CN110110882A - 风险预测方法、装置、计算机设备和存储介质 - Google Patents

风险预测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN110110882A
CN110110882A CN201910217295.0A CN201910217295A CN110110882A CN 110110882 A CN110110882 A CN 110110882A CN 201910217295 A CN201910217295 A CN 201910217295A CN 110110882 A CN110110882 A CN 110110882A
Authority
CN
China
Prior art keywords
curve
risk
history
historical
external cause
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
CN201910217295.0A
Other languages
English (en)
Inventor
莫泽鸿
范荣
程晓瑜
万雨竹
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 Zhitong Consulting Co Ltd Shanghai Branch
Original Assignee
Ping An Zhitong Consulting Co Ltd Shanghai Branch
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 Zhitong Consulting Co Ltd Shanghai Branch filed Critical Ping An Zhitong Consulting Co Ltd Shanghai Branch
Priority to CN201910217295.0A priority Critical patent/CN110110882A/zh
Publication of CN110110882A publication Critical patent/CN110110882A/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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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

Landscapes

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

Abstract

本申请涉及大数据分析领域，特别涉及一种风险预测方法、装置、计算机设备和存储介质。所述方法包括：获取用户群对应的历史交易数据，并根据历史交易数据生成历史风险曲线；将历史风险曲线进行拆分得到历史用户质量变化曲线、历史成熟度曲线以及历史外因曲线；根据历史用户质量曲线进行预测得到未来用户质量曲线，根据历史成熟度曲线进行预测得到未来成熟度曲线，根据历史外因曲线进行预测得到未来外因曲线；根据未来用户质量曲线、未来成熟度曲线以及未来外因曲线组合得到未来风险曲线；根据未来风险曲线进行风险预测。采用本方法能够使得得到的用户群的预测风险波动数据更加准确。

Description

风险预测方法、装置、计算机设备和存储介质
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方法、装置、计算机设备和存储介质。
背景技术
随着社会经济的发展，借贷产品逐渐在人们的生活各个方面得到普及，对于发放借贷产品的银行等金融机构而言，合理地分析用户的借贷风险变得越来越重要。
传统的风险分析方法，是将要分析的产品的客户的账户分割为多个小群组，分别计算每个群组对应的历史数据指标的平均值，将平均值作为未来表现的预测。然而，由于历史数据指标无法证实反映未来经济环境的变化，对用户群的借贷风险的分析也可能准确性较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够准确预估用户群风险的风险预测方法、装置、计算机设备和存储介质。
一种风险预测方法，所述方法包括：
获取用户群对应的历史交易数据，并根据所述历史交易数据生成历史风险曲线；
将所述历史风险曲线进行拆分得到历史用户质量变化曲线、历史成熟度曲线以及历史外因曲线；
根据所述历史用户质量曲线进行预测得到未来用户质量曲线，根据所述历史成熟度曲线进行预测得到未来成熟度曲线，根据所述历史外因曲线进行预测得到未来外因曲线；
根据所述未来用户质量曲线、所述未来成熟度曲线以及所述未来外因曲线组合得到未来风险曲线；
根据所述未来风险曲线进行风险预测。
在其中一个实施例中，所述将所述历史风险曲线进行拆分得到历史用户质量变化曲线、历史成熟度曲线以及历史外因曲线，包括：
利用线性回归算法根据所述历史风险曲线得到历史成熟度曲线；
获取预设外因曲线，根据历史成熟度曲线以及所述历史风险曲线得到第一质量曲线；
根据所述历史成熟度曲线和所述第一质量曲线，求解出历史外因曲线；
根据所述历史成熟度曲线、历史外因曲线以及所述历史风险曲线得到历史用户质量曲线。
在其中一个实施例中，所述获取用户群对应的历史交易数据，并根据所述历史交易数据生成历史风险曲线，包括：
获取用户群的身份信息和目标时段；
将所述身份信息和所述目标时段输入训练好的风险分析模型中得到所述用户群在所述目标时段内的历史风险曲线。
在其中一个实施例中，所述根据所述历史外因曲线进行预测得到未来外因曲线之后，还包括：
获取初始宏观指标以及表示初始宏观指标以及传导宏观指标之间的传导关系的传导图；
将所述初始宏观指标输入至所述传导图中得到传导宏观指标；
根据所述传导宏观指标拟合所述未来外因曲线。
在其中一个实施例中，所述根据所述未来风险曲线进行风险预测，包括：
获取在预设时间内的风险阈值；
判断所述未来风险曲线在所述预设时间内是否存在大于所述风险阈值的点，当存在时，输出风险预警信号；
接收与所述预警信号对应的风险处理方案，并执行所述风险处理方案。
一种风险预测装置，所述装置包括：
历史风险曲线获取模块，用于获取用户群对应的历史交易数据，并根据所述历史交易数据生成历史风险曲线，所述用户群为开户时间相同的若干个用户的集合；
拆分模块，用于将所述历史风险曲线进行拆分得到历史用户质量变化曲线、历史成熟度曲线以及历史外因曲线；
曲线预测模块，用于根据所述历史用户质量曲线进行预测得到未来用户质量曲线，根据所述历史成熟度曲线进行预测得到未来成熟度曲线，根据所述历史外因曲线进行预测得到未来外因曲线；
未来风险曲线获取模块，用于根据所述未来用户质量曲线、所述未来成熟度曲线以及所述未来外因曲线组合得到未来风险曲线；
风险预测模块，用于根据所述未来风险曲线进行风险预测。
在其中一个实施例中，所述拆分模块包括：
成熟度曲线获取单元，用于利用线性回归算法根据所述历史风险曲线得到历史成熟度曲线；
第一质量曲线获取单元，用于获取预设外因曲线，根据历史成熟度曲线以及所述历史风险曲线得到第一质量曲线；
外因曲线获取单元，用于根据所述历史成熟度曲线和所述第一质量曲线，求解出历史外因曲线；
质量曲线获取单元，用于根据所述历史成熟度曲线、历史外因曲线以及所述历史风险曲线得到历史用户质量曲线。
在其中一个实施例中，所述历史风险曲线获取模块包括：
获取单元，用于获取用户群的身份信息和目标时段；
模型分析单元，用于将所述身份信息和所述目标时段输入训练好的风险分析模型中得到所述用户群在所述目标时段内的历史风险曲线。
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上述任一项所述方法的步骤。
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上述任一项所述的方法的步骤。
上述风险预测方法、装置、计算机设备和存储介质，根据用户群自开户以来历史交易数据，生成此用户群对应的历史风险曲线，从不同时间维度的用户质量、成熟度和外因的三个方面对历史风险曲线进行拆分，得到历史用户质量变化曲线、历史成熟度曲线以及历史外因曲线，分别从这三个方面来预测得到未来用户质量曲线、未来成熟度曲线和未来外因曲线，再将三个方面的变化组合得到未来风险曲线，对用户群的未来风险发展进行预测。上述风险预测方法能够按照实际环境和每个用户群的特征来对用户群的风险波动进行个性化预测，使得得到的用户群的预测风险波动数据更加准确。
附图说明
图1为一个实施例中风险预测方法的应用场景图；
图2为一个实施例中风险预测方法的流程示意图；
图3为一个实施例中步骤S204的流程示意图；
图4为一个实施例中风险预测装置的结构框图；
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方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。服务器104可以接收到终端102发送的历史交易数据，根据此历史交易数据中反映的用户群的风险情况生成历史风险曲线，从用户群自身的发展时间维度、日历时间等不同时间维度将得到的历史风险曲线进行拆分得到历史用户质量变化曲线、历史成熟度曲线以及历史外因曲线，分别根据这三条曲线预测每条曲线未来的变化趋势，再将每条曲线预测到的变化趋势进行组合，得到未来风险曲线，根据未来风险曲线进行风险预测；通过上述方案能够更加准确地分析每个用户群的未来风险变化趋势。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。
在一个实施例中，如图2所示，提供了一种风险预测方法，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：
S202，获取用户群对应的历史交易数据，并根据历史交易数据生成历史风险曲线。
其中，用户群是若干个同一时间开户的用户的集合，其中一个用户群多为处于一个区域或者社会团体，如学校或者小区的多个用户。
历史交易数据是需要分析的用户群的金融交易的信息，如若对一批购买借贷产品的用户的违约风险变化趋势进行预测时，则将用户群中每个用户购买借贷产品时的开户时间、交易金额等产品信息以及用户群中用户的基本信息，如学历、资产等等作为服历史交易数据。
具体地，终端收集待分析的用户群的历史交易数据，并将历史交易数据发送至服务器，服务器获取到此用户群的历史交易数据时，根据用户群开户时间至今的违约风险的变化情况绘制历史风险曲线。
S204，将历史风险曲线进行拆分得到历史用户质量变化曲线、历史成熟度曲线以及历史外因曲线。
其中，用户质量是此用户群中用户的开户时间、企业的信用情况或个人的学历等因素对风险的影响，同一时间开户的用户群，其信用或学历等因素应该不会存在很大的变动，用户质量变化曲线反映这一用户群自开户以来截止到现在用户质量对其违约率风险的影响的变化情况，应随着开户时间的增长而趋于稳定。历史成熟度曲线是用户群自开户以来截止到现在的风险变化成长情况，其时间维度是基于开户时间之后的账龄，其变化趋势应在开户时风险为0，随着用户的交易增长，最后趋于平稳；历史外因曲线是国家政策、市场经济变化等环境因素对于用户群违约率风险的影响趋势，其时间维度是日历时间。
具体地，服务器计算出到用户群的历史风险曲线，从不同的时间维度，将历史风险曲线拆分成三条对违约风险影响的曲线，即历史用户质量变化曲线、历史成熟度曲线以及历史外因曲线。
S206，根据历史用户质量曲线进行预测得到未来用户质量曲线，根据历史成熟度曲线进行预测得到未来成熟度曲线，根据历史外因曲线进行预测得到未来外因曲线。
未来用户质量曲线是根据用户群的历史用户质量曲线在之前的发展曲线预测出来的未来一段时间内此用户群的用户质量对于此用户群违约风险的影响情况；可以以一年为时间单位，通过检测一个用户群在过去几年的用户质量对其违约风险的影响曲线，分析此曲线的上升或者下滑的坡度，以及根据大量其他用户群的用户质量曲线的发展趋势，共同预测出此用户群的未来用户质量曲线。同样地，未来成熟度曲线是根据用户群的历史成熟度曲线在之前的发展曲线预测出来的未来一段时间内此用户群的成熟度对于此用户群违约风险的影响情况；未来外因曲线是根据用户群的历史外因曲线在之前的发展曲线预测出来的未来一段时间内此用户群的外因对于此用户群违约风险的影响情况。服务器在步骤S206中经拆分得到三条对违约风险影响的曲线之后，分别根据这三条曲线自身的时间维度预测每条曲线未来一段时间的变化情况。
可选地，用户质量曲线根据放贷时间a的时间维度来绘制，成熟度曲线根据账龄a的时间维度来绘制，外因曲线根据日历时间t的时间维度来绘制。
S208，根据未来用户质量曲线、未来成熟度曲线以及未来外因曲线组合得到未来风险曲线。
具体地，在服务器根据步骤S206得到未来的用户质量曲线、成熟度曲线和外因曲线的变化趋势之后，将这三条曲线组合得到用于反映未来一段时间内此用户群的违约风险变化的曲线图。
可选地，账龄a＝日历时间t-放贷时间v。则用户群的未来风险曲线y(v,a,t)＝e^v(未来用户质量曲线)*e^(f_m(a))(未来成熟度曲线)*e^(g_x(t))(未来外因曲线)；也可以对三条曲线的乘积取对数后，计算三者的和，来作为对此当前用户风险的预测结果。
S210，根据未来风险曲线进行风险预测。
具体地，在得到上述的未来风险曲线之后，可根据需要在曲线中取一个时间点来预测此时间点用户群的违约风险。
上述风险预测方法，根据用户群自开户以来历史交易数据，生成此用户群对应的历史风险曲线，从不同时间维度的用户质量、成熟度和外因的三个方面对历史风险曲线进行拆分，得到历史用户质量变化曲线、历史成熟度曲线以及历史外因曲线，分别从这三个方面来预测得到未来用户质量曲线、未来成熟度曲线和未来外因曲线，再将三个方面的变化组合得到未来风险曲线，对用户群的未来风险发展进行预测。上述风险预测方法能够按照实际环境和每个用户群的特征来对用户群的风险波动进行个性化预测，使得得到的用户群的预测风险波动数据更加准确。
在一个实施例中，请参见图3，上述步骤S204中的将历史风险曲线进行拆分得到历史用户质量变化曲线、历史成熟度曲线以及历史外因曲线，可以包括以下步骤：
S302，利用线性回归算法根据历史风险曲线得到历史成熟度曲线。
具体地，历史成熟度曲线是反映此用户群自开户以来至今的自身违约风险发展趋势，利用线性回归算法，获取用户群的成熟度曲线；例如可通过cubic smoothing spline(一种数据分析工具)获取用户群的历史成熟度曲线。
S304，获取预设外因曲线，根据历史成熟度曲线以及历史风险曲线得到第一质量曲线。
其中，预设外因曲线是用于计算第一质量曲线的一个标准量，可以设为常量1，也可以选取其他标准值。第一质量曲线是将历史风险曲线根据预设外因曲线以及成熟度曲线拆分得到的质量曲线的中间值。
具体地，技术人员为拆分准确，设定一个预设外因曲线，如常数1，即不考虑外因因素的影响，根据历史成熟度曲线，利用线性回归算法，得出第一质量曲线。
S306，根据历史成熟度曲线和第一质量曲线，求解出历史外因曲线。
服务器根据在步骤S302中求解出的历史成熟度曲线和步骤S304中求解除的第一质量曲线，再次通过线性回归求解出用户群的历史外因曲线。
S308，根据历史成熟度曲线、历史外因曲线以及历史风险曲线得到历史用户质量曲线。
根据求得的历史成熟度曲线和历史外因曲线，多次循环求解历史用户质量曲线，直至求解出收敛的历史用户质量曲线。
上述实施例中，能够解决在步骤S204的曲线拆分过程中的多重共线问题。
在一个实施例中，上述步骤S202中的获取用户群对应的历史交易数据，并根据历史交易数据生成历史风险曲线，可以包括：获取用户群的身份信息和目标时段；将身份信息和目标时段输入训练好的风险分析模型中得到用户群在目标时段内的历史风险曲线。
其中，身份信息是此用户群的用户在开户时提供的用于反映其身份的信息，如身份证号、家庭住址、教育程度等等，由于一个用户群通常在地域或年龄段上存在共同特征，所以在对一个用户群进行分析时，可获取与此用户群对应的其他具有共同特征的历史用户群。
风险分析模型是通过大量已经具有完整违约风险信息的用户群进行分析得出的能够给输入的待分析的用户群匹配出目标时段内的历史风险曲线的模型，此风险分析模型中记录大量用户群自开户之后的交易信息，服务器将一个用户群的身份信息和需要获得的历史风险曲线的目标时段输入此风险分析模型中后，风险分析模型检查此模型中是否存储有此用户群的身份信息在目标时段中对应的用户的历史交易数据，若有，则根据其历史交易数据分析此用户群在目标时段内的每一单位时段内，如以一年为一个单位时段，对应的违约风险；若此用户群在此目标时段内的交易数据不足，例如，需要获取此用户群在过去十年中的历史风险曲线，而此用户群是在2年前才开户，风险分析模型中只存储有此用户群自开户后2年内的交易记录，则风险分析模型获取与此用户群相似的其他用户群，如用户的教育水平、地域信息都相似的用户群，将相似的用户群的交易信息作为待分析的用户群的参考数据，得到此用户群过去十年对应的历史风险曲线。
上述实施例中，通过大数据分析，训练一个能够给输入的待分析的用户群匹配出目标时段内的历史风险曲线的风险分析模型，能够更准确地获取用户群的历史风险变化情况。
在一个实施例中，上述步骤S206中的根据历史外因曲线进行预测得到未来外因曲线之后，还可以包括：获取初始宏观指标以及表示初始宏观指标以及传导宏观指标之间的传导关系的传导图；将初始宏观指标输入至传导图中得到传导宏观指标；根据传导宏观指标拟合未来外因曲线。
具体地，传导图是用于表征各个宏观指标之间的传导关系的，该传导图是由权威机构发布的，权威结构可以根据当前国家政策、国民经济水平的生成性的宏观指标，并添加到该传导图中，从而保证传导图的准确性。
初始宏观指标是用户预先预测的可以影响当前产品的宏观指标，该初始宏观指标一般为基础性宏观指标，例如居民收入、居民消费等，传导图中即包含了初始宏观指标又包含了传导宏观指标，并且给出了该些初始宏观指标和传导宏观指标之间的传导关系。
服务器将初始宏观指标输入至传导图中，从而根据传导图中的传导关系，可以得到与该初始宏观指标具有传导关系的传导宏观指标。从而将一开始仅有的几个初始宏观指标扩展到包含了初始宏观指标以及传导宏观指标的大量的宏观指标。可选地，服务器将初始宏观指标放在传导图中进行传导时，可以控制传导停止条件，例如，当当前初始宏观指标和传导宏观指标的数量达到预设值时，则停止传导，其中预设值可以是根据产品的发布数量进行确定，例如当产品发布较多时，则预测准确性需要提高，因此预设值也需要相应地提高，当产品发布较小时，则预测准确性相应降低，因此预设值也相应地降低。在得到传导宏观指标后，服务器可以通过初始宏观指标以及传导宏观指标来对历史外因曲线的变化情况进行预测，拟合出未来外因曲线，例如可以将未来外因曲线先离散化，然后根据所得到的宏观指标去拟合各个离散的点，最后得到拟合后的未来外因曲线，从而即可以得到变化外因曲线的趋势，再根据外因曲线的趋势去预测得到未来外因曲线。
例如，假设初始宏观指标和传导宏观指标为x1、x2……xn，未来外因曲线为y＝a1x1+a2x2+……+anxn，其中n为正整数，表示了初始宏观指标和传导宏观指标的个数，a1、a2……an是对应的初始宏观指标和传导宏观指标x1、x2……xn的参数，该参数是经过拟合得到的，从而可以的得到确定的未来外因曲线的表达式，该未来外因曲线的表达式即为拟合结果。
上述实施例中，通过传到图得出的传导宏观指标，对历史外因曲线的发展趋势进行预测，得到未来外因曲线。
在一个实施例中，上述步骤S210中的根据未来风险曲线进行风险预测，可以包括：获取在预设时间内的风险阈值；判断未来风险曲线在预设时间内是否存在大于风险阈值的点，当存在时，输出风险预警信号；接收与预警信号对应的风险处理方案，并执行风险处理方案。
其中，预设时间是对未来风险进行监测的一个时间段，可根据具体针对的情况来判定，例如，对于部分借贷产品而言，通常以一年为单位判定参与借贷的客户的违约风险，所以预设时间可以设置为一年。
风险阈值是用于判断是否需要对用户群的违约风险采取措施的阈值，其取值可以根据专家经验得出。
风险预警信号是用于向服务器或者终端的技术人员通知此未来风险超出风险阈值的报警信号，可以以邮件或者消息的形式发出。
风险处理方案是对风险超出风险阈值的情况进行风险缓释的措施，例如，当判断一个用户群的违约风险较高，可限制此用户群对相关产品的购买量或降低此用户群体的借贷额度等等。
具体地，当服务器分析出一个用户群在未来预设时间内的风险高于风险阈值时，服务器向工作人员发送风险预警信号，并获取对应的风险缓释方案，对此用户群提前进行风险缓释。
上述实施例中，对风险较高的用户群制定对应的风险处理方案，提前进行风险缓释的准备，降低损失率。
应该理解的是，虽然图2至图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至图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装置，包括：历史风险曲线获取模块100、拆分模块200、曲线预测模块300、未来风险曲线获取模块400和风险预测模块500，其中：
历史风险曲线获取模块100，用于获取用户群对应的历史交易数据，并根据历史交易数据生成历史风险曲线，用户群为开户时间相同的若干个用户的集合。
拆分模块200，用于将历史风险曲线进行拆分得到历史用户质量变化曲线、历史成熟度曲线以及历史外因曲线。
曲线预测模块300，用于根据历史用户质量曲线进行预测得到未来用户质量曲线，根据历史成熟度曲线进行预测得到未来成熟度曲线，根据历史外因曲线进行预测得到未来外因曲线。
未来风险曲线获取模块400，用于根据未来用户质量曲线、未来成熟度曲线以及未来外因曲线组合得到未来风险曲线。
风险预测模块500，用于根据未来风险曲线进行风险预测。
在一个实施例中，上述风险预测装置中的拆分模块200可以包括：
成熟度曲线获取单元，用于利用线性回归算法根据历史风险曲线得到历史成熟度曲线。
第一质量曲线获取单元，用于获取预设外因曲线，根据历史成熟度曲线以及历史风险曲线得到第一质量曲线。
外因曲线获取单元，用于根据历史成熟度曲线和第一质量曲线，求解出历史外因曲线。
质量曲线获取单元，用于根据历史成熟度曲线、历史外因曲线以及历史风险曲线得到历史用户质量曲线。
在一个实施例中，上述风险预测装置中历史风险曲线获取模块100，可以包括：
获取单元，用于获取用户群的身份信息和目标时段。
模型分析单元，用于将身份信息和目标时段输入训练好的风险分析模型中得到用户群在目标时段内的历史风险曲线。
在一个实施例中，上述风险预测装置还可以包括：
传导关系获取模块，用于获取初始宏观指标以及表示初始宏观指标以及传导宏观指标之间的传导关系的传导图。
传导分析模块，用于将初始宏观指标输入至传导图中得到传导宏观指标。
拟合模块，用于根据传导宏观指标拟合未来外因曲线。
在一个实施例中，上述风险预测装置的风险预测模块500，可以包括：
阈值获取单元，用于获取在预设时间内的风险阈值。
判断未来风险曲线在预设时间内是否存在大于风险阈值的点，当存在时，输出风险预警信号。
接收与预警信号对应的风险处理方案，并执行风险处理方案。
关于风险预测装置的具体限定可以参见上文中对于风险预测方法的限定，在此不再赘述。上述风险预测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预测数据。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
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以下步骤：获取用户群对应的历史交易数据，并根据历史交易数据生成历史风险曲线；将历史风险曲线进行拆分得到历史用户质量变化曲线、历史成熟度曲线以及历史外因曲线；根据历史用户质量曲线进行预测得到未来用户质量曲线，根据历史成熟度曲线进行预测得到未来成熟度曲线，根据历史外因曲线进行预测得到未来外因曲线；根据未来用户质量曲线、未来成熟度曲线以及未来外因曲线组合得到未来风险曲线；根据未来风险曲线进行风险预测。
在一个实施例中，处理器执行计算机程序时实现的历史风险曲线进行拆分得到历史用户质量变化曲线、历史成熟度曲线以及历史外因曲线，包括：利用线性回归算法根据历史风险曲线得到历史成熟度曲线；获取预设外因曲线，根据历史成熟度曲线以及历史风险曲线得到第一质量曲线；根据历史成熟度曲线和第一质量曲线，求解出历史外因曲线；根据历史成熟度曲线、历史外因曲线以及历史风险曲线得到历史用户质量曲线。
在一个实施例中，处理器执行计算机程序时实现的获取用户群对应的历史交易数据，并根据历史交易数据生成历史风险曲线，包括：获取用户群的身份信息和目标时段；将身份信息和目标时段输入训练好的风险分析模型中得到用户群在目标时段内的历史风险曲线。
在一个实施例中，处理器执行计算机程序时实现的根据历史外因曲线进行预测得到未来外因曲线之后，还包括：获取初始宏观指标以及表示初始宏观指标以及传导宏观指标之间的传导关系的传导图；将初始宏观指标输入至传导图中得到传导宏观指标；根据传导宏观指标拟合未来外因曲线。
在一个实施例中，处理器执行计算机程序时实现的根据未来风险曲线进行风险预测，包括：获取在预设时间内的风险阈值；判断未来风险曲线在预设时间内是否存在大于风险阈值的点，当存在时，输出风险预警信号；接收与预警信号对应的风险处理方案，并执行风险处理方案。
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以下步骤：获取用户群对应的历史交易数据，并根据历史交易数据生成历史风险曲线；将历史风险曲线进行拆分得到历史用户质量变化曲线、历史成熟度曲线以及历史外因曲线；根据历史用户质量曲线进行预测得到未来用户质量曲线，根据历史成熟度曲线进行预测得到未来成熟度曲线，根据历史外因曲线进行预测得到未来外因曲线；根据未来用户质量曲线、未来成熟度曲线以及未来外因曲线组合得到未来风险曲线；根据未来风险曲线进行风险预测。
在一个实施例中，计算机程序被处理器执行时实现的历史风险曲线进行拆分得到历史用户质量变化曲线、历史成熟度曲线以及历史外因曲线，包括：利用线性回归算法根据历史风险曲线得到历史成熟度曲线；获取预设外因曲线，根据历史成熟度曲线以及历史风险曲线得到第一质量曲线；根据历史成熟度曲线和第一质量曲线，求解出历史外因曲线；根据历史成熟度曲线、历史外因曲线以及历史风险曲线得到历史用户质量曲线。
在一个实施例中，计算机程序被处理器执行时实现的获取用户群对应的历史交易数据，并根据历史交易数据生成历史风险曲线，包括：获取用户群的身份信息和目标时段；将身份信息和目标时段输入训练好的风险分析模型中得到用户群在目标时段内的历史风险曲线。
在一个实施例中，计算机程序被处理器执行时实现的根据历史外因曲线进行预测得到未来外因曲线之后，还包括：获取初始宏观指标以及表示初始宏观指标以及传导宏观指标之间的传导关系的传导图；将初始宏观指标输入至传导图中得到传导宏观指标；根据传导宏观指标拟合未来外因曲线。
在一个实施例中，计算机程序被处理器执行时实现的根据未来风险曲线进行风险预测，包括：获取在预设时间内的风险阈值；判断未来风险曲线在预设时间内是否存在大于风险阈值的点，当存在时，输出风险预警信号；接收与预警信号对应的风险处理方案，并执行风险处理方案。
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)

1.一种风险预测方法，所述方法包括：
获取用户群对应的历史交易数据，并根据所述历史交易数据生成历史风险曲线；
将所述历史风险曲线进行拆分得到历史用户质量变化曲线、历史成熟度曲线以及历史外因曲线；
根据所述历史用户质量曲线进行预测得到未来用户质量曲线，根据所述历史成熟度曲线进行预测得到未来成熟度曲线，根据所述历史外因曲线进行预测得到未来外因曲线；
根据所述未来用户质量曲线、所述未来成熟度曲线以及所述未来外因曲线组合得到未来风险曲线；
根据所述未来风险曲线进行风险预测。
2.根据权利要求1所述的方法，其特征在于，所述将所述历史风险曲线进行拆分得到历史用户质量变化曲线、历史成熟度曲线以及历史外因曲线，包括：
利用线性回归算法根据所述历史风险曲线得到历史成熟度曲线；
获取预设外因曲线，根据历史成熟度曲线以及所述历史风险曲线得到第一质量曲线；
根据所述历史成熟度曲线和所述第一质量曲线，求解出历史外因曲线；
根据所述历史成熟度曲线、历史外因曲线以及所述历史风险曲线得到历史用户质量曲线。
3.根据权利要求1所述的方法，其特征在于，所述获取用户群对应的历史交易数据，并根据所述历史交易数据生成历史风险曲线，包括：
获取用户群的身份信息和目标时段；
将所述身份信息和所述目标时段输入训练好的风险分析模型中得到所述用户群在所述目标时段内的历史风险曲线。
4.根据权利要求1至3任意一项所述的方法，其特征在于，所述根据所述历史外因曲线进行预测得到未来外因曲线之后，还包括：
获取初始宏观指标以及表示初始宏观指标以及传导宏观指标之间的传导关系的传导图；
将所述初始宏观指标输入至所述传导图中得到传导宏观指标；
根据所述传导宏观指标拟合所述未来外因曲线。
5.根据权利要求1至3任意一项所述的方法，其特征在于，所述根据所述未来风险曲线进行风险预测，包括：
获取在预设时间内的风险阈值；
判断所述未来风险曲线在所述预设时间内是否存在大于所述风险阈值的点，当存在时，输出风险预警信号；
接收与所述预警信号对应的风险处理方案，并执行所述风险处理方案。
6.一种风险预测装置，其特征在于，所述装置包括：
历史风险曲线获取模块，用于获取用户群对应的历史交易数据，并根据所述历史交易数据生成历史风险曲线，所述用户群为开户时间相同的若干个用户的集合；
拆分模块，用于将所述历史风险曲线进行拆分得到历史用户质量变化曲线、历史成熟度曲线以及历史外因曲线；
曲线预测模块，用于根据所述历史用户质量曲线进行预测得到未来用户质量曲线，根据所述历史成熟度曲线进行预测得到未来成熟度曲线，根据所述历史外因曲线进行预测得到未来外因曲线；
未来风险曲线获取模块，用于根据所述未来用户质量曲线、所述未来成熟度曲线以及所述未来外因曲线组合得到未来风险曲线；
风险预测模块，用于根据所述未来风险曲线进行风险预测。
7.根据权利要求6所述的装置，其特征在于，所述拆分模块包括：
成熟度曲线获取单元，用于利用线性回归算法根据所述历史风险曲线得到历史成熟度曲线；
第一质量曲线获取单元，用于获取预设外因曲线，根据历史成熟度曲线以及所述历史风险曲线得到第一质量曲线；
外因曲线获取单元，用于根据所述历史成熟度曲线和所述第一质量曲线，求解出历史外因曲线；
质量曲线获取单元，用于根据所述历史成熟度曲线、历史外因曲线以及所述历史风险曲线得到历史用户质量曲线。
8.根据权利要求6所述的装置，其特征在于，所述历史风险曲线获取模块包括：
获取单元，用于获取用户群的身份信息和目标时段；
模型分析单元，用于将所述身份信息和所述目标时段输入训练好的风险分析模型中得到所述用户群在所述目标时段内的历史风险曲线。
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5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5中任一项所述的方法的步骤。
CN201910217295.0A 2019-03-21 2019-03-21 风险预测方法、装置、计算机设备和存储介质 Pending CN110110882A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910217295.0A CN110110882A (zh) 2019-03-21 2019-03-21 风险预测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910217295.0A CN110110882A (zh) 2019-03-21 2019-03-21 风险预测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN110110882A true CN110110882A (zh) 2019-08-09

Family

ID=67484483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910217295.0A Pending CN110110882A (zh) 2019-03-21 2019-03-21 风险预测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN110110882A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112990522A (zh) * 2019-12-12 2021-06-18 顺丰科技有限公司 物品件量预测方法、装置、设备及存储介质
US20220399122A1 (en) * 2019-11-01 2022-12-15 Nec Corporation Risk prediction apparatus, risk prediction method, and computer program

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220399122A1 (en) * 2019-11-01 2022-12-15 Nec Corporation Risk prediction apparatus, risk prediction method, and computer program
CN112990522A (zh) * 2019-12-12 2021-06-18 顺丰科技有限公司 物品件量预测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Segnon et al. Modeling and forecasting the volatility of carbon dioxide emission allowance prices: A review and comparison of modern volatility models
US7783551B1 (en) Method and system for simulating risk factors in parametric models using risk neutral historical bootstrapping
KR102009309B1 (ko) 금융상품 관리자동화 시스템 및 관리자동화 방법
CN108876133A (zh) 基于业务信息的风险评估处理方法、装置、服务器和介质
US20110153536A1 (en) Computer-Implemented Systems And Methods For Dynamic Model Switching Simulation Of Risk Factors
CN109740812A (zh) 电力负荷预测方法、装置、计算机设备和存储介质
CN109272142A (zh) 基于事件的数据预测方法、装置、计算机设备和存储介质
Zhang et al. The time-varying causal relationship between the Bitcoin market and internet attention
Su et al. Economic policy uncertainty and housing returns in Germany: Evidence from a bootstrap rolling window
García et al. Why does monetary policy respond to the real exchange rate in small open economies? A Bayesian perspective
CN108182633A (zh) 贷款数据处理方法、装置、计算机设备和存储介质
CN109583682A (zh) 企业财务造假风险的识别方法、装置以及计算机设备
CN108256737A (zh) 用户欠费风险预测的方法、装置、计算机设备及存储介质
US20110137781A1 (en) Intermarket Analysis
CN110110882A (zh) 风险预测方法、装置、计算机设备和存储介质
Banholzer et al. Exploiting investor sentiment for portfolio optimization
Hayo et al. Canadian interest rate setting: The information content of Canadian and US central bank communication
Kim et al. Random effects model for credit rating transitions
CN108764553B (zh) 用户规模预测方法、装置及计算机设备
Liu et al. Non-homogeneous volatility correlations in the bivariate multifractal model
Date et al. Value-at-Risk for fixed-income portfolios: A Kalman filtering approach
CN117422306A (zh) 基于动态神经网络的跨境电商风险控制方法及系统
Benth et al. Pricing energy quanto options in the framework of Markov-modulated additive processes
Mölls et al. Decision-making in sequential projects: expected time-to-build and probability of failure
Bormetti et al. Bayesian value-at-risk with product partition models

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