本申请涉及数据处理,尤其是涉及一种不良资产估值方法、系统、设备及介质。
背景技术:
1、不良资产是指借款人不能按时、足额偿还本息或信贷企业在金融信贷领域无法处置的资产,如无法处置的抵押财产。为了减少不良资产造成的经济损失,金融信贷相关领域的企业将使用大数据方法,来估计不良资产数据的资产价值,从而准确定制催收计划。当不良资产出现在银行等金融机构的资产中时,如何对不良资产进行估值,即如何确定不良资产的回收价格,是需要该领域技术人员解决的技术问题。
2、目前,针对个人的不良资产估值没有较为成熟的系统凯发k8ag旗舰厅真人平台的解决方案。现有的不良估值方案主要有两种:一是线下定价的方式。具体的,通常是基于对不良资产的实地调查结果,依靠个人经验为不良资产进行定价。但是,线下方式的定价效率较低,且定价结果过度依赖资产保全经理的个人素质,波动性较大。二是使用大数据分析定价的方式,根据过去一段时间内的机构还款数据情况,推测客户的还款意愿和概率,虽然部分解决了效率问题,但是却缺乏具体场景的准确性分析,以及无法持续有效地监督和修正回款结果,对不良资产估值后的后续处理缺少关注,同时并没有较好的系统做支撑,估值系统使用的算法目前大多基于逻辑回归、xgboost等算法,这些算法并无法很好地对不良资产进行估值,估值的准确性不高,每次估值都需要手工对数据进行提取,写代码对数据特征进行分析,写代码进行模型建立从而完成不良资产的估值。
技术实现思路
1、本申请提供了一种不良资产估值方法、系统、设备及介质,能够提高不良资产估值的精度和效率。
2、第一方面,本申请提供一种不良资产估值方法,采用如下的技术方案:
3、获取待处理的不良资产的资产特征数据,所述资产特征数据包括贷款信息、还款信息和财产信息;
4、响应于所述资产特征数据的数据量大于预设阈值,根据所述资产特征数据训练回款率评分卡模型并将所述回款率评分卡模型存储至历史数据库中,根据所述回款率评分卡模型进行回款率预测;
5、响应于所述资产特征数据的数据量小于预设阈值,根据所述资产特征数据搜索所述历史数据库中的回款率评分卡模型,得到近似回款率评分卡模型,根据所述近似回款率评分卡模型进行回款率预测;
6、根据所述资产特征数据依次进行资产包分析、回款预测、回款率预测、尽调分析和现金流预测,得到待处理的不良资产的估值。
7、进一步地,上述根据所述资产特征数据搜索所述历史数据库中的回款率评分卡模型包括:
8、遍历所述历史数据库中的回款率评分卡模型,所述回款率评分卡模型包括若干个第一变量,所述资产特征数据包括若干个第二变量,所述第一变量和所述第二变量一一对应;
9、计算所述第一变量和所述第二变量的分布差和,选取与所述资产特征数据之间分布差和最小的回款率评分卡模型作为近似回款率评分卡模型。
10、进一步地,上述根据所述资产特征数据进行资产包分析包括:
11、通过spark系统对所述资产特征数据进行变量加工和特征清洗,得到统计数据;
12、根据预设规则将所述统计数据划分为数值型数据、文本型数据和分类型数据;
13、通过折线图和柱状图分析所述数值型数据,通过词云、柱状图和饼图分析所述文本型数据,通过柱状图和饼图分析所述分类型数据,得到可视化资产包。
14、进一步地,上述根据所述资产特征数据进行回款预测包括:
15、根据回款函数计算未来n年的回款金额,其中,n为自然数,所述回款函数的计算公式为:
16、
17、其中,y为某年份的回款金额,x为年份对应的序列值,a和b为预设的回款系数。
18、进一步地,上述根据所述资产特征数据训练回款率评分卡模型包括:
19、配置评分卡建模平台,形成数据读取组件、数据拆分组件、分箱组件、样本稳定性评估组件、评分卡训练组件、评分卡预测组件和二分类评估组件;
20、配置所述数据读取组件、数据拆分组件、分箱组件、样本稳定性评估组件、评分卡训练组件、评分卡预测组件和二分类评估组件的参数,得到评分卡建模dag图,根据所述评分卡建模dag图通过分布式计算完成回款率评分卡模型训练。
21、进一步地,上述根据所述资产特征数据进行尽调分析包括:
22、根据所述资产特征数据通过财产执行回款模型计算预期通过财产执行收回的金额,计算公式为:
23、;
24、其中,y为预期通过财产执行收回的金额,s为可联率,l为笔均本金余额,u为有财产线索客户数占比,f(i)为客户涉执案件数为i次的分布,p(i)为预期通过执行回款成功概率。
25、进一步地,上述根据所述资产特征数据进行现金流预测包括:
26、通过回款预测和回款率预测得到预期总回款金额;
27、以所述预期总回款金额为起点构建现金流;
28、通过拟合函数将所述预期总回款金额分配到未来n年,得到基础现金流,其中,n为自然数;
29、根据尽调分析结果调整所述基础现金流,将未来n年预期通过财产执行收回的总金额平均分配到未来n年的每年中,得到每年现金流;
30、计算每年现金流与预设影响因子系数的乘积,得到现金流预测结果。
31、第二方面,本申请提供一种不良资产估值系统,采用如下的技术方案:
32、一种不良资产估值系统,应用上述的不良资产估值方法,包括:
33、数据采集模块,用于获取待处理的不良资产的资产特征数据;
34、不良资产估值模块,用于根据所述资产特征数据进行资产包分析、回款预测、回款率预测、尽调分析和现金流预测,得到待处理的不良资产的估值。
35、第三方面,本申请提供一种计算机设备,采用如下的技术方案:
36、一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述的方法。
37、第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
38、一种计算机可读存储介质,存储有能够被处理器加载并执行如第一方面中任一种方法的计算机程序。
39、综上所述,本申请包括以下至少一种有益技术效果:
40、本申请提供了一种不良资产估值方法、系统、设备及介质,将资产包分析、回款预测、回款率预测、尽调分析和现金流预测功能高度集成,支持一键导入excel自动分析资产包,给出不良资产估值,代替人工估值、写代码估值或者撞库估值等方式,提升了不良资产估值的效率,提高了不良资产估值的精度。
1.一种不良资产估值方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的不良资产估值方法,其特征在于,所述根据所述资产特征数据搜索所述历史数据库中的回款率评分卡模型包括:
3.根据权利要求2所述的不良资产估值方法,其特征在于,所述根据所述资产特征数据进行资产包分析包括:
4.根据权利要求1中所述的不良资产估值方法,其特征在于,所述根据所述资产特征数据进行回款预测包括:
5.根据权利要求1中所述的不良资产估值方法,其特征在于,所述根据所述资产特征数据训练回款率评分卡模型包括:
6.根据权利要求1中所述的不良资产估值方法,其特征在于,所述根据所述资产特征数据进行尽调分析包括:
7.根据权利要求1-6中任一项所述的不良资产估值方法,其特征在于,所述根据所述资产特征数据进行现金流预测包括:
8.一种不良资产估值系统,应用权利要求1-7中任一项所述的不良资产估值方法,其特征在于,包括:
9.一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包括计算机程序,所述计算机程序用于实现如权利要求1-7中任一项所述的方法。
10.一种计算设备,其特征在于,所述计算设备包括存储器和处理器,所述存储器用于存储计算机程序,当所述计算机程序被所述处理器执行时,实现如权利要求1-7中任一项所述的方法。