CN116882805A - 用于确定客户风险程度的方法、处理器、装置及存储介质 - Google Patents
用于确定客户风险程度的方法、处理器、装置及存储介质 Download PDFInfo
- Publication number
- CN116882805A CN116882805A CN202310722499.6A CN202310722499A CN116882805A CN 116882805 A CN116882805 A CN 116882805A CN 202310722499 A CN202310722499 A CN 202310722499A CN 116882805 A CN116882805 A CN 116882805A
- Authority
- CN
- China
- Prior art keywords
- value
- specific gravity
- determining
- risk
- index
- 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 70
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000005484 gravity Effects 0.000 claims abstract description 204
- 238000009826 distribution Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 9
- 230000000875 corresponding effect Effects 0.000 description 116
- 238000011156 evaluation Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种用于确定客户风险程度的方法、处理器、装置及存储介质，属于工程机械领域。用于确定客户风险程度的方法包括：获取多个客户在多个预设风险指标下的指标数值和客户对应的历史事件簿，其中，历史事件簿用于记录客户已发生的履约事件和违约事件；根据指标数值确定指标数值对应的第一比重，其中，第一比重为指标数值在相同预设风险指标下的多个指标数值中所占的比重；根据历史事件簿、第一比重以及上一迭代周期内指标数值对应的上一调整因子确定当前迭代周期内指标数值对应的当前调整因子；根据第一比重和当前调整因子确定客户在当前迭代周期内的风险程度值。本发明实施例可以提高客户风险程度值的准确度。
Description
技术领域
本发明涉及工程机械领域，具体地涉及一种用于确定客户风险程度的方法、处理器、装置及存储介质。
背景技术
在工程机械行业中，通常需要基于客户的回款逾期情况、客户资产风险情况、客户担保情况等指标对客户进行风险程度的评估，现有技术通常采用人工经验对各个指标进行赋权并加权，从而得到客户的风险程度值。然而，该方法过于依赖人工经验，存在客户风险程度评估不准确的问题。
发明内容
本发明实施例的目的是提供一种用于确定客户风险程度的方法、处理器、装置及存储介质，以解决现有技术存在的客户风险程度评估不准确的问题。
为了实现上述目的，本发明实施例第一方面提供一种用于确定客户风险程度的方法，方法包括：
获取多个客户在多个预设风险指标下的指标数值和客户对应的历史事件簿，其中，历史事件簿用于记录客户已发生的履约事件和违约事件；
根据指标数值确定指标数值对应的第一比重，其中，第一比重为指标数值在相同预设风险指标下的多个指标数值中所占的比重；
根据历史事件簿、第一比重以及上一迭代周期内指标数值对应的上一调整因子确定当前迭代周期内指标数值对应的当前调整因子；
根据第一比重和当前调整因子确定客户在当前迭代周期内的风险程度值。
在本发明实施例中，根据指标数值确定指标数值对应的第一比重，包括：对指标数值进行非负数化处理，以得到第一指标数值；对相同预设风险指标下的第一指标数值进行归一化处理，以得到第二指标数值；在第二指标数值的基础上加上预设正整数，以得到第三指标数值；确定第三指标数值在相同预设风险指标下的多个第三指标数值中所占的比重，以得到第一比重。
在本发明实施例中，根据历史事件簿、第一比重以及上一迭代周期内指标数值对应的上一调整因子确定当前迭代周期内指标数值对应的当前调整因子，包括：根据历史事件簿和衰减因子确定客户的可信度；基于预先确定的可信度与期望风险程度值的对应关系，根据可信度确定客户的期望风险程度值，其中，对应关系为负相关的关系；确定客户对应的多个第一比重的均值和标准差，以得到客户对应的比重均值和比重标准差；根据比重均值和第一比重确定第一调整参数；根据期望风险程度值、比重标准差以及第一比重确定第二调整参数；根据上一调整因子、第一调整参数、第二调整参数、调整系数、比重均值以及期望风险程度值确定当前调整因子。
在本发明实施例中，根据历史事件簿和衰减因子确定客户的可信度，包括根据以下公式(1)确定可信度：
其中，ek为客户i的历史事件簿中第k个事件所定义的信用数值，∈k为0或1，若客户i的历史事件簿中第k个事件是违约事件则∈k＝0，若第k个事件是履约事件则∈k＝1，是衰减因子，N为任意非负数，l为客户i的历史事件簿中的履约事件和违约事件的总数量，Ti为可信度。
在本发明实施例中，根据比重均值和第一比重确定第一调整参数，包括：在第一比重大于比重均值的情况下，确定第一比重对应的第一调整参数为0.1；在第一比重小于比重均值的情况下，确定第一比重对应的第二调整参数为-0.1。
在本发明实施例中，根据期望风险程度值、比重标准差以及第一比重确定第二调整参数，包括：在第一比重位于期望风险程度值上下两个比重标准差所在的区间内时，确定第一比重对应的第二调整参数为1；在第一比重不位于期望风险程度值上下两个比重标准差所在的区间内时，确定第一比重对应的第二调整参数为0。
在本发明实施例中，根据上一调整因子、第一调整参数、第二调整参数、调整系数、比重均值以及期望风险程度值确定当前调整因子，包括根据以下公式(2)确定当前调整因子：
其中，θij(t)为上一调整因子，θij(t+1)为当前调整因子，αij为第一调整参数，βij为第二调整参数，Z为调整系数，μi为比重均值，为期望风险程度值，i为客户序号，j为预设风险指标的序号。
在本发明实施例中，调整系数的确定包括：根据比重均值和比重标准差构建第一标准正态分布曲线；根据期望风险程度值和比重标准差构建第二标准正态分布曲线；确定第一标准正态分布曲线和第二标准正态分布曲线的重叠面积；在1的基础上减去重叠面积，以得到调整系数。
在本发明实施例中，调整系数的确定包括：确定比重均值与期望风险程度值的差值的绝对值，以得到调整系数；或者确定比重均值与期望风险程度值的差值的绝对值，并对绝对值进行归一化处理，以得到调整系数。
在本发明实施例中，根据第一比重和当前调整因子确定客户在当前迭代周期内的风险程度值，包括：根据第一比重确定预设风险指标对应的熵值；根据熵值和当前调整因子确定客户在预设风险指标对应的权重因子；确定权重因子在客户对应的所有权重因子中的比值，以得到第二比重；确定第一比重与第二比重的乘积值的和值，以得到客户对应的风险程度值。
在本发明实施例中，预设风险指标包括回款逾期情况、涉诉信息、外部征信信息、已购设备使用情况、客户资产风险、客户履约情况以及贷审担保情况。
本发明实施例第二方面提供一种处理器，被配置成执行根据上述的用于程度客户风险的方法。
本发明实施例第三方面提供一种用于确定客户风险程度的装置，包括：
数据获取模块，用于获取多个客户在多个预设风险指标下的指标数值和客户对应的历史事件簿，其中，历史事件簿用于记录客户已发生的履约事件和违约事件；
比重确定模块，用于根据指标数值确定指标数值对应的第一比重，其中，第一比重为指标数值在相同预设风险指标下的多个指标数值中所占的比重；
调整因子确定模块，用于根据历史事件簿、第一比重以及上一迭代周期内指标数值对应的上一调整因子确定当前迭代周期内指标数值对应的当前调整因子；
风险程度值确定模块，用于根据第一比重和当前调整因子确定客户在当前迭代周期内的风险程度值。
本发明实施例第四方面提供一种机器可读存储介质，机器可读存储介质上存储程序或指令，程序或指令被处理器执行时实现根据上述的用于程度客户风险的方法。
上述技术方案，通过获取多个客户在多个预设风险指标下的指标数值和客户对应的历史事件簿，进而根据指标数值确定指标数值对应的第一比重，并根据历史事件簿、第一比重以及上一迭代周期内指标数值对应的上一调整因子确定当前迭代周期内指标数值对应的当前调整因子，从而根据第一比重和当前调整因子确定客户在当前迭代周期内的风险程度值。上述方案不需要依赖人工经验即可实现客户风险的评估，减少了人力成本的同时，提高了客户风险程度评估的准确度，同时引入了历史事件簿对熵值法中的调整因子进行调节，即基于改进后的熵值法对客户风险进行评估，能够确保客户的风险程度值更加符合客户的实际履约/违约情况，使得客户的风险程度值更加符合其实际的可信程度，进一步提高了客户风险程度值的准确度。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1示意性示出了本发明一实施例中用于确定客户风险程度的方法的流程示意图；
图2示意性示出了本发明一实施例中用于确定客户风险程度的装置的结构示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
图1示意性示出了本发明一实施例中用于确定客户风险程度的方法的流程示意图。如图1所示，在本发明实施例中，提供了一种用于确定客户风险程度的方法，以该方法应用于处理器为例进行说明，该方法可以包括以下步骤：
步骤S102，获取多个客户在多个预设风险指标下的指标数值和客户对应的历史事件簿，其中，历史事件簿用于记录客户已发生的履约事件和违约事件。
步骤S104，根据指标数值确定指标数值对应的第一比重，其中，第一比重为指标数值在相同预设风险指标下的多个指标数值中所占的比重。
步骤S106，根据历史事件簿、第一比重以及上一迭代周期内指标数值对应的上一调整因子确定当前迭代周期内指标数值对应的当前调整因子。
步骤S108，根据第一比重和当前调整因子确定客户在当前迭代周期内的风险程度值。
可以理解，预设风险指标为预先设置的考量客户风险情况的指标，例如，预设风险指标可以包括但不限于客户的回款逾期情况、客户资产风险情况、客户履约情况、客户担保情况、客户涉诉信息以及客户已购设备使用情况等，进一步地，客户的回款逾期情况可以包括累积回款率、到期逾期率以及最大逾期期数等具体风险指标。指标数值为预设风险指标对应的数值。历史事件簿为记录历史上客户发生的履约事件和违约事件的记录簿，即历史事件簿用于记录客户已发生的履约事件和违约事件。第一比重为指标数值在相同预设风险指标下的多个指标数值中所占的比重，即某一客户在某一预设风险指标下的指标数值在该预设风险指标下的所有客户对应的指标数值总和中的比重。调整因子为熵值法中的一个概念，其与各个客户在各个预设风险指标下的指标数值相对应，传统的熵值法中的调整因子为预先设置的固定值，而本发明实施例中的调整因子跟随迭代周期的变化而变化，不同的迭代周期内不同指标数值对应的调整因子不同，第一个迭代周期内各个指标数值对应的调整因子可以为初始调整因子，例如可以是1，上一调整因子为上一迭代周期内各个指标数值对应的调整因子，当前调整因子为当前迭代周期内各个指标数值对应的调整因子，当前调整因子可以基于上一调整因子确定。风险程度值为判定客户风险程度的数值，例如可以是小数或分数或百分比值。
具体地，处理器可以获取多个客户在多个预设风险指标下的指标数值和各个客户对应的历史事件簿，从而可以根据多个指标数值确定各个指标数值对应的第一比重，并根据历史事件簿、第一比重以及上一迭代周期内各个指标数值对应的上一调整因子确定当前迭代周期内各个指标数值对应的当前调整因子，例如可以基于预先训练得到的算法模型，将历史事件簿中的履约事件的数量、历史事件簿中的违约事件的数量、各个指标数值对应的第一比重、上一迭代周期内各个指标数值对应的上一调整因子作为该算法模型的输入，从而可以得到该算法模型输出的当前迭代周期内各个指标数值对应的当前调整因子，进而可以基于熵值法，根据第一比重和当前调整因子确定客户在当前迭代周期内的风险程度值。
上述用于确定客户风险程度的方法，通过获取多个客户在多个预设风险指标下的指标数值和客户对应的历史事件簿，进而根据指标数值确定指标数值对应的第一比重，并根据历史事件簿、第一比重以及上一迭代周期内指标数值对应的上一调整因子确定当前迭代周期内指标数值对应的当前调整因子，从而根据第一比重和当前调整因子确定客户在当前迭代周期内的风险程度值。上述方法不需要依赖人工经验即可实现客户风险的评估，减少了人力成本的同时，提高了客户风险程度评估的准确度，同时引入了历史事件簿对熵值法中的调整因子进行调节，即基于改进后的熵值法对客户风险进行评估，能够确保客户的风险程度值更加符合客户的实际履约/违约情况，使得客户的风险程度值更加符合其实际的可信程度，进一步提高了客户风险程度值的准确度。
在一个实施例中，根据指标数值确定指标数值对应的第一比重，包括：对指标数值进行非负数化处理，以得到第一指标数值；对相同预设风险指标下的第一指标数值进行归一化处理，以得到第二指标数值；在第二指标数值的基础上加上预设正整数，以得到第三指标数值；确定第三指标数值在相同预设风险指标下的多个第三指标数值中所占的比重，以得到第一比重。
可以理解，非负数化处理即把负数进行非负化处理，使得负数变成非负数。第一指标数值为不包括负数的指标数值。第二指标数值为归一化处理后的第一指标数值，其取值范围通常是[0,1]。预设正整数为预先设置的正整数，进一步地，预设正整数可以是任意数值较小的正整数，从而可以减轻计算压力。第三指标数值为加上正整数后的第二指标数值。
具体地，处理器可以对指标数值进行非负数化处理，即对指标数值中的负数进行非负数化处理，以得到第一指标数值，进而对相同预设风险指标下的第一指标数值进行归一化处理，以得到第二指标数值，其中相同预设风险指标下的第一指标数值即多个客户在同一预设风险指标下的第一指标数值。进一步地，由于归一化处理后的第二指标数值可能存在取值为0的数值，因此为了避免后续求熵值时出现对数无意义的情况，可以在第二指标数值的基础上加上预设正整数，以得到第三指标数值，并确定第三指标数值在相同预设风险指标下的多个第三指标数值中所占的比重，以得到第一比重，其中相同预设风险指标下的多个第三指标数值即多个客户在同一预设风险指标下的第三指标数值的和值。
在本申请实施例中，由于在归一化处理后的第二指标数值的基础上加上预设正整数，从而可以避免在第二指标数值为0时后续求熵值对数无意义的情况。
在一个实施例中，根据历史事件簿、第一比重以及上一迭代周期内指标数值对应的上一调整因子确定当前迭代周期内指标数值对应的当前调整因子，包括：根据历史事件簿和衰减因子确定客户的可信度；基于预先确定的可信度与期望风险程度值的对应关系，根据可信度确定客户的期望风险程度值，其中，对应关系为负相关的关系；确定客户对应的多个第一比重的均值和标准差，以得到客户对应的比重均值和比重标准差；根据比重均值和第一比重确定第一调整参数；根据期望风险程度值、比重标准差以及第一比重确定第二调整参数；根据上一调整因子、第一调整参数、第二调整参数、调整系数、比重均值以及期望风险程度值确定当前调整因子。
可以理解，衰减因子为基于历史事件簿中的履约事件和违约事件的事件数量确定的数值，其具体为事件数量与事件对应的信用数值的乘积与该乘积和预设数值的和值的比值，其作用是确保当客户的历史事件簿中事件数量过少时，将可信度强行置于低位，其中预设数值可以是经验值，其可以是任意非负数，其可以根据不同事件所定义的信用数值来设计，该值越大则意味着对于历史事件簿中无事件或较少事件记载的初始状态的客户的默认信任程度越少，衰减因子的数值取值范围可以为0至1，事件数量越多，则衰减因子的数值越接近1，事件数量越少，则衰减因子的数值越接近0。可信度即用户的可信任程度，用户的风险程度越高，可信度越低，用户的风险程度越低，可信度越高。期望风险程度值为期望的用户的风险程度值。可理解地，可信度与期望风险程度值的对应关系为负相关的关系，其可以事先通过非线性回归拟合得到，也可以通过神经网络训练二者之间的关系得到。比重均值为某一客户在不同预设风险指标下的第一比重的平均值，其与该客户对应。比重标准差为根据某一客户在不同预设风险指标下的第一比重计算得到的标准差，其与该客户对应。第一调整参数为根据比重均值确定的与当前调整因子有关的调整参数，其取值范围可以是-1至1。第二调整参数为根据期望风险程度值确定的与当前调整调整因子有关的调整参数，其取值范围可以是0至1。调整系数为基于比重均值和期望风险程度值确定的调节系数，其取值范围为0至1。
具体地，处理器可以根据历史事件簿和衰减因子确定客户的可信度，进而可以基于预先确定的可信度与期望风险程度值的对应关系，根据可信度确定客户的期望风险程度值，并根据客户在不同的预设风险指标下对应的多个第一比重进行求均值处理和求标准差处理，以得到客户对应的比重均值和比重标准差，进而可以根据比重均值和第一比重确定第一调整参数，并可以根据期望风险程度值、比重标准差以及第一比重确定第二调整参数，进而根据上一调整因子、第一调整参数、第二调整参数、调整系数、比重均值以及期望风险程度值确定当前调整因子。
在一个实施例中，根据历史事件簿和衰减因子确定客户的可信度，包括根据以下公式(1)确定可信度：
其中，ek为客户i的历史事件簿中第k个事件所定义的信用数值，∈k为0或1，若客户i的历史事件簿中第k个事件是违约事件则∈k＝0，若第k个事件是履约事件则∈k＝1，是衰减因子，N为任意非负数，l为客户i的历史事件簿中的履约事件和违约事件的总数量，Ti为可信度。
可理解地，关于信用数值，可以事先根据事件(包括履约事件和违约事件)的重要程度定义不同大小的信用数值。N可以取经验值，其可以是任意非负数，其可以根据不同事件所定义的信用分数来设置，该值越大则意味着对于历史事件簿中无事件或较少事件记载的初始状态的客户的默认信任程度越少，例如可以取值为100。衰减因子可以用来确保当客户的历史事件簿中事件过少时，将可信度强行置于低位。
在一个实施例中，根据比重均值和第一比重确定第一调整参数，包括：在第一比重大于比重均值的情况下，确定第一比重对应的第一调整参数为0.1；在第一比重小于比重均值的情况下，确定第一比重对应的第二调整参数为-0.1。
具体地，若某一客户的某一指标数值对应的第一比重大于该客户对应的比重均值，则确定该第一比重对应的第一调整参数为0.1，反之则确定该第一比重对应的第二调整参数为-0.1。
在一个实施例中，根据期望风险程度值、比重标准差以及第一比重确定第二调整参数，包括：在第一比重位于期望风险程度值上下两个比重标准差所在的区间内时，确定第一比重对应的第二调整参数为1；在第一比重不位于期望风险程度值上下两个比重标准差所在的区间内时，确定第一比重对应的第二调整参数为0。
可以理解，期望风险程度值上下两个比重标准差所在的区间，也就是区间其中/>为期望风险程度值，σi为比重标准差。
具体地，当第一比重位于期望风险程度值上下两个比重标准差所在的区间内时，可以确定该第一比重对应的第二调整参数为1，当第一比重不位于期望风险程度值上下两个比重标准差所在的区间内时，可以确定该第一比重对应的第二调整参数为0。
在一个实施例中，根据上一调整因子、第一调整参数、第二调整参数、调整系数、比重均值以及期望风险程度值确定当前调整因子，包括根据以下公式(2)确定当前调整因子：
其中，θij(t)为上一调整因子，θij(t+1)为当前调整因子，αij为第一调整参数，βij为第二调整参数，Z为调整系数，μi为比重均值，为期望风险程度值，i为客户序号，j为预设风险指标的序号。
可理解地，不同客户的不同指标数值分别对应不同的上一调整因子和当前调整因子，若比重均值小于期望风险程度值，则整体上增大调整因子，反之则整体上减小调整因子，而针对某一客户的各个指标数值，又可以分别对应不同的第一调整参数和第二调整参数。
在一个实施例中，调整系数的确定包括：根据比重均值和比重标准差构建第一标准正态分布曲线；根据期望风险程度值和比重标准差构建第二标准正态分布曲线；确定第一标准正态分布曲线和第二标准正态分布曲线的重叠面积；在1的基础上减去重叠面积，以得到调整系数。
可以理解，第一标准正态分布曲线为根据比重均值和比重标准差构建的标准正态分布函数曲线，第二标准正态分布曲线为根据期望风险程度值和比重标准差构建的标准正态分布函数曲线，可理解地，标准正态分布曲线的面积为1。
具体地，处理器可以根据比重均值和比重标准差构建第一标准正态分布曲线，根据期望风险程度值和比重标准差构建第二标准正态分布曲线，并确定第一标准正态分布曲线和第二标准正态分布曲线的重叠面积，进而在1的基础上减去该重叠面积，以得到调整系数。
在一个实施例中，调整系数的确定包括：确定比重均值与期望风险程度值的差值的绝对值，以得到调整系数。
具体地，处理器可以计算比重均值与期望风险程度值的差值，并计算该差值的绝对值，从而可以得到调整系数，在此实施例中，比重均值和期望风险程度值均处于0至1的数值范围内。
在另一个实施例中，调整系数的确定包括：确定比重均值与期望风险程度值的差值的绝对值，并对绝对值进行归一化处理，以得到调整系数。
具体地，处理器可以计算比重均值与期望风险程度值的差值，并计算该差值的绝对值，进而对该绝对值进行归一化处理，归一化处理后的绝对值处于0至1的数值范围内，从而得到调整系数，在此实施例中，比重均值和期望风险程度值可以处于0至1的数值范围内，也可以不处于0至1的数值范围内。
在一个实施例中，根据第一比重和当前调整因子确定客户在当前迭代周期内的风险程度值，包括：根据第一比重确定预设风险指标对应的熵值；根据熵值和当前调整因子确定客户在预设风险指标对应的权重因子；确定权重因子在客户对应的所有权重因子中的比值，以得到第二比重；确定第一比重与第二比重的乘积值的和值，以得到客户对应的风险程度值。
具体地，根据第一比重确定预设风险指标对应的熵值，可以根据以下公式(3)确定熵值：
其中，ej为预设风险指标j对应的熵值，其描述了在预设风险指标j下各客户样本取值的均匀程度。常数k与客户样本数n有关，一般地，令k＝1/ln(n)，i为客户的序号，pij为客户i在预设风险指标j对应的第一比重。
根据熵值和当前调整因子确定客户在预设风险指标对应的权重因子，可以根据以下公式(4)确定权重因子：
gij＝θij*(1-ej) 公式(4)
其中，gij为客户i在预设风险指标j下对应的权重因子，θij为客户i在预设风险指标j下对应的当前调整因子，θij≥0，初始化所有客户针对任意预设风险指标的调整因子θij＝1，ej为预设风险指标j对应的熵值，可理解地，(1-ej)描述了预设风险指标j下各客户样本取值的不均匀程度，越不均匀意味着这个预设风险指标j的区分度越高，令它与权重正相关使得指标区分度与该指标对客户风险的影响程度(权重因子)正相关。
确定权重因子在客户对应的所有权重因子中的比值，以得到第二比重，可以如下公式(5)所示：
其中，Wij为客户i在预设风险指标j下对应的第二比重，gij为客户i在预设风险指标j下对应的权重因子，m为预设风险指标的总数量。
确定第一比重与第二比重的乘积值的和值，以得到客户对应的风险程度值，可以如下公式(6)所示：
其中，Si为客户i对应的风险程度值，Wij为客户i在预设风险指标j下对应的第二比重，pij为客户i在预设风险指标j对应的第一比重，m为预设风险指标的总数量。
在一个实施例中，预设风险指标包括回款逾期情况、涉诉信息、外部征信信息、已购设备使用情况、客户资产风险、客户履约情况以及贷审担保情况。
目前工程机械行业主要依赖人工经验赋权对客户风险进行打分，主观性较强；评估客户风险时主要考虑的是从内部系统中可以抓取到的数据，包括客户的回款逾期情况、客户资产风险情况、客户履约情况、客户担保情况等4个维度，而每个维度下设多个指标。然而，人工经验判断很难从近百个指标中迅速感知到风险点，因此经常造成对客户风险的疏忽和误判；业务场景会跟随业务和时代的发展瞬息万变，凭借业务员和管理人员的经验认知来评价风险仅适应当前的业务现状和场景，并不能适应未知的场景；近百个指标所构成的指标体系复杂，缺乏一个科学合理的权重评估体系来帮助业务管理人员从众多指标中把握风险核心；内部系统数据可以抓取到的风险信息有限，未能全面反映客户的风险情况，比如客户的征信信息和涉诉信息无法及时获取。
为了解决上述技术问题，在一个具体的实施例中，提供了一种用于确定客户风险程度的方法，该方法构建了一个基于改造后的熵值法的工程机械行业客户的风险评估模型，模型具体如下：
1)假设有n个客户样本，m类指标，首先建立各项风险指标与每个客户的数据矩阵，然后对数据矩阵进行非负数化处理。由于熵值法计算采用的是各个客户某一风险指标占同一风险指标值总和的比值，因此不存在量纲的影响，再对数据矩阵中的负数进行非负化处理。此外，为了避免求熵值时对数的无意义，对数据矩阵进行归一化处理，下式中通过+1或任意小正数避免Xmin或Xmax取值为0，从而在求熵时导致无意义的情况。
对于正向指标(与风险正相关的指标)：
对于负向指标(与风险负相关的指标)：
2)计算每项风险指标在各个客户总风险得分的比重Pij以及每项风险指标的熵值ej、差异系数gj。
其中k>0，ej≥0，ej是指标j的熵，它描述了在指标j下各客户样本取值的均匀程度。式中常数k与客户样本数n有关，一般地，令k＝1/ln(n)。针对不同的客户i，计算该客户i在指标j下对应的权重因子
hij＝θij*(1-ej)
其中，(1-ej)描述了指标j下各客户样本取值的不均匀程度，越不均匀意味着这个指标j的区分度越高，令它与权重正相关使得指标区分度与该指标对客户风险的影响程度(权重因子)正相关。θij为对应于客户i在指标j下的调整因子，θij≥0，初始化所有客户针对任意指标的调整因子θij＝1。
3)然后，求得客户i在各项风险指标相应权数Wij(j＝1,2...m)并计算各个客户的风险综合评价得分Si。
于是，针对每个客户i，我们维护了一个专属于该客户i的风险指标的权重表，如下表所示。
加权求和计算出客户i的风险分数Si(即风险程度值)：
4)综合客户风险综合评价得分，形成客户风险分析报告。
5)同时针对每一个客户建立一个履约/违约事件簿，跟踪记录历史上每个客户所发生的履约事件或违约事件，例如按期缴纳约定金额，第一次到约定期限未缴纳导致逾期，逾期期限未缴纳，到约定期限未完全缴纳约定金额等，我们按照经验给不同事件定义对应的信用分数，并且按照履约/违约事件簿中的履约和违约情况给每个客户打分。
例如，针对客户i，其事件簿中共包含l个事件e，其可信度为：
其中，ek代表客户i的事件簿中第k个事件所定义的信用数值(可以根据重要程度定义数值)，∈k代表客户i的事件簿中第k个事件是违约事件还是履约事件，如果是违约则∈k＝0，如果是履约则∈k＝1。是一个衰减因子，它用来确保当客户的事件簿中事件过少时，将可信分数强行置于低位，其中的100是经验值，其可以是任意非负数，其可以根据不同事件所定义的信用分数来设计，该值越大则意味着对于事件簿中无事件或较少事件记载的初始状态的客户的默认信任程度越少。
6)统计所有客户在当前迭代周期的与Ti(i＝1,2...n)，然后进行非线性回归以拟合/>与Ti之间的关系(负相关的关系)(也可以用神经网络训练二者之间的关系，其中Ti为输入Si为输出)，得到回归函数：
其中，上述回归函数为以Ti为自变量以拟合得到的非线性函数或以Ti为输入的神经网络，m为常数。
根据当前迭代周期下与Ti的关系计算每个客户的期望风险程度值，例如客户i的期望风险程度值为：
7)统计并计算出每个客户(例如客户i)在各个指标下的风险比重Pij(j＝1，2...m)的均值μi和标准差σi，然后分别以μi和为期望(均值)，σi为标准差构造标准正态分布和/>
①统计区间(μi，+∞)内的Pij，我们记录客户i在这一范围内的风险比重所属的风险指标集合{j*/A}，然后标记这些指标{j*/A}对应的第一调整因子为αij＝0.1。
统计区间(-∞，μi)内的Pij，我们记录客户i在这一范围内的风险比重所属的风险指标集合{j*/B}，然后记录这些指标{j*/B}对应的第一调整因子为αij＝-0.1。
最终所有指标数据都会被记录一个第一调整因子。
②统计在两个标准差的范围内，也就是区间/>内的Pij，我们记录客户i在这一范围内的风险比重所属的风险指标集合{j*/1}，然后记录这些指标{j*/1}对应的第二调整因子为βij＝1。
统计在两个标准差以外的范围内，也就是区间/> 内的Pij，我们记录客户i在这一范围内的风险比重所属的风险指标集合{j*/2}，然后记录这些指标{j*/2}对应的第二调整因子为βij＝0。
最终所有指标数据都会被记录一个第二调整因子。
③计算与/>的重叠面积M∈(0，1)。
④更新客户i的所有调整因子θij(j＝1，2...m)，规则如下：针对任意一个指标j，检查其在①②步骤中被记录的第一调整因子和第二调整因子，更新该指标对应的调整因子为：
/>
其中θij(t+1)表示在下一个迭代周期客户i在指标j下的调整因子，θij(t)表示当前迭代周期中客户i在指标j下的调整因子。
8)在到达预设的更新周期或在客户的事件数量达到预设阈值的情况下，启动下一个迭代周期，在下一个迭代周期，将按照7)中更新的调整因子来重算所有客户的风险分数，同时，还会重新拟合S和T之间的关系，并进而再次运算出下一个周期的调整因子。在一个迭代周期内，调整因子是固定的，因此指标的实时变动会直接计算出一个风险分数。
本发明实施例提供的技术方案建立了一个针对工程机械行业的全面的客户风险评分体系，该体系主要由回款逾期情况、涉诉信息、外部征信信息、已购设备使用情况、客户资产风险、客户履约情况、贷审担保情况等7个风险维度、100+个风险指标，综合加权评分构成。此外，本方案构建了一个基于熵值法的工程机械行业客户的风险评估模型，定义了熵值权重指标，通过熵值法获取客户风险异常突出的变量评估各指标风险权重，从而实施加权打分，不需要人工主观判断即可敏锐地感知到客户的风险点，与便于及时进行风险预警行为，减少公司的损失。值得注意的是，本方案对熵权法进行了改造，给不同客户在各指标的权重私人定制了衰减因子，通过拟合S和T的关系来不断调整衰减因子，使得算出的风险分数越来越接近该客户的实际风险，而不至于与实际相差悬殊而给决策者带来误判。
可理解地，工程机械领域目前的客户风险评分方法，仅依赖人工经验判断，很难从近百个指标中迅速感知到风险点，因此经常造成对客户风险的疏忽和误判。而本创新技术方案定义了熵值权重指标，通过改造后的熵值法获取客户风险异常突出的变量评估各指标风险权重，从而实施加权打分，不需要人工主观判断即可敏锐地感知到客户的风险点，与便于及时进行风险预警行为，减少公司的损失。
现有技术是使用企业内部系统中的客户风险数据对客户风险进行评价，只考虑到了逾期较严重的客户才会进行设备停机处理，这样在其他风险问题发生的时候，企业未能及时捕捉到并做出预警行为。而本创新方案将同时考虑企业内部风险信息和从外部获取到的客户征信和涉诉风险信息，同时放入指标池，并使用熵值法获取指标权重，所计算出的客户风险得分具有客观性、全面性、准确性的优点。此外，通过对指标进行归一化时+1或任意小正数避免Xmin或Xmax取值为0，从而在求熵时导致无意义的情况。
相比于传统的熵值法确定权重，本申请还针对不同的客户定义了专门的衰减因子，可以确保客户的风险分数符合其实际履约/违约情况。例如按照传统熵值法，可能会出现算出一个客户的风险分数较高，但其实际并没有什么违约行为的情况，从而导致误判，而通过本方案，对熵权法进行了改造，可以通过调整该客户各个指标的权重的方式，从而使得客户的风险分数符合其实际的可信程度(通过调低该客户在一些通常情况下会导致风险升高但对于该特定客户则没有使得其实际风险增高的指标的权重)。
本发明实施例还提供了一种处理器，被配置成执行根据上述实施方式中的用于程度客户风险的方法。
如图2所示，本发明实施例还提供了一种用于确定客户风险程度的装置200，包括：
数据获取模块210，用于获取多个客户在多个预设风险指标下的指标数值和客户对应的历史事件簿，其中，历史事件簿用于记录客户已发生的履约事件和违约事件。
比重确定模块220，用于根据指标数值确定指标数值对应的第一比重，其中，第一比重为指标数值在相同预设风险指标下的多个指标数值中所占的比重。
调整因子确定模块230，用于根据历史事件簿、第一比重以及上一迭代周期内指标数值对应的上一调整因子确定当前迭代周期内指标数值对应的当前调整因子。
风险程度值确定模块240，用于根据第一比重和当前调整因子确定客户在当前迭代周期内的风险程度值。
上述用于确定客户风险程度的装置，通过获取多个客户在多个预设风险指标下的指标数值和客户对应的历史事件簿，进而根据指标数值确定指标数值对应的第一比重，并根据历史事件簿、第一比重以及上一迭代周期内指标数值对应的上一调整因子确定当前迭代周期内指标数值对应的当前调整因子，从而根据第一比重和当前调整因子确定客户在当前迭代周期内的风险程度值。上述装置不需要依赖人工经验即可实现客户风险的评估，减少了人力成本的同时，提高了客户风险程度评估的准确度，同时引入了历史事件簿对熵值法中的调整因子进行调节，即基于改进后的熵值法对客户风险进行评估，能够确保客户的风险程度值更加符合客户的实际履约/违约情况，使得客户的风险程度值更加符合其实际的可信程度，进一步提高了客户风险程度值的准确度。
在一个实施例中，比重确定模块220还用于：对指标数值进行非负数化处理，以得到第一指标数值；对相同预设风险指标下的第一指标数值进行归一化处理，以得到第二指标数值；在第二指标数值的基础上加上预设正整数，以得到第三指标数值；确定第三指标数值在相同预设风险指标下的多个第三指标数值中所占的比重，以得到第一比重。
在一个实施例中，调整因子确定模块230还用于：根据历史事件簿和衰减因子确定客户的可信度；基于预先确定的可信度与期望风险程度值的对应关系，根据可信度确定客户的期望风险程度值，其中，对应关系为负相关的关系；确定客户对应的多个第一比重的均值和标准差，以得到客户对应的比重均值和比重标准差；根据比重均值和第一比重确定第一调整参数；根据期望风险程度值、比重标准差以及第一比重确定第二调整参数；根据上一调整因子、第一调整参数、第二调整参数、调整系数、比重均值以及期望风险程度值确定当前调整因子。
在一个实施例中，调整因子确定模块230还用于根据以下公式(1)确定可信度：
其中，ek为客户i的历史事件簿中第k个事件所定义的信用数值，∈k为0或1，若客户i的历史事件簿中第k个事件是违约事件则∈k＝0，若第k个事件是履约事件则∈k＝1，是衰减因子，N为任意非负数，l为客户i的历史事件簿中的履约事件和违约事件的总数量，Ti为可信度。
在一个实施例中，调整因子确定模块230还用于：在第一比重大于比重均值的情况下，确定第一比重对应的第一调整参数为0.1；在第一比重小于比重均值的情况下，确定第一比重对应的第二调整参数为-0.1。
在一个实施例中，调整因子确定模块230还用于：在第一比重位于期望风险程度值上下两个比重标准差所在的区间内时，确定第一比重对应的第二调整参数为1；在第一比重不位于期望风险程度值上下两个比重标准差所在的区间内时，确定第一比重对应的第二调整参数为0。
在一个实施例中，调整因子确定模块230还用于根据以下公式(2)确定当前调整因子：
其中，θij(t)为上一调整因子，θij(t+1)为当前调整因子，αij为第一调整参数，βij为第二调整参数，Z为调整系数，μi为比重均值，为期望风险程度值，i为客户序号，j为预设风险指标的序号。
在一个实施例中，调整因子确定模块230还用于：根据比重均值和比重标准差构建第一标准正态分布曲线；根据期望风险程度值和比重标准差构建第二标准正态分布曲线；确定第一标准正态分布曲线和第二标准正态分布曲线的重叠面积；在1的基础上减去重叠面积，以得到调整系数。
在一个实施例中，调整因子确定模块230还用于：确定比重均值与期望风险程度值的差值的绝对值，以得到调整系数；或者确定比重均值与期望风险程度值的差值的绝对值，并对绝对值进行归一化处理，以得到调整系数。
在一个实施例中，风险程度值确定模块240还用于：根据第一比重确定预设风险指标对应的熵值；根据熵值和当前调整因子确定客户在预设风险指标对应的权重因子；确定权重因子在客户对应的所有权重因子中的比值，以得到第二比重；确定第一比重与第二比重的乘积值的和值，以得到客户对应的风险程度值。
在一个实施例中，预设风险指标包括回款逾期情况、涉诉信息、外部征信信息、已购设备使用情况、客户资产风险、客户履约情况以及贷审担保情况。
本发明实施例还提供了一种机器可读存储介质，机器可读存储介质上存储程序或指令，程序或指令被处理器执行时实现根据上述实施方式中的用于程度客户风险的方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。
Claims (14)
1.一种用于确定客户风险程度的方法，其特征在于，所述方法包括：
获取多个客户在多个预设风险指标下的指标数值和所述客户对应的历史事件簿，其中，所述历史事件簿用于记录所述客户已发生的履约事件和违约事件；
根据所述指标数值确定所述指标数值对应的第一比重，其中，所述第一比重为所述指标数值在相同预设风险指标下的多个所述指标数值中所占的比重；
根据所述历史事件簿、所述第一比重以及上一迭代周期内所述指标数值对应的上一调整因子确定当前迭代周期内所述指标数值对应的当前调整因子；
根据所述第一比重和所述当前调整因子确定所述客户在所述当前迭代周期内的风险程度值。
2.根据权利要求1所述的方法，其特征在于，所述根据所述指标数值确定所述指标数值对应的第一比重，包括：
对所述指标数值进行非负数化处理，以得到第一指标数值；
对相同预设风险指标下的所述第一指标数值进行归一化处理，以得到第二指标数值；
在所述第二指标数值的基础上加上预设正整数，以得到第三指标数值；
确定所述第三指标数值在相同预设风险指标下的多个所述第三指标数值中所占的比重，以得到所述第一比重。
3.根据权利要求1所述的方法，其特征在于，所述根据所述历史事件簿、所述第一比重以及上一迭代周期内所述指标数值对应的上一调整因子确定当前迭代周期内所述指标数值对应的当前调整因子，包括：
根据所述历史事件簿和衰减因子确定所述客户的可信度；
基于预先确定的可信度与期望风险程度值的对应关系，根据所述可信度确定所述客户的期望风险程度值，其中，所述对应关系为负相关的关系；
确定所述客户对应的多个所述第一比重的均值和标准差，以得到所述客户对应的比重均值和比重标准差；
根据所述比重均值和所述第一比重确定第一调整参数；
根据所述期望风险程度值、所述比重标准差以及所述第一比重确定第二调整参数；
根据所述上一调整因子、所述第一调整参数、所述第二调整参数、调整系数、所述比重均值以及所述期望风险程度值确定所述当前调整因子。
4.根据权利要求3所述的方法，其特征在于，所述根据所述历史事件簿和衰减因子确定所述客户的可信度，包括根据以下公式(1)确定所述可信度：
其中，ek为客户i的历史事件簿中第k个事件所定义的信用数值，∈k为0或1，若客户i的历史事件簿中第k个事件是违约事件则∈k＝0，若第k个事件是履约事件则∈k＝1，是所述衰减因子，N为任意非负数，l为客户i的历史事件簿中的履约事件和违约事件的总数量，Ti为所述可信度。
5.根据权利要求3所述的方法，其特征在于，所述根据所述比重均值和所述第一比重确定第一调整参数，包括：
在所述第一比重大于所述比重均值的情况下，确定所述第一比重对应的第一调整参数为0.1；
在所述第一比重小于所述比重均值的情况下，确定所述第一比重对应的第二调整参数为-0.1。
6.根据权利要求3所述的方法，其特征在于，所述根据所述期望风险程度值、所述比重标准差以及所述第一比重确定第二调整参数，包括：
在所述第一比重位于所述期望风险程度值上下两个所述比重标准差所在的区间内时，确定所述第一比重对应的第二调整参数为1；
在所述第一比重不位于所述期望风险程度值上下两个所述比重标准差所在的区间内时，确定所述第一比重对应的第二调整参数为0。
7.根据权利要求3所述的方法，其特征在于，所述根据所述上一调整因子、所述第一调整参数、所述第二调整参数、调整系数、所述比重均值以及所述期望风险程度值确定所述当前调整因子，包括根据以下公式(2)确定所述当前调整因子：
其中，θij(t)为所述上一调整因子，θij(t+1)为所述当前调整因子，αij为所述第一调整参数，βij为所述第二调整参数，Z为所述调整系数，μi为所述比重均值，为所述期望风险程度值，i为客户序号，j为预设风险指标的序号。
8.根据权利要求3所述的方法，其特征在于，所述调整系数的确定包括：
根据所述比重均值和所述比重标准差构建第一标准正态分布曲线；
根据所述期望风险程度值和所述比重标准差构建第二标准正态分布曲线；
确定所述第一标准正态分布曲线和所述第二标准正态分布曲线的重叠面积；
在1的基础上减去所述重叠面积，以得到所述调整系数。
9.根据权利要求3所述的方法，其特征在于，所述调整系数的确定包括：
确定所述比重均值与所述期望风险程度值的差值的绝对值，以得到所述调整系数；或者
确定所述比重均值与所述期望风险程度值的差值的绝对值，并对所述绝对值进行归一化处理，以得到所述调整系数。
10.根据权利要求1所述的方法，其特征在于，所述根据所述第一比重和所述当前调整因子确定所述客户在所述当前迭代周期内的风险程度值，包括：
根据所述第一比重确定所述预设风险指标对应的熵值；
根据所述熵值和所述当前调整因子确定所述客户在所述预设风险指标对应的权重因子；
确定所述权重因子在所述客户对应的所有权重因子中的比值，以得到第二比重；
确定所述第一比重与所述第二比重的乘积值的和值，以得到所述客户对应的所述风险程度值。
11.根据权利要求1所述的方法，其特征在于，所述预设风险指标包括回款逾期情况、涉诉信息、外部征信信息、已购设备使用情况、客户资产风险、客户履约情况以及贷审担保情况。
12.一种处理器，其特征在于，被配置成执行根据权利要求1至11中任意一项所述的用于程度客户风险的方法。
13.一种用于确定客户风险程度的装置，其特征在于，包括：
数据获取模块，用于获取多个客户在多个预设风险指标下的指标数值和所述客户对应的历史事件簿，其中，所述历史事件簿用于记录所述客户已发生的履约事件和违约事件；
比重确定模块，用于根据所述指标数值确定所述指标数值对应的第一比重，其中，所述第一比重为所述指标数值在相同预设风险指标下的多个所述指标数值中所占的比重；
调整因子确定模块，用于根据所述历史事件簿、所述第一比重以及上一迭代周期内所述指标数值对应的上一调整因子确定当前迭代周期内所述指标数值对应的当前调整因子；
风险程度值确定模块，用于根据所述第一比重和所述当前调整因子确定所述客户在所述当前迭代周期内的风险程度值。
14.一种机器可读存储介质，所述机器可读存储介质上存储程序或指令，其特征在于，所述程序或所述指令被处理器执行时实现根据权利要求1至11中任意一项所述的用于程度客户风险的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310722499.6A CN116882805A (zh) | 2023-06-16 | 2023-06-16 | 用于确定客户风险程度的方法、处理器、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310722499.6A CN116882805A (zh) | 2023-06-16 | 2023-06-16 | 用于确定客户风险程度的方法、处理器、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116882805A true CN116882805A (zh) | 2023-10-13 |
Family
ID=88267175
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310722499.6A Pending CN116882805A (zh) | 2023-06-16 | 2023-06-16 | 用于确定客户风险程度的方法、处理器、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116882805A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117853232A (zh) * | 2024-03-07 | 2024-04-09 | 杭银消费金融股份有限公司 | 一种信贷风险异常巡检归因预警方法与系统 |
-
2023
- 2023-06-16 CN CN202310722499.6A patent/CN116882805A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117853232A (zh) * | 2024-03-07 | 2024-04-09 | 杭银消费金融股份有限公司 | 一种信贷风险异常巡检归因预警方法与系统 |
| CN117853232B (zh) * | 2024-03-07 | 2024-05-24 | 杭银消费金融股份有限公司 | 一种信贷风险异常巡检归因预警方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Engelmann et al. | The Basel II risk parameters: estimation, validation, and stress testing | |
| US20090248465A1 (en) | Assessment of risk associated with doing business with a party | |
| EP1361526A1 (en) | Electronic data processing system and method of using an electronic processing system for automatically determining a risk indicator value | |
| CN110633893B (zh) | 一种策略效能监控方法、装置以及计算机设备 | |
| CN109740759B (zh) | 学习模型优化与选择方法、电子装置及计算机设备 | |
| US20090248559A1 (en) | Assessment of risk associated with doing business with a party | |
| CN116882805A (zh) | 用于确定客户风险程度的方法、处理器、装置及存储介质 | |
| CN110610431A (zh) | 基于大数据的智能理赔方法及智能理赔系统 | |
| CN111192140A (zh) | 客户违约概率预测的方法及装置 | |
| CN112037007A (zh) | 针对小微企业信贷审批的方法及电子设备 | |
| CN113822488A (zh) | 融资租赁的风险预测方法、装置、计算机设备及存储介质 | |
| CN114971891A (zh) | 风险预测方法和装置、处理器及电子设备 | |
| CN116630020A (zh) | 风险评估方法、装置、存储介质及电子设备 | |
| CN113706223B (zh) | 一种数据处理方法和装置 | |
| CN110782163A (zh) | 企业数据处理方法和装置 | |
| CN114418450A (zh) | 一种数据处理方法及装置 | |
| CN110163470B (zh) | 事件评估方法及装置 | |
| CN113469635A (zh) | 基于考勤数据的人员管理方法、装置、设备及存储介质 | |
| JP6505974B2 (ja) | 事務リスク管理システムおよび事務リスク管理プログラム | |
| CN113888029A (zh) | 一种渠道数据稽查审计方法及系统 | |
| CN112668917B (zh) | 汽车渠道风险控制方法、装置、设备及计算机存储介质 | |
| US20230394069A1 (en) | Method and apparatus for measuring material risk in a data set | |
| CN116703208A (zh) | 用户数据处理方法、装置、设备及可读存储介质 | |
| CN118071488A (zh) | 交易报告的生成方法、装置、计算机存储介质及电子设备 | |
| CN114647433A (zh) | 应用程序的处理方法、装置、存储介质及电子装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |