CN109598607A - 基于人工智能监控自学习模型的方法、装置及存储介质 - Google Patents
基于人工智能监控自学习模型的方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109598607A CN109598607A CN201811487061.XA CN201811487061A CN109598607A CN 109598607 A CN109598607 A CN 109598607A CN 201811487061 A CN201811487061 A CN 201811487061A CN 109598607 A CN109598607 A CN 109598607A
- Authority
- CN
- China
- Prior art keywords
- learning model
- self learning
- iteration
- self
- transaction data
- 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
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
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开内容的实施例公开了一种基于人工智能监控自学习模型的方法,所述方法包括:获取交易数据;将账期多于两期的交易数据按照账期进行拆分以获取经拆分的交易数据;基于所述经拆分的交易数据确定群体稳定性指标;以及在所述群体稳定性指标超过预定的第一阈值时,对所述自学习模型进行迭代。利用依据本公开内容所提出的基于人工智能监控自学习模型的方法能够通过准确地计算群体稳定性指标的方式确定何时需要对自学习模型进行迭代,从而能够准确地确定迭代时间点,进而在确保自学习模型的稳定性的同时也能够确保自学习模型的准确性。
Description
技术领域
本公开内容属于信息技术领域,尤其涉及一种基于人工智能监控自学习模型的方法、装置以及一种相应的计算机可读存储介质。
背景技术
信用评分模型主要应用在贷前预测借款人的风险,以匹配合适的借款价格、借款期限等、还款方式等。传统的信用评分模型辅助人工审批,提高审批效率;随着互联网金融行业、网络通信、以及人工智能技术的发展,信用评分模型逐渐有替代人工审批的趋势,同时这便对自学习模型有了更高的要求。
传统的自学习模型使用群体稳定性指标PSI即计算实际分布与预测分布的差异来监控自学习模型稳定性,但对于较长期限的借款产品,需要等待半年以上表现期,才能得到较准确的监控结果,从而使得模型监控的时效性较差,不一定能够及时对模型进行调整,从而造成模型失配,即模型不准确。
发明内容
本公开内容的实施例提供了一种基于人工智能监控自学习模型的方法、装置和相应的计算机可读存储介质,使得能够同时取得自学习模型的准确性和稳定性。
为此,本公开内容的实施例的第一方面提出了一种基于人工智能监控自学习模型的方法,其特征在于,所述方法包括:
获取交易数据;
将账期多于两期的交易数据按照账期进行拆分以获取经拆分的交易数据;
基于所述经拆分的交易数据确定群体稳定性指标;以及
在所述群体稳定性指标超过预定的第一阈值时,对所述自学习模型进行迭代。
本公开内容的实施例的第二方面提出了一种基于人工智能监控自学习模型的装置,其特征在于,包括:
处理器;以及
存储器,其用于存储指令,当所述指令被执行时使得所述处理器执行以下操作:
获取交易数据;
将账期多于两期的交易数据按照账期进行拆分以获取经拆分的交易数据;
基于所述经拆分的交易数据确定群体稳定性指标;以及
在所述群体稳定性指标超过预定的第一阈值时,对所述自学习模型进行迭代。
本公开内容的实施例的第三方面提出了一种计算机可读存储介质,包括计算机可执行指令,所述计算机可执行指令在装置中运行时使得所述装置执行根据本公开内容的实施例的第一方面所述的基于人工智能监控自学习模型的方法。
依据本公开内容的实施例的基于人工智能监控自学习模型的方法能够通过准确地计算群体稳定性指标的方式确定何时需要对自学习模型进行迭代,从而能够准确地确定迭代时间点,进而在确保自学习模型的稳定性的同时也能够确保自学习模型的准确性。
本公开内容的其他优势将在下文中进一步说明。
附图说明
结合附图并参考以下详细说明,本公开内容的各实施例的特征、优点及其他方面将变得更加明显,在此以示例性而非限制性的方式示出了本公开内容的若干实施例,在附图中:
图1示出了本公开内容的实施例的基于人工智能监控自学习模型的方法100的流程图。
图2示出了根据本公开内容的实施例的基于人工智能监控自学习模型的装置200的示意图。
具体实施方式
以下参考附图详细描述本公开内容的各个示例性实施例。附图中的流程图和框图示出了根据本公开内容的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意,流程图或框图中的每一个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意,在有些作为备选的实现中,方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,或者它们有时也可以按照相反的顺序执行,这取决于所涉及的功能。同样应当注意的是,流程图和/或框图中的每一个方框、以及流程图和/或框图中的方框的组合,可以使用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以使用专用硬件与计算机指令的组合来实现。
本文所使用的术语“包括”、“包含”及类似术语是开放性的术语,即“包括/包含但不限于”,表示还可以包括其他内容。术语“基于”是“至少部分地基于"。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”等等。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当视为说明书的一部分。对于附图中的各单元之间的连线,仅仅是为了便于说明,其表示至少连线两端的单元是相互通信的,并非旨在限制未连线的单元之间无法通信。
为了便于描述,下面对本公开内容中出现的一些术语进行说明,应当理解,本公开内容中所使用的术语应解释为具有与其在本说明书的上下文及有关领域中的意义一致的意义。
本公开内容中的术语“客户”是指为满足生产、生活消费而需要购买和使用机构提供的产品或是接受机构提供的服务的用户群体。
本公开内容中的术语“第一”、“第二”仅用于描述指代、目的或某具体事物,而不能理解为指示或暗示相对重要性,或者隐含指明所指示的技术特征的数量。
本公开内容中的术语“多个”是指两个或两个以上。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当视为说明书的一部分。对于附图中的各单元之间的连线,仅仅是为了便于说明,其表示至少连线两端的单元是相互通信的,并非旨在限制未连线的单元之间无法通信。
在介绍本公开内容所提出的解决方案之前,申请人首先介绍一下目前的现有技术现状以及本公开内容的发明人的发明构思。
好的模型需要兼顾时效性、稳定性以及准确性。本公开内容重点讨论通过模型自学习达到时效性与稳定性的目的。
本公开内容的发明人意识到影响模型时效性与稳定性的因素有以下几个方面:
首先是正常范围内的数据源变化。体现在已接入的数据源中,合理的变量分布改变,例如随着通讯行业的发展,在借款人质量不变情况下移动设备上网时长普遍增加等。
其次是异常的数据源变化。因为模型接入了众多第三方数据,故模型输入不可控制的会出现异常。
再者是大环境的变化。例如在某些年份互联网金融行业可能会遇冷,此时借款人质量会下沉。
最后是建模本身的效率。
以上因素,传统方法均需要大量时间与人力来监控,且因为监控与建模没有一体化,从而使得即便是发现问题后,也不能达到快速迭代的要求。评级与客群的不匹配,最终不恰当地评级、放款,使得风险不可控。传统建模方法多为单向的建模流程,数据整理、变量筛选、模型建立以及模型验证、模型测试、最后模型投产。单向的流程缺少反馈,建模人员需要另外花费时间来验证现有模型是否有效以及是否需要更替。而且因为传统监控方法为群体稳定性指标(PSI)等,这些方法需要有一定的表现期,无法在贷款早期发现问题。
而早期的风控模型主要参考银行信用卡客户评级体系,在建模的几个模块实现了自动化,而无法实现全流程的自动化。
本公开内容的发明人意识到应该将贷款自学习模型通过建立大数据分析实验室来打通业务生产各环节的系统,从而用较低的成本实现模型自动高度迭代。
图1示出了依据本公开内容的实施例的基于人工智能监控自学习模型的方法100的流程图。从图中可以看出,该方法100至少包括以下四个步骤,即首先在方法步骤110中获取交易数据;然后,在方法步骤120中将账期多于两期的交易数据按照账期进行拆分以获取经拆分的交易数据;接下来,在方法步骤130中基于所述经拆分的交易数据确定群体稳定性指标;以及最后在方法步骤140中在所述群体稳定性指标超过预定的第一阈值时,对所述自学习模型进行迭代。
通过依据本公开内容所公开的方法能够对交易数据进行MOB即账期拆分,从而能够将更多的样本更早地纳入PSI监控之内,进而更为准确地计算PSI指标,为后续的自学习模型的迭代提供判断依据。
