CN106022915A - 企业信用风险评估方法和装置 - Google Patents
企业信用风险评估方法和装置 Download PDFInfo
- Publication number
- CN106022915A CN106022915A CN201610515496.5A CN201610515496A CN106022915A CN 106022915 A CN106022915 A CN 106022915A CN 201610515496 A CN201610515496 A CN 201610515496A CN 106022915 A CN106022915 A CN 106022915A
- Authority
- CN
- China
- Prior art keywords
- factor
- objective
- conclusion
- analytical
- risk
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种企业信用风险评估方法和装置,该方法包括:提取拟受信企业的客观情况调查报告中的客观因素,客观情况调查报告中的客观因素为第一客观因素;将第一客观因素输入到预存储的每个风险分析模型中,输出每个风险分析模型对应的第一分析因素;将第一客观因素、第一分析因素输入到预存储的每个风险判断模型中,输出每个风险判断模型对应的第一结论因素;执行操作直到操作输出的第一结论因素不再变化为止,操作为:将第一客观因素、第一分析因素、上一次输出的第一结论因素输入到预存储的每个风险判断模型中,输出每个风险判断模型对应的第一结论因素;将第一客观因素、第一分析因素、全部的第一结论因素进行合并,形成信用风险视图。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种企业信用风险评估方法和装置。
背景技术
随着市场经济的不断深入,银行信贷规模不断扩大,银行在对企业贷款时,需要对企业进行信用风险评估,对无信用风险或信用风险较低的企业进行贷款行为。
目前银行贷前环节所采用的对企业进行信用风险评估的方法主要以专家经验模型为主,辅以实际数据进行调整。所以专家经验模型所涉及的评估因素和指标的主观性较大,并且难以保证评估的全面性。同时,专家经验模型的更新周期较长,每次更新均需要投入大量的人力物力,导致专家经验模型的滞后性较为明显。
发明内容
本发明实施例提供一种企业信用风险评估方法,解决了现有技术中通过专家经验模型对企业信用风险评估造成评估结果具有主观性、片面性和滞后性的问题。
本发明实施例提供一种企业信用风险评估方法,包括:
提取拟受信企业的客观情况调查报告中的客观因素,所述拟受信企业的客观情况调查报告中提取的客观因素为第一客观因素;
将所述第一客观因素输入到预存储的每个风险分析模型中,输出所述每个风险分析模型对应的第一分析因素;
将所述第一客观因素、所述第一分析因素输入到预存储的每个风险判断模型中,输出所述每个风险判断模型对应的第一结论因素;
执行操作直到所述操作输出的第一结论因素不再变化为止,所述操作为:将所述第一客观因素、所述第一分析因素、所述上一次输出的第一结论因素输入到所述预存储的每个风险判断模型中,输出所述每个风险判断模型对应的第一结论因素;
将所述第一客观因素、所述第一分析因素、全部的第一结论因素进行合并,形成所述拟受信企业的信用风险视图;
其中,所述预存储的每个风险分析模型和所述预存储的每个风险判断模型是根据近期内的多篇银行尽职调查报告构建的。
本发明实施例提供一种企业信用风险评估装置,包括:
提取模块,用于提取拟受信企业的客观情况调查报告中的客观因素,所述拟受信企业的客观情况调查报告中提取的客观因素为第一客观因素;
输出模块,用于将所述第一客观因素输入到预存储的每个风险分析模型中,输出所述每个风险分析模型对应的第一分析因素;
输出模块,还用于将所述第一客观因素、所述第一分析因素输入到预存储的每个风险判断模型中,输出所述每个风险判断模型对应的第一结论因素;
操作模块,用于执行操作直到所述操作输出的第一结论因素不再变化为止,所述操作为:将所述第一客观因素、所述第一分析因素、所述上一次输出的第一结论因素输入到所述预存储的每个风险判断模型中,输出所述每个风险判断模型对应的第一结论因素;
合并模块,用于将所述第一客观因素、所述第一分析因素、全部的第一结论因素进行合并,形成所述拟受信企业的信用风险视图;
其中,所述预存储的每个风险分析模型和所述预存储的每个风险判断模型是根据近期内的多篇银行尽职调查报告构建的。
本发明实施例提供一种企业信用风险评估方法和装置,通过提取拟受信企业的客观情况调查报告中的客观因素,拟受信企业的客观情况调查报告中提取的客观因素为第一客观因素;将第一客观因素输入到预存储的每个风险分析模型中,输出每个风险分析模型对应的第一分析因素;将第一客观因素、第一分析因素输入到预存储的每个风险判断模型中,输出每个风险判断模型对应的第一结论因素;执行操作直到操作输出的结论因素不再变化为止,操作为:将第一客观因素、第一分析因素、上一次输出的第一结论因素输入到预存储的每个风险判断模型中,输出每个风险判断模型对应的第一结论因素;将第一客观因素、第一分析因素、全部的第一结论因素进行合并,形成拟受信企业的信用风险视图;由于预存储的每个风险分析模型和预存储的每个风险判断模型是根据近期内的多篇银行尽职调查报告构建的,所以在多篇银行尽职调查报告中可以包括各种情况,保证了评估的客观性和全面性。并且可随时根据近期的多篇银行尽职调查报告对模型进行更新,避免了模型的滞后性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明企业信用风险评估方法实施例一的流程图;
图2为本发明企业信用风险评估方法实施例二的流程图;
图3为本发明实施例二中采用信用风险评估方法的实例示意图;
图4为本发明企业信用风险评估装置实施例一的结构示意图;
图5为本发明企业信用风险评估装置实施例二的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
图1为本发明企业信用风险评估方法实施例一的流程图,如图1所示,本实施例的执行主体为企业信用风险评估装置,该企业信用风险评估装置可以位于本地终端的应用,或者还可以为位于本地终端的应用中的插件或软件开发工具包(Software Development Kit,SDK)等功能单元,本发明实施例对此不进行特别限定。
可以理解的是,应用可以是安装在终端上的应用程序(nativeApp),或者还可以是终端上的浏览器的一个网页程序(webApp),本发明实施例对此不进行限定。
则本实施例提供的企业信用风险评估方法包括以下几个步骤。
步骤101,提取拟受信企业的客观情况调查报告中的客观因素。
其中,拟受信企业的客观情况调查报告中提取的客观因素为第一客观因素,第一客观因素可以为多个。
具体地,本实施例中,拟受信企业为贷前环节进行信用风险评估的企业。在拟受信企业的客观情况调查报告中包括各部门对受信企业的客观情况进行调查的结果。可先对拟受信企业的客观情况调查报告进行分词处理,再将分词处理后的各分词与预存储的包括全部客观因素的数据库中的分词进行匹配,相匹配的分词进行提取,获得客观情况调查报告中的多个第一客观因素。本实施例中,也可在进行分词处理后,根据“名词短语+数字短语”的结构,提取出客观情况调查报告中的满足“名词短语+数字短语”结构的多个分词,构成对应的多个第一客观因素。如提取出的第一客观因素可以为“应收账款3000万元”。
本实施例中,也可采用其他的方式提取拟受信企业的客观情况调查报告中的多个第一客观因素,本实施例中不做限定。
步骤102,将第一客观因素输入到预存储的每个风险分析模型中,输出每个风险分析模型对应的第一分析因素。
其中,第一分析因素为将第一客观因素输入到预存储的每个风险分析模型中,输出每个风险分析模型对应的分析因素。
本实施例中,预先根据近期内的多篇银行尽职调查报告构建了多个风险分析模型,每篇银行尽职调查报告为在贷前环节形成的对相应受信企业的调查情况和风险评估报告。其中,近期内的多篇银行尽职调查报告可以为最近一年内或最近一个月内或其他近期时间的多篇银行尽职调查报告,本实施例中对此不做限定。
本实施例中,第一分析因素可具备“名词短语+形容词”结构。
具体地,本实施例中,由于每个风险分析模型表征了客观因素与分析因素的关联关系,所以将全部的第一客观因素输入到预存储的每个风险分析模型中,通过计算,输出每个风险分析模型对应的第一分析因素。其中,输出的每个风险分析模型对应的第一分析因素可以为多个。
步骤103,将第一客观因素、第一分析因素输入到预存储的每个风险判断模型中,输出每个风险判断模型对应的第一结论因素。
其中,第一结论因素为将第一客观因素、第一分析因素输入到预存储的每个风险判断模型中,输出每个风险判断模型对应的结论因素。
具体地,本实施例中,预存储的每个风险判断模型是根据近期内的多篇银行尽职调查报告构建的。由于风险判断模型表征着客观因素、分析因素与结论因素的关联关系,所以将第一客观因素、第一分析因素输入到预存储的每个风险判断模型中后,通过计算,输出与第一客观因素、第一分析因素相关联的每个风险判断模型对应的第一结论因素。输出的与第一客观因素、第一分析因素相关联的每个风险判断模型对应的第一结论因素可以为多个。
其中,第一结论因素可具备“名词短语+动词短语”结构。如结论因素为“企业下游回款慢”、“企业订单异常”等。
步骤104,执行操作直到操作输出的结论因素不再变化为止,操作为:将第一客观因素、第一分析因素、上一次输出的第一结论因素输入到预存储的每个风险判断模型中,输出每个风险判断模型对应的第一结论因素。
具体地,本实施例中,将第一客观因素、第一分析因素、步骤103输出的第一结论因素输入到预存储的每个风险判断模型中,输出每个风险判断模型对应的第一结论因素,将本次输出的第一结论因素与步骤103中输出的第一结论因素进行对比,若输出的第一结论因素发生变化,则继续执行将第一客观因素、第一分析因素、上一次输出的第一结论因素输入到预存储的每个风险判断模型中,输出每个风险判断模型对应的第一结论因素的操作,直到输出的第一结论因素不再变化为止。
本实施例中,通过循环执行将第一客观因素、第一分析因素、上一次输出的第一结论因素输入到预存储的每个风险判断模型中,输出每个风险判断模型对应的第一结论因素的操作,能够获取第一客观因素、第一分析因素和第一结论因素之间的每个关联关系,直到输出最终的第一结论因素。
步骤105,将第一客观因素、第一分析因素、全部的第一结论因素进行合并,形成拟受信企业的信用风险视图。
具体地,本实施例中,形成拟受信企业的信用风险视图中可以包括:第一客观因素、第一分析因素、全部的第一结论因素,以及第一客观因素与第一分析因素的关系,第一客观因素、第一分析因素与第一结论因素的关系,第一结论因素之间的关系等。
本实施例中,通过提取拟受信企业的客观情况调查报告中的客观因素,拟受信企业的客观情况调查报告中提取的客观因素为第一客观因素;将第一客观因素输入到预存储的每个风险分析模型中,输出每个风险分析模型对应的第一分析因素;将第一客观因素、第一分析因素输入到预存储的每个风险判断模型中,输出每个风险判断模型对应的第一结论因素;执行操作直到操作输出的结论因素不再变化为止,操作为:将第一客观因素、第一分析因素、上一次输出的第一结论因素输入到预存储的每个风险判断模型中,输出每个风险判断模型对应的第一结论因素;将第一客观因素、第一分析因素、全部的第一结论因素进行合并,形成拟受信企业的信用风险视图;由于预存储的每个风险分析模型和预存储的每个风险判断模型是根据近期内的多篇银行尽职调查报告构建的,所以在多篇银行尽职调查报告中可以包括各种情况,保证了评估的客观性和全面性。并且可随时根据近期的多篇银行尽职调查报告对模型进行更新,避免了模型的滞后性。
图2为本发明企业信用风险评估方法实施例二的流程图,如图2所示,本实施例提供的企业信用风险评估方法相较于实施例一,为一个更为优选的实施例,则本实施例提供的企业信用风险评估方法包括以下步骤。
步骤201,判断是否存储有预先构建的风险分析模型和风险判断模型,若是,则执行步骤207,若否,则执行步骤202。
具体地,本实施例中,由于对拟受信企业进行信用风险评估时,需要使用预先构建并存储的风险分析模型和风险判断模型,所以在对拟受信企业进行信用风险评估前,判断在预设存储区域是否存储有预先构建的风险分析模型和风险判断模型,若是,则执行对拟受信企业进行信用风险评估的步骤,否则,则构建风险分析模型和风险判断模型。
步骤202,提取近期内的多篇银行尽职调查报告中的第二客观因素、第二分析因素和第二结论因素。
其中,从近期内的多篇银行尽职调查报告中提取的客观因素为第二客观因素,从近期内的多篇银行尽职调查报告中提取的分析因素为第二分析因素,从近期内的多篇银行尽职调查报告中提取的结论因素为第二结论因素。
进一步地,步骤202中,提取近期内的多篇银行尽职调查报告中的第二客观因素、第二分析因素和第二结论因素具体包括:
根据“名词短语+数字短语”的结构,提取近期内的多篇银行尽职调查报告中的第二客观因素;根据“名词短语+形容词”的结构,提取近期内的多篇银行尽职调查报告中的第二分析因素;根据“名词短语+动词短语”的结构,提取近期内的多篇银行尽职调查报告中的第二结论因素。
其中,数字短语指以数字为中心词的名词短语。
具体地,本实施例中,由于客观因素具备“名词短语+数字短语”的结构,所以,根据“名词短语+数字短语”的结构,提取近期内的多篇银行尽职调查报告中的第二客观因素。分析因素具备“名词短语+形容词”的结构,所以根据“名词短语+形容词”的结构,提取近期内的多篇银行尽职调查报告中的第二分析因素。结论因素具备“名词短语+动词短语”的结构。所以根据“名词短语+动词短语”的结构,提取近期内的多篇银行尽职调查报告中的第二结论因素。
本实施例中,也可以首先将预先获知的所有的客观因素、分析因素、结论因素进行存储。将近期内的多篇银行尽职调查报告中进行分词处理,将分词处理后的分词分别与存储的客观因素、分析因素、结论因素进行匹配,提取出匹配的分词,该匹配的分词即为从近期内的多篇银行尽职调查报告中提取出的第二客观因素或第二分析因素或第二结论因素。
步骤203,对第二客观因素、第二分析因素和第二结论因素分别进行聚类,形成客观因素集、分析因素集、结论因素集。
具体地,本实施例中,可根据是否具有相同信息分别对第二客观因素、第二分析因素和第二结论因素进行聚类,形成客观因素集、分析因素集、结论因素集。在不同的客观因素集中,可具有相同的第二客观因素,即客观因素集之间可以具有包含关系或可以具有交集。同理,在不同的分析因素集中,可以具有包含关系或可以具有交集。在不同的结论因素集中,可以具有包含关系或可以具有交集。
步骤204,根据客观因素集和分析因素集构建风险分析决策树模型。
进一步地,本实施例中,以全部的客观因素集为输入,全部的分析因素集为输出,采用预先剪枝算法或后剪枝算法构建多个风险分析决策树模型。
具体地,本实施例中,以全部的客观因素集为输入,全部的分析因素集为输出,根据近期的多个内的多篇银行尽职调查报告中的第二客观因素、第二分析因素的关系,采用预先剪枝算法或后剪枝算法构建多个风险分析决策树模型。
步骤205,根据客观因素、分析因素集和结论因素集构建风险判断决策树模型。
进一步地,本实施例中,以全部的客观因素集、全部的分析因素和除作为输出的结论因素集外的其他结论因素集为输入,多个结论因素集为输出,采用预先剪枝算法或后剪枝算法,构建风险判断决策树模型。
具体地,本实施例中,以全部的客观因素集、全部的分析因素和除作为输出的结论因素集外的其他结论因素集为输入,多个结论因素集为输出,根据近期内的多篇银行尽职调查报告中的第二客观因素、第二分析因素、第二结论因素的关系,采用预先剪枝算法或后剪枝算法构建多个风险判断决策树模型。并重复选取不同的多个结论因素集组合作为输出,根据上述方法,构建多个风险判断决策树模型,直到没有新的风险判断决策树模型生成。
步骤206,将构建的每个风险分析决策树模型和风险判断决策树模型进行存储。
具体地,本实施例中,可将构建的每个风险分析决策树模型和风险判断决策树模型分别进行存储,具体可存储在某一存储芯片或固定存储区域中。
执行完步骤206后,执行步骤207。
步骤207,提取拟受信企业的客观情况调查报告中的客观因素。
其中,拟受信企业的客观情况调查报告中提取的客观因素为第一客观因素。
步骤208,将第一客观因素输入到预存储的每个风险分析模型中,输出每个风险分析模型对应的第一分析因素。
步骤209,将第一客观因素、第一分析因素输入到预存储的每个风险判断模型中,输出每个风险判断模型对应的第一结论因素。
步骤210,执行操作直到操作输出的第一结论因素不再变化为止,操作为:将第一客观因素、第一分析因素、上一次输出的第一结论因素输入到预存储的每个风险判断模型中,输出每个风险判断模型对应的第一结论因素。
步骤211,将第一客观因素、第一分析因素、全部的第一结论因素进行合并,形成拟受信企业的信用风险视图。
具体地,本实施例中,步骤207-步骤211的实现方式与本发明实施例一中的步骤101-步骤105的实现方式相同,在此不再一一赘述。
本实施例中,通过判断是否存储有预先构建的风险分析模型和风险判断模型,若否,则提取近期内的多篇银行尽职调查报告中的第二客观因素、第二分析因素和第二结论因素,对第二客观因素、第二分析因素和第二结论因素分别进行聚类,形成客观因素集、分析因素集、结论因素集,根据客观因素集和分析因素集构建风险分析决策树模型,根据客观因素、分析因素集和结论因素集构建风险判断决策树模型,将构建的每个风险分析决策树模型和风险判断决策树模型进行存储,然后对拟受信企业的信用风险进行评估,不仅保证了评估的客观性、全面性,避免了滞后性,而且提高了银行贷前尽职调查报告的利用率,由于银行贷前尽职调查报告有非常高的准确性,所以根据近期内的多篇银行尽职调查报告构建风险分析模型和风险判断模型,对拟受信企业的信用风险进行评估,也提高了拟受信企业进行信用风险评估的准确率。
进一步地,本实施例中对上述方法形成的风险决策树模型进行示例说明。图3为本发明实施例二中采用信用风险评估方法的实例示意图。如图3所示,图3中的第一客观因素分别有“应收账款余额……元”、“存款余额……元”、第一结论因素有“应收账款增幅偏大/一般”、“企业订单异常/正常”。通过某一风险判断模型后,若“应收账款余额大于等于2000万元”且“应收账款增幅偏大”则输出的对应的第一结论因素为“企业下游回款慢”;通过某一风险判断模型后,若“应收账款余额大于等于2000万元”且“应收账款增幅一般”且“企业订单异常”,则输出的对应的第一结论因素为“企业下游存在异常”;若“应收账款余额大于等于2000万元”且“应收账款不是增长偏快”且“企业订单正常”,则输出的对应的第一结论因素为“企业处于成长期”;若“应收账款余额小于2000万元”且“存货余额大于等于1000万元,则输入到对应的某一风险判断模型中后,则输出的对应的第一结论因素为“企业产品滞销”;若“应收账款余额小于2000万元”且“存货余额小于1000万元”输入到对应的某一风险判断模型中后,输出的第一结论因素为“企业临时性周转问题”。
图4为本发明企业信用风险评估装置实施例一的结构示意图,如图4所示,本实施例提供的企业信用风险评估装置包括:提取模块41、输出模块42、操作模块43和合并模块44。
其中,提取模块41,用于提取拟受信企业的客观情况调查报告中的客观因素,拟受信企业的客观情况调查报告中提取的客观因素为第一客观因素。输出模块42,用于将第一客观因素输入到预存储的每个风险分析模型中,输出每个风险分析模型对应的第一分析因素。输出模块42,还用于将第一客观因素、第一分析因素输入到预存储的每个风险判断模型中,输出每个风险判断模型对应的第一结论因素。操作模块43,用于用于执行操作直到操作输出的结论因素不再变化为止,操作为:将第一客观因素、第一分析因素、上一次输出的第一结论因素输入到预存储的每个风险判断模型中,输出每个风险判断模型对应的第一结论因素。合并模块44,用于将第一客观因素、第一分析因素、全部的第一结论因素进行合并,形成拟受信企业的信用风险视图。
其中,预存储的每个风险分析模型和预存储的每个风险判断模型是根据近期内的多篇银行尽职调查报告构建的。
本实施例提供的企业信用风险评估装置可以执行图1所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图5为本发明企业信用风险评估装置实施例二的结构示意图,如图5所示,进一步地,本实施例在本发明企业信用风险评估装置实施例一的基础上,还包括:聚类模块51和构建模块52。
进一步地,提取模块41,还用于输出模块42将第一客观因素、第一分析因素输入到预存储的每个风险判断模型中,输出每个风险判断模型对应的第一结论因素之前,提取近期内的多篇银行尽职调查报告中的第二客观因素、第二分析因素和第二结论因素。聚类模块51,用于对第二客观因素、第二分析因素和第二结论因素分别进行聚类,形成客观因素集、分析因素集、结论因素集。构建模块52,用于根据客观因素集和分析因素集构建风险分析决策树模型。构建模块52,还用于根据客观因素集、分析因素集和结论因素集构建风险判断决策树模型。
进一步地,构建模块52,具体用于:以全部的第二客观因素集为输入,全部的第二分析因素集为输出,采用预先剪枝算法或后剪枝算法构建多个风险分析决策树模型。
进一步地,构建模块52,具体用于:以全部的客观因素集、全部的分析因素和除作为输出的结论因素集外的其他结论因素集为输入,多个结论因素集为输出,采用预先剪枝算法或后剪枝算法,构建多个风险判断决策树模型。
进一步地,提取模块41具体用于:根据“名词短语+数字短语”的结构,提取近期内的多篇银行尽职调查报告中的第二客观因素;根据“名词短语+形容词”的结构,提取近期内的多篇银行尽职调查报告中的第二分析因素;根据“名词短语+动词短语”的结构,提取近期内的多篇银行尽职调查报告中的第二结论因素。
本实施例提供的企业信用风险评估装置可以执行图2所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种企业信用风险评估方法,其特征在于,包括:
提取拟受信企业的客观情况调查报告中的客观因素,所述拟受信企业的客观情况调查报告中提取的客观因素为第一客观因素;
将所述第一客观因素输入到预存储的每个风险分析模型中,输出所述每个风险分析模型对应的第一分析因素;
将所述第一客观因素、所述第一分析因素输入到预存储的每个风险判断模型中,输出所述每个风险判断模型对应的第一结论因素;
执行操作直到所述操作输出的第一结论因素不再变化为止,所述操作为:将所述第一客观因素、所述第一分析因素、所述上一次输出的第一结论因素输入到所述预存储的每个风险判断模型中,输出所述每个风险判断模型对应的第一结论因素;
将所述第一客观因素、所述第一分析因素、全部的第一结论因素进行合并,形成所述拟受信企业的信用风险视图;
其中,所述预存储的每个风险分析模型和所述预存储的每个风险判断模型是根据近期内的多篇银行尽职调查报告构建的。
2.根据权利要求1所述的方法,其特征在于,所述将所述第一客观因素、所述第一分析因素输入到预存储的每个风险判断模型中,输出所述每个风险判断模型对应的第一结论因素之前,还包括:
提取近期内的多篇银行尽职调查报告中的第二客观因素、第二分析因素和第二结论因素;
对所述第二客观因素、所述第二分析因素和所述第二结论因素分别进行聚类,形成客观因素集、分析因素集、结论因素集;
根据所述客观因素集和所述分析因素集构建风险分析决策树模型;
根据所述客观因素集、所述分析因素集和所述结论因素集构建风险判断决策树模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述客观因素集和所述分析因素集构建风险分析决策树模型具体包括:
以全部的所述客观因素集为输入,全部的所述分析因素集为输出,采用预先剪枝算法或后剪枝算法构建多个风险分析决策树模型。
4.根据权利要求2所述的方法,其特征在于,所述根据所述客观因素、所述分析因素集和所述结论因素集构建风险判断决策树模型具体包括:
以全部的所述客观因素集、全部的所述分析因素和除作为输出的结论因素集外的其他结论因素集为输入,多个所述结论因素集为输出,采用预先剪枝算法或后剪枝算法,构建多个风险判断决策树模型。
5.根据权利要求2-4任一项所述的方法,其特征在于,所述提取近期内的多篇银行尽职调查报告中的第二客观因素、第二分析因素和第二结论因素具体包括:
根据“名词短语+数字短语”的结构,提取近期内的多篇银行尽职调查报告中的第二客观因素;
根据“名词短语+形容词”的结构,提取近期内的多篇银行尽职调查报告中的第二分析因素;
根据“名词短语+动词短语”的结构,提取近期内的多篇银行尽职调查报告中的第二结论因素。
6.一种企业信用风险评估装置,其特征在于,包括:
提取模块,用于提取拟受信企业的客观情况调查报告中的客观因素,所述拟受信企业的客观情况调查报告中提取的客观因素为第一客观因素;
输出模块,用于将所述第一客观因素输入到预存储的每个风险分析模型中,输出所述每个风险分析模型对应的第一分析因素;
输出模块,还用于将所述第一客观因素、所述第一分析因素输入到预存储的每个风险判断模型中,输出所述每个风险判断模型对应的第一结论因素;
操作模块,用于执行操作直到所述操作输出的第一结论因素不再变化为止,所述操作为:将所述第一客观因素、所述第一分析因素、所述上一次输出的第一结论因素输入到所述预存储的每个风险判断模型中,输出所述每个风险判断模型对应的第一结论因素;
合并模块,用于将所述第一客观因素、所述第一分析因素、全部的第一结论因素进行合并,形成所述拟受信企业的信用风险视图;
其中,所述预存储的每个风险分析模型和所述预存储的每个风险判断模型是根据近期内的多篇银行尽职调查报告构建的。
7.根据权利要求6所述的装置,其特征在于,还包括:聚类模块和构建模块;
所述提取模块,还用于所述输出模块将所述第一客观因素、所述第一分析因素输入到预存储的每个风险判断模型中,输出所述每个风险判断模型对应的第一结论因素之前,提取近期内的多篇银行尽职调查报告中的第二客观因素、第二分析因素和第二结论因素;
所述聚类模块,用于对所述第二客观因素、所述第二分析因素和所述第二结论因素分别进行聚类,形成客观因素集、分析因素集、结论因素集;
所述构建模块,用于根据所述客观因素集和所述分析因素集构建风险分析决策树模型;
所述构建模块,还用于根据所述客观因素集、所述分析因素集和所述结论因素集构建风险判断决策树模型。
8.根据权利要求7所述的装置,其特征在于,所述构建模块,具体用于:以全部的所述第二客观因素集为输入,全部的所述第二分析因素集为输出,采用预先剪枝算法或后剪枝算法构建多个风险分析决策树模型。
9.根据权利要求7所述的装置,其特征在于,所述构建模块,具体用于:以全部的所述客观因素集、全部的所述分析因素和除作为输出的结论因素集外的其他结论因素集为输入,多个所述结论因素集为输出,采用预先剪枝算法或后剪枝算法,构建多个风险判断决策树模型。
10.根据权利要求7-9任一项所述的装置,其特征在于,所述提取模块具体用于:
根据“名词短语+数字短语”的结构,提取近期内的多篇银行尽职调查报告中的第二客观因素;根据“名词短语+形容词”的结构,提取近期内的多篇银行尽职调查报告中的第二分析因素;根据“名词短语+动词短语”的结构,提取近期内的多篇银行尽职调查报告中的第二结论因素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610515496.5A CN106022915A (zh) | 2016-07-01 | 2016-07-01 | 企业信用风险评估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610515496.5A CN106022915A (zh) | 2016-07-01 | 2016-07-01 | 企业信用风险评估方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106022915A true CN106022915A (zh) | 2016-10-12 |
Family
ID=57106258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610515496.5A Pending CN106022915A (zh) | 2016-07-01 | 2016-07-01 | 企业信用风险评估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106022915A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734569A (zh) * | 2018-04-17 | 2018-11-02 | 天逸财金科技服务(武汉)有限公司 | 一种保理信息调查***和方法 |
CN109961198A (zh) * | 2017-12-25 | 2019-07-02 | 北京京东尚科信息技术有限公司 | 关联信息生成方法和装置 |
CN110110744A (zh) * | 2019-03-27 | 2019-08-09 | 平安国际智慧城市科技股份有限公司 | 基于语义理解的文本配对方法、装置及计算机设备 |
-
2016
- 2016-07-01 CN CN201610515496.5A patent/CN106022915A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961198A (zh) * | 2017-12-25 | 2019-07-02 | 北京京东尚科信息技术有限公司 | 关联信息生成方法和装置 |
CN109961198B (zh) * | 2017-12-25 | 2021-12-31 | 北京京东尚科信息技术有限公司 | 关联信息生成方法和装置 |
CN108734569A (zh) * | 2018-04-17 | 2018-11-02 | 天逸财金科技服务(武汉)有限公司 | 一种保理信息调查***和方法 |
CN110110744A (zh) * | 2019-03-27 | 2019-08-09 | 平安国际智慧城市科技股份有限公司 | 基于语义理解的文本配对方法、装置及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ereiz | Predicting default loans using machine learning (OptiML) | |
CN108492001A (zh) | 一种用于担保贷款网络风险管理的方法 | |
CN111160745A (zh) | 用户账户数据的处理方法及装置 | |
EP3726441A1 (en) | Company bankruptcy prediction system and operating method therefor | |
US20190392295A1 (en) | Information processing device, method, and program that use deep learning | |
KR102628559B1 (ko) | 부동산 담보대출 자동심사 플랫폼 제공방법 및 제공장치 | |
CN110930038A (zh) | 一种贷款需求识别方法、装置、终端及存储介质 | |
CN106022915A (zh) | 企业信用风险评估方法和装置 | |
CN114638696A (zh) | 信贷风险预测模型的训练方法及*** | |
Kanaparthi | AI-based personalization and trust in digital finance | |
JP6343475B2 (ja) | バリューチェーン分析装置および方法 | |
Khalik Salman et al. | Testing for Granger causality between industrial output and CPI in the presence of regime shift: Swedish data | |
CN110502745B (zh) | 文本信息评价方法、装置、计算机设备和存储介质 | |
Kothandapani | Applications of Robotic Process Automation in Quantitative Risk Assessment in Financial Institutions | |
KR20210029326A (ko) | 비정형 재무정보 추출을 활용한 기업 건전성 진단 장치 및 방법 | |
Reddy et al. | Machine Learning based Loan Eligibility Prediction using Random Forest Model | |
Miciuła | The concept of FTS analysis in forecasting trends of exchange rate changes | |
US20210073247A1 (en) | System and method for machine learning architecture for interdependence detection | |
CN117114812A (zh) | 一种针对企业的金融产品推荐方法及装置 | |
CN117290508A (zh) | 一种基于自然语言处理的贷后文本数据处理方法和*** | |
KR20110114181A (ko) | 예측 정확성이 향상된 대출 심사 방법 | |
CN117132383A (zh) | 一种信贷数据处理方法、装置、设备及可读存储介质 | |
CN111046947A (zh) | 分类器的训练***及方法、异常样本的识别方法 | |
Huang et al. | Domain adaptation approach for credit risk analysis | |
Ahmed et al. | Estimation of causal relationship between world gold prices and KSE 100 index: Evidence from Johansen cointegration technique |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161012 |
|
RJ01 | Rejection of invention patent application after publication |