CN115409519A - 风险预测模型优化方法、装置、电子设备和介质 - Google Patents

Abstract

本公开涉及数据安全技术领域，提供了一种风险预测模型优化方法、装置、电子设备和介质。该方法包括：确定目标业务的待优化风险预测模型；根据上述目标业务的预设验证策略，对上述待优化风险预测模型的初始模型参数和/或初始模型逻辑进行调整，获得待验证风险预测模型；基于上述待验证风险预测模型，对上述目标业务中的业务数据进行风险预测，获得验证风险预测结果；基于上述验证风险预测结果，对上述待优化风险预测模型进行优化处理，获得上述目标业务的目标风险预测模型。该实施方式可根据风险预测结果对待优化风险预测模型进行优化处理，获得目标风险预测模型，不仅提高了验证模型的验证效率，还根据验证结果确定较优的风险预测模型。

Description

风险预测模型优化方法、装置、电子设备和介质

技术领域

本公开涉及数据安全技术领域，尤其涉及一种风险预测模型优化方法、装置、电子设备和介质。

背景技术

伴随着金融行业发展过程，金融风险无处不在，对业务数据风险的预测要求逐渐提高。现在普遍采用的防范风险的方法都是，利用风险建模实现风险的警示与处置，大部分需要根据风险模型在生产环境中业务应用情况，选定要优化的模型，并根据需要优化的风险模型建立一个新的风险模型，进行模型参数的调整后，人工与生产上风险模型的预测结果进行比对，同时，对模型的验证分析也是通过人工记录的方式进行对比分析工作，因此，对于风险模型的模型优化调整过程不仅将会耗费大量的人力物力，还会使得模型优化的效率降低。

发明内容

有鉴于此，本公开实施例提供了一种风险预测模型优化方法、装置、电子设备和介质，以解决现有技术中对风险预测模型的优化问题。

本公开实施例的第一方面，提供了一种风险预测模型优化方法，包括：确定目标业务的待优化风险预测模型；根据上述目标业务的预设验证策略，对上述待优化风险预测模型的初始模型参数和/或初始模型逻辑进行调整，获得待验证风险预测模型；基于上述待验证风险预测模型，对上述目标业务中的业务数据进行风险预测，获得验证风险预测结果；基于上述验证风险预测结果，对上述待优化风险预测模型进行优化处理，获得上述目标业务的目标风险预测模型。在一些实施例的一些可选的实现方式中，上述确定目标业务的待优化风险预测模型，包括：获取目标业务的至少一个初始风险预测模型；确定每个初始风险预测模型对应的风险交易上报率和风险交易排除率；基于上述风险交易上报率和上述风险交易排除率，在上述至少一个初始风险预测模型中确定待优化风险预测模型。

在一些实施例的一些可选的实现方式中，上述根据上述目标业务的预设验证策略，对上述待优化风险预测模型的初始模型参数和/或初始模型逻辑进行调整，获得待验证风险预测模型，包括：根据上述目标业务的预设验证策略，确定历史模型参数，并根据上述历史模型参数对上述待优化风险预测模型的初始模型参数进行调整，获得待验证风险预测模型；和/或根据上述目标业务的预设验证策略，确定历史模型逻辑，并根据上述历史模型逻辑对上述待优化风险预测模型的初始模型逻辑进行调整，获得待验证风险预测模型。

在一些实施例的一些可选的实现方式中，上述基于上述待验证风险预测模型，对上述目标业务中的业务数据进行风险预测，获得验证风险预测结果，包括：在模型验证环境中，利用上述待验证风险预测模型，对上述目标业务中的业务数据进行多次风险预测，获得至少一个验证风险预测结果。

在一些实施例的一些可选的实现方式中，上述获得至少一个验证风险预测结果之后，还包括：建立上述目标业务的验证结果存储层，将上述至少一个验证风险预测结果依次存储至上述验证结果存储层。

在一些实施例的一些可选的实现方式中，上述基于上述验证风险预测结果，对上述待优化风险预测模型进行优化处理，获得上述目标业务的目标风险预测模型，包括：确定上述验证风险预测结果的数据分析规则；基于上述数据分析规则，对上述验证风险预测结果进行分析，获得风险预测分析结果；根据上述风险预测分析结果，对上述待优化风险预测模型进行优化处理，获得上述目标业务的目标风险预测模型。

在一些实施例的一些可选的实现方式中，上述基于上述数据分析规则，对上述验证风险预测结果进行分析，获得风险预测分析结果，包括：基于上述数据分析规则，在上述验证风险预测结果中，选择多组待分析数据；对每组待分析数据进行数据分析，获得多组数据分析结果；比对上述多组数据分析结果，生成风险预测分析结果。

本公开实施例的第二方面，提供了一种风险预测模型优化装置，包括：待优化模型确定单元，被配置成确定目标业务的待优化风险预测模型；待验证风险预测单元，被配置成根据上述目标业务的预设验证策略，对上述待优化风险预测模型的初始模型参数和/或初始模型逻辑进行调整，获得待验证风险预测模型；预测结果生成单元，被配置成基于上述待验证风险预测模型，对上述目标业务中的业务数据进行风险预测，获得验证风险预测结果；目标模型获得单元，被配置成基于上述验证风险预测结果，对上述待优化风险预测模型进行优化处理，获得上述目标业务的目标风险预测模型。

在一些实施例的一些可选的实现方式中，业务数据风险预测装置的待优化模型确定单元被进一步配置成：获取目标业务的至少一个初始风险预测模型；确定每个初始风险预测模型对应的风险交易上报率和风险交易排除率；基于上述风险交易上报率和上述风险交易排除率，在上述至少一个初始风险预测模型中确定待优化风险预测模型。

在一些实施例的一些可选的实现方式中，业务数据风险预测装置的待验证风险预测单元被进一步配置成：根据上述目标业务的预设验证策略，确定历史模型参数，并根据上述历史模型参数对上述待优化风险预测模型的初始模型参数进行调整，获得待验证风险预测模型；和/或根据上述目标业务的预设验证策略，确定历史模型逻辑，并根据上述历史模型逻辑对上述待优化风险预测模型的初始模型逻辑进行调整，获得待证验风险预测模型。

在一些实施例的一些可选的实现方式中，业务数据风险预测装置的预测结果生成单元被进一步配置成：在模型验证环境中，利用上述待验证风险预测模型，对上述目标业务中的业务数据进行多次风险预测，获得至少一个验证风险预测结果。

在一些实施例的一些可选的实现方式中，业务数据风险预测装置还包括：数据存储单元，被配置成：建立上述目标业务的验证结果存储层，将上述至少一个验证风险预测结果依次存储至上述验证结果存储层。

在一些实施例的一些可选的实现方式中，业务数据风险预测装置的目标模型获得单元被进一步配置成：确定上述验证风险预测结果的数据分析规则；基于上述数据分析规则，对上述验证风险预测结果进行分析，获得风险预测分析结果；根据上述风险预测分析结果，对上述待优化风险预测模型进行优化处理，获得上述目标业务的目标风险预测模型。

在一些实施例的一些可选的实现方式中，业务数据风险预测装置的目标模型获得单元被进一步配置成：基于上述数据分析规则，在上述验证风险预测结果中，选择多组待分析数据；对每组待分析数据进行数据分析，获得多组数据分析结果；比对上述多组数据分析结果，生成风险预测分析结果。

本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本公开实施例与现有技术相比存在的有益效果是：首先，确定需要进行优化处理的风险预测模型，然后，根据目标业务的预设验证策略，对该待优化风险预测模型的初始模型参数和/或初始模型逻辑进行调整，获得待验证风险预测模型；最后，利用待验证风险预测模型，对目标业务中的业务数据进行风险预测，获得验证风险预测结果；进而，根据验证风险预测结果对待优化风险预测模型进行优化处理，获得目标风险预测模型。本公开提供的方法，通过建立待优化风险预测模型的其他版本的风险预测模型，根据验证策略对其他版本的风险预测模型进行验证，获得对应的风险预测结果，根据风险预测结果对待优化风险预测模型进行优化处理，获得目标风险预测模型，不仅提高了验证模型的验证效率，还能够根据验证结果进行数据分析，以确定较优的风险预测模型。

附图说明

为了更清楚地说明本公开实施例中的技术方案，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公开的一些实施例，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它的附图。

图1是根据本公开的一些实施例的风险预测模型优化方法的一个应用场景的示意图；

图2是根据本公开的风险预测模型优化方法的一些实施例的流程图；

图3是根据本公开的风险预测模型优化方法的一些实施例的处理过程流程图；

图4是根据本公开的风险预测模型优化方法的模型验证过程一些实施例的处理过程示意图；

图5是根据本公开的风险预测模型优化装置的一些实施例的结构示意图；

图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是根据本公开的一些实施例的风险预测模型优化方法的一个应用场景的示意图。

在图1的应用场景中，计算设备101可以确定目标业务的待优化风险预测模型102。然后，计算设备101可以根据预设验证策略103，对待优化风险预测模型102中的初始模型参数和/或初始模型逻辑进行调整，获得目标业务的待验证风险预测模型104，其中，待验证风险预测模型104中包括调整后的目标模型参数和/或目标模型逻辑；进一步地，利用待验证风险预测模型104，对目标业务中的业务数据进行风险预测，获得验证风险预测结果105。最后，计算设备101可以基于验证风险预测结果105，对待优化风险预测模型进行优化，获得目标风险预测模型106。需要说明的是，每个待验证风险预测模型104对应的验证风险预测结果105是可以单独存储至验证数据结果层，实现验证结果的独立存储；另外，每个验证方案获得验证风险预测结果105可用于对目标业务的业务数据进一步的数据分析，数据分析的类型与过程，本实施例中不做具体限定。

需要说明的是，对风险预测模型的验证优化问题，可针对不同参数情况下进行同步验证；金融结构针对风险预测模型优化的过程主要分为：（1）根据风险模型在生产环境中业务应用情况，选定要优化模型；（2）建立需要优化的风险模型（多版本风险模型支持）；（3）优化风险模型跑批结果验证（验证方案进行验证过程和结果管理）（4）风险模型审核管理过程；（5）风险模型发布投产使用；基于此，本实施例中，主要解决的是（2）建立需要优化的风险模型、（3）优化风险模型跑批优化验证的方案。以解决基于需要优化的模型建立新的模型，进行参数调整后，人工与生产上风险预测模型的预测结果进行比对的问题。

现金融机构建立风险模型主要采用单版本方式建立模型，对模型的验证分析也是通过人工记录的方式进行对比分析等工作，对模型进行优化调整时存在很大局限性，第一：针对同一模型参数不同的情况下需要建立多个模型实现，造成针对同模型进行分析和优化方面存在很大问题，需要人工确认对比是否为同一模型；第二：针对风险模型验证跑批的结果也只能手工统计分析记录，无法实现对多次跑批结果进行自动分析等问题。本次发明主要解决两个问题，第一：针对模型采用多版本方式实现，可实现同模型下不同参数设计分析；第二：通过建立验证方案管理风险模型的验证结果，可实现多批次验证结果的对比分析，通过系统自动完成风险模型不同参数不同批次的结果对比分析。

因此，现有的技术实现方式对模型的优化分析存在很多弊端，无法针对同一模型不同参数的情况下，在同一数据环境中进行多次跑批的验证和对比分析工作。本申请公开实施例提出的风险预测模型优化方法中，通过建立验证方案管理验证过程和结果，并结合多版本风险模型的支持，实现同一模型不同参数在同一数据环境中进行多次跑批和验证的过程，并通过验证方案管理的验证结果完成对比分析等工作，提供业务人员相关分析数据确定最优参数方案进行投产。

需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备101为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备101体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备101为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备101体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

图2是根据本公开的风险预测模型优化方法的一些实施例的流程图。图2的风险预测模型优化方法可以由图1的计算设备101执行。如图2所示，该风险预测模型优化方法包括：

步骤S201，确定目标业务的待优化风险预测模型。

在一些实施例中，风险预测模型优化方法的执行主体（如图1所示的计算设备101）可以获取到目标业务对应的待优化风险预测模型，其中，目标业务可以理解为需要对其进行风险预测的警示业务，比如金融投资风险预测业务等，待优化风险预测模型可以理解为对需要风险预测的业务数据进行风险预测的模型，其中，业务数据包括但不限定于业务单号、业务类型、业务数据类型、交易账户、交易时间、交易流水等。作为示例，执行主体可确定待优化风险预测模型为预测当日累计现金交易金额接近大额交易金额的对私客户数，后续该待优化风险预测模型的预测结果就是在预测交易金额接近大额交易金额的对私客户数量。

在一些实施例的一些可选的实现方式中，确定目标业务的待优化风险预测模型，包括：获取目标业务的至少一个初始风险预测模型；确定每个初始风险预测模型对应的风险交易上报率和风险交易排除率；基于上述风险交易上报率和上述风险交易排除率，在上述至少一个初始风险预测模型中确定待优化风险预测模型。可选的，上述执行主体根据生产环境风险模型的投产使用情况，根据风险模型的风险交易上报率和风险交易排除率等数据，确定需要优化的风险预测模型，具体的，风险交易上报率和风险交易排除率可通过下述方式获得，但并不作任何限定：风险交易上报率=上报的交易笔数/风险模型预警交易笔数；风险交易排除率=排除的交易笔数/风险模型预警交易笔数。

步骤S202，根据上述目标业务的预设验证策略，对上述待优化风险预测模型的初始模型参数和/或初始模型逻辑进行调整，获得待验证风险预测模型。

在一些实施例中，上述执行主体可根据确定目标业务对应的预设验证策略，其中，预设验证策略包括但不限定于调整模型参数的策略，调整模型逻辑的策略等，确定好目标业务对应的验证策略，是为了获得不同版本的风险预测模型，利用不同版本的风险预测模型来对待优化风险预测模型进行验证，便于后续根据验证结果进行数据分析，以选取较优版本的风险预测模型。

在一些实施例的一些可选的实现方式中，根据上述目标业务的预设验证策略，对上述待优化风险预测模型的初始模型参数和/或初始模型逻辑进行调整，获得待验证风险预测模型，包括：根据上述目标业务的预设验证策略，确定历史模型参数，并根据上述历史模型参数对上述待优化风险预测模型的初始模型参数进行调整，获得待验证风险预测模型；和/或根据上述目标业务的预设验证策略，确定历史模型逻辑，并根据上述历史模型逻辑对上述待优化风险预测模型的初始模型逻辑进行调整，获得待验证风险预测模型。执行主体可在验证环境下确定针对待优化风险预测模型的预设验证策略，在确定预设验证策略为调整模型的参数的情况下，执行主体可根据历史模型参数，调整出多组模型参数，并根据多组模型参数可建立多个不同版本的待验证风险预测模型，此时，可获得同一模型有多个不同参数版本；另外，在确定预设验证策略为调整模型的逻辑的情况下，执行主体根据历史模型逻辑对当前待优化风险预测模型的模型逻辑进行调整，获得同一模型有不同处理逻辑的多个版本的模型；便于后续对利用待验证风险预测模型进行风险预测，以选择出较优的风险预测模型的版本。

步骤S203，基于上述待验证风险预测模型，对上述目标业务中的业务数据进行风险预测，获得验证风险预测结果。

在一些实施例中，基于上述待验证风险预测模型，上述执行主体可以通过如下方式对上述目标业务中的业务数据进行风险预测，获得验证风险预测结果：在模型验证环境中，利用上述验证风险预测模型，对上述目标业务中的业务数据进行多次风险预测，获得至少一个验证风险预测结果。执行主体的验证环境下，可利用待验证风险预测模型对目标业务的业务数据进行多次预测，获得多个验证风险预测结果，由于待验证风险预测模型可以有多个版本，可利用各个版本的预测模型对业务数据进行多次预测，这样可以获得多方面、多角度的预测结果。具体地，上述执行主体可在获取到待验证风险预测模型后，需要利用待验证风险预测模型，对目标业务中的业务数据进行风险预测，也就是说需要测试下风险预测模型的预测结果，便于后续根据预测结果进行数据分析，以获知待验证风险预测模型是否可以投产应用。作为示例，验证风险预测结果包括但不限定于触发模型的客户、账户、交易等结果数据。

在一些实施例的一些可选的实现方式中，获得至少一个验证风险预测结果之后，还包括：建立上述目标业务的验证结果存储层，将上述至少一个验证风险预测结果依次存储至上述验证结果存储层。上述执行主体在每次确定验证策略时，都需要根据验证策略建立相应的风险模型数据结果层，系统会根据验证方案动态建立验证数据结果层，实现验证结果独立存储；其中，风险模型数据结果层是用户于存储风险模型预警结果，风险模型的分析过程需要通过预警结果层数据进行分析，风险预警结果层主要是存储的如触发模型的客户、账户、交易等情况。

步骤S204，基于上述验证风险预测结果，对上述待优化风险预测模型进行优化处理，获得上述目标业务的目标风险预测模型。

在一些实施例中，基于上述验证风险预测结果，上述执行主体可以通过如下方式对上述待优化风险预测模型进行优化处理，获得上述目标业务的目标风险预测模型：确定上述验证风险预测结果的数据分析规则；基于上述数据分析规则，对上述验证风险预测结果进行分析，获得风险预测分析结果；根据上述风险预测分析结果，对上述待优化风险预测模型进行优化处理，获得上述目标业务的目标风险预测模型。具体的，执行主体还可确定数据分析规则，由于应用业务面较广，所以对于获取到的验证风险预测结果，需要先确定数据分析的目标，需要的数据类型等，因此，在确定了数据分析规则之后，就可根据该数据分析规则，对验证风险预测结果进行分析，获得风险预测分析结果，并根据风险预测分析结果，对待优化风险预测模型进行优化处理，获得目标风险预测模型。另外，上述执行主体在验证方案中对多次预测的结果进行自动对比分析，提供业务人员分析数据，便于业务人员选择最优方案进行投产。

在一些实施例的一些可选的实现方式中，基于上述数据分析规则，对上述验证风险预测结果进行分析，获得风险预测分析结果，包括：基于上述数据分析规则，在上述验证风险预测结果中，选择多组待分析数据；对每组待分析数据进行数据分析，获得多组数据分析结果；比对上述多组数据分析结果，生成风险预测分析结果。执行主体根据不同的数据分析任务，在多组验证风险预测结果中选择出多组待分析数据，进行完成数据分析的工作，获得数据分析结果，再对数据分析结果按照目标业务的当前应用场景进行比对，确定风险预测分析结果。

在一些实施例的一些可选的实现方式中，系统提供统计分析结果，业务人员根据统计结果确定符合预期的参数方案。自动对比分析方法中以风险模型结果分析和多批次结果对比分析为例进行说明，其中，风险模型结果分析包括（1）按客户预警统计：客户对应的触发规则数、交易笔数和交易金额；（2）按客户案例统计：客户号、案例数、交易笔数、涉案金额；（3）模型分析：风险模型产生的案例数、触发规则；（4）风险模型预警结果统计：数据日期、触发规则、预警笔数、流水笔数；（5）风险模型预警结果排名：触发规则、预警笔数；（6）风险模型预警流水排名：触发规则、流水笔数；多批次结果对比分析包括（1）按客户案例情况统计分析：客户号、每个批次的案例数、交易笔数、涉案金额；（2）按客户统计风险模型触发统计：客户号、每个批次的模型编码；（3）风险模型汇总统计：模型编码、每个批次的案例数量、只触发一个风险模型的案例数量。

在一些实施例的一些可选的实现方式中，作为示例，建立风险模型“当日累计现金交易金额接近大额交易金额的对私客户数”，“接近大额交易金额”为风险模型参数，“当日对私客户现金交易”为风险模型逻辑，每个版本的风险模型可设置自己的参数，如版本1可将参数设置为“40-50万”，版本2可将参数设计为“30-40万”，在跑批时会根据两个不同的版本产生预警结果，如“40-50万”产生预警客户1000个，“30-40万”产生预警结果100000个，此时将选择“40-50万”的参数，如选用“30-40万”会有大量误中的数据。

在一些实施例的一些可选的实现方式中，通过验证方案进行验证过程和结果管理，结合多版本风险模型的支持，实现同一模型多个不同参数版本进行多次跑批结果对比分析，实现模型优化分析过程的自动化分析，提供业务人员最优参数方案。本发明主要应用在风险模型验证管理过程中，可使用在风险模型的验证环节。解决风险模型多参数多批次结果验证的对比分析工作。

本公开实施例与现有技术相比存在的有益效果是：首先，确定需要进行优化处理的风险预测模型，然后，根据目标业务的预设验证策略，对该待优化风险预测模型的初始模型参数和/或初始模型逻辑进行调整，获得待验证风险预测模型；最后，利用待验证风险预测模型，对目标业务中的业务数据进行风险预测，获得验证风险预测结果；进而，根据验证风险预测结果对待优化风险预测模型进行优化处理，获得目标风险预测模型。本公开提供的方法，通过建立待优化风险预测模型的其他版本的风险预测模型，根据验证策略对其他版本的风险预测模型进行验证，获得对应的风险预测结果，根据风险预测结果对待优化风险预测模型进行优化处理，获得目标风险预测模型，不仅提高了验证模型的验证效率，还能够根据验证结果进行数据分析，以确定较优的风险预测模型。

图3是根据本公开的风险预测模型优化方法的一些实施例的处理过程流程图。

步骤301，确定需要优化模型。

步骤302，从生产环境将需要优化的模型同步到本地建立信的版本。

步骤303，验证方案中加入需要优化的模型，可调整参数，建立多个不同的版本风险模型。

步骤304，验证方案中，多版本风险模型跑批，存储多批跑批结果，通过跑批结果进行对比分析确定最优版本执行。

综合以上步骤来说，本公开的风险预测模型优化方法，通过验证方案进行验证过程和结果管理，结合多版本风险模型的支持，实现同一模型多个不同参数版本进行多次跑批结果对比分析，实现模型优化分析过程的自动化分析，提供业务人员最优参数方案。本申请主要应用在风险模型验证管理过程中，可使用在风险模型的验证环节。解决风险模型多参数多批次结果验证的对比分析工作。

图4是根据本公开的风险预测模型优化方法的模型验证过程一些实施例的处理过程示意图。

执行主体在实验室中建立验证方案，如图4中建立了风险模型编码001和风险模型编码002，这两类待优化风险预测模型，其中，每个待优化风险预测模型都有两个版本，分别为版本1.0和版本2.0，风险模型每个版本中模型参数和模型逻辑都是独立设计的，可进行调整。每个验证方案都有独立的验证结果数据层，系统会根据验证方案动态建立验证数据结果层，实现验证结果独立存储；验证方案中可提交多次跑批进行验证，每次跑批结果都进行存储，实现多批次结果对比分析，如图4中的批次一结果数据、批次二结果数据和批次三结果数据。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图5是根据本公开的业务数据风险预测装置的一些实施例的结构示意图。如图5所示，该业务数据风险预测装置包括：待优化模型确定单元501、待验证风险预测单元502、预测结果生成单元503和目标模型获得单元504。其中，待优化模型确定单元501，被配置成确定目标业务的待优化风险预测模型；待验证风险预测单元502，被配置成根据上述目标业务的预设验证策略，对上述待优化风险预测模型的初始模型参数和/或初始模型逻辑进行调整，获得待验证风险预测模型；预测结果生成单元503，被配置成基于上述待验证风险预测模型，对上述目标业务中的业务数据进行风险预测，获得验证风险预测结果；目标模型获得单元504，被配置成基于上述验证风险预测结果，对上述待优化风险预测模型进行优化处理，获得上述目标业务的目标风险预测模型。

在一些实施例的一些可选的实现方式中，业务数据风险预测装置的待优化模型确定单元501被进一步配置成：获取目标业务的至少一个初始风险预测模型；确定每个初始风险预测模型对应的风险交易上报率和风险交易排除率；基于上述风险交易上报率和上述风险交易排除率，在上述至少一个初始风险预测模型中确定待优化风险预测模型。

在一些实施例的一些可选的实现方式中，业务数据风险预测装置的待验证风险预测单元502被进一步配置成：根据上述目标业务的预设验证策略，确定历史模型参数，并根据上述历史模型参数对上述待优化风险预测模型的初始模型参数进行调整，获得待验证风险预测模型；和/或根据上述目标业务的预设验证策略，确定历史模型逻辑，并根据上述历史模型逻辑对上述待优化风险预测模型的初始模型逻辑进行调整，获得待证验风险预测模型。

在一些实施例的一些可选的实现方式中，业务数据风险预测装置的预测结果生成单元503被进一步配置成：在模型验证环境中，利用上述待验证风险预测模型，对上述目标业务中的业务数据进行多次风险预测，获得至少一个验证风险预测结果。

在一些实施例的一些可选的实现方式中，业务数据风险预测装置还包括：数据存储单元，被配置成：建立上述目标业务的验证结果存储层，将上述至少一个验证风险预测结果依次存储至上述验证结果存储层。

在一些实施例的一些可选的实现方式中，业务数据风险预测装置的目标模型获得单元504被进一步配置成：确定上述验证风险预测结果的数据分析规则；基于上述数据分析规则，对上述验证风险预测结果进行分析，获得风险预测分析结果；根据上述风险预测分析结果，对上述待优化风险预测模型进行优化处理，获得上述目标业务的目标风险预测模型。

在一些实施例的一些可选的实现方式中，业务数据风险预测装置的目标模型获得单元504被进一步配置成：基于上述数据分析规则，在上述验证风险预测结果中，选择多组待分析数据；对每组待分析数据进行数据分析，获得多组数据分析结果；比对上述多组数据分析结果，生成风险预测分析结果。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。

图6是本公开实施例提供的计算机设备6的示意图。如图6所示，该实施例的计算机设备6包括：处理器601、存储器602以及存储在该存储器602中并且可以在处理器601上运行的计算机程序603。处理器601执行计算机程序603时实现上述各个方法实施例中的步骤。或者，处理器601执行计算机程序603时实现上述各装置实施例中各模块/单元的功能。

示例性地，计算机程序603可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器602中，并由处理器601执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序603在计算机设备6中的执行过程。

计算机设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算机设备。计算机设备6可以包括但不仅限于处理器601和存储器602。本领域技术人员可以理解，图6仅仅是计算机设备6的示例，并不构成对计算机设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，计算机设备还可以包括输入输出设备、网络接入设备、总线等。

处理器601可以是中央处理单元（Central Processing Unit，CPU），也可以是其它通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器602可以是计算机设备6的内部存储单元，例如，计算机设备6的硬盘或内存。存储器602也可以是计算机设备6的外部存储设备，例如，计算机设备6上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，存储器602还可以既包括计算机设备6的内部存储单元也包括外部存储设备。存储器602用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器602还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

在本公开所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种风险预测模型优化方法，其特征在于，包括：

确定目标业务的待优化风险预测模型；

根据所述目标业务的预设验证策略，对所述待优化风险预测模型的初始模型参数和/或初始模型逻辑进行调整，获得待验证风险预测模型；

基于所述待验证风险预测模型，对所述目标业务中的业务数据进行风险预测，获得验证风险预测结果；

基于所述验证风险预测结果，对所述待优化风险预测模型进行优化处理，获得所述目标业务的目标风险预测模型。

2.根据权利要求1所述的风险预测模型优化方法，其特征在于，所述确定目标业务的待优化风险预测模型，包括：

获取目标业务的至少一个初始风险预测模型；

确定每个初始风险预测模型对应的风险交易上报率和风险交易排除率；

基于所述风险交易上报率和所述风险交易排除率，在所述至少一个初始风险预测模型中确定待优化风险预测模型。

3.根据权利要求1所述的风险预测模型优化方法，其特征在于，所述根据所述目标业务的预设验证策略，对所述待优化风险预测模型的初始模型参数和/或初始模型逻辑进行调整，获得待验证风险预测模型，包括：

根据所述目标业务的预设验证策略，确定历史模型参数，并根据所述历史模型参数对所述待优化风险预测模型的初始模型参数进行调整，获得待验证风险预测模型；和/或

根据所述目标业务的预设验证策略，确定历史模型逻辑，并根据所述历史模型逻辑对所述待优化风险预测模型的初始模型逻辑进行调整，获得待验证风险预测模型。

4.根据权利要求1-3中任一项所述的风险预测模型优化方法，其特征在于，所述基于所述待验证风险预测模型，对所述目标业务中的业务数据进行风险预测，获得验证风险预测结果，包括：

在模型验证环境中，利用所述待验证风险预测模型，对所述目标业务中的业务数据进行多次风险预测，获得至少一个验证风险预测结果。

5.根据权利要求4所述的风险预测模型优化方法，其特征在于，所述获得至少一个验证风险预测结果之后，还包括：

建立所述目标业务的验证结果存储层，将所述至少一个验证风险预测结果依次存储至所述验证结果存储层。

6.根据权利要求1所述的风险预测模型优化方法，其特征在于，所述基于所述验证风险预测结果，对所述待优化风险预测模型进行优化处理，获得所述目标业务的目标风险预测模型，包括：

确定所述验证风险预测结果的数据分析规则；

基于所述数据分析规则，对所述验证风险预测结果进行分析，获得风险预测分析结果；

根据所述风险预测分析结果，对所述待优化风险预测模型进行优化处理，获得所述目标业务的目标风险预测模型。

7.根据权利要求6所述的风险预测模型优化方法，其特征在于，所述基于所述数据分析规则，对所述验证风险预测结果进行分析，获得风险预测分析结果，包括：

基于所述数据分析规则，在所述验证风险预测结果中，选择多组待分析数据；

对每组待分析数据进行数据分析，获得多组数据分析结果；

比对所述多组数据分析结果，生成风险预测分析结果。

8.一种风险预测模型优化装置，其特征在于，包括：

待优化模型确定单元，被配置成确定目标业务的待优化风险预测模型；

待验证风险预测单元，被配置成根据所述目标业务的预设验证策略，对所述待优化风险预测模型的初始模型参数和/或初始模型逻辑进行调整，获得待验证风险预测模型；

预测结果生成单元，被配置成基于所述待验证风险预测模型，对所述目标业务中的业务数据进行风险预测，获得验证风险预测结果；

目标模型获得单元，被配置成基于所述验证风险预测结果，对所述待优化风险预测模型进行优化处理，获得所述目标业务的目标风险预测模型。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可以在所述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如权利要求1至7中任一项所述方法的步骤。

10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。

Images