CN115660822A - 用于金融业务的风控策略处理方法以及装置、电子设备、存储介质 - Google Patents

Abstract

本申请公开了一种用于金融业务的风控策略处理方法以及装置、电子设备、存储介质。该方法包括采集目标用户的特征数据，并根据预设特征维度建立数据集，其中所述数据集包括不同预设特征维度对应的权重参数，所述预设特征维度是基于金融业务将所述特征数据预先划分得到的业务风险维度，所述权重参数包括根据先验规则确定的与所述预设特征维度对应的权重系数；根据策略集以及所述数据集之间的关系，迭代得到目标风控策略。本申请解决了风控策略缺乏灵活性，无法进行策略组合，进一步无法得到最佳的风控策略组合结果的技术问题。通过本申请可用于优化用于金融业务的风控策略。

Description

用于金融业务的风控策略处理方法以及装置、电子设备、存储 介质

技术领域

本申请涉及数据处理、金融领域，具体而言，涉及一种用于金融业务的风控策略处理方法以及装置、电子设备、存储介质。

背景技术

开展金融业务时，需要对应的风险控制策略。

以汽车消费贷款为例，汽车消费贷款作为质量仅次于住房按揭贷款的优质资产，汽车消费分期做为汽车金融的重要组成部分，在为购车分期客户提供金融服务的过程中，如何筛选目标客群，平衡金融资产质量与风险，金融机构往往会制定相关的策略。

针对相关技术中风控策略缺乏灵活性，无法进行策略组合，进一步无法得到最佳的风控策略组合结果的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种用于金融业务的风控策略处理方法以及装置、电子设备、存储介质，以解决风控策略缺乏灵活性，无法进行策略组合，进一步无法得到最佳的风控策略组合结果的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种用于金融业务的风控策略处理方法。

根据本申请的用于金融业务的风控策略处理方法包括：

采集目标用户的特征数据，并根据预设特征维度建立数据集，其中所述数据集包括不同预设特征维度对应的权重参数，所述预设特征维度是基于金融业务将所述特征数据预先划分得到的业务风险维度，所述权重参数包括根据先验规则确定的与所述预设特征维度对应的权重系数；

根据策略集以及所述数据集之间的关系，迭代得到目标风控策略。

进一步地，所述不同预设特征维度包括：预设特征维度的重要性排序平均值、预设特征维度的业务可解释性系数，

其中，所述业务可解释性系数根据所述重要性排序均值计算得到，

所述重要性排序平均值是基于线性赋值法给出的多因素分析阶段的权重。

进一步地，所述采集目标用户的特征数据，并根据预设特征维度建立数据集包括：

在确定能获取到的特征数据范围后，建立预设指标清单；

依据多名专家经验作为先验规则将所述特征数据划分得到业务风险维度，并依照所述业务风险维度风险影响程度确定权重参数。

进一步地，所述目标用户的特征数据至少包括如下之一：目标用户在办理金融业务时自身填写的业务信息、目标用户在办理金融业务时金融机构查询的第三方大数据信息、目标用户在办理金融业务时接入征信的信贷记录信息或公共事业信息。

进一步地，所述策略集包括：

基于金融业务授信额度确定风险识别能力及业务可解释性，

使用有监督的机器学习算法进行策略规则的训练，并通过预测目标用户的违约概率进行风险识别，建立具有风险识别能力的策略集合，其中，所述策略集合包括有明显风险区分度的策略、基于行业专家经验认为制定的专家经验策略集、历史业务开展过程中运行过的策略。

进一步地，根据策略集以及所述数据集之间的关系，迭代得到目标风控策略，包括：

根据预设指标，对所述策略集合进行迭代至收敛，确定最优策略集组合，

其中所述预设指标至少包括如下之一：风险识别能力指标、业务可解释性系数、策略稳定性指标。

进一步地，根据策略集以及所述数据集之间的关系，迭代得到目标风控策略，还包括：

将所述最优策略集组合进行排序，并评估所述最优策略集组合中全局效果。

为了实现上述目的，根据本申请的另一方面，提供了一种用于金融业务的风控策略处理装置。

根据本申请的用于金融业务的风控策略处理装置包括：

数据集建立模块，用于采集目标用户的特征数据，并根据预设特征维度建立数据集，其中所述数据集包括不同预设特征维度对应的权重参数，所述预设特征维度是基于金融业务将所述特征数据预先划分得到的业务风险维度，所述权重参数包括根据先验规则确定的与所述预设特征维度对应的权重系数；

迭代模块，用于根据策略集以及所述数据集之间的关系，迭代得到目标风控策略。

根据本申请的再一个方面，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

根据本申请的又一个方面，还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

在本申请实施例中用于金融业务的风控策略处理方法以及装置、电子设备、存储介质，采用采集目标用户的特征数据，并根据预设特征维度建立数据集的方式，通过根据策略集以及所述数据集之间的关系，迭代得到目标风控策略，达到灵活组合风控策略的目的，从而实现了跳出单条策略的局部最优，通过累计风险识别能力、单条策略的风险识别的能力边际效应得到全局最优解的技术效果，进而解决了风控策略缺乏灵活性，无法进行策略组合，进一步无法得到最佳的风控策略组合结果的技术问题。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的用于金融业务的风控策略处理方法流程示意图；

图2是根据本申请实施例的用于金融业务的风控策略处理装置结构示意图；

图3是根据本申请实施例的用于金融业务的风控策略处理方法的实现原理示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。

并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。

此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

发明人研究时发现，业内现有技术一般聚焦于单策略的局部最优的效果，凡是有效的单条策略均被选中投入生产，造成以下问题：

未对策略整体做效果评估、策略冗余，新增策略边际效益低下。即风控策略无法组合并评价风险。

对原有策略进行优化迭代、重新组合缺乏评估体系，缺少对原始数据挖掘。

专家经验规则与量化规则做不到有效融合，特征业务解释性不明确。

故，在进行量化分析，策略制定的过程中，需要有一套科学的方法作为支撑，用以从一揽子策略集中挑选出效果最优的策略组合，该套方法用于策略组合制定、迭代、优化，提升量化风控的效果及精度。

针对上述问题，本申请的实施例中的用于金融业务的风控策略处理方法，结合量化策略与专家策略，打破单条策略的局部最优限制从全局视角挑选最优的策略组合，通过设定逐步增加全局最优策略，设定全局影响指标根据其边际效应确定最优策略组合。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

如图1所示，本申请实施例中的用于金融业务的风控策略处理方法，包括如下的步骤S110至步骤S120：

步骤S110，采集目标用户的特征数据，并根据预设特征维度建立数据集，其中所述数据集包括不同预设特征维度对应的权重参数，所述预设特征维度是基于金融业务将所述特征数据预先划分得到的业务风险维度，所述权重参数包括根据先验规则确定的与所述预设特征维度对应的权重系数。

在建立风险策略时，需要采集目标用户的特征数据。这些目标用户包括但不限于参与所述金融业务的用户。在采集得到所述目标用户的特征数据之后，根据预设特征维度建立数据集。

进一步地，数据集包括不同预设特征维度对应的权重参数，也就是说在所述数据集中包含了不同的预设特征维度对应的权重参数，这些权重参数会在之后与策略集进行关联。

需要注意的是，所述预设特征维度是基于金融业务将所述特征数据预先划分得到的业务风险维度，可以根据场景、专家经验进行划分。

此外，所述权重参数包括根据先验规则确定的与所述预设特征维度对应的权重系数。比如根据先验规则确定的与所述预设特征维度对应的权重系数会按照不同的预设特征维度进行优先级的排序。

步骤S120，根据策略集以及所述数据集之间的关系，迭代得到目标风控策略。

根据所述策略集以及所述数据集之间的关系，通过对数据集之间的数据进行数据迭代，可以得到最优的目标风控策略。

从以上的描述中，可以看出，本申请实现了如下技术效果：

采用采集目标用户的特征数据，并根据预设特征维度建立数据集的方式，通过根据策略集以及所述数据集之间的关系，迭代得到目标风控策略，达到灵活组合风控策略的目的，从而实现了跳出单条策略的局部最优，通过累计风险识别能力、单条策略的风险识别的能力边际效应得到全局最优解的技术效果，进而解决了风控策略缺乏灵活性，无法进行策略组合，进一步无法得到最佳的风控策略组合结果的技术问题。

作为本实施例中的优选，所述不同预设特征维度包括：预设特征维度的重要性排序平均值、预设特征维度的业务可解释性系数，其中，所述业务可解释性系数根据所述重要性排序均值计算得到，所述重要性排序平均值是基于线性赋值法给出的多因素分析阶段的权重。

具体实施时，预设特征维度的重要性排序平均值、预设特征维度的业务可解释性系数作为所述不同的预设特征维度。

需要注意的是，重要性排序法采用线性赋值法给出多因素分析阶段的权重。线性赋值法假设了相邻重要性之间的权重差异是一致的，通过计算行业风险指标的重要性排序的平均值，综合了各位专家对行业风险指标重要性判断，并通过线性赋值给出了行业风险指标的权重。

示例性地，基于重要性排序均值，通过区间缩放法，计算出业务可解释性系数。

业务可解释性系数＝(max(重要性排序均值)-重要性排序均值/max(重要性排序均值)-min(重要性排序均值))*0.5+0.5。

比如：

作为本实施例中的优选，所述采集目标用户的特征数据，并根据预设特征维度建立数据集包括：在确定能获取到的特征数据范围后，建立预设指标清单；依据多名专家经验作为先验规则将所述特征数据划分得到业务风险维度，并依照所述业务风险维度风险影响程度确定权重参数。

具体实施时，在确定能获取到的数据范围后，建立指标清单，依据多名专家经验将特征划分为风险维度，并依照其风险影响程度确定权重。

如表1所示，险指标的重要性排序法也作为专家判断模型提供专家权重的方案之一。重要性排序法对于信贷专家而言更为简单直观。采用重要性排序法，专家需要将认为最重要的指标序号为“1”，其次重要的指标序号为“2”，依次类推。

表1

作为本实施例中的优选，所述目标用户的特征数据至少包括如下之一：目标用户在办理金融业务时自身填写的业务信息、目标用户在办理金融业务时金融机构查询的第三方大数据信息、目标用户在办理金融业务时接入征信的信贷记录信息或公共事业信息。

具体实施时，以汽车分期数据为例，汽车分期数据主要来源于三个方面。一是客户在申请分期贷款的过程中填写的申请信息，主要包括：个人身份信息、职业居住信息、收入负债信息等；二是在贷前环节金融机构查询的第三方大数据信息，主要包括：反欺诈、信用评估、涉法失信、手机运营商信息等；三是人行征信信息，当前为第二代人行征信，包括客户在接入人行征信的金融机构的信贷记录或公共事业信息。

作为本实施例中的优选，所述策略集包括：基于金融业务授信额度确定风险识别能力及业务可解释性，使用有监督的机器学习算法进行策略规则的训练，并通过预测目标用户的违约概率进行风险识别，建立具有风险识别能力的策略集合，其中，所述策略集合包括有明显风险区分度的策略、基于行业专家经验认为制定的专家经验策略集、历史业务开展过程中运行过的策略。

具体实施时，基于金融业务授信额度确定风险识别能力及业务可解释性，使用有监督的机器学习算法进行策略规则的训练，并通过预测目标用户的违约概率进行风险识别，建立具有风险识别能力的策略集合。通常而言用于实际业务中的策略来源一般分为三类：一是基于大数据量化分析或建模，在数据层面有明显风险区分度的策略集合，二是基于行业专家经验认为制定的专家经验策略集；三是历史业务开展过程中运行过的策略。

以汽车分期业务为例，汽车消费分期的授信额度一般在10万以上，在策略开发的过程中需要兼具风险识别能力及业务可解释性。业内一般使用逻辑回归、决策树、随机森林等算法进行策略规则的开发，通过预测客户的违约概率进行风险识别，获取一揽子有风险识别能力的策略集合。

作为本实施例中的优选，根据策略集以及所述数据集之间的关系，迭代得到目标风控策略，包括：根据预设指标，对所述策略集合进行迭代至收敛，确定最优策略集组合，其中所述预设指标至少包括如下之一：风险识别能力指标、业务可解释性系数、策略稳定性指标。

