CN108665366A - 确定用户风险等级的方法、终端设备及计算机可读存储介质 - Google Patents

确定用户风险等级的方法、终端设备及计算机可读存储介质 Download PDF

Info

Publication number
CN108665366A
CN108665366A CN201810392830.1A CN201810392830A CN108665366A CN 108665366 A CN108665366 A CN 108665366A CN 201810392830 A CN201810392830 A CN 201810392830A CN 108665366 A CN108665366 A CN 108665366A
Authority
CN
China
Prior art keywords
data
target
sample
neural network
historical trading
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810392830.1A
Other languages
English (en)
Inventor
周俊琨
陈龙
许扬
官民
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201810392830.1A priority Critical patent/CN108665366A/zh
Priority to PCT/CN2018/097554 priority patent/WO2019205325A1/zh
Publication of CN108665366A publication Critical patent/CN108665366A/zh
Pending legal-status Critical Current

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明适用于数据处理技术领域，提供了一种确定用户风险等级的方法、终端设备及计算机可读存储介质，其中，一种确定用户风险等级的方法，通过获取目标用户的历史交易数据，再基于预设风险评估条件，从历史交易数据中筛选得到目标数据，目标数据为投资类型交易数据，最后将目标数据输入风险等级模型，风险等级模型用于根据目标数据，确定目标用户的风险等级，避免了在风险等级的确定中，因信息数据由用户自行提供，信息数据存在不客观不真实的现象，实现了根据用户的实际投资数据确定用户风险等级，提高了用户风险等级确定的准确程度。

Description

确定用户风险等级的方法、终端设备及计算机可读存储介质
技术领域
本发明属于数据处理技术领域，尤其涉及一种确定用户风险等级的方法、终端设备及计算机可读存储介质。
背景技术
随着人们收入水平的提高，越来越多的民众愿意将闲置的财产用于认购理财产品。在向用户介绍理财产品之前，需要了解用户的风险承受能力，也即对用户进行风险等级确定，以便于向用户介绍合适的理财产品。
现有用户风险等级确定方式是通过配置调查问卷，根据用户在调查问卷中的选项，对选项进行分数计算，再根据相应的分数值确定用户风险等级。然而，该风险等级的确定方式中，信息数据均由用户自行提供，容易存在不客观不真实的信息数据，降低了用户风险等级确定的准确程度。
发明内容
有鉴于此，本发明实施例提供了一种确定用户风险等级的方法、终端设备及计算机可读存储介质，以提高用户风险等级确定的准确程度。
本发明实施例的第一方面提供了一种确定用户风险等级的方法，包括：
获取目标用户的历史交易数据；
基于预设风险评估条件，从所述历史交易数据中筛选得到目标数据，所述目标数据为投资类型交易数据；
将所述目标数据输入风险等级模型，所述风险等级模型用于根据所述目标数据，确定所述目标用户的风险等级。
本发明实施例的第二方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中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：
获取目标用户的历史交易数据；
基于预设风险评估条件，从所述历史交易数据中筛选得到目标数据，所述目标数据为投资类型交易数据；
将所述目标数据输入风险等级模型，所述风险等级模型用于根据所述目标数据，确定所述目标用户的风险等级。
本发明实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取目标用户的历史交易数据；
基于预设风险评估条件，从所述历史交易数据中筛选得到目标数据，所述目标数据为投资类型交易数据；
将所述目标数据输入风险等级模型，所述风险等级模型用于根据所述目标数据，确定所述目标用户的风险等级。
实施本发明实施例提供的一种确定用户风险等级的方法、终端设备及计算机可读存储介质具有以下有益效果：
