的各个信贷客户进行标记，从而能够区分出瑕疵客户、白名单客户。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有信贷客户的多层次评价程序，所述信贷客户的多层次评价程序被处理器执行时实现如上文所述的信贷客户的多层次评价方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
此外，参照图4，本发明实施例还提出一种信贷客户的多层次评价装置，所述信贷客户的多层次评价装置包括：
概率计算模块10，用于根据目标对象信贷业务的贷款利率范围和目标回报率算法计算当前可接受违约概率，并根据所述当前可接受违约概率和预设业务逻辑构建高风险行为因子规则集。
样本筛选模块20，用于根据所述高风险行为因子规则集和原始样本集得到备选样本集。
规则构建模块30，用于根据所述贷款利率范围和目标回报率算法计算目标平均违约概率，并根据所述目标平均违约概率和所述预设业务逻辑构建灰度规则集。
标记模块40，用于根据所述灰度规则集和所述备选样本集标记不同类别的信贷客户。
本实施例根据目标对象信贷业务的贷款利率范围和目标回报率算法计算当前可接受违约概率，并根据所述当前可接受违约概率和预设业务逻辑构建高风险行为因子规则集；根据所述高风险行为因子规则集和原始样本集得到备选样本集；根据所述贷款利率范围和目标回报率算法计算目标平均违约概率，并根据所述目标平均违约概率和所述预设业务逻辑构建灰度规则集；根据所述灰度规则集和所述备选样本集标记不同类别的信贷客户；通过上述方式，基于高风险行为因子规则集标记风险底线，描绘的风险回避和风险经营的界限，根据灰度规则集标记信贷客户类别，尊重并体现银行偏好，形成多层级的评价策略，从而能够有效提高评价信贷客户的准确性，提高信贷产能。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的信贷客户的多层次评价方法，此处不再赘述。
在一实施例中，所述概率计算模块10，还用于根据目标对象信贷业务的贷款利率范围和目标回报率算法计算目标对象贷款业务的当前可接受违约概率；获取目标对象信贷业务的样本平均违约概率，根据所述当前可接受违约概率和所述样本平均违约概率计算出规则提升度阈值；根据预设提升度获取基础规则集和候选规则集，通过预设逐步筛选策略将所述候选规则集合中的规则逐一添加至所述基础规则集；根据添加后的基础规则集计算出其中各个规则的相对增量提升度；在所述相对增量提升度小于所述规则提升度阈值时，对所述添加后的基础规则集进行筛选，得到筛选基础规则集；分别计算出所述基础规则集和所述筛选基础规则集的基础整体规则提升度和筛选基础整体规则提升度；根据所述基础整体规则提升度和筛选基础整体规则提升度确定最佳基础规则集。重复执行上述步骤，通过预设逐步筛选策略从所述候选规则集中依次移除候选规则，直至所述候选规则集中的规则被全部移除，在执行完成后，所述最佳基础规则集即为高风险行为因子备选规则集；获取所述高风险行为因子备选规则集中符合预设业务逻辑的高风险行为因子备选规则和不符合预设业务逻辑的高风险行为因子备选规则；将所述不符合预设业务逻辑的高风险行为因子备选规则从所述高风险行为因子备选规则集中剔除，得到高风险行为因子规则集。
在一实施例中，所述概率计算模块10，还用于获取贷款利息收入、资金成本、运营成本、所得税率以及目标回报率；根据当前贷款金额分别对所述贷款利息收入、资金成本以及运营成本进行计算，得到贷款利率、资金成本率以及运营成本率；根据违约概率和贷款损失率得到风险定价系数表达式，以及根据期限调整因子、极端情况违约概率、违约概率以及调整系数得到资本缓释系数表达式；按照目标回报率算法对所述贷款利率、资金成本率、运营成本率、风险定价系数表达式、资本缓释系数表达式以及所得税率进行计算，得到目标对象信贷业务的当前可接受违约概率。
在一实施例中，所述样本筛选模块20，还用于根据所述高风险行为因子规则集对所述原始样本集进行筛选，得到备选样本集。
在一实施例中，所述规则构建模块30，还用于根据目标对象信贷业务的贷款利率范围和目标回报率算法计算目标平均违约概率；获取所述目标对象信贷业务的样本平均违约概率，根据所述目标平均违约概率和样本平均违约概率计算出灰度规则提升度阈值；根据预设提升度获取基础规则集和候选规则集，通过预设逐步筛选策略将所述候选规则集合中的规则逐一添加至所述基础规则集；根据添加后的基础规则集计算出其中各个规则的相对增量提升度；在所述相对增量提升度小于所述灰度规则提升度阈值时，对所述添加后的基础规则集进行筛选，得到筛选基础规则集；分别计算出所述基础规则集和所述筛选基础规则集的基础整体规则提升度和筛选基础整体规则提升度；根据所述基础整体规则提升度和筛选基础整体规则提升度确定最佳基础规则集；重复执行上述步骤，通过预设逐步筛选策略从所述候选规则集中依次移除候选规则，直至所述候选规则集中的规则被全部移除，在执行完成后，所述最佳基础规则集即为灰度备选规则集；获取所述灰度备选规则集中符合所述预设业务逻辑的灰度规则和不符合所述预设业务逻辑的灰度规则；将所述不符合预设业务逻辑的灰度规则从所述灰度备选规则集中剔除，得到灰度规则集。
在一实施例中，所述规则构建模块30，还用于获取贷款利息收入、资金成本、运营成本、所得税率以及目标回报率；根据当前贷款金额分别对所述贷款利息收入、资金成本以及运营成本进行计算，得到贷款利率、资金成本率以及运营成本率；根据违约概率和贷款损失率得到风险定价系数表达式，以及根据期限调整因子、极端情况违约概率、违约概率以及调整系数得到资本缓释系数表达式；根据产品目标平均利率按照目标回报率算法对所述贷款利率、资金成本率、运营成本率、风险定价系数表达式、资本缓释系数表达式以及所得税率进行反向推算，得到目标平均违约概率。
在一实施例中，所述标记模块40，还用于根据所述灰度规则集对所述备选样本集进行筛选；对筛选结果中的各个信贷客户进行标记，得到不同类别的信贷客户，所述不同类别的信贷客户包括瑕疵客户、白名单客户。
本发明所述信贷客户的多层次评价装置的其他实施例或具有实现方法可参照上述各方法实施例，此处不再赘余。
此外，需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如只读存储器（Read Only Memory，ROM）/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，一体化平台工作站，或者网络设备等）执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种信贷客户的多层次评价方法，其特征在于，所述信贷客户的多层次评价方法包括以下步骤：
根据目标对象信贷业务的贷款利率范围和目标回报率算法计算当前可接受违约概率，并根据所述当前可接受违约概率和预设业务逻辑构建高风险行为因子规则集；
根据所述高风险行为因子规则集和原始样本集得到备选样本集；
根据所述贷款利率范围和目标回报率算法计算目标平均违约概率，并根据所述目标平均违约概率和所述预设业务逻辑构建灰度规则集；
根据所述灰度规则集和所述备选样本集标记不同类别的信贷客户。
2.如权利要求1所述的信贷客户的多层次评价方法，其特征在于，所述根据目标对象信贷业务的贷款利率范围和目标回报率算法计算当前可接受违约概率；根据目标对象的可接受违约概率和预设业务逻辑构建高风险行为因子规则集，包括：
根据目标对象信贷业务的贷款利率范围和目标回报率算法计算目标对象贷款业务的当前可接受违约概率；
获取目标对象信贷业务的样本平均违约概率，根据所述当前可接受违约概率和所述样本平均违约概率计算出规则提升度阈值；
根据预设提升度获取基础规则集和候选规则集，通过预设逐步筛选策略将所述候选规则集合中的规则逐一添加至所述基础规则集；
根据添加后的基础规则集计算出其中各个规则的相对增量提升度；
在所述相对增量提升度小于所述规则提升度阈值时，对所述添加后的基础规则集进行筛选，得到筛选基础规则集；
分别计算出所述基础规则集和所述筛选基础规则集的基础整体规则提升度和筛选基础整体规则提升度；
根据所述基础整体规则提升度和筛选基础整体规则提升度确定最佳基础规则集；
重复执行上述步骤，通过预设逐步筛选策略从所述候选规则集中依次移除候选规则，直至所述候选规则集中的规则被全部移除，在执行完成后，所述最佳基础规则集即为高风险行为因子备选规则集；
获取所述高风险行为因子备选规则集中符合预设业务逻辑的高风险行为因子备选规则和不符合预设业务逻辑的高风险行为因子备选规则；
将所述不符合预设业务逻辑的高风险行为因子备选规则从所述高风险行为因子备选规则集中剔除，得到高风险行为因子规则集。
3.如权利要求2所述的信贷客户的多层次评价方法，其特征在于，所述根据目标对象信贷业务的贷款利率范围和目标回报率算法计算目标对象贷款业务的当前可接受违约概率，包括：
获取贷款利息收入、资金成本、运营成本、所得税率以及目标回报率；
根据当前贷款金额分别对所述贷款利息收入、资金成本以及运营成本进行计算，得到贷款利率、资金成本率以及运营成本率；
根据违约概率和贷款损失率得到风险定价系数表达式，以及根据期限调整因子、极端情况违约概率、违约概率以及调整系数得到资本缓释系数表达式；
按照目标回报率算法对所述贷款利率、资金成本率、运营成本率、风险定价系数表达式、资本缓释系数表达式以及所得税率进行计算，得到目标对象信贷业务的当前可接受违约概率。
4.如权利要求1所述的信贷客户的多层次评价方法，其特征在于，所述根据高风险行为因子规则集和原始样本集得到备选样本集，包括：
根据所述高风险行为因子规则集对所述原始样本集进行筛选，得到备选样本集。
5.如权利要求1所述的信贷客户的多层次评价方法，其特征在于，所述根据所述贷款利率范围和目标回报率算法计算目标平均违约概率，并根据所述目标平均违约概率和所述预设业务逻辑构建灰度规则集，包括：
根据目标对象信贷业务的贷款利率范围和目标回报率算法计算目标平均违约概率；
获取所述目标对象信贷业务的样本平均违约概率，根据所述目标平均违约概率和样本平均违约概率计算出灰度规则提升度阈值；
根据预设提升度获取基础规则集和候选规则集，通过预设逐步筛选策略将所述候选规则集合中的规则逐一添加至所述基础规则集；
根据添加后的基础规则集计算出其中各个规则的相对增量提升度；
在所述相对增量提升度小于所述灰度规则提升度阈值时，对所述添加后的基础规则集进行筛选，得到筛选基础规则集；
分别计算出所述基础规则集和所述筛选基础规则集的基础整体规则提升度和筛选基础整体规则提升度；
根据所述基础整体规则提升度和筛选基础整体规则提升度确定最佳基础规则集；
重复执行上述步骤，通过预设逐步筛选策略从所述候选规则集中依次移除候选规则，直至所述候选规则集中的规则被全部移除，在执行完成后，所述最佳基础规则集即为灰度备选规则集；
获取所述灰度备选规则集中符合所述预设业务逻辑的灰度规则和不符合所述预设业务逻辑的灰度规则；
将所述不符合预设业务逻辑的灰度规则从所述灰度备选规则集中剔除，得到灰度规则集。
6.如权利要求5所述的信贷客户的多层次评价方法，其特征在于，所述根据目标对象信贷业务的贷款利率范围和目标回报率算法计算目标平均违约概率，包括：
获取贷款利息收入、资金成本、运营成本、所得税率以及目标回报率；
根据当前贷款金额分别对所述贷款利息收入、资金成本以及运营成本进行计算，得到贷款利率、资金成本率以及运营成本率；
根据违约概率和贷款损失率得到风险定价系数表达式，以及根据期限调整因子、极端情况违约概率、违约概率以及调整系数得到资本缓释系数表达式；
根据产品目标平均利率按照目标回报率算法对所述贷款利率、资金成本率、运营成本率、风险定价系数表达式、资本缓释系数表达式以及所得税率进行反向推算，得到目标平均违约概率。
7.如权利要求1所述的信贷客户的多层次评价方法，其特征在于，所述根据所述灰度规则集和所述备选样本集标记不同类别的信贷客户，包括：
根据所述灰度规则集对所述备选样本集进行筛选；
对筛选结果中的各个信贷客户进行标记，得到不同类别的信贷客户，所述不同类别的信贷客户包括瑕疵客户、白名单客户。
8.一种信贷客户的多层次评价装置，其特征在于，所述信贷客户的多层次评价装置包括：
概率计算模块，用于根据目标对象信贷业务的贷款利率范围和目标回报率算法计算当前可接受违约概率，并根据所述当前可接受违约概率和预设业务逻辑构建高风险行为因子规则集；
样本筛选模块，用于根据所述高风险行为因子规则集和原始样本集得到备选样本集；
规则构建模块，用于根据所述贷款利率范围和目标回报率算法计算目标平均违约概率，并根据所述目标平均违约概率和所述预设业务逻辑构建灰度规则集；
标记模块，用于根据所述灰度规则集和所述备选样本集标记不同类别的信贷客户。
9.一种信贷客户的多层次评价设备，其特征在于，所述信贷客户的多层次评价设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的信贷客户的多层次评价程序，所述信贷客户的多层次评价程序配置有实现如权利要求1至7中任一项所述的信贷客户的多层次评价方法。
10.一种存储介质，其特征在于，所述存储介质上存储有信贷客户的多层次评价程序，所述信贷客户的多层次评价程序被处理器执行时实现如权利要求1至7中任一项所述的信贷客户的多层次评价方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211177799.2A CN115271934A (zh) | 2022-09-27 | 2022-09-27 | 信贷客户的多层次评价方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211177799.2A CN115271934A (zh) | 2022-09-27 | 2022-09-27 | 信贷客户的多层次评价方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115271934A true CN115271934A (zh) | 2022-11-01 |
Family
ID=83756426
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211177799.2A Pending CN115271934A (zh) | 2022-09-27 | 2022-09-27 | 信贷客户的多层次评价方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115271934A (zh) |
-
2022
- 2022-09-27 CN CN202211177799.2A patent/CN115271934A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6771751B2 (ja) | リスク評価方法およびシステム | |
| CN110009417B (zh) | 目标客户筛选方法、装置、设备及计算机可读存储介质 | |
| CN110909984B (zh) | 业务数据处理模型训练方法、业务数据处理方法及装置 | |
| CN112613997A (zh) | 货币基金的组合投资预测方法和预测装置 | |
| CN114493686A (zh) | 一种运营内容生成推送方法及装置 | |
| CN114004691A (zh) | 基于融合算法的额度评分方法、装置、设备及存储介质 | |
| CN116823471A (zh) | 交易策略回测方法、装置、电子设备及存储介质 | |
| CN116091200A (zh) | 基于机器学习的场景授信系统、方法、电子设备及介质 | |
| CN115271934A (zh) | 信贷客户的多层次评价方法、装置、设备及存储介质 | |
| CN115660822A (zh) | 用于金融业务的风控策略处理方法以及装置、电子设备、存储介质 | |
| CN117252677A (zh) | 信贷额度确定方法和装置、电子设备及存储介质 | |
| US8532963B2 (en) | Assessing the maturity of an industry architecture model | |
| CN115099933A (zh) | 一种业务预算方法、装置及设备 | |
| CN113256124A (zh) | 低效网点的筛选方法、装置、设备及存储介质 | |
| CN111461863A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
| JP2021174330A (ja) | 異種機械学習のアンサンブル学習による予測装置 | |
| CN111815204A (zh) | 风险评估方法、装置以及系统 | |
| JP2002109206A (ja) | ポートフォリオにおけるリバランス戦略の優劣判定システム | |
| Yeh et al. | Predicting failure of P2P lending platforms through machine learning: The case in China | |
| CN108648016A (zh) | 银行金融产品的受众模型挖掘方法及装置 | |
| CN113572753B (zh) | 基于牛顿冷却定律的用户设备认证方法和装置 | |
| CN115170179B (zh) | 贸易政策不确定性指数确定方法、装置、设备及介质 | |
| US20220351112A1 (en) | System and method for obtaining audit evidence | |
| JP2004094662A (ja) | 信用リスク管理の最適化モデル適用方法及び装置 | |
| CN115099964A (zh) | 数据处理方法、终端设备以及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221101 |
|
| RJ01 | Rejection of invention patent application after publication |