CN117745135A - 一种信贷资产逾期率的预测方法、装置、设备及存储介质 - Google Patents

Abstract

本申请提供了一种信贷资产逾期率的预测方法、装置、设备及存储介质，该预测方法包括：根据每组历史放款周期的信贷资产在相邻还款周期之间的逾期率变化参数，计算得到每组历史放款周期的信贷资产在相邻还款周期对应的第一预测因子；以当前还款周期所在的相邻还款周期作为目标相邻还款周期，根据每组历史放款周期的信贷资产在目标相邻还款周期对应的第一预测因子，计算得到目标相邻周期对应的最终预测因子；根据目标放款周期的信贷资产在上一还款周期的逾期率与最终预测因子，对目标放款周期的信贷资产在当前还款周期的逾期率进行预测。这样，本申请能够精准地预测信贷资产的未知逾期率，有利于增强逾期率预测结果对于信贷资产质量管理的指导意义。

Description

一种信贷资产逾期率的预测方法、装置、设备及存储介质

技术领域

本申请涉及信息监测技术领域，具体而言，涉及一种信贷资产逾期率的预测方法、装置、设备及存储介质。

背景技术

在对银行的信贷资产进行质量管理时，对于银行在每个放款周期内外放的信贷资产，常常需要对这批信贷资产在后续每个还款周期的逾期率进行预测，以便及时发现信贷资产质量管理过程中存在的风险，提高对于银行信贷资产的质量管理能力。

现有技术中，一般是利用信贷资产的多个历史逾期率，通过计算历史逾期率平均差或是历史逾期率比值的方法，来简单预测信贷资产在下一还款周期的逾期率。但是，由于上述现有技术没有考虑到信贷资产在不同放款周期与不同还款周期之间的资产变化情况，因此，现有的逾期率预测方法并不适用于对信贷资产质量进行动态化监控，对信贷资产质量管理的指导意义较低，并且得出的逾期率预测结果的准确度也较低。

发明内容

有鉴于此，本申请的目的在于提供一种信贷资产逾期率的预测方法、装置、设备及存储介质，通过充分利用已知历史数据中信贷资产逾期率的动态变化信息，有效地提高了对于信贷资产的未知逾期率的预测准确程度，有利于增强逾期率预测结果对于信贷资产质量管理的指导意义。

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。

第一方面，本申请实施例提供了一种信贷资产逾期率的预测方法，所述预测方法包括：

针对多组历史放款周期的信贷资产，根据每组所述历史放款周期的信贷资产在相邻还款周期之间的逾期率变化参数，计算得到每组所述历史放款周期的信贷资产在每一所述相邻还款周期对应的第一预测因子；

在预测目标放款周期的信贷资产在当前还款周期的逾期率时，以当前还款周期所在的相邻还款周期作为目标相邻还款周期，根据每组所述历史放款周期的信贷资产在所述目标相邻还款周期对应的第一预测因子，计算得到所述目标相邻周期对应的最终预测因子；其中，所述目标放款周期属于所述多组历史放款周期；

根据目标放款周期的信贷资产在上一还款周期的逾期率与所述最终预测因子，对目标放款周期的信贷资产在当前还款周期的逾期率进行预测，得到逾期率预测结果；其中，所述当前还款周期与所述上一还款周期组成所述目标相邻还款周期。

第二方面，本申请实施例提供了一种信贷资产逾期率的预测装置，所述预测装置包括：

第一计算模块，用于针对多组历史放款周期的信贷资产，根据每组所述历史放款周期的信贷资产在相邻还款周期之间的逾期率变化参数，计算得到每组所述历史放款周期的信贷资产在每一所述相邻还款周期对应的第一预测因子；

第二计算模块，用于在预测目标放款周期的信贷资产在当前还款周期的逾期率时，以当前还款周期所在的相邻还款周期作为目标相邻还款周期，根据每组所述历史放款周期的信贷资产在所述目标相邻还款周期对应的第一预测因子，计算得到所述目标相邻周期对应的最终预测因子；其中，所述目标放款周期属于所述多组历史放款周期；

预测模块，用于根据目标放款周期的信贷资产在上一还款周期的逾期率与所述最终预测因子，对目标放款周期的信贷资产在当前还款周期的逾期率进行预测，得到逾期率预测结果；其中，所述当前还款周期与所述上一还款周期组成所述目标相邻还款周期。

第三方面，本申请实施例提供了一种计算机设备，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资产逾期率的预测方法的步骤。

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资产逾期率的预测方法的步骤。

本申请的实施例提供的技术方案可以包括以下有益效果：

本申请实施例提供的一种信贷资产逾期率的预测方法、装置、设备及存储介质，针对多组历史放款周期的信贷资产，根据每组历史放款周期的信贷资产在相邻还款周期之间的逾期率变化参数，计算得到每组历史放款周期的信贷资产在每一相邻还款周期对应的第一预测因子；在预测目标放款周期的信贷资产在当前还款周期的逾期率时，以当前还款周期所在的相邻还款周期作为目标相邻还款周期，根据每组历史放款周期的信贷资产在目标相邻还款周期对应的第一预测因子，计算得到目标相邻周期对应的最终预测因子；根据目标放款周期的信贷资产在上一还款周期的逾期率与最终预测因子，对目标放款周期的信贷资产在当前还款周期的逾期率进行预测，得到逾期率预测结果。

基于上述预测方法，本申请通过充分利用已知历史数据中信贷资产逾期率的动态变化信息，能够精准地预测信贷资产的未知逾期率，有利于增强逾期率预测结果对于信贷资产质量管理的指导意义。

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资产逾期率的预测方法的流程示意图；

图2示出了本申请实施例提供的一种计算上述逾期率变化参数的方法的流程示意图；

图3示出了本申请实施例所提供的一种信贷资产逾期率的预测装置的结构示意图；

图4为本申请实施例提供的一种电子设备1100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，但并不排除增加其它的特征。

在本申请其中一种实施例中的一种信贷资产逾期率的预测方法可以运行于终端设备或者是服务器；其中，终端设备可以为本地终端设备。当信贷资产逾期率的预测方法运行于服务器时，该预测方法则可以基于云交互系统来实现与执行，其中，云交互系统包括服务器和客户端设备(也即终端设备)；对于上述预测方法的具体运行设备类型，本申请实施例不作任何限定。

为便于对本申请实施例进行理解，下面对本申请实施例提供的一种信贷资产逾期率的预测方法、装置、设备及存储介质进行详细介绍。

参照图1所示，图1示出了本申请实施例所提供的一种信贷资产逾期率的预测方法的流程示意图，所述预测方法包括步骤S101-S103；具体的：

S101，针对多组历史放款周期的信贷资产，根据每组所述历史放款周期的信贷资产在相邻还款周期之间的逾期率变化参数，计算得到每组所述历史放款周期的信贷资产在每一所述相邻还款周期对应的第一预测因子。

这里，在信贷资产质量管理过程中，银行在每个放款周期内，都可以不定向地投放多笔信贷资产，而每笔信贷资产对应有还款期限(如，有的信贷资产对应1个月还款期限，有的信贷资产对应12个月还款期限等)，其中，对于每笔信贷资产而言，在该笔信贷资产对应的还款期限内，银行需要按照一定的还款周期(也可称为账龄)，从借贷方(即该笔信贷资产的借贷方)收取应收账款(一般包括该笔信贷资产在每个还款周期内对应的应收本金以及应收利息)。

需要说明的是，在本申请实施例中，上述信贷资产可以根据银行实际的信贷业务类型确定；例如，上述信贷资产可以按照授信业务、贷款业务、担保业务等业务类型，划分为不同类型的信贷资产；对于上述信贷资产所属的具体资产类型，本申请实施例不作任何限定。

具体的，上述历史放款周期的具体组数可以根据银行信贷资产的最新投放时间确定；例如，以放款周期的周期长度是1月为例，若银行信贷资产的最新投放时间为7月(即8月尚未到来或是8月尚未进行信贷资产的投放)，此时，按照上述放款周期的周期长度，可以确定步骤S101中的多组历史放款周期的信贷资产为以下7组：1月投放的信贷资产L1(也即第1组历史放款周期的信贷资产)、2月投放的信贷资产L2、3月投放的信贷资产L3、4月投放的信贷资产L4、5月投放的信贷资产L5、6月投放的信贷资产L6、7月投放的信贷资产L7(也即第7组历史放款周期的信贷资产)。

具体的，关于还款周期的划分方式：每笔信贷资产的应收账款的时间长度可以称为账龄(如，12个月还款期限的信贷资产所对应的账龄即为12个月)，而由于银行在每个放款周期内可以投放多笔不同还款期限的信贷资产，因此，在实际应用中，可以按照预设的周期长度，对信贷资产的账龄进行划分，得到上述还款周期；此时，以每个放款周期内的全部信贷资产为单位，通过统计每个放款周期内的全部信贷资产在每个还款周期内的逾期率，即可对银行已投放的所有信贷资产(即每个放款周期内的全部信贷资产)在每个还款周期内的逾期情况进行整体监控。

示例性的说明，以预设的周期长度是1个月为例，则对于1月放款周期的信贷资产L1而言，1月相当于信贷资产L1的第0个还款周期，2月相当于信贷资产L1的第1个还款周期，3月相当于信贷资产L1的第2个还款周期；而对于2月放款周期的信贷资产L2而言，2月相当于信贷资产L2的第0个还款周期，3月相当于信贷资产L2的第1个还款周期。

需要说明的是，上述历史放款周期以及上述还款周期的具体周期长度可以根据实际的逾期率预测需求确定(如，可以是以1个月作为周期长度，也可以是以2个月作为周期长度等)；对于上述历史放款周期以及上述还款周期的具体周期长度，本申请实施例不作任何限定。

具体的，以多组历史放款周期的信贷资产是1月放款周期的信贷资产L1(即第1组历史放款周期的信贷资产)-7月放款周期的信贷资产L7(即第7组历史放款周期的信贷资产)，也即，实际放款月份是1月-7月为例，若还款周期的周期长度是1个月，则第i组历史放款周期的信贷资产在第j个还款周期的逾期率可以表示为S_i，j；其中，每组历史放款周期的信贷资产在每个还款周期内逾期率的已知与未知情况，可以如下表1所示：

表1

其中，在上述表1中，基于实际放款时间是1月-7月，因此，第i组历史放款周期中i的取值范围是1-7；

而基于1月是第1组历史放款周期的信贷资产的第0个还款周期，7月是第1组历史放款周期的信贷资产的第6个还款周期，因此，表1中所示的第j个还款周期中j的取值范围是0-6；

在上述表1中，使用S_i，_j的形式表示出的逾期率(如，表1中未包含的S₇，₁)属于根据已有的历史数据(即1月-7月中每月放款的信贷资产信息与1月-7月中每月进行还款的信贷资产信息)能够确定的已知逾期率；

在上述表1中，未使用S_i，_j的形式表示出的逾期率(如，表1中未包含的S₁，₀)属于根据已有的历史数据(即1月-7月中每月放款的信贷资产信息与1月-7月中每月进行还款的信贷资产信息)还不能够确定的未知逾期率(也即需要进行预测的未知逾期率)。

具体的，在本申请实施例中，对于任意一组历史放款周期的信贷资产，在计算该组历史放款周期的信贷资产在一个指定还款周期的逾期率时，作为一可选实施例，可以先从该组历史放款周期的信贷资产中，确定出在上述指定还款周期内未按时还款的信贷资产(记作待还款信贷资产)，从而通过计算上述待还款信贷资产的资产数量与该组历史放款周期的信贷资产的总资产数量的比值，即可得到该组历史放款周期的信贷资产在上述指定还款周期的逾期率。

示例性的说明，以表1中的S₁，₀为例，若1月进行放款的信贷资产共有10000笔，而这10000笔信贷资产在当月(即1月)没有按时还款(即逾期)的信贷资产共有93笔(可从已有的历史数据中获取)，则可以计算出表1中的其中，表1中使用S_i，_j的形式表示出的逾期率都可以按照上述示例方式，从上述已有的历史数据中获取，重复之处在此不再赘述。

在表1所示的已知逾期率与未知逾期率的基础上，在一种可选的实施方式中，图2示出了本申请实施例提供的一种计算上述逾期率变化参数的方法的流程示意图，如图2所示，在执行上述步骤S101时，所述方法包括步骤S201-S202；具体的：

S201，针对每组所述历史放款周期的信贷资产，分别获取该组历史放款周期的信贷资产在第一还款周期与第二还款周期的逾期率。

这里，在步骤S201中，第二还款周期与第一还款周期组成步骤相邻S101中的相邻还款周期。

示例性的说明，以上述表1所示的1-7组历史放款周期的信贷资产(即i的取值范围是1-7)为例，步骤S101中的相邻还款周期可以是：

(1)、第0个还款周期与第1个还款周期组成的相邻还款周期，也即，此时步骤S201中的第一还款周期可以是表1中j＝0表示的第0个还款周期，第二还款周期可以是表1中j＝1表示的第1个还款周期；

(2)、第1个还款周期与第2个还款周期组成的相邻还款周期，也即，此时步骤S201中的第一还款周期可以是表1中j＝1表示的第1个还款周期，第二还款周期可以是表1中j＝2表示的第2个还款周期；

(3)、第2个还款周期与第3个还款周期组成的相邻还款周期，也即，此时步骤S201中的第一还款周期可以是表1中j＝2表示的第2个还款周期，第二还款周期可以是表1中j＝3表示的第3个还款周期；

(4)、第3个还款周期与第4个还款周期组成的相邻还款周期，也即，此时步骤S201中的第一还款周期可以是表1中j＝3表示的第3个还款周期，第二还款周期可以是表1中j＝4表示的第4个还款周期；

(5)、第4个还款周期与第5个还款周期组成的相邻还款周期，也即，此时步骤S201中的第一还款周期可以是表1中j＝4表示的第4个还款周期，第二还款周期可以是表1中j＝5表示的第5个还款周期；

(6)、第5个还款周期与第6个还款周期组成的相邻还款周期，也即，此时步骤S201中的第一还款周期可以是表1中j＝5表示的第5个还款周期，第二还款周期可以是表1中j＝6表示的第6个还款周期。

这里，结合上述步骤S101中关于逾期率的计算方式可知，在执行步骤S201时，可以通过以下步骤a1-a2的方式，分别获取该组历史放款周期的信贷资产在第一还款周期与第二还款周期的逾期率，具体的：

步骤a1、计算第一待还款信贷资产的资产数量与该组历史放款周期的信贷资产的总资产数量之间的比值，得到该组历史放款周期的信贷资产在所述第一还款周期的逾期率。

这里，上述第一待还款信贷资产表征在所述第一还款周期内未按时还款的信贷资产。

步骤a2、计算第二待还款信贷资产的资产数量与该组历史放款周期的信贷资产的总资产数量之间的比值，得到该组历史放款周期的信贷资产在所述第二还款周期的逾期率。

这里，上述第二待还款信贷资产表征在所述第二还款周期内未按时还款的信贷资产。

需要说明的是，上述步骤a1-a2中计算逾期率的方法与上述步骤S101中关于逾期率的计算方式相同，重复之处在此不再赘述。

S202，以该组历史放款周期的信贷资产在所述第一还款周期的逾期率作为第一逾期率，以该组历史放款周期的信贷资产在所述第二还款周期的逾期率作为第二逾期率，计算所述第二逾期率与所述第一逾期率之间的比值，得到该组历史放款周期的信贷资产在所述相邻还款周期之间的逾期率变化参数。

具体的，以第i组历史放款周期的信贷资产为例，在第一还款周期是第j-1个还款周期，第二还款周期是第j个还款周期时，参照表1所示，步骤S202中的第一逾期率可以表示为S_i，j-1，而步骤S202中的第二逾期率可以表示为S_i，j，此时，在执行步骤S202时，可以通过如下公式计算出第i组历史放款周期的信贷资产在相邻还款周期之间的逾期率变化参数H_i：

其中，H_i表示第i组历史放款周期的信贷资产在相邻还款周期之间的逾期率变化参数；

相邻还款周期表示第j-1个还款周期与第j个还款周期组成的相邻还款周期；

S_i，j-1表示第i组历史放款周期的信贷资产在第j-1个还款周期的逾期率(也即上述第一逾期率)；

S_i，j表示第i组历史放款周期的信贷资产在第j个还款周期的逾期率(也即上述第二逾期率)。

S102，在预测目标放款周期的信贷资产在当前还款周期的逾期率时，以当前还款周期所在的相邻还款周期作为目标相邻还款周期，根据每组所述历史放款周期的信贷资产在所述目标相邻还款周期对应的第一预测因子，计算得到所述目标相邻周期对应的最终预测因子。

这里，在按照上述步骤S201-S202所述的方法计算出步骤S101中的逾期率变化参数之后，在一种可选的实施方式中，在步骤S102中的目标相邻还款周期为第j个还款周期所在的相邻还款周期时(相当于步骤S102中的当前还款周期是第j个还款周期)，针对第n组历史放款周期的信贷资产，可以按照以下公式计算第n组历史放款周期的信贷资产在目标相邻还款周期对应的第一预测因子：

其中，G_n，_j表征第n组历史放款周期的信贷资产在目标相邻还款周期对应的第一预测因子；

H_i表征第i组历史放款周期的信贷资产在目标相邻还款周期之间的逾期率变化参数；

第j个还款周期与第j-1个还款周期组成所述目标相邻还款周期；

N表征所述多组历史放款周期的组数，例如，以表1为例，在表1中N的取值即为7；

公式中的表示H₁×H₂×...×H_i，也即，相当于在i＝1至n的取值范围内，对逾期率变化参数H_i进行累乘运算。

需要说明的是，在上述公式中，第j-1个还款周期表示与第j个还款周期相邻的还款周期，而结合表1所示可知，在本申请实施例中，还款周期包括j＝0表示的第0个还款周期，因此，步骤S102中的当前还款周期可以表示j取值大于0的还款周期，也即，相当于所有历史放款周期的信贷资产在第0个还款周期内的逾期率都属于不需要进行预测的已知数据。

示例性的说明，以步骤S102中的目标相邻还款周期是上述步骤S201中(1)中示出的第一还款周期与第二还款周期(也即表1中j＝0与j＝1组成的相邻还款周期)为例，此时上述公式中的H_i可以按照以下公式进行计算：

其中，S_i，₀表示第i组历史放款周期的信贷资产在第0个还款周期的逾期率；

S_i，₁表示第i组历史放款周期的信贷资产在第1个还款周期的逾期率。

示例性的说明，以目标相邻还款周期是表1中的j＝0与j＝1所对应的相邻还款周期为例，参考表1所示，可以计算n＝6表示的第6组历史放款周期的信贷资产在目标相邻还款周期对应的第一预测因子 其中，第一预测因子G₆，₀也可以表示为：

具体的，基于历史放款周期的信贷资产具有多组，因此，作为一可选实施例，在步骤S102中，可以计算多组历史放款周期的信贷资产在所述目标相邻还款周期对应的第一预测因子的均值，得到所述目标相邻还款周期对应的所述最终预测因子。

示例性的说明，仍以目标相邻还款周期是表1中的j＝0与j＝1所对应的相邻还款周期为例，则在步骤S102中，可以按照如下公式计算得到目标相邻还款周期对应的最终预测因子G：

需要说明的是，在按照上述公式计算目标相邻还款周期对应的最终预测因子G时，结合表1所示，由于S₇，₀属于需要预测的未知逾期率，因此，上述公式中的G₇，₀也属于未知的第一预测因子，此时，作为另一可选实施例，还可以只利用已知数据，按照如下公式计算上述最终预测因子G：

S103，根据目标放款周期的信贷资产在上一还款周期的逾期率与所述最终预测因子，对目标放款周期的信贷资产在当前还款周期的逾期率进行预测，得到逾期率预测结果。

这里，步骤S103中的上一还款周期是相对于步骤S102中的当前还款周期而言的，也即，步骤S103中的上一还款周期与步骤S102中的当前还款周期共同组成步骤S102中的目标相邻还款周期。

具体的，在执行步骤S103时，作为一可选实施例，可以计算目标放款周期的信贷资产在上一还款周期的逾期率与最终预测因子之间的乘积，得到目标放款周期的信贷资产在当前还款周期的逾期率的预测结果。

示例性的说明，仍以预测表1中未知的逾期率S₇，₁为例(相当于此时的上一还款周期是j＝0对应的第0个还款周期)，此时，目标相邻还款周期相当于表1中j＝0与j＝1组成的相邻还款周期，在按照上述步骤S102中所示的公式，计算出目标相邻还款周期对应的最终预测因子G之后，即可通过计算表1中已知的逾期率S₇，₀与最终预测因子G之间的乘积，得到对于表1中未知的逾期率S₇，₁的预测结果。

需要说明的是，在按照上述方法预测表1中未知的逾期率S_7，1时，即使最终预测因子G中包含未知的第一预测因子G_7，0，但是由于第一预测因子G_7，0可以表示为以下公式所示：

其中，由于最终预测因子G中包含的其他第一预测因子G_1，0、G_2，0、G_3，0、G_4，0、G_5，0和G_6，0均为已知数据，因此，在计算S_7，1＝S_7，0×G时，基于等号左右两侧只包含同一未知变量S_7，1，从而仍然能够保证可以正常预测得出表1中未知的逾期率S_7，1。

基于本申请实施例提供的上述信贷资产逾期率的预测方法，针对多组历史放款周期的信贷资产，根据每组历史放款周期的信贷资产在相邻还款周期之间的逾期率变化参数，计算得到每组历史放款周期的信贷资产在每一相邻还款周期对应的第一预测因子；在预测目标放款周期的信贷资产在当前还款周期的逾期率时，以当前还款周期所在的相邻还款周期作为目标相邻还款周期，根据每组历史放款周期的信贷资产在目标相邻还款周期对应的第一预测因子，计算得到目标相邻周期对应的最终预测因子；根据目标放款周期的信贷资产在上一还款周期的逾期率与最终预测因子，对目标放款周期的信贷资产在当前还款周期的逾期率进行预测，得到逾期率预测结果。

基于上述预测方法，本申请通过充分利用已知历史数据中信贷资产逾期率的动态变化信息，能够精准地预测信贷资产的未知逾期率，有利于增强逾期率预测结果对于信贷资产质量管理的指导意义。

基于同一发明构思，本申请还提供了与上述信贷资产逾期率的预测方法对应的预测装置，由于本申请实施例中的预测装置解决问题的原理与本申请实施例中上述信贷资产逾期率的预测方法相似，因此预测装置的实施可以参见上述预测方法的实施，重复之处不再赘述。

参照图3所示，图3示出了本申请实施例所提供的一种信贷资产逾期率的预测装置的结构示意图，所述预测装置包括：

第一计算模块301，用于针对多组历史放款周期的信贷资产，根据每组所述历史放款周期的信贷资产在相邻还款周期之间的逾期率变化参数，计算得到每组所述历史放款周期的信贷资产在每一所述相邻还款周期对应的第一预测因子；

第二计算模块302，用于在预测目标放款周期的信贷资产在当前还款周期的逾期率时，以当前还款周期所在的相邻还款周期作为目标相邻还款周期，根据每组所述历史放款周期的信贷资产在所述目标相邻还款周期对应的第一预测因子，计算得到所述目标相邻周期对应的最终预测因子；其中，所述目标放款周期属于所述多组历史放款周期；

预测模块303，用于根据目标放款周期的信贷资产在上一还款周期的逾期率与所述最终预测因子，对目标放款周期的信贷资产在当前还款周期的逾期率进行预测，得到逾期率预测结果；其中，所述当前还款周期与所述上一还款周期组成所述目标相邻还款周期。

在一种可选的实施方式中，第一计算模块301，用于通过以下方法确定每组所述历史放款周期的信贷资产在相邻还款周期之间的逾期率变化参数：

针对每组所述历史放款周期的信贷资产，分别获取该组历史放款周期的信贷资产在第一还款周期与第二还款周期的逾期率；其中，所述第二还款周期与所述第一还款周期组成所述相邻还款周期；

以该组历史放款周期的信贷资产在所述第一还款周期的逾期率作为第一逾期率，以该组历史放款周期的信贷资产在所述第二还款周期的逾期率作为第二逾期率，计算所述第二逾期率与所述第一逾期率之间的比值，得到该组历史放款周期的信贷资产在所述相邻还款周期之间的逾期率变化参数。

在一种可选的实施方式中，在所述获取该组历史放款周期的信贷资产在第一还款周期与第二还款周期的逾期率时，第一计算模块301用于：

计算第一待还款信贷资产的资产数量与该组历史放款周期的信贷资产的总资产数量之间的比值，得到该组历史放款周期的信贷资产在所述第一还款周期的逾期率；其中，所述第一待还款信贷资产表征在所述第一还款周期内未按时还款的信贷资产；

计算第二待还款信贷资产的资产数量与该组历史放款周期的信贷资产的总资产数量之间的比值，得到该组历史放款周期的信贷资产在所述第二还款周期的逾期率；其中，所述第二待还款信贷资产表征在所述第二还款周期内未按时还款的信贷资产。

在一种可选的实施方式中，第一计算模块301，用于通过以下方法计算每组所述历史放款周期的信贷资产在所述目标相邻还款周期对应的第一预测因子：

在所述目标相邻还款周期为第j个还款周期所在的相邻还款周期时，针对第n组所述历史放款周期的信贷资产，按照以下公式计算第n组历史放款周期的信贷资产在所述目标相邻还款周期对应的第一预测因子：

其中，C_n，_j表征第n组历史放款周期的信贷资产在所述目标相邻还款周期对应的第一预测因子；

H_i表征第i组历史放款周期的信贷资产在所述目标相邻还款周期之间的逾期率变化参数；

第j个还款周期与第j-1个还款周期组成所述目标相邻还款周期；

N表征所述多组历史放款周期的组数。

在一种可选的实施方式中，在所述目标相邻还款周期表征第j个还款周期与第j-1个还款周期组成的相邻还款周期时，第一计算模块301用于通过以下公式计算得到第i组历史放款周期的信贷资产在所述目标相邻还款周期之间的逾期率变化参数H_i：

其中，S_i，_j-1表示第i组历史放款周期的信贷资产在第j-1个还款周期的逾期率；

S_i，_j表示第i组历史放款周期的信贷资产在第j个还款周期的逾期率。

在一种可选的实施方式中，在所述根据每组所述历史放款周期的信贷资产在所述目标相邻还款周期对应的第一预测因子，计算得到所述目标相邻还款周期对应的最终预测因子时，第二计算模块302，用于：

计算多组所述历史放款周期的信贷资产在所述目标相邻还款周期对应的第一预测因子的均值，得到所述目标相邻还款周期对应的所述最终预测因子。

在一种可选的实施方式中，在所述根据目标放款周期的信贷资产在上一还款周期的逾期率与所述最终预测因子，对目标放款周期的信贷资产在当前还款周期的逾期率进行预测时，预测模块303，用于：

计算目标放款周期的信贷资产在上一还款周期的逾期率与所述最终预测因子之间的乘积，得到目标放款周期的信贷资产在当前还款周期的逾期率的预测结果。

如图4所示，本申请实施例提供了一种电子设备400，用于执行本申请中的信贷资产逾期率的预测方法，该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序，其中，存储器401与处理器402之间通过总线进行通信，上述处理器402执行上述计算机程序时实现上述的信贷资产逾期率的预测方法的步骤。

具体地，上述存储器401和处理器402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402运行存储器401存储的计算机程序时，能够执行上述的信贷资产逾期率的预测方法。

对应于本申请中的信贷资产逾期率的预测方法，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资产逾期率的预测方法的步骤。

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资产逾期率的预测方法。

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，可以通过其它的方式实现。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，机械或其它的形式。

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，即可以位于一个地方，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以所述权利要求的保护范围为准。

Claims (10)

1.一种信贷资产逾期率的预测方法，其特征在于，所述预测方法包括：

针对多组历史放款周期的信贷资产，根据每组所述历史放款周期的信贷资产在相邻还款周期之间的逾期率变化参数，计算得到每组所述历史放款周期的信贷资产在每一所述相邻还款周期对应的第一预测因子；

在预测目标放款周期的信贷资产在当前还款周期的逾期率时，以当前还款周期所在的相邻还款周期作为目标相邻还款周期，根据每组所述历史放款周期的信贷资产在所述目标相邻还款周期对应的第一预测因子，计算得到所述目标相邻周期对应的最终预测因子；其中，所述目标放款周期属于所述多组历史放款周期；

根据目标放款周期的信贷资产在上一还款周期的逾期率与所述最终预测因子，对目标放款周期的信贷资产在当前还款周期的逾期率进行预测，得到逾期率预测结果；其中，所述当前还款周期与所述上一还款周期组成所述目标相邻还款周期。

2.根据权利要求1所述的预测方法，其特征在于，通过以下方法确定每组所述历史放款周期的信贷资产在相邻还款周期之间的逾期率变化参数：

针对每组所述历史放款周期的信贷资产，分别获取该组历史放款周期的信贷资产在第一还款周期与第二还款周期的逾期率；其中，所述第二还款周期与所述第一还款周期组成所述相邻还款周期；

以该组历史放款周期的信贷资产在所述第一还款周期的逾期率作为第一逾期率，以该组历史放款周期的信贷资产在所述第二还款周期的逾期率作为第二逾期率，计算所述第二逾期率与所述第一逾期率之间的比值，得到该组历史放款周期的信贷资产在所述相邻还款周期之间的逾期率变化参数。

3.根据权利要求2所述的预测方法，其特征在于，所述获取该组历史放款周期的信贷资产在第一还款周期与第二还款周期的逾期率，包括：

计算第一待还款信贷资产的资产数量与该组历史放款周期的信贷资产的总资产数量之间的比值，得到该组历史放款周期的信贷资产在所述第一还款周期的逾期率；其中，所述第一待还款信贷资产表征在所述第一还款周期内未按时还款的信贷资产；

计算第二待还款信贷资产的资产数量与该组历史放款周期的信贷资产的总资产数量之间的比值，得到该组历史放款周期的信贷资产在所述第二还款周期的逾期率；其中，所述第二待还款信贷资产表征在所述第二还款周期内未按时还款的信贷资产。

4.根据权利要求1所述的预测方法，其特征在于，通过以下方法计算每组所述历史放款周期的信贷资产在所述目标相邻还款周期对应的第一预测因子：

在所述目标相邻还款周期为第j个还款周期所在的相邻还款周期时，针对第n组所述历史放款周期的信贷资产，按照以下公式计算第n组历史放款周期的信贷资产在所述目标相邻还款周期对应的第一预测因子：

其中，G_n，_j表征第n组历史放款周期的信贷资产在所述目标相邻还款周期对应的第一预测因子；

H_i表征第i组历史放款周期的信贷资产在所述目标相邻还款周期之间的逾期率变化参数；

第j个还款周期与第j-1个还款周期组成所述目标相邻还款周期；

N表征所述多组历史放款周期的组数。

5.根据权利要求4所述的预测方法，其特征在于，在所述目标相邻还款周期表征第j个还款周期与第j-1个还款周期组成的相邻还款周期时，通过以下公式计算得到第i组历史放款周期的信贷资产在所述目标相邻还款周期之间的逾期率变化参数H_i：

其中，S_i，_j-1表示第i组历史放款周期的信贷资产在第j-1个还款周期的逾期率；

S_i，_j表示第i组历史放款周期的信贷资产在第j个还款周期的逾期率。

6.根据权利要求1所述的预测方法，其特征在于，所述根据每组所述历史放款周期的信贷资产在所述目标相邻还款周期对应的第一预测因子，计算得到所述目标相邻还款周期对应的最终预测因子，包括：

计算多组所述历史放款周期的信贷资产在所述目标相邻还款周期对应的第一预测因子的均值，得到所述目标相邻还款周期对应的所述最终预测因子。

7.根据权利要求1所述的预测方法，其特征在于，所述根据目标放款周期的信贷资产在上一还款周期的逾期率与所述最终预测因子，对目标放款周期的信贷资产在当前还款周期的逾期率进行预测，包括：

计算目标放款周期的信贷资产在上一还款周期的逾期率与所述最终预测因子之间的乘积，得到目标放款周期的信贷资产在当前还款周期的逾期率的预测结果。

8.一种信贷资产逾期率的预测装置，其特征在于，所述预测装置包括：

第一计算模块，用于针对多组历史放款周期的信贷资产，根据每组所述历史放款周期的信贷资产在相邻还款周期之间的逾期率变化参数，计算得到每组所述历史放款周期的信贷资产在每一所述相邻还款周期对应的第一预测因子；

第二计算模块，用于在预测目标放款周期的信贷资产在当前还款周期的逾期率时，以当前还款周期所在的相邻还款周期作为目标相邻还款周期，根据每组所述历史放款周期的信贷资产在所述目标相邻还款周期对应的第一预测因子，计算得到所述目标相邻周期对应的最终预测因子；其中，所述目标放款周期属于所述多组历史放款周期；

预测模块，用于根据目标放款周期的信贷资产在上一还款周期的逾期率与所述最终预测因子，对目标放款周期的信贷资产在当前还款周期的逾期率进行预测，得到逾期率预测结果；其中，所述当前还款周期与所述上一还款周期组成所述目标相邻还款周期。

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任一所述的信贷资产逾期率的预测方法的步骤。

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任一所述的信贷资产逾期率的预测方法的步骤。