CN115907947A - 一种企业贷款风险的预测方法及系统 - Google Patents
一种企业贷款风险的预测方法及系统 Download PDFInfo
- Publication number
- CN115907947A CN115907947A CN202211446290.3A CN202211446290A CN115907947A CN 115907947 A CN115907947 A CN 115907947A CN 202211446290 A CN202211446290 A CN 202211446290A CN 115907947 A CN115907947 A CN 115907947A
- Authority
- CN
- China
- Prior art keywords
- data
- enterprise
- risk
- loan
- prediction model
- 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
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供一种企业贷款风险的预测方法及系统,包括:获取预先训练得到的风险预测模型,风险预测模型为根据第一数据提供方中的第一企业数据和第二数据提供方中的第二企业数据基于纵向联邦学习训练得到的;将待预测企业输入风险预测模型,预测得到待预测企业的贷款风险数据,本申请中,通过整合第一数据方和第二数据方提供的数据,并挖掘多种数据背后相互关联的风险逻辑,基于纵向联邦学习进行模型训练,通过训练后的模型可以发现隐藏的企业风险,进而有效地提高了企业贷款风险的预测能力;同时由于基于纵向联邦学习的参与各方是相互传输加密后的模型参数,不断训练各自的模型,使得各方的特征数据不会泄露,有效地保障了数据的安全性。
Description
技术领域
本申请涉及企业风险预测技术领域,特别是涉及一种企业贷款风险的预测方法及系统。
背景技术
近年来,各银行全力推进普惠金融战略,取得了显著成效,如何坚持全面的风险管控,实现高质量发展,也是当前普惠金融业务所面临的一个重要课题。
传统的企业信贷业务由客户经理与授信审核人员共同参与,具有人为操作风险以及数据泄露的隐患。在此背景下,各银行通过研发和不断优化的风险预警模型或系统,可以在一定程度上降低普惠业务的贷款风险,但由于与企业风险相关的关键数据分散在各种银行和机构,无法挖掘多种数据背后相互关联的风险逻辑,无法发现隐藏的企业风险。
因此,如何挖掘多种数据背后相互关联的风险逻辑,发现隐藏的企业风险,提高企业贷款风险的预测能力,是本领域技术人员亟待解决的技术问题。
发明内容
为解决上述技术问题,本申请提供一种企业贷款风险的预测方法,通过整合第一数据提供方和第二数据提供方提供的数据,并挖掘多种数据背后相互关联的风险逻辑,基于纵向联邦学习进行模型训练,通过训练后的模型可以发现隐藏的企业风险,进而有效地提高了企业贷款风险的预测能力。
本申请提供的技术方案如下:
一种企业贷款风险的预测方法,包括:
获取预先训练得到的风险预测模型,其中,所述风险预测模型为根据第一数据提供方中的第一企业数据与第二数据提供方中的第二企业数据基于纵向联邦学习训练得到的;
将待预测企业输入所述风险预测模型,预测得到所述待预测企业的贷款风险数据。
优选地,所述风险预测模型通过以下方法训练得到:
获取第一数据提供方提供的第一企业数据和第二数据提供方提供的第二企业数据;
将所述第一企业数据和所述第二企业数据进行匹配,得到匹配后的企业数据;
根据预先定义的风险样本划分标准,基于所述匹配后的企业数据选取风险正样本和风险负样本;其中,所述风险正样本为银行信贷业务中已暴露风险的企业的相关数据或即将暴露风险的企业的相关数据,所述风险负样本为为征信状况正常的企业的相关数据;
根据预先定义的企业基础特征、派生特征和关联特征,对所述风险正样本和所述风险负样本进行特征提取,得到多个特征变量;
根据多个所述特征变量,基于纵向联邦学习进行训练,得到风险预测模型。
优选地,所述方法还包括:
获取预先训练得到的额度预测模型,其中,所述额度预测模型为根据第一数据提供方中的第一企业数据和第二数据提供方中的第二企业数据基于纵向联邦学习训练得到的;
将待预测企业输入所述额度预测模型,预测得到所述待预测企业的授信额度档位;
根据所述贷款风险数据和所述授信额度档位,得到贷款额度。
优选地,所述额度预测模型通过以下方法训练得到:
获取第一数据提供方提供的第一企业数据和第二数据提供方提供的第二企业数据;
将所述第一企业数据和所述第二企业数据进行匹配,得到匹配后的企业数据;
按照所述匹配后的企业数据中的授信额度,将所述匹配后的企业数据划分为N档授信额度样本,银行信贷业务中已暴露风险的企业或即将暴露风险的企业为N档所述授信额度样本中的一档;其中,N为大于1的正整数;
根据预先定义的企业基础特征、派生特征和关联特征,对N档所述授信额度样本进行特征提取,得到多个特征变量;
根据多个所述特征变量,基于纵向联邦学习进行训练,得到风险预测模型。
优选地,所述第一企业数据为政务金融数据,所述政务金融数据包括工商数据、行政司法数据、财务数据、涉税数据和缴费数据。
优选地,所述第二企业数据为银行数据,所述银行数据包括贷款业务、贷款额度、债项分级、授信数据。
优选地,所述银行数据还包括交易流水图谱;
所述关联特征包括:从所述交易流水图谱中提取的企业与所述已暴露风险的企业的关联情况、直接和间接转入转出风险度、直接风险收付款次数和直接风险收付款金额,以及从所述交易流水图谱中提取的企业的股东的交易流水数据、企业的法人代表的交易流水数据或企业的实际控制人的交易流水数据。
本申请还提供一种企业贷款风险的预测系统,包括:
获取模块,用于获取预先训练得到的风险预测模型,其中,所述风险预测模型为根据第一数据提供方中的第一企业数据与第二数据提供方中的第二企业数据基于纵向联邦学习训练得到的;
预测模块,用于将待预测企业输入所述风险预测模型,预测得到所述待预测企业的贷款风险数据。
本申请还提供一种企业贷款风险的预测装置,包括处理器、存储器和通信总线;
所述通信总线,用于实现所述处理器和所述存储器之间的连接通信;
所述处理器,用于执行所述存储器中存储的企业贷款风险的预测处理程序,以实现上述任一项所述企业贷款风险的预测方法的步骤。
本申请还提供一种可读存储介质,所述可读存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现上述任一项所述企业贷款风险的预测方法的步骤。
与现有技术相比较,本申请提供的一种企业贷款风险的预测方法,包括:获取预先训练得到的风险预测模型,其中,风险预测模型为根据第一数据提供方中的第一企业数据与第二数据提供方中的第二企业数据基于纵向联邦学习训练得到的;将待预测企业输入风险预测模型,预测得到待预测企业的贷款风险数据,本申请中,通过整合第一数据提供方和第二数据提供方提供的数据,并挖掘多种数据背后相互关联的风险逻辑,基于纵向联邦学习进行模型训练,通过训练后的模型可以发现隐藏的企业风险,进而有效地提高了企业贷款风险的预测能力;同时由于基于纵向联邦学习的参与各方是相互传输加密后的模型参数,不断训练各自的模型,使得各方的特征数据不会泄露,有效地保障了数据的安全性。
附图说明
为了更清楚地说明本申请实施例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简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,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为本申请实施例中提供的一种企业贷款风险的预测方法的流程示意图;
图2为本申请实施例中提供的一种企业贷款风险的预测系统的结构示意图;
图3为本发明实施例中提供的一种企业贷款风险的预测装置的结构示意图。
具体实施方式
为了使本领域的技术人员更好地理解本申请中的技术方案,下面将对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,当元件被称为“固定于”或“设置于”另一个元件上,它可以直接在另一个元件上或者间接设置在另一个元件上;当一个元件被称为是“连接于”另一个元件,它可以是直接连接到另一个元件或间接连接至另一个元件上。
需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多该特征。在本申请的描述中,“多个”、“若干个”的含义是两个或两个以上,除非另有明确具体的限定。
须知,本说明书附图所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本申请可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本申请所能产生的功效及所能达成的目的下,均应仍落在本申请所揭示的技术内容所能涵盖的范围内。
如图1所示,本申请实施例提供一种企业贷款风险的预测方法,包括:
S101、获取预先训练得到的风险预测模型,其中,风险预测模型为根据第一数据提供方中的第一企业数据与第二数据提供方中的第二企业数据基于纵向联邦学习训练得到的;
本实施例中,第一数据提供方可以是数据资源局,第一企业数据可以是政务金融数据,政务金融数据可以包括工商数据、行政司法数据、财务数据、涉税数据和缴费数据等,具体可以是企业基本信息,也可以是行政司法方面涉案、涉诉、被处罚、被执行和清算破产信息,还可以是资产、负债及营收状况信息,以及近期五险参保及费用缴纳情况和近期纳税及水电费用数额;第二数据提供方可以是银行,第二企业数据可以是银行数据,银行数据可以包括贷款额度、债项分级、授信数据和交易流水图谱等。
本实施例中,纵向联邦学习又被称为基于特征的联邦学习(特征在变),纵向表示数据是纵向(按列)划分的,样本的ID空间不变,两个或多个数据方上的数据集拥有相同的样本ID空间,而特征空间不同,目的是通过扩展特征的数量提高模型训练的精度。
S102、将待预测企业输入风险预测模型,预测得到待预测企业的贷款风险数据。
与现有技术相比较,本申请提供的一种企业贷款风险的预测方法,包括:获取预先训练得到的风险预测模型,其中,风险预测模型为根据第一数据提供方中的第一企业数据与第二数据提供方中的第二企业数据基于纵向联邦学习训练得到的;将待预测企业输入风险预测模型,预测得到待预测企业的贷款风险数据,本申请中,通过整合第一数据提供方和第二数据提供方提供的数据,并挖掘多种数据背后相互关联的风险逻辑,基于纵向联邦学习进行模型训练,通过训练后的模型可以发现隐藏的企业风险,进而有效地提高了企业贷款风险的预测能力;同时由于基于纵向联邦学习的参与各方是相互传输加密后的模型参数,不断训练各自的模型,使得各方的特征数据不会泄露,有效地保障了数据的安全性。
通过样本输入风险预测模型进行测试,成效显著,一方面是模型中加入从银行交易流水中挖掘的维度,尤其是与风险企业的关联后,效果大幅提升,另一方面是最优模型的精确率为94%,召回率为74.6%,是效果很好的预测模型,在实际业务中,风险预测模型发现了24家评级正常的企业有风险,半年后,有4家真实暴露风险,这也从实际业务的角度验证了模型的有效性。
作为一种实施方式,本申请实施例中,风险预测模型通过以下方法训练得到:
S201、获取第一数据提供方提供的第一企业数据和第二数据提供方提供的第二企业数据;
本实施例中,第一数据提供方数据资源局提供共1312175个企业和个体工商户的政务金融数据,政务金融数据可以包括工商数据、行政司法数据、财务数据、涉税数据和缴费数据等,具体可以是企业基本信息,也可以是行政司法方面涉案、涉诉、被处罚、被执行和清算破产信息,还可以是资产、负债及营收状况信息,以及近期五险参保及费用缴纳情况和近期纳税及水电费用数额;第二数据提供方银行对应地提供上述1312175个企业和个体工商户的银行数据,银行数据可以包括贷款额度、债项分级、授信数据和交易流水图谱等,其中,授信数据包括授信额度。
S202、将第一企业数据和第二企业数据进行匹配,得到匹配后的企业数据;
本实施例中,对数据资源局提供的1312175个企业和个体工商户进行分析,在与银行数据进行匹配并清洗掉含有较多空值或值为0的字段(主要为5种社会保险有关字段)后,得到匹配后的4676家企业数据,4676家企业数据的特点是政务金融数据的数据维度较为齐全,且银行数据中有贷款业务,贷款额度和债项分级。
S203、根据预先定义的风险样本划分标准,基于匹配后的企业数据选取风险正样本和风险负样本;其中,风险正样本为银行信贷业务中已暴露风险的企业的相关数据或即将暴露风险的企业的相关数据,风险负样本为为征信状况正常的企业的相关数据;
S204、根据预先定义的企业基础特征、派生特征和关联特征,对风险正样本和风险负样本进行特征提取,得到多个特征变量;
本实施例中,可以从政务金融数据提取78个企业基础特征,以及根据企业基础特征派生的58个派生特征,通过企业基础特征计算出一系列以变化率为核心的派生特征,在各个数据来源中寻找多层次的关联,提取企业异常行为;可以从银行数据中提取包括贷款业务、贷款额度、债项分级、授信数据和交易流水图谱的企业基础特征,以及从交易流水图谱中提取企业与所述已暴露风险的企业的关联情况、直接和间接转入转出风险度、直接风险收付款次数和直接风险收付款金额,以及从交易流水图谱中提取企业的股东的交易流水数据、企业的法人代表的交易流水数据或企业的实际控制人的交易流水数据。
S205、根据多个特征变量,基于纵向联邦学习进行训练,得到风险预测模型。
作为一种实施方式,本申请实施例中,方法还包括:
S301、获取预先训练得到的额度预测模型,其中,额度预测模型为根据第一数据提供方中的第一企业数据和第二数据提供方中的第二企业数据基于纵向联邦学习训练得到的;
本实施例中,若待预测企业输入风险预测模型预测得到的待预测企业的贷款风险数据非常大,则不需要再获取预先训练得到的额度预测模型,若待预测企业输入风险预测模型预测得到的待预测企业的贷款风险数据一般或较小,则进一步获取预先训练得到的额度预测模型。
本实施例中,第一数据提供方可以是数据资源局,第一企业数据可以是政务金融数据,政务金融数据可以包括工商数据、行政司法数据、财务数据、涉税数据和缴费数据等,具体可以是企业基本信息,也可以是行政司法方面涉案、涉诉、被处罚、被执行和清算破产信息,还可以是资产、负债及营收状况信息,以及近期五险参保及费用缴纳情况和近期纳税及水电费用数额;第二数据提供方可以是银行,第二企业数据可以是银行数据,银行数据可以包括贷款额度、债项分级、授信数据和交易流水图谱等。
S302、将待预测企业输入额度预测模型,预测得到待预测企业的授信额度档位;
S303、根据贷款风险数据和授信额度档位,得到贷款额度。
本实施例中,若待预测企业输入风险预测模型预测得到的待预测企业的贷款风险数据一般或较小,则根据贷款风险数据和授信额度档位进行综合考虑分析,得到待预测企业可贷款的具体额度。
作为一种实施方式,本申请实施例中,额度预测模型通过以下方法训练得到:
S401、获取第一数据提供方提供的第一企业数据和第二数据提供方提供的第二企业数据;
详情请上述实施例的步骤S201。
S402、将第一企业数据和第二企业数据进行匹配,得到匹配后的企业数据;
详情请上述实施例的步骤S202。
S403、按照匹配后的企业数据中的授信额度,将匹配后的企业数据划分为N档授信额度样本,银行信贷业务中已暴露风险的企业或即将暴露风险的企业为N档授信额度样本中的一档;其中,N为大于1的正整数;
本实施例中,N档优选为12档,即优选将匹配后的企业数据划分为12档授信额度样本,将银行信贷业务中已暴露风险的企业或即将暴露风险的企业单独作为12档授信额度样本中的一档。
S404、根据预先定义的企业基础特征、派生特征和关联特征,对N档授信额度样本进行特征提取,得到多个特征变量;
本实施例中,可以从政务金融数据提取78个企业基础特征,以及根据企业基础特征派生的58个派生特征;可以从银行数据中提取包括贷款业务、贷款额度、债项分级、授信数据和交易流水图谱的企业基础特征,以及从交易流水图谱中提取企业与所述已暴露风险的企业的关联情况、直接和间接转入转出风险度、直接风险收付款次数和直接风险收付款金额,以及从交易流水图谱中提取企业的股东的交易流水数据、企业的法人代表的交易流水数据或企业的实际控制人的交易流水数据。
S405、根据多个特征变量,基于纵向联邦学习进行训练,得到风险预测模型。
作为一种实施方式,本申请实施例中,第一企业数据为政务金融数据,政务金融数据包括工商数据、行政司法数据、财务数据、涉税数据和缴费数据。本实施例中,政务金融数据具体可以是企业基本信息,也可以是行政司法方面涉案、涉诉、被处罚、被执行和清算破产信息,还可以是资产、负债及营收状况信息,以及近期五险参保及费用缴纳情况和近期纳税及水电费用数额。
作为一种实施方式,本申请实施例中,第二企业数据为银行数据,银行数据包括贷款业务、贷款额度、债项分级、授信数据。
作为一种实施方式,本申请实施例中,银行数据还包括交易流水图谱;关联特征包括:从交易流水图谱中提取的企业与已暴露风险的企业的关联情况、直接和间接转入转出风险度、直接风险收付款次数和直接风险收付款金额,以及从交易流水图谱中提取的企业的股东的交易流水数据、企业的法人代表的交易流水数据或企业的实际控制人的交易流水数据。
本实施例中,通过图数据库在图拓扑分析方面的优势,可以在较短时间内完成待查企业与已知风险高危企业之间三度资金链条的识别工作,通过分析,可以将相关的资金链条作为考查企业是否风险可控的有效依据。在海量交易流水信息中,利用图数据库技术,将企业的股东、企业的法人或企业的实际控制人及其交易流水加入关系图谱中,再融入流水之外更多类别的关系图谱,还能够找到一些模式化的资金交易结构,这种资金交易结构与交易图中已知的风险节点信息相结合,往往能揭示更多的潜在的风险信息,可以为风险预测模型提供更多有区分能力的特征。
如图2所示,本申请还提供一种企业贷款风险的预测系统,包括:
获取模块201,用于获取预先训练得到的风险预测模型,其中,风险预测模型为根据第一数据提供方中的第一企业数据与第二数据提供方中的第二企业数据基于纵向联邦学习训练得到的;
预测模块202,用于将待预测企业输入风险预测模型,预测得到待预测企业的贷款风险数据。
如图3所示,本申请还提供一种企业贷款风险的预测装置,包括处理器301、存储器302和通信总线303;
通信总线303,用于实现处理器301和存储器302之间的连接通信;
处理器301,用于执行存储器302中存储的企业贷款风险的预测处理程序,以实现上述任一项企业贷款风险的预测方法的步骤。
本申请还提供一种可读存储介质,可读存储介质中存储有计算机可执行指令,计算机可执行指令被处理器加载并执行时,实现上述任一项企业贷款风险的预测方法的步骤。
应当理解,本申请中如若使用了“系统”、“装置”、“单元”和/或“模块”,仅是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换该词语。
本说明书中各实施例采用递进方式描述,每个实施例重点说明的都是与其他实施例不同之处,各个实施例之间相同或相似部分相互参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种企业贷款风险的预测方法,其特征在于,包括:
获取预先训练得到的风险预测模型,其中,所述风险预测模型为根据第一数据提供方中的第一企业数据与第二数据提供方中的第二企业数据基于纵向联邦学习训练得到的;
将待预测企业输入所述风险预测模型,预测得到所述待预测企业的贷款风险数据。
2.根据权利要求1所述的企业贷款风险的预测方法,其特征在于,所述风险预测模型通过以下方法训练得到:
获取第一数据提供方提供的第一企业数据和第二数据提供方提供的第二企业数据;
将所述第一企业数据和所述第二企业数据进行匹配,得到匹配后的企业数据;
根据预先定义的风险样本划分标准,基于所述匹配后的企业数据选取风险正样本和风险负样本;其中,所述风险正样本为银行信贷业务中已暴露风险的企业的相关数据或即将暴露风险的企业的相关数据,所述风险负样本为为征信状况正常的企业的相关数据;
根据预先定义的企业基础特征、派生特征和关联特征,对所述风险正样本和所述风险负样本进行特征提取,得到多个特征变量;
根据多个所述特征变量,基于纵向联邦学习进行训练,得到风险预测模型。
3.根据权利要求1所述的企业贷款风险的预测方法,其特征在于,所述方法还包括:
获取预先训练得到的额度预测模型,其中,所述额度预测模型为根据第一数据提供方中的第一企业数据和第二数据提供方中的第二企业数据基于纵向联邦学习训练得到的;
将待预测企业输入所述额度预测模型,预测得到所述待预测企业的授信额度档位;
根据所述贷款风险数据和所述授信额度档位,得到贷款额度。
4.根据权利要求3所述的企业贷款风险的预测方法,其特征在于,所述额度预测模型通过以下方法训练得到:
获取第一数据提供方提供的第一企业数据和第二数据提供方提供的第二企业数据;
将所述第一企业数据和所述第二企业数据进行匹配,得到匹配后的企业数据;
按照所述匹配后的企业数据中的授信额度,将所述匹配后的企业数据划分为N档授信额度样本,银行信贷业务中已暴露风险的企业或即将暴露风险的企业为N档所述授信额度样本中的一档;其中,N为大于1的正整数;
根据预先定义的企业基础特征、派生特征和关联特征,对N档所述授信额度样本进行特征提取,得到多个特征变量;
根据多个所述特征变量,基于纵向联邦学习进行训练,得到风险预测模型。
5.根据权利要求2或4所述的企业贷款风险的预测方法,其特征在于,所述第一企业数据为政务金融数据,所述政务金融数据包括工商数据、行政司法数据、财务数据、涉税数据和缴费数据。
6.根据权利要求2或4所述的企业贷款风险的预测方法,其特征在于,所述第二企业数据为银行数据,所述银行数据包括贷款业务、贷款额度、债项分级、授信数据。
7.根据权利要求6所述的企业贷款风险的预测方法,其特征在于,所述银行数据还包括交易流水图谱;
所述关联特征包括:从所述交易流水图谱中提取的企业与所述已暴露风险的企业的关联情况、直接和间接转入转出风险度、直接风险收付款次数和直接风险收付款金额,以及从所述交易流水图谱中提取的企业的股东的交易流水数据、企业的法人代表的交易流水数据或企业的实际控制人的交易流水数据。
8.一种企业贷款风险的预测系统,其特征在于,包括:
获取模块,用于获取预先训练得到的风险预测模型,其中,所述风险预测模型为根据第一数据提供方中的第一企业数据与第二数据提供方中的第二企业数据基于纵向联邦学习训练得到的;
预测模块,用于将待预测企业输入所述风险预测模型,预测得到所述待预测企业的贷款风险数据。
9.一种企业贷款风险的预测装置,其特征在于,包括处理器、存储器和通信总线;
所述通信总线,用于实现所述处理器和所述存储器之间的连接通信;
所述处理器,用于执行所述存储器中存储的企业贷款风险的预测处理程序,以实现如权利要求1-7任一项所述企业贷款风险的预测方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如权利要求1至7任一项所述企业贷款风险的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211446290.3A CN115907947A (zh) | 2022-11-18 | 2022-11-18 | 一种企业贷款风险的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211446290.3A CN115907947A (zh) | 2022-11-18 | 2022-11-18 | 一种企业贷款风险的预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115907947A true CN115907947A (zh) | 2023-04-04 |
Family
ID=86472032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211446290.3A Pending CN115907947A (zh) | 2022-11-18 | 2022-11-18 | 一种企业贷款风险的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907947A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437039A (zh) * | 2023-12-21 | 2024-01-23 | 湖南三湘银行股份有限公司 | 一种基于纵向联邦学习的商业银行贷款风控方法 |
-
2022
- 2022-11-18 CN CN202211446290.3A patent/CN115907947A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437039A (zh) * | 2023-12-21 | 2024-01-23 | 湖南三湘银行股份有限公司 | 一种基于纵向联邦学习的商业银行贷款风控方法 |
CN117437039B (zh) * | 2023-12-21 | 2024-04-30 | 湖南三湘银行股份有限公司 | 一种基于纵向联邦学习的商业银行贷款风控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Königstorfer et al. | Applications of Artificial Intelligence in commercial banks–A research agenda for behavioral finance | |
Kuhn et al. | Learning from WorldCom: Implications for fraud detection through continuous assurance | |
Eze et al. | Electronic banking and profitability of commercial banks in Nigeria | |
Yuan et al. | Do banks price litigation risk in debt contracting? Evidence from class action lawsuits | |
CN110852878B (zh) | 一种可信度确定方法、装置、设备和存储介质 | |
US20150112854A1 (en) | Method of Automating a Business Loan Life Cycle | |
Carfora et al. | Cyber risk management: An actuarial point of view | |
Woods et al. | Towards integrating insurance data into information security investment decision making | |
Babajide Abiola et al. | Predicting bank failure in Nigeria using survival analysis approach | |
CN111833182B (zh) | 识别风险对象的方法和装置 | |
Faria-e-Castro et al. | Evergreening | |
Di Castri et al. | Financial authorities in the era of data abundance: Regtech for regulators and suptech solutions | |
Kaur et al. | Fin Tech Companies in India: A Study of Growth Analysis | |
CN115526700A (zh) | 风险的预测方法、装置及电子设备 | |
CN115907947A (zh) | 一种企业贷款风险的预测方法及系统 | |
Demerjian et al. | Lender capital management and financial covenant strictness | |
Jantadej | Using the combinations of cash flow components to predict financial distress | |
Neagu et al. | Are green loans less risky? Micro-evidence from a European Emerging Economy | |
KR102110889B1 (ko) | 지능형 약관심사 서비스 제공 시스템 | |
Akram et al. | Prevalence of money laundering and terrorism financing through stock market: a comprehensive conceptual review paper | |
US20140330706A1 (en) | Apparatus and method for total loss prediction | |
Rybakovas et al. | Is Artificial Intelligence a Magic Pill Enhancing SMEs Access to Finance? | |
Yeh et al. | Predicting failure of P2P lending platforms through machine learning: The case in China | |
CN114638614A (zh) | 基于多维度政务数据的企业授信额度确定方法、装置 | |
Danovi et al. | Business continuity in times of distress: debt restructuring agreements and compositions with creditors in Italy |
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 |