CN115983884A - 现金流估值模型构建方法及装置 - Google Patents
现金流估值模型构建方法及装置 Download PDFInfo
- Publication number
- CN115983884A CN115983884A CN202211655941.XA CN202211655941A CN115983884A CN 115983884 A CN115983884 A CN 115983884A CN 202211655941 A CN202211655941 A CN 202211655941A CN 115983884 A CN115983884 A CN 115983884A
- Authority
- CN
- China
- Prior art keywords
- cash flow
- loan
- model
- valuation model
- interest
- 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
本发明提供一种现金流估值模型构建方法及装置,该方法包括:获取银行的贷款支用信息;基于贷款支用信息,构建初始现金流估值模型,初始现金流估值模型用于预估在零违约和零早偿的条件下,客户资产证券化现金流的本金和利息;确定银行支持的各个影响因素,并获取每个影响因素对应的历史样本数据,各个影响因素至少包括延期、早偿和违约;基于每个影响因素对应的历史样本数据,计算每个影响因素对应的参数估计;应用参数估计对初始现金流估值模型进行调整,直至初始现金流估值模型符合预设的调整条件,完成现金流估值模型的构建。应用本发明提供的方法,可以结合考虑到违约、早偿和延期的影响因素,构建新的现金流估值模型,提高模型的预测精度。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种现金流估值模型构建方法及装置。
背景技术
资产证券化是以基础资产所产生的现金流为偿付支持,通过结构化等方式进行信用增级,在此基础上发行资产支持证券的业务活动。
现有的客户资产证券化现金流估值模型是零违约零早偿的估值方法,即假设资产池内所有的贷款为零违约零早偿的理想状态,然后按照每笔贷款合同中利息和本金还款计划进行利息和本金的汇总形成各期现金流的估值。但是,随着银行持续推出的线上化、小额分散以及随借随还等还贷特点,通过现有技术中零违约零早偿的估值方法过于简单,没有考虑贷款的违约、早偿和延期的影响因素,会导致实际现金流和预测的现金流偏差比较大。
发明内容
有鉴于此,本发明提供一种现金流估值模型构建方法,通过该方法,可以结合考虑到违约、早偿和延期的影响因素,构建新的现金流估值模型,提高模型的预测精度。
本发明还提供了一种现金流估值模型构建装置,用以保证上述方法在实际中的实现及应用。
一种现金流估值模型构建方法,包括:
获取银行的贷款支用信息;
基于所述贷款支用信息,构建初始现金流估值模型,所述初始现金流估值模型用于预估在零违约和零早偿的条件下,客户资产证券化现金流的本金和利息;
确定所述银行中存在的现金流的影响因素,并获取每个所述影响因素对应的历史样本数据,各个所述影响因素至少包括延期、早偿和违约;
基于每个所述影响因素对应的历史样本数据,计算每个所述影响因素对应的参数估计;
应用各个所述参数估计对所述初始现金流估值模型进行多次调整,直至当前调整的初始现金流估值模型符合预设的调整条件,完成现金流估值模型的构建。
上述的方法,可选的,所述基于所述贷款支用信息,构建初始现金流估值模型,包括:
获取所述贷款支用信息中包含的贷款时间信息、贷款金额以及贷款利息;
获取预先设置的预估模型;
基于所述贷款时间信息、贷款金额以及贷款利息,调整所述预估模型,获得初始现金流估值模型。
上述的方法,可选的,所述基于每个所述影响因素对应的历史样本数据,计算每个所述影响因素对应的参数估计,包括:
确定每个所述影响因素对应的计算参数;
应用预设的统计法及每个所述影响因素对应的计算参数,对每个所述计算参数对应的历史样本数据进行分析,获得每个所述影响因素对应的参数估计。
上述的方法,可选的,所述应用各个所述参数估计对所述初始现金流估值模型进行多次调整,包括:
获取预设的历史时间段内已完成还款的历史还款记录,所述历史还款记录包含多个贷款信息及每个贷款信息对应的实际客户资产证券化现金流的本金和利息;
执行预设的模型调整过程;
其中,所述模型调整过程包括:应用所述参数估计,调整所述初始现金流估值模型的模型参数;将所述历史还款记录中的各个贷款信息输入所述初始现金流估值模型,获得所述初始现金流估值模型输出的每个所述贷款信息对应的预测结果,所述预测结果为预估的每个所述影响因素对应的理论客户资产证券化现金流的本金和利息;
应用每个贷款信息对应的实际客户资产证券化现金流的本金和利息验证所述输出的各个预测结果,获得验证结果;
当所述验证结果不满足所述调整条件时,更新所述参数估计,并重新执行所述模型调整过程;
当所述验证结果满足预设的调整条件时,结束对所述初始现金流估值模型的调整。
上述的方法,可选的,还包括:
应用已调整的现金流估值模型预估所述银行的资产池中所有贷款各个还款周期的现金流本金及利息;
基于所述资产池中所有贷款各个还款周期的现金流本金及利息,生成所述银行对应的现金流预测报表。
一种现金流估值模型构建装置,包括:
第一获取单元,用于获取银行的贷款支用信息;
构建单元,用于基于所述贷款支用信息,构建初始现金流估值模型,所述初始现金流估值模型用于预估在零违约和零早偿的条件下,客户资产证券化现金流的本金和利息;
第二获取单元,用于确定所述银行中存在的现金流的影响因素,并获取每个所述影响因素对应的历史样本数据,各个所述影响因素至少包括延期、早偿和违约;
计算单元,用于基于每个所述影响因素对应的历史样本数据,计算每个所述影响因素对应的参数估计;
调整单元,用于应用各个所述参数估计对所述初始现金流估值模型进行多次调整,直至当前调整的初始现金流估值模型符合预设的调整条件,完成现金流估值模型的构建。
上述的装置,可选的,所述构建单元,包括:
第一获取子单元,用于获取所述贷款支用信息中包含的贷款时间信息、贷款金额以及贷款利息;
第二获取子单元,用于获取预先设置的预估模型;
调整子单元,用于基于所述贷款时间信息、贷款金额以及贷款利息,调整所述预估模型,获得初始现金流估值模型。
上述的装置,可选的,所述计算单元,包括:
确定每个所述影响因素对应的计算参数;
应用预设的统计法及每个所述影响因素对应的计算参数,对每个所述计算参数对应的历史样本数据进行分析,获得每个所述影响因素对应的参数估计。
上述的装置,可选的,所述调整单元,包括:
第三获取子单元,用于获取预设的历史时间段内已完成还款的历史还款记录,所述历史还款记录包含多个贷款信息及每个贷款信息对应的实际客户资产证券化现金流的本金和利息;
执行子单元,用于执行预设的模型调整过程;
其中,所述模型调整过程包括:应用所述参数估计,调整所述初始现金流估值模型的模型参数;将所述历史还款记录中的各个贷款信息输入所述初始现金流估值模型,获得所述初始现金流估值模型输出的每个所述贷款信息对应的预测结果,所述预测结果为预估的每个所述影响因素对应的理论客户资产证券化现金流的本金和利息;
验证子单元,用于应用每个贷款信息对应的实际客户资产证券化现金流的本金和利息验证所述输出的各个预测结果,获得验证结果;
更新子单元,用于当所述验证结果不满足所述调整条件时,更新所述参数估计,并重新执行所述模型调整过程;
结束调整子单元,用于当所述验证结果满足预设的调整条件时,结束对所述初始现金流估值模型的调整。
上述的装置,可选的,还包括:
预估单元,用于应用已调整的现金流估值模型预估所述银行的资产池中所有贷款各个还款周期的现金流本金及利息;
生成单元,用于基于所述资产池中所有贷款各个还款周期的现金流本金及利息,生成所述银行对应的现金流预测报表。
一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行上述的现金流估值模型构建方法。
一种电子设备,包括存储器,以及一个或者一个以上的指令,其中一个或者一个以上指令存储于存储器中,且经配置以由一个或者一个以上处理器执行上述的现金流估值模型构建方法。
与现有技术相比,本发明包括以下优点:
本发明提供一种现金流估值模型构建方法,包括:获取银行的贷款支用信息;基于所述贷款支用信息,构建初始现金流估值模型,所述初始现金流估值模型用于预估在零违约和零早偿的条件下,客户资产证券化现金流的本金和利息;确定所述银行中存在的现金流的影响因素,并获取每个所述影响因素对应的历史样本数据,各个所述影响因素至少包括延期、早偿和违约;基于每个所述影响因素对应的历史样本数据,计算每个所述影响因素对应的参数估计;应用各个所述参数估计对所述初始现金流估值模型进行多次调整,直至当前调整的初始现金流估值模型符合预设的调整条件,完成现金流估值模型的构建。应用本发明提供的方法,可以结合考虑到违约、早偿和延期的影响因素,构建新的现金流估值模型,提高模型的预测精度。
附图说明
为了更清楚地说明本发明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发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种现金流估值模型构建方法的方法流程图;
图2为本发明实施例提供的一种现金流估值模型构建方法的又一方法流程图;
图3为本发明实施例提供的一种现金流估值模型构建方法的再一方法流程图;
图4为本发明实施例提供的一种现金流估值模型构建装置的装置结构图;
图5为本发明实施例提供的一种电子设备结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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,都属于本发明保护的范围。
在本申请中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明可用于众多通用或专用的计算装置环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。
本发明实施例提供了一种现金流估值模型构建方法,该方法可以应用在多种系统平台,其执行主体可以为计算机终端或各种移动设备的处理器,所述方法的方法流程图如图1所示,具体包括:
S101:获取银行的贷款支用信息。
需要说明的是,贷款支用信息包含银行的客户资产证券化的贷款时间信息、贷款金额以及贷款利息。
S102:基于所述贷款支用信息,构建初始现金流估值模型。
其中,所述初始现金流估值模型用于预估在零违约和零早偿的条件下,客户资产证券化现金流的本金和利息。
S103:确定所述银行中存在的现金流的影响因素,并获取每个所述影响因素对应的历史样本数据。
其中,各个所述影响因素至少包括延期、早偿和违约。
需要说明的是,影响因素除了延期、早偿和违约之外,还可以包括回收、李律以及付息方式等。
S104:基于每个所述影响因素对应的历史样本数据,计算每个所述影响因素对应的参数估计。
具体的,基于每个所述影响因素对应的历史样本数据,计算每个所述影响因素对应的参数估计,包括:
确定每个所述影响因素对应的计算参数,其中,影响因素至少包括利息违约率和付息方式;
应用预设的统计法及每个所述影响因素对应的计算参数,对每个所述计算参数对应的历史样本数据进行分析,获得每个所述影响因素对应的参数估计。
需要说明的是,历史样本数据包括客户贷款的历史还贷期数、利率、贷款期限以及抵押信息等。
需要说明的是,参数估计大多采用统计分析的方式进行参数估计,同时还考虑业务经验方面的影响。例如,1、利息违约率的估算:考虑到资产端现金流按月归集的特性,利息违约定义为截至月底时点利息仍未全部偿付;利息违约率定义为分析样本中各开贷期数发生利息违约的贷款授信总额除以该开贷期数的贷款授信总额;分析统计表明,随着开贷期数的增加利息违约率升高,信用贷款和12期的抵押贷款的利息违约率均较低,36期的抵押贷款利率高、贷款规模大、贷款期限长,利息违约率略高;依据贷款属性(分为信用贷、12期抵押贷款、36期抵押贷款)、开贷期数、付息方式,对利息违约率进行分层估计;2、比如付息方式:小微快贷的付息方式按照首个付息日是否在开贷当月分为两种。第一种付息方式为首月付息,首个付款日在开贷当月的21日,则首期利息为开贷日至当月21日的支用利息,第2至11期利息为上月21日至当月21日的支用利息,最后一期的利息在贷款到期日支付。第二种付息方式为首月不付息,首个付息日在贷款开贷的次月,则自首个付款日至到期日各月支付一次利息,金额简化为月应付利息。
S105:应用各个所述参数估计对所述初始现金流估值模型进行多次调整,直至当前调整的初始现金流估值模型符合预设的调整条件,完成现金流估值模型的构建。
在本发明中,初始现金流估值模型只考虑零早偿和零违约的情况进行现金流的预估,通过不同影响因素对应的参数估计对初始现金流估值模型进行调整,使得调整后获得的现金流估值模型可以除了根据零早偿和零违约预测现金流之外,还可以考虑延期、早偿和违约等情况。
本发明实施例提供的方法中,获取银行的贷款支用信息,根据该信息构建初始现金流预估模型,再结合银行支持的各个影响因素(例如:早偿、违约和延期等),获得对应的参数估计,通过参数估计对该模型进行调整。本发明中,调整后的模型除了考虑零早偿和零违约之外,还会考虑早偿、违约以及延期等多种影响因素的影响因素构建现金流预估模型,以提高对现金流进行预估的精度。
本发明实施例提供的方法中,基于所述贷款支用信息,构建初始现金流估值模型的过程如图2所示,包括:
S201:获取所述贷款支用信息中包含的贷款时间信息、贷款金额以及贷款利息。
在本发明中,贷款支用信息为银行中已进行资产证券化的贷款信息。
S202:获取预先设置的预估模型。
需要说明的是,该预估模型可以是神经网络模型。
S203:基于所述贷款时间信息、贷款金额以及贷款利息,调整所述预估模型,获得初始现金流估值模型。
在本发明中,将贷款时间信息、贷款金额以及贷款利息作为训练数据,训练预估模型在零早偿和零违约的情况下的现金流预估,训练完成后获得初始现金流估值模型。
本发明实施例提供的方法中,应用各个所述参数估计对所述初始现金流估值模型进行多次调整的过程如图3所示,包括:
S301:获取预设的历史时间段内已完成还款的历史还款记录。
其中,所述历史还款记录包含多个贷款信息及每个贷款信息对应的实际客户资产证券化现金流的本金和利息。
需要说明的是,在获得历史还款记录后,执行预设的模型调整过程;其中,所述模型调整过程包括为下述的S302~S303。
S302:应用所述参数估计,调整所述初始现金流估值模型的模型参数。
需要说明的是,根据各个参数估计,应用初始现金流估值模型计算各期预测本金流入和利息流入,进而调整模型的模型参数。
S303:将所述历史还款记录中的各个贷款信息输入所述初始现金流估值模型,获得所述初始现金流估值模型输出的每个所述贷款信息对应的预测结果。
其中,所述预测结果为预估的每个所述影响因素对应的理论客户资产证券化现金流的本金和利息。
需要说明的是,将历史还款记录中的贷款信息输入初始现金流估值模型,由于初始现金流模型是基于零早偿零违约构建的模型,因此在调整过程中,模型可能只会输出零早偿和零违约情况下的客户资产证券化现金流的本金和利息。在经过多次调整模型参数后,初始现金流估值模型预测的预测结果将会考虑早偿、延期和违约等多种影响因素,随着模型的调整,其输出的预测结果越来越符合实际客户资产证券化现金流的本金和利息。
S304:应用每个贷款信息对应的实际客户资产证券化现金流的本金和利息验证所述输出的各个预测结果,获得验证结果。
其中,当所述验证结果不满足预设的调整条件时,执行S305;当所述验证结果满足预设的调整条件时,执行S306。
S305:更新所述参数估计,并返回执行S302。
S306:结束对所述初始现金流估值模型的调整。
本发明实施例提供的方法中,获取历史时间段内已完成还款的历史还款记录。根据该历史还款记录中的贷款信息及贷款信息中的实际客户资产证券化现金流的本金和利息,对初始现金流估值模型进行调整。在模型调整过程中,应用当前的参数估计先调整模型参数,再将贷款信息输入初始现金流估值模型,获得其输出的预测结果。根据预测结果,验证获得的理论客户资产证券化现金流的本金和利息与实际客户资产证券化现金流的本金和利息之间的误差。若误差在预设的范围内,则结束调整,反之,则根据误差更新参数估计,并重新执行模型调整过程,此时模型调整过程中应用到的参数估计为新的参数估计。
进一步地,调整完模型后,具体还可以包括:
应用已调整的现金流估值模型预估所述银行的资产池中所有贷款各个还款周期的现金流本金及利息;
基于所述资产池中所有贷款各个还款周期的现金流本金及利息,生成所述银行对应的现金流预测报表。
本发明实施例中,可以在企业级资产证券化系统开发相应格式的报表,将资产池中所有贷款的各期现金流预测报表展示在企业级资产证券化系统,供业务部门对证券化项目进行贷款质量监测。
上述各个实施例的具体实施过程及其衍生方式,均在本发明的保护范围之内。
与图1所述的方法相对应,本发明实施例还提供了一种现金流估值模型构建装置,用于对图1中方法的具体实现,本发明实施例提供的现金流估值模型构建装置可以应用计算机终端或各种移动设备中,其结构示意图如图4所示,具体包括:
第一获取单元401,用于获取银行的贷款支用信息;
构建单元402,用于基于所述贷款支用信息,构建初始现金流估值模型,所述初始现金流估值模型用于预估在零违约和零早偿的条件下,客户资产证券化现金流的本金和利息;
第二获取单元403,用于确定所述银行中存在的现金流的影响因素,并获取每个所述影响因素对应的历史样本数据,各个所述影响因素至少包括延期、早偿和违约;
计算单元404,用于基于每个所述影响因素对应的历史样本数据,计算每个所述影响因素对应的参数估计;
调整单元405,用于应用各个所述参数估计对所述初始现金流估值模型进行多次调整,直至当前调整的初始现金流估值模型符合预设的调整条件,完成现金流估值模型的构建。
本发明实施例提供的装置中,获取银行的贷款支用信息,根据该信息构建初始现金流预估模型,再结合银行支持的各个影响因素(例如:早偿、违约和延期等),获得对应的参数估计,通过参数估计对该模型进行调整。本发明中,调整后的模型除了考虑零早偿和零违约之外,还会考虑早偿、违约以及延期等多种影响因素的影响因素构建现金流预估模型,以提高对现金流进行预估的精度。
本发明实施例提供的装置,所述构建单元,包括:
第一获取子单元,用于获取所述贷款支用信息中包含的贷款时间信息、贷款金额以及贷款利息;
第二获取子单元,用于获取预先设置的预估模型;
调整子单元,用于基于所述贷款时间信息、贷款金额以及贷款利息,调整所述预估模型,获得初始现金流估值模型。
本发明实施例提供的装置,所述计算单元,包括:
确定每个所述影响因素对应的计算参数;
应用预设的统计法及每个所述影响因素对应的计算参数,对每个所述计算参数对应的历史样本数据进行分析,获得每个所述影响因素对应的参数估计。
本发明实施例提供的装置,所述调整单元,包括:
第三获取子单元,用于获取预设的历史时间段内已完成还款的历史还款记录,所述历史还款记录包含多个贷款信息及每个贷款信息对应的实际客户资产证券化现金流的本金和利息;
执行子单元,用于执行预设的模型调整过程;
其中,所述模型调整过程包括:应用所述参数估计,调整所述初始现金流估值模型的模型参数;将所述历史还款记录中的各个贷款信息输入所述初始现金流估值模型,获得所述初始现金流估值模型输出的每个所述贷款信息对应的预测结果,所述预测结果为预估的每个所述影响因素对应的理论客户资产证券化现金流的本金和利息;
验证子单元,用于应用每个贷款信息对应的实际客户资产证券化现金流的本金和利息验证所述输出的各个预测结果,获得验证结果;
更新子单元,用于当所述验证结果不满足预设的调整条件时,更新所述参数估计,并重新执行所述模型调整过程;
结束调整子单元,用于当所述验证结果满足预设的调整条件时,结束对所述初始现金流估值模型的调整。
本发明实施例提供的装置,还包括:
预估单元,用于应用已调整的现金流估值模型预估所述银行的资产池中所有贷款各个还款周期的现金流本金及利息;
生成单元,用于基于所述资产池中所有贷款各个还款周期的现金流本金及利息,生成所述银行对应的现金流预测报表。
以上本发明实施例公开的现金流估值模型构建装置中各个单元及子单元的具体工作过程,可参见本发明上述实施例公开的现金流估值模型构建方法中的对应内容,这里不再进行赘述。
本发明实施例还提供了一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行上述现金流估值模型构建方法。
本发明实施例还提供了一种电子设备,其结构示意图如图5所示,具体包括存储器501,以及一个或者一个以上的指令502,其中一个或者一个以上指令502存储于存储器501中,且经配置以由一个或者一个以上处理器503执行所述一个或者一个以上指令502进行以下操作:
获取银行的贷款支用信息;
基于所述贷款支用信息,构建初始现金流估值模型,所述初始现金流估值模型用于预估在零违约和零早偿的条件下,客户资产证券化现金流的本金和利息;
确定所述银行中存在的现金流的影响因素,并获取每个所述影响因素对应的历史样本数据,各个所述影响因素至少包括延期、早偿和违约;
基于每个所述影响因素对应的历史样本数据,计算每个所述影响因素对应的参数估计;
应用各个所述参数估计对所述初始现金流估值模型进行多次调整,直至当前调整的初始现金流估值模型符合预设的调整条件,完成现金流估值模型的构建。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统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劳动的情况下,即可以理解并实施。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现。
为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
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发明。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发明的精神或范围的情况下,在其它实施例中实现。因此,本发明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)
1.一种现金流估值模型构建方法,其特征在于,包括:
获取银行的贷款支用信息;
基于所述贷款支用信息,构建初始现金流估值模型,所述初始现金流估值模型用于预估在零违约和零早偿的条件下,客户资产证券化现金流的本金和利息;
确定所述银行中存在的现金流的影响因素,并获取每个所述影响因素对应的历史样本数据,各个所述影响因素至少包括延期、早偿和违约;
基于每个所述影响因素对应的历史样本数据,计算每个所述影响因素对应的参数估计;
应用各个所述参数估计对所述初始现金流估值模型进行多次调整,直至当前调整的初始现金流估值模型符合预设的调整条件,完成现金流估值模型的构建。
2.根据权利要求1所述的方法,其特征在于,所述基于所述贷款支用信息,构建初始现金流估值模型,包括:
获取所述贷款支用信息中包含的贷款时间信息、贷款金额以及贷款利息;
获取预先设置的预估模型;
基于所述贷款时间信息、贷款金额以及贷款利息,调整所述预估模型,获得初始现金流估值模型。
3.根据权利要求1所述的方法,其特征在于,所述基于每个所述影响因素对应的历史样本数据,计算每个所述影响因素对应的参数估计,包括:
确定每个所述影响因素对应的计算参数;
应用预设的统计法及每个所述影响因素对应的计算参数,对每个所述计算参数对应的历史样本数据进行分析,获得每个所述影响因素对应的参数估计。
4.根据权利要求1所述的方法,其特征在于,所述应用各个所述参数估计对所述初始现金流估值模型进行多次调整,包括:
获取预设的历史时间段内已完成还款的历史还款记录,所述历史还款记录包含多个贷款信息及每个贷款信息对应的实际客户资产证券化现金流的本金和利息;
执行预设的模型调整过程;
其中,所述模型调整过程包括:应用所述参数估计,调整所述初始现金流估值模型的模型参数;将所述历史还款记录中的各个贷款信息输入所述初始现金流估值模型,获得所述初始现金流估值模型输出的每个所述贷款信息对应的预测结果,所述预测结果为预估的每个所述影响因素对应的理论客户资产证券化现金流的本金和利息;
应用每个贷款信息对应的实际客户资产证券化现金流的本金和利息验证所述输出的各个预测结果,获得验证结果;
当所述验证结果不满足所述调整条件时,更新所述参数估计,并重新执行所述模型调整过程;
当所述验证结果满足预设的调整条件时,结束对所述初始现金流估值模型的调整。
5.根据权利要求1或4所述的方法,其特征在于,还包括:
应用已调整的现金流估值模型预估所述银行的资产池中所有贷款各个还款周期的现金流本金及利息;
基于所述资产池中所有贷款各个还款周期的现金流本金及利息,生成所述银行对应的现金流预测报表。
6.一种现金流估值模型构建装置,其特征在于,包括:
第一获取单元,用于获取银行的贷款支用信息;
构建单元,用于基于所述贷款支用信息,构建初始现金流估值模型,所述初始现金流估值模型用于预估在零违约和零早偿的条件下,客户资产证券化现金流的本金和利息;
第二获取单元,用于确定所述银行中存在的现金流的影响因素,并获取每个所述影响因素对应的历史样本数据,各个所述影响因素至少包括延期、早偿和违约;
计算单元,用于基于每个所述影响因素对应的历史样本数据,计算每个所述影响因素对应的参数估计;
调整单元,用于应用各个所述参数估计对所述初始现金流估值模型进行多次调整,直至当前调整的初始现金流估值模型符合预设的调整条件,完成现金流估值模型的构建。
7.根据权利要求6所述的装置,其特征在于,所述构建单元,包括:
第一获取子单元,用于获取所述贷款支用信息中包含的贷款时间信息、贷款金额以及贷款利息;
第二获取子单元,用于获取预先设置的预估模型;
调整子单元,用于基于所述贷款时间信息、贷款金额以及贷款利息,调整所述预估模型,获得初始现金流估值模型。
8.根据权利要求6所述的装置,其特征在于,所述计算单元,包括:
确定每个所述影响因素对应的计算参数;
应用预设的统计法及每个所述影响因素对应的计算参数,对每个所述计算参数对应的历史样本数据进行分析,获得每个所述影响因素对应的参数估计。
9.根据权利要求6所述的装置,其特征在于,所述调整单元,包括:
第三获取子单元,用于获取预设的历史时间段内已完成还款的历史还款记录,所述历史还款记录包含多个贷款信息及每个贷款信息对应的实际客户资产证券化现金流的本金和利息;
执行子单元,用于执行预设的模型调整过程;
其中,所述模型调整过程包括:应用所述参数估计,调整所述初始现金流估值模型的模型参数;将所述历史还款记录中的各个贷款信息输入所述初始现金流估值模型,获得所述初始现金流估值模型输出的每个所述贷款信息对应的预测结果,所述预测结果为预估的每个所述影响因素对应的理论客户资产证券化现金流的本金和利息;
验证子单元,用于应用每个贷款信息对应的实际客户资产证券化现金流的本金和利息验证所述输出的各个预测结果,获得验证结果;
更新子单元,用于当所述验证结果不满足所述调整条件时,更新所述参数估计,并重新执行所述模型调整过程;
结束调整子单元,用于当所述验证结果满足预设的调整条件时,结束对所述初始现金流估值模型的调整。
10.根据权利要求6或9所述的装置,其特征在于,还包括:
预估单元,用于应用已调整的现金流估值模型预估所述银行的资产池中所有贷款各个还款周期的现金流本金及利息;
生成单元,用于基于所述资产池中所有贷款各个还款周期的现金流本金及利息,生成所述银行对应的现金流预测报表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211655941.XA CN115983884A (zh) | 2022-12-22 | 2022-12-22 | 现金流估值模型构建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211655941.XA CN115983884A (zh) | 2022-12-22 | 2022-12-22 | 现金流估值模型构建方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115983884A true CN115983884A (zh) | 2023-04-18 |
Family
ID=85975344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211655941.XA Pending CN115983884A (zh) | 2022-12-22 | 2022-12-22 | 现金流估值模型构建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115983884A (zh) |
-
2022
- 2022-12-22 CN CN202211655941.XA patent/CN115983884A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alavipour et al. | Optimizing financing cost in construction projects with fixed project duration | |
US20200202425A1 (en) | Computer-projected risk assessment using voluntarily contributed information | |
US8560447B1 (en) | Intelligent account selection for electronic bill payment | |
US8706599B1 (en) | System and method of generating investment criteria for an investment vehicle that includes a pool of escrow deposits from a plurality of merger and acquisition transactions | |
US20160027102A1 (en) | Method and system for providing electronic financial assistance | |
Pellegrino et al. | Public guarantees for mitigating interest rate risk in PPP projects | |
JP2007502483A (ja) | 顧客収益予測方法およびシステム | |
US10489865B1 (en) | Framework for cash-flow forecasting | |
US20110125564A1 (en) | Account level liquidity surcharge determination | |
US11816711B2 (en) | System and method for predicting personalized payment screen architecture | |
US20230111785A1 (en) | Machine-learning techniques to generate recommendations for risk mitigation | |
CN110135702A (zh) | 一种实时更新的还款积极度评估方法、装置、系统和记录介质 | |
CN1971610A (zh) | 一种用于评价银行贷款风险的系统及方法 | |
US11663662B2 (en) | Automatic adjustment of limits based on machine learning forecasting | |
US20110125623A1 (en) | Account level cost of funds determination | |
US20230306515A1 (en) | Systems and Computer-Implemented Methods for Capital Management | |
US20150088727A1 (en) | Method for determining creditworthiness for exchange of a projected, future asset | |
CN109741093A (zh) | 债权价值评估方法及装置、存储介质、终端 | |
CN116542760A (zh) | 一种用于评估数据的方法和装置 | |
JP6771513B2 (ja) | 債務不履行確率を算出する装置、方法及びそのためのプログラム | |
CN115953235A (zh) | 风险指标统计方法及装置、存储介质及电子设备 | |
CN111899093B (zh) | 一种违约损失率的预测方法及装置 | |
CN115983884A (zh) | 现金流估值模型构建方法及装置 | |
US11514516B2 (en) | Banking operation support system, banking operation support method, and banking operation support program | |
CN110909294A (zh) | 数据处理的方法和装置 |
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 |