CN109242672A - 贷款的还款信息预测方法、装置以及计算机可读存储介质 - Google Patents
贷款的还款信息预测方法、装置以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109242672A CN109242672A CN201811151423.8A CN201811151423A CN109242672A CN 109242672 A CN109242672 A CN 109242672A CN 201811151423 A CN201811151423 A CN 201811151423A CN 109242672 A CN109242672 A CN 109242672A
- Authority
- CN
- China
- Prior art keywords
- stages
- information
- history
- loan
- refund
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例提供一种贷款的还款信息预测方法、装置和及计算机可读存储介质,该方法包括:根据贷款的第一分期的第一还款信息和该第一分期对应的该贷款的第一历史还款信息,得到该贷款的第二分期对应的该贷款的第二历史还款信息;该第一分期为该第二分期的上一分期;该第一还款信息是根据该贷款的用户的画像信息、该第一历史还款信息以及预先训练的机器学习模型,预测得到的该用户针对该第一分期的还款信息;根据该画像信息、该第二历史还款信息和该机器学习模型,预测该用户针对该第二分期的第二还款信息。本申请实现了对贷款的各未还款的分期的还款信息的预测。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种贷款的还款信息预测方法、装置以及计算机可读存储介质。
背景技术
随着互联网技术的发展,互联网金融领域蓬勃发展。各种支付、信贷平台和应用不断涌现,越来越方便人们的生活。网络贷款是近年来比较受关注的互联网金融项目。网络贷款可以为用户更加便捷的提供急需的资金,方便用户生活。
由于信贷审核成本较高,网络贷款一般对于用户的信用审核不严格,由此带来高逾期率和不良率的问题。针对贷款用户在贷款过程中进行还款预测,有利于网络贷款平台催缴用户还款、规避风险以及合理配置资金等有重要作用。
目前,急需一种可以预测贷款的各未还款的分期的还款信息的方法,以实现上述作用。
发明内容
本申请实施例提供一种贷款的还款信息预测方法、装置以及计算机可读存储介质,可以对贷款的各未还款的分期的还款情信息进行预测。
第一方面,本申请实施例提供一种贷款的还款信息预测方法,包括:
根据贷款的第一分期的第一还款信息和所述第一分期对应的所述贷款的第一历史还款信息,得到所述贷款的第二分期对应的所述贷款的第二历史还款信息;所述第一分期为所述第二分期的上一分期;所述第一还款信息是根据所述贷款的用户的画像信息、所述第一历史还款信息以及预先训练的机器学习模型,预测得到的所述用户针对所述第一分期的还款信息;
根据所述画像信息、所述第二历史还款信息和所述机器学习模型,预测所述用户针对所述第二分期的第二还款信息。
该方案中,通过根据预测的上一分期的第一还款信息和第一历史还款信息,得到当前分期的第二历史还款信息,再根据该贷款的用户的画像信息、第二历史还款信息和预先训练的机器学习模型,预测当前分期的第二还款信息,实现了可以预测贷款的各未还款的分期的还款信息的目的。
在一种可能的设计中,所述根据所述画像信息、所述第二历史还款信息和所述机器学习模型,预测所述用户针对所述第二分期的第二还款信息,包括:
将所述画像信息、所述第二历史还款信息输入所述机器学习模型,输出一预测向量,所述预测向量用于指示所述第二还款信息。
在一种可能的设计中,所述预测向量的分量包括所述用户针对所述第二分期的还款逾期天数位于各预设逾期区间内的概率;
若各概率中的最大概率大于预设阈值,则所述第二还款信息包括所述用户针对所述第二分期的还款逾期天数位于目标预设逾期区间内;其中,所述目标预设逾期区间为所述最大概率对应的预设逾期区间。
在一种可能的设计中,所述第一历史还款信息包括:所述第一分期对应的所述贷款的第一历史还款统计信息,所述第二历史还款统计信息包括所述第二分期对应的所述贷款的第二历史还款统计信息;所述根据贷款的第一分期的第一还款信息和所述第一分期对应的所述贷款的第一历史还款信息,得到所述贷款的第二分期对应的所述贷款的第二历史还款信息,包括:
根据所述第一还款信息对应的目标预设逾期区间和所述第一历史还款统计信息,得到第二历史还款统计信息;
根据所述第二历史还款统计信息,得到所述第二历史还款信息。
在一种可能的设计中,所述第一历史还款信息包括:所述第一分期对应的所述贷款的历史各期的还款信息;所述第二历史还款信息包括:所述第二分期对应的所述贷款的历史各期的还款信息;所述根据贷款的第一分期的第一还款信息和所述第一分期对应的所述贷款的第一历史还款信息,得到所述贷款的第二分期对应的所述贷款的第二历史还款信息,包括:
根据所述第一还款信息对应的目标预设逾期区间和所述第一分期对应的所述贷款的历史各期的还款信息,得到所述第二分期对应的所述贷款的历史各期的还款信息;
根据所述第二分期对应的所述贷款的历史各期的还款信息,得到所述第二历史还款信息。
在一种可能的设计中,所述第一历史还款信息包括:所述第一分期对应的所述贷款的第一历史还款统计信息和所述第一分期对应的所述贷款的历史各期的还款信息,所述第二历史还款信息包括所述第二分期对应的所述贷款的第二历史还款统计信息和所述第二分期对应的所述贷款的历史各期的还款信息;所述根据贷款的第一分期的第一还款信息和所述第一分期对应的所述贷款的第一历史还款信息,得到所述贷款的第二分期对应的所述贷款的第二历史还款信息,包括:
根据所述第一还款信息对应的目标预设逾期区间和第一历史还款统计信息,得到第二历史还款统计信息;
根据所述第一还款信息对应的目标预设逾期区间和所述第一分期对应的所述贷款的历史各期的还款信息,得到所述第二分期对应的所述贷款的历史各期的还款信息;
根据所述第二历史还款统计信息和所述第二分期对应的所述贷款的历史各期的还款信息,得到所述第二历史还款信息。
在一种可能的设计中,所述方法还包括:
获取多个训练样本,所述训练样本包括训练用户的一次贷款的各分期各自对应的训练用户的信息,所述训练用户的信息包括所述训练用户的画像信息和相应分期对应的历史还款信息;
获取每个训练样本的标签,所述标签用于指示相应训练样本对应的一次贷款的各分期各自对应的还款信息;
根据所述多个训练样本和每个训练样本的标签,对所述多个训练样本训练,得到所述机器学习模型。
在一种可能的设计中,所述训练用户为与所述用户相匹配,且贷款类型与所述贷款的类型相匹配的用户。
第二方面,本申请实施例提供一种贷款的还款信息预测装置,包括:
获取模块,用于根据贷款的第一分期的第一还款信息和所述第一分期对应的所述贷款的第一历史还款信息,得到所述贷款的第二分期对应的所述贷款的第二历史还款信息;所述第一分期为第二分期的上一分期;所述第一还款信息是根据所述贷款的用户的画像信息、所述第一历史还款信息以及预先训练的机器学习模型,预测得到的所述用户针对所述第一分期的还款信息;
预测模块,用于根据所述画像信息、所述第二历史还款信息和所述机器学习模型,预测所述用户针对所述第二分期的第二还款信息。
在一种可能的设计中,所述预测模块,具体用于:
将所述画像信息、所述第二历史还款信息输入所述机器学习模型,输出预测向量,所述预测向量用于指示所述第二还款信息。
在一种可能的设计中,所述预测向量的分量包括所述用户针对所述第二分期的还款逾期天数位于各预设逾期区间内的概率;
若各概率中的最大概率大于预设阈值,则所述第二还款信息包括所述用户针对所述第二分期的还款逾期天数位于目标预设逾期区间内;其中,所述目标预设逾期区间所述最大概率对应的预设逾期区间。
在一种可能的设计中,所述第一历史还款信息包括所述第一分期对应的所述贷款的第一历史还款统计信息,所述第二历史还款统计信息包括所述第二分期对应的所述贷款的第二历史还款统计信息;所述获取模块,具体用于:
根据所述第一还款信息对应的目标预设逾期区间和所述第一历史还款统计信息,得到第二历史还款统计信息;
根据所述第二历史还款统计信息,得到所述第二历史还款信息。
在一种可能的设计中,所述第一历史还款信息包括:所述第一分期对应的所述贷款的历史各期的还款信息;所述第二历史还款信息包括:所述第二分期对应的所述贷款的历史各期的还款信息;所述获取模块,具体用于:
根据所述第一还款信息对应的目标预设逾期区间和所述第一分期对应的所述贷款的历史各期的还款信息,得到所述第二分期对应的所述贷款的历史各期的还款信息;
根据所述第二分期对应的所述贷款的历史各期的还款信息,得到所述第二历史还款信息。
在一种可能的设计中,所述第一历史还款信息包括:所述第一分期对应的所述贷款的第一历史还款统计信息和所述第一分期对应的所述贷款的历史各期的还款信息,所述第二历史还款信息包括所述第二分期对应的所述贷款的第二历史还款统计信息和所述第二分期对应的所述贷款的历史各期的还款信息;所述获取模块,具体用于:
根据所述第一还款信息对应的目标预设逾期区间和第一历史还款统计信息,得到第二历史还款统计信息;
根据所述第一还款信息对应的目标预设逾期区间和所述第一分期对应的所述贷款的历史各期的还款信息,得到所述第二分期对应的所述贷款的历史各期的还款信息;
根据所述第二历史还款统计信息和所述第二分期对应的所述贷款的历史各期的还款信息,得到所述第二历史还款信息。
在一种可能的设计中,还包括训练模块;所述训练模块用于:
获取多个训练样本,所述训练样本包括训练用户的一次贷款的各分期各自对应的训练用户的信息,所述训练用户的信息包括所述训练用户的画像信息和相应分期对应的历史还款信息;
获取每个训练样本的标签,所述标签用于指示相应训练样本对应的一次贷款的各分期各自对应的还款信息;
根据所述多个训练样本和每个训练样本的标签,对所述多个训练样本训练,得到所述机器学习模型。
第三方面,本申请实施例提供一种可读存储介质,包括程序或指令,当所述程序或指令在计算机上运行时,第一方面以及第一方面任一可能的设计中的方法被执行。
第四方面,本申请实施例提供一种电子设备,包括:处理器,所述处理器与存储器耦合;
所述存储器用于,存储计算机程序;
所述处理器用于,调用所述存储器中存储的计算机程序,以实现第一方面以及第一方面任一可能的设计中的方法。
本申请中通过根据预测的上一分期的第一还款信息和第一历史还款信息,得到当前分期的第二历史还款信息,再根据该贷款的用户的画像信息、第二历史还款信息和预先训练的机器学习模型,预测当前分期的第二还款信息,实现了可以预测贷款的各未还款的分期的还款信息的目的。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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为本申请实施例提供的贷款的还款信息预测方法的流程图;
图2为本申请实施例提供的机器学习模型的获取方法的流程图;
图3为本申请实施例提供的贷款的还款信息预测装置的结构示意图一;
图4为本申请实施例提供的贷款的还款信息预测装置的结构示意图二;
图5为本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
针对目前没有对贷款的各未还款的分期的还款情况均能进行预测的问题,提出本方案。本方案不仅可以用于网上贷款的预测,也可以应用于线下贷款的预测。
下面结合图1描述本申请的一些实施例。图1为本申请实施例提供的贷款的还款信息预测方法的流程图,参见图1,本实施例的方法包括:
步骤S101、根据贷款的第一分期的第一还款信息和该第一分期对应的该贷款的第一历史还款信息,得到该贷款的第二分期对应的该贷款的第二历史还款信息;该第一分期为该第二分期的上一分期;该第一还款信息是根据该贷款的用户的画像信息、该第一历史还款信息以及预先训练的机器学习模型,预测得到的该用户针对该第一分期的还款信息;
步骤S102、根据该画像信息、该第二历史还款信息和该机器学习模型,预测该用户针对该第二分期的第二还款信息。
具体地,本实施例的方法可基于贷款的还款信息预测装置实现。其中,贷款的还款信息预测装置可基于硬件或者软件实现。本实施例中所涉及的贷款不仅包括传统的向线上或线下信贷机构借款行为,还可以包括购买商品时的分期付款、***分期还款等行为,都可以根据本申请的方案预测用户的还款是否会逾期。
在步骤S101中,根据贷款的第一分期的第一还款信息和该第一分期对应的该贷款的第一历史还款信息,得到该贷款的第二分期对应的该贷款的第二历史还款信息。
具体地,本实施例中的第二分期可为该贷款对应的多个分期中除了第一个未还款的分期以外的任一分期,第一分期为第二分期的上一分期。比如:该贷款分为了6个分期进行还款,其中,分期1和分期2已经还款,那么,若第二分期为分期4,则第一分期为分期3,若第二分期为分期5,则第一分期为分期4。可以理解的是,若第一分期为分期1,则第一分期的第一历史还款信息可为全0值。
若针对该贷款产生了历史还款信息,可以结合用户的画像信息和历史还款信息一起用于相应分期的还款信息的预测。历史还款信息可以包括:历史各期的还款信息和历史还款统计信息中至少一项。
历史各期的还款信息包括:贷款的历史各期的逾期天数、贷款机构代偿金额、贷款机构代偿比例中至少一项。例如,用该贷款分为了6个分期进行还款,对于分期3,分期1和分期2各自的还款信息即为分期3对应地历史各期的还款信息。其中,贷款机构代偿是指用户逾期一定时间之后贷款机构给资金方垫付还款的行为。
历史还款统计信息包括:贷款的历史逾期总次数、逾期总金额、贷款机构代偿总金额、贷款机构代偿总次数、贷款机构代偿比例、最大逾期天数、最小逾期天数中至少一项。贷款的历史还款统计信息即对历史各期的还款信息的统计信息,也可以根据实际需求进行选取,不限于所举示例。例如:对于分期3,对分期1和分期2各自的还款信息进行统计,即得到了分期3对应的历史还款统计信息。
基于此,第一分期对应的该贷款的第一历史还款信息可以包括:第一分期对应的该贷款的历史各期的还款信息和第一分期对应的该贷款的历史还款统计信息中至少一项。第二分期对应的该贷款的第二历史还款信息可以包括:第二分期对应的该贷款的历史各期的还款信息和第二分期对应的该贷款的历史还款统计信息中至少一项。
示例性地,若第一分期为该贷款的分期2,则第一分期对应的该贷款的历史还款信息包括该贷款的分期1的还款信息和对分期1的还款信息的统计信息;若第一分期为该贷款的分期4,则第一分期对应的该贷款的历史还款信息包括该贷款的分期1、分期2和分期3各自的还款信息和对分期1、分期2和分期3的各自的还款信息的统计信息。若第一分期为该贷款的分期1,则第一分期没有历史还款信息,即此时第一用户信息中包括的第一历史还款信息可为指示没有历史还款信息的值,比如0值。
对于还款信息:还款信息为该贷款的用户针对该贷款的相应的分期的还款情况。可能的还款情况为:逾期0天(没有发生逾期,即正常还款),逾期天数小于等于M1,逾期天数大于M1且小于等于M2,逾期天数大于M2且小于等于M3,逾期天数大于M3天以上等等。其中,M1可为30,M2可为60,M3可为90。
那么,第一分期的第一还款信息,即为该贷款的用户针对该贷款的第一分期的还款情况。该第一分期的该第一还款信息是根据该贷款的用户的画像信息、该第一分期的第一历史还款信息和预先训练的机器学***台时的注册信息获取。银行卡的信用等级等信用信息这些可以从外部数据源中获取,例如外部信贷机构***或者电子商务平台等渠道。具体的用户画像信息可以根据实际需求进行选择。可以理解的是,对于该贷款的每一个分期而言,各分期对应的用户画像信息是相同的。
具体地,该机器学习模型可以是离线对训练样本训练得到的。其中,该机器学习模型可为循环神经网络(recurrent neural networks,简称RNN)模型,或者,长短时记忆神经网络(long short termmemory,LSTM)模型,或者,双向循环神经网络(bidirectionsrecurrent neural networks,简称BRNN)模型。
得到该第一分期的该第一还款信息的过程为:将该贷款的用户的画像信息、该第一分期对应的该贷款的第一历史还款信息输入该机器学习模型,输出第一预测向量,该第一预测向量用于指示该第一分期的第一还款信息。
若该第一预测向量的分量包括该贷款的用户针对该第一分期的还款逾期天数位于各预设逾期区间内的概率;且若各概率中的最大概率大于预设阈值,则第一还款信息包括该贷款的用户针对该第一分期的还款逾期天数位于第二目标预设逾期区间内,其中,该第二目标预设逾期区间第一预测向量中的最大概率对应的预设逾期区间。即第一还款信息与第二目标预设逾期区间对应。
比如,设置了M个预设逾期区间,则输出的第一预测向量可至少包括如下的各分量(P1,……,Pm……,PM),其中,Pm用于指示该贷款的用户针对该第一分期的还款逾期天数位于第m个预设逾期区间内的概率,1≤m≤M。
示例性地,各预设逾期区间为0,(0,30],(30,60],(60,90],(90,+∞),分别指示如下还款信息:逾期0天(正常还款),逾期天数为区间(0,30]内的一天(逾期天数小于等于30天),逾期天数为区间(30,60]内的一天(逾期天数大于30天且小于等于60天),逾期天数为区间(60,90]内的一天(逾期天数大于60天且小于等于90天),逾期天数为区间(90,+∞)内的一天(逾期天数大于90天)。
若在该示例性下,输出的第一预测向量的至少部分为(0.05,0.05,0.8,0.04,0.06),预设阈值为0.7,则预测的第一还款信息为:该贷款的用户针对该第一分期的还款逾期天数位于预设逾期区间(30,60]内—逾期天数大于30天且小于等于60天;此时,预设逾期区间(30,60]为第二目标预设逾期区间,即第一还款信息对应的第二目标预设逾期区间为(30,60]。
此外,第一预测向量还可包括该第一分期对应的贷款机构代偿金额位于各预设代偿金额区间中的概率和/或该第一分期对应的贷款机构代偿比例位于各预设代偿比例区间中的概率。此时,第一分期的第一还款信息除了包括:还款逾期天数位于最大概率对应的第二目标预设逾期区间内,还包括:该第一分期对应的贷款机构代偿金额位于第二目标预设代偿金额区间内和/或该第一分期对应的贷款机构代偿比例位于第二目标预设代偿比例区间内。
在得到了第一还款信息后,接着,根据贷款的第一分期的第一还款信息和该第一分期对应的该贷款的第一历史还款信息,得到该贷款的第二分期对应的该贷款的第二历史还款信息。下面对“根据贷款的第一分期的第一还款信息和该第一分期对应的该贷款的第一历史还款信息,得到该贷款的第二分期对应的该贷款的第二历史还款信息”进行说明。
在第一种方式中,若该第一分期的该第一历史还款信息包括:该第一分期对应的该贷款的第一历史还款统计信息,该第二历史还款统计信息包括该第二分期对应的该贷款的第二历史还款统计信息;根据该第一分期的该第一历史还款信息和该第一分期的该第一还款信息,得到该第二分期对应的该贷款的第二历史还款信息,包括:
根据该第一分期的该第一还款信息对应的第二目标预设逾期区间和该第一历史还款统计信息,得到第二历史还款统计信息;根据该第二历史还款统计信息,得到该第二历史还款信息。
具体地,在该种方式中,由于第二目标预设逾期区间可以指示该贷款的用户针对该第一分期的还款信息,因此,可根据第一还款信息对应的第二目标预设逾期区间和该第一分期的第一历史还款统计信息,得到该第二分期的第二历史还款统计信息,根据该第二分期的第二历史还款统计信息,得到第二历史还款信息。
比如:若历史还款统计信息中包括历史累计逾期天数、历史累计逾期次数、历史最大逾期天数、历史最小逾期天数,则根据该第一分期的该第一还款信息对应的第二目标预设逾期区间指示的逾期天数和是否逾期更新第一分期对应的历史累计逾期天数、历史累计逾期次数、历史最大逾期天数、历史最小逾期天数,便得到该第二分期对应地历史累计逾期天数、历史累计逾期次数、历史最大逾期天数、历史最小逾期天数。
示例性地,若该第一分期的该第一还款信息对应的第二目标预设逾期区间为(30,60],则说明逾期天数大于30天且小于等于60天,则该(30,60]指示的逾期天数可为31~60中的任意一天,比如(30,60]指示的逾期天数为31,则第二分期对应的历史累计逾期天数等于第一分期对应的历史累计逾期天数加上31;该(30,60]指示的是否逾期为“逾期”,则第二分期对应的历史累计逾期次数等于第一分期对应的历史累计逾期次数加1;对于第二分期对应的历史最大逾期天数、历史最小逾期天数,则根据第一分期之前的该贷款的各分期的逾期天数和预测的第一分期的逾期天数31,从中选择最大值,作为第二分期对应的历史最大逾期天数,从中选择最小值,作为历史最小逾期天数。
若历史还款统计信息中还包括贷款机构代偿总金额和/或贷款机构代偿总比例,则可根据第一预测向量得到第二目标预设代偿金额区间和/或第二目标预设代偿比例区间,第二目标预设代偿金额区间、第二目标预设代偿比例区间的获取方法参照第二预设逾期区间的获取方法。那么,根据该第一历史还款统计信息和该第一还款信息对应的第二预设逾期区间,以及第二目标预设代偿金额区间和/或第二目标预设代偿比例区间,获取第二分期的第二历史还款统计信息。其中,根据该第一分期的该第一还款信息对应的第二目标预设代偿金额区间指示的代偿金额和第一分期对应的历史总代偿金额,得到该第二分期对应的历史总代偿金额,根据该第一分期的该第一还款信息对应的第二目标预设代偿比例区间指示的代偿比例和第一分期对应的历史总代偿比例,得到该第二分期对应的历史总代偿比例。而第二目标预设代偿金额区间指示的代偿金额、第二目标预设代偿比例区间指示的代偿比例的获取方法,参照第二目标预设逾期区间指示的逾期天数的获取方法。
在第二种方式中,若该第一分期的该第一历史还款信息包括:该第一分期对应的该贷款的历史各期的还款信息;该第二历史还款信息包括:该第二分期对应的该贷款的历史各期的还款信息;根据该第一分期的该第一历史还款信息和该第一分期的该第一还款信息,得到该第二分期对应的该贷款的第二历史还款信息,包括:
根据该第一分期的该第一还款信息对应的第二目标预设逾期区间和该第一分期对应的该贷款的历史各期的还款信息,得到该第二分期对应的该贷款的历史各期的还款信息;根据该第二分期对应的该贷款的历史各期的还款信息,得到该第二历史还款信息。
具体地,该第二分期对应的该贷款的历史各期的还款信息包括:该第一分期之前的各期各自对应的还款信息,和预测的该第一分期的还款信息,即在第一分期对应的该贷款的历史各期的还款信息的基础上,添加预测的该第一分期的还款信息,即得到了该第二分期对应的该贷款的历史各期的还款信息。
在第三种方式中,该第一分期的该第一历史还款信息包括:该第一分期对应的该贷款的第一历史还款统计信息和该第一分期对应的该贷款的历史各期的还款信息,该第二历史还款信息包括该第二分期对应的该贷款的第二历史还款统计信息和该第二分期对应的该贷款的历史各期的还款信息;根据该第一分期的该第一历史还款信息和该第一分期的该第一还款信息,得到该第二分期对应的该贷款的第二历史还款信息,包括:
根据该第一分期的该第一还款信息对应的第二目标预设逾期区间和第一历史还款统计信息,得到该第二历史还款统计信息;根据该第一分期的该第一还款信息对应的第二目标预设逾期区间和该第一分期对应的该贷款的历史各期的还款信息,得到该第二分期对应的该贷款的历史各期的还款信息;根据该第二历史还款统计信息和该第二分期对应的该贷款的历史各期的还款信息,得到该第二历史还款信息。
该方式中的第二分期的第二历史还款信息的获取方法参照上述两种方式中的说明,此处不再赘述。
在步骤S102中,根据该贷款的用户的画像信息、该第二历史还款信息以及该机器学习模型,预测该贷款的用户针对该第二分期的第二还款信息。
具体地:将该贷款的用户的画像信息和该第二历史还款信息输入该机器学习模型,输出第二预测向量,该第二预测向量用于指示该第二分期的第二还款信息。
若该第二预测向量的分量包括该贷款的用户针对该第二分期的还款逾期天数位于各预设逾期区间内的概率;且若各概率中的最大概率大于预设阈值,则第二还款信息包括该贷款的用户针对该第二分期的还款逾期天数位于第一目标预设逾期区间内,其中,该第一目标预设逾期区间为第二预测向量中的最大概率对应的预设逾期区间。
对于该步骤的具体实现,参照第一分期的第一还款信息的获取过程,此处不再赘述。
综上所述,本实施例中通过根据预测的第一分期的第一还款信息和第一分期对应的该贷款的第一历史还款信息,得到该贷款的第二分期对应的贷款的第二历史还款信息,第一分期为第二分期的上一分期;再根据该贷款的用户的画像信息、该第二历史还款信息和预先训练的机器学习模型,预测第二分期的第二还款信息,实现了可以预测贷款的各未还款的分期的还款信息的目的。
应理解,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
下面采用具体的实施例对上一实施例中的机器学习模型的获取方法进行说明。图2为本申请实施例提供的机器学习模型的获取方法的流程图。参见图2,本实施例的方法,包括:
步骤S201、获取多个训练样本,该训练样本包括训练用户的一次贷款的各分期各自对应的训练用户的信息,训练用户的信息包括训练用户的画像信息和相应分期对应的历史还款信息;
步骤S202、获取每个训练样本的标签,该标签用于指示相应训练样本对应的一次贷款的各分期各自对应的还款信息;
步骤S203、根据该多个训练样本和每个训练样本的标签,对该多个训练样本训练,得到机器学习模型。
具体地,机器学习模型的获取方法可基于机器学习模型的获取装置实现,机器学习模型的获取装置与贷款的还款信息预测装置可位于同一设备中,也可位于不同的设备中。
本实施例中的训练用户可为与图1所示的实施例中的贷款的用户相匹配,且贷款类型与图1所示的实施例中的贷款的类型相匹配的用户;其中,图1所示的实施例中的贷款的用户即为待预测用户。
可以通过画像信息以及历史信贷信息将备选用户与待预测用户相匹配。例如,选取年龄与待预测用户的年龄差在预设范围内、地域与待预测用户的地域距离在预设距离范围内、信用等级与待预测用户的等级差在预设等级范围内、贷款额度与待预测用户的额度差在预设额度范围内等的备选用户作为训练用户,这些备选用户与待预测用户的个人属性特征相似,贷款类型相似,基于这些用户训练得到的模型在进行用户逾期行为的预测时更加准确。具体的匹配原则,可以根据实际需求进行设置,例如,针对小额贷款用户进行预测时,可以选取年龄相似、居住城市相同的小额贷款的备选用户作为训练用户。
训练用户以及训练用户相关信息可以从外部数据源中获取,也可以从内部数据源中获取,或者结合外部数据源与内部数据源共同获取。在内部数据源很少,例如贷款平台初期放贷的情况下,利用外部数据源对模型进行训练后,可以直接进行模型迁移对用户进行预测以快速实现模型上线,并且预测准确,降低了初期放贷的风险。随着内部数据的不断增多,可以利用内部数据修正模型。进一步,当内部数据足够多时,可以利用基于内部数据训练得到的模型直接对用户的逾期行为进行预测。
外部数据源例如包括外部信贷机构***和电子商务平台中至少一种渠道。从外部数据源获取的用户的历史还款信息可以包括,历史贷款的还款信息、***历史分期还款信息或者购买商品的分期付款信息等,这些信息都可以用于模型的训练。
在步骤S201、针对一个训练用户的一次贷款,根据上述训练用户相关信息,获取该一次待款的各分期各自的训练用户的信息,得到一个训练样本。其中,训练用户的信息包括训练用户的画像信息和相应分期对应的历史还款信息,此处的画像信息包括的项与上一实施例中的画像信息包括的项相同,此处的历史还款信息包括的项与上一实施例中的历史还款信息包括的项相同。
按照上述相同的方法,获取足够数量的训练样本,每一个训练样本包括训练用户的一次贷款的各分期各自对应的训练用户的信息。可以理解的是,若一个训练用户进行了多次贷款,则根据该训练用户的贷款信息可得到多个训练样本。
在步骤S202中,获取每个训练样本的标签,该标签用于指示相应训练样本对应的一次贷款的各分期各自对应的还款信息;
若训练样本对应的一次贷款包括4个分期,则该训练样本的标签中包括4个向量,每个向量包括的各分量指示的内容与上一实施例中的预测向量包括的各分量指示的内容相同,每个向量包括的各分量在向量中的顺序与上一实施例中的预测向量包括的各分量在向量中的顺序相同。
比如:若上一实施例的预测向量的分量包括该贷款的用户针对相应分期的还款逾期天数位于各预设逾期区间内的概率,各预设逾期区间为0,(0,30],(30,60],(60,90],(90,+∞);若训练样本对应的一次贷款的4个分期中的分期1的逾期天数为0,分期2的逾期天数为70天,分期3的逾期天数为20天,分期4的逾期天数为0,则分期1对应的向量中可为(1,0,0,0,0),分期2对应的向量中可为(0,0,1,0,0),分期3对应的向量中可为(0,1,0,0,0),分期4对应的向量中可为(1,0,0,0,0),则该训练样本的标签可包括:(1,0,0,0,0),(0,0,1,0,0),(0,1,0,0,0)和(1,0,0,0,0)。
在步骤S203、根据该多个训练样本和每个训练样本的标签,对该多个训练样本训练,得到机器学习模型。
若机器学习模型为RNN模型,则根据多个训练样本和每个训练样本的标签,采用RNN算法,对该多个训练样本进行训练,便可得到机器学习模型—RNN模型。RNN算法为现有的算法,本实施例中不再赘述。
通过本实施例的方法,获取到了机器学习模型,用于贷款的各未还款的分清的预测。
可以理解的是,上述实施例中,无论是对于待预测用户的数据还是训练用户的数据,在使用之前,都需要进行预处理后才能得到输入机器学习模型。例如,预处理过程依次为:还款日期修正,数据准确性核对,历史还款信息的统计、数据归一化等。还款日期修正例如包括:负责处理业务数据中的大量数值缺失或修正。用户还款信息可能记录不准确,存在信息入库不及时的情况。因此,可以自动化的检验用户的还款信息是否空缺,补全还款信息等。
数据正确性核对例如包括:验证还款日期修正完成的数据中还款日期和还款状态是否合理,验证还款日期修正完成数据的贷款分期数的准确性,确保每一个分期均只有一条数据。如发现数据中存在贷款分期重复记录的问题,将清除重复的信息。
历史还款信息统计例如包括:在完成前面的数据修正核对等步骤,可以对每一条数据,依照其所属的贷款单号进行分组,即针对同一贷款的各个分期的数据组成一组,在分组内进行历史还款信息的统计,生成历史还款统计信息。
数据归一化例如包括:对前述处理完成的数据做缺失值填充,归一化onehot编码等。
可以对预测信息利用表格等形式进行呈现,例如,获取逾期当月预测统计表,贷中逾期数据次月预测统计表,贷中逾期数据2月之后预测统计表,或者更长时间未来期的贷中逾期预测统计表。
图3为本申请实施例提供的贷款的还款信息预测装置的结构示意图一,如图3所示,本实施例的装置可以包括:获取模块31和预测模块32;
获取模块,用于根据贷款的第一分期的第一还款信息和所述第一分期对应的所述贷款的第一历史还款信息,得到所述贷款的第二分期对应的所述贷款的第二历史还款信息;所述第一分期为第二分期的上一分期;所述第一还款信息是根据所述贷款的用户的画像信息、所述第一历史还款信息以及预先训练的机器学习模型,预测得到的所述用户针对所述第一分期的还款信息;
预测模块,用于根据所述画像信息、所述第二历史还款信息和所述机器学习模型,预测所述用户针对所述第二分期的第二还款信息。
本实施例的装置,可以用于执行上述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。
在一种可能的设计中,所述预测模块32,具体用于:
将所述画像信息、所述第二历史还款信息输入所述机器学习模型,输出一预测向量,所述预测向量用于指示所述第二还款信息。
在一种可能的设计中,所述预测向量的分量包括所述用户针对所述第二分期的还款逾期天数位于各预设逾期区间内的概率;
若各概率中的最大概率大于预设阈值,则所述第二还款信息包括所述用户针对所述第二分期的还款逾期天数位于目标预设逾期区间内;其中,所述目标预设逾期区间所述最大概率对应的预设逾期区间。
在一种可能的设计中,所述第一历史还款信息包括所述第一分期对应的所述贷款的第一历史还款统计信息,所述第二历史还款统计信息包括所述第二分期对应的所述贷款的第二历史还款统计信息;所述获取模块31,具体用于:
根据所述第一还款信息对应的目标预设逾期区间和所述第一历史还款统计信息,得到第二历史还款统计信息;
根据所述第二历史还款统计信息,得到所述第二历史还款信息。
在一种可能的设计中,所述第一历史还款信息包括:所述第一分期对应的所述贷款的历史各期的还款信息;所述第二历史还款信息包括:所述第二分期对应的所述贷款的历史各期的还款信息;所述获取模块31,具体用于:
根据所述第一还款信息对应的目标预设逾期区间和所述第一分期对应的所述贷款的历史各期的还款信息,得到所述第二分期对应的所述贷款的历史各期的还款信息;
根据所述第二分期对应的所述贷款的历史各期的还款信息,得到所述第二历史还款信息。
在一种可能的设计中,所述第一历史还款信息包括:所述第一分期对应的所述贷款的第一历史还款统计信息和所述第一分期对应的所述贷款的历史各期的还款信息,所述第二历史还款信息包括所述第二分期对应的所述贷款的第二历史还款统计信息和所述第二分期对应的所述贷款的历史各期的还款信息;所述获取模块31,具体用于:
根据所述第一还款信息对应的目标预设逾期区间和第一历史还款统计信息,得到第二历史还款统计信息;
根据所述第一还款信息对应的目标预设逾期区间和所述第一分期对应的所述贷款的历史各期的还款信息,得到所述第二分期对应的所述贷款的历史各期的还款信息;
根据所述第二历史还款统计信息和所述第二分期对应的所述贷款的历史各期的还款信息,得到所述第二历史还款信息。
本实施例的装置,可以用于执行上述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4为本申请实施例提供的贷款的还款信息预测装置的结构示意图二,如图4所示,本实施例的装置在图3所示装置结构的基础上,进一步地,还可以包括:训练模块33;所述训练模块33用于:
获取多个训练样本,所述训练样本包括训练用户的一次贷款的各分期各自对应的训练用户的信息,所述训练用户的信息包括所述训练用户的画像信息和相应分期对应的历史还款信息;
获取每个训练样本的标签,所述标签用于指示相应训练样本对应的一次贷款的各分期各自对应的还款信息;
根据所述多个训练样本和每个训练样本的标签,对所述多个训练样本训练,得到所述机器学习模型。
本实施例的装置,可以用于执行上述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为本申请实施例提供的电子设备的结构示意图;参见图5,本实施例的电子设备500包括:处理器51和存储器52,所述处理器51与存储器52耦合;
所述存储器52用于,存储计算机程序;
所述处理器51用于,执行所述存储器52中存储的计算机程序,以使得所述电子设备执行上述任意方法实施例所述的方法。
在一种方式中,存储器52可为电子设备500外部的存储器。
本申请实施例提供一种可读存储介质,包括程序或指令,当所述程序或指令在计算机上运行时,如上述任意方法实施例所述的方法被执行。
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申请实施例的技术方案,而非对其限制;尽管参照前述各实施例对本申请实施例进行了详细的说明,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申请实施例方案的范围。
Claims (12)
1.一种贷款的还款信息预测方法,其特征在于,包括:
根据贷款的第一分期的第一还款信息和所述第一分期对应的所述贷款的第一历史还款信息,得到所述贷款的第二分期对应的所述贷款的第二历史还款信息;所述第一分期为所述第二分期的上一分期;所述第一还款信息是根据所述贷款的用户的画像信息、所述第一历史还款信息以及预先训练的机器学习模型,预测得到的所述用户针对所述第一分期的还款信息;
根据所述画像信息、所述第二历史还款信息和所述机器学习模型,预测所述用户针对所述第二分期的第二还款信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述画像信息、所述第二历史还款信息和所述机器学习模型,预测所述用户针对所述第二分期的第二还款信息,包括:
将所述画像信息、所述第二历史还款信息输入所述机器学习模型,输出预测向量,所述预测向量用于指示所述第二还款信息。
3.根据权利要求2所述的方法,其特征在于,所述预测向量的分量包括所述用户针对所述第二分期的还款逾期天数位于各预设逾期区间内的概率;
若各概率中的最大概率大于预设阈值,则所述第二还款信息包括所述用户针对所述第二分期的还款逾期天数位于目标预设逾期区间内;其中,所述目标预设逾期区间为所述最大概率对应的预设逾期区间。
4.根据权利要求3所述的方法,其特征在于,所述第一历史还款信息包括:所述第一分期对应的所述贷款的第一历史还款统计信息,所述第二历史还款统计信息包括所述第二分期对应的所述贷款的第二历史还款统计信息;所述根据贷款的第一分期的第一还款信息和所述第一分期对应的所述贷款的第一历史还款信息,得到所述贷款的第二分期对应的所述贷款的第二历史还款信息,包括:
根据所述第一还款信息对应的目标预设逾期区间和所述第一历史还款统计信息,得到第二历史还款统计信息;
根据所述第二历史还款统计信息,得到所述第二历史还款信息。
5.根据权利要求3所述的方法,其特征在于,所述第一历史还款信息包括:所述第一分期对应的所述贷款的历史各期的还款信息;所述第二历史还款信息包括:所述第二分期对应的所述贷款的历史各期的还款信息;所述根据贷款的第一分期的第一还款信息和所述第一分期对应的所述贷款的第一历史还款信息,得到所述贷款的第二分期对应的所述贷款的第二历史还款信息,包括:
根据所述第一还款信息对应的目标预设逾期区间和所述第一分期对应的所述贷款的历史各期的还款信息,得到所述第二分期对应的所述贷款的历史各期的还款信息;
根据所述第二分期对应的所述贷款的历史各期的还款信息,得到所述第二历史还款信息。
6.根据权利要求3所述的方法,其特征在于,所述第一历史还款信息包括:所述第一分期对应的所述贷款的第一历史还款统计信息和所述第一分期对应的所述贷款的历史各期的还款信息,所述第二历史还款信息包括所述第二分期对应的所述贷款的第二历史还款统计信息和所述第二分期对应的所述贷款的历史各期的还款信息;所述根据贷款的第一分期的第一还款信息和所述第一分期对应的所述贷款的第一历史还款信息,得到所述贷款的第二分期对应的所述贷款的第二历史还款信息,包括:
根据所述第一还款信息对应的目标预设逾期区间和第一历史还款统计信息,得到第二历史还款统计信息;
根据所述第一还款信息对应的目标预设逾期区间和所述第一分期对应的所述贷款的历史各期的还款信息,得到所述第二分期对应的所述贷款的历史各期的还款信息;
根据所述第二历史还款统计信息和所述第二分期对应的所述贷款的历史各期的还款信息,得到所述第二历史还款信息。
7.根据权利要求1~6任一所述的方法,其特征在于,所述方法还包括:
获取多个训练样本,所述训练样本包括训练用户的一次贷款的各分期各自对应的训练用户的信息,所述训练用户的信息包括所述训练用户的画像信息和相应分期对应的历史还款信息;
获取每个训练样本的标签,所述标签用于指示相应训练样本对应的一次贷款的各分期各自对应的还款信息;
根据所述多个训练样本和每个训练样本的标签,对所述多个训练样本训练,得到所述机器学习模型。
8.根据权利要求7所述的方法,其特征在于,所述训练用户为与所述用户相匹配,且贷款类型与所述贷款的类型相匹配的用户。
9.一种贷款的还款信息预测装置,其特征在于,包括:
获取模块,用于根据贷款的第一分期的第一还款信息和所述第一分期对应的所述贷款的第一历史还款信息,得到所述贷款的第二分期对应的所述贷款的第二历史还款信息;所述第一分期为第二分期的上一分期;所述第一还款信息是根据所述贷款的用户的画像信息、所述第一历史还款信息以及预先训练的机器学习模型,预测得到的所述用户针对所述第一分期的还款信息;
预测模块,用于根据所述画像信息、所述第二历史还款信息和所述机器学习模型,预测所述用户针对所述第二分期的第二还款信息。
10.根据权利要求9所述的装置,其特征在于,还包括训练模块;所述训练模块用于:
获取多个训练样本,所述训练样本包括训练用户的一次贷款的各分期各自对应的训练用户的信息,所述训练用户的信息包括所述训练用户的画像信息和相应分期对应的历史还款信息;
获取每个训练样本的标签,所述标签用于指示相应训练样本对应的一次贷款的各分期各自对应的还款信息;
根据所述多个训练样本和每个训练样本的标签,对所述多个训练样本训练,得到所述机器学习模型。
11.一种可读存储介质,其特征在于,包括程序或指令,当所述程序或指令在计算机上运行时,权利要求1~8任一所述的方法被执行。
12.一种电子设备,其特征在于,包括:处理器,所述处理器与存储器耦合;
所述存储器用于,存储计算机程序;
所述处理器用于,调用所述存储器中存储的计算机程序,以实现权利要求1~8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811151423.8A CN109242672A (zh) | 2018-09-29 | 2018-09-29 | 贷款的还款信息预测方法、装置以及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811151423.8A CN109242672A (zh) | 2018-09-29 | 2018-09-29 | 贷款的还款信息预测方法、装置以及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109242672A true CN109242672A (zh) | 2019-01-18 |
Family
ID=65054157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811151423.8A Pending CN109242672A (zh) | 2018-09-29 | 2018-09-29 | 贷款的还款信息预测方法、装置以及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242672A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859032A (zh) * | 2019-01-22 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 基于智能语音的账款催收方法、装置、设备和存储介质 |
CN110322341A (zh) * | 2019-06-24 | 2019-10-11 | 阿里巴巴集团控股有限公司 | 信用标签的确定方法和装置 |
CN110363658A (zh) * | 2019-07-16 | 2019-10-22 | 北京明略软件***有限公司 | 信贷数据的处理方法及装置、存储介质和电子装置 |
CN110782338A (zh) * | 2019-10-15 | 2020-02-11 | 卓尔智联(武汉)研究院有限公司 | 借贷业务风险预测方法、装置、计算机设备和存储介质 |
CN110826921A (zh) * | 2019-11-08 | 2020-02-21 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、计算机可读存储介质和计算机设备 |
CN111192131A (zh) * | 2019-12-12 | 2020-05-22 | 上海淇玥信息技术有限公司 | 金融风险预测方法、装置和电子设备 |
CN112634018A (zh) * | 2020-12-23 | 2021-04-09 | 百维金科(上海)信息科技有限公司 | 一种基于蚁群算法优化循环神经网络的逾期监控方法 |
WO2021086814A1 (en) * | 2019-11-01 | 2021-05-06 | Square, Inc. | System and method for generating dynamic repayment terms |
CN112991052A (zh) * | 2021-04-25 | 2021-06-18 | 大箴(杭州)科技有限公司 | 还款能力评估方法及装置 |
CN113177837A (zh) * | 2021-05-12 | 2021-07-27 | 广州市全民钱包科技有限公司 | 贷款申请人的贷款额度评估方法、装置、设备及存储介质 |
CN113313569A (zh) * | 2021-05-18 | 2021-08-27 | 建信金融科技有限责任公司 | 预测还款金额的方法、装置、设备及存储介质 |
CN114971879A (zh) * | 2022-06-17 | 2022-08-30 | 北京极致车网科技有限公司 | 信息处理***及信息处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170061534A1 (en) * | 2015-08-28 | 2017-03-02 | Mastercard International Incorporated | Assessing credit risk |
CN106909981A (zh) * | 2015-12-23 | 2017-06-30 | 阿里巴巴集团控股有限公司 | 模型训练、样本平衡方法及装置以及个人信用评分*** |
CN107993142A (zh) * | 2017-11-23 | 2018-05-04 | 搜易贷(北京)金融信息服务有限公司 | 一种金融反欺诈风险控制*** |
CN108256667A (zh) * | 2017-12-04 | 2018-07-06 | 重庆金融资产交易所有限责任公司 | 资产数据处理方法、装置、存储介质和计算机设备 |
-
2018
- 2018-09-29 CN CN201811151423.8A patent/CN109242672A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170061534A1 (en) * | 2015-08-28 | 2017-03-02 | Mastercard International Incorporated | Assessing credit risk |
CN106909981A (zh) * | 2015-12-23 | 2017-06-30 | 阿里巴巴集团控股有限公司 | 模型训练、样本平衡方法及装置以及个人信用评分*** |
CN107993142A (zh) * | 2017-11-23 | 2018-05-04 | 搜易贷(北京)金融信息服务有限公司 | 一种金融反欺诈风险控制*** |
CN108256667A (zh) * | 2017-12-04 | 2018-07-06 | 重庆金融资产交易所有限责任公司 | 资产数据处理方法、装置、存储介质和计算机设备 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859032A (zh) * | 2019-01-22 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 基于智能语音的账款催收方法、装置、设备和存储介质 |
CN110322341A (zh) * | 2019-06-24 | 2019-10-11 | 阿里巴巴集团控股有限公司 | 信用标签的确定方法和装置 |
CN110322341B (zh) * | 2019-06-24 | 2024-01-05 | 创新先进技术有限公司 | 信用标签的确定方法和装置 |
CN110363658A (zh) * | 2019-07-16 | 2019-10-22 | 北京明略软件***有限公司 | 信贷数据的处理方法及装置、存储介质和电子装置 |
CN110782338A (zh) * | 2019-10-15 | 2020-02-11 | 卓尔智联(武汉)研究院有限公司 | 借贷业务风险预测方法、装置、计算机设备和存储介质 |
US11145005B2 (en) | 2019-11-01 | 2021-10-12 | Square, Inc. | System and method for generating dynamic repayment terms |
US11348190B2 (en) | 2019-11-01 | 2022-05-31 | Block, Inc. | System and method for generating dynamic repayment terms |
WO2021086814A1 (en) * | 2019-11-01 | 2021-05-06 | Square, Inc. | System and method for generating dynamic repayment terms |
CN110826921A (zh) * | 2019-11-08 | 2020-02-21 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、计算机可读存储介质和计算机设备 |
CN110826921B (zh) * | 2019-11-08 | 2023-04-18 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、计算机可读存储介质和计算机设备 |
CN111192131A (zh) * | 2019-12-12 | 2020-05-22 | 上海淇玥信息技术有限公司 | 金融风险预测方法、装置和电子设备 |
CN112634018A (zh) * | 2020-12-23 | 2021-04-09 | 百维金科(上海)信息科技有限公司 | 一种基于蚁群算法优化循环神经网络的逾期监控方法 |
CN112991052A (zh) * | 2021-04-25 | 2021-06-18 | 大箴(杭州)科技有限公司 | 还款能力评估方法及装置 |
CN113177837A (zh) * | 2021-05-12 | 2021-07-27 | 广州市全民钱包科技有限公司 | 贷款申请人的贷款额度评估方法、装置、设备及存储介质 |
CN113313569A (zh) * | 2021-05-18 | 2021-08-27 | 建信金融科技有限责任公司 | 预测还款金额的方法、装置、设备及存储介质 |
CN114971879A (zh) * | 2022-06-17 | 2022-08-30 | 北京极致车网科技有限公司 | 信息处理***及信息处理方法 |
CN114971879B (zh) * | 2022-06-17 | 2023-04-07 | 北京极致车网科技有限公司 | 信息处理***及信息处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242672A (zh) | 贷款的还款信息预测方法、装置以及计算机可读存储介质 | |
CN108846520A (zh) | 贷款逾期预测方法、装置以及计算机可读存储介质 | |
US11645656B2 (en) | Machine learning-based determination of limits on merchant use of a third party payments system | |
CN111192131A (zh) | 金融风险预测方法、装置和电子设备 | |
CN107330741A (zh) | 分品类电子券使用预测方法、装置及电子设备 | |
CN111080338A (zh) | 用户数据的处理方法、装置、电子设备及存储介质 | |
CN110827138A (zh) | 一种推送信息确定方法及装置 | |
US11687936B2 (en) | System and method for managing chargeback risk | |
CN108492170A (zh) | 一种还款方法、计算机可读存储介质及终端设备 | |
EP4111405A1 (en) | Machine-learning techniques to generate recommendations for risk mitigation | |
CN110135702A (zh) | 一种实时更新的还款积极度评估方法、装置、***和记录介质 | |
US10282781B2 (en) | Data analytics database and platform system and method | |
US20140310088A1 (en) | Early Payment Rewards System and Method | |
KR102174608B1 (ko) | 기계 학습 기반의 채무불이행 예측 장치 및 방법 | |
CN111899093B (zh) | 一种违约损失率的预测方法及装置 | |
CN111144899B (zh) | 识别虚假交易的方法及装置和电子设备 | |
CN112037013A (zh) | 人行征信变量衍生方法及装置 | |
CN114971893B (zh) | 一种贷款抵扣方式灵活配置方法及*** | |
CN108256667A (zh) | 资产数据处理方法、装置、存储介质和计算机设备 | |
US9633357B2 (en) | Net utility determination based on product replacement and service plan coverage decisions | |
CN113052679A (zh) | 基于多视角学习的模型训练方法、预测方法、装置和电子设备 | |
CN110705975B (zh) | 一种扣款指令发起方法及装置 | |
CN108416556B (zh) | 一种车货匹配平台的货物关注度平衡方法 | |
CN114240610B (zh) | 资金自动归集方法、装置、计算机设备和存储介质 | |
CN112116169B (zh) | 一种用户行为的确定方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |