CN117574277A - 基于金融领域知识的稽核方法、系统、电子设备和介质 - Google Patents

基于金融领域知识的稽核方法、系统、电子设备和介质 Download PDF

Info

Publication number
CN117574277A
CN117574277A CN202311705139.1A CN202311705139A CN117574277A CN 117574277 A CN117574277 A CN 117574277A CN 202311705139 A CN202311705139 A CN 202311705139A CN 117574277 A CN117574277 A CN 117574277A
Authority
CN
China
Prior art keywords
evaluated
financial data
data
benefit
set financial
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
CN202311705139.1A
Other languages
English (en)
Inventor
曾艳
罗永松
黄华斌
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.)
Chuang Trend Technology Shanghai Co ltd
Original Assignee
Chuang Trend Technology Shanghai Co ltd
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 Chuang Trend Technology Shanghai Co ltd filed Critical Chuang Trend Technology Shanghai Co ltd
Priority to CN202311705139.1A priority Critical patent/CN117574277A/zh
Publication of CN117574277A publication Critical patent/CN117574277A/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
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本公开涉及一种基于金融领域知识的稽核方法、系统、电子设备和介质，涉及金融稽核技术领域。其中，所述的稽核方法，包括：获取待评估的设定金融数据及第一预设分类模型及预设评估模型；基于所述待评估的设定金融数据，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确；若是，则基于所述待评估的设定金融数据，利用所述预设评估模型，得到所述待评估的设定金融数据对应的效益性概率值；基于所述效益性概率值，完成所述效益性稽核。本公开实施例可实现效益性稽核。

Description

基于金融领域知识的稽核方法、系统、电子设备和介质
技术领域
本公开涉及金融稽核技术领域，尤其涉及一种基于金融领域知识的稽核方法、系统、电子设备和介质。
背景技术
金融稽核亦称“金融内审”，金融机构内部审计。稽核部门对本单位及所属机构的业务活动和经济效益，运用专门的办法，就其真实性、合法性、正确性、完整性，作出客观评价的经济监督活动。
目前，由于金融稽核为内部审计，对于业务活动和经济效益的真实性、合法性及完整性具有一定的保障。然而，对于正确性往往需要专业的会计师事务所进行处理，处理过程费事费力。且，所述待评估的设定金融数据的正确性会直接影响后续的效益性评价。
发明内容
本公开提出了一种基于金融领域知识的稽核方法、系统、电子设备和介质技术方案。
根据本公开的一方面，提供了一种金融领域知识的稽核方法，包括：
获取待评估的设定金融数据及第一预设分类模型及预设评估模型；
基于所述待评估的设定金融数据，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确；
若是，则基于所述待评估的设定金融数据，利用所述预设评估模型，得到所述待评估的设定金融数据对应的效益性概率值；
基于所述效益性概率值，完成所述效益性稽核。
优选地，所述基于所述待评估的设定金融数据，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确的方法，包括：
利用获取的设定数据选择模型，对所述待评估的设定金融数据进行选择，得到选择数据特征；
基于所述选择数据特征，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确。
优选地，所述基于所述待评估的设定金融数据，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确的方法，还包括：
利用获取的设定数据融合模型，对所述待评估的设定金融数据进行融合，得到融合数据特征；
对所述选择数据特征及融合数据特征进行联合，得到多维的第一联合特征；
基于所述选多维的第一联合特征，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确。
优选地，所述基于所述待评估的设定金融数据，利用所述预设评估模型，得到所述待评估的设定金融数据对应的效益性概率值的方法，包括：
确定所述待评估的设定金融数据的时刻；
若所述时刻的数目大于设定数目，则获取生存分析模型，并将所述生存分析模型配置为所述预设评估模型；
否则，获取第二预设分类模型，并将所述第二预设分类模型配置为所述预设评估模型；
利用所述预设评估模型，得到所述待评估的设定金融数据对应的效益性概率值。
优选地，在所述基于所述待评估的设定金融数据，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确之前；
利用获取的设定神经网络确定所述待评估的设定金融数据对应的非线性金融数据特征；
对所述待评估的设定金融数据/选择数据特征/第一联合特征与所述非线性金融数据特征进行联合，得到第二联合特征；
基于所述第二联合特征，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确。
优选地，在基于所述待评估的设定金融数据，所述利用所述预设评估模型，得到所述待评估的设定金融数据对应的效益性概率值之前；利用获取的设定神经网络确定所述待评估的设定金融数据对应的非线性金融数据特征；
对所述待评估的设定金融数据/选择数据特征/第一联合特征与所述非线性金融数据特征进行联合，得到第二联合特征；
基于所述第二联合特征，利用所述预设评估模型，得到所述待评估的设定金融数据对应的效益性概率值。
优选地，所述基于所述效益性概率值，完成所述效益性稽核的方法，包括：
获取多个设定概率区间；
基于所述效益性概率值及所述多个设定概率区间，完成所述效益性稽核。
根据本公开的一方面，提供了一种金融领域知识的稽核系统，包括：
获取单元，用于获取待评估的设定金融数据及第一预设分类模型及预设评估模型；
分类单元，用于基于所述待评估的设定金融数据，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确；
若是，则评估单元，用于基于所述待评估的设定金融数据，利用所述预设评估模型，得到所述待评估的设定金融数据对应的效益性概率值；
效益性稽核单元，用于基于所述效益性概率值，完成所述效益性稽核。
根据本公开的一方面，提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行上述基于金融领域知识的稽核方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述基于金融领域知识的稽核方法。
在本公开实施例中，提出的一种基于金融领域知识的稽核方法、系统、电子设备和介质技术方案，可实现效益性稽核，解决目前对于待评估的设定金融数据正确性的处理过程费事费力，以及所述待评估的设定金融数据的正确性会直接影响后续的效益性评价的问题。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的基于金融领域知识的稽核方法的流程图；
图2示出根据本公开实施例的基于金融领域知识的稽核装置/系统的框图；
图3是根据一示例性实施例示出的一种电子设备800的框图；
图4是根据一示例性实施例示出的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了基于金融领域知识的稽核装置、系统、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种基于金融领域知识的稽核方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图1示出根据本公开实施例的基于金融领域知识的稽核方法的流程图。如图1所示，所述基于金融领域知识的稽核方法，包括：步骤S10：获取待评估的设定金融数据及第一预设分类模型及预设评估模型；步骤S20：基于所述待评估的设定金融数据，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确；步骤S30：若是，则基于所述待评估的设定金融数据，利用所述预设评估模型，得到所述待评估的设定金融数据对应的效益性概率值；步骤S40：基于所述效益性概率值，完成所述效益性稽核。可实现效益性稽核，解决目前对于待评估的设定金融数据正确性的处理过程费事费力，以及所述待评估的设定金融数据的正确性会直接影响后续的效益性评价的问题。
步骤S10：获取待评估的设定金融数据及第一预设分类模型及预设评估模型。
在本公开的实施例及其他可能实施例中，所述待评估的设定金融数据可包括：某一金融机构所经营的各项金融业务对应的金融数据；或，所述待评估的设定金融数据可为某一金融机构所经营的各项金融业务对应的金融数据。或，在本公开的实施例及其他可能实施例中，所述待评估的设定金融数据可包括：某一金融机构所经营的某项金融业务对应的金融数据；或，所述待评估的设定金融数据可为某一金融机构所经营的某项金融业务对应的金融数据。其中，某一金融机构所经营的各项/某项金融业务对应的金融数据可反应金融活动的特征、规律和运行状况；以及/或，从宏观和微观的不同层面上反映了国民经济的运行状况；以及/或，与金融活动密切相关，对各金融部门做出经济决策、提高经济效益起着至关重要的作用的数据。
例如，某一金融机构所经营的各项金融业务对应的金融数据可为银行业务数据、证券业务数据、保险业务数据以及信托、咨询等方面的数据，其中银行业务数据又包括信贷、会计、储蓄、结算、利率等方面的数据；证券业务数据又包括行情、委托、成交、资金市场供求以及上市公司经营状态等方面的数据；保险业务数据又包括投保、理赔、投资等方面的数据。上述金融数据可以从某一侧面反映了金融活动的特征、规律和运行状况。
又例如，某一金融机构所经营的各项金融业务对应的金融数据也可为在金融机构各项业务活动中产生的数据，上述金融数据既反映了金融机构自身的经营状况，也从宏观和微观的不同层面上反映了国民经济的运行状况。
又例如，某一金融机构所经营的各项金融业务对应的金融数据也可为金融机构为开展好各项金融活动而面向全社会收集和储存的数据。
在本公开的实施例及其他可能实施例中，所述第一预设分类模型可为支持向量机(SVM)、多层感知机(MLP)、随机森林(RF)、K近邻(KNN)、逻辑回归(LR)、决策树(DT)、梯度提升(GB)、线性判别分析(LDA)等的一种或几种。另外，预设评估模型可为上述第一预设分类模型等的一种或几种或生存分析模型。
例如，在本公开的实施例及其他可能实施例中，所述第一预设分类模型/预设评估模型可采用随机森林(Random Forest，RF)。随机森林通过构建多个决策树，并将多个决策树预测的结果进行综合评估，得到最终结果[159]。RF模型属于袋装算法的扩展，结合了袋装和决策树的优点。
具体而言，RF模型通过自助法重采样技术，从数据集中有放回的重复抽取n个样本组成新的训练样本训练决策树，然后利用n个决策树构成m个随机森林，基于m个随机森林的投票或者均值结构，确定最终的预测值。其中，当决策树的数目足够大时，随机森林的泛化能力介于下式(1)。
其中，R表示随机森林上界收敛于下界的泛化误差，表示决策树之间的平均相关系数，s是度量决策树强弱的度量值。
通常模型的强弱代表着其平均性能，而性能可以通过模型的余量M表示，如式(2)所示。
M(x,y)＝P(yθ＝y)-maxP(yθ＝z) (2)
其中，yθ为根据随机向量θ构建的决策树对属性x做出的预测分类结果，y和z分别表示不同的类别。一般情况下，余量越大，表示模型正确预测未知数据实例属性值x的可能性就越大。因此，随着决策树的集成，随机森林树的相关性增加，泛化能力增强，分类误差就越小。
又例如，在本公开的实施例及其他可能实施例中，所述第一预设分类模型/预设评估模型可采用支持向量机(Support Vector Machine，SVM)。支持向量机旨在求解能够正确划分训练数据集且几何间隔最大的分离超平面。对于给定的数据集T和超平面ω·x+b＝0，定义超平面关于样本点的几何间隔，如式(3)所示。
其中，样本点表示为(xi,yi),i∈[1,l]。对于线性可分的数据集来说，可将二分类问题转换成一个带约束的最小值问题进行优化，引入阿格朗日乘子α后该优化问题可表示为式(4)，并从属于式(5)。
从而，SVM模型的决策函数定义为式(6)。
在SVM模型中，允许数据在更高维度上进行线性或非线性分离，此时需要引入核函数。因此，SVM模型的基本形式可以表示为式(7)。
其中，K(x,xi)表示核函数，常用的核函数包括线性核函数、多项式核函数以及高斯核函数。
(a)线性核函数K(x,xi)＝xTxi不包括额外参数，具有计算速度快的特点，并且对于线性可分数据具有较好的分类效果。
(b)多项式核函数K(x,xi)＝[a(xTxi)+b]d。参数a用于对内积进行缩放，参数b为常数项，参数d代表维度。由于参数d的作用，多项式函数可将数据的输入空间映射到更高维的特征空间，具有更广泛的适用范围。但是随着参数d的增加，维度的升高，计算量会越来越大，学习的复杂度随之提高，此时容易出现过拟合现象。
高斯核函数的数学表达式，如(8)所示。高斯核函数为表示两个向量间欧氏距离系数的函数，能够通过泰勒公式展开将优先维度的数据输入空间映射到更高维的特征空间，并且局部性较强(由σ决定)；另外，由于参数少，计算量较小。高斯核函数是目前三类核函数中应用最广的一个，在无法确定核函数时，优先考虑高斯核函数。
步骤S20：基于所述待评估的设定金融数据，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确。
在本公开的实施例及其他可能实施例中，所述第一预设分类模型为已训练的第一预设分类模型，利用N组设定金融数据及对应的标签，对所述第一预设分类模型进行训练，得到满足设定评价指标的已训练的第一预设分类模型；其中，标签，包括：准确及不准确。其中，准确可配置为数值1，不准确可配置为0。
其中，在本公开的实施例及其他可能实施例中，所述第一预设分类模型的设定评价指标，包括：准确度(Accuracy)、精确度(Precision)、召回率(Recall)、F1分数(F1-score)及AUC，式(9)-(12)定义了上述设定评价指标；同时，评价指标AUC由接收器工作特性曲线(Receiver Operating Characteristic curve，ROC)计算得到。
在式(9)-(12)中，TP及FP分别表示真阳样本和假阳样本的数量；TN及FN分别表示真阴样本和假阴样本的数量。
在本公开的实施例中，基于所述待评估的设定金融数据，利用已训练的所述第一预设分类模型，确定所述待评估的设定金融数据是否准确。具体地说，将所述待评估的设定金融数据输入到已训练的所述第一预设分类模型，得到所述待评估的设定金融数据准确或不准确的分类结果。
在本公开的实施例中，所述基于，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确的方法，包括：利用获取的设定数据选择模型，对所述待评估的设定金融数据进行选择，得到选择数据特征；基于所述选择数据特征，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确。
在本公开的实施例及其他可能实施例中，所述设定数据选择模型可为基于Lasso算法或广义线性模型(Generalized linear model，GLM)的特征选择模型(设定数据选择模型)。
在本公开的实施例及其他可能实施例中，最小绝对收缩和选择运算符(Leastabsolute shrinkage and selection operator，Lasso)算法对通过对参数估计较大的变量压缩较小，而参数估计较小的变量压缩成0，目前Lasso算法已经成为特征选择的一种有效手段。
Lasso算法对应的数学表达式，如式(13)所示。
在式(2.1)中，xij表示自变量，即经标准化后用于训练所述第一预设分类模型的设定金融数据，yi表示因变量(标签，包括：准确及不准确；其中，准确可配置为数值1，不准确可配置为0)，λ表示惩罚参数(λ≥0)，βj表示回归系数，i∈[1,n]，j∈[0,p]。
在本公开的实施例及其他可能实施例中，GLM)是线性模型的扩展，旨在通过联结函数建立响应变量的数学期望值与线性组合的预测变量之间的关系。与Lasso算法不同的是，GLM可通过计算每个自变量xij(特征，即用于训练所述第一预设分类模型的设定金融数据)的R2值，进行特征选择。
GLM的数学表达式，如式(14)所示。
其中，连接函数将平均值/>与线性预测器/>建立联系；yi表示因变量(标签，包括：准确及不准确；其中，准确可配置为数值1，不准确可配置为0)；xij表示自变量，即经标准化后用于训练所述第一预设分类模型的设定金融数据；βj表示回归系数；i∈[1,n]，j∈[0,p]。
在本公开的实施例及其他可能实施例中，所述GLM可通过计算每个自变量xij(特征，即用于训练所述第一预设分类模型的设定金融数据)的R2值，进行特征选择的方法，包括：获取设定R2值；若所述用于训练所述第一预设分类模型的设定金融数据对应的R2值大于或者等于设定R2值，则将大于或者等于设定R2值对应的金融数据配置为选择数据特征。
在本公开的实施例及其他可能实施例中，所述设定数据选择模型，包括：基于Lasso算法对应的第一设定数据选择模型及广义线性模型(Generalized linear model，GLM)对应的第二设定数据选择模型；利用获取的所述第一设定数据选择模型及第二设定数据选择模型，分别对所述待评估的设定金融数据进行选择，得到第一选择数据特征及第二选择数据特征；对所述第一选择数据特征及所述第二选择数据特征进行处理，得到选择数据特征。
在本公开的实施例及其他可能实施例中，所述对所述第一选择数据特征及所述第二选择数据特征进行处理，得到选择数据特征的方法，包括：对比所述第一选择数据特征及所述第二选择数据特征，从所述第一选择数据特征或所述第二选择数据特征删除重复的数据特征，得到处理后的第一选择数据特征或所述第二选择数据特征；并对处理后的第一选择数据特征或所述第二选择数据特征进行拼接，得到选择数据特征。
例如，对比所述第一选择数据特征及所述第二选择数据特征，从所述第一选择数据特征{a,b,c,d,f,x,y,z}或所述第二选择数据特征{a,d,f,g,h,x,y,z}删除重复的数据特征，得到处理后的第一选择数据特征{a,b,c,d,f,x,y,z}或所述第二选择数据特征{g,h}；并对处理后的第一选择数据特征或所述第二选择数据特征进行拼接，得到选择数据特征{a,b,c,d,f,x,y,z|g,h}。
在本公开的实施例及其他可能实施例中，如已经利用获取的设定数据选择模型，对所述待评估的设定金融数据进行选择，得到选择数据特征；则在所述待评估的设定金融数据中选择出已经利用设定数据选择模型确定的选择数据特征即可。
例如，所述待评估的设定金融数据为数据集{a,b,c,d,…,z}，利用设定数据选择模型确定的选择数据特征为{b,c,d,y,z}，则在所述待评估的设定金融数据{a,b,c,d,…,z}中选择出已经利用设定数据选择模型确定的选择数据特征{b,c,d,y,z}即可。
在本公开的实施例及其他可能实施例中，所述第一预设分类模型为已训练的第一预设分类模型，利用N组选择数据特征及对应的标签，对所述第一预设分类模型进行训练，得到满足设定评价指标的已训练的第一预设分类模型；其中，标签，包括：准确及/或不准确。其中，准确可配置为数值1，不准确可配置为0。
在本公开的实施例中，所述基于所述待评估的设定金融数据，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确的方法，还包括：利用获取的设定数据融合模型，对所述待评估的设定金融数据进行融合，得到融合数据特征；对所述选择数据特征及融合数据特征进行联合，得到多维的第一联合特征；基于所述选多维的第一联合特征，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确。
在本公开的实施例及其他可能实施例中，所述选择数据特征为设定金融数据中某些特征，可能存在金融数据特征损失的情况。而，融合数据特征则考虑到了所有金融数据特征的情形，利用设定金融数据及设定数据融合模型，生成了新的低维度的融合数据特征。也就是说，这些新生成的融合数据特征并不属于设定金融数据或选择数据特征中的任何一个特征。
在本公开的实施例及其他可能实施例中，所述设定数据融合模型可为基于主成分分析(Principal Component Analysis，PCA)算法的数据融合模型。PCA是通过特征映射方法完成降低特征维度的任务，并已经成为广泛使用的特征降维算法。然而，PCA算法实际上是在特征映射过程中完成了特征融合任务。
PCA算法对应的数学表达式，如式(15)-(17)所示。首先，利用奇异值分解(Singular value decomposition，SVD)算法求取m×n维的原始特征矩阵(待评估的设定金融数据)Am×n对应的特征值(λ1,λ2,λ3,…,λk)及特征值对应的特征向量(ξ1,ξ2,ξ3,…,ξk)；然后，利用k维特征向量(ξ1,ξ2,ξ3,…,ξk)构成转换矩阵Pk×n＝(ξ1,ξ2,ξ3,…,ξk)k×n；最后，利用原始特征矩阵Am×n乘以转换矩阵Pk×n得到最终的降维矩阵Bm×k(融合数据特征)。
ATA＝(UΣVT)TUΣVT＝VΣTUTUΣVT＝VΣTΣVT＝VΣ2VT (15)
其中，Am×n＝(a1,a2,a3,…,an)表示原始特征矩阵，即所述待评估的设定金融数据；Um×ma及Vn×n分别表示SVD算法得到的2个正交矩阵；∑m×n＝(σ1,σ2,σ3,…,σk)为对角矩阵，σi(i＝1-k)为矩阵ATA第i个特征值，(λ1,λ2,λ3,…,λk)表示原始特征矩阵Am×n对应的特征值；(ξ1,ξ2,ξ3,…,ξk)表示特征值(λ1,λ2,λ3,…,λk)对应的特征向量；Pk×n＝(ξ1,ξ2,ξ3,…,ξk)k×n表示利用k维特征向量(ξ1,ξ2,ξ3,…,ξk)构成的转换矩阵；Bm×k＝(b1,b2,b3,…,bk)表示最终的降维矩阵(融合数据特征)。
在本公开的实施例及其他可能实施例中，在利用获取的设定数据融合模型，对所述待评估的设定金融数据进行融合，得到融合数据特征之后；对所述选择数据特征及融合数据特征进行联合(拼接)，得到多维的第一联合特征；进而，基于所述选多维的第一联合特征，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确。
例如，对所述选择数据特征{b,c,d,y,z}及融合数据特征{t,u,v,w}进行联合(拼接)，得到多维的第一联合特征{b,c,d,y,z|t,u,v,w}。
同样地，所述第一预设分类模型为已训练的第一预设分类模型，利用N组第一联合特征及对应的标签，对所述第一预设分类模型进行训练，得到满足设定评价指标的已训练的第一预设分类模型；其中，标签，包括：准确及不准确。其中，准确可配置为数值1，不准确可配置为0。
步骤S30：若是，则基于所述待评估的设定金融数据，利用所述预设评估模型，得到所述待评估的设定金融数据对应的效益性概率值。
在本公开的实施例中，所述基于所述待评估的设定金融数据，利用所述预设评估模型，得到所述待评估的设定金融数据对应的效益性概率值的方法，包括：确定所述待评估的设定金融数据的时刻；若所述时刻的数目大于设定数目，则获取生存分析模型，并将所述生存分析模型配置为所述预设评估模型；否则，获取第二预设分类模型，并将所述第二预设分类模型配置为所述预设评估模型；利用所述预设评估模型，得到所述待评估的设定金融数据对应的效益性概率值。
在本公开的实施例及其他可能实施例中，本领域技术人员可根据实际需要对所述待评估的设定金融数据的时刻进行配置，所述待评估的设定金融数据的时刻可为时间点也可以为时间段。例如，所述待评估的设定金融数据的时刻还可第1个月、第2个月、第3个月、第4个月，…。同时，在本公开的实施例及其他可能实施例中，所述设定数目至少为2，本领域技术人员可根据实际需要对所述设定数目进行配置。
在本发明的实施例及其他可能的实施例中，生存分析模型(Proportionalhazards model，Cox模型)是描述基于时间的系统失败或生命死亡的概率模型。
Cox模型对应的数学表达式，如式(18)所示。
其中，x表示研究变量，对应本公开的所述待评估的设定金融数据；t表示某时刻；λ0(t)表示基线风险函数或基准危险率；βTx表示log-risk函数；β表示从样本数据(研究变量)作出估计得到的自变量的偏回归系数；T表示效益性失效时刻(效益性为0(无效益性)对应的时刻)。
在本发明的实施例及其他可能的实施例中，若所述预设评估模型为所述生存分析模型，在使用所述生存分析模型得到所述待评估的设定金融数据对应的效益性概率值之前，需要训练所述生存分析模型达到设定性能指标。
在本发明的实施例及其他可能的实施例中，生存分析模型的设定评价指标，包括：接收器工作特性曲线(Receiver Operating Characteristic curve，ROC)及一致性指数(Index ofConcordance，C index)。
ROC的横坐标定义为假阳性率(False Positive Rate,FPR)，纵坐标定义为真阳性率(True Positive Rate,TPR)，FPR及TPR对应的计算公式，如式(19)及(20)所示。
其中，真阳性(True positive，TP)和假阳性(False positive，FP)分别表示将阳性样本(真实值)和阴性样本(真实值)预测为阳性样本；真阴性(True negative，TN)和假阴性(False negative，FN)分别表示将阴性样本(真实值)和阳性样本(真实值)预测为阴性样本。
C index主要用于计算生存分析中的生存分析模型预测值与真实之间的区分度，其对应的计算公式，如式(21)所示。
其中，若有n个观察个体，则所有的对子数为对子中具有较小观察时间的个体没有达到观察终点及对子中两个个体都没达到观察终点进行排除，得到有用对子，其对应的数量为N有用对子；并计算有用对子中，预测结果和实际相一致的对子数N一致对子。
在本发明的实施例及其他可能的实施例中，所述第二预设分类模型可为支持向量机(SVM)、多层感知机(MLP)、随机森林(RF)、K近邻(KNN)、逻辑回归(LR)、决策树(DT)、梯度提升(GB)、线性判别分析(LDA)等的一种或几种。
同样地，在本发明的实施例及其他可能的实施例中，若所述预设评估模型为所述第二预设分类模型，在使用所述第二预设分类模型得到所述待评估的设定金融数据对应的效益性概率值之前，需要训练所述第二预设分类模型达到设定性能指标。
在本公开的实施例及其他可能实施例中，以所述待评估的设定金融数据的时刻数目为2(第一时刻及第二时刻)进行说明。具体地，利用N组第一时刻对应的设定金融数据及第一时刻及第二时刻标签，对所述第二预设分类模型进行训练，得到满足设定评价指标的已训练的第二预设分类模型；其中，第一时刻及第二时刻对应的标签，包括：第一时刻及第二时刻对应的有效益性或无效益性。其中，有效益性可配置为数值1，无效益性可配置为0。当利用已训练的第二预设分类模型，对所述第一时刻对应的待评估的设定金融数据进行处理时，可得到第二时刻对应的效益性概率值。
在本公开的实施例中，在所述基于所述待评估的设定金融数据，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确之前；利用获取的设定神经网络确定所述待评估的设定金融数据对应的非线性金融数据特征；对所述待评估的设定金融数据/选择数据特征/第一联合特征与所述非线性金融数据特征进行联合(拼接)，得到第二联合特征；基于所述第二联合特征，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确。
在本公开的实施例及其他可能实施例中，所述神经网络可为传统的人工神经网络或者卷积神经网络。例如，传统的人工神经网络可为BP是神经网络。其中，所述BP神经网络至少包括：输入层、隐含层及输出层；可利用N组设定金融数据对所述BP神经网络进行训练，利用训练后的BP神经网络确定所述待评估的设定金融数据对应的非线性金融数据特征。
又例如，所述神经网络可为卷积神经网络，在对所述卷积神经网络进行训练之前，基于N组设定金融数据构建金融数据特征图，利用构建的金融数据特征图对所述卷积神经网络进行训练，利用训练后的卷积神经网络确定所述待评估的设定金融数据对应的非线性金融数据特征。
在本公开的实施例及其他可能实施例中，所述基于N组设定金融数据构建金融数据特征图的方法，包括：确定每组所述设定金融数据的数目M；对每组所述设定金融数据按照设定的方式进行排列，生成M×M的金融数据特征图。在本公开的实施例及其他可能实施例中，所述对每组所述设定金融数据按照设定的方式进行排列，生成M×M的金融数据特征图的方法，包括：将每组所述设定金融数据的M个特征元素作为第一行的特征向量；下一行的特征向量均对上一行的特征向量向右进行移位，最后一个特征元素作为此行的第一位特征元素；最后，生成M×M的金融数据特征图。例如，所述设定金融数据为[1,2,3,4]，所述设定金融数据的数目为4，第一行的特征向量为[1,2,3,4]，则第二行的特征向量为[4,1,2,3]，第三行的特征向量为[3,4,1,2,]，第四行的特征向量为[2,3,4,1]；最终，生成4×4金融数据特征图，所述4×4金融数据特征图的第一行至第四行分别为[1,2,3,4]、[4,1,2,3]、[3,4,1,2]及[2,3,4,1]。
在本公开的实施例及其他可能实施例中，可对所述待评估的设定金融数据或选择数据特征或第一联合特征与所述非线性金融数据特征进行联合，得到第二联合特征；基于所述第二联合特征，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确。其中，所述第一预设分类模型配置为已训练的第一预设分类模型，其训练过程不再进行详细说明。
在本公开的实施例中，在基于所述待评估的设定金融数据，所述利用所述预设评估模型，得到所述待评估的设定金融数据对应的效益性概率值之前；利用获取的神经网络确定所述待评估的设定金融数据对应的非线性金融数据特征；对所述待评估的设定金融数据/选择数据特征/第一联合特征与所述非线性金融数据特征进行联合(拼接)，得到第二联合特征；基于所述第二联合特征，利用所述预设评估模型，得到所述待评估的设定金融数据对应的效益性概率值。其中，所述预设评估模型配置为已训练的所述预设评估模型，其训练过程不再进行详细说明。
步骤S40：基于所述效益性概率值，完成所述效益性稽核。
在本公开的实施例中，，所述基于所述效益性概率值，完成所述效益性稽核的方法，包括：获取多个设定概率区间；基于所述效益性概率值及所述多个设定概率区间，完成所述效益性稽核。
在本公开的实施例及其他可能实施例中，所述多个设定概率区间的数目至少为2个。例如，多个设定概率区间可为[0-0.5)及[0.5-1]或[0-0.7)及[0.7-1]。以多个设定概率区间为[0-0.5)及[0.5-1]进行说明，若所述效益性概率值为0.2，在[0-0.5)内，在确定所述效益性为低效益性；若所述效益性概率值为0.7，在[0.5-1]内，在确定所述效益性为高效益性。
同时，在本公开的实施例及其他可能实施例中，所述多个设定概率区间的数目也可为3个，例如，多个设定概率区间可为[0-0.4)、[0.4-0.6)及[0.6-1]。若所述效益性概率值为0.2，在[0-0.4)内，在确定所述效益性为低效益性；若所述效益性概率值为0.5，在[0.4-0.6)内，在确定所述效益性为中效益性；若所述效益性概率值为0.7，在[0.6-1]内，在确定所述效益性为高效益性。
基于金融领域知识的稽核方法的执行主体可以是基于金融领域知识的稽核系统及/或装置，例如，基于金融领域知识的稽核方法可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该基于金融领域知识的稽核方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图2示出根据本公开实施例的基于金融领域知识的稽核装置/系统的框图。如图2所示，所述基于金融领域知识的稽核装置/系统，包括：获取单元10，用于获取待评估的设定金融数据及第一预设分类模型及预设评估模型；分类单元20，用于基于所述待评估的设定金融数据，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确；若是，则评估单元30，用于基于所述待评估的设定金融数据，利用所述预设评估模型，得到所述待评估的设定金融数据对应的效益性概率值；效益性稽核单元40，用于基于所述效益性概率值，完成所述效益性稽核。可实现效益性稽核，解决目前对于待评估的设定金融数据正确性的处理过程费事费力，以及所述待评估的设定金融数据的正确性会直接影响后续的效益性评价的问题。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的基于金融领域知识的稽核方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。可实现效益性稽核，解决目前对于待评估的设定金融数据正确性的处理过程费事费力，以及所述待评估的设定金融数据的正确性会直接影响后续的效益性评价的问题。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述基于金融领域知识的稽核方法。可实现效益性稽核，解决目前对于待评估的设定金融数据正确性的处理过程费事费力，以及所述待评估的设定金融数据的正确性会直接影响后续的效益性评价的问题。另外，电子设备可以被提供为终端、服务器或其它形态的设备。
图3是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图3，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述基于金融领域知识的稽核方法。
图4是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图4，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种基于金融领域知识的稽核方法，其特征在于，包括：
获取待评估的设定金融数据及第一预设分类模型及预设评估模型；
基于所述待评估的设定金融数据，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确；
若是，则基于所述待评估的设定金融数据，利用所述预设评估模型，得到所述待评估的设定金融数据对应的效益性概率值；
基于所述效益性概率值，完成所述效益性稽核。
2.根据权利要求1所述的稽核方法，其特征在于，所述基于所述待评估的设定金融数据，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确的方法，包括：
利用获取的设定数据选择模型，对所述待评估的设定金融数据进行选择，得到选择数据特征；
基于所述选择数据特征，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确。
3.根据权利要求2所述的稽核方法，其特征在于，所述基于所述待评估的设定金融数据，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确的方法，还包括：
利用获取的设定数据融合模型，对所述待评估的设定金融数据进行融合，得到融合数据特征；
对所述选择数据特征及融合数据特征进行联合，得到多维的第一联合特征；
基于所述选多维的第一联合特征，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确。
4.根据权利要求1-3任一项所述的稽核方法，其特征在于，所述基于所述待评估的设定金融数据，利用所述预设评估模型，得到所述待评估的设定金融数据对应的效益性概率值的方法，包括：
确定所述待评估的设定金融数据的时刻；
若所述时刻的数目大于设定数目，则获取生存分析模型，并将所述生存分析模型配置为所述预设评估模型；
否则，获取第二预设分类模型，并将所述第二预设分类模型配置为所述预设评估模型；
利用所述预设评估模型，得到所述待评估的设定金融数据对应的效益性概率值。
5.根据权利要求1-4任一项所述的稽核方法，其特征在于，在所述基于所述待评估的设定金融数据，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确之前；
利用获取的设定神经网络确定所述待评估的设定金融数据对应的非线性金融数据特征；
对所述待评估的设定金融数据/选择数据特征/第一联合特征与所述非线性金融数据特征进行联合，得到第二联合特征；
基于所述第二联合特征，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确。
6.根据权利要求1-5任一项所述的稽核方法，其特征在于，在基于所述待评估的设定金融数据，所述利用所述预设评估模型，得到所述待评估的设定金融数据对应的效益性概率值之前；利用获取的设定神经网络确定所述待评估的设定金融数据对应的非线性金融数据特征；
对所述待评估的设定金融数据/选择数据特征/第一联合特征与所述非线性金融数据特征进行联合，得到第二联合特征；
基于所述第二联合特征，利用所述预设评估模型，得到所述待评估的设定金融数据对应的效益性概率值。
7.根据权利要求1-6任一项所述的稽核方法，其特征在于，所述基于所述效益性概率值，完成所述效益性稽核的方法，包括：
获取多个设定概率区间；
基于所述效益性概率值及所述多个设定概率区间，完成所述效益性稽核。
8.一种基于金融领域知识的稽核系统，其特征在于，包括：
获取单元，用于获取待评估的设定金融数据及第一预设分类模型及预设评估模型；
分类单元，用于基于所述待评估的设定金融数据，利用所述第一预设分类模型，确定所述待评估的设定金融数据是否准确；
若是，则评估单元，用于基于所述待评估的设定金融数据，利用所述预设评估模型，得到所述待评估的设定金融数据对应的效益性概率值；
效益性稽核单元，用于基于所述效益性概率值，完成所述效益性稽核。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的基于金融领域知识的稽核方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的基于金融领域知识的稽核方法。
CN202311705139.1A 2023-12-13 2023-12-13 基于金融领域知识的稽核方法、系统、电子设备和介质 Pending CN117574277A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311705139.1A CN117574277A (zh) 2023-12-13 2023-12-13 基于金融领域知识的稽核方法、系统、电子设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311705139.1A CN117574277A (zh) 2023-12-13 2023-12-13 基于金融领域知识的稽核方法、系统、电子设备和介质

Publications (1)

Publication Number Publication Date
CN117574277A true CN117574277A (zh) 2024-02-20

Family

ID=89860838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311705139.1A Pending CN117574277A (zh) 2023-12-13 2023-12-13 基于金融领域知识的稽核方法、系统、电子设备和介质

Country Status (1)

Country Link
CN (1) CN117574277A (zh)

Similar Documents

Publication Publication Date Title
US10958748B2 (en) Resource push method and apparatus
US11501161B2 (en) Method to explain factors influencing AI predictions with deep neural networks
CN107491541B (zh) 文本分类方法及装置
WO2022016556A1 (zh) 一种神经网络蒸馏方法以及装置
CN110598504B (zh) 图像识别方法及装置、电子设备和存储介质
CN111581488B (zh) 一种数据处理方法及装置、电子设备和存储介质
CN109800325A (zh) 视频推荐方法、装置和计算机可读存储介质
CN110909815B (zh) 神经网络训练、图像处理方法、装置及电子设备
US10825072B2 (en) System for producing recommendations and predicting purchases of products based on usage patterns
CN111489155B (zh) 一种数据处理方法、装置和用于数据处理的装置
CN111898675B (zh) 信贷风控模型生成方法、装置、评分卡生成方法、机器可读介质及设备
CN115100472B (zh) 展示对象识别模型的训练方法、装置和电子设备
CN113205183B (zh) 物品推荐网络训练方法、装置、电子设备及存储介质
CN111753895A (zh) 数据处理方法、装置及存储介质
CN112381236A (zh) 联邦迁移学习的数据处理方法、装置、设备及存储介质
CN113269612A (zh) 物品推荐方法、装置、电子设备及存储介质
CN114049529A (zh) 用户行为预测方法、模型训练方法、电子设备及存储介质
CN109447258B (zh) 神经网络模型的优化方法及装置、电子设备和存储介质
CN113723995A (zh) 一种确定营销任务的方法和装置
CN112712385B (zh) 广告推荐方法、装置、电子设备及存储介质
CN109460458B (zh) 查询改写意图的预测方法及装置
CN116721724A (zh) 合金性能预测方法、装置、存储介质、电子设备及芯片
US20230342831A1 (en) Machine-learning recommendation system based on game theory
US20230267018A1 (en) System and method of automated processing for dynamic api generation
CN117574277A (zh) 基于金融领域知识的稽核方法、系统、电子设备和介质

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