专利名称：一种零售资产风险的计算方法及系统的制作方法
技术领域：
本发明涉及计算机技术领域，尤其是涉及到利用通信网络和计算机进行数据处理 的技术领域，具体地讲是一种零售资产风险的计算方法及系统。
背景技术：
信用风险是指债务人或交易对手未能履行合同规定的义务或信用质量发生变化， 影响合同的执行，从而给债权人或金融工具持有人带来损失的风险。由于商业银行资产业 务占银行所有业务的比重较高，所以信用风险是银行面临的最基本风险，精确地揭示与度 量信用风险，对减少银行资金损失，提高经营业绩是至关重要的。银行面对快速增长的零售 信贷资产业务发展，要对数百万的个人信贷客户和数千万的信用卡客户的风险进行管理。 因此，能否客观、准确、高效的评价和预测银行零售资产的信用风险是银行的保持快速发展 的关键。近年来银行对法人客户的资产风险评价进行了很多方面的研究，取到了不少成 绩，但对于零售业务资产风险的评估还停留初始阶段，不能有效地反映出零售资产预期的 损失大小。目前，银行对零售资产风险的评价主要依赖人经验，并主要借助电子表格程序 (如Micrsoft Excel及VBA宏代码)等工具。这种处理方式存在下列缺陷1.数据采集完全依靠人工，工作量巨大，数据处理效率很低，受电子表格程序能力 所限，难以进行大数据量的处理；2.数据一般由个人进行管理，容易被破坏，数据的安全性没有保障；3.对零售客户新申请贷款时主观判断占有很大成分，对其风险的评价没有一个统 一的标准与计算模型；4.数据难以实现共享，评价结果和经验难以提供给其他应用使用。
发明内容
本发明就是鉴于上述问题而提出，其目的在于，提供一种零售资产风险的计算方 法及系统，以解决对零售资产风险的评价不够准确、且没有统一标准的问题。本发明提供一种零售资产风险的计算方法，该方法包括采集源数据，该源数据包 括从银行的各个业务系统采集的贷款、信用卡交易数据、客户资产数据，和从个人信贷系统 和银行卡系统实时采集的申请时的客户、账户数据，以及从人行征信系统实时采集的申请 时的客户征信数据；接收所述源数据并进行信用评分处理和信用评级处理，生成信用评分 结果数据；将所述信用评分结果数据存放到数据存储装置中供用户调用；调用所述信用评 分结果数据以根据预定规则计算零售资产风险。本发明还一种零售资产风险的计算系统，该系统包括数据采集装置，用于采集源 数据，该源数据包括从银行的各个业务系统采集的贷款、信用卡交易数据、客户资产数据， 和从个人信贷系统和银行卡系统实时采集的申请时的客户、账户数据，以及从人行征信系统实时采集的申请时的客户征信数据；信用评分装置，用于接收所述源数据并进行信用评 分处理和信用评级处理，生成信用评分结果数据；数据存储装置，用于存储所述信用评分结 果数据并供用户调用；风险计算装置，用于调用所述信用评分结果数据以根据预定规则计 算零售资产风险。本发明实施例的有益效果在于，可控制银行零售资产的风险，可以大大减少银行 信贷人员对信贷业务中不够客观稳定的评估标准的依赖，可以有效的降低决定中的随意 性，并可以减少人工操作成本，提高工作效率，提高银行资金的使用效率。还可以减少银行 对申请进行逐个审查的人力资源，这对业务量大的信用产品尤为明显。
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不 构成对本发明的限定。在附图中图1A所示的是本发明实施例1的零售资产风险的计算方法的流程图。图1B所示的是本发明实施例1的零售资产风险的计算方法的信用评分处理流程 图。图2A所示的是本发明实施例2的零售资产风险的计算系统的结构框图。图2B所示的是本发明实施例2的零售资产风险的计算系统的信用评分装置的结 构框图。图3所示的是本发明实施例3的零售资产风险的计算系统的结构框图。图4所示的是本发明实施例3的零售资产风险的计算方法的流程图。图5所示的是本发明实施例3的信用评分处理的步骤的流程图。图6所示的是本发明实施例3的一个典型的细分评分模型的示意图。图7所示的是本发明实施例3的信用评级处理流程图。
具体实施例方式为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对 本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并 不作为对本发明的限定。实施例1图1A所示的是本发明实施例1的零售资产风险的计算方法的流程图。如图1A所 示，本发明实施例1的零售资产风险的计算方法包括S101 采集源数据，该源数据包括从银行的各个业务系统采集的贷款、信用卡交 易数据、客户资产数据，和从个人信贷系统和银行卡系统实时采集的申请时的客户、账户数 据，以及从人行征信系统实时采集的申请时的客户征信数据；S102 接收上述源数据并进行信用评分处理和信用评级处理，生成信用评分结果 数据；S103 将上述信用评分结果数据存放到数据存储装置中供用户调用；S104 调用上述信用评分结果数据以根据预定规则计算零售资产风险。图1B所示的是本发明实施例1的零售资产风险的计算方法的信用评分处理流程图。如图1B所示，在本发明实施例1中，上述信用评分处理的步骤还可以包括S105 根据上述源数据获取相关参数；S106:根据上述相关参数，把行为模式相同或者类似的目标客户分为同一组，并通 过细分不同业务种类自动构造决策树，其中决策树的构造采用层次递进方式，中间环节的 各个条件是具体划分规则，最终节点是一个具体的评分模型，从而对不同组客户群使用不 同评分模型；S107:对于每个客户或者贷款产品，调用对应的评分模型进行计算上述信用评分。其中，上述评分模型采用如下的逻辑回归模型Y = a + ^+其中，a是常数，0力2…是系数，Y1、Y2是变量，Y是计算结果，a、0力2…、Y1、 Y2从上述相关参数中得到，并且，在计算得到上述Y后，对于Y进行如下变形计算得到客户信用评分的分数SCORE = round (1000/)。通过本发明实施例1，可控制银行零售资产的风险，可以大大减少银行信贷人员对 信贷业务中不够客观稳定的评估标准的依赖，可以有效的降低决定中的随意性，并可以减 少人工操作成本，提高工作效率，提高银行资金的使用效率。还可以减少银行对申请进行逐 个审查的人力资源，这对业务量大的信用产品尤为明显。实施例2图2A所示的是本发明实施例2的零售资产风险的计算系统的结构框图。如图2A 所示，本发明实施例2的零售资产风险的计算系统包括数据采集装置201，用于采集源数据，该源数据包括从银行的各个业务系统采集的 贷款、信用卡交易数据、客户资产数据，和从个人信贷系统和银行卡系统实时采集的申请时 的客户、账户数据，以及从人行征信系统实时采集的申请时的客户征信数据；信用评分装置202，用于接收上述源数据并进行信用评分处理和信用评级处理，生 成信用评分结果数据；数据存储装置203，用于存储上述信用评分结果数据并供用户调用；风险计算装置204，用于调用上述信用评分结果数据以根据预定规则计算零售资 产风险。图2B所示的是本发明实施例2的零售资产风险的计算系统的信用评分装置的结 构框图。如图2B所示，本发明实施例2的零售资产风险的计算系统的信用评分装置包括参数获取单元205，用于根据上述源数据获取相关参数；决策树生成单元206，用于根据上述相关参数，把行为模式相同或者类似的目标客 户分为同一组，并通过细分不同业务种类自动构造决策树，其中决策树的构造采用层次递 进方式，中间环节的各个条件是具体划分规则，最终节点是一个具体的评分模型，从而对不 同组客户群使用不同评分模型；计算单元207，用于对于每个客户或者贷款产品，调用对应的评分模型进行计算上 述信用评分。其中，在本发明实施例2中，上述评分模型采用如下的逻辑回归模型Y = a + 3 3 2Y2+... + 3 nYn
其中，a是常数，0力2…是系数，Y1、Y2是变量，Y是计算结果，a、0力2…、Y1、 Y2从上述相关参数中得到，并且，在计算得到上述Y后，对于Y进行如下变形计算得到客户信用评分的分数SCORE = round (1000/)。另外，本发明实施例2中，上述风险计算装置包括信用评级单元(未图示)，其用 于根据上述信用评分结果数据计算违约概率、违约风险暴露、信用转换系数、预期损失率、 信用风险资本要求系数、非预期损失、风险加权资产。其中，上述信用评级单元读入个贷及上述信用评分结果数据，将零售资产按资产 池决策树划分到特定资产池，并赋予相应的违约概率。通过上述本发明实施例2，可控制银行零售资产的风险，可以大大减少银行信贷人 员对信贷业务中不够客观稳定的评估标准的依赖，可以有效的降低决定中的随意性，并可 以减少人工操作成本，提高工作效率，提高银行资金的使用效率。还可以减少银行对申请进 行逐个审查的人力资源，这对业务量大的信用产品尤为明显。实施例3本发明实施例3提供一种零售资产风险的计算方法及系统，其采用逻辑回归及建 立决策树的方法实现对银行零售资产风险的计量和评价，能够自动采集各个业务系统的源 数据，并对这些源数据进行分析和处理，生成的评价结果数据存储在数据存储装置中。图3所示的是本发明实施例3的零售资产风险的计算系统的结构框图。如图3 所示，本发明实施例3的零售资产风险的计算系统包括数据采集装置301、风险计算装置 302、数据存储装置303。数据采集装置301与风险计算装置302之间，风险计算装置302与 数据存储装置303之间可以通过内部网络连接。内部网络为企业的局域网，可以是以太网 (Ethernet)，也可以是其它局域网，如光纤分布式数据接口(FDDI)、令牌环(Token-Ring) 等。另外还可以通过租用专线等方式将其各个分支机构的局域网连接组成更大的企业内部 网(Intranet)。数据采集装置301可以是一台小型机或PC服务器，该装置以数据接口的方式从 现有银行业务系统采集源数据(包括客户贷款的申请信息、资产信息、征信信息、交易信息 等)，再通过内部网络传送给风险计算装置302。风险计算装置302可以是一台小型机或PC服务器，负责将采集到的源数据进行评 价处理。数据存储装置303可以是一台小型机或PC服务器，存储风险计算装置302计算的 评价结果的数据。图4所示的是本发明实施例3的零售资产风险的计算方法的流程图。如图4所示， 本发明实施例3的零售资产风险的计算方法包括步骤S401 数据采集装置301开始采集数据，从银行的各个业务系统(个贷、信用 卡等)通过数据接口采集贷款、信用卡交易数据、客户资产数据；从个人信贷系统和银行卡 系统通过数据接口实时采集申请时的客户、账户数据；从人行征信系统通过数据接口实时 采集申请时的客户征信数据；并将这些采集到的源数据传送给风险计算装置302 ；步骤S402 风险计算装置302将数据采集装置301采集的接口数据进行计量处 理，计量处理过程包含信用评分处理和信用评级处理。
步骤S403 风险计算装置302将计量的结果数据存放到数据存储装置303。图5所示的是本发明实施例3的信用评分处理的步骤的流程图。如图5所示，本 发明实施例3的信用评分处理包括如下步骤步骤S501 获取相关参数。获取评价模型的常数、系数以及变量，其中常数、系数 从数据存储装置303中获取，变量来自于数据采集装置301，对于这些变量还需要根据不同 规则批量进行缺失值、异常值替换、变量变形等处理。步骤S502 自动构造决策树。根据获取的评分模型、变量规则等参数，自动构造决 策树。构造决策树的方法是对于同一产品由于不同的申请人表现行为不同，通过细分变量 把行为模式相同或者类似的目标客户分为同一组，对不同组客户群使用不同评分模型，以 区分不同的行为模式。不同的业务种类对应不同的评分模型调度方式，因此对应每种业务 种类需要单独生成模型决策树。决策树的生成采用层次递进方式进行，中间环节的各个条 件是细分变量的具体划分规则，最终节点是指定一个终节点并带有一个具体的评分模型。决策树的层数和结构通过评价模型的常数、系数以及变量灵活设置，有较强的扩 展性和重构性，可以任意调整决策树的结构。例如一个典型的细分评分模型如图6所示，客户被细分成三层，共5个群体，这5 个群体也称最终叶节点(节点1、节点5、节点6、节点7、节点8)，对每个群体(最终叶节点) 分别对应一个评分模型，通过调用对应评分模型进行计算(如下表1所示)。
权利要求
一种零售资产风险的计算方法，其特征在于，该方法包括采集源数据，该源数据包括从银行的各个业务系统采集的贷款、信用卡交易数据、客户资产数据，和从个人信贷系统和银行卡系统实时采集的申请时的客户、账户数据，以及从人行征信系统实时采集的申请时的客户征信数据；接收所述源数据并进行信用评分处理和信用评级处理，生成信用评分结果数据；将所述信用评分结果数据存放到数据存储装置中供用户调用；调用所述信用评分结果数据以根据预定规则计算零售资产风险。
2.根据权利要求1所述的零售资产风险的计算方法，其特征在于，所述信用评分处理 的步骤包括根据所述源数据获取相关参数；根据所述相关参数，把行为模式相同或者类似的目标客户分为同一组，并通过细分不 同业务种类自动构造决策树，其中决策树的构造采用层次递进方式，中间环节的各个条件 是具体划分规则，最终节点是一个具体的评分模型，从而对不同组客户群使用不同评分模 型；对于每个客户或者贷款产品，调用对应的评分模型进行计算所述信用评分。
3.根据权利要求2所述的零售资产风险的计算方法，其特征在于，所述评分模型采用如下的逻辑回归模型 γ = α+βιΥι+β2Υ2+... + βηΥη其中，α是常数，…是系数，Υ1、Υ2是变量，Y是计算结果，α、β工β 2…、Υ1、Υ2从 所述相关参数中得到，并且，在计算得到所述Y后，对于Y进行如下变形计算得到客户信用评分的分数 SCORE = round(1000/(l+e(_Y)))。
4.根据权利要求2所述的零售资产风险的计算方法，其特征在于，所述计算零售资产 风险的步骤还包括根据所述信用评分结果数据计算违约概率、违约风险暴露、信用转换系数、预期损失 率、信用风险资本要求系数、非预期损失、风险加权资产。
5.根据权利要求4所述的零售资产风险的计算方法，其特征在于，所述计算违约概率的步骤包括读入个贷及所述信用评分结果数据，将零售资产按资 产池决策树划分到特定资产池，并赋予相应的违约概率。
6.一种零售资产风险的计算系统，其特征在于，该系统包括数据采集装置，用于采集源数据，该源数据包括从银行的各个业务系统采集的贷款、信 用卡交易数据、客户资产数据，和从个人信贷系统和银行卡系统实时采集的申请时的客户、 账户数据，以及从人行征信系统实时采集的申请时的客户征信数据；信用评分装置，用于接收所述源数据并进行信用评分处理和信用评级处理，生成信用 评分结果数据；数据存储装置，用于存储所述信用评分结果数据并供用户调用； 风险计算装置，用于调用所述信用评分结果数据以根据预定规则计算零售资产风险。
7.根据权利要求6所述的零售资产风险的计算系统，其特征在于，所述信用评分装置 包括参数获取单元，用于根据所述源数据获取相关参数；决策树生成单元，用于根据所述相关参数，把行为模式相同或者类似的目标客户分为 同一组，并通过细分不同业务种类自动构造决策树，其中决策树的构造采用层次递进方式， 中间环节的各个条件是具体划分规则，最终节点是一个具体的评分模型，从而对不同组客 户群使用不同评分模型；计算单元，用于对于每个客户或者贷款产品，调用对应的评分模型进行计算所述信用 评分。
8.根据权利要求7所述的零售资产风险的计算系统，其特征在于，所述评分模型采用如下的逻辑回归模型γ = α+β1γ1+β2γ2 …+ βnγn其中，α是常数，…是系数，Υ1、Υ2是变量，Y是计算结果，α、β1β2…、Υ1、Υ2从 所述相关参数中得到，并且，在计算得到所述Y后，对于Y进行如下变形计算得到客户信用评分的分数SCORE = round(1000/(l+e(_Y)))。
9.根据权利要求7所述的零售资产风险的计算系统，其特征在于，所述风险计算装置 包括信用评级单元，用于根据所述信用评分结果数据计算违约概率、违约风险暴露、信用 转换系数、预期损失率、信用风险资本要求系数、非预期损失、风险加权资产。
10.根据权利要求9所述的零售资产风险的计算系统，其特征在于，所述信用评级单元读入个贷及所述信用评分结果数据，将零售资产按资产池决策树划 分到特定资产池，并赋予相应的违约概率。
全文摘要
本发明提供一种零售资产风险的计算方法及系统，该方法包括采集源数据，该源数据包括从银行的各个业务系统采集的贷款、信用卡交易数据、客户资产数据，和从个人信贷系统和银行卡系统实时采集的申请时的客户、账户数据，以及从人行征信系统实时采集的申请时的客户征信数据；接收所述源数据并进行信用评分处理和信用评级处理，生成信用评分结果数据；将所述信用评分结果数据存放到数据存储装置中供用户调用；调用所述信用评分结果数据以根据预定规则计算零售资产风险。本发明可控制银行零售资产的风险，可以大大减少银行信贷人员对信贷业务中不够客观稳定的评估标准的依赖，可以有效的降低决定中的随意性，并可以减少人工操作成本。
文档编号G06Q40/00GK101996381SQ20091009093
公开日2011年3月30日 申请日期2009年8月14日 优先权日2009年8月14日
发明者刘丽君 申请人:中国工商银行股份有限公司