CN116739722B - 一种基于风险评估的融资租赁报价方法及系统 - Google Patents

一种基于风险评估的融资租赁报价方法及系统 Download PDF

Info

Publication number
CN116739722B
CN116739722B CN202311025375.9A CN202311025375A CN116739722B CN 116739722 B CN116739722 B CN 116739722B CN 202311025375 A CN202311025375 A CN 202311025375A CN 116739722 B CN116739722 B CN 116739722B
Authority
CN
China
Prior art keywords
data
applicant
feature
financing lease
asset
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.)
Active
Application number
CN202311025375.9A
Other languages
English (en)
Other versions
CN116739722A (zh
Inventor
贺强
吴�民
梁超
董子伟
黄娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuhong Capital Hunan Financial Leasing Co ltd
Original Assignee
Fuhong Capital Hunan Financial Leasing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuhong Capital Hunan Financial Leasing Co ltd filed Critical Fuhong Capital Hunan Financial Leasing Co ltd
Priority to CN202311025375.9A priority Critical patent/CN116739722B/zh
Publication of CN116739722A publication Critical patent/CN116739722A/zh
Application granted granted Critical
Publication of CN116739722B publication Critical patent/CN116739722B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0645—Rental transactions; Leasing transactions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Technology Law (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明涉及风险数据评估技术领域，尤其涉及一种基于风险评估的融资租赁报价方法及系统。该方法包括以下步骤：通过区块链技术以及身份验证API进行申请人身份验证以及信用分析，获取申请人身份证实数据；获取申请人历史交易数据，并根据申请人历史交易数据进行特征提取，获取申请人行为特征数据以及申请人融资租赁意图特征数据；对申请人行为特征数据以及申请人融资租赁意图特征数据进行识别计算，获取申请人行为评分数据；根据申请人身份证实数据中的申请人资产数据进行资产评价，获取资产评价指数数据。本发明能够提高风险评估的效率和准确性及融租租赁报价效率。

Description

一种基于风险评估的融资租赁报价方法及系统
技术领域
本发明涉及风险数据评估技术领域，尤其涉及一种基于风险评估的融资租赁报价方法及系统。
背景技术
基于风险评估的融资租赁报价方法是指在金融融资租赁过程中，金融机构通过一系列评估手段和技术来衡量申请人的偿债能力和可能的违约风险，以便决定是否发放融资租赁、融资租赁金额多少以及相应的利率。这些评估方法通常涉及对申请人的财务状况、信用历史、担保品价值等各方面的细致分析和考察。在许多情况下，风险评估可能需要依赖金融机构员工的主观判断，这可能导致评估结果受到个人偏好或者误解的影响。
发明内容
本发明为解决上述技术问题，提出了一种基于风险评估的融资租赁报价方法及系统，以解决至少一个上述技术问题。
本申请提供了一种基于风险评估的融资租赁报价方法，包括以下步骤：
步骤S1：通过区块链技术以及身份验证API进行申请人身份验证以及信用分析，从而获取申请人身份证实数据；
步骤S2：获取申请人历史交易数据，并根据申请人历史交易数据进行特征提取，从而获取申请人行为特征数据以及申请人融资租赁意图特征数据；
步骤S3：对申请人行为特征数据以及申请人融资租赁意图特征数据进行识别计算，从而获取申请人行为评分数据；
步骤S4：根据申请人身份证实数据中的申请人资产数据进行资产评价，从而获取资产评价指数数据；
步骤S5：对申请人身份证实数据、申请人行为评分数据以及资产评价指数数据进行风险评估，从而获取申请人风险评估数据；
步骤S6：根据申请人风险评估数据通过预设的基于计算引擎的融资租赁报价计算方式进行处理，生成融资租赁报价方案数据。
本发明中通过对申请人的身份、历史交易行为、融资租赁意图和资产状况的全面评估，能够更准确地识别和预测融资租赁风险，从而降低融资租赁违约的可能性。利用区块链技术进行身份验证和信用分析，可以增强融资租赁的信任度和透明度，提高融资租赁流程的安全性和公正性。生成的融资租赁参数数据和智能融资租赁报价数据可以为决策者提供有力的数据支持，帮助决策者做出更理性、更智能的融资租赁决策。借助于自动化的数据获取、特征提取和风险评估过程，可以显著提高融资租赁风险评估的效率和准确性。
优选地，步骤S1具体为：
步骤S11：获取申请人身份验证数据，并利用预设的申请人身份区块链中的标识数据对申请人身份验证数据进行请求生成，从而获取身份认证请求数据；
步骤S12：通过预设的身份验证API对身份认证请求数据进行身份认证处理，从而获取初步身份认证结果数据；
步骤S13：利用预设的申请人身份区块链中的身份基础数据对初步身份认证结果数据进行身份认证确认，从而获取身份认证确认数据；
步骤S14：根据身份认证确认数据生成信用分析请求数据；
步骤S15：对信用分析请求数据进行关联度可信度信用分析以及历史数据变化可信度信用分析，从而获取关联度可信度数据以及历史数据变化可信度数据；
步骤S16：将身份认证确认数据、关联度可信度数据以及历史数据变化可信度数据进行数据整合，从而获取申请人身份证实数据。
本发明中利用区块链技术和身份验证API，提供了更强大和安全的身份验证机制，可以在更大程度上防止欺诈和冒名行为。通过关联度可信度和历史数据变化可信度的信用分析，能对申请人的信用状况进行更准确和全面的评估，有助于提高融资租赁决策的正确性。通过自动化的身份验证和信用分析流程，可以显著提高申请人身份验证和信用评估的效率，节省了大量的人力和时间资源。利用的数据整合过程提高了融资租赁流程的透明度，有助于构建更公平和公正的融资租赁环境。在获取了申请人的身份证实数据后，可以更有效地进行风险评估，降低因信用问题而产生的风险。
优选地，步骤S15中关联度可信度信用分析通过关联度可信度计算公式进行信用分析，其中关联度可信度计算公式具体为：
；
为关联度可信度数据，/>为申请人的信用分数，/>为关联度常数项，/>为信用分析请求数据的数量数据，/>为信用分析请求数据的序次项，/>为第/>个申请人的身份认证数据，为第/>个申请人的历史还款数据，/>为第/>个申请人的财务状况数据，/>为申请人的年龄关联数据，/>为申请人的性别关联数据，/>为申请人的教育程度关联数据，/>为申请人的职业类别关联数据。
本发明构造了一种关联度可信度计算公式，该计算公式通过将多个因素（包括身份认证数据，历史还款数据，财务状况数据，以及年龄，性别，教育程度，职业类别等关联数据）融入到一个计算公式中，使得关联度可信度的计算结果更加全面和精确，提高了信用评估的准确性。公式的目标是计算关联度可信度数据，这是一个关于申请人信用分数/>的函数。通过关联度可信度数据/>，能够评估申请人的信用状况以及还款能力，从而有助于决策是否提供融资租赁以及融资租赁的额度和利率。
优选地，步骤S2具体为：
步骤S21：获取申请人历史交易数据；
步骤S22：对申请人历史交易数据进行数据清洗并格式化处理，从而获取申请人历史交易预处理数据；
步骤S23：对申请人历史交易预处理数据进行特征提取，从而获取申请人行为特征初级数据以及申请人融资租赁意图特征初级数据；
步骤S24：对申请人行为特征初级数据以及申请人融资租赁意图特征初级数据进行特征重要性筛选，从而获取申请人行为特征筛选数据以及申请人融资租赁意图特征筛选数据；
步骤S25：对申请人行为特征筛选数据以及申请人融资租赁意图特征筛选数据进行特征归一化，从而获取申请人行为特征数据以及申请人融资租赁意图特征数据。
本发明中可以帮助去除数据中的噪声和异常值，提高数据的质量，使得后续的分析结果更加准确。同时，格式化处理也会使得数据更加规整，易于处理。通过特征提取，将原始的交易数据转化为描述申请人行为和融资租赁意图的高层次特征，这些特征更直接地反映了申请人的风险状况。不是所有的特征都对风险评估有用，一些无关的或者冗余的特征可能会对结果产生负面的影响。通过特征重要性筛选，选择出最有用的特征，从而提高风险评估的准确性。不同的特征可能具有不同的量纲和取值范围，如果直接使用这些特征进行计算，可能会引入不必要的偏差。特征归一化可以解决这个问题，使得不同的特征在计算中具有相等的权重。
优选地，申请人行为特征初级数据包括交易频率特征数据、交易金额特征数据以及交易时间特征数据，申请人融资租赁意图特征初级数据包括交易金额特征数据、交易类型特征数据、交易时间特征数据以及融资租赁记录特征数据，步骤S23具体为：
步骤S231：对申请人历史交易预处理数据进行交易频率分析，从而获取交易频率特征数据；
步骤S232：对申请人历史交易预处理数据进行交易金额统计，从而获取交易金额特征数据；
步骤S233：对申请人历史交易预处理数据进行交易类型处理，从而获取交易类型特征数据；
步骤S234：对申请人历史交易预处理数据进行交易时间提取，从而获取交易时间特征数据；
步骤S235：对申请人历史交易预处理数据进行融资租赁记录提取，从而获取融资租赁记录特征数据。
本发明中通过分析申请人的交易频率，可以反映申请人的活跃度，经常进行交易的申请人可能对金融活动有更深的理解和参与，这有助于金融机构更好地理解申请人的行为模式。交易金额可以反映申请人的经济状况，大额交易可能表明申请人有较好的经济条件，而频繁的小额交易可能意味着他们在维持日常生活。交易类型可能与申请人的风险等级有关，例如，某些类型的交易可能更可能与高风险行为相关。交易时间（例如，交易在一天中的何时进行，或在一周的哪一天进行）可能与申请人的生活习惯和工作情况有关，这些信息可以帮助金融机构更好地理解申请人。融资租赁记录能反映申请人的信用历史，对于评估其未来的信用风险具有重要意义。
优选地，步骤S24中特征重要性筛选通过特征重要性筛选计算公式进行处理，其中特征重要性筛选计算公式具体为：
；
为特征重要性数据，/>为第一特征重要性权重系数，/>为特征重要性底数常数项，/>为特征变化程度数据，/>为第二特征重要性权重系数，/>为特征数据项，/>为特征目标协方差项，/>为第三特征重要性权重项，/>为特征峰值项，/>为第四特征重要性权重系数，/>为特征多重共线性系数。
本发明构造了一种特征重要性筛选计算公式，该计算公式通过引入特征变化程度数据和其底数/>的对数项，衡量一个特征值在整个数据集中的变化程度。这是一个衡量特征分散程度的指标，变化程度大的特征可能更具区分度。/>参数则为该项的权重系数。部分计算了特征数据项/>与特征目标协方差项/>之间的导数，这是一个衡量特征与目标变量相关性的指标，相关性强的特征对于模型的预测效果更为重要。/>参数则为该项的权重系数。/>部分引入了特征峰值项/>的正弦函数，这能反映特征数据在达到极值时的影响。/>参数则为该项的权重系数。/>部分则是考虑了特征的多重共线性系数/>，多重共线性会影响模型的稳定性和解释性，通过该项可以降低共线性较高的特征的重要性。/>参数则为该项的权重系数，通过对不同特征的重要性进行量化，可以更有效地挑选出对预测模型最有贡献的特征，从而提高模型的预测效果和效率。
优选地，步骤S3具体为：
步骤S31：利用预设的融资租赁意图识别模型对申请人行为特征数据以及申请人融资租赁意图特征数据进行融资租赁意图识别，从而获取申请人融资租赁意图数据；
步骤S32：对申请人融资租赁意图数据以及申请人行为特征数据进行模型构建，从而构建行为评分模型；
步骤S33：利用预设于本地的历史行为评分数据对行为评分模型进行优化处理，从而获取行为评分优化模型；
步骤S34：根据行为评分优化模型进行行为评分，从而获取申请人行为评分数据；
其中融资租赁意图识别模型的构建步骤包括以下步骤：
步骤S301：获取申请人历史交易数据，并对申请人历史交易数据进行聚类计算，从而获取申请人历史交易聚类特征数据；
步骤S302：对申请人历史交易聚类特征数据进行降维提取，从而获取申请人历史交易降维特征数据；
步骤S303：利用申请人历史交易数据中的融资租赁意图标签数据对申请人历史交易降维特征数据进行迁移学习，从而获取融资租赁意图识别模型。
本发明中通过先进的数据分析和机器学习技术，对申请人的行为特征和融资租赁意图进行深度识别，提供更精准的评估结果。通过利用历史行为评分数据优化行为评分模型，能够更好地应对不同情况和变化，提升了模型的适应性和准确性。通过预设的融资租赁意图识别模型和行为评分优化模型，可以增加风险评估的可靠性，降低错误判断的概率。其中模型构建的步骤通过对历史交易数据的聚类计算，能更有效地对大量数据进行处理和分析。聚类算法能把相似的交易记录组合在一起，更容易提取其中关键的模式和趋势。降维处理可以显著减少数据的复杂度，使模型训练更快且更高效，同时可以保持数据的主要特征和结构，为后续的分析和模型构建提供有效的输入。融资租赁意图识别模型通过利用已有的融资租赁意图标签数据进行迁移学习，可以提升预测的准确率。能够利用已有的知识，来更好地识别和预测新的申请人的融资租赁意图。通过构建融资租赁意图识别模型，可以针对每个申请人进行个性化的风险评估，而不仅仅是依赖于通用的评估标准和模型。通过融资租赁意图的精确识别，可以更早地发现潜在的风险，从而提前做好风险防范，避免或减少损失。
优选地，步骤S303具体为：
步骤S3031：对申请人历史交易降维特征数据进行特征数据选择，从而获取申请人历史交易特征选择数据，其中特征数据选择为根据申请人历史交易降维特征数据通过预设的选择规则进行优先级特征选择；
步骤S3032：对申请人历史交易降维特征数据中的标签数据进行标签数据选定，从而获取申请人历史交易标签数据；
步骤S3033：根据申请人历史交易特征选择数据进行复杂度处理，从而获取特征复杂度数据；
步骤S3034：确定特征复杂度数据为低特征复杂度数据时，则利用预设的线性回归模型以及申请人历史交易标签数据对申请人历史交易特征选择数据进行迁移学习，从而获取融资租赁意图识别模型；
步骤S3035：确定特征复杂度数据为中特征复杂度数据时，则利用预设的决策树模型以及申请人历史交易标签数据对申请人历史交易特征选择数据进行迁移学习，从而获取融资租赁意图识别模型；
步骤S3036：确定特征复杂度数据为高特征复杂度数据时，则利用预设的神经网络模型以及申请人历史交易标签数据对申请人历史交易特征选择数据进行迁移学习，从而获取融资租赁意图识别模型。
本发明中通过特征复杂度数据的不同，该方法动态地选择不同的模型进行迁移学习，从线性回归模型、决策树模型到神经网络模型，这种灵活的方法允许系统适应各种不同的复杂度情况，提高预测的准确性。通过优先级特征选择，方法能有效地选择出与融资租赁意图最相关的特征，避免无关特征对模型的干扰，提高模型的准确性和效率。通过选择与申请人历史交易降维特征数据对应的标签数据进行模型训练，能够更好地利用已有数据，提高模型的训练效率和识别准确率。基于特征复杂度的模型选择，可以对模型性能进行优化，确保在处理高维复杂特征时，模型能够保持高性能和准确度，从而提高风险预测和评估的准确性。通过精确的融资租赁意图识别，金融机构可以提前识别和管理风险，从而优化资源分配，提高资金安全性和利润率。
优选地，步骤S4具体为：
步骤S41：对申请人身份证实数据进行数据提取，从而获取申请人资产数据；
步骤S42：对申请人资产数据进行数据清洗并合法性验证，从而获取申请人资产合法性数据，其中合法性验证包括资产来源合法性验证以及资产数据完整性验证；
步骤S43：根据申请人资产合法性数据生成资产评估请求数据；
步骤S44：利用资产评估请求数据对申请人资产合法性数据通过预设的专家规则进行资产评估，从而获取初步资产评估结果数据；
步骤S45：对初步资产评估结果数据进行资产评估结果验证，从而获取资产评估确认数据；
步骤S46：对资产评估确认数据以及申请人资产数据进行整合标记，从而获取资产评价指数数据。
本发明中通过对申请人的资产数据进行清洗和合法性验证，可以确保评估过程基于有效和合法的数据，提高了资产评估的准确性和可靠性。在获取初步资产评估结果后，进一步进行结果验证，这种多重验证过程可以进一步提高评估的精确性和可靠性。通过预设的专家规则进行资产评估，可以保证评估结果的科学性和公正性，而且专家规则可以随着实际应用的积累和提炼不断优化和更新。通过整合标记资产评估确认数据和申请人资产数据，生成资产评价指数，能够全面地评价申请人的资产状况，为融资租赁决策提供重要依据。
优选地，步骤S6具体为：
利用预设的基于计算引擎的融资租赁报价计算方式对申请人身份证实数据中的融资租赁需求数据进行融资租赁参数生成，从而获取融资租赁参数数据；
利用申请人风险评估数据对融资租赁参数数据进行利率与还款方案自动化调整，从而获取融资租赁报价数据。
本发明通过预设的基于计算引擎的融资租赁报价计算方式和自动化的调整策略，本发明能够自动生成融资租赁的参数和合同数据，大大减少了人工操作和决策的时间和复杂性。在确定融资租赁方案时，考虑了申请人的风险评估数据。这意味着利率和还款方案会根据申请人的信用风险进行调整，从而更好地管理和控制融资租赁的风险。本发明的基于计算引擎的融资租赁报价计算方式考虑了申请人的具体需求和风险状况，使得融资租赁的定价更加精确和个性化，可以更好地满足不同申请人的需求。通过自动化的处理流程，本发明可以快速生成融资租赁的参数和合同数据，大大提高了处理效率，同时也提高了申请人的满意度。
优选地，本发明还提供了一种基于风险评估的融资租赁报价系统，包括：
申请人身份验证以及信用分析模块，用于通过区块链技术以及身份验证API进行申请人身份验证以及信用分析，从而获取申请人身份证实数据；
特征提取模块，用于获取申请人历史交易数据，并根据申请人历史交易数据进行特征提取，从而获取申请人行为特征数据以及申请人融资租赁意图特征数据；
识别计算模块，用于对申请人行为特征数据以及申请人融资租赁意图特征数据进行识别计算，从而获取申请人行为评分数据；
资产评价模块，根据申请人身份证实数据中的申请人资产数据进行资产评价，从而获取资产评价指数数据；
风险评估模块，对申请人身份证实数据、申请人行为评分数据以及资产评价指数数据进行风险评估，从而获取申请人风险评估数据；
智能融资租赁合同生成模块，根据申请人风险评估数据通过预设的基于计算引擎的融资租赁报价计算方式进行处理，生成融资租赁报价方案数据。
本发明的有益效果在于：考虑了身份验证、行为评分、资产评价和风险评估等多个环节，全面而细致地评估了申请人的风险状况。这种全方位的考量不仅可以更准确地判断申请人的信用状况，还有助于找出可能的风险点，从而提高融资租赁的安全性。在评估过程中，采用了多种数据分析和机器学习方法，如特征提取、识别计算和资产评价，可以精确地从大量数据中提取出有价值的信息，大大提高了评估的精确性。在身份验证环节，利用区块链技术和身份验证API，可以确保身份数据的安全性和真实性。这对于防止欺诈行为和保护用户隐私具有重要意义。可以自动完成所有的步骤，从获取数据到生成智能融资租赁合同，这大大提高了工作效率，并减少了人为错误的可能性。根据风险评估数据，可以自动生成融资租赁参数和智能融资租赁合同，可以实现融资租赁过程的智能化。通过系统地分析和处理各种数据，使得风险评估更加全面、精确和高效，大大提高了融资租赁业务的运营效率和风险控制能力，有助于金融机构在保证融资租赁安全的同时，提高其业务收益。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出了一实施例的基于风险评估的融资租赁报价方法的步骤流程图；
图2示出了一实施例的步骤S1的步骤流程图；
图3示出了一实施例的步骤S2的步骤流程图；
图4示出了一实施例的步骤S23的步骤流程图；
图5示出了一实施例的步骤S3的步骤流程图；
图6示出了一实施例的融资租赁意图识别模型构建方法的步骤流程图；
图7示出了一实施例的迁移学习方法的步骤流程图；
图8示出了一实施例的步骤S4的步骤流程图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的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。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
请参阅图1至图8，本申请提供了一种基于风险评估的融资租赁报价方法，包括以下步骤：
步骤S1：通过区块链技术以及身份验证API进行申请人身份验证以及信用分析，从而获取申请人身份证实数据；
具体地，例如使用身份验证API，如OpenID或OAuth，从第三方数据库获取申请人的身份信息。同时，通过区块链技术对申请人的交易历史进行验证，确保申请人的信用记录真实无误。
步骤S2：获取申请人历史交易数据，并根据申请人历史交易数据进行特征提取，从而获取申请人行为特征数据以及申请人融资租赁意图特征数据；
具体地，例如从银行或金融机构的数据库中获取申请人的历史交易数据，然后使用数据挖掘或机器学习算法进行特征提取，如融资租赁频率、融资租赁金额、还款期限、还款记录。
步骤S3：对申请人行为特征数据以及申请人融资租赁意图特征数据进行识别计算，从而获取申请人行为评分数据；
具体地，例如使用逻辑回归、随机森林、神经网络等机器学习算法，对申请人的行为特征数据和融资租赁意图特征数据进行分析，输出一个行为评分，反映申请人的融资租赁行为和融资租赁意图。
步骤S4：根据申请人身份证实数据中的申请人资产数据进行资产评价，从而获取资产评价指数数据；
具体地，例如对申请人的资产数据，如房产、车辆、股票、债券等进行评价，计算资产总值。这个资产评价指数可以作为衡量申请人偿债能力的一个重要指标。
步骤S5：对申请人身份证实数据、申请人行为评分数据以及资产评价指数数据进行风险评估，从而获取申请人风险评估数据；
具体地，例如结合申请人的身份证实数据、行为评分数据以及资产评价指数数据，使用风险评估模型，如信用评分卡、风险敏感度分析等方法，进行风险评估，输出风险评估结果。
步骤S6：根据申请人风险评估数据通过预设的基于计算引擎的融资租赁报价计算方式进行处理，生成融资租赁报价方案数据。
具体地，例如根据风险评估数据，设定融资租赁的利率、期限、还款方式的参数，然后将这些参数写入到智能合约中，生成智能融资租赁合同。智能合约是一种基于区块链技术的自动执行合约，可以在申请人违约时自动执行预定的惩罚措施，有效降低风险。
具体地，例如根据申请人风险评估数据，设定融资租赁参数数据，如还款期限、还款时间以及融资租赁利率，并根据融资租赁参数数据以及预设的本地融资租赁基础数据，如融资租赁人意愿金额以及融资租赁金额限额数据，进行自动化生成融资租赁合同页面数据，以执行金融融资租赁作业。
本发明中通过对申请人的身份、历史交易行为、融资租赁意图和资产状况的全面评估，能够更准确地识别和预测融资租赁风险，从而降低融资租赁违约的可能性。利用区块链技术进行身份验证和信用分析，可以增强融资租赁的信任度和透明度，提高融资租赁流程的安全性和公正性。生成的融资租赁参数数据和智能融资租赁报价数据可以为决策者提供有力的数据支持，帮助决策者做出更理性、更智能的融资租赁决策。借助于自动化的数据获取、特征提取和风险评估过程，可以显著提高融资租赁风险评估的效率和准确性。
优选地，步骤S1具体为：
步骤S11：获取申请人身份验证数据，并利用预设的申请人身份区块链中的标识数据对申请人身份验证数据进行请求生成，从而获取身份认证请求数据；
具体地，例如从用户接口获取申请人的基础身份信息，如姓名、身份证号，结合在区块链上预设的标识数据，例如用户的公钥，生成一个身份认证请求。
步骤S12：通过预设的身份验证API对身份认证请求数据进行身份认证处理，从而获取初步身份认证结果数据；
具体地，例如使用API服务，如OpenID或OAuth，对申请人提交的身份认证请求进行处理，验证申请人的身份信息是否与预设数据匹配，获取初步的身份认证结果。
步骤S13：利用预设的申请人身份区块链中的身份基础数据对初步身份认证结果数据进行身份认证确认，从而获取身份认证确认数据；
具体地，例如对初步身份认证结果进行再次验证，对比区块链中预设的身份基础数据，如申请人的公钥或私钥，从而确认申请人的身份。
步骤S14：根据身份认证确认数据生成信用分析请求数据；
具体地，例如基于经过验证的身份认证数据，构建信用分析请求，这可能包括申请人的身份信息，以及请求分析其信用历史的指令。
步骤S15：对信用分析请求数据进行关联度可信度信用分析以及历史数据变化可信度信用分析，从而获取关联度可信度数据以及历史数据变化可信度数据；
具体地，例如利用信用评分系统，如FICO评分系统，分析申请人的信用记录，评估其信用可靠性。这可能涉及对申请人的融资租赁历史、支付历史、信用使用情况的因素进行分析。
步骤S16：将身份认证确认数据、关联度可信度数据以及历史数据变化可信度数据进行数据整合，从而获取申请人身份证实数据。
具体地，例如将身份认证数据、信用关联度数据和历史信用变化数据整合在一起，形成一个综合的申请人身份证实数据，这将为后续的风险评估提供重要依据。
本发明中利用区块链技术和身份验证API，提供了更强大和安全的身份验证机制，可以在更大程度上防止欺诈和冒名行为。通过关联度可信度和历史数据变化可信度的信用分析，能对申请人的信用状况进行更准确和全面的评估，有助于提高融资租赁决策的正确性。通过自动化的身份验证和信用分析流程，可以显著提高申请人身份验证和信用评估的效率，节省了大量的人力和时间资源。利用的数据整合过程提高了融资租赁流程的透明度，有助于构建更公平和公正的融资租赁环境。在获取了申请人的身份证实数据后，可以更有效地进行风险评估，降低因信用问题而产生的风险。
优选地，步骤S15中关联度可信度信用分析通过关联度可信度计算公式进行信用分析，其中关联度可信度计算公式具体为：
；
为关联度可信度数据，/>为申请人的信用分数，/>为关联度常数项，/>为信用分析请求数据的数量数据，/>为信用分析请求数据的序次项，/>为第/>个申请人的身份认证数据，为第/>个申请人的历史还款数据，/>为第/>个申请人的财务状况数据，/>为申请人的年龄关联数据，/>为申请人的性别关联数据，/>为申请人的教育程度关联数据，/>为申请人的职业类别关联数据。
本发明构造了一种关联度可信度计算公式，该计算公式通过将多个因素（包括身份认证数据，历史还款数据，财务状况数据，以及年龄，性别，教育程度，职业类别等关联数据）融入到一个计算公式中，使得关联度可信度的计算结果更加全面和精确，提高了信用评估的准确性。公式的目标是计算关联度可信度数据，这是一个关于申请人信用分数/>的函数。通过关联度可信度数据/>，能够评估申请人的信用状况以及还款能力，从而有助于决策是否提供融资租赁以及融资租赁的额度和利率。/>这是申请人的信用分数，是从历史信用数据或者其他信用评估机构获得的。这个值的大小对于关联度可信度数据/>的计算具有直接影响。/>这是关联度常数项，它可能是经验值或者通过数据分析得到的。它对于调节关联度可信度数据/>的大小起着关键作用。通过计算公式可以动态地根据申请人的最新数据进行更新和调整，这种动态性可以使信用评估保持时效性，从而提高信用评估的精度。
优选地，步骤S2具体为：
步骤S21：获取申请人历史交易数据；
具体地，例如通过申请人提供的交易记录，或者通过与银行或金融机构的接口获取申请人的历史交易记录，包括申请人过去的融资租赁记录、支付记录、购买行为。
步骤S22：对申请人历史交易数据进行数据清洗并格式化处理，从而获取申请人历史交易预处理数据；
具体地，例如在数据清洗阶段，删除无效或不完整的记录、填充缺失值、处理异常值。格式化处理可能包括将数据转换为合适的数据类型、对日期和时间进行标准化。
步骤S23：对申请人历史交易预处理数据进行特征提取，从而获取申请人行为特征初级数据以及申请人融资租赁意图特征初级数据；
具体地，例如使用各种特征工程技术来提取特征，例如统计方法、深度学习方法。例如，申请人的行为特征包括其购买行为的模式、支付习惯，融资租赁意图特征包括过去融资租赁的类型、金额、还款速度。
步骤S24：对申请人行为特征初级数据以及申请人融资租赁意图特征初级数据进行特征重要性筛选，从而获取申请人行为特征筛选数据以及申请人融资租赁意图特征筛选数据；
具体地，例如使用特征选择方法，如基于统计的方法、基于机器学习的方法，来选择最有可能预测融资租赁风险的特征。例如，会发现某些购买行为或融资租赁类型与违约风险有很高的关联性。
步骤S25：对申请人行为特征筛选数据以及申请人融资租赁意图特征筛选数据进行特征归一化，从而获取申请人行为特征数据以及申请人融资租赁意图特征数据。
具体地，例如归一化处理是为了处理那些在数量级或单位上有显著差异的特征，如收入、年龄。这通常通过减去特征的平均值并除以标准差来完成，从而使特征的分布具有0均值和1的标准差，或者将特征值映射到0和1之间。
本发明中可以帮助去除数据中的噪声和异常值，提高数据的质量，使得后续的分析结果更加准确。同时，格式化处理也会使得数据更加规整，易于处理。通过特征提取，将原始的交易数据转化为描述申请人行为和融资租赁意图的高层次特征，这些特征更直接地反映了申请人的风险状况。不是所有的特征都对风险评估有用，一些无关的或者冗余的特征可能会对结果产生负面的影响。通过特征重要性筛选，选择出最有用的特征，从而提高风险评估的准确性。不同的特征可能具有不同的量纲和取值范围，如果直接使用这些特征进行计算，可能会引入不必要的偏差。特征归一化可以解决这个问题，使得不同的特征在计算中具有相等的权重。
优选地，申请人行为特征初级数据包括交易频率特征数据、交易金额特征数据以及交易时间特征数据，申请人融资租赁意图特征初级数据包括交易金额特征数据、交易类型特征数据、交易时间特征数据以及融资租赁记录特征数据，步骤S23具体为：
步骤S231：对申请人历史交易预处理数据进行交易频率分析，从而获取交易频率特征数据；
具体地，例如交易频率分析通常会计算在一定时间段内（如一天、一周或一月等）申请人进行的交易次数。该特征可以用于判断申请人的金融活动状况，频繁的交易可能表示申请人的金融活动较为活跃。
步骤S232：对申请人历史交易预处理数据进行交易金额统计，从而获取交易金额特征数据；
具体地，例如交易金额统计可以包括计算申请人所有交易的总额、平均交易额、最大交易额。这些特征可以帮助评估申请人的经济状况和还款能力。
步骤S233：对申请人历史交易预处理数据进行交易类型处理，从而获取交易类型特征数据；
具体地，例如交易类型处理主要是识别每次交易的类型，例如购物、娱乐、投资、还款。这些信息可以帮助理解申请人的消费习惯和风险偏好。
步骤S234：对申请人历史交易预处理数据进行交易时间提取，从而获取交易时间特征数据；
具体地，例如交易时间提取通常会记录每次交易的时间，例如交易的具体日期和时间、一天中的交易时段（如早上、下午或晚上）。这些特征可以用于分析申请人的交易习惯。
步骤S235：对申请人历史交易预处理数据进行融资租赁记录提取，从而获取融资租赁记录特征数据。
具体地，例如融资租赁记录提取主要是收集申请人的历史融资租赁信息，包括融资租赁的次数、金额、利率、期限、还款状况。这些特征是评估申请人信用状况和风险的重要因素。
本发明中通过分析申请人的交易频率，可以反映申请人的活跃度，经常进行交易的申请人可能对金融活动有更深的理解和参与，这有助于金融机构更好地理解申请人的行为模式。交易金额可以反映申请人的经济状况，大额交易可能表明申请人有较好的经济条件，而频繁的小额交易可能意味着他们在维持日常生活。交易类型可能与申请人的风险等级有关，例如，某些类型的交易可能更可能与高风险行为相关。交易时间（例如，交易在一天中的何时进行，或在一周的哪一天进行）可能与申请人的生活习惯和工作情况有关，这些信息可以帮助金融机构更好地理解申请人。融资租赁记录能反映申请人的信用历史，对于评估其未来的信用风险具有重要意义。
优选地，步骤S24中特征重要性筛选通过特征重要性筛选计算公式进行处理，其中特征重要性筛选计算公式具体为：
；
为特征重要性数据，/>为第一特征重要性权重系数，/>为特征重要性底数常数项，/>为特征变化程度数据，/>为第二特征重要性权重系数，/>为特征数据项，/>为特征目标协方差项，/>为第三特征重要性权重项，/>为特征峰值项，/>为第四特征重要性权重系数，/>为特征多重共线性系数。
本发明构造了一种特征重要性筛选计算公式，该计算公式通过引入特征变化程度数据和其底数/>的对数项，衡量一个特征值在整个数据集中的变化程度。这是一个衡量特征分散程度的指标，变化程度大的特征可能更具区分度。/>参数则为该项的权重系数。部分计算了特征数据项/>与特征目标协方差项/>之间的导数，这是一个衡量特征与目标变量相关性的指标，相关性强的特征对于模型的预测效果更为重要。/>参数则为该项的权重系数。/>部分引入了特征峰值项/>的正弦函数，这能反映特征数据在达到极值时的影响。/>参数则为该项的权重系数。/>部分则是考虑了特征的多重共线性系数/>，多重共线性会影响模型的稳定性和解释性，通过该项可以降低共线性较高的特征的重要性。/>参数则为该项的权重系数，通过对不同特征的重要性进行量化，可以更有效地挑选出对预测模型最有贡献的特征，从而提高模型的预测效果和效率。
优选地，步骤S3具体为：
步骤S31：利用预设的融资租赁意图识别模型对申请人行为特征数据以及申请人融资租赁意图特征数据进行融资租赁意图识别，从而获取申请人融资租赁意图数据；
具体地，例如融资租赁意图识别模型可以是一种机器学习模型，例如支持向量机(SVM)、决策树、随机森林、神经网络。这些模型可以通过输入申请人行为特征数据和申请人融资租赁意图特征数据，输出申请人的融资租赁意图数据。
步骤S32：对申请人融资租赁意图数据以及申请人行为特征数据进行模型构建，从而构建行为评分模型；
具体地，例如行为评分模型可以是一种监督学习模型，例如线性回归、逻辑回归、SVM。模型的输入是申请人融资租赁意图数据和申请人行为特征数据，输出是对申请人的行为评分。
步骤S33：利用预设于本地的历史行为评分数据对行为评分模型进行优化处理，从而获取行为评分优化模型；
具体地，例如优化处理可以通过反向传播、梯度下降的方法，根据历史行为评分数据调整模型参数，使模型预测的行为评分与实际行为评分之间的误差最小。
步骤S34：根据行为评分优化模型进行行为评分，从而获取申请人行为评分数据；
具体地，例如行为评分可以通过将优化后的模型应用于新的申请人数据，生成该申请人的行为评分。
其中融资租赁意图识别模型的构建步骤包括以下步骤：
步骤S301：获取申请人历史交易数据，并对申请人历史交易数据进行聚类计算，从而获取申请人历史交易聚类特征数据；
具体地，例如聚类计算可以通过K-means、DBSCAN的聚类算法，将相似的交易数据归为一类。
步骤S302：对申请人历史交易聚类特征数据进行降维提取，从而获取申请人历史交易降维特征数据；
具体地，例如降维提取可以通过主成分分析(PCA)、线性判别分析(LDA)的降维算法，提取交易数据的主要特征。
步骤S303：利用申请人历史交易数据中的融资租赁意图标签数据对申请人历史交易降维特征数据进行迁移学习，从而获取融资租赁意图识别模型。
具体地，例如迁移学习通常使用预训练的神经网络模型，如BERT、ResNet。通过将预训练模型的部分参数固定，只训练与融资租赁意图识别相关的部分，以获得融资租赁意图识别模型。
本发明中通过先进的数据分析和机器学习技术，对申请人的行为特征和融资租赁意图进行深度识别，提供更精准的评估结果。通过利用历史行为评分数据优化行为评分模型，能够更好地应对不同情况和变化，提升了模型的适应性和准确性。通过预设的融资租赁意图识别模型和行为评分优化模型，可以增加风险评估的可靠性，降低错误判断的概率。其中模型构建的步骤通过对历史交易数据的聚类计算，能更有效地对大量数据进行处理和分析。聚类算法能把相似的交易记录组合在一起，更容易提取其中关键的模式和趋势。降维处理可以显著减少数据的复杂度，使模型训练更快且更高效，同时可以保持数据的主要特征和结构，为后续的分析和模型构建提供有效的输入。融资租赁意图识别模型通过利用已有的融资租赁意图标签数据进行迁移学习，可以提升预测的准确率。能够利用已有的知识，来更好地识别和预测新的申请人的融资租赁意图。通过构建融资租赁意图识别模型，可以针对每个申请人进行个性化的风险评估，而不仅仅是依赖于通用的评估标准和模型。通过融资租赁意图的精确识别，可以更早地发现潜在的风险，从而提前做好风险防范，避免或减少损失。
优选地，步骤S303具体为：
步骤S3031：对申请人历史交易降维特征数据进行特征数据选择，从而获取申请人历史交易特征选择数据，其中特征数据选择为根据申请人历史交易降维特征数据通过预设的选择规则进行优先级特征选择；
具体地，例如特征选择可以通过一些特征选择算法如方差分析(ANOVA)、互信息(Mutual Information)、递归特征消除(RFE)进行。预设的选择规则可以包括选择与融资租赁意图最相关的特征，或者选择具有最大方差的特征。
步骤S3032：对申请人历史交易降维特征数据中的标签数据进行标签数据选定，从而获取申请人历史交易标签数据；
具体地，例如标签数据通常是事先定义的分类或回归任务的目标变量，例如，申请人的历史违约情况、融资租赁额度。
步骤S3033：根据申请人历史交易特征选择数据进行复杂度处理，从而获取特征复杂度数据；
具体地，例如复杂度处理可能涉及到对特征的数量、类型和分布进行评估。例如，如果特征之间存在高度共线性，那么可以认为特征复杂度较高；如果特征间的相关性较低，那么可以认为特征复杂度较低。
步骤S3034：确定特征复杂度数据为低特征复杂度数据时，则利用预设的线性回归模型以及申请人历史交易标签数据对申请人历史交易特征选择数据进行迁移学习，从而获取融资租赁意图识别模型；
具体地，例如对于低复杂度的数据，线性回归模型通常是一个很好的选择。线性回归模型假设因变量和自变量之间存在线性关系，通过最小化预测值和实际值之间的差的平方和，来找到最佳拟合直线。在迁移学习中，使用预训练的线性回归模型的权重作为初始值，然后在特定的申请人历史交易特征选择数据上进行微调，优化模型的参数。
步骤S3035：确定特征复杂度数据为中特征复杂度数据时，则利用预设的决策树模型以及申请人历史交易标签数据对申请人历史交易特征选择数据进行迁移学习，从而获取融资租赁意图识别模型；
具体地，例如对于中度复杂度的数据，决策树模型通常更加适用。决策树是一种非参数的监督学习方法，用于分类和回归。树模型将特征空间划分为一系列简单的区域。对于决策树，迁移学习通常涉及调整已有决策树的某些部分，以更好地适应新的数据。
步骤S3036：确定特征复杂度数据为高特征复杂度数据时，则利用预设的神经网络模型以及申请人历史交易标签数据对申请人历史交易特征选择数据进行迁移学习，从而获取融资租赁意图识别模型。
具体地，例如对于高复杂度的数据，神经网络模型往往是最优选择。神经网络模型是由许多层组成的网络，每一层都是一组计算节点，这些节点通过权重连接，并通过非线性激活函数进行转换。在迁移学习中，使用预训练的神经网络模型作为初始模型，然后在特定的申请人历史交易特征选择数据上进行微调，优化模型的参数。
具体地，例如在确定了特征复杂度之后，可以选择适当的机器学习模型来进行迁移学习。对于低复杂度的数据，可以选择线性回归模型；对于中度复杂度的数据，可以选择决策树模型；对于高复杂度的数据，可以选择神经网络模型。在进行迁移学习时，可以通过预训练模型进行初始化，然后在特定的申请人历史交易特征选择数据上进行微调，优化模型的参数。
本发明中通过特征复杂度数据的不同，该方法动态地选择不同的模型进行迁移学习，从线性回归模型、决策树模型到神经网络模型，这种灵活的方法允许系统适应各种不同的复杂度情况，提高预测的准确性。通过优先级特征选择，方法能有效地选择出与融资租赁意图最相关的特征，避免无关特征对模型的干扰，提高模型的准确性和效率。通过选择与申请人历史交易降维特征数据对应的标签数据进行模型训练，能够更好地利用已有数据，提高模型的训练效率和识别准确率。基于特征复杂度的模型选择，可以对模型性能进行优化，确保在处理高维复杂特征时，模型能够保持高性能和准确度，从而提高风险预测和评估的准确性。通过精确的融资租赁意图识别，金融机构可以提前识别和管理风险，从而优化资源分配，提高资金安全性和利润率。
优选地，步骤S4具体为：
步骤S41：对申请人身份证实数据进行数据提取，从而获取申请人资产数据；
具体地，例如申请人的身份证实数据可能链接到一个数据库或者第三方服务，其中包含与该身份关联的资产信息，如房产、车辆、银行存款。数据提取可以通过API调用或者SQL查询等方式完成。
步骤S42：对申请人资产数据进行数据清洗并合法性验证，从而获取申请人资产合法性数据，其中合法性验证包括资产来源合法性验证以及资产数据完整性验证；
具体地，例如数据清洗可以包括去除空值、去除重复数据、数据格式转换等。合法性验证可以通过与其他公开或者第三方数据库对比，或者通过一些反洗钱规则等验证资产来源的合法性。同时，也需要验证数据的完整性，例如，如果数据中缺少了某个重要字段（如房产面积、购买日期等），则该条数据可能无法用于后续的评估。
步骤S43：根据申请人资产合法性数据生成资产评估请求数据；
具体地，例如资产评估请求数据可能是一个包含多种字段的数据包，例如，包含资产类型、资产价值、资产来源的信息。
步骤S44：利用资产评估请求数据对申请人资产合法性数据通过预设的专家规则进行资产评估，从而获取初步资产评估结果数据；
具体地，例如预设的专家规则可能包括一些公式或者算法，例如，对于房产，评估可能会考虑地段、面积、建筑年代的因素；对于汽车，评估可能会考虑车型、使用年限、行驶里程的因素。
步骤S45：对初步资产评估结果数据进行资产评估结果验证，从而获取资产评估确认数据；
具体地，例如资产评估结果验证可能涉及到与其他独立的资产评估结果进行对比，如果两者相差不大，则可以确认资产评估结果。
步骤S46：对资产评估确认数据以及申请人资产数据进行整合标记，从而获取资产评价指数数据。
具体地，例如整合标记可以通过在数据库中为每个申请人的资产评估确认数据添加标签或者注释完成。资产评价指数数据可能是一个包含多个维度的指数，例如，考虑到资产总价值、资产流动性、资产负债率等因素。
本发明中通过对申请人的资产数据进行清洗和合法性验证，可以确保评估过程基于有效和合法的数据，提高了资产评估的准确性和可靠性。在获取初步资产评估结果后，进一步进行结果验证，这种多重验证过程可以进一步提高评估的精确性和可靠性。通过预设的专家规则进行资产评估，可以保证评估结果的科学性和公正性，而且专家规则可以随着实际应用的积累和提炼不断优化和更新。通过整合标记资产评估确认数据和申请人资产数据，生成资产评价指数，能够全面地评价申请人的资产状况，为融资租赁决策提供重要依据。
优选地，步骤S6具体为：
利用预设的基于计算引擎的融资租赁报价计算方式对申请人身份证实数据中的融资租赁需求数据进行融资租赁参数生成，从而获取融资租赁参数数据；
具体地，例如企业内容收益率要求为：风险水平（底、中、高），IRR要求（6%、8%、10%），客户剔除融资租赁要求，期望报价利率为5%，手续费1万元，36个月，按期还款；根据客户的报价需求，评估客户风险水平为“中”；根据交底稿的方法计算报价方案（诸如等额本息还款法、租金结构化信息、公司IRR计算方法以及单变量求解方法），得出按客户要求得出IRR为6.1%，达不到风险水平为中，IRR要求为8%的要求；其中等额本息还款法是目前较为常用的融资租赁还款方式之一。其基本原理是将融资租赁本金和利息平均分摊到还款期数中，每月固定偿还一定数额的融资租赁本息。该方法具有利率稳定、还款计划清晰等优点，且能够有效地帮助借款人规划还款计划和还款能力。租金结构化信息是一种应用广泛的金融工具，常用于融资租赁业务。其基本原理是将租金按照一定规则进行分期结构化，从而实现租赁业务的灵活性和可定制性。租金结构化信息中包含的参数有开始期数、结束期数、是否只收利息、是否指定租金、是否不结构化、指定利率、指定还款日等。利用租金结构化信息，可以生成不规则的还款计划表，实现指定某一期的租金和在指定的还款利率和还款日进行还款的功能。公司IRR（Internal Rate of Return，内部收益率）是一种衡量项目经济效益的指标，常用于金融行业中评估资产投资的效果。在融资租赁融资报价中，公司IRR可以用来计算政策利率和政策还款表。其计算过程主要包括确定现金流量、使用IRR函数计算IRR值、根据IRR值调整政策利率和政策还款表的步骤。单变量求解方法是一种常用的数学求解方法，用于解决只有一个未知数的方程。在融资租赁融资报价中，单变量求解方法可以用于支持满足公司IRR的前提下支持单变量求解实现保证金、手续费、利率的计算。其计算过程主要包括确定变量范围、设置求解目标函数、使用求解算法寻找最优解的步骤。
利用申请人风险评估数据对融资租赁参数数据进行利率与还款方案自动化调整，从而获取融资租赁报价数据。
具体的，例如根据交底稿的方案，以IRR为8倒推出1个或者N个报价方案（如报价方案1为提高利率为7.5%，如报价方案2前面6个月多还款）；给出报价方案。
本发明通过预设的基于计算引擎的融资租赁报价计算方式和自动化的调整策略，本发明能够自动生成融资租赁的参数和合同数据，大大减少了人工操作和决策的时间和复杂性。在确定融资租赁方案时，考虑了申请人的风险评估数据。这意味着利率和还款方案会根据申请人的信用风险进行调整，从而更好地管理和控制融资租赁的风险。本发明的基于计算引擎的融资租赁报价计算方式考虑了申请人的具体需求和风险状况，使得融资租赁的定价更加精确和个性化，可以更好地满足不同申请人的需求。通过自动化的处理流程，本发明可以快速生成融资租赁的参数和合同数据，大大提高了处理效率，同时也提高了申请人的满意度。
优选地，本发明还提供了一种基于风险评估的融资租赁报价系统，包括：
申请人身份验证以及信用分析模块，用于通过区块链技术以及身份验证API进行申请人身份验证以及信用分析，从而获取申请人身份证实数据；
特征提取模块，用于获取申请人历史交易数据，并根据申请人历史交易数据进行特征提取，从而获取申请人行为特征数据以及申请人融资租赁意图特征数据；
识别计算模块，用于对申请人行为特征数据以及申请人融资租赁意图特征数据进行识别计算，从而获取申请人行为评分数据；
资产评价模块，根据申请人身份证实数据中的申请人资产数据进行资产评价，从而获取资产评价指数数据；
风险评估模块，对申请人身份证实数据、申请人行为评分数据以及资产评价指数数据进行风险评估，从而获取申请人风险评估数据；
智能融资租赁合同生成模块，根据申请人风险评估数据通过预设的基于计算引擎的融资租赁报价计算方式进行处理，生成融资租赁报价方案数据。
本发明的有益效果在于：考虑了身份验证、行为评分、资产评价和风险评估等多个环节，全面而细致地评估了申请人的风险状况。这种全方位的考量不仅可以更准确地判断申请人的信用状况，还有助于找出可能的风险点，从而提高融资租赁的安全性。在评估过程中，采用了多种数据分析和机器学习方法，如特征提取、识别计算和资产评价，可以精确地从大量数据中提取出有价值的信息，大大提高了评估的精确性。在身份验证环节，利用区块链技术和身份验证API，可以确保身份数据的安全性和真实性。这对于防止欺诈行为和保护用户隐私具有重要意义。可以自动完成所有的步骤，从获取数据到生成智能融资租赁合同，这大大提高了工作效率，并减少了人为错误的可能性。根据风险评估数据，可以自动生成融资租赁参数和智能融资租赁合同，可以实现融资租赁过程的智能化。通过系统地分析和处理各种数据，使得风险评估更加全面、精确和高效，大大提高了融资租赁业务的运营效率和风险控制能力，有助于金融机构在保证融资租赁安全的同时，提高其业务收益。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附申请文件而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的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发明的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种基于风险评估的融资租赁报价方法，其特征在于，包括以下步骤：
步骤S1，包括：
步骤S11：获取申请人身份验证数据，并利用预设的申请人身份区块链中的标识数据对申请人身份验证数据进行请求生成，从而获取身份认证请求数据；
步骤S12：通过预设的身份验证API对身份认证请求数据进行身份认证处理，从而获取初步身份认证结果数据；
步骤S13：利用预设的申请人身份区块链中的身份基础数据对初步身份认证结果数据进行身份认证确认，从而获取身份认证确认数据；
步骤S14：根据身份认证确认数据生成信用分析请求数据；
步骤S15：对信用分析请求数据进行关联度可信度信用分析以及历史数据变化可信度信用分析，从而获取关联度可信度数据以及历史数据变化可信度数据；其中步骤S15中关联度可信度信用分析通过关联度可信度计算公式进行信用分析，其中关联度可信度计算公式具体为：
；
步骤S16：将身份认证确认数据、关联度可信度数据以及历史数据变化可信度数据进行数据整合，从而获取申请人身份证实数据；
为关联度可信度数据，/>为申请人的信用分数，/>为关联度常数项，/>为信用分析请求数据的数量数据，/>为信用分析请求数据的序次项，/>为第/>个申请人的身份认证数据，/>为第/>个申请人的历史还款数据，/>为第/>个申请人的财务状况数据，/>为申请人的年龄关联数据，/>为申请人的性别关联数据，/>为申请人的教育程度关联数据，/>为申请人的职业类别关联数据；
步骤S2：获取申请人历史交易数据，并根据申请人历史交易数据进行特征提取，从而获取申请人行为特征数据以及申请人融资租赁意图特征数据；
步骤S3：对申请人行为特征数据以及申请人融资租赁意图特征数据进行识别计算，从而获取申请人行为评分数据；
步骤S4：根据申请人身份证实数据中的申请人资产数据进行资产评价，从而获取资产评价指数数据；
步骤S5：对申请人身份证实数据、申请人行为评分数据以及资产评价指数数据进行风险评估，从而获取申请人风险评估数据；
步骤S6：根据申请人风险评估数据通过预设的基于计算引擎的融资租赁报价计算方式进行处理，生成融资租赁报价方案数据。
2.根据权利要求1所述的方法，其特征在于，步骤S2具体为：
步骤S21：获取申请人历史交易数据；
步骤S22：对申请人历史交易数据进行数据清洗并格式化处理，从而获取申请人历史交易预处理数据；
步骤S23：对申请人历史交易预处理数据进行特征提取，从而获取申请人行为特征初级数据以及申请人融资租赁意图特征初级数据；
步骤S24：对申请人行为特征初级数据以及申请人融资租赁意图特征初级数据进行特征重要性筛选，从而获取申请人行为特征筛选数据以及申请人融资租赁意图特征筛选数据；
步骤S25：对申请人行为特征筛选数据以及申请人融资租赁意图特征筛选数据进行特征归一化，从而获取申请人行为特征数据以及申请人融资租赁意图特征数据。
3.根据权利要求2所述的方法，其特征在于，申请人行为特征初级数据包括交易频率特征数据、交易金额特征数据以及交易时间特征数据，申请人融资租赁意图特征初级数据包括交易金额特征数据、交易类型特征数据、交易时间特征数据以及融资租赁记录特征数据，步骤S23具体为：
步骤S231：对申请人历史交易预处理数据进行交易频率分析，从而获取交易频率特征数据；
步骤S232：对申请人历史交易预处理数据进行交易金额统计，从而获取交易金额特征数据；
步骤S233：对申请人历史交易预处理数据进行交易类型处理，从而获取交易类型特征数据；
步骤S234：对申请人历史交易预处理数据进行交易时间提取，从而获取交易时间特征数据；
步骤S235：对申请人历史交易预处理数据进行融资租赁记录提取，从而获取融资租赁记录特征数据。
4.根据权利要求2所述的方法，其特征在于，步骤S24中特征重要性筛选通过特征重要性筛选计算公式进行处理，其中特征重要性筛选计算公式具体为：
；
为特征重要性数据，/>为第一特征重要性权重系数，/>为特征重要性底数常数项，/>为特征变化程度数据，/>为第二特征重要性权重系数，/>为特征数据项，/>为特征目标协方差项，/>为第三特征重要性权重项，/>为特征峰值项，/>为第四特征重要性权重系数，/>为特征多重共线性系数。
5.根据权利要求1所述的方法，其特征在于，步骤S3具体为：
步骤S31：利用预设的融资租赁意图识别模型对申请人行为特征数据以及申请人融资租赁意图特征数据进行融资租赁意图识别，从而获取申请人融资租赁意图数据；
步骤S32：对申请人融资租赁意图数据以及申请人行为特征数据进行模型构建，从而构建行为评分模型；
步骤S33：利用预设于本地的历史行为评分数据对行为评分模型进行优化处理，从而获取行为评分优化模型；
步骤S34：根据行为评分优化模型进行行为评分，从而获取申请人行为评分数据；
其中融资租赁意图识别模型的构建步骤包括以下步骤：
步骤S301：获取申请人历史交易数据，并对申请人历史交易数据进行聚类计算，从而获取申请人历史交易聚类特征数据；
步骤S302：对申请人历史交易聚类特征数据进行降维提取，从而获取申请人历史交易降维特征数据；
步骤S303：利用申请人历史交易数据中的融资租赁意图标签数据对申请人历史交易降维特征数据进行迁移学习，从而获取融资租赁意图识别模型；
其中步骤S303具体为：
步骤S3031：对申请人历史交易降维特征数据进行特征数据选择，从而获取申请人历史交易特征选择数据，其中特征数据选择为根据申请人历史交易降维特征数据通过预设的选择规则进行优先级特征选择；
步骤S3032：对申请人历史交易降维特征数据中的标签数据进行标签数据选定，从而获取申请人历史交易标签数据；
步骤S3033：根据申请人历史交易特征选择数据进行复杂度处理，从而获取特征复杂度数据；
步骤S3034：确定特征复杂度数据为低特征复杂度数据时，则利用预设的线性回归模型以及申请人历史交易标签数据对申请人历史交易特征选择数据进行迁移学习，从而获取融资租赁意图识别模型；
步骤S3035：确定特征复杂度数据为中特征复杂度数据时，则利用预设的决策树模型以及申请人历史交易标签数据对申请人历史交易特征选择数据进行迁移学习，从而获取融资租赁意图识别模型；
步骤S3036：确定特征复杂度数据为高特征复杂度数据时，则利用预设的神经网络模型以及申请人历史交易标签数据对申请人历史交易特征选择数据进行迁移学习，从而获取融资租赁意图识别模型。
6.根据权利要求1所述的方法，其特征在于，步骤S4具体为：
步骤S41：对申请人身份证实数据进行数据提取，从而获取申请人资产数据；
步骤S42：对申请人资产数据进行数据清洗并合法性验证，从而获取申请人资产合法性数据，其中合法性验证包括资产来源合法性验证以及资产数据完整性验证；
步骤S43：根据申请人资产合法性数据生成资产评估请求数据；
步骤S44：利用资产评估请求数据对申请人资产合法性数据通过预设的专家规则进行资产评估，从而获取初步资产评估结果数据；
步骤S45：对初步资产评估结果数据进行资产评估结果验证，从而获取资产评估确认数据；
步骤S46：对资产评估确认数据以及申请人资产数据进行整合标记，从而获取资产评价指数数据。
7.根据权利要求1所述的方法，其特征在于，步骤S6具体为：
利用预设的基于计算引擎的融资租赁报价计算方式对申请人身份证实数据中的融资租赁需求数据进行融资租赁参数生成，从而获取融资租赁参数数据；
利用申请人风险评估数据对融资租赁参数数据进行利率与还款方案自动化调整，从而获取融资租赁报价数据。
8.一种基于风险评估的融资租赁报价系统，其特征在于，用于执行如权利要求1所述的基于风险评估的融资租赁报价方法，该基于风险评估的融资租赁报价系统包括：
申请人身份验证以及信用分析模块，用于通过区块链技术以及身份验证API进行申请人身份验证以及信用分析，从而获取申请人身份证实数据；
特征提取模块，用于获取申请人历史交易数据，并根据申请人历史交易数据进行特征提取，从而获取申请人行为特征数据以及申请人融资租赁意图特征数据；
识别计算模块，用于对申请人行为特征数据以及申请人融资租赁意图特征数据进行识别计算，从而获取申请人行为评分数据；
资产评价模块，根据申请人身份证实数据中的申请人资产数据进行资产评价，从而获取资产评价指数数据；
风险评估模块，对申请人身份证实数据、申请人行为评分数据以及资产评价指数数据进行风险评估，从而获取申请人风险评估数据；
智能融资租赁合同生成模块，根据申请人风险评估数据通过预设的基于计算引擎的融资租赁报价计算方式进行处理，生成融资租赁报价方案数据。
CN202311025375.9A 2023-08-15 2023-08-15 一种基于风险评估的融资租赁报价方法及系统 Active CN116739722B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311025375.9A CN116739722B (zh) 2023-08-15 2023-08-15 一种基于风险评估的融资租赁报价方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311025375.9A CN116739722B (zh) 2023-08-15 2023-08-15 一种基于风险评估的融资租赁报价方法及系统

Publications (2)

Publication Number Publication Date
CN116739722A CN116739722A (zh) 2023-09-12
CN116739722B true CN116739722B (zh) 2023-10-13

Family

ID=87911928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311025375.9A Active CN116739722B (zh) 2023-08-15 2023-08-15 一种基于风险评估的融资租赁报价方法及系统

Country Status (1)

Country Link
CN (1) CN116739722B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117474640B (zh) * 2023-12-27 2024-04-19 广州研趣信息科技有限公司 一种免押金租赁的装置及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002031740A2 (en) * 2000-10-06 2002-04-18 Ecredit.Com, Inc. Method and apparatus for processing financing application
CN105809538A (zh) * 2014-12-30 2016-07-27 航天信息股份有限公司 基于b2b融资交易的信用评分方法
CN108564286A (zh) * 2018-04-19 2018-09-21 天合泽泰（厦门）征信服务有限公司 一种基于大数据征信的人工智能金融风控授信评定方法和系统
WO2019103707A1 (en) * 2017-11-27 2019-05-31 Sagiroglu Zahid A credibility evaluation system and method
CN114971790A (zh) * 2022-05-26 2022-08-30 北京宽鱼科技有限公司 融资租赁业务的处理方法、装置、设备及可读存储介质
CN115311055A (zh) * 2022-08-22 2022-11-08 聚纪(上海)信息科技有限公司 可动态调整的融资租赁报价测算方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7366694B2 (en) * 2001-08-16 2008-04-29 Mortgage Grader, Inc. Credit/financing process
US20030216995A1 (en) * 2002-05-15 2003-11-20 Depauw Thomas Automated financial system and method

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002031740A2 (en) * 2000-10-06 2002-04-18 Ecredit.Com, Inc. Method and apparatus for processing financing application
CN105809538A (zh) * 2014-12-30 2016-07-27 航天信息股份有限公司 基于b2b融资交易的信用评分方法
WO2019103707A1 (en) * 2017-11-27 2019-05-31 Sagiroglu Zahid A credibility evaluation system and method
CN108564286A (zh) * 2018-04-19 2018-09-21 天合泽泰（厦门）征信服务有限公司 一种基于大数据征信的人工智能金融风控授信评定方法和系统
CN114971790A (zh) * 2022-05-26 2022-08-30 北京宽鱼科技有限公司 融资租赁业务的处理方法、装置、设备及可读存储介质
CN115311055A (zh) * 2022-08-22 2022-11-08 聚纪(上海)信息科技有限公司 可动态调整的融资租赁报价测算方法

Also Published As

Publication number Publication date
CN116739722A (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
US20180260891A1 (en) Systems and methods for generating and using optimized ensemble models
US8498931B2 (en) Computer-implemented risk evaluation systems and methods
US7610257B1 (en) Computer-implemented risk evaluation systems and methods
US20160239919A1 (en) Predictive model development system applied to organization management
Chen et al. A Delphi-based rough sets fusion model for extracting payment rules of vehicle license tax in the government sector
US20110238566A1 (en) System and methods for determining and reporting risk associated with financial instruments
US20090248560A1 (en) Assessment of risk associated with doing business with a party
Marshall et al. Variable reduction, sample selection bias and bank retail credit scoring
CN101194286A (zh) 基于风险的数据评估
US11416926B1 (en) Intelligent data matching and validation system
CN116739722B (zh) 一种基于风险评估的融资租赁报价方法及系统
US20210295436A1 (en) Method and platform for analyzing and processing investment data
Zurada et al. Comparison of the performance of several data mining methods for bad debt recovery in the healthcare industry
Ruyu et al. A comparison of credit rating classification models based on spark-evidence from lending-club
Hosein A data science approach to risk assessment for automobile insurance policies
Verma Application of Machine Learning for Fraud Detection–A Decision Support System in the Insurance Sector
CN113256324A (zh) 数据资产定价方法、装置、计算机设备和存储介质
CN112506907A (zh) 基于大数据的工程机械营销策略推送方法、系统及装置
CN116385151A (zh) 基于大数据进行风险评级预测的方法及计算设备
CN116523301A (zh) 基于电商大数据进行风险评级预测的系统
Peter Estimating loss given default: Experience from banking practice
Shi et al. A big data analytics method for assessing creditworthiness of SMEs: fuzzy equifinality relationships analysis
CN114331728A (zh) 一种证券分析管理系统
Thompson et al. Measuring the gap between elicited and revealed risk for investors: An empirical study
Ghassempouri et al. A Methodology for Calculating Customer Credit Score Based on Customer Lifetime Value Model

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
GR01 Patent grant
GR01 Patent grant