CN110991744A - 一种交易限额的设置方法及系统 - Google Patents
一种交易限额的设置方法及系统 Download PDFInfo
- Publication number
- CN110991744A CN110991744A CN201911233941.9A CN201911233941A CN110991744A CN 110991744 A CN110991744 A CN 110991744A CN 201911233941 A CN201911233941 A CN 201911233941A CN 110991744 A CN110991744 A CN 110991744A
- Authority
- CN
- China
- Prior art keywords
- prediction
- profit
- loss
- quota
- neural network
- 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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种交易限额的设置方法及系统,该方法为:获取银行网点的限额集合;将限额集合输入盈利预测模型进行盈利预测,得到盈利预测集合;将限额集合输入损失预测模型进行损失预测,得到损失预测集合;基于盈利预测集合和损失预测集合,确定银行网点的最优限额。本方案中,预先设置包含多个不同限额的限额集合,利用盈利预测模型对不同限额进行盈利预测得到盈利预测集合。利用损失预测模型对不同限额进行损失预测得到损失预测集合。根据预测得到的盈利预测集合和损失预测集合,确定银行网点的最优限额,保证银行的盈利和避免加大风险损失。
Description
技术领域
本发明涉及数据分析技术领域,具体涉及一种交易限额的设置方法及系统。
背景技术
随着银行的发展,自助存取款机在日常生活中随处可见,向广大客户提供了更加方便和快捷的存取款服务。客户在使用自助存取款机的时候,自助存取款机可能由于多种原因会发生吞卡行为。
自助存取款机在发生吞卡行为后,为保证客户的使用体验,自助存取款机会为客户提供一定权限范围内的服务,比如:为客户提供一定转账额度的转账服务和一定取款额度的取款服务。在设置转账额度和取款额度的时候,如果转账额度和取款额度过低,会影响银行的盈利。如果转账额度和取款额度过高,在发生银行卡盗刷时,会加大银行的风险损失。
因此,在不影响银行的盈利和不加大风险损失的情况下,如何设置转账额度和取款额度是目前亟需解决的问题。
发明内容
有鉴于此,本发明实施例提供一种交易限额的设置方法及系统,以保证银行的盈利和不加大风险损失。
为实现上述目的,本发明实施例提供如下技术方案:
本发明实施例第一方面公开一种交易限额的设置方法,所述方法包括:
获取银行网点的限额集合,所述限额集合包含多个不同额度的限额;
将所述限额集合输入盈利预测模型进行盈利预测,得到盈利预测集合,所述盈利预测集合包含每一所述限额对应的预测盈利,预先基于盈利样本数据训练神经网络模型得到所述盈利预测模型;
将所述限额集合输入损失预测模型进行损失预测,得到损失预测集合,所述损失预测集合包含每一所述限额对应的预测损失,预先基于损失样本数据训练神经网络模型得到所述损失预测模型;
基于所述盈利预测集合和所述损失预测集合,确定所述银行网点的最优限额。
优选的,所述基于所述盈利预测集合和所述损失预测集合,确定所述银行网点的最优限额,包括:
针对每一限额,计算所述限额对应的预测盈利和预测损失之间的差值;
确定多个所述差值中的最大差值对应的限额为所述银行网点的最优限额。
优选的,所述预先基于盈利样本数据训练神经网络模型得到所述盈利预测模型,包括:
获取所述银行网点在不同限额下对应的历史盈利数据;
利用所述历史盈利数据和与其对应的限额,结合遗传算法训练GA-BP神经网络模型直至所述GA-BP神经网络模型收敛,得到所述盈利预测模型。
优选的,所述预先基于损失样本数据训练神经网络模型得到所述损失预测模型,包括:
获取所述银行网点在不同限额下对应的历史损失数据;
利用所述历史损失数据和与其对应的限额,结合遗传算法训练GA-BP神经网络模型直至所述GA-BP神经网络模型收敛,得到所述损失预测模型。
优选的,所述确定所述银行网点的最优限额之后,还包括:
当存取款机发生吞卡行为时,根据所述最优限额限制客户的取款额度和转账额度。
本发明实施例第二方面公开一种交易限额的设置系统,所述系统包括:
获取单元,用于获取银行网点的限额集合,所述限额集合包含多个不同额度的限额;
盈利预测单元,用于将所述限额集合输入盈利预测模型进行盈利预测,得到盈利预测集合,所述盈利预测集合包含每一所述限额对应的预测盈利,预先基于盈利样本数据训练神经网络模型得到所述盈利预测模型;
损失预测单元,用于将所述限额集合输入损失预测模型进行损失预测,得到损失预测集合,所述损失预测集合包含每一所述限额对应的预测损失,预先基于损失样本数据训练神经网络模型得到所述损失预测模型;
处理单元,用于基于所述盈利预测集合和所述损失预测集合,确定所述银行网点的最优限额。
优选的,所述处理单元具体用于:针对每一限额,计算所述限额对应的预测盈利和预测损失之间的差值,确定多个所述差值中的最大差值对应的限额为所述银行网点的最优限额。
优选的,所述盈利预测单元具体用于:获取所述银行网点在不同限额下对应的历史盈利数据,利用所述历史盈利数据和与其对应的限额,结合遗传算法训练GA-BP神经网络模型直至所述GA-BP神经网络模型收敛,得到所述盈利预测模型。
优选的,所述损失预测单元具体用于:获取所述银行网点在不同限额下对应的历史损失数据,利用所述历史损失数据和与其对应的限额,结合遗传算法训练GA-BP神经网络模型直至所述GA-BP神经网络模型收敛,得到所述损失预测模型。
优选的,所述处理单元还用于:当存取款机发生吞卡行为时,根据所述最优限额限制客户的取款额度和转账额度。
基于上述本发明实施例提供的一种交易限额的设置方法及系统,该方法为:获取银行网点的限额集合;将限额集合输入盈利预测模型进行盈利预测,得到盈利预测集合;将限额集合输入损失预测模型进行损失预测,得到损失预测集合;基于盈利预测集合和损失预测集合,确定银行网点的最优限额。本方案中,预先设置包含多个不同限额的限额集合,利用盈利预测模型对不同限额进行盈利预测得到盈利预测集合。利用损失预测模型对不同限额进行损失预测得到损失预测集合。根据预测得到的盈利预测集合和损失预测集合,确定银行网点的最优限额,保证银行的盈利和避免加大风险损失。
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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种交易额度的设置方法的流程图;
图2为本发明实施例提供的一种交易额度的设置系统的结构框图。
具体实施方式
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。
在本申请中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
由背景技术可知,目前在设置转账额度和取款额度的时候,如果转账额度和取款额度过低,会影响银行的盈利。如果转账额度和取款额度过高,在发生银行卡盗刷时,会加大银行的风险损失。
因此,本发明实施例提供一种交易限额的设置方法及系统,预先设置银行的多个不同限额,利用盈利预测模型对不同限额进行盈利预测得到盈利预测集合。利用损失预测模型对不同限额进行损失预测得到损失预测集合。根据预测得到的盈利预测集合和损失预测集合,确定银行网点的最优限额,以保证银行的盈利和不加大风险损失。
参见图1,示出了本发明实施例提供的一种交易限额的设置方法的流程图,该设置方法包括以下步骤:
步骤S101:获取银行网点的限额集合。
在具体实现步骤S101的过程中,预先为银行网点设置多个不同额度的限额,也就是说,该限额集合中包含了前述预先设置的多个不同额度的限额。
步骤S102:将限额集合输入盈利预测模型进行盈利预测,得到盈利预测集合。
需要说明的是,盈利预测集合包含步骤S101中所涉及的每一限额对应的预测盈利,该预测盈利为预测盈利数据或预测盈利提升数据。
例如:对2020年每个月进行盈利预测,盈利预测为2020年每个月的预测盈利数据,或者,盈利预测为2020年每个月同比2019年每个月的预测盈利提升数据。
相应的,盈利预测也可预测每天或每个季度的盈利,在本发明实施例对于预测盈利的具体内容不作具体限定。
在具体实现步骤S102的过程中,预先收集盈利样本数据,利用盈利样本数据训练神经网络模型得到盈利预测模型。根据预测盈利的类型确定需要收集的盈利样本数据。也就是说,若预测盈利为预测盈利数据,则收集的盈利样本数据为样本盈利数据,若预测盈利为预测盈利提升数据,则收集的盈利样本数据为样本盈利提升数据。
在收集盈利样本数据时,可收集不同银行网点在不同限额下的盈利样本数据。也可预先为银行网点设置不同限额,并收集该银行网点在不同限额下的盈利样本数据。
为更好解释说明如何为银行网点预先设置不同限额,以为该银行网点的每个月设置限额为示例进行说明:
获取银行网点历史数据中任一天的限额A,将该限额A分为12等份,即D=A/12。以未来一年内的任一月份为基准月,该基准月的限额为限额A,以基准月为基准,结合前述计算得到的D,使未来一年的相邻两个月之间的限额差为D。比如:5月为基准月,限额为A,则4月的限额为A-D,6月的限额为A+D,7月的限额为A+2D,依次类推设置每个月份的限额。同理,4月的限额也可设置为A+D,6月的限额也可设置为A-D,7月的限额也可设置为A-2D,依次类推设置每个月份的限额。
设置该银行网点的每个月份的限额后,收集该银行网点在不同限额下的盈利样本数据。
上述提及到的盈利预测模型的训练过程为:获取银行网点在不同限额下对应的历史盈利数据(即收集的盈利样本数据)。利用历史盈利数据和与其对应的限额,结合遗传算法训练GA-BP神经网络模型直至GA-BP神经网络模型收敛,得到盈利预测模型。
步骤S103:将限额集合输入损失预测模型进行损失预测,得到损失预测集合。
需要说明的是,损失预测集合包含步骤S101中涉及的每一限额对应的预测损失。在进行损失预测的过程中,损失预测为银行网点每天、每周、每月或每季的损失数据,在本发明实施例中对于预测损失的具体内容不做具体限定。
在具体实现步骤S103的过程中,预先收集损失样本数据,预先基于损失样本数据训练神经网络模型得到损失预测模型。在收集损失样本数据时,可收集不同银行网点在不同限额下的损失样本数据,也可预先为银行网点设置不同限额,并收集该银行网点在不同限额下的损失样本数据。
对于预先为银行网点设置不同限额的过程请参见上述步骤S102中的相关内容,在此不再进行赘述。
上述提及的损失预测模型的训练过程为:获取银行网点在不同限额下对应的历史损失数据(即收集的损失样本数据)。利用历史损失数据和与其对应的限额,结合遗传算法训练GA-BP神经网络模型直至GA-BP神经网络模型收敛,得到损失预测模型。
需要说明的是,步骤S102和步骤S103中涉及的GA-BP神经网络模型的结构确定过程为:将提取的特征数据的个数作为输入层的节点个数,损失预测或盈利预测的个数为输出层的节点个数,利用试凑法确定隐层节点个数。
在训练GA-BP神经网络模型时,将遗传算法输出的最优个体作为GA-BP神经网络模型的初始权值和阈值,对该GA-BP神经网络模型进行训练。
更进一步需要说明的是,上述步骤S102和步骤S103中,利用盈利预测模型进行盈利预测,利用损失预测模型进行损失预测。同理,也可只利用一个预测模型进行盈利预测和损失预测,也就是说,将限额集合输入该预测模型中进行盈利预测和损失预测,得到盈利预测集合和损失预测集合。
在训练该预测模型时,收集不同限额对应的盈利样本数据和损失样本数据,利用收集得到的盈利样本数据和损失样本数据训练GA-BP神经网络模型直至收敛得到该预测模型。
收集不同限额对应的盈利样本数据和损失样本数据的过程,以及获取该预测模型的过程,可参见上述示出的相关内容,在此不再进行赘述。
步骤S104:基于盈利预测集合和损失预测集合,确定银行网点的最优限额。
在具体实现步骤S104的过程中,针对限额集合中的每一限额,计算该限额对应的预测盈利和预测损失之间的差值。确定多个差值中的最大差值对应的限额为银行网点的最优限额。
例如:盈利预测集合包含未来12个月的预测盈利E=[E1,E2…E12],损失预测集合包含未来12个月的预测损失F=[F1,F2…F12]。计算E1和F1之间的差值,E2和F2之间的差值,以此类推计算每个月的预测盈利和预测损失的差值。将最大差值对应的限额作为银行网点的最优限额,即最优限额G=Max[Ei-Fi],i为大于等于1小于等于12的整数。
优选的,当存取款机发生吞卡行为时,根据最优限额限制客户的取款额度和转账额度。
例如:当存取款机发生吞卡行为后,对客户进行身份验证。若客户通过存取款机的身份验证,为客户提供取款和转账等服务,但客户的最大取款额度和最大转账额度为前述计算得到的最优限额。
在本发明实施例中,预先设置包含多个不同限额的限额集合,利用盈利预测模型对不同限额进行盈利预测得到盈利预测集合。利用损失预测模型对不同限额进行损失预测得到损失预测集合。根据预测得到的盈利预测集合和损失预测集合,确定银行网点的最优限额。在存取款机发生吞卡行为后,利用最优限额限制客户的取款额度和转账额度,保证银行的盈利和避免加大风险损失。
与上述本发明实施例提供的一种交易额度的设置方法相对应,参见图2,本发明实施例还提供了一种交易额度的设置系统的结构框图,该设置系统包括:获取单元201、盈利预测单元202、损失预测单元203和处理单元204;
获取单元201,用于获取银行网点的限额集合,限额集合包含多个不同额度的限额。
盈利预测单元202,用于将限额集合输入盈利预测模型进行盈利预测,得到盈利预测集合,盈利预测集合包含每一限额对应的预测盈利,预先基于盈利样本数据训练神经网络模型得到盈利预测模型。
在具体实现中,所述盈利预测单元202具体用于:获取银行网点在不同限额下对应的历史盈利数据,利用历史盈利数据和与其对应的限额,结合遗传算法训练GA-BP神经网络模型直至GA-BP神经网络模型收敛,得到盈利预测模型。
损失预测单元203,用于将限额集合输入损失预测模型进行损失预测,得到损失预测集合,损失预测集合包含每一限额对应的预测损失,预先基于损失样本数据训练神经网络模型得到损失预测模型。
在具体实现中,损失预测单元203具体用于:获取银行网点在不同限额下对应的历史损失数据,利用历史损失数据和与其对应的限额,结合遗传算法训练GA-BP神经网络模型直至所述GA-BP神经网络模型收敛,得到损失预测模型。
处理单元204,用于基于盈利预测集合和损失预测集合,确定银行网点的最优限额。
在具体实现中,处理单元204具体用于:针对每一限额,计算限额对应的预测盈利和预测损失之间的差值,确定多个差值中的最大差值对应的限额为所述银行网点的最优限额。
优选的,处理单元204还用于:当存取款机发生吞卡行为时,根据最优限额限制客户的取款额度和转账额度。
在本发明实施例中,预先设置包含多个不同限额的限额集合,利用盈利预测模型对不同限额进行盈利预测得到盈利预测集合。利用损失预测模型对不同限额进行损失预测得到损失预测集合。根据预测得到的盈利预测集合和损失预测集合,确定银行网点的最优限额。在存取款机发生吞卡行为后,利用最优限额限制客户的取款额度和转账额度,保证银行的盈利和避免加大风险损失。
综上所述,本发明实施例提供一种交易限额的设置方法及系统,该方法为:获取银行网点的限额集合;将限额集合输入盈利预测模型进行盈利预测,得到盈利预测集合;将限额集合输入损失预测模型进行损失预测,得到损失预测集合;基于盈利预测集合和损失预测集合,确定银行网点的最优限额。本方案中,预先设置包含多个不同限额的限额集合,利用盈利预测模型对不同限额进行盈利预测得到盈利预测集合。利用损失预测模型对不同限额进行损失预测得到损失预测集合。根据预测得到的盈利预测集合和损失预测集合,确定银行网点的最优限额,保证银行的盈利和避免加大风险损失。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
专业人员还可以进一步意识到,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。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种交易限额的设置方法,其特征在于,所述方法包括:
获取银行网点的限额集合,所述限额集合包含多个不同额度的限额;
将所述限额集合输入盈利预测模型进行盈利预测,得到盈利预测集合,所述盈利预测集合包含每一所述限额对应的预测盈利,预先基于盈利样本数据训练神经网络模型得到所述盈利预测模型;
将所述限额集合输入损失预测模型进行损失预测,得到损失预测集合,所述损失预测集合包含每一所述限额对应的预测损失,预先基于损失样本数据训练神经网络模型得到所述损失预测模型;
基于所述盈利预测集合和所述损失预测集合,确定所述银行网点的最优限额。
2.根据权利要求1所述的方法,其特征在于,所述基于所述盈利预测集合和所述损失预测集合,确定所述银行网点的最优限额,包括:
针对每一限额,计算所述限额对应的预测盈利和预测损失之间的差值;
确定多个所述差值中的最大差值对应的限额为所述银行网点的最优限额。
3.根据权利要求1所述的方法,其特征在于,所述预先基于盈利样本数据训练神经网络模型得到所述盈利预测模型,包括:
获取所述银行网点在不同限额下对应的历史盈利数据;
利用所述历史盈利数据和与其对应的限额,结合遗传算法训练GA-BP神经网络模型直至所述GA-BP神经网络模型收敛,得到所述盈利预测模型。
4.根据权利要求1所述的方法,其特征在于,所述预先基于损失样本数据训练神经网络模型得到所述损失预测模型,包括:
获取所述银行网点在不同限额下对应的历史损失数据;
利用所述历史损失数据和与其对应的限额,结合遗传算法训练GA-BP神经网络模型直至所述GA-BP神经网络模型收敛,得到所述损失预测模型。
5.根据权利要求1所述的方法,其特征在于,所述确定所述银行网点的最优限额之后,还包括:
当存取款机发生吞卡行为时,根据所述最优限额限制客户的取款额度和转账额度。
6.一种交易限额的设置系统,其特征在于,所述系统包括:
获取单元,用于获取银行网点的限额集合,所述限额集合包含多个不同额度的限额;
盈利预测单元,用于将所述限额集合输入盈利预测模型进行盈利预测,得到盈利预测集合,所述盈利预测集合包含每一所述限额对应的预测盈利,预先基于盈利样本数据训练神经网络模型得到所述盈利预测模型;
损失预测单元,用于将所述限额集合输入损失预测模型进行损失预测,得到损失预测集合,所述损失预测集合包含每一所述限额对应的预测损失,预先基于损失样本数据训练神经网络模型得到所述损失预测模型;
处理单元,用于基于所述盈利预测集合和所述损失预测集合,确定所述银行网点的最优限额。
7.根据权利要求6所述的系统,其特征在于,所述处理单元具体用于:针对每一限额,计算所述限额对应的预测盈利和预测损失之间的差值,确定多个所述差值中的最大差值对应的限额为所述银行网点的最优限额。
8.根据权利要求6所述的系统,其特征在于,所述盈利预测单元具体用于:获取所述银行网点在不同限额下对应的历史盈利数据,利用所述历史盈利数据和与其对应的限额,结合遗传算法训练GA-BP神经网络模型直至所述GA-BP神经网络模型收敛,得到所述盈利预测模型。
9.根据权利要求6所述的系统,其特征在于,所述损失预测单元具体用于:获取所述银行网点在不同限额下对应的历史损失数据,利用所述历史损失数据和与其对应的限额,结合遗传算法训练GA-BP神经网络模型直至所述GA-BP神经网络模型收敛,得到所述损失预测模型。
10.根据权利要求6所述的系统,其特征在于,所述处理单元还用于:当存取款机发生吞卡行为时,根据所述最优限额限制客户的取款额度和转账额度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911233941.9A CN110991744B (zh) | 2019-12-05 | 2019-12-05 | 一种交易限额的设置方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911233941.9A CN110991744B (zh) | 2019-12-05 | 2019-12-05 | 一种交易限额的设置方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991744A true CN110991744A (zh) | 2020-04-10 |
CN110991744B CN110991744B (zh) | 2022-07-12 |
Family
ID=70090289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911233941.9A Active CN110991744B (zh) | 2019-12-05 | 2019-12-05 | 一种交易限额的设置方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991744B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986406A (zh) * | 2020-09-03 | 2020-11-24 | 中国银行股份有限公司 | 一种基于取款交易的数据处理方法及装置 |
CN114511360A (zh) * | 2022-04-20 | 2022-05-17 | 华能江西能源销售有限责任公司 | 购电管理方法、系统、可读存储介质及计算机设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710965A (zh) * | 2018-04-17 | 2018-10-26 | 平安科技(深圳)有限公司 | 短期盈利的预测方法、装置、计算机设备和存储介质 |
CN109146474A (zh) * | 2018-07-18 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 一种支付限额定制方法及装置 |
US10417650B1 (en) * | 2015-12-04 | 2019-09-17 | Google Llc | Distributed and automated system for predicting customer lifetime value |
CN110378724A (zh) * | 2019-06-19 | 2019-10-25 | 国网电动汽车服务(福建)有限公司 | 一种考虑用户充电需求转移的充电站选址定容策略 |
-
2019
- 2019-12-05 CN CN201911233941.9A patent/CN110991744B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10417650B1 (en) * | 2015-12-04 | 2019-09-17 | Google Llc | Distributed and automated system for predicting customer lifetime value |
CN108710965A (zh) * | 2018-04-17 | 2018-10-26 | 平安科技(深圳)有限公司 | 短期盈利的预测方法、装置、计算机设备和存储介质 |
CN109146474A (zh) * | 2018-07-18 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 一种支付限额定制方法及装置 |
CN110378724A (zh) * | 2019-06-19 | 2019-10-25 | 国网电动汽车服务(福建)有限公司 | 一种考虑用户充电需求转移的充电站选址定容策略 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986406A (zh) * | 2020-09-03 | 2020-11-24 | 中国银行股份有限公司 | 一种基于取款交易的数据处理方法及装置 |
CN111986406B (zh) * | 2020-09-03 | 2022-02-15 | 中国银行股份有限公司 | 一种基于取款交易的数据处理方法及装置 |
CN114511360A (zh) * | 2022-04-20 | 2022-05-17 | 华能江西能源销售有限责任公司 | 购电管理方法、系统、可读存储介质及计算机设备 |
CN114511360B (zh) * | 2022-04-20 | 2022-07-08 | 华能江西能源销售有限责任公司 | 购电管理方法、系统、可读存储介质及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110991744B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bernard et al. | Two-sided heterogeneity and trade | |
CN104424598A (zh) | 现金需求量预测装置与方法 | |
CN110991744B (zh) | 一种交易限额的设置方法及系统 | |
CN111738819A (zh) | 表征数据筛选方法、装置和设备 | |
Liu et al. | LSTM based reserve prediction for bank outlets | |
CN113610521A (zh) | 用于检测行为数据的异常的方法和设备 | |
CN110019774B (zh) | 标签分配方法、装置、存储介质及电子装置 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN111311398A (zh) | 一种费用的处理方法及装置 | |
CN110245879A (zh) | 一种风险评级方法及装置 | |
CN112950359A (zh) | 一种用户识别方法和装置 | |
KR101691726B1 (ko) | 웹 스크래핑 기반 계좌 통합 관리 시스템 및 이의 웹 스크래핑 처리 방법 | |
CN110619564B (zh) | 一种反欺诈特征生成方法和装置 | |
CN112734352A (zh) | 一种基于数据维度的单据审核方法和装置 | |
CN115238988A (zh) | 一种纪念币的分配方法、系统及相关设备 | |
CN115375474A (zh) | 信息提示方法、装置及电子设备 | |
CN114493686A (zh) | 一种运营内容生成推送方法及装置 | |
CN112037047B (zh) | 一种网点配钞方法、装置及电子设备 | |
CN114461326A (zh) | 银行网点的自助终端界面处理方法及装置 | |
CN113962603A (zh) | 风险评估方法及装置、存储介质及电子设备 | |
CN111626572A (zh) | 数字化智能风控方法及相关产品 | |
CN110942350A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN107679731A (zh) | 一种可信度的计算方法以及相关设备 | |
Toh et al. | Improving operation efficiency through predicting credit card application turnaround time with index-based encoding | |
CN116485518A (zh) | 客户分类方法、装置、电子设备和存储介质 |
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 |