CN116012019B - 一种基于大数据分析的金融风控管理系统 - Google Patents
一种基于大数据分析的金融风控管理系统 Download PDFInfo
- Publication number
- CN116012019B CN116012019B CN202310302229.XA CN202310302229A CN116012019B CN 116012019 B CN116012019 B CN 116012019B CN 202310302229 A CN202310302229 A CN 202310302229A CN 116012019 B CN116012019 B CN 116012019B
- Authority
- CN
- China
- Prior art keywords
- wind control
- risk
- financial
- real
- time
- 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.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种大数据技术，揭露了一种基于大数据分析的金融风控管理系统。本发明基于大数据构建金融风控管理数据库，并存储至金融风控管理平台，提取多组具备风险标识的风控管理信息中的第一风控管理信息组，其中包括多个第一风控要素数据和第一风险，作为训练数据得到智能风控模型，用于进行金融风险的智能预测，采集实时风控要素数据输入至智能风控模型，得到实时风险预测结果，匹配实时风险干预约束，输入智能风控模型进行干预模拟，得到实时干预模拟结果并进行金融风控管理。相较于现有技术，本发明可提高金融风控管理的智能化程度，从而及时的对金融风险管控过程中出现的问题进行针对性的解决，最终提升金融行业的整体发展水平。
Description
技术领域
本发明涉及大数据技术领域，特别涉及一种基于大数据分析的金融风控管理系统。
背景技术
随着经济高速发展，金融行业在作出巨大贡献的同时自身也得到了跨越式扩容，进而随着发展规模的壮大迎来了全新发展机遇，同时也面临着一系列挑战。金融与风险本就是相伴而生的，且在社会现代化发展水平不断提高以及科学技术能力不断增强的背景下，大数据技术的应用成为了各行各业转型升级的基础。因此，通过基于大数据分析搭建金融风险管理的信息系统，推动金融风险管理嵌入业务全流程，主动实现风险管理的数字化转型，显得尤为必要。总体来说，现有方法的缺陷在于，金融风控管理信息化程度低，对金融风险管控过程中出现的问题无法及时、有效的解决。
因此，如何基于大数据技术提高金融风控管理的智能化程度，促进金融行业的整体发展，成为一个亟待解决的问题。
发明内容
本发明的主要目的是提供一种基于大数据分析的金融风控管理系统，旨在提高金融风控管理的信息化程度，进而提高金融风险处理效率和处理针对性，最终提升金融行业整体发展水平。
为实现上述目的，本发明提出一种基于大数据分析的金融风控管理方法，包括如下步骤：
基于大数据构建金融风控管理数据库，并存储至所述金融风控管理平台，其中，所述金融风控管理数据库包括多组具备风险标识的风控管理信息；
提取所述多组具备风险标识的风控管理信息中的第一风控管理信息组，其中，所述第一风控管理信息组包括多个第一风控要素数据和第一风险；
将所述多个第一风控要素数据和所述第一风险作为训练数据，训练得到智能风控模型，其中，所述智能风控模型用于进行金融风险的智能预测；
采集实时风控要素数据输入至所述智能风控模型，得到实时风险预测结果，并匹配所述实时风险预测结果的实时风险干预约束；
将所述实时风险干预约束输入所述智能风控模型进行干预模拟，得到实时干预模拟结果，并根据所述实时干预模拟结果进行金融风控管理。
此外，为实现上述目的，本发明还提出一种基于大数据分析的金融风控管理系统，所述基于大数据分析的金融风控管理系统包括存储器和处理器，其特征在于，所述存储器上存储有一种基于大数据分析的金融风控管理程序，所述基于大数据分析的金融风控管理程序被所述处理器执行时实现如下步骤：
基于大数据构建金融风控管理数据库，并存储至所述金融风控管理平台，其中，所述金融风控管理数据库包括多组具备风险标识的风控管理信息；
提取所述多组具备风险标识的风控管理信息中的第一风控管理信息组，其中，所述第一风控管理信息组包括多个第一风控要素数据和第一风险；
将所述多个第一风控要素数据和所述第一风险作为训练数据，训练得到智能风控模型，其中，所述智能风控模型用于进行金融风险的智能预测；
采集实时风控要素数据输入至所述智能风控模型，得到实时风险预测结果，并匹配所述实时风险预测结果的实时风险干预约束；
将所述实时风险干预约束输入所述智能风控模型进行干预模拟，得到实时干预模拟结果，并根据所述实时干预模拟结果进行金融风控管理。
此外，为实现上述目的，本发明还提出一种计算机设备，其中，包括处理器和存储器；
所述处理器，用于处理执行所述的基于大数据分析的金融风控管理方法；
所述存储器，所述存储器与所述处理器耦合，用于存储所述基于大数据分析的金融风控管理程序，当所述程序被所述处理器执行时，使系统以执行所述基于大数据分析的金融风控管理方法的步骤。
此外，为实现上述目的，本发明还提出一种计算机可读存储介质，其中，所述计算机可读存储介质存储有基于大数据分析的金融风控管理程序，所述基于大数据分析的金融风控管理程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述任一项所述的基于大数据分析的金融风控管理方法的步骤。
本发明基于大数据构建金融风控管理数据库，并存储至金融风控管理平台，其中，所述金融风控管理数据库包括多组具备风险标识的风控管理信息；提取所述多组具备风险标识的风控管理信息中的第一风控管理信息组，其中，所述第一风控管理信息组包括多个第一风控要素数据和第一风险；将所述多个第一风控要素数据和所述第一风险作为训练数据，训练得到智能风控模型，其中，所述智能风控模型用于进行金融风险的智能预测；采集实时风控要素数据输入至所述智能风控模型，得到实时风险预测结果，并匹配所述实时风险预测结果的实时风险干预约束；将所述实时风险干预约束输入所述智能风控模型进行干预模拟，得到实时干预模拟结果，并根据所述实时干预模拟结果进行金融风控管理。相较于现有技术，本发明可提高金融风控管理的智能化程度，从而及时的对金融风险管控过程中出现的问题进行针对性的解决，最终提升金融行业的整体发展水平。
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示出的结构获得其他的附图。
图1为本发明一种基于大数据分析的金融风控管理方法的流程示意图；
图2为本发明一种基于大数据分析的金融风控管理方法中将所述第一风控管理信息组添加至所述训练数据的流程示意图；
图3为本发明一种基于大数据分析的金融风控管理方法中将所述遍历匹配结果和所述第一风险及其对应关系作为所述训练数据的流程示意图；
图4为本发明一种基于大数据分析的金融风控管理方法中得到所述智能风控模型的流程示意图；
图5为本发明一种基于大数据分析的金融风控管理方法中根据所述实时风控指标集生成所述实时风险干预约束的流程示意图；
图6为本发明一种基于大数据分析的金融风控管理程序的运行环境示意图；
图7为本发明一种基于大数据分析的金融风控管理程序的程序模块图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
本发明提出一种基于大数据分析的金融风控管理方法。
如图1所示，图1为本发明基于大数据分析的金融风控管理方法的流程示意图。
本实施例中，该方法包括：
步骤S100：基于大数据构建金融风控管理数据库，并存储至所述金融风控管理平台，其中，所述金融风控管理数据库包括多组具备风险标识的风控管理信息；
步骤S200：提取所述多组具备风险标识的风控管理信息中的第一风控管理信息组，其中，所述第一风控管理信息组包括多个第一风控要素数据和第一风险；
步骤S300：将所述多个第一风控要素数据和所述第一风险作为训练数据，训练得到智能风控模型，其中，所述智能风控模型用于进行金融风险的智能预测；
步骤S400：采集实时风控要素数据输入至所述智能风控模型，得到实时风险预测结果，并匹配所述实时风险预测结果的实时风险干预约束；
步骤S500：将所述实时风险干预约束输入所述智能风控模型进行干预模拟，得到实时干预模拟结果，并根据所述实时干预模拟结果进行金融风控管理。
所述金融风控管理平台与基于大数据分析的金融风控管理系统通信连接，可以将实时采集到的各方金融风控企业的风控管理数据整理并传输给该金融风控管理系统。此外，所述金融风控管理平台中嵌入有一个金融风控管理数据库，该金融风控管理数据库中包括多家相关金融风控企业、金融行业企业等的历史风控信息记录。也就是说，首先基于大数据采集相关金融风控数据并组成金融风控管理数据库，进而将其存储至所述金融风控管理平台，因此，所述金融风控管理平台中的所述金融风控管理数据库中，包括多组具备风险标识的风控管理信息。其中，所述风险标识即对应金融风控时面对的金融风险的类型，举例如因关联交易导致的金融风险、因监管套利出现的金融风险、因委托代理造成的金融风险等。与之对应的，所述风控管理信息包括彼时面对的金融风险时，企业各项特征指标的数据信息。举例如企业性质、企业实力、企业运营成本收入比、资产结构信息、融资能力等指标的记录。接下来，随机从所述多组具备风险标识的风控管理信息中提取一组信息，并将其作为第一风控管理信息组，其中，所述第一风控管理信息组包括多个第一风控要素数据和第一风险。其中，所述多个第一风控要素数据即彼时发生金融风险时的相关企业风险变量指标的记录数据，所述第一风险即彼时发生金融风险时的风险种类及表象。
