CN113344709A - 客户理财风险测评方法及装置 - Google Patents
客户理财风险测评方法及装置 Download PDFInfo
- Publication number
- CN113344709A CN113344709A CN202110696556.9A CN202110696556A CN113344709A CN 113344709 A CN113344709 A CN 113344709A CN 202110696556 A CN202110696556 A CN 202110696556A CN 113344709 A CN113344709 A CN 113344709A
- Authority
- CN
- China
- Prior art keywords
- client
- attribute
- risk evaluation
- risk
- financing
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 60
- 238000013507 mapping Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000013210 evaluation model Methods 0.000 claims abstract description 30
- 238000010801 machine learning Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 18
- 238000000513 principal component analysis Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 4
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered 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
- G06Q40/06—Asset management; Financial planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种客户理财风险测评方法及装置,涉及人工智能技术领域,该方法包括:采集多个理财产品客户的属性信息;基于预先配置的属性映射关系表,将每个理财产品客户的属性信息映射为对应的属性权重数据;根据每个理财产品客户的属性权重数据,标记每个理财产品客户的风险测评级别;根据多个理财产品客户的风险测评级别和对应的属性权重数据,通过机器学习训练一个客户风险测评模型;将待测评客户的属性信息,输入至预先训练好的客户风险测评模型中,输出待测评客户的风险测评级别。本发明能够快速、高效、准确地对客户进行风险测评,提升客户体验。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种客户理财风险测评方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
近年来,理财产品越来越火,越来越多的客户通过手机银行等客户端购买理财产品。众做周知,客户在购买理财产品前,必须做风险测评。目前,各大银行均通过客户填写问卷的形式,给客户评定风险级别。这种基于人工填写问卷的理财风险评定方式,存在流程繁琐、效率低下以及准确性不高的技术问题。
发明内容
本发明实施例提供一种客户理财风险测评方法,用以解决现有的理财产品业务系统基于人工调查问卷内容对客户进行理财风险测评,存在流程繁琐、效率低下以及准确性不高的技术问题,该方法包括:采集多个理财产品客户的属性信息,其中,属性信息包括:多个属性特征;基于预先配置的属性映射关系表,将每个理财产品客户的属性信息映射为对应的属性权重数据,其中,属性映射关系表中包含多个属性特征及每个属性特征对应的权重值;根据每个理财产品客户的属性权重数据,标记每个理财产品客户的风险测评级别;根据多个理财产品客户的风险测评级别和对应的属性权重数据,通过机器学习训练一个客户风险测评模型,其中,客户风险测评模型用于对待测评客户的风险测评等级进行预测;将待测评客户的属性信息,输入至预先训练好的客户风险测评模型中,输出待测评客户的风险测评级别。
