CN110033171A - 一种识别金融企业风险的方法、系统平台和介质 - Google Patents

Abstract

本公开涉及一种识别企业风险的方案，包括：根据触发条件发起对指定企业风险评分的流程；生成指定企业风险评分任务；从多个数据源获取所述指定企业的各个维度的数据；将所述各个维度的数据量化成所述指定企业的信息的因子变量并输入企业风险模型以执行计算并生成补充因子变量；将所述补充因子变量以及所述指定企业的风险策略输入规则引擎以执行所述规则引擎来计算出所述指定企业风险评分；以及将从所述规则引擎输出的所述指定企业风险评分作为所述指定企业的新的风险评分保存并返回；其中，所述因子变量是企业的交易营运指标，而所述补充因子变量则指示了企业的风险指数。

Description

一种识别金融企业风险的方法、系统平台和介质

技术领域

本公开涉及金融数据风险评估领域，尤其是利用互联网技术的金融数据风险评估。

背景技术

随着社会主义市场经济新体制的确立，金融发展将主要依靠社会经济机体的内部力量——金融创新来推动。金融创新是一个循序渐进的过程，虽然借助于蓬勃发展的互联网新技术，金融创新取得了令人瞩目的成就，但目前金融与互联网的结合尚属初期，互联网技术过早或过度地被运用到金融的核心部分将会引发潜在的金融风险。例如P2P金融产业链是伴随互联网技术迅猛发展起来的一种互联网金融模式。P2P是指一种将小额资金聚集起来借贷给有资金需求人群的一种民间小额借贷模式。属于互联网金融(ITFIN)产品的一种。其借助互联网、移动互联网技术来提供网络信贷平台及相关理财行为、金融服务。在交易量暴涨的同时，P2P平台面临诸多挑战，例如企业风险高，企业的内外部环境变化快。如果企业出现金融风险，影响的人数很大，影响的金额很高。由于监管政策尚未落地，平台跑路事件风波频出，如何真正地保障投资者的资金安全，始终是一个亟待破解的难题。因此，将诸如P2P之类的互联网金融服务如何有效地纳入监管是保证互联网金融发展的重中之重，也是急需解决的问题。实际上，除了P2P行业外，其他互联网金融行业，例如互联网理财、互联网信托、互联网保险、互联网信贷等等金融业务都或多或少的存在监管难、风险高等问题。

因此，对于诸如P2P行业这样的互联网金融企业进行实时的、自动的风险识别，提前预警出风险企业，变得非常重要。

发明内容

本公开涉及一种自动识别金融机构风险的技术，使得当某个企业出现金融风险时能够及时向用户和监管机构预警，以避免更多损失。

根据本公开的第一方面，提供了一种识别企业风险的方案，包括：根据触发条件发起对指定企业风险评分的流程；生成指定企业风险评分任务；从多个数据源获取所述指定企业的各个维度的数据；将所述各个维度的数据量化成所述指定企业的信息的因子变量并输入企业风险模型以执行计算并生成补充因子变量；将所述补充因子变量以及所述指定企业的风险策略输入规则引擎以执行所述规则引擎来计算出所述指定企业风险评分；以及将从所述规则引擎输出的所述指定企业风险评分作为所述指定企业的新的风险评分保存并返回；其中，所述因子变量是企业的交易营运指标，而所述补充因子变量则指示了企业的风险指数。

根据本公开的第二方面，提供了一种用于识别企业风险的系统平台，包括：企业风险评分触发模块，用于根据触发条件发起对指定企业风险评分的流程；企业风险评分数据库，用于存储经计算的企业风险评分；企业风险模型模块，用于将通过网络从各个数据源处采集到的所述指定企业的数据量化成因子变量，并输入企业风险模型以将所述因子变量转换成补充因子变量；以及规则引擎模块，用于根据与所述指定企业相关联的风险策略，基于所述经转换的补充因子变量计算出所述指定企业的风险评分，并在返回所述指定企业的风险评分的同时将所述指定企业的风险评分存储在所述企业风险评分数据库中；其中，所述因子变量是企业的交易营运指标，而所述补充因子变量则指示了企业的风险指数。

