CN112950362A - 对公贷款的风险预警方法、装置、计算机设备和存储介质 - Google Patents
对公贷款的风险预警方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112950362A CN112950362A CN202110349173.4A CN202110349173A CN112950362A CN 112950362 A CN112950362 A CN 112950362A CN 202110349173 A CN202110349173 A CN 202110349173A CN 112950362 A CN112950362 A CN 112950362A
- Authority
- CN
- China
- Prior art keywords
- loan
- characteristic
- public
- information
- target
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及移动互联和智慧监督领域，公开了一种对公贷款的风险预警方法、装置、计算机设备和存储介质。该方法包括：获取与目标对公贷款匹配的贷款信息，并根据所述贷款信息获取多个特征指标对应的特征值；将各特征指标对应的特征值输入至对公贷款监督模型中，获取对公贷款监督模型输出的风险值；其中，所述对公贷款监督模型为根据与多个历史对公贷款匹配的各特征指标的特征值预先训练得到；如果所述风险值大于或者等于预设风险阈值，则对目标对公贷款进行风险预警。使用本发明的技术方案，可以实现对对公贷款的自动风险分析和预警。
Description
技术领域
本发明实施例涉及移动互联和智慧监督领域，尤其涉及一种对公贷款的风险预警方法、装置、计算机设备和存储介质。
背景技术
对公贷款，又称银行对公业务，包括企业电子银行、单位存款业务、信贷业务、机构业务、国际业务、委托性住房金融、资金清算、中间业务、资产推介、基金托管等。用户监督是金融管理的重要组成部分，在对公贷款的过程进行用户监督，可以分析和识别腐败风险，在对公贷款疑似存在腐败风险时，及时进行风险预警。
传统的对公贷款的风险分析和预警通常是采用人工审查的方式，依赖于举报机制，不仅工作量大、工作效率低，而且有效性和针对性也较差。
发明内容
本发明实施例提供一种对公贷款的风险预警方法、装置、计算机设备和存储介质，以实现对对公贷款的自动风险分析和预警。
第一方面，本发明实施例提供了一种对公贷款的风险预警方法，该方法包括：
获取与目标对公贷款匹配的贷款信息，并根据所述贷款信息获取多个特征指标对应的特征值；
将各特征指标对应的特征值输入至对公贷款监督模型中，获取对公贷款监督模型输出的风险值；
其中，所述对公贷款监督模型为根据与多个历史对公贷款匹配的各特征指标的特征值预先训练得到；
如果所述风险值大于或者等于预设风险阈值，则对目标对公贷款进行风险预警。
第二方面，本发明实施例还提供了一种对公贷款的风险预警装置，该装置包括：
特征值获取模块，用于获取与目标对公贷款匹配的贷款信息，并根据所述贷款信息获取多个特征指标对应的特征值；
风险值获取模块，用于将各特征指标对应的特征值输入至对公贷款监督模型中，获取对公贷款监督模型输出的风险值；
其中，所述对公贷款监督模型为根据与多个历史对公贷款匹配的各特征指标的特征值预先训练得到；
风险预警模块，用于如果所述风险值大于或者等于预设风险阈值，则对目标对公贷款进行风险预警。
第三方面，本发明实施例还提供了一种计算机设备，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如本发明实施例中任一所述的对公贷款的风险预警方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例中任一所述的对公贷款的风险预警方法。
本发明实施例通过与目标对公贷款匹配的贷款信息，获取多个特征指标对应的特征值，将各特征指标对应的特征值输入至对公贷款监督模型中，根据对公贷款监督模型输出的风险值进行风险预警。解决了现有技术中采用人工审查的方式进行对公贷款的风险分析和预警，工作量大、工作效率低，有效性和针对性较差的问题，实现了对对公贷款的自动风险分析和预警。
附图说明
图1是本发明实施例一中的一种对公贷款的风险预警方法的流程图；
图2是本发明实施例二中的一种对公贷款的风险预警方法的流程图；
图3是本发明实施例三中的一种对公贷款的风险预警装置的结构示意图；
图4是本发明实施例四中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种对公贷款的风险预警方法的流程图，本实施例可适用于对对公贷款的过程进行风险分析和预警，从而实现对对公贷款的自动化监督的情况，该方法可以由对公贷款的风险预警装置来执行，该装置可以由软件和/或硬件来实现，并一般集成在计算机设备中。
如图1所示，本发明实施例的技术方案，具体包括如下步骤：
S110、获取与目标对公贷款匹配的贷款信息，并根据所述贷款信息获取多个特征指标对应的特征值。
其中，贷款信息是与目标对公贷款相关的各项信息，可选的，贷款信息可以从对公贷款管理系统获得。可选的，所述贷款信息，包括目标对公贷款的用户信息、贷前关联人员信息、贷中贷后关联人员信息以及目标对公贷款匹配的预设时间段的交易信息。
目标对公贷款的用户信息是指与在办理目标对公贷款的过程中，目标对公贷款的贷款用户相关的各项信息。贷前关联人员信息是指在目标对公贷业务办理成功之前的对公贷款业务办理人员的信息，示例性的，可以包括额度授信申报审批人相关的信息、信贷合同审批意见发表人的相关信息、经办人相关信息、担保人相关信息等等。贷中贷后关联人员信息是指在目标对公贷业务办理成功之后的对公贷款业务办理人员的信息，示例性的，可以包括信贷资产检查记录意见发表人的相关信息、客户评级业务信息意见发表人的相关信息等。目标对公贷款匹配的预设时间段的交易信息是指在与目标对公贷款匹配的预设时间段内，贷款用户、贷前关联人员以及贷中贷后关联人员账户的交易信息。
需要进行说明的是，本申请中的目标对公贷款的用户信息、贷前关联人员信息、贷中贷后关联人员信息以及目标对公贷款匹配的预设时间段的交易信息等贷款信息的获取、存储和使用，均遵循相关法律法规的规定。
贷款信息是衡量目标对公贷款在多个特征指标下的特征值的依据，各特征值是衡量目标对公贷款风险的依据。
可选的，所述特征指标包括以下至少一项：同事关系、同源关系、亲近关系、交易备注敏感、大额存款交易、等额交易以及交易来源敏感。
同事关系是指贷款用户与贷前关联人员或者贷中贷后关联人员存在或者曾经存在同事关系，示例性的，是否存在同事关系可以通过贷款用户与贷前关联人员或者贷中贷后关联人员是否曾在同一家工作单位任职或兼职进行判断。
同源关系是指贷款用户与贷前关联人员或者贷中贷后关联人员存在亲友关系，示例性的，是否存在同源关系可以通过贷款用户与贷前关联人员或者贷中贷后关联人员所关联的社会关系人的姓名是否相同进行判断。
亲近关系是指贷款用户与贷前关联人员或者贷中贷后关联人员，在目标对公贷款合同签订日或者放款日前后的预设时间段内存在资金往来。示例性的，是否存在亲近关系可以通过贷款用户与贷前关联人员或者贷中贷后关联人员是否存在交易记录进行判断，或者还可以通过贷款用户与贷前关联人员或者贷中贷后关联人员是否同时期在同一家商户存在消费记录进行判断，或者还可以通过贷款用户与贷前关联人员或者贷中贷后关联人员是否同一时期在同一座旅游城市进行消费进行判断。
交易备注敏感是指在目标对公贷款合同签订日或者放款日前后的预设时间段内，贷前关联人员或者贷中贷后关联人员的账户中存在备注包含敏感词的交易。
大额存款交易是指在目标对公贷款合同签订日或者放款日前后的预设时间段内，贷前关联人员或者贷中贷后关联人员的账户中存在资金数额较大的交易。
等额交易是指贷款用户的账户以及与贷款用户存在关联关系的客户账户，与贷前关联人员或者贷中贷后关联人员的账户，存在资金数额相同的交易。示例性的，贷款用户为集团公司时，与贷款用户存在关联关系的客户账户可以包括集团公司的高管、股东的账户，或者集团公司的分公司、子公司等的账户。
交易来源敏感是指贷前关联人员或者贷中贷后关联人员在目标对公贷款合同签订日或者放款日前后的预设时间段内，账户中存在交易来源是贷款用户或贷款用户投资单位的交易。
S120、将各特征指标对应的特征值输入至对公贷款监督模型中，获取对公贷款监督模型输出的风险值。
其中，所述对公贷款监督模型为根据与多个历史对公贷款匹配的各特征指标的特征值预先训练得到。
风险值用于表示目标对公贷款存在腐败风险的概率。在本发明实施例中，预先用多个标注有是否存在腐败结果的历史对公贷款，以及各历史对公贷款对应的各特征指标的特征值，训练得到对公贷款监督模型。将目标对公贷款的各特征指标对应的特征值输入至对公贷款监督模型中，对公贷款监督模型即可输出目标对公贷款的风险值。
S130、如果所述风险值大于或者等于预设风险阈值，则对目标对公贷款进行风险预警。
在本发明实施例中，当风险值超过预设风险阈值时，说明目标对公贷款存在腐败行为的概率较高，需要银行对目标对公贷款审查是否确实存在信贷不良行为，从而降低银行的金融风险。
本实施例的技术方案，通过与目标对公贷款匹配的贷款信息，获取多个特征指标对应的特征值，将各特征指标对应的特征值输入至对公贷款监督模型中，根据对公贷款监督模型输出的风险值进行风险预警。解决了现有技术中采用人工审查的方式进行对公贷款的风险分析和预警，工作量大、工作效率低，有效性和针对性较差的问题，实现了对对公贷款的自动风险分析和预警。
实施例二
图2是本发明实施例二提供的一种对公贷款的风险预警方法的流程图，本发明实施例在上述实施例的基础上，对根据贷款信息获取多个特征指标对应的特征值的过程进行了进一步的具体化，并加入了训练获得对公贷款监督模型的过程。
相应的，如图2所示，本发明实施例的技术方案，具体包括如下步骤：
S210、获取多个标注贷款结果后的历史对公贷款，并根据与各历史对公贷款匹配的贷款信息，获取各历史对公贷款对应的各特征指标的特征值。
所述贷款结果包括存在腐败行为和不存在腐败行为；
历史对公贷款可以是银行实际处理过的对公贷款业务，因为历史对公贷款已处理完成，因此可以获知历史对公贷款中是否存在腐败行为。
S220、对各特征指标进行特征选择。
对各特征进行特征选择，使用选择后的特征进行模型训练，可以提高对公贷款监督模型风险值预测的准确性。
相应的，S220又可以包括：
S221、判断目标特征指标对应的各特征值中，相同特征值的比例是否超过预设比例，如果是，则执行S222，否则执行S223。
在本发明实施例中，如果目标特征指标对应的各特征值中，超过预设比例的特征值数值相同，说明目标特征指标的取值变化较小，目标特征指标对风险值的影响程度较小，可以将该目标特征指标删除。
S222、将目标特征指标删除。
S223、判断是否存在第一特征指标与目标特征指标存在正相关或者负相关，如果是，则返回执行S222，否则执行S224。
如果第一特征指标与目标特征指标存在相关性，也即存在正相关或者负相关，可以只将第一特征指标保留，而将目标特征指标删除。
可以通过距离相关系数计算两个特征指标之间的相关性，当距离相关系数越大时，两个特征指标之间的相关性越强。但本实施例对确定两个特征指标之间相关性的方式不进行限定。
S224、计算各特征指标对应的分辨能力值。
特征指标的分辨能力值，也即F-score值，F-score值是为了平衡准确率和召回率的影响，特征指标的F-score值越大，表示特征指标的分辨能力越强。
S225、判断目标特征指标对应的分辨能力值是否小于预设分辨能力值，如果是，则返回执行S222，否则执行S226。
计算全部特征指标的分辨能力值之后，可以将分辨能力值小于预设分辨能力值的特征指标删除，也可以对各分辨能力值进行排名，选择排名靠前的分辨能力值对应的特征指标进行模型训练，本实施例对此不进行限制。
S226、判断是否完成对全部特征指标的操作，如果是，则执行S230，否则返回执行S221。
S230、根据标注贷款结果后的各历史对公贷款对应的各特征选择后的特征指标的特征值，对预先设置的机器学习模型进行训练，获得对公贷款监督模型。
可选的，所述机器学习模型可以为XGboost模型。
XGboost模型常用于监督学习问题中的分类和回归问题，示例性的，在获得各历史对公贷款对应的各特征选择后的特征指标的特征值之后，可以选择75％的数据作为训练数据，25％数据作为测试数据，调整模型参数，对XGboost模型进行训练，直至获得较好的预测结果，将训练后的XGboost模型作为对公贷款监督模型。
训练得到对公贷款监督模型之后，对于新的未标注的对公贷款，获取其对应的特征指标下的特征值，将其特征值输入至对公贷款监督模型，即可获得该对公贷款的风险值。
S240、获取与目标对公贷款匹配的贷款信息。
S250、将用户信息、贷前关联人员信息以及贷中贷后关联人员信息输入至人员关系判定模型中，获得同事关系、同源关系以及亲近关系对应的特征值。
所述人员关系判定模型中包括同事关系规则条件、同源关系规则条件以及亲近关系规则条件。
在本发明实施例中，可以通过人员关系判定模型获得同事关系、同源关系以及亲近关系对应的特征值，人员关系判定模型中包括同事关系规则条件、同源关系规则条件以及亲近关系规则条件。
示例性的，人员关系判定模型可以根据输入的用户信息、贷前关联人员信息以及贷中贷后关联人员信息是否满足同事关系规则条件，获得同事关系对应的特征值。
S260、将用户信息、贷前关联人员信息、贷中贷后关联人员信息以及与目标对公贷款匹配的预设时间段的交易信息输入至敏感交易判定模型中，获得交易备注敏感、大额存款交易、等额交易以及交易来源敏感对应的特征值。
所述敏感交易判定模型中包括交易备注敏感规则条件、大额存款交易规则条件、等额交易规则条件以及交易来源敏感规则条件。
在本发明实施例中，可以通过敏感交易判定模型获得交易备注敏感、大额存款交易、等额交易以及交易来源敏感对应的特征值，敏感交易判定模型中包括交易备注敏感规则条件、大额存款交易规则条件、等额交易规则条件以及交易来源敏感规则条件。
示例性的，敏感交易判定模型通过判断输入的用户信息、贷前关联人员信息、贷中贷后关联人员信息以及与目标对公贷款匹配的预设时间段的交易信息是否满足交易备注敏感规则条件，获取交易备注敏感对应的特征值。
S270、将各特征指标对应的特征值输入至对公贷款监督模型中，获取对公贷款监督模型输出的风险值。
S280、判断所述风险值是否大于或者等于预设风险阈值，如果是，则执行S290，否则执行S2100。
S290、对目标对公贷款进行风险预警。
S2100、判断是否存在新的目标对公贷款，如果是，则返回执行S240，否则返回执行S2100。
实施例三
图3是本发明实施例三中的一种对公贷款的风险预警装置的结构示意图，该装置包括：特征值获取模块310、风险值获取模块320以及风险预警模块330。其中：
特征值获取模块310，用于获取与目标对公贷款匹配的贷款信息，并根据所述贷款信息获取多个特征指标对应的特征值；
风险值获取模块320，用于将各特征指标对应的特征值输入至对公贷款监督模型中，获取对公贷款监督模型输出的风险值；
其中，所述对公贷款监督模型为根据与多个历史对公贷款匹配的各特征指标的特征值预先训练得到；
风险预警模块330，用于如果所述风险值大于或者等于预设风险阈值，则对目标对公贷款进行风险预警。
本实施例的技术方案，通过与目标对公贷款匹配的贷款信息，获取多个特征指标对应的特征值，将各特征指标对应的特征值输入至对公贷款监督模型中，根据对公贷款监督模型输出的风险值进行风险预警。解决了现有技术中采用人工审查的方式进行对公贷款的风险分析和预警，工作量大、工作效率低，有效性和针对性较差的问题，实现了对对公贷款的自动风险分析和预警。
在上述实施例的基础上，所述贷款信息，包括目标对公贷款的用户信息、贷前关联人员信息、贷中贷后关联人员信息以及目标对公贷款匹配的预设时间段的交易信息。
在上述实施例的基础上，所述特征指标包括以下至少一项：
同事关系、同源关系、亲近关系、交易备注敏感、大额存款交易、等额交易以及交易来源敏感。
在上述实施例的基础上，所述特征值获取模块310，包括：
人员关系判定单元，用于将用户信息、贷前关联人员信息以及贷中贷后关联人员信息输入至人员关系判定模型中，获得同事关系、同源关系以及亲近关系对应的特征值；
敏感交易判定单元，用于将用户信息、贷前关联人员信息、贷中贷后关联人员信息以及与目标对公贷款匹配的预设时间段的交易信息输入至敏感交易判定模型中，获得交易备注敏感、大额存款交易、等额交易以及交易来源敏感对应的特征值。
在上述实施例的基础上，所述人员关系判定模型中包括同事关系规则条件、同源关系规则条件以及亲近关系规则条件；
所述敏感交易判定模型中包括交易备注敏感规则条件、大额存款交易规则条件、等额交易规则条件以及交易来源敏感规则条件。
在上述实施例的基础上，所述装置，还包括：
历史对公贷款特征值获取模块，用于获取多个标注贷款结果后的历史对公贷款，并根据与各历史对公贷款匹配的贷款信息，获取各历史对公贷款对应的各特征指标的特征值；
所述贷款结果包括存在腐败行为和不存在腐败行为；
对公贷款监督模型训练模块，用于根据标注贷款结果后的各历史对公贷款对应的各特征指标的特征值，对预先设置的机器学习模型进行训练，获得对公贷款监督模型。
在上述实施例的基础上，所述装置，还包括：
特征选择模块，用于对各特征指标进行特征选择，并根据贷款结果后的各历史对公贷款对应的各特征选择后的特征指标的特征值，对预先设置的机器学习模型进行训练，获得对公贷款监督模型。
在上述实施例的基础上，所述特征选择模块，具体用于：
如果目标特征指标对应的各特征值中，相同特征值的比例超过预设比例，则将目标特征指标删除；
如果第一特征指标与目标特征指标存在正相关或者负相关，则将目标特征指标删除；
计算各特征指标对应的分辨能力值，如果目标特征指标对应的分辨能力值小于预设分辨能力值，则将目标特征指标删除。
在上述实施例的基础上，所述机器学习模型为XGboost模型。
本发明实施例所提供的对公贷款的风险预警装置可执行本发明任意实施例所提供的对公贷款的风险预警方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种计算机设备的结构示意图，如图4所示，该计算机设备包括处理器70、存储器71、输入装置72和输出装置73；计算机设备中处理器70的数量可以是一个或多个，图4中以一个处理器70为例；计算机设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器71作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的对公贷款的风险预警方法对应的模块(例如，对公贷款的风险预警装置中的特征值获取模块310、风险值获取模块320以及风险预警模块330)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的对公贷款的风险预警方法。该方法包括：
获取与目标对公贷款匹配的贷款信息，并根据所述贷款信息获取多个特征指标对应的特征值；
将各特征指标对应的特征值输入至对公贷款监督模型中，获取对公贷款监督模型输出的风险值；
其中，所述对公贷款监督模型为根据与多个历史对公贷款匹配的各特征指标的特征值预先训练得到；
如果所述风险值大于或者等于预设风险阈值，则对目标对公贷款进行风险预警。
存储器71可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器71可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器71可进一步包括相对于处理器70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设备。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。
输入装置72可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种对公贷款的风险预警方法，该方法包括：
获取与目标对公贷款匹配的贷款信息，并根据所述贷款信息获取多个特征指标对应的特征值；
将各特征指标对应的特征值输入至对公贷款监督模型中，获取对公贷款监督模型输出的风险值；
其中，所述对公贷款监督模型为根据与多个历史对公贷款匹配的各特征指标的特征值预先训练得到；
如果所述风险值大于或者等于预设风险阈值，则对目标对公贷款进行风险预警。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的对公贷款的风险预警方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，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的方法。
值得注意的是，上述对公贷款的风险预警装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (15)
1.一种对公贷款的风险预警方法，其特征在于，包括：
获取与目标对公贷款匹配的贷款信息，并根据所述贷款信息获取多个特征指标对应的特征值；
将各特征指标对应的特征值输入至对公贷款监督模型中，获取对公贷款监督模型输出的风险值；
其中，所述对公贷款监督模型为根据与多个历史对公贷款匹配的各特征指标的特征值预先训练得到；
如果所述风险值大于或者等于预设风险阈值，则对目标对公贷款进行风险预警。
2.根据权利要求1所述的方法，其特征在于，所述贷款信息，包括目标对公贷款的用户信息、贷前关联人员信息、贷中贷后关联人员信息以及目标对公贷款匹配的预设时间段的交易信息。
3.根据权利要求2所述的方法，其特征在于，所述特征指标包括以下至少一项：
同事关系、同源关系、亲近关系、交易备注敏感、大额存款交易、等额交易以及交易来源敏感。
4.根据权利要求3所述的方法，其特征在于，根据所述贷款信息获取多个特征指标对应的特征值，包括：
将用户信息、贷前关联人员信息以及贷中贷后关联人员信息输入至人员关系判定模型中，获得同事关系、同源关系以及亲近关系对应的特征值；
将用户信息、贷前关联人员信息、贷中贷后关联人员信息以及与目标对公贷款匹配的预设时间段的交易信息输入至敏感交易判定模型中，获得交易备注敏感、大额存款交易、等额交易以及交易来源敏感对应的特征值。
5.根据权利要求4所述的方法，其特征在于，所述人员关系判定模型中包括同事关系规则条件、同源关系规则条件以及亲近关系规则条件；
所述敏感交易判定模型中包括交易备注敏感规则条件、大额存款交易规则条件、等额交易规则条件以及交易来源敏感规则条件。
6.根据权利要求1所述的方法，其特征在于，在获取与目标对公贷款匹配的贷款信息之前，还包括：
获取多个标注贷款结果后的历史对公贷款，并根据与各历史对公贷款匹配的贷款信息，获取各历史对公贷款对应的各特征指标的特征值；
所述贷款结果包括存在腐败行为和不存在腐败行为；
根据标注贷款结果后的各历史对公贷款对应的各特征指标的特征值，对预先设置的机器学习模型进行训练，获得对公贷款监督模型。
7.根据权利要求6所述的方法，其特征在于，在获取各历史对公贷款对应的各特征指标的特征值之后，还包括：
对各特征指标进行特征选择，并根据标注贷款结果后的各历史对公贷款对应的各特征选择后的特征指标的特征值，对预先设置的机器学习模型进行训练，获得对公贷款监督模型。
8.根据权利要求7所述的方法，其特征在于，对各特征指标进行特征选择，包括：
如果目标特征指标对应的各特征值中，相同特征值的比例超过预设比例，则将目标特征指标删除；
如果第一特征指标与目标特征指标存在正相关或者负相关，则将目标特征指标删除；
计算各特征指标对应的分辨能力值，如果目标特征指标对应的分辨能力值小于预设分辨能力值，则将目标特征指标删除。
9.根据权利要求6所述的方法，其特征在于，所述机器学习模型为XGboost模型。
10.一种对公贷款的风险预警装置，其特征在于，包括：
特征值获取模块，用于获取与目标对公贷款匹配的贷款信息，并根据所述贷款信息获取多个特征指标对应的特征值；
风险值获取模块，用于将各特征指标对应的特征值输入至对公贷款监督模型中，获取对公贷款监督模型输出的风险值；
其中，所述对公贷款监督模型为根据与多个历史对公贷款匹配的各特征指标的特征值预先训练得到；
风险预警模块，用于如果所述风险值大于或者等于预设风险阈值，则对目标对公贷款进行风险预警。
11.根据权利要求10所述的装置，其特征在于，所述贷款信息，包括目标对公贷款的用户信息、贷前关联人员信息、贷中贷后关联人员信息以及目标对公贷款匹配的预设时间段的交易信息。
12.根据权利要求11所述的装置，其特征在于，所述特征指标包括以下至少一项：
同事关系、同源关系、亲近关系、交易备注敏感、大额存款交易、等额交易以及交易来源敏感。
13.根据权利要求10所述的装置，其特征在于，所述装置，还包括：
历史对公贷款特征值获取模块，用于获取多个标注贷款结果后的历史对公贷款，并根据与各历史对公贷款匹配的贷款信息，获取各历史对公贷款对应的各特征指标的特征值；
所述贷款结果包括存在腐败行为和不存在腐败行为；
对公贷款监督模型训练模块，用于根据标注贷款结果后的各历史对公贷款对应的各特征指标的特征值，对预先设置的机器学习模型进行训练，获得对公贷款监督模型。
14.一种计算机设备，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如权利要求1-9中任一所述的对公贷款的风险预警方法。
15.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-9中任一所述的对公贷款的风险预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110349173.4A CN112950362A (zh) | 2021-03-31 | 2021-03-31 | 对公贷款的风险预警方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110349173.4A CN112950362A (zh) | 2021-03-31 | 2021-03-31 | 对公贷款的风险预警方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112950362A true CN112950362A (zh) | 2021-06-11 |
Family
ID=76231540
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110349173.4A Pending CN112950362A (zh) | 2021-03-31 | 2021-03-31 | 对公贷款的风险预警方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112950362A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113436006A (zh) * | 2021-07-07 | 2021-09-24 | 中国银行股份有限公司 | 基于区块链的贷款风险预测方法及装置 |
| CN114240100A (zh) * | 2021-12-02 | 2022-03-25 | 中国建设银行股份有限公司 | 贷款评估方法、装置、计算机设备和存储介质 |
-
2021
- 2021-03-31 CN CN202110349173.4A patent/CN112950362A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113436006A (zh) * | 2021-07-07 | 2021-09-24 | 中国银行股份有限公司 | 基于区块链的贷款风险预测方法及装置 |
| CN114240100A (zh) * | 2021-12-02 | 2022-03-25 | 中国建设银行股份有限公司 | 贷款评估方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107633265B (zh) | 用于优化信用评估模型的数据处理方法及装置 | |
| CN112598500A (zh) | 一种无额度客户的授信处理方法及系统 | |
| Cheng et al. | Is cloud computing the digital solution to the future of banking? | |
| CN111709826A (zh) | 目标信息确定方法和装置 | |
| CN112950362A (zh) | 对公贷款的风险预警方法、装置、计算机设备和存储介质 | |
| CN113177839A (zh) | 一种信用风险评估方法、装置、存储介质和设备 | |
| CN110930038A (zh) | 一种贷款需求识别方法、装置、终端及存储介质 | |
| CN105321113A (zh) | 一种基于宏观因子的压力测试客户端 | |
| CA3169417A1 (en) | Method of and system for appraising risk | |
| Chi et al. | Debt rating model based on default identification: Empirical evidence from Chinese small industrial enterprises | |
| CN113034046A (zh) | 一种数据风险计量方法、装置、电子设备及存储介质 | |
| CN114331735A (zh) | 财务风险模型训练方法、装置及财务风险预测方法、装置 | |
| CN114781937A (zh) | 一种预付卡企业风险预警方法和装置以及存储介质 | |
| Marais et al. | Predicting financial statement manipulation in South Africa: A comparison of the Beneish and Dechow models | |
| CN114997975A (zh) | 一种异常企业识别方法、装置、设备、介质及产品 | |
| CN110930242A (zh) | 一种可信度预测方法、装置、设备和存储介质 | |
| CN109146667B (zh) | 一种基于量化统计的外部接口综合应用模型的构建方法 | |
| 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 | |
| CN113283806A (zh) | 企业信息评估方法、装置、计算机设备及存储介质 | |
| CN111951105A (zh) | 基于多维大数据分析的智能信贷风控系统 | |
| CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
| CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
| CN114240210A (zh) | 信用评价方法、装置、设备及计算机可读存储介质 | |
| CN114240100A (zh) | 贷款评估方法、装置、计算机设备和存储介质 | |
| CN113850678A (zh) | 一种行情数据管理方法、系统、设备及存储介质 |
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 |