CN115482084A - 用于生成风控规则集的方法及装置 - Google Patents
用于生成风控规则集的方法及装置 Download PDFInfo
- Publication number
- CN115482084A CN115482084A CN202211114730.5A CN202211114730A CN115482084A CN 115482084 A CN115482084 A CN 115482084A CN 202211114730 A CN202211114730 A CN 202211114730A CN 115482084 A CN115482084 A CN 115482084A
- Authority
- CN
- China
- Prior art keywords
- risk
- medium
- rule
- low
- wind control
- 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
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24564—Applying rules; Deductive queries
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供了用于生成风控规则集的方法及装置。在该方法中,根据各个风险类型的权重计算各个风控规则针对各个风险类型的综合风险值;将综合风险值大于第一风险阈值的风控规则归入高危风险规则集;将综合风险值不大于第一风险阈值的风控规则归入中低危风险规则集;以及根据中低危风险规则集的指定风险指标以及指定风险指标与授信额度之间的反比关系确定中低危风险规则集对应的授信额度。
Description
技术领域
本说明书实施例涉及计算机技术领域,具体地,涉及用于生成风控规则集的方法及装置。
背景技术
在金融领域中,信贷业务是金融机构重要的资产业务,通过放款回收本金和利息来获得利润,是金融机构的主要盈利手段。由于放款脱离了金融机构的控制,若不能按时回收本息的风险较大。因此,金融机构的风控管理很严格。金融机构通过风控管理以确认每笔信贷业务的风险程度,若风险程度较大,则可以拦截所申请的信贷业务,以避免造成损失。
目前,金融机构执行风控管理的方式是利用风控规则集,风控规则集中包括若干风控规则,每个风控规则集仅检测一种风险类型。当命中风控规则集中的规则时,则表示该笔信贷业务有风险,可以将其拦截。
发明内容
鉴于上述,本说明书实施例提供了用于生成风控规则集的方法及装置。通过本说明书实施例的技术方案,利用综合风险值引入多个风险类型,以使高危风险规则集能够同时针对多种风险类型进行风控。此外,根据综合风险值所得到的中低危风险规则集对应有合适的授信额度,基于反比关系所确定的授信额度能够降低命中中低危风险规则集的客群所导致的风险。
根据本说明书实施例的一个方面,提供了一种用于生成风控规则集的方法,包括:根据各个风险类型的权重计算各个风控规则针对所述各个风险类型的综合风险值,其中,每个风控规则用于至少一种风险类型;将综合风险值大于第一风险阈值的风控规则归入高危风险规则集,所述高危风险规则集用于拦截具有高危风险的客群;将综合风险值不大于所述第一风险阈值的风控规则归入中低危风险规则集;以及根据所述中低危风险规则集的指定风险指标以及所述指定风险指标与授信额度之间的反比关系确定所述中低危风险规则集对应的授信额度,其中,所述指定风险指标包括综合风险值和/或提升度。
根据本说明书实施例的另一方面,还提供一种用于生成风控规则集的装置,包括:风险值计算单元,被配置为根据各个风险类型的权重计算各个风控规则针对所述各个风险类型的综合风险值,其中,每个风控规则用于至少一种风险类型;第一风控规则分类单元,被配置为将综合风险值大于第一风险阈值的风控规则归入高危风险规则集,所述高危风险规则集用于拦截具有高危风险的客群;第二风控规则分类单元,被配置为将综合风险值不大于所述第一风险阈值的风控规则归入中低危风险规则集;以及授信额度确定单元,被配置为根据所述中低危风险规则集的指定风险指标以及所述指定风险指标与授信额度之间的反比关系确定所述中低危风险规则集对应的授信额度,其中,所述指定风险指标包括综合风险值和/或提升度。
根据本说明书实施例的另一方面,还提供一种电子设备,包括:至少一个处理器,与所述至少一个处理器耦合的存储器,以及存储在所述存储器上的计算机程序,所述至少一个处理器执行所述计算机程序来实现如上述任一所述的用于生成风控规则集的方法。
根据本说明书实施例的另一方面,还提供一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的用于生成风控规则集的方法。
根据本说明书实施例的另一方面,还提供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如上任一所述的用于生成风控规则集的方法。
附图说明
通过参照下面的附图,可以实现对于本说明书实施例内容的本质和优点的进一步理解。在附图中,类似组件或特征可以具有相同的附图标记。
图1示出了根据本说明书实施例的风控规则集生成方法的一个应用场景的示意图。
图2示出了根据本说明书实施例的用于生成风控规则集的方法的一个示例的流程图。
图3示出了根据本说明书实施例的用于生成风控规则集的方法的另一个示例的流程图。
图4示出了根据本说明书实施例的用于生成风控规则集的方法的另一个示例的流程图。
图5示出了根据本说明书实施例的用于生成风控规则集的装置的一个示例的方框图。
图6示出了根据本说明书实施例的用于生成风控规则集的装置的另一个示例的方框图。
图7示出了根据本说明书实施例的用于生成风控规则集的装置的另一个示例的方框图。
图8示出了本说明书实施例的用于实现风控规则集生成方法的电子设备的方框图。
具体实施方式
以下将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本说明书实施例内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其它例子中也可以进行组合。
如本文中使用的,术语“包括”及其变型表示开放的术语,含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义,无论是明确的还是隐含的。除非上下文中明确地指明,否则一个术语的定义在整个说明书中是一致的。
在本说明书中,术语“业务模型”是指被应用于业务场景中来进行业务预测服务的机器学习模型,比如,用于分类预测、业务风险预测等等的机器学习模型。机器学习模型的示例可以包括但不限于:线性回归模型、逻辑回归模型、神经网络模型、决策树模型、支持向量机等。神经网络模型的示例可以包括但不限于深度神经网络(DNN,Deep NeuralNetwork)模型、卷积神经网络(CNN,Convolutional Neural Network)模型、BP神经网络等。
业务模型的具体实现形式取决于所应用的业务场景。例如,在业务模型应用于对用户进行分类的应用场景,则业务模型被实现为用户分类模型。相应地,可以根据该业务模型来对待分类用户的用户特征数据进行用户分类预测。在业务模型应用于对业务系统上发生的业务交易进行业务风险预测的应用场景,则业务模型被实现为业务风险预测模型。相应地,可以根据该业务模型来对该业务交易的业务交易特征数据进行业务风险预测。
随着人工智能技术的发展,机器学习技术被作为业务模型广泛地应用于各种业务应用场景来进行各种业务预测服务,比如,分类预测、业务风险预测等等。例如,业务模型在金融欺诈、推荐系统、图像识别等领域具有广泛的应用。为了实现更好的模型性能,需要使用更多的训练数据来训练业务模型。在例如医疗、金融等应用领域,不同的企业或机构拥有不同的数据样本,一旦将这些数据进行联合训练,将极大提升业务模型的模型精度,从而给企业带来巨大的经济效益。
在金融领域中,信贷业务是金融机构重要的资产业务,通过放款回收本金和利息来获得利润,是金融机构的主要盈利手段。由于放款脱离了金融机构的控制,若不能按时回收本息的风险较大。因此,金融机构的风控管理很严格。金融机构通过风控管理以确认每笔信贷业务的风险程度,若风险程度较大,则可以拦截所申请的信贷业务,以避免造成损失。
目前,金融机构执行风控管理的方式是利用风控规则集,风控规则集中包括若干风控规则,每个风控规则集仅检测一种风险类型。当命中风控规则集中的规则时,则表示该笔信贷业务有风险,可以将其拦截。
然而,在目前的风控管理中,所应用的每个规则集仅覆盖一种风险,且所有风险规则仅简单地分为高危风险规则和其他风险规则,命中高危风险规则的信贷业务被拦截,而未命中高危风险规则的信贷业务则给予通过。这种风控方式无法兼顾多种风险类型的风险,且无法更精确地进行风控。
鉴于上述,本说明书实施例提供了用于生成风控规则集的方法及装置。在该方法中,根据各个风险类型的权重计算各个风控规则针对各个风险类型的综合风险值;将综合风险值大于第一风险阈值的风控规则归入高危风险规则集;将综合风险值不大于第一风险阈值的风控规则归入中低危风险规则集;以及根据中低危风险规则集的指定风险指标以及指定风险指标与授信额度之间的反比关系确定中低危风险规则集对应的授信额度。通过本说明书实施例的技术方案,利用综合风险值引入多个风险类型,以使高危风险规则集能够同时针对多种风险类型进行风控。此外,根据综合风险值所得到的中低危风险规则集对应有合适的授信额度,基于反比关系所确定的授信额度能够降低命中中低危风险规则集的客群所导致的风险。
图1示出了根据本说明书实施例的风控规则集生成方法的一个应用场景100的示意图。
如图1所示,用户可以向金融机构申请办理相关的金融业务,比如,信贷业务。金融机构在接收到用户的申请后,需要对用户以及所申请的金融业务进行风控管理,此时,该用户作为金融机构进行风控的客群。金融机构执行风控管理的一种方式是使用风控装置,风控装置用于执行风控管理。
金融机构可以将待风控的客群信息以及业务信息发送给风控装置,客群信息可以包括客群的身份信息、信用信息、资产信息和客群的历史业务信息等,业务信息包括贷款金额、贷款时长等。
风控装置调用风控规则库对客群信息和业务信息进行风控管理,风控规则库中存储各个风控规则。在风控规则中,各个风控规则可以以集合的形式存储,比如,包括高危风控规则的高危风控规则集,以及包括中低危风控规则的中低危风控规则集。在风控管理过程中,将客群信息和业务信息分别与风控规则库中的规则进行匹配处理。当客群信息和业务信息与一条风控规则匹配时,则确定该客群信息和该业务信息命中该风控规则。当命中其中一条风控规则时,执行所命中的风控规则所属的风控规则集所对应的处理方式。例如,所命中的风控规则属于高危风控规则集,则对应的处理方式包括拦截方式,即,对该客群和所申请的业务进行拦截。
风控装置在执行每次风控管理后都可以生成相应的历史风控数据,历史风控数据包括客群信息和业务信息、所命中的风控规则以及对应的处理方式等。所生成的历史风控数据存储在数据库中,该数据库中还可以存储样本数据等其他数据。数据库中的历史风控数据和样本数据均可以作为样本对风控规则进行迭代优化处理。
风控规则集生成装置可以对风控规则库中的风控规则进行优化处理,以生成优化后的风控规则集。优化后的风控规则集存储在风控规则库中便于风控装置调用,以提高风控装置执行风控管理时的风控准确度。此外,风控规则集生成装置还可以从数据库中获取相关的历史风控数据和样本数据,从而可以利用数据库中的数据对风控规则库中的风控规则进行优化处理。
图2示出了根据本说明书实施例的用于生成风控规则集的方法的一个示例200的流程图。
如图2所示,在210,可以根据各个风险类型的权重计算各个风控规则针对各个风险类型的综合风险值。
在本说明书实施例中,用于生成风控规则集的各个风控规则可以是应用于同一金融业务,比如,可以是应用于信贷业务的风控规则。下面以信贷业务为例进行说明。在信贷业务中,所存在的风险类型可以包括欺诈风险和信用风险等。
每个风控规则可以用于至少一种风险类型,即,每个风控规则可以对至少一种风险类型的风险进行检测。例如,一个风控规则用于欺诈风险时,则该风控规则可以用于检测所存在的欺诈风险。
在本说明书实施例中,每个风险类型对应有权重,权重可以表示对应风险类型的受风控关注程度。风险类型对应的权重越大,表示该风险类型的风险受到风控的关注程度越高,从而被风控的可能性越高;风险类型对应的权重越小,表示该风险类型的风险受到风控的关注程度越低,从而被风控的可能性越低。
在一个示例中,各个风险类型的权重可以根据发生的频率、所造成的危害程度和损失金额等中的至少一个因素来确定,其中,各个风险类型的发生频率以及损失金额可以从历史风险数据中统计得到。风险类型的风险所造成的危害程度越高,则该风险类型的权重越大;风险类型的风险发生的频率越高,则该风险类型的权重越大;风险类型的风险所造成的损失金额越大,则该风险类型的权重越大。
在综合风险值的一种计算方式中,针对每个风控规则,可以根据该风控规则所应用的各个风险类型对应的权重,计算该风控规则的综合风险值。在一个示例中,可以将该风控规则所应用的各个风险类型对应的权重之和确定为该风控规则的综合风险值。
各个风控规则的综合风险值由该风控规则所应用的风险类型的权重所构成,当风控规则应用于多种风险类型时,对应的综合风险值融合了多种风险类型,从而该综合风险值可以体现出所融合的多种风险类型。此外,各个风控规则的综合风险值也体现了该风控规则的受风控程度,综合风险值越高,则对应的风控规则的受风控程度越高。
在本说明书实施例中,每个风控规则的综合风险值的大小与该风控规则所应用的风险类型的数量相关。风控规则所应用的风险类型越多,则用于计算综合风险值的权重越多,从而所得到的综合风险值越大;相应地,风控规则所应用的风险类型越少,所得到的综合风险值越小。此外,每个风控规则的综合风险值的大小还与权重的大小有关。用于计算综合风险值的权重越大,则所得到的综合风险值越大;相应地,用于计算综合风险值的权重越小,则所得到的综合风险值越小。因此,各个风控规则的综合风险值在兼顾多种风险类型的同时,还能体现出风控规则的受风控程度。
在220,可以将综合风险值大于第一风险阈值的风控规则归入高危风险规则集。
在本说明书实施例中,第一风险阈值可以指定。高危风险规则集用于拦截具有高危风险的客群,高危风险规则集中的各个高危风险规则用于检测高危风险类型的风险。当信贷业务的客群命中高危风险规则集中的任一高危风险规则时,可以确定该客群为高危风险客群,从而可以将该客群拦截。
在230,可以将综合风险值不大于第一风险阈值的风控规则归入中低危风险规则集。
在本说明书实施例中,中低危风险规则集中的各个中低危风险规则所检测的风险是中低危风险,从而当命中中低危风险规则集中的任一中低危风险规则时,表示存在中低危风险。在信贷业务中,对于中低危风险的客群,可以允许该客群通过而不被拦截。
需要说明的是,可以不限定220的操作和230的操作的执行顺序,图2所示的执行顺序仅作为一个示例。
还需要说明的是,上述高危风险规则集和中低危风险规则集可以作为业务模型使用。
在240,可以根据中低危风险规则集的指定风险指标以及指定风险指标与授信额度之间的反比关系确定中低危风险规则集对应的授信额度。
在本说明书实施例中,指定风险指标可以包括综合风险值和/或提升度等。提升度(即,Lift)用于衡量风险规则或风险规则集对目标的预测能力与未利用该风险规则或该风险规则集对目标随机选择的比值。提升度可以通过以下公式计算得到:
其中,Lift表示提升度,TP表示真正例,FP表示假正例,TN表示真反例,FN表示假反例。
指定风险指标可以用于指示风险的危险程度,指定风险指标的值越大,表示危险程度越高。从而指定风险指标可以与授信额度呈反比关系,指定风险指标的值越大,则授信额度越低;指定风险指标的值越小,则授信额度越高。在一个示例中,当指定风险指标是提升度时,提升度与授信额度之间呈反比关系。在另一个示例中,当指定风险指标是综合风险值时,综合风险值与授信额度之间呈反比关系。
中低危风险规则集的指定风险指标可以是针对整个中低危风险规则集。当指定风险指标是提升度时,中低危风险规则集的指定风险指标可以是整个中低危风险规则集的提升度。当指定风险指标是综合风险值时,中低危风险规则集的指定风险指标是整个中低危风险规则集的综合风险值。中低危风险规则集的综合风险值可以根据中低危风险规则集的各个中低危风险规则对应的综合风险值得到。在一个示例中,可以将中低危风险规则集的各个中低危风险规则对应的综合风险值进行平均所得到的均值作为针对整个中低危风险规则集的综合风险值。
在所确定出中低危风险规则集对应的授信额度后,则对于命中中低危风险规则集中的任一中低危风险规则的信贷业务,所能提供的信贷额度是所确定出的授信额度。
在一个示例中,可以对中低危风险规则集中的中低危风险规则进行分档,以得到不同档位的多个中低危风险规则子集。在该示例中,所依据的指定风险指标可以包括各个中低危风险规则子集对应的指定风险指标,所确定的授信额度可以包括针对各个中低危风险规则子集的授信额度。针对该示例,在下面图3的示例中进行详细说明。
在本说明书实施例中,可以将高危风险规则集以及具有授信额度的中低危风险规则集作为所生成的风控规则集。所生成的风控规则集可以存储至规则库中,便于风控装置调用,以对各个客群的信贷业务进行风控管理。
通过本说明书实施例提供的技术方案,能够生成高危风险规则集以及具有授信额度的中低危风险规则集。高危风险规则集能够拦截高危风险的客群以及信贷业务,中低危风险规则集能够对中低危风险的客群以及信贷业务实现低额通过,即,允许这些客群及信贷业务通过,但给予的授信额度相对较低。这样能在一定程度上降低中低危风险所带来的损失。
图3示出了根据本说明书实施例的用于生成风控规则集的方法的另一个示例300的流程图。
如图3所示,在310,可以根据各个风险类型的权重计算各个风控规则针对各个风险类型的综合风险值。
在320,可以将综合风险值大于第一风险阈值的风控规则归入高危风险规则集。
在330,可以将综合风险值不大于第一风险阈值的风控规则归入中低危风险规则集。
需要说明的是,310至330的操作与图2示例中的210至230的操作相同,可以参照210至230的操作说明。
在340,可以根据中低危风险规则集中的各个中低危风险规则的综合风险值对各个中低危风险规则进行分档,以得到不同档位的中低危风险规则子集。
在该示例中,分档的档位数量可以指定,各个档位对应的综合风险值的区间也可以指定。在一个示例中,档位数量和档位对应的综合风险值区间可以根据待分档的各个中低危风险规则来确定,以确保每个档位均包括有中低危风险规则,还可以确保各个档位中的中低危风险规则的数量相对较平均。
分档的方式可以按照综合风险值从高到底或者从低到高的顺序划分,从而不同档位对应的综合风险值区间不同,且各个综合风险值区间不重合。此外,所划分的每一个档位对应一个中低危风险规则子集,从而中低危风险规则集中的各个中低危风险规则被划分至各个中低危风险规则子集中。
在350,可以根据各个中低危风险规则子集对应的指定风险指标以及指定风险指标与授信额度之间的反比关系确定各个中低危风险规则子集对应的授信额度。
在该示例中,针对各个中低危风险规则子集,可以分别确定对应的授信额度。不同的中低危风险规则子集对应的授信额度确定过程相互之间互不影响。
针对每个中低危风险规则子集,可以先确定该中低危风险规则子集对应的指定风险指标,然后根据指定风险指标与授信额度之间的反比关系,可以确定出该中低危风险规则子集对应的授信额度。
在一个示例中,当反比关系是函数表达式时,在该函数表达式中,授信额度是因变量,指定风险指标是自变量,从而可以将所确定出的指定风险指标代入该函数表达式中计算授信额度,所计算出的授信额度即为中低危风险规则子集对应的授信额度。
在另一个示例中,当反比关系是两者之间的对应关系时,每个指定风险指标区间对应一个授信额度,不同的指定风险指标区间对应的授信额度不同,且指定风险指标区间越大,对应的授信额度越小。在该示例中,首先,确定指定风险指标所属的指定风险指标区间,然后,在对应关系中确定该指定风险指标区间对应的授信额度,该授信额度即为中低危风险规则子集对应的授信额度。
在一个示例中,指定风险指标包括提升度。针对各个中低危风险规则子集,可以利用数据样本确定该个中低危风险规则子集对应的提升度。然后,可以根据该中低危风险规则子集对应的提升度以及提升度与授信额度之间的反比关系,确定该中低危风险规则子集对应的授信额度。所利用的数据样本可以包括基于信贷业务的历史风控数据、在其他类似的应用场景中生成的风控数据等,数据样本中包括的各个样本可以具有标签。
在另一个示例中,指定风险指标包括综合风险值。针对各个中低危风险规则子集,可以根据该中低危风险规则子集中的各个中低危风险规则对应的综合风险值计算该中低危风险规则子集对应的规则集综合风险值。在一个示例中,可以将各个中低危风险规则对应的综合风险值之和确定为对应的规则集综合风险值。在另一个示例中,可以对各个中低危风险规则对应的综合风险值进行平均计算,将所得到的均值确定为对应的规则集综合风险值。
然后,根据该中低危风险规则子集对应的规则集综合风险值以及综合风险值与授信额度之间的反比关系,确定该中低危风险规则子集对应的授信额度。
通过上述示例的技术方案,对中低危风险规则进行分档,并对每个档位的中低危风险规则子集分别赋予对应的授信额度,对处于中低危风险的不同风险程度的客群给予不同的授信额度,从而能够更精确地进行风控。
图4示出了根据本说明书实施例的用于生成风控规则集的方法的另一个示例400的流程图。
如图4所示,在410,可以根据各个风险类型的权重计算各个风控规则针对各个风险类型的综合风险值。
需要说明的是,410的操作与图2示例中的210的操作相同,可以参照210的操作说明。
在420,可以根据各个风控规则对应的提升度将各个风控规则分成中高危风控规则和低危风控规则。
在该示例中,可以利用数据样本分别对各个风控规则进行试验,以确定各个风控规则对应的提升度。在一个示例中,可以设定第一提升度阈值,该第一提升度阈值可以指定。将提升度大于第一提升度阈值的风控规则确定为中高危风控规则,将提升度不大于第一提升度阈值的风控规则确定为低危风控规则。
在430,可以将中高危风控规则中综合风险值大于第一风险阈值的风控规则归入高危风险规则集。
在440,可以从中高危风控规则中筛选出综合风险值不大于第一风险阈值的中危风控规则。
通过430和440的操作,可以进一步地将中高危风控规则分成高危风险规则和中危风控规则。
在450,可以将所筛选出的中危风控规则与低危风控规则归入中低危风险规则集。
在460,可以根据中低危风险规则集的指定风险指标以及指定风险指标与授信额度之间的反比关系确定中低危风险规则集对应的授信额度。
需要说明的是,460的操作与图2示例中的240的操作相同,可以参照240的操作说明。
在一个示例中,在将各个风控规则分成中高位风控规则和低危风控规则后,可以根据各个低危风险规则的综合风险值对各个低危风险规则进行分档,以得到不同档位的低危风险规则子集。
该示例中的分档方法可以参照图3示例中的340操作的分档方法。针对低危风险规则的档位数量以及对应的综合风险值区间与340中的针对中低危风险规则的档位数量以及对应的综合风险值区间可以相同,也可以不同。
在该示例中,针对低危风险规则的档位数量以及对应的综合风险值区间可以根据待分档的各个低危风险规则来确定,以确保每个档位均包括有低危风险规则,还可以确保各个档位中的低危风险规则的数量相对较平均。
在针对中低危风险规则集的归入操作中,可以将所得到的各个低危风险规则子集以及由中危风控规则所构成的中危风控规则子集合并为中低危风险规则集。接着,根据中低危风险规则集中的各个低危风险规则子集和中危风控规则子集分别对应的指定风险指标、以及指定风险指标与授信额度之间的反比关系,确定各个低危风险规则子集和中危风控规则子集分别对应的授信额度。
在该示例中,指定风险指标包括综合风险值和/或提升度。当指定风险指标包括综合风险值时,针对每个低危风险规则子集,可以根据该低危风险规则子集中的各个低危风险规则对应的综合风险值来计算该低危风险规则子集对应的第一子集综合风险值。针对中危风控规则子集,可以根据该中危风险规则子集中的各个中危风险规则对应的综合风险值来计算该中危风险规则子集对应的第二子集综合风险值。然后,根据各个低危风险规则子集对应的第一子集综合风险值、中危风险规则子集对应的第二子集综合风险值以及综合风险值与授信额度之间的反比关系,确定各个低危风险规则子集和中危风控规则子集分别对应的授信额度。
当指定风险指标包括提升度时,可以利用数据样本分别确定各个低危风险规则子集对应的第一提升度,以及利用数据样本确定中危风控规则子集对应的第二提升度。然后,根据各个低危风险规则子集对应的第一提升度、中危风险规则子集对应的第二提升度以及提升度与授信额度之间的反比关系,确定各个低危风险规则子集和中危风控规则子集分别对应的授信额度。
通过该示例的方案,对低危风险规则进行分档,并对每个档位的低危风险规则子集以及中危风险规则子集分别赋予对应的授信额度,对处于低危风险的不同风险程度的客群给予不同的授信额度,从而能够更精确地进行风控。
图5示出了根据本说明书实施例的用于生成风控规则集的装置(以下称为风控规则集生成装置500)的一个示例的方框图。
如图5所示,风控规则集生成装置500包括:风险值计算单元510、第一风控规则分类单元520、第二风控规则分类单元530和授信额度确定单元540。
风险值计算单元510,可以被配置为根据各个风险类型的权重计算各个风控规则针对各个风险类型的综合风险值,其中,每个风控规则用于至少一种风险类型。
在一个示例中,各个风险类型的权重根据以下因素中的至少一个所确定:发生的频率、所造成的危害程度和损失金额。
第一风控规则分类单元520,可以被配置为将综合风险值大于第一风险阈值的风控规则归入高危风险规则集,该高危风险规则集用于拦截具有高危风险的客群。
第二风控规则分类单元530,可以被配置为将综合风险值不大于第一风险阈值的风控规则归入中低危风险规则集。需要说明的是,第一风控规则分类单元520与第二风控规则分类单元530可以是同一单元,还可以是不同单元。
授信额度确定单元540,可以被配置为根据中低危风险规则集的指定风险指标以及该指定风险指标与授信额度之间的反比关系确定中低危风险规则集对应的授信额度,其中,指定风险指标包括综合风险值和/或提升度。
图6示出了根据本说明书实施例的用于生成风控规则集的装置(以下称为风控规则集生成装置600)的另一个示例的方框图。
如图6所示,风控规则集生成装置600包括:风险值计算单元510、第一风控规则分类单元520、第二风控规则分类单元530、授信额度确定单元540以及第三风控规则分类单元550。
风险值计算单元510、和授信额度确定单元540可以参照图5中的操作说明。
第三风控规则分类单元550,可以被配置为根据各个风控规则对应的提升度将各个风控规则分成中高危风控规则和低危风控规则。
第一风控规则分类单元520,还可以被配置为将中高危风控规则中综合风险值大于第一风险阈值的风控规则归入高危风险规则集。
第二风控规则分类单元530,还可以被配置为从中高危风控规则中筛选出综合风险值不大于第一风险阈值的中危风控规则;以及将所筛选出的中危风控规则与低危风控规则归入中低危风险规则集。
在一个示例中,风控规则集生成装置500还可以包括风控规则分档单元,该风控规则分档单元可以被配置为根据各个低危风险规则的综合风险值对所述各个低危风险规则进行分档,以得到不同档位的低危风险规则子集。
第二风控规则分类单元530,还可以被配置为将所得到的各个低危风险规则子集以及由中危风控规则所构成的中危风控规则子集合并为中低危风险规则集。
授信额度确定单元540,还可以被配置为根据中低危风险规则集中的各个低危风险规则子集和中危风控规则子集分别对应的指定风险指标、以及指定风险指标与授信额度之间的反比关系,确定各个低危风险规则子集和中危风控规则子集分别对应的授信额度。
图7示出了根据本说明书实施例的用于生成风控规则集的装置(以下称为风控规则集生成装置700)的另一个示例的方框图。
如图7所示,风控规则集生成装置700包括:风险值计算单元510、第一风控规则分类单元520、第二风控规则分类单元530、授信额度确定单元540以及风控规则分档单元560。
风险值计算单元510、第一风控规则分类单元520以及第二风控规则分类单元530可以参照图5中的操作说明。
风控规则分档单元560,可以被配置为根据中低危风险规则集中的各个中低危风险规则的综合风险值对各个中低危风险规则进行分档,以得到不同档位的中低危风险规则子集。
授信额度确定单元540,还可以被配置为根据各个中低危风险规则子集对应的指定风险指标以及指定风险指标与授信额度之间的反比关系确定各个中低危风险规则子集对应的授信额度。
在一个示例中,指定风险指标包括提升度。授信额度确定单元540还可以被配置为:利用数据样本确定各个中低危风险规则子集对应的提升度;以及根据各个中低危风险规则子集对应的提升度以及提升度与授信额度之间的反比关系,确定各个中低危风险规则子集对应的授信额度。
在一个示例中,指定风险指标包括综合风险值。授信额度确定单元540还可以被配置为:针对各个中低危风险规则子集,根据该中低危风险规则子集中的各个中低危风险规则对应的综合风险值计算该中低危风险规则子集对应的规则集综合风险值;以及根据各个中低危风险规则子集对应的规则集综合风险值以及综合风险值与授信额度之间的反比关系,确定各个中低危风险规则子集对应的授信额度。
以上参照图1到图7,对根据本说明书实施例的用于生成风控规则集的方法及装置的实施例进行了描述。
本说明书实施例的用于生成风控规则集的装置可以采用硬件实现,也可以采用软件或者硬件和软件的组合来实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在设备的处理器将存储器中对应的计算机程序指令读取到内存中运行形成的。在本说明书实施例中,用于生成风控规则集的装置例如可以利用电子设备实现。
图8示出了本说明书实施例的用于实现风控规则集生成方法的电子设备800的方框图。
如图8所示,电子设备800可以包括至少一个处理器810、存储器(例如,非易失性存储器)820、内存830和通信接口840,并且至少一个处理器810、存储器820、内存830和通信接口840经由总线850连接在一起。至少一个处理器810执行在存储器中存储或编码的至少一个计算机可读指令(即,上述以软件形式实现的元素)。
在一个实施例中,在存储器中存储计算机可执行指令,其当执行时使得至少一个处理器810:根据各个风险类型的权重计算各个风控规则针对各个风险类型的综合风险值,;将综合风险值大于第一风险阈值的风控规则归入高危风险规则集;将综合风险值不大于第一风险阈值的风控规则归入中低危风险规则集;以及根据中低危风险规则集的指定风险指标以及指定风险指标与授信额度之间的反比关系确定中低危风险规则集对应的授信额度。
应该理解,在存储器中存储的计算机可执行指令当执行时使得至少一个处理器810进行本说明书的各个实施例中以上结合图1-7描述的各种操作和功能。
根据一个实施例,提供了一种例如机器可读介质的程序产品。机器可读介质可以具有指令(即,上述以软件形式实现的元素),该指令当被机器执行时,使得机器执行本说明书的各个实施例中以上结合图1-7描述的各种操作和功能。
具体地,可以提供配有可读存储介质的系统或者装置,在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。
在这种情况下,从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此机器可读代码和存储机器可读代码的可读存储介质构成了本发明的一部分。
本说明书各部分操作所需的计算机程序代码可以用任意一种或多种程序语言编写,包括面向对象编程语言,如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB、NET以及Python等,常规程序化编程语言如C语言、Visual Basic 2003、Perl、COBOL 2002、PHP以及ABAP,动态编程语言如Python、Ruby和Groovy,或者其他编程语言等。该程序编码可以在用户计算机上运行,或者作为独立的软件包在用户计算机上运行,或者部分在用户计算机上运行另一部分在远程计算机运行,或者全部在远程计算机或服务器上运行。在后一种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或者在云计算环境中,或者作为服务使用,比如软件即服务(SaaS)。
可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD-RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上或云上下载程序代码。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
上述各流程和各系统结构图中不是所有的步骤和单元都是必须的,可以根据实际的需要忽略某些步骤或单元。各步骤的执行顺序不是固定的,可以根据需要进行确定。上述各实施例中描述的装置结构可以是物理结构,也可以是逻辑结构,即,有些单元可能由同一物理实体实现,或者,有些单元可能分由多个物理实体实现,或者,可以由多个独立设备中的某些部件共同实现。
在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”,并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的,具体实施方式包括具体细节。然而,可以在没有这些具体细节的情况下实施这些技术。在一些实例中,为了避免对所描述的实施例的概念造成难以理解,公知的结构和装置以框图形式示出。
以上结合附图详细描述了本说明书的实施例的可选实施方式,但是,本说明书的实施例并不限于上述实施方式中的具体细节,在本说明书的实施例的技术构思范围内,可以对本说明书的实施例的技术方案进行多种简单变型,这些简单变型均属于本说明书的实施例的保护范围。
本说明书内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本说明书内容。对于本领域普通技术人员来说,对本说明书内容进行的各种修改是显而易见的,并且,也可以在不脱离本说明书内容的保护范围的情况下,将本文所定义的一般性原理应用于其它变型。因此,本说明书内容并不限于本文所描述的示例和设计,而是与符合本文公开的原理和新颖性特征的最广范围相一致。
Claims (13)
1.一种用于生成风控规则集的方法,包括:
根据各个风险类型的权重计算各个风控规则针对所述各个风险类型的综合风险值,其中,每个风控规则用于至少一种风险类型;
将综合风险值大于第一风险阈值的风控规则归入高危风险规则集,所述高危风险规则集用于拦截具有高危风险的客群;
将综合风险值不大于所述第一风险阈值的风控规则归入中低危风险规则集;以及
根据所述中低危风险规则集的指定风险指标以及所述指定风险指标与授信额度之间的反比关系确定所述中低危风险规则集对应的授信额度,其中,所述指定风险指标包括综合风险值和/或提升度。
2.如权利要求1所述的方法,还包括:
根据所述各个风控规则对应的提升度将所述各个风控规则分成中高危风控规则和低危风控规则;
将综合风险值大于第一风险阈值的风控规则归入高危风险规则集包括:
将所述中高危风控规则中综合风险值大于第一风险阈值的风控规则归入高危风险规则集;
将综合风险值不大于所述第一风险阈值的风控规则归入中低危风险规则集包括:
从所述中高危风控规则中筛选出综合风险值不大于所述第一风险阈值的中危风控规则;以及
将所筛选出的中危风控规则与所述低危风控规则归入中低危风险规则集。
3.如权利要求2所述的方法,还包括:
根据各个低危风险规则的综合风险值对所述各个低危风险规则进行分档,以得到不同档位的低危风险规则子集;
将所筛选出的中危风控规则与所述低危风控规则归入中低危风险规则集包括:
将所得到的各个低危风险规则子集以及由所述中危风控规则所构成的中危风控规则子集合并为中低危风险规则集;以及
根据所述中低危风险规则集的指定风险指标以及所述指定风险指标与授信额度之间的反比关系确定所述中低危风险规则集对应的授信额度包括:
根据所述中低危风险规则集中的所述各个低危风险规则子集和所述中危风控规则子集分别对应的指定风险指标、以及所述指定风险指标与授信额度之间的反比关系,确定所述各个低危风险规则子集和所述中危风控规则子集分别对应的授信额度。
4.如权利要求1所述的方法,还包括:
根据所述中低危风险规则集中的各个中低危风险规则的综合风险值对所述各个中低危风险规则进行分档,以得到不同档位的中低危风险规则子集;以及
根据所述中低危风险规则集的指定风险指标以及所述指定风险指标与授信额度之间的反比关系确定所述中低危风险规则集对应的授信额度包括:
根据各个中低危风险规则子集对应的指定风险指标以及所述指定风险指标与授信额度之间的反比关系确定所述各个中低危风险规则子集对应的授信额度。
5.如权利要求4所述的方法,其中,所示指定风险指标包括提升度,
根据各个中低危风险规则子集对应的指定风险指标以及所述指定风险指标与授信额度之间的反比关系确定所述各个中低危风险规则子集对应的授信额度包括:
利用数据样本确定所述各个中低危风险规则子集对应的提升度;以及
根据所述各个中低危风险规则子集对应的提升度以及提升度与授信额度之间的反比关系,确定所述各个中低危风险规则子集对应的授信额度。
6.如权利要求4所述的方法,其中,所示指定风险指标包括综合风险值,
根据各个中低危风险规则子集对应的指定风险指标以及所述指定风险指标与授信额度之间的反比关系确定所述各个中低危风险规则子集对应的授信额度包括:
针对所述各个中低危风险规则子集,根据该中低危风险规则子集中的各个中低危风险规则对应的综合风险值计算该中低危风险规则子集对应的规则集综合风险值;以及
根据所述各个中低危风险规则子集对应的规则集综合风险值以及综合风险值与授信额度之间的反比关系,确定所述各个中低危风险规则子集对应的授信额度。
7.如权利要求1所述的方法,其中,所述各个风险类型的权重根据以下因素中的至少一个所确定:发生的频率、所造成的危害程度和损失金额。
8.一种用于生成风控规则集的装置,包括:
风险值计算单元,被配置为根据各个风险类型的权重计算各个风控规则针对所述各个风险类型的综合风险值,其中,每个风控规则用于至少一种风险类型;
第一风控规则分类单元,被配置为将综合风险值大于第一风险阈值的风控规则归入高危风险规则集,所述高危风险规则集用于拦截具有高危风险的客群;
第二风控规则分类单元,被配置为将综合风险值不大于所述第一风险阈值的风控规则归入中低危风险规则集;以及
授信额度确定单元,被配置为根据所述中低危风险规则集的指定风险指标以及所述指定风险指标与授信额度之间的反比关系确定所述中低危风险规则集对应的授信额度,其中,所述指定风险指标包括综合风险值和/或提升度。
9.如权利要求8所述的装置,还包括第三风控规则分类单元,
所述第三风控规则分类单元,被配置为根据所述各个风控规则对应的提升度将所述各个风控规则分成中高危风控规则和低危风控规则;
所述第一风控规则分类单元,还被配置为将所述中高危风控规则中综合风险值大于第一风险阈值的风控规则归入高危风险规则集;
所述第二风控规则分类单元,还被配置为从所述中高危风控规则中筛选出综合风险值不大于所述第一风险阈值的中危风控规则;以及将所筛选出的中危风控规则与所述低危风控规则归入中低危风险规则集。
10.如权利要求8所述的装置,还包括风险规则分档单元,
所述风险规则分档单元,被配置为根据所述中低危风险规则集中的各个中低危风险规则的综合风险值对所述各个中低危风险规则进行分档,以得到不同档位的中低危风险规则子集;
所述授信额度确定单元,还被配置为根据各个中低危风险规则子集对应的指定风险指标以及所述指定风险指标与授信额度之间的反比关系确定所述各个中低危风险规则子集对应的授信额度。
11.一种电子设备,包括:至少一个处理器,与所述至少一个处理器耦合的存储器,以及存储在所述存储器上的计算机程序,所述至少一个处理器执行所述计算机程序来实现如权利要求1-7中任一所述的方法。
12.一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。
13.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211114730.5A CN115482084A (zh) | 2022-09-14 | 2022-09-14 | 用于生成风控规则集的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211114730.5A CN115482084A (zh) | 2022-09-14 | 2022-09-14 | 用于生成风控规则集的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115482084A true CN115482084A (zh) | 2022-12-16 |
Family
ID=84424259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211114730.5A Pending CN115482084A (zh) | 2022-09-14 | 2022-09-14 | 用于生成风控规则集的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115482084A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078403A (zh) * | 2023-10-18 | 2023-11-17 | 杭银消费金融股份有限公司 | 一种基于规则组合优化的风控决策方法与系统 |
-
2022
- 2022-09-14 CN CN202211114730.5A patent/CN115482084A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078403A (zh) * | 2023-10-18 | 2023-11-17 | 杭银消费金融股份有限公司 | 一种基于规则组合优化的风控决策方法与系统 |
CN117078403B (zh) * | 2023-10-18 | 2024-01-12 | 杭银消费金融股份有限公司 | 一种基于规则组合优化的风控决策方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11410187B2 (en) | Feature drift hardened online application origination (OAO) service for fraud prevention systems | |
US20220094709A1 (en) | Automatic Machine Learning Vulnerability Identification and Retraining | |
CN111127178A (zh) | 数据处理方法与装置、存储介质、电子设备 | |
CN111325550A (zh) | 一种欺诈交易行为识别方法和装置 | |
EP3726441A1 (en) | Company bankruptcy prediction system and operating method therefor | |
US12020257B2 (en) | Generating a fraud prediction utilizing a fraud-prediction machine-learning model | |
US20220405261A1 (en) | System and method to evaluate data condition for data analytics | |
US20240154975A1 (en) | Systems and methods for accelerating a disposition of digital dispute events in a machine learning-based digital threat mitigation platform | |
CN115482084A (zh) | 用于生成风控规则集的方法及装置 | |
CN113472860A (zh) | 大数据和数字化环境下的业务资源分配方法及服务器 | |
CN110363534B (zh) | 用于识别异常交易的方法及装置 | |
CN110472680B (zh) | 目标分类方法、装置和计算机可读存储介质 | |
Xiao et al. | Explainable fraud detection for few labeled time series data | |
Sapozhnikova et al. | Distributed infrastructure for big data processing in the transaction monitoring systems | |
US20230281629A1 (en) | Utilizing a check-return prediction machine-learning model to intelligently generate check-return predictions for network transactions | |
WO2024013939A1 (ja) | 機械学習プログラム、機械学習方法、および情報処理装置 | |
US20220207409A1 (en) | Timeline reshaping and rescoring | |
CN117575595A (zh) | 支付风险识别方法、装置、计算机设备及存储介质 | |
Chen et al. | Research and Implementation of Bank Credit Card Fraud Detection System Based on Reinforcement Learning and LSTM | |
Alamsyah et al. | A stacking ensemble model with SMOTE for improved imbalanced classification on credit data | |
Lin et al. | Credit Card Default Prediction: A Comparative Study Of Machine Learning Models Based On Accuracy, Sensitivity, And Specificity | |
Vaquero | LITERATURE REVIEW OF CREDIT CARD FRAUD DETECTION WITH MACHINE LEARNING | |
Kumar et al. | Tax Management in the Digital Age: A TAB Algorithm-based Approach to Accurate Tax Prediction and Planning | |
Sapozhnikova et al. | Processing of big data in the transaction monitoring systems | |
CN115600092A (zh) | 用于生成规则集的方法及装置 |
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 |