CN115456758A - 信用风险预警方法、装置、设备、存储介质和程序产品 - Google Patents
信用风险预警方法、装置、设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN115456758A CN115456758A CN202211130617.6A CN202211130617A CN115456758A CN 115456758 A CN115456758 A CN 115456758A CN 202211130617 A CN202211130617 A CN 202211130617A CN 115456758 A CN115456758 A CN 115456758A
- Authority
- CN
- China
- Prior art keywords
- stage
- resource borrowing
- current resource
- neural network
- credit
- 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
- 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)
- 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)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及一种信用风险预警方法、装置、设备、存储介质和程序产品,应用于信息安全领域。通过获取目标用户在当前资源借调阶段的用户信息,根据当前资源借调阶段的用户信息与目标神经网络,确定目标用户在当前资源借调阶段的阶段信用程度;若阶段信用程度满足预设信用程度,则获取目标用户在当前资源借调阶段的下一资源借调阶段的用户信息,并根据下一资源借调阶段的用户信息确定目标用户在下一资源借调阶段的阶段信用程度,直至确定出不满足预设信用程度的阶段信用程度为止,在确定出不满足的情况下,输出信用风险预警提示信息。本申请通过持续动态迭代的方法进行评估,覆盖整个资源借调的业务阶段,提升了信用风险预警的准确性和时效性。
Description
技术领域
本申请涉及信息安全技术领域,特别是涉及一种信用风险预警方法、装置、设备、存储介质和程序产品。
背景技术
银行信用风险是指在交易过程不能完全履行合同的风险,如果银行不能及时对信用风险进行识别、评估,并采取措施予以应对,就会面临非常严重的后果。目前多数银行在对信用风险评估的过程中,仅仅在用户办理资源借调业务开始时,根据用户信息进行风险评估,导致信用风险预警的准确性比较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高信用风险预警的准确性的信用风险预警方法、装置、设备、存储介质和程序产品。
第一方面,本申请提供了一种信用风险预警方法,所述方法包括:
获取目标用户在当前资源借调阶段的用户信息;
根据所述当前资源借调阶段的用户信息与目标神经网络,确定所述目标用户在所述当前资源借调阶段的阶段信用程度;若所述阶段信用程度满足预设信用程度,则获取所述目标用户在所述当前资源借调阶段的下一资源借调阶段的用户信息,并根据所述下一资源借调阶段的用户信息确定所述目标用户在所述下一资源借调阶段的阶段信用程度,直至确定出不满足所述预设信用程度的阶段信用程度为止;
在确定出不满足所述预设信用程度的阶段信用程度的情况下,输出信用风险预警提示信息。
在其中一个实施例中,根据所述当前资源借调阶段的用户信息与目标神经网络,确定所述目标用户在所述当前资源借调阶段的阶段信用程度,包括:
根据所述当前资源借调阶段的用户信息与所述目标神经网络,确定所述当前资源借调阶段的用户信息中各子信息的风险评价结果;
根据所述各子信息的风险评价结果确定所述目标用户在所述当前资源借调阶段的阶段信用程度。
在其中一个实施例中,所述根据所述当前资源借调阶段的用户信息与所述目标神经网络,确定所述当前资源借调阶段的用户信息中各子信息的风险评价结果,包括:
提取所述当前资源借调阶段的用户信息的特征;
根据所述当前资源借调阶段的用户信息的特征和所述目标神经网络,确定所述当前资源借调阶段的用户信息中各子信息的风险评价结果。
在其中一个实施例中,所述当前资源借调阶段包括用户信息录入阶段、评级授信阶段、尽调审批阶段、作业监督阶段以及贷后管理阶段中任一个阶段。
在其中一个实施例中,所述方法还包括:
获取训练样本的特征;
根据所述训练样本的特征,对初始神经网络进行训练得到所述目标神经网络。
在其中一个实施例中,所述初始神经网络为初始径向基函数神经网络;所述根据所述训练样本的特征,对初始神经网络进行训练得到所述目标神经网络,包括:
根据所述训练样本的特征,确定所述初始径向基函数神经网络的隐含层的第一输出结果;
将所述第一输出结果输入至所述初始径向基函数神经网络的输出层,得到所述输出层的第二输出结果;
根据所述第一输出结果和所述第二输出结果,对所述初始径向基函数神经网络进行训练得到所述目标神经网络。
第二方面,本申请还提供了一种信用风险预警装置,所述装置包括:
第一获取模块,用于获取目标用户在当前资源借调阶段的用户信息;
确定模块,用于根据所述当前资源借调阶段的用户信息与目标神经网络,确定所述目标用户在所述当前资源借调阶段的阶段信用程度;若所述阶段信用程度满足预设信用程度,则获取所述目标用户在所述当前资源借调阶段的下一资源借调阶段的用户信息,并根据所述下一资源借调阶段的用户信息确定所述目标用户在所述下一资源借调阶段的阶段信用程度,直至确定出不满足所述预设信用程度的阶段信用程度为止;
输出模块,用于在确定出不满足所述预设信用程度的阶段信用程度的情况下,输出信用风险预警提示信息。
第三方面,本申请还提供了一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取目标用户在当前资源借调阶段的用户信息;
根据所述当前资源借调阶段的用户信息与目标神经网络,确定所述目标用户在所述当前资源借调阶段的阶段信用程度;若所述阶段信用程度满足预设信用程度,则获取所述目标用户在所述当前资源借调阶段的下一资源借调阶段的用户信息,并根据所述下一资源借调阶段的用户信息确定所述目标用户在所述下一资源借调阶段的阶段信用程度,直至确定出不满足所述预设信用程度的阶段信用程度为止;
在确定出不满足所述预设信用程度的阶段信用程度的情况下,输出信用风险预警提示信息。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其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以下步骤:
获取目标用户在当前资源借调阶段的用户信息;
根据所述当前资源借调阶段的用户信息与目标神经网络,确定所述目标用户在所述当前资源借调阶段的阶段信用程度;若所述阶段信用程度满足预设信用程度,则获取所述目标用户在所述当前资源借调阶段的下一资源借调阶段的用户信息,并根据所述下一资源借调阶段的用户信息确定所述目标用户在所述下一资源借调阶段的阶段信用程度,直至确定出不满足所述预设信用程度的阶段信用程度为止;
在确定出不满足所述预设信用程度的阶段信用程度的情况下,输出信用风险预警提示信息。
第五方面,本申请还提供了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,该计算机程序被处理器执行时实现以下步骤:
获取目标用户在当前资源借调阶段的用户信息;
根据所述当前资源借调阶段的用户信息与目标神经网络,确定所述目标用户在所述当前资源借调阶段的阶段信用程度;若所述阶段信用程度满足预设信用程度,则获取所述目标用户在所述当前资源借调阶段的下一资源借调阶段的用户信息,并根据所述下一资源借调阶段的用户信息确定所述目标用户在所述下一资源借调阶段的阶段信用程度,直至确定出不满足所述预设信用程度的阶段信用程度为止;
在确定出不满足所述预设信用程度的阶段信用程度的情况下,输出信用风险预警提示信息。
上述信用风险预警方法、装置、设备、存储介质和程序产品,通过获取目标用户在当前资源借调阶段的用户信息,根据当前资源借调阶段的用户信息与目标神经网络,确定目标用户在当前资源借调阶段的阶段信用程度;若阶段信用程度满足预设信用程度,则获取目标用户在当前资源借调阶段的下一资源借调阶段的用户信息,并根据下一资源借调阶段的用户信息确定目标用户在下一资源借调阶段的阶段信用程度,直至确定出不满足预设信用程度的阶段信用程度为止,在确定出不满足预设信用程度的阶段信用程度的情况下,输出信用风险预警提示信息。本申请通过持续动态迭代,对目标用户在不同阶段的阶段信用程度进行评估,覆盖整个资源借调的业务阶段,有效提升了信用风险预警的准确性和时效性。
附图说明
图1为一个实施例中信用风险预警方法的应用环境图;
图2为一个实施例中信用风险预警方法的流程示意图;
图3为一个实施例中资源借调阶段的流程示意图;
图4为一个实施例中确定目标用户在当前资源借调阶段的阶段信用程度的流程示意图;
图5为一个实施例中确定当前资源借调阶段的用户信息中各子信息的风险评价结果的流程示意图;
图6为一个实施例中确定目标神经网络的流程示意图;
图7为另一个实施例中确定目标神经网络的流程示意图;
图8为一个实施例中信用风险预警装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,本申请的信用风险预警方法、装置、设备、存储介质和程序产品可以应用在信息安全领域,也可用于除信息安全领域外的其他技术领域,本申请对信用风险预警方法、装置、设备、存储介质和程序产品的应用领域不做限定。
本申请实施例提供的信用风险预警方法,可以应用于如图1所示的应用环境中。该应用环境包括一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户资源借调的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种信用风险预警方法。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种信用风险预警方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
S201,获取目标用户在当前资源借调阶段的用户信息。
其中,当前资源借调阶段包括用户信息录入阶段、评级授信阶段、尽调审批阶段、作业监督阶段以及贷后管理阶段中任一个阶段。
其中,用户信息可以为数据湖提供的贴源数据、数据仓库提供的主题数据和集团信息库提供的知识数据。该数据为用户特征的源数据。
假设,从上数数据库中获取的目标用户信息包括:法人客户表T1、公司客户总指标接口文件T2、往来户历史明细文件T3、全产品详细信息接口文件T4、客户基本信息表T12、授信审批额度正式表T31和授信审批信息正式表T32。
当T1中目标用户的创建日期在前12个月与前24个月之间的情况下,T2中目标用户当天满足指标的总数SUM(index_value)>0,指标包括是否日均金融资产50万元以上客户数,是否A+及以上有融资关系客户等;T2中目标用户当天满足指标的总数SUM(index_value)>=T2中去年同日SUM(index_value)*0.8的客户;或者T3中近6个月的往来交易数TX_Num>T3中前6个月到前12个月之间的往来交易数TX_Num;或者T3中近6个月的往来发生额TX_AMT>T3中前6个月到前12个月之间的往来发生额TX_AMT;或者T4中当天拥有的产品数>T4中6个月前拥有的产品数。当目标用户同时满足上述情况,可得目标用户的标志为合作上升期标志。
S202,根据当前资源借调阶段的用户信息与目标神经网络,确定目标用户在当前资源借调阶段的阶段信用程度;若阶段信用程度满足预设信用程度,则获取目标用户在当前资源借调阶段的下一资源借调阶段的用户信息,并根据下一资源借调阶段的用户信息确定目标用户在下一资源借调阶段的阶段信用程度,直至确定出不满足预设信用程度的阶段信用程度为止。
可选的,预设信用程度可以为具体的程度数值,例如,100、80或60等,也可以为高、中或低,本申请实施例对此不做限制。
在本实施例中,若目标神经网络为深度学习网络,例如,深度置信网络、卷积神经网络、循环神经网络或生成对抗网络等。将当前资源借调阶段的用户信息输入至目标神经网络,得到目标用户在当前资源借调阶段的阶段信用程度;若目标神经网络为浅层学习网络或简单的分类网络等,先利用特征提取算法从用户信息中提取目标用户对应的特征,将特征输入到目标神经网络。
在本实施例中,由于目标用户的用户信息是不断变化的,若阶段信用程度满足预设信用程度,则获取目标用户在当前资源借调阶段的下一资源借调阶段的用户信息,将用户信息输入到目标神经网络中,得到目标用户在下一资源借调阶段的阶段信用程度,不断重复上述迭代过程。
在本实施例中,如图3所示,当前资源借调阶段为评级授信阶段,可以在评级授信开始时间和评级授信结束时间之间,获取评级授信阶段的目标用户的用户信息,若评级授信阶段的信用程度满足预设的信用程度,则在尽调审批阶段,获取目标用户在尽调审批阶段的用户信息,可以在如图3所示的尽调审批开始时间和一调之间对目标用户的信用程度进行确定,也可以在一调和二调之间等,或者在尽调审批开始时间和尽调审批结束时间每个阶段都进行目标用户的信用程度的确定。
S203,在确定出不满足预设信用程度的阶段信用程度的情况下,输出信用风险预警提示信息。
在本实施例中,在确定出不满足预设信用程度的阶段信用程度的情况下,输出信用风险预警提示信息,停止对目标用户的资源借调,及时有效的进行风险规避。
在本实施例中,信用风险预警提示信息可以只是为报警信息,也可以为具体的风险信息。例如,目标用户存在信用卡逾期、关联企业违约、年龄与收入不匹配以及职业与收入不匹配等预警信息。
进一步地,还可以将目标用户的阶段信用程度进行统计,形成目标用户的风险档案。
上述信用风险预警方法中,通过获取目标用户在当前资源借调阶段的用户信息,根据当前资源借调阶段的用户信息与目标神经网络,确定目标用户在当前资源借调阶段的阶段信用程度;若阶段信用程度满足预设信用程度,则获取目标用户在当前资源借调阶段的下一资源借调阶段的用户信息,并根据下一资源借调阶段的用户信息确定目标用户在下一资源借调阶段的阶段信用程度,直至确定出不满足预设信用程度的阶段信用程度为止,在确定出不满足预设信用程度的阶段信用程度的情况下,输出信用风险预警提示信息。本申请通过持续动态迭代,对目标用户在不同阶段的阶段信用程度进行评估,覆盖整个资源借调的业务阶段,有效提升了信用风险预警的准确性和时效性。
图4为一个实施例中确定目标用户在当前资源借调阶段的阶段信用程度的流程示意图,如图4所示,本申请实施例涉及的是如何根据当前资源借调阶段的用户信息与目标神经网络,确定目标用户在当前资源借调阶段的阶段信用程度的一种可能的实现方式,包括以下步骤:
S401,根据当前资源借调阶段的用户信息与目标神经网络,确定当前资源借调阶段的用户信息中各子信息的风险评价结果。
其中,风险评价结果包括:关联企业不良、违约或行外交叉违约、担保圈交叉违约、担保圈交叉违约-准入、关联体风险暴露仍增贷、高管违约、用户个贷不良、信用卡逾期、关联企业违约、违约客户交易对手、年龄与收入不匹配、职业与收入不匹配、个人经营贷款借款人非经营实体法人、股东及其配偶、增值税发票异常、贷款资金用途不实、贸易背景不实、个人经营贷款申请人与经营实体关系不符、个人经营贷款申请人与经营实体关系不符、客户批量申贷则预警客户融资背景存疑、持续亏损、非项目类企业近三年连续亏损、企业资产负债率超过一定比例且当年亏损、付息债务总额超过年销售收入一般生产企业(个别生产周期特别长的重型装备生产企业除外)、年资金周转超过2次,付息债务总额超过年销售收入50%的贸易流通企业、对外投资总额超过所有者权益、主要靠投资收益获利的投资企业和集团公司本部、持续亏损、销售收入与纳税金额不匹配、多头融资、小企业融资超1亿元且融资机构超5家、小企业融资余额超上年收入1.5倍、关联体贷款超亿元、关联体金融机构融资超2亿元、贷前流水异常、借款还款占总结算金额比例较大、近6个月无结算、近半年无结算、经营性资金流入大幅下降、经营性资金流入大幅下降-准入、企业经营收入或净利润连续两年环比降幅超过50%、账户冻结、异常资金往来、账户长期无结算、无流水、账户资金大幅下降、代发代缴异常、法人代表频繁变更、个人经营贷款经营实体已吊销或注销、工商注册信息注销吊销、工商注册信息状态异常、股权出质或冻结、近一年法人代表多次变更、经营场所频繁变更、受托支付金额大于同期销售收入、银行承兑汇票贴现业务融资背景真实性存疑、受托支付贸易背景真实性存疑、国内贸易融资背景真实性存疑、隐性雇佣等。
在本实施例中,由于获取了目标用户在不同方面的信息,可以得到目标用户针对各子信息的风险评价结果。例如,子信息可以为目标用户个人基本信息,包括住址、年龄、职业等;也可以为目标用户的交易记录,包括银行流水、收入、支出等情况。例如,可以目标用户的个人基本信息和交易记录输入到目标神经网络中,得到目标用户的风险信息评价结果,例如,信用卡是否有逾期、目标用户住所是否经常改变等。
S402,根据各子信息的风险评价结果确定目标用户在当前资源借调阶段的阶段信用程度。
在本实施例中,可以根据各子信息的风险评价结果与预设的权重,将各子信息的风险评价结果与对应的权重进行相乘,得到当前资源借调阶段的阶段信用程度。也可以在存在任何一个子信息的风险评价结果较差时,认定为当前资源借调阶段的阶段信用程度低。
本申请实施例中,根据当前资源借调阶段的用户信息与目标神经网络,确定当前资源借调阶段的用户信息中各子信息的风险评价结果,根据各子信息的风险评价结果确定目标用户在当前资源借调阶段的阶段信用程度。本方法中可以结合多个子信息的风险评价结果确定目标用户的阶段信用程度,提高了阶段信用程度评估的准确性。
图5为一个实施例中确定当前资源借调阶段的用户信息中各子信息的风险评价结果的流程示意图,如图5所示,本申请实施例涉及的是如何根据当前资源借调阶段的用户信息与目标神经网络,确定当前资源借调阶段的用户信息中各子信息的风险评价结果的一种可能实现方式,即S402包括以下步骤:
S501,提取当前资源借调阶段的用户信息的特征。
其中,用户信息的特征包括位置特征、经营特征、社交特征、评价特征、风险特征、财务特征、偏好特征、营销特征、基础特征、产品特征、行为特征和关联特征等。
位置特征具体包括:个人客户的行动轨迹,法人客户的公司注册地址、实际办公地点、物流等信息;经营特征具体包括:个人客户名下企业的经营情况;法人客户的企业经营情况、水电税等信息;社交特征具体包括:客户在各类网站、APP等的社交信息;评价特征具体包括:客户贡献、风险评级、五级分类等各类行内外评价信息;管理特征具体包括:客户在银行的管户情况、管户业务量等信息;偏好特征具体包括:客户的风险偏好、渠道偏好等各类偏好信息;财务特征具体包括:客户的财务报表、指标等信息;产品特征具体包括:客户在我行境内外签署的协议、持有的产品、账户余额、抵质押物等信息;行为特征具体包括:客户在行内外的资金交易信息、投融资、并购等行为信息;关联特征具体包括:客户的资金关联、担保关联、投资关联、集团关联等关联信息;营销特征具体包括:银行对客户所进行的营销活动、各渠道触点的深入情况等信息;基础特征具体包括:个人客户的人口统计信息、联系信息等、法人客户的股东信息、高管信息、行业信息等。
在本实施例中,可以利用特征提取算法提取当前资源借调阶段的用户信息中的特征,特征提取算法包括朴素贝叶斯算法、逻辑回归算法、最近邻算法、决策树算法、SVM支持向量机、聚类等算法。
S502,根据当前资源借调阶段的用户信息的特征和目标神经网络,确定当前资源借调阶段的用户信息中各子信息的风险评价结果。
在本实施例中,将上述S501提取的特征输入至目标神经网络,得到目标用户在当前资源借调阶段的用户信息中各子信息的风险评价结果。例如,可以根据目标用户的财务特征和关联特征得到目标用户的关联企业信息的风险评价结果为关联企业不良、目标用户存在销售收入与纳税金额不匹配。
本申请实施例中,通过提取当前资源借调阶段的用户信息的特征,根据当前资源借调阶段的用户信息的特征和目标神经网络,确定当前资源借调阶段的用户信息中各子信息的风险评价结果。本方法中利用特征提取算法得到目标用户的多个特征信息,简化用户信息,加快了风险评价结果的确定,提高了信用风险预警的时效。
图6为一个实施例中确定目标神经网络的流程示意图,如图6所示,本申请实施例涉及的是如何对初始神经网络进行训练得到目标神经网络的一种可能的实现方式,包括以下步骤:
S601,获取训练样本的特征。
在本实施例中,具体步骤可参见上述S501。
S602,根据训练样本的特征,对初始神经网络进行训练得到目标神经网络。
在本实施例中,将练样本的特征输入至初始神经网络,可以根据训练样本的实际标签与训练样本预测标签进行比较,得到目标神经网络。
图7为另一个实施例中确定目标神经网络的流程示意图,如图7所示,本申请实施例涉及的是在初始神经网络为径向基函数神经网络的情况下,如何根据训练样本的特征,对初始神经网络进行训练得到目标神经网络的一种可能的实现方式,包括以下步骤:
S701,根据训练样本的特征,确定初始径向基函数神经网络的隐含层的第一输出结果。
在本实施例中,径向基函数神经网络是一种三层前馈网络,包括输入层,隐含层和输出层。径向基函数神经网络的隐含层可以根据输入的训练样本的不同确定隐含层个数以及数值。
在本实施例中,隐含层的变换函数为径向基函数,径向基函数是对中心点径向对称且衰减的非负线性函数,输入层数直接映射到隐含层,不需要进行加权,当隐含层中心确定时,映射关系随即确定,此过程为非线性映射。
径向基函数定义为:以x0为中心,x到x0的径向距离构成||x-x0||,使用高斯函数,其中隐含层中第k项节点单元的映射函数可表示为φk(x):其中,xi为第i项训练样本的特征输入向量,ck为第k项隐含层节点中心,σk为第k项隐含层节点宽度。
在本实施例中,将训练样本的特征输入到初始径向基函数神经网络中,通过输入层与隐含层之间的非线性映射,得到隐含层的第一输出结果。输入特征变量经过输入层直接到达隐含层,根据隐含层传输函数的特性,距离隐含层节点中心较近的节点会对该隐含层节点的输出产生较大影响,并且在节点中心处有唯一最大值。
S702,将第一输出结果输入至初始径向基函数神经网络的输出层,得到输出层的第二输出结果。
在本实施例中,隐含层到输出层为线性映射,即隐含层各个节点的第一输出结果经过加权求和后到达输出层进行输出,得到第二输出结果,此过程为线性映射。
S703,根据第一输出结果和第二输出结果,对初始径向基函数神经网络进行训练得到目标神经网络。
在本实施例中,将第一输出结果和第二输出结果进行比较,对初始径向基函数神经网络的权重进行不断调整优化,当第一输出结果和第二输出结果之间的误差小于误差阈值,初始径向基函数神经网络的训练完成。
本申请实施例中,根据训练样本的特征,确定初始径向基函数神经网络的隐含层的第一输出结果,利用第一输出结果确定第二输出结果,从而根据第一输出结果和第二输出结果对初始径向基函数神经网络进行训练得到目标神经网络,对于输出层而言,权值调整可利用线性方程组计算求得,可以加快径向基函数神经网络学习的速度。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的信用风险预警方法的信用风险预警装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个信用风险预警装置实施例中的具体限定可以参见上文中对于信用风险预警方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种信用风险预警装置,包括:第一获取模块11、确定模块12和输出模块13,其中:
第一获取模块11,用于获取目标用户在当前资源借调阶段的用户信息;
确定模块12,用于根据当前资源借调阶段的用户信息与目标神经网络,确定目标用户在当前资源借调阶段的阶段信用程度;若阶段信用程度满足预设信用程度,则获取目标用户在当前资源借调阶段的下一资源借调阶段的用户信息,并根据下一资源借调阶段的用户信息确定目标用户在下一资源借调阶段的阶段信用程度,直至确定出不满足预设信用程度的阶段信用程度为止;
输出模块13,用于在确定出不满足预设信用程度的阶段信用程度的情况下,输出信用风险预警提示信息。
在一个实施例中,确定模块,包括:
第一确定单元,用于根据当前资源借调阶段的用户信息与目标神经网络,确定当前资源借调阶段的用户信息中各子信息的风险评价结果;
第二确定单元,用于根据各子信息的风险评价结果确定目标用户在当前资源借调阶段的阶段信用程度。
在一个实施例中,第一确定单元还用于提取当前资源借调阶段的用户信息的特征;根据当前资源借调阶段的用户信息的特征和目标神经网络,确定当前资源借调阶段的用户信息中各子信息的风险评价结果。
在一个实施例中,当前资源借调阶段包括用户信息录入阶段、评级授信阶段、尽调审批阶段、作业监督阶段以及贷后管理阶段中任一个阶段。
在一个实施例中,提供了一种信用风险预警装置,该装置还包括:
第二获取模块,用于获取训练样本的特征;
训练模块,用于根据训练样本的特征,对初始神经网络进行训练得到目标神经网络。
在一个实施例中,训练模块,包括:
第三确定单元,用于根据训练样本的特征,确定初始径向基函数神经网络的隐含层的第一输出结果;
第四确定单元,用于将第一输出结果输入至初始径向基函数神经网络的输出层,得到输出层的第二输出结果;
训练单元,用于根据第一输出结果和第二输出结果,对初始径向基函数神经网络进行训练得到目标神经网络。
上述信用风险预警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种信用风险预警方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取目标用户在当前资源借调阶段的用户信息;
根据当前资源借调阶段的用户信息与目标神经网络,确定目标用户在当前资源借调阶段的阶段信用程度;若阶段信用程度满足预设信用程度,则获取目标用户在当前资源借调阶段的下一资源借调阶段的用户信息,并根据下一资源借调阶段的用户信息确定目标用户在下一资源借调阶段的阶段信用程度,直至确定出不满足预设信用程度的阶段信用程度为止;
在确定出不满足预设信用程度的阶段信用程度的情况下,输出信用风险预警提示信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据当前资源借调阶段的用户信息与目标神经网络,确定当前资源借调阶段的用户信息中各子信息的风险评价结果;
根据各子信息的风险评价结果确定目标用户在当前资源借调阶段的阶段信用程度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
提取当前资源借调阶段的用户信息的特征;
根据当前资源借调阶段的用户信息的特征和目标神经网络,确定当前资源借调阶段的用户信息中各子信息的风险评价结果。
在一个实施例中,当前资源借调阶段包括用户信息录入阶段、评级授信阶段、尽调审批阶段、作业监督阶段以及贷后管理阶段中任一个阶段。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取训练样本的特征;
根据训练样本的特征,对初始神经网络进行训练得到目标神经网络。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据训练样本的特征,确定初始径向基函数神经网络的隐含层的第一输出结果;
将第一输出结果输入至初始径向基函数神经网络的输出层,得到输出层的第二输出结果;
根据第一输出结果和第二输出结果,对初始径向基函数神经网络进行训练得到目标神经网络。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标用户在当前资源借调阶段的用户信息;
根据当前资源借调阶段的用户信息与目标神经网络,确定目标用户在当前资源借调阶段的阶段信用程度;若阶段信用程度满足预设信用程度,则获取目标用户在当前资源借调阶段的下一资源借调阶段的用户信息,并根据下一资源借调阶段的用户信息确定目标用户在下一资源借调阶段的阶段信用程度,直至确定出不满足预设信用程度的阶段信用程度为止;
在确定出不满足预设信用程度的阶段信用程度的情况下,输出信用风险预警提示信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据当前资源借调阶段的用户信息与目标神经网络,确定当前资源借调阶段的用户信息中各子信息的风险评价结果;
根据各子信息的风险评价结果确定目标用户在当前资源借调阶段的阶段信用程度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
提取当前资源借调阶段的用户信息的特征;
根据当前资源借调阶段的用户信息的特征和目标神经网络,确定当前资源借调阶段的用户信息中各子信息的风险评价结果。
在一个实施例中,当前资源借调阶段包括用户信息录入阶段、评级授信阶段、尽调审批阶段、作业监督阶段以及贷后管理阶段中任一个阶段。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取训练样本的特征;
根据训练样本的特征,对初始神经网络进行训练得到目标神经网络。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据训练样本的特征,确定初始径向基函数神经网络的隐含层的第一输出结果;
将第一输出结果输入至初始径向基函数神经网络的输出层,得到输出层的第二输出结果;
根据第一输出结果和第二输出结果,对初始径向基函数神经网络进行训练得到目标神经网络。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取目标用户在当前资源借调阶段的用户信息;
根据当前资源借调阶段的用户信息与目标神经网络,确定目标用户在当前资源借调阶段的阶段信用程度;若阶段信用程度满足预设信用程度,则获取目标用户在当前资源借调阶段的下一资源借调阶段的用户信息,并根据下一资源借调阶段的用户信息确定目标用户在下一资源借调阶段的阶段信用程度,直至确定出不满足预设信用程度的阶段信用程度为止;
在确定出不满足预设信用程度的阶段信用程度的情况下,输出信用风险预警提示信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据当前资源借调阶段的用户信息与目标神经网络,确定当前资源借调阶段的用户信息中各子信息的风险评价结果;
根据各子信息的风险评价结果确定目标用户在当前资源借调阶段的阶段信用程度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
提取当前资源借调阶段的用户信息的特征;
根据当前资源借调阶段的用户信息的特征和目标神经网络,确定当前资源借调阶段的用户信息中各子信息的风险评价结果。
在一个实施例中,当前资源借调阶段包括用户信息录入阶段、评级授信阶段、尽调审批阶段、作业监督阶段以及贷后管理阶段中任一个阶段。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取训练样本的特征;
根据训练样本的特征,对初始神经网络进行训练得到目标神经网络。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据训练样本的特征,确定初始径向基函数神经网络的隐含层的第一输出结果;
将第一输出结果输入至初始径向基函数神经网络的输出层,得到输出层的第二输出结果;
根据第一输出结果和第二输出结果,对初始径向基函数神经网络进行训练得到目标神经网络。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种信用风险预警方法,其特征在于,所述方法包括:
获取目标用户在当前资源借调阶段的用户信息;
根据所述当前资源借调阶段的用户信息与目标神经网络,确定所述目标用户在所述当前资源借调阶段的阶段信用程度;若所述阶段信用程度满足预设信用程度,则获取所述目标用户在所述当前资源借调阶段的下一资源借调阶段的用户信息,并根据所述下一资源借调阶段的用户信息确定所述目标用户在所述下一资源借调阶段的阶段信用程度,直至确定出不满足所述预设信用程度的阶段信用程度为止;
在确定出不满足所述预设信用程度的阶段信用程度的情况下,输出信用风险预警提示信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述当前资源借调阶段的用户信息与目标神经网络,确定所述目标用户在所述当前资源借调阶段的阶段信用程度,包括:
根据所述当前资源借调阶段的用户信息与所述目标神经网络,确定所述当前资源借调阶段的用户信息中各子信息的风险评价结果;
根据所述各子信息的风险评价结果确定所述目标用户在所述当前资源借调阶段的阶段信用程度。
3.根据权利要求2所述的方法,其特征在于,所述根据所述当前资源借调阶段的用户信息与所述目标神经网络,确定所述当前资源借调阶段的用户信息中各子信息的风险评价结果,包括:
提取所述当前资源借调阶段的用户信息的特征;
根据所述当前资源借调阶段的用户信息的特征和所述目标神经网络,确定所述当前资源借调阶段的用户信息中各子信息的风险评价结果。
4.根据权利要求1-2任一项所述的方法,其特征在于,所述当前资源借调阶段包括用户信息录入阶段、评级授信阶段、尽调审批阶段、作业监督阶段以及贷后管理阶段中任一个阶段。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
获取训练样本的特征;
根据所述训练样本的特征,对初始神经网络进行训练得到所述目标神经网络。
6.根据权利要求5所述的方法,其特征在于,所述初始神经网络为初始径向基函数神经网络;所述根据所述训练样本的特征,对初始神经网络进行训练得到所述目标神经网络,包括:
根据所述训练样本的特征,确定所述初始径向基函数神经网络的隐含层的第一输出结果;
将所述第一输出结果输入至所述初始径向基函数神经网络的输出层,得到所述输出层的第二输出结果;
根据所述第一输出结果和所述第二输出结果,对所述初始径向基函数神经网络进行训练得到所述目标神经网络。
7.一种信用风险预警装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标用户在当前资源借调阶段的用户信息;
确定模块,用于根据所述当前资源借调阶段的用户信息与目标神经网络,确定所述目标用户在所述当前资源借调阶段的阶段信用程度;若所述阶段信用程度满足预设信用程度,则获取所述目标用户在所述当前资源借调阶段的下一资源借调阶段的用户信息,并根据所述下一资源借调阶段的用户信息确定所述目标用户在所述下一资源借调阶段的阶段信用程度,直至确定出不满足所述预设信用程度的阶段信用程度为止;
输出模块,用于在确定出不满足所述预设信用程度的阶段信用程度的情况下,输出信用风险预警提示信息。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211130617.6A CN115456758A (zh) | 2022-09-15 | 2022-09-15 | 信用风险预警方法、装置、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211130617.6A CN115456758A (zh) | 2022-09-15 | 2022-09-15 | 信用风险预警方法、装置、设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115456758A true CN115456758A (zh) | 2022-12-09 |
Family
ID=84305734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211130617.6A Pending CN115456758A (zh) | 2022-09-15 | 2022-09-15 | 信用风险预警方法、装置、设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115456758A (zh) |
-
2022
- 2022-09-15 CN CN202211130617.6A patent/CN115456758A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ardia et al. | Questioning the news about economic growth: Sparse forecasting using thousands of news-based sentiment values | |
Yeh et al. | A hybrid KMV model, random forests and rough set theory approach for credit rating | |
Dell’Ariccia et al. | Credit booms and lending standards: Evidence from the subprime mortgage market | |
Qi et al. | Comparison of modeling methods for loss given default | |
Singh et al. | Re-estimation and comparisons of alternative accounting based bankruptcy prediction models for Indian companies | |
Cao et al. | A two‐stage Bayesian network model for corporate bankruptcy prediction | |
Figini et al. | Statistical merging of rating models | |
Van Thiel et al. | Artificial intelligence credit risk prediction: An empirical study of analytical artificial intelligence tools for credit risk prediction in a digital era | |
Lee et al. | The cognition map of financial ratios of shipping companies using DEMATEL and MMDE | |
Coenen et al. | Machine learning methods for short-term probability of default: A comparison of classification, regression and ranking methods | |
Bogin et al. | Missing the mark: Mortgage valuation accuracy and credit modeling | |
Lahmiri | A two‐step system for direct bank telemarketing outcome classification | |
Shanmugam et al. | Impact of technology on the financial performance of Indian commercial banks: a clustering based approach | |
Tripathi et al. | Exchange rate forecasting using ensemble modeling for better policy implications | |
Lin et al. | Impacts of the borrower's attributes, loan contract contents, and collateral characteristics on mortgage loan default | |
Ju et al. | Stress test for a technology credit guarantee fund based on survival analysis | |
Hillebrecht et al. | Community-based versus statistical targeting of anti-poverty programs: Evidence from Burkina Faso | |
Bastos | Predicting bank loan recovery rates with neural networks | |
Li et al. | Artificial intelligence applications in finance: a survey | |
Aranha et al. | Efficacies of artificial neural networks ushering improvement in the prediction of extant credit risk models | |
Tang | Application of Nonlinear Autoregressive with Exogenous Input (NARX) neural network in macroeconomic forecasting, national goal setting and global competitiveness assessment | |
Liang et al. | A two-stage segment and prediction model for mortgage prepayment prediction and management | |
Kumar et al. | Performance evaluation of Indian banks using feature selection data envelopment analysis: A machine learning perspective | |
Shao | Prediction of currency volume issued in Taiwan using a hybrid artificial neural network and multiple regression approach | |
CN115456758A (zh) | 信用风险预警方法、装置、设备、存储介质和程序产品 |
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 |