CN110135691A - 理财产品风险评估方法、装置、计算机设备以及存储介质 - Google Patents
理财产品风险评估方法、装置、计算机设备以及存储介质 Download PDFInfo
- Publication number
- CN110135691A CN110135691A CN201910295720.8A CN201910295720A CN110135691A CN 110135691 A CN110135691 A CN 110135691A CN 201910295720 A CN201910295720 A CN 201910295720A CN 110135691 A CN110135691 A CN 110135691A
- Authority
- CN
- China
- Prior art keywords
- assessment
- risk
- product
- parameter
- initial
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013210 evaluation model Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims description 58
- 238000004590 computer program Methods 0.000 claims description 27
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
-
- 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
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及人工智能的智能决策领域,具体涉及一种理财产品风险评估方法、装置、计算机设备和存储介质。方法包括:首先获取待评估产品的产品数据;根据产品数据,查找待评估产品所属企业的企业信息;根据企业信息在预设企业数据库内查找企业的风险评估参数;将风险评估参数输入预设的风险评估模型,获得待评估产品的风险评分。本申请基于理财产品的所属企业的风险评估参数,通过风险预警模型对进行计算评估,通过风险评分将产品的评估结果直观显示出来,基于风险评估数据中各因素的信息价值与证据权重,建立风险评估模型,模型提供的风险评分可以更加准确地预测产品的风险。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种理财产品风险评估方法、装置、计算机设备以及存储介质。
背景技术
随着互联网的快速发展,P2P(peer to peer lending,个人对个人)理财业务也开始蓬勃发展,P2P理财就是通过互联网理财,即个人对个人,又称点对点网络借贷,是指以公司为中介机构,把借贷双方对接起来实现各自的借贷需求。P2P理财模式中,借款方可以是无抵押贷款或是有抵押贷款,而P2P理财公司一般以通过推出各种理财产品,通过理财产品来收取借贷双方或其中一方的手续费来盈利,或者是通过理财产品赚取一定息差来盈利。
目前对于P2P理财业务中理财产品的风险一般可以通过预设风险值评估函数结合理财产品的各项风险权重因子对理财产品的风险进行预测进行管控,然而通过目前这种风险评估方法的预测效果不强,准确性不够。
发明内容
基于此,有必要针对上述技术问题,提供一种能对理财产品的风险进行准确评估的风险评估方法、装置、计算机设备以及存储介质。
一种理财产品风险评估方法,所述方法包括:
获取待评估产品的产品数据;
根据所述产品数据,查找所述待评估产品所属企业的企业信息;
根据所述企业信息,在预设企业数据库内查找企业的风险评估参数;
将所述风险评估参数输入预设的风险评估模型,获得待评估产品的风险评分,所述预设的风险评估模型基于所述风险评估数据中各因素的信息价值与证据权重建立。
在其中一个实施例中,所述根据所述企业信息,在预设企业数据库内查找企业的风险评估参数之前还包括:
确定所述待评估产品的初始评估参数;
对所述初始评估参数进行WOE(weight of Evidence,证据权重)转换,获得各初始评估参数对应的证据权重;
根据所述各初始评估参数对应的证据权重,获取各初始评估参数对应的信息价值;
将所述初始评估参数中信息价值大于预设信息价值阈值的参数,作为风险评估模型的风险评估参数。
在其中一个实施例中,所述将所述风险评估参数输入预设的风险评估模型,获得待评估产品的风险评分之前还包括:
获得各风险评估参数的证据权重与信息价值;
根据所述各风险评估参数的信息价值以及证据权重建立初始风险评估模型;
获取风险评估样本数据,通过所述风险评估样本数据对所述初始风险评估模型进行训练,获得预设风险评估模型。
在其中一个实施例中,所述获取风险评估样本数据,通过所述风险评估样本数据对所述初始风险评估模型进行训练,获得预设风险评估模型具体包括:
获取风险评估样本数据,通过所述风险评估样本数据对所述初始风险评估模型进行训练;
对训练后所述初始风险评估模型进行评估,获得评估数据;
根据所述评估数据判断所述训练后初始风险评估模型是否可用;
当所述训练后初始风险评估模型不可用时,根据评估结果数据更新初始风险评估模型的数据,并返回通过所述风险评估样本数据对所述初始风险评估模型进行训练的步骤,当所述初始风险评估模型可用时,将所述训练后初始风险评估模型作为预设风险评估模型。
在其中一个实施例中,所述评估数据包括误差平方和、决定系数以及校正决定系数,所述根据所述评估数据判断所述训练后初始风险评估模型是否可用具体包括:
根据所述误差平方和、所述决定系数以及所述校正决定系数获得训练后初始风险评估模型的可用性评分;
当所述可用性评分高于可用评分阈值时,判断所述训练后初始风险评估模型可用,当所述可用性评分低于或可用评分阈值时,判断所述训练后初始风险评估模型不可用。
在其中一个实施例中,所述将所述风险评估参数输入预设的风险评估模型,获得待评估产品的风险评分之后还包括:
当所述风险评分超过预设风险阈值时,根据所述风险评分生成风险警告消息,发送所述风险警告消息。
一种理财产品风险评估装置,所述方法包括:
数据获取模块,用于获取待评估产品的产品数据;
企业信息查找模块,用于根据所述产品数据,查找所述待评估产品所属企业的企业信息;
评估参数查询模块,用于根据所述企业信息,在预设企业数据库内查找企业的风险评估参数;
风险评分估计模块,用于将所述风险评估参数输入预设的风险评估模型,获得待评估产品的风险评分,所述预设的风险评估模型基于所述风险评估数据中各因素的信息价值与证据权重建立。
在其中一个实施例中,还包括评估参数选取模块,用于:
确定所述待评估产品的初始评估参数;
对所述初始评估参数进行WOE转换,获得各初始评估参数对应的证据权重;
根据所述各初始评估参数对应的证据权重,获取各初始评估参数对应的信息价值;
将所述初始评估参数中信息价值大于预设信息价值阈值的参数,作为风险评估模型的风险评估参数。
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:
获取待评估产品的产品数据;
根据所述产品数据,查找所述待评估产品所属企业的企业信息;
根据所述企业信息,在预设企业数据库内查找企业的风险评估参数;
将所述风险评估参数输入预设的风险评估模型,获得待评估产品的风险评分,所述预设的风险评估模型基于所述风险评估数据中各因素的信息价值与证据权重建立。
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:
获取待评估产品的产品数据;
根据所述产品数据,查找所述待评估产品所属企业的企业信息;
根据所述企业信息,在预设企业数据库内查找企业的风险评估参数;
将所述风险评估参数输入预设的风险评估模型,获得待评估产品的风险评分,所述预设的风险评估模型基于所述风险评估数据中各因素的信息价值与证据权重建立。
上述理财产品风险评估方法、装置、计算机设备以及存储介质,首先获取待评估产品的产品数据;根据产品数据,查找待评估产品所属企业的企业信息;根据企业信息在预设企业数据库内查找企业的风险评估参数;将风险评估参数输入预设的风险评估模型,获得待评估产品的风险评分。本申请基于理财产品的所属企业的风险评估参数,通过风险预警模型对进行计算评估,通过风险评分将产品的评估结果直观显示出来,基于风险评估数据中各因素的信息价值与证据权重,建立风险评估模型,模型提供的风险评分可以更加准确地预测理财产品的风险。
附图说明
图1为一个实施例中理财产品风险评估方法的应用环境图;
图2为一个实施例中理财产品风险评估方法的流程示意图;
图3为另一个实施例中理财产品风险评估方法的流程示意图;
图4为另一个实施例中理财产品风险评估方法的流程示意图;
图5为另一个实施例中理财产品风险评估方法的流程示意图;
图6为一个实施例中理财产品风险评估装置的结构框图;
图7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。
本申请提供的理财产品风险评估方法,可以应用于如图1所示的应用环境中,其中,用户所在的终端102通过网络与服务器进行通信,服务器104通过网络获取用户提供的待评估产品的产品数据,服务器接受到产品数据后,首先通过找待评估产品所属企业的企业信息;并根据企业信息,在预设企业数据库内查找企业的风险评估参数;而后将风险评估参数输入预设的风险评估模型,获得待评估产品的风险评分,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。
如图2所示,在其中一个实施例中,本申请的理财产品风险评估方法,通过服务器实现,具体包括以下步骤:
S200,获取待评估产品的产品数据。
待评估产品是指本申请的风险评估方法所评估的对象理财产品,产品数据是指产品的具体数据,具体可以包括产品的具体参数、用途、主要购买群体、提供厂商等等信息,在其中一个实施例中,待评估产品可以是P2P理财产品,在另一个实施例中,待评估产品可以是保险产品。
S400,根据产品数据,查找待评估产品所属企业的企业信息。
企业是指推出并生产该待评估产品的商家,根据产品数据,确定待评估产品对应的推出企业,而后查找该企业的企业信息。企业信息具体可以包括企业的名称、资质许可信息、企业信用信息等信息。通过待评估商品的产品数据来查找产品所属企业的企业信息。
S600,根据企业信息,在预设企业数据库内查找企业的风险评估参数。
预设企业信息数据库是指储存有相关企业具体信息的数据库,风险评估参数是指企业相关且比较具体的评估参数,具体可以包括企业基本信息、企业产品信息、资质许可信息、企业信用动态、历史变更信息、失信记录以及企业信用报告等能反映企业风险以及企业产品风险的多种参数,企业信息只是能粗略描述企业的相关状况,可以根据企业信息在预设企业数据库内查找企业的风险评估参数。在其中一个实施例中,可以通过一个具体的评分数据来反映这些企业的风险评估参数的具体水平。可以通过对企业相关的风险进行评估来对待评估产品进行准确评估。
S800,将风险评估参数输入预设的风险评估模型,获得待评估产品的风险评分。
预设的风险评估模型是指基于风险评估数据中各因素的信息价值与证据权重所建立的评估模型,信息价值即是指Information Value,又称为信息量,由于影响风险评估的参数的数目可能会比较多,而不同的参数对企业的风险的影响也不近相同,对于建立风险评估模型而言,过多的参数也不利于模型的建立与实际使用,因此需要根据各个参数的信息价值对其进行挑选,选取适当的风险评估参数以确保风险评估模型预测的准确性。而证据权重是指对原始的参数进行编码的一种方式,可以通过证据权重来计算各因素的信息价值。企业将从预设企业数据库中的风险评估参数输入预设的风险评估模型,以计算待评估产品对应的风险评分。通过风险评分来对待评估产品进行风险评估。
上述风险评估方法,首先获取待评估产品的产品数据;根据产品数据,查找待评估产品所属企业的企业信息;根据企业信息在预设企业数据库内查找企业的风险评估参数;将风险评估参数输入预设的风险评估模型,获得待评估产品的风险评分。本申请基于理财产品的所属企业的风险评估参数,通过风险预警模型对进行计算评估,通过风险评分将产品的评估结果直观显示出来,基于风险评估数据中各因素的信息价值与证据权重,建立风险评估模型,模型提供的风险评分可以更加准确地预测理财产品的风险。
如图3所示,在其中一个实施例中,S600之前还包括:
S520,确定待评估产品的初始评估参数。
S540,对初始评估参数进行WOE转换,获得各初始评估参数对应的证据权重。
S560,根据各初始评估参数对应的证据权重,获取各初始评估参数对应的信息价值;
S580,将初始评估参数中信息价值大于预设信息价值阈值的参数,作为风险评估模型的风险评估参数。
待评估产品的初始评估参数是指预先确定的可能影响产品的风险的产品所属企业的众多因素,具体可以包括企业基本信息、企业产品信息、资质许可信息、企业信用动态、历史变更信息、失信记录、企业信用报告、企业口碑评分以及企业专家评分等等参数。WOE即是指证据权重,WOE转换是指对原始自变量一种编码形式,可以通过对自变量的分组来实现WOE转换。WOE的公式为WOE=ln(pyi/pni)×100%=优势比。pyi是这个组中响应客户(如在风险模型中,对应的是违约客户或者不正常客户,总之,指的是模型中预测变量取值为“是”或者说1的个体)占所有样本中所有响应客户的比例,pni是这个组中未响应客户占样本中所有未响应客户的比例。通过对所确定的初始评估参数进行WOE转换,可以将初始评估参数转换为与其对应的证据权重,而后通过证据权重计算各个初始评估参数对应的信息价值,通过信息价值来预计各个参数对于风险评估的预测能力,而后将信息价值大于预设信息价值阈值的参数作为风险评估模型的风险评估参数。WOE能反映自变量的贡献情况,自变量内部WOE值的变异情况,结合模型拟合出的系数,构造出各个自变量的贡献率及相对重要性。一般地,系数越大,WOE的方差越大,则自变量的贡献率越大。通过信息价值来确定风险评估模型的输入参数,可以有效提高模型的可理解性以及风险评估的准确性。
如图4所示,在其中一个实施例中,S800之前还包括:
S720,获得各风险评估参数的证据权重与信息价值;
S740,根据各风险评估参数的信息价值以及证据权重建立初始风险评估模型;
S760,获取风险评估样本数据,通过风险评估样本数据对初始风险评估模型进行训练,获得预设风险评估模型。
风险评估样本数据是指包含风险评估参数以及对应风险评分且带有标记的多组样本数据。通过信息价值来确定可以作为模型变量的风险评估参数,而后通过对这些风险评估参数的WOE转换冲编码后所得到的值,而后依据这些证据权重来建立初始风险评估模型,而后通过对风险评估模型的训练来获得用于风险评估的预设风险评估模型。在其中一个实施例中,风险评估模型具体可以为逻辑回归模型,通过基于各风险评估参数的回归来对风险进行预测评估。在通过证据权重建立出事的风险评估模型之后,还可以通过训练样本数据对模型进行优化,提高模型的评估准确性。
在其中一个实施例中,S760具体包括:
获取风险评估样本数据,通过风险评估样本数据对初始风险评估模型进行训练;
对训练后初始风险评估模型进行评估,获得评估数据;
根据评估数据判断训练后初始风险评估模型是否可用;
当训练后初始风险评估模型不可用时,根据评估结果数据更新初始风险评估模型的数据,并返回通过风险评估样本数据对初始风险评估模型进行训练的步骤,当初始风险评估模型可用时,将训练后初始风险评估模型作为预设风险评估模型。
首先获取风险评估样本数据,而后通过这些样本数据对所建立的初始风险评估模型进行训练,当一轮训练完成后,可以通过对训练完的模型进行评估来判断模型是否可用,具体地,可以获取风险评估模型的各项评估数据,评估数据具体可以包括误差平方和、决定系数以及校正决定系数等多种模型评估数据。而后基于评估数据判断模型是否可用,当评估数据指示模型并未达到预期的估计要求时,可以通过评估数据对模型进行修正,而后重新训练,当模型已到达预期要求时,则可以将训练完的模型作为本申请中所使用的预设风险评估模型,直接输出模型。通过评估数据来对模型进行修正,以确保模型的正常使用。
在其中一个实施例中,评估数据包括误差平方和、决定系数以及校正决定系数,步骤S765具体包括:
根据误差平方和、决定系数以及校正决定系数获得训练后初始风险评估模型的可用性评分;
当可用性评分高于可用评分阈值时,判断训练后初始风险评估模型可用,当可用性评分低于或可用评分阈值时,判断训练后初始风险评估模型不可用。
误差平分和是指示模型误差的评分,在相同的训练数据下,误差越小,模型的准确性越高,预测越准确。决定系数是用于体现模型对于数据拟合程度的数据,决定系数越接近1,模型拟合程度越佳,校正决定系数是指用于消除样本等数量数据特征影响的系数,通过误差平方和、决定系数以及校正决定系数三者来获得模型的可用性评分,而后依据可用性评分是否大于可用评分阈值来确定模型是否可用,可用评分阈值具体可以通过评估对象的类型进行设置。通过三个模型的评估数据来反映模型是否可用,可以提高预设风险评估模型的评估准确率。
如图5所示,在其中一个实施例中,S800之后还包括:
S900,当风险评分超过预设风险阈值时,根据风险评分生成风险警告消息,发送风险警告消息。
发送的对象可以是用户所在的终端。当得到产品对应的风险评分之后,服务器可以基于该风险评分来对产品是否有风险进行判断,当风险评分明显超过了预设的风险评分阈值时,则可以认定该产品具有一定的风险,而后可以通过向用户发送风险警告,以告知用户该待评估产品可能存在的风险。其中风险评分阈值可以通过风险评估模型来有效告知客户产品所存在的风险。
在其中一个实施例中,本申请的理财产品风险评估方法,包括:获取待评估产品的产品数据;根据产品数据,查找待评估产品所属企业的企业信息;确定待评估产品的初始评估参数;对初始评估参数进行WOE转换,获得各初始评估参数对应的证据权重;根据各初始评估参数对应的证据权重,获取各初始评估参数对应的信息价值,将初始评估参数中信息价值大于预设信息价值阈值的参数,作为风险评估模型的风险评估参数。获得各风险评估参数的证据权重与信息价值;根据各风险评估参数的信息价值以及证据权重建立初始风险评估模型;获取风险评估样本数据,通过风险评估样本数据对初始风险评估模型进行训练;对训练后初始风险评估模型进行评估,获得评估数据;根据评估数据判断训练后初始风险评估模型是否可用;当训练后初始风险评估模型不可用时,根据评估结果数据更新初始风险评估模型的数据,并返回通过风险评估样本数据对初始风险评估模型进行训练的步骤,当初始风险评估模型可用时,将训练后初始风险评估模型作为预设风险评估模型。根据企业信息,在预设企业数据库内查找企业的风险评估参数;将风险评估参数输入预设的风险评估模型,获得待评估产品的风险评分,预设的风险评估模型基于风险评估数据中各因素的信息价值与证据权重建立。当风险评分超过预设风险阈值时,根据风险评分生成风险警告消息,发送风险警告消息。其中根据评估数据判断训练后初始风险评估模型是否可用具体包括:根据误差平方和、决定系数以及校正决定系数获得训练后初始风险评估模型的可用性评分;当可用性评分高于可用评分阈值时,判断训练后初始风险评估模型可用,当可用性评分低于或可用评分阈值时,判断训练后初始风险评估模型不可用。
应该理解的是,虽然图2-6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2-6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。
如图6所示,一种风险评估装置,装置包括:
数据获取模块,用于获取待评估产品的产品数据;
企业信息查找模块,用于根据产品数据,查找待评估产品所属企业的企业信息;
评估参数查询模块,用于根据企业信息,在预设企业数据库内查找企业的风险评估参数;
风险评分估计模块,用于将风险评估参数输入预设的风险评估模型,获得待评估产品的风险评分,预设的风险评估模型基于风险评估数据中各因素的信息价值与证据权重建立。
在其中一个实施例中,还包括评估参数选取模块,用于:确定待评估产品的初始评估参数;对初始评估参数进行WOE转换,获得各初始评估参数对应的证据权重;根据各初始评估参数对应的证据权重,获取各初始评估参数对应的信息价值,将初始评估参数中信息价值大于预设信息价值阈值的参数,作为风险评估模型的风险评估参数。
在其中一个实施例中,还包括模型创建模块,具体包括:参数获取单元,用于获得各风险评估参数的证据权重与信息价值;初始模型创建模块,用于根据各风险评估参数的信息价值以及证据权重建立初始风险评估模型;模型训练模块,用于获取风险评估样本数据,通过风险评估样本数据对初始风险评估模型进行训练,获得预设风险评估模型。
在其中一个实施例中,模型训练模块具体用于:获取风险评估样本数据,通过风险评估样本数据对初始风险评估模型进行训练;对训练后初始风险评估模型进行评估,获得评估数据;根据评估数据判断训练后初始风险评估模型是否可用;当训练后初始风险评估模型不可用时,根据评估结果数据更新初始风险评估模型的数据,并返回执行通过风险评估样本数据对初始风险评估模型进行训练的步骤,当初始风险评估模型可用时,将训练后初始风险评估模型作为预设风险评估模型。
在其中一个实施例中,模型训练模块还用于:根据误差平方和、决定系数以及校正决定系数获得训练后初始风险评估模型的可用性评分;当可用性评分高于可用评分阈值时,判断训练后初始风险评估模型可用,当可用性评分低于或可用评分阈值时,判断训练后初始风险评估模型不可用。
在其中一个实施例中,还包括消息推送模块,用于当风险评分超过预设风险阈值时,根据风险评分生成风险警告消息,发送风险警告消息。
关于风险评估装置的具体限定可以参见上文中对于风险评估方法的限定,在此不再赘述。上述风险评估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7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。该计算机设备的数据库用于存储风险评估数据,该计算机程序被处理器执行时以实现一种风险评估方法。
本领域技术人员可以理解,图7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,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待评估产品的产品数据;
根据产品数据,查找待评估产品所属企业的企业信息;
根据企业信息,在预设企业数据库内查找企业的风险评估参数;
将风险评估参数输入预设的风险评估模型,获得待评估产品的风险评分,预设的风险评估模型基于风险评估数据中各因素的信息价值与证据权重建立。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:确定待评估产品的初始评估参数;对初始评估参数进行WOE转换,获得各初始评估参数对应的证据权重;根据各初始评估参数对应的证据权重,获取各初始评估参数对应的信息价值,将初始评估参数中信息价值大于预设信息价值阈值的参数,作为风险评估模型的风险评估参数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获得各风险评估参数的证据权重与信息价值;根据各风险评估参数的信息价值以及证据权重建立初始风险评估模型;获取风险评估样本数据,通过风险评估样本数据对初始风险评估模型进行训练,获得预设风险评估模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取风险评估样本数据,通过风险评估样本数据对初始风险评估模型进行训练;对训练后初始风险评估模型进行评估,获得评估数据;根据评估数据判断训练后初始风险评估模型是否可用;当训练后初始风险评估模型不可用时,根据评估结果数据更新初始风险评估模型的数据,并返回通过风险评估样本数据对初始风险评估模型进行训练的步骤,当初始风险评估模型可用时,将训练后初始风险评估模型作为预设风险评估模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据误差平方和、决定系数以及校正决定系数获得训练后初始风险评估模型的可用性评分;当可用性评分高于可用评分阈值时,判断训练后初始风险评估模型可用,当可用性评分低于或可用评分阈值时,判断训练后初始风险评估模型不可用。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:当风险评分超过预设风险阈值时,根据风险评分生成风险警告消息,发送风险警告消息。
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:
获取待评估产品的产品数据;
根据产品数据,查找待评估产品所属企业的企业信息;
根据企业信息,在预设企业数据库内查找企业的风险评估参数;
将风险评估参数输入预设的风险评估模型,获得待评估产品的风险评分,预设的风险评估模型基于风险评估数据中各因素的信息价值与证据权重建立。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定待评估产品的初始评估参数;对初始评估参数进行WOE转换,获得各初始评估参数对应的证据权重;根据各初始评估参数对应的证据权重,获取各初始评估参数对应的信息价值;将初始评估参数中信息价值大于预设信息价值阈值的参数,作为风险评估模型的风险评估参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获得各风险评估参数的证据权重与信息价值;根据各风险评估参数的信息价值以及证据权重建立初始风险评估模型;获取风险评估样本数据,通过风险评估样本数据对初始风险评估模型进行训练,获得预设风险评估模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取风险评估样本数据,通过风险评估样本数据对初始风险评估模型进行训练;对训练后初始风险评估模型进行评估,获得评估数据;根据评估数据判断训练后初始风险评估模型是否可用;当训练后初始风险评估模型不可用时,根据评估结果数据更新初始风险评估模型的数据,并返回通过风险评估样本数据对初始风险评估模型进行训练的步骤,当初始风险评估模型可用时,将训练后初始风险评估模型作为预设风险评估模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据误差平方和、决定系数以及校正决定系数获得训练后初始风险评估模型的可用性评分;当可用性评分高于可用评分阈值时,判断训练后初始风险评估模型可用,当可用性评分低于或可用评分阈值时,判断训练后初始风险评估模型不可用。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:当风险评分超过预设风险阈值时,根据风险评分生成风险警告消息,发送风险警告消息。
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)
1.一种理财产品风险评估方法,所述方法包括:
获取待评估产品的产品数据;
根据所述产品数据,查找所述待评估产品所属企业的企业信息;
根据所述企业信息,在预设企业数据库内查找企业的风险评估参数;
将所述风险评估参数输入预设的风险评估模型,获得所述待评估产品的风险评分,所述预设的风险评估模型基于所述风险评估数据中各因素的信息价值与证据权重建立。
2.根据权利要求1所述的方法,其特征在于,所述根据所述企业信息,在预设企业数据库内查找企业的风险评估参数之前还包括:
确定所述待评估产品的初始评估参数;
对所述初始评估参数进行WOE转换,获得各初始评估参数对应的证据权重;
根据所述各初始评估参数对应的证据权重,获取各初始评估参数对应的信息价值;
将所述初始评估参数中信息价值大于预设信息价值阈值的参数,作为风险评估模型的风险评估参数。
3.根据权利要求1所述的方法,其特征在于,所述将所述风险评估参数输入预设的风险评估模型,获得待评估产品的风险评分之前还包括:
获得各风险评估参数的证据权重与信息价值;
根据所述各风险评估参数的信息价值以及证据权重建立初始风险评估模型;
获取风险评估样本数据,通过所述风险评估样本数据对所述初始风险评估模型进行训练,获得预设风险评估模型。
4.根据权利要求3所述的方法,其特征在于,所述获取风险评估样本数据,通过所述风险评估样本数据对所述初始风险评估模型进行训练,获得预设风险评估模型具体包括:
获取风险评估样本数据,通过所述风险评估样本数据对所述初始风险评估模型进行训练;
对训练后所述初始风险评估模型进行评估,获得评估数据;
根据所述评估数据判断所述训练后初始风险评估模型是否可用;
当所述训练后初始风险评估模型不可用时,根据评估结果数据更新初始风险评估模型的数据,并返回通过所述风险评估样本数据对所述初始风险评估模型进行训练的步骤;
当所述初始风险评估模型可用时,将所述训练后初始风险评估模型作为预设风险评估模型。
5.根据权利要求4所述的方法,其特征在于,所述评估数据包括误差平方和、决定系数以及校正决定系数,所述根据所述评估数据判断所述训练后初始风险评估模型是否可用具体包括:
根据所述误差平方和、所述决定系数以及所述校正决定系数获得训练后初始风险评估模型的可用性评分;
当所述可用性评分高于可用评分阈值时,判断所述训练后初始风险评估模型可用,当所述可用性评分低于或可用评分阈值时,判断所述训练后初始风险评估模型不可用。
6.根据权利要求1所述的方法,其特征在于,所述将所述风险评估参数输入预设的风险评估模型,获得待评估产品的风险评分之后还包括:
当所述风险评分超过预设风险阈值时,根据所述风险评分生成风险警告消息,发送所述风险警告消息。
7.一种理财产品风险评估装置,其特征在于,所述方法包括:
数据获取模块,用于获取待评估产品的产品数据;
企业信息查找模块,用于根据所述产品数据,查找所述待评估产品所属企业的企业信息;
评估参数查询模块,用于根据所述企业信息,在预设企业数据库内查找企业的风险评估参数;
风险评分估计模块,用于将所述风险评估参数输入预设的风险评估模型,获得待评估产品的风险评分,所述预设的风险评估模型基于所述风险评估数据中各因素的信息价值与证据权重建立。
8.根据权利要求7所述的装置,其特征在于,还包括评估参数选取模块,用于:
确定所述待评估产品的初始评估参数;
对所述初始评估参数进行WOE转换,获得各初始评估参数对应的证据权重;
根据所述各初始评估参数对应的证据权重,获取各初始评估参数对应的信息价值;
将所述初始评估参数中信息价值大于预设信息价值阈值的参数,作为风险评估模型的风险评估参数。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910295720.8A CN110135691A (zh) | 2019-04-12 | 2019-04-12 | 理财产品风险评估方法、装置、计算机设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910295720.8A CN110135691A (zh) | 2019-04-12 | 2019-04-12 | 理财产品风险评估方法、装置、计算机设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110135691A true CN110135691A (zh) | 2019-08-16 |
Family
ID=67569785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910295720.8A Pending CN110135691A (zh) | 2019-04-12 | 2019-04-12 | 理财产品风险评估方法、装置、计算机设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135691A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091276A (zh) * | 2019-12-04 | 2020-05-01 | 苏宁金融科技(南京)有限公司 | 企业风险评分方法、装置、计算机设备和存储介质 |
CN111240975A (zh) * | 2020-01-07 | 2020-06-05 | 平安科技(深圳)有限公司 | 人工智能系统风险检测方法、装置、计算机设备与介质 |
CN111861753A (zh) * | 2020-07-28 | 2020-10-30 | 北京金山云网络技术有限公司 | 评估结果获取方法及装置、存储介质及电子设备 |
CN112053245A (zh) * | 2020-09-03 | 2020-12-08 | 中国银行股份有限公司 | 信息评估方法及系统 |
CN112288279A (zh) * | 2020-10-30 | 2021-01-29 | 平安医疗健康管理股份有限公司 | 基于自然语言处理和线性回归的业务风险评估方法和装置 |
CN112613756A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 一种异常企业的检测方法、检测装置及电子设备 |
CN113052684A (zh) * | 2021-04-30 | 2021-06-29 | 中国银行股份有限公司 | 理财产品的风险预测方法、相关装置及计算机存储介质 |
CN113822739A (zh) * | 2021-08-11 | 2021-12-21 | 未鲲(上海)科技服务有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
CN114331734A (zh) * | 2021-10-28 | 2022-04-12 | 平安银行股份有限公司 | 产品购买的风险评估方法、装置、设备及存储介质 |
CN115496595A (zh) * | 2022-11-02 | 2022-12-20 | 平安银行股份有限公司 | 标识产品风险的分析方法、设备及计算机可读存储介质 |
CN116523659A (zh) * | 2023-03-13 | 2023-08-01 | 武汉凌禹信息科技有限公司 | 一种具备实时提醒的金融数据风险监控平台 |
-
2019
- 2019-04-12 CN CN201910295720.8A patent/CN110135691A/zh active Pending
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091276A (zh) * | 2019-12-04 | 2020-05-01 | 苏宁金融科技(南京)有限公司 | 企业风险评分方法、装置、计算机设备和存储介质 |
CN111240975A (zh) * | 2020-01-07 | 2020-06-05 | 平安科技(深圳)有限公司 | 人工智能系统风险检测方法、装置、计算机设备与介质 |
CN111861753A (zh) * | 2020-07-28 | 2020-10-30 | 北京金山云网络技术有限公司 | 评估结果获取方法及装置、存储介质及电子设备 |
CN111861753B (zh) * | 2020-07-28 | 2024-03-15 | 北京金山云网络技术有限公司 | 评估结果获取方法及装置、存储介质及电子设备 |
CN112053245B (zh) * | 2020-09-03 | 2023-09-19 | 中国银行股份有限公司 | 信息评估方法及系统 |
CN112053245A (zh) * | 2020-09-03 | 2020-12-08 | 中国银行股份有限公司 | 信息评估方法及系统 |
CN112288279A (zh) * | 2020-10-30 | 2021-01-29 | 平安医疗健康管理股份有限公司 | 基于自然语言处理和线性回归的业务风险评估方法和装置 |
CN112613756A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 一种异常企业的检测方法、检测装置及电子设备 |
CN112613756B (zh) * | 2020-12-25 | 2024-04-02 | 北京知因智慧科技有限公司 | 一种异常企业的检测方法、检测装置及电子设备 |
CN113052684A (zh) * | 2021-04-30 | 2021-06-29 | 中国银行股份有限公司 | 理财产品的风险预测方法、相关装置及计算机存储介质 |
CN113822739A (zh) * | 2021-08-11 | 2021-12-21 | 未鲲(上海)科技服务有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
CN114331734A (zh) * | 2021-10-28 | 2022-04-12 | 平安银行股份有限公司 | 产品购买的风险评估方法、装置、设备及存储介质 |
CN114331734B (zh) * | 2021-10-28 | 2024-09-06 | 平安银行股份有限公司 | 产品购买的风险评估方法、装置、设备及存储介质 |
CN115496595A (zh) * | 2022-11-02 | 2022-12-20 | 平安银行股份有限公司 | 标识产品风险的分析方法、设备及计算机可读存储介质 |
CN116523659B (zh) * | 2023-03-13 | 2023-10-24 | 武汉凌禹信息科技有限公司 | 一种具备实时提醒的金融数据风险监控平台 |
CN116523659A (zh) * | 2023-03-13 | 2023-08-01 | 武汉凌禹信息科技有限公司 | 一种具备实时提醒的金融数据风险监控平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135691A (zh) | 理财产品风险评估方法、装置、计算机设备以及存储介质 | |
CN109345374A (zh) | 风险控制方法、装置、计算机设备和存储介质 | |
CN109800976A (zh) | 项目投资决策方法、装置、计算机设备和存储介质 | |
CN110111198A (zh) | 用户金融风险预估方法、装置、电子设备及可读介质 | |
Kumar et al. | Artificial intelligence in insurance sector | |
CN104965844A (zh) | 信息处理方法及装置 | |
Mohanty et al. | Analyzing the dynamic relationships between physical infrastructure, financial development and economic growth in India | |
US20210158085A1 (en) | Systems and methods for automatic model generation | |
CN110363645A (zh) | 资产数据处理方法、装置、计算机设备和存储介质 | |
CN110070430A (zh) | 评估还款风险的方法及装置、存储介质、电子设备 | |
CN109857373A (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
KR102152081B1 (ko) | 딥러닝 기반의 가치 평가 방법 및 그 장치 | |
CN109767069A (zh) | 车辆产品推荐方法、装置、计算机设备和存储介质 | |
Díaz et al. | Machine learning and statistical techniques. An application to the prediction of insolvency in Spanish non-life insurance companies | |
Viegas et al. | GA-ANN short-term electricity load forecasting | |
CN110110970A (zh) | 虚拟资源风险评级方法、系统、计算机设备和存储介质 | |
CN114692859A (zh) | 数据处理方法及装置、计算设备及试验精简设备 | |
JP4735973B2 (ja) | 電力価格ゾーン予測方法、及び電力価格ゾーン予測プログラム | |
KR102519878B1 (ko) | 금융기관 신용공여 사업에서의 인공지능 기반 리스크 관리 솔루션을 제공하기 위한 장치, 방법 및 명령을 기록한 기록 매체 | |
Carmona et al. | Applying case based reasoning for prioritizing areas of business management | |
Jahan et al. | An Improved Machine Learning Based Customer Churn Prediction for Insight and Recommendation in E-commerce | |
CN110084701A (zh) | 理财平台入驻方法、装置、计算机设备和存储介质 | |
Xie et al. | [Retracted] Financial Default Risk Prediction Algorithm Based on Neural Network under the Background of Big Data | |
Salisbury et al. | Using smart algorithms, machine learning, and blockchain technology to streamline and accelerate dealflow in climate finance | |
Pribil et al. | A churn analysis using data mining techniques: Case of electricity distribution company |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190816 |