CN116362866A - 汽车分期预授信额度的确定方法、系统和装置 - Google Patents
汽车分期预授信额度的确定方法、系统和装置 Download PDFInfo
- Publication number
- CN116362866A CN116362866A CN202310248522.2A CN202310248522A CN116362866A CN 116362866 A CN116362866 A CN 116362866A CN 202310248522 A CN202310248522 A CN 202310248522A CN 116362866 A CN116362866 A CN 116362866A
- Authority
- CN
- China
- Prior art keywords
- credit
- user
- information
- limit
- determining
- 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 55
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000007477 logistic regression Methods 0.000 claims abstract description 18
- 238000012417 linear regression Methods 0.000 claims description 30
- 125000004122 cyclic group Chemical group 0.000 claims description 22
- 230000001174 ascending effect Effects 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011985 exploratory data analysis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种汽车分期预授信额度的确定方法、系统和装置,本方法获取多个用户的二代人行征信报文、用户标签和历史汽车分期授信金额;解析所述二代人行征信报文得到每个用户的征信信息,根据所述征信信息和用户标签通过逻辑回归模型构建用户的申请评分卡,通过所述申请评分卡确定每个用户的信用等级;根据所述征信信息确定每个用户的征信标签,调用所述征信标签对应的额度计算模块,利用用户的历史汽车分期授信金额计算得到用户的预授信额度。本申请解决相关技术中现有的汽车分期预授信信息获取较难、系统资源消耗大、授信不精准的技术问题,实现精准的预测预授信额度,节省系统资源消耗。
Description
技术领域
本申请属于计算机技术领域,具体而言,涉及一种汽车分期预授信额度的确定方法、系统和装置。
背景技术
授信是消费分期极其重要的风控内容,汽车消费分期的额度相对较大,目前常用的授信方法是评估客户收入、信用、收入负债比等,计算客户月偿债能力,以此计算客户授信额度。预授信是指客户在申请时提供了简单的三要素资料,调取部分三方数据后给客户一个预估的授信额度。
在相关技术中,现有的汽车分期预授信在当前节点收入、资产、负债信息数据较难获取,数据分析运算量大,通常会造成预授信额度不精准,导致风险无法估计或不可控。
针对相关技术中现有的汽车分期预授信信息获取较难、系统资源消耗大、授信不精准的技术问题,目前尚未提出有效的解决方案。
发明内容
因此,本申请实施例在于提供一种汽车分期预授信额度的确定方法、装置、电子设备及存储介质,旨在解决上述现有技术存在的至少一个问题。
为实现上述目的,第一方面,本申请提供了一种汽车分期预授信额度的确定方法,包括:
获取多个用户的二代人行征信报文、用户标签和历史汽车分期授信金额;
解析所述二代人行征信报文得到每个用户的征信信息,根据所述征信信息和用户标签通过逻辑回归模型构建用户的申请评分卡,通过所述申请评分卡确定每个用户的信用等级;
根据所述征信信息确定每个用户的征信标签,调用所述征信标签对应的额度计算模块,利用用户的历史汽车分期授信金额计算得到用户的预授信额度。
在一个实施例中,所述征信标签包括厚征信标签、薄征信标签和白户标签;所述根据所述征信信息确定每个用户的征信标签,包括:基于预设征信标签确定规则,根据每个用户的所述征信信息的信息丰富程度确定对应的征信标签。
在一个实施例中,当用户的征信标签为厚征信标签时,所述利用用户的历史汽车分期授信金额计算得到用户的预授信额度,包括:
根据用户的所述信用等级确定信用水平系数;
根据用户的征信信息中的目标贷款信息和目标贷记卡账户额度信息计算用户的信用额度;
根据用户的征信信息中的循环贷账户信息和贷记卡账户信息确定用户的额度使用率系数;
根据所述信用水平系数、信用额度和额度使用率系数计算得到每个用户的授信基数;
将每个用户的授信基数和历史汽车分期授信金额进行线性回归拟合得到每个用户的授信比率和截距项;
将每个用户的所述授信基数、授信比率和截距项输入预设算法模型输出用户的预授信额度。
在一个实施例中,所述根据所述信用等级确定用户的信用水平系数,包括:识别所述信用等级对应用户的逻辑回归模型的l i ft值,根据所述l i ft值确定用户的信用水平系数。
在一个实施例中,所述根据用户的征信信息中的目标贷款信息和目标贷记卡账户额度信息计算用户的信用额度,包括:
获取用户的征信信息中的目标类型贷款的借款金额最大值和贷记卡账户授信额度最大值;
将预设统计区间的目标类型贷款的借款金额最大值基于预设归一化公式进行归一化处理得到目标类型贷款的借款金额归一化值;
选取预设额度区间的贷记卡账户授信额度最大值并升序排序得到第一集合,将目标类型贷款的借款金额归一化值进行升序排序得到第二集合,采用一元线性回归拟合第一集合和第二集合得到第一线性回归公式,基于所述第一线性回归公式计算得到每个用户的信用额度。
在一个实施例中,所述根据用户的征信信息中的循环贷账户信息和贷记卡账户信息确定用户的额度使用率系数,包括:
获取用户的征信信息中的循环贷账户信息汇总中的授信总额和余额以及贷记卡账户信息汇总中的授信总额和已用额度;
将循环贷账户的授信总额和余额以及贷记卡账户的授信总额和已用额度输入预设算法公式得到用户的额度使用率;
根据所述额度使用率遍历预设的第一映射表得到用户的额度使用率系数。
在一个实施例中,所述根据所述信用水平系数、信用额度和额度使用率系数计算得到每个用户的授信基数,包括:将所述信用水平系数、信用额度和额度使用率系数相乘得到每个用户授信基数;
所述将每个用户的授信基数和历史汽车分期授信金额进行线性回归拟合得到每个用户的授信比率和截距项,包括:将所有用户的授信基数进行升序排序得到第三集合,将所有用户的历史汽车分期授信金额进行升序排序得到第四集合,将所述第三集合和第四集合进行线性回归拟合得到第二线性回归公式,基于所述第二线性回归公式计算得到每个用户的授信比率和截距项。
在一个实施例中,当用户的征信标签为薄征信标签或白户标签时,所述利用用户的历史汽车分期授信金额计算得到用户的预授信额度,包括:根据用户的信用等级遍历第二映射表得到用户的梯度系数;选取用户的历史汽车分期授信金额的预设分位数为额度基数,利用所述额度基数乘以梯度系数得到用户的预授信额度。
第二方面,本申请还提供了一种汽车分期预授信额度的确定系统,包括:
信息获取单元,用于获取多个用户的二代人行征信报文、用户标签和历史汽车分期授信金额;
数据处理单元,用于解析所述二代人行征信报文得到每个用户的征信信息,根据所述征信信息和用户标签通过逻辑回归模型构建用户的申请评分卡,通过所述申请评分卡确定每个用户的信用等级;
额度计算单元,用于根据所述征信信息确定每个用户的征信标签,调用所述征信标签对应的额度计算模块,利用用户的历史汽车分期授信金额计算得到用户的预授信额度。
第三方面,本申请还提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述汽车分期预授信额度的确定方法的步骤。
本申请实施例提供的一种汽车分期预授信额度的确定方法、系统和电子设备,通过获取多个用户的二代人行征信报文、用户标签和历史汽车分期授信金额;解析所述二代人行征信报文得到每个用户的征信信息,根据所述征信信息和用户标签通过逻辑回归模型构建用户的申请评分卡,通过所述申请评分卡确定每个用户的信用等级;根据所述征信信息确定每个用户的征信标签,调用所述征信标签对应的额度计算模块,利用用户的历史汽车分期授信金额计算得到用户的预授信额度。解决了相关技术中现有的汽车分期预授信信息获取较难、系统资源消耗大、授信不精准的技术问题,实现精准的预测预授信额度,节省系统资源消耗。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的汽车分期预授信额度的确定方法的实现流程;
图2为本申请实施例提供的汽车分期预授信额度的确定方法的处理流程图;
图3为本申请实施例提供的汽车分期预授信额度的确定系统的主要模块示意图;
图4为本申请实施例提供的可以应用于其中的示例性系统架构图;
图5为适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,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一部分的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中,术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”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。这些术语主要是为了更好地描述本申请及其实施例,并非用于限定所指示的装置、元件或组成部分必须具有特定方位,或以特定方位进行构造和操作。
并且,上述部分术语除了可以用于表示方位或位置关系以外,还可能用于表示其他含义,例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言,可以根据具体情况理解这些术语在本申请中的具体含义。
另外,术语“多个”的含义应为两个以及两个以上。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了本申请实施例提供的一种汽车分期预授信额度的确定方法的实现流程,为了便于说明,仅示出与本申请实施例相关的部分,详述如下:
一种汽车分期预授信额度的确定方法,包括以下步骤:
S101:获取多个用户的二代人行征信报文、用户标签和历史汽车分期授信金额;
S102:解析所述二代人行征信报文得到每个用户的征信信息,根据所述征信信息和用户标签通过逻辑回归模型构建用户的申请评分卡,通过所述申请评分卡确定每个用户的信用等级;
S103:根据所述征信信息确定每个用户的征信标签,调用所述征信标签对应的额度计算模块,利用用户的历史汽车分期授信金额计算得到用户的预授信额度。
在步骤S101中:获取多个用户的二代人行征信报文、用户标签和历史汽车分期授信金额。在获得用户授权的情况下,通过征信系统获取用户的二代人行征信报文,同时,获取系统对用户标记的用户标签和用户在系统中的历史汽车分期授信金额。
在这里,二代人征信报文为二代征信报告的josn数据;用户标签可以为用户的好坏标签,如优质用户、风险用户等,用户标签可以基于用户历史的借款履约情况来打标,如根据用户的历史借款逾期记录来确定用户的用户标签;历史汽车分期授信金额为用户在本系统中历史申请的汽车分期授信金额。
需要说明的是,获取多个用户的信息,是便于为在本系统中注册的用户均确定出初始的预授信额度。
在步骤S102中:解析所述二代人行征信报文得到每个用户的征信信息,根据所述征信信息和用户标签通过逻辑回归模型构建用户的申请评分卡,通过所述申请评分卡确定每个用户的信用等级。在获取到每个用户的二代人行征信报文、用户标签和历史汽车分期授信金额后,解析二代人行征信报文得到每个用户的征信信息,例如可以将二代人行征信报文的josn数据解析成结构化数据,便于后续数据的查询和调取。做好数据准备好,采用逻辑回归的方式将用户的征信信息结合用户的用户标签构建每个用户的申请评分卡计算模型,基于计算模型得到每个用户的申请评分卡,需要说明的是,申请评分卡是一个分数,即利用计算模型计算出每个用户的申请评分卡分数。然后利用申请评分卡确定出每个用户的信用等级,例如,可以设置不同区间的申请评分卡对应不同的信用等级,在得到用户的申请评分卡分数后直接确定出用户的信用等级。
需要说明的是,逻辑回归(Logistic Regression)是统计学习中的经典分类方法,是一种有监督的机器学习模型,属于广义线性模型的一种。主要用来解决二分类问题,也可以用来解决多分类问题。使用逻辑回归模型可以得到一个[0,1]区间的结果,在风控场景下可以理解为用户违约的概率,在进行评分卡建模时我们需要把违约的概率映射为用户的评分。业内主要采用一种比率缩放的评分映射方法。申请评分卡是基于客户在过去某个时间点截止到本次贷款或信用卡申请时的各项数据,预测其未来某一段时间内的违约概率,而评分则是以分数的形式来体现这个违约概率,即违约概率越高,对应的评分越低。
在本申请实施例中,申请评分卡建模基本流程:
1).数据准备:收集并整合在库客户的数据,定义目标变量,排除特定样本;
2).探索性数据分析:评估每个变量的值分布情况,处理异常值和缺失值;
3).数据预处理:变量筛选,变量分箱,WOE转换、分割训练集测试集;
4).模型开发:逻辑回归拟合模型;
5).模型评估:常见几种评估方法,ROC、KS等;
6).生成评分卡。
在步骤S103中:根据所述征信信息确定每个用户的征信标签,调用所述征信标签对应的额度计算模块,利用用户的历史汽车分期授信金额计算得到用户的预授信额度。用户的征信标签可以是根据用户的征信信息进行预先设置不同的标签,比如白户标签、薄征信标签、厚征信标签等,然后在解析得到用户的征信信息后,根据用户的征信信息基于预置的征信标签确定用户的征信标签。不同的征信标签其对应的额度计算模块不同,因此在确定用户的额征信标签后,根据征信标签调用对用的额度计算模块,然后利用用户的历史汽车分期授信金额计算得到用户的预授信额度。在这里,额度计算模块可以不同的计算规则生成的计算机虚拟模块。由此,通过根据用户的征信信息将用户分为不同的征信标签,然后对不同的征信标签采用不同的计算方式得到用户对应的预授信额度。
在一个实施例中,所述征信标签包括厚征信标签、薄征信标签和白户标签;所述根据所述征信信息确定每个用户的征信标签,包括:基于预设征信标签确定规则,根据每个用户的所述征信信息的信息丰富程度确定对应的征信标签。例如,可以基于用户的征信信息的记录情况,预先设置不同征信信息对应不同的征信标签。
示例性的,可以根据人行征信的信息丰富程度,即用户征信信息的丰富程度,将征信标签划分为白户标签、薄征信标签和厚征信标签3类标签,由此可以将客群划分为3类客群标签,便于为不同的客群标签采取不同的预授信额度计算方式。例如,白户标签:在征信信息上可以表现为信贷交易授信及负债信息概要无信息;薄征信标签:在征信信息上可以表现为循环贷授信总额加贷记卡授信总额小于5000元且住房贷款加个人消费贷款加个人经营性贷款小于30000元;厚征信标签:在征信信息上可以表现为除白户、薄征信以外的客群用户。
进一步的,当用户的征信标签为厚征信标签时,所述利用用户的历史汽车分期授信金额计算得到用户的预授信额度,包括:
根据用户的所述信用等级确定信用水平系数;
根据用户的征信信息中的目标贷款信息和目标贷记卡账户额度信息计算用户的信用额度;
根据用户的征信信息中的循环贷账户信息和贷记卡账户信息确定用户的额度使用率系数;
根据所述信用水平系数、信用额度和额度使用率系数计算得到每个用户的授信基数;
将每个用户的授信基数和历史汽车分期授信金额进行线性回归拟合得到每个用户的授信比率和截距项;
将每个用户的所述授信基数、授信比率和截距项输入预设算法模型输出用户的预授信额度。
在本实施例中,授信额度=收入*信用水平系数*收入负债比系数*授信比率,由于收入与负债在预授信环节无法精准获取,因此对公式中的因子做合理调整,进而建立本申请实施例的预授信额度计算公式,预授信额度=征信信用额度*信用水平系数*循环额度使用率系数*授信比率。进而可以根据该公式计算用户的预授信额度。
需要说明的是,在本申请实施例中,对于征信信用额度、信用水平系数、循环额度使用率系数、授信比率等进行以下说明定义:
1)征信信用额度a:
二代人行征信信息中客户的额度包括两大类,一类是循环账户包括;贷记卡、循环贷的授信额度,这部分额度可随借随还,一般按天计息;二类是非循环类账户的放款金额,包括:房贷、车贷、经营性贷款、非循环消费贷款等。不同类型贷款的额度大小和分布存在明显的差异,需要进行标准化后映射到贷记卡额度的合理范围,从而得到征信信用额度。
2)信用水平系数α:
采用逻辑回归算法,采集历史汽车分期的样本进行建模得到客户的申请评分卡,并划分信用等级,根据风险识别l ift确定出用户的信用水平系数。
3)循环额度使用率系数β:
循环额度使用率=(贷记卡已用额度+循环贷余额)/(贷记卡授信总额+循环贷授信总额),同使用历史客群计算出不同档次的循环额度使用率与逾期风险的关系,确定循环额度使用率系数。
4)授信比率λ:
授信基数=a*α*β;
预授信额度=授信基数*λ+c(其中c常数);
在历史放款客群中,使用人行征信计算出授信基数并排序,与排序后的历史授信额度进行线性回归即可计算出授信比率λ和截距项c。
在一个实施例中,所述根据所述信用等级确定用户的信用水平系数,包括:识别所述信用等级对应用户的逻辑回归模型的l ift值,根据所述l ift值确定用户的信用水平系数。在这里,信用水平系数可以记为α。由此,可以通过信用等级确定l ift值,再通过l ift值确定对应的信用水平系数。可以通过将信用等级、lift值和信用水平系数建立映射表,然后通过映射规则确定信用水平系数。例如,可以通过下表结构确定信用水平系数。
信用等级 | Lift | 信用水平系数α |
A | 0.35 | 1.2 |
B | 0.8 | 1.1 |
C | 1 | 1 |
D | 1.2 | 1.1 |
E | 2 | 0.9 |
F | 3 | 0.8 |
需要说明的是,表格中的信用水平系数,可以根据lift表现和专家经验判断,设置一定梯度即可。在这里,lift值为风险识别能力指标,常用的风险识别能力指标是lift提升度,Lift是评估一个预测模型是否有效的一个度量;它衡量的是一个模型(或规则)对目标中“响应”的预测能力优于随机选择的倍数,以1为界线,大于1的Lift表示该模型或规则比随机选择捕捉了更多的“响应”,等于1的Lift表示该模型的表现独立于随机选择,小于1则表示该模型或规则比随机选择捕捉了更少的“响应”。
在一个实施例中,所述根据用户的征信信息中的目标贷款信息和目标贷记卡账户额度信息计算用户的信用额度,包括:
获取用户的征信信息中的目标类型贷款的借款金额最大值和贷记卡账户授信额度最大值;
将预设统计区间的目标类型贷款的借款金额最大值基于预设归一化公式进行归一化处理得到目标类型贷款的借款金额归一化值;
选取预设额度区间的贷记卡账户授信额度最大值并升序排序得到第一集合,将目标类型贷款的借款金额归一化值进行升序排序得到第二集合,采用一元线性回归拟合第一集合和第二集合得到第一线性回归公式,基于所述第一线性回归公式计算得到每个用户的信用额度。
在本实施例中,目标贷款信息可以是预设的目标类型的贷款的信息,比如可以预先设置获取个人住房贷款的最大值、个人汽车消费贷款的最大值等信息;目标贷款卡账户额度信息也可以是预设的目标贷记卡账户类型的额度信息,比如,贷记卡账户的授信额度最大值。预设统计区间可以根据实际场景预设的目标类型的贷款的信息和目标贷款卡账户额度信息的统计分布区间,比如取5%、95%分位数,对在该区间的数值进行处理。预设额度区间也可以是基于实际场景进行设定,例如选取贷记卡额度最大值在5000到200000区间的客群进行数据处理。由此,可以准确的计算出每个用户的信用额度值。
在本实施例中,该实施例是为了得到用户的单家银行或金融机构的授信额度,由于贷款类型不同,各类授信额度或借款金额的大小存在较大的差异,先采用归一化处理后取最大值。用归一化后的分布去拟合贷记卡最高额度的分布。由于厚征信标签客群用户的信息量比较丰富,因此仅处理在厚征信标签客群用户中应用。
示例性的,计算厚征信标签用户的信用额度a可以包括:
S201:信息采集:
从解析得到的征信信息中获取以下几类贷款的借款金额:①个人住房贷款最大值:包括个人住房商业贷款、个人商用房(含商住两用)贷款、个人住房公积金贷款;②个人汽车消费贷款最大值;③个人经营性贷款最大值;
获取贷记卡账户授信额度最大值;
S202:归一化处理:
统计S201中的分布情况,取5%、95%分位数,对在该区间的数值进行归一化处理;
例如,如下表的统计分布情况:
归一化公式:(x-m)/(n-m);
由于住房贷款、个人汽车消费贷款、个人经营性贷款客群通常比贷记卡用户更优质,因此可以依据专家经验进行调整,调整后的归一化公式为:k+(1-k)*((x-m)/(n-m));
计算每一位客户4类贷款归一化之后的值,并取max计为x`;
S203:额度映射:
该步骤为将归一化后的x`去拟合历史客户(用户)贷记卡额度最大值,选取贷记卡额度最大值在5000到200000区间的客群(用户):
Step1:将x`进行升序排序X;
Step2:将历史汽车分期客户的单张贷记卡额度最大值进行升序排序Y;
Step3:采用一元线性回归拟合(X,Y),得到线性回归公式,并利用公式计算出征信信用额度a。
由此,可以通过该示范性实施例计算得到用户的信用额度。
在一个实施例中,所述根据用户的征信信息中的循环贷账户信息和贷记卡账户信息确定用户的额度使用率系数,包括:
获取用户的征信信息中的循环贷账户信息汇总中的授信总额和余额以及贷记卡账户信息汇总中的授信总额和已用额度;
将循环贷账户的授信总额和余额以及贷记卡账户的授信总额和已用额度输入预设算法公式得到用户的额度使用率;
根据所述额度使用率遍历预设的第一映射表得到用户的额度使用率系数。在这里,第一映射表可以是根据不同的额度使用率对应不同的额度使用率系数的对应关系表。
示例性的,在本实施例中,计算额度使用率系数β可以包括:
S301:征信信息采集:
从解析得到的征信信息中获取人行征信以下信息段:
循环贷账户信息汇总中的授信总额、余额;贷记卡账户信息汇总中的授信总额,已用额度;
S302:计算循环额度使用率:
循环额度使用率=(贷记卡已用额度+循环贷余额)/(贷记卡授信总额+循环贷授信总额),其中如贷记卡授信总额+循环贷授信总额=0,额度使用率计为0;
S303:额度使用率系数β确定:
根据预设的第一映射表得到用户的额度使用率系数:
循环贷额度使用率 | 系数 |
<0.4 | 1.2 |
0.4~0.7 | 1 |
0.7~1 | 0.8 |
>1 | 0.8 |
例如,循环贷额度使用率为小于0.4时,循环贷额度使用率系数为1.2。
在一个实施例中,所述根据所述信用水平系数、信用额度和额度使用率系数计算得到每个用户的授信基数,包括:将所述信用水平系数、信用额度和额度使用率系数相乘得到每个用户授信基数;
所述将每个用户的授信基数和历史汽车分期授信金额进行线性回归拟合得到每个用户的授信比率和截距项,包括:将所有用户的授信基数进行升序排序得到第三集合,将所有用户的历史汽车分期授信金额进行升序排序得到第四集合,将所述第三集合和第四集合进行线性回归拟合得到第二线性回归公式,基于所述第二线性回归公式计算得到每个用户的授信比率和截距项。
示例性的,在本实施例中,计算授信基数可以包括:
授信基数=a*α*β。
示例性的,在本实施例中,计算每个用户的授信比率和截距项可以包括:
Step1:授信基数排序X;
Step2:历史汽车分期授信金额排序Y;
Step3:采用线性回归拟合得到公式Y=λ*X+c,即可计算出授信比率λ和截距项c。
由此,进一步可以将公式y=λ*x+c作为预设算法模型进行计算预授信额度。其中y为预授信额度,x为授信基数,λ为授信比率,c为截距项。
在另一个实施例中,当用户的征信标签为薄征信标签或白户标签时,所述利用用户的历史汽车分期授信金额计算得到用户的预授信额度,包括:根据用户的信用等级遍历第二映射表得到用户的梯度系数;选取用户的历史汽车分期授信金额的预设分位数为额度基数,利用所述额度基数乘以梯度系数得到用户的预授信额度。在这里,第二映射表为基于信用等级对应的梯度系数之间的映射关系;预设分位数可以基于实际场景进行设定。
示例性的,在本实施例中,白户标签及薄征信标签客群的预授信额度可以包括:白户标签与薄征信标签客群用信用等级划分梯度系数,取历史授信的5%分位数万位取整为基数计算预授信额度。以基数40000为例,计算结果可以如下表:
信用等级 | 系数 | 预授信额度 |
A | 1.2 | 48000 |
B | 1.1 | 44000 |
C | 1 | 40000 |
D | 1.1 | 44000 |
E | 0.9 | 36000 |
F | 0.8 | 32000 |
在一个实施例中,在计算完不同客群的预授信额度后,进行效果测试。
示例性的,效果测试包括:
预授信额度与历史授信分布:绘制预授信额度与历史授信额度的KDE图(KernelDensity Estimation,核密度估计),查看预授信额度与历史授信额度的分布情况,要求两者同分布;预授信金额与历史授信差额bivar图:差额越大风险越小,差额越小风险越大,呈单调性。
进而,本申请实施例提供的一种汽车分期预授信额度的确定方法,基于二代人行征信信息对客群进行分类后,基于丰富的征信信息,抽取与授信额度相关的三大维度收入水平、信用水平、资产负债情况,采用线性回归算法拟合历史汽车分期额度分布,达到预授信额度与历史授信额度同分布的目的,预授信额度分布合理且风险可控。
相对已有技术或方法,实现以下有益效果:
1)传统方法关注获取客户真实的收入,目前除税收数据外无其他数据源可对客户真实收入做精准评估,本申请实施例理论基础是对于有相对丰富征信记录的客群,贷记卡或贷款的授信额度与客户收入水平成正比,用已知的单张信用卡或贷款的授信额度描述客户的收入水平;
2)传统方法同样负债信息也难以评估,征信数据中有客户月还款额,但这只是客户负债的一部分,收入负债比也难以精确计算;本申请实施例采用循环额度的金额使用率来评估客户收入负债比,循环额度是指客户可以循环使用或取现的额度,这部分额度的占用率越高,说明客户的资金紧张程度越高,负债比也越高;
3)在不同的贷款类型,授信比率有很大的差异,房贷、汽车贷款、经营性贷款、信用贷款的授信比率有很大的差异,与是否抵押、担保、分期场景都有关系,这类关系无法用经验或公式进行量化。本申请实施例基于客户征信信息计算出授信基数后,采用线性回归拟合历史汽车分期的授信额度,计算出汽车分期场景的授信比率。
由此,本申请实施例提供的一种汽车分期预授信额度的确定方法,解决了相关技术中现有的汽车分期预授信信息获取较难、系统资源消耗大、授信不精准的技术问题,实现精准的预测预授信额度,节省系统资源消耗。
图3示出了本申请实施例提供的汽车分期预授信额度的确定系统的主要模块示意图,为了便于说明,仅示出与本申请实施例相关的部分,详述如下:
一种汽车分期预授信额度的确定系统200,包括:
信息获取单元201,用于获取多个用户的二代人行征信报文、用户标签和历史汽车分期授信金额;
数据处理单元202,用于解析所述二代人行征信报文得到每个用户的征信信息,根据所述征信信息和用户标签通过逻辑回归模型构建用户的申请评分卡,通过所述申请评分卡确定每个用户的信用等级;
额度计算单元203,用于根据所述征信信息确定每个用户的征信标签,调用所述征信标签对应的额度计算模块,利用用户的历史汽车分期授信金额计算得到用户的预授信额度。
需要说明的是,本申请实施例的汽车分期预授信额度的确定系统为对应于本申请实施例的汽车分期预授信额度的确定方法进行配置,汽车分期预授信额度的确定系统的其它实施例对应于汽车分期预授信额度的确定方法的所有实施例,这里不再赘述。
由此,本申请实施例提供的汽车分期预授信额度的确定系统,解决了相关技术中现有的汽车分期预授信信息获取较难、系统资源消耗大、授信不精准的技术问题,实现精准的预测预授信额度,节省系统资源消耗。
本申请实施例还提供一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现本申请实施例的汽车分期预授信额度的确定方法。
本申请实施例还提供一种计算机可读介质,其上存储有计算机程序,程序被处理器执行时实现本申请实施例的汽车分期预授信额度的确定方法。
图4示出了可以应用本申请实施例的汽车分期预授信额度的确定方法或装置的示例性系统架构300。
如图4所示,系统架构300可以包括终端设备301、302、303,网络304和服务器305。网络304用以在终端设备301、302、303和服务器305之间提供通信链路的介质。网络304可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备301、302、303通过网络304与服务器305交互,以接收或发送消息等。终端设备301、302、303上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备301、302、303可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器305可以是提供各种服务的服务器,例如对用户利用终端设备301、302、303所发送的往来消息提供支持的后台管理服务器。后台管理服务器可以在接收到终端设备请求后进行分析等处理,并将处理结果反馈给终端设备。
需要说明的是,本申请实施例所提供的汽车分期预授信额度的确定方法一般由终端设备301、302、303或服务器305执行,相应地,汽车分期预授信额度的确定系统一般设置于终端设备301、302、303或服务器305中。
应该理解,图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图5,其示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统400的结构示意图。图5示出的计算机系统仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统400包括中央处理单元(CPU)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有系统400操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地,根据本申请公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括确定模块、提取模块、训练模块和筛选模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,确定模块还可以被描述为“确定候选用户集的模块”。
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本申请专利范围的限制。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。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种汽车分期预授信额度的确定方法,其特征在于,包括:
获取多个用户的二代人行征信报文、用户标签和历史汽车分期授信金额;
解析所述二代人行征信报文得到每个用户的征信信息,根据所述征信信息和用户标签通过逻辑回归模型构建用户的申请评分卡,通过所述申请评分卡确定每个用户的信用等级;
根据所述征信信息确定每个用户的征信标签,调用所述征信标签对应的额度计算模块,利用用户的历史汽车分期授信金额计算得到用户的预授信额度。
2.根据权利要求1所述的汽车分期预授信额度的确定方法,其特征在于,所述征信标签包括厚征信标签、薄征信标签和白户标签;所述根据所述征信信息确定每个用户的征信标签,包括:基于预设征信标签确定规则,根据每个用户的所述征信信息的信息丰富程度确定对应的征信标签。
3.根据权利要求2所述的汽车分期预授信额度的确定方法,其特征在于,当用户的征信标签为厚征信标签时,所述利用用户的历史汽车分期授信金额计算得到用户的预授信额度,包括:
根据用户的所述信用等级确定信用水平系数;
根据用户的征信信息中的目标贷款信息和目标贷记卡账户额度信息计算用户的信用额度;
根据用户的征信信息中的循环贷账户信息和贷记卡账户信息确定用户的额度使用率系数;
根据所述信用水平系数、信用额度和额度使用率系数计算得到每个用户的授信基数;
将每个用户的授信基数和历史汽车分期授信金额进行线性回归拟合得到每个用户的授信比率和截距项;
将每个用户的所述授信基数、授信比率和截距项输入预设算法模型输出用户的预授信额度。
4.根据权利要求3所述的汽车分期预授信额度的确定方法,其特征在于,所述根据所述信用等级确定用户的信用水平系数,包括:识别所述信用等级对应用户的逻辑回归模型的lift值,根据所述lift值确定用户的信用水平系数。
5.根据权利要求3所述的汽车分期预授信额度的确定方法,其特征在于,所述根据用户的征信信息中的目标贷款信息和目标贷记卡账户额度信息计算用户的信用额度,包括:
获取用户的征信信息中的目标类型贷款的借款金额最大值和贷记卡账户授信额度最大值;
将预设统计区间的目标类型贷款的借款金额最大值基于预设归一化公式进行归一化处理得到目标类型贷款的借款金额归一化值;
选取预设额度区间的贷记卡账户授信额度最大值并升序排序得到第一集合,将目标类型贷款的借款金额归一化值进行升序排序得到第二集合,采用一元线性回归拟合第一集合和第二集合得到第一线性回归公式,基于所述第一线性回归公式计算得到每个用户的信用额度。
6.根据权利要求3所述的汽车分期预授信额度的确定方法,其特征在于,所述根据用户的征信信息中的循环贷账户信息和贷记卡账户信息确定用户的额度使用率系数,包括:
获取用户的征信信息中的循环贷账户信息汇总中的授信总额和余额以及贷记卡账户信息汇总中的授信总额和已用额度;
将循环贷账户的授信总额和余额以及贷记卡账户的授信总额和已用额度输入预设算法公式得到用户的额度使用率;
根据所述额度使用率遍历预设的第一映射表得到用户的额度使用率系数。
7.根据权利要求3所述的汽车分期预授信额度的确定方法,其特征在于,所述根据所述信用水平系数、信用额度和额度使用率系数计算得到每个用户的授信基数,包括:将所述信用水平系数、信用额度和额度使用率系数相乘得到每个用户授信基数;
所述将每个用户的授信基数和历史汽车分期授信金额进行线性回归拟合得到每个用户的授信比率和截距项,包括:将所有用户的授信基数进行升序排序得到第三集合,将所有用户的历史汽车分期授信金额进行升序排序得到第四集合,将所述第三集合和第四集合进行线性回归拟合得到第二线性回归公式,基于所述第二线性回归公式计算得到每个用户的授信比率和截距项。
8.根据权利要求2所述的汽车分期预授信额度的确定方法,其特征在于,当用户的征信标签为薄征信标签或白户标签时,所述利用用户的历史汽车分期授信金额计算得到用户的预授信额度,包括:根据用户的信用等级遍历第二映射表得到用户的梯度系数;选取用户的历史汽车分期授信金额的预设分位数为额度基数,利用所述额度基数乘以梯度系数得到用户的预授信额度。
9.一种汽车分期预授信额度的确定系统,其特征在于,包括:
信息获取单元,用于获取多个用户的二代人行征信报文、用户标签和历史汽车分期授信金额;
数据处理单元,用于解析所述二代人行征信报文得到每个用户的征信信息,根据所述征信信息和用户标签通过逻辑回归模型构建用户的申请评分卡,通过所述申请评分卡确定每个用户的信用等级;
额度计算单元,用于根据所述征信信息确定每个用户的征信标签,调用所述征信标签对应的额度计算模块,利用用户的历史汽车分期授信金额计算得到用户的预授信额度。
10.一种电子设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1至8中任一项所述的汽车分期预授信额度的确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310248522.2A CN116362866A (zh) | 2023-03-13 | 2023-03-13 | 汽车分期预授信额度的确定方法、系统和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310248522.2A CN116362866A (zh) | 2023-03-13 | 2023-03-13 | 汽车分期预授信额度的确定方法、系统和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116362866A true CN116362866A (zh) | 2023-06-30 |
Family
ID=86939798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310248522.2A Pending CN116362866A (zh) | 2023-03-13 | 2023-03-13 | 汽车分期预授信额度的确定方法、系统和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116362866A (zh) |
-
2023
- 2023-03-13 CN CN202310248522.2A patent/CN116362866A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107886241B (zh) | 资源分析方法、装置、介质和电子设备 | |
CN112561685B (zh) | 客户的分类方法和装置 | |
CN111784204A (zh) | 一种基于用户用电行为画像的优质用户挖掘方法及系统 | |
CN111598360A (zh) | 服务策略确定方法、装置及电子设备 | |
CN112017042A (zh) | 基于tweedie分布的资源配额确定方法、装置和电子设备 | |
CN112348659A (zh) | 用户风险识别策略的分配方法、装置及电子设备 | |
CN114078050A (zh) | 贷款逾期预测方法、装置、电子设备及计算机可读介质 | |
CN112232950A (zh) | 针对借贷风险的评估方法及装置、设备、计算机可读存储介质 | |
CN112950359B (zh) | 一种用户识别方法和装置 | |
Fullerton Jr et al. | Physical infrastructure and economic growth in El Paso | |
CN111815435A (zh) | 一种群体风险特征的可视化方法、装置、设备及存储介质 | |
CN116468547A (zh) | 一种基于数据挖掘的信用卡资源分配方法及系统 | |
Koyuncugil et al. | Detecting road maps for capacity utilization decisions by clustering analysis and CHAID decision tress | |
CN116362866A (zh) | 汽车分期预授信额度的确定方法、系统和装置 | |
CN114943563A (zh) | 一种权益推送方法、装置、计算机设备及存储介质 | |
CN114493853A (zh) | 信用等级评价方法、装置、电子设备及存储介质 | |
CN113052512A (zh) | 风险预测方法、装置和电子设备 | |
CN113888047A (zh) | 考虑区域投资能力的技改项目投资规模预测方法及系统 | |
CN112990311A (zh) | 一种准入客户的识别方法和装置 | |
CN113379533A (zh) | 一种循环贷款提额方法、装置、设备及存储介质 | |
CN114155038B (zh) | 受疫情影响用户识别方法 | |
CN115687990A (zh) | 一种银行客户分类方法、装置、设备及存储介质 | |
CN118093515A (zh) | 数据处理方法、装置、设备、介质和程序产品 | |
CN116739756A (zh) | 金融数据处理方法、装置、设备、介质和程序产品 | |
CN116308615A (zh) | 产品推荐方法、装置、电子设备及存储介质 |
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 |