CN116167629A - 一种分布式的策略自动化生成方法、系统及存储介质 - Google Patents
一种分布式的策略自动化生成方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116167629A CN116167629A CN202310107106.0A CN202310107106A CN116167629A CN 116167629 A CN116167629 A CN 116167629A CN 202310107106 A CN202310107106 A CN 202310107106A CN 116167629 A CN116167629 A CN 116167629A
- Authority
- CN
- China
- Prior art keywords
- variable
- algorithm
- data
- strategy
- module
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及金融风控技术领域,公开一种分布式的策略自动化生成方法、系统及存储介质,系统包括数据准备模块、数据处理模块、数据探索模块、特征工程模块、因子分析模块、策略生成模块,其中策略生成模块,用于根据特征工程模块和因子分析模块生成的结果数据,设置对应的策略生成条件,并从算法库中调取对应的策略生成算法,生成对应的候选上线策略。本方案能够快速、高效地生成风控策略,使得初、中级策略人员或者缺乏专业人员的中小型金融机构也能生成效果较好的风控策略。
Description
技术领域
本发明涉及金融风控技术领域,具体涉及一种分布式的策略自动化生成方法、系统及存储介质。
背景技术
风险控制是金融行业的核心,各金融机构拥有数十、数百甚至上千不等的风险管理团队,该团队的核心工作在于识别客户的欺诈风险和信用风险,判断客户的还款意愿和还款能力,制定差异化的风险管控策略,降低风险损失,促进利润最大化。在互联网金融领域中,考虑到期风险隐蔽性更强、风险更加的复杂多变,所以对于一些金融机构来说,对应的风险策略的生成尤为重要,特别是中小型金融机构。
目前,在生成风控策略时,策略人员需要经历数天、数周甚至数月的时间,才能完成整个流程,并且由于不同策略人员能力和方法的参差不齐,最后策略的效能差异极大,这就造成现有的技术在进行风控策略生成时,耗时较长、准确性较差,同时对于中小型金融机构来说,其策略人员数量少,且策略人员的能力普遍比较低,这就造成其进行风控策略生成的困难度更大、准确性更差。
因此,如何快速、高效地生成风控策略,使得初、中级策略人员或者缺乏专业人员的中小型金融机构也能生成效果较好的风控策略,成为当前亟需解决的技术问题。
发明内容
本发明意在提供一种分布式的策略自动化生成方法、系统及存储介质,能够快速、高效地生成风控策略,使得初、中级策略人员或者缺乏专业人员的中小型金融机构也能生成效果较好的风控策略。
为达到上述目的,本发明采用如下技术方案:一种分布式的策略自动化生成系统,包括:
数据准备模块,用于从指定数据源中获取客户金融数据;
数据处理模块,用于根据获取到的客户金融数据,以及预先设置的缺失值的定义和处理方法,从算法库中调取对应的第一算法对客户金融数据进行缺失值计算,并生成各个客户金融数据所对应的缺失值;
数据探索模块,用于根据预先设置的字段范围、统计的指标以及分组方式,以及对应的客户金融数据,从算法库中调取对应的第二算法进行描述性统计,生成对应的描述性统计报告;并根据对应的描述性统计报告,以及预先设置的变量筛选条件,对客户金融数据进行筛选,生成对应的基础变量;
特征工程模块,用于根据对应的基础变量,从算法库中调取对应的变量衍生算法,对基础变量进行衍生,生成对应的衍生变量;
因子分析模块,用于选定对应的目标变量,并根据选定的目标变量、以及对应的因子变量,从算法库中调取因子分析方法进行因子分析,生成对应的因子分析报告;所述因子分析报告包括因子变量对目标变量好坏样本的区分度和贡献;所述因子变量为基础变量或者衍生变量;
策略生成模块,用于根据对应的基础变量和因子分析报告,设置对应的策略生成条件,并从算法库中调取对应的策略生成算法,生成对应的候选上线策略。
本方案的原理及优点是:在本方案中,首先通过数据准备模块去指定数据源中获取客户金融数据,之后通过数据处理摸对客户金融数据进行处理,具体的就是设置对应的缺失值的定义以及处理方法,然后从算法库中调取对应的第一算法,利用第一算法来对客户金融数据进行缺失值的计算,从而实现对客户金融数据的缺失值的确定。在确定完成值,就会根据预先设置的字段范围,统计的指标以及分组方式,对客户金融数据进行预处理,并且从算法库中调取对应的第二算法对处理后的数据进行描述性统计,从而生成对应的描述性统计报告,并且会根据这个描述性统计报告,匹配出预先设置好的变量筛选条件,对处理后的客户金融数据进行筛选,筛选出对应的基础变量。
之后就会通过特征工作模块对基础变量进行衍生,具体的,通过算法库中调取变量衍生算法对基础变量进行衍生,从而得到对应的衍生变量,之后通过设置需要分析的变量范围,以及选定目标变量,从算法库中调取因子分析方法对衍生变量进行因子分析,进而得到对应因子分析报告,在本方案中,基础变量包括一个或者多个,最后就可以根据因子分析模块分析出来的因子分析报告以及前面生成的基础变量,设置对应的策略生成条件,并且根据这个从算法库中调取策略生成算法进行对应的策略生成,从而生成对应的候选上线策略。
1、本方案中在对客户金融数据进行处理时,通过调用算法库中的对应的算法来对数据进行处理,这样不仅大大提高了各个模块在对数据处理时的效率,同时相比现有技术中通过人工、手动生成策略,本方案具备策略生成速度快、策略质量高的优点,能够有利于应对当前复杂多变的互联网金融风险,能够帮助中、低级策略人员快速生成效能较高的策略,以及帮助高级策略人员提高策略生成的速度。
2、本方案重点放在策略生成流程的标准化和优秀策略算法的沉淀上,中间过程和最终结果均有相应的报告输出,这样使得整个策略生成的过程具有较强的可解释性以及安全合格的优点。
优选的,作为一种改进,还包括策略评估模块,用于获取验证的客户金融数据集,并对应的评估指标进行设置,并对候选上线策略进行评估,生成对应的策略评估报告。
有益效果:本方案中,在生成对应的策略之后将其作为候选,之后通过相应的评估指标,对候选上线策略进行评估,并通过对应的生成的策略评估报告来对候选上线策略在验证的客户金融数据集中的效果,实现了对策略覆盖度、提升度、稳定性的评估,大大提高策略的质量。
优选的,作为一种改进,所述策略评估模块包括:
所述策略评估模块包括:
样本采集模块,用于采集验证样本所对应的客户金融数据集;
指标设置模块,用于设置对应的评估指标;所述评估指标包括不达标阈值;
判断模块,用于根据对应的客户金融数据集,以及对应的候选上线策略,根据设置的评估指标调用对应的评估算法对策略的覆盖度、提升度、稳定性进行评估,生成对应的策略评估值;
并将策略评估值与不达标阈值进行比较判断,若策略评估值大于不达标阈值,则判断该候选上线策略不合格,反之则判断该候选上线策略为合格的;
报告生成模块,用于根据对应的判断结果,生成对应的策略评估报告。
有益效果:在对候选上线策略进行评估时通过多角度的评估,大大提高了评估的准确性。
优选的,作为一种改进,还包括参数搜索模块,用于在执行变量衍生算法以及因子分析方法时,通过参数搜索器寻找对应的最佳参数。
有益效果:通过参数搜索模块的设置能够快速的准确的命中对应的最佳参数,从而确保在算法执行的过程中对应的输出的最优性。
优选的,作为一种改进,所述变量筛选条件包括基于某一类数据的缺失率,剔除掉缺失率大的一类数据,基于数据单元素取值占比,剔除掉单元素取值大的数据,基于数据的相关性,剔除掉相关性高的数据,基于数据的贡献度,剔除掉贡献度低的数据。
优选的,作为一种改进,还包括算法计算模块,用于调取对应的算法前,对输入到该算法的数据的数据类型和数据量进行识别,并根据对应的识别结果,判断出本次计算所使用的计算引擎,并根据识别出来的计算引擎,调取该计算引擎所对应版本的算法;所述计算引擎包括本地Python执行引擎、Spark分布式计算引擎。
有益效果:本方案中在各个模块进行算法调用之前,就会对要输入到对应算法的数据的数据类型和数据量进行识别,即整个输入的数据都包括哪些数据,例如判断该数据是不是只有客户金融数据,如果是,就判断本次是要进行缺失值的计算,那么就会调取对应的缺失值计算所对应的算法,之后就会根据该数据的数据量,即是数万规模还是数百万规模的,不同规模的数据量对应的不同的计算引擎,这样可以确保各个规模级别的数据都能够得到快速的计算,从而大大提高整个流程的处理速度。
本发明还提供一种分布式的策略自动化生成方法,包括以下步骤:
S1、从指定数据源中获取客户金融数据;
S2、根据获取到的客户金融数据,以及预先设置的缺失值的定义和处理方法,从算法库中调取对应的第一算法对客户金融数据进行缺失值计算,并生成各个客户金融数据所对应的缺失值;
S3、根据预先设置的字段范围、统计的指标以及分组方式,以及对应的客户金融数据,从算法库中调取对应的第二算法进行描述性统计,生成对应的描述性统计报告;并根据对应的描述性统计报告,以及预先设置的变量筛选条件,对客户金融数据进行筛选,生成对应的基础变量;
S4、根据对应的基础变量,从算法库中调取对应的变量衍生算法,对基础变量进行衍生,生成对应的衍生变量;
S5、选定对应的目标变量,并根据选定的目标变量、以及对应的因子变量,从算法库中调取因子分析方法进行因子分析,生成对应的因子分析报告;所述因子分析报告包括因子变量对目标变量好坏样本的区分度和贡献;所述因子变量为基础变量或者衍生变量;
S6、根据对应的基础变量和因子分析报告,设置对应的策略生成条件,并从算法库中调取对应的策略生成算法,生成对应的候选上线策略。
本方案的原理以及效果:本方案中在对客户金融数据进行处理时,通过调用算法库中的对应的算法来对数据进行处理,这样不仅大大提高了各个模块在对数据处理时的效率,同时相比现有技术中通过人工、手动生成策略,本方案具备策略生成速度快、策略质量高的优点,能够有利于应对当前复杂多变的互联网金融风险,能够帮助中、低级策略人员快速生成效能较高的策略,以及帮助高级策略人员提高策略生成的速度;本方案重点放在策略生成流程的标准化和优秀策略算法的沉淀上,中间过程和最终结果均有相应的报告输出,这样使得整个策略生成的过程具有较强的可解释性以及安全合格的优点。
本发明还公开了一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序被执行时,实现上述的分布式的策略自动化生成系统。
附图说明
图1为本发明实施例一中分布式的策略自动化生成系统的逻辑框图。
图2为本发明实施例一中分布式的策略自动化生成方法的流程图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例基本如附图1所示:一种分布式的策略自动化生成系统,包括:
数据准备模块,用于从指定数据源中获取客户金融数据;在本实施例中,除了到指定数据源中获取客户金融数据之后,还可以通过操作人员上传对应的客户金融数据。
数据处理模块,用于根据获取到的客户金融数据,以及预先设置的缺失值的定义和处理方法,从算法库中调取对应的第一算法对客户金融数据进行缺失值计算,并生成各个客户金融数据所对应的缺失值;
数据探索模块,用于根据预先设置的字段范围、统计的指标以及分组方式,以及对应的客户金融数据,从算法库中调取对应的第二算法进行描述性统计,生成对应的描述性统计报告;并根据对应的描述性统计报告,以及预先设置的变量筛选条件,对客户金融数据进行筛选,生成对应的基础变量;所述变量筛选条件包括基于某一类数据的缺失率,剔除掉缺失率大的一类数据,比如某一类客户金融数据普遍缺失收入数据,缺失率大,如达到70%,那么该类数据是不可取的,就会被剔除掉。基于数据单元素取值占比,剔除掉单元素取值大的数据,例如,某些客户金融数据在性别比例方面,男女占比明显不符合常规的,需要剔除掉此类数据。基于数据的相关性,剔除掉相关性高的数据,基于数据的贡献度,剔除掉贡献度低的数据。本实施例所述的贡献度是指衡量数据的有用性,因此剔除掉一些用处低的数据。
在本实施例中,描述性统计报告不仅对客户金融数据的缺失率进行查看,同时还会统计变量的取值数,以及对应的数据的分位数,数据的分位数是数值型变量比如平均年龄分布。
特征工程模块,用于根据对应的基础变量,从算法库中调取对应的变量衍生算法,对基础变量进行衍生,生成对应的衍生目标变量;例如可以根据收入和负债生成收入负债比,根据信用卡使用金额和授信金额生成信用的使用额度等。在本实施例中,基础变量可以为一个也可以为多个,将对应的一个或多个基础变量衍生为更具有意义的目标变量输入因子即为对应的衍生目标变量,提供数据离散化、数据组合。
因子分析模块,用于选定对应的目标变量,并根据选定的目标变量、以及对应的因子变量,从算法库中调取因子分析方法进行因子分析,生成对应的因子分析报告;所述因子分析报告包括因子变量对目标变量好坏样本的区分度和贡献;所述因子变量为基础变量或者衍生变量;
策略生成模块,用于根据对应的基础变量和因子分析报告,设置对应的策略生成条件,并从算法库中调取对应的策略生成算法,生成对应的候选上线策略。
还包括策略评估模块,用于获取验证的客户金融数据集,并对应的评估指标进行设置,并对候选上线策略进行评估,生成对应的策略评估报告。
所述策略评估模块包括:
样本采集模块,用于采集验证样本所对应的客户金融数据集;
指标设置模块,用于设置对应的评估指标;所述评估指标包括不达标阈值;
判断模块,用于根据对应的客户金融数据集,以及对应的候选上线策略,根据设置的评估指标调用对应的评估算法对策略的覆盖度、提升度、稳定性进行评估,生成对应的策略评估值;
并将策略评估值与不达标阈值进行比较判断,若策略评估值大于不达标阈值,则判断该候选上线策略不合格,反之则判断该候选上线策略为合格的;
报告生成模块,用于根据对应的判断结果,生成对应的策略评估报告。
还包括参数搜索模块,用于在执行变量衍生算法以及因子分析方法时,通过参数搜索器寻找对应的最佳参数。
算法计算模块,用于调取对应的算法前,对输入到该算法的数据的数据类型和数据量进行识别,并根据对应的识别结果,判断出本次计算所使用的计算引擎,并根据识别出来的计算引擎,调取该计算引擎所对应版本的算法;所述计算引擎包括本地Python执行引擎、Spark分布式计算引擎。本实施例中,在执行对应的算法时,都会交给对应的计算引擎进行执行,在对对应的数据量比较小时,就会使用对应的本地Python执行引擎,而当数据量比较大,则使用Spark分布式计算引擎,相比现有技术中,传统策略人员在本地计算机上处理数万、数十万规模的样本没有问题,面对数百万甚至数亿样本规模的数据则较为困难,需要依据分布式计算框架的规则进行重新编程,本方案通过不同数据量进行不同计算引擎的选择,可以比较快速的对数据进行处理,不需要进行学习和重编程,大大提高算法执行速度,同时简单易用,计算能力也会比较强。
如图2所示,本实施例还公开了一种分布式的策略自动化生成方法,包括以下步骤:
S1、从指定数据源中获取客户金融数据;
S2、根据获取到的客户金融数据,以及预先设置的缺失值的定义和处理方法,从算法库中调取对应的第一算法对客户金融数据进行缺失值计算,并生成各个客户金融数据所对应的缺失值;
S3、根据预先设置的字段范围、统计的指标以及分组方式,以及对应的客户金融数据,从算法库中调取对应的第二算法进行描述性统计,生成对应的描述性统计报告;并根据对应的描述性统计报告,以及预先设置的变量筛选条件,对客户金融数据进行筛选,生成对应的基础变量;
S4、根据对应的基础变量,从算法库中调取对应的变量衍生算法,对基础变量进行衍生,生成对应的衍生变量;
S5、选定对应的目标变量,并根据选定的目标变量、以及对应的因子变量,从算法库中调取因子分析方法进行因子分析,生成对应的因子分析报告;所述因子分析报告包括因子变量对目标变量好坏样本的区分度和贡献;所述因子变量为基础变量或者衍生变量;
S6、根据对应的基础变量和因子分析报告,设置对应的策略生成条件,并从算法库中调取对应的策略生成算法,生成对应的候选上线策略。
本实施例还公开了一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序被执行时,实现上述的分布式的策略自动化生成系统。
以上所述的仅是本发明的实施例,方案中公知的具体技术方案和/或特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明技术方案的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (8)
1.一种分布式的策略自动化生成系统,其特征在于:包括:
数据准备模块,用于从指定数据源中获取客户金融数据;
数据处理模块,用于根据获取到的客户金融数据,以及预先设置的缺失值的定义和处理方法,从算法库中调取对应的第一算法对客户金融数据进行缺失值计算,并生成各个客户金融数据所对应的缺失值;
数据探索模块,用于根据预先设置的字段范围、统计的指标以及分组方式,以及对应的客户金融数据,从算法库中调取对应的第二算法进行描述性统计,生成对应的描述性统计报告;并根据对应的描述性统计报告,以及预先设置的变量筛选条件,对客户金融数据进行筛选,生成对应的基础变量;
特征工程模块,用于根据对应的基础变量,从算法库中调取对应的变量衍生算法,对基础变量进行衍生,生成对应的衍生变量;
因子分析模块,用于选定对应的目标变量,并根据选定的目标变量、以及对应的因子变量,从算法库中调取因子分析方法进行因子分析,生成对应的因子分析报告;所述因子分析报告包括因子变量对目标变量好坏样本的区分度和贡献;所述因子变量为基础变量或者衍生变量;
策略生成模块,用于根据对应的基础变量和因子分析报告,设置对应的策略生成条件,并从算法库中调取对应的策略生成算法,生成对应的候选上线策略。
2.根据权利要求1所述的一种分布式的策略自动化生成系统,其特征在于:还包括策略评估模块,用于获取验证的客户金融数据集,并对应的评估指标进行设置,并对候选上线策略进行评估,生成对应的策略评估报告。
3.根据权利要求2所述的一种分布式的策略自动化生成系统,其特征在于:所述策略评估模块包括:
样本采集模块,用于采集验证样本所对应的客户金融数据集;
指标设置模块,用于设置对应的评估指标;所述评估指标包括不达标阈值;
判断模块,用于根据对应的客户金融数据集,以及对应的候选上线策略,根据设置的评估指标调用对应的评估算法对策略的覆盖度、提升度、稳定性进行评估,生成对应的策略评估值;
并将策略评估值与不达标阈值进行比较判断,若策略评估值大于不达标阈值,则判断该候选上线策略不合格,反之则判断该候选上线策略为合格的;
报告生成模块,用于根据对应的判断结果,生成对应的策略评估报告。
4.根据权利要求3所述的一种分布式的策略自动化生成系统,其特征在于:还包括参数搜索模块,用于在执行变量衍生算法以及因子分析方法时,通过参数搜索器寻找对应的最佳参数。
5.根据权利要求4所述的一种分布式的策略自动化生成系统,其特征在于:所述变量筛选条件包括基于某一类数据的缺失率,剔除掉缺失率大的一类数据,基于数据单元素取值占比,剔除掉单元素取值大的数据,基于数据的相关性,剔除掉相关性高的数据,基于数据的贡献度,剔除掉贡献度低的数据。
6.根据权利要求5所述的一种分布式的策略自动化生成系统,其特征在于:还包括算法计算模块,用于调取对应的算法前,对输入到该算法的数据的数据类型和数据量进行识别,并根据对应的识别结果,判断出本次计算所使用的计算引擎,并根据识别出来的计算引擎,调取该计算引擎所对应版本的算法;所述计算引擎包括本地Python执行引擎、Spark分布式计算引擎。
7.一种分布式的策略自动化生成方法,其特征在于:包括以下步骤:
S1、从指定数据源中获取客户金融数据;
S2、根据获取到的客户金融数据,以及预先设置的缺失值的定义和处理方法,从算法库中调取对应的第一算法对客户金融数据进行缺失值计算,并生成各个客户金融数据所对应的缺失值;
S3、根据预先设置的字段范围、统计的指标以及分组方式,以及对应的客户金融数据,从算法库中调取对应的第二算法进行描述性统计,生成对应的描述性统计报告;并根据对应的描述性统计报告,以及预先设置的变量筛选条件,对客户金融数据进行筛选,生成对应的基础变量;
S4、根据对应的基础变量,从算法库中调取对应的变量衍生算法,对基础变量进行衍生,生成对应的衍生变量;
S5、选定对应的目标变量,并根据选定的目标变量、以及对应的因子变量,从算法库中调取因子分析方法进行因子分析,生成对应的因子分析报告;所述因子分析报告包括因子变量对目标变量好坏样本的区分度和贡献;所述因子变量为基础变量或者衍生变量;
S6、根据对应的基础变量和因子分析报告,设置对应的策略生成条件,并从算法库中调取对应的策略生成算法,生成对应的候选上线策略。
8.一种存储介质,所述存储介质中存储有计算机程序,其特征在于:所述计算机程序被执行时,实现如权利要求1-6中任一项所述的分布式的策略自动化生成系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310107106.0A CN116167629A (zh) | 2023-02-13 | 2023-02-13 | 一种分布式的策略自动化生成方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310107106.0A CN116167629A (zh) | 2023-02-13 | 2023-02-13 | 一种分布式的策略自动化生成方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116167629A true CN116167629A (zh) | 2023-05-26 |
Family
ID=86414349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310107106.0A Pending CN116167629A (zh) | 2023-02-13 | 2023-02-13 | 一种分布式的策略自动化生成方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116167629A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078403A (zh) * | 2023-10-18 | 2023-11-17 | 杭银消费金融股份有限公司 | 一种基于规则组合优化的风控决策方法与系统 |
-
2023
- 2023-02-13 CN CN202310107106.0A patent/CN116167629A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078403A (zh) * | 2023-10-18 | 2023-11-17 | 杭银消费金融股份有限公司 | 一种基于规则组合优化的风控决策方法与系统 |
CN117078403B (zh) * | 2023-10-18 | 2024-01-12 | 杭银消费金融股份有限公司 | 一种基于规则组合优化的风控决策方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563645A (zh) | 一种基于大数据的金融风险分析方法 | |
CN112598500A (zh) | 一种无额度客户的授信处理方法及系统 | |
CN113177839A (zh) | 一种信用风险评估方法、装置、存储介质和设备 | |
CN112700321A (zh) | 基于用户行为数据的多规则反欺诈预测方法及系统 | |
CN116167629A (zh) | 一种分布式的策略自动化生成方法、系统及存储介质 | |
CN112037006A (zh) | 小微企业的信用风险识别方法及装置 | |
CN114997975A (zh) | 一种异常企业识别方法、装置、设备、介质及产品 | |
CN112085593B (zh) | 一种中小企业信用数据挖掘方法 | |
CN111178672A (zh) | 一种基于平衡性的智能稽查方法 | |
CN116911994B (zh) | 对外贸易风险预警系统 | |
CN116596674A (zh) | 基于大数据分析的对外贸易风险评估方法 | |
CN113065969A (zh) | 企业评分模型构建方法、企业评分方法、介质和电子设备 | |
CN113177733B (zh) | 基于卷积神经网络的中小微企业数据建模方法及系统 | |
CN113240513A (zh) | 一种用户授信额度的确定方法和相关装置 | |
CN114693428A (zh) | 数据确定方法、装置、计算机可读存储介质及电子设备 | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN114092230A (zh) | 一种数据处理方法、装置、电子设备及计算机可读介质 | |
CN116091196A (zh) | 一种通过企业信用控制地方金融风险的方法 | |
CN114663102A (zh) | 基于半监督模型预测发债主体违约的方法、设备及存储介质 | |
CN113298575A (zh) | 一种商标价值批量评估的方法、系统、设备及存储介质 | |
Poorzamani et al. | Impact of financial reporting quality on investment inefficiency | |
Zhang et al. | Research on Credit Risk Prediction Based on Cart Classification Tree | |
Jiang et al. | Analysis of Corporate Credit Assessment Based on KMV-CART Decision Tree Approach. | |
Aronu et al. | The Nexus Between Unemployment Rate And Some Macroeconomic Variables In Nigeria | |
Labitta et al. | Analysis Volatility Spillover of Stock Index in ASEAN (Case Study: Indonesia, Singapore, Malaysia) |
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 |