CN115660811A - 一种提升消费金融逾期资产回收率的资产管理方法 - Google Patents
一种提升消费金融逾期资产回收率的资产管理方法 Download PDFInfo
- Publication number
- CN115660811A CN115660811A CN202211384287.3A CN202211384287A CN115660811A CN 115660811 A CN115660811 A CN 115660811A CN 202211384287 A CN202211384287 A CN 202211384287A CN 115660811 A CN115660811 A CN 115660811A
- Authority
- CN
- China
- Prior art keywords
- assets
- bad
- value
- repayment
- priority
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种提升消费金融逾期资产回收率的资产管理方法，属于数据处理技术领域，具体包括：获取不良资产所对应的债务人的还款意愿值；当还款意愿值大于第一意愿阈值时，将不良资产的优先级设置为第一等级，并进行优先处置；当还款意愿值大于第二意愿阈值时，则将金额大于第一金额阈值的不良资产的优先级设置为第二等级；当还款意愿值大于第三意愿阈值时，将金额大于第一金额阈值且逾期时间大于第一时间阈值的不良资产的优先级设置为第三等级；基于债务人的还款意愿值、不良资产的金额、逾期时间，构建尚未进行优先级设置的不良资产的处理优先值，并按照处理优先值的大小按顺序进行处置，从而进一步提升了不良资产处置的效率和资产回收率。
Description
技术领域
本发明属于数据处理技术领域，具体涉及一种提升消费金融逾期资产回收率的资产管理方法。
背景技术
消费金融以其独特的运营模式为长尾客户提前消费提供了便利，为经济发展做出一定的贡献。目前，我国正处于互联网+阶段，互联网与金融的持续深度融合，使得消费日趋繁荣，相关监管机构对于征信体系建设越来越完善，大众的基于信用消费观念的转型升级成为了当前重要的消费方式，但是与此同时也产生了大量的违约情况，产生了大量的不良资产。
为了实现对不良资产的管理，在发明专利公告号CN114331686A《一种基于标签的不良资产管理方法、设备及介质》中通过聚类算法，将目标不良资产划分至预设的第一数量个种类状态聚类簇中，获取与目标不良资产的种类标签以及状态标签相同的若干个历史不良资产；根据若干个历史不良资产与目标不良资产的资产相似度，确定目标不良资产的风险标签；根据目标不良资产的风险标签，以及目标不良资产的资产特征，确定目标不良资产的管理优先级以及最优处理时间，但是却存在一下技术问题：
1、忽略了债务人作为不良资产的主体的作用，对于历史还款及时、工作性质稳定的债务人，其还款意愿明显更高，资金回收的可能性也更大，因此若忽略了债务人的主体作用，则不良资产的管理优先级顺序明显不够准确，资产回收率也会受到影响。
2、未考虑不良资产的金额和逾期期限，对于金额较大且逾期期间较长的不良资产，其催收的紧急性明显要更高，因此若不考虑上述两种因素，其不良资产的管理优先级顺序明显不够准确，资产回收率同样也会受到影响。
3、忽略了造成所述债务人消费金融逾期的消费贷款购买的标的物与债务人的可靠性的关系，对于标的物的类型特别是车辆、奢侈品等标的物、是否安装有GPS装置都会影响到标的物的估值，而标的物的估值大于不良资产的金额，其可靠性明显较高。
基于上述技术问题，需要设计及一种提升消费金融逾期资产回收率的资产管理方法。
发明内容
本发明的目的是提供一种提升消费金融逾期资产回收率的资产管理方法。
为了解决上述技术问题，本发明第一方面提供了一种提升消费金融逾期资产回收率的资产管理方法，包括：
S11获取不良资产所对应的债务人的职业稳定度、历史还款情况、年龄、违约时间、违约金额、可靠性，采用基于智能算法的预测模型得到所述债务人的还款意愿值，其中所述可靠性根据造成所述债务人消费金融逾期的消费贷款购买的标的物的估值以及不良资产的金额确定，标的物的估值至少考虑所述标的物是否安装有GPS定位系统；
S12当所述债务人的还款意愿值大于第一意愿阈值时，则将不良资产的优先级设置为第一等级，并进行优先处置；
S13当所述债务人的还款意愿值大于第二意愿阈值时，则将不良资产的金额大于第一金额阈值的不良资产的优先级设置为第二等级，其中第一等级的不良资产的处置优先级大于第二等级的不良资产；
S14当债务人的还款意愿值大于第三意愿阈值时，将不良资产的金额大于第一金额阈值且逾期时间大于第一时间阈值的不良资产的优先级设置为第三等级，其中第二等级的不良资产的处置优先级大于第三等级的不良资产；
S15基于所述债务人的还款意愿值、不良资产的金额、不良资产的逾期时间，构建尚未进行优先级设置的不良资产的处理优先值，并对尚未进行优先级设置的不良资产按照处理优先值的大小按顺序进行处置。
通过基于债务人的职业稳定度、历史还款情况、年龄、违约时间、违约金额、可靠性，采用基于智能算法的预测模型得到所述债务人的还款意愿值，其中所述可靠性根据造成所述债务人消费金融逾期的消费贷款购买的标的物的估值以及不良资产的金额确定，标的物的估值至少考虑所述标的物是否安装有GPS定位系统，从而将不良资产的处理顺序与债务人联系在一起，从而极大的提升了不良资产处理的速度和效率，同时也提升了不良逾期资产的回收率。
通过第一意愿阈值、第二意愿阈值、第三意愿阈值的设置，从而可以根据债务人的还款意愿值的不同采用不同的处理方式，在保证较高的不良资产处理的速度的基础上，也能满足不良资产处理的金额和数量的要求，促进了回收率的提升。
通过基于所述债务人的还款意愿值、不良资产的金额、不良资产的逾期时间，构建尚未进行优先级设置的不良资产的处理优先值，从而不仅仅参看某一指标，而是综合多个指标实现对不良资产的处置，使得处理的顺序变得更加的合理，也促进了回收率的提升。
进一步的技术方案在于，所述职业稳定度根据所述债务人的职业的稳定程度进行打分，取值范围在0到1之间。
进一步的技术方案在于，所述历史还款情况根据近一年的还款金额、还款准时率确定，其中近一年的还款金额越多，还款准时率越高，则所述历史还款情况越大，取值范围在0到1之间。
进一步的技术方案在于，所述还款意愿值构建的具体步骤为：
S21基于所述债务人的职业稳定度、年龄，采用基于SVR算法的个人特征值预测模型构建所述债务人的个人特征值；
S22基于所述债务人的历史还款情况、违约时间、违约金额，采用基于SVR算法的违约特征值预测模型构建所述债务人的违约特征值；
S23基于所述债务人的个人特征值、违约特征值构建输入集，并将所述输入集传输至基于ABC-GRNN算法的还款意愿预测模型中，得到预测结果，基于所述预测结果得到初始还款意愿值；
S24基于所述债务人的可靠性，对所述初始还款意愿值进行修正，得到所述还款意愿值。
通过个人特征值、违约特征值的构建，从而使得还款意愿预测模型所需要处理的输入数据的维度进一步降低，同时也使得处理的输入数据变得更加的准确和可靠，不仅提升了预测的效率，同时也具有较高的预测精度。
通过基于债务人的可靠性对初始还款意愿值进行修正，得到所述还款意愿值，从而使得最终的还款意愿值的结果变得更加的准确，也变得更加的可靠。
进一步的技术方案在于，根据造成所述债务人消费金融逾期的消费贷款购买的标的物对所述债务人的可靠性进行确定，具体的根据所述标的物的使用年限、是否安装有GPS定位系统、磨损率实现对所述标的物的估值，并基于所述标的物的估值与所述不良资产的金额的比值，得到所述债务人的可靠性。
通过结合标的物实现对债务人的可靠性的评估，从而实现了从实际物品角度的剩余价值对债务人的可靠性的评估，也使得最终的还款意愿值能够更能准确的反应实际的还款意愿。
进一步的技术方案在于，所述还款意愿值的计算公式为：
其中C1、Y1分别为可靠性、初始还款意愿值，Y为还款意愿值，K1为常数，取值范围在0到0.1之间。
进一步的技术方案在于，当所述不良资产的优先级均属于第一等级时，则确定所述不良资产处理的优先顺序的具体步骤为：
S31获取所述不良资产的金额，将所述不良资产的金额大于第一金额阈值的不良资产作为最优处理资产，按照所述最优处理资产的金额的大小进行不良资产处理的优先顺序的排序；
S32获取除去最优处理资产的其他不良资产的逾期时间，并将逾期时间大于第一时间阈值的除去最优处理资产的其他不良资产作为次优处理资产，按照所述次优处理资产的逾期时间的长短进行不良资产处理的优先顺序的排序；
S33获取除去最优处理资产以及次优处理资产的其他不良资产作为剩余不良资产，基于所述剩余不良资产的逾期时间和金额，构建所述剩余不良资产的优先度，基于所述剩余不良资产的优先度的大小进行不良资产处理的优先顺序的排序。
通过第一金额阈值、第一时间阈值的设置，从而可以根据金额的不同以及逾期时间的不同，对优先等级为第一等级的不良资产的处理优先顺序进行排序，从而不仅保证了金额较大的不良资产被收回的效率进一步得到提升，而且保证了逾期时间较久的不良资产的处理效率。
通过优先度的构建，从而实现了从多角度实现了对不良资产的处理的优先顺序的评估，兼顾了不良资产的逾期时间和金额，极大的提升了逾期不良资产的回收率。
进一步的技术方案在于，第一时间阈值、第一金额阈值均根据需要处理的不良资产的数量、不良资产的金额分布情况、逾期时间分布情况确定。
进一步的技术方案在于，所述处理优先值的计算公式为：
其中Y为还款意愿值，J、S分别为根据不良资产的金额、逾期时间确定的权值，取值范围在0到1之间，K2、K3、K4、K5为常数。
另一方面，本发明提供了一种计算机存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种提升消费金融逾期资产回收率的资产管理方法。
其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。
图1是根据实施例1的一种提升消费金融逾期资产回收率的资产管理方法的流程图；
图2是实施例2中的一种计算机存储介质的框架图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。
用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
实施例1
为解决上述问题，根据本发明的一个方面，如图1所示，提供了一种提升消费金融逾期资产回收率的资产管理方法，包括：
S11获取不良资产所对应的债务人的职业稳定度、历史还款情况、年龄、违约时间、违约金额、可靠性，采用基于智能算法的预测模型得到所述债务人的还款意愿值，其中所述可靠性根据造成所述债务人消费金融逾期的消费贷款购买的标的物的估值以及不良资产的金额确定，标的物的估值至少考虑所述标的物是否安装有GPS定位系统；
具体的举个例子，职业稳定度根据债务人从事的职业的稳定情况进行确定，累计从事职业的时间、职业的收入稳定情况、职业的未来前景等，通过构建机器学习算法或者专家打分的方式对其进行确定。
具体的举个例子，历史还款情况根据债务人在过去一年内的还款记录、还款金额、履约次数、违约次数进行确定，具体的通过构建机器学习算法或者专家打分的方式对其进行确定。
具体的举个例子，智能算法可选择机器学习或者深度学习的任意一种算法，机器学习涉及我们在表中看到的结构化数据。用于此的算法包括线性和非线性变量。线性算法训练更快，而非线性算法则针对它们可能面临的问题(通常是非线性的)进行了更好的优化。深度学习是机器学习的一个子集，通常在处理音频，视频，文本和图像方面更受欢迎。
具体的举个例子，智能算法可以采用支持向量机或者决策树或者KNN等机器学习算法。
S12当所述债务人的还款意愿值大于第一意愿阈值时，则将不良资产的优先级设置为第一等级，并进行优先处置；
具体的举个例子，债务人的还款意愿值为0到1之间的值，其还款意愿值越大，则其还款意愿越大，说明债务人未来能够主动还逾期资产的可能性越大，因此需要对上述不良资产作为第一等级，也就是最优的处理级。
具体的举个例子，第一意愿阈值根据不良资产的总数量、债务人的还款意愿值的分布情况进行确定，优先选取不良资产的总数量的百分之10，并将上述不良资产作为最优的处理次序。
具体的举个例子，当均为第一等级时，此时需要按照不良资产的金额或者逾期时间再次进行排序，但是其优先等级均要高于第二等级的不良资产。
S13当所述债务人的还款意愿值大于第二意愿阈值时，则将不良资产的金额大于第一金额阈值的不良资产的优先级设置为第二等级，其中第一等级的不良资产的处置优先级大于第二等级的不良资产；
具体的举个例子，第一意愿阈值根据不良资产的总数量、债务人的还款意愿值的分布情况进行确定，优先选取不良资产的总数量的百分之20，并将上述不良资产作为次优的处理次序的备选不良资产。
具体的举个例子，当均为第一等级时，此时需要按照不良资产的金额或者逾期时间再次进行排序，但是其优先等级均要高于第二等级的不良资产。
S14当债务人的还款意愿值大于第三意愿阈值时，将不良资产的金额大于第一金额阈值且逾期时间大于第一时间阈值的不良资产的优先级设置为第三等级，其中第二等级的不良资产的处置优先级大于第三等级的不良资产；
具体的举个例子，第一意愿阈值根据不良资产的总数量、债务人的还款意愿值的分布情况进行确定，优先选取不良资产的总数量的百分之30，并将上述不良资产作为第三优的处理次序的备选不良资产。
具体的举个例子，第一金额阈值、第一时间阈值根据不良资产的逾期时间的分布情况、金额的分布情况确定。
S15基于所述债务人的还款意愿值、不良资产的金额、不良资产的逾期时间，构建尚未进行优先级设置的不良资产的处理优先值，并对尚未进行优先级设置的不良资产按照处理优先值的大小按顺序进行处置。
具体的举个例子，处理优先值可以根据债务人的还款意愿值、不良资产的金额、不良资产的逾期时间构建计算公式的方式构建，或者采用专家打分的方式，按照重要程度的不同，构建层次分析模型进行构建，从而使得处理的顺序变得更加合理。
通过基于债务人的职业稳定度、历史还款情况、年龄、违约时间、违约金额、可靠性，采用基于智能算法的预测模型得到所述债务人的还款意愿值，其中所述可靠性根据造成所述债务人消费金融逾期的消费贷款购买的标的物的估值以及不良资产的金额确定，标的物的估值至少考虑所述标的物是否安装有GPS定位系统，从而将不良资产的处理顺序与债务人联系在一起，从而极大的提升了不良资产处理的速度和效率，同时也提升了不良逾期资产的回收率。
通过第一意愿阈值、第二意愿阈值、第三意愿阈值的设置，从而可以根据债务人的还款意愿值的不同采用不同的处理方式，在保证较高的不良资产处理的速度的基础上，也能满足不良资产处理的金额和数量的要求，促进了回收率的提升。
通过基于所述债务人的还款意愿值、不良资产的金额、不良资产的逾期时间，构建尚未进行优先级设置的不良资产的处理优先值，从而不仅仅参看某一指标，而是综合多个指标实现对不良资产的处置，使得处理的顺序变得更加的合理，也促进了回收率的提升。
在另外一种可能的实施例中，所述职业稳定度根据所述债务人的职业的稳定程度进行打分，取值范围在0到1之间。
具体的举个例子，对于国企、央企在编人员且每月工资收入均稳定、从业时间超过五年以上的，其职业稳定度为1。
在另外一种可能的实施例中，所述历史还款情况根据近一年的还款金额、还款准时率确定，其中近一年的还款金额越多，还款准时率越高，则所述历史还款情况越大，取值范围在0到1之间。
在另外一种可能的实施例中，所述还款意愿值构建的具体步骤为：
S21基于所述债务人的职业稳定度、年龄，采用基于SVR算法的个人特征值预测模型构建所述债务人的个人特征值；
具体的举个例子，还可以通过层次分析模型的方式实现对个人特征值的构建，从而可以更加准确的反应个人的基本情况。
S22基于所述债务人的历史还款情况、违约时间、违约金额，采用基于SVR算法的违约特征值预测模型构建所述债务人的违约特征值；
S23基于所述债务人的个人特征值、违约特征值构建输入集，并将所述输入集传输至基于ABC-GRNN算法的还款意愿预测模型中，得到预测结果，基于所述预测结果得到初始还款意愿值；
S24基于所述债务人的可靠性，对所述初始还款意愿值进行修正，得到所述还款意愿值。
具体的举个例子，可以根据债务人的资产情况、累计贷款金额、房产、车辆等对债务人的可靠性进行评估，可靠性越高，则最后的还款意愿值就越高。
通过个人特征值、违约特征值的构建，从而使得还款意愿预测模型所需要处理的输入数据的维度进一步降低，同时也使得处理的输入数据变得更加的准确和可靠，不仅提升了预测的效率，同时也具有较高的预测精度。
通过基于债务人的可靠性对初始还款意愿值进行修正，得到所述还款意愿值，从而使得最终的还款意愿值的结果变得更加的准确，也变得更加的可靠。
在另外一种可能的实施例中，根据造成所述债务人消费金融逾期的消费贷款购买的标的物对所述债务人的可靠性进行确定，具体的根据所述标的物的使用年限、是否安装有GPS定位系统、磨损率实现对所述标的物的估值，并基于所述标的物的估值与所述不良资产的金额的比值，得到所述债务人的可靠性。
具体的举个例子，若标的物为车辆，按照此时的估值其估值大致在40000元，不良资产的金额为50000元，则债务人的可靠性为0.8。
通过结合标的物实现对债务人的可靠性的评估，从而实现了从实际物品角度的剩余价值对债务人的可靠性的评估，也使得最终的还款意愿值能够更能准确的反应实际的还款意愿。
在另外一种可能的实施例中，所述还款意愿值的计算公式为：
其中C1、Y1分别为可靠性、初始还款意愿值，Y为还款意愿值，K1为常数，取值范围在0到0.1之间。
在另外一种可能的实施例中，当所述不良资产的优先级均属于第一等级时，则确定所述不良资产处理的优先顺序的具体步骤为：
S31获取所述不良资产的金额，将所述不良资产的金额大于第一金额阈值的不良资产作为最优处理资产，按照所述最优处理资产的金额的大小进行不良资产处理的优先顺序的排序；
S32获取除去最优处理资产的其他不良资产的逾期时间，并将逾期时间大于第一时间阈值的除去最优处理资产的其他不良资产作为次优处理资产，按照所述次优处理资产的逾期时间的长短进行不良资产处理的优先顺序的排序；
S33获取除去最优处理资产以及次优处理资产的其他不良资产作为剩余不良资产，基于所述剩余不良资产的逾期时间和金额，构建所述剩余不良资产的优先度，基于所述剩余不良资产的优先度的大小进行不良资产处理的优先顺序的排序。
具体的举个例子，剩余不良资产的优先度可以通过层次分析模型的方式实现构建，具体的逾期时间和金额的重要程度则根据专家打分的方式进行确定，从而可以更加准确的反应个人的基本情况
通过第一金额阈值、第一时间阈值的设置，从而可以根据金额的不同以及逾期时间的不同，对优先等级为第一等级的不良资产的处理优先顺序进行排序，从而不仅保证了金额较大的不良资产被收回的效率进一步得到提升，而且保证了逾期时间较久的不良资产的处理效率。
通过优先度的构建，从而实现了从多角度实现了对不良资产的处理的优先顺序的评估，兼顾了不良资产的逾期时间和金额，极大的提升了逾期不良资产的回收率。
在另外一种可能的实施例中，第一时间阈值、第一金额阈值均根据需要处理的不良资产的数量、不良资产的金额分布情况、逾期时间分布情况确定。
在另外一种可能的实施例中，所述处理优先值的计算公式为：
其中Y为还款意愿值，J、S分别为根据不良资产的金额、逾期时间确定的权值，取值范围在0到1之间，K2、K3、K4、K5为常数。
实施例2
如图2所示，本发明提供了一种计算机存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种提升消费金融逾期资产回收率的资产管理方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、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，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方式中，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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块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。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种提升消费金融逾期资产回收率的资产管理方法，其特征在于，具体包括：
S11获取不良资产所对应的债务人的职业稳定度、历史还款情况、年龄、违约时间、违约金额、可靠性，采用基于智能算法的预测模型得到所述债务人的还款意愿值，其中所述可靠性根据造成所述债务人消费金融逾期的消费贷款购买的标的物的估值以及不良资产的金额确定，标的物的估值至少考虑所述标的物是否安装有GPS定位系统；
S12当所述债务人的还款意愿值大于第一意愿阈值时，则将不良资产的优先级设置为第一等级，并进行优先处置；
S13当所述债务人的还款意愿值大于第二意愿阈值时，则将不良资产的金额大于第一金额阈值的不良资产的优先级设置为第二等级，其中第一等级的不良资产的处置优先级大于第二等级的不良资产；
S14当债务人的还款意愿值大于第三意愿阈值时，将不良资产的金额大于第一金额阈值且逾期时间大于第一时间阈值的不良资产的优先级设置为第三等级，其中第二等级的不良资产的处置优先级大于第三等级的不良资产；
S15基于所述债务人的还款意愿值、不良资产的金额、不良资产的逾期时间，构建尚未进行优先级设置的不良资产的处理优先值，并对尚未进行优先级设置的不良资产按照处理优先值的大小按顺序进行处置。
2.如权利要求1所述的提升消费金融逾期资产回收率的资产管理方法，其特征在于，所述职业稳定度根据所述债务人的职业的稳定程度进行打分，取值范围在0到1之间。
3.如权利要求1所述的提升消费金融逾期资产回收率的资产管理方法，其特征在于，所述历史还款情况根据近一年的还款金额、还款准时率确定，其中近一年的还款金额越多，还款准时率越高，则所述历史还款情况越大，取值范围在0到1之间。
4.如权利要求1所述的提升消费金融逾期资产回收率的资产管理方法，其特征在于，所述还款意愿值构建的具体步骤为：
S21基于所述债务人的职业稳定度、年龄，采用基于SVR算法的个人特征值预测模型构建所述债务人的个人特征值；
S22基于所述债务人的历史还款情况、违约时间、违约金额，采用基于SVR算法的违约特征值预测模型构建所述债务人的违约特征值；
S23基于所述债务人的个人特征值、违约特征值构建输入集，并将所述输入集传输至基于ABC-GRNN算法的还款意愿预测模型中，得到预测结果，基于所述预测结果得到初始还款意愿值；
S24基于所述债务人的可靠性，对所述初始还款意愿值进行修正，得到所述还款意愿值。
5.如权利要求4所述的提升消费金融逾期资产回收率的资产管理方法，其特征在于，根据造成所述债务人消费金融逾期的消费贷款购买的标的物对所述债务人的可靠性进行确定，具体的根据所述标的物的使用年限、是否安装有GPS定位系统、磨损率实现对所述标的物的估值，并基于所述标的物的估值与所述不良资产的金额的比值，得到所述债务人的可靠性。
6.如权利要求1所述的提升消费金融逾期资产回收率的资产管理方法，其特征在于，所述还款意愿值的计算公式为：
其中C1、Y1分别为可靠性、初始还款意愿值，Y为还款意愿值，K1为常数，取值范围在0到0.1之间。
7.如权利要求1所述的提升消费金融逾期资产回收率的资产管理方法，其特征在于，当所述不良资产的优先级均属于第一等级时，则确定所述不良资产处理的优先顺序的具体步骤为：
S31获取所述不良资产的金额，将所述不良资产的金额大于第一金额阈值的不良资产作为最优处理资产，按照所述最优处理资产的金额的大小进行不良资产处理的优先顺序的排序；
S32获取除去最优处理资产的其他不良资产的逾期时间，并将逾期时间大于第一时间阈值的除去最优处理资产的其他不良资产作为次优处理资产，按照所述次优处理资产的逾期时间的长短进行不良资产处理的优先顺序的排序；
S33获取除去最优处理资产以及次优处理资产的其他不良资产作为剩余不良资产，基于所述剩余不良资产的逾期时间和金额，构建所述剩余不良资产的优先度，基于所述剩余不良资产的优先度的大小进行不良资产处理的优先顺序的排序。
8.如权利要求1所述的提升消费金融逾期资产回收率的资产管理方法，其特征在于，第一时间阈值、第一金额阈值均根据需要处理的不良资产的数量、不良资产的金额分布情况、逾期时间分布情况确定。
9.如权利要求1所述的提升消费金融逾期资产回收率的资产管理方法，其特征在于，所述处理优先值的计算公式为：
其中Y为还款意愿值，J、S分别为根据不良资产的金额、逾期时间确定的权值，取值范围在0到1之间，K2、K3、K4、K5为常数。
10.一种计算机存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-9任意一项所述的一种提升消费金融逾期资产回收率的资产管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211384287.3A CN115660811A (zh) | 2022-11-07 | 2022-11-07 | 一种提升消费金融逾期资产回收率的资产管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211384287.3A CN115660811A (zh) | 2022-11-07 | 2022-11-07 | 一种提升消费金融逾期资产回收率的资产管理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115660811A true CN115660811A (zh) | 2023-01-31 |
Family
ID=85015412
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211384287.3A Pending CN115660811A (zh) | 2022-11-07 | 2022-11-07 | 一种提升消费金融逾期资产回收率的资产管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115660811A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106952155A (zh) * | 2017-03-08 | 2017-07-14 | 深圳前海纵腾金融科技服务有限公司 | 一种基于信用评分的催收方法及装置 |
| CN108416669A (zh) * | 2018-03-13 | 2018-08-17 | 腾讯科技（深圳）有限公司 | 用户行为数据处理方法、装置、电子设备及计算机可读介质 |
| CN112700223A (zh) * | 2021-01-04 | 2021-04-23 | 深圳市恒鑫科技服务有限公司 | 一种催收系统的催收任务优先级智能编排方法 |
| CN112950347A (zh) * | 2021-02-01 | 2021-06-11 | 大箴(杭州)科技有限公司 | 资源数据处理的优化方法及装置、存储介质、终端 |
| CN113724067A (zh) * | 2021-08-31 | 2021-11-30 | 重庆富民银行股份有限公司 | 一种催收方法、存储介质及设备 |
| CN113807943A (zh) * | 2021-08-18 | 2021-12-17 | 大箴(杭州)科技有限公司 | 一种不良资产的多因子估值方法及系统、介质、设备 |
-
2022
- 2022-11-07 CN CN202211384287.3A patent/CN115660811A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106952155A (zh) * | 2017-03-08 | 2017-07-14 | 深圳前海纵腾金融科技服务有限公司 | 一种基于信用评分的催收方法及装置 |
| CN108416669A (zh) * | 2018-03-13 | 2018-08-17 | 腾讯科技（深圳）有限公司 | 用户行为数据处理方法、装置、电子设备及计算机可读介质 |
| CN112700223A (zh) * | 2021-01-04 | 2021-04-23 | 深圳市恒鑫科技服务有限公司 | 一种催收系统的催收任务优先级智能编排方法 |
| CN112950347A (zh) * | 2021-02-01 | 2021-06-11 | 大箴(杭州)科技有限公司 | 资源数据处理的优化方法及装置、存储介质、终端 |
| CN113807943A (zh) * | 2021-08-18 | 2021-12-17 | 大箴(杭州)科技有限公司 | 一种不良资产的多因子估值方法及系统、介质、设备 |
| CN113724067A (zh) * | 2021-08-31 | 2021-11-30 | 重庆富民银行股份有限公司 | 一种催收方法、存储介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bastani et al. | Wide and deep learning for peer-to-peer lending | |
| US7941363B2 (en) | System, method and computer program product for managing credit decisions | |
| US7610257B1 (en) | Computer-implemented risk evaluation systems and methods | |
| US8498931B2 (en) | Computer-implemented risk evaluation systems and methods | |
| JP4897253B2 (ja) | 事業実体に関するビジネス行動パターンを検出するための方法 | |
| US20080027841A1 (en) | System for integrating enterprise performance management | |
| Syed Nor et al. | Personal bankruptcy prediction using decision tree model | |
| Sang et al. | An in-depth analysis of the Altman’s failure Prediction model on corporate financial distress in Uchumi supermarket in Kenya | |
| CN107133862B (zh) | 动态产生增强信用评估的详细交易支付经历的方法和系统 | |
| CN112232950A (zh) | 针对借贷风险的评估方法及装置、设备、计算机可读存储介质 | |
| Akbulaev et al. | Economic analysis of tourism enterprise solvency and the possibility of bankruptcy: The case of the Thomas cook group | |
| Hu | Predicting and improving invoice-to-cash collection through machine learning | |
| Wang et al. | Applying TOPSIS method to evaluate the business operation performance of Vietnam listing securities companies | |
| Pakšiová et al. | Capital maintenance evolution using outputs from accounting system | |
| KR102249028B1 (ko) | 기업의 채무상환능력 평가시스템 | |
| Vuorikari | Optimizing working capital management from processes perspective | |
| KR101960074B1 (ko) | 신용 상태 평가 방법, 이를 실행하는 서버 및 이를 실행하는 시스템 | |
| CN115660811A (zh) | 一种提升消费金融逾期资产回收率的资产管理方法 | |
| US20140201103A1 (en) | System for research and development information assisting in investment, and a method, a computer program, and a readable and recordable media for computer thereof | |
| CN110968622B (zh) | 一种会计报告定制方法、平台和终端 | |
| Jin | Firm Misvaluation and Corporate Social Responsibility | |
| CN112734210A (zh) | 一种智能分案方法及系统 | |
| Ali et al. | An intelligent model for success prediction of initial coin offerings | |
| Suci et al. | Prediction of Small and Medium Business (SME) Bankruptcy in Gianyar Regency During COVID-19 | |
| Wang | Default Risks in Marketplace Lending |
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 |