CN114565463A - 资金回流风险识别方法及装置、存储介质及电子设备 - Google Patents
资金回流风险识别方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114565463A CN114565463A CN202210202545.5A CN202210202545A CN114565463A CN 114565463 A CN114565463 A CN 114565463A CN 202210202545 A CN202210202545 A CN 202210202545A CN 114565463 A CN114565463 A CN 114565463A
- Authority
- CN
- China
- Prior art keywords
- backflow
- risk
- reflux
- transaction data
- risk score
- 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
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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供了一种资金回流风险识别方法及装置、存储介质及电子设备,可应用于供应链金融领域,通过获取监测区间内,银行交易系统中链条企业关联的各个交易数据,针对每个交易数据,判断交易数据的资金流入方是否为核心企业,且交易数据中的交易金额大于预设数值,若是,则确定交易数据为异常交易数据;若存在异常交易数据,基于异常交易数据,确定信贷业务发放数据的资金回流风险等级,以及基于资金回流风险等级,生成回流风险提示信息。可见,可以自动识别资金回流风险,确定资金回流风险等级,以及基于资金回流风险等级,生成回流风险提示信息,从而实现了保障银行资产的安全,提高了资金回流风险识别的效率、以及提高了排查的全面性与准确性。
Description
技术领域
本申请涉及供应链金融领域,尤其涉及一资金回流风险识别方法及装置、存储介质及电子设备。
背景技术
供应链金融是中小企业的重要融资渠道,在供应链金融中,链条企业可以凭借与核心业务的“赊销关系”形成的应收账款作为授信依据,从银行获取信贷资金。然而,存在核心企业通过虚构与链条企业之间的交易合同,形成虚假应收账单,链条企业以供应链形式在银行获取信贷资金后,将资金转入核心企业账户供核心企业使用的情况,也就是在不增加核心企业授信的情况下,信贷资金从链条企业回流至核心企业,从而形式了套取银行信贷资金的风险,也就是存在资金回流至核心企业的风险。
因此,如何提供一种识别资金回流风险,以保障银行资产安全的方案,是目前本领域技术人员亟需解决的技术问题。
发明内容
本申请提供了一种资金回流风险识别方法及装置、存储介质及电子设备,目的在识别资金回流风险,从而保障银行资产安全。
为了实现上述目的,本申请提供了以下技术方案:
一种资金回流风险识别方法,包括:
获取信贷业务发放数据,并确定所述信贷业务发放数据对应的链条企业;
确定所述链条企业对应的核心企业;
获取监测区间内,银行交易系统中所述链条企业关联的各个交易数据;其中;所述监测区间基于信贷业务发放数据包括的发放时间设置;
针对每个交易数据,判断所述交易数据的资金流入方是否为所述核心企业,且所述交易数据中的交易金额大于预设数值,若是,则确定所述交易数据为异常交易数据,若否,则确定所述交易数据不为异常交易数据;
若存在异常交易数据,则基于异常交易数据,获取回流比例、回流时间、回流渠道和回流备注;所述回流比例为回流金额与所述信贷业务发放数据包括的贷款金额之间的比值;
基于所述回流比例、所述回流时间、所述回流渠道和所述回流备注,确定所述信贷业务发放数据的资金回流风险等级;
基于所述资金回流风险等级,生成回流风险提示信息。
上述的方法,可选的,所述基于异常交易数据,获取回流比例、回流时间、回流渠道和回流备注,包括:
对所述异常交易数据进行解析,得到所述异常交易数据的解析结果;
基于异常交易数据的解析结果,获取所述异常交易数据对应的回流金额、回流时间、回流渠道和初始回流备注;
对所述回流金额和所述信贷业务发放数据包括的贷款金额进行计算,得到回流比例。
上述的方法,可选的,所述基于所述回流比例、所述回流时间、所述回流渠道和所述回流备注,确定所述信贷业务发放数据的资金回流风险等级,包括:
基于所述回流比例、所述回流时间、所述回流渠道和所述回流备注,通过预设的风险评论表,确定所述回流比例的风险评分、所述回流时间的风险评分、所述回流渠道的风险评分和所述回流备注的风险评分;
判断所述回流比例的风险评分、所述回流时间的风险评分、所述回流渠道的风险评分和所述回流备注的风险评分中,是否存在大于预设第一阈值的风险评分;
若存在大于预设第一阈值的风险评分,则确定所述信贷业务发放数据的资金回流风险等级为高风险等级;
若不存在大于预设第一阈值的风险评分,则基于所述回流比例的风险评分、所述回流时间的风险评分、所述回流渠道的风险评分和所述回流备注的风险评分,计算总风险评分;
判断所述总风险评分是否大于预设第二阈值;
若所述总风险评分大于预设第二阈值,则确定所述信贷业务发放数据的资金回流风险等级为高风险等级;
若所述总风险评分不大于预设第二阈值,则确定所述信贷业务发放数据的资金回流风险等级不为高风险等级。
上述的方法,可选的,所述基于所述资金回流风险等级,生成回流风险提示信息,包括:
将预设的回流风险提示模板中与所述资金回流风险等级对应的回流风险提示模板确定为目标模板;
基于所述总风险评分、所述回流比例、所述回流时间、所述对流渠道和所述回流备注,调用所述目标模板,生成回流风险提示信息。
上述的方法,可选的,所述基于所述资金回流风险等级,生成回流风险提示信息之后,还包括:
将所述回流风险提示信息发送至信贷业务人员终端,以提示信贷业务人员及时进行核查;
获取所述信贷业务人员反馈的核查结果。
一种资金回流风险识别装置,包括:
第一获取单元,用于获取信贷业务发放数据,并确定所述信贷业务发放数据对应的链条企业;
第一确定单元,用于确定所述链条企业对应的核心企业;
第二获取单元,用于获取监测区间内,银行交易系统中所述链条企业关联的各个交易数据;其中;所述监测区间基于信贷业务发放数据包括的发放时间设置;
判断单元,用于针对每个交易数据,判断所述交易数据的资金流入方是否为所述核心企业,且所述交易数据中的交易金额大于预设数值,若是,则确定所述交易数据为异常交易数据,若否,则确定所述交易数据不为异常交易数据;
第三获取单元,用于若存在异常交易数据,则基于异常交易数据,获取回流比例、回流时间、回流渠道和回流备注;所述回流比例为回流金额与所述信贷业务发放数据包括的贷款金额之间的比值;
第二确定单元,用于基于所述回流比例、所述回流时间、所述回流渠道和所述回流备注,确定所述信贷业务发放数据的资金回流风险等级;
生成单元,用于基于所述资金回流风险等级,生成回流风险提示信息。
上述的装置,可选的,所述第三获取单元具体用于:
对所述异常交易数据进行解析,得到所述异常交易数据的解析结果;
基于异常交易数据的解析结果,获取所述异常交易数据对应的回流金额、回流时间、回流渠道和初始回流备注;
对所述回流金额和所述信贷业务发放数据包括的贷款金额进行计算,得到回流比例。
上述的装置,可选的,所述第二确定单元具体用于:
基于所述回流比例、所述回流时间、所述回流渠道和所述回流备注,通过预设的风险评论表,确定所述回流比例的风险评分、所述回流时间的风险评分、所述回流渠道的风险评分和所述回流备注的风险评分;
判断所述回流比例的风险评分、所述回流时间的风险评分、所述回流渠道的风险评分和所述回流备注的风险评分中,是否存在大于预设第一阈值的风险评分;
若存在大于预设第一阈值的风险评分,则确定所述信贷业务发放数据的资金回流风险等级为高风险等级;
若不存在大于预设第一阈值的风险评分,则基于所述回流比例的风险评分、所述回流时间的风险评分、所述回流渠道的风险评分和所述回流备注的风险评分,计算总风险评分;
判断所述总风险评分是否大于预设第二阈值;
若所述总风险评分大于预设第二阈值,则确定所述信贷业务发放数据的资金回流风险等级为高风险等级;
若所述总风险评分不大于预设第二阈值,则确定所述信贷业务发放数据的资金回流风险等级不为高风险等级。
一种存储介质,所述存储介质存储有指令集,其中,所述指令集被处理器执行时实现如上述的资金回流风险识别方法。
一种电子设备,包括:
存储器,用于存储至少一组指令集;
处理器,用于执行所述存储器中存储的指令集,通过执行所述指令集实现如上述的资金回流风险识别方法。
与现有技术相比,本申请包括以下优点:
本申请提供了一种资金回流风险识别方法及装置、存储介质及电子设备,通过获取监测区间内,银行交易系统中链条企业关联的各个交易数据,针对每个交易数据,判断交易数据的资金流入方是否为核心企业,且交易数据中的交易金额大于预设数值,若是,则确定交易数据为异常交易数据,并在存在异常交易数据时,基于异常交易数据,获取回流比例、回流时间、回流渠道和回流备注,基于回流比例、回流时间、回流渠道和回流备注,确定信贷业务发放数据的资金回流风险等级,基于资金回流风险等级,生成回流风险提示信息。可见,本申请方案,可以自动识别资金回流风险,确定资金回流风险等级,以及基于资金回流风险等级,生成回流风险提示信息,从而实现了保障银行资产的安全,且提高了资金回流风险识别的效率、以及提高了排查的全面性与准确性。
附图说明
为了更清楚地说明本申请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申请的实施例,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为本申请提供的一种资金回流风险识别方法的方法流程图;
图2为本申请提供的一种资金回流风险识别方法的又一方法流程图;
图3为本申请提供的一种资金回流风险识别方法的又一方法流程图;
