CN115311066A - 贷款风险评估方法及装置 - Google Patents
贷款风险评估方法及装置 Download PDFInfo
- Publication number
- CN115311066A CN115311066A CN202110497295.8A CN202110497295A CN115311066A CN 115311066 A CN115311066 A CN 115311066A CN 202110497295 A CN202110497295 A CN 202110497295A CN 115311066 A CN115311066 A CN 115311066A
- Authority
- CN
- China
- Prior art keywords
- loan
- predicted
- target
- repayment
- amount
- 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
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/403—Solvency checks
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开的实施例提供了一种贷款风险评估方法及装置。所述方法包括:获取待预测贷款的目标贷款额度和目标贷款期数,及与所述待预测贷款关联的目标用户的目标用户行为特征;将所述目标贷款额度、所述目标贷款期数和所述用户行为特征输入至目标生存分析模型,并获取由所述目标生存分析模型输出的所述待预测贷款对应的预测金额逾期率;根据所述待预测贷款的贷款时间,获取与所述目标贷款期数相同的校准贷款;根据所述校准贷款对所述预测金额逾期率进行校准处理,得到所述待预测贷款对应的目标金额逾期率。本公开的实施例可以提高贷款风险评估的准确性,降低风险评估的工作量。
Description
技术领域
本公开的实施例涉及消费金融技术领域,尤其涉及一种贷款风险评估方法及装置。
背景技术
随着信贷业务的发展,存量资产和新放款资产的规模日益增大,且在分期业务的场景下,表现期通常较长。为了更好地促进业务发展,有效控制风险,需要对资产的风险进行评估和预测,以更好地指导策略运营和资产管理。
目前对信贷资产风险变化的评估主要采用的是vintage分析法,将不同时期放款的资产根据相同的账龄对齐分析,来对比不同时期放款的资产质量。根据vintage曲线,可以直观地反映出资产风险的变化情况和变化趋势。
而为了进一步量化资产未来的风险水平,则一般使用迁移率分析法来进行计算。迁移率为前一期逾期金额到下一期逾期金额的转化率,通过计算不同逾期时长贷款余额之间的平均迁移率,可以预估有多少资产未来会转变成坏账。
而迁移率分析法将资产分成不同的逾期等级,通过考虑不同逾期等级之间的转化率,来预测坏账。通常是对整体的资产进行分析,无法给出更细粒度(如单笔借据粒度等)的评估,无法根据不同资产的风险情况实施精细化的贷中管理策略,并且如果要需要评估不同客群,需要通过人为拆分、交叉维度来计算,工作量较大。
发明内容
本公开的实施例提供一种贷款风险评估方法及装置,用以根据真实风险系数进行模型校准,提高了贷款评估的准确性,且降低了工作量。
根据本公开的实施例的第一方面,提供了一种贷款风险评估方法,包括:
获取待预测贷款的目标贷款额度和目标贷款期数,及与所述待预测贷款关联的目标用户的目标用户行为特征;
将所述目标贷款额度、所述目标贷款期数和所述用户行为特征输入至目标生存分析模型,并获取由所述目标生存分析模型输出的所述待预测贷款对应的预测金额逾期率;
根据所述待预测贷款的贷款时间,获取与所述目标贷款期数相同的校准贷款;
根据所述校准贷款对所述预测金额逾期率进行校准处理,得到所述待预测贷款对应的目标金额逾期率。
可选地,在所述获取待预测贷款的目标贷款额度和目标贷款期数,及与所述待预测贷款关联的目标用户的目标用户行为特征之前,还包括:
获取模型训练样本;所述模型训练样本包括:样本贷款的贷款额度、贷款状态标签和所述样本贷款关联的用户行为特征,所述模型训练样本对应于一个初始金额逾期率;
将所述模型训练样本输入至初始生存分析模型,并获取由所述初始生存分析模型输出的所述样本贷款对应的金额逾期率;
根据所述金额逾期率和所述初始金额逾期率,计算得到所述初始生存分析模型的损失值;
在所述损失值处于预设范围内的情况下,将训练后的初始生存分析模型作为所述目标生存分析模型;
在所述损失值未处于预设范围内的情况下,根据模型训练样本继续对所述初始生存分析模型进行训练,直至得到所述目标生存分析模型。
可选地,所述初始生存分析模型包括:预测值获取层、基准风险获取层、风险函数获取层和金额逾期率输出层,所述样本贷款对应于一个初始基准风险,
所述获取由所述初始生存分析模型输出的所述样本贷款对应的金额逾期率,包括:
调用所述预测值获取层对所述贷款额度、所述贷款状态标签和所述用户行为特征进行处理,得到所述样本贷款对应的逾期预测值;
调用所述基准风险获取层根据所述逾期预测值和所述初始基准风险,计算得到所述样本贷款的每一期的基准风险系数;
调用所述风险函数获取层根据所述基准风险系数和所述逾期预测值,计算得到所述样本贷款对应的风险函数;
调用所述金额逾期率输出层根据所述基准风险系数和所述风险函数,得到并输出所述样本贷款对应的金额逾期率。
可选地,所述根据所述校准贷款对所述预测金额逾期率进行校准处理,得到所述待预测贷款对应的目标金额逾期率,包括:
获取所述待预测贷款的每一还款期数的还款状态;
根据所述还款状态和所述校准贷款的还款数据,计算得到所述待预测贷款中未还款期数对应的未还基准风险系数;
根据所述未还基准风险系数,确定所述待预测贷款的目标金额逾期率。
可选地,在所述待预测贷款的还款期数为三期时,
所述根据所述还款状态和所述校准贷款的还款数据,计算得到所述待预测贷款中未还款期数对应的未还基准风险系数,包括:
在所述还款状态为均未还款状态的情况下,根据所述校准贷款的还款数据,确定所述待预测贷款的第一期还款的第一基准风险系数;
根据所述历史数据,确定所述待预测贷款的第一期还款和第二期还款之间的第一滚动系数;
根据所述第一基准风险系数和所述第一滚动系数,确定所述待预测贷款的第二期还款的第二基准风险系数;
根据所述第二基准风险系数和所述历史数据,确定所述待预测贷款的第二期还款与第三期还款之间的第二滚动系数;
根据第二基准风险系数和所述第二滚动系数,确定所述待预测贷款的第三期还款的第三基准风险系数;
将所述第一基准风险系数、所述第二基准风险系数和所述第三基准风险系数作为所述未还基准风险系数。
可选地,在所述待预测贷款的还款期数为三期时,
所述根据所述还款状态和所述校准贷款的还款数据,计算得到所述待预测贷款中未还款期数对应的未还基准风险系数,包括:
在所述还款状态为已还第一期还款的状态的情况下,获取所述待预测贷款的第一期还款的第四基准风险系数;
根据所述第四基准风险系数和所述还款数据,确定所述待预测贷款的第一期还款和第二期还款之间的第三滚动系数;
根据所述第四基准风险系数和所述第三滚动系数,确定所述待预测贷款的第二期还款的第五基准风险系数;
根据所述第五基准风险系数和所述第四基准风险系数,确定所述待预测贷款的第二期还款和第三期还款之间的第四滚动系数;
根据所述第五基准风险系数和所述第四滚动系数,确定所述待预测贷款的第三期还款的第六基准风险系数;
将所述第四基准风险系数、所述第五基准风险系数和所述第六基准风险系数作为所述未还基准风险系数。
根据本公开的实施例的第二方面,提供了一种贷款风险评估装置,包括:
目标贷款特征获取模块,用于获取待预测贷款的目标贷款额度和目标贷款期数,及与所述待预测贷款关联的目标用户的目标用户行为特征;
预测逾期率获取模块,用于将所述目标贷款额度、所述目标贷款期数和所述用户行为特征输入至目标生存分析模型,并获取由所述目标生存分析模型输出的所述待预测贷款对应的预测金额逾期率;
校准贷款获取模块,用于根据所述待预测贷款的贷款时间,获取与所述目标贷款期数相同的校准贷款;
目标逾期率获取模块,用于根据所述校准贷款对所述预测金额逾期率进行校准处理,得到所述待预测贷款对应的目标金额逾期率。
可选地,所述装置还包括:
训练样本获取模块,用于获取模型训练样本;所述模型训练样本包括:样本贷款的贷款额度、贷款状态标签和所述样本贷款关联的用户行为特征,所述模型训练样本对应于一个初始金额逾期率;
金额逾期率获取模块,用于将所述模型训练样本输入至初始生存分析模型,并获取由所述初始生存分析模型输出的所述样本贷款对应的金额逾期率;
损失值计算模块,用于根据所述金额逾期率和所述初始金额逾期率,计算得到所述初始生存分析模型的损失值;
第一目标模块获取模块,用于在所述损失值处于预设范围内的情况下,将训练后的初始生存分析模型作为所述目标生存分析模型;
第二目标模型获取模块,用于在所述损失值未处于预设范围内的情况下,根据模型训练样本继续对所述初始生存分析模型进行训练,直至得到所述目标生存分析模型。
可选地,所述初始生存分析模型包括:预测值获取层、基准风险获取层、风险函数获取层和金额逾期率输出层,所述样本贷款对应于一个初始基准风险,
所述金额逾期率获取模块包括:
逾期预测值获取单元,用于调用所述预测值获取层对所述贷款额度、所述贷款状态标签和所述用户行为特征进行处理,得到所述样本贷款对应的逾期预测值;
基准风险系数计算单元,用于调用所述基准风险获取层根据所述逾期预测值和所述初始基准风险,计算得到所述样本贷款的每一期的基准风险系数;
风险函数计算单元,用于调用所述风险函数获取层根据所述基准风险系数和所述逾期预测值,计算得到所述样本贷款对应的风险函数;
金额逾期率获取单元,用于调用所述金额逾期率输出层根据所述基准风险系数和所述风险函数,得到并输出所述样本贷款对应的金额逾期率。
可选地,所述目标逾期率获取模块包括:
还款状态获取单元,用于获取所述待预测贷款的每一还款期数的还款状态;
未还基准风险系数计算单元,用于根据所述还款状态和所述校准贷款的还款数据,计算得到所述待预测贷款中未还款期数对应的未还基准风险系数;
目标逾期率确定单元,用于根据所述未还基准风险系数,确定所述待预测贷款的目标金额逾期率。
可选地,在所述待预测贷款的还款期数为三期时,
所述未还基准风险系数计算单元包括:
第一风险系数确定子单元,用于在所述还款状态为均未还款状态的情况下,根据所述校准贷款的还款数据,确定所述待预测贷款的第一期还款的第一基准风险系数;
第一滚动系数确定子单元,用于根据所述历史数据,确定所述待预测贷款的第一期还款和第二期还款之间的第一滚动系数;
第二风险系数确定子单元,用于根据所述第一基准风险系数和所述第一滚动系数,确定所述待预测贷款的第二期还款的第二基准风险系数;
第二滚动系数确定子单元,用于根据所述第二基准风险系数和所述历史数据,确定所述待预测贷款的第二期还款与第三期还款之间的第二滚动系数;
第三风险系数确定子单元,用于根据第二基准风险系数和所述第二滚动系数,确定所述待预测贷款的第三期还款的第三基准风险系数;
第一未还系数获取子单元,用于将所述第一基准风险系数、所述第二基准风险系数和所述第三基准风险系数作为所述未还基准风险系数。
可选地,在所述待预测贷款的还款期数为三期时,
所述未还基准风险系数计算单元包括:
第四风险系数获取子单元,用于在所述还款状态为已还第一期还款的状态的情况下,获取所述待预测贷款的第一期还款的第四基准风险系数;
第三滚动系数确定子单元,用于根据所述第四基准风险系数和所述还款数据,确定所述待预测贷款的第一期还款和第二期还款之间的第三滚动系数;
第五风险系数获取子单元,用于根据所述第四基准风险系数和所述第三滚动系数,确定所述待预测贷款的第二期还款的第五基准风险系数;
第四滚动系数确定子单元,用于根据所述第五基准风险系数和所述第四基准风险系数,确定所述待预测贷款的第二期还款和第三期还款之间的第四滚动系数;
第六风险系数获取子单元,用于根据所述第五基准风险系数和所述第四滚动系数,确定所述待预测贷款的第三期还款的第六基准风险系数;
第二未还系数获取子单元,用于将所述第四基准风险系数、所述第五基准风险系数和所述第六基准风险系数作为所述未还基准风险系数。
根据本公开的实施例的第三方面,提供了一种电子设备,包括:
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一项所述的贷款风险评估方法。
根据本公开的实施例的第四方面,提供了一种可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述任一项所述的贷款风险评估方法。
本公开的实施例提供了一种贷款风险评估方法及装置,通过获取待预测贷款的目标贷款额度和目标贷款期数,及与待预测贷款关联的目标用户的目标用户行为特征,将目标贷款额度、目标贷款期数和用户行为特征输入至目标生存分析模型,并获取由目标生存分析模型输出的待预测贷款对应的预测金额逾期率,根据待预测贷款的贷款时间,获取与目标贷款期数相同的校准贷款,根据校准贷款对预测金额逾期率进行校准处理,得到待预测贷款对应的目标金额逾期率。本公开的实施例通过结合与目标贷款额度相同的校准贷款对预测金额逾期率进行校准,提高了贷款风险评估的准确性,且无需人工参与,降低了贷款风险评估的工作量。
附图说明
为了更清楚地说明本公开的实施例的技术方案,下面将对本公开的实施例的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公开的实施例的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开的实施例提供的一种贷款风险评估方法的步骤流程图;
图2为本公开的实施例提供的另一种贷款风险评估方法的步骤流程图;
图3为本公开的实施例提供的一种基准风险校准流程的示意图;
图4为本公开的实施例提供的一种贷款风险评估装置的结构示意图。
具体实施方式
下面将结合本公开的实施例中的附图,对本公开的实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开的实施例一部分实施例,而不是全部的实施例。基于本公开的实施例中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开的实施例保护的范围。
实施例一
参照图1,示出了本公开的实施例提供的一种贷款风险评估方法的步骤流程图,如图1所示,该贷款风险评估方法具体可以包括如下步骤:
步骤101:获取待预测贷款的目标贷款额度和目标贷款期数,及与所述待预测贷款关联的目标用户的目标用户行为特征。
本公开的实施例可以应用于结合真实风险系数对模型预估风险结果进行校准,以提高贷款风险预测准确率的场景中。
待预测贷款是指需要进行还款逾期率预测的贷款,在本示例中,待预测贷款可以为已还部分还款期数的贷款,也可以为还未开始还款的贷款,具体地,对于待预测贷款可以根据业务需求而定,本实施例对此不加以限制。
目标贷款额度是指待预测贷款的贷款额度,目标贷款期数是指待预测贷款的还款期数,例如,用户在某贷款平台借款20W,分12期还清,此时,可以将20W作为目标贷款额度,将12期作为目标贷款期数。
目标用户行为特征是指待预测贷款的借款用户在从指定贷款平台借该笔待预测贷款时所关联的特征,以及用户信用的特征,具体地,在本示例中,目标用户行为特征可以包括:用户浏览、交易、地址、设备和履约相关信息,以及待预测贷款的额度使用率(即借款额度与授信额度的比例)等信息。
在需要对待预测贷款的未来还款金额逾期率进行预测时,可以获取待预测贷款的目标贷款额度和目标贷款期数,以及与待预测贷款关联的用户行为特征。
在获取到目标贷款额度、目标贷款期数和目标用户行为特征之后,执行步骤102。
步骤102:将所述目标贷款额度、所述目标贷款期数和所述用户行为特征输入至目标生存分析模型,并获取由所述目标生存分析模型输出的所述待预测贷款对应的预测金额逾期率。
目标生存分析模型是指结合历史贷款数据训练得到的用于预测贷款的金额逾期率的模型,在本实施例中,目标生存分析模型可以是结合不同贷款额度的历史数据训练得到的模型,在具体实现中,可以将历史上某个月份的所有借据(即贷款)作为模型训练样本,这些借据均为已经超过还款期限的借据,当然,这些借据中包含有均未逾期的借据和有逾期期数的借据,同时也包含了不同贷款额度的借据等,通过综合多种不同贷款额度的借据对生存分析模型进行训练,可以提高模型预估的准确性,对于生存分析模型的训练过程将在下述实施例二中进行详细描述,本实施例在此不再加以赘述。
预测金额逾期率是指由目标生存分析模型预测得到的待预测贷款的逾期金额占总贷款额度比例的预测值。
在获取到待预测贷款的目标贷款额度和目标贷款期数,以及与待预测贷款关联的用户行为特征之后,可以将目标贷款额度、目标贷款期数和用户行为特征输入至目标生存分析模型,通过目标生存分析模型结合目标贷款额度、目标贷款期数和用户行为特征对待预测贷款进行处理,以预估得出待预测贷款的预测金额逾期率,对于该过程将在下述实施例二中进行详细描述,本实施例在此不再加以赘述。
在获取到由目标生存分析模型输出的待预测贷款对应的预测金额逾期率之后,执行步骤103。
步骤103:根据所述待预测贷款的贷款时间,获取与所述目标贷款期数相同的校准贷款。
校准贷款是指距离待预测贷款的贷款时间在预设时长内的与目标贷款额度相同的贷款,例如,待预测贷款为用户在2020年4月20日申请的贷款,贷款期数为三期,贷款额度为1000元,此时,可以将最近两三个月内的贷款期数为三期的贷款作为校准贷款。
校准贷款可以用于对待预测贷款的每期风险系数进行校准。由于模型是经过较长时间的样本训练得到的,而随着产品迭代和外部风险变化,不同放款月份的风险存在较大差异,如果在后续的预测上均使用建模样本上的基准风险系数,将会使得模型预测值出现较大偏差,通过结合校准贷款进行风险系数的校准,可以使得模型预测结果更为准确。
在获取到由目标生存分析模型输出的待预测贷款对应的预测金额逾期率之后,可以获取与所述目标贷款期数相同的贷款作为校准贷款。
在获取到与目标贷款期数相同的校准贷款之后,执行步骤104。
步骤104:根据所述校准贷款对所述预测金额逾期率进行校准处理,得到所述待预测贷款对应的目标金额逾期率。
在获取到校准贷款之后,可以根据校准贷款对预测金额逾期率进行校准处理,以得到待预测贷款对应的目标金额逾期率,具体地,可以结合校准贷款对待预测贷款的每期的风险系数进行预估,结合预估的风险系数去计算金额逾期率,从而可以得到较为准确的金额逾期率,对于具体地校准过程可以结合下述具体实现方式进行详细描述。
在本公开的一种具体实现方式中,上述步骤104可以包括:
子步骤A1:获取所述待预测贷款的每一期还款的逾期状态。
在本实施例中,还款状态可以用于指示待预测贷款的每一还款期数是否逾期的状态,例如,待预测贷款的总期数为12期,其中,第一期和第二期均已还款,而第三期到第十二期均未还款(逾期),此时,待预测贷款的每一期数的还款状态为:1和2期已还未逾期,3~12期逾期等。
可以理解地,上述示例仅是为了更好地理解本公开的实施例的技术方案而列举的示例,不作为对本实施例的唯一限制。
在获取到校准贷款之后,可以获取待预测贷款的每一期的逾期状态,进而执行子步骤A2。
子步骤A2:根据所述还款状态和所述校准贷款的逾期数据,计算得到所述待预测贷款中未还款期数对应的未还基准风险系数。
未还基准风险系数用于表示每一还款期数的逾期概率。
在得知待预测贷款的每一还款期数的还款状态之后,可以根据还款状态和校准贷款的还款数据计算得到待预测贷款中未还款期数的未还基准风险系数。具体地计算方式可以结合下述具体实现方式进行详细描述。
在本公开的另一种具体实现方式中,在所述待预测贷款的还款期数为三期时,上述子步骤A2可以包括:
子步骤B1:在所述还款状态为均未还款状态的情况下,根据所述校准贷款的还款数据,确定所述待预测贷款的第一期还款的第一基准风险系数。
在本实施例中,第一基准风险系数是指待预测贷款的第一期还款的基准风险系数。
在待预测贷款的每一还款期数的还款状态为均未还款状态的情况下,可以根据校准贷款的还款期数确定待预测贷款的第一期还款的第一基准风险系数,例如,如图3所示,以12期借据为例,以2019-01放款借据作为建模样本,则每一期的基准风险为2019-01放款借据在各期计算得到的基准风险,12期的借据则对应了12个基准风险值。假设需要对2020-04放款借据的基准风险进行校准。2020-04放款的借据,根据用户还款日的差异,可能在2020-05或2020-06出账。以2020-07-31作为观察时点,则此时所有第一期的借据均已过了还款日+31天,即可看到第一期是否m2+(即逾期30天以上)。根据模型预测结果和借据第一期是否逾期可以计算得到2020-04放款借据在第一期的基准风险。同理,对于2020-03放款的借据,此时可以计算得到第一期和第二期的基准风险。
具体地,结合图3所示,在对2020-04放款借据的基准风险进行校准,由于该放款借据均未开始还款,此时可以结合与2020-04放款借据放款额度相同的在2020-02已还款的借据作为校准贷款(即校准放款借据),且在该2020-02月分别还款了第1期、第2期和第3期,此时,可以将2020-02月还款的基准风险作为2020-04放款借据第一期还款的基准风险,即第一基准风险,即图所示h0(1)。
在确定待预测贷款的第一基准风险系数之后,执行子步骤B3。
子步骤B2:根据所述历史数据,确定所述待预测贷款的第一期还款和第二期还款之间的第一滚动系数。
第一滚动系数是指用于预估第二期还款的基准风险系数的滚动值。
在本示例中,在确定待预测贷款的第一基准风险系数之后,可以结合校准贷款的历史数据确定待预测贷款的第一期还款和第二期还款之间的第一滚动系数,如图3所示,要对2020-04放款第二期的基准风险进行预估,如果使用建模月份的值,由于时间差异过久,风险变化较大。已知2020-03放款前两期的基准风险,则可以计算得到第一期到第二期的滚动系数b1。
在根据历史数据确定待预测贷款的第一期还款和第二期还款之间的第一滚动系数之后,执行子步骤B3。
子步骤B3:根据所述第一基准风险系数和所述第一滚动系数,确定所述待预测贷款的第二期还款的第二基准风险系数。
第二基准风险系数是指用于对第二期还款的还款额度风险预测的系数。
在得到待预测贷款的第一期还款和第二期还款之间的第一滚动系数之后,可以根据第一基准风险系数和第二滚动系数确定待预测贷款的第二期还款的第二基准风险系数,具体地计算方式与第一基准风险系数的计算方式相似,本实施例在此不再加以赘述。
在根据第一基准风险系数和第一滚动系数确定出待预测贷款的第二期还款的第二基准风险系数之后,执行子步骤B4。
子步骤B4:根据所述第二基准风险系数和所述历史数据,确定所述待预测贷款的第二期还款与第三期还款之间的第二滚动系数。
第二滚动系数是指第二期还款到第三期还款的基准风险滚动的系数。
在得到第二基准风险系数之后,可以结合第二基准风险系数和历史数据确定出待预测贷款的第二期还款与第三期还款之间的第二滚动系数。
在确定出待预测贷款的第二期还款与第三期还款之间的第二滚动系数之后,执行子步骤B5。
子步骤B5:根据第二基准风险系数和所述第二滚动系数,确定所述待预测贷款的第三期还款的第三基准风险系数。
第三基准风险系数是指用于对第三期还款的还款额度风险预测的系数。
在得到待预测贷款的第二期还款与第三期还款之间的第二滚动系数之后,可以根据第二基准风险系数和第二滚动系数确定出待预测贷款的第三期还款的第三基准风险系数,具体地计算方式与第一基准风险系数的计算方式相似,本实施例在此不再加以赘述。
在根据第二基准风险系数和第二滚动系数确定出待预测贷款的第三期还款的第三基准风险系数之后,执行子步骤B6。
子步骤B6:将所述第一基准风险系数、所述第二基准风险系数和所述第三基准风险系数作为所述未还基准风险系数。
在得到第一基准风险系数、第二基准风险系数和第三基准风险系数之后,则可以将第一基准风险系数、第二基准风险系数和第三基准风险系数作为待预测贷款的未还贷款的未还基准风险系数,该未还基准风险系数可以应用于后续的对待预测贷款的目标金额逾期率进行计算的过程中。
在本公开的另一种具体实现方式中,在所述待预测贷款的还款期数为三期时,上述子步骤A2还可以包括:
子步骤C1:在所述还款状态为已还第一期还款的状态的情况下,获取所述待预测贷款的第一期还款的第四基准风险系数。
在本实施例中,第四基准风险系数是指用于对待预测贷款的第一期还款的逾期金额进行预估的风险系数。
在待预测贷款的第一期还款的还款状态为已还时,可以结合第一期还款的还款数据确定出待预测贷款的第一期还款的基准风险系数,即第四基准风险系数。
在获取到待预测贷款的第一期还款的第四基准风险系数之后,执行子步骤C2。
子步骤C2:根据所述第四基准风险系数和所述还款数据,确定所述待预测贷款的第一期还款和第二期还款之间的第三滚动系数。
第三滚动系数是指第一期还款的基准风险向第二期还款的基准风险滚动的系数。
在获取到待预测贷款的第一期还款的第四基准风险系数之后,可以根据第四基准风险系数和校准贷款的还款数据确定出待预测贷款的第一期还款和第二期还款之间的第三滚动系数,例如,如图3所示,在需要获取2020-04的第二期还款的基准风险系数时,可以根据2020-02元与待预测贷款的额度相同贷款的第二期还款的基准风险系数,结合该基准风险系数和第一基准风险系数计算得到待预测贷款的第一期还款和第二期还款之间的滚动系数,即第三滚动系数。
在获取到待预测贷款的第一期还款和第二期还款之间的第三滚动系数之后,执行子步骤C3。
子步骤C3:根据所述第四基准风险系数和所述第三滚动系数,确定所述待预测贷款的第二期还款的第五基准风险系数。
第五基准风险系数是指用于对待预测贷款的第二期还款的逾期金额进行预估的风险系数。
在得到待预测贷款的第一期还款和第二期还款之间的第三滚动系数之后,可以根据第四基准风险系数和第三滚动系数计算得到待预测贷款的第二期还款的第五基准风险系数。
在得到待预测贷款的第二期还款的第五基准风险系数之后,执行子步骤C4。
子步骤C4:根据所述第五基准风险系数和所述第四基准风险系数,确定所述待预测贷款的第二期还款和第三期还款之间的第四滚动系数。
第四滚动系数是指第二期还款的基准风险向第三期还款的基准风险滚动的系数。
在得到待预测贷款的第二期还款的第五基准风险系数之后,可以根据第五基准风险系数和第四基准风险系数确定出待预测贷款的第二期还款和第三期还款之间的第四滚动系数。
在确定出待预测贷款的第二期还款和第三期还款之间的第四滚动系数之后,执行子步骤C5。
子步骤C5:根据所述第五基准风险系数和所述第四滚动系数,确定所述待预测贷款的第三期还款的第六基准风险系数。
第六基准风险系数是指用于对待预测贷款的第三期还款的逾期金额进行预估的风险系数。
在得到第四滚动系数之后,可以结合第五基准风险系数和第四滚动系数计算得到待预测贷款的第三期还款的第六基准风险系数。
子步骤C6:将所述第四基准风险系数、所述第五基准风险系数和所述第六基准风险系数作为所述未还基准风险系数。
在通过上述步骤得到第四基准风险系数、第五基准风险系数和第六基准风险系数之后,可以将第四基准风险系数、第五基准风险系数和第六基准风险系数作为待预测贷款的未还基准风险系数,结合该未还基准风险系数对待预测贷款的金额逾期率进行预估。
可以理解地,上述两种具体实现方式仅是为了更好地理解本公开的实施例的技术方案而列出的两种方式,在具体实现中,待预测贷款的还款期数不仅限于三期,可以为12期、24期等,具体地,可以根据业务需求而定,本实施例对此不加以限制。
在得到待预测贷款的未还基准风险系数之后,执行子步骤A3。
子步骤A3:根据所述未还基准风险系数,确定所述待预测贷款的目标金额逾期率。
在得到待预测贷款的未还基准风险系数之后,可以根据未还基准风险系数对目标生存分析模型输出的预测金额逾期率进行校准,从而可以得到待预测贷款的目标金额逾期率。
本公开的实施例通过结合与目标贷款额度相同的校准贷款对预测金额逾期率进行校准,提高了贷款风险评估的准确性。
本公开的实施例提供的贷款风险评估方法,通过获取待预测贷款的目标贷款额度和目标贷款期数,及与待预测贷款关联的目标用户的目标用户行为特征,将目标贷款额度、目标贷款期数和用户行为特征输入至目标生存分析模型,并获取由目标生存分析模型输出的待预测贷款对应的预测金额逾期率,根据待预测贷款的贷款时间,获取与目标贷款期数相同的校准贷款,根据校准贷款对预测金额逾期率进行校准处理,得到待预测贷款对应的目标金额逾期率。本公开的实施例通过结合与目标贷款额度相同的校准贷款对预测金额逾期率进行校准,提高了贷款风险评估的准确性,且无需人工参与,降低了贷款风险评估的工作量。
实施例二
参照图2,示出了本公开的实施例提供的另一种贷款风险评估方法的步骤流程图,如图2所示,该贷款风险评估方法具体可以包括如下步骤:
步骤201:获取模型训练样本;所述模型训练样本包括:样本贷款的贷款额度、贷款状态标签和所述样本贷款关联的用户行为特征,所述模型训练样本对应于一个初始金额逾期率。
本公开的实施例可以应用于结合真实风险系数对模型预估风险结果进行校准,以提高贷款风险预测准确率的场景中。
模型训练样本是指用于对生存分析模型进行训练的样本,在本示例中,可以结合历史上某个月份的放款借据作为训练样本对生存分析模型进行训练,具体地,使用某一个月放款的所有借据为建模样本,将标签定义为是否m2+逾期(逾期30天以上),以及对应的生存期数。对于逾期借据,生存期数为已还款期数,对于未逾期期数,生存期数为借据期数。对于不同期数的借据,由于表现期不同,分别进行建模。
贷款额度是指样本贷款对应的总额度。
贷款状态标签是指用于指示样本贷款的每期还款状态的标签,在本实施例中,对于逾期借据,生存期数为已还款期数,对于未逾期期数,生存期数为借据期数,即通过生存期数作为样本贷款的贷款状态标签。
用户行为特征是指样本贷款的借款用户在从指定贷款平台借该笔样本贷款时所关联的特征,以及用户信用的特征,具体地,在本示例中,用户行为特征可以包括:用户浏览、交易、地址、设备和履约相关信息,以及样本贷款的额度使用率(即借款额度与授信额度的比例)等信息。
在需要对生存分析模型进行训练时,可以获取历史时期内某个月内的放款借据作为样本贷款,结合样本贷款的贷款额度、贷款状态标签和所述样本贷款关联的用户行为特征共同组成模型训练样本。
初始金额逾期率是指结合模型训练样本的真实逾期额度和借款总额度确定的,即样本借款数据的逾期额度/借款总额度。在得到模型训练样本之后,可以通过结合模型训练样本的真实逾期额度和借款总额度计算得到模型训练样本对应的初始金额逾期率。
在获取到模型训练样本之后,执行步骤202。
步骤202:将所述模型训练样本输入至初始生存分析模型,并获取由所述初始生存分析模型输出的所述样本贷款对应的金额逾期率。
初始生存分析模型是指还未进行训练的用于对贷款的金额逾期率进行预测的模型。
金额逾期率是指由初始生存分析模型预测得到的样本贷款的逾期金额的概率,例如,某个样本贷款的第二期逾期的概率为30%等,则将30%作为该样本贷款的第二期还款的金额逾期率。
可以理解地,上述示例仅是为了更好地理解本公开的实施例的技术方案而列举的示例,不作为对本实施例的唯一限制。
在获取到模型训练样本之后,可以将模型训练样本输入至初始生存分析模型,以由初始生存分析模型的对模型训练样本的样本特征(即贷款额度、用户行为特征、贷款状态标签等)进行处理,从而可以得到样本贷款对应的金额逾期率。具体地,可以结合下述具体实现方式进行详细描述。
在本公开的一种具体实现方式中,所述初始生存分析模型包括:预测值获取层、基准风险获取层、风险函数获取层和金额逾期率输出层,所述样本贷款对应于一个初始基准风险,上述步骤202可以包括:
子步骤D1:调用所述预测值获取层对所述贷款额度、所述贷款状态标签和所述用户行为特征进行处理,得到所述样本贷款对应的逾期预测值。
在本实施例中,初始生存分析模型可以包括:预测值获取层、基准风险获取层、风险函数获取层和金额逾期率输出层。
逾期预测值是指是由初始生存分析模型输出的样本贷款的逾期还款的预测值。
在将模型训练样本输入至初始生存分析模型之后,可以调用预测值获取层对样本贷款的贷款额度、贷款状态标签和用户行为特征进行处理,以得到样本贷款对应的逾期预测值f(x)。
在得到样本贷款对应的逾期预测值之后,执行子步骤D2。
子步骤D2:调用所述基准风险获取层根据所述逾期预测值和所述初始基准风险,计算得到所述样本贷款的每一期的基准风险系数。
在本实施例中,初始基准风险是指从建模样本中估计得到的,在具体实现中,在得到样本贷款之后,可以根据样本贷款每一期逾期的借据数进行基准风险的估计,以得到样本贷款对应的初始基准风险。
在得到样本贷款对应的逾期预测值之后,可以调用基准风险获取层根据逾期预测值和初始基准风险计算得到样本贷款的每一期的基准风险系数,具体地,风险函数通过半参数模型得到:h(t)=h0(t)*ef(x),其中f(x)为模型的预测值,x为用户行为特征向量,模型可以使用线性的cox模型,也可以使用改进生存分析损失函数的神经网络模型、梯度提升树等其他机器学习模型,这里使用基于xgboost的模型,并通过参数选择获得较好的模型效果;h0(t)为基准风险,表示在第t期整体的风险水平,可以根据breslow's estimator方法从建模样本中估计得到:其中D(t)为在第t期逾期的借据数,R(t)为截止到该期所有未逾期的借据集合。
建立模型后,可得到每一笔借据(即每个样本贷款)的模型预测值f(x),进一步计算得到风险函数h(t),并根据建模样本上的预测值和真实值计算得到每一期的基准风险系数h0(t)。
在计算得到样本贷款的每一期的基准风险系数之后,执行子步骤D3。
子步骤D3:调用所述风险函数获取层根据所述基准风险系数和所述逾期预测值,计算得到所述样本贷款对应的风险函数。
子步骤D4:调用所述金额逾期率输出层根据所述基准风险系数和所述风险函数,得到并输出所述样本贷款对应的金额逾期率。
在初始生存分析模型中,可以使用生存函数S(t)表示借据在t期仍然存活(未逾期)的概率,使用风险函数h(t)表示借据在第t-1期仍未逾期,但在第t期逾期的概率,p(t)为在借据在第t期逾期的概率,其中,p(t)为初始生存分析模型训练过程中产生的中间值,可以用于作为计算风险函数的参数。
在计算得到样本贷款的每一期的基准风险系数之后,可以调用风险函数获取层根据基准风险系数和逾期预测值计算得到样本贷款对应的风险函数,具体地,每一笔借据的风险函数h(t)可以表示为将生存函数写成条件生存概率的乘积形式,可以得到根据风险函数h(t)可得到每一期的生存概率以及绘制生存概率曲线,也可进一步计算得到归一化的逾期期数的期望从而对应到每笔借据的金额逾期率。
在得到样本贷款的金额逾期率之后,执行步骤203。
步骤203:根据所述金额逾期率和所述初始金额逾期率,计算得到所述初始生存分析模型的损失值。
在得到样本贷款的金额逾期率之后,可以根据真实金额逾期率和预测金额逾期率计算得到初始生存分析模型的损失值。
在计算得到初始生存分析模型的损失值之后,执行步骤204,或者执行步骤205。
步骤204:在所述损失值处于预设范围内的情况下,将训练后的初始生存分析模型作为所述目标生存分析模型。
预设范围是指由业务人员预先设置的用于判定模型训练程度是否满足业务需求的损失值范围。
在计算得到初始生存分析模型的损失值之后,可以判断损失值是否处于预设范围内。
若该损失值处于预设范围内,则表示初始生存分析模型的训练程度已经能够满足业务需求,此时,可以将训练后的初始生存模型作为目标生存分析模型,该目标生存分析模型可以应用于后续对贷款的风险预测过程。
步骤205:在所述损失值未处于预设范围内的情况下,根据模型训练样本继续对所述初始生存分析模型进行训练,直至得到所述目标生存分析模型。
若该损失值处于预设范围之外,则表示初始生存分析模型的训练程度还不能够满足业务需求,此时,可以继续结合更多的模型训练样本对初始生存分析模型进行训练,直至损失值处于预设范围内,进而可以得到目标生存分析模型。
步骤206:获取待预测贷款的目标贷款额度和目标贷款期数,及与所述待预测贷款关联的目标用户的目标用户行为特征。
本公开的实施例可以应用于结合真实风险系数对模型预估风险结果进行校准,以提高贷款风险预测准确率的场景中。
待预测贷款是指需要进行还款逾期率预测的贷款,在本示例中,待预测贷款可以为已还部分还款期数的贷款,也可以为还未开始还款的贷款,具体地,对于待预测贷款可以根据业务需求而定,本实施例对此不加以限制。
目标贷款额度是指待预测贷款的贷款额度,目标贷款期数是指待预测贷款的还款期数,例如,用户在某贷款平台借款20W,分12期还清,此时,可以将20W作为目标贷款额度,将12期作为目标贷款期数。
目标用户行为特征是指待预测贷款的借款用户在从指定贷款平台借该笔待预测贷款时所关联的特征,以及用户信用的特征,具体地,在本示例中,目标用户行为特征可以包括:用户浏览、交易、地址、设备和履约相关信息,以及待预测贷款的额度使用率(即借款额度与授信额度的比例)等信息。
在需要对待预测贷款的未来还款金额逾期率进行预测时,可以获取待预测贷款的目标贷款额度和目标贷款期数,以及与待预测贷款关联的用户行为特征。
在获取到目标贷款额度、目标贷款期数和目标用户行为特征之后,执行步骤207。
步骤207:将所述目标贷款额度、所述目标贷款期数和所述用户行为特征输入至目标生存分析模型,并获取由所述目标生存分析模型输出的所述待预测贷款对应的预测金额逾期率。
目标生存分析模型是指结合历史贷款数据训练得到的用于预测贷款的金额逾期率的模型,在本实施例中,目标生存分析模型可以是结合不同贷款额度的历史数据训练得到的模型,在具体实现中,可以将历史上某个月份的所有借据(即贷款)作为模型训练样本,这些借据均为已经超过还款期限的借据,当然,这些借据中包含有均未逾期的借据和有逾期期数的借据,同时也包含了不同贷款额度的借据等,通过综合多种不同贷款额度的借据对生存分析模型进行训练,可以提高模型预估的准确性。
预测金额逾期率是指由目标生存分析模型预测得到的待预测贷款的逾期金额占总贷款额度比例的预测值。
在获取到待预测贷款的目标贷款额度和目标贷款期数,以及与待预测贷款关联的用户行为特征之后,可以将目标贷款额度、目标贷款期数和用户行为特征输入至目标生存分析模型,通过目标生存分析模型结合目标贷款额度、目标贷款期数和用户行为特征对待预测贷款进行处理,以预估得出待预测贷款的预测金额逾期率,具体地获取过程类似于模型训练过程,本实施例对于该过程不再加以详细赘述。
在获取到由目标生存分析模型输出的待预测贷款对应的预测金额逾期率之后,执行步骤208。
步骤208:根据所述待预测贷款的贷款时间,获取与所述目标贷款期数相同的校准贷款。
校准贷款是指距离待预测贷款的贷款时间在预设时长内的与目标贷款额度相同的贷款,例如,待预测贷款为用户在2020年4月20日申请的贷款,贷款额度为1000元,此时,可以将最近两三个月内的贷款额度为1000元的贷款作为校准贷款,如其他用户在2020年2月20日申请的1000元额度的贷款,或2020年1月20日申请的1000元额度的贷款等。
校准贷款可以用于对待预测贷款的每期风险系数进行校准。由于模型是经过较长时间的样本训练得到的,而随着产品迭代和外部风险变化,不同放款月份的风险存在较大差异,如果在后续的预测上均使用建模样本上的基准风险系数,将会使得模型预测值出现较大偏差,通过结合校准贷款进行风险系数的校准,可以使得模型预测结果更为准确。
在获取到由目标生存分析模型输出的待预测贷款对应的预测金额逾期率之后,可以获取与所述目标贷款期数相同的贷款作为校准贷款。
在获取到由目标生存分析模型输出的待预测贷款对应的预测金额逾期率之后,可以根据待预测贷款的贷款时间获取与目标贷款期数相同的校准贷款。
在获取到与目标贷款期数相同的校准贷款之后,执行步骤209。
步骤209:根据所述校准贷款对所述预测金额逾期率进行校准处理,得到所述待预测贷款对应的目标金额逾期率。
在获取到校准贷款之后,可以根据校准贷款对预测金额逾期率进行校准处理,以得到待预测贷款对应的目标金额逾期率,具体地,可以结合校准贷款对待预测贷款的每期的风险系数进行预估,结合预估的风险系数去计算金额逾期率,从而可以得到较为准确的金额逾期率,具体地校准过程可以如上述实施例一中步骤104的描述,本实施例在此不再加以赘述。
本公开的实施例通过结合与目标贷款额度相同的校准贷款对预测金额逾期率进行校准,提高了贷款风险评估的准确性。
本公开的实施例提供的贷款风险评估方法,通过获取待预测贷款的目标贷款额度和目标贷款期数,及与待预测贷款关联的目标用户的目标用户行为特征,将目标贷款额度、目标贷款期数和用户行为特征输入至目标生存分析模型,并获取由目标生存分析模型输出的待预测贷款对应的预测金额逾期率,根据待预测贷款的贷款时间,获取与目标贷款期数相同的校准贷款,根据校准贷款对预测金额逾期率进行校准处理,得到待预测贷款对应的目标金额逾期率。本公开的实施例通过结合与目标贷款额度相同的校准贷款对预测金额逾期率进行校准,提高了贷款风险评估的准确性,且无需人工参与,降低了贷款风险评估的工作量。
实施例三
参照图4,示出了本公开的实施例提供的一种贷款风险评估装置的结构示意图,如图4所示,该贷款风险评估装置300具体可以包括如下模块:
目标贷款特征获取模块310,用于获取待预测贷款的目标贷款额度和目标贷款期数,及与所述待预测贷款关联的目标用户的目标用户行为特征;
预测逾期率获取模块320,用于将所述目标贷款额度、所述目标贷款期数和所述用户行为特征输入至目标生存分析模型,并获取由所述目标生存分析模型输出的所述待预测贷款对应的预测金额逾期率;
校准贷款获取模块330,用于根据所述待预测贷款的贷款时间,获取与所述目标贷款期数相同的校准贷款;
目标逾期率获取模块340,用于根据所述校准贷款对所述预测金额逾期率进行校准处理,得到所述待预测贷款对应的目标金额逾期率。
可选地,所述装置还包括:
训练样本获取模块,用于获取模型训练样本;所述模型训练样本包括:样本贷款的贷款额度、贷款状态标签和所述样本贷款关联的用户行为特征,所述模型训练样本对应于一个初始金额逾期率;
金额逾期率获取模块,用于将所述模型训练样本输入至初始生存分析模型,并获取由所述初始生存分析模型输出的所述样本贷款对应的金额逾期率;
损失值计算模块,用于根据所述金额逾期率和所述初始金额逾期率,计算得到所述初始生存分析模型的损失值;
第一目标模块获取模块,用于在所述损失值处于预设范围内的情况下,将训练后的初始生存分析模型作为所述目标生存分析模型;
第二目标模型获取模块,用于在所述损失值未处于预设范围内的情况下,根据模型训练样本继续对所述初始生存分析模型进行训练,直至得到所述目标生存分析模型。
可选地,所述初始生存分析模型包括:预测值获取层、基准风险获取层、风险函数获取层和金额逾期率输出层,所述样本贷款对应于一个初始基准风险,
所述金额逾期率获取模块包括:
逾期预测值获取单元,用于调用所述预测值获取层对所述贷款额度、所述贷款状态标签和所述用户行为特征进行处理,得到所述样本贷款对应的逾期预测值;
基准风险系数计算单元,用于调用所述基准风险获取层根据所述逾期预测值和所述初始基准风险,计算得到所述样本贷款的每一期的基准风险系数;
风险函数计算单元,用于调用所述风险函数获取层根据所述基准风险系数和所述逾期预测值,计算得到所述样本贷款对应的风险函数;
金额逾期率获取单元,用于调用所述金额逾期率输出层根据所述基准风险系数和所述风险函数,得到并输出所述样本贷款对应的金额逾期率。
可选地,所述目标逾期率获取模块340包括:
还款状态获取单元,用于获取所述待预测贷款的每一还款期数的还款状态;
未还基准风险系数计算单元,用于根据所述还款状态和所述校准贷款的还款数据,计算得到所述待预测贷款中未还款期数对应的未还基准风险系数;
目标逾期率确定单元,用于根据所述未还基准风险系数,确定所述待预测贷款的目标金额逾期率。
可选地,在所述待预测贷款的还款期数为三期时,
所述未还基准风险系数计算单元包括:
第一风险系数确定子单元,用于在所述还款状态为均未还款状态的情况下,根据所述校准贷款的还款数据,确定所述待预测贷款的第一期还款的第一基准风险系数;
第一滚动系数确定子单元,用于根据所述历史数据,确定所述待预测贷款的第一期还款和第二期还款之间的第一滚动系数;
第二风险系数确定子单元,用于根据所述第一基准风险系数和所述第一滚动系数,确定所述待预测贷款的第二期还款的第二基准风险系数;
第二滚动系数确定子单元,用于根据所述第二基准风险系数和所述历史数据,确定所述待预测贷款的第二期还款与第三期还款之间的第二滚动系数;
第三风险系数确定子单元,用于根据第二基准风险系数和所述第二滚动系数,确定所述待预测贷款的第三期还款的第三基准风险系数;
第一未还系数获取子单元,用于将所述第一基准风险系数、所述第二基准风险系数和所述第三基准风险系数作为所述未还基准风险系数。
可选地,在所述待预测贷款的还款期数为三期时,
所述未还基准风险系数计算单元包括:
第四风险系数获取子单元,用于在所述还款状态为已还第一期还款的状态的情况下,获取所述待预测贷款的第一期还款的第四基准风险系数;
第三滚动系数确定子单元,用于根据所述第四基准风险系数和所述还款数据,确定所述待预测贷款的第一期还款和第二期还款之间的第三滚动系数;
第五风险系数获取子单元,用于根据所述第四基准风险系数和所述第三滚动系数,确定所述待预测贷款的第二期还款的第五基准风险系数;
第四滚动系数确定子单元,用于根据所述第五基准风险系数和所述第四基准风险系数,确定所述待预测贷款的第二期还款和第三期还款之间的第四滚动系数;
第六风险系数获取子单元,用于根据所述第五基准风险系数和所述第四滚动系数,确定所述待预测贷款的第三期还款的第六基准风险系数;
第二未还系数获取子单元,用于将所述第四基准风险系数、所述第五基准风险系数和所述第六基准风险系数作为所述未还基准风险系数。
本公开的实施例提供的贷款风险评估装置,通过获取待预测贷款的目标贷款额度和目标贷款期数,及与待预测贷款关联的目标用户的目标用户行为特征,将目标贷款额度、目标贷款期数和用户行为特征输入至目标生存分析模型,并获取由目标生存分析模型输出的待预测贷款对应的预测金额逾期率,根据待预测贷款的贷款时间,获取与目标贷款期数相同的校准贷款,根据校准贷款对预测金额逾期率进行校准处理,得到待预测贷款对应的目标金额逾期率。本公开的实施例通过结合与目标贷款额度相同的校准贷款对预测金额逾期率进行校准,提高了贷款风险评估的准确性,且无需人工参与,降低了贷款风险评估的工作量。
本公开的实施例还提供了一种电子设备,包括:处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现前述实施例的贷款风险评估方法。
本公开的实施例还提供了一种可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行前述实施例的贷款风险评估方法。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本公开的实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本公开的实施例的内容,并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本公开的示例性实施例的描述中,本公开的实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本公开的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本公开的实施例的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。
本公开的实施例的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开的实施例的动态图片的生成设备中的一些或者全部部件的一些或者全部功能。本公开的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的实施例的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述仅为本公开的实施例的较佳实施例而已,并不用以限制本公开的实施例,凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本公开的实施例的保护范围之内。
以上所述,仅为本公开的实施例的具体实施方式,但本公开的实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开的实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的实施例的保护范围之内。因此,本公开的实施例的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种贷款风险评估方法,其特征在于,包括:
获取待预测贷款的目标贷款额度和目标贷款期数,及与所述待预测贷款关联的目标用户的目标用户行为特征;
将所述目标贷款额度、所述目标贷款期数和所述用户行为特征输入至目标生存分析模型,并获取由所述目标生存分析模型输出的所述待预测贷款对应的预测金额逾期率;
根据所述待预测贷款的贷款时间,获取与所述目标贷款期数相同的校准贷款;
根据所述校准贷款对所述预测金额逾期率进行校准处理,得到所述待预测贷款对应的目标金额逾期率。
2.根据权利要求1所述的方法,其特征在于,在所述获取待预测贷款的目标贷款额度和目标贷款期数,及与所述待预测贷款关联的目标用户的目标用户行为特征之前,还包括:
获取模型训练样本;所述模型训练样本包括:样本贷款的贷款额度、贷款状态标签和所述样本贷款关联的用户行为特征,所述模型训练样本对应于一个初始金额逾期率;
将所述模型训练样本输入至初始生存分析模型,并获取由所述初始生存分析模型输出的所述样本贷款对应的金额逾期率;
根据所述金额逾期率和所述初始金额逾期率,计算得到所述初始生存分析模型的损失值;
在所述损失值处于预设范围内的情况下,将训练后的初始生存分析模型作为所述目标生存分析模型;
在所述损失值未处于预设范围内的情况下,根据模型训练样本继续对所述初始生存分析模型进行训练,直至得到所述目标生存分析模型。
3.根据权利要求2所述的方法,其特征在于,所述初始生存分析模型包括:预测值获取层、基准风险获取层、风险函数获取层和金额逾期率输出层,所述样本贷款对应于一个初始基准风险,
所述获取由所述初始生存分析模型输出的所述样本贷款对应的金额逾期率,包括:
调用所述预测值获取层对所述贷款额度、所述贷款状态标签和所述用户行为特征进行处理,得到所述样本贷款对应的逾期预测值;
调用所述基准风险获取层根据所述逾期预测值和所述初始基准风险,计算得到所述样本贷款的每一期的基准风险系数;
调用所述风险函数获取层根据所述基准风险系数和所述逾期预测值,计算得到所述样本贷款对应的风险函数;
调用所述金额逾期率输出层根据所述基准风险系数和所述风险函数,得到并输出所述样本贷款对应的金额逾期率。
4.根据权利要求1所述的方法,其特征在于,所述根据所述校准贷款对所述预测金额逾期率进行校准处理,得到所述待预测贷款对应的目标金额逾期率,包括:
获取所述待预测贷款的每一还款期数的还款状态;
根据所述还款状态和所述校准贷款的还款数据,计算得到所述待预测贷款中未还款期数对应的未还基准风险系数;
根据所述未还基准风险系数,确定所述待预测贷款的目标金额逾期率。
5.根据权利要求4所述的方法,其特征在于,在所述待预测贷款的还款期数为三期时,
所述根据所述还款状态和所述校准贷款的还款数据,计算得到所述待预测贷款中未还款期数对应的未还基准风险系数,包括:
在所述还款状态为均未还款状态的情况下,根据所述校准贷款的还款数据,确定所述待预测贷款的第一期还款的第一基准风险系数;
根据所述历史数据,确定所述待预测贷款的第一期还款和第二期还款之间的第一滚动系数;
根据所述第一基准风险系数和所述第一滚动系数,确定所述待预测贷款的第二期还款的第二基准风险系数;
根据所述第二基准风险系数和所述历史数据,确定所述待预测贷款的第二期还款与第三期还款之间的第二滚动系数;
根据第二基准风险系数和所述第二滚动系数,确定所述待预测贷款的第三期还款的第三基准风险系数;
将所述第一基准风险系数、所述第二基准风险系数和所述第三基准风险系数作为所述未还基准风险系数。
6.根据权利要求4所述的方法,其特征在于,在所述待预测贷款的还款期数为三期时,
所述根据所述还款状态和所述校准贷款的还款数据,计算得到所述待预测贷款中未还款期数对应的未还基准风险系数,包括:
在所述还款状态为已还第一期还款的状态的情况下,获取所述待预测贷款的第一期还款的第四基准风险系数;
根据所述第四基准风险系数和所述还款数据,确定所述待预测贷款的第一期还款和第二期还款之间的第三滚动系数;
根据所述第四基准风险系数和所述第三滚动系数,确定所述待预测贷款的第二期还款的第五基准风险系数;
根据所述第五基准风险系数和所述第四基准风险系数,确定所述待预测贷款的第二期还款和第三期还款之间的第四滚动系数;
根据所述第五基准风险系数和所述第四滚动系数,确定所述待预测贷款的第三期还款的第六基准风险系数;
将所述第四基准风险系数、所述第五基准风险系数和所述第六基准风险系数作为所述未还基准风险系数。
7.一种贷款风险评估装置,其特征在于,包括:
目标贷款特征获取模块,用于获取待预测贷款的目标贷款额度和目标贷款期数,及与所述待预测贷款关联的目标用户的目标用户行为特征;
预测逾期率获取模块,用于将所述目标贷款额度、所述目标贷款期数和所述用户行为特征输入至目标生存分析模型,并获取由所述目标生存分析模型输出的所述待预测贷款对应的预测金额逾期率;
校准贷款获取模块,用于根据所述待预测贷款的贷款时间,获取与所述目标贷款期数相同的校准贷款;
目标逾期率获取模块,用于根据所述校准贷款对所述预测金额逾期率进行校准处理,得到所述待预测贷款对应的目标金额逾期率。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
训练样本获取模块,用于获取模型训练样本;所述模型训练样本包括:样本贷款的贷款额度、贷款状态标签和所述样本贷款关联的用户行为特征,所述模型训练样本对应于一个初始金额逾期率;
金额逾期率获取模块,用于将所述模型训练样本输入至初始生存分析模型,并获取由所述初始生存分析模型输出的所述样本贷款对应的金额逾期率;
损失值计算模块,用于根据所述金额逾期率和所述初始金额逾期率,计算得到所述初始生存分析模型的损失值;
第一目标模块获取模块,用于在所述损失值处于预设范围内的情况下,将训练后的初始生存分析模型作为所述目标生存分析模型;
第二目标模型获取模块,用于在所述损失值未处于预设范围内的情况下,根据模型训练样本继续对所述初始生存分析模型进行训练,直至得到所述目标生存分析模型。
9.一种电子设备,其特征在于,包括:
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1至6中任一项所述的贷款风险评估方法。
10.一种可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行权利要求1至6中任一项所述的贷款风险评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110497295.8A CN115311066A (zh) | 2021-05-07 | 2021-05-07 | 贷款风险评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110497295.8A CN115311066A (zh) | 2021-05-07 | 2021-05-07 | 贷款风险评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115311066A true CN115311066A (zh) | 2022-11-08 |
Family
ID=83853125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110497295.8A Pending CN115311066A (zh) | 2021-05-07 | 2021-05-07 | 贷款风险评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115311066A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541391A (zh) * | 2023-11-21 | 2024-02-09 | 广州保德来小额贷款有限公司 | 一种在线智能合约创建及履约监控方法及系统 |
-
2021
- 2021-05-07 CN CN202110497295.8A patent/CN115311066A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541391A (zh) * | 2023-11-21 | 2024-02-09 | 广州保德来小额贷款有限公司 | 一种在线智能合约创建及履约监控方法及系统 |
CN117541391B (zh) * | 2023-11-21 | 2024-04-09 | 广州保德来小额贷款有限公司 | 一种在线智能合约创建及履约监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20060195391A1 (en) | Modeling loss in a term structured financial portfolio | |
Corcos et al. | Leaving the market or reducing the coverage? A model-based experimental analysis of the demand for insurance | |
CN112116245A (zh) | 信贷风险评估方法、装置、计算机设备及存储介质 | |
JP2017511559A (ja) | フレキシブルなリスク移転構造に基づく適応連結システムおよび該システムに対応する方法 | |
CN115311066A (zh) | 贷款风险评估方法及装置 | |
Goktas et al. | The analysis of external debt sustainability by periodic unit root test with structural break: The case of Turkey | |
CN116542760A (zh) | 一种用于评估数据的方法和装置 | |
CN111382909A (zh) | 基于生存分析模型扩展坏样本的拒绝推断方法及相关设备 | |
CN115311077A (zh) | 贷款信息处理方法、服务器、应用端和系统 | |
CN111899093B (zh) | 一种违约损失率的预测方法及装置 | |
CN108256667A (zh) | 资产数据处理方法、装置、存储介质和计算机设备 | |
CN113129127A (zh) | 预警方法和装置 | |
CN113592263A (zh) | 基于动态资源归还增比的资源归还增量预测方法和装置 | |
WO2020235520A1 (ja) | 情報処理装置、情報処理システム、および情報処理プログラム | |
CN113807943A (zh) | 一种不良资产的多因子估值方法及系统、介质、设备 | |
JP2002230273A (ja) | 事業リスク管理方法 | |
EP0978795A2 (en) | Evaluation of optimum risk financing for risk associated contingencies | |
Rey et al. | The Role of Financial Reporting Quality in Accessing to Financial Debt: Evidence From Italy | |
CN115983884A (zh) | 现金流估值模型构建方法及装置 | |
CN117808507A (zh) | 数据资产估值方法、装置、电子设备及存储介质 | |
CN114240640A (zh) | 一种数据处理匹配方法、装置、设备及存储介质 | |
JP2006313394A (ja) | キャッシュフロー予測方法及び装置 | |
CN117764696A (zh) | 一种估值方法、装置、电子设备及存储介质 | |
JP6451037B2 (ja) | 情報処理装置、方法及びプログラム | |
CN116702991A (zh) | 基于数据拟合模型的数据预测方法、装置、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 |