CN113222737A - 用于金融网络的风险可视化的图布局方法 - Google Patents
用于金融网络的风险可视化的图布局方法 Download PDFInfo
- Publication number
- CN113222737A CN113222737A CN202110572838.8A CN202110572838A CN113222737A CN 113222737 A CN113222737 A CN 113222737A CN 202110572838 A CN202110572838 A CN 202110572838A CN 113222737 A CN113222737 A CN 113222737A
- Authority
- CN
- China
- Prior art keywords
- risk
- node
- nodes
- island
- financial
- 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
- 238000012800 visualization Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000000007 visual effect Effects 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims description 2
- 230000009885 systemic effect Effects 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000000872 buffer Substances 0.000 description 3
- 230000003139 buffering effect Effects 0.000 description 3
- 208000015181 infectious disease Diseases 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 241000272778 Cygnus atratus Species 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000012360 testing method 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Technology Law (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种用于金融网络的风险可视化的图布局方法,步骤一、进行金融网络中风险节点放置;步骤二、进行边布局;步骤三、进行可视化编码;步骤四、根据风险节点的可视化编码结果提取出四种风险岛模式即威胁岛模式TI、威胁岛模式TI、次优状态岛模式SSI和弹性岛模式RI。本发明能够为用户提供更具有金融风险语义且直观的视图。
Description
技术领域
本发明涉及金融监管技术领域,特别是涉及一种用于金融网络风险的图布局方法。
背景技术
全球金融危机后,对金融网络的有效监管受到了相当的重视。监管技术日益成为金融科技的领先发展领域,其旨在提高透明度且具有一致性的应对金融服务提供商所面临的监管挑战,包括监控、报告和合规义务。金融网络中的突然经济冲击及其传染行为是系统性风险的最大威胁。在突发经济冲击的情况下,违约行为会像野火一样蔓延,在波及范围和影响上都会被放大,从而导致大规模的倒闭。有效的监管(尤其是预防措施),对于避免巨大的经济损失至关重要。利益相关者例如金融监管机构和金融实体会敦促采用优势监管技术(Regtech),通过降低“黑天鹅事件”的潜在影响来更好地管理经济,避免未来的灾难。
监管技术的快速发展提高了人们对该领域信息可视化和可视化分析的认识。然而,由于金融领域的复杂性,到目前为止,只有少数的可视化分析解决方案针对金融场景下的数据分析任务。传统的图形可视化,例如力导向布局,不足以辅助这些复杂的业务分析。
最接近现有技术《iConVis:Interactive Visual Exploration of the DefaultContagion Risk for Networked-guarantee Loans》记载了一个利用TSNE进行降维投射的散点图来辅助观察不同的风险聚类的设计。这种可视化的风险分析方法实现了不同风险的公司集群可视化,通过不同的散点集群和交互帮助用户观察不同的风险特征。虽然能够帮助专家进行不同集群的风险分析,但是仅仅只满足了可视化的要求,没有考虑金融业务方面的要求。同时,这样的可视化抛弃了网络中的拓扑结构,节点间存在大量的交叠不容易进行交互和观察、不同集群间的边界交叠严重,没办法分辨处于边界的节点属于哪个特征集群。
发明内容
本发明旨在针对于这些关于金融风险可视化的难点、并且考虑可视化和金融风险业务的要求而提出一种用于金融网络的风险可视化的图布局方法,涉及对银行间网络中风险特征的模式进行挖掘,为用户实现了更具有金融风险语义且直观的视图布局来直观的展示网络间不同风险模式,同时保留金融网络的拓扑结构,所提取的风险岛模式更好地帮助专家观察金融网络间的风险特征。
本发明为解决上述问题而采取的技术方案如下:
步骤一、进行金融网络中风险节点放置,使得具有相似风险模式的风险节点聚集在彼此附近且不重叠;制定目标函数C,表达式如下:
其中,C表示高位空间P和低维空间Q之间的KL散度,P表示风险节点位置的分布,Q表示风险模型的分布,pij表示当前处理节点xi和相邻节点xj之间的对偶相似度;qij表示多个风险节点yi和yj之间的相似度,使用一个归一化的重尾核来衡量相似度;i,j分别表示风险节点编号,pj|i表示节点xj与节点xi的相似性是条件概率pji,pi|j表示节点xi与节点xj的相似性是条件概率pij,d表示欧式距离,表示方差,xk表示当前处理节点xi以外的第k个其他节点,yk表示除了当前处理的低维空间节点yi以外的低维空间节点,yl表示除了yi和yk以外的低维空间节点;
通过最小化算法得到金融网络节点yi的位置的最小化距离并保留风险语义,通过沿梯度下降来收敛结果,表达式如下:
步骤二、进行边布局:引入边缘捆绑技术,实现多条边捆绑以辅助揭示流动性模式的拓扑结构;
步骤三、进行可视化编码,风险节点的颜色表示违约数,风险节点的大小表示压力的强度,边的颜色来表示负债包括入边和出边;同时计算风险节点在二维空间的密度,利用可视化等高线来区分不同集群的边界;
步骤四、根据风险节点的可视化编码结果提取出四种风险岛模式即威胁岛模式TI、威胁岛模式TI、次优状态岛模式SSI和弹性岛模式RI。
本发明能够为用户提供更具有金融风险语义且直观的视图。
附图说明
图1为本发明的用于金融网络的风险可视化的图布局方法整体流程示意图;
图2为风险节点示意图,(a)顶点重叠的情形,(b)顶点不重叠的情形
图3为风险岛模式示意图;
图4为从500节点到3000节点的银行间网络的风险岛可视化结果示意图。
附图标记:
1、重叠顶点,2不重叠顶点,3、捆绑边,4、风险岛之间的连线,5、风险岛,6、风险节点。
具体实施方式
下面结合附图和具体实施例对本发明技术方案作进一步详细描述。
如图1所示,为本发明的用于金融网络的风险可视化的图布局方法整体流程示意图。具体包括以下步骤:
步骤一、进行金融网络中风险节点放置,使得具有相似风险模式的风险节点聚集在彼此附近且不重叠;制定目标函数C,表达式如下:
其中,C表示高位空间P和低维空间Q之间的KL散度,P表示风险节点位置的分布,Q表示风险模型的分布,pij为当前处理节点xi和相邻节点xj之间的对偶相似度,使用Kullback-Leibler散度来衡量;qij表示多个风险节点yi和yj之间的相似度;使用一个归一化的重尾核来衡量相似度,i,j分别表示风险节点编号(i≠j),pj|i表示节点xj与节点xi的相似性是条件概率pji,即如果在以xi为中心的高斯下按照邻居的概率密度成比例地选择邻居,xi将选择xj作为其邻居,pi|j表示节点xi与节点xj的相似性是条件概率pij,d表示欧式距离,表示方差(由高斯核和以当前计算节点为中心的其他节点的数量决定),xk表示当前处理节点xi以外的第k个其他节点,xi和xk都是特征维度为100维的高维空间的节点,yk表示除了当前处理的低维空间节点yi以外的低维空间节点,yl表示除了yi和yk以外的低维空间节点。
通过最小化算法得到金融网络节点yi的位置的最小化距离(保留风险语义),即使用一个标准化重尾核来度量相似性,解决算法嵌入中簇拥挤的问题,通过沿梯度下降来收敛结果,表达式如下:
为了避免上述算法生成的风险节点位置重叠,引入斥力。例如,如图2所示,(a)的方框中的两个风险节点是重叠的。所引入的斥力fr(d顶)的表达式如下:
fr(d顶)=-m2/d顶
其中,d顶表示两个顶点之间的距离,也是顶点周围空区域的半径,m表示一个力场相关的常数;
风险模式所包括的特征参数如下:
资产负债表包括以下4个特征:
Assets,应收账款、存货、拖欠收入和年内已完成但尚未收到的贷款。在网络数据中,使用的资产是银行间贷款的总数。网络的连接权重也被编码为连接的两家银行的资产。
Liabilities,银行欠下的债务总额。
Capital Buffer,金融机构在其他最低资本金要求之外必须持有的强制性资本金。监管旨在建立充足的资本缓冲,通过促进建立反周期缓冲来减少贷款的顺周期性质。
Weight,对银行在系统中的重要性以及使用资产、负债和缓冲的银行规模的加权度量,可以将其视为银行持有的固定资产。
网络中心度包括以下9个特征:
Degree(in/out),与节点关联的连接数量(即节点拥有的边数量)。
Authority,t(A)*A的主特征向量,其中A是图的邻接矩阵。
Hub,At*(A)的主特征向量,其中A是图的邻接矩阵。
Pagerank,Eigen centrality的变体,设计用于对Web内容进行排序,使用页面之间的超链接作为重要性的衡量标准。不过,它可以用于任何类型的网络。
K-shell,是一个极大子图。
Betweenness,是通过顶点的最短路径的数量。
Closeness,一个节点和图中所有其他节点之间的最短路径长度之和的倒数。
Eigen centrality,基于到高得分节点的连接比到低得分节点的相等连接对所讨论节点的得分贡献更大的概念,将相对得分分配给网络中的所有节点。高特征向量得分意味着一个节点连接到许多本身得分较高的节点。
Alpha centrality,是对有向图特征向量中心性的一种适应,增加了节点从外部来源获得的重要性。
实体风险指标包括以下3个特征:
Fragile,根据银行的负债和缓冲来计算的,当它为负值时,意味着银行处于倒闭状态。破产银行的所有资产都不能抵消它自己的债务。
Impact diffusion,捕捉节点对网络中影响传播的影响。一个顶点的Impactdiffusion是通过当其传播传染病的能力从网络中移除时对其他顶点的impactsusceptibility造成的变化来衡量的。
Impact susceptibility,测量可到达顶点的可行传染路径与其直接传染路径的关系。当它的值大于1时,这意味着顶点易受其直接邻居以外的其他顶点的影响(远程易受攻击)。
系统性金融指标包括以下3个特征:
Stress,对银行在冲击模拟中面临的风险压力大小的衡量,它衡量了银行在冲击模拟中的重要性。
Loss,冲击模拟中某个节点可能造成的资产损失。
Defaults,指示银行在冲击模拟中可能导致的违约数量。
步骤二、进行边布局:引入边缘捆绑技术,实现多条边捆绑在一起来辅助揭示流动性模式的拓扑结构,如图2所示,从风险节点示意图中看到了重叠顶点1、不重叠顶点2、捆绑边3和风险岛之间的连线4;
边缘捆绑技术包含本步骤:
1、计算网络中每条边两端节点在布局中的距离
2、根据得到的距离生成距离分割的次数,(例如一条直线分割为10段等)
3、为分割得到的每一段直线添加两端的节点,并将该段直线和添加的节点加入到网络布局中
4、对每条分割好的直线应用捆绑曲线生成函数。
步骤三、进行可视化编码,风险节点的颜色表示违约数,风险节点的大小表示压力的强度,边的颜色来表示负债包括入边和出边;同时还计算了风险节点在二维空间的密度,利用可视化等高线来区分不同集群的边界。这些可视化编码均可按需修改。
根据风险节点的可视化编码结果提取出四种风险岛模式即威胁岛模式TI、威胁岛模式TI、次优状态岛模式SSI和弹性岛模式RI。
如图3所示,为风险岛模式提取结果示意图。按照构成风险岛的风险节点特性分为以下4种模式:
模式一、威胁岛模式TI。威胁岛模式TI上的风险节点具有较高的风险值(例如包括系统性压力(stress)、损失(loss)、违约(defaults)和冲击扩散(impact diffusion一种衡量金融风险的指标),会对整个金融体系构成实质性威胁(如破产等)。应特别关注这个岛上的节点。
模式二、脆弱岛模式VI。脆弱岛模式VI上的风险节点对其直接邻居以外的其他顶点有很高的远程脆弱性。
模式三、次优状态岛模式SSI。次优状态岛模式SSI上的风险节点具有适中的风险值,没有观察到破产。虽然它们在一定程度上受到冲击事件的影响,但影响仍然是可以忍受的。针对次优状态岛SSI仍然需要更多关注更高级别的冲击。
模式四、弹性岛模式RI。弹性岛模式RI上的风险节点在受到冲击事件的影响后的风险值较低,这意味着它们没有受到伤害,可以很好地消化冲击带来的风险。金融监管部门可以将其列入安全名单。
举例,在进行可视化编码时,针对节点的风险的颜色和大小设计了以下5组编码方案:
General节点的大小编码为impact diffusion,颜色编码为defaults;
Systemic loss节点的大小编码为defaults,颜色编码为loss;
System stress test节点的大小编码为loss,颜色编码为stress;
Contagion influence节点的大小编码为impact susceptible,颜色编码为impact diffusion;
Traditional importance节点的大小编码为capital buffer,颜色编码为indegree;
Financial profile:节点的大小编码为betweenness,颜色编码为weights;
用户可以根据节点的大小和颜色深浅判断风险的高低。
Claims (3)
1.一种用于金融网络的风险可视化的图布局方法,其特征在于,该方法包括以下步骤:
步骤一、进行金融网络中风险节点放置,使得具有相似风险模式的风险节点聚集在彼此附近且不重叠;制定目标函数C,表达式如下:
其中,C表示高位空间P和低维空间Q之间的KL散度,P表示风险节点位置的分布,Q表示风险模型的分布,pij为当前处理节点xi和相邻节点xj之间的对偶相似度,qij表示多个风险节点yi和yj之间的相似度,i,j分别表示风险节点编号,pj|i表示节点xj与节点xi的相似性是条件概率pji,pi|j表示节点xi与节点xj的相似性是条件概率pij,d表示欧式距离,表示方差,xk表示当前处理节点xi以外的第k个其他节点,yk表示除了当前处理的低维空间节点yi以外的低维空间节点,yl表示除了yi和yk以外的低维空间节点;
通过最小化算法得到金融网络节点yi的位置的最小化距离并保留风险语义,通过沿梯度下降来收敛结果,表达式如下:
步骤二、进行边布局:引入边缘捆绑技术,实现多条边捆绑以辅助揭示流动性模式的拓扑结构;
步骤三、进行可视化编码,风险节点的颜色表示违约数,风险节点的大小表示压力的强度,边的颜色来表示负债包括入边和出边;同时计算风险节点在二维空间的密度,利用可视化等高线来区分不同集群的边界。
2.如权利要求1所述的用于金融网络的风险可视化的图布局方法,其特征在于,还包括引入斥力来避免两个风险节点重叠,引入的斥力fr(d顶)的表达式如下:
fr(d顶)=-m2/d顶
其中,d顶表示两个顶点之间的距离,也是顶点周围空区域的半径,m表示一个力场相关的常数。
3.如权利要求1所述的用于金融网络的风险可视化的图布局方法,其特征在于,根据风险节点的可视化编码结果提取出四种风险岛模式即威胁岛模式TI、威胁岛模式TI、次优状态岛模式SSI和弹性岛模式RI,各个模式具体描述如下:
所述威胁岛模式TI上的风险节点至少在系统性压力、损失、违约和影响扩散的特征上具有对整个金融体系构成实质性威胁的风险值;
所述脆弱岛模式VI上的风险节点对其直接邻居以外的其他顶点有很高的远程脆弱性;
所述次优状态岛模式SSI上的风险节点具有存在一定程度上受到冲击事件的影响,但可以忍受的风险值;
所述弹性岛模式RI上的风险节点具有安全的风险值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110572838.8A CN113222737B (zh) | 2021-05-25 | 2021-05-25 | 用于金融网络的风险可视化的图布局方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110572838.8A CN113222737B (zh) | 2021-05-25 | 2021-05-25 | 用于金融网络的风险可视化的图布局方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113222737A true CN113222737A (zh) | 2021-08-06 |
CN113222737B CN113222737B (zh) | 2022-06-14 |
Family
ID=77098367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110572838.8A Active CN113222737B (zh) | 2021-05-25 | 2021-05-25 | 用于金融网络的风险可视化的图布局方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222737B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222737B (zh) * | 2021-05-25 | 2022-06-14 | 天津大学 | 用于金融网络的风险可视化的图布局方法 |
CN114745171A (zh) * | 2022-04-08 | 2022-07-12 | 深圳市魔方安全科技有限公司 | 一种基于图技术的外部攻击面可视化分析的方法和系统 |
CN116109414A (zh) * | 2023-02-14 | 2023-05-12 | 中国科学院软件研究所 | 一种基于力作用的资金交易桑基图可视化布局方法 |
US12033103B1 (en) | 2023-04-27 | 2024-07-09 | Integer, Llc | Systems and methods for risk data navigation |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050203825A1 (en) * | 2003-10-14 | 2005-09-15 | Angle Corby D. | Financial data processing system |
US20170323234A1 (en) * | 2016-05-09 | 2017-11-09 | Fidessa Plc | Systems and methods for risk management in a geographically distributed trading system |
CN107566179A (zh) * | 2017-09-07 | 2018-01-09 | 阿里巴巴集团控股有限公司 | 一种节点处理方法及装置 |
US10127511B1 (en) * | 2017-09-22 | 2018-11-13 | 1Nteger, Llc | Systems and methods for investigating and evaluating financial crime and sanctions-related risks |
CN110223168A (zh) * | 2019-06-24 | 2019-09-10 | 浪潮卓数大数据产业发展有限公司 | 一种基于企业关系图谱的标签传播反欺诈检测方法及系统 |
CN111248172A (zh) * | 2020-01-15 | 2020-06-09 | 长沙理工大学 | 一种捕捉珊瑚礁上海星的装置 |
CN111723338A (zh) * | 2019-03-18 | 2020-09-29 | 京东数字科技控股有限公司 | 一种检测方法和检测设备 |
CN112508709A (zh) * | 2020-10-21 | 2021-03-16 | 杭州衡泰软件有限公司 | 一种基于网络结构的信用风险传染监控方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222737B (zh) * | 2021-05-25 | 2022-06-14 | 天津大学 | 用于金融网络的风险可视化的图布局方法 |
-
2021
- 2021-05-25 CN CN202110572838.8A patent/CN113222737B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050203825A1 (en) * | 2003-10-14 | 2005-09-15 | Angle Corby D. | Financial data processing system |
US20170323234A1 (en) * | 2016-05-09 | 2017-11-09 | Fidessa Plc | Systems and methods for risk management in a geographically distributed trading system |
CN107566179A (zh) * | 2017-09-07 | 2018-01-09 | 阿里巴巴集团控股有限公司 | 一种节点处理方法及装置 |
US10127511B1 (en) * | 2017-09-22 | 2018-11-13 | 1Nteger, Llc | Systems and methods for investigating and evaluating financial crime and sanctions-related risks |
CN111723338A (zh) * | 2019-03-18 | 2020-09-29 | 京东数字科技控股有限公司 | 一种检测方法和检测设备 |
CN110223168A (zh) * | 2019-06-24 | 2019-09-10 | 浪潮卓数大数据产业发展有限公司 | 一种基于企业关系图谱的标签传播反欺诈检测方法及系统 |
CN111248172A (zh) * | 2020-01-15 | 2020-06-09 | 长沙理工大学 | 一种捕捉珊瑚礁上海星的装置 |
CN112508709A (zh) * | 2020-10-21 | 2021-03-16 | 杭州衡泰软件有限公司 | 一种基于网络结构的信用风险传染监控方法 |
Non-Patent Citations (2)
Title |
---|
王泽: ""国际股票市场间的风险动态传播模式识别及预警研究"", 《中国优秀硕博士学位论文全文数据库(博士) 基础科学辑》 * |
程大伟: ""复杂担保网络中传染路径的风险评估"", 《中国科学:信息科学》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222737B (zh) * | 2021-05-25 | 2022-06-14 | 天津大学 | 用于金融网络的风险可视化的图布局方法 |
CN114745171A (zh) * | 2022-04-08 | 2022-07-12 | 深圳市魔方安全科技有限公司 | 一种基于图技术的外部攻击面可视化分析的方法和系统 |
CN114745171B (zh) * | 2022-04-08 | 2024-11-08 | 深圳市魔方安全科技有限公司 | 一种基于图技术的外部攻击面可视化分析的方法和系统 |
CN116109414A (zh) * | 2023-02-14 | 2023-05-12 | 中国科学院软件研究所 | 一种基于力作用的资金交易桑基图可视化布局方法 |
CN116109414B (zh) * | 2023-02-14 | 2023-10-24 | 中国科学院软件研究所 | 一种基于力作用的资金交易桑基图可视化布局方法 |
US12033103B1 (en) | 2023-04-27 | 2024-07-09 | Integer, Llc | Systems and methods for risk data navigation |
Also Published As
Publication number | Publication date |
---|---|
CN113222737B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113222737A (zh) | 用于金融网络的风险可视化的图布局方法 | |
Zhao et al. | Investigating capsule networks with dynamic routing for text classification | |
Weber et al. | Scalable graph learning for anti-money laundering: A first look | |
WO2022121145A1 (zh) | 一种基于图分类的以太坊网络钓鱼诈骗检测方法及装置 | |
CN110378786B (zh) | 模型训练方法、违约传导风险识别方法、装置及存储介质 | |
CN111222976B (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
CN111199474B (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
Zhang et al. | The stability of Chinese stock network and its mechanism | |
Liu et al. | Improving fraud detection via hierarchical attention-based graph neural network | |
US20220270384A1 (en) | Method for training adversarial network model, method for building character library, electronic device, and storage medium | |
Duan et al. | Dga-gnn: Dynamic grouping aggregation gnn for fraud detection | |
CN109670927A (zh) | 信用额度的调整方法及其装置、设备、存储介质 | |
WO2023130728A1 (zh) | 基于社区结构的动态图异常检测方法 | |
Qianqian et al. | The China-Pakistan economic corridor: The Pakistani media attitudes perspective | |
CN114387005A (zh) | 一种基于图分类的套利团伙识别方法 | |
Morshed et al. | LeL-GNN: Learnable edge sampling and line based graph neural network for link prediction | |
CN105897774B (zh) | 一种基于机器学习的网络用户安全状态评估方法 | |
CN113127697B (zh) | 图布局优化方法和系统、电子设备及可读存储介质 | |
CN116861226A (zh) | 一种数据处理的方法以及相关装置 | |
CN114374655A (zh) | 网络流量特征提取方法、装置、设备及存储介质 | |
CN118012657A (zh) | 微服务系统的根因定位方法、装置、可读介质和电子设备 | |
Li et al. | Small sample-oriented case-based kernel predictive modeling and its economic forecasting applications under n-splits-k-times hold-out assessment | |
CN115982654B (zh) | 一种基于自监督图神经网络的节点分类方法及装置 | |
CN112163848B (zh) | 一种面向流网络的角色划分系统及其工作方法、介质 | |
Ali et al. | Improved differential evolution algorithm with decentralisation of population |
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 |