在依据本公开内容的一个实施例中,所述方法还包括:
对所获取的交易数据与先前的交易数据进行W-Test检验;
在W-Test检验的结果表示所述交易数据的变化超过预定的第二阈值时,对所述自学习模型进行迭代。由此能够在输入数据发生明显变化时对自学习模型启动迭代工作,从而及时调整自学习模型。
在依据本公开内容的一个实施例中,所述方法还包括:
对所述自学习模型的输出数据与先前的输出数据进行W-Test检验;
在W-Test检验的结果表示所述自学习模型的输出数据的变化超过预定的第三阈值时,对所述自学习模型进行迭代。
由此能够在输出数据发生明显变化时对自学习模型启动迭代工作,从而及时调整自学习模型。
在依据本公开内容的一个实施例中,对所述自学习模型进行迭代包括:
确定迭代后的自学习模型;
利用历史数据验证迭代前的自学习模型和迭代后的自学习模型,以确定迭代前的自学习模型和迭代后的自学习模型的优劣;以及
在迭代后的自学习模型优于迭代前的自学习模型的情况下,使用所述迭代后的自学习模型取代所述迭代前的自学习模型。
在依据本公开内容的一个实施例中,所述方法还包括:
在迭代后的自学习模型不优于迭代前的自学习模型的情况下,不使用所述迭代后的自学习模型取代所述迭代前的自学习模型。
通过以上两种方式能够对迭代前后的自学习模型进行优选劣汰,从而进一步确保自学习模型的准确性。
本公开内容所提出的个人贷款自学习模型与其他模型相比,至少具有以下优势:
首先,其突破传统的银行系LR模型。与传统LR模型不同,本公开内容所提出的个人贷款自学习模型创新的将LR模型与最新的神经网络、xgboost等方法结合。通过模型集成的方式,让评级准确稳定。其次,将模型监控作为模型整体的一部分,实现建模流程的闭环及自学习。再者,建立模型与数据源分析预警平台,解决了模型与数据源监控的问题:
①PSI监控。传统PSI需要等待一段时间表现期,该平台通过历史数据MOB拆分,使无论表现期长短均能计算其PSI,在模型运行早期就能得到稳定性指标结果。
②输入项W-test。创新地使用此方法,将每日生产数据与前一周、前一月、前一年以及建模时点的数据对比,如果发现数据异常点,及时对客群的迁徙做出反应(引用定义,原理等)。
③输出项W-test。将每日生产数据评级分布与前一周、前一月、前一年以及建模时点的输出评级对比分析,该方法能进一步验证模型稳定。
以上监控方法,分析预警平台均会将计算结果与设定阈值做对比,若部分超出阈值则启动模型迭代机制。
同时,该分析预警平台自动衍生变量。建模会用到多个来源的数据,有实时与非实时的,结构化与非结构化的,传统方法需要花大量的时间对数据进行整理衍生。而使用本公开内容所提出的解决方案能够实现用机器学习的方式、结合多个数据源来随机衍生变量,并自动判断已衍生变量的重要性。根据异常值与缺失值的比例,制定不同的处理方案。
个人贷款自学习模型相较于以往纯粹的数据建模概率预测改进如下:
1、行业内最新的模型自动化;
2、模型博弈与冠军挑战;
3、生产与模型无缝对接。
具体而言,自学习模型具体流程改进:
传统模型使用PSI(群体稳定性指标,计算实际分布与预测分布的差异)监控模型稳定性,但对于较长期限的借款产品,需要等待半年以上表现期,才能得到较准确的监控结果。本方法将PSI根据借款MOB(账期,对于月还款的产品,借款后至第一次还款日这段时间为MOB1,第n-1个还款日至第n个还款日这段时间为MOBN)调整,提前做PSI监控,便于自学习模型对全生命周期监控。
具体调整方法为:
根据历史数据,计算每一个账期的PSI,标记为
为实际的第N期坏客户占比;
为预测的第N期坏客户占比,该预测根据历史数据计算得出;
根据统计月份月底的横截面数据,将数据用MOB切分,并计算每个MOB的占比,记为MOB1%,MOB2%;
最终将权重与指标加权及能得出准确的PSI结果。
PSI=∑PSIMOB×MOB%
不仅将模型输出作为模型迭代依据,还将模型输入(例如自变量分布的变化等)并入监控体系,提早发现异常点;
模型迭代时间点;
根据w-test检验,外部数据源发生变化时,自动迭代模型;
例如:
对于多头借贷这个自变量,需要监控建模时分布与模型上线后分布的差异:
如果W-Test检验表明一段时间后,该字段分布发生了明显的偏移,需要重新建模。
根据w-test检验,模型输出分布发生变化时,自动迭代模型;
例如:
因为产品定价与评级占比相关,如果模型实际评级占比发生偏移,会导致该产品亏损,所以对评级占比需要做定期的监控。
模型预计输出与实际输出结果如下表,使用W-Test检验判断实际输出跟预计输出的差异是否在允许的范围内。如果超过该范围,则自动迭代模型。
根据因内部或外部政策调整等原因导致的客户进件分布变化,自动迭代模型;
新增或者减少数据源,自动迭代模型。
另外或替代地,上述方法能够通过计算机程序产品,即计算机可读存储介质来实现。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开内容的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
图2示出了根据本公开内容的实施例的基于人工智能监控自学习模型的装置200的示意图。应当理解,装置200可以实现图1中的基于人工智能监控自学习模型的方法100的功能。从图2中可以看出基于人工智能监控自学习模型的装置200包括处理器201和存储器202。处理器201可以是中央处理器(CPU)、微控制器、专用集成电路(ASIC)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、或是被配置为实现本公开内容的实施例的一个或多个集成电路。存储器202可以包括易失性存储器,也可以包括非易失性存储器,诸如ROM、RAM、移动盘、磁盘、光盘和U盘等。当存储在存储器202中的指令执行时使得处理器201执行以下操作:
获取交易数据;
将账期多于两期的交易数据按照账期进行拆分以获取经拆分的交易数据;
基于所述经拆分的交易数据确定群体稳定性指标;以及
在所述群体稳定性指标超过预定的第一阈值时,对所述自学习模型进行迭代。
在依据本公开内容的一个实施例中,当所述指令被执行时还使得所述处理器执行以下操作:
对所获取的交易数据与先前的交易数据进行W-Test检验;
在W-Test检验的结果表示所述交易数据的变化超过预定的第二阈值时,对所述自学习模型进行迭代。
在依据本公开内容的一个实施例中,当所述指令被执行时还使得所述处理器执行以下操作:
对所述自学习模型的输出数据与先前的输出数据进行W-Test检验;
在W-Test检验的结果表示所述自学习模型的输出数据的变化超过预定的第三阈值时,对所述自学习模型进行迭代。
在依据本公开内容的一个实施例中,对所述自学习模型进行迭代包括:
确定迭代后的自学习模型;
利用历史数据验证迭代前的自学习模型和迭代后的自学习模型,以确定迭代前的自学习模型和迭代后的自学习模型的优劣;以及
在迭代后的自学习模型优于迭代前的自学习模型的情况下,使用所述迭代后的自学习模型取代所述迭代前的自学习模型。
在依据本公开内容的一个实施例中,当所述指令被执行时还使得所述处理器执行以下操作:
在迭代后的自学习模型不优于迭代前的自学习模型的情况下,不使用所述迭代后的自学习模型取代所述迭代前的自学习模型。
一般而言,本公开内容的各种示例实施例可以在硬件或专用电路、软件、固件、逻辑,或其任何组合中实施。某些方面可以在硬件中实施,而其他方面可以在可以由控制器、微处理器或其他计算设备执行的固件或软件中实施。当本公开内容的实施例的各方面图示或描述为框图、流程图或使用某些其他图形表示时,将理解此处描述的方框、装置、系统、技术或方法可以作为非限制性的示例在硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备,或其某些组合中实施。
应当注意,尽管在上文的详细描述中提及了装置的若干模块或单元,但是这种划分仅仅是示例性而非强制性的。实际上,根据本公开内容的实施例,上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之,上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
以上所述仅为本公开内容的实施例可选实施例,并不用于限制本公开内容的实施例,对于本领域的技术人员来说,本公开内容的实施例可以有各种更改和变化。凡在本公开内容的实施例的精神和原则之内,所作的任何修改、等效替换、改进等,均应包含在本公开内容的实施例的保护范围之内。
虽然已经参考若干具体实施例描述了本公开内容的实施例,但是应该理解,本公开内容的实施例并不限于所公开的具体实施例。本公开内容的实施例旨在涵盖在所附权利要求的精神和范围内所包括的各种修改和等同布置。所附权利要求的范围符合最宽泛的解释,从而包含所有这样的修改及等同结构和功能。
Claims (11)
1.一种基于人工智能监控自学习模型的方法,其特征在于,所述方法包括:
获取交易数据;
将账期多于两期的交易数据按照账期进行拆分以获取经拆分的交易数据;
基于所述经拆分的交易数据确定群体稳定性指标;以及
在所述群体稳定性指标超过预定的第一阈值时,对所述自学习模型进行迭代。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所获取的交易数据与先前的交易数据进行W-Test检验;
在W-Test检验的结果表示所述交易数据的变化超过预定的第二阈值时,对所述自学习模型进行迭代。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述自学习模型的输出数据与先前的输出数据进行W-Test检验;
在W-Test检验的结果表示所述自学习模型的输出数据的变化超过预定的第三阈值时,对所述自学习模型进行迭代。
4.根据权利要求1至3中任一项所述的方法,其特征在于,对所述自学习模型进行迭代包括:
确定迭代后的自学习模型;
利用历史数据验证迭代前的自学习模型和迭代后的自学习模型,以确定迭代前的自学习模型和迭代后的自学习模型的优劣;以及
在迭代后的自学习模型优于迭代前的自学习模型的情况下,使用所述迭代后的自学习模型取代所述迭代前的自学习模型。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
在迭代后的自学习模型不优于迭代前的自学习模型的情况下,不使用所述迭代后的自学习模型取代所述迭代前的自学习模型。
6.一种基于人工智能监控自学习模型的装置,其特征在于,包括:
处理器;以及
存储器,其用于存储指令,当所述指令被执行时使得所述处理器执行以下操作:
获取交易数据;
将账期多于两期的交易数据按照账期进行拆分以获取经拆分的交易数据;
基于所述经拆分的交易数据确定群体稳定性指标;以及
在所述群体稳定性指标超过预定的第一阈值时,对所述自学习模型进行迭代。
7.根据权利要求1所述的装置,其特征在于,当所述指令被执行时还使得所述处理器执行以下操作:
对所获取的交易数据与先前的交易数据进行W-Test检验;
在W-Test检验的结果表示所述交易数据的变化超过预定的第二阈值时,对所述自学习模型进行迭代。
8.根据权利要求1所述的装置,其特征在于,当所述指令被执行时还使得所述处理器执行以下操作:
对所述自学习模型的输出数据与先前的输出数据进行W-Test检验;
在W-Test检验的结果表示所述自学习模型的输出数据的变化超过预定的第三阈值时,对所述自学习模型进行迭代。
9.根据权利要求6至8中任一项所述的装置,其特征在于,对所述自学习模型进行迭代包括:
确定迭代后的自学习模型;
利用历史数据验证迭代前的自学习模型和迭代后的自学习模型,以确定迭代前的自学习模型和迭代后的自学习模型的优劣;以及
在迭代后的自学习模型优于迭代前的自学习模型的情况下,使用所述迭代后的自学习模型取代所述迭代前的自学习模型。
10.根据权利要求9所述的装置,其特征在于,当所述指令被执行时还使得所述处理器执行以下操作:
在迭代后的自学习模型不优于迭代前的自学习模型的情况下,不使用所述迭代后的自学习模型取代所述迭代前的自学习模型。
11.一种计算机可读存储介质,包括计算机可执行指令,所述计算机可执行指令在装置中运行时使得所述装置执行根据权利要求1至5中任一项所述的基于人工智能监控自学习模型的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811487061.XA CN109598607A (zh) | 2018-12-06 | 2018-12-06 | 基于人工智能监控自学习模型的方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811487061.XA CN109598607A (zh) | 2018-12-06 | 2018-12-06 | 基于人工智能监控自学习模型的方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109598607A true CN109598607A (zh) | 2019-04-09 |
Family
ID=65962199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811487061.XA Pending CN109598607A (zh) | 2018-12-06 | 2018-12-06 | 基于人工智能监控自学习模型的方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109598607A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033191A (zh) * | 2019-04-16 | 2019-07-19 | 北京殷塞信息技术有限公司 | 一种商业人工智能的分析方法及系统 |
CN110111200A (zh) * | 2019-04-23 | 2019-08-09 | 北京淇瑀信息科技有限公司 | 一种基于psi的数据异常智能监控方法及智能监控装置 |
CN111428882A (zh) * | 2020-03-27 | 2020-07-17 | 联想(北京)有限公司 | 一种处理方法及计算机设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110099101A1 (en) * | 2009-10-26 | 2011-04-28 | Bank Of America Corporation | Automated validation reporting for risk models |
US20110246385A1 (en) * | 2009-10-26 | 2011-10-06 | Bank Of America Corporation | Automatically recalibrating risk models |
US20140279378A1 (en) * | 2013-03-13 | 2014-09-18 | Bank Of America Corporation | Model performance simulator |
CN106022906A (zh) * | 2016-05-11 | 2016-10-12 | 吴江 | 一种安全且可交易的网络借贷平台及其网络借贷方法 |
CN107194799A (zh) * | 2017-04-28 | 2017-09-22 | 中证信用云科技(深圳)股份有限公司 | 信用云风险监控管理系统 |
CN108460678A (zh) * | 2017-02-22 | 2018-08-28 | 北京数信互融科技发展有限公司 | 资产筛选、质量监测、预测全流程互联网金融资产管理云平台 |
CN108898480A (zh) * | 2018-06-29 | 2018-11-27 | 重庆富民银行股份有限公司 | 用于授信贷款的贷款等级评估系统及方法 |
-
2018
- 2018-12-06 CN CN201811487061.XA patent/CN109598607A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110099101A1 (en) * | 2009-10-26 | 2011-04-28 | Bank Of America Corporation | Automated validation reporting for risk models |
US20110246385A1 (en) * | 2009-10-26 | 2011-10-06 | Bank Of America Corporation | Automatically recalibrating risk models |
US20140279378A1 (en) * | 2013-03-13 | 2014-09-18 | Bank Of America Corporation | Model performance simulator |
CN106022906A (zh) * | 2016-05-11 | 2016-10-12 | 吴江 | 一种安全且可交易的网络借贷平台及其网络借贷方法 |
CN108460678A (zh) * | 2017-02-22 | 2018-08-28 | 北京数信互融科技发展有限公司 | 资产筛选、质量监测、预测全流程互联网金融资产管理云平台 |
CN107194799A (zh) * | 2017-04-28 | 2017-09-22 | 中证信用云科技(深圳)股份有限公司 | 信用云风险监控管理系统 |
CN108898480A (zh) * | 2018-06-29 | 2018-11-27 | 重庆富民银行股份有限公司 | 用于授信贷款的贷款等级评估系统及方法 |
Non-Patent Citations (1)
Title |
---|
盛洁: "商业银行信用卡违约概率评估的实证研究", 《中国优秀硕士学位论文全文数据库(经济与管理科学辑)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033191A (zh) * | 2019-04-16 | 2019-07-19 | 北京殷塞信息技术有限公司 | 一种商业人工智能的分析方法及系统 |
CN110033191B (zh) * | 2019-04-16 | 2021-08-24 | 北京殷塞信息技术有限公司 | 一种商业人工智能的分析方法及系统 |
CN110111200A (zh) * | 2019-04-23 | 2019-08-09 | 北京淇瑀信息科技有限公司 | 一种基于psi的数据异常智能监控方法及智能监控装置 |
CN111428882A (zh) * | 2020-03-27 | 2020-07-17 | 联想(北京)有限公司 | 一种处理方法及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764863B (zh) | 一种数据转移方法、装置、服务器和存储介质 | |
Dou et al. | External financing and customer capital: a financial theory of markups | |
CN111754116B (zh) | 一种基于标签画像技术的信用评估方法及装置 | |
US20210012418A1 (en) | Responsibility analytics | |
US8984022B1 (en) | Automating growth and evaluation of segmentation trees | |
CN109598607A (zh) | 基于人工智能监控自学习模型的方法、装置及存储介质 | |
CN112541817A (zh) | 一种个人消费贷款潜在客户的营销响应处理方法及系统 | |
CN102117469A (zh) | 一种对信用风险进行评估的系统和方法 | |
CN109086927A (zh) | 结合大数据舆情分析与融合模型的多因子交易方法 | |
Yusdika et al. | Implementation Of PSAK 71 Financial Instruments In The Banking Sector During The Covid-19 Pandemic | |
Melecky et al. | Placing bank supervision in the central bank: Implications for financial stability based on evidence from the global crisis | |
CN109583773A (zh) | 一种纳税信用积分确定的方法、系统及相关装置 | |
CN106651582A (zh) | 基于指令流毒性指标的证券交易风险预警方法及系统 | |
CN109086954A (zh) | 基于资金流预测收益率的预测方法、装置、设备及介质 | |
CN112862182A (zh) | 一种投资预测方法、装置、电子设备及存储介质 | |
CN110570300A (zh) | 基于XGBoost驱动的海萨尼转换金融决策处理系统 | |
Korsu et al. | The determinants of the real exchange rate in Sierra Leone | |
Liang et al. | Management of UK pension funds and financial market development: 1970-2008 | |
Fang et al. | Variable Selection for Credit Risk Model Using Data Mining technique. | |
Skrabic et al. | Evidence of the long-run equilibrium between money demand determinants in Croatia | |
JP2020013229A (ja) | 債務不履行確率を算出する装置、方法及びそのためのプログラム | |
US20220067460A1 (en) | Variance Characterization Based on Feature Contribution | |
CN114493822A (zh) | 一种基于迁移学习的用户违约预测定价方法和系统 | |
Hopp | Performance of LSTM neural networks in nowcasting global trade during the COVID-19 crisis | |
Hopp | Performance of LSTM Neural Networks in Nowcasting during the COVID-19 Crisis |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190409 |