CN107871213A - 一种交易行为评价方法、装置、服务器以及存储介质 - Google Patents
一种交易行为评价方法、装置、服务器以及存储介质 Download PDFInfo
- Publication number
- CN107871213A CN107871213A CN201711202585.5A CN201711202585A CN107871213A CN 107871213 A CN107871213 A CN 107871213A CN 201711202585 A CN201711202585 A CN 201711202585A CN 107871213 A CN107871213 A CN 107871213A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- feature data
- trading activity
- probability density
- 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.)
- Granted
Links
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
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种交易行为评价方法、装置、服务器以及存储介质,该方法包括:获取第一预设时间段内的所有用户的交易行为所对应的已转化交易数据对应的第一特征数据,以及第二预设时间段内的所有用户的交易行为所对应的第二特征数据;将第一特征数据和第二特征数据形成的参考特征数据确定交易行为满足的概率分布模型;根据概率分布模型对应的概率密度函数以及预设的归一化公式,确定第二特征数据对应的风险得分数据。使得在使用银行卡支付或网络支付时,监督用户能够自主设定交易行为的评价维度,并且实现了对用户交易行为的风险值的定量评价,提高了交易行为分析的灵活性以及分析结果的准确性。
Description
技术领域
本发明实施例涉及信息安全领域,尤其涉及一种交易行为评价方法、装置、服务器以及存储介质。
背景技术
由于科学技术的飞速发展,特别是电子计算机的运用,使银行卡以及网络支付终端的使用范围不断扩大,备受用户的青睐。加之银行卡自动结算系统以及网络支付自动结算系统的运用,使无现金社会的到来不久将成为现实。
然而,采用银行卡支付或网络支付的方式虽然能够有效降低假币流通现象的发生,突破了日常交易活动中受到的时间因素以及空间因素的限制,增强了用户的支付体验。但是因为上述两种支付方式不受时间和空间的限制的特性,同样也增加了用户交易的风险。
现有技术中,为了有效监控银行卡支付或网络支付中交易异常现象,通常会采用多元高斯分布异常检测算法模型获取用户本次交易行为的概率密度值,当概率密度值大于某一固定预设阈值时,表示当前交易正常;当概率密度值不大于该固定预设阈值时,标识当前交易异常。
但是,上述技术方案获取的概率密度值数值太小,使计算结果精确度较低并且仅能对交易行为在固定维度上进行定性的识别,难以实现在不同维度上对交易行为进行定量评价。
发明内容
本发明提供一种交易行为评价方法、装置、服务器以及存储介质,以在使用银行卡支付或网络支付时,监督用户自主设定交易行为的评价维度,并且能够实现对用户交易行为的风险值的定量评价,提高交易行为分析的灵活性以及分析结果的准确性。
第一方面,本发明实施例提供了一种交易行为评价方法,该方法包括:
获取第一预设时间段内的所有用户的交易行为所对应的已转换交易数据,并将与预设维度信息相对应的已转换交易数据作为第一特征数据;
获取第一预设时间段后的第二预设时间段内所有用户的交易行为所对应的待转化交易数据,并将与所述预设维度信息相对应的待转换交易数据,按照各维度相对应的转换规则转化为第二特征数据;
根据所述第一特征数据和所述第二特征数据形成的参考特征数据,确定所述第一预设时间段和所述第二预设时间段内的所有用户的交易行为所满足的概率分布模型;
根据所述概率分布模型所对应的参考概率密度函数以及预设的归一化公式,确定与所述第二特征数据相对应的风险得分数据。
第二方面,本发明实施例还提供了一种交易行为评价装置,该装置包括:
第一获取模块,用于获取第一预设时间段内的所有用户的交易行为所对应的已转换交易数据,并将与预设维度信息相对应的已转换交易数据作为第一特征数据;
第二获取模块,用于获取第一预设时间段后的第二预设时间段内所有用户的交易行为所对应的待转化交易数据,并将与所述预设维度信息相对应的待转换交易数据,按照各维度相对应的转换规则转化为第二特征数据;
第一确定模块,用于根据所述第一特征数据和所述第二特征数据形成的参考特征数据,确定所述第一预设时间段和所述第二预设时间段内的所有用户的交易行为所满足的概率分布模型;
第二确定模块,用于根据所述概率分布模型所对应的参考概率密度函数以及预设的归一化公式,确定与所述第二特征数据相对应的风险得分数据。
第三方面,本发明实施例还提供了一种服务器,包括:输入装置,该服务器,还包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任一实施例提供的交易行为评价方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任一实施例提供的交易行为评价方法。
本发明实施例通过获取第一预设时间段内的所有用户的交易行为所对应的已转换交易数据,并将与预设维度信息相对应的已转换交易数据作为第一特征数据;获取第二预设时间段内所有用户的交易行为所对应的待转化交易数据,并将与预设维度信息相对应的待转换交易数据按照各维度对应的转换规则转化为第二特征数据;将第一特征数据和第二特征数据作为参考特征数据,并确定参考特征数据所满足的参考概率分布函数,并依据预设的归一化公式确定与第二特征数据相对应的风险得分数据。采用上述技术方案解决了根据概率密度值确定交易行为仅能在固定维度上进行定性识别,难以实现不同维度上的定量评价,并且识别结果精确度低的技术问题,使得在使用银行卡支付或网络支付时,监督用户能够自主设定交易行为的评价维度,并且实现了对用户交易行为的风险值的定量评价,提高了交易行为分析的灵活性以及分析结果的准确性。
附图说明
图1是本发明实施例一中的一种交易行为评价方法的流程示意图;
图2是本发明实施例二中的一种线下交易行为评价方法的流程示意图;
图3是本发明实施例三中的一种线上交易行为评价方法的流程示意图;
图4是本发明实施例四中的一种交易行为评价装置的结构示意图;
图5是本发明实施例五中的一种服务器的硬件结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种交易行为评价方法的流程示意图,本实施例可适用于在使用银行卡支付或网络支付时,对应到支付银行对交易行为的交易风险进行线下处理的定量评价的情况,该方法可以由交易行为评价装置来执行,该装置采用软件和/或硬件来实现,并配置于服务器上,该交易行为评价方法,具体包括:
S110、获取第一预设时间段内的所有用户的交易行为所对应的已转换交易数据,并将与预设维度信息相对应的已转换交易数据作为第一特征数据。
其中,用户在进行银行卡支付或网络支付后,将会在银行相应的管理系统中生成用户交易数据,并将该交易数据进行相应的数据转换形成已转换交易数据。示例性地,针对“额度类”交易特征数据,已转化数据会将交易金额小于等于一级类目限额的交易行为对应的已转化交易数据设定为“0”;否则,设定为“1”。示例性地,将交易金额大于1000,且一级类目属于非大额类的交易行为转换成“1”,否则,设定为“0”。需要说明的是,在对一级类目是否为“大额”的参照因子“1000”可以由监督用户根据实际情况人为调整。其中,一级类目可以理解为当前交易的入账用户的所属类目。示例性地,A日化品牌的类目为一级类目,A日化品牌旗下的B品牌的类目为非一级类目。其中,预设维度信息至少包括:“大额且非一级类目”以及“大额非一级类目累积次数”等。其中,第一预设时间段为已经完成数据转化的交易数据对应的交易时刻所在的时间段。示例性地,当前已转化交易数据截止的时间段为昨天凌晨00:00,那么,第一预设时间段为昨天00:00之前的某一时间段。另外,对第一预设时间段的起始时刻、终止时刻以及时间段跨度不做任何限定,可以由监督用户根据需要人为调整。
需要说明的是,用户的每条交易行为所对应的第一特征数据并非一个具体数值,而是与预设维度信息所包含的各维度对应的所有数据组成的一条或一组数据。也就是说,每条第一预设时间段内的交易行为,对应一条第一特征数据。
S120、获取第一预设时间段后的第二预设时间段内所有用户的交易行为所对应的待转化交易数据,并将与所述预设维度信息相对应的待转换交易数据,按照各维度相对应的转换规则转化为第二特征数据。
其中,第二预设时间段表示尚未进行数据转化的交易数据对应的交易时刻所在的时间段。示例性地,当前已转化交易数据截止的时刻为昨天凌晨00:00,那么,第二预设时间段为昨天00:00之后的某一时间段。需要说明的是,对第二预设时间段的起始时刻、终止时刻以及时间段跨度不做任何限定,可以由监督用户根据需要人为调整。
在该步骤中,由于第二预设时间段内所有用户的交易行为所对应的交易数据尚未进行数据转化,因此需要将该时间段内的用户的交易数据按照预设的转换规则进行转化并存储至已转化交易数据中。同时,将在已转化交易数据中选取第二预设时间段内与预设维度信息相对应的已转化数据形成第二特征数据,用于后续作为概率分布模型的确定依据,并作为进行用户交易行为评价的评价依据。
需要说明的是,用户的每条交易行为所对应的第二特征数据并非一个具体数值,而是与预设维度信息所包含的各维度对应的所有数据组成的一条数据。也就是说,每条第二预设时间段内的交易行为,对应一条第二特征数据。
需要说明的是,第二预设时间段内的所有用户与第一预设时间段内的所有用户可能完全相同,可能部分相同,也可能完全不同。
S130、根据所述第一特征数据和所述第二特征数据形成的参考特征数据,确定所述第一预设时间段和所述第二预设时间段内的所有用户的交易行为所满足的概率分布模型。
在该步骤汇总,将第一预设时间段内与预设维度信息相对应的已转化交易数据形成的第一特征数据,以及将第二特征数据按照对应的转换规则进行数据转化,并将数据转化后的已转化交易数据与预设维度信息相对应的已转化交易数据形成的第二特征数据作为参考特征数据。根据参考特征数据确定第一预设时间段以及第二预设时间段内所有用户的交易行为所满足的概率分布模型。示例性地,概率分布模型可以是多元高斯概率分布模型。
S140、根据所述概率分布模型所对应的参考概率密度函数以及预设的归一化公式,确定与所述第二特征数据相对应的风险得分数据。
在该步骤中,可以由概率分布模型确定对应的概率密度函数并将其作为参考概率密度函数。根据该参考概率密度函数可以确定各条第二特征数据所对应的概率密度值。通过预设的归一化公式将各条第二特征数据所对应的概率密度值映射到[0,max]这一数值区间,用于表征各条第二特征数据对应的执行交易的用户的交易行为的异常程度。示例性地,各条第二特征数据x根据参考带来密度函数确定相对应的概率密度值f(x),并将各概率密度值f(x)作为预设的归一化公式s=max×(1-(1+e-lg(f(x)))-1)的输入变量确定对应的输出变量,并将各输出变量作为各条第二特征数据所对应的用户的交易行为的风险得分数据。其中,max为最大风险得分值。
需要说明的是,风险得分数据可以是[0,max]中的任一数值,风险得分数据的数值越高,表明该条交易数据对应的交易行为是异常交易的可能性越大。其中,max可以由监督用户自行设定,示例性地max取99。监督用户可以将获得的各风险得分数据进行比较,根据各风险得分确定是否需要向进行交易的用户进行诸如短信、邮件和/或电话形式的回访,以确定执行交易的用户是否自主进行交易,以在交易异常的情况下及时告知执行交易的用户采取报警等补救措施。
需要说明的是,在对第一预设时间段的设定时,需要尽可能将时间跨度设定足够长,以保证形成的概率分布模型能够完全表征执行交易的用户的交易行为所满足的概率分布情况。在对第二预设时间段的设定时,需要位于第一预设时间段之后,并且第二预设时间段内的交易数据未进行数据转化也未进行风险评价。示例性地,当前已转化交易数据截止的时刻为昨天凌晨00:00时,优选地,第一预设时间段可以设定为昨天之前的一个月;第二预设时间段可以是昨天一整天。通过上述设定,可以在对用户的交易行为进行离线的交易风险评价时,能够单次评价多条交易数据,提高交易评价速率。
本发明实施例通过获取第一预设时间段内的所有用户的交易行为所对应的已转换交易数据,并将与预设维度信息相对应的已转换交易数据作为第一特征数据;获取第二预设时间段内所有用户的交易行为所对应的待转化交易数据,并将与预设维度信息相对应的待转换交易数据按照各维度对应的转换规则转化为第二特征数据;将第一特征数据和第二特征数据作为参考特征数据,并确定参考特征数据所满足的参考概率分布函数,并依据预设的归一化公式确定与第二特征数据相对应的风险得分数据。采用上述技术方案解决了根据概率密度值确定交易行为仅能在固定维度上进行定性识别,难以实现不同维度上的定量评价,并且识别结果精确度低的技术问题,使得在使用银行卡支付或网络支付时,监督用户能够自主设定交易行为的评价维度,并且实现了对用户交易行为的风险值的定量评价,提高了交易行为分析的灵活性以及分析结果的准确性。
实施例二
图2为本发明实施例二提供的一种线下交易行为评价方法的流程示意图,本实施例在上述各实施例的技术方案的基础上,进行了进一步的细化和补充。
进一步地,将“根据所述第一特征数据和所述第二特征数据形成的参考特征数据,确定所述第一预设时间段和所述第二预设时间段内的所有用户的交易行为所满足的概率分布模型”细化为“确定所述参考特征数据在各维度上的平均值为参考均值;确定所述参考特征数据的协方差为参考协方差;根据所述参考均值和所述参考协方差,确定与所述预设维度信息相对应的高斯概率密度函数为参考概率密度函数”以完善获取概率分布模型的具体实施方式。
进一步地,将“根据所述参考概率分布模型所对应的参考概率密度函数以及预设的归一化公式,确定与所述第二特征数据相对应的风险得分数据”细化为“根据所述参考概率分布所对应的参考概率密度函数确定与所述第二特征数据相对应的各概率密度值作为目标概率密度值;按照预设底数值将所述目标概率密度值进行对数化处理,获得对应的目标对数值;将所述目标对数值作为所述归一化公式的自变量,以对所述目标对数值进行归一化处理,获得所述风险得分数据”,以完善对第二特征数据对应的执行交易的用户的交易行为的风险评价并将交易行为的交易风险数值化。
进一步地,在“按照预设底数值将所述目标概率密度值进行对数化处理,获得对应的目标对数值”之后追加“根据所述参考概率密度函数确定与所述第一特征数据相对应的各概率密度值作为参考概率密度值;按照所述预设底数值将所述参考概率密度值进行对数化处理,获得对应的参考对数值;根据所述参考对数值的均值和方差,按照预设的偏移公式对所述目标对数值进行偏移化处理,获取目标偏移值”的特征,以将较小的概率密度值映射到[0,max]这一固定的得分数区间,将交易行为的交易风险显著化,同时通过偏移化处理,将风险得分在合理的范围内适度扩大化,以最大限度的筛查用户的交易行为,监督用户及时对异常交易采取应对措施。
相应的,将“所述将所述目标对数值作为所述归一化公式的自变量,以对所述目标对数值进行归一化处理,获得所述风险得分数据”细化为“将所述目标偏移值作为所述归一化公式的自变量以对所述目标偏移值进行归一化处理获得所述风险得分数据”。
本发明实施例二提供的一种交易行为评价方法,该方法具体为通过线下处理的方式对用户的交易行为进行评价,包括以下步骤:
S210、获取第一预设时间段内的所有用户的交易行为所对应的已转换交易数据,并将与预设维度信息相对应的已转换交易数据作为第一特征数据。
S220、获取第一预设时间段后的第二预设时间段内所有用户的交易行为所对应的待转化交易数据,并将与所述预设维度信息相对应的待转换交易数据,按照各维度相对应的转换规则转化为第二特征数据。
S230、确定所述参考特征数据在各维度上的平均值为参考均值;确定所述参考特征数据的协方差为参考协方差。
S240、根据所述参考均值和所述参考协方差,确定与所述预设维度信息相对应的高斯概率密度函数为参考概率密度函数。
在该步骤中,通过参考特征数据中各维度所对应的参考均值以及根据参考特征数据确定的协方差矩阵确定的方差以及行列式结果,最终确定参考特征数据所满足的多元高斯分布模型所对应的高斯概率密度函数,采用该多元高斯分布模型表示对用户进行支付交易的模型分布。
S250、根据所述参考概率分布所对应的参考概率密度函数确定与所述第二特征数据相对应的各概率密度值作为目标概率密度值。
需要说明的是,最终确定的多元高斯分布模型即为参考概率分布。S240中确定的高斯概率密度函数即为参考概率分布所对应的参考概率密度函数。
在该步骤中,将第二特征数据作为参考概率密度函数的输入变量,最终确定了第二预设时间段内的第二特征数据所对应的执行交易的用户的交易行为所对应的各概率密度值,并将各概率密度值作为目标概率密度值,作为后续进行交易风险评价的参考依据。
S260、按照预设底数值将所述目标概率密度值进行对数化处理,获得对应的目标对数值。
在该步骤中,采用公式y1=logaf(x1)对目标概率密度值进行对数化处理,获取目标对数值。其中,y1为目标对数值;x1为第二预设时间段内用户进行某次交易所对应的一条第二特征数据;f(x1)为该条第二特征数据对应的目标概率密度值;a为预设底数值。需要说明的是,a的取值可以根据大量的测试实验进行确定。优选地,a取10。
S270、根据所述参考概率密度函数确定与所述第一特征数据相对应的各概率密度值作为参考概率密度值。
S280、按照所述预设底数值将所述参考概率密度值进行对数化处理,获得对应的参考对数值。
在该步骤中,采用公式y2=logaf(x2)对参考概率密度值进行对数化处理,获取参考对数值。其中,y2为参考对数值;x2为第一预设时间段内用户进行某次交易对应的一条第一特征数据;f(x2)为该条第一特征数据对应的参考概率密度值。需要说明的是,a的取值可以根据大量的测试实验进行确定。优选地,a取10。
S290、根据所述参考对数值的均值和方差,按照预设的偏移公式对所述目标对数值进行偏移化处理,获取目标偏移值。
在该步骤中,采用偏移公式z=(y1-b×μ)/σ对目标对数值进行偏移化处理,获取目标偏移值。其中,z为目标偏移值,y1为目标对数值,b为偏移系数,μ为参考对数值的均值,σ为参考对数值的标准差。需要说明的是,b的取值可以根据大量的测试实验进行确定。优选地,b取1.5。
S200、将所述目标偏移值作为所述归一化公式的自变量以对所述目标偏移值进行归一化处理获得所述风险得分数据。
在该步骤中,采用归一化公式s=c×(1-(1+e-z)-1)对目标偏移值进行归一化处理,获得风险得分数据。其中,s为目标偏移值对应的风险得分,z为目标偏移值,c为设定的最高风险得分。示例性地,c取99,则相应的,用户的交易行为的风险得分数数据区间为[0,99]。
本发明实施例采用线下处理的方式,通过细化概率分布模型的确定步骤,以完善获取概率分布模型的具体实施方式;通过细化风险得分的确定步骤,以完善对第二特征数据对应的执行交易的用户的交易行为的风险评价,并将交易风险数值化;通过追加偏移化处理步骤将交易行为的交易风险显著化,同时将风险得分在合理的范围内适度扩大化,以最大限度的筛查用户的交易行为,及时对异常交易采取应对措施。采用上述技术方案解决了根据概率密度值确定交易行为仅能在固定维度上进行定性识别,难以实现不同维度上的定量评价,并且识别结果精确度低的技术问题,使得在使用银行卡支付或网络支付时,监督用户能够自主设定交易行为的评价维度,并且实现了对用户交易行为的风险值的定量评价,提高了交易行为分析的灵活性以及分析结果的准确性。
需要说明的是,实施例一和实施例二的技术方案都是采用线下处理的方式将第二预设时间段内的用户的交易行为的异常情况映射到[0,max]这一具体的数值区间中,用于将用户交易行为进行量化评估。在实际应用的过程中,本发明实施例三具体提供了一种基于实施例一和实施例二公开的线下处理过程的技术方案中获取的相关数据,采用线上处理的方式对用户的交易行为进行实时评价的技术方案,用以对用户的交易行为进行线下评估进行互补。
实施例三
图3为本发明实施例三提供的一种线上交易行为评价方法的流程示意图,。该方法包括:
S310、在获取到当前用户进行交易的实时交易数据时,根据所述预设维度信息以及各维度相对应的转换规则,将所述实时交易数据转化为实时特征数据。
在该步骤中,直接获取执行交易用户的单条实时交易数据,并根据与预设维度信息中各维度相对应的转换规则,将用户的单条实时交易数据转化为实时特征数据,用于作为后续风险评价的参照依据。
S320、根据预先存储的概率密度函数以及预设的归一化公式,确定与所述实时特征数据相对应的实时风险得分数据。
在该步骤中,预先存储的概率密度函数可以根据实施例一公开的线下处理过程的技术方案中的S110~S130确定的概率分布模型进行确定。需要说明的是,预先存储的概率密度函数还可以通过其他的方式确定,并预先存储至数据库中,以便线上处理过程调用。
本发明实施例通过预设获取用户的实时交易数据,并根据预设维度信息以及各维度对应的转换规则将实时交易数据转化为实时特征数据;并根据预先存储的概率密度函数以及预设的归一化公式,确定与实时特征数据相对应的实时风险得分数据。采用上述技术方案通过线上的方式实时对用户的交易行为进行监测,以便在交易行为异常的情况下及时对用户的异常交易采取相应的应对措施。采用上述技术方案解决了根据概率密度值确定交易行为仅能在固定维度上进行定性识别,难以实现不同维度上的定量评价,并且识别结果精确度低的技术问题,使得在使用银行卡支付或网络支付时,监督用户能够自主设定交易行为的评价维度,并且实现了对用户交易行为的风险值的定量评价,提高了交易行为分析的灵活性以及分析结果的准确性。
进一步地,还可以采用公式y3=logaf(x3)对实时概率密度值f(x3)进行对数化处理,获取实时对数值y3。其中,x3为用户进行实时某次实时交易时所对应的一条实时特征数据;f(x3)为该条实时特征数据对应的实时概率密度值。需要说明的是,a的取值可以根据大量的测试实验进行确定。优选地,a取10。需要说明的是,预设的概率密度函数可以根据实施例二公开的线下处理过程的技术方案中的S210~S240确定,并预先存储至数据库中,以便线上处理过程调用。需要说明的是,预先存储的概率密度函数还可以通过其他的方式确定,并预先存储至数据库中,以便线上处理过程调用。
进一步地,采用偏移公式z=(y3-b×μ)/σ对实时对数值进行偏移化处理,获取目标偏移值。其中,z为实时偏移值,y3为实时对数值,b为偏移系数,μ为参考对数值的均值,σ为参考对数值的标准差。需要说明的是,b的取值可以根据大量的测试实验进行确定。其中,μ和σ的值可以由线下处理中的S270~S280确定,并预先存储至数据库中,以便线上处理过程调用。
进一步地,采用归一化公式s=c×(1-(1+e-z)-1)对实时偏移值进行归一化处理,获得实时风险得分数据。其中,s为实时偏移值对应的实时风险得分数据,z为实时偏移值,c为设定的最高风险得分。示例性地,c取99,则相应的,用户的交易行为的风险得分数数据区间为[0,99]。
本发明实施例采用线下处理的方式,通过细化风险得分的确定步骤,以完善对实时特征数据对应的执行交易的用户的交易行为的风险评价,并将交易风险数值化;通过追加偏移化处理步骤将交易行为的交易风险显著化,同时将风险得分在合理的范围内适度扩大化,以最大限度的筛查用户的交易行为,及时对异常交易采取应对措施。采用上述技术方案解决了根据概率密度值确定交易行为仅能在固定维度上进行定性识别,难以实现不同维度上的定量评价,并且识别结果精确度低的技术问题,使得在使用银行卡支付或网络支付时,监督用户能够自主设定交易行为的评价维度,并且实现了对用户交易行为的风险值的定量评价,提高了交易行为分析的灵活性以及分析结果的准确性。
实施例四
图4为本发明实施例四提供的一种交易行为评价装置的结构示意图,本实施例可适用于在使用银行卡支付或网络支付时,对应到支付银行对交易行为的交易风险进行线上和/或线下的定量评价的情况,该装置包括:
第一获取模块410,用于获取第一预设时间段内的所有用户的交易行为所对应的已转换交易数据,并将与预设维度信息相对应的已转换交易数据作为第一特征数据;
第二获取模块420,用于获取第一预设时间段后的第二预设时间段内所有用户的交易行为所对应的待转化交易数据,并将与所述预设维度信息相对应的待转换交易数据,按照各维度相对应的转换规则转化为第二特征数据;
第一确定模块430,用于根据所述第一特征数据和所述第二特征数据形成的参考特征数据,确定所述第一预设时间段和所述第二预设时间段内的所有用户的交易行为所满足的概率分布模型;
第二确定模块440,用于根据所述概率分布模型所对应的参考概率密度函数以及预设的归一化公式,确定与所述第二特征数据相对应的风险得分数据。
本发明实施例通过第一获取模块410获取第一预设时间段内的用户交易行为所对应的第一特征数据;通过第二获取模块420获取第二预设时间段内的用户交易行为所对应的第二特征数据;并通过第一确定模块430将第一特征数据和第二特征数据行程的参考特征数据,确定概率分布模型;通过第二确定模块440根据概率分布模型对应的参考概率密度以及预设的归一化公式确定第二特征数据对应的风险得分数据。采用上述技术方案解决了根据概率密度值确定交易行为仅能在固定维度上进行定性识别,难以实现不同维度上的定量评价,并且识别结果精确度低的技术问题,使得在使用银行卡支付或网络支付时,监督用户能够自主设定交易行为的评价维度,并且实现了对用户交易行为的风险值的定量评价,提高了交易行为分析的灵活性以及分析结果的准确性。
进一步地,所述第一确定模块430,包括:
第一确定单元,用于确定所述参考特征数据在各维度上的平均值为参考均值;
第二确定单元,用于确定所述参考特征数据的协方差为参考协方差;
第三确定单元,用于根据所述参考均值和所述参考协方差,确定与所述预设维度信息相对应的高斯概率密度函数为参考概率密度函数。
进一步地,所述第二确定模块440,包括:
第四确定单元,用于根据所述参考概率分布所对应的参考概率密度函数确定与所述第二特征数据相对应的各概率密度值作为目标概率密度值;
对数化处理单元,用于按照预设底数值将所述目标概率密度值进行对数化处理,获得对应的目标对数值;
归一化处理单元,用于将所述目标对数值作为所述归一化公式的自变量,以对所述目标对数值进行归一化处理,获得所述风险得分数据。
进一步地,所述第二确定模块440,还包括:
参考概率确定单元,用于根据所述参考概率密度函数确定与所述第一特征数据相对应的各概率密度值作为参考概率密度值;
参考对数确定单元,用于按照所述预设底数值将所述参考概率密度值进行对数化处理,获得对应的参考对数值;
偏移化处理单元,用于根据所述参考对数值的均值和方差,按照预设的偏移公式对所述目标对数值进行偏移化处理,获取目标偏移值;
相应的,归一化处理单元,还用于将所述目标偏移值作为所述归一化公式的自变量以对所述目标偏移值进行归一化处理获得所述风险得分数据。
进一步地,所述装置,还包括实时处理模块,具体用于:
在获取到当前用户进行交易的实时交易数据时,根据所述预设维度信息以及各维度相对应的转换规则,将所述实时交易数据转化为实时特征数据;
根据预先存储的概率密度函数以及预设的归一化公式,确定与所述实时特征数据相对应的实时风险得分数据。
上述交易行为评价装置可执行本发明任意实施例所提供的交易行为评价方法,具备执行交易行为评价方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种服务器的硬件结构示意图如图5所示,本发明实施例五提供的服务器,包括:输入装置510,处理器520以及存储装置530。
其中,输入装置510,用于实时获取用户的交易行为数据。
一个或多个处理器520;
存储装置530,用于存储一个或多个程序。
图5中以一个处理器520为例,该服务器中的输入装置510可以通过总线或其他方式与处理器520以及存储装置530相连,且处理器520和存储装置530也通过总线或其他方式连接,图5中以通过总线连接为例。
在本实施例中,服务器中的处理器520可以获取第一预设时间段内的所有关用户的交易行为所对应的已转换交易数据,并将与预设维度信息相对应的已转换交易数据作为第一特征数据;还可以根据第二预设时间段内用户的交易行为所对应的待转化交易数据,根据预设维度信息以及各维度相对应的转换规则转化为第二特征数据;还可以根据第一特征数据和第二特征数据形成的参考特征数据确定用户的交易行为所满足的概率分布模型;以及根据概率分布模型对应的参考概率密度函数以及预设的归一化公式,确定第二特征数据对应的风险得分数据。
该服务器中的存储装置530作为一种计算机可读存储介质,可用于存储一个或多个程序,所述程序可以是软件程序、计算机可执行程序以及模块,如本发明实施例中接入数据预处理方法对应的程序指令/模块(例如,附图4所示的第一获取模块410,第二获取模块420,第一确定模块430以及第二确定模块440)。处理器520通过运行存储在存储装置530中的软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的交易行为评价方法。
存储装置530可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储数据等(如上述实施例中的已转换交易数据、待转化交易数据、预设维度信息、各维度对应的转换规则等)。此外,存储装置530可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储装置530可进一步包括相对于处理器520远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
此外,本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被交易行为评价装置执行时实现本发明实施提供的交易行为评价方法,该方法包括:获取第一预设时间段内的所有用户的交易行为所对应的已转换交易数据,并将与预设维度信息相对应的已转换交易数据作为第一特征数据;获取第一预设时间段后的第二预设时间段内所有用户的交易行为所对应的待转化交易数据,并将与所述预设维度信息相对应的待转换交易数据,按照各维度相对应的转换规则转化为第二特征数据;根据所述第一特征数据和所述第二特征数据形成的参考特征数据,确定所述第一预设时间段和所述第二预设时间段内的所有用户的交易行为所满足的概率分布模型;根据所述概率分布模型所对应的参考概率密度函数以及预设的归一化公式,确定与所述第二特征数据相对应的风险得分数据。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
针对上述各个实施例中的各维度相对应的转换规则,具体包括以下内容:
预设维度信息包括以下至少一种额度类维度信息时,各维度以及与各维度所对应的转换规则包括:
1)交易性质:如果本次交易金额大于一级类目限额,则将交易数据转化为“1”;否则为“0”;其中,一级类目由监督用户按照一定的规则进行设定。示例性地,将A日化品牌的类目为一级类目,A日化品牌旗下的B品牌的类目为非一级类目;其中,一级类目限额由监督用户根据类目和/或需要限定,示例性地,一级类目为某珠宝类品牌时一级类目限额为10000;一级类目为某日化品牌时,一级类目限额为2000。
2)大额类:在本条交易数据的一级类目不属于大额类目时,如果金额大于设定值,则将交易数据转换成“1”,否则为“0”。其中大额类目的限额根据实际情况设定,示例性的,设置一级类目限额大于10000的类目属于大额类目。其中交易金额的阈值由监督用户根据实际情况设定,示例性地,设计本次交易金额的阈值为10000。
3)当前交易金额:执行交易用户的本次交易金额。
4)第三预设时间段累积交易金额:截止当前交易时刻第三预设时间段内执行交易的用户的交易金额总和。其中,第三预设时间段小于第二预设时间段,第三预设时间段可以由监督用户根据需要进行设定。示例性地,第三预设时间段可以是半小时。
5)第二预设时间段累积交易金额:截止当前交易时刻,执行交易用户第二预设时间段内的交易金额总和。
6)整数交易次占比数:截止当前交易时刻,第二预设时间段内执行交易用户交易金额为整数总和与整数交易次数比。
预设维度信息包括以下至少一种频率类维度信息时,各维度以及与各维度所对应的转换规则包括:
1)终端更换频次:截止当前交易时刻,执行交易用户交易终端第二预设时间段内的交易时采用的终端个数。
2)特定事件频次:截止当前交易时刻,执行交易用户交易终端第二预设时间段执行特定事件的次数。示例性地,特定事件可以为“退货”、“查询”、“消费”、“密码错误”或者“修改密码”等。
预设维度信息包括以下至少一种业务类维度信息时,各维度以及与各维度所对应的转换规则包括:
1)商户个数:截止当前交易时刻,第二预设时间段内交易商户的累积个数。
2)返回码非零占比:截止当前交易时刻,第二预设时间段内返回码不为“0”的累积个数与交易总数之比。
3)未出现高风险失败代码:出现至少一个没收卡代码、不予兑换代码、特殊条件下没收卡代码、无效卡号代码、过期卡代码、作弊嫌疑代码、挂失卡代码、被窃卡代码以及不允许持卡人代码时,则将交易数据转化为“1”;否则为“0”。
预设维度信息包括以下至少一种时域类维度信息时,各维度以及与各维度所对应的转换规则包括:
1)凌晨交易:当前交易的交易时刻为凌晨,则将交易数据转化为“1”;否则为“0”。
2)凌晨交易次数:截止当前交易时刻,第二预设时间段的执行交易用户累积凌晨交易次数。
预设维度信息包括以下至少一种优先级类维度信息时,各维度以及与各维度所对应的转换规则包括:
1)周末偏好:本条交易数据的交易时刻为周末,则将交易数据转化为“1”;否则为“0”。
2)时段偏好:本条交易数据的交易时刻为经常交易时段,则将交易数据转化为“1”;否则为“0”。其中,经常交易时段根据用户以往交易在某时段的交易次数最高的时段。
3)额度偏好:本条交易数据的交易金额为经常交易金额,则将交易数据转化为“1”;否则为“0”。其中,经常交易金额根据用户以往交易金额区间包含交易次数最高设定。
4)第三预设时间段交易速率:截止当前交易时刻,本次交易与半小时内的上次交易之间的交易地址的距离间隔与交易时刻的时间间隔之比。
5)半小时位置相同:截止当前交易时刻,本次交易与半小时内的上次交易之间的交易地址相同,则将交易数据转化为“1”;否则为“0”。
预设维度信息包括以下至少一种位置类维度信息时,各维度以及与各维度所对应的转换规则包括:
1)交易位置累积个数:截止当前交易时刻,执行交易用户的交易地址累积个数,需要说明的是,重复执行交易的地址仅累积一次。
2)位置交易跨度:截止当前交易时刻,本次交易与上次交易的交易地址距离跨度。
3)时间交易跨度:截止当前交易时刻,本次交易与上次交易的交易时刻的时间跨度。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种交易行为评价方法,其特征在于,包括:
获取第一预设时间段内的所有用户的交易行为所对应的已转换交易数据,并将与预设维度信息相对应的已转换交易数据作为第一特征数据;
获取第一预设时间段后的第二预设时间段内所有用户的交易行为所对应的待转化交易数据,并将与所述预设维度信息相对应的待转换交易数据,按照各维度相对应的转换规则转化为第二特征数据;
根据所述第一特征数据和所述第二特征数据形成的参考特征数据,确定所述第一预设时间段和所述第二预设时间段内的所有用户的交易行为所满足的概率分布模型;
根据所述概率分布模型所对应的参考概率密度函数以及预设的归一化公式,确定与所述第二特征数据相对应的风险得分数据。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一特征数据和所述第二特征数据形成的参考特征数据,确定所述第一预设时间段和所述第二预设时间段内的所有用户的交易行为所满足的概率分布模型,包括:
确定所述参考特征数据在各维度上的平均值为参考均值;
确定所述参考特征数据的协方差为参考协方差;
根据所述参考均值和所述参考协方差,确定与所述预设维度信息相对应的高斯概率密度函数为参考概率密度函数。
3.根据权利要求1所述的方法,其特征在于,所述根据所述参考概率分布模型所对应的参考概率密度函数以及预设的归一化公式,确定与所述第二特征数据相对应的风险得分数据,包括:
根据所述参考概率分布所对应的参考概率密度函数确定与所述第二特征数据相对应的各概率密度值作为目标概率密度值;
按照预设底数值将所述目标概率密度值进行对数化处理,获得对应的目标对数值;
将所述目标对数值作为所述归一化公式的自变量,以对所述目标对数值进行归一化处理,获得所述风险得分数据。
4.根据权利要求3所述的方法,其特征在于,在所述按照预设底数值将所述目标概率密度值进行对数化处理,获得对应的目标对数值之后,还包括:
根据所述参考概率密度函数确定与所述第一特征数据相对应的各概率密度值作为参考概率密度值;
按照所述预设底数值将所述参考概率密度值进行对数化处理,获得对应的参考对数值;
根据所述参考对数值的均值和方差,按照预设的偏移公式对所述目标对数值进行偏移化处理,获取目标偏移值;
相应的,所述将所述目标对数值作为所述归一化公式的自变量,以对所述目标对数值进行归一化处理,获得所述风险得分数据,具体为:
将所述目标偏移值作为所述归一化公式的自变量以对所述目标偏移值进行归一化处理获得所述风险得分数据。
5.根据权利要求1-4任一项所述的方法,其特征在于,还包括:
在获取到当前用户进行交易的实时交易数据时,根据所述预设维度信息以及各维度相对应的转换规则,将所述实时交易数据转化为实时特征数据;
根据预先存储的概率密度函数以及预设的归一化公式,确定与所述实时特征数据相对应的实时风险得分数据。
6.一种交易行为评价装置,其特征在于,包括:
第一获取模块,用于获取第一预设时间段内的所有用户的交易行为所对应的已转换交易数据,并将与预设维度信息相对应的已转换交易数据作为第一特征数据;
第二获取模块,用于获取第一预设时间段后的第二预设时间段内所有用户的交易行为所对应的待转化交易数据,并将与所述预设维度信息相对应的待转换交易数据,按照各维度相对应的转换规则转化为第二特征数据;
第一确定模块,用于根据所述第一特征数据和所述第二特征数据形成的参考特征数据,确定所述第一预设时间段和所述第二预设时间段内的所有用户的交易行为所满足的概率分布模型;
第二确定模块,用于根据所述概率分布模型所对应的参考概率密度函数以及预设的归一化公式,确定与所述第二特征数据相对应的风险得分数据。
7.根据权利要求6所述的装置,其特征在于,所述第一确定模块,包括:
第一确定单元,用于确定所述参考特征数据在各维度上的平均值为参考均值;
第二确定单元,用于确定所述参考特征数据的协方差为参考协方差;
第三确定单元,用于根据所述参考均值和所述参考协方差,确定与所述预设维度信息相对应的高斯概率密度函数为参考概率密度函数。
8.根据权利要求6所述的装置,其特征在于,所述第二确定模块,包括:
第四确定单元,用于根据所述参考概率分布所对应的参考概率密度函数确定与所述第二特征数据相对应的各概率密度值作为目标概率密度值;
对数化处理单元,用于按照预设底数值将所述目标概率密度值进行对数化处理,获得对应的目标对数值;
归一化处理单元,用于将所述目标对数值作为所述归一化公式的自变量,以对所述目标对数值进行归一化处理,获得所述风险得分数据。
9.一种服务器,包括:输入装置,其特征在于,还包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一项所述的交易行为评价方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一项所述的交易行为评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711202585.5A CN107871213B (zh) | 2017-11-27 | 2017-11-27 | 一种交易行为评价方法、装置、服务器以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711202585.5A CN107871213B (zh) | 2017-11-27 | 2017-11-27 | 一种交易行为评价方法、装置、服务器以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107871213A true CN107871213A (zh) | 2018-04-03 |
CN107871213B CN107871213B (zh) | 2021-11-12 |
Family
ID=61754644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711202585.5A Active CN107871213B (zh) | 2017-11-27 | 2017-11-27 | 一种交易行为评价方法、装置、服务器以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107871213B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180357643A1 (en) * | 2017-06-12 | 2018-12-13 | Korea University Research And Business Foundation | Apparatus and method of detecting abnormal financial transaction |
CN109255663A (zh) * | 2018-09-29 | 2019-01-22 | 北京金山安全软件有限公司 | 针对代币的评分方法、装置、计算机设备和存储介质 |
CN113377618A (zh) * | 2021-06-11 | 2021-09-10 | 中国工商银行股份有限公司 | 数据监控方法、装置、电子设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164704A (zh) * | 2013-04-12 | 2013-06-19 | 山东师范大学 | 一种基于混合高斯模型的虹膜图像分割算法 |
CN104123544A (zh) * | 2014-07-23 | 2014-10-29 | 通号通信信息集团有限公司 | 基于视频分析的异常行为检测方法及系统 |
CN106780024A (zh) * | 2016-11-30 | 2017-05-31 | 东软集团股份有限公司 | 交易异常监测方法及装置 |
CN106803168A (zh) * | 2016-12-30 | 2017-06-06 | 中国银联股份有限公司 | 一种异常转账侦测方法和装置 |
-
2017
- 2017-11-27 CN CN201711202585.5A patent/CN107871213B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164704A (zh) * | 2013-04-12 | 2013-06-19 | 山东师范大学 | 一种基于混合高斯模型的虹膜图像分割算法 |
CN104123544A (zh) * | 2014-07-23 | 2014-10-29 | 通号通信信息集团有限公司 | 基于视频分析的异常行为检测方法及系统 |
CN106780024A (zh) * | 2016-11-30 | 2017-05-31 | 东软集团股份有限公司 | 交易异常监测方法及装置 |
CN106803168A (zh) * | 2016-12-30 | 2017-06-06 | 中国银联股份有限公司 | 一种异常转账侦测方法和装置 |
Non-Patent Citations (2)
Title |
---|
DINGDE JIANG: "A transform domain-based anomaly detection approach to network-wide traffic", 《JOURNAL OF NETWORK AND COMPUTER APPLICATIONS》 * |
李宇翀: "RMPCM:一种基于健壮多元概率校准模型的全网络异常检测方法", 《通信学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180357643A1 (en) * | 2017-06-12 | 2018-12-13 | Korea University Research And Business Foundation | Apparatus and method of detecting abnormal financial transaction |
US11763308B2 (en) * | 2017-06-12 | 2023-09-19 | Korea University Research And Business Foundation | Apparatus and method of detecting abnormal financial transaction |
CN109255663A (zh) * | 2018-09-29 | 2019-01-22 | 北京金山安全软件有限公司 | 针对代币的评分方法、装置、计算机设备和存储介质 |
CN113377618A (zh) * | 2021-06-11 | 2021-09-10 | 中国工商银行股份有限公司 | 数据监控方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107871213B (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Taylor | Tests of the random walk hypothesis against a price-trend hypothesis | |
CN107705149A (zh) | 数据实时监控方法、装置、终端设备及存储介质 | |
Maringer et al. | Regime-switching recurrent reinforcement learning for investment decision making | |
CN107871213A (zh) | 一种交易行为评价方法、装置、服务器以及存储介质 | |
Theodossiou | The stochastic properties of major Canadian exchange rates | |
Besbes et al. | Testing the validity of a demand model: An operations perspective | |
Freeman et al. | An agent‐based simulation model of structural change in Canadian prairie agriculture, 1960–2000 | |
US20220351207A1 (en) | System and method for optimization of fraud detection model | |
Korczak et al. | Risk avoiding strategy in multi-agent trading system | |
Qin et al. | Exploring bubbles in the digital economy: The case of China | |
CN102496126B (zh) | 一种托管资产交易数据监控设备 | |
Skouras | Financial returns and efficiency as seen by an artificial technical analyst | |
CN116401379A (zh) | 金融产品数据推送方法、装置、设备及存储介质 | |
CN110288488A (zh) | 医疗险欺诈预测方法、装置、设备和可读存储介质 | |
CN115619570A (zh) | 基于数字化的金融评估方法及系统 | |
CN114358519A (zh) | 一种智能信贷额度利率调整方法及装置 | |
CN108242024A (zh) | 同业资产监控系统及方法 | |
Svetina | Managerial motives in mergers: Propensity score matching approach | |
Signori et al. | Economic links and counterparty risk | |
EP0987645A2 (en) | Predicting a future value of a variable associated with an input data sequence | |
He et al. | Investors' Social Network and Return | |
Sayadi et al. | Asymmetric Volatility Spillovers of Oil Price and Exchange Rate on Chemical Stocks: Fresh Results from a VAR-TBEKK-in-Mean Model for Iran | |
Yao et al. | Conditional distribution prediction of stock returns and its application on risk aversion analysis | |
CN117992886A (zh) | 异常对象的识别方法及装置 | |
Barria et al. | A non-parametric approach to pricing and hedging derivative securities: With an application to LIFFE data |
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 |