CN116128625A - 贷款利率确定方法、装置、设备及介质 - Google Patents
贷款利率确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116128625A CN116128625A CN202211635309.9A CN202211635309A CN116128625A CN 116128625 A CN116128625 A CN 116128625A CN 202211635309 A CN202211635309 A CN 202211635309A CN 116128625 A CN116128625 A CN 116128625A
- Authority
- CN
- China
- Prior art keywords
- risk
- interest rate
- loan interest
- determining
- risk preference
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012502 risk assessment Methods 0.000 claims abstract description 54
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000013138 pruning Methods 0.000 claims description 7
- 239000002131 composite material Substances 0.000 claims description 6
- 230000008901 benefit Effects 0.000 description 11
- 238000011161 development Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 108010023321 Factor VII Proteins 0.000 description 1
- 230000016571 aggressive behavior Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种贷款利率确定方法、装置、设备及介质,包括:基于目标风险偏好指标对应的银行样本数据,确定所述目标风险偏好指标在各风险评估因子上的得分,所述银行样本数据包括各商业银行的样本数据;基于所述得分,确定所述各商业银行的风险偏好系数;基于所述风险偏好系数,确定所述各商业银行的贷款利率;其中,所述风险评估因子用于表征影响所述贷款利率的商业银行属性。本发明实现贷款利率确定方法加入了风险偏好项,以及对风险偏好合理的定量手段的贷款利率确定方法,提升了贷款利率的准确率。
Description
技术领域
本发明涉及金融科技技术领域,尤其涉及一种贷款利率确定方法、装置、设备及介质。
背景技术
近年来,国际经济增长压力加大,贷款不良率增加。现今商业银行多数在利率定价过程中仅考虑了风险覆盖,未能量化因从事风险活动应取得的超额回报。造成其原因之一有商业银行通常对自身的风险偏好目前处于定性阶段,缺乏合理的定量手段对风险偏好做一具体设定计量。
而作为营利性机构商业银行需要通过量化贷款业务的风险偏好来进一步完善风险与收益相匹配。同时,随着金融创新与经济金融全球化的趋势下,当前商业银行面临的风险日趋复杂,金融危机爆发的可能性随之增加,在强调追求利润的同时,还必须考虑到当宏观经济发生极端情况下的对银行带来的潜在影响。
因此,现有的贷款利率计算过程中仅考虑了风险覆盖,导致贷款利率的准确率低。
发明内容
本发明提供一种贷款利率确定方法、装置、设备及介质,用以解决现有的贷款利率计算过程中仅考虑了风险覆盖,导致贷款利率的准确率低的缺陷,实现贷款利率计算方法加入风险偏好项,对风险偏好合理的定量手段的贷款定价方法,提升了贷款利率的准确率。
本发明提供一种贷款利率确定方法,包括:
基于目标风险偏好指标对应的银行样本数据,确定所述目标风险偏好指标在各风险评估因子上的得分,所述银行样本数据包括各商业银行的样本数据;
基于所述得分,确定所述各商业银行的风险偏好系数;
基于所述风险偏好系数,确定所述各商业银行的贷款利率;
其中,所述风险评估因子用于表征影响所述贷款利率的商业银行属性。
根据本发明提出的一种贷款利率确定方法,所述目标风险偏好指标是基于如下步骤确定的,包括:
对第一风险偏好指标中的各个指标变量进行聚类得到聚类结果,得到第一聚类结果,以基于所述第一聚类结果确定第二风险偏好指标,所述第二风险偏好指标的数量小于所述第一风险偏好指标的数量;
基于所述各风险评估因子,对所述第二风险偏好指标进行剪枝,确定所述目标风险偏好指标,所述目标风险偏好指标的数量小于所述第二风险偏好指标的数量。
根据本发明提出的一种贷款利率确定方法,所述基于所述各风险评估因子,对所述第二风险偏好指标进行剪枝,确定所述目标风险偏好指标,包括:
对所述第二风险偏好指标中的各个指标变量进行聚类,确定第二聚类结果;
基于所述第二聚类结果的所有类中指标变量和所述各风险评估因子,确定所述目标风险偏好指标。
根据本发明提出的一种贷款利率确定方法,所述基于所述得分,确定所述各商业银行的风险偏好系数,包括:
基于所述得分和所述各风险评估因子对应的加权权重,分别对所述各风险评估因子对应的得分进行加权求和,确定所述各风险评估因子的综合得分;
基于所述综合得分,确定所述各商业银行的风险偏好系数。
根据本发明提出的一种贷款利率确定方法,所述贷款利率包括第一贷款利率和/或第二贷款利率,所述基于所述风险偏好系数,确定所述各商业银行的贷款利率,包括:
在所述贷款利率包括所述第一贷款利率的情况下,基于所述风险偏好系数和所述各商业银行的历史实际利率,确定所述各商业银行的第一贷款利率;
在所述贷款利率包括所述第二贷款利率的情况下,基于所述风险偏好系数和风险补偿系数,确定所述各商业银行的第二贷款利率。
根据本发明提出的一种贷款利率确定方法,所述基于所述风险偏好系数和所述各商业银行的历史实际利率,确定所述各商业银行的第一贷款利率,包括:
获取所述各商业银行的历史实际利率以及与所述历史实际利率的年份所对应的借款本金;
基于所述历史实际利率和所述借款本金,确定所述商业银行的贷款加权执行利率;
基于所述贷款加权执行利率和所述风险偏好系数,确定所述各商业银行的第一贷款利率。
根据本发明提出的一种贷款利率确定方法,所述基于所述风险偏好系数和风险补偿系数,确定所述各商业银行的第二贷款利率,包括:
基于所述目标风险偏好指标对应的聚类结果的主成分特征,确定风险补偿系数;
基于所述风险偏好系数和所述风险补偿系数,确定所述各商业银行的第二贷款利率。
本发明还提供一种贷款利率确定装置,包括:
得分确定模块,用于基于目标风险偏好指标对应的银行样本数据,确定所述目标风险偏好指标在各风险评估因子上的得分,所述银行样本数据包括各商业银行的样本数据;
风险偏好系数确定模块,用于基于所述得分,确定所述各商业银行的风险偏好系数;
利率计算模块,用于基于所述风险偏好系数,确定所述各商业银行的贷款利率;
其中,所述风险评估因子用于表征影响所述贷款利率的商业银行属性。
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贷款利率确定方法。
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贷款利率确定方法。
本发明提供的贷款利率确定方法、装置、设备及介质,通过设定目标风险偏好指标,并根据目标风险偏好指标,对各商业公司的进行风险偏好打分以及风险偏好系数计算,从而根据风险偏好系数进行商业银行的贷款利率计算,实现在贷款利率确定方法加入了风险偏好项,以及设置对风险偏好合理的定量手段的贷款利率确定方法,提升了贷款利率的准确率。
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是本发明提供的贷款利率确定方法的流程示意图之一;
图2是本发明提供的常用的风险偏好指标;
图3是本发明提供的贷款利率确定方法的流程示意图之二;
图4是本发明提供的贷款利率确定方法的流程示意图之三;
图5是本发明提供的陡坡图;
图6是本发明提供的方差解释图;
图7是本发明提供的贷款利率确定方法的流程示意图之四;
图8是各类目标风险偏好指标在各因子上取值的示意图;
图9是本发明提供的贷款利率确定方法的流程示意图之五;
图10是本发明提供的贷款利率确定方法的流程示意图之六;
图11是本发明提供的贷款利率确定装置的结构示意图;
图12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。
下面结合图1-图10描述本发明的贷款利率确定方法。
请参照图1,本发明提出的贷款利率确定方法,包括:
步骤10,基于目标风险偏好指标对应的银行样本数据,确定所述目标风险偏好指标在各风险评估因子上的得分,所述银行样本数据包括各商业银行的样本数据;
风险偏好(Risk-Preference),是指决策者面临不确定性时在承担风险种类大小等方面表现出的一种基本态度、倾向。现今商业银行风险偏好的研究局限在定性上,商业银行作为一个盈利机构行不仅应考虑风险覆盖,更应量化因从事风险活动应取得的超额回报。
商业银行本身作为盈利机构管理层亦作为投资者进行生产经营活动。从风险容忍度的角度上来说,不同的投资者对待风险的态度有较大差异,大体可以将之归为三类:风险保守、风险适中和风险激进。具体到商业银行,它是指其风险承受能力的总量。只有当商业银行风险承担能力与自身经营状态相匹配时,才能做到持续经营。
商业银行的风险偏好是平衡商业银行的盈利与承受风险程度关系的重要指标,以确保其达到持续经营的目的。由于商业银行的盈利性,风险偏好指出的是业务部门所能承受的合理风险范围,使得收益与风险相匹配。在合理承受风险的前提下达到利润最大化。商业银行的风险偏好作为银行整体的发展战略目标,不管是从公司治理、发展战略或风险管理上来说,都是银行稳健发展的重要指标。商业银行需要构建一个完整且定位准确的风险偏好体系来支持银行的稳定发展。
本申请实施例中提出的风险偏好指标表征影响商业贷款利率定价的因素。
风险偏好框架体系是商业银行的发展战略设计过程中不可或缺的一部分。一个完整的风险偏好框架体系应由商业银行自身定位,体现利益相关方分析,风险偏好指标选取及设定三个部分组成。
其中第一部分对框架体系中风险偏好的定位是指银行的整体战略中风险偏好为保守、适中或激进等的一根连续尺度上的某个标签。风险偏好的整体标签实际决定了商业银行所愿意承担风险的整体水平以及态度,自然而然的偏好保守的商业银行其收益相对稳定但回报偏低,而相对激进的风险偏好收益波动大,带来的整体收益会偏高。
风险偏好框架体系的第三部分是风险偏好指标的选取以及设定。风险偏好在设定时,通常会考虑定性与定量的两种做法。对于定性的做法会综合考虑相关利益方的期望,商业银行一般根据自身发展规律,对比同业水平,以及未来发展期望给出自身风险偏好定位的定性设定。定量做法则会在定型的基础上,将指标加以量化。请参照图2所示的指标表,图2示出了常用的风险偏好指标,其列举了商业银行在风险偏好设置时常用的指标及指标类别。
根据目标风险偏好指标对银行样本数据进行聚类,确定目标风险偏好指标在各风险评估因子上的得分,以通过分析聚类后的样本画像,粗分不同风险偏好程度下的样本分布规律。
更具体的分析需要衡量目标风险偏好指标在各风险评估因子上的取值,正值说明该类客户在该因子属性上有较多的代表性,负值则说明该类客户在该因子属性上代表性较少。
本实施例中,通过聚类分析的手段,对选取的银行样本数据进行分析,并通过聚类后打分的手段对样本进行排名比对,以其分析设定其风险偏好的内容。
步骤20,基于所述得分,确定所述各商业银行的风险偏好系数;
根据各个风险评估因子上的得分,计算风险偏好系数。对各个商业银行,根据所有的风险评估因子的得分计算各商业银行的风险偏好系数,例如根据得分计算风险偏好系数的计算方式可以加权求和、直接加和、或者模型算法计算的方式进行计算。
步骤30,基于所述风险偏好系数,确定所述各商业银行的贷款利率;
根据风险偏好系数用于表示影响商业银行贷款利率的风险偏好,通常包括风险保守、风险适中和风险激进。
其中,所述风险评估因子是与商业银行相关的,所述银行样本数据与所述商业银行一一对应。
本发明提供的贷款利率确定方法,通过设定目标风险偏好指标,并根据目标风险偏好指标,对各商业公司的进行风险偏好打分以及风险偏好系数计算,从而根据风险偏好系数进行商业银行的贷款利率计算,实现在贷款利率确定方法加入了风险偏好项,以及设置对风险偏好合理的定量手段的贷款利率确定方法,提升了贷款利率的准确率。
在一种实施例中,请参照图3,步骤10,所述目标风险偏好指标是基于如下步骤确定的,包括:
步骤11,对第一风险偏好指标中的各个指标变量进行聚类,得到第一聚类结果,以基于所述第一聚类结果确定第二风险偏好指标,所述第二风险偏好指标的数量小于所述第一风险偏好指标的数量;
步骤12,基于所述各风险评估因子,对所述第二风险偏好指标进行剪枝,确定所述目标风险偏好指标,所述目标风险偏好指标的数量小于所述第二风险偏好指标的数量。
使用层次分析法,将待选取的第一风险偏好指标进行聚类分为7个大类,包括利润类指标、信用风险类指标、市场风险类指标、流动性指标、股东控制类指标、资本类指标以及资本质量类指标。
为了综合考虑数据真实性与可取得性,请参照下表,在利润类指标,信用风险类指标,资本类指标,流动性指标等7个指标中分别选择一个或几个具有代表性的变量作为最终决定利率定价因素,具体通过风险评估因子,对第二风险偏好指标进行聚类并剪枝,确定目标风险偏好指标,目标风险偏好指标的数量小于第二风险偏好指标的数量。
其中,聚类分析是根据数据的分布结构,将分布相似的数据划分到同一区域中,每个区域称为一个类簇,类簇与类簇之间的对象相似程度较低,而类簇之内的对象相似程度较高。第一主成分用于表征第一风险偏好指标对应聚类结果之间的相似度特征,可以包括特征根和方差。参照下表,风险评估因子表征影响商业银行贷款利率定价的风险偏好的因素,包括资产规模因子、信用风险因子、盈利能力因子、管理水平因子、资本充足因子、流动性风险因子和市场风险因子。
因子序号 | 因子解释定义 |
因子1 | 资产规模因子 |
因子2 | 信用风险因子 |
因子3 | 盈利能力因子 |
因子4 | 管理水平因子 |
因子5 | 资本充足因子 |
因子6 | 流动性风险因子 |
因子7 | 市场风险因子 |
在一种实施例中,请参照图4,步骤12,所述基于所述各风险评估因子,对所述第二风险偏好指标进行剪枝,确定所述目标风险偏好指标,包括:
步骤121,对所述第二风险偏好指标中的各个指标变量进行聚类,确定第二聚类结果;
步骤122,基于所述第二聚类结果的所有类中指标变量和所述各风险评估因子,确定所述目标风险偏好指标。
设定一个确定的阈值,如果第二大主成分的特征根大于1,则说明该类中的变量还不能形成足够代表性的主成分,可以对这些变量进一步细分。进过多次细分后,直到所有类中变量的第二主成分全都小于阈值1时,变量聚类达到最佳效果,见下表中的变量聚类结果。
进一步地,筛选风险评估因子时制定以下筛选符合要求的选取因子原则,计算各风险评估因子的特征值或方差,可以分别得到陡坡图和方差解释图,参考陡坡图(图5)和方差解释图(图6)选取合适的因子数:1)特征值大于1;2)单个因子方差大于5%;3)所有因子方差累计占比大于75%。
本实施例中,根据风险评估因子,对第二风险偏好指标进行聚类并剪枝,确定目标风险偏好指标,参考影响银行贷款定价特征的风险评估因子,对风险偏好指标进行进一步聚类并剪枝,提用于定价的指标筛选的准确性,更加适合银行贷款定价的风险偏好指标,进一步提升商业银行贷款定价的准确性。
在一种实施例中,请参照图7,步骤20,基于所述得分,确定所述各商业银行的风险偏好系数,包括:
步骤21,基于所述得分和所述各风险评估因子对应的加权权重,分别对所述各风险评估因子对应的得分进行加权求和,确定所述各风险评估因子的综合得分;
步骤22,基于所述综合得分,确定所述各商业银行的风险偏好系数。
更具体的分析需要衡量各类目标风险偏好指标在各因子上的取值,请参照图8,正值说明该类客户在该因子属性上有较多的代表性,负值则说明该类客户在该因子属性上代表性较少。将银行样本数据按照所提取出来的因子进行加权求和,并总打分,相当于对于各个风险评估因子分别赋权加权求和,确定最终的综合得分。综合得分用于确定商业银行的风险偏好系数,最终的综合得分越大说明风险偏好程度越激进。
进一步地,可采用综合得分计算公式如下:
综合得分=∑(第i主成分得分×特征根贡献度)
在一种实施例中,所述贷款利率包括第一贷款利率和/或第二贷款利率,步骤30,所述基于所述风险偏好系数,确定所述各商业银行的贷款利率,包括:
步骤31,在所述贷款利率包括所述第一贷款利率的情况下,基于所述风险偏好系数和所述各商业银行的历史实际利率,确定所述各商业银行的第一贷款利率;
步骤32,在所述贷款利率包括所述第二贷款利率的情况下,基于所述风险偏好系数和风险补偿系数,确定所述各商业银行的第二贷款利率。
本实施例中,考虑贷款利率的可取性与准确性,进行获取风险偏好程度与贷款利率对比的历史实际利率,并对可取得历史实际利率的商业银行进行分析,根据历史实际利率和风险偏好系数确定商业银行的贷款利率定价,能够提升商业银行贷款利率的准确性。
将风险补偿系数定义为银行承担的风险应于其预期的收益相匹配。此处的风险可以是指的商业银行的风险容忍度上限,也可以明确指向授信企业及个人的最低限度即最低授信等级。在一定程度上风险补偿与商业银行风险偏好有着类似的含义,都体现了股东要求利润最大化而愿意接受的风险程度。因此,根据风险补偿与商业银行风险偏好,制定各商业银行的第二贷款利率,能够实现在商业银行的利润达到一定要求下,提升商业银行贷款利率的准确性。
在一种实施例中,请参照图9,步骤31,所述基于所述风险偏好系数和所述各商业银行的历史实际利率,确定所述各商业银行的第一贷款利率,包括:
步骤311,获取所述商业银行的历史实际利率以及与所述历史利率的年份所对应的借款本金;
步骤312,基于所述历史实际利率和所述借款本金,确定所述商业银行的贷款加权执行利率;
步骤313,基于所述贷款加权执行利率和所述风险偏好系数,确定商业银行的贷款利率。
本实施例中,商业银行作为盈利性的金融机构,在其自身日常的行为上应有风险与收益相匹配的特点。故商业银行的风险偏好不仅体现自身风险管理的程度,同时在其总体的贷款利率上应有风险偏好风格越激进的商业银行其总体的贷款定价水平处于较高的位置,反之,风险偏好较为保守的商业银行的贷款定价水平应相对较低。
考虑贷款利率的可取的性与准确性,进行风险偏好程度与贷款利率对比的历史实际利率和借款本金,确定所述商业银行的贷款加权执行利率。其中,贷款加权执行利率的计算公式如下:
最后根据贷款加权执行利率和风险偏好系数确定商业银行的贷款利率定价,其中,可以将贷款加权执行利率和风险偏好系数直接相乘,得出商业银行的贷款利率定价。
例如,下表分别给出A-J银行的风险偏好排名与当年利率关系分析排名。
根据上表给出的结果,各行风险偏好系数与其加权平均执行利率的秩相关系数为0.65。风险偏好系数可以解释各行之间的利率差异原因,即风险偏好越为激进的银行其整体的利率就越高,风险偏好系数作为解释银行间利率差异的关键因素也会随着风险偏好同向变化。
具体在进行定价时的风险偏好越激进的银行的贷款定价越高。在实际操作中,商业银行面对不同产品或不同敞口的差异客户的定价策略不同,但是在业务的整体表现上,会有着风险偏好系数与总体利率同向变动的关系。并进一步给出定价公式,通过设定阈值系数为银行风险定价进行赋值。
本实施例中,考虑贷款利率的可取性与准确性,进行获取风险偏好程度与贷款利率对比的历史实际利率,并将可取得历史利率的商业银行进行分析,并计量贷款定价水平采用针对对公客户的贷款加权执行利率,最终根据贷款加权执行利率和风险偏好系数确定商业银行的贷款利率定价,能够提升商业银行贷款利率定价的准确性。
在一种实施例中,请参照图10,步骤32,所述基于所述风险偏好系数和风险补偿系数,确定所述各商业银行的第二贷款利率,包括:
步骤321,基于所述目标风险偏好指标对应的聚类结果的主成分特征,确定风险补偿系数;
步骤322,基于所述风险偏好系数和所述风险补偿系数,确定所述各商业银行的第二贷款利率。
将商业银行从事信贷业务的行为抽象成现实生活中三种类型的投资者:第一种往往是保守型的投资者,其期望以承担最低的风险或者不承担来获取较低的利润,在某一确定的T时刻内定义其的承担的风险大小为a,收益的期望为x;第二种类型是稳健型的投资者,稳健型投资者对风险的关注要大于对收益的关注,希望在较低风险下获取稳健的收益,相同时间下定义承担风险大小为b,收益期望为y;第三种是激进型的投资者,或者因为财务状况十分乐观,或者因为投资期限较长,导致风险承受能力很强。为了追求最大回报,愿意承受资产价格的短期大幅波动风险。相同的时间下将他所承担的风险大小记为c,收益期望为z。此时显然有a<b<c,且有x<y<z。
同样的,虽然商业银行本身是风险厌恶的金融机构,但是其对风险的接受程度还是会有不同。而商业银行风险能力承受的越高,其预期的利润就越高,体现在整体银行中,贷款定价会普遍高于承受风险能力低的银行,这也就可以解释在在所处经济区域相似,经营状态相差不大却出现的利率差距波动较大的问题。
依据各风险偏好指标的主成分得分对照风险补偿系数的实际数值,还可以分别取主成分得分与实际风险补偿的累计概率分布的二三分位数。
参照下表,一种基于不同风险补偿系数,确定商业银行的贷款利率定价示例性的例子如下。
分位数 | 主成分得分 | 实际风险补偿 |
第一三分位数 | -0.329 | 0.2586% |
第二三分位数 | 0.327 | 1.211% |
将第一类主成分得分小于-0.329的归类为风险保守型银行,在风险保守型的中小商业银行的风险补偿系数取值应为0-0.2586%;第二类主成分得分在-0.329到0.327之间的为稳健型银行,风险补偿系数应在0.2586%-1.211%之间;第三类主成分得分大于0.327的分为激进型银行,风险补偿系数设置大于1.211%。从结果上看,保守型银行承担了最少的风险,所以进行贷款定价对承担风险可能带来的补偿也相应较少,稳健型行承担的风险水平一般,所以风险补偿系数适中,激进型行承担的风险最高,因此其风险补偿系数较高。至此风险补偿系数制定完毕,按照风险系数可以给定出相应的贷款利率定价公式。
下面对本发明提供的贷款利率确定装置进行描述,下文描述的贷款利率确定装置与上文描述的贷款利率确定方法可相互对应参照。
请参照图11,本发明还提供一种贷款利率确定装置,包括:
得分确定模块1110,用于基于目标风险偏好指标对应的银行样本数据,确定所述目标风险偏好指标在各风险评估因子上的得分,所述银行样本数据包括各商业银行的样本数据;
风险偏好系数确定模块1120,用于基于所述得分,确定所述各商业银行的风险偏好系数;
利率计算模块1130,用于基于所述风险偏好系数,确定所述各商业银行的贷款利率;
其中,所述风险评估因子用于表征影响所述贷款利率的商业银行属性。
进一步地,所述贷款利率确定装置还包括指标确定模块,用于:
对第一风险偏好指标中的各个指标变量进行聚类得到聚类结果,得到第一聚类结果,以基于所述第一聚类结果确定第二风险偏好指标,所述第二风险偏好指标的数量小于所述第一风险偏好指标的数量;
基于所述各风险评估因子,对所述第二风险偏好指标进行剪枝,确定所述目标风险偏好指标,所述目标风险偏好指标的数量小于所述第二风险偏好指标的数量。
进一步地,所述指标确定模块,还用于:
对所述第二风险偏好指标中的各个指标变量进行聚类,确定第二聚类结果;
基于所述第二聚类结果的所有类中指标变量和所述各风险评估因子,确定所述目标风险偏好指标。
进一步地,所述风险偏好系数确定模块,还用于:
基于所述得分和所述各风险评估因子对应的加权权重,分别对所述各风险评估因子对应的得分进行加权求和,确定所述各风险评估因子的综合得分;
基于所述综合得分,确定所述各商业银行的风险偏好系数。
进一步地,所述贷款利率包括第一贷款利率和/或第二贷款利率,所述利率计算模块,还用于:
在所述贷款利率包括所述第一贷款利率的情况下,基于所述风险偏好系数和所述各商业银行的历史实际利率,确定所述各商业银行的第一贷款利率;
在所述贷款利率包括所述第二贷款利率的情况下,基于所述风险偏好系数和风险补偿系数,确定所述各商业银行的第二贷款利率。
进一步地,所述利率计算模块,还用于:
获取所述各商业银行的历史实际利率以及与所述历史实际利率的年份所对应的借款本金;
基于所述历史实际利率和所述借款本金,确定所述商业银行的贷款加权执行利率;
基于所述贷款加权执行利率和所述风险偏好系数,确定所述各商业银行的第一贷款利率。
进一步地,所述利率计算模块,还用于:
基于所述目标风险偏好指标对应的聚类结果的主成分特征,确定风险补偿系数;
基于所述风险偏好系数和所述风险补偿系数,确定所述各商业银行的第二贷款利率。
图12示例了一种电子设备的实体结构示意图,如图12所示,该电子设备可以包括:处理器(processor)1210、通信接口(Communications Interface)1220、存储器(memory)1230和通信总线1240,其中,处理器1210,通信接口1220,存储器1230通过通信总线1240完成相互间的通信。处理器1210可以调用存储器1230中的逻辑指令,以执行贷款利率确定方法,该方法包括:基于目标风险偏好指标对应的银行样本数据,确定所述目标风险偏好指标在各风险评估因子上的得分,所述银行样本数据包括各商业银行的样本数据;基于所述得分,确定所述各商业银行的风险偏好系数;基于所述风险偏好系数,确定所述各商业银行的贷款利率;其中,所述风险评估因子用于表征影响所述贷款利率的商业银行属性。
此外,上述的存储器1230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计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的贷款利率确定方法,该方法包括:基于目标风险偏好指标对应的银行样本数据,确定所述目标风险偏好指标在各风险评估因子上的得分,所述银行样本数据包括各商业银行的样本数据;基于所述得分,确定所述各商业银行的风险偏好系数;基于所述风险偏好系数,确定所述各商业银行的贷款利率;其中,所述风险评估因子用于表征影响所述贷款利率的商业银行属性。
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方法提供的贷款利率确定方法,该方法包括:基于目标风险偏好指标对应的银行样本数据,确定所述目标风险偏好指标在各风险评估因子上的得分,所述银行样本数据包括各商业银行的样本数据;基于所述得分,确定所述各商业银行的风险偏好系数;基于所述风险偏好系数,确定所述各商业银行的贷款利率;其中,所述风险评估因子用于表征影响所述贷款利率的商业银行属性。
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)
1.一种贷款利率确定方法,其特征在于,包括:
基于目标风险偏好指标对应的银行样本数据,确定所述目标风险偏好指标在各风险评估因子上的得分,所述银行样本数据包括各商业银行的样本数据;
基于所述得分,确定所述各商业银行的风险偏好系数;
基于所述风险偏好系数,确定所述各商业银行的贷款利率;
其中,所述风险评估因子用于表征影响所述贷款利率的商业银行属性。
2.根据权利要求1所述的贷款利率确定方法,其特征在于,所述目标风险偏好指标是基于如下步骤确定的:
对第一风险偏好指标中的各个指标变量进行聚类,得到第一聚类结果,以基于所述第一聚类结果确定第二风险偏好指标,所述第二风险偏好指标的数量小于所述第一风险偏好指标的数量;
基于所述各风险评估因子,对所述第二风险偏好指标进行剪枝,确定所述目标风险偏好指标,所述目标风险偏好指标的数量小于所述第二风险偏好指标的数量。
3.根据权利要求2所述的贷款利率确定方法,其特征在于,所述基于所述各风险评估因子,对所述第二风险偏好指标进行剪枝,确定所述目标风险偏好指标,包括:
对所述第二风险偏好指标中的各个指标变量进行聚类,确定第二聚类结果;
基于所述第二聚类结果的所有类中指标变量和所述各风险评估因子,确定所述目标风险偏好指标。
4.根据权利要求1所述的贷款利率确定方法,其特征在于,所述基于所述得分,确定所述各商业银行的风险偏好系数,包括:
基于所述得分和所述各风险评估因子对应的加权权重,分别对所述各风险评估因子对应的得分进行加权求和,确定所述各风险评估因子的综合得分;
基于所述综合得分,确定所述各商业银行的风险偏好系数。
5.根据权利要求1所述的贷款利率确定方法,其特征在于,所述贷款利率包括第一贷款利率和/或第二贷款利率,所述基于所述风险偏好系数,确定所述各商业银行的贷款利率,包括:
在所述贷款利率包括所述第一贷款利率的情况下,基于所述风险偏好系数和所述各商业银行的历史实际利率,确定所述各商业银行的第一贷款利率;
在所述贷款利率包括所述第二贷款利率的情况下,基于所述风险偏好系数和风险补偿系数,确定所述各商业银行的第二贷款利率。
6.根据权利要求5所述的贷款利率确定方法,其特征在于,所述基于所述风险偏好系数和所述各商业银行的历史实际利率,确定所述各商业银行的第一贷款利率,包括:
获取所述各商业银行的历史实际利率以及与所述历史实际利率的年份所对应的借款本金;
基于所述历史实际利率和所述借款本金,确定所述商业银行的贷款加权执行利率;
基于所述贷款加权执行利率和所述风险偏好系数,确定所述各商业银行的第一贷款利率。
7.根据权利要求5所述的贷款利率确定方法,其特征在于,所述基于所述风险偏好系数和风险补偿系数,确定所述各商业银行的第二贷款利率,包括:
基于所述目标风险偏好指标对应的聚类结果的主成分特征,确定风险补偿系数;
基于所述风险偏好系数和所述风险补偿系数,确定所述各商业银行的第二贷款利率。
8.一种贷款利率确定装置,其特征在于,包括:
得分确定模块,用于基于目标风险偏好指标对应的银行样本数据,确定所述目标风险偏好指标在各风险评估因子上的得分,所述银行样本数据包括各商业银行的样本数据;
风险偏好系数确定模块,用于基于所述得分,确定所述各商业银行的风险偏好系数;
利率计算模块,用于基于所述风险偏好系数,确定所述各商业银行的贷款利率;
其中,所述风险评估因子用于表征影响所述贷款利率的商业银行属性。
9.一种电子设备,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任一项所述贷款利率确定方法。
10.一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任一项所述贷款利率确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211635309.9A CN116128625A (zh) | 2022-12-19 | 2022-12-19 | 贷款利率确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211635309.9A CN116128625A (zh) | 2022-12-19 | 2022-12-19 | 贷款利率确定方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116128625A true CN116128625A (zh) | 2023-05-16 |
Family
ID=86296557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211635309.9A Pending CN116128625A (zh) | 2022-12-19 | 2022-12-19 | 贷款利率确定方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128625A (zh) |
-
2022
- 2022-12-19 CN CN202211635309.9A patent/CN116128625A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wei et al. | Discovering bank risk factors from financial statements based on a new semi‐supervised text mining algorithm | |
Altman | Corporate distress prediction models in a turbulent economic and Basel II environment | |
AU2022211812A1 (en) | Method and system of dynamic model selection for time series forecasting | |
Roy et al. | A credit scoring model for SMEs using AHP and TOPSIS | |
Yoshino et al. | Small and medium-sized enterprise (SME) credit risk analysis using bank lending data: An analysis of Thai SMEs | |
Callejón et al. | A System of Insolvency Prediction for industrial companies using a financial alternative model with neural networks | |
Zhang et al. | Corporate credit-risk evaluation system: Integrating explicit and implicit financial performances | |
Abdou et al. | Prediction of financial strength ratings using machine learning and conventional techniques | |
Soleymani et al. | Efficient portfolio construction by means of CVaR and k‐means++ clustering analysis: Evidence from the NYSE | |
CN114529400A (zh) | 一种消费贷款预授信评估方法、设备及介质 | |
Zhou et al. | Research on corporate financial performance prediction based on self‐organizing and convolutional neural networks | |
Amendola et al. | Variable selection in default risk models | |
CN113506173A (zh) | 一种信用风险评估方法及其相关设备 | |
CN113344692A (zh) | 多信息源融合的网络借贷信用风险评估模型的建立方法 | |
Tikhonov et al. | The Relationship Between the Financial Performance of Banks and the Quality of Credit Scoring Models | |
Nehrebecka | Internal credit risk models and digital transformation: what to prepare for? an application to Poland | |
CN115034685A (zh) | 客户价值评估方法、装置和计算机可读存储介质 | |
CN116128625A (zh) | 贷款利率确定方法、装置、设备及介质 | |
Huang et al. | An enhanced approach to optimizing the stock portfolio selection based on Modified Markowitz MV Method | |
Tan et al. | Investment recommendation with total capital value maximization in online P2P lending | |
Sayadi et al. | Prediction-based portfolio optimization model for Iran’s oil dependent stocks using data mining methods | |
Cheng et al. | Construction of Enterprise Financial Early Warning Model Based on Intelligent Mathematical Model | |
Huang et al. | Application of enhanced cluster validity index function to automatic stock portfolio selection system | |
YESHAMBEL | A LOAN DEFAULT PREDICTION MODEL FOR ACSI: A DATA MINING APPROACH | |
Wang | Credit Strategy Design of Small and Medium-Sized Enterprises |
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 |