本发明实施例还提供一种客户理财风险测评装置,用以解决现有的理财产品业务系统基于人工调查问卷内容对客户进行理财风险测评,存在流程繁琐、效率低下以及准确性不高的技术问题,该装置包括:客户信息采集模块,用于采集多个理财产品客户的属性信息,其中,属性信息包括:多个属性特征;属性权重映射模块,用于基于预先配置的属性映射关系表,将每个理财产品客户的属性信息映射为对应的属性权重数据,其中,属性映射关系表中包含多个属性特征及每个属性特征对应的权重值;客户标记模块,用于根据每个理财产品客户的属性权重数据,标记每个理财产品客户的风险测评级别;机器学习模块,用于根据多个理财产品客户的风险测评级别和对应的属性权重数据,通过机器学习训练一个客户风险测评模型,其中,客户风险测评模型用于对待测评客户的风险测评等级进行预测;风险测评级别预测模块,用于将待测评客户的属性信息,输入至预先训练好的客户风险测评模型中,输出待测评客户的风险测评级别。
本发明实施例还提供一种计算机设备,用以解决现有的理财产品业务系统基于人工调查问卷内容对客户进行理财风险测评,存在流程繁琐、效率低下以及准确性不高的技术问题,该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,处理器执行计算机程序时实现上述客户理财风险测评方法。
本发明实施例还提供一种计算机可读存储介质,用以解决现有的理财产品业务系统基于人工调查问卷内容对客户进行理财风险测评,存在流程繁琐、效率低下以及准确性不高的技术问题,该计算机可读存储介质存储有执行上述客户理财风险测评方法的计算机程序。
本发明实施例中提供的客户理财风险测评方法、装置、计算机设备及计算机可读存储介质,通过采集多个理财产品客户的属性信息,并基于预先配置的属性映射关系表,将每个理财产品客户的属性信息映射为对应的属性权重数据,进而根据每个理财产品客户的属性权重数据,标记每个理财产品客户的风险测评级别,然后根据多个理财产品客户的风险测评级别和对应的属性权重数据,通过机器学习训练一个客户风险测评模型,利用该客户风险测评模型对待测评客户的风险测评等级进行预测,最终得到待测评客户的风险测评级别。
与现有技术中基于人工调查问卷内容对客户进行理财风险测评的技术方案相比,本发明实施例中基于预先训练好的客户风险测评模型,根据客户的属性信息预测客户的理财风险测评级别,能够快速、高效、准确地对客户进行风险测评,提升客户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅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。在附图中:
图1为本发明实施例中提供的一种客户理财风险测评方法流程图;
图2为本发明实施例中提供的一种客户风险测评模型的机器学习流程图;
图3为本发明实施例中提供的一种客户风险测评等级标记方法流程图;
图4为本发明实施例中提供的一种属性映射关系表的生成流程图;
图5为本发明实施例中提供的一种客户理财风险测评装置示意图;
图6为本发明实施例中提供的一种可选的客户理财风险测评装置示意图;
图7为本发明实施例中提供的一种计算机设备示意图。
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明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
本发明实施例中提供了一种客户理财风险测评方法,图1为本发明实施例中提供的一种客户理财风险测评方法流程图,如图1所示,该方法包括如下步骤:
S101,采集多个理财产品客户的属性信息,其中,属性信息包括:多个属性特征。
需要说明的是,本发明实施例中的理财产品客户是指已经购买一个或多个理财产品的客户,上述S101中采集的属性信息包括但不限于:客户性别、年龄、工作单位、理财金额、理财产品、理财频率、理财时长等信息。
S102,基于预先配置的属性映射关系表,将每个理财产品客户的属性信息映射为对应的属性权重数据,其中,属性映射关系表中包含多个属性特征及每个属性特征对应的权重值。
需要说明的是,本发明实施例中的属性映射关系表是指预先配置的包含多个属性特征及每个属性特征对应权重值的一个数据表,基于该属性映射关系表,可将每个理财产品客户的属性信息映射为对应的属性权重数据。
S103,根据每个理财产品客户的属性权重数据,标记每个理财产品客户的风险测评级别。
需要说明的是,不同的客户属性特征,同一属性特征不同的权重信息,都会影响到客户的风险测评级别,本发明实施例中,在基于预先配置的属性映射关系表,将每个理财产品客户的属性信息映射为对应的属性权重数据,根据每个理财产品客户的属性权重数据,对每个理财产品客户进行风险测评级别标记。
可选地,本发明实施例中提供的风险测评级别包括:保守型、稳健型、平衡型、成长型、进取型五中风险级别。
S104,根据多个理财产品客户的风险测评级别和对应的属性权重数据,通过机器学习训练一个客户风险测评模型,其中,客户风险测评模型用于对待测评客户的风险测评等级进行预测。
需要说明的是,本发明实施例中的客户风险测评模型是指通过机器学习训练得到的一个能够根据某个客户的属性信息预测该客户风险测评级别的模型,该模型的输入数据为:客户的属性信息,输出数据为客户对应的风险测评级别。
S105,将待测评客户的属性信息,输入至预先训练好的客户风险测评模型中,输出待测评客户的风险测评级别。
由于客户风险测评模型能够根据某个客户的属性信息预测出该客户的风险测评级别,因而,针对任意一个待测评客户,都可直接将待测评客户的属性信息,输入至该客户风险测评模型中,快速预测出该待测评客户的风险测评级别。
在具体实施时,上述S105可以是客户在任意一个理财产品业务系统发起理财和产品业务交易请求时触发的,利用本发明实施例中提供的客户理财风险测评方法,能够快速得到客户的风险测评级别,避免客户输入问卷信息影响客户体验的问题。
可选地,在一个实施例中,可将每个客户在多个理财产品业务系统的属性信息存储到区块链网络上,以便每个理财产品业务系统都可共享其他理财产品业务系统中的客户属性信息,例如,当某个客户在某个理财产品业务系统(即第一理财产品业务系统)发起理财产品购买请求时查询该客户先前在其他理财产品业务系统(即第二理财产品业务系统)录入的属性信息,以便对快速预测出该客户的风险测评级别,办理该客户在第一理财产品业务系统的理财产品业务交易。
在确定待测评客户的风险测评级别后,本发明实施例中提供的客户理财风险测评方法,还可以根据待测评客户的风险测评级别,确定向待测评客户推送的理财产品。需要注意的是,向待测评客户推送的理财产品的理财风险级别低于或等于待测评客户的风险测评级别。
在一个实施例中,如图2所示,本发明实施例中提供的客户理财风险测评方法,可以通过如下机器学习流程,训练得到对客户进行风险测评级别预测的客户风险测评模型:
S201,将多个理财产品客户的风险测评级别和对应的属性权重数据,作为训练客户风险测评模型的样本数据;
S202,按照预设比例,将样本数据划分为训练数据和测试数据;
S203,利用训练数据,对决策树模型进行训练;
S204,利用测试数据,对训练后的模型进行验证,直到训练得到一个满足预设预测准确率的客户风险测评模型。
在具体实施时,上述预设比例可以是4:1,即利用80%的样本数据作为训练数据,对决策树模型进行机器学习,训练得到一个客户风险测评模型,利用20%的样本数据作为测试数据,测试模型的正确性,持续优化,最终得出一个预测准确率较高的客户风险测评模型。
为了进一步提高模型预测准确率,在一个实施例中,如图3所示,在根据每个理财产品客户的属性权重数据,标记每个理财产品客户的风险测评级别之前,本发明实施例中提供的客户理财风险测评方法还可通过如下步骤标记每个理财产品客户的风险测评级别:
S301,利用信息增益函数或主成分分析法PCA函数,对每个理财产品客户的属性权重数据进行降维;
S302,根据每个理财产品客户降维后的属性权重数据,标记每个理财产品客户的风险测评级别。
该实施例中,在根据待测评客户的属性信息,预测待测评客户的风险测评级别时,也可先基于预先配置的属性映射关系表,将待测评客户的属性信息映射为对应的属性权重数据,进而利用信息增益函数或主成分分析法PCA函数,对待测评客户的属性权重数据进行降维,将待测评客户降维后的属性权重数据,输入至预先训练好的客户风险测评模型中,得到待测评客户的风险测评级别。本发明实施例中,利用信息增益函数或主成分分析法PCA函数,对属性信息进行特征提取,能够筛选出对结果更加有用的特征信息。
在一个实施例中,如图4所示,在基于预先配置的属性映射关系表,将每个理财产品客户的属性信息映射为对应的属性权重数据之前,本发明实施例中提供的客户理财风险测评方法还可通过如下步骤生成属性映射关系表:
S401,获取预先配置的多个属性特征;
S402,获取每个属性特征对应的权重值;
S403,根据多个属性特征和对应的权重值,生成属性映射关系表。
需要说明的是,针对不同的理财产品,可选取不同的客户属性特征,针对不同的属性特征,可配置不同的权重值。
作为一种可选的实施方式,本发明实施例中提供的基于人工智能的客户理财风险测评方法,可具体包括如下步骤:
①采集客户信息:采集所有购买过理财产品的客户信息,分别从客户属性表、理财相关表提取客户信息,用于后续标记风险测评级别后及训练模型。其中客户信息数据有要为客户的特征属性,包括:客户性别、年龄、工作单位、理财金额、理财产品、理财频率、理财时长等。采集的客户信息样式表1所示。
表1客户信息
客户 | 年龄 | 性别 | 理财金额 | 工作单位 | 理财产品 | …… | 理财时长 |
客户1 | 30 | 男 | 10万 | 国企 | …… | 1年 | |
客户2 | 25 | 女 | 20万 | 私企 | …… | 3年 | |
客户3 | 50 | 男 | 5万 | 央企 | …… | 10年 | |
客户4 | |||||||
…… |
②标记风险测评级别:标记每一个客户的风险测评级别,分别标记为保守型、稳健型、平衡型、成长型、进取型5种风险级别,分别简记为C1、C2、C3、C4、C5。标记后的样式如表2所示。
表2客户标记结果
