CN110838060A - 金融风险度量方法、装置及电子设备 - Google Patents
金融风险度量方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110838060A CN110838060A CN201911051384.9A CN201911051384A CN110838060A CN 110838060 A CN110838060 A CN 110838060A CN 201911051384 A CN201911051384 A CN 201911051384A CN 110838060 A CN110838060 A CN 110838060A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- financial
- risk
- information
- 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
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- 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)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种金融风险度量方法、装置及电子设备,其中,所述方法包括:获取金融产品的基础数据;根据所述基础数据的数据结构对所述基础数据进行分类,得到分类数据;根据所述分类数据生成异构信息网络;根据所述异构信息网络对所述金融产品的金融风险进行度量。通过异构信息网络的表示,实现了对各类异构数据金融风险的统一度量,同时该异质信息网络整合了金融风险度量中的打分、社交关系、属性等信息,而且网络中的节点和边包含了丰富的语义信息。因此基于异构信息网络的金融风险度量方法可以产生更加准确的计算结果。
Description
技术领域
本发明是涉及金融技术领域,尤其涉及一种金融风险度量方法方法、装置及电子设备。
背景技术
金融风险是指在未来一段时间内,由于外部市场条件的变化而给金融机构带来一定的潜在的损失风险。金融风险的度量就是将这种金融风险定量化,即采用一定的方法来揭示金融风险的数量大小。
伴随着世界经济国际化与金融创新、金融自由化的迅速发展,无论是银行等金融机构还是各种金融产品都面临着日益多样且复杂的金融风险。如何对金融产品的金融风险进行度量变得日益重要。
在相关技术中,金融风险度量的技术通常采用风险价值法(VaR方法:Value atRisk)对金融产品风险进行度量。VaR方法是指在一定的置信度内,由于市场波动而导致整个资产组合在未来某个时期内可能出现的最大价值损失,它把各金融工具、资产组合以及金融机构总体的市场风险量化为一个数字。VaR方法根据随机变量的概率分布来刻画和度量风险,给出了在一定置信水平和特定时间内的最大损失,刻画了风险的二维属性。然而,随着社会的发展,金融风险也呈现多样化和多源化的特点,传统的VaR在面对方法多样化和多源化的金融风险时,难以实现准确的度量。
因此,如何在金融风险多样化和多源化的前提下保证金融风险度量的准确性。
发明内容
为了解决现有技术中在金融风险多样化和多源化的前提下难以保证金融风险度量的准确性的技术问题。
第一方面,本发明提供一种金融风险度量方法,包括:获取金融产品的基础数据;根据所述基础数据的数据结构对所述基础数据进行分类,得到分类数据;根据所述分类数据生成异构信息网络;根据所述异构信息网络对所述金融产品的金融风险进行度量。
可选地,所述基础数据的类型包括结构化数据、半结构化数据和非结构化数据。
可选地,所述异构信息网络包括:i个网络节点和网络节点之间的映射关系;其中,所述网络节点的值包括:基础数据的第一风险值和/或分类数据的第二风险值;所述映射关系包括网络节点之间的关系分值和权重分值。
可选地,所述异构信息网络包括n层;所述根据所述异构信息网络对所述金融产品的金融风险进行度量包括:获取最外层网络的网络节点的值;根据最外层网络的网络节点的值和与所述最外层网络的网络节点对应的关系分值和权重分值逐层计算内层网络节点的值,直至得到金融产品的金融风险值。
可选地,所述根据最外层网络的网络节点的值和与所述最外层网络的网络节点对应的关系分值和权重分值逐层计算内层网络节点的值,直至得到金融产品的金融风险值包括:采用如下公式逐层计算网络节点值:其中,G为下一层网络节点的值;vi为i个网络节点;ri为关系分值;wi为权重分值;n为网络层数。
可选地,所述最外层网络节点的值包括:基础数据第一风险值。
可选地,所述基础数据包括:个人的基本信息、人行征信信息、资产负债信息、电讯通信信息、消费行为信息、生活习惯信息、社交行为信息中的至少一种。
根据第二方面,本发明实施例提供了一种金融风险度量装置,包括:获取模块,用于获取金融产品的基础数据;分类模块,用于根据所述基础数据的数据结构对所述基础数据进行分类,得到分类数据;网络构建模块,用于根据所述分类数据生成异构信息网络;度量模块,用于根据所述异构信息网络对所述金融产品的金融风险进行度量。
根据第三方面,本发明实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述第一方面任一项所述的金融风险度量方法。
根据第四方面,本发明实施例提供了一种非暂态存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如上述第一方面任一项所述的金融风险度量方法。
本发明具有如下有益效果:
1.按照对金融产品的分类构建异构信息网络,通过异构信息网络的特性将金融风险度量中常见的几种类型的数据进行了统一的网络标识,链接不同对象之间的不同元路径表示了不同的语义关系和不同链接网络,这样实现了对不同数据结构和不同节点的特征表示。通过异构信息网络的表示,实现了对各类异构数据金融风险的统一度量,同时该异质信息网络整合了金融风险度量中的打分、社交关系、属性等信息,而且网络中的节点和边包含了丰富的语义信息。因此基于异构信息网络的金融风险度量方法可以产生更加准确的计算结果。
2.通过计算每个节点的风险值,通过迭代,可以计算出总的风险值,该总的风险值就代表了由结构化风险数据、半结构化风险数据、非结构化风险数据组成的金融风险值,从而实现了结构化风险数据、半结构化风险数据、非结构化风险数据的统一的风险度量计算。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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为本发明一实施例提供的金融风险度量方法流程示意图;
图2为本发明另一实施例提供的异构信息网络结构示意图;
图3为本发明实施例提供的金融风险度量装置示意图。
具体实施方式
正如背景技术所述,由于随着社会的发展,金融风险也呈现多样化和多源化的特点,而VaR方法为在正常市场条件下和一定的置信水平a上,测算出在给定的时间段内预期发生的最坏情况的损失大小X。在数学上的严格定义如下:
设X是描述证券组合损失的随机变量,F(x)是其概率分布函数,置信水平为a,则:
VaR(a)=-min{x|F(x)3a}
该模型在证券组合损失X符合正态分布,组合中的证券数量不发生变化时,可以比较有效的控制组合的风险。发明人在研究中发现,VaR模型只关心超过VaR值的频率,而不关心超过VaR值的损失分布情况,且在处理损失符合非正态分布(如后尾现象)及投资组合发生改变时表现不稳定。VaR方法都是基于完全估值的VaR计量模型,他们存在着只能处理结构化风险数据,无法处理非结构化或者半结构化风险数据的缺点,但是越来越多的“非结构化数据”开始应用在金融产品的风险度量上,包括社交媒体、电子邮件、文本、音频、视频、照片、网络日志等,而VaR方法无法实现对这些非结构化风险数据或者半结构化风险数据的度量,不能充分度量非线性金融产品的风险,因此无法实现对现代金融风险的度量。
经发明人研究发现,传统的VaR方法在刻画金融风险的多源化和多样化上主要具有以下缺点:
(1)随着社会的发展,金融风险也呈现多样化和多源化的特点,许多非结构化的数据或者半结构化的数据或者信息需要引入风险计算模型,而VaR方法只能计算金融机构定量的风险,对于金融机构面临的许多非定量的风险,无法计算,因此VaR方法不适合现代金融中对于信贷对方多维度的刻画,而只能从单一的定量的维度进行刻画,对于目前金融机构面临的风险的多元化和多维化,其无法实现对金融机构的风险度量。
(2)VaR方法的计算有时非常复杂,需要采用分析法、历史法或蒙特卡罗模拟法等方法来推断资产组合未来收益率的概率分布情况,而利用这些方法如利用资产组合收益率的历史波动信息来推断未来分布情形,则有可能造成与实际情况不符的问题。
(3)传统风险分析,对风险内涵范围界定较模糊,对风险判定也无统一的规则。由于对风险内涵的理解不同、对风险判定的标准不同,导致分析结果会带有较强烈的个人色彩,不同分析人员对同一标的物所判定的风险结果也会显现出差异化。
针对VaR方法的不足,本实施了提供了一种金融风险度量方法,更加直接、客观地度量金融产品的各类金融风险,解决了金融风险的统一性度量的问题,从而实现了对金融风险度量在预测准确度和鲁棒性等方面具有较好的效果。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种金融风险度量方法,如图1所示,可以包括如下方法:
S11.获取金融产品的基础数据。在本实施例中,基础数据可以为多维度数据,其中基础数据可以包括各种结构类型的数据,例如,结构数据、半结构数据和非结构数据等。作为示例性的实施例,以金融产品为个人信用贷款为例进行说明,基础数据包括个人的基本信息、人行征信、资产负债信息、电讯通信信息、消费行为信息、生活习惯信息、社交行为信息等。
S12.根据所述基础数据的数据结构对所述基础数据进行分类,得到分类数据。作为示例性的实施例,基础数据的数据结构可以为结构数据、半结构数据和非结构数据。示例性的,可以综合多个专家对每个借贷个人的基础数据的风险因子的意见,并通过统计学中的主成分分析、神经网络算法,得到各个数据的风险值。在本实施例中示例性的示出了各种基础数据的数据结构,可以以下表表1为例:
表1
在表1中示例性的示出了个人信用贷款的个人基础数据的分类情况,作为示例性的实施例,个人基础数据与的基础数据风险的数据结构分类情况一一对应。
S13.根据所述分类数据生成异构信息网络。作为示例性的实施例,异构信息网络包括:i个网络节点和网络节点之间的映射关系;其中,所述网络节点的值包括:基础数据的第一风险值和/或分类数据的第二风险值;所述映射关系包括网络节点之间的关系分值和权重分值。在本实施例中,网络节点可以用vi表示,如图2所示,该异构信息网络图包括了结构化风险数据、半结构化风险数据、非结构化风险数据。金融产品的金融风险可以用异构信息网络来表示,即金融产品的金融风险可以用一个有向图来表示,G=(V,E)来表示,其中V是节点类型,E是边类型,其中G代表金融产品的金融风险,其中V代表异构类型数据的金融风险,E代表V之间不同的关系,并且用映射函数φ:V→A来表示每一个v∈V属于节点类型集合A:φ(v)∈A,用映射函数ψ:E→R.表示每条边e∈E属于边的类型集合R:ψ(e)∈R。在这个异构信息网络中,其中|A|>1或者|R|>1。
如图3所示,在异构信息网络中,当i<3时,异构信息网络为一层,其中当i=1时,表示结构化数据的金融风险值,当i=2时,表示半结构化数据的金融风险值,当i=3时,表示非结构化数据的金融风险值。当i>3时,异构信息网络至少有两层。
S14.根据所述异构信息网络对所述金融产品的金融风险进行度量。作为示例性的实施例,异构信息网络可以包括n层,最外层网络的网络节点的值基础数据的第一风险值。作为示例性的实施例,可以先获取最外层网络的网络节点的值;根据最外层网络的网络节点的值和与所述最外层网络的网络节点对应的关系分值和权重分值逐层计算内层网络节点的值,直至得到金融产品的金融风险值。具体的,可以采用如下公式:
其中,G为下一层网络节点的值;vi为i个网络节点;ri为关系分值;wi为权重分值;n为网络层数。
作为示例性的实施例,如图2所示,v1代表结构数据的金融风险值,v2代表半结构化数据的金融风险值,v3代表非结构化数据的风险值,其中结构化数据风险值v1又由v4、v5、v6结构化数据的风险值计算而得,半结构化数据风险值v2又由v7、v8半结构化数据的风险值计算而得,非结构化数据风险值v3又由v9、v10非结构化数据的风险值计算而得。其中,v4、v5、v6、v7、v8、v9、v10为基础数据的风险值。在本实施例中,在生成如图3所示的异构信息网络的基础上,对于任何的异构信息网络,其中G为一个金融产品的金融风险值,其中,关系分值和权重分值可以综合专家对每个风险因子的意见形成,并通过统计学的计算得到不同的分值。具体的,表2示出了各个网络节点的关系分值和权重分值。
表2
根据公式先计算v1、v2、v3风险值,再由公式(1)计算G的金融风险值,从而实现对个人信用贷款中各类结构数据的金融风险值的计算。
作为示例性的实施例,以金融产品为个人信用贷款为例,基础数据以个人的基本信息、人行征信信息、资产负债信息、电讯通信信息、消费行为信息、生活习惯信息、社交行为信息为例进行说明,具体的,可以综合各专家对每个借贷个人的数据的风险因子的意见,并通过统计学中的主成分分析、神经网络算法,先得到基础数据的风险值。再通过公式(1)分别计算结构化数据、半结构化数据以及非结构化数据的风险值,最终利用结构化数据、半结构化数据以及非结构化数据的风险值通过公式(1)计算个人信用贷款的风险值。具体的计算结果可以参3所示的基础数据的风险值与金融产品的风险值的示例表格:
通过计算每个节点的风险值,通过迭代,我们可以计算出总的风险值,该总的风险值就代表了由结构化风险数据v1、半结构化风险数据v2、非结构化风险数据v3组成的金融风险值,从而实现了结构化风险数据v1、半结构化风险数据v2、非结构化风险数据v3的统一的风险度量计算。通过异构信息网络的特性将金融风险度量中常见的几种类型的数据进行了统一的网络标识,链接不同对象之间的不同元路径表示了不同的语义关系和不同链接网络,这样实现了对不同数据结构和不同节点的特征表示。通过异构信息网络的表示,实现了对各类异构数据金融风险的统一度量,同时该异质信息网络整合了金融风险度量中的打分、社交关系、属性等信息,而且网络中的节点和边包含了丰富的语义信息。因此基于异构信息网络的金融风险度量方法可以产生更加准确的计算结果。
本发明实施例提供了一种金融风险度量装置,如图3所示,该装置包括:
获取模块10,用于获取金融产品的基础数据;分类模块20,用于根据所述基础数据的数据结构对所述基础数据进行分类,得到分类数据;网络构建模块30,用于根据所述分类数据生成异构信息网络;度量模块40,用于根据所述异构信息网络对所述金融产品的金融风险进行度量。
本发明实施例提供了一种电子设备,所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述实施例中任一项所述的金融风险度量方法。在本实施例中,处理器和存储器可以通过总线或者其他方式连接。
处理器可以为中央处理器(Central Processing Unit,CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的金融风险度量方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的金融风险度量方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中,当被所述处理器执行时,执行如图1所示实施例中的金融风险度量方法。
本领域技术人员可以理解,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,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random AccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
最后,本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种金融风险度量方法,其特征在于,包括:
获取金融产品的基础数据;
根据所述基础数据的数据结构对所述基础数据进行分类,得到分类数据;
根据所述分类数据生成异构信息网络;
根据所述异构信息网络对所述金融产品的金融风险进行度量。
2.如权利要求1所述的方法,其特征在于,
所述基础数据的类型包括结构化数据、半结构化数据和非结构化数据。
3.如权利要求2所述的方法,其特征在于,所述异构信息网络包括:
i个网络节点和网络节点之间的映射关系;其中,
所述网络节点的值包括:基础数据的第一风险值和/或分类数据的第二风险值;
所述映射关系包括网络节点之间的关系分值和权重分值。
4.如权利要求3所述的方法,其特征在于,所述异构信息网络包括n层;
所述根据所述异构信息网络对所述金融产品的金融风险进行度量包括:
获取最外层网络的网络节点的值;
根据最外层网络的网络节点的值和与所述最外层网络的网络节点对应的关系分值和权重分值逐层计算内层网络节点的值,直至得到金融产品的金融风险值。
6.如权利要求5所述的方法,其特征在于,所述最外层网络节点的值包括:基础数据第一风险值。
7.如权利要求1所述的方法,其特征在于,所述基础数据包括:个人的基本信息、人行征信信息、资产负债信息、电讯通信信息、消费行为信息、生活习惯信息、社交行为信息中的至少一种。
8.一种金融风险度量装置,其特征在于,包括:
获取模块,用于获取金融产品的基础数据;
分类模块,用于根据所述基础数据的数据结构对所述基础数据进行分类,得到分类数据;
网络构建模块,用于根据所述分类数据生成异构信息网络;
度量模块,用于根据所述异构信息网络对所述金融产品的金融风险进行度量。
9.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-7任一项所述的金融风险度量方法。
10.一种非暂态存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-7任一项所述的金融风险度量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911051384.9A CN110838060A (zh) | 2019-10-30 | 2019-10-30 | 金融风险度量方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911051384.9A CN110838060A (zh) | 2019-10-30 | 2019-10-30 | 金融风险度量方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110838060A true CN110838060A (zh) | 2020-02-25 |
Family
ID=69575987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911051384.9A Pending CN110838060A (zh) | 2019-10-30 | 2019-10-30 | 金融风险度量方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110838060A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111984843A (zh) * | 2020-08-18 | 2020-11-24 | 成都数融科技有限公司 | 一种基于区块链的市民信用评价方法和系统 |
CN112508709A (zh) * | 2020-10-21 | 2021-03-16 | 杭州衡泰软件有限公司 | 一种基于网络结构的信用风险传染监控方法 |
CN112598489A (zh) * | 2020-12-14 | 2021-04-02 | 深圳市快付通金融网络科技服务有限公司 | 基于金融应用的风险监测方法及系统 |
CN113743677A (zh) * | 2021-09-16 | 2021-12-03 | 成都数融科技有限公司 | 基于联邦学习的个人信用评价模型训练方法及评价方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010237847A (ja) * | 2009-03-30 | 2010-10-21 | Mizuho Information & Research Institute Inc | 金融商品管理システム、金融商品管理方法及び金融商品管理プログラム |
US20130031025A1 (en) * | 2010-02-18 | 2013-01-31 | Mark John Gibbs | Systems and methods for valuating financial contracts and assessing associated risk |
CN105913124A (zh) * | 2016-04-08 | 2016-08-31 | 北京航空航天大学 | 基于贝叶斯网络及基层数据的系统健康状态预测方法 |
CN106447066A (zh) * | 2016-06-01 | 2017-02-22 | 上海坤士合生信息科技有限公司 | 一种大数据的特征提取方法和装置 |
CN106651188A (zh) * | 2016-12-27 | 2017-05-10 | 贵州电网有限责任公司贵阳供电局 | 一种输变电设备多源状态评估数据处理方法及其应用 |
CN107944694A (zh) * | 2017-11-21 | 2018-04-20 | 中国人民解放军陆军装甲兵学院 | 一种面向作战性能的装备保障运行过程分析方法 |
CN108734469A (zh) * | 2018-03-22 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 确定待定用户风险标签的方法和装置 |
CN109063045A (zh) * | 2018-07-18 | 2018-12-21 | 程欣悦 | 一种金融服务方法及金融服务终端 |
CN109117864A (zh) * | 2018-07-13 | 2019-01-01 | 华南理工大学 | 基于异构特征融合的冠心病风险预测方法、模型及系统 |
CN109766454A (zh) * | 2019-01-18 | 2019-05-17 | 国家电网有限公司 | 一种投资者分类方法、装置、设备及介质 |
CN110245519A (zh) * | 2019-06-06 | 2019-09-17 | 浙江臻善科技股份有限公司 | 基于区块链技术的不动产登记簿管理方法和系统 |
EP3550464A1 (en) * | 2018-04-05 | 2019-10-09 | Accenture Global Solutions Limited | Data security and protection system using distributed ledgers to store validated data in a knowledge graph |
CN110569437A (zh) * | 2019-09-05 | 2019-12-13 | 腾讯科技(深圳)有限公司 | 点击概率预测、页面内容推荐方法和装置 |
CN111160814A (zh) * | 2020-04-01 | 2020-05-15 | 支付宝(杭州)信息技术有限公司 | 基于多方安全计算的用户风险评估方法、装置和系统 |
CN111414408A (zh) * | 2020-03-11 | 2020-07-14 | 成都数融科技有限公司 | 基于区块链的数据可信表示的方法及装置 |
US20200320344A1 (en) * | 2017-12-29 | 2020-10-08 | Huawei Technologies Co., Ltd. | Method for training neural network model and apparatus |
CN111984843A (zh) * | 2020-08-18 | 2020-11-24 | 成都数融科技有限公司 | 一种基于区块链的市民信用评价方法和系统 |
CN112150279A (zh) * | 2020-10-10 | 2020-12-29 | 成都数融科技有限公司 | 一种基于多方计算的金融风险预测方法及预测系统 |
-
2019
- 2019-10-30 CN CN201911051384.9A patent/CN110838060A/zh active Pending
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010237847A (ja) * | 2009-03-30 | 2010-10-21 | Mizuho Information & Research Institute Inc | 金融商品管理システム、金融商品管理方法及び金融商品管理プログラム |
US20130031025A1 (en) * | 2010-02-18 | 2013-01-31 | Mark John Gibbs | Systems and methods for valuating financial contracts and assessing associated risk |
CN105913124A (zh) * | 2016-04-08 | 2016-08-31 | 北京航空航天大学 | 基于贝叶斯网络及基层数据的系统健康状态预测方法 |
CN106447066A (zh) * | 2016-06-01 | 2017-02-22 | 上海坤士合生信息科技有限公司 | 一种大数据的特征提取方法和装置 |
CN106651188A (zh) * | 2016-12-27 | 2017-05-10 | 贵州电网有限责任公司贵阳供电局 | 一种输变电设备多源状态评估数据处理方法及其应用 |
CN107944694A (zh) * | 2017-11-21 | 2018-04-20 | 中国人民解放军陆军装甲兵学院 | 一种面向作战性能的装备保障运行过程分析方法 |
US20200320344A1 (en) * | 2017-12-29 | 2020-10-08 | Huawei Technologies Co., Ltd. | Method for training neural network model and apparatus |
CN108734469A (zh) * | 2018-03-22 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 确定待定用户风险标签的方法和装置 |
US20190312869A1 (en) * | 2018-04-05 | 2019-10-10 | Accenture Global Solutions Limited | Data security and protection system using distributed ledgers to store validated data in a knowledge graph |
EP3550464A1 (en) * | 2018-04-05 | 2019-10-09 | Accenture Global Solutions Limited | Data security and protection system using distributed ledgers to store validated data in a knowledge graph |
CN109117864A (zh) * | 2018-07-13 | 2019-01-01 | 华南理工大学 | 基于异构特征融合的冠心病风险预测方法、模型及系统 |
CN109063045A (zh) * | 2018-07-18 | 2018-12-21 | 程欣悦 | 一种金融服务方法及金融服务终端 |
CN109766454A (zh) * | 2019-01-18 | 2019-05-17 | 国家电网有限公司 | 一种投资者分类方法、装置、设备及介质 |
CN110245519A (zh) * | 2019-06-06 | 2019-09-17 | 浙江臻善科技股份有限公司 | 基于区块链技术的不动产登记簿管理方法和系统 |
CN110569437A (zh) * | 2019-09-05 | 2019-12-13 | 腾讯科技(深圳)有限公司 | 点击概率预测、页面内容推荐方法和装置 |
CN111414408A (zh) * | 2020-03-11 | 2020-07-14 | 成都数融科技有限公司 | 基于区块链的数据可信表示的方法及装置 |
CN111160814A (zh) * | 2020-04-01 | 2020-05-15 | 支付宝(杭州)信息技术有限公司 | 基于多方安全计算的用户风险评估方法、装置和系统 |
CN111984843A (zh) * | 2020-08-18 | 2020-11-24 | 成都数融科技有限公司 | 一种基于区块链的市民信用评价方法和系统 |
CN112150279A (zh) * | 2020-10-10 | 2020-12-29 | 成都数融科技有限公司 | 一种基于多方计算的金融风险预测方法及预测系统 |
Non-Patent Citations (1)
Title |
---|
顾见军等: "《一种网格资源的语义相关性表示方法》", 《四川大学学报》, pages 97 - 100 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111984843A (zh) * | 2020-08-18 | 2020-11-24 | 成都数融科技有限公司 | 一种基于区块链的市民信用评价方法和系统 |
CN112508709A (zh) * | 2020-10-21 | 2021-03-16 | 杭州衡泰软件有限公司 | 一种基于网络结构的信用风险传染监控方法 |
CN112598489A (zh) * | 2020-12-14 | 2021-04-02 | 深圳市快付通金融网络科技服务有限公司 | 基于金融应用的风险监测方法及系统 |
CN112598489B (zh) * | 2020-12-14 | 2023-12-26 | 深圳市快付通金融网络科技服务有限公司 | 基于金融应用的风险监测方法及系统 |
CN113743677A (zh) * | 2021-09-16 | 2021-12-03 | 成都数融科技有限公司 | 基于联邦学习的个人信用评价模型训练方法及评价方法 |
CN113743677B (zh) * | 2021-09-16 | 2023-06-30 | 成都数融科技有限公司 | 基于联邦学习的个人信用评价模型训练方法及评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110838060A (zh) | 金融风险度量方法、装置及电子设备 | |
US10726153B2 (en) | Differentially private machine learning using a random forest classifier | |
CN106485316B (zh) | 神经网络模型压缩方法以及装置 | |
TWI689871B (zh) | 梯度提升決策樹(gbdt)模型的特徵解釋方法和裝置 | |
CN113610239B (zh) | 针对机器学习的特征处理方法及特征处理系统 | |
JP2018538587A (ja) | リスク評価方法およびシステム | |
Guo et al. | Prediction of hepatitis E using machine learning models | |
WO2019062006A1 (zh) | 基于机器学习的择时入股方法、装置及终端设备 | |
Kostov et al. | Comparative efficiency of family and corporate farms: does family labour matter? | |
Wu | Image retrieval method based on deep learning semantic feature extraction and regularization softmax | |
Marszałek | Novel recursive fast sort algorithm | |
Zhu et al. | Unified approach for the affine and non-affine models: an empirical analysis on the s&p 500 volatility dynamics | |
Chen et al. | Differential privacy histogram publishing method based on dynamic sliding window | |
Dong | Application of Big Data Mining Technology in Blockchain Computing | |
CN112257959A (zh) | 用户风险预测方法、装置、电子设备及存储介质 | |
CN110059749B (zh) | 重要特征的筛选方法、装置及电子设备 | |
Madhusanka et al. | Social network analysis of building energy and carbon policy networks in developing countries | |
Yang et al. | The survival probability of the SABR model: asymptotics and application | |
CN114757581A (zh) | 一种金融交易风险评估方法、装置、电子设备及计算机可读介质 | |
Zang | Construction of Mobile Internet Financial Risk Cautioning Framework Based on BP Neural Network | |
Shi et al. | Application on stock price prediction of Elman neural networks based on principal component analysis method | |
CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
Ramos et al. | Power-law distribution in pieces: a semi-parametric approach with change point detection | |
Liu et al. | Personal Credit Evaluation Under the Big Data and Internet Background Based on Group Character | |
CN107870898B (zh) | 一种面向工程应用的领域语义网建模方法 |
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 |