CN114119213A - 融资业务的风险检测方法、装置、计算机设备及存储介质 - Google Patents
融资业务的风险检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114119213A CN114119213A CN202111534296.1A CN202111534296A CN114119213A CN 114119213 A CN114119213 A CN 114119213A CN 202111534296 A CN202111534296 A CN 202111534296A CN 114119213 A CN114119213 A CN 114119213A
- Authority
- CN
- China
- Prior art keywords
- risk
- financing
- information
- financing service
- data
- 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.)
- Withdrawn
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及交易风控领域，揭示了一种融资业务的风险检测方法、装置、计算机设备及存储介质，其中方法包括：获取融资业务的资料信息；识别所述资料信息，获取所述资料信息包含的融资业务的项目信息及项目信息对应的项目数据；根据所述资料信息确定所述融资业务的业务类型，并根据所述业务类型匹配风险计算规则；将所述项目数据映射至所述风险因子的计算规则，根据所述风险因子的计算规则计算所述融资业务的风险因子数值；基于机器学习算法预测所述融资业务的违约概率；将所述融资业务的违约概率与期望违约概率相比较，根据比较结果确定所述融资业务的信用风险。本申请能够提高融资业务的信用风险压力的评估效率与准确率。
Description
技术领域
本申请涉及到交易风控领域，特别是涉及到一种融资业务的风险检测方法、装置、计算机设备及存储介质。
背景技术
压力测试是银行企业管理的要求，压力测试可以增加银行对企业风险状况与风险承受能力的了解，目前，银行的压力测试一般是基于巴塞尔委员会要求的分析方法进行测试，巴塞尔委员会要求的分析方法是针对银行整个体系的测试，而目前，对于不同项目的测试，巴塞尔委员会要求的分析方法无法准确、快速地分析不同项目的风险。
发明内容
本申请的主要目的为提供一种融资业务的风险检测方法、装置、计算机设备及存储介质，旨在解决目前无法准确、快速地分析不同项目的风险的问题。
为了实现上述发明目的，本申请提出一种融资业务的风险检测方法，包括：
获取融资业务的资料信息；
识别所述资料信息，获取所述资料信息包含的融资业务的项目信息及项目信息对应的项目数据；
根据所述资料信息确定所述融资业务的业务类型，并根据所述业务类型匹配风险计算规则；所述风险计算规则包括若干个风险因子对应的计算规则；所述风险因子包括预期损失，准备金，不良率及资本金；
将所述项目数据映射至所述风险因子的计算规则，根据所述风险因子的计算规则计算所述融资业务的风险因子数值，所述风险因子数值包括预期损失、准备金、不良率及资本金的数值；
基于所述融资业务的预期损失、准备金、不良率及资本金的数值，根据机器学习算法预测所述融资业务的违约概率；
将所述融资业务的违约概率与期望违约概率相比较，根据比较结果确定所述融资业务的信用风险。
进一步地，所述将所述项目数据映射至所述风险因子的计算规则，根据所述风险因子的计算规则计算所述融资业务的风险因子数值，包括：
获取所述风险因子的计算规则的计算参数；
获取所述项目信息数据中与所述计算参数具有相同语义的参数信息，并获取所述参数信息对应的数据值；
将所述参数信息映射至所述计算参数，并将所述数据值配置为所述计算参数的参数值；
根据所述参数值与所述计算规则进行数据计算，得到所述对应风险因子的风险因子数值。
进一步地，所述根据所述业务类型匹配风险计算规则；所述风险计算规则包括若干个风险因子对应的计算规则，包括：
获取第一风险因子对应的待选计算规则；
获取当前压力测试场景；
根据所述当前压力测试场景将所述待选计算规则中的预设参数进行替换，得到第一风险因子对应的第一计算规则。
进一步地，所述识别所述资料信息，获取所述资料信息包含的融资业务的项目信息及项目信息对应的项目数据，包括：
根据自然语言识别所述资料信息，获取所述资料信息包含的项目信息及所述项目信息的内容范围；
获取所述项目信息的先验知识数据；
将预配置的识别算法配置所述先验知识数据，得到先验知识的识别算法；
根据所述先验知识的识别算法识别所述内容范围内的内容信息，获取所述项目信息对应的项目信息数据。
进一步地，所述根据所述当前压力测试场景将所述待选计算规则中的预设参数进行替换，得到第一风险因子对应的第一计算规则，包括：
获取所述当前压力测试场景的标识信息；
根据所述标识信息确定所述当前压力测试场景的替换比例值；
将所述待选计算规则中的预设参数乘以所述替换比例值后，得到第一风险因子对应的第一计算规则。
进一步地，所述将所述融资业务的违约概率与期望违约概率相比较，根据比较结果确定所述融资业务的信用风险之前，还包括：
获取所述融资业务的业务类型；
根据所述融资业务的资料信息获取所述融资业务的规模数据；
根据所述业务类型及所述规模数据匹配所述融资业务的期望违约概率。
进一步地，所述将所述融资业务的违约概率与期望违约概率相比较，根据比较结果确定所述融资业务的信用风险之后，还包括：
业务接收模块，用于获取融资业务的资料信息；
信息识别模块，用于识别所述资料信息，获取所述资料信息包含的融资业务的项目信息及项目信息对应的项目数据；
规则匹配模块，用于根据所述资料信息确定所述融资业务的业务类型，并根据所述业务类型匹配风险计算规则；所述风险计算规则包括若干个风险因子对应的计算规则；所述风险因子包括预期损失，准备金，不良率及资本金；
风控因子模块，用于将所述项目数据映射至所述风险因子的计算规则，根据所述风险因子的计算规则计算所述融资业务的风险因子数值，所述风险因子数值包括预期损失、准备金、不良率及资本金的数值；
违约计算模块，用于基于所述融资业务的预期损失、准备金、不良率及资本金的数值，根据机器学习算法预测所述融资业务的违约概率；
风险评估模块，用于将所述融资业务的违约概率与期望违约概率相比较，根据比较结果确定所述融资业务的信用风险。
本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述融资业务的风险检测方法的步骤。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述融资业务的风险检测方法的步骤。
本申请例提供了一种融资类业务的信用风险压力检测方法，通过开发一信用风险压力测试模型，基于所述信用风险压力测试模型对待接入的融资类业务进行信用风险评估，首先，获取融资业务的资料信息，所诉融资业务的资料信息包括债券评级，债券发行总金额，债券发行数量，债券购入金额，期限，回报率等数据，再识别所述资料信息，获取所述资料信息包含的各个项目信息，再获取所述项目信息对应的项目数据，从而得到所述资料信息中包含的融资业务的项目信息及项目信息对应的项目数据，不同业务类型的融资业务需要根据不同的评估方式对其信用风险进行评估，根据所述资料信息确定所述融资业务对应的业务类型，根据所述业务类型匹配风险计算规则，其中所述风险计算规则包括若干个风险因子对应的计算规则，基于多个不同的风险因子全方位计算融资业务的信用风险，将所述项目数据映射至所述风险因子的计算规则，建立所述项目数据与风险因子的计算规则的映射关系，然后基于所述映射关系将所述项目数据作为所述计算规则的输入数据输入至所述计算规则中，由所述计算规则根据所述输入数据进行计算，得到所述融资业务的风险因子数值，所述风险因子数值包括预期损失，准备金，不良率及资本金的数值，基于所述融资业务的预期损失，准备金，不良率及资本金的数值根据机器学习算法预测所述融资业务的违约概率，将所述融资业务的违约概率与期望违约概率相比较，得到比较结果，，根据比较结果确定所述融资业务的信用风险，当所述比较结果中，融资业务的违约概率大于期望违约概率，融资业务的违约概率与期望违约概率的差值越大时，则违约风险越大，银行经营该融资业务的风险越大，则该融资业务的信用风险越大，从而准确地评估融资业务的信用风险压力，提高各项融资业务的信用风险压力的评估效率与准确率。
附图说明
图1为本申请融资业务的风险检测方法的一实施例流程示意图；
图2为本申请融资业务的风险检测装置的一实施例结构示意图；
图3为本申请计算机设备的一实施例结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例提供一种融资业务的风险检测方法，包括步骤S10-S60，对于所述融资业务的风险检测方法的各个步骤的详细阐述如下。
S10、获取融资业务的资料信息。
本实施例应用于融资类业务的业务风险压力测试场景中，压力测试是银行企业管理的要求，压力测试可以增加银行对企业风险状况与风险承受能力的了解，针对每一项融资业务进行压力测试，评估一项融资业务的信用风险，从而能够验证银行企业是否能够承受该项融资业务。本发明开发一信用风险压力测试模型，基于所述信用风险压力测试模型对待接入的融资类业务进行信用风险评估，尤其是证券市场下的融资类业务，首先，获取融资业务的资料信息，所诉融资业务的资料信息包括债券评级，债券发行总金额，债券发行数量，债券购入金额，期限，回报率等数据。
S20、识别所述资料信息，获取所述资料信息包含的融资业务的项目信息及项目信息对应的项目数据。
本实施例中，在获取融资业务的资料信息之后，识别所述资料信息，获取所述资料信息中包含的融资业务的项目信息及项目信息对应的项目数据，一种实施方式中，为了准确地识别资料信息中的每一项项目信息，根据自然语言算法识别所述资料信息，先将所述资料信息进行分割，从而获取所述资料信息包含的各个项目信息，再获取所述项目信息对应的项目数据，从而得到所述资料信息中包含的融资业务的项目信息及项目信息对应的项目数据。
S30、根据所述资料信息确定所述融资业务的业务类型，并根据所述业务类型匹配风险计算规则；所述风险计算规则包括若干个风险因子对应的计算规则；所述风险因子包括预期损失，准备金，不良率及资本金。
本实施例中，当识别所述资料信息，获取所述资料信息中包含的融资业务的项目信息及项目信息对应的项目数据之后，根据所述资料信息确定所述融资业务的业务类型，不同业务类型的融资业务需要根据不同的评估方式对其信用风险进行评估，所述业务类型包括债券，基金，商票承兑等，再根据所述业务类型匹配风险计算规则，其中所述风险计算规则包括若干个风险因子对应的计算规则，为了计算融资业务的信用风险，需要基于多个不同的风险因子进行全方位的计算；所述风险因子包括预期损失，准备金，不良率及资本金；所述预期损失为该融资业务发生违约时的损失金额数据，所述准备金为抵御该融资业务产生的风险所需的备用金额数据，所述不良率为所述融资业务发生违约的概率，所述资本金为所述承接该融资业务所需准备的资本金额数据。
S40、将所述项目数据映射至所述风险因子的计算规则，根据所述风险因子的计算规则计算所述融资业务的风险因子数值，所述风险因子数值包括预期损失、准备金、不良率及资本金的数值。
本实施例中，在根据所述资料信息确定所述融资业务的业务类型，根据所述业务类型匹配风险计算规则之后，将所述项目数据映射至所述风险因子的计算规则，即建立所述项目数据与风险因子的计算规则的映射关系，然后基于所述映射关系将所述项目数据作为所述计算规则的输入数据输入至所述计算规则中，由所述计算规则根据所述输入数据进行计算，得到所述融资业务的风险因子数值，所述风险因子数值包括预期损失，准备金，不良率及资本金的数值。
S50、基于所述融资业务的预期损失、准备金、不良率及资本金的数值，根据机器学习算法预测所述融资业务的违约概率。
本实施例中，在将所述项目数据映射至所述风险因子的计算规则，根据所述风险因子的计算规则计算所述融资业务的风险因子数值，所述风险因子数值包括预期损失，准备金，不良率及资本金的数值之后，根据所述融资业务的预期损失，准备金，不良率及资本金的数值基于机器学习算法预测所述融资业务的违约概率，通过机器学习算法学习得到不同风险因子数值下的融资业务的违约概率，然后当输入融资业务的预期损失，准备金，不良率及资本金的数值后，便可得到该融资业务的违约概率，所述违约概率还包括时间数据，即在未来时间下的违约概率。
S60、将所述融资业务的违约概率与期望违约概率相比较，根据比较结果确定所述融资业务的信用风险。
本实施例中，在根据所述融资业务的预期损失，准备金，不良率及资本金的数值基于机器学习算法预测所述融资业务的违约概率之后，将所述融资业务的违约概率与期望违约概率相比较，所述期望概率与该融资业务的类型及规模相关联，融资业务的规模以融资业务所需的资本金进行衡量，当指定类型下的融资业务的规模越大时，其期望违约概率越低，然后根据比较结果确定所述融资业务的信用风险，所述信用风险为银行经营压力风险，当所述比较结果中，融资业务的违约概率大于期望违约概率，且融资业务的违约概率与期望违约概率的差值越大时，则违约风险越大，银行经营该融资业务的风险越大，则该融资业务的信用风险越大，从而准确地评估融资业务的信用风险压力。
本实施例提供了一种融资类业务的信用风险压力检测方法，通过开发一信用风险压力测试模型，基于所述信用风险压力测试模型对待接入的融资类业务进行信用风险评估，首先，获取融资业务的资料信息，所诉融资业务的资料信息包括债券评级，债券发行总金额，债券发行数量，债券购入金额，期限，回报率等数据，再识别所述资料信息，获取所述资料信息包含的各个项目信息，再获取所述项目信息对应的项目数据，从而得到所述资料信息中包含的融资业务的项目信息及项目信息对应的项目数据，不同业务类型的融资业务需要根据不同的评估方式对其信用风险进行评估，根据所述资料信息确定所述融资业务对应的业务类型，根据所述业务类型匹配风险计算规则，其中所述风险计算规则包括若干个风险因子对应的计算规则，基于多个不同的风险因子全方位计算融资业务的信用风险，将所述项目数据映射至所述风险因子的计算规则，建立所述项目数据与风险因子的计算规则的映射关系，然后基于所述映射关系将所述项目数据作为所述计算规则的输入数据输入至所述计算规则中，由所述计算规则根据所述输入数据进行计算，得到所述融资业务的风险因子数值，所述风险因子数值包括预期损失，准备金，不良率及资本金的数值，根据所述融资业务的预期损失，准备金，不良率及资本金的数值基于机器学习算法预测所述融资业务的违约概率，将所述融资业务的违约概率与期望违约概率相比较，得到比较结果，，根据比较结果确定所述融资业务的信用风险，当所述比较结果中，融资业务的违约概率大于期望违约概率，融资业务的违约概率与期望违约概率的差值越大时，则违约风险越大，银行经营该融资业务的风险越大，则该融资业务的信用风险越大，从而准确地评估融资业务的信用风险压力，提高各项融资业务的信用风险压力的评估效率与准确率。
在一个实施例中，所述将所述项目数据映射至所述风险因子的计算规则，根据所述风险因子的计算规则计算所述融资业务的风险因子数值，包括：
获取所述风险因子的计算规则的计算参数；
获取所述项目信息数据中与所述计算参数具有相同语义的参数信息，并获取所述参数信息对应的数据值；
将所述参数信息映射至所述计算参数，并将所述数据值配置为所述计算参数的参数值；
根据所述参数值与所述计算规则进行数据计算，得到所述对应风险因子的风险因子数值。
本实施例中，在将所述项目数据映射至所述风险因子的计算规则，根据所述风险因子的计算规则计算所述融资业务的风险因子数值的过程中，获取所述风险因子的计算规则的计算参数，即先提取所述计算规则中的参数，通知识别参数名称提取所述计算参数，例如识别出投资人数量X1，投资领域Y1，投资时间Y2，再获取所述项目信息数据中与所述计算参数具有相同语义的参数信息，并获取所述参数信息对应的数据值，然后将所述参数信息映射至所述计算参数，并将所述数据值配置为所述计算参数的参数值，根据所述参数值与所述计算规则进行数据计算，得到所述对应风险因子的风险因子数值，通过快速匹配参数信息，从而计算出不同风险因子对应的风险因子数值，从而提高不同风险因子的计算效率。
在一个实施例中，所述根据所述业务类型匹配风险计算规则；所述风险计算规则包括若干个风险因子对应的计算规则，包括：
获取第一风险因子对应的待选计算规则；
获取当前压力测试场景；
根据所述当前压力测试场景将所述待选计算规则中的预设参数进行替换，得到第一风险因子对应的第一计算规则。