图4为本申请提供的一种资金回流风险识别方法的又一方法流程图;
图5为本申请提供的一种资金回流风险识别方法的又一方法流程图;
图6为本申请提供的一种资金回流风险识别装置的结构示意图;
图7为本申请提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本申请公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本申请公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本申请可用于众多通用或专用的计算装置环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。
本实施例中,为了便于理解,对本申请涉及的相关名词进行说明如下:
供应链金融(Supply Chain Finance,简称SCF):是围绕核心企业管理上下游中小企业的资金流、物流和信息流,并把单个企业的不可控风险转变为供应链企业整体的可控风险,通过立体获取各类信息,将风险控制在最低的金融服务。
核心企业:指在产业链链条中处于核心地位的大中型企事业单位等。
链条企业:指为核心企业提供货物或服务的供应商或其穿透N层的所有上游链条企业,包括企事业单位、个体工商户、商户、农户等。
应收账款:指企业因提供商品、服务或者出租资产而形成的金钱债权及其产生的收益,包括但不限于应收账款本金、利息、违约金、损害赔偿金,以及担保权利、保险权益等所有主债权的从债权,以及与主债权相关的其他权益,不包括因票据或其他有价证券而产生的付款请求权。
资金回流:指信贷资金发放至上游链条企业后,由链条企业及其关联账户返回至核心企业及其关联账户的行为。
本申请实施例提供了一种资金回流风险识别方法,该方法可以应用回流风险识别模型,资金回流风险识别方法的流程图如图1所示,具体包括:
S101、获取信贷业务发放数据,并确定信贷业务发放数据对应的链条企业。
本实施例中,在信贷资金发放后,获取信贷业务发放数据,具体的,从银行信贷业务数据系统中,根据授信品种名称,识别并提取信贷业务发放数据。其中,授信品种名称用于标识供应链信贷业务的信贷业务发放数据,
其中,信贷业务发放数据中包括但不限于:信贷业务的发放对象、发放金额和发放时间。
本实施例中,确定信贷业务发放数据对应的链条企业,具体的,确定信贷业务发放数据中包括的信贷业务的发放对象,将该发放对象确定为下信贷业务发放数据对应的链条企业。
S102、确定链条企业对应的核心企业。
本实施例中,确定链条企业对应的核心企业,具体的,基于供应链企业的企业信息,获取链条企业对应的核心企业的企业信息,基于核心企业的企业信息,确定链条企业对应的核心企业。
S103、获取监测区间内,银行交易系统中该链条企业关联的各个交易数据;其中,监测区间基于信贷业务发放数据的发放时间设置。
本实施例中,基于信贷业务发放数据包括的发放时间,设置监测区间,示例性的,可以设置监测区间为信贷资金发放后180天内。
本实施例中,获取监测区间内,银行交易系统中该链条企业关联的各个交易数据,也就是获取银行交易系统包括的各个交易数据中,归属于监测区间内,且与该链条企业关联的各个交易数据。
本实施例中,获取监测区间内,银行交易系统中该链条企业关联的各个交易数据的过程,具体包括:判断信贷业务发放数据包括的贷款金额是否大于预设起点金额,若信贷业务发放数据包括的贷款金额大于预设的起点金额,则获取监测区间内,银行交易系统中该链条企业关联的各个交易数据。
示例性的,预设起点金额可以是10万元。
S104、针对每个交易数据,判断交易数据的资金流入方是否为核心企业,且交易数据中的交易金额大于预设数值,若否,执行S105,若是,执行S106。
本实施例中,针对每个交易数据,判断交易数据中的资金流入方是否为核心企业,且交易数据中的交易金额大于预设数值,也就是判断是否为交易金额大于预设数值,交易资金由链条企业流向核心企业的交易数据。
示例性的,预设数值为1万元。
需要说明的是,本申请对异常交易数据的监测涉及四个参数变量,(1)监测区间;(2)贷款金额;(3)交易金额;(4)交易渠道。其中,自身交易和关联方交易。例如,对10万元以上贷款在发放至链条企业后180天以内通过自身及关联方流入核心企业,且流入金额在1万元以上的交易开展自动化监测。
S105、确定交易数据不为异常交易数据。
本实施例中,针对每个交易数据,若交易数据的资金流入方不为核心企业,或交易数据中的交易金额不大于预设数值,则确定交易数据不为异常交易数据。
本实施例中,若所有的交易数据均不为异常交易数据,则结束流程。
S106、确定交易数据为异常交易数据。
本实施例中,针对每个交易数据,若交易数据的资金流入方为核心企业,且交易数据中的交易金额大于预设数值,则确定交易数据为异常交易数据。
S107、基于异常交易数据,获取回流比例、回流时间、回流渠道和回流备注。
本实施例中,若存在异常交易数据,则基于异常交易数据,获取回流比例、回流时间、回流渠道和回流备注;其中,回流比例为回流金额与信贷业务发放数据包括的贷款金额之间的比值。
本实施例中,参阅图2,基于异常交易数据,获取回流比例、回流时间、回流渠道和回流备注的过程,具体包括以下步骤:
S201、对异常交易数据进行解析,得到异常交易数据的解析结果。
本实施例中,对异常交易数据进行解析,得到异常交易数据的解析结果,解析结果中包括但不限于账户信息、交易时间、交易渠道、备注和交易金额等资金流转数据。
S202、基于异常交易数据的解析结果,获取异常交易数据对应的回流金额、回流时间、回流渠道和初始回流备注。
本实施例中,基于异常交易数据的解析结果,获取异常交易数据对应的回流金额,回流时间、回流渠道和初始回流备注,具体的,将异常交易数据的解析结果中的交易金额作为回流金额;基于解析结果中的交易时间和信贷业务发放数据中的发放时间,计算回流时间,具体的,将交易时间减去发放时间,得到回流时间;将解析结果中的交易渠道作为回流渠道;将解析数据中的备注作为回流备注。
S203、对回流金额和信贷业务发放数据包括的贷款金额进行计算,得到回流比例。
本实施例中,对回流金额和信贷业务发放数据包括的贷款金额进行计算,得到回流比例,具体的,将回流金额除以信贷业务发放数据包括的贷款金额,再乘以百分数,从而得到回流比例。例如银行发放100万贷款,贷款支付至链条企业账户,链条企业次日转入90万资金至核心企业账户,回流比例即为90%。
S108、基于回流比例、回流时间、回流渠道和回流备注,确定信贷业务发放数据的资金回流风险等级。
本实施例中,基于回流比例、回流时间、回流渠道和回流备注,确定信贷业务发放数据的资金回流风险等级。
参阅图3,基于回流比例、回流时间、回流渠道和回流备注,确定信贷业务发放数据的资金回流风险等级的过程,具体包括以下步骤:
S301、基于回流比例、回流时间、回流渠道和回流备注,通过预设的风险评论表,确定回流比例的风险评分、回流时间的风险评分、回流渠道的风险评分和回流备注的风险评分。
本实施例中,预设风险评分表,风险评分中包括多个指标项的评分标准,其中,指标项包括回流比例、回流时间、回流渠道、回流备注。
其中,风险评分表如表1所示。
表1风险评分表
本实施例中,基于回流比例、回流时间、回流渠道和回流备注,通过预设的风险评分表,得到回流比例的风险评分、回流时间的风险评分、回流渠道的风险评分和回流备注的风险评分。
例如,回流比例为70%,则回流比例的风险评分为10,回流时间为贷款发放后2个月内,则回流时间的风险评分为6,回流渠道为自身交易,则回流渠道的风险评分为10,回流备注不包含相关字眼,则回流备注的风险评分为6。
需要说明的是,预设的风险评分表可以根据需求进行调整。
S302、判断回流比例的风险评分、回流时间的风险评分、回流渠道的风险评分和回流备注的风险评分中,是否存在大于预设第一阈值的风险评分,若是,执行S303,若否,执行S304。
本实施例中,判断回流比例的风险评分、回流时间的风险评分、回流渠道的风险评分和回流备注的风险评分中,是否存在与预设第一阈值的风险评分。
示例性的,预设第一阈值可以是10。
S303、确定信贷业务发放数据的资金回流风险等级为高风险等级。
本实施例中,若回流比例的风险评分、回流时间的风险评分、回流渠道的风险评分和回流备注的风险评分中,存在大于预设第一阈值的风险评分,则确定信贷业务发放数据的资金回流风险等级为高风险等级,也就是确定信贷业务发放数据的资金回流风险等级为红色回流风险等级。
本实施例中,若回流比例的风险评分、回流时间的风险评分、回流渠道的风险评分和回流备注的风险评分中,不存在大于预设第一阈值的风险评分,但是总风险评分大于预设第二阈值,则确定信贷业务发放数据的资金回流风险等级为高风险等级。
S304、基于回流比例的风险评分、回流时间的风险评分、回流渠道的风险评分和回流备注的风险评分,计算总风险评分。
本实施例中,若回流比例的风险评分、回流时间的风险评分、回流渠道的风险评分和回流备注的风险评分中,不存在大于预设第一阈值的风险评分,则基于回流比例的风险评分、回流时间的风险评分、回流渠道的风险评分和回流备注的风险评分,计算总风险评分,具体的,将基于回流比例的风险评分、回流时间的风险评分、回流渠道的风险评分和回流备注的风险评分进行求和计算,从而得到总风险评分。
S305、判断总风险评分是否大于预设第二阈值,若是,执行S303,若否,执行S306。
本实施例中,判断总风险评分是否大于预设第二阈值,示例性的,预设第二阈值可以为28。
S306、确定信贷业务发放数据的资金回流风险等级不为高风险等级。
本实施例中,若总风险评分不大于预设第二阈值,则确定信贷业务发放数据的资金回流风险等级不为高风险等级,也就是确定信贷业务发放数据的资金回流风险等级为橙色回流风险等级。
S109、基于资金回流风险等级,生成回流风险提示信息。
本实施例中,基于资金回流风险,生成回流风险提示信息。
本实施例中,参阅图4,基于资金回流风险等级,生成回流风险提示信息的过程,具体包括以下步骤:
S401、将预设的回流风险提示模板中与资金回流风险等级对应的回流风险提示模板确定为目标模板。
S402、基于总风险评分、回流比例、回流时间、对流渠道和回流备注,调用目标模板,生成回流风险提示信息。
本实施例中,预设多个回流风险提示模板,回流风险提示模板与资金回流风险等级关联,不同资金回流风险等级对应的不同的回流风险提示模板。
本实施例中,将预设的回流风险提示模板中与资金回流风险等级对应的回流风险提示模板确定为目标模板,并将于总风险评分、回流比例、回流时间、回流渠道到和回流备注,调用目标模板,生成回流风险提示信息,具体的,将回流比例、回流时间、回流渠道和回流备注对应填写至目标模板中,得到回流风险提示信息。
示例性的,若资金回流风险等级为高风险等级,总风险评分为40,回流比例为80%,回流时间为贷款发放后一个月内,回流渠道为自身交易,回流备注为“退预付款”,则回流风险提示信息为:【回流风险-红色】客户供应链贷款资金发放后于1月内通过自身交易回流核心企业,回流比例为80%,交易备注为“退预付款”,回流风险分值为40分,具备极大的资金回流可能性。
示例性的,若资金回流风险等级不为高风险等级,总风险评分为24,回流比例为20%,回流时间为贷款发放3个月以上,回流渠道为关联方交易,回流备注为“汇款”,则回流风险提示信息为:【回流风险-橙色】客户供应链贷款资金发放后于3个月以上通过关联交易回流核心企业,回流比例为20%,交易备注为“汇款”,回流分值为24,存在一定资金回流可能性。
本申请实施例提供的资金回流风险识别方法,通过获取监测区间内,银行交易系统中链条企业关联的各个交易数据,针对每个交易数据,判断交易数据的资金流入方是否为核心企业,且交易数据中的交易金额大于预设数值,若是,则确定交易数据为异常交易数据,并在存在异常交易数据时,基于异常交易数据,获取回流比例、回流时间、回流渠道和回流备注,基于回流比例、回流时间、回流渠道和回流备注,确定信贷业务发放数据的资金回流风险等级,基于资金回流风险等级,生成回流风险提示信息。可见,本申请方案,可以自动识别资金回流风险,确定资金回流风险等级,以及基于资金回流风险等级,生成回流风险提示信息,从而实现了保障银行资产的安全,且提高了资金回流风险识别的效率、以及提高了排查的全面性与准确性。
本实施例中,参阅图5,本申请实施例提供的资金回流风险识别方法,在步骤S109之后,还可以包括以下步骤:
S501、将回流风险提示信息发送至信贷业务人员终端,以提示信贷业务人员及时进行核查。
本实施例中,在生成回流风险提示信息之后,将回流风险提示信息发送至信贷业务人员终端,以提示信贷业务人员及时进行核查。
本实施例中,信贷业务人员对回流风险提示信息中的内容进行核查处理,核查处理包括但不限于联系客户和查看企业资料等。
S502、获取信贷业务人员反馈的核查结果。
本实施例中,信贷业务人员在完成核查后,反馈核查结果,反馈的核查结果中包括各个指标项(回流比例、回流时间、回流渠道和回流备注)是否属性,是否存在资金回流风险。
本实施例中,获取信贷业务人员反馈的核查结果。
可选的,可以对信贷业务人员反馈的核查结果进行存储。以便于基于核查结果,对回流风险识别模型进行优化。
本实施例中,可以将回流风险提示信息发放至信贷业务人员终端,以便信贷业务人员及时核查相关业务风险,从而降低银行资产损失。
需要说明的是,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。
应当理解,本申请公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本申请公开的范围在此方面不受限制。
与图1所述的方法相对应,本申请实施例还提供了一种资金回流风险识别装置,用于对图1中方法的具体实现,其结构示意图如图6所示,具体包括:
第一获取单元601,用于获取信贷业务发放数据,并确定所述信贷业务发放数据对应的链条企业;
第一确定单元602,用于确定所述链条企业对应的核心企业;
第二获取单元603,用于获取监测区间内,银行交易系统中所述链条企业关联的各个交易数据;其中;所述监测区间基于信贷业务发放数据包括的发放时间设置;
判断单元604,用于针对每个交易数据,判断所述交易数据的资金流入方是否为所述核心企业,且所述交易数据中的交易金额大于预设数值,若是,则确定所述交易数据为异常交易数据,若否,则确定所述交易数据不为异常交易数据;
第三获取单元605,用于若存在异常交易数据,则基于异常交易数据,获取回流比例、回流时间、回流渠道和回流备注;所述回流比例为回流金额与所述信贷业务发放数据包括的贷款金额之间的比值;
第二确定单元606,用于基于所述回流比例、所述回流时间、所述回流渠道和所述回流备注,确定所述信贷业务发放数据的资金回流风险等级;
生成单元607,用于基于所述资金回流风险等级,生成回流风险提示信息。
本申请实施例提供的资金回流风险识别装置中,通过获取监测区间内,银行交易系统中链条企业关联的各个交易数据,针对每个交易数据,判断交易数据的资金流入方是否为核心企业,且交易数据中的交易金额大于预设数值,若是,则确定交易数据为异常交易数据,并在存在异常交易数据时,基于异常交易数据,获取回流比例、回流时间、回流渠道和回流备注,基于回流比例、回流时间、回流渠道和回流备注,确定信贷业务发放数据的资金回流风险等级,基于资金回流风险等级,生成回流风险提示信息。可见,本申请方案,可以自动识别资金回流风险,确定资金回流风险等级,以及基于资金回流风险等级,生成回流风险提示信息,从而实现了保障银行资产的安全,且提高了资金回流风险识别的效率、以及提高了排查的全面性与准确性。
在本申请的一个实施例中,基于前述方案,第三获取单元605具体用于:
对所述异常交易数据进行解析,得到所述异常交易数据的解析结果;
基于异常交易数据的解析结果,获取所述异常交易数据对应的回流金额、回流时间、回流渠道和初始回流备注;
对所述回流金额和所述信贷业务发放数据包括的贷款金额进行计算,得到回流比例。
在本申请的一个实施例中,基于前述方案,第二确定单元606具体用于:
基于所述回流比例、所述回流时间、所述回流渠道和所述回流备注,通过预设的风险评论表,确定所述回流比例的风险评分、所述回流时间的风险评分、所述回流渠道的风险评分和所述回流备注的风险评分;
判断所述回流比例的风险评分、所述回流时间的风险评分、所述回流渠道的风险评分和所述回流备注的风险评分中,是否存在大于预设第一阈值的风险评分;
若存在大于预设第一阈值的风险评分,则确定所述信贷业务发放数据的资金回流风险等级为高风险等级;
若不存在大于预设第一阈值的风险评分,则基于所述回流比例的风险评分、所述回流时间的风险评分、所述回流渠道的风险评分和所述回流备注的风险评分,计算总风险评分;
判断所述总风险评分是否大于预设第二阈值;
若所述总风险评分大于预设第二阈值,则确定所述信贷业务发放数据的资金回流风险等级为高风险等级;
若所述总风险评分不大于预设第二阈值,则确定所述信贷业务发放数据的资金回流风险等级不为高风险等级。
在本申请的一个实施例中,基于前述方案,生成单元607具体用于:
将预设的回流风险提示模板中与所述资金回流风险等级对应的回流风险提示模板确定为目标模板;
基于所述总风险评分、所述回流比例、所述回流时间、所述对流渠道和所述回流备注,调用所述目标模板,生成回流风险提示信息。
在本申请的一个实施例中,基于前述方案,还可以配置为:
发送单元,用于将所述回流风险提示信息发送至信贷业务人员终端,以提示信贷业务人员及时进行核查;
第四获取单元,用于获取所述信贷业务人员反馈的核查结果。
本申请实施例还提供了一种存储介质,所述存储介质存储有指令集,其中,在所述指令集运行时执行如上文任一实施例公开的资金回流风险识别方法。
本申请实施例还提供了一种电子设备,其结构示意图如图7所示,具体包括存储器701,用于存储至少一组指令集;处理器702,用于执行所述存储器中存储的指令集,通过执行所述指令集实现如上文任一实施例公开的资金回流风险识别方法。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本申请公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
以上描述仅为本申请公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种资金回流风险识别方法,其特征在于,包括:
获取信贷业务发放数据,并确定所述信贷业务发放数据对应的链条企业;
确定所述链条企业对应的核心企业;
获取监测区间内,银行交易系统中所述链条企业关联的各个交易数据;其中;所述监测区间基于信贷业务发放数据包括的发放时间设置;
针对每个交易数据,判断所述交易数据的资金流入方是否为所述核心企业,且所述交易数据中的交易金额大于预设数值,若是,则确定所述交易数据为异常交易数据,若否,则确定所述交易数据不为异常交易数据;
若存在异常交易数据,则基于异常交易数据,获取回流比例、回流时间、回流渠道和回流备注;所述回流比例为回流金额与所述信贷业务发放数据包括的贷款金额之间的比值;
基于所述回流比例、所述回流时间、所述回流渠道和所述回流备注,确定所述信贷业务发放数据的资金回流风险等级;
基于所述资金回流风险等级,生成回流风险提示信息。
2.根据权利要求1所述的方法,其特征在于,所述基于异常交易数据,获取回流比例、回流时间、回流渠道和回流备注,包括:
对所述异常交易数据进行解析,得到所述异常交易数据的解析结果;
基于异常交易数据的解析结果,获取所述异常交易数据对应的回流金额、回流时间、回流渠道和初始回流备注;
对所述回流金额和所述信贷业务发放数据包括的贷款金额进行计算,得到回流比例。
3.根据权利要求2所述的方法,其特征在于,所述基于所述回流比例、所述回流时间、所述回流渠道和所述回流备注,确定所述信贷业务发放数据的资金回流风险等级,包括:
基于所述回流比例、所述回流时间、所述回流渠道和所述回流备注,通过预设的风险评论表,确定所述回流比例的风险评分、所述回流时间的风险评分、所述回流渠道的风险评分和所述回流备注的风险评分;
判断所述回流比例的风险评分、所述回流时间的风险评分、所述回流渠道的风险评分和所述回流备注的风险评分中,是否存在大于预设第一阈值的风险评分;
若存在大于预设第一阈值的风险评分,则确定所述信贷业务发放数据的资金回流风险等级为高风险等级;
若不存在大于预设第一阈值的风险评分,则基于所述回流比例的风险评分、所述回流时间的风险评分、所述回流渠道的风险评分和所述回流备注的风险评分,计算总风险评分;
判断所述总风险评分是否大于预设第二阈值;
若所述总风险评分大于预设第二阈值,则确定所述信贷业务发放数据的资金回流风险等级为高风险等级;
若所述总风险评分不大于预设第二阈值,则确定所述信贷业务发放数据的资金回流风险等级不为高风险等级。
4.根据权利要求3所述的方法,其特征在于,所述基于所述资金回流风险等级,生成回流风险提示信息,包括:
将预设的回流风险提示模板中与所述资金回流风险等级对应的回流风险提示模板确定为目标模板;
基于所述总风险评分、所述回流比例、所述回流时间、所述对流渠道和所述回流备注,调用所述目标模板,生成回流风险提示信息。
5.根据权利要求1或4所述的方法,其特征在于,所述基于所述资金回流风险等级,生成回流风险提示信息之后,还包括:
将所述回流风险提示信息发送至信贷业务人员终端,以提示信贷业务人员及时进行核查;
获取所述信贷业务人员反馈的核查结果。
6.一种资金回流风险识别装置,其特征在于,包括:
第一获取单元,用于获取信贷业务发放数据,并确定所述信贷业务发放数据对应的链条企业;
第一确定单元,用于确定所述链条企业对应的核心企业;
第二获取单元,用于获取监测区间内,银行交易系统中所述链条企业关联的各个交易数据;其中;所述监测区间基于信贷业务发放数据包括的发放时间设置;
判断单元,用于针对每个交易数据,判断所述交易数据的资金流入方是否为所述核心企业,且所述交易数据中的交易金额大于预设数值,若是,则确定所述交易数据为异常交易数据,若否,则确定所述交易数据不为异常交易数据;
第三获取单元,用于若存在异常交易数据,则基于异常交易数据,获取回流比例、回流时间、回流渠道和回流备注;所述回流比例为回流金额与所述信贷业务发放数据包括的贷款金额之间的比值;
第二确定单元,用于基于所述回流比例、所述回流时间、所述回流渠道和所述回流备注,确定所述信贷业务发放数据的资金回流风险等级;
生成单元,用于基于所述资金回流风险等级,生成回流风险提示信息。
7.根据权利要求6所述的装置,其特征在于,所述第三获取单元具体用于:
对所述异常交易数据进行解析,得到所述异常交易数据的解析结果;
基于异常交易数据的解析结果,获取所述异常交易数据对应的回流金额、回流时间、回流渠道和初始回流备注;
对所述回流金额和所述信贷业务发放数据包括的贷款金额进行计算,得到回流比例。
8.根据权利要求7所述的装置,其特征在于,所述第二确定单元具体用于:
基于所述回流比例、所述回流时间、所述回流渠道和所述回流备注,通过预设的风险评论表,确定所述回流比例的风险评分、所述回流时间的风险评分、所述回流渠道的风险评分和所述回流备注的风险评分;
判断所述回流比例的风险评分、所述回流时间的风险评分、所述回流渠道的风险评分和所述回流备注的风险评分中,是否存在大于预设第一阈值的风险评分;
若存在大于预设第一阈值的风险评分,则确定所述信贷业务发放数据的资金回流风险等级为高风险等级;
若不存在大于预设第一阈值的风险评分,则基于所述回流比例的风险评分、所述回流时间的风险评分、所述回流渠道的风险评分和所述回流备注的风险评分,计算总风险评分;
判断所述总风险评分是否大于预设第二阈值;
若所述总风险评分大于预设第二阈值,则确定所述信贷业务发放数据的资金回流风险等级为高风险等级;
若所述总风险评分不大于预设第二阈值,则确定所述信贷业务发放数据的资金回流风险等级不为高风险等级。
9.一种存储介质,其特征在于,所述存储介质存储有指令集,其中,所述指令集被处理器执行时实现如权利要求1-5任意一项所述的资金回流风险识别方法。
10.一种电子设备,其特征在于,包括:
存储器,用于存储至少一组指令集;
处理器,用于执行所述存储器中存储的指令集,通过执行所述指令集实现如权利要求1-5任意一项所述的资金回流风险识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210202545.5A CN114565463A (zh) | 2022-03-02 | 2022-03-02 | 资金回流风险识别方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210202545.5A CN114565463A (zh) | 2022-03-02 | 2022-03-02 | 资金回流风险识别方法及装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114565463A true CN114565463A (zh) | 2022-05-31 |
Family
ID=81717247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210202545.5A Pending CN114565463A (zh) | 2022-03-02 | 2022-03-02 | 资金回流风险识别方法及装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565463A (zh) |
-
2022
- 2022-03-02 CN CN202210202545.5A patent/CN114565463A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10127554B2 (en) | Fraud early warning system and method | |
US8190480B1 (en) | System, non-transitory memory with computer program, and associated methods for micro-credit to prepaid cards | |
US8065187B2 (en) | System, program product, and associated methods to autodraw for micro-credit attached to a prepaid card | |
US20110166987A1 (en) | Evaluating Loan Access Using Online Business Transaction Data | |
CN111833182A (zh) | 识别风险对象的方法和装置 | |
CN112581283A (zh) | 商业银行员工交易行为分析及告警的方法及装置 | |
US8473413B2 (en) | Methods and systems for managing government issued entitlements | |
Funmi et al. | Bank fraud and its effect on Nigerian economy-A study of selected quoted banks | |
OKO | Electronic fraud and financial performance of quoted commercial banks in Nigeria | |
US11276065B2 (en) | Transaction lifecycle monitoring | |
JP6760875B2 (ja) | 口座管理装置及びプログラム | |
CN114565463A (zh) | 资金回流风险识别方法及装置、存储介质及电子设备 | |
JP6760874B2 (ja) | 情報処理装置及びプログラム | |
CN111445325B (zh) | 信用卡信息处理方法、装置、系统及存储介质 | |
JP6766023B2 (ja) | 情報処理装置及びプログラム | |
JP7016394B2 (ja) | 情報処理装置及びプログラム | |
CN114240610B (zh) | 资金自动归集方法、装置、计算机设备和存储介质 | |
Laksana et al. | The Effect of Operational Risks for Digital Banking Services at Banks | |
Zandi et al. | A Study to Determinants of Risk Management and Prevention in Credit Card Business in Commercial Banks | |
CN114757675A (zh) | 信贷客户异常识别方法及装置、存储介质及电子设备 | |
Forsström | How can financial institutions more efficiently prevent credit-card fraud and AML using AI and machine learning technologies? | |
CN116245629A (zh) | 银行员工套现行为的识别方法、装置、模型训练方法 | |
Ozelgin | New Regulations On Cryptocurrencies. | |
JP4494073B2 (ja) | 債権管理方法およびシステム | |
Mekkriengkrai et al. | Protection for Financial Services Clients of Thai Financial Institutions |
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 |