KR20180106832A

KR20180106832A - Server, method and terminal for loan judgment

Info

Publication number: KR20180106832A
Application number: KR1020170149185A
Authority: KR
Inventors: 장동혁
Original assignee: 주식회사 소딧
Priority date: 2017-11-10
Filing date: 2017-11-10
Publication date: 2018-10-01

Abstract

A server for loan judgment and a method thereof are disclosed. According to an embodiment, the server for loan judgment can estimate the anticipated value of a collateral based on collateral variables associated with the collateral and external variables independent of the collateral and an examination subject. According to an embodiment, the server for loan judgment can estimate the expected bid price of the collateral based on the estimated value, the collateral variables, and the external variables. According to an embodiment, the server for loan judgment can estimate a score for examination of a loan based on an examination target loan, a loan parameter associated with the examination subject, the estimated value, and the estimated bid price. The server includes a communication part and a control part.

Description

{SERVER, METHOD AND TERMINAL FOR LOAN JUDGMENT}

아래 실시예들은 대출 심사를 위한 서버 및 방법과 대출 심사를 제공하기 위한 단말에 관한 것이다.The following embodiments relate to a server and method for loan review and a terminal for providing loan review.

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. In the modern financial environment, lending is an essential element. The value of the collateral, the credit of the borrower, the income, etc., are utilized to determine the availability of the loan or the interest of the loan. If a qualitative method is adopted in loan review, the possibility of delinquency and loan loss ratio increases due to insufficient loan review.

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.Even if a quantitative method employing a statistical evaluation model is adopted, it is difficult to analyze statistical analysis when there is no linear relationship between variables or if the causal relationship between variables is unclear. In addition, it is difficult to modify the model to take into account additional variables, and there is a limit in the speed performance when the amount of information for the examination is enormous. Therefore, it is necessary to study the technique that makes it possible to examine loan quickly considering various variables in a comprehensive way.

실시예들은 담보물의 예상 가치와 예상 낙찰가율을 추정하기 위한 보다 정확한 기법을 제공하고자 한다.The embodiments are intended to provide a more accurate technique for estimating the expected value of the collateral and the expected bid price.

실시예들은 담보물 및 거시경제지표를 고려한 스코어링 기법을 통해 대출 심사를 보다 정확하게 제공하고자 한다.The embodiments are intended to provide more accurate loan review through scoring techniques that take into account collateral and macroeconomic indicators.

실시예들은 담보물의 예상 가치를 추정하도록 학습된 추정기를 이용하여 학습 기반의 담보물 가치 추정 방식을 제안하고자 한다.The embodiments of the present invention propose a learning-based collateral value estimation method using a learned estimator to estimate the expected value of the collateral.

실시예들은 담보물의 예상 낙찰가율을 추정하도록 학습된 추정기를 이용하여 학습 기반의 담보물 낙찰가율 추정 방식을 제안하고자 한다.The embodiments of the present invention propose a learning-based collateral bidding rate estimation method using an estimator that is learned to estimate the expected bidder rate of collateral.

실시예들은 대출 심사를 위한 스코어를 추정하도록 학습된 추정기를 이용하여 학습 기반의 스코어 추정 방식을 제안하고자 한다.Embodiments propose a learning-based score estimation method using an estimator that is learned to estimate a score for loan review.

실시예들은 대출 심사를 위한 스코어를 추정하기 위해 담보물의 용도 별로 기 정의된 가중치를 고려하여, 보다 정확한 대출 심사 방식을 제안하고자 한다.In order to estimate the score for the loan review, the embodiments attempt to propose a more accurate loan review method considering the predefined weight for each use of the collateral.

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.The loan examination server according to an embodiment of the present invention includes a communication unit that acquires a loan to be audited, a collateral variable associated with the collateral, a loaner variable associated with the examinee of the loan, and an external variable independent of the collateral and the examinee; Estimating an expected value of the collateral based on the collateral variable and the external variable, estimating an expected bid price of the collateral based on the estimated value, the collateral variable, and the external variable, And a controller for estimating a score for examination of the loan based on the borrower variable, the expected value, and the expected bid price.

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.According to one embodiment, the control unit generates an input vector based on the collateral variable and the external variable, and estimates the predicted value by applying the generated input vector to the learned estimator, and the estimator estimates the collateral variable And the labels corresponding to the training vectors, and the labels can be defined based on the values of the collateral corresponding to the training vectors.

일실시예에 따르면, 상기 추정기는 상기 입력 벡터가 입력되는 입력 레이어와 상기 예상 가치를 출력하는 출력 레이어를 포함하는 뉴럴 네트워크를 포함할 수 있다.According to one embodiment, the estimator may include a neural network including an input layer into which the input vector is input and an output layer outputting the predicted value.

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.According to an embodiment, the control unit generates an input vector based on the expected value, the collateral variable, and the external variable, and estimates the expected bid rate by applying the generated input vector to the pre-learned estimator, The estimator is learned by training vectors generated based on the values of the collateral, collateral variables and external variables, and labels corresponding to the training vectors, and the labels are stored in the winning bid rates corresponding to the training vectors Can be defined on the basis of.

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.According to one embodiment, the control unit generates an input vector based on the examination target loan, the borrower variable, the expected value, and the expected bid price, and applies the generated input vector to the pre-learned estimator to calculate the score And the estimator is learned by the training vectors generated based on the examination subject loans, the loan parameters, the values of the collateral, the winning bid rates of the collateral, and the labels corresponding to the training vectors, May be defined based on the loan delinquency ratios and the bad loan occurrence rates corresponding to the training vectors.

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.The loan examination server according to an embodiment further includes a database for mapping and recording the sets of weights defined according to the uses of the collateral and the uses, and the control unit calculates the expected loan amount, the expected value, And obtaining a set of weights defined according to the use of the collateral from the database, wherein the collateral ratio, the subject loan, the collateral variable, the borrower variable, the external variable, the expected value And estimating the score by applying the obtained set of weights to at least one of the expected bid price ratios.

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.According to one embodiment, the communication unit acquires the amount of the credits set in the collateral, and the control unit can generate the collateral ratio based on the amount of the bond, the loan to be audited, the expected value, and the estimated bid price.

일실시예에 따르면, 상기 예상 가치는 상기 담보물의 시계열적인 예상 가치들의 시퀀스를 포함하고, 상기 예상 낙찰가율은 상기 담보물의 시계열적인 예상 낙찰가율들의 시퀀스를 포함할 수 있다.According to one embodiment, the expected value includes a sequence of time series predicted values of the collateral, and the expected bid rate may include a sequence of time-series predicted winning bid rates of the collateral.

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.According to one embodiment, the predicted value may further include at least one of a change rate, a change width, an upper limit value, a lower limit value, and an average price of a value for a predetermined period, and the expected bid rate may be a variation rate, , A lower limit, and an average.

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.According to one embodiment, the collateral variable includes at least one of a price history of the collateral, a contract price history, a use of the collateral, an area, a number of floors, an area, an incense, a number of rooms, a bathroom number, , A construction year, a construction company, a convenience facility, a residential environment, a traffic environment, a walking time with a subway station, a refundability and a rent rate, and the use includes at least one of residential, commercial, , The price history includes at least one history of an expansion / contraction price of the collateral, a price of a predetermined period, a valuation value, a variation rate of a real transaction or a quotation, a variation width, an upper limit value, a lower limit value and an average price, Consumer price index, business cycle index, corporate bond rate, market interest rate, loan interest rate, exchange rate, stock price index, Including a history of at least one of a real estate price index, an index of real estate properties, a real estate forecast index, a real estate policy, a loan policy, a population, an income, a regional development, an election, The borrower variable may include at least one history of the creditworthiness and income of the auditee.

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.According to an embodiment of the present invention, there is provided a loan review method comprising the steps of: obtaining a loan to be audited, a collateral variable associated with a collateral, a loaner variable associated with a loan review object, and an external variable independent of the collateral and the examinee; Estimating an expected value of the collateral based on the collateral variable and the external variable; Estimating an expected bid price of the collateral based on the estimated value, the collateral variable, and the external variable; And estimating a score for examination of the loan based on the examination target loan, the borrower parameter, the expected value, and the estimated bid price.

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.A terminal according to an exemplary embodiment of the present invention includes a memory for recording a loan review application; A processor for obtaining a loan to be audited, a collateral variable associated with the collateral, a loaner variable associated with the examinee of the loan, and an external variable independent of the collateral and the examinee through the loan review application; And a communication unit for receiving a forecast value of the collateral from the loan review server, a forecasted bid price of the collateral, and a score for review of the loan, the expected value being estimated based on the collateral variable and the external variable, The estimated bid price ratios are estimated based on the estimated expected value, the collateral variable and the external variables, and the score can be estimated based on the subject loan, the borrower variable, the expected value, and the expected bid price.

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.The examples provide a more accurate technique for estimating the expected value of the collateral and the expected bid price to reduce the delinquency rate, default risk and loan loss ratio, reduce economic and social costs due to insolvent loans, contribute to the transparency and soundness of the financial environment can do.

실시예들은 담보물 및 거시경제지표를 고려한 스코어링 기법을 통해 대출 심사를 보다 정확하게 제공하여, 대출의 양 주체에 합리적인 심사 결과를 제공할 수 있다.The embodiments can more accurately provide the loan examination through the scoring technique in consideration of the collateral and the macroeconomic indicators, thereby providing a reasonable examination result to the two parties of the loan.

실시예들은 담보물의 예상 가치, 담보물의 예상 낙찰가율, 대출 심사를 위한 스코어를 추정하도록 학습된 추정기들을 채용하여 학습 기반의 추정 또는 심사 기법을 제공할 수 있다.Embodiments may employ learned estimators to estimate the expected value of the collateral, the expected bid price of the collateral, and the score for the loan review to provide a learning-based estimation or auditing technique.

실시예들은 대출 심사를 위한 스코어를 추정하기 위해 담보물의 용도 별로 기 정의된 가중치를 고려하여, 보다 정확한 대출 심사 방식을 제공할 수 있다.Embodiments can provide a more accurate lending review method by taking into account predefined weights for each use of collateral to estimate the score for loan review.

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.FIG. 1 is a schematic diagram for explaining a procedure of performing a loan examination according to an embodiment.
FIG. 2 is a flowchart illustrating a loan review method according to an embodiment.
FIG. 3A is a diagram for explaining an operation of estimating an expected value of a collateral according to an embodiment.
FIG. 3B is a diagram for explaining an operation of estimating the expected winning bid rate of a collateral according to an embodiment.
3C is a diagram for explaining an operation of estimating a score for examination of a loan according to an embodiment.
4 is an example of a configuration of a loan examination server according to an embodiment.
5 is an example of a configuration of a loan examination server according to an embodiment.
6 is an illustration of a set of weights recorded in a database according to one embodiment.
7 is an exemplary view of an expected value and an expected bid price according to an embodiment.
8 is an exemplary diagram illustrating the configuration of a loan examination server according to an embodiment.
FIG. 9 is a diagram illustrating an exemplary configuration of a terminal according to an embodiment.

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.Specific structural or functional descriptions of embodiments are set forth for illustration purposes only and may be embodied with various changes and modifications. Accordingly, the embodiments are not intended to be limited to the specific forms disclosed, and the scope of the disclosure includes changes, equivalents, or alternatives included in the technical idea.

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.The terms first or second, etc. may be used to describe various elements, but such terms should be interpreted solely for the purpose of distinguishing one element from another. For example, the first component may be referred to as a second component, and similarly, the second component may also be referred to as a first component.

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.It is to be understood that when an element is referred to as being "connected" to another element, it may be directly connected or connected to the other element, although other elements may be present in between.

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.The singular expressions include plural expressions unless the context clearly dictates otherwise. In this specification, the terms "comprises ", or" having ", and the like, are used to specify one or more of the described features, numbers, steps, operations, elements, But do not preclude the presence or addition of steps, operations, elements, parts, or combinations thereof.

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.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art. Terms such as those defined in commonly used dictionaries are to be interpreted as having a meaning consistent with the meaning of the context in the relevant art and, unless explicitly defined herein, are to be interpreted as ideal or overly formal Do not.

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.Embodiments may be implemented in various forms of products, such as personal computers, laptop computers, tablet computers, smart phones, televisions, smart home appliances, intelligent cars, kiosks, wearable devices, For example, embodiments may be applied to recognize users in smartphones, mobile devices, smart home systems, and the like. Embodiments can be applied to a payment service through user recognition. Also, the embodiments can be applied to an intelligent automobile system that automatically recognizes a user and starts up. Hereinafter, embodiments will be described in detail with reference to the accompanying drawings. Like reference symbols in the drawings denote like elements.

도 1은 일실시예에 따른 대출 심사가 수행되는 과정을 설명하기 위한 개략도이다.FIG. 1 is a schematic diagram for explaining a procedure of performing a loan examination according to an embodiment.

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.Referring to FIG. 1, the loan examination server 101 includes an examination target loan 102, a collateral variable 103 associated with a collateral, a loaner variable 104 associated with a loan subject, and an external variable independent of the collateral and the subject The estimated value of the collateral, the expected bid price of the collateral, and the score 106 for loan review based on the estimated value 105 of the collateral. The loan examination server 101 is a server that performs examination for a loan, and may be implemented by, for example, a software module, a hardware module, or a combination thereof.

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. The loan review server 101 may collect information required to estimate the expected value of the collateral, the expected bid price of the collateral, and the score 106 for loan review from at least one of an internal database, memory or an external server, database, or memory have. Here, the external server or database may be a financial database, a public database (for example, information on mortgage value, information on housing transactions in Korea, housing price index, real estate rent price index, rent price index, And a court auction information database. The loan examination server 101 accesses an external server or a database and collects necessary information or records the collected information in its own internal database. Here, the source from which the loan examination server 101 collects the information to estimate the desired result is not limited thereto, but can be modified in various ways in design intent.

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. A collateral means to provide the creditor with a bond in case the debtor can not pay the debt, and the collateral is an asset to be secured against the loan, for example, real estate or securities. Property is distinguished from movable property, and it is a building with roof, wall and pillar settled on the land. It is compared with movable property such as single-family house, multi-family house, multi-family house, It is a comprehensive concept that means all floating assets. There are many collateral derived from various contractual relationships between individuals or between financial institutions such as individuals and banks, but the most common and widely used method is a mortgage setting method using real estate objects. A common example is when a bank sets up a mortgage on real estate in order to borrow large amounts of money. In this case, if the borrower who has borrowed money can not repay the loan within the period of commitment, the bank will in principle The real estate will be sold at auction, and it will be able to cover its bonds with the winnings. However, even if a creditor acquires a mortgage or other collateral, the price of the real estate collateralized before the loan is reduced to such a degree that the amount of the real estate collateral can not fall below the amount of the loan, or if the creditor does not know it, .

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. The loan subject to examination is the loan subject to examination, for example, the result of loan review may vary as the subject loan under the same conditions is different, except for the loan subject to examination at the time of loan examination. The collateral variable is a parameter associated with the collateral, among other factors considered for the expected value of the collateral, the expected bid price, and the loan review. For example, if the collateral is real estate, . A lender variable is a variable associated with the subject of examination that is considered for consideration of the loan, including, for example, variables affecting the ability to repay the loan if the subject is an employee. The external variables are independent of the collateral and the subject to be assessed among the variables considered for the anticipated value of the collateral, the expected bid price, and the loan review. For example, And economic and environmental factors such as.

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.The loan review server 101 also considers the economic environment that affects the expected value of the collateral, such as macroeconomic indicators and real estate, as well as factors limited to the collateral to estimate the expected value of the collateral, , It is possible to estimate the desired result more accurately and quickly than the inference method based on the statistical model. In a similar manner, the loan review server 101 can estimate the expected bid price of the collateral, the score for examination of the loan using the learned estimator. The loan examination server 101 uses the learned estimator through machine learning and deep learning techniques, and the estimator is learned by a large amount of information necessary for estimating the expected value of the collateral, the expected winning bid rate and the score for loan review The parameters for estimation can be optimized. Since the loan examination server 101 can provide more accurate results than the estimation technique designed by the mathematical and statistical model, it is possible to create an environment in which the quick decision of investment can be made to the loan consumer through the quick loan examination, This can reduce the likelihood of an increase in the financial soundness associated with the debt. In addition, since the loan examination server 101 can lower the bad loan rate and provide quick and accurate loan examination, it can contribute to creation of a sound economic environment by activating the circulation and investment of funds through sound loans.

도 2는 일실시예에 따른 대출 심사 방법을 설명하는 순서도이다.FIG. 2 is a flowchart illustrating a loan review method according to an embodiment.

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.Referring to FIG. 2, the loan review server can acquire the examination target loan, the collateral variable associated with the collateral, the lender variable associated with the examinee of the loan, and the external variable independent of the collateral and the examinee. As described above, the loan review server can collect these variables from an internal or external database.

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.The loan review server can estimate the expected value of the collateral based on the collateral variable and the external variable (202). Here, the expected value of the collateral means a value predicted at a specific point in time or a specific period of the future of the collateral, and the expected value can be expressed in the form of a price, an index, a score, and the like. Various definitions can be applied to the format expressing the expected value according to the design intent. For example, if the value of the collateral at the time of January 2017 is 100 million, the loan assessment server will display the expected value of the collateral as a discrete or continuous price change from January 2020 to March 2023 Or can be expressed at a price corresponding to a specific point in time. The lending review server can use the pre-learned estimator to estimate the expected value of the collateral, and an embodiment to which the estimator is applied will be described with reference to FIG.

도 3a는 일실시예에 따른 담보물의 예상 가치를 추정하는 동작을 설명하는 도면이다.FIG. 3A is a diagram for explaining an operation of estimating an expected value of a collateral according to an embodiment.

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.Referring to FIG. 3A, the loan review server may generate an input vector 301 based on the collateral variable 103 and the external variable 105. The loan review server can estimate the expected value 305 of the collateral by applying the generated input vector 301 to the learned estimator 302. [ For convenience of explanation, the estimator for estimating the expected value of the collateral will be referred to as a first estimator 302. [

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.The first estimator 302 may include an input layer 303 to which an input vector 301 is input, an output layer 304 to output a predicted value 305, and a neural network including an intermediate layer. A neural network is defined by an activation function that is connected to a group of nodes and activates the weights and nodes between the connected nodes, wherein the first estimator 302, when a particular input is received, And may include learned neural networks to output expected values. The expected value 305 of the collateral can be defined based on log-likelihood values output from the nodes of the output layer 304 and can be defined by the activation functions of the nodes of the output layer 304 have.

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. The loan review server may generate the input vector 301 in a form suitable for being applied to the input layer 303 of the first estimator 302. [ Here, the input vector 301 can be defined in various forms according to design intent, such as one-hot vector and real vector. The loan review server generates the input vector 301 using the collateral variable 103 and the external variable 105 and the generation process of the input vector 301 is performed before estimating the expected value 305 of the collateral It may be a preprocessing operation. The loan review server may combine the collateral variable 103 and the external variable 105 to process the predefined input vector 301.

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.The amount of the collateral variable (103) includes the price history of the collateral, the history of the collateral, the use of the collateral, the area, the number of floors, the area, the incense, the number of rooms, the number of bathrooms, Facilities, residential environment, traffic environment, walking time with subway station, refundability, and rental yield. Here, the use includes at least one of residential, commercial, land, and industrial facilities, and the residential use includes at least one of a single house, a multi-family house, an apartment, a residential complex, a neighborhood house, an alliance, Commercial use is for commercial use such as shopping malls, shops, apartment malls, residential complex shopping malls, markets, facilities for sale, large sale facilities, shopping malls in apartment type factories, plant facilities, officetels (residential), officetel , Golf driving range, ski resort, leisure sports facility, golf driving range, bath facility, hospital, gas station, automobile facility, religious facility, warehouse, barn, educational research facility, fish farm, aged facility, cultural meeting facility, training facility, A recreation facility, a cemetery management facility, and a pumice waste disposal facility, and the land includes land, forest, field, answer, orchard, mixed paper, school paper, athletic paper, religion paper, ranch paper, , At least one of a railway paper, a factory paper, a gas station paper, an amusement park, a park, a road, a river, a swimming pool, a levee, a saltwater fish farm, a graveyard, An industrial facility includes at least one of a factory, an apartment factory, and a manufacturer. The price history includes a history of at least one of a new unit price of a collateral, a quotation for a predetermined period, a value of a sentiment, a variation of a real transaction or a quotation, a variation, an upper limit, a lower limit and an average price.

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. The external variable 105 is a variable indicating the amount of the consumer price index, the inflation index, the frequency of the positive / negative comment of the real estate, the fluctuation index, the corporate bond rate, the market interest rate, the loan interest rate, And includes a history of at least one of monthly, monthly, monthly, monthly, real estate, real estate policy, loan policy, population, income, regional development, election,

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.The loan examination server applies the predetermined weights to the elements included in the collateral variable 103 and the external variable 105 to generate an input vector 301 and applies the generated input vector 301 to the neural network .

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.According to one embodiment, the first estimator 302 may be learned by the training vectors generated based on the collateral variables and the external variables and the labels corresponding to the training vectors. Here, the labels may be defined based on the values of the collateral corresponding to the training vectors. According to one embodiment, the first estimator 302 may be learned by a learning device. The learning device may learn the neural network of the first estimator 302 based on the training vectors generated based on the collateral variables and the external variables and the labels corresponding to the training vectors. For example, the learning device can learn a neural network using GD (Gradient Decent) technique or SGD (Stochastic Gradient Descent) technique. The learning device may utilize the loss function designed by the outputs and labels of the neural network of the first estimator 302. [ For example, the learning device inputs the training vectors generated based on the collateral variables and the external variables to the neural network of the first estimator 302 and outputs the outputs of the neural network of the first estimator 302 and the labels Lt; RTI ID = 0.0 > a < / RTI > The learning device may calculate a training error using a predefined loss function. The loss function may be predefined as an input variable of a label, an output and a parameter, where the parameter may be set by the weights in the neural network of the first estimator 302. For example, the loss function may be designed in the form of a Mean Square Error (MSE), an entropy, or the like, and various techniques or schemes may be employed in embodiments in which the loss function is designed.

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.The learning device can use backpropagation techniques to find weights that affect training errors. Where the weights are the relationships between the nodes in the neural network of the first estimator 302. [ The learning device can use the SGD technique with labels and outputs to optimize the weights found through the back propagation technique. For example, the learning device may update the weights of the loss function defined based on the labels, outputs and weights using the SGD technique. The learning apparatus may repeat the update of the weights among the nodes in the neural network of the first estimator 302 to learn the first estimator 302. [ The loan review server can estimate the expected value 305 of the collateral from the input vector 301 using the first estimator 302 that has completed the learning.

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.Referring again to FIG. 2, the loan review server may estimate the expected bid price of the collateral based on the estimated expected value, the collateral variable, and the external variable (203). Here, the predicted winning bid rate of the collateral refers to the winning bid rate that is predicted during a specific time or a specific interval of the future of the collateral, and the expected bid rate may be expressed by a ratio, an index, and a score. Various definitions can be applied according to the design intent regarding the format for expressing the expected bid price. The lending review server can use the pre-learned estimator to estimate the expected bid price of the collateral. An embodiment to which the estimator is applied will be described with reference to FIG. 3B.

도 3b는 일실시예에 따른 담보물의 예상 낙찰가율을 추정하는 동작을 설명하는 도면이다.FIG. 3B is a diagram for explaining an operation of estimating the expected winning bid rate of a collateral according to an embodiment.

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.Referring to FIG. 3B, the loan review server may generate the input vector 306 based on the expected value 305 of the collateral, the collateral variable 103, and the external variable 105. The loan review server can estimate the expected bid price (310) of the collateral by applying the generated input vector (306) to the learned estimator (307). For convenience of explanation, the estimator for estimating the expected winning bid rate of the collateral will be referred to as a second estimator 307. [

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.The second estimator 307 may include an input layer 308 for inputting the input vector 306, an output layer 309 for outputting the estimated winning bidder 310, and a neural network including an intermediate layer. Since the above description can be applied to the neural network, the description of the overlapping contents will be omitted. The second estimator 307 may include a learned neural network to output a predicted winning bid rate corresponding to the particular input when a particular input is received. The expected winning bid rate 310 of the collateral can be defined based on the log-likelihood values output from the nodes of the output layer 309 and can be defined by the activation functions of the nodes of the output layer 309 have.

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.The loan review server may generate the input vector 306 in a form suitable for being applied to the input layer 308 of the second estimator 307. [ Here, the input vector 306 may be defined in various forms according to design intent, such as one-hot vector and real vector. The loan review server generates the input vector 306 using the expected value 305 of the collateral, the collateral variable 103 and the external variable 105. The process of generating the input vector 306 is a process in which the expected bid price of the collateral 310 Lt; / RTI > may be a pre-processing operation that is performed prior to estimating the < / RTI > The loan review server may combine the expected value of the collateral (305), the collateral variable (103) and the external variable (105) to process the predefined input vector (306). The loan review server generates input vectors 306 by applying predetermined weights to the elements included in the expected value 305 of the collateral, the collateral variable 103 and the external variable 105, 306 to the neural network.

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.According to one embodiment, the second estimator 307 may be learned by the labels corresponding to the training vectors and training vectors generated based on the values of the collateral, the collateral variables and the external variables. Here, the labels may be defined based on the winning bid rates of the collateral corresponding to the training vectors. According to one embodiment, the second estimator 307 may be learned by the learning apparatus. The learning device may learn the neural network of the second estimator 307 based on the training vectors generated based on the values of the collateral, the collateral variables and the external variables, and the labels corresponding to the training vectors. The above-described contents may be applied to the learning-related embodiments. For example, the learning device inputs the training vectors generated based on the values of the collateral, the collateral variables and the external variables into the neural network of the second estimator 307, and the neural network of the second estimator 307 You can calculate training errors based on outputs and labels. The above description can be applied to the embodiment related to the parameter optimization using the training error and the loss function. The learning apparatus can repeat the updating of the weights among the nodes in the neural network of the second estimator 307 to learn the second estimator 307. [ The loan review server can estimate the estimated winning bid price 310 of the collateral from the input vector 306 using the second estimator 307 that has completed the learning.

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.Referring again to FIG. 2, the loan review server may estimate a score for examination of the loan based on the examination subject loan, the borrower variable, the expected value, and the expected bid price. Here, the score is not limited to being expressed in the form of a score, and various indices or definitions may be employed to indicate the result of the loan examination, such as discrete or continuous ratios, exponents, and grades. The loan examination server can use the learned estimator to estimate the score for examination of the loan, and an embodiment using the estimator will be described with reference to FIG. 3C.

도 3c는 일실시예에 따른 대출의 심사를 위한 스코어를 추정하는 동작을 설명하는 도면이다.3C is a diagram for explaining an operation of estimating a score for examination of a loan according to an embodiment.

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.Referring to FIG. 3C, the loan review server may generate an input vector 311 based on the loan to be audited 102, the borrower variable 104, the expected value of the collateral 305 and the expected bid price of the collateral 310 have. The loan review server can estimate the score 315 for examination of the loan by applying the generated input vector 311 to the learned learned estimator 312. [ For convenience of explanation, the estimator for estimating the score for examination of the loan will be referred to as a third estimator 312. [

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.The third estimator 312 may include a neural network that includes an input layer 313 where an input vector 311 is input, an output layer 314 that outputs a score 315 for examination of a loan, have. Since the above description can be applied to the neural network, the description of the overlapping contents will be omitted. The third estimator 312 may include a learned neural network to output a score for examination of the loan corresponding to that particular input when a particular input is received. The score 315 for examination of the loan may be defined based on log-likelihood values output from the nodes of the output layer 314 and may be defined by the activation functions of the nodes of the output layer 314 .

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.The loan review server may generate the input vector 311 in a form suitable for being applied to the input layer 313 of the third estimator 312. [ Here, the input vector 311 can be defined in various forms according to design intent, such as one-hot vector and real vector. The loan review server generates the input vector 311 using the examination target loan 102, the loaner variable 104, the expected value of the collateral 305 and the expected bid price of the collateral 310, The generation process may be a preprocessing operation performed prior to estimating the score 315 for examination of the loan. The lending review server may combine the subject loan 102, the lender variable 104, the expected value of the collateral 305 and the expected bid price of the collateral 310 to process the predefined input vector 311. The loan examination server applies the predetermined weights to the elements included in the examination target loan 102, the borrower variable 104, the expected value of the collateral 305 and the expected bid price of the collateral 310, And apply the generated input vector 311 to the neural network.

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.According to one embodiment, the third estimator 312 may be configured to generate training vectors and labels corresponding to the training vectors and training vectors generated based on the assessed loans, the loan parameters, the values of the collateral, Can be learned. Here, the labels may be defined based on the loan delinquency ratios corresponding to the training vectors and the bad loan occurrence rates. According to one embodiment, the third estimator 312 may be learned by the learning apparatus. The learning device is configured to determine the training vectors and the training vectors based on the evaluation values of the neural network of the third estimator 312 based on the training vectors and labels corresponding to the training vectors generated on the basis of the examination loans, the loan parameters, the values of the collateral, . The above-described contents may be applied to the learning-related embodiments. For example, the learning apparatus inputs the training vectors generated based on the examination-target loans, the loan parameters, the values of the collateral, the winning bid rates of the collateral, into the neural network of the third estimator 312, 312 based on the outputs and labels of the neural network. The above description can be applied to the embodiment related to the parameter optimization using the training error and the loss function. The learning apparatus may repeat the update of the weights among the nodes in the neural network of the third estimator 312 to learn the third estimator 312. [ The loan review server can estimate the score 315 for review of the loan from the input vector 311 using the third estimator 312 that has completed the learning.

도 4는 일실시예에 따른 대출 심사 서버의 구성의 일례이다.4 is an example of a configuration of a loan examination server according to an embodiment.

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.Referring to FIG. 4, the loan examination server 101 may include a first estimator 302, a second estimator 307, and a third estimator 312. The loan examination server 101 can estimate the score for examination of the loan using the first estimator 302, the second estimator 307 and the third estimator 312 that have been learned in the above-described manner. The second estimator 307 may receive the expected value of the collateral from the first estimator 302 and estimate the expected bid price of the collateral based on the expected value of the received collateral. The third estimator 312 receives the anticipated value of the collateral from the first estimator 302, receives the anticipated winning bid rate of the collateral from the second estimator 307, and based on the anticipated value of the collateral received and the anticipated winning bid rate of the collateral And the score for the examination of the loan can be estimated. The loan examination server 101 can perform the examination of the loan through the system in which the learned first estimator 302, the second estimator 307 and the third estimator 312 are interlocked with each other.

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. Although not shown, the loan examination server 101 may include an estimator implemented in an end-to-end fashion. Estimators implemented in a singular form can estimate the score for examination of the loan based on the subject loan, the collateral variable, the borrower variable and the external variable. The estimator implemented in this form can estimate the score for review of the loan without estimating the expected value of the collateral and the expected bid price of the collateral. The estimator implemented in an end-to-end fashion includes a neural network learned by labels corresponding to the training vectors and training vectors defined on the basis of the subject loans, collateral variables, borrower variables and external variables Where the labels can be defined based on the loan delinquency ratios corresponding to the training vectors and the bad loan occurrence rates.

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.The loan examination server 101 may also include an estimator that simultaneously estimates the expected value of the collateral and the expected bid price of the collateral based on the collateral variable, the borrower variable, and the external variable. In this case, the loan examination server 101 may further include the third estimator 312 described above. The implementation method of the estimators employed in the loan examination server 101 is not limited to the implementation methods of the three estimators, the two estimators, and the end-stage estimators described above, and various techniques may be employed in accordance with the design intent.

도 5는 일실시예에 따른 대출 심사 서버의 구성의 일례이다.5 is an example of a configuration of a loan examination server according to an embodiment.

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. According to one embodiment, the loan examination server 101 may further include a database 501. [ The database 501 may map and record sets of weights defined according to the uses and uses of the collateral.

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.The loan examination server 101 may obtain the expected value of the collateral from the first estimator 302 and obtain the estimated winning bid rate of the collateral from the second estimator 307. [ The loan examination server 101 may generate the coverage ratio based on the examination target loan, the estimated value obtained from the first estimator 302 and the estimated bid price obtained from the second estimator 307. [ For example, the collateral ratio can be defined as a loan to value ratio (LTV).

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.According to one embodiment, the loan examination server 101 can generate the coverage ratio in consideration of the amount of credits set in the collateral. The loan examination server 101 can acquire the amount of credits set in the collateral from an internal or external server or database. The loan examination server 101 can generate a mortgage rate based on the obtained loan amount, the loan to be audited, the expected value, and the estimated winning bid rate.

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.Loan review server 101 may identify the use of the collateral and obtain from the database 501 a set of weights defined according to the use of the identified collateral. The loan examination server 101 calculates at least one of the collateral rate, the subject loan, the collateral variable, the borrower variable, the external variable, the expected value obtained from the first estimator 302 and the estimated winning bid rate obtained from the second estimator 307 A set of weights obtained from the database 501 may be applied to estimate a score for examination of the loan. The loan examination server 101 can set the loan interest rate using the estimated score.

도 6은 일실시예에 따른 데이터베이스에 기록된 가중치 세트의 예시도이다.6 is an illustration of a set of weights recorded in a database according to one embodiment.

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.The database 501 may map and record sets of weights for each use of the collateral. FIG. 6 shows an example of the set of weights recorded in the database 501. FIG. For example, the loan examination server 101 can estimate a score for examination of a loan by applying a weight set differently when the use of the collateral is an apartment or a mall. For example, the loan examination server 101 may use the sets of weights recorded in the database 501 as shown in Tables 1 and 2, respectively, if the collateral is apartment and commercial. In Table 1 and Table 2, the values of the respective columns are defined as the values (weights corresponding to the characteristics of the corresponding columns). The loan examination server 101 applies the set of weights recorded in the database 501 to the collateral rate, the loan to be audited, the collateral variable, the borrower variable, and the external variable to calculate the estimated value of the collateral, the estimated bidder rate of the collateral, The score can be estimated.

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. The loan examination server 101 can use the weight sets applied to the dug house, the multi-family house, the apartment complex, the apartment complex, the neighborhood house, the alliance, the multi-family, the mall, Can be defined.

도 7은 일실시예에 따른 예상 가치 및 예상 낙찰가율의 예시도이다.7 is an exemplary view of an expected value and an expected bid price according to an embodiment.

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.The loan review server can estimate the expected value of the collateral and the expected bid price of the collateral. The expected value of the collateral includes a sequence of time series predicted values of the collateral, and the expected bid price of the collateral is a sequence of expected bid rates . For example, the expected value 701 of the collateral and the expected bid price 702 of the collateral can be expressed as shown in FIG. According to one embodiment, the expected value of the collateral further includes at least one of a change rate, a change width, an upper limit value, a lower limit value, and an average value of a value for a predetermined period, and the estimated bid price rate of the collateral includes a change rate, And may further include at least one of an upper limit, a lower limit, and an average.

도 8은 일실시예에 따른 대출 심사 서버의 구성의 예시도이다.8 is an exemplary diagram illustrating the configuration of a loan examination server according to an embodiment.

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.Referring to FIG. 8, the loan examination server 101 includes a communication unit 801, a control unit 802, and a database 803. The communication unit 801 can receive necessary information from the loan examination server 101 using the communication module or can transfer the information generated by the loan examination server 101 to the outside. The control unit 802 may include at least one of the devices described above with reference to Figures 1-7, or may perform at least one of the methods described above with respect to Figures 1-7. Although not shown, the loan examination server 101 may include a memory, and the memory may store a program of the loan review method. The memory may be volatile memory or non-volatile memory. The control unit 802 can execute the program and control the loan examination server 101. [ The code of the program executed by the control unit 802 can be stored in the memory and the loan examination server 101 is connected to an external device (for example, a personal computer or a network) through an input / output device , Data can be exchanged.

도 9는 일실시예에 따른 단말의 구성의 예시도이다.FIG. 9 is a diagram illustrating an exemplary configuration of a terminal according to an embodiment.

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.9, the terminal 901 includes a memory 902, a processor 903, and a communication unit 904. The memory 902 can record the loan assessment application. The processor 903 can execute the program and control the terminal 901. [ The code of the program executed by the processor 903 may be stored in the memory 902. [ The terminal 901 is connected to an external device (for example, a personal computer or a network) via an input / output device (not shown) and can exchange data.

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. The processor 903 can obtain the examination target loan, the collateral variable associated with the collateral, the loan parameter associated with the subject of the loan examination, and the external variable independent of the collateral and the subject of the examination through the loan examination application. The communication unit 904 can receive the estimated value of the collateral, the estimated winning bid rate of the collateral, and the score for examination of the loan from the loan examination server. Here, the expected value of the collateral received from the loan examination server, the expected bid price of the collateral, and the score for the examination of the loan may be generated by the embodiment described with reference to FIGS.

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.The embodiments described above may be implemented in hardware components, software components, and / or a combination of hardware components and software components. For example, the devices, methods, and components described in the embodiments may be implemented within a computer system, such as, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, such as an array, a programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions. The processing device may execute an operating system (OS) and one or more software applications running on the operating system. The processing device may also access, store, manipulate, process, and generate data in response to execution of the software. For ease of understanding, the processing apparatus may be described as being used singly, but those skilled in the art will recognize that the processing apparatus may have a plurality of processing elements and / As shown in FIG. For example, the processing unit may comprise a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as a parallel processor.

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.The software may include a computer program, code, instructions, or a combination of one or more of the foregoing, and may be configured to configure the processing device to operate as desired or to process it collectively or collectively Device can be commanded. The software and / or data may be in the form of any type of machine, component, physical device, virtual equipment, computer storage media, or device , Or may be embodyed temporarily. The software may be distributed over a networked computer system and stored or executed in a distributed manner. The software and data may be stored on one or more computer readable recording media.

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. The method according to an embodiment may be implemented in the form of a program command that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, and the like, alone or in combination. The program instructions to be recorded on the medium may be those specially designed and configured for the embodiments or may be available to those skilled in the art of computer software. Examples of computer-readable media include magnetic media such as hard disks, floppy disks and magnetic tape; optical media such as CD-ROMs and DVDs; magnetic media such as floppy disks; Magneto-optical media, and hardware devices specifically configured to store and execute program instructions such as ROM, RAM, flash memory, and the like. Examples of program instructions include machine language code such as those produced by a compiler, as well as high-level language code that can be executed by a computer using an interpreter or the like.

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.Although the embodiments have been described with reference to the drawings, various technical modifications and variations may be applied to those skilled in the art. For example, it is to be understood that the techniques described may be performed in a different order than the described methods, and / or that components of the described systems, structures, devices, circuits, Lt; / RTI > or equivalents, even if it is replaced or replaced.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are also within the scope of the following claims.

101: 대출 심사 서버101: Loan Screening Server

Claims

A communication unit for obtaining a loan to be audited, a collateral variable associated with the collateral, a lender variable associated with the lender to be audited, and an external variable independent of the collateral and the auditee; And
Estimating an expected value of the collateral based on the collateral variable and the external variable,
Estimating the expected bid price of the collateral based on the estimated value, the collateral variable, and the external variable,
A controller for estimating a score for examination of the loan from the pre-learned estimator based on the examination target loan, the borrower parameter, the expected value,
Containing
Loan Screening Server.