CN116091249A - 交易风险的评估方法、装置、电子设备和介质 - Google Patents

Abstract

本公开提供了一种交易风险的评估方法，涉及人工智能领域，还可用于金融领域或其他领域。该方法包括：获取待评估客户的客户属性数据；对所述客户属性数据进行编码，得到客户属性特征；将所述客户属性特征输入逻辑回归模型中，以确定所述客户的违约概率；基于所述违约概率，计算所述客户的综合风险；以及基于所述综合风险，获得所述客户的交易风险评估结果。本公开还提供了一种交易风险的评估装置、设备、存储介质和程序产品。

Description

交易风险的评估方法、装置、电子设备和介质

技术领域

本公开涉及人工智能领域，还可用于金融领域或其他领域，具体地，涉及一种交易风险的评估方法、装置、设备、介质和程序产品。

背景技术

交易风险评估是交易中的重要环节，对降低可能发生的交易损失有重要意义。为了对交易的风险进行评估，需要利用与交易相关的客户属性数据等相关数据进行计算。

在实现本公开构思的过程中，发明人发现，目前交易风险的评估方法计算速度慢、灵活性差，不能及时、准确反映交易风险情况，不利于控制交易风险。

发明内容

鉴于上述问题，本公开提供了一种交易风险的评估方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种交易风险的评估方法，包括：获取待评估客户的客户属性数据，所述客户属性数据包括数值型数据和逻辑型数据；对所述客户属性数据进行编码，得到客户属性特征；将所述客户属性特征输入逻辑回归模型中，以确定所述客户的违约概率，其中，所述逻辑回归模型是基于历史数据预先训练得到的；基于所述违约概率，计算所述客户的综合风险，其中，所述综合风险包括一阶风险和二阶风险，所述一阶风险用于表征成本风险，所述二阶风险用于表征超额利润风险；以及基于所述综合风险，获得所述客户的交易风险评估结果；其中，所述对所述客户属性数据进行编码，得到客户属性特征的步骤包括：利用WOE编码方式对所述数值型数据进行编码，以获取客户属性特征；和利用哑变量编码方式对所述逻辑型数据进行编码，以获取客户属性特征。

根据本公开的实施例，所述数值型数据包括地区编号和年龄，所述逻辑型数据包括房产、汽车、社保和违约数据。

根据本公开的实施例，所述基于所述违约概率，计算所述客户的综合风险的步骤包括：获取所述客户的交易量、人工成本和物料成本；基于所述客户属性特征、所述违约概率、所述交易量、人工成本和物料成本，计算得到一阶风险；获取所述客户的意愿度得分；利用所述一阶风险、所述意愿度得分、所述交易量、人工成本和物料成本，计算得到二阶风险；以及基于所述一阶风险和所述二阶风险，得到综合风险。

根据本公开的实施例，所述基于所述一阶风险和所述二阶风险，得到综合风险的步骤包括：将所述一阶风险和所述二阶风险相加，得到综合风险。

根据本公开的实施例，所述基于所述综合风险，获得所述客户的交易风险评估结果的步骤包括：预设风险阈值；和当所述综合风险小于所述风险阈值时，所述客户的交易风险评估结果为低风险，通过所述客户的交易。

根据本公开的实施例，所述方法还包括：当所述综合风险大于等于所述风险阈值时，所述客户的交易风险评估结果为高风险，将所述客户的交易纳入风险预警管理。

根据本公开的实施例，基于历史数据预先训练得到所述逻辑回归模型包括：获取历史数据，所述历史数据包括历史客户属性特征和历史违约概率；利用逻辑回归函数构建包含N个参数的违约概率的表达式，其中，N为大于等于1的整数；计算所述违约概率的表达式的对数似然函数；将所述对数似然函数分别对N个参数求导，得到包含参数的方程组，其中，所述方程组包含N个方程；将所述历史数据带入所述方程组，确定所述N个参数的参数值；以及基于所述N个参数的参数值，确定所述违约概率的表达式。

本公开的第二方面提供了一种交易风险的评估装置，包括：第一获取模块，用于获取待评估客户的客户属性数据，所述客户属性数据包括数值型数据和逻辑型数据；编码模块，用于对所述客户属性数据进行编码，得到客户属性特征，其中，所述对所述客户属性数据进行编码，得到客户属性特征的步骤包括：利用WOE编码方式对所述数值型数据进行编码，以获取客户属性特征；和利用哑变量编码方式对所述逻辑型数据进行编码，以获取客户属性特征；逻辑回归模块，用于将所述客户属性特征输入逻辑回归模型中，以确定所述客户的违约概率，其中，所述逻辑回归模型是基于历史数据预先训练得到的；第一计算模块，用于基于所述违约概率，计算所述客户的综合风险，其中，所述综合风险包括一阶风险和二阶风险，所述一阶风险用于表征成本风险，所述二阶风险用于表征超额利润风险；以及评估模块，用于基于所述综合风险，获得所述客户的交易风险评估结果。

根据本公开的实施例，所述数值型数据包括地区编号和年龄，所述逻辑型数据包括房产、汽车、社保和违约数据。

根据本公开的实施例，所述第一计算模块包括：第一获取单元，用于获取所述客户的交易量、人工成本和物料成本；第一计算单元，用于基于所述客户属性特征、所述违约概率、所述交易量、人工成本和物料成本，计算得到一阶风险；第二获取单元，用于获取所述客户的意愿度得分；第二计算单元，用于利用所述一阶风险、所述意愿度得分、所述交易量、人工成本和物料成本，计算得到二阶风险；以及第三计算单元，用于基于所述一阶风险和所述二阶风险，得到综合风险。

根据本公开的实施例，所述第三计算单元包括第一计算子模块，用于将所述一阶风险和所述二阶风险相加，得到综合风险。

根据本公开的实施例，所述评估模块包括：预设单元，用于预设风险阈值；和第一评估单元，用于当所述综合风险小于所述风险阈值时，所述客户的交易风险评估结果为低风险，通过所述客户的交易。

根据本公开的实施例，所述评估模块还包括：第二评估单元，用于当所述综合风险大于等于所述风险阈值时，所述客户的交易风险评估结果为高风险，将所述客户的交易纳入风险预警管理。

根据本公开的实施例，所述逻辑回归模块包括：第三获取单元，用于获取历史数据，所述历史数据包括历史客户属性特征和历史违约概率；表达式构建单元，用于利用逻辑回归函数构建包含N个参数的违约概率的表达式，其中，N为大于等于1的整数；第四计算单元，用于计算所述违约概率的表达式的对数似然函数；第五计算单元，用于将所述对数似然函数分别对N个参数求导，得到包含参数的方程组，其中，所述方程组包含N个方程；第六计算单元，用于将所述历史数据带入所述方程组，确定所述N个参数的参数值；以及第一确定单元，用于基于所述N个参数的参数值，确定所述违约概率的表达式。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述方法。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述方法。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述方法。

上述一个或多个实施例具有如下优点或有益效果：本公开实施例提供的交易风险的评估方法，利用WOE编码方式和哑变量编码方式对客户属性数据进行编码，并利用编码后的客户属性特征进行交易风险计算，从而加快了整体的计算速度，提高了交易风险评估的准确度。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的交易风险的评估方法、装置、设备、介质和程序产品的应用场景图；

图2示意性示出了根据本公开实施例的交易风险的评估方法的流程图；

图3示意性示出了根据本公开实施例的基于历史数据预先训练得到逻辑回归模型的流程图；

图4示意性示出了根据本公开实施例的计算客户的综合风险的流程图；

图5示意性示出了根据本公开实施例的得到综合风险的流程图；

图6示意性示出了根据本公开实施例的交易风险的评估装置的结构框图；以及

图7示意性示出了根据本公开实施例的适于实现交易风险的评估方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。

意愿度得分是衡量客户贷款意愿高低的指标，取值在0-1之间，取值高表示客户贷款意愿高，取值低表示客户贷款意愿低。在用户同意或授权可以获取用户信息的情况下，在系统后台对客户的信用卡、储蓄卡等历史贷款行为以及消费活动数据进行收集，通过机器学习的方法评估客户的贷款意愿度，将收集到的数据输入到up-lift模型，以获取客户的意愿度得分。

证据权重(weight ofevidence，缩写为WOE)是一种有监督的编码方式，将预测类别的集中度的属性作为编码的数值。

哑变量(Dummy Variables)又称虚设变量、名义变量，用以反映质的属性的一个人工变量，是量化了的自变量，通常取值为0或1。

交易风险评估是交易中的重要环节，对降低可能发生的交易损失有重要意义。为了对交易的风险进行评估，需要利用与交易相关的客户属性数据等相关数据进行计算。以贷款交易为例，银行需要依据贷款利率的大小进行交易风险评估。然而现行的商业个人贷款的定价装置的设计思路多以产品为中心，以产品特征为导向，根据货币政策、客户收入情况、客户年龄、地区等特征确定贷款利率。这种贷款利率的确定方法计算速度慢、灵活性差，不能及时、准确反映交易风险情况，不利于控制交易风险。

鉴于上述问题，本公开的实施例提供了一种交易风险的评估方法，包括：获取待评估客户的客户属性数据，所述客户属性数据包括数值型数据和逻辑型数据；对所述客户属性数据进行编码，得到客户属性特征；将所述客户属性特征输入逻辑回归模型中，以确定所述客户的违约概率，其中，所述逻辑回归模型是基于历史数据预先训练得到的；基于所述违约概率，计算所述客户的综合风险，其中，所述综合风险包括一阶风险和二阶风险，所述一阶风险用于表征成本风险，所述二阶风险用于表征超额利润风险；以及基于所述综合风险获得所述客户的交易风险评估结果；其中，所述对所述客户属性数据进行编码，得到客户属性特征的步骤包括：利用WOE编码方式对所述数值型数据进行编码，以获取客户属性特征；和利用哑变量编码方式对所述逻辑型数据进行编码，以获取客户属性特征。本公开实施例提供的交易风险的评估方法，利用WOE编码方式和哑变量编码方式对客户属性数据进行编码，并利用编码后的客户属性特征进行交易风险计算，从而加快了整体的计算速度，提高了交易风险评估的准确度。

需要说明的是，本公开确定的方法和装置可用于金融领域的交易风险的评估，也可用于除金融领域之外的任意领域的交易风险的评估，本公开交易风险的评估的方法和装置的应用领域不做限定。

在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

图1示意性示出了根据本公开实施例的交易风险的评估方法、装置、设备、介质和程序产品的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的交易风险的评估方法一般可以由服务器105执行。相应地，本公开实施例所提供的交易风险的评估装置一般可以设置于服务器105中。本公开实施例所提供的交易风险的评估方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的交易风险的评估装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图2示意性示出了根据本公开实施例的交易风险的评估方法的流程图。

如图2所示，该实施例的交易风险的评估方法包括操作S210～操作S250。

在操作S210，获取待评估客户的客户属性数据。其中，客户的属性数据是用于描述客户本身属性的数据，例如，地区编号(adr)，年龄(age)，先前是否为白名单客户(white)，是否有房产(house)，是否有汽车(car)，是否有社保(soci)，该客户是否违约(de)等。

在本公开的实施例中，在获取客户属性数据之前，可以获得客户的同意或授权。例如，在操作S210之前，可以向客户发出获取客户属性数据的请求。在用户同意或授权可以获取用户信息的情况下，执行所述操作S210。

在操作S220，对所述客户属性数据进行编码，得到客户属性特征。由于客户的属性数据为字符型数据，为了加快整体的计算速度，需要对客户的属性数据进行编码，得到数字型的特征属性特征。

根据本公开的实施例，所述客户属性数据包括数值型数据和逻辑型数据；所述对所述客户属性数据进行编码，得到客户属性特征的步骤包括：利用WOE编码方式对所述数值型数据进行编码，以获取客户属性特征；和利用哑变量编码方式对所述逻辑型数据进行编码，以获取客户属性特征。其中，数值型数据是指用编号表示的数据，例如客户的地区编码为0030000001，逻辑型数据是指是或否的数据，例如是否有房产。根据数据类型的不同，需要采取不同的编码方式，以简化编码过程，加快计算速度。

根据本公开的实施例，所述数值型数据包括地区编号和年龄，所述逻辑型数据包括房产、汽车、社保和违约数据。

示例性的，例如，输入数据为：地区编号(adr)、年龄(age)、先前是否为白名单客户(white)、是否有房产(house)、是否有汽车(car)、是否有社保(soci)。对输入数据的处理方式为：截取一定时间段内地区编号、年龄、白名单客户、房产、汽车和社保数据，将其中的地区编号和年龄利用WOE编码方式进行编码，其余变量利用哑变量编码方式进行编码。具体的数据时间段可以根据实际情况决定，例如可以选取近一年或者近半年的数据，本公开的实施例对此不做限定。

其中，以地区编号为例，说明利用WOE编码方式进行编码的具体逻辑为：将客户编号划分为6大区域，分别为东北、华北、西北、华东、西南、东南。则将所有客户按照这六大区域划分，并找出对应的违约结果。设G_T为六大区域客户的总客户数，G_i为某一区域的总客户数，i＝1，2...6。其中G_T＝G₁+G₂+...+G₆。设B_T为六大区域客户的违约客户数，B_i为某一区域的违约客户数，i＝1，2...6。其中B_T＝B₁+B₂+...+B₆。那么对于某一客户来说，将其地区编号进行woe编码的过程为：假设该客户的地区编号为0030000001，对应地区为华东，华东在六大区域中的编号为3，那么对应的地区编号的数字为：

这个过程便将0030000001这个不可直接输入模型的字符型数据转化为woe这种可以直接输入模型的数值型的客户属性特征。对年龄特征可以使用同样的方式转化为数值型的客户属性特征。

以房产数据为例，说明利用哑变量编码方式进行编码的具体逻辑为：若该客户有房产，则该变量的数值为1，否则为0。同样的，可以设置若该客户违约，则该变量的数值为1，否则为0。这个过程将逻辑型数据转化为数值型的客户属性特征。

在操作S230，将所述客户属性特征输入逻辑回归模型中，以确定所述客户的违约概率，其中，所述逻辑回归模型是基于历史数据预先训练得到的。

图3示意性示出了根据本公开实施例的基于历史数据预先训练得到逻辑回归模型的流程图。

如图3所示，该实施例的基于历史数据预先训练得到逻辑回归模型包括操作S310～操作S360。

在操作S310，获取历史数据，所述历史数据包括历史客户属性特征和历史违约概率。

在操作S320，利用逻辑回归函数构建包含N个参数的违约概率的表达式，其中，N为大于等于1的整数。

在操作S330，计算所述违约概率的表达式的对数似然函数。

在操作S340，将所述对数似然函数分别对N个参数求导，得到包含参数的方程组，其中，所述方程组包含N个方程。

在操作S350，将所述历史数据带入所述方程组，确定所述N个参数的参数值。

在操作S360，基于所述N个参数的参数值，确定所述违约概率的表达式。

示例性的，利用逻辑回归函数构建包含6个参数的违约概率的表达式为：

其中，θ1到θ7为未知参数，需要使用历史数据将参数计算出来，其中，历史数据包括客户的历史违约概率de和地区编号(adr)、年龄(age)、先前是否为白名单客户(white)、是否有房产(house)、是否有汽车(car)、是否有社保(soci)等历史客户属性特征。

便得到公式(1)的完全形式。为方便表示，可以使用向量的形式表示变量，则有：

ω＝[θ₁ θ₂ θ₃ θ₄ θ₅ θ₆ θ₇]X＝[adr age white house car soci]

假设现在用于建模的总客户数为N，那么公式(1)的对数似然函数为：

公式(2)是一个关于ω的函数，取使得L最大的ω即为所模型所需要的参数。将所述公式(2)分别对7个未知参数求导，得到包含参数的方程组，其中，所述方程组包含7个方程。将所述历史数据带入所述方程组，确定所述7个参数的参数值。最后基于所述7个参数的参数值，确定所述违约概率的表达式，完成了逻辑回归模型的构建。需要说明的是，历史数据的个数需要大于等于N，此处的历史数据的个数需要大于等于7，以保证能得到7个方程。

在操作S240，基于所述违约概率，计算所述客户的综合风险，其中，所述综合风险包括一阶风险和二阶风险，所述一阶风险用于表征成本风险，所述二阶风险用于表征超额利润风险。

图4示意性示出了根据本公开实施例的计算客户的综合风险的流程图。

如图4所示，该实施例的计算客户的综合风险包括操作S410～操作S450。

在操作S410，获取所述客户的交易量、人工成本和物料成本。以贷款交易为例，在此场景下，客户的交易量即为客户的交易金额，人工成本为银行的运营成本，物料成本为银行资金成本。

在操作S420，基于所述客户属性特征、所述违约概率、所述交易量、人工成本和物料成本，计算得到一阶风险，其中，所述一阶风险用于表征成本风险。在贷款交易的场景下，一阶风险即银行对客户收取的一阶利率。

示例性的，在确定所述违约概率的表达式之后，将客户对应的地区编号、年龄、白名单客户、房产、汽车、社保等客户属性特征带入公式(1)，得到该客户的违约概率de。假设该客户的交易金额，即银行给客户的放贷金额为A1，银行花在该客户身上的运营成本为cost，银行的平均资金成本为rc，银行对该客户收取的一阶利率为r1，那么应该存在如下等式：

(1-de)*A1*(1+r1)＝(A1+cost)*(1+rc)  (3)

根据公式(3)可以得到应该对该客户收取的一阶利率r1有：

r1＝(A1+cos t)*(1+rc)/1-de-1  (4)

在操作S430，获取所述客户的意愿度得分。

在操作S440，利用所述一阶风险、所述意愿度得分、所述交易量、人工成本和物料成本，计算得到二阶风险，其中，所述二阶风险用于表征超额利润风险。在贷款交易的场景下，二阶风险即银行对客户收取的二阶利率。

示例性的，输入数据为意愿度得分w、银行对客户收取的一阶利率r1、交易金额，即银行给客户的放贷金额A1、银行对该客户的运营成本cost、银行的平均资金成本rc。处理逻辑：由于银行贷款利率与放贷金额成正比，而客户意愿度与银行可放贷利率成正比。设银行的利润为y，二阶利率为r2，那么银行的利润与二阶利率之间应该存在如下函数关系：

可以得到公式(5)是一个以y为因变量，以r2为自变量的函数关系，为了能够使得银行利润最大，应当取r2使得y取得最大值。关于y对r2求导数可以得到：

若要使得：

那么有：

[w-(1+r1+r2)]*(1-de)+(1+rc)＝0

得到：

且由公式性质可以得到该点r2即为使得y取得最大值的点，由此便完成了二阶利率的计算。

在操作S450，基于所述一阶风险和所述二阶风险，得到综合风险。具体的，在贷款交易的场景中，综合风险即综合利率，是基于所述一阶利率和所述二阶利率得到的，银行需要依据综合利率的大小进行交易风险评估。其中，可以直接叠加所述一阶利率和所述二阶利率，也可以给一阶利率和二阶利率分别赋予对应的权重，乘以相应的权重后再叠加，以分别体现成本风险和超额利润风险的重要性不同。这种将利率拆分为一阶利率和二阶利率，一阶利率主要利用客户的还款能力特征建立起还款能力与违约率之间的关系，从而对对应客户收取利率以覆盖因可能违约而造成的损失，用于覆盖商业银行的经营成本，二阶利率用于针对每个客户意愿度的不同收取不同的利率，在不改变商业银行产品的大框架下低成本的实现了利率的精准确定，提升的系统的灵活度，从而使得基于利率的风险评估结果更加准确，更能反应客户的实际情况，降低了潜在的金融风险，避免损失。

图5示意性示出了根据本公开实施例的得到综合风险的流程图。

如图5所示，该实施例的得到综合风险包括操作S510。

在操作S510，将所述一阶风险和所述二阶风险相加，得到综合风险，这种直接相加的方式，计算方式简单，能快速得到综合风险。

在操作S250，基于所述综合风险，获得所述客户的交易风险评估结果。

根据本公开的实施例，所述基于所述综合风险，获得所述客户的交易风险评估结果的步骤包括：预设风险阈值；和当所述综合风险小于所述风险阈值时，所述客户的交易风险评估结果为低风险，通过所述客户的交易。在贷款交易的场景中，由于综合利率的高低表示风险的大小，当综合利率低于预设的风险阈值时，表明交易的风险较低，可以正常进行，此时可以向所述客户正常发放贷款。

根据本公开的实施例，所述方法还包括：当所述综合风险大于等于所述风险阈值时，所述客户的交易风险评估结果为高风险，将所述客户的交易纳入风险预警管理。在贷款交易的场景中，当综合利率大于等于预设的风险阈值时，表明交易的风险较高，此外在向所述客户发放贷款时需要注意风险管理，以降低潜在损失。

本公开实施例提供的交易风险的评估方法，利用WOE编码方式和哑变量编码方式对客户属性数据进行编码，并利用编码后的客户属性特征进行交易风险计算，从而加快了整体的计算速度，提高了交易风险评估的准确度。

基于上述交易风险的评估方法，本公开还提供了一种交易风险的评估装置。以下将结合图5对该装置进行详细描述。

图6示意性示出了根据本公开实施例的交易风险的评估装置的结构框图。

如图6所示，该实施例的交易风险的评估装置600包括第一获取模块610、编码模块620、逻辑回归模块630、第一计算模块640和评估模块650。

第一获取模块610，用于获取待评估客户的客户属性数据，所述客户属性数据包括数值型数据和逻辑型数据。在一实施例中，第一获取模块610可以用于执行前文描述的操作S210，在此不再赘述。

编码模块620，用于对所述客户属性数据进行编码，得到客户属性特征，其中，所述对所述客户属性数据进行编码，得到客户属性特征的步骤包括：利用WOE编码方式对所述数值型数据进行编码，以获取客户属性特征。和利用哑变量编码方式对所述逻辑型数据进行编码，以获取客户属性特征。在一实施例中，编码模块620可以用于执行前文描述的操作S220，在此不再赘述。

逻辑回归模块630，用于将所述客户属性特征输入逻辑回归模型中，以确定所述客户的违约概率，其中，所述逻辑回归模型是基于历史数据预先训练得到的。在一实施例中，逻辑回归模块630可以用于执行前文描述的操作S230，在此不再赘述。

第一计算模块640，用于基于所述违约概率，计算所述客户的综合风险，其中，所述综合风险包括一阶风险和二阶风险，所述一阶风险用于表征成本风险，所述二阶风险用于表征超额利润风险。在一实施例中，第一计算模块640可以用于执行前文描述的操作S240，在此不再赘述。

评估模块650，用于基于所述综合风险，获得所述客户的交易风险评估结果。在一实施例中，评估模块650可以用于执行前文描述的操作S250，在此不再赘述。

根据本公开的实施例，所述第一获取模块中的客户属性数据包括数值型数据和逻辑型数据；所述编码模块包括：第一编码单元，用于利用WOE编码方式对所述数值型数据进行编码，以获取客户属性特征；和第二编码单元，用于利用哑变量编码方式对所述逻辑型数据进行编码，以获取客户属性特征。

根据本公开的实施例，所述数值型数据包括地区编号和年龄，所述逻辑型数据包括房产、汽车、社保和违约数据。

根据本公开的实施例，所述第一计算模块包括：第一获取单元，用于获取所述客户的交易量、人工成本和物料成本；第一计算单元，用于基于所述客户属性特征、所述违约概率、所述交易量、人工成本和物料成本，计算得到一阶风险；第二获取单元，用于获取所述客户的意愿度得分；第二计算单元，用于利用所述一阶风险、所述意愿度得分、所述交易量、人工成本和物料成本，计算得到二阶风险；以及第三计算单元，用于基于所述一阶风险和所述二阶风险，得到综合风险。

根据本公开的实施例，所述第三计算单元包括第一计算子模块，用于将所述一阶风险和所述二阶风险相加，得到综合风险。

根据本公开的实施例，所述评估模块包括：预设单元，用于预设风险阈值；和第一评估单元，用于当所述综合风险小于所述风险阈值时，所述客户的交易风险评估结果为低风险，通过所述客户的交易。

根据本公开的实施例，所述评估模块还包括：第二评估单元，用于当所述综合风险大于等于所述风险阈值时，所述客户的交易风险评估结果为高风险，将所述客户的交易纳入风险预警管理。

根据本公开的实施例，所述逻辑回归模块包括：第三获取单元，用于获取历史数据，所述历史数据包括历史客户属性特征和历史违约概率；表达式构建单元，用于利用逻辑回归函数构建包含N个参数的违约概率的表达式，其中，N为大于等于1的整数；第四计算单元，用于计算所述违约概率的表达式的对数似然函数；第五计算单元，用于将所述对数似然函数分别对N个参数求导，得到包含参数的方程组，其中，所述方程组包含N个方程；第六计算单元，用于将所述历史数据带入所述方程组，确定所述N个参数的参数值；以及第一确定单元，用于基于所述N个参数的参数值，确定所述违约概率的表达式。

根据本公开的实施例，第一获取模块610、编码模块620、逻辑回归模块630、第一计算模块640和评估模块650中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一获取模块610、编码模块620、逻辑回归模块630、第一计算模块640和评估模块650中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块610、编码模块620、逻辑回归模块630、第一计算模块640和评估模块650中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图7示意性示出了根据本公开实施例的适于实现交易风险的评估方法的电子设备的方框图。

如图7所示，根据本公开实施例的电子设备700包括处理器701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 703中，存储有电子设备700操作所需的各种程序和数据。处理器701、ROM702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备700还可以包括输入/输出(I/O)接口705，输入/输出(I/O)接口705也连接至总线704。电子设备700还可以包括连接至I/O接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例的方法。

在该计算机程序被处理器701执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分709被下载和安装，和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (11)

1.一种交易风险的评估方法，其特征在于，所述方法包括：

获取待评估客户的客户属性数据，所述客户属性数据包括数值型数据和逻辑型数据；

对所述客户属性数据进行编码，得到客户属性特征；

将所述客户属性特征输入逻辑回归模型中，以确定所述客户的违约概率，其中，所述逻辑回归模型是基于历史数据预先训练得到的；

基于所述违约概率，计算所述客户的综合风险，其中，所述综合风险包括一阶风险和二阶风险，所述一阶风险用于表征成本风险，所述二阶风险用于表征超额利润风险；以及

基于所述综合风险，获得所述客户的交易风险评估结果；

其中，所述对所述客户属性数据进行编码，得到客户属性特征的步骤包括：

利用WOE编码方式对所述数值型数据进行编码，以获取客户属性特征；和

利用哑变量编码方式对所述逻辑型数据进行编码，以获取客户属性特征。

2.根据权利要求1所述的方法，其特征在于，所述数值型数据包括地区编号和年龄，所述逻辑型数据包括房产、汽车、社保和违约数据。

3.根据权利要求1所述的方法，其特征在于，所述基于所述违约概率，计算所述客户的综合风险的步骤包括：

获取所述客户的交易量、人工成本和物料成本；

基于所述客户属性特征、所述违约概率、所述交易量、人工成本和物料成本，计算得到一阶风险；

获取所述客户的意愿度得分；

利用所述一阶风险、所述意愿度得分、所述交易量、人工成本和物料成本，计算得到二阶风险；以及

基于所述一阶风险和所述二阶风险，得到综合风险。

4.根据权利要求3所述的方法，其特征在于，所述基于所述一阶风险和所述二阶风险，得到综合风险的步骤包括：

将所述一阶风险和所述二阶风险相加，得到综合风险。

5.根据权利要求1所述的方法，其特征在于，所述基于所述综合风险，获得所述客户的交易风险评估结果的步骤包括：

预设风险阈值；和

当所述综合风险小于所述风险阈值时，所述客户的交易风险评估结果为低风险，通过所述客户的交易。

6.根据权利要求4所述的方法，其特征在于，所述方法还包括：

当所述综合风险大于等于所述风险阈值时，所述客户的交易风险评估结果为高风险，将所述客户的交易纳入风险预警管理。

7.根据权利要求1-6任一项所述的方法，其特征在于，基于历史数据预先训练得到所述逻辑回归模型包括：

获取历史数据，所述历史数据包括历史客户属性特征和历史违约概率；

利用逻辑回归函数构建包含N个参数的违约概率的表达式，其中，N为大于等于1的整数；

计算所述违约概率的表达式的对数似然函数；

将所述对数似然函数分别对N个参数求导，得到包含参数的方程组，其中，所述方程组包含N个方程；

将所述历史数据带入所述方程组，确定所述N个参数的参数值；以及

基于所述N个参数的参数值，确定所述违约概率的表达式。

8.一种交易风险的评估装置，包括：

第一获取模块，用于获取待评估客户的客户属性数据，所述客户属性数据包括数值型数据和逻辑型数据；

编码模块，用于对所述客户属性数据进行编码，得到客户属性特征，其中，所述对所述客户属性数据进行编码，得到客户属性特征的步骤包括：利用WOE编码方式对所述数值型数据进行编码，以获取客户属性特征；和利用哑变量编码方式对所述逻辑型数据进行编码，以获取客户属性特征；

逻辑回归模块，用于将所述客户属性特征输入逻辑回归模型中，以确定所述客户的违约概率，其中，所述逻辑回归模型是基于历史数据预先训练得到的；

第一计算模块，用于基于所述违约概率，计算所述客户的综合风险，其中，所述综合风险包括一阶风险和二阶风险，所述一阶风险用于表征成本风险，所述二阶风险用于表征超额利润风险；以及

评估模块，用于基于所述综合风险，获得所述客户的交易风险评估结果。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～7中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～7中任一项所述的方法。

11.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～7中任一项所述的方法。

Images