CN117272148A - 一种金融个账的风险等级管理方法及系统 - Google Patents

一种金融个账的风险等级管理方法及系统 Download PDF

Info

Publication number
CN117272148A
CN117272148A CN202311305606.1A CN202311305606A CN117272148A CN 117272148 A CN117272148 A CN 117272148A CN 202311305606 A CN202311305606 A CN 202311305606A CN 117272148 A CN117272148 A CN 117272148A
Authority
CN
China
Prior art keywords
account
risk level
risk
managed
classification
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
CN202311305606.1A
Other languages
English (en)
Inventor
刘宗铭
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.)
Agricultural Bank Of China Ltd Hainan Branch
Original Assignee
Agricultural Bank Of China Ltd Hainan Branch
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 Agricultural Bank Of China Ltd Hainan Branch filed Critical Agricultural Bank Of China Ltd Hainan Branch
Priority to CN202311305606.1A priority Critical patent/CN117272148A/zh
Publication of CN117272148A publication Critical patent/CN117272148A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明提供一种金融个账的风险等级管理方法及系统，方法包括：采集待管理账户对应的交易数据；对交易数据进行预处理，得到待分类数据；将待分类数据输入风险等级分类模型中进行等级分类，得到待管理账户的分类结果，风险等级分类模型预先根据预设样本数据训练神经网络模型得到；根据分类结果对待管理账户进行风险等级管理。通过风险等级分类模型对金融个账进行风险等级分类，提高了风险等级分类的准确率，减少了人工鉴别的错误；同时根据分类结果对待管理账户进行风险等级管理，实现了风险管理的自动化，降低了金融风险，提高了工作效率。

Description

一种金融个账的风险等级管理方法及系统
技术领域
本发明涉及金融风险管理技术领域，尤其涉及一种金融个账的风险等级管理方法及系统。
背景技术
随着社会经济快速发展，银行业务量不断增多，面临的潜在风险也随之增多。对个人账户的风险等级进行管理也越来越重要。
目前主要依靠人工排查的方式对个人账户的风险等级进行管理，由工作人员对个人账户逐一进行风险等级分类，处理速度较慢；并且由于工作人员的鉴别水平存在差别，容易出现管理失误的问题。
发明内容
有鉴于此，本发明实施例提供一种金融个账的风险等级管理方法及系统，以解决对个账进行风险等级管理时存在处理速度慢且管理失误较多的问题。
为实现上述目的，本发明实施例提供如下技术方案：
本发明实施例第一方面公开一种金融个账的风险等级管理方法，所述方法包括：
采集待管理账户对应的交易数据；
对所述交易数据进行预处理，得到待分类数据；
将所述待分类数据输入风险等级分类模型中进行等级分类，得到所述待管理账户的分类结果，所述风险等级分类模型预先根据预设样本数据训练神经网络模型得到；
根据所述分类结果对所述待管理账户进行风险等级管理。
优选的，所述对所述交易数据进行预处理，得到待分类数据，包括：
判断所述交易数据的格式是否是预设格式；
若所述交易数据的格式不是预设格式，则将所述交易数据的格式转换为所述预设格式，得到待分类数据。
优选的，根据预设样本数据训练神经网络模型得到所述风险等级分类模型的过程，包括：
获取样本数据并将所述样本数据拆分为训练集和测试集，所述样本数据为历史交易数据；
基于所述训练集，训练神经网络模型直至所述神经网络模型收敛，得到风险等级分类模型；
利用所述测试集测试所述风险等级分类模型的分类效果是否满足预设条件；
若所述识别效果满足预设条件，确定得到最终的风险等级分类模型；
若所述识别效果不满足预设条件，更新所述风险等级分类模型的参数，返回执行利用所述测试集测试所述风险等级分类模型的分类效果是否满足预设条件这一步骤。
优选的，所述根据所述分类结果对所述待管理账户进行风险等级管理，包括：
当所述分类结果指示所述待管理账户为高风险账户时，设置所述待管理账户的交易限制，并生成高风险告警信息；
将所述高风险告警信息发送至用户；
当所述分类结果指示所述待管理账户为中风险账户时，生成中风险告警信息，并将所述中风险告警信息发送至所述用户；
当所述分类结果指示所述待管理账户为低风险账户时，将所述分类结果发送至所述用户。
本发明实施例第二方面公开一种金融个账的风险等级管理系统，所述系统包括：
采集单元，用于采集待管理账户对应的交易数据；
预处理单元，用于对所述交易数据进行预处理，得到待分类数据；
分类单元，用于将所述待分类数据输入风险等级分类模型中进行等级分类，得到所述待管理账户的分类结果，所述风险等级分类模型预先根据预设样本数据训练神经网络模型得到；
管理单元，用于根据所述分类结果对所述待管理账户进行风险等级管理。
优选的，所述预处理单元，包括：
判断模块，用于判断所述交易数据的格式是否是预设格式；
转换模块，用于若所述交易数据的格式不是预设格式，则将所述交易数据的格式转换为所述预设格式，得到待分类数据。
优选的，所述系统还包括：
获取单元，用于获取样本数据并将所述样本数据拆分为训练集和测试集，所述样本数据为历史交易数据；
训练单元，用于基于所述训练集，训练神经网络模型直至所述神经网络模型收敛，得到风险等级分类模型；
测试单元，用于利用所述测试集测试所述风险等级分类模型的分类效果是否满足预设条件；
确定单元，用于若所述识别效果满足预设条件，确定得到最终的风险等级分类模型；
更新单元，用于若所述识别效果不满足预设条件，更新所述风险等级分类模型的参数，返回执行所述测试单元。
优选的，所述管理单元包括：
设置模块，用于当所述分类结果指示所述待管理账户为高风险账户时，设置所述待管理账户的交易限制，并生成高风险告警信息；
第一发送模块，用于将所述高风险告警信息发送至用户；
生成模块，用于当所述分类结果指示所述待管理账户为中风险账户时，生成中风险告警信息，并将所述中风险告警信息发送至所述用户；
第二发送模块，用于当所述分类结果指示所述待管理账户为低风险账户时，将所述分类结果发送至所述用户。
本发明实施例第三方面公开一种电子设备，包括：处理器以及存储器，所述处理器以及存储器通过通信总线相连；其中，所述处理器，用于调用并执行所述存储器中存储的程序；所述存储器，用于存储程序，所述程序用于实现如本发明实施例第一方面公开的金融个账的风险等级管理方法。
本发明实施例第四方面公开一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行本发明实施例第一方面公开的金融个账的风险等级管理方法。
基于上述本发明实施例提供的一种金融个账的风险等级管理方法及系统，该方法包括：采集待管理账户对应的交易数据；对交易数据进行预处理，得到待分类数据；将待分类数据输入风险等级分类模型中进行等级分类，得到待管理账户的分类结果，风险等级分类模型预先根据预设样本数据训练神经网络模型得到；根据分类结果对待管理账户进行风险等级管理。通过风险等级分类模型对金融个账进行风险等级分类，提高了风险等级分类的准确率，减少了人工鉴别的错误；同时根据分类结果对待管理账户进行风险等级管理，实现了风险管理的自动化，降低了金融风险，提高了工作效率。
