CN112950383B - 基于人工智能的金融风险监控方法及相关设备 - Google Patents
基于人工智能的金融风险监控方法及相关设备 Download PDFInfo
- Publication number
- CN112950383B CN112950383B CN202110406361.6A CN202110406361A CN112950383B CN 112950383 B CN112950383 B CN 112950383B CN 202110406361 A CN202110406361 A CN 202110406361A CN 112950383 B CN112950383 B CN 112950383B
- Authority
- CN
- China
- Prior art keywords
- risk
- characteristic data
- target client
- financial risk
- xgboost model
- 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.)
- Active
Links
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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例公开了基于人工智能的金融风险监控方法及相关设备。该方法包括:包括获取获取训练样本,并利用训练样本对预设的初始XgBoost模型进行模型训练,得到最终的XgBoost模型;接收金融风险识别指令,并根据金融风险识别指令获取目标客户的当前特征数据,利用XgBoost模型对目标客户的金融风险进行评估,得到目标客户的评估等级;判断评估等级是否大于预设的等级阈值,若是则发送目标客户的特征数据至人工分析队列,若否则实时监控目标客户的特征数据;当监测到目标客户的特征数据有更新时,利用XgBoost模型对目标客户的金融风险进行重新识别,根据新的评估等级对客户采取相应流程。该方法提高评估模型对新的风险点进行识别和判断的能力。
Description
技术领域
本发明实施例涉及数据处理领域,尤其涉及一种基于人工智能的金融风险监控方法及相关设备。
背景技术
目前,现有技术一般利用机器学习等算法进行可疑风险识别。主流可疑风险识别模型主要通过客户身份特征、交易记录、关联关系等信息对客户金融风险进行预测,为客户标注为不同等级的金融风险,并对不同风险等级客户进行不同的处理措施。但一方面,目前可疑风险识别模型通常未对客户金融风险水平进行持续监控,难以对客户在不同时间金融风险水平的变化给出足够的关注,另一方面,目前可疑风险识别模型不具备在生产过程中持续自我优化迭代的能力,难以对新的风险点进行识别和判断。
发明内容
本发明实施例提供了一种基于人工智能的金融风险监控方法及相关设备,旨在解决现有技术中无法对客户金融风险水平进行持续监控,难以对客户在不同时间金融风险水平的变化给出足够的关注的问题。
第一方面,本发明实施例提供了一种基于人工智能的金融风险监控方法,其包括:
获取训练样本,并利用所述训练样本对预设的初始XgBoost模型进行模型训练,得到最终的XgBoost模型,所述训练样本包括客户的特征数据及对应的金融风险等级,所述特征数据至少包括客户的身份信息、交易记录及社会关联关系;
接收金融风险识别指令,并根据所述金融风险识别指令获取目标客户的当前特征数据,利用所述XgBoost模型对所述目标客户的金融风险进行评估,得到所述目标客户的第一风险评估等级;
判断所述第一风险评估等级是否大于预设的等级阈值,若是则发送所述目标客户的特征数据至人工分析队列,若否则实时监控所述目标客户的特征数据;
当监测到所述目标客户的特征数据有更新时,利用所述XgBoost模型对所述目标客户的金融风险进行重新识别,得到第二风险评估等级;
判断所述第二风险评估等级是否大于所述第一风险评估等级,若是则发送所述目标客户的特征数据至人工分析队列,若否则维持金融风险等级为所述第一风险评估等级,并继续监控所述目标客户的特征数据。
第二方面,本发明实施例提供了一种基于人工智能的金融风险监控装置,其包括:
训练模块,用于获取训练样本,并利用所述训练样本对预设的初始XgBoost模型进行模型训练,得到最终的XgBoost模型,所述训练样本包括客户的特征数据及对应的金融风险等级,所述特征数据至少包括客户的身份信息、交易记录及社会关联关系;
评估模块,用于接收金融风险识别指令,并根据所述金融风险识别指令获取目标客户的当前特征数据,利用所述XgBoost模型对所述目标客户的金融风险进行评估,得到所述目标客户的第一风险评估等级;
第一判断模块,用于判断所述第一风险评估等级是否大于预设的等级阈值,若是则发送所述目标客户的特征数据至人工分析队列,若否则实时监控所述目标客户的特征数据;
监测模块,用当监测到所述目标客户的特征数据有更新时,利用所述XgBoost模型对所述目标客户的金融风险进行重新识别,得到第二风险评估等级;
第二判断模块,用于判断所述第二风险评估等级是否大于所述第一风险评估等级,若是则发送所述目标客户的特征数据至人工分析队列,若否则维持金融风险等级为所述第一风险评估等级,并继续监控所述目标客户的特征数据。第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的金融风险监控方法。
第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的金融风险监控方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的金融风险监控方法。
本发明实施例提供了一种基于人工智能的金融风险监控方法及相关设备。该方法包括获取获取训练样本,并利用训练样本对预设的初始XgBoost模型进行模型训练,得到最终的XgBoost模型;接收金融风险识别指令,并根据所述金融风险识别指令获取目标客户的当前特征数据,利用XgBoost模型对目标客户的金融风险进行评估,得到目标客户的第一风险评估等级;判断第一风险评估等级是否大于预设的等级阈值,若是则发送目标客户的特征数据至人工分析队列,若否则实时监控目标客户的特征数据;当监测到目标客户的特征数据有更新时,利用XgBoost模型对目标客户的金融风险进行重新识别,得到第二风险评估等级;判断第二风险评估等级是否大于第一风险评估等级,若是则发送目标客户的特征数据至人工分析队列,若否则维持金融风险等级为第一风险评估等级,并继续监控目标客户的特征数据。该方法通过实时监控目标客户的特征数据,并在特征数据有更新时对评估等级进行更新,这样既提高监控客户可疑风险行为的实时性,又提高评估模型对新的风险点进行识别和判断的能力。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例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例,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基于人工智能的金融风险监控方法的流程示意图;
图2为本发明实施例提供的基于人工智能的金融风险监控方法的子流程示意图;
图3为本发明实施例提供的基于人工智能的金融风险监控方法的另一子流程示意图;
图4为本发明实施例提供的基于人工智能的金融风险监控方法的另一子流程示意图;
图5为本发明实施例提供的基于人工智能的金融风险监控装置的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1为本发明实施例提供的基于人工智能的金融风险监控方法的流程示意图,该方法包括步骤S110~S150。
步骤S110、获取训练样本,并利用所述训练样本对预设的初始XgBoost模型进行模型训练,得到最终的XgBoost模型,所述训练样本包括客户的特征数据及对应的金融风险等级,所述特征数据至少包括客户的身份信息、交易记录及社会关联关系;
本实施例中,本实施例中,客户的特征数据包括但不限于客户的职业(所属公司、职位、收入及在职时间等)、交易记录(交易类型、资金流向等)、个人社会关系(股权关系、债券关系、亲属关系以及担保关系等)、来自地域(例如是否来自金融风险活动猖獗的国家和地区)等。客户的金融风险等级由金融风险评估专家根据客户的特征数据,进行综合金融风险评估得到。根据客户的特征数据及对应的金融风险等级,输入预设的XgBoost模型进行模型训练,确定模型参数,得到金融风险等级评估模型。
在一实施例中,如图2所示,步骤S110包括:
步骤S111、获取预设数量客户的特征数据,根据所述特征数据的所属类型确定所述特征数据的风险因子,并对所述特征数据按所述风险因子进行预处理,得到因子特征数据;
步骤S112、根据预置分析规则对所述因子特征数据进行金融风险等级划分并按等级划分存储,得到分级特征数据;
步骤S113、分别提取预设比例的分级特征数据作为训练数据,对所述初始XgBoost模型进行训练,得到最终的XgBoost模型。
本实施例中,获取指定数量的客户的特征数据,确定每种特征数据所对应的风险因子,并对特征数据按风险因子进行预处理,得到不同风险因子下所分别对应的因子特征数据。根据预置的分析规则对特征数据进行等级划分,得到不同等级的特征数据;根据等级对因子特征数据进行分级存储,得到分级特征数据。从不同等级的存储位置分别提取预设比例的分级特征数据作为训练数据,对初始XgBoost模型进行训练,得到最终的XgBoost模型。
例如,获取客户的身份信息、交易记录及社会关联关系,按预设的风险因子分别对该客户的身份信息、交易记录及社会关联关系信息进行预处理,得到对应的因子特征数据;按预置的分析规则确定各因子特征数据对应的金融风险等级,将因子特征数据按金融风险等级进行存储,得到对应的分级特征数据;最后按指定比例分别提取不同种类的分级特征数据对初始XgBoost模型进行训练,得到最终的XgBoost模型。其中,预置的分析规则可以根据根据客户的身份信息、交易记录及社会关联关系对金融风险等级的影响,划分因子特征数据的对应等级。
在一实施例中,如图3所示,步骤S112包括:
步骤S1121、获取所述因子特征数据所属客户的客户信息;
步骤S1122、检测所述客户信息中是否存在金融风险行为记录,若是则判定所述因子特征数据为高风险特征数据;若否则判定所述因子特征数据为低风险特征数据。
本实施例中,根据客户是否发生过金融风险,划分为高风险特征数据和低风险特征数据。根据因子特征数据的所属客户的金融行为记录中是否存在风险行为记录,确定该因子特征数据的对应风险等级。其中,若所属客户的金融行为记录中存在风险行为记录,则判定该因子特征数据为高风险特征数据;若所属客户的金融行为记录中不存在风险行为记录,则判定该因子特征数据为低风险特征数据。
在一实施例中,步骤S113之后,还包括:
检测所述XgBoost模型的真实准确率,若所述真实准确率小于或等于预设准确率,则新增特征数据的数量,并重复所述XgBoost模型的模型参数计算,直至所述XgBoost模型的真实准确率大于预设准确率。
本实施例中,由于需要保证评估金融风险等级的评估模型的准确率,确保评估的准确性,因此需要保证评估模型评估准确率的水平。若训练后的XgBoost模型的真实准确率小于或等于预设准确率,则增加获取地客户特征数据的数量,重复XgBoost模型的模型参数计算,从而优化XgBoost模型模型参数。
例如,若训练后的XgBoost模型的真实准确率小于或等于预设准确率(如预设准确率为99%),则增加用于训练的客户特征数据的数量,重复模型参数的计算过程,直至生成的XgBoost模型的评估准确率大于预设准确率。
在一实施例中,步骤S113之后,还包括:
根据预设风险因子调优规则,对确定的所述风险因子进行删除或增加处理,重复所述XgBoost模型的模型参数计算,直至所述XgBoost模型的真实准确率大于预设准确率。
本实施例中,设置风险因子调优规则,删除或增加风险因子的个数,从而提高数据的紧密性,然后重复XgBoost模型的模型参数计算,直至生成的XgBoost模型的真实准确率大于预设准确率。
例如,若训练后的XgBoost模型的真实准确率小于或等于预设准确率(如预设准确率为99%),则增加或减少风险因子,重复模型参数的计算过程,直至生成的XgBoost模型的真实准确率大于预设准确率。
在一实施例中,风险因子调优规则包括:
若所述最小权重系数小于预设权重阈值,则删除所述最小权重系数对应的风险因子;
若所述最小权重系数大于或等于所述权重阈值,则新增其他风险因子;
其中,最小权重系数为所有风险因子对应的权重系数中的最小值。
本实施例中,已知XgBoost模型的风险因子对应的权重系数是固定不变的。设置风险因子调优规则为:确定当前XgBoost模型中的风险因子,从所有风险因子对应的权重系数中筛选出最小权重系数,若所述最小权重系数小于所述权重阈值,则删除所述最小权重系数对应的风险因子;若所述最小权重系数大于或等于所述权重阈值,则在原有风险因子的基础上新增其他风险因子。通过风险因子调优规则,调整XgBoost模型的风险因子,提高XgBoost模型的金融风险等级评估准确率。
步骤S120、接收金融风险识别指令,并根据所述金融风险识别指令获取目标客户的当前特征数据,利用所述XgBoost模型对所述目标客户的金融风险进行评估,得到所述目标客户的第一风险评估等级;
本实施例中,因为金融风险等级会随着客户的特征数据改变而发生改变,因此,当需要对目标客户进行金融风险等级评估时,获取目标客户的当前特征数据。通过XgBoost模型根据目标客户的当前特征数据评估客户的当前金融风险等级,得到客户的第一风险评估等级。
在一实施例中,如图4所示,步骤S120包括:
步骤S121、接收金融风险识别指令,并根据所述金融风险识别指令从交易系统数据库中获取目标客户对应的账户信息及账户交易产生的在线流式数据;
步骤S122、确定所述在线流式数据对应的风险因子,将所述在线流式数据输入所述XgBoost模型对所述目标客户进行金融风险识别,得到所述目标客户的第一风险评估等级。
本实施例中,接收金融风险识别指令,调取金融风险识别指令中指定识别的目标客户对应的账户信息及账户交易产生的在线流式数据。识别在线流式数据对应的风险因子,代入XgBoost模型函数中评估目标客户的金融风险等级,得到目标客户的第一风险评估等级。交易系统可以为银行、证券公司、保险公司等金融机构的业务系统,交易系统用于处理并记录用户的储蓄、转账、投资等各种金融业务,交易系统产生的交易数据将会存储在交易系统数据库中。
在实施方式中,以银行的交易系统为例,由于银行每天的交易数量十分庞大,其包括一交易系统来将银行账户的储蓄、转账、汇款等相关业务信息分布式保存在多个存储设备中,如此保证存储海量的业务数据。可以从交易系统中读取交易日志,并发送到息队列,从而获得在线流式数据。此外,也可以先将从交易系统数据库中读取到的账户类型信息及账户交易产生的在线流式数据存储至一缓冲区,后续步骤再从缓冲区中取出数据,以避免占用交易系统资源,提示数据处理效率。
此外,若预设个人工商账户当日资金流超300万限额,企业账户超900万限额。资金流包括收款、付款及提现。若检测监控到个人工商账户A发生交易变动,单日资金流为320万(大于300万),则将个人工商账户A这一资金流数据输入XgBoost模型中,进行个人工商账户A的金融风险识别。
步骤S130、判断所述第一风险评估等级是否大于预设的等级阈值,若是则发送所述目标客户的特征数据至人工分析队列,若否则实时监控所述目标客户的特征数据;
本实施例中,根据客户的第一风险评估等级,判断第一风险评估等级与预设的等级阈值之间的大小关系。若第一风险评估等级大于预设的等级阈值,则将目标客户的信息发送至人工分析队列;若第一风险评估等级小于或等于预设的等级阈值,则实时监控目标客户的特征数据。可以用公式表示可以是:
yt=f(Xt),
可写为Ot=g(yt,R)。
当Ot=1时,即第一风险评估等级大于预设的等级阈值,则将客户的信息推送人工分析队列;当Ot=0时,即第一风险评估等级小于或等于预设的等级阈值,则对客户进行持续监控,风险等级为yt。式中,yt为客户在t时刻的风险等级,f(x)为客户金融风险等级的预测函数,为客户t时刻的风险因子,400个表示模型中的风险因子数量;Ot为根据客户在t时刻的风险等级给出的处理措施;R为设定的风险等级,g(y,z)为根据客户风险等级的决策函数。
步骤S140、当监测到所述目标客户的特征数据有更新时,利用所述XgBoost模型对所述目标客户的金融风险等级进行评估,得到第二风险评估等级;
本实施例中,获取目标客户特征数据的更新时间,根据更新时间确定特征数据是否发生变化。利用XgBoost模型重新对所目标客户的金融风险等级进行评估,从而得到新的风险评估等级,即第二风险评估等级。其中,客户的特征数据具有时间戳或有效时间等时间信息,通过该时间信息能够确定出特征数据的更新时间,当特征数据发生变化,其更新时间相应改变为特征数据发生变化的时间,可设定特征数据的更新时间的获取周期,若相邻两个获取周期内获取到的更新时间一致,则表明特征数据未发生变化,若相邻两个获取周期内获取到的更新时间不一致,则表明用户资料信息发生变化。
步骤S150、判断所述第二风险评估等级是否大于所述第一风险评估等级,若是则发送所述目标客户的特征数据至人工分析队列,若否则维持金融风险等级为所述第一风险评估等级,并继续监控所述目标客户的特征数据。
本实施例中,将客户纳入持续监控队列后,当监测到客户的特征数据发生变化更新时,基于更新后的客户特征数据,利用XgBoost模型对客户进行金融风险评估,得到客户金融风险的第二风险评估等级。判断第二风险评估等级与第一风险评估等级之间的大小,根据第一风险评估等级与第二风险评估等级之间的大小关系进行相应的金融风险防范措施。若第二风险评估等级大于第一风险评估等级,则将目标客户的信息发送至人工分析队列,由金融风险评估专家根据目标客户的当前特征数据进行人工排查;若第二风险评估等级小于或等于第一风险评估等级,则维持客户的金融风险等级为第一风险评估等级,并继续监控目标客户的特征数据。若以t+1表示基于更新后的客户特征数据对客户进行金融风险等级评估,则有:当Ot=0时,客户在t+1时刻的处理过程如下:
yt+1=f(Xt+1),
其中,当Ot=0时,可写为Ot=g(yt+1,yt)。当Ot+1=1时,即第二风险评估等级大于第一风险评估等级,则将客户推送人工排查,并移出持续监控队列;当Ot+1=0时,即第二风险评估等级小于或等于第一风险评估等级,维持当前的金融风险等级为yt,并对该客户进行持续监控。
进一步地,若在t+1时刻的金融风险等级小于t时刻的金融风险等级,即Ot+1=0时,保持对客户进行监控。依次类推,若在t+2时刻监测到客户的特征数据发生改变,则对t+2时刻的金融风险等级进行评估,比较t+2时刻的金融风险等级与t+1时刻的金融风险等级的大小关系,有:
可写为Ot+2=g(yt+2,yt)。
其中,当Ot+2=1时,将客户推送人工排查,并移出持续监控队列;当Ot+2=0时,维持客户的金融风险等级为yt,并对该客户进行持续监控。
在一实施例中,为方便管理与运营,可将基于人工智能的金融风险监控系统设置于区块链中。其中,既可置于私有链,也可以置于公有链。当置于私有链时,只有拥有控制基于人工智能的金融风险监控系统权限的用户才可使用;若置于公有链时,公有链上的所有用户都可以控制基于人工智能的金融风险监控系统进行金融风险监控。
该方法既提高监控客户可疑风险行为的实时性,又提高评估模型对新的风险点进行识别和判断的能力。
本发明实施例还提供一种基于人工智能的金融风险监控装置,该金融风险监控装置用于执行前述基于人工智能的金融风险监控方法的任一实施例。具体地,请参阅图5,图5是本发明实施例提供的基于人工智能的金融风险监控装置的示意性框图。该基于人工智能的金融风险监控装置100可以配置于服务器中。
如图5所示,基于人工智能的金融风险监控装置100包括训练模块110、评估模块120、第一判断模块130、监测模块140、第二判断模块150。
训练模块110,用于获取训练样本,并利用所述训练样本对预设的初始XgBoost模型进行模型训练,得到最终的XgBoost模型,所述训练样本包括客户的特征数据及对应的金融风险等级,所述特征数据至少包括客户的身份信息、交易记录及社会关联关系;
评估模块120,用于接收金融风险识别指令,并根据所述金融风险识别指令获取目标客户的当前特征数据,利用所述XgBoost模型对所述目标客户的金融风险等级进行评估,得到所述目标客户的第一风险评估等级;
第一判断模块130,用于判断用户判断第一风险评估等级是否大于预设的等级阈值,若是则发送所述目标客户的特征数据至人工分析队列,若否则实时监控所述目标客户的特征数据;
监测模块140,用于当监测到所述目标客户的特征数据有更新时,利用所述XgBoost模型对所述目标客户的金融风险等级进行评估,得到第二风险评估等级;
第二判断模块150,用于判断所述第二风险评估等级是否大于所述第一风险评估等级,若是则发送所述目标客户的特征数据至人工分析队列,若否则维持金融风险等级为所述第一风险评估等级,并继续监控所述目标客户的特征数据。
在一实施例中,训练模块110包括:
预处理单元,用于获取预设数量客户的特征数据,确定所述特征数据对应的风险因子,并对所述特征数据按所述风险因子进行预处理,得到因子特征数据;
分级单元,用于根据预置分析规则对所述因子特征数据进行金融风险等级划分并按等级划分存储,得到分级特征数据;
训练单元,用于分别提取预设比例的分级特征数据作为训练数据,对所述初始XgBoost模型进行训练,得到最终的XgBoost模型。
在一实施例中,预处理单元包括:
第一获取单元,用于获取所述因子特征数据所属客户的客户信息;
检测单元,用于检测所述客户信息中是否存在金融风险行为记录,若是则判定所述因子特征数据为高风险特征数据;若否则判定所述因子特征数据为低风险特征数据。
在一实施例中,评估模块120包括:
第二获取单元,用于接收所述金融风险识别指令,并根据所述金融风险识别指令从交易系统数据库中获取目标客户对应的账户信息及账户交易产生的在线流式数据;
评估单元,用于确定所述在线流式数据对应的风险因子,将所述在线流式数据输入所述XgBoost模型对所述目标客户进行金融风险等级评估,得到所述目标客户的第一风险评估等级。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上所述的基于人工智能的金融风险监控方法。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如上所述的基于人工智能的金融风险监控方法。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元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,或者该技术方案的全部或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)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,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,可轻易想到各种等效的修改或替换,这些修改或替换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以权利要求的保护范围为准。
Claims (7)
1.一种基于人工智能的金融风险监控方法,其特征在于,包括:
获取训练样本,并利用所述训练样本对预设的初始XgBoost模型进行模型训练,得到最终的XgBoost模型,所述训练样本包括客户的特征数据及对应的金融风险等级,所述特征数据至少包括客户的身份信息、交易记录及社会关联关系;
接收金融风险识别指令,并根据所述金融风险识别指令获取目标客户的当前特征数据,利用所述XgBoost模型对所述目标客户的金融风险进行评估,得到所述目标客户的第一风险评估等级;
判断所述第一风险评估等级是否大于预设的等级阈值,若是则发送所述目标客户的特征数据至人工分析队列,若否则实时监控所述目标客户的特征数据;
当监测到所述目标客户的特征数据有更新时,利用所述XgBoost模型对所述目标客户的金融风险进行重新识别,得到第二风险评估等级;
判断所述第二风险评估等级是否大于所述第一风险评估等级,若是则发送所述目标客户的特征数据至人工分析队列,若否则维持金融风险等级为所述第一风险评估等级,并继续监控所述目标客户的特征数据;
所述获取训练样本,并利用所述训练样本对预设的初始XgBoost模型进行模型训练,得到最终的XgBoost模型包括:
获取预设数量客户的特征数据,根据所述特征数据的所属类型确定所述特征数据的风险因子,并对所述特征数据按所述风险因子进行预处理,得到因子特征数据;
根据预置分析规则对所述因子特征数据进行金融风险等级划分并按等级划分存储,得到分级特征数据;
分别提取预设比例的分级特征数据作为训练数据,对所述初始XgBoost模型进行训练,得到最终的XgBoost模型;
所述接收金融风险识别指令,并根据所述金融风险识别指令获取目标客户的当前特征数据,利用所述XgBoost模型对所述目标客户的金融风险进行评估,得到所述目标客户的第一风险评估等级包括:
接收所述金融风险识别指令,并根据所述金融风险识别指令从交易系统数据库中获取目标客户对应的账户信息及账户交易产生的在线流式数据;
确定所述在线流式数据对应的风险因子,将所述在线流式数据输入所述XgBoost模型对所述目标客户进行金融风险识别,得到所述目标客户的第一风险评估等级。
2.根据权利要求1所述的金融风险监控方法,其特征在于,所述根据预置分析规则对所述因子特征数据进行金融风险等级划分并按等级划分存储,得到分级特征数据包括:
获取所述因子特征数据所属客户的客户信息;
检测所述客户信息中是否存在金融风险行为记录,若是则判定所述因子特征数据为高风险特征数据;若否则判定所述因子特征数据为低风险特征数据。
3.根据权利要求1所述的金融风险监控方法,其特征在于,在所述分别提取预设比例的分级特征数据作为训练数据,对所述初始XgBoost模型进行训练,得到最终的XgBoost模型的步骤之后,还包括:
检测所述XgBoost模型的真实准确率,若所述真实准确率小于或等于预设准确率,则新增特征数据的数量,并重复所述XgBoost模型的模型参数计算,直至所述XgBoost模型的真实准确率大于预设准确率;和/或:
根据预设风险因子调优规则,对确定的所述风险因子进行删除或增加处理,重复所述XgBoost模型的模型参数计算,直至所述XgBoost模型的真实准确率大于预设准确率。
4.根据权利要求3所述的金融风险监控方法,其特征在于,所述风险因子调优规则包括:
若最小权重系数小于预设权重阈值,则删除所述最小权重系数对应的因子;
若所述最小权重系数大于或等于所述权重阈值,则新增其他风险因子;
其中,所述最小权重系数为所有风险因子对应的权重系数中的最小值。
5.一种基于人工智能的金融风险监控装置,其特征在于,包括:
训练模块,用于获取训练样本,并利用所述训练样本对预设的初始XgBoost模型进行模型训练,得到最终的XgBoost模型,所述训练样本包括客户的特征数据及对应的金融风险等级,所述特征数据至少包括客户的身份信息、交易记录及社会关联关系;
评估模块,用于接收金融风险识别指令,并根据所述金融风险识别指令获取目标客户的当前特征数据,利用所述XgBoost模型对所述目标客户的金融风险进行评估,得到所述目标客户的第一风险评估等级;
第一判断模块,用于判断所述第一风险评估等级是否大于预设的等级阈值,若是则发送所述目标客户的特征数据至人工分析队列,若否则实时监控所述目标客户的特征数据;
监测模块,用当监测到所述目标客户的特征数据有更新时,利用所述XgBoost模型对所述目标客户的金融风险进行重新识别,得到第二风险评估等级;
第二判断模块,用于判断所述第二风险评估等级是否大于所述第一风险评估等级,若是则发送所述目标客户的特征数据至人工分析队列,若否则维持金融风险等级为所述第一风险评估等级,并继续监控所述目标客户的特征数据;
所述训练模块包括:
预处理单元,用于获取预设数量客户的特征数据,根据所述特征数据的所属类型确定所述特征数据的风险因子,并对所述特征数据按所述风险因子进行预处理,得到因子特征数据;
分级单元,用于根据预置分析规则对所述因子特征数据进行金融风险等级划分并按等级划分存储,得到分级特征数据;
训练单元,用于分别提取预设比例的分级特征数据作为训练数据,对所述初始XgBoost模型进行训练,得到最终的XgBoost模型;
所述评估模块包括:
第二获取单元,用于接收所述金融风险识别指令,并根据所述金融风险识别指令从交易系统数据库中获取目标客户对应的账户信息及账户交易产生的在线流式数据;
评估单元,用于确定所述在线流式数据对应的风险因子,将所述在线流式数据输入所述XgBoost模型对所述目标客户进行金融风险等级评估,得到所述目标客户的第一风险评估等级。
6.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述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计算机程序时实现如权利要求1至4中任一项所述的基于人工智能的金融风险监控方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至4任一项所述的基于人工智能的金融风险监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110406361.6A CN112950383B (zh) | 2021-04-15 | 2021-04-15 | 基于人工智能的金融风险监控方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110406361.6A CN112950383B (zh) | 2021-04-15 | 2021-04-15 | 基于人工智能的金融风险监控方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112950383A CN112950383A (zh) | 2021-06-11 |
CN112950383B true CN112950383B (zh) | 2023-09-26 |
Family
ID=76232764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110406361.6A Active CN112950383B (zh) | 2021-04-15 | 2021-04-15 | 基于人工智能的金融风险监控方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112950383B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780876A (zh) * | 2021-09-24 | 2021-12-10 | 西安邮电大学 | 一种通信的信息安全的风险管理系统 |
CN117196322B (zh) * | 2023-11-06 | 2024-03-26 | 深圳市明心数智科技有限公司 | 智能风控方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665159A (zh) * | 2018-05-09 | 2018-10-16 | 深圳壹账通智能科技有限公司 | 一种风险评估方法、装置、终端设备及存储介质 |
CN110223155A (zh) * | 2019-04-25 | 2019-09-10 | 深圳壹账通智能科技有限公司 | 投资推荐信息的推送方法、装置及计算机设备 |
CN110349003A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 基于社交数据的关联风险评估方法、装置及电子设备 |
CN112270547A (zh) * | 2020-10-27 | 2021-01-26 | 上海淇馥信息技术有限公司 | 基于特征构造的金融风险评估方法、装置和电子设备 |
-
2021
- 2021-04-15 CN CN202110406361.6A patent/CN112950383B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665159A (zh) * | 2018-05-09 | 2018-10-16 | 深圳壹账通智能科技有限公司 | 一种风险评估方法、装置、终端设备及存储介质 |
CN110223155A (zh) * | 2019-04-25 | 2019-09-10 | 深圳壹账通智能科技有限公司 | 投资推荐信息的推送方法、装置及计算机设备 |
CN110349003A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 基于社交数据的关联风险评估方法、装置及电子设备 |
CN112270547A (zh) * | 2020-10-27 | 2021-01-26 | 上海淇馥信息技术有限公司 | 基于特征构造的金融风险评估方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112950383A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116342259A (zh) | 一种用户信用自动评级方法、装置、电子设备及介质 | |
CN112950383B (zh) | 基于人工智能的金融风险监控方法及相关设备 | |
CN110866832A (zh) | 一种风险控制方法、系统、存储介质及计算设备 | |
CN111192140A (zh) | 客户违约概率预测的方法及装置 | |
CN113609193A (zh) | 训练用于预测客户交易行为的预测模型的方法及装置 | |
CN112232950A (zh) | 针对借贷风险的评估方法及装置、设备、计算机可读存储介质 | |
CN113393316B (zh) | 基于海量大数据、核心算法的贷款全过程精准风控及管理系统 | |
CN112085593B (zh) | 一种中小企业信用数据挖掘方法 | |
Sanjaya | The Influence of Ratio Analysis to The Dividend Payout Ratio and Its Impact on The Value of The Company Listed On The Malaysia Stock Exchange | |
CN112686446A (zh) | 一种面向机器学习可解释性的信贷违约预测方法及系统 | |
Kamusweke et al. | Data mining for fraud detection in large scale financial transactions | |
CN111738824A (zh) | 一种账务数据处理方式筛选方法、装置及系统 | |
Koç et al. | Consumer loans' first payment default detection: a predictive model | |
KR102336462B1 (ko) | 신용평가정보 제공 장치 및 방법 | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
Ragab | Financial Ratios and Fraudulent Financial Statements Detection: Evidence from Egypt | |
Lawrencia et al. | Fraud detection decision support system for Indonesian financial institution | |
CN112508689A (zh) | 一种基于多维度实现决策评估的方法 | |
CN117291740B (zh) | 一种基于大数据的应收账款资料真实性智能识别审核系统 | |
CN117036009B (zh) | 一种保理业务的全周期管理方法及系统 | |
KR102566466B1 (ko) | 개인의 신용도 평가를 위한 대체 신용 평가 시스템 | |
Wyrobek et al. | Identification of a fraudulent organizational culture in enterprises listed in Warsaw Stock Exchange | |
CN115797068A (zh) | 金融产品的风险评估方法、装置、存储介质及电子装置 | |
CN114429395A (zh) | 基于半监督学习的企业信用评级方法、系统及存储介质 | |
CN118037430A (zh) | 用户信贷违约的预测方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |