CN117273738A - 一种金融交易的风险评估方法、装置、设备、介质及产品 - Google Patents
一种金融交易的风险评估方法、装置、设备、介质及产品 Download PDFInfo
- Publication number
- CN117273738A CN117273738A CN202310261616.3A CN202310261616A CN117273738A CN 117273738 A CN117273738 A CN 117273738A CN 202310261616 A CN202310261616 A CN 202310261616A CN 117273738 A CN117273738 A CN 117273738A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- determining
- index
- matrix
- judgment matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 111
- 238000012502 risk assessment Methods 0.000 title claims abstract description 78
- 238000012544 monitoring process Methods 0.000 claims abstract description 324
- 239000011159 matrix material Substances 0.000 claims abstract description 316
- 239000013598 vector Substances 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 27
- 230000006399 behavior Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 111
- 230000008569 process Effects 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种金融交易的风险评估方法、装置、设备、介质及产品。本发明涉及大数据和人工智能技术领域。该方法包括:获取金融交易的监测指标模型;获取监测指标模型中的监测指标,根据各个层级的监测指标和专家标度构建对应层级的至少一个初始判断矩阵;确定各个初始判断矩阵中各个矩阵元素的置信区间,根据置信区间确定目标判断矩阵,根据目标判断矩阵确定监测指标的主观权重;采用熵值法基于监测指标确定监测指标的客观权重;根据监测指标的主观权重和客观权重确定金融交易的风险评估结果。本发明实施例的技术方案可以实现解决直接赋值导致维度过多时容易顾此失彼或者指标间出现矛盾的问题。
Description
技术领域
本发明实施例涉及大数据和人工智能技术领域,尤其涉及一种金融交易的风险评估方法、装置、设备、介质及产品。
背景技术
金融机构日常业务中,存在海量的结构化和非结构化的交易流水数据,根据交易流水数据获取交易行为特征,基于交易行为特征对每一笔交易进行分析对比,能精准地识别出不法分子的可疑交易行为。
现有技术中根据监测指标模型和专家经验模型可以进行交易监测。对于监测指标模型的构建,采用机器学习相关技术的AI模型没有融入行业内丰富的业务经验。而专家经验模型由于金融机构监测范围广,风险场景通常涉及多个维度监测,当指标过多时,会直接考虑某个指标对目标的影响程度,易出现考虑不周或者顾此失彼导致人为设定和实际认为的不一致数据,甚至导致指标间出现矛盾。一方面,当维度过高时容易顾此失彼且调试复杂导致整个模型研发周期拉长;另一方面,主观权重赋值几乎只和业务人员的意志和认识相关,权重缺乏客观性。
因此,如何避免现有技术中由于人为直接赋值导致维度过多时容易顾此失彼或者指标间出现矛盾成为亟待解决的问题。
发明内容
本发明实施例提供一种金融交易的风险评估方法、装置、设备、系统、介质及产品,以避免现有技术中由于人为直接赋值导致维度过多时容易顾此失彼或者指标间出现矛盾的问题。
第一方面,本发明实施例提供了一种金融交易的风险评估方法,包括:
获取金融交易的监测指标模型,其中,所述监测指标模型中的监测指标存在层级关系;
获取所述监测指标模型中的监测指标,根据各个层级的监测指标和专家标度构建对应层级的至少一个初始判断矩阵;
确定各个所述初始判断矩阵中各个矩阵元素的置信区间,根据所述置信区间确定目标判断矩阵,根据所述目标判断矩阵确定监测指标的主观权重;
采用熵值法基于所述监测指标确定监测指标的客观权重;
根据所述监测指标的主观权重和客观权重确定金融交易的风险评估结果。
第二方面,本发明实施例还提供了一种金融交易的风险评估装置,该装置包括:
模型获取模块,用于获取金融交易的监测指标模型,其中,所述监测指标模型中的监测指标存在层级关系;
矩阵构建模块,用于获取所述监测指标模型中的监测指标,根据各个层级的监测指标和专家标度构建对应层级的至少一个初始判断矩阵;
主观权重确定模块,用于确定各个所述初始判断矩阵中各个矩阵元素的置信区间,根据所述置信区间确定目标判断矩阵,根据所述目标判断矩阵确定监测指标的主观权重;
客观权重确定模块,用于采用熵值法基于所述监测指标确定监测指标的客观权重;
风险评估模块,用于根据所述监测指标的主观权重和客观权重确定金融交易的风险评估结果。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器、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程序时实现如本发明实施例中任一所述的金融交易的风险评估方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例中任一所述的金融交易的风险评估方法。
第五方面,本发明实施例还提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如本发明实施例中任一所述的金融交易的风险评估方法。
本发明实施例,通过先采用层次分析法生成初始判断矩阵,计算初始判断矩阵中各个矩阵元素的置信区间,根据置信区间确定目标判断矩阵,并在目标判断矩阵未通过一致性校验时,根据置信区间修正目标判断矩阵,实现通过融入统计学辅助判断的层次分析法求取主观指标权重,解决直接赋值导致维度过多时容易顾此失彼或者指标间出现矛盾的问题,同时能够有效减少因个人喜好和判定标准的差异对评价目标造成的不客观性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1a为本发明实施例提供的一种金融交易的风险评估方法的流程图;
图1b为本发明实施例提供的一种监测指标模型指标体系场景图;
图2为本发明实施例提供的另一种金融交易的风险评估方法的流程图;
图3为本发明实施例提供的另一种金融交易的风险评估方法的流程图;
图4为本发明实施例提供的另一种金融交易的风险评估方法的流程图;
图5为本发明实施例提供的一种金融交易的风险评估装置的结构示意图;
图6为本发明实施例提供的一种金融交易的风险评估方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。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。
现有技术中,对于监测指标模型构建主要分为两大步:业务逻辑搭建,技术逻辑搭建。第一步业务逻辑搭建:基于新三号令规则,各义务机构按照各自的模型特点进行自定义模型设定;第二步技术逻辑搭建:人工智能模型,通过决策树、随机森林、神经网络和离群点检测等算法实现海量交易流水的监测,挖掘可疑交易;专家经验模型,基于业务逻辑完成可疑特征识别及指标拆分,对每个指标进行权重设置,通过加权累计得分判断是否可疑,此类模型充分利用了金融行业相关经验,且与传统客户身份识别不分离,在可疑交易识别中具备更高的经济性和适用性,因此在金融机构的可疑交易监测模型构建中广泛应用。
针对于专家经验模型而言,存在下述问题:
1)单一指标权重赋值调试复杂:
业务人员根据经验直接赋值,然后进行数据试跑根据命中客户研判后调整赋值。每个指标赋权重,综合计算客户得分,生产数据试跑结合人工判断是否符合预期,调整权重直至符合预期。
2)单层指标过多时无法顾及且层次单一:
业务逻辑完成指标拆分,通常直接拆分为一层,没比对不同属性间的重要性,一层中包含若干个指标信息,在此基础上直接进行赋值。同时由于金融机构监测范围广时,风险场景通常涉及多个维度监测,当指标过多时,直接考虑某个指标对目标的影响程度时,易出现考虑不周或者顾此失彼导致人为设定和实际认为的不一致数据,甚至出现矛盾数据。
3)主观赋权法过度依赖评分专家:
仅用主观经验直接赋值,无法反映客观性。易受人为主观判断影响,对专家本人综合素质依赖性高。
4)层次分析法判断矩阵易出现矛盾矩阵:
层次分析法,权重基于判断矩阵产生,判断矩阵构建过程中需要进行多次的指标两两对比。繁杂大量的对比,加上人主观变化,易产生矛盾矩阵,导致判断矩阵常常不能通过校验。为了客观评价模型引入更多专家时,导致对比更频繁,越容易产生矛盾。
针对上述技术问题,本申请提出如下技术构思:获取金融交易的监测指标模型,其中,监测指标模型中的监测指标存在层级关系;获取监测指标模型中的监测指标,根据各个层级的监测指标和专家标度构建对应层级的至少一个初始判断矩阵;确定各个初始判断矩阵中各个矩阵元素的置信区间,根据置信区间确定目标判断矩阵,根据目标判断矩阵确定监测指标的主观权重;采用熵值法基于监测指标确定监测指标的客观权重;根据监测指标的主观权重和客观权重确定金融交易的风险评估结果。如此,便能够解决现有技术中现有技术中由于人为直接赋值导致维度过多时容易顾此失彼或者指标间出现矛盾的问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图1a为本发明实施例提供的一种金融交易的风险评估方法的流程图,本实施例可适用于对金融交易进行风险评估的情况,该方法可以由金融交易的风险评估装置来执行,该金融交易的风险评估装置可以采用硬件和/或软件的形式实现,该金融交易的风险评估装置可配置于具有金融交易的风险评估能力的电子设备中。如图1a所示,该方法包括:
S110、获取金融交易的监测指标模型,其中,监测指标模型中的监测指标存在层级关系。
其中,金融交易可以是指涉及机构单位金融资产所有权变化的所有交易,包括金融债权和负债的产生和清偿等;监测指标模型可以是基于国内权威机构发布的风险指引,针对某风险场景从不同属性信息构建的监测指标模型,具体的,属性信息可以是身份信息、交易信息和行为信息等;层级关系可以是针对某实际风险场景构建的监测指标体系,将各个指标按照阶梯层次的监测指标体系进行构建,得出各个层之间监测指标的关系,具体的,根据创建的监测指标层次架构,可明确上一层监测指标与下一层监测指标的从属关系。
本实施例中的监测指标模型可以是针对于可疑交易行为构建的监测指标模型,其中,可疑交易行为可以是不合法的交易行为等。
示例性地,在获取金融交易的监测指标模型之前,还可以包括:根据身份信息、交易信息和行为信息确定第一监测指标;分别根据身份信息、交易信息和行为信息对应的子指标确定第二监测指标;根据第一监测指标、第二监测指标和层级关系构建监测指标模型,其中,层级关系包括目标层、中间层和指标层。
本实施例中,可以将监测指标按类别完成自上而下的拆分,最顶层为目标层,通常设置一个监测指标,最底层为指标层。目标层与指标层之间可以按需设置多层,针对实际风险场景从交易相关指标A、交易相关指标B和交易相关指标C三个属性类别确定第一监测指标,再根据每个类别分别设置对应的子指标,分别根据交易相关指标A、交易相关指标B和交易相关指标C对应的子指标确定第二监测指标。
具体的,每一层可以包括若干个子指标,本实施例对子指标的数量不做具体限定。
其中,交易相关指标A对应的子指标可以包括第一子指标A1、第二子指标A2、第三子指标A3、第四子指标A4、第五子指标A5和第六子指标A6等;交易相关指标B对应的子指标可以包括第一子指标B1、第二子指标B2、第三子指标B3、第四子指标B4、第五子指标B5、第六子指标B6、第七子指标B7和第八子指标B8等;交易相关指标C对应的子指标可以包括第一子指标C1、第二子指标C2、第三子指标C3和第四子指标C4等,具体的,可以如图1b的一种监测指标模型指标体系场景图所示。
S120、获取监测指标模型中的监测指标,根据各个层级的监测指标和专家标度构建对应层级的至少一个初始判断矩阵。
其中,专家标度可以是通过设置权重区分不同监测指标间的相对重要程度。
本实施例中由于大部分层级会包含多个子指标,因此,区分监测指标的重要程度并不容易,针对每一个层级的子指标而言,其重要性可能相同,也可能不同,因此需要结合监测指标体系构建初始判断矩阵。
具体的,根据各个层级的监测指标和专家标度构建对应层级的至少一个初始判断矩阵可以利用下述初始判断矩阵表示:
其中,矩阵中aij表示指标i较指标j的重要程度,指标间的相对重要程度通常用专家标度进行度量。
具体的,专家标度可以用下述表1中的专家标度表进行表示:
表1专家标度表
示例性地,获取监测指标模型中的监测指标,根据各个层级的监测指标和专家标度构建对应层级的至少一个初始判断矩阵可以包括:获取中间层的第一监测指标,获取第一监测指标对应的至少一个第一专家标度,根据至少一个第一专家标度构建中间层初始判断矩阵;对于指标层的各类第二监测指标,获取当前第二监测指标对应的至少一个第二专家标度,根据至少一个第二专家标度构建指标层初始判断矩阵,其中,与同一第一监测指标具有层级关系的第二监测指标的类型相同。
S130、确定各个初始判断矩阵中各个矩阵元素的置信区间,根据置信区间确定目标判断矩阵,根据目标判断矩阵确定监测指标的主观权重。
其中,矩阵元素可以是通过其行、列的标号来标识的,矩阵元素所处的行号和列号称为该元素的下标;矩阵元素可以通过其下标来引用,a(i,j)即表示矩阵a的第i行第j列的元素。
本实施例中,置信区间可以是由总体样本构造的对总体参数估计的一个区间,每一个置信区间会对应一个置信水平,表示真实参数落在置信区间中的概率,置信区间随着置信度的变化而变化,其中,置信度,即估计值与总体参数在一定允许的误差范围以内,其相应的概率有多大,这个相应的概率可以称作置信度。
示例性地,确定各个初始判断矩阵中各个矩阵元素的置信区间可以包括:对于中间层初始判断矩阵,根据每个矩阵元素的平均值和方差确定对应矩阵元素的置信区间;对于各类指标层初始判断矩阵,根据当前指标层初始判断矩阵中每个矩阵元素的平均值和方差确定对应矩阵元素的置信区间。
需要说明的是,各类指标层初始判断矩阵指的是基于具有父指标的子指标确定的初始判断矩阵。例如,第一子指标A1、第二子指标A2、第三子指标A3、第四子指标A4、第五子指标A5和第六子指标A6等子指标具有相同的父指标交易相关指标A,则认为是一类指标层初始判断矩阵。第一子指标C1、第二子指标C2、第三子指标C3和第四子指标C4等子指标具有相同的父指标交易相关指标C,则认为是另一类指标层初始判断矩阵。即指标层初始判断矩阵B1和指标层初始判断矩阵B2为不同类指标层初始判断矩阵。
本实施例中,可以根据下述公式计算矩阵元素的置信区间:
其中,x1,x2,x3,…,xn是总体样本N(μ,σ2)的一个样本;用样本方差S2代替总体方差σ2,统计量服从(n-1)的t分布;/>S2为样本均值和方差;μ、σ2为总体的均值和方差;n为统计样本个数;[-T,T]为置信区间的上限和下限。
本实施例中,中间层初始判断矩阵可以是:
其中,矩阵A可以为基于身份信息、交易信息和行为信息等指标确定的初始判断矩阵。
本实施例中,各类指标层初始判断矩阵可以是:
其中,矩阵B1可以基于交易相关指标A的各个子指标确定的初始判断矩阵,矩阵B2可以是基于交易相关指标C的各个子指标确定的初始判断矩阵、矩阵B3可以是基于交易相关指标B的各个子指标确定的初始判断矩阵。
采用上述公式(1-2)和(1-3)可以分别计算上述初始判断矩阵中各个矩阵元素的置信区间。
示例性地,根据置信区间确定目标判断矩阵可以包括:根据各个矩阵元素的置信区间的中点值确定对应矩阵元素的目标值,根据目标值生成目标判断矩阵。
本实施例中根据上述公式可以计算出μ的数值范围为[x,y],由于均值置信区间的中点值可以反映大部分数据的分布情况,利用各个矩阵元素的置信区间的中点值确定对应矩阵元素的目标值,那么该矩阵元素的目标值,即,xij的值为(x+y)/2,根据该目标值可以完成目标判断矩阵的构建。
示例性地,根据目标判断矩阵确定监测指标的主观权重可以包括:根据目标判断矩阵的最大特征根对应的特征向量确定监测指标的主观权重。
本实施例中,目标判断矩阵最大特征根对应的特征向量可以用于表征原目标判断矩阵的特征,因此,可以根据目标判断矩阵的最大特征根对应的特征向量确定监测指标的主观权重。
示例性地,在根据目标判断矩阵的最大特征根对应的特征向量确定监测指标的主观权重之前,还可以包括:根据目标判断矩阵的最大特征根和矩阵的维度数进行一致性校验;在目标判断矩阵通过一致性校验的情况下,执行根据目标判断矩阵的最大特征根对应的特征向量确定监测指标的主观权重步骤。
其中,一致性校验可以用于验证主观权重的逻辑合理性。
本实施例中,利用专家标度计算目标判断矩阵时,由于专家业务人员对各指标之间的相对重要程度存在主观偏好,有可能造成根据目标判断矩阵计算的指标权重存在矛盾的情况。比如:分别对交易相关指标A,交易相关指标B,交易相关指标C三个指标进行专家标度时,认为交易相关指标A比交易相关指标B重要,交易相关指标B比交易相关指标C重要,而交易相关指标C又比交易相关指标A重要,则该标度存在逻辑矛盾。为防止此类的情况,需要对判断矩阵进行一致性校验。如果目标判断矩阵通过一致性校验,则根据目标判断矩阵的最大特征根对应的特征向量确定主观权重。如果目标判断矩阵未通过一致性校验,则根据目标判断矩阵的各个矩阵元素的置信区间,重新获取专家标度,基于专家标度修正目标判断矩阵,直到各指标通过一致校性。例如,展示目标判断矩阵的各个矩阵元素的置信区间,为专家标度的确定提供数据范围。
S140、采用熵值法基于监测指标确定监测指标的客观权重。
其中,客观权重可以为基于客观权重赋值法,进行监测指标的客观赋权得到的权重。
其中,熵值法可以是一种客观权重赋值法。主要原理是通过计算熵值来判断各指标的离散程度,离散程度越大,则该指标对综合评判的影响越大。
在本发明实施例中,选取监测指标作为样本,采用熵值法计算各个监测指标的客观权重。如果监测指标信息熵越小,无序程度越低,信息效用就越高,所占指标权重就越大。
S150、根据监测指标的主观权重和客观权重确定金融交易的风险评估结果。
本实施例中,可以综合主观权重和客观两种方法,运用线性组合法计算出指标的组合权重,以此确定金融交易的风险评估结果。本发明结合了主观权重和客观权重来评价金融交易风险,使得风险评估结果的可靠性增强。
本发明实施例通过先采用层次分析法生成初始判断矩阵,计算初始判断矩阵中各个矩阵元素的置信区间,根据置信区间确定目标判断矩阵,并在目标判断矩阵未通过一致性校验时,根据置信区间修正目标判断矩阵,实现通过融入统计学辅助判断的层次分析法求取主观指标权重,解决直接赋值导致维度过多时容易顾此失彼或者指标间出现矛盾的问题,同时能够有效减少因个人喜好和判定标准的差异对评价目标造成的不客观性。
图2为本发明实施例提供的另一种金融交易的风险评估方法的流程图,在上述实施例的基础上,在步骤“根据目标判断矩阵的最大特征根对应的特征向量确定监测指标的主观权重”之前,还包括:根据目标判断矩阵的最大特征根和矩阵的维度数进行一致性校验;在目标判断矩阵未通过一致性校验的情况下,根据置信区间调整目标判断矩阵,直至得到通过一致性校验的新的目标判断矩阵。如图2所示,该金融交易的风险评估方法,包括如下步骤:
S210、获取金融交易的监测指标模型,其中,监测指标模型中的监测指标存在层级关系。
示例性地,在获取金融交易的监测指标模型之前,还可以包括:根据身份信息、交易信息和行为信息确定第一监测指标;分别根据身份信息、交易信息和行为信息对应的子指标确定第二监测指标;根据第一监测指标、第二监测指标和层级关系构建监测指标模型,其中,层级关系包括目标层、中间层和指标层。
S220、获取监测指标模型中的监测指标,根据各个层级的监测指标和专家标度构建对应层级的至少一个初始判断矩阵。
示例性地,获取监测指标模型中的监测指标,根据各个层级的监测指标和专家标度构建对应层级的至少一个初始判断矩阵可以包括:获取中间层的第一监测指标,获取第一监测指标对应的至少一个第一专家标度,根据至少一个第一专家标度构建中间层初始判断矩阵;对于指标层的各类第二监测指标,获取当前第二监测指标对应的至少一个第二专家标度,根据至少一个第二专家标度构建指标层初始判断矩阵,其中,与同一第一监测指标具有层级关系的第二监测指标的类型相同。
S230、确定各个初始判断矩阵中各个矩阵元素的置信区间,根据置信区间确定目标判断矩阵。
示例性地,确定各个初始判断矩阵中各个矩阵元素的置信区间可以包括:对于中间层初始判断矩阵,根据每个矩阵元素的平均值和方差确定对应矩阵元素的置信区间;对于各类指标层初始判断矩阵,根据当前指标层初始判断矩阵中每个矩阵元素的平均值和方差确定对应矩阵元素的置信区间。
示例性地,根据置信区间确定目标判断矩阵可以包括:根据各个矩阵元素的置信区间的中点值确定对应矩阵元素的目标值,根据目标值生成目标判断矩阵。
S240、根据目标判断矩阵的最大特征根和矩阵的维度数进行一致性校验。
具体的,若矩阵维度超过2时,则需要进行一致性校验,利用下述公式进行一致性校验:
其中,λmax可以用于表示目标判断矩阵的最大特征根;n可以用于表示目标判断矩阵的维度数;CI(Consistency Index,目标判断矩阵一致性指标)可以用于判断目标判断矩阵是否接近于完全一致性,若CI取值越小,则表明目标判断矩阵越接近于完全一致性,相反则偏离完全一致性程度越大;CR可以是目标判断矩阵随机一致性比值。
本实施例中,可以采用下述表2平均随机性一致性指标RI表修正CI计算得出CR。
表2平均随机性一致性指标RI表
本实施例中,CR越小说明目标判断矩阵的一致性越好,最小极限值为0,若CR小于0.1时,则判定目标判断矩阵通过一致性校验,跳转执行S260。若CR等于或大于0.1,则执行S250。
S250、在目标判断矩阵未通过一致性校验的情况下,根据置信区间调整目标判断矩阵,直至得到通过一致性校验的新的目标判断矩阵。
本实施例中,若CR大于预设阈值(0.1)时,则表示目标判断矩阵未通过一致性校验,根据置信区间调整目标判断矩阵,对调整后的目标判断矩阵进行校验,循环执行上述调整与校验步骤直到通过一致性校验,即CR小于0.1。
其中,根据置信区间调整目标判断矩阵可以包括基于置信区间向专家提供每个矩阵元素的数值范围,供专家进行权重的讨论,以对交易监测指标进行重新赋值。
S260、在目标判断矩阵通过一致性校验的情况下,根据目标判断矩阵的最大特征根对应的特征向量确定监测指标的主观权重。
示例性地,根据目标判断矩阵的最大特征根对应的特征向量确定监测指标的主观权重可以包括:逐层确定目标判断矩阵的最大特征根对应的特征向量,将特征向量作为对应层级的监测指标的相对权重;对各个层级的相对权重进行归一化处理,根据归一化结果确定各个层级的监测指标的主观权重。
本实施例中,由于目标判断矩阵包含了各个监测指标之间的相对重要性,根据矩阵理论中目标判断矩阵最大特征根对应的特征向量表征原目标判断矩阵的特征,故可用目标判断矩阵的最大特征根对应的特征向量表征每个层次指标的相对权重。由于每层指标的权重和为一,因此用归一化后的最大特征向量作为监测指标的主观权重。
示例性地,在根据归一化结果确定各个层级的监测指标的主观权重之后,还可以包括:根据中间层的监测指标的主观权重和指标层的监测指标的主观权重,确定指标层的监测指标相对于目标层的主观权重。
具体的,可以利用下表3主观权重计算结果表以表示主观权重的计算结果:
表3主观权重计算结果表
/>
S270、采用熵值法基于监测指标确定监测指标的客观权重。
S280、根据监测指标的主观权重和客观权重确定金融交易的风险评估结果。
本发明实施例通过先采用层次分析法生成初始判断矩阵,计算初始判断矩阵中各个矩阵元素的置信区间,根据置信区间确定目标判断矩阵,并在目标判断矩阵未通过一致性校验时,根据置信区间修正目标判断矩阵,实现通过融入统计学辅助判断的层次分析法求取主观指标权重,解决直接赋值导致维度过多时容易顾此失彼或者指标间出现矛盾的问题,同时能够有效减少因个人喜好和判定标准的差异对评价目标造成的不客观性。
图3为本发明实施例提供的又一种金融交易的风险评估方法的流程图,在上述实施例的基础上,对上述实施例中“采用熵值法基于监测指标确定监测指标的客观权重”作进一步限定。如图3所示,该金融交易的风险评估方法,还包括如下步骤:
S310、获取金融交易的监测指标模型,其中,监测指标模型中的监测指标存在层级关系。
示例性地,在获取金融交易的监测指标模型之前,还可以包括:根据身份信息、交易信息和行为信息确定第一监测指标;分别根据身份信息、交易信息和行为信息对应的子指标确定第二监测指标;根据第一监测指标、第二监测指标和层级关系构建监测指标模型,其中,层级关系包括目标层、中间层和指标层。
S320、获取监测指标模型中的监测指标,根据各个层级的监测指标和专家标度构建对应层级的至少一个初始判断矩阵。
示例性地,获取监测指标模型中的监测指标,根据各个层级的监测指标和专家标度构建对应层级的至少一个初始判断矩阵可以包括:获取中间层的第一监测指标,获取第一监测指标对应的至少一个第一专家标度,根据至少一个第一专家标度构建中间层初始判断矩阵;对于指标层的各类第二监测指标,获取当前第二监测指标对应的至少一个第二专家标度,根据至少一个第二专家标度构建指标层初始判断矩阵,其中,与同一第一监测指标具有层级关系的第二监测指标的类型相同。
