Python:关于RollRate&Vintage的研究与应用

Vintage表的写法(sql/python) 尽调的时候经常会用到。 阅读详情

RollRate:在当前催收水平下,不同逾期天数转换为坏账的概率。

Vintage:通过账龄分析评估放款的质量。其中,逾期率的计算有两种方式。
第一种:应收口径下,风险偏好偏保守。分子:已逾期的借款其所有已到期但未还本金和未到期本金,全部计入逾期未还本金中; 分母:贷款本金。具体公式
如下:
𝑜𝑑𝑢𝑒_𝑟𝑎𝑡𝑒=(𝑐𝑢𝑟𝑟𝑒𝑛𝑡_𝑜𝑑𝑢𝑒_𝑎𝑚𝑡+𝑛𝑜_𝑑𝑢𝑒_𝑎𝑚𝑡)𝑙𝑜𝑎𝑛_𝑎𝑚𝑡

第二种:各借款已经到期的借款。分子:已逾期的借款其所有已到期但未还本金。分母:已到期各期本金总和。具体公式如下:
𝑜𝑑𝑢𝑒_𝑟𝑎𝑡𝑒=𝑐𝑢𝑟𝑟𝑒𝑛𝑡_𝑜𝑑𝑢𝑒_𝑎𝑚𝑡𝑑𝑢𝑒_𝑙𝑜𝑎𝑛_𝑎𝑚𝑡

其中:MOB指放款后对应的第N个月月底。

对于Vintage的表现,建议关注以下几个方面:
放款后表现:观察每月审批通过后的客户第N个月的逾期比率,对比每月波动。通常波动与审批策略调整有关,
此波动在数据准备阶段的样本抽样过程需要关注。 逾期分布:
逾期分布集中在通过后的前三个月说明审批的策略有待改进,超过三个月之后才慢慢增加,说明贷中的管理 有待提高。
成熟期:确定逾期率在经历第N期趋于稳定。

标签界定多考虑,看完流转看账龄

mport pandas as pd
import numpy as np
from pandas import DataFrame, Series
import warnings

warnings.filterwarnings(action='ignore')
with open(r'F:\知识与学习\Python\Finance\Vintage\loan_detail.xlsx', 'rb') as f:
    loan = pd.read_excel(f)
loan.shape

(253059, 10)

loan.sample(5)

在这里插入图片描述

loan.columns = loan.columns.str.lower()
for col in ['bill_reg_dt', 'perd_str_dt', 'perd_due_dt']:
    loan[col] = loan[col].map(lambda x: datetime.strptime(str(x), '%Y%m%d'))
# 将结清日期转换为日期格式。将缺失值填充为2099-01-01。
loan['perd_off_dt'] = loan['perd_off_dt'].map(
    lambda x: datetime.strptime(str(int(x)), '%Y%m%d') if x > 0
    else datetime.strptime('20990101', '%Y%m%d'))
loan['MOB'] = loan['perd_num'].map(lambda x: 'MOB' + str(x))
loan.loc[loan['bill_no'] == 'BILL2019040217271500079112', :]

在这里插入图片描述
按照第一种方法(应收口径)计算Vintage

# 计算分子中的逾期应还本金。逾期应还本金包括:逾期应还而未还本金和未到期用户本金。
# 提取所有订单明细。
bill_nos = pd.unique(loan['bill_no'])
date = datetime(year=datetime.today().year, month=datetime.today().month, day=1) - timedelta(days=1)
date = datetime(year=date.year, month=date.month, day=25)
# 对于在当前日期尚未到期的用户同一清除。
loan = loan.loc[(date - loan['perd_due_dt']).map(lambda x: x.days) > 0, :]
loan.head()

在这里插入图片描述

dct = dict()

for bill_no in bill_nos:
    part = loan.loc[loan['bill_no'] == bill_no, :]
    part = part.sort_values(['perd_num'])
    
    # 计算截至每一期期末应还本金的累计金额。
    part['cum_sum_amt'] = part['perd_prcp_amt'].cumsum()

    # 分期计算各期的还款情况。
    perds = pd.unique(part['perd_num'])

    for perd in perds:
        part_perd = part.loc[part['perd_num'] <= perd, :]

        # 计算每一期期末的日期,用于比较是否已经还款和历史最大逾期天数。
        due_date = max(part_perd['perd_due_dt'])
        due_amt = max(part_perd['cum_sum_amt'])
        
        # 计算与MOB期末的时间间隔。
        part_perd['delta_days'] = (due_date - part_perd['perd_due_dt']).map(lambda x: x.days)
        # 只要在MOB期末最后一天及以前显示还款(即还清时间小于MOB期末时间),则对应的期数不再纳入最大逾期天数的计算。
        part_perd['is_payoff'] = (due_date - part_perd['perd_off_dt']).map(lambda x: x.days)

        # 计算累计还款金额。
        payoff_amt_df = part_perd.loc[part_perd['is_payoff'] >= 0, 'perd_prcp_amt']
        # 如果用户未还清过1期,还清金额默认为0。
        if payoff_amt_df.shape[0] == 0:
            payoff_amt = 0
        else:
            payoff_amt = payoff_amt_df.sum()

        # 计算截至MOB期末的历史最大逾期天数。
        max_oduedays_df = part_perd.loc[part_perd['is_payoff'] < 0, 'delta_days']
        # 如果用户在统计时间点全部还清借款,则默认最大逾期天数为0。
        if max_oduedays_df.shape[0] == 0:
            max_oduedays = 0
        else:
            max_oduedays = max(max_oduedays_df)

        # 将最大逾期天数,已还清金额存入对应字典中。
        keys = bill_no + '_' + str(perd)
        values = [perd, due_amt, payoff_amt, max_oduedays]

        dct[keys] = values
final = DataFrame(Series(dct))
final = final.reset_index()
final.columns = ['bill_no_perd', 'values']
for i in range(4):
    final[i] = final['values'].map(lambda x: x[i])
final['bill_no'] = final['bill_no_perd'].map(lambda x: x.split('_')[0])
del final['values'], final['bill_no_perd']
final.columns = ['perd_num', 'due_amt', 'payoff_amt', 'max_oduedays', 'bill_no']
final.loc[final['max_oduedays'] >= 30, :].head()

在这里插入图片描述

alls = pd.merge(loan, final, left_on=['bill_no', 'perd_num'], right_on=['bill_no', 'perd_num'],
                how='left')
# 计算未到期的金额。
alls['no_due_amt'] = alls['bill_prcp_amt'] - alls['due_amt']
# 通过本金-已还清金额计算分子。
alls['bad_amt'] = alls['bill_prcp_amt'] - alls['payoff_amt']
# 计算放款月份。
alls['bill_month'] = alls['bill_reg_dt'].map(lambda x: str(x)[0 :7])
# 计算分子
numerator =  pd.pivot_table(alls.loc[alls['max_oduedays'] >= 30], index=['bill_month'],
                            columns=['MOB'], values=['bad_amt'], aggfunc=np.sum)
numerator = numerator['bad_amt']
denominator = pd.pivot_table(alls.loc[alls['perd_num'] == 1, :], index=['bill_month'],
                             values=['bill_prcp_amt'], aggfunc=np.sum)
denominator = denominator['bill_prcp_amt']
numerator

在这里插入图片描述

denominator

在这里插入图片描述

numerator = pd.merge(numerator, denominator, left_index=True, right_index=True, how='left')
for col in numerator.columns[: -1]:
    numerator[col] = round(numerator[col] / numerator['bill_prcp_amt'], 3)
numerator['MOB1'] = 0.000
numerator

在这里插入图片描述
在这里插入图片描述
绘制vintage图表

from pyecharts.globals import CurrentConfig, NotebookType
CurrentConfig.NOTEBOOK_TYPE = NotebookType.JUPYTER_LAB
from pyecharts.charts import Line
from pyecharts import options as opts
line = (
    Line(init_opts=opts.InitOpts(width='600px', height='400px', theme='dark', bg_color='#111111'))
    .add_xaxis(['MOB1', 'MOB2', 'MOB3', 'MOB4', 'MOB5'])
    .add_yaxis(numerator.index[0], numerator.iloc[0, 1:].tolist())
    .add_yaxis(numerator.index[1], numerator.iloc[1, 1:].tolist())
    .add_yaxis(numerator.index[2], numerator.iloc[2, 1:].tolist())
    .add_yaxis(numerator.index[3], numerator.iloc[3, 1:].tolist())
    .set_global_opts(title_opts=opts.TitleOpts(title='各期Vintage', subtitle='第一种计算方法'))
)
line = (
    Line(init_opts=opts.InitOpts(width='600px', height='400px', theme='white', bg_color='#F2F2F2'))
    .add_xaxis(['MOB1', 'MOB2', 'MOB3', 'MOB4', 'MOB5'])
    .add_yaxis(numerator.index[0], numerator.iloc[0, 1:].tolist())
    .add_yaxis(numerator.index[1], numerator.iloc[1, 1:].tolist())
    .add_yaxis(numerator.index[2], numerator.iloc[2, 1:].tolist())
    .add_yaxis(numerator.index[3], numerator.iloc[3, 1:].tolist())
    .set_global_opts(title_opts=opts.TitleOpts(title='各期Vintage', subtitle='第一种计算方法'))
)
line.render('vintage.html')

分析和计算Roll_Rate的过程20190901

Vintage可以用于分析客户表现的趋势、稳定的时间等,对于客户好坏程度的定义没有涉及, 而通过滚动率分析可以对客户好坏程度进行定义。
滚动率分析就是从某个观察点之前的一段时间(称为观察期)的最坏状态向观察点之后的一段时间(称为表现期)的最坏状态的发展 变化情况。

Y变量即为客户好坏标签变量。Y变量的界定要结合滚动率分析和Vintage分析来定义 滚动率分析用于对客户好坏程度进行定义,解决什么样程度的是好,什么样程度的是坏的问题 Vintage分析用于确定多长的表现期是比较合适的。

import PIL.Image as image

with open(r'F:\知识与学习\Python\Finance\Vintage\roll_rate.png', 'rb') as f:
    im = image.open(f, mode='r')
    im = im.resize(size=(600, 80))
im

在这里插入图片描述

import pandas as pd
import numpy as np
from pandas import DataFrame, Series
with open(r'F:\知识与学习\Python\Finance\Vintage\loan_detail.xlsx', 'rb') as f:
    data = pd.read_excel(f)
data.columns = data.columns.str.lower()
data.head()

在这里插入图片描述

# 将日期转换为日期格式。
for col in ['bill_reg_dt', 'perd_str_dt', 'perd_due_dt', 'perd_off_dt']:
    data[col] = data[col].map(lambda x: datetime.strptime(str(x)[:8], '%Y%m%d'))
# 计算放款的月份。
data['bill_month'] = data['bill_reg_dt'].map(lambda x: str(x)[ :7])
# 将未到期和表现期不充分的记录删除。
date = datetime(year=datetime.now().year, month=datetime.now().month, day=1) - timedelta(days=1)
date = datetime(year=date.year, month=date.month, day=25)
# 对于未过表现期的用户删除。同时只保留3、4月份放款的用户。
bool1 = data['bill_month'].isin(['2019-03', '2019-04'])
bool2 = data['perd_num'] <= 4
data = data.loc[(data['perd_due_dt'] <= date) & bool1 & bool2, :]
bill_nos = pd.unique(data['bill_no'])
# 计算用户在观察期的表现。
under_obs = dict()

for bill_no in bill_nos:
    part = data.loc[(data['bill_no'] == bill_no) & (data['perd_num'] <= 2), :]
    part = part.sort_values(['perd_num'])

    # 计算每一期期末的日期,用于比较是否已经还款和历史最大逾期天数。
    due_date = max(part['perd_due_dt'])

    # 计算与MOB期末的时间间隔。
    part['delta_days'] = (due_date - part['perd_due_dt']).map(lambda x: x.days)
    # 只要在MOB期末最后一天及以前显示还款(即还清时间小于MOB期末时间),则对应的期数不再纳入最大逾期天数的计算。
    part['is_payoff'] = (due_date - part['perd_off_dt']).map(lambda x: x.days)

    # 计算截至MOB期末的历史最大逾期天数。
    max_oduedays_df = part.loc[part['is_payoff'] < 0, 'delta_days']
    # 如果用户在统计时间点全部还清借款,则默认最大逾期天数为0。
    if max_oduedays_df.shape[0] == 0:
        max_oduedays = 0
    else:
        max_oduedays = max(max_oduedays_df)

    under_obs[bill_no] = max_oduedays
# 计算用户在表现期的最大历史逾期天数。
perform_obs = dict()

for bill_no in bill_nos:
    part = data.loc[(data['bill_no'] == bill_no), :]
    part = part.sort_values(['perd_num'])

    # 计算每一期期末的日期,用于比较是否已经还款和历史最大逾期天数。
    due_date = max(part['perd_due_dt'])

    # 计算与MOB期末的时间间隔。
    part['delta_days'] = (due_date - part['perd_due_dt']).map(lambda x: x.days)
    # 只要在MOB期末最后一天及以前显示还款(即还清时间小于MOB期末时间),则对应的期数不再纳入最大逾期天数的计算。
    part['is_payoff'] = (due_date - part['perd_off_dt']).map(lambda x: x.days)

    # 计算截至MOB期末的历史最大逾期天数。
    max_oduedays_df = part.loc[part['is_payoff'] < 0, 'delta_days']
    # 如果用户在统计时间点全部还清借款,则默认最大逾期天数为0。
    if max_oduedays_df.shape[0] == 0:
        max_oduedays = 0
    else:
        max_oduedays = max(max_oduedays_df)

    perform_obs[bill_no] = max_oduedays
under_obs = DataFrame(Series(under_obs))
under_obs.columns = ['under_obs']
perform_obs = DataFrame(Series(perform_obs))
perform_obs.columns = ['perform_obs']
all_obs = pd.merge(under_obs, perform_obs, left_index=True, right_index=True, how='left')
all_obs.loc[all_obs['under_obs'] > 0, 'under_obs_label'] = 'M1+'
all_obs.loc[all_obs['under_obs'] == 0, 'under_obs_label'] = '正常'
all_obs.loc[(all_obs['perform_obs'] > 0) & (all_obs['perform_obs'] <= 31), 'perform_obs_label'] = 'M1+'
all_obs.loc[(all_obs['perform_obs'] > 31), 'perform_obs_label'] = 'M2+'
all_obs.loc[(all_obs['perform_obs'] == 0), :] = '正常'
all_obs = all_obs.reset_index()
final = pd.pivot_table(all_obs, index=['under_obs_label'], columns=['perform_obs_label'], values=['index'],
                       aggfunc=len)
final = final['index']
final['sum'] = final.sum(axis=1)
final

在这里插入图片描述

for col in ['M1+', 'M2+', '正常']:
    final[col] = final[col] / final['sum']
final

在这里插入图片描述
迁移率分析
迁移率和滚动率分析比较像,都是分析客户从某个状态变为其他状态的发展变化情况。
所不同的是:滚动率侧重于分析客户逾期程度的变化,所以在做滚动率分析时,需要设置相对较长时间的观察期和表现期; 而迁移率侧重于分析客户状态的发展变化路径。

import pandas as pd
import numpy as np
from pandas import DataFrame, Series
from datetime import datetime
from datetime import timedelta
with open(r'F:\知识与学习\Python\Finance\Vintage\loan_detail.xlsx', 'rb') as f:
    data = pd.read_excel(f)
data.columns = data.columns.str.lower()
data.sample(5)

在这里插入图片描述

for col in ['bill_reg_dt', 'perd_str_dt', 'perd_due_dt', 'perd_off_dt']:
    data[col] = data[col].map(lambda x: datetime.strptime(str(x), '%Y%m%d'))
# 提取注册月份。
data['bill_month'] = data['bill_reg_dt'].map(lambda x: str(x)[: 7])
# 只选取3月份放款,保证有4期以上的表现期。
data = data.loc[data['bill_month'].isin(['2019-03']), :]
# 选择当前已经到期的用户。
date = datetime(year=datetime.now().year, month=datetime.now().month, day=1) - timedelta(days=1)
date = datetime(year=date.year, month=date.month, day=25)

data = data.loc[data['perd_due_dt'] <= date, :]
data.head(5)

在这里插入图片描述

bill_nos = pd.unique(data['bill_no'])
bill_nos.shape
利用Python处理辅助明细账并计算账龄 在企业财务部门实习过程中,我尝试一边学习Python一边利用它处理一些复杂且容易出错的重复性劳动。其中个人感觉最为复杂、耗时最久的就是计算应收账款的账龄问题。因此在本网站查阅了很多资料后编写了一段代码,可以直接把Excel(.xls)格式的辅助明细账数据计算出每一条余额的产生日期,再输出为一个新的Excel文件,进而计算出账龄。 需要处理的Excel表如图所示(部分截图) 处理文件的代码如下: #引用库 import pandas as pd import xlrd 处... 阅读详情

相关推荐

vintage分析 风控建模系列 01

vintage分析 风控建模系列 01 在工作中发现,目前没有一个很好的系列帖子对风控建模中的各项细节做讲解,本人为一个金融科技公司的风控算法建模师,希望在此将风控建模的知识成体系、有深度、易吸收地分享给大家 vintage分析价值 在一场完整的风控建模中,除了初始的探索性分析,vintage应该是很重要的一步了,这一部分工作直接决定了之后建模的质量。 在信贷业务开展的过程中,由于业务发展迅速,信...

weixin_44239904的博客 7165

python信用评分卡建模(附代码)

作者Toby,持牌照消费金融模型专家,发明金融模型算法专利,和中科院,清华大学,百度,腾讯,爱奇艺,同盾,聚信立等平台保持长期项目合作;与国内多所财经大学有模型项目。熟悉消费金融场景业务,包括现金贷,商品贷,医美,反欺诈等。擅长Python机器学习建模,对变量筛选,衍生变量构造,变量缺失率高,正负样本不平衡,共线性高,多算法比较,调参等有良好解决方法。原创公众号(python风控模型) 课程概述A级优质课,360度讲解python信用评分卡构建流程,解决个人信用评级和企业信用评级模型的难题。课程附python代码直接使用,支持老师答疑。算法采用逻辑回归。弥补了网络上讲解不全,信息参差不齐的短板。个人信用评级模型可自动化审批客户资质,让银行,消费金融,小额贷贷款风险最小化并将利润最大化。企业信用评级模型可自动筛选优质企业和不良企业,为评级机构,企业融资,银行贷款,企业上市,企业并购,企业债发行提供有价值参考。 python金融风控评分卡模型和数据分析系列课  

信贷风控 | Vintage 账龄分析(附70行Python极简实现代码)

信贷风控 | Vintage 账龄分析,含 Python 快捷实现

阅读从未停止,输出从未开始 2204

风控实战:用Python实现vintage报表

大家好,我是东哥。本篇继续分享风控的内容,关于如何用python实现vintage报表及可视化图的实战。账龄分析(vintage)是风控中非常重要的报表之一,通过它可以将不同月份的资产数据拉齐对比贷后表现,也可以用于指导制定风控模型Y标签的成熟表现期。那么账龄分析是如何做的呢?账龄分析需要客户的还款计划表数据,即客户历史的还款记录,包括放款金额、每期到期日期、每期还款日期、每期应该金额、每期实还金额、期数等等。基于这些数据就可以做出vintage报表,以及相应的可视化图。

