CN114742402A - 信息监控方法、装置、设备和介质 - Google Patents
信息监控方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN114742402A CN114742402A CN202210369408.0A CN202210369408A CN114742402A CN 114742402 A CN114742402 A CN 114742402A CN 202210369408 A CN202210369408 A CN 202210369408A CN 114742402 A CN114742402 A CN 114742402A
- Authority
- CN
- China
- Prior art keywords
- risk
- index
- data
- indexes
- early warning
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000004364 calculation method Methods 0.000 claims abstract description 102
- 238000012549 training Methods 0.000 claims description 85
- 230000000694 effects Effects 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 238000010801 machine learning Methods 0.000 claims description 23
- 238000012806 monitoring device Methods 0.000 claims 1
- 238000003860 storage Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 101000860173 Myxococcus xanthus C-factor Proteins 0.000 description 5
- 230000008014 freezing Effects 0.000 description 4
- 238000007710 freezing Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007115 recruitment Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 229920000515 polycarbonate Polymers 0.000 description 2
- 239000004417 polycarbonate Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及信息监控和风险识别领域,针对现有,提出了本发明的方法、装置、设备和介质。该方法在数据实时监控识别中,基于被监控对象的多维度数据,通过训练后的风险预警模型进行所述多维度数据对应的指标和/或指标组合规则的分类计算;根据所述分类计算的结果以及预先划分的风险程度的范围,识别所述被监控对象的风险及风险程度以解决多维度准确快速识别海量数据中被监控对象是否存在安全隐患等问题,从而提升海量数据监控中的安全识别准确度和效率,降低计算复杂度和成本。
Description
技术领域
本发明涉及信息安全领域,尤其涉及监控大数据安全识别处理领域,具体而言,涉及一种信息监控方法、装置、电子设备和计算机可读介质。
背景技术
随着网络快速发展,越来越多的交互对象之间通过网络实现更多的服务,产生更多的相应的业务,由此也产生了更多的相应于各种业务的特点而对信息数据有特定的监测控制需求。比如,甲对象与乙对象进行业务来往,需要通过网络了解对方的信息以确定对方是否可以合作、信息是否真实、是否可信、是否有不良记录存在风险等等,即需要对特定的网上的信息实现监控以确定网上预期要交互合作的对象的安全性。
目前对监控信息采用风险预警模型进行风险识别监控,已有的多种风险预警模型例如:专家经验模型、评分卡模型、回归模型、人工智能模型等。囿于数据的可得性、模型的科学性以及现实世界的复杂性,目前各种被监控对象的信用风险的监控和识别主要存在风险揭示不全面、风险预警不及时、不宜解释、适用领域较窄等局限性,风险预警模型很难同时兼顾准确性、前瞻性和实用性。往往存在:1、数据来源方面,一般预警模型只使用一类数据,如:只分析每个被监控对象的某一个类别的数据信息(例:企业对象的财务数据、身份数据或交易数据),较少能够同时使用多维度或者说更多类别非单一类别的数据;2、数据频率方面,随着大数据时代的发展,每个被监控对象本身的各类信息更新速率空前提升,而一般预警模型仅采用某一个类别的数据信息,其更新频次较低,不利于风险的提前识别和及时处置;3、模型算法方面,有部分预警模型过于复杂难以解释,构建模型和算法执行的过程复杂度高、时间人力成本高;4、在应用领域或者说能够适应的业务场景方面,有部分预警模型的适用领域较窄,比如仅适用于某一类被监管监控的对象(例:上市公司)。
因而,需要更准确的具有时效性和实用性的信息监控方案,能够通过容易解释的计算复杂度低(如低计算资源和低成本)、更及时、更具前瞻性的预警模型来实现准确具有时效性/及时的监控数据的风险识别。
发明内容
针对现有技术的上述缺陷,本发明提供一种信息监控方法、装置、电子设备及计算机可读介质,可以解决如何根据监控(监测/监管)的被监控对象的各个维度存在的信息中更准确地识别出存在风险的被监控对象的技术问题;进一步,可以解决如何通过监控的信息及时识别被监控对象的风险程度的技术问题;进一步,可以解决如何智能预警提醒不同风险程度的被监控对象的技术问题;再进一步,可以解决如何设计低运算资源消耗的高效率计算和便于解释的识别算法(如预警模型)来确定风险对应的信息点(如风险点)的技术问题。
从而,利用本发明的技术方案能够通过计算复杂度较低、实用性更高的模型算法,在信息监控中,实现准确、高效兼具具时效性和可解释性的信息监控和风险识别,以及时识别需要被监控的对象的风险及其风险产生来源,及时预警进而由此指示对风险的应对处理。
为了解决上述技术问题,本发明第一方面提出一种信息监控方法,包括:基于被监控对象的多维度数据,通过训练后的风险预警模型进行所述多维度数据对应的指标和/或指标组合规则的分类计算;根据所述分类计算的结果以及预先确定的风险程度的划分标准,识别所述被监控对象的风险。
根据本发明的一种优选实施方式,基于被监控对象的多维度数据,通过训练后的风险预警模型进行所述多维度数据对应的指标和/或指标组合规则的分类计算,具体包括:基于预定的信号指标池,通过对历史数据中获取的经监控识别的训练样本相应于指标池的数据训练预先构建的所述风险预警模型,并确定指示风险的所述风险预警模型的指标和/或指标组合规则;对获取的被监控对象的数据进行处理获得所述多维度数据,所述多维度数据对应确定的所述风险预警模型的所述指标和/或指标组合规则;将所述多维度数据通过训练后的所述风险预警模型,计算出对应的所述指标和/或指标组合规则的得分;根据所述得分及所述指标和/或指标组合规则的分类,确定相应的风险总得分。
根据本发明的一种优选实施方式,基于预定的信号指标池,通过对历史数据中获取的经监控识别的训练样本相应于指标池的数据训练预先构建的所述风险预警模型,并确定指示风险的所述风险预警模型的指标和/或指标组合规则具体包括:根据应用场景或所述历史数据,初步选取信号指标形成信号指标池;选择同一时间段的历史数据中经监控识别的被监控对象作为所述训练样本;从所述信号指标池中选择与所述训练样本相应的信号指标的数据和/或设置与所述训练样本相应的信号指标组合的数据;对所述训练样本以及相应的所述信号指标的数据和/或相应的所述信号指标组合的数据进行训练,得到所述风险预警模型的所述指标和/或指标组合规则;对所述风险预警模型的所述指标和/或指标组合规则进行分类并设置每个分类的计算方式。
根据本发明的一种优选实施方式,选择同一时间段的历史数据中经监控识别的被监控对象作为所述训练样本,具体包括:选择同一时间段的历史数据中存在风险的被监控对象和未存在风险的被监控对象作为训练样本。
根据本发明的一种优选实施方式,对所述训练样本以及相应的所述信号指标的数据和/或相应的所述信号指标组合的数据进行训练,得到所述风险预警模型的所述指标和/或指标组合规则,具体包括:根据每个所述训练样本是否存在风险、以及触发所述风险的所有单独的信号指标,作为所述训练样本相应的信号指标和/或构建所述训练样本的信号指标组合;根据基于机器学习算法所训练的所述风险预警模型,计算不同的所述信号指标和/或所述信号指标组合的预警效果;选取所有符合预设效果标准的不同的所述信号指标和/或所述信号指标组合,作为设置入所述风险预警模型的指标和/或指标组合规则。
根据本发明的一种优选实施方式,对所述风险预警模型的所述指标和/或指标组合规则进行分类并设置每个分类的计算方式,具体包括:将所述风险预警模型的所述指标和/或指标组合规则进行归类;为经过归类确定的各个分类设置相应的风险得分的计算方式,其中,不同分类的风险得分计算方式相同或不同;设置基于所述各个分类的风险总得分的计算方式。
根据本发明的一种优选实施方式,还包括:当通过所述风险得分的计算方式和所述风险总得分的计算方式,获得全部所述训练样本的风险总得分后,根据预设标准分析所述总得分确定风险程度的划分标准。
根据本发明的一种优选实施方式,对获取的被监控对象的数据进行处理获得所述多维度数据,所述多维度数据对应确定的所述风险预警模型的所述指标和/或指标组合规则,具体包括:根据预设监控规则,确定监控名单,所述监控名单包括一个或多个被监控对象;根据所述风险预警模型的所述指标和/或指标组合规则的定义,经信息监控平台从多个数据源抓取相应所述被监控对象的多个维度的数据。
根据本发明的一种优选实施方式,将所述多维度数据通过训练后的所述风险预警模型,计算出对应的所述指标和/或指标组合规则的得分;具体包括:将所述多维度数据根据对应的所述指标和/或指标组合规则的定义,转换成所述指标或组合规则的得分;和/或,根据所述得分及所述指标和/或指标组合规则的分类,确定相应的风险总得分,具体包括:将所述指标和/或指标组合规则的得分根据所在的所述分类进行求和,获得每个所述分类的得分;根据每个所述分类的得分计算所述风险总得分。
根据本发明的一种优选实施方式,根据所述分类计算的结果以及预先确定的风险程度的划分标准,识别所述被监控对象的风险,具体包括:根据所述分类计算获得的相应所述被监控对象的风险总得分,通过预先确定的风险程度的划分标准,识别出所述被监控对象的所述风险总得分对应的风险程度;和/或,还包括:根据显示规则,将识别出的存在风险的所有所述被监控对象按照对应的不同的风险程度进行显示;和/或,还包括:对识别出的存在不同风险程度的所有所述被监控对象提供有区别的预警提醒。
为了解决上述技术问题,本发明第二方面提出一种信息监控装置,包括:计算模块,用于基于被监控对象的多维度数据,通过训练后的风险预警模型进行所述多维度数据对应的指标和/或指标组合规则的分类计算;识别模块,用于根据所述分类计算的结果以及预先确定的风险程度的划分标准,识别所述被监控对象的风险。
为了解决上述技术问题,本发明第三方面提出一种电子设备,包括:处理器;以及存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器执行前述的第一方面的方法。
为了解决上述技术问题,本发明第四方面提出一种计算机可读介质,其中,所述计算机可读介质存储一个或多个程序,当所述一个或多个程序被处理器执行时,实现前述的第一方面的方法。
为了解决上述技术问题,本发明第五方面提出一种计算机可执行程序,所述计算机可执行程序被执行时,实现前述的第一方面的方法。
本发明的一个实施方式中,通过实时海量数据监控(包括各种定期监控的或不定期监控的),将监控的不同维度的所述数据通过构建的基于机器学习训练的风险预警模型对当前监控的不同维度的所述数据的预警风险的指标板块/分类进行计算,确定其风险程度,进而预测所述数据对应的被监控对象存在的风险,再进而给出相应的智能提醒。由此,利用机器学习算法构建的模型(即风险预警模型),通过多维度数据的监控,迅速确定预警指标的情况,准确及时判断被监控对象的风险,从而实现提升预警模型的准确性、时效性和实用性。
尤其是充分利用互联网的海量数据例如需要被监控的对象的动态变化的数据(比如财务数据、舆情数据、证券交易数据等等),及时捕捉与各种被监控的对象相关的信息中涉及安全风险、状况等相关的数据比如:经营、财务、可持续发展(如企业的负面信息等)信用(如欺诈、违规、违约等)等;从而更准确地监控识别/预测存在安全隐患的被监控对象及其数据信息(如以积分制量化被监控对象的信用风险等)。
进一步,对应特定的业务场景下,先通过多维度数据的获取和机器学习算法,根据实际场景和历史数据(案例等)确定、选择监控指标,其能够适应任意的业务场景,并通过指标的分类,构建出便于解释模型,对监控的实时数据的风险识别更便捷、预测准确、可解释性强,并且,由于风险得分的计算方式易扩展,模型的复杂度也较低(如:计算或者说选择更容易解释的识别算法,或者说风险预警模型),能转变适应更多应用场景,且及时有效,从而具有更好的时效性和实用性,由此,除了能实现准确而具有时效性的风险识别外,还能根据准确及时的识别而更方便地确定风险对应的信息点(例:风险点)。
进一步,通过多维度数据构建的预测模型,对监控网络对象的各个维度存在的信息(这类信息包括多个维度的风险信号)可以更全面的掌握监控对象的最新数据状态;进而,通过机器学习算法筛选预测指标和指标组合规则,并进行分类计算,区分风险级别,能对监控的信息所识别出的风险程度加以区分标识、保证了识别的准确性,并基于此预先识别对象存在风险程度而提供智能预警提醒,做出相应的策略避免风险。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚,下面将参照附图详细描述本发明的具体实施例。但需声明的是,下面描述的附图仅仅是本发明的示例性实施例的附图,对于本领域的技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他实施例的附图。
图1是根据本发明的信息监控方法的一实施例的主要流程图。
图2是根据本发明的信息监控装置的一实施例的功能模块架构框图。
图3是根据本发明的一种电子设备的一示例性实施例的结构框图。
图4是本发明的一个计算机可读介质的一个实施例的示意图。
图5是本发明的技术方案的关于构建风险预警模型的一个实施例的主要流程示意图。
具体实施方式
现在将参考附图来更加全面地描述本发明的示例性实施例,虽然各示例性实施例能够以多种具体的方式实施,但不应理解为本发明仅限于在此阐述的实施例。相反,提供这些示例性实施例是为了使本发明的内容更加完整,更加便于将发明构思全面地传达给本领域的技术人员。
在符合本发明的技术构思的前提下,在某个特定的实施例中描述的结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。
在对于具体实施例的介绍过程中,对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是,并不排除本领域技术人员可以在特定情况下,以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
附图中的流程图仅是一种示例性的流程演示,不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤,也不代表必须按照图中所显示的的顺序执行。例如,流程图中有的操作/步骤可以分解,有的操作/步骤可以合并或部分合并,等等,在不脱离本发明的发明主旨的情况下,流程图中显示的执行顺序可以根据实际情况改变。
附图中的框图一般表示的是功能实体,并不一定必然与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
各附图中相同的附图标记表示相同或类似的元件、组件或部分,因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解,虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分,但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说,这些定语仅是用来将一者与另一者区分。例如,第一器件亦可称为第二器件,但不偏离本发明实质的技术方案。此外,术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
本发明的一个实施例中,通过对被监控对象的实时海量数据监控,将监控的数据输入到通过基于机器学习算法筛选出的指标和/或指标组合规则所构建的风险预警模型中,对当前监控的数据进行数据的分类得分计算,以及确定所述监控的数据的所述被监控对象存在的风险程度。从而能够充分利用监控的互联网的海量数据比如被监控对象的公开数据信息来及时捕捉与其安全风险(例:信用等)相关的正面和/或负面信息,结合各种信息多个维度(例:财务、身份、累积信誉、注册时间长度、证券交易等各种维度的数据)、以及相应业务的应用场景下的特定指标,准确识别其风险及量化其风险程度,进而还能将预警结果智能推送给风险监控后期处理方等。
本发明的方法的一个实施例如:
S1、基于被监控对象的多维度数据,通过训练后的风险预警模型进行所述多维度数据对应的该模型的指标和/或指标组合规则的分类计算,具体如:基于初步分析所获得的信号指标池,通过经过监控识别的历史数据中获取的训练样本训练指示风险的指标和/或指标组合规则,预先构建所述风险预警模型;对获取的被监控对象的数据进行处理获得所述多维度数据,所述多维度数据对应所述风险预警模型的指标和/或指标组合规则;将所述多维数据通过已经训练后的所述风险预警模型,计算出对应的所述风险预警模型的指标和/或指标组合规则的分类得分,例如将所述多维度数据根据对应的所述指标和/或指标组合规则的定义、或者阈值等,转换成指标和/或指标组合规则得分;根据所述指标和/或指标组合规则的得分及所述指标和/或指标组合规则的分类,计算出风险的总得分,例如将所述指标和/或指标组合规则的得分,根据所在所述分类的计算方式以此得到每个所述分类的风险得分,再进一步由风险得分得到风险总得分;计算方式可以包括但不限于求和、加权求和、平均求和、等等;其中,每个分类的计算方式可不同也可以相同。
预先构建和训练所述风险预警模型,具体包括:
一个实施方式中,可以根据预定信号指标池比如实际场景选定或历史数据(案例等)分析,初步选取信号指标形成信号指标池,优选地:对历史数据中的经过监控识别的被监控对象进行分析,确定存在风险的每个被监控对象的风险特征;根据所述风险特征提取对应所述风险特征的信号指标并形成信号指标池;
一个实施方式中,可以选择同一历史时间段的被监控对象作为所述训练样本,优选地,选择历史数据中同一时间段中存在风险的被监控对象和未存在风险的被监控对象作为训练样本。
一个实施方式中,可以从所述保留的信号指标池中提取与所述训练样本相应的信号指标的数据和/或设置与所述训练样本相应的信号指标组合的数据。
一个实施方式中,可以对所述训练样本以及相应的信号指标的数据和/或相应的信号指标组合的数据,进行训练,得到所述风险预警模型的所述指标和/或指标组合规则,优选地:根据每个所述训练样本是否存在风险、以及触发所述风险的所有单独的信号指标,作为所述训练样本相应的信号指标和/或构建所述训练样本的信号指标组合;根据基于机器学习算法的所述风险预警模型,计算不同的所述信号指标和/或所述信号指标组合在不同阈值下的预警效果;选取所有符合预设效果标准的所述信号指标和/或所述信号指标组合及其相应的阈值,作为设置入所述风险预警模型的指标和/或指标组合规则。
进一步,还包括,可以对所述风险预警模型的所述指标和/或指标组合规则进行分类并设置每个分类的计算方式。优选地,将所述风险预警模型的所述指标和/或指标组合规则进行归类;为经过归类确定的各个分类设置相应的风险得分的计算方式,其中,不同分类的风险得分计算方式相同或不同;设置基于所述各个分类的风险总得分的计算方式。
进一步,还包括,可以当通过所述风险得分的计算方式和所述风险总得分的计算方式,获得全部所述训练样本的风险总得分后,根据预设标准分析总得分,如根据F值,确定风险程度的划分标准。
一个实施方式中,依据训练样本对信号指标池中的信号指标进行训练,选取能够满足预设标准的信号指标或信号指标组合。训练方法一般选用机器学习模型,如决策树模型、关联规则模型等。具体包括:根据每个所述训练样本是否存在风险、以及触发所述风险的一个或多个(或者所有的)单独的保留在信号指标池中的信号指标,构建不同组合比如单信号指标的形式或多个单信号指标组合的形式;根据选择的机器学习算法模型根据单信号的形式或多信号组合的形式在不同的预设阈值下计算的预警效果,确定所有符合预设效果标准的指标和/或指标组合规则,设置入所述风险预警模型中。
一个实施方式中,对所述风险预警模型的指标及指标组合规则进行分类,并设置每个分类也就是划分的类别板块的得分计算方式,具体包括:将含义或性质接近的指标或指标组合规则归为一类,作为一个分类或者说类别板块。进一步,设置各个板块得分计算方式,对于一般情形和特殊情形可设置不同的计算方式。例:一般情形可采用加和求和的方式,具体的,赋予每个指标或指标组合规则相等或者不等的权重,特殊情形如个别指标分数异常,可采用取全部指标的最大值为当前板块的得分。
一个实施方式中,计算所述风险预警模型对被监控对象的风险总得分的计算方式,具体包括:对于一般情形和特殊情形设置不同的计算方式。例:一般情形可采用加和求和的方式,具体的,赋予每个板块相等或者不等的权重,特殊情形如板块分数异常,可对于板块得分加以修正再进行加权求和。
一个实施方式中,确定所述风险预警模型对被监控对象的风险总得分所对应的风险程度的划分标准。另外还包括:当获得全部训练样本的所述风险总得分后,利用机器学习算法中评测指标确定不同风险程度的阈值范围。
一个实施方式中,对获取的被监控对象的数据进行处理获得所述多维度数据,所述多维度数据对应所述风险预警模型的指标或指标组合规则,还可以包括:根据预设监控规则,确定监控名单,其包括一个或多个被监控对象;根据所述指标和指标组合规则的特点,确定计算对应所述风险预警模型的所需要的多维度数据。经信息监控平台从多个数据源抓取对应所述被监控对象的所述多维度数据。
进一步的实施方式,参见实施例1的步骤S110、S120,以及例子1的步骤S510至S530。
S2、根据所述分类计算的结果以及预先确定的风险程度的划分标准,识别所述被监控对象的风险。
一个实施方式中,根据所述分类计算获得的相应所述被监控对象的风险总得分,通过预先确定的风险程度的划分标准,识别出所述被监控对象的所述风险总得分对应的风险程度。具体例如:根据算出的指标和/或指标组合规则的分类的风险得分,由每个分类的风险得分计算风险总得分,以及预先确定的风险程度的阈值范围即划分标准为多个得分范围,识别所述被监控对象的风险及相应的风险程度,进而提供预警提醒。优选地,当根据分类计算获得的所述被监控对象的风险总得分处于不同风险程度的阈值范围,则识别所述被监控对象为相应阈值范围表示的风险程度。进一步,可以根据显示规则,将识别出的存在风险的所有所述被监控对象按照不同风险程度提供区别显示。进一步,可以在对识别出的存在不同风险程度的所述被监控对象进行预警提醒时,提供包含但不仅限于包括风险程度、风险总得分、触发的指标和指标组合规则等方面的信息,即有区别的预警提示。
进一步的实施方式,参见实施例1的步骤S130。
相应于前述方法的本发明的装置的一个实施例如:
计算模块,用于基于被监控对象的多维度数据,通过训练后的风险预警模型进行所述多维度数据对应的指标和/或指标组合规则的分类计算。如S1的具体处理,进一步如实施例2的数据处理单元和风险识别单元;
识别模块,用于根据所述分类计算的结果以及预先确定的风险程度的划分标准,识别所述被监控对象的风险。如S1所述具体的处理,进一步的实施方式参见实施例2的数据处理单元和风险识别单元。
提醒模块,用于根据风险预警模型的计算结果,确定被监控对象的风险程度,并进行有区别的相关信息的提醒。如S2所述具体处理,进一步的实施方式参见实施例2的风险提醒单元。
【实施例1】
图1是根据本发明的方法的一实施例的主要流程图。如图1所示,本发明的方法至少包括如下步骤:
步骤S110,获取被监控对象的多维度数据并对所述多维度数据进行处理。
一个实施方式中,网络上的被监控对象包括一个或多个,这类对象例如:上市企业、发债企业等。
一个实施方式中,被监控对象可以预先进行选择或者说筛选,基于预设的被监控条件,加入或移出被监控名单,由此确定会被监控数据的对象的名单。例如:在证券行业等应用场景下,被监控对象可以是筛选存续债券余额大于零的债券发行人(某企业),如果发行人(企业)所有债券都已经完成兑付,就可以自动移出监控名单,否则保留在名单中。
一个实施方式中,可以通过信息化监控平台对监控名单内的对象即被监控对象的各种信息,主要包括各种公开信息和/或依据实际需求所提供的信息等海量数据信息,进行监控,并定期或不定期地从这些监控的海量数据(例如网络公开数据等)中,实时获取被监控对象的相关数据。例如:通过监控平台提取大数据,具体地,在前述例子的场景下可以利用本实施例提供的方式通过信息化监控平台来实时提取被监控的企业的包括舆情、财务数据、交易数据、评级数据等在内的各种公开或需要提供给监控平台的多维度数据。
进一步,多维度数据的数据来源包括但不限于第三方数据库、应用场景所在行业数据库、所在行业相关机构数据等一个或多个。例如:在前述例子的场景下,数据源示例可以是1、从第三方新闻数据库获取舆情数据,2、从wind数据库获取财务数据,3、从彭博数据库获取国际三大评级机构数据和美元债收益率数据,等等。
由此,匹配不同实际场景采用不同数据源及相应的不同维度数据采用不同处理方式,以及预先确定相应被监控对象等,避免了过多干扰数据且适应性强,有助于预测识别的准确性,简化了后续模型预测的复杂度,提升了风险识别效率和数据获取准确度。
一个实施方式中,对获取的多维度数据进行数据处理可以是对不同维度数据采用不同处理方式,进而还可以辅助人工处理。比如,对不同维度数据可以采用不同窗口期,分别进行处理;对于相同维度数据进行初步处理后还可以采用人工确认等。例如:在前述例子的场景下,舆情数据可以采用半年内的舆情数据;财务指标数据可以采用一年内最新的财务报表数据;信用评级指标数据可以采用一年内的最新评级数据,进而有多家评级机构还可以采用最低信用评级数据;债券收益率指标数据可以采用最近两周内的最高值;等等。又例如:在前述例子的场景下,对于初步处理的舆情数据中出现的信用事件,优选可以预先进行人工确认或在初步处理后进行人工确认,这样能够排除虚假舆情数据,确认信用事件的严重程度和真实受到影响的企业。对获取的海量数据进行分析处理有助于预测使用的数据的准确性,进而有助于模型识别出风险对象的准确性以及提升模型预测识别的效率。
步骤S120,通过预先设置的风险预警模型对前述处理后的所述多维度数据进行相应的指标和/或指标组合规则的分类计算,以识别被监控对象的风险。
一个实施方式中,预先设置的风险预警模型可以根据实际应用场景,预先构建并训练,具体可以参见下列关于风险预警模型的构建的一个实施例【例子1】的描述。
优选地,根据构建并训练后的风险预警模型的设置,可以基于数据处理后的被监控对象的多维度数据计算该模型的各个指标或指标组合规则的得分。具体地,风险预警模型在构建时,基于所应用的场景,可以基于场景实际经验情况确定和/或历史数据如案例分析获得的信号指标,具体可以是很多信号指标形成的信号指标池,并且,获得从历史数据比如案例中监控到的对象即训练样本的相应信号指标池里的信号指标的数据如信号指标和/或指标组合历史数据,进而,训练指标的数据和/或指标组合规则的数据,选择符合预设标准的指标的数据和/或指标组合规则的数据进入风险预警模型,进而对其指标和/或指标组合规则进行分类;然后,对于该模型可以设置计算分类的得分计算方式和风险总得分的计算方式、以及风险程度的划分标准等。
进一步比如:构建和训练过程中已经设置了该模型的指标A、B和信号指标组合规则C,C下面有子指标C1、C2,每个指标或子指标都对应着不同维度的数据,这样,将前述处理后的各个维度的数据,根据对应构建的该风险预警模型所设置的指标和/或指标组合规则的定义的阈值或指标和/或指标组合规则的计算规则等方式,转化为对应的各个指标得分,例:维度1的数据对应指标A转化为得分Af、维度2的数据对应指标B转化为得分Bf、维度3的数据对应子指标C1和维度4的数据对应子指标C2整体转化为得分Cf即指标组合规则C的得分。
进一步比如:基于各个指标和/或指标组合规则确定对应的分类,计算分类结果,优选地,可以是计算这些指标和/或指标组合规则各自所属分类的得分,比如前述例子中各个指标和/或指标组合规则的Af、Bf、Cf等来计算相应分类的风险得分,进一步,再计算出该被监控对象的风险总得分。一个方式如:按照预先将指标和/或指标组合规则进行归类,确定类别板块即分类,利用每个分类下指标和/或指标组合规则的得分对应计算各个分类的风险得分,再确定风险总得分,比如所有分类的风险得分求和得到的风险总得分。
进一步,根据该风险总得分,识别被监控对象是否存在风险,进而,还可以根据预先设置风险级别划分标准,识别其存在的风险级别对应的风险级别或风险程度。
其中,分类或者说以指标和/或指标组合规则确定的分类的计算方式或者说分类的风险得分的计算方式、风险总得分的计算方式,可以根据实际应用场景中各分类下的指标和/或指标组合规则在不同阶段不同环境等条件下的重要性进行相应场景的设置。不同分类的风险得分可以相同或不同,计算方式例如加权求和:通过以指标和/或指标组合规则为基础进行的分类,可以确定甲分类仅包含指标A,乙分类包含指标B和指标组合规则C;同时,设置甲分类的风险得分计算方式为等于指标A的得分Af,设置乙分类的风险得分计算方式为指标B和指标组合规则C得分的最大值max(Bf,Cf);计算风险总得分可以是:SUMf等于所有分类的风险得分之和:Af+max(Bf,Cf)。
进而,再通过该分类计算的结果,判断处于何种风险程度,比如确定风险总得分在预先确定的风险程度划分标准的相应范围。
一个实施方式中,风险预警模型识别被监控对象的风险,或者说识别出被监控对象存在的风险,根据风险程度的划分,从而得出预警名单,主要是被监控对象的名单,优选地,识别被监控对象的风险包括识别其风险程度(如按照风险等级或类别划分不同的风险程度),具体地,这些被监控对象的风险程度等级/类别可以包括但不限于:高风险、中风险、低风险、已经违约、无风险等。例如,根据风险程度的阈值(或者风险等级/类别的区间),可以设置大于等于50分的为高风险、大于等于10分但小于50分的为中风险、大于等于5分但小于10分的为低风险、小于5分的为无风险,等等。比如三个企业Q1、Q2、Q3,各自风险总分为60、40、8,可以由此确定Q1是高风险,Q2是中风险、Q3是低风险,等等,进而,可以输出所有企业及其风险程度,作为预警名单展示出来。
由此,本实施例的方式适应性强,能快速匹配各种实际应用场景,转换容易、解释性强,计算效率高、运算资源消耗低/成本低,且符合场景实际具体情况,有助于及时高效准确地进行风险识别。
步骤S130,根据识别的被监控对象的风险,进行智能提醒。
一个实施方式中,当根据前述识别的风险情况,比如分类计算的结果,识别出一个或多个或者说任意的在监控名单中的被监控对象存在风险时,可以进行智能提醒,比如:优选地可以是根据计算的一个或所有分类(或者说板块)的总得分情况所识别出的每个存在风险的被监控对象时,可以通过声光电波图文等方式发出警告,包括但不限于语音、闪烁预警亮光、闪烁灯、高亮显示、App通知、终端上短信等通信提醒提示、邮件提示、色彩标识等等。进一步,可以按照风险程度,采用区别方式进行智能提醒。具体如:前述例子中对多个企业进行监控时,获取各自的数据处理后利用风险预警模型进行预测(比如计算所有指标分类的总分等),识别各企业存在的风险并确定各自风险程度,再按照不同风险程度进行相应该程度的智能预警,例如:为不同风险程度的企业添加不同的标识,如展示的监控名单或者说预警名单中,可以对高风险、中风险、低风险和已经违约的几个企业的各自企业名称前显示红色警示灯、黄色警示灯、绿色警示灯和黑色警示灯;甚至可以通过邮件自动将各企业的最新风险情况按固定频率自动推送给监控相应企业的相关机构或人员,推送内容可以包括但不限于风险程度、风险关注点等等。
由此,预测识别出存在风险的各个被监控对象及其存在风险的程度,通过风险监控智能提醒,可以准确有效地提醒或提示监控方对不同风险情况做出相应的处理或应对策略。
【例子1】
下面参见图5所示的一个例子示意的主要处理过程,对风险预警模型的构建方式进行具体描述。
在本实施例中,主要基于机器学习进行指标选取和阈值划分,从而构建量化的风险预警模型。其能快速有效适应不同场景的数据特点、选择相应的信号指标并提供相应的阈值划分、指标分类、风险得分计算方式和风险程度的划分等,其实用性和时效性都得到所提升,进而其简化模型设计,计算复杂度低,效率高且计算准确性高。
具体的预警模型建立过程如:
步骤S510,选取信号指标。
具体地,根据根据应用场景或所述历史数据,初步选取信号指标形成信号指标池(如实际场景的经验、案例的分析等)初步选取信号指标形成信号指标池,通过机器学习算法训练,并根据预设标准确定在所述信号指标池中保留的信号指标。
一个实施方式中,初步提取信号指标,优选地,可以预先选择构建的模型可用的信号指标,众多信号指标可以形成初始信号指标池。其中,初始的信号指标池可以包括可能能够指示或者预警存在风险的信号指标、也可以包含可能不能够指示或者预警存在风险的信号指标。
其中,可以基于需要风险识别的应用场景进行指标筛选。具体可以对经过监控识别的企业样本进行案例分析获得信号指标,优选地,根据所述历史数据比如案例,加以分析,初步选取信号指标形成信号指标池。
一个实施方式中,对经过监控识别的被监控对象进行分析,确定存在风险的每个被监控对象的风险特征;根据所述风险特征提取对应所述风险特征的信号指标并形成信号指标池。
例如:前述对多个企业监控的企业违约风险的场景,通过违约案例的分析,总结每个企业违约的路径,挖掘出企业违约的共性原因或者说共同特点,根据这些共性或者共同点(或者说这些风险特征),可以提取出可能对违约有预警作用的信号指标。
进一步,可以量化分析每个信号指标的预警效果,如果预警效果不满足预定标准则可以舍弃该标准即信号指标,否则选取该信号指标。
步骤S520,基于选取的信号指标训练指标和/或指标组合规则。
一个实施方式中,在信号指标池中利用训练样本提取或者说设置相应的信号指标的组合。其中,选择所述历史数据中同一时间段的被监控对象作为所述训练样本,优选地,选择所述历史数据中同一时间段中存在风险的被监控对象和未存在风险的被监控对象作为训练样本。
进一步,从所述保留的信号指标中选择与所述训练样本相应的信号指标数据和/或信号指标组合数据。
一个实施方式中,根据所述训练样本以及相应的信号指标和/或相应的信号指标组合数据,利用机器学习算法训练每个信号指标和/或指标组合规则在不同阈值下的预警效果,如果预警效果不满足预定标准则可以舍弃该信号指标和/或信号指标组合规则,否则选取该信号指标和/或信号指标组合及相应的阈值。
进一步,预定标准的选取,可以包括但不限于比如:信号指标在正负样本间是否存在显著性差异(统计学Statistics概念中,实际应用场景下的统计中关于衡量正负样本之间在某一个或多个指标上存在的达到某个水平的差异)、对预警的置信度(或者说精确率)、覆盖率(或者说召回率)或二者加权值是否不低于某一数值或者说大于等于某一个预设阈值/第一阈值;指标的IV值(Information Value资料/信息价值的值)不低于或者说大于等于某一个预设阈值/第二阈值;等等。其中,对预警的置信度/精确率、覆盖率/召回率、等等,在前述例子中可以表示对违约预警的精确率/置信度、覆盖率/召回率、等等。优选地,预警效果不满意的即不能达到预定标准的信号指标就抛弃,能达到或者说符合的信号指标就保留在信号指标池中。
优选地,根据每个所述训练样本是否存在风险、以及触发所述风险的所有单独的信号指标数据和/或组合数据,根据基于机器学习算法,(包括但不限于分类、回归、聚类、识别等算法),计算不同的所述信号指标和/或所述信号指标组合在不同阈值下的预警效果,从而可以确定能放入预设风险预警模型的信号指标和/或信号指标组合;选取所有符合预设效果标准的不同的所述信号指标和/或所述信号指标组合,作为设置入所述风险预警模型的指标和/或指标组合规则。
具体地,通过分析能确定当多个信号指标对应的预警信号都被触发时,其预警准确度或者说预警程度/预警能力可能会相对高于单纯的线性累积,即信号之间存在叠加预警效应。
进一步,可以基于该训练样本、以及在信号指标池中所有单个信号指标即单信号指标基础上,选择使用决策树、关联规则、贝叶斯分类等机器学习算法,根据预警置信度/精确率和/或覆盖率/召回率等为判断寻优目标来训练基于该机器学习算法的风险预警模型,从海量的信号指标组合中,获取对监控和识别风险更具有效率的组合预警指标,从而能尽可能地减少干扰信号和冗余信号。
以采用关联规则模型为例,进行构建风险预警模型的指标组合规则的过程的说明:利用关联规则模型可以在对应训练样本从信号指标池中选取了相应的各个单信号指标后,即确定了哪些信号指标可能是相应于训练样本的具备预警效果,将这些信号指标纳入监控/监测范围,比如,纳入监测的单指标信号可以包括{A信号指标、B信号指标、……Z信号指标}。
具体以前述监控识别企业违约风险的应用场景举例:
Step1:
这里,以同一时间内存在风险状态和不存在风险状态的被监控的对象作为训练样本,然后,根据这些训练样本的被监控的对象的风险状态与处理过的所述信号指标池,获得相应训练样本的风险状态的所有单信号指标,构建信号指标组合。
例:以某段时间发生违约事件或高风险事件企业和期间足额偿还本息的公募发债企业作为训练样本,比如时间段2月1日到2月28日这段时间发生了违约事件或高风险事件的被监控的一个或几个企业、以及在这段时间内足额偿还本息的公募发债的企业,作为训练样本。进而,将这些训练样本的风险状态与相应的信号指标构建组合,本实施例中可以是构建关联规则模型,比如:是否违约以及对应发生违约的多个信号作为项集,以是否违约、单信号指标项集构成各个关联规则,对应关联模型的关联规则根据被监控的企业及其违约风险、之前选择的各个信号指标,对应构建关联规则模型的关联规则例如:{违约,触发A信号指标}、{违约,触发C信号指标}、{违约,触发A信号指标、触发C信号指标}、{违约,触发A信号指标,触发C信号指标,触发Z信号指标}等,其中触发A信号指标(或者C信号指标、Z信号指标)是指训练样本在该指标的数值满足一定条件,如超过某一阈值。
Step2:
基于所述训练样本,通过分析各个预先构建的所述组合而确定预警效果最好的组合规则,比如计算各个组合规则的支持度、置信度/精确率和提升度等等,综合分析判断得到效果较好的组合规则即指标组合规则的训练。具体比如:对于关联规则模型来说,可以计算前述形成的各个关联规则的支持度、置信度/精确率和提升度等等,综合判断得到效果较好的关联规则即训练关联规则模型,如该模型的指标和/或指标组合规则:{触发A信号指标,触发C信号指标,触发Z信号指标},其具备一定发生频率和违约预警能力。进一步,对于预警效果越高的组合规则,通过量化计算分析所赋予的分数越高。
步骤S530,对所述风险预警模型的所述指标和/或指标组合规则进行分类并设置每个分类的计算方式。
一个实施方式中,将所述风险预警模型的所述指标和/或指标组合规则进行归类;为经过归类确定的各个分类设置相应的风险得分的计算方式,其中,不同分类的风险得分计算方式相同或不同;设置基于所述各个分类的风险总得分的计算方式。
进一步,可以对性质近似的指标和/或指标组合规则进行归类,比如,将预警信号指标划分成不同类别板块或者说不同层次的板块。
以前述监控企业违约风险为例,预警信号指标可以划分成七个大的板块两个小板块,例:上一级的七个大板块可以包括重要舆情、一般舆情、财务风险/状况、财务弹性、价格波动、信用级别/等级和信用事件;下一级的主要是信用事件下分了两个小板块,可以包括本公司信用事件和重要关联公司信用事件。其中,财务风险例如企业财务方面的风险状况,财务弹性例如企业再融资空间等,信用级别例如国内外评级机构授予企业的级别及其评级调整等,价格波动例如企业债券一、二级市场交易价格反映的风险等,信用事件例如企业自身或重要关联公司出现的诸如银行贷款、美元债、信托等债务违约事件等等。例如:根据前述企业监控的例子,对于舆情指标数据,确定重要舆情和一般舆情的区分标准,如重要舆情可以指对企业信用风险有重大影响的负面舆情,一般舆情可以指对企业信用风险有一定影响的负面舆情。以财汇新闻数据库的220种舆情类型为例,可以将其中66种舆情类型归为重要舆情,包括资产查封/扣押/冻结/司法划转/拍卖/股权冻结等等;其它可归为一般舆情,包括公司违规或被询问、项目出现停建、缓建、拖期等等。
一个实施方式中,由于所有的指标和/或指标组合规则能够根据其定义、阈值等方式计算、转换或确定出相应的风险得分,由前述分类和分类计算方式的预先设置(比如取加权求和值或取最大值等),可以算出每个分类下的风险得分,进而再设置风险总得分的计算方式而计算出风险总得分。比如可以设置风险总得分根据不同分类得分按照一定规则进行运算得出等。
进一步,以前述企业监控为例:被监控企业的风险总得分可以等于归类的各个分类风险得分之和,而各个分类得分基于相应指标及指标组合规则得分之和,各个分类得分均不超过预先设置的某个上限、阈值范围等。如前述被监控企业是否存在违约风险的例子中:首先按照之前的各个类别板块的划分,累加指标的评分,如重要舆情板块下各指标和/或指标组合规则即A、C、Z得分之和为20,超过该类别板块设置的上限15,而价格波动板块下各指标和/或指标组合规则即B、D、E风险得分之和为15,未超过该板块阈值10,假设仅此两个板块有指标和/或指标组合规则及风险得分,该被监控企业的风险总得分为两个板块的评分之和15+15=30,即30为该被监控的企业的风险预警的得分。
一个实施方式中,确定被监控对象的风险程度,具体还包括:基于所述分类计算结果确定被监控对象的风险总得分,并根据预先确定的风险程度划分标准,识别被监控对象的风险情况。具体地,当通过所述风险得分的计算方式和所述风险总得分的计算方式,获得全部所述训练样本的风险总得分后,根据预设标准分析总得分,比如根据F值,确定风险程度的划分标准。
进一步,风险程度按照不同阈值标准进行划分,从而确定被监控对象的是否存在风险或处于何种风险程度。比如判断风险总得分是否达到了某个分值,或者处于某个阈值范围内时,则表明被监控对象存在风险或某种风险程度。
具体地,风险程度的阈值确定可以利用机器学习算法中的评测指标,例如,利用查准率和查全率计算F值,确定不同风险程度的最优预警分数,如14分以及以上对应高风险、8至14分对应中风险、低于8分对应低风险等。由此,确定每个被监控对象各自的风险评分所对应的风险程度。
经过上述历史数据分析和提取样本进行模型构建,获得归类的风险预警模型的指标和/或指标组合规则,进而还确定风险程度划分,由此形成最终的风险预警模型,能够在上线后设置于监控平台中监控数据同时识别出风险数据或者说存在风险的数据对应的被监控对象。
现有的一般通过大数据监控实现风险识别的方式中仅考虑被监控对象的单一风险维度或者说同一类型的数据、而在风险识别模型或者说风险预警算法中也仅仅采用同类型的信号指标构建算法模型,比如财务类的数据,指标类型单一,以及即便在风险预警模型选取多个指标时也未考虑过多个指标间叠加效果而导致模型受限于单个指标预警效果不足、整体预警效果差。而根据本发明实施例的信息监控所实现的对风险数据的识别,显然通过多维度或者说多种类型的数据的监控处理、多指标选择适应实际监控识别场景的选取信号指标和信号指标组合配合构建模型的训练,有助于叠加的预警效果、预测识别的准确性和效率得到提升,预警效果得到显著改进。并且,指标和指标组合规则的分类和基于分类的得分计算,容易适应不同场景的方式即适应性强,实用性好,计算效率高,根据数据实时更新运算结果,显然更有助于计算效率预测效率的提升。
基于此,本发明能够提取被监控对象获取相应需要的数据,通过其各个维度存在的信息(这类信息包括多个维度的风险信号),更时效地预先或者说及时地识别识别出存在风险的被监控对象,进一步,通过机器学习算法确定的指标和指标组合规则和阈值划分能够使得模型更为准确的区分存在风险的被监控对象的风险程度,再者,降低模型算法难度使得监控识别更有效率,识别被监控对象是否存在风险、风险得分或者风险程度的变化从而能实现不同方式的智能预警提醒,再进一步,由于构建更方便计算、容易解释的识别算法(如预警模型)运算更准确方便且更有实用性地确定风险对应的信息点(如风险点)。
【实施例2】
类似地,本发明提供的信息监控装置的一个实施例,与前述方法相对应。如图2根据本发明的装置的一个实施例的结构框图,该装置具体可以包括:
数据处理单元,用于获取被监控对象的多维度数据并对所述多维度数据进行处理。其具体功能参见S110的具体步骤和内容,在此不再赘述。
风险识别单元,用于通过预先设置的风险预警模型对前述处理后的所述多维度数据进行相应的指标和/或指标组合规则的分类计算,以识别被监控对象的风险。其具体功能参见S120的具体步骤和内容,在此不再赘述。
进一步,风险识别单元中采用的风险预警模型或者说风险识别算法模型,是通过例子1中描述的基于机器学习进行指标分类、选取以及阈值划分所构建的。风险识别单元基于此,还包括:
指标选取子单元,用于选取信号指标,其具体功能参见S510的具体步骤和内容,在此不再赘述;
规则设置子单元,用于基于选取的信号指标训练组合规则,具体功能参见S520的具体步骤和内容,在此不再赘述;
分类预测子单元,用于对所述风险预警模型的所述指标和/或指标组合规则进行分类并设置每个分类的计算方式,具体功能参见S530的具体步骤和内容,在此不再赘述。
风险提醒单元,用于根据识别的被监控对象的风险,进行智能提醒。其具体功能参见S130的具体步骤和内容,在此不再赘述。
根据本发明实施例的信息监控所实现的对风险数据的识别,显然通过多维度数据的监控处理、多指标选择适应实际监控识别场景的选取信号指标和/或信号指标组合配合构建模型的训练,有助于叠加的预警效果、预测识别的准确性和效率得到提升,预警效果得到显著改进。并且,指标组合规则的模型训练,容易适应不同场景的方式即适应性强实用性好,计算快捷,根据数据实时更新运算结果,显然更有助于计算效率预测效率的提升。
基于此,本发明能够筛选被监控对象获取相应需要的数据,能够通过其各个维度存在的信息(这类信息包括多个维度的风险信号),更准确地识别出存在风险的被监控对象,进一步,指标选取和阈值划分也使得能区分识别存在风险的被监控对象的风险程度,再者,降低模型算法难度监控识别更有时效地预先或者说及时地识别被监控对象存在风险从而能实现不同风险的智能预警提醒,再进一步,由于设计更快捷计算、容易解释的识别算法(如预警模型)运算更准确方便且更有实用性地确定风险对应的信息点(如风险点)。
【实施例3】
下面以债券业务的应用场景下采用本发明的信息监控方案,尤其是债券的全生命周期的监控,对存在风险的用户及其风险程度的识别为例子,对本发明在实际应用场景下实现大数据监控中风险识别的过程做进一步说明。
1、预处理步骤:
主要是根据预设的监控规则,先确定监控名单,以减少过多的冗余数据,简化运算提升效率。具体比如,监控对象为存续债券余额大于零的债券发行人(即被监控的企业),若企业所有债券已完成兑付,自动移出监控名单。
2、获取数据步骤:
通过信息监控平台进行各种监控的实时数据的获取,提升监控识别的时效性。具体比如,监控抓取大数据。进一步,实时获取被监控的企业包括舆情、财务数据、交易数据、评级数据在内的多维度数据。其中,获取的数据包括实时监控的各个用户的各种数据源,例如:第三方新闻数据库的舆情数据、wind数据库的财务数据、彭博数据库的国际三大评级机构数据和美元债收益率数据等等。
3、数据处理步骤:
主要是确定与风险预警模型的指标和/或多个指标组合规则对应的监控数据,指标主要是识别风险使用,即确定对应指标(包括其组合规则)的数据。
可以对不同的数据,采用不同窗口期,进行处理。比如:舆情数据指标,采用半年内的舆情等;财务数据指标,采用一年内最新财务报表数据;对于信用评级指标,采用一年内的最新评级,若有多家评级机构,采用最低信用评级;对于债券收益率指标,采用最近两周内的最高值;等等。
进一步,对于舆情中出现的信用事件,进行人工确认,排除虚假舆情,确认信用事件的严重程度和真实受影响企业,能保证监控数据的风险识别更精确化。
4、风险及其程度预测步骤:
主要是通过基于机器学习算法的预警模型的单指标和/或多指标组合规则所对应的监控的前述数据,计算企业风险总得分,从而预测或者说识别风险进而判定风险程度。
比如,根据风险预警模型的设置,即指标和多指标组合规则训练后确定的该预警模型,首先,计算风险预警模型中各指标、指标组合规则的得分,如:可以将第3步获取并处理的数据,按照指标定义或者阈值或者规则转化为得分,然后,再计算风险总得分,如:等于各类别板块(即分类)的得分之和,各类别板块得分基于相应指标得分,按各自的计算方式继续进行计算,等等,最后,根据风险程度的划分标准确定企业的风险程度/等级,例如按分数阈值划分区域:14分以上为高风险,8-14分为中风险,8分以下为低风险,等等。进而,可以通过风险状态或者风险偏好得出预警名单,如:设置高风险企业为预警名单并显示、或者设置中风险以上企业为预警名单并显示。
其中,构建风险预警模型具体如下:
构建风险预警模型主要是基于机器学习进行指标选取及阈值划分、风险程度标准所确定的预警模型。更具体地,阈值(指标的得分标准)和信号指标、指标组合规则的选取同时进行,二者密不可分。给予风险信号的信号指标,需要对应到计算得分的阈值,如后面描述的:以净亏损为例,阈值点可设为10亿元或者20亿元,超过20亿可得**分,10-20亿又可得**分,等等,这样的阈值划分有助于更精确地确定被监控企业的在指标上的风险得分,达到准确及时的预警的目的。
(1)信号指标选择
基于相应业务的应用场景下的历史数据分析,获得能够指示风险的信号指标。具体地,在本实施例的债券的全生命周期风险监控的场景下:
第一步,可以采用通过违约案例分析,总结企业违约的路径,比如:根据每个风险(违约)案例中,出现了风险(违约)的各个被监控对象(企业)的过程或者说路径下的原因特点,或者说出现风险的路径下的风险特征,(比如可以挖掘路径下企业违约的共性原因等),从而,可以分别提取可能对违约具有预警作用的信号指标,并进一步构建初步的信号指标池,将这些信号指标保存下来,从而减少干扰信号和冗余信号。
第二步,对于第一步中初步提取的信号指标,进一步量化分析其指示风险的重要性比如预警效果是不是满足预设的标准或条件等,如果预警效果不满足一定标准,则舍弃该指标,否则选取该指标。其中,预设的标准或条件在本实施例的场景下,可以包括:指标对违约预警的精确率(比如:预测为违约的企业中正确的数量比上预测为违约的企业的数量)、召回率(比如:真实违约的企业中被正确预测的数量比上真实违约的企业的数量)、或二者加权值是否不低于一预设的数值等,和/或指标的IV值(即信息价值/信息量)不低于一预设的数值或预设的阈值等,和/或基于人工审核确定等,由此筛选出重要可用的指标。进一步,各种指标的标准值的设置是被监控对象信息不同类型数据本身的特点与指示风险的重要性/准确性所确定的。
一个例子,可以是分析财务指标,以精确率不低于80%同时召回率不低于80%作为指标选取标准。首先,采集违约企业和非违约企业的该指标数据,当样本的指标数据超过某阈值点则预测为违约,进而,计算相应的精确率和召回率,如果满足精确率不低于80%同时召回率不低于80%,则该指标获选取,该指标及相应的阈值点进入风险预警模型。如一个指标在多个阈值点下均满足选取标准,则以预警效果或结合指标含义设置不同阈值点下指标不同的得分,如净亏损指标,当阈值点为10亿或20亿均满足精确率不低于80%同时召回率不低于80%,则可设置企业净亏损低于10亿为1分,净亏损自10亿和20亿之间为2分,净亏损超过30亿为3分。
一个例子,可以是分析违约案例中的舆情信息,即以舆情作为指标,进而,对于舆情指标,在若干种舆情类型中区分重要和非重要的舆情即普通舆情,分别赋予不同的分数,触发重要舆情的得分高于触发普通舆情的得分。重要和普通舆情的区分可以以该类型指标是否对于企业信用风险有重要影响为标准。具体地,重要舆情指对企业信用风险有重大影响的负面舆情,普通舆情指对企业信用风险有一定影响的负面舆情。以财汇新闻库的220种舆情类型为例,可进一步人工审核确定66类重要舆情,包括资产查封/扣押/冻结/司法划转/拍卖、股权冻结等。普通舆情则包括公司违规或被问询、项目出现停建、缓建、拖期等。
(2)设置指标组合规则
当多个预警信号同时触发时,其预警效果或将高于单纯的线性累积,即信号间存在叠加预警效应。从而不同或相同的维度/类别下的指标可以形成多个指标的组合,由此对监控的数据进行识别和风险程度判断上都会更准确。下面将通过一个例子说明通过构建或者设置多指标组合规则来进行更准确的识别判断的过程。
该例子中,可以在前述信号指标池中单个信号指标的基础上形成不同的信号指标组合,使用决策树、关联规则、贝叶斯分类等机器学习算法,利用预设的标准或条件提取的信号指标组合,例如,以违约预警的置信度(在先决条件X发生的条件下,由关联规则(X,Y)推出Y的概率),提升度(含有X的条件下又含有Y的概率;并且与Y总体发生的概率作比值),支持度(集合在总项集中出现的概率)和覆盖率(违约企业被识别出的比率)作为预设的标准或条件。由此,从海量信号指标组合中,获取对监控和识别风险更有效率的信号指标组合来实现预警。从而,可以联合多个信号指标,同维度/不同维度的等等,形成多信号指标组合。具体地,以使用关联规则模型为例:
纳入模型监测的单信号指标包括:A信号指标、B信号指标、……、Z信号指标。
第一,以某段时间发生违约等高风险事件的企业(违约)或者该某段时间足额偿还本息的公募发债企业(未违约),作为训练样本;将样本是否违约和其发生的多指标作为项集即多个项的集合,以是否违约、单信号项集构成各个关联规则,如一个关联规则{违约,触发A信号指标,触发C信号指标,触发Z信号指标}。
第二,计算多个关联规则在不同指标阈值下各自的支持度、置信度和提升度,等等,综合判断得到效果较好的关联规则,比如确定一个多信号指标组合{触发A信号指标、触发C信号指标、触发Z信号指标}符合预定条件或标准的违约预警效果。而每个符合标准的多信号指标组合会赋予数据,预警效果越高的组合规则,将赋予的分数越高,由此将所有符合标准的多信号指标组合包括单信号指标的情况,获取作为指标和/或指标组合规则进入风险预警模型。
(3)对预警指标和指标组合规则进行分类
基于应用场景下业务的特点,对指标和指标组合规则进行归类,比如对于性质近似的指标和组合规则进行归类。一个例子,可以将预警信号指标分为七大板块:重要舆情、一般舆情、财务风险、财务弹性、信用级别/等级、价格波动和信用事件(如本企业信用事件和重要关联企业信用事件)。在本实施例的应用场景中,财务风险可以指企业财务方面的风险,财务弹性指企业的再融资空间;信用级别可以指国内外评级机构授予企业的级别及其评级调整;价格波动可以指企业债券一、二级市场交易价格反映的风险;信用事件可以指企业自身或者重要关联公司出现的银行贷款、美元债、信托等债务违约事件等等。则相应于信号指标的训练后的模型的指标和/或指标组合规则也就按照上述类别板块归类。
(4)设置各个分类的计算方式
具体是各个分类的风险得分计算方式。各类别板块的风险得分基于相应指标得分之和,按各自的计算方式进行计算,计算方式可设置为等于各类别板块的得分之和、最大或者其他。
(5)设置风险总得分的计算方式,进而,还可以确定风险程度的划分标准。
风险总得分基于各板块的得分进行计算,计算方式可设置为等于各类别板块得分之和、最大或者其他。
在计算得到全部样本的风险总得分后,例如利用精确率(预测为违约的企业中正确的数量/预测为违约的企业数量)、召回率(真实违约的企业中被正确预测的数量/真实违约的企业数量)计算F值,这里 a可取0-1之间的数值;选取F值较高的阈值,作为不同风险程度的判断标准,如14分及以上对应高风险,8至14分为中风险,低于8分为低风险。
5、智能提醒步骤:
根据不同风险程度(如风险等级:高、中、低;较高、较低等等),进行不同预警比如风险监控智能提醒。
具体比如,为不同风险程度的企业添加不同的标识,可以对假设为高风险、中风险、低风险和已违约用户通过声光字图等信号或信息进行智能预警,例如对这些不同风险程度的企业分别在企业名称前显示红色警示灯、黄色警示灯、绿色警示灯和黑色警示灯等。
进一步,还可以通过互联网发布发送相应企业最新风险程度信息,比如通过邮件、app、短信自动将企业的最新风险情况按固定频率自动推送给需要了解或监控该企业的相关人员,推送内容包括风险程度、风险关注点等等。
【实施例4】
下面描述本发明的电子设备实施例,该电子设备可以视为对于上述本发明的方法和装置实施例的实体形式的实施方式。对于本发明电子设备实施例中描述的细节,应视为对于上述方法或装置实施例的补充;对于在本发明电子设备实施例中未披露的细节,可以参照上述方法或装置实施例来实现。
图3是根据本发明的一种电子设备的示例性实施例的结构框图。图3显示的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示,该示例性实施例的电子设备200以通用数据处理设备的形式表现。电子设备200的组件可以包括但不限于:至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中,所述存储单元220存储有计算机可读程序,其可以是源程序或都只读程序的代码。所述程序可以被处理单元210执行,使得所述处理单元210执行本发明各种实施方式的步骤。例如,所述处理单元210可以执行如图1所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202,还可以进一步包括只读存储单元(ROM)2203。所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204,这样的程序模块2205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备300(例如键盘、显示器、网络设备、蓝牙设备等)通信,使得用户能经由这些外部设备300与该电子设备200交互,和/或使得该电子设备200能与一个或多个其它数据处理设备(例如路由器、调制解调器等等)进行通信。这种通信可以通过输入/输出(I/O)接口250进行,还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)进行。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白,尽管图中未示出,电子设备200中可使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
【实施例5】
图4是本发明的一个计算机可读介质实施例的示意图。如图4所示,所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。当所述计算机程序被一个或多个数据处理设备执行时,使得该计算机可读介质能够实现本发明的上述方法。
通过以上的实施方式的描述,本领域的技术人员易于理解,本发明描述的示例性实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台数据处理设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述,本发明可以执行计算机程序的方法、装置、电子设备或计算机可读介质来实现。可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现本发明的一些或者全部功能。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,本发明不与任何特定计算机、虚拟装置或者电子设备固有相关,各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (13)
1.一种信息监控方法,其特征在于,包括:
基于被监控对象的多维度数据,通过训练后的风险预警模型进行所述多维度数据对应的指标和/或指标组合规则的分类计算;
根据所述分类计算的结果以及预先确定的风险程度的划分标准,识别所述被监控对象的风险。
2.根据权利要求1所述的方法,其特征在于,基于被监控对象的多维度数据,通过训练后的风险预警模型进行所述多维度数据对应的指标和/或指标组合规则的分类计算,具体包括:
基于预定的信号指标池,通过对历史数据中获取的经监控识别的训练样本相应于指标池的数据训练预先构建的所述风险预警模型,并确定指示风险的所述风险预警模型的指标和/或指标组合规则;
对获取的被监控对象的数据进行处理获得所述多维度数据,所述多维度数据对应确定的所述风险预警模型的所述指标和/或指标组合规则;
将所述多维度数据通过训练后的所述风险预警模型,计算出对应的所述指标和/或指标组合规则的得分;
根据所述得分及所述指标和/或指标组合规则的分类,确定相应的风险总得分。
3.根据权利要求2所述的方法,其特征在于,基于预定的信号指标池,通过对历史数据中获取的经监控识别的训练样本相应于指标池的数据训练预先构建的所述风险预警模型,并确定指示风险的所述风险预警模型的指标和/或指标组合规则具体包括:
根据应用场景或所述历史数据,初步选取信号指标形成信号指标池;
选择同一时间段的历史数据中经监控识别的被监控对象作为所述训练样本;
从所述信号指标池中选择与所述训练样本相应的信号指标的数据和/或设置与所述训练样本相应的信号指标组合的数据;
对所述训练样本以及相应的所述信号指标的数据和/或相应的所述信号指标组合的数据进行训练,得到所述风险预警模型的所述指标和/或指标组合规则;
对所述风险预警模型的所述指标和/或指标组合规则进行分类并设置每个分类的计算方式。
4.根据权利要求3所述的方法,其特征在于,选择同一时间段的历史数据中经监控识别的被监控对象作为所述训练样本,具体包括:
选择同一时间段的历史数据中存在风险的被监控对象和未存在风险的被监控对象作为训练样本。
5.根据权利要求3或4所述的方法,其特征在于,对所述训练样本以及相应的所述信号指标的数据和/或相应的所述信号指标组合的数据进行训练,得到所述风险预警模型的所述指标和/或指标组合规则,具体包括:
根据每个所述训练样本是否存在风险、以及触发所述风险的所有单独的信号指标,作为所述训练样本相应的信号指标和/或构建所述训练样本的信号指标组合;
根据基于机器学习算法所训练的所述风险预警模型,计算不同的所述信号指标和/或所述信号指标组合的预警效果;
选取所有符合预设效果标准的不同的所述信号指标和/或所述信号指标组合,作为设置入所述风险预警模型的指标和/或指标组合规则。
6.根据权利要求3至5任一项所述的方法,其特征在于,对所述风险预警模型的所述指标和/或指标组合规则进行分类并设置每个分类的计算方式,具体包括:
将所述风险预警模型的所述指标和/或指标组合规则进行归类;
为经过归类确定的各个分类设置相应的风险得分的计算方式,其中,不同分类的风险得分计算方式相同或不同;
设置基于所述各个分类的风险总得分的计算方式。
7.根据权利要求6所述的方法,其特征在于,还包括:
当通过所述风险得分的计算方式和所述风险总得分的计算方式,获得全部所述训练样本的风险总得分后,根据预设标准分析所述总得分确定风险程度的划分标准。
8.根据权利要求2至7任一项所述的方法,其特征在于,对获取的被监控对象的数据进行处理获得所述多维度数据,所述多维度数据对应确定的所述风险预警模型的所述指标和/或指标组合规则,具体包括:
根据预设监控规则,确定监控名单,所述监控名单包括一个或多个被监控对象;
根据所述风险预警模型的所述指标和/或指标组合规则的定义,经信息监控平台从多个数据源抓取相应所述被监控对象的多个维度的数据。
9.根据权利要求2至8任一项所述的方法,其特征在于,
将所述多维度数据通过训练后的所述风险预警模型,计算出对应的所述指标和/或指标组合规则的得分;具体包括:将所述多维度数据根据对应的所述指标和/或指标组合规则的定义,转换成所述指标或组合规则的得分;
和/或,
根据所述得分及所述指标和/或指标组合规则的分类,确定相应的风险总得分,具体包括:将所述指标和/或指标组合规则的得分根据所在的所述分类进行求和,获得每个所述分类的得分;根据每个所述分类的得分计算所述风险总得分。
10.根据权利要求1至9任一项所述的方法,其特征在于,
根据所述分类计算的结果以及预先确定的风险程度的划分标准,识别所述被监控对象的风险,具体包括:根据所述分类计算获得的相应所述被监控对象的风险总得分,通过预先确定的风险程度的划分标准,识别出所述被监控对象的所述风险总得分对应的风险程度;
和/或,
还包括:根据显示规则,将识别出的存在风险的所有所述被监控对象按照对应的不同的风险程度进行显示;
和/或,
还包括:对识别出的存在不同风险程度的所有所述被监控对象提供有区别的预警提醒。
11.一种信息监控装置,其特征在于,包括:
计算模块,用于基于被监控对象的多维度数据,通过训练后的风险预警模型进行所述多维度数据对应的指标和/或指标组合规则的分类计算;
识别模块,用于根据所述分类计算的结果以及预先确定的风险程度的划分标准,识别所述被监控对象的风险。
12.一种电子设备,包括:
处理器;以及存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器执行根据权利要求1至10中任一项所述的方法的步骤。
13.一种计算机可读介质,其中,所述计算机可读介质存储一个或多个程序,当所述一个或多个程序被处理器执行时,实现权利要求1至10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210369408.0A CN114742402A (zh) | 2022-04-08 | 2022-04-08 | 信息监控方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210369408.0A CN114742402A (zh) | 2022-04-08 | 2022-04-08 | 信息监控方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114742402A true CN114742402A (zh) | 2022-07-12 |
Family
ID=82278182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210369408.0A Pending CN114742402A (zh) | 2022-04-08 | 2022-04-08 | 信息监控方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742402A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115545881A (zh) * | 2022-09-02 | 2022-12-30 | 睿智合创(北京)科技有限公司 | 一种基于信贷风险处理的风险因子归因方法 |
CN117234858A (zh) * | 2023-11-14 | 2023-12-15 | 睿至科技集团有限公司 | 一种智能告警平台的协调优化运行方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140019194A1 (en) * | 2012-07-12 | 2014-01-16 | Bank Of America | Predictive Key Risk Indicator Identification Process Using Quantitative Methods |
CN108876600A (zh) * | 2018-08-20 | 2018-11-23 | 平安科技(深圳)有限公司 | 预警信息推送方法、装置、计算机设备和介质 |
CN109165840A (zh) * | 2018-08-20 | 2019-01-08 | 平安科技(深圳)有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
CN109829628A (zh) * | 2019-01-07 | 2019-05-31 | 平安科技(深圳)有限公司 | 基于大数据的风险预警方法、装置和计算机设备 |
-
2022
- 2022-04-08 CN CN202210369408.0A patent/CN114742402A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140019194A1 (en) * | 2012-07-12 | 2014-01-16 | Bank Of America | Predictive Key Risk Indicator Identification Process Using Quantitative Methods |
CN108876600A (zh) * | 2018-08-20 | 2018-11-23 | 平安科技(深圳)有限公司 | 预警信息推送方法、装置、计算机设备和介质 |
CN109165840A (zh) * | 2018-08-20 | 2019-01-08 | 平安科技(深圳)有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
CN109829628A (zh) * | 2019-01-07 | 2019-05-31 | 平安科技(深圳)有限公司 | 基于大数据的风险预警方法、装置和计算机设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115545881A (zh) * | 2022-09-02 | 2022-12-30 | 睿智合创(北京)科技有限公司 | 一种基于信贷风险处理的风险因子归因方法 |
CN117234858A (zh) * | 2023-11-14 | 2023-12-15 | 睿至科技集团有限公司 | 一种智能告警平台的协调优化运行方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Financial fraud detection model: Based on random forest | |
JP4358475B2 (ja) | 信用評価システム | |
CN114742402A (zh) | 信息监控方法、装置、设备和介质 | |
Rafat et al. | The country risks and foreign direct investment (FDI) | |
CN109191283A (zh) | 风险预警方法及系统 | |
US8930254B2 (en) | Financial methodology to valuate and predict the news impact of major events on financial instruments | |
CN111476660A (zh) | 一种基于数据分析的智能风控系统及方法 | |
CN111401798A (zh) | 一种企业逃废债风险预警系统及构建方法 | |
CN112419030B (zh) | 财务舞弊风险评估的方法、系统及设备 | |
CN113177839A (zh) | 一种信用风险评估方法、装置、存储介质和设备 | |
CN112860769A (zh) | 一种能源规划数据管理系统 | |
KR20160003262A (ko) | 연체가 있는 사업체의 확률 계산 | |
CN111695979A (zh) | 一种原材料与成品的关系分析方法、装置及设备 | |
CN113434575B (zh) | 基于数据仓库的数据归因处理方法、装置及存储介质 | |
Nurcahyono et al. | The Effect of Good Corporate Governance Mechanisms, Financial Ratio, and Financial Distress: A Study on Financial Companies | |
Nicolas et al. | ESG reputation risk matters: An event study based on social media data | |
CN112037006A (zh) | 小微企业的信用风险识别方法及装置 | |
CA3170618A1 (en) | Data processing method and device | |
CN113506174A (zh) | 中小企业风险预警模型训练方法、装置和设备 | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN111951105A (zh) | 基于多维大数据分析的智能信贷风控系统 | |
KR20230103025A (ko) | 기업 신용 분석 및 평가 정보 제공 방법, 장치 및 시스템 | |
CN108197740A (zh) | 企业倒闭预测方法、电子设备和计算机存储介质 | |
CN113421155A (zh) | 钢贸企业画像多维度模型构建方法、风控管理方法及装置 | |
CN114493224A (zh) | 企业可持续发展程度评价方法和装置 |
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 |