CN109165840A - 风险预测处理方法、装置、计算机设备和介质 - Google Patents

Abstract

本申请涉及一种基于大数据分析的风险预测处理方法、装置、计算机设备和存储介质。所述方法包括：获取目标客户的风险数据，所述风险数据携带有客户标识；在所述风险数据中提取风险指标；获取风险预测模型，所述风险预测模型包括多个风险因子；根据所述风险因子对提取到的多个风险指标进行筛选；将筛选得到的风险指标输入所述风险预测模型，输出得到所述客户标识对应的风险评分。采用本方法能够提高风险预测效率及准确度。

Description

风险预测处理方法、装置、计算机设备和介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种风险预测处理方法、装置、计算机设备和介质。

背景技术

为了规避风险，涉及贷款业务的金融机构需要在贷前、贷中甚至贷后不断对客户是否具有违约风险进行监控预测。风险预测是指运用多种信息渠道和分析方法，根据金融机构的风险战略和风险偏好确定预警指标，并以这些指标为出发点及时衡量客户的风险状况。

传统风险预测手段主要是由风险控制部门人员对客户进行风险跟踪，并基于跟踪过程了解到的客户相关信息人工预测客户的信用风险状况或其他潜在风险。这种人工跟踪分析的方式不仅降低预测效率，使得预测准确性也难以保证。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高风险预测效率及准确度的风险预测处理方法、装置、计算机设备和介质。

一种风险预测处理方法，所述方法包括：获取目标客户的风险数据，所述风险数据携带有客户标识；在所述风险数据中提取风险指标；获取风险预测模型，所述风险预测模型包括多个风险因子；根据所述风险因子对提取到的多个风险指标进行筛选；将筛选得到的风险指标输入所述风险预测模型，输出得到所述客户标识对应的风险评分。

在其中一个实施例中，所述风险数据包括基础风险数据和关联风险数据；所述获取目标客户的风险数据，包括：在数据库中提取所述目标客户的基础风险数据；获取所述目标客户对应的基础标识字段；将所述基础标识字段发送至指定的互联网平台；接收所述互联网平台根据所述基础标识字段返回的关联风险数据；确定所述基础风险数据和所述关联风险数据分别对应的数据源类别。

在其中一个实施例中，所述获取风险预测模型之前，还包括：获取多个样本客户的样本风险数据及每个所述样本客户对应的风险评分；所述样本风险数据包括数据源类别；对所述样本风险数据进行预处理，得到多种样本风险指标；根据所述风险评分，统计分析得到每种所述样本风险指标的预测力参数；计算多种所述样本风险指标之间的相关性参数；根据所述预测力参数、相关性参数及数据源类别，对多种所述样本风险指标进行筛选，得到目标风险指标；基于多个目标风险指标建立所述风险预测模型。

在其中一个实施例中，所述基于多个目标风险指标建立所述风险预测模型，包括：获取不同所述数据源类别分别对应的初始模型；对每种所述数据源类别对应的目标风险指标进行组合，得到每种数据源类别对应的多种指标集合；基于不同指标集合对所述初始模型进行训练，得到每种所述指标集合对应的中间模型，计算多种所述中间模型的预测准确率；将预测准确率最高的中间模型标记为相应数据源类别对应的目标模型；基于多个目标模型建立所述风险预测模型。

在其中一个实施例中，所述基于多个所述目标模型建立所述风险预测模型，包括：获取不同数据源类别对应的预设权重；基于多个所述目标模型及分别对应的预设权重，建立所述风险预测模型。

在其中一个实施例中，所述方法还包括：根据所述风险评分，生成所述客户标识对应的第一预警提示；获取多种规则表达式，利用所述规则表达式对所述风险数据进行风险预测，得到所述客户标识对应的第二预警提示；比较所述第一预警提示和所述第二预警提示的预警等级；将预警等级高的第一预警提示或第二预警提示发送至监控终端。

一种风险预测处理装置，所述装置包括：指标提取模块，用于获取目标客户的风险数据，所述风险数据携带有客户标识；在所述风险数据中提取风险指标；指标筛选模块，用于获取风险预测模型，所述风险预测模型包括多个风险因子；根据所述风险因子对提取到的多个风险指标进行筛选；风险预测模块，用于将筛选得到的风险指标输入所述风险预测模型，输出得到所述客户标识对应的风险评分。

在其中一个实施例中，所述装置还包括模型构建模块，用于获取多个样本客户的样本风险数据及每个所述样本客户对应的风险评分；所述样本风险数据包括数据源类别；对所述样本风险数据进行预处理，得到多种样本风险指标；根据所述风险评分，统计分析得到每种所述样本风险指标的预测力参数；计算多种所述样本风险指标之间的相关性参数；根据所述预测力参数、相关性参数及数据源类别，对多种所述样本风险指标进行筛选，得到目标风险指标；基于多个目标风险指标建立所述风险预测模型。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本申请任意一个实施例中提供的风险预测处理方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请任意一个实施例中提供的风险预测处理方法的步骤。

上述风险预测处理方法、装置、计算机设备和存储介质，通过采集目标客户的风险数据，可以在所述风险数据中提取风险指标；基于预置的获取风险预测模型中多个风险因子，可以对提取到的多个风险指标进行筛选；将筛选得到的风险指标输入所述风险预测模型，可以输出得到风险数据中客户标识对应的风险评分。由于自动采集并处理风险数据，可以提高风险预测效率；基于风险预测模型可以综合考虑多种风险因素，从而能够风险预测准确性。

附图说明

图1为一个实施例中风险预测处理方法的应用场景图；

图2为一个实施例中风险预测处理方法的流程示意图；

图3为一个实施例中风险预测模型构建步骤的流程示意图；

图4为一个实施例中风险预测处理装置的结构框图；

图5为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的风险预测处理方法，可以应用于如图1所示的应用环境中。终端102与服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。当需要对目标客户进行风险预测时，用户可以通过终端102向服务器104发送风险预测请求。服务器104响应风险预测请求或者按照预设时间频率获取目标客户的风险数据，在风险数据中提取风险指标。服务器104预先构建了风险预测模型。风险预测模型包括多个风险因子。服务器104根据风险预测模型中的风险因子对多个风险指标进行筛选，将筛选得到风险指标输入风险预测模型，输出得到客户标识对应的风险评分。服务器104可以基于风险评分进行客户风险预警。上述风险预测处理过程，自动采集并处理风险数据，可以提高风险预测效率；基于风险预测模型可以综合考虑多种风险因素，从而能够风险预测准确性。

在一个实施例中，如图2所示，提供了一种风险预测处理方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤202，获取目标客户的风险数据，风险数据携带有客户标识。

目标客户财务指标的恶化、负面舆情的显著增加、欠税被处罚等，往往反映了其内部较为严重的问题，如管理上的欠缺、经营能力的不足等，在风险不断积聚之后，会导致其走向违约，因此需要对其风险数据及时监控。目标客户可以是企业，也可以是个人；可以是已有客户，也可以是潜在客户。风险数据是指能够表征目标客户发生违约行为可能性的数据，如信用记录、财务数据等。风险数据的数据类型包括但不限于图像、音频、文本和数字。

步骤204，在风险数据中提取风险指标。

服务器对风险数据预处理，得到多个风险指标。不同数据类型的风险数据预处理方式不同。其中，数字类型的风险数据，如目标客户的财务数据，作为评定目标客户风险状况的主要数据来源，可以在经过简单拆分，即可直接到对应的风险指标，如资产增长率同步下降、毛利率同比下降等。但图像、音频、文本等数据类型的风险数据，则需要经过清洗、提炼、量化或标准化处理等，得到分别对应的风险指标，如目标客户近一年已结清不良贷款借据金额等。风险指标可以是指数指标、也可以是分数指标，还可以是衍生指标。其中，衍生指标可以是通过已知风险指标的逻辑运算得到，如与违约客户相似度，与违约客户距离等。

步骤206，获取风险预测模型，风险预测模型包括多个风险因子。

风险预测模型是基于多个样本客户的样本风险数据构建的机器学习模型。风险预测模型可以是逻辑回归模型，也可以是神经网络模型。风险预测模型包括基于样本风险数据筛选得到的预测能力强、相关性小的多个风险因子。风险预测模型用于根据目标客户的风险数据对目标客户的违约风险进行打分。违约风险是指目标客户发生延期还款、在贷款还款日之前失去还款能力等违约行为的可能性。

步骤208，根据风险因子对提取到的多个风险指标进行筛选。

步骤210，将筛选得到的风险指标输入风险预测模型，输出得到客户标识对应的风险评分。

服务器根据风险预测模型中的风险因子，对提取得到的风险指标进行筛选，即从提取到大量风险指标中选取风险预测需要的那部分风险指标。服务器将筛选得到的风险指标输入风险预测模型，输出目标客户在未来指定时段内发生违约行为的概率值，并将概率值转换为风险评分。其中，概率值到风险评分的转化方式可以有多种，如预置多种概率值区间和风险评分的对应关系，或预置概率值到风险评分的转换因子等，对此不作限制。

本实施例中，通过采集目标客户的风险数据，可以在风险数据中提取风险指标；基于预置的获取风险预测模型中多个风险因子，可以对提取到的多个风险指标进行筛选；将筛选得到的风险指标输入风险预测模型，可以输出得到风险数据中客户标识对应的风险评分。由于自动采集并处理风险数据，可以提高风险预测效率；基于风险预测模型可以综合考虑多种风险因素，从而能够风险预测准确性。

在一个实施例中，风险数据包括基础风险数据和关联风险数据；获取目标客户的风险数据，包括：在数据库中提取目标客户的基础风险数据；获取目标客户对应的基础标识字段；将基础标识字段发送至指定的互联网平台；接收互联网平台根据基础标识字段返回的关联风险数据；确定基础风险数据和关联风险数据分别对应的数据源类别。

风险数据包括基础风险数据，如客户标识、信用数据、财务数据及银监数据等。基础风险数据属于行内数据，可以从指定的数据库直接拉取。例如，信用数据可以从中国人名银行征信中心对应的数据库中拉取；财务数据可以在财经网站对应的数据库中拉取；银监数据可以从银监会监管数据库中拉取。

除了基础风险数据，服务器还对目标客户的关联风险数据深入挖掘，如法律数据、工商数据、房地产数据、行业区域数据、海关数据等。具体的，服务器从目标客户在金融机构留存的身份信息中提取基础标识字段。基础标识字段可以是目标客户，以及目标客户的亲属或朋友(以下称“关联对象”)的身份识别字段。身份识别字段包括姓名、身份证号、手机号、邮箱账号、金融交易账号、常用设备信息等。常用设备信息可以是IMEI(InternationalMobile Equipment Identity，国际移动设备识别码)、IP地址、设备指纹、操作系统版本号、序列号等。

不同互联网服务器上运行了不同互联网平台。目标客户在使用各类设备访问机构内外的互联网平台时，将在相应互联网服务器中留下访问数据。访问数据可以以日志或文件等的形式存储。互联网服务器可以是通讯运营商、互联网理财服务商(如银行)、资本市场行情提供商(如Wind，金融数据和分析工具服务商)、房产服务器提供商、海关服务提供商、法律服务提供商、工商服务提供商等用于业务处理的服务器。服务器根据目标客户的基础标识字段，生成数据提取请求，将数据提取请求发送至互联网服务器。

互联网服务器查找包含基础标识字段的访问文件，将查找到的访问文件返回至服务器。访问文件记录了目标客户的关联访问数据。服务器对访问文件进行解析，得到关联访问数据。关联访问数据是指目标客户基于移动终端、汽车、智能机器人、智能穿戴设备等发生的互联网访问行为(如注册行为、登录行为等)的行为数据。关联访问数据包括静态访问数据和动态访问数据。其中，静态访问数据是指发生互联网访问行为时录入或用到的数据，如手机号、Mac地址、IP地址、设备指纹、身份信息、交易账号、登录信息、检索信息等。动态访问数据是指发生互联网访问行为时产生的数据，如资产管理理财记录、证券投资记录、资本市场行情交易记录、房产投资记录、海关运输记录、法律诉讼记录等。从不同渠道获取的风险数据具有不同的数据源类别，如财务数据对应的数据源类别可以是“财务”，法律数据对应的数据源类别可以是“法律”等。

本实施例中，自动采集目标客户的多个维度的风险数据，不仅提高数据采集效率，也扩大了数据采集范围，进而可以提高风险预测精度。

在一个实施例中，该方法还包括：获取与目标客户存在关联关系的关联对象的标识字段；根据标识字段，获取关联对象的风险数据；基于关联对象的风险数据以及预设的风险预测模型，计算关联对象的风险评分；计算每个关联对象与目标客户的亲密度；根据关联对象的风险评分和亲密度，确定目标客户受到关联对象影响的风险迁移率，将风险迁移率作为一个风险指标。

服务器计算目标客户的风险迁移率，并将风险迁移率作为一个风险指标，以拓展风险预测维度。具体的，服务器利用关联对象的风险数据，按照上述方式计算关联对象的风险评分。基础风险数据携带有客户标识。服务器根据客户标识获取对应的社交网络图。社交网络图包括客户标识对应的目标客户节点和多个关联客户节点。社交网络图是根据客户的社交关系数据生成的。社交关系数据可以是从预先指定的社交网站中爬取得到的。当目标客户为个人时，社交网站中的社交关系可以是好友关系、相互关注等彼此之间互相关联的关系。社交关系还包括客户动作相关联的数据，比如，客户发布或者分享信息影响到好友进行评论、点赞、转发等。当目标客户为企业时，社交关系可以是企业之间的从属关系。社交网络图包括目标客户节点，多个关联对象节点以及用于连接节点的边线。

服务器利用预设计算公式计算每个关联客户节点与目标客户节点的亲密度。亲密度计算公式可以是：

其中，Q(v,w)为关联客户节点w与目标客户节点v之间的亲密度；N(v)表示目标客户节点v的邻接节点集合；目标客户节点v和关联客户节点w的共同邻接节点数为|N(v)∩N(w)|；目标客户节点v和关联客户节点均不邻接的节点数为|N(v)∪N(w)|。

服务器根据每个关联对象的风险评分及其与目标客户的亲密度，计算该关联对象对目标客户造成风险迁移的概率(以下称“风险迁移率”)。服务器将多个关联对象分别对应的风险迁移率中值最高的风险迁移率作为一个风险指标。容易理解，服务器也可以将多个关联对象分别对应的风险迁移率对应的平均值作为一个风险指标，对此不作限制。

本实施例中，计算目标客户的风险迁移率，并将风险迁移率作为风险指标纳入风险测算考虑范围，可以拓展风险预测维度，进而可以提高风险预警准确性。

在一个实施例中，该方法还包括：监测网络平台发布的舆情数据，将舆情数据拆分为多个短文本；在短文本中提取行业标识，将行业标识与相应短文本关联；利用预设的舆情分析模型计算每个短文本对应的情感指数；确定多个短文本分别对应的影响力权重；根据相关联的短文本的情感指数和影响力权重，计算每种行业标识对应的舆情指数，将目标客户对应行业标识的舆情指数作为一个风险指标。

服务器计算目标客户对应行业的舆情指数，并将舆情指数作为一个关联风险指标，以拓展风险预测维度。具体的，服务器在指定网络平台爬取舆情数据。舆情数据。可以是文本、语音、视频或图片等。若舆情数据为语音、视频或图片，则将其先转换为文本。转换后的舆情数据为包括多个拆分标识符的长文本。服务器将每个拆分标识符所在位置确定为拆分位置，在长文本的每个拆分位置进行拆分，得到多个短文本。拆分标识符可以语句结束符，如句号、感叹号等。服务器对短文本进行分词、同义替换和命名实体替换处理。根据预先存储的多种影响对象类型分别对应的舆情因子，服务器将替换后的一个或多个分词确定为中间关键词。舆情因子是指该类舆情数据中可能影响客户情感态度的因素。

服务器预先存储了舆情分析模型。舆情分析模型可以对机器学习分类模型训练得到的。服务器基于word2vec模型将多个中间关键词分别转化为对应的词向量，将词向量输入相应影响对象类型对应的舆情分析模型，计算得到舆情数据对应的情感指数。

每个舆情数据具有对应的简介信息，如发布时间、发布媒体、发布作者等。服务器基于舆情数据的简介信息，计算每个舆情数据的影响力权重。例如，影响力权重可以是时间权重、媒体权重与作者权重等的累加和。容易理解，同一舆情数据拆分得到的多个短文本对应的影响力权重相同。

服务器通过字典树(trie)算法在短文本中提取行业标识。行业标识是指能够表征行业属性的关键词，如金融、保险等。换言之，服务器在某些短文本中提取到的中间关键词包括行业标识。服务器在不同短文本中可以提取到相同或不同的行业标识。服务器将行业标识与相应短文本进行关联。容易理解，同一行业标识可能与来自多个舆情数据的多个短文本关联。服务器根据行业标识对应的短文本的情感指数以及对应影响力权重，计算相应行业对应的、舆情指数。例如，每个行业标识对应的舆情指数可以是与该行业标识关联的全部短文本的情感指数的加权和。

本实施例中，结合舆情数据的影响力权重计算不同舆情数据对不同行业影响，即舆情指数，可以提高舆情分析准确性；计算目标客户对应行业的舆情指数，并将舆情指数作为风险指标纳入风险测算考虑范围，可以拓展风险预测维度，进而可以提高风险预警准确性。

在一个实施例中，如图3所示，获取风险预测模型之前，还包括风险预测模型构建的步骤，具体包括：

步骤302，获取多个样本客户的样本风险数据及每个样本客户对应的风险评分；样本风险数据包括数据源类别。

步骤304，对样本风险数据进行预处理，得到多种样本风险指标。

服务器按照上述方式从不同数据源获取多个样本客户的样本风险数据，并根据样本风险数据对每个样本客户进行类别标注，即确定样本客户对应的风险评分。服务器按照上述方式对样本风险数据进行预处理，得到每个样本客户对应的多个样本风险指标。根据相应样本风险数据对应的数据源，每个样本风险指标具有对应的数据源类别。

步骤306，根据风险评分，统计分析得到每种样本风险指标的预测力参数。

服务器根据风险评分统计分析得到每种样本风险指标的预测力参数。预测力是指样本风险指标对于判断目标客户发生违约行为的贡献率。具体的，服务器基于风险评分将样本客户区分为“好样本”和“坏样本”。服务器将每种样本风险指标对应的多种样本风险值划定不同的样本风险区间，针对每种样本风险指标进行单一变量分析，统计不同样本风险指标区间对应的好样本概率和坏样本概率。容易理解，同一样本风险指标区间对应的好样本概率与坏样本概率的和值为1。通过将好样本概率与坏样本概率进行差值运算和对数运算，并将差值运算结果与对数运算结果进行乘积运算，得到相应风险指标区间的预测力子参数。服务器将样本风险指标对应多个样本风险指标区间的预测力子参数进行求和运算，即可得到该样本风险指标对应的预测力参数。

步骤308，计算多种样本风险指标之间的相关性参数。

服务器计算任意两个样本风险指标之间的相关性参数。相关性参数可以是皮尔逊相关系数，距离相关性系数等。

步骤310，根据预测力参数、相关性参数及数据源类别，对多种样本风险指标进行筛选，得到目标风险指标。

若两个样本风险指标的相关性参数超过阈值，服务器将两个样本风险指标分别标记为目标风险指标进行保留。若两个样本风险指标的相关性参数超过阈值，服务器识别预测力参数低的样本风险指标对应的数据源类别是否有其他样本风险指标被保留。若是，服务器保留两个样本风险指标中预测力参数高的样本风险指标，即将预测力参数高的样本风险指标标记为目标风险指标。否则，服务器将两个样本风险指标均保留，以涉及尽可能多的数据源类别。

步骤312，基于多个目标风险指标建立风险预测模型。

服务器将多个目标风险指标分别作为一个风险因子，设置风险因子之间的运算关系，构建得到风险预测模型。

本实施例中，对多种样本风险指标进行筛选，采用预测力强、相关性弱、且涉及多种数据源类别的样本风险指标构建风险预测模型，可以提高风险预测精度。

在一个实施例中，基于多个目标风险指标建立风险预测模型，包括：获取不同数据源类别分别对应的初始模型；对每种数据源类别对应的目标风险指标进行组合，得到每种数据源类别对应的多种指标集合；基于不同指标集合对初始模型进行训练，得到每种指标集合对应的中间模型，计算多种中间模型的预测准确率；将预测准确率最高的中间模型标记为相应数据源类别对应的目标模型；基于多个目标模型建立风险预测模型。

指标集合中目标风险指标的数量不限，可以是一个，也可以是多个。不同指标集合中目标风险指标的数量可以不相同。服务器基于不同指标集合对初始模型进行训练。具体的，服务器获取多个数据源类别分别对应的初始模型。初始模型可以是线性回归模型。以其中一个数据源类别为例，服务器将对应的多种指标集合分别加入初始模型，得到每个初始模型对应的中间模型。服务器通过生成中间模型的ROC曲线(receiver operatingcharacteristic curve，受试者工作特征曲线)或混淆矩阵等，得到能够表征中间模型准确率的参数值，如AUC(Area Under Curve，ROC曲线下的面积)值、精确率率等。服务器筛选准确率最高的中间模型作为该数据源类别对应的目标模型。

在另一个实施例中，服务器通过逐步回归方法，从数据源类别对应的多个目标风险指标中逐一选取目标风险指标加入初始模型。服务器每加入一个目标风险指标，按照上述方式计算加入了新的目标风险指标的初始模型的准确率。当初始模型的准确率小于阈值时，表示新加入的目标风险指标不适用，服务器将该新加入的目标风险指标剔除。当初始模型的准确率大于或等于阈值时，服务器将该新加入的目标风险指标保留。

本实施例中，不断尝试看哪种指标集合得到的预测结果更准确，采用预测结果最准确的指标集合训练得到的目标模型构建风险预测模型，可以提高风险预测模型准确性。

在一个实施例中，基于多个目标模型建立风险预测模型，包括：获取不同数据源类别对应的预设权重；基于多个目标模型及分别对应的预设权重，建立风险预测模型。

不同数据源类别具有不同的预设权重。服务器基于逻辑回归算法，以及每种数据源类别对应的目标模型和预设权重，构建风险预测模型。在另一个实施例中，服务器对客户进行群体划分，通过设置不同行业对应的预设权重组合，实现针对不同行业的客户分别构建不同的风险预测模型。

在一个实施例中，方法还包括：根据风险评分，生成客户标识对应的第一预警提示；获取多种规则表达式，利用规则表达式对风险数据进行风险预测，得到客户标识对应的第二预警提示；比较第一预警提示和第二预警提示的预警等级；将预警等级高的第一预警提示或第二预警提示发送至监控终端。

服务器基于两套预警推送体系进行风险预警。具体的，风险预测模型是通过将大数据量化进行风险预测，适用于对目标客户进行定量分析。除了采用上述风险预测模型对目标客户进行风险预测，还另外设定无需对大数据量化的规则引擎。规则引擎包括多个风险关注点。规则引擎只需要根据风险关注点，从大量的风险数据中提取需要的部分数据，将提取的数据与相应规则进行对比，即可得到风险评分，适用于对目标客户进行定性分析。服务器从两套预警推送体系的输出中取高者进行推送，减少漏报率。

本实施例中，面对不同客户具有不同属性特征的事实，采用两套预警推送体系对目标客户分别进行定量和定性分析，避免采用不适用的单一预警推送体系造成风险漏报的概率，进而提高风险预警精度。

应该理解的是，虽然图2和图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2和图3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图4所示，提供了一种风险预测处理装置，包括：指标提取模块402、指标筛选模块404和风险预测模块406，其中：

指标提取模块402，用于获取目标客户的风险数据，风险数据携带有客户标识；在风险数据中提取风险指标；

指标筛选模块404，用于获取风险预测模型，风险预测模型包括多个风险因子；根据风险因子对提取到的多个风险指标进行筛选；

风险预测模块406，用于将筛选得到的风险指标输入风险预测模型，输出得到客户标识对应的风险评分。

在一个实施例中，风险数据包括基础风险数据和关联风险数据；指标提取模块402还用于在数据库中提取目标客户的基础风险数据；获取目标客户对应的基础标识字段；将基础标识字段发送至指定的互联网平台；接收互联网平台根据基础标识字段返回的关联风险数据；确定基础风险数据和关联风险数据分别对应的数据源类别。

在一个实施例中，该装置还包括模型构建模块408，用于获取多个样本客户的样本风险数据及每个样本客户对应的风险评分；样本风险数据包括数据源类别；对样本风险数据进行预处理，得到多种样本风险指标；根据风险评分，统计分析得到每种样本风险指标的预测力参数；计算多种样本风险指标之间的相关性参数；根据预测力参数、相关性参数及数据源类别，对多种样本风险指标进行筛选，得到目标风险指标；基于多个目标风险指标建立风险预测模型。

在一个实施例中，模型构建模块408还用于获取不同数据源类别分别对应的初始模型；对每种数据源类别对应的目标风险指标进行组合，得到每种数据源类别对应的多种指标集合；基于不同指标集合对初始模型进行训练，得到每种指标集合对应的中间模型，计算多种中间模型的预测准确率；将预测准确率最高的中间模型标记为相应数据源类别对应的目标模型；基于多个目标模型建立风险预测模型。

在一个实施例中，模型构建模块408还用于获取不同数据源类别对应的预设权重；基于多个目标模型及分别对应的预设权重，建立风险预测模型。

在一个实施例中，该装置还包括风险预警模块410，用于根据风险评分，生成客户标识对应的第一预警提示；获取多种规则表达式，利用规则表达式对风险数据进行风险预测，得到客户标识对应的第二预警提示；比较第一预警提示和第二预警提示的预警等级；将预警等级高的第一预警提示或第二预警提示发送至监控终端。

关于风险预测处理装置的具体限定可以参见上文中对于风险预测处理方法的限定，在此不再赘述。上述风险预测处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储风险数据和风险预测模型。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种风险预测处理方法。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本申请任意一个实施例中提供的风险预测处理方法的步骤。

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，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上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。

以上实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种风险预测处理方法，所述方法包括：

获取目标客户的风险数据，所述风险数据携带有客户标识；

在所述风险数据中提取风险指标；

获取风险预测模型，所述风险预测模型包括多个风险因子；

根据所述风险因子对提取到的多个风险指标进行筛选；

将筛选得到的风险指标输入所述风险预测模型，输出得到所述客户标识对应的风险评分。

2.根据权利要求1所述的方法，其特征在于，所述风险数据包括基础风险数据和关联风险数据；所述获取目标客户的风险数据，包括：

在数据库中提取所述目标客户的基础风险数据；

获取所述目标客户对应的基础标识字段；

将所述基础标识字段发送至指定的互联网平台；

接收所述互联网平台根据所述基础标识字段返回的关联风险数据；

确定所述基础风险数据和所述关联风险数据分别对应的数据源类别。

3.根据权利要求1或2所述的方法，其特征在于，所述获取风险预测模型之前，还包括：

获取多个样本客户的样本风险数据及每个所述样本客户对应的风险评分；所述样本风险数据包括数据源类别；

对所述样本风险数据进行预处理，得到多种样本风险指标；

根据所述风险评分，统计分析得到每种所述样本风险指标的预测力参数；

计算多种所述样本风险指标之间的相关性参数；

根据所述预测力参数、相关性参数及数据源类别，对多种所述样本风险指标进行筛选，得到目标风险指标；

基于多个目标风险指标建立所述风险预测模型。

4.根据权利要求3所述的方法，其特征在于，所述基于多个目标风险指标建立所述风险预测模型，包括：

获取不同所述数据源类别分别对应的初始模型；

对每种所述数据源类别对应的目标风险指标进行组合，得到每种数据源类别对应的多种指标集合；

基于不同指标集合对所述初始模型进行训练，得到每种所述指标集合对应的中间模型，计算多种所述中间模型的预测准确率；

将预测准确率最高的中间模型标记为相应数据源类别对应的目标模型；

基于多个目标模型建立所述风险预测模型。

5.根据权利要求4所述的方法，所述基于多个所述目标模型建立所述风险预测模型，包括：

获取不同数据源类别对应的预设权重；

基于多个所述目标模型及分别对应的预设权重，建立所述风险预测模型。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述风险评分，生成所述客户标识对应的第一预警提示；

获取多种规则表达式，利用所述规则表达式对所述风险数据进行风险预测，得到所述客户标识对应的第二预警提示；

比较所述第一预警提示和所述第二预警提示的预警等级；

将预警等级高的第一预警提示或第二预警提示发送至监控终端。

7.一种风险预测处理装置，其特征在于，所述装置包括：

指标提取模块，用于获取目标客户的风险数据，所述风险数据携带有客户标识；在所述风险数据中提取风险指标；

指标筛选模块，用于获取风险预测模型，所述风险预测模型包括多个风险因子；根据所述风险因子对提取到的多个风险指标进行筛选；

风险预测模块，用于将筛选得到的风险指标输入所述风险预测模型，输出得到所述客户标识对应的风险评分。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括模型构建模块，用于获取多个样本客户的样本风险数据及每个所述样本客户对应的风险评分；所述样本风险数据包括数据源类别；对所述样本风险数据进行预处理，得到多种样本风险指标；根据所述风险评分，统计分析得到每种所述样本风险指标的预测力参数；计算多种所述样本风险指标之间的相关性参数；根据所述预测力参数、相关性参数及数据源类别，对多种所述样本风险指标进行筛选，得到目标风险指标；基于多个目标风险指标建立所述风险预测模型。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。

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，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。