客户 | 年龄 | 性别 | 理财金额 | 工作单位 | 理财产品 | …… | 理财时长 | 级别 |
客户1 | 30 | 男 | 10万 | 国企 | …… | 1年 | 稳健型 | |
客户2 | 25 | 女 | 20万 | 私企 | …… | 3年 | 进取型 | |
客户3 | 50 | 男 | 5万 | 央企 | …… | 10年 | 保守型 | |
客户4 | ||||||||
…… |
③数据映射:将标记后的客户信息根据特殊属性映射关系表,映射成对应的数值。比如理财金额5万以内映射为0.2,5万-10万映射成0.3,10万以上映射成0.6。映射后的客户属性权重数据如表3所示。
表3降维前的客户属性权重数据
客户 | 年龄 | 性别 | 理财金额 | 工作单位 | 理财产品 | …… | 理财时长 | 级别 |
客户1 | 0.4 | 0.6 | 0.3 | 0.3 | …… | 0.15 | C2 | |
客户2 | 0.4 | 0.4 | 0.4 | 0.3 | …… | 0.25 | C5 | |
客户3 | 0.1 | 0.6 | 0.2 | 0.4 | …… | 0.5 | C1 | |
客户4 | ||||||||
…… |
④利用信息增益函数或主成分分析法PCA函数对映射后的数据进行特征属性提取,保留客户含金量更高的特性属性,如表4所示。
表4降维后的客户属性权重数据
客户 | 性别 | 理财金额 | 理财频率 | 有无贷款 | 盈亏状态 | …… | 理财时长 | 级别 |
客户1 | 0.6 | 0.3 | 0.3 | 0.3 | …… | 0.15 | C2 | |
客户2 | 0.4 | 0.4 | 0.3 | 0.7 | …… | 0.25 | C5 | |
客户3 | 0.6 | 0.2 | 0.4 | 0.3 | …… | 0.5 | C1 | |
客户4 | ||||||||
…… |
⑤训练及优化模型:利用决策树分类算法,训练模型。保守型、稳健型、平衡型、成长型、进取型分别为五种分类,简记为C1、C2、C3、C4、C5。利用20%的数据测试模型的正确性,持续优化,最终得出一个正确性较高的模型。
⑥预测客户风险测评级别:当有新客户需要风险测评时,将新客户的信息输入模型,模型预测出保守型、稳健型、平衡型、成长型、进取型五种结果中的一种。
由上可知,本发明实施例中,通过采集各个理财产品客户的属性信息,标记客户的风险测评级别;然后对客户属性信进行特征提取,得到降维后的属性信息,最后利用降维后的属性信息和标记风险测评级别,训练一个客户风险测评模型,对新客户的风险测评级别进行预测,能够快速、高效、准确地对客户进行风险测评,提升客户体验。
基于同一发明构思,本发明实施例中还提供了一种客户理财风险测评装置,如下面的实施例所述。由于该装置解决问题的原理与客户理财风险测评方法相似,因此该装置的实施可以参见客户理财风险测评方法的实施,重复之处不再赘述。
图5为本发明实施例中提供的一种客户理财风险测评装置示意图,如图5所示,该装置包括:客户信息采集模块51、属性权重映射模块52、客户标记模块53、机器学习模块54和风险测评级别预测模块55。
其中,客户信息采集模块51,用于采集多个理财产品客户的属性信息,其中,属性信息包括:多个属性特征;属性权重映射模块52,用于基于预先配置的属性映射关系表,将每个理财产品客户的属性信息映射为对应的属性权重数据,其中,属性映射关系表中包含多个属性特征及每个属性特征对应的权重值;客户标记模块53,用于根据每个理财产品客户的属性权重数据,标记每个理财产品客户的风险测评级别;机器学习模块54,用于根据多个理财产品客户的风险测评级别和对应的属性权重数据,通过机器学习训练一个客户风险测评模型,其中,客户风险测评模型用于对待测评客户的风险测评等级进行预测;风险测评级别预测模块55,用于将待测评客户的属性信息,输入至预先训练好的客户风险测评模型中,输出待测评客户的风险测评级别。
在一个实施例中,如图6所示,本发明实施例中提供的客户理财风险测评装置中,机器学习模块54包括:样本数据获取单元541,用于将多个理财产品客户的风险测评级别和对应的属性权重数据,作为训练客户风险测评模型的样本数据;样本数据划分单元542,用于按照预设比例,将样本数据划分为训练数据和测试数据;模型训练单元543,用于利用训练数据,对决策树模型进行训练;模型验证单元544,用于利用测试数据,对训练后的模型进行验证,直到训练得到一个满足预设预测准确率的客户风险测评模型。
在一个实施例中,如图6所示,本发明实施例中提供的客户理财风险测评装置还可包括:属性特征降维处理模块56,用于利用信息增益函数或主成分分析法PCA函数,对每个理财产品客户的属性权重数据进行降维;该实施例中,客户标记模块53还用于根据每个理财产品客户降维后的属性权重数据,标记每个理财产品客户的风险测评级别。
在一个实施例中,如图6所示,本发明实施例中提供的客户理财风险测评装置还可包括:属性特征配置模块57,用于获取预先配置的多个属性特征;属性权重配置模块58,用于获取每个属性特征对应的权重值;属性映射关系表生成模块59,用于根据多个属性特征和对应的权重值,生成属性映射关系表。
基于同一发明构思,本发明实施例还提供一种计算机设备,用以解决现有的理财产品业务系统基于人工调查问卷内容对客户进行理财风险测评,存在流程繁琐、效率低下以及准确性不高的技术问题,图7为本发明实施例中提供的一种计算机设备示意图,如图7所示,该计算机设备70包括存储器701、处理器702及存储在存储器701上并可在处理器702上运行的计算机程序,处理器702执行计算机程序时实现上述客户理财风险测评方法。
基于同一发明构思,本发明实施例还提供一种计算机可读存储介质,用以解决现有的理财产品业务系统基于人工调查问卷内容对客户进行理财风险测评,存在流程繁琐、效率低下以及准确性不高的技术问题,该计算机可读存储介质存储有执行上述客户理财风险测评方法的计算机程序。
综上所述,本发明实施例中提供的客户理财风险测评方法、装置、计算机设备及计算机可读存储介质,采集多个理财产品客户的属性信息,其中,属性信息包括:多个属性特征;基于预先配置的属性映射关系表,将每个理财产品客户的属性信息映射为对应的属性权重数据,其中,属性映射关系表中包含多个属性特征及每个属性特征对应的权重值;根据每个理财产品客户的属性权重数据,标记每个理财产品客户的风险测评级别;根据多个理财产品客户的风险测评级别和对应的属性权重数据,通过机器学习训练一个客户风险测评模型,其中,客户风险测评模型用于对待测评客户的风险测评等级进行预测;将待测评客户的属性信息,输入至预先训练好的客户风险测评模型中,输出待测评客户的风险测评级别。
与现有技术中基于人工调查问卷内容对客户进行理财风险测评的技术方案相比,本发明实施例中基于预先训练好的客户风险测评模型,根据客户的属性信息预测客户的理财风险测评级别,能够快速、高效、准确地对客户进行风险测评,提升客户体验。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种客户理财风险测评方法,其特征在于,包括:
采集多个理财产品客户的属性信息,其中,所述属性信息包括:多个属性特征;
基于预先配置的属性映射关系表,将每个理财产品客户的属性信息映射为对应的属性权重数据,其中,所述属性映射关系表中包含多个属性特征及每个属性特征对应的权重值;
根据每个理财产品客户的属性权重数据,标记每个理财产品客户的风险测评级别;
根据所述多个理财产品客户的风险测评级别和对应的属性权重数据,通过机器学习训练一个客户风险测评模型,其中,所述客户风险测评模型用于对待测评客户的风险测评等级进行预测;
将待测评客户的属性信息,输入至预先训练好的客户风险测评模型中,输出所述待测评客户的风险测评级别。
2.如权利要求1所述的方法,其特征在于,根据所述多个理财产品客户的风险测评级别和对应的属性权重数据,通过机器学习训练一个客户风险测评模型,包括:
将所述多个理财产品客户的风险测评级别和对应的属性权重数据,作为训练客户风险测评模型的样本数据;
按照预设比例,将所述样本数据划分为训练数据和测试数据;
利用所述训练数据,对决策树模型进行训练;
利用所述测试数据,对训练后的模型进行验证,直到训练得到一个满足预设预测准确率的客户风险测评模型。
3.如权利要求1所述的方法,其特征在于,在根据每个理财产品客户的属性权重数据,标记每个理财产品客户的风险测评级别之前,所述方法还包括:
利用信息增益函数或主成分分析法PCA函数,对每个理财产品客户的属性权重数据进行降维;
根据每个理财产品客户降维后的属性权重数据,标记每个理财产品客户的风险测评级别。
4.如权利要求1所述的方法,其特征在于,在基于预先配置的属性映射关系表,将每个理财产品客户的属性信息映射为对应的属性权重数据之前,所述方法还包括:
获取预先配置的多个属性特征;
获取每个属性特征对应的权重值;
根据多个属性特征和对应的权重值,生成属性映射关系表。
5.一种客户理财风险测评装置,其特征在于,包括:
客户信息采集模块,用于采集多个理财产品客户的属性信息,其中,所述属性信息包括:多个属性特征;
属性权重映射模块,用于基于预先配置的属性映射关系表,将每个理财产品客户的属性信息映射为对应的属性权重数据,其中,所述属性映射关系表中包含多个属性特征及每个属性特征对应的权重值;
客户标记模块,用于根据每个理财产品客户的属性权重数据,标记每个理财产品客户的风险测评级别;
机器学习模块,用于根据所述多个理财产品客户的风险测评级别和对应的属性权重数据,通过机器学习训练一个客户风险测评模型,其中,所述客户风险测评模型用于对待测评客户的风险测评等级进行预测;
风险测评级别预测模块,用于将待测评客户的属性信息,输入至预先训练好的客户风险测评模型中,输出所述待测评客户的风险测评级别。
6.如权利要求5所述的装置,其特征在于,所述机器学习模块包括:
样本数据获取单元,用于将所述多个理财产品客户的风险测评级别和对应的属性权重数据,作为训练客户风险测评模型的样本数据;
样本数据划分单元,用于按照预设比例,将所述样本数据划分为训练数据和测试数据;
模型训练单元,用于利用所述训练数据,对决策树模型进行训练;
模型验证单元,用于利用所述测试数据,对训练后的模型进行验证,直到训练得到一个满足预设预测准确率的客户风险测评模型。
7.如权利要求5所述的装置,其特征在于,所述装置还包括:
属性特征降维处理模块,用于利用信息增益函数或主成分分析法PCA函数,对每个理财产品客户的属性权重数据进行降维;
其中,所述客户标记模块还用于根据每个理财产品客户降维后的属性权重数据,标记每个理财产品客户的风险测评级别。
8.如权利要求5所述的装置,其特征在于,所述装置还包括:
属性特征配置模块,用于获取预先配置的多个属性特征;
属性权重配置模块,用于获取每个属性特征对应的权重值;
属性映射关系表生成模块,用于根据多个属性特征和对应的权重值,生成属性映射关系表。
9.一种计算机设备,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计算机程序时实现权利要求1至4任一项所述客户理财风险测评方法。
10.一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执行权利要求1至4任一项所述客户理财风险测评方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110696556.9A CN113344709A (zh) | 2021-06-23 | 2021-06-23 | 客户理财风险测评方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110696556.9A CN113344709A (zh) | 2021-06-23 | 2021-06-23 | 客户理财风险测评方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113344709A true CN113344709A (zh) | 2021-09-03 |
Family
ID=77477987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110696556.9A Pending CN113344709A (zh) | 2021-06-23 | 2021-06-23 | 客户理财风险测评方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344709A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107437198A (zh) * | 2017-05-26 | 2017-12-05 | 阿里巴巴集团控股有限公司 | 确定用户风险偏好的方法、信息推荐方法及装置 |
CN107798608A (zh) * | 2017-10-19 | 2018-03-13 | 深圳市耐飞科技有限公司 | 一种投资产品组合推荐方法及系统 |
CN108280762A (zh) * | 2018-01-19 | 2018-07-13 | 平安科技(深圳)有限公司 | 客户风险评级方法、服务器及计算机可读存储介质 |
CN109359812A (zh) * | 2018-09-04 | 2019-02-19 | 深圳壹账通智能科技有限公司 | 理财产品推荐方法、服务器及计算机可读存储介质 |
CN109670962A (zh) * | 2018-09-26 | 2019-04-23 | 深圳壹账通智能科技有限公司 | 基于大数据的理财产品推送方法、装置、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 |
CN110276668A (zh) * | 2019-07-01 | 2019-09-24 | 中国工商银行股份有限公司 | 理财产品智能推送、匹配度确定的方法及系统 |
CN110599350A (zh) * | 2019-08-05 | 2019-12-20 | 衣璐 | 一种用户金融投资偏好的评测方法及装置 |
-
2021
- 2021-06-23 CN CN202110696556.9A patent/CN113344709A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107437198A (zh) * | 2017-05-26 | 2017-12-05 | 阿里巴巴集团控股有限公司 | 确定用户风险偏好的方法、信息推荐方法及装置 |
CN107798608A (zh) * | 2017-10-19 | 2018-03-13 | 深圳市耐飞科技有限公司 | 一种投资产品组合推荐方法及系统 |
CN108280762A (zh) * | 2018-01-19 | 2018-07-13 | 平安科技(深圳)有限公司 | 客户风险评级方法、服务器及计算机可读存储介质 |
CN109359812A (zh) * | 2018-09-04 | 2019-02-19 | 深圳壹账通智能科技有限公司 | 理财产品推荐方法、服务器及计算机可读存储介质 |
CN109670962A (zh) * | 2018-09-26 | 2019-04-23 | 深圳壹账通智能科技有限公司 | 基于大数据的理财产品推送方法、装置、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 |
CN110276668A (zh) * | 2019-07-01 | 2019-09-24 | 中国工商银行股份有限公司 | 理财产品智能推送、匹配度确定的方法及系统 |
CN110599350A (zh) * | 2019-08-05 | 2019-12-20 | 衣璐 | 一种用户金融投资偏好的评测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110400022B (zh) | 自助柜员机现金用量预测方法及装置 | |
WO2019214248A1 (zh) | 一种风险评估方法、装置、终端设备及存储介质 | |
CN112070615B (zh) | 基于知识图谱的理财产品推荐方法及装置 | |
CN108648074A (zh) | 基于支持向量机的贷款评估方法、装置及设备 | |
CN108475393A (zh) | 通过合成特征和梯度提升决策树进行预测的系统和方法 | |
CN106156809A (zh) | 用于更新分类模型的方法及装置 | |
US20070124236A1 (en) | Credit risk profiling method and system | |
CN105718490A (zh) | 一种用于更新分类模型的方法及装置 | |
CN109711424B (zh) | 一种基于决策树的行为规则获取方法、装置及设备 | |
CN110704730A (zh) | 基于大数据的产品数据推送方法、系统及计算机设备 | |
WO2021174699A1 (zh) | 用户筛选方法、装置、设备及存储介质 | |
CN113205403A (zh) | 一种企业信用等级的计算方法、装置、存储介质及终端 | |
CN112990989B (zh) | 价值预测模型输入数据生成方法、装置、设备和介质 | |
CN113450158A (zh) | 银行活动信息推送方法及装置 | |
CN107862599B (zh) | 银行风险数据处理方法、装置、计算机设备和存储介质 | |
Kasztelnik | Innovative bank market risk measurement strategies using a modern machine learning approach: A novel aglomerative clustering model analysis | |
CN106874286B (zh) | 一种筛选用户特征的方法及装置 | |
CN116362895A (zh) | 理财产品推荐方法、装置及存储介质 | |
CN116821759A (zh) | 类别标签的识别预测方法、装置和处理器及电子设备 | |
CN116308486A (zh) | 一种目标卷烟销量预测方法、装置、电子设备及存储介质 | |
Yavin et al. | Transition probability matrix methodology for incremental risk charge | |
CN113344709A (zh) | 客户理财风险测评方法及装置 | |
CN115293783A (zh) | 风险用户识别方法、装置、计算机设备和存储介质 | |
CN114119107A (zh) | 一种钢贸企业交易测评方法、装置、设备及存储介质 | |
Patankar et al. | An Efficient System for the Prediction of House Prices using a Neural Network Algorithm |
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 |