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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种金融个账的风险等级管理方法的流程图；
图2为本发明实施例提供的根据预设样本数据训练神经网络模型得到风险等级分类模型的流程图；
图3为本发明实施例提供的一种金融个账的风险等级管理系统的结构框图；
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
由背景技术可知，目前主要依靠人工排查的方式对个人账户的风险等级进行管理，由工作人员对个人账户逐一进行风险等级分类，处理速度较慢；并且由于工作人员的鉴别水平存在差别，容易出现管理失误的问题。
因此，本发明实施例提供一种金融个账的风险等级管理方法及系统，方法包括：采集待管理账户对应的交易数据；对交易数据进行预处理，得到待分类数据；将待分类数据输入风险等级分类模型中进行等级分类，得到待管理账户的分类结果，风险等级分类模型预先根据预设样本数据训练神经网络模型得到；根据分类结果对待管理账户进行风险等级管理。通过风险等级分类模型对金融个账进行风险等级分类，提高了风险等级分类的准确率，减少了人工鉴别的错误；同时根据分类结果对待管理账户进行风险等级管理，实现了风险管理的自动化，降低了金融风险，提高了工作效率。
参见图1，示出了本发明实施例提供的一种金融个账的风险等级管理方法的流程图，该管理方法包括：
步骤S101：采集待管理账户对应的交易数据。
在具体实现步骤S101的过程中，采集待管理账户对应的交易数据，例如待管理账户的交易金额，交易时间和交易类型等金融数据。
在一些实施例中，采集待管理账户对应的交易数据后，将交易数据存储至数据库中，例如存储在拼接账户特征宽表中。
需要说明的是，本申请涉及的数据(包括但不限于用于分析的交易数据和金融数据等)，均经客户和用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
可以理解的是，由于待管理账户为银行个人账户，采集待管理账户对应的交易数据，可以根据交易数据对待管理账户进行风险等级分类，便于对待管理账户进行风险等级管理。
步骤S102：对交易数据进行预处理，得到待分类数据。
在具体实现步骤S102的过程中，判断交易数据的格式是否是预设格式；若交易数据的格式不是预设格式，则将交易数据的格式转换为预设格式，得到待分类数据。
可以理解的是，利用例如SQL语句，从拼接账户特征宽表中筛选出：格式不是预设格式的交易数据，将这些交易数据的格式转换为预设格式，如Catboost机器学习模型所适用的格式，得到预处理后的待分类数据。
需要说明的是，对交易数据进行预处理，将交易数据的格式转换为预设格式，可以有效提高风险等级分类模型的分类效率和准确率。
步骤S103：将待分类数据输入风险等级分类模型中进行等级分类，得到待管理账户的分类结果。
在具体实现步骤S103的过程中，利用风险等级分类模型对待分类数据进行等级分类，得到待管理账户的分类结果。
需要说明的是，风险等级分类模型预先根据预设样本数据训练神经网络模型(例如Catboost机器学习模型)得到，具体的训练过程参见本发明实施例图2中的内容。
可以理解的是，通过风险等级分类模型对待管理账户进行风险等级分类，实现个账风险等级分类自动化，提高了风险管控的准确率。
步骤S104：根据分类结果对待管理账户进行风险等级管理。
在具体实现步骤S104的过程中，根据分类结果所指示的风险等级，对待管理账户进行风险等级管理，即根据不同的风险等级采取对应的管控措施。
具体的，当分类结果指示待管理账户为高风险账户时，设置待管理账户的交易限制(例如限制交易额度和暂停账户功能等)，并生成高风险告警信息(例如根据交易数据和分类结果生成高风险告警信息)；将高风险告警信息发送至用户(例如监管人员)。
当分类结果指示待管理账户为中风险账户时，生成中风险告警信息，并将中风险告警信息发送至用户。
可以理解的是，生成中风险告警信息并将中风险告警信息发送至用户，以提醒用户对中风险账户进行审核和处理，以保证金融风险及时得到有效控制。
当分类结果指示待管理账户为低风险账户时，将分类结果发送至用户。
需要说明的是，对于低风险账户不需要进行处理，可以将分类结果发送至用户，以提高系统交互性。
在本发明实施例中，对交易数据进行预处理，提高了数据处理的效率，便于风险等级分类模型进行风险等级分类；通过风险等级分类模型(例如Catboost机器学习模型)对金融个账进行风险等级分类，提高了风险等级分类的准确率，减少了人工鉴别的错误；同时根据分类结果对待管理账户进行风险等级管理，实现了风险管理的自动化，降低了金融风险，提高了工作效率。
上述图1提及的根据预设样本数据训练神经网络模型得到风险等级分类模型的过程，参见图2，示出了本发明实施例提供的根据预设样本数据训练神经网络模型得到风险等级分类模型的流程图，包括：
步骤S201：获取样本数据并将样本数据拆分为训练集和测试集。
需要说明的是，样本数据为历史交易数据，具体的，历史交易数据中包括高风险、中风险和低风险的账户和金融数据以及交易数据。
可以理解的是，训练集用于训练神经网络模型，测试集用于检测神经网络模型的训练效果，可以保证训练神经网络模型的训练结果更加准确。
步骤S202：基于训练集，训练神经网络模型直至神经网络模型收敛，得到风险等级分类模型。
在具体实现步骤S202的过程中，基于训练集，训练Catboost机器学习模型直至Catboost机器学习模型收敛，得到风险等级分类模型。
步骤S203：利用测试集测试风险等级分类模型的分类效果是否满足预设条件。若识别效果满足预设条件，执行步骤S204；若识别效果不满足预设条件，执行步骤S205。
在具体实现步骤S203的过程中，利用测试集中账户对应的风险等级和风险等级分类模型的分类结果进行比较，若测试集中账户对应的风险等级和风险等级分类模型的分类结果一致，则确定风险等级分类模型的分类效果满足预设条件，执行步骤S204；若测试集中账户对应的风险等级和风险等级分类模型的分类结果不一致，则确定风险等级分类模型的分类效果不满足预设条件，执行步骤S205。
可以理解的是，利用训练集测试风险等级分类模型的分类效果，可以有效提高风险等级分类模型的分类准确率。
步骤S204：确定得到最终的风险等级分类模型。
在具体实现步骤S204的过程中，若识别效果满足预设条件，确定得到最终的风险等级分类模型。
步骤S205：更新风险等级分类模型的参数，返回执行步骤S203。
在具体实现步骤S205的过程中，若识别效果不满足预设条件，更新风险等级分类模型的参数，返回执行步骤S203。
在本发明实施例中，利用历史交易数据训练风险等级分类模型收敛，和测试风险等级分类模型的分类效果，提高了风险等级分类模型的分类准确率。提高了风险等级分类模型的分类可靠性。
与上述本发明实施例提供的一种金融个账的风险等级管理方法相对应，参见图3，示出了本发明实施例提供的一种金融个账的风险等级管理系统的结构框图，该管理系统包括：采集单元301、预处理单元302、分类单元303和管理单元304。
采集单元301，用于采集待管理账户对应的交易数据。
预处理单元302，用于对交易数据进行预处理，得到待分类数据。
分类单元303，用于将待分类数据输入风险等级分类模型中进行等级分类，得到待管理账户的分类结果，风险等级分类模型预先根据预设样本数据训练神经网络模型得到。
管理单元304，用于根据分类结果对待管理账户进行风险等级管理。
在本发明实施例中，通过风险等级分类模型对金融个账进行风险等级分类，提高了风险等级分类的准确率，减少了人工鉴别的错误；同时根据分类结果对待管理账户进行风险等级管理，实现了风险管理的自动化，降低了金融风险，提高了工作效率。
结合图3示出的内容，预处理单元302包括判断模块和转换模块，各个模块的实现原理如下：
判断模块，用于判断交易数据的格式是否是预设格式。
转换模块，用于若交易数据的格式不是预设格式，则将交易数据的格式转换为预设格式，得到待分类数据。
结合图3示出的内容，该管理系统还包括：获取单元、训练单元、测试单元、确定单元和更新单元。
获取单元，用于获取样本数据并将样本数据拆分为训练集和测试集，样本数据为历史交易数据。
训练单元，用于基于训练集，训练神经网络模型直至神经网络模型收敛，得到风险等级分类模型。
测试单元，用于利用测试集测试风险等级分类模型的分类效果是否满足预设条件。
确定单元，用于若识别效果满足预设条件，确定得到最终的风险等级分类模型。
更新单元，用于若识别效果不满足预设条件，更新风险等级分类模型的参数，返回执行测试单元。
结合图3示出的内容，管理单元包括：限制模块、第一发送模块、生成模块和第二发送模块，各个模块的实现原理如下：
限制模块，用于当分类结果指示待管理账户为高风险账户时，对待管理账户进行交易限制，并生成高风险告警信息。
第一发送模块，用于将高风险告警信息发送至用户。
生成模块，用于当分类结果指示待管理账户为中风险账户时，生成中风险告警信息，并将中风险告警信息发送至用户。
第二发送模块，用于当分类结果指示待管理账户为低风险账户时，将分类结果发送至用户。
本申请另一实施例提供了一种电子设备，如图4所示，包括：
存储器401和处理器402。
其中，存储器401用于存储程序。
处理器402用于执行程序，程序被执行时，具体用于实现如上述任意一个实施例提供的一种金融个账的风险等级管理方法。
本申请另一实施例提供了一种计算机存储介质，用于存储计算机程序，计算机程序被执行时，用于实现如上述任意一个实施例提供的一种金融个账的风险等级管理方法。
计算机存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
综上所述，本发明实施例提供了一种金融个账的风险等级管理方法及系统，采集待管理账户对应的交易数据；对交易数据进行预处理，得到待分类数据；将待分类数据输入风险等级分类模型中进行等级分类，得到待管理账户的分类结果，风险等级分类模型预先根据预设样本数据训练神经网络模型得到；根据分类结果对待管理账户进行风险等级管理。通过风险等级分类模型对金融个账进行风险等级分类，提高了风险等级分类的准确率，减少了人工鉴别的错误；同时根据分类结果对待管理账户进行风险等级管理，实现了风险管理的自动化，降低了金融风险，提高了工作效率。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种金融个账的风险等级管理方法，其特征在于，所述方法包括：
采集待管理账户对应的交易数据；
对所述交易数据进行预处理，得到待分类数据；
将所述待分类数据输入风险等级分类模型中进行等级分类，得到所述待管理账户的分类结果，所述风险等级分类模型预先根据预设样本数据训练神经网络模型得到；
根据所述分类结果对所述待管理账户进行风险等级管理。
2.根据权利要求1所述的方法，其特征在于，所述对所述交易数据进行预处理，得到待分类数据，包括：
判断所述交易数据的格式是否是预设格式；
若所述交易数据的格式不是预设格式，则将所述交易数据的格式转换为所述预设格式，得到待分类数据。
3.根据权利要求1所述的方法，其特征在于，根据预设样本数据训练神经网络模型得到所述风险等级分类模型的过程，包括：
获取样本数据并将所述样本数据拆分为训练集和测试集，所述样本数据为历史交易数据；
基于所述训练集，训练神经网络模型直至所述神经网络模型收敛，得到风险等级分类模型；
利用所述测试集测试所述风险等级分类模型的分类效果是否满足预设条件；
若所述识别效果满足预设条件，确定得到最终的风险等级分类模型；
若所述识别效果不满足预设条件，更新所述风险等级分类模型的参数，返回执行利用所述测试集测试所述风险等级分类模型的分类效果是否满足预设条件这一步骤。
4.根据权利要求1所述的方法，其特征在于，所述根据所述分类结果对所述待管理账户进行风险等级管理，包括：
当所述分类结果指示所述待管理账户为高风险账户时，对所述待管理账户进行交易限制，并生成高风险告警信息；
将所述高风险告警信息发送至用户；
当所述分类结果指示所述待管理账户为中风险账户时，生成中风险告警信息，并将所述中风险告警信息发送至所述用户；
当所述分类结果指示所述待管理账户为低风险账户时，将所述分类结果发送至所述用户。
5.一种金融个账的风险等级管理系统，其特征在于，所述系统包括：
采集单元，用于采集待管理账户对应的交易数据；
预处理单元，用于对所述交易数据进行预处理，得到待分类数据；
分类单元，用于将所述待分类数据输入风险等级分类模型中进行等级分类，得到所述待管理账户的分类结果，所述风险等级分类模型预先根据预设样本数据训练神经网络模型得到；
管理单元，用于根据所述分类结果对所述待管理账户进行风险等级管理。
6.根据权利要求5所述的系统，其特征在于，所述预处理单元，包括：
判断模块，用于判断所述交易数据的格式是否是预设格式；
转换模块，用于若所述交易数据的格式不是预设格式，则将所述交易数据的格式转换为所述预设格式，得到待分类数据。
7.根据权利要求5所述的系统，其特征在于，所述系统还包括：
获取单元，用于获取样本数据并将所述样本数据拆分为训练集和测试集，所述样本数据为历史交易数据；
训练单元，用于基于所述训练集，训练神经网络模型直至所述神经网络模型收敛，得到风险等级分类模型；
测试单元，用于利用所述测试集测试所述风险等级分类模型的分类效果是否满足预设条件；
确定单元，用于若所述识别效果满足预设条件，确定得到最终的风险等级分类模型；
更新单元，用于若所述识别效果不满足预设条件，更新所述风险等级分类模型的参数，返回执行所述测试单元。
8.根据权利要求5所述的系统，其特征在于，所述管理单元包括：
限制模块，用于当所述分类结果指示所述待管理账户为高风险账户时，对所述待管理账户进行交易限制，并生成高风险告警信息；
第一发送模块，用于将所述高风险告警信息发送至用户；
生成模块，用于当所述分类结果指示所述待管理账户为中风险账户时，生成中风险告警信息，并将所述中风险告警信息发送至所述用户；
第二发送模块，用于当所述分类结果指示所述待管理账户为低风险账户时，将所述分类结果发送至所述用户。
9.一种电子设备，其特征在于，包括：处理器以及存储器，所述处理器以及存储器通过通信总线相连；其中，所述处理器，用于调用并执行所述存储器中存储的程序；所述存储器，用于存储程序，所述程序用于实现如权利要求1-4任一所述的金融个账的风险等级管理方法。
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中存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1-4任一所述的金融个账的风险等级管理方法。
CN202311305606.1A 2023-10-10 2023-10-10 一种金融个账的风险等级管理方法及系统 Pending CN117272148A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311305606.1A CN117272148A (zh) 2023-10-10 2023-10-10 一种金融个账的风险等级管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311305606.1A CN117272148A (zh) 2023-10-10 2023-10-10 一种金融个账的风险等级管理方法及系统

Publications (1)

Publication Number Publication Date
CN117272148A true CN117272148A (zh) 2023-12-22

Family

ID=89204334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311305606.1A Pending CN117272148A (zh) 2023-10-10 2023-10-10 一种金融个账的风险等级管理方法及系统

Country Status (1)

Country Link
CN (1) CN117272148A (zh)

Similar Documents

Publication Publication Date Title
CN107563757B (zh) 数据风险识别的方法及装置
CN108764808A (zh) 数据分析处理系统及其在线模型部署方法
CN106164896B (zh) 用于发现对手方关系的多维递归方法及系统
CN110909363A (zh) 基于大数据的软件第三方组件漏洞应急响应系统及方法
CN114239591B (zh) 敏感词识别方法及装置
CN114168830A (zh) 舆情数据处理系统及方法、计算机存储介质、电子设备
CN107659562A (zh) 一种挖掘恶意登录账号的方法及装置
CN114978877A (zh) 一种异常处理方法、装置、电子设备及计算机可读介质
CN116303380B (zh) 一种监测业务中的数据质量校验方法、设备及介质
CN110955760B (zh) 判决结果的评价方法和相关装置
CN117272148A (zh) 一种金融个账的风险等级管理方法及系统
CN116596657A (zh) 贷款风险评估方法、装置、存储介质及电子设备
CN110430217A (zh) 基于信息系统分类安全威胁的检测方法、装置和计算机可读存储介质
CN116227862A (zh) 一种基于高效的预算项目全流程监管方法和系统
CN113641702B (zh) 一种语句审计后与数据库客户端交互处理方法和装置
CN111144429A (zh) 对象分类方法及其系统、计算机系统及计算机可读介质
CN112488562B (zh) 一种业务实现方法及装置
CN112035287B (zh) 一种数据清洗结果的测试方法、装置、存储介质及设备
CN111798237A (zh) 基于应用日志的异常交易诊断方法及系统
CN118093568A (zh) 一种数据质量的检核方法及装置、电子设备、存储介质
CN118071488A (zh) 交易报告的生成方法、装置、计算机存储介质及电子设备
CN117808479A (zh) 非法资金转移风险处理方法、装置、存储介质及电子设备
CN117709716A (zh) 一种企业税务风险管控方法及引擎
CN118211230A (zh) 一种前端安全防护方法和装置
CN113743948A (zh) 交易信息文件的生成方法及装置、电子设备、存储介质

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