如图3所示，具体实施时，通过将三个来源(风险识别能力指标、业务可解释性系数、策略稳定性指标)的策略组合后形成了全量的策略集合，或具有风险识别能力，或有较强的业务解释性，接下来根据三个指标来对上述策略集合进行迭代，以寻找最优策略组合。

风险识别能力指标：在信贷风控中评估单条策略有效性时常用的指标为lift提升度，即命中规则的坏样本率比整体坏样本率的倍数，一般会认为lift>3的策略为比较有效的策略。

业务可解释性系数：通过之前确定的单特征的业务可解释性系数，单条策略可能用到多个特征，策略的业务可解释性系数为各特征的可解释性系数的累加之和。

策略稳定性指标：单条策略在具有风险识别以及业务解释的同时，要保证在业务应用中又良好的稳定性，以避免偶发性带来偏差。稳定性指标以策略命中率及命中数量共同决定。通过时间一致性挑选出稳定的策略集。

进一步地，作为策略效果评估指标：使用lift*业务解释性系数来综合评估。

Step1：策略稳定性校验。设定策略命中的稳定性指标，例如命中数量>100，且命中率>0.5％，筛选出稳定的策略集合；

Step2：根据策略效果评估指标排序，选出top1的最优策略，

Step3：将最优策略命中的数据集在剩余样本中提出，已选的最优策略加入最优策略集并从策略集中剔除；

Step4：剩余的样本集和剩余的策略集，重复上述步骤进行迭代；

Step4：设定策略效果评估指标的阈值，如效果低于6.0则停止迭代，得到最终的最优策略集组合。

上述方法，通过累计风险识别能力、单条策略的风险识别的能力边际效应得到全局最优解。

本申请的实施例中设定了单条策略的风险识别能力指标，并兼顾业务解释与策略效果稳定性，保证了单条策略的有效性。

本申请的实施例中采用逐步单条最优筛选策略的方法挑选出有效的策略组合，再使用计风险识别能力、单条策略的风险识别的能力边际效应评估全局最优。

本申请的实施例中对历史策略的迭代提供了方法，用决绝推断的方式避免了数据陷阱。

需要注意的是，上述综合评估的方式仅为举例，并不用于限定本申请的保护范围。

作为本实施例中的优选，根据策略集以及所述数据集之间的关系，迭代得到目标风控策略，还包括：将所述最优策略集组合进行排序，并评估所述最优策略集组合中全局效果。

具体实施时，将最优策略及按选入顺序进行排序，逐一跑批数据集并将已命中的数据剔除，得到策略的累计命中效果分析结果，结合风控目标进行cutoff确定，比如，风控目标是拒绝不超过5％的客群，拒绝客群的风险提升度lift>6，根据结果计算出累计命中率和累计lift进行拒绝策略的切分，同理可切分出需要转人工或警告的策略组合。

需要注意的是，上述筛选排列的方式仅为举例，并不用于限定本申请的保护范围。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

根据本申请实施例，还提供了一种用于实施上述方法的用于金融业务的风控策略处理装置，如图2所示，该装置包括：

数据集建立模块210，用于采集目标用户的特征数据，并根据预设特征维度建立数据集，其中所述数据集包括不同预设特征维度对应的权重参数，所述预设特征维度是基于金融业务将所述特征数据预先划分得到的业务风险维度，所述权重参数包括根据先验规则确定的与所述预设特征维度对应的权重系数；

迭代模块220，用于根据策略集以及所述数据集之间的关系，迭代得到目标风控策略。

本申请实施例中的所述数据集建立模块210中在建立风险策略时，需要采集目标用户的特征数据。这些目标用户包括但不限于参与所述金融业务的用户。在采集得到所述目标用户的特征数据之后，根据预设特征维度建立数据集。

进一步地，数据集包括不同预设特征维度对应的权重参数，也就是说在所述数据集中包含了不同的预设特征维度对应的权重参数，这些权重参数会在之后与策略集进行关联。

需要注意的是，所述预设特征维度是基于金融业务将所述特征数据预先划分得到的业务风险维度，可以根据场景、专家经验进行划分。

此外，所述权重参数包括根据先验规则确定的与所述预设特征维度对应的权重系数。比如根据先验规则确定的与所述预设特征维度对应的权重系数会按照不同的预设特征维度进行优先级的排序。