S330、确定各个初始判断矩阵中各个矩阵元素的置信区间,根据置信区间确定目标判断矩阵,根据目标判断矩阵确定监测指标的主观权重。
示例性地,确定各个初始判断矩阵中各个矩阵元素的置信区间可以包括:对于中间层初始判断矩阵,根据每个矩阵元素的平均值和方差确定对应矩阵元素的置信区间;对于各类指标层初始判断矩阵,根据当前指标层初始判断矩阵中每个矩阵元素的平均值和方差确定对应矩阵元素的置信区间。
示例性地,根据置信区间确定目标判断矩阵可以包括:根据各个矩阵元素的置信区间的中点值确定对应矩阵元素的目标值,根据目标值生成目标判断矩阵。
示例性地,根据目标判断矩阵确定监测指标的主观权重可以包括:根据目标判断矩阵的最大特征根对应的特征向量确定监测指标的主观权重。
示例性地,在根据目标判断矩阵的最大特征根对应的特征向量确定监测指标的主观权重之前,还可以包括:根据目标判断矩阵的最大特征根和矩阵的维度数进行一致性校验;在目标判断矩阵通过一致性校验的情况下,执行根据目标判断矩阵的最大特征根对应的特征向量确定监测指标的主观权重步骤;在目标判断矩阵未通过一致性校验的情况下,根据置信区间调整目标判断矩阵,直至得到通过一致性校验的新的目标判断矩阵。
示例性地,根据目标判断矩阵的最大特征根对应的特征向量确定监测指标的主观权重,可以包括:逐层确定目标判断矩阵的最大特征根对应的特征向量,将特征向量作为对应层级的监测指标的相对权重;对各个层级的相对权重进行归一化处理,根据归一化结果确定各个层级的监测指标的主观权重。
示例性地,在根据归一化结果确定各个层级的监测指标的主观权重之后,还可以包括:根据中间层的监测指标的主观权重和指标层的监测指标的主观权重,确定指标层的监测指标相对于目标层的主观权重。
S340、根据监测指标构建样本矩阵Rm×n=(xij)m×n,其中,xij表示第i层的第j个监测指标,m表示样本数量,n表示监测指标数量。
S350、对样本矩阵进行标准化处理,得到标准样本矩阵,根据标准样本矩阵确定监测指标的信息熵。
其中,为了消除数据间量纲影响,可以对样本矩阵进行标准化处理,具体的,可以采用极差变换法对正负方向指标数据进行处理,若评价指标与决策目标呈正相关关系,则:
若评价指标与决策目标呈负相关关系,则:
其中,X'ij为第i个评价单元的第j项指标标准化值;且0≤yij≤1;xmax(j)和xmin(j)分别为全部N个评价单元中第j项指标的最大值和最小值。
由于数据标准化处理后存在数据为0的结果,而熵值法算法中存在对数函数要求数据不存在0,为了消除这种影响,利用下述公式进行平移处理:X″ij=
X'ij+ε; (3-3)
其中,ε的取值尽量小,可以是0.0001,最后得出标准样本矩阵R,本实施例对ε的取值不做具体限定。
本实施例中,可以利用下述公式确定监测指标的信息熵:
S360、根据信息熵计算监测指标的差异系数,根据差异系数确定监测指标的客观权重。
本实施例中可以利用下述公式确定监测指标的客观权重:
其中,差异系数可以是1-Ej。
具体的,客观权重计算结果可以如下表4的客观权重计算结果表所示:
表4客观权重计算结果表
S370、根据监测指标的主观权重和客观权重确定金融交易的风险评估结果。
本发明实施例在基于层次分析法直接赋值的基础上,引入融入数据本身的信息特征和数据本身的统计特征的熵值法,通过熵值法根据数据本身的信息特征和统计特征进行客观赋值,结合主观权重和客观权重进行风险评估,解决了目前直接赋值造成主观偏颇和逻辑矛盾。
图4为本发明实施例提供的又一种金融交易的风险评估方法的流程图,在上述实施例的基础上,对上述实施例中“根据监测指标的主观权重和客观权重确定金融交易的风险评估结果”作进一步限定。如图4所示,该金融交易的风险评估方法,还包括如下步骤:
S410、获取金融交易的监测指标模型,其中,监测指标模型中的监测指标存在层级关系。
示例性地,在获取金融交易的监测指标模型之前,还可以包括:根据身份信息、交易信息和行为信息确定第一监测指标;分别根据身份信息、交易信息和行为信息对应的子指标确定第二监测指标;根据第一监测指标、第二监测指标和层级关系构建监测指标模型,其中,层级关系包括目标层、中间层和指标层。
S420、获取监测指标模型中的监测指标,根据各个层级的监测指标和专家标度构建对应层级的至少一个初始判断矩阵。
示例性地,获取监测指标模型中的监测指标,根据各个层级的监测指标和专家标度构建对应层级的至少一个初始判断矩阵可以包括:获取中间层的第一监测指标,获取第一监测指标对应的至少一个第一专家标度,根据至少一个第一专家标度构建中间层初始判断矩阵;对于指标层的各类第二监测指标,获取当前第二监测指标对应的至少一个第二专家标度,根据至少一个第二专家标度构建指标层初始判断矩阵,其中,与同一第一监测指标具有层级关系的第二监测指标的类型相同。
S430、确定各个初始判断矩阵中各个矩阵元素的置信区间,根据置信区间确定目标判断矩阵,根据目标判断矩阵确定监测指标的主观权重。
示例性地,确定各个初始判断矩阵中各个矩阵元素的置信区间可以包括:对于中间层初始判断矩阵,根据每个矩阵元素的平均值和方差确定对应矩阵元素的置信区间;对于各类指标层初始判断矩阵,根据当前指标层初始判断矩阵中每个矩阵元素的平均值和方差确定对应矩阵元素的置信区间。
示例性地,根据置信区间确定目标判断矩阵可以包括:根据各个矩阵元素的置信区间的中点值确定对应矩阵元素的目标值,根据目标值生成目标判断矩阵。
示例性地,根据目标判断矩阵确定监测指标的主观权重可以包括:根据目标判断矩阵的最大特征根对应的特征向量确定监测指标的主观权重。
示例性地,在根据目标判断矩阵的最大特征根对应的特征向量确定监测指标的主观权重之前,还可以包括:根据目标判断矩阵的最大特征根和矩阵的维度数进行一致性校验;在目标判断矩阵通过一致性校验的情况下,执行根据目标判断矩阵的最大特征根对应的特征向量确定监测指标的主观权重步骤;在目标判断矩阵未通过一致性校验的情况下,根据置信区间调整目标判断矩阵,直至得到通过一致性校验的新的目标判断矩阵。
示例性地,根据目标判断矩阵的最大特征根对应的特征向量确定监测指标的主观权重,可以包括:逐层确定目标判断矩阵的最大特征根对应的特征向量,将特征向量作为对应层级的监测指标的相对权重;对各个层级的相对权重进行归一化处理,根据归一化结果确定各个层级的监测指标的主观权重。
示例性地,在根据归一化结果确定各个层级的监测指标的主观权重之后,还可以包括:根据中间层的监测指标的主观权重和指标层的监测指标的主观权重,确定指标层的监测指标相对于目标层的主观权重。
S440、采用熵值法基于监测指标确定监测指标的客观权重。
示例性地,采用熵值法基于监测指标确定监测指标的客观权重可以包括:根据监测指标构建样本矩阵Rm×n=(xij)m×n,其中,xij表示第i层的第j个监测指标,m表示样本数量,n表示监测指标数量;对样本矩阵进行标准化处理,得到标准样本矩阵,根据标准样本矩阵确定监测指标的信息熵;根据信息熵计算监测指标的差异系数,根据差异系数确定监测指标的客观权重。
S450、根据指标层的监测指标的主观权重和客观权重确定综合权重。
本实施例中,可以利用下述公式对综合权重进行计算:
S460、根据中间层的监测指标的主观权重和指标层的监测指标的综合权重,确定指标层的监测指标相对于目标层的目标权重。
本实施例中,可以将层次分析法和熵值法计算的权重结果代入上述公式获取综合权重,具体的,可以如下表5的综合权重计算结果表所示:
表5综合权重计算结果表
S470、根据目标权重确定金融交易的风险评估结果。
其中,目标权重为结合两种方法得出的结果,以目标权重确定金融交易的风险评估结果可以脱离主观影响,根据样本数据反映数据的真实情况。
本发明实施例通过综合主观权重与目标权重,在主观权重赋值的基础上,引入融入数据本身的信息特征和数据本身的统计特征的信息熵赋值法,完成综合赋值,同时考虑了客观数据实际特征,又兼顾了实际业务中的业务经验,解决了目前直接赋值造成主观偏颇和逻辑矛盾的问题。
图5为本发明实施例提供的一种金融交易的风险评估装置的结构示意图。该装置可以执行本发明实施例提供的金融交易的风险评估方法以解决目前直接赋值造成主观偏颇和逻辑矛盾的问题。该装置配置于电子设备中,例如,服务器或服务器群。如图5所示,该装置包括:模型获取模块501、矩阵构建模块502、主观权重确定模块503、客观权重确定模块504和风险评估模块505;
其中,模型获取模块501,用于获取金融交易的监测指标模型,其中,所述监测指标模型中的监测指标存在层级关系;
矩阵构建模块502,用于获取所述监测指标模型中的监测指标,根据各个层级的监测指标和专家标度构建对应层级的至少一个初始判断矩阵;
主观权重确定模块503,用于确定各个所述初始判断矩阵中各个矩阵元素的置信区间,根据所述置信区间确定目标判断矩阵,根据所述目标判断矩阵确定监测指标的主观权重;
客观权重确定模块504,用于采用熵值法基于所述监测指标确定监测指标的客观权重;
风险评估模块505,用于根据所述监测指标的主观权重和客观权重确定金融交易的风险评估结果。
本发明实施例提供的金融交易的风险评估装置设置为实现金融交易的风险评估方法,该金融交易的风险评估装置的实现原理与技术效果与金融交易的风险评估方法类似,此处不再赘述。
进一步的,在所述特征筛选模块501之前,还包括:
第一监测指标确定模块,用于根据身份信息、交易信息和行为信息确定第一监测指标;
第二监测指标确定模块,用于分别根据所述身份信息、交易信息和行为信息对应的子指标确定第二监测指标;
监测指标模型构建模块,用于根据所述第一监测指标、第二监测指标和层级关系构建监测指标模型,其中,所述层级关系包括目标层、中间层和指标层。
进一步的,矩阵构建模块502,具体用于:
获取所述中间层的第一监测指标,获取所述第一监测指标对应的至少一个第一专家标度,根据所述至少一个第一专家标度构建中间层初始判断矩阵;
对于所述指标层的各类第二监测指标,获取当前第二监测指标对应的至少一个第二专家标度,根据所述至少一个第二专家标度构建指标层初始判断矩阵,其中,与同一第一监测指标具有层级关系的第二监测指标的类型相同。
进一步的,主观权重确定模块503,包括:
中间层初始判断矩阵单元,用于对于中间层初始判断矩阵,根据每个矩阵元素的平均值和方差确定对应矩阵元素的置信区间;
指标层初始判断矩阵单元,用于对于各类指标层初始判断矩阵,根据当前指标层初始判断矩阵中每个矩阵元素的平均值和方差确定对应矩阵元素的置信区间。
进一步的,主观权重确定模块503,包括:
目标判断矩阵生成单元,用于根据各个矩阵元素的所述置信区间的中点值确定对应矩阵元素的目标值,根据所述目标值生成目标判断矩阵。
进一步的,主观权重确定模块503,包括:
主观权重确定单元,用于根据所述目标判断矩阵的最大特征根对应的特征向量确定监测指标的主观权重。
进一步的,在主观权重确定单元之前,还包括:
校验单元,用于根据所述目标判断矩阵的最大特征根和矩阵的维度数进行一致性校验;
步骤确定单元,用于在所述目标判断矩阵通过一致性校验的情况下,执行根据所述目标判断矩阵的最大特征根对应的特征向量确定监测指标的主观权重步骤;
新的目标判断矩阵确定单元,用于在所述目标判断矩阵未通过一致性校验的情况下,根据所述置信区间调整所述目标判断矩阵,直至得到通过一致性校验的新的目标判断矩阵。
进一步的,所述主观权重确定单元具体用于:
逐层确定所述目标判断矩阵的最大特征根对应的特征向量,将所述特征向量作为对应层级的监测指标的相对权重;
对各个层级的所述相对权重进行归一化处理,根据归一化结果确定各个层级的所述监测指标的主观权重;
进一步的,在所述主观权重确定单元之后,还包括:
目标层的主观权重确定单元,用于根据中间层的所述监测指标的主观权重和指标层的所述监测指标的主观权重,确定指标层的监测指标相对于目标层的主观权重。
进一步的,所述客观权重确定模块504,具体用于:
根据所述监测指标构建样本矩阵Rm×n=(xij)m×n,其中,xij表示第i层的第j个监测指标,m表示样本数量,n表示监测指标数量;
对所述样本矩阵进行标准化处理,得到标准样本矩阵,根据所述标准样本矩阵确定监测指标的信息熵;
根据所述信息熵计算监测指标的差异系数,根据所述差异系数确定监测指标的客观权重。
进一步的,所述风险评估模块505,具体用于:
根据指标层的监测指标的主观权重和客观权重确定综合权重;
根据中间层的监测指标的主观权重和指标层的监测指标的综合权重,确定指标层的监测指标相对于目标层的目标权重;
根据所述目标权重确定金融交易的风险评估结果。
本发明实施例提供的以上金融交易的风险评估装置,可执行本发明方法实施例所提供的金融交易的风险评估方法所执行的步骤,具备执行方法相应的功能模块和有益效果。
图6为本发明实施例提供的一种电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如一种金融交易的风险评估方法。
在一些实施例中,一种金融交易的风险评估方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的一种金融交易的风险评估方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行一种金融交易的风险评估方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程金融交易的风险评估装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
可选的,本发明实施例还提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现如本申请任一实施例所提供的一种金融交易的风险评估方法。
计算机程序产品在实现的过程中,可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (15)
1.一种金融交易的风险评估方法,其特征在于,包括:
获取金融交易的监测指标模型,其中,所述监测指标模型中的监测指标存在层级关系;
获取所述监测指标模型中的监测指标,根据各个层级的监测指标和专家标度构建对应层级的至少一个初始判断矩阵;
确定各个所述初始判断矩阵中各个矩阵元素的置信区间,根据所述置信区间确定目标判断矩阵,根据所述目标判断矩阵确定监测指标的主观权重;
采用熵值法基于所述监测指标确定监测指标的客观权重;
根据所述监测指标的主观权重和客观权重确定金融交易的风险评估结果。
2.根据权利要求1所述的方法,其特征在于,在获取金融交易的监测指标模型之前,还包括:
根据身份信息、交易信息和行为信息确定第一监测指标;
分别根据所述身份信息、交易信息和行为信息对应的子指标确定第二监测指标;
根据所述第一监测指标、第二监测指标和层级关系构建监测指标模型,其中,所述层级关系包括目标层、中间层和指标层。
3.根据权利要求2所述的方法,其特征在于,所述获取所述监测指标模型中的监测指标,根据各个层级的监测指标和专家标度构建对应层级的至少一个初始判断矩阵,包括:
获取所述中间层的第一监测指标,获取所述第一监测指标对应的至少一个第一专家标度,根据所述至少一个第一专家标度构建中间层初始判断矩阵;
对于所述指标层的各类第二监测指标,获取当前第二监测指标对应的至少一个第二专家标度,根据所述至少一个第二专家标度构建指标层初始判断矩阵,其中,与同一第一监测指标具有层级关系的第二监测指标的类型相同。
4.根据权利要求3所述的方法,其特征在于,所述确定各个所述初始判断矩阵中各个矩阵元素的置信区间,包括:
对于中间层初始判断矩阵,根据每个矩阵元素的平均值和方差确定对应矩阵元素的置信区间;
对于各类指标层初始判断矩阵,根据当前指标层初始判断矩阵中每个矩阵元素的平均值和方差确定对应矩阵元素的置信区间。
5.根据权利要求1所述的方法,其特征在于,所述根据所述置信区间确定目标判断矩阵,包括:
根据各个矩阵元素的所述置信区间的中点值确定对应矩阵元素的目标值,根据所述目标值生成目标判断矩阵。
6.根据权利要求1所述的方法,其特征在于,所述根据所述目标判断矩阵确定监测指标的主观权重,包括:
根据所述目标判断矩阵的最大特征根对应的特征向量确定监测指标的主观权重。
7.根据权利要求6所述的方法,其特征在于,在根据所述目标判断矩阵的最大特征根对应的特征向量确定监测指标的主观权重之前,还包括:
根据所述目标判断矩阵的最大特征根和矩阵的维度数进行一致性校验;
在所述目标判断矩阵通过一致性校验的情况下,执行根据所述目标判断矩阵的最大特征根对应的特征向量确定监测指标的主观权重步骤;
在所述目标判断矩阵未通过一致性校验的情况下,根据所述置信区间调整所述目标判断矩阵,直至得到通过一致性校验的新的目标判断矩阵。
8.根据权利要求6所述的方法,其特征在于,所述根据所述目标判断矩阵的最大特征根对应的特征向量确定监测指标的主观权重,包括:
逐层确定所述目标判断矩阵的最大特征根对应的特征向量,将所述特征向量作为对应层级的监测指标的相对权重;
对各个层级的所述相对权重进行归一化处理,根据归一化结果确定各个层级的所述监测指标的主观权重。
9.根据权利要求8所述的方法,其特征在于,在根据归一化结果确定各个层级的所述监测指标的主观权重之后,还包括:
根据中间层的所述监测指标的主观权重和指标层的所述监测指标的主观权重,确定指标层的监测指标相对于目标层的主观权重。
10.根据权利要求1所述的方法,其特征在于,所述采用熵值法基于所述监测指标确定监测指标的客观权重,包括:
根据所述监测指标构建样本矩阵Rm×n=(xij)m×n,其中,xij表示第i层的第j个监测指标,m表示样本数量,n表示监测指标数量;
对所述样本矩阵进行标准化处理,得到标准样本矩阵,根据所述标准样本矩阵确定监测指标的信息熵;
根据所述信息熵计算监测指标的差异系数,根据所述差异系数确定监测指标的客观权重。
11.根据权利要求1所述的方法,其特征在于,所述根据所述监测指标的主观权重和客观权重确定金融交易的风险评估结果,包括:
根据指标层的监测指标的主观权重和客观权重确定综合权重;
根据中间层的监测指标的主观权重和指标层的监测指标的综合权重,确定指标层的监测指标相对于目标层的目标权重;
根据所述目标权重确定金融交易的风险评估结果。
12.一种金融交易的风险评估装置,其特征在于,包括:
模型获取模块,用于获取金融交易的监测指标模型,其中,所述监测指标模型中的监测指标存在层级关系;
矩阵构建模块,用于获取所述监测指标模型中的监测指标,根据各个层级的监测指标和专家标度构建对应层级的至少一个初始判断矩阵;
主观权重确定模块,用于确定各个所述初始判断矩阵中各个矩阵元素的置信区间,根据所述置信区间确定目标判断矩阵,根据所述目标判断矩阵确定监测指标的主观权重;
客观权重确定模块,用于采用熵值法基于所述监测指标确定监测指标的客观权重;
风险评估模块,用于根据所述监测指标的主观权重和客观权重确定金融交易的风险评估结果。
13.一种电子设备,其特征在于,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-11中任一项所述的金融交易的风险评估方法。
14.一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,该程序被处理器执行时实现如权利要求1-11中任一所述的金融交易的风险评估方法。
15.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序在被处理器执行时实现如权利要求1-11中任一项所述的金融交易的风险评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310261616.3A CN117273738A (zh) | 2023-03-17 | 2023-03-17 | 一种金融交易的风险评估方法、装置、设备、介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310261616.3A CN117273738A (zh) | 2023-03-17 | 2023-03-17 | 一种金融交易的风险评估方法、装置、设备、介质及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117273738A true CN117273738A (zh) | 2023-12-22 |
Family
ID=89220244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310261616.3A Pending CN117273738A (zh) | 2023-03-17 | 2023-03-17 | 一种金融交易的风险评估方法、装置、设备、介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117273738A (zh) |
-
2023
- 2023-03-17 CN CN202310261616.3A patent/CN117273738A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Risk prediction in financial management of listed companies based on optimized BP neural network under digital economy | |
CN112561320A (zh) | 机构风险预测模型的训练方法、机构风险预测方法和装置 | |
Abdulsalam et al. | Electrical energy demand forecasting model using artificial neural network: A case study of Lagos State Nigeria | |
CN117235608B (zh) | 风险检测方法、装置、电子设备及存储介质 | |
CN117333076A (zh) | 一种基于混合专家模型的估值方法、装置、设备及介质 | |
CN116911994B (zh) | 对外贸易风险预警系统 | |
CN117593115A (zh) | 信贷风险评估模型的特征值确定方法、装置、设备和介质 | |
CN117272145A (zh) | 转辙机的健康状态评估方法、装置和电子设备 | |
CN117011013A (zh) | 一种成本数据的处理方法、装置、设备、介质及程序产品 | |
CN117011025A (zh) | 信贷风险的预测方法、装置、设备、存储介质及程序产品 | |
CN117273738A (zh) | 一种金融交易的风险评估方法、装置、设备、介质及产品 | |
CN115759283A (zh) | 一种模型解释方法、装置、电子设备以及存储介质 | |
Qiang et al. | [Retracted] Relationship Model between Human Resource Management Activities and Performance Based on LMBP Algorithm | |
Salih et al. | The Impact of Exchange Rate on Balance of Payment and Economic Growth: An Empirical Evidence from Iraq for The Period of (2004-2019) Using the ARDL Model | |
CN113298642A (zh) | 一种订单检测方法、装置、电子设备及存储介质 | |
Zhang et al. | Research on prediction of China’s financial systematic risk based on the hybrid model | |
CN114048925A (zh) | 一种电网综合运营预警方法、装置及终端设备 | |
Zang | Construction of Mobile Internet Financial Risk Cautioning Framework Based on BP Neural Network | |
CN112906765A (zh) | 一种基于rbf神经网络的客户洗钱风险等级划分方法及系统 | |
Deng et al. | Financial futures prediction using fuzzy rough set and synthetic minority oversampling technique | |
CN117094452B (zh) | 干旱状态预测方法、干旱状态预测模型的训练方法及设备 | |
Zaychenko et al. | Banks Financial State Analysis and Bankruptcy Risk Forecasting with Application of Fuzzy Neural Networks | |
CN116703109A (zh) | 一种配电网项目选取方法、装置、设备及存储介质 | |
CN117474669A (zh) | 一种贷款逾期预测方法、装置、设备及存储介质 | |
He | Risk spillover effect of real estate industry and banking industry |
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 |