一种量化收益模型的生成方法和风险控制策略的评价方法
技术领域
本申请涉及数据处理技术领域,特别涉及一种量化收益模型的生成方法和风险控制策略的评价方法。
背景技术
套现,即套取现金的简称,一般是指用违法或虚假的手段交换取得现金利益。套现的方式包括信用卡套现、公积金套现、证券套现等。为了防止套现,现有的金融机构设置有风险控制风控系统,用于监控套现行为,并在发现套现行为后进行对应的处理。处理方式包括禁用账号、关闭交易等。
现有的风险控制系统中,一般会部署多套风控策略。在实际运行过程中,需要对多套风控策略的效果进行衡量。现有的评价体系,会关注多套风控策略的一个或多个效果指标,然后再人为地根据获得的效果指标进行排序,以此来评价多套风控策略的效果好坏。这样的评价体系不够客观,不能实现对风控策略的客观评价。
发明内容
有鉴于此,本申请实施例提供了一种量化收益模型的生成方法及装置、风险控制策略的评价方法及装置、计算设备和计算机可读存储介质,以解决现有技术中存在的技术缺陷。
本说明书实施例公开了一种量化收益模型的生成方法,包括:
根据风险控制策略对业务事件进行解析;
基于所述风险控制策略对业务事件进行解析的过程中产生的策略执行数据、业务事件的结果数据以及所述风险控制策略运行时的运行数据生成离线训练数据;
由计算机系统产生量化收益模型,所述量化收益模型使用所述离线训练数据作为特征来训练,并输出所述风险控制策略的量化收益结果;
存储所述量化收益模型。
本说明书一实施例公开了一种风险控制策略的评价方法,包括:
根据当前业务事件获取风险控制策略;
根据获取到的所述风险控制策略对当前业务事件进行解析,以判断所述当前业务事件是否为风险行为事件;
获取解析过程中产生的策略执行数据、所述风险控制策略运行时的运行数据以及当前业务事件的结果数据,并生成量化收益计算数据;
将所述量化收益计算数据输入至预存的量化收益模型进行计算,得到所述风险控制策略的量化收益结果,其中,所述量化收益结果将所述策略执行数据以及运行数据分别与所述当前业务事件的结果数据对比而得。
本申请提供的风险控制策略的评价方法,在获知当前业务事件的情况下,根据获取到的风险控制策略对当前业务事件进行解析,并将解析过程中产生的策略执行数据、风险控制策略运行时的运行数据以及当前业务事件的结果数据生成量化收益计算数据,将所述量化收益计算数据输入至预存的量化收益模型进行计算得到风险控制策略的量化收益结果,以实现对风险控制策略的客观评价。
附图说明
图1是本说明书一实施例的风险控制策略的评价方法所应用的系统架构的示意图;
图2是本说明书一实施例的量化收益模型的生成方法的流程示意图;
图3是本说明书一实施例的量化收益模型的生成方法的流程示意图;
图4是本说明书一实施例的风险控制策略的评价方法的流程示意图;
图5是本说明书一实施例的风险控制策略的评价方法的流程示意图;
图6是本说明书一实施例的风险控制策略的评价方法的流程示意图;
图7是本说明书一实施例的反套现风险控制策略的评价方法的流程示意图;
图8是本说明书一实施例的量化收益模型的生成装置的结构示意图;
图9是本说明书一实施例的风险控制策略的评价装置的结构示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例中可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
首先,对本发明一个或多个实施例涉及的名词术语进行解释。
规则(rule):规则是预定义的业务决策逻辑,规则包含条件(condition)和执行动作(action),在满足当前条件的情况下,执行与当前条件对应的预定义动作,否则就不执行当前预定义的动作。
策略(strategy):策略是版本化的,每个版本的策略都是一套规则集。不同的场景下需要定义不同的策略。并且,随着时间的推移和业务的发展,每个场景下的策略需要更新迭代,以满足当前场景下的业务需求。
业务事件(Business Event):业务事件是指在业务决策正常运行过程中发生的事件。业务事件必须在业务决策中进行定义,以设置规则、规则集和策略。业务事件由一组事件属性组成,代表了业务决策被触发时,当时的触发场景同步给业务决策的数据信息。例如,一个“用户在线申请免押金事件”,描述了用户在线申请免押金的一个发生场景,包括了“用户ID”、“免押金类目”、“申请免押的金额”等事件属性。
规则引擎(Rule Engine):由推理引擎发展而来,是一种嵌入在应用程序中的组件,实现了将业务决策从应用程序代码中分离出来,并使用预定义的语义模块编写业务决策。接受数据输入,解释业务规则,并根据业务规则做出业务决策。本申请中,规则引擎不限于JBoss规则(JBoss Rules,Drools)、业务决策管理(Operational Decision Management,ODM)、以及通过脚本或代码实现的规则引擎等。
样本:样本是一组由属性描述的数据元组构成。在机器学习领域中,一般需要将样本分成两部分:训练样本(train set)和测试样本(test set)。其中训练样本用来训练模型,而测试样本则检验最终选择最优的模型的性能如何。
有监督学习(Supervised learning):有监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练样本。在有监督学习中,每个训练样本都是由一个元组(通常为矢量)和一个期望的标签值(Y标)组成。有监督学习算法是分析该训练数据,并产生一个推断的功能,其可以用于映射出新样本的标签值。
多臂机问题(multi-armed bandit):简称MAB问题,是从赌场中的多臂老虎机的场景中提取出来的数学模型,臂指的是老虎机的拉杆,多臂机是多个拉杆的集合,每个臂对应一个回报函数(reward function)。多臂机问题是去计算如何最大化总回报的问题。
策略的量化收益(Strategy Quantified Profit):收益是指策略在运行过程中的效果和性能。量化指借助统计方法、数学模型来评价策略的收益,评价出最优策略。
图1为本发明一个或多个实施例的量化收益模型的生成方法或风险控制策略的评价方法所应用的系统架构的示意图。参见图1,客户端10是用户终端,可以为手机、笔记本、智能手表等移动设备,刷卡POS机等支付终端,台式计算机或电脑等台式设备。用户在客户端10的操作行为,产生对应的业务事件。
服务器端20与客户端10通过网络30连接,用于接收客户端10的业务事件以及返回处理结果至客户端10。服务器端20内设置有风险控制决策系统22、数据处理系统24和量化收益系统26。其中,风险控制决策系统22中设置有规则引擎222和风险控制策略池224,风险控制策略池224中存储有至少一个风险控制策略226。规则引擎222可以获取风险控制策略池224中的一个风险控制策略226对业务事件进行解析,以确定当前业务事件是否为风险行为事件。
数据处理系统24获取解析过程中产生的策略执行数据、每个风险控制策略运行时的运行数据以及当前业务事件的结果数据以生成离线训练数据。每个业务事件会对应产生一份离线训练数据。将大量的离线训练数据输入至模型训练平台进行离线训练,可以得到策略收益模型28。
在策略收益模型28训练完毕后,可以用来实现本发明中的风险控制策略的评价。在当前业务事件发生的情况下,规则引擎222可以获取风险控制策略池224中的一个风险控制策略226对业务事件进行解析,得到对应当前业务事件的量化收益计算数据。将量化收益计算数据输入至策略收益模型28进行收益计算,最终获得风险控制策略226的量化收益结果。
并且,在得到至少一个风险控制策略226的量化收益结果的情况下,可以根据得到的量化收益结果对至少一个风险控制策略进行评价,可以判断出风险控制策略的优劣,选择出最优的风险控制策略226。
下面对于本发明一个或多个实施例中涉及的量化收益模型的生成方法进行详细的说明。
