CN114782170A - 评估模型风险等级的方法、装置、设备和介质 - Google Patents
评估模型风险等级的方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN114782170A CN114782170A CN202210528974.1A CN202210528974A CN114782170A CN 114782170 A CN114782170 A CN 114782170A CN 202210528974 A CN202210528974 A CN 202210528974A CN 114782170 A CN114782170 A CN 114782170A
- Authority
- CN
- China
- Prior art keywords
- model
- evaluated
- risk
- neural network
- assessed
- 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
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0463—Neocognitrons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Technology Law (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开提供了一种评估模型风险等级的方法,可以应用于金融或计算机技术领域。该评估模型风险等级的方法包括:响应于风险评估请求,获取风险评估请求中携带的与待评估模型相关联的特征信息,其中,待评估模型用于评估金融业务风险;对特征信息进行量化处理,得到特征数据;将特征数据输入到基于极限学习机的神经网络模型中,输出与待评估模型相关联的风险值,其中,神经网络模型用于评估待评估模型的风险;以及根据风险值,确定待评估模型的风险等级。此外,本公开还提供了一种评估模型风险等级的装置、设备和介质。
Description
技术领域
本公开涉及金融或计算机技术领域,具体涉及评估模型风险领域,更具体地,涉及一种评估模型风险等级的方法、装置、设备、介质和产品。
背景技术
随着经济的发展,技术的进步,银行的各类金融业务也在不断创新,为保障各类用户的安全,需要对金融业务进行安全性评估。在实现本公开发明构思的过程中,发明人发现相关技术中至少存在如下问题:目前的金融业务存在交易安全性低的问题,在对金融业务的风险进行评估时,不能较为客观地评价金融业务的风险。
发明内容
有鉴于此,本公开提供了一种评估模型风险等级的方法、装置、设备、介质和产品。
根据本公开的第一个方面,提供了一种评估模型风险等级的方法,包括:响应于风险评估请求,获取上述风险评估请求中携带的与待评估模型相关联的特征信息,其中,上述待评估模型用于评估金融业务风险;对上述特征信息进行量化处理,得到特征数据;将上述特征数据输入到基于极限学习机的神经网络模型中,输出与上述待评估模型相关联的风险值,其中,上述神经网络模型用于评估上述待评估模型的风险;以及根据上述风险值,确定上述待评估模型的风险等级。
根据本公开的实施例,上述神经网络模型是通过如下训练方式得到的:从源数据库中提取与已评估模型相关联的风险评估数据,其中,上述风险评估数据包括与已评估模型相关联的样本特征信息和风险标签;对上述样本特征信息进行量化处理,得到样本特征数据,将上述样本特征数据输入至上述神经网络模型中,输出与上述已评估模型对应的预测风险值;根据上述风险标签和上述预测风险值调整上述神经网络模型的模型参数,得到训练后的神经网络模型。
根据本公开的实施例,上述神经网络模型包括隐层神经元;上述神经网络模型还包括如下训练方式:随机初始化上述隐层神经元的输入权重、偏置值、输出权重,得到初始化后的神经网络模型;将上述样本特征数据输入至上述初始化后的神经网络模型,输出上述预测风险值;根据上述风险标签和上述预测风险值调整上述初始化后的神经网络模型,得到训练后的神经网络模型。
根据本公开的实施例,在从源数据库中提取与已评估模型相关联的风险评估数据之前,上述方法还包括:确定上述已评估模型的标识信息;根据上述已评估模型的标识信息生成数据获取请求,其中,上述数据获取请求中携带有上述标识信息;以及向上述源数据库发送上述数据获取请求,以请求获取与已评估模型相关联的风险评估数据。
根据本公开的实施例,上述特征信息包括以下至少一种:上述待评估模型的应用领域、上述待评估模型的使用范围、上述待评估模型评估金融业务风险的结果准确性、上述待评估模型的被监管程度、上述待评估模型的复杂度、上述待评估模型的运行时间。
根据本公开的实施例,上述对上述特征信息进行量化处理,得到特征数据包括:对上述待评估模型的应用领域进行量化处理,得到的特征数据为上述待评估模型的应用率;对上述待评估模型的使用范围进行量化处理,得到的特征数据为上述待评估模型的使用率;对上述待评估模型评估金融业务风险的结果准确性进行量化处理,得到的特征数据为上述待评估模型的准确率;对上述待评估模型的被监管程度进行量化处理,得到的特征数据为上述待评估模型的被监管程度评分;对上述待评估模型的复杂度进行量化处理,得到的特征数据为上述待评估模型的复杂度评分;对上述待评估模型的运行时间进行量化处理,得到的特征数据为上述待评估模型的运行时间评分。
根据本公开的实施例,其中,对上述应用领域进行量化处理包括:计算应用到上述待评估模型的应用领域数量与上述待评估模型所处的应用领域数量的比值,得到上述应用率;对上述使用范围进行量化处理包括:计算上述待评估模型的违约风险暴露总额和与上述待评估模型同类的其它模型覆盖的违约风险暴露总额的比值,得到上述使用率;对上述结果准确性进行量化处理包括:计算上述待评估模型在运行中得到的正确结果数量与应得到的正确结果数量的比值,得到上述准确率;对上述被监管程度进行量化处理包括:通过采用归一化方法对上述待评估模型的被监管程度的实际评分进行归一化处理,得到上述被监管程度评分;对上述复杂度进行量化处理包括:通过采用归一化方法对上述待评估模型的复杂度的实际评分进行归一化处理,得到上述复杂度评分;对上述运行时间进行量化处理包括:通过采用归一化方法对上述待评估模型的实际运行时间进行归一化处理,得到上述运行时间评分。
本公开的另一个方面还提供了一种获取模块,用于响应于风险评估请求,获取上述风险评估请求中携带的与待评估模型相关联的特征信息,其中,上述待评估模型用于评估金融业务风险;第一处理模块,用于对上述特征信息进行量化处理,得到特征数据;第一输入模块,用于将上述特征数据输入到基于极限学习机的神经网络模型中,输出与上述待评估模型相关联的风险值,其中,上述神经网络模型用于评估上述待评估模型的风险;以及第一确定模块,用于根据上述风险值,确定上述待评估模型的风险等级。
本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当上述一个或多个程序被上述一个或多个处理器执行时,使得一个或多个处理器执行上述评估模型风险等级的方法。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述评估模型风险等级的方法。
本公开的第五方面还提供了一种计算机程序产品,包括计算机程序,上述计算机程序被处理器执行时实现上述评估模型风险等级的方法。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的评估模型风险等级的方法和装置的示例性系统架构图;
图2示意性示出了根据本公开实施例的评估模型风险等级的方法的流程图;
图3示意性示出了根据本公开实施例的神经网络模型的示意图;
图4示意性示出了根据本公开实施例的评估模型风险等级的装置的结构框图;以及
图5示意性示出了根据本公开实施例的适于实现评估模型风险等级的方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
需要说明的是,本公开的评估模型风险等级的方法、装置、设备、存储介质和程序产品可用于金融领域或计算机技术领域,也可用于除金融领域或计算机领域之外的任意领域,本公开对评估模型风险等级的方法、装置、设备、存储介质和程序产品的应用领域不做限定。
在本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
附图中示出了一些方框图和/或流程图。应理解,方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程控制装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。
因此,本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本公开的技术可以采取存储有指令的计算机可读介质上的计算机程序产品的形式,该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。在本公开的上下文中,计算机可读介质可以是能够包含、存储、传送、传播或传输指令的任意介质。例如,计算机可读介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。计算机可读介质的具体示例包括:磁存储装置,如磁带或硬盘(HDD);光存储装置,如光盘(CD-ROM);存储器,如随机存取存储器(RAM)或闪存;和/或有线/无线通信链路。
目前的金融业务普遍存在安全性低的问题,在利用模型对金融业务的风险进行评估时,一般会忽略在首次引入该模型时,有可能会给金融业务带来风险,从而不便于全面客观地评价该金融业务的风险。
模型的风险等级表征模型风险的大小。模型越重要或者模型质量越差,模型的风险越大,模型风险等级越高,就越需要对该模型进行更加严格的监控、管理和报告。
模型的重要性可以是指该模型对经营和管理的影响程度,基于对模型所处的应用领域、使用范围、被监管程度、模型复杂度,综合评估模型的重要性。模型的应用领域越重要、使用范围越广、被监管程度越严格、方法越复杂,模型可以越重要或越应被重点监控。模型质量可以是指该模型开发与管理的可靠程度,基于对模型结果准确性、运行时间、发现问题及问题整改情况、模型中断次数情况的评价,综合评估模型质量。模型结果越准确、运行时间越短、发现问题及问题整改情况越及时、模型中断次数越少,模型的质量可以越佳。
根据模型风险等级评定的层面不同,模型风险等级可以分为集团模型等级和机构模型等级两种类别。集团模型等级可以指以全集团作为模型使用的范围而评定的模型风险等级。集团模型风险等级可以由集团总部进行评定,集团模型风险等级在全集团层面有效,一个模型可以仅有一个集团模型的风险等级结果。机构模型风险等级可以指以全集团中的机构作为模型使用的范围而评定的模型风险等级。机构模型的风险等级可以由使用该模型的机构进行评定。一个模型在不同的机构可以拥有不同的风险等级结果,机构模型等级可以仅在评定的机构内部有效。
随着日益革新的网络技术,各种模型的成熟的也在不断提升,在利用该模型评估金融业务的风险时,需要考虑引入该模型对金融业务本身可能造成的问题。因此,需要对模型的进行再一次评估,以便对模型进行调整、监控、报告。
有鉴于此,本公开的实施例提供了一种评估模型风险等级的方法,用于更全面地评估金融业务,提高金融业务的安全性。具体地,该方法包括:响应于风险评估请求,获取风险评估请求中携带的与待评估模型相关联的特征信息,其中,待评估模型用于评估金融业务风险;对特征信息进行量化处理,得到特征数据;将特征数据输入到基于极限学习机的神经网络模型中,输出与待评估模型相关联的风险值,其中,神经网络模型用于评估待评估模型的风险;以及根据风险值,确定待评估模型的风险等级。
图1示意性示出了根据本公开实施例的评估模型风险等级的方法和装置的示例性系统架构图。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的应用场景100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103可以通过网络104与服务器105交互,以接收或发送风险评估请求等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如金融服务类应用、购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所发送的风险评估请求提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的风险评估请求等数据进行分析等处理,并将处理结果(例如根据风险评估请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的评估模型风险等级的方法一般可以由服务器105执行。相应地,本公开实施例所提供的评估模型风险等级的装置一般可以设置于服务器105中。本公开实施例所提供的评估模型风险等级的方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的评估模型风险等级的装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者,本公开实施例所提供的评估模型风险等级的方法也可以由终端设备101、102、或103执行,或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地,本公开实施例所提供的评估模型风险等级的装置也可以设置于终端设备101、102、或103中,或设置于不同于终端设备101、102、或103的其他终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图3对公开实施例的评估模型风险等级的方法进行详细描述。
图2示意性示出了根据本公开实施例的评估模型风险等级的方法的流程图。
如图2所示,该评估模型风险等级的方法包括操作S210~操作S240。
在操作S210,响应于风险评估请求,获取风险评估请求中携带的与待评估模型相关联的特征信息,其中,待评估模型用于评估金融业务风险。
根据本公开的实施例,风险评估请求可以是包括评估金融业务的风险的请求,还可以是包括评估待评估模型的风险的请求。待评估模型可以是用于评估金融业务的风险的模型,例如市场风险模型、非零食信用风险模型、合规模型等用于分析金融业务风险数据的模型。
在操作S220,对特征信息进行量化处理,得到特征数据。
在操作S230,将特征数据输入到基于极限学习机的神经网络模型中,输出与待评估模型相关联的风险值,其中,神经网络模型用于评估待评估模型的风险。
在操作S240,根据风险值,确定待评估模型的风险等级。
根据本公开的实施例,在考虑到首次引入该模型可能会对金融业务带来些问题的情况下,可以先试运行一定次数的待评估模型,此时会得到关于待评估模型的一些运行数据,这些运行数据可以作为与待评估模型相关联的特征信息。例如待评估模型的应用领域、待评估模型的使用范围、待评估模型评估金融业务风险的结果准确性、待评估模型的被监管程度、待评估模型的复杂度、待评估模型的运行时间。备选地,特征信息还可以包括待评估模型的问题整改情况、待评估模型的中断运行情况。
根据本公开的实施例,对特征信息进行量化处理的方法可以包括计算比值的方法、归一化操作的方法等,具体地,归一化处理方法可以包括min-max标准化和Z-score标准化。min-max标准化是对原始数据进行线性变换,使特征数据映射到[0,1]区间,其中max可以为特征信息的最大值,min为特征信息的最小值。Z-score标准化基于原始数据的均值和标准差进行数据的标准化,经过处理的数据符合标准正态分布,即均值为0,标准差为1。将不同量级的数据统一化为同一个量级,统一用计算出的Z-score值衡量,保证了多个特征数据之间的可比性。
根据本公开的实施例,对特征信息进行量化处理后得到的特征数据可以是分别与特征信息相对于的特征数据,具体地,特征数据可以包括待评估模型的应用率、待评估模型的使用率、待评估模型的准确率、待评估模型的被监管程度评分、待评估模型的复杂度评分、待评估模型的运行时间评分。备选地,特征数据还可以包括待评估模型的问题率、待评估模型的中断率。
根据本公开的实施例,与待评估模型相关联的特征信息可以通过持久化方式存储在源数据库中,在评估待评估模型的风险等级时,可以通过调用源数据库接口的方式,从源数据库中读取特征信息。
根据本公开的实施例,可以确定待评估模型的标识信息,根据待评估模型的标识信息生成特征信息获取请求,其中,特征信息获取请求中携带有标识信息。向源数据库发送该特征信息获取请求,以请求获取目标特征信息。
根据本公开的实施例,基于极限学习机(Extreme Learning Machine,ELM)的神经网络模型可以用于评估待评估模型的风险。根据输入的特征数据,得到待评估模型的风险值。
根据本公开的实施例,待评估模型的风险等级与待评估模型的风险值之间可以是正向关联的关系,例如待评估模型的风险值越高,待评估模型的风险等级可以越高,进而越容易影响金融业务的安全性,该待评估模型就越应该被重视和管理,具体地,可以是替换或弃用该待评估模型。
根据本公开的实施例,在利用待评估模型评估金融业务的风险之外,还对该待评估模型的风险进行评估,在对金融业务进行评估时,还考虑到了在首次引入该待评估模型的过程中,可能给金融业务带来风险的问题,从而可以更全面客观的评价金融业务的风险,提高金融业务的安全性,至少部分地克服了相关技术在评估金融业务的过程中不能全面客观评估的问题,提高了金融业务的安全性。
根据本公开的实施例,通过将特征信息量化为特征数据,使用量化处理的方式避免了人为评估待评估模型的风险时,情感的参与。提高了在评估待评估模型风险等级的可靠性和准确性。
根据本公开的实施例,特征信息包括以下至少一种:待评估模型的应用领域、待评估模型的使用范围、待评估模型评估金融业务风险的结果准确性、待评估模型的被监管程度、待评估模型的复杂度、待评估模型的运行时间。备选地,特征信息还可以包括待评估模型的问题整改情况、待评估模型的中断运行情况。
根据本公开的实施例,待评估模型也可以是用于境外复杂环境下的模型,例如可以评估包含风险敞口、行业差异等因素的模型。当判断待评估模型的应用领域为重要时,判断标准应满足以下至少之一:待评估模型的模型结果直接应用于业务准入及审批、产品定价等;直接应用于资本计量、拨备计提等;直接应用于绩效考核、管理决策等;待评估模型是其他重要模型或其他较多模型的上游模型;评估人员特别认定的其他标准等。还可以根据实际需要适应性增加判断标准。
根据本公开的实施例,待评估模型的使用范围可以根据待评估模型覆盖的违约风险暴露总额在与待评估模型同类的模型覆盖的违约风险暴露总额中的占比判断,占比越多,待评估模型的使用范围可以越大。
根据本公开的实施例,当判断待评估模型的被监管程度为重要时,判断标准应满足以下至少之一:监管机构通过审批、检查等方式对待评估模型的管理情况进行监测或关注;高管层对待评估模型的管理有专门要求;评估人员特别认定的其他标准。还可以根据实际需要适应性增加判断标准。
根据本公开的实施例,当判断待评估模型的复杂度为复杂时,判断标准应满足以下至少之一:待评估模型的方法论或计算过程较为复杂,例如采用了随机分析、微分方程、多目标优化等方法的模型较为复杂;待评估模型的开发过程难以重现,例如蒙特卡洛、神经网络、机器学习等模型较为复杂;评估人员特别认定的其他标准。还可以根据实际需要适应性增加判断标准。
根据本公开的实施例,待评估模型结果的准确性可以根据待评估模型实际运行的评估金融业务的结果中正确结果的数量与应该得到的正确结果的数量的比值判断,占比越高,待评估模型的准确率越高。待评估模型的运行时间可以根据该模型的平均运行时长判断。待评估模型出现的问题及整改情况可以根据该待评估模型的历史验证、审计和各类监管检查中发现的问题及整改情况进行评估。待评估模型的中断次数可以根据该待评估模型运行过程中发现中断的次数在一共运行的次数中的占比进行评估。
根据本公开的实施例,通过选取待评估模型的应用领域、待评估模型的使用范围、待评估模型评估金融业务风险的结果准确性、待评估模型的被监管程度、待评估模型的复杂度、待评估模型的运行时间、待评估模型的问题整改情况、待评估模型的中断运行情况等多个维度的指标,评估该待评估模型的风险等级,不仅增加了评估待评估模型风险时参考的维度,还增加了评估待评估模型风险时的可靠性和准确性,更加全面得对待评估模型的风险等级进行评定;也方便管理层或监管者及时针对待评估模型做出正确决策,以减少待评估模型在运行过程中风险的发生,还可以根据评定结果减少对具有风险的待评估模型的使用;降低了使用该待评估模型的系统的运行风险,提高了系统的健壮性;还提高了金融业务的安全性。
根据本公开的实施例,操作S220还可以包括如下操作:对待评估模型的应用领域进行量化处理,得到的特征数据为待评估模型的应用率;对待评估模型的使用范围进行量化处理,得到的特征数据为待评估模型的使用率;对待评估模型评估金融业务风险的结果准确性进行量化处理,得到的特征数据为待评估模型的准确率;对待评估模型的被监管程度进行量化处理,得到的特征数据为待评估模型的被监管程度评分;对待评估模型的复杂度进行量化处理,得到的特征数据为待评估模型的复杂度评分;对待评估模型的运行时间进行量化处理,得到的特征数据为待评估模型的运行时间评分。
根据本公开的实施例,对应用领域进行量化处理包括:计算应用到待评估模型的应用领域数量与待评估模型所处的应用领域数量的比值,得到应用率。具体地,得到待评估模型的应用率的过程可以如公式(1)所示:
其中,Pa可以表示待评估模型的应用率;AMTm可以表示应用到待评估模型的应用领域数量,AMTtotal可以表示待评估模型所处的应用领域数量,示例性地,例如待评估模型所处的应用领域包括信用风险、投资金融风险、压力测试、信贷风险四个领域,而只将该待评估模型应用在信用风险领域,则该待评估模型地应用率可以为25%。
根据本公开的实施例,对使用范围进行量化处理包括:计算待评估模型的违约风险暴露总额和与待评估模型同类的其它模型覆盖的违约风险暴露总额的比值,得到使用率。具体地,得到待评估模型的使用率的过程可以如公式(2)所示:
其中,Pu可以表示待评估模型的使用率,EADm可以表示待评估模型覆盖的违约风险暴露总额,EADtotal可以表示与待评估模型同类的其它模型覆盖的违约风险暴露总额。与待评估模型同类的其它模型的选择范围可以是根据具体情况进行适应性调整。
根据本公开的实施例,对结果准确性进行量化处理包括:计算待评估模型在运行中得到的正确结果数量与应得到的正确结果数量的比值,得到准确率。具体地,得到待评估模型的模型结果准确率的过程可以如公式(3)所示。
根据本公开的实施例,模型结果准确率可以通过计算模型的实际运行结果中正确结果的数量与所有结果的比值,得到模型结果的准确率。
其中,Pacc可以表示待评估模型的准确率,AMTt可以表示待评估模型在运行中得到的正确结果数量,AMTtotal可以表示待评估模型在运行中应得到的正确结果数量。示例性地,例如向该待评估模型中输入100个风险数据,而该待评估模型输出的是只有80个是风险数据,则该待评估模型的准确率可以是80%。
根据本公开的实施例,对被监管程度进行量化处理包括:通过采用归一化方法对待评估模型的被监管程度的实际评分进行归一化处理,得到被监管程度评分。具体地,可以根据实际监管力度确定实际评分,实际评分可以是在(1,100)区间内的任意评分,对实际评分进行归一化处理,将实际评分归一化到(0,1)区间。得到被监管程度评分的过程可以如公式(4)所示。
其中,LOS可以表示待评估模型的被监管程度评分,SCRm为待评估模型被监管程度的实际评分,SCRmax为待评估模型被监管程度的实际评分中的最大值,SCRmin为待评估模型被监管程度的实际评分中的最小值。
根据本公开的实施例,待评估模型的复杂度取决于该待评估模型的方法复杂度以及开发复杂度。对复杂度进行量化处理包括:通过采用归一化方法对待评估模型的复杂度的实际评分进行归一化处理,得到复杂度评分。具体地,可以根据实际复杂度确定实际评分,实际评分可以是在(1,100)区间内的任意评分,对实际评分进行归一化处理,将实际评分归一化到(0,1)区间。得到复杂度评分的过程可以如公式(5)所示。
其中,Onmc可以表示待评估模型的复杂度评分,Omc为待评估模型复杂度的实际评分,Omax为待评估模型复杂度实际评分的最大值,Omin为待评估模型复杂度实际评分的最小值。
根据本公开的实施例,对运行时间进行量化处理包括:通过采用归一化方法对待评估模型的实际运行时间进行归一化处理,得到运行时间评分。具体地,得到模型运行时间评分的过程可以如公式(6)所示。
其中,Tnmrt可以表示待评估模型的模型运行时间评分,Tmrt可以表示待评估模型实际的运行时间,Tmax可以表示待评估模型运行时间中最长的时间,Tmin可以表示待评估模型运行时间中最短的时间。
根据本公开的实施例,待评估模型出现的问题及整改情况可以用待评估模型的问题率表征。待评估模型的问题率可以是计算当前待评估模型存在的问题数量与待评估模型出现过的问题的数量的比值,具体地,得到待评估模型的问题率的过程可以如公式(7)所示。
其中,Pmpr可以表示待评估模型模型的问题率,AMTmpa可以表示待评估模型当前存在的问题数量,AMTtotal可以表示待评估模型出现过的问题的数量。
根据本公开的实施例,待评估模型运行过程中的中断次数可以用待评估模型的中断率表征。待评估模型的中断率可以是通过计算待评估模型的中断次数与待评估模型运行过的次数的比值得到。具体地,得到待评估模型的中断率的过程可以如公式(8)所示。
其中,Pmbr可以表示待评估模型模型的中断率,AMTmba可以表示待评估模型中断的次数,AMTtotal可以表示待评估模型运行过的次数。
根据本公开的实施例,通过对特征信息进行量化处理,可以分别将特征数据均量化到(0,1)区间内,避免了由于数据量纲或量级差距过大导致小数据被忽略的现象,提高了在评估待评估模型风险等级时的精度;而且通过量化的数据评估待评估模型的风险等级,去除了人为评估待评估模型时,含有情感参与的弊端,提高了评估待评估模型风险等级的准确性,提升了金融业务的安全性。
根据本公开的实施例,ELM神经网络模型可以是通过如下训练方式得到的:从源数据库中提取与已评估模型相关联的风险评估数据,其中,风险评估数据包括与已评估模型相关联的样本特征信息和风险标签;对样本特征信息进行量化处理,得到样本特征数据;将样本特征数据输入至神经网络模型中,输出与已评估模型对应的预测风险值;根据风险标签和预测风险值调整神经网络模型的模型参数,得到训练后的神经网络模型。
根据本公开的实施例,在从源数据库中提取与已评估模型相关联的风险评估数据之前还可以包括:确定已评估模型的标识信息;根据已评估模型的标识信息生成数据获取请求,其中,数据获取请求中携带有标识信息;以及向源数据库发送数据获取请求,以请求获取与已评估模型相关联的风险评估数据。
根据本公开的实施例,与已评估模型相关联的风险评估数据可以通过持久化方式存储在源数据库中,在根据已评估模型训练ELM神经网络模型时,可以通过调用数据库接口方式,从源数据库中读取与已评估模型相关联的风险评估数据。
根据本公开的实施例,标识信息可以是根据已评估模型的特性确定的。标识信息也可以是用户指定的已评估模型的名称,标识信息用于可以唯一识别已评估模型,以便源数据库可以根据标识信息确定与该已评估模型相关的样本特征信息和风险标签。
根据本公开的实施例,对样本特征信息进行量化处理的方法可以参考操作S220或对特征信息进行量化处理的方法,在此不再赘述。
根据本公开的实施例,预测风险值可以是初始的ELM神经网络根据已评估模型的样本特征信息输出的风险值,根据预测风险值和风险标签可以调整初始的ELM神经网络,具体地,可以根据关于预测风险值和风险标签的损失函数进行调整,在该损失函数收敛时,得到的训练好的模型可以作为ELM神经网络模型。
根据本公开的实施例,还可以通过如下训练方式训练ELM神经网络模型:随机初始化隐层神经元的输入权重、偏置值、输出权重,得到初始化后的神经网络模型;将样本特征数据输入至初始化后的神经网络模型,输出预测风险值;根据风险标签和预测风险值调整初始化后的神经网络模型,得到训练后的神经网络模型。
图3示意性示出了根据本公开实施例的基于极限学习机的神经网络模型的示意图。
如图3所示,神经网络模型300可以包括n个输入神经元302,L个隐层神经元303、1个输出神经元304。数据集301中可以包括n(n≥1)个维度的特征数据,可以将n维特征数据分别输入到n个输入神经元302中,通过输出神经元304输出与待评估模型相关联的风险值。
根据本公开的实施例,ELM神经网络是一类基于前馈神经网络构建的机器学习系统或方法,可以用于监督学习和非监督学习问题。ELM神经网络的隐层节点的权重可以随机或人为给定,且不需要更新,学习过程中仅计算输出权重,ELM神经网络的学习速度快、泛化性能好。
根据本公开的实施例,在训练ELM神经网络模型中,可以选取风险评估数据中70%的数据训练神经网络模型。具体地,假设有N个风险评估数据(Xi,ti),其中Xi=[xi1,xi2,…,xin]T∈Rn可以表示第i个样本的n个维度数据,ti可以表示第i个样本的风险标签。对于一个有L个隐层神经元的单隐层ELM神经网络的输出评分oj可以表示为如公式(9)所示:
Wi=[ωi1,ωi2,…,ωi8]T可以表示L个隐层神经元中第i个隐层神经元的输入权重,βi可以表示L个隐层神经元中第i个隐层神经元的输出权重,bi可以表示L个隐层神经元中第i个隐层神经元的偏置。Wi·Xj表示的是Wi和Xj的内积。
根据本公开的实施例,训练ELM神经网络可以是为了使得神经网络的输出评分oj与风险标签之间的误差最小,可表示为如公式(10)所示:
根据本公开的实施例,当公式(10)成立时,可以理解为会存在βi、Wi和bi,使得如公式(11)所示:
根据本公开的实施例,公式(11)还可以用矩阵表示,矩阵表示结果可以如公式(12)所示。
Hβ=T (12)
其中i=1,…,L,公式(13)还可以等价于最小化损失函数,如公式(14)所示。
根据本公开的实施例,在ELM神经网络模型中,随机初始化L个隐层神经元的输入权重Wi和隐层神经元的偏置bi,一旦隐层神经元的输入权重Wi和偏置bi被确定,隐层的数据矩阵H就可以被唯一确定,因此,输出权重β可以被确定,β的最小二乘解的表示可以如公式(15)所示。
根据本公开的实施例,在ELM神经网络的隐层神经元的个数确定后,随机初始化隐层神经元的输入权重和偏置,进而通过广义逆矩阵确定隐层神经元的输出权重,使得该神经网络模型能够获得唯一的全局最优解,提高了ELM神经网络模型的收敛速度以及ELM神经网络模型结果的精度。并且计算全程无需人为干预,减少了原始人为评分过程中带有的部分情感的偏向,使得待评估模型的风险评级结果更加客观和实际,提高评估待评估模型风险的准确性,提高了金融业务的安全性。
根据本公开的实施例,在训练ELM神经网络的过程中,还可以根据神经网络输出的预测风险值和风险标签,调整神经网络模型的模型参数,可以得到训练后的ELM神经网络模型。
根据本公开的实施例,可以选取风险评估数据的30%数据作为测试数据,对训练后的ELM神经网络进行测试,以便验证训练后的ELM神经网络模型的准确性。
根据本公开的实施例,利用训练后的ELM神经网络模型计算待评估模型的风险评分。具体地,可以先量化与待评估模型相关联的特征信息,得到特征数据,再将特征数据分别输入到训练后的ELM神经网络模型中,得到待评估模型的风险值,进而根据风险值确定该待评估模型的风险等级。
需要说明的是,本公开实施例中的流程图所示的操作除非明确说明不同操作之间存在执行的先后顺序,或者不同操作在技术实现上存在执行的先后顺序,否则,多个操作之间的执行顺序可以不分先后,多个操作也可以同时执行。
基于上述评估模型风险等级的方法,本公开还提供了一种评估模型风险等级的装置。以下将结合图4对该装置进行详细描述。
图4示意性示出了根据本公开实施例的评估模型风险等级的装置的结构框图。
如图4所示,该实施例的评估模型风险等级的装置400包括获取模块410、第一处理模块420、第一输入模块430和第一确定模块440。
获取模块410,用于响应于风险评估请求,获取风险评估请求中携带的与待评估模型相关联的特征信息,其中,待评估模型用于评估金融业务风险。
第一处理模块420,用于对特征信息进行量化处理,得到特征数据。
第一输入模块430,用于将特征数据输入到基于极限学习机的神经网络模型中,输出与待评估模型相关联的风险值,其中,神经网络模型用于评估待评估模型的风险。
第一确定模块440,用于根据风险值,确定待评估模型的风险等级。
根据本公开的实施例,在利用待评估模型评估金融业务的风险之外,还对该待评估模型的风险进行评估,在对金融业务进行评估时,还考虑到了在首次引入该待评估模型的过程中,可能给金融业务带来风险的问题,从而可以更全面客观的评价金融业务的风险,提高金融业务的安全性,至少部分地克服了相关技术在评估金融业务的过程中不能全面客观评估的问题,提高了金融业务的安全性。
根据本公开的实施例,评估模型风险等级的装置还可以包括提取模块、第二处理模块、第二输入模块、第一调整模块。
提取模块,用于从源数据库中提取与已评估模型相关联的风险评估数据,其中,风险评估数据包括与已评估模型相关联的样本特征信息和风险标签。
第二处理模块,用于对样本特征信息进行量化处理,得到样本特征数据。
第二输入模块,用于将样本特征数据输入至神经网络模型中,输出与已评估模型对应的预测风险值。
第一调整模块,用于根据风险标签和预测风险值调整神经网络模型的模型参数,得到训练后的神经网络模型。
根据本公开的实施例,评估模型风险等级的装置还可以包括初始化模块、第三输入模块、第二调整模块。
初始化模块,用于随机初始化隐层神经元的输入权重、偏置值、输出权重,得到初始化后的神经网络模型。
第三输入模块,用于将样本特征数据输入至初始化后的神经网络模型,输出预测风险值。
第二调整模块,用于根据风险标签和预测风险值调整初始化后的神经网络模型,得到训练后的神经网络模型。
根据本公开的实施例,评估模型风险等级的装置还可以包括第二确定模块、生成模块、发送模块。
第二确定模块,用于确定已评估模型的标识信息。
生成模块,用于根据已评估模型的标识信息生成数据获取请求,其中,数据获取请求中携带有标识信息。
发送模块,用于向源数据库发送数据获取请求,以请求获取与已评估模型相关联的风险评估数据。
根据本公开的实施例,第一处理模块还包括第一处理单元、第二处理单元、第三处理单元、第四处理单元、第五处理单元、第六处理单元。
第一处理单元,用于对待评估模型的应用领域进行量化处理,得到的特征数据为待评估模型的应用率。
第二处理单元,用于对待评估模型的使用范围进行量化处理,得到的特征数据为待评估模型的使用率。
第三处理单元,用于对待评估模型评估金融业务风险的结果准确性进行量化处理,得到的特征数据为待评估模型的准确率。
第四处理单元,用于对待评估模型的被监管程度进行量化处理,得到的特征数据为待评估模型的被监管程度评分。
第五处理单元,用于对待评估模型的复杂度进行量化处理,得到的特征数据为待评估模型的复杂度评分。
第六处理单元,用于对待评估模型的运行时间进行量化处理,得到的特征数据为待评估模型的运行时间评分。
根据本公开的实施例,第一处理单元还包括第一处理子单元,用于计算应用到待评估模型的应用领域数量与待评估模型所处的应用领域数量的比值,得到应用率。
根据本公开的实施例,第二处理单元还包括第二处理子单元,用于计算待评估模型的违约风险暴露总额和与待评估模型同类的其它模型覆盖的违约风险暴露总额的比值,得到使用率。
根据本公开的实施例,第三处理单元还包括第三处理子单元,用于计算待评估模型在运行中得到的正确结果数量与应得到的正确结果数量的比值,得到准确率。
根据本公开的实施例,第四处理单元还包括第四处理子单元,用于通过采用归一化方法对待评估模型的被监管程度的实际评分进行归一化处理,得到被监管程度评分。
根据本公开的实施例,第五处理单元还包括第五处理子单元,用于对复杂度进行量化处理包括:通过采用归一化方法对待评估模型的复杂度的实际评分进行归一化处理,得到复杂度评分。
根据本公开的实施例,第六处理单元还包括第六处理子单元,用于对运行时间进行量化处理包括:通过采用归一化方法对待评估模型的实际运行时间进行归一化处理,得到运行时间评分。
根据本公开的实施例,获取模块410、第一处理模块420、第一输入模块430和第一确定模块440中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,获取模块410、第一处理模块420、第一输入模块430和第一确定模块440中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块410、第一处理模块420、第一输入模块430和第一确定模块440中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
需要说明的是,本公开的实施例中评估模型风险等级的装置部分与本公开的实施例中评估模型风险等级的方法部分是相对应的,评估模型风险等级的装置部分的描述具体参考评估模型风险等级的方法部分,在此不再赘述。
图5示意性示出了根据本公开实施例的适于实现评估模型风险等级的方法的电子设备的方框图。
如图5所示,根据本公开实施例的电子设备500包括处理器501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。处理器501例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器501还可以包括用于缓存用途的板载存储器。处理器501可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 503中,存储有电子设备500操作所需的各种程序和数据。处理器501、ROM502以及RAM 503通过总线504彼此相连。处理器501通过执行ROM 502和/或RAM 503中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 502和RAM 503以外的一个或多个存储器中。处理器501也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备500还可以包括输入/输出(I/O)接口505,输入/输出(I/O)接口505也连接至总线504。电子设备500还可以包括连接至I/O接口505的以下部件中的一项或多项:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 502和/或RAM 503和/或ROM 502和RAM 503以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的评估模型风险等级的方法。
在该计算机程序被处理器501执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分509被下载和安装,和/或从可拆卸介质511被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被处理器501执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,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公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“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、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)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (11)
1.一种评估模型风险等级的方法,包括:
响应于风险评估请求,获取所述风险评估请求中携带的与待评估模型相关联的特征信息,其中,所述待评估模型用于评估金融业务风险;
对所述特征信息进行量化处理,得到特征数据;
将所述特征数据输入到基于极限学习机的神经网络模型中,输出与所述待评估模型相关联的风险值,其中,所述神经网络模型用于评估所述待评估模型的风险;以及
根据所述风险值,确定所述待评估模型的风险等级。
2.根据权利要求1所述的方法,其中,所述神经网络模型是通过如下训练方式得到的:
从源数据库中提取与已评估模型相关联的风险评估数据,其中,所述风险评估数据包括与已评估模型相关联的样本特征信息和风险标签;
对所述样本特征信息进行量化处理,得到样本特征数据;
将所述样本特征数据输入至所述神经网络模型中,输出与所述已评估模型对应的预测风险值;
根据所述风险标签和所述预测风险值调整所述神经网络模型的模型参数,得到训练后的神经网络模型。
3.根据权利要求2所述的方法,其中,所述神经网络模型包括隐层神经元;
所述神经网络模型还包括如下训练方式:
随机初始化所述隐层神经元的输入权重、偏置值、输出权重,得到初始化后的神经网络模型;
将所述样本特征数据输入至所述初始化后的神经网络模型,输出所述预测风险值;
根据所述风险标签和所述预测风险值调整所述初始化后的神经网络模型,得到训练后的神经网络模型。
4.根据权利要求2所述的方法,其中,在从源数据库中提取与已评估模型相关联的风险评估数据之前,所述方法还包括:
确定所述已评估模型的标识信息;
根据所述已评估模型的标识信息生成数据获取请求,其中,所述数据获取请求中携带有所述标识信息;以及
向所述源数据库发送所述数据获取请求,以请求获取与已评估模型相关联的风险评估数据。
5.根据权利要求1所述的方法,其中,所述特征信息包括以下至少一种:所述待评估模型的应用领域、所述待评估模型的使用范围、所述待评估模型评估金融业务风险的结果准确性、所述待评估模型的被监管程度、所述待评估模型的复杂度、所述待评估模型的运行时间。
6.根据权利要求5所述的方法,其中,所述对所述特征信息进行量化处理,得到特征数据包括:
对所述待评估模型的应用领域进行量化处理,得到的特征数据为所述待评估模型的应用率;
对所述待评估模型的使用范围进行量化处理,得到的特征数据为所述待评估模型的使用率;
对所述待评估模型评估金融业务风险的结果准确性进行量化处理,得到的特征数据为所述待评估模型的准确率;
对所述待评估模型的被监管程度进行量化处理,得到的特征数据为所述待评估模型的被监管程度评分;
对所述待评估模型的复杂度进行量化处理,得到的特征数据为所述待评估模型的复杂度评分;
对所述待评估模型的运行时间进行量化处理,得到的特征数据为所述待评估模型的运行时间评分。
7.根据权利要求6所述的方法,其中,
对所述应用领域进行量化处理包括:计算应用到所述待评估模型的应用领域数量与所述待评估模型所处的应用领域数量的比值,得到所述应用率;
对所述使用范围进行量化处理包括:计算所述待评估模型的违约风险暴露总额和与所述待评估模型同类的其它模型覆盖的违约风险暴露总额的比值,得到所述使用率;
对所述结果准确性进行量化处理包括:计算所述待评估模型在运行中得到的正确结果数量与应得到的正确结果数量的比值,得到所述准确率;
对所述被监管程度进行量化处理包括:通过采用归一化方法对所述待评估模型的被监管程度的实际评分进行归一化处理,得到所述被监管程度评分;
对所述复杂度进行量化处理包括:通过采用归一化方法对所述待评估模型的复杂度的实际评分进行归一化处理,得到所述复杂度评分;
对所述运行时间进行量化处理包括:通过采用归一化方法对所述待评估模型的实际运行时间进行归一化处理,得到所述运行时间评分。
8.一种评估模型风险等级的装置,包括:
获取模块,用于响应于风险评估请求,获取所述风险评估请求中携带的与待评估模型相关联的特征信息,其中,所述待评估模型用于评估金融业务风险;
第一处理模块,用于对所述特征信息进行量化处理,得到特征数据;
第一输入模块,用于将所述特征数据输入到基于极限学习机的神经网络模型中,输出与所述待评估模型相关联的风险值,其中,所述神经网络模型用于评估所述待评估模型的风险;以及
第一确定模块,用于根据所述风险值,确定所述待评估模型的风险等级。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~7中任一项所述的方法。
11.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210528974.1A CN114782170A (zh) | 2022-05-16 | 2022-05-16 | 评估模型风险等级的方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210528974.1A CN114782170A (zh) | 2022-05-16 | 2022-05-16 | 评估模型风险等级的方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114782170A true CN114782170A (zh) | 2022-07-22 |
Family
ID=82436901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210528974.1A Pending CN114782170A (zh) | 2022-05-16 | 2022-05-16 | 评估模型风险等级的方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114782170A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115408702A (zh) * | 2022-11-01 | 2022-11-29 | 浙江城云数字科技有限公司 | Stacking接口运行风险等级评估方法及其应用 |
-
2022
- 2022-05-16 CN CN202210528974.1A patent/CN114782170A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115408702A (zh) * | 2022-11-01 | 2022-11-29 | 浙江城云数字科技有限公司 | Stacking接口运行风险等级评估方法及其应用 |
CN115408702B (zh) * | 2022-11-01 | 2023-02-14 | 浙江城云数字科技有限公司 | Stacking接口运行风险等级评估方法及其应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bussmann et al. | Explainable AI in fintech risk management | |
US11995518B2 (en) | Machine learning model understanding as-a-service | |
US10755196B2 (en) | Determining retraining of predictive models | |
CN112037007A (zh) | 针对小微企业信贷审批的方法及电子设备 | |
CN114462532A (zh) | 模型训练方法、预测交易风险的方法、装置、设备及介质 | |
CN112150295A (zh) | 基于区块链的投资风险预警方法及装置、系统、设备 | |
US10956822B1 (en) | Identification and management of frequently asked questions | |
CN114782170A (zh) | 评估模型风险等级的方法、装置、设备和介质 | |
CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
US20230121564A1 (en) | Bias detection and reduction in machine-learning techniques | |
CN116091249A (zh) | 交易风险的评估方法、装置、电子设备和介质 | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN114708081A (zh) | 信用风险预测方法及装置、电子设备和可读存储介质 | |
Li et al. | Research on Efficiency in Credit Risk Prediction Using Logistic‐SBM Model | |
CN113052509A (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
CN115409636A (zh) | 产品风险预测方法、装置、设备及介质 | |
CN114239985A (zh) | 汇率预测方法、装置、电子设备及存储介质 | |
CN114119208A (zh) | 企业风险评价方法、装置、设备、介质和程序产品 | |
CN117934154A (zh) | 交易风险预测方法、模型训练方法、装置、设备、介质和程序产品 | |
US20230342605A1 (en) | Multi-stage machine-learning techniques for risk assessment | |
CN116126831A (zh) | 稳定性预测模型的训练方法和数据库稳定性检测方法 | |
TWI657393B (zh) | 行銷客群預測系統及其方法 | |
CN116308615A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN114897564A (zh) | 目标客户推荐方法及装置、电子设备和存储介质 | |
CN115496381A (zh) | 设备运营策略推荐方法、装置、设备及存储介质 |
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 |