CN110348999B - 金融风险敏感用户识别方法、装置及电子设备 - Google Patents

Abstract

本公开涉及一种金融风险敏感用户识别方法、装置、电子设备及计算机可读介质。包括：获取多个信用风险模型，所述多个信用风险模型基于多个宏观经济环境建立；将用户数据输入所述多个信用风险模型中，获取多个信用评分；基于所述多个信用评分生成用户的信用波动特征值；以及根据所述信用波动特征值的强度，确定所述用户是否为金融风险敏感用户。本公开涉及的金融风险敏感用户识别方法、装置、电子设备及计算机可读介质，能够将宏观环境因素和用户自身的微观个体因素结合起来，更加准确全面的对用户的金融风险进行判定。

Description

金融风险敏感用户识别方法、装置及电子设备

技术领域

本公开涉及计算机信息处理领域，具体而言，涉及一种金融风险敏感用户识别方法、装置、电子设备及计算机可读介质。

背景技术

信用风险又称为交易对方风险或履约风险，指交易对方不履行到期债务的风险。由于结算方式的不同，场内衍生交易和场外衍生交易各自所涉的信用风险也有所不同。在具体的应用场景下，信用风险只要是指是借款人因各种原因未能及时、足额偿还债务或银行贷款而违约，信用风险是由两方面的原因造成的：一是由于经济运行的周期性的原因；在处于经济扩张期时，信用风险降低，因为较强的赢利能力使总体违约率降低。在处于经济紧缩期时，信用风险增加，因为赢利情况总体恶化，借款人因各种原因不能及时足额还款的可能性增加；二是个人职业或者生活环境变动的原因，这种特殊事件发生与经济运行周期无关，与个人用户的个人信息强相关。

信用风险作为互联网金融服务行业所面临的主要风险，一直是信贷风险管理的核心内容。现有技术中对于用户的信用风险计算的普遍用的方式是把宏观经济环境变量与金融主体公司整体风险挂钩，主要考虑宏观环境是否对提供金融服务的互联网金融公司有影响，或哪些宏观因素导致了提供互联网金融服务公司整体风险变高了，随着全球经济依赖性逐渐增强，分析宏观经济环境变化对客户信用损失的影响并挖掘出对宏观因素较敏感的客群是非常有必要的。

因此，需要一种新的金融风险敏感用户识别方法、装置、电子设备及计算机可读介质。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本公开提供一种金融风险敏感用户识别方法、装置、电子设备及计算机可读介质，能够将宏观环境因素和用户自身的微观个体因素结合起来，更加准确全面的对用户的金融风险进行判定。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一方面，提出一种金融风险敏感用户识别方法，该方法包括：获取多个信用风险模型，所述多个信用风险模型基于多个宏观经济环境建立；将用户数据输入所述多个信用风险模型中，获取多个信用评分；基于所述多个信用评分生成用户的信用波动特征值；以及根据所述信用波动特征值的强度，确定所述用户是否为金融风险敏感用户。

可选地，还包括：根据所述信用波动特征值与敏感客户划分模型，为所述用户确定监控风险级别。

可选地，还包括：基于多个宏观经济环境下的多个用户数据与机器学习方法建立所述多个信用风险模型；其中，所述信用风险模型为体现微观经济个体金融特征的机器学习模型。

可选地，基于多个宏观经济环境下的多个用户数据与机器学习方法建立所述多个信用风险模型还包括：通过多个预定时间范围内的多个用户数据生成多个宏观经济环境下的多个用户数据。

可选地，将用户数据输入所述多个信用风险模型中，获取多个信用评分包括：将用户数据输入信用风险模型中；所述信用风险模型基于所述用户数据进行迭代计算；以及在迭代计算满足预设条件时，生成所述信用评分。

可选地，基于所述多个信用评分生成用户的信用波动特征值包括：基于所述多个信用评分生成用户的信用波动曲线；以及对所述信用波动曲线进行波动分析以生成所述信用波动特征值。

可选地，根据所述信用波动特征值的强度，确定所述用户是否为金融风险敏感用户包括：根据历史用户的信用波动特征值建立阈值；将所述信用波动特征值与所述阈值比较以确定所述强度；以及其中所述阈值包括至少一个子阈值。

可选地，根据所述信用波动特征值与敏感客户划分模型，为所述用户确定监控风险级别还包括：通过区间阈值生成所述敏感客户划分模型。

可选地，根据所述信用波动特征值与敏感客户划分模型，为所述用户确定监控风险级别还包括：对于高监控风险级别的所述敏感用户进行实时风险监控。

可选地，所述信用风险模型包括以下至少一者：用户信贷逾期模型，用户信用评分模型，以及用户违约模型。

根据本公开的一方面，提出一种金融风险敏感用户识别装置，该装置包括：模型模块，用于获取多个信用风险模型，所述多个信用风险模型基于多个宏观经济环境建立；评分模块，用于将用户数据输入所述多个信用风险模型中，获取多个信用评分；波动模块，用于基于所述多个信用评分生成用户的信用波动特征值；以及判断模块，用于根据所述信用波动特征值的强度，确定所述用户是否为金融风险敏感用户。

可选地，还包括：级别模块，用于根据所述信用波动特征值与敏感客户划分模型，为所述用户确定监控风险级别。

可选地，还包括：模型建立模块，用于基于多个宏观经济环境下的多个用户数据与机器学习方法建立所述多个信用风险模型；其中，所述信用风险模型为体现微观经济个体金融特征的机器学习模型。

可选地，所述模型建立模块包括：时间数据单元，用于通过多个预定时间范围内的多个用户数据生成多个宏观经济环境下的多个用户数据。

可选地，所述模型模块包括：输入单元，用于将用户数据输入信用风险模型中；迭代单元，用于所述信用风险模型基于所述用户数据进行迭代计算；以及生成单元，用于在迭代计算满足预设条件时，生成所述信用评分。

可选地，所述波动模块包括：曲线单元，用于基于所述多个信用评分生成用户的信用波动曲线；以及分析单元，用于对所述信用波动曲线进行波动分析以生成所述信用波动特征值。

可选地，所述判断模块包括：阈值单元，用于根据历史用户的信用波动特征值建立阈值；将所述信用波动特征值与所述阈值比较以确定所述强度；以及其中所述阈值包括至少一个子阈值。

可选地，所述级别模块包括：区间单元，用于通过区间阈值生成所述敏感客户划分模型。

可选地，所述级别模块包括：实时监控单元，用于对于高监控风险级别的所述敏感用户进行实时风险监控。

可选地，所述信用风险模型包括以下至少一者：用户信贷逾期模型，用户信用评分模型，以及用户违约模型。

根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。

根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。

根据本公开的金融风险敏感用户识别方法、装置、电子设备及计算机可读介质，将用户数据输入基于多个宏观经济环境建立的多个信用风险模型中，获取多个信用评分；基于所述多个信用评分生成用户的信用波动特征值；以及根据所述信用波动特征值的强度，确定所述用户是否为金融风险敏感用户的方式，能够将宏观环境因素和用户自身的微观个体因素结合起来，更加准确全面的对用户的金融风险进行判定。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据一示例性实施例示出的一种金融风险敏感用户识别方法及装置的系统框图。

图2是根据一示例性实施例示出的一种金融风险敏感用户识别方法的流程图。

图3是根据另一示例性实施例示出的一种金融风险敏感用户识别方法的流程图。

图4是根据另一示例性实施例示出的一种金融风险敏感用户识别方法的流程图。

图5是根据一示例性实施例示出的一种金融风险敏感用户识别装置的框图。

图6是根据另一示例性实施例示出的一种金融风险敏感用户识别装置的框图。

图7是根据一示例性实施例示出的一种电子设备的框图。

图8是根据一示例性实施例示出的一种计算机可读介质的框图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。

图1是根据一示例性实施例示出的一种金融风险敏感用户识别方法及装置的系统框图。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和用户服务器105、模型服务器106、信用服务器107。网络104用以在终端设备101、102、103和用户服务器105、模型服务器106、信用服务器107之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与用户服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

用户服务器105可以接收来自终端设备101、102、103的交互信息，并将交互信息进行整理，提取包含用户特征的数据，然后将用户特征数据进行数据清洗等处理，生成用户数据。

模型服务器106可通过用户的数据生成用户信用风险模型，可例如基于多个宏观经济环境下的多个用户数据与机器学习方法建立所述多个信用风险模型；其中，所述信用风险模型为体现微观经济个体金融特征的机器学习模型。

更具体的，宏观经济环境可由时间周期确定，可例如以季度为时间节点，可将每个季度作为一个宏观经济环境。按照季度为时间单位，获取不同的季度的用户数据，分别生成不同宏观经济环境下的信用风险模型。指的一提的是，还可以通过其他的时间特征来划分宏观经济环境，本公开不以此为限。

信用服务器107可对用户数据与信用风险模型进行综合分析，最终预测用户在不同的宏观经济环境下的用户的信用风险。

其中，信用服务器107可例如由模型服务器106获取多个信用风险模型，所述多个信用风险模型基于多个宏观经济环境建立；信用服务器107可例如将由用户服务器105获取到的用户数据输入所述多个信用风险模型中，获取多个信用评分；信用服务器107可例如基于所述多个信用评分生成用户的信用波动特征值；信用服务器107根据所述信用波动特征值的强度，确定所述用户是否为金融风险敏感用户。

用户服务器105、模型服务器106、信用服务器107可以分别是独立的实体的服务器，还可例如组成一个统一的服务器，需要说明的是，本公开实施例所提供的金融风险敏感用户识别方法可以由信用服务器107执行，相应地，金融风险敏感用户识别装置可以设置于信用服务器107中。值得一提的是，与用户通过金融平台进行数据交互的装置可设置于用户服务器105中，利用用户数据构建信用模型的装置可设置于模型服务器106中。

信用风险作为互联网金融行业所面临的主要风险，一直是信贷风险管理的核心内容。随着全球经济依赖性逐渐增强，分析宏观经济环境变化对客户信用损失的影响并挖掘出对宏观因素较敏感的客群是非常有必要的。

根据本公开的金融风险敏感用户识别方法，通过计算用户在不同宏观经济环境下的信用风险，可以预测到用户的信用风险波动变化，建立信用评分波动指标，识别出对宏观经济环境敏感的客户，并通过信用评分波动指标建立敏感用户群划分模型，实时监控会因宏观经济环境波动导致信用损失的客群，可以有效预知风险、有针对性地采取防御措施，构建了具有长远性、稳定性、前瞻性的宏观经济风险敏感度模型。

图2是根据一示例性实施例示出的一种金融风险敏感用户识别方法的流程图。其中，金融风险敏感用户识别方法20至少包括步骤S202至S208。

如图2所示，在S202中，获取多个信用风险模型，所述多个信用风险模型基于多个宏观经济环境建立。

在一个实施例中，可例如基于多个宏观经济环境下的多个用户数据与机器学习方法建立所述多个信用风险模型；其中，所述信用风险模型为体现微观经济个体金融特征的机器学习模型。

在S204中，将用户数据输入所述多个信用风险模型中，获取多个信用评分。可包括：将用户数据输入信用风险模型中；所述信用风险模型基于所述用户数据进行迭代计算；以及在迭代计算满足预设条件时，生成所述信用评分。

在S206中，基于所述多个信用评分生成用户的信用波动特征值。可包括：基于所述多个信用评分生成用户的信用波动曲线；以及对所述信用波动曲线进行波动分析以生成所述信用波动特征值。

在一个具体的实施例中，可例如宏观经济环境有多个，具体编号为1,2,3；每个宏观经济环境下面有A，B，C信用风险模型，其中，A，B，C信用风险模型可分别从不同的角度分析用户的信用风险，更具体的，A信用风险模型可为欠款信用风险模型，B信用风险模型可为违约信用风险模型，C信用风险模型可为多头信用风险模型。随着数据的增加和模型的增加还可有其他类型的信用风险模型参与计算，还可为用户信贷逾期模型，用户信用评分模型，以及用户违约模型，具体信用风险模型的数量不受限制。

将用户数据输入不同的宏观经济环境下的不同的信用风险模型中，为了更好的说明本公开的实施例，可将在宏观经济环境1下的信用风险模型进行编号，具体编号可为1A，1B，1C；可将在宏观经济环境2下的信用风险模型进行编号，具体编号可为2A，2B，2C；可将在宏观经济环境3下的信用风险模型进行编号，具体编号可为3A，3B，3C；

将用户数据分别输入编号为1A，1B，1C的信用风险模型中，生成模型计算数据a1，b1，c1；将用户数据分别输入编号为2A，2B，2C的信用风险模型中，生成模型计算数据a2，b2，c2；将用户数据分别输入编号为3A，3B，3C的信用风险模型中，生成模型计算数据a3，b3，c3；

对于不同的宏观经济环境下的A信用模型，其数据为a1，a2，a3，通过a1，a2，a3生成信用波动曲线；同理对于不同的宏观经济环境下的B信用模型，其数据为b1，b2，b3，通过b1，b2，b3生成信用波动曲线；同理对于不同的宏观经济环境下的C信用模型，其数据为c1，c2，c3，通过c1，c2，c3生成信用波动曲线；

分别对上述信用波动曲线进行曲线波动分析，以确定用户的信用波动特征值。

在S208中，根据所述信用波动特征值的强度，确定所述用户是否为金融风险敏感用户。更具体的，可将所述信用波动特征值与所述阈值比较以确定所述强度。其中，阈值可通过历史用户数据确定。

指的一提的是，对于不同的信用风险模型，可分别确定不同的阈值，可例如，A信用风险阈值为第一风险阈值，B信用风险模型的阈值为第二风险阈值，C信用风险模型的阈值为第三风险阈值。将不同的数据(a1，a2，a3；b1，b2，b3；c1，c2，c3)分别于其对应的阈值进行比较，以确定用户的信用波动特征值的强度，进而判断所述用户是否为金融风险敏感用户。

根据本公开的金融风险敏感用户识别方法，将用户数据输入基于多个宏观经济环境建立的多个信用风险模型中，获取多个信用评分；基于所述多个信用评分生成用户的信用波动特征值；以及根据所述信用波动特征值的强度，确定所述用户是否为金融风险敏感用户的方式，能够将宏观环境因素和用户自身的微观个体因素结合起来，更加准确全面的对用户的金融风险进行判定。

应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。

图3是根据另一示例性实施例示出的一种金融风险敏感用户识别方法的流程图。图3所示的流程是对“根据所述信用波动特征值与敏感客户划分模型，为所述用户确定监控风险级别”的详细描述。

如图3所示，在S302中，将历史用户数据输入机器学习模型中。其中，机器学习模型基于学习策略分类中的类比学习。这一类型的机器学习模型是通过与过去经历的具体事例作类比来学习，称为基于范例的学习(case_based learning)。

在S304中，通过机器学习模型的训练确定敏感客户划分模型。更具体的，可例如通过设定不同的区间阈值为不同的输入数据指定标签，不同的区间阈值代表不同的客户敏感强度。将带有标签的数据输入机器学习模型中，以生成所述敏感客户划分模型。

在S306中，将所述信用波动特征值输入敏感客户划分模型中以确定用户的监控风险级别。

在一个具体的实施例中，还可例如通过区间阈值生成所述敏感客户划分模型。可通过历史经验积累，设定不同的区间阈值，通过不同的区间阈值判断用户的监控风险级别。

更具体的，首先用各宏观环境的信用风险模型，输出海量的各种用户的违约概率，依据违约概率的高低，将海量用户划分为各个客群；然后，根据再根据各个客群用户在其他风控模型(非宏观环境模型)中的违约概率表现情况，与之前宏观模型进行对照，从而确定是否为基于宏观因素波动性较强的客群。

更具体的，可将多个用户数据输入不同的宏观经济环境下的不同的信用风险模型中，为了更好的说明本公开的实施例，可将在宏观经济环境1下的信用风险模型进行编号，具体编号可为1A，1B，1C；可将在宏观经济环境2下的信用风险模型进行编号，具体编号可为2A，2B，2C；可将在宏观经济环境3下的信用风险模型进行编号，具体编号可为3A，3B，3C；

将用户数据分别输入编号为1A，1B，1C的信用风险模型中，生成模型计算数据a1，b1，c1；将用户数据分别输入编号为2A，2B，2C的信用风险模型中，生成模型计算数据a2，b2，c2；将用户数据分别输入编号为3A，3B，3C的信用风险模型中，生成模型计算数据a3，b3，c3；

对于不同的宏观经济环境下的A信用模型，其数据为a1，a2，a3，通过a1，a2，a3分成生成信用波动曲线；同理对于不同的宏观经济环境下的B信用模型，其数据为b1，b2，b3，通过b1，b2，b3分成生成信用波动曲线；同理对于不同的宏观经济环境下的C信用模型，其数据为c1，c2，c3，通过c1，c2，c3分成生成信用波动曲线；

分别对上述信用波动曲线进行曲线波动分析，以确定判断用户风险的用户的区间阈值

在一个实施例中，可例如对于高监控风险级别的所述敏感用户进行实时风险监控。为了避免用户的信用风险，对于高风险的客户，可进行实时监控，一旦预测到了其可能会发生信用风险的情况下，可及时的调整用户策略。

更具体的，如果用户的波动性很强的话，则认为其客户根据宏观环境影响导致的敏感客户。实际上宏观经济环境是有周期的，一般是按季度来看的，这样以季度为切分点，季度的模型输出的结果，来确定客户的特征，如果不同时期出来的模型结果不一样，有可能是宏观环境变化导致的，这样就可以挖掘确定出对宏观比较敏感的客户，这样后期在宏观环境变差的时候，就可以对这种客群做收紧的措施。

图4是根据另一示例性实施例示出的一种金融风险敏感用户识别方法的流程图。图4所示的流程是对图2中S201“基于多个宏观经济环境下的多个用户数据与机器学习方法建立所述多个信用风险模型”的详细描述。

如图4所示，在S402中，通过多个预定时间范围内的多个用户数据生成多个宏观经济环境下的多个用户数据。

在S404中，将不同的宏观环境下的多个用户数据分别输入机器学习模型中。

在S406中，机器学习模型模型基于多个用户数据进行迭代计算。

在S408中，在迭代计算满足预设条件时，生成所述信用风险模型。

更具体的，可将多个用户数据输入不同的宏观经济环境下的不同的机器学习模型中，为了更好的说明本公开的实施例，可将在宏观经济环境1下的机器学习模型进行编号，具体编号可为1A，1B，1C；可将在宏观经济环境2下的机器学习模型进行编号，具体编号可为2A，2B，2C；可将在宏观经济环境3下的机器学习模型进行编号，具体编号可为3A，3B，3C。

机器学习模型基于多个用户数据进行迭代计算，生成不同宏观经济环境下的信用风险模型。

本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图5是根据一示例性实施例示出的一种金融风险敏感用户识别装置的框图。如图5所示，金融风险敏感用户识别装置50可包括：模型模块502，评分模块504，波动模块506，以及判断模块508。金融风险敏感用户识别装置50还可包括级别模块510，模型建立模块512。

模型模块502用于获取多个信用风险模型，所述多个信用风险模型基于多个宏观经济环境建立；

评分模块504用于将用户数据输入所述多个信用风险模型中，获取多个信用评分；

波动模块506用于基于所述多个信用评分生成用户的信用波动特征值；所述波动模块506包括：曲线单元，用于基于所述多个信用评分生成用户的信用波动曲线；以及分析单元，用于对所述信用波动曲线进行波动分析以生成所述信用波动特征值。

判断模块508用于根据所述信用波动特征值的强度，确定所述用户是否为金融风险敏感用户。所述判断模块508包括：阈值单元，用于根据历史用户的信用波动特征值建立阈值；将所述信用波动特征值与所述阈值比较以确定所述强度；其中所述阈值包括至少一个子阈值。

级别模块510，用于根据所述信用波动特征值与敏感客户划分模型为所述用户确定监控风险级别。

其中所述级别模块510包括：区间单元，用于通过区间阈值生成所述敏感客户划分模型。所述级别模块510还包括：实时监控单元，用于对于高监控风险级别的所述敏感用户进行实时风险监控。

模型建立模块512用于基于多个宏观经济环境下的多个用户数据与机器学习方法建立所述多个信用风险模型；其中，所述信用风险模型为体现微观经济个体金融特征的机器学习模型。

其中，所述模型建立模块512还包括：时间数据单元，用于通过多个预定时间范围内的多个用户数据生成多个宏观经济环境下的多个用户数据。

图6是根据另一示例性实施例示出的一种金融风险敏感用户识别装置的框图。如图6所示，模型模块502还包括：输入单元5022，迭代单元5024，生成单元5026。

输入单元5022用于将用户数据输入信用风险模型中；

迭代单元5024用于所述信用风险模型基于所述用户数据进行迭代计算；以及

生成单元5026用于在迭代计算满足预设条件时，生成所述信用评分。

根据本公开的金融风险敏感用户识别装置，将用户数据输入基于多个宏观经济环境建立的多个信用风险模型中，获取多个信用评分；基于所述多个信用评分生成用户的信用波动特征值；以及根据所述信用波动特征值的强度，确定所述用户是否为金融风险敏感用户的方式，能够将宏观环境因素和用户自身的微观个体因素结合起来，更加准确全面的对用户的金融风险进行判定。

图7是根据一示例性实施例示出的一种电子设备的框图。

下面参照图7来描述根据本公开的这种实施方式的电子设备200。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：至少一个处理单元710、至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书上述电子处方流转处理方法部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元710可以执行如图2，图3，图4中所示的步骤。

所述存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(ROM)7203。

所述存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备700也可以与一个或多个外部设备700’(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器760可以通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图8所示，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。

所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：获取多个信用风险模型，所述多个信用风险模型基于多个宏观经济环境建立；将用户数据输入所述多个信用风险模型中，获取多个信用评分；基于所述多个信用评分生成用户的信用波动特征值；以及根据所述信用波动特征值的强度，确定所述用户是否为金融风险敏感用户。

本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。

以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (8)

1.一种金融风险敏感用户识别方法，其特征在于，包括：

获取多个信用风险模型，所述多个信用风险模型基于多个宏观经济环境建立，包括：基于由时间周期确定的多个宏观经济环境下的多个用户数据与机器学习方法建立相应于多个不同的宏观经济环境的多个信用风险模型以分别从不同的角度分析用户的信用风险，所述信用风险模型为体现微观经济个体金融特征的机器学习模型；其中，机器学习模型基于学习策略分类中的类比学习；

将获取到的多个用户数据输入不同的宏观经济环境下的不同的多个信用风险模型中，不同的多个信用风险模型基于所述用户数据进行迭代计算并在迭代计算满足预设条件时生成多个信用评分；

基于所述多个信用评分生成用户的信用波动曲线并对信用波动曲线进行波动分析以生成信用波动特征值；以及

将信用波动特征值与通过历史用户数据确定的阈值比较来确定信用波动特征值的强度，并且，根据所述信用波动特征值的强度确定所述用户是否为金融风险敏感用户，以预测用户的信用风险波动变化；

通过机器学习模型的训练确定敏感客户划分模型，所述机器学习模型基于学习策略分类中的类比学习，并根据所述信用波动特征值与敏感客户划分模型，为所述用户确定监控风险级别，以进行用户实时监控。

2.如权利要求1所述的方法，其特征在于，通过机器学习模型的训练确定敏感客户划分模型，具体包括：

将历史用户数据输入机器学习模型中；通过设定不同的区间阈值为不同的输入数据指定标签，不同的区间阈值代表不同的客户敏感强度，将带有标签的数据输入机器学习模型中以生成所述敏感客户划分模型。

3.如权利要求2所述的方法，其特征在于，根据所述信用波动特征值与敏感客户划分模型，为所述用户确定监控风险级别，还包括：

分别对信用波动曲线进行曲线波动分析而确定判断用户风险的区间阈值。

4.如权利要求1所述的方法，其特征在于，基于由时间周期确定的多个宏观经济环境下的多个用户数据与机器学习方法建立相应于不同的多个宏观经济环境的多个信用风险模型还包括：

通过多个预定时间范围内的多个用户数据生成多个宏观经济环境下的多个用户数据。

5.如权利要求1所述的方法，其特征在于，将信用波动特征值与通过历史用户数据确定的阈值比较来确定信用波动特征值的强度还包括：

根据历史用户的信用波动特征值建立阈值；

将所述信用波动特征值与所述阈值比较以确定信用波动特征值的强度强度；以及

其中所述阈值包括至少一个子阈值。

6.一种金融风险敏感用户识别装置，其特征在于，包括：

模型模块，用于获取多个信用风险模型，所述多个信用风险模型基于多个宏观经济环境建立，包括模型建立模块，用于基于由时间周期确定的多个宏观经济环境下的多个用户数据与机器学习方法建立相应于多个不同的宏观经济环境的多个信用风险模型以分别从不同的角度分析用户的信用风险，所述信用风险模型为体现微观经济个体金融特征的机器学习模型；其中，机器学习模型基于学习策略分类中的类比学习；

评分模块，用于将获取到的多个用户数据输入不同的宏观经济环境下的不同的多个信用风险模型中，不同的多个信用风险模型基于所述用户数据进行迭代计算并在迭代计算满足预设条件时生成多个信用评分；

波动模块，用于基于所述多个信用评分生成用户的信用波动曲线并对信用波动曲线进行波动分析以生成信用波动特征值；以及

判断模块，用于将信用波动特征值与通过历史用户数据确定的阈值比较来确定信用波动特征值的强度，并且，根据所述信用波动特征值的强度确定所述用户是否为金融风险敏感用户，以预测用户的信用风险波动变化；

级别模块，用于通过机器学习模型的训练确定敏感客户划分模型，所述机器学习模型基于学习策略分类中的类比学习，根据所述信用波动特征值所述敏感客户划分模型，为所述用户确定监控风险级别，以进行用户实时监控识别。

7.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一项所述的方法。

8.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-5中任一项所述的方法。