CN115545882A - 一种基于新增信贷不良率的信贷风险预测方法 - Google Patents
一种基于新增信贷不良率的信贷风险预测方法 Download PDFInfo
- Publication number
- CN115545882A CN115545882A CN202211074733.0A CN202211074733A CN115545882A CN 115545882 A CN115545882 A CN 115545882A CN 202211074733 A CN202211074733 A CN 202211074733A CN 115545882 A CN115545882 A CN 115545882A
- Authority
- CN
- China
- Prior art keywords
- credit
- data
- classification
- newly added
- type
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
- G06F16/2379—Updates performed during online database operations; commit processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于新增信贷不良率的信贷风险预测方法,包括:统计现有信贷数据,将现有信贷数据按信贷五级分类大类型分类并进行大类型细分,设置信贷不良率标准参照类型库;实时监测新增信贷信息数据,统计新增信贷信息数据,获得新增信贷信息监测数据;对新增信贷信息监测数据进行预处理,并通过多分类支持向量机信贷分类模型进行信贷不良率标准参照类型分析,获得新增信贷不良率标准参照类型;根据新增信贷不良率标准参照类型,通过新增信贷不良率风险预测模型,进行新增信贷风险智能预警预测。
Description
技术领域
本发明涉及创新金融科技智能预测技术领域,更具体地说,本发明涉及一种基于新增信贷不良率的信贷风险预测方法。
背景技术
现阶段,新增信贷不良率的预测仍需通过大量的人力跟踪分析,存在以下问题:如何将现有信贷五级分类细分、如何监测统计新增信贷信息数据、如何进行新增信贷风险智能预警预测等;以及如何设置信贷不良率标准参照类型库、实时监测信贷信息变化数据、建立新增信贷不良率风险预测模型及预测新增信贷不良率增长趋势等仍待进一步解决;因此,有必要提出一种基于新增信贷不良率的信贷风险预测方法,以至少部分地解决现有技术中存在的问题。
发明内容
在发明内容部分中引入了一系列简化形式的概念,这将在具体实施方式部分中进一步详细说明;本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征,更不意味着试图确定所要求保护的技术方案的保护范围。
为至少部分地解决上述问题,本发明提供了一种基于新增信贷不良率的信贷风险预测方法,包括:
S100,统计现有信贷数据,将现有信贷数据按信贷五级分类大类型分类并进行大类型细分,设置信贷不良率标准参照类型库;
S200,实时监测新增信贷信息数据,统计新增信贷信息数据,获得新增信贷信息监测数据;
S300,对新增信贷信息监测数据进行预处理,并通过多分类支持向量机信贷分类模型进行信贷不良率标准参照类型分析,获得新增信贷不良率标准参照类型;
S400,根据新增信贷不良率标准参照类型,通过新增信贷不良率风险预测模型,进行新增信贷风险智能预警预测。
优选的,所述S100包括:
S101,通过对信贷数据进行统计分析,统计现有信贷数据;
S102,根据现有信贷数据,按照信贷五级分类,将现有信贷数据分为信贷五级分类大类型;
S103,将信贷五级分类大类型进一步进行细分,设置信贷不良率标准参照类型库。
优选的,所述S200包括:
S201,建立信贷信息监测网络,通过信贷信息监测网络实时监测信贷信息变化数据;
S202,根据监测信贷信息变化数据,当出现新增信贷信息时,统计新增信贷信息数据;
S203,将新增信贷信息数据存储到信贷不良率标准参照类型库,获得新增信贷信息监测数据。
优选的,所述S300包括:
S301,对新增信贷信息监测数据进行数据预处理,获得新增信贷信息监测数据预处理数据;
S302,建立多分类支持向量机信贷分类模型,将新增信贷信息监测数据预处数据输入多分类支持向量机信贷分类模型;
S303,通过多分类支持向量机信贷分类模型,进行信贷不良率标准参照类型分析,获得新增信贷不良率标准参照类型。
优选的,所述S400包括:
S401,根据新增信贷不良率标准参照类型,建立新增信贷不良率风险预测模型;
S402,新增信贷不良率风险预测模型通过决策曲线分析预测新增信贷不良率增长趋势;
S403,根据新增信贷不良率增长趋势,进行新增信贷风险智能预警预测。
优选的,所述S103包括:
S1031,将信贷五级分类大类型的每种类型进一步按照细分型参照标准进行细分;
S1032,按照细分型参照标准进行细分包括:将信贷五级分类大类型包括:信贷正常大类型、信贷关注大类型、信贷次级大类型、信贷可疑大类型及信贷损失大类型,将信贷五级分类大类型的每种类型进一步细分;将信贷正常大类型细分为:信贷正常大额类型、信贷正常中额类型、信贷正常小额类型;将信贷关注大类型细分为:信贷关注大额类型、信贷关注中额类型、信贷关注小额类型;将信贷次级大类型细分为:信贷次级大额类型、信贷次级中额类型、信贷次级小额类型;将信贷可疑大类型细分为:信贷可疑大额类型、信贷可疑中额类型、信贷可疑小额类型;将信贷损失大类型细分为:信贷损失大额类型、信贷损失中额类型、信贷损失小额类型;获得现有信贷数据细分型参照分类;
S1033,根据现有信贷数据细分型参照分类,设置信贷不良率标准参照类型库。
优选的,所述S201包括:
S2011,通过信贷信息大数据监测,建立信贷信息监测网络;
S2012,信贷信息大数据监测包括:信贷资金流向大数据监测、信贷资金使用大数据监测、信贷资金收益大数据监测、信贷资金异常大数据监测、信贷资金损失大数据监测及信贷资金偿还大数据监测;
S2013,通过信贷信息监测网络,根据信贷信息大数据监测,监测信贷资金流向大数据、信贷资金使用大数据、信贷资金收益大数据、信贷资金异常大数据、信贷资金损失大数据及信贷资金偿还大数据,实时监测信贷信息变化数据。
优选的,所述S302包括:
S3021,将现有信贷数据作为多分类支持向量机信贷分类模型的信贷分类机器学习样本数据集;
S3022,将信贷分类机器学习样本数据集的信贷不良率标准参照类型作为多分类支持向量机的输出,通过信贷分类机器学习样本数据集对多分类支持向量机信贷分类模型进行训练,建立多分类支持向量机信贷分类模型;求解有约束信贷分类最优化,应用拉格朗日对偶性,通过求解信贷分类对偶分类得到信贷分类原始分类最优解,并通过自然引入信贷分类计算核函数,进而快速推导出非线性信贷分类;
S3023,将新增信贷信息监测数据预处数据输入多分类支持向量机信贷分类模型。
优选的,所述S402包括:
S4021,按信贷五级分类大类型分类的新增信贷不良贷款本金余额与总体贷款本金余额之比,进行新增信贷不良率的判定;
S4022,设定信贷不良贷款本金余额与总体贷款本金余额之比,为新增信贷不良率预测阈值;建立基于决策曲线分析的新增信贷不良率风险预测模型;
S4023,将新增信贷不良贷款本金余额与总体贷款本金余额之比与新增信贷不良率预测阈值,通过决策曲线分析预测新增信贷不良率增长趋势。
优选的,所述S403包括:
S4031,根据新增信贷不良率增长趋势,当新增信贷不良贷款本金余额与总体贷款本金余额之比,小于新增信贷不良率预测阈值时,判定为新增信贷不良率未超出预测风险预警范围;
S4032,当新增信贷不良贷款本金余额与总体贷款本金余额之比,大于或等于新增信贷不良率预测阈值时,判定为新增信贷不良率超出预测风险预警范围;
S4033,当新增信贷不良率超出预测风险预警范围,发出新增信贷不良率信贷风险预警,进行新增信贷风险智能预警预测。
相比现有技术,本发明至少包括以下有益效果:
本发明提供了一种基于新增信贷不良率的信贷风险预测方法,通过统计现有信贷数据,将现有信贷数据按信贷五级分类大类型分类并进行大类型细分,设置信贷不良率标准参照类型库;实时监测新增信贷信息数据,统计新增信贷信息数据,获得新增信贷信息监测数据;对新增信贷信息监测数据进行预处理,并通过多分类支持向量机信贷分类模型进行信贷不良率标准参照类型分析,获得新增信贷不良率标准参照类型;根据新增信贷不良率标准参照类型,通过新增信贷不良率风险预测模型,进行新增信贷风险智能预警预测;通过对信贷数据进行统计分析,统计现有信贷数据;根据现有信贷数据,按照信贷五级分类,将现有信贷数据分为信贷五级分类大类型;将信贷五级分类大类型进一步进行细分,设置信贷不良率标准参照类型库;建立信贷信息监测网络,通过信贷信息监测网络实时监测信贷信息变化数据;根据监测信贷信息变化数据,当出现新增信贷信息时,统计新增信贷信息数据;将新增信贷信息数据存储到信贷不良率标准参照类型库,获得新增信贷信息监测数据;对新增信贷信息监测数据进行数据预处理,获得新增信贷信息监测数据预处理数据;建立多分类支持向量机信贷分类模型,将新增信贷信息监测数据预处数据输入多分类支持向量机信贷分类模型;通过多分类支持向量机信贷分类模型,进行信贷不良率标准参照类型分析,获得新增信贷不良率标准参照类型;根据新增信贷不良率标准参照类型,建立新增信贷不良率风险预测模型;新增信贷不良率风险预测模型通过决策曲线分析预测新增信贷不良率增长趋势;根据新增信贷不良率增长趋势,进行新增信贷风险智能预警预测。
本发明所述的一种基于新增信贷不良率的信贷风险预测方法,本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明所述的一种基于新增信贷不良率的信贷风险预测方法步骤流程图。
图2为本发明所述的一种基于新增信贷不良率的信贷风险预测方法一个实施例图。
图3为本发明所述的一种基于新增信贷不良率的信贷风险预测方法另一实施例归因不良率的自动化归因输出报表。
具体实施方式
下面结合附图以及实施例对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施;如图1-3所示,本发明提供了一种基于新增信贷不良率的信贷风险预测方法,包括:
S100,统计现有信贷数据,将现有信贷数据按信贷五级分类大类型分类并进行大类型细分,设置信贷不良率标准参照类型库;
S200,实时监测新增信贷信息数据,统计新增信贷信息数据,获得新增信贷信息监测数据;
S300,对新增信贷信息监测数据进行预处理,并通过多分类支持向量机信贷分类模型进行信贷不良率标准参照类型分析,获得新增信贷不良率标准参照类型;
S400,根据新增信贷不良率标准参照类型,通过新增信贷不良率风险预测模型,进行新增信贷风险智能预警预测。
上述技术方案的工作原理为:本发明提供了一种基于新增信贷不良率的信贷风险预测方法,通过统计现有信贷数据,将现有信贷数据按信贷五级分类大类型分类并进行大类型细分,设置信贷不良率标准参照类型库;实时监测新增信贷信息数据,统计新增信贷信息数据,获得新增信贷信息监测数据;对新增信贷信息监测数据进行预处理,并通过多分类支持向量机信贷分类模型进行信贷不良率标准参照类型分析,获得新增信贷不良率标准参照类型;根据新增信贷不良率标准参照类型,通过新增信贷不良率风险预测模型,进行新增信贷风险智能预警预测;对信贷数据进行统计分析;将信贷五级分类大类型进一步进行细分,设置信贷不良率标准参照类型库;根据监测信贷信息变化数据,当出现新增信贷信息时,统计新增信贷信息数据;将新增信贷信息数据存储到信贷不良率标准参照类型库;对新增信贷信息监测数据进行数据预处理,获得新增信贷信息监测数据预处理数据;建立多分类支持向量机信贷分类模型,将新增信贷信息监测数据预处数据输入多分类支持向量机信贷分类模型;通过多分类支持向量机信贷分类模型,进行信贷不良率标准参照类型分析,获得新增信贷不良率标准参照类型;根据新增信贷不良率标准参照类型,建立新增信贷不良率风险预测模型;新增信贷不良率风险预测模型通过决策曲线分析预测新增信贷不良率增长趋势。
上述技术方案的有益效果为:本发明提供了一种基于新增信贷不良率的信贷风险预测方法,通过统计现有信贷数据,将现有信贷数据按信贷五级分类大类型分类并进行大类型细分,设置信贷不良率标准参照类型库;实时监测新增信贷信息数据,统计新增信贷信息数据,获得新增信贷信息监测数据;对新增信贷信息监测数据进行预处理,并通过多分类支持向量机信贷分类模型进行信贷不良率标准参照类型分析,获得新增信贷不良率标准参照类型;根据新增信贷不良率标准参照类型,通过新增信贷不良率风险预测模型,进行新增信贷风险智能预警预测;通过对信贷数据进行统计分析,统计现有信贷数据;根据现有信贷数据,按照信贷五级分类,将现有信贷数据分为信贷五级分类大类型;将信贷五级分类大类型进一步进行细分,设置信贷不良率标准参照类型库;建立信贷信息监测网络,通过信贷信息监测网络实时监测信贷信息变化数据;根据监测信贷信息变化数据,当出现新增信贷信息时,统计新增信贷信息数据;将新增信贷信息数据存储到信贷不良率标准参照类型库,获得新增信贷信息监测数据;对新增信贷信息监测数据进行数据预处理,获得新增信贷信息监测数据预处理数据;建立多分类支持向量机信贷分类模型,将新增信贷信息监测数据预处数据输入多分类支持向量机信贷分类模型;通过多分类支持向量机信贷分类模型,进行信贷不良率标准参照类型分析,获得新增信贷不良率标准参照类型;根据新增信贷不良率标准参照类型,建立新增信贷不良率风险预测模型;新增信贷不良率风险预测模型通过决策曲线分析预测新增信贷不良率增长趋势;根据新增信贷不良率增长趋势,进行新增信贷风险智能预警预测。
在一个实施例中,所述S100包括:
S101,通过对信贷数据进行统计分析,统计现有信贷数据;
S102,根据现有信贷数据,按照信贷五级分类,将现有信贷数据分为信贷五级分类大类型;
S103,将信贷五级分类大类型进一步进行细分,设置信贷不良率标准参照类型库。
上述技术方案的工作原理为:通过对信贷数据进行统计分析,统计现有信贷数据;根据现有信贷数据,按照信贷五级分类,将现有信贷数据分为信贷五级分类大类型;将信贷五级分类大类型进一步进行细分,设置信贷不良率标准参照类型库。
上述技术方案的有益效果为:通过对信贷数据进行统计分析,统计现有信贷数据;根据现有信贷数据,按照信贷五级分类,将现有信贷数据分为信贷五级分类大类型;将信贷五级分类大类型进一步进行细分,设置信贷不良率标准参照类型库;能够进一步进行细分信贷风险等级类型,将预测的指标细化。
在一个实施例中,所述S200包括:
S201,建立信贷信息监测网络,通过信贷信息监测网络实时监测信贷信息变化数据;
S202,根据监测信贷信息变化数据,当出现新增信贷信息时,统计新增信贷信息数据;
S203,将新增信贷信息数据存储到信贷不良率标准参照类型库,获得新增信贷信息监测数据。
上述技术方案的工作原理为:建立信贷信息监测网络,通过信贷信息监测网络实时监测信贷信息变化数据;根据监测信贷信息变化数据,当出现新增信贷信息时,统计新增信贷信息数据;将新增信贷信息数据存储到信贷不良率标准参照类型库,获得新增信贷信息监测数据。
上述技术方案的有益效果为:建立信贷信息监测网络,通过信贷信息监测网络实时监测信贷信息变化数据;根据监测信贷信息变化数据,当出现新增信贷信息时,统计新增信贷信息数据;将新增信贷信息数据存储到信贷不良率标准参照类型库,获得新增信贷信息监测数据;可以自动进行大规模新增信贷信息的监测及统计。
在一个实施例中,所述S300包括:
S301,对新增信贷信息监测数据进行数据预处理,获得新增信贷信息监测数据预处理数据;
S302,建立多分类支持向量机信贷分类模型,将新增信贷信息监测数据预处数据输入多分类支持向量机信贷分类模型;
S303,通过多分类支持向量机信贷分类模型,进行信贷不良率标准参照类型分析,获得新增信贷不良率标准参照类型。
上述技术方案的工作原理为:对新增信贷信息监测数据进行数据预处理,获得新增信贷信息监测数据预处理数据;建立多分类支持向量机信贷分类模型,将新增信贷信息监测数据预处数据输入多分类支持向量机信贷分类模型;通过多分类支持向量机信贷分类模型,进行信贷不良率标准参照类型分析,获得新增信贷不良率标准参照类型。
上述技术方案的有益效果为:对新增信贷信息监测数据进行数据预处理,获得新增信贷信息监测数据预处理数据;建立多分类支持向量机信贷分类模型,将新增信贷信息监测数据预处数据输入多分类支持向量机信贷分类模型;通过多分类支持向量机信贷分类模型,进行信贷不良率标准参照类型分析,获得新增信贷不良率标准参照类型。
在一个实施例中,所述S400包括:
S401,根据新增信贷不良率标准参照类型,建立新增信贷不良率风险预测模型;
S402,新增信贷不良率风险预测模型通过决策曲线分析预测新增信贷不良率增长趋势;
S403,根据新增信贷不良率增长趋势,进行新增信贷风险智能预警预测。
上述技术方案的工作原理为:根据新增信贷不良率标准参照类型,建立新增信贷不良率风险预测模型;新增信贷不良率风险预测模型通过决策曲线分析预测新增信贷不良率增长趋势;根据新增信贷不良率增长趋势,进行新增信贷风险智能预警预测。
上述技术方案的有益效果为:根据新增信贷不良率标准参照类型,建立新增信贷不良率风险预测模型;新增信贷不良率风险预测模型通过决策曲线分析预测新增信贷不良率增长趋势;根据新增信贷不良率增长趋势,进行新增信贷风险智能预警预测;新增信贷不良率风险预测模型通过决策曲线分析预测新增信贷不良率增长趋势能够使分析预测的规模及规模量化精准度都能得到提高。
在一个实施例中,所述S103包括:
S1031,将信贷五级分类大类型的每种类型进一步按照细分型参照标准进行细分;
S1032,按照细分型参照标准进行细分包括:将信贷五级分类大类型包括:信贷正常大类型、信贷关注大类型、信贷次级大类型、信贷可疑大类型及信贷损失大类型,将信贷五级分类大类型的每种类型进一步细分;将信贷正常大类型细分为:信贷正常大额类型、信贷正常中额类型、信贷正常小额类型;将信贷关注大类型细分为:信贷关注大额类型、信贷关注中额类型、信贷关注小额类型;将信贷次级大类型细分为:信贷次级大额类型、信贷次级中额类型、信贷次级小额类型;将信贷可疑大类型细分为:信贷可疑大额类型、信贷可疑中额类型、信贷可疑小额类型;将信贷损失大类型细分为:信贷损失大额类型、信贷损失中额类型、信贷损失小额类型;获得现有信贷数据细分型参照分类;
S1033,根据现有信贷数据细分型参照分类,设置信贷不良率标准参照类型库。
上述技术方案的工作原理为:根据细分型参照标准将信贷五级分类大类型的每种类型进一步按照细分型参照标准进行细分;按照细分型参照标准进行细分包括:将信贷五级分类大类型包括:信贷正常大类型、信贷关注大类型、信贷次级大类型、信贷可疑大类型及信贷损失大类型,将信贷五级分类大类型的每种类型进一步细分;将信贷正常大类型细分为:信贷正常大额类型、信贷正常中额类型、信贷正常小额类型;将信贷关注大类型细分为:信贷关注大额类型、信贷关注中额类型、信贷关注小额类型;将信贷次级大类型细分为:信贷次级大额类型、信贷次级中额类型、信贷次级小额类型;将信贷可疑大类型细分为:信贷可疑大额类型、信贷可疑中额类型、信贷可疑小额类型;将信贷损失大类型细分为:信贷损失大额类型、信贷损失中额类型、信贷损失小额类型;获得现有信贷数据细分型参照分类;根据现有信贷数据细分型参照分类,设置信贷不良率标准参照类型库。
上述技术方案的有益效果为:将信贷五级分类大类型的每种类型进一步按照细分型参照标准进行细分;按照细分型参照标准进行细分包括:将信贷五级分类大类型包括:信贷正常大类型、信贷关注大类型、信贷次级大类型、信贷可疑大类型及信贷损失大类型,将信贷五级分类大类型的每种类型进一步细分;将信贷正常大类型细分为:信贷正常大额类型、信贷正常中额类型、信贷正常小额类型;将信贷关注大类型细分为:信贷关注大额类型、信贷关注中额类型、信贷关注小额类型;将信贷次级大类型细分为:信贷次级大额类型、信贷次级中额类型、信贷次级小额类型;将信贷可疑大类型细分为:信贷可疑大额类型、信贷可疑中额类型、信贷可疑小额类型;将信贷损失大类型细分为:信贷损失大额类型、信贷损失中额类型、信贷损失小额类型;获得现有信贷数据细分型参照分类;根据现有信贷数据细分型参照分类,设置信贷不良率标准参照类型库;能够获得细化及更多类型的信贷数据细分型参照分类。
在一个实施例中,所述S201包括:
S2011,通过信贷信息大数据监测,建立信贷信息监测网络;
S2012,信贷信息大数据监测包括:信贷资金流向大数据监测、信贷资金使用大数据监测、信贷资金收益大数据监测、信贷资金异常大数据监测、信贷资金损失大数据监测及信贷资金偿还大数据监测;
S2013,通过信贷信息监测网络,根据信贷信息大数据监测,监测信贷资金流向大数据、信贷资金使用大数据、信贷资金收益大数据、信贷资金异常大数据、信贷资金损失大数据及信贷资金偿还大数据,实时监测信贷信息变化数据。
上述技术方案的工作原理为:利用大数据监测及实时动态资金流向监控,通过信贷信息大数据监测,建立信贷信息监测网络;信贷信息大数据监测包括:信贷资金流向大数据监测、信贷资金使用大数据监测、信贷资金收益大数据监测、信贷资金异常大数据监测、信贷资金损失大数据监测及信贷资金偿还大数据监测;通过信贷信息监测网络,根据信贷信息大数据监测,监测信贷资金流向大数据、信贷资金使用大数据、信贷资金收益大数据、信贷资金异常大数据、信贷资金损失大数据及信贷资金偿还大数据,实时监测信贷信息变化数据。
上述技术方案的有益效果为:通过信贷信息大数据监测,建立信贷信息监测网络;信贷信息大数据监测包括:信贷资金流向大数据监测、信贷资金使用大数据监测、信贷资金收益大数据监测、信贷资金异常大数据监测、信贷资金损失大数据监测及信贷资金偿还大数据监测;通过信贷信息监测网络,根据信贷信息大数据监测,监测信贷资金流向大数据、信贷资金使用大数据、信贷资金收益大数据、信贷资金异常大数据、信贷资金损失大数据及信贷资金偿还大数据,实时监测信贷信息变化数据;大数据监测及实时动态资金流向监控能够将信贷信息的实际用途和贷款目的进行协同分析。
在一个实施例中,所述S302包括:
S3021,将现有信贷数据作为多分类支持向量机信贷分类模型的信贷分类机器学习样本数据集;
S3022,将信贷分类机器学习样本数据集的信贷不良率标准参照类型作为多分类支持向量机的输出,通过信贷分类机器学习样本数据集对多分类支持向量机信贷分类模型进行训练,建立多分类支持向量机信贷分类模型;求解有约束信贷分类最优化,应用拉格朗日对偶性,通过求解信贷分类对偶分类得到信贷分类原始分类最优解,并通过自然引入信贷分类计算核函数,进而快速推导出非线性信贷分类;
S3023,将新增信贷信息监测数据预处数据输入多分类支持向量机信贷分类模型。
上述技术方案的工作原理为:利用机器学习,将现有信贷数据作为多分类支持向量机信贷分类模型的信贷分类机器学习样本数据集;将信贷分类机器学习样本数据集的信贷不良率标准参照类型作为多分类支持向量机的输出,通过信贷分类机器学习样本数据集对多分类支持向量机信贷分类模型进行训练,建立多分类支持向量机信贷分类模型;求解有约束信贷分类最优化,应用拉格朗日对偶性,通过求解信贷分类对偶分类得到信贷分类原始分类最优解,并通过自然引入信贷分类计算核函数,进而快速推导出非线性信贷分类;将新增信贷信息监测数据预处数据输入多分类支持向量机信贷分类模型。
上述技术方案的有益效果为:将现有信贷数据作为多分类支持向量机信贷分类模型的信贷分类机器学习样本数据集;将信贷分类机器学习样本数据集的信贷不良率标准参照类型作为多分类支持向量机的输出,通过信贷分类机器学习样本数据集对多分类支持向量机信贷分类模型进行训练,建立多分类支持向量机信贷分类模型;求解有约束信贷分类最优化,应用拉格朗日对偶性,通过求解信贷分类对偶分类得到信贷分类原始分类最优解,并通过自然引入信贷分类计算核函数,进而快速推导出非线性信贷分类;将新增信贷信息监测数据预处数据输入多分类支持向量机信贷分类模型;能够将机信贷分类模型进行智能化及持续优化。
在一个实施例中,所述S402包括:
S4021,按信贷五级分类大类型分类的新增信贷不良贷款本金余额与总体贷款本金余额之比,进行新增信贷不良率的判定;
S4022,设定信贷不良贷款本金余额与总体贷款本金余额之比,为新增信贷不良率预测阈值;建立基于决策曲线分析的新增信贷不良率风险预测模型;
S4023,将新增信贷不良贷款本金余额与总体贷款本金余额之比与新增信贷不良率预测阈值,通过决策曲线分析预测新增信贷不良率增长趋势。
上述技术方案的工作原理为:按信贷五级分类大类型分类的新增信贷不良贷款本金余额与总体贷款本金余额之比,进行新增信贷不良率的判定;设定信贷不良贷款本金余额与总体贷款本金余额之比,为新增信贷不良率预测阈值;建立基于决策曲线分析的新增信贷不良率风险预测模型;将新增信贷不良贷款本金余额与总体贷款本金余额之比与新增信贷不良率预测阈值,通过决策曲线分析预测新增信贷不良率增长趋势;
计算新增信贷不良率预测阈值的上限约束边界,计算公式如下:
其中,Mxdb为新增信贷不良率预测阈值的上限约束边界,Max为求取运算集合最大值,Fin为现有信贷不良率值,MDi、NDj分别为现有约束拉格朗日乘子、新增约束拉格朗日乘子,CXi为现有信贷第i类型信贷不良率值,CYj为新增信贷第j类型信贷不良率值,d为现有信贷全部类型值,b为新增信贷全部类型值。
上述技术方案的有益效果为:按信贷五级分类大类型分类的新增信贷不良贷款本金余额与总体贷款本金余额之比,进行新增信贷不良率的判定;设定信贷不良贷款本金余额与总体贷款本金余额之比,为新增信贷不良率预测阈值;建立基于决策曲线分析的新增信贷不良率风险预测模型;将新增信贷不良贷款本金余额与总体贷款本金余额之比与新增信贷不良率预测阈值,通过决策曲线分析预测新增信贷不良率增长趋势;计算新增信贷不良率预测阈值的上限约束边界,其中,Mxdb为新增信贷不良率预测阈值的上限约束边界,Max为求取运算集合最大值,Fin为现有信贷不良率值,MDi、NDj分别为现有约束拉格朗日乘子、新增约束拉格朗日乘子,CXi为现有信贷第i类型信贷不良率值,CYj为新增信贷第j类型信贷不良率值,d为现有信贷全部类型值,b为新增信贷全部类型值;通过计算新增信贷不良率预测阈值的上限约束边界,可以使新增信贷不良率预测更加精准合理。
在一个实施例中,所述S403包括:
S4031,根据新增信贷不良率增长趋势,当新增信贷不良贷款本金余额与总体贷款本金余额之比,小于新增信贷不良率预测阈值时,判定为新增信贷不良率未超出预测风险预警范围;
S4032,当新增信贷不良贷款本金余额与总体贷款本金余额之比,大于或等于新增信贷不良率预测阈值时,判定为新增信贷不良率超出预测风险预警范围;
S4033,当新增信贷不良率超出预测风险预警范围,发出新增信贷不良率信贷风险预警,进行新增信贷风险智能预警预测。
上述技术方案的工作原理为:通过增长趋势条件判定及预警预测,根据新增信贷不良率增长趋势,当新增信贷不良贷款本金余额与总体贷款本金余额之比,小于新增信贷不良率预测阈值时,判定为新增信贷不良率未超出预测风险预警范围;当新增信贷不良贷款本金余额与总体贷款本金余额之比,大于或等于新增信贷不良率预测阈值时,判定为新增信贷不良率超出预测风险预警范围;当新增信贷不良率超出预测风险预警范围,发出新增信贷不良率信贷风险预警,进行新增信贷风险智能预警预测。
上述技术方案的有益效果为:根据新增信贷不良率增长趋势,当新增信贷不良贷款本金余额与总体贷款本金余额之比,小于新增信贷不良率预测阈值时,判定为新增信贷不良率未超出预测风险预警范围;当新增信贷不良贷款本金余额与总体贷款本金余额之比,大于或等于新增信贷不良率预测阈值时,判定为新增信贷不良率超出预测风险预警范围;当新增信贷不良率超出预测风险预警范围,发出新增信贷不良率信贷风险预警,进行新增信贷风险智能预警预测;能够进行趋势的合理判定及更合理完善的新增信贷风险智能预警预测。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节与这里示出与描述的图例。
Claims (10)
1.一种基于新增信贷不良率的信贷风险预测方法,其特征在于,包括:
S100,统计现有信贷数据,将现有信贷数据按信贷五级分类大类型分类并进行大类型细分,设置信贷不良率标准参照类型库;
S200,实时监测新增信贷信息数据,统计新增信贷信息数据,获得新增信贷信息监测数据;
S300,对新增信贷信息监测数据进行预处理,并通过多分类支持向量机信贷分类模型进行信贷不良率标准参照类型分析,获得新增信贷不良率标准参照类型;
S400,根据新增信贷不良率标准参照类型,通过新增信贷不良率风险预测模型,进行新增信贷风险智能预警预测。
2.根据权利要求1所述的一种基于新增信贷不良率的信贷风险预测方法,其特征在于,所述S100包括:
S101,通过对信贷数据进行统计分析,统计现有信贷数据;
S102,根据现有信贷数据,按照信贷五级分类,将现有信贷数据分为信贷五级分类大类型;
S103,将信贷五级分类大类型进一步进行细分,设置信贷不良率标准参照类型库。
3.根据权利要求1所述的一种基于新增信贷不良率的信贷风险预测方法,其特征在于,所述S200包括:
S201,建立信贷信息监测网络,通过信贷信息监测网络实时监测信贷信息变化数据;
S202,根据监测信贷信息变化数据,当出现新增信贷信息时,统计新增信贷信息数据;
S203,将新增信贷信息数据存储到信贷不良率标准参照类型库,获得新增信贷信息监测数据。
4.根据权利要求1所述的一种基于新增信贷不良率的信贷风险预测方法,其特征在于,所述S300包括:
S301,对新增信贷信息监测数据进行数据预处理,获得新增信贷信息监测数据预处理数据;
S302,建立多分类支持向量机信贷分类模型,将新增信贷信息监测数据预处数据输入多分类支持向量机信贷分类模型;
S303,通过多分类支持向量机信贷分类模型,进行信贷不良率标准参照类型分析,获得新增信贷不良率标准参照类型。
5.根据权利要求1所述的一种基于新增信贷不良率的信贷风险预测方法,其特征在于,所述S400包括:
S401,根据新增信贷不良率标准参照类型,建立新增信贷不良率风险预测模型;
S402,新增信贷不良率风险预测模型通过决策曲线分析预测新增信贷不良率增长趋势;
S403,根据新增信贷不良率增长趋势,进行新增信贷风险智能预警预测。
6.根据权利要求2所述的一种基于新增信贷不良率的信贷风险预测方法,其特征在于,所述S103包括:
S1031,将信贷五级分类大类型的每种类型进一步按照细分型参照标准进行细分;
S1032,按照细分型参照标准进行细分包括:将信贷五级分类大类型包括:信贷正常大类型、信贷关注大类型、信贷次级大类型、信贷可疑大类型及信贷损失大类型,将信贷五级分类大类型的每种类型进一步细分;将信贷正常大类型细分为:信贷正常大额类型、信贷正常中额类型、信贷正常小额类型;将信贷关注大类型细分为:信贷关注大额类型、信贷关注中额类型、信贷关注小额类型;将信贷次级大类型细分为:信贷次级大额类型、信贷次级中额类型、信贷次级小额类型;将信贷可疑大类型细分为:信贷可疑大额类型、信贷可疑中额类型、信贷可疑小额类型;将信贷损失大类型细分为:信贷损失大额类型、信贷损失中额类型、信贷损失小额类型;获得现有信贷数据细分型参照分类;
S1033,根据现有信贷数据细分型参照分类,设置信贷不良率标准参照类型库。
7.根据权利要求3所述的一种基于新增信贷不良率的信贷风险预测方法,其特征在于,所述S201包括:
S2011,通过信贷信息大数据监测,建立信贷信息监测网络;
S2012,信贷信息大数据监测包括:信贷资金流向大数据监测、信贷资金使用大数据监测、信贷资金收益大数据监测、信贷资金异常大数据监测、信贷资金损失大数据监测及信贷资金偿还大数据监测;
S2013,通过信贷信息监测网络,根据信贷信息大数据监测,监测信贷资金流向大数据、信贷资金使用大数据、信贷资金收益大数据、信贷资金异常大数据、信贷资金损失大数据及信贷资金偿还大数据,实时监测信贷信息变化数据。
8.根据权利要求4所述的一种基于新增信贷不良率的信贷风险预测方法,其特征在于,所述S302包括:
S3021,将现有信贷数据作为多分类支持向量机信贷分类模型的信贷分类机器学习样本数据集;
S3022,将信贷分类机器学习样本数据集的信贷不良率标准参照类型作为多分类支持向量机的输出,通过信贷分类机器学习样本数据集对多分类支持向量机信贷分类模型进行训练,建立多分类支持向量机信贷分类模型;求解有约束信贷分类最优化,应用拉格朗日对偶性,通过求解信贷分类对偶分类得到信贷分类原始分类最优解,并通过自然引入信贷分类计算核函数,进而快速推导出非线性信贷分类;
S3023,将新增信贷信息监测数据预处数据输入多分类支持向量机信贷分类模型。
9.根据权利要求5所述的一种基于新增信贷不良率的信贷风险预测方法,其特征在于,所述S402包括:
S4021,按信贷五级分类大类型分类的新增信贷不良贷款本金余额与总体贷款本金余额之比,进行新增信贷不良率的判定;
S4022,设定信贷不良贷款本金余额与总体贷款本金余额之比,为新增信贷不良率预测阈值;建立基于决策曲线分析的新增信贷不良率风险预测模型;
S4023,将新增信贷不良贷款本金余额与总体贷款本金余额之比与新增信贷不良率预测阈值,通过决策曲线分析预测新增信贷不良率增长趋势。
10.根据权利要求5所述的一种基于新增信贷不良率的信贷风险预测方法,其特征在于,所述S403包括:
S4031,根据新增信贷不良率增长趋势,当新增信贷不良贷款本金余额与总体贷款本金余额之比,小于新增信贷不良率预测阈值时,判定为新增信贷不良率未超出预测风险预警范围;
S4032,当新增信贷不良贷款本金余额与总体贷款本金余额之比,大于或等于新增信贷不良率预测阈值时,判定为新增信贷不良率超出预测风险预警范围;
S4033,当新增信贷不良率超出预测风险预警范围,发出新增信贷不良率信贷风险预警,进行新增信贷风险智能预警预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211074733.0A CN115545882B (zh) | 2022-09-02 | 2022-09-02 | 一种基于新增信贷不良率的信贷风险预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211074733.0A CN115545882B (zh) | 2022-09-02 | 2022-09-02 | 一种基于新增信贷不良率的信贷风险预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115545882A true CN115545882A (zh) | 2022-12-30 |
CN115545882B CN115545882B (zh) | 2023-06-30 |
Family
ID=84726160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211074733.0A Active CN115545882B (zh) | 2022-09-02 | 2022-09-02 | 一种基于新增信贷不良率的信贷风险预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115545882B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060287947A1 (en) * | 2005-06-16 | 2006-12-21 | Toms Alvin D | Non-payment risk assessment |
US8050997B1 (en) * | 2001-08-23 | 2011-11-01 | Paypal Inc. | Instant availability of electronically transferred funds |
CN113450208A (zh) * | 2021-06-30 | 2021-09-28 | 中国建设银行股份有限公司 | 贷款风险变动预警、模型训练方法和装置 |
CN114219613A (zh) * | 2021-11-26 | 2022-03-22 | 中国建设银行股份有限公司 | 贷款代偿方法、装置、电子设备及存储介质 |
CN114255121A (zh) * | 2021-12-27 | 2022-03-29 | 中国农业银行股份有限公司 | 信贷风险预测模型的训练方法和信贷风险预测方法 |
CN114936921A (zh) * | 2022-05-27 | 2022-08-23 | 中国银行股份有限公司 | 贷款风险控制方法及装置 |
-
2022
- 2022-09-02 CN CN202211074733.0A patent/CN115545882B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8050997B1 (en) * | 2001-08-23 | 2011-11-01 | Paypal Inc. | Instant availability of electronically transferred funds |
US20060287947A1 (en) * | 2005-06-16 | 2006-12-21 | Toms Alvin D | Non-payment risk assessment |
CN113450208A (zh) * | 2021-06-30 | 2021-09-28 | 中国建设银行股份有限公司 | 贷款风险变动预警、模型训练方法和装置 |
CN114219613A (zh) * | 2021-11-26 | 2022-03-22 | 中国建设银行股份有限公司 | 贷款代偿方法、装置、电子设备及存储介质 |
CN114255121A (zh) * | 2021-12-27 | 2022-03-29 | 中国农业银行股份有限公司 | 信贷风险预测模型的训练方法和信贷风险预测方法 |
CN114936921A (zh) * | 2022-05-27 | 2022-08-23 | 中国银行股份有限公司 | 贷款风险控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115545882B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
CN112330067B (zh) | 基于区块链的金融大数据分析系统 | |
CN110415111A (zh) | 基于用户数据与专家特征合并逻辑回归信贷审批的方法 | |
CN108399255A (zh) | 一种分类数据挖掘模型的输入数据处理方法及装置 | |
CN109472088A (zh) | 一种页岩气调产井生产压力动态预测方法 | |
CN111583012B (zh) | 融合文本信息的信用债发债主体违约风险评估方法 | |
Chen et al. | Loan default prediction using diversified sensitivity undersampling | |
CN114143326A (zh) | 负载调节方法、管理节点以及存储介质 | |
CN115983981B (zh) | 一种基于金融数据分析的信用风险评估系统 | |
CN115063056B (zh) | 基于图拓扑分析改进的建造行为安全风险动态分析方法 | |
CN113240527A (zh) | 基于可解释机器学习的债券市场违约风险预警方法 | |
CN109685133A (zh) | 基于构建的预测模型低成本、高区分度的数据分类方法 | |
CN111784379B (zh) | 追缴电费的估算方法、装置和异常案例的筛选方法、装置 | |
CN110807174B (zh) | 一种基于统计分布的污水厂厂群出水分析及异常识别方法 | |
CN115545882B (zh) | 一种基于新增信贷不良率的信贷风险预测方法 | |
CN111882150A (zh) | 一种神经网络与层次分析法结合的食品安全风险预警方法 | |
CN117132383A (zh) | 一种信贷数据处理方法、装置、设备及可读存储介质 | |
CN116703563A (zh) | 一种基于量化分析模型的信贷策略 | |
CN115271442A (zh) | 基于自然语言评估企业成长性的建模方法及系统 | |
CN115378653A (zh) | 一种基于lstm和随机森林的网络安全态势感知与预测方法及系统 | |
Himani et al. | A comparative study on machine learning based prediction of citations of articles | |
CN113837481A (zh) | 一种基于区块链的金融大数据管理系统 | |
CN113610638B (zh) | 基于smaa-ds的信用等级与违约损失率相匹配的评级系统及方法 | |
CN117007977B (zh) | 一种储能电池健康状态诊断方法 | |
Parvizi et al. | Assessing and Validating Bank Customers Using Data Mining Algorithms for Loan Home |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |