资产回收率的预测方法、装置、设备、介质和计算机程序产品制造方法及图纸

本发明专利技术提供了一种资产回收率的预测方法，包括：获取目标资产的属性信息、以及预先训练完成的资产回收率预测模型；将属性信息输入到资产回收率预测模型中，以资产回收率预测模型的输出结果为目标资产的资产回收率的预测结果，其中，资产回收率预测模型使用基于LightGBM的分类模型，确定资产回收率的分类结果，分类结果包括资产回收率是否在预定值区间内，如果资产回收率在预定值区间内，则以分类结果作为输出结果，如果资产回收率不在预定值区间内，则使用基于LightGBM的回归模型，重新确定资产回收率的数值作为输出结果。本发明专利技术还涉及资产回收率的预测装置、设备、介质和计算机程序产品。机程序产品。机程序产品。

【技术实现步骤摘要】
资产回收率的预测方法、装置、设备、介质和计算机程序产品


[0001]本专利技术涉及机器学习
，特别涉及资产回收率的预测方法、装置、设备、介质和计算机程序产品。

技术介绍

[0002]金融机构对资产的回收率是指一段时间后的回收金额/进入不良资产时点的余额。资产回收率代表了银行对于该笔不良资产的回收状况，而资产回收率与进入不良时点的余额相乘，可以作为该笔不良资产回收的额度，也就是其定价的重要参考。可以基于每一笔不良资产债项接收时点的信息，预测其未来一段时间后的回收率。然而，由于样本分布不均匀的问题，现有的资产回收率预测模型的准确率不高。

技术实现思路

[0003]本专利技术的目的在于提供资产回收率的预测方法、装置、设备、介质和计算机程序产品，不同于现有技术，本专利技术先使用分类模型确定目标资产的资产回收率是否为预定的极端值(零回收或完全回收)，如果不为极端值，再使用回归算法进行回收率的数值预测。这样的“分类
‑
回归”嵌套的模型架构，能够在样本分布不均匀(例如，不良资产回收率满足双峰分布)时，获得更大的资产回收本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种资产回收率的预测方法，用于电子设备，其特征在于，所述方法包括：获取目标资产的属性信息、以及预先训练完成的资产回收率预测模型；将所述属性信息输入到所述资产回收率预测模型中，以所述资产回收率预测模型的输出结果为所述目标资产的资产回收率的预测结果，其中，所述资产回收率预测模型使用基于LightGBM的分类模型，确定所述资产回收率的分类结果，所述分类结果包括所述资产回收率是否在预定值区间内，如果所述资产回收率在所述预定值区间内，则以所述分类结果作为所述输出结果，如果所述资产回收率不在所述预定值区间内，则使用基于LightGBM的回归模型，重新确定所述资产回收率的数值作为所述输出结果。2.根据权利要求1所述的方法，其特征在于，所述预定值区间包括第一预定值区间：[0％,1％]、和第二预定值区间：[99％,100％]。3.根据权利要求1所述的方法，其特征在于，所述资产回收率预测模型是通过如下步骤预先训练得到的：获取样本资产的样本信息、及所述样本资产的资产回收率的样本预测结果，并将所述样本信息和所述样本预测结果作为一组训练样本；基于多组所述训练样本对待进行训练的样本预测模型进行训练，得到所述资产回收率预测模型。4.根据权利要求3所述的方法，其特征在于，获取样本资产的样本信息，包括：分别获取样本资产在每个字段下的样本信息；所述方法还包括：针对每个所述字段，根据所述字段下的样本信息对所述字段进行类别分类，得到所述字段的类别分类结果，其中，所述类别分类结果包括数值类别、日期类别、类型类别或是描述类别；若根据所述类别分类结果确定所述字段不属于所述数值类别，则根据所述类别分类结果将所述字段下的样本信息转换为所述数值类别下的信息，并基于转换结果对所述字段下的样本信息进行更新。5.根据权利要求4所述的方法，其特征在于，所述根据所述字段下的样本信息对所述字段进行类别分类，包括：获取所述字段下的样本信息的存储格式，根据所述存储格式确定所述字段是否属于所述数值类别或所述日期类别；和/或，获取所述字段下全部的所述样本信息包含的信息类型的类型数量，并根据所述类型数量确定所述字段是否属于所述类型类别；和/或，分别获取所述字段下的每个所述样本信息包含的信息字符的字符数量，并根据所述字符数量确定所述字段是否属于所述描述类别。6.根据权利要求4所述的方法，其特征在于，所述根据所述类别分类结果将所述字段下的样本信息转换为所述数值类别下的信息，包括：以年、月、日和时间戳为单位，对属于所述日期类别的所述字段下的样本信息进行离散，得到所述数值类别下的信息；和/或，对属于所述类型类别...

【专利技术属性】
技术研发人员：傅莉莉，朱富荣，林宜领，庄佳和，巫小兰，
申请(专利权)人：建信金融科技有限责任公司，
类型：发明
国别省市：