CN114611972B - 一种基于人工智能的商户信用评级系统及方法 - Google Patents
一种基于人工智能的商户信用评级系统及方法 Download PDFInfo
- Publication number
- CN114611972B CN114611972B CN202210278715.8A CN202210278715A CN114611972B CN 114611972 B CN114611972 B CN 114611972B CN 202210278715 A CN202210278715 A CN 202210278715A CN 114611972 B CN114611972 B CN 114611972B
- Authority
- CN
- China
- Prior art keywords
- credit
- merchant
- shareholder
- image
- industry
- 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.)
- Active
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims description 69
- 238000012549 training Methods 0.000 claims description 22
- 230000007774 longterm Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012827 research and development Methods 0.000 claims description 5
- 238000013526 transfer learning Methods 0.000 claims description 4
- 230000008521 reorganization Effects 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 9
- 238000011161 development Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000002407 reforming Methods 0.000 description 2
- 241000207961 Sesamum Species 0.000 description 1
- 235000003434 Sesamum indicum Nutrition 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011002 quantification Methods 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于人工智能的商户信用评级系统,包括内部信用评价模块以及外部信用评价模块;其中,内部信用评价模块用于根据商户本身的经营数据对商户的内部信用风险进行评价;外部信用评价模块用于根据行业趋势、股东信用和新闻舆情的数据对商户的外部信用风险进行评价。本发明的基于人工智能的商户信用评级系统和方法,不仅以商户自身的数据作为评价依据评价其内部信用风险,还考虑到一些至关重要的外部因素,例如行业趋势、股东信用以及新闻舆情等,能够有效地评估商户的外部信用风险,因而能够更为全面综合地评价商户的信用情况,避免做出错误的投资、融资、合作等商业决策。
Description
技术领域
本发明属于人工智能技术领域,特别涉及一种基于人工智能的商户信用评级系统及方法。
背景技术
信用是现代商业社会进行各种商业活动和商业行为的基础,商户作为商业活动的重要参与者,对其信用度进行客观、准确的评价对于许多商业决策而言是至关重要的。
然而,现有技术中,对企业商户的信用评价往往仅局限于企业自身的数据,而忽略了企业自身以外的其他因素的影响。例如,中国专利申请CN113421102A通过获取企业基本状况评分、财务指标状况评分、创新和发展能力状况评分、公共信用监管信息评分以及企业荣誉及获奖评分来综合评价一个企业的信用分。而中国专利申请CN10855007A通过区分旧客户和新客户,并获取旧客户的历史数据(包括年度销售总额、欠款金额、年度回款平均时间及年度退货次数等信息)以及新客户的企业资料,来评价一个企业的信用分。
发明内容
有鉴于现有技术的上述缺陷,本发明的目的在于提供一种基于人工智能的商户信用评级系统,不仅以商户自身的数据作为评价依据评价其内部信用风险,还考虑到一些至关重要的外部因素,例如行业趋势、股东信用以及新闻舆情等,能够有效地评估商户的外部信用风险,因而能够更为全面综合地评价商户的信用情况,避免做出错误的投资、融资、合作等商业决策。
为了达到上述目的,一方面,本发明提供了一种基于人工智能的商户信用评级系统,包括内部信用评价模块以及外部信用评价模块;其中,
所述内部信用评价模块用于根据商户本身的经营数据对商户的内部信用风险进行评价;
所述外部信用评价模块用于根据行业趋势、股东信用和新闻舆情的数据对商户的外部信用风险进行评价,包括行业趋势分析模块、股东信用分析模块、新闻舆情分析模块以及经过预训练的人工智能分析器模块;其中,
行业趋势分析模块用于形成商户所在行业的长期趋势图像;
股东信用分析模块用于形成与商户相关的股东信用图像;
新闻舆情分析模块用于形成与商户相关的新闻舆情图像;
经过预训练的人工智能分析器模块用于根据商户所在行业的长期趋势图像、与商户相关的股东信用图像和与商户相关的新闻舆情图像判断商户是否具有外部信用风险。
进一步地,内部信用评价模块又包括基本状况分析模块、财务指标分析模块、创新研发分析模块、公共信用分析模块以及荣誉获奖分析模块。内部信用评价模块的构建可以参考中国专利申请CN113421102A。例如,基本状况分析模块可以从人力资源状况、经营管理状况、竞争地位状况、发展前景等方面进行评价;财务指标分析模块可以从资金信用状况、资产运营状况、财务效益状况等方面进行评价;创新研发分析模块可以从创新能力状况、发展能力状况等方面进行评价;公共信用分析模块可以从注册地企业联合征信系统记录的信用行为情况、注册地企业征信系统记录的信用行为情况、注册地工商、税务、质监、金融、劳保行政主管部门记录的信用行为情况等方面进行评价;荣誉获奖分析模块可以从法人和商户本身所获荣誉奖项等方面进行评价。
进一步地,上述外部信用评价模块的作用有时对于评价商户的信用风险是至关重要的,因为“信用”归根结底是外界对于该商户信心和期望值的体现。商户自身经营数据亮眼确实可以给外界以信心,但某些外部情况的变化也可能造成外界对于商户信心和期望值的改变,从而影响商户的信用。现实生活中常常发生这样的事:某企业商户自身经营数据并不差,但是由于受到行业整体下行趋势的影响,或者受到某个人股东行为或决策的影响或者某公司股东业绩的拖累,又或者受到某突发负面新闻舆情的影响,造成该企业商户损失惨重,甚至破产倒闭。因此,评估可能对商户信用造成影响的外部风险是非常有必要的。
进一步地,人工智能分析器模块包括主干网络和分析网络;其中,主干网络根据与样本商户相关的行业趋势、股东信用和新闻舆情数据,被预训练用于学习判断商户是否具有外部信用风险,并将主干网络权重迁移至分析网络;迁移学习后的分析网络判断待分析商户是否具有外部信用风险。
另一方面,本发明还提供了一种基于人工智能的商户信用评级方法,包括根据商户本身的经营数据对商户的内部信用风险进行评价,以及根据行业趋势、股东信用和新闻舆情的数据对商户的外部信用风险进行评价;其中,对商户的外部信用风险进行评价包括以下步骤:
S1:获取与样本商户相关的行业趋势、股东信用和新闻舆情数据,以形成样本商户所在行业的长期趋势图像、与样本商户相关的股东信用图像和与样本商户相关的新闻舆情图像,将上述三种图像与样本商户的信用度关联,作为样本数据集;
S2:建立人工智能分析器模块的主干网络;
S3:利用样本数据集,对人工智能分析器模块的主干网络进行预训练;
S4:将预训练的人工智能分析器模块的主干网络权重迁移至人工智能分析器模块的分析网络;
S5:在样本数据集上迭代训练分析网络;
S6:获取与待分析商户相关的行业趋势、股东信用和新闻舆情数据,以形成待分析商户所在行业的长期趋势图像、与待分析商户相关的股东信用图像和与待分析商户相关的新闻舆情图像;
S7:将待分析商户所在行业的长期趋势图像、与待分析商户相关的股东信用图像和与待分析商户相关的新闻舆情图像作为步骤S5中迭代训练得到的分析网络的输入,得到关于待分析商户是否具有外部信用风险的评价结果。
进一步地,步骤S1中的样本商户包括信用良好的商户和信用较差的商户。其中,信用较差的商户是指申请破产清算、破产重整或破产和解的公司或者被责令退市的上市公司。
进一步地,步骤S1中的样本商户的数量大于100个,其中信用较差的商户的数量不少于50%。优选地,样本商户的数量大于200个。
进一步地,步骤S1中的样本商户中,上市公司不少于20%。
进一步地,步骤S1中的样本商户的信用度来自于银行、金融机构(例如芝麻企业信用)或信用评级机构的信用评级。例如,信用度可以采用打分制,信用度满分为100分,如发生影响信用评级的事件,则在事件发生的当日信用度进行相应地扣减。例如,每发生银行贷款逾期一次,信用度扣减10分:某商户初始信用度为100分,在2021年10月11日发生银行贷款逾期,则在当日信用度下降为90分。信用评级机构每下调一级扣减10分:某商户初始信用评级为AAA级,对应信用度为100分,在2021年10月18日被下调信用评级至AA级,则在当日信用度下降为90分。如商户遭遇破产清算、破产重整、破产和解或者被责令退市,则在遭遇上述事件的当日信用度直接下降为0分。当然,样本商户的信用度的设置方式不限于上述方式,只要可以进行量化并且全系统统一即可。
进一步地,步骤S1或S6中获取与样本商户或待分析商户相关的行业趋势、股东信用和新闻舆情数据不少于最近3年的数据;优选地,不少于最近5年的数据;如即使获取所有数据也不足3年,则全部获取。
进一步地,步骤S1或S6中获取与样本商户或待分析商户相关的行业趋势数据并形成商户所在行业的长期趋势图像的方法是:判断商户是否为上市公司,若是,则获取其所在股市的行业板块的月K线走势图(某些上市公司由于业务多元,可能同属多个行业板块,获取全部行业板块的月K线走势图);若否,则获取该商户所提供的主要产品或服务,在A股中找到与所述主要产品或服务相对应的行业板块,获取行业板块的月K线走势图(也可能对应多个行业板块,获取全部行业板块的月K线走势图)。
进一步地,步骤S1或S6中获取与样本商户或待分析商户相关的股东信用数据并形成与商户相关的股东信用图像的方法是:(a)获取商户的股东及股东持股比例信息;(b)判断股东为公司还是个人,若股东为个人则判断其是否属于失信被执行人,若股东为公司则判断其是否受过行政处罚;若是则按持股比例输出该股东信用图像;若否则(c)判断该股东是否有作为原告或被告的民事诉讼判决书,若否则按持股比例输出该股东信用图像;若是则(d)判断该股东是否胜诉,若是则不输出该股东信用图像;若否则按持股比例输出该股东信用图像。
进一步地,上述按持股比例输出该股东信用图像是指:在失信被执行人通知日期、受到行政处罚日期或者判决书日期,按照该股东的持股比例输出相应跌幅的K线阴线图像。例如,商户的某个人股东持股比例为5%,他在2021年9月1日被列为失信被执行人,则该股东信用图像表现为在K线图上2021年9月出现一根跌幅为5个百分点的阴线。
进一步地,步骤S1或S6中获取与样本商户或待分析商户相关的新闻舆情数据并形成与商户相关的新闻舆情图像的方法是:在搜索引擎(例如百度指数、谷歌趋势)中以商户及其股东名称中的关键词(一般为姓名或简称)搜索,获取该关键词的历史搜索记录的曲线图像;若无该关键词的历史搜索记录,则不输出新闻舆情图像。
进一步地,步骤S2中建立的主干网络包括为图像分类任务设计的能够提取图像基本特征的网络结构,例如ResNet-50网络结构。优选地,ResNet-50包含50个卷积层,其中主体部分分为4个阶段(stage),分别包含3、4、6、3个Bottleneck模块。
进一步地,步骤S3中的预训练使用随机梯度下降(SGD)作为优化算法,选择标签平滑损失(label smooth)作为损失函数,通过迭代训练获得预训练的主干网络。优选地,预训练的迭代轮数steps≥200k;更优选地,迭代轮数steps≥300k。
进一步地,步骤S4中的分析网络包括RetinaNet网络结构,其分为主干网络、特征金字塔网络(FPN)、分类子网络(class subnet)和预测框子网络(box subnet)。
进一步地,步骤S5中的迭代训练使用随机梯度下降(SGD)作为优化算法,选择focal loss作为损失函数,每一次迭代通过前向传播计算focal loss损失,最小化该损失并反向传播更新模型参数,直到达到迭代轮数steps。优选地,迭代训练的迭代轮数steps≥200;更优选地,迭代轮数steps≥300。
进一步地,步骤S7中的评价结果为某一时间(例如某年某月)商户存在外部信用风险的概率。
本发明的有益效果至少体现在以下几个方面:
(1)本发明的基于人工智能的商户信用评级系统不仅以商户自身的数据作为评价依据评价其内部信用风险,还考虑到一些至关重要的外部因素,例如行业趋势、股东信用以及新闻舆情等,能够有效地评估商户的外部信用风险,因而能够更为全面综合地评价商户的信用情况,避免做出错误的投资、融资、合作等商业决策。
(2)本发明所选用的能够引起商户外部信用风险的三个因素(行业趋势、股东信用、新闻舆情)之间彼此相互影响,相辅相成。本发明创新地使用迁移学习技术,极大地缓解了通常机器学习需要的制作庞大样本数据集要求,同时利用卷积神经网络在目标分析领域的性能优势,达到了很好的关于商户外部信用风险的评价与判断结果。
附图说明
图1是本发明一个较佳实施例的对商户的外部信用风险进行评价的方法的流程示意图;
图2是本发明一个较佳实施例获取的某一样本商户所在行业的长期趋势图像;
图3是本发明一个较佳实施例获取与样本商户相关的股东信用数据并形成股东信用图像的方法的流程示意图;
图4是本发明一个较佳实施例获取的某一样本商户的股东信用图像;
图5是本发明一个较佳实施例获取的某一样本商户的新闻舆情图像;
图6是本发明一个较佳实施例获取的某一样本商户的行业趋势图像、股东信用图像以及新闻舆情图像的叠加图像;
图7是本发明一个较佳实施例获取的某一待分析商户的行业趋势图像、股东信用图像以及新闻舆情图像的叠加图像以及外部风险的评价结果。
具体实施方式
下面对本发明的实施例作详细说明,下述的实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
在一个较佳实施例中,本发明的基于人工智能的商户信用评级系统包括内部信用评价模块以及外部信用评价模块;其中,所述内部信用评价模块用于根据商户本身的经营数据对商户的内部信用风险进行评价;所述外部信用评价模块用于根据行业趋势、股东信用和新闻舆情的数据对商户的外部信用风险进行评价,包括行业趋势分析模块、股东信用分析模块、新闻舆情分析模块以及经过预训练的人工智能分析器模块;其中,行业趋势分析模块用于形成商户所在行业的长期趋势图像;股东信用分析模块用于形成与商户相关的股东信用图像;新闻舆情分析模块用于形成与商户相关的新闻舆情图像;经过预训练的人工智能分析器模块用于根据商户所在行业的长期趋势图像、与商户相关的股东信用图像和与商户相关的新闻舆情图像判断商户是否具有外部信用风险。
内部信用评价模块又包括基本状况分析模块、财务指标分析模块、创新研发分析模块、公共信用分析模块以及荣誉获奖分析模块。内部信用评价模块的构建可以参考中国专利申请CN113421102A。例如,基本状况分析模块可以从人力资源状况、经营管理状况、竞争地位状况、发展前景等方面进行评价;财务指标分析模块可以从资金信用状况、资产运营状况、财务效益状况等方面进行评价;创新研发分析模块可以从创新能力状况、发展能力状况等方面进行评价;公共信用分析模块可以从注册地企业联合征信系统记录的信用行为情况、注册地企业征信系统记录的信用行为情况、注册地工商、税务、质监、金融、劳保行政主管部门记录的信用行为情况等方面进行评价;荣誉获奖分析模块可以从法人和商户本身所获荣誉奖项等方面进行评价。
外部信用评价模块的作用有时对于评价商户的信用风险是至关重要的,因为“信用”归根结底是外界对于该商户信心和期望值的体现。商户自身经营数据亮眼确实可以给外界以信心,但某些外部情况的变化也可能造成外界对于商户信心和期望值的改变,从而影响商户的信用。现实生活中常常发生这样的事:某企业商户自身经营数据并不差,但是由于受到行业整体下行趋势的影响,或者受到某个人股东行为或决策的影响或者某公司股东业绩的拖累,又或者受到某突发负面新闻舆情的影响,造成该企业商户损失惨重,甚至破产倒闭。因此,评估可能对商户信用造成影响的外部风险是非常有必要的。
人工智能分析器模块包括主干网络和分析网络;其中,主干网络根据与样本商户相关的行业趋势、股东信用和新闻舆情数据,被预训练用于学习判断样本商户是否具有外部信用风险,并将主干网络权重迁移至分析网络;迁移学习后的分析网络判断待分析商户是否具有外部信用风险。
本实施例的基于人工智能的商户信用评级方法,如图1所示,包括根据商户本身的经营数据对商户的内部信用风险进行评价,以及根据行业趋势、股东信用和新闻舆情的数据对商户的外部信用风险进行评价;其中,对商户的外部信用风险进行评价包括以下步骤:
S1:选取200家商户作为样本商户,其组成结构为:信用良好的商户100家,其中上市公司20家;以及信用较差的商户(申请破产清算、破产重整或破产和解的公司或者被责令退市的上市公司)100家,其中上市公司20家。获取最近3年的与样本商户相关的行业趋势、股东信用和新闻舆情数据,以形成样本商户所在行业的长期趋势图像、与样本商户相关的股东信用图像和与样本商户相关的新闻舆情图像,将上述三种图像与样本商户的信用度关联,作为样本数据集;
S2:建立人工智能分析器模块的主干网络:采用ResNet-50网络结构,包含50个卷积层,其中主体部分分为4个阶段,分别包含3、4、6、3个Bottleneck模块;
S3:利用样本数据集,对人工智能分析器模块的主干网络进行预训练:选取样本数据集,在主干网络ResNet-50上进行预训练;训练阶段使用的超参数设置如下:迭代轮数steps=300k,批大小batch_size=256,初始化学习率learning_rate=0.1,并在steps=250k和steps=375k时将学习率分别降低十倍使用随机梯度下降作为优化算法,选择标签平滑损失作为损失函数,通过迭代训练获得预训练的主干网络;
S4:将预训练的人工智能分析器模块的主干网络权重迁移至人工智能分析器模块的分析网络:选取RetinaNet作为分析器的网络架构,RetinaNet在上述预训练的主干网络ResNet-50的基础上,增加了特征金字塔网络、分类子网络和预测框子网络;
S5:在样本数据集上迭代训练分析网络:将样本数据集作为输入训练分析器,训练分析器时使用的超参数设置如下:迭代轮数steps=300,批大小batch_size=10,初始化学习率learning_rate=0.005,并在steps=160和steps=250时将学习率分别降低十倍,选择focal loss作为损失函数,每一次迭代通过前向传播计算focal loss损失,最小化该损失并反向传播更新模型参数,直到达到迭代轮数steps=300;
S6:获取与待分析商户相关的行业趋势、股东信用和新闻舆情数据,以形成待分析商户所在行业的长期趋势图像、与待分析商户相关的股东信用图像和与待分析商户相关的新闻舆情图像;
S7:将待分析商户所在行业的长期趋势图像、与待分析商户相关的股东信用图像和与待分析商户相关的新闻舆情图像作为步骤S5中迭代训练得到的分析网络的输入,得到关于待分析商户是否具有外部信用风险的评价结果。
步骤S1中获取某一样本商户相关的行业趋势数据并形成商户所在行业的长期趋势图像的方法是:判断商户是否为上市公司,若是,则获取其所在股市的行业板块的月K线走势图;若否,则获取该商户所提供的主要产品或服务,在A股中找到与所述主要产品或服务相对应的行业板块,获取行业板块的月K线走势图。例如,某样本商户为非上市公司,其属于生物医药行业,则获取A股生物医药行业板块的月K线走势图,即为该样本商户的行业趋势图像,如图2所示,时间跨度为2017年1月至2022年2月。
如图3所示,步骤S1中获取与样本商户相关的股东信用数据并形成与商户相关的股东信用图像的方法是:(a)获取商户的股东及股东持股比例信息;(b)判断股东为公司还是个人,若股东为个人则判断其是否属于失信被执行人,若股东为公司则判断其是否受过行政处罚;若是则按持股比例输出该股东信用图像;若否则(c)判断该股东是否有作为原告或被告的民事诉讼判决书,若否则按持股比例输出该股东信用图像;若是则(d)判断该股东是否胜诉,若是则不输出该股东信用图像;若否则按持股比例输出该股东信用图像。例如,上述样本商户的某个人股东持股比例为5%,于2019年5月被列为失信被执行人;该商户另一公司股东持股比例为7.5%,于2021年3月由于防疫物资质量问题被行政处罚,根据上述数据所形成的股东信用图像如图4所示,其分别在2019年5月和2021年3月呈现出5个百分点和7.5个百分点跌幅的阴线。
步骤S1中获取与样本商户相关的新闻舆情数据并形成新闻舆情图像的方法是:在搜索引擎(例如百度指数、谷歌趋势)中以商户及其股东名称中的关键词(一般为姓名或简称)搜索,获取该关键词的历史搜索记录的曲线图像;若无该关键词的历史搜索记录,则不输出新闻舆情图像。例如,以上述样本商户的某个人股东的姓名“钟XX”作为关键词,分别在百度指数和谷歌趋势中进行搜索,获取其历史搜索记录的曲线图像,如图5所示,即为该样本商户的新闻舆情图像。可以看到,使用百度和谷歌搜索引擎所获得的历史搜索记录的曲线图像基本上是一致的。
将上述样本商户的行业趋势图像、股东信用图像以及新闻舆情图像按照时间线(横轴)对齐并上下叠加,即得到该样本商户在样本数据集中的一张图像,如图6所示。本实施例中,200家样本商户所对应的200张图像的集合即为本实施例的样本数据集。如图7所示,将某一待分析商户的行业趋势图像、股东信用图像以及新闻舆情图像输入本实施例迭代训练得到的分析网络,即可得到关于该待分析商户是否具有外部信用风险的评价结果:该待分析商户在2018年6月有26%的概率具有足以导致破产的外部信用风险,以及在2021年9月有15%的概率具有足以导致破产的外部信用风险。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的试验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (9)
1.一种基于人工智能的商户信用评级系统,其特征在于,包括内部信用评价模块以及外部信用评价模块;其中,
所述内部信用评价模块用于根据所述商户本身的经营数据对所述商户的内部信用风险进行评价;
所述外部信用评价模块用于根据行业趋势、股东信用和新闻舆情的数据对所述商户的外部信用风险进行评价,包括行业趋势分析模块、股东信用分析模块、新闻舆情分析模块以及经过预训练的人工智能分析器模块;其中,
所述行业趋势分析模块用于形成所述商户所在行业的长期趋势图像;
所述股东信用分析模块用于形成与所述商户相关的股东信用图像;
所述新闻舆情分析模块用于形成与所述商户相关的新闻舆情图像;
所述经过预训练的人工智能分析器模块用于根据所述商户所在行业的长期趋势图像、与所述商户相关的股东信用图像和与所述商户相关的新闻舆情图像判断所述商户是否具有外部信用风险;其中,
所述行业趋势分析模块形成所述商户所在行业的长期趋势图像方法是:判断所述商户是否为上市公司,若是,则获取其所在股市的行业板块的月K线走势图;若否,则获取所述商户所提供的主要产品或服务,在A股中找到与所述主要产品或服务相对应的行业板块,获取该行业板块的月K线走势图;
所述股东信用分析模块形成与所述商户相关的股东信用图像的方法是:(a)获取所述商户的股东及股东持股比例信息;(b)判断股东为公司还是个人,若股东为个人则判断其是否属于失信被执行人,若股东为公司则判断其是否受过行政处罚;若是则按持股比例输出该股东信用图像;若否则(c)判断该股东是否有作为原告或被告的民事诉讼判决书,若否则按持股比例输出该股东信用图像;若是则(d)判断该股东是否胜诉,若是则不输出该股东信用图像;若否则按持股比例输出该股东信用图像:在失信被执行人通知日期、受到行政处罚日期或者判决书日期,按照该股东的持股比例输出相应跌幅的K线阴线图像;
所述新闻舆情分析模块形成与所述商户相关的新闻舆情图像的方法是:在搜索引擎中以所述商户及其股东名称中的关键词搜索,获取该关键词的历史搜索记录的曲线图像;若无该关键词的历史搜索记录,则不输出新闻舆情图像。
2.如权利要求1所述的基于人工智能的商户信用评级系统,其特征在于,所述内部信用评价模块又包括基本状况分析模块、财务指标分析模块、创新研发分析模块、公共信用分析模块以及荣誉获奖分析模块。
3.如权利要求1所述的基于人工智能的商户信用评级系统,其特征在于,所述人工智能分析器模块包括主干网络和分析网络;其中,所述主干网络根据与样本商户相关的行业趋势、股东信用和新闻舆情数据,被预训练用于学习判断商户是否具有外部信用风险,并将所述主干网络权重迁移至分析网络;迁移学习后的所述分析网络用于判断待分析商户是否具有外部信用风险。
4.一种基于人工智能的商户信用评级方法,其特征在于,包括根据所述商户本身的经营数据对所述商户的内部信用风险进行评价,以及根据行业趋势、股东信用和新闻舆情的数据对所述商户的外部信用风险进行评价;其中,对所述商户的外部信用风险进行评价包括以下步骤:
S1:获取与样本商户相关的行业趋势、股东信用和新闻舆情数据,以形成所述样本商户所在行业的长期趋势图像、与所述样本商户相关的股东信用图像和与所述样本商户相关的新闻舆情图像,将上述三种图像与所述样本商户的信用度关联,作为样本数据集;
S2:建立人工智能分析器模块的主干网络;
S3:利用样本数据集,对所述人工智能分析器模块的所述主干网络进行预训练;
S4:将预训练的所述人工智能分析器模块的主干网络权重迁移至所述人工智能分析器模块的分析网络;
S5:在所述样本数据集上迭代训练所述分析网络;
S6:获取与待分析商户相关的行业趋势、股东信用和新闻舆情数据,以形成所述待分析商户所在行业的长期趋势图像、与所述待分析商户相关的股东信用图像和与所述待分析商户相关的新闻舆情图像;
S7:将所述待分析商户所在行业的长期趋势图像、与所述待分析商户相关的股东信用图像和与所述待分析商户相关的新闻舆情图像作为步骤S5中迭代训练得到的所述分析网络的输入,得到关于所述待分析商户是否具有外部信用风险的评价结果;
其中,步骤S1或S6中获取与所述样本商户或所述待分析商户相关的行业趋势数据并形成商户所在行业的长期趋势图像的方法是:判断商户是否为上市公司,若是,则获取其所在股市的行业板块的月K线走势图;若否,则获取该商户所提供的主要产品或服务,在A股中找到与所述主要产品或服务相对应的行业板块,获取该行业板块的月K线走势图;
步骤S1或S6中获取与所述样本商户或所述待分析商户相关的股东信用数据并形成与商户相关的股东信用图像的方法是:(a)获取商户的股东及股东持股比例信息;(b)判断股东为公司还是个人,若股东为个人则判断其是否属于失信被执行人,若股东为公司则判断其是否受过行政处罚;若是则按持股比例输出该股东信用图像;若否则(c)判断该股东是否有作为原告或被告的民事诉讼判决书,若否则按持股比例输出该股东信用图像;若是则(d)判断该股东是否胜诉,若是则不输出该股东信用图像;若否则按持股比例输出该股东信用图像:在失信被执行人通知日期、受到行政处罚日期或者判决书日期,按照该股东的持股比例输出相应跌幅的K线阴线图像;
步骤S1或S6中获取与所述样本商户或所述待分析商户相关的新闻舆情数据并形成与商户相关的新闻舆情图像的方法是:在搜索引擎中以商户及其股东名称中的关键词搜索,获取该关键词的历史搜索记录的曲线图像;若无该关键词的历史搜索记录,则不输出新闻舆情图像。
5.如权利要求4所述的基于人工智能的商户信用评级方法,其特征在于,步骤S1中的样本商户包括信用良好的商户和信用较差的商户;其中,所述信用较差的商户是指申请破产清算、破产重整或破产和解的公司或者被责令退市的上市公司;所述样本商户的数量大于100个,其中所述信用较差的商户的数量不少于50%;所述样本商户中,上市公司不少于20%。
6.如权利要求4所述的基于人工智能的商户信用评级方法,其特征在于,步骤S2中建立的主干网络包括ResNet-50网络结构,其包含50个卷积层,其中主体部分分为4个阶段,分别包含3、4、6、3个Bottleneck模块。
7.如权利要求4所述的基于人工智能的商户信用评级方法,其特征在于,步骤S3中的预训练使用随机梯度下降作为优化算法,选择标签平滑损失作为损失函数,通过迭代训练获得预训练的主干网络;预训练的迭代轮数steps≥200k。
8.如权利要求4所述的基于人工智能的商户信用评级方法,其特征在于,步骤S4中的分析网络包括RetinaNet网络结构,其分为主干网络、特征金字塔网络、分类子网络和预测框子网络。
9.如权利要求4所述的基于人工智能的商户信用评级方法,其特征在于,步骤S5中的迭代训练使用随机梯度下降作为优化算法,选择focal loss作为损失函数,每一次迭代通过前向传播计算focal loss损失,最小化该损失并反向传播更新模型参数,直到达到迭代轮数steps≥200。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210278715.8A CN114611972B (zh) | 2022-03-21 | 2022-03-21 | 一种基于人工智能的商户信用评级系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210278715.8A CN114611972B (zh) | 2022-03-21 | 2022-03-21 | 一种基于人工智能的商户信用评级系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114611972A CN114611972A (zh) | 2022-06-10 |
CN114611972B true CN114611972B (zh) | 2023-01-10 |
Family
ID=81864152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210278715.8A Active CN114611972B (zh) | 2022-03-21 | 2022-03-21 | 一种基于人工智能的商户信用评级系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114611972B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117934159A (zh) * | 2024-03-21 | 2024-04-26 | 北京信立合创信息技术有限公司 | 一种基于人工智能的个人信用报告查询监测与预警方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301493A (zh) * | 2017-05-19 | 2017-10-27 | 四川新网银行股份有限公司 | 一种基于深度神经网络的互金企业评级模型 |
CN108846547A (zh) * | 2018-05-06 | 2018-11-20 | 成都信息工程大学 | 一种动态调整的企业信用风险评估方法 |
CN109272202A (zh) * | 2018-08-24 | 2019-01-25 | 中国科学院大学 | 一种基于卷积神经网络的企业信用评级方法及系统 |
CN109766359A (zh) * | 2018-12-26 | 2019-05-17 | 科大国创软件股份有限公司 | 一种信用主体综合分析管理系统及方法 |
CN110046984A (zh) * | 2019-03-01 | 2019-07-23 | 安徽省优质采科技发展有限责任公司 | 企业信用评级系统及评价方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413242A (zh) * | 2013-07-24 | 2013-11-27 | 通联支付网络服务股份有限公司 | 一种非面对面交易中小企业信誉及融资信用标准系统 |
US20210103982A1 (en) * | 2019-10-07 | 2021-04-08 | Albe Information Ltd. | System and methods for credit underwriting and ongoing monitoring using behavioral parameters |
US12014382B2 (en) * | 2020-04-14 | 2024-06-18 | Capital One Services, Llc | Systems and methods for trend detection |
-
2022
- 2022-03-21 CN CN202210278715.8A patent/CN114611972B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301493A (zh) * | 2017-05-19 | 2017-10-27 | 四川新网银行股份有限公司 | 一种基于深度神经网络的互金企业评级模型 |
CN108846547A (zh) * | 2018-05-06 | 2018-11-20 | 成都信息工程大学 | 一种动态调整的企业信用风险评估方法 |
CN109272202A (zh) * | 2018-08-24 | 2019-01-25 | 中国科学院大学 | 一种基于卷积神经网络的企业信用评级方法及系统 |
CN109766359A (zh) * | 2018-12-26 | 2019-05-17 | 科大国创软件股份有限公司 | 一种信用主体综合分析管理系统及方法 |
CN110046984A (zh) * | 2019-03-01 | 2019-07-23 | 安徽省优质采科技发展有限责任公司 | 企业信用评级系统及评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114611972A (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7664693B1 (en) | Financial methodology for the examination and explanation of spread between analyst targets and market share prices | |
Lockett et al. | Do UK venture capitalists still have a bias against investment in new technology firms | |
Altanashat et al. | The impact of enterprise risk management on institutional performance in Jordanian public shareholding companies | |
US20040015376A1 (en) | Method and system to value projects taking into account political risks | |
WO2013082527A1 (en) | Methods and systems for predicting market behavior based on news and sentiment analysis | |
CN113988726A (zh) | 基于区块链的企业行业信用评价管理系统 | |
CN114611972B (zh) | 一种基于人工智能的商户信用评级系统及方法 | |
Turiel et al. | P2P Loan acceptance and default prediction with Artificial Intelligence | |
Duchin et al. | Political attitudes, partisanship, and merger activity | |
CN117114812A (zh) | 一种针对企业的金融产品推荐方法及装置 | |
CN112508689A (zh) | 一种基于多维度实现决策评估的方法 | |
CN112200340A (zh) | 预测逃废债区块链系统 | |
Nguyen | Default predictors in credit scoring: evidence from France's retail banking institution | |
Duchin et al. | The economic effects of political polarization: Evidence from the real asset market | |
Xu | Financial disintermediation and entrepreneurial learning: evidence from the crowdfunding market | |
CN109801162A (zh) | 一种社交媒体数据与多标准交叉认证融合的信用评级方法 | |
Bineid et al. | CADM: big data to limit creative accounting in Saudi-listed companies | |
Cancino et al. | Credit decision-making and information requirements | |
Bakhshi et al. | Developing a hybrid approach to credit priority based on accounting variables (using analytical network process (ANP) and multi-criteria decision-making) | |
Jaiswal | Connections and Conflicts of Interest: Investment Consultants' Recommendations | |
Kirkos et al. | Applying data mining methodologies for auditor selection | |
CN113610638B (zh) | 基于smaa-ds的信用等级与违约损失率相匹配的评级系统及方法 | |
Pennings et al. | The reorganization decisions of troubled firms: exit, downscale or relocate | |
Zakerian et al. | The relationship between corporate reputation and different types of earnings management | |
Arefmanesh et al. | Identifying and categorizing the valuation models of start-ups using the Meta Synthesis method |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |