CN117011063B - 客户交易风险预测处理方法及装置 - Google Patents
客户交易风险预测处理方法及装置 Download PDFInfo
- Publication number
- CN117011063B CN117011063B CN202311237589.2A CN202311237589A CN117011063B CN 117011063 B CN117011063 B CN 117011063B CN 202311237589 A CN202311237589 A CN 202311237589A CN 117011063 B CN117011063 B CN 117011063B
- Authority
- CN
- China
- Prior art keywords
- transaction risk
- type
- transaction
- feature
- client
- 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
- 238000003672 processing method Methods 0.000 title abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 121
- 238000013058 risk prediction model Methods 0.000 claims abstract description 91
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims description 37
- 238000011156 evaluation Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 18
- 230000002354 daily effect Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 230000003203 everyday effect Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 11
- 238000012423 maintenance Methods 0.000 abstract description 10
- 238000012502 risk assessment Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
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
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Pure & Applied Mathematics (AREA)
- Accounting & Taxation (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Technology Law (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种客户交易风险预测处理方法及装置，涉及大数据领域，该方法包括：从历史客户交易数据中提取所有类型的交易风险特征；根据每个类型的交易风险特征在不同地区的区域特征，配置不同区域特征对应的不同交易风险特征阈值得到动态阈值矩阵作为客户交易风险预测模型；将待预测客户的当前每个类型的交易风险特征值，与交易风险预测模型中当前区域特征对应类型的交易风险特征阈值进行比对，根据满足对应类型特征阈值的所有类型交易风险特征组成待预测用户在当前区域的交易风险预测矩阵，根据该预测矩阵得到交易风险预测结果。本发明可以基于动态阈值矩阵高效地对不同地区的客户进行交易风险预测，降低了模型开发和维护的复杂度和成本。
Description
技术领域
本发明涉及大数据技术领域，尤其涉及一种客户交易风险预测处理方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
根据监管要求，金融机构需要对本机构所有客户进行客户风险评估（预测），且根据“风险为本”原则，评估的结果应该满足金字塔类型，即高风险客户数量<中风险客户数量<低风险客户数量。在进行客户风险评估过程中，交易维度特征是一类非常重要的特征，例如交易时间、交易笔数、交易金额等。由于各地区经济发展还不均衡，有些地区经济比较发达，客户交易比较活跃，交易笔数和交易金额会远远高于经济比较落后的地区。另一方面，由于地域的广阔性，日出日落时间相差好几个小时，客户活动和交易时间差异也比较大家。金融机构在进行客户风险评估过程中一般采用统一的预测模型，模型中对于交易笔数、交易金额和交易时间等类型特征用统一阈值进行预测，导致客户交易风险预测准确性不高，对于经济发达地区，会出现大量高风险客户，而对于经济不发达地区，则出现大量低风险客户。
为体现出不同地区差异，有些金融机构也会针对不同地区构建不同的客户交易风险预测模型，虽然能解决交易风险预测准确性的问题，但交易风险预测的效率低，金融机构构建客户交易风险预测模型的成本大大提高，模型的开发和维护复杂度也大大提高。
发明内容
本发明实施例提供一种客户交易风险预测处理方法，用以基于动态阈值矩阵高效地对不同地区的客户进行交易风险预测，该方法包括：
获取每一待预测客户的地区特征及多个风险特征值；
根据每一待预测客户的多个风险特征值，以及预先构建的客户风险预测模型，得到每一待预测用户的风险预测指标矩阵；所述客户风险预测模型的阈值为根据不同地区特征配置的不同风险特征阈值的动态阈值矩阵；
根据每一待预测用户的风险预测指标矩阵及所述地区特征，得到待预测用户在所属地区的风险预测结果。
本发明实施例还提供一种客户交易风险预测处理装置，用以基于动态阈值矩阵高效地对不同地区的客户进行交易风险预测，该装置包括：
提取单元，用于根据客户交易风险预测业务需求，从历史客户交易数据中提取用于构建客户交易风险预测模型的所有类型的交易风险特征；
构建单元，用于根据客户交易风险预测模型涉及的每个类型的交易风险特征在不同地区的区域特征，配置不同区域特征对应的每个类型的交易风险特征阈值，得到不同区域特征对应所有类型的交易风险特征的动态阈值矩阵作为客户交易风险预测模型；
获取单元，用于获取待预测客户的当前区域特征及当前多个类型的交易风险特征值；
预测矩阵确定单元，用于将待预测客户的当前每个类型的交易风险特征值，与所述客户交易风险预测模型中的当前区域特征对应类型的交易风险特征阈值进行比对，根据满足对应类型的交易风险特征阈值的所有类型交易风险特征组成待预测用户在当前区域的交易风险预测矩阵；
预测处理单元，用于根据待预测用户在当前区域的交易风险预测矩阵及预测矩阵中每一类型的交易风险特征值，得到待预测用户在当前区域的交易风险预测结果。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在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上述客户交易风险预测处理。
本发明实施例还提供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计算机程序，所述计算机程序被处理器执行时实现上述客户交易风险预测处理。
本发明实施例中，客户交易风险预测处理方案，与现有技术中针对不同地区构建和维护不同风险预测模型预测的技术方案相比，通过：根据客户交易风险预测业务需求，从历史客户交易数据中提取用于构建客户交易风险预测模型的所有类型的交易风险特征；根据客户交易风险预测模型涉及的每个类型的交易风险特征在不同地区的区域特征，配置不同区域特征对应的每个类型的交易风险特征阈值，得到不同区域特征对应所有类型的交易风险特征的动态阈值矩阵作为客户交易风险预测模型；获取待预测客户的当前区域特征及当前多个类型的交易风险特征值；将待预测客户的当前每个类型的交易风险特征值，与所述客户交易风险预测模型中的当前区域特征对应类型的交易风险特征阈值进行比对，根据满足对应类型的交易风险特征阈值的所有类型交易风险特征组成待预测用户在当前区域的交易风险预测矩阵；根据待预测用户在当前区域的交易风险预测矩阵及预测矩阵中每一类型的交易风险特征值，得到待预测用户在当前区域的交易风险预测结果。本发明实施例仅开发和维护一个客户交易风险预测模型，可以实现基于动态阈值矩阵高效地对不同地区的客户进行交易风险预测，降低了模型开发和维护的复杂度和成本，提高了客户交易风险预测的效率，降低了模型开发和维护的复杂度和成本。
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获得其他的附图。在附图中：
图1为传统客户交易风险预测模型的示意图；
图2为本发明实施例中客户交易风险预测处理方法的流程示意图；
图3为本发明实施例中客户交易风险预测模型示意图；
图4为本发明实施例中动态阈值对模型结果的评估方法示意图；
图5为本发明实施例中客户交易风险预测处理装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
为了更好地理解本发明如何实施，首先对本发明涉及的名词进行介绍。
客户风险（非法资金转移交易风险）评估：根据银行监管部门的要求，金融机构需要对所有客户进行客户风险评估，根据客户风险因素确定客户风险等级。
客户风险评估模型：用于评估客户风险等级的计算模型，一般包含客户维度、地域维度、产品维度和交易维度的模型特征。其中，客户维度特征可能包括客户年龄、职业、性别和国籍等。地域维度特征可能包括开户行、交易地区等。产品维度特征可能包括客户开通手机银行、网上银行等情况。交易维度特征包括交易时间、交易金额、交易笔数等情况。
交易维度特征是金融机构客户风险评估模型核心特征维度，由于各地区经济发展不均衡，跨越地域范围差异比较大，导致各地区在交易笔数、交易金额、交易时间等风险特征表现差异较大。金融机构采用传统统一客户风险评估方法，由于无法准确体现出不同地区的差异，导致客户风险评估准确性不够高，表现出经济发达地区高风险客户数据偏高，而经济不发达地区高风险客户数据偏低。
金融机构常规风险客户风险评估方法如图1所示，全区域所有地区的采用相同的客户风险评估模型，客户风险评估模型会涉及众多风险特征，得到风险特征向量（F1，F2，……Fn），所有地区采用同一套特征阈值向量（T1，T2……Tn），当风险特征满足对应的特征阈值时，得到对应特征得分（W1，W2……Wn）。客户风险评估得分R=W1+W2+……+Wn。
因此，现有技术中，由于各地区差异比较大，常规统一模型方法评估出来的结果准确率不高，因此有些金融机构会针对不同地区构建不同的客户风险评估模型。因此，风险预测的效率低，金融机构构建客户风险评估模型的成本大大提高，系统维护复杂度也大大提高。
本发明实施例涉及一种基于动态阈值的客户风险（非法资金转移交易风险）处理方案，该方案在客户风险评估过程中，在采用一个评估模型的条件下，系统可以根据不同的地区特性，配置不同的特征阈值，充分体现不同地区的特性，提高系统客户风险评估模型准确性。另外，为提高系统特征阈值配置和调整的效率，本发明实施例还提供特征动态阈值的评估机制，用于定时评估动态阈值的是否合理，进一步保证系统模型评估准确性。
下面对该基于动态阈值的客户风险处理方案进行详细介绍。
图2为本发明实施例中客户交易风险预测处理方法的流程示意图，如图2所示，该方法包括如下步骤：
步骤101：根据客户交易风险预测业务需求，从历史客户交易数据中提取用于构建客户交易风险预测模型的所有类型的交易风险特征；
步骤102：根据客户交易风险预测模型涉及的每个类型的交易风险特征在不同地区的区域特征，配置不同区域特征对应的每个类型的交易风险特征阈值，得到不同区域特征对应所有类型的交易风险特征的动态阈值矩阵作为客户交易风险预测模型；
步骤103：获取待预测客户的当前区域特征及当前多个类型的交易风险特征值；
步骤104：将待预测客户的当前每个类型的交易风险特征值，与所述客户交易风险预测模型中的当前区域特征对应类型的交易风险特征阈值进行比对，根据满足对应类型的交易风险特征阈值的所有类型交易风险特征组成待预测用户在当前区域的交易风险预测矩阵；
步骤105：根据待预测用户在当前区域的交易风险预测矩阵及预测矩阵中每一类型的交易风险特征值，得到待预测用户在当前区域的交易风险预测结果。
本发明实施例提供的客户交易风险预测处理方法，工作时：根据客户交易风险预测业务需求，从历史客户交易数据中提取用于构建客户交易风险预测模型的所有类型的交易风险特征；根据客户交易风险预测模型涉及的每个类型的交易风险特征在不同地区的区域特征，配置不同区域特征对应的每个类型的交易风险特征阈值，得到不同区域特征对应所有类型的交易风险特征的动态阈值矩阵作为客户交易风险预测模型；获取待预测客户的当前区域特征及当前多个类型的交易风险特征值；将待预测客户的当前每个类型的交易风险特征值，与所述客户交易风险预测模型中的当前区域特征对应类型的交易风险特征阈值进行比对，根据超过对应类型的交易风险特征阈值的所有类型交易风险特征组成待预测用户在当前区域的交易风险预测矩阵；根据待预测用户在当前区域的交易风险预测矩阵及预测矩阵中每一类型的交易风险特征值，得到待预测用户在当前区域的交易风险预测结果。
与现有技术中针对不同地区构建和维护不同风险预测模型预测的技术方案相比，本发明实施例提供仅开发和维护一个客户交易风险预测模型，可以实现基于动态阈值矩阵高效地对不同地区的客户进行交易风险预测，降低了模型开发和维护的复杂度和成本，提高了客户交易风险预测的效率，降低了模型开发和维护的复杂度和成本。下面对该客户交易风险预测处理方法进行详细介绍如下。
本发明实施例提供了一种客户交易风险预测处理方法，该方法为一种基于动态阈值的客户交易风险预测处理方法，主要包含两大部分内容，分别是基于动态阈值的客户风险预测机制和动态阈值配置与评估方法。下面结合图4进行详细介绍。
一、基于动态阈值的客户风险预测机制
1．首先，介绍预先构建客户交易风险预测模型的步骤，即上述步骤101至步骤102。
1）交易风险特征阈值矩阵（不同区域特征对应所有类型的交易风险特征的动态阈值矩阵）：
如图3所示，系统根据客户风险评估业务需求提取用于构建客户风险评估模型的交易风险特征，交易风险特征的类型可以包括：交易时间，交易金额和交易笔数等，假设包含n个特征，分别为交易风险特征F1，交易风险特征F2……和交易风险特征Fn。
充分分析评估模型涉及的交易风险特征在不同地区（D1，D2……Dn）的区域特性，定义不同地区对应每个类型的交易风险特征的阈值，得到交易风险特征阈值矩阵=，如图3中所述的阈值矩阵，即动态阈值矩阵。
2）客户风险预测模型：根据上面n个交易风险特征，不同地区（D1，D2……Dn）的区域特性，以及交易风险特征阈值矩阵，构成如图3所示的客户交易风险预测模型。
2．其次，介绍基于动态阈值矩阵的实际预测方法，即上述步骤103至步骤105，根据构建好的客户交易风险预测模型进行实际交易风险预测的步骤。
在客户交易风险预测过程中，首先，在上述步骤103中，获取每一待预测客户的所在地区的当前区域特征及对应的当前多个类型的交易风险特征值，其次，在上述步骤104中，将待预测客户的当前每个类型的交易风险特征值与客户交易风险预测模型中对应类型的交易风险特征阈值进行比对，当交易风险特征满足（大于或等于）对应类型的交易风险特征阈值时，得到得分指标=/>，即得到每一待预测用户的风险预测指标矩阵，即根据满足对应类型的交易风险特征阈值的所有类型交易风险特征组成待预测用户在当前区域的交易风险预测矩阵，最终每个地区的客户得到的风险评估得分 ，即在上述步骤105中，根据待预测用户在当前区域的交易风险预测矩阵及预测矩阵中每一类型的交易风险特征值，得到待预测用户在当前区域的交易风险预测结果。举一例子，在A地区，有10个类型的交易风险特征，获取的待预测客户的交易风险特征类型有6个（当然也可以是10个），这6个类型的交易风险特征中，有5个超出了对应类型的交易风险特征阈值，那么最后的交易风险预测矩阵中，这个5个交易风险特征有特征值，其他项的值均可以为零，根据上述公式/>，以及交易风险预测矩阵，以及交易风险预测矩阵中的特征值确定待预测用户在当前区域的交易风险预测结果，该结果可也是该客户的交易是否存在非法资金转移交易风险。
二、动态阈值配置与评估方法
1)动态阈值配置方法
阈值配置支持2种方式：
A、金融机构建模人员手工进行配置阈值矩阵，定义成业务模型参数，支持建模人员根据模型跑批结果通过界面进行调整，即在一个实施例中，根据客户交易风险预测模型涉及的每个类型的交易风险特征在不同地区的区域特征，配置不同区域特征对应的每个类型的交易风险特征阈值，得到不同区域特征对应所有类型的交易风险特征的动态阈值矩阵作为客户交易风险预测模型，可以包括：接收建模工作人员配置的不同地区的区域特征对应的每个类型的交易风险特征阈值的操作，得到初始动态阈值矩阵作为初始客户交易风险预测模型；接收建模工作人员根据初始客户交易风险预测模型运行预设时段内的交易风险预测跑批结果，通过预设界面调整所述初始动态阈值矩阵的操作，得到最终的动态阈值矩阵作为最终的客户交易风险预测模型。
B、根据配置实现动态调整。
在一个实施例中，根据客户交易风险预测模型涉及的每个类型的交易风险特征在不同地区的区域特征，配置不同区域特征对应的每个类型的交易风险特征阈值，得到不同区域特征对应所有类型的交易风险特征的动态阈值矩阵作为客户交易风险预测模型，可以包括：
确定每个类型的交易风险特征的所有地区平均值作为每个类型的交易风险特征基准值；
确定每个地区客户每日的每个类型的交易风险特征平均值；
根据每个类型的交易风险特征基准值，每个地区客户每日的每个类型的交易风险特征平均值，预设基准阈值，以及每个类型的交易风险特征调节因子，得到每个地区对应的每个类型的交易风险特征阈值作为动态阈值；所述交易风险特征调节因子为每一地区的客户每日的每个类型的交易风险特征平均值相对该类型的交易风险特征基准值变化率的影响率；
根据所有地区对应的每个类型的交易风险特征的动态阈值，得到不同区域特征对应所有类型的交易风险特征的动态阈值矩阵作为客户交易风险预测模型。
具体实施时，上述配置不同地区特征对应的每个交易风险特征的阈值的方案可以提高后续模型预测的效率和精度。下面进行详细介绍。
在一个实施例中，根据每个类型的交易风险特征基准值，每个地区客户每日的每个类型的交易风险特征平均值，预设基准阈值，以及每个类型的交易风险特征调节因子，得到每个地区对应的每个类型的交易风险特征阈值作为动态阈值，可以包括按照如下公式确定每个地区对应的每个类型的交易风险特征动态阈值：
；
T ij 为第i个地区的区域特征对应的第j个类型的交易风险特征动态阈值，N ij 为第i个地区客户每日的第j个类型的交易风险特征平均值，N jS 为第j个类型的交易风险特征基准值，T jS 为第j个类型的交易风险特征对应的基准阈值，L为每个类型的交易风险特征调节因子。
下面以交易风险特征类型是交易笔数为例说明配置每个地区对应的每个交易风险特征的阈值的方法。
首先，计算风险特征全国平均值，作为基准值，并定义基准阈值。例如：
风险特征：客户日平均交易笔数；
特征基准值N S ：全国所有客户日平均交易笔数；
定义基准阈值：T S ；
其次，计算每个地区客户日平均交易笔数N i ；
再次，定义风险特征调节因子L，即某地区客户日平均交易笔数相对基准交易笔数变化率对阈值的影响率（交易风险特征调节因子为每一地区的客户每日的每个类型的交易风险特征平均值相对该类型的交易风险特征基准值变化率的影响率）。
那么，最终得到i地区的动态阈值。
其他风险特征的阈值可以参考上述关于交易笔数这一交易风险特征阈值的确定方法。
2)动态阈值评估方法
为避免动态阈值对模型结果影响可控，系统提供动态阈值对模型影响的评估方法。
动态阈值变动周期：系统模型动态阈值不是实时计算，而是可以根据业务需要定义的更新频率进行定时更新，例如一个月，三个月等。即在一个实施例中，上述客户交易风险预测处理方法还可以包括：根据业务需要定义的更新频率，定时更新所述动态阈值矩阵。
在一个实施例中，根据业务需要定义的更新频率，定时更新所述动态阈值矩阵，包括：按照如下公式更新所述动态阈值矩阵：
；（1）
T ij 为第i个地区的第j个类型的交易风险特征动态阈值，N ij 为第i个地区客户每日的第j个类型的交易风险特征平均值，N jS 为第j个类型的交易风险特征基准值，T jS 为第j个类型的交易风险特征对应的基准阈值，L为每个类型的交易风险特征调节因子。
具体实施时，模型的动态阈值更新也可以应用上述公式（1），可以提高模型阈值更新的准确率。
在一个实施例中，上述客户交易风险预测处理方法还可以包括：
在更新所述动态阈值矩阵后，根据客户交易风险预测模型对指定范围内客户的交易风险特征数据进行交易风险预评估，得到本期评估结果；
将本期评估结果与上一期评估结果进行对比；
如果本期评估结果与上一期评估结果的变动率超过预先配置阈值，确定动态阈值矩阵的本次更新存在异常；
在确定动态阈值矩阵的本次更新存在异常时，对客户交易风险预测模型进行调优处理。
具体实施时，上述对动态阈值调整是否合理进行评估的方案，进一步提高了模型预测的精度和合理性。下面详细介绍。
评估方法：如图4所示，系统在动态调整完风险阈值之后，根据风险评估模型对指定范围客户数据进行风险预评估，对评估结果与上一期评估结果进行对比，如果变动率超过指定阈值（阈值支持业务部门配置），则对模型评估结果影响较大，需要人工介入进行分析是否合理，即在一个实施例中，上述客户交易风险预测处理方法还可以包括：将对客户交易风险预测模型进行调优处理的结果发送至预设工作人员的客户端，以供该工作人员对调优处理的结果进行确认，让工作人员参与进来，进一步提高模型预测精度。如果不合理，则可以通过调整风险特征调节因子L、基准阈值等措施进行模型调优，即在一个实施例中，在确定动态阈值矩阵的本次更新存在异常时，对客户交易风险预测模型进行调优处理，可以包括：根据调整交易风险特征调节因子或基准阈值的策略进行模型调优处理，可以提高模型调优的效果。
下面介绍本发明实施例的进一步优选方案。
本发明实施例提供的客户交易风险预测处理方法还可以包括：在上述步骤102之后，将动态阈值矩阵转换为动态阈值矩阵图像形式进行存储，保证动态阈值矩阵稳定性，进一步提高后续客户交易风险预测处理的准确性，那么后续实际客户交易风险交易预测时的步骤104中可以是：将待预测客户的当前每个类型的交易风险特征值，与动态阈值矩阵图像中的当前区域特征对应类型的交易风险特征阈值进行比对，具体地，可以根据动态阈值矩阵图像，计算当前区域特征对应类型的交易风险特征向量阈值，具体比对时，将交易风险特征向量值与对应类型的交易风险特征向量阈值进行比对，进一步提高了客户交易风险预测处理的准确性。
综上，本发明实施例提供的客户交易风险预测处理方法实现了：
1、基于动态阈值的客户交易风险预测：
基于动态阈值的客户交易风险预测方法中交易风险特征阈值矩阵的配置及基于风险特征阈值矩阵（动态阈值矩阵）的客户交易风险预测方法。
2、动态阈值配置与评估：
风险特征阈值矩阵的动态配置方法及动态阈值对模型结果的评估方法。
综上所述，本发明实施例提供的本发明实施例提供的客户交易风险预测处理方法的有益技术效果是：
1. 基于风险特征阈值矩阵（动态阈值矩阵）进行不同地区客户交易风险预测结果的计算，实现金融机构在采用同一个客户交易风险预测模型的条件下，可以根据不同地区的特征配置不同的交易风险特征阈值，从而提高客户交易风险预测模型的预测准确性。
2. 本发明实施例同时实现了客户交易风险预测模型的动态阈值的动态确定机制及影响评估方法，在保证交易风险特征阈值动态调整的条件下，同时可以保证动态阈值对模型评估效果的稳定性。
本发明实施例中还提供了一种客户交易风险预测处理装置，如下面的实施例所述。由于该装置解决问题的原理与客户交易风险预测处理方法相似，因此该装置的实施可以参见客户交易风险预测处理方法的实施，重复之处不再赘述。
图5为本发明实施例中客户交易风险预测处理装置的结构示意图，如图5所示，该装置包括：
提取单元01，用于根据客户交易风险预测业务需求，从历史客户交易数据中提取用于构建客户交易风险预测模型的所有类型的交易风险特征；
构建单元02，用于根据客户交易风险预测模型涉及的每个类型的交易风险特征在不同地区的区域特征，配置不同区域特征对应的每个类型的交易风险特征阈值，得到不同区域特征对应所有类型的交易风险特征的动态阈值矩阵作为客户交易风险预测模型；
获取单元03，用于获取待预测客户的当前区域特征及当前多个类型的交易风险特征值；
预测矩阵确定单元04，用于将待预测客户的当前每个类型的交易风险特征值，与所述客户交易风险预测模型中的当前区域特征对应类型的交易风险特征阈值进行比对，根据满足对应类型的交易风险特征阈值的所有类型交易风险特征组成待预测用户在当前区域的交易风险预测矩阵；
预测处理单元05，用于根据待预测用户在当前区域的交易风险预测矩阵及预测矩阵中每一类型的交易风险特征值，得到待预测用户在当前区域的交易风险预测结果。
本发明实施例提供的基于动态阈值的客户风险预测处理装置，工作时：提取单元02，用于根据客户交易风险预测业务需求，从历史客户交易数据中提取用于构建客户交易风险预测模型的所有类型的交易风险特征；构建单元02，用于根据客户交易风险预测模型涉及的每个类型的交易风险特征在不同地区的区域特征，配置不同区域特征对应的每个类型的交易风险特征阈值，得到不同区域特征对应所有类型的交易风险特征的动态阈值矩阵作为客户交易风险预测模型；获取单元03，用于获取待预测客户的当前区域特征及当前多个类型的交易风险特征值；预测矩阵确定单元04，用于将待预测客户的当前每个类型的交易风险特征值，与所述客户交易风险预测模型中的当前区域特征对应类型的交易风险特征阈值进行比对，根据满足对应类型的交易风险特征阈值的所有类型交易风险特征组成待预测用户在当前区域的交易风险预测矩阵；预测处理单元05，用于根据待预测用户在当前区域的交易风险预测矩阵及预测矩阵中每一类型的交易风险特征值，得到待预测用户在当前区域的交易风险预测结果。本发明实施例仅开发和维护一个客户交易风险预测模型，可以实现基于动态阈值矩阵高效地对不同地区的客户进行交易风险预测，降低了模型开发和维护的复杂度和成本，提高了客户交易风险预测的效率，降低了模型开发和维护的复杂度和成本。
在一个实施例中，所述构建单元具体用于：
确定每个类型的交易风险特征的所有地区平均值作为每个类型的交易风险特征基准值；
确定每个地区客户每日的每个类型的交易风险特征平均值；
根据每个类型的交易风险特征基准值，每个地区客户每日的每个类型的交易风险特征平均值，预设基准阈值，以及每个类型的交易风险特征调节因子，得到每个地区对应的每个类型的交易风险特征阈值作为动态阈值；所述交易风险特征调节因子为每一地区的客户每日的每个类型的交易风险特征平均值相对该类型的交易风险特征基准值变化率的影响率；
根据所有地区对应的每个类型的交易风险特征的动态阈值，得到不同区域特征对应所有类型的交易风险特征的动态阈值矩阵作为客户交易风险预测模型。
在一个实施例中，根据每个类型的交易风险特征基准值，每个地区客户每日的每个类型的交易风险特征平均值，预设基准阈值，以及每个类型的交易风险特征调节因子，得到每个地区对应的每个类型的交易风险特征阈值作为动态阈值，包括按照如下公式确定每个地区对应的每个类型的交易风险特征动态阈值：
；
T ij 为第i个地区的第j个类型的交易风险特征动态阈值，N ij 为第i个地区客户每日的第j个类型的交易风险特征平均值，N jS 为第j个类型的交易风险特征基准值，T jS 为第j个类型的交易风险特征对应的基准阈值，L为每个类型的交易风险特征调节因子。
在一个实施例中，上述客户交易风险预测处理装置还可以包括：定时更新单元，用于根据业务需要定义的更新频率，定时更新所述动态阈值矩阵。
在一个实施例中，上述客户交易风险预测处理装置还可以包括：
评估单元，用于在更新所述动态阈值矩阵后，根据客户交易风险预测模型对指定范围内客户的交易风险特征数据进行交易风险预评估，得到本期评估结果；
比对单元，用于将本期评估结果与上一期评估结果进行对比；
异常确定单元，用于如果本期评估结果与上一期评估结果的变动率超过预先配置阈值，确定动态阈值矩阵的本次更新存在异常；
模型调优单元，用于在确定动态阈值矩阵的本次更新存在异常时，对客户交易风险预测模型进行调优处理。
在一个实施例中，所述模型调优单元具体用于：根据调整交易风险特征调节因子或基准阈值的策略进行模型调优处理。
在一个实施例中，上述客户交易风险预测处理装置还可以包括：推送单元，用于将对客户交易风险预测模型进行调优处理的结果发送至预设工作人员的客户端，以供该工作人员对调优处理的结果进行确认。
在一个实施例中，所述定时更新单元具体用于按照如下公式更新所述动态阈值矩阵：
；
T ij 为第i个地区的第j个类型的交易风险特征动态阈值，N ij 为第i个地区客户每日的第j个类型的交易风险特征平均值，N jS 为第j个类型的交易风险特征基准值，T jS 为第j个类型的交易风险特征对应的基准阈值，L为每个类型的交易风险特征调节因子。
在一个实施例中，所述构建单元具体用于：
接收建模工作人员配置的不同地区的区域特征对应的每个类型的交易风险特征阈值的操作，得到初始动态阈值矩阵作为初始客户交易风险预测模型；
接收建模工作人员根据初始客户交易风险预测模型运行预设时段内的交易风险预测跑批结果，通过预设界面调整所述初始动态阈值矩阵的操作，得到最终的动态阈值矩阵作为最终的客户交易风险预测模型。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在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上述客户交易风险预测处理方法。
本发明实施例还提供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计算机程序，所述计算机程序被处理器执行时实现上述客户交易风险预测处理方法。
本发明实施例中，客户交易风险预测处理方案，与现有技术中针对不同地区构建和维护不同风险预测模型预测的技术方案相比，通过：根据客户交易风险预测业务需求，从历史客户交易数据中提取用于构建客户交易风险预测模型的所有类型的交易风险特征；根据客户交易风险预测模型涉及的每个类型的交易风险特征在不同地区的区域特征，配置不同区域特征对应的每个类型的交易风险特征阈值，得到不同区域特征对应所有类型的交易风险特征的动态阈值矩阵作为客户交易风险预测模型；获取待预测客户的当前区域特征及当前多个类型的交易风险特征值；将待预测客户的当前每个类型的交易风险特征值，与所述客户交易风险预测模型中的当前区域特征对应类型的交易风险特征阈值进行比对，根据满足对应类型的交易风险特征阈值的所有类型交易风险特征组成待预测用户在当前区域的交易风险预测矩阵；根据待预测用户在当前区域的交易风险预测矩阵及预测矩阵中每一类型的交易风险特征值，得到待预测用户在当前区域的交易风险预测结果。本发明实施例仅开发和维护一个客户交易风险预测模型，可以实现基于动态阈值矩阵高效地对不同地区的客户进行交易风险预测，降低了模型开发和维护的复杂度和成本，提高了客户交易风险预测的效率，降低了模型开发和维护的复杂度和成本。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种客户交易风险预测处理方法，其特征在于，包括：
根据客户交易风险预测业务需求，从历史客户交易数据中提取用于构建客户交易风险预测模型的所有类型的交易风险特征；
根据客户交易风险预测模型涉及的每个类型的交易风险特征在不同地区的区域特征，配置不同区域特征对应的每个类型的交易风险特征阈值，得到不同区域特征对应所有类型的交易风险特征的动态阈值矩阵作为客户交易风险预测模型；
将动态阈值矩阵转换为动态阈值矩阵图像形式进行存储，以保证动态阈值矩阵稳定性；根据动态阈值矩阵图像，计算当前区域特征对应类型的交易风险特征向量阈值；
获取待预测客户的当前区域特征及当前多个类型的交易风险特征值；
将待预测客户的当前每个类型的交易风险特征向量值，与所述客户交易风险预测模型中的当前区域特征对应类型的交易风险特征向量阈值进行比对，根据满足对应类型的交易风险特征阈值的所有类型交易风险特征组成待预测客户在当前区域的交易风险预测矩阵；
根据待预测客户在当前区域的交易风险预测矩阵及预测矩阵中每一类型的交易风险特征值，得到待预测客户在当前区域的交易风险预测结果；
根据客户交易风险预测模型涉及的每个类型的交易风险特征在不同地区的区域特征，配置不同区域特征对应的每个类型的交易风险特征阈值，得到不同区域特征对应所有类型的交易风险特征的动态阈值矩阵作为客户交易风险预测模型，包括：
确定每个类型的交易风险特征的所有地区平均值作为每个类型的交易风险特征基准值；
确定每个地区客户每日的每个类型的交易风险特征平均值；
根据每个类型的交易风险特征基准值，每个地区客户每日的每个类型的交易风险特征平均值，预设基准阈值，以及每个类型的交易风险特征调节因子，得到每个地区对应的每个类型的交易风险特征阈值作为动态阈值；所述交易风险特征调节因子为每一地区的客户每日的每个类型的交易风险特征平均值相对该类型的交易风险特征基准值变化率的影响率；
根据所有地区对应的每个类型的交易风险特征的动态阈值，得到不同区域特征对应所有类型的交易风险特征的动态阈值矩阵作为客户交易风险预测模型；
根据每个类型的交易风险特征基准值，每个地区客户每日的每个类型的交易风险特征平均值，预设基准阈值，以及每个类型的交易风险特征调节因子，得到每个地区对应的每个类型的交易风险特征阈值作为动态阈值，包括按照如下公式确定每个地区对应的每个类型的交易风险特征动态阈值：
；
T ij 为第i个地区的第j个类型的交易风险特征动态阈值，N ij 为第i个地区客户每日的第j个类型的交易风险特征平均值，N jS 为第j个类型的交易风险特征基准值，T jS 为第j个类型的交易风险特征对应的基准阈值，L为每个类型的交易风险特征调节因子。
2.如权利要求1所述的方法，其特征在于，还包括：根据业务需要定义的更新频率，定时更新所述动态阈值矩阵。
3.如权利要求2所述的方法，其特征在于，还包括：
在更新所述动态阈值矩阵后，根据客户交易风险预测模型对指定范围内客户的交易风险特征数据进行交易风险预评估，得到本期评估结果；
将本期评估结果与上一期评估结果进行对比；
如果本期评估结果与上一期评估结果的变动率超过预先配置阈值，确定动态阈值矩阵的本次更新存在异常；
在确定动态阈值矩阵的本次更新存在异常时，对客户交易风险预测模型进行调优处理。
4.如权利要求3所述的方法，其特征在于，在确定动态阈值矩阵的本次更新存在异常时，对客户交易风险预测模型进行调优处理，包括：根据调整交易风险特征调节因子或基准阈值的策略进行模型调优处理。
5.如权利要求3所述的方法，其特征在于，还包括：将对客户交易风险预测模型进行调优处理的结果发送至预设工作人员的客户端，以供该工作人员对调优处理的结果进行确认。
6.如权利要求2所述的方法，其特征在于，根据业务需要定义的更新频率，定时更新所述动态阈值矩阵，包括：按照如下公式更新所述动态阈值矩阵：
；
T ij 为第i个地区的第j个类型的交易风险特征动态阈值，N ij 为第i个地区客户每日的第j个类型的交易风险特征平均值，N jS 为第j个类型的交易风险特征基准值，T jS 为第j个类型的交易风险特征对应的基准阈值，L为每个类型的交易风险特征调节因子。
7.如权利要求1所述的方法，其特征在于，根据客户交易风险预测模型涉及的每个类型的交易风险特征在不同地区的区域特征，配置不同区域特征对应的每个类型的交易风险特征阈值，得到不同区域特征对应所有类型的交易风险特征的动态阈值矩阵作为客户交易风险预测模型，包括：
接收建模工作人员配置的不同地区的区域特征对应的每个类型的交易风险特征阈值的操作，得到初始动态阈值矩阵作为初始客户交易风险预测模型；
接收建模工作人员根据初始客户交易风险预测模型运行预设时段内的交易风险预测跑批结果，通过预设界面调整所述初始动态阈值矩阵的操作，得到最终的动态阈值矩阵作为最终的客户交易风险预测模型。
8.一种客户交易风险预测处理装置，其特征在于，包括：
提取单元，用于根据客户交易风险预测业务需求，从历史客户交易数据中提取用于构建客户交易风险预测模型的所有类型的交易风险特征；
构建单元，用于根据客户交易风险预测模型涉及的每个类型的交易风险特征在不同地区的区域特征，配置不同区域特征对应的每个类型的交易风险特征阈值，得到不同区域特征对应所有类型的交易风险特征的动态阈值矩阵作为客户交易风险预测模型；将动态阈值矩阵转换为动态阈值矩阵图像形式进行存储，以保证动态阈值矩阵稳定性；根据动态阈值矩阵图像，计算当前区域特征对应类型的交易风险特征向量阈值；
获取单元，用于获取待预测客户的当前区域特征及当前多个类型的交易风险特征值；
预测矩阵确定单元，用于将待预测客户的当前每个类型的交易风险特征向量值，与所述客户交易风险预测模型中的当前区域特征对应类型的交易风险特征向量阈值进行比对，根据满足对应类型的交易风险特征阈值的所有类型交易风险特征组成待预测客户在当前区域的交易风险预测矩阵；
预测处理单元，用于根据待预测客户在当前区域的交易风险预测矩阵及预测矩阵中每一类型的交易风险特征值，得到待预测客户在当前区域的交易风险预测结果；
所述构建单元具体用于：
确定每个类型的交易风险特征的所有地区平均值作为每个类型的交易风险特征基准值；
确定每个地区客户每日的每个类型的交易风险特征平均值；
根据每个类型的交易风险特征基准值，每个地区客户每日的每个类型的交易风险特征平均值，预设基准阈值，以及每个类型的交易风险特征调节因子，得到每个地区对应的每个类型的交易风险特征阈值作为动态阈值；所述交易风险特征调节因子为每一地区的客户每日的每个类型的交易风险特征平均值相对该类型的交易风险特征基准值变化率的影响率；
根据所有地区对应的每个类型的交易风险特征的动态阈值，得到不同区域特征对应所有类型的交易风险特征的动态阈值矩阵作为客户交易风险预测模型；
根据每个类型的交易风险特征基准值，每个地区客户每日的每个类型的交易风险特征平均值，预设基准阈值，以及每个类型的交易风险特征调节因子，得到每个地区对应的每个类型的交易风险特征阈值作为动态阈值，包括按照如下公式确定每个地区对应的每个类型的交易风险特征动态阈值：
；
T ij 为第i个地区的第j个类型的交易风险特征动态阈值，N ij 为第i个地区客户每日的第j个类型的交易风险特征平均值，N jS 为第j个类型的交易风险特征基准值，T jS 为第j个类型的交易风险特征对应的基准阈值，L为每个类型的交易风险特征调节因子。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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权利要求1至7任一所述方法。
10.一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计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311237589.2A CN117011063B (zh) | 2023-09-25 | 2023-09-25 | 客户交易风险预测处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311237589.2A CN117011063B (zh) | 2023-09-25 | 2023-09-25 | 客户交易风险预测处理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117011063A CN117011063A (zh) | 2023-11-07 |
| CN117011063B true CN117011063B (zh) | 2023-12-29 |
Family
ID=88572929
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311237589.2A Active CN117011063B (zh) | 2023-09-25 | 2023-09-25 | 客户交易风险预测处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117011063B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095408A (zh) * | 2021-04-14 | 2021-07-09 | 中国工商银行股份有限公司 | 风险的确定方法、装置和服务器 |
| CN114881768A (zh) * | 2022-05-27 | 2022-08-09 | 河南冉麟企业管理咨询有限公司 | 一种金融大数据风险分析平台 |
| CN116011810A (zh) * | 2022-12-22 | 2023-04-25 | 建信金融科技有限责任公司 | 区域风险识别方法、装置、设备及存储介质 |
| CN116091249A (zh) * | 2023-01-12 | 2023-05-09 | 中国工商银行股份有限公司 | 交易风险的评估方法、装置、电子设备和介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090276367A1 (en) * | 2008-04-30 | 2009-11-05 | Rosenthal Collins Group, L.L.C. | Method and system for providing risk management for multi-market electronic trading |
| US20190259033A1 (en) * | 2015-06-20 | 2019-08-22 | Quantiply Corporation | System and method for using a data genome to identify suspicious financial transactions |
| TWI584215B (zh) * | 2015-12-31 | 2017-05-21 | 玉山商業銀行股份有限公司 | 監控可疑交易的方法 |
-
2023
- 2023-09-25 CN CN202311237589.2A patent/CN117011063B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095408A (zh) * | 2021-04-14 | 2021-07-09 | 中国工商银行股份有限公司 | 风险的确定方法、装置和服务器 |
| CN114881768A (zh) * | 2022-05-27 | 2022-08-09 | 河南冉麟企业管理咨询有限公司 | 一种金融大数据风险分析平台 |
| CN116011810A (zh) * | 2022-12-22 | 2023-04-25 | 建信金融科技有限责任公司 | 区域风险识别方法、装置、设备及存储介质 |
| CN116091249A (zh) * | 2023-01-12 | 2023-05-09 | 中国工商银行股份有限公司 | 交易风险的评估方法、装置、电子设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117011063A (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Verbraken et al. | Development and application of consumer credit scoring models using profit-based classification measures | |
| KR102044205B1 (ko) | 빅데이터와 기계학습을 이용한 타겟 정보 예측 시스템 및 예측 방법 | |
| WO2019001120A1 (zh) | 商品动态定价数据处理方法和系统 | |
| US20210174144A1 (en) | Method and apparatus for obtaining training sample of first model based on second model | |
| CN104424598A (zh) | 现金需求量预测装置与方法 | |
| Alamsyah et al. | Artificial neural network for Indonesian tourism demand forecasting | |
| CN111062518A (zh) | 基于人工智能的处理催收业务的方法、装置及存储介质 | |
| CN114170002A (zh) | 一种访问频次的预测方法及装置 | |
| CN113807469A (zh) | 一种多能源用户价值预测方法、装置、存储介质和设备 | |
| CN115099825A (zh) | 异常资金流动账户的识别方法及装置 | |
| CN115885285A (zh) | 使用卷积傅里叶网络分析多变量时间序列的系统、方法和计算机程序产品 | |
| CN111667307B (zh) | 一种理财产品销量的预测方法及装置 | |
| CN117011063B (zh) | 客户交易风险预测处理方法及装置 | |
| CN112308293A (zh) | 违约概率预测方法及装置 | |
| CN111951050A (zh) | 理财产品推荐方法及装置 | |
| CN117827593A (zh) | 一种基于异常识别结果确定异常原因的方法和系统 | |
| CN113656707A (zh) | 一种理财产品推荐方法、系统、存储介质及设备 | |
| CN113554099A (zh) | 一种识别异常商户的方法及装置 | |
| CN113095392A (zh) | 异常业务识别方法及装置 | |
| CN112686470A (zh) | 电网饱和负荷预测方法、装置及终端设备 | |
| Supriyanto | Comparison of Grid Search and Evolutionary Parameter Optimization with Neural Networks on JCI Stock Price Movements during the Covid 19 | |
| KR102510463B1 (ko) | 상권 분석 정보 제공 방법 및 이를 기록한 기록매체 | |
| CN116167646A (zh) | 基于交易算法的评价方法、装置、设备及存储介质 | |
| CN116468541A (zh) | 贷款回款预测方法、装置、设备及介质 | |
| CN115907841A (zh) | 业务数据预测方法及其相关设备 |
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 |