CN117314626A - 基于内外双评估模型的企业风控方法、装置、设备及介质 - Google Patents
基于内外双评估模型的企业风控方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117314626A CN117314626A CN202311317688.1A CN202311317688A CN117314626A CN 117314626 A CN117314626 A CN 117314626A CN 202311317688 A CN202311317688 A CN 202311317688A CN 117314626 A CN117314626 A CN 117314626A
- Authority
- CN
- China
- Prior art keywords
- risk
- external
- data
- enterprise
- score
- 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 73
- 238000013210 evaluation model Methods 0.000 title claims abstract description 30
- 238000012502 risk assessment Methods 0.000 claims abstract description 85
- 238000012545 processing Methods 0.000 claims abstract description 33
- 230000002093 peripheral effect Effects 0.000 claims description 51
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 230000010354 integration Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于内外双评估模型的企业风控方法、装置、设备及介质，所述方法包括获取目标企业数据，解析目标企业数据，生成外在风险数据和内在风险数据；基于外在风险评估模型确定外在风险等级；基于内在风险评估模型确定内在风险等级；基于目标企业数据、外在风险等级与内在风险等级，确定目标企业数据的企业风险等级。通过上述方式，本申请将目标企业数据通过预设数据处理模型进行处理后，分别得到外在风险数据和内在风险数据，再分别通过外在风险评估模型和内在风险评估模型对数据进行风险等级的确认，并根据内在风险等级和外在风险等级综合对企业风险进行评估，提高了企业风控准确性。
Description
技术领域
本申请涉及内外双评估技术领域，尤其涉及一种基于内外双评估模型的企业风控方法、装置、设备及介质。
背景技术
在融资及担保场景中，银行、担保机构如何能有效控制贷款风险？在企业间的赊账贸易场景中，卖家又如何有效控制应收款风险？对于这些风险的控制，不同的主体有自己不同的模型、流程和策略等，但也都常常在寻求更有效的风控方法。
不管是贷款风险，还是应收款风险，实际上都和(借款或赊账)企业的还款能力有关。该企业若还款能力出了问题，显然产生了风险。
企业的还款能力，主要受其经营能力与经营现状影响。这些可以反映在企业内部的各种经营指标上，尤其是财务等关键性的指标；也常常反映于外在事件上，如司法诉讼、行政处罚、股权出质等。因此，如何评估目标企业信贷风险，指导风控措施，从而提高企业风控准确性成为了亟待解决的技术问题。
发明内容
本申请提供了一种基于内外双评估模型的企业风控方法、装置、设备及介质，以提高企业风控准确性。
第一方面，本申请提供了一种基于内外双评估模型的企业风控方法，所述方法包括：
获取目标企业数据，通过预设数据处理模型解析所述目标企业数据，生成外在风险数据和内在风险数据；
基于预设外在风险评估模型与所述外在风险数据，确定外在风险等级；
基于预设内在风险评估模型与所述内在风险数据，确定内在风险等级；
基于目标企业数据、所述外在风险等级与所述内在风险等级，确定所述目标企业数据对应的企业风险等级以实现对企业的风控。
进一步地，基于预设外在风险评估模型与所述外在风险数据，确定外在风险等级，包括：
设置外在风险指标，并对所述外在风险指标进行分类；
根据所述外在风险指标的类型，确定对应的外在风险积分算法；
基于所述外在风险积分算法，确定所述外在风险等级。
进一步地，外在风险指标的类型包括自身风险类型、周边风险类型和预警提醒类型，所述基于所述外在风险积分算法，确定所述外在风险等级，包括：
基于预设积分细则表，分别计算所述自身风险类型、所述周边风险类型和所述预警提醒类型中各外在风险指标的风险积分；
对所述自身风险类型、所述周边风险类型和所述预警提醒类型的风险积分进行求和计算，分别生成自身风险总分、周边风险总分和预警提醒总分；
基于预设赋分规则，分别对所述自身风险总分、所述周边风险总分和所述预警提醒总分进行赋分处理，生成目标自身风险积分、目标周边风险积分和目标预警提醒积分；
根据所述目标自身风险积分、所述目标周边风险积分和所述目标预警提醒积分，计算目标外在风险积分，并根据所述目标外在风险积分确定所述外在风险等级。
进一步地，基于预设赋分规则，分别对所述自身风险总分、所述周边风险总分和所述预警提醒总分进行赋分处理，生成目标自身风险积分、目标周边风险积分和目标预警提醒积分之前，包括：
将所述自身风险总分的分数阈值确定为第一阈值，将所述周边风险总分和所述预警提醒总分的分数阈值确定为第二阈值；
判断与所述外在风险指标相匹配的指标分值类型，生成判断结果，其中，所述指标分值类型包括固定分值指标和不定分值指标；
基于所述判断结果与所述分数阈值，确定所述预设赋分规则。
进一步地，判断与所述外在风险指标相匹配的指标分值类型，生成判断结果，其中，所述指标分值类型包括固定分值指标和不定分值指标，包括：
在所述判断结果为所述外在风险指标与固定分值指标相匹配，则基于预设固定分值表及所述分数阈值，确定所述风险积分；
在所述判断结果为所述外在风险指标与不定分值指标相匹配，则通过正则算法合及所述分数阈值确定所述风险积分。
进一步地，基于预设内在风险评估模型与所述内在风险数据，确定内在风险等级，包括：
获取内在风险评估模型内所有关键指标所关联的所有元字段，并根据元字段确定对应的内在风险数据；
根据预设元字段函数与所述内在风险数据，计算所述关键指标的运算值；
基于所述预设内在风险评估模型中的内在风险算法与所述关键指标的运算值，确定内在风险积分；
基于所述内在风险积分与所述内在风险评估模型的阈值，确定所述内在风险等级。
进一步地，基于所述预设内在风险评估模型中的内在风险算法与所述关键指标的运算值，确定内在风险积分，包括：
将所述关键指标中的目标元字段的运算值与预设风险指标阈值进行比较，生成比较结果；
将所述比较结果符合预设条件的所述关键指标作为积分指标，并将所述关键指标中全部积分指标进行求和计算，生成所述内在风险积分。
第二方面，本申请还提供了一种基于内外双评估模型的企业风控装置，所述装置包括：
企业数据解析模块，用于获取目标企业数据，通过预设数据处理模型解析所述目标企业数据，生成外在风险数据和内在风险数据；
外在风险等级确定模块，用于基于预设外在风险评估模型与所述外在风险数据，确定外在风险等级；
内在风险等级确定模块，用于基于预设内在风险评估模型与所述内在风险数据，确定内在风险等级；
风险等级确定模块，用于基于目标企业数据、所述外在风险等级与所述内在风险等级，确定所述目标企业数据对应的企业风险等级以实现对企业的风控。
第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的基于内外双评估模型的企业风控方法。
第四方面，本申请还提供了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使所述处理器实现如上述的基于内外双评估模型的企业风控方法。
本申请公开了一种基于内外双评估模型的企业风控方法、装置、设备及介质，所述基于内外双评估模型的企业风控方法包括获取目标企业数据，通过预设数据处理模型解析所述目标企业数据，生成外在风险数据和内在风险数据；基于预设外在风险评估模型与所述外在风险数据，确定外在风险等级；基于预设内在风险评估模型与所述内在风险数据，确定内在风险等级；基于目标企业数据、所述外在风险等级与所述内在风险等级，确定所述目标企业数据对应的企业风险等级以实现对企业的风控。通过上述方式，本申请将目标企业数据通过预设数据处理模型进行处理后，分别得到外在风险数据和内在风险数据，再分别通过外在风险评估模型和内在风险评估模型对数据进行风险等级的确认，并根据内在风险等级和外在风险等级综合对企业风险进行评估，提高了企业风控准确性。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。
图1是本申请的第一实施例提供的一种基于内外双评估模型的企业风控方法的示意流程图；
图2是本申请的第二实施例提供的一种基于内外双评估模型的企业风控方法的示意流程图；
图3是本申请的第三实施例提供的一种基于内外双评估模型的企业风控方法的示意流程图；
图4是本申请的第四实施例提供的一种基于内外双评估模型的企业风控方法的示意流程图；
图5是本申请的第五实施例提供的一种基于内外双评估模型的企业风控方法的示意流程图；
图6为本申请的实施例提供的一种基于内外双评估模型的企业风控装置的示意性框图；
图7为本申请的实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本申请的实施例提供了一种基于内外双评估模型的企业风控方法、装置、设备及介质。其中，该基于内外双评估模型的企业风控方法可以应用于服务器中，将目标企业数据通过预设数据处理模型进行处理后，分别得到外在风险数据和内在风险数据，再分别通过外在风险评估模型和内在风险评估模型对数据进行风险等级的确认，并根据内在风险等级和外在风险等级综合对企业风险进行评估，提高了企业风控准确性。其中，该服务器可以为独立的服务器，也可以为服务器集群。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1是本申请的第一实施例提供的一种基于内外双评估模型的企业风控方法的示意流程图。该基于内外双评估模型的企业风控方法可应用于服务器中，用于将目标企业数据通过预设数据处理模型进行处理后，分别得到外在风险数据和内在风险数据，再分别通过外在风险评估模型和内在风险评估模型对数据进行风险等级的确认，并根据内在风险等级和外在风险等级综合对企业风险进行评估，提高了企业风控准确性。
如图1所示，该基于内外双评估模型的企业风控方法具体包括步骤S10至步骤S40。
步骤S10、获取目标企业数据，通过预设数据处理模型解析所述目标企业数据，生成外在风险数据和内在风险数据；
在一个实施例中，将目标企业数据进行处理得到外在风险数据和内在风险数据，可以由二分类模型进行处理。从建模的角度来看，分类需要训练数据集，其中包含许多可供学习的输入和输出数据。模型将使用训练数据集，并计算如何将输入数据样本更加准确地映射到特定的类别标签。因此，训练数据集必须拥有足够的代表性，并且每个分类标签都拥有很多样本数据。基于预测结果对分类预测建模算法进行评估。分类准确度是一种常用的度量标准，其通过预测的类别标签来评估模型的性能。
步骤S20、基于预设外在风险评估模型与所述外在风险数据，确定外在风险等级；
在一个实施例中，企业外在事件，通常比较分散，风险也并非都直观显现。主要集中于司法诉讼、行政处罚、失信被执行和自身经营风险等，如：严重违法、欠税公告、清算信息、税收违法、司法拍卖、简易注销、经营异常、股权出质、动产抵押、土地抵押、投资人变更、主要人员变更、法律诉讼、开庭公告、立案信息、周边风险、预警事件等。
企业风险事件信息，是可以通过法院、工商、税务等有关部门的信息系统以及各大媒体网站查询和收集的。但查询人往往不清楚哪些事件风险更大，更难明白这么多事件所表达的整个风险结果是否严重。因此，这些数据需要通过评级模型，以进一步评分，并最终被汇总评级。
对目标企业首先进行筛选，例如，纳入评级的条件，根据经验值可设置如下：
①在业、存续、在营、正常、有效、开业
②且成立≥两年。
若评级条件不满足，则总分为-1。
步骤S30、基于预设内在风险评估模型与所述内在风险数据，确定内在风险等级；
在一个实施例中，银行或担保机构在贷前、贷中、贷后不同阶段评估企业还款能力时，通常要不同程度地调查企业经营现状和经营能力。主要涉及：
⑴经营实体基本情况：
①工商注册情况；
②股权结构情况；
③主要原材料、生产工艺、投入产出情况描述；
④主要产(商)品或服务市场需求；
⑤主要上游客户情况；
⑥主要上游客户情况；
⑦生产或经营环境描述；
⑧拟(在)投资或建设项目情况；
⑵经营实体财务情况：
①资产负债；
②业务损益；
③纳税情况；
④企业融资情况；
⑤对外担保情况；
⑥企业以及主要经营者信用；
⑶近几年的交易情况；
⑷主要经营者个人情况及资产负债情况；
①企业法定代表人和配偶基本情况及资产负债；
②企业实控人和配偶基本情况及资产负债；
在一个实施例中，涉及企业经营现状和经营能力的各项因素，并非都对企业的贷款风险有影响，而且也往往难以衡量有多大的影响。但有些关键指标，对企业的贷款风险或还款能力有明显的、关键性的指示作用，这样的指标定义为关键指标。
关键指标是由多个元字段按特定的函数关系而形成的，用于构建预设内在风险评估模型。
步骤S40、基于目标企业数据、所述外在风险等级与所述内在风险等级，确定所述目标企业数据对应的企业风险等级以实现对企业的风控。
在一个实施例中，不仅需要同时考虑借款企业的外在事件和内在指标两个方面，以控制企业的信贷风险，也本着化繁为简的思想，来提升贷前、贷中风控的效率。比如，以下不同的应用场景中，可以有不同的考虑。
1、融资担保场景中，首先考虑过外在事件风险评级模型，然后根据借款企业的类型与信贷额度来考虑要过哪个或哪几个内在关键指标风险评估模型。总结为：1个外在风险评估模型+N个企业内在风险评估模型(N通常为1)。
2、赊账贸易场景中，卖家往往难以获得关于赊账买家的更多指标，因此只需对买家适用“外在风险评估模型+基础的内在风险评估模型”。或者在应收款额度不大的情况下，可以仅适用外在风险评估模型。
本实施例公开了一种基于内外双评估模型的企业风控方法、装置、设备及介质，所述基于内外双评估模型的企业风控方法包括获取目标企业数据，通过预设数据处理模型解析所述目标企业数据，生成外在风险数据和内在风险数据；基于预设外在风险评估模型与所述外在风险数据，确定外在风险等级；基于预设内在风险评估模型与所述内在风险数据，确定内在风险等级；基于目标企业数据、所述外在风险等级与所述内在风险等级，确定所述目标企业数据对应的企业风险等级以实现对企业的风控。通过上述方式，本申请将目标企业数据通过预设数据处理模型进行处理后，分别得到外在风险数据和内在风险数据，再分别通过外在风险评估模型和内在风险评估模型对数据进行风险等级的确认，并根据内在风险等级和外在风险等级综合对企业风险进行评估，提高了企业风控准确性。
请参阅图2，图2是本申请的第二实施例提供的一种基于内外双评估模型的企业风控方法的示意流程图。该基于内外双评估模型的企业风控方法可应用于服务器中，用于将目标企业数据通过预设数据处理模型进行处理后，分别得到外在风险数据和内在风险数据，再分别通过外在风险评估模型和内在风险评估模型对数据进行风险等级的确认，并根据内在风险等级和外在风险等级综合对企业风险进行评估，提高了企业风控准确性。
基于图1所示实施例，本实施例如图2所示，步骤S20包括步骤S201至步骤S203。
步骤S201、设置外在风险指标，并对所述外在风险指标进行分类；
步骤S202、根据所述外在风险指标的类型，确定对应的外在风险积分算法；
步骤S203、基于所述外在风险积分算法，确定所述外在风险等级。
具体实施例中，如表1所示，表1为指标类别分值表。
表1
“是否可累”字段：若为否，表示该指标下匹配到的明细最多只计1条；反之，则不限制。
不定分项指标的设置
上表中，法律诉讼、开庭公告、法院公告、公示催告、送达公告、立案信息等8个指标的值设为不定分项。表示这些指标不设固定分值，后续由具体正则表达式来匹配，并据匹配结果相应计分。当前应用的正则表达式如下：
'/(被.*起诉)/'计1分；
'/金融|借贷|借款/'计2分；
'/合同|票据追索权/'计1分。
本实施例公开了一种基于内外双评估模型的企业风控方法、装置、设备及介质，所述基于内外双评估模型的企业风控方法包括获取目标企业数据，通过预设数据处理模型解析所述目标企业数据，生成外在风险数据和内在风险数据；设置外在风险指标，并对所述外在风险指标进行分类；根据所述外在风险指标的类型，确定对应的外在风险积分算法；基于所述外在风险积分算法，确定所述外在风险等级；基于预设内在风险评估模型与所述内在风险数据，确定内在风险等级；基于目标企业数据、所述外在风险等级与所述内在风险等级，确定所述目标企业数据对应的企业风险等级以实现对企业的风控。通过上述方式，本申请将目标企业数据通过预设数据处理模型进行处理后，分别得到外在风险数据和内在风险数据，再分别通过外在风险评估模型和内在风险评估模型对数据进行风险等级的确认，并根据内在风险等级和外在风险等级综合对企业风险进行评估，提高了企业风控准确性。
请参阅图3，图3是本申请的第三实施例提供的一种基于内外双评估模型的企业风控方法的示意流程图。该基于内外双评估模型的企业风控方法可应用于服务器中，用于将目标企业数据通过预设数据处理模型进行处理后，分别得到外在风险数据和内在风险数据，再分别通过外在风险评估模型和内在风险评估模型对数据进行风险等级的确认，并根据内在风险等级和外在风险等级综合对企业风险进行评估，提高了企业风控准确性。
基于图2所示实施例，本实施例如图3所示，步骤S203包括步骤S2031至步骤S2034。
步骤S2031、基于预设积分细则表，分别计算所述自身风险类型、所述周边风险类型和所述预警提醒类型中各外在风险指标的风险积分；
步骤S2032、对所述自身风险类型、所述周边风险类型和所述预警提醒类型的风险积分进行求和计算，分别生成自身风险总分、周边风险总分和预警提醒总分；
步骤S2033、基于预设赋分规则，分别对所述自身风险总分、所述周边风险总分和所述预警提醒总分进行赋分处理，生成目标自身风险积分、目标周边风险积分和目标预警提醒积分；
步骤S2034、根据所述目标自身风险积分、所述目标周边风险积分和所述目标预警提醒积分，计算目标外在风险积分，并根据所述目标外在风险积分确定所述外在风险等级。
具体实施例中，对外在风险数据，先分成三大类型：自身风险、周边风险、预警提醒。其中自身风险类型，最需要重视。本实施例中，预设外在风险评估模型对这三大类型的累积最高分值分别限制如下：
自身风险，累计最高若超出3分，则只取3分；
周边风险，累计最高若超出0.1分，则只取0.1分；
预警提醒，累计最高若超出0.1分，则只取0.1分。
对于各类型内的风险事件，逐条遍历，并按以下规则计分：
若事件的type值与《指标类别分值表》中的某指标匹配，且有固定分值，则以该分值计分；
若事件的type值与《指标类别分值表》中的某指标匹配，但为不定分项，则按以下正则表达式来匹配并计分。
'/(被.*起诉)/'计1分；
'/金融|借贷|借款/'计2分；
'/合同|票据追索权/'计1分。
本实施例公开了一种基于内外双评估模型的企业风控方法、装置、设备及介质，所述基于内外双评估模型的企业风控方法包括获取目标企业数据，通过预设数据处理模型解析所述目标企业数据，生成外在风险数据和内在风险数据；设置外在风险指标，并对所述外在风险指标进行分类；根据所述外在风险指标的类型，确定对应的外在风险积分算法；基于预设积分细则表，分别计算所述自身风险类型、所述周边风险类型和所述预警提醒类型中各外在风险指标的风险积分；对所述自身风险类型、所述周边风险类型和所述预警提醒类型的风险积分进行求和计算，分别生成自身风险总分、周边风险总分和预警提醒总分；基于预设赋分规则，分别对所述自身风险总分、所述周边风险总分和所述预警提醒总分进行赋分处理，生成目标自身风险积分、目标周边风险积分和目标预警提醒积分；根据所述目标自身风险积分、所述目标周边风险积分和所述目标预警提醒积分，计算目标外在风险积分，并根据所述目标外在风险积分确定所述外在风险等级；基于预设内在风险评估模型与所述内在风险数据，确定内在风险等级；基于目标企业数据、所述外在风险等级与所述内在风险等级，确定所述目标企业数据对应的企业风险等级以实现对企业的风控。通过上述方式，本申请将目标企业数据通过预设数据处理模型进行处理后，分别得到外在风险数据和内在风险数据，再分别通过外在风险评估模型和内在风险评估模型对数据进行风险等级的确认，并根据内在风险等级和外在风险等级综合对企业风险进行评估，提高了企业风控准确性。
基于上述实施例，本实施例中，步骤S2033之前，包括：
将所述自身风险总分的分数阈值确定为第一阈值，将所述周边风险总分和所述预警提醒总分的分数阈值确定为第二阈值；
判断与所述外在风险指标相匹配的指标分值类型，生成判断结果，其中，所述指标分值类型包括固定分值指标和不定分值指标；
基于所述判断结果与所述分数阈值，确定所述预设赋分规则。
在一个实施例中，统计各类型内的各指标类别的计分：
根据前述每一事件的分值，以及《指标类别分值表》关于该事件所属类别的“是否可累”，计算在该部门的该类别下所有事件的计分之和。
按各类型内合计其下的所有指标类别的计分，分别形成三个部门的总分。
根据前述三大部门的累积上限，修正三个部门的总分：
若自身风险≥3分，则只取3分，否则不变；
若周边风险≥0.1分，则只取0.1分，否则不变；
若预警提醒≥0.1分，则只取0.1分，否则不变。
基于上述各实施例，本实施例中，判断与所述外在风险指标相匹配的指标分值类型，生成判断结果，其中，所述指标分值类型包括固定分值指标和不定分值指标，包括：
在所述判断结果为所述外在风险指标与固定分值指标相匹配，则基于预设固定分值表及所述分数阈值，确定所述风险积分；
在所述判断结果为所述外在风险指标与不定分值指标相匹配，则通过正则算法合及所述分数阈值确定所述风险积分。
在一个实施例中，风险评级的总分计算公式为：总分＝自身风险分+周边风险分+预警提醒分。如表2所示，表2为总分的结果及对应评级表。
表2
在一个实施例中，在融资担保场景和赊账贸易场景中，风险评级具有以下含义：
R0和R1表明企业(赊账贸易)风险较低；
R2和R3表明企业(赊账贸易)风险高；
Unable表示暂时无法作风险评级，但并不代表有风险或无风险，要另行判断。加号“+”，用于引起额外的注意。
请参阅图4，图4是本申请的第四实施例提供的一种基于内外双评估模型的企业风控方法的示意流程图。该基于内外双评估模型的企业风控方法可应用于服务器中，用于将目标企业数据通过预设数据处理模型进行处理后，分别得到外在风险数据和内在风险数据，再分别通过外在风险评估模型和内在风险评估模型对数据进行风险等级的确认，并根据内在风险等级和外在风险等级综合对企业风险进行评估，提高了企业风控准确性。
基于图1所示实施例，本实施例如图4所示，步骤S30包括步骤S301至步骤S304。
步骤S301、获取内在风险评估模型内所有关键指标所关联的所有元字段，并根据元字段确定对应的内在风险数据；
步骤S302、根据预设元字段函数与所述内在风险数据，计算所述关键指标的运算值；
步骤S303、基于所述预设内在风险评估模型中的内在风险算法与所述关键指标的运算值，确定内在风险积分；
步骤S304、基于所述内在风险积分与所述内在风险评估模型的阈值，确定所述内在风险等级。
具体实施例中，元字段，是单独形成或组合形成关键指标的元素，是涉及企业经营现状和经营能力的重要数据，但并非其全部数据；应根据关键指标的需要而增加。本实施例中当前常用的元字段见表3，表3为常用元字段对照表。
表3
| F_ID | 元字段 |
| f_168 | 对外担保总额 |
| f_167 | 抵质押物贷款总额 |
| f_166 | 网贷(消费贷)笔数 |
| f_165 | 毛利润 |
| f_159 | 成立年限 |
| f_125 | 流动负债 |
| f_73 | 存货 |
| f_68 | 所有者权益合计 |
| f_47 | 长期负债 |
| f_46 | 实物资产 |
| f_45 | 金融资产 |
| f_44 | 现金资产 |
| f_33 | 非流动负债合计 |
| f_32 | 流动负债合计 |
| f_31 | 非流动资产合计 |
| f_30 | 流动资产合计 |
| f_5 | 应收款平均账期 |
| f_4 | 净资产 |
| f_3 | 毛利率 |
| f_2 | 收入 |
本实施例公开了一种基于内外双评估模型的企业风控方法、装置、设备及介质，所述基于内外双评估模型的企业风控方法包括获取目标企业数据，通过预设数据处理模型解析所述目标企业数据，生成外在风险数据和内在风险数据；基于预设外在风险评估模型与所述外在风险数据，确定外在风险等级；获取内在风险评估模型内所有关键指标所关联的所有元字段，并根据元字段确定对应的内在风险数据；根据预设元字段函数与所述内在风险数据，计算所述关键指标的运算值；；基于所述预设内在风险评估模型中的内在风险算法与所述关键指标的运算值，确定内在风险积分；基于所述内在风险积分与所述内在风险评估模型的阈值，确定所述内在风险等级；基于目标企业数据、所述外在风险等级与所述内在风险等级，确定所述目标企业数据对应的企业风险等级以实现对企业的风控。通过上述方式，本申请将目标企业数据通过预设数据处理模型进行处理后，分别得到外在风险数据和内在风险数据，再分别通过外在风险评估模型和内在风险评估模型对数据进行风险等级的确认，并根据内在风险等级和外在风险等级综合对企业风险进行评估，提高了企业风控准确性。
请参阅图5，图5是本申请的第五实施例提供的一种基于内外双评估模型的企业风控方法的示意流程图。该基于内外双评估模型的企业风控方法可应用于服务器中，用于将目标企业数据通过预设数据处理模型进行处理后，分别得到外在风险数据和内在风险数据，再分别通过外在风险评估模型和内在风险评估模型对数据进行风险等级的确认，并根据内在风险等级和外在风险等级综合对企业风险进行评估，提高了企业风控准确性。
基于图4所示实施例，本实施例如图5所示，步骤S303包括步骤S3031至步骤S3032。
步骤S3031将所述关键指标中的目标元字段的运算值与预设风险指标阈值进行比较，生成比较结果；
步骤S3032、将所述比较结果符合预设条件的所述关键指标作为积分指标，并将所述关键指标中全部积分指标进行求和计算，生成所述内在风险积分。
具体实施例中，关键指标是由多个元字段按特定的函数关系而形成的，用于构建预设内在风险评估模型。本实施例中当常见关键指标见表4，表4为常见关键指标对照表。
表4
根据特定需求而配置相关的关键指标，并通过这些指标实现运算。当前最基本的模型里所配置的关键指标见表5，表5为基本关键指标对照表。
表5
| 指标名 | 含义 | 参考值 |
| 盈利能力 | ＝12/应收款平均账期*毛利率 | >0.2 |
| 贷销比 | ＝贷款/实际销售收入 | <＝0.2 |
| 综合负债率 | ＝刚性负债/(个人+企业)的净资产 | <＝0.5 |
| 企业历史 | 即企业成立年数 | >＝5 |
| 网贷 | ＝网贷笔数 | <＝3 |
本实施例公开了一种基于内外双评估模型的企业风控方法、装置、设备及介质，所述基于内外双评估模型的企业风控方法包括获取目标企业数据，通过预设数据处理模型解析所述目标企业数据，生成外在风险数据和内在风险数据；基于预设外在风险评估模型与所述外在风险数据，确定外在风险等级；获取内在风险评估模型内所有关键指标所关联的所有元字段，并根据元字段确定对应的内在风险数据；根据预设元字段函数与所述内在风险数据，计算所述关键指标的运算值；将所述关键指标中的目标元字段的运算值与预设风险指标阈值进行比较，生成比较结果；将所述比较结果符合预设条件的所述关键指标作为积分指标，并将所述关键指标中全部积分指标进行求和计算，生成所述内在风险积分；基于所述内在风险积分，确定所述内在风险等级；基于目标企业数据、所述外在风险等级与所述内在风险等级，确定所述目标企业数据对应的企业风险等级以实现对企业的风控。通过上述方式，本申请将目标企业数据通过预设数据处理模型进行处理后，分别得到外在风险数据和内在风险数据，再分别通过外在风险评估模型和内在风险评估模型对数据进行风险等级的确认，并根据内在风险等级和外在风险等级综合对企业风险进行评估，提高了企业风控准确性。
请参阅图6，图6是本申请的实施例提供一种基于内外双评估模型的企业风控装置的示意性框图，该基于内外双评估模型的企业风控装置用于执行前述的基于内外双评估模型的企业风控方法。其中，该基于内外双评估模型的企业风控装置可以配置于服务器。
如图6所示，该基于内外双评估模型的企业风控装置400，包括：
企业数据解析模块410，用于获取目标企业数据，通过预设数据处理模型解析所述目标企业数据，生成外在风险数据和内在风险数据；
外在风险等级确定模块420，用于基于预设外在风险评估模型与所述外在风险数据，确定外在风险等级；
内在风险等级确定模块430，用于基于预设内在风险评估模型与所述内在风险数据，确定内在风险等级；
风险等级确定模块440，用于基于目标企业数据、所述外在风险等级与所述内在风险等级，确定所述目标企业数据对应的企业风险等级以实现对企业的风控。
进一步地，所述外在风险等级确定模块420，包括：
外在风险指标分类子模块，用于设置外在风险指标，并对所述外在风险指标进行分类；
外在风险积分算法确定子模块，用于根据所述外在风险指标的类型，确定对应的外在风险积分算法；
外在风险等级确定子模块，用于基于所述外在风险积分算法，确定所述外在风险等级。
进一步地，所述外在风险等级确定子模块，包括：
风险积分计算单元，用于基于预设积分细则表，分别计算所述自身风险类型、所述周边风险类型和所述预警提醒类型中各外在风险指标的风险积分；
