CN111626843A - 一种基于风险管理数据的Vintage分析方法 - Google Patents
一种基于风险管理数据的Vintage分析方法 Download PDFInfo
- Publication number
- CN111626843A CN111626843A CN202010387605.6A CN202010387605A CN111626843A CN 111626843 A CN111626843 A CN 111626843A CN 202010387605 A CN202010387605 A CN 202010387605A CN 111626843 A CN111626843 A CN 111626843A
- Authority
- CN
- China
- Prior art keywords
- overdue
- rate
- client
- data
- equal
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 71
- 238000005096 rolling process Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012935 Averaging Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000009471 action Effects 0.000 claims description 11
- 238000012821 model calculation Methods 0.000 claims description 9
- 238000003672 processing method Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000008859 change Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 241000287828 Gallus gallus Species 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
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)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
一种基于风险管理数据的Vintage分析方法,涉及到风险管理数据的分析识别与预警处理方法技术领域。步骤:S1:在各月末收集统计月末余额分布;S2:对原始数据进行数据核查、预处理;S3:计算出滚动率指标;S4:计算出逾期率;S5:计算出损失率;S6:通过平均得到滚动率模型;S7:通过平均得到逾期率模型;S8:通过平均得到损失率模型;S9:根据滚动率模型,结合客户已表现数据进行外延推断;S10:根据逾期率模型,对客户未来表现进行预测,根据逾期率模型用同比与环比预测客户未来的表现;S11:根据损失率模型用同比与环比预测客户未来的表现。对银行或金融机构客户贷后管理风险识别与预警,预测更准。
Description
技术领域
本发明涉及到银行或金融机构贷后的风险管理数据的分析识别与预警处理方法技术领域。
背景技术
随着金融一体化和经济全球化的发展,金融风险日趋复杂化和多样化,金融风险管理的重要性愈加突出。金融风险管理包括对金融风险的识别、度量和控制。由于金融风险对经济、金融乃至国家安全的消极影响,在国际上,许多大型企业、金融机构和组织、各国政府及金融监管部门都在积极寻求金融风险管理的技术和方法,以对金融风险进行有效识别、精确度量和严格控制。在金融信贷业务领域,风控是灵魂,在整个信贷产品当中,占据着非常重要的作用;然后在风险管理当中,贷后风险管理也尤为重要。实际应用中,银行或金融机构贷后风险管理数据结构设计不是很完善,没有一套很好的监测分析方法识别贷后资产分布情况与监测其变化情况。
Vintage源自葡萄酒业,意思是葡萄酒酿造的年份。引申来讲:Vintage用于分析事物相对于自身起始点的生命周期长度下的演化情况。Vintage本质:按生命起点进行对准;按生命周期进行比较。
Vintage分析方法的作用,比如:当我们要评估6岁男童身高发育是否正常时,如果用当下其父亲身高直接进行比较显然是不合适,正确的做法是同其父亲 6岁时的身高进行比较,通过这种“同年龄”的可比性前提,我们才能科学地评估该儿童发育的更好或更差。如果我们进一步想预测该男童成年后的身高,我们可以通过类比其父亲身高随着年龄的变化曲线,结合他们6岁时的状况,相对合理地推断出男童成年后的身高。Vintage分析方法本质就是通过起点对齐和趋势外延,提供了一种合理比较和预测的方法。
Vintage分析方法在风险管理中应用非常广泛,对风险管理起到了非常重要的作用,例如让贷后风险前置,但在贷后风险管理当中仍然还有很多不足的地方,简单来说是由于数据与数据结构不完备性导致,下面列出Vintage分析方法在贷后风险管理中的应用不足:
1、不是所有数据
从上述Vintage分析方法描述可以看出,使用的贷款余额数据,而不是这款产品历史所有数据,只是展示客户当前没有还清部分数据随着时间推移发生的变化,而客户已还清借款就不能体现出来,存在着一定的片面性。举个例子,贷款产品A总房贷金额100亿,已还金额99亿,贷款余额1亿,其中不良1000万, vintage会反馈出10%的不良率,看起来非常大,风险很高,而看全局,只有0.1%的不良率,其实这款产品整体来说还是不错。
2、不能单一客户
从上述Vintage分析方法描述可以看出,是可以反应贷款余额部分风险数据,相当于贷款余额汇总数据,但如果想再细化去看一个用户或者某个用户某一笔的逾期率,不良率或者损失,就不能精细化体现,不能给用户起到量化作用。
3、不能实时计算
从上述Vintage分析方法描述可以看出,每个月月末跑批才能统计出上述数据,相当于每个月月末才能更新数据,才能知道数据变化,时间周期为一个月,随着产品应用场景与科技技术的变化,这个周期有点长,如果这个月当中会发生很大风险,无法判断,无法预知,会造成相应的损失,证明上述Vintage分析方法还不够完善。
4、不是所有指标
从上述Vintage分析方法描述可以看出,当月贷出金额,M1金额,但确实看不出已还金额与M0金额部分等相关非常重要变量情况,不能全面展示贷后数据随时间推移比较全面清晰的展示出产品是否稳健运营。
5、不能准确申请时间
从上述Vintage分析方法描述可以看出,当月贷出金额时用到客户申请时间,其实是不准确的,准确来说,应该是放款时间,因为有客户上个月申请,这个月或者下个月才借款,还有些是之前已经有贷款,复购等情况发生导致上述原因,虽然数据量一般不大,还是会对数据产生一定的影响,对未来的分析也会造成影响。
6、不能衍生其他维度
从上述Vintage分析方法描述可以看出,如果这款产品涉及到销售人员、合作机构、区域、门店、分行等情形时,我需要分析与监测销售人员、合作机构、区域、门店、分行等情形的风险,最快速度把风险防范在贷前阶段,而上述并不能实现这些。
Vintage分析方法应用在风险管理中虽然存在上述不足,但金融机构仍然使用Vintage分析方法的主要原因是:
1、不用考虑数据库
上述Vintage分析方法适用所有数据库,无论是什么样的金融机构,刚成立的也好,很成熟的也好,有资金的也好,都有当前贷款余额数据情况,不用考虑数仓与性能支撑。
重要数据存取一般有两种形式:一种是像互金公司那样,没在数仓与服务器上投入大量资金,只能备份近一个月数据,而不能备份历史每天实时数据,那样需要很大的存储与良好的性能支撑,需要投入很大资源,一般互金公司也不需要把数据备份很长时间,缺点就是想回顾备份以外的数据就无法复现。另一种像银行这样的金融机构,历史数据非常重要,加上自身实力非常雄厚,建立一套性能卓越的数仓***与服务器***,都是基本配置,历史每一天的数据都可以复现,但也是会存在弊端,就是上述所说,量级大了,也会影响效率。举个例子,假设贷款产品A有1万用户,贷款总订单表最终状态每天备份,一个月就是30万条,一年就是360万条,这看起来似乎对数据使用与分析影响不大,但放到分期订单表或者用户基数升到10万或者产品年限比较长的情况下,都会出现数据指数级增长,小则上亿条数据,大则10亿级别或者更高级别以上数据,这种情况下,再去取数据或者分析,如果服务器或者数据性能不够,就会受到很大影响。
2、使用方便
上述Vintage分析方法使用非常方便,汇报起来灵活,员工工作量大幅度减少,不需要看非常多的数据,在满足大部分需求的情况下是个很好的选择。
3、代码简便
上述Vintage分析方法实施代码简单,一段代码或者两段代码就能搞定,也只需每月跑批即可,都是贷款余额部分,跑数次数与时间都不用耗很大精力。
因此,Vintage分析方法应用在风险管理中有利,也有弊,对于是否有一种既能包含上述的利端,也能弥补上述的不足新的Vintage分析方法存在迫切需求。
发明内容
综上所述,本发明的目的在于解决现有Vintage分析方法应用在风险管理中存在的不足,而提出一种基于风险管理数据的Vintage分析方法。
为解决本发明所提出的技术问题,采用的技术方案为:
一种基于风险管理数据的Vintage分析方法,其特征在于所述方法包括有如下步骤:
S1:在各月末收集统计当前时间的贷款余额按逾期时长的月末余额分布,作为原始数据;对原始数据根据贷款余额按逾期时长的时间长短划分出两个以上逾期时长段;
S2:对原始数据进行数据核查、预处理,将原始数据中的空值数据用数值0代替;
S3:根据原始数据各个月末余额分布,计算出滚动率指标;
S4:根据各个月末的滚动率指标,计算出逾期率;
S5:根据各个月末的滚动率指标,计算出损失率;
S6:根据各个月末的滚动率指标,通过平均得到滚动率模型;
S7:根据步骤S4得出的各个月末的逾期率指标,通过平均得到逾期率模型;
S8:根据步骤S5得出的各个月末的损失率指标,通过平均得到损失率模型;
S9:根据步骤S6的滚动率模型,结合客户已表现数据进行外延推断,对客户未来表现进行预测,已知客户的滚动率,根据滚动率模型用同比与环比预测客户未来的表现;
S10:根据步骤S7逾期率模型,结合客户已表现数据进行外延推断,对客户未来表现进行预测,已知客户的逾期率,根据逾期率模型用同比与环比预测客户未来的表现;
S11:根据步骤S8损失率模型,结合客户已表现数据进行外延推断,对客户未来表现进行预测,已知客户的损失率,根据损失率模型用同比与环比预测客户未来的表现。
作为对本发明作进一步限定的技术方案包括有:
步骤S1中,对原始数据根据贷款余额按逾期时长的时间长短划分出共8个逾期时长段,对8个逾期时长段统计的贷款余额数据分别表示为:M0,M1,...., M7,其中,M0为当月发放贷款、M1为逾期1-29天贷款余额,M2为逾期30-59 天贷款余额,M3为逾期60-89天贷款余额,M4为逾期90-119天贷款余额,M5为逾期120-149天贷款余额,M6为逾期50-179天贷款余额,M7为逾期180天以上贷款余额;行为月末时间Tij,1≤j≤12,i为年份,j为月份,列为Vintage 时间轴Mn,0≤n≤7。
步骤S3中,根据原始数据各个月末余额分布,计算出滚动率指标;用于描述资产从某期数迁移到下一期的概率;滚动率计算公式为:Rn(n+1)=本期Mn+1余额/上一期Mn余额*100%,0≤n≤6;行为月末时间Tij,列为Rn(n+1)。
步骤S4中,逾期率计算公式为:Mn逾期率=R01*...*Rn(n+1),0≤n≤6;行为月末时间Tij,列为Mn逾期率。
步骤S5中,损失率计算公式为:Mn损失率=Rn(n+1)*R(n+1)(n+2)*...*R67, 0≤n≤6;行为月末时间Tij,列为Mn损失率。
本发明的有益效果为:本发明属于一种新的Vintage分析方法,涉及贷后监测指标设计与Vintage分析方法技术应用,指标维度更多,精度更细,预测更准,可用于对银行或金融机构客户贷后管理风险识别与预警,将贷后风险前置并对相应贷后重要指标进行监测,进一步提升贷后风险管理水平,从而降低金融信贷产品风险,促使信贷产品稳健运营,促进金融机构更好的开展信贷业务,实现金融信贷稳健发展,也有助于银行业务人员针对性的查验。
附图说明
图1为本发明的方法流程示意图。
图2为滚动率、逾期率、损失率模型图。
图3为基于逾期率模型的逾期率预测图。
具体实施方式
以下结合附图和本发明优选的具体实施例,对本发明的方法作进一步地说明。
参照图1中所示,一种基于风险管理数据的Vintage分析方法,包括有如下步骤:
S1:在各月末收集统计当前时间的贷款余额按逾期时长的月末余额分布,作为原始数据;对原始数据根据贷款余额按逾期时长的时间长短划分出两个以上逾期时长段;具体可以是:对原始数据根据贷款余额按逾期时长的时间长短划分出共8 个逾期时长段,对8个逾期时长段统计的贷款余额数据分别表示为:M0,M1,...., M7,其中,M0为当月发放贷款、M1为逾期1-29天贷款余额,M2为逾期30-59 天贷款余额,M3为逾期60-89天贷款余额,M4为逾期90-119天贷款余额,M5为逾期120-149天贷款余额,M6为逾期50-179天贷款余额,M7为逾期180天以上贷款余额;行为月末时间Tij,1≤j≤12,i为年份,j为月份,列为Vintage 时间轴Mn,0≤n≤7。
S2:对原始数据进行数据核查、预处理,将原始数据中的空值数据用数值0代替;包括对没到观测期的数据与空值数据用数值0代替,如果出现0/0,用数值0代替。
S3:根据原始数据各个月末余额分布,计算出滚动率指标;用于描述资产从某期数迁移到下一期的概率;滚动率计算公式为:Rn(n+1)=本期Mn+1余额/上一期Mn余额*100%,0≤n≤6;行为月末时间Tij,列为Rn(n+1)。
S4:根据各个月末的滚动率指标,计算出逾期率;逾期率计算公式为:Mn逾期率=R01*...*Rn(n+1),0≤n≤6;行为月末时间Tij,列为Mn逾期率。
S5:根据各个月末的滚动率指标,计算出损失率;损失率计算公式为:Mn损失率=Rn(n+1)*R(n+1)(n+2)*...*R67,0≤n≤6;行为月末时间Tij,列为Mn损失率。
S9:根据步骤S6的滚动率模型,结合客户已表现数据进行外延推断,对客户未来表现进行预测,已知客户的滚动率,根据滚动率模型用同比与环比预测客户未来的表现;
S10:根据步骤S7逾期率模型,结合客户已表现数据进行外延推断,对客户未来表现进行预测,已知客户的逾期率,根据逾期率模型用同比与环比预测客户未来的表现;
S11:根据步骤S8损失率模型,结合客户已表现数据进行外延推断,对客户未来表现进行预测,已知客户的损失率,根据损失率模型用同比与环比预测客户未来的表现。
以下具体案例对本发明的方法作更进一步地说明。
由于在贷款业务中,我们经常需要评估“当月客群质量较之前客群是否发生了变化”,为比较贷款客户质量,我们可以比较不同月份发放贷款客户在不同逾期时长下的逾期率情况,这时如果我们直接比较当前各月客户当前情况下的逾期率 (表1.1),显然是有失偏颇的,因为有的客户贷款刚发放贷款一个月,而有的客户已经发放贷款几个月了,这样比较在时间维度是不公平的。因此,我们需要将不同月份发放贷款客户按照生命周期长度(Vintage)对其进行比较(表1.2)。
表1.1:
表1.2(Vintage)比较:
滚动率计算
根据贷款逾期时长,我们在各月末统计(统计时间)将贷款余额根据逾期时长填到对应M0,M1......(逾期Vintage时间轴)的表格中,如表1.3所示,17-2的 M0对应当月发放贷款、M1对应17-1发放贷款......,依次类推。
基于以上数据我们可以计算滚动率(Roll Rate)指标,用于描述资产从某期数迁移到下一期的概率。根据滚动率计算公式:R(n,n+1)=本期M(n+1)余额/上一期 M(n)余额,可得到如表1.4滚动率指标表。
贷款逾期演变模型提取
根据表1.4各个月末的滚动率,可以通过简单的平均得到滚动率模型;利用滚动率模型根据损失率计算公式:Mn损失率=R(n,n+1)*R(n+1,n+2))*......,可以得到损失率模型;利用滚动率模型根据逾期计算公式:Mn逾期率=R(0,1)*......*R(n-1,n),可以得到逾期率模型,如表1.5和图2。
贷款未来质量的预测
根据滚动率、逾期率和损失率模型,结合客户以表现数据可以进行外延推断,对客户未来表现进行预测。以逾期率为例,已知客户M0,M1,M2的逾期率,根据逾期率模型可以预测客户未来的表现,如下表和图3所示。
贷后管理也叫授信后管理,具体是金融机构自贷款发放后或其他信贷业务发生后,直至本金利息收回或信用结束的全程信用管理。贷后管理是信贷业务的最终环节,也是重要环节,对于金融机构防范和化解资产风险,提高信贷质量、改善经验效益,其重要性不言而喻。随着互联网金融的发展,对数据分析的需求越来越大。数据分析的目的其实是为了找到风险和收益的平衡点。高收益伴随着高风险,而低风险的回报又如同鸡肋。所以,太高的风险,太低的收益都不行。平衡点通俗来讲就是风险在控制范围之中,收益也可以接受。为了找到平衡点,通常会计算许多风控指标,新vintage分析方法设计的风险指标可以提早发现信贷风险,将风险前置,进一步完善风险规则与方法,对进一步提升贷后风险管理水平有着重要的意义。
信贷产品贷后数据一般有这几张表:订单表、分期表、还款计划表、实际还款表,如果产品无分期,就没有分期表,对指标设计不影响。本发明的逻辑从最底层往上汇总方式,在贷后管理维度当中,笔的维度是最细的维度,而不是客户,因为一个客户可能有多笔借款。如果有分期,一笔借款,分10期或者12期,那每一期是最细颗粒度,底层数据库设计的逻辑从实际还款表里跑批,跑出每一期贷后情况,然后再从分析表里,跑批跑出这笔订单的贷后情况,所以笔是最细颗粒度。
假设某客户某笔贷款,用表字段或excel单元格形式给出设计如下:
备注:
(1)因客户还款形式有很多,可以提前还款,提前部分还款,逾期还款,逾期部分还款等情形,也有可能多笔还款这些,上述都是跑批后的累计数。
(2)这里只需计算到M7+即可,根据以往信贷经验,M7+回款的可能性非常小,如果写很多,表格很长,影响数据分析与不必要。
下面再进行详细的阐述,某个客户申请借款,我们在数据库是知道这个客户申请时间,这次借款是第几次借款之类的维度,假设这个客户借了100万,期限一个月,申请日期20191220,第一次借款,借款日期是20200101,应还款日 20200131。
借款日期20200101当晚就会跑批,如果客户没还,这是只有借款金额100万, M0金额100万,其他数据为0,指标部分指标如下:
假设客户20200110号客户有资金,还款50万,属于提前还款,指标部分指标如下:
依次类推,截止到20200131当天,如果客户中间一笔或多笔还款80万,未还款 20万进入到M1,M1=20万,那当晚跑批过后,指标部分指标如下:
20200215,如果客户一笔或多笔还款10万,未还款10万,还未进入到M2,那20200215晚跑批后,指标部分指标如下:
20200201-20200228,如果客户在M1期间一笔或多笔还款10万,未还款10万进入到M2,M2=10万,那M1最后一天跑批过后,指标部分指标如下:
M2流转到M3,M3流转到M4,M4流转到M5,5流转到M6,M6流转到 M7,M7流转到M7+,以此类推,都很清晰。
上述是客户这笔一直没还清情形,还有一种情形,就是在某个阶段还清了,比如:20200131之前,客户100万全部还清,那20200131晚跑批后,标部分指标如下:
假设20200131之前只还了80万,20万到M1,M1阶段还了20万,那20200228 晚跑批后,指标部分指标如下:
本发明分析方法在风险管理中的应用
1、贷款客群质量变化分析
Vintage分析方法实现的功能,本发明分析方法同样能实现,并且可以弥补Vintage分析方法提到的不足:精确到申请月、放款月、年相应指标、整体相应指标,只需要写代码时加相应限制即可,指标设计时知道每个用户每一笔的情况,把有贷款余额的笔数累计,就能得到如下表:
2、滚动率计算
Vintage分析方法根据贷款逾期时长,我们在各月末统计(统计时间)将贷款余额根据逾期时长填到对应M0,M1......(逾期Vintage时间轴)的表格中17-2 的M0对应当月发放贷款、M1对应17-1发放贷款......,依次类推。
同理本发明分析方法:
基于以上数据我们可以计算滚动率(Roll Rate)指标,用于描述资产从某期数迁移到下一期的概率。根据滚动率计算公式:R(n,n+1)=本期M(n+1)余额/上一期 M(n)余额,可得到如下表(滚动率指标表)。
月末跑批也行,实施跑批也能计算,指标横直线演变更清晰。。
3、贷款逾期演变模型提取
滚动率模型根据损失率计算公式:Mn损失率=R(n,n+1)*R(n+1,n+2)*......,可以得到损失率模型;利用滚动率模型根据逾期计算公式::Mn逾期率=R(0,1)*......*R(n-1,n),可以得到逾期率模型
4、贷款未来质量的预测
根据滚动率、逾期率和损失率模型,结合客户以表现数据可以进行外延推断,对客户未来表现进行预测。以逾期率为例,已知客户M0,M1,M2的逾期率,根据逾期率模型可以预测客户未来的表现;如果是一个新用户,可以用当年或者产品整个生命周期的滚动率、逾期率、损失率进行预测,有更多预测的选择,进一步提升预测准备度,对提升***率有一定的帮助。
本发明分析方法弥补Vintage分析方法在风险管理中的应用不足,下面针对不足之处,本发明分析方法弥补方法详情如下:
1、关于不是所有数据
Vintage分析方法使用的贷款余额数据,而本发明分析方法可以使用贷款余额部分数据,也可以使用生命周期历史所有数据,也可以使用产品生命周期当中某一年的数据,都能实现上述功能。
2、关于不能单一客户
Vintage分析方法不能细化去分析某个用户或某一笔的逾期率,不良率或者损失率,数据就不能精细化体现,本发明分析方法可以看出,某个客户某笔贷款从借款开始,到最后,行为数据很清晰,知道借款金额多少,提前还款金额,逾期M1金额多少,每个阶段回款多少,会相应算出客户这笔逾期率是多少, M1-M7+每个阶段回款率是多少,M0流转到M1的概率,M1流转到M2的概率,..., M6流转到M7的概率,M7流转到M7+的概率是多少,相应的损失率都能计算出来,vintage分析方法能实现的,本发明分析方法都能实现,既然可以实现最小颗粒度笔的相关数据,那这个用户每一笔汇总起来就是此用户的新Vintage贷后风险指标。
3、关于不能实时计算
Vintage分析方法数据更新周期是每个月月末跑,本发明分析方法可以按天周期,性能允许的情况下,可以做到实施更新。
4、关于不是所有指标
Vintage分析方法展示贷后风险监测指标比较片面,本发明分析方法更全面反应贷后风险监测指标,如果产品有区域、客户经理、分行等之类维度,那按区域或者客户经理叠加,就是区域与客户经理维度贷后相应新vintage指标。
若看欺诈,只需要选借款次数为1的数据进行叠加即可,如果有客户经理、区域等其他维度,相应叠加与限制即可,就可以分析区域欺诈率与客户经理等其他维度欺诈率,指标非常清晰,取数也很简单,更能体现产品是否稳健运营。本发明分析方法监测贷后风险指标的丰富性。
5、关于不能准确申请时间
Vintage分析方法当月贷出金额时用到客户申请时间,其实是不准确的,准确来说,应该是放款时间,而本发明分析方法不仅可以是准确的申请时间,也可以是放款时间,都能准备分析与计算。
6、关于不能衍生其他维度
Vintage分析方法只能反应当前贷款余额部分整体数据变化,如果这款产品涉及到销售人员、合作机构、区域、门店、分行等情形时,我需要分析与监测销售人员、合作机构、区域、门店、分行等情形的风险,最快速度把风险防范在贷前阶段,而本发明分析方法并可以实现这些。
7、图表展示更符合逻辑
本发明分析方法相对于vintage分析方法,表格上看起来更好,vintage分析方法是对角线展示,而本发明分析方法直接横过来一行展示,计算、逻辑与视觉都好很多。
Claims (8)
1.一种基于风险管理数据的Vintage分析方法,其特征在于所述方法包括有如下步骤:
S1:在各月末收集统计当前时间的贷款余额按逾期时长的月末余额分布,作为原始数据;对原始数据根据贷款余额按逾期时长的时间长短划分出两个以上逾期时长段;
S2:对原始数据进行数据核查、预处理,将原始数据中的空值数据用数值0代替;
S3:根据原始数据各个月末余额分布,计算出滚动率指标;
S4:根据各个月末的滚动率指标,计算出逾期率;
S5:根据各个月末的滚动率指标,计算出损失率;
S6:根据各个月末的滚动率指标,通过平均得到滚动率模型;
S7:根据步骤S4得出的各个月末的逾期率指标,通过平均得到逾期率模型;
S8:根据步骤S5得出的各个月末的损失率指标,通过平均得到损失率模型;
S9:根据步骤S6的滚动率模型,结合客户已表现数据进行外延推断,对客户未来表现进行预测,已知客户的滚动率,根据滚动率模型用同比与环比预测客户未来的表现;
S10:根据步骤S7逾期率模型,结合客户已表现数据进行外延推断,对客户未来表现进行预测,已知客户的逾期率,根据逾期率模型用同比与环比预测客户未来的表现;
S11:根据步骤S8损失率模型,结合客户已表现数据进行外延推断,对客户未来表现进行预测,已知客户的损失率,根据损失率模型用同比与环比预测客户未来的表现。
2.根据权利要求1所述的一种基于风险管理数据的Vintage分析方法,其特征在于:步骤S1中,对原始数据根据贷款余额按逾期时长的时间长短划分出共8个逾期时长段,对8个逾期时长段统计的贷款余额数据分别表示为:M0,M1,....,M7,其中,M0为当月发放贷款、M1为逾期1-29天贷款余额,M2为逾期30-59天贷款余额,M3为逾期60-89天贷款余额,M4为逾期90-119天贷款余额,M5为逾期120-149天贷款余额,M6为逾期50-179天贷款余额,M7为逾期180天以上贷款余额;行为月末时间Tij,1≤j≤12,i为年份,j为月份,列为Vintage时间轴Mn,0≤n≤7。
3.根据权利要求2所述的一种基于风险管理数据的Vintage分析方法,其特征在于:步骤S3中,根据原始数据各个月末余额分布,计算出滚动率指标;用于描述资产从某期数迁移到下一期的概率;滚动率计算公式为:Rn(n+1)=本期Mn+1余额/上一期Mn余额*100%,0≤n≤6;行为月末时间Tij,列为Rn(n+1)。
4.根据权利要求2所述的一种基于风险管理数据的Vintage分析方法,其特征在于:步骤S4中,逾期率计算公式为:Mn逾期率=R01*...*Rn(n+1),0≤n≤6;行为月末时间Tij,列为Mn逾期率。
5.根据权利要求2所述的一种基于风险管理数据的Vintage分析方法,其特征在于:步骤S5中,损失率计算公式为:Mn损失率=Rn(n+1)*R(n+1)(n+2)*...*R67,0≤n≤6;行为月末时间Tij,列为Mn损失率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010387605.6A CN111626843A (zh) | 2020-05-09 | 2020-05-09 | 一种基于风险管理数据的Vintage分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010387605.6A CN111626843A (zh) | 2020-05-09 | 2020-05-09 | 一种基于风险管理数据的Vintage分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111626843A true CN111626843A (zh) | 2020-09-04 |
Family
ID=72272792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010387605.6A Pending CN111626843A (zh) | 2020-05-09 | 2020-05-09 | 一种基于风险管理数据的Vintage分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626843A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313570A (zh) * | 2021-05-25 | 2021-08-27 | 深圳前海微众银行股份有限公司 | 违约率确定方法、***、计算机程序产品及存储介质 |
CN115907956A (zh) * | 2022-09-27 | 2023-04-04 | 睿智合创(北京)科技有限公司 | 一种资产风险的模拟预警方法及*** |
CN116205742A (zh) * | 2023-02-20 | 2023-06-02 | 五矿国际信托有限公司 | 一种准确模拟消费金融资产现金流的***和方法 |
-
2020
- 2020-05-09 CN CN202010387605.6A patent/CN111626843A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313570A (zh) * | 2021-05-25 | 2021-08-27 | 深圳前海微众银行股份有限公司 | 违约率确定方法、***、计算机程序产品及存储介质 |
CN113313570B (zh) * | 2021-05-25 | 2024-05-10 | 深圳前海微众银行股份有限公司 | 违约率确定方法、***、计算机程序产品及存储介质 |
CN115907956A (zh) * | 2022-09-27 | 2023-04-04 | 睿智合创(北京)科技有限公司 | 一种资产风险的模拟预警方法及*** |
CN116205742A (zh) * | 2023-02-20 | 2023-06-02 | 五矿国际信托有限公司 | 一种准确模拟消费金融资产现金流的***和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hau et al. | FinTech credit and entrepreneurial growth | |
US20210166167A1 (en) | Artificial intelligence and blockchain-based inter-enterprise credit rating and risk assessment method and system | |
Ongena et al. | Creditor concentration: An empirical investigation | |
CN111476660B (zh) | 一种基于数据分析的智能风控***及方法 | |
CN111626843A (zh) | 一种基于风险管理数据的Vintage分析方法 | |
Beaumont et al. | The role of fintech in small business lending | |
Mileris | The impact of economic downturn on banks’ loan portfolio profitability | |
CN112668947A (zh) | 一种基于税务数据的企业信用风险预警方法、*** | |
Liu et al. | Local land supply and fiscal incentives for R&D: Evidence from a quasi-natural experiment in China | |
Hall et al. | Measuring matching efficiency with heterogeneous jobseekers | |
Liu et al. | News tone, investor sentiment, and liquidity premium | |
Zhao et al. | Rent-tax substitution and its impact on firms: Evidence from housing purchase limits policy in China | |
Wang et al. | Internal and external analysis of community banks' performance | |
Beck et al. | Effects of ASU 2016-13 and COVID-19 on banks' loan loss allowances | |
Agostino et al. | The effects of screening and monitoring on credit rationing of SMEs | |
Tamminen | Regional effects or none? Firms' profitability during the Great Recession in Finland | |
TWM581252U (zh) | Credit rating evaluation | |
Salsabila | The Effect Of Transfer Pricing And Sales Growth On Tax Avoidance (Empirical Study Of Trading Companies Listed On The IDX In 2016-2021) | |
CN110781451A (zh) | 一种酒店线上收益的管理方法及*** | |
Spahn et al. | Tax modelling for economies in transition | |
Artikov et al. | Analysis And Optimization Of Product Costs And Expenses In Enterprises | |
Zadorozhnii et al. | Depreciation of non-current assets: harmonization of international practices and regulatory in Ukraine | |
CLIFF | FOREIGN FINANCIAL INFLOWS AND STOCK MARKET DEVELOPMENT AT THE NAIROBI SECURITIES EXCHANGE, KENYA | |
Azlan | Corporate Governance and Its Determinants: A Study on GD Express Carrier Berhad | |
Keldiyorovich | STRUCTURE OF IAS 16 “PROPERTY, PLANT AND EQUIPMENT” STANDARD AND ITS FEATURES |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200904 |