CN108399477B - 一种风险阈值确定的方法及装置 - Google Patents

一种风险阈值确定的方法及装置 Download PDF

Info

Publication number
CN108399477B
CN108399477B CN201710068139.3A CN201710068139A CN108399477B CN 108399477 B CN108399477 B CN 108399477B CN 201710068139 A CN201710068139 A CN 201710068139A CN 108399477 B CN108399477 B CN 108399477B
Authority
CN
China
Prior art keywords
risk
determining
risk probability
historical
probability
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
Application number
CN201710068139.3A
Other languages
English (en)
Other versions
CN108399477A (zh
Inventor
金宏
王维强
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.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Advanced New Technologies Co Ltd
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 Advanced New Technologies Co Ltd filed Critical Advanced New Technologies Co Ltd
Priority to CN201710068139.3A priority Critical patent/CN108399477B/zh
Publication of CN108399477A publication Critical patent/CN108399477A/zh
Application granted granted Critical
Publication of CN108399477B publication Critical patent/CN108399477B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Technology Law (AREA)
  • Educational Administration (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

本申请实施例公开一种风险阈值的确定方法及装置，该方法中服务器可根据历史业务数据，确定出设定风险概率对应的历史风险阈值，服务器可根据该设定风险概率以及确定出的历史风险阈值，确定出预设风险概率与风险阈值的待定拟合关系中的估计参数，进而确定出风险概率与风险阈值的拟合关系。服务器即可根据该拟合关系，确定出风控模型所能输出的每个风险概率对应的风险阈值，进而确定出当前时间段的风险概率与风险阈值的对应关系。从上述方法可以看出，服务器可根据历史业务数据自动确定出适合当前时间段的风险概率与风险阈值的拟合关系，进而对各风险概率对应的各风险阈值实施更新，实现了风险阈值方便、快捷的更新。

Description

一种风险阈值确定的方法及装置
技术领域
本申请涉及计算机技术领域，尤其涉及一种风险阈值确定的方法及装置。
背景技术
为保证用户在业务处理过程中的业务安全，服务平台会对用户发送的业务请求进行风险控制，以确保用户的个人信息以及个人业务资源不受过大损失。
目前，服务平台会针对不同的业务设置不同的风控模型，以通过风控模型确定出用户发送的业务请求的风险概率，并根据预先设置的该风险概率对应的风险阈值，确定出如何对该业务请求进行风险控制。
当前，风险阈值的更新通常是运维人员通过大量的历史数据设定的，而阈值需要经常更新，因此，运维人员在更新风险阈值的过程中将势必花费大量的时间，这就导致了运维人员更新风险阈值时较为麻烦，所以，如何能够更加方便、快捷的对风险阈值实施更新，则是一个亟待解决的问题。
发明内容
本申请实施例提供一种风险阈值的确定方法及装置，用以解决现有技术中风险阈值的更新较为麻烦的问题。
本申请实施例提供了一种风险阈值的确定方法，包括：
确定历史业务数据，并根据所述历史业务数据，确定设定风险概率对应的历史风险阈值；
根据预设的风险概率与风险阈值的待定拟合关系，以及所述设定风险概率和所述历史风险阈值，确定所述待定拟合关系中的估计参数；
根据确定出的所述估计参数，确定风险概率和风险阈值的拟合关系；
针对风控模型所能输出的每个风险概率，根据所述拟合关系，确定该风险概率所对应的风险阈值。
本申请实施例提供一种风险阈值的确定装置，用以解决现有技术中风险阈值的更新较为麻烦的问题。
本申请实施例提供了一种风险阈值的确定装置，包括：
第一确定阈值模块，确定历史业务数据，并根据所述历史业务数据，确定设定风险概率对应的历史风险阈值；
确定参数模块，根据预设的风险概率与风险阈值的待定拟合关系，以及所述设定风险概率和所述历史风险阈值，确定所述待定拟合关系中的估计参数；
确定关系模块，根据确定出的所述估计参数，确定风险概率和风险阈值的拟合关系；
第二确定阈值模块，针对风控模型所能输出的每个风险概率，根据所述拟合关系，确定该风险概率所对应的风险阈值。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
在本申请实施例中，服务器在确定风险概率对应的风险阈值时，可根据历史业务数据，确定出设定风险概率对应的历史风险阈值，而后，服务器可根据该设定风险概率以及确定出的历史风险阈值，确定出预设风险概率与风险阈值的待定拟合关系中的估计参数，进而确定出风险概率与风险阈值的拟合关系。这样，服务器即可根据该拟合关系，确定出风控模型所能输出的每个风险概率对应的风险阈值，进而确定出风险概率与风险阈值的对应关系。从上述方法可以看出，在对风险阈值进行更新时，服务器可根据历史业务数据自动确定出合适的风险概率与风险阈值的拟合关系，进而对各风险概率对应的各风险阈值实施更新，无需运维人员通过对大量历史业务数据的分析来实现，从而实现了风险阈值方便、快捷的更新。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例提供的风险阈值的确定过程示意图；
图2为本申请实施例提供的历史交易金额总量的示意图；
图3为本申请实施例提供的一种风险阈值的确定装置示意图。
具体实施方式
为了保证用户的账户安全，服务平台通常会针对自身所能提供的不同业务分别设置不同的风控模型，并针对风控模型所能输出的各风险概率，人为根据历史业务数据设置相应的各风险阈值，以通过风险概率与风险阈值，对用户发送的业务请求实施风控管理。
具体的，服务平台的服务器可接收用户发送的业务请求；通过预设的风控模型，确定所述业务请求对应的风险概率；根据预先确定出的风险概率与风险阈值的对应关系，确定所述风险概率对应的风险阈值；判断所述业务请求中包含的业务资源量是否超出所述风险阈值；若是，则不对所述业务请求进行处理；若否，则对所述业务请求进行放行并处理。其中，风险概率与风险阈值之间呈现负相关关系，即，风险概率越大，服务器所能允许损失的业务资源量越小，而当风险概率越小时，服务器所能允许损失的业务资源量将越大。
例如，以交易业务为例，服务平台的服务器在接收用户发起的一笔交易后，可通过该交易业务所对应的风控模型，确定出该交易的一个风险概率，而后，服务器可根据人为预先设置的风险概率与资损金额之间的对应关系，确定出该风险概率对应的资损金额，其中，这里的资损金额就作为该风险概率所对应的风险阈值。服务器可进一步判断这笔交易所涉及的交易金额是否超出了该资损金额，当服务器确定这笔交易所涉及的交易金额已超出了该资损金额时，则确定出这笔交易在该风险概率下已成为一笔风险交易，继而不对这笔交易进行处理，而当服务器确定这笔交易所涉及的交易金额未超出该资损金额时，则确定出这笔交易在该风险概率下是一笔安全交易，继而对这笔交易放行并进行相应的处理。
当前，服务平台为了更好的保证自身业务的安全性，需要经常对风险阈值进行更新，而各风险概率所对应的各风险阈值需要人为通过对大量历史业务数据的分析、运算而设定的，这个过程需要消耗大量的人力资源以及时间，所以，现有技术所提供的风险阈值的更新方式无法满足快捷更新风险阈值的需求，从而给运维人员在进行风险阈值更新的过程中带来了不便。
为了有效解决上述问题，在本申请中，服务器可根据历史业务数据自动确定出合适的风险概率与风险阈值的拟合关系，并通过该拟合关系，对各风险概率对应的各风险阈值实施更新，无需运维人员通过对大量历史业务数据的分析来实现，实现了风险阈值的快捷更新。
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
图1为本申请实施例提供的风险阈值的确定过程示意图，具体包括以下步骤：
S101：确定历史业务数据，并根据所述历史业务数据，确定设定风险概率对应的历史风险阈值。
在本申请实施例中，服务器需要基于历史业务数据对风险阈值实施更新，因此，服务器在更新风险阈值时，可确定出服务器中保存的历史业务数据，如，对于转账业务来说，服务器可将历史的交易金额总量确定为用于更新风险阈值的历史业务数据，再例如，对于网购业务来说，服务器可将历史的成交总额确定为用于更新风险阈值的历史业务数据。
当然，服务器也可将一段历史时段内的历史业务数据确定为用于更新风险阈值的历史业务数据，以交易业务为例，服务器可将昨天(即历史时间段)的交易金额总量确定为所述历史业务数据。
服务器也可根据当前时间段来选择与当前时间段相符的历史时间段，进而根据该历史时间段的历史业务数据，对风险阈值进行适合当前时间段的更新，如，对于网购平台来说，当遇到特定节日时，该特定节日的交易笔数相对于近期来说将会极大的增加，相应的，交易金额总量也将极大的升高，为了能够使更新的资损金额(该资损金额即为风险阈值)能够在该特定节日中起到良好的风控效果，服务器可将去年该特定节日时的交易金额总量确定为用于更新当前时间段的历史业务数据，进而通过该历史业务数据，更新出符合该特定节日的资损金额。
服务器在确定出历史时间段的历史业务数据后，可确定出用于风险阈值更新的设定风险概率，并根据预先针对该设定风险概率设定的数据量比例，确定出该数据量比例在该历史业务数据中所对应的业务数据量，进而根据该业务数据量，确定出该历史时间段内该设定风险概率对应的历史风险阈值。
在本申请实施例中，设定风险概率与数据量比例的对应关系可由人为进行设定，如表1所示。
Figure BDA0001221318860000051
表1
在表1中，各设定风险概率对应各分位数，这里的分位数即为设定风险概率所对应的数据量比例，服务器在更新风险阈值时，可根据用于更新风险阈值的设定风险概率以及各设定风险概率与分位数的对应关系，确定出该设定风险概率对应的分位数，从而根据该分位数，确定出该分位数在所述历史业务数据中对应的业务数据量，进而在后续过程中，通过该业务数据量，确定出该设定风险概率所对应的历史风险阈值，如图2所示。
图2为本申请实施例提供的历史交易金额总量的示意图。
假设，图2为相对于当前时间的昨天的历史交易金额总量示意图，在图2中，横坐标为时间，纵坐标为交易金额数，整个图2所围成的封闭图形的面积即为昨天的历史交易金额总量。服务器对当前时间的风险阈值进行更新时，可确定出设定风险概率99％所对应的数据量比例为1分位数，进而根据该1分位数，确定出该1分位数在该历史交易金额总量所对应的部分交易额，图2中的阴影部分即为1分位数在该历史交易金额总量所对应的部分交易额，服务器可根据确定出的这部分交易额，确定出该设定风险概率所对应的历史资损金额(即历史风险阈值)。其中，图2中1分位数所对应的部分交易额并不是指交易金额总量的1％，而是将交易金额总量按时间平分成100份，并将最后一份交易额确定为该1分位数所对应的部分交易额。当然人为在设定风险概率99％所对应的数据量比例时，也可将设定风险概率99％对应的数据量比例设定为交易金额总量的1％。
服务器在确定历史风险阈值的过程中，可根据确定出的设定风险概率所对应的业务数据量，以及该历史时间段内的业务数，确定出该设定风险概率对应的历史风险阈值。
继续沿用上例，服务器在确定出1分位数对应的部分交易额后，可进一步的确定出昨天(即历史时间段)内的历史交易次数，进而将这部分交易额除以该历史交易次数，得到设定风险概率99％所对应的历史资损金额(即历史风险阈值)。
需要说明的是，在本申请实施例中，服务器在确定出该设定风险概率对应的业务数据量后，也可通过预设的一个业务数据量系数以及该业务数据量，确定出该设定风险概率对应的历史风险阈值。继续沿用上例，服务器在确定出1分位数在昨天历史交易金额总量所对应的部分交易额后，可将这部分交易额乘以一个预设的交易额系数，进而得到该设定风险概率99％对应的历史资损金额(即历史风险阈值)。
服务器也可确定出设定风险概率对应的历史风险阈值时，也可采用其他的方式进行确定，如，服务器在确定出设定风险概率在历史业务数据中所对应的业务数据量后，可根据该设定风险概率在之前的历史业务数据中所对应的各业务数据量，确定出各业务数据量的平均业务数据量，进而根据该平均业务数据量以及在该历史时间段内的业务数，确定出该设定风险概率对应的历史风险阈值。当然，能够确定出该设定风险概率对应的历史风险阈值的方式还有很多，在此就不一一举例进行说明了，只需保证确定出的该设定风险概率所对应的历史风险阈值能够满足业务的风控需求即可。
S102：根据预设的风险概率与风险阈值的待定拟合关系，以及所述设定风险概率和所述历史风险阈值，确定所述待定拟合关系中的估计参数。
服务器在确定出该设定风险概率对应的历史风险阈值后，可将该设定风险概率以及该历史风险阈值带入到预先确定出的风险概率与风险阈值的待定拟合关系，从而确定出该待定拟合关系中的估计参数，进而确定出不含未知参数的当前时间段中的风险阈值与风险概率的拟合关系。
在本申请实施例中，该风险概率与风险阈值的待定拟合关系可由服务器事先进行确定，具体的确定方式可以是：服务器可确定出输出风险概率的风控模型在训练时所使用的样本集，并进一步的确定出在该样本集中黑样本的占比，而后，服务器可针对该风控模型所能输出的每个训练风险概率，根据确定出的该风控模型训练时的黑样本占比、该训练风险概率以及预设的标准黑样本率，确定出该训练风险概率对应的归一化风险概率，并通过该归一化风险概率以及预设的风险阈值函数，确定出包含有上述估计参数的风险阈值与风险概率的待定拟合关系。
服务器确定出该风控模型在训练时的黑样本占比，是为了能够通过该黑样本占比以及预设的标准黑样本率，将风控模型训练时所能输出的每个训练风险概率能够进行归一化处理。其中，对每个训练风险概率进行归一化处理的目的在于，在实际应用中，不同的业务都有对应的风控模型，由于不同的风控模型在构建时所使用的算法不同，所以，各风控模型输出的风险概率所基于的标准也将不同，相应的，同一风险概率在不同的风控模型中也将对应不同的风险阈值，如，风险概率a在风控模型A中对应的风险阈值为b，而风险概率a在风控模型B中对应的风险阈值则是c。
换句话说，当前，运维人员在对各风控模型输出的风险概率设置相应的风险阈值时，通常会基于不同的风控模型，确定出不同的风险概率与风险阈值的对应关系，所以，运维人员后续更新风险阈值时，也需要针对不同的风控模型实施更新，由于运维人员当前都是通过对大量历史业务数据的分析，才能对风险阈值进行更新，所以，运维人员对一个风控模型所对应的风险阈值进行更新已经十分麻烦了，而若要将实际应用中各风控模型所对应的风险阈值进行更新，则势必会消耗更多的时间、成本、人力资源等，相应的，风险阈值的更新周期也将进一步延缓。
为了有效解决上述说明的问题，在本申请实施例中，服务器可根据运维人员制定的风险概率转换规则，将不同风控模型所能输出的风险概率转换为同一标准下的各风险概率，相应的，运维人员只需制定一套适合各风控模型的风险阈值更新规则，并将这套规则输入到服务器中使服务器来执行，便可快捷方便地对各风控模型对应的风险阈值实施更新，降低风险阈值更新时的时间、成本消耗，缩短风险阈值更新的耗时。
具体的，在本申请实施例中，服务器在对每个风控模型对应的风险阈值实施更新时，可确定出该风控模型在训练时所使用的样本集，并进一步的确定出该样本集中的黑样本占比。确定黑样本占比的目的在于，风控模型识别风险的能力通常都是与其在训练时所使用的样本集的黑样本占比息息相关的，不同的黑样本占比通常就决定了不同风控模型针对同一业务请求所输出的风险概率也是不同的，所以，不同风控模型在训练时所对应的黑样本占比就决定了风控模型输出风险概率的标准不同。
由于在本申请实施例中，服务器需要在一套风险概率的标准下，确定风险概率对应的风险阈值，所以，服务器可将风控模型所输出的风险概率依照一个标准进行归一化，以得到归一化的风险概率，进而在后续过程中，根据适用于所有风控模型的风险概率与风险阈值的拟合关系，确定出归一化的风险概率所对应的风险阈值。
在本申请实施例中，服务器可利用该风控模型在训练时的黑样本占比，对该风控模型所输出的风险概率实施归一化处理。具体的，服务器可先确定出该风控模型在训练时的样本集，进而确定出该样本集中的黑样本占比：
Figure BDA0001221318860000091
其中，b0即为该样本集中的黑样本数。而后，服务器可确定出运维人员预设的标准黑样本率：
Figure BDA0001221318860000092
进而根据该黑样本占比以及该标准黑样本率，对该风控模型输出的风险概率进行归一化。
其中，对于上述说明的黑样本占比以及标准黑样本率来说，两者存在以下关系：
Figure BDA0001221318860000093
换句话说，服务器可通过k，实现该黑样本占比与标准黑样本率之间的相互转化，所以，服务器可通过这两者之间的关系，确定出
Figure BDA0001221318860000094
这里的k即为该风控模型针对该标准黑样本率的黑样本率转换因子。服务器可根据该黑样本率转换因子，对该风控模型所输出的风险概率进行归一化处理。
服务器在确定出该黑样本率转换因子后，可根据预先设定的风险概率转换成归一化风险概率的转换关系：pn＝c*p0，确定出该风险概率对应的归一化风险概率，其中，p0为服务器需要进行归一化处理的训练风险概率，而pn则是该训练风险概率p0进行归一化处理后得到的归一化风险概率，p0和pn的区别可以理解为运维人员构建了一个理想的风控模型和一个用于对现实业务进行风险识别的实际风控模型，对于同一个业务请求来说，实际风控模型确定出该业务请求的风险概率为p0，而理想风控模型确定出该业务请求的风险概率则为pn。服务器均以该理想风控模型所输出的风险概率为标准，对各风控模型输出的风险概率实施归一化处理。
在上述关系pn＝c*p0中，并没有出现服务器确定出的黑样本率转换因子k，所以，在本申请实施例中，服务器需要将上述关系中的c进行转换，得到能够通过k进行表示的形式。在本申请实施例中，风控模型所能输出的训练风险概率通常是与该训练风险概率所对应的黑样本准确率相关的，其中，这里提到的黑样本准确率是指该风控模型在训练过程中，通过该训练风险概率所确定出的黑样本数中包含的真实黑样本的比率。
假设，风控模型训练过程中，通过训练风险概率85％筛选出的样本数为300，这300个样本是指训练风险概率高于训练风险概率85％的样本，而在这300个样本中，实际的黑样本(也即人为事先已确定出的黑样本)数则是240，则该风控模型在训练风险概率85％下所能识别出的黑样本的准确率为80％。
在本申请实施例中，训练风险概率越大，表明一个样本为黑样本的概率越大，而对于黑样本准确率来说，黑样本准确率越高，该黑样本准确率所对应的训练风险概率识别黑样本的能力也就越高，由此可见，训练风险概率与其对应的黑样本准确率通常是正相关的，所以，服务器在对c进行转换时，可将上述关系pn＝c*p0中的p0和pn分别替换为p0和pn所对应的黑样本准确率
Figure BDA0001221318860000101
和
Figure BDA0001221318860000102
以确定出能够通过k和p0的表现形式：
Figure BDA0001221318860000103
从而根据上述关系pn＝c*p0，确定出风险概率p0的归一化形式
Figure BDA0001221318860000111
进而通过该归一化形式，确定出风控模型所能输出的训练风险概率所对应的归一化风险概率。
其中，上述归一化风险概率pn所对应的黑样本准确率
Figure BDA0001221318860000112
可以理解为：假设存在一个理想的风控模型以及一个实际的风控模型，实际风控模型对一个业务请求进行风险识别后所输出的风险概率为p0，相应的，风险概率p0在该实际风控模型所对应的黑样本准确率为
Figure BDA0001221318860000113
而理想风控模型对该业务请求进行风险识别后所输出的风险概率则为pn，相应的，风险概率pn在该理想风控模型所对应的黑样本准确率则为
Figure BDA0001221318860000114
由于风险概率与其所对应的黑样本准确率具有正相关的关系，所以，服务器在对c进行转换时，可将pn＝c*p0中的p0和pn分别替换为p0和pn所对应的黑样本准确率
Figure BDA0001221318860000115
和
Figure BDA0001221318860000116
从而实现对c的转换。
而在确定pn所对应的黑样本准确率的过程中，由于k表示的是黑样本率的转换因子，所以，同样可根据黑样本率转换因子k，将训练风险概率p0所对应的黑样本准确率
Figure BDA0001221318860000117
进行转换，从而得到归一化风险概率pn所对应的黑样本准确率
Figure BDA0001221318860000118
在本申请实施例中，各训练风险概率所对应的黑样本准确率在训练风控模型的过程中已经确定出，所以，在对c进行转换的过程中，可直接确定出训练风险概率p0所对应的黑样本准确率
Figure BDA0001221318860000119
进而对c实施转换。
服务器在确定出该归一化风险概率后，可根据该归一化风险概率以及运维人员预先在服务器中设置的风险阈值函数，确定出包含有待确定估计参数的风险概率与风险阈值的待定拟合关系。其中，在本申请实施例中，在服务器中预先设置的风险阈值函数可以是：
Figure BDA0001221318860000121
在该风险阈值函数中，f(x)为服务器确定出的归一化风险概率，x为该归一化风险概率对应的风险阈值，而该风险阈值函数中的a即为需要确定出具体数值的估计参数。
从上述风险阈值函数中可以看出，该风险阈值函数的一阶导数为负，该一阶导数的斜率是递增的，所以，通过该风险阈值函数可以看出，该风险阈值函数所表达的思想是：当风险概率较大时，服务器确定出的风险阈值则相对较小，当风险概率较小时，服务器确定出的风险阈值则相对较大。
以交易业务来说，该风险阈值函数能够有效的体现出，当服务器确定出一笔交易的风险概率较大时，则容许的资损金额(即风险阈值)则相对较小，也就是说，一笔交易的风险概率很大时，服务器为了确保用户的资金不至受到较大的损失，针对该风险概率所确定出的资损金额也将相对较小，这样，当这笔交易中涉及的金额超过该资损金额时，服务器则会拒绝这笔交易，从而保证了用户的资金安全。相反的，当服务器确定出一笔交易的风险概率较小时，则服务器确定出的该风险概率所对应的资损金额也相对较大，即，在这种情况下，服务器允许用户进行较大数额的交易。
通过对上述风险阈值函数的阐述可以看出，该风险阈值函数所表达的意思是：风险概率和风险阈值的关系为负相关关系，所以，上述的风险阈值函数并不唯一，运维人员也可将其他形式的风险阈值函数设置在服务器中，以使服务器能够通过该风险阈值函数，确定出风险概率与风险阈值的拟合关系，只需保证风险阈值函数中能够有效表现出风险概率与风险阈值的负相关关系即可。
服务器在确定出归一化风险概率
Figure BDA0001221318860000122
以及风险阈值函数
Figure BDA0001221318860000123
后，可进一步的确定出包含有待定估计参数a的风险概率与风险阈值的待定拟合关系：
Figure BDA0001221318860000124
进而将上述设定风险概率以及确定出的该设定风险概率对应的历史风险阈值带入到该待定拟合关系中，确定出估计参数a。
S103：根据确定出的所述估计参数，确定风险概率和风险阈值在当前时间段中的拟合关系。
服务器在确定出该估计参数a后，可将估计参数a的具体数值带入到上述待定拟合关系：
Figure BDA0001221318860000131
从而确定出风险概率与风险阈值的拟合关系，其中，该拟合关系可以用于当前时刻风险阈值的确定。
S104：针对风控模型所能输出的每个风险概率，根据所述当前时间段中的拟合关系，确定当前时间段中该风险概率所对应的风险阈值。
服务器确定出风险概率与风险阈值在当前时间中的拟合关系后，即可针对风控模型所能输出的每个风险概率，将各风险概率依次输入到该拟合关系中，从而确定出各风险概率对应的各风险阈值，继而确定出的各风险概率与各风险阈值的对应关系进行保存。
由于服务器确定出了当前时间中各风险概率与各风险阈值的对应关系，所以，服务器在接收到用户发送的业务请求后，可通过对该业务请求进行风险识别的风控模型，确定出该业务请求对应的风险概率，并根据事先确定出的该风控模型的黑样本率转换因子，确定出该风险概率所对应的归一化风险概率，从而根据确定出的当前时间的风险概率与风险阈值的对应关系，确定出该归一化风险概率所对应的风险阈值，进而根据该风险阈值，确定出该如何对该业务请求进行风险控制。
例如，服务器确定出今天(即当前时间中)的风险概率与资损金额(风险概率)的对应关系后，可通过交易风控模型，确定出今天接收到的各交易请求所对应的各风险概率，其中，针对每个风险概率来说，服务器可根据该交易风控模型所对应的黑样本率转换因子，通过上述公式：
Figure BDA0001221318860000132
将该风险概率进行归一化处理，得到相应的归一化风险概率，而后，服务器可根据确定出的当前时间中(即今天)的风险概率与资损金额(即风险阈值)的对应关系，确定出该归一化风险概率所对应的资损金额，从而进一步的通过该交易请求中所涉及的交易金额(即业务资源量)是否超出了该资损金额，若是，则确定该交易请求为风险交易，进而拒绝该交易请求，若否，则确定该交易请求为安全交易，并对该交易请求进行放行。
从上述方法可以看出，在对风险阈值进行更新时，服务器可根据历史业务数据自动确定出适合当前时间段的风险概率与风险阈值的拟合关系，进而对各风险概率对应的各风险阈值实施更新，无需运维人员通过对大量历史业务数据的分析来实现，从而实现了风险阈值方便、快捷的更新。
以上为本申请实施例提供的风险阈值的确定方法，基于同样的思路，本申请实施例还提供一种风险阈值的确定装置，如图3所示。
图3为本申请实施例提供的一种风险阈值的确定装置示意图，具体包括：
第一确定阈值模块301，确定历史业务数据，并根据所述历史业务数据，确定设定风险概率对应的历史风险阈值；
确定参数模块302，根据预设的风险概率与风险阈值的待定拟合关系，以及所述设定风险概率和所述历史风险阈值，确定所述待定拟合关系中的估计参数；
确定关系模块303，根据确定出的所述估计参数，确定风险概率和风险阈值的拟合关系；
第二确定阈值模块304，针对风控模型所能输出的每个风险概率，根据所述拟合关系，确定该风险概率所对应的风险阈值。
所述第一确定阈值模块301，确定预先针对所述设定风险概率设定的数据量比例；根据所述数据量比例，从所述历史业务数据中确定所述数据量比例所对应的业务数据量；根据所述业务数据量，确定所述设定风险概率对应的历史风险阈值。
所述确定参数模块302，预先针对风控模型在训练时所能输出的每个训练风险概率，确定该训练风险概率对应的归一化风险概率；根据该归一化风险概率，确定所述待定拟合关系。
所述确定参数模块302，确定所述风控模型在训练时所使用的样本集；确定所述样本集中黑样本的占比；针对所述风控模型在训练时所能输出的每个训练风险概率，根据所述黑样本的占比以及预设的标准黑样本率，确定该训练风险概率对应的归一化风险概率。
所述确定参数模块302，根据所述黑样本的占比以及所述标准黑样本率，确定所述风控模型针对所述标准黑样本率的黑样本率转换因子；根据所述黑样本率转换因子以及该训练风险概率，确定该训练风险概率对应的归一化风险概率。
所述历史业务数据为历史支付业务交易总额；所述数据量比例为交易总额比例；所述业务数据量为部分交易额；
所述第一确定阈值模块301，从所述历史支付业务交易总额中确定所述交易总额比例所对应的部分交易额；
所述第一确定阈值模块301，根据所述部分交易额以及历史交易次数，确定所述设定风险概率对应的历史风险概率。
风控模块305，接收用户发送的业务请求；通过所述风控模型，确定所述业务请求的风险概率；根据所述黑样本率转换因子，确定所述风险概率对应的归一化风险概率；根据预先确定出的风险概率与风险阈值的对应关系，确定所述归一化风险概率对应的风险阈值；根据所述风险阈值，对所述业务请求进行风险控制。
本申请实施例提供一种风险阈值的确定方法及装置，该方法中服务器在确定当前时间段中风险概率对应的风险阈值时，可根据历史时间段中的历史业务数据，确定出设定风险概率对应的历史风险阈值，而后，服务器可根据该设定风险概率以及确定出的历史风险阈值，确定出预设风险概率与风险阈值的待定拟合关系中的估计参数，进而确定出风险概率与风险阈值在当前时间段中的拟合关系。这样，服务器即可根据该拟合关系，确定出风控模型所能输出的每个风险概率对应的风险阈值，进而确定出当前时间段的风险概率与风险阈值的对应关系。从上述方法可以看出，在对风险阈值进行更新时，服务器可根据历史业务数据自动确定出适合当前时间段的风险概率与风险阈值的拟合关系，进而对各风险概率对应的各风险阈值实施更新，无需运维人员通过对大量历史业务数据的分析来实现，从而实现了风险阈值方便、快捷的更新。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (6)

1.一种业务请求的处理方法，其特征在于，包括：
接收用户发送的业务请求；
通过风控模型确定所述业务请求对应的风险阈值，具体包括：确定历史业务数据，并根据所述历史业务数据，确定用于风险阈值更新的设定风险概率，所述历史业务数据为历史支付业务交易总额；
确定预先针对所述设定风险概率设定的数据量比例；所述数据量比例为交易总额比例；
根据所述数据量比例，从所述历史业务数据中确定所述数据量比例所对应的业务数据量；所述业务数据量为部分交易额；
根据所述业务数据量，确定所述设定风险概率对应的历史风险阈值；
根据预设的风险概率与风险阈值的待定拟合关系，以及所述设定风险概率和所述历史风险阈值，确定所述待定拟合关系中的估计参数；所述待定拟合关系是预先针对风控模型在训练时所能输出的每个训练风险概率，确定该训练风险概率对应的归一化风险概率之后，根据该归一化风险概率进行确定的；
根据确定出的所述估计参数，确定风险概率和风险阈值的拟合关系；针对风控模型所能输出的每个风险概率，根据所述拟合关系，确定该风险概率所对应的风险阈值；
根据所述风险阈值，对所述业务请求进行风险控制，完成对所述业务请求的处理；
所述从所述历史业务数据中确定所述数据量比例所对应的业务数据量，具体包括：
从所述历史支付业务交易总额中确定所述交易总额比例所对应的部分交易额；
所述根据所述业务数据量，确定所述设定风险概率对应的历史风险阈值，具体包括：
根据所述部分交易额以及历史交易次数，确定所述设定风险概率对应的历史风险概率。
2.如权利要求1所述的方法，其特征在于，预先针对所述风控模型在训练时所能输出的每个训练风险概率，确定该训练风险概率对应的归一化风险概率，具体包括：
确定所述风控模型在训练时所使用的样本集；
确定所述样本集中黑样本的占比；
针对所述风控模型在训练时所能输出的每个训练风险概率，根据所述黑样本的占比以及预设的标准黑样本率，确定该训练风险概率对应的归一化风险概率。
3.如权利要求2所述的方法，其特征在于，根据所述黑样本的占比以及预设的标准黑样本率，确定该训练风险概率对应的归一化风险概率，具体包括：
根据所述黑样本的占比以及所述标准黑样本率，确定所述风控模型针对所述标准黑样本率的黑样本率转换因子；
根据所述黑样本率转换因子以及该训练风险概率，确定该训练风险概率对应的归一化风险概率。
4.一种业务请求的处理装置，其特征在于，包括：
风控模块，接收用户发送的业务请求；
通过风控模型确定所述业务请求对应的风险阈值，具体包括：第一确定阈值模块，确定历史业务数据，并根据所述历史业务数据，确定用于风险阈值更新的设定风险概率，所述历史业务数据为历史支付业务交易总额；
确定预先针对所述设定风险概率设定的数据量比例；所述数据量比例为交易总额比例；
根据所述数据量比例，从所述历史业务数据中确定所述数据量比例所对应的业务数据量；所述业务数据量为部分交易额；
根据所述业务数据量，确定设定风险概率对应的历史风险阈值；
确定参数模块，根据预设的风险概率与风险阈值的待定拟合关系，以及所述设定风险概率和所述历史风险阈值，确定所述待定拟合关系中的估计参数；所述待定拟合关系是预先针对风控模型在训练时所能输出的每个训练风险概率，确定该训练风险概率对应的归一化风险概率之后，根据该归一化风险概率进行确定的；
确定关系模块，根据确定出的所述估计参数，确定风险概率和风险阈值的拟合关系；
第二确定阈值模块，针对风控模型所能输出的每个风险概率，根据所述拟合关系，确定该风险概率所对应的风险阈值；
根据所述风险阈值，对所述业务请求进行风险控制，完成对所述业务请求的处理；
所述第一确定阈值模块，从所述历史支付业务交易总额中确定所述交易总额比例所对应的部分交易额；
根据所述部分交易额以及历史交易次数，确定所述设定风险概率对应的历史风险概率。
5.如权利要求4所述的装置，其特征在于，所述确定参数模块，确定所述风控模型在训练时所使用的样本集；确定所述样本集中黑样本的占比；针对所述风控模型在训练时所能输出的每个训练风险概率，根据所述黑样本的占比以及预设的标准黑样本率，确定该训练风险概率对应的归一化风险概率。
6.如权利要求5所述的装置，其特征在于，所述确定参数模块，根据所述黑样本的占比以及所述标准黑样本率，确定所述风控模型针对所述标准黑样本率的黑样本率转换因子；根据所述黑样本率转换因子以及该训练风险概率，确定该训练风险概率对应的归一化风险概率。
CN201710068139.3A 2017-02-07 2017-02-07 一种风险阈值确定的方法及装置 Active CN108399477B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710068139.3A CN108399477B (zh) 2017-02-07 2017-02-07 一种风险阈值确定的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710068139.3A CN108399477B (zh) 2017-02-07 2017-02-07 一种风险阈值确定的方法及装置

Publications (2)

Publication Number Publication Date
CN108399477A CN108399477A (zh) 2018-08-14
CN108399477B true CN108399477B (zh) 2021-03-05

Family

ID=63094121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710068139.3A Active CN108399477B (zh) 2017-02-07 2017-02-07 一种风险阈值确定的方法及装置

Country Status (1)

Country Link
CN (1) CN108399477B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110046779B (zh) * 2018-11-01 2023-05-02 创新先进技术有限公司 一种数据处理方法及装置、一种计算设备及存储介质
CN109583731B (zh) * 2018-11-20 2023-04-18 创新先进技术有限公司 一种风险识别方法、装置及设备
CN110443618B (zh) * 2019-07-10 2023-12-01 创新先进技术有限公司 风控策略的生成方法及装置
CN110796450B (zh) * 2019-10-31 2022-06-03 支付宝(杭州)信息技术有限公司 可信关系处理方法以及装置
CN110852754A (zh) * 2019-10-31 2020-02-28 支付宝(杭州)信息技术有限公司 一种风险识别方法、装置及设备
CN111047220A (zh) * 2019-12-27 2020-04-21 支付宝(杭州)信息技术有限公司 一种风控阈值条件确定方法、装置、设备和可读介质
CN111160797A (zh) * 2019-12-31 2020-05-15 深圳市分期乐网络科技有限公司 风控模型的构建方法、装置、存储介质及终端
CN111310784B (zh) * 2020-01-14 2021-07-20 支付宝(杭州)信息技术有限公司 资源数据的处理方法及装置
CN111583550A (zh) * 2020-04-27 2020-08-25 中国银行股份有限公司 无介质存款交易方法、装置、计算机设备及可读存储介质
CN112037042A (zh) * 2020-09-02 2020-12-04 中国银行股份有限公司 一种银行业务监控方法及装置
CN112927068A (zh) * 2021-03-30 2021-06-08 善诊(上海)信息技术有限公司 业务数据风险分类门限确定方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408525A (zh) * 2014-11-11 2015-03-11 西北工业大学 作业车间调度风险的量化评估与控制方法
CN104751363A (zh) * 2015-03-24 2015-07-01 北京工商大学 基于贝叶斯分类器的股票中长期趋势预测方法及系统
CN104933059A (zh) * 2014-03-18 2015-09-23 华为技术有限公司 文件信誉获取方法、网关设备和文件信誉服务器
CN105809360A (zh) * 2016-03-16 2016-07-27 北京银讯财富信息技术有限公司 一种p2p行业风险评估方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100094777A1 (en) * 2004-09-08 2010-04-15 Rosenthal Collins Group, Llc. Method and system for providing automatic execution of risk-controlled synthetic trading entities
AU2014200675A1 (en) * 2005-03-24 2014-02-27 Accenture Global Services Limited Risk based data assessment

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933059A (zh) * 2014-03-18 2015-09-23 华为技术有限公司 文件信誉获取方法、网关设备和文件信誉服务器
CN104408525A (zh) * 2014-11-11 2015-03-11 西北工业大学 作业车间调度风险的量化评估与控制方法
CN104751363A (zh) * 2015-03-24 2015-07-01 北京工商大学 基于贝叶斯分类器的股票中长期趋势预测方法及系统
CN105809360A (zh) * 2016-03-16 2016-07-27 北京银讯财富信息技术有限公司 一种p2p行业风险评估方法

Also Published As

Publication number Publication date
CN108399477A (zh) 2018-08-14

Similar Documents

Publication Publication Date Title
CN108399477B (zh) 一种风险阈值确定的方法及装置
CN108460523B (zh) 一种风控规则生成方法和装置
CN107437416B (zh) 一种基于语音识别的咨询业务处理方法及装置
CN108537568B (zh) 一种信息推荐方法和装置
CN107770088B (zh) 一种流量控制方法及装置
CN110443618B (zh) 风控策略的生成方法及装置
CN108596410B (zh) 一种风控事件自动处理方法及装置
CN110443457B (zh) 数据处理方法及装置
CN110008991B (zh) 风险事件的识别、风险识别模型的生成方法、装置、设备及介质
CN108615184B (zh) 一种记账的方法及装置
CN110020427B (zh) 策略确定方法和装置
US20200202126A1 (en) Recognizing carbon-saving behaviors from images
CN108243032B (zh) 一种服务等级信息的获取方法、装置及设备
CN113643119A (zh) 一种模型训练的方法、业务风控的方法及装置
CN112528641A (zh) 建立信息抽取模型的方法、装置、电子设备和可读存储介质
CN110738562B (zh) 一种风险提醒信息的生成方法、装置及设备
CN114943307A (zh) 一种模型训练的方法、装置、存储介质以及电子设备
CN109345221A (zh) 资源流转的核对方法及装置
CN113010562B (zh) 一种信息推荐的方法以及装置
CN113379528A (zh) 风控模型建立方法、装置和风险控制方法
CN116308738B (zh) 一种模型训练的方法、业务风控的方法及装置
CN116841753A (zh) 一种流处理和批处理的切换方法及切换装置
CN112163962A (zh) 一种模型训练和业务风控的方法及装置
CN115660105A (zh) 一种模型训练的方法、业务风控的方法及装置
CN106815727B (zh) 一种信息风险评估方法及装置

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
TA01 Transfer of patent application right

Effective date of registration: 20201016

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20201016

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant