CN101238483A - 用于计算贷款质量得分的方法和装置 - Google Patents

用于计算贷款质量得分的方法和装置 Download PDF

Info

Publication number
CN101238483A
CN101238483A CNA2006800103641A CN200680010364A CN101238483A CN 101238483 A CN101238483 A CN 101238483A CN A2006800103641 A CNA2006800103641 A CN A2006800103641A CN 200680010364 A CN200680010364 A CN 200680010364A CN 101238483 A CN101238483 A CN 101238483A
Authority
CN
China
Prior art keywords
loan
subject property
quality score
value
binary
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CNA2006800103641A
Other languages
English (en)
Inventor
本杰明·格拉伯斯克
弗农·马丁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
First American CoreLogic Inc
Original Assignee
First American CoreLogic Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by First American CoreLogic Inc filed Critical First American CoreLogic Inc
Publication of CN101238483A publication Critical patent/CN101238483A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof

Abstract

一种使用关于对象资产和所请求贷款的用户输入数据来计算贷款质量得分的方法。贷款质量得分在确定贷方提出的资产贷款请求中存在欺诈的可能性时非常有用。

Description

用于计算贷款质量得分的方法和装置
技术领域
本发明涉及贷款评估，更具体地涉及为资产抵押贷款计算贷款质量得分的方法和装置。贷款质量得分可被贷方用于确定是否发放或购买以特定资产作抵押的贷款。
背景技术
在贷款行业需要客观的标准来确定由于担保的欺诈行为产生的贷款无力偿还的可能性。在快速增长或动荡的资产市场中精确地确定这种可能性会更加困难。很多情况下，支持对于特定资产的贷款申请的评估要么是不精确的，要么是夸大的或者是试图公然进行贷款欺诈。因此，对于以用于房屋购买贷款或者房屋抵押贷款的特定资产作抵押的贷方，需要有发生贷款欺诈的可能性的有价值的指示。需要一种方法，通过这种方法，贷方可评估特定贷款请求的精确性和有效性，并且对每个目标资产，可提供评估所依据的信息的便捷访问。
因此本发明的一个目的是提供一种手段，由此可以对所给出的资产的贷款质量和资产估价进行有效性和精确性的检测。本发明的另一个目的是使用许多变量来提供尽可能精确的贷款质量得分，供贷方在以房产或其它资产作抵押的贷款中使用。
发明内容
一种使用被发现与资产过高估价或贷款欺诈的可能性相关的许多衡量标准来计算贷款质量得分的方法和装置。本发明从自动估价模型、公众可获得的记录或其它资源收集相关数据，基于这些数据执行计算，并且随后提供综合的贷款质量得分。在优选实施例中，还提供用于建立贷款质量得分的数据的细节。
附图说明
图1是用于实施本发明的示例数据结构的描述；
图2是创建贷款质量得分所涉及的步骤的流程图；
图3a是描述在生成示例贷款质量得分中使用的变量值和计算的表；
图3b是描述使用来自图3a的Logit的贷款质量得分的计算的表；
图4a是描述在生成优选实施例的另一个示例贷款质量得分中所使用的变量的值和计算的表；
图4b是描述使用来自图4a的Logit的贷款质量得分计算的表。
具体实施方式
本发明提供一种用于为以房产或其它资产作抵押的贷款计算贷款质量得分的方法和装置。因为贷款行业具有这样的特点，其中必须根据对贷款抵押的对象资产的有限知识来快速批准或拒绝大量的贷款申请，因此需要一种方法，通过这种方法可评估贷款担保物的充分性和有效性。本发明通过基于许多标准计算贷款质量得分来应对这种需求。如果对象资产缺少特定信息，可以通过不同的方式来计算贷款质量得分。在优选实施例中，还提供质量得分所基于的数据。
首先参见图1，描述了用于实施本发明的示例数据结构。该数据结构通常使用标准的个人计算机或服务器上的软件来实施。它也可以在其它类型的计算机上实施，包括大型计算机、服务器群、手提电脑或膝上电脑。在优选实施例中使用典型的个人计算机服务器。然而在可替换的实施例中，在此描述的数据结构或者用于完成本发明方法的类似数据结构可通过将软件固化到计算机中来应用，使得计算机仅执行在此描述的方法的单一功能。
计算处理器12负责执行与将用于计算贷款质量得分的算法应用到数据中相关联的计算。临时存储器36用于存储在公式中使用的变量和在使用或输出之前的其它临时数据。报告生成器14用于将数据格式化为以下描述的报告。输出连接器16用于将贷款质量评分数据结构连接到外部的输出方式。其可包括到因特网32的连接，该连接通常使用传统手段比如到动态生成的网页的输出。还可以有可替换的输出34比如报告和贷款质量得分到传真机或其它输出设备的输出。
输入连接器18从键盘、鼠标、因特网或任何数量的其它输入设备接收输入24。数据库连接器20将贷款质量评分数据结构输出到各种数据库26。自动估价模型连接器22将贷款质量评分数据结构输出到任何数量的自动估价模型(通常被称为AVM)，比如在框28中的自动估价模型X和框30中的Y。它们被用于收集对目标资产的价值估计，以生成贷款质量得分。
接着参考图2，流程图描述了在优选实施例中创建贷款质量得分的步骤。在优选实施例中，该过程从框38所描述的用户输入步骤开始。在优选实施例中所请求的一些建议的用户输入数据是目标资产的地址、所请求的贷款数额、所估计的资产价值、所请求的留置权类型以及卖家的名称。优选实施例中的每个输入如下所述。作为直接的现场评估或购买合同的结果，所估计的资产价值将会是用户已知的。可替换地，用户可输入被确信为接近于目标资产价值的值。该数据将被用于收集附加数据并且计算和提供贷款质量得分。
在优选实施例中，在贷款质量评分过程中的下一个步骤是使用特定的自动估价模型来估计价值。该步骤在图2的框40中示出。如果在上述框38描述的步骤中用户输入数据包括自动估价模型估价，那么在本步骤中使用的自动估价模型应当不同于先前使用的那个自动估价模型。这提供了额外的安全检查以确保精确的贷款质量得分。典型的ACM使用资产的地址应用复杂的数学和统计数据来提供资产的估价。通常，还会考虑资产的规模和类型，以及该地点和可以从邻近的最近可比较的销售中获得的附加数据。该值被附加到用户输入所提供的数据集中。在可替换的实施例中，如果没有用户估计价值，那么可以不用它而实施本发明或者使用可替换的输入。在这种可替换的实施例中，贷款质量得分可使用与上述类似但是不同的公式来计算。
接着在一个实施例中，贷款得分计算方法针对用户输入的卖方名称搜索已知与贷款欺诈相关的某些关键字。这也被称为“字符串搜索”。该步骤在图2的框42中描述。如果资产的卖方具有已知与贷款欺诈相关的某些特性，则由用户输入卖方名字并且设置双态变量(通常也称为“哑”变量)。该双态变量用1表示真而用0表示假。落入这个类别中的卖方被标记为有风险。该双态变量的使用将在以下描述。随后如果存在有关于卖方的数据，那么该数据被添加到用户输入中并被存储。在可替换的实施例中，该步骤可被改变或全部去除。然而，该数据已被显示，它提供关于特定贷款的欺诈可能性的有价值的信息。
在优选实施例中，下一个步骤是应用在框44中描述的贷款质量得分算法。该算法使用多个变量，如下所示：
  1   RS   卖方是否被认为是有风险的
  2   TS   在预定时期内对象资产被出售的次数，比如最近两年
  3   RF   贷款是用于购买还是再贷款(refinance)
  4   AO   购买者是否打算在购买后在对象资产中居住
  5   AVM   对象资产的AVM估价
  6   EX   用户提交的值是否超过AVM估价
7   EX50   用户提交的值是否超过AVM估价一个预定的值或百分比，比如50％
8   NARM   交易看起来是否不是亲友间的，比如交易看起来是否不是在家庭成员或同姓的人之间的
  9   AG   目标资产以年为单位的年龄
  10   LA   所请求的贷款数目
  11   US   对象资产的用户提交估价
  12   SF   对象资产以平方英尺为单位的对象资产大小
在该实施例中的算法还考虑用户提交估价US相对于AVM的估值AVM的比率。使用这些变量来应用算法。该算法如下：
Logit＝0.534*RS
       +0.637*TS
       -0.984*RF
       +0.979*AO
       -0.00000808*AVM
       +1.278*EX
       +1.301*EX50
       +0.907*NARM
       +0.029*AG
       +0.0000136*LA
       +109139/AVM
       +0.653*(US/AVM)^2.25
       -0.000596*SF
       -3.738
其中：
Logit是比值比的自然对数，即p/(1-p)，其中p是贷款为欺诈性的概率。
RS是有风险的卖方的双态哑变量。如果卖方是有风险的，那么该双态变量被设置为1。如果卖方是无风险的，那么双态变量被设置为0。
TS是资产在过去三年内被出售的次数。
RF是用于再贷款的双态哑变量。如果贷款是再贷款，那么该双态变量被设置为1，否则被设置为0。
AO是用于缺席业主的双态哑变量。如果购买者在购买之后并不想在该对象资产(房产)中居住，那么该双态变量就被设置为1，否则被设置为0。
AVM是自动估价模型的估计值。
EX是当用户提交估价超过了自动估价模型估价时的双态哑变量。如果用户提交估价超过了自动估价，那么该双态变量被设置为1，否则被设置为0。
EX50是当用户提交估价超过自动估价模型估价的50％或更多时的双态哑变量。如果用户提交估价超过自动估价50％或更多，那么该值被设置为1，否则被设置为0。
NARM是用于非亲友间转让的哑双态变量。如果出售看起来不是亲友间的，也就是说，不是在家庭成员或同姓人之间的，那么该双态变量就被设置为1，否则被设置为0。
AG是目标资产的年龄。
LA是贷款数量。
AV是评估值。
US是用户提交估价。
SF是目标资产的以平方英尺计的面积。
这些变量的每一个都直接从用户输入获得或者通过检查长期以来收集的包括已知欺诈贷款请求的数据库中的数据来获得。而且，在基于用户输入数据或数据库数据计算了一些变量的相关性之后还将它们包括进来。使用了所设计的考虑所选择的每个变量的技术来得到完整的公式，并且发现了与它们相关的系数提供它们在预测潜在的贷款欺诈方面的实用性的最精确的表示。
在本实施例和优选实施例中使用的公式使用欺诈和非欺诈贷款数据的样本集来获得。统计分析被用于获得以上公式并且其被发现是最佳模式。然而，还存在并可使用可替换的公式。在本发明的可替换的实施例中，以上列出的一个或多个所要求的变量可能不可得到或者用户可能没有输入它们。在这些情况下，使用一个不同的公式，该公式是使用不带有不可获得的变量的统计分析来获得的。在另一个可替换的实施例中，将包括附加的变量或更少的变量。需要附加的统计分析来获得用于预测欺诈性的贷款申请的每组数据的公式。
一旦算出了Logit，就通过将如上所算出的Logit与预定常数相乘并随后从另一个常数中减去该结果来计算贷款质量得分，如框46所描述。在本实施例中，这两个常数通过将使用本发明产生的得分与已知是欺诈的贷款所产生的得分进行比较来确定并且获得正确的常数。在本实施例中，以下公式被用于计算贷款质量得分：
贷款质量得分＝500-(33*Logit)
现在参考图3a，使用这些公式描述示例性的交互。在这个理论销售中，个人比尔·白埃尔请求贷款。被叫做塞丽·瑟勒尔的个人是房屋出售者。出售价格是61,000美元，所售房子有七十七年房龄，共2,072平方英尺。该房屋的AVM值是56,000美元，而所请求的贷款为48,800美元。这是一个购买，并且购买者不想在购买之后住在该房屋里。并不知晓购买者是有风险的类型。在本发明的本实施例中，有风险的出售者是当在其名字上执行字符串搜索时，其名字包括词汇“信托(trust)”、“有限责任公司(llc)”、“投资(investment)”、“出租(rent)”或“销售(marketing)”。在购买者名字中的这些单词已经与贷款交易中的欺诈案例高度相关。那些伴有以下单词“房屋(home)”、“建筑(construction)”、“别墅(villas)”、“住宅(houses)”、“房产(estates)”、“村庄(village)”或“社区(communities)”的名字不被认为是有风险的销售者。这表示作为有限责任公司的建筑公司很少是欺诈案的作案者并且经常出售很多房屋。在最近两年内该房屋被购买两次。如图3a所示，以下被输入到算法中：
RS，有风险的销售者的双态变量，是0，如框52所示购买者和销售者都不是有风险的。
TS，如框54所示在过去的三年内资产被出售的次数，是2。
RF，用于再贷款的双态变量，是0，如框56所示其不是再贷款。
AO，用于缺席业主的双态变量，是1，如框58所示贷方不想占用该资产。
AVM，如框60所示自动估价模型的估计值是56,000美元。
EX，当用户提交估价超过自动估价模型的估价时的双态变量，是1，如框62所示用户提交估价超过自动估价模型值。
EX50，当用户提交估价超过自动估价模型估价的50％以上时的双态变量，是0，如框64所示评估值不超过自动估价模型估价的50％以上。
NARM，用于非亲友间转让的双态变量，是0，如框66所示购买者和出售者之间的交易看起来是亲友之间的。
AG，如框66所示目标资产的年龄是77年。
LA，如框70所示贷款数量是48,800美元。
US，如框72所示用户提交估价是61,000。
SF，如框74所示目标资产的面积是2072平方英尺。
这样公式就是：
Logit＝0.534*0(出售者是个人)
       +0.637*2(资产在最近2年中被出售过2次)
       -0.984*0(贷款是用于购买，不是用于再贷款)
       +0.979*1(贷方不想要占用该资产)
       -0.00000808*56000(自动估价模型估价)
       +1.278*1(评估值超过自动估价模型估价)
       +1.301*0(估价值超过自动估价模型估价仅9％，而不是大于50％)
       +0.907*0(转让看起来是亲友之间的)
       +0.029*77(资产的年龄)
       +0.0000136*48800(所请求的贷款金额)
       +109139/56000(被自动估价模型的估价相除的常数)
       +0.653*(1.09)＾2.25(评估值与自动估价模型的估价之间的比率的2.25次方)
       -0.000596*2072(该资产的平方英尺面积)
       -3.738
则有，
Logit＝0.000(框76中)
      +1.274(框78中)
      -0.000(框80中)
      +0.979(框82中)
      -0.452(框84中)
      +1.278(框86中)
      +0.000(框88中)
      +0.000(框90中)
      +2.233(框92中)
      +0.664(框94中)
      +1.949(框96中)
      +0.792(框96中)
      -1.235(框98中)
      -3.738(框100中)
这些每一项的总和是：
Logit＝3.744(框102中)
现在参考图3b，贷款质量得分接着使用以上第二公式计算，这样贷款质量得分＝500-(33*Logit)(框104中)
          ＝500-(33*3.774)
          ＝376(框1 06中)
贷款质量得分的结果是376。
在另一个实施例中，在图2的框44所示的步骤中应用了不同的算法。该算法还使用多个变量。在本实施例中的这些变量之一使用基于对象资产所位于的预定地理区域中的家庭收入百分比的数据。在本实施例中，地理区域是人口普查地域。通过使用人口普查地域，据以判断对象资产的住宅群是限于窄范围的并且因此也是很精确的。在可替换的实施例中可使用更大或更小的预定地理区域。
在本实施例中使用的变量如下：
  1   PL   在人口普查地域中的收入少于特定数额的家庭百分比
  2   TS   在最近两年内内对象资产被出售的次数
  3   RF   贷款是用于购买还是再贷款
  4   AVM   对象资产的AVM估价
  5   EX   用于用户提交的值超过自动估价时的双态变量
  6   AG   目标资产以年为单位的年龄
  7   LA   所请求的贷款金额
8   AVR   由所请求的贷款金额所给出的所建议的评估相对于在该段时期内在相同邮编区域内房屋价格中间价的平均评估的比率
在本实施例中的算法还考虑用户提交评估相对于在相同时期内预定地理区域中的中间值评估的比率。在本实施例中，预定地理区域是人口普查地域。已知该比率为评估差异比率或AVR。在给出当前可用的数据时，本实施例中使用的以下算法已经被发现是最佳模式，本实施例中的算法如下：
Logit＝0.077*PL
       +1.022*TS
       -1.174*RF
       -0.00001452*AVM
       +1.901*EX
       +0.012*AG
       +0.00002222*LA
       +0.459*AVR
       -5.007
其中：
Logit是比值比的自然对数，即p/(1-p)，其中p是贷款是欺诈性的概率。
PL是家庭收入低于特定数目的百分比。在该实施例中，该数目是每年25,000美元。
TS是资产在过去三年内被出售的次数。
RF是用于再贷款的双态哑变量。如果贷款是再贷款，那么该双态变量被设置为1，否则被设置为0。
AVM是自动估价模型的估计值。
EX是当用户提交估价超过自动估价模型估价时的双态哑变量。如果用户提交估价超过了自动估价，那么该双态变量被设置为1，否则被设置为0。
AG是目标资产的年龄。
LA是贷款金额。
AVR是用户给出的评估价值相对于预定地理区域中房屋价格中间的评估价值的比率。在本实施例中使用了人口普查地域，然而可替换的实施例可使用其它预定地理区域。理论上，该比率应当是一比一。所建议的对象资产的评估价值与房屋价格中间价的评估价值偏离越大，就越有可能发生欺诈。通过使用人口普查地域，据以判断对象资产的房屋限于窄范围并且因此非常精确。该变量已被显示具有与欺诈的高相关性，因为用户建议的资产评估价值是进行贷款欺诈的主要方式的一种。当根据在对象资产周围的窄范围的资产的中间值评估来考虑时，该变量提供了该评估的精确度量。
一旦如上计算了Logit，就通过如上所计算的，将Logit与预定常数相乘并随后从另一个常数中减去该结果来计算贷款质量得分，如框46所描述。在该实施例中，这两个常数通过将使用本发明产生的得分与用于已知是欺诈的贷款以及统计分析产生的得分进行比较来确定并且获得正确的常数。在该优选实施例中，以下公式被用于计算贷款质量得分：
贷款质量得分＝500-(31*Logit)
现在参考图4a，使用这些公式，描述了示例的交互。在该理论销售中，个人比尔·白埃尔请求贷款。被叫做塞丽·瑟勒尔的个人是房屋出售者。房屋有七十七年房龄，该房屋的AVM值是56,000美元并且请求的贷款额是48,800美元。这是一个购买并且购买者不想在购买之后住在该房屋里。评估差异比率是1.2。在最近两年内该房屋被购买两次。如图4a所示，以下被输入到算法中：
PL，低于某个金额的家庭收入的百分比，在优选实施例中，如框108中所示，25,000美元是20％。
TS，如框110所示在过去的两年内资产被出售的次数是2。
RF，用于再贷款的双态变量是0，如框112所示其不是再贷款。
AVM，如框114所示自动估价模型估计值是56,000美元。
EX，当用户提交估价超过自动估价模型估价时的双态变量是1，如框116所示用户提交估价超过自动估价模型值。
AG，如框118所示目标资产的年龄是77年。
LA，如框120所示贷款数量是48,800美元。
AVR，如框122所示评估差异比率是1.2。
Logit＝
       0.077*0.20(年家庭收入低于25,000美元的百分比)
       +1.022*2(资产在最近两年中被出售的次数)
       -1.174*0(贷款是用于购买)
       -0.00001452*56000(资产的自动估价)
       +1.901*1(资产的建议值超过自动估价)
       +0.012*77(资产已有77年的年龄)
       +0.00002222*48000(请求的贷款金额)
       -5.007
则有，
Logit＝0.0154(框124中)
      +2.004(框126中)
      -0.000(框128中)
      -0.81312(框130中)
+1.901(框132中)
+0.924(框134中)
+1.06656(框136中)
+0.5508(框138中)
+5.007(框140中)
这些的总和是：
Logit＝0.68164(框142中)
现在参考图4b，随后贷款质量得分使用以上第二公式计算，使得贷款质量得分＝500-(31*Logit)(框144中)
          ＝500-(31*0.68164)
          ＝478.86916(框146中)
贷款质量得分的结果是大约479。
在优选实施例中的随后步骤是如框48所示将该得分提供给用户。可以计算可替换的得分，特别是如果用户遗漏了任一个公式所需要的数据部分。如果遗漏了一些数据，可基于该遗漏的数据部分使用可替换的公式。这些可替换的实施例不是最理想的，但是如果需要也可使用。使用以上公式之一或可替换的公式来计算1和1000之间的得分。使用以上公式得到比0更低或比1000更高的值也是可能的，所以建立了边界值使得如果得分低于或高于这些上限和下限时，它们被自动设置在边界值上。该得分被提供给用户。在该数值范围内的较低得分是可疑的贷款。较低得分可以是从0到500的得分。边缘得分可以是从500到550的得分。在该范围内贷款是有问题的，但并非是令人不满意的。最后，在550以上的得分是令人满意的得分。得到特定得分不是对欺诈的预测，而是基于提供不动产贷款欺诈的增加可能性的指示的统计数据的方式。因此，使用以上得到的结果，贷款质量得分是376，如在第一实施例中所述落在令人不满意的范围。得分如在第二实施例中所述，476的贷款质量得分也落在令人不满意的范围。因此，欺诈的可能性对于这两个贷款申请都是很高的。
在本发明的实施中的最终步骤中提供以下：(1)含有得分的报告，(2)用户输入的每个变量和它们的值，(3)潜在欺诈的其它指示以及(4)邻近的销售数据。这些如框50所示以报告格式提供。在优选实施例中，用户输入通过因特网接收并且该报告通过因特网提供。在一些可替换实施例中，可不完成该步骤，可以只提供得分。可替换地，仅提供报告的部分或用于获得报告的数据的部分。
因此，描述了一种用于计算贷款质量得分的方法和装置。应当理解的是以上描述是根据其特定实施例描述的并且仅用于说明目的。如上所述，本发明的整个精神和范围仅由权利要求来限定。

Claims (25)

1.一种为对象资产计算贷款质量得分的基于计算机的方法，包括以下步骤：
使用过去的贷款数据来开发至少一种算法用于预测贷款欺诈；
获得对象资产数据；以及
将所述至少一种算法应用到所述对象资产数据从而计算贷款质量得分。
2.一种程序化的数字计算机系统，用于执行权利要求1所述方法中规定的各步骤。
3.一种包含被设计为完成权利要求1所述方法的程序的计算机可读介质。
4.如权利要求1所述的方法，其中所述过去的贷款数据包括来自已知欺诈交易的至少一个数据。
5.如权利要求1所述的方法，其中所述对象资产数据包括关于基于关键词的字符串搜索判断该出售者是否是有风险的出售者的判定。
6.如权利要求1所述的方法，其中所述对象资产数据包括在预定时期内所述对象资产被出售的次数。
7.如权利要求1所述的方法，其中所述对象资产数据包括用来判定贷款目的是用于购买还是用于再贷款的数据。
8.如权利要求1所述的方法，其中所述对象资产数据包括用于确定贷方是否想要占用所述对象资产的数据。
9.如权利要求1所述的方法，其中所述对象资产数据包括用于确定该出售是亲友间转让的数据。
10.如权利要求1所述的方法，其中所述对象资产数据包括所请求的贷款额。
11.如权利要求1所述的方法，其中所述对象资产数据包括所述对象资产的年龄。
12.如权利要求1所述的方法，其中所述对象资产数据包括所述对象资产的规模。
13.如权利要求1所述的方法，其中所述对象资产数据包括所述对象资产的至少一个自动估价模型估价。
14.如权利要求1所述的方法，其中所述对象资产数据包括评估差异比率。
15.如权利要求1所述的方法，其中所述对象资产数据包括所述对象资产的至少一个用户提交估价。
16.如权利要求1所述的方法，其中所述算法是：
贷款质量得分＝500-(33*Logit)
其中Logit＝0.534*RS
         +0.637*TS
         -0.984*RF
         +0.979*AO
         -0.00000808*AVM
         +1.278*EX
         +1.301*EX50
+0.907*NARM
+0.029*AG
+0.0000136*LA
+US/AVM
+0.653*(AV/AEST)^2.25
-0.000596*SF
-3.738
其中：
Logit是比值比的自然对数，即p/(1-p)，其中p是贷款是欺诈性的概率；
RS是有风险的卖方双态变量；
TS是资产在过去三年内被出售的次数。
RF是用于再贷款的双态变量；
AO是用于缺席业主的双态变量；
AVM是自动估价模型的估计值；
EX是当用户提交估价超过自动估价模型估价时的双态变量；
EX50是当用户提交估价超过自动估价模型估价的50％或更多时的双态变量；
NARM是用于非亲友间转让的双态变量；
AG是目标资产的年龄；
LA是贷款额；
AV是评估值；
US是用户提交估价；
SF是目标资产的以平方英尺计的面积。
17.如权利要求1所述的方法，其中所述算法是：
贷款质量得分＝500-(31*Logit)
其中：
Logit＝0.077*PL
       +1.022*TS
-1.174*RF
-0.00001452*AVM
+1.901*EX
+0.012*AG
+0.00002222*LA
+0.459*AVR
-5.007
其中：
Logit是比值比的自然对数，即p/(1-p)，其中p是贷款为欺诈性的概率。
PL是家庭收入低于特定数额的家庭百分比；
TS是资产在过去三年内被出售的次数；
RF是用于再贷款的双态哑变量，如果贷款是再贷款，那么该双态变量被设置为1，否则被设置为0；
AVM是自动估价模型的估计值；
EX是当用户提交估价超过自动估价模型估价时的双态哑变量；
AG是目标资产的年龄；
LA是贷款额；以及
AVR是用户给出的评估相对于预定地理区域中房屋价格中间价的评估的比率。
18.一种由计算机执行的用于为对象资产确定贷款质量得分的方法，包括以下步骤：
使用过去的贷款数据来开发至少一种算法用于预测贷款欺诈；
获得对象资产数据；以及
获得所述对象资产的自动估价模型估价；
基于所述数据和所述自动估价模型估价来计算附加变量；以及
将所述算法应用到所述对象资产数据、所述附加变量和所述自动估价模型估价从而计算贷款质量得分。
19.一种用于为对象资产计算贷款质量得分的基于计算机的装置，包括：
用于接收对象资产数据的输入装置；
连接到所述输入装置的计算装置，用于计算贷款质量得分并且执行算法用于提供所述贷款质量得分；以及
连接到所述计算装置用于提供结果的输出装置。
20.如权利要求19所述的装置，还包括：
连接到所述输入装置用于请求和接收自动估价模型估价的自动估价模型连接装置。
21.如权利要求19所述的装置，还包括：
连接到所述计算装置用于存储所述资产数据和所述贷款质量得分的临时数据存储装置。
22.如权利要求19所述的装置，还包括：
连接到所述计算装置用于基于所述资产数据和所述贷款质量得分创建报告的报告生成装置。
23.如权利要求19所述的装置，还包括：
连接到所述输入装置用于从至少一个数据库请求和接收数据的数据库连接装置。
24.如权利要求19所述的装置，其中所述计算装置使用算法：
贷款质量得分＝500-(33Logit)
其中Logit＝0.534*RS
     +0.637*TS
     -0.984*RF
     +0.979*AO
     -0.00000808*AVM
+1.278*EX
+1.301*EX50
+0.907*NARM
+0.029*AG
+0.0000136*LA
+US/AVM
+0.653*(AV/AEST)^2.25
-0.000596*SF
-3.738
其中：
Logit是比值比的自然对数，即p/(1-p)，其中p是贷款为欺诈性的概率；
RS是有风险的卖方双态变量；
TS是资产在过去三年内被出售的次数。
RF是用于再贷款的双态变量；
AO是用于缺席业主的双态变量；
AVM是自动估价模型的估计值；
EX是当用户提交估价超过自动估价模型估价时的双态变量；
EX50是当用户提交估价超过国自动估价模型估价的50％或更多时的双态变量；
NARM是用于非亲友间转让的双态变量；
AG是目标资产的年龄；
LA是贷款额；
AV是评估值；
US是用户提交估价；
SF是目标资产的以平方英尺计的面积。
25.如权利要求19所述的装置，其中所述计算装置使用算法：
贷款质量得分＝500-(31*Logit)
其中
Logit＝0.077*PL
       +1.022*TS
       -1.174*RF
       -0.00001452*AVM
       +1.901*EX
       +0.012*AG
       +0.00002222*LA
       +0.459*AVR
       -5.007
Logit是比值比的自然对数，即p/(1-p)，其中p是贷款是欺诈性的概率。
PL是家庭收入低于特定数额的百分比；
TS是资产在过去三年内被出售的次数；
RF是用于再贷款的双态哑变量，如果贷款是再贷款，那么该双态变量被设置为1，否则被设置为0；
AVM是自动估价模型的估计值；
EX是当用户提交估价超过自动估价模型估价时的双态哑变量；
AG是目标资产的年龄；
LA是贷款额；
AVR是用户给出的评估相对于预定地理区域中房屋价格中间价的评估的比率。
CNA2006800103641A 2005-03-29 2006-03-08 用于计算贷款质量得分的方法和装置 Pending CN101238483A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US11/093,119 US20060224499A1 (en) 2005-03-29 2005-03-29 Method and apparatus for computing a loan quality score
US11/093,119 2005-03-29

Publications (1)

Publication Number Publication Date
CN101238483A true CN101238483A (zh) 2008-08-06

Family

ID=37053874

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA2006800103641A Pending CN101238483A (zh) 2005-03-29 2006-03-08 用于计算贷款质量得分的方法和装置

Country Status (6)

Country Link
US (1) US20060224499A1 (zh)
JP (1) JP2008535089A (zh)
CN (1) CN101238483A (zh)
AU (1) AU2006229758A1 (zh)
CA (1) CA2599666A1 (zh)
WO (1) WO2006104680A2 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106548400A (zh) * 2016-10-21 2017-03-29 郑友龙 互联网贷款的智能匹配与撮合交易平台及其方法
CN108399566A (zh) * 2018-01-31 2018-08-14 深圳市买买提信息科技有限公司 一种数据处理方法及终端

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7958048B2 (en) 2006-06-30 2011-06-07 Corelogic Information Solutions, Inc. Method and apparatus for predicting outcomes of a home equity line of credit
US9031881B2 (en) * 2006-06-30 2015-05-12 Corelogic Solutions, Llc Method and apparatus for validating an appraisal report and providing an appraisal score
US7546271B1 (en) * 2007-12-20 2009-06-09 Choicepoint Asset Company Mortgage fraud detection systems and methods
US10380652B1 (en) 2008-10-18 2019-08-13 Clearcapital.Com, Inc. Method and system for providing a home data index model
US8515863B1 (en) 2010-09-01 2013-08-20 Federal Home Loan Mortgage Corporation Systems and methods for measuring data quality over time
US10353761B2 (en) 2011-04-29 2019-07-16 Black Knight Ip Holding Company, Llc Asynchronous sensors
US20140180932A1 (en) * 2012-12-20 2014-06-26 Mark Leigh Stockton Process for determining reasonableness of value conclusion
US20150154664A1 (en) * 2013-12-03 2015-06-04 Fannie Mae Automated reconciliation analysis model
KR102004751B1 (ko) * 2016-09-20 2019-07-29 주식회사 공감랩 부동산 추정 가격에 대한 신뢰성 등급 부여 시스템 및 방법
US11681966B2 (en) 2021-02-24 2023-06-20 Fannie Mae Systems and methods for enhanced risk identification based on textual analysis
US11094135B1 (en) 2021-03-05 2021-08-17 Flyreel, Inc. Automated measurement of interior spaces through guided modeling of dimensions

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6078903A (en) * 1998-02-12 2000-06-20 Kmv Development Lp Apparatus and method for modeling the risk of loans in a financial portfolio
US7076452B2 (en) * 2000-10-23 2006-07-11 Costar Group, Inc. System and method for collection, distribution, and use of information in connection with commercial real estate
CA2332255A1 (en) * 2001-01-24 2002-07-24 James A. Cole Automated mortgage fraud detection system and method
US7865427B2 (en) * 2001-05-30 2011-01-04 Cybersource Corporation Method and apparatus for evaluating fraud risk in an electronic commerce transaction
US8458082B2 (en) * 2001-11-13 2013-06-04 Interthinx, Inc. Automated loan risk assessment system and method
US7079993B2 (en) * 2003-04-29 2006-07-18 Daniel H. Wagner Associates, Inc. Automated generator of optimal models for the statistical analysis of data
US20060059073A1 (en) * 2004-09-15 2006-03-16 Walzak Rebecca B System and method for analyzing financial risk

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106548400A (zh) * 2016-10-21 2017-03-29 郑友龙 互联网贷款的智能匹配与撮合交易平台及其方法
CN108399566A (zh) * 2018-01-31 2018-08-14 深圳市买买提信息科技有限公司 一种数据处理方法及终端

Also Published As

Publication number Publication date
CA2599666A1 (en) 2006-10-05
AU2006229758A1 (en) 2006-10-05
WO2006104680A2 (en) 2006-10-05
JP2008535089A (ja) 2008-08-28
US20060224499A1 (en) 2006-10-05
WO2006104680A3 (en) 2007-12-06

Similar Documents

Publication Publication Date Title
CN101238483A (zh) 用于计算贷款质量得分的方法和装置
US11769181B2 (en) Automatically determining a current value for a home
Valarezo et al. Drivers and barriers to cross-border e-commerce: Evidence from Spanish individual behavior
US10319054B2 (en) Automated entity valuation system
US20150012335A1 (en) Automated rental amount modeling and prediction
US10380652B1 (en) Method and system for providing a home data index model
US8832115B2 (en) Ranking real estate based on its value and other factors
KR101167653B1 (ko) 웹지리정보시스템을 활용한 부동산 개발사업의 사업대상지 선정 시스템 및 그의 제어방법
US20090006185A1 (en) System, method, and apparatus for property appraisals
TW530236B (en) Cross correlation tool for automated portfolio descriptive statistics
US20080201247A1 (en) Method, system and computer-readable media for evaluation or selection of real estate appraisers
Wassmer The recent pervasive external effects of residential home foreclosure
Rogers Declining foreclosure neighborhood effects over time
Kargah-Ostadi et al. Developing performance prediction models for pavement management systems in local governments in absence of age data
Kasprowicz et al. The randomized method of estimating the net present value of construction projects efficiency
JP2009151579A (ja) 不動産物件取引支援システム、不動産物件取引処理サーバ、不動産物件取引支援方法、及び不動産物件取引支援コンピュータ・プログラム
d’Amato A brief outline of AVM models and standards evolutions
Mohamad et al. Capabilities of revealed preference method for heritage property valuation
Said et al. Sustainability of Residential Investment in Klang Valley, Malaysia
TWI773414B (zh) 利用機器學習的不動產估價系統及方法
JP7112772B2 (ja) 売却価格予測装置
Pace et al. Automated valuation models
Wentzel A dynamic property valuation decision support system
WO2023053112A1 (en) System and method for prediction of residential real-estate values
Apostolidis et al. A Proposal for a Residential Housing Price Index in Cyprus Through Analysis of Transaction-Based Data and Comparison With Existing Indices

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Open date: 20080806