本发明实施例通过获取目标用户的历史交易数据，再基于预设风险评估条件，从历史交易数据中筛选得到目标数据，目标数据为投资类型交易数据，最后将目标数据输入风险等级模型，风险等级模型用于根据目标数据，确定目标用户的风险等级，避免了在风险等级的确定中，因信息数据由用户自行提供，信息数据存在不客观不真实的现象，实现了根据用户的实际投资数据确定用户风险等级，提高了用户风险等级确定的准确程度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种确定用户风险等级的方法的实现流程图；
图2是本发明另一实施例提供的一种确定用户风险等级的方法具体实现流程图；
图3是本发明另一实施例提供的一种确定用户风险等级的方法S23具体实现流程图；
图4是本发明另一实施例提供的一种确定用户风险等级的方法S11具体实现流程图；
图5是本发明另一实施例提供的一种终端设备的结构框图；
图6是本发明另一实施例提供的一种终端设备的示意图。
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。
本发明实施例通过获取目标用户的历史交易数据，再基于预设风险评估条件，从历史交易数据中筛选得到目标数据，目标数据为投资类型交易数据，最后将目标数据输入风险等级模型，风险等级模型用于根据目标数据，确定目标用户的风险等级，避免了在风险等级的确定中，因信息数据由用户自行提供，信息数据存在不客观不真实的现象，解决了用户风险等级确定的准确程度较低的问题。
在本发明实施例中，流程的执行主体为终端设备或者服务器，其中，终端设备可以包括但不限于：智能手机、笔记本电脑、计算机、平板电脑等移动终端。图1示出了本发明第一实施例提供的确定用户风险等级的方法的实现流程图，详述如下：
S11：获取目标用户的历史交易数据。
在步骤S11中，目标用户为需要进行风险等级评估的用户，历史交易数据为该目标用户对应账户在过去的一段时间内，进行交易的数据信息，例如，账单数据、消费记录等。
在本申请的所有实施例中，风险等级指的是金融投资风险等级，该风险等级用于描述在参与金融投资的过程中，用户能够承受的风险程度。风险等级越高，则表示用户愿意承受或者能够承受的风险程度越高，相应地，风险等级越低，则表示用户愿意承受或者能够承受的风险程度越低。
在实际中，由于在实际中，理财产品的回报率越高，则相应的赔率就越高，也即风险就越高，因此为了能够更好地向用户销售或推荐更适合用户的理财产品，在向用户销售或者推荐适合用户的理财产品时，有必要获悉用户能够承受的风险程度，也即用户对理财产品的风险接受程度。
置于何时获取目标用户的历史交易数据，可以包括但不仅限于以下两种场景。
场景1：若检测到向目标用户发送推荐信息的预设操作，则获取目标用户的历史交易数据。
例如，服务器周期性向目标用户发送推荐信息，如果当前时间为向目标用户发送推荐信息的时间点，则由服务器触发向目标用户发送推荐信息的预设操作，并获取目标用户的历史交易数据。
场景2：若检测到对目标用户进行风险等级评估的预设操作，则获取目标用户的历史交易数据。
例如，在理财应用中，用户可以通过理财应用获悉投资风险等级，通过将理财应用与相应的交易账户进行绑定，进而在检测到对目标用户进行风险等级评估的预设操作时，通过向交易账户的服务器发送请求，进而获取目标用户的历史交易数据。
S12：基于预设风险评估条件，从所述历史交易数据中筛选得到目标数据，所述目标数据为投资类型交易数据。
在步骤S12中，预设风险评估条件包括用于描述符合目标数据的信息，或者用于描述不符合目标数据的信息。由于目标数据为投资类型交易数据，因此，预设风险评估条件所表征的信息可以包括，账户类型、交易金额、进行交易的对方信息等。
在本实施例中，目标用户的历史交易数据可以描述目标用户进行交易的活跃度，或者用户进行交易的喜好分布等，通过预设风险评估条件对历史交易数据进行过滤，能够从历史交易数据中筛选出对目标用户进行风险等级评估有影响的目标数据，例如，目标数据为同目标用户进行交易的账户为非私人账户，且进行交易的对方为金融类型企业。
可以理解的是，在实际应用中，可以根据不同风险等级评估的需求调制预设风险评估条件，进而能够从历史交易数据中筛选出更加符合风险等级评估的目标数据。
S13：将所述目标数据输入风险等级模型，所述风险等级模型用于根据所述目标数据，确定所述目标用户的风险等级。
在步骤S13中，目标数据是基于预设风险评估条件，从历史交易数据中筛选得到，并作为目标用户的风险等级评估的输入参数。
在本实施例中，由于风险等级模型用于根据目标数据，确定目标用户的风险等级，因此将目标数据输入等级模型进行计算后，可以输出用于表征目标用户风险等级的数据信息。
需要说明的是，目标数据中包括多条内容不同或相同的交易数据，不同的交易数据所对应的权值不同，将目标数据输入风险等级模型后，风险等级模型根据不同权值之间在目标数据中的占比程度，进而得出与目标用户相对应的风险等级信息。
可以理解的是，风险等级模型是经样本进行训练后的初始模型，其中，初始模型可以是现有的前馈神经网络，通过为前馈神经网络配置训练样本，并将该训练样本输入前馈神经网络进行训练，使得该前馈神经网络能够根据相应的样本数据，输出用于描述风险等级的信息。在实际应用中，本领域技术人员基于不同的需求以及现有的公知常识，能够获悉前馈神经网络的具体计算过程，并清楚对前馈神经网络的训练方式和计算过程，故此处不再赘述。
以上可以看出，本发明实施例提供的一种确定用户风险等级的方法，通过获取目标用户的历史交易数据，再基于预设风险评估条件，从历史交易数据中筛选得到目标数据，目标数据为投资类型交易数据，最后将目标数据输入风险等级模型，风险等级模型用于根据目标数据，确定目标用户的风险等级，避免了在风险等级的确定中，因信息数据由用户自行提供，信息数据存在不客观不真实的现象，实现了根据用户的实际投资数据确定用户风险等级，提高了用户风险等级确定的准确程度。
图2示出了本发明另一实施例提供的一种确定用户风险等级的方法的具体实现流程图。参见图2所示，相对于图1所述实施例，本实施例提供的一种确定用户风险等级的方法中还包括S21和S25，具体详述如下：
进一步地，作为本发明另一实施例，在将所述目标数据输入风险等级模型之前，还包括：
S21：获取用户集群的历史交易数据集合。
S22：剔除所述历史交易数据集合中不满足预设样本条件的交易数据，得到样本数据集合。
S23：对所述样本数据集合进行样本扩充，以得到目标集合。
S24：基于所述目标集合调整前馈神经网络中的学习参数。
S25：将调整学习参数后的前馈神经网络识别为所述风险等级模型。
在本实施例中，由于用户集群中包括多个用户，不同用户之间的历史交易数据也不同，通过获取用户集群的历史交易数据集合，再剔除历史交易数据集合中不满足预设样本条件的交易数据，得到样本数据集合，能够较大程度上掌握不同类型用户的交易规则。
需要说明的是，预设样本条件用于区分历史交易数据集合中的交易数据是否为投资类型交易数据。由于历史交易数据集合中不满足预设样本条件的交易数据被剔除后，本数据集合中的数据与历史交易数据集合相比较小，而为了避免样本数据集合因内容较少，导致前馈神经网络的训练结果不理想，基于样本数据进行样本扩充，可以在保证数据准确范围的同时，提高前馈神经网络对数据进行处理的效果。
在本实施例中，基于所述目标集合调整前馈神经网络中的学习参数，以使所述学习参数满足以下条件：
其中，Y(X)为调整后的学习参数；X为所述本数据集合的特征值， 为所述前馈神经网络中各层节点的权重；b为所述前馈神经网络中各层节点上的偏置值；k为所述前馈神经网络的层数，且k≥3；bk为所述前馈神经网络第k层节点上的偏执值；所述前馈神经网络的第1层至k-1层中任一层节点对应的表达式为：其中，zi为加权和，所述加权和为所述权重与所述偏置值之和；所述前馈神经网络的第k层对应的表达式为：其中，zi为加权和，所述加权和为所述权重与所述偏置值之和。
以前馈神经网络包括三层节点为例，基于目标集合调整前馈神经网络中的学习参数时，在前馈神经网络的表达式中，k＝3，相应的前馈神经网络的表达式为：
其中，Y(X)为调整后的学习参数；X为本数据集合的特征值，W1 T， 分别为前馈神经网络中三层节点的权重；b1为前馈神经网络中第1层节点上的偏置值；b2为前馈神经网络中第2层节点上的偏置值；b3为前馈神经网络中第3层节点上的偏置值；前馈神经网络的第1层至第2层中任一层节点对应的表达式为：其中，zi为加权和，加权和为权重与偏置值之和；前馈神经网络的第3层对应的表达式为：其中，zi为加权和，加权和为权重与偏置值之和。
在本实施例中，前馈神经网络可以包括N个输入通道，每个输入通道对应于目标集合中包含的各项交易数据，例如交易数据中包含：交易金额、交易对象、交易产品3个事务参数，则前馈神经网络中则会设置有3个输入通道，依据各个交易数据在提示信息中的编号，为每个交易数据固定与之对应的输入通道，从而保证每个输入通道输入的交易数据的类别是相同的。该前馈神经网络的输出通道为一个，用于输出与交易数据相匹配的风险等级信息。
在本实施例中，前馈神经网络中包含多个神经层，每个神经层设置有相应的学习参数，通过调整学习参数的参数值能够适应不同输入类型以及输出类型。当学习参数设置为某一参数值时，将目标集合中的交易输入到该前馈神经网络，将对应输出用于表征用户风险等级的信息，基于多个训练协议的输出结果，得到该学习参数取该参数值时输出结果正确的概率值。终端设备会调整该学习参数，以使该概率值取最大值，则表示该前馈神经网络已经调整完毕。
通过将调整学习参数后的前馈神经网络识别为风险等级模型，使得在对用户进行风险等级评估时，无需用户提供参考信息，即可基于用户的交易数据对用户的风险等级进行科学化评估。
图3示出了本发明另一实施例提供的一种确定用户风险等级的方法S23的具体实现流程图。参见图3所示，相对于图2所述实施例，本实施例提供的一种确定用户风险等级的方法中S23包括S231、S232以及S233，具体详述如下：
S231：复制所述样本数据集合中的每条样本数据，得到副本集合。
S232：对所述副本集合中的每条样本数据随机配置扰动因子，以得到虚拟样本数据集合。
S233：将所述虚拟样本数据集合中的样本数据，随机穿插至所述样本数据集合中，得到所述目标集合。
在本实施例中，通过对样本数据集合进行样本扩充，进而丰富前馈神经网络的训练内容，提高前馈神经网络的准确度。扰动因子用于修改所述副本集合中的每条样本数据的数值，扰动因子取值等于或大于0，且扰动因子小于N，N为预设扰动阈值。
需要说明的是，在丰富样本数据的同时，为了使样本数据不重复，通过对副本集合中的每条样本数据随机配置扰动因子，可以提高样本的多元化程度。在实际中，对副本集合中的每条样本数据随机配置扰动因子，具体可以是在预设扰动阈值的范围内，对副本集合中的每条样本数据进行修改，得到虚拟样本数据集合，并使得虚拟样本中的多条样本数据部分不同或者全部不同。
通过将虚拟样本数据集合中的样本数据，随机穿插至样本数据集合中，进而改变样本数据集合的原始组成结构，使得原来的样本数据集合变得更加丰富，提高了对前馈神经网络的训练效率。
在本实施例中，通过获取用户集群的历史交易数据集合，剔除历史交易数据集合中不满足预设样本条件的交易数据，得到样本数据集合，再通过对样本数据集合进行样本扩充，以得到目标集合，最后基于目标集合调整前馈神经网络中的学习参数，将调整学习参数后的前馈神经网络识别为风险等级模型，实现了对风险等级模型进行训练，同时通过对样本数据集合进行样本扩充得到目标集合，能够提高对前馈神经网络进行训练的效率。
图4示出了本发明另一实施例提供的一种确定用户风险等级的方法S11的具体实现流程图。参见图4所示，相对于图2所述实施例，本实施例提供的一种确定用户风险等级的方法中所述S11包括：S111～S113，具体详述如下：
S111：获取所述目标用户的账户信息，以及所述账户信息相应的第一交易数据。
S112：若从账户数据库中查找到与所述账户信息关联的目标账户，则获取所述目标账户对应的第二交易数据。
S113：将所述第一交易数据与所述第二交易数据识别为所述历史交易数据。
在本实施例中，账户数据库中的信息用于描述账户信息与第一交易数据之间的关系、账户信息与目标账户之间的关系，以及目标账户与第二交易数据之间的关系。
需要说明的是，目标用户在进行交易活动时，可以通过不同的账户进行交易，例如，目标用户拥有同一银行的两张信用卡，且该两张信用卡均可以进行交易操作，其中，两张信用卡之间为主卡与副卡关系，也即两张信用卡之间相互关联。目标用户的账户信息与第一张信用卡相对应，也即账户信息相应的第一交易数据为第一张信用卡的交易数据，目标账户是与账户信息关联的账户，目标账户与第二张信用卡相对应，也即目标账户相应的第二交易数据为第二张信用卡的交易数据。
在实际中，当用户拥有一个以上的交易账户时，由于用户的交易习惯，不同的交易账户可能操作交易数据相差较大，交易次数相差较多的情况，当从账户数据库中查找到与账户信息关联的目标账户时，通过获取该目标账户对应的第二交易数据，并将第一交易数据与第二交易数据识别为历史交易数据，可以提高对用户进行风险等级评估的准确程度。
如图4所示，实施例提供的一种确定用户风险等级的方法中，步骤S11的具体还包括与步骤S112并列的步骤S114。
S114：若从账户数据库中无法查找到与所述账户信息关联的目标账户，则将所述第一交易数据识别为所述历史交易数据。
在步骤S114中，当无法从账户数据库中查找到与账户信息关联的目标账户，则表示无法获取到与目标用户更多的交易数据，进而直接将第一交易数据识别为历史交易数据。
需要说明的是，步骤S114与步骤S112之间执行不分先后，当执行了步骤S112后便不再执行步骤S114，当执行了步骤S114后便不再执行步骤S112。
本发明实施例通过获取目标用户的历史交易数据，再基于预设风险评估条件，从历史交易数据中筛选得到目标数据，目标数据为投资类型交易数据，最后将目标数据输入风险等级模型，风险等级模型用于根据目标数据，确定目标用户的风险等级，避免了在风险等级的确定中，因信息数据由用户自行提供，信息数据存在不客观不真实的现象，实现了根据用户的实际投资数据确定用户风险等级，提高了用户风险等级确定的准确程度。
图5示出了本发明一实施例提供的一种终端设备的结构框图，该终端设备包括的各单元用于执行图2对应的实施例中的各步骤。具体请参阅图2与图2所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。
参见图5，所述终端设备30包括：第一获取单元31、筛选单元32以及输入单元33。具体地：
第一获取单元31，用于获取目标用户的历史交易数据。
筛选单元32，用于基于预设风险评估条件，从所述历史交易数据中筛选得到目标数据，所述目标数据为投资类型交易数据。
输入单元33，用于将所述目标数据输入风险等级模型，所述风险等级模型用于根据所述目标数据，确定所述目标用户的风险等级。
作为本实施例一种可能实现的方式，终端设备还包括：第二获取单元301、剔除单元302、扩充单元303、调整单元304以及识别单元305。
第二获取单元301，用于获取用户集群的历史交易数据集合。
剔除单元302，用于剔除所述历史交易数据集合中不满足预设样本条件的交易数据，得到样本数据集合。
扩充单元303，用于对所述样本数据集合进行样本扩充，以得到目标集合。
调整单元304，用于基于所述目标集合调整前馈神经网络中的学习参数。
识别单元305，用于将调整学习参数后的前馈神经网络识别为所述风险等级模型。
作为本实施例一种可能实现的方式，扩充单元303具体用于，复制所述样本数据集合中的每条样本数据，得到副本集合；对所述副本集合中的每条样本数据随机配置扰动因子，以得到虚拟样本数据集合；其中，所述扰动因子用于修改所述副本集合中的每条样本数据的数值，所述扰动因子取值等于或大于0，且所述扰动因子小于N，N为预设扰动阈值；将所述虚拟样本数据集合中的样本数据，随机穿插至所述样本数据集合中，得到所述目标集合。
作为本实施例一种可能实现的方式，第一获取单元31具体用于，获取所述目标用户的账户信息，以及所述账户信息相应的第一交易数据；若从账户数据库中查找到与所述账户信息关联的目标账户，则获取所述目标账户对应的第二交易数据；将所述第一交易数据与所述第二交易数据识别为所述历史交易数据；若从账户数据库中无法查找到与所述账户信息关联的目标账户，则将所述第一交易数据识别为所述历史交易数据。
在本实施例中，通过获取目标用户的历史交易数据，再基于预设风险评估条件，从历史交易数据中筛选得到目标数据，目标数据为投资类型交易数据，最后将目标数据输入风险等级模型，风险等级模型用于根据目标数据，确定目标用户的风险等级，避免了在风险等级的确定中，因信息数据由用户自行提供，信息数据存在不客观不真实的现象，实现了根据用户的实际投资数据确定用户风险等级，提高了用户风险等级确定的准确程度。
通过将调整学习参数后的前馈神经网络识别为风险等级模型，使得在对用户进行风险等级评估时，无需用户提供参考信息，即可基于用户的交易数据对用户的风险等级进行科学化评估。
图6是本发明另一实施例提供的一种终端设备的示意图。如图6所示，该实施例的终端设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如确定用户风险等级的程序。所述处理器60执行所述计算机程序62时实现上述各个确定用户风险等级的方法实施例中的步骤，例如图2所示的步骤。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各单元的功能，例如图5所示模块31至35的功能以及模块301至305的功能。
示例性的，所述计算机程序62可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述终端设备6中的执行过程。例如，所述计算机程序62可以被分割成第一获取单元、筛选单元以及输入单元，各单元具体功能如上所述。
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种确定用户风险等级的方法，其特征在于，包括：
获取目标用户的历史交易数据；
基于预设风险评估条件，从所述历史交易数据中筛选得到目标数据，所述目标数据为投资类型交易数据；
将所述目标数据输入风险等级模型，所述风险等级模型用于根据所述目标数据，确定所述目标用户的风险等级。
2.根据权利要求1所述的方法，其特征在于，所述将所述目标数据输入风险等级模型之前，包括：
获取用户集群的历史交易数据集合；
剔除所述历史交易数据集合中不满足预设样本条件的交易数据，得到样本数据集合；其中，所述预设样本条件用于区分所述历史交易数据集合中的交易数据是否为投资类型交易数据；
对所述样本数据集合进行样本扩充，以得到目标集合；
基于所述目标集合调整前馈神经网络中的学习参数，以使所述学习参数满足以下条件：
其中，Y(X)为调整后的学习参数；X为所述本数据集合的特征值，W1 T，为所述前馈神经网络中各层节点的权重；b为所述前馈神经网络中各层节点上的偏置值；k为所述前馈神经网络的层数，且k≥3；bk为所述前馈神经网络第k层节点上的偏执值；所述前馈神经网络的第1层至k-1层中任一层节点对应的表达式为：其中，zi为加权和，所述加权和为所述权重与所述偏置值之和；所述前馈神经网络的第k层对应的表达式为：其中，zi为加权和，所述加权和为所述权重与所述偏置值之和；
将调整学习参数后的前馈神经网络识别为所述风险等级模型。
3.根据权利要求2所述的方法，其特征在于，所述对所述样本数据集合进行样本扩充，以得到目标集合，包括：
复制所述样本数据集合中的每条样本数据，得到副本集合；
对所述副本集合中的每条样本数据随机配置扰动因子，以得到虚拟样本数据集合；其中，所述扰动因子用于修改所述副本集合中的每条样本数据的数值，所述扰动因子取值等于或大于0，且所述扰动因子小于N，N为预设扰动阈值；
将所述虚拟样本数据集合中的样本数据，随机穿插至所述样本数据集合中，得到所述目标集合。
4.根据权利要求1所述的方法，其特征在于，所述获取目标用户的历史交易数据，包括：
获取所述目标用户的账户信息，以及所述账户信息相应的第一交易数据；
若从账户数据库中查找到与所述账户信息关联的目标账户，则获取所述目标账户对应的第二交易数据；
将所述第一交易数据与所述第二交易数据识别为所述历史交易数据。
5.根据权利要求4所述的方法，其特征在于，所述获取所述目标用户的账户信息，以及所述账户信息相应的第一交易数据之后，还包括：
若从账户数据库中无法查找到与所述账户信息关联的目标账户，则将所述第一交易数据识别为所述历史交易数据。
6.一种终端设备，其特征在于，所述终端设备包括存储器、处理器以及存储在所述存储器中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如下步骤：
获取目标用户的历史交易数据；
基于预设风险评估条件，从所述历史交易数据中筛选得到目标数据，所述目标数据为投资类型交易数据；
将所述目标数据输入风险等级模型，所述风险等级模型用于根据所述目标数据，确定所述目标用户的风险等级。
7.根据权利要求6项所述的终端设备，其特征在于，所述将所述目标数据输入风险等级模型之前，包括：
获取用户集群的历史交易数据集合；
剔除所述历史交易数据集合中不满足预设样本条件的交易数据，得到样本数据集合；其中，所述预设样本条件用于区分所述历史交易数据集合中的交易数据是否为投资类型交易数据；
对所述样本数据集合进行样本扩充，以得到目标集合；
基于所述目标集合调整前馈神经网络中的学习参数，以使所述学习参数满足以下条件：
其中，Y(X)为调整后的学习参数；X为所述本数据集合的特征值，W1 T，为所述前馈神经网络中各层节点的权重；b为所述前馈神经网络中各层节点上的偏置值；k为所述前馈神经网络的层数，且k≥3；bk为所述前馈神经网络第k层节点上的偏执值；所述前馈神经网络的第1层至k-1层中任一层节点对应的表达式为：其中，zi为加权和，所述加权和为所述权重与所述偏置值之和；所述前馈神经网络的第k层对应的表达式为：其中，zi为加权和，所述加权和为所述权重与所述偏置值之和；
将调整学习参数后的前馈神经网络识别为所述风险等级模型。
8.根据权利要求7项所述的终端设备，其特征在于，所述对所述样本数据集合进行样本扩充，以得到目标集合，包括：
复制所述样本数据集合中的每条样本数据，得到副本集合；
对所述副本集合中的每条样本数据随机配置扰动因子，以得到虚拟样本数据集合；其中，所述扰动因子用于修改所述副本集合中的每条样本数据的数值，所述扰动因子取值等于或大于0，且所述扰动因子小于N，N为预设扰动阈值；
将所述虚拟样本数据集合中的样本数据，随机穿插至所述本数据集合中，得到所述目标集合。
9.根据权利要求6项所述的终端设备，其特征在于，所述获取目标用户的历史交易数据，包括：
获取所述目标用户的账户信息，以及所述账户信息相应的第一交易数据；
若从账户数据库中查找到与所述账户信息关联的目标账户，则获取所述目标账户对应的第二交易数据；
将所述第一交易数据与所述第二交易数据识别为所述历史交易数据。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
CN201810392830.1A 2018-04-27 2018-04-27 确定用户风险等级的方法、终端设备及计算机可读存储介质 Pending CN108665366A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810392830.1A CN108665366A (zh) 2018-04-27 2018-04-27 确定用户风险等级的方法、终端设备及计算机可读存储介质
PCT/CN2018/097554 WO2019205325A1 (zh) 2018-04-27 2018-07-27 确定用户风险等级的方法、终端设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810392830.1A CN108665366A (zh) 2018-04-27 2018-04-27 确定用户风险等级的方法、终端设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN108665366A true CN108665366A (zh) 2018-10-16

Family

ID=63781403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810392830.1A Pending CN108665366A (zh) 2018-04-27 2018-04-27 确定用户风险等级的方法、终端设备及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN108665366A (zh)
WO (1) WO2019205325A1 (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377436A (zh) * 2018-11-02 2019-02-22 深圳市博安达信息技术股份有限公司 一种环境精准监管方法与装置、终端设备及存储介质
CN109598479A (zh) * 2018-10-25 2019-04-09 北京奇虎科技有限公司 一种账单提取方法、装置、电子设备及介质
CN109785117A (zh) * 2018-12-14 2019-05-21 平安科技（深圳）有限公司 基于神经网络的风控方法、计算机可读存储介质及服务器
CN109840680A (zh) * 2018-12-19 2019-06-04 平安国际融资租赁有限公司 业务请求处理方法、装置、计算机设备和存储介质
CN110349006A (zh) * 2019-07-02 2019-10-18 北京淇瑀信息科技有限公司 基于活跃度来度量交易风险的方法、装置和电子设备
CN110908746A (zh) * 2019-10-12 2020-03-24 平安银行股份有限公司 一种数据处理方法、系统、可读存储介质及终端设备
CN112070406A (zh) * 2020-09-11 2020-12-11 国网北京市电力公司 输电设备的设备风险处理方法及装置、电子装置
WO2021068635A1 (zh) * 2019-10-11 2021-04-15 支付宝(杭州)信息技术有限公司 信息处理方法、装置及电子设备
CN112950239A (zh) * 2019-11-26 2021-06-11 多点(深圳)数字科技有限公司 用于生成用户信息的方法、装置、设备和计算机可读介质
CN113222611A (zh) * 2021-05-21 2021-08-06 中国农业银行股份有限公司 卡片安全级别识别方法、装置、设备、存储介质及产品
CN113313605A (zh) * 2020-02-27 2021-08-27 京东数字科技控股股份有限公司 产品的获取方法和装置、存储介质和电子装置
CN113487326A (zh) * 2021-07-27 2021-10-08 中国银行股份有限公司 基于智能合约的交易限制参数设置方法及装置
CN113628748A (zh) * 2021-08-16 2021-11-09 未鲲(上海)科技服务有限公司 用户风险承受倾向的评估方法、装置、设备及存储介质
CN113763183A (zh) * 2021-08-01 2021-12-07 北京开科唯识技术股份有限公司 一种信息处理方法、系统及电子设备
CN114938285A (zh) * 2022-03-24 2022-08-23 阿里云计算有限公司 数据的安全识别方法及存储介质
TWI776370B (zh) * 2021-01-25 2022-09-01 第一商業銀行股份有限公司 對於基金商品的投資風險評分方法及系統
CN116797226A (zh) * 2023-03-09 2023-09-22 保山咖啡产业发展有限公司 一种基于大数据的咖啡现货交易的信息安全的评估方法
CN109840680B (zh) * 2018-12-19 2024-07-05 平安国际融资租赁有限公司 业务请求处理方法、装置、计算机设备和存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113037728B (zh) * 2021-02-26 2023-08-15 上海派拉软件股份有限公司 一种实现零信任的风险判定方法、装置、设备及介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105590261A (zh) * 2014-12-31 2016-05-18 中国银联股份有限公司 商户风险估算方法及系统
CN107657357B (zh) * 2016-07-26 2021-07-13 阿里巴巴集团控股有限公司 数据的处理方法及装置
CN107330309A (zh) * 2017-06-14 2017-11-07 广东网金控股股份有限公司 一种基于神经网络的安全保护方法及系统
CN107358530A (zh) * 2017-08-17 2017-11-17 杭州铜板街互联网金融信息服务有限公司 理财产品推荐方法

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109598479A (zh) * 2018-10-25 2019-04-09 北京奇虎科技有限公司 一种账单提取方法、装置、电子设备及介质
CN109598479B (zh) * 2018-10-25 2024-04-05 三六零科技集团有限公司 一种账单提取方法、装置、电子设备及介质
CN109377436A (zh) * 2018-11-02 2019-02-22 深圳市博安达信息技术股份有限公司 一种环境精准监管方法与装置、终端设备及存储介质
CN109785117A (zh) * 2018-12-14 2019-05-21 平安科技（深圳）有限公司 基于神经网络的风控方法、计算机可读存储介质及服务器
CN109840680A (zh) * 2018-12-19 2019-06-04 平安国际融资租赁有限公司 业务请求处理方法、装置、计算机设备和存储介质
CN109840680B (zh) * 2018-12-19 2024-07-05 平安国际融资租赁有限公司 业务请求处理方法、装置、计算机设备和存储介质
CN110349006A (zh) * 2019-07-02 2019-10-18 北京淇瑀信息科技有限公司 基于活跃度来度量交易风险的方法、装置和电子设备
WO2021068635A1 (zh) * 2019-10-11 2021-04-15 支付宝(杭州)信息技术有限公司 信息处理方法、装置及电子设备
CN110908746A (zh) * 2019-10-12 2020-03-24 平安银行股份有限公司 一种数据处理方法、系统、可读存储介质及终端设备
CN112950239A (zh) * 2019-11-26 2021-06-11 多点(深圳)数字科技有限公司 用于生成用户信息的方法、装置、设备和计算机可读介质
CN113313605A (zh) * 2020-02-27 2021-08-27 京东数字科技控股股份有限公司 产品的获取方法和装置、存储介质和电子装置
CN112070406A (zh) * 2020-09-11 2020-12-11 国网北京市电力公司 输电设备的设备风险处理方法及装置、电子装置
TWI776370B (zh) * 2021-01-25 2022-09-01 第一商業銀行股份有限公司 對於基金商品的投資風險評分方法及系統
CN113222611A (zh) * 2021-05-21 2021-08-06 中国农业银行股份有限公司 卡片安全级别识别方法、装置、设备、存储介质及产品
CN113487326A (zh) * 2021-07-27 2021-10-08 中国银行股份有限公司 基于智能合约的交易限制参数设置方法及装置
CN113763183A (zh) * 2021-08-01 2021-12-07 北京开科唯识技术股份有限公司 一种信息处理方法、系统及电子设备
CN113628748A (zh) * 2021-08-16 2021-11-09 未鲲(上海)科技服务有限公司 用户风险承受倾向的评估方法、装置、设备及存储介质
CN114938285A (zh) * 2022-03-24 2022-08-23 阿里云计算有限公司 数据的安全识别方法及存储介质
CN116797226A (zh) * 2023-03-09 2023-09-22 保山咖啡产业发展有限公司 一种基于大数据的咖啡现货交易的信息安全的评估方法
CN116797226B (zh) * 2023-03-09 2024-02-09 保山咖啡产业发展有限公司 一种基于大数据的咖啡现货交易的信息安全的评估方法

Also Published As

Publication number Publication date
WO2019205325A1 (zh) 2019-10-31

Similar Documents

Publication Publication Date Title
CN108665366A (zh) 确定用户风险等级的方法、终端设备及计算机可读存储介质
CN109977151B (zh) 一种数据分析方法及系统
Ye et al. Loan evaluation in P2P lending based on random forest optimized by genetic algorithm with profit score
TWI248001B (en) Methods and apparatus for automated underwriting of segmentable portfolio assets
TW530234B (en) Methods and systems for efficiently sampling portfolios for optimal underwriting
CN107679946A (zh) 基金产品推荐方法、装置、终端设备及存储介质
US10795893B2 (en) Systems and methods for allocating capital to trading strategies for big data trading in financial markets
CN108898476A (zh) 一种贷款客户信用评分方法和装置
CN107798604A (zh) 基于机器学习的择时入股方法及终端设备
CN107133874A (zh) 一种基于遗传规划的量化策略生成系统
TWI752349B (zh) 風險識別方法及裝置
CN110796539A (zh) 一种征信评估方法及装置
CN113657901B (zh) 欠费用户的催收管理方法、系统、终端及介质
CN109670927A (zh) 信用额度的调整方法及其装置、设备、存储介质
Bakhach et al. TSFDC: A trading strategy based on forecasting directional change
CN110147389A (zh) 帐号处理方法和装置、存储介质及电子装置
Cao et al. Bond rating using support vector machine
CN113240259B (zh) 规则策略组的生成方法、系统及电子设备
CN109767333A (zh) 选基方法、装置、电子设备及计算机可读存储介质
CN107240019A (zh) 评估用户业务偏好方法、用户投资风险偏好方法及装置
CN116361542A (zh) 产品推荐方法、装置、计算机设备和存储介质
CN105868217A (zh) 数值自动转换方法及系统
Kosala Predicting the likelihood of dividend payment from Indonesian public companies with data mining methods
Maurer International trade and economic growth: A survey of empirical studies
CN111079992A (zh) 数据处理方法、装置和存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181016