CN112613978A - 银行资本充足率的预测方法、装置、电子设备及介质 - Google Patents
银行资本充足率的预测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN112613978A CN112613978A CN202011513255.XA CN202011513255A CN112613978A CN 112613978 A CN112613978 A CN 112613978A CN 202011513255 A CN202011513255 A CN 202011513255A CN 112613978 A CN112613978 A CN 112613978A
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- capital
- abundance
- data characteristic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000012545 processing Methods 0.000 claims abstract description 109
- 238000012549 training Methods 0.000 claims description 99
- 238000010801 machine learning Methods 0.000 claims description 55
- 238000013527 convolutional neural network Methods 0.000 claims description 40
- 230000009467 reduction Effects 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 238000013277 forecasting method Methods 0.000 claims description 4
- 238000002203 pretreatment Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 28
- 238000010586 diagram Methods 0.000 description 24
- 238000004590 computer program Methods 0.000 description 17
- 230000015654 memory Effects 0.000 description 9
- 230000001105 regulatory effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种银行资本充足率的预测方法、装置、电子设备及介质,上述预测方法包括:获取目标银行所要预测时间段的业务数据。上述预测方法还包括:处理目标银行所要预测时间段的业务数据,以得到目标数据特征值。上述预测方法还包括:将目标数据特征值输入至预先构建的资本充足率预测模型,以输出得到目标银行在所要预测时间段内的资本充足率预测值。其中,上述资本充足率预测模型根据预定时间段内的历史业务数据及历史业务数据对应的历史资本充足率确定。基于资本充足率预测模型,能够根据所要预测时间段的业务数据来实现对所要预测时间段的业务数据对应的资本充足率的预测。
Description
技术领域
本公开涉及金融领域,更具体地,涉及一种银行资本充足率的预测方法、装置、电子设备及介质。
背景技术
各个国家,无论是实际经济活动中还是监管层面,越来越重视商业银行的稳定性问题,并加强对商业银行资本充足率的监管。资本充足率不仅可以影响商业银行的经营业务范围还影响商业银行的融资能力和利用资产进行业务创新的能力。银行在强调资本充足性的同时,还要根据商业银行自身的经营情况进行实际的判断,保障资本充足率的实际波动对商业银行来说是合适的。目前针对资本充足率的监管要求越来越高,各个国家也逐步开始重视针对资本充足率的监管。
在实现本公开构思的过程中,发明人发现现有技术中至少存在如下问题:针对提高银行风险控制水平的需求,目前大部分银行需要采用人工的方式进行资本充足率的计算,且采用业务报表的形式展现,其时效性和自动化程度不高;另外,目前各大银行无法对资本充足率进行预测。
发明内容
有鉴于此,本公开提供了一种银行资本充足率的预测方法、装置、电子设备及介质。
本公开的第一个方面提供了一种银行资本充足率的预测方法。上述预测方法包括:获取目标银行所要预测时间段的业务数据。上述预测方法还包括:处理目标银行所要预测时间段的业务数据,以得到目标数据特征值。上述预测方法还包括:将目标数据特征值输入至预先构建的资本充足率预测模型,以输出得到目标银行在所要预测时间段内的资本充足率预测值。其中,上述资本充足率预测模型根据预定时间段内的历史业务数据及历史业务数据对应的历史资本充足率确定。
根据本公开的实施例,上述预测方法还包括:预先构建资本充足率预测模型。上述预先构建资本充足率预测模型包括:获取目标银行的T个不同预定时间段内的历史业务数据和历史业务数据对应的历史资本充足率,T≥1。上述预先构建资本充足率预测模型还包括:处理T个不同预定时间段内的历史业务数据,以得到用于训练的T组历史数据特征值。上述预先构建资本充足率预测模型还包括:对T组历史数据特征值进行集成学习训练,将每组历史数据特征值对应的历史资本充足率作为集成训练的标签,以得到资本充足率预测模型。
根据本公开的实施例,对T组历史数据特征值进行集成学习训练,将每组历史数据特征值对应的历史资本充足率作为集成训练的标签,以得到资本充足率预测模型,包括:将T组历史数据特征值的每组历史数据特征值输入至M个不同的第一级机器学习模型中进行训练,输出为M个历史资本充足率预测值,M≥2。对T组历史数据特征值进行集成学习训练,将每组历史数据特征值对应的历史资本充足率作为集成训练的标签,以得到资本充足率预测模型,还包括:将M个历史资本充足率预测值输入至第二级机器学习模型中进行训练,第二级机器学习模型的输出为历史资本充足率综合预测值。其中,T组历史数据特征值的每组历史数据特征值对应的历史资本充足率作为集成训练的标签。通过训练第一级机器学习模型和第二级机器学习模型的参数,使得由每组历史数据特征值得到的历史资本充足率综合预测值与每组历史数据特征值对应的历史资本充足率的差值低于设定阈值,训练完成的第一级机器学习模型和第二级机器学习模型为资本充足率预测模型。
根据本公开的一实施例,处理T个不同预定时间段内的历史业务数据,以得到用于训练的T组历史数据特征值,包括:对T个不同预定时间段内的历史业务数据进行特征工程处理,以生成T组降维后的第一数据特征值。处理T个不同预定时间段内的历史业务数据,以得到用于训练的T组历史数据特征值,还包括:将T个预定时间段内的历史业务数据输入至第一卷积神经网络进行处理,以提取出T组第二数据特征值。处理T个不同预定时间段内的历史业务数据,以得到用于训练的T组历史数据特征值,还包括:将T组第一数据特征值与T组第二数据特征值针对不同的预定时间段分别进行合并处理,合并处理之后得到的T组数据特征值为用于训练的T组历史数据特征值。
根据本公开的另一实施例,处理T个不同预定时间段内的历史业务数据,以得到用于训练的T组历史数据特征值,包括:对T个不同预定时间段内的历史业务数据进行特征工程处理,以生成T组降维后的第一数据特征值。处理T个不同预定时间段内的历史业务数据,以得到用于训练的T组历史数据特征值,还包括:将T个预定时间段内的历史业务数据输入至第一卷积神经网络进行处理,以提取出T组第二数据特征值。处理T个不同预定时间段内的历史业务数据,以得到用于训练的T组历史数据特征值,还包括:将T组第一数据特征值与T组第二数据特征值针对不同的预定时间段分别进行合并处理,得到T组第三数据特征值。处理T个不同预定时间段内的历史业务数据,以得到用于训练的T组历史数据特征值,还包括:将T组第三数据特征值分别输入至第二卷积神经网络进行训练,以得到T组第三数据特征值中每组第三数据特征值内各个第三数据特征值的权重。处理T个不同预定时间段内的历史业务数据,以得到用于训练的T组历史数据特征值,还包括:根据每组第三数据特征值内各个第三数据特征值的权重与对应的第三数据特征值得到T组加权后的数据特征值,T组加权后的数据特征值为用于训练的T组历史数据特征值。
根据本公开的实施例,上述处理T个不同预定时间段内的历史业务数据,以得到用于训练的T组历史数据特征值,还包括:对T个不同预定时间段内的历史业务数据进行预处理。其中,进行特征工程处理和输入至第一卷积神经网络进行处理的历史业务数据为预处理之后的历史业务数据。上述预处理包括以下至少一种:将文字类型的历史业务数据通过词向量模型转换为数值类型的数据;对关键特征信息缺失个数低于设定值的历史业务数据的关键缺失特征信息进行补录;对关键特征信息缺失个数大于设定值的历史业务数据进行剔除;以及对异常的历史业务数据进行剔除。
根据本公开的一实施例,上述处理目标银行所要预测时间段的业务数据,以得到目标数据特征值,包括:对目标银行所要预测时间段的业务数据进行特征工程处理,以生成降维后的第四数据特征值。上述处理目标银行所要预测时间段的业务数据,以得到目标数据特征值,还包括:将目标银行所要预测时间段的业务数据输入至第一卷积神经网络进行处理,以提取出第五数据特征值。上述处理目标银行所要预测时间段的业务数据,以得到目标数据特征值,还包括:将第四数据特征值与第五数据特征值进行合并处理,合并处理之后得到的数据特征值为目标数据特征值。
根据本公开的实施例,处理目标银行所要预测时间段的业务数据,以得到目标数据特征值,还包括:对目标银行所要预测时间段的业务数据进行预处理。其中,进行特征工程处理和输入至第一卷积神经网络进行处理的目标银行所要预测时间段的业务数据为预处理之后的业务数据。其中,预处理包括以下至少一种:将文字类型的当前业务数据通过词向量模型转换为数值类型的数据;对关键特征信息缺失个数低于设定值的当前业务数据的关键缺失特征信息进行补充;对当前业务数据中关键特征信息缺失个数大于设定值的当前业务数据进行剔除;以及对异常的当前业务数据进行剔除。
根据本公开的另一实施例,上述处理目标银行所要预测时间段的业务数据,以得到目标数据特征值,包括:对目标银行所要预测时间段的业务数据进行特征工程处理,以生成降维后的第四数据特征值。处理目标银行所要预测时间段的业务数据,以得到目标数据特征值,还包括:将目标银行所要预测时间段的业务数据输入至第一卷积神经网络进行处理,以提取出第五数据特征值。处理目标银行所要预测时间段的业务数据,以得到目标数据特征值,还包括:将第四数据特征值与第五数据特征值进行合并处理,得到一组第六数据特征值。处理目标银行所要预测时间段的业务数据,以得到目标数据特征值,还包括:将该组第六数据特征值输入至第二卷积神经网络进行训练,以得到该组第六数据特征值中每个第六数据特征值的权重。处理目标银行所要预测时间段的业务数据,以得到目标数据特征值,还包括:根据该组第六数据特征值中每个第六数据特征值的权重与对应的第六数据特征值得到一组加权后的数据特征值,该组加权后的数据特征值为目标数据特征值。
根据本公开的实施例,上述预测方法还包括:确定资本充足率预测值是否落在资本充足率预设范围之内。如果资本充足率预测值落在资本充足率预设范围之外,则发出预警提示。
本公开的第二个方面提供了一种银行资本充足率的预测装置。上述预测装置包括:数据获取模块、特征提取模块以及预测模块。数据获取模块用于获取目标银行所要预测时间段的业务数据。特征提取模块用于处理目标银行所要预测时间段的业务数据,以得到目标数据特征值。预测模块用于将目标数据特征值输入至预先构建的资本充足率预测模型,以输出得到目标银行在所要预测时间段内的资本充足率预测值。其中,资本充足率预测模型根据预定时间段内的历史业务数据及历史业务数据对应的历史资本充足率确定。
根据本公开的实施例,上述预测装置还包括:资本充足率预测模型构建模块。上述资本充足率预测模型构建模块包括:数据获取子模块、数据处理子模块以及集成学习训练子模块。上述数据获取子模块用于获取目标银行的T个不同预定时间段内的历史业务数据和历史业务数据对应的历史资本充足率,T≥1。上述数据处理子模块用于处理T个不同预定时间段内的历史业务数据,以得到用于训练的T组历史数据特征值。上述集成学习训练子模块用于对T组历史数据特征值进行集成学习训练,将每组历史数据特征值对应的历史资本充足率作为集成训练的标签,以得到资本充足率预测模型。
根据本公开的实施例,上述预测装置还包括:资本充足率确定模块和结果报告模块。资本充足率确定模块用于确定资本充足率预测值是否落在资本充足率预设范围之内。结果报告模块用于在资本充足率预测值落在资本充足率预设范围之外的情况下,发出预警提示。上述结果报告模块还用于在资本充足率预测值落在资本充足率预设范围之内的情况下,报告银行资本充足率符合监管要求。
本公开的第三个方面提供了一种电子设备。上述电子设备包括:一个或多个处理器;以及用于存储一个或多个程序的存储装置。其中,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现如上所述的任一种预测方法。
本公开的第四个方面提供了一种计算机可读存储介质。上述计算机可读存储介质上存储有可执行指令,该指令被处理器执行时使处理器实现如上所述的任一种预测方法。
本公开的第五个方面提供了一种计算机程序产品。上述计算机程序产品包括用于执行本公开实施例所提供的预测方法的程序代码,当上述计算机程序产品在电子设备上运行时,该程序代码用于使电子设备实现本公开实施例所提供的预测方法。
根据本公开的实施例,根据预定时间段内的历史业务数据及历史业务数据对应的历史资本充足率确定的资本充足率预测模型可以表征出历史业务数据和历史资本充足率之间的关联关系,基于资本充足率预测模型,能够根据所要预测时间段的业务数据来实现对所要预测时间段的业务数据对应的资本充足率的预测,可以至少部分地解决目前各大银行无法对资本充足率进行预测的技术问题。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的银行资本充足率的预测方法和装置的系统架构;
图2示意性示出了根据本公开一实施例的银行资本充足率的预测方法的流程图;
图3示意性示出了根据本公开另一实施例的银行资本充足率的预测方法的流程图;
图4示意性示出了根据本公开实施例的操作S10的详细实施流程图;
图5示意性示出了根据本公开实施例的子操作S101的实施过程示意图;
图6示意性示出了根据本公开一实施例的子操作S102的详细实施流程图;
图7示意性示出了根据本公开一实施例的子操作S102的实施过程示意图;
图8示意性示出了根据本公开另一实施例的子操作S102的详细实施流程图;
图9示意性示出了根据本公开另一实施例的子操作S102的实施过程示意图;
图10示意性示出了根据本公开实施例的子操作S103的详细实施流程图;
图11示意性示出了根据本公开实施例的子操作S103的实施过程示意图;
图12示意性示出了根据本公开一实施例的操作S12的详细实施流程图;
图13示意性示出了根据本公开实施例的银行资本充足率的预测方法的一种实施过程示意图;
图14示意性示出了根据本公开另一实施例的操作S12的详细实施流程图;
图15示意性示出了根据本公开实施例的银行资本充足率的预测方法的另一种实施过程示意图;
图16示意性示出了根据本公开另一实施例的银行资本充足率的预测方法的流程图;
图17示意性示出了根据本公开一实施例的银行资本充足率的预测装置的结构框图;
图18示意性示出了根据本公开实施例的资本充足率预测模型构建模块的结构框图;
图19示意性示出了根据本公开另一实施例的银行资本充足率的预测装置的结构框图;以及
图20示意性示出了根据本公开实施例的电子设备的结构框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本公开中,前面带有“第一”、“第二”等序数词修饰的词语仅为了方便描述,并不表示各个词语之间具有先后顺序或者重要程度之分。
在金融领域,资本充足率(Capital Adequacy Ratio),也称资本风险资产率(Captital to Risk Assets Ratio,CRAR)或资本风险加权资产率(Captital to RiskWeighted Assets Ratio),是指银行资本总额与加权风险资产总额的比率/比例。资本充足率反映了银行在存款人和债权人的资产遭到损失之前,该银行能够以自有资本承担损失的程度。资本充足率的设置是为了抑制风险资产的过度膨胀,保护存款人和其他债权人的利益,同时保证金融机构的正常运营和发展。
各个国家对于各自的银行的资本充足率具有各自的规定,以中国的商业银行的资本充足率的规定而言,把金融资产划分为现金、对中央政府和人民银行的授信、对公共企业的债权、对一般企业和个人的贷款、同业拆放和居住楼低压贷款等六大类表内资产,按照风险程度设定风险权数。
在相关技术中,针对提高银行风险控制水平的需求,目前大部分银行需要采用人工的方式进行资本充足率的计算,且采用业务报表的形式展现,其时效性和自动化程度不高。另外,由于各个参数和评价指标众多,目前各大银行无法对资本充足率进行预测,例如,在已经知道了需要用于统计资本充足率的各类金融资产的情况下,还需要人工对各类金融资产进行评估,同时对其风险程度进行评估和核实,然后人工计算之后,以业务报表的形式展现出来,由于评估过程繁琐且负载,时效性很差且自动化程度较低。
有鉴于此,本公开的实施例提供了一种银行资本充足率的预测方法、装置、电子设备及介质。上述预测方法中,获取目标银行所要预测时间段的业务数据。接着,处理目标银行所要预测时间段的业务数据,以得到目标数据特征值。最后,将目标数据特征值输入至预先构建的资本充足率预测模型,以输出得到目标银行在所要预测时间段内的资本充足率预测值。其中,上述资本充足率预测模型根据预定时间段内的历史业务数据及历史业务数据对应的历史资本充足率确定。
图1示意性示出了根据本公开实施例的银行资本充足率的预测方法和装置的系统架构。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
参照图1所示,上述系统架构1可以包括终端设备10、网络11以及服务器12。上述网络11为用于在终端设备10和服务器12之间提供通信链路的介质。网络11可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备10通过网络11与服务器12交互,以接收或发送信息等。终端设备10上可以安装有各种金融类客户端应用程序(app),例如为存款业务系统应用、贷款业务系统应用、电子支付应用、或者网上银行应用等,还可以安装有其他的应用程序,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备10可以是具有显示屏并且支持金融业务操作的各种电子设备,包括但不限于图1所示例的智能手机101、平板电脑102或笔记本电脑103等,还可以是台式计算机、存取款一体机或者其他能够安装金融类客户端应用程序的电子设备。
服务器12可以是提供各种服务的服务器,例如对用户利用终端设备10所执行的金融业务操作提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
示例性的,用户可以是银行工作人员,上述终端设备10可以是银行内部所使用的计算机,服务器12可以是给银行的各种业务提供服务的服务器,业务可以是存款业务、风控业务或清算业务等。
示例性的,在银行内部,各个不同的业务由各自的服务器进行数据支持,本公开中,可以通过与各种业务服务器能够进行数据交互的平台/管理器来实现历史业务数据和/或实时业务数据的获取。
本公开中,银行可以是各种类型的银行,只要有资本充足率的预测需求,均可以采用本公开的银行资本充足率的预测方法进行资本充足率的预测,例如可以是商业银行或投资银行等。
需要说明的是,本公开实施例所提供的银行资本充足率的预测方法一般可以由服务器12执行。相应地,本公开实施例所提供的银行资本充足率的预测装置一般可以设置于服务器12中。本公开实施例所提供的银行资本充足率的预测方法也可以由不同于服务器12且能够与终端设备10和/或服务器12通信的服务器或服务器集群执行。相应地,本公开实施例所提供的银行资本充足率的预测装置也可以设置于不同于服务器12且能够与终端设备10和/或服务器12通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实施需要,可以具有任意数目的终端设备、网络和服务器。
本公开的第一个示例性实施例提供了一种银行资本充足率的预测方法。
图2示意性示出了根据本公开一实施例的银行资本充足率的预测方法的流程图。
根据本公开的实施例,参照图2所示,上述银行资本充足率的预测方法包括以下操作:S11、S12和S13。
在操作S11,获取目标银行所要预测时间段的业务数据。
在操作S12,处理目标银行所要预测时间段的业务数据,以得到目标数据特征值。
在操作S13,将目标数据特征值输入至预先构建的资本充足率预测模型,以输出得到目标银行在所要预测时间段内的资本充足率预测值。
其中,上述资本充足率预测模型根据预定时间段内的历史业务数据及历史业务数据对应的历史资本充足率确定。
在操作S11中,针对所要进行监管或者评估风险的目标银行,可以基于该目标银行的能够与存款业务、风控业务以及清算业务等各个业务类型的服务器进行数据交互的平台/管理器来获取目标银行所要预测时间段的业务数据。
所要预测的时间段可以是具有业务数据且尚未得到资本充足率的时间段,例如目标银行会一周进行一次资本充足率的人工核算,在2020年11月30日之前的时间段已经获得了资本充足率,而在2020年12月1日~2020年12月7日只具有业务数据,但是没有资本充足率的数据,需要预测2020年12月1日~2020年12月7日的资本充足率,则在操作S11中获取2020年12月1日~2020年12月7日的业务数据。
在操作S12中,需要对目标银行所要预测时间段的业务数据进行处理,以得到目标数据特征值。
针对金融类业务,由于业务数据具有各种形式和属性,通过对目标银行所要预测时间段的业务数据进行处理,是为了得到能够表征业务特征的目标数据特征值,并且该目标数据特征值用于作为资本充足率预测模型的输入。
在操作S13中,将目标数据特征值输入至预先构建的资本充足率预测模型,以输出得到目标银行在所要预测时间段内的资本充足率预测值。
上述资本充足率预测模型是预先构建的,可以根据预定时间段内的历史业务数据及历史业务数据对应的历史资本充足率来确定资本充足率预测模型。
上述资本充足率预测模型预先构建的含义为:已经基于训练数据集和验证数据集预先训练完成,该预先构建的资本充足率预测模型在输入目标银行所要预测时间段的业务数据处理后得到的目标数据特征值之后,会输出目标银行在所要预测时间段内的资本充足率预测值。
上述预测方法中,根据预定时间段内的历史业务数据及历史业务数据对应的历史资本充足率确定的资本充足率预测模型可以表征出历史业务数据和历史资本充足率之间的关联关系,基于资本充足率预测模型,能够根据所要预测时间段的业务数据来实现对所要预测时间段的业务数据对应的资本充足率的预测,可以至少部分地解决目前各大银行无法对资本充足率进行预测的技术问题。
图3示意性示出了根据本公开另一实施例的银行资本充足率的预测方法的流程图。
根据本公开的实施例,参照图3中虚线框所示,上述预测方法除了包括上述操作S11、S12和S13之外,还包括以下操作S10:预先构建资本充足率预测模型。
上述操作S10可以执行一次,在资本充足率预测模型构建完成之后,后续的多次预测过程中只需要调用上述资本充足率预测模型即可,无需每次预测过程都构建一次资本充足率预测模型。
图4示意性示出了根据本公开实施例的操作S10的详细实施流程图。
根据本公开的实施例,参照图4所示,上述预先构建资本充足率预测模型的操作S10包括以下子操作:S101、S102和S103。
在子操作S101,获取目标银行的T个不同预定时间段内的历史业务数据和历史业务数据对应的历史资本充足率,T≥1。
在子操作S102,处理T个不同预定时间段内的历史业务数据,以得到用于训练的T组历史数据特征值。
在子操作S103,对T组历史数据特征值进行集成学习训练,将每组历史数据特征值对应的历史资本充足率作为集成训练的标签,以得到资本充足率预测模型。
在训练阶段,集成学习训练的输入为:预定时间段内的历史业务数据,集成学习训练的输出为:预定时间段内的历史资本充足率综合预测值,训练的标签为:历史业务数据对应的历史资本充足率。
上述子操作S101~S103中,在集成学习训练的过程中,通过将T个不同预定时间段内的历史业务数据处理后得到T组历史数据特征值,使得用于训练的数据组为一组或多组,保证训练得到参数能够较好的表征出历史业务数据和历史资本充足率之间的关联关系。根据实际需要可以选取T的数值,一般而言,T值越大,训练得到的资本充足率预测模型的参数越优化,使得最终输出的预测值越接近真实值,不过T值越大会带来计算资源与消耗成本的增加,导致处理速度减慢,因此T的选择可以根据准确度程度要求、处理资源耗费和处理速度等方面进行综合考量。
在训练时,针对其中一组历史业务数据,可以将该组历史业务数据随机切分为至少三份大小相同的子集,其中一份子集作为验证集,其余子集分别作为训练集,用于进行集成训练。
图5示意性示出了根据本公开实施例的子操作S101的实施过程示意图。
图5中历史业务数据的个数作为示例,不应该理解为对本公开保护范围的限制。参照图5所示,在子操作S101中,获取目标银行的T个不同预定时间段内的历史业务数据和历史业务数据对应的历史资本充足率,示意性示例了第一个预定时间段为2020年10月10日~2020年10月17日,该时间段内的历史业务数据为:{历史业务数据A1,历史业务数据B1,……,历史业务数据X1},该时间段内的历史业务数据对应的历史资本充足率为ZC1。第二个预定时间段为2020年10月1日~2020年11月15日,该时间段内的历史业务数据为:{历史业务数据A2,历史业务数据B2,……,历史业务数据R2},该时间段内的历史业务数据对应的历史资本充足率为ZC2。以此类推,第T个预定时间段示例为:2020年8月5日~2020年11月15日,该时间段内的历史业务数据为:{历史业务数据AT,历史业务数据BT,……,历史业务数据VT},该时间段内的历史业务数据对应的历史资本充足率为ZCT。
上述不同时间段的时长可以根据实际需要进行设置,可以是1天~1年的任意时间,还可以是多年的时长,为了使得训练得到的资本充足率预测模型更优,可以采用相对较短的时间段时长,例如天、周或半个月等。
图6示意性示出了根据本公开一实施例的子操作S102的详细实施流程图。
根据本公开的一实施例,参照图6中实线框所示,处理T个不同预定时间段内的历史业务数据,以得到用于训练的T组历史数据特征值的子操作S102包括以下次子操作:S1021a、S1022a以及S1023a。
在次子操作S1021a,对T个不同预定时间段内的历史业务数据进行特征工程处理,以生成T组降维后的第一数据特征值。
在次子操作S1022a,将T个预定时间段内的历史业务数据输入至第一卷积神经网络进行处理,以提取出T组第二数据特征值。
这里的第一卷积神经网络的“第一”的修饰是为了与后续次子操作S1024b中要描述的卷积神经网络进行区分,将这里的卷积神经网络描述为第一卷积神经网络,后续要描述的卷积神经网络描述为第二卷积神经网络,在实现方式上,第一卷积神经网络和第二卷积神经网络可以采用同一个卷积神经网络。
在次子操作S1023a,将T组第一数据特征值与T组第二数据特征值针对不同的预定时间段分别进行合并处理,合并处理之后得到的T组数据特征值为用于训练的T组历史数据特征值。
图7示意性示出了根据本公开一实施例的子操作S102的实施过程示意图。
参照图7所示,在次子操作S1021a和S1022a中,对第一个预定时间段内的历史业务数据分别进行特征工程处理和输入至第一卷积神经网络进行处理,如图7中虚线箭头所示,第一个预定时间段内的历史业务数据经过特征工程处理后得到降维后的第一数据特征值为:{S11,S12,S13,S14,S15},经过第一卷积神经网络进行处理后提取出的第二数据特征值为:{S16,S17,S18}。对第二个预定时间段内的历史业务数据分别进行特征工程处理和输入至第一卷积神经网络进行处理,如图7中单点划线箭头所示,第二个预定时间段内的历史业务数据经过特征工程处理后得到降维后的第一数据特征值为:{S21,S22,S23,S24,S25,S26},经过第一卷积神经网络进行处理后提取出的第二数据特征值为:{S25,S26,S27,S28,S29}。以此类推,对第T个预定时间段内的历史业务数据分别进行特征工程处理和输入至第一卷积神经网络进行处理,如图7中双点划线箭头所示,第T个预定时间段内的历史业务数据经过特征工程处理后得到降维后的第一数据特征值为:{ST1,ST2,ST3,ST4,ST6},经过第一卷积神经网络进行处理后提取出的第二数据特征值为:{ST2,ST3,ST5,ST7,ST8,ST9}。由此可以得到T组降维后的第一数据特征值和T组第二数据特征值。
参照图7所示,在次子操作S1023a,将T组第一数据特征值与T组第二数据特征值针对不同的预定时间段分别进行合并处理,针对第一个预定时间段,将{S11,S12,S13,S14,S15}和{S16,S17,S18}进行合并处理之后得到的数据特征值为:{S11,S12,S13,S14,S15,S16,S17,S18}。针对第二个预定时间段,将{S21,S22,S23,S24,S25,S26}和{S25,S26,S27,S28,S29}合并处理之后得到的数据特征值为:{S21,S22,S23,S24,S25,S26,S27,S28,S29}。以此类推,针对第T个预定时间段,将{ST1,ST2,ST3,ST4,ST6}和{ST2,ST3,ST5,ST7,ST8,ST9}合并处理之后得到的数据特征值为:{ST1,ST2,ST3,ST4,ST6,ST5,ST7,ST8,ST9}。由此可以得到T组历史数据特征值,上述T组历史数据特征值用于进行集成训练,以得到资本充足率预测模型。
特征工程是指把原始数据转变为模型的训练数据的过程。其设置目的是为了获取更好的训练数据特征,使得机器学习模型逼近这个上限。特征工程能使得模型的性能得到提升。特征工程包括:特征构建、特征提取和特征选择三个部分。特征提取和特征选择两者都能帮助减少特征的维度、数据冗余,特征提取有时能发现更有意义的特征属性,特征选择的过程经常能表示出每个特征的重要性对于模型构建的重要性。
将原始的业务数据输入至第一卷积神经网络进行训练,能够对输入的数据进行特征提取,以得到表征原始的业务数据的第二数据特征值。上述原始的业务数据可以是历史业务数据或后续的所要预测时间段的业务数据。
本实施例中,通过分别基于特征工程和神经网络进行特征提取,将两种途径得到的特征进行合并处理后,生成的用于训练的T组历史数据特征值具有较好的代表性,有助于后续资本充足率预测模型的训练和提升资本充足率预测模型的预测性能。
根据本公开的实施例,参照图7中虚线框所示,上述处理T个不同预定时间段内的历史业务数据,以得到用于训练的T组历史数据特征值的子操作S102除了包括次子操作S1021a、S1022a和S1023a之外,还包括次子操作S1020a:对T个不同预定时间段内的历史业务数据进行预处理。
可以在执行完次子操作S1020a之后再分别执行在次子操作S1021a和S1022a,即,进行特征工程处理和输入至第一卷积神经网络进行处理的历史业务数据为预处理之后的历史业务数据。
上述预处理包括以下至少一种:将文字类型的历史业务数据通过词向量模型转换为数值类型的数据;对关键特征信息缺失个数低于设定值的历史业务数据的关键缺失特征信息进行补录;对关键特征信息缺失个数大于设定值的历史业务数据进行剔除;以及对异常的历史业务数据进行剔除。
在一实例中,例如,可以通过设置校验规则,对历史业务数据作最基本的合法性校验,保证银行内部数据的特征值数据正确。比如预处理包括筛选业务数据、缺失信息处理和异常信息清理等。
对关键特征信息缺失个数低于设定值的历史业务数据的关键缺失特征信息进行补录时,如果存在无法补录的数据型特征值,则取当天特征值为前后两天特征值的平均值,以特征值为金额为例,补录的方式可以是xi=(xi-1+xi+1)/2,xi-1和xi+1为前后两天的金额,xi为当天补录的金额。对异常的历史业务数据进行剔除,包括:如果某一时间范围内的特征值数据发生巨大震荡,例如急剧增加或减少,则认为是突发事件或偶然事件导致的数据直接剔除。
在一示例性实例中,业务数据的属性和属性值如表1所示意,可以对上述业务数据分别进行特征工程处理和输入至第一卷积神经网络模型进行处理之后,再进行合并处理,以得到用于训练的T组历史数据特征值。根据实际情况,在预处理的过程中,也可以将文字类型的历史业务数据通过词向量模型转换为数值类型的数据。
表1业务数据的属性和属性值
图8示意性示出了根据本公开另一实施例的子操作S102的详细实施流程图。
根据本公开的另一实施例,参照图8所示,处理T个不同预定时间段内的历史业务数据,以得到用于训练的T组历史数据特征值的子操作S102包括以下次子操作:S1021b、S1022b、S1023b、S1024b和S1025b。
在次子操作S1021b,对T个不同预定时间段内的历史业务数据进行特征工程处理,以生成T组降维后的第一数据特征值。
在次子操作S1022b,将T个预定时间段内的历史业务数据输入至第一卷积神经网络进行处理,以提取出T组第二数据特征值。
在次子操作S1023b,将T组第一数据特征值与T组第二数据特征值针对不同的预定时间段分别进行合并处理,得到T组第三数据特征值。
在次子操作S1024b,将T组第三数据特征值分别输入至第二卷积神经网络进行训练,以得到T组第三数据特征值中每组第三数据特征值内各个第三数据特征值的权重。
在次子操作S1025b,根据每组第三数据特征值内各个第三数据特征值的权重与对应的第三数据特征值得到T组加权后的数据特征值,T组加权后的数据特征值为用于训练的T组历史数据特征值。
图9示意性示出了根据本公开另一实施例的子操作S102的实施过程示意图。
参照图9所示,本实施例中,子操作S102包括以下次子操作:次子操作S1021b、S1022b、S1023b、S1024b和S1025b。
本实施例的次子操作S1021b、S1022b的实施过程与上述实施例中的次子操作S1021a和S1022a的实施过程相同,这里不再赘述。
参照图9和图7所示,次子操作S1023b中将T组第一数据特征值与T组第二数据特征值针对不同的预定时间段分别进行合并处理后,得到T组第三数据特征值,该T组第三数据特征值不像上面次子操作S1021a~S1023a描述的实施例那样,本实施例中,T组第三数据特征值不是作为用于训练的T组历史数据特征值,而是需要执行次子操作S1024b和次子操作S1025b。
在次子操作S1024b中,将T组第三数据特征值分别输入至第二卷积神经网络进行训练,以得到T组第三数据特征值中每组第三数据特征值内各个第三数据特征值的权重,例如图9中所示例的第一个预定时间段对应的第三数据特征值{S11,S12,S13,S14,S15,S16,S17,S18}在输入第二卷积神经网络进行训练之后,得到各个特征值对应的权重为:{W11,W12,W13,W14,W15,W16,W17,W18}。第二个预定时间段对应的第三数据特征值{S21,S22,S23,S24,S25,S26,S27,S28,S29}在输入第二卷积神经网络进行训练之后,得到各个特征值对应的权重为:{W21,W22,W23,W24,W25,W26,W27,W28,W29}。以此类推,第T个预定时间段对应的第三数据特征值{ST1,ST2,ST3,ST4,ST6,ST5,ST7,ST8,ST9}在输入第二卷积神经网络进行训练之后,得到各个特征值对应的权重为:{WT1,WT2,WT3,WT4,WT6,WT5,WT7,WT8,WT9}。
在次子操作S1025b中,根据每组第三数据特征值内各个第三数据特征值的权重与对应的第三数据特征值得到T组加权后的数据特征值,T组加权后的数据特征值为用于训练的T组历史数据特征值,例如图9中示例的第一个预定时间段对应的加权后的数据特征值为:{S11W11,S12W12,S13W13,S14W14,S15W15,S16W16,S17W17,S18W18},第二个预定时间段对应的加权后的数据特征值为:{S21W21,S22W22,S23W23,S24W24,S25W25,S26W26,S27W27,S28W28,S29W29}。以此类推,第T个预定时间段对应的加权后的数据特征值为:{ST1WT1,ST2WT2,ST3WT3,ST4WT4,ST6WT6,ST5WT5,ST7WT7,ST8WT8,ST9WT9}。
参照图8所示,本实施例的子操作S102除了包括次子操作S1021b、S1022b、S1023b、S1024b和S1025b之外,还可以包括次子操作S1020b:对T个不同预定时间段内的历史业务数据进行预处理。
可以在执行完次子操作S1020b之后再分别执行在次子操作S1021b和S1022b,即,进行特征工程处理和输入至第一卷积神经网络进行处理的历史业务数据为预处理之后的历史业务数据。预处理的实施方式可以参照前述有关次子操作S1020a的描述,这里不再赘述。
图10示意性示出了根据本公开实施例的子操作S103的详细实施流程图。
根据本公开的实施例,参照图10所示,对T组历史数据特征值进行集成学习训练,将每组历史数据特征值对应的历史资本充足率作为集成训练的标签,以得到资本充足率预测模型的子操作S103包括以下次子操作:S1031和S1032。
在次子操作S1031,将T组历史数据特征值的每组历史数据特征值输入至M个不同的第一级机器学习模型中进行训练,输出为M个历史资本充足率预测值,M≥2。
在次子操作S1032,将M个历史资本充足率预测值输入至第二级机器学习模型中进行训练,第二级机器学习模型的输出为历史资本充足率综合预测值,其中,T组历史数据特征值的每组历史数据特征值对应的历史资本充足率作为集成训练的标签。
其中,第二级机器学习模型可以是支持向量机回归模型(SVR)。
图11示意性示出了根据本公开实施例的子操作S103的实施过程示意图。
参照图11所示,以M=4为例,这里四个第一级机器学习模型分别描述为:第一级机器学习模型A、第一级机器学习模型B、第一级机器学习模型C和第一级机器学习模型D。在一实例中,上述第一级机器学习模型可以是以下机器模型LightGBM、XGBOOST、Random Forest或Catboost中的至少2个。上述T组历史数据特征值的每一组均需要进行集成训练,这里以第一组历史数据特征值为例进行说明,其他组的历史数据特征值的操作与第一组历史数据特征值的操作相同。参照图11所示,第一组历史数据特征值分别输入至第一级机器学习模型A、第一级机器学习模型B、第一级机器学习模型C和第一级机器学习模型D中,上述第一组历史数据特征值可以是前述实施例中的{S11,S12,S13,S14,S15,S16,S17,S18},或者也可以是前述实施例中的{S11W11,S12W12,S13W13,S14W14,S15W15,S16W16,S17W17,S18W18}。第一组历史数据特征值在上述第一级机器学习模型A、第一级机器学习模型B、第一级机器学习模型C和第一级机器学习模型D分别进行训练后对应输出四个历史资本充足率预测值YA、YB、YC和YD。上述四个历史资本充足率预测值YA、YB、YC和YD输入至第二级机器学习模型中进行训练,得到第二级机器学习模型的输出为历史资本充足率综合预测值Y’,训练标签历史资本充足率的实际值:Y实际,在第一组历史数据特征值进行集成训练的过程中,该训练标签为第一组历史数据特征值对应的历史资本充足率ZC1,历史资本充足率ZC1可以参照图5所示。
通过训练第一级机器学习模型和第二级机器学习模型的参数,使得由每组历史数据特征值得到的历史资本充足率综合预测值与每组历史数据特征值对应的历史资本充足率的差值低于设定阈值,训练完成的第一级机器学习模型和第二级机器学习模型为资本充足率预测模型。
图12示意性示出了根据本公开一实施例的操作S12的详细实施流程图。
根据本公开的一实施例,上述处理目标银行所要预测时间段的业务数据,以得到目标数据特征值的操作S12包括以下子操作:S121a、S122a和S123a。
在子操作S121a,对目标银行所要预测时间段的业务数据进行特征工程处理,以生成降维后的第四数据特征值。
在子操作S122a,将目标银行所要预测时间段的业务数据输入至第一卷积神经网络进行处理,以提取出第五数据特征值。
在子操作S123a,将第四数据特征值与第五数据特征值进行合并处理,合并处理之后得到的数据特征值为目标数据特征值。
该操作S12中对于目标银行所要预测时间段的业务数据的处理方式需要与预先构建资本充足率预测模型时针对历史业务数据进行处理的方式对应一致。
图13示意性示出了根据本公开实施例的银行资本充足率的预测方法的一种实施过程示意图。
参照图13所示,以第一级机器学习模型的个数M=4进行示例,在操作S11中,获取目标银行所要预测时间段的业务数据。在子操作S121a和子操作S122a中,对目标银行所要预测时间段的业务数据分别进行特征工程处理和输入至第一卷积神经网络进行处理。示例性的,目标银行所要预测时间段的业务数据进行特征工程处理之后生成的降维后的第四数据特征值为:{S1,S2,S3,S4},目标银行所要预测时间段的业务数据输入至第一卷积神经网络进行处理后提取出的第五数据特征值为:{S5,S6,S7}。然后,执行子操作S123a,将第四数据特征值与第五数据特征值进行合并处理,合并处理之后得到的数据特征值为目标数据特征值{S1,S2,S3,S4,S5,S6,S7}。接着,执行操作S13,将目标数据特征值{S1,S2,S3,S4,S5,S6,S7}输入至资本充足率预测模型中,该资本充足率预测模型包括已经训练好参数的4个第一级机器学习模型和1个第二级机器学习模型。目标数据特征值{S1,S2,S3,S4,S5,S6,S7}分别输入至第一级机器学习模型A、第一级机器学习模型B、第一级机器学习模型C和第一级机器学习模型D之后,对应输出为资本充足率预测值YA1、YB1、YC1和YD1。资本充足率预测值YA1、YB1、YC1和YD1输入至第二级机器学习模型之后,输出为资本充足率综合预测值Y1,该资本充足率综合预测值Y1即为目标银行在所要预测时间段内的资本充足率预测值。
图14示意性示出了根据本公开另一实施例的操作S12的详细实施流程图。
根据本公开的另一实施例,参照图14所示,上述处理目标银行所要预测时间段的业务数据,以得到目标数据特征值的操作S12包括以下子操作:S121b、S122b、S123b、S124b和S125b。
在子操作S121b,对目标银行所要预测时间段的业务数据进行特征工程处理,以生成降维后的第四数据特征值。
在子操作S122b,将目标银行所要预测时间段的业务数据输入至第一卷积神经网络进行处理,以提取出第五数据特征值。
在子操作S123b,将第四数据特征值与第五数据特征值进行合并处理,得到一组第六数据特征值。
在子操作S124b,将该组第六数据特征值输入至第二卷积神经网络进行训练,以得到该组第六数据特征值中每个第六数据特征值的权重。
在子操作S125b,根据该组第六数据特征值中每个第六数据特征值的权重与对应的第六数据特征值得到一组加权后的数据特征值,该组加权后的数据特征值为目标数据特征值。
该操作S12中对于目标银行所要预测时间段的业务数据的处理方式需要与预先构建资本充足率预测模型时针对历史业务数据进行处理的方式对应一致。
图15示意性示出了根据本公开实施例的银行资本充足率的预测方法的另一种实施过程示意图。
参照图15所示,以第一级机器学习模型的个数M=4进行示例,在操作S11中,获取目标银行所要预测时间段的业务数据。在子操作S121b和子操作S122b中,对目标银行所要预测时间段的业务数据分别进行特征工程处理和输入至第一卷积神经网络进行处理。示例性的,目标银行所要预测时间段的业务数据进行特征工程处理之后生成的降维后的第四数据特征值为:{S1,S2,S3,S4},目标银行所要预测时间段的业务数据输入至第一卷积神经网络进行处理后提取出的第五数据特征值为:{S5,S6,S7}。然后,执行子操作S123b,将第四数据特征值与第五数据特征值进行合并处理,得到一组第六数据特征值:{S1,S2,S3,S4,S5,S6,S7}。接着,执行子操作S124b,将该组第六数据特征值输入至第二卷积神经网络进行训练,以得到该组第六数据特征值中每个第六数据特征值的权重:{W1,W2,W3,W4,W5,W6,W7}。继续执行子操作S125b,根据该组第六数据特征值中每个第六数据特征值的权重与对应的第六数据特征值得到一组加权后的数据特征值,该组加权后的数据特征值为目标数据特征值:{S1W1,S2W2,S3W3,S4W4,S5W5,S6W6,S7W7}。再执行操作S13,将目标数据特征值{S1W1,S2W2,S3W3,S4W4,S5W5,S6W6,S7W7}输入至资本充足率预测模型中,该资本充足率预测模型包括已经训练好参数的4个第一级机器学习模型和1个第二级机器学习模型。目标数据特征值{S1W1,S2W2,S3W3,S4W4,S5W5,S6W6,S7W7}分别输入至第一级机器学习模型A、第一级机器学习模型B、第一级机器学习模型C和第一级机器学习模型D之后,对应输出为资本充足率预测值YA2、YB2、YC2和YD2。资本充足率预测值YA2、YB2、YC2和YD2输入至第二级机器学习模型之后,输出为资本充足率综合预测值Y2,该资本充足率综合预测值Y2即为目标银行在所要预测时间段内的资本充足率预测值。
根据本公开的实施例,参照图12中虚线框所示,在操作S12包括子操作S121a、S122a和S123a的实施例中,上述操作S12还可以包括子操作S120a:对目标银行所要预测时间段的业务数据进行预处理。
参照图14中虚线框所示,在操作S12包括子操作S121b、S122b、S123b、S124b和S125b的实施例中,上述操作S12还可以包括子操作S120b:对目标银行所要预测时间段的业务数据进行预处理。
其中,进行特征工程处理和输入至第一卷积神经网络进行处理的目标银行所要预测时间段的业务数据为预处理之后的业务数据。其中,预处理包括以下至少一种:将文字类型的当前业务数据通过词向量模型转换为数值类型的数据;对关键特征信息缺失个数低于设定值的当前业务数据的关键缺失特征信息进行补充;对当前业务数据中关键特征信息缺失个数大于设定值的当前业务数据进行剔除;以及对异常的当前业务数据进行剔除。
图16示意性示出了根据本公开另一实施例的银行资本充足率的预测方法的流程图。
根据本公开的实施例,参照图16所示,上述预测方法除了包括操作S11、S12和S13之外,还包括以下操作S14、S15a和S15b。
在操作S14,确定资本充足率预测值是否落在资本充足率预设范围之内。
资本充足率预设范围根据实际情况可以进行设置,例如,资本充足率预设范围可以为8%~12%,包含端点值。将监管要求的资本充足率阀值,比如监管要求资本充足率不能低于8%,作为下限,制定银行资本充足率过高阀值作为上限,比如银行资本充足率资金与银行资本占比不能高于12%。
在操作S15b,如果资本充足率预测值落在资本充足率预设范围之外,则发出预警提示。
低于下限或高于上限则会发出过低预警和过高预警。
在操作S15a,如果资本充足率预测值落在资本充足率预设范围之内,则报告银行资本充足率符合监管要求。
本公开的第二个示例性实施例提供了一种银行资本充足率的预测装置。
图17示意性示出了根据本公开一实施例的银行资本充足率的预测装置的结构框图。
参照图17所示,本实施例的预测装置2包括:数据获取模块21、特征提取模块22以及预测模块23。
数据获取模块21用于获取目标银行所要预测时间段的业务数据。
特征提取模块22用于处理目标银行所要预测时间段的业务数据,以得到目标数据特征值。
预测模块23用于将目标数据特征值输入至预先构建的资本充足率预测模型,以输出得到目标银行在所要预测时间段内的资本充足率预测值。其中,资本充足率预测模型根据预定时间段内的历史业务数据及历史业务数据对应的历史资本充足率确定。
图18示意性示出了根据本公开实施例的资本充足率预测模型构建模块的结构框图。
根据本公开的实施例,参照图17中虚线框和图18所示,上述预测装置2还包括:资本充足率预测模型构建模块20。上述资本充足率预测模型构建模块20包括:数据获取子模块201、数据处理子模块202以及集成学习训练子模块203。
数据获取子模块201用于获取目标银行的T个不同预定时间段内的历史业务数据和历史业务数据对应的历史资本充足率,T≥2。
数据处理子模块202用于处理T个不同预定时间段内的历史业务数据,以得到用于训练的T组历史数据特征值。
集成学习训练子模块203用于对T组历史数据特征值进行集成学习训练,将每组历史数据特征值对应的历史资本充足率作为集成训练的标签,以得到资本充足率预测模型。
图19示意性示出了根据本公开另一实施例的银行资本充足率的预测装置的结构框图。
根据本公开的实施例,参照图19所示,上述预测装置2除了包括:资本充足率预测模型构建模块20、数据获取模块21、特征提取模块22以及预测模块23之外,还可以包括:资本充足率确定模块24和结果报告模块25。
资本充足率确定模块24用于确定资本充足率预测值是否落在资本充足率预设范围之内。
结果报告模块25用于在资本充足率预测值落在资本充足率预设范围之外的情况下,发出预警提示。上述结果报告模块25还用于在资本充足率预测值落在资本充足率预设范围之内的情况下,报告银行资本充足率符合监管要求。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,数据获取模块21、特征提取模块22以及预测模块23中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,数据获取模块21、特征提取模块22以及预测模块23中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,数据获取模块21、特征提取模块22以及预测模块23中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
本公开的第三个示例性实施例提供了一种电子设备。上述电子设备包括:一个或多个处理器;以及用于存储一个或多个程序的存储装置。其中,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现如上所述的任一种预测方法。
图20示意性示出了根据本公开实施例的电子设备的结构框图。
参照图20所示,根据本公开实施例的电子设备3包括处理器301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储部分308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。处理器301例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器301还可以包括用于缓存用途的板载存储器。处理器301可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 303中,存储有电子设备3操作所需的各种程序和数据。处理器301、ROM 302以及RAM 303通过总线304彼此相连。处理器301通过执行ROM 302和/或RAM 303中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM302和RAM 303以外的一个或多个存储器中。处理器301也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备3还可以包括输入/输出(I/O)接口305,输入/输出(I/O)接口305也连接至总线304。电子设备3还可以包括连接至I/O接口305的以下部件中的一项或多项:包括键盘、鼠标等的输入部分306;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307;包括硬盘等的存储部分308;以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器310上,以便于从其上读出的计算机程序根据需要被安装入存储部分308。
本公开的第四个示例性实施例提供了一种计算机可读存储介质。上述计算机可读存储介质上存储有可执行指令,该指令被处理器执行时使处理器实现如上所述的任一种预测方法。
该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 302和/或RAM 303和/或ROM 302和RAM 303以外的一个或多个存储器。
本公开的第五个示例性实施例提供了一种计算机程序产品。上述计算机程序产品包括用于执行本公开实施例所提供的预测方法的程序代码,当上述计算机程序产品在电子设备上运行时,该程序代码用于使电子设备实现本公开实施例所提供的预测方法。
在该计算机程序被处理器301执行时,执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分309被下载和安装,和/或从可拆卸介质311被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
需要说明的是,本公开实施例的银行资本充足率的预测方法、装置、电子设备及介质可以用于金融领域,也可用于除金融领域之外的任意领域,本公开的银行资本充足率的预测方法、装置、电子设备及介质的应用领域不做限定。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (14)
1.一种银行资本充足率的预测方法,包括:
获取目标银行所要预测时间段的业务数据;
处理所述目标银行所要预测时间段的业务数据,以得到目标数据特征值;以及
将所述目标数据特征值输入至预先构建的资本充足率预测模型,以输出得到目标银行在所要预测时间段内的资本充足率预测值;
其中,所述资本充足率预测模型根据预定时间段内的历史业务数据及所述历史业务数据对应的历史资本充足率确定。
2.根据权利要求1所述的预测方法,还包括:预先构建资本充足率预测模型,所述预先构建资本充足率预测模型包括:
获取目标银行的T个不同预定时间段内的历史业务数据和所述历史业务数据对应的历史资本充足率,T≥1;
处理所述T个不同预定时间段内的历史业务数据,以得到用于训练的T组历史数据特征值;以及
对T组历史数据特征值进行集成学习训练,将每组历史数据特征值对应的历史资本充足率作为集成训练的标签,以得到资本充足率预测模型。
3.根据权利要求2所述的预测方法,其中,所述对T组历史数据特征值进行集成学习训练,将每组历史数据特征值对应的历史资本充足率作为集成训练的标签,以得到资本充足率预测模型,包括:
将T组历史数据特征值的每组历史数据特征值输入至M个不同的第一级机器学习模型中进行训练,输出为M个历史资本充足率预测值,M≥2;
将所述M个历史资本充足率预测值输入至第二级机器学习模型中进行训练,所述第二级机器学习模型的输出为历史资本充足率综合预测值,其中,所述T组历史数据特征值的每组历史数据特征值对应的历史资本充足率作为集成训练的标签;
其中,通过训练第一级机器学习模型和第二级机器学习模型的参数,使得由每组历史数据特征值得到的历史资本充足率综合预测值与每组历史数据特征值对应的历史资本充足率的差值低于设定阈值,训练完成的第一级机器学习模型和第二级机器学习模型为所述资本充足率预测模型。
4.根据权利要求2所述的预测方法,其中,所述处理所述T个不同预定时间段内的历史业务数据,以得到用于训练的T组历史数据特征值,包括:
对T个不同预定时间段内的历史业务数据进行特征工程处理,以生成T组降维后的第一数据特征值;
将T个预定时间段内的历史业务数据输入至第一卷积神经网络进行处理,以提取出T组第二数据特征值;以及
将T组第一数据特征值与T组所述第二数据特征值针对不同的预定时间段分别进行合并处理,合并处理之后得到的T组数据特征值为用于训练的T组历史数据特征值。
5.根据权利要求2所述的预测方法,其中,所述处理所述T个不同预定时间段内的历史业务数据,以得到用于训练的T组历史数据特征值,包括:
对T个不同预定时间段内的历史业务数据进行特征工程处理,以生成T组降维后的第一数据特征值;
将T个预定时间段内的历史业务数据输入至第一卷积神经网络进行处理,以提取出T组第二数据特征值;
将T组第一数据特征值与T组所述第二数据特征值针对不同的预定时间段分别进行合并处理,得到T组第三数据特征值;
将T组第三数据特征值分别输入至第二卷积神经网络进行训练,以得到T组第三数据特征值中每组第三数据特征值内各个第三数据特征值的权重;以及
根据每组第三数据特征值内各个第三数据特征值的权重与对应的第三数据特征值得到T组加权后的数据特征值,所述T组加权后的数据特征值为用于训练的T组历史数据特征值。
6.根据权利要求4或5所述的预测方法,其中,所述处理所述T个不同预定时间段内的历史业务数据,以得到用于训练的T组历史数据特征值,还包括:
对所述T个不同预定时间段内的历史业务数据进行预处理;
其中,进行特征工程处理和输入至第一卷积神经网络进行处理的历史业务数据为预处理之后的历史业务数据;
所述预处理包括以下至少一种:
将文字类型的历史业务数据通过词向量模型转换为数值类型的数据;
对关键特征信息缺失个数低于设定值的历史业务数据的关键缺失特征信息进行补录;
对关键特征信息缺失个数大于设定值的历史业务数据进行剔除;以及
对异常的历史业务数据进行剔除。
7.根据权利要求1或4所述的预测方法,其中,所述处理所述目标银行所要预测时间段的业务数据,以得到目标数据特征值,包括:
对目标银行所要预测时间段的业务数据进行特征工程处理,以生成降维后的第四数据特征值;
将目标银行所要预测时间段的业务数据输入至第一卷积神经网络进行处理,以提取出第五数据特征值;以及
将所述第四数据特征值与所述第五数据特征值进行合并处理,合并处理之后得到的数据特征值为目标数据特征值。
8.根据权利要求7所述的预测方法,其中,所述处理所述目标银行所要预测时间段的业务数据,以得到目标数据特征值,还包括:
对目标银行所要预测时间段的业务数据进行预处理;
其中,进行特征工程处理和输入至第一卷积神经网络进行处理的目标银行所要预测时间段的业务数据为预处理之后的业务数据;
其中,所述预处理包括以下至少一种:
将文字类型的当前业务数据通过词向量模型转换为数值类型的数据;
对关键特征信息缺失个数低于设定值的当前业务数据的关键缺失特征信息进行补充;
对当前业务数据中关键特征信息缺失个数大于设定值的当前业务数据进行剔除;以及
对异常的当前业务数据进行剔除。
9.根据权利要求1或5所述的预测方法,其中,所述处理所述目标银行所要预测时间段的业务数据,以得到目标数据特征值,包括:
对所述目标银行所要预测时间段的业务数据进行特征工程处理,以生成降维后的第四数据特征值;
将所述目标银行所要预测时间段的业务数据输入至第一卷积神经网络进行处理,以提取出第五数据特征值;
将所述第四数据特征值与所述第五数据特征值进行合并处理,得到一组第六数据特征值;
将该组第六数据特征值输入至第二卷积神经网络进行训练,以得到该组第六数据特征值中每个第六数据特征值的权重;以及
根据该组第六数据特征值中每个第六数据特征值的权重与对应的第六数据特征值得到一组加权后的数据特征值,该组加权后的数据特征值为目标数据特征值。
10.根据权利要求1所述的预测方法,其中,还包括:
确定所述资本充足率预测值是否落在资本充足率预设范围之内;
如果所述资本充足率预测值落在资本充足率预设范围之外,则发出预警提示。
11.一种银行资本充足率的预测装置,包括:
数据获取模块,用于获取目标银行所要预测时间段的业务数据;
特征提取模块,用于处理所述目标银行所要预测时间段的业务数据,以得到目标数据特征值;以及
预测模块,用于将所述目标数据特征值输入至预先构建的资本充足率预测模型,以输出得到目标银行在所要预测时间段内的资本充足率预测值;
其中,所述资本充足率预测模型根据预定时间段内的历史业务数据及所述历史业务数据对应的历史资本充足率确定。
12.根据权利要求11所述的预测装置,还包括:资本充足率预测模型构建模块,所述资本充足率预测模型构建模块包括:
数据获取子模块,用于获取目标银行的T个不同预定时间段内的历史业务数据和所述历史业务数据对应的历史资本充足率,T≥1;
数据处理子模块,用于处理所述T个不同预定时间段内的历史业务数据,以得到用于训练的T组历史数据特征值;以及
集成学习训练子模块,用于对T组历史数据特征值进行集成学习训练,将每组历史数据特征值对应的历史资本充足率作为集成训练的标签,以得到资本充足率预测模型。
13.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1-10中任一项所述的预测方法。
14.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现权利要求1-10中任一项所述的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011513255.XA CN112613978B (zh) | 2020-12-18 | 2020-12-18 | 银行资本充足率的预测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011513255.XA CN112613978B (zh) | 2020-12-18 | 2020-12-18 | 银行资本充足率的预测方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112613978A true CN112613978A (zh) | 2021-04-06 |
CN112613978B CN112613978B (zh) | 2024-02-06 |
Family
ID=75244492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011513255.XA Active CN112613978B (zh) | 2020-12-18 | 2020-12-18 | 银行资本充足率的预测方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613978B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537576A (zh) * | 2021-06-25 | 2021-10-22 | 合肥工业大学 | 用于预测上市企业财务困境的方法及系统 |
CN114037235A (zh) * | 2021-10-28 | 2022-02-11 | 建信金融科技有限责任公司 | 一种经济资本分配方法、装置、设备及存储介质 |
CN114971017A (zh) * | 2022-05-26 | 2022-08-30 | 中国银行股份有限公司 | 银行交易数据的处理方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6113263B1 (ja) * | 2015-12-28 | 2017-04-12 | 株式会社三井住友銀行 | コミットメントライン追加引出率推計モデル |
CN108764632A (zh) * | 2018-04-24 | 2018-11-06 | 阿里巴巴集团控股有限公司 | 一种风险控制方法、装置及设备 |
CN110363661A (zh) * | 2019-08-05 | 2019-10-22 | 中国工商银行股份有限公司 | 银行流动性预测方法及装置 |
CN111612629A (zh) * | 2020-06-04 | 2020-09-01 | 国泰君安证券股份有限公司 | 基于长短期循环神经网络的实现股市风险预测处理的方法及其系统 |
CN111768290A (zh) * | 2020-06-23 | 2020-10-13 | 中国工商银行股份有限公司 | 确定业务的风险权重系数的方法及装置 |
-
2020
- 2020-12-18 CN CN202011513255.XA patent/CN112613978B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6113263B1 (ja) * | 2015-12-28 | 2017-04-12 | 株式会社三井住友銀行 | コミットメントライン追加引出率推計モデル |
CN108764632A (zh) * | 2018-04-24 | 2018-11-06 | 阿里巴巴集团控股有限公司 | 一种风险控制方法、装置及设备 |
CN110363661A (zh) * | 2019-08-05 | 2019-10-22 | 中国工商银行股份有限公司 | 银行流动性预测方法及装置 |
CN111612629A (zh) * | 2020-06-04 | 2020-09-01 | 国泰君安证券股份有限公司 | 基于长短期循环神经网络的实现股市风险预测处理的方法及其系统 |
CN111768290A (zh) * | 2020-06-23 | 2020-10-13 | 中国工商银行股份有限公司 | 确定业务的风险权重系数的方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537576A (zh) * | 2021-06-25 | 2021-10-22 | 合肥工业大学 | 用于预测上市企业财务困境的方法及系统 |
CN114037235A (zh) * | 2021-10-28 | 2022-02-11 | 建信金融科技有限责任公司 | 一种经济资本分配方法、装置、设备及存储介质 |
CN114971017A (zh) * | 2022-05-26 | 2022-08-30 | 中国银行股份有限公司 | 银行交易数据的处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112613978B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112613978A (zh) | 银行资本充足率的预测方法、装置、电子设备及介质 | |
CN110197426B (zh) | 一种信用评分模型的建立方法、装置及可读存储介质 | |
CN113610230A (zh) | 训练方法、预测方法、装置、计算机系统及存储介质 | |
CN114358147A (zh) | 异常账户识别模型的训练方法、识别方法、装置及设备 | |
US20190279228A1 (en) | Suspicious activity report smart validation | |
US20240070293A1 (en) | Electronic system for identifying faulty code and vulnerabilities in software programs using linked evaluation tools | |
US20220222683A1 (en) | Labeling optimization through image clustering | |
CN111695988A (zh) | 信息处理方法、装置、电子设备和介质 | |
CN117033431A (zh) | 工单处理方法、装置、电子设备和介质 | |
CN116091249A (zh) | 交易风险的评估方法、装置、电子设备和介质 | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN115983995A (zh) | 交易业务监管方法、装置、设备及存储介质 | |
CN115760010A (zh) | 报关单的审核方法、报关方法、装置、设备及存储介质 | |
US20220318617A1 (en) | Predicting future events of predetermined duration using adaptively trained artificial-intelligence processes | |
CN115994819A (zh) | 风险客户识别方法、装置、设备和介质 | |
CN114841800A (zh) | 用于贷款的风险评估方法、装置、设备及介质 | |
CN111429257B (zh) | 一种交易监控方法和装置 | |
CN114493853A (zh) | 信用等级评价方法、装置、电子设备及存储介质 | |
CN113094595A (zh) | 对象识别方法、装置、计算机系统及可读存储介质 | |
CN113159937A (zh) | 识别风险的方法、装置和电子设备 | |
US20220207409A1 (en) | Timeline reshaping and rescoring | |
US20220164878A1 (en) | Systems and methods for automated loan reconsideration and providing real time access to recommendations for loan qualification | |
CN116797024A (zh) | 业务处理方法、装置、电子设备和存储介质 | |
CN114820214A (zh) | 信息处理方法及装置、电子设备和计算机可读存储介质 | |
CN117934154A (zh) | 交易风险预测方法、模型训练方法、装置、设备、介质和程序产品 |
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 |