CN117893307A - 一种资源流处理方法、装置及电子设备 - Google Patents
一种资源流处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117893307A CN117893307A CN202410039877.5A CN202410039877A CN117893307A CN 117893307 A CN117893307 A CN 117893307A CN 202410039877 A CN202410039877 A CN 202410039877A CN 117893307 A CN117893307 A CN 117893307A
- Authority
- CN
- China
- Prior art keywords
- target object
- period
- data
- principal
- predicted 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 claims description 12
- 238000005111 flow chemistry technique Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims description 70
- 238000012545 processing Methods 0.000 claims description 49
- 238000011161 development Methods 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004806 packaging method and process Methods 0.000 claims description 5
- 238000013523 data management Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 229910000510 noble metal Inorganic materials 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000010970 precious metal Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书提供一种资源流处理方法、装置及电子设备，涉及数据处理领域，可用于金融领域，本方案通过数据提供平台获取数据提供方提供的对象数据集合并存储至数据库，从数据库中查找与目标对象的标识对应的特有数据以及通用数据，将目标对象的标识对应的特有数据和通用数据输入预先存储的预测模型，得到目标对象在未来各时间周期的资源量预测值，呈现该预测结果并将其保存至数据库中。本方案通过数据提供平台、数据库实现对象数据的管理，并通过预测模型得到目标对象在未来各时间周期的资源量预测值，本方案的资源流处理方式使得用户操作更为便捷，并且对象数据以及预测结果的数据安全性较高，用户不容易篡改数据。
Description
技术领域
本申请涉及数据处理技术领域，可用于金融领域，特别涉及一种资源流处理方法、装置及电子设备。
背景技术
对于资源运营类的企业而言，资源流的预测准确性关系到企业的正常运行状态以及重大决策。资源运营是指企业一次性借出大量资源，然后定期收取部分资源及利息，或者一次性借入大量资源，然后定期偿还部分资源及利息。虽然预先会制定规律的资源收取或偿还计划，然而由于需要支付利息，借入资源(即需要定期偿还资源)的一方通常会在计划外提前偿还部分资源以减少总体利息支付。这使得资源运营方的资源流较不稳定，需要对资源流进行较为准确的预测。
现有的资源流预测方法，通常是将资源量相关数据统计在Excel表格中，然后利用Excel表格中的计算功能计算未来各时间周期的资源量数据，并将预测结果保存在Excel表格中进行呈现或在企业内部流转。
这种资源流处理方法对于资源数据的管理较不便捷；并且，数据安全性较低、容易被篡改，进而导致资源流预测出错。
发明内容
本说明书提供一种资源流处理方法、装置及电子设备，以解决现有资源流处理方法对于数据的管理不便捷、数据安全性较差的问题。
为解决上述技术问题，本说明书第一方面提供一种资源流处理方法，包括：通过数据提供平台获取数据提供方提供的对象数据集合并存储至数据库中；所述对象数据集合中包括适用于多个对象的通用数据和各对象标识分别对应的特有数据；获取目标对象的标识，并从数据库中查找与所述目标对象的标识对应的特有数据以及通用数据；将所述目标对象的标识对应的特有数据以及通用数据输入预先存储的预测模型，通过所述预测模型确定所述目标对象在未来各时间周期的资源量预测值；呈现所述目标对象在未来各时间周期的资源量预测值，并保存至数据库中。
在一些实施例中，所述方法还包括：根据所述目标对象在未来各时间周期的资源量预测值执行以下至少一种处理：确定所述目标对象的敞口和/或头寸计量数据、进行目标实体的账务处理。
在一些实施例中，将所述目标对象的标识对应的特有数据以及通用数据输入预先存储的预测模型，通过所述预测模型确定所述目标对象在未来各时间周期的资源量预测值，包括：将所述目标对象的标识对应的特有数据以及通用数据输入预先存储的至少两个预测模型，得到各个预测模型分别对于所述目标对象在未来各时间周期的资源量预测值。
在一些实施例中，所述预测模型包括第一预测模型；所述第一预测模型通过以下方法确定所述目标对象在未来各时间周期的资源量预测值：根据条件提前还款率、每年付息期数计算单月清偿率；根据截至第K期的剩余本金、加权平均利率、每年付息期数、所述目标对象到期时期数、所述目标对象下一次付息所处期数计算所述目标对象在第K期计划偿付的本金；根据所述目标对象截至第K期的剩余本金、在第K期计划偿付的本金、单月清偿率预测第K期提前偿付的本金；根据所述目标对象截至第K期的剩余本金计算第K期的利息金额；根据所述目标对象在第K期计划偿付的本金、第K期提前偿付的本金、第K期的利息计算在第K期的资源量预测值；其中，所述K的取值为目标对象在未来的任意期数，所述条件提前偿付率为固定值。
在一些实施例中，所述预测模型包括第二预测模型；所述第二预测模型通过以下方法确定所述目标对象在未来各时间周期的资源量预测值：根据条件提前还款率、每年付息期数计算单月清偿率；根据截至第K期的剩余本金、加权平均利率、每年付息期数、所述目标对象到期时期数、所述目标对象下一次付息所处期数计算所述目标对象在第K期计划偿付的本金；根据所述目标对象截至第K期的剩余本金、在第K期计划偿付的本金、单月清偿率预测第K期提前偿付的本金；根据所述目标对象截至第K期的剩余本金计算第K期的利息金额；根据所述目标对象在第K期计划偿付的本金、第K期提前偿付的本金、第K期的利息计算在第K期的资源量预测值；其中，所述K的取值为目标对象在未来的任意期数；所述条件提前偿付率在前M个月是按线性递增的，所述M为预先设置的正整数。
在一些实施例中，所述预测模型包括第三预测模型；所述第三预测模型通过以下方法确定所述目标对象在未来各时间周期的资源量预测值：根据条件提前还款率、每年付息期数计算单月清偿率；根据截至第K期的剩余本金、加权平均利率、每年付息期数、所述目标对象到期时期数、所述目标对象下一次付息所处期数计算所述目标对象在第K期计划偿付的本金；根据所述目标对象的所有本金、单月清偿率预测第K期提前偿付的第一本金值；其中各期提前偿付的本金相等；根据截至第K期的剩余本金、在第K期计划偿付的本金计算剩余本金值；根据目标对象在第K期计划偿付的本金，以及所述第一本金值、所述剩余本金值中的最小值计算第K期偿付的总本金；根据所述目标对象截至第K期的剩余本金计算第K期的利息金额；根据所述目标对象在第K期偿付的总本金、第K期的利息计算在第K期的资源量预测值；其中，所述K的取值为目标对象在未来的任意期数；所述条件提前偿付率为固定值。
在一些实施例中，在根据所述目标对象在未来各时间周期的资源量预测值执行以下至少一种处理：确定所述目标对象的敞口和/或头寸计量数据、进行目标实体的账务处理之前，包括：呈现多个预测模型分别对于所述目标对象在未来各时间周期的资源量预测值；获取用户对于各时间周期的资源量预测值的选取操作，所述选取操作对于所述目标对象在未来的每一时间周期选择所述多个预测模型中的一个预测模型得到的资源量预测值；将用户选取的各个时间周期的资源量预测值打包发送至其他数据处理模块，以用于其他数据处理模块根据所述目标对象在未来各时间周期的资源量预测值执行以下至少一种处理：确定所述目标对象的敞口和/或头寸计量数据、进行目标实体的账务处理。
在一些实施例中，所述方法还包括：在所述数据提供平台获取的所述目标对象的特有数据缺失的情况下，从数据库中查找所述目标对象的标识对应的协议数据；从所述协议数据中分析得到所述目标对象的特有数据。
在一些实施例中，所述方法还包括：获取所述目标对象在历史上各时间周期的特有数据、构成所述目标对象的子目标对象的发展指数；子目标对象的发展指数用于表征子目标对象的发展潜力和/或稳定性；根据所述目标对象在历史上各时间周期的特有数据、构成所述目标对象的子目标对象的发展指数预测所述目标对象在未来各时间周期的特有数据。
在一些实施例中，所述特有数据包括条件提前还款率和/或单月清偿率。
本说明书第二方面提供一种资源流处理装置，包括：第一获取单元，用于通过数据提供平台获取数据提供方提供的对象数据集合并存储至数据库中；所述对象数据集合中包括适用于多个对象的通用数据和各对象标识分别对应的特有数据；第二获取单元，用于获取目标对象的标识，并从数据库中查找与所述目标对象的标识对应的特有数据以及通用数据；第一预测单元，用于将所述目标对象的标识对应的特有数据以及通用数据输入预先存储的预测模型，通过所述预测模型确定所述目标对象在未来各时间周期的资源量预测值；第一处理单元，用于呈现所述目标对象在未来各时间周期的资源量预测值，并保存至数据库中。
在一些实施例中，所述装置还包括：第二处理单元，用于根据所述目标对象在未来各时间周期的资源量预测值执行以下至少一种处理：确定所述目标对象的敞口和/或头寸计量数据、进行目标实体的账务处理。
在一些实施例中，所述第一预测单元包括：预测子单元，用于将所述目标对象的标识对应的特有数据以及通用数据输入预先存储的至少两个预测模型，得到各个预测模型分别对于所述目标对象在未来各时间周期的资源量预测值。
在一些实施例中，所述预测模型包括第一预测模型；所述第一预测模型通过以下方法确定所述目标对象在未来各时间周期的资源量预测值：根据条件提前还款率、每年付息期数计算单月清偿率；根据截至第K期的剩余本金、加权平均利率、每年付息期数、所述目标对象到期时期数、所述目标对象下一次付息所处期数计算所述目标对象在第K期计划偿付的本金；根据所述目标对象截至第K期的剩余本金、在第K期计划偿付的本金、单月清偿率预测第K期提前偿付的本金；根据所述目标对象截至第K期的剩余本金计算第K期的利息金额；根据所述目标对象在第K期计划偿付的本金、第K期提前偿付的本金、第K期的利息计算在第K期的资源量预测值；其中，所述K的取值为目标对象在未来的任意期数，所述条件提前偿付率为固定值。
在一些实施例中，所述预测模型包括第二预测模型；所述第二预测模型通过以下方法确定所述目标对象在未来各时间周期的资源量预测值：根据条件提前还款率、每年付息期数计算单月清偿率；根据截至第K期的剩余本金、加权平均利率、每年付息期数、所述目标对象到期时期数、所述目标对象下一次付息所处期数计算所述目标对象在第K期计划偿付的本金；根据所述目标对象截至第K期的剩余本金、在第K期计划偿付的本金、单月清偿率预测第K期提前偿付的本金；根据所述目标对象截至第K期的剩余本金计算第K期的利息金额；根据所述目标对象在第K期计划偿付的本金、第K期提前偿付的本金、第K期的利息计算在第K期的资源量预测值；其中，所述K的取值为目标对象在未来的任意期数；所述条件提前偿付率在前M个月是按线性递增的，所述M为预先设置的正整数。
在一些实施例中，所述预测模型包括第三预测模型；所述第三预测模型通过以下方法确定所述目标对象在未来各时间周期的资源量预测值：根据条件提前还款率、每年付息期数计算单月清偿率；根据截至第K期的剩余本金、加权平均利率、每年付息期数、所述目标对象到期时期数、所述目标对象下一次付息所处期数计算所述目标对象在第K期计划偿付的本金；根据所述目标对象的所有本金、单月清偿率预测第K期提前偿付的第一本金值；其中各期提前偿付的本金相等；根据截至第K期的剩余本金、在第K期计划偿付的本金计算剩余本金值；根据目标对象在第K期计划偿付的本金，以及所述第一本金值、所述剩余本金值中的最小值计算第K期偿付的总本金；根据所述目标对象截至第K期的剩余本金计算第K期的利息金额；根据所述目标对象在第K期偿付的总本金、第K期的利息计算在第K期的资源量预测值；其中，所述K的取值为目标对象在未来的任意期数；所述条件提前偿付率为固定值。
在一些实施例中，所述装置还包括：呈现单元，用于呈现多个预测模型分别对于所述目标对象在未来各时间周期的资源量预测值；第三获取单元，用于获取用户对于各时间周期的资源量预测值的选取操作，所述选取操作对于所述目标对象在未来的每一时间周期选择所述多个预测模型中的一个预测模型得到的资源量预测值；发送单元，用于将用户选取的各个时间周期的资源量预测值打包发送至其他数据处理模块，以用于其他数据处理模块根据所述目标对象在未来各时间周期的资源量预测值执行以下至少一种处理：确定所述目标对象的敞口和/或头寸计量数据、进行目标实体的账务处理。
在一些实施例中，所述装置还包括：第四获取单元，用于在所述数据提供平台获取的所述目标对象的特有数据缺失的情况下，从数据库中查找所述目标对象的标识对应的协议数据；分析单元，用于从所述协议数据中分析得到所述目标对象的特有数据。
在一些实施例中，所述装置还包括：第五获取单元，用于获取所述目标对象在历史上各时间周期的特有数据、构成所述目标对象的子目标对象的发展指数；子目标对象的发展指数用于表征子目标对象的发展潜力和/或稳定性；第二预测单元，用于根据所述目标对象在历史上各时间周期的特有数据、构成所述目标对象的子目标对象的发展指数预测所述目标对象在未来各时间周期的特有数据。
在一些实施例中，所述特有数据包括条件提前还款率和/或单月清偿率。
本说明书第三方面提供一种电子设备，包括：存储器和处理器，所述处理器和所述存储器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而实现第一方面任一项所述的资源流处理方法。
本说明书第四方面提供一种计算机存储介质，所述计算机存储介质存储有计算机程序指令，所述计算机程序指令被执行时实现第一方面任一项所述的资源流处理方法。
本说明书第五方面提供一种计算机程序产品，包含有计算机程序，所述计算机程序被处理器执行时实现第一方面任一项所述方法的资源流处理方法。
本说明书提供的资源流处理方法、装置及电子设备，通过数据提供平台获取数据提供方提供的对象数据集合并存储至数据库，从数据库中查找与目标对象的标识对应的特有数据以及通用数据，将目标对象的标识对应的特有数据和通用数据输入预先存储的预测模型，得到目标对象在未来各时间周期的资源量预测值，呈现该预测结果并将其保存至数据库中。本方案通过数据提供平台、数据库实现对象数据的管理，并通过预测模型得到目标对象在未来各时间周期的资源量预测值，本方案的资源流处理方式使得用户操作更为便捷，并且对象数据以及预测结果的数据安全性较高，用户不容易篡改数据。
附图说明
为了更清楚地说明本申请实施方式或现有技术中的技术方案，下面将对实施方式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方式，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为本说明书提供的资源流处理系统的一个示意图；
图2为本说明书提供的资源流处理方法的一个示意图；
图3为第一预测模型的处理方法示意图；
图4为第二预测模型的处理方法示意图；
图5为第三预测模型的处理方法示意图；
图6为本说明书提供的资源流处理系统的另一个示意图；
图7为本说明书提供的资源流处理装置的一个示意图；
图8示出了本说明书提供的电子设备的结构示意图。
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方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，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，都应当属于本申请保护的范围。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
如图1所示，本说明书提供一种资源流处理系统，该系统包括数据提供平台、数据预测模块和人机交互模块。数据提供平台用于数据提供方上传对象数据集合，数据预测模块用于根据对象数据集合中的数据确定各个对象的在未来各时间周期的资源量预测值，人机交互模块用于用户输入待预测或查询的目标对象的标识、用户输入或修改目标对象的特有数据，以及用于呈现目标对象在未来各时间周期的资源量预测值。该资源流处理系统用于实现本说明书提供的资源流处理方法。
如图2所示，本说明书提供一种资源流处理方法，其中资源流包括各时间周期的资源量。时间周期是指一个计息周期。所述资源流处理方法包括：
S10：通过数据提供平台获取数据提供方提供的对象数据集合并存储至数据库中。
本方案中的“对象”可以是对于有形资源的一笔运营，例如贵金属、矿石等有形资产；也可以是对于无形资源的一笔运营，例如，金融证券、贷款、定投基金等无形资产。其中，一笔运营是指一次性借出大量资源，然后定期收取部分资源及利息，或者一次性借入大量资源，然后定期偿还部分资源及利息。利息是指使用所借资源量的报酬。
以资产支持证券为例，它的支付基本来源于支持证券的资产池产生的现金流。资产支持证券的底层资产通常是金融资产，如贷款或信用应收款。资产支持证券的支付通常是有规律的。但是由于提前还款的可能性，单笔资产的现金流是不确定，这就需要对资产支持证券的未来现金流做出一定的预测，以更好的完成对其敞口、头寸计量、账务、风险方面的计算和监控。
本方案中的“对象数据集合”中包括通用数据和特有数据。
通用数据是指适用于多个对象的数据。
在目标对象为同种类别的情况下，通用数据可以适用于所有对象，例如，通用数据可以包括加权平均利率(weighted average coupon，WAC)、票面利率。其中，加权平均利率是证券底层贷款池中所有贷款利率的加权平均值，票面利率是指当日盯盘的证券利率。
在目标对象可以分为多种类别的情况下，通用数据可以适用于其中一种类别下所有对象，例如，贵金属的价格是通用数据，贵金属中金和银的价格是不同的。
特有数据是指仅适用于某个对象的数据。例如，资产支持证券的特有数据包括证券基本信息、证券现金流计划信息、证券假设预算信息。其中，证券基本信息包括每年付息期数、单月清偿率(single monthly mortality rate，SMM，也称为月提前偿付率)、条件提前偿付率(conditional prepayment rate，CPR)、公共证券协会提前偿付率；证券现金流计划信息是指预先指定的计划还款信息，例如，证券总的付息期数、下一次付息所处期数等；证券假设预算信息包括证券在未来各期的还款信息，例如，证券假设预算信息包括证券在未来的到期时期数、付息期数、某期支付利息金额、某期偿还本金金额、摊销日到某期件结束的天数、截止某期剩余本金。
S20：获取目标对象的标识，并从数据库中查找与所述目标对象的标识对应的特有数据以及通用数据。
目标对象的标识用于指代一个对象。目标对象的标识可以是指用户通过人机交互模块输入的，与可以是数据预测模块从数据库或者目标文件中直接获取的。
数据提供方提供的对象数据集合存储于数据库中，S20可以直接操作数据库，从数据库中查找与目标对象的标识对应的特有数据。此外，还可以从数据库中查询到对象的通用数据。
S30：将所述目标对象的标识对应的特有数据以及通用数据输入预先存储的预测模型，通过所述预测模型确定所述目标对象在未来各时间周期的资源量预测值。
在一些实施例中，S30可以将数据库返回的这些数据只输入一个预测模型，得到该预测模型确定的目标对象在未来各时间周期的资源量预测值。当向用户呈现目标对象的资源量预测值时，便展示通过该预测模型得到的资源量预测值，以供用户参考。
在另一些实施例中，S30可以将数据库返回的目标对象的标识对应的特有数据以及通用数据输入预先存储的至少两个预测模型，得到各个模型分别对于目标对象在未来各时间周期的资源量预测值。当向用户呈现目标对象的资源量预测值时，可以同时展示这些预测模型分别对于目标对象的资源量预测值，以供用户参考。
在目标对象为资产支持证券的情况下，资源量为现金流，预测模型可以是根据经济学规律确定的。下面以目标对象是资产支持证券为例来阐述本方案中的预测模型。
在一些实施例中，所述预测模型包括第一预测模型。该第一预测模型采用固定的CPR确定目标对象在各时间周期的资源量预测值。
如图3所示，所述第一预测模型通过以下S31至S35确定所述目标对象在未来各时间周期的资源量预测值。
S31：根据条件提前还款率、每年付息期数计算单月清偿率。
例如，计算其中，SMM为单月清偿率，CPR为条件提前还款率、M为每年付息期数。
S32：根据截至第K期的剩余本金、加权平均利率、每年付息期数、所述目标对象到期时期数、所述目标对象下一次付息所处期数计算所述目标对象在第K期计划偿付的本金。
例如，计算
其中，RPRINK为截至第K期的剩余本金，WAC为加权平均利率，M为每年付息期数，Q为目标对象到期时期数，N为目标对象下一次付息所处期数。
S33：根据所述目标对象截至第K期的剩余本金、在第K期计划偿付的本金、单月清偿率预测第K期提前偿付的本金。
沿用上例，可以计算得到第K期提前偿付的本金为：
其中，RPRINK为截至第K期的剩余本金，WAC为加权平均利率，M为每年付息期数，Q为目标对象到期时期数，N为目标对象下一次付息所处期数，SMM为单月清偿率。
可以进一步计算得到下一期的剩余本金：RPRINK+1＝RPRINK-PRINK，RPRINK+1为截至第K+1期的剩余本金。
S34：根据所述目标对象截至第K期的剩余本金计算第K期的利息金额。
例如，每期利息金额INTK计算公式为：INTK＝RPRINK*利率*年化期限因子。
S35：根据所述目标对象在第K期计划偿付的本金、第K期提前偿付的本金、第K期的利息计算在第K期的资源量预测值。
沿用上例，总的当期偿还本金为：
其中，PRINK为目标对象在第K期总共偿付的本金，RPRINK为截至第K期的剩余本金。
第K期的资源量预测值包括当期偿还本金与利息金额的总和。
一支证券的资源量预测值(即现金流)一般包含起息日、截息日、支付日、利息支付金额、本金支付金额。资产支持证券的未来资源量的本金支付金额由两部分组成，一部分是规律的可以确定的计划偿付部分，另一部分是不确定但是可以根据市场和资产池的特性做出一定预测的预测提前偿付部分。
在一些实施例中，所述预测模型包括第二预测模型。第二预测模型采用变化的CPR确定各目标对象的资源量预测值。也就是说预测各时间周期的资源量时所采用的CPR不完全相同。
例如，可以假定CPR在前30个月是按线性递增的，具体公式表达为：
CPRK＝CPR K＞30
如图4所示，所述第二预测模型通过以下S36至S310确定目标对象在各时间周期的资源量预测值。
S36：根据条件提前还款率、每年付息期数计算单月清偿率。
例如，计算其中，SMMK为第K期的单月清偿率，CPR为条件提前还款率、M为每年付息期数。
S37：根据截至第K期的剩余本金、加权平均利率、每年付息期数、所述目标对象到期时期数、所述目标对象下一次付息所处期数计算所述目标对手在第K期计划偿付的本金。
例如，计算
其中，RPRINK为截至第K期的剩余本金，WAC为加权平均利率，M为每年付息期数，Q为目标对象到期时期数，N为目标对象下一次付息所处期数。
S38：根据所述目标对象截至第K期的剩余本金、在第K期计划偿付的本金、单月清偿率预测第K期提前偿付的本金。
沿用上例，可以计算得到第K期提前偿付的本金为：
其中，RPRINK为截至第K期的剩余本金，WAC为加权平均利率，M为每年付息期数，Q为目标对象到期时期数，N为目标对象下一次付息所处期数，SMM为单月清偿率。
S39：根据所述目标对象截至第K期的剩余本金计算第K期的利息金额。
例如，每期利息金额INTK计算公式为：INTK＝RPRINK*利率*年化期限因子。
S310：根据所述目标对象在第K期计划偿付的本金、第K期提前偿付的本金、第K期的利息计算在第K期的资源量预测值。
沿用上例，总的当期偿还本金为：
可以进一步计算得到下一期的剩余本金：RPRINK+1＝RPRINK-PRINK，RPRINK+1为截至第K+1期的剩余本金。
其中，PRINK为目标对象在第K期总共偿付的本金，RPRINK为截至第K期的剩余本金。
第K期的资源量预测值包括当期偿还本金与利息金额的总和。
在一些实施例中，所述预测模型包括第三预测模型。该第三预测模型采用固定的CPR，并且假设在各时间周期提前偿付的本金相等。
如图5所示，所述第三预测模型通过以下S311至S317确定所述目标对象在未来各时间周期的资源量预测值。
S311：根据条件提前还款率、每年付息期数计算单月清偿率。
例如，计算其中，SMM为单月清偿率，CPR为条件提前还款率、M为每年付息期数。
S312：根据截至第K期的剩余本金、加权平均利率、每年付息期数、所述目标对象到期时期数、所述目标对象下一次付息所处期数计算所述目标对象在第K期计划偿付的本金。
例如，计算
其中，RPRINK为截至第K期的剩余本金，WAC为加权平均利率，M为每年付息期数，Q为目标对象到期时期数，N为目标对象下一次付息所处期数。
S313：根据所有本金、单月清偿率预测第K期提前偿付的第一本金值；其中各期提前偿付的本金相等。
例如，计算第一期提前偿付的第一本金值为：RPRIN1*SMM，RPRINK为截至第1期的剩余本金，SMM为单月清偿率。各期提前偿付的本金值与第一期提前偿付的本金值相等，都是上述第一本金值。
S314：根据截至第K期的剩余本金、在第K期计划偿付的本金计算剩余本金值。
例如，计算第K期后的剩余本金为：
S315：根据目标对象在第K期计划偿付的本金，以及所述第一本金值、所述剩余本金值中的最小值计算第K期偿付的总本金。
沿用上例，计算
可以进一步计算得到下一期的剩余本金：RPRINK+1＝RPRINK-PRINK。
S316：根据所述目标对象截至第K期的剩余本金计算第K期的利息金额。
例如，每期利息金额INTK计算公式为：INTK＝RPRINK*利率*年化期限因子。
S317：根据所述目标对象在第K期偿付的总本金、第K期的利息计算在第K期的资源量预测值。
第K期的资源量预测值包括当期偿付的总本金与利息金额的总和。
需要说明的是，上述第一预测模型、第二预测模型、第三预测模型也可以用于目标对象不是证券的情况，上述通用数据和特有数据的取值或具体计算公式进行相应调整即可。
上述本金是指一次性借出或借入的资源量。
S40：呈现所述目标对象在未来各时间周期的资源量预测值，并保存至数据库中。
S40可以是在预测模型首次得到预测结果后呈现目标对象的资源量预测值，也可以是在用户输入目标对象的标识以查询该目标对象的资源量预测值时再呈现。
一个对象标识对应有至少一个通用数据、至少一个特有数据，一个对象标识对应的这些数据称为该对象标识对应的对象数据组合。在所有通用数据、特有数据均相同的情况下，认为对象数据组合是相同的。在其中一个通用数据或一个特有数据不同的情况下，认为对象数据组合是不同的。将不同的对象数据组合输入预测模型通常会得到不同的预测结果，将相同的对象数据组合输入预测模型通常会得到相同的预测结果。可以将对象数据组合及其对应的预测结果保存至数据库中。
后续再采用该对象数据组合查询目标对象的预测值时，可以先在数据库中查找是否存在该对象数据组合对应的预测结果，在存在的情况下，可以之间从数据库中查找出该对象数据组合对应的预测结果并呈现给用户；在不存在的情况下，再采用预测模型确定目标对象在未来各时间周期的预测结果。这一设置方式能够减少对于预测模型的调用次数，减少不必要的计算量。对于对象数据组合数量相对较少、查询量较大的情况，能够显著提升资源流处理系统的性能。
在一些实施例中，可以对于资源流处理系统的用户设置权限，并为至少一个用户分配目标权限，只有具有目标权限的用户能够更改目标对象的特有数据，而不具有目标权限的用户不能够更改目标对象的特有数据。相应地，本说明书提供的资源流处理方法还包括：获取用户的权限，在所述权限为预定权限的情况下，接收所述用户输入或修改的特有数据，采用用户输入或修改的特有数据更新所述目标对象的标识对应的特有数据。将更新后的特有数据输入上述预测模型，以确定目标对象在未来各时间周期的资源量预测值。
通过设置具有特定权限的用户才能够输入或更改特有数据，使得数据库中存储的通用数据、特有数据的对象数据组合是有限的，是有专门人员根据实际需求设置的，而不是随意设置的对象数据组合，从而能够保证数据库中所存储的预测结果的数量是有限的，减少对于数据库的占用量。
本说明书提供的资源流处理方法，通过数据提供平台获取数据提供方提供的对象数据集合并存储至数据库，从数据库中查找与目标对象的标识对应的特有数据以及通用数据，将目标对象的标识对应的特有数据和通用数据输入预先存储的预测模型，得到目标对象在未来各时间周期的资源量预测值，呈现该预测结果并将其保存至数据库中。本方案通过数据提供平台、数据库实现对象数据的管理，并通过预测模型得到目标对象在未来各时间周期的资源量预测值，本方案的资源流处理方式使得用户操作更为便捷，并且对象数据以及预测结果的数据安全性较高，用户不容易篡改数据。
在一些实施例中，如图6所示，在S30之后还包括：S50：根据所述目标对象在未来各时间周期的资源量预测值执行以下至少一种处理：确定所述目标对象的敞口和/或头寸计量数据、进行目标实体的账务处理、进行资源处理行为的风险预测。其中资源处理行为例如可以是投资行为。
例如，如图1所示，资产支持证券的处理系统还包括其他数据处理模块。在数据预测模块确定目标对象在未来各时间周期的资源量预测值之后，可以将未来各时间周期的资源量预测值输入其他数据处理模块，由其他数据处理模块执行以下至少一种处理：确定所述目标对象的敞口和/或头寸计量数据、进行目标实体的账务处理、进行资源处理行为的风险预测。
上述其他数据处理模块根据各时间周期的资源量预测值进行上述处理的具体方法是现有技术中存在的，不再详述。
在S30将目标对象的标识对应的特有数据以及通用数据输入至少两个预测模型的情况下，S40可以包括如下S41至S43。
S41：呈现多个预测模型分别对于所述目标对象在未来各时间周期的资源量预测值。
例如，呈现的数据一共分为三列X行，其中每行分别对应一个时间周期，第一列为通过第一预测模型得到的各时间周期的资源量预测值，第二列为通过第二预测模型得到的各时间周期的资源量预测值，第三列为通过第三预测模型得到的资源量预测值。
S42：获取用户对于各时间周期的资源量预测值的选取操作，所述选取操作对于所述目标对象在未来的每一时间周期选择所述多个预测模型中的一个预测模型得到的资源量预测值。
沿用上例，每一行的三个数据可以设置单选框，由用户选择该行中其中一列的数据作为目标对象在对应时间周期的资源量预测值。
S43：将用户选取的各个时间周期的资源量预测值打包发送至其他数据处理模块，以用于其他数据处理模块根据所述目标对象在未来各时间周期的资源量预测值执行以下至少一种处理：确定所述目标对象的敞口和/或头寸计量数据、进行目标实体的账务处理、进行资源处理行为的风险预测。
沿用上例，在用户给出“提交”或“确定”指令表示资源量预测值选取结束之后，可以将用户选取的各期资源量预测值与对应的期数(即时间周期的序号)打包形成多期资源量预测数据，每一期资源量预测数据包括期数及其对应的资源量预测值，再将各期资源量预测数据进一步打包形成该目标对象在剩余全生命周期的资源流数据。其中，“剩余全生命周期”包括未来每一期。
通过上述S41至S43，使得用户可以根据人工经验灵活选取各个预测模型中的任意一个模型的数据作为相应周期的资源量预测数据，从而进一步优化资源流数据。
在一些情况下，数据提供平台获取的数据有所缺失，尤其是目标对象的特有数据会有所缺失。在这种情况下，可以从数据库中查找与目标对象的标识对应的协议数据，例如电子版的协议，并从该协议数据中分析得到目标对象的特有数据。
在一些实施例中，如图6所示，还可以通过如下S61和S62预测特有数据。所预测的特有数据可以是数据提供平台所获取的数据中缺失的数据，也可以是数据提供平台已经获取到的目标数据，但是实施例优先采用如下S61和S62预测到的该目标数据。
S61：获取所述目标对象在历史上各时间周期的特有数据、构成所述目标对象的子目标对象的发展指数。
构成目标对象的子目标对象，例如可以为构成目标证券的底层资产。相应地，特有数据可以为上述月提前偿付率SMM、条件提前偿付率CPR、公共证券协会提前偿付速率PSA中的至少一者。
子目标对象的发展指数用于表征子目标对象的发展潜力和/或稳定性。
发展指数可以包括底层资产在过去预定时长内的投资额增长指数、产业可持续性指数等。这些数据是可以从投资市场或者产业发展报告中获取的。
在底层资产为个人持有的情况下，发展指数可以根据资产持有人的资产数据、所从事的产业的发展指数、家庭稳定性分析指数、银行流水、年龄、提前还款情况等信息中的一者或多者确定发展指数。
S62：根据所述目标对象在历史上各时间周期的特有数据、构成所述目标对象的子目标对象的发展指数预测所述目标对象在未来各时间周期的特有数据。
在一些实施例中，可以分别预测目标证券的每个底层资产的发展指数，然后将所有底层资产的发展指数加权求和得到目标证券的发展指数。其中，权值可以为底层资产在所有底层资产中所占的比重。
可以将目标证券在历史上各时间周期的特有数据、目标证券其中一种底层资产的发展指数输入预先训练的网络模型，通过该网络模型得到该目标证券的该种底层资产在未来各期的特有数据。这里的特有数据例如可以为上述第一预测模型、第二预测模型、第三预测模型中的条件提前偿付率CPR、单月清偿率SMM。
在训练该网络模型时，可以采集近期预定时长内(例如6个月内)“同种底层资产”的各发展指数以及对应目标证券在历史上各时间周期的特有数据，将这些数据输入网络模型进行训练。该网络模型前x期的特有数据及对应的发展指数(对应的发展指数是指产生时间离x期最近的发展指数)确定第x+1期的特有数据预测值，根据特有数据预测值与特有数据实际值的差异调整网络模型的参数，以使特有数据预测值与特有数据实际值的差异小于或等于预定阈值；然后采用调整后的网络模型前x+1期的特有数据及对应的发展指数确定第x+2期的特有数据预测值，根据特有数据预测值与特有数据实际值的差异调整网络模型的参数，以使特有数据预测值与特有数据实际值的差异小于或等于预定阈值……如此循环执行，直至根据调整后的网络模型预测最后一期的特有数据预测值，并根据该最后一期的特有数据预测值与特有数据实际值的差异调整网络模型的参数，以使特有数据预测值与特有数据实际值的差异小于或等于预定阈值。
在上述采集数据之前，还包括确定“同种底层资产”的步骤。同种底层资产可以是涉及的资产类型、资产规模、资产延续时长，根据这些信息之间的相似度确定其他底层资产与目标证券的目标底层资产之间的相似度，选取最高相似度对应的其他底层资产类型作为同种底层资产。
将目标证券在历史上各期的特有数据、目标证券其中一种底层资产的发展指数输入预先训练的网络模型得到该目标证券的该种底层资产在未来各期的特有数据，既利用了历史上各时间周期特有数据的变化规律，又结合了底层资产的发展指数信息，从而能够提高未来各期的特有数据的预测准确率，进而提高资源流预测的准确性。
本说明书提供一种资源流处理装置，可以用于实现上述资源流处理方法。如图7所示，该装置包括第一获取单元10、第二获取单元20、第一预测单元30和第一处理单元40。
第一获取单元10用于通过数据提供平台获取数据提供方提供的对象数据集合并存储至数据库中；所述对象数据集合中包括适用于多个对象的通用数据和各对象标识分别对应的特有数据。
第二获取单元20用于获取目标对象的标识，并从数据库中查找与所述目标对象的标识对应的特有数据以及通用数据。
第一预测单元30用于将所述目标对象的标识对应的特有数据以及通用数据输入预先存储的预测模型，通过所述预测模型确定所述目标对象在未来各时间周期的资源量预测值。
第一处理单元40用于呈现所述目标对象在未来各时间周期的资源量预测值，并保存至数据库中。
在一些实施例中，所述装置还包括：第二处理单元，用于根据所述目标对象在未来各时间周期的资源量预测值执行以下至少一种处理：确定所述目标对象的敞口和/或头寸计量数据、进行目标实体的账务处理。
在一些实施例中，所述第一预测单元包括：预测子单元，用于将所述目标对象的标识对应的特有数据以及通用数据输入预先存储的至少两个预测模型，得到各个预测模型分别对于所述目标对象在未来各时间周期的资源量预测值。
在一些实施例中，所述预测模型包括第一预测模型；所述第一预测模型通过以下方法确定所述目标对象在未来各时间周期的资源量预测值：根据条件提前还款率、每年付息期数计算单月清偿率；根据截至第K期的剩余本金、加权平均利率、每年付息期数、所述目标对象到期时期数、所述目标对象下一次付息所处期数计算所述目标对象在第K期计划偿付的本金；根据所述目标对象截至第K期的剩余本金、在第K期计划偿付的本金、单月清偿率预测第K期提前偿付的本金；根据所述目标对象截至第K期的剩余本金计算第K期的利息金额；根据所述目标对象在第K期计划偿付的本金、第K期提前偿付的本金、第K期的利息计算在第K期的资源量预测值；其中，所述K的取值为目标对象在未来的任意期数，所述条件提前偿付率为固定值。
在一些实施例中，所述预测模型包括第二预测模型；所述第二预测模型通过以下方法确定所述目标对象在未来各时间周期的资源量预测值：根据条件提前还款率、每年付息期数计算单月清偿率；根据截至第K期的剩余本金、加权平均利率、每年付息期数、所述目标对象到期时期数、所述目标对象下一次付息所处期数计算所述目标对象在第K期计划偿付的本金；根据所述目标对象截至第K期的剩余本金、在第K期计划偿付的本金、单月清偿率预测第K期提前偿付的本金；根据所述目标对象截至第K期的剩余本金计算第K期的利息金额；根据所述目标对象在第K期计划偿付的本金、第K期提前偿付的本金、第K期的利息计算在第K期的资源量预测值；其中，所述K的取值为目标对象在未来的任意期数；所述条件提前偿付率在前M个月是按线性递增的，所述M为预先设置的正整数。
在一些实施例中，所述预测模型包括第三预测模型；所述第三预测模型通过以下方法确定所述目标对象在未来各时间周期的资源量预测值：根据条件提前还款率、每年付息期数计算单月清偿率；根据截至第K期的剩余本金、加权平均利率、每年付息期数、所述目标对象到期时期数、所述目标对象下一次付息所处期数计算所述目标对象在第K期计划偿付的本金；根据所述目标对象的所有本金、单月清偿率预测第K期提前偿付的第一本金值；其中各期提前偿付的本金相等；根据截至第K期的剩余本金、在第K期计划偿付的本金计算剩余本金值；根据目标对象在第K期计划偿付的本金，以及所述第一本金值、所述剩余本金值中的最小值计算第K期偿付的总本金；根据所述目标对象截至第K期的剩余本金计算第K期的利息金额；根据所述目标对象在第K期偿付的总本金、第K期的利息计算在第K期的资源量预测值；其中，所述K的取值为目标对象在未来的任意期数；所述条件提前偿付率为固定值。
在一些实施例中，所述装置还包括：呈现单元，用于呈现多个预测模型分别对于所述目标对象在未来各时间周期的资源量预测值；第三获取单元，用于获取用户对于各时间周期的资源量预测值的选取操作，所述选取操作对于所述目标对象在未来的每一时间周期选择所述多个预测模型中的一个预测模型得到的资源量预测值；发送单元，用于将用户选取的各个时间周期的资源量预测值打包发送至其他数据处理模块，以用于其他数据处理模块根据所述目标对象在未来各时间周期的资源量预测值执行以下至少一种处理：确定所述目标对象的敞口和/或头寸计量数据、进行目标实体的账务处理。
在一些实施例中，所述装置还包括：第四获取单元，用于在所述数据提供平台获取的所述目标对象的特有数据缺失的情况下，从数据库中查找所述目标对象的标识对应的协议数据；分析单元，用于从所述协议数据中分析得到所述目标对象的特有数据。
在一些实施例中，所述装置还包括：第五获取单元，用于获取所述目标对象在历史上各时间周期的特有数据、构成所述目标对象的子目标对象的发展指数；子目标对象的发展指数用于表征子目标对象的发展潜力和/或稳定性；第二预测单元，用于根据所述目标对象在历史上各时间周期的特有数据、构成所述目标对象的子目标对象的发展指数预测所述目标对象在未来各时间周期的特有数据。
在一些实施例中，所述特有数据包括条件提前还款率和/或单月清偿率。
上述装置的描述及功能可以参阅资源流处理方法部分的内容理解，不再赘述。
本发明实施例还提供了一种电子设备，如图8所示，该电子设备可以包括处理器801和存储器802，其中处理器801和存储器802可以通过总线或者其他方式连接，图8中以通过总线连接为例。
处理器801可以为中央处理器(Central Processing Unit，CPU)。处理器801还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器802作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的资源流处理方法对应的程序指令/模块(例如，图7所示的第一获取单元10、第二获取单元20、第一预测单元30和第一处理单元40)。处理器801通过运行存储在存储器802中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的资源流处理方法。
存储器802可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器801所创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至处理器801。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。
所述一个或者多个模块存储在所述存储器802中，当被所述处理器801执行时，执行如图2所示实施例中的资源流处理方法。
上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。
本说明书还提供一种计算机存储介质，所述计算机存储介质存储有计算机程序指令，所述计算机程序指令被执行时实现上述资源流处理方法的步骤。
本说明书还提供一种计算机程序产品，包含有计算机程序，所述计算机程序被处理器执行时实现上述决策引擎的异常监测方法的步骤。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
本说明书中的各个实施方式均采用递进的方式描述，各个实施方式之间相同相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。
上述实施方式阐明的系统、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。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，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方式的某些部分的方法。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本申请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申请，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。
虽然通过实施方式描绘了本申请，本领域普通技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。
Claims (14)
1.一种资源流处理方法，其特征在于，包括：
通过数据提供平台获取数据提供方提供的对象数据集合并存储至数据库中；所述对象数据集合中包括适用于多个对象的通用数据和各对象标识分别对应的特有数据；
获取目标对象的标识，并从数据库中查找与所述目标对象的标识对应的特有数据以及通用数据；
将所述目标对象的标识对应的特有数据以及通用数据输入预先存储的预测模型，通过所述预测模型确定所述目标对象在未来各时间周期的资源量预测值；
呈现所述目标对象在未来各时间周期的资源量预测值，并保存至数据库中。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述目标对象在未来各时间周期的资源量预测值执行以下至少一种处理：确定所述目标对象的敞口和/或头寸计量数据、进行目标实体的账务处理。
3.根据权利要求1所述的方法，其特征在于，将所述目标对象的标识对应的特有数据以及通用数据输入预先存储的预测模型，通过所述预测模型确定所述目标对象在未来各时间周期的资源量预测值，包括：
将所述目标对象的标识对应的特有数据以及通用数据输入预先存储的至少两个预测模型，得到各个预测模型分别对于所述目标对象在未来各时间周期的资源量预测值。
4.根据权利要求3所述的方法，其特征在于，所述预测模型包括第一预测模型；所述第一预测模型通过以下方法确定所述目标对象在未来各时间周期的资源量预测值：
根据条件提前还款率、每年付息期数计算单月清偿率；
根据截至第K期的剩余本金、加权平均利率、每年付息期数、所述目标对象到期时期数、所述目标对象下一次付息所处期数计算所述目标对象在第K期计划偿付的本金；
根据所述目标对象截至第K期的剩余本金、在第K期计划偿付的本金、单月清偿率预测第K期提前偿付的本金；
根据所述目标对象截至第K期的剩余本金计算第K期的利息金额；
根据所述目标对象在第K期计划偿付的本金、第K期提前偿付的本金、第K期的利息计算在第K期的资源量预测值；
其中，所述K的取值为目标对象在未来的任意期数，所述条件提前偿付率为固定值。
5.根据权利要求3所述的方法，其特征在于，所述预测模型包括第二预测模型；所述第二预测模型通过以下方法确定所述目标对象在未来各时间周期的资源量预测值：
根据条件提前还款率、每年付息期数计算单月清偿率；
根据截至第K期的剩余本金、加权平均利率、每年付息期数、所述目标对象到期时期数、所述目标对象下一次付息所处期数计算所述目标对象在第K期计划偿付的本金；
根据所述目标对象截至第K期的剩余本金、在第K期计划偿付的本金、单月清偿率预测第K期提前偿付的本金；
根据所述目标对象截至第K期的剩余本金计算第K期的利息金额；
根据所述目标对象在第K期计划偿付的本金、第K期提前偿付的本金、第K期的利息计算在第K期的资源量预测值；
其中，所述K的取值为目标对象在未来的任意期数；所述条件提前偿付率在前M个月是按线性递增的，所述M为预先设置的正整数。
6.根据权利要求3所述的方法，其特征在于，所述预测模型包括第三预测模型；所述第三预测模型通过以下方法确定所述目标对象在未来各时间周期的资源量预测值：
根据条件提前还款率、每年付息期数计算单月清偿率；
根据截至第K期的剩余本金、加权平均利率、每年付息期数、所述目标对象到期时期数、所述目标对象下一次付息所处期数计算所述目标对象在第K期计划偿付的本金；
根据所述目标对象的所有本金、单月清偿率预测第K期提前偿付的第一本金值；其中各期提前偿付的本金相等；
根据截至第K期的剩余本金、在第K期计划偿付的本金计算剩余本金值；
根据目标对象在第K期计划偿付的本金，以及所述第一本金值、所述剩余本金值中的最小值计算第K期偿付的总本金；
根据所述目标对象截至第K期的剩余本金计算第K期的利息金额；
根据所述目标对象在第K期偿付的总本金、第K期的利息计算在第K期的资源量预测值；
其中，所述K的取值为目标对象在未来的任意期数；所述条件提前偿付率为固定值。
7.根据权利要求2所述的方法，其特征在于，在根据所述目标对象在未来各时间周期的资源量预测值执行以下至少一种处理：确定所述目标对象的敞口和/或头寸计量数据、进行目标实体的账务处理之前，包括：
呈现多个预测模型分别对于所述目标对象在未来各时间周期的资源量预测值；
获取用户对于各时间周期的资源量预测值的选取操作，所述选取操作对于所述目标对象在未来的每一时间周期选择所述多个预测模型中的一个预测模型得到的资源量预测值；
将用户选取的各个时间周期的资源量预测值打包发送至其他数据处理模块，以用于其他数据处理模块根据所述目标对象在未来各时间周期的资源量预测值执行以下至少一种处理：确定所述目标对象的敞口和/或头寸计量数据、进行目标实体的账务处理。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在所述数据提供平台获取的所述目标对象的特有数据缺失的情况下，从数据库中查找所述目标对象的标识对应的协议数据；
从所述协议数据中分析得到所述目标对象的特有数据。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述目标对象在历史上各时间周期的特有数据、构成所述目标对象的子目标对象的发展指数；子目标对象的发展指数用于表征子目标对象的发展潜力和/或稳定性；
根据所述目标对象在历史上各时间周期的特有数据、构成所述目标对象的子目标对象的发展指数预测所述目标对象在未来各时间周期的特有数据。
10.根据权利要求9所述的方法，其特征在于，所述特有数据包括条件提前还款率和/或单月清偿率。
11.一种资源流处理装置，其特征在于，包括：
第一获取单元，用于通过数据提供平台获取数据提供方提供的对象数据集合并存储至数据库中；所述对象数据集合中包括适用于多个对象的通用数据和各对象标识分别对应的特有数据；
第二获取单元，用于获取目标对象的标识，并从数据库中查找与所述目标对象的标识对应的特有数据以及通用数据；
第一预测单元，用于将所述目标对象的标识对应的特有数据以及通用数据输入预先存储的预测模型，通过所述预测模型确定所述目标对象在未来各时间周期的资源量预测值；
第一处理单元，用于呈现所述目标对象在未来各时间周期的资源量预测值，并保存至数据库中。
12.一种电子设备，其特征在于，包括：
存储器和处理器，所述处理器和所述存储器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而实现权利要求1至10任一项所述的目标对象的资源流处理方法。
13.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序指令，所述计算机程序指令被执行时实现权利要求1至10任一项所述的目标对象的资源流处理方法。
14.一种计算机程序产品，其特征在于，包含有计算机程序，所述计算机程序被处理器执行时实现权利要求1至10任一项所述方法的目标对象的资源流处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410039877.5A CN117893307A (zh) | 2024-01-10 | 2024-01-10 | 一种资源流处理方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410039877.5A CN117893307A (zh) | 2024-01-10 | 2024-01-10 | 一种资源流处理方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117893307A true CN117893307A (zh) | 2024-04-16 |
Family
ID=90640514
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410039877.5A Pending CN117893307A (zh) | 2024-01-10 | 2024-01-10 | 一种资源流处理方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117893307A (zh) |
-
2024
- 2024-01-10 CN CN202410039877.5A patent/CN117893307A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8706599B1 (en) | System and method of generating investment criteria for an investment vehicle that includes a pool of escrow deposits from a plurality of merger and acquisition transactions | |
| US11481822B2 (en) | Systems and methods for improving invoice management using enhanced analytical insight | |
| US20210118054A1 (en) | Resource exchange system | |
| US7447652B2 (en) | Methods and systems for portfolio cash flow valuation | |
| JP6354059B2 (ja) | 財務情報分析システム、及びプログラム | |
| US10445844B2 (en) | System and method for detecting, profiling and benchmarking intellectual property professional practices and the liability risks associated therewith | |
| US20160042466A1 (en) | Systems and methods for tax collection, analysis and compliance | |
| US20210049685A1 (en) | Systems and methods for managing cryptocurrency | |
| NZ551930A (en) | A system and method for analysing risk associated with an investment portfolio | |
| CN105431878A (zh) | 用于自动向企业提供基于a/r的信贷额度的系统和方法 | |
| US20120179630A1 (en) | Methods for measuring hedging value-at-risk and profitability | |
| US20200334770A1 (en) | Municipal solvency index | |
| US10268996B1 (en) | Customized payment management | |
| CN109711976A (zh) | 账单数据处理方法、装置、计算机可读存储介质及服务器 | |
| US20150088727A1 (en) | Method for determining creditworthiness for exchange of a projected, future asset | |
| US7783547B1 (en) | System and method for determining hedge strategy stock market forecasts | |
| US8498921B2 (en) | System and method for charging trading commissions for brokerage accounts based on principal of trades | |
| CN117893307A (zh) | 一种资源流处理方法、装置及电子设备 | |
| US10235719B2 (en) | Centralized GAAP approach for multidimensional accounting to reduce data volume and data reconciliation processing costs | |
| JP2018538644A (ja) | 徴税、分析及び法令遵守のためのシステム及び方法 | |
| AU2017101891A4 (en) | Electronic calculator for real time optimisation, searching, and extrapolating multiple scenarios of post-retirement cash flow with intertemporal settings, and system and method thereof | |
| Cochran et al. | Economic and financial simulation for small business: a discussion of the small business economic, risk, and tax simulator | |
| CN103065264B (zh) | 履约保证金流风险管理系统 | |
| US20180189875A1 (en) | Electronic calculator for real time optimisation, searching, and extrapolating multiple scenarios of post-retirement cash flow with intertemporal settings, and system and method thereof | |
| KR101954129B1 (ko) | 스마트고지 핀테크 간편납부 시스템 |
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 |