CN112580965A - 一种风险强度识别方法、装置及设备 - Google Patents
一种风险强度识别方法、装置及设备 Download PDFInfo
- Publication number
- CN112580965A CN112580965A CN202011476050.9A CN202011476050A CN112580965A CN 112580965 A CN112580965 A CN 112580965A CN 202011476050 A CN202011476050 A CN 202011476050A CN 112580965 A CN112580965 A CN 112580965A
- Authority
- CN
- China
- Prior art keywords
- risk
- information
- conduction
- data
- target resource
- 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
- 238000000034 method Methods 0.000 title claims abstract description 95
- 230000005540 biological transmission Effects 0.000 claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 39
- 230000015654 memory Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 230000008521 reorganization Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 40
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000007667 floating Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000002238 attenuated effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书提供了一种风险强度识别方法、装置及设备。所述方法包括建立风险传导模型;其中,所述风险传导模型用于识别资源在传导过程中的风险强度;不同业务阶段对应不同风险特征数据,不同风险特征数据对应不同风险传导模型;获取目标资源的业务数据;根据所述业务数据确定所述目标资源的业务阶段;基于所述业务阶段中预设风险指标,从所述业务数据中提取风险特征数据;根据所述风险特征数据,确定所述目标资源对应的风险传导模型;基于所述目标资源对应的风险传导模型,识别所述目标资源在传导过程中的风险强度。利用本说明书实施例可以提高对风险强度识别的准确度。
Description
技术领域
本申请涉及数据处理技术领域,特别涉及一种风险强度识别方法、装置及设备。
背景技术
随着经济金融的不断发展,地方资产管理公司为了适应经济金融发展需要,加快地方金融机构的不良资产处置,维护区域金融稳定,通常会进行不良资产包的收购和处置,然而不良资产包的收购和处置常常伴随着无法避免的风险。
传统对不良资产包的风险识别方法主要通过将不良资产包对应的业务数据形成单一指标,然后将单一指标与单一阈值进行比较来识别风险强度。然而,这种方式通常假定所有指标向量之间的单个协方差都为零,这样就无法识别到并发关联风险,从而降低风险识别率。
因此,业内亟需一种可以解决上述问题的技术方案。
发明内容
本说明书实施例提供了一种风险强度识别方法、装置及设备,可以提高对风险强度识别的准确度。
本说明书提供的风险强度识别方法、装置及设备是包括以下方式实现的。
一种风险强度识别方法,包括:建立风险传导模型;其中,所述风险传导模型用于识别资源在传导过程中的风险强度;不同业务阶段对应不同风险特征数据,不同风险特征数据对应不同风险传导模型;获取目标资源的业务数据;根据所述业务数据确定所述目标资源的业务阶段;基于所述业务阶段中预设风险指标,从所述业务数据中提取风险特征数据;根据所述风险特征数据,确定所述目标资源对应的风险传导模型;基于所述目标资源对应的风险传导模型,识别所述目标资源在传导过程中的风险强度。
一种风险强度识别装置,包括:建立模块,用于建立风险传导模型;其中,所述风险传导模型用于识别资源在传导过程中的风险强度;不同业务阶段对应不同风险特征数据,不同风险特征数据对应不同风险传导模型;获取模块,用于获取目标资源的业务数据;第一确定模块,用于根据所述业务数据确定所述目标资源的业务阶段;提取模块,用于基于所述业务阶段中预设风险指标,从所述业务数据中提取风险特征数据;第二确定模块,用于根据所述风险特征数据,确定所述目标资源对应的风险传导模型;识别模块,用于基于所述目标资源对应的风险传导模型,识别所述目标资源在传导过程中的风险强度。
一种风险强度识别设备,包括处理器及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现本说明书实施例中任意一个方法实施例的步骤。
一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现本说明书实施例中任意一个方法实施例的步骤。
本说明书提供的一种风险强度识别方法可以建立风险传导模型;其中,风险传导模型用于识别资源在传导过程中的风险强度;不同业务阶段对应不同风险特征数据,不同风险特征数据对应不同风险传导模型。进一步,可以获取目标资源的业务数据,根据业务数据确定目标资源的业务阶段,基于业务阶段中预设风险指标,从业务数据中提取风险特征数据,根据风险特征数据,确定目标资源对应的风险传导模型,基于目标资源对应的风险传导模型,识别目标资源在传导过程中的风险强度。采用本说明书提供的实施方案,可以提高对风险强度识别的准确度。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,并不构成对本说明书的限定。在附图中:
图1是本说明书提供的一种风险强度识别方法的一个实施例的流程示意图;
图2是本说明书提供的一种风险强度识别装置的一个实施例的模块结构示意图;
图3是本说明书提供的一种风险强度识别服务器的一个实施例的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书中的一部分实施例,而不是全部的实施例。基于本说明书中的一个或多个实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书实施例保护的范围。
下面以一个具体的应用场景为例对本说明书实施方案进行说明。具体的,图1是本说明书提供的一种风险强度识别方法的一个实施例的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构,但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。
本说明书提供的一种实施方案可以应用到客户端、服务器等中。所述客户端可以包括终端设备,如智能手机、平板电脑等。所述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,或者分布式系统的服务器结构等。
需要说明的是,下述实施例描述并不对基于本说明书的其他可扩展到的应用场景中的技术方案构成限制。具体的一种实施例如图1所示,本说明书提供的一种风险强度识别方法的一种实施例中,所述方法可以包括以下步骤。
S0:建立风险传导模型;其中,所述风险传导模型用于识别资源在传导过程中的风险强度;不同业务阶段对应不同风险特征数据,不同风险特征数据对应不同风险传导模型。
本说明书实施例中,风险传导模型可以用于识别资源在传导过程中的风险强度。资源可以是不良资产,也可以是其他金融资产、类金融资产、电子资源等,本说明书实施例中以不良资产为例进行示例性说明,对本说明书其他实施例并不构成限定。其中,不良资产是一个泛概念,它是针对会计科目里的坏账科目来讲的,包括但不限于银行的不良资产,证券、保险、资金的不良资产,企业的不良资产等。不良资产本身可以理解为是一种风险。类金融是指零售商与消费者之间进行现金交易的同时,延期支付上游供应商货款,从而使得其账面上长期有大量浮存现金,并形成“规模扩张-销售规模提升带来账面浮存现金-占用供应商资金用于规模扩张或转作他用-进一步规模扩张提升零售渠道价值带来更多账面浮存现金”这样一个资金内循环体系。
一些实施例中,不同业务阶段对应不同风险特征数据。其中,业务阶段可以理解为处理资源时对应的业务进程,例如,资源转让时对应的业务进程、资源重组时对应的业务进程、资源核销时的业务进程等。
一些实施例中,对资源的处理方式不同,对应的业务阶段不同,相应的产生的业务数据不同。不同业务阶段对应的业务数据不同,相应的风险特征数据也不同,从而建立的风险传导模型不同。风险特征数据可以用于标识资源存在的风险,进而确定资源的风险强度。需要说明的是,一个不良资产包在地方资产管理公司,从收购到经营或处置,会根据资产包本身的特点和业务人员相应的从业经验,经历不同的阶段。以资产包处置为例,处置的方式可以包括追偿、诉讼、转让、重组、债转股、核销等方式。其中,选择不同的处置方式,资产包会处于不同的业务阶段。随着处置过程中的推进,资产包的风险也会呈现不同的强弱特征。例如,如果选择了转让,风险在资产包转让成功起,就自然下降到最小化。如果选择了重组等较为复杂的模式,需要较为深入的参与债务重组的过程,与之对应的风险也会较大。从整个资产包的角度看,不同的债务处置方式和不同的债务占比综合评判,才能判断综合风险。资源处置的实际进展不顺或顺利也会使得风险变大和变小。
一些实施例中,可以基于地方资产管理公司中的服务器或其他金融系统建立风险传导模型。地方资产管理公司是处理金融机构特别是银行不良资产的专门机构。设立相对独立的资产管理公司,可以降低成本,提高不良资产处理效率。
一些实施例中,可以从业务数据中提取风险特征数据。
一些实施例中,所述建立风险传导模型,可以包括:获取资源在传导过程中的风险流量;根据所述风险流量,计算风险传导强度;对所述风险传导强度进行划分,获得风险传导模型。其中,风险传导模型也可以称为风险传导强度识别体系。风险传导强度可以理解为在一定时间内风险传导过程中风险流量大小。一些实施场景中,风险传导强度=风险传导量/单位时间。一些实施例中,对风险传导强度进行划分前,还可以对风险传导强度做归一化处理,将其划分到[0,1]的区间。其中,对风险传导强度进行划分的标准可以基于历史数据预先获得,例如,可以根据业务人员对业务开展案例的整理和历史典型业务数据获得。当然,随着实际业务场景的反馈和业务历史数据越来越多,可以不断的调整划分标准力求达到更精确的划分,从而提高风险识别精度。当然,上述只是进行示例性说明,获得风险传导模型的方式不限于上述举例,所属领域技术人员在本申请技术精髓的启示下,还可能做出其它变更,但只要其实现的功能和效果与本申请相同或相似,均应涵盖于本申请保护范围内。
一些实施例中,对风险传导强度进行划分,获得的风险传导模型可以包括连续性风险传导模型和间歇性风险传导模型。
一些实施例中,对风险传导强度进行划分,获得的风险传导模型可以包括增强型风险传导模型、稳定性风险传导模型、衰退型风险传导模型、收敛型风险传导模型、发散型风险传导模型、混合型传导模型等。其中,一个业务阶段可以对应一个或多个风险传导模型。增强型风险传导模型中,资源的风险传导强度在一定时期内呈现出增强的特征。稳定性风险传导模型中,资源的风险传导强度在一定时期内呈现出均衡稳定的特征。衰退型风险传导模型中,资源的风险传导强度在一定时期内呈现出衰退的特征。收敛型风险传导模型中,资源的风险传导强度随时间的推移波动小,趋于稳定,进而演变成稳定性风险传导模型。混合型传导模型中,资源的风险传导强度在不同阶段呈现出不同强度。
本说明书实施例中,通过建立多维度的向量指标、权重及交叉关联,自动加工各类数据,可以使建立的风险传导模型识别到并发关联的风险。
本说明书实施例中,通过建立风险传导识别模型,可以使得地方资产管理公司的风险管理模式具有动态性、先决性和敏捷性。
S2:获取目标资源的业务数据。
本说明书实施例中,在建立风险传导模型后,可以获取目标资源的业务数据,通过对目标资源的业务数据进行分析,识别其风险强度。其中,目标资源可以是待识别风险的资源,具体可以是待识别风险的不良资产等。
一些实施例中,所述业务数据至少包括下述之一:资源公司账户信息、资源包提供方信息、资源包受让方信息、融资来源方信息、被投资方信息、企业借款人信息、自然人借款信息、企业抵质押人信息、企业保证人信息、自然人保证人信息、客户账户信息、资源包收购项目信息、投资项目信息、融资项目信息、项目处置信息、资源包收购合同信息、债权合同信息、诉讼信息、执行信息、保证合同信息、股权资源项目信息、重组合同信息、重组处置对象信息、收款计划、涉案合同信息、支付流水信息、收款流水信息。
一些实施例中,可以获取目标资源的标识信息,进而根据该标识信息从其他系统、服务器、数据库等中抓取相应的业务数据。例如,可以从整合层抓取监管数据。其中,监管数据可以包括状态数据以及明细数据。状态数据可以包括目标资源当前所处阶段的相关数据,明细数据可以资产公司账户信息、银行及其他资产包提供方信息、受让方信息、融资来源方信息、被投资方信息、企业借款人信息等。当然,上述只是进行示例性说明,获取目标资源的业务数据的方式不限于上述举例,所属领域技术人员在本申请技术精髓的启示下,还可能做出其它变更,但只要其实现的功能和效果与本申请相同或相似,均应涵盖于本申请保护范围内。
S4:根据所述业务数据确定所述目标资源的业务阶段。
本说明书实施例中,在获取目标资源的业务数据后,可以根据业务数据确定目标资源所处的业务阶段。
一些实施例中,由于对资源的处理方式不同,对应的业务阶段不同,相应的产生的业务数据不同,所以可以根据获取的业务数据确定目标资源所处业务阶段。
一些实施例中,可以预先将业务数据好业务进行相互关联。例如一些实施场景中,可以将一个业务阶段的业务数据存储在一张数据表中。这样在获取业务数据后,可以快速确定对应的业务阶段,从而提高数据处理效率。
S6:基于所述业务阶段中预设风险指标,从所述业务数据中提取风险特征数据。
本说明书实施例中,由于不同业务阶段中的业务数据不同,相应存在的风险点就不同,所以在确定目标资源的业务阶段后,可以基于业务阶段中预设风险指标,从业务数据中提取风险特征数据。其中,风险指标可以理解为风险点。不同业务阶段对应的预设风险指标可能相同,也可能不同,具体可以根据实际场景确定,本说明书对此不作限定。
一些实施例中,所述从所述业务数据中提取风险特征数据前,可以包括:根据预设监管标准,对所述业务数据进行归一化处理。一些实施场景中,由于获取的业务数据可能会来自不同业务系统或数据库,所以可以基于预设监管标准将其归一化处理,将数据转化到相同格式,从而为后续提高风险识别准确度提供基础。其中,预设监管标准可以将数据转化为标准格式。当然,预设监管标准可以根据实际场景进行设定,本说明书对此不作限定。当然,上述只是进行示例性说明,从业务数据中提取风险特征数据的方式不限于上述举例,例如,还可以利用机器学习算法进行提取,所属领域技术人员在本申请技术精髓的启示下,还可能做出其它变更,但只要其实现的功能和效果与本申请相同或相似,均应涵盖于本申请保护范围内。
一些实施例中,从业务数据中提取风险特征数据后,如果风险特征数据比较多,此时,可以对风险特征数据进行压缩或者降维,从而去除冗余,保留关键信息,降低服务器压力。
S8:根据所述风险特征数据,确定所述目标资源对应的风险传导模型。
本说明书实施例中,从业务数据中提取风险特征数据后,可以根据风险特征数据,确定目标资源对应的风险传导模型。
一些实施例中,由于在风险传导的不同阶段可以呈现出不同的强度特征,例如,在某一阶段呈现出增强型特征而在另一阶段呈现出衰减型特征,在某一阶段先呈现出增强型特征,后呈现出衰减型特征,所以确定的目标资源的风险传导模型可以是增强型风险传导模型、稳定性风险传导模型、衰退型风险传导模型、收敛型风险传导模型、发散型风险传导模型、混合型传导模型中一种或多种。需要说明的是,通常非均衡、非稳定、全过程的风险传导特征往往需要通过建立多维度的向量指标、权重及交叉关联,自动加工各类数据来进行关联,所以利用本说明书建立的风险传导模型可以识别到并发关联的风险。
S10:基于所述目标资源对应的风险传导模型,识别所述目标资源在传导过程中的风险强度。
本说明书实施例中,在确定目标资源对应的风险传导模型后,可以基于目标资源对应的风险传导模型,识别目标资源在传导过程中的风险强度。
一些实施例中,风险传导模型还可以对业务风险趋势进行预判。例如,确定目标资源对应的风险传导模型为增强型风险传导模型时,可以预测该目标资源在预设时间内的风险强度会增大。其中,预设时间可以根据实际场景进行设定,本说明书对此不作限定。一些实施场景中,可以利用预判的业务风险趋势,预测未来的发展状况,定性定量的判断公司风险强弱程度,并通知监管部门及决策人员尽可能及时地采取应对措施,以规避风险,减少损失。
一些实施例中,所述识别所述目标资源在传导过程中的风险强度后,还可以包括:将识别结果与预设标准进行比较;当所述识别结果不满足预设标准时,发出预警信息。其中,预设标准可以是预设风险强度值,还可以是其他值,其可以根据实际场景进行设定,本说明书对此不作限定。预警信息可以以邮件、短信、电话等方式发送给工作人员。
一些实施例中,所述基于所述目标资源对应的风险传导模型,识别所述目标资源在传导过程中的风险强度后,还可以包括:基于识别结果,对所述风险传导模型进行优化处理;所述优化处理至少包括下述之一:数据维度优化、风险特征判别优化、风险特征关联度优化、风险趋势判断优化。
一些实施例中,所述数据维度优化可以包括根据识别结果对业务数据的范围进行增加或删减。风险特征判别优化可以理解为是根据识别结果对风险特征数据进行优化;风险特征关联度优化可以理解为是根据识别结果对各项风险特征数据之间的关联度进行校正;风险趋势判断优化可以理解为是根据识别结果和线下实际风险信息对风险结论的判断方法进行优化。
当然,上述只是进行示例性说明,本说明书实施例的方式不限于上述举例,所属领域技术人员在本申请技术精髓的启示下,还可能做出其它变更,但只要其实现的功能和效果与本申请相同或相似,均应涵盖于本申请保护范围内。
从以上的描述中,可以看出,本申请实施例可以建立风险传导模型;其中,风险传导模型用于识别资源在传导过程中的风险强度;不同业务阶段对应不同风险特征数据,不同风险特征数据对应不同风险传导模型。进一步,可以获取目标资源的业务数据,根据业务数据确定目标资源的业务阶段,基于业务阶段中预设风险指标,从业务数据中提取风险特征数据,根据风险特征数据,确定目标资源对应的风险传导模型,基于目标资源对应的风险传导模型,识别目标资源在传导过程中的风险强度。
基于上述所述一种风险强度识别方法,本说明书一个或多个实施例还提供一种风险强度识别装置。所述的装置可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思,本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似,因此本说明书实施例具体的装置的实施可以参见前述方法的实施,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装置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。
具体地,图2是本说明书提供的一种风险强度识别装置的一个实施例的模块结构示意图,如图2所示,本说明书提供的一种风险强度识别装置可以包括:建立模块120,获取模块122,第一确定模块124,提取模块126,第二确定模块128,识别模块130。
建立模块120,可以用于建立风险传导模型;其中,所述风险传导模型用于识别资源在传导过程中的风险强度;不同业务阶段对应不同风险特征数据,不同风险特征数据对应不同风险传导模型;
获取模块122,可以用于获取目标资源的业务数据;
第一确定模块124,可以用于根据所述业务数据确定所述目标资源的业务阶段;
提取模块126,可以用于基于所述业务阶段中预设风险指标,从所述业务数据中提取风险特征数据;
第二确定模块128,可以用于根据所述风险特征数据,确定所述目标资源对应的风险传导模型;
识别模块130,可以用于基于所述目标资源对应的风险传导模型,识别所述目标资源在传导过程中的风险强度。
需要说明的,上述所述的装置根据方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本说明书还提供一种风险强度识别设备的实施例,包括处理器及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时可以实现上述任意一项方法实施例。例如,所述指令被所述处理器执行时实现包括以下步骤:建立风险传导模型;其中,所述风险传导模型用于识别资源在传导过程中的风险强度;不同业务阶段对应不同风险特征数据,不同风险特征数据对应不同风险传导模型;获取目标资源的业务数据;根据所述业务数据确定所述目标资源的业务阶段;基于所述业务阶段中预设风险指标,从所述业务数据中提取风险特征数据;根据所述风险特征数据,确定所述目标资源对应的风险传导模型;基于所述目标资源对应的风险传导模型,识别所述目标资源在传导过程中的风险强度。
需要说明的,上述所述的设备根据方法或装置实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本说明书所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图3是本说明书提供的一种风险强度识别服务器的一个实施例的硬件结构框图,该服务器可以是上述实施例中的风险强度识别装置或风险强度识别设备。如图3所示,服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器200、以及用于通信功能的传输模块300。本领域普通技术人员可以理解,图3所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器10还可包括比图3中所示更多或者更少的组件,例如还可以包括其他的处理硬件,如数据库或多级缓存、GPU,或者具有与图3所示不同的配置。
存储器200可用于存储应用软件的软件程序以及模块,如本说明书实施例中的风险强度识别方法对应的程序指令/模块,处理器100通过运行存储在存储器200内的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器200可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器200可进一步包括相对于处理器100远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输模块300包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输模块300可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上,所述的存储介质可以计算机读取并执行,实现本说明书实施例所描述方案的效果。所述存储介质可以包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质可以包括:利用电能方式存储信息的装置如,各式存储器,如RAM、ROM等;利用磁能方式存储信息的装置如,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的装置如,CD或DVD。当然,还有其他方式的可读存储介质,例如量子存储器、石墨烯存储器等等。
本说明书提供的上述风险强度识别方法或装置实施例可以在计算机中由处理器执行相应的程序指令来实现,如使用windows操作系统的c++语言在PC端实现、linux系统实现,或其他例如使用android、iOS系统程序设计语言在智能终端实现,以及基于量子计算机的处理逻辑实现等。
需要说明的是说明书上述所述的装置、设备根据相关方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照对应方法实施例的描述,在此不作一一赘述。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把部分模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。
本发明是参照根据本发明实施例的方法、装置、设备的流程图和/或方框图来描述的。应理解可由计算机程序指令实现,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。
本领域技术人员应明白,本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例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。
以上所述仅为本说明书一个或多个实施例的实施例而已,并不用于限制本本说明书一个或多个实施例。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在权利要求范围之内。
Claims (10)
1.一种风险强度识别方法,其特征在于,所述方法包括:
建立风险传导模型;其中,所述风险传导模型用于识别资源在传导过程中的风险强度;不同业务阶段对应不同风险特征数据,不同风险特征数据对应不同风险传导模型;
获取目标资源的业务数据;
根据所述业务数据确定所述目标资源的业务阶段;
基于所述业务阶段中预设风险指标,从所述业务数据中提取风险特征数据;
根据所述风险特征数据,确定所述目标资源对应的风险传导模型;
基于所述目标资源对应的风险传导模型,识别所述目标资源在传导过程中的风险强度。
2.根据权利要求1所述的方法,其特征在于,所述建立风险传导模型,包括:
获取资源在传导过程中的风险流量;
根据所述风险流量,计算风险传导强度;
对所述风险传导强度进行划分,获得风险传导模型。
3.根据权利要求1所述的方法,其特征在于,所述风险传导模型包括:增强型风险传导模型、稳定性风险传导模型、衰退型风险传导模型、收敛型风险传导模型、发散型风险传导模型、混合型传导模型。
4.根据权利要求1所述的方法,其特征在于,所述业务数据至少包括下述之一:资源公司账户信息、资源包提供方信息、资源包受让方信息、融资来源方信息、被投资方信息、企业借款人信息、自然人借款信息、企业抵质押人信息、企业保证人信息、自然人保证人信息、客户账户信息、资源包收购项目信息、投资项目信息、融资项目信息、项目处置信息、资源包收购合同信息、债权合同信息、诉讼信息、执行信息、保证合同信息、股权资源项目信息、重组合同信息、重组处置对象信息、收款计划、涉案合同信息、支付流水信息、收款流水信息。
5.根据权利要求1所述的方法,其特征在于,所述从所述业务数据中提取风险特征数据前,包括:
根据预设监管标准,对所述业务数据进行归一化处理。
6.根据权利要求1所述的方法,其特征在于,所述识别所述目标资源在传导过程中的风险强度后,还包括:
将识别结果与预设标准进行比较;
当所述识别结果不满足预设标准时,发出预警信息。
7.根据权利要求1所述的方法,其特征在于,所述基于所述目标资源对应的风险传导模型,识别所述目标资源在传导过程中的风险强度后,还包括:
基于识别结果,对所述风险传导模型进行优化处理;所述优化处理至少包括下述之一:数据维度优化、风险特征判别优化、风险特征关联度优化、风险趋势判断优化。
8.一种风险强度识别装置,其特征在于,包括:
建立模块,用于建立风险传导模型;其中,所述风险传导模型用于识别资源在传导过程中的风险强度;不同业务阶段对应不同风险特征数据,不同风险特征数据对应不同风险传导模型;
获取模块,用于获取目标资源的业务数据;
第一确定模块,用于根据所述业务数据确定所述目标资源的业务阶段;
提取模块,用于基于所述业务阶段中预设风险指标,从所述业务数据中提取风险特征数据;
第二确定模块,用于根据所述风险特征数据,确定所述目标资源对应的风险传导模型;
识别模块,用于基于所述目标资源对应的风险传导模型,识别所述目标资源在传导过程中的风险强度。
9.一种风险强度识别设备,其特征在于,包括处理器及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1-7中任意一项所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机指令,所述指令被执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011476050.9A CN112580965A (zh) | 2020-12-15 | 2020-12-15 | 一种风险强度识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011476050.9A CN112580965A (zh) | 2020-12-15 | 2020-12-15 | 一种风险强度识别方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112580965A true CN112580965A (zh) | 2021-03-30 |
Family
ID=75135227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011476050.9A Pending CN112580965A (zh) | 2020-12-15 | 2020-12-15 | 一种风险强度识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580965A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091899A (zh) * | 2021-11-22 | 2022-02-25 | 支付宝(杭州)信息技术有限公司 | 风险特征识别方法以及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322143A (zh) * | 2019-06-28 | 2019-10-11 | 深圳前海微众银行股份有限公司 | 模型实体化管理方法、装置、设备及计算机存储介质 |
CN110533520A (zh) * | 2019-06-06 | 2019-12-03 | 上海凯京信达科技集团有限公司 | 一种基于多模型的个体客户贷款逾期等级的评级方法 |
US20200211106A1 (en) * | 2017-12-27 | 2020-07-02 | Alibaba Group Holding Limited | Method, apparatus, and device for training risk management models |
CN111383100A (zh) * | 2020-03-25 | 2020-07-07 | 中国建设银行股份有限公司 | 基于风险模型的全生命周期管控方法和装置 |
-
2020
- 2020-12-15 CN CN202011476050.9A patent/CN112580965A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200211106A1 (en) * | 2017-12-27 | 2020-07-02 | Alibaba Group Holding Limited | Method, apparatus, and device for training risk management models |
CN110533520A (zh) * | 2019-06-06 | 2019-12-03 | 上海凯京信达科技集团有限公司 | 一种基于多模型的个体客户贷款逾期等级的评级方法 |
CN110322143A (zh) * | 2019-06-28 | 2019-10-11 | 深圳前海微众银行股份有限公司 | 模型实体化管理方法、装置、设备及计算机存储介质 |
CN111383100A (zh) * | 2020-03-25 | 2020-07-07 | 中国建设银行股份有限公司 | 基于风险模型的全生命周期管控方法和装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091899A (zh) * | 2021-11-22 | 2022-02-25 | 支付宝(杭州)信息技术有限公司 | 风险特征识别方法以及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197280B (zh) | 一种知识图谱构建方法、装置及系统 | |
Bahnsen et al. | Example-dependent cost-sensitive logistic regression for credit scoring | |
CN107122369B (zh) | 一种业务数据处理方法、装置和系统 | |
US20150142713A1 (en) | Real-Time Adaptive Decision System And Method Using Predictive Modeling | |
US20140279306A1 (en) | System and Method for Detecting Merchant Points of Compromise Using Network Analysis and Modeling | |
US8355896B2 (en) | Co-occurrence consistency analysis method and apparatus for finding predictive variable groups | |
CN112037038B (zh) | 银行信贷风险预测方法及装置 | |
US8984022B1 (en) | Automating growth and evaluation of segmentation trees | |
Jakšič et al. | The future of banking: The role of information technology | |
CN111985937A (zh) | 交易商价值信息评估方法、系统、存储介质、计算机设备 | |
CN113902037A (zh) | 非正常银行账户识别方法、系统、电子设备及存储介质 | |
Jaksic et al. | The future of banking: The role of information technology | |
US20210174367A1 (en) | System and method including accurate scoring and response | |
CN112580965A (zh) | 一种风险强度识别方法、装置及设备 | |
CN115345727B (zh) | 一种识别欺诈贷款申请的方法及装置 | |
US20160148318A1 (en) | Policy System | |
Muvingi et al. | Default prediction models a comparison between market based models and accounting based: Case of the Zimbabwe Stock Exchange 2010-2013 | |
Zang | Construction of Mobile Internet Financial Risk Cautioning Framework Based on BP Neural Network | |
CN113256351A (zh) | 用户业务需求识别方法、装置及计算机可读存储介质 | |
Dash et al. | Risk analytics enters its prime | |
CN113159733A (zh) | 公积金提取业务线上处理方法、装置、设备及存储介质 | |
CN113191890A (zh) | 客户风险确定方法、装置及设备 | |
KR102409019B1 (ko) | 금융 거래 위험 평가 시스템과 방법 및 이를 위한 컴퓨터 프로그램 | |
Hegde et al. | Performance analysis of machine learning algorithm for the credit risk analysis in the banking sector | |
Heinsalu et al. | Network resilience and assessment of the credit granting policy |
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 |