CN117333288A - 一种信贷风险评估的方法、装置、电子设备及存储介质 - Google Patents
一种信贷风险评估的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117333288A CN117333288A CN202311560211.6A CN202311560211A CN117333288A CN 117333288 A CN117333288 A CN 117333288A CN 202311560211 A CN202311560211 A CN 202311560211A CN 117333288 A CN117333288 A CN 117333288A
- Authority
- CN
- China
- Prior art keywords
- historical
- time
- overdue rate
- account age
- overdue
- 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 60
- 238000012502 risk assessment Methods 0.000 title claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 11
- 230000035945 sensitivity Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 21
- 101000969581 Homo sapiens MOB kinase activator 1A Proteins 0.000 description 12
- 102100021437 MOB kinase activator 1A Human genes 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 101001115732 Homo sapiens MOB kinase activator 2 Proteins 0.000 description 2
- 102100025000 MOB kinase activator 2 Human genes 0.000 description 2
- 230000001143 conditioned effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001483 mobilizing effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供了一种信贷风险评估的方法、装置、电子设备及存储介质,该方法包括:获取目标信贷产品评估时间节点前的历史逾期率;通过对所述历史逾期率进行分析,确定出历史账龄影响序列和历史时间序列;根据所述历史账龄影响序列和所述历史时间序列,对评估时间节点后的逾期率进行预测,得到未来逾期率;根据所述历史逾期率和所述未来逾期率对所述目标信贷产品进行评估。本申请基于更加全面的历史逾期率和未来逾期率对目标信贷产品进行评估,能够得到更加准确的评估结果。
Description
技术领域
本申请涉及信贷风险评估技术领域,具体而言,涉及一种信贷风险评估的方法、装置、电子设备及存储介质。
背景技术
信贷是指以偿还和付息为条件的价值运动形式。通常包括银行存款、贷款等信用活动,狭义上仅指银行贷款,广义上同“信用”通用。信贷是用有偿方式动员和分配资金的重要形式,是发展经济的有力杠杆。
现有技术中在对信贷风险的评估方法,仅仅考虑的是已经确定的历史还款数据。这种评估方式不能对未来风险进行预测,对于信贷风险的评估都是片面性的,导致银行等金融机构依据该评估结果做出的决策不够准确,导致银行等金融机构需要承担较大的风险。
发明内容
有鉴于此,本申请的目的在于提供一种信贷风险评估的方法、装置、电子设备及存储介质,以克服现有技术中的问题。
第一方面,本申请实施例提供了一种信贷风险评估的方法,所述方法包括:
获取目标信贷产品评估时间节点前的历史逾期率;
通过对所述历史逾期率进行分析,确定出历史账龄影响序列和历史时间序列;其中,所述历史账龄影响序列表征对数逾期率随时间因素波动的灵敏程度,所述历史时间序列表征逾期率随时间的变化趋势;
根据所述历史账龄影响序列和所述历史时间序列,对评估时间节点后的逾期率进行预测,得到未来逾期率;
根据所述历史逾期率和所述未来逾期率对所述目标信贷产品进行评估。
在本申请一些技术方案中,每个所述历史逾期率均与所述目标信贷产品的历史放贷时间和账龄对应;
所述获取目标信贷产品评估时间节点前的历史逾期率之后,所述方法还包括:
以所述历史放贷时间和所述账龄分别为坐标维度,将所述历史逾期率以二维账龄数据方式呈现。
在本申请一些技术方案中,上述方法通过以下方式得到所述历史账龄影响序列和所述历史时间序列:
对所述二维账龄数据中的所述历史逾期率进行数据处理,数据处理范围为最大矩形数据范围,其中所述最大矩形数据范围为每个单元数据均为非空的最大数据范围得到所述历史账龄影响序列和所述历史时间序列。
在本申请一些技术方案中,上述方法通过以下方式得到未来逾期率:
根据所述历史时间序列中的历史时间因子,构建时间序列模型,并预测得到未来放贷时间序列的未来时间因子;
将所述未来时间因子、所述历史时间因子和所述历史账龄影响序列中的历史账龄因子带入到预设的预测模型中,得到所述预测模型输出的未来逾期率。
在本申请一些技术方案中,上述二维账龄数据中包括第一单元数据和第二单元数据;其中,第一单元数据对应有历史逾期率,所述第二单元数据的逾期率为待预测;所述第一单元数据与所述第二单元个为目标账龄下放贷时间相邻的单元数据;
所述方法通过以下方式预测所述第二单元数据的未来逾期率:
将所述第二单元数据的未来时间因子、所述第一单元个的历史时间因子和所述历史账龄影响序列中所述目标账龄对应的历史账龄影响因子带入到预设的预测模型中,得到所述预测模型输出的未来逾期率。
在本申请一些技术方案中,上述方法通过对所述二维账龄数据中的所述历史逾期率进行奇异值分解,得到所述历史账龄影响序列和所述历史时间序列;
所述方法根据所述历史时间序列中的历史时间因子,构建ARIMA模型;
所述方法将所述第二单元数据的未来时间因子、所述第一单元数据的历史时间因子和所述历史账龄影响序列中所述目标账龄对应的历史账龄影响因子带入到Lee-Carter模型得到所述未来逾期率。
在本申请一些技术方案中,上述方法通过以下方式得到所述历史逾期率:
根据所述目标信贷产品的还贷数据,确定出逾期时间和逾期率口径;
根据所述逾期时间和逾期率口径,计算得到所述历史逾期率。
第二方面,本申请实施例提供了一种信贷风险评估的装置,所述装置包括:
获取模块,用于获取目标信贷产品评估时间节点前的历史逾期率;
确定模块,用于通过对所述历史逾期率进行分析,确定出历史账龄影响序列和历史时间序列;其中,所述历史账龄影响序列表征对数逾期率随时间因素波动的灵敏程度,所述历史时间序列表征逾期率随时间的变化趋势;
预测模块,用于根据所述历史账龄影响序列和所述历史时间序列,对评估时间节点后的逾期率进行预测,得到未来逾期率;
评估模块,用于根据所述历史逾期率和所述未来逾期率对所述目标信贷产品进行评估。
第三方面,本申请实施例提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的信贷风险评估的方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述的信贷风险评估的方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果:
本申请方法包括获取目标信贷产品评估时间节点前的历史逾期率;通过对所述历史逾期率进行分析,确定出历史账龄影响序列和历史时间序列;其中,所述历史账龄影响序列表征对数逾期率随时间因素波动的灵敏程度,所述历史时间序列表征逾期率随时间的变化趋势;根据所述历史账龄影响序列和所述历史时间序列,对评估时间节点后的逾期率进行预测,得到未来逾期率;根据所述历史逾期率和所述未来逾期率对所述目标信贷产品进行评估。本申请通过对历史逾期率进行分析,确定出历史账龄影响序列和历史时间序列,然后基于历史账龄影响序列和历史时间序列,使用Lee-Carter模型进行预测得到未来逾期率,进而通过该更加全面的历史逾期率和未来逾期率对目标信贷产品进行评估,能够得到更加准确的评估结果。
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示出了本申请实施例所提供的一种信贷风险评估的方法的流程示意图;
图2示出了本申请实施例所提供的一种二维账龄数据的示意图;
图3示出了本申请实施例所提供的一种预测的二维账龄数据的示意图;
图4示出了本申请实施例所提供的一种具体实施方式的示意图;
图5本申请实施例所提供的一种信贷风险评估的装置的流程示意图;
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其他的特征。
信贷是指以偿还和付息为条件的价值运动形式。通常包括银行存款、贷款等信用活动,狭义上仅指银行贷款,广义上同“信用”通用。信贷是用有偿方式动员和分配资金的重要形式,是发展经济的有力杠杆。
现有技术中在对信贷风险的评估方法,仅仅考虑的是已经确定的历史还款数据。这种评估方式不能对未来风险进行预测,对于信贷风险的评估都是片面性的,导致银行等金融机构依据该评估结果做出的决策不够准确,导致银行等金融机构需要承担较大的风险。
基于此,本申请实施例提供了一种信贷风险评估的方法、装置、电子设备及存储介质,下面通过实施例进行描述。
图1示出了本申请实施例所提供的一种信贷风险评估的方法的流程示意图,其中,该方法包括步骤S101-S104;具体的:
S101、获取目标信贷产品评估时间节点前的历史逾期率;
S102、通过对所述历史逾期率进行分析,确定出历史账龄影响序列和历史时间序列;其中,所述历史账龄影响序列表征对数逾期率随时间因素波动的灵敏程度,所述历史时间序列表征逾期率随时间的变化趋势;
S103、根据所述历史账龄影响序列和所述历史时间序列,对评估时间节点后的逾期率进行预测,得到未来逾期率;
S104、根据所述历史逾期率和所述未来逾期率对所述目标信贷产品进行评估。
本申请通过对目标信贷产品的历史逾期率进行分析,得到历史账龄影响序列和历史时间序列,并对评估时间节点后的逾期率进行了预测,得到了未来逾期率,基于更加全面的历史逾期率和未来逾期率对目标信贷产品进行评估,能够得到更加准确的评估结果。
为了对评估节点后的未来逾期率进行预测,本申请实施例先获取了目标信贷产品评估时间节点前的历史逾期率,通过对历史逾期率进行分析,进而基于历史逾期率预测得到了未来逾期率。这里的目标信贷产品可以为银行等金融机构的任一信贷产品。例如,目标信贷产品为贷款,银行在给用户发放贷款之后,用户需要按照约定的期限,向银行按期还款。如果用户没有按照约定期限还款的话,就是出现了逾期行为。在出现逾期时,用户的实际还款日减去计划还款日,为该用户的逾期天数。在实际的信贷产品中,逾期天数一般的口径为30+,60+,90+,120+。这里的逾期率是由口径来决定的,口径包括了订单口径、金额口径等。若选择订单口径时,逾期率=逾期订单数/总放款订单数;若选择金额口径时,逾期率=逾期剩余本金/总放贷本金。
也就是说,本申请实施例中的历史逾期了能够通过如图2所示的方式得到,包括步骤S201-S202:
S201、根据所述目标信贷产品的还贷数据,确定出逾期时间和逾期率口径;
S202、根据所述逾期时间和逾期率口径,计算得到所述历史逾期率。
在具体实施时,口径的选择是由目标信贷产品的还贷数据确定的。这里的还贷数据为用户具体的还贷金额、时间、订单数等。如果用户在还目标信贷产品的时候,是按照金额还的话,那么口径就为还贷金额,如果用户在还目标信贷产品的时候,是按照订单数还的话,那么口径就为还贷订单数等。在结合用户的实际还贷时间和计划还贷时间确定出逾期时间,进而计算出历史逾期率。
本申请实施例中目标信贷产品均具有历史放贷时间,即银行向用户发放贷款的时间。这里的历史放贷时间为各个历史逾期率对应的历史放贷时间,本申请实施例中的历史逾期率对应有目标信贷产品的历史放贷时间和账龄。账龄表示的是尚未收回的应收账款的时间长度,在实际的信贷产品中一般为按照月份计算,即这里的账龄(month of book,MOB)为从历史放贷时间起算到评估时间节点的月份数。例如,MOB0:放款日至当月月底;MOB1:放款后的第二个完整月份;MOB2:放款后的第三个完整月份等,比如2023年3月放款,至2023年5月底的账龄记为MOB2。
在得到历史逾期率之后,本申请实施例需要对历史逾期率进行分析,进而预测得到未来逾期率。在对历史逾期率进行分析的时候,为了提高分析效率,本申请实施例以二维账龄数据(vintage)的形式展示历史逾期率。二维账龄数据分别以历史放贷时间和账龄为坐标维度,包括了多个单元数据。具体的,这里的二维账龄数据可以为账龄分析表的形式,如表1所示:
表1账龄分析表
在表1中,目标信贷产品为12期,规定90天以上为逾期。在表1中,放贷月份作为纵向表头,账龄作为横向表头。这里的评估时间节点为2003年的5月的月底(5月的还款期限已截止)或者2003年的6月的月初(6月的还款还未开始)。此时,表格中的空白部分表示还未达到统计标准的数据。通过对放贷月份(包括了2022年的十二个月从1月份到12月份,其中202201表示2022年1月份)的历史逾期率进行统计,得到了2022年01月MOB1~MOB12的历史逾期率、2022年02月MOB1~MOB12的历史逾期率、2022年03月MOB1~MOB12的历史逾期率、2022年04月MOB1~MOB12的历史逾期率、2022年05月MOB1~MOB12的历史逾期率、2022年06月MOB1~MOB11的历史逾期率、2022年07月MOB1~MOB10的历史逾期率、2022年08月MOB1~MOB9的历史逾期率、2022年09月MOB1~MOB8的历史逾期率、2022年10月MOB1~MOB7的历史逾期率、2022年11月MOB1~MOB6的历史逾期率、2022年12月MOB1~MOB5的历史逾期率。将历史逾期率作为单元数据设置在对应的该放贷月份和账龄下。例如,2022年11月份MOB6的逾期率为0.812%。
本申请实施例在得到了二维账龄数据之后,通过对二维账龄数据进行分析,得到了历史账龄影响序列和历史时间序列。基于历史账龄影响序列和历史时间序列预测得到未来逾期率。这里对于二维账龄数据的分析为对二维账龄数据的横向和纵向的拆解,在具体实施时,可以采用奇异值分解的方式。这里对二维账龄数据的分解包括:计算各个二维账龄数据中各列历史逾期率的平均逾期率,基于每个单元数据的历史逾期率和平均逾期率构建一逾期率矩阵,对该逾期率矩阵进行奇异值分解,得到历史账龄影响序列和历史时间序列。其中,所述历史账龄影响序列表征对数逾期率随时间因素波动的灵敏程度,所述历史时间序列表征逾期率随时间的变化趋势;历史账龄影响序列中包括有多个历史账龄影响因子,历史时间序列中包括多个历史时间因子。这里的历史时间因子为历史放贷时间,这里的历史账龄影响因子表征的是逾期率随历史事件因子波动的灵敏程度。
具体的,对m×n的逾期率矩阵A的奇异值分解是指将逾期率矩阵A,A∈Rm×n,表示为以下三个实矩阵乘积形式的运算,即进行矩阵的因子分解:
A=UΣVT;
UΣVT称为矩阵A的奇异值分解。其中,U是m阶正交矩阵,V是n阶正交矩阵,Σ是由降序排列的非负的对角线元素组成的m×n矩形对角矩阵,且满足:
UTU=I,VTV=I。
矩阵A的奇异值分解可以通过求对称矩阵ATA的特征值和特征向量得到。ATA的特征向量构成正交矩阵V的列,ATA的特征值的平方根为奇异值σi。对其由大到小排列作为对角线元素,构成对角矩阵Σ,,求正奇异值对应的左奇异向量,再求扩充的AT的标准正交基,构成正交矩阵U的列。从而得到A的奇异值分解A=A=UΣVT。对矩阵A进行奇异值分解,得到两个矩阵:历史账龄影响序列和历史时间序列。其中,历史账龄影响序列为{β1,β2,…,β12},历史时间序列为{k202201,k202202,…,k202205}。在历史账龄影响序列中的βx为历史账龄影响因子和历史时间序列中的kx为历史时间因子。
在得到了所述历史账龄影响序列和所述历史时间序列之后,根据历史账龄影响序列的历史账龄影响因子和历史时间序列中的历史时间因子,对评估时间节点后的逾期率进行预测。
在具体预测的时候,包括了如图3所示的流程示意图,包括步骤S301-S302:
S301、根据历史时间因子构建了时间序列模型,并预测得到了未来放贷时间序列的未来时间因子;
S302、将所述未来时间因子、所述历史时间因子和所述历史账龄影响序列中的历史账龄因子带入到预设的预测模型中,得到所述预测模型输出的未来逾期率。
在具体实施的时候,这里的预测模型可以采用ARIMA模型。
需要注意的是,在预测模型进行预测的时候,不能使用二维账龄数据中任一的历史逾期率,即本申请实施例对于输入的单元数据具有一定的限制。具体的限制为,仅能使用相同账龄下相邻的单元数据,且为使用上一行的单元数据预测下一行的单元数据。这里的上一行的单元数据内已填写有历史逾期率。具体为二维账龄数据中包括第一单元数据和第二单元数据;其中,第一单元数据对应有历史逾期率,所述第二单元数据的逾期率为待预测;所述第一单元数据与所述第二单元个为目标账龄下放贷时间相邻的单元数据。例如,将表1中与202205和MOB12对应的单元数据作为第一单元数据,将表1中与202206和MOB12对应的单元数据作为第二单元数据,使用第一单元数据(202205-MOB12)去预测第二单元数据(202206-MOB12)。通过重复设置第一单元数据,将表1中的空白区域全部预测出来。
具体的,在预测所述第二单元数据的未来逾期率时包括:将所述第二单元数据的未来时间因子、所述第一单元数据的历史时间因子和所述历史账龄影响序列中所述目标账龄对应的历史账龄影响因子带入到预设的预测模型中,得到所述预测模型输出的未来逾期率。
例如,表1中的二维账龄数据,具体的预测过程为:获取目标信贷产品评估节点前的历史逾期率包括了2022年01月MOB1~MOB12的历史逾期率、2022年02月MOB1~MOB12的历史逾期率、2022年03月MOB1~MOB12的历史逾期率、2022年04月MOB1~MOB12的历史逾期率、2022年05月MOB1~MOB12的历史逾期率、2022年06月MOB1~MOB11的历史逾期率、2022年07月MOB1~MOB10的历史逾期率、2022年08月MOB1~MOB9的历史逾期率、2022年09月MOB1~MOB8的历史逾期率、2022年10月MOB1~MOB7的历史逾期率、2022年11月MOB1~MOB6的历史逾期率、2022年12月MOB1~MOB5的历史逾期率。
之后计算202201-202205这五行对应的每列逾期率的平均值,得到[α1,α2,…,α12],例如α12=(3.812%+3.703%+3.554%+3.346+2.871%)/5=3.4572%。进而计算矩阵为12×5的逾期率矩阵,其中,mx,t表示第t批放款月份客户的第x个MOB的逾期率;/>表示与逾期率相关的系数,是逾期率取自然对数后再取平均值。对逾期率矩阵进行奇异值分解,得到历史账龄影响序列:{β1,β2,…,β12}和历史时间序列:{k202201,k202202,…,k202205}两个序列。利用{k202201,k202202,,…,k202205}的历史时间因子,进行建立ARIMA模型,预测未来时间因子{k202206,k202207,…,k202212}的值。根据/>预测mx,t+n的值,如计算第202206放款月份的M0B12逾期率,根据得到。最后得到如表2所示的预测二维账龄数据(图中的阴影部分为预测得到)。
表2
在一可选的实施方式中,在进行预测的时候,本申请实施例将所述第二单元数据的未来时间因子、所述第一单元数据的历史时间因子和所述历史账龄影响序列中所述目标账龄对应的历史账龄影响因子带入到Lee-Carter模型得到所述未来逾期率。
Lee-Carter模型:
lnmx,t=αx+βxkt+εx,t;
其中:mx,t表示第t批放款月份客户的第x个MOB的逾期率;
αx表示与逾期率相关的系数,是逾期率取自然对数后再取平均值;
βx表明对数逾期率随时间因素kt波动的灵敏程度;
kt描述的是逾期率随时间t的变化趋势,当kt与时间t呈线性关系时,各个MOB的逾期率分别以各自常数指数的比值发生变化。一般使用时间序列模型对kt进行拟合,并外推得到{kt+n};
εx,t是残差项,且假设服从N(0,1)的正态分布。
在具体实施的时候,可以采用如图4所示的步骤,一种基于Lee-Carter模型的PD逾期率预测技术包括下列步骤:
步骤A:通过贷后客户的还款数据,确定逾期天数与逾期率口径,计算每个放款月份的对应的账龄逾期率计算,得到二维账龄数据(如表1)。
步骤B:计算Lee-Carter模型中的参数:由于模型两边没用可观察的变量,不能按常规的回归方案对参数进行估计,故采用了奇异值分解(SVD)的方法进行参数估计:
1)αx的估计值:其中t表示第t批放款月份,具体的t为表1中的202201~202212中的任一值;x为MOB1~MOB12;
2)βx与kt的估计值:对逾期率矩阵进行奇异值分解,/>为左奇异矩阵的第一列,/>是右奇异矩阵的第一行;
步骤C:建立ARIMA模型,预测时间变量。
对时间因子使用时间序列中的ARIMA模型来进行拟合,然后模型预测来进行外推,得到第t+n批的放款月份对应的/>的值:
步骤D:预测每个月放款的每个账龄的逾期率,即预测二维账龄数据中的下三角的数据。
预测第t+n批的放款月份的第x个MOB对应的逾期率为:
步骤E:在预测得到了二维账龄数据中下三角的数据之后,将二维账龄数据作为一整体进行考虑,对目标信贷产品进行评估,得到评估结果。这里的评估结果包括风险系数等。银行等金融机构基于该评估结果对目标信贷产品进行管理策略调整等风控措施。
图5示出了本申请实施例所提供的一种信贷风险评估的装置的结构示意图,所述装置包括:
获取模块,用于获取目标信贷产品评估时间节点前的历史逾期率;
确定模块,用于通过对所述历史逾期率进行分析,确定出历史账龄影响序列和历史时间序列;其中,所述历史账龄影响序列表征对数逾期率随时间因素波动的灵敏程度,所述历史时间序列表征逾期率随时间的变化趋势;
预测模块,用于根据所述历史账龄影响序列和所述历史时间序列,对评估时间节点后的逾期率进行预测,得到未来逾期率;
评估模块,用于根据所述历史逾期率和所述未来逾期率对所述目标信贷产品进行评估,以提高目标信贷产品的管理效率。
每个所述历史逾期率均与所述目标信贷产品的历史放贷时间和账龄对应;
所述获取目标信贷产品评估时间节点前的历史逾期率之后,还包括:
以所述历史放贷时间和所述账龄分别为坐标维度,将所述历史逾期率以二维账龄数据方式呈现。
通过以下方式得到所述历史账龄影响序列和所述历史时间序列:
对所述二维账龄数据中的所述历史逾期率进行数据处理,数据处理范围为最大矩形数据范围,其中所述最大矩形数据范围为每个单元数据均为非空的最大数据范围得到所述历史账龄影响序列和所述历史时间序列。
通过以下方式得到未来逾期率:
根据所述历史时间序列中的历史时间因子,构建时间序列模型,并预测得到未来放贷时间序列的未来时间因子;
将所述未来时间因子、所述历史时间因子和所述历史账龄影响序列中的历史账龄因子带入到预设的预测模型中,得到所述预测模型输出的未来逾期率。
所述二维账龄数据中包括第一单元数据和第二单元数据;其中,第一单元数据对应有历史逾期率,所述第二单元数据的逾期率为待预测;所述第一单元数据与所述第二单元个为目标账龄下放贷时间相邻的单元数据;
通过以下方式预测所述第二单元数据的未来逾期率:
将所述第二单元数据的未来时间因子、所述第一单元个的历史时间因子和所述历史账龄影响序列中所述目标账龄对应的历史账龄影响因子带入到预设的预测模型中,得到所述预测模型输出的未来逾期率。
所述方法通过对所述二维账龄数据中的所述历史逾期率进行奇异值分解,得到所述历史账龄影响序列和所述历史时间序列;
所述方法根据所述历史时间序列中的历史时间因子,构建ARIMA模型;
所述方法将所述第二单元数据的未来时间因子、所述第一单元数据的历史时间因子和所述历史账龄影响序列中所述目标账龄对应的历史账龄影响因子带入到Lee-Carter模型得到所述未来逾期率。
通过以下方式得到所述历史逾期率:
根据所述目标信贷产品的还贷数据,确定出逾期时间和逾期率口径;
根据所述逾期时间和逾期率口径,计算得到所述历史逾期率。
如图6所示,本申请实施例提供了一种电子设备,用于执行本申请中的信贷风险评估的方法,该设备包括存储器、处理器、总线及存储在该存储器上并可在该处理器上运行的计算机程序,其中,上述处理器执行上述计算机程序时实现上述的信贷风险评估的方法的步骤。
具体地,上述存储器和处理器可以为通用的存储器和处理器,这里不做具体限定,当处理器运行存储器存储的计算机程序时,能够执行上述的信贷风险评估的方法。
对应于本申请中的信贷风险评估的方法,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述的信贷风险评估的方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述的信贷风险评估的方法。
在本申请所提供的实施例中,应该理解到,所揭露系统和方法,可以通过其他的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,系统或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种信贷风险评估的方法,其特征在于,所述方法包括:
获取目标信贷产品评估时间节点前的历史逾期率;
通过对所述历史逾期率进行分析,确定出历史账龄影响序列和历史时间序列;其中,所述历史账龄影响序列表征对数逾期率随时间因素波动的灵敏程度,所述历史时间序列表征逾期率随时间的变化趋势;
根据所述历史账龄影响序列和所述历史时间序列,对评估时间节点后的逾期率进行预测,得到未来逾期率;
根据所述历史逾期率和所述未来逾期率对所述目标信贷产品进行评估。
2.根据权利要求1所述的信贷风险评估的方法,其特征在于,每个所述历史逾期率均与所述目标信贷产品的历史放贷时间和账龄对应;
所述获取目标信贷产品评估时间节点前的历史逾期率之后,所述方法还包括:
以所述历史放贷时间和所述账龄为坐标维度,将所述历史逾期率以二维账龄数据方式呈现。
3.根据权利要求2所述的信贷风险评估的方法,其特征在于,所述方法通过以下方式得到所述历史账龄影响序列和所述历史时间序列:
对所述账龄二维账龄数据中的所述历史逾期率进行数据处理,数据处理范围为最大矩形数据范围,其中所述最大矩形数据范围为每个单元数据均为非空的最大数据范围得到所述历史账龄影响序列和所述历史时间序列。
4.根据权利要求3所述的信贷风险评估的方法,其特征在于,所述方法通过以下方式得到未来逾期率:
根据所述历史时间序列中的历史时间因子,构建时间序列模型,并预测得到未来放贷时间序列的未来时间因子;
将所述未来时间因子、所述历史时间因子和所述历史账龄影响序列中的历史账龄因子带入到预设的预测模型中,得到所述预测模型输出的未来逾期率。
5.根据权利要求4所述的信贷风险评估的方法,其特征在于,所述二维账龄数据中包括第一单元数据和第二单元数据;其中,第一单元数据对应有历史逾期率,所述第二单元数据的逾期率为待预测;所述第一单元数据与所述第二单元数据为目标账龄下放贷时间相邻的单元数据;
所述方法通过以下方式预测所述第二单元数据的未来逾期率:
将所述第二单元数据的未来时间因子、所述第一单元数据的历史时间因子和所述历史账龄影响序列中所述目标账龄对应的历史账龄影响因子带入到预设的预测模型中,得到所述预测模型输出的未来逾期率。
6.根据权利要求5所述的信贷风险评估的方法,其特征在于,
所述方法通过对所述二维账龄数据中的所述历史逾期率进行奇异值分解,得到所述历史账龄影响序列和所述历史时间序列;
所述方法根据所述历史时间序列中的历史时间因子,构建ARIMA模型;
所述方法将所述第二单元数据的未来时间因子、所述第一单元数据的历史时间因子和所述历史账龄影响序列中所述目标账龄对应的历史账龄影响因子带入到Lee-Carter模型得到所述未来逾期率。
7.根据权利要求1所述的信贷风险评估方法,其特征在于,所述方法通过以下方式得到所述历史逾期率:
根据所述目标信贷产品的还贷数据,确定出逾期时间和逾期率口径;
根据所述逾期时间和逾期率口径,计算得到所述历史逾期率。
8.一种信贷风险评估的装置,其特征在于,所述装置包括:
获取模块,用于获取目标信贷产品评估时间节点前的历史逾期率;
确定模块,用于通过对所述历史逾期率进行分析,确定出历史账龄影响序列和历史时间序列;其中,所述历史账龄影响序列表征对数逾期率随时间因素波动的灵敏程度,所述历史时间序列表征逾期率随时间的变化趋势;
预测模块,用于根据所述历史账龄影响序列和所述历史时间序列,对评估时间节点后的逾期率进行预测,得到未来逾期率;
评估模块,用于根据所述历史逾期率和所述未来逾期率对所述目标信贷产品进行评估。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的信贷风险评估的方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至7任一所述的信贷风险评估的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311560211.6A CN117333288A (zh) | 2023-11-21 | 2023-11-21 | 一种信贷风险评估的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311560211.6A CN117333288A (zh) | 2023-11-21 | 2023-11-21 | 一种信贷风险评估的方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117333288A true CN117333288A (zh) | 2024-01-02 |
Family
ID=89293678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311560211.6A Pending CN117333288A (zh) | 2023-11-21 | 2023-11-21 | 一种信贷风险评估的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117333288A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118071490A (zh) * | 2024-03-28 | 2024-05-24 | 环球数科集团有限公司 | 一种基于移动平均模型的信贷风险趋势预测系统 |
-
2023
- 2023-11-21 CN CN202311560211.6A patent/CN117333288A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118071490A (zh) * | 2024-03-28 | 2024-05-24 | 环球数科集团有限公司 | 一种基于移动平均模型的信贷风险趋势预测系统 |
CN118071490B (zh) * | 2024-03-28 | 2024-07-05 | 环球数科集团有限公司 | 一种基于移动平均模型的信贷风险趋势预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Daniels et al. | Quantitative Model of Price Diffusion and Market Friction Based on Trading<? format?> as a Mechanistic Random Process | |
Bauwens et al. | Marginal likelihood for Markov-switching and change-point GARCH models | |
Şener et al. | Ranking the predictive performances of value-at-risk estimation methods | |
US6725210B1 (en) | Process database entries to provide predictions of future data values | |
Selmi et al. | Efficiency or speculation? A dynamic analysis of the Bitcoin market | |
US20190026660A1 (en) | Optimization system, optimization method, and recording medium | |
CN117333288A (zh) | 一种信贷风险评估的方法、装置、电子设备及存储介质 | |
CN109800928A (zh) | 一种基于会计信息相关性的投资组合预测方法及系统 | |
US8924275B2 (en) | Hybrid multi-thread and multi-process computer simulation system and method | |
Pan et al. | Macroeconomic fundamentals, jump dynamics and expected volatility | |
US20080133320A1 (en) | Modeling customer behavior in a multi-choice service environment | |
Joubert et al. | Making use of survival analysis to indirectly model loss given default | |
JP5084968B1 (ja) | 市場リスク予測装置、市場リスク予測方法及び市場リスク予測プログラム | |
Polbin et al. | A simple macro-econometric simultaneous equation model for the Russian economy | |
Clift et al. | Empirical performance of backtesting methods for expected shortfall | |
US20110119168A1 (en) | Construction of Currency Strength Indices | |
US7752109B2 (en) | Method of determining parameters of a long-term lease | |
Abbate et al. | Modelling and forecasting exchange rates with time-varying parameter models | |
CN110472863B (zh) | 一种预警指数评价方法、装置及存储介质 | |
CN111611542A (zh) | 一种金融体系的系统性风险的度量方法和装置 | |
Cartea et al. | Market making with minimum resting times | |
JP5105653B1 (ja) | 市場リスク予測装置、ヘッジ数量算出方法及びヘッジ数量算出プログラム | |
CN112116169B (zh) | 一种用户行为的确定方法、装置及电子设备 | |
Henningsson et al. | A framework for modeling the liquidity and interest rate risk of demand deposits | |
Breckling et al. | A tailored suit for risk management: Hyperbolic 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 |