CN111178767B - 风险控制方法及系统、计算机设备及计算机可读存储介质 - Google Patents

风险控制方法及系统、计算机设备及计算机可读存储介质 Download PDF

Info

Publication number
CN111178767B
CN111178767B CN201911410596.1A CN201911410596A CN111178767B CN 111178767 B CN111178767 B CN 111178767B CN 201911410596 A CN201911410596 A CN 201911410596A CN 111178767 B CN111178767 B CN 111178767B
Authority
CN
China
Prior art keywords
client
risk
training
portrait model
customer
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.)
Active
Application number
CN201911410596.1A
Other languages
English (en)
Other versions
CN111178767A (zh
Inventor
刘芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bank of China Ltd
Original Assignee
Bank of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN201911410596.1A priority Critical patent/CN111178767B/zh
Publication of CN111178767A publication Critical patent/CN111178767A/zh
Application granted granted Critical
Publication of CN111178767B publication Critical patent/CN111178767B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Technology Law (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种风险控制方法及系统、计算机设备及计算机可读存储介质，该风险控制方法包括：将客户信息输入至训练好的客户画像模型中得到客户客观风险等级；客户画像模型为基于支持向量机的机器学习模型；将客户的风险评测信息输入至训练好的客户画像模型中得到客户主观风险等级；将客户客观风险等级与客户主观风险等级进行匹配，根据匹配结果进行风险控制。本发明基于机器学习算法，将基于风险评测得到的客户主观风险等级，与客户客观风险等级进行匹配，从而根据匹配结果进行风险控制，能够提高风险控制的准确性，进而提高交易安全性。

Description

风险控制方法及系统、计算机设备及计算机可读存储介质
技术领域
本发明涉及金融风险监控技术领域，尤其涉及风险控制方法及系统、计算机设备及计算机可读存储介质。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
在金融活动中，经常需要对客户进行风险评测，以确定客户的风险承受能力，进而在客户风险承受能力范围内进行金融服务，以进行风险控制，提高交易安全性。
然而，在对客户进行风险评测的过程中，客户可能由于受到多方面的影响，例如收益率的诱惑，或者其它信息的诱导，在进行风险评测时选择与自身实际情况不符的选项，在意识不到的情况下承受与自身能力不匹配的风险，进而进行与自身实际承受能力不符的金融活动或金融交易，由此导致风险控制准确性差，交易安全性较差。
因此，现有的风险控制存在控制准确性差、交易安全性差的问题。
发明内容
本发明实施例提供一种风险控制方法，用以提高风险控制准确性及交易安全性，该方法包括：
将客户信息输入至训练好的客户画像模型中得到客户客观风险等级；客户画像模型为基于支持向量机的机器学习模型；
将客户的风险评测信息输入至训练好的客户画像模型中得到客户主观风险等级；
将客户客观风险等级与客户主观风险等级进行匹配，根据匹配结果进行风险控制。
本发明实施例还提供一种风险控制系统，用以提高风险控制准确性及交易安全性，该系统包括：
客观确定模块，用于将客户信息输入至训练好的客户画像模型中得到客户客观风险等级；客户画像模型为基于支持向量机的机器学习模型；
主观确定模块，用于将客户的风险评测信息输入至训练好的客户画像模型中得到客户主观风险等级；
匹配模块，用于将客户客观风险等级与客户主观风险等级进行匹配，根据匹配结果进行风险控制。
本发明实施例还提供一种计算机设备，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计算机程序时实现上述风险控制方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述风险控制方法的计算机程序。
本发明实施例中，基于支持向量机的机器学习模型即客户画像模型，分别得到客户客观风险等级及客户主观风险等级，进而将客户客观风险等级与客户主观风险等级进行匹配，以根据匹配结果进行风险控制。本发明实施例基于机器学习算法，将基于风险评测得到的客户主观风险等级，与客户客观风险等级进行匹配，从而根据匹配结果进行风险控制，因此，能够提高风险控制的准确性，进而提高交易安全性。
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。在附图中：
图1为本发明实施例提供的风险控制方法的实现流程图；
图2为本发明实施例提供的训练得到客户画像模型的实现流程图；
图3为本发明实施例提供的训练得到客户画像模型的另一实现流程图；
图4为本发明实施例提供的训练得到客户画像模型中步骤203的实现流程图；
图5为本发明实施例提供的风险控制方法中步骤103的实现流程图；
图6为本发明实施例提供的风险控制系统的功能模块图；
图7为本发明实施例提供的训练得到客户画像模型的结构框图；
图8为本发明实施例提供的训练得到客户画像模型的另一结构框图；
图9为本发明实施例提供的训练得到客户画像模型中训练单元703的结构框图；
图10为本发明实施例提供的风险控制系统中匹配模块603的的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
图1示出了本发明实施例提供的风险控制方法的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：
如图1所示，风险控制方法，其包括：
步骤101，将客户信息输入至训练好的客户画像模型中得到客户客观风险等级；客户画像模型为基于支持向量机的机器学习模型；
步骤102，将客户的风险评测信息输入至训练好的客户画像模型中得到客户主观风险等级；
步骤103，将客户客观风险等级与客户主观风险等级进行匹配，根据匹配结果进行风险控制。
客户画像，又称为客户画像，是作为一种勾画目标客户，联系客户诉求与设计方向的有效工具，在各个领域得到广泛应用。客户画像最初是应用在电商领域，在大数据背景下，客户信息充斥在网络中，将客户的每个具体信息抽象成特征标签，利用这些特征标签将客户形象具体化，从而为客户提供有针对性的服务。
在本发明的一实施例中，客户信息包括客户基本信息，本领域技术人员可以理解的是，客户信息还可以包括除上述客户基本信息之外的其他信息，例如基金信息、理财信息或者股票信息等等，本发明实施例对此不作特别的限制。
其中，该客户基本信息可以包括姓名、性别、出生年月、婚姻、年龄及籍贯地区等等。其它客户信息，例如基金信息、理财信息或者股票信息，可以包括收入信息、资产信息、负债信息、信用信息及理财产品信息、股票基金信息以及黄金信息等等。
在基于客户画像进行风险控制时，首先将客户信息输入至训练好的客户画像模型中，通过提取客户信息的特征标签形成客户画像，进而基于客户画像得到对应的客户客观风险等级。鉴于此处的客户信息为既定的、基本不会发生变化的较为客观的信息，因此基于该信息得到的客户画像符合客观事实，得到的客户客观风险等级也是较为客观、符合实际情况的。鉴于机器学习能够得到更加准确的客户客观风险等级，通过基于机器学习的客户画像模型得到客户客观风险等级，能够提高风险控制的准确性。
其中，不同的客户画像对应不同的客户客观风险等级，该客户客观风险等级可以包括多个风险等级，例如高风险、风险适中、低风险等。还可以对客户客观风险等级进一步进行细分，即还可以包括除上述高风险、风险适中、低风险之外的其它风险等级；或者还可以分别对高风险、风险适中、低风险进行下一层级的详细分类。例如，将高风险再细分为三个层级：第一层级高风险、第二层级高风险及第三层级高风险。本领域技术人员可以基于实际业务需要和发展，对客户客观风险等级进行不同类型的分类，本发明实施例对此不作特别的限制。
