CN110363417A - 金融风险策略生成方法、装置及电子设备 - Google Patents
金融风险策略生成方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110363417A CN110363417A CN201910592402.8A CN201910592402A CN110363417A CN 110363417 A CN110363417 A CN 110363417A CN 201910592402 A CN201910592402 A CN 201910592402A CN 110363417 A CN110363417 A CN 110363417A
- Authority
- CN
- China
- Prior art keywords
- parameter
- financial risks
- combination
- strategy
- parameter set
- 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
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
- G06Q40/03—Credit; Loans; Processing thereof
Abstract
本公开涉及一种金融风险策略生成方法、装置、电子设备及计算机可读介质。包括:由第三方数据库获取信贷用户的至少一个更新参数;获取信贷用户的至少一个特征参数;将所述至少一个更新参数和所述至少一个特征参数中的参数进行任意组合,生成多个组合参数集合;将所述多个组合参数集合中的每一个组合参数集合输入到机器学习模型中,获取金融风险参数值;以及在所述金融风险参数值符合阈值规则时,基于所述风险参数对应的组合参数集合生成金融风险策略。本公开涉及的金融风险策略生成方法、装置、电子设备及计算机可读介质,能够自动对第三方数据库引入的用户数据进行分析,并与现有的参数进行组合生成更新后的金融风险策略集合。
Description
技术领域
本公开涉及计算机信息处理领域,具体而言,涉及一种金融风险策略生成方法、装置、电子设备及计算机可读介质。
背景技术
信贷是指以偿还和付息为条件的价值运动形式,通常包括银行存款、贷款等信用活动,信贷是社会主义国家用有偿方式动员和分配资金的重要形式,是发展经济的有力杠杆。贷款的产生必然伴随着风险,在还款期限届满之前,借款人财务商务状况的重大不利变化很可能影响其履约能力,从而发生呆账、坏账等风险,因此,为了降低此类风险的发生概率,需要通过各种金融风险策略对借款人的金融行为进行限定。
在策略制定上,现有技术是基于用户输入的个人特征、个人行为、或者用户的关联用户的行为分析从而制定金融风险策略的。为了对用户的实时情况进行监督,返防风险,金融服务机构经常需要由第三方获取用户的相关数据,进而由用户输入数据与第三方的相关数据进行联合分析,以确定最终的用户金融风险策略。在第三方数据中,由于每一个用户都有大量的输入项数据(即同一个客户对应的大量不同维度的数据,几百、上千的维度)用于策略的制订及迭代,尤其是不同的第三方数据给过来的用户数据的维度也不是一致的,有的维度多出几项,也有少了某些维度的。目前,针对第三方数据,只能通过人工分析的方式,筛选数据,并将第三方数据与原有的金融风险策略进行人工结合,这样的处理方式效率十分低下。
因此,需要一种新的金融风险策略生成方法、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策略生成方法、装置、电子设备及计算机可读介质,能够自动对第三方数据库引入的用户数据进行分析,并与现有的参数进行组合生成更新后的金融风险策略集合。
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,提出一种金融风险策略生成方法,该方法包括:由第三方数据库获取信贷用户的至少一个更新参数;获取信贷用户的至少一个特征参数;将所述至少一个更新参数和所述至少一个特征参数中的参数进行任意组合,生成多个组合参数集合;将所述多个组合参数集合中的每一个组合参数集合输入到机器学习模型中,获取金融风险参数值;以及在所述金融风险参数值符合阈值规则时,基于所述风险参数对应的组合参数集合生成金融风险策略。
可选地,还包括:基于所述金融风险策略与所述信贷用户的用户数据进行更新影响分析。
可选地,由第三方数据库获取信贷用户的至少一个更新参数包括:由第三方数据库获取信贷用户的用户数据;以及将所述用户数据进行数据清洗处理获取所述至少一个更新参数。
可选地,将所述用户数据进行数据清洗处理获取所述至少一个更新参数包括:将所述用户数据进行数据清洗处理,获取多个用户参数;以及剔除多个用户参数中与金融风险无关的参数以获取所述至少一个更新参数。
可选地,将所述多个组合参数集合中的每一个组合参数集合输入到机器学习模型中,获取金融风险参数值还包括:通过历史信贷用户的用户数据与所述至少一个特征参数生成所述机器学习模型。
可选地,将所述多个组合参数集合中的每一个组合参数集合输入到机器学习模型中,获取金融风险参数值包括:将所述多个组合参数集合中的每一个组合参数集合输入到机器学习模型中;所述机器学习模型基于组合参数集合中的多个参数进行迭代计算;以及在迭代计算满足预设条件时,生成所述组合参数集合的金融风险参数值。
可选地,在所述金融风险参数值符合阈值规则时,基于所述风险参数对应的组合参数集合生成金融风险策略包括:在所述金融风险参数值符合阈值规则时,确定所述风险参数对应的组合参数集合中的多个参数对应的多个金融风险子策略;以及通过所述多个金融风险子策略的交集生成所述金融风险策略。
可选地,基于所述金融风险策略与所述信贷用户的用户数据进行更新影响分析包括:通过所述信贷用户的用户数据与金融风险模型生成金融风险值;通过所述信贷用户的用户数据与校验风险模型生成校验风险值;以及通过所述校验风险值与所述金融风险值进行所述更新影响分析。
可选地,基于所述金融风险策略与所述信贷用户的用户数据进行更新影响分析还包括:基于所述金融风险策略中的参数更新所述金融风险模型,生成所述校验模型。
可选地,所述金融风险模型包括以下至少一者:用户通过率模型,风险预测模型,以及授信额度模型。
根据本公开的一方面,提出一种金融风险策略生成装置,该装置包括:更新数据模块,用于由第三方数据库获取信贷用户的至少一个更新参数;特征参数模块,用于获取信贷用户的至少一个特征参数;组合参数模块,用于将所述至少一个更新参数和所述至少一个特征参数中的参数进行任意组合,生成多个组合参数集合;模型计算模块,用于将所述多个组合参数集合中的每一个组合参数集合输入到机器学习模型中,获取金融风险参数值;以及风险策略模块,用于在所述金融风险参数值符合阈值规则时,基于所述风险参数对应的组合参数集合生成金融风险策略。
可选地,还包括:更新分析模块,用于基于所述金融风险策略与所述信贷用户的用户数据进行更新影响分析。
可选地,所述更新数据模块包括:数据获取单元,用于由第三方数据库获取信贷用户的用户数据;以及数据清洗单元,用于将所述用户数据进行数据清洗处理获取所述至少一个更新参数。
可选地,所述数据清洗单元包括:清洗子单元,用于将所述用户数据进行数据清洗处理,获取多个用户参数;以及剔除子单元,用于剔除多个用户参数中与金融风险无关的参数以获取所述至少一个更新参数。
可选地,所述模型计算模块还包括:模型生成单元,用于通过历史信贷用户的用户数据与所述至少一个特征参数生成所述机器学习模型。
可选地,所述模型计算模块包括:输入单元,用于将所述多个组合参数集合中的每一个组合参数集合输入到机器学习模型中;迭代单元,用于所述机器学习模型基于组合参数集合中的多个参数进行迭代计算;以及模型单元,用于在迭代计算满足预设条件时,生成所述组合参数集合的金融风险参数值。
可选地,所述风险策略模块包括:子策略单元,用于在所述金融风险参数值满足阈值规则时,确定所述风险参数对应的组合参数集合中的多个参数对应的多个金融风险子策略;以及集合单元,用于通过所述多个金融风险子策略的交集生成所述金融风险策略。
可选地,所述更新分析模块包括:金融风险单元,用于通过所述信贷用户的用户数据与金融风险模型生成金融风险值;校验风险单元,用于通过所述信贷用户的用户数据与校验风险模型生成校验风险值;以及更新分析单元,用于通过所述校验风险值与所述金融风险值进行所述更新影响分析。
可选地,所述更新分析模块还包括:校验模型单元,用于基于所述金融风险策略中的参数更新所述金融风险模型,生成所述校验模型。
可选地,所述金融风险模型包括以下至少一者:用户通过率模型,风险预测模型,以及授信额度模型。
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策略生成方法、装置、电子设备及计算机可读介质,将由第三方数据库获取信贷用户的更新参数和信贷用户的特征参数中的参数进行任意组合,生成多个组合参数集合;将所述多个组合参数集合中的每一个组合参数集合输入到机器学习模型中,获取金融风险参数值;以及在所述金融风险参数值符合阈值规则时,基于所述风险参数对应的组合参数集合生成金融风险策略的方式,能够自动对第三方数据库引入的用户数据进行分析,并与现有的参数进行组合生成更新后的金融风险策略集合。
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策略生成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策略生成方法的流程图。
图3是根据另一示例性实施例示出的一种金融风险策略生成方法的流程图。
图4是根据另一示例性实施例示出的一种金融风险策略生成方法的示意图。
图5是根据另一示例性实施例示出的一种金融风险策略生成方法的流程图。
图6是根据一示例性实施例示出的一种金融风险策略生成装置的框图。
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策略生成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和金融网络服务器105、第三方服务器106。网络104用以在终端设备101、102、103和金融网络服务器105之间提供通信链路的介质;网络104还用以在金融网络服务器105和第三方服务器106之间提供通信链路的介质;网络104还用以在终端设备101、102、103和第三方服务器106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与金融网络服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有金融服务类平台应用。
用户可以使用终端设备101、102、103通过网络104与第三方服务器106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、邮件类应用、购物类网站应用、即时通讯软件等等。
金融网络服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的金融服务平台提供支持的后台管理服务器。金融网络服务器105可以对由终端设备101、102、103获取到的用户信息和由第三方服务器106获取到的用户信息进行分析等处理,并将处理结果(例如更新后的金融风险参数)反馈给金融网络平台的管理员。
服务器105可例如由第三方数据库(第三方服务器106)获取信贷用户的至少一个更新参数;服务器105可例如获取信贷用户的至少一个特征参数;服务器105可例如将所述至少一个更新参数和所述至少一个特征参数中的参数进行任意组合,生成多个组合参数集合;服务器105可例如将所述多个组合参数集合中的每一个组合参数集合输入到机器学习模型中,获取金融风险参数值;服务器105可例如在所述金融风险参数值符合阈值规则时,基于所述风险参数对应的组合参数集合生成金融风险策略。
服务器105可以是一个实体的服务器,还可例如为多个服务器组成,需要说明的是,本公开实施例所提供的金融风险策略生成方法可以由服务器105执行,相应地,金融风险策略生成装置可以设置于服务器105中。
在为用户制定金融策略的时候,由于每一个客户都有大量的输入项数据(即同一个客户对应的大量不同维度的数据)用于策略的制订及迭代,在新接入一个新的资信方(第三方数据)的时候,每天都可能新产生接入数据上百万条,不同的第三方数据给过来的用户数据的维度也不是一致的,有的维度多出几项,也有少了某些维度的,这样在制定新的策略的时候,需要人工分析每一条数据,效率十分低下。
在本公开的金融风险策略生成方法中,建立了一种自动化数据分析系统,自动匹配出模型有用的变量(X、Y变量),可例如实现将Y变量根据不同的业务需求人工定义其标签,标签可为坏客户/好客户,然后X变量可以是针对新接入的资信方给的客户输入项数据的各种维度(X1,X2,X3……Xn,对应已有的和新增的各种维度),并进行组合,通过模型自动迭代,根据可以人工定义的阈值,自动制定变量组合,能够有效提高制定策略的效率。
图2是根据一示例性实施例示出的一种金融风险策略生成方法的流程图。金融风险策略生成方法20至少包括步骤S202至S210。
如图2所示,在S202中,由第三方数据库获取信贷用户的至少一个更新参数。可包括:由第三方数据库获取信贷用户的用户数据;以及将所述用户数据进行数据清洗处理获取所述至少一个更新参数。
在一个实施例中,将所述用户数据进行数据清洗处理获取所述至少一个更新参数包括:将所述用户数据进行数据清洗处理,获取多个用户参数;以及剔除多个用户参数中与金融风险无关的参数以获取所述至少一个更新参数。
其中,数据清洗(Data cleaning)是对数据进行重新审查和校验的过程,目的在于删除重复信息、纠正存在的错误,并提供数据一致性。
在本公开的实施例中,数据清洗可包括:整例删除(casewise deletion)用于剔除第三方数据库中含有缺失值的用户信息。由于很多问卷都可能存在缺失值,这种做法的结果可能导致有效样本量大大减少,无法充分利用已经收集到的数据。因此,只适合关键变量缺失,或者含有无效值或缺失值的样本比重很小的情况。
在本公开的实施例中,数据清洗还可包括:变量删除(variable deletion)。如果某一变量的无效值和缺失值很多,而且该变量对于所研究的问题不是特别重要,则可以考虑将该变量删除。这种做法减少了供分析用的变量数目,但没有改变样本量。
经过数据清洗之后的数据,还可将来自第三方的用户参数与已有的风险相关的参数之间的关联关系,可例如计算几十列返回值和风险的相关关系,自动剔除与风险相关度较低的用户参数。
在S204中,获取信贷用户的至少一个特征参数。特征参数可为经过验证的能够分析用户金融风险的参数。
在S206中,将所述至少一个更新参数和所述至少一个特征参数中的参数进行任意组合,生成多个组合参数集合。可例如,更新参数为A,B,C;特征参数为D,E;则可将参数任意组合生成组合参数集合。组合参数集合可为{A,B,D};{A,C,E};{A,C,D,E}等等任意的形式。
在S208中,将所述多个组合参数集合中的每一个组合参数集合输入到机器学习模型中,获取金融风险参数值。
在一个实施例中,将所述多个组合参数集合中的每一个组合参数集合输入到机器学习模型中,获取金融风险参数值还包括:通过历史信贷用户的用户数据与所述至少一个特征参数生成所述机器学习模型。
其中机器学习模型包括:线性分析方法,关联分析方法,逻辑回归方法,阈值判断方法,决策树判断方法,因子分析方法等,通过划定的Y阈值,找出有效分析/建模方法,并自动提取出能够生成用户策略的关键参数。
在一个实施例中,将所述多个组合参数集合中的每一个组合参数集合输入到机器学习模型中,获取金融风险参数值包括:将所述多个组合参数集合中的每一个组合参数集合输入到机器学习模型中;所述机器学习模型基于组合参数集合中的多个参数进行迭代计算;以及在迭代计算满足预设条件时,生成所述组合参数集合的金融风险参数值。即为将由第三方数据库中将新识别的更新参数和旧有特征参数相结合,利用统计分析或建模方法,生成用户金融风险更新策略迭代的建议。
在S210中,在所述金融风险参数值符合阈值规则时,基于所述风险参数对应的组合参数集合生成金融风险策略。包括:在所述金融风险参数值符合阈值规则时,确定所述风险参数对应的组合参数集合中的多个参数对应的多个金融风险子策略;以及通过所述多个金融风险子策略的交集生成所述金融风险策略。
已知预想的模型Y变量(即什么是好用户,什么是坏用户)的情况下,机器学习模型输出新X变量和旧X变量的各种组合策略。进一步地,可例如新第三方接入了1000W新用户,我们基于业务需求希望通过率不超过40%,则需要把1000W用户中40%的定位为好用户,60%的定义为坏用户,这样通过X变量自动组合出来拟合Y变量的结果,即可得到新的金融风险策略。
根据本公开的金融风险策略生成方法,将由第三方数据库获取信贷用户的更新参数和信贷用户的特征参数中的参数进行任意组合,生成多个组合参数集合;将所述多个组合参数集合中的每一个组合参数集合输入到机器学习模型中,获取金融风险参数值;以及在所述金融风险参数值符合阈值规则时,基于所述风险参数对应的组合参数集合生成金融风险策略的方式,能够自动对第三方数据库引入的用户数据进行分析,并与现有的参数进行组合生成更新后的金融风险策略集合。
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策略生成方法的流程图。图3所示的流程是对图2所示的流程中S208“在所述金融风险参数值符合阈值规则时,基于所述风险参数对应的组合参数集合生成金融风险策略”的详细描述。
如图3所示,在S302中,生成多个组合参数集合。
在S304中,将多个组合参数集合输入到机器学习模型中,获取金融风险参数值。
在S306中,判断组合参数集合中的每一个参数是否均符合阈值规则。
在S308中,在组合中的参数均满足阈值规则时,确定所述风险参数对应的组合参数集合中的多个参数对应的多个金融风险子策略。
在S310中,通过所述多个金融风险子策略的交集生成所述金融风险策略。
图4是根据另一示例性实施例示出的一种金融风险策略生成方法的示意图。借助于图4,将通过第三方数据看获取的用户数据进行筛选,剔除风险无关数据后,获取更新参数(更新参数可为多个参数,AA,BB,CC);
将更新参数与已有的用户参数(EE,FF)进行任意组合,生成不同的组合参数集,比如(AA,EE),(AA,BB,FF),(CC,EE,FF)等;将上面的组合参数集中的每一个集合分别输入机器学习模型中,生成风险参数值;
在风险参数满足阈值规则时,比如(AA,BB,FF)这个组合风险参数中的每一个参数的计算结果均满足阈值规则时,则通过(AA,BB,FF)这三个参数生成风险策略。
更具体的:可例如,原又的风险策略为FF:欠款次数;
更新后AA为:敏感地区;BB代表:敏感年龄;
则更新后的金融风险策略可为:通过敏感地区+敏感年前+欠款次数进行用户风险判断。
图5是根据另一示例性实施例示出的一种金融风险策略生成方法的流程图。图5所示的流程是对“基于所述金融风险策略与所述信贷用户的用户数据进行更新影响分析”的详细描述。
如图5所示,在S502中,通过所述信贷用户的用户数据与金融风险模型生成金融风险值。其中,所述金融风险模型包括以下至少一者:用户通过率模型,风险预测模型,以及授信额度模型。
在S504中,通过所述信贷用户的用户数据与校验风险模型生成校验风险值。还包括:基于所述金融风险策略中的参数更新所述金融风险模型,生成所述校验模型。通过更新后的参数生成校验模型。
在S506中,通过所述校验风险值与所述金融风险值进行所述更新影响分析。将更新参数后计算得到的校验风险值与原有参数计算得到的金融风险值进行比对,以获取更新影响分析。
通过对比,对更新参数后的后续影响(包括通过率,风险情况,授信额度)进行预测。产出策略迭代建议报告,业务分析人员根据报告,判断是否需要迭代策略。该系统支持多种返回值和风险相关关系的计算方法。
在本公开的金融风险策略生成方法中,比可处理大量的新引入的变量,通过设定模型输出时能接受的风险参数阈值是百分之多少,可以自动排列组合,生成金融风险类的模型,然后给出是否更新用户策略的建议。这样通过机器学习模型的方式,自动生成变量组合的策略集,输出给业务分析人员。
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6是根据一示例性实施例示出的一种金融风险策略生成装置的框图。金融风险策略生成装置60包括:更新数据模块602,特征参数模块604,组合参数模块606,模型计算模块608,以及风险策略模块610。
更新数据模块602用于由第三方数据库获取信贷用户的至少一个更新参数;具体可包括:数据获取单元,用于由第三方数据库获取信贷用户的用户数据;以及数据清洗单元,用于将所述用户数据进行数据清洗处理获取所述至少一个更新参数。
所述数据清洗单元包括:清洗子单元,用于将所述用户数据进行数据清洗处理,获取多个用户参数;以及剔除子单元,用于剔除多个用户参数中与金融风险无关的参数以获取所述至少一个更新参数。
特征参数模块604用于获取信贷用户的至少一个特征参数;
组合参数模块606用于将所述至少一个更新参数和所述至少一个特征参数中的参数进行任意组合,生成多个组合参数集合;
模型计算模块608用于将所述多个组合参数集合中的每一个组合参数集合输入到机器学习模型中,获取金融风险参数值;所述模型计算模块608还包括:模型生成单元,用于通过历史信贷用户的用户数据与所述至少一个特征参数生成所述机器学习模型。
所述模型计算模块608包括:输入单元,用于将所述多个组合参数集合中的每一个组合参数集合输入到机器学习模型中;迭代单元,用于所述机器学习模型基于组合参数集合中的多个参数进行迭代计算;以及模型单元,用于在迭代计算满足预设条件时,生成所述组合参数集合的金融风险参数值。
风险策略模块610用于在所述金融风险参数值符合阈值规则时,基于所述风险参数对应的组合参数集合生成金融风险策略。所述风险策略模块610包括:子策略单元,用于在所述金融风险参数值满足阈值规则时,确定所述风险参数对应的组合参数集合中的多个参数对应的多个金融风险子策略;以及集合单元,用于通过所述多个金融风险子策略的交集生成所述金融风险策略。
金融风险策略生成装置还可包括:更新分析模块,用于基于所述金融风险策略与所述信贷用户的用户数据进行更新影响分析。其中,更新分析模块包括:金融风险单元,用于通过所述信贷用户的用户数据与金融风险模型生成金融风险值;校验风险单元,用于通过所述信贷用户的用户数据与校验风险模型生成校验风险值;以及更新分析单元,用于通过所述校验风险值与所述金融风险值进行所述更新影响分析。
更新分析模块还包括:校验模型单元,用于基于所述金融风险策略中的参数更新所述金融风险模型,生成所述校验模型。
根据本公开的金融风险策略生成装置,将由第三方数据库获取信贷用户的更新参数和信贷用户的特征参数中的参数进行任意组合,生成多个组合参数集合;将所述多个组合参数集合中的每一个组合参数集合输入到机器学习模型中,获取金融风险参数值;以及在所述金融风险参数值符合阈值规则时,基于所述风险参数对应的组合参数集合生成金融风险策略的方式,能够自动对第三方数据库引入的用户数据进行分析,并与现有的参数进行组合生成更新后的金融风险策略集合。
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700。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210可以执行如图2,图3,图5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:由第三方数据库获取信贷用户的至少一个更新参数;获取信贷用户的至少一个特征参数;将所述至少一个更新参数和所述至少一个特征参数中的参数进行任意组合,生成多个组合参数集合;将所述多个组合参数集合中的每一个组合参数集合输入到机器学习模型中,获取金融风险参数值;以及在所述金融风险参数值符合阈值规则时,基于所述风险参数对应的组合参数集合生成金融风险策略。
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 (10)
1.一种金融风险策略生成方法,其特征在于,包括:
由第三方数据库获取信贷用户的至少一个更新参数;
获取信贷用户的至少一个特征参数;
将所述至少一个更新参数和所述至少一个特征参数中的参数进行任意组合,生成多个组合参数集合;
将所述多个组合参数集合中的每一个组合参数集合输入到机器学习模型中,获取金融风险参数值;以及
在所述金融风险参数值符合阈值规则时,基于所述风险参数对应的组合参数集合生成金融风险策略。
2.如权利要求1所述的方法,其特征在于,还包括:
基于所述金融风险策略与所述信贷用户的用户数据进行更新影响分析。
3.如权利要求1所述的方法,其特征在于,由第三方数据库获取信贷用户的至少一个更新参数包括:
由第三方数据库获取信贷用户的用户数据;以及
将所述用户数据进行数据清洗处理获取所述至少一个更新参数。
4.如权利要求3所述的方法,其特征在于,将所述用户数据进行数据清洗处理获取所述至少一个更新参数包括:
将所述用户数据进行数据清洗处理,获取多个用户参数;以及
剔除多个用户参数中与金融风险无关的参数以获取所述至少一个更新参数。
5.如权利要求1所述的方法,其特征在于,将所述多个组合参数集合中的每一个组合参数集合输入到机器学习模型中,获取金融风险参数值还包括:
通过历史信贷用户的用户数据与所述至少一个特征参数生成所述机器学习模型。
6.如权利要求1所述的方法,其特征在于,将所述多个组合参数集合中的每一个组合参数集合输入到机器学习模型中,获取金融风险参数值包括:
将所述多个组合参数集合中的每一个组合参数集合输入到机器学习模型中;
所述机器学习模型基于组合参数集合中的多个参数进行迭代计算;以及
在迭代计算满足预设条件时,生成所述组合参数集合的金融风险参数值。
7.如权利要求1所述的方法,其特征在于,在所述金融风险参数值符合阈值规则时,基于所述风险参数对应的组合参数集合生成金融风险策略包括:
在所述金融风险参数值符合阈值规则时,确定所述风险参数对应的组合参数集合中的多个参数对应的多个金融风险子策略;以及
通过所述多个金融风险子策略的交集生成所述金融风险策略。
8.一种金融风险策略生成装置,其特征在于,包括:
更新数据模块,用于由第三方数据库获取信贷用户的至少一个更新参数;
特征参数模块,用于获取信贷用户的至少一个特征参数;
组合参数模块,用于将所述至少一个更新参数和所述至少一个特征参数中的参数进行任意组合,生成多个组合参数集合;
模型计算模块,用于将所述多个组合参数集合中的每一个组合参数集合输入到机器学习模型中,获取金融风险参数值;以及
风险策略模块,用于在所述金融风险参数值符合阈值规则时,基于所述风险参数对应的组合参数集合生成金融风险策略。
9.一种电子设备,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1-10中任一所述的方法。
10.一种计算机可读介质,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1-10中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910592402.8A CN110363417A (zh) | 2019-07-02 | 2019-07-02 | 金融风险策略生成方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910592402.8A CN110363417A (zh) | 2019-07-02 | 2019-07-02 | 金融风险策略生成方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110363417A true CN110363417A (zh) | 2019-10-22 |
Family
ID=68217875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910592402.8A Pending CN110363417A (zh) | 2019-07-02 | 2019-07-02 | 金融风险策略生成方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363417A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796557A (zh) * | 2019-11-04 | 2020-02-14 | 泰康保险集团股份有限公司 | 数据处理方法及装置、电子设备和计算机可读存储介质 |
CN111210110A (zh) * | 2019-12-20 | 2020-05-29 | 上海淇玥信息技术有限公司 | 基于压力测试生成预防策略的方法、装置和电子设备 |
CN111209930A (zh) * | 2019-12-20 | 2020-05-29 | 上海淇玥信息技术有限公司 | 一种生成授信策略的方法、装置和电子设备 |
CN111582646A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 用户策略风险预警方法、装置及电子设备 |
CN111582648A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 用户策略生成方法、装置及电子设备 |
CN112288475A (zh) * | 2020-10-27 | 2021-01-29 | 上海淇馥信息技术有限公司 | 产品推荐方法、装置及电子设备 |
CN112950351A (zh) * | 2021-02-07 | 2021-06-11 | 北京淇瑀信息科技有限公司 | 用户策略生成方法、装置及电子设备 |
CN112991077A (zh) * | 2021-02-18 | 2021-06-18 | 深圳无域科技技术有限公司 | 金融风险控制系统及方法 |
CN113610354A (zh) * | 2021-07-15 | 2021-11-05 | 北京淇瑀信息科技有限公司 | 第三方平台用户的策略分配方法、装置及电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154430A (zh) * | 2017-12-28 | 2018-06-12 | 上海氪信信息技术有限公司 | 一种基于机器学习和大数据技术的信用评分构建方法 |
-
2019
- 2019-07-02 CN CN201910592402.8A patent/CN110363417A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154430A (zh) * | 2017-12-28 | 2018-06-12 | 上海氪信信息技术有限公司 | 一种基于机器学习和大数据技术的信用评分构建方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796557A (zh) * | 2019-11-04 | 2020-02-14 | 泰康保险集团股份有限公司 | 数据处理方法及装置、电子设备和计算机可读存储介质 |
CN111210110A (zh) * | 2019-12-20 | 2020-05-29 | 上海淇玥信息技术有限公司 | 基于压力测试生成预防策略的方法、装置和电子设备 |
CN111209930A (zh) * | 2019-12-20 | 2020-05-29 | 上海淇玥信息技术有限公司 | 一种生成授信策略的方法、装置和电子设备 |
CN111209930B (zh) * | 2019-12-20 | 2023-08-11 | 上海淇玥信息技术有限公司 | 一种生成授信策略的方法、装置和电子设备 |
CN111582646A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 用户策略风险预警方法、装置及电子设备 |
CN111582648A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 用户策略生成方法、装置及电子设备 |
CN112288475A (zh) * | 2020-10-27 | 2021-01-29 | 上海淇馥信息技术有限公司 | 产品推荐方法、装置及电子设备 |
CN112950351A (zh) * | 2021-02-07 | 2021-06-11 | 北京淇瑀信息科技有限公司 | 用户策略生成方法、装置及电子设备 |
CN112950351B (zh) * | 2021-02-07 | 2024-04-26 | 北京淇瑀信息科技有限公司 | 用户策略生成方法、装置及电子设备 |
CN112991077A (zh) * | 2021-02-18 | 2021-06-18 | 深圳无域科技技术有限公司 | 金融风险控制系统及方法 |
CN112991077B (zh) * | 2021-02-18 | 2024-03-19 | 深圳无域科技技术有限公司 | 金融风险控制系统及方法 |
CN113610354A (zh) * | 2021-07-15 | 2021-11-05 | 北京淇瑀信息科技有限公司 | 第三方平台用户的策略分配方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363417A (zh) | 金融风险策略生成方法、装置及电子设备 | |
US20100169137A1 (en) | Methods and systems to analyze data using a graph | |
CN112348660B (zh) | 生成风险警示信息的方法、装置及电子设备 | |
CN110348977A (zh) | 基于多层模型结构的金融风险分析方法、装置及电子设备 | |
CN110110012A (zh) | 用户预期价值评估方法、装置、电子设备及可读介质 | |
CN110363407A (zh) | 基于用户行为轨迹的欺诈风险评估方法及装置 | |
CN110363655A (zh) | 基于时间特征的目标用户识别方法、装置及电子设备 | |
CN110363656A (zh) | 金融服务请求处理方法、装置及电子设备 | |
CN113344700A (zh) | 一种基于多目标优化的风控模型构建方法、装置和电子设备 | |
CN110363653A (zh) | 金融服务请求响应方法、装置及电子设备 | |
CN110135978A (zh) | 用户金融风险评估方法、装置、电子设备和可读介质 | |
CN113256408A (zh) | 基于消费金融的风险控制方法、系统和计算机设备 | |
CN110348208A (zh) | 一种基于用户行为和神经网络的风险控制方法、装置和电子设备 | |
CN110148053A (zh) | 用户信贷额度评估方法、装置、电子设备和可读介质 | |
CN110348897A (zh) | 金融服务产品营销方法、装置及电子设备 | |
CN110033123A (zh) | 用于业务评估的方法和装置 | |
CN110335143A (zh) | 基于多重时间验证的金融风险分析方法、装置及电子设备 | |
CN113538137A (zh) | 一种基于双图谱融合计算的资金流监控方法及装置 | |
CN110348999A (zh) | 金融风险敏感用户识别方法、装置及电子设备 | |
Tao et al. | Status forecast and fault classification of smart meters using LightGBM algorithm improved by random forest | |
Xu et al. | Enterprise financial leverage and risk assessment based on mobile payment under artificial intelligence | |
Wang et al. | A detection method for abnormal transactions in e-commerce based on extended data flow conformance checking | |
CN110348892A (zh) | 基于用户特征的定制信息生成方法、装置及电子设备 | |
Nasr et al. | A Proposed Fraud Detection Model based on e-Payments Attributes a Case Study in Egyptian e-Payment Gateway | |
US20220164868A1 (en) | Real-time online transactional processing systems and methods |
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 |