一种货款数据的风险评估方法技术

本发明专利技术涉及货款数据风险评估技术领域，具体涉及一种货款数据的风险评估方法

【技术实现步骤摘要】
一种货款数据的风险评估方法


[0001]本专利技术涉及货款数据风险评估
，具体涉及一种货款数据的风险评估方法
。

技术介绍

[0002]随着经济的快速发展，合作共赢的模式在企业之间被广泛使用，不同的企业在进行交易时，货款可能会存在一定的风险，货款风险可能会影响企业的正常运作，交易过程中若对方不能及时还款，很可能会造成现金流动中断，引起利益损失，严重时会导致企业破产，因此在进行交易之前，需要对货款风险进行分析，评估对方的能力，预估对方是否能够及时还款，进而采取相应的措施
。
[0003]现有的风险评估方法是基于用户近期的还款情况以及运营情况对货款风险进行评估，即针对用户个体的实时行为数据配合自身的历史数据进行自动分析和评估，这种方法并未考虑到企业交易数据之间的关联性，未从不同的维度来对货款风险进行整体把控，使得把控的各个方面之间缺乏关联，进而导致货款风险分析评估的整体效果不佳
。

技术实现思路

[0004]为了解决现有方法对个体方面风险自动识别把控不全面，导致货款风险评估的整体效果不佳的问题，本专利技术的目的在于提供一种货款数据的风险评估方法，所采用的技术方案具体如下：本专利技术提供了一种货款数据的风险评估方法，该方法包括以下步骤：获取所有用户历史交易过程中的交易数据以及所有用户的个人信息，所述交易数据包括约定还款时间
、
实际还款时间
、
货款金额，所述个人信息包括注册资金
、
经营时长；基于待评价用户每次货款逾期的逾期时长
、
货款逾期的总次数
、
总交易次数和至今未还款的交易次数，得到待交易数据的第一风险指标；基于待评价用户每次逾期的逾期时长和每次逾期还款时间与当前时间之间的时长，得到待评价用户对应的还款时间变化指标；分别采用
K
‑
means
聚类算法和
DBSCAN
聚类算法对所有用户进行聚类，基于
DBSCAN
聚类结果中待评价用户所在的聚类簇中用户的数量
、
各用户的交易数据与待交易数据的差异程度
、K
‑
means
聚类结果中的类内差异和类间差异，获得
K
‑
means
聚类的优选聚类结果；
K
‑
means
聚类算法是基于各用户的注册资金
、
经营时长以及在历史交易过程中货款的平均金额进行聚类的，
DBSCAN
聚类算法是基于用户在历史交易过程中的交易数据进行聚类的；基于所述优选聚类结果中待评价用户所在的聚类簇中各用户的交易数据的第一风险指标和各用户的交易数据与待交易数据的差异程度，得到待交易数据的第二风险指标；基于待交易数据的第一风险指标
、
第二风险指标和所述还款时间变化指标，确定待评价用户货款的风险等级
。
[0005]优选的，所述基于
DBSCAN
聚类结果中待评价用户所在的聚类簇中用户的数量
、
各
用户的交易数据与待交易数据的差异程度
、K
‑
means
聚类结果中的类内差异和类间差异，获得
K
‑
means
聚类的优选聚类结果，包括：将
K
‑
means
聚类结果中待评价用户所在的聚类簇中的用户记为目标用户，基于
DBSCAN
聚类结果中待评价用户的待交易数据所在的聚类簇中各目标用户的交易数据与待交易数据的差异程度，获得
DBSCAN
聚类结果中待评价用户所在的聚类簇中交易数据的差异指标；基于
K
‑
means
聚类结果中的类内差异
、
类间差异以及所述
DBSCAN
聚类结果中待评价用户所在的聚类簇中交易数据的差异指标，得到聚类效果评价指标；若所述聚类效果评价指标大于聚类效果评价指标阈值，则将当前的
K
‑
means
聚类结果作为优选聚类结果；若所述聚类效果评价指标小于等于聚类效果评价指标阈值，则令
K
值加1，采用
K
‑
means
聚类算法对所有用户进行重新聚类，以此类推，直到聚类效果评价指标大于聚类效果评价指标阈值为止，将
K
‑
means
聚类的最后一次的聚类结果作为
K
‑
means
聚类的优选聚类结果
。
[0006]优选的，基于
K
‑
means
聚类结果中的类内差异
、
类间差异以及所述
DBSCAN
聚类结果中待评价用户所在的聚类簇中交易数据的差异指标，得到聚类效果评价指标，包括：计算
K
‑
means
聚类结果中的类内差异与所述
DBSCAN
聚类结果中待评价用户所在的聚类簇中交易数据的差异指标的乘积，记为第一指标；将所述第一指标与
K
‑
means
聚类结果中的类间差异的比值记为第一比值；以自然常数为底数，以负的所述第一比值为指数的指数函数的值作为聚类效果评价指标
。
[0007]优选的，采用如下公式计算待交易数据的第一风险指标：
[0008]其中，为待交易数据的第一风险指标，为待评价用户的总交易次数，为待评价用户在历史交易过程中货款逾期的总次数，为待评价用户在历史交易过程中第
i
次货款逾期的逾期时长，为货款至今未还款的交易次数，为以自然常数为底数的指数函数，为调整参数
。
[0009]优选的，所述基于待评价用户每次逾期的逾期时长和每次逾期还款时间与当前时间之间的时长，得到待评价用户对应的还款时间变化指标，包括：对于待评价用户在历史交易过程中的任意一次逾期还款：获取该次逾期还款时间与当前时间之间的时长，记为第一时长；以自然常数为底数，以负的所述第一时长为指数的指数函数的值作为该次逾期还款对应的权重；将该次逾期还款的前一次逾期的逾期时长与该次逾期还款的逾期时长的差值记为该次逾期还款对应的第一差值；将待评价用户在历史交易过程中每次逾期还款对应的权重与对应的第一差值的乘积的累加和作为待评价用户对应的还款时间变化指标
。
[0010]优选的，采用如下公式计算待交易数据的第二风险指标：
其中，为待交易数据的第二风险指标，为优选聚类结果中待评价用户所在的聚类簇中用户的数量，为优选聚类结果中待评价用户所在的聚类簇中第
r
个用户的第条交易数据对应的第一风险指标，为优选聚类结果中待评价用户所在的聚类簇中第
r
个用户的交易数据的条数，为优选聚类结果中待评价用户所在的聚类簇中第
r<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种货款数据的风险评估方法，其特征在于，该方法包括以下步骤：获取所有用户历史交易过程中的交易数据以及所有用户的个人信息，所述交易数据包括约定还款时间
、
实际还款时间
、
货款金额，所述个人信息包括注册资金
、
经营时长；基于待评价用户每次货款逾期的逾期时长
、
货款逾期的总次数
、
总交易次数和至今未还款的交易次数，得到待交易数据的第一风险指标；基于待评价用户每次逾期的逾期时长和每次逾期还款时间与当前时间之间的时长，得到待评价用户对应的还款时间变化指标；分别采用
K
‑
means
聚类算法和
DBSCAN
聚类算法对所有用户进行聚类，基于
DBSCAN
聚类结果中待评价用户所在的聚类簇中用户的数量
、
各用户的交易数据与待交易数据的差异程度
、K
‑
means
聚类结果中的类内差异和类间差异，获得
K
‑
means
聚类的优选聚类结果；
K
‑
means
聚类算法是基于各用户的注册资金
、
经营时长以及在历史交易过程中货款的平均金额进行聚类的，
DBSCAN
聚类算法是基于用户在历史交易过程中的交易数据进行聚类的；基于所述优选聚类结果中待评价用户所在的聚类簇中各用户的交易数据的第一风险指标和各用户的交易数据与待交易数据的差异程度，得到待交易数据的第二风险指标；基于待交易数据的第一风险指标
、
第二风险指标和所述还款时间变化指标，确定待评价用户货款的风险等级
。2.
根据权利要求1所述的一种货款数据的风险评估方法，其特征在于，所述基于
DBSCAN
聚类结果中待评价用户所在的聚类簇中用户的数量
、
各用户的交易数据与待交易数据的差异程度
、K
‑
means
聚类结果中的类内差异和类间差异，获得
K
‑
means
聚类的优选聚类结果，包括：将
K
‑
means
聚类结果中待评价用户所在的聚类簇中的用户记为目标用户，基于
DBSCAN
聚类结果中待评价用户的待交易数据所在的聚类簇中各目标用户的交易数据与待交易数据的差异程度，获得
DBSCAN
聚类结果中待评价用户所在的聚类簇中交易数据的差异指标；基于
K
‑
means
聚类结果中的类内差异
、
类间差异以及所述
DBSCAN
聚类结果中待评价用户所在的聚类簇中交易数据的差异指标，得到聚类效果评价指标；若所述聚类效果评价指标大于聚类效果评价指标阈值，则将当前的
K
‑
means
聚类结果作为优选聚类结果；若所述聚类效果评价指标小于等于聚类效果评价指标阈值，则令
K
值加1，采用
K
‑
means
聚类算法对所有用户进行重新聚类，以此类推，直到聚类效果评价指标大于聚类效果评价指标阈值为止，将
K
‑
means
聚类的最后一次的聚类结果作为
K
‑
mea...

【专利技术属性】
技术研发人员：刘文波，臧琨，李博，
申请(专利权)人：南通千鸟纸通宝信息科技有限公司，
类型：发明
国别省市：