Python数据科学 2736

Python 实战:轻松搞定 Vintage 指标计算

本文介绍了信贷风控中Vintage分析的核心概念与Python实现方法。Vintage分析通过追踪同批次贷款在不同账龄下的表现,可有效评估资产质量趋势。文章详细讲解了账龄(MOB)计算公式、关键风险指标定义,并提供了完整的Python实现流程,包括数据准备、账龄计算、风险指标统计和可视化分析。通过实际代码示例,展示了如何用pandas进行数据处理和分组计算,以及用matplotlib绘制Vintage曲线图。最后总结了数据清洗要点、计算优化技巧和业务适配建议,为信贷风险管理提供了实用的分析工具和方法论。

XDLYSJ的博客 1653

风控基础——MOB、Vintage是什么?

如果我们计算的是一个30+的vintage,那么在观测时点,处于逾期30天及以上的借款对应的剩余本金将会纳入分子。首先一月在MOB0时刚放款,不可能有资金发生M1+的逾期,所以第1个MOB的M1+逾期金额为0,而一月的总放款只有这一笔1000元,所以MOB0的逾期率为0/1000。我们可以把Vintage的表画成下面的图,很明显,二月的整体逾期率的增长趋势小于一月,三月的逾期率的增长趋势小于二月,四月开始的增长趋势小于三月。一月的总放款额不会变,一直是1000元,所以MOB2的逾期率是1000/1000。

zhanglongfei1016的专栏 1万+

业务相关--vintage

vintage整理 --------仅用于个人学习知识整理和sas/R语言/python代码整理 ####1 . 前言 Vintage表,将不同时间层面的顾客拉平到同一时间周期上进行比较,观察不同入口时间的顾客在不同生命周期上的表现。 vintage一般有三种用法: 1.横看:得到同一时间入口的顾客,在不同生命周期上回来购买的表现 2.竖看:不同时间如克客人质量的差别 3.斜看:可以直观地看出不...

baixinzxl的博客 2223

信贷风控必看!Vintage分析表计算全流程解读

信贷风控必看!Vintage分析表计算全流程解读

fulk6667g78o8的专栏 1817

滚动率分析(Roll Rate Analysis)

我是Toby,最近正在原创????「python风控模型_评分卡」系列话题,欢迎订阅。最后给大家分享100G免费资料领取,包括python入门,数据分析,包括数据分析、统计学、数据挖掘、机器学习等知识。在公众号「python风控模型」里回复关键字:学习资料,就可免费领取。概述滚动率分析(Roll Rate Analysis):是信贷风险管理资产质量分析中重要概念,用以定义账户好坏程度。在本文中,我们将介绍什么是展期利率分析以及它如何在信用风险领域中使用。滚动率分析简介滚动率分析用于解决各种类型的问题。最常见

fulk6667g78o8的专栏 9199

AI漫剧制作全流程零基础实操指南:从剧本到剪辑

AI漫剧是一种利用AI工具将剧本、分镜、出图、配音、剪辑整合为流水线的短视频内容形式。其技术原理基于文生图、图生图与文本转语音模型的组合,核心挑战在于角色一致性控制与分镜批量出图。这项技术大幅降低了视频制作门槛,使个人创作者无需演员和设备即可产出剧情向短内容,广泛应用于短视频平台的情景剧、玄幻、甜宠等题材。本文给出了一套零基础可照做的全流程实操方案,覆盖剧本提示词、分镜表、出图选型、配音合成与剪辑模板,帮助你快速跑通AI漫剧制作链路。

weixin_29048309的博客 541

Agent框架系列:1-低代码智能体平台深度解析Dify、Coze、n8n

Dify、Coze 和 n8n 是三大主流低代码智能体平台,各有侧重。Dify 适合企业级 AI 应用,具备强大的 RAG 和知识库管理能力,技术栈为 Python + React。Coze 由字节推出,主打零代码和快速原型开发,集成 60+ 插件,极适合非技术用户。n8n 以工作流自动化和系统集成为核心,支持 400+ 外部应用,基于 Node.js + Vue,扩展性极强。选择建议:非技术团队选 Coze,AI 应用选 Dify,复杂自动化与集成选 n8n。可根据实际需求混合使用,最大化平台优势。

3092

金融风控数据分析主要关注指标:vintage、roll rate 和 迁移率

Vintage分析通过将不同时期放款的资产按照账龄进行分组,并跟踪其在每个账龄阶段的表现,为评估资产质量和风控策略效果提供了有力的工具。vintage在报表体系中,Vintage报表通常会呈现不同放款月份的资产在各个账龄阶段的详细指标,如逾期金额、逾期率、不良金额、不良率等。通过图表的形式,直观展示资产质量的变化趋势。2024 年 2 月 | 1 | 80,000 | 1.6% | 40,000 | 0.8%

rubyw的博客 3359

YOLO详解

本文参考知乎 https://zhuanlan.zhihu.com/p/25236464 1. YOLO的创新点 YOLO将物体检测作为回归问题求解。基于一个单独的end-to-end网络,完成从原始图像的输入到物体位置和类别的输出。 从网络设计上,YOLO与two steps的目标检测方法如RCNN、Fast RCNN和Faster RCNN的区别如下: YOLO训练和检测均是在一个单独网...

UnknownPlayer的博客 9961

Vintage账龄分析表计算底层逻辑(Python实操)

大家好,我是东哥。信贷风控领域中,经常用到账龄Vintage报表,这是入门初学者的难点之一,因为它涉及到用户还款、逾期等多种行为以及业务上的多种统计口径,因此很多朋友一直无法将逻辑梳理清楚。本次来给大家详细介绍Vintage报表的底层计算逻辑是什么样的。出品人:东哥起飞原创:👉原创大数据风控课程《

Python数据科学 3722

骑砍Ⅱ霸主MOD开发(5)-2D界面

本文介绍了2D界面开发的技术框架,主要包括以下内容: 2D界面架构:由多个GauntletLayer(菜单/对话框/定制页面)和SceneLayer(3D页面)组成,支持屏幕切换和管理。 GauntletLayer实现:采用Movie(HTML页面)+ViewModel(动态数据)模式,支持优先级管理、焦点控制和事件响应。 2D控件系统:包括颜色字体、坐标布局、背景图(Sprite/Texture)等配置方式,支持自定义控件开发。 定制化页面开发:详细说明了游戏菜单和对话框的实现方法,包括状态管理、事件回调

骑砍战团&霸主MOD开发 1184

ENS160传感器原理图设计,已量产(空气质量传感器)

ENS160 是一款集成式数字空气质量传感器,核心优势源于 “MEMS 传感元件 + 内置微处理器” 的架构。

不脱发的程序猿 575

评分建模之账龄分析

信贷vintage分析:不同时期的授信资产进行风险跟踪,相同账龄的申请同步对比。

zhaochongzeng的博客 2669

30分钟用 Restful ABAP Programming(RAP)模型开发一个支持增删改查的 Fiori 应用

2016年时,Jerry曾经写过一系列关于SAP Fiori Smart Template(现在更名为Fiori Elements了)的博客,介绍了所谓的MDD开发方法论 - Metadata Driven Development,即通过开发维护了对应annotation(注解)的CDS view,结合SAP WebIDE,能够花费最少的编程代价,就能够在短时间内获得一个支持增删改查的Fiori应......

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 5955

vintage账龄报表代码

select date(payment_date), sum(case when period = 1 and overdue_long>8 then month_capital else null end )/sum(month_capital) mob1; --账龄1期 sum(case when (period = 1 and overdue_long>15) or (period=2 and overdue_long>8) then month_capital else null

aggressive2019 1485

RH850系列芯片深度剖析 1.5-链接(ld)文件解析

基础编译过程分为四个阶段:预处理(Preprocessing)、编译(Compilation)、汇编(Assembly)、链接(Linking)。执行这四个阶段的程序(预处理器、编译器、汇编器、和链接器)一起构成了编译系统。CONSTANTS接下来的内存空间定义部分会使用这些常量来定义内存空间的范围,理论上来说不定义常量也没有影响,直接用魔鬼数字代替,定义常量的主要目的就是方便理解以及方便修改;从示例中可以看出,常量的值可以为16进制或者10十进制,而且10进制支持数量级单位(k级,M级);

本博客专注于嵌入式软件领域技术分享。 1430

【即插即用模块】注意力篇 | ECCV 2024 | DPB:高低频动态分离+双提示融合,PSNR直冲40+!

本文提出了一种基于频率提示的图像恢复方法FPro,通过动态滤波器分离输入特征的高低频分量,并采用双提示块(DPB)进行频域专属提示生成与调制。DPB包含低频提示调制器(LPM)和高频提示调制器(HPM),分别处理不同频段信号,通过生成提示组件并融合解码器特征来优化恢复效果。实验表明,该方法在U型结构中表现优异,尤其适用于分割、底层视觉和多模态任务。模块通过动态无监督频率分离、频域专属提示生成和适配性融合机制,有效解决了传统方法对频域信息关注不足的问题,显著提升了图像恢复质量。

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 149

Python 实操:信贷风险中的滚动率计算全指南

本文介绍了信贷风险管理中的核心指标——滚动率(RollRate)的计算与应用。通过Python实战演示了从数据准备到可视化分析的全流程:1) 定义逾期状态等级;2) 构建相邻月份状态迁移表;3) 计算滚动率矩阵;4) 用热力图直观展示迁移趋势。文中特别强调数据质量把控、多期滚动率计算等技巧,并指出该指标对坏账预测、风险评级优化的重要价值。通过自动化计算可高效追踪逾期状态演变规律,为风控决策提供数据支撑。

XDLYSJ的博客 1488

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

Vintage与Roll Rate分析实战:Python+Pandas 透视贷后资产质量

本文详细介绍了如何使用Python和Pandas进行Vintage与Roll Rate分析,以透视贷后资产质量。通过数据准备、清洗、Vintage分析和Roll Rate分析的实战代码示例,帮助风控从业者掌握关键指标的计算与解读,优化产品定价和催收策略,提升资产质量管理效率。

weixin_29053577的博客 289

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

腾讯QQ大数据:用户增长分析——用户流失预警

1,前言:针对用户增长分析这个课题,本文主要从用户防流失的角度,阐述如何基于QQ社交网络数据构建用户流失预警模型,找出高潜流失用户,用于定向开展运营激活,从而有效控制用户流失风险,提升大盘用户的留存率和活跃度。本文所涉及到的分析框架和方法论等具有较强的通用性,可供有需要的同学了解参考。 2,分析背景 “根据美国贝恩公司的调查,在商业社会中5%的客户留存率增长意味着公司利润30%的增长,而把产品...

Bingo 9631

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

用python计算工程量_使用python计算vintage

#-*- coding: utf-8 -*-"""Created on Mon Jan 14 18:57:19 2019@author: hinnc"""importnumpy as npimportpandas as pd#from pandas.tseries.offsets import DateOffsetfrom datetime importtimedelta, datetimedef...

weixin_39866087的博客 1024
上一篇: 灰色预测GM模型
下一篇: python实现ppt内容输出为word形式
rubyw
博客等级 码龄7年 1528粉丝 234原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

rubyw

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值