CN115689770A - 一种资产托管风控模型的构建方法、风险评估方法及装置 - Google Patents

Abstract

本发明涉及数据处理技术领域，尤其涉及一种资产托管风控模型的构建方法、风险评估方法及装置。包括，获取多个用户资产数据，对资产数据进行预处理，将预处理后的资产数据划分到训练数据集和优化数据集中；根据训练数据集的数据属性和数据规模构建初始风控模型；采用控制变量法，利用训练数据集对初始风控模型进行迭代训练，得到目标风控模型；采用交叉验证法，利用训练数据集和优化数据集对目标风控模型进行优化，以便于利用优化后的目标风控模型计算目标用户的资产数据的资产托管风险。通过本文的方法，实现了在进行资产托管清算之前，对投资经理的交易指令做出风险评估，能够及时有效地进行风控结果的反馈，提高资产托管的风控管理水平。

Description

一种资产托管风控模型的构建方法、风险评估方法及装置

技术领域

本发明涉及数据处理技术领域，尤其涉及一种资产托管风控模型的构建方法、风险评估方法及装置。

背景技术

本部分旨在为权利要求书中陈述的本发明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。

资产托管行业是现代金融体系的重要组成部分，对金融体系稳定运行、资产管理行业稳健发展、商业银行转型发展具有重要意义，而风控管理是资产托管中的一项重要的增值服务，受到越来越多管理人的重视，现有的资产托管系统风控管理对未知风险难以预测，且过度依赖业务人员，难以及时发现问题。

现在亟需一种资产托管风控模型的构建方法以及风险评估方法，从而解决现有的资产托管系统风控管理对未知风险难以预测的问题。

发明内容

为解决现有技术中存在的问题，本发明实施例提供了一种资产托管风控模型的构建方法、风险评估方法及装置，实现了在进行资产托管清算之前，对投资经理的交易指令做出风险评估，能够及时有效地进行风控结果的反馈，提高资产托管的风控管理水平，解决了现有的资产托管系统风控管理对未知风险难以预测的问题。

为了解决上述技术问题，本发明的具体技术方案如下：

一方面，本发明实施例提供一种资产托管风控模型的构建方法，该方法包括：

获取多个用户资产数据，对所述资产数据进行预处理，将预处理后的所述资产数据划分到训练数据集和优化数据集中；

根据所述训练数据集的数据属性和数据规模构建初始风控模型；

采用控制变量法，利用所述训练数据集对所述初始风控模型进行迭代训练，得到目标风控模型；

采用交叉验证法，利用所述训练数据集和所述优化数据集对所述目标风控模型进行优化，以便于利用优化后的所述目标风控模型计算目标用户的资产数据的资产托管风险。

进一步地，采用控制变量法，利用所述训练数据集对所述初始风控模型进行迭代训练，得到目标风控模型进一步包括，

按照预定比例，将所述训练数据集分为测试数据集和验证数据集；

利用所述测试数据集对所述初始风控模型进行训练，得到次级风控模型；

利用所述验证数据集对所述次级风控模型的模型效果进行验证；

基于验证的结果判断所述次级风控模型的准确率是否满足要求；

若否，则利用控制变量法调整所述次级风控模型的模型参数，再次执行利用所述测试数据集对所述次级风控模型进行训练的步骤；

若是，则将所述次级风控模型作为所述目标风控模型。

进一步地，采用交叉验证法，利用所述训练数据集和重新获取到的优化数据集对所述目标风控模型进行优化进一步包括，

设定模型评估指标；

采用交叉验证法，利用所述训练数据集和所述优化数据集计算所述目标风控模型的模型评估指标对应的评估结果；

根据所述评估结果判断所述目标风控模型的拟合程度是否符合要求；

若不符合要求，则调整所述训练数据集的数据特征，重新执行采用控制变量法，利用调整数据特征后的所述训练数据集对所述初始风控模型进行迭代训练的步骤，直至所述拟合程度符合要求。

进一步地，根据所述评估结果判断所述目标风控模型的拟合程度是否符合要求进一步包括，

根据预定的第一阈值和所述拟合程度确定所述目标风控模型是否过拟合，以及根据预定的第二阈值和所述拟合程度确定所述目标风控模型是否欠拟合；

若不符合要求，则调整所述训练数据集的数据特征进一步包括，

若所述目标风控模型过拟合，则扩大所述测试数据集的数据量或减少所述训练数据集的数据特征；

若所述目标风控模型欠拟合，则增加所述训练数据集的数据特征。

进一步地，所述方法还包括，

设定模型更新条件，所述模型更新条件包括资产数据的数据量大小和更新时间；

根据所述模型更新条件判断所述目标风控模型是否需要更新，若是，则重新获取多个用户资产数据对所述目标风控模型更新训练。

另一方面，本发明实施例还提供了一种资产托管风控模型的构建装置，包括：

数据获取单元，用于获取多个用户资产数据，对所述资产数据进行预处理，将预处理后的所述资产数据划分到训练数据集和优化数据集中；

初始风控模型构建单元，用于根据所述训练数据集的数据属性和数据规模构建初始风控模型；

风控模型训练单元，用于采用控制变量法，利用所述训练数据集对所述初始风控模型进行迭代训练，得到目标风控模型；

模型优化单元，用于采用交叉验证法，利用所述训练数据集和重新获取到的优化数据集对所述目标风控模型进行优化，以便于利用优化后的所述目标风控模型计算目标用户的资产数据的资产托管风险。

基于同一发明构思，本发明实施例还提供了一种风险评估方法，包括，

获取目标用户的资产数据；

利用上述所述的资产托管风控模型的构建方法所构建的目标风控模型对所述目标用户的资产数据进行计算，得到所述目标用户的风险评估结果；

将所述风险评估结果进行解码，得到风险评估报告，以便于业务人员根据所述风险评估报告处理所述目标用户的资产托管风险。

另一方面，本发明实施例还提供了一种风险评估装置，包括：

目标资产数据获取单元，用于获取目标用户的资产数据；

风险评估单元，用于利用上述所述的资产托管风控模型的构建方法所构建的目标风控模型对所述目标用户的资产数据进行计算，得到所述目标用户的风险评估结果；

风险评估报告生成单元，用于将所述风险评估结果进行解码，得到风险评估报告，以便于业务人员根据所述风险评估报告处理所述目标用户的资产托管风险。

另一方面，本发明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。

另一方面，本发明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。

最后，本发明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方法。

本发明实施例中，对多个用户的资产数据进行预处理后，划分到训练数据集和优化数据集中，然后根据训练数据集的数据属性和数据规模构建初始风控模型，相比于随机设定初始风控模型的模型参数的方法，能够提高模型训练的效率。然后采用控制变量法，利用训练数据集对初始风控模型进行迭代训练，得到目标风控模型，采用控制变量的方式在每次迭代训练过程修改一个模型参数，并从中选择预测精度最高的主控参数进行模型训练，从而提高了训练得到的目标风控模型的精度。然后采用交叉验证法，利用训练数据集和优化数据集对得到的目标风控模型进行优化，以便于提高目标风控模型的拟合度，提高目标风控模型的预测效果。最后利用优化后的目标风控模型计算目标用户的资产数据的资产托管风险，实现了在进行资产托管清算之前，对投资经理的交易指令做出风险评估，能够及时有效地进行风控结果的反馈，提高资产托管的风控管理水平，解决了现有的资产托管系统风控管理对未知风险难以预测的问题。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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为本发明实施例中一种资产托管风控模型的构建方法的实施系统示意图；

图2为本发明实施例中一种资产托管风控模型的构建方法的流程图；

图3为本发明实施例中采用控制变量法，利用训练数据集对初始风控模型进行迭代训练，得到目标风控模的过程；

图4为本发明实施例中一种资产托管风控模型的构建装置的结构示意图；

图5为本发明实施例中一种风险评估方法的流程图；

图6为本发明实施例中一种风险评估装置的结构示意图；

图7为本发明实施例计算机设备的结构示意图。

附图符号说明：

101、终端；

102、服务器；

401、数据获取单元；

402、初始风控模型构建单元；

403、风控模型训练单元；

404、模型优化单元；

601、目标资产数据获取单元；

602、风险评估单元；

603、风险评估报告生成单元；

702、计算机设备；

704、处理设备；

706、存储资源；

708、驱动机构；

710、输入/输出模块；

712、输入设备；

714、输出设备；

716、呈现设备；

718、图形用户接口；

720、网络接口；

722、通信链路；

724、通信总线。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

需要说明的是，本发明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，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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、装置、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。

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。

需要说明的是，本申请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。

如图1所示为本发明实施例一种资产托管风控模型的构建方法的实施系统示意图，可以包括：终端101以及服务器102，终端101和服务器102之间通过网络进行通信，网络可以包括局域网(Local Area Network，简称为LAN)、广域网(Wide AreaNetwork，简称为WAN)、因特网或其组合，并连接至网站、用户设备(例如计算设备)和后端系统。在构建资产托管风控模型时，业务人员可以操作终端101向服务器102输入多个用户的资产数据，然后服务器102对资产数据进行预处理，并利用预处理后的资产数据进行风控模型的训练和优化，得到最终的目标风控模型。在需要预测目标用户的资产托管风险时，业务人员可以操作终端101向服务器102输入该目标用户的资产数据，服务器102利用训练并优化好的目标风控模型对目标用户的资产数据进行计算，得到目标用户的资产数据对应的风险预测结果，并将风险预测结果发送给终端101，终端101将风险预测结果提供给业务人员，以便于业务人员处理目标用户的资产托管业务。

在本说明书实施例中，所述服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(CDN,Content Delivery Network)、以及大数据和人工智能平台等基础云计算服务的云服务器。

在一个可选的实施例中，终端101可以包括但不限于台式计算机、平板电脑、笔记本电脑等类型的电子设备。可选的，电子设备上运行的操作系统可以包括但不限于安卓系统、IOS系统、Linux、Windows等。

此外，需要说明的是，图1所示的仅仅是本公开提供的一种应用环境，在实际应用中，还可以包括多个终端101，本说明书不做限制。

具体地，本发明实施提供了一种资产托管风控模型的构建方法，可以构建资产托管风险的风控模型。图2所示为本发明实施例一种资产托管风控模型的构建方法的流程图，在本图中描述了构建资产托管风控模型的过程，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。具体的如图2所示，可以由服务器102执行，所述方法可以包括：

步骤201：获取多个用户资产数据，对所述资产数据进行预处理，将预处理后的所述资产数据划分到训练数据集和优化数据集中；

步骤202：根据所述训练数据集的数据属性和数据规模构建初始风控模型；

步骤203：采用控制变量法，利用所述训练数据集对所述初始风控模型进行迭代训练，得到目标风控模型；

步骤204：采用交叉验证法，利用所述训练数据集和所述优化数据集对所述目标风控模型进行优化，以便于利用优化后的所述目标风控模型计算目标用户的资产数据的资产托管风险。

本发明实施例中，对多个用户的资产数据进行预处理后，划分到训练数据集和优化数据集中，然后根据训练数据集的数据属性和数据规模构建初始风控模型，相比于随机设定初始风控模型的模型参数的方法，能够提高模型训练的效率。然后采用控制变量法，利用训练数据集对初始风控模型进行迭代训练，得到目标风控模型，采用控制变量的方式在每次迭代训练过程修改一个模型参数，并从中选择预测精度最高的主控参数进行模型训练，从而提高了训练得到的目标风控模型的精度。然后采用交叉验证法，利用训练数据集和优化数据集对得到的目标风控模型进行优化，以便于提高目标风控模型的拟合度，提高目标风控模型的预测效果。最后利用优化后的目标风控模型计算目标用户的资产数据的资产托管风险，实现了在进行资产托管清算之前，对投资经理的交易指令做出风险评估，能够及时有效地进行风控结果的反馈，提高资产托管的风控管理水平，解决了现有的资产托管系统风控管理对未知风险难以预测的问题。

在本发明实施例中，资产数据可以包括用户多年的历史数据，例如资产账号、交易类型、托管系统加工处理前余额、托管系统加工处理前市值、托管系统加工处理前成本、托管系统加工处理前估增、交易数据、券信息(行情数据)、托管系统加工处理完成后余额、托管系统加工完成后市值、托管系统加工完成后成本等。对资产数据进行标记，然后将标记的资产数据随机划分到训练数据集和优化数据集中，训练数据集的数据量和优化数据集的数据量本发明不做限定。

然后根据训练数据集的数据属性和数据规模构建初始风控模型，即确定初始风控模型的模型参数，模型参数可以包括输入神经元个数，隐藏层层数、隐藏层神经元个数以及输出神经元个数。可以根据数据属性确定训练数据集的数据种类总数，根据数据种类总数确定输入神经元个数。业务人员可以根据训练数据集的数据量通过经验分析确定隐藏层层数、隐藏层神经元个数以及输出神经元个数。根据模型训练经验选择激活函数、自适应学习率等。

然后再采用控制变量法，利用训练数据集对初始风控模型进行迭代训练，得到目标风控模型，再采用交叉验证法，利用训练数据集和优化数据集对目标风控模型进行优化。

根据本发明的一个实施例，如图3所示，采用控制变量法，利用所述训练数据集对所述初始风控模型进行迭代训练，得到目标风控模型进一步包括，

步骤301：按照预定比例，将所述训练数据集分为测试数据集和验证数据集；

步骤302：利用所述测试数据集对所述初始风控模型进行训练，得到次级风控模型；

步骤303：利用所述验证数据集对所述次级风控模型的模型效果进行验证；

步骤304：基于验证的结果判断所述次级风控模型的准确率是否满足要求；

步骤305：若否，则利用控制变量法调整所述次级风控模型的模型参数，再次执行利用所述测试数据集对所述次级风控模型进行训练的步骤；

步骤306：若是，则将所述次级风控模型作为所述目标风控模型。

在本发明实施例中，可以将训练数据集中的预处理后的资产数据按照8:2的比例分为测试数据集和验证数据集，然后利用测试数据集对初始风控模型进行一次训练，得到次级风控模型，再利用验证数据集对本次训练得到的次级风控模型的模型效果进行验证，并基于验证结果判断此次训练得到的次级风控模型的准确率是否满足要求，若不满足要求，则利用控制变量法修改一个模型参数，选择出预测精度最高的主控参数进行下一次训练，直至模型效果满足要求，将满足要求的次级风控模型作为目标风控模型。通过图3所示的方法，保证了目标风控模型的准确率。

在本发明实施例中，若目标模型的准确率较高，但模型仍可能出现拟合程度达不到要求的问题，因此为了进一步地提高模型的效果，根据本发明的一个实施例，采用交叉验证法，利用所述训练数据集和重新获取到的优化数据集对所述目标风控模型进行优化进一步包括，

设定模型评估指标；

采用交叉验证法，利用所述训练数据集和所述优化数据集计算所述目标风控模型的模型评估指标对应的评估结果；

根据所述评估结果判断所述目标风控模型的拟合程度是否符合要求；

若不符合要求，则调整所述训练数据集的数据特征，重新执行采用控制变量法，利用调整数据特征后的所述训练数据集对所述初始风控模型进行迭代训练的步骤，直至所述拟合程度符合要求。

在本发明实施例中，模型评估指标可以包括损失函数、均方误差、模型执行速度、接受者操作特征曲线(ROC曲线)、拟合状态等，采用交叉验证法，利用训练目标风控模型的训练数据集和未训练目标风控模型的优化数据集计算目标模型的上述评估指标对应的评估结果，然后根据各评估指标对应的评估结果和对应的阈值判断目标风控模型的拟合程度是否符合要求，若不符合要求，则调整训练数据集的数据特征，重新对目标风控模型进行训练，在保证目标风控模型的准确率达到要求的前提下，进一步地确保目标风控模型的拟合程度也达到要求，从而提高目标风控模型的模型效果。

根据本文的一个实施例，根据所述评估结果判断所述目标风控模型的拟合程度是否符合要求进一步包括，

根据预定的第一阈值和所述拟合程度确定所述目标风控模型是否过拟合，以及根据预定的第二阈值和所述拟合程度确定所述目标风控模型是否欠拟合；

若不符合要求，则调整所述训练数据集的数据特征进一步包括，

若所述目标风控模型过拟合，则扩大所述测试数据集的数据量或减少所述训练数据集的数据特征；

若所述目标风控模型欠拟合，则增加所述训练数据集的数据特征。

在本文实施例中，若目标风控模型过拟合，则可能是因为在训练过程中，初始风控模型的空间较大(即模型的特征较多)，但训练数据较少，导致在训练数据上表现良好的候选假设太多，因此本发明实施例中，当目标风控模型出现过拟合时，扩大测试数据集的数据量或减少训练数据集的数据特征，然后再次训练模型，直到目标风控模型的拟合度达到要求。若目标风控模型出现欠拟合，则可能是因为在训练过程中，训练数据的数据特征较少，导致对未曾在测试数据集中出现的样本的预测准确率较低，因此本发明实施例中，当目标风控模型出现欠拟合时，增加训练数据集的数据特征，然后再次训练模型，直到目标风控模型的拟合度达到要求。从过拟合和欠拟合两个方面对目标风控模型的拟合程度进行评估，能够更好地对模型拟合程度进行评估，从而在目标风控模型的优化过程中，提高最终得到的目标风控模型的效果。

根据本发明的一个实施例，随着目标风控模型预测的数据量的增多或使用目标风控模型进行预测的时间的增加，目标风控模型的效果可能会逐渐下降，因此，本实施例中所述的资产托管风控模型的构建方法还包括，

设定模型更新条件，所述模型更新条件包括资产数据的数据量大小和更新时间；

根据所述模型更新条件判断所述目标风控模型是否需要更新，若是，则重新获取多个用户资产数据对所述目标风控模型更新训练。

在本发明实施例中，若资产数据的数据量超过阈值，或目标风控模型的使用时间超过更新时间，则可以判定目标风控模型需要更新，然后重新获取多个用户资产数据对目标风控模型进行更新训练。

基于同一发明构思，本发明实施例还提供了一种资产托管风控模型的构建装置，如图4所示，包括，

数据获取单元401，用于获取多个用户资产数据，对所述资产数据进行预处理，将预处理后的所述资产数据划分到训练数据集和优化数据集中；

初始风控模型构建单元402，用于根据所述训练数据集的数据属性和数据规模构建初始风控模型；

风控模型训练单元403，用于采用控制变量法，利用所述训练数据集对所述初始风控模型进行迭代训练，得到目标风控模型；

模型优化单元404，用于采用交叉验证法，利用所述训练数据集和重新获取到的优化数据集对所述目标风控模型进行优化，以便于利用优化后的所述目标风控模型计算目标用户的资产数据的资产托管风险。

由于上述装置解决问题的原理与上述方法相似，因此上述装置的实施可以参见上述方法的实施，重复之处不再赘述。

基于同一发明构思，本发明实施例还提供了一种风险评估方法，如图5所示，包括，

步骤501：获取目标用户的资产数据；

步骤502：利用本文所述的资产托管风控模型的构建方法所构建的目标风控模型对所述目标用户的资产数据进行计算，得到所述目标用户的风险评估结果；

步骤503：将所述风险评估结果进行解码，得到风险评估报告，以便于业务人员根据所述风险评估报告处理所述目标用户的资产托管风险。

在本发明实施例中，根据目标用户的资产数据以及训练好的目标风控模型对目标用户进行风险评估，鉴于目标风控模型的准确率和拟合度均符合要求，因此得到的风险评估结果的准确度和可信度均较高。为了降低业务人员的工作量，还将风险评估结果进行编码，得到风险评估报告，以便于业务人员根据风险评估报告处理目标用户的资产托管风险。

基于同一发明构思，本发明实施例还提供了一种风险评估装置，如图6所示，包括，

目标资产数据获取单元601，用于获取目标用户的资产数据；

风险评估单元602，用于上述所述的资产托管风控模型的构建方法所构建的目标风控模型对所述目标用户的资产数据进行计算，得到所述目标用户的风险评估结果；

风险评估报告生成单元603，用于将所述风险评估结果进行解码，得到风险评估报告，以便于业务人员根据所述风险评估报告处理所述目标用户的资产托管风险。

由于上述装置解决问题的原理与上述方法相似，因此上述装置的实施可以参见上述方法的实施，重复之处不再赘述。

如图7所示为本发明实施例计算机设备的结构示意图，本发明中的装置可以为本实施例中的计算机设备，执行上述本发明的方法。计算机设备702可以包括一个或多个处理设备704，诸如一个或多个中央处理单元(CPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备702还可以包括任何存储资源706，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储资源706可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储资源都可以使用任何技术来存储信息。进一步地，任何存储资源可以提供信息的易失性或非易失性保留。进一步地，任何存储资源可以表示计算机设备702的固定或可移除部件。在一种情况下，当处理设备704执行被存储在任何存储资源或存储资源的组合中的相关联的指令时，计算机设备702可以执行相关联指令的任一操作。计算机设备702还包括用于与任何存储资源交互的一个或多个驱动机构708，诸如硬盘驱动机构、光盘驱动机构等。

计算机设备702还可以包括输入/输出模块710(I/O)，其用于接收各种输入(经由输入设备712)和用于提供各种输出(经由输出设备714)。一个具体输出机构可以包括呈现设备716和相关联的图形用户接口(GUI)718。在其他实施例中，还可以不包括输入/输出模块710(I/O)、输入设备712以及输出设备714，仅作为网络中的一台计算机设备。计算机设备702还可以包括一个或多个网络接口720，其用于经由一个或多个通信链路722与其他设备交换数据。一个或多个通信总线724将上文所描述的部件耦合在一起。

通信链路722可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路722可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。

本发明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。

本发明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方法。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/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，对本发明的目的、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，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种资产托管风控模型的构建方法，其特征在于，所述方法包括，

获取多个用户资产数据，对所述资产数据进行预处理，将预处理后的所述资产数据划分到训练数据集和优化数据集中；

根据所述训练数据集的数据属性和数据规模构建初始风控模型；

采用控制变量法，利用所述训练数据集对所述初始风控模型进行迭代训练，得到目标风控模型；

采用交叉验证法，利用所述训练数据集和所述优化数据集对所述目标风控模型进行优化，以便于利用优化后的所述目标风控模型计算目标用户的资产数据的资产托管风险。

2.根据权利要求1所述的方法，其特征在于，采用控制变量法，利用所述训练数据集对所述初始风控模型进行迭代训练，得到目标风控模型进一步包括，

按照预定比例，将所述训练数据集分为测试数据集和验证数据集；

利用所述测试数据集对所述初始风控模型进行训练，得到次级风控模型；

利用所述验证数据集对所述次级风控模型的模型效果进行验证；

基于验证的结果判断所述次级风控模型的准确率是否满足要求；

若否，则利用控制变量法调整所述次级风控模型的模型参数，再次执行利用所述测试数据集对所述次级风控模型进行训练的步骤；

若是，则将所述次级风控模型作为所述目标风控模型。

3.根据权利要求2所述的方法，其特征在于，采用交叉验证法，利用所述训练数据集和重新获取到的优化数据集对所述目标风控模型进行优化进一步包括，

设定模型评估指标；

采用交叉验证法，利用所述训练数据集和所述优化数据集计算所述目标风控模型的模型评估指标对应的评估结果；

根据所述评估结果判断所述目标风控模型的拟合程度是否符合要求；

若不符合要求，则调整所述训练数据集的数据特征，重新执行采用控制变量法，利用调整数据特征后的所述训练数据集对所述初始风控模型进行迭代训练的步骤，直至所述拟合程度符合要求。

4.根据权利要求3所述的方法，其特征在于，根据所述评估结果判断所述目标风控模型的拟合程度是否符合要求进一步包括，

根据预定的第一阈值和所述拟合程度确定所述目标风控模型是否过拟合，以及根据预定的第二阈值和所述拟合程度确定所述目标风控模型是否欠拟合；

若不符合要求，则调整所述训练数据集的数据特征进一步包括，

若所述目标风控模型过拟合，则扩大所述测试数据集的数据量或减少所述训练数据集的数据特征；

若所述目标风控模型欠拟合，则增加所述训练数据集的数据特征。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括，

设定模型更新条件，所述模型更新条件包括资产数据的数据量大小和更新时间；

根据所述模型更新条件判断所述目标风控模型是否需要更新，若是，则重新获取多个用户资产数据对所述目标风控模型更新训练。

6.一种资产托管风控模型的构建装置，其特征在于，包括，

数据获取单元，用于获取多个用户资产数据，对所述资产数据进行预处理，将预处理后的所述资产数据划分到训练数据集和优化数据集中；

初始风控模型构建单元，用于根据所述训练数据集的数据属性和数据规模构建初始风控模型；

风控模型训练单元，用于采用控制变量法，利用所述训练数据集对所述初始风控模型进行迭代训练，得到目标风控模型；

模型优化单元，用于采用交叉验证法，利用所述训练数据集和重新获取到的优化数据集对所述目标风控模型进行优化，以便于利用优化后的所述目标风控模型计算目标用户的资产数据的资产托管风险。

7.一种风险评估方法，其特征在于，包括，

获取目标用户的资产数据；

利用权利要求1-5任一项所述的资产托管风控模型的构建方法所构建的目标风控模型对所述目标用户的资产数据进行计算，得到所述目标用户的风险评估结果；

将所述风险评估结果进行解码，得到风险评估报告，以便于业务人员根据所述风险评估报告处理所述目标用户的资产托管风险。

8.一种风险评估装置，其特征在于，包括：

目标资产数据获取单元，用于获取目标用户的资产数据；

风险评估单元，用于利用权利要求1-5任一项所述的资产托管风控模型的构建方法所构建的目标风控模型对所述目标用户的资产数据进行计算，得到所述目标用户的风险评估结果；

风险评估报告生成单元，用于将所述风险评估结果进行解码，得到风险评估报告，以便于业务人员根据所述风险评估报告处理所述目标用户的资产托管风险。

9.一种计算机设备，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5或权利要求7任一所述方法。

10.一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5或权利要求7任一所述方法。

11.一种计算机程序产品，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5或权利要求7任一所述方法。

Images