CN110930249A - 大型企业信用风险预测方法及系统、存储介质及电子设备 - Google Patents
大型企业信用风险预测方法及系统、存储介质及电子设备 Download PDFInfo
- Publication number
- CN110930249A CN110930249A CN202010082399.8A CN202010082399A CN110930249A CN 110930249 A CN110930249 A CN 110930249A CN 202010082399 A CN202010082399 A CN 202010082399A CN 110930249 A CN110930249 A CN 110930249A
- Authority
- CN
- China
- Prior art keywords
- data
- target enterprise
- risk
- value
- prediction
- 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
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (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)
Abstract
本发明涉及一种大型企业信用风险预测方法及系统、存储介质及电子设备，该预测方法包括以下步骤：获取目标企业的关系网络知识图谱，并从所述关系网络知识图谱中找出目标企业的一度关联方；收集目标企业及其一度关联方的数据；基于目标企业的数据及第一预测模型，预测得到目标企业的第一风险预测值；基于目标企业的一度关联方的数据及第二预测模型，预测得到目标企业的第二风险预测值；融合所述第一风险预测值和第二风险预测值，最终得到目标企业的信用风险预测值。本发明预测方法同时利用了目标企业自身的数据以及其一度关联方的数据进行风险预测，可以提高预测结果的准确性。
Description
技术领域
本发明涉及风险预测技术领域，特别涉及一种大型企业信用风险预测方法及系统、存储介质及电子设备。
背景技术
基于大数据时代，通过对企业运营中产生的各种数据进行收集、分析，可以有效地帮助企业自己或他人创造更多的价值。例如，通过分析产品的热销类型和购买人群，可以帮助企业做出更准确的产品营销策略。又例如，通过对企业交易数据的分析，可以帮助企业形成信用档案，有助于企业进行融资或贷款。以企业信用评估为例，传统的征信模型虽然能够一定程度上评价企业信用风险，但是传统的信用评估主要依靠目标企业自身的交易数据，而忽略了关联方的信用风险影响。换言之，目前的评估模型的预测结果准确性还有待提高。
发明内容
本发明的目的在于解决目前的信用评估模型的预测结果准确性不够的技术问题，提供一种尤其适用于大型企业的企业信用风险预测方法及系统，以提高大型企业的信用风险预测结果的准确性。
为了实现上述发明目的，本发明实施例提供了以下技术方案：
一方面，本发明实施例提供了一种大型企业信用风险预测方法，包括以下步骤：
获取目标企业的关系网络知识图谱，并从所述关系网络知识图谱中找出目标企业的一度关联方；
收集目标企业及其一度关联方的数据；
基于目标企业的数据及第一预测模型，预测得到目标企业的第一风险预测值；
基于目标企业的一度关联方的数据及第二预测模型，预测得到目标企业的第二风险预测值；
融合所述第一风险预测值和第二风险预测值，最终得到目标企业的信用风险预测值。
上述方法中，利用了目标企业的自身数据进行风险预测，也利用了目标企业的一度关联方的数据进行风险预测，因此，相比于传统方法具有更高的可靠性，预测结果更准确，更有利于使用方进行更合理的的应用。
所述目标企业的数据包括工商信息、纳税信用评级、司法信息及行政处罚信息；和/或，所述目标企业的一度关联方的数据包括司法信息、欠税信息以及信用信息。
所述基于目标企业的数据及第一预测模型，预测得到目标企业的第一风险预测值的步骤，包括：根据预先设定的若干个第一特征变量，从所述目标企业的数据中提取出所述第一特征变量的数值；基于每个第一特征变量的数值，对每个第一特征变量赋予风险预测值；将每个第一特征变量的风险预测值作为变量的数据值输入第一预测模型，并基于预先设定的各个变量的权重，求和得到目标企业的第一风险预测值。
通过设定特征变量，并以给各个特征变量分配权重的方式进行风险预测，模型结构简单，运算速度快。经过试验测试，也具有较好的预测效果。
所述基于目标企业的一度关联方的数据及第二预测模型，预测得到目标企业的第二风险预测值的步骤，包括：根据预先设定的若干个第二特征变量，从所述目标企业的一度关联方的数据中提取出所述第二特征变量的数值；基于每个第二特征变量的数值，对每个第二特征变量赋予风险预测值；将每个第二特征变量的风险预测值作为变量的数据值输入第二预测模型，并基于预先设定的各个变量的权重，求和得到目标企业的第二风险预测值。
所述第二特征变量为统计量特征，所述统计量特征为所有一度关联方的共同参数的统计量。
针对于大型企业，关联方数量一般都比较庞大，如果采用了二度关联方的数据，那么数据将会更大。上述方案中，通过采用统计量特征作为第二特征变量，可以有效地降低运算量，保障模型计算的可靠性，同时也可以保障模型预测效果的准确性。
所述融合所述第一风险预测值和第二风险预测值，最终得到目标企业的信用风险预测值的步骤，包括：分别给第一风险预测值和第二风险预测值分配权重，再求和得到目标企业的信用风险预测值。
所述一度关联方的数据也可以用二度关联方的数据代替；或者，同时包括一度关联方的数据和二度关联方的数据。
另一方面，本发明实施例同时提供了一种大型企业信用风险预测系统，包括：
关联方确定模块，用于获取目标企业的关系网络知识图谱，并从所述关系网络知识图谱中找出目标企业的一度关联方；
数据收集模块，用于收集目标企业及其一度关联方的数据；
第一预测模块，用于基于目标企业的数据及第一预测模型，预测得到目标企业的第一风险预测值；
第二预测模块，用于基于目标企业的一度关联方的数据及第二预测模型，预测得到目标企业的第二风险预测值；
数据融合模块，用于融合所述第一风险预测值和第二风险预测值，最终得到目标企业的信用风险预测值。
所述第一预测模块具体用于：根据预先设定的若干个第一特征变量，从所述目标企业的数据中提取出所述第一特征变量的数值；基于每个第一特征变量的数值，对每个第一特征变量赋予风险预测值；将每个第一特征变量的风险预测值作为变量的数据值输入第一预测模型，并基于预先设定的各个变量的权重，求和得到目标企业的第一风险预测值；和/或，
所述第二预测模块具体用于：根据预先设定的若干个第二特征变量，从所述目标企业的一度关联方的数据中提取出所述第二特征变量的数值；基于每个第二特征变量的数值，对每个第二特征变量赋予风险预测值；将每个第二特征变量的风险预测值作为变量的数据值输入第二预测模型，并基于预先设定的各个变量的权重，求和得到目标企业的第二风险预测值。
再一方面，本发明实施例同时提供了一种包括计算机可读指令的计算机可读存储介质，所述计算机可读指令在被执行时使处理器执行本发明实施例中所述方法中的操作。
再一方面，本发明实施例同时提供了一种电子设备，包括：存储器，存储程序指令；处理器，与所述存储器相连接，执行存储器中的程序指令，实现本发明实施例中所述方法中的步骤。
与现有技术相比，本发明方法及系统，利用目标企业自身及其关联方的数据进行风险预测，因此可以提高预测结果的准确性；另外，通过设置特征变量及对应权重的方式可以简化预测模型的结构，降低运算量。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍， 应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为实施例中提供的大型企业信用风险预测方法流程图。
图2为实施例中提供的只展示了一度关联方的目标企业的关系网络知识图谱的结构。
图3为基于第一预测模型进行风险预测的流程图。
图4为实施例中提供的大型企业信用风险预测系统框图。
图5为实施例中提供的电子设备的组成框图。
具体实施方式
下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
请参阅图1，本实施例中提供的大型企业信用风险预测方法，尤其适用于大型企业。需要说明的是，此处的大型企业主要是指关系网络知识图谱结构复杂的企业，也就是涉及的关联方较多（关联方数量大于设定阈值）的企业，而不一定是以人数规模或者注册资金或者其他方式分类的大型企业。而对于关联方数量多少为较多的定义，则可以自行定义。理论上，本实施例所述方法也能适用于关联方数量较少的中小型企业的信用风险预测。
具体地，本实施例中提供的大型企业信用风险预测方法包括以下步骤：
S10，获取目标企业的关系网络知识图谱，并从所述关系网络知识图谱中找出目标企业的一度关联方。
关系网络知识图谱是展示企业关联方信息的图谱结构，通过关系网络知识图谱可以清晰的确定与目标企业的一度关联方、二度关联方等，如图2所示。一度关联方是指与目标企业有直接关系的关联方，关联关系包括任职（高管）、投资、股东等，二度关联方是指与一度关联方有直接关系的关联方。由于一度关联方与目标企业的关系最直接，对目标企业的影响更大，因此本实施例中采用的是一度关联方的数据。另外，一度关联方的数量也比二度关联方的数量要少得多，采用一度关联方的数据相对而言可以降低运算量，加快预测效率。但是，容易理解的，根据需要，也可以采用二度关联方、三度关联方的数据，或者同时使用多度关联方的数据。
S20，收集目标企业及其一度关联方的数据。
在确定出目标企业的一度关联方之后，就开始通过例如爬虫等手段收集目标企业自身的数据以及一度关联方的数据。作为举例，目标企业自身的数据包括工商信息、纳税信用评级、司法信息及行政处罚信息，一度关联方的数据包括司法信息、欠税信息以及信用信息。本实施例中收集这些数据，是因为这些数据与信用评估相关性更大，在其他实施方式中，也可以采用其他数据或者更多或更少的数据。
S30，基于目标企业的数据及第一预测模型，预测得到目标企业的第一风险预测值。
具体地，请参阅图3，本实施例中，本步骤包括以下处理过程：
S301，根据预先设定的若干个第一特征变量，从目标企业的数据中提取出第一特征变量的数值。
第一特征变量的个数以及特征本身的设定，本实施例中是从遵循诚实守信准则、遵纪守法规范行为等公共信用方面考虑的，如表1所示。
表1
需要说明的是，表1所示仅是一个举例，对于第一特征变量本身及个数的设定可以有不同的实施方式，本发明对此特殊的硬性要求。为了利用更多信息对大型企业的信用风险进行更多维度的预测，以进一步提高准确性，在进一步优化的实施方案中，在表1所示第一特征变量的基础上，也可以增加其他特征变量。
S302，基于每个第一特征变量的数值，对每个第一特征变量赋予风险预测值。
如表1所示，针对于每一个第一特征变量，预先就设定了评分标准（表中是以100分制进行），在获得各个第一特征变量的数值后，即可根据评分标准对该第一特征变量进行赋值。例如，假设目标企业为上市公司，则表1中的第一个第一特征变量就赋值为10。
需要说明的是，第一特征变量以及评分标准的设定不是随意设置的，而是根据专家经验以及统计分析制定的，例如表1所示第一特征变量和评分标准即是目前常用的信用风险预测标准。
S303，将每个第一特征变量的风险预测值作为变量的数据值输入第一预测模型，并基于预先设定的各个变量的权重，求和得到目标企业的第一风险预测值。
由表1可知，第一预测模型为若干个变量的求和模型。当通过表1对大型企业的信用风险进行预测时，目标企业的第一风险预测值y=10x1+10x2+10x3+10x4+17x5+15x6+3x7+25x8，x表示第一特征变量。
S40，基于目标企业的一度关联方的数据及第二预测模型，预测得到目标企业的第二风险预测值。
本实施例中，本步骤的处理过程与步骤S30的处理过程类似，先根据预先设定的若干个第二特征变量，从所述目标企业的一度关联方的数据中提取出所述第二特征变量的数值；然后基于每个第二特征变量的数值，对每个第二特征变量赋予风险预测值；最后将每个第二特征变量的风险预测值作为变量的数据值输入第二预测模型，并基于预先设定的各个变量的权重，求和得到目标企业的第二风险预测值。
对于第二特征变量的设定在不同的实施方案中有不同的设置。例如，在第一种实施方案中，第二特征变量也采用表1中所示的特征，然后可以先针对于每个一度关联方的数据计算出该一度关联方的风险预测值，然后再对所有的关联方的风险预测值平均分配权重（所有关联方的权重之和为1），最后再求取所有关联方的风险预测值之和，则第二风险预测值y=1/n（y1+y2+……+yn），n为一度关联方的个数，yn为第n个关联方的风险预测值。
对于一度关联方数量较少的目标企业，采用上述方式是比较合适的，然而对于一度关联方数量较多的目标企业，采用上述方式将会导致运算量非常大，而且更多情况下大型企业的一度关联方的数量都比较大，例如图2所示，为阿里巴巴的关系网络知识图谱（仅仅展示了一度关联方的情况），一度关联方数量非常大，因此采用上述方式会极大地降低运算速度。另外，很容易理解的，如果要以二度关联方的数据来预测信用风险，则运算量将会更大，甚至有可能运算出错。因此，在更优化的第二实施方案中，针对于一度关联方数量较多（例如大于设定的一个阈值）的情况，在设置第二特征变量时，可以基于统计法设置一些统计量作为第二特征变量，即统计出所有一度关联方的某些特征的数量，例如表2所示。基于表2所示的第二特征变量，第二预测模型的表达式同表1所对应的结构。
表2
同样的，本步骤中采用的如表2所示的第二特征变量及权利分配方式仅是一个举例，在不同的实施方式下可以有不同的配置方式。采用一度关联方的数据计算得到第二风险预测值的目的就是计量一度关联方对目标企业的影响，关联方对目标企业的影响具有整体效应，因此采用表2所示的特征作为第二特征变量在降低运算量的情况下，同样能够保障预测值的准确性。
也就是说，本步骤S40在执行时，首先要判断目标企业的一度关联方的数量是否大于设定的阈值，若小于等于则采用第一种实施方案，若大于则采用第二种实施方案。
S50，融合所述第一风险预测值和第二风险预测值，最终得到目标企业的信用风险预测值。
本步骤中，也是基于权重分配并求和的方式进行数据融合，即分别给第一风险预测值和第二风险预测值分配权重，再求和得到目标企业的信用风险预测值。例如Score=0.6* Score1+0.4*Score2，Score1为通过表1计算得出的第一风险预测值，Score2为通过表2计算得出的第二风险预测值，Score为最后得到的目标企业的信用风险预测值。
请参阅图4，本实施例中同时提供了一种大型企业信用风险预测系统，包括：
关联方确定模块，用于获取目标企业的关系网络知识图谱，并从所述关系网络知识图谱中找出目标企业的一度关联方。
数据收集模块，用于收集目标企业及其一度关联方的数据。
第一预测模块，用于基于目标企业的数据及第一预测模型，预测得到目标企业的第一风险预测值。
第二预测模块，用于基于目标企业的一度关联方的数据及第二预测模型，预测得到目标企业的第二风险预测值。
数据融合模块，用于融合所述第一风险预测值和第二风险预测值，最终得到目标企业的信用风险预测值。
在一个实施方案中，所述第一预测模块具体用于：根据预先设定的若干个第一特征变量，从所述目标企业的数据中提取出所述第一特征变量的数值；基于每个第一特征变量的数值，对每个第一特征变量赋予风险预测值；将每个第一特征变量的风险预测值作为变量的数据值输入第一预测模型，并基于预先设定的各个变量的权重，求和得到目标企业的第一风险预测值。
所述第二预测模块具体用于：根据预先设定的若干个第二特征变量，从所述目标企业的一度关联方的数据中提取出所述第二特征变量的数值；基于每个第二特征变量的数值，对每个第二特征变量赋予风险预测值；将每个第二特征变量的风险预测值作为变量的数据值输入第二预测模型，并基于预先设定的各个变量的权重，求和得到目标企业的第二风险预测值。
数据融合模块具体用于：分别给第一风险预测值和第二风险预测值分配权重，再求和得到目标企业的信用风险预测值。
上述系统是基于前述方法相同的发明构思，对于系统中的各个模块的具体处理过程，可以参照前述方法的相关描述，此处不再赘述。
如图5所示，本实施例同时提供了一种电子设备，该电子设备可以包括处理器51和存储器52，其中存储器52耦合至处理器51。值得注意的是，该图是示例性的，还可以使用其他类型的结构来补充或替代该结构，实现数据提取、报告生成、通信或其他功能。
如图5所示，该电子设备还可以包括：输入单元53、显示单元54和电源55。值得注意的是，该电子设备也并不是必须要包括图5中显示的所有部件。此外，电子设备还可以包括图5中没有示出的部件，可以参考现有技术。
处理器51有时也称控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该处理器51接收输入并控制电子设备的各个部件的操作。
其中，存储器52例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其他合适装置中的一种或多种，可存储上述处理器51的配置信息、处理器51执行的指令、记录的表格数据等信息。处理器51可以执行存储器52存储的程序，以实现信息存储或处理等。在一个实施例中，存储器52中还包括缓冲存储器，即缓冲器，以存储中间信息。
输入单元53例如用于向处理器51提供目标企业或其关联方的数据。显示单元54用于显示处理过程中的各种结果，例如特征库中的特征变量、得到的各个预测模型等，该显示单元例如可以为LCD显示器，但本发明并不限于此。电源55用于为电子设备提供电力。
本发明实施例还提供一种计算机可读指令，其中当在电子设备中执行所述指令时，所述程序使得电子设备执行本发明方法所包含的操作步骤。
本发明实施例还提供一种存储有计算机可读指令的存储介质，其中所述计算机可读指令使得电子设备执行本发明方法所包含的操作步骤。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成模块及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种大型企业信用风险预测方法，其特征在于，包括以下步骤：
获取目标企业的关系网络知识图谱，并从所述关系网络知识图谱中找出目标企业的一度关联方；
收集目标企业及其一度关联方的数据；
基于目标企业的数据及第一预测模型，预测得到目标企业的第一风险预测值；
基于目标企业的一度关联方的数据及第二预测模型，预测得到目标企业的第二风险预测值；
融合所述第一风险预测值和第二风险预测值，最终得到目标企业的信用风险预测值。
2.根据权利要求1所述的方法，其特征在于，所述目标企业的数据包括工商信息、纳税信用评级、司法信息及行政处罚信息；和/或，所述目标企业的一度关联方的数据包括司法信息、欠税信息以及信用信息。
3.根据权利要求1所述的方法，其特征在于，所述基于目标企业的数据及第一预测模型，预测得到目标企业的第一风险预测值的步骤，包括：
根据预先设定的若干个第一特征变量，从所述目标企业的数据中提取出所述第一特征变量的数值；
基于每个第一特征变量的数值，对每个第一特征变量赋予风险预测值；
将每个第一特征变量的风险预测值作为变量的数据值输入第一预测模型，并基于预先设定的各个变量的权重，求和得到目标企业的第一风险预测值。
4.根据权利要求1所述的方法，其特征在于，所述基于目标企业的一度关联方的数据及第二预测模型，预测得到目标企业的第二风险预测值的步骤，包括：
根据预先设定的若干个第二特征变量，从所述目标企业的一度关联方的数据中提取出所述第二特征变量的数值；
基于每个第二特征变量的数值，对每个第二特征变量赋予风险预测值；
将每个第二特征变量的风险预测值作为变量的数据值输入第二预测模型，并基于预先设定的各个变量的权重，求和得到目标企业的第二风险预测值。
5.根据权利要求1所述的方法，其特征在于，所述融合所述第一风险预测值和第二风险预测值，最终得到目标企业的信用风险预测值的步骤，包括：分别给第一风险预测值和第二风险预测值分配权重，再求和得到目标企业的信用风险预测值。
6.根据权利要求1所述的方法，其特征在于，所述一度关联方的数据也可以用二度关联方的数据代替；或者，同时包括一度关联方的数据和二度关联方的数据。
7.一种大型企业信用风险预测系统，其特征在于，包括：
关联方确定模块，用于获取目标企业的关系网络知识图谱，并从所述关系网络知识图谱中找出目标企业的一度关联方；
数据收集模块，用于收集目标企业及其一度关联方的数据；
第一预测模块，用于基于目标企业的数据及第一预测模型，预测得到目标企业的第一风险预测值；
第二预测模块，用于基于目标企业的一度关联方的数据及第二预测模型，预测得到目标企业的第二风险预测值；
数据融合模块，用于融合所述第一风险预测值和第二风险预测值，最终得到目标企业的信用风险预测值。
8.根据权利要求7所述的系统，其特征在于，所述第一预测模块具体用于：根据预先设定的若干个第一特征变量，从所述目标企业的数据中提取出所述第一特征变量的数值；基于每个第一特征变量的数值，对每个第一特征变量赋予风险预测值；将每个第一特征变量的风险预测值作为变量的数据值输入第一预测模型，并基于预先设定的各个变量的权重，求和得到目标企业的第一风险预测值；和/或，
所述第二预测模块具体用于：根据预先设定的若干个第二特征变量，从所述目标企业的一度关联方的数据中提取出所述第二特征变量的数值；基于每个第二特征变量的数值，对每个第二特征变量赋予风险预测值；将每个第二特征变量的风险预测值作为变量的数据值输入第二预测模型，并基于预先设定的各个变量的权重，求和得到目标企业的第二风险预测值。
9.一种包括计算机可读指令的计算机可读存储介质，其特征在于，所述计算机可读指令在被执行时使处理器执行权利要求1-6任一所述方法中的操作。
10.一种电子设备，其特征在于，所述的设备包括：
存储器，存储程序指令；
处理器，与所述存储器相连接，执行存储器中的程序指令，实现权利要求1-6任一所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010082399.8A CN110930249A (zh) | 2020-02-07 | 2020-02-07 | 大型企业信用风险预测方法及系统、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010082399.8A CN110930249A (zh) | 2020-02-07 | 2020-02-07 | 大型企业信用风险预测方法及系统、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110930249A true CN110930249A (zh) | 2020-03-27 |
Family
ID=69854695
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010082399.8A Pending CN110930249A (zh) | 2020-02-07 | 2020-02-07 | 大型企业信用风险预测方法及系统、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110930249A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111460312A (zh) * | 2020-06-22 | 2020-07-28 | 上海冰鉴信息科技有限公司 | 空壳企业识别方法、装置及计算机设备 |
| CN111523826A (zh) * | 2020-05-11 | 2020-08-11 | 支付宝(杭州)信息技术有限公司 | 一种数据采集方法、装置及设备 |
| CN111582565A (zh) * | 2020-04-26 | 2020-08-25 | 支付宝(杭州)信息技术有限公司 | 数据融合方法、装置和电子设备 |
| CN111951079A (zh) * | 2020-08-14 | 2020-11-17 | 国网电子商务有限公司 | 一种基于知识图谱的信用评级方法、装置及电子设备 |
| CN112001786A (zh) * | 2020-08-05 | 2020-11-27 | 中国银行股份有限公司 | 基于知识图谱的客户信用卡额度配置方法及装置 |
| CN112132441A (zh) * | 2020-09-16 | 2020-12-25 | 西安科技大学 | 风险传播信息评估方法、系统、存储介质、计算机设备 |
| CN112598507A (zh) * | 2020-12-25 | 2021-04-02 | 北京知因智慧科技有限公司 | 基于知识图谱的过度授信风险预测系统和方法 |
| CN112927082A (zh) * | 2021-03-22 | 2021-06-08 | 中国工商银行股份有限公司 | 信用风险的预测方法、装置、设备、介质和程序产品 |
| CN114022058A (zh) * | 2022-01-06 | 2022-02-08 | 成都晓多科技有限公司 | 基于时序知识图谱的中小企业失信风险预测方法 |
-
2020
- 2020-02-07 CN CN202010082399.8A patent/CN110930249A/zh active Pending
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582565A (zh) * | 2020-04-26 | 2020-08-25 | 支付宝(杭州)信息技术有限公司 | 数据融合方法、装置和电子设备 |
| CN111523826A (zh) * | 2020-05-11 | 2020-08-11 | 支付宝(杭州)信息技术有限公司 | 一种数据采集方法、装置及设备 |
| CN111523826B (zh) * | 2020-05-11 | 2022-06-24 | 支付宝(杭州)信息技术有限公司 | 一种数据采集方法、装置及设备 |
| CN111460312A (zh) * | 2020-06-22 | 2020-07-28 | 上海冰鉴信息科技有限公司 | 空壳企业识别方法、装置及计算机设备 |
| CN112001786A (zh) * | 2020-08-05 | 2020-11-27 | 中国银行股份有限公司 | 基于知识图谱的客户信用卡额度配置方法及装置 |
| CN112001786B (zh) * | 2020-08-05 | 2023-08-22 | 中国银行股份有限公司 | 基于知识图谱的客户信用卡额度配置方法及装置 |
| CN111951079A (zh) * | 2020-08-14 | 2020-11-17 | 国网电子商务有限公司 | 一种基于知识图谱的信用评级方法、装置及电子设备 |
| CN111951079B (zh) * | 2020-08-14 | 2024-04-02 | 国网数字科技控股有限公司 | 一种基于知识图谱的信用评级方法、装置及电子设备 |
| CN112132441A (zh) * | 2020-09-16 | 2020-12-25 | 西安科技大学 | 风险传播信息评估方法、系统、存储介质、计算机设备 |
| CN112598507A (zh) * | 2020-12-25 | 2021-04-02 | 北京知因智慧科技有限公司 | 基于知识图谱的过度授信风险预测系统和方法 |
| CN112927082A (zh) * | 2021-03-22 | 2021-06-08 | 中国工商银行股份有限公司 | 信用风险的预测方法、装置、设备、介质和程序产品 |
| CN114022058A (zh) * | 2022-01-06 | 2022-02-08 | 成都晓多科技有限公司 | 基于时序知识图谱的中小企业失信风险预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110930249A (zh) | 大型企业信用风险预测方法及系统、存储介质及电子设备 | |
| JP6771751B2 (ja) | リスク評価方法およびシステム | |
| Kantarcıoğlu et al. | Classifier evaluation and attribute selection against active adversaries | |
| CN111324862A (zh) | 贷中行为监控的方法及系统 | |
| AU2014202660B2 (en) | A system and method using multi-dimensional rating to determine an entity's future commercial viability | |
| US10083263B2 (en) | Automatic modeling farmer | |
| CN110415036B (zh) | 用户等级的确定方法、装置、计算机设备和存储介质 | |
| CN111199477A (zh) | 一种多级混联的风险管理方法、装置和电子设备 | |
| Sharma et al. | Modeling and analysis of leftover issues and release time planning in multi-release open source software using entropy based measure | |
| Serdar et al. | Urban infrastructure resilience assessment during mega sport events using a multi-criteria approach | |
| Marugán et al. | Decision-making management: A tutorial and applications | |
| CN112070564B (zh) | 广告拉取方法、装置、系统与电子设备 | |
| EP3764310A1 (en) | Prediction task assistance device and prediction task assistance method | |
| CN112488865A (zh) | 基于金融时间节点的金融风险预测方法、装置和电子设备 | |
| CN111382909A (zh) | 基于生存分析模型扩展坏样本的拒绝推断方法及相关设备 | |
| Smith | Mission dependency index of air force built infrastructure: Knowledge discovery with machine learning | |
| CN113298120B (zh) | 基于融合模型的用户风险预测方法、系统和计算机设备 | |
| Makhijani et al. | QUEST: queue simulation for content moderation at scale | |
| CN108805603A (zh) | 营销活动质量评估方法、服务器及计算机可读存储介质 | |
| US20140344022A1 (en) | Competitor response model based pricing tool | |
| US20140344021A1 (en) | Reactive competitor price determination using a competitor response model | |
| CN109739896B (zh) | 一种网上学习平台的数据分析方法及装置 | |
| US10810006B2 (en) | Indicator regression and modeling for implementing system changes to improve control effectiveness | |
| CN112163943A (zh) | 违约概率的确定方法、装置、设备和介质 | |
| Jaafari | Probabilistic unit cost estimation for project configuration optimization |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200327 |
|
| RJ01 | Rejection of invention patent application after publication |