融资租赁的风险预测方法、装置、计算机设备及存储介质

摘要

本发明涉及人工智能技术，提供一种融资租赁的风险预测方法、装置、计算机设备及存储介质。所述方法包括：获取融资租赁项目中目标承租方的多项特征数据，所述特征数据用于表征所述目标承租方的经营状况及信用状况；将所述多项特征数据输入分析计算引擎，以得到不同类型的风险预测结果；其中，所述分析计算引擎包括一个或多个经过大数据训练的预测模型，每个预测模型对应输出一个分支预测结果；根据所述分支风险预测结果评估所述目标承租方的综合风险。本发明可以实现承租方信用风险的自动决策和审批，基于算法、模型、规则，多维度对承租方进行评估，使融资租赁项目的风控全流程更加智能化、高效化、自动化。

说明书

技术领域

本发明涉及人工智能技术领域，特别涉及一种融资租赁企业的风险预测方法、装置、计算机设备及存储介质。

背景技术

融资租赁是指出租人根据承租方的请求，与第三方(供货商)订立供货合同，出租人根据供货合同出资向供货商购买承租方选定的设备。为了保障出租人的权益，对承租方的信用等级进行风险评估就显得尤为重要。现有技术一般根据承租方对应的行业特点、财务状况、运营状况、项目交易结构、企业信用、贷后管理等方面，通过历史交易数据和经验对承租方的信用风险进行评估。

现有的风险评估方式往往存在历史数据获取不足、人工介入环节过多的问题，从而造成风险评估的效率低下且容易出现误判，影响融资租赁项目的顺利进行。因此，如何提高融资租赁项目中风险评估的准确率和效率，成为本领域技术人员亟待解决的问题。

发明内容

本发明的目的是提供一种基于大数据的承租方信用风险预测方案，以解决现有技术中存在的上述问题。

为实现上述目的，本发明提供一种融资租赁的风险预测方法，包括：

获取融资租赁项目中目标承租方的多项特征数据，所述特征数据用于表征所述目标承租方的经营状况及信用状况；

将所述多项特征数据输入分析计算引擎，以得到不同类型的风险预测结果；其中，所述分析计算引擎包括一个或多个经过大数据训练的预测模型，每个预测模型对应输出一个分支预测结果；

根据所述分支风险预测结果评估所述目标承租方的综合风险。

根据本发明提供的融资租赁企业的风险预测方法，所述获取融资租赁项目中目标承租方的多项特征数据包括：

利用数据爬取技术从多个信息发布网站中爬取候选承租方的多种数据信息；

对所述候选承租方的多种数据信息进行数据过滤并提取关键字，获得与每个候选承租方对应的特征数据组并存储到数据库中；

获取目标承租方的标识信息，从所述数据库中查询与所述标识信息相同的候选承租方；

将与所述标识信息相同的候选承租方对应的特征数据组作为所述多项特征数据。

根据本发明提供的融资租赁的风险预测方法，所述分析计算引擎包括多个预测模型，所述将所述多项特征数据输入分析计算引擎，以得到不同类型的风险预测结果包括：

确定所述多个预测模型中的第一预测模型相对应的第一输入特征；

从所述多项特征数据中提取所述第一输入特征，将所述第一输入特征输入所述第一预测模型，得到所述第一预测模型输出的第一预测结果；

其中，所述第一输入特征是所述多项特征数据中的全部或部分数据，所述第一预测结果包括风险评分、逾期还款概率、企业亏损概率中的任一种。

根据本发明提供的融资租赁的风险预测方法，所述第一预测结果包括风险评分，所述第一预测模型的训练方法包括：

获取多个样本承租方对应的多组历史特征数据及对应的历史评分数据，所述历史特征数据用于表征所述样本承租方的经营状况及信用状况，所述历史评分数据是通过人工评定的方式确定的风险百分比数值。

将所述历史特征数据作为输入数据，将所述历史评分数据作为输出数据训练神经网络模型，以使所述神经网络模型满足收敛条件。

确定收敛条件下所述神经网络模型中各个隐变量的权重参数，以得到所述第一预测模型。

根据本发明提供的融资租赁的风险预测方法，所述分析计算引擎包括一个或多个计算公式，所述将所述多项特征数据输入分析计算引擎，以得到不同类型的风险预测结果还包括：

确定所述一个或多个计算公式中第二计算公式相对应的第二输入特征；

从所述多项特征数据中提取所述第二输入特征，将所述第二输入特征代入所述第二计算公式，得到与所述第二计算公式对应的第二预测结果；

其中，所述第二输入特征是所述多项特征数据中的全部或部分数据。

根据本发明提供的融资租赁的风险预测方法，所述根据所述分支风险预测结果评估所述目标承租方的综合风险包括：

获取与所述综合风险相关的预设侧重值，所述预设侧重值表征当前综合风险评估时重点关注的第一预测结果和/或第二预测结果；

基于所述预测侧重值对多个第一预测结果和/或所述第二预测结果进行加权计算，以得到所述综合风险。

根据本发明提供的融资租赁企业的风险预测方法，所述根据所述分支风险预测结果评估所述目标承租方的综合风险包括：

根据所述风险评分归属的数值范围确定风险等级；

根据所述风险等级确定是否发送风险预警。

为实现上述目的，本发明还提供一种融资租赁的风险预测装置，包括：

特征获取模块，适用于获取融资租赁项目中目标承租方的多项特征数据，所述特征数据用于表征所述目标承租方的经营状况及信用状况；

计算引擎模块，适用于将所述多项特征数据输入分析计算引擎，以得到不同类型的风险预测结果；其中，所述分析计算引擎包括一个或多个经过大数据训练的预测模型，每个预测模型对应输出一个分支预测结果；

风险评估模块，适用于根据所述分支风险预测结果评估所述目标承租方的综合风险。

为实现上述目的，本发明还提供一种计算机设备，包括存储器、处理器以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方法的步骤。

为实现上述目的，本发明还提供计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

本发明提供的融资租赁企业的风险预测方法、装置、计算机设备及存储介质，拥有海量的数据和复杂的机器学习模型，可以对很多在传统风控模式下无法评估的群体进行合理和准确的区分。本发明可以实现承租方信用风险的自动决策和审批，基于算法、模型、规则，多维度对承租方进行评估，使融资租赁项目的风控全流程更加智能化、高效化、自动化。本发明对于筛选优质客户、降低不良贷款率、提升风险管理有显著效果，帮助融资租赁企业更好地规避风险，提升竞争力，达到利益最大化。

附图说明

图1为本发明的融资租赁的风险预测方法实施例一的流程图；

图2为本发明实施例一中获取多项特征数据的示意性流程图；

图3为本发明实施例一中训练第一预测模型的示意性流程图；

图4为本发明的融资租赁的风险预测装置实施例一的程序模块示意图；

图5为本发明的融资租赁的风险预测装置实施例一的硬件结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

请参阅图1，本实施例提出一种融资租赁的风险预测方法，包括以下步骤：

S100:获取融资租赁项目中目标承租方的多项特征数据，所述特征数据用于表征所述目标承租方的经营状况及信用状况。

目标承租方可以是某融资租赁项目中的设备需求方，其向出租方即融资租赁企业提出设备使用需求，以供融资租赁企业与第三方供货商之间进行设备交易。本实施例中目标承租方的多项特征数据，可以包括目标承租方的财务状况、运营状况、历史借贷记录、员工构成、知识产权拥有情况、征信情况等多项数据。上述特征数据可以是由用户直接提供的，或者是通过不同的信息发布网站例如官方权威网站获取到的，本实施例对此不做限制。

S200:将所述多项特征数据输入分析计算引擎，以得到不同类型的风险预测结果；其中，所述分析计算引擎包括一个或多个经过大数据训练的预测模型，每个预测模型对应输出一个分支预测结果。

本实施例中的分析计算引擎用于对风险各个环节进行实时计算，为风险评估提供数据基础。分析计算引擎可以包括一个或多个经过大数据训练的预测模型，利用预测模型对不同类型的风险输出量化预测结果，以供后续功能模块根据量化预测结果进行不同阶段或不同方面的风险控制，例如通过贷前风控预测模型预测贷前风险，利用贷中风控预测模型预测贷中风险，利用贷后风控预测模型预测贷后风险等。本实施例中每个预测模型输出的预测结果可以对应一个分支预测结果，例如第一预测模型输出第一分支预测结果，第二预测模型输出第二分支预测结果，第三预测模型输出第三分支预测结果等。除了预测模型之外，本实施例的分析计算引擎还可以包括一个或多个计算公式，这些计算公式可以是根据经验值确定的，经由计算公式得到的计算结果，同样可以反映不同类型风险的量化预测结果。本实施例中每个计算公式对应的计算结果同样可以对应一个分支预测结果。与预测模型不同的是，计算公式没有自学习能力，对于经验值有高度依赖性，适用于前后变化幅度不大的特征数据。本领域技术人员理解，经过机器学习训练的预测模型具有预测准确率高，对不同场景适应性强的优点，但缺点是前期投入成本较大，训练周期较长。计算公式的优点是成本低效率高，缺点是无法针对不同场景进行调整，因此某些情况下会导致预测风险不准确。本实施例中的分析计算引擎综合了预测模型和计算公式两者的优点，对于准确性要求较高、应用场景变换较快的维度采用预测模型进行风险预测，对于场景变化不大、权重比例较低的维度，则可以利用计算公式降低成本，并在一定的可控范围内进行风险预估。

对于包含多个预测模型的情况，可以理解，不同的预测模型基于不同的维度进行风险预测，并且输出不同的预测结果。因此当使用不同的预测模型时，需要确定不同的输入特征维度。假设步骤S100中获取到的多项特征数据包括特征数据1、特征数据2、特征数据3、特征数据4、特征数据5、特征数据6，多个预测模型包括预测模型1、预测模型2和预测模型3，其中预测模型1需要输入的特征数据为特征数据1、特征数据2和特征数据3，预测模型2需要输入的特征数据为特征数据2、特征数据3和特征数据4，预测模型3需要输入的特征数据为特征数据4、特征数据5和特征数据6。其中，每个预测模型所对应的特征数据可以是多项特征数据中的全部或者部分。预测模型和特征数据之间的映射关系可以通过数据表进行保存，当需要使用某个预测模型时，可以通过查表确定与该某个预测模型对应的特征数据。在此基础上，将不同的特征数据输入不同的预测模型，可以得到不同的预测结果。例如，预测模型1输出预测结果1、预测模型2输出预测结果2、预测模型3输出预测结果3。在此基础上，本实施例可以根据这些预测结果进行不同的加权计算，从而得出不同维度下的综合风险评估。

对于包含多个计算公式的情况，同样需要首先确定不同的输入特征维度。假设步骤S100中获取到的多项特征数据包括特征数据1、特征数据2、特征数据3、特征数据4、特征数据5、特征数据6，多个计算公式包括计算公式1、计算公式2和计算公式3，其中计算公式1需要输入的特征数据为特征数据1、特征数据2和特征数据3，计算公式2需要输入的特征数据为特征数据2、特征数据3和特征数据4，计算公式3需要输入的特征数据为特征数据4、特征数据5和特征数据6。其中，每个计算公式所对应的特征数据可以是多项特征数据中的全部或者部分。计算公式和特征数据之间的映射关系可以通过数据表进行保存，当需要使用某个计算公式时，可以通过查表确定与该某个计算公式对应的特征数据。在此基础上，将不同的特征数据输入不同的计算公式，可以得到不同的计算结果。例如，计算公式1计算得到计算结果1、计算公式2计算得到计算结果2、计算公式3计算得到计算结果3。在此基础上，本实施例可以根据这些计算结果进行不同的加权计算，从而得出不同维度下的综合风险评估。当然还可以将上述预测结果和上述计算结果共同进行加权计算以得到综合风险评估，也属于本实施例的保护范畴之内。

S300:根据所述分支风险预测结果评估所述目标承租方的综合风险。

本实施例中的综合风险可以包括多个不同类型的风险指标，例如贷前风险、贷中风险、贷后风险、逾期风险等级、破产风险等级、风险预警等多个指标。其中，不同风险指标是根据不同权重的分支预测结果计算得出的。不同分支预测结果在不同综合风险中所占的权重可以通过预设规则确定。例如，预设规则1规定，综合风险1＝0.5×分支预测结果1+0.2×分支预测结果2+0.3×分支预测结果3；预设规则2规定，综合风险2＝0.4×分支预测结果2+0.3×分支预测结果3+0.3×分支预测结果4；……通过不同的预设规则，可以反映出不同综合风险指标的侧重点，从而实现对于不同融资租赁项目的个性化定制，满足不同融资租赁企业的需求。

图2示出了本发明实施例一中获取多项特征数据的示意性流程图。如图2所示，步骤S100包括：

S110:利用数据爬取技术从多家权威网站中爬取候选承租方的多种数据信息。上述权威网站可以包括国家工商总局全国企业信用信息公示系统、国土资源部中国土地市场网、最高人民法院中国裁判文书网、最高人民法院全国法院被执行人信息查询系统、最高人民法院全国法院失信被执行人名单信息查询系统、中国证监会信息披露网站、国家知识产权局专利检索系统、国家工商总局商标局中国商标网的公开信息。可以理解，每个权威网站分别从不同侧面反映承租方的基本信息、经营信息、财务状况等，由此上述信息可以作为对承租方进行风险评估的数据基础。

S120:对所述候选承租方的多种数据信息进行数据过滤并提取关键字，获得与每个候选承租方对应的特征数据组并存储到数据库中。

可以根据不同需求制定不同的关键字过滤方案，例如对于国家知识产权局专利检索系统的数据，可以过滤出公开文本或授权文本，从而满足不同的数据统计需要。本实施例中的特征数据组可以包括多条特征数据，其中每条特征数据来自其中一家权威网站。进一步，可以为每个候选承租方标注唯一的标识信息，并将该标识信息和对应的特征数据组作为一条数据记录存储在数据库中。

S130:获取目标承租方的标识信息，从所述数据库中查询与所述标识信息相同的候选承租方。

S140:将与所述标识信息相同的候选承租方对应的特征数据组作为所述多项特征数据。

通过上述步骤，可以快速获取与目标承租方相关的所有特征数据，为提高预测信用风险的准确率提供完整的数据基础。

图3示出了本发明实施例一中训练第一预测模型的示意性流程图。如图3所述，第一预测模型通过以下步骤训练得到：

S310:获取多个样本承租方对应的多组历史特征数据及对应的历史评分数据，所述历史特征数据用于表征所述样本承租方的经营状况及信用状况，所述历史评分数据是通过人工评定的方式确定的风险百分比数值。

S320:将所述历史特征数据作为输入数据，将所述历史评分数据作为输出数据训练神经网络模型，以使所述神经网络模型满足收敛条件。该神经网络模型可以是卷积神经网络、残差神经网络、多层感知机、深度学习神经网络等网络结构中的任一种，本实施例对此不做限制。

S330:确定收敛条件下所述神经网络模型中各个隐变量的权重参数，以得到所述第一预测模型。

可以理解，上述第一预测模型输出的评分数据仅仅用于举例，而并非用于限定。本领域技术人员可以通过不同的样本输入数据和不同的样本输出数据训练神经网络模型，由此得到可以预测不同类型的信用风险，满足用户的多种个性化需要。

进一步，本实施例在根据分支风险预测结果评估目标承租方的综合风险的步骤中，还可以包括：根据所述风险评分归属的数值范围确定风险等级，以及根据所述风险等级确定是否发送风险预警。上述步骤可以定性反映目标承租方的风险状况，有利于管理人员及时发现潜在风险并采取相应处理，避免融资租赁企业承受不必要的损失。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

请继续参阅图4，示出了一种融资租赁的风险预测装置，在本实施例中，风险预测装置40可以包括或被分割成一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器所执行，以完成本发明，并可实现上述风险预测方法。本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序本身更适合于描述风险预测装置40在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能：

特征获取模块41，适用于获取融资租赁项目中目标承租方的多项特征数据，所述特征数据用于表征所述目标承租方的经营状况及信用状况；

计算引擎模块42，适用于将所述多项特征数据输入分析计算引擎，以得到不同类型的风险预测结果；其中，所述分析计算引擎包括一个或多个经过大数据训练的预测模型，每个预测模型对应输出一个分支预测结果；

风险评估模块43，适用于根据所述分支风险预测结果评估所述目标承租方的综合风险。

本实施例还提供一种计算机设备，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备50至少包括但不限于：可通过系统总线相互通信连接的存储器51、处理器52，如图5所示。需要指出的是，图5仅示出了具有组件51-52的计算机设备50，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

本实施例中，存储器51(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器51可以是计算机设备50的内部存储单元，例如该计算机设备50的硬盘或内存。在另一些实施例中，存储器51也可以是计算机设备50的外部存储设备，例如该计算机设备50上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器51还可以既包括计算机设备20的内部存储单元也包括其外部存储设备。本实施例中，存储器51通常用于存储安装于计算机设备50的操作系统和各类应用软件，例如实施例一的风险预测装置40的程序代码等。此外，存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器52在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制计算机设备50的总体操作。本实施例中，处理器52用于运行存储器51中存储的程序代码或者处理数据，例如运行风险预测装置40，以实现实施例一的风险预测方法。

本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储融资租赁的风险预测装置40，被处理器执行时实现实施例一的融资租赁的风险预测方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

流程图中或在此以其它方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

本技术领域的普通技术人员可以理解，实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。