CN112053231A - 贷款申请的处理方法及装置 - Google Patents
贷款申请的处理方法及装置 Download PDFInfo
- Publication number
- CN112053231A CN112053231A CN202010915724.4A CN202010915724A CN112053231A CN 112053231 A CN112053231 A CN 112053231A CN 202010915724 A CN202010915724 A CN 202010915724A CN 112053231 A CN112053231 A CN 112053231A
- Authority
- CN
- China
- Prior art keywords
- loan
- auditing
- loan application
- data
- training
- 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
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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种贷款申请的处理方法及装置,其中该方法包括:在接收到贷款申请时,获取贷款申请方的多维度信息;将所述多维度信息输入预先训练生成的贷款审核模型,得到所述贷款申请方的贷款申请审核结果;所述贷款审核模型根据多个贷款申请方的历史多维度信息样本预先训练生成。本发明可以在出现突发异常事件时,保证贷款申请处理的准确度。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及贷款申请的处理方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
目前银行贷款例如信贷审核主要依据企业盈利能力,然而,在出现突发异常事件例如社会遭遇突发公共危机导致整个社会经济受到影响时,这样的方式并不适用。当突发公共危机导致社会经济整体受到影响时,企业的整体经营活动会受到严重影响,此时企业往往急需外部融资以度过危机。然而,危机导致反映其经营能力的数据会出现重大影响,这将导致在常规贷款审核方案下信贷审核处理准确度低,企业无法获得贷款,进而可能导致重大社会问题。
发明内容
本发明实施例提供一种贷款申请的处理方法,用以在出现突发异常事件时,保证贷款申请处理的准确度,该方法包括:
在接收到贷款申请时,获取贷款申请方的多维度信息;
将所述多维度信息输入预先训练生成的贷款审核模型,得到所述贷款申请方的贷款申请审核结果;所述贷款审核模型根据多个贷款申请方的历史多维度信息样本预先训练生成。
本发明实施例还提供一种贷款申请的处理装置,用以在出现突发异常事件时,保证贷款申请处理的准确度,该装置包括:
获取单元,用于在接收到贷款申请时,获取贷款申请方的多维度信息;
审核单元,用于将所述多维度信息输入预先训练生成的贷款审核模型,得到所述贷款申请方的贷款申请审核结果;所述贷款审核模型根据多个贷款申请方的历史多维度信息样本预先训练生成。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述贷款申请的处理方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述贷款申请的处理方法的计算机程序。
本发明实施例中,贷款申请的处理方案,与现有技术中仅依靠企业盈利能力进行贷款申请处理,当突发公共危机导致社会整体受到影响时,贷款申请的处理准确度低的技术方案相比,通过:在接收到贷款申请时,获取贷款申请方的多维度信息;将所述多维度信息输入预先训练生成的贷款审核模型,得到所述贷款申请方的贷款申请审核结果;所述贷款审核模型根据多个贷款申请方的历史多维度信息样本预先训练生成,可以在出现突发异常事件时,保证贷款申请处理的准确度。
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简单地介绍,显而易见地,下面描述中的附图仅仅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的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例中贷款申请的处理方法的流程示意图;
图2为本发明实施例中贷款申请的处理的原理示意图;
图3为本发明另一实施例中贷款申请的处理方法的流程示意图;
图4为本发明实施例中贷款申请的处理装置的结构示意图;
图5为本发明另一实施例中贷款申请的处理装置的结构示意图。
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明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
发明人发现现有贷款申请处理方案存在的技术问题是:
1)现有方案主要关注企业的盈利能力数据,诸如现金流、资产负债、利润、流水等信息。然而,在重大危机影响下,企业的正常生产经营已受到重大影响,盈利能力亦受到重大影响。原有贷款审核方案已无法准确帮助银行完成贷款审核,这将导致资金积压在银行体系而难以流入实体经济。
2)现有方案未考虑危机对宏观经济和企业所处行业的影响。
3)现有贷款方案未全面考虑企业管理人对贷款审核的影响,可能忽略企业管理人的经营管理能力和社会关系对企业盈利能力的影响。
4)现有方案对于低息贷款被挪用的情况限制较少。
由于考虑到上述技术问题,因此,发明提出了一种贷款申请的处理方案,该方案为一种在危机下的贷款审核方案,该方案利用危机下的宏观经济数据、行业数据、企业数据、企业管理人数据等多维度信息自动完成贷款审核,整个过程综合考虑了多种因素,进而使危机中的贷款审核结果更加准确。具体地:
1)该方案在贷款审核中加入了反映企业社会价值的数据,综合考虑企业的社会价值和未来预期盈利能力,并适当削弱盈利能力对贷款审核结果的影响,最终结合企业的社会价值和盈利能力综合做出贷款审核结论。
2)该方案加入了贷款审核中加入了宏观经济信息和企业所处行业信息,并利用这部分信息衡量危机对社会和行业整体的影响程度。
3)该方案加入了企业管理人资产、流水、社会关系等数据衡量企业管理人管理能力对企业盈利能力的影响。
4)该方案加入了企业管理人信用信息和企业缴税等信用信息衡量贷款被挪用的风险。
下面对该贷款申请的处理方案进行详细介绍如下。
图1为本发明实施例中贷款申请的处理方法的流程示意图,如图1所示,该方法包括如下步骤:
步骤101:在接收到贷款申请时,获取贷款申请方的多维度信息;
步骤103:将所述多维度信息输入预先训练生成的贷款审核模型,得到所述贷款申请方的贷款申请审核结果;所述贷款审核模型根据多个贷款申请方的历史多维度信息样本预先训练生成。
本发明实施例提供的贷款申请的处理方法可以在出现突发异常事件时,保证贷款申请处理的准确度。
下面对本发明实施例提供的贷款申请的处理方法涉及的各个步骤进行详细介绍。
一、首先,介绍预先训练生成贷款审核模型的步骤。
在一个实施例中,上述贷款申请的处理方法还可以包括:按照如下方法得到预先训练生成的贷款审核模型:
获取多个贷款申请方的历史多维度信息样本数据;所述样本数据包括正样本数据和负样本数据,所述正样本数据为符合贷款审核要求的数据,所述负样本为不符合贷款审核要求的数据;
将所述样本数据划分为训练集和测试集;
利用所述训练集对深度神经网络模型进行训练;
利用所述测试集对训练好的深度神经网络模型进行测试;
根据测试结果,得到所述预先训练生成的贷款审核模型。
具体实施时,上述得到预先训练生成的贷款审核模型的步骤,得到了审核结果精确的贷款审核模型,进而后续利用该模型进行贷款审核时,进一步保证了保证贷款申请处理的准确度。
具体实施时,该贷款审核模型可以是深度学习神经网络模型,该模型的输入是贷款申请方(例如企业)的多维度信息,输出是贷款审核结果,例如批准或是不批注等等结果。
本发明实施例提出一种危机下的贷款审核方案,该方案主要利用危机下的宏观经济数据、行业数据、企业数据、企业管理人数据等多维度信息,利用数据分析模型(贷款审核模型),研究危机下例如疫情下的企业贷款审核机制,可自动完成贷款对象精准审核。如图2所示,本发明实施例中预先训练生成的贷款审核模型(即图2中的数据分析模型)的步骤主要包括:
1、数据采集及标注。
在一个实施例中,所述多维度信息可以包括:宏观经济数据、行业数据、企业数据和企业管理人数据。
具体实施时,多维度信息可以包括:宏观经济数据、行业数据、企业数据和企业管理人数据进一步保证了保证贷款申请处理的准确度。
本发明实施例采集宏观经济数据、行业数据、企业数据、企业管理人数据构造基础数据集。
1)宏观经济数据,包括居民消费信息、居民存款信息、股债基市场信息等数据。
根据居民消费信息构造新特征反映消费意愿变动情况,如消费金额变化数量、变化比例、变化方向;根据居民存款信息构造特征反映居民对未来经济预期,如存款新增总额、增速等;根据股债基市场信息构造新特征,如股债基赎回率、收益率、总市值、市值变化率等。通过上述特征反映危机对宏观经济的影响程度、对居民信心的影响程度、对市场流动性的影响程度。
2)行业数据,包括企业所属行业、行业企业总数、行业市值信息、政策支持信息、行业上下游行业信息、行业上下游行业市值信息等数据。
根据企业所属行业、行业企业总数、行业市值信息、政策支持信息、行业上下游行业信息、行业上下游行业市值信息等数据构造新特征,反映危机对企业所在行业的整体影响以及行业本身对经济的重要性。
3)企业数据,企业数据特征工程分为2部分,第一部分根据企业上下游供应链信息、企业市值信息、企业雇员信息、企业缴税信息、企业五险一金缴纳信息构造特征,反映企业本身的社会价值、行业价值;第二部分对企业产品生产地域信息、企业产品销售地域信息、企业产品消费场景信息、企业产品消费群体信息、企业以往生产销售信息、企业流水信息、企业现金流信息、企业以往利润及还贷信息进行特征工程,反映企业的未来预期盈利能力、持续盈利能力。
4)企业管理人数据分为3部分,包括企业管理人信用信息、企业管理人资产信息和企业管理人基本信息。
第一部分为对企业管理人征信信息、企业管理人消费记录信息、企业管理人借还贷信息、企业管理人贷款使用信息等数据进行特征工程,反映企业管理人信用信息,利用这部分信息衡量企业法人挪用资金的可能性;第二部分为对企业管理人资产负债信息、资金流水信息、投资信息等数据进行特征工程,反映企业管理人的管理能力,比如构建年资产增值率,投资回报率,每年资产配置比例等新特征,利用这部分数据衡量企业法人的经营管理能力,进而用于评估对于企业未来盈利能力的影响;第三部分为对企业管理人学历、毕业院校、家庭的数据进行特征工程,反映企业管理人的社会关系信息,评估其社会关系对企业经营的影响。
本发明综合企业社会价值、企业未来盈利能力、企业受影响程度、企业贷款需求迫切性、企业法人管理能力、企业法人信用信息多方数据,最终给出贷款审核结果。
2、数据关联划分。对步骤1得到的数据进行整合,将数据分别按照目标需求,依据不同数据源提供的主键进行关联。本次关联主键是企业ID和企业管理人ID。
3、数据预处理。对步骤2关联好的数据进行异常值清洗、空缺值填充,以及数据向量化等工作,提升数据质量。
4、模型特征工程及训练。分别对宏观经济数据、行业数据、企业数据、企业管理人数据进行特征工程操作产生衍生特征,进一步挖掘其中的数据中的隐含信息:
1)宏观经济数据,根据居民消费信息构造新特征反映消费意愿变动情况,如消费金额变化数量、变化比例、变化方向;根据居民存款信息构造特征反映居民对未来经济预期,如存款新增总额、增速等;根据股债基市场信息构造新特征,如股债基赎回率、收益率、总市值、市值变化率等。通过上述特征反映危机对宏观经济的影响程度、对居民信心的影响程度、对市场流动性的影响程度。
2)行业数据,根据企业所属行业、行业企业总数、行业市值信息、政策支持信息、行业上下游行业信息、行业上下游行业市值信息等数据构造新特征,反映危机对企业所在行业的整体影响以及行业本身对经济的重要性。
3)企业数据,企业数据特征工程分为2部分,第一部分根据企业上下游供应链信息、企业市值信息、企业雇员信息、企业缴税信息、企业五险一金缴纳信息构造特征,反映企业本身的社会价值、行业价值;第二部分对企业产品生产地域信息、企业产品销售地域信息、企业产品消费场景信息、企业产品消费群体信息、企业以往生产销售信息、企业流水信息、企业现金流信息、企业以往利润及还贷信息进行特征工程,反映企业的未来预期盈利能力、持续盈利能力。
4)企业管理人数据,第一部分为对企业管理人征信信息、企业管理人消费记录信息、企业管理人借还贷信息、企业管理人贷款使用信息等数据进行特征工程,反映企业管理人信用信息,利用这部分信息衡量企业法人挪用资金的可能性;第二部分为对企业管理人资产负债信息、资金流水信息、投资信息等数据进行特征工程,反映企业管理人的管理能力,比如构建年资产增值率,投资回报率,每年资产配置比例等新特征,利用这部分数据衡量企业法人的经营管理能力,进而用于评估对于企业未来盈利能力的影响;第三部分为对企业管理人学历、毕业院校、家庭的数据进行特征工程,反映企业管理人的社会关系信息,评估其社会关系对企业经营的影响。
利用整理好的数据对数据分析模型进行训练,直至模型收敛。
危机下企业的经营活动受到严重影响,这种影响既包括危机对宏观经济、对行业的影响传导到企业的影响,也包括企业本身正常经营活动收到的影响。考虑到危机对社会、行业、企业的持续性影响,以企业当前的盈利能力为主的审核方案容易产生偏差,导致需要并实际拥有偿还能力的企业无法得到授贷。
故而本发明针对危机下的贷款审核这一极端场景,综合考量危机对社会经济、行业的整体性影响,对企业正常经营活动本身的影响,企业本身的社会价值和行业价值,结合企业未来预期经营能力、企业法人经营管理能力预测未击中企业贷款需求的急迫性和企业未来的还款能力;加入企业法人信用信息衡量贷款被挪用风险。综合考虑行业、企业需求、企业社会价值、企业盈利能力、被挪用风险做出贷款决策。故而本发明方法更适合处理危机下的企业贷款审核。
5、调用模型进行贷款对象审核。调起数据预处理和步骤4训练好的数据分析模型(贷款审核模型),对测试数据进行处理,得到输出测试结果,根据测试结果对贷款审核模型进行调整,得到最终的预先训练好的贷款审核模型。
二、接着,介绍利用上述预先训练好的贷款审核模型进行贷款申请处理的步骤。
在一个实施例中,如图3所示,在接收到贷款申请时,获取贷款申请方的多维度信息,之后可以包括步骤102:对贷款申请方的多维度信息进行预处理,得到预处理后的贷款申请方的多维度信息;
将所述预处理后的贷款申请方的多维度信息输入预先训练生成的贷款审核模型,得到所述贷款申请方的贷款申请审核结果,包括:将所述预处理后的贷款申请方的多维度信息输入预先训练生成的贷款审核模型,得到所述贷款申请方的贷款申请审核结果。
具体实施时,在利用多维度信息进行贷款申请之前,对贷款申请方的多维度信息进行预处理(具体预处理方法详见上述训练模型时的预处理步骤),得到预处理后的贷款申请方的多维度信息,利用预处理后的贷款申请方的多维度信息输入贷款审核分析模型,可以得到更加准确的审核结果,进一步保证后续贷款申请处理的准确度。
综上,本发明实施例提供的贷款申请的处理方法的优点是:
1)本发明实施例考量了危机对宏观经济和企业所在行业的整体影响,进而可以衡量危机对企业的整体性影响。
2)本发明实施例考虑了企业的社会价值、行业价值和企业未来预期盈利能力、持续盈利能力,审核结果更加可靠。
3)本发明实施例考量了企业管理人的管理能力和其社会关系对企业未来盈利能力的影响,审核结果更准确。
4)本发明实施例考量了企业管理人信用信息,衡量企业法人挪用资金的可能性,减小了资金被管理人员挪用的风险。
本发明实施例中还提供了一种贷款申请的处理装置,如下面的实施例所述。由于该装置解决问题的原理与贷款申请的处理方法相似,因此该装置的实施可以参见贷款申请的处理方法的实施,重复之处不再赘述。
图4为本发明实施例中贷款申请的处理装置的结构示意图,如图4所示,该装置包括:
获取单元01,用于在接收到贷款申请时,获取贷款申请方的多维度信息;
审核单元03,用于将所述多维度信息输入预先训练生成的贷款审核模型,得到所述贷款申请方的贷款申请审核结果;所述贷款审核模型根据多个贷款申请方的历史多维度信息样本预先训练生成。
在一个实施例中,所述多维度信息可以包括:宏观经济数据、行业数据、企业数据和企业管理人数据。
在一个实施例中,如图5所示,贷款申请的处理装置还可以包括:预处理单元02,用于对贷款申请方的多维度信息进行预处理,得到预处理后的贷款申请方的多维度信息;
所述审核单元具体可以用于:将所述预处理后的贷款申请方的多维度信息输入预先训练生成的贷款审核模型,得到所述贷款申请方的贷款申请审核结果。
在一个实施例中,贷款申请的处理装置还可以包括:模型生成单元,用于按照如下方法得到预先训练生成的贷款审核模型:
获取多个贷款申请方的历史多维度信息样本数据;所述样本数据包括正样本数据和负样本数据,所述正样本数据为符合贷款审核要求的数据,所述负样本为不符合贷款审核要求的数据;
将所述样本数据划分为训练集和测试集;
利用所述训练集对深度神经网络模型进行训练;
利用所述测试集对训练好的深度神经网络模型进行测试;
根据测试结果,得到所述预先训练生成的贷款审核模型。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述贷款申请的处理方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述贷款申请的处理方法的计算机程序。
本发明实施例中,贷款申请的处理方案,与现有技术中仅依靠企业盈利能力进行贷款申请处理,当突发公共危机导致社会整体受到影响时,贷款申请的处理准确度低的技术方案相比,通过:在接收到贷款申请时,获取贷款申请方的多维度信息;将所述多维度信息输入预先训练生成的贷款审核模型,得到所述贷款申请方的贷款申请审核结果;所述贷款审核模型根据多个贷款申请方的历史多维度信息样本预先训练生成,可以在出现突发异常事件时,保证贷款申请处理的准确度。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种贷款申请的处理方法,其特征在于,包括:
在接收到贷款申请时,获取贷款申请方的多维度信息;
将所述多维度信息输入预先训练生成的贷款审核模型,得到所述贷款申请方的贷款申请审核结果;所述贷款审核模型根据多个贷款申请方的历史多维度信息样本预先训练生成。
2.如权利要求1所述的贷款申请的处理方法,其特征在于,所述多维度信息包括:宏观经济数据、行业数据、企业数据和企业管理人数据。
3.如权利要求1所述的贷款申请的处理方法,其特征在于,在接收到贷款申请时,获取贷款申请方的多维度信息,之后包括:对贷款申请方的多维度信息进行预处理,得到预处理后的贷款申请方的多维度信息;
将所述多维度信息输入预先训练生成的贷款审核模型,得到所述贷款申请方的贷款申请审核结果,包括:将所述预处理后的贷款申请方的多维度信息输入预先训练生成的贷款审核模型,得到所述贷款申请方的贷款申请审核结果。
4.如权利要求1所述的贷款申请的处理方法,其特征在于,还包括:按照如下方法得到预先训练生成的贷款审核模型:
获取多个贷款申请方的历史多维度信息样本数据;所述样本数据包括正样本数据和负样本数据,所述正样本数据为符合贷款审核要求的数据,所述负样本为不符合贷款审核要求的数据;
将所述样本数据划分为训练集和测试集;
利用所述训练集对深度神经网络模型进行训练;
利用所述测试集对训练好的深度神经网络模型进行测试;
根据测试结果,得到所述预先训练生成的贷款审核模型。
5.一种贷款申请的处理装置,其特征在于,包括:
获取单元,用于在接收到贷款申请时,获取贷款申请方的多维度信息;
审核单元,用于将所述多维度信息输入预先训练生成的贷款审核模型,得到所述贷款申请方的贷款申请审核结果;所述贷款审核模型根据多个贷款申请方的历史多维度信息样本预先训练生成。
6.如权利要求5所述的贷款申请的处理装置,其特征在于,所述多维度信息包括:宏观经济数据、行业数据、企业数据和企业管理人数据。
7.如权利要求5所述的贷款申请的处理装置,其特征在于,还包括:预处理单元,用于对贷款申请方的多维度信息进行预处理,得到预处理后的贷款申请方的多维度信息;
所述审核单元具体用于:将所述预处理后的贷款申请方的多维度信息输入预先训练生成的贷款审核模型,得到所述贷款申请方的贷款申请审核结果。
8.如权利要求5所述的贷款申请的处理装置,其特征在于,还包括:模型生成单元,用于按照如下方法得到预先训练生成的贷款审核模型:
获取多个贷款申请方的历史多维度信息样本数据;所述样本数据包括正样本数据和负样本数据,所述正样本数据为符合贷款审核要求的数据,所述负样本为不符合贷款审核要求的数据;
将所述样本数据划分为训练集和测试集;
利用所述训练集对深度神经网络模型进行训练;
利用所述测试集对训练好的深度神经网络模型进行测试;
根据测试结果,得到所述预先训练生成的贷款审核模型。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4任一所述方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至4任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010915724.4A CN112053231A (zh) | 2020-09-03 | 2020-09-03 | 贷款申请的处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010915724.4A CN112053231A (zh) | 2020-09-03 | 2020-09-03 | 贷款申请的处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112053231A true CN112053231A (zh) | 2020-12-08 |
Family
ID=73607785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010915724.4A Pending CN112053231A (zh) | 2020-09-03 | 2020-09-03 | 贷款申请的处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112053231A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419048A (zh) * | 2020-12-10 | 2021-02-26 | 中国农业银行股份有限公司南海分行 | 一种信贷客户智能分析方法 |
CN113283979A (zh) * | 2021-05-12 | 2021-08-20 | 广州市全民钱包科技有限公司 | 一种贷款申请人的贷款信用评估方法、装置及存储介质 |
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 (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322089A (zh) * | 2018-03-30 | 2019-10-11 | 宗略投资(上海)有限公司 | 企业信用风险评估方法及其*** |
CN110348981A (zh) * | 2019-05-21 | 2019-10-18 | 平安科技(深圳)有限公司 | 贷款风控方法及装置、电子设备和计算机可读存储介质 |
-
2020
- 2020-09-03 CN CN202010915724.4A patent/CN112053231A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322089A (zh) * | 2018-03-30 | 2019-10-11 | 宗略投资(上海)有限公司 | 企业信用风险评估方法及其*** |
CN110348981A (zh) * | 2019-05-21 | 2019-10-18 | 平安科技(深圳)有限公司 | 贷款风控方法及装置、电子设备和计算机可读存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419048A (zh) * | 2020-12-10 | 2021-02-26 | 中国农业银行股份有限公司南海分行 | 一种信贷客户智能分析方法 |
CN113283979A (zh) * | 2021-05-12 | 2021-08-20 | 广州市全民钱包科技有限公司 | 一种贷款申请人的贷款信用评估方法、装置及存储介质 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230009149A1 (en) | System, method and computer program for underwriting and processing of loans using machine learning | |
Amani et al. | Data mining applications in accounting: A review of the literature and organizing framework | |
Blalock et al. | Financial constraints on investment in an emerging market crisis | |
US8065214B2 (en) | Methods and system for assessing loss severity for commercial loans | |
KR102009309B1 (ko) | 금융상품 관리자동화 시스템 및 관리자동화 방법 | |
US20050080821A1 (en) | System and method for managing collections accounts | |
CN112053231A (zh) | 贷款申请的处理方法及装置 | |
WO2004006049A2 (en) | Method and system to value projects taking into account political risks | |
Bakhach et al. | TSFDC: A trading strategy based on forecasting directional change | |
WO2023114637A1 (en) | Computer-implemented system and method of facilitating artificial intelligence based lending strategies and business revenue management | |
Kothandapani | Applications of Robotic Process Automation in Quantitative Risk Assessment in Financial Institutions | |
Qin et al. | Are there digital tech bubbles in China? | |
Legowo | Monitoring and Evaluation Information System Modeling for Banking Credits | |
CN112766814A (zh) | 一种信用风险压力测试模型的训练方法、装置及设备 | |
KR102249028B1 (ko) | 기업의 채무상환능력 평가시스템 | |
Biswas et al. | Automated credit assessment framework using ETL process and machine learning | |
CN112037013A (zh) | 人行征信变量衍生方法及装置 | |
Quaranta et al. | Impairment of intangible assets and disclosure by Italian banks | |
Lubbers | Comparing the performance of xgboost and random forest models for predicting company cash position | |
Parnes | A spline hazard model for current expected credit losses | |
Abhishek | Project Semester Report Credit Risk Analyses in Banking Sector | |
Emeke et al. | Revenue Leakages and Economic Growth in Nigeria: The Place of Forensic Accounting | |
KR102334923B1 (ko) | 인공지능을 이용한 대출 확대 가설 검정 시스템 및 이를 이용한 방법 | |
KR102249015B1 (ko) | 기업의 채무지불여력 산출시스템 | |
Paolone et al. | Concluding Remarks: The Importance of Cash Flow Statement |
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 |