CN111709825A - 异常产品识别方法及系统 - Google Patents
异常产品识别方法及系统 Download PDFInfo
- Publication number
- CN111709825A CN111709825A CN202010521660.XA CN202010521660A CN111709825A CN 111709825 A CN111709825 A CN 111709825A CN 202010521660 A CN202010521660 A CN 202010521660A CN 111709825 A CN111709825 A CN 111709825A
- Authority
- CN
- China
- Prior art keywords
- data
- point difference
- transaction
- current
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06Q40/06—Asset management; Financial planning or analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种异常产品识别方法及系统。该异常产品识别方法包括:获取当前交易数据;将当前交易数据输入预先创建的第一最优神经网络模型中,得到当前交易概率;根据当前交易概率确定当前客户点差关联数据;将当前客户点差关联数据输入预先创建的第二最优神经网络模型中,得到当前点差数据;根据当前点差数据与实际点差数据识别异常产品。本发明可以高效准确识别异常产品,降低交易风险,提高客户的交易体验。
Description
技术领域
本发明涉及产品识别技术领域,具体地,涉及一种异常产品识别方法及系统。
背景技术
银行金融市场产品的点差按照中间价在买入价和卖出价之间的差价得出。举例:如银行纸黄金中间价是300元,银行买入价是299.4元,银行卖出价是300.4元,则表示该行的纸黄金点差是0.4元单边点差,投资者进行一买一卖操作,则要付出0.8元/克的点差。产品的点差是业务人员凭借个人经验主观设置的,错误设置的点差会导致产品异常。现有技术无法识别异常产品,而异常产品会干扰正常的市场交易,提高银行交易风险,降低客户的交易体验。
发明内容
本发明实施例的主要目的在于提供一种异常产品识别方法及系统,以高效准确识别异常产品,降低交易风险,提高客户的交易体验。
为了实现上述目的,本发明实施例提供一种异常产品识别方法,包括:
获取当前交易数据;
将当前交易数据输入预先创建的第一最优神经网络模型中,得到当前交易概率;
根据当前交易概率确定当前客户点差关联数据;
将当前客户点差关联数据输入预先创建的第二最优神经网络模型中,得到当前点差数据;
根据当前点差数据与实际点差数据识别异常产品。
本发明实施例还提供一种异常产品识别系统,包括:
第一获取单元,用于获取当前交易数据;
当前交易概率单元,用于将当前交易数据输入预先创建的第一最优神经网络模型中,得到当前交易概率;
点差关联数据单元,用于根据当前交易概率确定当前客户点差关联数据;
当前点差数据单元,用于将当前客户点差关联数据输入预先创建的第二最优神经网络模型中,得到当前点差数据;
异常产品识别单元,用于根据当前点差数据与实际点差数据识别异常产品。
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在处理器上运行的计算机程序,处理器执行计算机程序时实现所述的异常产品识别方法的步骤。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现所述的异常产品识别方法的步骤。
本发明实施例的异常产品识别方法及系统先将当前交易数据输入第一最优神经网络模型中得到当前交易概率,再根据当前交易概率确定当前客户点差关联数据,然后将当前客户点差关联数据输入第二最优神经网络模型中得到当前点差数据,最后根据当前点差数据与实际点差数据识别异常产品,可以高效准确识别异常产品,降低交易风险,提高客户的交易体验。
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。
图1是本发明实施例中异常产品识别方法的流程图;
图2是本发明实施例中创建第一最优神经网络模型的流程图;
图3是本发明实施例中创建第二最优神经网络模型的流程图;
图4是本发明实施例中确定历史客户点差关联数据的流程图。
图5是本发明实施例中第一神经网络模型的示意图;
图6是本发明实施例中隐藏层的示意图;
图7是本发明实施例中隐藏层的展开示意图;
图8是本发明实施例中异常产品识别系统的结构框图;
图9是本发明另一实施例中异常产品识别系统的结构框图;
图10是图9中模块的功能流程示意图;
图11是本发明实施例中计算机设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本领域技术人员知道,本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
鉴于错误设置的点差会导致产品异常且现有技术无法识别异常产品,本发明实施例提供一种异常产品识别方法,以高效准确识别异常产品,降低交易风险,提高客户的交易体验。以下结合附图对本发明进行详细说明。
图1是本发明实施例中异常产品识别方法的流程图。如图1所示,异常产品识别方法包括:
S101:获取当前交易数据。
S102:将当前交易数据输入预先创建的第一最优神经网络模型中,得到当前交易概率。
S103:根据当前交易概率确定当前客户点差关联数据。
一实施例中,S103包括:将当前交易概率按照从大到小的顺序进行排序;根据排序在第五预设阈值之前的当前交易概率的交易数据确定当前客户点差关联数据。
具体实施时,如表1所示,每条当前交易数据均对应进行交易的客户,当前交易数据包括该客户交易的产品。根据排序在第五预设阈值之前的当前交易概率的交易数据可以确定对应的客户和产品,根据对应的客户和产品在当前点差关联数据表中搜索,可以确定该客户和产品对应的当前客户点差关联数据。
S104:将当前客户点差关联数据输入预先创建的第二最优神经网络模型中,得到当前点差数据。
S105:根据当前点差数据与实际点差数据识别异常产品。
一实施例中,S105包括:将当前点差数据与实际点差数据的差值的绝对值按从大到小的顺序进行排序;将排序在预设数量之前的差值的绝对值对应的产品识别为异常产品。
或,S105包括:确定当前点差数据与实际点差数据的差值的绝对值;当差值的绝对值大于预设差值时,将该差值的绝对值对应的产品识别为异常产品。
执行S105之后,可以将异常产品推送给业务人员,业务人员会检查异常产品对应的点差是否存在问题,并及时对异常点差进行修改,以避免主观设置的异常点差导致银行无法有效进行正常的市场交易,有助于银行金融市场业务的长期健康稳定发展。
图1所示的异常产品识别方法的执行主体可以为计算机。由图1所示的流程可知,本发明实施例的异常产品识别方法先将当前交易数据输入第一最优神经网络模型中得到当前交易概率,再根据当前交易概率确定当前客户点差关联数据,然后将当前客户点差关联数据输入第二最优神经网络模型中得到当前点差数据,最后根据当前点差数据与实际点差数据识别异常产品,可以高效准确识别异常产品,降低交易风险,提高客户的交易体验。
图2是本发明实施例中创建第一最优神经网络模型的流程图。如图2所示,预先创建第一最优神经网络模型的步骤包括:
执行如下迭代处理:
S201:将历史交易数据输入第一神经网络模型中,得到历史预测交易概率。
表1
表1是历史交易数据和历史实际交易概率表,主键是客户、产品和日期。如表1所示,客户的历史交易数据包括:产品、持仓、市值、近七日价格变动、近一个月价格变动、近一年度价格变动、最高中间价、最低中间价和持仓收益率。
例如,客户A在2019年3月4日的历史交易数据包括:产品(0,0为人民币黄金,1为人民币白银,2为人民币铂金,3为人民币钯金)、持仓(2000)、市值(736000)、近七日价格变动(1.73)、近一个月价格变动(1.35)、近一年度价格变动(1.50)、最高中间价(369.86)、最低中间价(367.75)和持仓收益率(0.13%)。表1中的交易概率为历史实际交易概率,0代表无交易,1代表有交易。
其中,第一神经网络模型可以为LSTM(Long Short-Term Memory,长短期记忆网络)模型,图5是本发明实施例中第一神经网络模型的示意图。如图5所示,LSTM模型包括输入层X、隐藏层A和输出层Y。输入第一神经网络模型的历史交易数据写为取值序列的形式,以日期升序排列,例如:Xi=[X1,X2……]=[(0,2000,736000,1.73,1.35,1.50,369.86,367.75,0.13%),(0,500,183950,1.68,1.33,1.51,369.42,367.62,0.12%),……]。历史交易数据对应的历史实际交易概率为Yi=[Y1,Y2,...]=[0,1,……]。
S202:根据历史预测交易概率和历史实际交易概率确定第一损失函数。
图6是本发明实施例中隐藏层的示意图。图7是本发明实施例中隐藏层的展开示意图。如图6-图7所示,隐藏层包括三个门(gate),分别为负责遗忘历史信息(Forget gate,遗忘门)、增加历史信息(updating gate,更新门)以及输出门(Output gate)。
1、遗忘门决定遗忘的历史信息:
2、更新门决定增加的历史信息:
其中,上述公式用于与更新门点乘得到要增加的信息,为t时刻的节点的输入信息,Wc为t时刻当前小层下输入x<t>与t-1时刻隐层状态信息a<t-1>之间的权值,bc为当前小层t时刻的偏差值。当前小层为图7中所在的层。
其中,c<t>为t时刻的节点的输出信息,c<t-1>为t-1时刻c<t>节点的输出信息。c<t>用于保存历史信息的输出。
3、输出门用于计算a<t>,然后用a<t>计算该单元的输出y<t>:
y<t>=soft max(Wya<t>+by);
第一损失函数(交叉熵损失函数)的表达式如下:
Loss=-∑iYiln yi;
其中,Loss为第一损失函数,Yi为历史实际交易概率,yi=y<t>,为第一最优神经网络模型输出的历史预测交易概率。
S203:判断第一损失函数是否小于第一预设阈值。
S204:当第一损失函数小于第一预设阈值时,将当前迭代中的第一神经网络模型作为第一最优神经网络模型。
其中,当第一损失函数小于第一预设阈值时,表明本发明已通过随机梯度下降法最小化第一损失函数直至收敛,第一神经网络模型构建完毕。
S205:当第一损失函数大于或等于第一预设阈值时,根据第一损失函数更新第一神经网络模型,继续执行迭代处理。
图3是本发明实施例中创建第二最优神经网络模型的流程图。如图3所示,预先创建第二最优神经网络模型的步骤包括:
执行如下迭代处理:
S301:将历史客户点差关联数据输入第二神经网络模型中,得到历史预测点差数据。
表2
表2是本发明实施例中的历史客户点差关联数据和点差表,主键为客户、产品和点差。如表2所示,历史客户点差关联数据包括年龄、客户交易类型、收入、可承受交易范围、职业、受教育程度、产品和当前点差日均交易量。
其中,第二神经网络模型可以为LSTM(Long Short-Term Memory,长短期记忆网络)模型。输入第二神经网络模型的历史交易数据写为取值序列的形式,以当前点差日均交易量降序排列,例如:Mi=[M1,M2,M3……]=[(34,1,20,3,2,4,0,0.1),(34,1,20,100,0,2,0,0.15),(29,0,18,20,2,1,1,0.9),……]。历史客户点差关联数据对应的历史预测点差数据为:Ni=[N1,N2,N3……]=[0.33,0.28,0.003,……]。
S302:根据历史预测点差数据和历史实际点差数据确定第二损失函数。
S303:判断第二损失函数是否小于第二预设阈值。
S304:当第二损失函数小于第二预设阈值时,将当前迭代中的第二神经网络模型作为第二最优神经网络模型。
S305:当第二损失函数大于或等于第二预设阈值时,根据第二损失函数更新第二神经网络模型,继续执行迭代处理。
图4是本发明实施例中确定历史客户点差关联数据的流程图。如图4所示,异常产品识别方法还包括:
S401:获取初始客户点差关联数据。
表3
表4
表3是本发明实施例中的客户信息表,主键为客户。表4是本发明实施例中的客户点差表,主键为客户、产品和点差。将表2和表3关联,即可得到初始点差关联数据表。
S402:将初始客户点差关联数据输入预先创建的第二神经网络中,得到初始预测点差数据。
初始点差关联数据包括年龄、客户交易类型、收入、可承受交易范围、职业、受教育程度、产品和当前点差日均交易量。其中,历史第二最优神经网络模型可以为LSTM(LongShort-Term Memory,长短期记忆网络)模型。输入第二神经网络模型的历史交易数据写为取值序列的形式,以当前点差日均交易量降序排列。
S403:根据初始预测点差数据、初始实际点差数据和交易调整数据表确定交易调整数据。
一实施例中,S403包括:确定初始预测点差数据与同一客户不同产品的初始实际点差数据的差值的绝对值;确定交易调整数据表中绝对值中的最大值对应的产品的交易调整数据。
例如,提取初始预测点差数据、该初始预测点差数据对应的客户和产品。例如,该初始预测点差数据对应的客户为客户A,则检索表4,得到表4中客户A“是否当前点差”一列的值为1的点差(初始实际点差数据),初始实际点差数据为表4中“是否当前点差”一列的值为1对应的点差。如表4所示,表4中有两个购买产品“0”的客户A的点差(0.33,0.28),0.33为当前点差,则0.33为客户A购买产品“0”的初始实际点差数据。从初始预测点差数据与客户A购买产品“0”的初始实际点差数据的差值的绝对值、初始预测点差数据与客户A购买产品“1”的初始实际点差数据的差值的绝对值、初始预测点差数据与客户A购买产品“2”的初始实际点差数据的差值的绝对值和初始预测点差数据与客户A购买产品“3”的初始实际点差数据的差值的绝对值中选取最大值,确定交易调整数据表中该最大值对应的产品的交易调整数据。
表5
表5是本发明实施例中的交易调整数据表,主键为客户、产品和点差调整日期。如表5所示,交易调整数据包括客户、产品、点差调整日期、当前点差、交易份额变动率、交易金额变动率和交易频率变动率。
S404:根据交易调整数据的交易变动率加权结果确定有效调整数据和无效调整数据。
一实施例中,先设定交易份额变动率的权值(例如40%)、交易金额变动率的权值(例如30%)和交易频率变动率的权值(例如30%),根据各个权值以及交易份额变动率、交易金额变动率和交易频率变动率进行加权计算,得到交易调整数据的交易变动率加权结果。
一实施例中,S404包括:将交易变动率加权结果按照从大到小的顺序进行排序;确定排序在第三预设阈值之前的交易调整数据作为有效调整数据;确定排序在第四预设阈值之后的交易调整数据作为无效调整数据。
S405:根据有效调整数据和无效调整数据更新初始客户点差关联数据,得到历史客户点差关联数据。
具体实施时,可以删除初始客户点差关联数据中与无效调整数据中同一客户和产品的数据,增加初始客户点差关联数据中未提及的客户和产品,并根据增加的客户和产品检索补充对应的年龄、客户交易类型、收入、可承受交易范围、职业、受教育程度、产品、点差和当前点差日均交易量,得到表2。
本发明实施例的具体流程如下:
1、获取初始客户点差关联数据,将初始客户点差关联数据输入预先创建的第二神经网络中,得到初始预测点差数据。
2、确定初始预测点差数据与同一客户不同产品的初始实际点差数据的差值的绝对值;确定交易调整数据表中绝对值中的最大值对应的产品的交易调整数据。
3、将交易变动率加权结果按照从大到小的顺序进行排序;确定排序在第三预设阈值之前的交易调整数据作为有效调整数据。
4、确定排序在第四预设阈值之后的交易调整数据作为无效调整数据。
5、根据有效调整数据和无效调整数据更新初始客户点差关联数据,得到历史客户点差关联数据。
6、将历史客户点差关联数据输入第二神经网络模型中,得到历史预测点差数据。
7、根据历史预测点差数据和历史实际点差数据确定第二损失函数。
8、判断第二损失函数是否小于第二预设阈值。当第二损失函数小于第二预设阈值时,将当前迭代中的第二神经网络模型作为第二最优神经网络模型。当第二损失函数大于或等于第二预设阈值时,根据第二损失函数更新第二神经网络模型,继续执行迭代处理。
9、将历史交易数据输入第一神经网络模型中,得到历史预测交易概率。
10、根据历史预测交易概率和历史实际交易概率确定第一损失函数。
11、判断第一损失函数是否小于第一预设阈值。当第一损失函数小于第一预设阈值时,将当前迭代中的第一神经网络模型作为第一最优神经网络模型。当第一损失函数大于或等于第一预设阈值时,根据第一损失函数更新第一神经网络模型,继续执行迭代处理。
12、获取当前交易数据,将当前交易数据输入预先创建的第一最优神经网络模型中,得到当前交易概率。
13、将当前交易概率按照从大到小的顺序进行排序,根据排序在第五预设阈值之前的当前交易概率的交易数据确定当前客户点差关联数据。
14、将当前客户点差关联数据输入预先创建的第二最优神经网络模型中,得到当前点差数据。
15、根据当前点差数据与实际点差数据识别异常产品。
16、将异常产品推送给业务人员,以便业务人员检查异常产品对应的点差是否存在问题。
综上,本发明实施例的异常产品识别方法先将当前交易数据输入第一最优神经网络模型中得到当前交易概率,再根据当前交易概率确定当前客户点差关联数据,然后将当前客户点差关联数据输入第二最优神经网络模型中得到当前点差数据,最后根据当前点差数据与实际点差数据识别异常产品,可以高效准确识别异常产品,降低交易风险,提高客户的交易体验。
基于同一发明构思,本发明实施例还提供了一种异常产品识别系统,由于该系统解决问题的原理与异常产品识别方法相似,因此该系统的实施可以参见方法的实施,重复之处不再赘述。
图8是本发明实施例中异常产品识别系统的结构框图。图9是本发明另一实施例中异常产品识别系统的结构框图。图10是图9中模块的功能流程示意图。如图8-图10所示,异常产品识别系统包括:
第一获取单元,用于获取当前交易数据;
当前交易概率单元,用于将当前交易数据输入预先创建的第一最优神经网络模型中,得到当前交易概率;
点差关联数据单元,用于根据当前交易概率确定当前客户点差关联数据;
当前点差数据单元,用于将当前客户点差关联数据输入预先创建的第二最优神经网络模型中,得到当前点差数据;
异常产品识别单元,用于根据当前点差数据与实际点差数据识别异常产品。
在其中一种实施例中,还包括:
第一模型创建单元,用于执行如下迭代处理:
将历史交易数据输入第一神经网络模型中,得到历史预测交易概率;
根据历史预测交易概率和历史实际交易概率确定第一损失函数;
判断第一损失函数是否小于第一预设阈值;
当第一损失函数小于第一预设阈值时,将当前迭代中的第一神经网络模型作为第一最优神经网络模型,否则根据第一损失函数更新第一神经网络模型,继续执行迭代处理。
在其中一种实施例中,还包括:
第二模型创建单元,用于执行如下迭代处理:
将历史客户点差关联数据输入第二神经网络模型中,得到历史预测点差数据;
根据历史预测点差数据和历史实际点差数据确定第二损失函数;
判断第二损失函数是否小于第二预设阈值;
当第二损失函数小于第二预设阈值时,将当前迭代中的第二神经网络模型作为第二最优神经网络模型,否则根据第二损失函数更新第二神经网络模型,继续执行迭代处理。
在其中一种实施例中,还包括:
第二获取单元,用于获取初始客户点差关联数据;
初始预测点差数据单元,用于将初始客户点差关联数据输入预先创建的第二神经网络中,得到初始预测点差数据;
交易调整数据确定单元,用于根据初始预测点差数据、初始实际点差数据和交易调整数据表确定交易调整数据;
调整数据确定单元,用于根据交易调整数据的交易变动率加权结果确定有效调整数据和无效调整数据;
更新单元,用于根据有效调整数据和无效调整数据更新初始客户点差关联数据,得到历史客户点差关联数据。
在其中一种实施例中,交易调整数据确定单元具体用于:
确定初始预测点差数据与同一客户不同产品的初始实际点差数据的差值的绝对值;
确定交易调整数据表中绝对值中的最大值对应的产品的交易调整数据。
在其中一种实施例中,调整数据确定单元具体用于:
将交易变动率加权结果按照从大到小的顺序进行排序;
确定排序在第三预设阈值之前的交易调整数据作为有效调整数据;
确定排序在第四预设阈值之后的交易调整数据作为无效调整数据。
在其中一种实施例中,点差关联数据单元具体用于:
将当前交易概率按照从大到小的顺序进行排序;
根据排序在第五预设阈值之前的当前交易概率的交易数据确定当前客户点差关联数据。
在其中一种实施例中,异常产品识别单元具体用于:
将当前点差数据与实际点差数据的差值的绝对值按从大到小的顺序进行排序;
将排序在预设数量之前的差值的绝对值对应的产品识别为异常产品。
在其中一种实施例中,异常产品识别单元具体用于:
确定当前点差数据与实际点差数据的差值的绝对值;
当差值的绝对值大于预设差值时,将该差值的绝对值对应的产品识别为异常产品。
如图9-图10所示,在实际应用中,异常产品识别系统包括数据库、数据采集模块、交易分析模块、客户特征点差算法模块、点差调整模块、点差变动统计模块、产品识别模块。
数据采集模块包括第一获取单元和第二获取单元等,用于通过接口被银行交易系统调用,接收来自银行交易系统的交易数据(当前交易数据、历史交易数据)、初始客户点差关联数据、历史实际交易概率、点差数据(历史实际点差数据、初始实际点差数据和实际点差数据)和交易调整数据表,发送初始实际点差数据和交易调整表至点差调整模块。
数据库用于以一定的数据格式存储交易数据(当前交易数据、历史交易数据)、初始客户点差关联数据、历史实际交易概率、点差数据(历史实际点差数据、初始实际点差数据、实际点差数据)和交易调整数据表。
交易分析模块包括当前交易概率单元、点差关联数据单元和第一模型创建单元,用于从数据库中获取交易数据和历史实际交易概率,根据历史交易数据和历史实际交易概率创建第一神经网络模型,将当前交易数据输入第一最优神经网络模型中,得到当前交易概率,根据当前交易概率确定当前客户点差关联数据,发送当前客户点差关联数据至客户特征点差算法模块。
客户特征点差算法模块包括第二模型创建单元、初始预测点差数据单元、更新单元和当前点差数据单元等,用于根据初始客户点差关联数据确定初始预测点差数据,将初始预测点差数据发送至点差调整模块,根据有效调整数据和无效调整数据更新初始客户点差关联数据,得到历史客户点差关联数据。根据历史客户点差关联数据和历史实际点差数据创建第二最优神经网络模型,将当前客户点差关联数据输入第二最优神经网络模型中,得到当前点差数据。发送当前点差数据至产品识别模块。
点差调整模块包括交易调整数据确定单元,用于根据初始预测点差数据、初始实际点差数据和交易调整数据表确定交易调整数据,发送交易调整数据至点差变动统计模块。
点差变动统计模块包括调整数据确定单元,用于根据交易调整数据的交易变动率加权结果确定有效调整数据和无效调整数据,将有效调整数据和无效调整数据发送至客户特征点差算法模块。
产品识别模块包括异常产品识别单元,用于根据当前点差数据与实际点差数据识别异常产品,以便业务人员调整异常产品的点差。
综上,本发明实施例的异常产品识别系统先将当前交易数据输入第一最优神经网络模型中得到当前交易概率,再根据当前交易概率确定当前客户点差关联数据,然后将当前客户点差关联数据输入第二最优神经网络模型中得到当前点差数据,最后根据当前点差数据与实际点差数据识别异常产品,可以高效准确识别异常产品,降低交易风险,提高客户的交易体验。
本发明实施例还提供能够实现上述实施例中的异常产品识别方法中全部步骤的一种计算机设备的具体实施方式。图11是本发明实施例中计算机设备的结构框图,参见图11,所述计算机设备具体包括如下内容:
处理器(processor)1101和存储器(memory)1102。
所述处理器1101用于调用所述存储器1102中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的异常产品识别方法中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
获取当前交易数据;
将当前交易数据输入预先创建的第一最优神经网络模型中,得到当前交易概率;
根据当前交易概率确定当前客户点差关联数据;
将当前客户点差关联数据输入预先创建的第二最优神经网络模型中,得到当前点差数据;
根据当前点差数据与实际点差数据识别异常产品。
综上,本发明实施例的计算机设备先将当前交易数据输入第一最优神经网络模型中得到当前交易概率,再根据当前交易概率确定当前客户点差关联数据,然后将当前客户点差关联数据输入第二最优神经网络模型中得到当前点差数据,最后根据当前点差数据与实际点差数据识别异常产品,可以高效准确识别异常产品,降低交易风险,提高客户的交易体验。
本发明实施例还提供能够实现上述实施例中的异常产品识别方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质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实施例中的异常产品识别方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
获取当前交易数据;
将当前交易数据输入预先创建的第一最优神经网络模型中,得到当前交易概率;
根据当前交易概率确定当前客户点差关联数据;
将当前客户点差关联数据输入预先创建的第二最优神经网络模型中,得到当前点差数据;
根据当前点差数据与实际点差数据识别异常产品。
综上,本发明实施例的计算机可读存储介质先将当前交易数据输入第一最优神经网络模型中得到当前交易概率,再根据当前交易概率确定当前客户点差关联数据,然后将当前客户点差关联数据输入第二最优神经网络模型中得到当前点差数据,最后根据当前点差数据与实际点差数据识别异常产品,可以高效准确识别异常产品,降低交易风险,提高客户的交易体验。
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。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块,或单元,或装置都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储与电脑可读的媒介上,或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
Claims (12)
1.一种异常产品识别方法,其特征在于,包括:
获取当前交易数据;
将所述当前交易数据输入预先创建的第一最优神经网络模型中,得到当前交易概率;
根据所述当前交易概率确定当前客户点差关联数据;
将所述当前客户点差关联数据输入预先创建的第二最优神经网络模型中,得到当前点差数据;
根据所述当前点差数据与实际点差数据识别异常产品。
2.根据权利要求1所述的异常产品识别方法,其特征在于,预先创建第一最优神经网络模型的步骤包括:
执行如下迭代处理:
将历史交易数据输入第一神经网络模型中,得到历史预测交易概率;
根据所述历史预测交易概率和历史实际交易概率确定第一损失函数;
判断所述第一损失函数是否小于第一预设阈值;
当所述第一损失函数小于第一预设阈值时,将当前迭代中的第一神经网络模型作为所述第一最优神经网络模型,否则根据所述第一损失函数更新所述第一神经网络模型,继续执行所述迭代处理。
3.根据权利要求1所述的异常产品识别方法,其特征在于,预先创建的第二最优神经网络模型的步骤包括:
执行如下迭代处理:
将历史客户点差关联数据输入第二神经网络模型中,得到历史预测点差数据;
根据所述历史预测点差数据和历史实际点差数据确定第二损失函数;
判断所述第二损失函数是否小于第二预设阈值;
当所述第二损失函数小于第二预设阈值时,将当前迭代中的第二神经网络模型作为所述第二最优神经网络模型,否则根据所述第二损失函数更新所述第二神经网络模型,继续执行所述迭代处理。
4.根据权利要求3所述的异常产品识别方法,其特征在于,还包括:
获取初始客户点差关联数据;
将所述初始客户点差关联数据输入预先创建的第二神经网络模型中,得到初始预测点差数据;
根据所述初始预测点差数据、初始实际点差数据和交易调整数据表确定交易调整数据;
根据交易调整数据的交易变动率加权结果确定有效调整数据和无效调整数据;
根据所述有效调整数据和所述无效调整数据更新所述初始客户点差关联数据,得到所述历史客户点差关联数据。
5.根据权利要求4所述的异常产品识别方法,其特征在于,根据所述初始预测点差数据、初始实际点差数据和交易调整数据表确定交易调整数据包括:
确定所述初始预测点差数据与同一客户不同产品的初始实际点差数据的差值的绝对值;
确定所述交易调整数据表中所述绝对值中的最大值对应的产品的交易调整数据。
6.根据权利要求4所述的异常产品识别方法,其特征在于,根据交易调整数据的交易变动率加权结果确定有效调整数据和无效调整数据包括:
将所述交易变动率加权结果按照从大到小的顺序进行排序;
确定排序在第三预设阈值之前的交易调整数据作为所述有效调整数据;
确定排序在第四预设阈值之后的交易调整数据作为所述无效调整数据。
7.根据权利要求1所述的异常产品识别方法,其特征在于,根据所述当前交易概率确定当前客户点差关联数据包括;
将所述当前交易概率按照从大到小的顺序进行排序;
根据排序在第五预设阈值之前的当前交易概率的交易数据确定当前客户点差关联数据。
8.根据权利要求1所述的异常产品识别方法,其特征在于,根据所述当前点差数据与实际点差数据识别异常产品包括:
将所述当前点差数据与实际点差数据的差值的绝对值按从大到小的顺序进行排序;
将排序在预设数量之前的差值的绝对值对应的产品识别为异常产品。
9.根据权利要求1所述的异常产品识别方法,其特征在于,根据所述当前点差数据与实际点差数据识别异常产品包括:
确定所述当前点差数据与实际点差数据的差值的绝对值;
当所述差值的绝对值大于预设差值时,将该差值的绝对值对应的产品识别为异常产品。
10.一种异常产品识别系统,其特征在于,包括:
第一获取单元,用于获取当前交易数据;
当前交易概率单元,用于将所述当前交易数据输入预先创建的第一最优神经网络模型中,得到当前交易概率;
点差关联数据单元,用于根据所述当前交易概率确定当前客户点差关联数据;
当前点差数据单元,用于将所述当前客户点差关联数据输入预先创建的第二最优神经网络模型中,得到当前点差数据;
异常产品识别单元,用于根据所述当前点差数据与实际点差数据识别异常产品。
11.一种计算机设备,包括存储器、处理器及存储在存储器上并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9任一项所述的异常产品识别方法的步骤。
12.一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9任一项所述的异常产品识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010521660.XA CN111709825B (zh) | 2020-06-10 | 2020-06-10 | 异常产品识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010521660.XA CN111709825B (zh) | 2020-06-10 | 2020-06-10 | 异常产品识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709825A true CN111709825A (zh) | 2020-09-25 |
CN111709825B CN111709825B (zh) | 2023-09-08 |
Family
ID=72539563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010521660.XA Active CN111709825B (zh) | 2020-06-10 | 2020-06-10 | 异常产品识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709825B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632051A (zh) * | 2020-12-25 | 2021-04-09 | 中国工商银行股份有限公司 | 基于神经网络的数据库清理方法及系统 |
CN113112259A (zh) * | 2021-04-20 | 2021-07-13 | 中国工商银行股份有限公司 | 热点交易识别方法及装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003058733A (ja) * | 2001-08-17 | 2003-02-28 | Nippon Yunishisu Kk | 取引市場において適切な約定締結を支援する取引支援システムおよびその方法 |
US20060143099A1 (en) * | 2004-09-23 | 2006-06-29 | Daniel Partlow | System, method, and computer program for creating and valuing financial insturments linked to average credit spreads |
US20070143198A1 (en) * | 2005-06-29 | 2007-06-21 | Itg Software Solutions, Inc. | System and method for generating real-time indicators in a trading list or portfolio |
US20100049653A1 (en) * | 2008-08-20 | 2010-02-25 | West Suburban BanCorp., Inc. | Currency Conversion With Pre-Paid Card |
US20150081542A1 (en) * | 2013-09-16 | 2015-03-19 | International Business Machines Corporation | Analytics driven assessment of transactional risk daily limits |
US20150310550A1 (en) * | 2014-04-25 | 2015-10-29 | Ns Solutions Corporation | Foreign exchange trade system, information processing method and program product |
CN108089962A (zh) * | 2017-11-13 | 2018-05-29 | 北京奇艺世纪科技有限公司 | 一种异常检测方法、装置及电子设备 |
US10068235B1 (en) * | 2016-06-14 | 2018-09-04 | Square, Inc. | Regulating fraud probability models |
CN108537592A (zh) * | 2018-04-10 | 2018-09-14 | 网易(杭州)网络有限公司 | 交易检测方法、装置,存储介质和电子装置 |
CN108985553A (zh) * | 2018-06-05 | 2018-12-11 | 中国平安人寿保险股份有限公司 | 一种异常用户的识别方法及设备 |
CN109961368A (zh) * | 2019-03-18 | 2019-07-02 | 京东数字科技控股有限公司 | 基于机器学习的数据处理方法及装置 |
CN110009467A (zh) * | 2019-03-05 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 用于对金融账户进行计提的方法及装置 |
CN110415119A (zh) * | 2019-07-30 | 2019-11-05 | 中国工商银行股份有限公司 | 模型训练、票据交易预测方法、装置、存储介质及设备 |
US20190385080A1 (en) * | 2018-06-13 | 2019-12-19 | Royal Bank Of Canada | K-lstm architecture for purchase prediction |
CN110852755A (zh) * | 2019-11-06 | 2020-02-28 | 支付宝(杭州)信息技术有限公司 | 针对交易场景的用户身份识别方法和装置 |
-
2020
- 2020-06-10 CN CN202010521660.XA patent/CN111709825B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003058733A (ja) * | 2001-08-17 | 2003-02-28 | Nippon Yunishisu Kk | 取引市場において適切な約定締結を支援する取引支援システムおよびその方法 |
US20060143099A1 (en) * | 2004-09-23 | 2006-06-29 | Daniel Partlow | System, method, and computer program for creating and valuing financial insturments linked to average credit spreads |
US20070143198A1 (en) * | 2005-06-29 | 2007-06-21 | Itg Software Solutions, Inc. | System and method for generating real-time indicators in a trading list or portfolio |
US20100049653A1 (en) * | 2008-08-20 | 2010-02-25 | West Suburban BanCorp., Inc. | Currency Conversion With Pre-Paid Card |
US20150081542A1 (en) * | 2013-09-16 | 2015-03-19 | International Business Machines Corporation | Analytics driven assessment of transactional risk daily limits |
US20150310550A1 (en) * | 2014-04-25 | 2015-10-29 | Ns Solutions Corporation | Foreign exchange trade system, information processing method and program product |
US10068235B1 (en) * | 2016-06-14 | 2018-09-04 | Square, Inc. | Regulating fraud probability models |
CN108089962A (zh) * | 2017-11-13 | 2018-05-29 | 北京奇艺世纪科技有限公司 | 一种异常检测方法、装置及电子设备 |
CN108537592A (zh) * | 2018-04-10 | 2018-09-14 | 网易(杭州)网络有限公司 | 交易检测方法、装置,存储介质和电子装置 |
CN108985553A (zh) * | 2018-06-05 | 2018-12-11 | 中国平安人寿保险股份有限公司 | 一种异常用户的识别方法及设备 |
US20190385080A1 (en) * | 2018-06-13 | 2019-12-19 | Royal Bank Of Canada | K-lstm architecture for purchase prediction |
CN110009467A (zh) * | 2019-03-05 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 用于对金融账户进行计提的方法及装置 |
CN109961368A (zh) * | 2019-03-18 | 2019-07-02 | 京东数字科技控股有限公司 | 基于机器学习的数据处理方法及装置 |
CN110415119A (zh) * | 2019-07-30 | 2019-11-05 | 中国工商银行股份有限公司 | 模型训练、票据交易预测方法、装置、存储介质及设备 |
CN110852755A (zh) * | 2019-11-06 | 2020-02-28 | 支付宝(杭州)信息技术有限公司 | 针对交易场景的用户身份识别方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632051A (zh) * | 2020-12-25 | 2021-04-09 | 中国工商银行股份有限公司 | 基于神经网络的数据库清理方法及系统 |
CN113112259A (zh) * | 2021-04-20 | 2021-07-13 | 中国工商银行股份有限公司 | 热点交易识别方法及装置 |
CN113112259B (zh) * | 2021-04-20 | 2024-04-05 | 中国工商银行股份有限公司 | 热点交易识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111709825B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846520B (zh) | 贷款逾期预测方法、装置以及计算机可读存储介质 | |
CN111192131A (zh) | 金融风险预测方法、装置和电子设备 | |
US20090234683A1 (en) | Detecting and Measuring Risk with Predictive Models Using Content Mining | |
CN111951044A (zh) | 银行终端交互方法及系统 | |
CN111695938B (zh) | 产品推送方法及系统 | |
CN113627566A (zh) | 一种网络诈骗的预警方法、装置和计算机设备 | |
CN111709825A (zh) | 异常产品识别方法及系统 | |
CN112232944B (zh) | 一种评分卡创建方法、装置和电子设备 | |
JP2018060504A (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN113034046A (zh) | 一种数据风险计量方法、装置、电子设备及存储介质 | |
CN114943582A (zh) | 一种信息推荐方法、系统及推荐服务器 | |
CN113095392A (zh) | 异常业务识别方法及装置 | |
CN116800831A (zh) | 一种业务数据推送方法、装置、存储介质及处理器 | |
CN114298825A (zh) | 还款积极度评估方法及装置 | |
CN113849731A (zh) | 基于自然语言处理的信息推送方法、装置、设备及介质 | |
CN110852392A (zh) | 一种用户分群方法、装置、设备和介质 | |
CN113868534A (zh) | 业务处理方法、业务处理装置、电子设备及存储介质 | |
CN113298642A (zh) | 一种订单检测方法、装置、电子设备及存储介质 | |
CN113744042A (zh) | 基于优化Boruta和XGBoost的信贷违约预测方法及系统 | |
CN112950392A (zh) | 信息展示方法、后验信息确定方法及装置及相关设备 | |
CN110888987B (zh) | 一种贷款中介的识别方法、系统、设备及存储介质 | |
US20240070733A1 (en) | Pending event identification and estimation | |
US20230409984A1 (en) | Information processing device, method, and medium | |
US20230196453A1 (en) | Deduplication of accounts using account data collision detected by machine learning models |
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 |