CN117172931A - 银行信用风险智能检测方法、装置及存储介质 - Google Patents
银行信用风险智能检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117172931A CN117172931A CN202311220053.XA CN202311220053A CN117172931A CN 117172931 A CN117172931 A CN 117172931A CN 202311220053 A CN202311220053 A CN 202311220053A CN 117172931 A CN117172931 A CN 117172931A
- Authority
- CN
- China
- Prior art keywords
- credit risk
- data dimension
- data
- enterprise
- credit
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种银行信用风险智能检测方法、装置及存储介质,获取企业在预设时间段内的企业原始数据,从企业原始数据中提取出预设数据维度的信用风险评价数据,各个数据维度对应各种信用风险项,将各个数据维度进行分类,并根据分类的信用风险评价数据,获取得到企业的信用风险目标强度,将企业的信用风险目标强度与预设风险阈值进行比较,若信用风险目标强度低于预设风险阈值时,发出预警提示,并将信用风险目标强度低于预设风险阈值的企业的信息存储至银行数据库,不但能够提升企业信用风险的获取的准确性,而且方便银行根据获取得到的企业的信用风险对企业进行相关的金融操作。
Description
技术领域
本发明涉及一种银行信用风险智能检测方法、装置及存储介质。
背景技术
精确地揭示与度量企业的信用风险,对减少银行资金损失,提高经营业绩是至关重要的。但是,目前对于企业的信用风险的检测方式大多是人工根据企业的经营状态进行主管判断,准确性较低。
发明内容
为了解决上述技术问题,本发明提供一种银行信用风险智能检测方法、装置及存储介质。
一种银行信用风险智能检测方法,包括:
获取企业在预设时间段内的企业原始数据,从所述企业原始数据中提取出预设数据维度的信用风险评价数据,各个数据维度对应各种信用风险项;
将各个数据维度进行分类,分别得到第一数据维度类别和第二数据维度类别,并根据分别属于第一数据维度类别和第二数据维度类别的信用风险评价数据,获取得到企业的信用风险目标强度;
将企业的信用风险目标强度与预设风险阈值进行比较,若所述信用风险目标强度低于所述预设风险阈值时,发出预警提示,并将所述信用风险目标强度低于所述预设风险阈值的企业的信息存储至银行数据库。
进一步地,将各个数据维度进行分类,分别得到第一数据维度类别和第二数据维度类别,具体包括:
对于任意一个数据维度,将预设数量的企业的该数据维度对应的所有信用风险评价数据通过预设聚类算法进行聚类,获取处于得到的聚类集合之外的信用风险评价数据的数量,并获取处于得到的聚类集合之外的信用风险评价数据的数量与该数据维度对应的所有信用风险评价数据的数量的商值,得到的商值为该数据维度所对应的分类参考值;若该分类参考值大于预设数值,则将该数据维度划入第一数据维度类别,否则划入第二数据维度类别。
进一步地,根据分别属于第一数据维度类别和第二数据维度类别的信用风险评价数据,获取得到企业的信用风险目标强度,具体包括:
将第一数据维度类别中的各个数据维度两两组合,得到多个第一数据维度对,将第二数据维度类别中的各个数据维度两两组合,得到多个第二数据维度对;
对于得到的多个第一数据维度对中的任意一个第一数据维度对,将该第一数据维度对中的其中一个数据维度作为二维坐标系的横坐标,将另一个数据维度作为二维坐标系的纵坐标,将每一个企业的该第一数据维度对中的两个数据维度的信用风险评价数据的大小构成二维坐标系的对应坐标点;将所有企业的坐标点通过所述预设聚类算法进行聚类,将处于得到的聚类集合之外的坐标点称为第一类坐标点;
获取所有第一数据维度对所对应的坐标系中,每个企业对应的第一类坐标点的数量与第一数据维度对的总数量的商值,得到的商值为每一个企业的第一信用风险评价值;
对于得到的多个第二数据维度对中的任意一个第二数据维度对,将该第二数据维度对中的其中一个数据维度作为二维坐标系的横坐标,将另一个数据维度作为二维坐标系的纵坐标,将每一个企业的该第二数据维度对中的两个数据维度的信用风险评价数据的大小构成二维坐标系的对应坐标点;将所有企业的坐标点通过所述预设聚类算法进行聚类,将处于得到的聚类集合内的坐标点称为第二类坐标点;
获取所有第二数据维度对所对应的坐标系中,每个企业对应的第二类坐标点的数量与第二数据维度对的总数量的商值,得到的商值为每一个企业的第二信用风险评价值;
将每一个企业的第一信用风险评价值和第二信用风险评价值相加后进行归一化,得到对应企业的第一信用风险强度;
至少基于所述第一信用风险强度得到信用风险目标强度。
进一步地,至少基于所述第一信用风险强度得到信用风险目标强度,具体包括:所述第一信用风险强度为信用风险目标强度。
进一步地,至少基于所述第一信用风险强度得到信用风险目标强度,具体包括:
对于第一数据维度类别和第二数据维度类别中的任意一个数据维度,将所有企业的该数据维度对应的所有信用风险评价数据通过预设聚类算法进行聚类,获取聚类结果中,每个信用风险评价数据与聚类中心的距离,并做归一化,得到该数据维度中每个信用风险评价数据的目标距离;
分别将第一数据维度类别中的其中一个数据维度与第二数据维度类别中的其中一个数据维度进行组合,得到多个第三数据维度对,将所述第三数据维度对中的两个数据维度所对应的目标距离的差值绝对值,作为所述第三数据维度对对应的第二信用风险子强度;
计算企业所对应的所有的第二信用风险子强度的和值,并做归一化,得到企业的第二信用风险强度;
将企业的第一信用风险强度和第二信用风险强度进行加权求和,得到信用风险目标强度。
进一步地,将所述信用风险目标强度高于所述预设风险阈值的企业的信息存储至银行数据库,具体包括:
将企业的信息添加至预设的高风险企业电子统计表格中,并将完成的高风险企业电子统计表格加密后存储至银行数据库。
一种银行信用风险智能检测装置,包括:存储器及处理器;所述存储器与所述处理器连接;所述存储器,用于存储程序指令;所述处理器,用于在程序指令被执行时,实现上述银行信用风险智能检测方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述银行信用风险智能检测方法。
一种银行信用风险智能检测装置,包括:存储器及处理器;所述存储器与所述处理器连接;所述存储器,用于存储程序指令;所述处理器,用于在程序指令被执行时,实现上述的银行信用风险智能检测方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的银行信用风险智能检测方法。
本发明具有如下有益效果:先获取企业在预设时间段内的企业原始数据,从企业原始数据中提取出预设数据维度的信用风险评价数据,各个数据维度对应各种信用风险项,通过数据提取可以得到与企业信用风险相关的信用风险评价数据,然后,将各个数据维度进行分类,分别得到第一数据维度类别和第二数据维度类别,然后根据分别属于第一数据维度类别和第二数据维度类别的信用风险评价数据,获取得到企业的信用风险目标强度,提升信用风险目标强度的获取的准确性,最后,将企业的信用风险目标强度与预设风险阈值进行比较,若强度高于预设风险阈值,表示企业具有一定的信用风险,则发出预警提示,并将相关企业的信息存储至银行数据库,不但能够提升企业信用风险的获取的准确性,而且方便银行根据获取得到的企业的信用风险对企业进行相关的金融操作。
附图说明
图1为本发明提供的一种银行信用风险智能检测方法的流程图。
实施方式
如图1所示,本实施例提供一种银行信用风险智能检测方法,包括如下步骤:
步骤S1:获取企业在预设时间段内的企业原始数据,从所述企业原始数据中提取出预设数据维度的信用风险评价数据,各个数据维度对应各种信用风险项;
步骤S2:将各个数据维度进行分类,分别得到第一数据维度类别和第二数据维度类别,并根据分别属于第一数据维度类别和第二数据维度类别的信用风险评价数据,获取得到企业的信用风险目标强度;
步骤S3:将企业的信用风险目标强度与预设风险阈值进行比较,若所述信用风险目标强度低于所述预设风险阈值时,发出预警提示,并将所述信用风险目标强度低于所述预设风险阈值的企业的信息存储至银行数据库。
如下针对图1,给出各个步骤的具体实现过程。
步骤S1中,预设时间段由实际需要进行设置,比如一个月内,或者半年内。获取企业在预设时间段内的企业原始数据,由于后续需要针对多个企业的数据进行综合分析,因此,本实施例中,参与数据处理的企业数量由实际需要进行设置,比如预设区域内的所有企业。那么,获取多个企业在预设时间段内的企业原始数据。企业原始数据包括企业的各方面的数据信息,整体上可以包括如下几大方面:财务方面、法律方面和工商信息方面。如果细分的话,可以有:营业收入、净利润、资产负债率、客户满意度、市场竞争力、行业法律风险、研发能力等等。
对于任意一个企业,从企业原始数据中提取出预设数据维度的信用风险评价数据,预设数据维度的数量由实际需要进行设置,而且,预设数据维度所对应的各个具体的数据维度也由实际需要进行设置,而且数据维度表征信用风险项,即获取企业多个信用风险项所对应的信用风险评价数据,数据维度可以包括:营业收入、净利润、资产负债率、市场竞争力、行业法律风险等。应当理解,对所有企业均按照上述数据维度进行数据获取。
步骤S2分为两大子步骤,分别是:分别是步骤S2-1:将各个数据维度进行分类,分别得到第一数据维度类别和第二数据维度类别;步骤S2-2:根据分别属于第一数据维度类别和第二数据维度类别的信用风险评价数据,获取得到企业的信用风险目标强度。
其中,步骤S2-1:将各个数据维度进行分类,分别得到第一数据维度类别和第二数据维度类别:
由于每一个企业中均包括预设的多个数据维度的信用风险评价数据。那么,对于任意一个数据维度,将获取到的所有企业的该数据维度对应的所有信用风险评价数据通过预设聚类算法进行聚类,其中预设聚类算法由实际需要进行设置,本实施例中的预设聚类算法均为DBSCAN聚类算法,而且本实施例中的不同位置所使用的DBSCAN聚类算法中的邻域半径和最少点数目,均由对应位置处的实际情况和实际需要进行具体设置,设置原则为出现一个聚类集合。通过聚类算法进行聚类后,得到聚类集合,那么,由于DBSCAN聚类算法的原理是密度聚类,则处于聚类集合之外的数据越多,表示该数据维度对应的信用风险评价数据越离散。那么,获取处于得到的聚类集合之外的信用风险评价数据的数量,并获取处于得到的聚类集合之外的信用风险评价数据的数量与该数据维度对应的所有信用风险评价数据的总数量的商值,该商值为该数据维度所对应的分类参考值。那么,每一个数据维度对应一个分类参考值,将分类参考值与预设数值进行比较,若分类参考值大于预设数值,表示数据维度对应的信用风险评价数据越离散,则将对应的数据维度划入第一数据维度类别,否则划入第二数据维度类别。至此,将所有的数据维度分为两类。第一数据维度类别对应高敏感的数据维度,第二数据维度类别对应低敏感的数据维度。
步骤S2-2:根据分别属于第一数据维度类别和第二数据维度类别的信用风险评价数据,获取得到企业的信用风险目标强度:
将第一数据维度类别中的各个数据维度两两组合,得到多个第一数据维度对,将第二数据维度类别中的各个数据维度两两组合,得到多个第二数据维度对。其中,组合方式可以为随机两两组合。
对于得到的多个第一数据维度对中的任意一个第一数据维度对,将该第一数据维度对中的其中一个数据维度作为二维坐标系的横坐标,将另一个数据维度作为二维坐标系的纵坐标,将每一个企业的该第一数据维度对中的两个数据维度的信用风险评价数据的大小构成二维坐标系的对应坐标点。那么,该第一数据维度对对应一个二维坐标系,二维坐标系中包括所有企业的对应的坐标点。将所有企业的坐标点通过预设聚类算法(即DBSCAN聚类算法)进行聚类,就会得到一个聚类集合,那么,坐标点分为两类,一类是处于得到的聚类集合中的坐标点,另一类是处于得到的聚类集合之外的坐标点,为了便于说明,将处于得到的聚类集合之外的坐标点称为第一类坐标点。由于每一个企业在每一个二维坐标系中均对应有一个坐标点,那么,就能够获知该企业所对应的各个坐标点是否是第一类坐标点。获取所有第一数据维度对所对应的坐标系中,每个企业对应的第一类坐标点的数量与第一数据维度对的总数量的商值,该商值表征离散程度,该商值为对应企业的第一信用风险评价值。由于第一数据维度类别对应高敏感的数据维度,那么,处于聚类集合之外的坐标点的数量越多,说明企业的金融信用越好,信用风险越低。
同理,对于得到的多个第二数据维度对中的任意一个第二数据维度对,将该第二数据维度对中的其中一个数据维度作为二维坐标系的横坐标,将另一个数据维度作为二维坐标系的纵坐标,将每一个企业的该第二数据维度对中的两个数据维度的信用风险评价数据的大小构成二维坐标系的对应坐标点,将所有企业的坐标点通过预设聚类算法(即DBSCAN聚类算法)进行聚类,那么,坐标点分为两类,一类是处于得到的聚类集合中的坐标点,另一类是处于得到的聚类集合之外的坐标点。不同的是,将处于得到的聚类集合内的坐标点称为第二类坐标点。获取所有第二数据维度对所对应的坐标系中,每个企业对应的第二类坐标点的数量与第二数据维度对的总数量的商值,该商值表征集中程度,该商值为对应企业的第二信用风险评价值。由于第二数据维度类别对应低敏感的数据维度,那么,处于聚类集合中的坐标点的数量越多,说明企业的金融信用越好,信用风险越低。
对于任意一个企业,将该企业的第一信用风险评价值和第二信用风险评价值相加后进行归一化,得到该企业的第一信用风险强度。本实施例中的归一化均为:若待归一化设定为x,则归一化方式为:。采用上述方式,得到各个企业的第一信用风险强度。
至少基于第一信用风险强度得到信用风险目标强度。那么,第一种实施方式,直接将第一信用风险强度作为信用风险目标强度进行后续比较。第二种实施方式:将第一信用风险强度再结合其他数据信息,得到信用风险目标强度。如下给出第二种实施方式的具体实现过程:
对于第一数据维度类别和第二数据维度类别中的任意一个数据维度,将所有企业的该数据维度对应的所有信用风险评价数据通过预设聚类算法(即DBSCAN聚类算法)进行聚类,获取聚类结果中,每个信用风险评价数据与聚类中心的距离,并做归一化,得到该数据维度中每个信用风险评价数据的目标距离。
然后,分别将第一数据维度类别中的其中一个数据维度与第二数据维度类别中的其中一个数据维度进行组合,将得到的多个数据维度对称为多个第三数据维度对。应当理解,若第一数据维度类别中的数据维度的数量与第二数据维度类别中的数据维度的数量不同时,比如:若第一数据维度类别中的数据维度的数量少于第二数据维度类别中的数据维度的数量,则第一数据维度类别中的所有数据维度完成组合之后,第二数据维度类别中还会遗留下一部分未组合的数据维度,则遗留下来的数据维度不再参与组合,那么,得到的第三数据维度对的数量与数量较少的数据维度类别中的数据维度的数量相同,即与第一数据维度类别中的数据维度的数量相同。将第三数据维度对中的两个数据维度所对应的目标距离的差值绝对值,作为第三数据维度对对应的第二信用风险子强度。对于第一数据维度类别而言,企业对应的信用风险评估数据的分布越离散,也即距离聚类中心之间的距离越远,对应的信用风险越好;相反地,对于第二数据维度类别而言,企业对应的信用风险评估数据的分布越集中,也即距离聚类中心之间的距离越近,对应的信用风险越好,将两个目标距离作差,差值绝对值越大,说明企业的信用风险越好。由于每一个企业对应多个第三数据维度对,就对应得到多个第二信用风险子强度,则对于任意一个企业,计算该企业所对应的所有的第二信用风险子强度的和值,并做归一化,得到企业的第二信用风险强度。将该企业的第一信用风险强度和第二信用风险强度进行加权求和,得到该企业的信用风险目标强度。第一信用风险强度和第二信用风险强度的权重值由实际需要进行设置,本实施例中,这两个权重值均为0.5。
通过上述方式,得到各个企业的信用风险目标强度。信用风险目标强度越高,表示企业信用越好。
步骤S3中,预设风险阈值由实际需要进行设置,将企业的信用风险目标强度与预设风险阈值进行比较,若信用风险目标强度低于预设风险阈值时,表示企业信用较差,则发出预警提示,比如向银行工作人员发出企业信用告警指令。并且,将信用风险目标强度低于预设风险阈值的企业的信息存储至银行数据库,即将信用较差的企业的信息存储至银行数据库。存储至银行数据库的企业的信息可以包括:企业名称、法人以及统一社会信用代码。作为一个具体实施方式,将企业的信息添加至预设的高风险企业电子统计表格中,并将完成的高风险企业电子统计表格加密后存储至银行数据库。其中,高风险企业电子统计表格包括三个区域,分别是企业名称填写区域、法人填写区域以及统一社会信用代码填写区域,将企业名称、法人以及统一社会信用代码对应填充至高风险企业电子统计表格中的企业名称填写区域、法人填写区域以及统一社会信用代码填写区域,将填充完成后的高风险企业电子统计表格进行加密,可以采用常规的数据加密算法,最后将加密后的高风险企业电子统计表格存储至银行数据库。
本实施例还提供一种银行信用风险智能检测装置,包括:存储器和处理器。其中,存储器通过总线与处理器连接。存储器用于存储程序指令。处理器用于在程序指令被执行时,执行上述图1所述的银行信用风险智能检测方法。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序可被执行实现上述图1所述的银行信用风险智能检测方法。银行信用风险智能检测方法的具体实现及有效效果,可参见上述,在此不再赘述。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的计算机程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:只读内存(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (8)
1.一种银行信用风险智能检测方法,其特征在于,包括:
获取企业在预设时间段内的企业原始数据,从所述企业原始数据中提取出预设数据维度的信用风险评价数据,各个数据维度对应各种信用风险项;
将各个数据维度进行分类,分别得到第一数据维度类别和第二数据维度类别,并根据分别属于第一数据维度类别和第二数据维度类别的信用风险评价数据,获取得到企业的信用风险目标强度;
将企业的信用风险目标强度与预设风险阈值进行比较,若所述信用风险目标强度低于所述预设风险阈值时,发出预警提示,并将所述信用风险目标强度低于所述预设风险阈值的企业的信息存储至银行数据库。
2.根据权利要求1所述的银行信用风险智能检测方法,其特征在于,将各个数据维度进行分类,分别得到第一数据维度类别和第二数据维度类别,具体包括:
对于任意一个数据维度,将预设数量的企业的该数据维度对应的所有信用风险评价数据通过预设聚类算法进行聚类,获取处于得到的聚类集合之外的信用风险评价数据的数量,并获取处于得到的聚类集合之外的信用风险评价数据的数量与该数据维度对应的所有信用风险评价数据的数量的商值,得到的商值为该数据维度所对应的分类参考值;若该分类参考值大于预设数值,则将该数据维度划入第一数据维度类别,否则划入第二数据维度类别。
3.根据权利要求1所述的银行信用风险智能检测方法,其特征在于,根据分别属于第一数据维度类别和第二数据维度类别的信用风险评价数据,获取得到企业的信用风险目标强度,具体包括:
将第一数据维度类别中的各个数据维度两两组合,得到多个第一数据维度对,将第二数据维度类别中的各个数据维度两两组合,得到多个第二数据维度对;
对于得到的多个第一数据维度对中的任意一个第一数据维度对,将该第一数据维度对中的其中一个数据维度作为二维坐标系的横坐标,将另一个数据维度作为二维坐标系的纵坐标,将每一个企业的该第一数据维度对中的两个数据维度的信用风险评价数据的大小构成二维坐标系的对应坐标点;将所有企业的坐标点通过所述预设聚类算法进行聚类,将处于得到的聚类集合之外的坐标点称为第一类坐标点;
获取所有第一数据维度对所对应的坐标系中,每个企业对应的第一类坐标点的数量与第一数据维度对的总数量的商值,得到的商值为每一个企业的第一信用风险评价值;
对于得到的多个第二数据维度对中的任意一个第二数据维度对,将该第二数据维度对中的其中一个数据维度作为二维坐标系的横坐标,将另一个数据维度作为二维坐标系的纵坐标,将每一个企业的该第二数据维度对中的两个数据维度的信用风险评价数据的大小构成二维坐标系的对应坐标点;将所有企业的坐标点通过所述预设聚类算法进行聚类,将处于得到的聚类集合内的坐标点称为第二类坐标点;
获取所有第二数据维度对所对应的坐标系中,每个企业对应的第二类坐标点的数量与第二数据维度对的总数量的商值,得到的商值为每一个企业的第二信用风险评价值;
将每一个企业的第一信用风险评价值和第二信用风险评价值相加后进行归一化,得到对应企业的第一信用风险强度;
至少基于所述第一信用风险强度得到信用风险目标强度。
4.根据权利要求3所述的银行信用风险智能检测方法,其特征在于,至少基于所述第一信用风险强度得到信用风险目标强度,具体包括:所述第一信用风险强度为信用风险目标强度。
5.根据权利要求3所述的银行信用风险智能检测方法,其特征在于,至少基于所述第一信用风险强度得到信用风险目标强度,具体包括:
对于第一数据维度类别和第二数据维度类别中的任意一个数据维度,将所有企业的该数据维度对应的所有信用风险评价数据通过预设聚类算法进行聚类,获取聚类结果中,每个信用风险评价数据与聚类中心的距离,并做归一化,得到该数据维度中每个信用风险评价数据的目标距离;
分别将第一数据维度类别中的其中一个数据维度与第二数据维度类别中的其中一个数据维度进行组合,得到多个第三数据维度对,将所述第三数据维度对中的两个数据维度所对应的目标距离的差值绝对值,作为所述第三数据维度对对应的第二信用风险子强度;
计算企业所对应的所有的第二信用风险子强度的和值,并做归一化,得到企业的第二信用风险强度;
将企业的第一信用风险强度和第二信用风险强度进行加权求和,得到信用风险目标强度。
6.根据权利要求1所述的银行信用风险智能检测方法,其特征在于,将所述信用风险目标强度高于所述预设风险阈值的企业的信息存储至银行数据库,具体包括:
将企业的信息添加至预设的高风险企业电子统计表格中,并将完成的高风险企业电子统计表格加密后存储至银行数据库。
7.一种银行信用风险智能检测装置,其特征在于,包括:存储器及处理器;所述存储器与所述处理器连接;所述存储器,用于存储程序指令;所述处理器,用于在程序指令被执行时,实现权利要求1-6中任一项所述的银行信用风险智能检测方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的银行信用风险智能检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311220053.XA CN117172931A (zh) | 2023-09-21 | 2023-09-21 | 银行信用风险智能检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311220053.XA CN117172931A (zh) | 2023-09-21 | 2023-09-21 | 银行信用风险智能检测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117172931A true CN117172931A (zh) | 2023-12-05 |
Family
ID=88941187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311220053.XA Pending CN117172931A (zh) | 2023-09-21 | 2023-09-21 | 银行信用风险智能检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117172931A (zh) |
-
2023
- 2023-09-21 CN CN202311220053.XA patent/CN117172931A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021052031A1 (zh) | 基于统计四分位距的商品库存风险预警方法、系统及计算机可读存储介质 | |
Lin et al. | Detecting the financial statement fraud: The analysis of the differences between data mining techniques and experts’ judgments | |
CN110390465A (zh) | 业务数据的风控分析处理方法、装置和计算机设备 | |
US11538044B2 (en) | System and method for generation of case-based data for training machine learning classifiers | |
CA2726790A1 (en) | System and method of detecting and assessing multiple types of risks related to mortgage lending | |
Giudici et al. | Artificial Intelligence risk measurement | |
Wong et al. | Financial accounting fraud detection using business intelligence | |
CN111340086A (zh) | 无标签数据的处理方法、系统、介质及终端 | |
CN115018210B (zh) | 业务数据分类预测方法、装置、计算机设备和存储介质 | |
CN115526700A (zh) | 风险的预测方法、装置及电子设备 | |
CN116307671A (zh) | 风险预警方法、装置、计算机设备、存储介质 | |
Kolbaşi et al. | A comparison of the outlier detecting methods: an application on Turkish foreign trade data | |
CN111709844A (zh) | 一种保险洗钱人员检测方法、装置和计算机可读存储介质 | |
CN111563187A (zh) | 关系确定方法、装置、系统和电子设备 | |
Yousaf et al. | Best proxy to determine firm performance using financial ratios: A CHAID approach | |
CN112329862A (zh) | 基于决策树的反洗钱方法及系统 | |
CN116805266A (zh) | 基于大数据的企业金融信用风险智能评估方法 | |
CN117172931A (zh) | 银行信用风险智能检测方法、装置及存储介质 | |
US20230325757A1 (en) | Computer-implemented method and system for testing a model | |
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 | |
CN115689740A (zh) | 基于深度学习的交易异常检测方法及装置 | |
CN112614005B (zh) | 企业复工状态的处理方法和装置 | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
Ma et al. | Frequency and severity estimation of cyber attacks using spatial clustering analysis | |
CN114495137A (zh) | 票据异常检测模型生成方法与票据异常检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |