[发明专利]应收账款保理业务风险模型的建立方法及装置

摘要

本申请提供一种应收账款保理业务风险模型的建立方法及装置，方法包括：获取某商超类公司N年内各供应商的基本信息、交易信息及外部征信信息，各信息包括多个变量；对变量进行数据清理及整合；对处理后所得变量进行探索性分析；根据交易信息确定供应商的风险指数，将风险指数定义为因变量；将剩余变量定义为自变量，分析自变量与风险的相关性，根据相关性对自变量进行初步筛选；根据自变量的多重共线性、在统计学上的意义及信息价值确定关键自变量；根据关键自变量及因变量建立供应商的风险模型，计算风险模型中的未知参数，将计算得到的未知参数值代回风险模型。本申请能够量化评估应收账款保理业务的风险。 1

主权项

1.一种应收账款保理业务风险模型的建立方法，其特征在于，包括：

获取某商超类公司N年内各供应商的基本信息、交易信息及外部征信信息，其中，基本信息、交易信息及外部征信信息包括多个变量；

对供应商的变量进行数据清理及整合处理；

对处理后所得变量进行探索性分析，剔除异常值大于第一预定阈值和缺失值大于第二预定阈值的变量；

根据交易信息确定供应商的风险指数，将风险指数定义为因变量；

将剩余的变量定义为自变量，分析自变量与供应商风险的相关性，根据相关性对自变量进行初步筛选；

对于初步筛选出的自变量，分析自变量之间多重共线性、自变量在统计学上的意义及自变量信息价值，根据自变量的多重共线性、自变量在统计学上的意义及自变量信息价值确定关键自变量；

根据关键自变量及因变量利用逻辑回归建立供应商的风险模型，计算风险模型中的未知参数，将计算得到的未知参数值代回风险模型。

2.如权利要求1所述的方法，其特征在于，对供应商的变量进行数据清理及整合处理包括：

对变量的变量名及数据格式进行转换；

对同一供应商与时间相关的变量做整合处理。

3.如权利要求1所述的方法，其特征在于，分析自变量与供应商风险的相关性，根据相关性对自变量进行初步筛选包括：

利用逐步回归方法结合AIC准则和BIC准则对自变量进行初步筛选；和/或

采用信息熵方法对自变量进行初步筛选；和/或

采用Lasso方法对自变量进行初步筛选。

4.如权利要求1所述的方法，其特征在于，供应商的风险指数确定过程包括：

设定一观察时间点，根据供应商观察点前后的交易信息判断该商超类公司与供应商的交易关系是否稳定，若交易关系稳定，则将供应商的风险指数赋值为0，若交易关系不稳定，则将供应商的风险指数赋值为1。

5.如权利要求1所述的方法，其特征在于，风险模型的计算公式为：

其中，g(x)为风险指数，β₀为截距，β_k为系数，x_k为第k个关键自变量，n为自变量个数。

6.如权利要求5所述的方法，其特征在于，还包括根据风险模型计算风险概率，风险概率的计算公式为：

其中，P(x)为风险概率。

7.一种应收账款保理业务风险模型的建立装置，其特征在于，包括：

获取模块，用于获取某商超类公司N年内各供应商的基本信息、交易信息及外部征信信息，其中，基本信息、交易信息及外部征信信息包括多个变量；

处理模块，用于对供应商的变量进行数据清理及整合处理；

探索性分析模块，用于对处理后所得变量进行探索性分析，剔除异常值大于第一预定阈值和缺失值大于第二预定阈值的变量；

风险指数确定模块，用于根据交易信息确定供应商的风险指数，将风险指数定义为因变量；

第一自变量筛选模块，用于将剩余的变量定义为自变量，分析自变量与供应商风险的相关性，根据相关性对自变量进行初步筛选；

第二自变量筛选模块，用于对于初步筛选出的自变量，分析自变量之间多重共线性、自变量在统计学上的意义及自变量信息价值，根据自变量的多重共线性、自变量在统计学上的意义及自变量信息价值确定关键自变量；

建模模块，用于根据关键自变量及因变量利用逻辑回归建立供应商的风险模型，计算风险模型中的未知参数，将计算得到的未知参数值代回风险模型。

8.如权利要求7所述的装置，其特征在于，所述处理模块对供应商的变量进行数据清理及整合处理包括：

对变量的变量名及数据格式进行转换；

对同一供应商与时间相关的变量做整合处理。

9.如权利要求7所述的装置，其特征在于，所述第一自变量筛选模块分析自变量与供应商风险的相关性，根据相关性对自变量进行初步筛选包括：

利用逐步回归方法结合AIC准则和BIC准则对自变量进行初步筛选；和/或

采用信息熵方法对自变量进行初步筛选；和/或

采用Lasso方法对自变量进行初步筛选。

10.如权利要求7所述的装置，其特征在于，风险指数确定模块具体用于：

设定一观察时间点，根据供应商观察点前后的交易信息判断该商超类公司与供应商的交易关系是否稳定，若交易关系稳定，则将供应商的风险指数赋值为0，若交易关系不稳定，则将供应商的风险指数赋值为1。