CN112734099A - 企业风险的预测方法、装置及服务器 - Google Patents

Abstract

本发明提供了一种企业风险的预测方法、装置及服务器，涉及风险评估技术领域，包括：获取待预测企业的目标数据；通过预先配置的多个风险预测模型组分别基于目标数据进行风险预测，得到各个风险预测模型组输出的融合结果；其中，每个风险预测模型组均包括至少一个风险预测模型，不同风险预测模型组的预测的风险类别不同；对各个风险预测模型组输出的融合结果进行融合，得到待预测企业的风险预测结果。本发明可以有效提高企业风险的捕获率。

Description

企业风险的预测方法、装置及服务器

技术领域

本发明涉及风险评估技术领域，尤其是涉及一种企业风险的预测方法、装置及服务器。

背景技术

目前，以银行为代表的金融机构，经过多年的积累已构建较多模型用于预测企业风险，由于风险预测模型过多，在不同风险预测模型产生的预测结果不同时，将难以决定以哪个风险预测模型的结果作为最终的风险预测结果。虽然相关技术已经提供一些模型集成方案，例如对各个模型采用多数表决的方式，或者多各个模型输出的结果进行加权平均，或者在各个模型的基础上再次构建总模型，并通过总模型自动学习上述各个模型输出的结果的权重等，但上述模型集成方案均无法较好地应用于企业风险预测场景，导致企业风险预测结果的捕获率较低。

发明内容

有鉴于此，本发明的目的在于提供一种企业风险的预测方法、装置及服务器，可以有效提高企业风险的捕获率。

第一方面，本发明实施例提供了一种企业风险的预测方法，包括：获取待预测企业的目标数据；通过预先配置的多个风险预测模型组分别基于所述目标数据进行风险预测，得到各个所述风险预测模型组输出的融合结果；其中，每个所述风险预测模型组均包括至少一个风险预测模型，不同所述风险预测模型组的预测的风险类别不同；对各个所述风险预测模型组输出的融合结果进行融合，得到所述待预测企业的风险预测结果。

在一种实施方式中，在所述通过预先配置的多个风险预测模型组分别基于所述目标数据进行风险预测，得到各个所述风险预测模型组输出的融合结果的步骤之前，所述方法还包括：获取待配置的多个风险预测模型；对各个所述风险预测模型根据所使用到的特征进行分类梳理，得到多个风险类别的特征；按照各个所述风险类别的特征，对各个所述风险预测模型进行分组，得到多个风险预测模型组。

在一种实施方式中，所述通过预先配置的多个风险预测模型组分别基于所述目标数据进行风险预测，得到各个所述风险预测模型组输出的融合结果的步骤，包括：针对每个风险预测模型组，通过该风险预测模型组内的每个风险预测模型基于所述目标数据进行风险预测，并对各个所述风险预测模型的输出结果进行融合，得到该风险预测模型组输出的融合结果。

在一种实施方式中，所述各个所述风险预测模型的输出结果进行融合，得到该风险预测模型组输出的融合结果的步骤，包括：如果该风险预测模型组包括一个风险预测模型，将所述风险预测模型的输出结果确定为该风险预测模型组输出的融合结果；如果该风险预测模型组包括多个风险预测模型，对各个所述风险预测模型的输出结果进行集成，将集成结果确定为该风险预测模型组输出的融合结果。

在一种实施方式中，所述对各个所述风险预测模型组输出的融合结果进行融合，得到所述待预测企业的风险预测结果的步骤，包括：按照指定顺序规则对各个所述风险预测模型组输出的融合结果进行排序，并将最大融合结果确定为所述待预测企业的风险预测结果。

