CN113516553A - 信用风险的预警方法及装置 - Google Patents

信用风险的预警方法及装置 Download PDF

Info

Publication number
CN113516553A
CN113516553A CN202110867621.XA CN202110867621A CN113516553A CN 113516553 A CN113516553 A CN 113516553A CN 202110867621 A CN202110867621 A CN 202110867621A CN 113516553 A CN113516553 A CN 113516553A
Authority
CN
China
Prior art keywords
risk
conduction
node
target
association
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
Application number
CN202110867621.XA
Other languages
English (en)
Inventor
吴倩倩
刘颖
陈宇钧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Construction Bank Corp
Original Assignee
China Construction Bank Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Construction Bank Corp filed Critical China Construction Bank Corp
Priority to CN202110867621.XA priority Critical patent/CN113516553A/zh
Publication of CN113516553A publication Critical patent/CN113516553A/zh
Pending legal-status Critical Current

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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • 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)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明提供了一种信用风险的预警方法及装置，该方法包括：获取关联图谱，关联图谱包括多个关联节点以及关联节点之间的风险关联边，确定目标监控节点，目标监控节点为关联图谱中除风险源节点以外的关联节点；基于关联图谱中的风险关联边，在各个风险源节点中确定与目标监控节点存在风险传导路径的目标风险源节点；确定每个目标风险源节点与目标监控节点之间的风险传导路径的风险传导概率值；基于每个风险传导路径的风险传导概率值，确定目标监控节点的综合风险传导概率值；生成目标监控节点的风险预警信息。应用本发明实施例提供的方法，能够准确的评估用户的综合风险传导概率值，及时生成监控预警信息，提升风险监控水平。

Description

信用风险的预警方法及装置
技术领域
本发明涉及数据处理技术领域，特别涉及一种信用风险的预警方法及装置。
背景技术
随着科技水平的进步，银行等金融机构内部通常设有针对用户的评价体系和指标，金融机构可以利用风险预测，来决定是否为用户提供贷款、理财等业务。
目前，金融机构往往以单个客户为研究对象，只能实现对具有一对一直接关系的客户进行风险评估，例如第一客户出现信用风险时，只能评估出和该第一客户有直接关系的第二客户是否存在风险以及风险概率，导致风险监控效果不好。
发明内容
本发明所要解决的技术问题是提供一种信用风险的预警方法，能够准确的评估用户的综合风险传导概率值，及时生成监控预警信息，提升风险监控水平。
本发明还提供了一种信用风险的预警装置，用以保证上述方法在实际中的实现及应用。
一种信用风险的预警方法，包括：
响应于风险监控指令，获取预先设置的关联图谱，所述关联图谱包括多个关联节点以及所述关联节点之间的风险关联边，所述风险关联边表示两个关联节点之间的存在信用风险传递关系；
在所述关联图谱中确定目标监控节点，所述目标监控节点为所述关联图谱中除风险源节点以外的关联节点；所述风险源节点为满足预设的信用风险条件的关联节点；
基于所述关联图谱中的风险关联边，在各个风险源节点中确定与所述目标监控节点存在风险传导路径的目标风险源节点；
确定每个所述目标风险源节点与所述目标监控节点之间的风险传导路径的风险传导概率值；所述风险传导概率值为该目标风险源节点通过该风险传导路径将信用风险传导至所述目标监控节点的概率值；
基于每个所述风险传导路径的风险传导概率值，确定所述目标监控节点的综合风险传导概率值；
判断所述综合风险传导概率值是否大于预先设置的概率阈值；
若所述综合风险传导概率值大于所述概率阈值，则生成所述目标监控节点的风险预警信息。
上述的方法，可选的，所述在所述关联图谱中确定目标监控节点，包括：
确定出所述关联图谱中的各个风险源节点；
基于每个所述风险源节点以及与每个所述风险源节点相关联的风险边，在所述关联图谱中确定出每个所述风险源节点的风险传导范围；
在各个所述风险源节点的风险传导范围中确定目标监控节点。
上述的方法，可选的，所述基于所述关联图谱中的风险关联边，在各个风险源节点中确定与所述目标监控节点存在风险传导路径的目标风险源节点，包括：
遍历所述关联图谱中的各个所述风险关联边，以在各个所述风险源节点中确定与所述目标监控节点存在风险传导路径的目标风险源节点。
上述的方法，可选的，所述确定每个所述目标风险源节点与所述目标监控节点之间的风险传导路径的风险传导概率值，包括：
确定所述目标风险源节点与所述目标监控节点在所述关联图谱中所处的子图；
获取所述目标风险源节点的基本属性特征、所述目标监控节点的属性特征、所述子图的图指标特征以及传导模式特征，
将所述目标风险源节点的基本属性特征、所述目标监控节点的属性特征、所述子图的图指标特征以及传导模式特征，输入至预先构建的风险传导监测模型，获得所述风险传导路径的风险传导概率值。
上述的方法，可选的，所述基于每个所述风险传导路径的风险传导概率值，确定所述目标监控节点的综合风险传导概率值，包括：
基于每个所述目标风险源节点的节点类型以及所述目标监控节点的节点类型，确定每个所述目标风险源节点与所述目标监控节点之间的风险传导路径所属的传导模式；
应用每一所述传导模式对应的风险叠加模型，对属于该传导模式的各个风险传导路径的风险传导概率值进行叠加，获得该传导模式的子综合风险传导概率值；
基于每个所述传导模式的子综合风险传导概率值，获得所述目标监控节点的综合风险传导概率值。
一种信用风险的预警装置，包括：
获取单元，用于响应于风险监控指令，获取预先设置的关联图谱，所述关联图谱包括多个关联节点以及所述关联节点之间的风险关联边，所述风险关联边表示两个关联节点之间的存在信用风险传递关系；
第一确定单元，用于在所述关联图谱中确定目标监控节点，所述目标监控节点为所述关联图谱中除风险源节点以外的关联节点；所述风险源节点为满足预设的信用风险条件的关联节点；
第二确定单元，用于基于所述关联图谱中的风险关联边，在各个风险源节点中确定与所述目标监控节点存在风险传导路径的目标风险源节点；
第三确定单元，用于确定每个所述目标风险源节点与所述目标监控节点之间的风险传导路径的风险传导概率值；所述风险传导概率值为该目标风险源节点通过该风险传导路径将信用风险传导至所述目标监控节点的概率值；
第四确定单元，用于基于每个所述风险传导路径的风险传导概率值，确定所述目标监控节点的综合风险传导概率值；
判断单元，用于判断所述综合风险传导概率值是否大于预先设置的概率阈值；
生成单元，用于若所述综合风险传导概率值大于所述概率阈值，则生成所述目标监控节点的风险预警信息。
上述的装置，可选的，所述第一确定单元，包括：
第一确定子单元，用于确定出所述关联图谱中的各个风险源节点；
第二确定子单元，用于基于每个所述风险源节点以及与每个所述风险源节点相关联的风险边，在所述关联图谱中确定出每个所述风险源节点的风险传导范围；
第三确定子单元，用于在各个所述风险源节点的风险传导范围中确定目标监控节点。
上述的装置，可选的，所述第二确定单元，包括：
遍历子单元，用于遍历所述关联图谱中的各个所述风险关联边，以在各个所述风险源节点中确定与所述目标监控节点存在风险传导路径的目标风险源节点。
上述的装置，可选的，所述第三确定单元，包括：
第四确定子单元，用于确定所述目标风险源节点与所述目标监控节点在所述关联图谱中所处的子图；
获取子单元，用于获取所述目标风险源节点的基本属性特征、所述目标监控节点的属性特征、所述子图的图指标特征以及传导模式特征，其中，所述传导模式特征基于该目标风险源节点的节点类型以及所述目标监控节点的节点类型获得；
第一执行子单元，用于将所述目标风险源节点的基本属性特征、所述目标监控节点的属性特征、所述子图的图指标特征以及传导模式特征，输入至预先构建的风险传导监测模型，获得所述风险传导路径的风险传导概率值。
上述的装置，可选的，所述第四确定单元，包括：
第五确定子单元，用于基于每个所述目标风险源节点的节点类型以及所述目标监控节点的节点类型，确定每个所述目标风险源节点与所述目标监控节点之间的风险传导路径所属的传导模式；
叠加子单元，用于应用每一所述传导模式对应的风险叠加模型，对属于该传导模式的各个风险传导路径的风险传导概率值进行叠加，获得该传导模式的子综合风险传导概率值；
第二执行子单元，用于基于每个所述传导模式的子综合风险传导概率值，获得所述目标监控节点的综合风险传导概率值。
与现有技术相比，本发明包括以下优点：
本发明提供了一种信用风险的预警方法及装置，该方法包括：响应于风险监控指令，获取预先设置的关联图谱，所述关联图谱包括多个关联节点以及所述关联节点之间的风险关联边，所述风险关联边表示两个关联节点之间的存在信用风险传递关系；在所述关联图谱中确定目标监控节点，所述目标监控节点为所述关联图谱中除风险源节点以外的关联节点；所述风险源节点为满足预设的信用风险条件的关联节点；基于所述关联图谱中的风险关联边，在各个风险源节点中确定与所述目标监控节点存在风险传导路径的目标风险源节点；确定每个所述目标风险源节点与所述目标监控节点之间的风险传导路径的风险传导概率值；所述风险传导概率值为该目标风险源节点通过该风险传导路径将信用风险传导至所述目标监控节点的概率值；基于每个所述风险传导路径的风险传导概率值，确定所述目标监控节点的综合风险传导概率值；判断所述综合风险传导概率值是否大于预先设置的概率阈值；若所述综合风险传导概率值大于所述概率阈值，则生成所述目标监控节点的风险预警信息。应用本发明提供的信用风险的预警方法，能够准确的评估用户的综合风险传导概率值，及时生成监控预警信息，提升风险监控水平。
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，还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种信用风险的预警方法的方法流程图；
图2为本发明提供的一种在关联图谱中确定目标监控节点的过程的流程图；
图3为本发明提供的一种确定风险传导路径的风险传导概率值的过程的流程图；
图4为本发明提供的一种确定目标监控节点的综合风险传导概率值的过程的流程图；
图5为本发明提供的一种信用风险传导监测的过程的流程示意图；
图6为本发明提供的一种信用风险的预警装置的结构示意图。
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，所描述的实施例仅仅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。
在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明实施例提供了一种信用风险的预警方法，该方法可以应用于电子设备，所述方法的方法流程图如图1所示，具体包括：
S101：响应于风险监控指令，获取预先设置的关联图谱，所述关联图谱包括多个关联节点以及所述关联节点之间的风险关联边，所述风险关联边表示两个关联节点之间的存在信用风险传递关系。
在本发明实施例中，关联节点可以为企业类型的节点，也可以为个人用户类型的节点。
其中，该关联图谱中包含基础关联边和整合关联边，以该基础关联边为关联节点之间全量一度关联关系；该整合关联边通过整合基础关联边得到。在该基础关联边和整合关联边中进行偏相关性分析，确定出与风险传导无可无强相关性的正常关联边，除正常关联边以外的关联边为风险关联边。
其中，该风险监控指令可以周期性的触发，从而能够周期性的进行风险预警。
S102：在所述关联图谱中确定目标监控节点，所述目标监控节点为所述关联图谱中除风险源节点以外的关联节点；所述风险源节点为满足预设的信用风险条件的关联节点。
具体的，风险源节点为满足其所属节点类型对应的信用风险条件的关联节点，该节点类型为企业类型或个人用户类型。
对于企业类型的关联节点，若该关联节点的债项本金或利息逾期30天以上或者债项分类在次级及以下，则确定该关联节点为风险源节点。
对于个人用户类型的关联节点，若个人信贷本金或利息逾期60天及以上、信用卡本金或利息逾期60天及以上且不低于5万元或者信用卡本金或利息逾期90天及以上，则确定该关联节点为风险源节点。
S103：基于所述关联图谱中的风险关联边，在各个风险源节点中确定与所述目标监控节点存在风险传导路径的目标风险源节点。
在本发明实施例中，该风险传导路径由至少一个风险关联边组成。
其中，基于关联图谱中的风险关联边，在各个风险源节点中确定与目标监控节点存在风险传导路径的目标风险源节点的一种可行的方式为：遍历关联图谱中的各个风险关联边，以在各个风险源节点中确定与目标监控节点存在风险传导路径的目标风险源节点。
S104：确定每个所述目标风险源节点与所述目标监控节点之间的风险传导路径的风险传导概率值；所述风险传导概率值为该目标风险源节点通过该风险传导路径将信用风险传导至所述目标监控节点的概率值。
在本发明实施例中，目标风险源节点与目标监控节点之间可以存在多个通过风险关联边连接的中间关联节点，即，风险传导路径可以由目标风险源节点、目标监控节点、中间关联节点以及节点间的风险关联边组成。
具体的，可以基于风险传导检测模型确定目标风险源节点将风险通过风险传导路径传导值目标监控节点的概率值。
S105：基于每个所述风险传导路径的风险传导概率值，确定所述目标监控节点的综合风险传导概率值。
在本发明实施例中，可以将每个风险传导路径的风险传导概率值进行叠加，得到目标监控节点的综合风险传导概率值。
S106：判断所述综合风险传导概率值是否大于预先设置的概率阈值；若是，则执行S107，若否，则执行S108。
在本发明实施例中，该概率阈值可以依据实际需求进行设定。
S107：生成所述目标监控节点的风险预警信息。
在本发明实施例中，该风险预警信息表征该目标监控节点存在信用风险，可以将该风险预警信息在预先设置的监控窗口进行高亮显示。
S108：显示所述目标监控节点的综合风险传导概率值。
在本发明实施例中，可以在预设的监控窗口显示该目标监控节点的综合风险传导概率值。
应用本发明提供的信用风险的预警方法，能够准确的评估用户的综合风险传导概率值，及时生成监控预警信息，提升风险监控水平。
在本发明提供的一实施例中，基于上述的实施过程，具体的，所述在所述关联图谱中确定目标监控节点，如图2所示，具体包括：
S201：确定出所述关联图谱中的各个风险源节点。
在本发明实施例中，可以判断关联图谱中的每个关联节点是否满足该关联节点的节点类型对应的信用风险条件，若关联节点该满足该信用风险条件，则确定该关联节点为风险源节点。
S202：基于每个所述风险源节点以及与每个所述风险源节点相关联的风险边，在所述关联图谱中确定出每个所述风险源节点的风险传导范围。
在本发明实施例中，对于每个风险源节点，可以将该风险源节点为起点，根据各个风险边探寻该风险源节点的风险传递边界，从而确定出该风险源节点的风险传导范围。
S203：在各个所述风险源节点的风险传导范围中确定目标监控节点。
在本发明实施例中，该目标监控节点可以为该风险传导范围内的各个关联节点中的任意一个或多个。
在本发明提供的一实施例中，基于上述的实施过程，具体的，所述确定每个所述目标风险源节点与所述目标监控节点之间的风险传导路径的风险传导概率值，如图3所示，具体包括：
S301：确定所述目标风险源节点与所述目标监控节点在所述关联图谱中所处的子图。
在本发明实施例中，应用预先设置的图算法基于目标风险源与所述目标监控节点之间的风险关联边，确定该目标风险源节点与该目标监控节点所处的子图。
S302：获取所述目标风险源节点的基本属性特征、所述目标监控节点的基本属性特征、所述子图的图指标特征以及传导模式特征。
在本发明实施例中，该基础属性特征可以包括所属关联节点的行业、地区、规模等以上一种或多种。
其中，该传导模型特征基于目标风险源节点与目标监控节点的传导模型确定，传导模型为第一传导模式、第二传导模式、第三传导模式或第四传导模式。
具体的，图指标特征可以包括节点对的邻域、节点中心度、路径、节点间成圈图指标特征。
在本发明实施例中，获取图指标特征的一种可行的方式，如下：
(1)在子图内，从节点对集合出发，并行遍历一层风险边，计算起点和终点的出度和入度，同时得到节点对的共同邻居节点，从共同邻居节点遍历一层，计算节点对的Jaccard相似性指标和Adar指数。
其中，Jaccard相似性指标的计算方式为：
Figure BDA0003185052250000091
Adar指数的计算方式为：
Figure BDA0003185052250000092
(2)在子图内，从全量节点出发，并行遍历风险边循环迭代，计算起点和终点的PageRank和加权PageRank。
具体的，PageRank的计算方式为：初始化所有节点的PageRank值为1，按第一公式循环更新各节点的PageRank值，直至各节点的PageRank值不再变化。
其中，第一公式为：
Figure BDA0003185052250000093
加权PageRank：初始化所有节点的加权PageRank值为1，按第二公式循环更新各节点的加权PageRank值，直至各节点的PageRank值不再变化。
第二公式为：
Figure BDA0003185052250000101
其中，Pji为根据各类关系权重转换得到的风险边的传导概率。
(3)在子图内，从节点对集合出发，基于加权最短路径SPFA算法，并行遍历多层风险边，计算节点对的最大风险传导路径，并使用PGE近似算法计算起点和终点的紧密中心度。
具体的，最大风险传导路径的计算方式为：
Figure BDA0003185052250000102
其中，e为该路径上的风险边，为根据各类关系权重转换得到的风险边的传导概率。
具体的，紧密中心度为：
Figure BDA0003185052250000103
本发明所采用的PEG近似算法，是一种紧密中心度的抽样估计算法，其估算因子为：
Figure BDA0003185052250000104
(4)在子图内，从节点对集合出发，并行遍历多层风险边，计算节点对的Katz距离和击中时间。
其中，Katz距离的计算方式为：Katz(x，y)＝∑lβl|length(path(x，y))＝l|。
击中时间的计算方式为：
Figure BDA0003185052250000105
S303：将所述目标风险源节点的基本属性特征、所述目标监控节点的属性特征、所述子图的图指标特征以及传导模式特征，输入至预先构建的风险传导监测模型，获得所述风险传导路径的风险传导概率值。
在本发明实施例中，该风险传导监测模型可以为机器学习模型，具体的，可以依据梯度决策树LGB算法构建该风险传导监测模型。
在本发明提供的一实施例中，基于上述的实施过程，具体的，所述基于每个所述风险传导路径的风险传导概率值，确定所述目标监控节点的综合风险传导概率值，如图4所示，具体包括：
S401：基于每个所述目标风险源节点的节点类型以及所述目标监控节点的节点类型，确定每个所述目标风险源节点与所述目标监控节点之间的风险传导路径所属的传导模式。
其中，传导模型为第一传导模式、第二传导模式、第三传导模式或第四传导模式。
具体的，传导模式基于目标风险源节点的节点类型与目标监控节点的节点类型确定，若目标风险源节点与目标监控节点的类型均为企业类型，则为第一传导模型，若目标风险源节点与目标监控节点的类型均为个人用户类型，则为第二传导模式，若目标风险源节点为企业类型，目标监控节点的类型为个人用户类型，则为第三传导模式，若目标监控节点的类型为个人用户类型，目标风险源节点为企业类型，则为第四传导模式。
S402：应用每一所述传导模式对应的风险叠加模型，对属于该传导模式的各个风险传导路径的风险传导概率值进行叠加，获得该传导模式的子综合风险传导概率值。
在本发明实施例中，对于每一种传导模式，将属于该传导模型的各个风险传导路径的风险传导概率值进行叠加，获得该传导模型的子综合风险传导概率值。
其中，该风险叠加模型为基于信任概率的风险叠加模型。
S403：基于每个所述传导模式的子综合风险传导概率值，获得所述目标监控节点的综合风险传导概率值。
在本发明实施例中，可以对每个传导模式的子综合风险传导概率值进行加权计算，获得目标监控节点的综合风险传导概率值。
本发明实施例提供的方法，可以在实际应用过程中，可以用于银行用户的信用风险传导监测。
目前业界已有的对客户面临的中观风险评估技术缺点主要体现在图谱完整性和图计算效率上。
图谱完整性上，业界的基础关系图谱仅包含企业数据，不含有个人节点及关系。一方面，缺少个人与个人、企业与个人间风险传导监测，没有多模式融合的全景风险探测能力，对全量社会关系探查的不够完备。另一方面，个人节点缺失会缩小图谱关联范围，无法挖掘通过个人节点关联的潜藏关系，如同一家族控制、共享重要相关人等。
图计算效率上，在对单一模式的风险传导监测中，存在大图部分图指标计算效率低下，无有效算法优化算力等问题。
为弥补上述问题，本发明构建的风险监测图谱是基于全景社会网络，包括企业节点和个人节点，并依据业务经验及数据统计分析确立三种风险传导模式：企业-企业、企业-个人和个人-个人，引入工商信息等外部数据，丰富关系图谱结构，在风险路径探查过程中选取强业务关联的多度关系深挖潜在风险关联。同时，深耕图指标算法，优化算力，提高实施效率，尽可能发挥在模型构建过程中的图拓扑信息增益。
如图5所示，为本发明实施例提供的一种信用风险传导监测的过程的流程示意图，具体包括：
S501：构建全量关系图谱。
具体的，梳理企业与个人的基础节点，同类节点、不同节点间可能存在的全量业务关联边，搭建关系网。关系网包括基础关联边及整合关联边，是后续深层挖掘强业务逻辑的多度关联的数据基础。
以企业到企业的关联边为例，基础关联边包括资金、集团成员、实际控制、股权、母子总分关系、担保、财务关联、上下游等企业与企业间全量一度关联关系。
在基础业务关联之上进行整合，输出对资金交易强弱程度、全量关系紧密程度量化形成的交易紧密度、综合亲密度，形成整合关联边，并进行分层标志，便于后续分析。
S502：确定风险源节点，找到潜在风险区域。
其中，可以判断关联节点是否满足其节点类型对应的风险条件，若是，则将该关联节点确定为风险源节点。
依据风险源及风险传播路径，探测潜在风险区域，存在单一风险源可传播到多个潜在风险实体，也存在多个风险源传导到一个潜在风险实体。通过风险传播路径链接的风险源及潜在风险主体即为后续建模样本，简称为节点对。
S503：传导路径及传导时长分析，确定风险边及表现期时长。
在本发明实施例中，应用转移矩阵及时序分析等算法，计算风险源节点出现风险传播的逾期时点，以及风险传播效益持续的时序特征，确定风险传导时长。
其中，可以使用转移概率矩阵分析确定客户是否已发生逾期风险。统计客群一年间每月的还款状态，计算个状态间的转移概率，获得转移概率矩阵。
可选的，风险传导时长越长，风险源节点通过风险传导路径将信用风险传导其他关联节点的概率就越大。
S504：提取建模样本，标记Y＝1。
其中，可以依据风险传导路径抽取节点对作为建模样本，在一定传导时长内，将终点客户转化为风险主体的节点对作为Y＝1。
S505：计算节点间邻域、节点中心度、路径、节点间成圈图特征图指标。
S506：提取节点基本业务属性。
其中，该基本业务属性可以包括行业、地区、规模等。
S507：子模式模型训练，多边概率叠加，子模式模型集成。
其中，利用梯度决策树LGB、随机森林RF和深度学习DNN分别对提取计算的图模式、图指标和节点属性进行机器学习，最终选定梯度决策树LGB构建风险传导监测模型，学习风险传导/风险未传导的特征区分，优化传统CV过程，实现参数的最优化寻找，得到单一路径风险传导概率。
S508：模型验证。
在本发明实施例中，验证风险传导监测模型预测结果，根据验证情况对模型进行参数调优，完成风险传导监测模型。该模型在输入风险源后，通过图属性提取、图指标计算、机器学习、模型集成等步骤，输出潜在风险主体的被传导概率值及传播路径。
S509：导入预警装置，定期发送风险监测预警信号。
其中，可以封装已完成的风险传导监测模型，布放在预警系统，按月定期发送监测预警信息。同时提供活用窗口，分行或部门可提供符合要求的风险源探查需求，由我部门评估反馈风险监测信息。
S510：根据特殊需求灵活使用外部风险源监测，反馈预警结果。
具体的，根据已布放的风险传导监测装置使用情况反馈，按需迭代更新模型，形成完整的风险监测回路。
应用本发明实施例提供的方法，基于全量企业和个人关系图谱，监测中观层面关系网络的风险传导情况，探寻风险传导路径时引入多度关联扩大潜在风险传播探测能力。所有图指标均基于MapReduce框架实现并行计算，计算效率较高。针对紧密中心度指标，采用近似算法在误差极小的前提下，提升了计算效率。实现了图指标计算流程优化，将具有共同计算流程的图指标整合到同一个装置中计算，减少了重复操作的次数，从流程上提升效率。在加权图指标中，引入逻辑回归子模型风险边传导概率作为权重，提升了图指标的可解释性和模型效果。基于条件概率计算单一模式下多边风险概率，使用逻辑回归计算跨模型的综合概率，得到外部风险全方位量化。
与图1所述的方法相对应，本发明实施例还提供了一种信用风险的预警装置，用于对图1中方法的具体实现，本发明实施例提供的信用风险的预警装置可以应用于电子设备中，其结构示意图如图6所示，具体包括：
获取单元601，用于响应于风险监控指令，获取预先设置的关联图谱，所述关联图谱包括多个关联节点以及所述关联节点之间的风险关联边，所述风险关联边表示两个关联节点之间的存在信用风险传递关系；
第一确定单元602，用于在所述关联图谱中确定目标监控节点，所述目标监控节点为所述关联图谱中除风险源节点以外的关联节点；所述风险源节点为满足预设的信用风险条件的关联节点；
第二确定单元603，用于基于所述关联图谱中的风险关联边，在各个风险源节点中确定与所述目标监控节点存在风险传导路径的目标风险源节点；
第三确定单元604，用于确定每个所述目标风险源节点与所述目标监控节点之间的风险传导路径的风险传导概率值；所述风险传导概率值为该目标风险源节点通过该风险传导路径将信用风险传导至所述目标监控节点的概率值；
第四确定单元605，用于基于每个所述风险传导路径的风险传导概率值，确定所述目标监控节点的综合风险传导概率值；
判断单元606，用于判断所述综合风险传导概率值是否大于预先设置的概率阈值；
生成单元607，用于若所述综合风险传导概率值大于所述概率阈值，则生成所述目标监控节点的风险预警信息。
在本发明提供的一实施例中，基于上述的实施方案，可选的，所述第一确定单元602，包括：
第一确定子单元，用于确定出所述关联图谱中的各个风险源节点；
第二确定子单元，用于基于每个所述风险源节点以及与每个所述风险源节点相关联的风险边，在所述关联图谱中确定出每个所述风险源节点的风险传导范围；
第三确定子单元，用于在各个所述风险源节点的风险传导范围中确定目标监控节点。
在本发明提供的一实施例中，基于上述的实施方案，可选的，所述第二确定单元603，包括：
遍历子单元，用于遍历所述关联图谱中的各个所述风险关联边，以在各个所述风险源节点中确定与所述目标监控节点存在风险传导路径的目标风险源节点。
在本发明提供的一实施例中，基于上述的实施方案，可选的，所述第三确定单元604，包括：
第四确定子单元，用于确定所述目标风险源节点与所述目标监控节点在所述关联图谱中所处的子图；
获取子单元，用于获取所述目标风险源节点的基本属性特征、所述目标监控节点的属性特征、所述子图的图指标特征以及传导模式特征，其中，所述传导模式特征基于该目标风险源节点的节点类型以及所述目标监控节点的节点类型获得；
第一执行子单元，用于将所述目标风险源节点的基本属性特征、所述目标监控节点的属性特征、所述子图的图指标特征以及传导模式特征，输入至预先构建的风险传导监测模型，获得所述风险传导路径的风险传导概率值。
在本发明提供的一实施例中，基于上述的实施方案，可选的，所述第四确定单元605，包括：
第五确定子单元，用于基于每个所述目标风险源节点的节点类型以及所述目标监控节点的节点类型，确定每个所述目标风险源节点与所述目标监控节点之间的风险传导路径所属的传导模式；
叠加子单元，用于应用每一所述传导模式对应的风险叠加模型，对属于该传导模式的各个风险传导路径的风险传导概率值进行叠加，获得该传导模式的子综合风险传导概率值；
第二执行子单元，用于基于每个所述传导模式的子综合风险传导概率值，获得所述目标监控节点的综合风险传导概率值。
上述本发明实施例公开的信用风险的预警装置中的各个单元和模块具体的原理和执行过程，与上述本发明实施例公开的信用风险的预警方法相同，可参见上述本发明实施例提供的信用风险的预警方法中相应的部分，这里不再进行赘述。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。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存储介质中，如ROM/RAM、磁碟、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或者实施例的某些部分所述的方法。
以上对本发明所提供的一种信用风险的预警方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种信用风险的预警方法，其特征在于，包括：
响应于风险监控指令，获取预先设置的关联图谱，所述关联图谱包括多个关联节点以及所述关联节点之间的风险关联边，所述风险关联边表示两个关联节点之间的存在信用风险传递关系；
在所述关联图谱中确定目标监控节点，所述目标监控节点为所述关联图谱中除风险源节点以外的关联节点；所述风险源节点为满足预设的信用风险条件的关联节点；
基于所述关联图谱中的风险关联边，在各个风险源节点中确定与所述目标监控节点存在风险传导路径的目标风险源节点；
确定每个所述目标风险源节点与所述目标监控节点之间的风险传导路径的风险传导概率值；所述风险传导概率值为该目标风险源节点通过该风险传导路径将信用风险传导至所述目标监控节点的概率值；
基于每个所述风险传导路径的风险传导概率值，确定所述目标监控节点的综合风险传导概率值；
判断所述综合风险传导概率值是否大于预先设置的概率阈值；
若所述综合风险传导概率值大于所述概率阈值，则生成所述目标监控节点的风险预警信息。
2.根据权利要求1所述的方法，其特征在于，所述在所述关联图谱中确定目标监控节点，包括：
确定出所述关联图谱中的各个风险源节点；
基于每个所述风险源节点以及与每个所述风险源节点相关联的风险边，在所述关联图谱中确定出每个所述风险源节点的风险传导范围；
在各个所述风险源节点的风险传导范围中确定目标监控节点。
3.根据权利要求1所述的方法，其特征在于，所述基于所述关联图谱中的风险关联边，在各个风险源节点中确定与所述目标监控节点存在风险传导路径的目标风险源节点，包括：
遍历所述关联图谱中的各个所述风险关联边，以在各个所述风险源节点中确定与所述目标监控节点存在风险传导路径的目标风险源节点。
4.根据权利要求1所述的方法，其特征在于，所述确定每个所述目标风险源节点与所述目标监控节点之间的风险传导路径的风险传导概率值，包括：
确定所述目标风险源节点与所述目标监控节点在所述关联图谱中所处的子图；
获取所述目标风险源节点的基本属性特征、所述目标监控节点的属性特征、所述子图的图指标特征以及传导模式特征，
将所述目标风险源节点的基本属性特征、所述目标监控节点的属性特征、所述子图的图指标特征以及传导模式特征，输入至预先构建的风险传导监测模型，获得所述风险传导路径的风险传导概率值。
5.根据权利要求1所述的方法，其特征在于，所述基于每个所述风险传导路径的风险传导概率值，确定所述目标监控节点的综合风险传导概率值，包括：
基于每个所述目标风险源节点的节点类型以及所述目标监控节点的节点类型，确定每个所述目标风险源节点与所述目标监控节点之间的风险传导路径所属的传导模式；
应用每一所述传导模式对应的风险叠加模型，对属于该传导模式的各个风险传导路径的风险传导概率值进行叠加，获得该传导模式的子综合风险传导概率值；
基于每个所述传导模式的子综合风险传导概率值，获得所述目标监控节点的综合风险传导概率值。
6.一种信用风险的预警装置，其特征在于，包括：
获取单元，用于响应于风险监控指令，获取预先设置的关联图谱，所述关联图谱包括多个关联节点以及所述关联节点之间的风险关联边，所述风险关联边表示两个关联节点之间的存在信用风险传递关系；
第一确定单元，用于在所述关联图谱中确定目标监控节点，所述目标监控节点为所述关联图谱中除风险源节点以外的关联节点；所述风险源节点为满足预设的信用风险条件的关联节点；
第二确定单元，用于基于所述关联图谱中的风险关联边，在各个风险源节点中确定与所述目标监控节点存在风险传导路径的目标风险源节点；
第三确定单元，用于确定每个所述目标风险源节点与所述目标监控节点之间的风险传导路径的风险传导概率值；所述风险传导概率值为该目标风险源节点通过该风险传导路径将信用风险传导至所述目标监控节点的概率值；
第四确定单元，用于基于每个所述风险传导路径的风险传导概率值，确定所述目标监控节点的综合风险传导概率值；
判断单元，用于判断所述综合风险传导概率值是否大于预先设置的概率阈值；
生成单元，用于若所述综合风险传导概率值大于所述概率阈值，则生成所述目标监控节点的风险预警信息。
7.根据权利要求6所述的装置，其特征在于，所述第一确定单元，包括：
第一确定子单元，用于确定出所述关联图谱中的各个风险源节点；
第二确定子单元，用于基于每个所述风险源节点以及与每个所述风险源节点相关联的风险边，在所述关联图谱中确定出每个所述风险源节点的风险传导范围；
第三确定子单元，用于在各个所述风险源节点的风险传导范围中确定目标监控节点。
8.根据权利要求6所述的装置，其特征在于，所述第二确定单元，包括：
遍历子单元，用于遍历所述关联图谱中的各个所述风险关联边，以在各个所述风险源节点中确定与所述目标监控节点存在风险传导路径的目标风险源节点。
9.根据权利要求6所述的装置，其特征在于，所述第三确定单元，包括：
第四确定子单元，用于确定所述目标风险源节点与所述目标监控节点在所述关联图谱中所处的子图；
获取子单元，用于获取所述目标风险源节点的基本属性特征、所述目标监控节点的属性特征、所述子图的图指标特征以及传导模式特征，其中，所述传导模式特征基于该目标风险源节点的节点类型以及所述目标监控节点的节点类型获得；
第一执行子单元，用于将所述目标风险源节点的基本属性特征、所述目标监控节点的属性特征、所述子图的图指标特征以及传导模式特征，输入至预先构建的风险传导监测模型，获得所述风险传导路径的风险传导概率值。
10.根据权利要求6所述的装置，其特征在于，所述第四确定单元，包括：
第五确定子单元，用于基于每个所述目标风险源节点的节点类型以及所述目标监控节点的节点类型，确定每个所述目标风险源节点与所述目标监控节点之间的风险传导路径所属的传导模式；
叠加子单元，用于应用每一所述传导模式对应的风险叠加模型，对属于该传导模式的各个风险传导路径的风险传导概率值进行叠加，获得该传导模式的子综合风险传导概率值；
第二执行子单元，用于基于每个所述传导模式的子综合风险传导概率值，获得所述目标监控节点的综合风险传导概率值。
CN202110867621.XA 2021-07-28 2021-07-28 信用风险的预警方法及装置 Pending CN113516553A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110867621.XA CN113516553A (zh) 2021-07-28 2021-07-28 信用风险的预警方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110867621.XA CN113516553A (zh) 2021-07-28 2021-07-28 信用风险的预警方法及装置

Publications (1)

Publication Number Publication Date
CN113516553A true CN113516553A (zh) 2021-10-19

Family

ID=78067891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110867621.XA Pending CN113516553A (zh) 2021-07-28 2021-07-28 信用风险的预警方法及装置

Country Status (1)

Country Link
CN (1) CN113516553A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114676927A (zh) * 2022-04-08 2022-06-28 北京百度网讯科技有限公司 风险预测方法和装置、电子设备、计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110717824A (zh) * 2019-10-17 2020-01-21 北京明略软件系统有限公司 基于知识图谱的银行对公客群风险传导测算的方法及装置
CN111861119A (zh) * 2020-06-17 2020-10-30 国家计算机网络与信息安全管理中心 基于企业风险关联图谱的企业风险数据处理方法及装置
CN111951104A (zh) * 2020-08-24 2020-11-17 上海银行股份有限公司 一种基于关联图谱的风险传导预警方法
CN112150014A (zh) * 2020-09-27 2020-12-29 平安资产管理有限责任公司 一种企业风险预警方法、装置、设备及可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110717824A (zh) * 2019-10-17 2020-01-21 北京明略软件系统有限公司 基于知识图谱的银行对公客群风险传导测算的方法及装置
CN111861119A (zh) * 2020-06-17 2020-10-30 国家计算机网络与信息安全管理中心 基于企业风险关联图谱的企业风险数据处理方法及装置
CN111951104A (zh) * 2020-08-24 2020-11-17 上海银行股份有限公司 一种基于关联图谱的风险传导预警方法
CN112150014A (zh) * 2020-09-27 2020-12-29 平安资产管理有限责任公司 一种企业风险预警方法、装置、设备及可读存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114676927A (zh) * 2022-04-08 2022-06-28 北京百度网讯科技有限公司 风险预测方法和装置、电子设备、计算机可读存储介质

Similar Documents

Publication Publication Date Title
Shi et al. Toward a better measure of business proximity
Meng et al. A hierarchical career-path-aware neural network for job mobility prediction
Wang et al. Studies on a multidimensional public opinion network model and its topic detection algorithm
Xia et al. MVCWalker: Random walk-based most valuable collaborators recommendation exploiting academic factors
Afonso et al. Housing prices prediction with a deep learning and random forest ensemble
Kang et al. Neural and attentional factorization machine-based Web API recommendation for mashup development
Xu et al. Collaborative APIs recommendation for artificial intelligence of things with information fusion
Olmezogullari et al. Pattern2Vec: Representation of clickstream data sequences for learning user navigational behavior
Xu et al. A new appraisal model of second-hand housing prices in China’s first-tier cities based on machine learning algorithms
Farasat et al. Social network analysis with data fusion
CN113989018A (zh) 风险管理方法、装置、电子设备和介质
CN105183743A (zh) 一种微博舆情传播范围预测的方法
Alsudais Quantifying the offline interactions between hosts and guests of Airbnb
Zhu et al. Evolution analysis of online topics based on ‘word-topic’coupling network
Nie Dynamics of the price–volume information flow based on surrogate time series
CN113516553A (zh) 信用风险的预警方法及装置
Liu et al. A hierarchical attention-based feature selection and fusion method for credit risk assessment
Liaghat et al. Application of data mining methods for link prediction in social networks
Mahyoub et al. AIRBNB price prediction using machine learning
Zhuo Consumer demand behavior mining and product recommendation based on online product review mining and fuzzy sets
Sagvekar et al. Study on product opinion analysis for customer satisfaction on e-commerce websites
Liu et al. Prediction model for non-topological event propagation in social networks
Maddumage et al. R programming for Social Network Analysis-A Review
Alanazi et al. Artificial Intelligence Based Recommendation System for Analyzing Social Bussiness Reviews
Wang et al. Enabling Roll-up and Drill-down Operations in News Exploration with Knowledge Graphs for Due Diligence and Risk Management

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