根据本公开的第三方面，提供了一种存储有指令的计算机可读存储介质，当所述指令被执行时使得机器执行如第一方面所述的方法。

提供本概述以便以简化的形式介绍以下在详细描述中进一步描述的一些概念。本概述并不旨在标识所要求保护主题的关键特征或必要特征，也不旨在用于限制所要求保护主题的范围。

附图说明

为了描述可获得本公开的上述和其它优点和特征的方式，将通过参考附图中示出的本公开的具体实施例来呈现以上简要描述的本公开的更具体描述。可以理解，这些附图只描绘了本公开的各典型实施例，并且因此不被认为是对其范围的限制，将通过使用附图并利用附加特征和细节来描述和解释本公开，在附图中：

图1是一种传统的企业风险识别方案。

图2是根据本公开的一个示例运行场景的示意图。

图3是根据本公开的一个实施例的自动识别金融机构风险的方案的流程图。

具体实施方式

由于互联网金融企业的内外部环境变化快、资金流向复杂、监管薄弱，因此，通常都是涉众型经济犯罪的重灾区。一旦例如P2P企业跑路，其涉案人数众多，涉案金额巨大，会给社会带来极其恶劣的影响。为了防范诸如P2P之类的互联网金融企业可能存在的各种金融风险，已经有传统的企业风险识别方案被应用。传统的企业风险识别方案包括：离线收集数据，保存在本地；每天晚上通过调度任务，将所有企业的数据收集汇总后再统统塞入到企业风险模型中进行处理，从而得出一个企业的风险评分。而企业风险评分是指：从互联网上收集该企业的各个维度的信息，经过数据清洗、数据归一化、数据分析、数据统计、机器学习模型等多个步骤，所给出的评级该企业所具有的风险程度的指数。利用该风险评分可以直观地显示企业的金融活动是否存在风险，并且是否要采取相应的措施来防控风险。

具体而言，在图1中示出了一种传统的企业风险识别方案，所述企业风险识别方案包括下述步骤：

在步骤110，在各个数据源处离线收集与企业风险评估相关的各种数据并将所述数据保存在本地。

假设企业的风险评分的有效期为一天(也即定时为每天执行一次企业风险评分)，则在T+1天(T为当天)在步骤120中通过调度任务将评分所涉及到的所有的企业的全量数据收集汇总后，将所述全量数据输入离线企业风险模型进行评估，从而获得每个企业的新的风险评分。

在步骤130再将所有企业的全量新风险评分导出到企业风险评分数据库中，以供用户进行查询。

不难理解，由于传统风险识别方案需要对所有企业的全量数据进行收集汇总，因此，执行风险评分的时间间隔不可能太短，否则将严重浪费服务器的资源和带宽。而金融风险具有以下几个基本特征：

(1)不确定性：影响金融风险的因素难以事前完全把握。

(2)相关性：金融机构所经营的商品—货币的特殊性决定了金融机构同经济和社会是紧密相关的。

(3)高杠杆性：金融企业负债率偏高，财务杠杆大，导致负外部性大，另外金融工具创新，衍生金融工具等也伴随高度金融风险。

(4)传染性：金融机构承担着中介机构的职能，割裂了原始借贷的对应关系。处于这一中介网络的任何一方出现风险，都有可能对其他方面产生影响，甚至发生行业的、区域的金融风险，导致金融危机。

金融风险的这些特性都与时间紧密关联。也就是说，如果不能将金融风险消灭在萌芽阶段，那么，在短短的数小时中，发生在某个企业内部的金融风险很有可能影响并感染到与其相关联的其他金融机构和企业，造成难以挽回的系统性风险。所以，这种传统的企业风险识别方案存在着诸如迟滞性、消耗大量资源、无法灵活定制以及缺少实时反应等问题。

