CN117391838A - 一种预期信用损失计量方法、设备及介质 - Google Patents
一种预期信用损失计量方法、设备及介质 Download PDFInfo
- Publication number
- CN117391838A CN117391838A CN202311235491.3A CN202311235491A CN117391838A CN 117391838 A CN117391838 A CN 117391838A CN 202311235491 A CN202311235491 A CN 202311235491A CN 117391838 A CN117391838 A CN 117391838A
- Authority
- CN
- China
- Prior art keywords
- default
- probability
- data
- data set
- loss
- 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 33
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000007477 logistic regression Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 230000008520 organization Effects 0.000 claims 1
- 238000011084 recovery Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000011176 pooling Methods 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000009795 derivation Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000692 Student's t-test Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000007473 univariate analysis Methods 0.000 description 1
- 238000012795 verification Methods 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
本发明公开了一种预期信用损失计量方法、设备及介质，包括以下步骤：获取客户数据集群并将数据集群分池，其中，第一数据集为观察点账单未逾期且账龄小于一时间阈值的客户数据，第二数据集为观察点账单未逾期且账龄大于等于一时间阈值的客户数据，第三数据集为观察点账单逾期的客户数据；将第一数据集、第二数据集和第三数据集分别输入第一预测模型、第二预测模型和第三预测模型中，得到每个客户的评分；根据评分确定每个客户的违约概率；确定风险暴露和违约损失率；根据风险暴露、违约损失率和违约概率计算得到预期信用损失。可提高客户违约概率计算的准确性，提高预期信用损失计量的精细化水平和准确性。
Description
技术领域
本发明属于数据处理技术领域，具体地涉及一种预期信用损失计量方法、设备及介质。
背景技术
预期信用损失是指以发生违约的风险为权重的金融工具信用损失的加权平均值。目前，预期信用损失的计量主要常用的方法包括转移矩阵模型和马尔可夫链模型，这些模型考虑了借款人从一个贷款质量状态迁移到另一个状态的概率，并据此计算出不同贷款质量级别的违约概率，方法的核心思路是通过对各个机构内的历史数据，按照内设规则划分数据集，并进行阶段划分，以此根据不同时间段计算目标数据集阶段状态迁移矩阵，并基于阶段状态迁移矩阵计算累计违约概率，进而得出客户的边际违约概率。
该方法在计算违约概率时，是通过各个时点下的目标数据集状态迁移矩阵为基础进行计算，在预测未来客户的违约情况以及对当前、未来市场下的信用风险水平未进行充分考虑，在市场平稳且机构的经营管理方向和风控水平没有显著变化的下较为适用，但众所周知，随着国内外市场的变动，以及宏观经济政策的影响，金融市场也会随之进行波动。
因此，基于历史的迁移矩阵情况来预测客户的未来违约情况将会产生较大偏差，会直接影响预期信用损失计量的精细化水平和准确性。
发明内容
为了解决现有方法现有预期信用损失计算准确性的问题，本发明提供一种预期信用损失计量方法、设备及介质，其可提高客户违约概率计算的准确性，提高预期信用损失计量的精细化水平和准确性。
本发明的目的通过以下技术方案来实现：
本发明公开一种预期信用损失计量方法，包括以下步骤：
获取客户数据集群并将所述数据集群分为第一数据集、第二数据集和第三数据集，其中，所述第一数据集为观察点账单未逾期且账龄小于一时间阈值的客户数据，所述第二数据集为观察点账单未逾期且账龄大于等于一时间阈值的客户数据，所述第三数据集为观察点账单逾期的客户数据；
确定风险暴露EAD和违约损失率LGD；
将第一数据集、第二数据集和第三数据集分别输入第一预测模型、第二预测模型和第三预测模型中，得到每个客户的评分；
根据所述评分确定每个客户的违约概率；
根据所述风险暴露EAD、违约损失率LGD和违约概率计算得到每个客户的预期信用损失。
本发明第二方面提供预期信用损失计量设备，包括依次通信连接的存储器和控制器，所述存储器上存储有计算机程序，所述控制器用于读取所述计算机程序，执行第一方面及其任一种可能中所述的一种预期信用损失计量方法。
本发明第三方面提供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指令，其特征在于：当所述指令在计算机上运行时，执行第一方面及其任一种可能中所述的一种预期信用损失计量方法。
本发明与现有技术相比，至少具有以下优点和有益效果：
本发明通过对客户分类再计算客户违约概率，在经前瞻性调整后与风险暴露和违约损失率计算得出预期信用损失水平，提高预期信用损失计量的精细化水平和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明方法的流程图；
图2为窗口选择示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。通常在此处附图中描述和示出的本发明实施方式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发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。
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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明第一方面公开一种预期信用损失计量方法，该方法可以但不限于由一预期信用损失计量设备来执行，预期信用损失计量设备可以是软件，或者为软件和硬件的组合，预期信用损失计量设备可以集成在智能移动端、平板、电脑等智能设备中。具体的，该预期信用损失计量方法包括以下步骤S01～步骤S05，此处需要说明的是，步骤序号并不是对其先后顺序的限制，其仅为了便于描述；各步骤之间的先后顺序以信号之间衔接关系为准。
步骤S01、获取客户数据集群并将所述数据集群分为第一数据集、第二数据集和第三数据集，其中，所述第一数据集为观察点账单未逾期且账龄小于一时间阈值的客户数据，所述第二数据集为观察点账单未逾期且账龄大于等于一时间阈值的客户数据，所述第三数据集为观察点账单逾期的客户数据。
本步骤的时间阈值可以设置为12个月或者其他时长。
步骤S02、将第一数据集、第二数据集和第三数据集分别输入第一预测模型、第二预测模型和第三预测模型中，得到每个客户的评分。
预测模型是本方案中非常关键的一步。逻辑回归模型、决策树模型、支持向量机模型、神经网络模型、Xgboost模型、LGboost模型中的任意一种。预测模型是事先构建完成的，针对不同的债务人群体，构建不同的预测模型，并通过模型集成的方式进行预测结果的综合，从而提高预测准确性和信用损失的有效管理。
在使用机器学习算法时，需要注意数据的处理和特征工程的设计,对于异常值、缺失值等数据问题，可以采用插补、平滑或者删除等方式进行处理。对于特征工程的设计，则需要进行细致的分析和选择，以保证所选特征与预测结果之间具有较强的相关性,通过时间切片、指标比率等丰富衍生可使用指标。
针对不同的债务人群体，可以区分不同的预测模型进行建立，并通过模型集成的方式进行预测结果的综合，从而提高预测准确性和信用损失的有效管理；针对不同阶段的债项，分别选取第一预测模型、第二预测模型和第三预测模型，避免样本数据的不同干扰模型训练和应用。
预测模型变量首选以人行征信数据或依赖征信数据进一步加工后的数据作为模型的主要变量，模型变量选择的标准如下：
数据源可获取性。在业务运行过程中，模型的入参变量所依赖的数据源应保证能够持续、稳定、不间断的查得。数据源除去人行征信数据外，还包含用户申请基础信息、个人持牌征信机构数据和用户行为数据。用户申请基础信息包括地址、职业、收入、性别、婚姻状态、学历等；个人持牌征信机构数据包括申请多头、消费能力维度、评分类标签等；用户行为数据包括履约行为等。
变量可解释性。入参变量具有可解释性，符合业务含义，特质的分布趋势与实际业务理解相匹配。
变量的缺失情况。统计变量缺失值样本数量与样本总数的比值，删除缺失率高的变量。通常要求变量的缺失值比例<50％。变量来源于上述数据源，包括上述数据源返回的原始变量和由原始变量得到的衍生变量。衍生方式通常采用统计衍生、时序衍生和多项式衍生等等。
变量的预测情况。统计对目标变量的信息贡献度指标IV，删除IV值较低的变量。IV的值越大，说明特征的预测能力越强，一般情况下，当特征IV值>0.02时，认为对目标变量有一定预测性，而当特征IV值>1时，往往认为存在异常可能。。
变量的稳定情况。监控变量在不同样本的分布稳定性情况，，其系数取值越小，代表稳定性越高，通常删除PSI>0.2的变量
变量的相关性情况。针对连续型变量，可采用pearson系数。pearson(皮尔逊)，通常要求特征之间的pearson系数小于0.5，说明特征的线性相关性程度很低。在某些情况下，如特征变量池的字段较少，相关系数的评定标准可以放宽至0.7。
步骤S03、根据所述评分确定每个客户的违约概率。
预测模型通过对大量实时数据的分析和学习，不断调整和更新客户评分，进而不断对违约概率进行调整，从而更精准地指导授信和风险控制的决策。
业务应用中，对计量客户按照逾期阶段进行分池，分别使三类预测模型进行评分，根据评分所属区间进而确定违约概率，具体的，该步骤包括步骤S031-步骤S036。
步骤S031、根据所述评分确定每个客户所属的评分区间。
每个客户数据经预测模型计算均可得到一个评分，根据评分情况确定客户进所属分层，通常为5-10层。步骤S032、根据所述评分区间确定对应客户的年度违约概率。
现有方法中直接采用年度违约概率参与后续的预期信用损失计量，但是，其准确性不高。对此，本方案中还提供一种方法，即基于前瞻性调整因子对年度违约概率进行调整，提高准确性。
前瞻性调整因子根据宏观经济变量确定，具体的，采用如下方式。
根据Boss和Virolainen等关于贷款违约率和宏观经济影响因素之间非线性关系的研究成果,对贷款违约率做Logit转换，将Pt转换为yt作为中介变量，主要公式如下：
yt＝ln(Pt/1-Pt),t＝1,2,3…n
对宏观经济因子，构建多元性线性回归模型，考核经济形势变动对客户违约率的影响。
对宏观变量因子进行单变量筛选和多变量打分，通过相应的统计学和经济学测试，筛选出质量相对较好的宏观模型，具体筛选条件如下：
A、经济含义判断
在单变量分析所生成的模型中，当单变量模型的系数符号与经济含义反向时，说明其数据趋势与经济含义不符，因此在挑选变量时需要剔除。
B、变量可解释性判断
使用统计量R2来度量拟合优度。当使用自变量对因变量进行拟合，所得到的模型只能解释现实情况的一部分，即模型可解释性为R2，无法通过数学表达式解释的部分称为残差项，计算公式为：
C、变量显著性检验(t检验)
对于遍历生成的每种变量组合，需要对其回归系数的显著性进行检验，显著性检验的统计量为P值，历史经验判断标准为0.05。
D、变量多重共线性检验
通过计算方差膨胀因子(VIF)来判断进入模型的指标之间是否存在多重共线性。
E、白噪声检验(残差检验)
步骤S033、根据所述前瞻性调整因子对年度违约概率进行调整。
前瞻性调整模型使用Merton模型。根据Merton模型假设其中，债务人资产价值与系统性风险因素和个体风险因素相关，原理如下：
其中，Z为前瞻性调整因子，N为正态分布函数，N-1为正态分布反函数，PD为年度违约概率，R表示此类贷款违约的相关性系数；PD～为调整后的年度违约概率。
步骤S034、对调整后的年度违约率转化为月度违约率。
步骤S035、根据月度违约率计算得到累积违约概率。
根据累积违约率计算规则计算得出多年期违约概率CPD，即累积违约概率。
CPDn＝1-(1-PDM)n。
步骤S026、根据累积违约概率计算得到边际违约概率。
MPD＝CPDn-CPDn-1。
PD参数取根据客户最差债项的分群，匹配到的参数值，从而得出经调整后的违约概率PD～，针对已违约客户，经调整后的违约概率为1。
步骤S04、确定风险暴露EAD和违约损失率LGD。
该步骤针对所有已违约的贷款。
违约损失率LGD由历史客户数据集群确定。
针对违约损失率LGD：
先选定不同的观察点并计算表现期，筛选观察点未违约且表现期内发生违约的客户借据，其窗口选择如图2所示。为了提高数据准确性，可对特殊样本进行排除后，作为LGD开发样本。此处的特殊样本包括但不限于死亡、核销、欺诈等客户样本。其中，表现期即表现窗口。再确定所述借据的违约时间点和违约时间点对应的未还本金、以及清收期内已清收本金；最后根据违约时间点对应的未还本金、以及清收期内已清收本金计算违约损失率LGD。
LGD＝(违约时未还本金–现值(已清收本金))/违约时未还本金
针对风险暴露EAD：
风险暴露EAD是指客户发生违约时，合同应收现金流按实际利率折现到违约时点的现值。
违约客户：因为已经违约账户的EAD已知，不需要对其进行EAD估计。
所有未违约贷款：
估计的EAD＝观察点的余额(包括本金余额和利息)的现值，未来现金流均按照折现利率折算为现值。
其中：阶段一，借据EAD为从报告日起至未来12个月内每个月观察时点的待还本息之和现值；阶段二，借据计算整个存续期内的EAD，根据还款计划表和客户实际还款数据计算每个观察时点的待还本息之和(包含逾期未还的)，并按照折现利率折算为现值。
步骤S05、根据所述风险暴露EAD、违约损失率LGD和违约概率计算得到预期信用损失。
ECL＝∑EAD×MPD×LGD
该技术方案通过精确计算客户违约概率，在经前瞻性调整后与风险暴露和违约损失率计算得出预期信用损失水平，确保可以足额、准确计提金融资产减值准备，不过高估计也不过低估计整体信用风险水平，提高预期信用损失的准确性。
本发明第二方面提供预期信用损失计量设备，包括依次通信连接的存储器和控制器，所述存储器上存储有计算机程序，所述控制器用于读取所述计算机程序，执行第一方面及其任一种可能中所述的一种预期信用损失计量方法。具体举例的，所述存储器可以但不限于包括随机存取存储器(Random-Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output，FIFO)和或先进后出存储器(First Input Last Output，FILO)等等；所述控制器可以不限于采用型号为STM32F105系列的微控制器。此外，所述设备还可以但不限于包括有电源单元、显示屏和其它必要的部件。
本发明第三方面提供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指令，其特征在于：当所述指令在计算机上运行时，执行第一方面及其任一种可能中所述的一种预期信用损失计量方法。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种预期信用损失计量方法，其特征在于，包括以下步骤：
获取客户数据集群并将所述数据集群分为第一数据集、第二数据集和第三数据集，其中，所述第一数据集为观察点账单未逾期且账龄小于一时间阈值的客户数据，所述第二数据集为观察点账单未逾期且账龄大于等于一时间阈值的客户数据，所述第三数据集为观察点账单逾期的客户数据；
将第一数据集、第二数据集和第三数据集分别输入第一预测模型、第二预测模型和第三预测模型中，得到每个客户的评分；
根据所述评分确定每个客户的违约概率；
确定每个客户的风险暴露EAD和违约损失率LGD；
根据所述风险暴露EAD、违约损失率LGD和违约概率计算得到每个客户的预期信用损失。
2.根据权利要求1所述的一种违约概率预测模型构建方法，其特征在于：所述第一预测模型、第二预测模型和第三预测模型为逻辑回归模型、决策树模型、支持向量机模型、神经网络模型、Xgboost模型、LGboost模型中的任意一种。
3.根据权利要求1所述的一种违约概率预测模型构建方法，其特征在于：所述客户数据包括个人征信数据、基础信息、个人持牌征信机构数据、客户行为数据。
4.根据权利要求1所述的一种预期信用损失计量方法，其特征在于：所述根据所述评分确定每个客户的违约概率，包括：
根据所述评分确定每个客户所属的评分区间；
根据所述评分区间确定对应客户的年度违约概率；
根据宏观经济变量确定前瞻性调整因子；
根据所述前瞻性调整因子对年度违约概率进行调整。
5.根据权利要求4所述的一种预期信用损失计量方法，其特征在于，所述根据所述前瞻性调整因子对违约概率进行调整，之后还包括：
对调整后的年度违约率转化为月度违约率；
根据月度违约率计算得到累积违约概率；
根据累积违约概率计算得到边际违约概率。
6.根据权利要求4所述的一种预期信用损失计量方法，其特征在于，所述根据所述前瞻性调整因子对年度违约概率进行调整为：
其中，Z为前瞻性调整因子，N为正态分布函数，N-1为正态分布反函数，PD为历史年度违约概率，R表示此类贷款违约的相关性系数；PD～为调整后的年度违约概率。
7.根据权利要求1所述的一种预期信用损失计量方法，其特征在于，确定违约损失率LGD包括：
选定不同的观察点并计算表现期，筛选观察点未违约且表现期内发生违约的客户借据；
确定所述借据的违约时间点和对应的未还本金、以及清收期内已清收本金；
根据违约时间点对应的未还本金、清收期内已清收本金计算违约损失率LGD。
8.一种预期信用损失计量设备，包括依次通信连接的存储器和控制器，所述存储器上存储有计算机程序，其特征在于：所述控制器用于读取所述计算机程序，执行权利要求1-7任一所述的一种预期信用损失计量方法。
9.一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指令，其特征在于：当所述指令在计算机上运行时，执行权利要求1-7任一所述的一种预期信用损失计量方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311235491.3A CN117391838A (zh) | 2023-09-22 | 2023-09-22 | 一种预期信用损失计量方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311235491.3A CN117391838A (zh) | 2023-09-22 | 2023-09-22 | 一种预期信用损失计量方法、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117391838A true CN117391838A (zh) | 2024-01-12 |
Family
ID=89471049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311235491.3A Pending CN117391838A (zh) | 2023-09-22 | 2023-09-22 | 一种预期信用损失计量方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117391838A (zh) |
-
2023
- 2023-09-22 CN CN202311235491.3A patent/CN117391838A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Moscatelli et al. | Corporate default forecasting with machine learning | |
| US8577791B2 (en) | System and computer program for modeling and pricing loan products | |
| US20230351396A1 (en) | Systems and methods for outlier detection of transactions | |
| US8694427B2 (en) | Time-efficient and deterministic adaptive score calibration techniques for maintaining a predefined score distribution | |
| CN112598500A (zh) | 一种无额度客户的授信处理方法及系统 | |
| US20110246385A1 (en) | Automatically recalibrating risk models | |
| CN112053233A (zh) | 基于gra的动态中小企业信用评分方法及系统 | |
| US20120016808A1 (en) | Business Review and Volume Optimizer (BRAVO) | |
| Fernandes | Corporate credit risk modeling: Quantitative rating system and probability of default estimation | |
| CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
| CN114078050A (zh) | 贷款逾期预测方法、装置、电子设备及计算机可读介质 | |
| CN111626855A (zh) | 债券信用利差预测方法及系统 | |
| CN114219611A (zh) | 贷款额度计算方法、装置、计算机设备和存储介质 | |
| Dendramis et al. | Predicting default risk under asymmetric binary link functions | |
| CN117391838A (zh) | 一种预期信用损失计量方法、设备及介质 | |
| US20080208767A1 (en) | Predicting the Performance of Algorithmic Investment Strategies | |
| CN117252677A (zh) | 信贷额度确定方法和装置、电子设备及存储介质 | |
| CN115099933A (zh) | 一种业务预算方法、装置及设备 | |
| Delis et al. | What should be taken into consideration when forecasting oil implied volatility index? | |
| Raihan | Performance of Markov-Switching GARCH Model Forecasting Inflation Uncertainty | |
| Wahlström | Estimating expected shortfall using an unconditional peaks-over-threshold method under an extreme value approach | |
| Chiang et al. | FORECASTING THE TREASURY BILL RATE: A TIME‐VARYING COEFFICIENT APPROACH | |
| Rong | Forecasting Model of Microsoft’s Daily Return and Its Volatility | |
| CN101095158A (zh) | 资产分配的方法及系统 | |
| CN118071483A (zh) | 构建零售信用风险预测模型的方法和个人信贷业务Scorepsi模型 |
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 |