CN111695908B - 一种票据业务风险的预测方法及装置 - Google Patents
一种票据业务风险的预测方法及装置 Download PDFInfo
- Publication number
- CN111695908B CN111695908B CN202010498540.2A CN202010498540A CN111695908B CN 111695908 B CN111695908 B CN 111695908B CN 202010498540 A CN202010498540 A CN 202010498540A CN 111695908 B CN111695908 B CN 111695908B
- Authority
- CN
- China
- Prior art keywords
- enterprise
- information
- abnormal
- predicted
- bill
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000002159 abnormal effect Effects 0.000 claims abstract description 187
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000011144 upstream manufacturing Methods 0.000 claims description 87
- 238000004590 computer program Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000007477 logistic regression Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/04—Payment circuits
- G06Q20/045—Payment circuits using payment protocols involving tickets
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Finance (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种票据业务风险的预测方法及装置,所述方法包括:获取待预测企业的票据业务风险预测数据;对所述待预测企业的票据业务风险预测数据进行特征处理,获得所述待预测企业的票据业务风险特征数据;根据所述待预测企业的票据业务风险特征数据以及异常票据交易预测模型,获得所述待预测企业的风险预测结果;其中,所述异常票据交易预测模型是基于票据业务风险预测样本数据以及预先确定的风险标签训练后获得的。所述装置用于执行上述方法。本发明实施例提供的票据业务风险的预测方法及装置,提高了对企业的票据业务风险的预测效率。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种票据业务风险的预测方法及装置。
背景技术
商业汇票(简称票据)是指出票人依法签发的,委托付款人在见票时或者在指定日期无条件支付确定的金额给收款人或者持票人的票据。
随着票据业务规模的发展,出现了利用虚假交易循环开票套利、牟取高额利润、抬高企业融资成本的票据中介企业,也出现利用贴现利率差值非法套利的企业,上述这些行为不仅扰乱了票据市场秩序,也扰乱了金融市场秩序。因此,在票据业务行业,需要加强对票据业务风险的监督,及时发现和化解可能的票据风险隐患,防范重大风险事件的发生,促进票据业务稳健开展是银行票据行业永远需要面对的课题。现有技术中,票据业务风险的监督主要通过人工手动分析票据业务数据的事后监督的方式,效率低且成本高。
发明内容
针对现有技术中的问题,本发明实施例提供一种票据业务风险的预测方法及装置,能够至少部分地解决现有技术中存在的问题。
一方面,本发明提出一种票据业务风险的预测方法,包括:
获取待预测企业的票据业务风险预测数据;
对所述待预测企业的票据业务风险预测数据进行特征处理,获得所述待预测企业的票据业务风险特征数据;
根据所述待预测企业的票据业务风险特征数据以及异常票据交易预测模型,获得所述待预测企业的风险预测结果;其中,所述异常票据交易预测模型是基于票据业务风险预测样本数据以及预先确定的风险标签训练后获得的。
另一方面,本发明提供一种票据业务风险的预测装置,包括:
第一获取单元,用于获取待预测企业的票据业务风险预测数据;
第一特征处理单元,用于对所述待预测企业的票据业务风险预测数据进行特征处理,获得所述待预测企业的票据业务风险特征数据;
预测单元,用于根据所述待预测企业的票据业务风险特征数据以及异常票据交易预测模型,获得所述待预测企业的风险预测结果;其中,所述异常票据交易预测模型是基于票据业务风险预测样本数据以及预先确定的风险标签训练后获得的。
再一方面,本发明提供一种电子设备,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程序时实现上述任一实施例所述票据业务风险的预测方法的步骤。
又一方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一实施例所述票据业务风险的预测方法的步骤。
本发明实施例提供的票据业务风险的预测方法及装置,获取待预测企业的票据业务风险预测数据,对待预测企业的票据业务风险预测数据进行特征处理,获得待预测企业的票据业务风险特征数据,根据待预测企业的票据业务风险特征数据以及异常票据交易预测模型,获得待预测企业的风险预测结果,提高了对企业的票据业务风险的预测效率。
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是本发明第一实施例提供的票据业务风险的预测方法的流程示意图。
图2是本发明第二实施例提供的票据业务风险的预测方法的流程示意图。
图3是本发明第三实施例提供的票据的流转示意图。
图4是本发明第四实施例提供的票据业务风险的预测方法的流程示意图。
图5是本发明第五实施例提供的票据业务风险的预测方法的流程示意图。
图6是本发明第六实施例提供的票据业务风险的预测装置的结构示意图。
图7是本发明第七实施例提供的票据业务风险的预测装置的结构示意图。
图8是本发明第八实施例提供的票据业务风险的预测装置的结构示意图。
图9是本发明第九实施例提供的票据业务风险的预测装置的结构示意图。
图10是本发明第十实施例提供的电子设备的实体结构示意图。
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。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
为了便于理解本申请提供的技术方案,下面先对本申请技术方案的相关内容进行说明。票据交易涉及企业出票、企业票据背书流转和票据贴现。根据《中华人民共和国票据法》,以背书转让的票据,背书应当连续,即转让票据的背书人与受让票据的背书人在票据签章前后衔接。一张票据的出票、背书转让、贴现蕴含票据资金在企业间流转信息。可以根据企业间的票据交易,获得企业之间的票据交易关系图谱。
图1是本发明一实施例提供的票据业务风险的预测方法的流程示意图,如图1所示,本发明实施例提供的票据业务风险的预测方法,包括:
S101、获取待预测企业的票据业务风险预测数据;
具体地,服务器可以获取待预测企业的票据业务风险预测数据,所述票据业务风险预测数据可以包括所述待预测企业的基本信息、第二出票信息、第二背书流转信息、第二贴现信息、可疑企业信息、异常企业上下游企业信息等,根据实际需要进行设置,本发明实施例不做限定。其中,本发明实施例提供的票据业务风险的预测方法的执行主体包括但不限于服务器。
例如,所述基本信息可以包括企业工商注册信息、财务报表等信息、当前企业员工数量、企业资产负债、企业利润来源、企业现金流量、营收成本、运行费用、企业类型、企业员工增长率、企业资产负债增长率、企业利润增长率、企业营收成本增长率、企业运行费用增长率。所述第二出票信息可以包括企业最近3天、7天、14天、30天、60天、120天、360天内的出票次数,企业最近3天、7天、14天、30天、60天、120天、360天内的出票总金额、下一手被背书企业总数量、下一手被背书企业行业分布情况,下一手被背书企业行业总数。所述第二背书流转信息可以包括企业最近3天、7天、14天、30天、60天、120天、360天内的票据背书转让次数,企业最近3天、7天、14天、30天、60天、120天、360天内的背书总金额,下一手被背书企业总数量、下一手被背书企业行业分布情况、下一手被背书企业行业总数量。所述第二贴现信息可以包括企业最近3天、7天、14天、30天、60天、120天、360天内的贴现次数,企业最近3天、7天、14天、30天、60天、120天、360天内的贴现总金额。所述可疑企业信息可以包括企业是否为第一类可疑企业,企业是否为第二类可疑企业,企业是否为第三类可疑企业,企业是否为第四类可疑企业。所述异常企业上下游企业信息可以包括企业是否为异常企业上下游企业。
S102、对所述待预测企业的票据业务风险预测数据进行特征处理,获得所述待预测企业的票据业务风险特征数据;
具体地,所述服务器在获得所述待预测企业的票据业务风险预测数据之后,会对所述待预测企业的票据业务风险预测数据进行特征处理,从而获得所述待预测企业的票据业务风险特征数据。其中,对所述待预测企业的票据业务风险预测数据进行特征处理过程可以包括特征构建和特征提取,根据实际需要进行设置,本发明实施例不做限定。
例如,对于数值类、金额类和比例类信息,可以直接保留数值;对于所述可疑企业信息和所述异常企业上下游企业信息可以通过one-hot编码等方式转换成数值数据。
S103、根据所述待预测企业的票据业务风险特征数据以及异常票据交易预测模型,获得所述待预测企业的风险预测结果;其中,所述异常票据交易预测模型是基于票据业务风险预测样本数据以及预先确定的风险标签训练后获得的。
具体地,所述服务器在获得所述待预测企业的票据业务风险特征数据之后,将所述待预测企业的票据业务风险特征数据输入至异常票据交易预测模型中,经过所述异常票据交易预测模型的处理,输出所述待预测企业的风险预测结果,所述风险预测结果为存在风险或者无风险,存在风险表明所述待预测企业存在异常票据出票、异常票据流转或者异常票据贴现等票据业务风险,无风险表明所述待预测企业不存在票据业务风险。对于存在风险的企业进行提醒或者控制,避免票据交易风险。其中,所述异常票据交易预测模型是基于票据业务风险预测样本数据以及预先确定的风险标签训练后获得的。所述风险标签包括存在风险和无风险。
其中,所述待预测企业的风险预测结果可以通过系统消息或者邮件的方式通知票据风险监控人员,由票据风险监控人员对所述待预测企业的风险预测结果进行核实。如果所述待预测企业的风险预测结果与真实情况不符,票据风险监控人员可以更改所述待预测企业的风险预测结果。在所述异常票据交易预测模型投入使用之后,可以定期通过票据风险监控人员确认之后的各个待预测企业风险预测结果以及各个待预测企业的票据业务风险特征数据重新对所述异常票据交易预测模型进行训练,实现模型的自学习和自进化。
本发明实施例提供的票据业务风险的预测方法,获取待预测企业的票据业务风险预测数据,对待预测企业的票据业务风险预测数据进行特征处理,获得待预测企业的票据业务风险特征数据,根据待预测企业的票据业务风险特征数据以及异常票据交易预测模型,获得待预测企业的风险预测结果,提高了对企业的票据业务风险的预测效率。此外,通过待预测企业的票据业务风险预测数据,可以发现票据业务的潜在风险,有助于提前发现潜在风险企业,为票据业务风险防范提供支撑。
图2是本发明第二实施例提供的票据业务风险的预测方法的流程示意图,如图2所示,在上述各实施例的基础上,进一步地,所述获取所述待预测企业的票据业务风险预测数据包括:
S1011、获取所述待预测企业在第一预设时间段内的第一出票信息、第一背书流转信息和第一贴现信息,并获取所述待预测企业的第二出票信息、第二背书流转信息、第二贴现信息和基本信息;
具体地,所述服务器可以获取所述待预测企业在第一预设时间段内的第一出票信息、第一背书信息和第一贴现信息。所述服务器还可以获取所述待预测企业的第二出票信息、第二背书流转信息、第二贴现信息和基本信息。其中,所述第一预设时间段根据实际需要进行设置,例如为年、季、月、周、日,本发明实施例不做限定。
例如,所述第一预设时间段为1年,可以获取待预测企业在过去一年内的票据的出票总金额、所出票据的收款人以及各级被背书人、所出票据的贴现资金的流入行业,作为待预测企业的第一出票信息,获取待预测企业在过去一年内的票据的背书总金额、所出背书票据的出票人、收款人以及各级被背书人、所背书票据的贴现资金的流入行业,作为待预测企业的第一背书流转信息,获取待预测企业在过去一年内的票据的贴现总金额以及贴现资金流入的行业作为待预测企业的第一贴现信息。其中,在本发明实施例中出票人、收款人以及背书人都指的是企业。
图3是本发明第二实施例提供的票据的流转示意图,如图3所示,票据由出票人提供给收款人,收款人在票据到期日之前,可以对票据进行背书转让,将票据提供给被背书人1,被背书人1在票据到期日之前,还可以对票据进行背书转让,将票据提供给被背书人2,以此类推,被背书人n可以使用票据到银行进行贴现。
S1012、根据所述待预测企业的第一出票信息、第一背书流转信息和第一贴现信息以及可疑企业确定规则,获得所述待预测企业的可疑企业信息;所述可疑企业确定规则是预设的;
具体地,所述服务器在获得所述待预测企业的第一出票信息、第一背书流转信息和第一贴现信息之后,可以根据所述待预测企业的第一出票信息、第一背书流转信息和第一贴现信息以及可疑企业确定规则,获得所述待预测企业的可疑企业信息。其中,所述可疑企业确定规则是预设的。
例如,基于所述可疑企业确定规则确定所述待预测企业是否为第一类可疑企业、第二类可疑企业、第三类可疑企业和第四类可疑企业,如果确定出所述待预测企业是第一类可疑企业,不是第二类可疑企业、第三类可疑企业和第四类可疑企业,那么所述待预测企业的可疑企业信息可以记录为是、否、否、否,经过特征处理之后可以获得所述待预测企业的可疑企业信息对应的特征数据为1、0、0、0。
S1013、根据异常企业列表中每个异常企业的上下游企业,确定所述待预测企业的异常企业上下游企业信息;
具体地,所述服务器判断所述待预测企业是否为异常企业列表中某个异常企业在所述第一预设时间段的上下游企业,如果所述待预测企业为某个异常企业在所述第一预设时间段的上下游企业,那么所述待预测企业的异常企业上下游企业信息为所述待预测企业是异常企业的上下游企业,如果所述待预测企业与所述异常企业列表中各个异常企业的上下游企业都不相同,那么所述待预测企业的异常企业上下游企业信息为所述待预测企业不是异常企业的上下游企业。其中,所述异常企业列表中每个异常企业在所述第一预设时间段的上下游企业可以根据每个异常企业在所述第一预设时间段内的出票信息和背书信息确定,将与异常企业相关的票据的出票信息和背书信息涉及到的企业作为异常企业的上下游企业,与异常企业相关的票据是指异常企业作为票据的出票人、收款人或者被背书人的票据。其中,所述异常企业列表是预先获得的。
S1014、将所述待预测企业的可疑企业信息、异常企业上下游企业信息、第二出票信息、第二背书流转信息、第二贴现信息、基本信息作为所述待预测企业的票据业务风险预测数据。
具体地,所述服务器在获得所述待预测企业的可疑企业信息和异常企业上下游企业信息之后,可以将所述待预测企业的可疑企业信息、异常企业上下游企业信息、第二出票信息、第二背书流转信息、第二贴现信息、基本信息作为所述待预测企业的票据业务风险预测数据。
图4是本发明第四实施例提供的票据业务风险的预测方法的流程示意图,如图4所示,在上述各实施例的基础上,进一步地,基于票据交易预测样本数据以及预先确定的风险标签训练获得所述异常票据交易预测模型的步骤包括:
S401、获取所述票据业务风险预测样本数据以及预先确定的风险标签;
具体地,可以收集预设数量的样本企业的可疑企业信息、异常企业上下游企业信息、第二出票信息、第二背书流转信息、第二贴现信息和基本信息作为所述票据业务风险预测样本数据,每个样本企业对应一个风险标签,每个样本企业对应的风险标签可以通过人工调查确定,每个样本企业的票据业务风险预测样本数据与每个样本企业的风险标签对应。所述服务器可以获取所述票据业务风险预测样本数据以及预先确定的风险标签。其中,所述预设数量根据实际需要进行设置,本发明实施例不做限定。
S402、对所述票据业务风险预测样本数据进行特征处理,获得票据业务风险特征样本数据;
具体地,所述服务器在获得所述票据业务风险预测样本数据之后,会对所述票据业务风险预测样本数据进行特征处理,获得票据业务风险特征样本数据。其中,所述票据业务风险特征样本数据可以包括多个特征数据。所述票据业务风险预测样本数据的特征处理过程与票据业务风险预测数据的特征处理过程类似,此处不进行赘述。
S403、将所述票据业务风险特征样本数据以及预先确定的风险标签输入到预设模型中,训练获得所述异常票据交易预测模型。
具体地,所述服务器在获得所述票据业务风险特征样本数据之后,可以将所述票据业务风险特征样本数据以及预先确定的风险标签输入到预设模型中,对所述预设模型进行训练,获得所述异常票据交易预测模型。其中,可以采用K折交叉验证法对所述预设模型进行训练。所述预设模型可以采用逻辑回归模型、Xgboost模型、LightGBM模型,根据实际需要进行设置,本发明实施例不做限定。
其中,在对所述预设模型进行训练时,可以随机设置所述预设模型的权重系数的初始值,所述权重系数与所述票据业务风险特征样本数据具有相同特征维度,即所述票据业务风险特征样本数据的每个特征数据对应一个权重系数,在所述预设模型的训练过程中,更新权重系数的值,训练获得的所述异常票据交易预测模型包括各个权重系数的值。以逻辑回归模型为例,通过逻辑回归模型训练获得的异常票据交易预测模型可以表示如下:
f(x1,x2,x3,...xi,...xn)=σ(λ1x1+λ2x2+λ3x3+...+λixi+...+λnxn)
其中,x1~xn表示异常票据交易预测模型的n个特征,λ1~λn代表了异常票据交易预测模型的权重系数,σ代表了一个非线性函数,f(x1,x2,x3,...xi,...xn)是x1~xn的函数,表示模型的输出结果。在该模型中,λ1~λn确定了,对应的异常票据交易预测模型也就确定了。
图5是本发明第五实施例提供的票据业务风险的预测方法的流程示意图,如图5所示,在上述各实施例的基础上,进一步地,所述获取所述票据业务风险预测样本数据包括:
S4011、获取各个样本企业在第二预设时间段内的第一出票信息、第一背书流转信息和第一贴现信息,并获取各个样本企业在所述第二预设时间段内的第二出票信息、第二背书流转信息、第二贴现信息和基本信息;
具体地,所述服务器可以获取各个样本企业在第二预设时间段内的第一出票信息、第一背书信息和第一贴现信息。所述服务器还可以获取各个样本企业的第二出票信息、第二背书流转信息、第二贴现信息和基本信息。其中,所述第二预设时间段根据实际需要进行设置,本发明实施例不做限定。可理解的是,所述第二预设时间段的时间间隔与所述第一预设时间段的时间间隔相等。
S4012、根据各个样本企业的第一出票出票信息、所述第一背书流转信息和所述第一贴现信息以及可疑企业确定规则,获得各个样本企业的可疑企业信息;所述可疑企业确定规则是预设的;
具体地,所述服务器在获得各个样本企业的第一出票信息、第一背书流转信息和第一贴现信息之后,可以根据每个样本企业的第一出票信息、第一背书流转信息和第一贴现信息以及可疑企业确定规则,获得每个样本企业的可疑企业信息。其中,所述可疑企业确定规则是预设的。所述样本企业的可疑企业信息的具体获得过程与所述待预测企业的可疑企业信息的获得过程类似,此处不进行赘述。
S4013、根据所述异常企业列表中每个异常企业在所述第二预设时间段的上下游企业,确定各个样本企业的异常企业上下游企业信息;其中,所述异常企业列表是预先获得的;
具体地,所述服务器判断每个样本是否为异常企业列表中某个异常企业在所述第二预设时间段的上下游企业,如果所述样本企业为某个异常企业在所述第二预设时间段的上下游企业,那么所述样本企业的异常企业上下游企业信息为所述样本企业是异常企业的上下游企业,如果所述样本企业与所述异常企业列表中各个异常企业的上下游企业都不相同,那么所述样本企业的异常企业上下游企业信息为所述样本企业不是异常企业的上下游企业。其中,所述异常企业列表中每个异常企业在所述第二预设时间段的上下游企业可以根据每个异常企业在所述第二预设时间段内的出票信息和背书信息确定,将与异常企业相关的票据的出票信息和背书信息涉及到的企业作为异常企业的上下游企业,与异常企业相关的票据是指异常企业作为票据的出票人、收款人或者被背书人的票据。其中,所述异常企业列表是预先获得的。
S4014、将各个样本企业的可疑企业信息、异常企业上下游企业信息、第二出票信息、第二背书流转信息、第二贴现信息和基本信息作为所述票据业务风险预测样本数据。
具体地,所述服务器在获得各个样本企业的可疑企业信息和异常企业上下游企业信息之后,可以将各个样本企业的可疑企业信息、异常企业上下游企业信息、第二出票信息、第二背书流转信息、第二贴现信息、基本信息作为所述票据业务风险预测样本数据。
在上述各实施例的基础上,进一步地,所述可疑企业确定规则包括:
若判断获知单个企业在设定时间段内的累计出票和背书总金额大于第一阈值,则确定单个企业属于第一类可疑企业;
若判断获知单个企业在设定时间段内的出票和背书资金流向前手企业且所述出票和背书流向前手企业的总资金大于第二阈值,则确定所述企业属于第二类可疑企业;
若判断获知单个企业在设定时间段内的累计贴现金额大于第三阈值,则确定所述企业属于第三类可疑企业;
若判断获知单个企业在设定时间段内的贴现资金流入特定行业,则确定所述企业属于第四类可疑企业。
具体地,对任意一家企业,其规模是有限度的。如果单个企业在一定时间段内票据的出票和背书总额巨大,以至于超过其应有体量,那么该单个企业出现票据业务风险的可能性较大,需要引起特别关注。所述服务器可以根据单个企业在第一出票信息包括的在设定时间段内的出票总金额和单个企业的第一背书流转信息包括的在设定时间段内的贴现总金额,计算上述出票总金额和上述贴现总金额之和,作为单个企业在设定时间段内的累计出票和背书总金额Q1,然后将累计出票和背书总金额Q1与第一阈值进行比较,如果累计出票和背书总金额Q1大于所述第一阈值,那么该单个企业属于第一类可疑企业,否则,累计出票和背书总金额Q1小于等于所述第一阈值,该单个企业不属于第一类可疑企业。其中,所述单个企业可以为需要进行票据业务风险预测的企业或者样本企业。所述设定时间段根据实际需要进行设置,例如设置为第一预设时间段或者第二预设时间段,本发明实施例不做限定。所述第一阈值根据实际需要进行设置,本发明实施例不做限定。
出票人根据实际需求进行出票,经承兑人承兑后可以交付收款人。收款人可保留票据直至到期收回资金,也可直接贴现或者进行下一手背书(票据背书流转只针对可背书票据)。下一手被背书人同样可保留票据直至到期收回资金,也可直接贴现或进行下一手背书。如此循环直至票据到达到期付款日。从资金流向来说,出票人将经承兑人承兑后的票据交付收款人后,票款资金由出票人流向收款人。若收款人进行下一手背书,票款资金经背书后将流向下游被背书人,下游被背书人若再进行下一手背书,票款资金经背书后继续流向下游被背书人。如此循环直至票据到达到期日或者办理贴现为止。根据不同企业间的票据出票和背书流转关系,可以挖掘出企业间的资金流向关系。一般而言,企业间都有供应链的上下游关系,表现为物流和资金流的单向流动。出票和背书属于企业间资金流动,故也具有单向流动特点。如果出票、背书流向出现经任意下游企业流回前手企业且数额较大的情况,那么下游企业存在票据业务风险的可能性较大,应当予以警惕。
所述服务器可以统计单个企业在设定时间段内的出票和背书资金流向前手企业的总金额Q2,然后将出票和背书资金流向前手企业的总金额Q2与第二阈值进行比较,如果出票和背书资金流向前手企业的总金额Q2大于所述第二阈值,那么该单个企业属于第二类可疑企业。否则,单个企业累没有出现出票和背书资金流向前手企业,或者出票和背书资金流向前手企业的总金额Q2小于等于所述第二阈值,该单个企业不属于第二类可疑企业。其中,所述第二阈值根据实际需要进行设置,本发明实施例不做限定。
与第一类可疑企业类似,若某家企业在一定时间段内其贴现总额巨大,以至于超过其应有体量,也可认为票据业务风险的可能性较大,需要引起特别关注。所述服务器可以根据单个企业在第一贴现信息包括的在设定时间段内的贴现总金额Q3,然后将贴现总金额Q3与第三阈值进行比较,如果贴现总金额Q3大于所述第三阈值,那么该单个企业属于第三类可疑企业。否则,贴现总金额Q3小于等于所述第三阈值,该单个企业不属于第三类可疑企业。其中,所述第三阈值根据实际需要进行设置,本发明实施例不做限定。
根据政策规定和风险控制措施,流入特定行业的贴现资金在一个可控的限度内。如果某笔票据因贴现流入特定行业,那么该票据从出票人、收款人到各级被背书人(如果有)被标记为贴现资金流入特定行业的可疑企业,即第四类可疑企业。所述服务器获取单个企业在设定时间段内的每笔票据的贴现资金的流入行业,如果某笔票据的贴现资金流入了特定行业,那么该单个企业属于第四类可疑企业。如果单个企业在设定时间段内的各笔票据的贴现资金的流入行业都不是所述特定行业,那么该单个企业不属于第四类可疑企业。其中,所述特定行业根据实际情况进行设置,本发明实施例不做限定。单个企业在设定时间段内的票据,是指在设定时间段内单个企业作为出票人、收款人或者被背书人的票据。
为了获得异常企业列表时,可以先确定出上述四类可疑企业,然后对上述四类可疑企业中的每个企业进行人工调查,确定是否真的存在票据业务风险,将存在票据业务风险的企业作为异常企业列表中的企业。
图6是本发明第六实施例提供的票据业务风险的预测装置的结构示意图,如图6所示,本发明实施例提供的票据业务风险的预测装置包括第一获取单元601、第一特征处理单元602、预测单元603,其中:
第一获取单元601用于获取待预测企业的票据业务风险预测数据;第一特征处理单元602用于对所述待预测企业的票据业务风险预测数据进行特征处理,获得所述待预测企业的票据业务风险特征数据;预测单元603用于根据所述待预测企业的票据业务风险特征数据以及异常票据交易预测模型,获得所述待预测企业的风险预测结果;其中,所述异常票据交易预测模型是基于票据业务风险预测样本数据以及预先确定的风险标签训练后获得的。
具体地,第一获取单元601可以获取待预测企业的票据业务风险预测数据,所述票据业务风险预测数据可以包括所述待预测企业的基本信息、第二出票信息、第二背书流转信息、第二贴现信息、可疑企业信息、异常企业上下游企业信息等,根据实际需要进行设置,本发明实施例不做限定。
在获得所述待预测企业的票据业务风险预测数据之后,第一特征处理单元602会对所述待预测企业的票据业务风险预测数据进行特征处理,从而获得所述待预测企业的票据业务风险特征数据。其中,对所述待预测企业的票据业务风险预测数据进行特征处理过程可以包括特征构建和特征提取,根据实际需要进行设置,本发明实施例不做限定。
在获得所述待预测企业的票据业务风险特征数据之后,预测单元603将所述待预测企业的票据业务风险特征数据输入至异常票据交易预测模型中,经过所述异常票据交易预测模型的处理,输出所述待预测企业的风险预测结果,所述风险预测结果为存在风险或者无风险,存在风险表明所述待预测企业存在异常票据出票、异常票据流转或者异常票据贴现等票据业务风险,无风险表明所述待预测企业不存在票据业务风险。对于存在风险的企业进行提醒或者控制,避免票据交易风险。其中,所述异常票据交易预测模型是基于票据业务风险预测样本数据以及预先确定的风险标签训练后获得的。所述风险标签包括存在风险和无风险。
本发明实施例提供的票据业务风险的预测装置,获取待预测企业的票据业务风险预测数据,对待预测企业的票据业务风险预测数据进行特征处理,获得待预测企业的票据业务风险特征数据,根据待预测企业的票据业务风险特征数据以及异常票据交易预测模型,获得待预测企业的风险预测结果,提高了对企业的票据业务风险的预测效率。此外,通过待预测企业的票据业务风险预测数据,可以发现票据业务的潜在风险,有助于提前发现潜在风险企业,为票据业务风险防范提供支撑。
图7是本发明第七实施例提供的票据业务风险的预测装置的结构示意图,如图7所示,在上述各实施例的基础上,进一步地,第一获取单元601包括第一获取子单元6011、第一获得子单元6012、第一确定子单元6013和第一作为子单元6014,其中:
第一获取子单元6011用于获取所述待预测企业在第一预设时间段内的第一出票信息、第一背书流转信息和第一贴现信息,并获取所述待预测企业的第二出票信息、第二背书流转信息、第二贴现信息和基本信息;第一获得子单元6012用于根据所述待预测企业的第一出票信息、第一背书流转信息和第一贴现信息以及可疑企业确定规则,获得所述待预测企业的可疑企业信息;所述可疑企业确定规则是预设的;第一确定子单元6013用于根据异常企业列表中每个异常企业的上下游企业,确定所述待预测企业的异常企业上下游企业信息;第一作为子单元6014用于将所述待预测企业的可疑企业信息、异常企业上下游企业信息、第二出票信息、第二背书流转信息、第二贴现信息、基本信息作为所述待预测企业的票据业务风险预测数据。
具体地,第一获取子单元6011可以获取所述待预测企业在第一预设时间段内的第一出票信息、第一背书信息和第一贴现信息。所述服务器还可以获取所述待预测企业的第二出票信息、第二背书流转信息、第二贴现信息和基本信息。其中,所述第一预设时间段根据实际需要进行设置,例如为年、季、月、周、日,本发明实施例不做限定。
在获得所述待预测企业的第一出票信息、第一背书流转信息和第一贴现信息之后,第一获得子单元6012可以根据所述待预测企业的第一出票信息、第一背书流转信息和第一贴现信息以及可疑企业确定规则,获得所述待预测企业的可疑企业信息。其中,所述可疑企业确定规则是预设的。
第一确定子单元6013判断所述待预测企业是否为异常企业列表中某个异常企业在所述第一预设时间段的上下游企业,如果所述待预测企业为某个异常企业在所述第一预设时间段的上下游企业,那么所述待预测企业的异常企业上下游企业信息为所述待预测企业是异常企业的上下游企业,如果所述待预测企业与所述异常企业列表中各个异常企业的上下游企业都不相同,那么所述待预测企业的异常企业上下游企业信息为所述待预测企业不是异常企业的上下游企业。其中,所述异常企业列表中每个异常企业在所述第一预设时间段的上下游企业可以根据每个异常企业在所述第一预设时间段内的出票信息和背书信息确定,将与异常企业相关的票据的出票信息和背书信息涉及到的企业作为异常企业的上下游企业,与异常企业相关的票据是指异常企业作为票据的出票人、收款人或者被背书人的票据。其中,所述异常企业列表是预先获得的。
在获得所述待预测企业的可疑企业信息和异常企业上下游企业信息之后,第一作为子单元6014可以将所述待预测企业的可疑企业信息、异常企业上下游企业信息、第二出票信息、第二背书流转信息、第二贴现信息、基本信息作为所述待预测企业的票据业务风险预测数据。
图8是本发明第八实施例提供的票据业务风险的预测装置的结构示意图,如图8所示,在上述各实施例的基础上,进一步地,本发明实施例提供的票据业务风险的预测装置还包括第二获取单元604、第二特征处理单元605和训练单元606,其中:
第二获取单元604用于获取所述票据业务风险预测样本数据以及预先确定的风险标签;第二特征处理单元605用于对所述票据业务风险预测样本数据进行特征处理,获得票据业务风险特征样本数据;训练单元606用于将所述票据业务风险特征样本数据以及预先确定的风险标签输入到预设模型中,训练获得所述异常票据交易预测模型。
具体地,可以收集预设数量的样本企业的可疑企业信息、异常企业上下游企业信息、第二出票信息、第二背书流转信息、第二贴现信息和基本信息作为所述票据业务风险预测样本数据,每个样本企业对应一个风险标签,每个样本企业对应的风险标签可以通过人工调查确定,每个样本企业的票据业务风险预测样本数据与每个样本企业的风险标签对应。第二获取单元604可以获取所述票据业务风险预测样本数据以及预先确定的风险标签。其中,所述预设数量根据实际需要进行设置,本发明实施例不做限定。
在获得所述票据业务风险预测样本数据之后,第二特征处理单元605会对所述票据业务风险预测样本数据进行特征处理,获得票据业务风险特征样本数据。其中,所述票据业务风险特征样本数据可以包括多个特征数据。所述票据业务风险预测样本数据的特征处理过程与票据业务风险预测数据的特征处理过程类似,此处不进行赘述。
在获得所述票据业务风险特征样本数据之后,训练单元606可以将所述票据业务风险特征样本数据以及预先确定的风险标签输入到预设模型中,对所述预设模型进行训练,获得所述异常票据交易预测模型。其中,可以采用K折交叉验证法对所述预设模型进行训练。所述预设模型可以采用逻辑回归模型、Xgboost模型、LightGBM模型,根据实际需要进行设置,本发明实施例不做限定。
图9是本发明第九实施例提供的票据业务风险的预测装置的结构示意图,如图9所示,在上述各实施例的基础上,进一步地,第二获取单元604包括第二获取子单元6041、第二获得子单元6042、第二确定子单元6043和第二作为子单元6044,其中:
第二获取子单元6041用于获取各个样本企业在第二预设时间段内的第一出票信息、第一背书流转信息和第一贴现信息,并获取各个样本企业在所述第二预设时间段内的第二出票信息、第二背书流转信息、第二贴现信息和基本信息;第二获得子单元6042用于根据各个样本企业的第一出票出票信息、所述第一背书流转信息和所述第一贴现信息以及可疑企业确定规则,获得各个样本企业的可疑企业信息;所述可疑企业确定规则是预设的;第二确定子单元6043用于根据异常企业列表以及所述异常企业列表中每个异常企业在所述第二预设时间段的上下游企业,确定各个样本企业的异常企业上下游企业信息;其中,所述异常企业列表是预先获得的;第二作为子单元6044用于将各个样本企业的可疑企业信息、异常企业上下游企业信息、第二出票信息、第二背书流转信息、第二贴现信息和基本信息作为所述票据业务风险预测样本数据。
具体地,第二获取子单元6041可以获取各个样本企业在第二预设时间段内的第一出票信息、第一背书信息和第一贴现信息。所述服务器还可以获取各个样本企业的第二出票信息、第二背书流转信息、第二贴现信息和基本信息。其中,所述第二预设时间段根据实际需要进行设置,本发明实施例不做限定。可理解的是,所述第二预设时间段的时间间隔与所述第一预设时间段的时间间隔相等。
在获得各个样本企业的第一出票信息、第一背书流转信息和第一贴现信息之后,第二获得子单元6042可以根据每个样本企业的第一出票信息、第一背书流转信息和第一贴现信息以及可疑企业确定规则,获得每个样本企业的可疑企业信息。其中,所述可疑企业确定规则是预设的。所述样本企业的可疑企业信息的具体获得过程与所述待预测企业的可疑企业信息的获得过程类似,此处不进行赘述。
第二确定子单元6043判断每个样本是否为异常企业列表中某个异常企业在所述第二预设时间段的上下游企业,如果所述样本企业为某个异常企业在所述第二预设时间段的上下游企业,那么所述样本企业的异常企业上下游企业信息为所述样本企业是异常企业的上下游企业,如果所述样本企业与所述异常企业列表中各个异常企业的上下游企业都不相同,那么所述样本企业的异常企业上下游企业信息为所述样本企业不是异常企业的上下游企业。其中,所述异常企业列表中每个异常企业在所述第二预设时间段的上下游企业可以根据每个异常企业在所述第二预设时间段内的出票信息和背书信息确定,将与异常企业相关的票据的出票信息和背书信息涉及到的企业作为异常企业的上下游企业,与异常企业相关的票据是指异常企业作为票据的出票人、收款人或者被背书人的票据。其中,所述异常企业列表是预先获得的。
在获得各个样本企业的可疑企业信息和异常企业上下游企业信息之后,第二作为子单元6044可以将各个样本企业的可疑企业信息、异常企业上下游企业信息、第二出票信息、第二背书流转信息、第二贴现信息、基本信息作为所述票据业务风险预测样本数据。
在上述各实施例的基础上,进一步地,所述可疑企业确定规则包括:
若判断获知单个企业在设定时间段内的累计出票和背书总金额大于第一阈值,则确定单个企业属于第一类可疑企业;
若判断获知单个企业在设定时间段内的出票和背书资金流向前手企业且所述出票和背书流向前手企业的总资金大于第二阈值,则确定所述企业属于第二类可疑企业;
若判断获知单个企业在设定时间段内的累计贴现金额大于第三阈值,则确定所述企业属于第三类可疑企业;
若判断获知单个企业在设定时间段内的贴现资金流入特定行业,则确定所述企业属于第四类可疑企业。
具体地,对任意一家企业,其规模是有限度的。如果单个企业在一定时间段内票据的出票和背书总额巨大,以至于超过其应有体量,那么该单个企业出现票据业务风险的可能性较大,需要引起特别关注。第一获得子单元6012或者第二获得子单元6042可以根据单个企业在第一出票信息包括的在设定时间段内的出票总金额和单个企业的第一背书流转信息包括的在设定时间段内的贴现总金额,计算上述出票总金额和上述贴现总金额之和,作为单个企业在设定时间段内的累计出票和背书总金额Q1,然后将累计出票和背书总金额Q1与第一阈值进行比较,如果累计出票和背书总金额Q1大于所述第一阈值,那么该单个企业属于第一类可疑企业,否则,累计出票和背书总金额Q1小于等于所述第一阈值,该单个企业不属于第一类可疑企业。其中,所述单个企业可以为需要进行票据业务风险预测的企业或者样本企业。所述设定时间段根据实际需要进行设置,例如设置为第一预设时间段或者第二预设时间段,本发明实施例不做限定。所述第一阈值根据实际需要进行设置,本发明实施例不做限定。
出票人根据实际需求进行出票,经承兑人承兑后可以交付收款人。收款人可保留票据直至到期收回资金,也可直接贴现或者进行下一手背书(票据背书流转只针对可背书票据)。下一手被背书人同样可保留票据直至到期收回资金,也可直接贴现或进行下一手背书。如此循环直至票据到达到期付款日。从资金流向来说,出票人将经承兑人承兑后的票据交付收款人后,票款资金由出票人流向收款人。若收款人进行下一手背书,票款资金经背书后将流向下游被背书人,下游被背书人若再进行下一手背书,票款资金经背书后继续流向下游被背书人。如此循环直至票据到达到期日或者办理贴现为止。根据不同企业间的票据出票和背书流转关系,可以挖掘出企业间的资金流向关系。一般而言,企业间都有供应链的上下游关系,表现为物流和资金流的单向流动。出票和背书属于企业间资金流动,故也具有单向流动特点。如果出票、背书流向出现经任意下游企业流回前手企业且数额较大的情况,那么下游企业存在票据业务风险的可能性较大,应当予以警惕。
第一获得子单元6012或者第二获得子单元6042可以统计单个企业在设定时间段内的出票和背书资金流向前手企业的总金额Q2,然后将出票和背书资金流向前手企业的总金额Q2与第二阈值进行比较,如果出票和背书资金流向前手企业的总金额Q2大于所述第二阈值,那么该单个企业属于第二类可疑企业。否则,单个企业累没有出现出票和背书资金流向前手企业,或者出票和背书资金流向前手企业的总金额Q2小于等于所述第二阈值,该单个企业不属于第二类可疑企业。其中,所述第二阈值根据实际需要进行设置,本发明实施例不做限定。
与第一类可疑企业类似,若某家企业在一定时间段内其贴现总额巨大,以至于超过其应有体量,也可认为票据业务风险的可能性较大,需要引起特别关注。第一获得子单元6012或者第二获得子单元6042可以根据单个企业在第一贴现信息包括的在设定时间段内的贴现总金额Q3,然后将贴现总金额Q3与第三阈值进行比较,如果贴现总金额Q3大于所述第三阈值,那么该单个企业属于第三类可疑企业。否则,贴现总金额Q3小于等于所述第三阈值,该单个企业不属于第三类可疑企业。其中,所述第三阈值根据实际需要进行设置,本发明实施例不做限定。
根据政策规定和风险控制措施,流入特定行业的贴现资金在一个可控的限度内。如果某笔票据因贴现流入特定行业,那么该票据从出票人、收款人到各级被背书人(如果有)被标记为贴现资金流入特定行业的可疑企业,即第四类可疑企业。第一获得子单元6012或者第二获得子单元6042获取单个企业在设定时间段内的每笔票据的贴现资金的流入行业,如果某笔票据的贴现资金流入了特定行业,那么该单个企业属于第四类可疑企业。如果单个企业在设定时间段内的各笔票据的贴现资金的流入行业都不是所述特定行业,那么该单个企业不属于第四类可疑企业。其中,所述特定行业根据实际情况进行设置,本发明实施例不做限定。单个企业在设定时间段内的票据,是指在设定时间段内单个企业作为出票人、收款人或者被背书人的票据。
本发明实施例提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
图10是本发明第十实施例提供的电子设备的实体结构示意图,如图10所示,该电子设备可以包括:处理器(processor)1001、通信接口(Communications Interface)1002、存储器(memory)1003和通信总线1004,其中,处理器1001,通信接口1002,存储器1003通过通信总线1004完成相互间的通信。处理器1001可以调用存储器1003中的逻辑指令,以执行如下方法:获取待预测企业的票据业务风险预测数据;对所述待预测企业的票据业务风险预测数据进行特征处理,获得所述待预测企业的票据业务风险特征数据;根据所述待预测企业的票据业务风险特征数据以及异常票据交易预测模型,获得所述待预测企业的风险预测结果;其中,所述异常票据交易预测模型是基于票据业务风险预测样本数据以及预先确定的风险标签训练后获得的。
此外,上述的存储器1003中的逻辑指令可以通过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-Only Memory)、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。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取待预测企业的票据业务风险预测数据;对所述待预测企业的票据业务风险预测数据进行特征处理,获得所述待预测企业的票据业务风险特征数据;根据所述待预测企业的票据业务风险特征数据以及异常票据交易预测模型,获得所述待预测企业的风险预测结果;其中,所述异常票据交易预测模型是基于票据业务风险预测样本数据以及预先确定的风险标签训练后获得的。
本实施例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计算机程序,所述计算机程序使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取待预测企业的票据业务风险预测数据;对所述待预测企业的票据业务风险预测数据进行特征处理,获得所述待预测企业的票据业务风险特征数据;根据所述待预测企业的票据业务风险特征数据以及异常票据交易预测模型,获得所述待预测企业的风险预测结果;其中,所述异常票据交易预测模型是基于票据业务风险预测样本数据以及预先确定的风险标签训练后获得的。
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。
在本说明书的描述中,参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
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 (10)
1.一种票据业务风险的预测方法,其特征在于,包括:
获取待预测企业的票据业务风险预测数据;其中,票据是指商业汇票;
对所述待预测企业的票据业务风险预测数据进行特征处理,获得所述待预测企业的票据业务风险特征数据;
根据所述待预测企业的票据业务风险特征数据以及异常票据交易预测模型,获得所述待预测企业的风险预测结果;其中,所述异常票据交易预测模型是基于票据业务风险预测样本数据以及预先确定的风险标签训练后获得的;
其中,所述获取所述待预测企业的票据业务风险预测数据包括:
获取所述待预测企业在第一预设时间段内的第一出票信息、第一背书流转信息和第一贴现信息,并获取所述待预测企业的第二出票信息、第二背书流转信息、第二贴现信息和基本信息;
根据所述待预测企业的第一出票信息、第一背书流转信息和第一贴现信息以及可疑企业确定规则,获得所述待预测企业的可疑企业信息;所述可疑企业确定规则是预设的;
根据异常企业列表中每个异常企业的上下游企业,确定所述待预测企业的异常企业上下游企业信息;
将所述待预测企业的可疑企业信息、异常企业上下游企业信息、第二出票信息、第二背书流转信息、第二贴现信息、基本信息作为所述待预测企业的票据业务风险预测数据;
其中,所述根据异常企业列表中每个异常企业的上下游企业,确定所述待预测企业的异常企业上下游企业信息包括:
判断所述待预测企业是否为异常企业列表中某个异常企业在所述第一预设时间段的上下游企业,若所述待预测企业为某个异常企业在所述第一预设时间段的上下游企业,则所述待预测企业的异常企业上下游企业信息为所述待预测企业是异常企业的上下游企业;其中,所述异常企业列表中每个异常企业在所述第一预设时间段的上下游企业可以根据每个异常企业在所述第一预设时间段内的出票信息和背书信息确定,将与异常企业相关的票据的出票信息和背书信息涉及到的企业作为异常企业的上下游企业,与异常企业相关的票据是指异常企业作为票据的出票人、收款人或者被背书人的票据。
2.根据权利要求1所述的方法,其特征在于,基于票据交易预测样本数据以及预先确定的风险标签训练获得所述异常票据交易预测模型的步骤包括:
获取所述票据业务风险预测样本数据以及预先确定的风险标签;
对所述票据业务风险预测样本数据进行特征处理,获得票据业务风险特征样本数据;
将所述票据业务风险特征样本数据以及预先确定的风险标签输入到预设模型中,训练获得所述异常票据交易预测模型。
3.根据权利要求2所述的方法,其特征在于,所述获取所述票据业务风险预测样本数据包括:
获取各个样本企业在第二预设时间段内的第一出票信息、第一背书流转信息和第一贴现信息,并获取各个样本企业在所述第二预设时间段内的第二出票信息、第二背书流转信息、第二贴现信息和基本信息;
根据各个样本企业的第一出票出票信息、所述第一背书流转信息和所述第一贴现信息以及可疑企业确定规则,获得各个样本企业的可疑企业信息;所述可疑企业确定规则是预设的;
根据异常企业列表以及所述异常企业列表中每个异常企业在所述第二预设时间段的上下游企业,确定各个样本企业的异常企业上下游企业信息;其中,所述异常企业列表是预先获得的;
将各个样本企业的可疑企业信息、异常企业上下游企业信息、第二出票信息、第二背书流转信息、第二贴现信息和基本信息作为所述票据业务风险预测样本数据。
4.根据权利要求1或3所述的方法,其特征在于,所述可疑企业确定规则包括:
若判断获知单个企业在设定时间段内的累计出票和背书总金额大于第一阈值,则确定单个企业属于第一类可疑企业;
若判断获知单个企业在设定时间段内的出票和背书资金流向前手企业且所述出票和背书流向前手企业的总资金大于第二阈值,则确定所述企业属于第二类可疑企业;
若判断获知单个企业在设定时间段内的累计贴现金额大于第三阈值,则确定所述企业属于第三类可疑企业;
若判断获知单个企业在设定时间段内的贴现资金流入特定行业,则确定所述企业属于第四类可疑企业。
5.一种票据业务风险的预测装置,其特征在于,包括:
第一获取单元,用于获取待预测企业的票据业务风险预测数据;其中,票据是指商业汇票;
第一特征处理单元,用于对所述待预测企业的票据业务风险预测数据进行特征处理,获得所述待预测企业的票据业务风险特征数据;
预测单元,用于根据所述待预测企业的票据业务风险特征数据以及异常票据交易预测模型,获得所述待预测企业的风险预测结果;其中,所述异常票据交易预测模型是基于票据业务风险预测样本数据以及预先确定的风险标签训练后获得的;
其中,所述第一获取单元包括:
第一获取子单元,用于获取所述待预测企业在第一预设时间段内的第一出票信息、第一背书流转信息和第一贴现信息,并获取所述待预测企业的第二出票信息、第二背书流转信息、第二贴现信息和基本信息;
第一获得子单元,用于根据所述待预测企业的第一出票信息、第一背书流转信息和第一贴现信息以及可疑企业确定规则,获得所述待预测企业的可疑企业信息;所述可疑企业确定规则是预设的;
第一确定子单元,用于根据异常企业列表中每个异常企业的上下游企业,确定所述待预测企业的异常企业上下游企业信息;
第一作为子单元,用于将所述待预测企业的可疑企业信息、异常企业上下游企业信息、第二出票信息、第二背书流转信息、第二贴现信息、基本信息作为所述待预测企业的票据业务风险预测数据;
其中,所述第一确定子单元具体用于:
判断所述待预测企业是否为异常企业列表中某个异常企业在所述第一预设时间段的上下游企业,若所述待预测企业为某个异常企业在所述第一预设时间段的上下游企业,则所述待预测企业的异常企业上下游企业信息为所述待预测企业是异常企业的上下游企业;其中,所述异常企业列表中每个异常企业在所述第一预设时间段的上下游企业可以根据每个异常企业在所述第一预设时间段内的出票信息和背书信息确定,将与异常企业相关的票据的出票信息和背书信息涉及到的企业作为异常企业的上下游企业,与异常企业相关的票据是指异常企业作为票据的出票人、收款人或者被背书人的票据。
6.根据权利要求5所述的装置,其特征在于,还包括:
第二获取单元,用于获取所述票据业务风险预测样本数据以及预先确定的风险标签;
第二特征处理单元,用于对所述票据业务风险预测样本数据进行特征处理,获得票据业务风险特征样本数据;
训练单元,用于将所述票据业务风险特征样本数据以及预先确定的风险标签输入到预设模型中,训练获得所述异常票据交易预测模型。
7.根据权利要求6所述的装置,其特征在于,所述第二获取单元包括:
第二获取子单元,用于获取各个样本企业在第二预设时间段内的第一出票信息、第一背书流转信息和第一贴现信息,并获取各个样本企业在所述第二预设时间段内的第二出票信息、第二背书流转信息、第二贴现信息和基本信息;
第二获得子单元,用于根据各个样本企业的第一出票出票信息、所述第一背书流转信息和所述第一贴现信息以及可疑企业确定规则,获得各个样本企业的可疑企业信息;所述可疑企业确定规则是预设的;
第二确定子单元,用于根据异常企业列表以及所述异常企业列表中每个异常企业在所述第二预设时间段的上下游企业,确定各个样本企业的异常企业上下游企业信息;其中,所述异常企业列表是预先获得的;
第二作为子单元,用于将各个样本企业的可疑企业信息、异常企业上下游企业信息、第二出票信息、第二背书流转信息、第二贴现信息和基本信息作为所述票据业务风险预测样本数据。
8.根据权利要求5或6所述的装置,其特征在于,所述可疑企业确定规则包括:
若判断获知单个企业在设定时间段内的累计出票和背书总金额大于第一阈值,则确定单个企业属于第一类可疑企业;
若判断获知单个企业在设定时间段内的出票和背书资金流向前手企业且所述出票和背书流向前手企业的总资金大于第二阈值,则确定所述企业属于第二类可疑企业;
若判断获知单个企业在设定时间段内的累计贴现金额大于第三阈值,则确定所述企业属于第三类可疑企业;
若判断获知单个企业在设定时间段内的贴现资金流入特定行业,则确定所述企业属于第四类可疑企业。
9.一种电子设备,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4任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010498540.2A CN111695908B (zh) | 2020-06-04 | 2020-06-04 | 一种票据业务风险的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010498540.2A CN111695908B (zh) | 2020-06-04 | 2020-06-04 | 一种票据业务风险的预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695908A CN111695908A (zh) | 2020-09-22 |
CN111695908B true CN111695908B (zh) | 2024-02-20 |
Family
ID=72479446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010498540.2A Active CN111695908B (zh) | 2020-06-04 | 2020-06-04 | 一种票据业务风险的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695908B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523117A (zh) * | 2018-10-11 | 2019-03-26 | 平安科技(深圳)有限公司 | 风险预测方法、装置、计算机设备和存储介质 |
CN109657932A (zh) * | 2018-11-29 | 2019-04-19 | 平安科技(深圳)有限公司 | 企业风险分析方法、装置、计算机设备和存储介质 |
CN110298547A (zh) * | 2019-05-24 | 2019-10-01 | 深圳壹账通智能科技有限公司 | 风险评估方法、装置、计算机装置及存储介质 |
CN110428334A (zh) * | 2019-08-09 | 2019-11-08 | 中国工商银行股份有限公司 | 基于区块链网络的票据处理方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10839394B2 (en) * | 2018-10-26 | 2020-11-17 | Microsoft Technology Licensing, Llc | Machine learning system for taking control actions |
-
2020
- 2020-06-04 CN CN202010498540.2A patent/CN111695908B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523117A (zh) * | 2018-10-11 | 2019-03-26 | 平安科技(深圳)有限公司 | 风险预测方法、装置、计算机设备和存储介质 |
CN109657932A (zh) * | 2018-11-29 | 2019-04-19 | 平安科技(深圳)有限公司 | 企业风险分析方法、装置、计算机设备和存储介质 |
CN110298547A (zh) * | 2019-05-24 | 2019-10-01 | 深圳壹账通智能科技有限公司 | 风险评估方法、装置、计算机装置及存储介质 |
CN110428334A (zh) * | 2019-08-09 | 2019-11-08 | 中国工商银行股份有限公司 | 基于区块链网络的票据处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111695908A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652703B (zh) | 一种人工智能会计自动记账、报税的方法及系统 | |
CN113361848B (zh) | 基于电力市场售电企业交易行为的风险识别方法及装置 | |
CN111539724B (zh) | 一种基于区块链架构的电子商业承兑汇票融资方法及装置 | |
US20140310088A1 (en) | Early Payment Rewards System and Method | |
Li et al. | Time-based or fixed-fee? How to penalize cancellation of orders of car-hailing applications | |
CN111695908B (zh) | 一种票据业务风险的预测方法及装置 | |
CN112365352A (zh) | 一种基于图神经网络的反套现方法及装置 | |
KR20130007488A (ko) | 통장 잔액을 기반으로 한 예금 서비스 방법 | |
JP6760875B2 (ja) | 口座管理装置及びプログラム | |
JP6760874B2 (ja) | 情報処理装置及びプログラム | |
CN113902433A (zh) | 一种用于企业的客户账单逾期分析方法及系统 | |
JP6766023B2 (ja) | 情報処理装置及びプログラム | |
CN113538157B (zh) | 一种年金的费用管理方法及装置 | |
JP7016394B2 (ja) | 情報処理装置及びプログラム | |
JP7049417B2 (ja) | 口座管理装置及びプログラム | |
Budd | Modelling credit card usage for individual card-holders | |
Odin et al. | Unraveling Market Inefficiencies: Weak Arbitrage and the Information-Based Model for Option Pricing | |
Raheem et al. | Viability of Trade Credit as an Underlying Asset in a Shari'ah Compliant Alternative Credit System | |
CN114219619A (zh) | 识别票据中介机构的方法、装置、设备及存储介质 | |
Maisuradze | BASIC ASPECTS OF MEASUREMENT OF IMPAIRMENT OF LONG-TERM ASSETS OF AN ENTITY | |
Bobitan et al. | The differences between revaluation and assets impairment | |
Iurieva et al. | Improving accounting and analytical support for monitoring settlements with contractors based on it technologies | |
CN116611907A (zh) | 资金流向的监测方法、装置和电子设备 | |
Semerádová et al. | Robotics and automation for accounting and tax purposes | |
Riccardi et al. | Accounting Standards for Business Enterprises No. 8—Impairment of Assets |
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 |