CN111383100A - 基于风险模型的全生命周期管控方法和装置 - Google Patents
基于风险模型的全生命周期管控方法和装置 Download PDFInfo
- Publication number
- CN111383100A CN111383100A CN202010220328.XA CN202010220328A CN111383100A CN 111383100 A CN111383100 A CN 111383100A CN 202010220328 A CN202010220328 A CN 202010220328A CN 111383100 A CN111383100 A CN 111383100A
- Authority
- CN
- China
- Prior art keywords
- model
- target risk
- risk model
- preset
- test
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Abstract
本发明公开了基于风险模型的全生命周期管控方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:获取目标风险模型对应的特征数据,根据特征数据和预设的模型参数,构建目标风险模型;基于预设的模型测试指标对目标风险模型进行模型测试,若模拟测试结果为通过,运行目标风险模型;基于预设的模型评估指标对目标风险模型的运行情况进行模型评估,若模型评估结果为不通过,则迭代训练目标风险模型。该实施方式完成了模型构建、模型测试和模型运行过程的平滑转换,实现了模型自动化迭代,提高模型全生命周期管控效率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于风险模型的全生命周期管控方法和装置。
背景技术
风控技术作为银行体系甚至是整个金融体系健康运营管理的重要保障环节。风控技术的核心在于风险模型的应用,考虑到风险模型的有效性会随着业务发展逐步的发生改变,也就是说需要根据业务特点定期或事件触发启动风险模型的迭代更新管理,以使风险模型能够适应业务发展。因此,如何管理控制风险模型具有重要研究意义。
当前风险模型的管理控制方法中,建模人员在开发环境训练模型和测试模型,在模型达到专家认定技术标准后,运行达到技术标准的模型,在模型运行过程中,模型运行效果需要返回到模型开发环境做评估验证,若模型运行效果不好,需要人工发起测试和重新训练过程。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:模型开发过程依赖人工专家经验判断,无法形成标准化过程工艺,并且由于模型开发过程需要不断进行人工干预,导致模型迭代开发效率较低,而且现有模型过程状态不清晰,不能实现模型全生命周期过程管控。
发明内容
有鉴于此,本发明实施例提供一种基于风险模型的全生命周期管控方法和装置,完成了模型构建、模型测试和模型运行过程的平滑转换,实现了模型自动化迭代,提高模型全生命周期管控效率。
为实现上述目的,根据本发明实施例的第一方面,提供了一种基于风险模型的全生命周期管控方法。
本发明实施例的一种基于风险模型的全生命周期管控方法,包括:获取目标风险模型对应的特征数据,根据所述特征数据和预设的模型参数,构建目标风险模型;基于预设的模型测试指标对所述目标风险模型进行模型测试,若模拟测试结果为通过,运行所述目标风险模型;基于预设的模型评估指标对所述目标风险模型的运行情况进行模型评估,若模型评估结果为不通过,则迭代训练所述目标风险模型。
可选地,所述获取目标风险模型对应的特征数据,包括:确定所述目标风险模型对应的特征变量范围,根据所述特征变量范围,提取预设时间周期内的源数据;按照预设的计算逻辑对所述源数据进行处理,获得所述源数据对应的可选特征数据;判断所述可选特征数据对应的特征评估指标值是否满足预设数据指标条件,若是,则确定所述可选特征数据为所述目标风险模型对应的特征数据,若否,则进行人工筛选。
可选地,所述根据所述特征数据和预设的模型参数,构建目标风险模型,包括:判断是否需要重新设置模型参数;若是,则基于重新设置的模型参数对所述特征数据进行模型训练,构建所述目标风险模型;若否,则基于现有模型参数对所述特征数据进行模型训练,构建所述目标风险模型。
可选地,在构建所述目标风险模型之后,所述方法还包括:获取所述目标风险模型对应的开发评估指标值,若所述开发评估指标值满足预设模型开发条件,则对所述目标风险模型进行模型测试。
可选地,所述基于预设的模型测试指标对所述目标风险模型进行模型测试,若模拟测试结果为通过,运行所述目标风险模型,包括:获取所述目标风险模型对应的测试数据,基于预设的模型测试指标,利用所述测试数据对所述目标风险模型进行模型测试,获得模型测试指标值;若所述模型测试指标值与预设测试指标值的差值在预设差值范围内,则确认所述模拟测试结果通过,控制所述目标风险模型进入模型投产运行阶段;其中,所述预设测试指标值为所述开发评估指标值或上次模型测试指标值。
可选地,所述基于预设的模型评估指标对所述目标风险模型的运行情况进行模型评估,若模型评估结果为不通过,则迭代训练所述目标风险模型,包括:基于预设的模型评估指标对所述目标风险模型的运行情况进行监测,获得模型运行指标值,判断所述模型运行指标值是否满足预设模型运行条件;若是,则继续运行所述目标风险模型,若否,则迭代训练所述目标风险模型。
可选地,所述方法还包括:在迭代训练所述目标风险模型的过程中,若不能满足预设模型开发条件,则终止所述目标风险模型。
为实现上述目的,根据本发明实施例的第二方面,提供了一种基于风险模型的全生命周期管控装置。
本发明实施例的一种基于风险模型的全生命周期管控装置,包括:构建模块,用于获取目标风险模型对应的特征数据,根据所述特征数据和预设的模型参数,构建目标风险模型;测试模块,用于基于预设的模型测试指标对所述目标风险模型进行模型测试,若模拟测试结果为通过,运行所述目标风险模型;评估模块,用于基于预设的模型评估指标对所述目标风险模型的运行情况进行模型评估,若模型评估结果为不通过,则迭代训练所述目标风险模型。
可选地,所述构建模块还用于:确定所述目标风险模型对应的特征变量范围,根据所述特征变量范围,提取预设时间周期内的源数据;按照预设的计算逻辑对所述源数据进行处理,获得所述源数据对应的可选特征数据;判断所述可选特征数据对应的特征评估指标值是否满足预设数据指标条件,若是,则确定所述可选特征数据为所述目标风险模型对应的特征数据,若否,则进行人工筛选。
可选地,所述构建模块还用于:判断是否需要重新设置模型参数;若是,则基于重新设置的模型参数对所述特征数据进行模型训练,构建所述目标风险模型;若否,则基于现有模型参数对所述特征数据进行模型训练,构建所述目标风险模型。
可选地,所述构建模块还用于:获取所述目标风险模型对应的开发评估指标值,若所述开发评估指标值满足预设模型开发条件,则对所述目标风险模型进行模型测试。
可选地,所述测试模块还用于:获取所述目标风险模型对应的测试数据,基于预设的模型测试指标,利用所述测试数据对所述目标风险模型进行模型测试,获得模型测试指标值;若所述模型测试指标值与预设测试指标值的差值在预设差值范围内,则确认所述模拟测试结果通过,控制所述目标风险模型进入模型投产运行阶段;其中,所述预设测试指标值为所述开发评估指标值或上次模型测试指标值。
可选地,所述评估模块还用于:基于预设的模型评估指标对所述目标风险模型的运行情况进行监测,获得模型运行指标值,判断所述模型运行指标值是否满足预设模型运行条件;若是,则继续运行所述目标风险模型,若否,则迭代训练所述目标风险模型。
可选地,所述装置还包括终止模块,用于:在迭代训练所述目标风险模型的过程中,若不能满足预设模型开发条件,则终止所述目标风险模型。
为实现上述目的,根据本发明实施例的第三方面,提供了一种电子设备。
本发明实施例的一种电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现本发明实施例的基于风险模型的全生命周期管控方法。
为实现上述目的,根据本发明实施例的第四方面,提供了一种计算机可读介质。
本发明实施例的一种计算机可读介质,其上存储有计算机程序,程序被处理器执行时实现本发明实施例的基于风险模型的全生命周期管控方法。
上述发明中的一个实施例具有如下优点或有益效果:通过特征数据和预设的参数构建目标风险模型,然后利用测试指标进行模型测试,在确定模型测试通过后,运行该目标风险模型,接着利用评估指标对目标风险模型的运行情况进行模型评估,若评估不通过,则重新训练该目标风险模型,完成了模型构建、模型测试和模型运行过程的平滑转换,避免了现有模型过程状态不清晰的问题,实现了模型自动化迭代,提高模型全生命周期管控效率,还可以解决现有技术中模型开发过程需要不断进行人工干预而导致的模型迭代开发效率较低的问题,此外通过不同的指标进行模型测试和模型评估,建立了科学的模型评价体系,提高模型的有效性和可用性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的基于风险模型的全生命周期管控方法的主要步骤的示意图;
图2是根据本发明实施例的风险模型的全生命周期的三种状态的转化示意图;
图3是根据本发明实施例的风险模型的全生命周期的状态转换示意图;
图4是根据本发明实施例的基于风险模型的全生命周期管控方法的主要流程的示意图;
图5是根据本发明实施例的基于风险模型的全生命周期管控装置的主要模块的示意图;
图6是本发明实施例可以应用于其中的示例性系统架构图;
图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
当前风险模型的管理控制方法具体实现为:(1)建模人员在开发环境中进行模型训练和模型测试工作,在模型效果达到专家认定技术标准后,将模型成功打包发布到生产环境中,并做模型投产上线处理;(2)模型投产后,在模型运行过程中,模型运行效果需要返回到开发环境进行评估验证;(3)若模型运行效果不好,需要重新准备测试数据,通过人工发起测试和重新训练过程,在测试和训练过程中,通过模型指标评估是否符合建模技术要求,符合要求则发起模型重新上线投产流程,不符合则提交业务部门评估模型是否继续调整训练;(4)模型发布过程由业务部门审核确认后,开发技术人员发起上线流程,将模型结果自开发测试环境部署到模型生产环境,完成模型重新投产过程。
可以发现,现有风险模型的管控方法中,模型开发过程依赖人工专家判断,无法形成标准化过程工艺,并且由于模型开发过程需要进行人工干预,导致模型迭代开发效率较低,而且现有模型过程状态不清晰,不能实现模型全生命周期过程管控。为了解决现有技术存在的问题,本发明实施例提供一种基于风险模型的全生命周期管控方法。图1是根据本发明实施例的基于风险模型的全生命周期管控方法的主要步骤的示意图,如图1所示,基于风险模型的全生命周期管控方法的主要步骤可以包括:
步骤S101,获取目标风险模型对应的特征数据,根据特征数据和预设的模型参数,构建目标风险模型;
步骤S102,基于预设的模型测试指标对目标风险模型进行模型测试,若模拟测试结果为通过,运行目标风险模型;
步骤S103,基于预设的模型评估指标对目标风险模型的运行情况进行模型评估,若模型评估结果为不通过,则迭代训练目标风险模型。
其中,目标风险模型是需要进行全生命周期管控的模型,风险模型的全生命周期可以包括开发态、测试态和运行态这三种状态,开发态为从接入数据进行模型训练至最终确定模型的可用版本的状态,测试态为模型测试验证过程的状态,运行态为模型正式在生产环境中实际运行过程的状态。图2是根据本发明实施例的风险模型的全生命周期的三种状态的转化示意图。从图2得出,在开发态完成模型训练,获得模型的可用版本,然后由开发态转换为测试态,即对可用版本的模型进行测试验证,若测试验证通过,则模型由测试态转换为运行态,在模型运行阶段,定期的评估模型运行情况,如评估模型运行情况不好,则模型由运行态转换为开发态,实现了模型三种状态的迭代。
本发明实施例的基于风险模型的全生命周期的管控方法实现了风险模型的三种状态的转换,首先根据业务需求,获取目标风险模型对应的特征数据,该特征数据是用于训练目标风险模型的数据,然后可以根据获取的特征数据和预设的模型参数,构建出目标风险模型。在构建出目标风险模型后,基于预设的模型测试指标对目标风险模型进行模型测试,若模型测试结果为通过,则表明构建的目标风险模型可以投产运行,可以自动运行目标风险模型,若模型测试结果为不通过,则可以重新训练目标风险模型。在模型运行过程中,需要确保目标风险模型的预测结果有效性,所以要定期评估目标风险模型的运行情况,因此可以基于预设的模型评估指标对目标风险模型的运行情况进行模型评估,若模型评估结果为不通过,则可以重新进行模型训练验证,若模型评估结果为通过,则可以继续运行该目标风险模型。
本发明实施例的基于风险模型的全生命周期的管控方法,通过特征数据和预设的参数构建目标风险模型,然后利用测试指标进行模型测试,在确定模型测试通过后,运行该目标风险模型,接着利用评估指标对目标风险模型的运行情况进行模型评估,若评估不通过,则重新训练该目标风险模型,完成了模型构建、模型测试和模型运行过程的平滑转换,避免了现有模型过程状态不清晰的问题,实现了模型自动化迭代,提高模型全生命周期管控效率,还可以解决现有技术中模型开发过程需要不断进行人工干预而导致的模型迭代开发效率较低的问题,此外通过不同的指标进行模型测试和模型评估,建立了科学的模型评价体系,提高模型的有效性和可用性。
模型构建是本发明实施例的基于风险模型的全生命周期管控方法的重要部分,而特征数据的获取是模型构建的前提条件,作为本发明的一个可参考实施例,获取目标风险模型对应的特征数据,可以包括:
步骤S1011,确定目标风险模型对应的特征变量范围,根据特征变量范围,提取预设时间周期内的源数据;
步骤S1012,按照预设的计算逻辑对源数据进行处理,获得源数据对应的可选特征数据;
步骤S1013,判断可选特征数据对应的特征评估指标值是否满足预设数据指标条件,若是,则确定可选特征数据为目标风险模型对应的特征数据,若否,则进行人工筛选。
步骤S1011中,根据具体的业务需求,确定目标风险模型对应的特征变量范围,比如目标风险模型为信用评分模型,对应的特征变量范围可以包括客户年龄范围、客户资产范围、客户收入范围等,因此本发明实施例的获取特征数据的方法中,首先需要根据具体的业务需求,确定出目标风险模型对应的特征变量范围,然后根据确定的特征变量范围,提取出预设时间周期内的源数据,一般情况下预设时间周期内的源数据为近期数据,这样可以将过期数据剔除掉,从而可以提高目标风险模型的有效性和实用性。
在获取到源数据之后,需要按照预设的计算逻辑对源数据进行处理,相当于是根据目标风险模型对应的特征数据设计规则对源数据进行加工处理,从而可以获得源数据对应的可选特征数据。在获取到可选特征数据之后,需要判断该可选特征数据对应的特征评估指标值是否满足预设数据指标条件,若满足,则确定可选特征数据为目标风险模型对应的特征数据,若不满足,则由人工判断是否需要进行特征挑选。其中,特征评估指标值可以包括WOE(全称为weight of Evidence,是自变量取某个值的时候对违约比例的一种影响)值和IV(全称为information value,信息量或信息值,IV值可以衡量自变量的预测能力的大小)值等,WOE值和IV值可以用于判断变量的预测强度。
本发明实施例中,在获取到特征数据之后,可以构建目标风险模型,所以作为再一个可参考实施例,根据特征数据和预设的模型参数,构建目标风险模型,可以包括:判断是否需要重新设置模型参数;若是,则基于重新设置的模型参数对特征数据进行模型训练,构建目标风险模型;若否,则基于现有模型参数对特征数据进行模型训练,构建目标风险模型。本发明实施例中,预设的模型参数可以包括重新设置的模型参数和现有模型参数,具体的可以根据业务需求选择模型参数。比如随着业务发展逐步的发生改变,需要根据业务特点定期或者事件触发启动模型迭代更新管理,因此在模型训练前,需要判断是根据现有模型参数进行训练还是需要重新设置参数,以达到最优的模型效果,还可以进一步提高目标风险模型的有效性和实用性。
在构建目标风险模型之后,需要对构建的目标风险模型进行评估,确定构建的目标风险模型是否可用,在目标风险模型可用的情况下,模型由开发态转换为测试态,即对目标风险模型进行模型测试。所以,本发明实施例中,在构建目标风险模型之后,基于风险模型的全生命周期的管控方法还可以包括:获取目标风险模型对应的开发评估指标值,若开发评估指标值满足预设模型开发条件,则对目标风险模型进行模型测试。本发明实施例中,模型处于开发态的评估指标可以包括:模型信息价值、变量相关性、多重共线性,其中可以用IV值或WOE值评估模型信息价值,用协方差矩阵判断变量相关性,用VIF(全称为varianceinflation factor,即方差膨胀系数,是衡量多元线性回归模型中复共线性严重程度的一种度量)值评判多重共线性。预设模型开发条件可以是预先设置的阈值,当开发评估指标值大于预先设置的阈值时,则表明目标风险模型可用,可用对目标风险模型进行模型测试。
图2中得到,测试态是风险模型的全生命周期管理的一种状态,本发明的又一个可参考实施例中,基于预设的模型测试指标对目标风险模型进行模型测试,若模拟测试结果为通过,运行目标风险模型,可以包括:
步骤S1021,获取目标风险模型对应的测试数据,基于预设的模型测试指标,利用测试数据对目标风险模型进行模型测试,获得模型测试指标值;
步骤S1022,若模型测试指标值与预设测试指标值的差值在预设差值范围内,则确认模拟测试结果通过,控制目标风险模型进入模型投产运行阶段,其中预设测试指标值为开发评估指标值或上次模型测试指标值。
本发明实施例中,目标风险模型对应的测试数据可以是与特征数据处于不同时间周期的数据,即构建训练模型的数据与测试训练模型的数据的区别是数据时间不同,特征变量范围相同。预设的模型测试指标可以包括:模型区分能力、模型准确率、以及模型稳定性。其中,模型区分能力可以用KS值表示,全称为Kolmogorov-Smirnov,KS值越大,表示模型能够将正、负客户区分开的程度越大,KS值的取值范围是[0,1],通常来讲,KS>0.2即表示模型有较好的预测准确性,模型投产指标要求KS>0.5以上。模型准确率可以用ACC值表示,全称为Accuracy,表达公式可以为ACC=(TP+TN)/(TP+TN+FP+FN),反映的是分类器准确识别真阳性和假阴性的比率,TP为正例预测正确的个数,FP为负例预测错误的个数,TN为负例预测正确的个数,FN为正例预测错误的个数。模型稳定性可以用PSI值表示,全称为population stability index,表达公式可以为PSI=sum((实际占比-预期占比)/ln(实际占比/预期占比)),一般认为PSI小于0.1时候模型稳定性很高,处于0.1至0.25时模型一般,大于0.25时模型稳定性差。需要注意的是,本发明实施例中还需要结合具体的目标风险模型确定对应的测试指标,比如交易成功率、交易接口缺失值占比、交易接口非法值占比等。
在获取到测试数据,以及确定预设的模型测试指标后,可以基于预设的模型测试指标,利用测试数据对目标风险模型进行模型测试,从而可以获得模型测试指标值,如果模型测试指标值与预设测试指标值的差值在预设差值范围内,则说明模型测试通过,可以控制模型从测试态转到运行态,即将目标风险模型投产运行,如果模型测试指标值与预设测试指标值的差值超出预设差值范围,则说明模型测试不通过,此时可以控制模型从测试态转到开发态,重新进行模型训练开发,也可以人工判断是否重新进行模型训练开发,具体情况可以根据业务需求决定。
需要注意的是,在模型运行过程中,需要确保目标风险模型的预测结果有效性,所以要定期评估目标风险模型的运行情况,因此在模型运行过程中,需要对模型的运行情况进行监测。作为本发明的还一个可参考实施例,基于预设的模型评估指标对目标风险模型的运行情况进行模型评估,若模型评估结果为不通过,则迭代训练所述目标风险模型,可以包括:
步骤S1031,基于预设的模型评估指标对目标风险模型的运行情况进行监测,获得模型运行指标值;
步骤S1032,判断模型运行指标值是否满足预设模型运行条件;
步骤S1033,若是,则继续运行所述目标风险模型,若否,则迭代训练目标风险模型。
其中预设的模型评估指标可以包括:模型区分能力、模型稳定性、模型准确率、评级迁移率、分池迁移率、评级集中性、模型单变量区分能力、模型单变量稳定性、模型数据缺失率等。通过监测目标风险模型运行情况判断目标风险模型是否满足当前的业务周期场景,模型运行指标值如果满足预设模型运行条件,则模型当期有效可以继续投入运行,如果不满足预设模型运行条件,则模型需要重新训练校验,此时,模型由运行态转换到开发态,重新开始新一轮的模型生命周期迭代过程。
本发明实施例中,基于风险模型的全生命周期的管控方法还可以包括:在迭代训练目标风险模型的过程中,若不能满足预设模型开发条件,则终止目标风险模型。当目标风险模型的迭代训练过程无法达到评价指标要求,即无法满足预设模型开发条件时,说明该目标风险模型已经无法满足业务场景需求,需要退出模型生命周期,不再进行三种状态迭代过程。图3是根据本发明实施例的风险模型的全生命周期的状态转换示意图。图3中除了包括开发态、测试态和运行态这三种状态的转换,还包括模型终止情况。
图4是根据本发明实施例的基于风险模型的全生命周期管控方法的主要流程的示意图。如图4所示,基于风险模型的全生命周期管控方法的主要流程可以包括:
步骤S401,确定目标风险模型对应的特征变量范围,根据特征变量范围,提取预设时间周期内的源数据,按照预设的计算逻辑对源数据进行处理,获得源数据对应的可选特征数据;
步骤S402,判断可选特征数据对应的特征评估指标值是否满足预设数据指标条件,若是,则执行步骤S403,否则,执行步骤S404;
步骤S403,确定可选特征数据为目标风险模型对应的特征数据;
步骤S404,进行人工筛选,确定目标风险模型对应的特征数据;
步骤S405,基于现有模型参数或重新设置的模型参数对特征数据进行模型训练,构建目标风险模型;
步骤S406,获取目标风险模型对应的开发评估指标值,若开发评估指标值满足预设模型开发条件,则对目标风险模型进行模型测试;
步骤S407,获取目标风险模型对应的测试数据,基于预设的模型测试指标,利用测试数据对目标风险模型进行模型测试,获得模型测试指标值;
步骤S408,若模型测试指标值与预设测试指标值的差值在预设差值范围内,则确认模拟测试结果通过,控制目标风险模型进入模型投产运行阶段,其中,预设测试指标值为开发评估指标值或上次模型测试指标值;
步骤S409,基于预设的模型评估指标对目标风险模型的运行情况进行监测,获得模型运行指标值;
步骤S410,判断模型运行指标值是否满足预设模型运行条件,若是,执行步骤S411,若否,则执行步骤S412;
步骤S411,继续运行目标风险模型;
步骤S412,迭代训练目标风险模型;
步骤S413,在迭代训练目标风险模型的过程中,若不能满足预设模型开发条件,则终止目标风险模型。
需要注意的是,在步骤S407中模型测试指标值之后,如果模型测试指标值与预设测试指标值的差值不在预设差值范围内,则确认模拟测试结果不通过,此时可以控制模型从测试态转到开发态,重新进行模型训练开发,也可以人工判断是否重新进行模型训练开发,具体情况可以根据业务需求决定。此外,步骤S406中,获取目标风险模型对应的开发评估指标值之后,若开发评估指标值不满足预设模型开发条件,则需要重新训练目标风险模型。
根据本发明实施例的基于风险模型的全生命周期管控技术方案,能够通过特征数据和预设的参数构建目标风险模型,然后利用测试指标进行模型测试,在确定模型测试通过后,运行该目标风险模型,接着利用评估指标对目标风险模型的运行情况进行模型评估,若评估不通过,则重新训练该目标风险模型,完成了模型构建、模型测试和模型运行过程的平滑转换,避免了现有模型过程状态不清晰的问题,实现了模型自动化迭代,提高模型全生命周期管控效率,还可以解决现有技术中模型开发过程需要不断进行人工干预而导致的模型迭代开发效率较低的问题,此外通过不同的指标进行模型测试和模型评估,建立了科学的模型评价体系,提高模型的有效性和可用性。
图5是根据本发明实施例的基于风险模型的全生命周期管控装置的主要模块的示意图,如图5所示,基于风险模型的全生命周期管控装置500可以包括:构建模块501、测试模块502和评估模块503。
其中,构建模块501可用于获取目标风险模型对应的特征数据,根据特征数据和预设的模型参数,构建目标风险模型;测试模块502可用于基于预设的模型测试指标对目标风险模型进行模型测试,若模拟测试结果为通过,运行目标风险模型;评估模块503可用于基于预设的模型评估指标对目标风险模型的运行情况进行模型评估,若模型评估结果为不通过,则迭代训练目标风险模型。
本发明实施例中,构建模块501还可用于:确定目标风险模型对应的特征变量范围,根据特征变量范围,提取预设时间周期内的源数据;按照预设的计算逻辑对源数据进行处理,获得源数据对应的可选特征数据;判断可选特征数据对应的特征评估指标值是否满足预设数据指标条件,若是,则确定可选特征数据为目标风险模型对应的特征数据,若否,则进行人工筛选。
本发明实施例中,构建模块501还可用于:判断是否需要重新设置模型参数;若是,则基于重新设置的模型参数对特征数据进行模型训练,构建目标风险模型;若否,则基于现有模型参数对特征数据进行模型训练,构建目标风险模型。
本发明实施例中,构建模块501还可用于:获取目标风险模型对应的开发评估指标值,若开发评估指标值满足预设模型开发条件,则对目标风险模型进行模型测试。
本发明实施例中,测试模块502还可用于:获取目标风险模型对应的测试数据,基于预设的模型测试指标,利用测试数据对目标风险模型进行模型测试,获得模型测试指标值;若模型测试指标值与预设测试指标值的差值在预设差值范围内,则确认模拟测试结果通过,控制目标风险模型进入模型投产运行阶段;其中,预设测试指标值为开发评估指标值或上次模型测试指标值。
本发明实施例中,评估模块503还可用于:基于预设的模型评估指标对目标风险模型的运行情况进行监测,获得模型运行指标值,判断模型运行指标值是否满足预设模型运行条件;若是,则继续运行目标风险模型,若否,则迭代训练目标风险模型。
本发明实施例中,基于风险模型的全生命周期管控装置还可以包括:终止模块(图中未示出)。该终止模块可用于:在迭代训练目标风险模型的过程中,若不能满足预设模型开发条件,则终止目标风险模型。
从以上描述可以看出,本发明实施例的基于风险模型的全生命周期管控装置能够通过特征数据和预设的参数构建目标风险模型,然后利用测试指标进行模型测试,在确定模型测试通过后,运行该目标风险模型,接着利用评估指标对目标风险模型的运行情况进行模型评估,若评估不通过,则重新训练该目标风险模型,完成了模型构建、模型测试和模型运行过程的平滑转换,避免了现有模型过程状态不清晰的问题,实现了模型自动化迭代,提高模型全生命周期管控效率,还可以解决现有技术中模型开发过程需要不断进行人工干预而导致的模型迭代开发效率较低的问题,此外通过不同的指标进行模型测试和模型评估,建立了科学的模型评价体系,提高模型的有效性和可用性。
图6示出了可以应用本发明实施例的基于风险模型的全生命周期管控方法或基于风险模型的全生命周期管控装置的示例性系统架构600。
如图6所示,系统架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器,例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的基于风险模型的全生命周期管控方法一般由服务器605执行,相应地,基于风险模型的全生命周期管控装置一般设置于服务器605中。
应该理解,图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图7,其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括构建模块、测试模块和评估模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,构建模块还可以被描述为“获取目标风险模型对应的特征数据,根据特征数据和预设的模型参数,构建目标风险模型的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:获取目标风险模型对应的特征数据,根据特征数据和预设的模型参数,构建目标风险模型;基于预设的模型测试指标对目标风险模型进行模型测试,若模拟测试结果为通过,运行目标风险模型;基于预设的模型评估指标对目标风险模型的运行情况进行模型评估,若模型评估结果为不通过,则迭代训练目标风险模型。
根据本发明实施例的技术方案,能够通过特征数据和预设的参数构建目标风险模型,然后利用测试指标进行模型测试,在确定模型测试通过后,运行该目标风险模型,接着利用评估指标对目标风险模型的运行情况进行模型评估,若评估不通过,则重新训练该目标风险模型,完成了模型构建、模型测试和模型运行过程的平滑转换,避免了现有模型过程状态不清晰的问题,实现了模型自动化迭代,提高模型全生命周期管控效率,还可以解决现有技术中模型开发过程需要不断进行人工干预而导致的模型迭代开发效率较低的问题,此外通过不同的指标进行模型测试和模型评估,建立了科学的模型评价体系,提高模型的有效性和可用性。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种基于风险模型的全生命周期管控方法,其特征在于,包括:
获取目标风险模型对应的特征数据,根据所述特征数据和预设的模型参数,构建目标风险模型;
基于预设的模型测试指标对所述目标风险模型进行模型测试,若模拟测试结果为通过,运行所述目标风险模型;
基于预设的模型评估指标对所述目标风险模型的运行情况进行模型评估,若模型评估结果为不通过,则迭代训练所述目标风险模型。
2.根据权利要求1所述的方法,其特征在于,所述获取目标风险模型对应的特征数据,包括:
确定所述目标风险模型对应的特征变量范围,根据所述特征变量范围,提取预设时间周期内的源数据;
按照预设的计算逻辑对所述源数据进行处理,获得所述源数据对应的可选特征数据;
判断所述可选特征数据对应的特征评估指标值是否满足预设数据指标条件,若是,则确定所述可选特征数据为所述目标风险模型对应的特征数据,若否,则进行人工筛选。
3.根据权利要求1所述的方法,其特征在于,所述根据所述特征数据和预设的模型参数,构建目标风险模型,包括:
判断是否需要重新设置模型参数;
若是,则基于重新设置的模型参数对所述特征数据进行模型训练,构建所述目标风险模型;
若否,则基于现有模型参数对所述特征数据进行模型训练,构建所述目标风险模型。
4.根据权利要求1所述的方法,其特征在于,在构建所述目标风险模型之后,所述方法还包括:获取所述目标风险模型对应的开发评估指标值,若所述开发评估指标值满足预设模型开发条件,则对所述目标风险模型进行模型测试。
5.根据权利要求4所述的方法,其特征在于,所述基于预设的模型测试指标对所述目标风险模型进行模型测试,若模拟测试结果为通过,运行所述目标风险模型,包括:
获取所述目标风险模型对应的测试数据,基于预设的模型测试指标,利用所述测试数据对所述目标风险模型进行模型测试,获得模型测试指标值;
若所述模型测试指标值与预设测试指标值的差值在预设差值范围内,则确认所述模拟测试结果通过,控制所述目标风险模型进入模型投产运行阶段;其中,
所述预设测试指标值为所述开发评估指标值或上次模型测试指标值。
6.根据权利要求1所述的方法,其特征在于,所述基于预设的模型评估指标对所述目标风险模型的运行情况进行模型评估,若模型评估结果为不通过,则迭代训练所述目标风险模型,包括:
基于预设的模型评估指标对所述目标风险模型的运行情况进行监测,获得模型运行指标值,判断所述模型运行指标值是否满足预设模型运行条件;
若是,则继续运行所述目标风险模型,若否,则迭代训练所述目标风险模型。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:在迭代训练所述目标风险模型的过程中,若不能满足预设模型开发条件,则终止所述目标风险模型。
8.一种基于风险模型的全生命周期管控装置,其特征在于,包括:
构建模块,用于获取目标风险模型对应的特征数据,根据所述特征数据和预设的模型参数,构建目标风险模型;
测试模块,用于基于预设的模型测试指标对所述目标风险模型进行模型测试,若模拟测试结果为通过,运行所述目标风险模型;
评估模块,用于基于预设的模型评估指标对所述目标风险模型的运行情况进行模型评估,若模型评估结果为不通过,则迭代训练所述目标风险模型。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010220328.XA CN111383100A (zh) | 2020-03-25 | 2020-03-25 | 基于风险模型的全生命周期管控方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010220328.XA CN111383100A (zh) | 2020-03-25 | 2020-03-25 | 基于风险模型的全生命周期管控方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111383100A true CN111383100A (zh) | 2020-07-07 |
Family
ID=71218926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010220328.XA Pending CN111383100A (zh) | 2020-03-25 | 2020-03-25 | 基于风险模型的全生命周期管控方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111383100A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861704A (zh) * | 2020-07-10 | 2020-10-30 | 深圳无域科技技术有限公司 | 风控特征生成方法及系统 |
CN112085595A (zh) * | 2020-09-27 | 2020-12-15 | 中国建设银行股份有限公司 | 信用评分模型的监控方法及装置 |
CN113032440A (zh) * | 2021-03-18 | 2021-06-25 | 上海数禾信息科技有限公司 | 训练风险模型的数据处理方法和装置 |
CN116307698A (zh) * | 2023-02-09 | 2023-06-23 | 北京百度网讯科技有限公司 | 模型的全生命周期风险管理方法、装置、设备及介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327152A (zh) * | 2016-08-11 | 2017-01-11 | 宁波亦道信息科技有限公司 | 集成式迭代化软件开发过程控制系统及方法 |
CN106708509A (zh) * | 2016-11-28 | 2017-05-24 | 上海宝尊电子商务有限公司 | 自动化软件项目开发全链路配置管理系统 |
CN108109066A (zh) * | 2017-12-11 | 2018-06-01 | 上海前隆信息科技有限公司 | 一种信用评分模型更新方法及系统 |
CN109003091A (zh) * | 2018-07-10 | 2018-12-14 | 阿里巴巴集团控股有限公司 | 一种风险防控处理方法、装置及设备 |
CN109242135A (zh) * | 2018-07-16 | 2019-01-18 | 阿里巴巴集团控股有限公司 | 一种模型运营方法、装置、及业务服务器 |
CN109933507A (zh) * | 2019-03-22 | 2019-06-25 | 北京极简智能科技有限公司 | 一种程序性能检测方法、系统、设备及存储介质 |
CN109947088A (zh) * | 2019-04-17 | 2019-06-28 | 北京天泽智云科技有限公司 | 基于模型全生命周期管理的设备故障预警系统 |
CN110322142A (zh) * | 2019-07-01 | 2019-10-11 | 百维金科(上海)信息科技有限公司 | 一种大数据风控模型及线上系统配置技术 |
CN110349038A (zh) * | 2019-06-13 | 2019-10-18 | 中国平安人寿保险股份有限公司 | 风险评估模型训练方法和风险评估方法 |
CN110443304A (zh) * | 2019-08-06 | 2019-11-12 | 民生科技有限责任公司 | 一种基于机器学习模型的企业风险评估方法 |
WO2020037942A1 (zh) * | 2018-08-20 | 2020-02-27 | 平安科技(深圳)有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
-
2020
- 2020-03-25 CN CN202010220328.XA patent/CN111383100A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327152A (zh) * | 2016-08-11 | 2017-01-11 | 宁波亦道信息科技有限公司 | 集成式迭代化软件开发过程控制系统及方法 |
CN106708509A (zh) * | 2016-11-28 | 2017-05-24 | 上海宝尊电子商务有限公司 | 自动化软件项目开发全链路配置管理系统 |
CN108109066A (zh) * | 2017-12-11 | 2018-06-01 | 上海前隆信息科技有限公司 | 一种信用评分模型更新方法及系统 |
CN109003091A (zh) * | 2018-07-10 | 2018-12-14 | 阿里巴巴集团控股有限公司 | 一种风险防控处理方法、装置及设备 |
CN109242135A (zh) * | 2018-07-16 | 2019-01-18 | 阿里巴巴集团控股有限公司 | 一种模型运营方法、装置、及业务服务器 |
WO2020037942A1 (zh) * | 2018-08-20 | 2020-02-27 | 平安科技(深圳)有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
CN109933507A (zh) * | 2019-03-22 | 2019-06-25 | 北京极简智能科技有限公司 | 一种程序性能检测方法、系统、设备及存储介质 |
CN109947088A (zh) * | 2019-04-17 | 2019-06-28 | 北京天泽智云科技有限公司 | 基于模型全生命周期管理的设备故障预警系统 |
CN110349038A (zh) * | 2019-06-13 | 2019-10-18 | 中国平安人寿保险股份有限公司 | 风险评估模型训练方法和风险评估方法 |
CN110322142A (zh) * | 2019-07-01 | 2019-10-11 | 百维金科(上海)信息科技有限公司 | 一种大数据风控模型及线上系统配置技术 |
CN110443304A (zh) * | 2019-08-06 | 2019-11-12 | 民生科技有限责任公司 | 一种基于机器学习模型的企业风险评估方法 |
Non-Patent Citations (1)
Title |
---|
宋天予;黄立;卢黎明;: "信息系统全生命周期安全风险评估体系研究" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861704A (zh) * | 2020-07-10 | 2020-10-30 | 深圳无域科技技术有限公司 | 风控特征生成方法及系统 |
CN112085595A (zh) * | 2020-09-27 | 2020-12-15 | 中国建设银行股份有限公司 | 信用评分模型的监控方法及装置 |
CN113032440A (zh) * | 2021-03-18 | 2021-06-25 | 上海数禾信息科技有限公司 | 训练风险模型的数据处理方法和装置 |
CN116307698A (zh) * | 2023-02-09 | 2023-06-23 | 北京百度网讯科技有限公司 | 模型的全生命周期风险管理方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020385264B2 (en) | Fusing multimodal data using recurrent neural networks | |
CN111383100A (zh) | 基于风险模型的全生命周期管控方法和装置 | |
CN108520470B (zh) | 用于生成用户属性信息的方法和装置 | |
CN104657194B (zh) | 用于计算网络中动作的影响的方法和系统 | |
CN109471783A (zh) | 预测任务运行参数的方法和装置 | |
WO2022083093A1 (zh) | 图谱中的概率计算方法、装置、计算机设备及存储介质 | |
CN114329201A (zh) | 深度学习模型的训练方法、内容推荐方法和装置 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN111582649B (zh) | 基于用户app独热编码的风险评估方法、装置和电子设备 | |
CN109240916A (zh) | 信息输出控制方法、装置及计算机可读存储介质 | |
CN113379153A (zh) | 用于预测电力负荷的方法、预测模型训练方法及装置 | |
CN117234844A (zh) | 云服务器异常管理方法、装置、计算机设备及存储介质 | |
CN114997414B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN115730812A (zh) | 指标信息生成方法、装置、电子设备和可读介质 | |
CN114064403A (zh) | 一种任务延迟分析处理方法和装置 | |
CN115115062A (zh) | 机器学习模型建立方法、相关装置及计算机程序产品 | |
CN113190746A (zh) | 推荐模型的评估方法、装置及电子设备 | |
CN112579402A (zh) | 一种应用系统故障定位的方法和装置 | |
CN113760484A (zh) | 数据处理的方法和装置 | |
CN112734352A (zh) | 一种基于数据维度的单据审核方法和装置 | |
CN116915870B (zh) | 任务创建请求处理方法、装置、电子设备和可读介质 | |
CN115883392B (zh) | 算力网络的数据感知方法、装置、电子设备及存储介质 | |
US20230342397A1 (en) | Techniques for predicting a personalized url document to assist a conversation | |
CN116974940A (zh) | 一种接口测试方法、装置、设备及存储介质 | |
CN110688222A (zh) | 资源处理请求的排序方法、装置、介质及电子设备 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220923 Address after: 25 Financial Street, Xicheng District, Beijing 100033 Applicant after: CHINA CONSTRUCTION BANK Corp. Address before: 25 Financial Street, Xicheng District, Beijing 100033 Applicant before: CHINA CONSTRUCTION BANK Corp. Applicant before: Jianxin Financial Science and Technology Co.,Ltd. |