CN113988670A - 综合性企业信用风险预警方法及系统 - Google Patents
综合性企业信用风险预警方法及系统 Download PDFInfo
- Publication number
- CN113988670A CN113988670A CN202111287810.6A CN202111287810A CN113988670A CN 113988670 A CN113988670 A CN 113988670A CN 202111287810 A CN202111287810 A CN 202111287810A CN 113988670 A CN113988670 A CN 113988670A
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- risk data
- early warning
- interval
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 72
- 238000012502 risk assessment Methods 0.000 claims abstract description 33
- 238000013507 mapping Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 claims 1
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000012163 sequencing technique Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 108010017322 catch-relaxing peptide (Mytilus) Proteins 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation 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
- 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
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出了一种综合性企业信用风险预警方法及系统，收集来自不同数据源的多个第一风险数据，并根据第一风险数据的数据类型选择对应的数据手段，以将第一风险数据的量纲统一量化，并可自配置关联规则形成关联至少一风险评估模型的风险预警模型，针对目前不同风险数据集的处理手段杂乱复杂的问题提供统一适配的数据处理方案，简化风险数据集的数据处理阶段，且可提高风险数据集的适配性；针对目前预警规则一旦设定无法修改的问题提供风险预警规则自配置方案，提高预警结果的灵活性。
Description
技术领域
本申请涉及数据分析领域，特别是涉及综合性企业信用风险预警方法及系统。
背景技术
企业信用风险，指信用交易的一方不能正常履约或不能全部履约而给另一方带来的风险，涵盖由于借款人或交易对方违约而导致损失的可能性，也包括借款人或交易对方的信用评级和履约能力变化而导致债务市场价值变动而引起损失的可能性。
良好的企业信用是健康的市场运行的基础和保证，故在信用风险领域已衍生了诸多可用于评估企业信用风险的模型和方案，例如：5C要素分析法、财务比率综合分析法、多变量信用风险判别模型(多元判别分析法、Logistic模型)、KMV模型、神经网络分析法、风险敞口等值法(Risk equivalent exposure,REE)、信用计量法(Credit metrics TM)、信用风险附加模型(Credit Risk Plus Model,CRPM)等，这些风险预警模型已能够实现从“人找信息”到“信息招人”的转变，可协助企业尽早发现潜在风险，进而尽早地采取管控措施。
然而目前的风险预警模型都有各自适用的条件和优缺点，进而导致当需要处理不同的风险数据集时需要针对性地选择对应的模型，且不同数据集类型在输入对应的模型前的处理方式也不同。也就是说，目前的风险预警模型的适配性较差，风险数据集的处理方式也杂乱复杂，无法得到统一的调控。另外，目前大部分的风险预警模型的风险预警模式都是当数据结果大于或小于设定的阈值时即产生预警，预警规则一旦设定就无法进行修改，导致预警结果不够灵活。
发明内容
本申请实施例提供了一种综合性企业信用风险预警方法及系统，针对目前不同风险数据集的处理手段杂乱复杂的问题提供统一适配的数据处理方案，简化风险数据集的数据处理阶段，且可提高风险数据集的适配性；针对目前预警规则一旦设定无法修改的问题提供风险预警规则自配置方案，提高预警结果的灵活性。
第一方面，本申请实施例提供了一种综合性企业信用风险预警方法，所述方法包括：获取对应至少一风险指标类别的至少一第一风险数据；对同一风险指标类别的所述第一风险数据进行量纲一致性判断，若所述第一风险数据的量纲一致则进行数据划分处理得到第二风险数据；若不一致则对所有所述第一风险数据进行极端值判断，若所述第一风险数据存在极端值则进行数据标准化处理得到第三风险数据；若不一致则对所有所述第一风险数据进行最佳区间判断，若存在最佳区间则进行区间标准化处理得到第四风险数据；若不一致则对所有所述第一风险数据进行正向归一化处理得到第五风险数据；关联至少一风险评估模型并配置对应的关联规则得到风险预警模型，所述第二风险数据、所述第三风险数据、所述第四风险数据或所述第五风险数据的一种作为关联风险数据输入所述风险预警模型中得到风险预警指标。
第二方面，本申请实施例提供了一种综合性企业信用风险预警装置，包括：风险数据获取单元，用于获取对应至少一风险指标类别的至少一第一风险数据；数据处理单元，用于对同一风险指标类别的所述第一风险数据进行量纲一致性判断，若所述第一风险数据的量纲一致则进行数据划分处理得到第二风险数据，若不一致则对所有所述第一风险数据进行极端值判断，若所述第一风险数据存在极端值则进行数据标准化处理得到第三风险数据；若不一致则对所有所述第一风险数据进行最佳区间判断，若存在最佳区间则进行区间标准化处理得到第四风险数据，若不一致则对所有所述第一风险数据进行正向归一化处理得到第五风险数据；风险预警单元，用于关联至少一风险评估模型并配置对应的关联规则得到风险预警模型，所述第二风险数据、所述第三风险数据、所述第四风险数据或所述第五风险数据的一种作为关联风险数据输入所述风险预警模型中得到风险预警指标。
第三方面，本申请实施例提供了一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述的综合性企业信用风险预警方法。
第四方面，本申请实施例提供了一种计算机程序产品，包括软件代码部分，当所述计算机程序产品在计算机上被运行时，所述软件代码部分用于执行所述的综合性企业信用风险预警方法。
第五方面，本申请实施例提供了一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括所述的综合性企业信用风险预警方法。
本发明的主要贡献和创新点如下：将来自不同数据源的信用风险指标数据整合成数据表格，通过计算机对数据表格内的数据进行数据指标间量纲是否一致、数值是否为连续值、是否存在极端值以及是否存在最佳区间等判断后获取数据类型，依据数据类型选择适配的数据处理手段最终得到统一规格的数据格式，以使得信用风险指标数据可高适配度地应用于各类风险评估模型中；另由于本方案已将信用风险指标数据统一化，故本方案可实现自配置关联多个风险评估模型的风险预警模型对信用风险指标数据进行综合性的风险预警，预警规则也可自调整配置，提供一种预警结果更为灵活、更为客观科学的综合性企业信用风险预警方案。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的综合性企业信用风险预警方法的流程图；
图2是根据本申请的一种实施例的综合性企业信用风险预警方法的运行逻辑示意图；
图3是根据本申请一种实施例的综合性企业信用风险预警方法的数据表格的示意图；
图4是根据本申请一种实施例的综合性企业信用风险预警方法判断数据表格处理方式的逻辑过程图；
图5是根据本申请实施例的综合性企业信用风险预警装置的结构框图；
图6是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
实施例一
本申请旨在提出一种将来自于不同数据源的信用风险指标数据汇总成统一的数据表格，依据数据表格内的数据类型选择适配的数据处理方法，将数据表格内的信用风险指标数据处理标准数据；基于统一数据格式的标准数据，自配置关联至少一风险评估模型的风险预警模型，并自配置预警规则以提供灵活度更高、结果更为客观科学的综合性企业信用风险预警方法。
本申请实施例提供了一种综合性企业信用风险预警方法，可以基于多类型的信用风险指标数据对企业信用风险进行预警的目的，具体地，参考图1和图2，所述方法包括：
步骤S1:获取对应至少一风险指标类别的至少一第一风险数据；
步骤S2：对同一风险指标类别的所述第一风险数据进行量纲一致性判断，若所述第一风险数据的量纲一致则进行数据划分处理得到第二风险数据并执行步骤S6，若所述第一风险数据的量纲不一致则执行步骤S3；
步骤S3:对所有所述第一风险数据进行极端值判断，若所述第一风险数据存在极端值则进行数据标准化处理得到第三风险数据并执行步骤S6,若所述第一风险数据不存在极端值则执行步骤S4；
步骤S4:对所有所述第一风险数据进行最佳区间判断，若存在最佳区间则进行区间标准化处理得到第四风险数据并执行步骤S6,若不存在最佳区间则执行步骤S5；
步骤S5：对所有所述第一风险数据进行正向归一化处理得到第五风险数据并执行步骤S6；
步骤S6:关联至少一风险评估模型并配置对应的关联规则得到风险预警模型，所述第二风险数据、所述第三风险数据、所述第四风险数据或所述第五风险数据的一种作为关联风险数据输入所述风险预警模型中得到风险预警指标。
值得说明的是，本方案是对企业信用风险进行预警，故本方案所采集的第一风险数据对应的是有关企业风险的风险指标类别的数据，示例性的，所述第一风险数据包括但不限于工商数据、司法数据、经营数据、企业关系数据、财报数据、外部评级数据、征信数据、金融市场交易数据、市场数据、公告数据、舆情数据、集团数据、担保数据、行业数据以及地域数据等。
也就是说，本方案是通过对多维度多方位的风险数据进行分析后得出评价企业信用风险的综合性的客观科学的风险指标，而不同风险数据来源于不同的数据源，这就意味着不同风险指标类别的第一风险数据的格式和类型会有所不同，不同所述第一风险数据可对应不同类别的风险指标类别，当然，不同所述第一风险数据也可对应同一风险指标类别，为了将其应用于后续的风险预警模型中，故本方案前期对不同类型的第一风险数据进行统一化的处理。
具体的，所述第一风险数据来自于不同的数据源，本方案将来自不同数据源的第一风险数据进行整合。示例性的，若所述第一风险数据为财报数据，对应的数据源为财报数据源。
在本方案的另一实施例中，至少一所述第一风险数据被加工整合到第一数据表格内，所述第一数据表格的每一行记录一条所述第一风险数据，多条所述第一风险数据以列表的方式展示在所述数据表格内，所述第一数据表格的表格形式视业务形态需求而设定，本方案对此不做过多限定。
具体的，当需要将至少一所述第一风险数据加工整合得到所述第一数据表格时，对所述第一风险数据进行数据清洗、集成、变换及规约等数据预处理操作。图3提供一实施例的第一数据表格的示例，图3所示的第一数据表格对应记录的第一风险数据为银行风险数据，此时多条银行风险数据以列表的形式被展示。
本方案通过将第一风险数据进行标准化、归一化和平均划分等方式的处理后，得到统一数据格式要求的关联风险数据。
值得说明的是，本方案对应所述量纲一致性判断的数据处理方式为：数据划分处理；对应所述极端值判断的数据处理方式为：数据标准化处理；对应所述最佳区间判断的数据处理方式为：区间标准化处理。
首先描述关于量纲一致性判断及数据划分处理的内容：
步骤S2进一步包括：获取同一风险指标类别的所述第一风险数据的量纲，若所述第一风险数据的量纲一致的话，获取对应同一风险指标类别的所述第一风险数据的风险数据最大值和风险数据最小值，其中所述风险数据最大值和所述风险数据最小值形成风险数据区间，将所述风险数据区间划分为子区间，根据所述子区间的排序位置赋值所述子区间内的所述第一风险数据得到第二风险数据。
本方案通过对数据划分处理消除变量之间的量纲关系，进而使得第一风险数据具有可比性，所述风险数据区间可被均分为所述子区间，也可根据设定规则被划分为所述子区间。
“根据所述子区间的排序位置赋值所述子区间内的所述第一风险数据得到第二风险数据”包括步骤：所述子区间依数据值大小的次序排序，依正序或倒序赋值所述子区间内的所述第一风险数据具体的数值。其中正序指的是：若位于低排序位置的子区间内的第一风险数据赋小值，以此规律对位于不同子区间内的第一风险数据赋值；其中倒序指的是：对位于低排序位置的子区间内的第一风险数据赋大值，以此规律对位于不同子区间内的第一风险数据赋值得到第二风险数据。
在本方案中，统一将所述第一风险数据的量纲转换为【0,10】的区间。对应的，所述风险数据区间划分为10个子区间，依正序或倒序给位于不同子区间内的第一风险数据赋值1-10的整数得分。
示例性，计算机收到数据划分处理指令后，自动识别得到
的风险数据区间，并将所述风险数据区间依数值大小次序划分为10个子区间，依正序对排序位置分别为1-10的子区间内的第一风险数据赋值【0-10】的区间，也就是说，对排序位置最靠前的1号子区间内的第一风险数据赋值为1，对排序位置最靠后的10号子区间内的第一风险数据赋值为10。其中Vijk表示第i个企业的第j个指标的第k个数据的真实值，m表示企业的数量，n表示数据的数量。
当所述第一风险数据的量纲不一致时，则进行后续的极端值判断和最佳区间判断，以下将描述极端值判断和数据标准化处理的内容：
步骤S3进一步包括：选择存在极端值的所述第一风险数据作为待处理第一风险数据，获取数据标准分母参数和数据标准分子参数，依据所述数据标准分母参数和所述数据标准分子参数处理所述待处理第一风险数据得到第三风险数据。
本方案对所述第一风险数据进行数据标准化处理的目的也在于：消除变量间的量纲关系,从而使数据具有可比性。当所述第一风险数据对应多个风险指标类别时，且所述第一风险数据的量纲不一致并存在极端异常值时可采用数据标准化处理进行处理得到第三风险数据。
值得说明的是，若所述第一风险数据仅对应一个风险指标类别时不进行极端值判断。也就是说，若所述第一风险数据对应至少两风险指标类别时，且量纲不一致时进行极端值判断。
具体的，预设所述数据标准分母参数和所述数据标准分子参数，处理所述待处理第一风险数据的过程为：所述待处理第一风险数据和所述数据标准分子参数的差值和所述数据标准分母参数的比值的绝对值。
示例性，以公式来表示该处理过程为：
其中Xijk表示处理后的第i个企业的第j个指标的第k个数据值，Vijk表示第i个企业的第j个指标的第k个数据的真实值，σ为数据标准分母参数，μ为数据标准分子参数。
所述数据标准分子参数又指代样本均值，所述数据标准分母参数又指代样本方差，针对不同的所述第一风险数据设定不同的所述数据标准分子参数和数据标准分母参数。
当所述第一风险数据的量纲不一致且所述第一风险数据不存在极端值后，则进行后续的最佳区间判断，以下将描述最佳区间判断和区间标准化处理的内容：
步骤S4进一步包括：选择存在所述最佳区间的第一风险数据作为待处理第一风险数据，依据所述待处理第一风险数据对应的最佳区间处理所述待处理第一风险数据得到第四风险数据。
值得说明的是，并不是所有的第一风险数据均需要进行最佳区间判断，本方案仅对存在最佳区间的第一风险数据进行处理。示例性的，若所述第一风险数据对应企业税务风险高低的指标-税收入库率时，则需要对所述第一风险数据进行区间标准化处理，此时的最佳区间为【70％-100％】
在本方案的实施例中，“依据所述待处理第一风险数据对应的最佳区间处理所述待处理第一风险数据得到第四风险数据”包括步骤：获取所述待处理第一风险数据的数据最小值、数据最大值、最佳区间的区间最小值以及最佳区间的区间最大值，若所述待处理第一风险数据在所述最佳区间内以具体数值赋值所述待处理第一风险数据，若所述待处理第一风险数据小于所述区间最小值以第一公式处理所述待处理第一风险数据，若所述待处理第一风险数据大于所述区间大小值以第二公式处理所述待处理第一风险数据得到第四风险数据。
所述第一公式的示例如下：
第二公式的示例如下：
其中，Q1为区间最小值，Q2为区间最大值，
为数据最小值，
为数据最大值，Vijk表示第i个企业的第j个指标的第k个数据的真实值。
在本方案的具体实施例中，“若所述待处理第一风险数据在所述最佳区间内以具体数值赋值所述待处理第一风险数据”中，所述第一风险数据被赋值为10。值得说明的是，所述第一风险数据若在[Q1,Q2]内为最佳，距离该区间越近评价结果越好。
当所述第一风险数据的量纲不一致、不存在极端值也不存在最佳区间时，将对所述第一风险数据进行正向归一化处理。进行正向归一化处理的目的在于：在进行相关计算时，风险数据的单位的不同会导致计算结果的不同，尺度大的特征会起决定性作用，而尺度小的特征其作用可能会被忽略，为了消除特征间单位和尺度差异的影响，以对每维特征同等看待，需要对风险数据进行归一化处理。
步骤S5包括以下步骤：获取所述第一风险数据的数据最大值、数据最小值，构建包含最小值映射和最大值映射的映射范围，将所述第一风险数据映射到所述映射范围内得到第五风险数据。
具体的，“将所述第一风险数据映射到所述映射范围内得到第五风险数据”包括：依据所述最大值映射、所述最小值映射、所述数据最大值以及所述数据最小值构建映射公式，将所述第一风险数据代入所述映射公式中进行处理得到第五风险数据。
所述映射公式如下：
其中
为数据最小值，
为数据最大值，a为最小值映射，b为最大值映射，Vijk表示第i个企业的第j个指标的第k个数据的真实值。通过这样的操作可以将所述第一风险数据映射到所述映射范围[a,b]内，常用的映射范围[a,b]为[0,1]和[-1,1]。
对同一风险指标类别的所述第一风险数据输入到数据处理模型中被处理后得到第二风险数据、第三风险数据、第四风险数据以及第五风险数据的一种，所述第二风险数据、第三风险数据、第四风险数据和第五风险数据的一种作为关联风险数据。
经过以上数据处理方式可将所述第一风险数据统一处理成所述关联风险数据风险数据，所述关联的量纲为可量化的区间，在本方案的实施例中，所述第二风险数据的量纲为【0，10】的区间。
步骤S6包括：配置所述风险预警模型中每个风险评估模型的权重系数以及区间得分，配置所述风险预警模型的预警等级，其中所有所述风险评估模型的权重系数的总和为1，所述关联风险数据输入每一所述风险预警模型中得到输出结果，所述输出结果依据所述权重系数以及所述区间得分转换得到每一所述风险评估模型的预警得分，合并所有所述风险评估模型的所述预警得分得到总得分，所述总得分依据所述预警等级转换为所述风险预警指标。
在本方案中，所述风险评估模型可选择为KMV模型、Credit Metrics模型、多变量信用风险判别模型(多元判别分析法、Logistic模型)、信用风险附加模型(Credit RiskPlus Model,CRPM)、风险敞口等值法(Risk equivalent exposure,REE)、死亡率模型、支持向量机(SVM)模型、决策树模型的任一，也适用于在现有模型基础上增加适用模型得到的风险评估模型。
本方案的亮点在于用户可自配置关联规则，可自定义选择多个风险评估模型以及自定义各个风险评估模型之间的关联关系，进而实现灵活的风险预警。本方案已将所述第一风险数据转换为可量化的关联风险数据，进而可实现本方案的关联规则自配置。
具体的，“配置所述风险预警模型中每个风险评估模型的权重系数以及区间得分”中，所述区间得分和所述风险预警模型的输出结果相关。也就是说，所述关联风险数据输入所述风险评估模型中得到输出结果，所述输出结果转换为所述区间得分。
值得说明的是，由于本方案的风险预警模型是对存在信用风险的企业进行预警，故仅需对预警情况进行评估即可。故可设定每一风险评估模型的风险阈值以及对应不同预警区间的所述区间得分，当所述风险预警模型的输出结果大于风险阈值时，依据所述输出结果所在的预警区间确定所述区间得分。
示例性的，对应每一风险评估模型的预警区间的区间得分为Mrhg(r表示模型r；h表示区间h；g表示模型运行结果的行数g)，所述区间得分的固定取值区间为【0，10】，且所述区间得分为整数。
“所述输出结果依据所述权重系数以及所述区间得分转换得到每一所述风险评估模型的预警得分”进一步包括：乘积所述权重系数和所述区间得分得到每一所述风险评估模型的预警得分。
示例性，每一所述风险评估模型的预警得分为：
预警得分的值也在【0,10】区间内。
在“合并所有所述风险评估模型的所述预警得分得到总得分”中，合并对应同一关联风险数据的所述预警得分得到总得分。由于本方案的所述关联风险数据集合在所述第二数据表格内，每一关联风险数据占据所述第二数据表的特定行，故当计算机检测到几个风险评估模型对于所述关联风险数据的运行结果行数不相同时，行数少的缺失部分将自动以0值补全，也就是说，未产生预警得分的情况的数值归零处理。
在“所述总得分依据所述预警等级转换为所述风险预警指标”中，所述预警等级可自定义，进而可实现同一总得分对应不同风险预警指标的情况，也满足了使用者的灵活配置的需求。
值得说明的是，本方案的风险预警模型在创建完成后，可以选择将预警公开给其他用户查看订阅，也可以选择不公开，仅自己订阅；且在订阅预警时，可依据需求进行订阅，即不同的用户订阅同一个预警的方式可以是不同的：在预警创建时开发者配置好的预警等级基础上，订阅者在订阅预警时，可以根据自身业务场景，选择并修改预警等级对应的预警得分区间，但改动后的预警得分区间必须小于等于原本的预警得分区间，实现灵活性配置的效果。当订阅条件设置完成后，计算机将按照订阅条件来定期执行，并且当出现满足订阅条件的数据时，将把数据结果与其如何满足预警条件的详细情况发送给订阅者。
实施例二
基于相同的构思，参考图5，本申请还提出了一种综合性企业信用风险预警装置，包括：
风险数据获取单元301，用于获取对应至少一风险指标类别的至少一第一风险数据；
数据处理单元302，用于用于对同一风险指标类别的所述第一风险数据进行量纲一致性判断，若所述第一风险数据的量纲一致则进行数据划分处理得到第二风险数据，若不一致则对所有所述第一风险数据进行极端值判断，若所述第一风险数据存在极端值则进行数据标准化处理得到第三风险数据；若不一致则对所有所述第一风险数据进行最佳区间判断，若存在最佳区间则进行区间标准化处理得到第四风险数据，若不一致则对所有所述第一风险数据进行正向归一化处理得到第五风险数据；
风险预警单元303，用于关联至少一风险评估模型并配置对应的关联规则得到风险预警模型，所述第二风险数据、所述第三风险数据、所述第四风险数据或所述第五风险数据的一种作为关联风险数据输入所述风险预警模型中得到风险预警指标。
值得说明的是，关于该综合性企业信用风险预警装置的综合性企业信用风险预警方法参考实施例一的内容介绍，重复内容在此不做累赘说明。
实施例三
本实施例还提供了一种电子装置，参考图6，包括存储器404和处理器402，该存储器404中存储有计算机程序，该处理器402被设置为运行计算机程序以执行上述任一项综合性企业信用风险预警方法实施例中的步骤。
具体地，上述处理器402可以包括中央处理器(CPU)，或者特定集成电路(ApplicationSpecificIntegratedCircuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制，存储器404可包括硬盘驱动器(HardDiskDrive，简称为HDD)、软盘驱动器、固态驱动器(SolidStateDrive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器404可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器404可在数据处理装置的内部或外部。在特定实施例中，存储器404是非易失性(Non-Volatile)存储器。在特定实施例中，存储器404包括只读存储器(Read-OnlyMemory，简称为ROM)和随机存取存储器(RandomAccessMemory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-OnlyMemory，简称为PROM)、可擦除PROM(ErasableProgrammableRead-OnlyMemory，简称为EPROM)、电可擦除PROM(ElectricallyErasableProgrammableRead-OnlyMemory，简称为EEPROM)、电可改写ROM(ElectricallyAlterableRead-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(StaticRandom-AccessMemory，简称为SRAM)或动态随机存取存储器(DynamicRandomAccessMemory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器404(FastPageModeDynamicRandomAccessMemory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDateOutDynamicRandomAccessMemory，简称为EDODRAM)、同步动态随机存取内存(SynchronousDynamicRandom-AccessMemory，简称SDRAM)等。
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的计算机程序指令。
处理器402通过读取并执行存储器404中存储的计算机程序指令，以实现上述实施例中的任意一种综合性企业信用风险预警方法。
可选地，上述电子装置还可以包括传输设备406以及输入输出设备408，其中，该传输设备406和上述处理器402连接，该输入输出设备408和上述处理器402连接。
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
输入输出设备408用于输入或输出信息。在本实施例中，输入的信息可以是各类风险数据等，输出的信息可以是处理过的风险数据，也可以是企业预警指标等。
可选地，在本实施例中，上述处理器402可以被设置为通过计算机程序执行以下步骤：
步骤S1:获取对应至少一风险指标类别的至少一第一风险数据；
步骤S2：对同一风险指标类别的所述第一风险数据进行量纲一致性判断，若所述第一风险数据的量纲一致则进行数据划分处理得到第二风险数据并执行步骤S6，若所述第一风险数据的量纲不一致则执行步骤S3；
步骤S3:对所有所述第一风险数据进行极端值判断，若所述第一风险数据存在极端值则进行数据标准化处理得到第三风险数据并执行步骤S6,若所述第一风险数据不存在极端值则执行步骤S4；
步骤S4:对所有所述第一风险数据进行最佳区间判断，若存在最佳区间则进行区间标准化处理得到第四风险数据并执行步骤S6,若不存在最佳区间则执行步骤S5；
步骤S5：对所有所述第一风险数据进行正向归一化处理得到第五风险数据并执行步骤S6；
步骤S6:关联至少一风险评估模型并配置对应的关联规则得到风险预警模型，所述第二风险数据、所述第三风险数据、所述第四风险数据或所述第五风险数据的一种作为关联风险数据输入所述风险预警模型中得到风险预警指标。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
通常，各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现，而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本发明的实施例可以由计算机软件来实现，该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行，或者由硬件来实现，或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中，并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外，在这一点上，应当注意，如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。
本领域的技术人员应该明白，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (13)
1.一种综合性企业信用风险预警方法，其特征在于，包括以下步骤：
步骤S1:获取对应至少一风险指标类别的至少一第一风险数据；
步骤S2：对同一风险指标类别的所述第一风险数据进行量纲一致性判断，若所述第一风险数据的量纲一致则进行数据划分处理得到第二风险数据并执行步骤S6，若所述第一风险数据的量纲不一致则执行步骤S3；
步骤S3:对所有所述第一风险数据进行极端值判断，若所述第一风险数据存在极端值则进行数据标准化处理得到第三风险数据并执行步骤S6,若所述第一风险数据不存在极端值则执行步骤S4；
步骤S4:对所有所述第一风险数据进行最佳区间判断，若存在最佳区间则进行区间标准化处理得到第四风险数据并执行步骤S6,若不存在最佳区间则执行步骤S5；
步骤S5：对所有所述第一风险数据进行正向归一化处理得到第五风险数据并执行步骤S6；
步骤S6:关联至少一风险评估模型并配置对应的关联规则得到风险预警模型，所述第二风险数据、所述第三风险数据、所述第四风险数据或所述第五风险数据的一种作为关联风险数据输入所述风险预警模型中得到风险预警指标。
2.根据权利要求1所述的综合性企业信用风险预警方法，其特征在于，在步骤S2中，获取同一风险指标类别的所述第一风险数据的量纲，若所述第一风险数据的量纲一致，获取对应同一风险指标类别的所述第一风险数据的风险数据最大值和风险数据最小值，其中所述风险数据最大值和所述风险数据最小值形成风险数据区间，将所述风险数据区间划分为子区间，根据所述子区间的排序位置赋值所述子区间内的所述第一风险数据得到第二风险数据。
3.根据权利要求2所述的综合性企业信用风险预警方法，其特征在于，“根据所述子区间的排序位置赋值所述子区间内的所述第一风险数据得到第二风险数据”包括：所述子区间依数据值大小的次序排序，依正序或倒序赋值所述子区间内的所述第一风险数据得到第二风险数据。
4.根据权利要求1所述的综合性企业信用风险预警方法，其特征在于，在步骤S3中，选择存在极端值的所述第一风险数据作为待处理第一风险数据，获取数据标准分母参数和数据标准分子参数，依据所述数据标准分母参数和所述数据标准分子参数处理所述待处理第一风险数据得到第三风险数据。
5.根据权利要求1所述的综合性企业信用风险预警方法，其特征在于，在步骤S4中，选择存在所述最佳区间的第一风险数据作为待处理第一风险数据，依据所述待处理第一风险数据对应的最佳区间处理所述待处理第一风险数据得到第四风险数据。
6.根据权利要求1所述的综合性企业信用风险预警方法，其特征在于，在步骤S5中，获取所述第一风险数据的数据最大值、数据最小值，构建包含最小值映射和最大值映射的映射范围，将所述第一风险数据映射到所述映射范围内得到第五风险数据。
7.根据权利要求1所述的综合性企业信用风险预警方法，其特征在于，所述关联风险数据的量纲为可量化的区间。
8.根据权利要求1所述的综合性企业信用风险预警方法，其特征在于，步骤S6包括：配置风险预警模型中每个风险评估模型的权重系数以及区间得分，配置所述风险预警模型的预警等级，其中所有所述风险评估模型的权重系数的总和为1，所述第二风险数据、所述第三风险数据、所述第四风险数据或所述第五风险数据的一种作为关联风险数据输入每一所述风险预警模型中得到输出结果，所述输出结果依据所述权重系数以及所述区间得分转换得到每一所述风险评估模型的预警得分，合并所有所述风险评估模型的所述预警得分得到总得分，所述总得分依据所述预警等级转换为所述风险预警指标。
9.根据权利要求8所述的综合性企业信用风险预警方法，其特征在于，“所述输出结果依据所述权重系数以及所述区间得分转换得到每一所述风险评估模型的预警得分”包括：设定每一风险评估模型的风险阈值以及对应不同预警区间的所述区间得分，当所述风险预警模型的输出结果大于所述风险阈值时，依据所述输出结果所在的预警区间确定所述区间得分。
10.一种综合性企业信用风险预警装置，其特征在于，包括：
风险数据获取单元，用于获取对应至少一风险指标类别的至少一第一风险数据；
数据处理单元，用于对同一风险指标类别的所述第一风险数据进行量纲一致性判断，若所述第一风险数据的量纲一致则进行数据划分处理得到第二风险数据，若所述第一风险数据的量纲不一致则对所有所述第一风险数据进行极端值判断，若所述第一风险数据存在极端值则进行数据标准化处理得到第三风险数据；若所述第一风险数据不存在极端值则对所有所述第一风险数据进行最佳区间判断，若存在最佳区间则进行区间标准化处理得到第四风险数据，若不存在最佳区间则对所有所述第一风险数据进行正向归一化处理得到第五风险数据；
风险预警单元，用于关联至少一风险评估模型并配置对应的关联规则得到风险预警模型，所述第二风险数据、所述第三风险数据、所述第四风险数据或所述第五风险数据的一种作为关联风险数据输入所述风险预警模型中得到风险预警指标。
11.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1或9任一所述的综合性企业信用风险预警方法。
12.一种计算机程序产品，其特征在于，包括软件代码部分，当所述计算机程序产品在计算机上被运行时，所述软件代码部分用于执行根据权利要求1-9任一项所述的综合性企业信用风险预警方法。
13.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括根据权利要求1至9任一项所述的综合性企业信用风险预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111287810.6A CN113988670A (zh) | 2021-11-02 | 2021-11-02 | 综合性企业信用风险预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111287810.6A CN113988670A (zh) | 2021-11-02 | 2021-11-02 | 综合性企业信用风险预警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113988670A true CN113988670A (zh) | 2022-01-28 |
Family
ID=79745747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111287810.6A Pending CN113988670A (zh) | 2021-11-02 | 2021-11-02 | 综合性企业信用风险预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113988670A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116562627A (zh) * | 2023-05-19 | 2023-08-08 | 中国电信股份有限公司湖州分公司 | 一种安全风险管理方法、系统、设备、介质及产品 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107993143A (zh) * | 2017-11-23 | 2018-05-04 | 深圳大管加软件与技术服务有限公司 | 一种信贷风险评估方法及系统 |
| CN109492945A (zh) * | 2018-12-14 | 2019-03-19 | 深圳壹账通智能科技有限公司 | 企业风险识别监控方法、装置、设备及存储介质 |
| CN112862338A (zh) * | 2021-02-24 | 2021-05-28 | 深圳微众信用科技股份有限公司 | 一种企业信用报告获取方法及相关设备 |
-
2021
- 2021-11-02 CN CN202111287810.6A patent/CN113988670A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107993143A (zh) * | 2017-11-23 | 2018-05-04 | 深圳大管加软件与技术服务有限公司 | 一种信贷风险评估方法及系统 |
| CN109492945A (zh) * | 2018-12-14 | 2019-03-19 | 深圳壹账通智能科技有限公司 | 企业风险识别监控方法、装置、设备及存储介质 |
| CN112862338A (zh) * | 2021-02-24 | 2021-05-28 | 深圳微众信用科技股份有限公司 | 一种企业信用报告获取方法及相关设备 |
Non-Patent Citations (1)
| Title |
|---|
| 王晨，等: "《区域软环境对高新技术企业创新能力的影响机理研究》", vol. 1, 30 September 2019, 哈尔滨工程大学出版社, pages: 79 - 80 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116562627A (zh) * | 2023-05-19 | 2023-08-08 | 中国电信股份有限公司湖州分公司 | 一种安全风险管理方法、系统、设备、介质及产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110060144B (zh) | 额度模型训练方法、额度评估方法、装置、设备及介质 | |
| CN110991474A (zh) | 一种机器学习建模平台 | |
| CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
| CN111652661B (zh) | 一种手机客户端用户流失预警处理方法 | |
| CN114511760B (zh) | 一种样本均衡方法、装置、设备及存储介质 | |
| CN105022807A (zh) | 信息推荐方法及装置 | |
| CN114218263B (zh) | 物化视图的自动创建方法及基于物化视图的快速查询方法 | |
| CN113988670A (zh) | 综合性企业信用风险预警方法及系统 | |
| CN113723514A (zh) | 一种基于混合采样的安全接入日志数据平衡处理方法 | |
| CN117742816A (zh) | 基板管理控制器的运行控制方法及装置 | |
| CN110246026B (zh) | 一种数据转移的输出组合设定方法、装置及终端设备 | |
| CN110134575B (zh) | 一种服务器集群的服务能力计算方法及装置 | |
| CN112906999A (zh) | 话务指标优化效果评估方法、装置及计算设备 | |
| CN109543880A (zh) | 基于前景理论的电子商务发展水平优化方法和装置 | |
| CN115379454B (zh) | 一种基于改进灰色关联分析的移动智能终端安全评估方法及系统 | |
| CN109905340B (zh) | 一种特征优化函数选取方法、装置及电子设备 | |
| CN118378895A (zh) | 一种基于用户用电信息的风险评估方法及系统 | |
| CN107426133B (zh) | 一种识别用户身份信息的方法及装置 | |
| CN118277892A (zh) | 目标样本的确定方法及装置 | |
| CN113901108A (zh) | 数据集同比计算方法、装置及计算机程序产品 | |
| CN115965410A (zh) | 网点选址方法和装置 | |
| CN112600756A (zh) | 业务数据的处理方法及装置 | |
| CN117557136A (zh) | 乡村数字化基础建设评价方法、装置、设备和存储介质 | |
| CN118626329A (zh) | 模型优化方法、装置、计算机设备和存储介质 | |
| CN118134626A (zh) | 授信额度模型评估方法、装置、可读存储介质及终端设备 |
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 |