CN112163861A - 交易风险要素特征提取方法及装置 - Google Patents
交易风险要素特征提取方法及装置 Download PDFInfo
- Publication number
- CN112163861A CN112163861A CN202011046671.3A CN202011046671A CN112163861A CN 112163861 A CN112163861 A CN 112163861A CN 202011046671 A CN202011046671 A CN 202011046671A CN 112163861 A CN112163861 A CN 112163861A
- Authority
- CN
- China
- Prior art keywords
- risk
- sample
- transaction
- characteristic
- transaction risk
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
Abstract
本申请提供一种交易风险要素特征提取方法及装置,所述方法包括:根据预先获取的风险要素特征筛选出风险要素特征集合;根据所述风险要素特征集合及预先生成的风险评估标签将交易历史数据转换为样本数据,所述风险评估标签与所述样本数据中的各交易风险样本一一对应;对经模糊处理后的所述样本数据进行风险要素特征相关性分析及风险要素特征冗余分析,根据分析结果得到所述样本数据对应的最优特征子集及所述样本数据中各所述风险要素特征的特征权重。本申请能够针对交易过程中的各类风险要素特征,对风险要素特征进行相关性分析及冗余分析,根据分析结果进行交易风险要素特征提取。
Description
技术领域
本申请涉及人工智能技术领域,具体是一种交易风险要素特征提取方法及装置。
背景技术
随着我国经济结构的转型升级,债券市场不断发展,开放程度逐步加大,债券市场风险不断积累,各种对投资交易过程中信用风险及市场风险的计量分析工具不断涌现。
在信用风险领域,出现了基于KMV(Credit monitor model)的对企业债的信用风险领域的研究,以及运用Knight不确定性对政府债券信用风险的研究。在市场风险领域,出现了基于条件风险价值(Conditional value at risk,CVar)对债券回购市场利率进行风险度量的方法,以及利用久期衡量利率风险的方法。这些研究及方法的共同特点都是针对一类债券交易中的某种特定风险要素进行风险计量分析,并仅适用于特定的债券种类。然而,在实际应用场景中,投资交易风险要素特征繁多,这些要素包括交易员、债券评级、成交金额、债券发行人评级、持有目标、债券分类等。单一考虑某一类风险要素无法综合计量分析债券投资交易风险,现有的这些计量工具及方法缺乏综合性,计量模型缺乏统一的评价标准,通用性不强。
此外,在债券投资交易过程中,交易员也会凭借个人经验及历史数据通过对一系列交易风险要素特征开展分析并对交易做出整体风险评估,人为得出评估结果,缺乏客观性及准确性。
由此可见,现有的计量工具及方法难以对投资交易风险进行全面地评估,未能充分考虑交易过程中各类风险要素特征,无法形成一套实用性强的风险评估特征体系。
发明内容
针对现有技术中的问题,本申请提供一种交易风险要素特征提取方法及装置,能够针对交易过程中的各类风险要素特征,对风险要素特征进行相关性分析及冗余分析,根据分析结果进行交易风险要素特征提取。
为解决上述技术问题,本申请提供以下技术方案:
第一方面,本申请提供一种交易风险要素特征提取方法,包括:
根据预先获取的风险要素特征筛选出风险要素特征集合;
根据所述风险要素特征集合及预先生成的风险评估标签将交易历史数据转换为样本数据,所述风险评估标签与所述样本数据中的各交易风险样本一一对应;
对经模糊处理后的所述样本数据进行风险要素特征相关性分析及风险要素特征冗余分析,根据分析结果得到所述样本数据对应的最优特征子集及所述样本数据中各所述风险要素特征的特征权重。
进一步地,预先生成风险评估标签包括:
获取所述样本数据中的各所述交易风险样本对应的评分值,所述评分值由客户端根据所述交易历史数据获得;
根据所述评分值得到所述样本数据中的各所述交易风险样本对应的风险评估标签。
进一步地,对所述样本数据进行模糊处理包括:
计算所述样本数据中各所述风险要素特征的最大特征值及最小特征值;
根据所述最大特征值及最小特征值计算所述样本数据中的各所述交易风险样本对应的各所述风险要素特征的特征值,得到模糊处理后的所述样本数据。
进一步地,对所述样本数据进行风险要素特征相关性分析包括:
从经模糊处理后的所述样本数据中抽取k次交易风险样本;其中,k为交易风险样本数量的两倍;
针对每一被抽取到的交易风险样本,在与该交易风险样本分属不同的风险评估标签的各所述交易风险样本中筛选被抽取到的交易风险样本对应的邻近差异样本。
进一步地,对所述样本数据进行风险要素特征冗余分析包括:
从经模糊处理后的所述样本数据中抽取k次交易风险样本;其中,k为交易风险样本数量的两倍;
针对每一被抽取到的交易风险样本,在与该交易风险样本同属相同的风险评估标签的各所述交易风险样本中筛选被抽取到的交易风险样本对应的最近一致性样本。
进一步地,根据分析结果得到所述样本数据对应的最优特征子集及所述样本数据中各所述风险要素特征的特征权重包括:
计算每一所述交易风险样本与其对应的最近一致性样本之间在各所述风险要素特征上的第一马氏距离;
计算每一所述交易风险样本与其对应的邻近差异样本之间在各所述风险要素特征上的第二马氏距离;
根据所述第一马氏距离及所述第二马氏距离计算各所述风险要素特征的特征权重;
将所述特征权重大于1的所述风险要素特征纳入所述最优特征子集。
第二方面,本申请提供一种交易风险要素特征提取装置,包括:
筛选单元,用于根据预先获取的风险要素特征筛选出风险要素特征集合;
转换单元,用于根据所述风险要素特征集合及预先生成的风险评估标签将交易历史数据转换为样本数据,所述风险评估标签与所述样本数据中的各交易风险样本一一对应;
分析单元,用于对经模糊处理后的所述样本数据进行风险要素特征相关性分析及风险要素特征冗余分析,根据分析结果得到所述样本数据对应的最优特征子集及所述样本数据中各所述风险要素特征的特征权重。
进一步地,所述的交易风险要素特征提取装置还包括:
评分获取单元,用于获取所述样本数据中的各所述交易风险样本对应的评分值,所述评分值由客户端根据所述交易历史数据获得;
标签生成单元,用于根据所述评分值得到所述样本数据中的各所述交易风险样本对应的风险评估标签。
进一步地,所述的交易风险要素特征提取装置还包括:
特征计算单元,用于计算所述样本数据中各所述风险要素特征的最大特征值及最小特征值;
模糊处理单元,用于根据所述最大特征值及最小特征值计算所述样本数据中的各所述交易风险样本对应的各所述风险要素特征的特征值,得到模糊处理后的所述样本数据。
进一步地,所述分析单元包括:
抽取模块,用于从经模糊处理后的所述样本数据中抽取k次交易风险样本;其中,k为交易风险样本数量的两倍;
差异样本筛选模块,用于针对每一被抽取到的交易风险样本,在与该交易风险样本分属不同的风险评估标签的各所述交易风险样本中筛选被抽取到的交易风险样本对应的邻近差异样本。
进一步地,所述分析单元还包括:
抽取模块,还用于从经模糊处理后的所述样本数据中抽取k次交易风险样本;其中,k为交易风险样本数量的两倍;
一致性样本筛选模块,用于针对每一被抽取到的交易风险样本,在与该交易风险样本同属相同的风险评估标签的各所述交易风险样本中筛选被抽取到的交易风险样本对应的最近一致性样本。
进一步地,所述分析单元还包括:
距离计算模块,用于计算每一所述交易风险样本与其对应的最近一致性样本之间在各所述风险要素特征上的第一马氏距离;所述距离计算模块,还用于计算每一所述交易风险样本与其对应的邻近差异样本之间在各所述风险要素特征上的第二马氏距离;
权重计算模块,用于根据所述第一马氏距离及所述第二马氏距离计算各所述风险要素特征的特征权重;
子集生成模块,用于将所述特征权重大于1的所述风险要素特征纳入所述最优特征子集。
第三方面,本申请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所述交易风险要素特征提取方法的步骤。
第四方面,本申请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所述交易风险要素特征提取方法的步骤。
针对现有技术中的问题,本申请提供一种交易风险要素特征提取方法及装置,能够全面考虑交易过程中的各类风险要素特征,对风险要素特征进行相关性分析及冗余分析,根据分析结果进行交易风险要素特征提取,进而形成交易风险要素特征体系,支持交易风险要素特征体系中交易风险要素特征的动态扩展,降低了交易风险评估的时间成本,提高了交易风险评估体系的可用性及准确性。
附图说明
图1为本申请实施例中交易风险要素特征提取方法的流程图;
图2为本申请实施例中债券类投资交易风险要素特征的示意图;
图3为本申请实施例中预先生成风险评估标签的流程图;
图4为本申请实施例中对样本数据进行模糊处理的流程图;
图5为本申请实施例中对样本数据进行风险要素特征相关性分析的流程图;
图6为本申请实施例中对样本数据进行风险要素特征冗余分析的流程图;
图7为本申请实施例中得到风险要素特征的特征权重的流程图;
图8为本申请实施例中交易风险要素特征提取装置的结构图之一;
图9为本申请实施例中交易风险要素特征提取装置的结构图之二;
图10为本申请实施例中交易风险要素特征提取装置的结构图之三;
图11为本申请实施例中分析单元的结构图之一;
图12为本申请实施例中分析单元的结构图之二;
图13为本申请实施例中分析单元的结构图之三;
图14为本申请实施例中的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
参见图1,为了能够针对交易过程中的各类风险要素特征,对风险要素特征进行相关性分析及冗余分析,根据分析结果进行交易风险要素特征提取,本申请提供一种交易风险要素特征提取方法,包括:
S101:根据预先获取的风险要素特征筛选出风险要素特征集合。
可以理解的是,本申请一实施例中的应用场景可以为债券类投资交易,本申请不以此为限。在债券类投资交易场景中,风险要素特征可以包括:交易时间、债券分类、债券评级、成交金额、交易方向、结算方式及债券剩余年限等。为了在本方案实施例的后续步骤中对风险要素特征进行量化计算,需对预先获取的风险要素特征进行筛选,将筛选后符合要求的风险要素特征纳入风险要素特征集合。筛选原则即是选取债券类投资交易过程中可量化或可定性的风险要素特征,参见图2,这些风险要素特征典型地包括:债券分类、债券评级、债券剩余年限等。
诸如“交易时间”这样的风险要素特征则将会被过滤掉,因为“交易时间”集合仅包含了所有债券类投资交易的交易时间,“交易时间”作为风险要素特征属于不可定性评估且无法转换为有意义的定量值的特征,因此“交易时间”不符合被纳入风险要素特征集合的条件。然而,诸如“债券分类”这样的风险要素特征将会被保留,因为“债券分类”作为风险要素特征,其风险要素特征值的集合为{国债,政府债,企业债,...,金融债},该风险要素特征值的集合通过自定义规则可以被转换为对应的数字集合,如{1,2,3,...,n},因此,则“债券分类”符合被纳入风险要素特征集合的条件。本申请实施例的自定义规则均为将风险要素特征值的集合转换为{1,2,3,...,n}的数字集合。然而,在本申请其他实施例中可以不对自定义规则做出统一规定,可依实际应用场景对风险要素特征值的集合进行相应的转换,形成对应的数字集合,便于后续分析计算。
按照以上筛选原则选取合适的风险要素特征,即可生成风险要素特征集合M={u1,u2,…,un}。
其中,n为风险要素特征的个数。
S102:根据风险要素特征集合及预先生成的风险评估标签将交易历史数据转换为样本数据,风险评估标签与样本数据中的各交易风险样本一一对应。
可以理解的是,本申请实施例中的风险要素特征集合包含了在后续步骤中需要进行分析计算的各风险要素特征,每一风险要素特征都有其对应的数字集合,如S101所述,这些数字集合反映了交易历史数据在该风险要素特征上可能的所有取值。也就是说,本申请实施例中的债券类投资交易历史数据均有具体取值与各风险要素特征相对应。由此,根据风险要素特征可以对每一次交易对应的交易历史数据进行提取,得到包含n个风险要素特征值的一行矩阵,即形成了一交易风险样本[a11a12…a1n],其中,a1n为该交易风险样本的第n个风险要素特征值。
此外,为了获知每一交易风险样本所存在的风险,需对每一交易风险样本进行风险评估,评估后为每一交易风险样本贴上风险评估标签km。km的数值越大,交易风险程度越高,反之越低,风险评估标签km的数值的取值范围为[0,100]。km可以由客户端中设定的程序根据历史交易过程中存在的交易风险情况得出,一实施例中,km可以根据交易风险情况与分值的映射关系得出。另一实施例中,km可以通过在客户端存储的历史交易风险情况与分值对应关系的专家知识库得出。再一实施例中,km也可以由投资交易风险管理员利用客户端给出。
因此,根据风险要素特征集合及预先生成的风险评估标签可以将交易历史数据转换为样本数据P,
其中,m为交易风险样本的数量,n风险要素特征的数量,km为第m个交易风险样本的风险评估标签。
S103:对经模糊处理后的样本数据进行风险要素特征相关性分析及风险要素特征冗余分析,根据分析结果得到样本数据对应的最优特征子集及样本数据中各风险要素特征的特征权重。
可以理解的是,由于各风险要素特征在实际应用场景中取值范围存在明显差异,为了便于后续分析计算,需将样本数据P中的风险要素特征值进行模糊处理,即进行数值的归一化处理,使各风险要素特征值的取值范围均保持在[0,100]。然后,即可对经模糊处理后的样本数据进行风险要素特征相关性分析及风险要素特征冗余分析。进行风险要素特征相关性分析的目的是找到交易风险样本对应的邻近差异样本,从而确立各风险要素特征对区分风险评价结果是否存在积极影响,积极影响程度越高,该风险要素特征的特征权重数值则越大,反之越小;进行风险要素特征冗余分析的目的是找到交易风险样本对应的最近一致性样本,从而剔除对风险评价结果无影响或影响程度可忽略的风险要素特征。后续可根据样本数据中各风险要素特征的特征权重选取样本数据对应的最优特征子集,具体的选取方法参见本申请下文实施例阐述。
从上述描述可知,本申请提供一种交易风险要素特征提取方法,能够全面考虑交易过程中的各类风险要素特征,对风险要素特征进行相关性分析及冗余分析,根据分析结果进行交易风险要素特征提取,进而形成交易风险要素特征体系,支持交易风险要素特征体系中交易风险要素特征的动态扩展,降低了交易风险评估的时间成本,提高了交易风险评估体系的可用性及准确性。
参见图3,预先生成风险评估标签包括:
S201:获取样本数据中的各交易风险样本对应的评分值,评分值由客户端根据交易历史数据获得;
S202:根据评分值得到样本数据中的各交易风险样本对应的风险评估标签。
可以理解的是,在实际业务中,投资交易风险管理员或投资交易员可以根据历史交易过程中各交易风险样本对应的交易风险情况进行评分,这些评分的取值范围可以为[0,100],本申请实施例中的客户端可以获取各评分值。在一实施例中,评分值可以直接作为风险评估标签的实际数值;另一实施例中,评分值可以被划分为多个档位,例如,将取值在[0,20]之间的评分值对应的风险评估标签设置为1,将取值在[21,40]之间的评分值对应的风险评估标签设置为2,将取值在[41,60]之间的评分值对应的风险评估标签设置为3,将取值在[61,80]之间的评分值对应的风险评估标签设置为4,将取值在[81,100]之间的评分值对应的风险评估标签设置为5。
从上述描述可知,本申请提供一种交易风险要素特征提取方法,根据交易历史数据获取样本数据中的各交易风险样本对应的评分值,并最终得到各交易风险样本对应的风险评估标签。
参见图4,对样本数据进行模糊处理包括:
S301:计算样本数据中各风险要素特征的最大特征值及最小特征值;
S302:根据最大特征值及最小特征值计算样本数据中的各交易风险样本对应的各风险要素特征的特征值,得到模糊处理后的样本数据。
可以理解的是,样本数据P中的交易风险样本众多,针对每一风险要素特征,本申请实施例可以从众多的交易风险样本中找到该风险要素特征的最大特征值及最小特征值,即在样本数据P所对应的矩阵的各列中选取该列中数值最小者作为该风险要素特征的最小特征值a,选取该列中数值最大者作为该风险要素特征的最大特征值b。
样本数据P中的各风险要素特征值经模糊处理,可转化为可定量分析的特征值Smn。
模糊处理的计算方法为:
其中,Xmn为第m条样本第n个风险要素特征所对应的风险要素特征值,Xmi为第m条样本第i个风险要素特征所对应的风险要素特征值,a和b分别表示该风险要素特征的最小特征值及最大特征值。
经过模糊处理,各风险要素特征值的取值范围均在[0,100],由于风险评估标签的取值范围也在[0,100],因此,经过模糊处理后的样本数据P所对应的矩阵中的各矩阵元素的取值范围均在[0,100],从而实现了数值的归一化操作,为后续分析计算提供了基础。
从上述描述可知,本申请提供一种交易风险要素特征提取方法,能够对样本数据进行模糊处理,完成对数值的归一化操作。
参见图5,对样本数据进行风险要素特征相关性分析包括:
S401:从经模糊处理后的样本数据中抽取k次交易风险样本;其中,k为交易风险样本数量的两倍;
S402:针对每一被抽取到的交易风险样本,在与该交易风险样本分属不同的风险评估标签的各交易风险样本中筛选被抽取到的交易风险样本对应的邻近差异样本。
可以理解的是,本申请实施例可针对各交易风险样本,在与其分属不同的风险评估标签的各交易风险样本中筛选其对应的邻近差异样本。也就是说,本申请实施例将在经模糊处理后的样本数据中抽取交易风险样本,抽取的次数为k,假设交易风险样本的总数为m,则k一般可以等于2m,这样可以使得样本数据中大部分交易风险样本都被抽取到。每一被抽取到的交易风险样本都对应有一邻近差异样本。这个邻近差异样本的风险评估标签与该被抽取到的交易风险样本的风险评估标签不同,也就是说二者属于不同的风险评估等级。被选取的邻近差异样本所对应的交易风险样本特征值与被抽取到的交易风险样本对应的交易风险样本特征值之间的马氏距离最小。需要注意的是,在抽取交易风险样本的过程中,如果一交易风险样本已经被抽取过,则放弃抽取该交易风险样本,从未被抽取过的交易风险样本中继续进行抽取。针对每一被抽取到的交易风险样本,与其风险评估标签不同风险评估标签可能存在多个,针对每一与其风险评估标签不同风险评估标签,均有一与被抽取到的交易风险样本对应的邻近差异样本。
从上述描述可知,本申请提供一种交易风险要素特征提取方法,能够计算经模糊处理后的样本数据中绝大部分交易风险样本对应的邻近差异样本。
参见图6,对样本数据进行风险要素特征冗余分析包括:
S501:从经模糊处理后的样本数据中抽取k次交易风险样本;其中,k为交易风险样本数量的两倍;
S502:针对每一被抽取到的交易风险样本,在与该交易风险样本同属相同的风险评估标签的各交易风险样本中筛选被抽取到的交易风险样本对应的最近一致性样本。
可以理解的是,本申请实施例可针对各交易风险样本,在与其分属不同的风险评估标签的各交易风险样本中筛选其对应的最近一致性样本。也就是说,本申请实施例将在经模糊处理后的样本数据中抽取交易风险样本,抽取的次数为k,假设交易风险样本的总数为m,则k一般可以等于2m,这样可以使得样本数据中大部分交易风险样本都被抽取到。每一被抽取到的交易风险样本都对应有一最近一致性样本。这个最近一致性样本的风险评估标签与该被抽取到的交易风险样本的风险评估标签相同,也就是说二者属于相同的风险评估等级。被选取的最近一致性样本所对应的交易风险样本特征值与被抽取到的交易风险样本对应的交易风险样本特征值之间的马氏距离最小。需要注意的是,在抽取交易风险样本的过程中,如果一交易风险样本已经被抽取过,则放弃抽取该交易风险样本,从未被抽取过的交易风险样本中继续进行抽取。
从上述描述可知,本申请提供一种交易风险要素特征提取方法,能够计算经模糊处理后的样本数据中绝大部分交易风险样本对应的最近一致性样本。
参见图7,根据分析结果得到样本数据对应的最优特征子集及样本数据中各风险要素特征的特征权重包括:
S601:计算每一交易风险样本与其对应的最近一致性样本之间在各风险要素特征上的第一马氏距离;
S602:计算每一交易风险样本与其对应的邻近差异样本之间在各风险要素特征上的第二马氏距离;
S603:根据第一马氏距离及第二马氏距离计算各风险要素特征的特征权重;
S604:将特征权重大于1的风险要素特征纳入最优特征子集。
可以理解的是,从风险要素特征集合中随机抽取风险要素特征,如果本次被抽取到的抽取风险要素特征先前已经被抽取过,则放弃抽取该抽取风险要素特征,继续从风险要素特征集合中随机抽取风险要素特征,直至遍历风险要素特征集合中所有的风险要素特征。
针对某一被抽取到的风险要素特征,本申请实施例可根据如下原则调整该风险要素特征的特征权重,即:计算每一交易风险样本与其对应的最近一致性样本之间在各风险要素特征上的第一马氏距离,以及计算每一交易风险样本与其对应的至少一个邻近差异样本之间在各风险要素特征上的至少一个第二马氏距离,分别比较上述第一马氏距离与上述至少一个第二马氏距离的大小。针对不同的第二马氏距离,如果多数情况下,上述第一马氏距离大于上述第二马氏距离,则表明该风险要素特征对区分不同风险评估标签的作用不大,此时需将该风险要素特征所对应的特征权重降低,反之将该风险要素特征所对应的特征权重升高。
具体而言,以风险要素特征A进行举例,设diff(A,R,H)表示被抽取到的交易风险样本R与其对应的最近一致性样本H在风险要素特征A上的距离,则其中,R[A]及H[A]分别为R及H在风险要素特征A上的风险要素特征值所形成的单行矩阵,max(A)及min(A)分别为风险要素特征A的最大特征值及最小特征值。
风险要素特征A的特征权重的计算方法采用Relif算法实现,即:
其中,W(A)为风险要素特征A的特征权重,由于该特征权重在计算时是采用迭代方法进行计算,因此在首次计算时,应对W(A)赋予初始值,本申请实施例将W(A)的初始值设为零;k为数据样本中全部风险要素特征的总数量;P(C)为在数据样本中,与被抽取到的风险要素特征具有相同风险评估标签的风险要素特征的数量与数据样本中全部风险要素特征的总数量之比;M(C)表示被抽取到的风险要素特征所对应的至少一个最近邻差异样本,通常情况下,其所对应的最近邻差异样本的数量为多个;c≠class(P)表示M(C)与被抽取到的风险要素特征分属不同风险评估标签,在计算diff(A,R,M(C))时,应对全部与被抽取到的风险要素特征分属不同风险评估标签的M(C)进行求和计算。
其中,diff(A,R,M(C))的计算方法与diff(A,R,H)的计算方法相似,再次不再赘述。
经过计算,如果风险要素特征A的特征权重大于1,则将风险要素特征A纳入到最优特征子集O。最终,最优特征子集O中的每一风险要素特征都有一对应的特征权重。根据最优特征子集O中的风险要素特征及其对应的特征权重即可生成新的风险评估体系。
从上述描述可知,本申请提供一种交易风险要素特征提取方法,能够根据最优特征子集及样本数据中各风险要素特征的特征权重生成新的风险评估体系。
基于同一发明构思,本申请实施例还提供了一种交易风险要素特征提取装置,可以用于实现上述实施例所描述的方法,如下面的实施例所述。由于交易风险要素特征提取装置解决问题的原理与交易风险要素特征提取方法相似,因此交易风险要素特征提取装置的实施可以参见基于软件性能基准确定方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
参见图8,为了能够针对交易过程中的各类风险要素特征,对风险要素特征进行相关性分析及冗余分析,根据分析结果进行交易风险要素特征提取,本申请提供一种交易风险要素特征提取装置,包括:筛选单元801、转换单元802及分析单元803。
筛选单元801,用于根据预先获取的风险要素特征筛选出风险要素特征集合;
转换单元802,用于根据所述风险要素特征集合及预先生成的风险评估标签将交易历史数据转换为样本数据,所述风险评估标签与所述样本数据中的各交易风险样本一一对应;
分析单元803,用于对经模糊处理后的所述样本数据进行风险要素特征相关性分析及风险要素特征冗余分析,根据分析结果得到所述样本数据对应的最优特征子集及所述样本数据中各所述风险要素特征的特征权重。
参见图9,所述的交易风险要素特征提取装置还包括:评分获取单元901及标签生成单元902。
评分获取单元901,用于获取所述样本数据中的各所述交易风险样本对应的评分值,所述评分值由客户端根据所述交易历史数据获得;
标签生成单元902,用于根据所述评分值得到所述样本数据中的各所述交易风险样本对应的风险评估标签。
参见图10,所述的交易风险要素特征提取装置还包括:特征计算单元1001及模糊处理单元1002。
特征计算单元1001,用于计算所述样本数据中各所述风险要素特征的最大特征值及最小特征值;
模糊处理单元1002,用于根据所述最大特征值及最小特征值计算所述样本数据中的各所述交易风险样本对应的各所述风险要素特征的特征值,得到模糊处理后的所述样本数据。
参见图11,所述分析单元803包括:抽取模块1101及差异样本筛选模块1102。
抽取模块1101,用于从经模糊处理后的所述样本数据中抽取k次交易风险样本;其中,k为交易风险样本数量的两倍;
差异样本筛选模块1102,用于针对每一被抽取到的交易风险样本,在与该交易风险样本分属不同的风险评估标签的各所述交易风险样本中筛选被抽取到的交易风险样本对应的邻近差异样本。
参见图12,所述分析单元803还包括:所述抽取模块1101及一致性样本筛选模块1202。
抽取模块1101,还用于从经模糊处理后的所述样本数据中抽取k次交易风险样本;其中,k为交易风险样本数量的两倍;
一致性样本筛选模块1202,用于针对每一被抽取到的交易风险样本,在与该交易风险样本同属相同的风险评估标签的各所述交易风险样本中筛选被抽取到的交易风险样本对应的最近一致性样本。
参见图13,所述分析单元803还包括:距离计算模块1301、权重计算模块1302及子集生成模块1303。
距离计算模块1301,用于计算每一所述交易风险样本与其对应的最近一致性样本之间在各所述风险要素特征上的第一马氏距离;所述距离计算模块,还用于计算每一所述交易风险样本与其对应的邻近差异样本之间在各所述风险要素特征上的第二马氏距离;
权重计算模块1302,用于根据所述第一马氏距离及所述第二马氏距离计算各所述风险要素特征的特征权重;
子集生成模块1303,用于将所述特征权重大于1的所述风险要素特征纳入所述最优特征子集。
从硬件层面来说,为了能够针对交易过程中的各类风险要素特征,对风险要素特征进行相关性分析及冗余分析,根据分析结果进行交易风险要素特征提取,本申请提供一种交易风险要素特征提取方法中的全部或部分内容的电子设备的实施例,所述电子设备具体包含有如下内容:
处理器(Processor)、存储器(Memory)、通讯接口(Communications Interface)和总线;其中,所述处理器、存储器、通讯接口通过所述总线完成相互间的通讯;所述通讯接口用于实现所述交易风险要素特征提取装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输;该逻辑控制器可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该逻辑控制器可以参照实施例中的交易风险要素特征提取方法的实施例,以及交易风险要素特征提取装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
可以理解的是,所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中,交易风险要素特征提取方法的部分可以在如上述内容所述的电子设备侧执行,也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成,所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通讯模块(即通讯单元),可以与远程的服务器进行通讯连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通讯链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
图14为本申请实施例的电子设备9600的系统构成的示意框图。如图14所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图14是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,交易风险要素特征提取方法功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
S101:根据预先获取的风险要素特征筛选出风险要素特征集合。
S102:根据风险要素特征集合及预先生成的风险评估标签将交易历史数据转换为样本数据,风险评估标签与样本数据中的各交易风险样本一一对应。
S103:对经模糊处理后的样本数据进行风险要素特征相关性分析及风险要素特征冗余分析,根据分析结果得到样本数据对应的最优特征子集及样本数据中各风险要素特征的特征权重。
从上述描述可知,本申请提供一种交易风险要素特征提取方法,能够全面考虑交易过程中的各类风险要素特征,对风险要素特征进行相关性分析及冗余分析,根据分析结果进行交易风险要素特征提取,进而形成交易风险要素特征体系,支持交易风险要素特征体系中交易风险要素特征的动态扩展,降低了交易风险评估的时间成本,提高了交易风险评估体系的可用性及准确性。
在另一个实施方式中,交易风险要素特征提取装置可以与中央处理器9100分开配置,例如可以将交易风险要素特征提取装置配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现交易风险要素特征提取方法的功能。
如图14所示,该电子设备9600还可以包括:通讯模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图14中所示的所有部件;此外,电子设备9600还可以包括图14中没有示出的部件,可以参考现有技术。
如图14所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通讯功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通讯模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通讯模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通讯终端的情况相同。
基于不同的通讯技术,在同一电子设备中,可以设置有多个通讯模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通讯模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的交易风险要素特征提取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执行主体为服务器或客户端的交易风险要素特征提取方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
S101:根据预先获取的风险要素特征筛选出风险要素特征集合。
S102:根据风险要素特征集合及预先生成的风险评估标签将交易历史数据转换为样本数据,风险评估标签与样本数据中的各交易风险样本一一对应。
S103:对经模糊处理后的样本数据进行风险要素特征相关性分析及风险要素特征冗余分析,根据分析结果得到样本数据对应的最优特征子集及样本数据中各风险要素特征的特征权重。
从上述描述可知,本申请提供一种交易风险要素特征提取方法,能够全面考虑交易过程中的各类风险要素特征,对风险要素特征进行相关性分析及冗余分析,根据分析结果进行交易风险要素特征提取,进而形成交易风险要素特征体系,支持交易风险要素特征体系中交易风险要素特征的动态扩展,降低了交易风险评估的时间成本,提高了交易风险评估体系的可用性及准确性。
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、装置、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(装置)、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。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (14)
1.一种交易风险要素特征提取方法,其特征在于,包括:
根据预先获取的风险要素特征筛选出风险要素特征集合;
根据所述风险要素特征集合及预先生成的风险评估标签将交易历史数据转换为样本数据,所述风险评估标签与所述样本数据中的各交易风险样本一一对应;
对经模糊处理后的所述样本数据进行风险要素特征相关性分析及风险要素特征冗余分析,根据分析结果得到所述样本数据对应的最优特征子集及所述样本数据中各所述风险要素特征的特征权重。
2.根据权利要求1所述的交易风险要素特征提取方法,其特征在于,预先生成风险评估标签包括:
获取所述样本数据中的各所述交易风险样本对应的评分值,所述评分值由客户端根据所述交易历史数据获得;
根据所述评分值得到所述样本数据中的各所述交易风险样本对应的风险评估标签。
3.根据权利要求2所述的交易风险要素特征提取方法,其特征在于,对所述样本数据进行模糊处理包括:
计算所述样本数据中各所述风险要素特征的最大特征值及最小特征值;
根据所述最大特征值及最小特征值计算所述样本数据中的各所述交易风险样本对应的各所述风险要素特征的特征值,得到模糊处理后的所述样本数据。
4.根据权利要求2所述的交易风险要素特征提取方法,其特征在于,对所述样本数据进行风险要素特征相关性分析包括:
从经模糊处理后的所述样本数据中抽取k次交易风险样本;其中,k为交易风险样本数量的两倍;
针对每一被抽取到的交易风险样本,在与该交易风险样本分属不同的风险评估标签的各所述交易风险样本中筛选被抽取到的交易风险样本对应的邻近差异样本。
5.根据权利要求2所述的交易风险要素特征提取方法,其特征在于,对所述样本数据进行风险要素特征冗余分析包括:
从经模糊处理后的所述样本数据中抽取k次交易风险样本;其中,k为交易风险样本数量的两倍;
针对每一被抽取到的交易风险样本,在与该交易风险样本同属相同的风险评估标签的各所述交易风险样本中筛选被抽取到的交易风险样本对应的最近一致性样本。
6.根据权利要求1所述的交易风险要素特征提取方法,其特征在于,根据分析结果得到所述样本数据对应的最优特征子集及所述样本数据中各所述风险要素特征的特征权重包括:
计算每一所述交易风险样本与其对应的最近一致性样本之间在各所述风险要素特征上的第一马氏距离;
计算每一所述交易风险样本与其对应的邻近差异样本之间在各所述风险要素特征上的第二马氏距离;
根据所述第一马氏距离及所述第二马氏距离计算各所述风险要素特征的特征权重;
将所述特征权重大于1的所述风险要素特征纳入所述最优特征子集。
7.一种交易风险要素特征提取装置,其特征在于,包括:
筛选单元,用于根据预先获取的风险要素特征筛选出风险要素特征集合;
转换单元,用于根据所述风险要素特征集合及预先生成的风险评估标签将交易历史数据转换为样本数据,所述风险评估标签与所述样本数据中的各交易风险样本一一对应;
分析单元,用于对经模糊处理后的所述样本数据进行风险要素特征相关性分析及风险要素特征冗余分析,根据分析结果得到所述样本数据对应的最优特征子集及所述样本数据中各所述风险要素特征的特征权重。
8.根据权利要求7所述的交易风险要素特征提取装置,其特征在于,还包括:
评分获取单元,用于获取所述样本数据中的各所述交易风险样本对应的评分值,所述评分值由客户端根据所述交易历史数据获得;
标签生成单元,用于根据所述评分值得到所述样本数据中的各所述交易风险样本对应的风险评估标签。
9.根据权利要求8所述的交易风险要素特征提取装置,其特征在于,还包括:
特征计算单元,用于计算所述样本数据中各所述风险要素特征的最大特征值及最小特征值;
模糊处理单元,用于根据所述最大特征值及最小特征值计算所述样本数据中的各所述交易风险样本对应的各所述风险要素特征的特征值,得到模糊处理后的所述样本数据。
10.根据权利要求8所述的交易风险要素特征提取装置,其特征在于,所述分析单元包括:
抽取模块,用于从经模糊处理后的所述样本数据中抽取k次交易风险样本;其中,k为交易风险样本数量的两倍;
差异样本筛选模块,用于针对每一被抽取到的交易风险样本,在与该交易风险样本分属不同的风险评估标签的各所述交易风险样本中筛选被抽取到的交易风险样本对应的邻近差异样本。
11.根据权利要求8所述的交易风险要素特征提取装置,其特征在于,所述分析单元还包括:
抽取模块,还用于从经模糊处理后的所述样本数据中抽取k次交易风险样本;其中,k为交易风险样本数量的两倍;
一致性样本筛选模块,用于针对每一被抽取到的交易风险样本,在与该交易风险样本同属相同的风险评估标签的各所述交易风险样本中筛选被抽取到的交易风险样本对应的最近一致性样本。
12.根据权利要求7所述的交易风险要素特征提取装置,其特征在于,所述分析单元还包括:
距离计算模块,用于计算每一所述交易风险样本与其对应的最近一致性样本之间在各所述风险要素特征上的第一马氏距离;所述距离计算模块,还用于计算每一所述交易风险样本与其对应的邻近差异样本之间在各所述风险要素特征上的第二马氏距离;
权重计算模块,用于根据所述第一马氏距离及所述第二马氏距离计算各所述风险要素特征的特征权重;
子集生成模块,用于将所述特征权重大于1的所述风险要素特征纳入所述最优特征子集。
13.一种电子设备,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程序时实现权利要求1至6任一项所述的交易风险要素特征提取方法的步骤。
14.一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,该计算机程序被处理器执行时实现权利要求1至6任一项所述的交易风险要素特征提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011046671.3A CN112163861B (zh) | 2020-09-29 | 2020-09-29 | 交易风险要素特征提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011046671.3A CN112163861B (zh) | 2020-09-29 | 2020-09-29 | 交易风险要素特征提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112163861A true CN112163861A (zh) | 2021-01-01 |
CN112163861B CN112163861B (zh) | 2023-09-15 |
Family
ID=73862010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011046671.3A Active CN112163861B (zh) | 2020-09-29 | 2020-09-29 | 交易风险要素特征提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163861B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115170304A (zh) * | 2022-06-22 | 2022-10-11 | 支付宝(杭州)信息技术有限公司 | 风险特征描述的提取方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985583A (zh) * | 2018-06-27 | 2018-12-11 | 中国银行股份有限公司 | 基于人工智能的金融数据风险控制方法及装置 |
CN110782140A (zh) * | 2019-10-11 | 2020-02-11 | 国网江苏省电力有限公司电力科学研究院 | 一种用于电费回收风险筛查的多维要素评估方法 |
CN110908858A (zh) * | 2019-10-12 | 2020-03-24 | 中国平安财产保险股份有限公司 | 基于双漏斗结构的日志类样本抽样方法及相关装置 |
CN111666528A (zh) * | 2020-05-28 | 2020-09-15 | 中国电建集团福建省电力勘测设计院有限公司 | 沿海台风地区输电线路杆塔改造优先度评估方法 |
-
2020
- 2020-09-29 CN CN202011046671.3A patent/CN112163861B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985583A (zh) * | 2018-06-27 | 2018-12-11 | 中国银行股份有限公司 | 基于人工智能的金融数据风险控制方法及装置 |
CN110782140A (zh) * | 2019-10-11 | 2020-02-11 | 国网江苏省电力有限公司电力科学研究院 | 一种用于电费回收风险筛查的多维要素评估方法 |
CN110908858A (zh) * | 2019-10-12 | 2020-03-24 | 中国平安财产保险股份有限公司 | 基于双漏斗结构的日志类样本抽样方法及相关装置 |
CN111666528A (zh) * | 2020-05-28 | 2020-09-15 | 中国电建集团福建省电力勘测设计院有限公司 | 沿海台风地区输电线路杆塔改造优先度评估方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115170304A (zh) * | 2022-06-22 | 2022-10-11 | 支付宝(杭州)信息技术有限公司 | 风险特征描述的提取方法和装置 |
CN115170304B (zh) * | 2022-06-22 | 2023-03-28 | 支付宝(杭州)信息技术有限公司 | 风险特征描述的提取方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112163861B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111861569B (zh) | 产品信息推荐方法及装置 | |
CN112785086A (zh) | 信贷逾期风险预测方法及装置 | |
CN111275546A (zh) | 金融客户欺诈风险识别方法及装置 | |
US8311860B2 (en) | Industry scenario mapping tool | |
CN110738527A (zh) | 一种特征重要性排序方法、装置、设备和存储介质 | |
CN111932267A (zh) | 企业金融服务风险预测方法及装置 | |
WO2020150611A1 (en) | Systems and methods for entity performance and risk scoring | |
CN113034246A (zh) | 理财产品推荐方法及装置 | |
CN112598294A (zh) | 在线建立评分卡模型的方法、装置、机器可读介质及设备 | |
CN112766825A (zh) | 企业金融服务风险预测方法及装置 | |
CN113094284A (zh) | 应用故障检测方法及装置 | |
CN114066620A (zh) | 基于客户画像的客户信息处理方法及装置 | |
CN112163861B (zh) | 交易风险要素特征提取方法及装置 | |
CN112767167A (zh) | 一种基于集成学习的投资交易风险趋势预测方法及装置 | |
JP7288062B2 (ja) | 情報を出力するための方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム | |
WO2020150597A1 (en) | Systems and methods for entity performance and risk scoring | |
CN111352841B (zh) | 金融交易软件的质量检测方法及装置 | |
CN113393320A (zh) | 企业金融服务风险预测方法及装置 | |
CN110619537A (zh) | 用于生成信息的方法和装置 | |
CN111932018B (zh) | 银行业务绩效贡献信息预测方法及装置 | |
CN116681513A (zh) | 企业资产数据处理方法及装置 | |
CN113689191A (zh) | 一种软件开发工时确定方法及装置 | |
CN113190460A (zh) | 一种测试案例自动生成方法及装置 | |
CN115034851A (zh) | 产品决策推荐方法及装置 | |
CN115659037A (zh) | 消息推荐方法、电子设备、存储介质及程序产品 |
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 |