CN110909805A - 基于大数据与Inception V3深度网络模型的金融风控系统 - Google Patents
基于大数据与Inception V3深度网络模型的金融风控系统 Download PDFInfo
- Publication number
- CN110909805A CN110909805A CN201911177473.8A CN201911177473A CN110909805A CN 110909805 A CN110909805 A CN 110909805A CN 201911177473 A CN201911177473 A CN 201911177473A CN 110909805 A CN110909805 A CN 110909805A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- wind control
- network model
- inclusion
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Abstract
本发明公开了一种基于大数据与Inception V3深度网络模型的金融风控系统,包括目标数据采集模块,基于风控指标调用对应的数据挖掘模块进行目标数据的采集;数据特征提取模块,基于CCIPCA算法实现数据特征的提取;风险评估模块,基于所述数据特征采用Inception V3深度神经网络模型实现目标数据的风险评估。本发明实现了外部数据和内部数据的整合,大大提高了了金融风控系统的数据处理效率,基于不同Inception V3深度神经网络模型,实现了各种(如信用风险,市场风险)金融风险的自动高效评估,从而在实际操作中可以灵活多变地采取不同的应对策略,保证金融交易的安全。
Description
技术领域
本发明涉及金融安全领域,具体涉及一种基于大数据与Inception V3深度网络模型的金融风控系统。
背景技术
互联网金融作为金融和科技相结合的产物,在日常生活中扮演着越来越重要的角色。用户可以通过互联网实现账目管理、网上支付、购买金融产品等各种操作,因此如何制定快速有效的金融风控策略,提高客户信息数据处理效率,及时预测防范业务中信用及欺诈风险,已成为金融企业亟待解决的问题。
发明内容
为解决上述问题,本发明提供了基于大数据与Inception V3深度网络模型的金融风控系统,利用该系统能够提高风险管控效率。
为实现上述目的,本发明采取的技术方案为:
基于大数据与Inception V3深度网络模型的金融风控系统,包括:
目标数据采集模块,基于风控指标调用对应的数据挖掘模块对目标数据集进行采集;
数据特征提取模块,基于CCIPCA算法实现数据特征的提取;
风险评估模块,基于上述的数据特征,采用Inception V3深度神经网络模型实现目标数据的风险评估。
进一步地,还包括:
数据预处理模块,采用基于属性重要度的属性约简算法和基于类间区分度的属性约简方法实现数据的约简操作。
进一步地,还包括:
目标数据分类模块,基于LSSVM基于数据特征实现目标数据的分类;所述风险评估模块根据目标数据的分类结果调用对应的Inception V3深度神经网络模型实现目标数据的风险评估。
进一步地,还包括:
风控措施输出模块,用于采用最近邻分类器根据风险评估模块的评估结果实现对应风控措施的输出。
进一步地,还包括:
风险汇总模块,用于以EXCEL表格的形式实现风险评估结果的汇总,风险评估结果包括数据源名称、风险评估的结果以及输出的风控措施。
进一步地,特殊客户处理模块,用于进行特殊客户的风险评估,在安全可控范围内剔除对应的Inception V3深度神经网络模型。本系统在使用时,首先会进入初始化模块,初始化时,系统以最高警戒状态工作(即所有的Inception V3深度神经网络模型均处于可调用状态),在发现风险时,系统会以跳出对话框的模式进行提醒,用户可以根据客户的情况选择是否进入特殊客户处理模块,值得注意的是,Inception V3深度神经网络模型中存在部分无法剔除的Inception V3深度神经网络模型。
本发明具有以下有益效果:
通过目标数据采集模块的设计实现了外部数据和内部数据的整合,采用基于属性重要度的属性约简算法和基于类间区分度的属性约简方法实现了数据的约简处理;在此基础上,使用CCIPCA算法直接进行数据特征提取,能大大提供了系统的数据处理效率;建立了不同Inception V3深度神经网络模型,实现了各种金融风险(如信用风险,市场风险)的自动高效评估,并针对评估出来的各种金融风险制定不同的应对策略,可有效地保证了常见的金融交易的安全。
附图说明
图1为本发明实施例基于大数据与人工智能的金融风控系统的系统框图。
具体实施方式
为了阐述清楚本发明的思想方法,便于使用者掌握本发明的具体实施步骤,进而体会到本发明的优点与可能取得的社会效益,以下结合实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例提供了一种基于大数据与Inception V3深度网络模型的金融风控系统,包括:
目标数据采集模块,用于基于风控指标调用对应的数据挖掘模块进行目标数据的采集;
数据预处理模块,采用基于属性重要度的属性约简算法和基于类间区分度的属性约简方法实现数据的约简操作;
数据特征提取模块,基于CCIPCA算法实现数据特征的提取;
目标数据分类模块,基于LSSVM基于数据特征实现目标数据的分类;所述风险评估模块根据目标数据的分类结果调用对应的Inception V3深度神经网络模型实现目标数据的风险评估;
风险评估模块,采用Inception V3深度神经网络模型基于所述数据特征实现目标数据的风险评估;
风控措施输出模块,用于采用最近邻分类器根据风险评估模块的评估结果实现对应风控措施的输出;
风险汇总模块,用于以EXCEL表格的形式实现风险评估结果的汇总,风险评估结果包括数据源名称、风险评估的结果以及输出的风控措施;
特殊客户处理模块,用于进行特殊客户的风险评估,在安全可控范围内剔除对应的Inception V3深度神经网络模型。本系统在使用时,首先会进入初始化模块,初始化时,系统以最高警戒状态工作(即所有的Inception V3深度神经网络模型均处于可调用状态),在发现风险时,系统会以跳出对话框的模式进行提醒,用户可以根据客户的情况选择是否进入特殊客户处理模块,值得注意的是,Inception V3深度神经网络模型中存在无法剔除的Inception V3深度神经网络模型;
中央处理器,用于协调上述模块工作。
本实施例中,所述基于属性重要度的属性约简算法先使用核作为计算约简的出发点,进而计算一个最好的或者用户指定的最小约简:初始化候选集Red为核属性:Red=Core,Core表示约简的核心集;计算整个条件属性集的依赖程度fmax,置max=0,当max<fmax,每次往候选集Red中加入新属性,即Red=RedU{i},计算使候选集Red依赖系数最大的属性i;计算max=Red的依赖程度,对于候选集Red的每个非核属性,去掉是否影响依赖系数,若否,则删除该非核属性;计算测量的属性值与候选集Red的必要属性的相似度d,再根据表示满足大于相似度d的截集进行属性或数据约简;相似度越大,则测量的属性与必要属性的偏差越小,说明这个测量属性是必要属性,否则,这个测量属性是不必要属性。
所述基于类间区分度的属性约简方法的实现方法为:令n表示算法迭代次数,置n=0,把时空多序列数据输入到网络中的区分神经元,对每一个输入值x选择获胜的输出神经元h,即最小化竞争层中的结点的输出值。设N(h)是获胜输出神经元h的近邻,对每一个输出神经元h∈{N(h),h},调整更新权重ω(n+1)=f(ω(n),η(n)),其中,η(n)=η是学习率,f是权值调节函数,kj表示上一层的第k个神经元与本层的第j个神经元,更新权重后对其标准化;重复上述步骤,迭代的次数被置成n=n+1直到满足迭代停止准则为止,得到的最终输出值为时空序列的约简值。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.基于大数据与Inception V3深度网络模型的金融风控系统,其特征在于,包括:
目标数据采集模块,基于风控指标调用对应的数据挖掘模块对目标数据集进行采集;
数据特征提取模块,基于CCIPCA算法实现数据特征的提取;
风险评估模块,基于上述的数据特征,采用Inception V3深度神经网络模型实现目标数据的风险评估。
2.如权利要求1所述的基于大数据与Inception V3深度网络模型的金融风控系统,其特征在于,还包括:
数据预处理模块,采用基于属性重要度的属性约简算法和基于类间区分度的属性约简方法实现数据的约简操作。
3.如权利要求1所述的基于大数据与Inception V3深度网络模型的金融风控系统,其特征在于,还包括:
目标数据分类模块,基于LSSVM方法基于数据特征实现目标数据的分类;所述风险评估模块根据目标数据的分类结果调用对应的Inception V3深度神经网络模型实现目标数据的风险评估。
4.如权利要求1所述的基于大数据与Inception V3深度网络模型的金融风控系统,其特征在于,还包括:
风控措施输出模块,用于采用最近邻分类器根据风险评估模块的评估结果实现对应风控措施的输出。
5.如权利要求1所述的基于大数据与Inception V3深度网络模型的金融风控系统,其特征在于,还包括:
风险汇总模块,用于以EXCEL表格的形式实现风险评估结果的汇总,风险评估结果包括数据源名称、风险评估的结果以及输出的风控措施。
6.如权利要求1所述的基于大数据与Inception V3深度网络模型的金融风控系统,其特征在于,特殊客户处理模块,用于进行特殊客户的风险评估,在安全可控范围内剔除对应的Inception V3深度神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911177473.8A CN110909805B (zh) | 2019-11-26 | 2019-11-26 | 基于大数据与Inception V3深度网络模型的金融风控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911177473.8A CN110909805B (zh) | 2019-11-26 | 2019-11-26 | 基于大数据与Inception V3深度网络模型的金融风控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110909805A true CN110909805A (zh) | 2020-03-24 |
CN110909805B CN110909805B (zh) | 2022-02-18 |
Family
ID=69819758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911177473.8A Active CN110909805B (zh) | 2019-11-26 | 2019-11-26 | 基于大数据与Inception V3深度网络模型的金融风控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909805B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150263A (zh) * | 2020-10-09 | 2020-12-29 | 信阳农林学院 | 一种企业财务风险预警系统 |
CN113610627A (zh) * | 2021-07-27 | 2021-11-05 | 浙江惠瀜网络科技有限公司 | 用于风险预警的数据处理方法和装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101488213A (zh) * | 2008-01-17 | 2009-07-22 | 新奥(廊坊)燃气技术研究发展有限公司 | 城镇燃气管道风险评价和安全管理决策支持系统 |
CN104463673A (zh) * | 2014-12-22 | 2015-03-25 | 中国科学技术大学苏州研究院 | 一种基于支持向量机的p2p网络贷款风险评估模型 |
US20150235321A1 (en) * | 2014-02-18 | 2015-08-20 | Mastercard International Incorporated | Insurance risk modeling method and apparatus |
CN105809537A (zh) * | 2014-12-31 | 2016-07-27 | 天津市招财猫信息技术有限公司 | 一种中小微企业投融资风险控制系统 |
CN107729377A (zh) * | 2017-09-14 | 2018-02-23 | 广州大学 | 基于数据挖掘的顾客分类方法与系统 |
CN108564286A (zh) * | 2018-04-19 | 2018-09-21 | 天合泽泰(厦门)征信服务有限公司 | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 |
CN108898488A (zh) * | 2018-06-11 | 2018-11-27 | 合肥汇英科技有限公司 | 一种基于大数据和人工智能的金融风控系统 |
CN109685635A (zh) * | 2018-09-11 | 2019-04-26 | 深圳平安财富宝投资咨询有限公司 | 金融业务的风险评估方法、风控服务端及存储介质 |
CN109840676A (zh) * | 2018-12-13 | 2019-06-04 | 平安科技(深圳)有限公司 | 基于大数据的风控方法、装置、计算机设备及存储介质 |
CN110009479A (zh) * | 2019-03-01 | 2019-07-12 | 百融金融信息服务股份有限公司 | 信用评价方法及装置、存储介质、计算机设备 |
CN110288123A (zh) * | 2019-05-17 | 2019-09-27 | 福建江夏学院 | 一种基于深度学习的金融信息预测方法及装置 |
CN110347719A (zh) * | 2019-06-24 | 2019-10-18 | 华南农业大学 | 一种基于大数据的企业外贸风险预警方法及系统 |
CN110390465A (zh) * | 2019-06-18 | 2019-10-29 | 深圳壹账通智能科技有限公司 | 业务数据的风控分析处理方法、装置和计算机设备 |
-
2019
- 2019-11-26 CN CN201911177473.8A patent/CN110909805B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101488213A (zh) * | 2008-01-17 | 2009-07-22 | 新奥(廊坊)燃气技术研究发展有限公司 | 城镇燃气管道风险评价和安全管理决策支持系统 |
US20150235321A1 (en) * | 2014-02-18 | 2015-08-20 | Mastercard International Incorporated | Insurance risk modeling method and apparatus |
CN104463673A (zh) * | 2014-12-22 | 2015-03-25 | 中国科学技术大学苏州研究院 | 一种基于支持向量机的p2p网络贷款风险评估模型 |
CN105809537A (zh) * | 2014-12-31 | 2016-07-27 | 天津市招财猫信息技术有限公司 | 一种中小微企业投融资风险控制系统 |
CN107729377A (zh) * | 2017-09-14 | 2018-02-23 | 广州大学 | 基于数据挖掘的顾客分类方法与系统 |
CN108564286A (zh) * | 2018-04-19 | 2018-09-21 | 天合泽泰(厦门)征信服务有限公司 | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 |
CN108898488A (zh) * | 2018-06-11 | 2018-11-27 | 合肥汇英科技有限公司 | 一种基于大数据和人工智能的金融风控系统 |
CN109685635A (zh) * | 2018-09-11 | 2019-04-26 | 深圳平安财富宝投资咨询有限公司 | 金融业务的风险评估方法、风控服务端及存储介质 |
CN109840676A (zh) * | 2018-12-13 | 2019-06-04 | 平安科技(深圳)有限公司 | 基于大数据的风控方法、装置、计算机设备及存储介质 |
CN110009479A (zh) * | 2019-03-01 | 2019-07-12 | 百融金融信息服务股份有限公司 | 信用评价方法及装置、存储介质、计算机设备 |
CN110288123A (zh) * | 2019-05-17 | 2019-09-27 | 福建江夏学院 | 一种基于深度学习的金融信息预测方法及装置 |
CN110390465A (zh) * | 2019-06-18 | 2019-10-29 | 深圳壹账通智能科技有限公司 | 业务数据的风控分析处理方法、装置和计算机设备 |
CN110347719A (zh) * | 2019-06-24 | 2019-10-18 | 华南农业大学 | 一种基于大数据的企业外贸风险预警方法及系统 |
Non-Patent Citations (2)
Title |
---|
ELIANAANGELINI 等: "A neural network approach for credit risk evaluation", 《THE QUARTERLY REVIEW OF ECONOMICS AND FINANCE》 * |
陈稀: "基于深度学习的智能风控系统", 《中国硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150263A (zh) * | 2020-10-09 | 2020-12-29 | 信阳农林学院 | 一种企业财务风险预警系统 |
CN113610627A (zh) * | 2021-07-27 | 2021-11-05 | 浙江惠瀜网络科技有限公司 | 用于风险预警的数据处理方法和装置 |
CN113610627B (zh) * | 2021-07-27 | 2024-02-02 | 浙江惠瀜网络科技有限公司 | 用于风险预警的数据处理方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110909805B (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10572885B1 (en) | Training method, apparatus for loan fraud detection model and computer device | |
CN108520343A (zh) | 风险模型训练方法、风险识别方法、装置、设备及介质 | |
CN110163242B (zh) | 风险识别方法、装置及服务器 | |
CN110909805B (zh) | 基于大数据与Inception V3深度网络模型的金融风控系统 | |
CN110826618A (zh) | 一种基于随机森林的个人信用风险评估方法 | |
CN111325248A (zh) | 降低贷前业务风险的方法及系统 | |
CN115204886A (zh) | 账户识别的方法、装置、电子设备和存储介质 | |
Quan et al. | Tree-based models for variable annuity valuation: parameter tuning and empirical analysis | |
Haryono et al. | Aspect-based sentiment analysis of financial headlines and microblogs using semantic similarity and bidirectional long short-term memory | |
CN110232150A (zh) | 一种用户数据分析方法、装置、可读存储介质及终端设备 | |
CN117408698A (zh) | 一种基于Transformer的对比多视图下庞氏骗局检测方法 | |
Zhou et al. | Hiding all labels for multi-label images: An empirical study of adversarial examples | |
CN116452353A (zh) | 一种财务数据管理方法及系统 | |
CN115603955A (zh) | 异常访问对象识别方法、装置、设备和介质 | |
CN115358878A (zh) | 理财用户风险偏好等级分析方法及装置 | |
CN112069392B (zh) | 涉网犯罪防控方法、装置、计算机设备及存储介质 | |
Xia et al. | Analysis and prediction of telecom customer churn based on machine learning | |
Yin et al. | Nonlinear analysis and prediction of soybean futures. | |
CN113850483A (zh) | 一种企业信用风险评级系统 | |
CN113962799A (zh) | 一种风控模型的训练方法、风险确定方法、装置、设备 | |
CN111241280A (zh) | 文本分类模型的训练方法和文本分类方法 | |
CN113919962B (zh) | 保单出险的智能分析方法、装置、设备及存储介质 | |
Jagric et al. | A comparison of growing cell structures neural networks and linear scoring models in the retail credit environment: a case of a small EU and EMU member country | |
Kuznietsova et al. | Data Mining Methods for Evaluation and Forecasting the Mobile Internet Traffic in Roaming. | |
Tang et al. | Stock Price Prediction Based on Natural Language Processing |
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 |