为了解决传统风险识别技术中的这些问题，在本公开中提出了一种利用大数据、云计算、人工智能等互联网科技手段来助力地方金融监管实现对企业的金融风险的科技监管方案。通过进一步借助立体化、社会化、信息化大数据监测预警体系，实现了对涉众性金融风险的“打早”、“打小”，以免损失扩大化。

在描述本公开的识别金融机构风险的方案之前，先根据图2来了解下本公开的示例运行环境。

如图2所示，在左侧示出了想要进行企业风险评分查询的各种主体，例如用户202、企业204、监管机构206等等，这些主体可以根据需要向系统平台208请求对某个或某些企业的企业风险评分的查询。当然，所述三种主体仅仅是为了示例说明，实际上还有其他主体可以发起查询，例如系统平台208自动发起查询，或者诸如公安、银行之类的职能部门也可以启动所述查询，在此不再一一举例。来自各个主体的查询请求通过网络被提供给系统平台208，该系统平台208用于执行企业风险评分任务，所述系统平台208包括：企业风险评分触发模块，用于根据触发条件发起对指定企业风险评分的流程；企业风险评分数据库，用于存储经计算的企业风险评分；企业风险模型模块，用于将通过网络从各个数据源(例如210a-210c和/或212a-212b)处采集到的指定企业数据量化成因子变量，并输入企业风险模型以将所述因子变量转换成补充因子变量；以及规则引擎模块，用于根据与指定企业相关联的风险策略，基于所述经转换的补充因子变量计算出指定企业的风险评分。所述数据源210a-210c可以是被查询的指定企业，由这些企业自身的服务器向系统平台208提供各个维度的数据以用于风险评分。另外，为了增加评分的客观公正性，系统平台208还可以从其他数据源，例如212a-212b，采集与被查询的指定企业有关的各种数据。所述其他数据源212a-212b可以是官方网站(例如工商局网站、法院网站)、银行、第三方可信平台等等。来自这些相对独立的数据源的数据可以被用于验证从指定企业自身获得的数据的真实性或者直接作为指定企业数据的替代物用于评分计算。应该理解，在示例环境中的用户202、企业204、监管机构、206以及数据源210、212的数目仅仅是示例性的，更多或更少的数量都属于本公开的保护范畴。并且，在上述示例运行场景中，所述用户202可以使用各种设备访问所述网络，例如个人计算机、服务器、平板、手机、PDA、笔记本或其它任何具有联网功能的计算设备。而所述企业204、监管机构206、系统平台、各种数据源210、212则可以利用具有更强大处理能力和更高安全性的一个服务器或服务器组来实现。而它们之间所使用的网络可以包括各种类型的有线和无线网络，例如但不局限于：互联网、局域网、WIFI、WLAN、蜂窝通信网络(GPRS、CDMA、2G/3G/4G/5G蜂窝网络)、卫星通信网络等等。

在了解了本公开的示例运行环境后，结合图3对本公开的自动识别金融机构风险的方案进行详细说明。

在图3中示出了根据本公开的一个方面的自动识别金融机构风险的方案的流程图。在该流程中，对金融企业执行风险评分(评级)任务是其核心内容。与传统的风险识别方案定期全量更新所有企业的风险评分不同地是，本公开根据各种触发条件来主动发起对指定企业的风险评分的流程。因此，只要满足触发条件，就可以随时对某个或某些相关的企业发起风险评分的流程以获得所述企业最新的风险评分，而无需等待定时期满更新或者对所有企业进行全量更新。因此，通过触发机制来执行本公开所述的针对特定企业的风险评分任务，可以利用较少的资源快速获得最新的企业风险评分，并且可以针对个别企业定制风险策略以适应。

具体而言，如图3所示，在步骤310，可以通过三种触发条件来向系统平台发起对企业风险评分的查询，即：

1)在用户主动查看某企业的详情时触发企业风险评分的流程；

2)用户将需要重点关注的企业名单主动上传给系统平台的服务器以批量查询多个企业的风险评分，服务器后台根据该名单定时刷新这些企业的风险评分以实现对它们的持续监控；

3)对于企业信息变化(更新)较大的企业则自动触发企业风险评分的流程。

通过这三种触发条件，可以做到既能按照用户和企业的需求发起对某个指定企业的企业风险评分的查询，又能按名单定期自动且实时地通过对名单中的指定企业风险评分识别出其中的风险企业。对于既没有被用户查看，又不在监控名单中且没有大量信息变化的企业，则无需执行风险评分任务，而是可以按照传统的企业风险识别方案进行常规(例如每天)更新。也就是说，本公开的企业风险评分的查询无需对评分涉及的所有全量企业都进行风险评分流程，而是可以根据需求对某个或某些指定企业单独执行企业风险评分的流程。这样的有选择地执行风险评分查询能够大大节省资源。

应该理解，所述三种触发条件仅仅是示例说明，实际上还包括很多其他的触发条件可以触发企业风险评分的流程，例如根据上级监管机构、银行、公安的要求、来自其他相关企业的请求等等，在此不再详述。

当通过上述触发条件中的一个或多个条件发起指定企业的风险评分查询后，在步骤320，服务器通过从企业风险评分数据库中检索所请求的指定企业风险评分来判断所查询的风险评分是否已经过期。对于服务器来说，存在一个企业风险评分数据库，在该企业风险评分数据库中已经存储有上一次执行风险评分后所获得的各个企业的风险评分。在本公开中，所述企业风险评分至少包括风险评分和生成评分的时间这两部分数据。通过将企业风险评分中的生成评分的时间与阈值过期时间相比较就能确定所述评分是否过期。所述阈值过期时间可以根据实际情况按需配置，例如可以是10分钟或一个小时。并且，不同风险等级的企业所配置的阈值过期时间可以各不相同。一般来说，高风险企业的阈值过期时间要短于低风险企业的阈值过期时间。

如果从企业风险评分数据库中检索到的指定企业风险评分并未过期，则在步骤330可以直接将企业风险评分数据库中的所述指定企业风险评分返还给用户或监管机构，流程就此结束。但如果所述指定企业风险评分已经过期(即指定企业的风险评分中的生成评分的时间已经超过阈值过期时间)，则在步骤340，生成指定企业评分任务以执行指定企业风险评分的流程来重新进行评分。

所述阈值过期时间的设立可以避免刚刚由系统完成企业风险评分的流程的指定企业被立刻再次执行企业风险评分的流程，这种重复执行由于两次执行的时间间隔很短，因此，结果都是非常近似的。但是，在一些实施例中，如果是具有特定权限的机构(例如上级监管机构、法院或者其他政府机构)发起指定企业风险评分的查询请求，则在这种情况下，可以不再进行所述阈值比较过程，而是直接执行指定企业风险评分的流程以保证将最新的评分反馈给所述机构。

在其他实施例中，当同时存在多个用户查询多个指定企业的详情或用户上传了包含多个指定企业的名单时，就可能存在多个指定企业评分任务要执行，此时可以将这些任务组织成一个企业评分任务表来更有效地管理这些指定企业评分任务。在这种情况中，可以提供一个定时任务，该定时任务的主要功能是定期检查所述指定企业评分任务表中各评分任务是否成功。如果在规定的时间内所述指定企业评分任务并未成功，则重试所述指定企业评分任务，如此不断重复，直到任务成功。

在其他实施例中，当指定企业评分任务表中存在多个指定企业评分任务要执行时，尤其是所述任务的数量比较多(例如存在几百甚至几千个任务)时，可以针对发起所述指定企业评分任务的主体提供不同的优先级，例如，监管机构发起的指定企业评分任务具有最高优先级，而企业发起的指定企业评分任务具有中等优先级，而由用户发起的指定企业评分任务则具有较低优先级。所述优先级的排序可以依据各个主体对金融风险的应急处置能力、主体是否为查询支付了费用等等因素来排序。

在执行指定企业评分任务时，由于企业评分所需要考虑的数据有很多，因此，在步骤350，通过多线程方式利用多种渠道从多个数据源获取指定企业的各个维度的数据，例如企业详细介绍、项目详细介绍、产品和服务模式、市场分析、融资需求、运作计划、财务分析等等因素都可以被作为指定企业风险评分的考虑因素。这些数据不仅仅需要从指定企业自身的服务器中去调取，而且很多数据还需要从例如指定企业的开户银行、工商税务、主要客户、原料供应商等各个方面来获取。例如，可以并发地调用多个不同系统的API来从不同数据源获取各个维度的企业数据。其中，由于需要调用大量的API从不同数据源获取数据，所以在此期间可能出现个别的API报错的情况(进而导致指定企业评分任务失败)；此时可以将已经成功完成调用的API结果存入到数据缓存(例如Redis)中。这样，下次重新执行该指定企业评级任务时，就不需要再重复的调用已经缓存到数据缓存中的API结果，而仅需调用先前报错的API以再次尝试获得数据。

另外，当从某个数据源始终无法获得所需的数据时，系统也可以尝试是否能够从其他数据源获取相应的数据，例如，指定企业可能出于某种目的而故意隐瞒/篡改自己的销售数据，此时，系统可以尝试从指定企业的开户银行查询该指定企业的资金流水以计算出其真实的销售数据。而且，当从多个数据源都能获得同一数据时，可以选择来自最可靠的数据源(例如银行、政府机构、可信第三方)的数据用于风险评分。如果从其他数据源还是无法获得所需的数据，由于指定企业风险评分必须具有实时性，因此，系统平台可以立刻返回报错信息给查询者，以告知哪些数据不可知，或者如果该数据并非重要数据，则可以给予该数据一个系统默认值来完成所述流程。

在获得指定企业评分所需的各个维度的数据之后，在步骤360将所述各个维度的数据封装成(量化成)指定企业的信息的因子变量并输入企业风险模型引擎以执行计算。企业风险模型是指：利用企业各个维度的数据作为基础，建立风险评估模型来评价其可能结果的范围，进而完成企业风险的评级、评分或者计算风险发生的概率。依托大数据技术的发展，因为有足够数量的各种维度的数据作为支撑，使得对企业的风险进行量化成为可能。而通过机器学习的方式，可以建立企业风险模型，并在实际应用中不断对其进行训练，促进模型升级。在执行所述企业风险模型之后，将通过模型计算出来的结果作为补充因子变量。其中，所述因子变量实际上是由指定企业的数据量化成的一个系列的“指标”，比如风险舆情的条数、企业注册资本、企业贷款逾期情况等等，这些因子变量反映的是指定企业的交易和营运指标。通过将这一系列的指标输入到模型引擎中进行计算和处理，所输出的模型的结果，即补充因子变量，也是经量化的“指标”，例如指定企业司法风险指数、指定企业经营风险指数以及指定企业逾期风险指数等等，也即所述补充因子变量将交易营运指标转换成了相应的风险指数。这些经转换的补充因子变量更加直观地反映出指定企业的各种风险指数，有助于规则引擎判断指定企业是否有风险以及风险的程度(以风险评分表示)。

在步骤370，将指定企业的各个维度的数据的因子变量、已通过模型引擎计算出来的模型结果的补充因子变量，输入规则引擎，并执行规则引擎。规则引擎是解析、调用、执行规则包的服务，实现了将业务决策从应用程序代码中分离出来，并使用预定义的语义模块编写业务决策，接受数据输入，解释业务规则，并根据业务规则做出业务决策。在所述规则引擎执行之前，还可以允许人工来配置所述规则引擎所采用的风险策略。配置风险策略是指：针对不同的因子变量，配置一些特殊的定制化的规则。在不同的规则下，输出不同的企业风险分数。进而，可以实现不同地域、不同行业、不同类型企业的定制化规则配置。执行所述规则引擎包括：利用规则引擎的能力，判断是否需要更新指定企业的风险分数。例如，如果某个企业的所述补充因子变量并没有发生什么变化且该企业的风险策略也没有变化，则可以确定并不需要更新该企业的风险分数。另一方面，如果该企业的补充因子变量发生了显著变化或者该企业的风险策略被调整(例如调成高风险)，则所述规则引擎基于输入的补充因子变量和风险策略重新计算该企业的风险评分。

在一些实施例中，在配置风险策略中的定制化规则时，针对指定企业的不同行业属性，为与所述指定企业相关联的补充因子变量设定在风险评分计算中的不同权重。举个例子，针对P2P企业而言，可以为其制定特定的风险策略，例如，将企业逾期风险指数在计算风险评分时设置为较高的权重。这样，当通过步骤360从企业风险模型中输出各种补充因子变量后，如果规则引擎发现这些补充因子变量中的企业逾期风险指数发生显著飙升(说明在近期该指定企业出现大量逾期未兑付行为)，则在根据为该指定企业制定的风险策略重新计算该指定企业的风险评分时，由于企业逾期风险指数在计算评分中占据较大权重，生成的指定企业风险评分就会相应大大提高，从而体现出该指定企业的金融风险大增，需要及时进行监管。而如果是其他权重很低的补充因子变量发生变化，则规则引擎可以直接判断无需更新该指定企业的风险分数，因此，可以直接将企业风险评分数据库中的该指定企业的风险评分返回给用户。而对于互联网保险企业来说，它并不存在企业逾期风险的问题，其关注的重点是企业投资风险指数，即保险资金进行投资的风险。因此，在为这类企业制定风险策略时，可以加大企业投资风险指数的权重，进而获得更加客观的企业风险评分。

在步骤380，将从所述规则引擎输出的风险评分传送并保存到企业风险评分数据库以进行更新，同时，也可以将所述风险评分作为指定企业评分任务的结果返回给进行查询的用户或监管机构。

在其他实施例中，当系统在执行指定企业风险评分评级任务后，发现该指定企业的风险评分指示所述指定企业存在很大的风险问题时(风险评分超过了警戒阈值时)，所述系统可以主动向该指定企业的上级监管机构发送相应的风险警示报告以提示该指定企业存在潜在的金融风险。在又一个优选实施例中，如果在检索查询历史日志时，系统发现有用户曾经对该存在潜在风险的指定企业进行过企业风险评分查询，则可以主动向所述用户发送风险警示报告，尽管在该用户先前查询时所述指定企业风险评分可能是正常的。

与现有的传统企业风险识别方案相比，本公开的方案由于每次只需要进行一个企业(或一批企业)的风险评分，不需要对全量企业进行风险模型运行，因此，可以做到秒级别的耗时，即在几秒内实时地更新企业的评分信息，实现了近乎实时的企业风险识别。同时，提供了风险策略，使得针对某个行业、某个地区、某个企业的定制化策略能力被加强。通过更新风险策略配置就可以灵活地调整某些企业的风险判别规则，从而动态、实时、定制化地调整企业的风险评分。

由于本公开的自动识别金融机构风险的方案具有上述显著的优点，因此，它对于防范互联网金融风险，特别是诸如P2P之类的高危行业的风险监管，具有特别重大的意义，其能够提供有效、实时、灵活地提供风险预警，从而保护互联网金融行业的健康发展。

虽然以上描述了不同的实施例，但应当理解的是它们只是作为示例而非限制。(诸)相关领域的技术人员将领会，在不偏离如所附权利要求书所定义的本公开的精神和范围的情况下，可以在形式和细节方面进行各种修改。因此，此处所公开的本公开的宽度和范围不应被上述所公开的示例性实施例所限制，而应当仅根据所附权利要求书及其等同替换来定义。

Claims (15)

1.一种识别企业风险的方法，包括：

根据触发条件发起对指定企业风险评分的流程；

生成指定企业风险评分任务；

从多个数据源获取所述指定企业的各个维度的数据；

将所述各个维度的数据量化成所述指定企业的信息的因子变量并输入企业风险模型以执行计算并生成补充因子变量；

将所述补充因子变量以及所述指定企业的风险策略输入规则引擎以执行所述规则引擎来计算出所述指定企业风险评分；以及

将从所述规则引擎输出的所述指定企业风险评分作为所述指定企业的新的风险评分保存并返回；

其中，所述因子变量是企业的交易营运指标，而所述补充因子变量则指示了企业的风险指数。

2.如权利要求1所述的方法，其特征在于，所述触发条件包括下述三种条件：

用户主动查看所述指定企业的详情；

用户将企业名单主动上传；或

所述指定企业的信息变化较大。

3.如权利要求2所述的方法，其特征在于，除了所述三种触发条件之外，所述触发条件还包括由监管机构、系统平台自身以及其他渠道发起所述对指定企业风险评分的流程。

4.如权利要求1所述的方法，其特征在于，所述方法还包括：

在生成所述指定企业风险评分任务之前，从企业风险评分数据库检索所述指定企业的风险评分，并判断所检索的风险评分是否已经过期；

如果所检索的风险评分未过期，则直接将所检索的风险评分作为查询结果返回；

如果所检索的风险评分已过期，则生成所述指定企业风险评分任务。

5.如权利要求1所述的方法，其特征在于，所述方法还包括：

提供一个定时任务，所述定时任务定期检查所述指定企业评分任务是否成功，并在所述指定企业评分任务不成功的情况下，重试所述指定企业评分任务。

6.如权利要求1所述的方法，其特征在于，所述执行所述规则引擎包括：

利用所述规则引擎的能力，判断是否需要更新所述指定企业的风险分数。

7.如权利要求5所述的方法，其特征在于，所述方法还包括：

提供数据缓存，以在从多个数据源获取所述指定企业的各个维度的数据时，保存已经获取的数据，并在重试所述指定企业评分任务时直接从所述数据缓存中获取已经被缓存的数据。

8.如权利要求1所述的方法，其特征在于，所述方法还包括：

允许对所述指定企业的风险策略进行配置，配置风险策略是指：针对不同的所述因子变量，配置一些定制化的规则，以实现定制所述指定企业的风险判别规则。

9.如权利要求8所述的方法，其特征在于，所述定制所述指定企业的风险判别规则包括：针对企业的不同行业属性，为与所述指定企业相关联的补充因子变量设定在风险评分计算中的不同权重。

10.如权利要求1所述的方法，其特征在于，所述方法还包括：

将从所述规则引擎输出的风险评分作为所述指定企业的新的风险评分保存包括：更新企业风险评分数据库中的所述指定企业的风险评分。

11.如权利要求1所述的方法，其特征在于，所述方法还包括：

如果所述指定企业的风险评分超过警戒阈值，则主动向所述指定企业的上级监管机构发送相应的风险警示报告以提示所述指定企业存在潜在的金融风险。

12.如权利要求1所述的方法，其特征在于，所述方法还包括：

如果所述指定企业的风险评分超过警戒阈值，并且发现有用户曾经对所述指定企业进行过企业风险评分查询，则主动向所述用户发送风险警示报告。

13.如权利要求1所述的方法，其特征在于，所述执行所述规则引擎包括：利用所述规则引擎的能力，判断是否需要更新指定企业的风险分数。

14.一种用于识别企业风险的系统平台，所述系统平台包括：

企业风险评分触发模块，用于根据触发条件发起对指定企业风险评分的流程；

企业风险评分数据库，用于存储经计算的企业风险评分；

企业风险模型模块，用于将通过网络从各个数据源处采集到的所述指定企业的数据量化成因子变量，并输入企业风险模型以将所述因子变量转换成补充因子变量；以及

规则引擎模块，用于根据与所述指定企业相关联的风险策略，基于所述经转换的补充因子变量计算出所述指定企业的风险评分，并在返回所述指定企业的风险评分的同时将所述指定企业的风险评分存储在所述企业风险评分数据库中；

其中，所述因子变量是企业的交易营运指标，而所述补充因子变量则指示了企业的风险指数。

15.一种存储有指令的计算机可读存储介质，当所述指令被执行时使得机器执行如权利要求1-13中任一项所述的方法。