CN111429006A - 金融风险指标预测模型构建、风险态势预测方法和装置 - Google Patents

金融风险指标预测模型构建、风险态势预测方法和装置 Download PDF

Info

Publication number
CN111429006A
CN111429006A CN202010213856.2A CN202010213856A CN111429006A CN 111429006 A CN111429006 A CN 111429006A CN 202010213856 A CN202010213856 A CN 202010213856A CN 111429006 A CN111429006 A CN 111429006A
Authority
CN
China
Prior art keywords
risk index
financial
financial risk
prediction model
data set
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
Application number
CN202010213856.2A
Other languages
English (en)
Inventor
于皓
张�杰
李犇
袁杰
罗华刚
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.)
Beijing Mininglamp Software System Co ltd
Original Assignee
Beijing Mininglamp Software System Co 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 Beijing Mininglamp Software System Co ltd filed Critical Beijing Mininglamp Software System Co ltd
Priority to CN202010213856.2A priority Critical patent/CN111429006A/zh
Publication of CN111429006A publication Critical patent/CN111429006A/zh
Pending legal-status Critical Current

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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Technology Law (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种金融风险指标预测模型构建、金融风险态势预测方法、装置和计算机可读存储介质，所述金融风险态势预测方法包括：根据金融业务历史数据，确定金融风险指标历史数据集；根据金融风险指标历史数据集训练基于LSTM的预测模型，得到金融风险指标预测模型，其中，所述基于LSTM的预测模型的输入为所述金融风险指标历史数据集中的当期风险指标数据，所述预测模型的输出为所述金融风险指标历史数据集中后一期风险指标数据；根据金融业务当前指定时间段的数据，确定金融风险指标当前一期数据集；将所述金融风险指标当前一期数据集输入所述金融风险指标预测模型，将所述金融风险指标预测模型输出的后一期风险指标数据作为金融风险态势预测结果。

Description

金融风险指标预测模型构建、风险态势预测方法和装置
技术领域
本文涉及风险预测领域，尤指一种金融风险指标预测模型构建、金融风险态势预测方法、装置和计算机可读存储介质。
背景技术
金融风险识别能力是关系金融企业健康、快速发展的重要因素，由于金融行业受环境、政策和行业的整体发展趋势等因素影响，存在一定的周期波动性，实时把控金融风险指标，针对风险指标的风险态势预判，对潜在的风险提早采取措施，是防止金融企业发生系统性风险的主要方法。
目前，金融的风险指标计算主要反映历史的风险情况，风险的识别具有一定的滞后性，依据历史数据进行风险指标计算，借助专家经验对未来短中期的风险进行预判，该方法是目前主要的风险预测方法，其缺点较为明显，一则需要经验丰富的专家根据历史风险指标数据预判后期风险，二则建立在专家经验的预判缺乏理论支撑，判断的本身就存在风险性。
发明内容
本申请提供了一种金融风险指标预测模型构建、金融风险态势预测方法、装置和计算机可读存储介质，以预测后期金融风险指标。
本申请实施例提供了一种金融风险指标预测模型构建方法，包括：
根据金融业务历史数据，确定金融风险指标历史数据集；
根据金融风险指标历史数据集训练基于长短期记忆网络LSTM的预测模型，得到金融风险指标预测模型，其中，所述基于LSTM的预测模型的输入为所述金融风险指标历史数据集中的当期风险指标数据，所述基于LSTM的预测模型的输出为所述金融风险指标历史数据集中的后一期风险指标数据。
本申请实施例还提供一种金融风险态势预测方法，包括：
根据金融业务历史数据，确定金融风险指标历史数据集；
根据金融风险指标历史数据集训练基于LSTM的预测模型，得到金融风险指标预测模型，其中，所述基于LSTM的预测模型的输入为所述金融风险指标历史数据集中的当期风险指标数据，所述预测模型的输出为所述金融风险指标历史数据集中后一期风险指标数据；
根据金融业务当前指定时间段的数据，确定金融风险指标当前一期数据集；
将所述金融风险指标当前一期数据集输入所述金融风险指标预测模型，将所述金融风险指标预测模型输出的后一期风险指标数据作为金融风险态势预测结果。
本申请实施例还提供一种金融风险指标预测模型构建装置，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程序时实现所述金融风险指标预测模型构建方法。
本申请实施例还提供一种金融风险态势预测装置，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程序时实现所述金融风险态势预测方法。
本申请实施例还提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行所述金融风险指标预测模型构建方法。
本申请实施例还提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行所述金融风险态势预测方法。
与相关技术相比，本申请包括：根据金融业务历史数据，确定金融风险指标历史数据集；根据金融风险指标历史数据集训练基于LSTM的预测模型，得到金融风险指标预测模型，其中，所述预测模型的输入为所述金融风险指标历史数据集中的当期风险指标数据，所述预测模型的输出为所述金融风险指标历史数据集中后一期风险指标数据；根据金融业务当前指定时间段的数据，确定金融风险指标当前一期数据集；将所述金融风险指标当前一期数据集输入所述金融风险指标预测模型，将所述金融风险指标预测模型输出的后一期风险指标数据作为金融风险态势预测结果。本申请实施例基于LSTM，学习历史金融风险指标的潜在模式，构建的金融风险指标预测模型学习时间序列中风险指标的变化模式，不但可以预测近期的金融风险指标，还可以对中远期的风险指标进行较准确的预测。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
图1为本申请实施例的金融风险指标预测模型构建方法的流程图；
图2为本申请实施例的金融风险态势预测方法的流程图；
图3为本申请应用实例的流程图。
具体实施方式
本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本申请实施例的精神和范围内。
相关技术中，基于时间序列的指标预测方法有移动平均法、指数平滑法、自回归模型等方法，其中，移动平均法是一种简单平滑预测技术，它的基本思想是：根据时间序列资料、逐项推移，依次计算包含一定项数的序时平均值，以反映长期趋势的方法。使用移动平均法进行预测能平滑掉需求的突然波动对预测结果的影响。但移动平均法并不能总是很好地反映出趋势。由于是平均值，预测值总是停留在过去的水平上而无法预计会导致将来更高或更低的波动。指数平滑法是在移动平均法基础上发展起来的一种时间序列分析预测法，它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。但是，指数平滑法预测值受值大小的影响较大，取值不当，预测值出现偏差较大。指数自回归模型(exponential autoregressive models)是一种非线性模型，非线性时间序列包含了非线性系统中各种变量的过去信息，同时蕴含着大量关于系统演变的规律和趋势。指数自回归模型可以复现非线性随机振动的某些特性，反映时间序列的频幅相依性，但是比较机械，不易灵活掌握，对信息资料质量要求较高。
从上面描述可以看出，基于时间序列的指标预测方法例如移动平均法、指数平滑法、自回归模型等，主要缺点是无法学习历史指标数据的规律模式，中远期的金融风险指标准确率较低。
基于以上情况，本文提出了基于LSTM(long short-term memory，长短期记忆网络)金融风险态势预测方法和装置，通过历史的金融风险指标数据，学习隐藏在风险指标中的模式规律，以此预测后期的金融风险指标，特别是可以预测中长期的风险指标，以此来作为金融风险识别的依据，针对不同的未来风险，采取相应的风险干预措施。
如图1所示，本申请实施例提供一种金融风险指标预测模型构建方法，包括：
步骤101，根据金融业务历史数据，确定金融风险指标历史数据集。
其中，金融业务数据包括金融业务历史数据和金融业务当前数据，金融业务数据可包括金融业务中还款流水信息、订单信息、客户信息、抵押或担保信息等。
在一实施例中，按照预设的金融风险指标，根据所述金融业务历史数据按照时间序列计算所述金融风险指标，得到按时间序列排序的金融风险指标历史数据集。
所述金融风险指标可以包括：逾期率、不良率，转呆账率等。
例如，可以根据金融业务中还款流水信息，计算每月的逾期率。得到近5年每月的逾期率，按照时间顺序排列的数据集。
其中，可以依据金融行业的风险理论，根据金融实际业务选择风险指标。例如，可以依据巴塞尔协议中要求(最低风险资本要求、资本充足率监管和内部评估过程的市场监管等)选择相应的金融风险指标。
步骤102，根据金融风险指标历史数据集训练基于LSTM的预测模型，得到金融风险指标预测模型，其中，所述预测模型的输入为所述金融风险指标历史数据集中的当期风险指标数据，所述预测模型的输出为所述金融风险指标历史数据集中后一期风险指标数据。
其中“期”指的是一个时间段，可以为一个工作日、一周、一月、三个月、一年、五年、十年等。也就是说，输入数据和输出数据之间对应了指定的时间间隔。
例如，通过近三天的逾期率推测明天的逾期率，或者通过近一周的逾期率推测下周的逾期率，可以灵活配置。
LSTM是由递归神经网络演化而来的一种神经网络，其优点在于可以将短期和长期的信息进行融合学习，解决了递归神经网络无法记忆长期信息的缺点。
在一实施例中，根据金融风险指标历史数据集训练基于LSTM的预测模型之前，还包括：
构建基于LSTM的预测模型。
其中，基于LSTM算法设计神经网络结构，设置所述预测模型的层数、设置每层的功能、节点数和激活函数等。预测模型的结构可根据实际情况进行设置，本申请不作限定。
在一实施例中，将所述金融风险指标历史数据集中的当期风险指标数据作为所述预测模型的输入，将所述金融风险指标历史数据集中的后一期风险指标数据作为所述预测模型的输出，按照梯度下降法迭代训练所述预测模型，直到所述预测模型满足预设的收敛条件。
其中，训练所述预测模型的步骤可包括：
1、前向计算每个神经元的输出值。
2、反向计算每个神经元的误差项值。与循环神经网络一样，LSTM误差项的反向传播包括两个方向：一个是沿时间的反向传播，即从当前t时刻开始，计算每个时刻的误差项；一个是将误差项向上一层传播。
3、根据相应的误差项，计算每个权重的梯度。
本申请实施例中，基于LSTM构建金融风险指标预测模型，可以根据学习历史金融风险指标的潜在模式，构建的金融风险指标预测模型学习时间序列中风险指标的变化模式，不但可以预测近期的金融风险指标，还可以对中远期的风险指标进行较准确的预测。
如图2所示，本申请实施例还提供一种金融风险态势预测方法，包括：
步骤201，根据金融业务历史数据，确定金融风险指标历史数据集。
其中，金融业务数据包括金融业务历史数据和金融业务当前数据，金融业务数据可包括金融业务中还款流水信息、订单信息、客户信息、抵押或担保信息等。
在一实施例中，按照预设的金融风险指标，根据所述金融业务历史数据按照时间序列计算所述金融风险指标，得到按时间序列排序的金融风险指标历史数据集。
所述金融风险指标可以包括：逾期率、不良率，转呆账率等。
例如，可以根据金融业务中还款流水信息，计算每月的逾期率。得到近5年每月的逾期率，按照时间顺序排列的数据集。
其中，可以依据金融行业的风险理论，根据金融实际业务选择风险指标。例如，可以依据巴塞尔协议中要求(最低风险资本要求、资本充足率监管和内部评估过程的市场监管等)选择相应的金融风险指标。
步骤202，根据金融风险指标历史数据集训练基于LSTM的预测模型，得到金融风险指标预测模型，其中，所述预测模型的输入为所述金融风险指标历史数据集中的当期风险指标数据，所述预测模型的输出为所述金融风险指标历史数据集中后一期风险指标数据。
其中“期”指的是一个时间段，可以为一个工作日、一周、一月、三个月、一年、五年、十年等。也就是说，输入数据和输出数据之间对应了指定的时间间隔。
例如，通过近三天的逾期率推测明天的逾期率，或者通过近一周的逾期率推测下周的逾期率，可以灵活配置。
LSTM是由递归神经网络演化而来的一种神经网络，其优点在于可以将短期和长期的信息进行融合学习，解决了递归神经网络无法记忆长期信息的缺点。
在一实施例中，根据金融风险指标历史数据集训练基于LSTM的预测模型之前，还包括：
构建基于LSTM的预测模型。
其中，基于LSTM算法设计神经网络结构，设置所述预测模型的层数、设置每层的功能、节点数和激活函数等。预测模型的结构可根据实际情况进行设置，本申请不作限定。
在一实施例中，将所述金融风险指标历史数据集中的当期风险指标数据作为所述预测模型的输入，将所述金融风险指标历史数据集中的后一期风险指标数据作为所述预测模型的输出，按照梯度下降法迭代训练所述预测模型，直到所述预测模型满足预设的收敛条件。
其中，训练所述预测模型的步骤可包括：
1、前向计算每个神经元的输出值。
2、反向计算每个神经元的误差项值。与循环神经网络一样，LSTM误差项的反向传播包括两个方向：一个是沿时间的反向传播，即从当前t时刻开始，计算每个时刻的误差项；一个是将误差项向上一层传播。
3、根据相应的误差项，计算每个权重的梯度。
在一实施例中，所述金融风险指标预测模型包括多个，分别用于预测不同时间间隔的金融风险。
例如，多个金融风险指标预测模型分别用于预测一周、一个月、一年的金融风险，分别对应短期、中期和长期。
步骤203，根据金融业务当前指定时间段的数据，确定金融风险指标当前一期数据集。
其中，指定时间段是指预设的时间区间，例如三天、一周、一个月、一年等。
类似步骤201，可以按照预设的金融风险指标，根据所述金融业务当前指定时间段的数据按照时间序列计算所述金融风险指标，得到按时间序列排序的金融风险指标当前一期数据集。
步骤204，将所述金融风险指标当前数据集输入所述金融风险指标预测模型，将所述金融风险指标预测模型输出的后一期风险指标数据作为金融风险态势预测结果。
本步骤中，可以根据所述金融风险指标预测模型预先设置的时间间隔数，得到金融风险态势预测结果，例如，可以根据当前的风险指标数据预测一周以后的风险指标数据。
在一实施例中，所述方法还包括：
根据所述多个金融风险指标预测模型预测得到不同时间间隔的金融风险，得到风险动态曲线。
其中，通过设置对应不同时间间隔的多个金融风险指标预测模型，得到不同时间间隔的金融风险态势预测结果，进而可以绘制曲线得到风险动态曲线。
在一实施例中，在到达后一期的时间节点后，按照实际的风险指标数据更新所述金融风险指标预测模型。
其中，可以根据最新的风险指标数据，不断更新金融风险指标预测模型，使得金融风险指标预测模型预测的更为准确。
本申请实施例有效解决金融风险指标的预测准确性问题，特别是在具有时间序列规律性的中远期风险指标预测，明显提高金融风险指标预测的准确性，可以帮助金融机构了解金融业务在未来的风险态势，针对不同的风险，及时作出相应的措施，以防止预测到的风险发生。
如图3所示，下面以一个应用实例进行说明。
步骤301，依据金融行业的风险理论，例如巴塞尔协议，根据金融实际业务选择风险指标(例如逾期率、不良率，转呆账率等等)。
步骤302，依据步骤301选择的风险指标，准备需要的金融业务数据，例如金融业务中还款流水信息，用于计算每月的逾期率。
步骤303，根据步骤302得到业务数据和步骤301的风险值指标计算方法，按照时间序列计算风险指标数据，得到时间序列的金融指标数据集，例如，得到近5年的，每月的逾期率，按照时间顺序排列的数据集。
步骤304，构建基于LSTM算法的预测模型，其中，基于LSTM算法设计神经网络结构，设置所述预测模型的层数、设置每层的功能、节点数和激活函数等。
步骤305，将步骤303得到的数据集输入到步骤304的预测模型中，设置相应的参数，例如通过近3天的逾期率推测明天的逾期率，或者通过近1周的逾期率推测下周的逾期率，可以灵活配置，获得最优的金融风险指标预测模型。
步骤306，对步骤305得到的金融风险指标预测模型输入指定日期，例如输入2020年3月3日，根据模型训练时，指定的间隔天数，例如间隔3天，则输出2020年3月6日的逾期率，可由金融风险指标预测模型计算指定日期的金融风险指标预测值。
步骤307，将金融风险指标当前一期数据集输入金融风险指标预测模型，判断风险指标的态势。
上面的步骤301～306就是构建金融风险指标预测模型的过程。如果模型是基于近期风险指标构建的模型，则可以用于步骤307计算近期风险指标，比如计算近1周的风险指标，如果模型是基于中期风险指标，例如近1个月的逾期率作为风险指标，则该模型可以预测近一个月的风险指标，如果该模型是基于远期的风险指标，例如近1年，则该模型可以计算1年的金融风险指标，通过近、中、长风险指标计算，可以给金融风控专员提供直观的风险动态曲线图。
当风险指标到达时间节点后，可以依据获取最新的指标数据集，重复对模型进行训练和输出，可以准确地把控金融风险指标的态势。
本申请实施例还提供一种金融风险指标预测模型构建装置，包括：
历史数据集模块，用于根据金融业务历史数据，确定金融风险指标历史数据集；
训练模块，用于根据金融风险指标历史数据集训练基于LSTM的预测模型，得到金融风险指标预测模型，其中，所述预测模型的输入为所述金融风险指标历史数据集中的当期风险指标数据，所述预测模型的输出为所述金融风险指标历史数据集中的后一期风险指标数据。
在一实施例中，所述历史数据集模块，用于：
按照预设的金融风险指标，根据所述金融业务历史数据按照时间序列计算所述金融风险指标，得到按时间序列排序的金融风险指标历史数据集。
在一实施例中，所述训练模块，用于：
将所述金融风险指标历史数据集中的当期风险指标数据作为所述预测模型的输入，将所述金融风险指标历史数据集中后一期风险指标数据作为所述预测模型的输出，按照梯度下降法迭代训练所述预测模型，直到所述预测模型满足预设的收敛条件。
本申请实施例还提供一种金融风险态势预测装置，包括：
历史数据集模块，用于根据金融业务历史数据，确定金融风险指标历史数据集；
训练模块，用于根据金融风险指标历史数据集训练基于LSTM的预测模型，得到金融风险指标预测模型，其中，所述预测模型的输入为所述金融风险指标历史数据集中的当期风险指标数据，所述预测模型的输出为所述金融风险指标历史数据集中后一期风险指标数据；
当前数据集模块，用于根据金融业务当前指定时间段的数据，确定金融风险指标当前一期数据集；
预测模块，用于将所述金融风险指标当前一期数据集输入所述金融风险指标预测模型，将所述金融风险指标预测模型输出的后一期风险指标数据作为金融风险态势预测结果。
在一实施例中，所述金融风险指标预测模型包括多个，分别用于预测不同时间间隔的金融风险。
在一实施例中，所述装置还包括：
动态曲线模块，用于根据所述多个金融风险指标预测模型预测得到不同时间间隔的金融风险，得到风险动态曲线。
在一实施例中，所述装置还包括：
更新模块，用于在到达后一期的时间节点后，按照实际的风险指标数据更新所述金融风险指标预测模型。
本申请实施例还提供一种金融风险指标预测模型构建装置，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程序时实现所述金融风险指标预测模型构建方法。
本申请实施例还提供一种金融风险态势预测装置，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程序时实现所述金融风险态势预测方法。
本申请实施例还提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行所述金融风险指标预测模型构建方法。
本申请实施例还提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行所述金融风险态势预测方法。
在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、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理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

Claims (10)

1.一种金融风险指标预测模型构建方法，包括：
根据金融业务历史数据，确定金融风险指标历史数据集；
根据金融风险指标历史数据集训练基于长短期记忆网络LSTM的预测模型，得到金融风险指标预测模型，其中，所述基于LSTM的预测模型的输入为所述金融风险指标历史数据集中的当期风险指标数据，所述基于LSTM的预测模型的输出为所述金融风险指标历史数据集中的后一期风险指标数据。
2.根据权利要求1所述的方法，其特征在于，所述根据金融业务历史数据，确定金融风险指标历史数据集，包括：
按照预设的金融风险指标，根据所述金融业务历史数据按照时间序列计算所述金融风险指标，得到按时间序列排序的金融风险指标历史数据集。
3.根据权利要求1所述的方法，其特征在于，所述根据金融风险指标历史数据集训练基于LSTM的预测模型，得到金融风险指标预测模型，包括：
将所述金融风险指标历史数据集中的当期风险指标数据作为所述预测模型的输入，将所述金融风险指标历史数据集中后一期风险指标数据作为所述预测模型的输出，按照梯度下降法迭代训练所述预测模型，直到所述预测模型满足预设的收敛条件。
4.一种金融风险态势预测方法，包括：
根据金融业务历史数据，确定金融风险指标历史数据集；
根据金融风险指标历史数据集训练基于LSTM的预测模型，得到金融风险指标预测模型，其中，所述基于LSTM的预测模型的输入为所述金融风险指标历史数据集中的当期风险指标数据，所述预测模型的输出为所述金融风险指标历史数据集中后一期风险指标数据；
根据金融业务当前指定时间段的数据，确定金融风险指标当前一期数据集；
将所述金融风险指标当前一期数据集输入所述金融风险指标预测模型，将所述金融风险指标预测模型输出的后一期风险指标数据作为金融风险态势预测结果。
5.根据权利要求4所述的方法，其特征在于，
所述金融风险指标预测模型包括多个，分别用于预测不同时间间隔的金融风险。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
根据所述多个金融风险指标预测模型预测得到不同时间间隔的金融风险，得到风险动态曲线。
7.根据权利要求4～6中任意一项所述的方法，其特征在于，所述方法还包括：
在到达后一期的时间节点后，按照实际的风险指标数据更新所述金融风险指标预测模型。
8.一种金融风险指标预测模型构建装置，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程序时实现如权利要求1～3中任意一项所述的方法。
9.一种金融风险态势预测装置，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程序时实现如权利要求4～7中任意一项所述的方法。
10.一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1～7中任意一项所述的方法。
CN202010213856.2A 2020-03-24 2020-03-24 金融风险指标预测模型构建、风险态势预测方法和装置 Pending CN111429006A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010213856.2A CN111429006A (zh) 2020-03-24 2020-03-24 金融风险指标预测模型构建、风险态势预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010213856.2A CN111429006A (zh) 2020-03-24 2020-03-24 金融风险指标预测模型构建、风险态势预测方法和装置

Publications (1)

Publication Number Publication Date
CN111429006A true CN111429006A (zh) 2020-07-17

Family

ID=71555482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010213856.2A Pending CN111429006A (zh) 2020-03-24 2020-03-24 金融风险指标预测模型构建、风险态势预测方法和装置

Country Status (1)

Country Link
CN (1) CN111429006A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112767007A (zh) * 2020-12-30 2021-05-07 苏宁消费金融有限公司 一种金融风险行为的监控系统
CN112820414A (zh) * 2021-01-29 2021-05-18 南威软件股份有限公司 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法
CN113139876A (zh) * 2021-04-22 2021-07-20 平安壹钱包电子商务有限公司 风险模型训练方法、装置、计算机设备及可读存储介质
CN113159933A (zh) * 2021-05-20 2021-07-23 中国工商银行股份有限公司 一种风险控制方法、系统、设备及介质
CN113537595A (zh) * 2021-07-16 2021-10-22 上海电气风电集团股份有限公司 模型训练方法、风功率预测方法、系统、设备及介质
US11556935B1 (en) 2021-07-28 2023-01-17 International Business Machines Corporation Financial risk management based on transactions portrait
WO2023142424A1 (zh) * 2022-01-25 2023-08-03 国网江苏省电力有限公司南京供电分公司 基于gru-lstm神经网络的电力金融业务风控方法及系统
CN116611917A (zh) * 2023-07-19 2023-08-18 建信金融科技有限责任公司 金融风险的预警方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107316198A (zh) * 2016-04-26 2017-11-03 阿里巴巴集团控股有限公司 账户风险识别方法及装置
CN108985583A (zh) * 2018-06-27 2018-12-11 中国银行股份有限公司 基于人工智能的金融数据风险控制方法及装置
CN109615454A (zh) * 2018-10-30 2019-04-12 阿里巴巴集团控股有限公司 确定用户金融违约风险的方法及装置
CN110111198A (zh) * 2019-04-23 2019-08-09 上海淇玥信息技术有限公司 用户金融风险预估方法、装置、电子设备及可读介质
US20190327501A1 (en) * 2018-07-06 2019-10-24 Capital One Services, Llc Real-time synthetically generated video from still frames
US20190392314A1 (en) * 2018-06-22 2019-12-26 Alibaba Group Holding Limited Method and device for cash advance recognition

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107316198A (zh) * 2016-04-26 2017-11-03 阿里巴巴集团控股有限公司 账户风险识别方法及装置
US20190392314A1 (en) * 2018-06-22 2019-12-26 Alibaba Group Holding Limited Method and device for cash advance recognition
CN108985583A (zh) * 2018-06-27 2018-12-11 中国银行股份有限公司 基于人工智能的金融数据风险控制方法及装置
US20190327501A1 (en) * 2018-07-06 2019-10-24 Capital One Services, Llc Real-time synthetically generated video from still frames
CN109615454A (zh) * 2018-10-30 2019-04-12 阿里巴巴集团控股有限公司 确定用户金融违约风险的方法及装置
CN110111198A (zh) * 2019-04-23 2019-08-09 上海淇玥信息技术有限公司 用户金融风险预估方法、装置、电子设备及可读介质

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112767007A (zh) * 2020-12-30 2021-05-07 苏宁消费金融有限公司 一种金融风险行为的监控系统
CN112767007B (zh) * 2020-12-30 2022-08-02 苏宁消费金融有限公司 一种金融风险行为的监控方法
CN112820414A (zh) * 2021-01-29 2021-05-18 南威软件股份有限公司 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法
CN112820414B (zh) * 2021-01-29 2021-11-09 南威软件股份有限公司 基于改进的三次指数平滑模型及lstm模型在新冠疫情的预警方法
CN113139876A (zh) * 2021-04-22 2021-07-20 平安壹钱包电子商务有限公司 风险模型训练方法、装置、计算机设备及可读存储介质
CN113159933A (zh) * 2021-05-20 2021-07-23 中国工商银行股份有限公司 一种风险控制方法、系统、设备及介质
CN113537595A (zh) * 2021-07-16 2021-10-22 上海电气风电集团股份有限公司 模型训练方法、风功率预测方法、系统、设备及介质
US11556935B1 (en) 2021-07-28 2023-01-17 International Business Machines Corporation Financial risk management based on transactions portrait
WO2023142424A1 (zh) * 2022-01-25 2023-08-03 国网江苏省电力有限公司南京供电分公司 基于gru-lstm神经网络的电力金融业务风控方法及系统
CN116611917A (zh) * 2023-07-19 2023-08-18 建信金融科技有限责任公司 金融风险的预警方法、装置、设备及存储介质
CN116611917B (zh) * 2023-07-19 2023-10-03 建信金融科技有限责任公司 金融风险的预警方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN111429006A (zh) 金融风险指标预测模型构建、风险态势预测方法和装置
Sahu et al. Evaluating the impact of prediction techniques: Software reliability perspective.
CN111563706A (zh) 一种基于lstm网络的多变量物流货运量预测方法
US20210073909A1 (en) System and method for autonomous, intelligent, and tunable compartmentalization of monetary transactions
CN110599336B (zh) 一种金融产品购买预测方法及系统
WO2020024718A1 (zh) 外汇交易量预测方法和装置
RU2680760C1 (ru) Компьютеризированный способ разработки и управления моделями скоринга
CN116450951A (zh) 业务推荐方法、装置、存储介质及电子设备
CN110263136B (zh) 基于强化学习模型向用户推送对象的方法和装置
CN115204590A (zh) 基于神经网络的企业涉税风险的自动识别方法及装置
CN116776006A (zh) 用于企业融资的客户画像构建方法及系统
CN116523661A (zh) 基于人工智能的理赔方法、装置、设备及存储介质
CN110717537A (zh) 训练用户分类模型、执行用户分类预测的方法及装置
CN110858355A (zh) 项目预算结余预测方法及装置
Ferencek et al. Deep learning predictive models for terminal call rate prediction during the warranty period
CN116308448A (zh) 一种基于神经网络的商户日交易量预测方法及系统
JP2015210657A (ja) 情報処理装置及びプログラム
CN112669093A (zh) 海洋经济预测方法、系统、电子设备及存储介质
CN111179084A (zh) 一种预测期货市场交易指标的方法及装置
CN111126676A (zh) 一种公司经营风险预测的方法、装置及设备
US8688488B2 (en) Method and apparatus for the prediction of order turnaround time in an information verification system
CN113379455B (zh) 订单量预测方法和设备
US20240144388A1 (en) System and method for calculating and disbursing advanced wages
CN116308829B (zh) 一种供应链金融风险评估处理方法及装置
CN117422314B (zh) 一种基于大数据分析的企业数据评估方法及设备

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200717