CN117764725A - 一种贷款数据的处理方法和装置 - Google Patents
一种贷款数据的处理方法和装置 Download PDFInfo
- Publication number
- CN117764725A CN117764725A CN202410038653.2A CN202410038653A CN117764725A CN 117764725 A CN117764725 A CN 117764725A CN 202410038653 A CN202410038653 A CN 202410038653A CN 117764725 A CN117764725 A CN 117764725A
- Authority
- CN
- China
- Prior art keywords
- index
- loan
- variable
- factors
- value
- 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
- 238000003672 processing method Methods 0.000 title abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000012795 verification Methods 0.000 claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000012163 sequencing technique Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 53
- 230000002159 abnormal effect Effects 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 35
- 238000012217 deletion Methods 0.000 claims description 24
- 230000037430 deletion Effects 0.000 claims description 24
- 238000013461 design Methods 0.000 claims description 20
- 230000003416 augmentation Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 14
- 230000001419 dependent effect Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 9
- 238000013210 evaluation model Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 30
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 238000007477 logistic regression Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 3
- 239000007795 chemical reaction product Substances 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供了一种贷款数据的处理方法和装置，其中，该方法包括：获取用于对目标对象进行贷款评估的指标体系；获取多个目标对象所述指标体系中各因子的取值，作为初始样本集；将所述初始样本集进行预处理，得到目标样本集；将目标样本集划分为训练集和验证集；通过所述训练集，对所述指标体系进行筛选，确定出具有影响能力的指标因子和各指标因子的影响力排序结果；建立贷款评估模型；通过所述验证集，对贷款评估模型进行验证，在验证通过的情况下，通过验证通过的贷款评估模型，进行贷款数据评估。通过上述方案解决了现有的对贷款数据进行风险预警的效率较低的技术问题，达到了对贷款数据进行高效处理，识别出可能的违约风险的技术效果。
Description
技术领域
本申请属于大数据技术领域，尤其涉及一种贷款数据的处理方法和装置。
背景技术
随着经济的不断发展，贷款违约等情况变得越来越频繁，这样势必会影响银行等金融机构的正常运行。目前一般是通过专家分析法、贷款评级法和信用评级法等方法来进行贷款的违约管理。然而，金融数据的体量是很大的，基于上述这些违约管理方法进行数据处理，效率是比较低的。
针对上述问题，目前尚未提出有效的解决方案。
发明内容
本申请目的在于提供一种贷款数据的处理方法和装置，可以高效实现对贷款数据的处理，识别出可能的违约风险。
本申请提供一种贷款数据的处理方法和装置是这样实现的：
一种贷款数据的处理方法，包括：
获取用于对目标对象进行贷款评估的指标体系，其中，所述指标体系包括：能力维度的多个指标因子和事件维度的多个指标因子；
获取多个目标对象所述指标体系中各因子的取值，作为初始样本集；
将所述初始样本集进行预处理，得到目标样本集；
将所述目标样本集划分为训练集和验证集；
通过所述训练集，对所述指标体系进行筛选，确定出具有影响能力的指标因子和各指标因子的影响力排序结果；
根据确定的具有影响能力的指标因子和各指标因子的影响力排序结果，以及所述训练集，建立贷款评估模型；
通过所述验证集，对所述贷款评估模型进行验证，在验证通过的情况下，通过验证通过的贷款评估模型，进行贷款数据评估。
在一个实施方式中，将所述初始样本集进行预处理，得到目标样本集，包括：
确定所述初始样本集中各因子的取值，是否存在缺失；
在确定存在缺失的情况下，确定缺失率是否超出预设阈值，在确定超出预设阈值的情况下，删除该因子的取值，在确定未超出所述预设阈值的情况下，进行数据插补；
确定缺失处理后，所述初始样本集中各指标因子的取值是否存在异常值；
在确定存在异常值的情况下，通过百分位数分布对该指标因子的异常取值进行截尾处理。
在一个实施方式中，通过百分位数分布对该指标因子的异常取值进行截尾处理，包括：
确定该指标因子的取值范围；
确定该异常取值所在的取值范围区间；
在异常取值低于第一分位数的情况下，取第一分位数所对应的取值替换该异常取值；
在异常取值高于第二分位数的情况下，取第二分位数所对应的取值替换该异常取值，其中，所述第一分位数小于所述第二分位数。
在一个实施方式中，通过所述训练集，对所述指标体系进行筛选，确定出具有影响能力的指标因子和各指标因子的影响力排序结果，包括：
将所述训练集中各目标对象的各指标因子的取值作为自变量，将贷款评估结果作为因变量，构建初始设计矩阵；
构建与所述初始设计矩阵结构相同的副本变量矩阵，其中，所述副本变量矩阵与所述贷款评估结果不相关；
将所述初始设计矩阵与所述副本变量矩阵进行合并，得到增广矩阵；
在增广矩阵上执行贷款评估结果的回归，以确定各指标因子是否与贷款评估结果关联；
在确定与贷款评估结果关联的情况下，将该指标因子确定为具有影响能力的指标因子，并确定影响力。
在一个实施方式中，在增广矩阵上执行贷款评估结果的回归，以确定各指标因子是否与贷款评估结果关联，包括：
将初始设计矩阵中的指标因子作为原始变量，将副本变量矩阵中的变量因子作为原始变量对应的变量；
确定原始变量和原始变量对应的副本变量，进入回归模型的先后顺序；
在原始变量先进入回归模型的情况下，确定该原始变量对应的指标因子与贷款评估结果关联；
在原始变量对应的副本变量先进入回归模型的情况下，确定该原始变量对应的指标因子不与贷款评估结果关联。
在一个实施方式中，所述回归模型表示为：
其中，β表示原始变量的回归系数，βKF表示副本变量的回归系数，β0为回归常数，λ为惩罚参数，xi表示第i个原始变量的取值，n表示原始变量的数量，yi表示是否与贷款评估结果关联，yi的取值为0或1，p表示目标对象的数量。
一种贷款数据的处理装置，包括：
第一获取模块，用于获取用于对目标对象进行贷款评估的指标体系，其中，所述指标体系包括：能力维度的多个指标因子和事件维度的多个指标因子；
第二获取模块，用于获取多个目标对象所述指标体系中各因子的取值，作为初始样本集；
预处理模块，用于将所述初始样本集进行预处理，得到目标样本集；
划分模块，用于将所述目标样本集划分为训练集和验证集；
确定模块，用于通过所述训练集，对所述指标体系进行筛选，确定出具有影响能力的指标因子和各指标因子的影响力排序结果；
建立模块，用于根据确定的具有影响能力的指标因子和各指标因子的影响力排序结果，以及所述训练集，建立贷款评估模型；
评估模块，用于通过所述验证集，对所述贷款评估模型进行验证，在验证通过的情况下，通过验证通过的贷款评估模型，进行贷款数据评估。
一种电子设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现上述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现上述方法的步骤。
一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述方法的步骤。
本申请提供的贷款数据的处理方法，以能力维度和事件维度建立对目标对象进行贷款评估的指标体系，然后通过训练集，对指标体系进行筛选，确定出具有影响能力的指标因子和各指标因子的影响力排序结果；进而，基于确定的具有影响能力的指标因子和各指标因子的影响力排序结果，以及所述训练集，建立贷款评估模型，并通过验证集，对所述贷款评估模型进行验证，在验证通过的情况下，通过验证通过的贷款评估模型，进行贷款数据评估。通过上述方案解决了现有的对贷款数据进行风险预警的效率较低的技术问题，达到了对贷款数据进行高效处理，识别出可能的违约风险的技术效果。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请提供的贷款风险预测方法一种实施例的方法流程图；
图2是本申请提供的贷款违约预测装置的结构框图；
图3是本申请提供的贷款数据的处理方法一种实施例的方法流程图；
图4是本申请提供的一种贷款数据的处理方法的电子设备的硬件结构框图；
图5是本申请提供的贷款数据的处理装置一种实施例的模块结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，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，显然，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。基于本申请中的实施例，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例，都应当属于本申请保护的范围。
考虑到在大数据的背景下，如果希望对贷款违约进行高效识别，那么需要从海量的金融数据中挖掘出有价值的信息，以确定每个贷款主体的违约风险波动的变化趋势及影响其风险变化的因素，从而可以实现对贷款违约风险的准确识别。
在本例中，以贷款主体的违约风险作为研究对象，从贷款主体的经营能力和贷款信息这两个维度构建指标体系，然后，对指标体系进行指标筛选，从指标体系中选择出具有较高解释能力的指标变量，基于这些选定的指标变量进行违约预测模型的构建，从而可以基于构建的预测模型进行贷款违约概率的预测，实现对潜在违约风险的公司贷款客户提前预警识别。
具体的，提供了一种贷款风险预测方法，可以如图1所示，包括如下步骤：
S1：从公司经营能力和贷款信息这两个维度选取相关指标变量，组成初始样本集；
例如，可以从公司经营能力和贷款信息这两个维度构建如下表1所示的指标体系，对于指标体系中各指标的变量取值，可以是通过银行大数据系统获取的，其中，贷款出现违约可以记为1，贷款未出现违约可以记为0。
表1
S2：对初始样本集进行数据预处理获得目标样本；
由于收集的原始指标数据会存在数据的缺失、数据不一致等问题，可以对初始样本集(即，原始指标数据)进行预处理，例如，进行缺失值处理、异常值处理以及数据归一化等。其中，缺失值是由于数据缺失或数据录入明显不正常导致的，为此，需要将这些缺失值进行删除或替换处理。例如，当缺失率高(>99％)时，可以直接删除该指标数据，当缺失率不高时，可以采用平均值、众数、中位数、零值进行替换，或者使用K最近距离邻法、期望值最大化法、多重插补法对缺失数据进行插补，从而解决缺失值的问题。
除了缺失值之外，数据集中有时会存在异常值，即明显与该指标的其它观测值差别较大的数据，这一般是在数据采集中随机发生的误差和偏差引起的，对此，在本例中，采用百分位数分布对变量做截尾处理，即，将低于5％分位数的数值用5％分位数填充，高于95％的数值用95％分位数填充。例如：数值的取值范围为0-100，低于5％分位数表示数值范围在0-4时，用数值5进行替换(填充)0-4的数值；同理，高于95％分位数表示数值范围在96-100时，用数值95进行替换(填充)96-100的数值。
在进行上述数据清洗之后，可以再进行数据归一化处理，由于原始指标存在单位、量纲不同的问题，为消除指标之间量纲的影响，在本例中，对指标数据进行归一化处理，使得数据更加具有可比性，例如，可以按照如下公式进行归一化处理，使得数据落在[0,1]范围内：
其中，x为原始指标值，x′为归一化后的指标值，xmax、xmin分别为原始指标的最大值、原始指标的最小值。
S3：将预处理后的初始样本集作为目标样本集，分别从公司贷款违约和公司贷款未违约的目标样本集中随机抽取70％的样本作为训练集，用于预测模型的构建，用剩下的30％的样本作为测试集，用于对预测模型进行有效性检验；
S4：利用训练集中的样本数据，通过随机交换设计矩阵X的n行来构造变量使得/>之间的相关性与原始变量X保持相同，但/>与被解释变量Y无关；将增广矩阵/>与因变量贷款违约(Y)建立回归模型进行指标筛选，得出相应的公司贷款违约预警指标及指标的重要性排序。
具体的，可以包括：
1)构造副本变量
设X表示p个公司的n个观测指标的n×p矩阵，将X称为设计矩阵。构造副本变量/>的协方差结构类似于X，但是独立于Y(即，贷款是否违约)，变量/>的目的是通过研究原始变量Xi是否在变量/>之前进入模型，从而确定原始变量Xi是否与Y相关。由于构造的变量/>与Y无关，因此，如果某个原始变量Xi在变量/>之后进入模型，可以认为这个原始变量不属于模型。
其中，被解释变量Y等价于前序的因变量贷款违约数据(Y)，被解释变量相当于方程的左式，也称因变量，解释变量相当于方程的右式，也称自变量。
例如：Y(被解释变量/因变量)＝aX1+bX2+cX3，其中，X(解释变量/自变量)＝(X1,X2,X3)，a、b、c为模型的参数。
2)指标筛选：
将原始变量X和构造变量进行合并，在n×2p的增广矩阵/>上执行Y的回归，则Y在增广矩阵/>上的λ惩罚回归系数为：
然后，将形成的n×2p增广矩阵作为新的解释变量矩阵，与因变量贷款违约(Y)进行建模，并设它们的回归系数分别为β和βKF，构建如下的回归模型：
其中，β0为回归常数，λ≥0为惩罚参数。
对于每个原始变量及其相应的变量，假定Ti＝sup{λ>0，i∈(1,…,p,p+1,…,2p)，Ti表示变量进入模型时惩罚参数λ的最大值，根据λ的最大值，如果i∈(1,…,p)，则原始变量Xi先进入上述回归模型，若i∈(p+1,…,2p)，则表示变量/>先进入上述回归模型。基于每一对变量/>构造上述回归模型的统计量Wi：
其中， 表示Ti+p。
然后，根据Wi的正负值来确定原始变量Xi是在变量之前进入模型还是在变量之后进入模型。其中，Wi为负值表明原始变量Xi是在变量/>之后进入模型，则可将该变量进行消除。相反，Wi为正值表明原始变量Xi比变量/>更早地进入模型，更可能是模型中的真实变量。同时，Wi可以根据原始变量的重要性对其进行排序，Wi越大，表明相关原始变量就越相关。
基于此，可以设置阈值s，使最终选择的指标变量集合为因此，例如，可以将阈值s设定为0.1，从而避免存在众多冗余变量和限制性过强等问题。
通过上述变量选择的过程，可以计算出上述回归模型的统计量(Wi)与阈值(s)，得出相应的公司贷款违约预警指标及指标重要性排序，其中，指标系数值越大说明该指标的重要度更高。在进行变量选择的同时控制了错误变量选入模型的变量的比例，即控制变量选择的假阳性。通过这种方式不仅可以达到降维的效果，还可以控制变量错误选择的比例，并将筛选出的指标根据其重要性进行排序。
S5：利用选出的指标变量构建Logistic回归模型进行贷款违约概率预测，实现对潜在违约风险的公司贷款客户提前预警识别，根据指标重要性排序，为金融机构的贷款风险管理提供逻辑支持。
在建立公司贷款违约预测的模型时，Logistic回归方法能够清楚的解释样本指标和样本类别函数的关系，且具有较准确的分类精度和稳定性，在面对二分类问题时，可以通过Logistic回归方法将待分类的样本的类别分成两类，即，可以将公司贷款划分为是否违约，从而对公司贷款违约行为进行分类预测。假设通过上述指标选择所选出的指标变量为Xs(s＝1,2,…,m)，然后，可以根据Xs和Y构建基于Logistic回归的预测模型，以对贷款风险进行决策分析。
具体的，通过训练集和上述选择的指标变量拟合Logistic回归，求解模型系数：
其中，表示第i个公司的第s个指标的变量值，β0为回归常数。
将测试集指标数据代入模型，预测待判别公司贷款的违约概率：
其中，表示待判别公司的违约概率，取值在0-1之间，违约为1，未违约为0。
即，通过训练集进行预警模型的构建，测试集进行模型的检验。首先，通过训练集能够计算得到模型的参数，从而可建立预警模型。然后，基于预警模型，将30％的测试集带入模型中，可计算(预测)该公司是否违约贷款，其中，当p值为1时代表违约，p值为0时代表不违约。通过测试，可以确定模型的准确率。如果将30％的测试集带入模型中得到的公司违约预测值与真实值一致，说明构建的模型准确率，可用此模型及时为业务部门作出贷款管理决策提供逻辑支持。
基于此，在本例中还提供了一种公司贷款违约预测装置，如图2所示，可以包括：数据处理模块、指标变量选择模块、贷款违约预测模块，其中：
1)数据处理模块，用于从公司经营能力和贷款信息这两个维度选取相关指标变量组成初始样本集；然后，对初始样本集进行数据清洗和数据归一化处理，得到目标样本集；最后，将目标样本划分为训练集和测试集。
2)指标变量选择模块，用于利用训练集样本，通过随机交换设计矩阵X的n行来构造变量使得/>之间的相关性与原始变量X保持相同，但/>与被解释变量Y无关；将增广矩阵/>与因变量贷款违约(Y)建立Logistic回归模型进行指标筛选，得出相应的公司贷款违约预警指标及指标重要性排序。
3)贷款违约预测模块，用于利用选出的指标变量构建Logistic回归模型进行贷款违约概率预测，实现对潜在违约风险的公司贷款客户提前预测识别。
在上例中，通过大数据、指标选择和Logistic回归方法，通过从不同维度引入公司经营能力和贷款信息原始指标数据，并通过构造副本变量确保了指标选择的准确性，从而构建有效指标体系，进而基于所选指标在Logistic回归模型下对公司贷款违约风险进行预测，实现对潜在违约风险的公司贷款提前预警识别，从而提升银行等金融机构的风险管理水平，帮助银行降低公司贷款的隐患。
图3是本申请提供的贷款数据的处理方法一种实施例的方法流程图。虽然本申请提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本申请实施例描述及附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构连接进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至分布式处理环境)。
具体的，如图3所示，上述的贷款数据的处理方法可以包括如下步骤：
步骤301：获取用于对目标对象进行贷款评估的指标体系，其中，所述指标体系包括：能力维度的多个指标因子和事件维度的多个指标因子；
其中，能力维度可以是公司经营能力，事件维度可以是贷款信息，具体的指标因子，可以是通过银行的大数据系统获取的，其中，贷款出现违约可以记为1，贷款未出现违约可以记为0。上述能力维度的多个指标因子可以包括但不限于以下一个或多个：主营业务收入(X1)、营业总成本(X2)、无形资产(X3)、长期借款(X4)、短期借款(X5)、资产负债率(X6)、资产流动率(X7)、权益增长率(X8)、资产报酬率(X9)、应收账款(X10)、经营年限(X11)、经营稳定性(X12)、法人净资产(X13)；事件维度的多个指标因子可以包括但不限于以下一个或多个：贷款违约(Y)、贷款年利率(X14)、贷款金额(X15)、贷款期限(X16)和担保方式(X17)。
步骤302：获取多个目标对象所述指标体系中各因子的取值，作为初始样本集；
步骤303：将所述初始样本集进行预处理，得到目标样本集；
考虑到对于初始样本集中的数据，可以是冲大数据平台统计获取的，这里面会存在数据的缺失、数据不一致、异常值等问题，为此，可以对数据进行一定的预处理，例如，可以确定所述初始样本集中各因子的取值，是否存在缺失；在确定存在缺失的情况下，确定缺失率是否超出预设阈值，在确定超出预设阈值的情况下，删除该因子的取值，在确定未超出所述预设阈值的情况下，进行数据插补；确定缺失处理后，所述初始样本集中各指标因子的取值是否存在异常值；在确定存在异常值的情况下，通过百分位数分布对该指标因子的异常取值进行截尾处理。
其中，通过百分位数分布对该指标因子的异常取值进行截尾处理，可以是：确定该指标因子的取值范围；确定该异常取值所在的取值范围区间；在异常取值低于第一分位数的情况下，取第一分位数所对应的取值替换该异常取值；在异常取值高于第二分位数的情况下，取第二分位数所对应的取值替换该异常取值，其中，所述第一分位数小于所述第二分位数。
例如：数值的取值范围为0-100，低于5％分位数表示数值范围在0-4时，用数值5进行替换(填充)0-4的数值；同理，高于95％分位数表示数值范围在96-100时，用数值95进行替换(填充)96-100的数值。
步骤304：将所述目标样本集划分为训练集和验证集；
例如：可以分别从公司贷款违约和公司贷款未违约的目标样本集中随机抽取70％的样本作为训练集，用于预测模型的构建，用剩下的30％的样本作为测试集，用于对预测模型进行有效性检验。
步骤305：通过所述训练集，对所述指标体系进行筛选，确定出具有影响能力的指标因子和各指标因子的影响力排序结果；
步骤306：根据确定的具有影响能力的指标因子和各指标因子的影响力排序结果，以及所述训练集，建立贷款评估模型；
步骤307：通过所述验证集，对所述贷款评估模型进行验证，在验证通过的情况下，通过验证通过的贷款评估模型，进行贷款数据评估。
在上述通过所述训练集，对所述指标体系进行筛选，确定出具有影响能力的指标因子和各指标因子的影响力排序结果的时候，可以是将训练集中各目标对象的各指标因子的取值作为自变量，将贷款评估结果作为因变量，构建初始设计矩阵；构建与初始设计矩阵结构相同的副本变量矩阵，其中，所述副本变量矩阵与所述贷款评估结果不相关；将所述初始设计矩阵与所述副本变量矩阵进行合并，得到增广矩阵；在增广矩阵上执行贷款评估结果的回归，以确定各指标因子是否与贷款评估结果关联；在确定与贷款评估结果关联的情况下，将该指标因子确定为具有影响能力的指标因子，并确定影响力。
即，利用训练集中的样本，通过随机交换设计矩阵X的n行来构造变量使得/>之间的相关性与原始变量X保持相同，但/>与被解释变量Y无关；将增广矩阵/>与因变量贷款违约(Y)建立Logistic回归模型进行指标筛选，得出相应的公司贷款违约预警指标及指标重要性排序。
具体的，在在增广矩阵上执行贷款评估结果的回归，以确定各指标因子是否与贷款评估结果关联的时候，可以是将初始设计矩阵中的指标因子作为原始变量，将副本变量矩阵中的变量因子作为原始变量对应的变量；确定原始变量和原始变量对应的副本变量，进入回归模型的先后顺序；在原始变量先进入回归模型的情况下，确定该原始变量对应的指标因子与贷款评估结果关联；在原始变量对应的副本变量先进入回归模型的情况下，确定该原始变量对应的指标因子不与贷款评估结果关联。
其中，上述回归模型可以表示为：
其中，β表示原始变量的回归系数，βKF表示副本变量的回归系数，β0为回归常数，λ为惩罚参数，xi表示第i个原始变量的取值，n表示原始变量的数量，yi表示是否与贷款评估结果关联，yi的取值为0或1，p表示目标对象的数量。
具体的，对于每个原始变量及其相应的副本变量，假定Ti＝sup{λ>0，i∈(1,…,p,p+1,…,2p)，Ti表示变量进入模型时惩罚参数λ的最大值，根据λ的最大值，如果i∈(1,…,p)，则原始变量Xi先进入上述回归模型，若i∈(p+1,…,2p)，则表示变量/>先进入上述回归模型。基于每一对变量/>构造上述回归模型的统计量Wi：
其中， 表示Ti+p。
然后，根据Wi的正负值来确定原始变量Xi是在副本变量之前进入模型还是在变量/>之后进入模型。其中，Wi为负值表明原始变量Xi是在副本变量/>之后进入模型，则可将该变量进行消除。相反，Wi为正值表明原始变量Xi比副本变量/>更早地进入模型，更可能是模型中的真实变量。同时，Wi可以根据原始变量的重要性对其进行排序，Wi越大，表明相关原始变量就越相关。
基于此，可以设置阈值s，使最终选择的指标变量集合为因此，例如，可以将阈值s设定为0.1，从而避免存在众多冗余变量和限制性过强等问题。
通过上述变量选择的过程，可以计算出上述回归模型的统计量(Wi)与阈值(s)，得出相应的公司贷款违约预警指标及指标重要性排序，其中，指标系数值越大说明该指标的重要度更高。在进行变量选择的同时控制了错误变量选入模型的变量的比例，即控制变量选择的假阳性。通过这种方式不仅可以达到降维的效果，还可以控制变量错误选择的比例，并将筛选出的指标根据其重要性进行排序。
本申请上述实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在电子设备上为例，图4是本申请提供的一种贷款数据的处理方法的电子设备的硬件结构框图。如图4所示，电子设备10可以包括一个或多个(图中仅示出一个)处理器02(处理器02可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器04、以及用于通信功能的传输模块06。本领域普通技术人员可以理解，图4所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，电子设备10还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。
存储器04可用于存储应用软件的软件程序以及模块，如本申请实施例中的贷款数据的处理方法对应的程序指令/模块，处理器02通过运行存储在存储器04内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的贷款数据的处理方法。存储器04可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器04可进一步包括相对于处理器02远程设置的存储器，这些远程存储器可以通过网络连接至电子设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块06用于经由一个网络接收或者发送数据。上述的网络具体实例可包括电子设备10的通信供应商提供的无线网络。在一个实例中，传输模块06包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块06可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
在软件层面，上述贷款数据的处理装置可以如图5所示，包括：
第一获取模块501，用于获取用于对目标对象进行贷款评估的指标体系，其中，所述指标体系包括：能力维度的多个指标因子和事件维度的多个指标因子；
第二获取模块502，用于获取多个目标对象所述指标体系中各因子的取值，作为初始样本集；
预处理模块503，用于将所述初始样本集进行预处理，得到目标样本集；
划分模块504，用于将所述目标样本集划分为训练集和验证集；
确定模块505，用于通过所述训练集，对所述指标体系进行筛选，确定出具有影响能力的指标因子和各指标因子的影响力排序结果；
建立模块506，用于根据确定的具有影响能力的指标因子和各指标因子的影响力排序结果，以及所述训练集，建立贷款评估模型；
评估模块507，用于通过所述验证集，对所述贷款评估模型进行验证，在验证通过的情况下，通过验证通过的贷款评估模型，进行贷款数据评估。
在一个实施方式中，上述预处理模块503具体可以用于确定所述初始样本集中各因子的取值，是否存在缺失；在确定存在缺失的情况下，确定缺失率是否超出预设阈值，在确定超出预设阈值的情况下，删除该因子的取值，在确定未超出所述预设阈值的情况下，进行数据插补；确定缺失处理后，所述初始样本集中各指标因子的取值是否存在异常值；在确定存在异常值的情况下，通过百分位数分布对该指标因子的异常取值进行截尾处理。
在一个实施方式中，通过百分位数分布对该指标因子的异常取值进行截尾处理，可以包括：确定该指标因子的取值范围；确定该异常取值所在的取值范围区间；在异常取值低于第一分位数的情况下，取第一分位数所对应的取值替换该异常取值；在异常取值高于第二分位数的情况下，取第二分位数所对应的取值替换该异常取值，其中，所述第一分位数小于所述第二分位数。
在一个实施方式中，通过所述训练集，对所述指标体系进行筛选，确定出具有影响能力的指标因子和各指标因子的影响力排序结果，可以包括：将所述训练集中各目标对象的各指标因子的取值作为自变量，将贷款评估结果作为因变量，构建初始设计矩阵；构建与所述初始设计矩阵结构相同的副本变量矩阵，其中，所述副本变量矩阵与所述贷款评估结果不相关；将所述初始设计矩阵与所述副本变量矩阵进行合并，得到增广矩阵；在增广矩阵上执行贷款评估结果的回归，以确定各指标因子是否与贷款评估结果关联；在确定与贷款评估结果关联的情况下，将该指标因子确定为具有影响能力的指标因子，并确定影响力。
在一个实施方式中，在增广矩阵上执行贷款评估结果的回归，以确定各指标因子是否与贷款评估结果关联，可以包括：将初始设计矩阵中的指标因子作为原始变量，将副本变量矩阵中的变量因子作为原始变量对应的变量；确定原始变量和原始变量对应的副本变量，进入回归模型的先后顺序；在原始变量先进入回归模型的情况下，确定该原始变量对应的指标因子与贷款评估结果关联；在原始变量对应的副本变量先进入回归模型的情况下，确定该原始变量对应的指标因子不与贷款评估结果关联。
在一个实施方式中，回归模型可以表示为：
其中，β表示原始变量的回归系数，βKF表示副本变量的回归系数，β0为回归常数，λ为惩罚参数，xi表示第i个原始变量的取值，n表示原始变量的数量，yi表示是否与贷款评估结果关联，yi的取值为0或1，p表示目标对象的数量。
本申请的实施例还提供能够实现上述实施例中的贷款数据的处理方法中全部步骤的一种电子设备的具体实施方式，所述电子设备具体包括如下内容：处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的贷款数据的处理方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤1：获取用于对目标对象进行贷款评估的指标体系，其中，所述指标体系包括：能力维度的多个指标因子和事件维度的多个指标因子；
步骤2：获取多个目标对象所述指标体系中各因子的取值，作为初始样本集；
步骤3：将所述初始样本集进行预处理，得到目标样本集；
步骤4：将所述目标样本集划分为训练集和验证集；
步骤5：通过所述训练集，对所述指标体系进行筛选，确定出具有影响能力的指标因子和各指标因子的影响力排序结果；
步骤6：根据确定的具有影响能力的指标因子和各指标因子的影响力排序结果，以及所述训练集，建立贷款评估模型；
步骤7：通过所述验证集，对所述贷款评估模型进行验证，在验证通过的情况下，通过验证通过的贷款评估模型，进行贷款数据评估。
本申请的实施例还提供能够实现上述实施例中的贷款数据的处理方法中全部步骤的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，该计算机程序被处理器执行时实现上述实施例中的贷款数据的处理方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤1：获取用于对目标对象进行贷款评估的指标体系，其中，所述指标体系包括：能力维度的多个指标因子和事件维度的多个指标因子；
步骤2：获取多个目标对象所述指标体系中各因子的取值，作为初始样本集；
步骤3：将所述初始样本集进行预处理，得到目标样本集；
步骤4：将所述目标样本集划分为训练集和验证集；
步骤5：通过所述训练集，对所述指标体系进行筛选，确定出具有影响能力的指标因子和各指标因子的影响力排序结果；
步骤6：根据确定的具有影响能力的指标因子和各指标因子的影响力排序结果，以及所述训练集，建立贷款评估模型；
步骤7：通过所述验证集，对所述贷款评估模型进行验证，在验证通过的情况下，通过验证通过的贷款评估模型，进行贷款数据评估。
从上述描述可知，本申请实施例以能力维度和事件维度建立对目标对象进行贷款评估的指标体系，然后通过训练集，对指标体系进行筛选，确定出具有影响能力的指标因子和各指标因子的影响力排序结果；进而，基于确定的具有影响能力的指标因子和各指标因子的影响力排序结果，以及所述训练集，建立贷款评估模型，并通过验证集，对所述贷款评估模型进行验证，在验证通过的情况下，通过验证通过的贷款评估模型，进行贷款数据评估。通过上述方案解决了现有的对贷款数据进行风险预警的效率较低的技术问题，达到了对贷款数据进行高效处理，识别出可能的违约风险的技术效果。
本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置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，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接口，装置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。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。
Claims (10)
1.一种贷款数据的处理方法，其特征在于，所述方法包括：
获取用于对目标对象进行贷款评估的指标体系，其中，所述指标体系包括：能力维度的多个指标因子和事件维度的多个指标因子；
获取多个目标对象所述指标体系中各因子的取值，作为初始样本集；
将所述初始样本集进行预处理，得到目标样本集；
将所述目标样本集划分为训练集和验证集；
通过所述训练集，对所述指标体系进行筛选，确定出具有影响能力的指标因子和各指标因子的影响力排序结果；
根据确定的具有影响能力的指标因子和各指标因子的影响力排序结果，以及所述训练集，建立贷款评估模型；
通过所述验证集，对所述贷款评估模型进行验证，在验证通过的情况下，通过验证通过的贷款评估模型，进行贷款数据评估。
2.根据权利要求1所述的方法，其特征在于，将所述初始样本集进行预处理，得到目标样本集，包括：
确定所述初始样本集中各因子的取值，是否存在缺失；
在确定存在缺失的情况下，确定缺失率是否超出预设阈值，在确定超出预设阈值的情况下，删除该因子的取值，在确定未超出所述预设阈值的情况下，进行数据插补；
确定缺失处理后，所述初始样本集中各指标因子的取值是否存在异常值；
在确定存在异常值的情况下，通过百分位数分布对该指标因子的异常取值进行截尾处理。
3.根据权利要求2所述的方法，其特征在于，通过百分位数分布对该指标因子的异常取值进行截尾处理，包括：
确定该指标因子的取值范围；
确定该异常取值所在的取值范围区间；
在异常取值低于第一分位数的情况下，取第一分位数所对应的取值替换该异常取值；
在异常取值高于第二分位数的情况下，取第二分位数所对应的取值替换该异常取值，其中，所述第一分位数小于所述第二分位数。
4.根据权利要求1所述的方法，其特征在于，通过所述训练集，对所述指标体系进行筛选，确定出具有影响能力的指标因子和各指标因子的影响力排序结果，包括：
将所述训练集中各目标对象的各指标因子的取值作为自变量，将贷款评估结果作为因变量，构建初始设计矩阵；
构建与所述初始设计矩阵结构相同的副本变量矩阵，其中，所述副本变量矩阵与所述贷款评估结果不相关；
将所述初始设计矩阵与所述副本变量矩阵进行合并，得到增广矩阵；
在增广矩阵上执行贷款评估结果的回归，以确定各指标因子是否与贷款评估结果关联；
在确定与贷款评估结果关联的情况下，将该指标因子确定为具有影响能力的指标因子，并确定影响力。
5.根据权利要求4所述的方法，其特征在于，在增广矩阵上执行贷款评估结果的回归，以确定各指标因子是否与贷款评估结果关联，包括：
将初始设计矩阵中的指标因子作为原始变量，将副本变量矩阵中的变量因子作为原始变量对应的变量；
确定原始变量和原始变量对应的副本变量，进入回归模型的先后顺序；
在原始变量先进入回归模型的情况下，确定该原始变量对应的指标因子与贷款评估结果关联；
在原始变量对应的副本变量先进入回归模型的情况下，确定该原始变量对应的指标因子不与贷款评估结果关联。
6.根据权利要求5所述的方法，其特征在于，所述回归模型表示为：
其中，β表示原始变量的回归系数，βKF表示副本变量的回归系数，β0为回归常数，λ为惩罚参数，xi表示第i个原始变量的取值，n表示原始变量的数量，yi表示是否与贷款评估结果关联，yi的取值为0或1，p表示目标对象的数量。
7.一种贷款数据的处理装置，其特征在于，包括：
第一获取模块，用于获取用于对目标对象进行贷款评估的指标体系，其中，所述指标体系包括：能力维度的多个指标因子和事件维度的多个指标因子；
第二获取模块，用于获取多个目标对象所述指标体系中各因子的取值，作为初始样本集；
预处理模块，用于将所述初始样本集进行预处理，得到目标样本集；
划分模块，用于将所述目标样本集划分为训练集和验证集；
确定模块，用于通过所述训练集，对所述指标体系进行筛选，确定出具有影响能力的指标因子和各指标因子的影响力排序结果；
建立模块，用于根据确定的具有影响能力的指标因子和各指标因子的影响力排序结果，以及所述训练集，建立贷款评估模型；
评估模块，用于通过所述验证集，对所述贷款评估模型进行验证，在验证通过的情况下，通过验证通过的贷款评估模型，进行贷款数据评估。
8.一种电子设备，包括处理器以及用于存储处理器可执行指令的存储器，其特征在于，所述处理器执行所述指令时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410038653.2A CN117764725A (zh) | 2024-01-10 | 2024-01-10 | 一种贷款数据的处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410038653.2A CN117764725A (zh) | 2024-01-10 | 2024-01-10 | 一种贷款数据的处理方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117764725A true CN117764725A (zh) | 2024-03-26 |
Family
ID=90310863
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410038653.2A Pending CN117764725A (zh) | 2024-01-10 | 2024-01-10 | 一种贷款数据的处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117764725A (zh) |
-
2024
- 2024-01-10 CN CN202410038653.2A patent/CN117764725A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106991488A (zh) | 关键词和资产价值的关联性评估方法及其装置 | |
| CN110162566A (zh) | 业务数据的关联分析方法、装置、计算机设备及存储介质 | |
| CN110728301A (zh) | 一种个人用户的信用评分方法、装置、终端及存储介质 | |
| CN113807469A (zh) | 一种多能源用户价值预测方法、装置、存储介质和设备 | |
| CN111798246A (zh) | 一种金融风险等级评估方法和装置 | |
| CN114971891A (zh) | 风险预测方法和装置、处理器及电子设备 | |
| CN109003181B (zh) | 可疑用户确定方法、装置、设备和计算机可读存储介质 | |
| CN118134652A (zh) | 一种资产配置方案生成方法、装置、电子设备及介质 | |
| CN113935788A (zh) | 模型评估方法、装置、设备及计算机可读存储介质 | |
| CN114219611A (zh) | 贷款额度计算方法、装置、计算机设备和存储介质 | |
| KR102336462B1 (ko) | 신용평가정보 제공 장치 및 방법 | |
| CN117437001A (zh) | 目标对象的指标数据处理方法、装置及计算机设备 | |
| CN109191185A (zh) | 一种客群分类方法及系统 | |
| CN112686423A (zh) | 基于机器学习的信托产品收益率预测方法及装置 | |
| CN116630030A (zh) | 一种运营商与互联网行业信用评估方法与系统 | |
| CN117764725A (zh) | 一种贷款数据的处理方法和装置 | |
| CN115713345A (zh) | 变量筛选方法、装置、非易失性存储介质及处理器 | |
| CN112926991B (zh) | 一种套现团伙严重等级划分方法及系统 | |
| CN114372867A (zh) | 用户信用度的验证评估方法、装置和计算机设备 | |
| CN115660822A (zh) | 用于金融业务的风控策略处理方法以及装置、电子设备、存储介质 | |
| KR102499182B1 (ko) | 인공지능을 이용한 가계대출 사기/부실 상시감사지원시스템 | |
| CN111737319B (zh) | 用户集群的预测方法、装置、计算机设备和存储介质 | |
| CN113610113A (zh) | 一种数据可视化方法及装置 | |
| CN116051296B (zh) | 基于标准化保险数据的客户评价分析方法及系统 | |
| CN113177002B (zh) | 基于测试点的测试设计方法、装置、电子设备和介质 |
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 |