参见图2,本发明一个实施例公开了量化收益模型的生成方法,包括:
202、根据风险控制策略对业务事件进行解析。
其中,风险控制策略预存于风险控制决策系统的风险控制策略池中。风险控制策略池中会存储有至少一条风险控制策略。针对每一个业务事件,会获取一条风险控制策略对该业务事件进行解析。
如前所述,业务事件由一组事件属性组成,代表了同步给风险控制决策系统的数据信息。每个策略为一套规则集,规则包含条件和执行动作。通过风险控制策略对业务事件进行解析的过程,在满足当前条件的情况下,执行与当前条件对应的预定义动作,否则就不执行预定义的动作的过程。
例如在一个具体应用示例中,风险控制策略为反套现控制策略,用于解析并判断业务事件是否为套现业务事件。业务事件可以为用户在线支付的事件。若风险控制策略解析到业务事件为套现业务事件,则执行反套现动作。
204、基于所述风险控制策略对业务事件进行解析的过程中产生的策略执行数据、业务事件的结果数据以及所述风险控制策略运行时的运行数据生成离线训练数据。
具体地,参见图3,步骤204包括:
302、基于所述风险控制策略对业务事件进行解析的过程中产生的策略执行数据以及业务事件的结果数据生成业务样本数据。
在一个具体的应用场景中,以用户在线支付的事件为例,若反套现控制策略解析并判断用户的在线支付事件为套现业务事件,那么执行反套现动作,对用户的在线支付事件进行拦截,并返回拦截结果给终端侧。拦截结果的形式可以为用户的信用卡支付链接被置灰并禁用。
当然,上述判断用户的在线支付事件为套现业务事件有可能正确,也有可能错误。如果用户继续以其他支付方式进行支付,例如以储蓄卡或者余额宝进行支付,则说明拦截是错误的;如果用户没有继续支付,交易关闭,则说明拦截是正确的。在此过程中,便会产生两份数据,一份为业务事件的执行对应产生的业务事件的结果数据,另一份为风险控制策略的执行过程中产生的策略执行数据。
其中,策略执行数据包括:
所述风险控制策略的执行时间;
所述风险控制策略加载的特征集合的特征名称;和/或
所述风险控制策略是否拦截业务事件。
其中,业务事件的结果数据包括:
用户在业务事件被拦截后是否继续支付;和/或
业务事件的误拦截率。
步骤302中,可以为通过有监督学习的过程生成业务样本特征和业务样本标签,并进一步基于业务样本特征以及业务样本标签生成业务样本数据。具体地,步骤302包括:
3022、基于所述解析过程中产生的策略执行数据生成业务样本特征;
3024、基于所述业务事件的结果数据生成业务样本标签;
3026、基于所述业务样本特征以及所述业务样本标签生成业务样本数据。
具体地,业务样本特征、业务样本标签以及业务样本数据在实时数据处理系统中产生。
304、基于所述风险控制策略运行时的运行数据生成风险控制策略指标数据。
其中,风险控制策略指标数据包括:
风险控制策略对应的业务事件的拦截率;
风险控制策略对应的拦截业务事件的精准率;
风险控制策略对应的业务事件的支付率;和/或
风险控制策略加载的特征集合的特征值。
其中,特征集合包括离线特征和/或实时特征。特征集合预存于云数据库中,并可以被风险控制策略加载。
本发明一个或多个实施例中所述的云数据库,可以为Hbase数据库。
306、基于所述业务样本数据以及所述风险控制策略指标数据生成离线训练数据。
通过步骤302~306生成的离线训练数据,作为量化收益模型的训练数据,可以存储于本地服务器或云端服务器。
206、由计算机系统产生量化收益模型,所述量化收益模型使用所述离线训练数据作为特征来训练,并输出所述风险控制策略的量化收益结果。
具体地,所述量化收益模型使用所述离线训练数据作为特征来训练,包括:将所述离线训练数据输入至离线计算平台,以使所述量化收益模型获取离线计算平台中的所述离线训练数据作为特征进行离线训练。当然,在实际使用时,每天的业务事件可以为数万笔,对应的离线训练数据为数万个。将该数万个离线训练数据对量化收益模型进行离线训练,从而可以得到更优的量化收益模型。
离线计算平台包括开放数据处理服务(Open Data Processing Service,ODPS)、Hive(数据仓库工具)、海杜普数据库(Hadoop Database,Hbase)、海杜普分布式文件系统(Hadoop Distributed File System,Hadoop)等。其实现语言也可以是Java,C++,Python,超文本预处理器(Hypertext Preprocessor,PHP)等。
208、存储所述量化收益模型。
通过本发明的量化收益模型的生成方法,可以生成量化收益模型,并存储于服务器侧。
当然,量化收益模型可以根据具体的使用进行不断地更新,例如可以人为地获取前两天的离线训练数据,根据离线训练数据训练量化收益模型,并将训练后的量化收益模型更新存储。
本发明一个实施例还公开了一种风险控制策略的评价方法,参见图4,包括:
402、根据当前业务事件获取风险控制策略。
本发明实施例中,风险控制策略预存于风险控制决策系统的风险控制策略池中。风险控制策略池中的风险控制策略可以为一个,也可以为多个。步骤402中,针对一个当前业务事件,获取一个风险控制策略对当前业务事件进行解析。
如前所述,业务事件由一组事件属性组成,代表了同步给风险控制决策系统的数据信息。每个策略为一套规则集,规则包含条件和执行动作。通过风险控制策略对业务事件进行解析的过程,为在满足当前条件的情况下,执行与当前条件对应的预定义动作,否则就不执行当前预定义的动作的过程。
例如在一个具体应用示例中,风险控制策略可以为反套现控制策略,用于解析并判断当前业务事件是否为套现业务事件。业务事件可以为用户在线支付的事件。若根据获取到的风险控制策略解析到当前业务事件为套现业务事件,则执行对应的反套现动作。
404、根据获取到的所述风险控制策略对当前业务事件进行解析,以判断所述当前业务事件是否为风险行为事件。
可选地,在确定当前业务事件不是风险行为事件的情况下,则继续执行该业务事件。
可选地,在确定当前业务事件为风险行为事件的情况下,参见图5,在步骤404后,还包括:
502、在确定当前业务事件为风险行为事件的情况下,对所述当前业务事件执行拦截动作,并将拦截动作对应的拦截结果反馈至用户。
504、若检测到所述当前业务事件终止,则确定所述拦截动作正确。
506、若检测到对所述当前业务事件的继续执行指令,则确定所述拦截动作错误。
其中,风险控制策略包括:反套现策略。在一个具体的应用场景中,以当前业务事件为用户在线支付的事件为例,若风险控制策略判断所述当前业务事件是为套现业务事件的情况下,则执行反套现动作,对用户的在线支付事件进行拦截,并返回拦截结果给终端侧。将拦截结果反馈至用户的形式包括:将当前业务事件的支付路径关闭。具体地,关闭支付路径的形式可以为用户的信用卡支付渠道被置灰并禁用。
当然,上述判断用户的在线支付事件为套现业务事件有可能正确,也有可能错误。如果用户继续以储蓄卡或者余额宝进行支付,则执行拦截的动作错误;如果用户没有继续支付,支付交易关闭,则执行拦截的动作正确。在此过程中,便会产生两份数据,一份为业务事件的执行对应产生的业务事件的结果数据,另一份为风险控制策略的执行过程中产生的策略执行数据。
406、获取解析过程中产生的策略执行数据、所述风险控制策略运行时的运行数据以及当前业务事件的结果数据,并生成量化收益计算数据。
可选地,参见图6,所述步骤406包括步骤602、604和606:
602、获取所述风险控制策略运行时的运行数据,并生成对应的风险控制策略指标数据。
可选地,所述风险控制策略指标数据包括:
所述风险控制策略对应的当前业务事件的拦截率;
所述风险控制策略对应的拦截当前业务事件的精准率;
所述风险控制策略对应的当前业务事件的支付率;和/或
所述风险控制策略加载的特征集合的特征值。
其中,特征集合包括离线特征和/或实时特征,特征集合预存于云数据库中。本发明一个或多个实施例中所述的云数据库,可以为Hbase数据库。
604、获取解析过程中产生的策略执行数据以及当前业务事件的结果数据,生成当前业务数据。
具体地,步骤604包括:
6042、根据所述解析过程中产生的策略执行数据生成当前业务特征。
6044、根据所述当前业务事件的结果数据生成当前业务标签。
6046、根据当前业务特征以及当前业务标签生成所述当前业务数据。
其中,策略执行数据包括:
所述风险控制策略的执行时间;
所述风险控制策略加载的特征集合的特征名称;和/或
所述风险控制策略是否拦截当前业务事件。
其中,当前业务事件的结果数据包括:
用户在当前业务事件被拦截后是否继续支付;和/或
当前业务事件的误拦截率。
具体地,当前业务特征、当前业务标签以及当前业务数据在实时数据处理系统中产生。
606、将所述当前业务数据以及所述风险控制策略指标数据进行叠加,生成量化收益计算数据。
通过步骤602~606生成的量化收益计算数据,可以作为量化收益模型的输入数据,以进行风险控制策略的量化收益结果的计算;也可以作为量化收益模型的训练数据,可以存储于本地服务器或云端服务器,并在量化收益模型需要训练时被调用。
408、将所述量化收益计算数据输入至预存的量化收益模型进行计算,得到所述风险控制策略的量化收益结果。
本发明一个或多个实施例中,量化收益模型的算法包括:多臂机问题(Multi-Armed Bandit,MAB)、梯度提升决策树(Gradient Boosting Decision Tree,GBDT)、基础介绍逻辑回归(Logistic Regression,LR)等。
其中,所述量化收益结果将所述策略执行数据以及运行数据分别与所述当前业务事件的结果数据对比而得。策略执行数据以及运行数据为风险控制策略在解析过程中产生的数据,当前业务事件的结果数据为当前业务事件执行完毕的最终结果数据。将两方面的数据进行对比,以评价风险控制策略的量化收益结果的好坏。
如前所述,风险控制策略在解析当前业务事件的过程中,可以认为当前业务事件为风险行为事件并进行拦截,但是该拦截过程有可能为误拦截,当前业务事件有可能并非风险行为事件。那么,量化收益模型将策略执行数据以及运行数据分别与当前业务事件的结果数据对比,获知风险控制策略的此次结果为误拦截,并最终用于评价风险控制策略的量化收益结果。
可选地,在本发明一个或多个实施例中,在步骤408后,还包括:
410、在得到多个所述风险控制策略的量化收益结果的情况下,对多个所述风险控制策略的量化收益结果进行排序,并根据排序的结果得到最优的风险控制策略。
412、根据排序的结果设置每个所述风险控制策略被获取的概率值;其中,所述最优的风险控制策略被获取的概率值大于其他所述风险控制策略的概率值。
例如在一个具体使用场景中,在风险控制策略池预存有三个风险控制策略A、B和C,对三个风险控制策略的量化收益结果进行排序,最终排序的结果为A>B>C。那么,可以根据该结果设置风险控制策略A被获取的概率为50%、风险控制策略B被获取的概率为30%,风险控制策略C被获取的概率为20%。
本申请提供的风险控制策略的评价方法,在获知当前业务事件的情况下,根据获取到的风险控制策略对当前业务事件进行解析,并将解析过程中产生的策略执行数据、风险控制策略运行时的运行数据以及当前业务事件的结果数据生成量化收益计算数据,将所述量化收益计算数据输入至预存的量化收益模型进行计算得到风险控制策略的量化收益结果,以实现对风险控制策略的客观评价。
并且,本申请提供的风险控制策略的评价方法还可以对多个风险控制策略的量化收益结果进行排序,得到最优的风险控制策略,并调整每个风险控制策略被调用的概率,以实现更好的风险控制效果。
为了便于理解本发明的技术方案,在本发明的一个实施例中,以当前业务事件为用户支付事件为例进行示例性的说明。参见图7,在服务器侧,包括:
金融核心系统70,接收用户的用户支付事件,并咨询反套现风险控制决策系统72,并在反套现风险控制决策系统72对用户支付事件700解析后进行后续处理,例如风险控制策略726对用户支付事件700进行拦截,并返回拦截结果给终端侧。拦截结果的形式可以为用户的信用卡支付渠道被置灰并禁用。如果用户继续进行支付,则确定所述拦截动作错误,对应的该风险控制策略726对用户支付事件700的解析结果错误;如果交易关闭,用户支付事件700终止,则确定所述拦截动作正确,对应的该风险控制策略726对用户支付事件700的解析结果正确。
反套现风险控制决策系统72,包括规则引擎722和风险控制策略池724,风险控制策略池724中存储有三个风险控制策略726。在每次的用户支付事件700发生的过程中,规则引擎722会获取到风险控制策略池724中的一个风险控制策略726对用户支付事件700进行解析,以确定当前的用户支付事件700是否为套现行为事件。
风险控制策略726在被调用的情况下,读取预存于云数据库712中的特征集合,例如包括离线特征714和实时特征716。其中,云数据库712可以为Hbase数据库。
实时数据处理系统74,接收风险控制策略726对用户支付事件700进行解析的过程中产生的策略执行数据734、风险控制策略726运行时的运行数据732以及当前用户支付事件的结果数据736生成量化收益计算数据752。
具体地,根据运行数据732生成风险控制策略指标数据742,根据解析过程中产生的策略执行数据734生成当前业务特征744,根据所述当前用户支付事件的结果数据736生成当前业务标签746,根据当前业务特征744以及当前业务标签746生成所述当前业务数据748,最后根据风险控制策略指标数据742和当前业务数据748生成量化收益计算数据752。
本发明中,离线计算平台754包括开放数据处理服务(Open Data ProcessingService,ODPS)、数据仓库工具(Hive)、海杜普数据库(Hadoop Database,Hbase)、海杜普分布式文件系统(Hadoop Distributed File System,Hadoop)等。
量化收益模型收益系统76,通过量化收益模型78,对量化收益计算数据752进行量化收益计算,得到量化收益结果762。
另外,在多次的用户支付事件700发生的过程中,本发明的风险控制策略的评价方法可以得到每个风险控制策略726的量化收益结果762。量化收益模型收益系统76可以对三个量化收益结果762进行排序,评价出最优量化收益。并且,量化收益模型收益系统76根据排序的结果设置每个风险控制策略726被获取的概率值。
本发明一个实施例中,还公开了一种量化收益模型的生成装置,参见图8,包括:
业务事件解析模块802,被配置为根据风险控制策略对业务事件进行解析;
离线训练数据生成模块804,被配置为基于所述风险控制策略对业务事件进行解析的过程中产生的策略执行数据、业务事件的结果数据以及所述风险控制策略运行时的运行数据生成离线训练数据;
量化收益模型生成模块806,被配置为产生量化收益模型,其中,所述量化收益模型使用所述离线训练数据作为特征来训练,并输出所述风险控制策略的量化收益结果;
量化收益模型存储模块808,被配置为存储所述量化收益模型。
可选地,参见图8,离线训练数据生成模块804包括:
业务样本数据生成模块8042,被配置为基于所述风险控制策略对业务事件进行解析的过程中产生的策略执行数据以及业务事件的结果数据生成业务样本数据;
风险控制策略指标数据生成模块8044,被配置为基于所述风险控制策略运行时的运行数据生成风险控制策略指标数据;
离线训练数据合成模块8046,被配置为基于所述业务样本数据以及所述风险控制策略指标数据生成离线训练数据。
其中,所述风险控制策略指标数据包括:
所述风险控制策略对应的业务事件的拦截率;
所述风险控制策略对应的拦截业务事件的精准率;
所述风险控制策略对应的业务事件的支付率;和/或
所述风险控制策略加载的特征集合的特征值。
其中,特征集合包括离线特征和/或实时特征,特征集合预存于云数据库中。
本发明中的云数据库,可以为Hbase数据库。
可选地,业务样本数据生成模块8042包括:
业务样本特征生成模块,被配置为基于所述解析过程中产生的策略执行数据生成业务样本特征;
业务样本标签生成模块,被配置为基于所述业务事件的结果数据生成业务样本标签;
业务样本数据合成模块,被配置为基于所述业务样本特征以及所述业务样本标签生成业务样本数据。
其中,策略执行数据包括:
所述风险控制策略的执行时间;
所述风险控制策略加载的特征集合的特征名称;和/或
所述风险控制策略是否拦截业务事件。
其中,业务事件的结果数据包括:
用户在业务事件被拦截后是否继续支付;和/或
业务事件的误拦截率。
通过本发明的量化收益模型的生成装置,可以生成量化收益模型,并存储于服务器侧。当然,量化收益模型可以根据具体的使用进行不断地更新,例如可以人为地获取前两天的离线训练数据,根据离线训练数据训练量化收益模型,并将训练后的量化收益模型更新存储。
上述为本实施例的一种量化收益模型的生成装置的示意性方案。需要说明的是,该量化收益模型的生成装置的技术方案与上述的量化收益模型的生成方法的技术方案属于同一构思,量化收益模型的生成装置的技术方案未详细描述的细节内容,均可以参见上述量化收益模型的生成方法的技术方案的描述。
本发明一个实施例中,还公开了一种风险控制策略的评价装置,参见图9,包括:
风险控制策略调用模块902,被配置为根据当前业务事件获取风险控制策略;
风险控制决策执行模块904,被配置为根据获取到的所述风险控制策略对当前业务事件进行解析,确定所述当前业务事件是否为风险行为事件;
量化收益计算数据生成模块906,被配置为获取解析过程中产生的策略执行数据、所述风险控制策略运行时的运行数据以及当前业务事件的结果数据,并生成量化收益计算数据;
量化收益结果获取模块908,被配置为将所述量化收益计算数据输入至预存的量化收益模型进行计算,得到所述风险控制策略的量化收益结果,其中,所述量化收益结果将所述策略执行数据以及运行数据分别与所述当前业务事件的结果数据对比而得。
可选地,参见图9,在风险控制决策执行模块904后,还包括:
业务事件拦截模块910,被配置为在确定当前业务事件为风险行为事件的情况下,对所述当前业务事件执行拦截动作,并将拦截动作对应的拦截结果反馈至用户;
第一拦截动作判断模块912,被配置为对所述当前业务事件继续检测,并在检测到所述当前业务事件终止的情况下,则确定所述拦截动作正确;
第二拦截动作判断模块914,被配置为对所述当前业务事件继续检测,并在检测到对所述当前业务事件的继续执行指令的情况下,则确定所述拦截动作错误。
可选地,参见图9,量化收益计算数据生成模块906包括:
风险控制策略指标数据生成模块9062,被配置为根据所述风险控制策略运行时的运行数据生成对应的风险控制策略指标数据;
当前业务数据生成模块9064,被配置为根据解析过程中产生的策略执行数据以及当前业务事件的结果数据,生成当前业务数据;
量化收益计算数据合成模块9066,被配置为将所述当前业务数据以及所述风险控制策略指标数据进行叠加,生成量化收益计算数据。
其中,策略指标数据包括:
所述风险控制策略对应的当前业务事件的拦截率;
所述风险控制策略对应的拦截当前业务事件的精准率;
所述风险控制策略对应的当前业务事件的支付率;和/或
所述风险控制策略加载的特征集合的特征值。
其中,特征集合包括离线特征和/或实时特征,特征集合预存于云数据库中。
本发明中的云数据库,可以为Hbase数据库。
可选地,当前业务数据生成模块9064包括:
当前业务特征生成模块,被配置为获取所述解析过程中产生的策略执行数据并生成当前业务特征;
当前业务标签生成模块,被配置为获取所述当前业务事件的结果数据并生成当前业务标签;
当前业务数据合成模块,被配置为根据当前业务特征以及当前业务标签生成所述当前业务数据。
其中,策略执行数据包括:
所述风险控制策略的执行时间;
所述风险控制策略加载的特征集合的特征名称;和/或
所述风险控制策略是否拦截当前业务事件。
其中,当前业务事件的结果数据包括:
用户在当前业务事件被拦截后是否继续支付;和/或
当前业务事件的误拦截率。
具体地,风险行为事件包括:套现行为事件;风险控制策略包括:反套现策略。
可选地,本发明的风险控制策略的评价装置还包括:
量化收益结果排序模块,被配置为在得到多个所述风险控制策略的量化收益结果的情况下,对多个所述风险控制策略的量化收益结果进行排序,并根据排序的结果得到最优的风险控制策略。
可选地,本发明的风险控制策略的评价装置还包括:
风险控制策略概率设置模块,被配置为根据排序的结果设置每个所述风险控制策略被获取的概率值;其中,所述最优的风险控制策略被获取的概率值大于其他所述风险控制策略的概率值。
本申请提供的风险控制策略的评价装置,在获知当前业务事件的情况下,根据获取到的风险控制策略对当前业务事件进行解析,并将解析过程中产生的策略执行数据、每个风险控制策略运行时的运行数据以及当前业务事件的结果数据生成量化收益计算数据,将所述量化收益计算数据输入至预存的量化收益模型进行计算得到每个风险控制策略的量化收益结果,以实现对风险控制策略的客观评价。
并且,本申请提供的风险控制策略的评价装置还可以对多个风险控制策略的量化收益结果进行排序,得到最优的风险控制策略,并调整每个风险控制策略被调用的概率,以实现更好的风险控制效果。
上述为本实施例的一种风险控制策略的评价装置的示意性方案。需要说明的是,该风险控制策略的评价装置的技术方案与上述的风险控制策略的评价方法的技术方案属于同一构思,风险控制策略的评价装置的技术方案未详细描述的细节内容,均可以参见上述风险控制策略的评价方法的技术方案的描述。
本说明书一实施例还提供一种计算设备,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指令,所述处理器执行所述指令时实现如上所述量化收益模型的生成方法或如上所述的风险控制策略的评价方法的步骤。
应该知道,计算设备还可以包括网络接口,网络接口使得计算设备能够经由一个或多个网络通信。这些网络的示例包括局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。网络接口可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC))中的一个或多个,诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口,等等。
在本说明书的一个实施例中,计算设备的上述以及未提到的其他部件也可以彼此相连接,例如通过总线。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止计算设备。计算设备还可以是移动式或静止式的服务器。
本说明书一实施例还提供一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时实现如上所述量化收益模型的生成方法或如上所述的风险控制策略的评价方法的步骤。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的量化收益模型的生成方法或风险控制策略的评价方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述量化收益模型的生成方法或风险控制策略的评价方法的技术方案的描述。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本说明书并不受所描述的动作顺序的限制,因为依据本说明书,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本说明书所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本说明书的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。