CN115731023A - 一种贷款回收现金流数额的预测方法和系统 - Google Patents
一种贷款回收现金流数额的预测方法和系统 Download PDFInfo
- Publication number
- CN115731023A CN115731023A CN202211476357.8A CN202211476357A CN115731023A CN 115731023 A CN115731023 A CN 115731023A CN 202211476357 A CN202211476357 A CN 202211476357A CN 115731023 A CN115731023 A CN 115731023A
- Authority
- CN
- China
- Prior art keywords
- loan
- data
- predicted
- repayment
- historical
- 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
- 238000011084 recovery Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 abstract description 3
- 238000012954 risk control Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种贷款回收现金流数额的预测方法及系统,通过对历史数据及当前数据进行分析,利用多种可选算法对关键业务指标进行提取及拟合,据此对未来贷款回收数额进行预测。本发明预测方法适用于多种复杂场景,能够有效提高工作效率和准确度,能够辅助相关人员更好地进行风险控制及财务管理工作。本发明各环节均采用自动化方式进行,能够节省大量人力和物力,在提高数据运算效率的同时解决了依赖业务人员手动处理的问题,避免了因人工运算失误导致预测结果不准确的情况;深入结合业务实际,提高了历史数据利用效率,同时避免了因专家经验出现遗漏或误判而导致预测结果不准确的情况。
Description
技术领域
本申请涉及贷款回收现金流数额的预测技术领域,特别是涉及一种贷款回收现金流数额的预测方法和系统。
背景技术
贷款业务是金融业务中最为常见的需求,也是金融机构的主要营收来源。随着互联网金融的发展,金融机构想要维持信贷业务的稳定运行,能够准确评估贷款表现是必备的能力之一。一般情况下,准确了解贷款业务在任何阶段预计回收的金额能够帮助财务团队更好地进行财务规划和预算工作。为了实现该需求,相关人员需要提前一段时期对整个贷款组合的回收现金流数额进行预测。
目前,在传统信贷业务中,主要采用经验估算法进行预测,该方法依靠业务专家的经验积累,对该款信贷产品的业务特点、资产特征、历史交易情况、宏观经济特征等因素进行综合研判,得出合理的经验值,从而对后续工作的开展和调整进行指导。信贷业务涉及大量交易数据,同时根据不同应用场景及业务进行分类,具有多种多样的贷款组合及还本付息方式,如等额本金、等额本息、到期一次性还本付息、分期付息到期还本和分期付息分期还本等多种规则,由此衍生出复杂多样的还款计划,在进行预测时,相关人员需要基于逐笔业务加工出明细级别的结果集,生成报表以供分析研判,该方法需要由专业人员进行大量运算,同时还需要历史明细数据作为支撑,在某类最新增设的信贷业务缺少历史明细数据,无法满足上述任一需求时,相关人员开展预测工作的效率和准确度均会受到影响。
现有通过相关人员采用经验估算法进行预测的方法费时费力,存在因人工运算失误导致预测结果不准确的情况,以及在缺少历史明细数据时,预测准确度无法保证。
发明内容
基于此,针对上述技术问题,提供一种贷款回收现金流数额的预测方法和系统,能够解决现有预测方法费时费力,存在因人工运算失误导致预测结果不准确的情况,以及在缺少历史明细数据时,预测准确度无法保证的问题。
第一方面,一种贷款回收现金流数额的预测方法,所述方法包括:
获取多个历史贷款数据,其中,每个历史贷款数据包括所述历史贷款数据对应的贷款方式数据和对应还款数据,并根据所述贷款方式数据对所述多个历史贷款数据进行标记并分组存储得到标记后的A类历史贷款数据;所述还款数据包括还款数据指标、还款信息数据和还款明细数据;
响应于用户的输入,接收待预测贷款交易数据,所述待预测贷款交易数据包括待预测贷款的贷款方式数据;根据所述待预测贷款交易数据在所述多个历史贷款数据进行匹配;
若所述多个历史贷款数据中有所述待预测贷款交易数据,则获取所述多个历史数据中与所述待预测贷款交易数据匹配的B个历史数据,并获取所述B个历史数据的B组还款数据指标,取所述B组还款数据指标内多个数据平均值得到待预测贷款的参考还款数据指标;
若所述多个历史贷款数据中无所述待预测贷款交易数据,则获取所述标记后的A类历史贷款数据,并根据待预测贷款交易数据得到所述待预测贷款的贷款方式数据类,采用类间距离度量算法,通过计算所述标记后的A类历史贷款数据与所述待预测贷款的贷款方式数据类的类间距离得到与所述待预测贷款的贷款方式数据类间距离最小的所述标记后的A类历史贷款数据中的C类历史贷款数据;
