CN110738414A - 一种风险预测方法和装置及计算机可读存储介质 - Google Patents

一种风险预测方法和装置及计算机可读存储介质 Download PDF

Info

Publication number
CN110738414A
CN110738414A CN201910977308.4A CN201910977308A CN110738414A CN 110738414 A CN110738414 A CN 110738414A CN 201910977308 A CN201910977308 A CN 201910977308A CN 110738414 A CN110738414 A CN 110738414A
Authority
CN
China
Prior art keywords
financial
subjects
event
calculating
event data
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.)
Granted
Application number
CN201910977308.4A
Other languages
English (en)
Other versions
CN110738414B (zh
Inventor
罗华刚
张�杰
于皓
袁杰
李犇
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.)
Beijing Mininglamp Software System Co ltd
Original Assignee
Beijing Mininglamp Software System Co ltd
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 Beijing Mininglamp Software System Co ltd filed Critical Beijing Mininglamp Software System Co ltd
Priority to CN201910977308.4A priority Critical patent/CN110738414B/zh
Publication of CN110738414A publication Critical patent/CN110738414A/zh
Application granted granted Critical
Publication of CN110738414B publication Critical patent/CN110738414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

Landscapes

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

Abstract

本发明实施例公开了一种风险预测方法和装置，包括：获取至少一个金融主体的事件数据，对获得的每一个事件数据进行清洗得到清洗后的事件数据；获取至少一个金融主体间的关系网络；根据至少一个金融主体的清洗后的事件数据和至少一个金融主体间的关系网络计算时序点过程的强度函数矩阵；根据至少一个金融主体的清洗后的事件数据和强度函数矩阵计算每一个金融主体在每一个时刻发生每一类事件的概率。本发明实施例基于时序点过程理论进行风险预测，而不依赖于专家经验，提高了准确度；并且，不需要专家长时间讨论确定模型，缩短了建模周期；并且，适用于多种不同的应用场景，使得模型得到统一和量化。

Description

一种风险预测方法和装置及计算机可读存储介质
技术领域
本发明实施例涉及但不限于风险评估领域，尤指一种风险预测方法和装置及计算机可读存储介质。
背景技术
近几十年来，我国经济发展迅速，但随之也会存在大量风险问题。如何有效的把控风险，是如银行业、证券业、风险投资业所最为关注的。研究企业风险传导机理，有助于从过程的视角了解和掌控风险对企业产生影响的过程与规律，从而更好的控制和管理企业风险。
传统的风险预测方法是首先分别建立风险计量模型和风险传导模型。建立风险传导模型时，将风险视为能量，基于动力学理论建模，描述风险的传导与衰减路径。然后基于建立的风险计量模型和风险传导模型进行风险预测。
传统的风险预测方法的整个流程非常依赖专家经验，首先，风险计量模型和风险传导模型均依赖于专家的建立，不同专家开发的模型难以统一和量化比较，并且需要长时间讨论确定模型，建模周期较长；其次，模型中的各项因子的分箱和权重也依赖于专家设定。因此，传统的风险预测方法的准确度很难保障，应用场景也比较受限。
发明内容
本发明实施例提供了一种风险预测方法和装置及计算机可读存储介质，能够提高准确度。
本发明实施例提供了一种风险预测方法，包括：
获取至少一个金融主体的事件数据，对获得的每一个事件数据进行清洗得到清洗后的事件数据；获取至少一个金融主体间的关系网络；
根据至少一个金融主体的清洗后的事件数据和至少一个金融主体间的关系网络计算时序点过程的强度函数矩阵；
根据至少一个金融主体的清洗后的事件数据和强度函数矩阵计算每一个金融主体在每一个时刻发生每一类事件的概率。
在本发明实施例中，所述计算时序点过程的强度函数矩阵之前，该方法还包括：
根据至少一个金融主体的清洗后的事件数据和至少一个金融主体间的关系网络计算包含有未知参数的所述强度函数矩阵；
根据至少一个金融主体的清洗后的事件数据和包含有未知参数的所述强度函数矩阵计算包含有未知参数的每一个金融主体的最大似然函数；
根据所有金融主体的最大似然函数计算总的最大似然函数；
根据所述总的最大似然函数计算所述未知参数的最优取值。
在本发明实施例中，按照公式
Figure BDA0002234055060000021
计算包含有未知参数的每一个金融主体的最大似然函数
Figure BDA0002234055060000025
按照公式
Figure BDA0002234055060000022
计算所述总的最大似然函数
Figure BDA0002234055060000026
其中，θ表示未知参数，m表示第m个发生的事件，tm-1为第(m－1)个事件发生的时间，tm为第m个事件发生的时间。
在本发明实施例中，所述根据至少一个金融主体的清洗后的事件数据和至少一个金融主体间的关系网络计算时序点过程的强度函数矩阵包括：
根据至少一个所述金融主体间的所述关系网络计算所述金融主体间的传导系数矩阵；
根据至少一个所述金融主体的清洗后的事件数据和所述传导系数矩阵计算时序点过程的所述强度函数矩阵。
在本发明实施例中，按照公式
Figure BDA0002234055060000024
计算所述强度函数矩阵中的每一个元素
Figure BDA0002234055060000031
其中，
Figure BDA0002234055060000032
为金融主体c的第i类事件是否会自行发生，
Figure BDA0002234055060000033
为金融主体c发生第i类事件的基础强度，χ为所有金融主体的集合，
Figure BDA0002234055060000034
为金融主体c的第j类事件对第i类事件的因果关系，
Figure BDA0002234055060000035
为激励函数，
Figure BDA0002234055060000036
为金融主体k发生事件j的时间，t为金融主体c发生事件i的时间。
在本发明实施例中，按照公式
Figure BDA0002234055060000037
计算每一个金融主体c在每一个时刻t发生每一个第i类事件的概率fi c(t)；
其中，
Figure BDA0002234055060000039
为金融主体c在时刻t发生第i类事件的强度函数，tN为所有事件的最后一次事件发生的时间。
本发明实施例还提出了一种风险预测装置，包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令被所述处理器执行时，实现上述任一种风险预测方法。
本发明实施例还提出了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种风险预测方法的步骤。
本发明实施例还提出了一种风险预测装置，包括：
信息获取模块，用于获取至少一个金融主体的事件数据，对获得的每一个事件数据进行清洗得到清洗后的事件数据；获取至少一个金融主体间的关系网络；
强度函数矩阵计算模块，用于根据至少一个金融主体的清洗后的事件数据和至少一个金融主体间的关系网络计算时序点过程的强度函数矩阵；
风险预测模块，用于根据至少一个金融主体的清洗后的事件数据和强度函数矩阵计算每一个金融主体在每一个时刻发生每一类事件的概率。
在本发明实施例中，所述强度函数矩阵计算模块还用于：
根据至少一个金融主体的清洗后的事件数据和至少一个金融主体间的关系网络计算包含有未知参数的所述强度函数矩阵；
所述装置还包括：
参数优化模块，用于根据至少一个金融主体的清洗后的事件数据和包含有未知参数的所述强度函数矩阵计算包含有未知参数的每一个金融主体的最大似然函数；根据所有金融主体的最大似然函数计算总的最大似然函数；根据所述总的最大似然函数计算所述未知参数的最优取值。
本发明一个实施例包括：获取至少一个金融主体的事件数据，对获得的每一个事件数据进行清洗得到清洗后的事件数据；获取至少一个金融主体间的关系网络；根据至少一个金融主体的清洗后的事件数据和至少一个金融主体间的关系网络计算时序点过程的强度函数矩阵；根据至少一个金融主体的清洗后的事件数据和强度函数矩阵计算每一个金融主体在每一个时刻发生每一类事件的概率。本发明实施例基于时序点过程理论进行风险预测，而不依赖于专家经验，提高了准确度；并且，不需要专家长时间讨论确定模型，缩短了建模周期；并且，不同的应用场景可以采用相同的模型进行风险预测，不依赖于专家经验建立的模型，适用于多种不同的应用场景，使得模型得到统一和量化。
在本发明另一个实施例中，计算时序点过程的强度函数矩阵之前，该方法还包括：根据至少一个金融主体的清洗后的事件数据和至少一个金融主体间的关系网络计算包含有未知参数的所述强度函数矩阵；根据至少一个金融主体的清洗后的事件数据和包含有未知参数的所述强度函数矩阵计算包含有未知参数的每一个金融主体的最大似然函数；根据所有金融主体的最大似然函数计算总的最大似然函数；根据所述总的最大似然函数计算所述未知参数的最优取值。本发明实施例参数的取值通过数据学习获得，不再依赖于专家经验，进一步提高了准确度。
本发明实施例的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例而了解。本发明实施例的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明实施例技术方案的进一步理解，并且构成说明书的一部分，与本发明实施例的实施例一起用于解释本发明实施例的技术方案，并不构成对本发明实施例技术方案的限制。
图1为本发明一个实施例提出的风险预测方法的流程图；
图2为本发明另一个实施例提出的风险预测装置的结构组成示意图。
具体实施方式
下文中将结合附图对本发明实施例进行详细说明。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
参见图1，本发明一个实施例提出了一种风险预测方法，包括：
步骤100、获取至少一个金融主体的事件数据，对获得的每一个事件数据进行清洗得到清洗后的事件数据；获取至少一个金融主体间的关系网络。
在本发明实施例中，清洗后的事件数据的形式为：金融主体—(事件1所属的事件类型，时间1)—(事件2所属的事件类型，时间2)—…—(事件N所属的事件类型，时间N)的形式；其中，N为一个所述金融主体发生的事件的数量，不同时间发生的事件可以属于同一种事件类型，也可以属于不同的事件类型。
在一个示例性实例中，金融主体可以是企业、公司等。
在一个示例性实例中，事件包括以下一个或多个的任意组合：行政处罚事件、品牌舆情事件、安全事故、财务事件等。
在一个示例性实例中，可以通过如爬取门户网站的新闻信息的方式获取事件数据。
在一个示例性实例中，关系包括以下一个或多个的任意组合：亲友关系、股权关系、供应链关系、资金往来关系等。
本发明实施例引入了关系网络，在降低计算量的同时，解决了时序点过程中不同维度间无关联关系的问题。
步骤101、根据至少一个金融主体的清洗后的事件数据和至少一个金融主体间的关系网络计算时序点过程的强度函数矩阵λ。
在一个示例性实例中，计算时序点过程的强度函数矩阵λ包括：根据至少一个金融主体间的关系网络计算金融主体间的传导系数矩阵W；根据至少一个金融主体的清洗后的事件数据和传导系数矩阵W计算时序点过程的强度函数矩阵λ。
在本发明实施例中，传导系数矩阵W中的每一个元素Wkc表示金融主体k对金融主体c的传导系数。例如，采用股权关系网络，当企业k拥有公司c的50％的股权时，Wkc＝0.5，当企业之间互不相关时，传导系数为0。
在本发明实施例中，强度函数矩阵中的每一个元素
Figure BDA0002234055060000061
为金融主体c在时刻t发生地i类事件的强度，表示金融主体c在t到t+dt时间里第i类事件发生的概率和金融主体c在t时刻之前(即所有事件的最后一次事件发生的时间到t时刻之间)第i类事件不发生的概率之间的比值。
在一个示例性实例中，
Figure BDA0002234055060000062
其中，
Figure BDA0002234055060000063
为金融主体c的事件i是否会自行发生，当
Figure BDA0002234055060000064
时表示金融主体c的事件类型i会自行发生，当
Figure BDA0002234055060000065
时表示金融主体c的事件i不会自行发生；
为金融主体c发生第i类事件的基础强度，即金融主体c在t到t+dt时间里第i类事件自行发生的概率和金融主体c在t时刻之前(即所有事件的最后一次事件发生的时间到t时刻之间)第i类事件不自行发生的概率之间的比值；
χ为所有金融主体的集合；
Figure BDA0002234055060000067
为金融主体c的第j类事件对第i类事件的因果关系，当
Figure BDA0002234055060000068
时表示金融主体c的第j类事件是第i类事件的因事件，当时表示金融主体c的第j类事件不是第i类事件的因事件；
为激励函数，
Figure BDA00022340550600000611
αc为金融主体c的参数；Hawkes过程表达的是历史事件对未来事件的影响随时间的推移，逐渐下降，即一个事件刚发生，引发一系列事件的概率最大，之后慢慢冷却；
Figure BDA0002234055060000071
为金融主体k发生事件j的时间；
t为金融主体c发生事件i的时间。
除了Hawkes过程，强度函数λ(t)也可以采用泊松过程、自校正过程等时序点过程模型。
步骤102、根据至少一个金融主体的清洗后的事件数据和强度函数矩阵λ计算每一个金融主体c在每一个时刻t发生每一类事件的概率fi c(t)。
在一个示例性实例中，
其中，tN为所有事件的最后一次事件发生的时间。
本发明实施例基于时序点过程理论进行风险预测，而不依赖于专家经验，提高了准确度；并且，不需要专家长时间讨论确定模型，缩短了建模周期；并且，不同的应用场景可以采用相同的模型进行风险预测，不依赖于专家经验建立的模型，适用于多种不同的应用场景，使得模型得到统一和量化。
在本发明另一个实施例中，计算时序点过程的强度函数矩阵之前，该方法还包括：
根据至少一个金融主体的清洗后的事件数据和至少一个金融主体间的关系网络计算包含有未知参数的所述强度函数矩阵；其中，未知参数包括：
Figure BDA0002234055060000074
Figure BDA0002234055060000075
αc；具体的，根据至少一个金融主体间的关系网络计算金融主体间的传导系数矩阵；根据至少一个金融主体的清洗后的事件数据和传导系数矩阵计算包含有未知参数的所述强度函数矩阵；
根据至少一个金融主体的清洗后的事件数据和包含有未知参数的所述强度函数矩阵计算包含有未知参数的每一个金融主体的最大似然函数
Figure BDA0002234055060000076
根据所有金融主体的最大似然函数计算总的最大似然函数
Figure BDA0002234055060000078
根据所述总的最大似然函数计算所述未知参数的最优取值，即计算未知参数的最优取值，使得
Figure BDA0002234055060000077
最大化。
相应的，步骤101中，根据至少一个金融主体的清洗后的事件数据、传导系数矩阵W和未知参数的最优取值计算时序点过程的强度函数矩阵λ。
在一个示例性实例中，
Figure BDA0002234055060000081
Figure BDA0002234055060000082
其中，θ表示未知参数，
Figure BDA0002234055060000083
m表示第m个发生的事件，tm-1为第(m－1)个事件发生的时间，tm为第m个事件发生的时间。
在一个示例性实例中，可以采用EM算法计算未知参数的最优取值，也可以采用其他的方法计算未知参数的最优取值，具体的计算方法本发明实施例不作限定，这里不再赘述。
本发明实施例在计算未知参数的最优取值时，随着时间的推移，可以不断获取新的事件数据和关系网络继续迭代计算未知参数的最优取值，从而进一步提高准确度。
本发明实施例参数的取值通过数据学习获得，不再依赖于专家经验，进一步提高了准确度。
在本发明另一个实施例中，该方法还包括以下一个或多个的任意组合：
显示每一个金融主体c的每一类事件随时间发生的概率fi c(t)；
当某一个金融主体在某一时刻发生某一类事件的概率大于或等于预设阈值时，显示该金融主体在该时刻发生该类事件的概率，为风控相关人员提供预警；
根据
Figure BDA0002234055060000085
显示金融主体c的风险事件类型的关联关系，例如对存在因果关系的事件类型，采用有向边连接，对不存在因果关系的事件类型，不采用边连接。
本发明另一个实施例提出了一种风险预测装置，包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令被所述处理器执行时，实现上述任一种风险预测方法。
本发明另一个实施例提出了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种风险预测方法的步骤。
参见图2，本发明另一个实施例提出了一种风险预测装置，包括：
信息获取模块201，用于获取至少一个金融主体的事件数据，对获得的每一个事件数据进行清洗得到清洗后的事件数据；获取至少一个金融主体间的关系网络；
强度函数矩阵计算模块202，用于根据至少一个金融主体的清洗后的事件数据和至少一个金融主体间的关系网络计算时序点过程的强度函数矩阵；
风险预测模块203，用于根据至少一个金融主体的清洗后的事件数据和强度函数矩阵计算每一个金融主体在每一个时刻发生每一类事件的概率。
在本发明实施例中，清洗后的事件数据的形式为：金融主体—(事件1所属的事件类型，时间1)—(事件2所属的事件类型，时间2)—…—(事件N所属的事件类型，时间N)的形式；其中，N为一个所述金融主体发生的事件的数量，不同时间发生的事件可以属于同一种事件类型，也可以属于不同的事件类型。
在一个示例性实例中，金融主体可以是企业、公司等。
在一个示例性实例中，事件包括以下一个或多个的任意组合：行政处罚事件、品牌舆情事件、安全事故、财务事件等。
在一个示例性实例中，信息获取模块201可以通过如爬取门户网站的新闻信息的方式获取事件数据。
在一个示例性实例中，关系包括以下一个或多个的任意组合：亲友关系、股权关系、供应链关系、资金往来关系等。
本发明实施例引入了关系网络，在降低计算量的同时，解决了时序点过程中不同维度间无关联关系的问题。
在一个示例性实例中，强度函数矩阵计算模块202具体用于：根据至少一个金融主体间的关系网络计算金融主体间的传导系数矩阵W；根据至少一个金融主体的清洗后的事件数据和传导系数矩阵W计算时序点过程的强度函数矩阵λ。
在本发明实施例中，传导系数矩阵W中的每一个元素Wkc表示金融主体k对金融主体c的传导系数。例如，采用股权关系网络，当企业k拥有公司c的50％的股权时，Wkc＝0.5，当企业之间互不相关时，传导系数为0。
在本发明实施例中，强度函数矩阵中的每一个元素
Figure BDA0002234055060000101
表示金融主体c在t到t+dt时间里第i类事件发生的概率和金融主体c在t时刻之前(即所有事件的最后一次事件发生的时间到t时刻之间)第i类事件不发生的概率之间的比值。
在一个示例性实例中，
其中，
Figure BDA0002234055060000103
为金融主体c的第i类事件是否会自行发生，当时表示金融主体c的第i类事件会自行发生，当
Figure BDA0002234055060000105
时表示金融主体c的第i类事件不会自行发生；
Figure BDA0002234055060000106
为金融主体c发生第i类事件的基础强度，即金融主体c在t到t+dt时间里第i类事件自行发生的概率和金融主体c在t时刻之前(即所有事件的最后一次事件发生的时间到t时刻之间)第i类事件不自行发生的概率之间的比值；
χ为所有金融主体的集合；
Figure BDA0002234055060000107
为金融主体c的第j类事件对第i类事件的因果关系，当
Figure BDA0002234055060000108
时表示金融主体c的第j类事件是第i类事件的因事件，当时表示金融主体c的第j类事件不是第i类事件的因事件；
Figure BDA00022340550600001010
为激励函数，
Figure BDA00022340550600001011
αc为金融主体c的参数；Hawkes过程表达的是历史事件对未来事件的影响随时间的推移，逐渐下降，即一个事件刚发生，引发一系列事件的概率最大，之后慢慢冷却；
Figure BDA00022340550600001012
为金融主体k发生事件j的时间；
t为金融主体c发生事件i的时间。
强度函数λ(t)除了Hawkes过程，强度函数λ(t)也可以采用泊松过程、自校正过程等时序点过程模型。
在一个示例性实例中，
Figure BDA0002234055060000111
其中，tN为所有事件的最后一次事件发生的时间。
本发明实施例基于时序点过程理论进行风险预测，而不依赖于专家经验，提高了准确度；并且，不需要专家长时间讨论确定模型，缩短了建模周期；并且，不同的应用场景可以采用相同的模型进行风险预测，不依赖于专家经验建立的模型，适用于多种不同的应用场景，使得模型得到统一和量化。
在本发明另一个实施例中，所述强度函数矩阵计算模块202还用于：
根据至少一个金融主体的清洗后的事件数据和至少一个金融主体间的关系网络计算包含有未知参数的所述强度函数矩阵；其中，未知参数包括：
Figure BDA0002234055060000112
αc；具体的，根据至少一个金融主体间的关系网络计算金融主体间的传导系数矩阵；根据至少一个金融主体的清洗后的事件数据和传导系数矩阵计算包含有未知参数的所述强度函数矩阵；
所述装置还包括：
参数优化模块204，用于根据至少一个金融主体的清洗后的事件数据和包含有未知参数的所述强度函数矩阵计算包含有未知参数的每一个金融主体的最大似然函数
根据所有金融主体的最大似然函数计算总的最大似然函数
Figure BDA0002234055060000117
根据所述总的最大似然函数计算所述未知参数的最优取值，即计算未知参数的最优取值，使得
Figure BDA0002234055060000118
最大化。
相应的，强度函数矩阵计算模块202根据至少一个金融主体的清洗后的事件数据、传导系数矩阵W和未知参数的最优取值计算时序点过程的强度函数矩阵λ。
在一个示例性实例中，
Figure BDA0002234055060000115
其中，θ表示未知参数，
Figure BDA0002234055060000121
m表示第m个发生的事件，tm-1为第(m－1)个事件发生的时间，tm为第m个事件发生的时间。
在一个示例性实例中，可以采用EM算法计算未知参数的最优取值，也可以采用其他的方法计算未知参数的最优取值，具体的计算方法本发明实施例不作限定，这里不再赘述。
本发明实施例在计算未知参数的最优取值时，随着时间的推移，可以不断获取新的事件数据和关系网络继续迭代计算未知参数的最优取值，从而进一步提高准确度。
本发明实施例参数的取值通过数据学习获得，不再依赖于专家经验，进一步提高了准确度。
在本发明另一个实施例中，该方法还包括显示模块205，用于执行以下一个或多个的任意组合：
显示每一个金融主体c的每一个第i类事件随时间发生的概率
Figure BDA0002234055060000122
当某一个金融主体在某一时刻发生某一事件所属的事件类型的概率大于或等于预设阈值时，显示该金融主体在该时刻发生该类事件所属的事件类型的概率，为风控相关人员提供预警；
根据
Figure BDA0002234055060000123
显示金融主体c的风险事件类型的关联关系，例如对存在因果关系的事件类型，采用有向边连接，对不存在因果关系的事件类型，不采用边连接。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
虽然本发明实施例所揭露的实施方式如上，但所述的内容仅为便于理解本发明实施例而采用的实施方式，并非用以限定本发明实施例。任何本发明实施例所属领域内的技术人员，在不脱离本发明实施例所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，但本发明实施例的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种风险预测方法，包括：
获取至少一个金融主体的事件数据，对获得的每一个事件数据进行清洗得到清洗后的事件数据；获取至少一个金融主体间的关系网络；
根据至少一个金融主体的清洗后的事件数据和至少一个金融主体间的关系网络计算时序点过程的强度函数矩阵；
根据至少一个金融主体的清洗后的事件数据和强度函数矩阵计算每一个金融主体在每一个时刻发生每一类事件的概率。
2.根据权利要求1所述的方法，其特征在于，所述计算时序点过程的强度函数矩阵之前，该方法还包括：
根据至少一个金融主体的清洗后的事件数据和至少一个金融主体间的关系网络计算包含有未知参数的所述强度函数矩阵；
根据至少一个金融主体的清洗后的事件数据和包含有未知参数的所述强度函数矩阵计算包含有未知参数的每一个金融主体的最大似然函数；
根据所有金融主体的最大似然函数计算总的最大似然函数；
根据所述总的最大似然函数计算所述未知参数的最优取值。
3.根据权利要求2所述的方法，其特征在于，其中，按照公式
Figure FDA0002234055050000011
计算包含有未知参数的每一个金融主体的最大似然函数
Figure FDA0002234055050000012
按照公式
Figure FDA0002234055050000013
计算所述总的最大似然函数l(Θ)；
其中，θ表示未知参数，
Figure FDA0002234055050000014
m表示第m个发生的事件，tm-1为第(m－1)个事件发生的时间，tm为第m个事件发生的时间。
4.根据权利要求1或2所述的方法，其特征在于，其中，所述根据至少一个金融主体的清洗后的事件数据和至少一个金融主体间的关系网络计算时序点过程的强度函数矩阵包括：
根据至少一个所述金融主体间的所述关系网络计算所述金融主体间的传导系数矩阵；
根据至少一个所述金融主体的清洗后的事件数据和所述传导系数矩阵计算时序点过程的所述强度函数矩阵。
5.根据权利要求4所述的方法，其特征在于，其中，按照公式
Figure FDA0002234055050000021
计算所述强度函数矩阵中的每一个元素
其中，
Figure FDA0002234055050000023
为金融主体c的第i类事件是否会自行发生，
Figure FDA0002234055050000024
为金融主体c发生第i类事件的基础强度，χ为所有金融主体的集合，
Figure FDA0002234055050000025
为金融主体c的第j类事件对第i类事件的因果关系，
Figure FDA0002234055050000026
为激励函数，
Figure FDA0002234055050000027
为金融主体k发生事件j的时间，t为金融主体c发生事件i的时间。
6.根据权利要求1或2所述的方法，其特征在于，其中，按照公式
Figure FDA0002234055050000028
计算每一个金融主体c在每一个时刻t发生每一个第i类事件的概率fi c(t)；
其中，
Figure FDA0002234055050000029
为金融主体c在时刻t发生第i类事件的强度函数，tN为所有事件的最后一次事件发生的时间。
7.一种风险预测装置，包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，其特征在于，当所述指令被所述处理器执行时，实现如权利要求1～6任一项所述的风险预测方法。
8.一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如权利要求1～6任一项所述的风险预测方法的步骤。
9.一种风险预测装置，包括：
信息获取模块，用于获取至少一个金融主体的事件数据，对获得的每一个事件数据进行清洗得到清洗后的事件数据；获取至少一个金融主体间的关系网络；
强度函数矩阵计算模块，用于根据至少一个金融主体的清洗后的事件数据和至少一个金融主体间的关系网络计算时序点过程的强度函数矩阵；
风险预测模块，用于根据至少一个金融主体的清洗后的事件数据和强度函数矩阵计算每一个金融主体在每一个时刻发生每一类事件的概率。
10.根据权利要求9所述的装置，其特征在于，所述强度函数矩阵计算模块还用于：
根据至少一个金融主体的清洗后的事件数据和至少一个金融主体间的关系网络计算包含有未知参数的所述强度函数矩阵；
所述装置还包括：
参数优化模块，用于根据至少一个金融主体的清洗后的事件数据和包含有未知参数的所述强度函数矩阵计算包含有未知参数的每一个金融主体的最大似然函数；根据所有金融主体的最大似然函数计算总的最大似然函数；根据所述总的最大似然函数计算所述未知参数的最优取值。
CN201910977308.4A 2019-10-15 2019-10-15 一种风险预测方法和装置及计算机可读存储介质 Active CN110738414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910977308.4A CN110738414B (zh) 2019-10-15 2019-10-15 一种风险预测方法和装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910977308.4A CN110738414B (zh) 2019-10-15 2019-10-15 一种风险预测方法和装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110738414A true CN110738414A (zh) 2020-01-31
CN110738414B CN110738414B (zh) 2022-07-15

Family

ID=69269335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910977308.4A Active CN110738414B (zh) 2019-10-15 2019-10-15 一种风险预测方法和装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110738414B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627188A (zh) * 2021-08-16 2021-11-09 上海明略人工智能(集团)有限公司 基于时序点过程的新品发现方法、系统、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102982400A (zh) * 2011-08-03 2013-03-20 通用电气公司 用于风险管理系统的系统
US9779364B1 (en) * 2011-06-08 2017-10-03 Accenture Global Solutions Limited Machine learning based procurement system using risk scores pertaining to bids, suppliers, prices, and items
US20180075376A1 (en) * 2016-09-15 2018-03-15 David A. DILL System and methods for the selection, monitoring and compensation of mentors for at-risk people
CN108090709A (zh) * 2018-02-09 2018-05-29 重庆誉存大数据科技有限公司 一种基于风险传导模型的企业评估方法及系统
CN108629686A (zh) * 2018-05-09 2018-10-09 国家计算机网络与信息安全管理中心 基于大数据的互联网金融企业征信风险分析方法和系统
CN110119540A (zh) * 2019-04-19 2019-08-13 电子科技大学 一种用于生存风险分析的多输出梯度提升树建模方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9779364B1 (en) * 2011-06-08 2017-10-03 Accenture Global Solutions Limited Machine learning based procurement system using risk scores pertaining to bids, suppliers, prices, and items
CN102982400A (zh) * 2011-08-03 2013-03-20 通用电气公司 用于风险管理系统的系统
US20180075376A1 (en) * 2016-09-15 2018-03-15 David A. DILL System and methods for the selection, monitoring and compensation of mentors for at-risk people
CN108090709A (zh) * 2018-02-09 2018-05-29 重庆誉存大数据科技有限公司 一种基于风险传导模型的企业评估方法及系统
CN108629686A (zh) * 2018-05-09 2018-10-09 国家计算机网络与信息安全管理中心 基于大数据的互联网金融企业征信风险分析方法和系统
CN110119540A (zh) * 2019-04-19 2019-08-13 电子科技大学 一种用于生存风险分析的多输出梯度提升树建模方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627188A (zh) * 2021-08-16 2021-11-09 上海明略人工智能(集团)有限公司 基于时序点过程的新品发现方法、系统、设备及存储介质

Also Published As

Publication number Publication date
CN110738414B (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
Wang et al. A compound framework for wind speed forecasting based on comprehensive feature selection, quantile regression incorporated into convolutional simplified long short-term memory network and residual error correction
CN112257063A (zh) 一种基于合作博弈论的联邦学习中后门攻击的检测方法
CN107346464A (zh) 业务指标预测方法及装置
CN110083518B (zh) 一种基于AdaBoost-Elman的虚拟机软件老化预测方法
CN110912737A (zh) 一种基于混合模型的动态感知性能预告警方法
He et al. MTAD‐TF: Multivariate Time Series Anomaly Detection Using the Combination of Temporal Pattern and Feature Pattern
US20130041710A1 (en) Advanced Statistical Detection of Emerging Trends
Kobayashi et al. Bayesian analysis of quantile regression for censored dynamic panel data
US12086710B2 (en) Predictive data capacity planning
CN111932367A (zh) 贷前信用评估方法及装置
CN105279692A (zh) 金融信息技术系统性能预测方法和装置
TW201800987A (zh) 問題推薦方法及設備
US12001546B2 (en) Systems and methods for causality-based multivariate time series anomaly detection
US20230342606A1 (en) Training method and apparatus for graph neural network
CN114266602A (zh) 电力物联网多源数据融合的深度学习电价预测方法和装置
Liu et al. A stock series prediction model based on variational mode decomposition and dual-channel attention network
CN110738414A (zh) 一种风险预测方法和装置及计算机可读存储介质
CN113053536B (zh) 一种基于隐马尔科夫模型的传染病预测方法、系统和介质
CN117472511A (zh) 容器资源监控方法、装置、计算机设备和存储介质
CN116737681A (zh) 一种实时异常日志检测方法、装置、计算机设备和存储介质
RU2632124C1 (ru) Способ прогнозной оценки эффективности многоэтапных процессов
CN114202110B (zh) 一种基于rf-xgboost的业务故障预测方法及装置
US20140344183A1 (en) Latent feature models estimation device, method, and program
CN111931798A (zh) 进行冷头状态分类检测和寿命预测的方法
CN118229244B (zh) 数字技术生产服务产教融合实训基地建设项目管理方法及系统

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
GR01 Patent grant
GR01 Patent grant