在一种实施方式中，所述方法还包括：利用预设工具对所述风险预测结果进行调整，以优化所述风险预测结果。

在一种实施方式中，所述预设工具包括KS曲线工具。

第二方面，本发明实施例还提供一种企业风险的预测装置，包括：获取模块，用于获取待预测企业的目标数据；预测模块，用于通过预先配置的多个风险预测模型组分别基于所述目标数据进行风险预测，得到各个所述风险预测模型组输出的融合结果；其中，每个所述风险预测模型组均包括至少一个风险预测模型，不同所述风险预测模型组的预测的风险类别不同；融合模块，用于对各个所述风险预测模型组输出的融合结果进行融合，得到所述待预测企业的风险预测结果。

第三方面，本发明实施例还提供一种服务器，包括处理器和存储器；所述存储器上存储有计算机程序，所述计算机程序在被所述处理器运行时执行如第一方面提供的任一项所述的方法。

第四方面，本发明实施例还提供一种计算机存储介质，用于储存为第一方面提供的任一项所述方法所用的计算机软件指令。

本发明实施例提供的一种企业风险的预测方法、装置及服务器，该方法首先获取待预测企业的目标数据，并通过预先配置的多个风险预测模型组分别基于目标数据进行风险预测，得到各个风险预测模型组输出的融合结果，然后对各个风险预测模型组输出的融合结果进行融合，得到待预测企业的风险预测结果，其中，每个风险预测模型组均包括至少一个风险预测模型，不同风险预测模型组的预测的风险类别不同。本发明实施例提供了一种新的模型集成方法，利用用于预测不同风险类别的多个风险预测模型组对待预测企业的目标数据进行风险预测，得到每个风险预测模型组进行组内融合输出的融合特征，最后再对各个融合特征再次进行融合确定风险预测结果，本发明实施例更加适用于企业风险预测场景，能更充分的利用企业不完整的数据，更加有效的对企业的风险状况进行预测，从而有效提高企业风险预测结果的捕获率。

本发明的其他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在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种企业风险的预测方法的流程示意图；

图2为本发明实施例提供的另一种企业风险的预测方法的流程示意图；

图3为本发明实施例提供的一种企业风险的预测装置的结构示意图；

图4为本发明实施例提供的一种服务器的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前，相关技术中公开的模型集成方法包括：(1)对各个模型采用多数表决的方式，假设5个模型，其中3个模型预测某企业未来一段时间内会发生违约，另外2个子模型预测某企业未来一段时间内不会发生违约，则根据多数表决，最终预测该企业会发生违约。(2)多各个模型输出的结果进行加权平均。例如，假设5个模型，各个模型预测某企业未来一段时间内发生违约的概率分别为0.87,0.32,0.53,0.62,0.31，根据业务专家设置各个模型的权重(诸如，均为1)，则最终的预测结果为：(0.87+0.32+0.53+0.62+0.31)/5＝0.53。(3)在各个模型的基础上再次构建总模型，并通过总模型自动学习上述各个模型输出的结果的权重，例如，假设5个模型，将各个模型的预测结果作为特征，将企业是否违约作为目标变量，再次构建总模型G，将总模型G的预测结果作为最终的预测结果。

但是，企业的经营是一个有明显“木桶效应”的活动，存在管理、产品均无问题但因为种种原因导致资金链断裂的情况，此时企业也面临破产的危机；也存在企业的自身经营、管理、产品等方面均无问题，但因为之前替其他企业担保，而其他企业发生重大风险，导致该企业受到牵连的情况。在建模时，通常收集到的数据越多、维度越丰富，效果也会越好，但受制于种种原因，数据的维度往往是不够全面，甚至还存在数据错误的可能。

以预测发行债券的企业主体违约(一家企业可能会发行很多支债券，只要有一支债券违约，就算该企业这个主体违约)为例，从财务报表角度出发构建财务类子模型，往往是最容易想到也最能反映企业经营状况的，但现实是财务报表更新的频率很低，快则一个季度，慢则一年，这样即使财务报表能反映企业风险状况，时效性也太差，另外，不少企业往往还会在发布财务报表时进行粉饰，更加影响了财务类子模型的效果，为了保证效果，可以再使用企业舆情事件，构建一个舆情事件类子模型，根据上文内容，有些企业发生风险，还有可能是关联企业有重大风险受到牵连导致的，因此，可以再构建一个关联类子模型，现在针对发债主体违约预测的问题，有了三个子模型：财务类子模型、事件类子模型、关联类子模型，如果一个企业发生风险，这三个子模型中至少有2个能预测到，那么使用现有的模型融合方法没有问题，但根据上文内容，如果企业自身财报没有问题，舆情事件也没有反应风险，但关联企业出现了重大风险，那么此时，财务类子模型、事件类子模型都会失效，关联类子模型预测违约，而使用传统的模型集成方法，无论是多数表决，还是加权平均，还是再次构建模型，这个企业最终的预测结果都是没有风险，可见传统模型融合方法无法较好地应用于预测企业风险。无论是采用多数表决还是加权平均进行模型融合，基本上都隐含了一个假设：各个模型的数据是完整的，而在企业风险预测方面，却充斥着大量的不完整信息，导致传统的模型融合方法失效，现有的面模型融合方法，没有充分考虑到信息的不完整性、信息的掩饰。

基于此，本发明实施提供了一种企业风险的预测方法、装置及服务器，有效提高企业风险的捕获率。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种企业风险的预测方法进行详细介绍，参见图1所示的一种企业风险的预测方法的流程示意图，该方法主要包括以下步骤S102至步骤S106：

步骤S102，获取待预测企业的目标数据。

步骤S104，通过预先配置的多个风险预测模型组分别基于目标数据进行风险预测，得到各个风险预测模型组输出的融合结果。其中，每个风险预测模型组均包括至少一个风险预测模型，不同风险预测模型组的预测的风险类别不同。其中，风险类别可以包括财务类、市场类、事件类、关联类等多种类别，具体可基于实际需求划分所需的风险类别。在一种实施方式中，可以利用每个风险预测模型组内的每个风险预测模型分别基于目标数据进行风险预测得到输出结果，对于每个风险预测模型组，可以将该凤霞预测模型组内的每个风险预测模型输出的输出结果进行融合，即可得到该风险预测模型组的融合结果。

步骤S106，对各个风险预测模型组输出的融合结果进行融合，得到待预测企业的风险预测结果。在一种实施方式中，可以预先配置企业ID(Identity document，身份证标识号)列表，然后调整各个风险预测模型组的融合结果的顺序，使其与企业ID列表顺序一致，并取融合结果中的最大值作为待预测企业的风险预测结果。

本发明实施例提供的上述企业风险的预测方法，提供了一种新的模型集成方法，利用用于预测不同风险类别的多个风险预测模型组对待预测企业的目标数据进行风险预测，得到每个风险预测模型组进行组内融合输出的融合特征，最后再对各个融合特征再次进行融合确定风险预测结果，本发明实施例更加适用于企业风险预测场景，能更充分的利用企业不完整的数据，更加有效的对企业的风险状况进行预测，从而有效提高企业风险的捕获率。

为提高企业风险的捕获率，本发明实施例需要对风险预测模型组进行配置，在一种实施方式中，可以首先获取待配置的多个风险预测模型，然后对各个风险预测模型根据所使用到的特征进行分类梳理，得到多个风险类别的特征，最后按照各个风险类别的特征，对各个风险预测模型进行分组，得到多个风险预测模型组。在实际应用中，可以先对所有风险预测模型的所有特征进行梳理，将特征尽可能的划分为能从不同视角反映企业风险状况的类别，例如可以从数据的获取来源进行划分，将所有特征分为来自财报为代表的财务类特征，来股市、债市的市场类特征，来自新闻公告的事件类特征，来自交易记录的交易类特征，来自供应链的特征，来自股权、担保的关联类特征等类别。

然后将风险预测模型按照上述特征分类进行划分，如果是从0开始构建模型，也可以从这些特征分类开始分别构建风险预测模型。金融机构现有的大部分模型，基本上都是先从财报为主的财务类特征开始构建，之后逐渐构建了股权、担保为主的关联类子模型，因此，各个风险预测模型又可以按照特征的分类划分为若干子模型，例如财务类子模型，市场类子模型等，本发明实施例将使用相同特征类别的风险预测模型合在一起称之为子模型组(也即，前述风险预测模型组)。以财务类子模型组为例，因为不同行业的生产要素不同，不同地域的政策有别，通常又会分行业、地域构建不同的风险预测模型，但只要考虑的特征为财务类的特征，即可并入财务类子模型组。

可选的，本发明实施例提供了一种前述步骤S104的实施方式，针对每个风险预测模型组，通过该风险预测模型组内的每个风险预测模型基于目标数据进行风险预测，并对各个风险预测模型的输出结果进行融合，得到该风险预测模型组输出的融合结果。例如，对于财务类特征子模型组和市场类特征子模型组，分别通过财务类特征子模型组中的每个风险预测模型基于目标数据进行风险预测，并将各个风险预测模型的输出结果进行融合，得到财务类特征子模型组的融合结果，以及通过市场类特征子模型组中的每个风险预测模型基于目标数据进行风险预测，并将各个风险预测模型的输出结果进行融合，得到市场类特征子模型组的融合结果。

在执行各个风险预测模型的输出结果进行融合，得到该风险预测模型组输出的融合结果的步骤时，可参见如下方式一至方式二：方式一，如果该风险预测模型组包括一个风险预测模型，将风险预测模型的输出结果确定为该风险预测模型组输出的融合结果，例如对于财务类子模型组，如果组内只有一个风险预测模型，则直接使用该风险预测模型的输出结果作为财务类子模型组的融合结果即可；方式二：如果该风险预测模型组包括多个风险预测模型，对各个风险预测模型的输出结果进行集成，将集成结果确定为该风险预测模型组输出的融合结果；例如对于财务类子模型组，如果组内包括多个风险预测模型，对组内的每一个风险预测模型的输出结果采用集成的方式进行融合。其中，集成方式可以包括加权平均和/或多数投票法，具体的，假设风险预测模型为回归类模型，可以采用加权平均的方式对各个风险预测模型进行集成，假设风险预测模型为分类模型，则可以采用多数投票法对各个风险预测模型进行集成。

为便于理解，本发明实施例还提供了一种对各个风险预测模型组输出的融合结果进行融合，得到待预测企业的风险预测结果的实施方式，可以按照指定顺序规则对各个风险预测模型组输出的融合结果进行排序，并将最大融合结果确定为待预测企业的风险预测结果。在一种可选的实施方式中，每个风险预测模型组均对应一个融合结果，此时可以首先对风险预测模型组的融合结果对齐，例如设置一个企业ID列表，然后调整各个风险预测模型组融合结果的顺序，保持与企业ID列表顺序一致，并将各个风险预测模型组中融合结果的最大值确定为最终的风险预测结果。由于在实际应用中，通常存在数据收集不完善、信息被可以掩盖等情况，只要有一个视角(子模型组)能说明企业有风险，那就可以预测该企业最终有风险，因此本发明实施例采用上述方式融合各个子模型组的融合特征，可以较为合理地预测待预测企业的风险。

考虑到对各风险预测模型组的结果进行融合后，得到的风险预测结果的召回率可能会升高，且精确率会下降，为此，本发明实施例还提供了一种风险预测结果进行调整优化的方法，可以利用预设工具对风险预测结果进行调整，以优化风险预测结果，其中，预设工具包括KS曲线工具。例如，借助KS曲线等工具，调整分类时正负样本的决策边界，从而实现风险预测结果的优化。

为便于对前述实施例提供的企业风险的预测方法进行理解，本发明实施例提供了一种企业风险的预测方法的应用示例，参见图2所示的另一种企业风险的预测方法的流程示意图，图2中示意出，首先梳理各个风险预测模型(也可称之为，子模型)建模时使用的特征，诸如财务类特征、市场类特征、事件类特征、关联类特征等，然后根据梳理后的特征对各个风险预测模型进行分组得到多个风险预测模型组，假设得到财务类特征子模型组(包括子模型1和子模型2等)、市场类特征子模型组(包括子模型1和子模型2等)、事件类特征子模型(包括子模型1和子模型2等)、关联类特征子模型(包括子模型1和子模型2等)，然后对各个风险预测模型组内的风险预测模型进行融合，分别得到财务类特征子模型结果、市场类特征子模型组结果、事件类特征子模型组结构、关联类特征子模型组结果，按照企业ID顺序对齐结果，并分别对各风险预测模型组的融合结果取最大值，最后对融合结果进行评估和调整。

示例性的，以构建发债主体违约预测模型为例，参见表1所示的一种发债主体违约预测模型的融合效果，共有两个风险预测模型组(包括财务类特征子模型组和事件类特征子模型组)，每组内各一个风险预测模型，财务类特征子模型组的模型使用来自财报的特征构建，事件类特征子模型组的模型使用来自新闻、公告的特征构建，表中列举了2019年12月31日的预测结果的，该日期之后至2020年12月1日，共22个发债主体违约，单独使用财务类特征的子模型，在2019年12月31日预测到了16个，单独使用事件类特征的子模型，预测到了14个，使用本发明实施例提供的企业风险的预测方法进行模型融合后，共预测到了18个，可见本发明实施例提供的企业风险的预测方法能够有效提高模型的预测效果。

表1

	财务类特征子模型组	事件类特征子模型组	融合效果
				捕获数量	16	14	18
召回率	0.72	0.63	0.81

综上，本发明实施例提供的企业风险的预测方法，首先对特征进行分类、再根据模型使用的特征情况对模型进行分类并划分为风险预测模型组、对风险预测模型组内的风险预测模型进行融合、对各个风险预测模型组进行融合、对风险预测结果的评估和调整，本发明实施例更加适用于企业风险预测场景，能更充分的利用企业不完整的数据，更加有效的对企业的风险状况进行预测，从而有效提高企业风险的捕获率。

对于前述实施例提供的企业风险的预测方法，本发明实施例提供了一种企业风险的预测装置，参见图3所示的一种企业风险的预测装置的结构示意图，该装置主要包括以下部分：

获取模块302，用于获取待预测企业的目标数据。

预测模块304，用于通过预先配置的多个风险预测模型组分别基于目标数据进行风险预测，得到各个风险预测模型组输出的融合结果；其中，每个风险预测模型组均包括至少一个风险预测模型，不同风险预测模型组的预测的风险类别不同。

融合模块306，用于对各个风险预测模型组输出的融合结果进行融合，得到待预测企业的风险预测结果。

本发明实施例提供的上述企业风险的预测装置，提供了一种新的模型集成方法，利用用于预测不同风险类别的多个风险预测模型组对待预测企业的目标数据进行风险预测，得到每个风险预测模型组进行组内融合输出的融合特征，最后再对各个融合特征再次进行融合确定风险预测结果，本发明实施例更加适用于企业风险预测场景，能更充分的利用企业不完整的数据，更加有效的对企业的风险状况进行预测，从而有效提高企业风险的捕获率。

在一种实施方式中，上述装置还包括模型配置模块，用于：获取待配置的多个风险预测模型；对各个风险预测模型根据所使用到的特征进行分类梳理，得到多个风险类别的特征；按照各个风险类别的特征，对各个风险预测模型进行分组，得到多个风险预测模型组。

在一种实施方式中，预测模块304还用于：针对每个风险预测模型组，通过该风险预测模型组内的每个风险预测模型基于目标数据进行风险预测，并对各个风险预测模型的输出结果进行融合，得到该风险预测模型组输出的融合结果。

在一种实施方式中，预测模块304还用于：如果该风险预测模型组包括一个风险预测模型，将风险预测模型的输出结果确定为该风险预测模型组输出的融合结果；如果该风险预测模型组包括多个风险预测模型，对各个风险预测模型的输出结果进行集成，将集成结果确定为该风险预测模型组输出的融合结果。

在一种实施方式中，融合模块306还用于：按照指定顺序规则对各个风险预测模型组输出的融合结果进行排序，并将最大融合结果确定为待预测企业的风险预测结果。

在一种实施方式中，上述装置还包括调整模块，用于：利用预设工具对风险预测结果进行调整，以优化风险预测结果。

在一种实施方式中，预设工具包括KS曲线工具。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

本发明实施例提供了一种服务器，具体的，该服务器包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。

图4为本发明实施例提供的一种服务器的结构示意图，该服务器100包括：处理器40，存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。

其中，存储器41可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器41用于存储程序，所述处理器40在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。

处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。

本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见前述方法实施例，在此不再赘述。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种企业风险的预测方法，其特征在于，包括：

获取待预测企业的目标数据；

通过预先配置的多个风险预测模型组分别基于所述目标数据进行风险预测，得到各个所述风险预测模型组输出的融合结果；其中，每个所述风险预测模型组均包括至少一个风险预测模型，不同所述风险预测模型组的预测的风险类别不同；

对各个所述风险预测模型组输出的融合结果进行融合，得到所述待预测企业的风险预测结果。

2.根据权利要求1所述的方法，其特征在于，在所述通过预先配置的多个风险预测模型组分别基于所述目标数据进行风险预测，得到各个所述风险预测模型组输出的融合结果的步骤之前，所述方法还包括：

获取待配置的多个风险预测模型；

对各个所述风险预测模型根据所使用到的特征进行分类梳理，得到多个风险类别的特征；

按照各个所述风险类别的特征，对各个所述风险预测模型进行分组，得到多个风险预测模型组。

3.根据权利要求1所述的方法，其特征在于，所述通过预先配置的多个风险预测模型组分别基于所述目标数据进行风险预测，得到各个所述风险预测模型组输出的融合结果的步骤，包括：

针对每个风险预测模型组，通过该风险预测模型组内的每个风险预测模型基于所述目标数据进行风险预测，并对各个所述风险预测模型的输出结果进行融合，得到该风险预测模型组输出的融合结果。

4.根据权利要求3所述的方法，其特征在于，所述各个所述风险预测模型的输出结果进行融合，得到该风险预测模型组输出的融合结果的步骤，包括：

如果该风险预测模型组包括一个风险预测模型，将所述风险预测模型的输出结果确定为该风险预测模型组输出的融合结果；

如果该风险预测模型组包括多个风险预测模型，对各个所述风险预测模型的输出结果进行集成，将集成结果确定为该风险预测模型组输出的融合结果。

5.根据权利要求1所述的方法，其特征在于，所述对各个所述风险预测模型组输出的融合结果进行融合，得到所述待预测企业的风险预测结果的步骤，包括：

按照指定顺序规则对各个所述风险预测模型组输出的融合结果进行排序，并将最大融合结果确定为所述待预测企业的风险预测结果。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

利用预设工具对所述风险预测结果进行调整，以优化所述风险预测结果。

7.根据权利要求6所述的方法，其特征在于，所述预设工具包括KS曲线工具。

8.一种企业风险的预测装置，其特征在于，包括：

获取模块，用于获取待预测企业的目标数据；

预测模块，用于通过预先配置的多个风险预测模型组分别基于所述目标数据进行风险预测，得到各个所述风险预测模型组输出的融合结果；其中，每个所述风险预测模型组均包括至少一个风险预测模型，不同所述风险预测模型组的预测的风险类别不同；

融合模块，用于对各个所述风险预测模型组输出的融合结果进行融合，得到所述待预测企业的风险预测结果。

9.一种服务器，其特征在于，包括处理器和存储器；

所述存储器上存储有计算机程序，所述计算机程序在被所述处理器运行时执行如权利要求1至7任一项所述的方法。

10.一种计算机存储介质，其特征在于，用于储存为权利要求1至7任一项所述方法所用的计算机软件指令。

Images