CN111861716A - 一种基于软件系统的贷中监控预警等级生成方法 - Google Patents
一种基于软件系统的贷中监控预警等级生成方法 Download PDFInfo
- Publication number
- CN111861716A CN111861716A CN202010719468.1A CN202010719468A CN111861716A CN 111861716 A CN111861716 A CN 111861716A CN 202010719468 A CN202010719468 A CN 202010719468A CN 111861716 A CN111861716 A CN 111861716A
- Authority
- CN
- China
- Prior art keywords
- data
- client
- scoring
- credit
- early warning
- 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
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了一种基于软件系统的贷中监控预警等级生成方法。包括获取客户信息数据;根据所述客户信息数据,通过预设的软件系统获取客户的手机APP行为数据;将所述手机APP行为数据进行预处理,确定所述客户的数据变量;将所述数据变量通过逻辑回归算法进行建模,得到逻辑回归模型;根据所述逻辑回归模型,确定客户的违约概率,并将所述违约概率转换为预警等级评分输出。本发明的有益效果在于:分别提高信贷机构、客户和供应商三方面的竞争力,消除消费者数据安全隐患;完美保护数据源永久性拥有其核心竞争力,帮助信贷机构获得一个高精准度、高覆盖的风险评级贷中监控预警的方法。
Description
技术领域
本发明涉及信贷预警技术领域,特别涉及一种基于软件系统的贷中监控预警等级生成方法。
背景技术
在现行的贷中管理制度下,个贷方和经营银行的管理职责是不对称的。完善的贷后管理系统可以确定不同级别的贷后管理内容,不同级别的贷后管理内容可以赋予经理不同的管理职责。目前,在总行、分行、支行、分理处的多层次管理体系中,虽然管理银行的职能得到了加强,但相关的贷后管理部门(个贷、信贷和风险资产管理部门)的职务分工和相应职责尚不明确。例如,个人信用风险经理的职位设置和管理滞后,无法与相应的客户经理形成相应的职位约束;部门间监控的主要负责人不明确,缺少有效的沟通协调机制,缺乏良好的管理协同作用导致相应的贷后管理内容无法与贷后管理职责“一一对应”,从而使贷后管理难以在实际工作中进行。
贷中管理的目的与相应的个人信贷业务风险预警机制不对称。贷后管理的最终目的是控制信贷风险,实现信贷资金良性循环。它客观上需要一种风险预警机制,该机制必须能够快速地进行揭示和响应。但是,在实际工作中,总行对个人信贷业务风险只设置了比较粗略的预警信号,只是列出了个人收入、个人投资负债、违法记录、抵押及抵押品流动变现性等指标。基层行对个贷开展的贷后风险预警管理中,常常面临着预警信号和管理指标的选择困境。因此,常常出现难以及时发现并主动掌握,最终迅速处理信用风险的情况。
贷中管理所创造的价值是信用管理整个过程的重要组成部分,其价值与售后经理所获得的回报是不对称的。个人信贷业务与公司信贷业务之间的显著区别是时间跨度长(特别是个人住房贷款,借款时间为20-30年),不确定因素很多,风险敞口滞后,并且随着时间的推移风险逐渐增加的可能性很大;同时,个人信贷业务涉及千家万户,人均管户量特别大。这就使得个人信贷业务管理存在巨大的难度,同时价值也巨大。但是由于没有有效的贷后管理激励机制,贷后管理人员得不到相应的奖励,工作的积极性和主动性可能不足。
贷中管理的科学化和现代化要求,以及银行信贷管理工具的使用和团队建设的不对称性。例如,在CMS系统中,无法查询个人贷款利息记录,因而相应的结构分析功能尚不可用。由于权限的设置,基层管理银行无法查询同一借款人在整个系统中是否还有其他借款行为,这些都严重制约着个人贷款的贷后管理质量的提高。特别是信贷团队的建设相对落后,人员的配备和素质的培养尚不能满足贷后管理的要求。
发明内容
本发明提供一种基于软件系统的贷中监控预警等级生成方法,用以解决贷后管理部门的职务分工和相应职责尚不明确,个贷开展的贷后风险预警管理中,常常面临着预警信号和管理指标的选择困境的情况。个人信贷业务涉及千家万户,人均管户量特别大。这就使得个人信贷业务管理存在巨大的难度。基层银行信贷团队的建设相对落后,人员的配备和素质的培养尚不能满足贷后管理的要求。
一种基于软件系统的贷中监控预警等级生成方法,其特征在于,包括:
获取客户信息数据;
根据所述客户信息数据,通过预设的软件系统获取客户的手机APP行为数据;
将所述手机APP行为数据进行预处理,确定所述客户的数据变量;
将所述数据变量通过逻辑回归算法进行建模,得到逻辑回归模型;
根据所述逻辑回归模型,确定客户的违约概率,并将所述违约概率转换为预警等级评分输出。
作为本发明的一种实施例:所述获取客户信息数据,包括:
接收信贷机构评级请求,确定请求信息;
根据所述请求信息,录入所述客户信息数据;其中,
所述客户信息数据包括客户的身份证号码、姓名、常用手机号码和贷款关联银行账户信息;
在录入所述客户信息数据时,通过预设的安全加密算法对所述客户信息数据进行加密。
作为本发明的一种实施例:所述安全加密算法通过以下步骤构建:
步骤1:获取客户信息,并构建客户的第一加密矩阵L:
其中,所述Tij表示第i类客户信息的第j个特征的特征参数;所述ξij表示第i类客户信息的第j个特征的噪声参数;所述Wij第i类客户信息的第j个特征的内容参数;所述n表示客户信息的类型数;i=1,2,3,……n;j=1,2,3,……m;
步骤2:根据所述客户信息,构建客户的解密参数C:
其中,所述Ci表示第i类客户信息的解密参数;所述pi表示第i类客户信息的解密概率;所述fi表示第i类客户信息字符长度;所述ki第i类客户信息的位置;所述ei表示预设的解密常数;
步骤3:根据所述第一加密矩阵和解密参数,构建安全加密算法模型H;
步骤4:将所述客户信息代入所述安全加密算法模型,构成安全加密算法。
作为本发明的一种实施例:所述根据所述客户信息数据,通过预设的软件系统获取客户的手机APP行为数据,包括:
接收信贷机构申请的客户的手机APP行为数据的申请信息,判断所述信贷结构是否为客户授权的机构;
当所述信贷机构为客户授权的机构时,将安全加密的客户手机号码和客户的身份证匹配信息发送至预设的大数据软件,并将所述安全加密的客户匹配信息发送至大数据供应商;
根据所述大数据供应商,获取所述客户的手机APP行为数据。
作为本发明的一种实施例:所述对所述手机APP行为数据进行预处理,确定所述客户的数据变量,包括:
步骤1:获取所述手机APP行为数据,确定任务属性和数据集属性;
步骤2:根据所述数据集属性,对所述手机APP行为数据进行去重,得到第一处理数据,并确定所述第一处理数据的缺失值;
步骤3:根据所述缺失值和预设的缺失值阈值,对所述第一处理数据进行删除或数据填补,得到第二处理数据;
步骤4:根据所述任务属性和数据集属性,对所述第二处理数据进行分类,确定每一类的第二处理数据的属性编码;
步骤5:根据预设的数据标准化和正则化范围,处理分类后的第二处理数据,确定标准化数据;
步骤6:根据预设的特征集合库,对所述标准化数据的数据特征进行处理,通过特征选择,确定与所述特征集合库中的数据特征相关的特征子集,得到选择数据;其中,
所述特征选择包括:过滤式选择、嵌入式选择、包裹式选择和嵌入式选择;
步骤7:将所述选择数据再次通过特征筛选,确定数据变量。
作为本发明的一种实施例:所述特征筛选包括以下步骤:
将所述选择数据通过QC检查,判断所述选择数据的合理性,确定合理数据的分布状况、唯一值和特殊值;
获取所述合理数据的已有变量,基于预设的衍生逻辑,衍生出符合构建模型的衍生变量后,进行衍生变量QC检查;
将所述合理数据通过击中率检查,基于所述合理数据和预设的击中逻辑的匹配程度,确定匹配数据;
将所述匹配数据通过带权重的QC检查、PSI检查和IV检查,确定所述匹配数据的异常值、PSI指标和IV值;
将所述匹配数据的异常值、PSI指标和IV值通过预设的异常值标准指标、PSI标准指标和IV值指标进行筛选,确定数据变量。
作为本发明的一种实施例:所述将所述数据变量通过逻辑回归算法进行建模,得到逻辑回归模型,包括:
步骤S1:获取数据变量,并进行初始化,确定逻辑回模型P(Y|X,θ):
P(Y|X,θ)=hθ(X)Y(1-hθ(X))(1-Y)
其中,所述X,Y为所述数据标量的维度,所述θ=(w,b)表示数据变量,所述b表示数据变量的常数;所述w表示数据变量特征;所述h表示条件概率参数θ转置与X相乘后的结果。
步骤S2:根据所述初始化后的数据变量,计算所述逻辑回归模型的预测结果A:
A=Y+dZ;
其中,所述Z为数据变量的维度;所述Y表示逻辑回归真实结果;所述d表示对变量Z求偏导数;
步骤S3:确定所述逻辑回归模型的损失函数J1(w,b):
J1(w,b)=-YTlogh(X)-(A-Y)Tlog(A-h(w,b)(X))
其中,所述A表示对逻辑回归的预测结果;所述T表示矩阵的转置;
步骤S4:优化所述损失函数,通过矩阵法优化所述损失函数J2(w,b):
J2(w,b)=-YT·logh(X)-(E-Y)T·log(A-h(w,b)(X))+a||(w,b)||1
其中,所述a表示正则项系数;
步骤S5:根据所述损失函数进行梯度求导,并更新所述w和b:
其中,所述m表示数据变量的个数;
步骤S6:重复迭代步骤S2~S5,得到最优的损失函数;
步骤S7:将所述损失函数代入逻辑回归模型,确定最终的逻辑回归模型。
作为本发明的一种实施例:所述根据所述逻辑回归模型,确定客户的违约概率,并将所述违约概率转换为预警等级评分输出,包括:
根据所述违约概率比,设定评分卡分值:SCORE=A-B×log(ODDS);
其中,所述A和B表示分度刻度;所述log(ODDS)=β0+β1X1+β2X2+……+βmXm;
根据所述评分卡分值,通过预设风险等级,确定预警等级,并生成评分报告输出。
作为本发明的一种实施例:所述生成评分报告输出包括:
基于所述预警等级,确定评分内容,并存入数据库;
根据所述评分内容,确定所述评分输出的唯一评分报告编号,并作为所述评分内容的主键;
根据所述主键和评分内容,生成所述评分日志;其中,
所述评分日志包括:评分报告编号、信贷机构编号、评分时间、输入数据签名、评分结果、黑名单结果、输出敏感数据签名;
根据所述评分日志,生成评分报告;
将所述评分报告进行加密,并将加密后的评分报告输出。
作为本发明的一种实施例:所述方法还包括:
获取调用的客户信息数据的数量,确定批量计算的数量;
根据所述批量计算的数量,确定调用的接口的数量;其中,
所述调用的接口存在预留线程接口,所述预留线程接口用于在进行批量计算时,进行实时计算客户的预警等级评分;
根据所述接口的数量,批量计算客户的预警等级评分。
本发明的有益效果在于:
对于信贷机构来说:本发明在帮助信贷机构获得一个高精准度、高覆盖的风险评级,评分预测力非常强大,对信贷机构的风险管理、扩大业务、尤其对无征信、薄征信、短征信人群做到普惠金融起到重要作用。帮助信贷机构获得了实时评分,使得自动化审批(秒批)成为可能。这也能增加客户体验,扩大业务规模。能有效帮助信贷机构成功实现不买卖、传输、交互、应用任何客户个人信息、或者任何数据信息,完全合法合规。帮助信贷机构减少接入多家数据源的运营压力,把有限的资源用在发展业务,而非做数据源管理、运营、大量底层原始数据的清理、数据源整合等等系列重资产的多种工作。对于大数据供应商来说:完美保护数据源永久性拥有其核心竞争力。他们任何的数据都不出厂、不被任何平台存储、不能被重复使用。可以帮助数据源不再通过买卖数据、输出原始变量数据、个人信息等来获得利润。而是通过加密后不可识别特定个人且不可复原的方式、通过对数据的洞察力(评分)而判断风险,开发及实现数据价值,完全合法合规。对于客户来说:完全消除了消费者数据安全隐患,所有匹配是MD5不可逆不可识别的,没有任何消费者的信息得到了输出。单一匹配键匹配也避免数据供应商将消费者手机及身份证信息留存下来。对于无征信、薄征信、短征信的消费者,能帮助他们的信贷需求得到更大的得以满足的可能,促进金融机构与消费者之间的金融包容、金融公平及金融创新。
本发明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,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。
在附图中:
图1为本发明实施例中一种基于软件系统的贷中监控预警等级生成方法的方法流程图;
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
如附图1所示的一种基于软件系统的贷中监控预警等级生成方法的方法流程图,包括:
步骤100:获取客户信息数据;信贷机构评级请求的输入客户信息数据包括个人身份证号码、姓名、常用手机号码、贷款关联银行账户内容等等。
步骤101:根据所述客户信息数据,通过预设的软件系统获取客户的手机APP行为数据;APP行为数据:也被称为交互数据,主要包含客户在网站和移动App中的浏览和点击行为,也包含客户在论坛上的言论行为。客户主动发起的言论行为数据应用较多,主要用于舆情监控和客户关系管理,也有的企业将客户言论数据用于产品反馈和迭代。App内部的点击和浏览数据商业应用较少,主要应用于产品体验分析、渠道管理、用户运营等方面。本发明基于手机APP行为数据的预警等级生成软件,即预设的软件系统,该软件主要用于通过大数据预警等级,实现全量授信存量客户贷中监控管理。具体实现的输出功能是,通过对存量客户进行大数据预警等级评级,协助银行实现合理对存量客户的合理催收和额度调整。会先后向多家数据合作伙伴请求信贷申请人的相关数据,按照约定的接口规范进行联机调用并获得结果数据。获得的数据同样将暂存在内存的数据结构中。
步骤102:将所述手机APP行为数据进行预处理,确定所述客户的数据变量;我们得到的供应商提供的手机APP行为数据会存在有缺失值、重复值等,在进入模型之前需要进行数据预处理。数据预处理没有一个统一的流程,根据不同的任务和数据集属性,会有不同的处理方式。
步骤103:将所述数据变量通过逻辑回归算法进行建模,得到逻辑回归模型;得到处理好的数据后,即得到数据变量后,就可以对处理好的数据集进行建模处理,我们这里使用的是逻辑回归算法进行建模。在通过我们的数据源数据训练出合适的模型后,我们就可以在这个模型的基础上对客户进行风险评级。
步骤104:根据所述逻辑回归模型,确定客户的违约概率,并将所述违约概率转换为预警等级评分输出。基于手机app行为数据的贷中监控预警等级生成软件的运营模式简单来说可以概括为,当金融机构在获得了客户充分授权的情况下,将加密的手机号码、加密的身份证匹配信息,通过专线或VPN连接,发送给大数据软件。软件收到此加密匹配信息后,随即将加密匹配信息发送给平台连接的多个大数据供应商合作伙伴。当大数据供应商合作伙伴收到子评分调用指令后,通过事先部署的逻辑计算出客户标签。此预警等级实时返回给发起调用的信贷机构。
本发明的有益效果在于:
对于信贷机构来说:本发明在帮助信贷机构获得一个高精准度、高覆盖的风险评级,评分预测力非常强大,对信贷机构的风险管理、扩大业务、尤其对无征信、薄征信、短征信人群做到普惠金融起到重要作用。帮助信贷机构获得了实时评分,使得自动化审批(秒批)成为可能。这也能增加客户体验,扩大业务规模。能有效帮助信贷机构成功实现不买卖、传输、交互、应用任何客户个人信息、或者任何数据信息,完全合法合规。帮助信贷机构减少接入多家数据源的运营压力,把有限的资源用在发展业务,而非做数据源管理、运营、大量底层原始数据的清理、数据源整合等等系列重资产的多种工作。对于大数据供应商来说:完美保护数据源永久性拥有其核心竞争力。他们任何的数据都不出厂、不被任何平台存储、不能被重复使用。可以帮助数据源不再通过买卖数据、输出原始变量数据、个人信息等来获得利润。而是通过加密后不可识别特定个人且不可复原的方式、通过对数据的洞察力(评分)而判断风险,开发及实现数据价值,完全合法合规。对于客户来说:完全消除了消费者数据安全隐患,所有匹配是MD5不可逆不可识别的,没有任何消费者的信息得到了输出。单一匹配键匹配也避免数据供应商将消费者手机及身份证信息留存下来。对于无征信、薄征信、短征信的消费者,能帮助他们的信贷需求得到更大的得以满足的可能,促进金融机构与消费者之间的金融包容、金融公平及金融创新。
实施例2:
作为本发明的一种实施例:所述获取客户信息数据,包括:
接收信贷机构评级请求,确定请求信息;
根据所述请求信息,录入所述客户信息数据;其中,
所述客户信息数据包括客户的身份证号码、姓名、常用手机号码和贷款关联银行账户信息;
在录入所述客户信息数据时,通过预设的安全加密算法对所述客户信息数据进行加密。
上述技术方案的原理和有益效果在于:为保证评分服务日志的调查跟踪,评分服务器只保存输入数据和输出数据中的敏感数据的安全加密算法后的数据。由于系统是无法从安全加密算法反算出原始数据项的,并且安全加密算法是多个动态数据项拼接之后的联合安全加密算法,数据也无法通过大量签名结果比对的方式破解。这样我们就实现了即可以对服务日志进行跟踪检查,又不保存个人隐私数据的要求,本发明的安全加密算法优选MD5加密算法。
所以,该预警等级生成软件的服务器所保存下来的只有用来进行费用处理和调查跟踪的评分交易数据。无论是信贷机构输入端数据还是数据合作伙伴的输出数据,没有任何个人敏感数据会保存下来。
实施例3:
作为本发明的一种实施例:所述安全加密算法通过以下步骤构建:
步骤1:获取客户信息,并构建客户的第一加密矩阵L:
其中,所述Tij表示第i类客户信息的第j个特征的特征参数;所述ξij表示第i类客户信息的第j个特征的噪声参数;所述Wij第i类客户信息的第j个特征的内容参数;所述n表示客户信息的类型数;i=1,2,3,……n;j=1,2,3,……m;
步骤2:根据所述客户信息,构建客户的解密参数C:
其中,所述Ci表示第i类客户信息的解密参数;所述pi表示第i类客户信息的解密概率;所述fi表示第i类客户信息字符长度;所述ki第i类客户信息的位置;所述ei表示预设的解密常数;
步骤3:根据所述第一加密矩阵和解密参数,构建安全加密算法模型H;
步骤4:将所述客户信息代入所述安全加密算法模型,构成安全加密算法。
本发明的安全加密算法是根据不同的客户分别进行不同的方式进行设计,本发明引入噪声参数,即:预先添加的非客户内容的噪声数据。通过噪声数据和客户信息数据,建立对角矩阵,实现数据加密。本发明的解密,基于引入客户信息数据特征的位置、字符串长度和解密的概率,实现定点的精准解密,而在加密时,加入的噪声参数也是,精准添加。本发明的解密参数和第一加密数据,通过安全加密算法模型,实现解密和加密的转换,安全加密算法模型中引入格式转换参数,实现加密使用的噪声和解密参数格式相同,实现解密和加密。但是在加密后或者解密后,又能以不同的格式进行展现,强化加密效果。在使用时,只需要将客户信息数据代入安全加密算法模型,就可以实现加密。
实施例4:
作为本发明的一种实施例:所述根据所述客户信息数据,通过预设的软件系统获取客户的手机APP行为数据,包括:
接收信贷机构申请的客户的手机APP行为数据的申请信息,判断所述信贷结构是否为客户授权的机构;
当所述信贷机构为客户授权的机构时,将安全加密的客户手机号码和客户的身份证匹配信息发送至预设的大数据软件,并将所述安全加密的客户匹配信息发送至大数据供应商;
根据所述大数据供应商,获取所述客户的手机APP行为数据。
上述技术方案的原理和有益效果在于:本发明的信贷机构想要获取客户的手机APP行为数据,需要客户进行预先确认,只有在客户授权的机构才能进行数据获取,用以保护客户的隐私。而大数据供应商为金融机构或信贷机构。本发明也可以根据客户的授权情况,基于app行为数据的贷中监控预警等级计算软件要具有多种信息安全控制机制,可提供集中管理的安全控制机制和权限继承机制,使得不同用户根据角色,即:不同的大数据供应商,对信息拥有不同的访问权限。相对应的权限,具有相对应的业务功能
实施例6:
作为本发明的一种实施例:所述对所述手机APP行为数据进行预处理,确定所述客户的数据变量,包括:
步骤1:获取所述手机APP行为数据,确定任务属性和数据集属性;
步骤2:根据所述数据集属性,对所述手机APP行为数据进行去重,得到第一处理数据,并确定所述第一处理数据的缺失值;
步骤3:根据所述缺失值和预设的缺失值阈值,对所述第一处理数据进行删除或数据填补,得到第二处理数据;缺失值处理:缺失值是指粗糙数据中由于缺少信息而造成的数据的聚类、分组、删失或截断。它指的是现有数据集中某个或某些属性的值是不完全的。通常对其进行删除或者填补操作。
本发明的缺失值处理具有三种方法:直接使用带有缺失值的数据;删除含有缺失值的特征;缺失值补全。常见的缺失值补全方法有分为:均值插补、同类均值插补、建模预测。其中,均值插补指:如果样本属性的距离是可度量的,则使用该属性有效值的平均值来插补缺失的值;同类均值插补简单来说指的是首先将样本进行分类,然后以该类中样本的均值来插补缺失值。建模预测指的是将缺失的属性作为预测目标来预测,将数据集按照是否含有特定属性的缺失值分为两类,利用现有的机器学习算法对待预测数据集的缺失值进行预测。
步骤4:根据所述任务属性和数据集属性,对所述第二处理数据进行分类,确定每一类的第二处理数据的属性编码;本发明的属性编码主要有以下几种方式:特征二元化,独热编码。特征二元化的过程是将数值型的属性转换为布尔值的属性,设定一个阈值作为划分属性值为0和1的分隔点。独热编码:独热编码采用N位状态寄存器来对N个可能的取值进行编码,每个状态都由独立的寄存器来表示,并且在任意时刻只有其中一位有效。
步骤5:根据预设的数据标准化和正则化范围,处理分类后的第二处理数据,确定标准化数据;本发明的数据标准化和正则化是将样本的属性缩放到某个指定的范围。可以消除样本不同属性具有不同量级时的影响:①数量级的差异将导致量级较大的属性占据主导地位;②数量级的差异将导致迭代收敛速度减慢;③依赖于样本距离的算法对于数据的数量级非常敏感。
步骤6:根据预设的特征集合库,对所述标准化数据的数据特征进行处理,通过特征选择,确定与所述特征集合库中的数据特征相关的特征子集,得到选择数据;其中,
所述特征选择包括:过滤式选择、嵌入式选择、包裹式选择和嵌入式选择;本发明从给定的特征集合中选出相关特征子集的过程称为特征选择。进行特征选择的一个要点是能确保不丢失重要特征。特征选择主要有三类:过滤式(filter)、包裹式(wrapper)、嵌入式(embedding)。过滤式选择:该方法先对数据集进行特征选择,然后再训练学习器。特征选择过程与后续学习器无关。包裹式选择:该方法直接把最终将要使用的学习器的性能作为特征子集的评价原则。通常包裹式特征选择比过滤式特征选择更好,但是也有缺点,也就是由于特征选择过程需要多次训练学习器,所以开销要比过滤式特征选择要大得多。嵌入式选择,也可以理解为降维,常见的降维方法:SVD、PCA、LDA。
步骤7:将所述选择数据再次通过特征筛选,确定数据变量。
上述技术方案的有益效果在于:本发明通过对数据预处理,能够去除手机APP行为数据中的无关数据,防止因为无关数据太多,导致出现错误预警。通常原始数据中的有些特征是无法直接被模型识别的,本发明将这些特征转换为数学模型能够识别的形式。我们使用特征二元化或独热编码进行分类变量处理。本发明的数据的标准化(normalization)是将数据按比例缩放,使之落入一个小的特定区间。便于不同单位或量级的指标能够进行比较和加权。
实施例7:
作为本发明的一种实施例:所述特征筛选包括以下步骤:
将所述选择数据通过QC检查,判断所述选择数据的合理性,确定合理数据的分布状况、唯一值和特殊值;QC检查主要检查数据是否合理,以便决定是否使用此类数据或使用哪些变量,主要检查每个变量的分布情况,唯一值,特殊值的具体含义等。
获取所述合理数据的已有变量,基于预设的衍生逻辑,衍生出符合构建模型的衍生变量后,进行衍生变量QC检查;
将所述合理数据通过击中率检查,基于所述合理数据和预设的击中逻辑的匹配程度,确定匹配数据;击中率检查:对数据源与客户数据按照特定的击中逻辑进行匹配以检查匹配度以及击中数据的捉黑能力等。
将所述匹配数据通过带权重的QC检查、PSI检查和IV检查,确定所述匹配数据的异常值、PSI指标和IV值;带上权重的qc检查,根据业务逻辑检查变量的异常值分布,有效值分布,风险趋势变化等,同时对于变量相互之间的关系进行数据检查。PSI是模型稳定性指标,用于检查数据变量的稳定性以决定入模变量;IV是变量所含信息量指标,用于检查变量对于预警等级计算模型所需信息的贡献情况,以筛选最具解释性的变量。
将所述匹配数据的异常值、PSI指标和IV值通过预设的异常值标准指标、PSI标准指标和IV值指标进行筛选,确定数据变量。在一个实施例中,本发明主要保留异常值占比小于95%,PSI指标大于0.25,且IV值大于0.01的指标,并根据业务逻辑增加适当变量用于入模。以筛选出对预警等级评级结果最具有解释性的变量。
实施例8:
作为本发明的一种实施例:所述将所述数据变量通过逻辑回归算法进行建模,得到逻辑回归模型,包括:
步骤S1:获取数据变量,并进行初始化,确定逻辑回模型P(Y|X,θ):
P(Y|X,θ)=hθ(X)Y(1-hθ(X))(1-Y)
其中,所述X,Y为所述数据标量的维度,所述θ=(w,b)表示数据变量,所述b表示数据变量的常数;所述w表示数据变量特征;所述h表示条件概率参数θ转置与X相乘后的结果
步骤S2:根据所述初始化后的数据变量,计算所述逻辑回归模型的预测结果A:
A=Y+dZ;
其中,所述Z为数据变量的维度;所述Y表示逻辑回归真实结果;所述d表示对变量Z求偏导数;
步骤S3:确定所述逻辑回归模型的损失函数J1(w,b):
J1(w,b)=-YTlog h(X)-(A-Y)Tlog(A-h(w,b)(X))
其中,所述A表示对逻辑回归的预测结果;所述T表示矩阵的转置;
步骤S4:优化所述损失函数,通过矩阵法优化所述损失函数J2(w,b):
J2(w,b)=-YT·log h(X)-(E-Y)T·log(A-h(w,b)(X))+a||(w,b)||1
其中,所述a表示正则项系数;对于二元逻辑回归的损失函数极小化,有比较多的方法,最常见的有梯度下降法,坐标轴下降法,等牛顿法等。这里参考梯度下降法,由于代数法推导比较的繁琐,我习惯于用矩阵法来做损失函数的优化过程,这里给出矩阵法推导二元逻辑回归梯度的过程。
步骤S5:根据所述损失函数进行梯度求导,并更新所述w和b:
其中,所述m表示数据变量的个数;
步骤S6:重复迭代步骤S2~S5,得到最优的损失函数;
步骤S7:将所述损失函数代入逻辑回归模型,确定最终的逻辑回归模型。
本发明的有益效果在于:本发明通过训练得到最优化的逻辑回归算法模型,就可以用来对客户进行判别与评价返回预警等级分数。
作为本发明的一种实施例:所述根据所述逻辑回归模型,确定客户的违约概率,并将所述违约概率转换为预警等级评分输出,包括:
根据所述违约概率比,设定评分卡分值:SCORE=A-B×log(ODDS);
其中,所述A和B表示分度刻度;所述log(ODDS)=β0+β1X1+β2X2+……+βmXm;
根据所述评分卡分值,通过预设风险等级,确定预警等级,并生成评分报告输出。通过以上方式我们就可以通过模型计算出的概率进一步得到评分,并将此评分进一步转换成预警等级评分输出。本发明得预警等级生成方法,也可以实现批量评分。
上述技术方案的原理在于:具体实现的输出功能是,通过对存量客户进行大数据预警等级评级,协助银行实现合理对存量客户的合理催收,和额度调整。其中合理催收是在贷中阶段实现对银行的贷后催收的科技赋能。得到银行提供的白名单客户名单后,通过预警等级在被断为白客户的客群中寻找出被误判为好人的坏人,金融机构可以根据这个评级来确定客户的赊账风险,以采取更为合理的催收措施。
额度调整:在贷后,金融机构需要对全部客户进行下一次的额度调整时,可以通过利用预警等级计算出全部客户的风险状况。通过这个预警等级参考,来实现更为合理的额度调整。
预警等级的等级分为A,B,C,D,E,1,2共7个风险等级,以及F,G可扩展等级(客户可自行决定是否需要的2个风险等级)
A为最高预警等级,B为次高,以此类推到G等级,1和2等级是由黑名单产生,不参与A-G的排序,他们的风险特征居中(可类比D和E)。
实施例9:
作为本发明的一种实施例:所述生成评分报告输出包括:
基于所述预警等级,确定评分内容,并存入数据库;
根据所述评分内容,确定所述评分输出的唯一评分报告编号,并作为所述评分内容的主键;
根据所述主键和评分内容,生成所述评分日志;其中,
所述评分日志包括:评分报告编号、信贷机构编号、评分时间、输入数据签名、评分结果、黑名单结果、输出敏感数据签名;
根据所述评分日志,生成评分报告;
将所述评分报告进行加密,并将加密后的评分报告输出。
上述技术方案的原理和有益效果在于:本发明最终的评分报告在加密后输出,信贷机构进一步加强了对客户隐私信息的保护。唯一评分报告编号方便对客户的信息进行分类确认。评分日志包括评分报告编号、信贷机构编号、评分时间、输入数据签名、评分结果、黑名单结果、输出敏感数据签名也加强了评分报告的全面性。
实施例10:
作为本发明的一种实施例:所述方法还包括:
获取调用的客户信息数据的数量,确定批量计算的数量;
根据所述批量计算的数量,确定调用的接口的数量;其中,
所述调用的接口存在预留线程接口,所述预留线程接口用于在进行批量计算时,进行实时计算客户的预警等级评分;
根据所述接口的数量,实时批量计算客户的预警等级评分。
在一个实施例中:批量评分计算引擎采用联机评分计算引擎相同的技术架构和调用接口,并且部署在同一台机器上。考虑到网卡和计算资源的竞争,批量评分采用使用不同的网卡(IP地址不同于联机评分),并且限制批量评分的引擎数量,避免严重影响联机评分。
考虑到批量性能的要求,在采用联机调用接口时,一次可以传送多条请求数据,目前暂定最大100条。数据使用换行符分隔,也就是每行一条数据,一条完整的数据中不要有换行符。
考虑到在批量评分调用时会同时有客户的实时评分请求,为避免批量评分用尽CPU资源,因此评分服务端会限制批量服务的线程数量。初步设置限制为6个。这样批量请求同时连接数不要超过6个。
本发明得数据源批量评分包括以下计算逻辑:
批量评分计算程序根据配置读取工作目录下的输入数据文件,然后循环每个文件进行以下处理:(建议每个文件使用一个独立的线程进行处理,同时不要超过6个工作线程)
读取文件名称String fileName;
对文件名称字符串使用String[]s=fileName.split(“_”)
提取数据源类型String dataSource=s[2]
提取交易编号String transid=s[3]
新建OUTPUT_s[1]_s[2]_s[3].csv的结果文件
根据数据源类型调用相关数据提数接口,循环读取输入文件中的客户匹配键数据,一次最多读取100条数据。然后对这100条数据生成评分系统调用的报文,调用评分系统批量评分接口。
使用评分系统接口返回的数据,循环每一行,和请求的100条数据对应的客户匹配键合并生成评分结果。没有匹配到数据的跳过。
结果写入文件。
在一个实施例中:本发明的系统仅仅收到从数据供应商处返回的子评分、原因码,并不收集、存储或返回任何一条数据。大数据供应商的所有原始数据及衍生数据,全部都在供应商厂址,任何数据不发送出厂址、或在流程中被传输出或留存。这对于大数据供应商来说,极大的保护了他们的数据核心竞争力,也确保了数据安全合规性。他们的数据从不出厂,返回的仅仅是通过数据算出的子评分。
从金融机构发起评分调用,到收到子评分、原因码,此流程通常毫秒级结束。每当此流程结束,云平台上收集的调用评分匹配信息(加密的手机、身份证)及各个数据源的子评分、评分原因码等全部自动清除、删掉。严格做到数据不存储、不留痕,平台不存储任何数据,即使是加密、不可逆不可识别的手机和身份证,或者是没有任何原始数据的评分。全程云平台与金融机构交互的只是基于大数据供应商数据的洞察力(评分),相当于一个空中计算器。客户信息完全得以保护,不留存、不可逆、不可识别个人。
另外,在评分调用的时候,虽然信贷机构提供了加密的手机及身份证,但是云平台发送给连接的每家大数据供应商伙伴的匹配键只有一个,加密的手机或身份证。这样就可以完全杜绝大数据供应商可以通过调用诉求,将消费者的手机和身份证进行匹配并留存,保护消费者隐私。此外,大数据供应商获得子评分调用需求时,只收到一个加密的匹配键,不知道是哪一个金融机构在调用,以及调用的目的。因此这对金融机构也起到了进一步保护作用。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于软件系统的贷中监控预警等级生成方法,其特征在于,包括:
获取客户信息数据;
根据所述客户信息数据,通过预设的软件系统获取客户的手机APP行为数据;
将所述手机APP行为数据进行预处理,确定所述客户的数据变量;
将所述数据变量通过逻辑回归算法进行建模,得到逻辑回归模型;
根据所述逻辑回归模型,确定客户的违约概率,并将所述违约概率转换为预警等级评分输出。
2.根据权利要求1所述的一种基于软件系统的贷中监控预警等级生成方法,其特征在于,所述获取客户信息数据,包括:
接收信贷机构评级请求,确定请求信息;
根据所述请求信息,录入所述客户信息数据;其中,
所述客户信息数据包括客户的身份证号码、姓名、常用手机号码和贷款关联银行账户信息;
在录入所述客户信息数据时,通过预设的安全加密算法对所述客户信息数据进行加密。
3.根据权利要求1所述的一种基于软件系统的贷中监控预警等级生成方法,其特征在于,所述安全加密算法通过以下步骤构建:
步骤1:获取客户信息,并构建客户的第一加密矩阵L:
其中,所述Tij表示第i类客户信息的第j个特征的特征参数;所述ξij表示第i类客户信息的第j个特征的噪声参数;所述Wij第i类客户信息的第j个特征的内容参数;所述n表示客户信息的类型数;i=1,2,3,…n;j=1,2,3,…m;
步骤2:根据所述客户信息,构建客户的解密参数C:
其中,所述Ci表示第i类客户信息的解密参数;所述pi表示第i类客户信息的解密概率;所述fi表示第i类客户信息字符长度;所述ki第i类客户信息的位置;所述ei表示预设的解密常数;
步骤3:根据所述第一加密矩阵和解密参数,构建安全加密算法模型H;
步骤4:将所述客户信息代入所述安全加密算法模型,构成安全加密算法。
4.根据权利要求1所述的一种基于软件系统的贷中监控预警等级生成方法,其特征在于,所述根据所述客户信息数据,通过预设的软件系统获取客户的手机APP行为数据,包括:
接收信贷机构申请的客户的手机APP行为数据的申请信息,判断所述信贷结构是否为客户授权的机构;
当所述信贷机构为客户授权的机构时,将安全加密的客户手机号码和客户的身份证匹配信息发送至预设的大数据软件,并将所述安全加密的客户匹配信息发送至大数据供应商;
根据所述大数据供应商,获取所述客户的手机APP行为数据。
5.根据权利要求1所述的一种基于软件系统的贷中监控预警等级生成方法,其特征在于,所述对所述手机APP行为数据进行预处理,确定所述客户的数据变量,包括:
步骤1:获取所述手机APP行为数据,确定任务属性和数据集属性;
步骤2:根据所述数据集属性,对所述手机APP行为数据进行去重,得到第一处理数据,并确定所述第一处理数据的缺失值;
步骤3:根据所述缺失值和预设的缺失值阈值,对所述第一处理数据进行删除或数据填补,得到第二处理数据;
步骤4:根据所述任务属性和数据集属性,对所述第二处理数据进行分类,确定每一类的第二处理数据的属性编码;
步骤5:根据预设的数据标准化、归一化和正则化范围,处理分类后的第二处理数据,确定标准化数据;
步骤6:根据预设的特征集合库,对所述标准化数据的数据特征进行处理,通过特征选择,确定与所述特征集合库中的数据特征相关的特征子集,得到选择数据;其中,
所述特征选择包括:过滤式选择、嵌入式选择、包裹式选择和嵌入式选择;
步骤7:将所述选择数据再次通过特征筛选,确定数据变量。
6.根据权利要求4所述的一种基于软件系统的贷中监控预警等级生成方法,其特征在于,所述特征筛选包括以下步骤:
将所述选择数据通过QC检查,判断所述选择数据的合理性,确定合理数据的分布状况、唯一值和特殊值;
获取所述合理数据的已有变量,基于预设的衍生逻辑,衍生出符合构建模型的衍生变量后,对衍生变量进行QC检查;
将所述合理数据通过击中率检查,基于所述合理数据和预设的击中逻辑的匹配程度,确定匹配数据;
将所述匹配数据通过带权重的QC检查、PSI检查和IV检查,确定所述匹配数据的异常值、PSI指标和IV值;
将所述匹配数据的异常值、PSI指标和IV值通过预设的异常值标准指标、PSI标准指标和IV值指标进行筛选,确定数据变量。
7.根据权利要求1所述的一种基于软件系统的贷中监控预警等级生成方法,其特征在于,所述将所述数据变量通过逻辑回归算法进行建模,得到逻辑回归模型,包括:
步骤S1:获取数据变量,并进行初始化,确定逻辑回模型P(Y|X,θ):
P(Y|X,θ)=hθ(X)Y(1-hθ(X))(1-Y)
其中,所述X,Y为所述数据标量的维度,所述θ=(w,b)表示数据变量,所述b表示数据变量的常数;所述w表示数据变量特征;所述h表示条件概率参数θ转置与X相乘后的结果。
步骤S2:根据所述初始化后的数据变量,计算所述逻辑回归模型的预测结果A:
A=Y+dZ;
其中,所述Z为数据变量的维度;所述Y表示逻辑回归真实结果;所述d表示对变量Z求偏导数;
步骤S3:确定所述逻辑回归模型的损失函数J1(w,b):
J1(w,b)=-YTlog h(X)-(A-Y)Tlog(A-h(w,b)(X))
其中,所述A表示对逻辑回归的预测结果;所述T表示矩阵的转置;
步骤S4:优化所述损失函数,通过矩阵法优化所述损失函数J2(w,b):
J2(w,b)=-YT·logh(X)-(E-Y)T·log(A-h(w,b)(X))+a||(w,b)||1
其中,所述a表示正则项系数;
步骤S5:根据所述损失函数进行梯度求导,并更新所述w和b:
其中,所述m表示数据变量的个数;
步骤S6:重复迭代步骤S2~S5,得到最优的损失函数;
步骤S7:将所述损失函数代入逻辑回归模型,确定最终的逻辑回归模型。
9.根据权利要求8所述的一种基于软件系统的贷中监控预警等级生成方法,其特征在于,所述生成评分报告输出包括:
基于所述预警等级,确定评分内容,并存入数据库;
根据所述评分内容,确定所述评分输出的唯一评分报告编号,并作为所述评分内容的主键;
根据所述主键和评分内容,生成所述评分日志;其中,
所述评分日志包括:评分报告编号、信贷机构编号、评分时间、输入数据签名、评分结果、黑名单结果、输出敏感数据签名;
根据所述评分日志,生成评分报告;
将所述评分报告进行加密,并将加密后的评分报告输出。
10.根据权利要求1所述的一种基于软件系统的贷中监控预警等级生成方法,其特征在于,所述方法还包括:
获取调用的客户信息数据的数量,确定批量计算的数量;
根据所述批量计算的数量,确定调用的接口的数量;其中,
所述调用的接口存在预留线程接口,所述预留线程接口用于在进行批量计算时,进行实时计算客户的预警等级评分;
根据所述接口的数量,实时批量计算客户的预警等级评分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010719468.1A CN111861716B (zh) | 2020-07-23 | 2020-07-23 | 一种基于软件系统的贷中监控预警等级生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010719468.1A CN111861716B (zh) | 2020-07-23 | 2020-07-23 | 一种基于软件系统的贷中监控预警等级生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111861716A true CN111861716A (zh) | 2020-10-30 |
CN111861716B CN111861716B (zh) | 2021-06-22 |
Family
ID=72949979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010719468.1A Active CN111861716B (zh) | 2020-07-23 | 2020-07-23 | 一种基于软件系统的贷中监控预警等级生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861716B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113327159A (zh) * | 2021-04-23 | 2021-08-31 | 福建省农村信用社联合社 | 一种银行端助贷交易系统及其方法 |
CN113345080A (zh) * | 2021-06-22 | 2021-09-03 | 郑州信源信息技术股份有限公司 | 一种供应商画像建模方法及系统 |
CN113516547A (zh) * | 2021-04-23 | 2021-10-19 | 武汉赢联数据技术股份有限公司 | 一种语音播报式分级信用卡客户风险预警系统 |
CN117495174A (zh) * | 2023-11-03 | 2024-02-02 | 睿智合创(北京)科技有限公司 | 一种评分卡模型的前台数据监控方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101470887A (zh) * | 2007-12-24 | 2009-07-01 | 阿里巴巴集团控股有限公司 | 一种贷中预警系统及方法 |
US20110238581A1 (en) * | 2010-03-29 | 2011-09-29 | Verne Severson | Secure electronic cash-less payment systems and methods |
US20160191236A1 (en) * | 2014-12-31 | 2016-06-30 | Sergey Smirnoff | Hybrid integration of software development kit with secure execution environment |
CN106131018A (zh) * | 2016-07-13 | 2016-11-16 | 杨林 | 一种基于网络安全的医患信息管理系统 |
CN107332844A (zh) * | 2017-07-03 | 2017-11-07 | 上海路诚数据服务有限公司 | 隐私信息使用方法和个人征信评分方法 |
CN109214915A (zh) * | 2018-09-06 | 2019-01-15 | 江西汉辰金融科技集团有限公司 | 贷中风险评分方法、系统及计算机可读存储介质 |
CN109344998A (zh) * | 2018-09-06 | 2019-02-15 | 盈盈(杭州)网络技术有限公司 | 一种基于医疗美容场景的客户违约概率预测方法 |
CN110719158A (zh) * | 2019-09-11 | 2020-01-21 | 南京航空航天大学 | 基于联合学习的边缘计算隐私保护系统及保护方法 |
CN111064558A (zh) * | 2020-01-09 | 2020-04-24 | 浙江理工大学 | 一种基于云计算的同态加密矩阵连乘安全外包方法 |
CN111131335A (zh) * | 2020-03-30 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 基于人工智能的网络安全防护方法、装置、电子设备 |
CN111324862A (zh) * | 2020-02-10 | 2020-06-23 | 深圳华策辉弘科技有限公司 | 贷中行为监控的方法及系统 |
CN111386514A (zh) * | 2017-11-27 | 2020-07-07 | 诺克诺克实验公司 | 扩展安全密钥存储以用于交易确认和加密货币 |
CN111429992A (zh) * | 2020-02-25 | 2020-07-17 | 广州七乐康药业连锁有限公司 | 一种基于医疗特征数据监测的智能化用药预警方法及系统 |
-
2020
- 2020-07-23 CN CN202010719468.1A patent/CN111861716B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101470887A (zh) * | 2007-12-24 | 2009-07-01 | 阿里巴巴集团控股有限公司 | 一种贷中预警系统及方法 |
US20110238581A1 (en) * | 2010-03-29 | 2011-09-29 | Verne Severson | Secure electronic cash-less payment systems and methods |
US20160191236A1 (en) * | 2014-12-31 | 2016-06-30 | Sergey Smirnoff | Hybrid integration of software development kit with secure execution environment |
CN106131018A (zh) * | 2016-07-13 | 2016-11-16 | 杨林 | 一种基于网络安全的医患信息管理系统 |
CN107332844A (zh) * | 2017-07-03 | 2017-11-07 | 上海路诚数据服务有限公司 | 隐私信息使用方法和个人征信评分方法 |
CN111386514A (zh) * | 2017-11-27 | 2020-07-07 | 诺克诺克实验公司 | 扩展安全密钥存储以用于交易确认和加密货币 |
CN109344998A (zh) * | 2018-09-06 | 2019-02-15 | 盈盈(杭州)网络技术有限公司 | 一种基于医疗美容场景的客户违约概率预测方法 |
CN109214915A (zh) * | 2018-09-06 | 2019-01-15 | 江西汉辰金融科技集团有限公司 | 贷中风险评分方法、系统及计算机可读存储介质 |
CN110719158A (zh) * | 2019-09-11 | 2020-01-21 | 南京航空航天大学 | 基于联合学习的边缘计算隐私保护系统及保护方法 |
CN111064558A (zh) * | 2020-01-09 | 2020-04-24 | 浙江理工大学 | 一种基于云计算的同态加密矩阵连乘安全外包方法 |
CN111324862A (zh) * | 2020-02-10 | 2020-06-23 | 深圳华策辉弘科技有限公司 | 贷中行为监控的方法及系统 |
CN111429992A (zh) * | 2020-02-25 | 2020-07-17 | 广州七乐康药业连锁有限公司 | 一种基于医疗特征数据监测的智能化用药预警方法及系统 |
CN111131335A (zh) * | 2020-03-30 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 基于人工智能的网络安全防护方法、装置、电子设备 |
Non-Patent Citations (1)
Title |
---|
李宗育等: "同态加密技术及其在云计算隐私保护中的应用", 《软件学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113327159A (zh) * | 2021-04-23 | 2021-08-31 | 福建省农村信用社联合社 | 一种银行端助贷交易系统及其方法 |
CN113516547A (zh) * | 2021-04-23 | 2021-10-19 | 武汉赢联数据技术股份有限公司 | 一种语音播报式分级信用卡客户风险预警系统 |
CN113516547B (zh) * | 2021-04-23 | 2023-10-03 | 武汉赢联数据技术股份有限公司 | 一种语音播报式分级信用卡客户风险预警系统 |
CN113345080A (zh) * | 2021-06-22 | 2021-09-03 | 郑州信源信息技术股份有限公司 | 一种供应商画像建模方法及系统 |
CN117495174A (zh) * | 2023-11-03 | 2024-02-02 | 睿智合创(北京)科技有限公司 | 一种评分卡模型的前台数据监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111861716B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111861716B (zh) | 一种基于软件系统的贷中监控预警等级生成方法 | |
An et al. | Initial coin offerings and entrepreneurial finance: the role of founders’ characteristics | |
US20020046053A1 (en) | Web based risk management system and method | |
CN111861174B (zh) | 一种针对用户画像的信用评估方法 | |
CN114265967B (zh) | 一种敏感数据安全等级标注方法及装置 | |
Rashedi et al. | How influence the accounting information systems quality of internal control on financial reporting quality | |
CN112419030B (zh) | 财务舞弊风险评估的方法、系统及设备 | |
CN114186275A (zh) | 隐私保护方法、装置、计算机设备及存储介质 | |
CN115545709A (zh) | 配资异常交易识别方法及装置 | |
US11775522B2 (en) | Surrogate data generation of private data | |
KR20120032606A (ko) | 증권투자고객 참여 가능 증권투자 시스템 및 그 방법 | |
Mitrovic | Adapting of international practices of using business-intelligence to the economic analysis in Russia | |
CN111415067A (zh) | 企业及个人信用评级系统 | |
CN113034275B (zh) | 一种基于区块链网络的管理系统、方法及终端设备 | |
CN115564591A (zh) | 一种融资产品的确定方法及相关设备 | |
CN115423601A (zh) | 一种线上贷产品设计方法及装置 | |
CN115358894A (zh) | 一种知识产权生命周期托管管理方法、装置、设备及介质 | |
CN112712270B (zh) | 信息处理方法、装置、设备及存储介质 | |
CN115393036A (zh) | 基于贷后预警模型的贷后预警平台及方法 | |
US20210295434A1 (en) | Platform for research, analysis, and communications compliance of investment data | |
CN114048330A (zh) | 风险传导概率知识图谱生成方法、装置、设备及存储介质 | |
Akinadewo et al. | In what way does blockchain technology tie with the efficacy of accounting practice in Nigerian accounting firms? | |
CN116051296B (zh) | 基于标准化保险数据的客户评价分析方法及系统 | |
CN114022166B (zh) | 一种信息处理方法、装置、计算机设备及存储介质 | |
KR100862093B1 (ko) | 컴퓨터 통신망에서의 감정 및 경매 시스템과 그 운용 방법 |
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 |