KR101799395B1

KR101799395B1 - 대출 심사를 위한 서버, 방법 및 단말

Info

Publication number: KR101799395B1
Application number: KR1020170035070A
Authority: KR
Inventors: 장동혁
Original assignee: 주식회사 소딧
Priority date: 2017-03-21
Filing date: 2017-03-21
Publication date: 2017-11-20

Abstract

대출 심사 서버 및 방법이 개시된다. 일실시예에 따른 대출 심사 서버는 담보물과 연관된 담보물 변수, 담보물과 심사 대상자와 독립된 외적 변수에 기초하여 담보물의 예상 가치를 추정할 수 있다. 일실시예에 따른 대출 심사 서버는 추정된 예상 가치, 담보물 변수 및 외적 변수에 기초하여 담보물의 예상 낙찰가율을 추정할 수 있다. 일실시예에 따른 대출 심사 서버는 심사 대상 대출금, 대출의 심사 대상자와 연관된 대출자 변수, 추정된 예상 가치, 추정된 예상 낙찰가율에 기초하여 대출의 심사를 위한 스코어를 추정할 수 있다.

Description

대출 심사를 위한 서버, 방법 및 단말{SERVER, METHOD AND TERMINAL FOR LOAN JUDGMENT}

아래 실시예들은 대출 심사를 위한 서버 및 방법과 대출 심사를 제공하기 위한 단말에 관한 것이다.

현대 금융 환경에서 대출은 필수적인 요소이다. 대출의 가능 여부 또는 대출 이자를 책정 또는 심사하기 위해 담보물의 가치, 대출자의 신용, 소득 등의 정보가 활용된다. 대출 심사에 있어서 정성적 방법이 채용되면 대출 심사의 부실로 인해 연체율과 대손율의 발생가능성이 높아진다.

대출을 위한 등급 책정 시 통계적인 평가 모형이 채용된 정량적 방법이 채용되더라도 변수들간에 선형적 관계가 존재하지 않거나 변수들간의 인과관계가 불명확한 경우 통계적 분석이 어렵다. 또한, 통계적 모형을 통한 대출 심사 기법은 추가적인 변수를 고려하기 위해 모형을 변형시키기 어렵고, 그 심사를 위한 정보량이 방대해지는 경우 속도 성능 측면에서 한계가 있다. 따라서, 다양한 변수들을 종합적으로 고려하여 신속하게 대출 심사를 가능하게 하는 기법의 연구가 필요하다.

실시예들은 담보물의 예상 가치와 예상 낙찰가율을 추정하기 위한 보다 정확한 기법을 제공하고자 한다.

실시예들은 담보물 및 거시경제지표를 고려한 스코어링 기법을 통해 대출 심사를 보다 정확하게 제공하고자 한다.

실시예들은 담보물의 예상 가치를 추정하도록 학습된 추정기를 이용하여 학습 기반의 담보물 가치 추정 방식을 제안하고자 한다.

실시예들은 담보물의 예상 낙찰가율을 추정하도록 학습된 추정기를 이용하여 학습 기반의 담보물 낙찰가율 추정 방식을 제안하고자 한다.

실시예들은 대출 심사를 위한 스코어를 추정하도록 학습된 추정기를 이용하여 학습 기반의 스코어 추정 방식을 제안하고자 한다.

실시예들은 대출 심사를 위한 스코어를 추정하기 위해 담보물의 용도 별로 기 정의된 가중치를 고려하여, 보다 정확한 대출 심사 방식을 제안하고자 한다.

일실시예에 따른 대출 심사 서버는 심사 대상 대출금, 담보물과 연관된 담보물 변수, 대출의 심사 대상자와 연관된 대출자 변수 및 상기 담보물과 상기 심사 대상자와 독립된 외적 변수를 획득하는 통신부; 및 상기 담보물 변수 및 상기 외적 변수에 기초하여 상기 담보물의 예상 가치를 추정하고, 상기 추정된 예상 가치, 상기 담보물 변수 및 상기 외적 변수에 기초하여 상기 담보물의 예상 낙찰가율을 추정하고, 상기 심사 대상 대출금, 상기 대출자 변수, 상기 예상 가치 및 상기 예상 낙찰가율에 기초하여 상기 대출의 심사를 위한 스코어를 추정하는 제어부를 포함한다.

일실시예에 따르면, 상기 제어부는 상기 담보물 변수 및 상기 외적 변수에 기초하여 입력 벡터를 생성하고, 상기 생성된 입력 벡터를 기 학습된 추정기에 적용하여 상기 예상 가치를 추정하고, 상기 추정기는 담보물 변수들 및 외적 변수들에 기초하여 생성된 트레이닝 벡터들과 상기 트레이닝 벡터들에 대응하는 레이블들에 의해 학습되고, 상기 레이블들은 상기 트레이닝 벡터들에 대응하는 담보물들의 가치들에 기초하여 정의될 수 있다.

일실시예에 따르면, 상기 추정기는 상기 입력 벡터가 입력되는 입력 레이어와 상기 예상 가치를 출력하는 출력 레이어를 포함하는 뉴럴 네트워크를 포함할 수 있다.

일실시예에 따르면, 상기 제어부는 상기 예상 가치, 상기 담보물 변수 및 상기 외적 변수에 기초하여 입력 벡터를 생성하고, 상기 생성된 입력 벡터를 기 학습된 추정기에 적용하여 상기 예상 낙찰가율을 추정하고, 상기 추정기는 담보물들의 가치들, 담보물 변수들 및 외적 변수들에 기초하여 생성된 트레이닝 벡터들과 상기 트레이닝 벡터들에 대응하는 레이블들에 의해 학습되고, 상기 레이블들은 상기 트레이닝 벡터들에 대응하는 낙찰가율들에 기초하여 정의될 수 있다.

일실시예에 따르면, 상기 제어부는 상기 심사 대상 대출금, 상기 대출자 변수, 상기 예상 가치 및 상기 예상 낙찰가율에 기초하여 입력 벡터를 생성하고, 상기 생성된 입력 벡터를 기 학습된 추정기에 적용하여 상기 스코어를 추정하고, 상기 추정기는 심사 대상 대출금들, 대출자 변수들, 담보물들의 가치들, 상기 담보물들의 낙찰가율들에 기초하여 생성된 트레이닝 벡터들과 상기 트레이닝 벡터들에 대응하는 레이블들에 의해 학습되고, 상기 레이블들은 상기 트레이닝 벡터들에 대응하는 대출 연체 비율들 및 부실 대출 발생률들에 기초하여 정의될 수 있다.

일실시예에 따른 상기 대출 심사 서버는 담보물들의 용도들 및 상기 용도들에 따라 정의된 가중치 세트들을 매핑하여 기록하는 데이터베이스를 더 포함하고, 상기 제어부는 상기 심사 대상 대출금, 상기 예상 가치 및 상기 예상 낙찰가율에 기초하여 담보 비율을 생성하고, 상기 데이터베이스로부터 상기 담보물의 용도에 따라 정의된 가중치 세트를 획득하고, 상기 담보 비율, 상기 심사 대상 대출금, 상기 담보물 변수, 상기 대출자 변수, 상기 외적 변수, 상기 예상 가치 및 상기 예상 낙찰가율 중 적어도 하나에 상기 획득된 가중치 세트를 적용하여 상기 스코어를 추정할 수 있다.

일실시예에 따르면, 상기 통신부는 상기 담보물에 설정된 채권액을 획득하고, 상기 제어부는 상기 채권액, 상기 심사 대상 대출금, 상기 예상 가치 및 상기 예상 낙찰가율에 기초하여 상기 담보 비율을 생성할 수 있다.

일실시예에 따르면, 상기 예상 가치는 상기 담보물의 시계열적인 예상 가치들의 시퀀스를 포함하고, 상기 예상 낙찰가율은 상기 담보물의 시계열적인 예상 낙찰가율들의 시퀀스를 포함할 수 있다.

일실시예에 따르면, 상기 예상 가치는 미리 설정된 기간 동안의 가치의 변동률, 등락폭, 상한가, 하한가, 평균가 중 적어도 하나를 더 포함하고, 상기 예상 낙찰가율은 미리 설정된 기간 동안의 낙찰가율의 변동률, 등락폭, 상한, 하한, 평균 중 적어도 하나를 더 포함할 수 있다.

일실시예에 따르면, 상기 담보물 변수는 상기 담보물의 가격 히스토리, 낙찰가 히스토리, 상기 담보물의 용도, 지역, 층수, 면적, 향, 방 개수, 욕실 개수, 건축물 구조, 난방 방식, 가구당 주차대수, 단지 규모, 건축 년도, 건설 업체, 편의 시설, 주거 환경, 교통 환경, 지하철역과의 도보 시간, 환금성 및 임대료 수익률 중 적어도 하나를 포함하고, 상기 용도는 주거용, 상업용, 토지, 공업시설 중 적어도 하나를 포함하고, 상기 가격 히스토리는 상기 담보물의 신축단가, 미리 설정된 기간 동안의 시세, 감정가, 실거래가 또는 호가의 변동률, 등락폭, 상한가, 하한가, 평균가 중 적어도 하나의 히스토리를 포함하고, 상기 외적 변수는 미리 설정된 기간 동안의 소비자 물가지수, 경기 변동 지수, 회사채 금리, 시장 금리, 대출 금리, 환율, 주가 지수, 부동산 매매지수, 부동산 전월세지수, 부동산 전망지수, 부동산 정책, 대출 정책, 인구, 소득, 지역 개발, 선거, 지역별 또는 용도별 부동산시세, 공급량, 거래량, 공시지가, 전세가, 월세가 중 적어도 하나의 히스토리를 포함하고, 상기 대출자 변수는 상기 심사 대상자의 신용도 및 소득 중 적어도 하나의 히스토리를 포함할 수 있다.

일실시예에 따른 대출 심사 방법은 심사 대상 대출금, 담보물과 연관된 담보물 변수, 대출의 심사 대상자와 연관된 대출자 변수 및 상기 담보물과 상기 심사 대상자와 독립된 외적 변수를 획득하는 단계; 상기 담보물 변수 및 상기 외적 변수에 기초하여 상기 담보물의 예상 가치를 추정하는 단계; 상기 추정된 예상 가치, 상기 담보물 변수 및 상기 외적 변수에 기초하여 상기 담보물의 예상 낙찰가율을 추정하는 단계; 및 상기 심사 대상 대출금, 상기 대출자 변수, 상기 예상 가치 및 상기 예상 낙찰가율에 기초하여 상기 대출의 심사를 위한 스코어를 추정하는 단계를 포함한다.

일실시예에 따른 단말은 대출 심사 어플리케이션을 기록하는 메모리; 상기 대출 심사 어플리케이션을 통해 심사 대상 대출금, 담보물과 연관된 담보물 변수, 대출의 심사 대상자와 연관된 대출자 변수 및 상기 담보물과 상기 심사 대상자와 독립된 외적 변수를 획득하는 프로세서; 및 대출 심사 서버로부터 상기 담보물의 예상 가치, 상기 담보물의 예상 낙찰가율 및 상기 대출의 심사를 위한 스코어를 수신하는 통신부를 포함하고, 상기 예상 가치는 상기 담보물 변수 및 상기 외적 변수에 기초하여 추정되고, 상기 예상 낙찰가율은 상기 추정된 예상 가치, 상기 담보물 변수 및 상기 외적 변수에 기초하여 추정되고, 상기 스코어는 상기 심사 대상 대출금, 상기 대출자 변수, 상기 예상 가치 및 상기 예상 낙찰가율에 기초하여 추정될 수 있다.

실시예들은 담보물의 예상 가치와 예상 낙찰가율을 추정하기 위한 보다 정확한 기법을 제공하여, 연체율, 디폴트 위험 및 대손율을 줄이고, 부실 대출로 인한 경제 및 사회적 비용을 줄이고, 금융 환경의 투명성과 건전성 제고에 이바지할 수 있다.

실시예들은 담보물 및 거시경제지표를 고려한 스코어링 기법을 통해 대출 심사를 보다 정확하게 제공하여, 대출의 양 주체에 합리적인 심사 결과를 제공할 수 있다.

실시예들은 담보물의 예상 가치, 담보물의 예상 낙찰가율, 대출 심사를 위한 스코어를 추정하도록 학습된 추정기들을 채용하여 학습 기반의 추정 또는 심사 기법을 제공할 수 있다.

실시예들은 대출 심사를 위한 스코어를 추정하기 위해 담보물의 용도 별로 기 정의된 가중치를 고려하여, 보다 정확한 대출 심사 방식을 제공할 수 있다.

도 1은 일실시예에 따른 대출 심사가 수행되는 과정을 설명하기 위한 개략도이다.
도 2는 일실시예에 따른 대출 심사 방법을 설명하는 순서도이다.
도 3a는 일실시예에 따른 담보물의 예상 가치를 추정하는 동작을 설명하는 도면이다.
도 3b는 일실시예에 따른 담보물의 예상 낙찰가율을 추정하는 동작을 설명하는 도면이다.
도 3c는 일실시예에 따른 대출의 심사를 위한 스코어를 추정하는 동작을 설명하는 도면이다.
도 4는 일실시예에 따른 대출 심사 서버의 구성의 일례이다.
도 5는 일실시예에 따른 대출 심사 서버의 구성의 일례이다.
도 6은 일실시예에 따른 데이터베이스에 기록된 가중치 세트의 예시도이다.
도 7은 일실시예에 따른 예상 가치 및 예상 낙찰가율의 예시도이다.
도 8은 일실시예에 따른 대출 심사 서버의 구성의 예시도이다.
도 9는 일실시예에 따른 단말의 구성의 예시도이다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다. 예를 들어, 실시예들은 스마트 폰, 모바일 기기, 스마트 홈 시스템 등에서 사용자를 인식하는데 적용될 수 있다. 실시예들은 사용자 인식을 통한 결제 서비스에 적용될 수 있다. 또한, 실시예들은 사용자를 인식하여 자동으로 시동을 거는 지능형 자동차 시스템 등에도 적용될 수 있다. 이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.

도 1은 일실시예에 따른 대출 심사가 수행되는 과정을 설명하기 위한 개략도이다.

도 1을 참조하면, 대출 심사 서버(101)는 심사 대상 대출금(102), 담보물과 연관된 담보물 변수(103), 대출의 심사 대상자와 연관된 대출자 변수(104) 및 상기 담보물과 심사 대상자와 독립된 외적 변수(105)에 기초하여 담보물의 예상 가치, 담보물의 예상 낙찰가율 및 대출 심사를 위한 스코어(106)를 추정할 수 있다. 대출 심사 서버(101)는 대출을 위한 심사를 수행하는 서버로서, 예를 들어 소프트웨어 모듈, 하드웨어 모듈 또는 이들의 조합으로 구현될 수 있다.

대출 심사 서버(101)는 담보물의 예상 가치, 담보물의 예상 낙찰가율 및 대출 심사를 위한 스코어(106)를 추정하는데 필요한 정보를 내부 데이터베이스, 메모리 또는 외부의 서버, 데이터베이스, 메모리 중 적어도 하나로부터 수집할 수 있다. 여기서, 외부의 서버 또는 데이터베이스는 금융권 데이터베이스, 공공 데이터베이스(예를 들어, 국토 담보가치정보, 한국감정원 주택거래 현황, 아파트 실거래가지수, 부동산 전세가격 지수, 월세가격지수, 국토부 실 거래가가 기록된 데이터베이스), 경매정보 포털, 법원경매정보 데이터베이스를 포함하고, 대출 심사 서버(101)는 외부의 서버 또는 데이터베이스에 접근하여 필요한 정보를 수집하거나 기 수집된 정보를 자체 내부 데이터베이스에 기록하여 유지할 수 있다. 여기서, 대출 심사 서버(101)가 원하는 결과를 추정하기 위해 정보를 수집하는 출처는 이에 제한되지 않고, 설계 의도에 다양한 방식으로 변형될 수 있다.

담보란 채무자가 채무를 변제하지 못할 때에 대비하여 채권이 확보되도록 채권자에게 제공하는 것을 의미하고, 담보물이란 대출에 대한 담보대상이 되는 자산으로서, 예를 들어 부동산, 유가증권을 포함한다. 부동산은 동산과 구별되는 것으로서, 토지에 정착된 지붕, 벽, 기둥이 있는 건조물이고, 단독 주택, 다가구 주택, 다세대 주택, 연립 주택, 아파트 등을 포함하는 건조물과 토지 등 동산(動産)과 대비되는 모든 부동자산을 의미하는 포괄적인 개념이다. 개인간 또는 개인과 은행 등 금융주체간의 다양한 계약관계에서 파생되는 담보에는 여러가지가 있으나 가장 널리 이용되는 일반적인 방법은 부동산을 객체로 하는 담보설정 방법이다. 흔한 예로, 은행에서 큰돈을 대출받기 위해 부동산에 저당권을 설정하는 경우를 들 수 있으며, 이 경우 돈을 대출받은 채무자가 대출금을 약정한 기간 내에 상환하지 못하면 원칙적으로 은행은 담보권자, 즉 저당권자로서 상기 부동산을 경매처분하여 그 낙찰금으로 자신의 채권에 충당할 수 있게 되는 것이다. 그러나 비록 채권자가 저당권 등의 담보물권을 취득했다 하더라도 채권변제기 전에 담보가 된 부동산의 가격이 채권액에 미치지 못할 정도로 하락한다거나 국가에 수용되는 등 특별한 사정이 발생하였으나 채권자가 이를 알지 못한 경우에는 불의의 타격을 입을 수 있다.

심사 대상 대출금은 심사의 대상이 되는 대출금으로서, 예를 들어 대출 심사 시 심사 대상 대출금을 제외한 변수들이 동일한 조건에서 심사 대상 대출금이 달라짐에 따라 대출 심사의 결과가 달라질 수 있다. 담보물 변수는 담보물의 예상 가치, 예상 낙찰가율 및 대출 심사를 위해 고려되는 변수들 중에서 담보물과 연관된 변수로서, 예를 들어 담보물이 부동산인 경우 해당 부동산을 특정하거나 해당 부동산의 가치를 평가하는데 영향을 주는 변수들을 포함한다. 대출자 변수는 대출 심사를 위해 고려되는 변수들 중에서 심사 대상자와 연관된 변수로서, 예를 들어 심사 대상자가 직장인인 경우 대출을 상환할 수 있는 능력에 영향을 주는 변수들을 포함한다. 외적 변수는 담보물의 예상 가치, 예상 낙찰가율 및 대출 심사를 위해 고려되는 변수들 중에서 담보물과 심사 대상자와 독립된 변수로서, 예를 들어 해당 담보물과 심사 대상자와 무관한 경기 지표, 기준 금리, 경제/부동산 정책과 같은 경제 환경적인 요소들을 포함한다.

대출 심사 서버(101)는 담보물의 예상 가치를 추정하기 위해 담보물에 한정된 요인뿐만 아니라 거시경제지표, 부동산 경기와 같은 담보물의 예상 가치에 영향을 주는 경제적인 환경도 고려하는데, 담보물의 예상 가치를 추정하도록 학습된 추정기를 채용하므로 통계적인 모형에 기반한 추론 기법보다 정확하고 신속하게 원하는 결과를 추정할 수 있다. 유사한 방식으로, 대출 심사 서버(101)는 기 학습된 추정기를 이용하여 담보물의 예상 낙찰가율, 대출의 심사를 위한 스코어를 추정할 수 있다. 대출 심사 서버(101)는 머신러닝, 딥러닝 기법을 통해 학습된 추정기를 이용하고, 이러한 추정기는 담보물의 예상 가치, 예상 낙찰가율 및 대출 심사를 위한 스코어를 추정하는데 필요한 방대한 양의 정보에 의해 학습되어 추정을 위한 파라미터가 최적화될 수 있다. 대출 심사 서버(101)는 수학 및 통계적 모델에 의해 설계된 추정 기법보다 정확한 결과를 신속하게 제공할 수 있으므로, 신속한 대출 심사를 통해 대출 소비자에게 신속한 투자 의사결정이 가능한 환경을 조성할 수 있고, 부실 대출이 발생할 가능성을 줄여 부채와 연동된 재무 건전성을 높일 수 있다. 또한, 또한 대출 심사 서버(101)는 부실 대출율을 낮추고, 신속하고 정확한 대출 심사를 제공할 수 있기 때문에 건전한 대출을 통한 자금 유통 및 투자를 활성화하여 건전한 경제환경을 조성하는데 이바지할 수 있다.

도 2는 일실시예에 따른 대출 심사 방법을 설명하는 순서도이다.

도 2를 참조하면, 대출 심사 서버는 심사 대상 대출금, 담보물과 연관된 담보물 변수, 대출의 심사 대상자와 연관된 대출자 변수 및 담보물과 심사 대상자와 독립된 외적 변수를 획득할 수 있다(201). 상술한 바와 같이 대출 심사 서버는 이러한 변수들을 내부 또는 외부의 데이터베이스로부터 수집할 수 있다.

대출 심사 서버는 담보물 변수 및 외적 변수에 기초하여 담보물의 예상 가치를 추정할 수 있다(202). 여기서, 담보물의 예상 가치는 담보물의 미래의 특정 시점 또는 특정 구간 동안에 예측되는 가치를 의미하고, 예상 가치는 가격, 지수, 점수 등의 방식으로 표현될 수 있다. 예상 가치를 표현하는 형식에 관해서는 설계 의도에 따라 다양한 정의가 적용될 수 있다. 예를 들어, 2017년 1월 현재의 시점에서 담보물의 가치가 1억인 경우, 대출 심사 서버는 담보물의 예상 가치를 2020년 1월 ~ 2023년 3월까지의 이산적 또는 연속적인 가격의 추이로 표현할 수 있고, 또는 특정 시점에 해당하는 가격으로 표현할 수 있다. 대출 심사 서버는 담보물의 예상 가치를 추정하기 위해 기 학습된 추정기를 이용할 수 있는데, 추정기를 적용한 실시예에 관해 도 3a를 참조하여 설명한다.

도 3a는 일실시예에 따른 담보물의 예상 가치를 추정하는 동작을 설명하는 도면이다.

도 3a를 참조하면, 대출 심사 서버는 담보물 변수(103) 및 외적 변수(105)에 기초하여 입력 벡터(301)를 생성할 수 있다. 대출 심사 서버는 생성된 입력 벡터(301)를 기 학습된 추정기(302)에 적용하여 담보물의 예상 가치(305)를 추정할 수 있다. 설명의 편의를 위해 담보물의 예상 가치를 추정하기 위한 추정기를 제1 추정기(302)라고 지칭하겠다.

제1 추정기(302)는 입력 벡터(301)가 입력되는 입력 레이어(303), 예상 가치(305)를 출력하는 출력 레이어(304) 및 중간 레이어를 포함하는 뉴럴 네트워크를 포함할 수 있다. 뉴럴 네트워크는 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의되는데, 제1 추정기(302)는 특정 입력이 수신되면 그 특정 입력에 대응하는 예상 가치를 출력하도록 학습된 뉴럴 네트워크를 포함할 수 있다. 담보물의 예상 가치(305)는 출력 레이어(304)의 노드들로부터 출력된 확률(log-likelihood) 값들에 기초하여 정의될 수 있고, 출력 레이어(304)의 노드들의 활성화 함수들에 의해 정의될 수 있다.

대출 심사 서버는 제1 추정기(302)의 입력 레이어(303)에 적용되는데 적합한 형태로 입력 벡터(301)를 생성할 수 있다. 여기서, 입력 벡터(301)는 one-hot 벡터, 실수 벡터 등 설계 의도에 따라 다양한 형태로 정의될 수 있다. 대출 심사 서버는 담보물 변수(103) 및 외적 변수(105)를 이용하여 입력 벡터(301)를 생성하는데, 입력 벡터(301)의 생성 과정은 담보물의 예상 가치(305)를 추정하기 이전에 수행되는 전처리 동작일 수 있다. 대출 심사 서버는 기 정의된 입력 벡터(301)를 가공하기 위해 담보물 변수(103) 및 외적 변수(105)를 조합할 수 있다.

담보물 변수(103)는 담보물의 가격 히스토리, 낙찰가 히스토리, 상기 담보물의 용도, 지역, 층수, 면적, 향, 방 개수, 욕실 개수, 건축물 구조, 난방 방식, 가구당 주차대수, 단지 규모, 건축 년도, 건설 업체, 편의 시설, 주거 환경, 교통 환경, 지하철역과의 도보 시간, 환금성 및 임대료 수익률 중 적어도 하나를 포함한다. 여기서, 용도는 주거용, 상업용, 토지, 공업시설 중 적어도 하나를 포함하고, 주거용은 단독주택, 다가구주택, 아파트, 주상복합아파트, 근린주택, 연립, 다세대, 기숙사, 고시원 중 적어도 하나를 포함하고, 상업용은 상가, 점포, 아파트상가, 주상복합상가, 시장, 근리시설, 대형판매시설, 아파트형공장내 상가, 식물관련시설, 오피스텔(주거용), 오피스텔(상가), 숙박시설, 콘도, 위락시설, 골프장, 골프연습장, 스키장, 레저스포츠시설, 골프연습장, 목욕시설, 병원, 주유소, 자동차시설, 종교시설, 창고, 축사, 교육연구시설, 양어장, 노유자시설, 문화집회시설, 수련시설, 장례시설, 관광휴게시설, 묘지관리시설, 분뇨쓰레기처리시설 중 적어도 하나를 포함하고, 토지는 대지, 임야, 전, 답, 과수원, 잡종지, 학교용지, 체육용지, 종교용지, 목장용지, 창고용지, 철도용지, 공장용지, 주유소용지, 유원지, 공원, 도로, 하천, 구거, 유지, 제방, 염전, 양어장용지, 묘지, 광천지, 기타토지, 사적지, 수도용지, 주차장용지 중 적어도 하나를 포함하고, 공업시설은 공장, 아파트형공장, 제조업소 중 적어도 하나를 포함한다. 가격 히스토리는 담보물의 신축단가, 미리 설정된 기간 동안의 시세, 감정가, 실거래가 또는 호가의 변동률, 등락폭, 상한가, 하한가, 평균가 중 적어도 하나의 히스토리를 포함한다.

외적 변수(105)는 미리 설정된 기간 동안의 소비자 물가지수, 인플레이션 지수, 언론의 부동산 긍정/부정 언급 횟수, 경기 변동 지수, 회사채 금리, 시장 금리, 대출 금리, 환율, 주가 지수, 부동산 매매지수, 부동산 전월세지수, 부동산 전망지수, 부동산 정책, 대출 정책, 인구, 소득, 지역 개발, 선거, 지역별 또는 용도별 부동산시세, 공급량, 거래량, 공시지가, 전세가, 월세가 중 적어도 하나의 히스토리를 포함한다.

대출 심사 서버는 담보물 변수(103) 및 외적 변수(105)에 포함된 요소들에 기정의된 가중치들을 적용하여 입력 벡터(301)를 생성하고, 생성된 입력 벡터(301)를 뉴럴 네트워크에 인가할 수 있다.

일실시예에 따르면, 제1 추정기(302)는 담보물 변수들 및 외적 변수들에 기초하여 생성된 트레이닝 벡터들과 트레이닝 벡터들에 대응하는 레이블들에 의해 학습될 수 있다. 여기서, 레이블들은 트레이닝 벡터들에 대응하는 담보물들의 가치들에 기초하여 정의될 수 있다. 일실시예에 따르면, 제1 추정기(302)는 학습 장치에 의해 학습될 수 있다. 학습 장치는 담보물 변수들 및 외적 변수들에 기초하여 생성된 트레이닝 벡터들과 트레이닝 벡터들에 대응하는 레이블들에 기초하여 제1 추정기(302)의 뉴럴 네트워크를 학습시킬 수 있다. 예를 들어, 학습 장치는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 뉴럴 네트워크를 학습시킬 수 있다. 학습 장치는 제1 추정기(302)의 뉴럴 네트워크의 출력들 및 레이블들 의해 설계된 손실 함수를 이용할 수 있다. 예를 들어, 학습 장치는 담보물 변수들 및 외적 변수들에 기초하여 생성된 트레이닝 벡터들을 제1 추정기(302)의 뉴럴 네트워크로 입력하고, 제1 추정기(302)의 뉴럴 네트워크의 출력들과 레이블들에 기초하여 트레이닝 에러를 계산할 수 있다. 학습 장치는 미리 정의된 손실 함수(loss function)을 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 제1 추정기(302)의 뉴럴 네트워크 내 가중치들에 의해 설정될 수 있다. 예를 들어, 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계될 수 있는데, 손실 함수가 설계되는 실시예에는 다양한 기법 또는 방식이 채용될 수 있다.

학습 장치는 역전파(backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 제1 추정기(302)의 뉴럴 네트워크 내 노드들 사이의 관계들이다. 학습 장치는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 학습 장치는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다. 학습 장치는 제1 추정기(302)의 뉴럴 네트워크 내 노드들 사이의 가중치들의 갱신을 반복하여 제1 추정기(302)를 학습시킬 수 있다. 대출 심사 서버는 학습이 완료된 제1 추정기(302)를 이용하여 입력 벡터(301)로부터 담보물의 예상 가치(305)를 추정할 수 있다.

다시 도 2를 참조하면, 대출 심사 서버는 추정된 예상 가치, 담보물 변수 및 외적 변수에 기초하여 담보물의 예상 낙찰가율을 추정할 수 있다(203). 여기서, 담보물의 예상 낙찰가율은 담보물의 미래의 특정 시점 또는 특정 구간 동안에 예측되는 낙찰가율을 의미하고, 예상 낙찰가율은 비율, 지수, 점수 등의 방식으로 표현될 수 있다. 예상 낙찰가율을 표현하는 형식에 관해서는 설계 의도에 따라 다양한 정의가 적용될 수 있다. 대출 심사 서버는 담보물의 예상 낙찰가율을 추정하기 위해 기 학습된 추정기를 이용할 수 있는데, 추정기를 적용한 실시예에 관해 도 3b를 참조하여 설명한다.

도 3b는 일실시예에 따른 담보물의 예상 낙찰가율을 추정하는 동작을 설명하는 도면이다.

도 3b를 참조하면, 대출 심사 서버는 담보물의 예상 가치(305), 담보물 변수(103) 및 외적 변수(105)에 기초하여 입력 벡터(306)를 생성할 수 있다. 대출 심사 서버는 생성된 입력 벡터(306)를 기 학습된 추정기(307)에 적용하여 담보물의 예상 낙찰가율(310)을 추정할 수 있다. 설명의 편의를 위해 담보물의 예상 낙찰가율을 추정하기 위한 추정기를 제2 추정기(307)라고 지칭하겠다.

제2 추정기(307)는 입력 벡터(306)가 입력되는 입력 레이어(308), 예상 낙찰가율(310)을 출력하는 출력 레이어(309) 및 중간 레이어를 포함하는 뉴럴 네트워크를 포함할 수 있다. 뉴럴 네트워크에 관해서는 상술한 바가 적용될 수 있으므로 중복되는 내용의 설명은 생략하겠다. 제2 추정기(307)는 특정 입력이 수신되면 그 특정 입력에 대응하는 예상 낙찰가율을 출력하도록 학습된 뉴럴 네트워크를 포함할 수 있다. 담보물의 예상 낙찰가율(310)는 출력 레이어(309)의 노드들로부터 출력된 확률(log-likelihood) 값들에 기초하여 정의될 수 있고, 출력 레이어(309)의 노드들의 활성화 함수들에 의해 정의될 수 있다.

대출 심사 서버는 제2 추정기(307)의 입력 레이어(308)에 적용되는데 적합한 형태로 입력 벡터(306)를 생성할 수 있다. 여기서, 입력 벡터(306)는 one-hot 벡터, 실수 벡터 등 설계 의도에 따라 다양한 형태로 정의될 수 있다. 대출 심사 서버는 담보물의 예상 가치(305), 담보물 변수(103) 및 외적 변수(105)를 이용하여 입력 벡터(306)를 생성하는데, 입력 벡터(306)의 생성 과정은 담보물의 예상 낙찰가율(310)을 추정하기 이전에 수행되는 전처리 동작일 수 있다. 대출 심사 서버는 기 정의된 입력 벡터(306)를 가공하기 위해 담보물의 예상 가치(305), 담보물 변수(103) 및 외적 변수(105)를 조합할 수 있다. 대출 심사 서버는 담보물의 예상 가치(305), 담보물 변수(103) 및 외적 변수(105)에 포함된 요소들에 기정의된 가중치들을 적용하여 입력 벡터(306)를 생성하고, 생성된 입력 벡터(306)를 뉴럴 네트워크에 인가할 수 있다.

일실시예에 따르면, 제2 추정기(307)는 담보물들의 가치들, 담보물 변수들 및 외적 변수들에 기초하여 생성된 트레이닝 벡터들과 트레이닝 벡터들에 대응하는 레이블들에 의해 학습될 수 있다. 여기서, 레이블들은 트레이닝 벡터들에 대응하는 담보물들의 낙찰가율들에 기초하여 정의될 수 있다. 일실시예에 따르면, 제2 추정기(307)는 학습 장치에 의해 학습될 수 있다. 학습 장치는 담보물들의 가치들, 담보물 변수들 및 외적 변수들에 기초하여 생성된 트레이닝 벡터들과 트레이닝 벡터들에 대응하는 레이블들에 기초하여 제2 추정기(307)의 뉴럴 네트워크를 학습시킬 수 있다. 학습과 관련된 실시예에는 상술한 내용이 적용될 수 있다. 예를 들어, 학습 장치는 담보물들의 가치들, 담보물 변수들 및 외적 변수들에 기초하여 생성된 트레이닝 벡터들을 제2 추정기(307)의 뉴럴 네트워크로 입력하고, 제2 추정기(307)의 뉴럴 네트워크의 출력들과 레이블들에 기초하여 트레이닝 에러를 계산할 수 있다. 트레이닝 에러와 손실 함수를 이용한 파라미터 최적화 관련 실시예에는 상술한 내용이 적용될 수 있다. 학습 장치는 제2 추정기(307)의 뉴럴 네트워크 내 노드들 사이의 가중치들의 갱신을 반복하여 제2 추정기(307)를 학습시킬 수 있다. 대출 심사 서버는 학습이 완료된 제2 추정기(307)를 이용하여 입력 벡터(306)로부터 담보물의 예상 낙찰가율(310)를 추정할 수 있다.

다시 도 2를 참조하면, 대출 심사 서버는 심사 대상 대출금, 대출자 변수, 예상 가치 및 예상 낙찰가율에 기초하여 대출의 심사를 위한 스코어를 추정할 수 있다(204). 여기서, 스코어는 점수 형태로 표현되는데 제한되지 않고, 이산적 또는 연속적인 비율, 지수, 등급 등 대출 심사의 결과를 나타내기 위한 다양한 지표 또는 정의가 채용될 수 있다. 대출 심사 서버는 대출의 심사를 위한 스코어를 추정하기 위해 기 학습된 추정기를 이용할 수 있는데, 추정기를 적용한 실시예에 관해 도 3c를 참조하여 설명한다.

도 3c는 일실시예에 따른 대출의 심사를 위한 스코어를 추정하는 동작을 설명하는 도면이다.

도 3c를 참조하면, 대출 심사 서버는 심사 대상 대출금(102), 대출자 변수(104), 담보물의 예상 가치(305) 및 담보물의 예상 낙찰가율(310)에 기초하여 입력 벡터(311)를 생성할 수 있다. 대출 심사 서버는 생성된 입력 벡터(311)를 기 학습된 추정기(312)에 적용하여 대출의 심사를 위한 스코어(315)를 추정할 수 있다. 설명의 편의를 위해 대출의 심사를 위한 스코어를 추정하기 위한 추정기를 제3 추정기(312)라고 지칭하겠다.

제3 추정기(312)는 입력 벡터(311)가 입력되는 입력 레이어(313), 대출의 심사를 위한 스코어(315)을 출력하는 출력 레이어(314) 및 중간 레이어를 포함하는 뉴럴 네트워크를 포함할 수 있다. 뉴럴 네트워크에 관해서는 상술한 바가 적용될 수 있으므로 중복되는 내용의 설명은 생략하겠다. 제3 추정기(312)는 특정 입력이 수신되면 그 특정 입력에 대응하는 대출의 심사를 위한 스코어를 출력하도록 학습된 뉴럴 네트워크를 포함할 수 있다. 대출의 심사를 위한 스코어(315)는 출력 레이어(314)의 노드들로부터 출력된 확률(log-likelihood) 값들에 기초하여 정의될 수 있고, 출력 레이어(314)의 노드들의 활성화 함수들에 의해 정의될 수 있다.

대출 심사 서버는 제3 추정기(312)의 입력 레이어(313)에 적용되는데 적합한 형태로 입력 벡터(311)를 생성할 수 있다. 여기서, 입력 벡터(311)는 one-hot 벡터, 실수 벡터 등 설계 의도에 따라 다양한 형태로 정의될 수 있다. 대출 심사 서버는 심사 대상 대출금(102), 대출자 변수(104), 담보물의 예상 가치(305) 및 담보물의 예상 낙찰가율(310)를 이용하여 입력 벡터(311)를 생성하는데, 입력 벡터(311)의 생성 과정은 대출의 심사를 위한 스코어(315)를 추정하기 이전에 수행되는 전처리 동작일 수 있다. 대출 심사 서버는 기 정의된 입력 벡터(311)를 가공하기 위해 심사 대상 대출금(102), 대출자 변수(104), 담보물의 예상 가치(305) 및 담보물의 예상 낙찰가율(310)를 조합할 수 있다. 대출 심사 서버는 심사 대상 대출금(102), 대출자 변수(104), 담보물의 예상 가치(305) 및 담보물의 예상 낙찰가율(310)에 포함된 요소들에 기정의된 가중치들을 적용하여 입력 벡터(311)를 생성하고, 생성된 입력 벡터(311)를 뉴럴 네트워크에 인가할 수 있다.

일실시예에 따르면, 제3 추정기(312)는 심사 대상 대출금들, 대출자 변수들, 담보물들의 가치들, 담보물들의 낙찰가율들에 기초하여 생성된 트레이닝 벡터들과 트레이닝 벡터들에 대응하는 레이블들에 의해 학습될 수 있다. 여기서, 레이블들은 트레이닝 벡터들에 대응하는 대출 연체 비율들 및 부실 대출 발생률들에 기초하여 정의될 수 있다. 일실시예에 따르면, 제3 추정기(312)는 학습 장치에 의해 학습될 수 있다. 학습 장치는 심사 대상 대출금들, 대출자 변수들, 담보물들의 가치들, 담보물들의 낙찰가율들에 기초하여 생성된 트레이닝 벡터들과 트레이닝 벡터들에 대응하는 레이블들에 기초하여 제3 추정기(312)의 뉴럴 네트워크를 학습시킬 수 있다. 학습과 관련된 실시예에는 상술한 내용이 적용될 수 있다. 예를 들어, 학습 장치는 심사 대상 대출금들, 대출자 변수들, 담보물들의 가치들, 담보물들의 낙찰가율들에 기초하여 생성된 트레이닝 벡터들을 제3 추정기(312)의 뉴럴 네트워크로 입력하고, 제3 추정기(312)의 뉴럴 네트워크의 출력들과 레이블들에 기초하여 트레이닝 에러를 계산할 수 있다. 트레이닝 에러와 손실 함수를 이용한 파라미터 최적화 관련 실시예에는 상술한 내용이 적용될 수 있다. 학습 장치는 제3 추정기(312)의 뉴럴 네트워크 내 노드들 사이의 가중치들의 갱신을 반복하여 제3 추정기(312)를 학습시킬 수 있다. 대출 심사 서버는 학습이 완료된 제3 추정기(312)를 이용하여 입력 벡터(311)로부터 대출의 심사를 위한 스코어(315)를 추정할 수 있다.

도 4는 일실시예에 따른 대출 심사 서버의 구성의 일례이다.

도 4를 참조하면, 대출 심사 서버(101)는 제1 추정기(302), 제2 추정기(307) 및 제3 추정기(312)를 포함할 수 있다. 대출 심사 서버(101)는 상술한 방식으로 학습된 제1 추정기(302), 제2 추정기(307) 및 제3 추정기(312)를 이용하여 대출의 심사를 위한 스코어를 추정할 수 있다. 제2 추정기(307)는 제1 추정기(302)로부터 담보물의 예상 가치를 수신하고, 수신된 담보물의 예상 가치에 기초하여 담보물의 예상 낙찰가율을 추정할 수 있다. 제3 추정기(312)는 제1 추정기(302)로부터 담보물의 예상 가치를 수신하고, 제2 추정기(307)로부터 담보물의 예상 낙찰가율을 수신하고, 수신된 담보물의 예상 가치와 담보물의 예상 낙찰가율에 기초하여 대출의 심사를 위한 스코어를 추정할 수 있다. 대출 심사 서버(101)는 기 학습된 제1 추정기(302), 제2 추정기(307) 및 제3 추정기(312)가 서로 연동하는 시스템을 통해 대출의 심사를 수행할 수 있다.

도시되지는 않았지만, 대출 심사 서버(101)는 단대단(end-to-end)의 형태로 구현된 추정기를 포함할 수 있다. 단대단 형태로 구현된 추정기는 심사 대상 대출금, 담보물 변수, 대출자 변수 및 외적 변수에 기초하여 대출의 심사를 위한 스코어를 추정할 수 있다. 이러한 형태로 구현된 추정기는 담보물의 예상 가치와 담보물의 예상 낙찰가율의 추정 없이 대출의 심사를 위한 스코어를 추정할 수 있다. 단대단 형태로 구현된 추정기는 심사 대상 대출금들, 담보물 변수들, 대출자 변수들 및 외적 변수들에 기초하여 정의된 트레이닝 벡터들 및 트레이닝 벡터들에 대응하는 레이블들에 의해 학습된 뉴럴 네트워크를 포함할 수 있고, 여기서 레이블들은 트레이닝 벡터들에 대응하는 대출 연체 비율들 및 부실 대출 발생률들에 기초하여 정의될 수 있다.

또한, 대출 심사 서버(101)는 담보물 변수, 대출자 변수 및 외적 변수에 기초하여 담보물의 예상 가치와 담보물의 예상 낙찰가율을 동시에 추정하는 추정기를 포함할 수 있다. 이 경우, 대출 심사 서버(101)는 상술한 제3 추정기(312)를 더 포함할 수 있다. 대출 심사 서버(101)에 채용되는 추정기들의 구현 방식은 상술한 3개의 추정기, 2개의 추정기, 단대단 추정기의 구현 방식에 제한되지 않고, 설계 의도에 따라 다양한 기법들이 채용되어 응용될 수 있다.

도 5는 일실시예에 따른 대출 심사 서버의 구성의 일례이다.

일실시예에 따르면, 대출 심사 서버(101)는 데이터베이스(501)를 더 포함할 수 있다. 데이터베이스(501)는 담보물들의 용도들 및 용도들에 따라 정의된 가중치 세트들을 매핑하여 기록할 수 있다.

대출 심사 서버(101)는 제1 추정기(302)로부터 담보물의 예상 가치를 획득하고, 제2 추정기(307)로부터 담보물의 예상 낙찰가율을 획득할 수 있다. 대출 심사 서버(101)는 심사 대상 대출금, 제1 추정기(302)로부터 획득된 예상 가치 및 제2 추정기(307)로부터 획득된 예상 낙찰가율에 기초하여 담보 비율을 생성할 수 있다. 예를 들어, 담보 비율은 LTV(Loan to value ratio)로 정의될 수 있다.

일실시예에 따르면, 대출 심사 서버(101)는 담보물에 설정된 채권액을 고려하여 담보 비율을 생성할 수 있다. 대출 심사 서버(101)는 내부 또는 외부 서버 또는 데이터베이스로부터 담보물에 설정된 채권액을 획득할 수 있다. 대출 심사 서버(101)는 획득된 채권액, 심사 대상 대출금, 예상 가치 및 예상 낙찰가율에 기초하여 담보 비율을 생성할 수 있다.

대출 심사 서버(101)는 담보물의 용도를 식별하고, 식별된 담보물의 용도에 따라 정의된 가중치 세트를 데이터베이스(501)로부터 획득할 수 있다. 대출 심사 서버(101)는 담보 비율, 심사 대상 대출금, 담보물 변수, 대출자 변수, 외적 변수, 제1 추정기(302)로부터 획득된 예상 가치 및 제2 추정기(307)로부터 획득된 예상 낙찰가율 중 적어도 하나에 데이터베이스(501)로부터 획득된 가중치 세트를 적용하여 대출의 심사를 위한 스코어를 추정할 수 있다. 대출 심사 서버(101)는 추정된 스코어를 이용하여 대출 금리를 책정할 수 있다.

도 6은 일실시예에 따른 데이터베이스에 기록된 가중치 세트의 예시도이다.

데이터베이스(501)는 담보물의 용도 별로 가중치 세트들을 매핑하여 기록할 수 있는데, 도 6은 데이터베이스(501)에 기록된 가중치 세트들의 예시를 도시한다. 예를 들어, 대출 심사 서버(101)는 담보물의 용도가 아파트인 경우와 상가인 경우 가중치 세트를 달리 적용하여 대출의 심사를 위한 스코어를 추정할 수 있다. 예를 들어, 대출 심사 서버(101)는 담보물이 아파트 및 상가인 경우 각각 표 1 및 표 2와 같이 데이터베이스(501)에 기록된 가중치 세트들을 이용할 수 있다. 표 1 및 표 2에서 각 열들의 값들은 (해당 열의 특성에 대응하는 값, 가중치)로 정의된다. 대출 심사 서버(101)는 담보 비율, 심사 대상 대출금, 담보물 변수, 대출자 변수, 외적 변수에 데이터베이스(501)에 기록된 가중치 세트들을 적용하여 담보물의 예상 가치, 담보물의 예상 낙찰가율 및 대출의 심사를 위한 스코어를 추정할 수 있다.

대출 심사 서버(101)는 담보물의 용도 중에서 단도주택, 다가구주택, 아파트, 주상복합아파트, 근린주택, 연립, 다세대, 상가, 점포, 근린상가에 적용되는 가중치 세트들을 나머지 용도들 보다 심사 결과가 우수하게 나오도록 정의할 수 있다.

도 7은 일실시예에 따른 예상 가치 및 예상 낙찰가율의 예시도이다.

대출 심사 서버는 담보물의 예상 가치와 담보물의 예상 낙찰가율을 추정할 수 있는데, 담보물의 예상 가치는 담보물의 시계열적인 예상 가치들의 시퀀스를 포함하고, 담보물의 예상 낙찰가율은 담보물의 시계열적인 예상 낙찰가율들의 시퀀스를 포함할 수 있다. 예를 들어, 담보물의 예상 가치(701)와 담보물의 예상 낙찰가율(702)은 도 7에 도시된 바와 같이 표현될 수 있다. 일실시예에 따르면 담보물의 예상 가치는 미리 설정된 기간 동안의 가치의 변동률, 등락폭, 상한가, 하한가, 평균가 중 적어도 하나를 더 포함하고, 담보물의 예상 낙찰가율은 미리 설정된 기간 동안의 낙찰가율의 변동률, 등락폭, 상한, 하한, 평균 중 적어도 하나를 더 포함할 수 있다.

도 8은 일실시예에 따른 대출 심사 서버의 구성의 예시도이다.

도 8을 참조하면, 대출 심사 서버(101)는 통신부(801), 제어부(802) 및 데이터베이스(803)를 포함한다. 통신부(801)는 통신 모듈을 이용하여 대출 심사 서버(101)가 필요한 정보를 수신하거나 대출 심사 서버(101)에 의해 생성된 정보를 외부로 전송할 수 있다. 제어부(802)는 도 1 내지 도 7을 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 7을 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 도시되지 않았지만 대출 심사 서버(101)는 메모리를 포함할 수 있고, 메모리는 대출 심사 방법의 프로그램을 저장할 수 있다. 메모리는 휘발성 메모리 또는 비휘발성 메모리일 수 있다. 제어부(802)는 프로그램을 실행하고, 대출 심사 서버(101)를 제어할 수 있다. 제어부(802)에 의하여 실행되는 프로그램의 코드는 메모리에 저장될 수 있고, 대출 심사 서버(101)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.

도 9는 일실시예에 따른 단말의 구성의 예시도이다.

도 9를 참조하면, 단말(901)은 메모리(902), 프로세서(903) 및 통신부(904)를 포함한다. 메모리(902)는 대출 심사 어플리케이션을 기록할 수 있다. 프로세서(903)는 프로그램을 실행하고, 단말(901)을 제어할 수 있다. 프로세서(903)에 의하여 실행되는 프로그램의 코드는 메모리(902)에 저장될 수 있다. 단말(901)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.

프로세서(903)는 대출 심사 어플리케이션을 통해 심사 대상 대출금, 담보물과 연관된 담보물 변수, 대출의 심사 대상자와 연관된 대출자 변수 및 담보물과 심사 대상자와 독립된 외적 변수를 획득할 수 있다. 통신부(904)는 대출 심사 서버로부터 담보물의 예상 가치, 담보물의 예상 낙찰가율 및 대출의 심사를 위한 스코어를 수신할 수 있다. 여기서, 대출 심사 서버로부터 수신된 담보물의 예상 가치, 담보물의 예상 낙찰가율 및 대출의 심사를 위한 스코어는 도 1 내지 도 8을 참조하여 설명된 실시예에 의해 생성될 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

101: 대출 심사 서버

Claims

심사 대상 대출금, 담보물과 연관된 담보물 변수, 대출의 심사 대상자와 연관된 대출자 변수 및 상기 담보물과 상기 심사 대상자와 독립된 외적 변수를 획득하는 통신부; 및
상기 담보물 변수 및 상기 외적 변수에 기초하여 상기 담보물의 예상 가치를 추정하고,
상기 추정된 예상 가치, 상기 담보물 변수 및 상기 외적 변수에 기초하여 상기 담보물의 예상 낙찰가율을 추정하고,
상기 심사 대상 대출금, 상기 대출자 변수, 상기 예상 가치 및 상기 예상 낙찰가율에 기초하여 상기 대출의 심사를 위한 스코어를 추정하는 제어부
를 포함하고,
상기 제어부는
상기 담보물 변수 및 상기 외적 변수에 기초하여 제1 입력 벡터를 생성하고, 상기 생성된 제1 입력 벡터를 기 학습된 제1 추정기에 적용하여 상기 예상 가치를 추정하고,
상기 예상 가치, 상기 담보물 변수 및 상기 외적 변수에 기초하여 제2 입력 벡터를 생성하고, 상기 생성된 제2 입력 벡터를 기 학습된 제2 추정기에 적용하여 상기 예상 낙찰가율을 추정하고,
상기 심사 대상 대출금, 상기 대출자 변수, 상기 예상 가치 및 상기 예상 낙찰가율에 기초하여 제3 입력 벡터를 생성하고, 상기 생성된 제3 입력 벡터를 기 학습된 제3 추정기에 적용하여 상기 스코어를 추정하고,
상기 제1 추정기는 상기 제1 입력 벡터가 입력되는 입력 레이어와 상기 예상 가치를 출력하는 출력 레이어를 포함하는 제1 뉴럴 네트워크를 포함하고,
상기 제2 추정기는 상기 제2 입력 벡터가 입력되는 입력 레이어와 상기 예상 낙찰가율을 출력하는 출력 레이어를 포함하는 제2 뉴럴 네트워크를 포함하고,
상기 제3 추정기는 상기 제3 입력 벡터가 입력되는 입력 레이어와 상기 스코어를 출력하는 출력 레이어를 포함하는 제3 뉴럴 네트워크를 포함하는,
대출 심사 서버.
제1항에 있어서,
상기 제1 추정기는 담보물 변수들 및 외적 변수들에 기초하여 생성된 제1 트레이닝 벡터들과 상기 제1 트레이닝 벡터들에 대응하는 제1 레이블들에 의해 학습되고,
상기 제1 레이블들은 상기 제1 트레이닝 벡터들에 대응하는 담보물들의 가치들에 기초하여 정의된,
대출 심사 서버.
삭제
제1항에 있어서,
상기 제2 추정기는 담보물들의 가치들, 담보물 변수들 및 외적 변수들에 기초하여 생성된 제2 트레이닝 벡터들과 상기 제2 트레이닝 벡터들에 대응하는 제2 레이블들에 의해 학습되고,
상기 제2 레이블들은 상기 제2 트레이닝 벡터들에 대응하는 낙찰가율들에 기초하여 정의된,
대출 심사 서버.
제1항에 있어서,
상기 제3 추정기는 심사 대상 대출금들, 대출자 변수들, 담보물들의 가치들, 상기 담보물들의 낙찰가율들에 기초하여 생성된 제3 트레이닝 벡터들과 상기 제3 트레이닝 벡터들에 대응하는 제3 레이블들에 의해 학습되고,
상기 제3 레이블들은 상기 제3 트레이닝 벡터들에 대응하는 대출 연체 비율들 및 부실 대출 발생률들에 기초하여 정의된,
대출 심사 서버.
제1항에 있어서,
담보물들의 용도들 및 상기 용도들에 따라 정의된 가중치 세트들을 매핑하여 기록하는 데이터베이스
를 더 포함하고,
상기 제어부는
상기 심사 대상 대출금, 상기 예상 가치 및 상기 예상 낙찰가율에 기초하여 담보 비율을 생성하고,
상기 데이터베이스로부터 상기 담보물의 용도에 따라 정의된 가중치 세트를 획득하고,
상기 담보 비율, 상기 심사 대상 대출금, 상기 담보물 변수, 상기 대출자 변수, 상기 외적 변수, 상기 예상 가치 및 상기 예상 낙찰가율 중 적어도 하나에 상기 획득된 가중치 세트를 적용하여 상기 스코어를 추정하는,
대출 심사 서버.
제6항에 있어서,
상기 통신부는 상기 담보물에 설정된 채권액을 획득하고,
상기 제어부는 상기 채권액, 상기 심사 대상 대출금, 상기 예상 가치 및 상기 예상 낙찰가율에 기초하여 상기 담보 비율을 생성하는,
대출 심사 서버.
제1항에 있어서,
상기 예상 가치는 상기 담보물의 시계열적인 예상 가치들의 시퀀스를 포함하고,
상기 예상 낙찰가율은 상기 담보물의 시계열적인 예상 낙찰가율들의 시퀀스를 포함하는,
대출 심사 서버.
제8항에 있어서,
상기 예상 가치는 미리 설정된 기간 동안의 가치의 변동률, 등락폭, 상한가, 하한가, 평균가 중 적어도 하나를 더 포함하고,
상기 예상 낙찰가율은 미리 설정된 기간 동안의 낙찰가율의 변동률, 등락폭, 상한, 하한, 평균 중 적어도 하나를 더 포함하는,
대출 심사 서버.
제1항에 있어서,
상기 담보물 변수는 상기 담보물의 가격 히스토리, 낙찰가 히스토리, 상기 담보물의 용도, 지역, 층수, 면적, 향, 방 개수, 욕실 개수, 건축물 구조, 난방 방식, 가구당 주차대수, 단지 규모, 건축 년도, 건설 업체, 편의 시설, 주거 환경, 교통 환경, 지하철역과의 도보 시간, 환금성 및 임대료 수익률 중 적어도 하나를 포함하고,
상기 용도는 주거용, 상업용, 토지, 공업시설 중 적어도 하나를 포함하고,
상기 가격 히스토리는 상기 담보물의 신축단가, 미리 설정된 기간 동안의 시세, 감정가, 실거래가 또는 호가의 변동률, 등락폭, 상한가, 하한가, 평균가 중 적어도 하나의 히스토리를 포함하고,
상기 외적 변수는 미리 설정된 기간 동안의 소비자 물가지수, 인플레이션 지수, 언론의 부동산 긍정/부정 언급 횟수, 경기 변동 지수, 회사채 금리, 시장 금리, 대출 금리, 환율, 주가 지수, 부동산 매매지수, 부동산 전월세지수, 부동산 전망지수, 부동산 정책, 대출 정책, 인구, 소득, 지역 개발, 선거, 지역별 또는 용도별 부동산시세, 공급량, 거래량, 공시지가, 전세가, 월세가 중 적어도 하나의 히스토리를 포함하고,
상기 대출자 변수는 상기 심사 대상자의 신용도 및 소득 중 적어도 하나의 히스토리를 포함하는,
대출 심사 서버.
심사 대상 대출금, 담보물과 연관된 담보물 변수, 대출의 심사 대상자와 연관된 대출자 변수 및 상기 담보물과 상기 심사 대상자와 독립된 외적 변수를 획득하는 단계;
상기 담보물 변수 및 상기 외적 변수에 기초하여 상기 담보물의 예상 가치를 추정하는 단계;
상기 추정된 예상 가치, 상기 담보물 변수 및 상기 외적 변수에 기초하여 상기 담보물의 예상 낙찰가율을 추정하는 단계; 및
상기 심사 대상 대출금, 상기 대출자 변수, 상기 예상 가치 및 상기 예상 낙찰가율에 기초하여 상기 대출의 심사를 위한 스코어를 추정하는 단계
를 포함하고,
상기 예상 가치를 추정하는 단계는
상기 담보물 변수 및 상기 외적 변수에 기초하여 제1 입력 벡터를 생성하고, 상기 생성된 제1 입력 벡터를 기 학습된 제1 추정기에 적용하여 상기 예상 가치를 추정하는 단계를 포함하고,
상기 예상 낙찰가율을 추정하는 단계는
상기 예상 가치, 상기 담보물 변수 및 상기 외적 변수에 기초하여 제2 입력 벡터를 생성하고, 상기 생성된 제2 입력 벡터를 기 학습된 제2 추정기에 적용하여 상기 예상 낙찰가율을 추정하는 단계를 포함하고,
상기 스코어를 추정하는 단계는
상기 심사 대상 대출금, 상기 대출자 변수, 상기 예상 가치 및 상기 예상 낙찰가율에 기초하여 제3 입력 벡터를 생성하고, 상기 생성된 제3 입력 벡터를 기 학습된 제3 추정기에 적용하여 상기 스코어를 추정하는 단계를 포함하고,
상기 제1 추정기는 상기 제1 입력 벡터가 입력되는 입력 레이어와 상기 예상 가치를 출력하는 출력 레이어를 포함하는 제1 뉴럴 네트워크를 포함하고,
상기 제2 추정기는 상기 제2 입력 벡터가 입력되는 입력 레이어와 상기 예상 낙찰가율을 출력하는 출력 레이어를 포함하는 제2 뉴럴 네트워크를 포함하고,
상기 제3 추정기는 상기 제3 입력 벡터가 입력되는 입력 레이어와 상기 스코어를 출력하는 출력 레이어를 포함하는 제3 뉴럴 네트워크를 포함하는,
대출 심사 방법.
제11항에 있어서,
상기 제1 추정기는 담보물 변수들 및 외적 변수들에 기초하여 생성된 제1 트레이닝 벡터들과 상기 제1 트레이닝 벡터들에 대응하는 제1 레이블들에 의해 학습되고,
상기 제1 레이블들은 상기 제1 트레이닝 벡터들에 대응하는 담보물들의 가치들에 기초하여 정의된,
대출 심사 방법.
제11항에 있어서,
상기 제2 추정기는 담보물들의 가치들, 담보물 변수들 및 외적 변수들에 기초하여 생성된 제2 트레이닝 벡터들과 상기 제2 트레이닝 벡터들에 대응하는 제2 레이블들에 의해 학습되고,
상기 제2 레이블들은 상기 제2 트레이닝 벡터들에 대응하는 낙찰가율들에 기초하여 정의된,
대출 심사 방법.
제11항에 있어서,
상기 제3 추정기는 심사 대상 대출금들, 대출자 변수들, 담보물들의 가치들, 상기 담보물들의 낙찰가율들에 기초하여 생성된 제3 트레이닝 벡터들과 상기 제3 트레이닝 벡터들에 대응하는 제3 레이블들에 의해 학습되고,
상기 제3 레이블들은 상기 제3 트레이닝 벡터들에 대응하는 대출 연체 비율들 및 부실 대출 발생률들에 기초하여 정의된,
대출 심사 방법.
제11항에 있어서,
상기 스코어를 추정하는 단계는
상기 심사 대상 대출금, 상기 예상 가치 및 상기 예상 낙찰가율에 기초하여 담보 비율을 생성하는 단계;
데이터베이스로부터 상기 담보물의 용도에 따라 정의된 가중치 세트를 획득하는 단계; 및
상기 담보 비율, 상기 심사 대상 대출금, 상기 담보물 변수, 상기 대출자 변수, 상기 외적 변수, 상기 예상 가치 및 상기 예상 낙찰가율 중 적어도 하나에 상기 획득된 가중치 세트를 적용하여 상기 스코어를 추정하는 단계
를 포함하고,
상기 데이터베이스는 담보물들의 용도들 및 상기 용도들에 따라 정의된 가중치 세트들을 매핑하여 기록하는,
대출 심사 방법.
하드웨어와 결합되어 제11항 내지 제15항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능 기록 매체에 저장된 컴퓨터 프로그램.
대출 심사 어플리케이션을 기록하는 메모리;
상기 대출 심사 어플리케이션을 통해 심사 대상 대출금, 담보물과 연관된 담보물 변수, 대출의 심사 대상자와 연관된 대출자 변수 및 상기 담보물과 상기 심사 대상자와 독립된 외적 변수를 획득하는 프로세서; 및
대출 심사 서버로부터 상기 담보물의 예상 가치, 상기 담보물의 예상 낙찰가율 및 상기 대출의 심사를 위한 스코어를 수신하는 통신부
를 포함하고,
상기 예상 가치는 상기 담보물 변수 및 상기 외적 변수에 기초하여 추정되고,
상기 예상 낙찰가율은 상기 추정된 예상 가치, 상기 담보물 변수 및 상기 외적 변수에 기초하여 추정되고,
상기 스코어는 상기 심사 대상 대출금, 상기 대출자 변수, 상기 예상 가치 및 상기 예상 낙찰가율에 기초하여 추정되고,
상기 담보물 변수 및 상기 외적 변수에 기초하여 제1 입력 벡터가 생성되고, 상기 생성된 제1 입력 벡터가 기 학습된 제1 추정기에 적용되어 상기 예상 가치가 추정되고,
상기 예상 가치, 상기 담보물 변수 및 상기 외적 변수에 기초하여 제2 입력 벡터가 생성되고, 상기 생성된 제2 입력 벡터가 기 학습된 제2 추정기에 적용되어 상기 예상 낙찰가율이 추정되고,
상기 심사 대상 대출금, 상기 대출자 변수, 상기 예상 가치 및 상기 예상 낙찰가율에 기초하여 제3 입력 벡터가 생성되고, 상기 생성된 제3 입력 벡터가 기 학습된 제3 추정기에 적용되어 상기 스코어가 추정되고,
상기 제1 추정기는 상기 제1 입력 벡터가 입력되는 입력 레이어와 상기 예상 가치를 출력하는 출력 레이어를 포함하는 제1 뉴럴 네트워크를 포함하고,
상기 제2 추정기는 상기 제2 입력 벡터가 입력되는 입력 레이어와 상기 예상 낙찰가율을 출력하는 출력 레이어를 포함하는 제2 뉴럴 네트워크를 포함하고,
상기 제3 추정기는 상기 제3 입력 벡터가 입력되는 입력 레이어와 상기 스코어를 출력하는 출력 레이어를 포함하는 제3 뉴럴 네트워크를 포함하는,
단말.