其中，该训练好的客户画像模型为基于支持向量机的机器学习模型。支持向量机是一类按监督学习方式对数据进行分类的线性分类器。支持向量机使用铰链损失函数计算经验风险，并在求解系统中加入了正则化以优化结构风险，是一个具有稀疏性和稳健性的分类器。本领域技术人员可以理解的是，该训练好的客户画像模型还可以是其它类型的机器学习模型，例如该训练好的客户画像模型可以是基于神经网络的机器学习模型，或者该训练好的客户画像模型可以是基于统计机器学习的机器学习模型等等，本发明实施例对此不作特别的限制，其中，统计机器学习是基于对数据的初步认识以及学习目的的分析，选择合适的数学模型拟定超参数，并输入样本数据，依据一定的策略、运用合适的学习算法对模型进行训练，最后运用训练好的模型对数据进行分析预测。
另外，客户在进行金融活动之前一般需要对客户进行风险评测，以适时更新和调整客户的风险承受能力。因此，此处可以通过现有常用的风险评测手段，获得客户的风险评测信息。进而将客户的风险评测信息输入至训练好的客户画像模型，该训练好的客户画像模型能够对客户的风险评测信息进行分析和提取以确定客户画像，进而基于该客户的风险评测信息得到对应的客户主观风险等级。鉴于机器学习能够得到更加准确的客户主观风险等级，通过基于机器学习的客户画像模型得到客户主观风险等级，能够提高风险控制的准确性。
鉴于在进行风险评测时，客户可能会由于收益率等诱导，或者无意识的选择了与实际客观情况不符的选项，使得客户的风险评测信息存在与实际情况不符的问题，进而导致基于客户的风险评测信息最终得到的客户主观风险等级，存在不准确或者偏差较大的情况。鉴于客户客观风险等级较为符合客观实际情况，将得到的客户客观风险等级作为风险控制的基础，将客户主观风险等级与客户客观风险等级进行匹配，能够提高风险控制的准确性。
因此，为了提高风险控制的准确性，将分别得到的客户客观风险等级与客户主观风险等级进行匹配，进而根据匹配结果进行风险控制。例如，在客户客观风险等级与客户主观风险等级存在不匹配的情况时进行风险提示；在客户客观风险等级与客户主观风险等级匹配的情况下无需进行风险提示。
在本发明实施例中，基于支持向量机的机器学习模型即客户画像模型，分别得到客户客观风险等级及客户主观风险等级，进而将客户客观风险等级与客户主观风险等级进行匹配，以根据匹配结果进行风险控制。本发明实施例基于机器学习算法，将符合客观实际情况的客户客观风险等级作为风险控制的基础，将基于风险评测得到的客户主观风险等级与客户客观风险等级进行匹配，从而根据匹配结果进行风险控制，能够提高风险控制的准确性，进而提高交易安全性。
图2示出了本发明实施例提供的训练得到客户画像模型的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了进一步提高风险控制的准确性，如图2所示，训练得到客户画像模型的步骤包括：
步骤201，基于机器学习算法提取客户信息中的多个特征标签；
步骤202，根据提取的多个特征标签构建基于支持向量机的客户画像模型；
步骤203，利用历史客户信息集对客户画像模型进行训练，在训练符合预设条件时结束训练得到客户画像模型。
在进行风险控制时，可以预先对客户画像模型进行训练，从而利用训练好的客户画像模型进行风险控制，能够提高风险控制效率。
具体的，在训练得到客户画像模型时，可以将银行各个系统中的客户信息进行整合，例如将客户基本信息、基金理财信息以及股票信息整合在一起，形成客户信息。进而利用机器学习算法提取客户信息中的多个特征标签，以基于该多个特征标签构建客户画像模型，形成客户画像。另外，还可以通过人工筛选的方式辅助提取客户信息中的特征标签，提高构建客户画像模型的准确性。
其中，此处提取特征标签的机器学习算法可以包括随机森林机器学习算法。本领域技术人员可以理解的是，还可以通过其它机器学习算法提取特征标签，例如基于神经网络的机器学习算法，本发明实施例对此不作特别的限制。随机森林是利用多棵树对样本进行训练并预测的一种分类器，随机森林机器学习算法是成熟的现有技术，此处不再详细赘述。
在利用机器学习算法提取到客户信息的多个特征标签后，利用该多个特征标签构建客户画像模型。该客户画像模型为基于支持向量机的客户画像模型。在构建好客户画像模型后，利用历史客户信息集对构建的客户画像模型进行训练，在训练符合预设条件后结束训练，并得到训练后的客户画像模型。其中，历史客户信息集包含了大量甚至海量的历史客户信息，每个历史客户信息对应一客户。历史客户信息还包括该历史客户信息对应的客户风险等级的标签。
在本发明的一实施例中，为了提高客户画像模型的训练效率，预设条件包括：训练次数达到预设训练次数。
其中，预设训练次数为预先设定的训练次数，本领域技术人员可以理解的是，该预设训练次数可以根据实际情况和具体需求预先设定，例如预先设定该预设训练次数为10万次，本领域技术人员可理解的是，还可以设定该预设训练次数为除上述10万次之外的其它次数，例如8万次或者12万次，或者1万次等等，本发明实施例对此不作特别的限制。
对客户画像模型训练的过程，可以在训练达到预设训练次数后停止训练，以提高客户画像模型的训练效率。
在本发明的一实施例中，为了保障客户画像模型的准确性，进而提高客户画像模型的准确性，预设条件包括：客户画像模型的准确率不小于预设准确率。
其中，预设准确率为预先设定的准确率，本领域技术人员可以理解的是，该预设准确率可以根据实际情况和具体需求预先设定，例如预先设定该预设准确率为96％，本领域技术人员可理解的是，还可以设定该预设准确率为除上述96％之外的其它次数，例如95％或者98％，或者93％等等，本发明实施例对此不作特别的限制。
对客户画像模型训练的过程，可以在客户画像模型的准确率不小于预设准确率后停止训练，以提高客户画像模型的准确性。
在本发明实施例中，基于机器学习算法提取客户信息中的多个特征标签，根据提取的多个特征标签构建基于支持向量机的客户画像模型，利用历史客户信息集对客户画像模型进行训练，在训练符合预设条件时结束训练得到客户画像模型，提高构建的客户画像模型的准确性，进而提高风险控制的准确性。
图3示出了本发明实施例提供的训练得到客户画像模型的另一实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了进一步提高风险控制的准确性，如图3所示，在上述图2所示方法步骤的基础上，训练得到客户画像模型的步骤，还包括：
步骤301，在训练的过程中通过梯度提升决策树调整客户画像模型的参数。
梯度提升决策树(英文全称：Gradient Boosting Decision Tree，简称GBDT)，是一种迭代的决策树算法，是一种广泛应用的机器学习算法。梯度提升决策树可以在相对较少的调参时间情况下得到较高的准确率，即通过优化客户画像模型的参数提高客户画像模型的准确率。另外，梯度提升决策树可以灵活的处理各种类型的数据，包括连续值和离散值，应用范围广。最后，梯度提升决策树还可以使用一些较为健壮的损失函数，对异常值的鲁棒性非常强。
在本发明实施例中，通过梯度提升决策树调整客户画像模型的参数，能够进一步提高风险控制的准确性。
图4示出了本发明实施例提供的训练得到客户画像模型中步骤203的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了进一步提高风险控制的准确性，历史客户信息集包括历史客户信息训练集和历史客户信息验证集，预设条件包括客户画像模型的准确率不小于预设准确率。如图4所示，训练得到客户画像模型的步骤203，利用历史客户信息集对客户画像模型进行训练，在训练符合预设条件时结束训练得到客户画像模型，包括：
步骤401，利用历史客户信息训练集对客户画像模型进行训练，利用历史客户信息验证集对客户画像模型的准确率进行验证；
步骤402，在客户画像模型的准确率不小于预设准确率时结束训练得到客户画像模型。
为了进一步提高客户画像模型的准确性，进而提高风险控制的准确性，可以将历史客户信息集划分为历史客户信息训练集和历史客户信息验证集。预设条件包括客户画像模型的准确率不小于预设准确率，即在客户画像模型的准确率不小于预设准确率时停止训练。
通过历史客户信息训练集对客户画像模型进行训练，同时利用历史客户信息验证集对客户画像模型的准确率进行验证，在客户画像模型的准确率不小于预设准确率时结束训练得到客户画像模型，能够提高客户画像模型的准确性，进而提高风险控制的准确性。
在本发明实施例中，利用历史客户信息训练集对客户画像模型进行训练，利用历史客户信息验证集对客户画像模型的准确率进行验证，在客户画像模型的准确率不小于预设准确率时结束训练得到客户画像模型，能够提高客户画像模型的准确性，进而提高风险控制的准确性。
图5示出了本发明实施例提供的风险控制方法的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了进一步提高风险控制的准确性，如图5所示，步骤103，将客户客观风险等级与客户主观风险等级进行匹配，根据匹配结果进行风险控制，包括：
步骤501，在客户主观风险等级高于客户客观风险等级时，进行风险提示；
步骤502，在客户主观风险等级不高于客户客观风险等级时，不进行风险提示。
在进行风险控制时，将客户客观风险等级与客户主观风险等级进行匹配，在客户主观风险等级高于客户客观风险等级时，说明客户基于评测结果得到的客户主观风险等级，与作为风险控制基础的客户客观风险等级存在偏差，超出了客户能够承受的风险上限，此时需要对客户进行风险提示。
在客户主观风险等级不高于客户客观风险等级时，说明客户基于评测结果得到的客户主观风险等级，与作为风险控制基础的客户客观风险等级不存在了偏差，没有超出了客户能够承受的风险上限，此时无需对客户进行风险提示，即可进行后续的金融活动和金融交易。
在本发明实施例中，在客户主观风险等级高于客户客观风险等级时进行风险提示，在客户主观风险等级不高于客户客观风险等级时不进行风险提示，能够进一步提高风险控制的准确性。
本发明实施例中还提供了一种风险控制系统，如下面的实施例所述。由于这些系统解决问题的原理与风险控制方法相似，因此这些系统的实施可以参见方法的实施，重复之处不再赘述。
图6示出了本发明实施例提供的风险控制系统的功能模块，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：
参考图6，所述风险控制系统所包含的各个模块用于执行图1对应实施例中的各个步骤，具体请参阅图1以及图1对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述风险控制系统包括客观确定模块601、主观确定模块602及匹配模块603。
客观确定模块601，用于将客户信息输入至训练好的客户画像模型中得到客户客观风险等级；客户画像模型为基于支持向量机的机器学习模型。
主观确定模块602，用于将客户的风险评测信息输入至训练好的客户画像模型中得到客户主观风险等级。
匹配模块603，用于将客户客观风险等级与客户主观风险等级进行匹配，根据匹配结果进行风险控制。
在本发明实施例中，客观确定模块601及主观确定模块602基于支持向量机的机器学习模型即客户画像模型，分别得到客户客观风险等级及客户主观风险等级，进而匹配模块603将客户客观风险等级与客户主观风险等级进行匹配，以根据匹配结果进行风险控制。本发明实施例基于机器学习算法，将基于风险评测得到的客户主观风险等级，与客户客观风险等级进行匹配，从而根据匹配结果进行风险控制，因此，能够提高风险控制的准确性，进而提高交易安全性。
在本发明的一实施例中，客户信息包括以下一种或多种：客户基本信息、基金信息、理财信息及股票信息。
图7示出了本发明实施例提供的训练得到客户画像模型的结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了进一步提高风险控制的准确性，参考图7，训练得到客户画像模型所包含的各个单元用于执行图2对应实施例中的各个步骤，具体请参阅图2以及图2对应实施例中的相关描述，此处不再赘述。本发明实施例中，训练得到客户画像模型的结构包括特征提取单元701、模型构建单元702及训练单元703。
特征提取单元701，用于基于机器学习算法提取客户信息中的多个特征标签。
模型构建单元702，用于根据提取的多个特征标签构建基于支持向量机的客户画像模型。
训练单元703，用于利用历史客户信息集对客户画像模型进行训练，在训练符合预设条件时结束训练得到客户画像模型。
在本发明实施例中，特征提取单元701基于机器学习算法提取客户信息中的多个特征标签，模型构建单元702根据提取的多个特征标签构建基于支持向量机的客户画像模型，训练单元703利用历史客户信息集对客户画像模型进行训练，在训练符合预设条件时结束训练得到客户画像模型，提高构建的客户画像模型的准确性，进而提高风险控制的准确性。
图8示出了本发明实施例提供的训练得到客户画像模型的另一结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了进一步提高风险控制的准确性，参考图8，训练得到客户画像模型所包含的各个单元用于执行图3对应实施例中的各个步骤，具体请参阅图3以及图3对应实施例中的相关描述，此处不再赘述。本发明实施例中，在上述图7所示单元结构的基础上，训练得到客户画像模型，还包括参数调整单元801。
参数调整单元801，用于在训练的过程中通过梯度提升决策树调整客户画像模型的参数。
在本发明实施例中，参数调整单元801在训练的过程中通过梯度提升决策树调整客户画像模型的参数，能够进一步提高客户画像模型的准确性，进而进一步提高风险控制的准确性。
在本发明的一实施例中，为了提高客户画像模型的训练效率，预设条件包括：训练次数达到预设训练次数。
在本发明的一实施例中，为了保障客户画像模型的准确性，进而提高客户画像模型的准确性，预设条件包括：客户画像模型的准确率不小于预设准确率。
图9示出了本发明实施例提供的训练得到客户画像模型中训练单元703的结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了进一步提高风险控制的准确性，历史客户信息集包括历史客户信息训练集和历史客户信息验证集，预设条件包括客户画像模型的准确率不小于预设准确率。参考图9，训练单元703所包含的各个单元用于执行图4对应实施例中的各个步骤，具体请参阅图4以及图4对应实施例中的相关描述，此处不再赘述。本发明实施例中，训练单元703包括训练验证子单元901及训练结束子单元902。
训练验证子单元901，用于利用历史客户信息训练集对客户画像模型进行训练，利用历史客户信息验证集对客户画像模型的准确率进行验证。
训练结束子单元902，用于在客户画像模型的准确率不小于预设准确率时结束训练得到客户画像模型。
在本发明实施例中，训练验证子单元901利用历史客户信息训练集对客户画像模型进行训练，利用历史客户信息验证集对客户画像模型的准确率进行验证，训练结束子单元902在客户画像模型的准确率不小于预设准确率时结束训练得到客户画像模型，能够提高客户画像模型的准确性，进而提高风险控制的准确性。
图10示出了本发明实施例提供的风险控制系统中匹配模块603的结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在本发明的一实施例中，为了进一步提高风险控制的准确性，参考图10，匹配模块603所包含的各个单元用于执行图5对应实施例中的各个步骤，具体请参阅图5以及图5对应实施例中的相关描述，此处不再赘述。本发明实施例中，匹配模块603包括风险提示单元1001及风险不提示单元1002。
风险提示单元1001，用于在客户主观风险等级高于客户客观风险等级时，进行风险提示。
风险不提示单元1002，用于在客户主观风险等级不高于客户客观风险等级时，不进行风险提示。
在本发明实施例中，风险提示单元1001在客户主观风险等级高于客户客观风险等级时进行风险提示，风险不提示单元1002在客户主观风险等级不高于客户客观风险等级时，不进行风险提示，能够进一步提高风险控制的准确性。
本发明实施例还提供一种计算机设备，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计算机程序时实现上述风险控制方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述风险控制方法的计算机程序。
综上所述，本发明实施例中，基于支持向量机的机器学习模型即客户画像模型，分别得到客户客观风险等级及客户主观风险等级，进而将客户客观风险等级与客户主观风险等级进行匹配，以根据匹配结果进行风险控制。本发明实施例基于机器学习算法，将基于风险评测得到的客户主观风险等级，与客户客观风险等级进行匹配，从而根据匹配结果进行风险控制，因此，能够提高风险控制的准确性，进而提高交易安全性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种风险控制方法，其特征在于，包括：
将客户信息输入至训练好的客户画像模型中得到客户客观风险等级；客户画像模型为基于支持向量机的机器学习模型；
将客户的风险评测信息输入至训练好的客户画像模型中得到客户主观风险等级；
将客户客观风险等级与客户主观风险等级进行匹配，根据匹配结果进行风险控制；其中包括：
在客户主观风险等级高于客户客观风险等级时，进行风险提示；
在客户主观风险等级不高于客户客观风险等级时，不进行风险提示。
2.如权利要求1所述的风险控制方法，其特征在于，客户信息包括以下一种或多种：
客户基本信息、基金信息、理财信息及股票信息。
3.如权利要求1所述的风险控制方法，其特征在于，训练得到客户画像模型的步骤包括：
基于机器学习算法提取客户信息中的多个特征标签；
根据提取的多个特征标签构建基于支持向量机的客户画像模型；
利用历史客户信息集对客户画像模型进行训练，在训练符合预设条件时结束训练得到客户画像模型。
4.如权利要求3所述的风险控制方法，其特征在于，训练得到客户画像模型的步骤还包括：
在训练的过程中通过梯度提升决策树调整客户画像模型的参数。
5.如权利要求3所述的风险控制方法，其特征在于，预设条件包括以下一种或多种：
训练次数达到预设训练次数；
客户画像模型的准确率不小于预设准确率。
6.如权利要求3所述的风险控制方法，其特征在于，历史客户信息集包括历史客户信息训练集和历史客户信息验证集，预设条件包括客户画像模型的准确率不小于预设准确率，利用历史客户信息集对客户画像模型进行训练，在训练符合预设条件时结束训练得到客户画像模型，包括：
利用历史客户信息训练集对客户画像模型进行训练，利用历史客户信息验证集对客户画像模型的准确率进行验证；
在客户画像模型的准确率不小于预设准确率时结束训练得到客户画像模型。
7.一种风险控制系统，其特征在于，包括：
客观确定模块，用于将客户信息输入至训练好的客户画像模型中得到客户客观风险等级；客户画像模型为基于支持向量机的机器学习模型；
主观确定模块，用于将客户的风险评测信息输入至训练好的客户画像模型中得到客户主观风险等级；
匹配模块，用于将客户客观风险等级与客户主观风险等级进行匹配，根据匹配结果进行风险控制；其中包括：
在客户主观风险等级高于客户客观风险等级时，进行风险提示；
在客户主观风险等级不高于客户客观风险等级时，不进行风险提示。
8.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一所述风险控制方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至6任一所述风险控制方法。
CN201911410596.1A 2019-12-31 2019-12-31 风险控制方法及系统、计算机设备及计算机可读存储介质 Active CN111178767B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911410596.1A CN111178767B (zh) 2019-12-31 2019-12-31 风险控制方法及系统、计算机设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911410596.1A CN111178767B (zh) 2019-12-31 2019-12-31 风险控制方法及系统、计算机设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111178767A CN111178767A (zh) 2020-05-19
CN111178767B true CN111178767B (zh) 2022-05-20

Family

ID=70657662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911410596.1A Active CN111178767B (zh) 2019-12-31 2019-12-31 风险控制方法及系统、计算机设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111178767B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111951113A (zh) * 2020-08-17 2020-11-17 中国银行股份有限公司 一种基于大数据的投资服务方法和装置
CN113487326B (zh) * 2021-07-27 2024-10-18 中国银行股份有限公司 基于智能合约的交易限制参数设置方法及装置
CN113744045A (zh) * 2021-09-06 2021-12-03 中国农业银行股份有限公司 客户风险评级方法、装置、电子设备及计算机存储介质
CN113781239A (zh) * 2021-09-10 2021-12-10 未鲲(上海)科技服务有限公司 一种策略确定方法、装置、电子设备以及存储介质
CN117521042B (zh) * 2024-01-05 2024-05-14 创旗技术有限公司 基于集成学习的高危授权用户识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530082A (zh) * 2016-10-25 2017-03-22 清华大学 基于多机器学习的股票预测方法及系统
CN110147925A (zh) * 2019-04-10 2019-08-20 阿里巴巴集团控股有限公司 一种风险决策方法、装置、设备及系统
CN110223155A (zh) * 2019-04-25 2019-09-10 深圳壹账通智能科技有限公司 投资推荐信息的推送方法、装置及计算机设备
CN110598995A (zh) * 2019-08-15 2019-12-20 中国平安人寿保险股份有限公司 智能客户评级方法、装置及计算机可读存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090248465A1 (en) * 2008-03-28 2009-10-01 Fortent Americas Inc. Assessment of risk associated with doing business with a party

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530082A (zh) * 2016-10-25 2017-03-22 清华大学 基于多机器学习的股票预测方法及系统
CN110147925A (zh) * 2019-04-10 2019-08-20 阿里巴巴集团控股有限公司 一种风险决策方法、装置、设备及系统
CN110223155A (zh) * 2019-04-25 2019-09-10 深圳壹账通智能科技有限公司 投资推荐信息的推送方法、装置及计算机设备
CN110598995A (zh) * 2019-08-15 2019-12-20 中国平安人寿保险股份有限公司 智能客户评级方法、装置及计算机可读存储介质

Also Published As

Publication number Publication date
CN111178767A (zh) 2020-05-19

Similar Documents

Publication Publication Date Title
CN111178767B (zh) 风险控制方法及系统、计算机设备及计算机可读存储介质
CN108876133B (zh) 基于业务信息的风险评估处理方法、装置、服务器和介质
CN108846520B (zh) 贷款逾期预测方法、装置以及计算机可读存储介质
CN107193876B (zh) 一种基于最近邻knn算法的缺失数据填补方法
CN109858737B (zh) 基于模型部署的评分模型调整方法、装置和计算机设备
CN108876166A (zh) 财务风险验证处理方法、装置、计算机设备及存储介质
CN110704730B (zh) 基于大数据的产品数据推送方法、系统及计算机设备
CN111191539A (zh) 证件真伪验证方法、装置、计算机设备和存储介质
CN113011895B (zh) 关联账户样本筛选方法、装置和设备及计算机存储介质
KR102168198B1 (ko) 기업 부도 예측 시스템 및 이의 동작 방법
CN111667307B (zh) 一种理财产品销量的预测方法及装置
CN110766275A (zh) 数据验证方法、装置、计算机设备及存储介质
CN111736940A (zh) 智能柜台的业务界面展示方法及装置
CN111738762A (zh) 不良资产回收价的确定方法、装置、设备和存储介质
CN112487284A (zh) 银行客户画像生成方法、设备、存储介质及装置
CN110020939B (zh) 建立违约损失率预测模型的装置、方法及存储介质
CN114971638A (zh) 基于风险识别的交易认证方法及装置
CN106022915A (zh) 企业信用风险评估方法和装置
CN112580965A (zh) 一种风险强度识别方法、装置及设备
CN115860889A (zh) 一种基于人工智能的金融贷款大数据管理方法及系统
CN114707420A (zh) 一种信贷欺诈行为识别方法、装置、设备及存储介质
CN113762365A (zh) 用户意愿评估方法、装置、计算机设备和存储介质
CN114119200A (zh) 信用风险预测方法、系统及其装置
CN106600312A (zh) 一种消费者购买酒的价位预测方法及系统
CN113516511A (zh) 一种金融产品购买预测方法、装置及电子设备

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