CN115601152A - 违约概率确定方法及装置 - Google Patents
违约概率确定方法及装置 Download PDFInfo
- Publication number
- CN115601152A CN115601152A CN202210871754.9A CN202210871754A CN115601152A CN 115601152 A CN115601152 A CN 115601152A CN 202210871754 A CN202210871754 A CN 202210871754A CN 115601152 A CN115601152 A CN 115601152A
- Authority
- CN
- China
- Prior art keywords
- target object
- matrix
- parameter
- probability
- calculation
- 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
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种违约概率确定方法及装置,所述方法包括:确定目标对象在目标账龄下对应的计算参数;基于目标对象的参数矩阵,确定计算参数在参数矩阵中对应的矩阵下标,参数矩阵基于目标对象在不同账龄下的计算参数构建得到;基于矩阵下标,从参数矩阵中读取计算参数;基于计算参数,确定目标对象的违约概率。本发明提供的违约概率确定方法及装置,基于目标对象的参数矩阵,确定计算参数在参数矩阵中对应的矩阵下标,从而可以基于矩阵下标,从参数矩阵中快速且准确读取计算参数,避免传统方法中在包含有大量数据的参数表中进行查找造成效率较低的问题。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种违约概率确定方法及装置。
背景技术
用户违约概率直接影响着全面风险管理,因此准确确定违约概率有十分重要的意义。
目前,在确定违约概率时,多基于违约概率对应的计算参数构建参数表,然后根据用户的账龄从参数表中查找相应的计算参数,并根据计算参数确定用户的违约概率。然而,该方法需要从参数表中查找相应的计算参数,效率较低。
发明内容
本发明提供一种违约概率确定方法及装置,用以解决现有技术中确定违约概率效率较低的缺陷。
本发明提供一种违约概率确定方法,包括:
确定目标对象在目标账龄下对应的计算参数;
基于所述目标对象的参数矩阵,确定所述计算参数在所述参数矩阵中对应的矩阵下标,所述参数矩阵基于所述目标对象在不同账龄下的计算参数构建得到;
基于所述矩阵下标,从所述参数矩阵中读取所述计算参数;
基于所述计算参数,确定所述目标对象的违约概率。
根据本发明提供的一种违约概率确定方法,所述参数矩阵基于如下步骤确定:
获取所述目标对象在各账龄下的计算参数;
以各账龄作为矩阵的列,以及以各账龄对应的计算参数作为矩阵的行,构建所述参数矩阵,或,以各账龄作为矩阵的行,以及以各账龄对应的计算参数作为矩阵的列,构建所述参数矩阵。
根据本发明提供的一种违约概率确定方法,所述获取所述目标对象在各账龄下的计算参数,包括:
获取所述目标对象在各账龄下的原始计算参数;
对所述原始计算参数进行数据预处理,得到所述计算参数。
根据本发明提供的一种违约概率确定方法,所述基于所述计算参数,确定所述目标对象的违约概率,包括:
将所述目标对象的用户属性以及所述计算参数输入至违约概率预测模型,得到所述违约概率预测模型输出的所述目标对象的违约概率;
所述违约概率预测模型基于样本对象的样本用户属性、样本计算参数及样本违约概率训练得到。
根据本发明提供的一种违约概率确定方法,所述确定所述目标对象的违约概率,之后还包括:
基于所述目标对象的违约概率,确定减值损失。
根据本发明提供的一种违约概率确定方法,所述确定所述目标对象的违约概率,之后还包括:
基于所述目标对象的违约概率,确定所述目标对象的信用得分。
本发明还提供一种违约概率确定装置,包括:
参数确定单元,用于确定目标对象在目标账龄下对应的计算参数;
下标确定单元,用于基于所述目标对象的参数矩阵,确定所述计算参数在所述参数矩阵中对应的矩阵下标,所述参数矩阵基于所述目标对象在不同账龄下的计算参数构建得到;
数值确定单元,用于基于所述矩阵下标,从所述参数矩阵中读取所述计算参数;
概率确定单元,用于基于所述计算参数,确定所述目标对象的违约概率。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在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如上述任一种所述违约概率确定方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述违约概率确定方法。
本发明还提供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如上述任一种所述违约概率确定方法。
本发明提供的违约概率确定方法及装置,基于目标对象的参数矩阵,确定计算参数在参数矩阵中对应的矩阵下标,从而可以基于矩阵下标,从参数矩阵中快速且准确读取计算参数,避免传统方法中在包含有大量数据的参数表中进行查找造成效率较低的问题。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的违约概率确定方法的流程示意图;
图2是本发明提供的违约概率确定装置的结构示意图;
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
目前,在确定违约概率时,多基于违约概率对应的计算参数构建参数表,然后根据用户的账龄从参数表中查找相应的计算参数,并根据计算参数计算用户的违约概率。然而,该方法需要从参数表中查找相应的计算参数,效率较低。
对此,本发明提供一种违约概率确定方法。图1是本发明提供的违约概率确定方法的流程示意图,如图1所示,该方法包括如下步骤:
步骤110、确定目标对象在目标账龄下对应的计算参数。
此处,目标对象即需要确定违约概率的对象,目标对象可以为单个对象,如单一借款对象,也可以为多个对象,如同一信用等级的所有借款对象,本发明实施例对此不作具体限定。其中,对于零售行业,目标对象可以根据产品码确定。
目标账龄指尚未收回的应收目标账款的时间长度,通常目标账龄可以为1~360个月,如目标账龄可以为1个月、2个月、3个月,…,360个月。
计算参数指在计算目标对象在目标账龄下的违约概率时所需的参数,如计算参数可以为1个月的违约概率、2个月的违约概率、3个月的违约概率等。其中,目标账龄可以包括起始账龄和终止账龄,例如起始账龄为3个月,终止账龄为14个月,也就是目标对象需要计算的违约概率对应的时间长度为12个月。
步骤120、基于目标对象的参数矩阵,确定计算参数在参数矩阵中对应的矩阵下标,参数矩阵基于目标对象在不同账龄下的计算参数构建得到。
步骤130、基于矩阵下标,从参数矩阵中读取计算参数。
具体地,参数矩阵用于表征目标对象在不同账龄下的计算参数,如可以以各账龄作为矩阵的列,以各账龄对应的计算参数作为矩阵的行,构建得到参数矩阵。其中,参数矩阵中的各元素对应有相应的下标,如第i行第j列的元素可以表征第i个账龄下对应的第j个计算参数。
因此,在确定计算参数在参数矩阵中对应的矩阵下标后,可以直接基于矩阵下标快速且准确从参数矩阵中提取计算参数。相较于传统方法中根据用户的账龄从参数表中查找相应的计算参数,本发明实施例基于矩阵下标的方式直接获取计算参数,避免传统方法中在包含有大量数据的参数表中进行查找造成效率较低的问题。
步骤140、基于计算参数,确定目标对象的违约概率。
具体地,在从参数矩阵中获取计算参数后,可以基于计算参数,确定目标对象的违约概率。例如,在计算参数为目标账龄下各账龄下的违约概率时,可以将各账龄下的违约概率进行求和,得到目标对象的违约概率。也可以将计算参数输入至违约概率预测模型,得到目标对象的违约概率。其中,违约概率预测模型可以是基于大量历史计算参数确定的公式,也可以是基于大量历史计算参数进行机器学习得到的模型,本发明实施例对此不作具体限定。
本发明实施例提供的违约概率确定方法,基于目标对象的参数矩阵,确定计算参数在参数矩阵中对应的矩阵下标,从而可以基于矩阵下标,从参数矩阵中快速且准确读取计算参数,避免传统方法中在包含有大量数据的参数表中进行查找造成效率较低的问题。
基于上述实施例,参数矩阵基于如下步骤确定:
获取目标对象在各账龄下的计算参数;
以各账龄作为矩阵的列,以及以各账龄对应的计算参数作为矩阵的行,构建参数矩阵,或,以各账龄作为矩阵的行,以及以各账龄对应的计算参数作为矩阵的列,构建参数矩阵。
具体地,参数矩阵用于表征目标对象在不同账龄下的计算参数,如可以以各账龄作为矩阵的列,以各账龄对应的计算参数作为矩阵的行,构建得到参数矩阵;也可以以各账龄作为矩阵的行,以及以各账龄对应的计算参数作为矩阵的列,构建得到参数矩阵。其中,参数矩阵中的各元素对应有相应的下标,如第i行第j列的元素可以表征第i个账龄下对应的第j个计算参数。
由此可见,本发明实施例在构建参数矩阵后,可以直接基于矩阵下标快速且准确从参数矩阵中提取计算参数。相较于传统方法中根据用户的账龄从参数表中查找相应的计算参数,本发明实施例基于矩阵下标的方式直接获取计算参数,避免传统方法中在包含有大量数据的参数表中进行查找造成效率较低的问题。
例如,表1为传统方法中的参数表,如表1所示,“ACT_TYPE”表示产品码,“ZL”表示账龄,“CSD1”表示1个月违约概率,“CSD2”表示2个月违约概率,以此类推,“CSD360”表示360个月违约概率。由此可见,表1中包含大量数据,如产品码“XXX”账龄1下对应有360列CSD,从而导致传统方法中在获取相应违约概率计算参数时需要从大量数据中进行查找,效率较低。
表2为本发明实施例提供的矩阵类型的参数表,如表2所示,产品码“XXX”对应账龄1下的CSD矩阵中存储有CSD1~CSD360的数组,也就是相较于表1而言,表2中采用数组的方式来代替360列CSD,从而可以基于数组的下标快速从数组中获取对应的计算参数计算违约概率,提高了违约概率的计算效率。
表1
ACT_TYPE | ZL | CSD1 | CSD2 | CSD3 | …… | CSD359 | CSD360 |
XXX | 1 | 0.0001 | 0.0002 | 0.0001 | …… | 0.01 | 0.002 |
XXX | 2 | 0.0001 | 0.0002 | 0.0001 | …… | 0.01 | 0.002 |
XXX | 3 | 0.0001 | 0.0002 | 0.0001 | …… | 0.01 | 0.002 |
XXX | …… | 0.0001 | 0.0002 | 0.0001 | …… | 0.01 | 0.002 |
XXX | 359 | 0.0001 | 0.0002 | 0.0001 | …… | 0.01 | 0.002 |
XXX | 360 | 0.0001 | 0.0002 | 0.0001 | …… | 0.01 | 0.002 |
YYY | 1 | 0.0001 | 0.0002 | 0.0001 | …… | 0.01 | 0.002 |
YYY | 2 | 0.0001 | 0.0002 | 0.0001 | …… | 0.01 | 0.002 |
YYY | 3 | 0.0001 | 0.0002 | 0.0001 | …… | 0.01 | 0.002 |
YYY | …… | 0.0001 | 0.0002 | 0.0001 | …… | 0.01 | 0.002 |
YYY | 359 | 0.0001 | 0.0002 | 0.0001 | …… | 0.01 | 0.002 |
YYY | 360 | 0.0001 | 0.0002 | 0.0001 | …… | 0.01 | 0.002 |
表2
ACT_TYPE | ZL | CSD数组 |
XXX | 1 | 存储CSD1~CSD360的数组 |
XXX | 2 | 存储CSD1~CSD360的数组 |
XXX | 3 | 存储CSD1~CSD360的数组 |
XXX | …… | …… |
XXX | 359 | 存储CSD1~CSD360的数组 |
XXX | 360 | 存储CSD1~CSD360的数组 |
YYY | 1 | 存储CSD1~CSD360的数组 |
YYY | 2 | 存储CSD1~CSD360的数组 |
YYY | 3 | 存储CSD1~CSD360的数组 |
YYY | …… | …… |
YYY | 359 | 存储CSD1~CSD360的数组 |
YYY | 360 | 存储CSD1~CSD360的数组 |
基于上述任一实施例,获取目标对象在各账龄下的计算参数,包括:
获取目标对象在各账龄下的原始计算参数;
对原始计算参数进行数据预处理,得到计算参数。
具体地,原始计算参数指目标对象在各账龄下对应的初始的参数,也就是说原始计算参数是未经任何处理的参数。然而,这些原始计算参数往往是杂乱的,主要表现为:不完整性,数据属性值遗漏或不确定;不一致性,由于原始计算参数的来源不同,参数定义缺乏统一标准,导致参数内涵不一致;有噪声,参数中存在异常(如偏离期望值);冗余性,参数记录或属性的重复。
若直接运用上述杂乱的原始计算参数确定违约概率,则会影响违约概率的精度。对此,本发明实施例在获取目标对象在各账龄下的原始计算参数后,对原始计算参数进行数据预处理,得到高质量的计算参数,从而能够基于高质量的计算参数准确确定违约概率。其中,数据预处理是指对所收集数据进行分类或分组前所做的审核、筛选、排序等必要的处理,数据预处理可以包括多种方法,如数据清理,数据集成,数据变换,数据归约等。
由此可见,本发明实施例在获取目标对象在各账龄下的原始计算参数后,对原始计算参数进行数据预处理,从而能够得到高质量的计算参数,进而能够基于高质量的计算参数准确确定违约概率。
此外,本发明实施例在得到目标对象的计算参数后,可以基于目标对象的参数矩阵,确定计算参数在参数矩阵中对应的矩阵下标,从而可以基于矩阵下标,从参数矩阵中快速且准确读取计算参数,避免传统方法中在包含有大量数据的参数表中进行查找造成效率较低的问题。
基于上述任一实施例,基于计算参数,确定目标对象的违约概率,包括:
将目标对象的用户属性以及计算参数输入至违约概率预测模型,得到违约概率预测模型输出的目标对象的违约概率;
违约概率预测模型基于样本对象的样本用户属性、样本计算参数及样本违约概率训练得到。
具体地,用户属性用于表征目标对象的属性信息,根据用户属性可以确定目标对象的信用风险,目标对象的信用风险越高,表明目标对象的违约概率越高;反之,目标对象的信用风险越低,表明目标对象的违约概率越低。其中,用户属性可以包括身份信息、住址信息、收入信息、信用信息、贷款信息、工作信息等。
因此,为了进一步准确获取目标对象的违约概率,本发明实施例将目标对象的用户属性以及计算参数输入至违约概率预测模型,从而违约概率预测模型可以基于目标对象的用户属性和计算参数准确确定目标对象的违约概率。
可以理解的是,在将目标对象的用户属性以及计算参数输入至违约概率预测模型之前,还可以预先训练得到违约概率预测模型,具体可以通过执行如下步骤实现:首先,收集大量样本对象的样本用户属性、样本计算参数,通过人工标注确定其对应的样本违约概率标签。随即,基于样本对象的样本用户属性、样本计算参数及样本违约概率标签对初始模型进行训练,从而得到违约概率预测模型。
由此可见,本发明实施例基于目标对象的用户属性以及计算参数确定目标对象的违约概率,不仅考虑了影响违约概率的计算参数,也考虑了用于表征目标对象信用风险的用户属性,从而能够进一步准确确定目标对象的违约概率。
基于上述任一实施例,确定目标对象的违约概率,之后还包括:
基于目标对象的违约概率,确定减值损失。
具体地,减值损失可以包括资产减值损失、贷款减值损失、信用减值损失等。其中,资产减值损失是指因资产的可回收金额低于其账面价值而造成的损失;贷款减值损失是指商业银行贷款资产发生了预计损失,并在资产负债日确认损失金额后计入损益表;信用减值损失是指因应收账款的账面价值高于其可收回金额而造成的损失,造成信用减值损失的原因是企业因购货人拒付、破产等原因无法收回,而遭受的损失。
因此,本发明实施例在确定目标对象的违约概率后,可以基于目标对象的违约概率,确定减值损失,以使用户能够获知可能存在的损失情况,进而制定相应的策略。
基于上述任一实施例,确定目标对象的违约概率,之后还包括:
基于目标对象的违约概率,确定目标对象的信用得分。
具体地,违约概率是指目标对象在未来一定时期内发生违约的可能性,目标对象的信用得分用于表征目标对象的信用风险程度。目标对象的违约概率越高,表明目标对象在未来一定时期内发生违约的可能性越高,从而目标对象的信用风险程度越高,也即目标对象的信用得分越低。反之,目标对象的违约概率越低,表明目标对象在未来一定时期内发生违约的可能性越低,从而目标对象的信用风险程度越低,也即目标对象的信用得分越高。
由此可见,本发明实施例基于目标对象的违约概率,可以对目标对象的信用风险程度进行分析,进而能够准确确定目标对象的信用得分。
下面对本发明提供的违约概率确定装置进行描述,下文描述的违约概率确定装置与上文描述的违约概率确定方法可相互对应参照。
基于上述任一实施例,本发明还提供一种违约概率确定装置,如图2所示,该装置包括:
参数确定单元210,用于确定目标对象在目标账龄下对应的计算参数;
下标确定单元220,用于基于所述目标对象的参数矩阵,确定所述计算参数在所述参数矩阵中对应的矩阵下标,所述参数矩阵基于所述目标对象在不同账龄下的计算参数构建得到;
数值确定单元230,用于基于所述矩阵下标,从所述参数矩阵中读取所述计算参数;
概率确定单元240,用于基于所述计算参数,确定所述目标对象的违约概率。
此处,目标对象即需要确定违约概率的对象,目标对象可以为单个对象,如单一借款对象,也可以为多个对象,如同一信用等级的所有借款对象,本发明实施例对此不作具体限定。其中,对于零售行业,目标对象可以根据产品码确定。
目标账龄指尚未收回的应收目标账款的时间长度,通常目标账龄可以为1~360个月,如目标账龄可以为1个月、2个月、3个月,…,360个月。
计算参数指在计算目标对象在目标账龄下的违约概率时所需的参数,如计算参数可以为1个月的违约概率、2个月的违约概率、3个月的违约概率等。其中,目标账龄可以包括起始账龄和终止账龄,例如起始账龄为3个月,终止账龄为14个月,也就是目标对象需要计算的违约概率对应的时间长度为12个月。
参数矩阵用于表征目标对象在不同账龄下的计算参数,如可以以各账龄作为矩阵的列,以各账龄对应的计算参数作为矩阵的行,构建得到参数矩阵。其中,参数矩阵中的各元素对应有相应的下标,如第i行第j列的元素可以表征第i个账龄下对应的第j个计算参数。
因此,在确定计算参数在参数矩阵中对应的矩阵下标后,可以直接基于矩阵下标快速且准确从参数矩阵中提取计算参数。相较于传统方法中根据用户的账龄从参数表中查找相应的计算参数,本发明实施例基于矩阵下标的方式直接获取计算参数,避免传统方法中在包含有大量数据的参数表中进行查找造成效率较低的问题。
在从参数矩阵中获取计算参数后,可以基于计算参数,确定目标对象的违约概率。例如,在计算参数为目标账龄下各账龄下的违约概率时,可以将各账龄下的违约概率进行求和,得到目标对象的违约概率。也可以将计算参数输入至违约概率预测模型,得到目标对象的违约概率。其中,违约概率预测模型可以是基于大量历史计算参数确定的公式,也可以是基于大量历史计算参数进行机器学习得到的模型,本发明实施例对此不作具体限定。
本发明实施例提供的违约概率确定装置,基于目标对象的参数矩阵,确定计算参数在参数矩阵中对应的矩阵下标,从而可以基于矩阵下标,从参数矩阵中快速且准确读取计算参数,避免传统方法中在包含有大量数据的参数表中进行查找造成效率较低的问题。
基于上述任一实施例,所述装置还包括:
获取单元,用于获取所述目标对象在各账龄下的计算参数;
构建单元,用于以各账龄作为矩阵的列,以及以各账龄对应的计算参数作为矩阵的行,构建所述参数矩阵,或,以各账龄作为矩阵的行,以及以各账龄对应的计算参数作为矩阵的列,构建所述参数矩阵。
基于上述任一实施例,所述获取单元,用于,包括:
原始参数获取单元,用于获取所述目标对象在各账龄下的原始计算参数;
数据处理单元,用于对所述原始计算参数进行数据预处理,得到所述计算参数。
基于上述任一实施例,所述概率确定单元240,用于:
将所述目标对象的用户属性以及所述计算参数输入至违约概率预测模型,得到所述违约概率预测模型输出的所述目标对象的违约概率;
所述违约概率预测模型基于样本对象的样本用户属性、样本计算参数及样本违约概率训练得到。
基于上述任一实施例,所述装置还包括:
减值计算单元,用于确定所述目标对象的违约概率之后,基于所述目标对象的违约概率,确定减值损失。
基于上述任一实施例,所述装置还包括:
信用确定单元,用于确定所述目标对象的违约概率之后,基于所述目标对象的违约概率,确定所述目标对象的信用得分。
图3是本发明提供的电子设备的结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、存储器(memory)320、通信接口(Communications Interface)330和通信总线340,其中,处理器310,存储器320,通信接口330通过通信总线340完成相互间的通信。处理器310可以调用存储器320中的逻辑指令,以执行违约概率确定方法,该方法包括:确定目标对象在目标账龄下对应的计算参数;基于所述目标对象的参数矩阵,确定所述计算参数在所述参数矩阵中对应的矩阵下标,所述参数矩阵基于所述目标对象在不同账龄下的计算参数构建得到;基于所述矩阵下标,从所述参数矩阵中读取所述计算参数;基于所述计算参数,确定所述目标对象的违约概率。
此外,上述的存储器320中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的违约概率确定方法,该方法包括:确定目标对象在目标账龄下对应的计算参数;基于所述目标对象的参数矩阵,确定所述计算参数在所述参数矩阵中对应的矩阵下标,所述参数矩阵基于所述目标对象在不同账龄下的计算参数构建得到;基于所述矩阵下标,从所述参数矩阵中读取所述计算参数;基于所述计算参数,确定所述目标对象的违约概率。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的违约概率确定方法,该方法包括:确定目标对象在目标账龄下对应的计算参数;基于所述目标对象的参数矩阵,确定所述计算参数在所述参数矩阵中对应的矩阵下标,所述参数矩阵基于所述目标对象在不同账龄下的计算参数构建得到;基于所述矩阵下标,从所述参数矩阵中读取所述计算参数;基于所述计算参数,确定所述目标对象的违约概率。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种违约概率确定方法,其特征在于,包括:
确定目标对象在目标账龄下对应的计算参数;
基于所述目标对象的参数矩阵,确定所述计算参数在所述参数矩阵中对应的矩阵下标,所述参数矩阵基于所述目标对象在不同账龄下的计算参数构建得到;
基于所述矩阵下标,从所述参数矩阵中读取所述计算参数;
基于所述计算参数,确定所述目标对象的违约概率。
2.根据权利要求1所述的违约概率确定方法,其特征在于,所述参数矩阵基于如下步骤确定:
获取所述目标对象在各账龄下的计算参数;
以各账龄作为矩阵的列,以及以各账龄对应的计算参数作为矩阵的行,构建所述参数矩阵,或,以各账龄作为矩阵的行,以及以各账龄对应的计算参数作为矩阵的列,构建所述参数矩阵。
3.根据权利要求2所述的违约概率确定方法,其特征在于,所述获取所述目标对象在各账龄下的计算参数,包括:
获取所述目标对象在各账龄下的原始计算参数;
对所述原始计算参数进行数据预处理,得到所述计算参数。
4.根据权利要求1至3任一项所述的违约概率确定方法,其特征在于,所述基于所述计算参数,确定所述目标对象的违约概率,包括:
将所述目标对象的用户属性以及所述计算参数输入至违约概率预测模型,得到所述违约概率预测模型输出的所述目标对象的违约概率;
所述违约概率预测模型基于样本对象的样本用户属性、样本计算参数及样本违约概率训练得到。
5.根据权利要求1至3任一项所述的违约概率确定方法,其特征在于,所述确定所述目标对象的违约概率,之后还包括:
基于所述目标对象的违约概率,确定减值损失。
6.根据权利要求1至3任一项所述的违约概率确定方法,其特征在于,所述确定所述目标对象的违约概率,之后还包括:
基于所述目标对象的违约概率,确定所述目标对象的信用得分。
7.一种违约概率确定装置,其特征在于,包括:
参数确定单元,用于确定目标对象在目标账龄下对应的计算参数;
下标确定单元,用于基于所述目标对象的参数矩阵,确定所述计算参数在所述参数矩阵中对应的矩阵下标,所述参数矩阵基于所述目标对象在不同账龄下的计算参数构建得到;
数值确定单元,用于基于所述矩阵下标,从所述参数矩阵中读取所述计算参数;
概率确定单元,用于基于所述计算参数,确定所述目标对象的违约概率。
8.一种电子设备,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计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述违约概率确定方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述违约概率确定方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述违约概率确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210871754.9A CN115601152A (zh) | 2022-07-22 | 2022-07-22 | 违约概率确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210871754.9A CN115601152A (zh) | 2022-07-22 | 2022-07-22 | 违约概率确定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115601152A true CN115601152A (zh) | 2023-01-13 |
Family
ID=84842748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210871754.9A Pending CN115601152A (zh) | 2022-07-22 | 2022-07-22 | 违约概率确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115601152A (zh) |
-
2022
- 2022-07-22 CN CN202210871754.9A patent/CN115601152A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107193876B (zh) | 一种基于最近邻knn算法的缺失数据填补方法 | |
CN108763277B (zh) | 一种数据分析方法、计算机可读存储介质及终端设备 | |
CN107274291B (zh) | 跨平台的估值表解析方法、存储介质及应用服务器 | |
CN110704730A (zh) | 基于大数据的产品数据推送方法、系统及计算机设备 | |
WO2021174699A1 (zh) | 用户筛选方法、装置、设备及存储介质 | |
CN113674013B (zh) | 一种基于商户自定义规则的广告竞价调整方法及系统 | |
CN114139490A (zh) | 一种自动数据预处理的方法、装置以及设备 | |
CN113449010A (zh) | 投资机构收益信息挖掘方法、装置、电子设备和存储介质 | |
US20200364537A1 (en) | Systems and methods for training and executing a recurrent neural network to determine resolutions | |
CN114969498A (zh) | 一种行业龙头信息的推荐方法及装置 | |
CN114693428A (zh) | 数据确定方法、装置、计算机可读存储介质及电子设备 | |
CN115601152A (zh) | 违约概率确定方法及装置 | |
CN115167965A (zh) | 交易进度条的处理方法及装置 | |
CN111400413B (zh) | 一种确定知识库中知识点类目的方法及系统 | |
CN113849618A (zh) | 基于知识图谱的策略确定方法、装置、电子设备及介质 | |
CN113177733A (zh) | 基于卷积神经网络的中小微企业数据建模方法及系统 | |
CN115968478A (zh) | 机器学习特征推荐 | |
CN111882417A (zh) | 一种财务分析方法及装置 | |
CN111882339A (zh) | 预测模型训练及响应率预测方法、装置、设备及存储介质 | |
CN112396513B (zh) | 一种数据处理的方法及装置 | |
CN116862561B (zh) | 基于卷积神经网络的产品热度分析方法和系统 | |
CN112232944B (zh) | 一种评分卡创建方法、装置和电子设备 | |
CN117422321A (zh) | 专利价值评估方法、装置、电子设备和存储介质 | |
CN117474662A (zh) | 洗钱风险评估方法、装置、电子设备和存储介质 | |
CN117635138A (zh) | 异常业务交易账户识别方法及系统 |
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 |