CN116934341A - 交易风险的评估方法、装置、电子设备和介质 - Google Patents

交易风险的评估方法、装置、电子设备和介质 Download PDF

Info

Publication number
CN116934341A
CN116934341A CN202310922732.5A CN202310922732A CN116934341A CN 116934341 A CN116934341 A CN 116934341A CN 202310922732 A CN202310922732 A CN 202310922732A CN 116934341 A CN116934341 A CN 116934341A
Authority
CN
China
Prior art keywords
data
transaction
sub
time series
series data
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
Application number
CN202310922732.5A
Other languages
English (en)
Inventor
滕潇
杨文俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202310922732.5A priority Critical patent/CN116934341A/zh
Publication of CN116934341A publication Critical patent/CN116934341A/zh
Pending legal-status Critical Current

Links

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
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/38—Payment protocols; Details thereof
    • G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
    • G06Q20/401—Transaction verification
    • G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Technology Law (AREA)
  • Development Economics (AREA)
  • Computer Security & Cryptography (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种交易风险的评估方法，可以应用于金融领域。该方法包括：获取待评估客户的交易数据，所述交易数据包括时间序列数据和非时间序列数据；从所述时间序列数据中提取N组子时间序列数据，其中，N为大于等于2的整数，所述N组子时间序列数据中任意两组子时间序列数据的时间维度互不相同；将所述非时间序列数据和N组子时间序列数据输入评分模型，以确定所述客户的风险评分；以及基于所述风险评分，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
本公开涉及金融领域，具体涉及交易风险评估领域，更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
交易风险评估是预防金融风险的重要环节。
在实现本公开构思的过程中，发明人发现，目前的交易风险评估方法需要从原始交易数据中手动提取特征进行评分，这一过程评估速度慢，且准确度较低。
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：获取待评估客户的交易数据，所述交易数据包括时间序列数据和非时间序列数据；从所述时间序列数据中提取N组子时间序列数据，其中，N为大于等于2的整数，所述N组子时间序列数据中任意两组子时间序列数据的时间维度互不相同；将所述非时间序列数据和N组子时间序列数据输入评分模型，以确定所述客户的风险评分，其中，所述评分模型包括N个输入通道，每一个所述输入通道用于输入一组子时间序列数据，每个所述输入通道包括嵌入层、双向长短期记忆神经网络层和注意力层，所述注意力层用于基于所述非时间序列数据生成查询向量；以及基于所述风险评分，获得所述客户的交易风险评估结果。
根据本公开的实施例，每个所述输入通道都包括2层双向长短期记忆神经网络。
根据本公开的实施例，所述将所述非时间序列数据和N组子时间序列数据输入评分模型，以确定所述客户的风险评分的步骤包括：在每一个所述输入通道中，利用嵌入层将子时间序列数据转化为嵌入矩阵；将所述嵌入矩阵输入双向长短期记忆神经网络层中，以获取与交易顺序关联的交易信息；利用注意力层计算所述交易信息的权重；以及基于所述N个输入通道的交易信息和对应的权重，利用激活函数得到风险评分。
根据本公开的实施例，所述子时间序列数据包括非数值型数据和数值型数据；所述利用嵌入层将子时间序列数据转化为嵌入矩阵的步骤包括：利用独热编码技术处理所述非数值型数据，生成第一嵌入子矩阵；对所述数值型数据进行归一化处理，生成第二嵌入子矩阵；以及拼接所述第一嵌入子矩阵和第二嵌入子矩阵，得到嵌入矩阵。
根据本公开的实施例，所述从所述时间序列数据中提取N组子时间序列数据的步骤之前，所述方法还包括：对所述交易数据进行相关性分析，得到与交易风险评估相关的时间序列数据和非时间序列数据；所述从所述时间序列数据中提取N组子时间序列数据的步骤包括：从所述与交易风险评估相关的时间序列数据中提取N组子时间序列数据。
根据本公开的实施例，所述从所述时间序列数据中提取N组子时间序列数据的步骤包括：预设N种时间维度；和基于所述N种时间维度，从所述时间序列数据中提取N组子时间序列数据。
根据本公开的实施例，所述基于所述风险评分，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；和当所述风险评分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：当所述风险评分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。
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交易数据，所述交易数据包括时间序列数据和非时间序列数据；提取模块，用于从所述时间序列数据中提取N组子时间序列数据，其中，N为大于等于2的整数，所述N组子时间序列数据中任意两组子时间序列数据的时间维度互不相同；输入模块，用于将所述非时间序列数据和N组子时间序列数据输入评分模型，以确定所述客户的风险评分，其中，所述评分模型包括N个输入通道，每一个所述输入通道用于输入一组子时间序列数据，每个所述输入通道包括嵌入层、双向长短期记忆神经网络层和注意力层，所述注意力层用于基于所述非时间序列数据生成查询向量；以及评估模块，用于基于所述风险评分，获得所述客户的交易风险评估结果。
根据本公开的实施例，所述交易风险的评估装置中每个所述输入通道都包括2层双向长短期记忆神经网络。
根据本公开的实施例，所述输入模块包括转化单元，用于在每一个所述输入通道中，利用嵌入层将子时间序列数据转化为嵌入矩阵；第一输入单元，用于将所述嵌入矩阵输入双向长短期记忆神经网络层中，以获取与交易顺序关联的交易信息；第一计算单元，用于利用注意力层计算所述交易信息的权重；以及第二计算单元，用于基于所述N个输入通道的交易信息和对应的权重，利用激活函数得到风险评分。
根据本公开的实施例，所述子时间序列数据包括非数值型数据和数值型数据；所述转化单元包括：第一计算子模块，用于利用独热编码技术处理所述非数值型数据，生成第一嵌入子矩阵；归一化子模块，用于对所述数值型数据进行归一化处理，生成第二嵌入子矩阵；以及拼接子模块，用于拼接所述第一嵌入子矩阵和第二嵌入子矩阵，得到嵌入矩阵。
根据本公开的实施例，所述装置还包括相关性评估模块，用于对所述交易数据进行相关性分析，得到与交易风险评估相关的时间序列数据和非时间序列数据；所述提取模块用于从所述与交易风险评估相关的时间序列数据中提取N组子时间序列数据。
根据本公开的实施例，所述提取模块包括：时间维度预设单元，用于预设N种时间维度；和提取单元，用于基于所述N种时间维度，从所述时间序列数据中提取N组子时间序列数据。
根据本公开的实施例，所述评估模块包括：风险阈值预设单元，用于预设风险阈值；和第一评估单元，用于当所述风险评分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，用于当所述风险评分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。
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，利用多个输入通道和不同时间维度的交易数据对客户进行交易风险评估，加快了交易风险的评估速度，同时提高了交易风险评估的准确度，还提高了对用户数据的利用率。
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评分模型的结构图；
图4示意性示出了根据本公开实施例的确定客户的风险评分的流程图；
图5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6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。
信用卡评分：以分数的形式来衡量风险几率的一种手段，是对未来一段时间内违约/逾期/失联概率的预测。通常有一个明确的区间，且分数越高越安全。
循环神经网络(Recurrent neural network，缩写为RNN)：由三个部分组成：输入层、隐藏层和输出层。权重参数在RNN中是共享的当前隐藏层的输入既包含当前时间输入层的输出，也包含了前一时间隐藏层的输出。RNN的这种特殊的结构可以更好的对时间序列信息进行建模，这意味着RNN可以使用先前学习到的信息来对当前时间状态进行建模，从而有利于充分探索当前时间序列的特征。理论上来说，RNN能够记住之前所有的历史信息。然而在实际的应用中，RNN在处理长序列时由于存在梯度消失和梯度爆炸的问题效果并不理想。因此为了解决这一弊端衍生出了很多基于RNN的变体，长短期记忆神经网络是其中的一种。
长短期记忆神经网络(Long short term memory，缩写为LSTM)：LSTM被广泛用于许多序列任务(包括天然气负荷预测，股票市场预测，语言建模，机器翻译)，并且比其他序列模型(例如RNN)表现更好，尤其是在有大量数据的情况下。LSTM经过精心设计，可以避免RNN的梯度消失问题。消失梯度的主要实际限制是模型无法学习长期的依赖关系。但是，通过避免消失的梯度问题，与常规RNN相比，LSTM可以存储更多的记忆(数百个时间步长)。与仅维护单个隐藏状态的RNN相比，LSTM具有更多参数，可以更好地控制在特定时间步长保存哪些记忆以及丢弃哪些记忆。例如，在每个训练步骤中都必须更新隐藏状态，因此RNN无法确定要保存的记忆和要丢弃的记忆。与RNN相比，LSTM克服了RNN在建模长序列时存在的梯度消失问题。LSTM单元结构由三个门组成：输入控制门(Input Gate)、输出控制门(OutputGate)和遗忘控制门(Forget Gate)。输入门：此门输出介于0(输入未写入单元状态)到1(输入已完全写入单元状态)之间的值。Sigmoid激活用于将输出压缩为0到1之间。遗忘门：这是一个S型门，其中0(在计算当前单元状态时完全忘记先前的单元状态)和1(在计算当前单元状态时完全忘记先前的单元状态)。输出门：这是一个Sigmoid门，输出0(计算最终状态将完全破坏当前的单元状态)和1(计算最终隐藏状态将完全使用当前单元状态)。
双向长短期记忆神经网络(Bidirectional Long short term memory，缩写为BiLSTM)：通过两层LSTM的堆叠，使得模型摆脱了只能依据之前时刻的时序信息来预测下一时刻的输出的限制，能更好的结合上下文进行输出。可以有效利用输入的前向和后向特征信息，模型具有稳健性。
注意力机制(Attention Mechanism)：注意力在人类对世界的感知中扮演重要角色，其起源于对视觉感知的研究。当一幅场景图映入眼帘时，人们通常不会尝试一次性对场景中的所有事物都进行观察分析处理，而是会选择性的关注特征较为显著的部分。例如，人们用电脑撰写论文时，会重点关注电脑屏幕中的文档以及撰写的文字部分，而屏幕外的场景以及处理文档的工具栏都会被忽视。当前自然语言处理(Natural LanguageProcessing，缩写为NLP)领域中的注意力机制大多是模拟认知神经学中的聚焦式注意力，即让模型根据当前状态，有目的地聚焦于某些信息。简单地说，NLP中注意力机制的核心思想就是让模型根据当前状态，从众多信息中选择当前所需要的最重要的信息，其对于深度学习模型的性能提升有一定的作用。
归一化针对的是连续型特征。具体指将不同量级的特征转化为相同量级的特征，以避免数值不同级给模型带来的影响。最常见的归一化方法有：将变量的数值线性缩放到[-1，1]或[0，1]，前者可以通过(x-min)/(max-min)实现，后者可以通过(x～mean)/(max-min)实现。
one-hot编码又叫独热编码，其为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。one-hot编码是分类变量作为二进制向量的表示，这首先要求将分类值映射到整数值，然后，每个整数值被表示为二进制向量，除了整数的索引之外，它都是零值，它被标记为1。
曲线下面积(Area under Curve，缩写为AUC)是通过计算在接受者操作特性曲线下的面积来衡量学习器优劣的一种性能指标。AUC越接近1.0，检验方法的真实性越高，等于0.5时，真实性最低，无应用价值。
如今在银行、消费金融公司等各种贷款业务机构，普遍使用信用评分，对客户实行打分制，以期对客户有一个优质与否的评判。信用评分是银行业务基础指标，经典的信用评分方法基于用户的申请单信息，用户的信用历史和其他关联的金融信息。交易对手未能履行约定契约中的义务而造成经济损失的风险，即受信人不能履行还本付息的责任而使授信人的预期收益与实际收益发生偏离的可能性它是金融风险的主要类型。巴塞尔协议定义金融风险类型：市场风险、作业风险、信用风险。信用风险ABC模型有进件申请评分、行为评分、催收评分。银行信用卡存在的相关风险主要来源与信用卡用户的违约，最直接的提现就是无法偿还贷款，因此针对信用卡用户的信用评分显得至关重要。现有的针对信用评分的解决方案主要缺点在于银行需要从原始交易数据中手动提取特征，这一过程较为主观，需要提取人具有大量的特征工程工作和行业领域知识，同时提取速度慢，准确度较低，不能充分利用用户数据。
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：获取待评估客户的交易数据，所述交易数据包括时间序列数据和非时间序列数据；从所述时间序列数据中提取N组子时间序列数据，其中，N为大于等于2的整数，所述N组子时间序列数据中任意两组子时间序列数据的时间维度互不相同；将所述非时间序列数据和N组子时间序列数据输入评分模型，以确定所述客户的风险评分，其中，所述评分模型包括N个输入通道，每一个所述输入通道用于输入一组子时间序列数据，每个所述输入通道包括嵌入层、双向长短期记忆神经网络层和注意力层，所述注意力层用于基于所述非时间序列数据生成查询向量；以及基于所述风险评分，获得所述客户的交易风险评估结果。本公开实施例提供的交易风险的评估方法，利用多个输入通道和不同时间维度的交易数据对客户进行交易风险评估，不依靠特征工程方法和相关领域知识，在数据量庞大的情况下对比传统算法有明显的性能优势，加快了交易风险的评估速度，同时提高了交易风险评估的准确度，还提高了对用户数据的利用率。
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，所涉及的用户信息(包括但不限于用户个人信息、用户图像信息、用户设备信息，例如位置信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理，均遵守相关国家和地区的相关法律法规和标准，采取了必要保密措施，不违背公序良俗，并提供有相应的操作入口，供用户选择授权或者拒绝。
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S240。
在操作S210，获取待评估客户的交易数据，所述交易数据包括时间序列数据和非时间序列数据。其中，时间序列数据是与时间相关的数据，包括交易记录、交易金额等，非时间序列数据是与时间不相关的数据，包括教育背景、职业、年龄等。可以获取预设时间内的交易数据，在24个月内的交易数据，例如可以获取经过处理及脱敏的某客户的数据，该数据包括24个月周期内含客户信贷金额、历史消费记录、账单金额以及上次付款的金额等，同时还包含客户年龄、教育背景和婚姻状况等信息。此外，对于获取的交易数据可以进行数据预处理工作，包括数据清洗、缺失值处理、异常值处理等，主要是为了将获取的原始数据转化为可用作模型开发的格式化数据。
在本公开的实施例中，在获取用户的信息之前，可以获得用户的同意或授权。例如，在操作S210之前，可以向用户发出获取用户信息的请求。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，从所述时间序列数据中提取N组子时间序列数据，其中，N为大于等于2的整数，所述N组子时间序列数据中任意两组子时间序列数据的时间维度互不相同。例如，可以获取2组子时间序列数据，一组是24个月内按月统计的数据，另一组是在固定的时间段内统计的数据。不同的时间维度可以从不同的角度反映客户特征，从而确定客户的交易风险。
在操作S230，将所述非时间序列数据和N组子时间序列数据输入评分模型，以确定所述客户的风险评分，其中，所述评分模型包括N个输入通道，每一个所述输入通道用于输入一组子时间序列数据，每个所述输入通道包括嵌入层、双向长短期记忆神经网络层和注意力层，所述注意力层用于基于所述非时间序列数据生成查询向量。其中，多个通道并行输入数据并进行处理，加快了数据的处理速度。
根据本公开的实施例，每个所述输入通道都包括2层双向长短期记忆神经网络。其中，双向长短期记忆神经网络的层数越多，计算精度越高，但是相应的计算时间越长，为了平衡计算速度和计算精度，选取2层双向长短期记忆神经网络。
图3示意性示出了根据本公开实施例的评分模型的结构图。
如图3所示，该实施例的评分模型的结构图包括两个输入通道，每个输入通道依次包括输入层、嵌入层、两层双向长短期记忆神经网络层和注意力层，然后两个通道的输出在拼接层进行拼接，传递到全连接层和输出层得到信用卡评分。其中，可以采用曲线下面积(Area under Curve，缩写为AUC)作为模型效果度量的主要指标，损失函数采用cross-entropy，也可以根据实际情况进行调整，本公开的实施例对此不做限定。
图4示意性示出了根据本公开实施例的确定客户的风险评分的流程图。
如图4所示，该实施例的确定客户的风险评分包括操作S410～操作S440。
在操作S410，在每一个所述输入通道中，利用嵌入层将子时间序列数据转化为嵌入矩阵。
根据本公开的实施例，所述子时间序列数据包括非数值型数据和数值型数据；所述利用嵌入层将子时间序列数据转化为嵌入矩阵的步骤包括：利用独热编码技术处理所述非数值型数据，生成第一嵌入子矩阵；对所述数值型数据进行归一化处理，生成第二嵌入子矩阵；以及拼接所述第一嵌入子矩阵和第二嵌入子矩阵，得到嵌入矩阵。嵌入层的作用在于将分类数据等这种非数值型数据映射成向量作为BiLSTM的输入。例如一笔交易的商家类型(便利店、餐厅、加油站等)。这种分类数据通过独热编码后变成一个巨大的01组成的稀疏矩阵，将非数值型数据转化为数值型数据，并通过嵌入层进行降维，例如可以利用主成分分析技术，进一步减少数据量，从而加快后续的计算速度。此外，对数值型数据的归一化处理也有助于减少数据量，加快数据处理速度。
在操作S420，将所述嵌入矩阵输入双向长短期记忆神经网络层中，以获取与交易顺序关联的交易信息。
在操作S430，利用注意力层计算所述交易信息的权重。
在操作S440，基于所述N个输入通道的交易信息和对应的权重，利用激活函数得到风险评分。
示例性的，两个输入通道都是使用时间序列的数据作为输入，而两者的时间维度不同。第一通道输入的是按月统计的数据，包含客户过去每个月的账单金额、每个月的偿还金额、每个月的付款延迟天数等。通过BiLSTM捕获用户的观测时间段内的信用卡使用和偿还行为的上下文信息。通过使用双向长短期记忆神经网络层捕获与交易顺序关联的信息，前向LSTM捕获的是正向时间顺序的信息，后向LSTM捕获的是反向时间顺序的信息，两者输出连接出入下一层双向长短期记忆神经网络层。类似的，第二通道输入固定时间内对客户随机抽取的500笔历史交易信息明细，按时间顺序排列。包含交易地点、金额、信用卡类型、交易商家类型。两个通道同时输入数据，并经过双向长短期记忆神经网络层捕获与交易顺序关联的信息后传递给注意力层。注意力层使用非时间序列数据作为输入、包括性别、年龄、职业、婚姻状况等。注意力机制目的在于对长距离上下文信息提取重点，通过使用非时间序列数据得到注意力层的查询向量，对于两个通道中经过BiLSTM获取的上下文信息分别加权求和，使得输出的不同特征能根据重要性分配不同权重。两个通道的输出结合通过全连接层和sigmoid激活函数得到风险评分。其中，两个通道的输出结合通过全连接层和sigmoid激活函数后得到的数据是0-1之间的，即违约概率，可以把违约概率作为模型输出的风险评分，也可以根据模型输出的0-1的值进行加权，比如乘100或乘1000或乘10000或其他算法加权，得到相应的风险评分。
在操作S240，基于所述风险评分，获得所述客户的交易风险评估结果。
本公开实施例提供的交易风险的评估方法，利用多个输入通道和不同时间维度的交易数据对客户进行交易风险评估，不依靠特征工程方法和相关领域知识，在数据量庞大的情况下对比传统算法有明显的性能优势，加快了交易风险的评估速度，同时提高了交易风险评估的准确度，还提高了对用户数据的利用率。
根据本公开的实施例，所述从所述时间序列数据中提取N组子时间序列数据的步骤之前，所述方法还包括：对所述交易数据进行相关性分析，得到与交易风险评估相关的时间序列数据和非时间序列数据；所述从所述时间序列数据中提取N组子时间序列数据的步骤包括：从所述与交易风险评估相关的时间序列数据中提取N组子时间序列数据。
示例性的，相关性分析是指对两个或多个具备相关性的变量进行分析，从而衡量两个变量的相关密切程度。当两个变量之间存在非常强烈的相互依赖关系时，可以认为这两个变量之间存在高度相关性。若两组的值一起增大，成为正相关，若一组的值增大另一组减小，成为负相关。一般使用皮尔逊算法计算相关性，计算完相关性后，通过热图做可视化。热图是一种将规则化矩阵数据转换成颜色色调的可视化方法，其中每个单元格对应数据的某些属性，属性的值通过颜色映射转换为不同色调并按规则填充单元格。相关性越大，颜色越深。通过相关性分析探索变量间的关系，从大量的原始交易数据中提取与交易风险评估相关的时间序列数据和非时间序列数据，从而减少后续计算的数据量，加快计算速度。例如，根据相关性分析可得出：行用卡剩余额度低和有过逾期行为的用户更容易违约等，因此这两类数据与用户的交易风险评估相关。
根据本公开的实施例，所述从所述时间序列数据中提取N组子时间序列数据的步骤包括：预设N种时间维度；和基于所述N种时间维度，从所述时间序列数据中提取N组子时间序列数据。不同时间维度的数据可以提取不同的特征，从而从不同的角度反映用户的评分情况，其中，时间维度的选择可以根据实际情况确定，可以选择固定时间段内的交易数据，也可以按照不同的时间段统计交易数据，本公开的实施例对此不做限定。
根据本公开的实施例，所述基于所述风险评分，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；和当所述风险评分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：当所述风险评分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，例如，金融机构可利用风险评分来评估信用卡用户下月逾期未还款的概率或客户的信用卡评分。基于违约概率及信用评分，银行可对客户进行信用卡限额等降低风险的操作。此外，基于本公开实施例的交易风险评估方法，可作为银行针对客户做金融操作决策的参考，例如，可作为划分用户群体的依据，银行可针对不同用户群组提供针对性的服务，包括不限于额度发放、产品推荐等。
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5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5所示，该实施例的交易风险的评估装置500包括第一获取模块510、提取模块520、输入模块530和评估模块540。
第一获取模块510，用于获取待评估客户的交易数据，所述交易数据包括时间序列数据和非时间序列数据。在一实施例中，第一获取模块510可以用于执行前文描述的操作S210，在此不再赘述。
提取模块520，用于从所述时间序列数据中提取N组子时间序列数据，其中，N为大于等于2的整数，所述N组子时间序列数据中任意两组子时间序列数据的时间维度互不相同。在一实施例中，提取模块520可以用于执行前文描述的操作S220，在此不再赘述。
输入模块530，用于将所述非时间序列数据和N组子时间序列数据输入评分模型，以确定所述客户的风险评分，其中，所述评分模型包括N个输入通道，每一个所述输入通道用于输入一组子时间序列数据，每个所述输入通道包括嵌入层、双向长短期记忆神经网络层和注意力层，所述注意力层用于基于所述非时间序列数据生成查询向量。在一实施例中，输入模块530可以用于执行前文描述的操作S230，在此不再赘述。
评估模块540，用于基于所述风险评分，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540可以用于执行前文描述的操作S240，在此不再赘述。
根据本公开的实施例，所述交易风险的评估装置中每个所述输入通道都包括2层双向长短期记忆神经网络。
根据本公开的实施例，所述输入模块包括转化单元，用于在每一个所述输入通道中，利用嵌入层将子时间序列数据转化为嵌入矩阵；第一输入单元，用于将所述嵌入矩阵输入双向长短期记忆神经网络层中，以获取与交易顺序关联的交易信息；第一计算单元，用于利用注意力层计算所述交易信息的权重；以及第二计算单元，用于基于所述N个输入通道的交易信息和对应的权重，利用激活函数得到风险评分。
根据本公开的实施例，所述子时间序列数据包括非数值型数据和数值型数据；所述转化单元包括：第一计算子模块，用于利用独热编码技术处理所述非数值型数据，生成第一嵌入子矩阵；归一化子模块，用于对所述数值型数据进行归一化处理，生成第二嵌入子矩阵；以及拼接子模块，用于拼接所述第一嵌入子矩阵和第二嵌入子矩阵，得到嵌入矩阵。
根据本公开的实施例，所述装置还包括相关性评估模块，用于对所述交易数据进行相关性分析，得到与交易风险评估相关的时间序列数据和非时间序列数据；所述提取模块用于从所述与交易风险评估相关的时间序列数据中提取N组子时间序列数据。
根据本公开的实施例，所述提取模块包括：时间维度预设单元，用于预设N种时间维度；和提取单元，用于基于所述N种时间维度，从所述时间序列数据中提取N组子时间序列数据。
根据本公开的实施例，所述评估模块包括：风险阈值预设单元，用于预设风险阈值；和第一评估单元，用于当所述风险评分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，用于当所述风险评分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，第一获取模块510、提取模块520、输入模块530和评估模块540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510、提取模块520、输入模块530和评估模块540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510、提取模块520、输入模块530和评估模块540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6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6所示，根据本公开实施例的电子设备600包括处理器601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601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601还可以包括用于缓存用途的板载存储器。处理器601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 603中，存储有电子设备600操作所需的各种程序和数据。处理器601、ROM602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603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 602和RAM 603以外的一个或多个存储器中。处理器601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600还可以包括输入/输出(I/O)接口605，输入/输出(I/O)接口605也连接至总线604。电子设备600还可以包括连接至I/O接口605的以下部件中的一项或多项：包括键盘、鼠标等的输入部分606；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607；包括硬盘等的存储部分608；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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，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610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608。
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 602和/或RAM 603和/或ROM 602和RAM 603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601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609被下载和安装，和/或从可拆卸介质611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609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被处理器601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 (12)

1.一种交易风险的评估方法，其特征在于，所述方法包括：
获取待评估客户的交易数据，所述交易数据包括时间序列数据和非时间序列数据；
从所述时间序列数据中提取N组子时间序列数据，其中，N为大于等于2的整数，所述N组子时间序列数据中任意两组子时间序列数据的时间维度互不相同；
将所述非时间序列数据和N组子时间序列数据输入评分模型，以确定所述客户的风险评分，其中，所述评分模型包括N个输入通道，每一个所述输入通道用于输入一组子时间序列数据，每个所述输入通道包括嵌入层、双向长短期记忆神经网络层和注意力层，所述注意力层用于基于所述非时间序列数据生成查询向量；以及
基于所述风险评分，获得所述客户的交易风险评估结果。
2.根据权利要求1所述的方法，其特征在于，每个所述输入通道都包括2层双向长短期记忆神经网络。
3.根据权利要求1或2所述的方法，其特征在于，所述将所述非时间序列数据和N组子时间序列数据输入评分模型，以确定所述客户的风险评分的步骤包括：
在每一个所述输入通道中，利用嵌入层将子时间序列数据转化为嵌入矩阵；
将所述嵌入矩阵输入双向长短期记忆神经网络层中，以获取与交易顺序关联的交易信息；
利用注意力层计算所述交易信息的权重；以及
基于所述N个输入通道的交易信息和对应的权重，利用激活函数得到风险评分。
4.根据权利要求3所述的方法，其特征在于，所述子时间序列数据包括非数值型数据和数值型数据；
所述利用嵌入层将子时间序列数据转化为嵌入矩阵的步骤包括：
利用独热编码技术处理所述非数值型数据，生成第一嵌入子矩阵；
对所述数值型数据进行归一化处理，生成第二嵌入子矩阵；以及
拼接所述第一嵌入子矩阵和第二嵌入子矩阵，得到嵌入矩阵。
5.根据权利要求1、2或4所述的方法，其特征在于，所述从所述时间序列数据中提取N组子时间序列数据的步骤之前，所述方法还包括：
对所述交易数据进行相关性分析，得到与交易风险评估相关的时间序列数据和非时间序列数据；
所述从所述时间序列数据中提取N组子时间序列数据的步骤包括：
从所述与交易风险评估相关的时间序列数据中提取N组子时间序列数据。
6.根据权利要求1、2或4所述的方法，其特征在于，所述从所述时间序列数据中提取N组子时间序列数据的步骤包括：
预设N种时间维度；和
基于所述N种时间维度，从所述时间序列数据中提取N组子时间序列数据。
7.根据权利要求1、2或4所述的方法，其特征在于，所述基于所述风险评分，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
当所述风险评分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。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
当所述风险评分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。
9.一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交易数据，所述交易数据包括时间序列数据和非时间序列数据；
提取模块，用于从所述时间序列数据中提取N组子时间序列数据，其中，N为大于等于2的整数，所述N组子时间序列数据中任意两组子时间序列数据的时间维度互不相同；
输入模块，用于将所述非时间序列数据和N组子时间序列数据输入评分模型，以确定所述客户的风险评分，其中，所述评分模型包括N个输入通道，每一个所述输入通道用于输入一组子时间序列数据，每个所述输入通道包括嵌入层、双向长短期记忆神经网络层和注意力层，所述注意力层用于基于所述非时间序列数据生成查询向量；以及
评估模块，用于基于所述风险评分，获得所述客户的交易风险评估结果。
10.一种电子设备，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1～8中任一项所述的方法。
11.一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1～8中任一项所述的方法。
12.一种计算机程序产品，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1～8中任一项所述的方法。
CN202310922732.5A 2023-07-26 2023-07-26 交易风险的评估方法、装置、电子设备和介质 Pending CN116934341A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310922732.5A CN116934341A (zh) 2023-07-26 2023-07-26 交易风险的评估方法、装置、电子设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310922732.5A CN116934341A (zh) 2023-07-26 2023-07-26 交易风险的评估方法、装置、电子设备和介质

Publications (1)

Publication Number Publication Date
CN116934341A true CN116934341A (zh) 2023-10-24

Family

ID=88376805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310922732.5A Pending CN116934341A (zh) 2023-07-26 2023-07-26 交易风险的评估方法、装置、电子设备和介质

Country Status (1)

Country Link
CN (1) CN116934341A (zh)

Similar Documents

Publication Publication Date Title
US20210264272A1 (en) Training method and system of neural network model and prediction method and system
KR102009309B1 (ko) 금융상품 관리자동화 시스템 및 관리자동화 방법
CN111008896A (zh) 金融风险预警方法、装置、电子设备及存储介质
US20230023630A1 (en) Creating predictor variables for prediction models from unstructured data using natural language processing
CN110909984A (zh) 业务数据处理模型训练方法、业务数据处理方法及装置
Petrides et al. Cost-sensitive learning for profit-driven credit scoring
CA3168992A1 (en) Machine-learning techniques to generate recommendations for risk mitigation
US20230342797A1 (en) Object processing method based on time and value factors
CN115545886A (zh) 逾期风险识别方法、装置、设备及存储介质
Wang Credit risk management of consumer finance based on big data
CN112613978B (zh) 银行资本充足率的预测方法、装置、电子设备及介质
CN111695988A (zh) 信息处理方法、装置、电子设备和介质
CN116091249A (zh) 交易风险的评估方法、装置、电子设备和介质
CN116664306A (zh) 风控规则的智能推荐方法、装置、电子设备及介质
CN111507461A (zh) 可解释性信息确定方法及装置
CN110910241A (zh) 现金流评估方法、装置、服务器设备及存储介质
CN116563006A (zh) 业务风险预警方法、设备、存储介质及装置
WO2023114637A1 (en) Computer-implemented system and method of facilitating artificial intelligence based lending strategies and business revenue management
CN116934341A (zh) 交易风险的评估方法、装置、电子设备和介质
Preetham et al. A Stacked Model for Approving Bank Loans
CN117934154A (zh) 交易风险预测方法、模型训练方法、装置、设备、介质和程序产品
CN117011080A (zh) 财务风险预测方法、装置、设备、介质和程序产品
CN117592692A (zh) 资源分配方法和资源智能分配系统
CN113487408A (zh) 信息处理方法和装置
CN117435471A (zh) 测试案例的推荐方法、装置、设备、存储介质和程序产品

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