本申请实施例中的所述迭代模块220中根据所述策略集以及所述数据集之间的关系，通过对数据集之间的数据进行数据迭代，可以得到最优的目标风控策略。

显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。

本申请的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：

S1，采集目标用户的特征数据，并根据预设特征维度建立数据集，其中所述数据集包括不同预设特征维度对应的权重参数，所述预设特征维度是基于金融业务将所述特征数据预先划分得到的业务风险维度，所述权重参数包括根据先验规则确定的与所述预设特征维度对应的权重系数；

S2，根据策略集以及所述数据集之间的关系，迭代得到目标风控策略。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

本申请的实施例还提供了一种电子设备，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S1，采集目标用户的特征数据，并根据预设特征维度建立数据集，其中所述数据集包括不同预设特征维度对应的权重参数，所述预设特征维度是基于金融业务将所述特征数据预先划分得到的业务风险维度，所述权重参数包括根据先验规则确定的与所述预设特征维度对应的权重系数；

S2，根据策略集以及所述数据集之间的关系，迭代得到目标风控策略。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种用于金融业务的风控策略处理方法，其特征在于，包括：

采集目标用户的特征数据，并根据预设特征维度建立数据集，其中所述数据集包括不同预设特征维度对应的权重参数，所述预设特征维度是基于金融业务将所述特征数据预先划分得到的业务风险维度，所述权重参数包括根据先验规则确定的与所述预设特征维度对应的权重系数；

根据策略集以及所述数据集之间的关系，迭代得到目标风控策略。

2.据权利要求1所述的方法，其特征在于，所述不同预设特征维度包括：预设特征维度的重要性排序平均值、预设特征维度的业务可解释性系数，

其中，所述业务可解释性系数根据所述重要性排序均值计算得到，

所述重要性排序平均值是基于线性赋值法给出的多因素分析阶段的权重。

3.据权利要求2所述的方法，其特征在于，所述采集目标用户的特征数据，并根据预设特征维度建立数据集包括：

在确定能获取到的特征数据范围后，建立预设指标清单；

依据多名专家经验作为先验规则将所述特征数据划分得到业务风险维度，并依照所述业务风险维度风险影响程度确定权重参数。

4.据权利要求2所述的方法，其特征在于，所述目标用户的特征数据至少包括如下之一：目标用户在办理金融业务时自身填写的业务信息、目标用户在办理金融业务时金融机构查询的第三方大数据信息、目标用户在办理金融业务时接入征信的信贷记录信息或公共事业信息。

5.据权利要求1所述的方法，其特征在于，所述策略集包括：

基于金融业务授信额度确定风险识别能力及业务可解释性，

使用有监督的机器学习算法进行策略规则的训练，并通过预测目标用户的违约概率进行风险识别，建立具有风险识别能力的策略集合，其中，所述策略集合包括有明显风险区分度的策略、基于行业专家经验认为制定的专家经验策略集、历史业务开展过程中运行过的策略。

6.据权利要求5所述的方法，其特征在于，根据策略集以及所述数据集之间的关系，迭代得到目标风控策略，包括：

根据预设指标，对所述策略集合进行迭代至收敛，确定最优策略集组合，

其中所述预设指标至少包括如下之一：风险识别能力指标、业务可解释性系数、策略稳定性指标。

7.据权利要求6所述的方法，其特征在于，根据策略集以及所述数据集之间的关系，迭代得到目标风控策略，还包括：

将所述最优策略集组合进行排序，并评估所述最优策略集组合中全局效果。

8.一种用于金融业务的风控策略处理装置，其特征在于，所述装置包括：

数据集建立模块，用于采集目标用户的特征数据，并根据预设特征维度建立数据集，其中所述数据集包括不同预设特征维度对应的权重参数，所述预设特征维度是基于金融业务将所述特征数据预先划分得到的业务风险维度，所述权重参数包括根据先验规则确定的与所述预设特征维度对应的权重系数；

迭代模块，用于根据策略集以及所述数据集之间的关系，迭代得到目标风控策略。

9.一种电子设备，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述权利要求1～7之任一所述方法。

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一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行所述权利要求1～7之任一所述方法。

Images