CN114997999A - 一种人工智能金融数据管理系统 - Google Patents
一种人工智能金融数据管理系统 Download PDFInfo
- Publication number
- CN114997999A CN114997999A CN202210702153.5A CN202210702153A CN114997999A CN 114997999 A CN114997999 A CN 114997999A CN 202210702153 A CN202210702153 A CN 202210702153A CN 114997999 A CN114997999 A CN 114997999A
- Authority
- CN
- China
- Prior art keywords
- financing
- analysis result
- user
- information
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了一种人工智能金融数据管理系统,涉及计算机技术领域,通过采集获取第一用户的多维度信息,获得第一用户信息;采集获取第一用户的历史金融信息;对历史金融信息进行分析处理,获取信用分析结果;对第一用户信息进行分析处理,获取规模分析结果;将规模分析结果和信用分析结果输入融资分析模型,获得融资分析结果;将融资分析结果展示给第一用户,并进行保存。本发明解决了现有技术中金融融资业务分析评估效率低、准确程度低、成本高的技术问题,达到了提升金融融资业务分析评估效率和准确程度、并降低成本的技术效果。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种人工智能金融数据管理系统。
背景技术
互联网金融突破了传统的金融模式,通过金融和互联网技术结合的方式,能够实现线上、智能地进行诸多业务的评估、办理和统筹等。
目前在进行融资业务的过程中,需要对融资客户的资产、信用等信息进行评估,以保护双方权益。目前一般通过具有一定经验的财务人员进行评估。
现有技术中进行融资评估的人工参与度较高,且容易受主观、行业、地域等因素的影响,存在着融资分析评估效率低、准确程度低、成本高的技术问题。
发明内容
本申请提供了一种人工智能金融数据管理系统,用于针对解决现有技术中金融融资业务分析评估效率低、准确程度低、成本高的技术问题。
鉴于上述问题,本申请提供了一种人工智能金融数据管理系统。
本申请的第一个方面,提供了一种人工智能金融数据管理系统,所述系统包括:第一获得单元,用于采集获取第一用户的多维度信息,获得第一用户信息;第二获得单元,用于采集获取所述第一用户的历史金融信息;第一处理单元,用于对所述历史金融信息进行分析处理,获取信用分析结果;第二处理单元,用于对所述第一用户信息进行分析处理,获取规模分析结果;第三处理单元,用于将所述规模分析结果和所述信用分析结果输入融资分析模型,获得融资分析结果;第一执行单元,用于将所述融资分析结果展示给所述第一用户,并进行保存。
本申请的第二个方面,提供了一种人工智能金融数据管理方法,所述方法包括:采集获取第一用户的多维度信息,获得第一用户信息;采集获取所述第一用户的历史金融信息;对所述历史金融信息进行分析处理,获取信用分析结果;对所述第一用户信息进行分析处理,获取规模分析结果;将所述规模分析结果和所述信用分析结果输入融资分析模型,获得融资分析结果;将所述融资分析结果展示给所述第一用户,并进行保存。
本申请的第三个方面,提供了一种电子设备,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使电子设备以执行如第一方面所述的系统。
本申请的第四个方面,提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的系统。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的技术方案通过采集获取需要融资的第一用户的多维度融资资本信息,作为第一用户信息,并采集第一用户此前历史内的历史金融信息,通过对该历史金融信息进行分析处理,分析获得第一用户的信用分析结果,然后对第一用户信息进行分析处理,获得第一用户可进行融资的融资规模分析结果,进一步结合而该规模分析结果和信用分析结果进行分析处理,获得第一用户的融资分析结果,将该融资分析结果展示给第一用户,作为融资分析的数据基础,并进行保存。本申请实施例通过采集获得第一用户当前的多维度信息,能够准确分析第一用户的融资资本规模等信息,并采集获得第一用户的历史金融信息,能够准确分析第一用户此前历史内在金融业务中的信用情况,获得信用分析结果,最终结合规模分析结果和信用分析结果进行当前的融资业务分析,获得融资分析结果,作为融资业务分析的数据基础进行展示和保存管理,能够基于互联网金融,准确、智能、高效地进行融资业务的分析评估,能够有效降低分析评估的人工和时间成本,达到提升金融融资业务分析评估效率和准确程度、降低成本的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请提供的一种人工智能金融数据管理方法流程示意图;
图2为本申请提供的一种人工智能金融数据管理方法中构建获得融资规模分析空间的流程示意图;
图3为本申请提供的一种人工智能金融数据管理方法中获得融资分析结果的流程示意图;
图4为本申请提供了一种人工智能金融数据管理系统结构示意图;
图5为本申请示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第一处理单元13,第二处理单元14,第三处理单元15,第一执行单元16,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请通过提供了一种人工智能金融数据管理系统,用于针对解决现有技术中金融融资业务分析评估效率低、准确程度低、成本高的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供的技术方案通过采集获取需要融资的第一用户的多维度融资资本信息,作为第一用户信息,并采集第一用户此前历史内的历史金融信息,通过对该历史金融信息进行分析处理,分析获得第一用户的信用分析结果,然后对第一用户信息进行分析处理,获得第一用户可进行融资的融资规模分析结果,进一步结合而该规模分析结果和信用分析结果进行分析处理,获得第一用户的融资分析结果,将该融资分析结果展示给第一用户,作为融资分析的数据基础,并进行保存。
在介绍了本申请基本原理后,下面,将参考附图对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请的实施例,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。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部。
实施例一
如图1所示,本申请提供了一种人工智能金融数据管理方法,所述方法应用于一人工智能金融数据管理系统,所述方法包括:
S100:采集获取第一用户的多维度信息,获得第一用户信息;
本申请实施例中,第一用户为现有技术中任意的具有融资业务需求的用户,第一用户可为任意形式的用户,例如可为个体用户,也可为企业用户等,其中个体用户具有贷款的融资需求,企业用户具有投资的融资需求。
具体地,采集第一用户的多维度信息,多维度信息可包括现有技术中进行融资评估的任意类型的信息。示例性地,多维度信息可包括第一用户的财产规模信息、抵押资本规模信息以及资金流动信息等,多维度信息一定程度上反映第一用户可进行融资的资产规模,并作为融资分析评估的决定性数据。通过采集第一用户的多维度信息,获得第一用户信息。
S200:采集获取所述第一用户的历史金融信息;
本申请实施例中,在获得能够反映第一用户资产规模的第一用户信息之后,还需采集能够反应第一用户信用程度的信息。
具体地,通过采集第一用户在此前历史内进行融资以及其他金融业务的相关数据,获得历史金融信息。示例性地,该历史金融信息可包括第一用户在历史内进行投资、理财、融资等金融业务的信息,具体可包括额度、抵押、还款等具体信息。采集获得的历史金融信息可作为分析第一用户金融业务中信用的数据基础。
本申请实施例中采集数据的方法和数据均符合相关法律法规的要求。
S300:对所述历史金融信息进行分析处理,获取信用分析结果;
具体地,对该历史金融信息进行具体的分析处理,具体分析该历史金融信息反映第一用户在金融业务中的信用程度,获得信用分析结果。
示例性地,若历史金融信息内,第一用户不曾或较少出现金融信用问题,则信用分析结果内,第一用户的信用程度越高。
S400:对所述第一用户信息进行分析处理,获取规模分析结果;
具体地,对上述的第一用户信息进行具体地分析处理,具体根据第一用户信息反映的第一用户的资产规模,分析当前第一用户可进行融资的融资规模,获得规模分析结果。
其中,若第一用户信息反映第一用户的资产规模越大,则规模分析结果中第一用户当前可进行融资的规模越大。
S500:将所述规模分析结果和所述信用分析结果输入融资分析模型,获得融资分析结果;
本申请实施例中,基于前述分析获得的信用分析结果和规模分析结果,能够分别获得第一用户的信用程度信息和可进行融资的融资规模信息。
实际上,对于信用程度较差的用户,提供融资的一方一般会适当降低该用户的融资规模,对于信用程度极差的用户,会不予提供融资。
因此,需要结合该信用分析结果和规模分析结果,进行第一用户的融资综合分析,能够更为准确地得到最终的融资分析结果。该融资分析结果为综合信用分析结果对规模分析结果进行调整分析后得到的。
S600:将所述融资分析结果展示给所述第一用户,并进行保存。
最终,将该融资分析结果展示给上述的第一用户,相应的,也作为提供融资的一方对第一用户进行融资业务的参考数据,进行保存,进行当前第一用户的融资业务操作,能够更为符合第一用户当前的资产规模和信用程度,避免出现融资后的风险问题,保护融资双方的权益。
本申请实施例通过采集获得第一用户当前的多维度信息,能够准确分析第一用户的融资资本规模等信息,并采集获得第一用户的历史金融信息,能够准确分析第一用户此前历史内在金融业务中的信用情况,获得信用分析结果,最终结合规模分析结果和信用分析结果进行当前的融资业务分析,获得融资分析结果,作为融资业务分析的数据基础进行展示和保存管理,能够基于互联网金融,准确、智能、高效地进行融资业务的分析评估,能够有效降低分析评估的人工和时间成本,达到提升金融融资业务分析评估效率和准确程度、降低成本的技术效果。
本申请实施例提供的方法中的步骤S100包括:
S110:采集获取所述第一用户的抵押资金规模信息;
S120:采集获取所述第一用户的流动资金规模信息;
S130:将所述抵押资金规模信息和所述流动资金规模信息作为所述第一用户信息。
本申请实施例中,上述的多维度信息优选包括第一用户用于进行融资抵押的抵押资金规模信息以及流动资金规模信息。可选的,该抵押资金规模信息可为第一用户抵押资产或抵押资金的规模信息,可通过评估计算获得。
该流动资金规模信息可包括第一用户近期预设时间内的资金流动信息以及资金流动的稳定性,可通过采集第一用户近期预设时间内的账户资金流动数据并进行评估获得。
该预设时间的长度可根据实际需求进行设置,例如可设置为一年或多年等。
如此,将上述的抵押资金规模信息和流动资金规模信息作为上述的第一用户信息,用于进行第一用户的融资规模分析。
本申请实施例通过采集获得第一用户的抵押资金规模信息以及流动资金规模信息,获得第一用户信息,可反映第一用户可用于抵押的资产规模以及资金流动的稳定性和规模等,进而可较为准确地分析第一用户进行融资的融资规模,达到提升金融融资数据分析准确性的技术效果。
本申请实施例提供的方法中的步骤S400包括:
S410:构建融资规模分析空间;
S420:将所述第一用户信息输入所述融资规模分析空间,获得输出结果;
S430:根据所述输出结果,获得所述规模分析结果。
如图2所示,其中,步骤S410包括:
S411:根据所述第一用户,设置获得同族用户;
S412:采集所述第一用户和所述同族用户的历史抵押资金规模信息集合和历史流动资金规模信息集合;
S413:根据所述抵押资金规模信息和所述流动资金规模信息构建二维坐标空间;
S414:将所述历史抵押资金规模信息集合和历史流动资金规模信息集合输入所述二维坐标空间,获得多个历史坐标点;
S415:对多个所述历史坐标点进行聚类,获得多个聚类结果;
S416:根据多个所述聚类结果和所述二维坐标空间,获得所述融资规模分析空间。
本申请实施例中,为根据第一用户信息,分析获得第一用户当前进行融资的融资规模,通过构建融资规模分析空间进行分析。
具体地,基于第一用户,设置获得与第一用户类似的同族用户,其中该同族用户可包括具有与第一用户相同形式以及相似规模的多个需要进行融资或此前历史内进行过融资的用户。
进一步地,采集第一用户以及该同族用户的历史抵押资金规模信息集合,以及历史流动资金规模信息集合。该历史抵押资金规模信息集合和历史流动资金规模信息集合分别包括第一用户和同族用户当前及此前历史内的抵押资金规模信息以及流动资金规模信息,用于构建融资规模分析空间。
基于上述内容中第一用户信息中的抵押资金规模信息和流动资金规模信息两个维度,构建二维坐标空间。示例性地,以抵押资金规模信息为横坐标轴,以流动资金规模信息为纵坐标轴,构建二维坐标空间,并以具体的抵押资金规模信息数值以及流动资金规模信息数值作为横坐标值和纵坐标值。
将上述的历史抵押资金规模信息集合和历史流动资金规模信息集合内每个用户一一对应的抵押资金规模信息和流动资金规模信息输入该二维坐标空间,形成多个历史坐标点。
对该多个历史坐标点进行聚类,获得多个聚类结果。示例性地,进行聚类的过程中,可计算多组两两历史坐标点之间的欧氏距离,获得多个欧氏距离,将欧氏距离小于一预设阈值的欧氏距离对应的两历史坐标点视为同一类,进而完成对全部历史坐标点的聚类。
实际上,根据实际业务中各用户的抵押资金规模信息和流动资金规模信息,多个历史坐标点在二维坐标空间中的分布并非是均匀分布的,而是按照一定的规律集群分布,基于此完成聚类。
可选的,该预设阈值可根据实际上各历史坐标点的距离进行具体设置调整。
基于聚类获得的多个聚类结果,根据多个聚类结果内历史坐标点对应的抵押资金规模信息和流动资金规模信息的大小,并基于金融融资业务的历史经验,对各聚类结果设置一对应的融资规模,各聚类结果对应的融资规模不同,如此,可基于第一用户当前的第一用户信息进行融资规模的分析。
基于该多个聚类结果以及对应的融资规模,以及上述的二维坐标空间,获得上述的融资规模分析空间。
将上述的第一用户信息输入该融资规模分析空间,根据第一用户信息内包括的第一用户的抵押资金规模信息和流动资金规模信息的具体数值,在二维坐标空间内形成对应的坐标点。
进一步地,根据该坐标点在二维坐标空间内的位置,可判断该坐标点属于多个聚类结果中的哪一聚类结果,进而将该坐标点属于的聚类结果以及对应的融资规模作为输出结果进行输出。
根据该输出结果内的融资规模,获得上述内容中当前第一用户的规模分析结果,完成根据第一用户信息进行的融资规模的分析处理。将该规模分析结果进行保存,作为后续结合信用分析结果进行瓤子分析的数据基础。
本申请实施例通过根据第一用户的多维度信息构建坐标空间,并通过采集同族用户的用户信息,扩大数据规模,结合坐标空间形成多个坐标点,并进行聚类,进行当前第一用户信息的分析处理,能够较为高效、准确且智能的进行融资规模的分析,节省了进行融资规模分析的人工成本和时间成本。
本申请实施例提供的方法中的步骤S300包括:
S310:基于人工神经网络模型,构建信用分析模型;
S320:采集获取所述第一用户及同族用户的历史金融信息集合,并采集获取历史信用分析结果集合;
S330:采用所述历史金融信息集合和所述历史信用分析结果集合对所述信用分析模型进行监督训练、验证和测试,获得所述信用分析模型;
S340:将所述历史金融信息输入所述信用分析模型,获得所述信用分析结果。
具体地,基于机器学习中的人工神经网络(Artificial Neural Network,ANN),构建融资分析模型,其内包括多个简单单元,简单单元能够模拟人体大脑神经元进行数据的非线性逻辑运算,多个简单单元连接形成的网络结构能够进行较为复杂的非线性逻辑分析运算,并在训练过程中形成各简单单元连接的权值及阈值,从而模拟人体大脑进行复杂逻辑的分析预测。
基于前述内容中的第一用户的同族用户,采集第一用户以及同族用户在此前历史内进行金融业务的历史金融信息,获得历史金融信息集合。并根据历史内第一用户和同族用户在进行金融业务时进行人工信用评估获得的历史信用分析结果,获得历史信用分析结果集合。其中,历史信用分析结果集合内的历史信用分析结果和历史金融信息集合内的历史金融信息一一对应。
对该历史信用分析结果集合和历史金融信息集合按照预设划分规则进行划分以及标识,获得训练数据集、验证数据集和测试数据集,示例性地,该预设划分规则可为按照比例7:2:1的比例进行划分。
采用该训练数据集、验证数据集和测试数据集分别对信用分析模型进行监督训练、验证和测试,使得模型的输出结果收敛或达到预设的准确率,并避免模型出现泛化性较差、过拟合等问题,获得该信用分析模型。
将当前采集的上述的第一用户的历史金融信息输入该信用分析模型,获得模型的输出结果,其内包括当前信用分析结果的标识信息,根据该输出结果获得上述的第一用户当前的信用分析结果。
本申请实施例通过基于机器学习,构建信用分析模型,并采集获取第一用户以及同族用户的历史金融信息集合以及历史信用分析结果集合对模型进行训练,能够获得准确率较高的信用分析模型,进而实现智能化地根据历史金融信息进行用户信用的分析评估,且准确率较高。
如图3所示,本申请实施例提供的方法中的步骤S500包括:
S510:基于人工神经网络模型,构建融资分析模型;
S520:采集获取所述第一用户及同族用户的历史规模分析结果集合和历史信用分析结果集合,并采集获取历史融资分析结果集合;
S530:采用所述历史规模分析结果集合、所述历史信用分析结果集合和所述历史融资分析结果集合对所述融资分析模型进行监督训练、验证和测试;
S540:对所述融资分析模型进行稳定性分析,获得稳定性分析结果;
S550:判断所述稳定性分析结果是否满足预设要求,若满足,则将所述规模分析结果和所述信用分析结果输入所述融资分析模型,获得所述融资分析结果,若不满足,则对所述融资分析模型进行调整。
本申请实施例中,基于机器学习中的人工神经网络模型,构建融资分析模型,用于根据上述的规模分析结果和信用分析结果进行最终的融资分析评估。
采集获取第一用户以及同族用户的历史规模分析结果集合和历史信用分析结果集合,具体地,可通过前述内容中方法的步骤,根据第一用户及其同族用户的历史金融信息和用户信息进行信用分析和规模分析,获得上述的历史规模分析结果集合和历史信用分析结果集合。
进一步的,基于此前历史内进行金融融资业务评估的历史经验,采集获得多种不同的历史融资分析结果,获得历史融资分析结果集合。不同的历史融资分析结果均是历史内基于专业评估师根据不同用户的规模和信用等进行评估获得的。
按照预设的划分规则分别对历史规模分析结果集合、历史信用分析结果集合和历史融资分析结果集合进行划分和标识,获得训练数据集、验证数据集和测试数据集,可选的,该划分规则可为6:3:1的比例。采用该训练数据集、验证数据集和测试数据集对融资分析模型进行监督训练、验证和测试,直至模型的输出结果收敛或达到预设的准确率,且在验证数据集和测试数据集的预测效果也较好。
在获得融资分析模型之后,由于融资分析模型涉及融资风险评估,因此,需要评估融资分析模型的稳定性,减少实际应用融资分析模型过程中可能出现的风险问题。
对该融资分析模型进行稳定性分析,可采用现有技术中任意对风控模型进行稳定性分析的方法进行,获得稳定性分析结果。
判断该稳定性分析结果是否满足预设的要求,若满足,将可将该融资分析模型投入使用,将上述内容中第一用户当前的规模分析结果和信用分析结果输入该融资分析模型,获得输出结果,其中包括最终的融资分析结果的标识信息。若不满足该预设的要求,则说明模型的稳定性不佳,需要对模型进行优化或重新构建模型。
本申请实施例通过构建融资分析模型,并对融资分析模型进行训练、验证和测试,能够获得准确率较高、性能较好的融资分析模型,能够根据融资用户的规模分析结果和信用分析结果进行最终融资额度、方案等信息的分析预测,获得最终的融资分析结果,且较为准确高效。
本申请实施例提供的方法中的步骤S540包括:
S541:对所述历史规模分析结果集合、所述历史信用分析结果集合按照预设规则划分,获得第一数据集和第二数据集;
S542:将所述第一数据集输入所述融资分析模型,获得第一输出结果集合;
S543:根据所述第一输出结果集合内不同融资分析结果的分布,获得第一分布;
S544:将所述第二数据集输入所述融资分析模型,获得第二输出结果集合;
S545:根据所述第二输出结果集合内不同融资分析结果的分布,获得第二分布;
S546:根据所述第一分布和所述第二分布分析计算所述融资分析模型的稳定性,获得所述稳定性分析结果。
本申请实施例中,基于融资分析模型在根据输入数据进行预测获得的输出结果内不同融资分析结果的分布进行稳定性分析。
将上述的历史规模分析结果集合和历史信用分析结果集合按照预测规则划分,获得第一数据集和第二数据集,其中该预测规则为完全随机划分,且第一数据集和第二数据集的比例可自行设置,例如可为5:5,或为6:4。
由于随机划分获得第一数据集和第二数据集,因此,第一数据集和第二数据集内不同程度的历史规模分析结果和历史信用分析结果是类似的。
将该第一数据集输入该融资分析模型,获得第一输出结果集合,其内包括多种不同的融资分析结果,根据不同融资分析结果在第一输出结果集合内出现的概率,获得不同融资分析结果的分布,得到第一分布。
将该第二数据集输入该融资分析模型,获得第二输出结果集合,其内包括多种不同的融资分析结果,根据不同融资分析结果在第二一输出结果集合内出现的概率,获得不同融资分析结果的分布,得到第二分布。
根据该第一分布和第二分布计算分析上述融资分析模型的稳定性,如下式:
基于上式,分析计算获得融资分析模型的稳定性分析结果,示例性地,上述的稳定性分析结果的预设要求可为0.2,若R小于等于0.2,则满足预设要求,若大于,则不满足。
本申请实施例通过对融资分析模型的稳定性进行分析计算,并采用了特定的分析方法,能够准确分析模型的稳定性,避免模型出现泛化性能不佳、稳定性较差的问题,降低融资分析模型进行融资分析时的风险问题可能性。
综上所述,本申请实施例通过采集获得第一用户当前的多维度信息,能够准确分析第一用户的融资资本规模等信息,并采集获得第一用户的历史金融信息,能够准确分析第一用户此前历史内在金融业务中的信用情况,获得信用分析结果,最终结合规模分析结果和信用分析结果进行当前的融资业务分析,获得融资分析结果,作为融资业务分析的数据基础进行展示和保存管理,能够基于互联网金融,准确、智能、高效地进行融资业务的分析评估,能够有效降低分析评估的人工和时间成本,达到提升金融融资业务分析评估效率和准确程度、降低成本的技术效果。
实施例二
基于与前述实施例中一种人工智能金融数据管理方法相同的发明构思,如图4所示,本申请提供了一种人工智能金融数据管理系统,其中,所述系统包括:
第一获得单元11,用于采集获取第一用户的多维度信息,获得第一用户信息;
第二获得单元12,用于采集获取所述第一用户的历史金融信息;
第一处理单元13,用于对所述历史金融信息进行分析处理,获取信用分析结果;
第二处理单元14,用于对所述第一用户信息进行分析处理,获取规模分析结果;
第三处理单元15,用于将所述规模分析结果和所述信用分析结果输入融资分析模型,获得融资分析结果;
第一执行单元16,用于将所述融资分析结果展示给所述第一用户,并进行保存。
进一步地,所述系统还包括:
第三获得单元,用于采集获取所述第一用户的抵押资金规模信息;
第四获得单元,用于采集获取所述第一用户的流动资金规模信息;
第五获得单元,用于将所述抵押资金规模信息和所述流动资金规模信息作为所述第一用户信息。
进一步地,所述系统还包括:
第一构建单元,用于构建融资规模分析空间;
第四处理单元,用于将所述第一用户信息输入所述融资规模分析空间,获得输出结果;
第六获得单元,用于根据所述输出结果,获得所述规模分析结果。
进一步地,所述系统还包括:
第七获得单元,用于根据所述第一用户,设置获得同族用户;
第八获得单元,用于采集所述第一用户和所述同族用户的历史抵押资金规模信息集合和历史流动资金规模信息集合;
第二构建单元,用于根据所述抵押资金规模信息和所述流动资金规模信息构建二维坐标空间;
第五处理单元,用于将所述历史抵押资金规模信息集合和历史流动资金规模信息集合输入所述二维坐标空间,获得多个历史坐标点;
第六处理单元,用于对多个所述历史坐标点进行聚类,获得多个聚类结果;
第九获得单元,用于根据多个所述聚类结果和所述二维坐标空间,获得所述融资规模分析空间。
进一步地,所述系统还包括:
第三构建单元,用于基于人工神经网络模型,构建信用分析模型;
第十获得单元,用于采集获取所述第一用户及同族用户的历史金融信息集合,并采集获取历史信用分析结果集合;
第七处理单元,用于采用所述历史金融信息集合和所述历史信用分析结果集合对所述信用分析模型进行监督训练、验证和测试,获得所述信用分析模型;
第八处理单元,用于将所述历史金融信息输入所述信用分析模型,获得所述信用分析结果。
进一步地,所述系统还包括:
第四构建单元,用于基于人工神经网络模型,构建融资分析模型;
第十一获得单元,用于采集获取所述第一用户及同族用户的历史规模分析结果集合和历史信用分析结果集合,并采集获取历史融资分析结果集合;
第九处理单元,用于采用所述历史规模分析结果集合、所述历史信用分析结果集合和所述历史融资分析结果集合对所述融资分析模型进行监督训练、验证和测试;
第十处理单元,用于对所述融资分析模型进行稳定性分析,获得稳定性分析结果;
第一判断单元,用于判断所述稳定性分析结果是否满足预设要求,若满足,则将所述规模分析结果和所述信用分析结果输入所述融资分析模型,获得所述融资分析结果,若不满足,则对所述融资分析模型进行调整。
进一步地,所述系统还包括:
第十一处理单元,用于对所述历史规模分析结果集合、所述历史信用分析结果集合按照预设规则划分,获得第一数据集和第二数据集;
第十二处理单元,用于将所述第一数据集输入所述融资分析模型,获得第一输出结果集合;
第十二获得单元,用于根据所述第一输出结果集合内不同融资分析结果的分布,获得第一分布;
第十三处理单元,用于将所述第二数据集输入所述融资分析模型,获得第二输出结果集合;
第十三获得单元,用于根据所述第二输出结果集合内不同融资分析结果的分布,获得第二分布;
第十四处理单元,用于根据所述第一分布和所述第二分布分析计算所述融资分析模型的稳定性,获得所述稳定性分析结果,如下式:
实施例三
基于与前述实施例中一种人工智能金融数据管理方法相同的发明构思,本申请还提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如实施例一内的方法。
示例性电子设备
下面参考图5来描述本申请的电子设备。
基于与前述实施例中一种人工智能金融数据管理方法相同的发明构思,本申请还提供了一种电子设备,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得电子设备以执行实施例一所述方法的步骤。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdiscread-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种人工智能金融数据管理方法。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a ,b,或c中的至少一项(个、种),可以表示:a ,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(SolidState Disk,SSD))等。
本申请中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (10)
1.一种人工智能金融数据管理系统,其特征在于,所述系统包括:
第一获得单元,用于采集获取第一用户的多维度信息,获得第一用户信息;
第二获得单元,用于采集获取所述第一用户的历史金融信息;
第一处理单元,用于对所述历史金融信息进行分析处理,获取信用分析结果;
第二处理单元,用于对所述第一用户信息进行分析处理,获取规模分析结果;
第三处理单元,用于将所述规模分析结果和所述信用分析结果输入融资分析模型,获得融资分析结果;
第一执行单元,用于将所述融资分析结果展示给所述第一用户,并进行保存。
2.根据权利要求1所述的系统,其特征在于,所述系统还包括:
第三获得单元,用于采集获取所述第一用户的抵押资金规模信息;
第四获得单元,用于采集获取所述第一用户的流动资金规模信息;
第五获得单元,用于将所述抵押资金规模信息和所述流动资金规模信息作为所述第一用户信息。
3.根据权利要求2所述的系统,其特征在于,所述系统还包括:
第一构建单元,用于构建融资规模分析空间;
第四处理单元,用于将所述第一用户信息输入所述融资规模分析空间,获得输出结果;
第六获得单元,用于根据所述输出结果,获得所述规模分析结果。
4.根据权利要求3所述的系统,其特征在于,所述系统还包括:
第七获得单元,用于根据所述第一用户,设置获得同族用户;
第八获得单元,用于采集所述第一用户和所述同族用户的历史抵押资金规模信息集合和历史流动资金规模信息集合;
第二构建单元,用于根据所述抵押资金规模信息和所述流动资金规模信息构建二维坐标空间;
第五处理单元,用于将所述历史抵押资金规模信息集合和历史流动资金规模信息集合输入所述二维坐标空间,获得多个历史坐标点;
第六处理单元,用于对多个所述历史坐标点进行聚类,获得多个聚类结果;
第九获得单元,用于根据多个所述聚类结果和所述二维坐标空间,获得所述融资规模分析空间。
5.根据权利要求1所述的系统,其特征在于,所述系统还包括:
第三构建单元,用于基于人工神经网络模型,构建信用分析模型;
第十获得单元,用于采集获取所述第一用户及同族用户的历史金融信息集合,并采集获取历史信用分析结果集合;
第七处理单元,用于采用所述历史金融信息集合和所述历史信用分析结果集合对所述信用分析模型进行监督训练、验证和测试,获得所述信用分析模型;
第八处理单元,用于将所述历史金融信息输入所述信用分析模型,获得所述信用分析结果。
6.根据权利要求1所述的系统,其特征在于,所述系统还包括:
第四构建单元,用于基于人工神经网络模型,构建融资分析模型;
第十一获得单元,用于采集获取所述第一用户及同族用户的历史规模分析结果集合和历史信用分析结果集合,并采集获取历史融资分析结果集合;
第九处理单元,用于采用所述历史规模分析结果集合、所述历史信用分析结果集合和所述历史融资分析结果集合对所述融资分析模型进行监督训练、验证和测试;
第十处理单元,用于对所述融资分析模型进行稳定性分析,获得稳定性分析结果;
第一判断单元,用于判断所述稳定性分析结果是否满足预设要求,若满足,则将所述规模分析结果和所述信用分析结果输入所述融资分析模型,获得所述融资分析结果,若不满足,则对所述融资分析模型进行调整。
7.根据权利要求6所述的系统,其特征在于,所述系统还包括:
第十一处理单元,用于对所述历史规模分析结果集合、所述历史信用分析结果集合按照预设规则划分,获得第一数据集和第二数据集;
第十二处理单元,用于将所述第一数据集输入所述融资分析模型,获得第一输出结果集合;
第十二获得单元,用于根据所述第一输出结果集合内不同融资分析结果的分布,获得第一分布;
第十三处理单元,用于将所述第二数据集输入所述融资分析模型,获得第二输出结果集合;
第十三获得单元,用于根据所述第二输出结果集合内不同融资分析结果的分布,获得第二分布;
第十四处理单元,用于根据所述第一分布和所述第二分布分析计算所述融资分析模型的稳定性,获得所述稳定性分析结果,如下式:
8.一种人工智能金融数据管理方法,其特征在于,所述方法应用于一人工智能金融数据管理系统,所述方法包括:
采集获取第一用户的多维度信息,获得第一用户信息;
采集获取所述第一用户的历史金融信息;
对所述历史金融信息进行分析处理,获取信用分析结果;
对所述第一用户信息进行分析处理,获取规模分析结果;
将所述规模分析结果和所述信用分析结果输入融资分析模型,获得融资分析结果;
将所述融资分析结果展示给所述第一用户,并进行保存。
9.一种电子设备,其特征在于,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使电子设备以执行如权利要求1-7中任一项所述的系统。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210702153.5A CN114997999A (zh) | 2022-06-21 | 2022-06-21 | 一种人工智能金融数据管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210702153.5A CN114997999A (zh) | 2022-06-21 | 2022-06-21 | 一种人工智能金融数据管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114997999A true CN114997999A (zh) | 2022-09-02 |
Family
ID=83037938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210702153.5A Withdrawn CN114997999A (zh) | 2022-06-21 | 2022-06-21 | 一种人工智能金融数据管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114997999A (zh) |
-
2022
- 2022-06-21 CN CN202210702153.5A patent/CN114997999A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564286B (zh) | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 | |
CN110009174B (zh) | 风险识别模型训练方法、装置及服务器 | |
CN110378786B (zh) | 模型训练方法、违约传导风险识别方法、装置及存储介质 | |
CN108921569B (zh) | 一种确定用户投诉类型的方法及装置 | |
CN108133418A (zh) | 实时信用风险管理系统 | |
CN112734559B (zh) | 企业信用风险评价方法、装置及电子设备 | |
CN111192131A (zh) | 金融风险预测方法、装置和电子设备 | |
CN106600369A (zh) | 基于朴素贝叶斯分类的银行金融产品实时推荐系统和方法 | |
US20190130481A1 (en) | Entity Segmentation for Analysis of Sensitivities to Potential Disruptions | |
CA2991136A1 (en) | Modifying data structures to indicate derived relationships among entity data objects | |
US11804302B2 (en) | Supervised machine learning-based modeling of sensitivities to potential disruptions | |
JP2003526147A (ja) | 自動的にポートフォリオ記述統計値を求める相互相関ツール | |
CN107563542A (zh) | 数据预测方法及装置和电子设备 | |
CN105528465A (zh) | 信用状况评估方法及装置 | |
CN112990386B (zh) | 用户价值聚类方法、装置、计算机设备和存储介质 | |
KR102628559B1 (ko) | 부동산 담보대출 자동심사 플랫폼 제공방법 및 제공장치 | |
CN113407854A (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
CN115375177A (zh) | 用户价值评估方法、装置、电子设备及存储介质 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
Hwang et al. | A logistic regression point of view toward loss given default distribution estimation | |
CN110033165A (zh) | 逾期借款催收方式的推荐方法、装置、介质、电子设备 | |
Moon et al. | Survival analysis for technology credit scoring adjusting total perception | |
CN115829722A (zh) | 信用风险评分模型的训练方法及信用风险评分方法 | |
CN114298825A (zh) | 还款积极度评估方法及装置 | |
CN114997999A (zh) | 一种人工智能金融数据管理系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220902 |
|
WW01 | Invention patent application withdrawn after publication |