根据所述C类历史贷款数据中对应的C组还款信息数据计算对应的C组还款数据指标,取所述C组还款数据指标内多个数据平均值得到待预测贷款的参考还款数据指标,并拟合待预测贷款交易数据预测模型;
根据所述待预测贷款的参考还款数据指标对应的历史贷款数据的还款明细数据,计算所述待预测贷款的放款金额数据;根据所述待预测贷款的参考还款数据指标和所述放款金额数据计算所述待预测贷款每期预测贷款回收金额及每期预测利息收益;
根据待预测贷款的贷款方式数据,将所述待预测贷款每期预测贷款回收金额及每期预测利息收益进行组合,并与所述待预测贷款的放款金额数据进行匹配,生成所述待预测贷款交易数据对应的预测回收现金流数额报告。
上述方案中,可选地,所述每个历史贷款数据包括所述历史贷款数据对应的贷款方式数据和对应还款数据中,所述历史贷款数据对应的贷款方式数据包括:所述历史贷款数据的贷款资产组合、贷款期限、贷款利率和还款付息方式数据。
上述方案中,进一步可选地,所述还款数据指标包括:应还本金比例、还款逾期率、还款早偿率和还款回收率。
上述方案中,进一步可选地,所述类间距离度量算法包括:欧氏距离算法、曼哈顿距离算法、切比雪夫距离算法、闵可夫斯基距离算法和余弦距离算法。
上述方案中,进一步可选地,所述还款明细数据包括:还款计划明细数据、客户画像特征数据、宏观经济特征数据和业务特征数据;
所述预测模型包括回归分析模型、随机森林模型和支持向量机模型。
上述方案中,进一步可选地,所述待预测贷款每期预测贷款回收金额的计算公式为:放款金额×(1-逾期率-早偿率-回收率)×当期本金比例。
上述方案中,进一步可选地,所述待预测贷款每期预测贷款每期预测利息收益的计算方式为:还款计划下当期本息和减去预测回收金额。
第二方面,一种贷款回收现金流数额的预测系统,所述系统包括:
获取模块:用于获取多个历史贷款数据,其中,每个历史贷款数据包括所述历史贷款数据对应的贷款方式数据和对应还款数据,并根据所述贷款方式数据对所述多个历史贷款数据进行标记并分组存储得到标记后的A类历史贷款数据;所述还款数据包括还款数据指标、还款信息数据和还款明细数据;
接收模块:用于响应于用户的输入,接收待预测贷款交易数据,所述待预测贷款交易数据包括待预测贷款的贷款方式数据;根据所述待预测贷款交易数据在所述多个历史贷款数据进行匹配;
第一匹配模块:用于若所述多个历史贷款数据中有所述待预测贷款交易数据,则获取所述多个历史数据中与所述待预测贷款交易数据匹配的B个历史数据,并获取所述B个历史数据的B组还款数据指标,取所述B组还款数据指标内多个数据平均值得到待预测贷款的参考还款数据指标;
第二匹配模块:用于若所述多个历史贷款数据中无所述待预测贷款交易数据,则获取所述标记后的A类历史贷款数据,并根据待预测贷款交易数据得到所述待预测贷款的贷款方式数据类,采用类间距离度量算法,通过计算所述标记后的A类历史贷款数据与所述待预测贷款的贷款方式数据类的类间距离得到与所述待预测贷款的贷款方式数据类间距离最小的所述标记后的A类历史贷款数据中的C类历史贷款数据;
第一计算模块:用于根据所述C类历史贷款数据中对应的C组还款信息数据计算对应的C组还款数据指标,取所述C组还款数据指标内多个数据平均值得到待预测贷款的参考还款数据指标,并拟合待预测贷款交易数据预测模型;
第二计算模块:用于根据所述待预测贷款的参考还款数据指标对应的历史贷款数据的还款明细数据,计算所述待预测贷款的放款金额数据;根据所述待预测贷款的参考还款数据指标和所述放款金额数据计算所述待预测贷款每期预测贷款回收金额及每期预测利息收益;
生成模块:用于根据待预测贷款的贷款方式数据,将所述待预测贷款每期预测贷款回收金额及每期预测利息收益进行组合,并与所述待预测贷款的放款金额数据进行匹配,生成所述待预测贷款交易数据对应的预测回收现金流数额报告。
第三方面,一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取多个历史贷款数据,其中,每个历史贷款数据包括所述历史贷款数据对应的贷款方式数据和对应还款数据,并根据所述贷款方式数据对所述多个历史贷款数据进行标记并分组存储得到标记后的A类历史贷款数据;所述还款数据包括还款数据指标、还款信息数据和还款明细数据;
响应于用户的输入,接收待预测贷款交易数据,所述待预测贷款交易数据包括待预测贷款的贷款方式数据;根据所述待预测贷款交易数据在所述多个历史贷款数据进行匹配;
若所述多个历史贷款数据中有所述待预测贷款交易数据,则获取所述多个历史数据中与所述待预测贷款交易数据匹配的B个历史数据,并获取所述B个历史数据的B组还款数据指标,取所述B组还款数据指标内多个数据平均值得到待预测贷款的参考还款数据指标;
若所述多个历史贷款数据中无所述待预测贷款交易数据,则获取所述标记后的A类历史贷款数据,并根据待预测贷款交易数据得到所述待预测贷款的贷款方式数据类,采用类间距离度量算法,通过计算所述标记后的A类历史贷款数据与所述待预测贷款的贷款方式数据类的类间距离得到与所述待预测贷款的贷款方式数据类间距离最小的所述标记后的A类历史贷款数据中的C类历史贷款数据;
根据所述C类历史贷款数据中对应的C组还款信息数据计算对应的C组还款数据指标,取所述C组还款数据指标内多个数据平均值得到待预测贷款的参考还款数据指标,并拟合待预测贷款交易数据预测模型;
根据所述待预测贷款的参考还款数据指标对应的历史贷款数据的还款明细数据,计算所述待预测贷款的放款金额数据;根据所述待预测贷款的参考还款数据指标和所述放款金额数据计算所述待预测贷款每期预测贷款回收金额及每期预测利息收益;
根据待预测贷款的贷款方式数据,将所述待预测贷款每期预测贷款回收金额及每期预测利息收益进行组合,并与所述待预测贷款的放款金额数据进行匹配,生成所述待预测贷款交易数据对应的预测回收现金流数额报告。
第四方面,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取多个历史贷款数据,其中,每个历史贷款数据包括所述历史贷款数据对应的贷款方式数据和对应还款数据,并根据所述贷款方式数据对所述多个历史贷款数据进行标记并分组存储得到标记后的A类历史贷款数据;所述还款数据包括还款数据指标、还款信息数据和还款明细数据;
响应于用户的输入,接收待预测贷款交易数据,所述待预测贷款交易数据包括待预测贷款的贷款方式数据;根据所述待预测贷款交易数据在所述多个历史贷款数据进行匹配;
若所述多个历史贷款数据中有所述待预测贷款交易数据,则获取所述多个历史数据中与所述待预测贷款交易数据匹配的B个历史数据,并获取所述B个历史数据的B组还款数据指标,取所述B组还款数据指标内多个数据平均值得到待预测贷款的参考还款数据指标;
若所述多个历史贷款数据中无所述待预测贷款交易数据,则获取所述标记后的A类历史贷款数据,并根据待预测贷款交易数据得到所述待预测贷款的贷款方式数据类,采用类间距离度量算法,通过计算所述标记后的A类历史贷款数据与所述待预测贷款的贷款方式数据类的类间距离得到与所述待预测贷款的贷款方式数据类间距离最小的所述标记后的A类历史贷款数据中的C类历史贷款数据;
根据所述C类历史贷款数据中对应的C组还款信息数据计算对应的C组还款数据指标,取所述C组还款数据指标内多个数据平均值得到待预测贷款的参考还款数据指标,并拟合待预测贷款交易数据预测模型;
根据所述待预测贷款的参考还款数据指标对应的历史贷款数据的还款明细数据,计算所述待预测贷款的放款金额数据;根据所述待预测贷款的参考还款数据指标和所述放款金额数据计算所述待预测贷款每期预测贷款回收金额及每期预测利息收益;
根据待预测贷款的贷款方式数据,将所述待预测贷款每期预测贷款回收金额及每期预测利息收益进行组合,并与所述待预测贷款的放款金额数据进行匹配,生成所述待预测贷款交易数据对应的预测回收现金流数额报告。
本发明至少具有以下有益效果:
本发明通过对历史数据及当前数据进行分析,利用多种可选算法对关键业务指标进行提取及拟合,据此对未来贷款回收数额进行预测。本发明预测方法适用于多种复杂场景,能够有效提高工作效率和准确度,能够辅助相关人员更好地进行风险控制及财务管理工作。
与现有技术相比,本发明提出的技术方案中有如下有益效果:
(1)各环节均采用自动化方式进行,能够节省大量人力和物力,在提高数据运算效率的同时解决了依赖业务人员手动处理的问题,避免了因人工运算失误导致预测结果不准确的情况;
(2)深入结合业务实际,提高了历史数据利用效率,同时避免了因专家经验出现遗漏或误判而导致预测结果不准确的情况;
(3)通过自定义算法对历史数据进行体系化的收集及分析,为金融机构后续对客户进行价值深度挖掘提供基础。
附图说明
图1为本发明一个实施例提供的贷款回收现金流数额的预测方法流程示意图;
图2为本发明一个实施例提供的贷款回收现金流数额的预测方法的框架流程示意图;
图3为本发明一个实施例提供的贷款回收现金流数额的预测方法的具体流程示意图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的贷款回收现金流数额的预测方法,在一个实施例中,如图1所示,提供了一种贷款回收现金流数额的预测方法,包括以下步骤:
获取多个历史贷款数据,其中,每个历史贷款数据包括所述历史贷款数据对应的贷款方式数据和对应还款数据,并根据所述贷款方式数据对所述多个历史贷款数据进行标记并分组存储得到标记后的A类历史贷款数据;所述还款数据包括还款数据指标、还款信息数据和还款明细数据;
响应于用户的输入,接收待预测贷款交易数据,所述待预测贷款交易数据包括待预测贷款的贷款方式数据;根据所述待预测贷款交易数据在所述多个历史贷款数据进行匹配;
在一个实施例中,所述待预测贷款交易数据可以为已有交易数据的需求场景,也可以为无交易数据仅有贷款业务要素如贷款利率、贷款期限、还款方式等信息的需求场景,在此不做限定。
若所述多个历史贷款数据中有所述待预测贷款交易数据,则获取所述多个历史数据中与所述待预测贷款交易数据匹配的B个历史数据,并获取所述B个历史数据的B组还款数据指标,取所述B组还款数据指标内多个数据平均值得到待预测贷款的参考还款数据指标;
在一个实施例中,得到待预测贷款的参考还款数据指标具体为:将获取到的数据随机分组成n组,每组计算对应值,再随机分成n组,再计算对应值,将以上流程重复几次后得到的对应值求平均,作为参考数据指标。多次随机分组及求平均值是为了消除极端值及异常值带来的影响,尽量获取更为客观的数据指标。
若所述多个历史贷款数据中无所述待预测贷款交易数据,则获取所述标记后的A类历史贷款数据,并根据待预测贷款交易数据得到所述待预测贷款的贷款方式数据类,采用类间距离度量算法,通过计算所述标记后的A类历史贷款数据与所述待预测贷款的贷款方式数据类的类间距离得到与所述待预测贷款的贷款方式数据类间距离最小的所述标记后的A类历史贷款数据中的C类历史贷款数据;
根据所述C类历史贷款数据中对应的C组还款信息数据计算对应的C组还款数据指标,取所述C组还款数据指标内多个数据平均值得到待预测贷款的参考还款数据指标,并拟合待预测贷款交易数据预测模型;
根据所述待预测贷款的参考还款数据指标对应的历史贷款数据的还款明细数据,计算所述待预测贷款的放款金额数据;根据所述待预测贷款的参考还款数据指标和所述放款金额数据计算所述待预测贷款每期预测贷款回收金额及每期预测利息收益;
根据待预测贷款的贷款方式数据,将所述待预测贷款每期预测贷款回收金额及每期预测利息收益进行组合,并与所述待预测贷款的放款金额数据进行匹配,生成所述待预测贷款交易数据对应的预测回收现金流数额报告。例如:某放款月有产品a,该产品在放款时存在m期和n期两种还款期限,则根据前述方法,m期和n期的还款计划内每期都将得到一个预测贷款回收金额,最后得到m+n个预测值,该m+n个值的总和是该放款月放款金额预计回收的总金额;再通过计算得到m+n个预测利息收益值,该m+n个值的总和是该放款月预计的总收益。其中,A、B和C分别为大于1的整数。
在一个实施例中,所述每个历史贷款数据包括所述历史贷款数据对应的贷款方式数据和对应还款数据中,所述历史贷款数据对应的贷款方式数据包括:所述历史贷款数据的贷款资产组合、贷款期限、贷款利率和还款付息方式数据。
在一个实施例中,所述还款数据指标包括:应还本金比例、还款逾期率、还款早偿率和还款回收率。
在一个实施例中,所述类间距离度量算法包括:欧氏距离算法、曼哈顿距离算法、切比雪夫距离算法、闵可夫斯基距离算法和余弦距离算法。
在一个实施例中,所述还款明细数据包括:还款计划明细数据、客户画像特征数据、宏观经济特征数据和业务特征数据;
所述预测模型包括回归分析模型、随机森林模型和支持向量机模型。
在一个实施例中,所述待预测贷款每期预测贷款回收金额的计算公式为:放款金额×(1-逾期率-早偿率-回收率)×当期本金比例。
在一个实施例中,所述待预测贷款每期预测贷款每期预测利息收益的计算方式为:还款计划下当期本息和减去预测回收金额。
本实施例中,通过对历史数据及当前数据进行分析,利用多种可选算法对关键业务指标进行提取及拟合,据此对未来贷款回收数额进行预测。本发明预测方法适用于多种复杂场景,能够有效提高工作效率和准确度,能够辅助相关人员更好地进行风险控制及财务管理工作。本实施例各环节均采用自动化方式进行,能够节省大量人力和物力,在提高数据运算效率的同时解决了依赖业务人员手动处理的问题,避免了因人工运算失误导致预测结果不准确的情况;深入结合业务实际,提高了历史数据利用效率,同时避免了因专家经验出现遗漏或误判而导致预测结果不准确的情况。通过自定义算法对历史数据进行体系化的收集及分析,为金融机构后续对客户进行价值深度挖掘提供基础。
在一个实施例中,如图2所示,提供的贷款回收现金流数额的预测方法的框架流程示意图,包括下列步骤:
数据采集及处理,采集现有数据并根据不同特征进行特定指标的提取和/或拟合工作;
数据运算及模拟,利用所述提取和/或拟合好的指标,结合业务需求,产出模拟数据,将模拟数据作为所述的贷款数额预测结果;
数据输出及展示,将所述预测结果进行组合,同时生成对应解释,形成高可读性、高可解释性的预测报告。
在一个实施例中,如图3所示,提供的贷款回收现金流数额的预测方法的具体流程示意图,包括以下步骤:
步骤1:S11、数据采集单元:获取历史数据,根据贷款资产组合、贷款期限、利率、还款付息方式等特征进行分类标注,提取并匹配还款计划明细信息,处理成表格数据,并对数据中的重要信息进行转换和加工(例如,将同一贷款借据在同一还款日内的多笔还款记录进行汇总);
S12、数据处理单元:再根据已知需求信息,判断是否有与当前需求场景特征相同或相似的历史交易数据:
如有,则通过批量运算程序对该部分数据进行多次分组,每次从每组中计算得到相应数据指标,包括资产组合方式、当期应还本金比例、当期还款逾期率、当期还款早偿率、当期还款回收率等,将多组结果的平均值作为预测未来贷款回收数额的参考指标;
如无,则采用下列方法进行处理:
根据已标注的特征将全量原始业务数据分成多类;
将本需求所涉的新业务归为一类或多类,采用类间距离度量算法,通过计算类间距离得到与新业务类间距离最小的一类或多类原始业务;其中类间距离度量算法包括并不限于:欧氏距离(Euc l i dean D i stance)、曼哈顿距离(Manhattan D i stance)、切比雪夫距离(Chebyshev D i stance)、闵可夫斯基距离(M i nkowsk i D i stance)、余弦距离(Cos i ne D i stance)等算法;
利用原始业务的历史数据计算相应数据指标,并拟合预测模型,其历史数据包括并不限于:前述还款计划明细数据、客户画像特征数据、宏观经济特征数据、业务特征数据等;所述的预测模型可以使用:回归分析、随机森林、支持向量机等模型;
利用拟合得到的预测模型,生成新业务的当期应还本金比例、当期还款逾期率、当期还款早偿率、当期还款回收率等参考指标。
步骤2:根据交易记录,计算预测需求所对应的贷款放款数据,结合前述获取的当期应还本金比例、当期还款逾期率、当期还款早偿率、当期还款回收率等参考指标,计算每期预测贷款回收金额及每期预测利息收益。
当期预测贷款回收金额的计算公式为:放款金额×(1-逾期率-早偿率-回收率)×当期本金比例
当期预测利息收益的计算公式为:还款计划下当期本息和-预测回收金额
由于不同贷款产品的利率、贷款期限及还款付息方式存在差异,在计算预测值之前,需根据实际业务场景拆分还款计划,并计算计划应收本息和。
步骤3:根据贷款组合方式,将前述预测得到的贷款回收金额和利息收益进行组合,同时与放款数据进行匹配,生成对应解释,整合得到完整的预测报告。
具体地,如某放款月有产品a,该产品在放款时存在m期和n期两种还款期限,则根据前述方法,m期和n期的还款计划内每期都将得到一个预测贷款回收金额,最后得到m+n个预测值,该m+n个值的总和是该放款月放款金额预计回收的总金额;再通过计算得到m+n个预测利息收益值,该m+n个值的总和是该放款月预计的总收益。
应该理解的是,虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-3中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,提供了一种贷款回收现金流数额的预测系统,包括以下程序模块:
获取模块:用于获取多个历史贷款数据,其中,每个历史贷款数据包括所述历史贷款数据对应的贷款方式数据和对应还款数据,并根据所述贷款方式数据对所述多个历史贷款数据进行标记并分组存储得到标记后的A类历史贷款数据;所述还款数据包括还款数据指标、还款信息数据和还款明细数据;
接收模块:用于响应于用户的输入,接收待预测贷款交易数据,所述待预测贷款交易数据包括待预测贷款的贷款方式数据;根据所述待预测贷款交易数据在所述多个历史贷款数据进行匹配;
第一匹配模块:用于若所述多个历史贷款数据中有所述待预测贷款交易数据,则获取所述多个历史数据中与所述待预测贷款交易数据匹配的B个历史数据,并获取所述B个历史数据的B组还款数据指标,取所述B组还款数据指标内多个数据平均值得到待预测贷款的参考还款数据指标;
第二匹配模块:用于若所述多个历史贷款数据中无所述待预测贷款交易数据,则获取所述标记后的A类历史贷款数据,并根据待预测贷款交易数据得到所述待预测贷款的贷款方式数据类,采用类间距离度量算法,通过计算所述标记后的A类历史贷款数据与所述待预测贷款的贷款方式数据类的类间距离得到与所述待预测贷款的贷款方式数据类间距离最小的所述标记后的A类历史贷款数据中的C类历史贷款数据;
第一计算模块:用于根据所述C类历史贷款数据中对应的C组还款信息数据计算对应的C组还款数据指标,取所述C组还款数据指标内多个数据平均值得到待预测贷款的参考还款数据指标,并拟合待预测贷款交易数据预测模型;
第二计算模块:用于根据所述待预测贷款的参考还款数据指标对应的历史贷款数据的还款明细数据,计算所述待预测贷款的放款金额数据;根据所述待预测贷款的参考还款数据指标和所述放款金额数据计算所述待预测贷款每期预测贷款回收金额及每期预测利息收益;
生成模块:用于根据待预测贷款的贷款方式数据,将所述待预测贷款每期预测贷款回收金额及每期预测利息收益进行组合,并与所述待预测贷款的放款金额数据进行匹配,生成所述待预测贷款交易数据对应的预测回收现金流数额报告。
关于贷款回收现金流数额的预测系统的具体限定可以参见上文中对于贷款回收现金流数额的预测方法的限定,在此不再赘述。上述贷款回收现金流数额的预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种贷款回收数额预测系统,该系统包括如下模块:
数据采集及处理模块,用于采集现有数据并根据不同特征进行特定指标的提取和/或拟合工作;
数据运算及模拟模块,用于利用所述提取和/或拟合好的指标,结合业务需求,产出模拟数据,将模拟数据作为所述的贷款数额预测结果;
数据输出及展示模块,用于将所述预测结果进行组合,同时生成对应解释,形成高可读性、高可解释性的预测报告。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入系统。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WI FI、运营商网络、BFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种贷款回收现金流数额的预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入系统可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,涉及上述实施例方法中的全部或部分流程。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,涉及上述实施例方法中的全部或部分流程。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OBl y Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(RaBdom Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Stat i c RaBdom Access Memory,SRAM)或动态随机存取存储器(DyBami c RaBdom Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种贷款回收现金流数额的预测方法,其特征在于,所述方法包括:
获取多个历史贷款数据,其中,每个历史贷款数据包括所述历史贷款数据对应的贷款方式数据和对应还款数据,并根据所述贷款方式数据对所述多个历史贷款数据进行标记并分组存储得到标记后的A类历史贷款数据;所述还款数据包括还款数据指标、还款信息数据和还款明细数据;
响应于用户的输入,接收待预测贷款交易数据,所述待预测贷款交易数据包括待预测贷款的贷款方式数据;根据所述待预测贷款交易数据在所述多个历史贷款数据进行匹配;
若所述多个历史贷款数据中有所述待预测贷款交易数据,则获取所述多个历史数据中与所述待预测贷款交易数据匹配的B个历史数据,并获取所述B个历史数据的B组还款数据指标,取所述B组还款数据指标内多个数据平均值得到待预测贷款的参考还款数据指标;
若所述多个历史贷款数据中无所述待预测贷款交易数据,则获取所述标记后的A类历史贷款数据,并根据待预测贷款交易数据得到所述待预测贷款的贷款方式数据类,采用类间距离度量算法,通过计算所述标记后的A类历史贷款数据与所述待预测贷款的贷款方式数据类的类间距离得到与所述待预测贷款的贷款方式数据类间距离最小的所述标记后的A类历史贷款数据中的C类历史贷款数据;
根据所述C类历史贷款数据中对应的C组还款信息数据计算对应的C组还款数据指标,取所述C组还款数据指标内多个数据平均值得到待预测贷款的参考还款数据指标,并拟合待预测贷款交易数据预测模型;
根据所述待预测贷款的参考还款数据指标对应的历史贷款数据的还款明细数据,计算所述待预测贷款的放款金额数据;根据所述待预测贷款的参考还款数据指标和所述放款金额数据计算所述待预测贷款每期预测贷款回收金额及每期预测利息收益;
根据待预测贷款的贷款方式数据,将所述待预测贷款每期预测贷款回收金额及每期预测利息收益进行组合,并与所述待预测贷款的放款金额数据进行匹配,生成所述待预测贷款交易数据对应的预测回收现金流数额报告。
2.根据权利要求1所述的方法,其特征在于,所述每个历史贷款数据包括所述历史贷款数据对应的贷款方式数据和对应还款数据中,所述历史贷款数据对应的贷款方式数据包括:所述历史贷款数据的贷款资产组合、贷款期限、贷款利率和还款付息方式数据。
3.根据权利要求1所述的方法,其特征在于,所述还款数据指标包括:应还本金比例、还款逾期率、还款早偿率和还款回收率。
4.根据权利要求1所述的方法,其特征在于,所述类间距离度量算法包括但不限于:欧氏距离算法、曼哈顿距离算法、切比雪夫距离算法、闵可夫斯基距离算法和余弦距离算法。
5.根据权利要求1所述的方法,其特征在于,所述还款明细数据包括:还款计划明细数据、客户画像特征数据、宏观经济特征数据和业务特征数据;
所述预测模型包括回归分析模型、随机森林模型和支持向量机模型。
6.根据权利要求1所述的方法,其特征在于,所述待预测贷款每期预测贷款回收金额的计算公式为:Σ放款金额×(1-逾期率-早偿率-回收率)×当期本金比例。
7.根据权利要求1所述的方法,其特征在于,所述待预测贷款每期预测贷款每期预测利息收益的计算方式为:还款计划下当期本息和减去预测回收金额。
8.一种贷款回收现金流数额的预测系统,其特征在于,所述系统包括:
获取模块:用于获取多个历史贷款数据,其中,每个历史贷款数据包括所述历史贷款数据对应的贷款方式数据和对应还款数据,并根据所述贷款方式数据对所述多个历史贷款数据进行标记并分组存储得到标记后的A类历史贷款数据;所述还款数据包括还款数据指标、还款信息数据和还款明细数据;
接收模块:用于响应于用户的输入,接收待预测贷款交易数据,所述待预测贷款交易数据包括待预测贷款的贷款方式数据;根据所述待预测贷款交易数据在所述多个历史贷款数据进行匹配;
第一匹配模块:用于若所述多个历史贷款数据中有所述待预测贷款交易数据,则获取所述多个历史数据中与所述待预测贷款交易数据匹配的B个历史数据,并获取所述B个历史数据的B组还款数据指标,取所述B组还款数据指标内多个数据平均值得到待预测贷款的参考还款数据指标;
第二匹配模块:用于若所述多个历史贷款数据中无所述待预测贷款交易数据,则获取所述标记后的A类历史贷款数据,并根据待预测贷款交易数据得到所述待预测贷款的贷款方式数据类,采用类间距离度量算法,通过计算所述标记后的A类历史贷款数据与所述待预测贷款的贷款方式数据类的类间距离得到与所述待预测贷款的贷款方式数据类间距离最小的所述标记后的A类历史贷款数据中的C类历史贷款数据;
第一计算模块:用于根据所述C类历史贷款数据中对应的C组还款信息数据计算对应的C组还款数据指标,取所述C组还款数据指标内多个数据平均值得到待预测贷款的参考还款数据指标,并拟合待预测贷款交易数据预测模型;
第二计算模块:用于根据所述待预测贷款的参考还款数据指标对应的历史贷款数据的还款明细数据,计算所述待预测贷款的放款金额数据;根据所述待预测贷款的参考还款数据指标和所述放款金额数据计算所述待预测贷款每期预测贷款回收金额及每期预测利息收益;
生成模块:用于根据待预测贷款的贷款方式数据,将所述待预测贷款每期预测贷款回收金额及每期预测利息收益进行组合,并与所述待预测贷款的放款金额数据进行匹配,生成所述待预测贷款交易数据对应的预测回收现金流数额报告。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211476357.8A CN115731023A (zh) | 2022-11-23 | 2022-11-23 | 一种贷款回收现金流数额的预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211476357.8A CN115731023A (zh) | 2022-11-23 | 2022-11-23 | 一种贷款回收现金流数额的预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115731023A true CN115731023A (zh) | 2023-03-03 |
Family
ID=85297651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211476357.8A Pending CN115731023A (zh) | 2022-11-23 | 2022-11-23 | 一种贷款回收现金流数额的预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115731023A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520460A (zh) * | 2018-03-26 | 2018-09-11 | 平安普惠企业管理有限公司 | 业务数据测算处理方法、装置、计算机设备和存储介质 |
CN109829817A (zh) * | 2019-02-02 | 2019-05-31 | 交通银行股份有限公司 | 还贷计划数据确定方法及装置 |
CN110363658A (zh) * | 2019-07-16 | 2019-10-22 | 北京明略软件系统有限公司 | 信贷数据的处理方法及装置、存储介质和电子装置 |
CN113313569A (zh) * | 2021-05-18 | 2021-08-27 | 建信金融科技有限责任公司 | 预测还款金额的方法、装置、设备及存储介质 |
CN114154682A (zh) * | 2021-11-10 | 2022-03-08 | 中国建设银行股份有限公司 | 一种客户贷款收益率等级预测方法及系统 |
CN114266414A (zh) * | 2021-12-29 | 2022-04-01 | 中国建设银行股份有限公司 | 贷款数额的预测方法、装置、电子设备和介质 |
-
2022
- 2022-11-23 CN CN202211476357.8A patent/CN115731023A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520460A (zh) * | 2018-03-26 | 2018-09-11 | 平安普惠企业管理有限公司 | 业务数据测算处理方法、装置、计算机设备和存储介质 |
CN109829817A (zh) * | 2019-02-02 | 2019-05-31 | 交通银行股份有限公司 | 还贷计划数据确定方法及装置 |
CN110363658A (zh) * | 2019-07-16 | 2019-10-22 | 北京明略软件系统有限公司 | 信贷数据的处理方法及装置、存储介质和电子装置 |
CN113313569A (zh) * | 2021-05-18 | 2021-08-27 | 建信金融科技有限责任公司 | 预测还款金额的方法、装置、设备及存储介质 |
CN114154682A (zh) * | 2021-11-10 | 2022-03-08 | 中国建设银行股份有限公司 | 一种客户贷款收益率等级预测方法及系统 |
CN114266414A (zh) * | 2021-12-29 | 2022-04-01 | 中国建设银行股份有限公司 | 贷款数额的预测方法、装置、电子设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7991666B2 (en) | Method and apparatus for estimating the spend capacity of consumers | |
US8577791B2 (en) | System and computer program for modeling and pricing loan products | |
US20150142713A1 (en) | Real-Time Adaptive Decision System And Method Using Predictive Modeling | |
US20100250469A1 (en) | Computer-Based Modeling of Spending Behaviors of Entities | |
US20060100957A1 (en) | Electronic data processing system and method of using an electronic data processing system for automatically determining a risk indicator value | |
EP1285374A1 (en) | Method of business analysis | |
AU2001255994A1 (en) | Method of Business Analysis | |
US20090177612A1 (en) | Method and Apparatus for Analyzing Data to Provide Decision Making Information | |
CN111353901A (zh) | 风险识别监控方法、装置以及电子设备 | |
JP2016099915A (ja) | 与信審査用サーバと与信審査用システム及び与信審査用プログラム | |
CN113034046A (zh) | 一种数据风险计量方法、装置、电子设备及存储介质 | |
CN112766814A (zh) | 一种信用风险压力测试模型的训练方法、装置及设备 | |
CN113837648B (zh) | 企业关联性分析方法、关联企业推荐方法和装置 | |
US20220156666A1 (en) | Systems and methods for confidence interval transaction settlement range predictions | |
CN115731023A (zh) | 一种贷款回收现金流数额的预测方法和系统 | |
GB2521749A (en) | Real-time adaptive decision system and method using predictive modeling | |
US9619769B2 (en) | Operational leading indicator (OLI) management using in-memory database | |
CN114240610B (zh) | 资金自动归集方法、装置、计算机设备和存储介质 | |
US20230394069A1 (en) | Method and apparatus for measuring material risk in a data set | |
JP5592861B2 (ja) | 債権評価支援システム、債権評価支援方法及び債権評価支援プログラム | |
CN110413967B (zh) | 对账图表生成方法、装置、计算机设备以及存储介质 | |
KR101930388B1 (ko) | 재무의사결정 지원 시스템 및 방법 | |
Alfiah et al. | Data Mining to Predict the Ability of Prospective Customer Credit Payments | |
Rudnichenko et al. | Intelligent System for Processing and Forecasting Financial Assets and Risks | |
Bejmer et al. | Valuation of a Non-Performing Loan Portfolio |
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: 20230303 |
|
RJ01 | Rejection of invention patent application after publication |