CN111784508A - 企业风险评估方法、装置及电子设备 - Google Patents
企业风险评估方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111784508A CN111784508A CN202010629293.5A CN202010629293A CN111784508A CN 111784508 A CN111784508 A CN 111784508A CN 202010629293 A CN202010629293 A CN 202010629293A CN 111784508 A CN111784508 A CN 111784508A
- Authority
- CN
- China
- Prior art keywords
- risk
- enterprise
- enterprises
- conduction
- data
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种企业风险评估方法、装置及电子设备,涉及金融风险评估领域,该方法首先从工商、人行、申万、银行、银监会等多种途径获取企业的基本信息;然后根据企业之间的关联关系建立企业知识图谱;再对知识图谱中的所有企业进行风险监测,确定发生风险企业的风险数据;并利用深度优先算法对风险数据进行风险传导分析,得到各个企业的风险传导结果;最后基于风险传导结果和企业自身原有风险确定每个企业的风险等级。该方法通过企业之间的关联关系构建而成的知识图谱,结合神经元模型、深度优先算法等技术得到企业的最终风险结果,提升了企业关系群体之间动态风险事件的捕获效率,有助于银行对风险企业的分析判断,降低了银行的金融风险。
Description
技术领域
本发明涉及金融风险评估领域,尤其是涉及一种企业风险评估方法、装置及电子设备。
背景技术
企业运营形态的复杂程度越来越高,呈现出集团化、产业化、派系化的特征,复杂多变的客户关联关系网络使得集团客户、关系客户的识别成为难题,一些账面财务状况健康的企业往往因为与其有密切相关的企业产生突发负面消息或不良事件的影响,导致其信用等级会发生剧烈变化,进而使导致银行对企业的风险评估结果产生偏差。
发明内容
有鉴于此,本发明的目的在于提供一种企业风险评估方法、装置及电子设备,通过企业的知识图谱对每个企业进行风险监测,结合深度优先算法等手段得到企业的风险结果,提升了企业关系群体之间动态风险事件的捕获效率,有助于银行对风险企业的分析判断,为银行降低投资风险。
第一方面,本发明实施例提供了一种企业风险评估方法,该方法包括:
获取多个企业的企业信息;
根据企业之间的关联关系建立企业知识图谱;
对知识图谱中的所有企业进行风险监测,确定每个企业的风险数据;
利用神经元模型、深度优先算法对风险数据进行风险传导分析,得到知识图谱内所有企业的风险传导结果;
基于风险传导结果、结合企业自身风险,利用差分方程确定每个企业的最终风险数据,进而得出风险等级。
在一些实施方式中,上述基于风险传导结果、结合企业自身风险,利用差分方程确定每个企业的最终风险数据,进而得出风险等级的步骤,包括:
将企业最终的风险数据与预设风险等级进行对比,得到对比结果;
根据对比结果确定每个企业的风险等级。
在一些实施方式中,企业信息包括以下信息:每个企业的企业基础属性信息、每个企业的企业财务信息以及各个企业之间的企业关联信息。
在一些实施方式中,上述对知识图谱中的所有企业进行风险监测,确定每个企业的风险数据的步骤,包括:
根据企业基础属性信息以及企业关联信息,确定每个企业的非线性权重系数;
通过每个企业的非线性权重系数对每个企业上所有传导路径上的传导风险值进行加权汇总,得到每个企业的风险数据,其中,非线性权重系数包括:免疫系数、衰减系数、配对系数、时间衰减系数以及多关系权重系数中任意一种或多种。
在一些实施方式中,上述利用神经元模型、深度优先算法对风险数据进行风险传导计算,得到企业的风险传导结果的步骤,包括:
获取企业的免疫系数、衰减系数、配对系数、时间衰减系数以及多关系权重系数;
利用深度优先算法计算企业的风险传导值,所用算式如下:
Rj=f(免疫系数、衰减系数、配对系数、时间衰减系数)*Ri*ri,j
其中,Ri、Rj为企业i与企业j之间的风险事件的量化值;ri,j为企业i与企业j之间的多关系权重系数;
将企业的风险传导值作为风险传导结果。
在一些实施方式中,上述将企业的风险传导值作为风险传导结果的步骤,包括:
对企业的风险传导值与企业自身风险值进行排序;
对排序后的企业的风险传导值与企业自身风险值进行差分汇总,得到企业最终的风险结果。
在一些实施方式中,上述基于风险传导结果、结合企业自身风险,利用差分方程,确定每个企业的最终风险数据,进而得出风险等级的步骤,包括:
将风险传导结果与企业自身风险集合汇总;
对上述集合汇总进行差分方程计算,得出企业的最终风险值;
将企业最终风险值,分别与预设风险等级阈值进行对比,从而确定企业的风险等级。
第二方面,本发明实施例提供了一种企业风险评估装置,该装置包括:
数据获取模块,用于获取多个企业的企业信息;
知识图谱生成模块,用于根据企业之间的关联关系建立企业知识图谱;
风险数据确定模块,用于对知识图谱中的所有企业进行风险监测,确定每个企业的风险数据;
风险传导结果生成模块,用于利用神经元模型、深度优先算法对风险数据进行风险传导分析,得到知识图谱内所有企业的风险传导结果;
企业风险等级确定模块,用于基于风险传导结果,结合企业自身风险,利用差分方程确定每个企业的最终风险值,进而同预设风险等级比对,从而得出企业的风险等级。
第三方面,本发明实施例还提供一种电子设备,包括存储器、处理器,存储器中存储有可在处理器上运行的计算机程序,其中,处理器执行计算机程序时实现上述第一方面的方法的步骤。
第四方面,本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,其中,程序代码使处理器执行上述第一方面方法。
本发明实施例带来了以下有益效果:
本发明提供了一种企业风险评估方法、装置及电子设备,该方法首先从不同途径获取多个企业的企业信息;然后根据企业信息建立多个企业的知识图谱;再对知识图谱中的每个企业进行风险监测,确定各个企业的风险数据;并利用神经元模型、深度优先算法对风险数据进行风险传导分析,得到各个企业的风险传导结果;最后基于风险传导结果和企业自身风险,利用差分方程,计算出企业的最终风险值,与预先设定的风险等级对应的数值比对,确定每个企业的风险等级。该方法通过企业知识图谱对每个企业进行风险监测,结合神经元模型、深度优先算法等手段得到企业的风险结果,提升了企业关系群体之间动态风险事件的捕获效率,有助于银行对风险企业的分析判断,降低了银行的金融风险。
本发明的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本发明的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施方式,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种企业风险评估方法的流程图;
图2为本发明实施例提供的企业风险评估方法中步骤S105的流程图;
图3为本发明实施例提供的企业风险评估方法中步骤S202的流程图;
图4为本发明实施例提供的企业风险评估方法中步骤S102的流程图;
图5为本发明实施例提供的企业风险评估方法中步骤S103的流程图;
图6为本发明实施例提供的企业风险评估方法中步骤S503的流程图;
图7为本发明实施例提供的企业风险评估装置的结构示意图;
图8为本发明实施例提供的一种电子设备的结构示意图。
图标:
710-数据获取模块;720-知识图谱生成模块;730-风险数据确定模块;740-风险传导结果生成模块;750-企业风险等级确定模块;101-处理器;102-存储器;103-总线;104-通信接口。
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,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
随着经济增速放缓,实体经济承受巨大压力,在经济下行、产业调整的大背景下,企业经营面临高度不确定性,因此对企业的风险识别、风险预防、风险管理变得尤为重要。同时,企业运营形态也越来越明显地呈现出集团化、产业化、派系化,复杂多变的客户关联关系网络,使得集团客户、系客户的识别成为难题,一些账面财务状况健康的企业,也往往因为与其密切相关的企业产生一些突发恶性事件或不利影响,而在瞬息间发生重大信用恶化。为了更全面、更及时的发现客户信用下降信息,在传统的风险评估基础上,有必要加强对客户动态事件及其关联关系群体的动态事件的捕获与分析,以求发挥大数据的优势,实现全方位的客户风险分析与管理。第一时间获取客户风险事件及事件的关系网络传播影响,成为银行降低风险、减少损失的主要途径。
可见,当今的企业运营形态的复杂程度越来越高,呈现出集团化、产业化、派系化的特征,复杂多变的客户关联关系网络使得集团客户、关系客户的识别成为难题,一些账面财务状况健康的企业往往因为与其密切相关的企业产生一些突发事件或不良事件的影响,其信用等级会发生剧烈变化,影响银行对企业的风险评估结果。
综上所述,现有技术对于企业的风险评估手段,已逐渐难以满足银行等金融部门的需求,如何进一步提升企业的风险事件的获取效率以及风险评估的精度,现有技术中还缺少相关解决方案。
基于此,本发明实施例提供的一种企业风险评估方法、装置及电子设备,可通过企业的知识图谱对每个企业进行风险监测,结合神经元模型、深度优先算法等手段得到企业的风险结果,提升了企业关系群体之间动态风险事件的捕获效率,有助于银行对风险企业的分析判断,为银行降低投资风险。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种企业风险评估方法进行详细介绍。
参见图1所示的一种企业风险评估方法的流程图,其中,该方法具体步骤包括:
步骤S101,获取多个企业的企业信息。
企业信息的获取途径可通过工商、人行、大智慧等平台,通过对这些平台的相关数据接口进行请求从而收集企业的信息。企业的信息可包含资本类信息、基础信息、企业关联信息、财务信息等不同种类。
在获取多个企业的企业信息后,可对企业信息进行ETL(Extract-Transform-Load,抽取-转换-装载)处理,对企业数据经过ETL处理之后加载到数据仓库的过程目的是将企业中的分散、零乱、标准不统一的数据整合到一起,为企业的决策提供分析依据保留完整、准确、唯一的企业数据。
步骤S102,根据企业之间的关联关系建立企业知识图谱。
企业之间可能存在多维关系,如股权、担保、交易、上下游等关系,这种现象使企业之间的关系趋于复杂化,因此可通过知识图谱来对企业之间的关系进行描述。知识图谱也可称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。对于企业知识图谱而言,可通过可视化的方式彰显企业之间的关联关系。
步骤S103,对知识图谱中的所有企业进行风险监测,确定每个企业的风险数据。
在对知识图谱中的每个企业进行风险监测的过程是实时的,可通过每个企业相关的舆论事件、信用违约或者信用降低的新闻或者公告来确定各个企业的风险。所得到的事件通过定性评级转化为风险数据,例如可通过专家法或经验法对风险事件从定性到定量转换,最终得到风险数据,这些风险数据用于企业进行风险监测过程中的传输。
具体的,对所有风险进行风险传导过程中,将风险事件进行分类统计,如行业风险、财务风险、经营风险、管理风险等,最终对这些风险进行定性到定量的转换,用于后续多类型风险进行传导。
步骤S104,利用神经元模型、深度优先算法对风险数据进行风险传导分析,得到知识图谱内所有企业的风险传导结果。
在获得风险数据后,利用神经元模型和深度优先算法对企业的风险数据进行传导计算,计算过程中需要结合企业之间的关联系数。关联系数还包括企业之间的权重系数,该权重系数衡量企业之间的密切程度,在企业的知识图谱中表明企业的关联度较高。
由于风险事件在传导过程中会遇到不同的企业,所以事件衰减程度是非线性的。具体实现过程中可针对不同的企业制定不同的衰减系数,以期望更好的模拟事件在实际传导过程中的衰减变化。
传导过程中,风险主体一定会对二层(直接关联的所有邻居)企业产生影响,由此间接影响其三层(风险主体邻居的邻居)企业产生影响,甚至四层、五层企业产生影响。本模型通过传导模型算法,自动进行多层风险传导计算。
步骤S105,基于风险传导结果、结合企业自身风险,利用差分方程确定每个企业的最终风险数据,进而得出风险等级风险等级。
在获取企业的风险传导结果后,结合企业自身风险,利用差分方程得出企业的最终风险值,可通过具上述步骤S103中,定性转化为定量的规则,将风险值从定量转化为定性风险等级,最终的到企业的风险等级。企业的风险等级可分为高、中、低等,也可以通过数值化的形式进行风险等级的衡量。
通过上述实施例中提供的企业风险评估方法实施例可知,该方法通过企业的知识图谱对每个企业进行风险监测,结合神经元模型、深度优先算法等手段得到企业的风险结果,提升了企业关系群体之间动态风险事件的捕获效率,有助于银行对风险企业的分析判断,为银行降低投资风险。
在一些实施方式中,上述基于风险传导结果、结合企业自身风险,利用差分方程确定每个企业的最终风险数据,进而得出风险等级的步骤S105中,如图2所示,包括:
步骤S201,将企业最终的风险数据与预设风险等级进行对比,得到对比结果。
具体实现过程中,可将风险传导结果与企业自身风险值利用差分方程,得出企业最终风险值,并与风险等级对应的风险值进行对比,得到对比结果。
对于风险传导结果为数值类的,可通过数值进行对比,得到的对比结果。例如可将风险传导结果与最初定性到定量的转换过程中,所对应的风险数据进行对比。
步骤S202,根据对比结果确定每个企业的风险等级。
对于上述通过比对预设风险阈值得到最终的企业风险等级的过程,具体的如图3所示,包括:
步骤S301,将风险传导结果与企业自身风险集合汇总。
企业之间的层级关系通过知识图谱可直接获得,层级关系是多层的,一般不少于三层,企业层级越深、每层关联企业越多就越复杂。
步骤S302,对上述集合汇总进行差分方程计算,得出企业的最终风险值。
如果风险传导结果大于该阈值,则进行下一层级的风险传导,若小于等于该阈值,则风险传导停止。
结合企业的风险传导结果与企业自身风险值,利用差分方程,计算出企业的最终风险值。
根据风险传导结果与阈值的对比,确定是否进行再次传导。通过企业的风险传导值与企业自身的风险值,利用差分方程,计算企业的最终风险值。阈值作为企业风险传导的判断依据,通过对比结果确定风险传导是否进行,通过差分方程,确定企业的最终风险值。其中,风险传导结果高于所述目标风险阈值。
步骤S303,将企业最终风险值,分别与预设风险等级阈值进行对比,从而确定企业的风险等级。
具体实现过程中,可通过确定风险传导路径长度,计算企业的最终风险值。上述过程中根据风险传导结果与企业自身风险值确定企业最终风险值,对风险事件定性评级转换成定量规则,对企业进行定量转换成定性评级,最终得出企业的风险等级。
在一些实施方式中,企业信息包括以下信息:每个企业的企业基础属性信息、每个企业的企业财务信息以及各个企业之间的企业关联信息。
企业基础信息,如行业、地域、注册资本等;企业财务信息,如净利润、流动比率等;企业关联信息,如股权、交易、担保等,这些企业信息数据通过工商、人行、大智慧平台进行收集。
获取上述几类数据后,对知识图谱中的所有企业进行风险监测,确定每个企业的风险数据的步骤S102,如图4所示,包括:
步骤S401,根据企业基础属性信息以及企业关联信息,确定每个企业的非线性权重系数。
非线性权重系数衡量企业之间关联程度,由于相关突发事件的传递过程会遇到不同的企业,因此对于该事件来说其突发事件传递过程的衰减传程度是非线性的。
步骤S402,通过每个企业的非线性权重系数对每个企业上所有传导路径上的传导风险值进行加权汇总,得到每个企业的风险数据,其中,非线性权重系数包括:免疫系数、衰减系数、配对系数、时间衰减系数以及多关系权重系数中任意一种或多种。
在获得风险数据后,上述过程上述利用神经元模型、深度优先算法对风险数据进行风险传导计算,得到企业的风险传导结果的步骤S103,如图5所示,包括:
步骤S501,获取企业的免疫系数、衰减系数、配对系数、时间衰减系数以及多关系权重系数。
该步骤中的企业免疫系数、衰减系数、配对系数、时间衰减系数以及多关系权重系数均为已获取的非线性权重系数,这些系数作为输入参数用关于神经元模型和深度优先算法的计算。
步骤S502,利用深度优先算法计算企业的风险传导值。
具体实现过程中,所用算式如下:
Rj=f(免疫系数、衰减系数、配对系数、时间衰减系数)*Ri*ri,j
其中,Ri、Rj为企业i与企业j之间的风险事件的量化值;ri,j为企业i与企业j之间的多关系权重系数。
可见,在步骤S501中的企业免疫系数、衰减系数、配对系数、时间衰减系数以及多关系权重系数参与到神经元模型和深度优先算法,并计算得到企业的风险传导值。
步骤S503,将企业的风险传导值作为风险传导结果。
在一些实施方式中,该步骤如图6所示,包括:
步骤S601,对企业的风险传导值与企业自身风险值进行排序。
由于获得的企业风险传导值为数值,因此可先将风险传导值与企业自身风险值进行排序,如按照数值由大到小排列,排列结果作为临时数据用于后续步骤。
步骤S602,对排序后的企业的风险传导值与企业自身风险值进行差分汇总,得到企业的最终的风险结果。
该步骤中的差分过程为差分运算,差分的结果反映了离散量之间的一种变化,是研究离散数学的一种方式。通过差分汇总后的企业的风险传导值作为企业的风险传导结果,有利于提升风险传导结果的质量。
通过上述企业风险评估方法的实施方式可知,风险传导基于点到点的网络微观传播模型理论,在传导过程中,引入了综合时间波动因子对该模型进行了更深入的描述。时间波动理论基于事件在发生后,对事件主体的影响不是一程不变的,是波动的。突发事件在传导过程中会遇到不同的企业,所以事件衰减程度是非线性的。针对不同的企业制定不同的衰减系数,以期望更好的模拟事件在实际传导过程中的衰减变化。所有风险进行风险传导,将风险事件进行分类统计,如行业风险、财务风险、经营风险、管理风险等,分别对这些风险进行定性到定量的转换,进行多类型风险进行传导,传导过程中风险主体一定会对二层(直接关联的所有邻居)企业产生影响,由此间接影响其三层(风险主体邻居的邻居)企业产生影响,甚至四层、五层企业产生影响。可见,通过上述实施例提供的企业风险评估方法,实现了多维复杂关系下的风险微观传播模型和关系适应度,并建立超网络结构体系将多维的复合关系映射到单一维度下,使其综合影响程度趋于一临界值,从而达到多维度关系下的风险传导,达到计算多维关系,从而得到企业的风险评估,提升了企业关系群体之间动态风险事件的捕获效率,有助于银行对风险企业的分析判断,降低了银行的金融风险。
对应于上述方法实施例,本发明实施例还提供了一种企业风险评估装置,其结构示意图如图7所示,其中,该装置包括:
数据获取模块710,用于获取多个企业的企业信息;
知识图谱生成模块720,用于根据企业之间的关联关系建立企业知识图谱;
风险数据确定模块730,用于对知识图谱中的所有企业进行风险监测,确定每个企业的风险数据;
风险传导结果生成模块740,用于利用神经元模型、深度优先算法对风险数据进行风险传导分析,得到知识图谱内所有企业的风险传导结果;
企业风险等级确定模块750,用于基于风险传导结果,结合企业自身风险,利用差分方程确定每个企业的最终风险数据,进而同预设风险等级比对,从而得出企业的风险等级。
本发明实施例提供的企业风险评估装置,与上述实施例提供的企业风险评估方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。为简要描述,实施例部分未提及之处,可参考前述方法实施例中相应内容。
本实施例还提供一种电子设备,为该电子设备的结构示意图如图8所示,该设备包括处理器101和存储器102;其中,存储器102用于存储一条或多条计算机指令,一条或多条计算机指令被处理器执行,以实现上述企业风险评估方法。
图8所示的电子设备还包括总线103和通信接口104,处理器101、通信接口104和存储器102通过总线103连接。
其中,存储器102可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。总线103可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
通信接口104用于通过网络接口与至少一个用户终端及其它网络单元连接,将封装好的IPv4报文或IPv4报文通过网络接口发送至用户终端。
处理器101可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processor,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器102,处理器101读取存储器102中的信息,结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,该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运行时执行前述实施例的方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、设备和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,设备或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以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,可以存储在一个处理器可执行的非易失的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用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。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种企业风险评估方法,其特征在于,所述方法包括:
获取多个企业的企业信息;
根据所述企业之间的关联关系建立企业知识图谱;
对所述知识图谱中的所有企业进行风险监测,确定每个企业的风险数据;
利用神经元模型、深度优先算法对所述风险数据进行风险传导分析,得到知识图谱内所有企业的风险传导结果;
基于所述风险传导结果、结合企业自身风险,利用差分方程确定每个企业的最终风险数据,进而得出风险等级。
2.根据权利要求1所述的企业风险评估方法,其特征在于,基于所述风险传导结果、结合企业自身风险,利用差分方程确定每个企业的最终风险数据,进而得出风险等级的步骤,包括:
将所述企业最终的风险数据与预设风险等级数据进行对比,得到对比结果;
根据所述对比结果确定所述每个企业的风险等级。
3.根据权利要求1所述的企业风险评估方法,其特征在于,所述企业信息包括以下信息:每个企业的企业基础属性信息、每个企业的企业财务信息以及各个企业之间的企业关联信息。
4.根据权利要求3所述的企业风险评估方法,其特征在于,对所述知识图谱中的所有企业进行风险监测,确定每个企业的风险数据的步骤,包括:
根据所述企业基础属性信息以及企业关联信息,确定所述每个企业的非线性权重系数;
通过所述每个企业的非线性权重系数对每个企业上所有传导路径上的传导风险值进行加权汇总,得到每个企业的风险数据,其中,所述非线性权重系数包括:免疫系数、衰减系数、配对系数、时间衰减系数以及多关系权重系数中任意一种或多种。
5.根据权利要求4所述的企业风险评估方法,其特征在于,利用神经元模型、深度优先算法对所述风险数据进行风险传导计算,得到所述企业的风险传导结果的步骤,包括:
获取所述企业的免疫系数、衰减系数、配对系数、时间衰减系数以及多关系权重系数;
利用深度优先算法计算所述企业的风险传导值,所用算式如下:
Rj=f(免疫系数、衰减系数、配对系数、时间衰减系数)*Ri*ri,j
其中,Ri、Rj为企业i与企业j之间的风险事件的量化值;ri,j为企业i与企业j之间的多关系权重系数;
将所述企业的风险传导值作为所述风险传导结果。
6.根据权利要求5所述的企业风险评估方法,其特征在于,将所述企业的风险传导值作为所述风险传导结果的步骤,包括:
对所述企业的风险传导值与企业自身风险值进行排序;
对排序后的所述企业的风险传导值与企业自身风险值进行差分汇总,得到所述企业最终的风险结果。
7.根据权利要求2所述的企业风险评估方法,其特征在于,基于所述风险传导结果、结合企业自身风险,利用差分方程,确定每个企业的最终风险数据,进而得出风险等级的步骤,包括:
将风险传导结果与企业自身风险集合汇总;
对上述集合汇总进行差分方程计算,得出企业的最终风险值;
将所述企业最终风险值,分别与预设风险等级阈值进行对比,从而确定企业的风险等级。
8.一种企业风险评估装置,其特征在于,所述装置包括:
数据获取模块,用于获取多个企业的企业信息;
知识图谱生成模块,用于根据所述企业之间的关联关系建立企业知识图谱;
风险数据确定模块,用于对所述知识图谱中的所有企业进行风险监测,确定每个企业的风险数据;
风险传导结果生成模块,用于利用神经元模型、深度优先算法对所述风险数据进行风险传导分析,得到知识图谱内所有企业的风险传导结果;
企业风险等级确定模块,用于基于所述风险传导结果,结合企业自身风险,利用差分方程确定每个企业的最终风险数据,进而同预设风险等级比对,从而得出企业的风险等级。
9.一种电子设备,其特征在于,包括:处理器和存储装置;所述存储装置上存储有计算机程序,所述计算机程序在被所述处理器运行时执行如权利要求1至7任一项所述的企业风险评估方法的步骤。
10.一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,其特征在于,所述计算机程序被处理器运行时执行上述权利要求1至7任一项所述的企业风险评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010629293.5A CN111784508A (zh) | 2020-07-01 | 2020-07-01 | 企业风险评估方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010629293.5A CN111784508A (zh) | 2020-07-01 | 2020-07-01 | 企业风险评估方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111784508A true CN111784508A (zh) | 2020-10-16 |
Family
ID=72759157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010629293.5A Pending CN111784508A (zh) | 2020-07-01 | 2020-07-01 | 企业风险评估方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784508A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598302A (zh) * | 2020-12-25 | 2021-04-02 | 北京知因智慧科技有限公司 | 企业数据的评估方法、装置及服务器 |
CN112598507A (zh) * | 2020-12-25 | 2021-04-02 | 北京知因智慧科技有限公司 | 基于知识图谱的过度授信风险预测系统和方法 |
CN112613756A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 一种异常企业的检测方法、检测装置及电子设备 |
CN112613762A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 基于知识图谱的集团评级方法、装置和电子设备 |
CN112613755A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 利用置信度评估企业风险的方法、装置及电子设备 |
CN112613763A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 数据传导方法及装置 |
CN112613796A (zh) * | 2020-12-30 | 2021-04-06 | 中国农业银行股份有限公司 | 金融风险预测方法、金融风险评分卡的生成方法和装置 |
CN112613983A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 一种机器建模过程中的特征筛选方法、装置及电子设备 |
CN112669053A (zh) * | 2020-12-03 | 2021-04-16 | 杭州未名信科科技有限公司 | 基于销售数据的欺诈群体识别方法、装置、设备及介质 |
CN112734559A (zh) * | 2020-12-30 | 2021-04-30 | 北京知因智慧科技有限公司 | 企业信用风险评价方法、装置及电子设备 |
CN112750029A (zh) * | 2020-12-30 | 2021-05-04 | 北京知因智慧科技有限公司 | 信用风险预测方法、装置、电子设备及存储介质 |
CN112801456A (zh) * | 2020-12-30 | 2021-05-14 | 北京知因智慧科技有限公司 | 资金流动性风险预警方法、装置和电子设备 |
CN112883278A (zh) * | 2021-03-23 | 2021-06-01 | 西安电子科技大学昆山创新研究院 | 基于智慧社区大数据知识图谱的不良舆论传播抑制方法 |
CN112966918A (zh) * | 2021-03-01 | 2021-06-15 | 北京明略软件系统有限公司 | 用于确定风险影响范围的方法及装置、设备 |
CN113449046A (zh) * | 2021-06-29 | 2021-09-28 | 平安资产管理有限责任公司 | 基于企业知识图谱的模型训练方法、系统及相关装置 |
CN113505990A (zh) * | 2021-07-08 | 2021-10-15 | 建信金融科技有限责任公司 | 企业风险评估的方法、装置、电子设备和存储介质 |
CN113538134A (zh) * | 2021-07-27 | 2021-10-22 | 天元大数据信用管理有限公司 | 一种区域风险蔓延监测的方法、设备及介质 |
CN114064939A (zh) * | 2022-01-17 | 2022-02-18 | 中证信息技术服务有限责任公司 | 一种知识图谱生成方法、装置、电子设备及存储介质 |
CN115222303A (zh) * | 2022-09-20 | 2022-10-21 | 北京共识数信科技有限公司 | 基于大数据的行业风险数据分析方法、系统及存储介质 |
CN115292424A (zh) * | 2022-10-08 | 2022-11-04 | 凯美瑞德(苏州)信息科技股份有限公司 | 一种风险传导的分析方法、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292509A (zh) * | 2017-06-16 | 2017-10-24 | 兴业数字金融服务(上海)股份有限公司 | 一种企业信贷风险预警监测方法 |
CN109657917A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 评估对象的风险预警方法、装置、计算机设备和存储介质 |
CN109800976A (zh) * | 2019-01-07 | 2019-05-24 | 平安科技(深圳)有限公司 | 项目投资决策方法、装置、计算机设备和存储介质 |
CN110363449A (zh) * | 2019-07-25 | 2019-10-22 | 中国工商银行股份有限公司 | 一种风险识别方法、装置及系统 |
CN110458324A (zh) * | 2019-07-04 | 2019-11-15 | 重庆金融资产交易所有限责任公司 | 风险概率的计算方法、装置和计算机设备 |
CN110503295A (zh) * | 2019-07-05 | 2019-11-26 | 深圳壹账通智能科技有限公司 | 供应链金融的风险分析方法、装置、计算终端及存储介质 |
CN110717824A (zh) * | 2019-10-17 | 2020-01-21 | 北京明略软件系统有限公司 | 基于知识图谱的银行对公客群风险传导测算的方法及装置 |
-
2020
- 2020-07-01 CN CN202010629293.5A patent/CN111784508A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292509A (zh) * | 2017-06-16 | 2017-10-24 | 兴业数字金融服务(上海)股份有限公司 | 一种企业信贷风险预警监测方法 |
CN109657917A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 评估对象的风险预警方法、装置、计算机设备和存储介质 |
CN109800976A (zh) * | 2019-01-07 | 2019-05-24 | 平安科技(深圳)有限公司 | 项目投资决策方法、装置、计算机设备和存储介质 |
CN110458324A (zh) * | 2019-07-04 | 2019-11-15 | 重庆金融资产交易所有限责任公司 | 风险概率的计算方法、装置和计算机设备 |
CN110503295A (zh) * | 2019-07-05 | 2019-11-26 | 深圳壹账通智能科技有限公司 | 供应链金融的风险分析方法、装置、计算终端及存储介质 |
CN110363449A (zh) * | 2019-07-25 | 2019-10-22 | 中国工商银行股份有限公司 | 一种风险识别方法、装置及系统 |
CN110717824A (zh) * | 2019-10-17 | 2020-01-21 | 北京明略软件系统有限公司 | 基于知识图谱的银行对公客群风险传导测算的方法及装置 |
Non-Patent Citations (1)
Title |
---|
王德鲁;宋学锋;: "多元化企业经营系统脆性控制模型及最优策略", 管理科学学报, no. 09, pages 5 - 16 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669053A (zh) * | 2020-12-03 | 2021-04-16 | 杭州未名信科科技有限公司 | 基于销售数据的欺诈群体识别方法、装置、设备及介质 |
CN112613755A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 利用置信度评估企业风险的方法、装置及电子设备 |
CN112613763B (zh) * | 2020-12-25 | 2024-04-16 | 北京知因智慧科技有限公司 | 数据传导方法及装置 |
CN112613756B (zh) * | 2020-12-25 | 2024-04-02 | 北京知因智慧科技有限公司 | 一种异常企业的检测方法、检测装置及电子设备 |
CN112613762B (zh) * | 2020-12-25 | 2024-04-16 | 北京知因智慧科技有限公司 | 基于知识图谱的集团评级方法、装置和电子设备 |
CN112613763A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 数据传导方法及装置 |
CN112613756A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 一种异常企业的检测方法、检测装置及电子设备 |
CN112613983A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 一种机器建模过程中的特征筛选方法、装置及电子设备 |
CN112598507A (zh) * | 2020-12-25 | 2021-04-02 | 北京知因智慧科技有限公司 | 基于知识图谱的过度授信风险预测系统和方法 |
CN112598302B (zh) * | 2020-12-25 | 2024-03-26 | 北京知因智慧科技有限公司 | 企业数据的评估方法、装置及服务器 |
CN112613762A (zh) * | 2020-12-25 | 2021-04-06 | 北京知因智慧科技有限公司 | 基于知识图谱的集团评级方法、装置和电子设备 |
CN112613983B (zh) * | 2020-12-25 | 2023-11-21 | 北京知因智慧科技有限公司 | 一种机器建模过程中的特征筛选方法、装置及电子设备 |
CN112598302A (zh) * | 2020-12-25 | 2021-04-02 | 北京知因智慧科技有限公司 | 企业数据的评估方法、装置及服务器 |
CN112613796A (zh) * | 2020-12-30 | 2021-04-06 | 中国农业银行股份有限公司 | 金融风险预测方法、金融风险评分卡的生成方法和装置 |
CN112734559B (zh) * | 2020-12-30 | 2024-04-30 | 北京知因智慧科技有限公司 | 企业信用风险评价方法、装置及电子设备 |
CN112801456A (zh) * | 2020-12-30 | 2021-05-14 | 北京知因智慧科技有限公司 | 资金流动性风险预警方法、装置和电子设备 |
CN112750029A (zh) * | 2020-12-30 | 2021-05-04 | 北京知因智慧科技有限公司 | 信用风险预测方法、装置、电子设备及存储介质 |
CN112734559A (zh) * | 2020-12-30 | 2021-04-30 | 北京知因智慧科技有限公司 | 企业信用风险评价方法、装置及电子设备 |
CN112966918A (zh) * | 2021-03-01 | 2021-06-15 | 北京明略软件系统有限公司 | 用于确定风险影响范围的方法及装置、设备 |
CN112883278A (zh) * | 2021-03-23 | 2021-06-01 | 西安电子科技大学昆山创新研究院 | 基于智慧社区大数据知识图谱的不良舆论传播抑制方法 |
CN113449046A (zh) * | 2021-06-29 | 2021-09-28 | 平安资产管理有限责任公司 | 基于企业知识图谱的模型训练方法、系统及相关装置 |
CN113505990A (zh) * | 2021-07-08 | 2021-10-15 | 建信金融科技有限责任公司 | 企业风险评估的方法、装置、电子设备和存储介质 |
CN113538134B (zh) * | 2021-07-27 | 2024-04-16 | 天元大数据信用管理有限公司 | 一种区域风险蔓延监测的方法、设备及介质 |
CN113538134A (zh) * | 2021-07-27 | 2021-10-22 | 天元大数据信用管理有限公司 | 一种区域风险蔓延监测的方法、设备及介质 |
CN114064939A (zh) * | 2022-01-17 | 2022-02-18 | 中证信息技术服务有限责任公司 | 一种知识图谱生成方法、装置、电子设备及存储介质 |
CN115222303A (zh) * | 2022-09-20 | 2022-10-21 | 北京共识数信科技有限公司 | 基于大数据的行业风险数据分析方法、系统及存储介质 |
CN115292424A (zh) * | 2022-10-08 | 2022-11-04 | 凯美瑞德(苏州)信息科技股份有限公司 | 一种风险传导的分析方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784508A (zh) | 企业风险评估方法、装置及电子设备 | |
JP6771751B2 (ja) | リスク評価方法およびシステム | |
WO2021174944A1 (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
TWI804575B (zh) | 確定高風險用戶的方法及裝置、電腦可讀儲存媒體、和計算設備 | |
WO2021254027A1 (zh) | 一种可疑社团的识别方法、装置、存储介质和计算机设备 | |
CN112734559B (zh) | 企业信用风险评价方法、装置及电子设备 | |
CN101493913A (zh) | 一种评估网上用户信用的方法及系统 | |
CN111709826A (zh) | 目标信息确定方法和装置 | |
CN110737641A (zh) | 一种信审模型的构建方法,装置及系统 | |
CN110866698A (zh) | 用于评定服务提供方的服务分值的装置 | |
Wang et al. | An unsupervised strategy for defending against multifarious reputation attacks | |
CN113722433A (zh) | 一种信息推送方法、装置、电子设备及计算机可读介质 | |
Nie | Dynamics of the price–volume information flow based on surrogate time series | |
CN114037518A (zh) | 风险预测模型的构建方法、装置、电子设备和存储介质 | |
Bhattacharya et al. | RT@ News: an analysis of news agency ego networks in a microblogging environment | |
Sidorov et al. | Company co-mention network analysis | |
CN116739742A (zh) | 信贷风控模型的监控方法、装置、设备及存储介质 | |
CN115545088B (zh) | 模型构建方法、分类方法、装置和电子设备 | |
CN113641825B (zh) | 基于客观信息论的智慧法院系统大数据处理方法及装置 | |
CN108805603A (zh) | 营销活动质量评估方法、服务器及计算机可读存储介质 | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN114490406A (zh) | 测试覆盖项管理方法、装置、设备及介质 | |
CN114092216A (zh) | 企业信贷评级方法、装置、计算机设备和存储介质 | |
Corea | Why social media matters: the use of Twitter in portfolio strategies | |
CN113836410A (zh) | 车辆声品质评估方法、装置、评估设备及存储介质 |
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 |