CN116258568A - 授信额度推荐方法及系统、设备及计算机可读存储介质 - Google Patents
授信额度推荐方法及系统、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN116258568A CN116258568A CN202211729429.5A CN202211729429A CN116258568A CN 116258568 A CN116258568 A CN 116258568A CN 202211729429 A CN202211729429 A CN 202211729429A CN 116258568 A CN116258568 A CN 116258568A
- Authority
- CN
- China
- Prior art keywords
- green energy
- clustering
- information
- enterprises
- energy enterprises
- 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
本申请实施例提供了一种授信额度推荐方法及系统、设备及计算机可读存储介质,获取多个绿色能源企业的目标特征;基于预先训练好的聚类模型和多个绿色能源企业的目标特征,得到多个聚类结果,每个聚类结果包括至少一个绿色能源企业;分别对多个聚类结果的客户画像进行描绘,得到多个聚类结果各自对应的客户画像;基于预先训练好的专家模型和多个聚类结果各自对应的客户画像,对各个聚类结果进行评级,得到各个聚类结果的等级;根据绿色能源企业所属的聚类结果的等级,确定绿色能源企业的授信额度。本申请实施例能够准确的确定绿色能源企业的授信额度,有助于指导业务部门发放优质绿色贷款。
Description
技术领域
本申请属于大数据技术领域,尤其涉及一种授信额度推荐方法及系统、设备及计算机可读存储介质。
背景技术
在“双碳”背景下,绿色金融已成为金融业改革发展、转型升级的重要方向。我国在绿色金融体系建设方面取得了长足进展,成为了全球最大的绿色金融市场之一,但绿色金融业务仍有很大增长空间。“十四五”规划纲要指出,加快推动绿色低碳发展,发展绿色金融,支持绿色技术创新,推进清洁生产,发展环保产业,推进重点行业和重要领域绿色化改造。由此可见,绿色金融在我国宏观经济格局中的地位日益重要,金融资源需要进一步向绿色发展、低碳发展倾斜。
然而,目前相关技术中尚未覆盖支持绿色能源企业的授信机制,绿色能源企业的授信额度难以确定。
发明内容
本申请实施例提供了一种授信额度推荐方法及系统、设备及计算机可读存储介质,能够准确的确定绿色能源企业的授信额度。
第一方面,本申请实施例提供了一种授信额度推荐方法,授信额度推荐方法包括:获取多个绿色能源企业的目标特征;基于预先训练好的聚类模型和多个绿色能源企业的目标特征,得到多个聚类结果,每个聚类结果包括至少一个绿色能源企业;分别对多个聚类结果的客户画像进行描绘,得到多个聚类结果各自对应的客户画像;基于预先训练好的专家模型和多个聚类结果各自对应的客户画像,对各个聚类结果进行评级,得到各个聚类结果的等级;根据绿色能源企业所属的聚类结果的等级,确定绿色能源企业的授信额度。
根据本申请第一方面的实施方式,获取多个绿色能源企业的目标特征,具体包括:获取多个绿色能源企业各自的经营信息、资产信息、财务信息和/或客户间风险传导信息,经营信息包括客户违约概率、系统违约概率、客户违约标识、客户信贷政策和行业信贷政策中的至少一者,资产信息包括净利润、应付账款和预收账款中的至少一者,财务信息包括贷款逾期用户标志、失信用户标志和欠税用户标志中的至少一者,客户间风险传导信息包括关联企业个数、与银行粘度值和担保金额中的至少一者;对多个绿色能源企业各自的经营信息、资产信息、财务信息和/或客户间风险传导信息进行特征提取,得到多个绿色能源企业的目标特征。
根据本申请第一方面前述任一实施方式,在对多个绿色能源企业各自的经营信息、资产信息、财务信息和/或客户间风险传导信息进行特征提取,得到多个绿色能源企业的目标特征之前,方法还包括:对多个绿色能源企业各自的经营信息、资产信息、财务信息和/或客户间风险传导信息中的异常值和缺失值进行数据清洗,得到数据清洗后的经营信息、资产信息、财务信息和/或客户间风险传导信息;对多个绿色能源企业各自的经营信息、资产信息、财务信息和/或客户间风险传导信息进行特征提取,得到多个绿色能源企业的目标特征,具体包括:对数据清洗后的经营信息、资产信息、财务信息和/或客户间风险传导信息进行特征提取,得到多个绿色能源企业的目标特征。
根据本申请第一方面前述任一实施方式,基于预先训练好的聚类模型和多个绿色能源企业的目标特征,得到多个聚类结果,具体包括:将多个绿色能源企业的目标特征输入聚类模型,得到三个聚类结果;基于预先训练好的专家模型和多个聚类结果各自对应的客户画像,对各个聚类结果进行评级,得到各个聚类结果的等级,具体包括:将三个聚类结果的客户画像输入专家模型,得到三个聚类结果各自对应的等级。
