违约概率的确定方法、装置、设备和介质

技术领域

本发明实施例涉及数据处理技术，尤其涉及一种违约概率的确定方法、装置、设备和介质。

背景技术

贷款违约，是指借款人向银行申请贷款后，与银行有债务关系，但未能按时履行。对贷款客户违约概率的预测是指通过对客户现有信息数据(包括财务数据、行为数据和外部数据)的整合、关联，并利用专业知识进行分析，实现客户财务数据、信贷合同信息、账户资金往来、外部司法信息、企业高管个人信息等数据的全面扫描和联动分析，从而预测哪些客户在未来存在违约风险。常用的预测方法主要是通过专业人员依据该贷款客户的历史违约信息，并基于经验知识，确定该次贷款的违约概率。

上述方案的缺陷在于：专业人员依据经验预测时往往是通过主观性判断，不同的专业人员对于违约概率的判断标准不同，因此会导致违约概率的判断结果不准确。

发明内容

本申请实施例提供一种违约概率的确定方法、装置、设备和介质，可以通过计算贷款客户的违约评分，实现贷款客户违约概率的精准确定。

第一方面，本发明实施例提供了一种违约概率的确定方法，包括：

获取待预测客户的目标信息，以及根据所述目标信息确定所述待预测客户是否为新客户；

若是，则根据第一计算规则计算所述待预测客户的违约评分；若否，则根据第二计算规则计算所述待预测客户的违约评分；

根据所述违约评分，确定所述待预测客户的违约概率。

第二方面，本发明实施例提供了一种违约概率的确定装置，包括：

新客户预测模块，用于获取待预测客户的目标信息，以及根据所述目标信息确定所述待预测客户是否为新客户；

违约评分计算模块，用于若是，则根据第一计算规则计算所述待预测客户的违约评分；若否，则根据第二计算规则计算所述待预测客户的违约评分；

违约概率确定模块，用于根据所述违约评分，确定所述待预测客户的违约概率。

第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例中的任一种所述的违约概率的确定方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例中的任一种所述的违约概率的确定方法。

本发明实施例获取待预测客户的目标信息，以及根据目标信息确定待预测客户是否为新客户；分别基于不同的计算规则计算新老客户的违约评分，并根据违约评分，确定待预测客户的违约概率。本发明实施例通过计算贷款客户的违约评分，从而有效实现贷款客户违约概率的精准确定。

附图说明

图1是本发明实施例一中的违约概率的确定方法的流程示意图；

图2是本发明实施例二中的违约概率的确定方法的流程示意图；

图3是本发明实施例三中的违约概率的确定装置的结构示意图；

图4是本实施例四中的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1是本发明实施例一中的违约概率的确定方法的流程示意图。本实施例可适用于预测贷款客户的违约概率的情况。本实施例方法可由违约概率的确定装置来执行，该装置可采用硬件/或软件的方式来实现，并可配置于电子设备中。可实现本申请任意实施例所述的违约概率的确定方法。如图1所示，该方法具体包括如下：

S110、获取待预测客户的目标信息，以及根据目标信息确定待预测客户是否为新客户；若是，则执行S120；若否，则执行S130。

在本实施例中，待预测客户为在某银行进行过贷款项目的用户，可包括个人用户和企业用户；目标信息为待预测客户在贷款前或者贷款后一定时段内的信息，可以包括客户基本信息、债项信息、实控人信息、存款信息、征信信息、结算信息以及贷后信息(例如贷款后的行为数据或者还款行为)；其中，本实施例中的用户主要优选为小微企业。

具体的，根据目标信息确定待预测客户是否为新客户，包括：将客户基本信息中的客户名称和/或客户代码，与系统内预先存储的信息表进行比对；若在该信息表中查找到相应的客户名称和/或客户代码，则确定该待预测客户不是新用户；若查找不到，则确定该待预测客户是新用户；其中，系统内预先存储的信息表中包含在本银行中贷款过的历史客户的资料数据，例如客户名称、客户代码或者客户实控人姓名等。

S120、根据第一计算规则计算待预测客户的违约评分。

在本实施例中，对于新客户和老客户，由于其在银行系统内保存的历史信息不同，因此，两者不能根据相同的规则去进行评判，其违约评分需要基于不通过规定去实现，以保证新老客户违约评分的准确性。

在本实施例中，可选的，根据第一计算规则计算待预测客户的违约评分，包括：根据第一计算规则计算待预测客户的客户申请评分；第一计算规则计算的出新客户的违约评分，由于新客户之前与本银行系统的贷款业务并无关联，为了保证对于新客户的违约评分计算的准确性，因此需要根据该新客户贷款之前的信息去评判其客户申请评分。

S130、根据第二计算规则计算待预测客户的违约评分。

在本实施例中，第二计算规则是针对于老客户违约评分的计算；可选的，根据第二计算规则计算待预测客户的违约评分，包括：根据第二计算规则计算待预测客户的客户行为评分；其中，客户行为评分能够直观的反映出该老客户在贷款后的一些基本行为信息，以使得能够基于这些历史行为信息对该老客户的违约概率进行计算。

S140、根据违约评分，确定待预测客户的违约概率。

在本实施例中，违约评分差异较小时，则表示该类用户具有较为相似的特征，则特征相似度较大的客户，其违约概率的差异则越小；利用与待预测客户违约评分相似度较大的客户群的违约概率，作为该待预测客户的违约概率。其中，违约概率是在待预测客户贷款后，至还款前，银行业务系统预测其在还款日能否按时完成还款的预测概率；利用该违约概率还能相应的评价该待预测客户在本银行内的征信值。

本发明实施例获取待预测客户的目标信息，以及根据目标信息确定待预测客户是否为新客户；分别基于不同的计算规则计算新老客户的违约评分，并根据违约评分，确定待预测客户的违约概率。本发明实施例通过计算贷款客户的违约评分，从而有效实现贷款客户违约概率的精准确定。

实施例二

图2是本发明实施例二中的违约概率的确定方法的流程示意图。本实施例是在上述实施例的基础上进一步扩展与优化，并可与上述技术方案中任意可选方案组合。如图2所示，该方法包括：

S210、获取待预测客户的目标信息，以及根据目标信息确定待预测客户是否为新客户；若是，则执行S220；若否，则执行S250。

S220、从目标信息中，确定待预测客户的申请信息；其中，申请信息包括贷后信息、结算信息、实控人信息和存款信息中的至少一项。

在本实施例中，对于新客户违约评分的计算，需要根据其贷款前的一些申请信息进行确定的；其中，贷后信息为贷款客户贷款后的行为数据或者还款数据等信息，例如贷款余额；结算信息可以为贷款后我行结算-关联企业数量；实控人信息例如可以是曾经是否存在不良信用记录；存款信息为贷款后该客户的存款余额或者存款时间等。

S230、根据申请信息，确定待预测客户的客户申请评分。

在本实施例中，通过将上述至少一项申请信息基于预设规则量化为具体的数值，并根据各数值之和，求出待预测客户的客户申请评分，将多个申请信息转换成一个具体的评价数值，作为待预测客户的客户申请评分，能够有效通过数值的方式直观清晰的表述客户申请评分。

具体的，在本实施例中，根据申请信息，确定待预测客户的客户申请评分，包括：

根据申请评分配置信息，确定各申请信息的客户申请评分；其中，申请评分配置信息包含申请信息和客户申请评分的关联关系；

将各申请信息的客户申请评分之和，作为待预测客户的客户申请评分。

在本实施例中，申请评分配置信息是由申请评分配置参数得出的各申请信息与客户申请评分的对应关系组成；其中，申请评分配置参数为一个比例值，其大小范围可以为0-1，具体可根据银行业务人员基于不同申请评分信息进行适应性制定。

具体的，表1为各申请信息基于申请评分配置参数量化后得到的客户申请评分表。

表1申请信息关联的客户申请评分表

其中，变量表示申请信息；变量值表示申请信息的具体数值；变量分为量化后申请信息对应的客户申请评分；根据表1得出待预测客户的客户申请评分AScore＝AScore1+AScore2+AScore3+AScore4+AScore5+AScore6+AScore7+AScore8+AScore9。

S240、根据待预测客户的客户申请评分，确定待预测客户所属的申请评分池；将申请评分池的违约概率作为待预测客户的违约概率；其中，申请评分池的违约概率由申请评分池中历史违约客户的违约概率确定。

在本实施例中，申请评分池是预先根据历史贷款客户的申请评分归类出的，每一个申请评分池中包含的客户的申请评分都在一定范围内；利用申请评分作为各客户的划分依据，将具有相似申请评分的客户归类至一个申请评分池中，能够使得在预测客户的违约概率时快速简便的基于其所属申请评分池的违约概率确定出。

具体的，确定申请评分池的违约概率，包括；统计该申请评分池中所有客户的客户总数量和违约的客户数量；将违约的客户数量与客户总数量的比值作为该申请评分池的违约概率；该违约概率也能表示属于同一分池中其他未违约客户在未来一段时间内的违约概率。

在本实施例中，可选的，根据待预测客户的客户申请评分，确定待预测客户所属的申请评分池，包括：

若检测到待预测客户的客户申请评分小于或等于第一申请评分阈值，则确定待预测客户所属第一申请评分池；

若检测到待预测客户的客户申请评分大于第一申请评分阈值且小于第二申请评分阈值，则确定待预测客户所属第二申请评分池；

若检测到待预测客户的客户申请评分大于或等于第二申请评分阈值，则确定待预测客户所属第三申请评分池。

在本实施例中，将申请评分池分为三个层次，即第一申请评分池，属于低申请评分池；第二申请评分池，属于中申请评分池；第三申请评分池属于高申请评分池；本实施例中申请评分池的层次高低仅代表该评分池中包括客户的申请评分的层次高低，与评分池的违约概率无关，即三个申请评分池的违约概率相对独立。

S250、从目标信息中，确定待预测客户的行为信息；其中，行为信息包括债项信息、征信信息、存款信息和贷后信息中的至少一项。

在本实施例中，对于老客户违约评分的计算，需要根据其贷款后的一些申请信息进行确定的；其中，债项信息可以为该客户贷款的数额或者贷款日期等；征信信息为该客户的信用数据，例如之前是否违约过以及违约次数和违约数额等；存款信息为贷款后该客户的存款余额或者存款时间等；贷后信息为贷款客户贷款后的行为数据或者还款数据等信息，例如贷款余额。

S260、根据行为信息，确定待预测客户的客户行为评分。

在本实施例中，通过将上述至少一项行为信息基于预设规则量化为具体的数值，并根据各数值之和，求出待预测客户的客户行为评分，将多个行为信息转换成一个具体的评价数值，作为待预测客户的客户行为评分，能够有效通过数值的方式直观清晰的表述客户行为评分。

在本实施例中，根据行为信息，确定待预测客户的客户行为评分，包括：

根据行为评分配置信息，确定各行为信息的客户行为评分；其中，行为评分配置信息包含行为信息和客户行为评分的关联关系；

将各行为信息的客户行为评分之和，作为待预测客户的客户行为评分。

在本实施例中，行为评分配置信息是由行为评分配置参数得出的各行为信息与客户行为评分的对应关系组成；其中，行为评分配置参数为一个比例值，其大小范围可以为0-1，具体可根据银行业务人员基于不同行为评分信息进行适应性制定。

具体的，表2为各行为信息基于行为评分配置参数量化后得到的客户行为评分表。

表2行为信息关联的客户行为评分表

其中，变量表示行为信息；变量值表示行为信息的具体数值；变量分为量化后行为信息对应的客户行为评分；根据表2得出待预测客户的客户行为评分BScore＝BScore1+BScore2+BScore3+BScore4+BScore5+BScore6+BScore7+BScore8。

S270、根据待预测客户的客户行为评分，确定待预测客户所属的行为评分池；将行为评分池的违约概率作为待预测客户的违约概率；其中，行为评分池的违约概率由行为评分池中历史违约客户的违约概率确定。

在本实施例中，行为评分池是预先根据历史贷款客户的行为评分归类出的，每一个行为评分池中包含的客户的行为评分都在一定范围内；利用行为评分作为各客户的划分依据，将具有相似行为评分的客户归类至一个行为评分池中，能够使得在预测客户的违约概率时快速简便的基于其所属行为评分池的违约概率确定出。

具体的，确定行为评分池的违约概率，包括；统计该行为评分池中所有客户的客户总数量和违约的客户数量；将违约的客户数量与客户总数量的比值作为该行为评分池的违约概率；该违约概率也能表示属于同一分池中其他未违约客户在未来一段时间内的违约概率。

在本实施例中，可选的，根据待预测客户的客户行为评分，确定待预测客户所属的行为评分池，包括：

若检测到待预测客户的客户行为评分小于或等于第一行为评分阈值，则确定待预测客户所属第一行为评分池；

若检测到待预测客户的客户行为评分大于第一行为评分阈值且小于第二行为评分阈值，则确定待预测客户所属第二行为评分池；

若检测到待预测客户的客户行为评分大于或等于第二行为评分阈值，则确定待预测客户所属第三行为评分池。

在本实施例中，将行为评分池通过不同评分阈值划分为三个层次的评分池，使得待检测客户的客户行为评分能够精准的所属于一个层次下的行为评分池中，从而能够快速准确的确定出该待检测客户的违约概率。

在上述实施例的基础上，可选的，本实施例方法还包括：

展示待预测客户所属的评分池、违约概率以及、客户申请评分或客户行为评分。

在本实施例中，可在银行系统的展示界面上定时展示确定出的某一客户的所属的评分池、违约概率以及、客户申请评分或客户行为评分，以使得工作人员可以基于上述信息在贷款到期前对贷款人员进行适当的还款提醒；例如，可以在贷款到期前通过邮件或者短信等形式进行适当提醒。

具体的，若该待预测客户为老用户，则可以利用其当前所属的评分池、当前违约概率以及当前客户行为评分，分别与历史所属的评分池、历史违约概率以及历史客户行为评分进行比对，对待预测客户进行复核，以有效验证出其预测结果是否准确。

在上述实施例的基础上，可选的，本实施例方法还包括：

响应于评分池更新请求，对申请评分池和/或行为评分池进行更新操作。

在本实施例中，在该待检测客户的该笔贷款业务结束后，根据该待检测客户是否违约，对相应的评分池进行更新操作，以实时更新申请评分池和/或者行为评分池中包含客户的违约情况，从而提高申请评分池和行为评分池的违约概率的实时准确性。

示例性的，在某一待检测客户的贷款业务结束后，若该客户为新客户贷款，且该客户按时还款，则将该客户添加至对应的申请评分池中，并标注其贷款状态为未违约；若该客户为老客户贷款，且该客户未按时还款，则将该客户在其所属的行为评分池中的标记状态记为违约，并标注违约次数。

实施例三

图3是本发明实施例三中的违约概率的确定装置的结构示意图，本实施例可适用于预测贷款客户的违约概率的情况。该装置配置于电子设备中，可实现本申请任意实施例所述的违约概率的确定方法。该装置具体包括如下：

新客户预测模块310，用于获取待预测客户的目标信息，以及根据所述目标信息确定所述待预测客户是否为新客户；

违约评分计算模块320，用于若是，则根据第一计算规则计算所述待预测客户的违约评分；若否，则根据第二计算规则计算所述待预测客户的违约评分；

违约概率确定模块330，用于根据所述违约评分，确定所述待预测客户的违约概率。

在上述实施例的基础上，可选的，违约评分计算模块320，具体用于：

根据第一计算规则计算所述待预测客户的客户申请评分；

相应的，违约评分计算模块320，还具体用于：

根据第二计算规则计算所述待预测客户的客户行为评分。

在上述实施例的基础上，可选的，违约评分计算模块320，还具体用于：

从所述目标信息中，确定所述待预测客户的申请信息；其中，所述申请信息包括贷后信息、结算信息、实控人信息和存款信息中的至少一项；

根据所述申请信息，确定所述待预测客户的客户申请评分。

在上述实施例的基础上，可选的，违约评分计算模块320，还具体用于：

根据申请评分配置信息，确定各申请信息的客户申请评分；其中，所述申请评分配置信息包含申请信息和客户申请评分的关联关系；

将各申请信息的客户申请评分之和，作为所述待预测客户的客户申请评分。

在上述实施例的基础上，可选的，违约评分计算模块320，还具体用于：

从所述目标信息中，确定所述待预测客户的行为信息；其中，所述行为信息包括债项信息、征信信息、存款信息和贷后信息中的至少一项；

根据所述行为信息，确定所述待预测客户的客户行为评分。

在上述实施例的基础上，可选的，违约评分计算模块320，还具体用于：

根据行为评分配置信息，确定各行为信息的客户行为评分；其中，所述行为评分配置信息包含行为信息和客户行为评分的关联关系；

将各行为信息的客户行为评分之和，作为所述待预测客户的客户行为评分。

在上述实施例的基础上，可选的，违约概率确定模块330，具体用于：

根据所述待预测客户的客户申请评分，确定所述待预测客户所属的申请评分池；

将所述申请评分池的违约概率作为所述待预测客户的违约概率；其中，所述申请评分池的违约概率由所述申请评分池中历史违约客户的违约概率确定。

在上述实施例的基础上，可选的，违约概率确定模块330，还具体用于：

若检测到所述待预测客户的客户申请评分小于或等于第一申请评分阈值，则确定所述待预测客户所属第一申请评分池；

若检测到所述待预测客户的客户申请评分大于第一申请评分阈值且小于第二申请评分阈值，则确定所述待预测客户所属第二申请评分池；

若检测到所述待预测客户的客户申请评分大于或等于第二申请评分阈值，则确定所述待预测客户所属第三申请评分池。

在上述实施例的基础上，可选的，违约概率确定模块330，还具体用于：

根据所述待预测客户的客户行为评分，确定所述待预测客户所属的行为评分池；

将所述行为评分池的违约概率作为所述待预测客户的违约概率；其中，所述行为评分池的违约概率由所述行为评分池中历史违约客户的违约概率确定。

在上述实施例的基础上，可选的，违约概率确定模块330，还具体用于：

若检测到所述待预测客户的客户行为评分小于或等于第一行为评分阈值，则确定所述待预测客户所属第一行为评分池；

若检测到所述待预测客户的客户行为评分大于第一行为评分阈值且小于第二行为评分阈值，则确定所述待预测客户所属第二行为评分池；

若检测到所述待预测客户的客户行为评分大于或等于第二行为评分阈值，则确定所述待预测客户所属第三行为评分池。

在上述实施例的基础上，可选的，本实施例装置还包括：

展示模块，用于展示待预测客户所属的评分池、违约概率以及、客户申请评分或客户行为评分。

在上述实施例的基础上，可选的，本实施例装置还包括：

评分池更新模块，用于响应于评分池更新请求，对申请评分池和/或行为评分池进行更新操作。

通过本发明实施例三的违约概率的确定装置，通过计算贷款客户的违约评分，从而有效实现贷款客户违约概率的精准确定。

本发明实施例所提供的违约概率的确定装置可执行本发明任意实施例所提供的违约概率的确定方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4是本发明实施例四中的电子设备的结构示意图，如图4所示，该电子设备包括处理器410、存储器420、输入装置430和输出装置440；电子设备中处理器410的数量可以是一个或多个，图4中以一个处理器410为例；电子设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线连接为例。

存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的违约概率的确定方法对应的程序指令/模块。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现本发明实施例所提供的违约概率的确定方法。

存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置430可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，可以包括键盘、鼠标等。输出装置440可包括显示屏等显示设备。

实施例五

本实施例提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于实现本发明实施例所提供的违约概率的确定方法。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的违约概率的确定方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

值得注意的是，上述搜索装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。