CN117011031A - 利用大数据信息处理技术的智能金融风险监测与预警平台 - Google Patents
利用大数据信息处理技术的智能金融风险监测与预警平台 Download PDFInfo
- Publication number
- CN117011031A CN117011031A CN202311048035.8A CN202311048035A CN117011031A CN 117011031 A CN117011031 A CN 117011031A CN 202311048035 A CN202311048035 A CN 202311048035A CN 117011031 A CN117011031 A CN 117011031A
- Authority
- CN
- China
- Prior art keywords
- early warning
- data
- loan
- coefficient
- platform
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 238000005516 engineering process Methods 0.000 title claims abstract description 40
- 230000010365 information processing Effects 0.000 title claims abstract description 33
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 22
- 230000006399 behavior Effects 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了利用大数据信息处理技术的智能金融风险监测与预警平台,涉及金融风险监测预警技术领域,该平台通过充分考虑地区特征,该平台能够更准确地评估不同地区的贷款风险,从而降低地区性风险不均衡和业务不稳定的问题。其次,通过综合分析个人信用和大数据,平台能够精确评估用户的还款能力,从而减少不良贷款率,提升业务效率和用户满意度。该平台基于数据驱动的风险决策,提高了金融机构的决策精度,降低不确定性,提升盈利能力。智能预警方案使风险管理更主动和高效,及时识别风险,降低风险扩大的可能性,从而保障业务的稳定性。该平台将为金融行业带来精细化的风险管理和智能化的服务体验以及稳健的业务发展。
Description
技术领域
本发明涉及金融风险监测预警技术领域,具体为利用大数据信息处理技术的智能金融风险监测与预警平台。
背景技术
金融机构在推出贷款产品时,通常会将注意力集中在产品的利率、期限、额度等方面,但未充分考虑地区因素。不同地区的经济状况、市场需求、居民收入水平以及风险状况可能存在差异,这些因素可能会影响贷款的违约风险、还款能力和市场接受度。因此,简单地将相同贷款产品应用于不同地区可能导致风险不均衡和业务不稳定。
其次,贷款产品在推出的过程中,对于一些贷款用户在还款的期间没有利用大数据对用户进行综合分析评定,例如用户在还款过程中,继续经商多家贷款来拆东墙补西墙的情况,无疑增加了贷款的风险,后期可能导致还款能力下降,进而需要提出利用大数据信息处理技术的智能金融风险监测与预警平台。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了利用大数据信息处理技术的智能金融风险监测与预警平台,首先,该平台充分考虑了地区因素,将不同地区的经济状况、市场需求、收入水平和风险状况纳入风险评估模型。这将使金融机构能够更精确地理解贷款产品在各个地区的表现,并因地制宜地调整产品设计和业务策略。地区特征的综合分析为金融机构提供了更明智的决策基础,帮助它们规避地区性风险,提高业务的可持续性和盈利能力;其次,平台通过综合评估个人信用,结合大数据分析,能够更全面地评估用户的还款能力和风险水平。这为金融机构提供了更准确的客户画像,能够更好地区分高风险和低风险客户,从而更精细地定制产品和贷款政策。借助智能预警方案,机构能够在贷款申请和还款过程中,及时识别潜在风险,并向客户提供多样化的风险警示和建议,有效减少不良贷款率,提升业务效率和用户满意度;再者,通过历史贷款数据和实时数据的分析,结合金融预测模型,金融机构能够更科学地评估贷款产品的风险,并在产品设计和定价上做出更明智的选择。这种数据驱动的风险管理方式能够大幅提升金融机构的决策精度,降低不确定性,提高盈利能力。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:利用大数据信息处理技术的智能金融风险监测与预警平台,包括第一数据采集模块、第二实时数据采集模块,建立金融预测模型分析模块和风险预估模块;
所述第一数据采集模块用于实时采集历史贷款数据,所述历史贷款数据包括不同种类的贷款产品,贷款申请数量,贷款合同信息,贷款利率指数、贷款违约数据和若干个用户行为数据,所述历史贷款数据还包括贷款特征、信用信息、还款情况、申请数量和申请通过率;将历史贷款数据构建第一数据集;
对历史贷款数据进行清洗,去除重复、缺失和标准化转换处理;
采集历史贷款数据,所述历史贷款数据包括贷款特征、信用信息、还款情况、申请数量和申请通过率,构建第一数据集;
利用大数据信息处理技术,采集若干个城市当地经济市场数据,所述当地经济市场数据包括地区GDP增长率、失业率、城市和农村地区的经济收入差距数据,当地房价波动之和房地产利率波动值,构建第二数据集;
利用大数据信息处理技术,对若干个用户采集信用数据,结合相对应用户行为数据进行结合,分析获得个人信用系数GRx;
第二实时数据采集模块用于在1—6个月周期内,在每个月,对相对应的贷款产品的贷款申请数量和贷款违约数据进行实时采集,计算获取申请波动系数值SQbd、利率波动系数值Lbd和违约波动系数值Wyx;
所述建立金融预测模型分析模块用于建立金融预测模型,使用第一数据集中的贷款特征和信用信息,以及第二数据集中的当地经济市场数据作为特征,使用还款情况作为目标变量A,计算获得影响特征系数Yxtz;并将影响特征系数Yxtz与第一影响阈值DY进行对比,若低于第一影响阈值DY,则代表当前地区的影响特征系数Yxtz风险较小,并对低于第一影响阈值DY的若干个地区影响特征系数Yxtz进行序列排序;
所述风险预估模块用于将申请波动系数值SQbd、利率波动系数值Lbd和违约波动系数值Wyx进行拟合,计算综合浮动系数Zh,并将综合浮动系数Zh与第二预设阈值DR进行对比,获得第一评估结果,若低于第二预设阈值DR,将综合浮动系数Zh相对应的贷款产品放置在影响特征系数Yxtz低于第一影响阈值DY的地区,减少贷款违约率;若综合浮动系数Zh高于第二预设阈值DR,则表示综合浮动系数Zh风险较高,需要对贷款产品周期、还款金额和利率进行调整,直至综合浮动系数Zh低于第二预设阈值DR为止;
将个人信用系数GRx与第三预设阈值DS进行比较,若高于第三预设阈值DS则生成个人评估结果,并通过个人评估结果对用户进行相对应的预警方案。
优选的,确定数据来源,数据远包括金融机构内部数据库、金融市场数据提供商和API接口和P2P接口;
设置相对应数据源的采集接口,并通过API调用或数据抓取技术,定期从数据源获取最新的贷款数据,包括贷款产品信息、贷款申请数量、贷款合同信息、贷款利率指数以及贷款违约数据;
在实际采集过程中,进行去重处理,确保数据不会重复获取;
在实际采集过程中,对于缺失数据,进行填充和插值处理;
并对不同类型的贷款数据和单位数据进行数据标准化后,建立NoSQL数据库,存储在NoSQL数据库中。
优选的,设置每个月的采集数据间隔,选择数据窗口,对于贷款申请数量和贷款违约数据的实时采集,采用一个月的固定时间窗口,在每个月月末,根据设定的时间窗口,计算时间窗口内的贷款申请数量和贷款违约数据;
所述申请波动系数值SQbd、利率波动系数值Lbd和违约波动系数值Wyx通过以下公式进行计算:
式中,DySQ表示为当月贷款用户申请数量总值,PJSQ表示为贷款用户平均申请数量值,采集用户过去6个月的申请数量的平均值;A1表示为第一修正自然数;DyL表示为当月平均利率,SYL表示为上个月平均利率,A2表示为第二修正自然数;DyWy表示为当月内违约数量,违约数量统计为未及时按照还款日进行还款的用户,即逾期用户的数量,SyWy表示为上个月内违约数量,A3表示为第三修正自然数。
优选的,建立金融预测模型,从第一数据集和第二数据集中选择与还款情况相关的特征;使用统计方法和特征工程技术进行提取地区特征;所述地区特征包括地区GDP经济特征、就业及失业特征、房产特征、消费者行为特征,金融信息特征和贷款产品市场认可度特征。
优选的,对所述地区特征进行计算,获得地区GDP经济特征、就业及失业特征、房产特征、消费者行为特征,信用特征和贷款产品市场认可度特征对目标变量的影响程度,对所述地区特征进行标准化处理,确保每个特征的均值为0,标准差为1,通过线性回归计算获得目标变量Y值:
Y=β0+β1*X1+β2*X2+β3*X3+β4*X4+β5*X5+β6*X6+ε
式中,β0是截距,X1表示为地区经济特征对还款情况的影响系数值,X2表示为就业及失业特征对还款情况的影响系数值,X3表示为房产特征对还款情况的影响系数值;X4表示为消费者行为特征对还款情况的影响系数值,X5表示为信用特征对还款情况的影响系数值;X6表示为贷款产品市场认可度特征对还款情况的影响系数值,β1、β2、β3、β4、β5和β6是以上是特征的相对应的系数值,最小化目标变量和模型预测值之间的差异,ε是误差项。
优选的,所述影响特征系数Yxtz通过以下公式进行计算:
Yxtz=βi*Y
式中,其中,βi是第i个特征的系数,目标变量Y是指标准化后的特征值是将特征影响系数值进行标准化处理,以保证各个特征的量级一致。
优选的,将申请波动系数值SQbd、利率波动系数值Lbd和违约波动系数值Wyx进行拟合,计算综合浮动系数Zh.通过以下计算公式获得:
式中,E1、E2和E3分别为申请波动系数值SQbd、利率波动系数值Lbd和违约波动系数值Wyx的权重值;
对每个地区,计算得到的影响特征系数Yxtz与第一影响阈值DY进行比较;
如果影响特征系数Yxtz<第一影响阈值DY,则表示该地区的影响特征系数风险较小,将其添加到一个列表中;
将低于第一影响阈值DY的地区按照Yxtz的大小进行排序,得到一个序列排序,获得Y1、Y2、Y3、Y4、...、Yn;
将计算得到的综合浮动系数Zh与第二预设阈值DR进行比较;
如果综合浮动系数Zh<第二预设阈值DR,则执行下一步策略;
将综合浮动系数Zh低于第二预设阈值DR的贷款产品,根据序列排序,放置在影响特征系数Yxtz低于第一影响阈值DY的地区,促进帮助减少贷款违约率,因为贷款产品被分配到风险较小的地区。
优选的,实时从大数据信息数据源,包括贷款申请系统、电商消费记录系统、还款记录系统、外卖系统中采集用户的行为数据、收入证明和信用数据,分析获得个人信用系数GPx,所述个人信用系数GPx通过以下公式计算获得:
式中,hkzs表示为用户过去一年的还款准时率值,xf表示为过去五年用户的信用卡信誉度,Sr表示为过去一年用户电商平台和外卖平台的总消费值,LysL表过去一年末用户的总收入值,R1、R2、R3和R4分别是hkzs、xf、Sr和LysL的权重系数值,且R1+R2+R3+R4=1;A4表示为第四修正自然数。
优选的,将计算得到的个人信用系数GRx与第三预设阈值DS进行比较;如果个人信用系数GRx高于第三预设阈值DS,触发预警条件,执行以下步骤生成预警方案:
S1、包括预警通知的类型,包括短信和邮件方式,在用户列表内进行预警标记。
S2、对于用户进行短信和邮件的预警内容用于警告用户关于他们的信用评级或可能的风险;
S3、对于高风险的情况,对于用户进行电话人工语音播报建议内容,建议用户改善信用行为和还款;
S4、对于网站上用户账户,弹出消息、提示和通知栏提供建议还款信息提醒;
S5、推送相关平台移动应用、社交媒体、电子账单和公告号私信,发送至推送通知,在账单中加入警示信息和建议还款信息。
优选的,所述风险预估模块包括预警触发条件设置单元、预警通知生成单元、通知方式选择单元和预警反馈与关闭单元。
所述预警触发条件设置单元,针对不同类型的金融风险,设置第一预设阈值DY、第二预设阈值DR和第三预设阈值DS;根据阈值的变化和预警策略的需求,灵活调整触发条件;
所述预警通知生成单元用于当预警触发条件满足时,生成预警通知,包括预警级别、类型和内容,并整合预警信息,准备发送给相关人员;
通知方式选择单元用于根据用户的偏好和接收渠道,选择适当的通知方式,包括短信、邮件、App通知、电话通知和推送信息;
所述预警反馈与关闭单元,用于接收反馈,跟踪预警信息后续的影响反馈结果,包括已还款和提前还款,当风险解除或处理完成时,关闭预警通知,并进行记录。
(三)有益效果
本发明提供了利用大数据信息处理技术的智能金融风险监测与预警平台。具备以下有益效果:
(1)该利用大数据信息处理技术的智能金融风险监测与预警平台,该平台充分考虑了不同地区的经济、市场、收入水平和风险差异,通过在金融预测模型中融入地区特征,实现更精确的风险评估。这有助于金融机构更好地理解贷款产品在不同地区的表现,并针对性地制定风险管理策略。
(2)该利用大数据信息处理技术的智能金融风险监测与预警平台,平台通过大数据分析和综合考虑多个因素,计算个人信用系数,更全面地评估用户的个人信用状况。这有助于金融机构更准确地评估用户的还款能力和风险,从而更精细地制定贷款政策和个性化的预警方案。
(3)该利用大数据信息处理技术的智能金融风险监测与预警平台,平台通过对个人信用系数和综合浮动系数的判断,智能触发预警条件。预警方案多样化,包括短信、邮件、电话等多种通知方式,以及针对不同风险情况的建议。这有助于及时警示用户并提供必要的行动指导。
(4)该利用大数据信息处理技术的智能金融风险监测与预警平台,通过采集大量历史贷款数据和实时数据,结合数据分析和预测模型,该平台为金融机构提供数据驱动的风险决策支持。金融机构可以更准确地评估贷款产品的风险,优化产品设计和业务决策。
附图说明
图1为本发明利用大数据信息处理技术的智能金融风险监测与预警平台框图流程示意图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有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。
金融机构在推出贷款产品时,通常会将注意力集中在产品的利率、期限、额度等方面,但未充分考虑地区因素。不同地区的经济状况、市场需求、居民收入水平以及风险状况可能存在差异,这些因素可能会影响贷款的违约风险、还款能力和市场接受度。因此,简单地将相同贷款产品应用于不同地区可能导致风险不均衡和业务不稳定。
其次,贷款产品在推出的过程中,对于一些贷款用户在还款的期间没有利用大数据对用户进行综合分析评定,例如用户在还款过程中,继续经商多家贷款来拆东墙补西墙的情况,无疑增加了贷款的风险,后期可能导致还款能力下降,未能准确性的预测潜在的风险事件,进而需要提出利用大数据信息处理技术的智能金融风险监测与预警平台。
实施例1
本发明提供利用大数据信息处理技术的智能金融风险监测与预警平台,请参阅图1,包括第一数据采集模块、第二实时数据采集模块,建立金融预测模型分析模块和风险预估模块;
所述第一数据采集模块用于实时采集历史贷款数据,所述历史贷款数据包括不同种类的贷款产品,贷款申请数量,贷款合同信息,贷款利率指数、贷款违约数据和若干个用户行为数据,所述历史贷款数据还包括贷款特征、信用信息、还款情况、申请数量和申请通过率;将历史贷款数据构建第一数据集;
对历史贷款数据进行清洗,去除重复、缺失和标准化转换处理;
采集历史贷款数据,所述历史贷款数据包括贷款特征、信用信息、还款情况、申请数量和申请通过率,构建第一数据集;
利用大数据信息处理技术,采集若干个城市当地经济市场数据,所述当地经济市场数据包括地区GDP增长率、失业率、城市和农村地区的经济收入差距数据,当地房价波动之和房地产利率波动值,构建第二数据集;
利用大数据信息处理技术,对若干个用户采集信用数据,结合相对应用户行为数据进行结合,分析获得个人信用系数GRx;
第二实时数据采集模块用于在1—6个月周期内,在每个月,对相对应的贷款产品的贷款申请数量和贷款违约数据进行实时采集,计算获取申请波动系数值SQbd、利率波动系数值Lbd和违约波动系数值Wyx;
所述建立金融预测模型分析模块用于建立金融预测模型,使用第一数据集中的贷款特征和信用信息,以及第二数据集中的当地经济市场数据作为特征,使用还款情况作为目标变量A,计算获得影响特征系数Yxtz;并将影响特征系数Yxtz与第一影响阈值DY进行对比,若低于第一影响阈值DY,则代表当前地区的影响特征系数Yxtz风险较小,并对低于第一影响阈值DY的若干个地区影响特征系数Yxtz进行序列排序;
所述风险预估模块用于将申请波动系数值SQbd、利率波动系数值Lbd和违约波动系数值Wyx进行拟合,计算综合浮动系数Zh,并将综合浮动系数Zh与第二预设阈值DR进行对比,获得第一评估结果,若低于第二预设阈值DR,将综合浮动系数Zh相对应的贷款产品放置在影响特征系数Yxtz低于第一影响阈值DY的地区,减少贷款违约率;若综合浮动系数Zh高于第二预设阈值DR,则表示综合浮动系数Zh风险较高,需要对贷款产品周期、还款金额和利率进行调整,直至综合浮动系数Zh低于第二预设阈值DR为止;
将个人信用系数GRx与第三预设阈值DS进行比较,若高于第三预设阈值DS则生成个人评估结果,并通过个人评估结果对用户进行相对应的预警方案。
本实施例中,强调了金融机构在推出贷款产品时未充分考虑地区因素可能带来的风险,以及仅仅依靠简单的金融风险监测平台进行预警和统计的局限性。这个背景技术提出了一种基于大数据信息处理技术的解决方案,以构建智能的金融风险监测与预警平台。通过多个模块的协作,实现了从贷款数据的采集和清洗、历史贷款数据的建立,到利用大数据信息处理技术采集当地经济市场数据,再结合用户信用数据和行为数据进行分析,进而计算个人信用系数和风险波动系数等。该平台的核心目标是全面考虑不同地区的特征,准确地评估贷款风险,并通过智能预警和定制化的风险管理策略来降低潜在的金融风险。利用大数据和智能分析来完善金融机构的贷款产品策略,使其能够更好地适应不同地区的风险情况和用户行为,从而减少风险和提升业务稳定性。这一技术背景的描述清晰地阐明了金融机构面临的挑战以及如何通过智能化技术来解决这些问题,从而实现更加精准的金融风险管理和预警。
实施例2
本实施例是在实施例1中进行的解释说明,具体的,确定数据来源,数据远包括金融机构内部数据库、金融市场数据提供商和API接口和P2P接口;
设置相对应数据源的采集接口,并通过API调用或数据抓取技术,定期从数据源获取最新的贷款数据,包括贷款产品信息、贷款申请数量、贷款合同信息、贷款利率指数以及贷款违约数据;
在实际采集过程中,进行去重处理,确保数据不会重复获取;
在实际采集过程中,对于缺失数据,进行填充和插值处理;
并对不同类型的贷款数据和单位数据进行数据标准化后,建立NoSQL数据库,存储在NoSQL数据库中。
本实施例中,金融机构从不同渠道获取贷款数据,并确保这些数据经过清洗、处理和标准化后存储在适当的数据库中。这样的数据处理流程有助于平台的数据准确性,从而支持更精确的金融风险分析和预测。这一描述强调了如何有效地管理数据以支持智能金融风险监测与预警平台的正常运行。
实施例3
本实施例是在实施例1中进行的解释说明,具体的,设置每个月的采集数据间隔,选择数据窗口,对于贷款申请数量和贷款违约数据的实时采集,采用一个月的固定时间窗口,在每个月月末,根据设定的时间窗口,计算时间窗口内的贷款申请数量和贷款违约数据;
所述申请波动系数值SQbd、利率波动系数值Lbd和违约波动系数值Wyx通过以下公式进行计算:
式中,DySQ表示为当月贷款用户申请数量总值,PJSQ表示为贷款用户平均申请数量值,采集用户过去6个月的申请数量的平均值;A1表示为第一修正自然数;DyL表示为当月平均利率,SYL表示为上个月平均利率,A2表示为第二修正自然数;DyWy表示为当月内违约数量,违约数量统计为未及时按照还款日进行还款的用户,即逾期用户的数量,SyWy表示为上个月内违约数量,A3表示为第三修正自然数。
本实施例中,定期计算并更新申请波动系数值SQbd、利率波动系数值Lbd和违约波动系数值Wyx,从而获得实时的风险指标。这种方式有助于及时捕捉风险趋势,支持平台的预警和风险管理功能,从而更好地保护金融机构免受潜在的风险影响。这一描述强调了如何在平台中实现实时数据分析和波动系数计算,以支持智能金融风险监测
实施例4
本实施例是在实施例1中进行的解释说明,具体的,建立金融预测模型,从第一数据集和第二数据集中选择与还款情况相关的特征;使用统计方法和特征工程技术进行提取地区特征;所述地区特征包括地区GDP经济特征、就业及失业特征、房产特征、消费者行为特征,金融信息特征和贷款产品市场认可度特征。这些地区特征通过对数据进行计算、聚合和变换等方式获得。
具体的,对所述地区特征进行计算,获得地区GDP经济特征、就业及失业特征、房产特征、消费者行为特征,信用特征和贷款产品市场认可度特征对目标变量的影响程度,对所述地区特征进行标准化处理,确保每个特征的均值为0,标准差为1,通过线性回归计算获得目标变量Y值:
Y=β0+β1*X1+β2*X2+β3*X3+β4*X4+β5*X5+β6*X6+ε
式中,β0是截距,X1表示为地区经济特征对还款情况的影响系数值,X2表示为就业及失业特征对还款情况的影响系数值,X3表示为房产特征对还款情况的影响系数值;X4表示为消费者行为特征对还款情况的影响系数值,X5表示为信用特征对还款情况的影响系数值;X6表示为贷款产品市场认可度特征对还款情况的影响系数值,β1、β2、β3、β4、β5和β6是以上是特征的相对应的系数值,最小化目标变量和模型预测值之间的差异,ε是误差项。
具体的,所述影响特征系数Yxtz通过以下公式进行计算:
Yxtz=βi*Y
式中,其中,βi是第i个特征的系数,目标变量Y是指标准化后的特征值是将特征影响系数值进行标准化处理,以保证各个特征的量级一致。
本实施例中,本实施例中,建立一个能够分析不同地区特征对还款情况影响的金融预测模型。该模型可以帮助金融机构更好地理解各个特征对还款情况的作用,从而指导贷款产品策略的调整,降低潜在的风险。这一描述强调了如何从数据中构建预测模型,以支持智能金融风险监测与预警平台的目标。利用计算出的影响系数和标准化后的特征值,通过公式计算影响特征系数Yxtz。这一步骤将各个特征的影响程度进行标准化处理,以确保对比时的一致性。
实施例5
本实施例是在实施例1中进行的解释说明,具体的,将申请波动系数值SQbd、利率波动系数值Lbd和违约波动系数值Wyx进行拟合,计算综合浮动系数Zh.通过以下计算公式获得:
式中,E1、E2和E3分别为申请波动系数值SQbd、利率波动系数值Lbd和违约波动系数值Wyx的权重值;
对每个地区,计算得到的影响特征系数Yxtz与第一影响阈值DY进行比较;
如果影响特征系数Yxtz<第一影响阈值DY,则表示该地区的影响特征系数风险较小,将其添加到一个列表中;
将低于第一影响阈值DY的地区按照Yxtz的大小进行排序,得到一个序列排序,获得Y1、Y2、Y3、Y4、...、Yn;
将计算得到的综合浮动系数Zh与第二预设阈值DR进行比较;
如果综合浮动系数Zh<第二预设阈值DR,则执行下一步策略;
将综合浮动系数Zh低于第二预设阈值DR的贷款产品,根据序列排序,放置在影响特征系数Yxtz低于第一影响阈值DY的地区,促进帮助减少贷款违约率,因为贷款产品被分配到风险较小的地区。
本实施例中,通过综合浮动系数Zh和第二预设阈值DR比较,将贷款产品合理分配到不同地区,以实现更好的风险管理和业务稳定性。这一描述强调了如何基于影响特征系数Yxtz和第一影响阈值DY进行贷款产品分配,以减少潜在风险。
实施例6
本实施例是在实施例1中进行的解释说明,具体的,实时从大数据信息数据源,包括贷款申请系统、电商消费记录系统、还款记录系统、外卖系统中采集用户的行为数据、收入证明和信用数据,这些数据源提供了用户在不同场景下的行为和交易信息。分析获得个人信用系数GPx,所述个人信用系数GPx通过以下公式计算获得:
式中,hkzs表示为用户过去一年的还款准时率值,xf表示为过去五年用户的信用卡信誉度,Sr表示为过去一年用户电商平台和外卖平台的总消费值,LysL表过去一年末用户的总收入值,R1、R2、R3和R4分别是hkzs、xf、Sr和LysL的权重系数值,且R1+R2+R3+R4=1;A4表示为第四修正自然数。
本实施例中,借助从大数据信息数据源中采集到的信息,计算个人信用系数GPx。这个系数综合考虑了多个因素,包括用户的还款准时率、信用卡信誉度、电商平台和外卖平台的消费值以及总收入值。通过一个公式来计算个人信用系数GPx。这个公式结合了多个因素的权重,如还款准时率hkzs、信用卡信誉度xf、消费值Sr和总收入值LysL。通过计算这些因素的加权和,得到一个综合的个人信用系数GPx,来更全面地评估用户的信用状况。这有助于在金融风险监测与预警平台中更准确地预测潜在的风险事件,并采取相应的预警措施。这一描述强调了如何利用大数据信息来计算个人信用系数GPx,以提升风险评估的准确性。
实施例7
本实施例是在实施例6中进行的解释说明,具体的,将计算得到的个人信用系数GRx与第三预设阈值DS进行比较;如果个人信用系数GRx高于第三预设阈值DS,触发预警条件,执行以下步骤生成预警方案:
S1、包括预警通知的类型,包括短信和邮件方式,在用户列表内进行预警标记。
S2、对于用户进行短信和邮件的预警内容用于警告用户关于他们的信用评级或可能的风险;
S3、对于高风险的情况,对于用户进行电话人工语音播报建议内容,建议用户改善信用行为和还款;
S4、对于网站上用户账户,弹出消息、提示和通知栏提供建议还款信息提醒;
S5、推送相关平台移动应用、社交媒体、电子账单和公告号私信,发送至推送通知,在账单中加入警示信息和建议还款信息。将警示信息和建议还款信息发送给用户,确保用户能够及时收到风险提示。
本实施例中,当个人信用系数GRx高于第三预设阈值DS时,触发预警条件,即信用评级达到高风险水平;制定一系列的预警方案,以不同的方式提醒和引导用户,以应对可能的风险情况。这种多元化的预警方式有助于及时预防和减少金融风险,并保障金融机构和用户的共同利益。这一描述强调了如何通过多种通知和建议行动来生成个人信用预警方案。
实施例8
本实施例是在实施例1中进行的解释说明,具体的,请参阅图1,所述风险预估模块包括预警触发条件设置单元、预警通知生成单元、通知方式选择单元和预警反馈与关闭单元。
所述预警触发条件设置单元,针对不同类型的金融风险,设置第一预设阈值DY、第二预设阈值DR和第三预设阈值DS;根据阈值的变化和预警策略的需求,灵活调整触发条件;
所述预警通知生成单元用于当预警触发条件满足时,生成预警通知,包括预警级别、类型和内容,并整合预警信息,准备发送给相关人员;当预警触发条件满足时,预警通知生成单元根据设置的阈值和风险情况生成预警通知。预警通知包括预警级别、类型和内容等信息,这些信息会被整合起来,准备好发送给相关人员。
通知方式选择单元用于根据用户的偏好和接收渠道,选择适当的通知方式,包括短信、邮件、App通知、电话通知和推送信息;方式选择单元根据用户的偏好和接收渠道来选择适当的通知方式。可能的通知方式包括短信、邮件、移动应用通知、电话通知以及推送信息等。通过考虑用户的喜好和使用习惯,选择最合适的通知方式。
所述预警反馈与关闭单元,用于接收反馈,跟踪预警信息后续的影响反馈结果,包括已还款和提前还款,当风险解除或处理完成时,关闭预警通知,并进行记录。一旦预警触发并通知用户后,预警反馈与关闭单元负责接收用户的反馈。在用户进行还款或采取其他措施解决风险后,反馈会被记录。当风险得到解除或处理完成时,预警通知会被关闭,并进行相应的记录。
本实施例中,通过上述风险预估模块中的各个单元,可以实现从设置预警条件、生成通知、选择通知方式到跟踪反馈的一系列流程。这种模块化的设计能够更好地适应不同类型的金融风险,同时也提供了灵活性,以便根据实际情况进行调整和优化,确保预警系统的有效性和可靠性。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.利用大数据信息处理技术的智能金融风险监测平台与预警平台,其特征在于:包括第一数据采集模块、第二实时数据采集模块,建立金融预测模型分析模块和风险预估模块;
所述第一数据采集模块用于实时采集历史贷款数据,所述历史贷款数据包括不同种类的贷款产品,贷款申请数量,贷款合同信息,贷款利率指数、贷款违约数据和若干个用户行为数据,所述历史贷款数据还包括贷款特征、信用信息、还款情况、申请数量和申请通过率;将历史贷款数据构建第一数据集;
对历史贷款数据进行清洗,去除重复、缺失和标准化转换处理;
利用大数据信息处理技术,采集若干个城市当地经济市场数据,所述当地经济市场数据包括地区GDP增长率、失业率、城市和农村地区的经济收入差距数据,当地房价波动之和房地产利率波动值,构建第二数据集;
利用大数据信息处理技术,对若干个用户采集信用数据,结合相对应用户行为数据进行结合,分析获得个人信用系数GRx;
第二实时数据采集模块用于在1—6个月周期内,在每个月,对相对应的贷款产品的贷款申请数量和贷款违约数据进行实时采集,计算获取申请波动系数值SQbd、利率波动系数值Lbd和违约波动系数值Wyx;
所述建立金融预测模型分析模块用于建立金融预测模型,使用第一数据集中的贷款特征和信用信息,以及第二数据集中的当地经济市场数据作为特征,使用还款情况作为目标变量A,计算获得影响特征系数Yxtz;并将影响特征系数Yxtz与第一影响阈值DY进行对比,若低于第一影响阈值DY,则代表当前地区的影响特征系数Yxtz风险较小,并对低于第一影响阈值DY的若干个地区影响特征系数Yxtz进行序列排序;
所述风险预估模块用于将申请波动系数值SQbd、利率波动系数值Lbd和违约波动系数值Wyx进行拟合,计算综合浮动系数Zh,并将综合浮动系数Zh与第二预设阈值DR进行对比,获得第一评估结果,若低于第二预设阈值DR,将综合浮动系数Zh相对应的贷款产品放置在影响特征系数Yxtz低于第一影响阈值DY的地区,减少贷款违约率;若综合浮动系数Zh高于第二预设阈值DR,则表示综合浮动系数Zh风险较高,需要对贷款产品周期、还款金额和利率进行调整,直至综合浮动系数Zh低于第二预设阈值DR为止;
将个人信用系数GRx与第三预设阈值DS进行比较,若高于第三预设阈值DS则生成个人评估结果,并通过个人评估结果对用户进行相对应的预警方案。
2.根据权利要求1所述的利用大数据信息处理技术的智能金融风险监测平台与预警平台,其特征在于:确定数据来源,数据远包括金融机构内部数据库、金融市场数据提供商和API接口和P2P接口;
设置相对应数据源的采集接口,并通过API调用或数据抓取技术,定期从数据源获取最新的贷款数据,包括贷款产品信息、贷款申请数量、贷款合同信息、贷款利率指数以及贷款违约数据;
在实际采集过程中,进行去重处理,确保数据不会重复获取;
在实际采集过程中,对于缺失数据,进行填充和插值处理;
并对不同类型的贷款数据和单位数据进行数据标准化后,建立NoSQL数据库,存储在NoSQL数据库中。
3.根据权利要求1所述的利用大数据信息处理技术的智能金融风险监测平台与预警平台,其特征在于:设置每个月的采集数据间隔,选择数据窗口,对于贷款申请数量和贷款违约数据的实时采集,采用一个月的固定时间窗口,在每个月月末,根据设定的时间窗口,计算时间窗口内的贷款申请数量和贷款违约数据;
所述申请波动系数值SQbd、利率波动系数值Lbd和违约波动系数值Wyx通过以下公式进行计算:
式中,DySQ表示为当月贷款用户申请数量总值,PJSQ表示为贷款用户平均申请数量值,采集用户过去6个月的申请数量的平均值;A1表示为第一修正自然数;DyL表示为当月平均利率,SYL表示为上个月平均利率,A2表示为第二修正自然数;DyWy表示为当月内违约数量,违约数量统计为未及时按照还款日进行还款的用户,即逾期用户的数量,SyWy表示为上个月内违约数量,A3表示为第三修正自然数。
4.根据权利要求1所述的利用大数据信息处理技术的智能金融风险监测平台与预警平台,其特征在于:建立金融预测模型,从第一数据集和第二数据集中选择与还款情况相关的特征;使用统计方法和特征工程技术进行提取地区特征;所述地区特征包括地区GDP经济特征、就业及失业特征、房产特征、消费者行为特征,金融信息特征和贷款产品市场认可度特征。
5.根据权利要求4所述的利用大数据信息处理技术的智能金融风险监测平台与预警平台,其特征在于:对所述地区特征进行计算,获得地区GDP经济特征、就业及失业特征、房产特征、消费者行为特征,信用特征和贷款产品市场认可度特征对目标变量的影响程度,对所述地区特征进行标准化处理,确保每个特征的均值为0,标准差为1,通过线性回归计算获得目标变量Y值:
Y=β0+β1*X1+β2*X2+β3*X3+β4*X4+β5*X5+β6*X6+ε
式中,β0是截距,X1表示为地区经济特征对还款情况的影响系数值,X2表示为就业及失业特征对还款情况的影响系数值,X3表示为房产特征对还款情况的影响系数值;X4表示为消费者行为特征对还款情况的影响系数值,X5表示为信用特征对还款情况的影响系数值;X6表示为贷款产品市场认可度特征对还款情况的影响系数值,β1、β2、β3、β4、β5和β6是以上是特征的相对应的系数值,最小化目标变量和模型预测值之间的差异,ε是误差项。
6.根据权利要求1所述的利用大数据信息处理技术的智能金融风险监测平台与预警平台,其特征在于:所述影响特征系数Yxtz通过以下公式进行计算:
Yxtz=βi*Y
式中,其中,βi是第i个特征的系数,目标变量Y是指标准化后的特征值是将特征影响系数值进行标准化处理,以保证各个特征的量级一致。
7.根据权利要求1所述的利用大数据信息处理技术的智能金融风险监测平台与预警平台,其特征在于:将申请波动系数值SQbd、利率波动系数值Lbd和违约波动系数值Wyx进行拟合,计算综合浮动系数Zh.通过以下计算公式获得:
式中,E1、E2和E3分别为申请波动系数值SQbd、利率波动系数值Lbd和违约波动系数值Wyx的权重值;
对每个地区,计算得到的影响特征系数Yxtz与第一影响阈值DY进行比较;
如果影响特征系数Yxtz<第一影响阈值DY,则表示该地区的影响特征系数风险较小,将其添加到一个列表中;
将低于第一影响阈值DY的地区按照Yxtz的大小进行排序,得到一个序列排序,获得Y1、Y2、Y3、Y4、...、Yn;
将计算得到的综合浮动系数Zh与第二预设阈值DR进行比较;
如果综合浮动系数Zh<第二预设阈值DR,则执行下一步策略;
将综合浮动系数Zh低于第二预设阈值DR的贷款产品,根据序列排序,放置在影响特征系数Yxtz低于第一影响阈值DY的地区,促进帮助减少贷款违约率,因为贷款产品被分配到风险较小的地区。
8.根据权利要求1所述的利用大数据信息处理技术的智能金融风险监测平台与预警平台,其特征在于:实时从大数据信息数据源,包括贷款申请系统、电商消费记录系统、还款记录系统、外卖系统中采集用户的行为数据、收入证明和信用数据,分析获得个人信用系数GPx,所述个人信用系数GPx通过以下公式计算获得:
式中,hkzs表示为用户过去一年的还款准时率值,xf表示为过去五年用户的信用卡信誉度,Sr表示为过去一年用户电商平台和外卖平台的总消费值,LysL表过去一年末用户的总收入值,R1、R2、R3和R4分别是hkzs、xf、Sr和LysL的权重系数值,且R1+R2+R3+R4=1;A4表示为第四修正自然数。
9.根据权利要求1所述的利用大数据信息处理技术的智能金融风险监测平台与预警平台,其特征在于:将计算得到的个人信用系数GRx与第三预设阈值DS进行比较;如果个人信用系数GRx高于第三预设阈值DS,触发预警条件,执行以下步骤生成预警方案:
S1、包括预警通知的类型,包括短信和邮件方式,在用户列表内进行预警标记。
S2、对于用户进行短信和邮件的预警内容用于警告用户关于他们的信用评级或可能的风险;
S3、对于高风险的情况,对于用户进行电话人工语音播报建议内容,建议用户改善信用行为和还款;
S4、对于网站上用户账户,弹出消息、提示和通知栏提供建议还款信息提醒;
S5、推送相关平台移动应用、社交媒体、电子账单和公告号私信,发送至推送通知,在账单中加入警示信息和建议还款信息。
10.根据权利要求1所述的利用大数据信息处理技术的智能金融风险监测平台与预警平台,其特征在于:所述风险预估模块包括预警触发条件设置单元、预警通知生成单元、通知方式选择单元和预警反馈与关闭单元。
所述预警触发条件设置单元,针对不同类型的金融风险,设置第一预设阈值DY、第二预设阈值DR和第三预设阈值DS;根据阈值的变化和预警策略的需求,灵活调整触发条件;
所述预警通知生成单元用于当预警触发条件满足时,生成预警通知,包括预警级别、类型和内容,并整合预警信息,准备发送给相关人员;
通知方式选择单元用于根据用户的偏好和接收渠道,选择适当的通知方式,包括短信、邮件、App通知、电话通知和推送信息;
所述预警反馈与关闭单元,用于接收反馈,跟踪预警信息后续的影响反馈结果,包括已还款和提前还款,当风险解除或处理完成时,关闭预警通知,并进行记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311048035.8A CN117011031A (zh) | 2023-08-21 | 2023-08-21 | 利用大数据信息处理技术的智能金融风险监测与预警平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311048035.8A CN117011031A (zh) | 2023-08-21 | 2023-08-21 | 利用大数据信息处理技术的智能金融风险监测与预警平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117011031A true CN117011031A (zh) | 2023-11-07 |
Family
ID=88565464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311048035.8A Pending CN117011031A (zh) | 2023-08-21 | 2023-08-21 | 利用大数据信息处理技术的智能金融风险监测与预警平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117011031A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117710081A (zh) * | 2023-11-29 | 2024-03-15 | 浙江孚临科技有限公司 | 一种用于金融风险控制的信息服务处理系统 |
CN118134634A (zh) * | 2024-05-07 | 2024-06-04 | 无锡锡商银行股份有限公司 | 一种互联网信贷综合管理系统 |
-
2023
- 2023-08-21 CN CN202311048035.8A patent/CN117011031A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117710081A (zh) * | 2023-11-29 | 2024-03-15 | 浙江孚临科技有限公司 | 一种用于金融风险控制的信息服务处理系统 |
CN118134634A (zh) * | 2024-05-07 | 2024-06-04 | 无锡锡商银行股份有限公司 | 一种互联网信贷综合管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6098052A (en) | Credit card collection strategy model | |
Bandi et al. | Long memory and the relation between implied and realized volatility | |
Dinh et al. | A credit scoring model for Vietnam's retail banking market | |
CN117011031A (zh) | 利用大数据信息处理技术的智能金融风险监测与预警平台 | |
US8484069B2 (en) | Forecasting discovery costs based on complex and incomplete facts | |
US20140095392A1 (en) | Systems and methods for optimizations involving insufficient funds (nsf) conditions | |
US20210233095A9 (en) | Systems and methods for predicting subscriber churn in renewals of subscription products and for automatically supporting subscriber-subscription provider relationship development to avoid subscriber churn | |
US11823276B2 (en) | Resource allocation | |
CN111324862A (zh) | 贷中行为监控的方法及系统 | |
US10325311B2 (en) | Systems and computer-implemented processes for analyzing and determining the value of switching accounts | |
KR101422562B1 (ko) | 지능형 징수 관리 시스템 | |
CN111062518B (zh) | 基于人工智能的处理催收业务的方法、装置及存储介质 | |
US20110047058A1 (en) | Apparatus and method for modeling loan attributes | |
CN110659787B (zh) | 一种银行数据分析方法和系统 | |
CN109583729B (zh) | 用于平台在线模型的数据处理方法和装置 | |
US10178241B2 (en) | Telecommunication price-based routing apparatus, system and method | |
CN112907356A (zh) | 逾期催收方法、装置、系统及计算机可读存储介质 | |
CN111144627A (zh) | 用户逾期还款预测方法、装置及电子设备 | |
US20130325707A1 (en) | Automated bill payment system | |
Balasubramanian et al. | Inventory management for mobile money agents in the developing world | |
CN111461871A (zh) | 额度控制方法、装置、设备与计算机可读存储介质 | |
CN110659940A (zh) | 一种广告选品的方法、装置、设备及计算机可读存储介质 | |
US20120123807A1 (en) | Systems, methods, and apparatus for enterprise billing and accounts receivable | |
CN112200340A (zh) | 预测逃废债区块链系统 | |
WO2012135159A2 (en) | Systems and methods for client development |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20231107 |