CN117291603B - 一种大数据比对应收账款确权的风险评估系统 - Google Patents
一种大数据比对应收账款确权的风险评估系统 Download PDFInfo
- Publication number
- CN117291603B CN117291603B CN202311157456.4A CN202311157456A CN117291603B CN 117291603 B CN117291603 B CN 117291603B CN 202311157456 A CN202311157456 A CN 202311157456A CN 117291603 B CN117291603 B CN 117291603B
- Authority
- CN
- China
- Prior art keywords
- refund
- sample
- sales
- information
- feature
- 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
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 67
- 238000012360 testing method Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 40
- 239000013598 vector Substances 0.000 claims description 40
- 230000003111 delayed effect Effects 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013016 damping Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000010355 oscillation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 238000012795 verification Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000012790 confirmation Methods 0.000 abstract description 3
- 238000004140 cleaning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241000254032 Acrididae Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009466 transformation 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0609—Buyer or seller confidence or verification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Computer Security & Cryptography (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种大数据比对应收账款确权的风险评估系统，包括：数据获取单元，用于获取待评估企业的目标企业数据(基本信息、订单信息、支付信息、回款信息、行业信息和信用评级)；数据处理单元，用于对目标企业数据进行预处理；特征工程单元，用于基于预处理后的目标企业数据确定出目标输入特征；风险评估单元，用于将目标输入特征输入至预设的风险评估模型中，得到风险评估模型输出的风险评分，其中，风险评分用于揭示待评估企业的应收账款确权风险。本方案充分利用大数据的优势，考虑应收账款确权中的数据特点，建立了一个相对全面而准确的应收账款确权的风险评估系统，实现对应收账款确权的风险评估。
Description
技术领域
本申请涉及应收账款确权风险技术领域，具体而言，涉及一种大数据比对应收账款确权的风险评估系统。
背景技术
当今商业环境中，应收账款作为企业财务管理的重要组成部分，不仅直接影响着企业的经济健康和稳定发展，而且三方机构(例如银行或其他开展放贷业务的金融机构)面临企业贷款时，也会考察企业的应收账款，以便评估企业的还款能力和贷款风险。然而，应收账款确权的风险评估在现实操作中常常面临一系列挑战和风险，特别是在大数据时代，随着交易规模的扩大和复杂性的增加，传统的人工进行应收账款确权的风险评估方法已经难以适应需求。
随着大数据技术的发展，已逐渐扩散到各个领域，但对于应收账款确权的风险评估领域，目前还通常依靠人工审核订单、款项、合同之类的信息，效率低下。目前也有一些依靠对部分数据进行非线性逻辑回归的解决思路，但数据量大，数据维度相对单一，难以取得显著成效。
发明内容
本申请实施例的目的在于提供一种大数据比对应收账款确权的风险评估系统，以充分利用大数据的优势，考虑应收账款确权中的数据特点，建立一个相对全面而准确的应收账款确权的风险评估系统，实现对应收账款确权的风险评估。
为了实现上述目的，本申请的实施例通过如下方式实现：
第一方面，本申请实施例提供一种大数据比对应收账款确权的风险评估系统，包括：数据获取单元，用于获取待评估企业的目标企业数据，其中，目标企业数据包括待评估企业的基本信息、订单信息、支付信息、回款信息、行业信息和信用评级；数据处理单元，用于对目标企业数据进行预处理；特征工程单元，用于基于预处理后的目标企业数据确定出目标输入特征；风险评估单元，用于将目标输入特征输入至预设的风险评估模型中，得到所述风险评估模型输出的风险评分，其中，风险评分用于揭示待评估企业的应收账款确权风险。
结合第一方面，在第一方面的第一种可能的实现方式中，所述风险评估模型的构建过程为：获取数据集，其中，数据集包括N组企业数据，每组企业数据包括企业的基本信息、订单信息、支付信息、回款信息、行业信息、信用评级和标注的风险评分；对数据集中的企业数据进行预处理；基于每条预处理后的企业数据确定出对应的输入特征，共确定出N条输入特征；对N条输入特征进行聚类，确定出M个聚类，并生成包含N个M维列向量的M×N的特征矩阵，其中，每个列向量对应一个企业，每行对应一个聚类后的新特征；将特征矩阵划分训练集和测试集，利用训练集对搭建的模型框架进行训练，利用测试集对训练后的模型进行测试，得到训练好的评分模型，其中，进行特征转换的聚类模型和进行风险评分的评分模型作为风险评估模型。
结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，基于每条预处理后的企业数据确定出对应的输入特征，包括：针对每条预处理后的企业数据：基于订单信息中的采购订单和支付信息，确定出采购特征和付款特征，采购特征包括采购频率、采购金额分布、采购增长率，付款特征包括付款频率、付款延迟时间、付款延迟比例、付款总额；基于基本信息、行业信息和信用评级，确定出行业影响特征和信用评级特征，行业影响特征用于揭示的行业年度增长率，信用评级特征用于揭示企业个体信用评级与行业平均信用评级的高低差异；基于订单信息中的销售订单，确定出关联企业和关联企业的风险评分，并基于销售订单、回款信息、关联企业及其风险评分，确定出销售特征和回款特征，其中，关联企业为销售订单中的采购方，销售特征包括销售频率、销售金额分布、销售增长率，回款特征包括已回款的回款频率、回款延迟时间、回款延迟比例、回款总额和未回款的预估回款延迟比例、预估延迟回款总额；基于采购特征、付款特征、行业影响特征、信用评级特征、销售特征和回款特征，确定出输入特征。
结合第一方面的第一种可能的实现方式，在第一方面的第三种可能的实现方式中，对N条输入特征进行聚类，确定出M个聚类，并生成包含N个M维列向量的M×N的特征矩阵，包括：
对N条输入特征形成的样本集X，采用以下公式计算样本集X内每两个样本xi和样本xj之间的相似度S(i，j)，形成相似度矩阵S：
其中，S(i，j)为样本xi与样本xj之间的相似度，di，j表示样本xi与样本xj之间的距离，dmax和dmin为所有距离中的最大距离和最小距离，pi为样本xi被当作簇中心时的参考度，S为相似度矩阵；而di，j的计算方式为：
其中，z为样本集X内每个样本x的特征属性维度数量，xim为样本xi中第m个维度的特征属性，xjm为样本xj中第m个维度的特征属性，sm为样本集X内所有样本中第m个维度的特征属性的标准差；
构建吸引度矩阵Rt和隶属度矩阵At；
对吸引度矩阵Rt和隶属度矩阵At进行迭代更新，直到满足迭代终止条件，确定出M个簇中心；
基于M个簇中心对每个样本进行特征转换，得到包含N个M维列向量的M×N的特征矩阵F。
结合第一方面的第三种可能的实现方式，在第一方面的第四种可能的实现方式中，吸引度矩阵Rt和隶属度矩阵At的更新公式为：
其中，Rt+1(i，k)为第t+1次迭代的吸引度矩阵Rt中，样本xk作为样本xi的簇中心的适合程度，At+1(i，k)为第t+1次迭代的隶属度矩阵At中，样本xi选择样本xk作为簇中心的适合程度；
为抑制迭代过程中可能出现的数据振荡，进行衰减处理：
其中，λ为阻尼因子；
而第t次迭代得到的簇中心可以由如下公式得到：
其中，为第t次迭代后样本xi的簇中心。
结合第一方面的第三种可能的实现方式，在第一方面的第五种可能的实现方式中，基于M个簇中心对每个样本进行特征转换，得到包含N个M维列向量的M×N的特征矩阵F，包括：
针对每个样本：
基于样本xi与M个簇中心的吸引度，生成M维列向量fi，共计确定出N个M维列向量，形成M×N的特征矩阵F：
其中，对于M维列向量fi中的第k个特征值fki，k＝{1，2，…，M}，i＝{1，2，…，N}，特征矩阵F的每一行对应一个聚类中心，即一个新的特征；特征矩阵F的每一列对应一个样本。
结合第一方面的第五种可能的实现方式，在第一方面的第六种可能的实现方式中，基于样本xi与M个簇中心的吸引度，生成M维列向量fi，包括：将样本xi与M个簇中心的吸引度，作为列向量fi的每个维度的元素；或者，针对M个簇中心的每个簇中心：基于样本xi与当前簇中心的相似度和隶属度，计算特征值，作为列向量fi在与当前簇中心对应维度上的元素。
结合第一方面的第五种可能的实现方式，在第一方面的第七种可能的实现方式中，将特征矩阵划分训练集和测试集，利用训练集对搭建的模型框架进行训练，利用测试集对训练后的模型进行测试，得到训练好的评分模型，包括：将特征矩阵F的每个列向量的转置作为一个特征样本形成N样本的特征集，对特征集按照设定比例划分为训练集和测试集，其中，每个特征样本具有标注的风险评分；利用训练集和测试集对搭建的模型框架进行训练和测试，训练和测试完成后，得到评分模型，其中，模型框架为多层感知机或深度神经网络模型。
结合第一方面，在第一方面的第八种可能的实现方式中，所述特征工程单元，具体用于：基于目标企业数据中的订单信息的采购订单和支付信息，确定出采购特征和付款特征，采购特征包括采购频率、采购金额分布、采购增长率，付款特征包括付款频率、付款延迟时间、付款延迟比例、付款总额；基于目标企业数据中的基本信息、行业信息和信用评级，确定出行业影响特征和信用评级特征，行业影响特征用于揭示的行业年度增长率，信用评级特征用于揭示待评估企业个体信用评级与行业平均信用评级的高低差异；基于目标企业数据中的订单信息的销售订单，确定出关联企业和关联企业的风险评分，并基于销售订单、回款信息、关联企业及其风险评分，确定出销售特征和回款特征，其中，关联企业为销售订单中的采购方，风险评分为标注的风险评分或经所述风险评估模型进行风险评估得到的风险评分，销售特征包括销售频率、销售金额分布、销售增长率，回款特征包括已回款的回款频率、回款延迟时间、回款延迟比例、回款总额和未回款的预估回款延迟比例、预估延迟回款总额；基于采购特征、付款特征、行业影响特征、信用评级特征、销售特征和回款特征，确定出输入特征。
结合第一方面的第八种可能的实现方式，在第一方面的第九种可能的实现方式中，基于销售订单、回款信息、关联企业及其风险评分，确定出销售特征和回款特征，包括：基于销售订单，确定出销售频率、销售金额分布、销售增长率作为销售特征；基于回款信息中的各项已回款项，计算已回款的回款频率、回款延迟时间、回款延迟比例和回款总额；确定出回款信息中每个关联企业的已回款项和延迟回款项，以及，确定出所有未回款项和每个关联企业的未回款项；基于每个关联企业的已回款项、延迟回款项和未回款项，以及所述风险评分，确定出每个关联企业的回款延迟比例，以及，确定出每个关联企业的未回款项中的预估回款延迟比例和预估延迟回款总额；基于每个关联企业的回款延迟时间和回款延迟比例与所有已回款的回款延迟比例和回款总额，计算未回款的预估回款延迟比例和预估延迟回款总额，其中，已回款的回款频率、回款延迟时间、回款延迟比例、回款总额和未回款的预估回款延迟比例、预估延迟回款总额作为回款特征。
有益效果：
1.本方案利用待评估企业的基本信息、订单信息、支付信息、回款信息、行业信息和信用评级，以及关联企业(待评估企业的销售订单中的采购方)的风险评分，收集多维度的企业数据，通过对数据进行清洗、去重和缺失值处理等预处理步骤，确保了数据的质量和可靠性。而通过特征工程，从收集的企业数据中提取出更能反映企业应收账款确权风险的多种维度的特征(例如采购特征、付款特征、行业影响特征、信用评级特征、销售特征和回款特征等，采购特征包括采购频率、采购金额分布、采购增长率，付款特征包括付款频率、付款延迟时间、付款延迟比例、付款总额，销售特征包括销售频率、销售金额分布、销售增长率，回款特征包括已回款的回款频率、回款延迟时间、回款延迟比例、回款总额和未回款的预估回款延迟比例、预估延迟回款总额等)，形成输入特征，输入到预设的风险评估模型中，进行风险评估得到风险评分。从海量的数据中筛选出关键特征，这些特征将充分反映应收账款的风险潜在因素(例如企业付款的稳定性、历史采购行为、历史销售行为、付款特点、收款特点、行业信用评级等)。这样构建的应收账款确权的风险评估系统，能够充分利用大数据的优势，考虑应收账款确权中的数据特点，准确而高效地实现对应收账款确权的风险评估。
2.构建的风险评估模型，通过对N条输入特征进行聚类，确定出M个聚类，生成包含N个M维列向量的M×N的特征矩阵(通过对常用的聚类算法进行改进，使得聚类更适合本领域的数据特征提取，实现特征转换，对输入特征进行有效的信息提取，减少不必要的噪音和冗余信息，确定出合适的特征数量，即聚类数量，能够保留重要信息，有利于解决维度灾难；而通过聚类转换的特征，相较于传统的拟定特征的方式，能够更有效地反映应收账款确权风险的影响因素)；将特征矩阵划分训练集和测试集，利用训练集对搭建的模型框架进行训练，利用测试集对训练后的模型进行测试，得到训练好的评分模型，从而保证整个风险评估模型对应收账款确权风险评估的准确性和可靠性。
3.在进行特征转换时，通过对传统的近邻传播聚类算法进行改进，考虑本领域中各项特征的特点，改进了相似度的衡量方式，便于更好地形成聚类，使得最终形成的聚类(最终形成的每个聚类都视为一个特征)具有更强的应收账款确权风险的反映能力，便于后续作为训练评分模型的训练集和测试集。而通过模型评估得到的风险评分，又可以作为后续其他企业的关联企业的风险评分，在输入特征的形成阶段进行一定程度的甄别，预估出相对更符合实际的预估回款延迟比例、预估延迟回款总额，从而进一步提升风险评估模型对应收账款确权风险评估的准确性和可靠性。
4.为更进一步提高聚类精度(实质上是为了提高进行特征转换后的特征对应收账款确权的风险反映能力)，还可以进一步对改进和的相似度衡量公式进一步改进，引入待定距离dp，反映到相似度计算公式S(i,j)中，通过算法寻优确定更加精细的相似度，从而进一步提高聚类精度，提升转换后的特征对应收账款确权的风险反映能力，进而提高风险评估模型对应收账款确权风险评估的准确性和可靠性。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种大数据比对应收账款确权的风险评估系统的示意图。
图2为构建风险评估模型的流程图。
图标：10-应收账款确权的风险评估系统；11-数据获取单元；12-数据处理单元；13-特征工程单元；14-风险评估单元。
具体实施方式
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描述。
请参阅图1，图1为本申请实施例提供的一种大数据比对应收账款确权的风险评估系统的示意图。应收账款确权的风险评估系统10可以包括数据获取单元11、数据处理单元12、特征工程单元13、风险评估单元14。
应收账款确权的风险评估系统10可以部署在服务器上(例如云服务器、服务器集群等)，而风险评估单元14作为应收账款确权的风险评估系统10的核心技术部分，内置有本方案构建的风险评估模型。为了便于对本方案的理解，此处先对风险评估模型的构建过程进行介绍。
请参阅图2，图2为构建风险评估模型的流程图。在本实施例中，构建风险评估模型的流程包括：
S1：获取数据集，其中，数据集包括N组企业数据，每组企业数据包括企业的基本信息、订单信息、支付信息、回款信息、行业信息、信用评级和标注的风险评分。
S2：对数据集中的企业数据进行预处理。
S3：基于每条预处理后的企业数据确定出对应的输入特征，共确定出N条输入特征。
S4：对N条输入特征进行聚类，确定出M个聚类，并生成包含N个M维列向量的M×N的特征矩阵，其中，每个列向量对应一个企业，每行对应一个聚类后的新特征。
S5：将特征矩阵划分训练集和测试集，利用训练集对搭建的模型框架进行训练，利用测试集对训练后的模型进行测试，得到训练好的评分模型。
在本实施例中，服务器可以先获取数据集，数据集包括N组企业数据，每组企业数据(对应一个企业)包括企业的基本信息(如企业名称、业务范围、所属行业、唯一编号如统一社会信用代码等基本信息)、订单信息(例如一年的销售订单、采购订单等)、支付信息(例如企业账户支出流水、或者梳理出的与订单具有对应关系的支付记录)、回款信息(例如企业账户收入流水、或者梳理出的与订单具有对应关系的收款记录)、行业信息(例如行业年度增长率、市场增长率等)、信用评级(例如企业在行业内的信用评级、在金融机构的信用评级等)和标注的风险评分(通过人工进行应收账款确权风险评估得出的风险评分)。
获取数据集后，服务器可以对数据集中的企业数据进行预处理，例如数据整合(包含去重)、清洗(包含缺失值和异常值的处理)等，确保每组企业数据中的各项信息只出现一次，不会重复出现影响模型精度。
预处理后，服务器可以基于每条预处理后的企业数据确定出对应的输入特征，共确定出N条输入特征。
针对每条预处理后的企业数据：
服务器可以基于订单信息中的采购订单和支付信息，确定出采购特征和付款特征，采购特征包括采购频率、采购金额分布、采购增长率，付款特征包括付款频率、付款延迟时间、付款延迟比例、付款总额。这些数据是一个反映整体的特征，还可以确定更细致的特征，例如月度付款额、月度付款频率、月度采购增长率，这样具有一定的相对独立性且在一定程度上能够反映应企业付款实力的指标，是设计越多越好。
服务器可以基于基本信息、行业信息和信用评级，确定出行业影响特征和信用评级特征，行业影响特征用于揭示的行业年度增长率，信用评级特征用于揭示企业个体信用评级与行业平均信用评级的高低差异。
服务器可以基于订单信息中的销售订单，确定出关联企业和关联企业的风险评分(在训练阶段，风险评分是标注好的风险评分)，并基于销售订单、回款信息、关联企业及其风险评分，确定出销售特征和回款特征，其中，关联企业为销售订单中的采购方，销售特征包括销售频率、销售金额分布、销售增长率，回款特征包括已回款的回款频率、回款延迟时间、回款延迟比例、回款总额和未回款的预估回款延迟比例、预估延迟回款总额。
示例性的，服务器可以基于销售订单，确定出销售频率、销售金额分布、销售增长率(例如还有月度销售额、月度销售频率、月度销售增长率等，具有一定的相对独立性且在一定程度上能够反映应企业销售情况的指标，也是设计越多越好)作为销售特征。以及，可以基于回款信息中的各项已回款项，计算已回款的回款频率、回款延迟时间、回款延迟比例和回款总额(也可以增加月度的这些统计指标)。另外，服务器可以确定出回款信息中每个关联企业的已回款项和延迟回款项，以及，确定出所有未回款项和每个关联企业的未回款项，然后基于每个关联企业的已回款项、延迟回款项和未回款项，以及风险评分，确定出每个关联企业的回款延迟比例，并进一步确定出每个关联企业的未回款项中的预估回款延迟比例和预估延迟回款总额。由此可以基于每个关联企业的回款延迟时间和回款延迟比例与所有已回款的回款延迟比例和回款总额，计算未回款的预估回款延迟比例和预估延迟回款总额。当然，回款特征中还可以包含中间计算过程的一些指标，例如所有未回款项和每个关联企业的未回款项、每个关联企业的已回款项、延迟回款项和未回款项、每个关联企业的回款延迟比例等，以更细致地反映企业的回款能力。
以上相关特征的确定方式，可以按照常规的数据统计方案进行，此处不做赘述。对于有多种统计或计算方式的指标，本方案中可以采用其中的任一种计算方式，但需要统一。例如，某指标有A、B、C三种不同的统计或者计算方式，本方案对该指标可采用A、B、C中任一方式，但确定采用A方式后，所有的企业数据均采用A方式确定，以保持一致性。
确定出采购特征、付款特征、行业影响特征、信用评级特征、销售特征和回款特征后，服务器可以基于这些特征，整合形成输入特征。共计确定出N条输入特征(可以对N条输入特征进行归一化处理，以便后文计算，此处不做赘述)，每条输入特征对应一组企业数据。
确定出N条输入特征后，服务器可以对N条输入特征进行聚类，确定出M个聚类，并生成包含N个M维列向量的M×N的特征矩阵，其中，每个列向量对应一个企业，每行对应一个聚类后的新特征。
示例性的，服务器可以对N条输入特征形成的样本集X，采用以下公式计算样本集X内每两个样本xi和样本xj之间的相似度：
其中，S(i，j)为样本xi与样本xj之间的相似度，di，j表示样本xi与样本xj之间的距离，dmax和dmin为所有距离中的最大距离和最小距离，pi为样本xi被当作簇中心时的参考度，可以是预设的值，也可以是通过以下方式确定的值：
而di，j的计算方式为：
其中，z为样本集X内每个样本x的特征属性维度数量，xim为样本xi中第m个维度的特征属性，xjm为样本xj中第m个维度的特征属性，sm为样本集X内所有样本中第m个维度的特征属性的标准差。
基于计算出的相似度，形成相似度矩阵S：
其中，S为相似度矩阵。
确定出相似度矩阵后，服务器可以构建吸引度矩阵Rt和隶属度矩阵At，可以都被初始化为0。然后对吸引度矩阵Rt和隶属度矩阵At进行迭代更新，直到满足迭代终止条件，确定出M个簇中心。
吸引度矩阵Rt和隶属度矩阵At的更新公式为：
其中，Rt+1(i，k)为第t+1次迭代的吸引度矩阵Rt中，样本xk作为样本xi的簇中心的适合程度，At+1(i，k)为第t+1次迭代的隶属度矩阵At中，样本xi选择样本xk作为簇中心的适合程度。
为抑制迭代过程中可能出现的数据振荡，进行衰减处理：
其中，λ为阻尼因子，一般设计为0.5，也可以根据实际情况调整。
而第t次迭代得到的簇中心可以由如下公式得到：
其中，为第t次迭代后样本xi的簇中心。
迭代的终止条件可以设计为：达到设定的迭代次数或者第t+1次迭代得到的簇中心与第t次迭代得到的簇中心相同。
迭代完成后，服务器可以基于M个簇中心对每个样本进行特征转换，得到包含N个M维列向量的M×N的特征矩阵F。示例性的，针对每个样本：服务器可以基于样本xi与M个簇中心的吸引度，生成M维列向量fi，例如，将样本xi与M个簇中心的吸引度(或者相似度)，作为列向量fi的每个维度的元素。共计确定出N个M维列向量，由此可以形成M×N的特征矩阵F：
其中，对于M维列向量fi中的第k个特征值fki，k＝{1，2，…，M}，i＝{1，2，…，N}，特征矩阵F的每一行对应一个聚类中心，即一个新的特征，特征矩阵F的每一列对应一个样本(即对应一个企业)。
当然，为了更好地体现特征间的关系，以便提高风险评估模型的准确性，在形成M维列向量fi时，可以采用以下方式进行：
针对M个簇中心的每个簇中心：服务器可以基于样本xi与当前簇中心的相似度和隶属度，计算特征值，作为列向量fi在与当前簇中心对应维度上的元素。例如，特征值fki：
其中，fki为样本xi与第k个簇中心的特征值，S(i，k)为样本xi与第k个簇中心的相似度，A(i，k)为样本xi与第k个簇中心的隶属度。
得到M×N的特征矩阵后，服务器可以将特征矩阵划分训练集和测试集，利用训练集对搭建的模型框架进行训练，利用测试集对训练后的模型进行测试，得到训练好的评分模型。
示例性的，服务器可以将特征矩阵F的每个列向量的转置作为一个特征样本形成N样本的特征集，对特征集按照设定比例划分为训练集和测试集，其中，每个特征样本具有标注的风险评分。然后，利用训练集和测试集对搭建的模型框架进行训练和测试，训练和测试完成后，得到评分模型，其中，模型框架为多层感知机或深度神经网络模型。例如，可以在TensorFlow模块中选取多层感知机或深度神经网络模型，通过将训练集、测试集导入TensorFlow模块，实现模型的训练和测试。
需要说明的是，本实施例中提到的评分模型，指基于转换后的M维列向量进行风险评分的这部分模型，而风险评估模型则表示包含进行特征转换的聚类模型和进行风险评分的评分模型这两个部分的整体模型。
构建的风险评估模型，通过对N条输入特征进行聚类，确定出M个聚类，生成包含N个M维列向量的M×N的特征矩阵(通过对常用的聚类算法进行改进，使得聚类更适合本领域的数据特征提取，实现特征转换，对输入特征进行有效的信息提取，减少不必要的噪音和冗余信息，确定出合适的特征数量，即聚类数量，能够保留重要信息，有利于解决维度灾难；而通过聚类转换的特征，相较于传统的拟定特征的方式，能够更有效地反映应收账款确权风险的影响因素)；将特征矩阵划分训练集和测试集，利用训练集对搭建的模型框架进行训练，利用测试集对训练后的模型进行测试，得到训练好的评分模型，从而保证模型对应收账款确权风险评估的准确性和可靠性。
在进行特征转换时，通过对传统的近邻传播聚类算法进行改进，考虑本领域中各项特征的特点，改进了相似度的衡量方式，便于更好地形成聚类，使得最终形成的聚类(最终形成的每个聚类都视为一个特征)具有更强的应收账款确权风险的反映能力，便于后续作为训练模型的训练集和测试集。而通过模型评估得到的风险评分，又可以作为后续其他企业的关联企业的风险评分，在输入特征的形成阶段进行一定程度的甄别，预估出相对更符合实际的预估回款延迟比例、预估延迟回款总额，从而进一步提升风险评估模型对应收账款确权风险评估的准确性和可靠性。
另外，为了进一步提高聚类精度，还可以对改进后的相似度衡量公式进一步改进，引入待定距离dp，反映到相似度计算公式S(i，j)，由此可以将公式(1)修改为：
其中，S(i，j)为样本xi与样本xj之间的相似度，di，j表示样本xi与样本xj之间的距离，dmax和dmin为所有距离中的最大距离和最小距离，pi为样本xi被当作簇中心时的参考度，dp为待定距离。而待定距离dp则可以采用蚁群算法或蚱蜢算法进行迭代寻优，从而确定出最优的待定距离，以提高聚类精度，从而提升转换后的特征对应收账款确权的风险反映能力，进而提高风险评估模型对应收账款确权风险评估的准确性和可靠性。
构建好风险评估模型后，可以将模型部署在服务器内(即大数据比对应收账款确权的风险评估系统10的风险评估单元14中)，基于此，可以实现大数据比对应收账款确权的风险评估系统10的部署。
而应收账款确权的风险评估系统10的数据获取单元11，可以用于获取待评估企业的目标企业数据，其中，目标企业数据包括待评估企业的基本信息、订单信息、支付信息、回款信息、行业信息和信用评级。此处获取的目标企业数据，可以参阅前文中构建风险评估模型获取数据集的内容，但应注意，目标企业数据不包含标注的风险评分(因为要做的就是对此进行风险评分)，而且获取待评估企业的企业数据(即目标企业数据)即可，不需要获取N组企业数据。
数据处理单元12，则用于对目标企业数据进行预处理。预处理的过程则是整合、清洗等，可参阅前文。
而特征工程单元13，则用于基于预处理后的目标企业数据确定出目标输入特征。
示例性的，特征工程单元13可以基于目标企业数据中的订单信息的采购订单和支付信息，确定出采购特征和付款特征，采购特征包括采购频率、采购金额分布、采购增长率，付款特征包括付款频率、付款延迟时间、付款延迟比例、付款总额；基于目标企业数据中的基本信息、行业信息和信用评级，确定出行业影响特征和信用评级特征，行业影响特征用于揭示的行业年度增长率，信用评级特征用于揭示待评估企业个体信用评级与行业平均信用评级的高低差异；基于目标企业数据中的订单信息的销售订单，确定出关联企业和关联企业的风险评分(关联企业的风险评分，可以是标注的风险评分，也可以是经风险评估模型评估得到的风险评分，以该企业最新的风险评分为准)，并基于销售订单、回款信息、关联企业及其风险评分，确定出销售特征和回款特征，其中，关联企业为销售订单中的采购方。销售特征包括销售频率、销售金额分布、销售增长率，回款特征包括已回款的回款频率、回款延迟时间、回款延迟比例、回款总额和未回款的预估回款延迟比例、预估延迟回款总额；基于采购特征、付款特征、行业影响特征、信用评级特征、销售特征和回款特征，确定出输入特征。
具体过程可以参阅前文，但需要注意的是，基于预处理后的目标企业数据确定出目标输入特征，需要与建模时确定的输入特征保持一致的类型、数量、组合形式，最终形成格式一致的目标输入特征。
得到目标输入特征后，风险评估单元14用于将目标输入特征输入至预设的风险评估模型中，得到风险评估模型输出的风险评分，其中，风险评分用于揭示待评估企业的应收账款确权风险。
风险评估模型得到目标输入特征后，可以计算目标输入特征与M个簇中心的相似度、吸引度和隶属度，从而将目标输入特征转换为M维列向量ftarget，作为待评估企业对应的样本特征。而后可以将样本特征ftarget输入至训练好的评分模型中，从而得到输出的风险评分。
综上所述，本申请实施例提供一种大数据比对应收账款确权的风险评估系统，利用待评估企业的基本信息、订单信息、支付信息、回款信息、行业信息和信用评级，以及关联企业(待评估企业的销售订单中的采购方)的风险评分，收集多维度的企业数据，通过对数据进行清洗、去重和缺失值处理等预处理步骤，确保了数据的质量和可靠性。而通过特征工程，从收集的企业数据中提取出更能反映企业应收账款确权风险的多种维度的特征(例如采购特征、付款特征、行业影响特征、信用评级特征、销售特征和回款特征等，采购特征包括采购频率、采购金额分布、采购增长率，付款特征包括付款频率、付款延迟时间、付款延迟比例、付款总额，销售特征包括销售频率、销售金额分布、销售增长率，回款特征包括已回款的回款频率、回款延迟时间、回款延迟比例、回款总额和未回款的预估回款延迟比例、预估延迟回款总额等)，形成输入特征，输入到预设的风险评估模型中，进行风险评估得到风险评分。从海量的数据中筛选出关键特征，这些特征将充分反映应收账款的风险潜在因素(例如企业付款的稳定性、历史采购行为、历史销售行为、付款特点、收款特点、行业信用评级等)。这样构建的应收账款确权的风险评估系统，能够充分利用大数据的优势，考虑应收账款确权中的数据特点，准确而高效地实现对应收账款确权的风险评估。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，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 (6)
1.一种大数据比对应收账款确权的风险评估系统，其特征在于，包括：
数据获取单元，用于获取待评估企业的目标企业数据，其中，目标企业数据包括待评估企业的基本信息、订单信息、支付信息、回款信息、行业信息和信用评级；
数据处理单元，用于对目标企业数据进行预处理；
特征工程单元，用于基于预处理后的目标企业数据确定出目标输入特征；
风险评估单元，用于将目标输入特征输入至预设的风险评估模型中，得到所述风险评估模型输出的风险评分，其中，风险评分用于揭示待评估企业的应收账款确权风险；
所述风险评估模型的构建过程为：获取数据集，其中，数据集包括N组企业数据，每组企业数据包括企业的基本信息、订单信息、支付信息、回款信息、行业信息、信用评级和标注的风险评分；对数据集中的企业数据进行预处理；基于每条预处理后的企业数据确定出对应的输入特征，共确定出N条输入特征；对N条输入特征进行聚类，确定出M个聚类，并生成包含N个M维列向量的M×N的特征矩阵，其中，每个列向量对应一个企业，每行对应一个聚类后的新特征；将特征矩阵划分训练集和测试集，利用训练集对搭建的模型框架进行训练，利用测试集对训练后的模型进行测试，得到训练好的评分模型，其中，进行特征转换的聚类模型和进行风险评分的评分模型作为风险评估模型；
对N条输入特征进行聚类，确定出M个聚类，并生成包含N个M维列向量的M×N的特征矩阵，包括：
对N条输入特征形成的样本集X，采用以下公式计算样本集X内每两个样本xi和样本xj之间的相似度S(i,j)，形成相似度矩阵S：
其中，S(i,j)为样本xi与样本xj之间的相似度,di,j表示样本xi与样本xj之间的距离，dmax和dmin为所有距离中的最大距离和最小距离，pi为样本xi被当作簇中心时的参考度，S为相似度矩阵；而di,j的计算方式为：
其中，z为样本集X内每个样本x的特征属性维度数量，xim为样本xi中第m个维度的特征属性，xjm为样本xj中第m个维度的特征属性，sm为样本集X内所有样本中第m个维度的特征属性的标准差；
构建吸引度矩阵Rt和隶属度矩阵At；对吸引度矩阵Rt和隶属度矩阵At进行迭代更新，直到满足迭代终止条件，确定出M个簇中心；基于M个簇中心对每个样本进行特征转换，得到包含N个M维列向量的M×N的特征矩阵F；
吸引度矩阵Rt和隶属度矩阵At的更新公式为：
其中，Rt+1(i,k)为第t+1次迭代的吸引度矩阵Rt中，样本xk作为样本xi的簇中心的适合程度，At+1(i,k)为第t+1次迭代的隶属度矩阵At中，样本xi选择样本xk作为簇中心的适合程度；
为抑制迭代过程中可能出现的数据振荡，进行衰减处理：
其中，λ为阻尼因子；
而第t次迭代得到的簇中心由如下公式得到：
其中，为第t次迭代后样本xi的簇中心；
基于M个簇中心对每个样本进行特征转换，得到包含N个M维列向量的M×N的特征矩阵F，包括：
针对每个样本：
基于样本xi与M个簇中心的吸引度，生成M维列向量fi，共计确定出N个M维列向量，形成M×N的特征矩阵F：
其中，对于M维列向量fi中的第k个特征值fki,k＝{1,2,…,M},i＝{1,2,…,N}，特征矩阵F的每一行对应一个聚类中心，即一个新的特征；特征矩阵F的每一列对应一个样本。
2.根据权利要求1所述的大数据比对应收账款确权的风险评估系统，其特征在于，基于每条预处理后的企业数据确定出对应的输入特征，包括：
针对每条预处理后的企业数据：
基于订单信息中的采购订单和支付信息，确定出采购特征和付款特征，采购特征包括采购频率、采购金额分布、采购增长率，付款特征包括付款频率、付款延迟时间、付款延迟比例、付款总额；
基于基本信息、行业信息和信用评级，确定出行业影响特征和信用评级特征，行业影响特征用于揭示的行业年度增长率，信用评级特征用于揭示企业个体信用评级与行业平均信用评级的高低差异；
基于订单信息中的销售订单，确定出关联企业和关联企业的风险评分，并基于销售订单、回款信息、关联企业及其风险评分，确定出销售特征和回款特征，其中，关联企业为销售订单中的采购方，销售特征包括销售频率、销售金额分布、销售增长率，回款特征包括已回款的回款频率、回款延迟时间、回款延迟比例、回款总额和未回款的预估回款延迟比例、预估延迟回款总额；
基于采购特征、付款特征、行业影响特征、信用评级特征、销售特征和回款特征，确定出输入特征。
3.根据权利要求1所述的大数据比对应收账款确权的风险评估系统，其特征在于，基于样本xi与M个簇中心的吸引度，生成M维列向量fi，包括：
将样本xi与M个簇中心的吸引度，作为列向量fi的每个维度的元素；
或者，针对M个簇中心的每个簇中心：基于样本xi与当前簇中心的相似度和隶属度，计算特征值，作为列向量fi在与当前簇中心对应维度上的元素。
4.根据权利要求1所述的大数据比对应收账款确权的风险评估系统，其特征在于，将特征矩阵划分训练集和测试集，利用训练集对搭建的模型框架进行训练，利用测试集对训练后的模型进行测试，得到训练好的评分模型，包括：
将特征矩阵F的每个列向量的转置作为一个特征样本形成N样本的特征集，对特征集按照设定比例划分为训练集和测试集，其中，每个特征样本具有标注的风险评分；
利用训练集和测试集对搭建的模型框架进行训练和测试，训练和测试完成后，得到评分模型，其中，模型框架为多层感知机或深度神经网络模型。
5.根据权利要求1所述的大数据比对应收账款确权的风险评估系统，其特征在于，所述特征工程单元，具体用于：
基于目标企业数据中的订单信息的采购订单和支付信息，确定出采购特征和付款特征，采购特征包括采购频率、采购金额分布、采购增长率，付款特征包括付款频率、付款延迟时间、付款延迟比例、付款总额；
基于目标企业数据中的基本信息、行业信息和信用评级，确定出行业影响特征和信用评级特征，行业影响特征用于揭示的行业年度增长率，信用评级特征用于揭示待评估企业个体信用评级与行业平均信用评级的高低差异；
基于目标企业数据中的订单信息的销售订单，确定出关联企业和关联企业的风险评分，并基于销售订单、回款信息、关联企业及其风险评分，确定出销售特征和回款特征，其中，关联企业为销售订单中的采购方，风险评分为标注的风险评分或经所述风险评估模型进行风险评估得到的风险评分，销售特征包括销售频率、销售金额分布、销售增长率，回款特征包括已回款的回款频率、回款延迟时间、回款延迟比例、回款总额和未回款的预估回款延迟比例、预估延迟回款总额；
基于采购特征、付款特征、行业影响特征、信用评级特征、销售特征和回款特征，确定出输入特征。
6.根据权利要求5所述的大数据比对应收账款确权的风险评估系统，其特征在于，基于销售订单、回款信息、关联企业及其风险评分，确定出销售特征和回款特征，包括：
基于销售订单，确定出销售频率、销售金额分布、销售增长率作为销售特征；
基于回款信息中的各项已回款项，计算已回款的回款频率、回款延迟时间、回款延迟比例和回款总额；
确定出回款信息中每个关联企业的已回款项和延迟回款项，以及，确定出所有未回款项和每个关联企业的未回款项；
基于每个关联企业的已回款项、延迟回款项和未回款项，以及所述风险评分，确定出每个关联企业的回款延迟比例，以及，确定出每个关联企业的未回款项中的预估回款延迟比例和预估延迟回款总额；
基于每个关联企业的回款延迟时间和回款延迟比例与所有已回款的回款延迟比例和回款总额，计算未回款的预估回款延迟比例和预估延迟回款总额，其中，已回款的回款频率、回款延迟时间、回款延迟比例、回款总额和未回款的预估回款延迟比例、预估延迟回款总额作为回款特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311157456.4A CN117291603B (zh) | 2023-09-08 | 2023-09-08 | 一种大数据比对应收账款确权的风险评估系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311157456.4A CN117291603B (zh) | 2023-09-08 | 2023-09-08 | 一种大数据比对应收账款确权的风险评估系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117291603A CN117291603A (zh) | 2023-12-26 |
| CN117291603B true CN117291603B (zh) | 2024-04-05 |
Family
ID=89238067
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311157456.4A Active CN117291603B (zh) | 2023-09-08 | 2023-09-08 | 一种大数据比对应收账款确权的风险评估系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117291603B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113177583A (zh) * | 2021-04-16 | 2021-07-27 | 中国人民解放军空军工程大学 | 一种空中目标聚类分群方法 |
| CN114418737A (zh) * | 2021-12-28 | 2022-04-29 | 深圳微众信用科技股份有限公司 | 基于多信源的企业信贷风险评估方法、装置及存储介质 |
| CN116596659A (zh) * | 2023-05-22 | 2023-08-15 | 重庆杏仁派科技有限公司 | 基于大数据风控的企业智能化信贷审批方法、系统及介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8489499B2 (en) * | 2010-01-13 | 2013-07-16 | Corelogic Solutions, Llc | System and method of detecting and assessing multiple types of risks related to mortgage lending |
| US20230206319A1 (en) * | 2021-12-28 | 2023-06-29 | Crepass Solutions Inc. | Method and apparatus for creating alternative data risk assessment using mobile data |
-
2023
- 2023-09-08 CN CN202311157456.4A patent/CN117291603B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113177583A (zh) * | 2021-04-16 | 2021-07-27 | 中国人民解放军空军工程大学 | 一种空中目标聚类分群方法 |
| CN114418737A (zh) * | 2021-12-28 | 2022-04-29 | 深圳微众信用科技股份有限公司 | 基于多信源的企业信贷风险评估方法、装置及存储介质 |
| CN116596659A (zh) * | 2023-05-22 | 2023-08-15 | 重庆杏仁派科技有限公司 | 基于大数据风控的企业智能化信贷审批方法、系统及介质 |
Non-Patent Citations (10)
| Title |
|---|
| 基于AP- BP神经网络的建筑能耗分析与预测;黄晓一;赵田;楚纪正;;北京化工大学学报(自然科学版);20200720(第04期);全文 * |
| 基于SMOTE和XGBoost的贷款风险预测方法;刘斌;陈凯;;计算机与现代化;20200215(第02期);全文 * |
| 基于业绩归因及基金聚类的FOF资产配置策略;吴雨帆;中国优秀硕士学位论文全文数据库;20220915;全文 * |
| 基于二次仿射传播聚类的非线性系统多模型LSSVM建模;张懿;刘国海;魏海峰;赵文祥;;控制与决策;20120715(第07期);全文 * |
| 基于吸引子传播聚类的改进双通道CNN短文本分类算法;王儒;刘培玉;王培培;;小型微型计算机系统;20170815(第08期);全文 * |
| 基于智能优化算法的模糊软子空间聚类方法;张恒巍;何嘉婧;韩继红;王晋东;;计算机科学;20160315(第03期);全文 * |
| 德国公司违约概率预测及其对我国信用风险管理的启示;陈诗一;;金融研究;20080825(第08期);全文 * |
| 我国商业银行信用风险违约评估模型的实证分析;牛学成;;武汉金融;20080710(第07期);全文 * |
| 近邻传播聚类算法的优化;唐丹;张正军;;计算机应用;20170615(第S1期);全文 * |
| 银行系统风险评估方法研究;陈耀辉;科研管理;20030320(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117291603A (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI712981B (zh) | 風險辨識模型訓練方法、裝置及伺服器 | |
| TW530235B (en) | Valuation prediction models in situations with missing inputs | |
| KR100771718B1 (ko) | 신용 점수의 평가를 추론하는 컴퓨터로 구현되는 추론 방법, 포트폴리오 평가 시스템 및 컴퓨터 | |
| KR100766149B1 (ko) | 컴퓨터로 구현되는 자산 샘플링 방법, 시스템 및 컴퓨터 | |
| KR100771710B1 (ko) | 입찰가 판정 방법 및 시스템, 컴퓨터 | |
| US20060100957A1 (en) | Electronic data processing system and method of using an electronic data processing system for automatically determining a risk indicator value | |
| US20150019405A1 (en) | System and method for building and validating a credit scoring function | |
| US20020052815A1 (en) | Methods and apparatus for automated underwriting of segmentable portfolio assets | |
| KR100746107B1 (ko) | 자산 포트폴리오의 기술 속성 상관 방법, 상관 시스템 및 상관 컴퓨터 | |
| CN111861698B (zh) | 一种基于贷款多头数据的贷前审批预警方法及系统 | |
| KR20010102452A (ko) | 가치를 찾고 위험을 줄이기 위한 방법 및 시스템 | |
| CN104321794A (zh) | 一种使用多维评级来确定一实体的未来商业可行性的系统和方法 | |
| Firdaus et al. | development of bank’s customer segmentation model based on rfm+ b approach | |
| CN101341506A (zh) | 技术评估的方法 | |
| Bach et al. | Selection of variables for credit risk data mining models: preliminary research | |
| Gibbs et al. | Consumer credit reporting data | |
| CN117114812A (zh) | 一种针对企业的金融产品推荐方法及装置 | |
| CN117291603B (zh) | 一种大数据比对应收账款确权的风险评估系统 | |
| CN115204457A (zh) | 一种基于图注意力网络贷款违约风险预测方法 | |
| Cerchiello et al. | Big data models of bank risk contagion | |
| CN117291740B (zh) | 一种基于大数据的应收账款资料真实性智能识别审核系统 | |
| Liu et al. | Study on the Evaluation System of Individual Credit Risk in commercial banks based on data mining | |
| CN113240513A (zh) | 一种用户授信额度的确定方法和相关装置 | |
| CN111027845A (zh) | 一种适用于电力市场主体客户画像的标签模型 | |
| Tao et al. | Credit risk assessment of P2P lending borrowers based on SVM |
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 |