进一步的，将所述多个第一风控要素数据和所述第一风险作为训练数据，最终通过机器学习训练得到智能风控模型，其中，所述智能风控模型用于进行金融风险的智能预测。接下来，对待进行金融风控管理的企业、公司、部门等进行针对性的实时风控要素数据采集，进而将采集到的所述实时风控要素数据输入至所述智能风控模型，通过所述智能风控模型的智能化分析和预测，即得到对应要进行金融风控管理的企业、公司、部门等的实时风险预测结果。其中，所述实时风险预测结果是指通过模型智能化处理分析得到的，可能对应企业、公司或者部门等，接下来会出现的金融风险的预测。最终，通过匹配所述实时风险预测结果的实时风险干预约束，并通过所述智能风控模型进行该干预约束的智能干预模拟，对应得到实时干预模拟结果，最终根据所述实时干预模拟结果进行金融风控管理。达到了提高金融风控管理信息化程度的技术效果，通过智能模型的分析和预测，实现了对金融风险的提前预测和感知，并为后续针对金融风险制定对应干预方案提供基础，最终达到了提高金融风险管控效率和管控有效性的技术效果。
如图2所示，本实施例中，上述在所述将所述多个第一风控要素数据和所述第一风险作为训练数据，训练得到智能风控模型之前，还包括：
组建金融风险类型集，并提取所述金融风险类型集中的特殊风险类型，组成目标风险类型集；
其中，所述目标风险类型集包括关联交易风险、资本重复计算风险、交叉传染风险、监管套利风险、透明度风险；
判断所述第一风险是否属于所述目标风险类型集中的风险；
若是属于，将所述第一风控管理信息组添加至所述训练数据。
首先由相关金融风控技术人员结合自身经验以及大数据采集到的各个金融公司曾出现的风险情况，分析得到所述金融风险类型集，进而对所述金融风险类型集中的特殊风险进行筛选，剔除掉一般的金融风险类型，从而得到所述目标风险类型集。其中，所述目标风险类型集包括关联交易风险、资本重复计算风险、交叉传染风险、监管套利风险、透明度风险。接下来，对从所述多组具备风险标识的风控管理信息中随机提取到的第一风控管理信息组进行分析判断，即判断所述第一风控管理信息组中的风险是否属于所述目标风险类型集中的风险，其中，当所述第一风控管理信息组中的风险属于所述目标风险类型集中的风险时，说明所述第一风控管理信息组中的风险为金融行业的特殊风险，因此将所述第一风控管理信息组添加至所述训练数据。
通过对金融行业的风险类型进行分析，进而筛选得到属于金融行业的特殊的风险类型，并将金融行业特殊风险的相关历史数据作为训练数据，实现了为后续训练智能化预测金融行业风险的智能模型提供训练数据基础的技术目标，达到了提高金融风控管理针对性的效果。
如图3所示，本实施例中，上述在所述将所述第一风控管理信息组添加至所述训练数据之后，还包括：
反向匹配所述多个第一风控要素数据的多个第一风控要素；
筛选所述多个第一风控要素得到目标风控要素，其中，所述目标风控要素包括目标企业背景、目标经营管理、目标财务信息；
依次获得所述目标企业背景的第一风控指标集、所述目标经营管理的第二风控指标集、所述目标财务信息的第三风控指标集；
合并所述第一风控指标集、所述第二风控指标集和所述第三风控指标集，得到目标风控指标集；
将所述目标风控指标集在所述多个第一风控要素数据中遍历匹配，得到遍历匹配结果，其中，所述遍历匹配结果与所述第一风险具备对应关系；
将所述遍历匹配结果和所述第一风险及其对应关系作为所述训练数据。
在随机提取到的所述第一风控管理信息组中，包括有多个第一风控要素数据，此时系统自动反向匹配所述多个第一风控要素数据的多个第一风控要素，即得到产生所述第一风险时的所有金融企业信息。接下来，对所述多个第一风控要素进行筛选，仅保留与所述第一风险显著相关的风控要素，并组成所述目标风控要素，其中，所述目标风控要素包括目标企业背景、目标经营管理、目标财务信息。
进一步的，分别基于所述目标风控要素中的各个要素对待分析管理金融企业进行数据采集，即依次获得所述目标企业背景的第一风控指标集、所述目标经营管理的第二风控指标集、所述目标财务信息的第三风控指标集。其中，可以表征所述目标企业背景的具体指标包括企业类别、企业实收资本等，可以表征所述目标经营管理的具体指标包括总资产数据、总资产同比增长率、成本收入比等数据，可以表征所述目标财务信息的具体指标包括资产负债率、毛利率、净利润、流动比率、有息负债率、应收账款等。接下来，将采集到的所述第一风控指标集、所述第二风控指标集和所述第三风控指标集进行合并，即得到目标风控指标集。最后，将所述目标风控指标集在所述多个第一风控要素数据中遍历匹配，并得到遍历匹配结果，其中，所述遍历匹配结果是指所述目标风控指标集中各指标在彼时发生金融风险时的记录数据，且所述遍历匹配结果与所述第一风险具备对应关系。最终将所述遍历匹配结果和所述第一风险及其对应关系作为所述训练数据。通过对风险类型进行筛选，仅保留金融行业的特殊风险，实现了为金融风控管理系统中，风险类型的针对性管理提供有效的数据信息，达到了提高系统管理风险的针对性的技术效果，同时有效提升系统综合性能，保障系统管理效率。
如图4所示，本实施例中，上述将所述多个第一风控要素数据和所述第一风险作为训练数据，训练得到智能风控模型，其中，所述智能风控模型用于进行金融风险的智能预测，包括：
将所述训练数据进行随机划分，得到划分结果；
基于所述划分结果中的第一数据集，训练得到目标循环神经网络；
基于所述划分结果中的第二数据集，训练得到目标支持向量机；
基于所述划分结果中的第三数据集，训练得到目标梯度提升决策树；
将所述目标循环神经网络、所述目标支持向量机和所述目标梯度提升决策树进行集成融合，得到所述智能风控模型。
将所述训练数据进行随机划分并得到划分结果，进而基于所述划分结果中的第一数据集，训练得到目标循环神经网络，其中，所述第一数据集是指划分结果中的任意一个划分数据块。同时基于所述划分结果中的第二数据集，训练得到目标支持向量机，基于所述划分结果中的第三数据集，训练得到目标梯度提升决策树。最后，根据以不同原理训练得到的智能模型，利用模型集成融合算法原理将所述目标循环神经网络、所述目标支持向量机和所述目标梯度提升决策树进行集成融合，并将最终确定的集成融合模型作为所述智能风控模型。通过集成融合各类不同的机器学习模型，得到集成融合模型作为智能风控模型，实现了集各类智能模型的模型优势于一身，进而提高模型精准度的目标。
本实施例中，上述将所述目标循环神经网络、所述目标支持向量机和所述目标梯度提升决策树进行集成融合，得到所述智能风控模型，包括：
对所述目标循环神经网络、所述目标支持向量机和所述目标梯度提升决策树进行模型搭建，得到多个集成模型；
对比所述多个集成模型得到最优集成模型，并将所述最优集成模型作为所述智能风控模型。
所述目标循环神经网络、所述目标支持向量机和所述目标梯度提升决策树的训练原理均不相同，因此对应的模型具备不同的智能分析优势，通过利用集成融合原理对所述目标循环神经网络、所述目标支持向量机和所述目标梯度提升决策树进行模型搭建，不同的搭建方法得到不同的搭建结果，即得到多个集成模型。进一步对比所述多个集成模型并将处理效率、处理结果均较好的模型作为最优集成模型，最后将所述最优集成模型作为所述智能风控模型，从而提高智能风控模型的综合性能。
如图5所示，本实施例中，上述采集实时风控要素数据输入至所述智能风控模型，得到实时风险预测结果，并匹配所述实时风险预测结果的实时风险干预约束，包括：
获取所述实时风险预测结果中的实时风险预测类型；
对所述实时风控要素数据与所述实时风险预测类型进行相关性分析，得到相关性分析结果；
根据所述相关性分析结果，组建实时风控指标集；
根据所述实时风控指标集生成所述实时风险干预约束。
本实施例中，上述根据所述实时风控指标集生成所述实时风险干预约束，包括：
提取所述实时风控指标集中的第一实时风控指标；
获取所述第一实时风控指标的第一预设阈值；
采集所述第一实时风控指标的第一实时风控数据，并结合所述第一预设阈值得到所述实时风险干预约束。
对所述智能风控模型的处理输出结果进行解析，从而得到模型智能化预测分析的金融风险类型，即得到所述实时风险预测类型。接着，对所述实时风控要素数据与所述实时风险预测类型进行相关性分析，并对应得到相关性分析结果。示范性的如利用相关性分析软件SPSS对该实时风险预测类型进行多因素相关性分析。进一步的，根据所述相关性分析结果，将相关性程度高的因素指标保留，示范性的如将SPSS软件分析得到的极显著相关的指标、显著相关的指标进行保留，并对应合并组成所述实时风控指标集。最终，根据与所述实时风险预测类型相关性高的指标针对性制定风险干预方案，即生成所述实时风险干预约束。具体来说，随机提取所述实时风控指标集中的任意一个风控指标，并将其作为所述第一实时风控指标，然后由相关专家人员主观设置该指标的合理范围区间，即得到所述第一实时风控指标的第一预设阈值。进一步，采集所述第一实时风控指标的第一实时风控数据，并结合所述第一预设阈值得到所述实时风险干预约束。
本发明基于大数据构建金融风控管理数据库，并存储至金融风控管理平台，其中，所述金融风控管理数据库包括多组具备风险标识的风控管理信息；提取所述多组具备风险标识的风控管理信息中的第一风控管理信息组，其中，所述第一风控管理信息组包括多个第一风控要素数据和第一风险；将所述多个第一风控要素数据和所述第一风险作为训练数据，训练得到智能风控模型，其中，所述智能风控模型用于进行金融风险的智能预测；采集实时风控要素数据输入至所述智能风控模型，得到实时风险预测结果，并匹配所述实时风险预测结果的实时风险干预约束；将所述实时风险干预约束输入所述智能风控模型进行干预模拟，得到实时干预模拟结果，并根据所述实时干预模拟结果进行金融风控管理。相较于现有技术，本发明可提高金融风控管理的智能化程度，从而及时的对金融风险管控过程中出现的问题进行针对性的解决，最终提升金融行业的整体发展水平。
本发明提出一种基于大数据分析的金融风控管理程序。
请参阅图6，是本发明基于大数据分析的金融风控管理程序60的运行环境示意图。
在本实施例中，基于大数据分析的金融风控管理程序60安装并运行于电子装置6中。电子装置6可以是桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子装置6可包括，但不仅限于，存储器61、处理器62及显示器63。图6仅示出了具有组件11-13的电子装置6，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
存储器61在一些实施例中可以是电子装置6的内部存储单元，例如该电子装置6的硬盘或内存。存储器61在另一些实施例中也可以是电子装置6的外部存储设备，例如电子装置6上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）等。进一步地，存储器61还可以既包括电子装置6的内部存储单元也包括外部存储设备。存储器61用于存储安装于电子装置6的应用软件及各类数据，例如基于大数据分析的金融风控管理程序60的程序代码等。存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
处理器62在一些实施例中可以是一中央处理器（Central Processing Unit,CPU），微处理器或其他数据处理芯片，用于运行存储器61中存储的程序代码或处理数据，例如执行基于大数据分析的金融风控管理程序60等。
显示器63在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。显示器63用于显示在电子装置6中处理的信息以及用于显示可视化的用户界面。电子装置6的部件11-13通过程序总线相互通信。
请参阅图7，是本发明基于大数据分析的金融风控管理程序60的程序模块图。
在本实施例中，基于大数据分析的金融风控管理程序60可以被分割成一个或多个模块，一个或者多个模块被存储于存储器61中，并由一个或多个处理器（本实施例为处理器62）所执行，以完成本发明。例如，在图7中，基于大数据分析的金融风控管理程序60可以被分割成数据库构建模块701、信息提取模块702、模型训练模块703、干预匹配模块704、干预模拟模块705。本发明所述的模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述基于大数据分析的金融风控管理程序60在电子装置6中的执行过程，其中：
数据库构建模块701：基于大数据构建金融风控管理数据库，并存储至所述金融风控管理平台，其中，所述金融风控管理数据库包括多组具备风险标识的风控管理信息；
信息提取模块702：提取所述多组具备风险标识的风控管理信息中的第一风控管理信息组，其中，所述第一风控管理信息组包括多个第一风控要素数据和第一风险；
模型训练模块703：将所述多个第一风控要素数据和所述第一风险作为训练数据，训练得到智能风控模型，其中，所述智能风控模型用于进行金融风险的智能预测；
干预匹配模块704：采集实时风控要素数据输入至所述智能风控模型，得到实时风险预测结果，并匹配所述实时风险预测结果的实时风险干预约束；
干预模拟模块705：将所述实时风险干预约束输入所述智能风控模型进行干预模拟，得到实时干预模拟结果，并根据所述实时干预模拟结果进行金融风控管理。
本申请还提供一种电子设备，其中，包括处理器和存储器；
该处理器，用于处理执行上述实施例一中任一项所述基于大数据分析的金融风控管理方法的步骤；
该存储器，该存储器与该处理器耦合，用于存储程序，当基于大数据分析的金融风控管理程序被该处理器执行时，使系统以执行上述任一项基于大数据分析的金融风控管理方法的步骤。
进一步地，本发明还提出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基于大数据分析的金融风控管理程序，所述基于大数据分析的金融风控管理程序可被至少一个处理器执行，以使所述至少一个处理器执行上述任一实施例中的基于大数据分析的金融风控管理方法。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (8)
1.一种基于大数据分析的金融风控管理方法，其特征在于，所述金融风控管理方法应用于金融风控管理系统，且所述金融风控管理系统与一金融风控管理平台通信连接，所述金融风控管理方法包括：
基于大数据构建金融风控管理数据库，并存储至所述金融风控管理平台，其中，所述金融风控管理数据库包括多组具备风险标识的风控管理信息；
提取所述多组具备风险标识的风控管理信息中的第一风控管理信息组，其中，所述第一风控管理信息组包括多个第一风控要素数据和第一风险；
将所述多个第一风控要素数据和所述第一风险作为训练数据，训练得到智能风控模型，其中，所述智能风控模型用于进行金融风险的智能预测；
采集实时风控要素数据输入至所述智能风控模型，得到实时风险预测结果，并匹配所述实时风险预测结果的实时风险干预约束；
将所述实时风险干预约束输入所述智能风控模型进行干预模拟，得到实时干预模拟结果，并根据所述实时干预模拟结果进行金融风控管理；
在所述将所述多个第一风控要素数据和所述第一风险作为训练数据，训练得到智能风控模型之前，还包括：
组建金融风险类型集，并提取所述金融风险类型集中的特殊风险类型，组成目标风险类型集；
其中，所述目标风险类型集包括关联交易风险、资本重复计算风险、交叉传染风险、监管套利风险、透明度风险；
判断所述第一风险是否属于所述目标风险类型集中的风险；
若是属于，将所述第一风控管理信息组添加至所述训练数据；
在所述将所述第一风控管理信息组添加至所述训练数据之后，还包括：
反向匹配所述多个第一风控要素数据的多个第一风控要素；
筛选所述多个第一风控要素得到目标风控要素，其中，所述目标风控要素包括目标企业背景、目标经营管理、目标财务信息；
依次获得所述目标企业背景的第一风控指标集、所述目标经营管理的第二风控指标集、所述目标财务信息的第三风控指标集；
合并所述第一风控指标集、所述第二风控指标集和所述第三风控指标集，得到目标风控指标集；
将所述目标风控指标集在所述多个第一风控要素数据中遍历匹配，得到遍历匹配结果，其中，所述遍历匹配结果与所述第一风险具备对应关系；
将所述遍历匹配结果和所述第一风险及其对应关系作为所述训练数据。
2.如权利要求1所述的金融风控管理方法，其特征在于，所述将所述多个第一风控要素数据和所述第一风险作为训练数据，训练得到智能风控模型，其中，所述智能风控模型用于进行金融风险的智能预测，包括：
将所述训练数据进行随机划分，得到划分结果；
基于所述划分结果中的第一数据集，训练得到目标循环神经网络；
基于所述划分结果中的第二数据集，训练得到目标支持向量机；
基于所述划分结果中的第三数据集，训练得到目标梯度提升决策树；
将所述目标循环神经网络、所述目标支持向量机和所述目标梯度提升决策树进行集成融合，得到所述智能风控模型。
3.如权利要求2所述的金融风控管理方法，其特征在于，所述将所述目标循环神经网络、所述目标支持向量机和所述目标梯度提升决策树进行集成融合，得到所述智能风控模型，包括：
对所述目标循环神经网络、所述目标支持向量机和所述目标梯度提升决策树进行模型搭建，得到多个集成模型；
对比所述多个集成模型得到最优集成模型，并将所述最优集成模型作为所述智能风控模型。
4.如权利要求1所述的金融风控管理方法，其特征在于，所述采集实时风控要素数据输入至所述智能风控模型，得到实时风险预测结果，并匹配所述实时风险预测结果的实时风险干预约束，包括：
获取所述实时风险预测结果中的实时风险预测类型；
对所述实时风控要素数据与所述实时风险预测类型进行相关性分析，得到相关性分析结果；
根据所述相关性分析结果，组建实时风控指标集；
根据所述实时风控指标集生成所述实时风险干预约束。
5.如权利要求4所述的金融风控管理方法，其特征在于，所述根据所述实时风控指标集生成所述实时风险干预约束，包括：
提取所述实时风控指标集中的第一实时风控指标；
获取所述第一实时风控指标的第一预设阈值；
采集所述第一实时风控指标的第一实时风控数据，并结合所述第一预设阈值得到所述实时风险干预约束。
6.一种基于大数据分析的金融风控管理系统，所述基于大数据分析的金融风控管理系统包括存储器和处理器，其特征在于，所述存储器上存储有基于大数据分析的金融风控管理程序，所述基于大数据分析的金融风控管理程序被所述处理器执行时实现如下步骤：
基于大数据构建金融风控管理数据库，并存储至金融风控管理平台，其中，所述金融风控管理数据库包括多组具备风险标识的风控管理信息；
提取所述多组具备风险标识的风控管理信息中的第一风控管理信息组，其中，所述第一风控管理信息组包括多个第一风控要素数据和第一风险；
将所述多个第一风控要素数据和所述第一风险作为训练数据，训练得到智能风控模型，其中，所述智能风控模型用于进行金融风险的智能预测；
采集实时风控要素数据输入至所述智能风控模型，得到实时风险预测结果，并匹配所述实时风险预测结果的实时风险干预约束；
将所述实时风险干预约束输入所述智能风控模型进行干预模拟，得到实时干预模拟结果，并根据所述实时干预模拟结果进行金融风控管理；
在所述将所述多个第一风控要素数据和所述第一风险作为训练数据，训练得到智能风控模型之前，还包括：
组建金融风险类型集，并提取所述金融风险类型集中的特殊风险类型，组成目标风险类型集；
其中，所述目标风险类型集包括关联交易风险、资本重复计算风险、交叉传染风险、监管套利风险、透明度风险；
判断所述第一风险是否属于所述目标风险类型集中的风险；
若是属于，将所述第一风控管理信息组添加至所述训练数据；
在所述将所述第一风控管理信息组添加至所述训练数据之后，还包括：
反向匹配所述多个第一风控要素数据的多个第一风控要素；
筛选所述多个第一风控要素得到目标风控要素，其中，所述目标风控要素包括目标企业背景、目标经营管理、目标财务信息；
依次获得所述目标企业背景的第一风控指标集、所述目标经营管理的第二风控指标集、所述目标财务信息的第三风控指标集；
合并所述第一风控指标集、所述第二风控指标集和所述第三风控指标集，得到目标风控指标集；
将所述目标风控指标集在所述多个第一风控要素数据中遍历匹配，得到遍历匹配结果，其中，所述遍历匹配结果与所述第一风险具备对应关系；
将所述遍历匹配结果和所述第一风险及其对应关系作为所述训练数据。
7.一种计算机设备，其特征在于，包括处理器和存储器；
所述处理器，用于处理执行权利要求1-5中任一项所述的方法；
所述存储器，所述存储器与所述处理器耦合，用于存储程序，当所述程序被所述处理器执行时，使系统以执行权利要求1-5中任一项所述方法的步骤。
8.一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基于大数据分析的金融风控管理程序，所述基于大数据分析的金融风控管理程序可被至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-5中的任一项所述的基于大数据分析的金融风控管理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310302229.XA CN116012019B (zh) | 2023-03-27 | 2023-03-27 | 一种基于大数据分析的金融风控管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310302229.XA CN116012019B (zh) | 2023-03-27 | 2023-03-27 | 一种基于大数据分析的金融风控管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116012019A CN116012019A (zh) | 2023-04-25 |
| CN116012019B true CN116012019B (zh) | 2023-06-06 |
Family
ID=86027085
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310302229.XA Active CN116012019B (zh) | 2023-03-27 | 2023-03-27 | 一种基于大数据分析的金融风控管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116012019B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117871917B (zh) * | 2024-03-13 | 2024-05-17 | 西安晟昕科技股份有限公司 | 用于多功能设备的信号模拟控制方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022121083A1 (zh) * | 2020-12-09 | 2022-06-16 | 南威软件股份有限公司 | 基于关联分析FP-Tree算法的企业风险预警方法 |
| CN115759751A (zh) * | 2022-11-30 | 2023-03-07 | 建信金融科技有限责任公司 | 一种企业风险预测方法、装置、存储介质、电子设备及产品 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2287691A1 (en) * | 1999-10-07 | 2001-04-07 | Digital Visions, Inc. | Systems and methods for financial modeling |
| CN108898488A (zh) * | 2018-06-11 | 2018-11-27 | 合肥汇英科技有限公司 | 一种基于大数据和人工智能的金融风控系统 |
| CN111815432B (zh) * | 2020-07-08 | 2023-08-18 | 中国工商银行股份有限公司 | 金融服务风险预测方法及装置 |
| CN113935844A (zh) * | 2021-10-14 | 2022-01-14 | 深圳市佑荣信息科技有限公司 | 一种基于大数据和人工智能的金融风控系统 |
| CN114612239A (zh) * | 2022-03-11 | 2022-06-10 | 刘星 | 基于算法、大数据、人工智能的股票舆情监测和风控系统 |
| CN115018562A (zh) * | 2022-07-06 | 2022-09-06 | 湖南草花互动科技股份公司 | 用户预流失预测方法、装置及系统 |
| CN115274134A (zh) * | 2022-07-14 | 2022-11-01 | 云南师范大学 | 一种covid-19智能体患病风险预测模型 |
-
2023
- 2023-03-27 CN CN202310302229.XA patent/CN116012019B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022121083A1 (zh) * | 2020-12-09 | 2022-06-16 | 南威软件股份有限公司 | 基于关联分析FP-Tree算法的企业风险预警方法 |
| CN115759751A (zh) * | 2022-11-30 | 2023-03-07 | 建信金融科技有限责任公司 | 一种企业风险预测方法、装置、存储介质、电子设备及产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116012019A (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112445875B (zh) | 数据关联及检验方法、装置、电子设备及存储介质 | |
| CN111798123A (zh) | 基于人工智能的合规性评价方法、装置、设备及介质 | |
| CN111930962A (zh) | 文献数据价值评估方法、装置、电子设备及存储介质 | |
| CN115146865A (zh) | 基于人工智能的任务优化方法及相关设备 | |
| CN116012019B (zh) | 一种基于大数据分析的金融风控管理系统 | |
| CN111339072B (zh) | 基于用户行为的变化值分析方法、装置、电子设备及介质 | |
| CN112749653A (zh) | 行人检测方法、装置、电子设备及存储介质 | |
| CN114997263B (zh) | 基于机器学习的结训率分析方法、装置、设备及存储介质 | |
| CN114220536A (zh) | 基于机器学习的疾病分析方法、装置、设备及存储介质 | |
| CN111652282B (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
| CN116843481A (zh) | 知识图谱分析方法、装置、设备及存储介质 | |
| CN114841165B (zh) | 用户数据分析及展示方法、装置、电子设备及存储介质 | |
| CN115034812B (zh) | 基于大数据的钢铁行业销售量预测方法及装置 | |
| CN114996386A (zh) | 业务角色识别方法、装置、设备及存储介质 | |
| CN113657546A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
| CN113220551A (zh) | 指标趋势预测及预警方法、装置、电子设备及存储介质 | |
| CN113312482A (zh) | 问题分类方法、装置、电子设备及可读存储介质 | |
| CN112597490A (zh) | 安全威胁编排响应方法、装置、电子设备及可读存储介质 | |
| CN113743695A (zh) | 基于大数据的国际工程项目投标报价风险管理方法 | |
| CN113688924B (zh) | 异常订单检测方法、装置、设备及介质 | |
| CN116364223B (zh) | 特征处理方法、装置、计算机设备及存储介质 | |
| CN113723554B (zh) | 模型调度方法、装置、电子设备及计算机可读存储介质 | |
| CN115860275B (zh) | 一种用于土地整备利益统筹测绘采集方法及系统 | |
| CN116364309B (zh) | 一种基于神经网络的临床试验风险评估方法及系统 | |
| CN117078406A (zh) | 一种客户流失预警方法、装置、计算机设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230718 Address after: 100000 Unit 3, 9th Floor, Building 6, Courtyard 1, Futong East Street, Chaoyang District, Beijing 231009 Patentee after: Beijing Chenyue Technology Co.,Ltd. Address before: Unit 231010, 9th Floor, Unit 3, Building 6, Courtyard 1, Futong East Street, Chaoyang District, Beijing, 100102 Patentee before: Beijing Lima Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |