CN114998002A - 风险操作预测方法及装置 - Google Patents

风险操作预测方法及装置 Download PDF

Info

Publication number
CN114998002A
CN114998002A CN202210846327.5A CN202210846327A CN114998002A CN 114998002 A CN114998002 A CN 114998002A CN 202210846327 A CN202210846327 A CN 202210846327A CN 114998002 A CN114998002 A CN 114998002A
Authority
CN
China
Prior art keywords
risk
data
graph
target object
risk operation
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
Application number
CN202210846327.5A
Other languages
English (en)
Inventor
彭雪莹
黄伟
向宇
丁宇星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202210846327.5A priority Critical patent/CN114998002A/zh
Publication of CN114998002A publication Critical patent/CN114998002A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种风险操作预测方法及装置，可用于数据处理技术领域，该方法包括：按照预定周期采集目标对象的操作数据；根据预定的风险操作点信息从所述目标对象的操作数据提取特征数据；将提取的所述特征数据输入预定的风险模型，计算预测目标对象发生风险操作事件的概率；对概率大于预设阈值的目标对象进行标记。由此，通过预测模型对员工操作产生的数据进行分类并预测风险类型，能够对员工风险操作进行预判，从而达到对员工风险操作有效监控的目的。

Description

风险操作预测方法及装置
技术领域
本申请涉及数据处理技术领域，尤其涉及一种风险操作预测方法及装置。
背景技术
商业银行的风险控制能力是决定该商业银行的业务健康发展的重要因素之一，其中，对于员工的风险控制是商业银行风险控制的重要一环。
当前监测员工风险操作的手段，主要是通过人工核查和数据分析进行风险操作识别，并将识别结果下发，进行人工确认。但此种方法通过事后对风险进行确认，具有 滞后性。
另一种方法是基于逻辑回归的员工风险操作预测方法，但该方法可应用的风险场景有限，对风险操作进行预测的正确性有待提高，并且没有得到广泛的应用。
本部分旨在为权利要求书中陈述的本申请实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
发明内容
本申请实施例提供一种风险操作预测方法，通过预测模型对员工操作产生的数据进行分类并预测风险类型，能够对员工风险操作进行预判，从而达到对员工风险操作 有效监控的目的。该方法包括：
按照预定周期采集目标对象的操作数据；
根据预定的风险操作点信息从所述目标对象的操作数据提取特征数据；
将提取的所述特征数据输入预定的风险模型，计算预测目标对象发生风险操作事件的概率；
对概率大于预设阈值的目标对象进行标记。
本申请实施例提供一种风险操作预测装置，通过预测模型对员工操作产生的数据进行分类并预测风险类型，能够对员工风险操作进行预判，从而达到对员工风险操作 有效监控的目的。该装置包括：
数据采集单元，其按照预定频率采集目标对象的操作数据；
特征提取单元，其根据预定的风险操作点信息从所述目标对象的操作数据提取特征数据；
概率计算单元，其将提取的所述特征数据输入预定的风险模型，计算预测目标对象发生风险操作事件的概率；
标记单元，其对概率大于预设阈值的目标对象进行标记。
本申请实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法。
本申请实施例还提供一种程序产品，所述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上述方法。
本申请实施例中，通过预测模型对员工操作产生的数据进行分类并预测风险类型，能够对员工风险操作进行预判，从而达到对员工风险操作有效监控的目的。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅 是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提 下，还可以根据这些附图获得其他的附图。在附图中：
图1是本申请实施例的风险操作预测方法的一个示意图。
图2是本申请实施例的图卷积神经网络的一个示意图。
图3是本申请实施例的训练风险模型的方法的一个示意图。
图4是本申请实施例的风险操作预测装置的一个示意图。
图5是本申请实施例的模型建立单元的一个示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本申请实施例做进一步详细说明。在此，本申请的示意性实施例及其说明用于解释本申请， 但并不作为对本申请的限定。
需要说明的是，本申请公开的风险操作预测方法及装置可用于金融技术领域，也可用于除金融技术领域之外的任意领域，本申请公开的风险操作预测方法及装置的应 用领域不做限定。
此外，需要说明的是，本申请中技术方案中对数据的获取、存储、使用、处理等 均符合国家法律法规的相关规定。
本申请实施例提供一种风险操作预测方法，图1是该方法的一个示意图。
如图1所示，方法100包括：
步骤101：按照预定周期采集目标对象的操作数据；
步骤103：根据预定的风险操作点信息从所述目标对象的操作数据提取特征数据；
步骤105：将提取的所述特征数据输入预定的风险模型，计算预测目标对象发生风险操作事件的概率；
步骤107：对概率大于预设阈值的目标对象进行标记。
由此，通过预测模型对员工操作产生的数据进行分类并预测风险类型，能够对员工风险操作进行预判，从而达到对员工风险操作有效监控的目的。此外，还能够节约 人力资源成本，提高预测时效。
在步骤101中，目标对象的操作数据例如为员工的个人信息数据和/或操作行为数据，可从员工管理系统、各类业务系统记录的操作日志明细和资金往来信息等采集 操作数据。
在至少一个实施例中，所述预定的风险操作点信息与风险操作场景对应，所述风险操作场景例如可以包括以下场景中的至少一个：个人大额定期存单反交易、个人大 额定期存单现金提前支取、柜员频繁查询客户信息、员工自办业务、内部账户余额透 支、内部账户手工转个人账户、员工手工签发电子许可证、重要空白凭证手工销号、 飞单、久悬未取账户支取异常。
例如，在个人大额定期存单反交易风险操作场景下，预先设定的风险操作点信息可以包括：员工办理定期大额反交易、反交易后资金未回客户账户、该员工名下当天 入账总金额占反交易金额一半及以上；其中，在员工的操作数据中包含这些信息的情 况下，可以判定为员工的风险操作包括个人大额定期存单反交易。
例如，在个人大额定期存单现金提前支取风险操作场景下，预先设定的风险操作点信息可以包括：个人大额整存整取定期存单发生存期内提前支取、提前支取之后资 金回客户账户比例小于预设阈值、给客户办理开户和提前支取的客服经理为同一人； 其中，在员工的操作数据中包含这些信息的情况下，可以判定为员工的风险操作包括 个人大额定期存单现金提前支取。
例如，在柜员频繁查询客户信息风险操作场景下，预先设定的风险操作点信息可以包括：员工查询过客户数据且该客户当日未在该网点办理业务、按月查询客户数和 账户数大于预设阈值、按月查询涉及天数大于预设阈值；其中，在员工的操作数据中 包含这些信息的情况下，可以判定为员工的风险操作包括柜员频繁查询客户信息。
例如，在员工自办业务风险操作场景下，预先设定的风险操作点信息可以包括：经办柜员信息分别与交易借、贷方客户信息，代理人客户信息有一致、授权柜员信息 分别与交易借、贷方客户信息，代理人客户信息有一致、经办柜员与授权柜员一致； 其中，在员工的操作数据中包含这些信息中的至少一个的情况下，可以判定为员工的 风险操作包括员工自办业务。
例如，在内部账户余额透支风险操作场景下，预先设定的风险操作点信息可以包括：内部核算账户中当日余额与前一日不相等；其中，在员工的操作数据中包含这些 信息的情况下，可以判定为员工的风险操作包括内部账户余额透支。
例如，在内部账户手工转个人账户风险操作场景下，预先设定的风险操作点信息可以包括：内部账户进行现金支取、转入个人账户为本行员工或收款户名与操作柜员 同名、内部账户手工转个人账户单笔或累计金额大于预设阈值；其中，在员工的操作 数据中包含这些信息中的至少一个的情况下，可以判定为员工的风险操作包括内部账 户手工转个人账户。
例如，在员工手工签发电子许可证风险操作场景下，预先设定的风险操作点信息可以包括：员工手工签发电子许可证而未通过预定的系统(例如，新一代个贷系统) 创建；其中，在员工的操作数据中包含这些信息的情况下，可以判定为员工的风险操 作包括员工手工签发电子许可证。
例如，在重要空白凭证手工销号风险操作场景下，预先设定的风险操作点信息可以包括：对重要空白凭证种类的重空凭证进行手工销号；其中，在员工的操作数据中 包含这些信息的情况下，可以判定为员工的风险操作包括重要空白凭证手工销号。
例如，在飞单风险操作场景下，预先设定的风险操作点信息可以包括：对手账号非本行内部账户且对手账号和对手户名非空、交易时间在工作日的预定工作时间(预 定工作时间例如为09:00am-18:00pm)之间、当对方账户为对公账户时，户名包含预 定关键字的交易；其中，在员工的操作数据中包含这些信息的情况下，可以判定为员 工的风险操作包括飞单。
例如，在久悬未取账户支取异常风险操作场景下，预先设定的风险操作点信息可以包括：账户状态为久悬未取，追溯最近预定期间(例如，最近预定期间可以是近 90日、近30日、近半年等)内转账支取对方账号相同，操作员工相同，操作交易次 数和金额大于预设阈值、账户状态为久悬未取，同员工单笔或累计现金支取金额大于 预设阈值；其中，在员工的操作数据中包含这些信息中的至少一个的情况下，可以判 定为员工的风险操作包括久悬未取账户支取。
在至少一个实施例中，步骤105中的预定的风险模型可以是基于图神经网络建立的预测模型，所述预测模型的输出数据表示所述特征数据归属的风险操作场景以及与 归属的所述风险操作场景对应的概率。
在至少一个实施例中，图神经网络例如可以包括图卷积神经网络、图注意力网络，图自动编码器，图生成网络，图时空网络，门控图神经网络等中的一个。例如，预定 的风险模型可以基于图卷积神经网络进行训练而得到。但本申请实施例对此不作限 制，还可以基于其他图神经网络建立并训练得到预定的风险模型。
下面以图卷积神经网络为例对训练风险模型进行说明。
图2是本申请实施例的图卷积神经网络的一个示意图。图3是本申请实施例的训练风险模型的方法的一个示意图。
如图2所示，图卷积神经网络可以包括卷积层201、全连接层202和分类器203。
在至少一个实施例中，如图2所示，图卷积神经网络可以包括三层卷积层201-1 至201-3、两层全连接层202-1至202-2以及分类器203。
如图3所示，方法300包括：
步骤301：提取员工命中操作风险点的操作风险事件，根据每类操作风险事件的发生情况给员工打标签，生成样本集。打标签的方法例如为：根据风险点规则将员工 所命中的风险事件的序号作为标签，未命中任何风险点的标签为0。
步骤302：对样本集数据进行预处理，例如，包括异常值处理，缺失值补充，重 复值删除等处理，并将变量转化为数值型变量，再通过衍生条件将数据进行标准化处 理，将风险场景下的风险操作变量数值标准矩阵生成风险场景下的变量风险操作值矩 阵，作为样本集。衍生条件可根据业务人员的业务经验和员工数据的原始变量设计， 如：工作岗位级别，岗位职责权限，系统中的登陆、操作情况，员工账户及其控制账 户的大额或多笔异常交易等。
步骤303：基于预处理后的数据和标签，建立进行学习、分类和预测的图卷积神 经网络模型，例如该模型由图2所示的三层图卷积层，两层全连接层和分类器组成，
图上的卷积操作借助图的拉普拉斯矩阵L的特征值和特征向量来研究图的性质，图卷积通过式(1)计算：
Figure BDA0003752960850000061
其中输入样本x∈RN，Θ是被傅里叶域的θ∈RN参数化的滤波器， Θ＝Θ(Λ)∈RN ×N，Λ是L的特征值组成的对角矩阵，
Figure BDA0003752960850000062
λmax是L的最 大特征值，IN∈RN×N是单位矩阵，由于大图中计算L的特征值的分解复杂度很高， 因此采用切比雪夫多项式Tk(x)的第k阶截断展开来近似Θ(Λ)，K阶切比雪夫多项式 被定义为Tk(x)＝2xTk-1(x)-Tk-2(x)，其中T0(x)＝1，T1(x)＝x。式(1)仅取决于距离中心 节点最多K步的节点(K阶领域)，使用切比雪夫近似计算能减少计算量，节约运算 成本。
图卷积后紧跟ReLU激活函数，卷积层特征数例如分别为32，68，128，图卷积 层的传播规则如式(2)所示：
H(l+1)＝σ(ΘH(l)W(l)) (2)
其中σ(·)表示激活函数，W(l)表示第l层的权重，H(l)表示第l层的输出， H(0)＝X。为了减少参数数量，模型采用图信号的快速池化，通过创建平衡二叉树重 新排列特征点，将特征点任意地排列为一维，然后进行大小为4，步幅为1的一维最 大池化，以减少参数量和防止过拟合。
在三层图卷积层之后连接两个全连接层降维，最后一层为分类器，可对多种风险操作场景和正常操作场景进行分类，使用Sigmoid函数S(x)＝1/(1+e-x)来计算概率， 概率值在(0，1)之间，将概率最高的风险场景作为当前操作的最终的风险类型判别 结果输出。
步骤304：将样本集打乱均分为训练集和测试集，以训练建立的图卷积神经网络模型。例如，将样本集中80％的数据作为训练集，剩下20％的数据作为测试集，将 交叉熵作为损失函数，训练模型并更新模型参数。
步骤305：初始化参数，如切比雪夫多项式的阶K，随机初始化网络参数，如权 重矩阵W。
步骤306：根据式(1)计算滤波器参数Θ，根据式(2)更新特征H，网络正向传播， 预测操作数据所属的类别。
步骤307：计算损失函数，通过反向传播更新模型参数。重复步骤306和步骤307 直至网络收敛或达到预先设定的迭代次数。
由此，训练得到风险操作的预测模型。
本申请实施例以图2和图3为例对利用图卷积神经网络建立预测模型进行了说明，但本申请实施例不限于此，还可以利用其它图神经网络建立预测模型，本申请实 施例对此不作限制。此外，图2示出的图卷积神经网络包括三层卷积层、两层全连接 层和分类器，但本申请实施例不限于此，还可以采用一层卷积层、两层卷积层或三层 以上的卷积层，还可以采用一层全连接层或两层以上的全连接层。可以根据实际情况 选择相应的层数，本申请实施例对此不作限制。
在至少一个实施例中，所述预定周期包括一个月、一个季度和一年中的任意一个。由此，能够定期预测风险操作，降低风险操作发生的概率。
在步骤105中，将提取的特征数据输入预定的风险模型，分别计算预测目标对象在每种场景下发生风险操作事件的概率，最大概率对应的风险操作事件即为预测的风 险操作事件，如果概率大于预设阈值，例如，大于50％，那么在步骤107中将该目标 对象进行标记，例如，作为风险管控的预警人员，方便对重点员工进行监控或采取下 一步的行动。
本申请实施例中的用户信息均是通过合法合规途径获得，并且对用户信息的获取、存储、使用、处理等经过客户授权同意的。
本申请通过预测模型对员工操作产生的数据进行分类并预测风险类型，能够对员工风险操作进行预判，从而达到对员工风险操作有效监控的目的，能够保证银行客户 的账户和信息安全。
本申请实施例中还提供了一种风险操作预测装置，如下面的实施例所述。由于该装置解决问题的原理与上述风险操作预测方法相似，因此该装置的实施可以参见风险 操作预测方法的实施，重复之处不再赘述。
图4是本申请实施例的风险操作预测装置的一个示意图。
如图4所示，风险操作预测装置400包括数据采集单元401、特征提取单元402、 概率计算单元403、标记单元404。数据采集单元401其按照预定频率采集目标对象 的操作数据；特征提取单元402根据预定的风险操作点信息从所述目标对象的操作数 据提取特征数据；概率计算单元403将提取的所述特征数据输入预定的风险模型，计 算预测目标对象发生风险操作事件的概率；标记单元404对概率大于预设阈值的目标 对象进行标记。
此外，如图4所示，风险操作预测装置400还可以包括模型建立单元405，模型 建立单元405基于图神经网络建立预测模型。
图5是本申请实施例的模型建立单元的一个示意图。
如图5所示，模型建立单元405可以包括样本集提取单元501、数据预处理单元502、图神经网络建立单元503、训练单元504。
样本集提取单元501提取员工命中操作风险点的操作风险事件，根据每类操作风险事件的发生情况给员工打标签，生成样本集。打标签的方法例如为：根据风险点规 则将员工所命中的风险事件的序号作为标签，未命中任何风险点的标签为0。
数据预处理单元502对样本集数据进行预处理，例如，包括异常值处理，缺失值 补充，重复值删除等处理，并将变量转化为数值型变量，再通过衍生条件将数据进行 标准化处理，将风险场景下的风险操作变量数值标准矩阵生成风险场景下的变量风险 操作值矩阵，作为样本集。衍生条件可根据业务人员的业务经验和员工数据的原始变 量设计，如：工作岗位级别，岗位职责权限，系统中的登陆、操作情况，员工账户及 其控制账户的大额或多笔异常交易等。
图神经网络建立单元503基于预处理后的数据和标签，建立进行学习、分类和预测的图卷积神经网络模型。
训练单元504将样本集打乱均分为训练集和测试集，以训练建立的图卷积神经网络模型。例如，将样本集中80％的数据作为训练集，剩下20％的数据作为测试集， 将交叉熵作为损失函数，训练模型并更新模型参数。
例如，训练单元504初始化参数，如切比雪夫多项式的阶K，随机初始化网络参 数，如权重矩阵W；根据式(1)计算滤波器参数Θ，根据式(2)更新特征H，网络正向 传播，预测操作数据所属的类别；计算损失函数，通过反向传播更新模型参数。重复 步骤306和步骤307直至网络收敛或达到预先设定的迭代次数。
本申请实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述风险操 作预测方法。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述风险操作预测方法。
本申请实施例还提供一种计算机程序产品，所述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上述风险操作预测方法。
本申请实施例中，通过预测模型对员工操作产生的数据进行分类并预测风险类型，能够对员工风险操作进行预判，从而达到对员工风险操作有效监控的目的，能够 保证银行客户的账户和信息安全。
本领域内的技术人员应明白，本申请的实施例可提供为方法、装置、系统、或计 算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件 和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可 用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储 器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置、系统、和计算机程序产品的示意图和/或流程图和/或方框图来描述的。应理解可由计算机程序指令实现示意图和/或流 程图和/或方框图中的每一步骤和/或操作和/或流程和/或方框、以及示意图和/或流程 图和/或方框图中的步骤和/或操作和/或流程和/或方框的结合。可提供这些计算机程序 指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器 以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产 生用于实现在示意图一个步骤或多个步骤和/或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装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包 括指令装置的制造品，该指令装置实现在示意图一个步骤或多个步骤和/或流程图一 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。
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示意图一个步骤或多个步骤和/或 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。
以上所述的具体实施例，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施例而已，并不用于限定本申 请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等， 均应包含在本申请的保护范围之内。

Claims (10)

1.一种风险操作预测方法，其特征在于，所述方法包括：
按照预定周期采集目标对象的操作数据；
根据预定的风险操作点信息从所述目标对象的操作数据提取特征数据；
将提取的所述特征数据输入预定的风险模型，计算预测目标对象发生风险操作事件的概率；
对概率大于预设阈值的目标对象进行标记。
2.根据权利要求1所述的方法，其中，
所述预定的风险操作点信息与风险操作场景对应，
所述风险操作场景包括以下场景中的至少一个：个人大额定期存单反交易、个人大额定期存单现金提前支取、柜员频繁查询客户信息、员工自办业务、内部账户余额透支、内部账户手工转个人账户、员工手工签发电子许可证、重要空白凭证手工销号、飞单、久悬未取账户支取异常。
3.根据权利要求2所述的方法，其中，
所述预定的风险模型是基于图神经网络建立的预测模型，所述预测模型的输出数据表示所述特征数据归属的风险操作场景以及与归属的所述风险操作场景对应的概率。
4.根据权利要求3所述的方法，其中，
所述图神经网络包括图卷积神经网络、图注意力网络，图自动编码器，图生成网络，图时空网络，门控图神经网络中的一个。
5.根据权利要求4所述的方法，其中，
所述图卷积神经网络由三层串联连接的卷积层、两层串联连接的全连接层和分类器串联连接构成，
所述卷积层包括公式(1)：
Figure FDA0003752960840000011
其中，输入数据x∈RN，
Θ是被傅里叶域的θ∈RN参数化的滤波器，
Figure FDA0003752960840000021
λmax是L的最大特征值，IN∈RN×N是单位矩阵，
Tk(x)是K阶切比雪夫多项式，
三层所述卷积层满足公式(2)：
H(l+1)＝σ(ΘH(l)W(l)) (2)
其中，σ(·)表示激活函数，
W(l)表示第l层的权重，
H(l)表示第l层的输出，
H(0)＝X，表示输入到第1层的输入数据。
6.根据权利要求1所述的方法，其中，
所述预定周期包括一个月、一个季度和一年中的任意一个。
7.一种风险操作预测装置，其特征在于，所述装置包括：
数据采集单元，其按照预定频率采集目标对象的操作数据；
特征提取单元，其根据预定的风险操作点信息从所述目标对象的操作数据提取特征数据；
概率计算单元，其将提取的所述特征数据输入预定的风险模型，计算预测目标对象发生风险操作事件的概率；
标记单元，其对概率大于预设阈值的目标对象进行标记。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至6任一项所述的方法。
10.一种计算机程序产品，其特征在于，所述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权利要求1至6任一项所述的方法。
CN202210846327.5A 2022-07-19 2022-07-19 风险操作预测方法及装置 Pending CN114998002A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210846327.5A CN114998002A (zh) 2022-07-19 2022-07-19 风险操作预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210846327.5A CN114998002A (zh) 2022-07-19 2022-07-19 风险操作预测方法及装置

Publications (1)

Publication Number Publication Date
CN114998002A true CN114998002A (zh) 2022-09-02

Family

ID=83022097

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210846327.5A Pending CN114998002A (zh) 2022-07-19 2022-07-19 风险操作预测方法及装置

Country Status (1)

Country Link
CN (1) CN114998002A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116720181A (zh) * 2023-05-06 2023-09-08 武汉优尼思科技有限公司 应对智慧数字服务的可视化操作风险预测方法及软件产品

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116720181A (zh) * 2023-05-06 2023-09-08 武汉优尼思科技有限公司 应对智慧数字服务的可视化操作风险预测方法及软件产品

Similar Documents

Publication Publication Date Title
Prasad et al. Prediction of churn behavior of bank customers using data mining tools
CN116194929A (zh) 用于交易数据处理的机器学习系统的训练
Le Khac et al. A data mining-based solution for detecting suspicious money laundering cases in an investment bank
Suryanarayana et al. Machine learning approaches for credit card fraud detection
CN113095927B (zh) 一种反洗钱可疑交易识别方法及设备
CN102012918A (zh) 一种规律挖掘和执行系统及其方法
CA3120412A1 (en) An automated and dynamic method and system for clustering data records
Voican Credit Card Fraud Detection using Deep Learning Techniques.
Li et al. Financial fraud detection by using Grammar-based multi-objective genetic programming with ensemble learning
CN111861487A (zh) 金融交易数据处理方法、欺诈行为的监测方法和装置
CN115908022A (zh) 一种基于网络建模的异常交易风险预警方法及系统
Gao et al. Research on default prediction for credit card users based on XGBoost‐LSTM model
CN114998002A (zh) 风险操作预测方法及装置
Yahaya et al. An enhanced bank customers churn prediction model using a hybrid genetic algorithm and k-means filter and artificial neural network
CN113420909A (zh) 一种用户响应信息预测模型建立方法及信息预测方法
Lv et al. Detecting fraudulent bank account based on convolutional neural network with heterogeneous data
Ahmed et al. A Survey on Detection of Fraudulent Credit Card Transactions Using Machine Learning Algorithms
CN112329862A (zh) 基于决策树的反洗钱方法及系统
KR20110114181A (ko) 예측 정확성이 향상된 대출 심사 방법
CN117094764A (zh) 银行积分处理方法及装置
CN116703568A (zh) 信用卡异常交易识别方法及装置
CN111667307B (zh) 一种理财产品销量的预测方法及装置
Lawrencia et al. Fraud detection decision support system for Indonesian financial institution
Salihu et al. A review of algorithms for credit risk analysis
Vynokurova et al. Solving fraud detection tasks based on Wavelet-Neuro autoencoder

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