本实施例中，在根据所述业务类型匹配风险计算规则的过程中，所述风险计算规则包括若干个风险因子对应的计算规则，需要配置不同风险因子对应的计算规则，尤其是不同压力测试场景下的计算规则，首先获取第一风险因子对应的待选计算规则，再获取当前的压力测试场景，所述压力测试场景为企业经营的不同场景，包括初创阶段场景，扩张阶段场景，疫情阶段场景，政策阶段场景，不同测试场景下的参数的配置不同，然后根据所述当前压力测试场景将所述待选计算规则中的预设参数进行替换，得到第一风险因子对应的第一计算规则，从而能够计算出风险因子在不同压力测试场景下的数值，提高融资业务在不同压力测试场景下的风险信用评估准确率。
在一个实施例中，所述识别所述资料信息，获取所述资料信息包含的融资业务的项目信息及项目信息对应的项目数据，包括：
根据自然语言识别所述资料信息，获取所述资料信息包含的项目信息及所述项目信息的内容范围；
获取所述项目信息的先验知识数据；
将预配置的识别算法配置所述先验知识数据，得到先验知识的识别算法；
根据所述先验知识的识别算法识别所述内容范围内的内容信息，获取所述项目信息对应的项目信息数据。
本实施例中，在识别所述资料信息，获取所述资料信息包含的融资业务的项目信息及项目信息对应的项目数据的过程中，根据自然语言识别所述资料信息，获取所述资料信息包含的项目信息及所述项目信息的内容范围，所述资料信息由各项不同的项目信息组成，通过关键词匹配的方式，识别所述资料信息中与关键词相匹配的词语，将匹配得到的词语确定为对应的项目信息，再识别所述项目信息的内容范围，一般的，每一项项目信息的内容处于同一个内容范围中，通过识别得到的两个项目信息，便可确定前一个项目信息的内容范围，基于该方式确定每一项项目信息的内容范围，不同部分的项目信息可能包含有不同的专属名词，为了准确地识别不同部分的项目信息中的项目信息数据，获取所述项目信息的先验知识数据，将预配置的识别算法配置所述先验知识数据，得到先验知识的识别算法；根据所述先验知识的识别算法识别所述内容范围内的内容信息，获取所述项目信息对应的项目信息数据，通过配置有对应专属名词的先验知识的自然语言算法，能够快速、准确地识别出所述内容范围内的内容信息，获取所述内容范围内所需的目标数据作为项目信息数据，从而提高项目信息数据的识别效率。
在一个实施例中，所述根据所述当前压力测试场景将所述待选计算规则中的预设参数进行替换，得到第一风险因子对应的第一计算规则，包括：
获取所述当前压力测试场景的标识信息；
根据所述标识信息确定所述当前压力测试场景的替换比例值；
将所述待选计算规则中的预设参数乘以所述替换比例值后，得到第一风险因子对应的第一计算规则。
本实施例中，在所述根据所述当前压力测试场景将所述待选计算规则中的预设参数进行替换，得到第一风险因子对应的第一计算规则的过程中，不同的压力测试场景下对预设参数的替换规则不同，具体的，获取所述当前压力测试场景的标识信息，再根据所述标识信息确定所述当前压力测试场景的替换比例值，然后将所述待选计算规则中的预设参数乘以所述替换比例值后，得到第一风险因子对应的第一计算规则，进一步的，所述替换比例值包括多个预设参数的替换比例值，即为计算规则中各个不同的参数配置不同的替换比例值，从而生成当前压力测试场景下的第一风险因子对应的第一计算规则，提高不同风险因子在不同压力测试场景下的数值计算的准确率。例如待选计算规则为Y＝a+b+c，a参数的替换比例值为0.75，b参数的替换比例值为0.65，c参数的替换比例值为0.90，则替换后的第一计算规则为Y＝0.75a+0.65b+0.90c。
在一个实施例中，所述将所述融资业务的违约概率与期望违约概率相比较，根据比较结果确定所述融资业务的信用风险之前，还包括：
获取所述融资业务的业务类型；
根据所述融资业务的资料信息获取所述融资业务的规模数据；
根据所述业务类型及所述规模数据匹配所述融资业务的期望违约概率。
本实施例中，在将所述融资业务的违约概率与期望违约概率相比较，根据比较结果确定所述融资业务的信用风险之前，需要确定当前融资业务的期望违约概率，期望违规概率与融资业务的业务类型及业务规模相关联，当业务类型的风险性较高，如房地产商票业务，债券业务具有不同的风险性，其期望违约概率不相同，且融资业务的业务规模亦影响融资业务的风险性，当融资规模越大，则越需要提防融资业务的风险，因此，获取所述融资业务的业务类型，根据所述融资业务的资料信息获取所述融资业务的规模数据，从而根据所述业务类型及所述规模数据匹配所述融资业务的期望违约概率，为不同类型不同规模的融资业务匹配不同的期望违约概率，使得不同类型不同规模的融资业务能够得到不同维度的风险评估，从而提高不同类型不同规模的融资业务的风险评估的准确性。
在一个实施例中，所述将所述融资业务的违约概率与期望违约概率相比较，根据比较结果确定所述融资业务的信用风险之后，还包括：
获取所述信用风险的风险等级；
根据所述风险等级匹配业务规模等级；
根据所述业务规模等级为所述融资业务配置资金计划。
本实施例中，在将所述融资业务的违约概率与期望违约概率相比较，根据比较结果确定所述融资业务的信用风险之后，确获取所述信用风险的风险等级；根据所述风险等级匹配业务规模等级；根据所述业务规模等级为所述融资业务配置资金计划，即公司企业可以在不同压力测试场景下为融资业务分配的资金金额，提高融资业务的资金配置准确率。
参照图2，本申请还提供一种融资业务的风险检测装置，包括：
业务接收模块10，用于获取融资业务的资料信息；
信息识别模块20，用于识别所述资料信息，获取所述资料信息包含的融资业务的项目信息及项目信息对应的项目数据；
规则匹配模块30，用于根据所述资料信息确定所述融资业务的业务类型，并根据所述业务类型匹配风险计算规则；所述风险计算规则包括若干个风险因子对应的计算规则；所述风险因子包括预期损失，准备金，不良率及资本金；
风控因子模块40，用于将所述项目数据映射至所述风险因子的计算规则，根据所述风险因子的计算规则计算所述融资业务的风险因子数值，所述风险因子数值包括预期损失、准备金、不良率及资本金的数值；
违约计算模块50，用于基于所述融资业务的预期损失、准备金、不良率及资本金的数值，根据机器学习算法预测所述融资业务的违约概率；
风险评估模块60，用于将所述融资业务的违约概率与期望违约概率相比较，根据比较结果确定所述融资业务的信用风险。
如上所述，可以理解地，本申请中提出的所述融资业务的风险检测装置的各组成部分可以实现如上所述融资业务的风险检测方法任一项的功能。
在一个实施例中，所述将所述项目数据映射至所述风险因子的计算规则，根据所述风险因子的计算规则计算所述融资业务的风险因子数值，包括：
获取所述风险因子的计算规则的计算参数；
获取所述项目信息数据中与所述计算参数具有相同语义的参数信息，并获取所述参数信息对应的数据值；
将所述参数信息映射至所述计算参数，并将所述数据值配置为所述计算参数的参数值；
根据所述参数值与所述计算规则进行数据计算，得到所述对应风险因子的风险因子数值。
在一个实施例中，所述根据所述业务类型匹配风险计算规则；所述风险计算规则包括若干个风险因子对应的计算规则，包括：
获取第一风险因子对应的待选计算规则；
获取当前压力测试场景；
根据所述当前压力测试场景将所述待选计算规则中的预设参数进行替换，得到第一风险因子对应的第一计算规则。
在一个实施例中，所述根据所述当前压力测试场景将所述待选计算规则中的预设参数进行替换，得到第一风险因子对应的第一计算规则，包括：
获取所述当前压力测试场景的标识信息；
根据所述标识信息确定所述当前压力测试场景的替换比例值；
将所述待选计算规则中的预设参数乘以所述替换比例值后，得到第一风险因子对应的第一计算规则。
在一个实施例中，所述识别所述资料信息，获取所述资料信息包含的融资业务的项目信息及项目信息对应的项目数据，包括：
根据自然语言识别所述资料信息，获取所述资料信息包含的项目信息及所述项目信息的内容范围；
获取所述项目信息的先验知识数据；
将预配置的识别算法配置所述先验知识数据，得到先验知识的识别算法；
根据所述先验知识的识别算法识别所述内容范围内的内容信息，获取所述项目信息对应的项目信息数据。
在一个实施例中，所述将所述融资业务的违约概率与期望违约概率相比较，根据比较结果确定所述融资业务的信用风险之前，还包括：
获取所述融资业务的业务类型；
根据所述融资业务的资料信息获取所述融资业务的规模数据；
根据所述业务类型及所述规模数据匹配所述融资业务的期望违约概率。
在一个实施例中，所述将所述融资业务的违约概率与期望违约概率相比较，根据比较结果确定所述融资业务的信用风险之后，还包括：
获取所述信用风险的风险等级；
根据所述风险等级匹配业务规模等级；
根据所述业务规模等级为所述融资业务配置资金计划。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是移动终端，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和显示装置及输入装置。其中，该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机设备的输入装置用于接收用户的输入。该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括存储介质。该存储介质存储有操作系统、计算机程序和数据库。该计算机设备的数据库用于存放数据。该计算机程序被处理器执行时以实现一种融资业务的风险检测方法。
上述处理器执行上述的融资业务的风险检测方法，包括：获取融资业务的资料信息；识别所述资料信息，获取所述资料信息包含的融资业务的项目信息及项目信息对应的项目数据；根据所述资料信息确定所述融资业务的业务类型，并根据所述业务类型匹配风险计算规则；所述风险计算规则包括若干个风险因子对应的计算规则；所述风险因子包括预期损失，准备金，不良率及资本金；将所述项目数据映射至所述风险因子的计算规则，根据所述风险因子的计算规则计算所述融资业务的风险因子数值，所述风险因子数值包括预期损失、准备金、不良率及资本金的数值；基于所述融资业务的预期损失、准备金、不良率及资本金的数值，根据机器学习算法预测所述融资业务的违约概率；将所述融资业务的违约概率与期望违约概率相比较，根据比较结果确定所述融资业务的信用风险。
所述计算机设备提供了一种融资类业务的信用风险压力检测方法，通过开发一信用风险压力测试模型，基于所述信用风险压力测试模型对待接入的融资类业务进行信用风险评估，首先，获取融资业务的资料信息，所诉融资业务的资料信息包括债券评级，债券发行总金额，债券发行数量，债券购入金额，期限，回报率等数据，再识别所述资料信息，获取所述资料信息包含的各个项目信息，再获取所述项目信息对应的项目数据，从而得到所述资料信息中包含的融资业务的项目信息及项目信息对应的项目数据，不同业务类型的融资业务需要根据不同的评估方式对其信用风险进行评估，根据所述资料信息确定所述融资业务对应的业务类型，根据所述业务类型匹配风险计算规则，其中所述风险计算规则包括若干个风险因子对应的计算规则，基于多个不同的风险因子全方位计算融资业务的信用风险，将所述项目数据映射至所述风险因子的计算规则，建立所述项目数据与风险因子的计算规则的映射关系，然后基于所述映射关系将所述项目数据作为所述计算规则的输入数据输入至所述计算规则中，由所述计算规则根据所述输入数据进行计算，得到所述融资业务的风险因子数值，所述风险因子数值包括预期损失，准备金，不良率及资本金的数值，根据所述融资业务的预期损失，准备金，不良率及资本金的数值基于机器学习算法预测所述融资业务的违约概率，将所述融资业务的违约概率与期望违约概率相比较，得到比较结果，，根据比较结果确定所述融资业务的信用风险，当所述比较结果中，融资业务的违约概率大于期望违约概率，融资业务的违约概率与期望违约概率的差值越大时，则违约风险越大，银行经营该融资业务的风险越大，则该融资业务的信用风险越大，从而准确地评估融资业务的信用风险压力，提高各项融资业务的信用风险压力的评估效率与准确率。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被所述处理器执行时实现一种融资业务的风险检测方法，包括步骤：获取融资业务的资料信息；识别所述资料信息，获取所述资料信息包含的融资业务的项目信息及项目信息对应的项目数据；根据所述资料信息确定所述融资业务的业务类型，并根据所述业务类型匹配风险计算规则；所述风险计算规则包括若干个风险因子对应的计算规则；所述风险因子包括预期损失，准备金，不良率及资本金；将所述项目数据映射至所述风险因子的计算规则，根据所述风险因子的计算规则计算所述融资业务的风险因子数值，所述风险因子数值包括预期损失、准备金、不良率及资本金的数值；基于所述融资业务的预期损失、准备金、不良率及资本金的数值，根据机器学习算法预测所述融资业务的违约概率；将所述融资业务的违约概率与期望违约概率相比较，根据比较结果确定所述融资业务的信用风险。
所述计算机可读存储介质提供了一种融资类业务的信用风险压力检测方法，通过开发一信用风险压力测试模型，基于所述信用风险压力测试模型对待接入的融资类业务进行信用风险评估，首先，获取融资业务的资料信息，所诉融资业务的资料信息包括债券评级，债券发行总金额，债券发行数量，债券购入金额，期限，回报率等数据，再识别所述资料信息，获取所述资料信息包含的各个项目信息，再获取所述项目信息对应的项目数据，从而得到所述资料信息中包含的融资业务的项目信息及项目信息对应的项目数据，不同业务类型的融资业务需要根据不同的评估方式对其信用风险进行评估，根据所述资料信息确定所述融资业务对应的业务类型，根据所述业务类型匹配风险计算规则，其中所述风险计算规则包括若干个风险因子对应的计算规则，基于多个不同的风险因子全方位计算融资业务的信用风险，将所述项目数据映射至所述风险因子的计算规则，建立所述项目数据与风险因子的计算规则的映射关系，然后基于所述映射关系将所述项目数据作为所述计算规则的输入数据输入至所述计算规则中，由所述计算规则根据所述输入数据进行计算，得到所述融资业务的风险因子数值，所述风险因子数值包括预期损失，准备金，不良率及资本金的数值，根据所述融资业务的预期损失，准备金，不良率及资本金的数值基于机器学习算法预测所述融资业务的违约概率，将所述融资业务的违约概率与期望违约概率相比较，得到比较结果，，根据比较结果确定所述融资业务的信用风险，当所述比较结果中，融资业务的违约概率大于期望违约概率，融资业务的违约概率与期望违约概率的差值越大时，则违约风险越大，银行经营该融资业务的风险越大，则该融资业务的信用风险越大，从而准确地评估融资业务的信用风险压力，提高各项融资业务的信用风险压力的评估效率与准确率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。
本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。
非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围。
凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种融资业务的风险检测方法，其特征在于，包括：
获取融资业务的资料信息；
识别所述资料信息，获取所述资料信息包含的融资业务的项目信息及项目信息对应的项目数据；
根据所述资料信息确定所述融资业务的业务类型，并根据所述业务类型匹配风险计算规则；所述风险计算规则包括若干个风险因子对应的计算规则；所述风险因子包括预期损失，准备金，不良率及资本金；
将所述项目数据映射至所述风险因子的计算规则，根据所述风险因子的计算规则计算所述融资业务的风险因子数值，所述风险因子数值包括预期损失、准备金、不良率及资本金的数值；
基于所述融资业务的预期损失、准备金、不良率及资本金的数值，根据机器学习算法预测所述融资业务的违约概率；
将所述融资业务的违约概率与期望违约概率相比较，根据比较结果确定所述融资业务的信用风险。
2.根据权利要求1所述的融资业务的风险检测方法，其特征在于，所述将所述项目数据映射至所述风险因子的计算规则，根据所述风险因子的计算规则计算所述融资业务的风险因子数值，包括：
获取所述风险因子的计算规则的计算参数；
获取所述项目信息数据中与所述计算参数具有相同语义的参数信息，并获取所述参数信息对应的数据值；
将所述参数信息映射至所述计算参数，并将所述数据值配置为所述计算参数的参数值；
根据所述参数值与所述计算规则进行数据计算，得到所述对应风险因子的风险因子数值。
3.根据权利要求1所述的融资业务的风险检测方法，其特征在于，所述根据所述业务类型匹配风险计算规则；所述风险计算规则包括若干个风险因子对应的计算规则，包括：
获取第一风险因子对应的待选计算规则；
获取当前压力测试场景；
根据所述当前压力测试场景将所述待选计算规则中的预设参数进行替换，得到第一风险因子对应的第一计算规则。
4.根据权利要求3所述的融资业务的风险检测方法，其特征在于，所述根据所述当前压力测试场景将所述待选计算规则中的预设参数进行替换，得到第一风险因子对应的第一计算规则，包括：
获取所述当前压力测试场景的标识信息；
根据所述标识信息确定所述当前压力测试场景的替换比例值；
将所述待选计算规则中的预设参数乘以所述替换比例值后，得到第一风险因子对应的第一计算规则。
5.根据权利要求1所述的融资业务的风险检测方法，其特征在于，所述识别所述资料信息，获取所述资料信息包含的融资业务的项目信息及项目信息对应的项目数据，包括：
根据自然语言识别所述资料信息，获取所述资料信息包含的项目信息及所述项目信息的内容范围；
获取所述项目信息的先验知识数据；
将预配置的识别算法配置所述先验知识数据，得到先验知识的识别算法；
根据所述先验知识的识别算法识别所述内容范围内的内容信息，获取所述项目信息对应的项目信息数据。
6.根据权利要求1所述的融资业务的风险检测方法，其特征在于，所述将所述融资业务的违约概率与期望违约概率相比较，根据比较结果确定所述融资业务的信用风险之前，还包括：
获取所述融资业务的业务类型；
根据所述融资业务的资料信息获取所述融资业务的规模数据；
根据所述业务类型及所述规模数据匹配所述融资业务的期望违约概率。
7.根据权利要1所述的融资业务的风险检测方法，其特征在于，所述将所述融资业务的违约概率与期望违约概率相比较，根据比较结果确定所述融资业务的信用风险之后，还包括：
获取所述信用风险的风险等级；
根据所述风险等级匹配业务规模等级；
根据所述业务规模等级为所述融资业务配置资金计划。
8.一种融资业务的风险检测装置，其特征在于，包括：
业务接收模块，用于获取融资业务的资料信息；
信息识别模块，用于识别所述资料信息，获取所述资料信息包含的融资业务的项目信息及项目信息对应的项目数据；
规则匹配模块，用于根据所述资料信息确定所述融资业务的业务类型，并根据所述业务类型匹配风险计算规则；所述风险计算规则包括若干个风险因子对应的计算规则；所述风险因子包括预期损失，准备金，不良率及资本金；
风控因子模块，用于将所述项目数据映射至所述风险因子的计算规则，根据所述风险因子的计算规则计算所述融资业务的风险因子数值，所述风险因子数值包括预期损失、准备金、不良率及资本金的数值；
违约计算模块，用于基于所述融资业务的预期损失、准备金、不良率及资本金的数值，根据机器学习算法预测所述融资业务的违约概率；
风险评估模块，用于将所述融资业务的违约概率与期望违约概率相比较，根据比较结果确定所述融资业务的信用风险。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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7中任一项所述融资业务的风险检测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述融资业务的风险检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111534296.1A CN114119213A (zh) | 2021-12-15 | 2021-12-15 | 融资业务的风险检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111534296.1A CN114119213A (zh) | 2021-12-15 | 2021-12-15 | 融资业务的风险检测方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114119213A true CN114119213A (zh) | 2022-03-01 |
Family
ID=80365444
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111534296.1A Withdrawn CN114119213A (zh) | 2021-12-15 | 2021-12-15 | 融资业务的风险检测方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114119213A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101178705A (zh) * | 2007-12-13 | 2008-05-14 | 中国电信股份有限公司 | 一种自然语言理解方法和人机交互智能系统 |
| TW201227580A (en) * | 2010-12-31 | 2012-07-01 | Chailease Finance Co Ltd | Business loan and risk assessment method |
| US20130197963A1 (en) * | 2012-02-01 | 2013-08-01 | Bank Of America Corporation | System and Method for Calculating a Risk to an Entity |
| US20210097415A1 (en) * | 2019-09-30 | 2021-04-01 | Td Ameritrade Ip Company, Inc. | Systems and Methods for Iterative Generation and Plotting of Machine Learning Outcomes on a User Interface |
-
2021
- 2021-12-15 CN CN202111534296.1A patent/CN114119213A/zh not_active Withdrawn
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101178705A (zh) * | 2007-12-13 | 2008-05-14 | 中国电信股份有限公司 | 一种自然语言理解方法和人机交互智能系统 |
| TW201227580A (en) * | 2010-12-31 | 2012-07-01 | Chailease Finance Co Ltd | Business loan and risk assessment method |
| US20130197963A1 (en) * | 2012-02-01 | 2013-08-01 | Bank Of America Corporation | System and Method for Calculating a Risk to an Entity |
| US20210097415A1 (en) * | 2019-09-30 | 2021-04-01 | Td Ameritrade Ip Company, Inc. | Systems and Methods for Iterative Generation and Plotting of Machine Learning Outcomes on a User Interface |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108876133B (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
| CN111401609B (zh) | 车流量时间序列的预测方法及预测装置 | |
| CN109829776B (zh) | 商户风险评估方法、装置、计算机设备和存储介质 | |
| Engelmann et al. | The Basel II risk parameters: estimation, validation, and stress testing | |
| CN111369342A (zh) | 基于机器学习的贷款审批方法、装置、设备和存储介质 | |
| Hammer et al. | Reverse-engineering country risk ratings: a combinatorial non-recursive model | |
| Erlenmaier | The shadow rating approach: experience from banking practice | |
| CN111241161A (zh) | 发票信息挖掘方法、装置、计算机设备及存储介质 | |
| Svabova et al. | Prediction model of firms financial distress | |
| CN112529575A (zh) | 风险预警方法、设备、存储介质及装置 | |
| CN113554228A (zh) | 还款率预测模型的训练方法及还款率的预测方法 | |
| CN112990989B (zh) | 价值预测模型输入数据生成方法、装置、设备和介质 | |
| CN111340365A (zh) | 企业数据处理方法、装置、计算机设备和存储介质 | |
| CN114119213A (zh) | 融资业务的风险检测方法、装置、计算机设备及存储介质 | |
| CN111242779A (zh) | 金融数据特征选择和预测方法、装置、设备及存储介质 | |
| CN115269437A (zh) | 测试用例推荐方法、装置、计算机设备及存储介质 | |
| CN114692785B (zh) | 行为分类方法、装置、设备及存储介质 | |
| CN115018625A (zh) | 征信融合报告生成方法、装置、设备及存储介质 | |
| CN115392921A (zh) | 退款业务的处理方法、装置、计算机设备及存储介质 | |
| CN111507829A (zh) | 境外信用卡风控模型迭代方法、装置、设备以及存储介质 | |
| CN115018529A (zh) | 理财广告的生成方法、装置、设备及存储介质 | |
| CN113744046A (zh) | 业务数据处理方法、装置、计算机设备及存储介质 | |
| CN117807545B (zh) | 一种基于数据挖掘的异常检测方法及系统 | |
| Stupariu et al. | The disparity in PD and LGD estimates within the IRB framework and prospects for future improvement | |
| CN110659978A (zh) | 数据处理方法、装置、计算机设备和存储介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220301 |