根据本申请第一方面前述任一实施方式,在获取多个绿色能源企业的目标特征之前,方法还包括:基于K均值聚类算法构建聚类模型;获取多个样本绿色能源企业的目标特征,并基于多个样本绿色能源企业的目标特征对聚类模型进行训练,得到训练好的聚类模型。
根据本申请第一方面前述任一实施方式,分别对多个聚类结果的客户画像进行描绘,得到多个聚类结果各自对应的客户画像,具体包括:从多个聚类结果中的绿色能源企业的目标特征中提取关键特征,得到多个聚类结果各自对应的关键特征;对多个聚类结果各自对应的关键特征进行分析,得到多个聚类结果各自对应的客户画像。
根据本申请第一方面前述任一实施方式,根据绿色能源企业所属的聚类结果的等级,确定绿色能源企业的授信额度,具体包括:根据财政补贴总金额、绿色能源企业的集团规模和绿色能源企业所属的聚类结果的等级,确定绿色能源企业的授信额度。
第二方面,本申请实施例提供了一种授信额度推荐系统,授信额度推荐系统包括:获取模块,用于获取多个绿色能源企业的目标特征;聚类模块,用于基于预先训练好的聚类模型和多个绿色能源企业的目标特征,得到多个聚类结果,每个聚类结果包括至少一个绿色能源企业;描绘模块,用于分别对多个聚类结果的客户画像进行描绘,得到多个聚类结果各自对应的客户画像;评级模块,用于基于预先训练好的专家模型和多个聚类结果各自对应的客户画像,对各个聚类结果进行评级,得到各个聚类结果的等级;确定模块,用于根据绿色能源企业所属的聚类结果的等级,确定绿色能源企业的授信额度。
第三方面,本申请实施例提供了一种电子设备,电子设备包括:处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序,计算机程序被处理器执行时实现如第一方面提供的授信额度推荐方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现如第一方面提供的授信额度推荐方法的步骤。
本申请实施例的授信额度推荐方法及系统、设备及计算机可读存储介质,获取多个绿色能源企业的目标特征;基于预先训练好的聚类模型和多个绿色能源企业的目标特征,得到多个聚类结果,每个聚类结果包括至少一个绿色能源企业;分别对多个聚类结果的客户画像进行描绘,得到多个聚类结果各自对应的客户画像;基于预先训练好的专家模型和多个聚类结果各自对应的客户画像,对各个聚类结果进行评级,得到各个聚类结果的等级;根据绿色能源企业所属的聚类结果的等级,确定绿色能源企业的授信额度。本申请实施例基于预先训练好的聚类模型对多个绿色能源企业的目标特征进行聚类,得到多个聚类结果;再对多个聚类结果的客户画像进行描绘,将多个聚类结果各自对应的客户画像输入预先训练好的专家模型,对各个聚类结果进行评级;最后根据绿色能源企业所属的聚类结果的等级,准确的确定绿色能源企业的授信额度,有助于指导业务部门发放优质绿色贷款,极大提升了业务部门的风控能力和工作效率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍,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为本申请实施例提供的授信额度推荐方法的一种流程示意图;
图2为本申请实施例提供的授信额度推荐方法中步骤S102的一种操作示意图;
图3为本申请实施例提供的授信额度推荐方法中步骤S102的一种流程示意图;
图4为本申请实施例提供的授信额度推荐方法的另一种流程示意图;
图5为本申请实施例提供的授信额度推荐方法中步骤S103的一种流程示意图;
图6为本申请实施例提供的授信额度推荐系统的一种结构示意图;
图7示出了本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,在本文中,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。而且,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……”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。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在不脱离本申请的精神或范围的情况下,在本申请中能进行各种修改和变化,这对于本领域技术人员来说是显而易见的。因而,本申请意在覆盖落入所对应权利要求(要求保护的技术方案)及其等同物范围内的本申请的修改和变化。需要说明的是,本申请实施例所提供的实施方式,在不矛盾的情况下可以相互组合。
在阐述本申请实施例所提供的技术方案之前,为了便于对本申请实施例理解,本申请首先对相关技术中存在的问题进行具体说明:
在“双碳”背景下,绿色金融已成为金融业改革发展、转型升级的重要方向。我国在绿色金融体系建设方面取得了长足进展,成为了全球最大的绿色金融市场之一,但绿色金融业务仍有很大增长空间。“十四五”规划纲要指出,加快推动绿色低碳发展,发展绿色金融,支持绿色技术创新,推进清洁生产,发展环保产业,推进重点行业和重要领域绿色化改造。由此可见,绿色金融在我国宏观经济格局中的地位日益重要,金融资源需要进一步向绿色发展、低碳发展倾斜。
然而,目前相关技术中尚未覆盖支持绿色能源企业的授信机制,绿色能源企业的授信额度难以确定。而传统客户授信一般依据企业的资产负债率、有效净资产等财务指标,对绿色能源行业授信依据不足,客户授信额度难以更好的计量。
鉴于发明人的上述研究发现,本申请实施例提供了一种授信额度推荐方法及系统、设备及计算机可读存储介质,能够解决相关技术中存在的绿色能源企业的授信额度难以确定的技术问题。
本申请实施例的技术构思在于:基于预先训练好的聚类模型对多个绿色能源企业的目标特征进行聚类,得到多个聚类结果;再对多个聚类结果的客户画像进行描绘,将多个聚类结果各自对应的客户画像输入预先训练好的专家模型,对各个聚类结果进行评级;最后根据绿色能源企业所属的聚类结果的等级,准确的确定绿色能源企业的授信额度,有助于指导业务部门发放优质绿色贷款,极大提升了业务部门的风控能力和工作效率。
下面首先对本申请实施例所提供的授信额度推荐方法进行介绍。
图1为本申请实施例提供的授信额度推荐方法的一种流程示意图。如图1所示,本申请实施例提供的授信额度推荐方法可以包括以下步骤S101至S105。
S101、获取多个绿色能源企业的目标特征。
其中,目标特征例如可以为绿色能源企业的经营信息、资产信息、财务信息和/或客户间风险传导信息相关的特征,用于评判绿色能源企业的信誉、企业规模和/或资产负债情况等。示例性地,目标特征包括但不限于客户违约概率、系统违约概率、客户违约标识、客户信贷政策、行业信贷政策、净利润、应付账款、预收账款、贷款逾期用户标志、失信用户标志、欠税用户标志、关联企业个数、与银行粘度值和担保金额中的至少一者。目标特征具体可以根据实际情况灵活调整,本申请实施例对此不作限定。
S102、基于预先训练好的聚类模型和多个绿色能源企业的目标特征,得到多个聚类结果。
图2为本申请实施例提供的授信额度推荐方法中步骤S102的一种操作示意图。在S102中,可以将多个绿色能源企业的目标特征输入预先训练好的聚类模型之中,通过聚类模型预测各个绿色能源企业的类别,得到多个聚类结果。如图2所示,在一些示例中,例如通过聚类模型得到三个聚类结果(或称聚类群组),分别为聚类结果A、聚类结果B和聚类结果C。其中,聚类结果中的一个点代表一个绿色能源企业。每个聚类结果包括至少一个绿色能源企业。
S103、分别对多个聚类结果的客户画像进行描绘,得到多个聚类结果各自对应的客户画像。
在得到多个聚类结果之后,可以对各个聚类结果的客户画像进行描绘,以供专家模型对各个聚类结果进行评级。例如,聚类结果A的客户画像为:信誉良好,信用等级持续增长,企业自身及关联人负面舆情均较少,与银行粘性较高。聚类结果B的客户画像为:企业规模较大,资产负载率充足,金融总量较高,但关联人员负面舆情偏高。聚类结果C的客户画像为:在舆情及规模方面表现均不理想。
S104、基于预先训练好的专家模型和多个聚类结果各自对应的客户画像,对各个聚类结果进行评级,得到各个聚类结果的等级。
在S104中,将多个聚类结果各自对应的客户画像输入预先训练好的专家模型之中,通过专家模型对各个聚类结果进行评级,得到各个聚类结果的等级。例如,得到聚类结果A的等级为第一等级,得到聚类结果B的等级为第二等级,得到聚类结果C的等级为第三等级。其中,第一等级优于第二等级,第二等级优于第三等级。
S105、根据绿色能源企业所属的聚类结果的等级,确定绿色能源企业的授信额度。
在S105中,可以根据各个绿色能源企业所属的聚类结果的等级,确定绿色能源企业的授信额度。例如,对于第一等级中的绿色能源企业,对应的授信额度可以高一些。对于第三等级中的绿色能源企业,对应的授信额度可以低一些。
本申请实施例的授信额度推荐方法,获取多个绿色能源企业的目标特征;基于预先训练好的聚类模型和多个绿色能源企业的目标特征,得到多个聚类结果,每个聚类结果包括至少一个绿色能源企业;分别对多个聚类结果的客户画像进行描绘,得到多个聚类结果各自对应的客户画像;基于预先训练好的专家模型和多个聚类结果各自对应的客户画像,对各个聚类结果进行评级,得到各个聚类结果的等级;根据绿色能源企业所属的聚类结果的等级,确定绿色能源企业的授信额度。本申请实施例基于预先训练好的聚类模型对多个绿色能源企业的目标特征进行聚类,得到多个聚类结果;再对多个聚类结果的客户画像进行描绘,将多个聚类结果各自对应的客户画像输入预先训练好的专家模型,对各个聚类结果进行评级;最后根据绿色能源企业所属的聚类结果的等级,准确的确定绿色能源企业的授信额度,有助于指导业务部门发放优质绿色贷款,极大提升了业务部门的风控能力和工作效率。
下面介绍上述各个步骤的具体实现方式。
首先介绍S101、获取多个绿色能源企业的目标特征。
根据本申请的一些实施例,可选地,S101具体可以包括以下步骤:
步骤一、获取多个绿色能源企业各自的经营信息、资产信息、财务信息和/或客户间风险传导信息。
其中,经营信息包括客户违约概率、系统违约概率、客户违约标识、客户信贷政策和行业信贷政策中的至少一者。资产信息包括净利润、应付账款和预收账款中的至少一者。财务信息包括贷款逾期用户标志、失信用户标志和欠税用户标志中的至少一者。客户间风险传导信息包括关联企业个数、与银行粘度值和担保金额中的至少一者。
需要说明的是,经营信息、资产信息、财务信息和/或客户间风险传导信息中也可以包括其他信息或特征,具体可以根据实际情况灵活调整,本申请实施例对此不作限定。
步骤二、对多个绿色能源企业各自的经营信息、资产信息、财务信息和/或客户间风险传导信息进行特征提取,得到多个绿色能源企业的目标特征。
具体而言,在步骤二中,从多个绿色能源企业各自的经营信息、资产信息、财务信息和/或客户间风险传导信息中提取出期望使用的目标特征。目标特征具体可以根据实际情况灵活调整,本申请实施例对此不作限定。
考虑到经营信息、资产信息、财务信息和/或客户间风险传导信息中存在一些异常值和/或缺失值,这些值的存在可能会影响预测结果的准确性。因此,可以先对这些异常值和/或缺失值进行数据清洗。其中,异常值可以理解为明显大于或小于预设阈值或平均值的值,缺失值即数据缺失。
根据本申请的另一些实施例,可选地,在步骤二、对多个绿色能源企业各自的经营信息、资产信息、财务信息和/或客户间风险传导信息进行特征提取,得到多个绿色能源企业的目标特征之前,该方法还可以包括以下步骤:
对多个绿色能源企业各自的经营信息、资产信息、财务信息和/或客户间风险传导信息中的异常值和缺失值进行数据清洗,得到数据清洗后的经营信息、资产信息、财务信息和/或客户间风险传导信息。
具体而言,对于明显大于或小于预设阈值的异常值可以删除,对于缺失值可以以计算平均值、中位数或众数的方式进行填充,从而得到数据清洗后的经营信息、资产信息、财务信息和/或客户间风险传导信息。
相应地,步骤二、对多个绿色能源企业各自的经营信息、资产信息、财务信息和/或客户间风险传导信息进行特征提取,得到多个绿色能源企业的目标特征,具体可以包括以下步骤:
对数据清洗后的经营信息、资产信息、财务信息和/或客户间风险传导信息进行特征提取,得到多个绿色能源企业的目标特征。
如此,在特征提取之前,通过对经营信息、资产信息、财务信息和/或客户间风险传导信息进行数据清洗,可以保证预测结果的准确性,进而保证最终得到的授信额度的准确性。
以上为S101的具体实现方式,下面介绍S102的具体实现方式。
S102、基于预先训练好的聚类模型和所述多个绿色能源企业的目标特征,得到多个聚类结果。
图3为本申请实施例提供的授信额度推荐方法中步骤S102的一种流程示意图。如图3所示,根据本申请的一些实施例,可选地,S102具体可以包括以下步骤:
将多个绿色能源企业的目标特征输入聚类模型,得到三个聚类结果。
结合图2所示,在一些示例中,可以将多个绿色能源企业划分为三个类别,得到三个聚类结果,分别为聚类结果A、聚类结果B和聚类结果C。其中,聚类结果中的一个点代表一个绿色能源企业。每个聚类结果包括至少一个绿色能源企业。
相应地,S104、基于预先训练好的专家模型和多个聚类结果各自对应的客户画像,对各个聚类结果进行评级,得到各个聚类结果的等级,具体可以包括以下步骤:
将三个聚类结果的客户画像输入专家模型,得到三个聚类结果各自对应的等级。
在S104中,将三个聚类结果各自对应的客户画像输入预先训练好的专家模型之中,通过专家模型对各个聚类结果进行评级,得到各个聚类结果的等级。例如,得到聚类结果A的等级为第一等级,得到聚类结果B的等级为第二等级,得到聚类结果C的等级为第三等级。其中,第一等级优于第二等级,第二等级优于第三等级。
容易理解的是,在S101之前,还需要预先对聚类模型进行训练。
图4为本申请实施例提供的授信额度推荐方法的另一种流程示意图。如图4所示,根据本申请的一些实施例,可选地,在S101、获取多个绿色能源企业的目标特征之前,本申请实施例提供的授信额度推荐方法还可以包括以下步骤S401和S402。
S401、基于K均值聚类算法构建聚类模型。
具体而言,在一些示例中,可以基于机器学习算法,如K均值聚类算法(即K-means聚类算法)构建聚类模型。具体可以使用LableEncoder、Null-importance等编码和特征筛选方式,结合K-means聚类算法构建聚类模型。
S402、获取多个样本绿色能源企业的目标特征,并基于多个样本绿色能源企业的目标特征对聚类模型进行训练,得到训练好的聚类模型。
具体而言,获取一些已知评级结果的绿色能源企业作为样本绿色能源企业。基于与S101相同或者相似的方式得到多个样本绿色能源企业的目标特征。然后,将多个样本绿色能源企业的目标特征输入聚类模型之中,对聚类模型进行训练,直至聚类模型的预测结果的误差符合要求,结束训练,得到训练好的聚类模型。
下面介绍S103的具体实现方式。
S103、分别对所述多个聚类结果的客户画像进行描绘,得到所述多个聚类结果各自对应的客户画像。
图5为本申请实施例提供的授信额度推荐方法中步骤S103的一种流程示意图。如图3所示,根据本申请的一些实施例,可选地,S103具体可以包以下步骤S501和S502。
S501、从多个聚类结果中的绿色能源企业的目标特征中提取关键特征,得到多个聚类结果各自对应的关键特征。
具体而言,因为目标特征的数量比较多,所以通过目标特征描绘聚类结果的客户画像的话,工作量较大。因此,可以从目标特征中提取出少量的关键特征,以描绘聚类结果的客户画像,减少工作量。
其中,关键特征可以根据实际情况灵活调整,本申请实施例对此不作限定。基于关键特征,可以评判绿色能源企业的信誉、企业规模和/或资产负债情况等。
S502、对多个聚类结果各自对应的关键特征进行分析,得到多个聚类结果各自对应的客户画像。
在S502中,通过对多个聚类结果各自对应的关键特征进行分析,可以得到多个聚类结果各自对应的客户画像。如前所述,例如,聚类结果A的客户画像为:信誉良好,信用等级持续增长,企业自身及关联人负面舆情均较少,与银行粘性较高。聚类结果B的客户画像为:企业规模较大,资产负载率充足,金融总量较高,但关联人员负面舆情偏高。聚类结果C的客户画像为:在舆情及规模方面表现均不理想。
下面介绍S105的具体实现方式。
S105、根据绿色能源企业所属的聚类结果的等级,确定绿色能源企业的授信额度。
在一些具体的示例中,可选地,S105具体可以包括以下步骤:
根据财政补贴总金额、绿色能源企业的集团规模和绿色能源企业所属的聚类结果的等级,确定绿色能源企业的授信额度。
具体而言,例如可以根据发电厂对绿色能源企业的财政补贴总金额、绿色能源企业的集团规模和绿色能源企业所属的聚类结果的等级,确定绿色能源企业的授信额度。
举例而言,例如绿色能源企业的集团规模对应的系数为b,b的大小可以根据绿色能源企业的集团规模进行调整。第一等级对应的系数可以为c1,第二等级对应的系数可以为c2,第三等级对应的系数可以为c3。其中,c1>c2>c3。
若绿色能源企业所属的聚类结果的等级为第一等级,则绿色能源企业的授信额度m=M*b*c1。其中,M表示财政补贴总金额,m表示绿色能源企业的授信额度。
若绿色能源企业所属的聚类结果的等级为第二等级,则绿色能源企业的授信额度m=M*b*c2。
若绿色能源企业所属的聚类结果的等级为第三等级,则绿色能源企业的授信额度m=M*b*c3。
如此,可以准确的确定绿色能源企业的授信额度。绿色能源企业的授信额度可以推荐给业务部门。这样,可以有助于指导业务部门发放优质绿色贷款,极大提升了业务部门的风控能力和工作效率。
基于上述实施例提供的授信额度推荐方法,相应地,本申请实施例还提供了一种授信额度推荐系统。请参见以下实施例。
图6为本申请实施例提供的授信额度推荐系统的一种结构示意图。如图6所示,本申请实施例提供的授信额度推荐系统60可以包括以下模块:
获取模块601,用于获取多个绿色能源企业的目标特征;
聚类模块602,用于基于预先训练好的聚类模型和多个绿色能源企业的目标特征,得到多个聚类结果,每个聚类结果包括至少一个绿色能源企业;
描绘模块603,用于分别对多个聚类结果的客户画像进行描绘,得到多个聚类结果各自对应的客户画像;
评级模块604,用于基于预先训练好的专家模型和多个聚类结果各自对应的客户画像,对各个聚类结果进行评级,得到各个聚类结果的等级;
确定模块605,用于根据绿色能源企业所属的聚类结果的等级,确定绿色能源企业的授信额度。
本申请实施例的授信额度推荐系统,基于预先训练好的聚类模型对多个绿色能源企业的目标特征进行聚类,得到多个聚类结果;再对多个聚类结果的客户画像进行描绘,将多个聚类结果各自对应的客户画像输入预先训练好的专家模型,对各个聚类结果进行评级;最后根据绿色能源企业所属的聚类结果的等级,准确的确定绿色能源企业的授信额度,有助于指导业务部门发放优质绿色贷款,极大提升了业务部门的风控能力和工作效率。
根据本申请的一些实施例,可选地,获取模块601具体可以用于获取多个绿色能源企业各自的经营信息、资产信息、财务信息和/或客户间风险传导信息,经营信息包括客户违约概率、系统违约概率、客户违约标识、客户信贷政策和行业信贷政策中的至少一者,资产信息包括净利润、应付账款和预收账款中的至少一者,财务信息包括贷款逾期用户标志、失信用户标志和欠税用户标志中的至少一者,客户间风险传导信息包括关联企业个数、与银行粘度值和担保金额中的至少一者;对多个绿色能源企业各自的经营信息、资产信息、财务信息和/或客户间风险传导信息进行特征提取,得到多个绿色能源企业的目标特征。
根据本申请的一些实施例,可选地,本申请实施例提供的授信额度推荐系统60还可以包括数据清洗模块,用于对多个绿色能源企业各自的经营信息、资产信息、财务信息和/或客户间风险传导信息中的异常值和缺失值进行数据清洗,得到数据清洗后的经营信息、资产信息、财务信息和/或客户间风险传导信息。获取模块601具体可以用于对数据清洗后的经营信息、资产信息、财务信息和/或客户间风险传导信息进行特征提取,得到多个绿色能源企业的目标特征。
根据本申请的一些实施例,可选地,聚类模块602具体用于将多个绿色能源企业的目标特征输入聚类模型,得到三个聚类结果。评级模块604具体用于:将三个聚类结果的客户画像输入专家模型,得到三个聚类结果各自对应的等级。
根据本申请的一些实施例,可选地,本申请实施例提供的授信额度推荐系统60还可以包括训练模块,用于基于K均值聚类算法构建聚类模型;获取多个样本绿色能源企业的目标特征,并基于多个样本绿色能源企业的目标特征对聚类模型进行训练,得到训练好的聚类模型。
根据本申请的一些实施例,可选地,描绘模块603具体用于从多个聚类结果中的绿色能源企业的目标特征中提取关键特征,得到多个聚类结果各自对应的关键特征;对多个聚类结果各自对应的关键特征进行分析,得到多个聚类结果各自对应的客户画像。
根据本申请的一些实施例,可选地,确定模块605具体用于根据财政补贴总金额、绿色能源企业的集团规模和绿色能源企业所属的聚类结果的等级,确定绿色能源企业的授信额度。
基于上述实施例提供的授信额度推荐方法,相应地,本申请还提供了电子设备的具体实现方式。请参见以下实施例。
图7示出了本申请实施例提供的电子设备的硬件结构示意图。
电子设备可以包括处理器701以及存储有计算机程序指令的存储器702。
具体地,上述处理器701可以包括中央处理器(Central Processing Unit,CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器702可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器702可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在一个示例中,存储器702可以包括可移除或不可移除(或固定)的介质,或者存储器702是非易失性固态存储器。存储器702可在综合网关容灾设备的内部或外部。
在一个示例中,存储器702可以是只读存储器(Read Only Memory,ROM)。在一个示例中,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
存储器702可以包括只读存储器(ROM),随机存取存储器(RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本申请的一方面的方法所描述的操作。
处理器701通过读取并执行存储器702中存储的计算机程序指令,以实现上述方法实施例中的方法/步骤,并达到方法实施例执行其方法/步骤达到的相应技术效果,为简洁描述在此不再赘述。
在一个示例中,电子设备还可包括通信接口703和总线710。其中,如图7所示,处理器701、存储器702、通信接口703通过总线710连接并完成相互间的通信。
通信接口703,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线710包括硬件、软件或两者,将电子设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(Accelerated Graphics Port,AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,EISA)总线、前端总线(Front Side Bus,FSB)、超传输(Hyper Transport,HT)互连、工业标准架构(IndustryStandard Architecture,ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线710可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
另外,结合上述实施例中的授信额度推荐方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种授信额度推荐方法。计算机可读存储介质的示例包括非暂态计算机可读存储介质,如电子电路、半导体存储器设备、ROM、随机存取存储器、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RadioFrequency,RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本申请的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,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,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种授信额度推荐方法,其特征在于,包括:
获取多个绿色能源企业的目标特征;
基于预先训练好的聚类模型和所述多个绿色能源企业的目标特征,得到多个聚类结果,每个所述聚类结果包括至少一个绿色能源企业;
分别对所述多个聚类结果的客户画像进行描绘,得到所述多个聚类结果各自对应的客户画像;
基于预先训练好的专家模型和所述多个聚类结果各自对应的客户画像,对各个所述聚类结果进行评级,得到各个所述聚类结果的等级;
根据所述绿色能源企业所属的所述聚类结果的等级,确定所述绿色能源企业的授信额度。
2.根据权利要求1所述的方法,其特征在于,所述获取多个绿色能源企业的目标特征,具体包括:
获取所述多个绿色能源企业各自的经营信息、资产信息、财务信息和/或客户间风险传导信息,所述经营信息包括客户违约概率、系统违约概率、客户违约标识、客户信贷政策和行业信贷政策中的至少一者,所述资产信息包括净利润、应付账款和预收账款中的至少一者,所述财务信息包括贷款逾期用户标志、失信用户标志和欠税用户标志中的至少一者,所述客户间风险传导信息包括关联企业个数、与银行粘度值和担保金额中的至少一者;
对所述多个绿色能源企业各自的经营信息、资产信息、财务信息和/或客户间风险传导信息进行特征提取,得到所述多个绿色能源企业的目标特征。
3.根据权利要求2所述的方法,其特征在于,在所述对所述多个绿色能源企业各自的经营信息、资产信息、财务信息和/或客户间风险传导信息进行特征提取,得到所述多个绿色能源企业的目标特征之前,所述方法还包括:
对所述多个绿色能源企业各自的经营信息、资产信息、财务信息和/或客户间风险传导信息中的异常值和缺失值进行数据清洗,得到数据清洗后的所述经营信息、所述资产信息、所述财务信息和/或所述客户间风险传导信息;
所述对所述多个绿色能源企业各自的经营信息、资产信息、财务信息和/或客户间风险传导信息进行特征提取,得到所述多个绿色能源企业的目标特征,具体包括:
对数据清洗后的所述经营信息、所述资产信息、所述财务信息和/或所述客户间风险传导信息进行特征提取,得到所述多个绿色能源企业的目标特征。
4.根据权利要求1所述的方法,其特征在于,所述基于预先训练好的聚类模型和所述多个绿色能源企业的目标特征,得到多个聚类结果,具体包括:
将所述多个绿色能源企业的目标特征输入所述聚类模型,得到三个聚类结果;
所述基于预先训练好的专家模型和所述多个聚类结果各自对应的客户画像,对各个所述聚类结果进行评级,得到各个所述聚类结果的等级,具体包括:
将所述三个聚类结果的客户画像输入所述专家模型,得到所述三个聚类结果各自对应的等级。
5.根据权利要求1所述的方法,其特征在于,在所述获取多个绿色能源企业的目标特征之前,所述方法还包括:
基于K均值聚类算法构建聚类模型;
获取多个样本绿色能源企业的目标特征,并基于多个样本绿色能源企业的目标特征对所述聚类模型进行训练,得到训练好的所述聚类模型。
6.根据权利要求1所述的方法,其特征在于,所述分别对所述多个聚类结果的客户画像进行描绘,得到所述多个聚类结果各自对应的客户画像,具体包括:
从所述多个聚类结果中的绿色能源企业的目标特征中提取关键特征,得到所述多个聚类结果各自对应的关键特征;
对所述多个聚类结果各自对应的关键特征进行分析,得到所述多个聚类结果各自对应的客户画像。
7.根据权利要求1所述的方法,其特征在于,所述根据所述绿色能源企业所属的所述聚类结果的等级,确定所述绿色能源企业的授信额度,具体包括:
根据财政补贴总金额、所述绿色能源企业的集团规模和所述绿色能源企业所属的所述聚类结果的等级,确定所述绿色能源企业的授信额度。
8.一种授信额度推荐系统,其特征在于,包括:
获取模块,用于获取多个绿色能源企业的目标特征;
聚类模块,用于基于预先训练好的聚类模型和所述多个绿色能源企业的目标特征,得到多个聚类结果,每个所述聚类结果包括至少一个绿色能源企业;
描绘模块,用于分别对所述多个聚类结果的客户画像进行描绘,得到所述多个聚类结果各自对应的客户画像;
评级模块,用于基于预先训练好的专家模型和所述多个聚类结果各自对应的客户画像,对各个所述聚类结果进行评级,得到各个所述聚类结果的等级;
确定模块,用于根据所述绿色能源企业所属的所述聚类结果的等级,确定所述绿色能源企业的授信额度。
9.一种电子设备,其特征在于,所述电子设备包括:处理器、存储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,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的授信额度推荐方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的授信额度推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211729429.5A CN116258568A (zh) | 2022-12-30 | 2022-12-30 | 授信额度推荐方法及系统、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211729429.5A CN116258568A (zh) | 2022-12-30 | 2022-12-30 | 授信额度推荐方法及系统、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116258568A true CN116258568A (zh) | 2023-06-13 |
Family
ID=86681827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211729429.5A Pending CN116258568A (zh) | 2022-12-30 | 2022-12-30 | 授信额度推荐方法及系统、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258568A (zh) |
-
2022
- 2022-12-30 CN CN202211729429.5A patent/CN116258568A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104702492A (zh) | 垃圾消息模型训练方法、垃圾消息识别方法及其装置 | |
CN114386856A (zh) | 一种空壳企业识别方法、装置、设备及计算机存储介质 | |
CN110675078A (zh) | 上市公司风险诊断方法、系统、计算机终端及存储介质 | |
CN112561320A (zh) | 机构风险预测模型的训练方法、机构风险预测方法和装置 | |
CN114078050A (zh) | 贷款逾期预测方法、装置、电子设备及计算机可读介质 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN116578925B (zh) | 基于特征画像的行为预测方法、装置及存储介质 | |
CN113850669A (zh) | 用户分群方法、装置、计算机设备及计算机可读存储介质 | |
CN117132317A (zh) | 数据处理方法、装置、设备、介质及产品 | |
CN116258568A (zh) | 授信额度推荐方法及系统、设备及计算机可读存储介质 | |
CN113420174B (zh) | 难样本挖掘方法、装置、设备以及存储介质 | |
CN113343577B (zh) | 一种基于机器学习的参数优化方法、装置、设备及介质 | |
CN114417830A (zh) | 风险评价方法、装置、设备及计算机可读存储介质 | |
CN110570301B (zh) | 风险识别方法、装置、设备及介质 | |
CN111429257A (zh) | 一种交易监控方法和装置 | |
CN113849580A (zh) | 一种主体评级预测方法、装置、电子设备及存储介质 | |
CN115878873A (zh) | 异常用户的特征确定方法、装置、设备及存储介质 | |
CN117671711A (zh) | 凭证识别模型的更新构建方法、装置、设备及介质 | |
CN116910555A (zh) | 用户信用预测模型的训练、应用方法、装置、设备及介质 | |
CN116308756A (zh) | 目标客户的确定方法、装置、设备、介质及产品 | |
CN117745377A (zh) | 目标产品的确定方法、装置、设备及计算机可读存储介质 | |
CN117273488A (zh) | 金融产品营销策略的生成方法、装置及相关设备 | |
CN113807379A (zh) | 数据处理装置的获取方法及装置、存储介质及电子设备 | |
CN118037468A (zh) | 回收风险预测模型训练以及票据回收风险评估方法、装置 | |
CN117876089A (zh) | 资产处理方法、装置、设备及介质 |
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 |