CN109657917A - 评估对象的风险预警方法、装置、计算机设备和存储介质 - Google Patents
评估对象的风险预警方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109657917A CN109657917A CN201811378865.6A CN201811378865A CN109657917A CN 109657917 A CN109657917 A CN 109657917A CN 201811378865 A CN201811378865 A CN 201811378865A CN 109657917 A CN109657917 A CN 109657917A
- Authority
- CN
- China
- Prior art keywords
- risk
- warning
- data
- assessment object
- integrated
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (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
本申请涉及人工智能技术领域,应用于金融行业,特别是涉及一种评估对象的风险预警方法、装置、计算机设备和存储介质。一个实施例中的方法包括:获取评估对象的业务规则预警数据、单一预警数据以及风险传导预警数据,根据业务规则预警数据、单一预警数据以及风险传导预警数据,得到评估对象的风险预警综合数据,提取不同时间段的风险预警综合数据,根据不同时间段的风险预警综合数据,分别得到评估对象不同时间段对应的预警系数,获取不同时间段的预警系数与风险预警综合系数的对应关系,根据评估对象不同时间段的预警系数以及对应关系,得到评估对象的综合风险预警系数,从而实现对评估对象进行风险预警。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种评估对象的风险预警方法、装置、计算机设备和存储介质。
背景技术
随着全球经济的快速发展,大型企业集团以及中小型企业不断涌现。企业在经营过程中,可能会遇到各种各样的问题,为了保证企业运营的稳定性,必须对出现的风险进行规避和解决,降低出险概率,以提高企业竞争力。
企业风险是一个动态的过程,并且具有传导性,企业风险通过传导机制积累、放大甚至突发,从而引发企业危机。从企业风险传导出发,获取出险企业的出险概率,是防范出险企业的企业风险的一种有效途径。而传统的风险预警方法是通过人工对数据进行处理,得到风险概率从而对高风险的客户进行预警操作,这样导致处理效率低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高预警效率的评估对象的风险预警方法、装置、计算机设备和存储介质。
一种评估对象的风险预警方法,所述方法包括:
获取评估对象的业务规则预警数据、单一预警数据以及风险传导预警数据;
根据所述业务规则预警数据、所述单一预警数据以及所述风险传导预警数据,得到所述评估对象的风险预警综合数据;
提取不同时间段的风险预警综合数据,根据所述不同时间段的风险预警综合数据,分别得到所述评估对象不同时间段对应的预警系数;
获取不同时间段的预警系数与风险预警综合系数的对应关系,根据所述评估对象不同时间段的预警系数以及所述对应关系,得到所述评估对象的综合风险预警系数,以对所述评估对象进行风险预警。
在一个实施例中,所述根据所述评估对象不同时间段的预警系数以及所述对应关系,得到所述评估对象的综合风险预警系数之后,还包括:
根据所述评估对象的综合风险预警系数以及预设与所述综合风险预警系数对应的风险强度描述信息,得到所述评估对象的风险预警信息,并推送所述风险预警信息。
在一个实施例中,所述根据所述业务规则预警数据、所述单一预警数据以及所述风险传导预警数据,得到所述评估对象的风险预警综合数据,包括:
将所述业务规则预警数据、所述单一预警数据以及所述风险传导预警数据进行合并处理,得到风险预警合并数据;
当所述风险预警合并数据为非空白数据时,将所述风险预警合并数据作为所述评估对象的风险预警综合数据。
在一个实施例中,所述获取评估对象的单一预警数据,包括:
获取单一预警模型训练数据,并对所述单一预警模型训练数据进行处理,得到风险因子;
通过对所述风险因子进行数据分析,得到标准化指标;
对所述标准化指标进行组合,通过组合的标准化指标数据训练单一预警模型,得到已训练的单一预警模型;
通过所述已训练的单一预警模型,获取评估对象的单一预警数据。
在一个实施例中,所述获取评估对象的风险传导预警数据,包括:
获取风险传导模型训练数据中的知识图谱以及指标信息;
提取所述知识图谱中的关联关系特征向量,将所述关联关系特征向量和所述指标信息进行特征工程整合,得到整合后的特征向量;
根据所述整合后的特征向量对风险传导模型进行训练,得到已训练的风险传导模型;
通过所述已训练的风险传导模型,获取评估对象的风险传导预警数据。
在一个实施例中,所述获取风险传导模型训练数据中的知识图谱之前,还包括:
获取风险传导模型训练数据中的节点,以所述节点为主体目标,对所述风险传导模型训练数据进行映射与合并;
基于所述映射与合并后的数据,获取所述节点的属性和关系,通过所述属性表示不同数据源对所述节点的描述,利用所述关系描述所述节点的数据之间的关联关系;
通过节点链接技术对围绕所述节点的属性和关系进行关联存储,并使用事件机制描述事件与所述节点间的关联,利用时序描述所述事件的动态发展,得到风险传导模型训练数据中的知识图谱。
在一个实施例中,获取风险传导模型训练数据中的指标信息,包括:
获取风险传导模型训练数据中的初始指标信息,并对所述初始指标信息进行衍生,得到衍生指标信息;
根据所述初始指标信息、所述衍生指标信息以及预设指标适用规则,得到指标信息。
一种评估对象的风险预警装置,所述装置包括:
数据获取模块,用于获取评估对象的业务规则预警数据、单一预警数据以及风险传导预警数据;
数据分析模块,用于根据所述业务规则预警数据、所述单一预警数据以及所述风险传导预警数据,得到所述评估对象的风险预警综合数据;
数据提取模块,用于提取不同时间段的风险预警综合数据,根据所述不同时间段的风险预警综合数据,分别得到所述评估对象不同时间段对应的预警系数;
风险预警模块,用于获取不同时间段的预警系数与风险预警综合系数的对应关系,根据所述评估对象不同时间段的预警系数以及所述对应关系,得到所述评估对象的综合风险预警系数,以对所述评估对象进行风险预警。
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以下步骤:
获取评估对象的业务规则预警数据、单一预警数据以及风险传导预警数据;
根据所述业务规则预警数据、所述单一预警数据以及所述风险传导预警数据,得到所述评估对象的风险预警综合数据;
提取不同时间段的风险预警综合数据,根据所述不同时间段的风险预警综合数据,分别得到所述评估对象不同时间段对应的预警系数;
获取不同时间段的预警系数与风险预警综合系数的对应关系,根据所述评估对象不同时间段的预警系数以及所述对应关系,得到所述评估对象的综合风险预警系数,以对所述评估对象进行风险预警。
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以下步骤:
获取评估对象的业务规则预警数据、单一预警数据以及风险传导预警数据;
根据所述业务规则预警数据、所述单一预警数据以及所述风险传导预警数据,得到所述评估对象的风险预警综合数据;
提取不同时间段的风险预警综合数据,根据所述不同时间段的风险预警综合数据,分别得到所述评估对象不同时间段对应的预警系数;
获取不同时间段的预警系数与风险预警综合系数的对应关系,根据所述评估对象不同时间段的预警系数以及所述对应关系,得到所述评估对象的综合风险预警系数,以对所述评估对象进行风险预警。
上述评估对象的风险预警方法、装置、计算机设备和存储介质,通过获取评估对象的业务规则预警数据、单一预警数据以及风险传导预警数据,根据业务规则预警数据、单一预警数据以及风险传导预警数据,得到评估对象的风险预警综合数据,提取不同时间段的风险预警综合数据,根据不同时间段的风险预警综合数据,分别得到评估对象不同时间段对应的预警系数,获取不同时间段的预警系数与风险预警综合系数的对应关系,根据评估对象不同时间段的预警系数以及对应关系,得到评估对象的综合风险预警系数,从而实现对评估对象进行风险预警,无需人工处理数据,可以有效提高风险预警效率;此外,通过将评估对象业务规则预警、单一预警与风险传导预警结合,可以在对评估对象进行风险预警时,实现信息覆盖的全面性。
附图说明
图1为一个实施例中评估对象的风险预警方法的流程示意图;
图2为一个实施例中风险预警信息推送界面的示意图;
图3为一个实施例中风险预警数据处理步骤的流程示意图;
图4为一个实施例中训练单一预警模型步骤的流程示意图;
图5为一个实施例中训练风险传导模型步骤的流程示意图;
图6为一个实施例中风险展示的示意图;
图7为一个实施例中评估对象的风险预警装置的结构框图;
图8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。
在一个实施例中,如图1所示,提供了一种评估对象的风险预警方法,包括以下步骤:
步骤102,获取评估对象的业务规则预警数据、单一预警数据以及风险传导预警数据。
评估对象是指需要进行风险评估的对象,具体可以是企业、个体商户等。业务规则预警数据是指根据不同信号维度制定业务规则,超过该规则预设阈值的数据,比如财务维度、法律维度等。单一预警数据是指评估对象通过已训练的单一预警模型输出的预警数据,单一预警模型是将多维度的评估对象相关大数据映射成可以体现评估对象自身信用风险的评分,对评估对象信用风险进行量化的预警模型。风险传导预警数据是指评估对象通过已训练的风险传导模型输出的预警数据,风险传导模型是指根据已经出现风险的对象,以及知识图谱中已经出现风险的对象与评估对象之间的关联关系,对评估对象的风险概率进行预测的模型。知识图谱是指通过节点和关系组成的图谱,可以对各个场景进行直观建模。具体地,在知识图谱中,用实体来表达图中的节点,用关系来表达图中的边,实体指的是现实世界中的事物,比如人、地名、概念、药物、公司等,关系则用来表达不同实体之间的某种联系,比如人“居住在”北京、张三和李四是“朋友”、逻辑回归是深度学习的“先导知识”等等。
步骤104,根据业务规则预警数据、单一预警数据以及风险传导预警数据,得到评估对象的风险预警综合数据。
基于业务规则得到评估对象的业务规则预警数据,比如财务维度、法律维度,评估对象的经营活动净现金低于预设值时,得到评估对象的业务规则预警数据包括财务维度风险预警数据,当评估对象发生诉讼事件时,得到评估对象的第一风险预警数据包括法律维度风险预警数据。将评估对象的大数据信息输入单一预警模型,模型输出评估对象的风险概率,从而得到评估对象的单一预警数据。将评估对象作为已经出现风险的对象的关联对象,输入风险传导模型,输出评估对象的风险概率,从而得到评估对象的风险传导预警数据。这样从多个维度得到评估对象的预警数据,进行合并,得到评估对象的风险预警综合数据。
步骤106,提取不同时间段的风险预警综合数据,根据不同时间段的风险预警综合数据,分别得到评估对象不同时间段对应的预警系数。
比如,提取评估对象最近90天(包含当天)内的风险预警综合数据,第一时间段为最近90天,第二时间段为最近60天,第三时间段为最近30天。根据评估对象最近90天内的风险预警综合数据,分别计算得到评估对象最近90天内的业务规则预警系数、单一预警模型预警系数以及风险传导模型预警系数,将评估对象最近90天内的业务规则预警系数、单一预警模型预警系数以及风险传导模型预警系数中的最大值,作为评估对象的第一预警系数。根据评估对象最近60天内的风险预警综合数据,分别计算得到评估对象最近60天内的业务规则预警系数、单一预警模型预警系数以及风险传导模型预警系数,将评估对象最近60天内的业务规则预警系数、单一预警模型预警系数以及风险传导模型预警系数中的最大值,作为评估对象的第二预警系数。根据评估对象最近30天内的风险预警综合数据,分别计算得到评估对象最近30天内的业务规则预警系数、单一预警模型预警系数以及风险传导模型预警系数,将评估对象最近30天内的业务规则预警系数、单一预警模型预警系数以及风险传导模型预警系数中的最大值,作为评估对象的第三预警系数。
步骤108,获取不同时间段的预警系数与风险预警综合系数的对应关系,根据评估对象不同时间段的预警系数以及对应关系,得到评估对象的综合风险预警系数,以对评估对象进行风险预警。
比如,评估对象最近90天内的业务规则预警系数、单一预警模型预警系数以及风险传导模型预警系数中的最大值,作为评估对象的第一预警系数;评估对象最近60天内的业务规则预警系数、单一预警模型预警系数以及风险传导模型预警系数中的最大值,作为评估对象的第二预警系数;评估对象最近30天内的业务规则预警系数、单一预警模型预警系数以及风险传导模型预警系数中的最大值,作为评估对象的第三预警系数。不同时间段的预警系数与风险预警综合系数的对应关系具体可以是若第一预警系数为“强”,则风险预警综合系数为“强”;若第一预警系数为“强”且第二预警系数为“中”,则风险预警综合系数为“中”;若第一预警系数不为“强”、第二预警系数不为“中”且第三预警系数为“弱”,则风险预警综合系数为“弱”;若以上条件都不满足,则风险预警综合系数为0。其中,“强”、“中”、“弱”表示自定义阈值区间的划分,比如将风险预警系数进行量化处理,以[0,10]作为一个完整的阈值区间,那么可以定义阈值区间(0,5)为“弱”,定义阈值区间[5,8)为“中”,定义阈值区间[8,10]为“强”。
上述评估对象的风险预警方法,通过获取评估对象的业务规则预警数据、单一预警数据以及风险传导预警数据,根据业务规则预警数据、单一预警数据以及风险传导预警数据,得到评估对象的风险预警综合数据,提取不同时间段的风险预警综合数据,根据不同时间段的风险预警综合数据,分别得到评估对象不同时间段对应的预警系数,获取不同时间段的预警系数与风险预警综合系数的对应关系,根据评估对象不同时间段的预警系数以及对应关系,得到评估对象的综合风险预警系数,从而实现对评估对象进行风险预警,无需人工处理数据,可以有效提高风险预警效率;此外,通过将评估对象业务规则预警、单一预警与风险传导预警结合,可以在对评估对象进行风险预警时,实现信息覆盖的全面性。
在一个实施例中,根据评估对象不同时间段的预警系数以及对应关系,得到评估对象的综合风险预警系数之后,还包括:根据评估对象的综合风险预警系数以及预设与综合风险预警系数对应的风险强度描述信息,得到评估对象的风险预警信息,并推送风险预警信息。风险强度描述信息是指用来描述评估对象出现风险强度的内容。具体地,当综合风险预警系数为0时,对应的风险强度描述信息为空白,评估对象的风险预警信息也为空白,不推送风险预警信息。当综合风险预警系数不为0时,分为以下几种情况:当综合风险预警系数属于“刚”所属区间时,对应的风险强度描述信息为评估对象X已出险;当综合风险预警系数属于“强”所属区间时,对应的风险强度描述信息为评估对象X风险极高;当综合风险预警系数属于“中”所属区间时,对应的风险强度描述信息为评估对象X风险高;当综合风险预警系数属于“弱”所属区间时,对应的风险强度描述信息为评估对象X风险较高。其中,“强”、“中”、“弱”表示自定义阈值区间的划分,比如将综合风险预警系数进行量化处理,以[0,10]作为一个完整的阈值区间,那么可以定义阈值区间(0,5)为“弱”,定义阈值区间[5,7)为“中”,定义阈值区间[7,9)为“强”,定义阈值区间[9,10]为“刚”。某企业的风险预警信息推送界面如图2所示。
在一个实施例中,如图3所示,根据业务规则预警数据、单一预警数据以及风险传导预警数据,得到评估对象的风险预警综合数据,包括:步骤302,将业务规则预警数据、单一预警数据以及风险传导预警数据进行合并处理,得到风险预警合并数据;步骤304,当风险预警合并数据为非空白数据时,将风险预警合并数据作为评估对象的风险预警综合数据。非空白数据是指数据内容不为空的数据,即业务规则预警数据、单一预警数据以及风险传导预警数据不全是空白数据。当风险预警合并数据为空白数据时,即业务规则预警数据、单一预警数据以及风险传导预警数据均为空白数据,风险预警综合数据不存在。当风险预警合并数据为非空白数据时,风险预警综合数据为业务规则预警数据、单一预警数据以及风险传导预警数据合并后的数据。
在一个实施例中,如图4所示,获取评估对象的单一预警数据,包括训练单一预警模型,训练单一预警模型包括:步骤402,获取单一预警模型训练数据,并对单一预警模型训练数据进行处理,得到风险因子;步骤404,通过对风险因子进行数据分析,得到标准化指标;步骤406,对标准化指标进行组合,通过组合的标准化指标数据训练单一预警模型,得到已训练的单一预警模型;步骤408,通过已训练的单一预警模型,获取评估对象的单一预警数据。单一预警模型的输入为评估对象的宏观经济、工商、海关、财务舆情、关联关系、法律、房产等大数据信息,模型的输出为评估对象的风险概率。单一预警模型包括数据层、指标层、模型层和信号层,其中,数据层用于获取评估对象的原始大数据信息,并对原始大数据信息进行预处理及存储,从中提取得到多个风险因子。指标层为模型输入进行准备,通过对风险因子进行数据分析形成标准化指标,并对指标进行筛选。模型层用于不断对不同指标进行组合,训练得到风险概率预测准确率最高的单一预警模型;信号层用于输出评估对象对应的风险概率信号。
在一个实施例中,如图5所示,获取评估对象的风险传导预警数据,包括训练风险传导模型,训练风险传导模型包括:步骤502,获取风险传导模型训练数据中的知识图谱以及指标信息;步骤504,提取知识图谱中的关联关系特征向量,将关联关系特征向量和指标信息进行特征工程整合,得到整合后的特征向量;步骤506,根据整合后的特征向量对风险传导模型进行训练,得到已训练的风险传导模型;步骤508,通过已训练的风险传导模型,获取评估对象的风险传导预警数据。风险传导模型具体可以是深度神经网络模型,指标信息包括主体、主因子、从因子以及三者之间的映射关系,其中,主体可以是多个,各主体分别对应不同的主因子,各主因子对应不同的从因子。以企业作为评估对象为例,主体具体可以是城投企业、房地产企业客户、国内宏观数据、国内区域宏观数据、金融市场、普通对公客户等,各主体分别对应不同的主因子以及从因子,从因子是对主因子的细化。比如,国内宏观数据对应的主因子包括财政、对外贸易及投资、固定资产投资、国民经济核算、国内贸易、宏观经济重要指标、景气指数、利率、人民生活、物价指数、银行与货币等;财政对应的从因子包括地方本级财政收支、地方公共财政收支以及中央财政收支,国民经济核算对应的从因子包括分行业生产总值和国内生产总值。以企业X作为评估对象为例,获取包括企业X在内的企业风险知识图谱,通过TransH对企业风险知识图谱进行学习,提取企业风险知识图谱中的关联关系特征,将关联关系翻译为具有自身特点的向量表达。获取企业状态因子指标体系,将关联关系向量与其相应存在数量和企业状态因子指标体系进行特征工程整合,得到输入深度神经网络的完整特征向量。同时将企业出险状态作为监督学习的真实标签,进行模型训练,通过深度神经网络模型挖掘特征之间的组合以及高阶交互关系,利用已训练的深度神经网络模型根据已出险企业预测企业X的风险概率。通过已训练的风险传导模型可以预测与出险企业的关联企业的出险概率,可以通过展示图的方式直观展示企业风险。某企业风险展示图如图6所示,可以展示待评估企业的出险概率,与待评估企业关联的其它出险源H2、H3,待评估企业的风险预警程度受与其关联的所有出险源共同影响,以出险源企业H1为中心,展示3层以内关联的企业T11,T12,T13……
在一个实施例中,获取风险传导模型训练数据中的知识图谱之前还包括:获取风险传导模型训练数据中的节点,以节点为主体目标,对风险传导模型训练数据进行映射与合并;基于映射与合并后的数据,获取节点的属性和关系,通过属性表示不同数据源对所述节点的描述,利用关系描述所述节点的数据之间的关联关系;通过节点链接技术对围绕节点的属性和关系进行关联存储,并使用事件机制描述事件与节点间的关联,利用时序描述事件的动态发展,得到风险传导模型训练数据中的知识图谱。具体地,首先进行实体抽取与合并,以实体为主体目标,实现对不同来源的数据进行映射与合并。然后进行属性映射与归并,利用属性来表示不同数据源中针对实体的描述,形成对实体的全方位描述,合并不同源的属性。接着进行关系抽取,利用关系来描述各类抽象建模成实体的数据之间的关联关系,从而支持关联分析,关系抽取并不合并,但是会链接。再进行实体链接,通过实体链接技术实现围绕实体的多种类型数据的关联存储。最后进行动态事件描述,使用事件机制描述客观世界中动态发展,体现事件与实体间的关联,并利用时序描述事件的发展状况。
在一个实施例中,获取风险传导模型训练数据中的指标信息,包括:获取风险传导模型训练数据中的初始指标信息,并对初始指标信息进行衍生,得到衍生指标信息;根据初始指标信息、衍生指标信息以及预设指标适用规则,得到指标信息。初始指标从风险传导模型训练数据中直接提取的指标,具体可以包括宏城投企业、房地产企业客户、国内宏观数据、国内区域宏观数据、金融市场、普通对公客户等,初始指标信息是指初始指标进行量化处理后的量化值。其中,国内宏观数据包括固定资产投资、国民经济核算、国内贸易、利率、人民生活、物价指数、银行与货币等。衍生指标是指基于初始指标,通过二次计算得到的指标。指标体系包括初始指标和衍生指标,比如指标体系包括24个指标,初始指标包括13个,对初始指标通过相除、相减等运算,得到11个衍生指标。比如,基于初始指标“物价指数”和“利率”,进行比值运算,得到衍生指标“物价指数/利率比”。预设指标适用规则是指对指标体系中的指标进行筛选的规则,比如在单变量区分能力基础上结合业务专家的经验挑选指标。
应该理解的是,虽然图1、3-5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1、3-5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7所示,提供了一种评估对象的风险预警装置,包括:数据获取模块702、数据分析模块704、数据提取模块706和风险预警模块708。数据获取模块,用于获取评估对象的业务规则预警数据、单一预警数据以及风险传导预警数据;数据分析模块,用于根据业务规则预警数据、单一预警数据以及风险传导预警数据,得到评估对象的风险预警综合数据;数据提取模块,用于提取不同时间段的风险预警综合数据,根据不同时间段的风险预警综合数据,分别得到评估对象不同时间段对应的预警系数;风险预警模块,用于获取不同时间段的预警系数与风险预警综合系数的对应关系,根据评估对象不同时间段的预警系数以及对应关系,得到评估对象的综合风险预警系数,以对评估对象进行风险预警。
在一个实施例中,风险预警模块之后还包括:推送模块,用于根据评估对象的综合风险预警系数以及预设与综合风险预警系数对应的风险强度描述信息,得到评估对象的风险预警信息,并推送风险预警信息。
在一个实施例中,数据分析模块包括数据合并单元,用于将业务规则预警数据、单一预警数据以及风险传导预警数据进行合并处理,得到风险预警合并数据;判断单元,用于当风险预警合并数据为非空白数据时,将风险预警合并数据作为评估对象的风险预警综合数据。
在一个实施例中,数据获取模块包括因子提取单元,用于获取单一预警模型训练数据,并对单一预警模型训练数据进行处理,得到风险因子;指标获取单元,用于通过对风险因子进行数据分析,得到标准化指标;训练单元,用于对标准化指标进行组合,通过组合的标准化指标数据训练单一预警模型,得到已训练的单一预警模型;单一预警数据生成单元,用于通过已训练的单一预警模型,获取评估对象的单一预警数据。
在一个实施例中,数据获取模块包括信息获取单元,用于获取风险传导模型训练数据中的知识图谱以及指标信息;特征向量获取单元,用于提取知识图谱中的关联关系特征向量,将关联关系特征向量和指标信息进行特征工程整合,得到整合后的特征向量;模型训练单元,用于根据整合后的特征向量对风险传导模型进行训练,得到已训练的风险传导模型;风险传导预警数据生成单元,用于通过已训练的风险传导模型,获取评估对象的风险传导预警数据。
在一个实施例中,信息获取单元之前还包括映射与合并单元,用于获取风险传导模型训练数据中的节点,以节点为主体目标,对风险传导模型训练数据进行映射与合并;属性与关系单元,用于基于映射与合并后的数据,获取节点的属性和关系,通过属性表示不同数据源对所述节点的描述,利用关系描述所述节点的数据之间的关联关系;事件描述单元,用于通过节点链接技术对围绕节点的属性和关系进行关联存储,并使用事件机制描述事件与节点间的关联,利用时序描述事件的动态发展,得到风险传导模型训练数据中的知识图谱。
在一个实施例中,信息获取单元包括:指标衍生单元,用于获取风险传导模型训练数据中的初始指标信息,并对初始指标信息进行衍生,得到衍生指标信息;综合单元,用于根据初始指标信息、衍生指标信息以及预设指标适用规则,得到指标信息。
关于评估对象的风险预警装置的具体限定可以参见上文中对于评估对象的风险预警方法的限定,在此不再赘述。上述评估对象的风险预警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终端,其内部结构图可以如图8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、显示屏和输入装置。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和计算机程序。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评估对象的风险预警方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8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。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现任一实施例中评估对象的风险预警方法的步骤。
在一个实施例中,提供了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任一实施例中评估对象的风险预警方法的步骤。
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,所述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。
以上所述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)
1.一种评估对象的风险预警方法,所述方法包括:
获取评估对象的业务规则预警数据、单一预警数据以及风险传导预警数据;
根据所述业务规则预警数据、所述单一预警数据以及所述风险传导预警数据,得到所述评估对象的风险预警综合数据;
提取不同时间段的风险预警综合数据,根据所述不同时间段的风险预警综合数据,分别得到所述评估对象不同时间段对应的预警系数;
获取不同时间段的预警系数与风险预警综合系数的对应关系,根据所述评估对象不同时间段的预警系数以及所述对应关系,得到所述评估对象的综合风险预警系数,以对所述评估对象进行风险预警。
2.根据权利要求1所述的方法,其特征在于,所述根据所述评估对象不同时间段的预警系数以及所述对应关系,得到所述评估对象的综合风险预警系数之后,还包括:
根据所述评估对象的综合风险预警系数以及预设与所述综合风险预警系数对应的风险强度描述信息,得到所述评估对象的风险预警信息,并推送所述风险预警信息。
3.根据权利要求1所述的方法,其特征在于,所述根据所述业务规则预警数据、所述单一预警数据以及所述风险传导预警数据,得到所述评估对象的风险预警综合数据,包括:
将所述业务规则预警数据、所述单一预警数据以及所述风险传导预警数据进行合并处理,得到风险预警合并数据;
当所述风险预警合并数据为非空白数据时,将所述风险预警合并数据作为所述评估对象的风险预警综合数据。
4.根据权利要求1所述的方法,其特征在于,所述获取评估对象的单一预警数据,包括:
获取单一预警模型训练数据,并对所述单一预警模型训练数据进行处理,得到风险因子;
通过对所述风险因子进行数据分析,得到标准化指标;
对所述标准化指标进行组合,通过组合的标准化指标数据训练单一预警模型,得到已训练的单一预警模型;
通过所述已训练的单一预警模型,获取评估对象的单一预警数据。
5.根据权利要求1所述的方法,其特征在于,所述获取评估对象的风险传导预警数据,包括:
获取风险传导模型训练数据中的知识图谱以及指标信息;
提取所述知识图谱中的关联关系特征向量,将所述关联关系特征向量和所述指标信息进行特征工程整合,得到整合后的特征向量;
根据所述整合后的特征向量对风险传导模型进行训练,得到已训练的风险传导模型;
通过所述已训练的风险传导模型,获取评估对象的风险传导预警数据。
6.根据权利要求5所述的方法,其特征在于,所述获取风险传导模型训练数据中的知识图谱之前,还包括:
获取风险传导模型训练数据中的节点,以所述节点为主体目标,对所述风险传导模型训练数据进行映射与合并;
基于所述映射与合并后的数据,获取所述节点的属性和关系,通过所述属性表示不同数据源对所述节点的描述,利用所述关系描述所述节点的数据之间的关联关系;
通过节点链接技术对围绕所述节点的属性和关系进行关联存储,并使用事件机制描述事件与所述节点间的关联,利用时序描述所述事件的动态发展,得到风险传导模型训练数据中的知识图谱。
7.根据权利要求5所述的方法,其特征在于,所述获取风险传导模型训练数据中的指标信息,包括:
获取风险传导模型训练数据中的初始指标信息,并对所述初始指标信息进行衍生,得到衍生指标信息;
根据所述初始指标信息、所述衍生指标信息以及预设指标适用规则,得到指标信息。
8.一种评估对象的风险预警装置,其特征在于,所述装置包括:
数据获取模块,用于获取评估对象的业务规则预警数据、单一预警数据以及风险传导预警数据;
数据分析模块,用于根据所述业务规则预警数据、所述单一预警数据以及所述风险传导预警数据,得到所述评估对象的风险预警综合数据;
数据提取模块,用于提取不同时间段的风险预警综合数据,根据所述不同时间段的风险预警综合数据,分别得到所述评估对象不同时间段对应的预警系数;
风险预警模块,用于获取不同时间段的预警系数与风险预警综合系数的对应关系,根据所述评估对象不同时间段的预警系数以及所述对应关系,得到所述评估对象的综合风险预警系数,以对所述评估对象进行风险预警。
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7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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811378865.6A CN109657917B (zh) | 2018-11-19 | 2018-11-19 | 评估对象的风险预警方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811378865.6A CN109657917B (zh) | 2018-11-19 | 2018-11-19 | 评估对象的风险预警方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109657917A true CN109657917A (zh) | 2019-04-19 |
CN109657917B CN109657917B (zh) | 2022-04-29 |
Family
ID=66111334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811378865.6A Active CN109657917B (zh) | 2018-11-19 | 2018-11-19 | 评估对象的风险预警方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657917B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245165A (zh) * | 2019-05-20 | 2019-09-17 | 平安科技(深圳)有限公司 | 风险传导关联图谱优化方法、装置和计算机设备 |
CN110400041A (zh) * | 2019-06-12 | 2019-11-01 | 平安科技(深圳)有限公司 | 风险稽核方法、装置、计算机设备及计算机可读存储介质 |
CN110569363A (zh) * | 2019-08-02 | 2019-12-13 | 深圳众赢维融科技有限公司 | 一种决策流组件生成方法、装置、电子设备及存储介质 |
CN110717824A (zh) * | 2019-10-17 | 2020-01-21 | 北京明略软件系统有限公司 | 基于知识图谱的银行对公客群风险传导测算的方法及装置 |
CN111192134A (zh) * | 2019-12-16 | 2020-05-22 | 东方微银科技(北京)有限公司 | 一种基于关联关系的风险传导预警方法 |
CN111784508A (zh) * | 2020-07-01 | 2020-10-16 | 北京知因智慧科技有限公司 | 企业风险评估方法、装置及电子设备 |
CN111861703A (zh) * | 2020-07-10 | 2020-10-30 | 深圳无域科技技术有限公司 | 数据驱动的风控策略规则生成方法及系统、风险控制方法及系统 |
CN111966715A (zh) * | 2020-08-17 | 2020-11-20 | 支付宝(杭州)信息技术有限公司 | 一种业务处理方法、装置、电子设备和存储介质 |
CN112150013A (zh) * | 2020-09-27 | 2020-12-29 | 平安资产管理有限责任公司 | 一种企业风险预警方法、装置、设备及可读存储介质 |
CN112184012A (zh) * | 2020-09-27 | 2021-01-05 | 平安资产管理有限责任公司 | 一种企业风险预警方法、装置、设备及可读存储介质 |
CN113177729A (zh) * | 2021-05-20 | 2021-07-27 | 北京龙盾数据有限公司 | 基于企业关联风险传导的风险预警方法、系统及设备 |
CN113643035A (zh) * | 2020-05-11 | 2021-11-12 | 阿里巴巴集团控股有限公司 | 信息处理方法、信息展示方法、装置、设备及存储介质 |
CN114860692A (zh) * | 2022-05-27 | 2022-08-05 | 国网河北省电力有限公司营销服务中心 | 一种电网运营诉求风险数据库及其应用 |
CN115983636A (zh) * | 2022-12-26 | 2023-04-18 | 深圳市中政汇智管理咨询有限公司 | 风险评估方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080004835A1 (en) * | 2006-06-30 | 2008-01-03 | Caterpillar Inc. | System for evaluating process implementation |
US20160189068A1 (en) * | 2014-12-26 | 2016-06-30 | Panasonic Intellectual Property Corporation Of America | Risk information processing method and server device |
CN107909274A (zh) * | 2017-11-17 | 2018-04-13 | 平安科技(深圳)有限公司 | 企业投资风险评估方法、装置及存储介质 |
CN108090709A (zh) * | 2018-02-09 | 2018-05-29 | 重庆誉存大数据科技有限公司 | 一种基于风险传导模型的企业评估方法及系统 |
CN108280760A (zh) * | 2018-01-25 | 2018-07-13 | 树根互联技术有限公司 | 一种金融风险在线监控方法和装置 |
CN108399509A (zh) * | 2018-04-12 | 2018-08-14 | 阿里巴巴集团控股有限公司 | 确定业务请求事件的风险概率的方法及装置 |
-
2018
- 2018-11-19 CN CN201811378865.6A patent/CN109657917B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080004835A1 (en) * | 2006-06-30 | 2008-01-03 | Caterpillar Inc. | System for evaluating process implementation |
US20160189068A1 (en) * | 2014-12-26 | 2016-06-30 | Panasonic Intellectual Property Corporation Of America | Risk information processing method and server device |
CN107909274A (zh) * | 2017-11-17 | 2018-04-13 | 平安科技(深圳)有限公司 | 企业投资风险评估方法、装置及存储介质 |
CN108280760A (zh) * | 2018-01-25 | 2018-07-13 | 树根互联技术有限公司 | 一种金融风险在线监控方法和装置 |
CN108090709A (zh) * | 2018-02-09 | 2018-05-29 | 重庆誉存大数据科技有限公司 | 一种基于风险传导模型的企业评估方法及系统 |
CN108399509A (zh) * | 2018-04-12 | 2018-08-14 | 阿里巴巴集团控股有限公司 | 确定业务请求事件的风险概率的方法及装置 |
Non-Patent Citations (1)
Title |
---|
邱晖 等: ""大数据在互联网供应链金融风险管理中的应用"", 《会计之友》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245165A (zh) * | 2019-05-20 | 2019-09-17 | 平安科技(深圳)有限公司 | 风险传导关联图谱优化方法、装置和计算机设备 |
CN110245165B (zh) * | 2019-05-20 | 2023-04-11 | 平安科技(深圳)有限公司 | 风险传导关联图谱优化方法、装置和计算机设备 |
CN110400041A (zh) * | 2019-06-12 | 2019-11-01 | 平安科技(深圳)有限公司 | 风险稽核方法、装置、计算机设备及计算机可读存储介质 |
CN110400041B (zh) * | 2019-06-12 | 2023-08-15 | 平安科技(深圳)有限公司 | 风险稽核方法、装置、计算机设备及计算机可读存储介质 |
CN110569363A (zh) * | 2019-08-02 | 2019-12-13 | 深圳众赢维融科技有限公司 | 一种决策流组件生成方法、装置、电子设备及存储介质 |
CN110717824A (zh) * | 2019-10-17 | 2020-01-21 | 北京明略软件系统有限公司 | 基于知识图谱的银行对公客群风险传导测算的方法及装置 |
CN111192134A (zh) * | 2019-12-16 | 2020-05-22 | 东方微银科技(北京)有限公司 | 一种基于关联关系的风险传导预警方法 |
CN113643035A (zh) * | 2020-05-11 | 2021-11-12 | 阿里巴巴集团控股有限公司 | 信息处理方法、信息展示方法、装置、设备及存储介质 |
CN111784508A (zh) * | 2020-07-01 | 2020-10-16 | 北京知因智慧科技有限公司 | 企业风险评估方法、装置及电子设备 |
CN111861703A (zh) * | 2020-07-10 | 2020-10-30 | 深圳无域科技技术有限公司 | 数据驱动的风控策略规则生成方法及系统、风险控制方法及系统 |
CN111861703B (zh) * | 2020-07-10 | 2024-05-10 | 深圳无域科技技术有限公司 | 数据驱动的风控策略规则生成方法及系统、风险控制方法及系统 |
CN111966715A (zh) * | 2020-08-17 | 2020-11-20 | 支付宝(杭州)信息技术有限公司 | 一种业务处理方法、装置、电子设备和存储介质 |
CN111966715B (zh) * | 2020-08-17 | 2024-06-07 | 支付宝(杭州)信息技术有限公司 | 一种业务处理方法、装置、电子设备和存储介质 |
CN112184012A (zh) * | 2020-09-27 | 2021-01-05 | 平安资产管理有限责任公司 | 一种企业风险预警方法、装置、设备及可读存储介质 |
CN112150013A (zh) * | 2020-09-27 | 2020-12-29 | 平安资产管理有限责任公司 | 一种企业风险预警方法、装置、设备及可读存储介质 |
CN112184012B (zh) * | 2020-09-27 | 2024-05-31 | 平安资产管理有限责任公司 | 一种企业风险预警方法、装置、设备及可读存储介质 |
CN113177729A (zh) * | 2021-05-20 | 2021-07-27 | 北京龙盾数据有限公司 | 基于企业关联风险传导的风险预警方法、系统及设备 |
CN114860692A (zh) * | 2022-05-27 | 2022-08-05 | 国网河北省电力有限公司营销服务中心 | 一种电网运营诉求风险数据库及其应用 |
CN115983636A (zh) * | 2022-12-26 | 2023-04-18 | 深圳市中政汇智管理咨询有限公司 | 风险评估方法、装置、设备及存储介质 |
CN115983636B (zh) * | 2022-12-26 | 2023-11-17 | 深圳市中政汇智管理咨询有限公司 | 风险评估方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109657917B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657917A (zh) | 评估对象的风险预警方法、装置、计算机设备和存储介质 | |
CN109657918A (zh) | 关联评估对象的风险预警方法、装置和计算机设备 | |
TWI686760B (zh) | 保險欺詐識別的資料處理方法、裝置、設備及伺服器 | |
KR102009309B1 (ko) | 금융상품 관리자동화 시스템 및 관리자동화 방법 | |
Lee | Business bankruptcy prediction based on survival analysis approach | |
WO2004066102A9 (en) | Method and apparatus for an incomplete information model of credit risk | |
Ericsson et al. | Evaluating a global vector autoregression for forecasting | |
Huynh et al. | If worst comes to worst: Co-movement of global stock markets in the US-China trade war | |
Kang | Financial risk assessment model based on big data | |
Weng et al. | Time-series generative adversarial networks for flood forecasting | |
Goktas et al. | The analysis of external debt sustainability by periodic unit root test with structural break: The case of Turkey | |
WO2022189416A1 (en) | Performance measuring system measuring sustainable development relevant properties of an object, and method thereof | |
D'Orazio | Dataset for the climate-related financial policy index (CRFPI) | |
CN112508689A (zh) | 一种基于多维度实现决策评估的方法 | |
Zhou et al. | Master-CAM: Multi-scale fusion guided by Master map for high-quality class activation maps | |
Yanli | Internet financial supervision based on machine learning and improved neural network | |
CN112766814A (zh) | 一种信用风险压力测试模型的训练方法、装置及设备 | |
Parnes et al. | Prescreening bank failures with K-means clustering: Pros and cons | |
Cao et al. | Coupled market behavior based financial crisis detection | |
Ali et al. | Foreign Direct Investment and Sustainable Long Run Economic Growth Nexus: A Case Study of Pakistan | |
Yeh et al. | Predicting failure of P2P lending platforms through machine learning: The case in China | |
Boinot et al. | Algorithms smarter than experts? AI methods applied to assessment of environmental risk of World Bank projects | |
Smith et al. | A method of parameterising a feed forward multi-layered perceptron artificial neural network, with reference to South African financial markets | |
Adkar | Modeling Time Series Data in Private Sector Banks in India. | |
Touvras | An Analytics Process for Forecasting Expected Credit Losses for the Lifetime of Loans: auto loan portfolios |
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 |