CN115759750A - 金融风险评估方法、系统、计算机及可读存储介质 - Google Patents

Abstract

本发明提供了一种金融风险评估方法、系统、计算机及可读存储介质，该包括：获取原始金融数据，并对原始金融数据进行预处理，以生成对应的标准金融数据；基于第一预设算法对标准金融数据中的用户身份特征以及用户信用特征进行特征衍生处理，以对应将标准金融数据划分成若干组合特征；将若干组合特征依次分别输入至第二预设算法中，以对应输出若干算法结果，并对若干算法结果进行数据融合处理，以生成对应的金融风险评估等级。通过上述方式能够减少弱变量数据的损失，对应提高数据的有效性，采用组合特征的形式，能够保留特征的解释性，对第二预设算法输出的若干算法结果进行融合处理能够有效的提升金融风险评估等级的准确性。

Description

金融风险评估方法、系统、计算机及可读存储介质

技术领域

本发明涉及金融风险评价技术领域，特别涉及一种金融风险评估方法、系统、计算机及可读存储介质。

背景技术

现如今，随着科技的快速发展以及社会的进步，金融行业也得到了快速的发展。其中，金融是货币资金融通的总称，主要指与货币流通和银行信用相关的各种活动，能够使用户根据自身的征信等级办理对应的金融服务。

现有技术在用户申请金融产品时，大部分通过评分卡的形式或者复杂的算法模型来对应计算出用户的金融风险等级，并根据计算出的金融风险等级决定当前用户是否能够办理需要的金融服务，然而，现有技术对于用户的金融风险等级的计算精准度较低，从而增加了用户办理金融服务的不确定因素，导致降低了用户的使用体验。

发明内容

基于此，本发明的目的是提供一种金融风险评估方法、系统、计算机及可读存储介质，以解决现有技术对于用户的金融风险等级的计算精准度较低，从而增加了用户办理金融服务的不确定因素，导致降低了用户使用体验的问题。

本发明实施例第一方面提出了一种金融风险评估方法，所述方法包括：

获取原始金融数据，并对所述原始金融数据进行预处理，以生成对应的标准金融数据，所述原始金融数据包括用户身份特征以及用户信用特征；

基于第一预设算法对所述标准金融数据中的用户身份特征以及用户信用特征进行特征衍生处理，以对应将所述标准金融数据划分成若干组合特征；

将若干所述组合特征依次分别输入至第二预设算法中，以对应输出若干算法结果，并对若干所述算法结果进行数据融合处理，以生成对应的金融风险评估等级。

本发明的有益效果是：通过首先获取到原始金融数据，并对实时获取到的原始金融数据进行预处理，以生成对应的标准金融数据，其中，上述原始金融数据包括用户身份特征以及用户信用特征；进一步的，基于第一预设算法对上述标准金融数据中的用户身份特征以及用户信用特征进行特征衍生处理，以对应将上述标准金融数据划分成若干组合特征；最后只需将划分出的若干组合特征依次分别输入至第二预设算法中，以对应输出若干算法结果，并实时对输出的若干算法结果进行数据融合处理，以最终生成对应的金融风险评估等级。通过上述方式能够采用第一预设算法对获取到的金融数据进行特征组合处理，从而能够减少弱变量数据的损失，对应提高数据的有效性。进一步的，采用组合特征的形式，能够保留特征的解释性，与此同时，对第二预设算法输出的若干算法结果进行融合处理能够有效的提升金融风险评估等级的准确性，适用于大范围的推广与使用。

优选的，所述对所述原始金融数据进行预处理的步骤包括：

当获取到所述原始金融数据时，依次对所述原始金融数据进行数据清洗、数据噪声清除、数据填充以及数据删除处理，以对所述原始金融数据中的异常值进行矫正处理。

优选的，当若干所述算法结果均为数值时，所述对若干所述算法结果进行数据融合处理，以生成对应的金融风险评估等级的步骤包括：

计算出若干所述算法结果分别对应的数值的平均值，并将所述平均值设定为所述金融风险评估等级。

优选的，所述第二预设算法包括若干学习器，所述对若干所述算法结果进行数据融合处理，以生成对应的金融风险评估等级的步骤包括：

基于每一所述学习器的特性，对每一所述学习器分别设置不同的响应权重，并分别获取每一所述学习器根据所述响应权重分别输出的算法结果，以将每一所述学习器输出的算法结果之和设定为所述金融风险评估等级。

优选的，所述第二预设算法包括第一学习器以及第二学习器，所述对若干所述算法结果进行数据融合处理，以生成对应的金融风险评估等级的步骤包括：

将若干所述算法结果依次输入至所述第一学习器以及所述第二学习器中，以分别对应输出第一评估值以及第二评估值；

根据所述第一评估值以及所述第二评估值生成所述金融风险评估等级。

本发明实施例第二方面提出了一种金融风险评估系统，所述系统包括：

获取模块，用于获取原始金融数据，并对所述原始金融数据进行预处理，以生成对应的标准金融数据，所述原始金融数据包括用户身份特征以及用户信用特征；

处理模块，用于基于第一预设算法对所述标准金融数据中的用户身份特征以及用户信用特征进行特征衍生处理，以对应将所述标准金融数据划分成若干组合特征；

评估模块，用于将若干所述组合特征依次分别输入至第二预设算法中，以对应输出若干算法结果，并对若干所述算法结果进行数据融合处理，以生成对应的金融风险评估等级。

其中，上述金融风险评估系统中，所述获取模块具体用于：

当获取到所述原始金融数据时，依次对所述原始金融数据进行数据清洗、数据噪声清除、数据填充以及数据删除处理，以对所述原始金融数据中的异常值进行矫正处理。

其中，上述金融风险评估系统中，当若干所述算法结果均为数值时，所述评估模块具体用于：

计算出若干所述算法结果分别对应的数值的平均值，并将所述平均值设定为所述金融风险评估等级。

其中，上述金融风险评估系统中，所述第二预设算法包括若干学习器，所述评估模块具体用于：

基于每一所述学习器的特性，对每一所述学习器分别设置不同的响应权重，并分别获取每一所述学习器根据所述响应权重分别输出的算法结果，以将每一所述学习器输出的算法结果之和设定为所述金融风险评估等级。

其中，上述金融风险评估系统中，所述第二预设算法包括第一学习器以及第二学习器，所述评估模块具体用于：

将若干所述算法结果依次输入至所述第一学习器以及所述第二学习器中，以分别对应输出第一评估值以及第二评估值；

根据所述第一评估值以及所述第二评估值生成所述金融风险评估等级。

本发明实施例第三方面提出了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述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如上面所述的金融风险评估方法。

本发明实施例第四方面提出了一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上面所述的金融风险评估方法。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1为本发明第一实施例提供的金融风险评估方法的流程图；

图2为本发明第二实施例提供的金融风险评估系统的结构框图。

如下具体实施方式将结合上述附图进一步说明本发明。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。

需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

现有技术在用户申请金融产品时，大部分通过评分卡的形式或者复杂的算法模型来对应计算出用户的金融风险等级，并根据计算出的金融风险等级决定当前用户是否能够办理需要的金融服务，然而，现有技术对于用户的金融风险等级的计算精准度较低，从而增加了用户办理金融服务的不确定因素，导致降低了用户的使用体验。

请参阅图1，所示为本发明第一实施例提供的金融风险评估方法，本实施例提供的金融风险评估方法能够采用第一预设算法对获取到的金融数据进行特征组合处理，从而能够减少弱变量数据的损失，对应提高数据的有效性。进一步的，采用组合特征的形式，能够保留特征的解释性，与此同时，对第二预设算法输出的若干算法结果进行融合处理能够有效的提升金融风险评估等级的准确性，适用于大范围的推广与使用。

具体的，本实施例提供的金融风险评估方法具体包括以下步骤：

步骤S10，获取原始金融数据，并对所述原始金融数据进行预处理，以生成对应的标准金融数据，所述原始金融数据包括用户身份特征以及用户信用特征；

具体的，在本实施例中，首先需要说明的是，本实施例提供的金融风险评估方法具体应用在金融服务技术领域，更具体的，应用在用户需要金融服务时，对用户的金融风险等级进行评估，以根据评估出的金融风险等级给用户提供对应的金融产品或者金融服务，通过本申请提供的金融风险评估方法对用户的金融风险进行评估能够有效的提升用户的服务体验。

另外，需要指出的是，本申请提供的金融风险评估方法是基于设置在后台的服务器实现的，其中，在本实施例提供的服务器内设置有若干算法，该若干算法能够对接收到的金融数据进行处理，以最终对应生成用户需要的金融风险评估等级。

因此，在本步骤中，需要说明的是，本实施例会首先通过设置在后台的服务器获取当前需要办理金融服务的用户所对应的原始金融数据，其中，需要指出的是，该原始金融数据具体可以包括当前用户的用户身份特征以及用户信用特征，其中，用户身份特征可以包括当前用户的性别、年龄、姓名以及职业等个人信息，另外，用户信用特征可以包括当前用户的已贷款事项、收入以及还款状态等信用信息。

进一步的，当上述服务器获取到当前用户的用户身份特征以及用户信用特征之后，当前服务器会对当前用户身份特征以及用户信用特征中的原始金融数据进行预处理，以对应将当前接收到的原始金融数据转换成标准金融数据。

其中，在本步骤中，需要指出的是，上述对所述原始金融数据进行预处理的步骤包括：

当获取到所述原始金融数据时，依次对所述原始金融数据进行数据清洗、数据噪声清除、数据填充以及数据删除处理，以对所述原始金融数据中的异常值进行矫正处理。

在本步骤中，还需要说明的是，本实施例提供的服务器在接收到当前用户的原始金融数据之后，会立即通过其内部已经预设好的程序对当前用户的原始金融数据进行数据清洗、数据噪声清除、数据填充以及数据删除等处理过程，从而能够有效的对当前原始金融数据中的异常数据进行矫正处理，即生成对应的标准金融数据，以便于当前服务器后续的处理。

步骤S20，基于第一预设算法对所述标准金融数据中的用户身份特征以及用户信用特征进行特征衍生处理，以对应将所述标准金融数据划分成若干组合特征；

进一步的，在本步骤中，需要说明的是，当前服务器根据原始金融数据处理得到标准金融数据之后，当前服务器会进一步根据其内部已经预设好的第一预设算法对当前标准金融数据中的用户身份特征以及用户信用特征进行特征衍生处理，以对应将当前标准金融数据划分成若干组合特征。优选的，在本实施例中，上述第一预设算法设置为随机森林算法，该随机森林算法能够有效的将用户身份特征以及用户信用特征中的若干子特征进行随机的特征组合，从而能够随机产生若干组合特征，以最终将单变量转化成组合变量，有效提高了特征的区分能力。

其中，需要指出的是，本实施例提供的特征衍生处理是将原始数据转化成更好的表达问题本质的特征的过程，能够将这些特征运用到预测模型中，以对应提升对不可见数据的模型预测精度。

步骤S30，将若干所述组合特征依次分别输入至第二预设算法中，以对应输出若干算法结果，并对若干所述算法结果进行数据融合处理，以生成对应的金融风险评估等级。

最后，在本步骤中，需要说明的是，在当前服务器通过特征衍生处理获取到若干组合特征之后，当前服务器会进一步将当前获取到的若干组合特征依次分别输入至其内部预设好的第二预设算法中，从而能够一一对应输出若干算法结果，优选的，在本实施例中，本实施例提供的第二预设算法可以包括LR算法、RF算法、GBDT、XGBoost以及lightGBM等算法，在实际的工作过程中，可以由其中一种算法或者多种算法来完成对若干组合特征的处理，以对应生成若干算法结果。

进一步的，在计算出若干算法结果之后，当前服务器会进一步对当前实时计算出的若干算法结果进行数据融合处理，以最终生成用户需要的金融风险评估等级，对应完成后续的金融服务。

其中，在本实施例中，需要指出的是，当上述若干算法结果均为数值时，上述对若干所述算法结果进行数据融合处理，以生成对应的金融风险评估等级的步骤可以包括：

计算出若干所述算法结果分别对应的数值的平均值，并将所述平均值设定为所述金融风险评估等级。

在本步骤中，为了便于理解，需要说明的是，例如：当上述若干算法结果均为10、15、25以及35等具体的数值时，则当前服务器对应计算出当前若干算法结果分别对应的数值的平均值，并将实时计算出的平均值设定为当前用户的金融风险评估等级。

另外，在本实施例中，还需要指出的是，上述第二预设算法包括若干学习器，上述对若干所述算法结果进行数据融合处理，以生成对应的金融风险评估等级的步骤还可以包括：

基于每一所述学习器的特性，对每一所述学习器分别设置不同的响应权重，并分别获取每一所述学习器根据所述响应权重分别输出的算法结果，以将每一所述学习器输出的算法结果之和设定为所述金融风险评估等级。

在本步骤中，为了便于理解，需要说明的是，例如：当上述第二预设算法其中的一个学习器的响应权重为30％，其输出的算法结果为10；另一学习器的响应权重为50％，其输出的算法结果为20；另一学习器的响应权重为20％，其输出的算法结果为10，则当前用户最终的金融风险评估等级为15。

进一步的，在本实施例中，还需要指出的是，上述第二预设算法可以包括第一学习器以及第二学习器，上述对若干所述算法结果进行数据融合处理，以生成对应的金融风险评估等级的步骤还可以包括：

将若干所述算法结果依次输入至所述第一学习器以及所述第二学习器中，以分别对应输出第一评估值以及第二评估值；

根据所述第一评估值以及所述第二评估值生成所述金融风险评估等级。

在本步骤中，为了便于理解，需要说明的是，本实施例提供的第二预设算法还可以包括设置为依次递进关系的第一学习器以及第二学习器，即依次通过该第一学习器和第二学习器对计算出的若干算法结果进行数据融合处理，以最终生成对应的金融风险评估等级。通过设置两层学习器，能够使最终得到的金融风险评估等级的结果更加精准。

使用时，通过首先获取到原始金融数据，并对实时获取到的原始金融数据进行预处理，以生成对应的标准金融数据，其中，上述原始金融数据包括用户身份特征以及用户信用特征；进一步的，基于第一预设算法对上述标准金融数据中的用户身份特征以及用户信用特征进行特征衍生处理，以对应将上述标准金融数据划分成若干组合特征；最后只需将划分出的若干组合特征依次分别输入至第二预设算法中，以对应输出若干算法结果，并实时对输出的若干算法结果进行数据融合处理，以最终生成对应的金融风险评估等级。通过上述方式能够采用第一预设算法对获取到的金融数据进行特征组合处理，从而能够减少弱变量数据的损失，对应提高数据的有效性。进一步的，采用组合特征的形式，能够保留特征的解释性，与此同时，对第二预设算法输出的若干算法结果进行融合处理能够有效的提升金融风险评估等级的准确性，适用于大范围的推广与使用。

需要说明的是，上述的实施过程只是为了说明本申请的可实施性，但这并不代表本申请的金融风险评估方法只有上述唯一一种实施流程，相反的，只要能够将本申请的金融风险评估方法实施起来，都可以被纳入本申请的可行实施方案。

综上，本发明上述实施例提供的金融风险评估方法能够采用第一预设算法对获取到的金融数据进行特征组合处理，从而能够减少弱变量数据的损失，对应提高数据的有效性。进一步的，采用组合特征的形式，能够保留特征的解释性，与此同时，对第二预设算法输出的若干算法结果进行融合处理能够有效的提升金融风险评估等级的准确性，适用于大范围的推广与使用。

请参阅图2，所示为本发明第二实施例提供的金融风险评估系统，所述系统包括：

获取模块12，用于获取原始金融数据，并对所述原始金融数据进行预处理，以生成对应的标准金融数据，所述原始金融数据包括用户身份特征以及用户信用特征；

处理模块22，用于基于第一预设算法对所述标准金融数据中的用户身份特征以及用户信用特征进行特征衍生处理，以对应将所述标准金融数据划分成若干组合特征；

评估模块32，用于将若干所述组合特征依次分别输入至第二预设算法中，以对应输出若干算法结果，并对若干所述算法结果进行数据融合处理，以生成对应的金融风险评估等级。

其中，上述金融风险评估系统中，所述获取模块12具体用于：

当获取到所述原始金融数据时，依次对所述原始金融数据进行数据清洗、数据噪声清除、数据填充以及数据删除处理，以对所述原始金融数据中的异常值进行矫正处理。

其中，上述金融风险评估系统中，当若干所述算法结果均为数值时，所述评估模块32具体用于：

计算出若干所述算法结果分别对应的数值的平均值，并将所述平均值设定为所述金融风险评估等级。

其中，上述金融风险评估系统中，所述第二预设算法包括若干学习器，所述评估模块32具体用于：

基于每一所述学习器的特性，对每一所述学习器分别设置不同的响应权重，并分别获取每一所述学习器根据所述响应权重分别输出的算法结果，以将每一所述学习器输出的算法结果之和设定为所述金融风险评估等级。

其中，上述金融风险评估系统中，所述第二预设算法包括第一学习器以及第二学习器，所述评估模块32具体用于：

将若干所述算法结果依次输入至所述第一学习器以及所述第二学习器中，以分别对应输出第一评估值以及第二评估值；

根据所述第一评估值以及所述第二评估值生成所述金融风险评估等级。

本发明第三实施例提供了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述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如上述第一实施例提供的金融风险评估方法。

本发明第四实施例提供了一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一实施例提供的金融风险评估方法。

综上所述，本发明上述实施例提供的金融风险评估方法、系统、计算机及可读存储介质能够采用第一预设算法对获取到的金融数据进行特征组合处理，从而能够减少弱变量数据的损失，对应提高数据的有效性。进一步的，采用组合特征的形式，能够保留特征的解释性，与此同时，对第二预设算法输出的若干算法结果进行融合处理能够有效的提升金融风险评估等级的准确性，适用于大范围的推广与使用。

需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种金融风险评估方法，其特征在于，所述方法包括：

获取原始金融数据，并对所述原始金融数据进行预处理，以生成对应的标准金融数据，所述原始金融数据包括用户身份特征以及用户信用特征；

基于第一预设算法对所述标准金融数据中的用户身份特征以及用户信用特征进行特征衍生处理，以对应将所述标准金融数据划分成若干组合特征；

将若干所述组合特征依次分别输入至第二预设算法中，以对应输出若干算法结果，并对若干所述算法结果进行数据融合处理，以生成对应的金融风险评估等级。

2.根据权利要求1所述的金融风险评估方法，其特征在于：所述对所述原始金融数据进行预处理的步骤包括：

当获取到所述原始金融数据时，依次对所述原始金融数据进行数据清洗、数据噪声清除、数据填充以及数据删除处理，以对所述原始金融数据中的异常值进行矫正处理。

3.根据权利要求1所述的金融风险评估方法，其特征在于：当若干所述算法结果均为数值时，所述对若干所述算法结果进行数据融合处理，以生成对应的金融风险评估等级的步骤包括：

计算出若干所述算法结果分别对应的数值的平均值，并将所述平均值设定为所述金融风险评估等级。

4.根据权利要求1所述的金融风险评估方法，其特征在于：所述第二预设算法包括若干学习器，所述对若干所述算法结果进行数据融合处理，以生成对应的金融风险评估等级的步骤包括：

基于每一所述学习器的特性，对每一所述学习器分别设置不同的响应权重，并分别获取每一所述学习器根据所述响应权重分别输出的算法结果，以将每一所述学习器输出的算法结果之和设定为所述金融风险评估等级。

5.根据权利要求1所述的金融风险评估方法，其特征在于：所述第二预设算法包括第一学习器以及第二学习器，所述对若干所述算法结果进行数据融合处理，以生成对应的金融风险评估等级的步骤包括：

将若干所述算法结果依次输入至所述第一学习器以及所述第二学习器中，以分别对应输出第一评估值以及第二评估值；

根据所述第一评估值以及所述第二评估值生成所述金融风险评估等级。

6.一种金融风险评估系统，其特征在于，所述系统包括：

获取模块，用于获取原始金融数据，并对所述原始金融数据进行预处理，以生成对应的标准金融数据，所述原始金融数据包括用户身份特征以及用户信用特征；

处理模块，用于基于第一预设算法对所述标准金融数据中的用户身份特征以及用户信用特征进行特征衍生处理，以对应将所述标准金融数据划分成若干组合特征；

评估模块，用于将若干所述组合特征依次分别输入至第二预设算法中，以对应输出若干算法结果，并对若干所述算法结果进行数据融合处理，以生成对应的金融风险评估等级。

7.根据权利要求6所述的金融风险评估系统，其特征在于：所述获取模块具体用于：

当获取到所述原始金融数据时，依次对所述原始金融数据进行数据清洗、数据噪声清除、数据填充以及数据删除处理，以对所述原始金融数据中的异常值进行矫正处理。

8.根据权利要求6所述的金融风险评估系统，其特征在于：当若干所述算法结果均为数值时，所述评估模块具体用于：

计算出若干所述算法结果分别对应的数值的平均值，并将所述平均值设定为所述金融风险评估等级。

9.一种计算机，包括存储器、处理器以及存储在所述存储器上并可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5中任意一项所述的金融风险评估方法。

10.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5中任意一项所述的金融风险评估方法。

Images