积分求和单元，用于对所述自身风险类型、所述周边风险类型和所述预警提醒类型的风险积分进行求和计算，分别生成自身风险总分、周边风险总分和预警提醒总分；
赋分单元，用于基于预设赋分规则，分别对所述自身风险总分、所述周边风险总分和所述预警提醒总分进行赋分处理，生成目标自身风险积分、目标周边风险积分和目标预警提醒积分；
外在风险等级确定单元，用于根据所述目标自身风险积分、所述目标周边风险积分和所述目标预警提醒积分，计算目标外在风险积分，并根据所述目标外在风险积分确定所述外在风险等级。
进一步地，所述外在风险等级确定子模块，还包括：
积分阈值确定单元，用于将所述自身风险总分的分数阈值确定为第一阈值，将所述周边风险总分和所述预警提醒总分的分数阈值确定为第二阈值；
指标分值类型判断单元，用于判断与所述外在风险指标相匹配的指标分值类型，生成判断结果，其中，所述指标分值类型包括固定分值指标和不定分值指标；
赋分规则确定单元，用于基于所述判断结果与所述分数阈值，确定所述预设赋分规则。
进一步地，所述指标分值类型判断单元，包括：
固定分值指标计算子单元，用于在所述判断结果为所述外在风险指标与固定分值指标相匹配，则基于预设固定分值表及所述分数阈值，确定所述风险积分；
不定分值指标计算子单元，用于在所述判断结果为所述外在风险指标与不定分值指标相匹配，则通过正则算法合及所述分数阈值确定所述风险积分。
进一步地，内在风险等级确定模块430，包括：
内在风险指标确定子模块，用于获取内在风险评估模型内所有关键指标所关联的所有元字段，并根据元字段确定对应的内在风险数据；
关键指标运算值计算子模块，用于根据预设元字段函数与所述内在风险数据，计算所述关键指标的运算值；
内在风险积分确定子模块，用于基于所述预设内在风险评估模型中的内在风险算法与所述关键指标的运算值，确定内在风险积分；
内在风险等级确定子模块，用于基于所述内在风险积分与所述内在风险评估模型的阈值，确定所述内在风险等级。
进一步地，所述内在风险积分确定子模块，包括：
字段值比较单元，用于将所述关键指标中的目标元字段的运算值与预设风险指标阈值进行比较，生成比较结果；
内在风险积分计算单元，用于将所述比较结果符合预设条件的所述关键指标作为积分指标，并将所述关键指标中全部积分指标进行求和计算，生成所述内在风险积分。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
上述的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图7所示的计算机设备上运行。
请参阅图7，图7是本申请的实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器。
参阅图7，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种基于内外双评估模型的企业风控方法。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种基于内外双评估模型的企业风控方法。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
获取目标企业数据，通过预设数据处理模型解析所述目标企业数据，生成外在风险数据和内在风险数据；
基于预设外在风险评估模型与所述外在风险数据，确定外在风险等级；
基于预设内在风险评估模型与所述内在风险数据，确定内在风险等级；
基于目标企业数据、所述外在风险等级与所述内在风险等级，确定所述目标企业数据对应的企业风险等级以实现对企业的风控。
在一个实施例中，基于预设外在风险评估模型与所述外在风险数据，确定外在风险等级，用于实现：
设置外在风险指标，并对所述外在风险指标进行分类；
根据所述外在风险指标的类型，确定对应的外在风险积分算法；
基于所述外在风险积分算法，确定所述外在风险等级。
在一个实施例中，基于所述外在风险积分算法，确定所述外在风险等级，用于实现：
基于预设积分细则表，分别计算所述自身风险类型、所述周边风险类型和所述预警提醒类型中各外在风险指标的风险积分；
对所述自身风险类型、所述周边风险类型和所述预警提醒类型的风险积分进行求和计算，分别生成自身风险总分、周边风险总分和预警提醒总分；
基于预设赋分规则，分别对所述自身风险总分、所述周边风险总分和所述预警提醒总分进行赋分处理，生成目标自身风险积分、目标周边风险积分和目标预警提醒积分；
根据所述目标自身风险积分、所述目标周边风险积分和所述目标预警提醒积分，计算目标外在风险积分，并根据所述目标外在风险积分确定所述外在风险等级。
在一个实施例中，基于预设赋分规则，分别对所述自身风险总分、所述周边风险总分和所述预警提醒总分进行赋分处理，生成目标自身风险积分、目标周边风险积分和目标预警提醒积分之前，用于实现：
将所述自身风险总分的分数阈值确定为第一阈值，将所述周边风险总分和所述预警提醒总分的分数阈值确定为第二阈值；
判断与所述外在风险指标相匹配的指标分值类型，生成判断结果，其中，所述指标分值类型包括固定分值指标和不定分值指标；
基于所述判断结果与所述分数阈值，确定所述预设赋分规则。
在一个实施例中，判断与所述外在风险指标相匹配的指标分值类型，生成判断结果，其中，所述指标分值类型包括固定分值指标和不定分值指标，用于实现：
在所述判断结果为所述外在风险指标与固定分值指标相匹配，则基于预设固定分值表及所述分数阈值，确定所述风险积分；
在所述判断结果为所述外在风险指标与不定分值指标相匹配，则通过正则算法合及所述分数阈值确定所述风险积分。
在一个实施例中，基于预设内在风险评估模型与所述内在风险数据，确定内在风险等级，用于实现：
获取内在风险评估模型内所有关键指标所关联的所有元字段，并根据元字段确定对应的内在风险数据；
根据预设元字段函数与所述内在风险数据，计算所述关键指标的运算值；
基于所述预设内在风险评估模型中的内在风险算法与所述关键指标的运算值，确定内在风险积分；
基于所述内在风险积分与所述内在风险评估模型的阈值，确定所述内在风险等级。
在一个实施例中，基于所述预设内在风险评估模型中的内在风险算法与所述目标内在风险指标，确定内在风险积分，用于实现：
将所述关键指标中的目标元字段的运算值与预设风险指标阈值进行比较，生成比较结果；
将所述比较结果符合预设条件的所述关键指标作为积分指标，并将所述关键指标中全部积分指标进行求和计算，生成所述内在风险积分。
本申请的实施例中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，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项基于内外双评估模型的企业风控方法。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于内外双评估模型的企业风控方法，其特征在于，包括：
获取目标企业数据，通过预设数据处理模型解析所述目标企业数据，生成外在风险数据和内在风险数据；
基于预设外在风险评估模型与所述外在风险数据，确定外在风险等级；
基于预设内在风险评估模型与所述内在风险数据，确定内在风险等级；
基于目标企业数据、所述外在风险等级与所述内在风险等级，确定所述目标企业数据对应的企业风险等级以实现对企业的风控。
2.根据权利要求1所述的基于内外双评估模型的企业风控方法，其特征在于，所述基于预设外在风险评估模型与所述外在风险数据，确定外在风险等级，包括：
设置外在风险指标，并对所述外在风险指标进行分类；
根据所述外在风险指标的类型，确定对应的外在风险积分算法；
基于所述外在风险积分算法，确定所述外在风险等级。
3.根据权利要求2所述的基于内外双评估模型的企业风控方法，其特征在于，所述外在风险指标的类型包括自身风险类型、周边风险类型和预警提醒类型，所述基于所述外在风险积分算法，确定所述外在风险等级，包括：
基于预设积分细则表，分别计算所述自身风险类型、所述周边风险类型和所述预警提醒类型中各外在风险指标的风险积分；
对所述自身风险类型、所述周边风险类型和所述预警提醒类型的风险积分进行求和计算，分别生成自身风险总分、周边风险总分和预警提醒总分；
基于预设赋分规则，分别对所述自身风险总分、所述周边风险总分和所述预警提醒总分进行赋分处理，生成目标自身风险积分、目标周边风险积分和目标预警提醒积分；
根据所述目标自身风险积分、所述目标周边风险积分和所述目标预警提醒积分，计算目标外在风险积分，并根据所述目标外在风险积分确定所述外在风险等级。
4.根据权利要求3所述的基于内外双评估模型的企业风控方法，其特征在于，所述基于预设赋分规则，分别对所述自身风险总分、所述周边风险总分和所述预警提醒总分进行赋分处理，生成目标自身风险积分、目标周边风险积分和目标预警提醒积分之前，包括：
将所述自身风险总分的分数阈值确定为第一阈值，将所述周边风险总分和所述预警提醒总分的分数阈值确定为第二阈值；
判断与所述外在风险指标相匹配的指标分值类型，生成判断结果，其中，所述指标分值类型包括固定分值指标和不定分值指标；
基于所述判断结果与所述分数阈值，确定所述预设赋分规则。
5.根据权利要求1至4中任一项所述的基于内外双评估模型的企业风控方法，其特征在于，所述判断与所述外在风险指标相匹配的指标分值类型，生成判断结果，其中，所述指标分值类型包括固定分值指标和不定分值指标，包括：
在所述判断结果为所述外在风险指标与固定分值指标相匹配，则基于预设固定分值表及所述分数阈值，确定所述风险积分；
在所述判断结果为所述外在风险指标与不定分值指标相匹配，则通过正则算法合及所述分数阈值确定所述风险积分。
6.根据权利要求1所述的基于内外双评估模型的企业风控方法，其特征在于，所述基于预设内在风险评估模型与所述内在风险数据，确定内在风险等级，包括：
获取内在风险评估模型内所有关键指标所关联的所有元字段，并根据元字段确定对应的内在风险数据；
根据预设元字段函数与所述内在风险数据，计算所述关键指标的运算值；
基于所述预设内在风险评估模型中的内在风险算法与所述关键指标的运算值，确定内在风险积分；
基于所述内在风险积分与所述内在风险评估模型的阈值，确定所述内在风险等级。
7.根据权利要求6所述的基于内外双评估模型的企业风控方法，其特征在于，所述基于所述预设内在风险评估模型中的内在风险算法与所述关键指标的运算值，确定内在风险积分，包括：
将所述关键指标中的目标元字段的运算值与预设风险指标阈值进行比较，生成比较结果；
将所述比较结果符合预设条件的所述关键指标作为积分指标，并将所述关键指标中全部积分指标进行求和计算，生成所述内在风险积分。
8.一种基于内外双评估模型的企业风控装置，其特征在于，包括：
企业数据解析模块，用于获取目标企业数据，通过预设数据处理模型解析所述目标企业数据，生成外在风险数据和内在风险数据；
外在风险等级确定模块，用于基于预设外在风险评估模型与所述外在风险数据，确定外在风险等级；
内在风险等级确定模块，用于基于预设内在风险评估模型与所述内在风险数据，确定内在风险等级；
风险等级确定模块，用于基于目标企业数据、所述外在风险等级与所述内在风险等级，确定所述目标企业数据对应的企业风险等级以实现对企业的风控。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7中任一项所述的基于内外双评估模型的企业风控方法。
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使所述处理器实现如权利要求1至7中任一项所述的基于内外双评估模型的企业风控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311317688.1A CN117314626A (zh) | 2023-10-12 | 2023-10-12 | 基于内外双评估模型的企业风控方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311317688.1A CN117314626A (zh) | 2023-10-12 | 2023-10-12 | 基于内外双评估模型的企业风控方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117314626A true CN117314626A (zh) | 2023-12-29 |
Family
ID=89236969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311317688.1A Pending CN117314626A (zh) | 2023-10-12 | 2023-10-12 | 基于内外双评估模型的企业风控方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117314626A (zh) |
-
2023
- 2023-10-12 CN CN202311317688.1A patent/CN117314626A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10325222B2 (en) | Decision tree machine learning | |
| Perols et al. | The relation between earnings management and financial statement fraud | |
| Cassell et al. | The effect of corporate governance on auditor-client realignments | |
| Antunes et al. | Firm default probabilities revisited | |
| US8417612B2 (en) | Using commercial share of wallet to rate business prospects | |
| US8577775B1 (en) | Systems and methods for managing investments | |
| US10140661B2 (en) | Systems and methods for managing investments | |
| US20130036038A1 (en) | Financial activity monitoring system | |
| US20140172686A1 (en) | Using commercial share of wallet to make lending decisions | |
| US20130132269A1 (en) | Method and system for quantifying and rating default risk of business enterprises | |
| Lenard et al. | An historical perspective on fraud detection: From bankruptcy models to most effective indicators of fraud in recent incidents | |
| US20120066108A1 (en) | Determining commercial share of wallet | |
| US20110078073A1 (en) | System and method for predicting consumer credit risk using income risk based credit score | |
| Deng et al. | The monitoring of short selling: Evidence from China | |
| Jovanović et al. | Financial indicators as predictors of illiquidity | |
| CN111523997A (zh) | 客户风险评估方法和装置、以及电子设备和可读存储介质 | |
| Kang et al. | Curbing managerial myopia: the role of managerial overconfidence in owner-managed firms and professionally managed firms | |
| Brooks et al. | Does the presence of a general counsel in top management affect audit effort and audit outcomes? | |
| CN113469818A (zh) | 投资风险预警方法、装置、电子设备及计算机可读介质 | |
| CN116934131A (zh) | 一种企业经营状况评估方法、装置及设备 | |
| KR20160094157A (ko) | 기업 연쇄부도위험 관리 시스템 및 이를 이용한 연쇄부도위험 관리 방법 | |
| CN117314626A (zh) | 基于内外双评估模型的企业风控方法、装置、设备及介质 | |
| CN113421014A (zh) | 一种目标企业确定方法、装置、设备和存储介质 | |
| Momen et al. | Modeling the operational risk in Iranian commercial banks: case study of a private bank | |
| Powell | Big data and regulation in the insurance 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 |