CN107862599B - 银行风险数据处理方法、装置、计算机设备和存储介质 - Google Patents
银行风险数据处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN107862599B CN107862599B CN201710958011.4A CN201710958011A CN107862599B CN 107862599 B CN107862599 B CN 107862599B CN 201710958011 A CN201710958011 A CN 201710958011A CN 107862599 B CN107862599 B CN 107862599B
- Authority
- CN
- China
- Prior art keywords
- risk
- audit
- value
- data
- bank
- 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.)
- Active
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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种银行风险数据处理方法、装置、计算机设备和存储介质，所述方法包括：分别获取各银行分支机构标识对应的风险评估数据；对每个银行分支机构标识对应的风险评估数据进行统计，得到各银行分支机构标识对应的审计评分和审计评分影响因子的影响因子值；根据所述审计评分和所述影响因子值，训练得到审计评分模型；从所述审计评分模型提取所述审计评分影响因子的影响系数；根据所述影响系数、所述审计评分和所述影响因子值，确定各银行分支机构标识对应的风险评估等级。通过训练审计评分模型确定审计评分影响因子的影响系数，提高了确定的影响系数的准确性，进一步提高了银行风险评估的准确性。
Description
技术领域
本发明涉及数据处理技术领域，特别是涉及银行风险数据处理方法、装置、计算机设备和存储介质。
背景技术
随着互联网技术的发展，越来越多的数据都通过互联网来传输或存储。随着互联网中数据量的增长，出现了繁多的基于数据的各种业务，这些业务涉及到的行业范围比较广泛。
然而，在银行业务发展过程，难免会存在一些业务风险。而这些业务风险是需要人工对银行的一些与风险相关的业务数据进行分析才能够确定的，进一步根据这些风险对银行的风险等级进行评估。随着银行业务的增长，与风险相关的业务数据量也呈井喷式增长，通过人工对业务数据进行分析处理，严重降低了银行风险的评估效率。
发明内容
基于此，有必要针对银行风险的评估效率低下的问题，提供一种银行风险数据处理方法、装置、计算机设备和存储介质。
一种银行风险数据处理方法，所述方法包括：
分别获取各银行分支机构标识对应的风险评估数据；
对每个银行分支机构标识对应的风险评估数据进行统计，得到各银行分支机构标识对应的审计评分和审计评分影响因子的影响因子值；
根据所述审计评分和所述影响因子值，训练得到审计评分模型；
从所述审计评分模型提取所述审计评分影响因子的影响系数；
根据所述影响系数、所述审计评分和所述影响因子值，确定各银行分支机构标识对应的风险评估等级。
一种银行风险数据处理装置，所述装置包括：
数据获取模块，用于分别获取各银行分支机构标识对应的风险评估数据；
数据统计模块，用于对每个银行分支机构标识对应的风险评估数据进行统计，得到各银行分支机构标识对应的审计评分和审计评分影响因子的影响因子值；
模型训练模块，用于根据所述审计评分和所述影响因子值，训练得到审计评分模型；
系数提取模块，用于从所述审计评分模型提取所述审计评分影响因子的影响系数；
风险评估模块，用于根据所述影响系数、所述审计评分和所述影响因子值，确定各银行分支机构标识对应的风险评估等级。
一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明任一实施例中提供的银行风险数据处理方法的步骤。
一个或多个存储有计算机可执行指令的存储介质，所述计算机可执行指令被一个或多个处理器执行时，使得所述一个或多个处理器执行本发明任一实施例中提供的银行风险数据处理方法的步骤。
上述银行风险数据处理方法、装置、计算机设备和存储介质，在分别获取了各银行分支机构标识对应的风险评估数据后，对风险评估数据进行分析统计得到审计评分和审计评分影响因子对应的影响因子值，通过建立审计评分模型确定审计评分影响因子的影响系数，根据影响系数、审计评分、影响因子值确定各银行分支机构标识分别对应的风险评估等级。在银行的风险评估过程中，减少了人工的干预，提高了银行的风险评估效率。同时，通过训练审计评分模型确定审计评分影响因子的影响系数，提高了确定的影响系数的准确性，进一步提高了银行风险评估的准确性。
附图说明
图1为一个实施例中银行风险数据处理方法的应用环境图；
图2为一个实施例中银行风险数据处理方法的流程示意图；
图3为一个实施例中生成风险评估数据的步骤的流程示意图；
图4为一个实施例中生成剩余风险总值的步骤的流程示意图；
图5为一个实施例中银行风险数据处理装置的结构框图；
图6为另一个实施例中银行风险数据处理装置的结构框图；
图7为再一个实施例中银行风险数据处理装置的结构框图；
图8为一个实施例中银行风险数据处理系统中的服务器的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1为一个实施例中银行风险数据处理方法的应用环境图。参照图1，该银行风险数据处理方法应用于银行风险数据处理系统。银行风险数据处理系统包括终端110和服务器120，其中终端110通过网络与服务器120连接。终端110可以是固定终端或移动终端，固定终端具体可以是打印机、扫描仪和监控器中的至少一种，移动终端具体可以是平板电脑、智能手机、个人数据助理和数码相机中的至少一种。该方法即可应用于服务器，也可应用于终端。
如图2所示，在一个实施例中，提供一种银行风险数据处理方法。本实施例以该方法应用于图1中的服务器120来举例说明，该方法具体包括以下内容：
S202，分别获取各银行分支机构标识对应的风险评估数据。
其中，银行分支机构标识用于唯一标识银行分支机构，银行分支机构可以包括银行支行和银行分行。风险评估数据为用于对各银行分支机构的风险程序进行评估的相关数据，包括审计数据和员工规模数据；审计数据具体包括各周期对应的审计数据，审计数据中包括审计人员对银行分支机构的业务数据审计到的风险问题所赋予的审计问题风险值；员工规模数据包括每个周期银行分支机构中员工数量。风险评估数据中包括预设时间段内各周期对应的风险评估数据，例如最近24各月中每个月对应的风险评估数据。
具体地，服务器120的数据库中存储着各个银行分支机构标识对应的风险评估数据，各银行分支机构标识与银行标识对应存储。用户可以通过终端110向服务器120发送风险评估指令。服务器120接收到终端110发送的风险评估指令时，对风险评估指令进行解析，通过解析提取银行标识，查询与银行标识对应的各银行分支机构标识，并在数据库中查询与各银行分支机构标识分别对应的风险评估数据。
S204，对每个银行分支机构标识对应的风险评估数据进行统计，得到各银行分支机构标识对应的审计评分和审计评分影响因子的影响因子值。
具体地，服务器120在获取到各银行分支机构标识分别对应的风险评估数据后，风险评估数据中包括审计数据，审计数据中包括各周期对应的审计问题风险值。对于每个银行分支机构标识对应的风险评估数据，服务器120对审计数据中的审计问题风险值进行累加计算，得到审计问题累加值，以审计问题累加值作为审计评分。风险评估数据中还包括员工规模的数据和审计资源的数据，以员工规模和审计资源作为审计评分影响因子，其中审计资源为每天可调配进行审计的审计人员数量。员工规模的数据包括每个周期对应的员工数量，服务器120将每个周期对应的员工数量相加得到员工数量总和，再用员工数量总和除以周期数得到员工平均数；审计资源的数据中包括每个周期对应的审计资源值，服务器120对每个周期对应的审计资源值进行累加得到审计资源累加值。服务器120根据各银行分支机构标识对应的员工平均数和审计资源累加值，得到审计评分影响因子的影响因子值。
在一个实施例中，服务器120以员工平均数作为员工规模对应的影响因子值，以审计资源累加值作为审计资源对应的影响因子值。
S206，根据审计评分和影响因子值，训练得到审计评分模型。
其中，审计评分模型为用于对银行分支机构进行审计评分的数据模型，可根据银行分支机构的影响因子值输出银行分支机构的审计评分。
具体地，服务器120在得到各银行分支机构标识分别对应的审计评分和审计评分影响因子的影响因子值后，服务器120以每个银行分支机构标识对应的审计评分影响因子值作为审计评分模型的输入，并以相应的审计评分作为审计评分模型的输出来训练审计评分模型。
S208，从审计评分模型提取审计评分影响因子的影响系数。
具体地，服务器120通过训练得到审计评分模型后，通过训练审计评分模型包括审计评分影响因子的影响系数，影响系数用于表示审计评分影响因子对审计评分的影响程度。服务器120从训练得到的审计评分模型中提取各涉及评分影响因子对应的影响系数。
S210，根据影响系数、审计评分和影响因子值，确定各银行分支机构标识分别对应的风险评估等级。
具体地，服务器120在提取到各审计评分影响因子的影响系数后，遍历各银行分支机构标识对应的审计评分和审计评分影响因子的影响因子值，根据遍历到的审计评分、各审计评分影响因子的影响因子值和影响系数进行计算，得到该银行分支机构标识对应的风险等级。
本实施例中，在分别获取了各银行分支机构标识对应的风险评估数据后，对风险评估数据进行分析统计得到审计评分和审计评分影响因子对应的影响因子值，通过建立审计评分模型确定审计评分影响因子的影响系数，根据影响系数、审计评分、影响因子值确定各银行分支机构标识分别对应的风险评估等级。在银行的风险评估过程中，减少了人工的干预，提高了银行的风险评估效率。同时，通过训练审计评分模型确定审计评分影响因子的影响系数，提高了确定的影响系数的准确性，进一步提高了银行风险评估的准确性。
如图3所示，在一个实施例中，S202之前具体包括生成风险评估数据的步骤，该步骤具体包括以下内容：
S302，按照预设时间段内每个周期，分别获取各银行分支机构标识对应的风险基础数据。
其中，风险基础数据包括各银行分支机构标识对应的员工规模数量、审计资源周期值和审计风险问题和审计风险问题对应的审计风险赋值。
具体地，终端110向服务器120发送风险评估指令，风险评估指令中包括数据获取条件，数据获取条件中包括银行标识和预设时间段。服务器120在数据库中查询与银行标识对应的银行分支机构标识，针对查询到的每一个银行分支机构标识，查询该银行分支机构标识对应的在预设时间段内各周期的风险基础数据。
S304，对于每个银行分支机构标识对应的风险基础数据，检测风险基础数据对应的周期是否完整。
具体地，服务器120按照风险基础数据对应的周期，对每个银行分支机构标识对应的风险基础数据进行分类。在对风险基础数据分类后，统计预设时间段内的周期数量和分类后风险基础数据的周期数量，通过比较预设时间段内的周期数量和分类后风险基础数据的周期数量，以检测风险基础数据对应的周期是否完整。若预设时间段内的周期数量与分类后风险基础数据的周期数量不相等，则检测到风险基础数据对应的周期不完整；若预设时间段内的周期数量与分类后风险基础数据的周期数量相等，则检测到风险基础数据对应的周期完整。
举例说明，以月为周期，服务器120检测一个银行分支机构标识对应的风险基础数据为13个月的风险基础数据，预设时间段内的月数为24个月，检测到该银行分支机构标识对应的风险基础数据多对应的周期不完整，即风险基础数据不完整。
S306，当检测周期不完整时，统计风险基础数据所对应实际周期数量和预设时间段内的周期总数量。
具体地，服务器120在检测到风险基础数据对应的周期不完整时，统计风险基础数据中所对应的周期的数量得到实际周期数量，并统计预设时间段内的周期总数量。
S308，根据实际周期数量和周期总数量对风险基础数据进行放大计算，得到放大后的风险基础数据。
具体地，服务器120利用周期总数量除以实际周期数量得到放大系数，利用放大系数乘以风险基础数据中的审计风险问题对应的审计风险赋值和员工规模数量，得到放大后的风险基础数据。
在一个实施例中，服务器120风险基础数据中的审计资源周期值进行累加得到审计资源值，对各审计风险问题对应的审计风险赋值进行累加得到审计分数，根据各周期对应的员工规模数量计算员工规模平均值。服务器120利用放大系数分别乘以审计资源值、审计分数和员工规模平均值，得到该银行分支机构标识对应的放大后的风险基础数据，将放大后的风险基础数据与该银行分支机构标识对应存储，以更新该银行分支机构标识对应的风险基础数据。
S310，对放大后的风险基础数据计算得到相应的风险评估数据并存储。
具体地，服务器120在获取到各银行分支机构标识对应的风险基础数据，计算风险基础数据中各银行分支机构标识分别对应的风险基础数据，计算相应的算术平均值，将各银行分支机构标识分别对应的风险基础数据除以相应的算术平均值，得到各银行分支机构标识分别对应的风险评估数据。服务器120将计算得到的风险评估数据分别与各银行分支机构标识对应存储在数据库中。
在一个实施例中，服务器120检测到周期完整时，对风险基础数据计算得到相应的风险评估数据并存储。具体地，服务器120将风险评估数据对应于银行分支机构标识存储在数据库中。
本实施例中，通过检测每个银行分支机构标识对应的风险基础数据所对应的周期是否完整，来检测该银行分支机构标识对应的风险基础数据是否完整，在检测到不完整的风险基础数据时，通过统计的周期数量对风险基础数据进行放大处理，得到相应的风险评估数据并存储，从而可以确保风险评估数据的完整性和准确性。
在一个实施例中，审计评分影响因子包括员工规模和审计资源；影响因子值包括相对员工规模值和相对审计资源值；S202具体包括以下内容：从风险评估数据中获取各银行分支机构标识分别对应的审计评分、员工规模平均值和审计资源累加值；对员工规模平均值和审计资源累加值进行计算，得到各银行分支标识分别对应的相对员工规模值和相对审计资源值。
具体地，服务器120从风险评估数据读取各银行分支机构标识分别对应的审计评分、员工规模平均值和审计资源累加值，根据各银行分支机构标识分别对应的员工规模平均值计算员工规模算术平均值，将每个银行分支机构标识对应的员工规模平均值除以员工规模算术平均值，得到各银行分支机构标识对应的相对员工规模值。服务器120根据各银行分支机构标识分别对应的审计资源累加值计算审计资源算术平均值，将每个银行分支机构标识对应的审计资源累加值除以审计资源算术平均值，得到各银行分支机构标识分别对应的相对审计资源值。
在一个实施例中，S210具体包括以下内容：对影响系数、审计评分、相对员工规模值和相对审计资源值进行计算，得到各银行分支机构标识对应的风险热度值；根据得到的风险热度值确定各银行分支机构标识对应的风险等级。
具体地，服务器120从影响系数中提取审计资源影响系数和员工规模影响系数。对于每个银行分支机构标识对应的审计评分、相对员工规模值和相对审计资源值，服务器120将审计资源影响系数除以相对审计资源值得到审计资源商，并将员工规模影响系数除以相对员工规模值得到员工规模商，计算审计资源商和员工规模商的和，将计算得到的和乘以审计评分得到银行分支机构标识对应的风险热度值。其中，风险热度值用于表示银行分支机构的风险严重程度。服务器120将银行分支机构标识对应的风险热度值与各风险等级对应的风险热度值范围进行比较，通过比较确定风险热度值所属风险等级，以确定的风险等级作为该银行分支机构标识对应的风险等级。
本实施例中，对员工规模平均值和审计资源累加值进行计算，得到各银行分支标识分别对应的相对员工规模值和相对审计资源值，通过对相对员工规模值和相对审计资源值进行计算得到风险热度值，保证了所计算数据的准确性，进一步提高了风险热度值的准确性，从而提高评估银行分支机构的风险等级的准确性。
如图4所示，在一个实施例中，银行风险数据处理方法还包括生成剩余风险总值的步骤，该步骤具体包括以下内容：
S402，根据风险评估数据，统计各银行分支机构标识分别对应的风险审计问题的风险评估值和风险内控比例。
其中，风险评估数据包括风险审计问题、风险审计问题对应的风险评估值和风险内控比例。风险评估值为审计人员对在审计过程中发现的风险审计问题的进行评估赋予的值，用于表示风险审计问题的风险严重程度。风险内控比例为风险审计问题对应的多个风险内控任务的完成比例。
具体地，服务器120按照银行分支机构标识，从风险评估数据中查询风险审计问题的风险评估值和风险内控比例。
S404，根据风险审计问题的风险评估值和风险内控比例，确定风险审计问题的剩余风险值。
其中，剩余风险值为表示风险审计问题对应的尚未解决的风险部分的数值，剩余风险值越高，表示风险审计问题中尚未解决的风险内控任务较多，剩余风险值越低，表示风险审计问题中尚未解决的风险内控任务较少。
具体地，服务器120利用风险评估值乘以风险内控比例得到风险内控值，利用风险评估值减去风险内控值得到风险审计问题的剩余风险值。
S406，根据风险审计问题的剩余风险值计算得到各银行分支机构标识分别对应的剩余风险总值。
具体地，服务器120对于每个银行分支机构标识的剩余风险总值R通过以下计算公式计算得到：
其中，银行分支机构标识对应有n个风险审计问题，在n个风险审计问题中有n0个未发现内控缺陷的风险审计问题，即n0个未发现内控缺陷的风险审计问题的风险内控比例为0，且计算得到的该n0个未发现内控缺陷的风险审计问题的剩余风险值分别为
在n个风险审计问题中有n-n0个发现内控缺陷的风险审计问题，即这n-n0个风险审计问题的风险内控比例为非0，且计算得到这n-n0个风险审计问题的剩余风险值分别为
p为n0个未发现内控缺陷的风险审计问题对应的权重系数，p＝20％，则(1-p)为n-n0个发现内控缺陷的风险审计问题的权重系数。服务器120利用上述公式计算得到各银行分支机构标识分别对应的剩余风险总值。
本实施例中，通过对风险评估数据中的各银行分支机构标识分别对应的风险审计问题的风险评估值和风险内控比例，计算各银行分支机构标识对应的剩余风险总值，以便通过剩余风险总值了解各银行分支机构的风险控制情况，提高了银行分支机构的风险控制效率。
如图5所示，在一个实施例中，提供一种银行风险数据处理装置500，该装置具体包括以下内容：数据获取模块502、数据统计模块504、模型训练模块506、系数提取模块508和风险评估模块510。
数据获取模块502，用于分别获取各银行分支机构标识对应的风险评估数据。
数据统计模块504，用于对每个银行分支机构标识对应的风险评估数据进行统计，得到各银行分支机构标识对应的审计评分和审计评分影响因子的影响因子值。
模型训练模块506，用于根据审计评分和影响因子值，训练得到审计评分模型。
系数提取模块508，用于从审计评分模型提取审计评分影响因子的影响系数。
风险评估模块510，用于根据影响系数、审计评分和影响因子值，确定各银行分支机构标识分别对应的风险评估等级。
本实施例中，在分别获取了各银行分支机构标识对应的风险评估数据后，对风险评估数据进行分析统计得到审计评分和审计评分影响因子对应的影响因子值，通过建立审计评分模型确定审计评分影响因子的影响系数，根据影响系数、审计评分、影响因子值确定各银行分支机构标识分别对应的风险评估等级。在银行的风险评估过程中，减少了人工的干预，提高了银行的风险评估效率。同时，通过训练审计评分模型确定审计评分影响因子的影响系数，提高了确定的影响系数的准确性，进一步提高了银行风险评估的准确性。
如图6所示，在一个实施例中，银行风险数据处理装置500具体包括：基础数据获取模块512、数据完整检测模块514、周期数量统计模块516、基础数据放大模块518和基础数据计算模块520。
基础数据获取模块512，用于按照预设时间段内每个周期，分别获取各银行分支机构标识对应的风险基础数据。
数据完整检测模块514，用于对于每个银行分支机构标识对应的风险基础数据，检测风险基础数据对应的周期是否完整。
周期数量统计模块516，用于当检测周期不完整时，统计已有周期数量和缺失周期数量。
基础数据放大模块518，用于根据已有周期数量和缺失周期数量对风险基础数据进行放大计算，得到放大后的风险基础数据。
基础数据计算模块520，用于对放大后的风险基础数据计算得到相应的风险评估数据并存储。
本实施例中，通过检测每个银行分支机构标识对应的风险基础数据所对应的周期是否完整，来检测该银行分支机构标识对应的风险基础数据是否完整，在检测到不完整的风险基础数据时，通过统计的周期数量对风险基础数据进行放大处理，得到相应的风险评估数据并存储，从而可以确保风险评估数据的完整性和准确性。
在一个实施例中，审计评分影响因子包括员工规模和审计资源；影响因子值包括相对员工规模值和相对审计资源值；数据统计模块504还用于从风险评估数据中获取各银行分支机构标识分别对应的审计评分、员工规模平均值和审计资源累加值；对员工规模平均值和审计资源累加值进行计算，得到各银行分支标识分别对应的相对员工规模值和相对审计资源值。
在一个实施例中，风险评估模块510用于对影响系数、审计评分、相对员工规模值和相对审计资源值进行计算，得到各银行分支机构标识对应的风险热度值；根据得到的风险热度值确定各银行分支机构标识对应的风险等级。
本实施例中，对员工规模平均值和审计资源累加值进行计算，得到各银行分支标识分别对应的相对员工规模值和相对审计资源值，通过对相对员工规模值和相对审计资源值进行计算得到风险热度值，保证了所计算数据的准确性，进一步提高了风险热度值的准确性，从而提高评估银行分支机构的风险等级的准确性。
如图7所示，在一个实施例中，银行风险数据处理装置500具体还包括：评估数据统计模块522、剩余风险确定模块524和剩余风险计算模块526。
评估数据统计模块522，用于根据风险评估数据，统计各银行分支机构标识分别对应的风险审计问题的风险评估值和风险内控比例。
剩余风险确定模块524，用于根据风险审计问题的风险评估值和风险内控比例，确定风险审计问题的剩余风险值。
剩余风险计算模块526，用于根据风险审计问题的剩余风险值计算得到各银行分支机构标识分别对应的剩余风险总值。
本实施例中，通过对风险评估数据中的各银行分支机构标识分别对应的风险审计问题的风险评估值和风险内控比例，计算各银行分支机构标识对应的剩余风险总值，以便通过剩余风险总值了解各银行分支机构的风险控制情况，提高了银行分支机构的风险控制效率。
图8为一个实施例中图1银行风险数据处理系统中的服务器120的内部结构示意图。如图8所示，该服务器120包括通过系统总线连接的处理器、存储器和网络接口。服务器120的处理器用于提供计算和控制能力，支撑整个服务器120的运行，存储器用于存储数据、代码指令等，网络接口用于与终端110进行网络通信。存储器上存储有至少一个计算机程序，该计算机程序可被处理器执行，以实现本申请实施例中提供的适用于服务器120的银行风险数据处理方法。存储器可包括磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质等。例如，在一个实施例中，存储器包括非易失性存储介质及内存储器；非易失性存储介质存储有操作系统、数据库和计算机程序，数据库存储着银行风险数据，银行风险数据包括风险评估数据和风险基础数据，该计算机程序可被处理器执行以实现上述的银行风险数据处理方法；内存储器为非易失性存储介质中的操作系统及计算机程序提供高速缓存的运行环境。
本发明实施例提出了一种计算机设备，该计算机设备包括一系列存储于存储器上的计算机程序，当该计算机程序被处理器执行时，可以实现本发明各实施例提出的保单配送任务分配方法。在一些实施例中，基于该计算机程序各部分所实现的特定的操作。
在一个实施例中，计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：分别获取各银行分支机构标识对应的风险评估数据；对每个银行分支机构标识对应的风险评估数据进行统计，得到各银行分支机构标识对应的审计评分和审计评分影响因子的影响因子值；根据审计评分和影响因子值，训练得到审计评分模型；从审计评分模型提取审计评分影响因子的影响系数；根据影响系数、审计评分和影响因子值，确定各银行分支机构标识分别对应的风险评估等级。
在一个实施例中，分别获取各银行分支机构标识对应的风险评估数据之前，所述处理器执行所述计算机程序时实现以下步骤：按照预设时间段内每个周期，分别获取各银行分支机构标识对应的风险基础数据；对于每个银行分支机构标识对应的风险基础数据，检测风险基础数据对应的周期是否完整；当检测周期不完整时，统计风险基础数据所对应实际周期数量和预设时间段内的周期总数量；根据实际周期数量和周期总数量对风险基础数据进行放大计算，得到放大后的风险基础数据；对放大后的风险基础数据计算得到相应的风险评估数据并存储。
在一个实施例中，审计评分影响因子包括员工规模和审计资源；影响因子值包括相对员工规模值和相对审计资源值；对每个银行分支机构标识对应的风险评估数据进行统计，得到各银行分支机构标识对应的审计评分和审计评分影响因子的影响因子值，包括：从风险评估数据中获取各银行分支机构标识分别对应的审计评分、员工规模平均值和审计资源累加值；对员工规模平均值和审计资源累加值进行计算，得到各银行分支标识分别对应的相对员工规模值和相对审计资源值。
在一个实施例中，审计评分和影响因子值，确定各银行分支机构标识分别对应的风险评估等级，包括：对影响系数、审计评分、相对员工规模值和相对审计资源值进行计算，得到各银行分支机构标识对应的风险热度值；根据得到的风险热度值确定各银行分支机构标识对应的风险等级。
在一个实施例中，所述处理器执行所述计算机程序时实现以下步骤：根据风险评估数据，统计各银行分支机构标识分别对应的风险审计问题的风险评估值和风险内控比例；根据风险审计问题的风险评估值和风险内控比例，确定风险审计问题的剩余风险值；根据风险审计问题的剩余风险值计算得到各银行分支机构标识分别对应的剩余风险总值。
本实施例中，在分别获取了各银行分支机构标识对应的风险评估数据后，对风险评估数据进行分析统计得到审计评分和审计评分影响因子对应的影响因子值，通过建立审计评分模型确定审计评分影响因子的影响系数，根据影响系数、审计评分、影响因子值确定各银行分支机构标识分别对应的风险评估等级。在银行的风险评估过程中，减少了人工的干预，提高了银行的风险评估效率。同时，通过训练审计评分模型确定审计评分影响因子的影响系数，提高了确定的影响系数的准确性，进一步提高了银行风险评估的准确性。
一个或多个存储有计算机可执行指令的存储介质，所述计算机可执行指令被一个或多个处理器执行时，使得所述一个或多个处理器执行以下步骤：分别获取各银行分支机构标识对应的风险评估数据；对每个银行分支机构标识对应的风险评估数据进行统计，得到各银行分支机构标识对应的审计评分和审计评分影响因子的影响因子值；根据审计评分和影响因子值，训练得到审计评分模型；从审计评分模型提取审计评分影响因子的影响系数；根据影响系数、审计评分和影响因子值，确定各银行分支机构标识分别对应的风险评估等级。
在一个实施例中，分别获取各银行分支机构标识对应的风险评估数据之前，所述处理器还执行以下步骤：按照预设时间段内每个周期，分别获取各银行分支机构标识对应的风险基础数据；对于每个银行分支机构标识对应的风险基础数据，检测风险基础数据对应的周期是否完整；当检测周期不完整时，统计风险基础数据所对应实际周期数量和预设时间段内的周期总数量；根据实际周期数量和周期总数量对风险基础数据进行放大计算，得到放大后的风险基础数据；对放大后的风险基础数据计算得到相应的风险评估数据并存储。
在一个实施例中，审计评分影响因子包括员工规模和审计资源；影响因子值包括相对员工规模值和相对审计资源值；对每个银行分支机构标识对应的风险评估数据进行统计，得到各银行分支机构标识对应的审计评分和审计评分影响因子的影响因子值，包括：从风险评估数据中获取各银行分支机构标识分别对应的审计评分、员工规模平均值和审计资源累加值；对员工规模平均值和审计资源累加值进行计算，得到各银行分支标识分别对应的相对员工规模值和相对审计资源值。
在一个实施例中，审计评分和影响因子值，确定各银行分支机构标识分别对应的风险评估等级，包括：对影响系数、审计评分、相对员工规模值和相对审计资源值进行计算，得到各银行分支机构标识对应的风险热度值；根据得到的风险热度值确定各银行分支机构标识对应的风险等级。
在一个实施例中，所述处理器还执行以下步骤：根据风险评估数据，统计各银行分支机构标识分别对应的风险审计问题的风险评估值和风险内控比例；根据风险审计问题的风险评估值和风险内控比例，确定风险审计问题的剩余风险值；根据风险审计问题的剩余风险值计算得到各银行分支机构标识分别对应的剩余风险总值。
本实施例中，在分别获取了各银行分支机构标识对应的风险评估数据后，对风险评估数据进行分析统计得到审计评分和审计评分影响因子对应的影响因子值，通过建立审计评分模型确定审计评分影响因子的影响系数，根据影响系数、审计评分、影响因子值确定各银行分支机构标识分别对应的风险评估等级。在银行的风险评估过程中，减少了人工的干预，提高了银行的风险评估效率。同时，通过训练审计评分模型确定审计评分影响因子的影响系数，提高了确定的影响系数的准确性，进一步提高了银行风险评估的准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种银行风险数据处理方法，其特征在于，所述方法包括：
分别获取各银行分支机构标识对应的风险评估数据，所述风险评估数据包括审计数据和员工规模数据，所述审计数据包括各周期审计人员对银行分支机构的业务数据审计到的风险问题所赋予的审计问题风险值，所述员工规模包括每个周期银行分支机构中员工数量；
对每个银行分支机构标识对应的风险评估数据进行统计，得到各银行分支机构标识对应的审计评分和审计评分影响因子的影响因子值，所述审计评分是指将所述审计问题风险值进行累加计算得到的审计问题累加值，所述审计评分影响因子包括员工规模和审计资源，所述审计资源为每天可调配进行审计的审计人员数量，将员工平均数作为员工规模对应的影响因子值，将审计资源累加值作为审计资源对应的影响因子；
根据所述审计评分和所述影响因子值，训练得到审计评分模型；
从所述审计评分模型提取所述审计评分影响因子的影响系数；
根据所述影响系数、所述审计评分和所述影响因子值，确定各银行分支机构标识对应的风险评估等级；
所述分别获取各银行分支机构标识对应的风险评估数据之前，还包括：
按照预设时间段内每个周期，分别获取各银行分支机构标识对应的风险基础数据；
对于每个银行分支机构标识对应的风险基础数据，检测所述风险基础数据对应的周期是否完整；
当检测周期不完整时，统计风险基础数据所对应实际周期数量和预设时间段内的周期总数量；
根据所述实际周期数量和所述周期总数量对所述风险基础数据进行放大计算，得到放大后的风险基础数据；
对放大后的风险基础数据计算得到相应的风险评估数据并存储。
2.根据权利要求1所述的方法，其特征在于，所述影响因子值包括相对员工规模值和相对审计资源值；所述对每个银行分支机构标识对应的风险评估数据进行统计，得到各银行分支机构标识对应的审计评分和审计评分影响因子的影响因子值，包括：
从所述风险评估数据中获取各银行分支机构标识分别对应的审计评分、员工规模平均值和审计资源累加值；
对所述员工规模平均值和所述审计资源累加值进行计算，得到各银行分支标识分别对应的相对员工规模值和相对审计资源值。
3.根据权利要求2所述的方法，其特征在于，所述根据所述影响系数、所述审计评分和所述影响因子值，确定各银行分支机构标识对应的风险评估等级，包括：
对所述影响系数、所述审计评分、所述相对员工规模值和所述相对审计资源值进行计算，得到各银行分支机构标识对应的风险热度值；
根据得到的风险热度值确定各银行分支机构标识对应的风险等级。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述方法还包括：
根据所述风险评估数据，统计各银行分支机构标识分别对应的风险审计问题的风险评估值和风险内控比例；
根据所述风险审计问题的风险评估值和风险内控比例，确定所述风险审计问题的剩余风险值；
根据所述风险审计问题的剩余风险值计算得到各银行分支机构标识分别对应的剩余风险总值。
5.一种银行风险数据处理装置，其特征在于，所述装置包括：
数据获取模块，用于分别获取各银行分支机构标识对应的风险评估数据，所述风险评估数据包括审计数据和员工规模数据，所述审计数据包括各周期审计人员对银行分支机构的业务数据审计到的风险问题所赋予的审计问题风险值，所述员工规模包括每个周期银行分支机构中员工数量；
数据统计模块，用于对每个银行分支机构标识对应的风险评估数据进行统计，得到各银行分支机构标识对应的审计评分和审计评分影响因子的影响因子值，所述审计评分是指将所述审计问题风险值进行累加计算得到的审计问题累加值，所述审计评分影响因子包括员工规模和审计资源，所述审计资源为每天可调配进行审计的审计人员数量，将员工平均数作为员工规模对应的影响因子值，将审计资源累加值作为审计资源对应的影响因子；
模型训练模块，用于根据所述审计评分和所述影响因子值，训练得到审计评分模型；
系数提取模块，用于从所述审计评分模型提取所述审计评分影响因子的影响系数；
风险评估模块，用于根据所述影响系数、所述审计评分和所述影响因子值，确定各银行分支机构标识对应的风险评估等级；
所述数据获取模块包括：
基础数据获取模块，用于按照预设时间段内每个周期，分别获取各银行分支机构标识对应的风险基础数据；
数据完整检测模块，用于对于每个银行分支机构标识对应的风险基础数据，检测所述风险基础数据对应的周期是否完整；
周期数量统计模块，用于当检测周期不完整时，统计已有周期数量和缺失周期数量；
基础数据放大模块，用于根据所述已有周期数量和所述缺失周期数量对所述风险基础数据进行放大计算，得到放大后的风险基础数据；
基础数据计算模块，用于对放大后的风险基础数据计算得到相应的风险评估数据并存储。
6.根据权利要求5所述的装置，其特征在于，所述影响因子值包括相对员工规模值和相对审计资源值；所述数据统计模块还用于从所述风险评估数据中获取各银行分支机构标识分别对应的审计评分、员工规模平均值和审计资源累加值；对所述员工规模平均值和所述审计资源累加值进行计算，得到各银行分支标识分别对应的相对员工规模值和相对审计资源值。
7.根据权利要求6所述的装置，其特征在于，所述风险评估模块还用于对所述影响系数、所述审计评分、所述相对员工规模值和所述相对审计资源值进行计算，得到各银行分支机构标识对应的风险热度值；根据得到的风险热度值确定各银行分支机构标识对应的风险等级。
8.根据权利要求5-7中任一项所述的装置，其特征在于，所述装置还包括：
评估数据统计模块，用于根据所述风险评估数据，统计各银行分支机构标识分别对应的风险审计问题的风险评估值和风险内控比例；
剩余风险确定模块，用于根据所述风险审计问题的风险评估值和风险内控比例，确定所述风险审计问题的剩余风险值；
剩余风险计算模块，用于根据所述风险审计问题的剩余风险值计算得到各银行分支机构标识分别对应的剩余风险总值。
9.一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
10.一个或多个存储有计算机可执行指令的存储介质，所述计算机可执行指令被一个或多个处理器执行时，使得所述一个或多个处理器执行权利要求1至4中任一项所述方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710958011.4A CN107862599B (zh) | 2017-10-16 | 2017-10-16 | 银行风险数据处理方法、装置、计算机设备和存储介质 |
| PCT/CN2018/086264 WO2019076040A1 (zh) | 2017-10-16 | 2018-05-10 | 银行风险数据处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710958011.4A CN107862599B (zh) | 2017-10-16 | 2017-10-16 | 银行风险数据处理方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107862599A CN107862599A (zh) | 2018-03-30 |
| CN107862599B true CN107862599B (zh) | 2020-10-30 |
Family
ID=61698765
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710958011.4A Active CN107862599B (zh) | 2017-10-16 | 2017-10-16 | 银行风险数据处理方法、装置、计算机设备和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN107862599B (zh) |
| WO (1) | WO2019076040A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107862599B (zh) * | 2017-10-16 | 2020-10-30 | 平安科技（深圳）有限公司 | 银行风险数据处理方法、装置、计算机设备和存储介质 |
| CN109685328A (zh) * | 2018-12-04 | 2019-04-26 | 广东电网有限责任公司 | 一种在建工程转固定资产的风险评分方法及系统 |
| CN112488572B (zh) * | 2020-12-15 | 2023-04-07 | 广东电网有限责任公司 | 一种审计对象推荐方法、装置、设备和介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105550927A (zh) * | 2015-11-30 | 2016-05-04 | 吉林大学 | 一种银行信贷系统风险评估方法及装置 |
| CN105719181A (zh) * | 2014-12-05 | 2016-06-29 | 航天信息股份有限公司 | 风险等级评估方法及装置 |
| CN106157132A (zh) * | 2016-06-20 | 2016-11-23 | 中国工商银行股份有限公司 | 信用风险监控系统及方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1361526A1 (en) * | 2002-05-08 | 2003-11-12 | Accenture Global Services GmbH | Electronic data processing system and method of using an electronic processing system for automatically determining a risk indicator value |
| CN101493913A (zh) * | 2008-01-23 | 2009-07-29 | 阿里巴巴集团控股有限公司 | 一种评估网上用户信用的方法及系统 |
| CN102081781A (zh) * | 2009-11-26 | 2011-06-01 | 陈晓明 | 基于信息自循环的金融建模优化方法 |
| CN102117469A (zh) * | 2011-01-18 | 2011-07-06 | 中国工商银行股份有限公司 | 一种对信用风险进行评估的系统和方法 |
| CN104992234A (zh) * | 2015-06-11 | 2015-10-21 | 安徽融信金模信息技术有限公司 | 一种基于多种运营数据的企业风险评估方法 |
| CN107862599B (zh) * | 2017-10-16 | 2020-10-30 | 平安科技（深圳）有限公司 | 银行风险数据处理方法、装置、计算机设备和存储介质 |
-
2017
- 2017-10-16 CN CN201710958011.4A patent/CN107862599B/zh active Active
-
2018
- 2018-05-10 WO PCT/CN2018/086264 patent/WO2019076040A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105719181A (zh) * | 2014-12-05 | 2016-06-29 | 航天信息股份有限公司 | 风险等级评估方法及装置 |
| CN105550927A (zh) * | 2015-11-30 | 2016-05-04 | 吉林大学 | 一种银行信贷系统风险评估方法及装置 |
| CN106157132A (zh) * | 2016-06-20 | 2016-11-23 | 中国工商银行股份有限公司 | 信用风险监控系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019076040A1 (zh) | 2019-04-25 |
| CN107862599A (zh) | 2018-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108108902B (zh) | 一种风险事件告警方法和装置 | |
| CN109242261B (zh) | 基于大数据评估保全风险的方法及终端设备 | |
| CN108932585B (zh) | 一种商户运营管理方法及其设备、存储介质、电子设备 | |
| CN111291816B (zh) | 针对用户分类模型进行特征处理的方法及装置 | |
| CN107563757B (zh) | 数据风险识别的方法及装置 | |
| CN108665159A (zh) | 一种风险评估方法、装置、终端设备及存储介质 | |
| CN107220845A (zh) | 用户复购概率预测/用户质量确定方法、装置及电子设备 | |
| CN112102073A (zh) | 信贷风险控制方法及系统、电子设备及可读存储介质 | |
| CN107862599B (zh) | 银行风险数据处理方法、装置、计算机设备和存储介质 | |
| CN108876188B (zh) | 一种间连服务商风险评估方法及装置 | |
| CN109300050A (zh) | 基于用户画像的保险推送方法、装置及存储介质 | |
| CN111476296A (zh) | 样本生成方法、分类模型训练方法、识别方法及对应装置 | |
| US20200210459A1 (en) | Method and apparatus for classifying samples | |
| CN110866832A (zh) | 一种风险控制方法、系统、存储介质及计算设备 | |
| CN106611321B (zh) | 虚假手机号码的识别方法和装置 | |
| CN111078880A (zh) | 子应用的风险识别方法以及装置 | |
| CN112950359B (zh) | 一种用户识别方法和装置 | |
| CN111241161A (zh) | 发票信息挖掘方法、装置、计算机设备及存储介质 | |
| CN110610431A (zh) | 基于大数据的智能理赔方法及智能理赔系统 | |
| CN111340606A (zh) | 一种全流程收入稽核方法和装置 | |
| CN107330709B (zh) | 确定目标对象的方法及装置 | |
| CN110689382A (zh) | 一种信息处理的方法、装置、计算机存储介质及终端 | |
| CN110858214B (zh) | 推荐模型训练、及进一步审计程序推荐方法、装置及设备 | |
| CN112950298A (zh) | 一种恶意订单识别方法、装置及存储介质 | |
| JP2017200079A (ja) | 情報端末からインターネットを通じて申告された利用者の電話番号を取得して利用者の不信指標を出力するコンピューティング |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |