CN117911033A - 交易限额确定方法、装置、设备、介质及程序产品 - Google Patents
交易限额确定方法、装置、设备、介质及程序产品 Download PDFInfo
- Publication number
- CN117911033A CN117911033A CN202410089146.1A CN202410089146A CN117911033A CN 117911033 A CN117911033 A CN 117911033A CN 202410089146 A CN202410089146 A CN 202410089146A CN 117911033 A CN117911033 A CN 117911033A
- Authority
- CN
- China
- Prior art keywords
- user
- target
- type
- transaction
- credit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013145 classification model Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 22
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 14
- 238000005315 distribution function Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000015654 memory Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 241000039077 Copula Species 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开提供了一种交易限额确定方法、装置、设备、介质及程序产品,可以应用于金融科技领域或其他相关领域。该交易限额确定方法,包括:从目标用户的用户信息中提取第一目标特征;将第一目标特征传入预训练的分类模型,确定目标用户的用户类型;基于用户类型选择相应的额度设置策略;根据额度设置策略,从用户信息中获得第二目标特征,其中,第二目标特征是基于用户信息中至少一部分数据计算得到的;基于额度设置策略以及第二目标特征计算目标用户的交易限额。
Description
技术领域
本公开涉及金融科技技术领域,更具体地涉及一种交易限额确定方法、装置、设备、介质及程序产品。
背景技术
在金融领域,用户的交易限额是为了控制以及管理风险的重要指标,通过设置用户交易限额可以有效保证用户资金安全并降低金融机构的信贷风险。
现有的交易限额通常由用户在最大交易限额中自行人工设置,或由金融机构设置统一限额,无法实现对不同用户交易限额的灵活计算,导致用户交易限额不准确。
发明内容
本公开第一方面提供了一种交易限额确定方法,包括:从目标用户的用户信息中提取第一目标特征;将第一目标特征传入预训练的分类模型,确定目标用户的用户类型;基于用户类型选择相应的额度设置策略;根据额度设置策略,从用户信息中获得第二目标特征,其中,第二目标特征是基于用户信息中至少一部分数据计算得到的;基于额度设置策略以及第二目标特征计算目标用户的交易限额。
根据本公开的实施例,从目标用户的用户信息中提取第一目标特征,包括:从用户信息中提取多个特征数据;基于多个特征数据的特征指标对多个特征数据进行筛选,得到第一目标特征。
根据本公开的实施例,特征指标包括每一特征数据的信息价值以及各特征数据之间的相关系数。
根据本公开的实施例,将第一目标特征传入预训练的分类模型,确定目标用户的用户类型,包括:对多个第一目标特征进行预处理;基于预处理后的第一目标特征,计算目标用户到每一聚类中心的距离;基于最小距离确定目标聚类中心,目标聚类中心代表的类型即为目标用户的用户类型。
根据本公开的实施例,用户类型包括用户资产类型,基于用户类型选择相应的额度计算策略,包括:获取用户资产类型,其中,用户资产类型包括第一类型和第二类型;在用户资产类型为第一类型的情况下,选择第一额度设置策略;在用户资产类型为第二类型的情况下,选择第二额度设置策略;其中,第一额度设置策略与第二额度设置策略对应的第二目标特征以及额度计算方法存在区别。
根据本公开的实施例,根据额度设置策略,从用户信息中获得第二目标特征,还包括:在额度设置策略为第一额度设置策略的情况下,第二目标特征为用户风险类型;其中,用户风险类型是基于用户信息中的历史行为信息、历史交易信息以及目标用户的用户类型的基础信息计算得到的;在额度设置策略为第二额度设置策略的情况下,第二目标特征除用户风险类型外,还包括目标用户的资产波动数据,其中,基于用户资产的历史价格计算得到,资产波动数据用于表示目标用户资产在未来的波动情况。
根据本公开的实施例,在额度设置策略为第二额度设置策略的情况下,基于额度设置策略以及第二目标特征计算目标用户的交易限额,包括:基于用户风险类型以及用户资产信息计算初始额度;基于资产波动数据计算额度调整系数;根据初始额度以及额度调整系数共同确定目标用户的交易额度。
根据本公开的实施例,用户类型还包括用户交易周期类型,其中,用户交易周期类型包括规律型和无序型;在用户交易周期类型为规律型的情况下,基于用户交易周期设置用户交易限额更新时间间隔。
本公开的第二方面提供了一种交易限额确定装置,包括:提取模块,用于从目标用户的用户信息中提取第一目标特征;确定模块,用于将第一目标特征传入预训练的分类模型,确定目标用户的用户类型;选择模块,用于基于用户类型选择相应的额度设置策略;获取模块,用于根据额度设置策略,从用户信息中获取第二目标特征,其中,第二目标特征是基于用户信息中至少一部分数据计算得到的;计算模块,用于基于额度设置策略以及第二目标特征计算目标用户的交易限额。
本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述交易限额确定方法。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述交易限额确定方法。
本公开的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述交易限额确定方法。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的交易限额确定方法、装置、设备、介质和程序产品的应用场景图;
图2示意性示出了根据本公开实施例的交易限额确定方法的流程图;
图3示意性示出了根据本公开实施例的从目标用户的用户信息中提取第一目标特征的流程图;
图4示意性示出了根据本公开实施例的确定目标用户的用户类型的流程图;
图5示意性示出了根据本公开实施例的基于用户类型选择相应的额度计算策略的流程图;
图6示意性示出了根据本公开实施例的计算目标用户交易限额的流程图;
图7示意性示出了根据本公开实施例的交易限额确定装置的结构框图;以及
图8示意性示出了根据本公开实施例的适于实现交易限额确定方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本发明的技术方案中,所涉及的用户信息(包括但不限于用户个人信息、用户图像信息、用户设备信息,例如位置信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理,均遵守相关国家和地区的相关法律法规和标准,采取了必要保密措施,不违背公序良俗,并提供有相应的操作入口,供用户选择授权或者拒绝。
本公开的实施例提供了一种交易限额确定方法,包括:从目标用户的用户信息中提取第一目标特征;将第一目标特征传入预训练的分类模型,确定目标用户的用户类型;基于用户类型选择相应的额度设置策略;根据额度设置策略,从用户信息中获得第二目标特征,其中,第二目标特征是基于用户信息中至少一部分数据计算得到的;基于额度设置策略以及第二目标特征计算目标用户的交易限额。
图1示意性示出了根据本公开实施例的交易限额确定方法、装置、设备、介质及程序产品的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括终端设备101、终端设备102、终端设备103、网络104以及服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的交易限额确定方法一般可以由服务器105执行。相应地,本公开实施例所提供的交易限额确定装置一般可以设置于服务器105中。本公开实施例所提供的交易限额确定方法也可以由不同于服务器105且能够与终端设备101、终端设备102、终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的交易限额确定装置也可以设置于不同于服务器105且能够与终端设备101、终端设备102、终端设备103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图6对公开实施例的交易限额确定方法进行详细描述。
图2示意性示出了根据本公开实施例的交易限额确定方法的流程图。
如图2所示,该实施例的交易限额确定方法包括操作S210~操作S250。
在操作S210,从目标用户的用户信息中提取第一目标特征。
在本公开的实施例中,在获取用户的信息之前,可以获得用户的同意或授权。例如,在操作S210之前,可以向用户发出获取用户信息的请求。在用户同意或授权可以获取用户信息的情况下,执行所述操作S210。
在具体实施过程中,用户信息例如可以包括用户账号信息、用户交易信息、用户资产信息以及用户行为信息。第一目标特征主要从用户账号中提取,其中,用户账号信息例如可以包括用户年龄、用户职业、用户工作年限、用户所在地域等信息,可以有效反应用户的个人情况,以确定该目标用户的用户类型。
用户信息中包含多个特征数据,本申请提出从多个特征数据中提取出第一目标特特征,可以实现对特征数据的筛选,一方面,将所有特征数据全部作为入模特征传入分类模型,会造成模型计算成本大、出现特征冗余,另一方面,多个特征中可能会存在不相关特征,导致分类结果不准确的情况发生。因此,本公开提出,对用户信息的多个特征数据进行筛选,以筛选出与用户分类关联性较强的第一目标特征传入分类模型。
在操作S220,将第一目标特征传入预训练的分类模型,确定目标用户的用户类型。
在一些实施例中,在提取到第一目标特征后,将第一目标特征传入预训练的分类模型,以确定目标用户的用户类型。由于用户的交易习惯、资产情况不同,因此,对所有用户采用同一种额度设置策略会导致交易限额不能满足每一用户需求,在造成用户交易限额不合理,降低用户交易体验的同时,也无法对用户风险进行有效管理。
本公开通过预训练分类模型,提高用户分类的准确性,从而精确匹配相应的限额设置策略,提高目标用户交易限额的准确性。
本申请采用的预训练分类模型为K-means模型,K-means以空间中k个点为中心进行聚类,对最靠近他们的对象归类,以得到对象相似度较高的k个聚类。K-means的收敛速度快、聚类效率高,可以应用于大规模数据聚类过程中,实现对目标用户的快速分类。
在操作S230,基于用户类型选择相应的额度设置策略。
在一些实施例中,不同用户类型对应的额度设置策略不同。例如,一些用户的交易支出呈周期性变化,则需对该用户采用定期更新的额度设置策略,以使用户的交易额度符合该用户的交易支出规律。例如,用户A在固定时间段内(一年的三月至九月)每月交易支出均在5万以上,而其他时间(一月至二月、十月至十二月)该用户月支出均在2万以下,则用户A的交易额度也应根据这一交易规律进行更新,以满足用户A的日常交易需求。
此外,由于用户的资产可能为存储型或投资型,不同资产类型的用户对应的额度设置策略同样也存在区别。例如,对于存储型用户,只需获取用户的静态数据计算并确定该用户的交易限额。而对于投资型用户,在计算用户交易限额时,除了需要获取用户的静态数据,还应获取该用户的动态数据(例如该用户资产的波动情况),综合用户的静态数据和动态数据,共同确定该用户的交易限额,从而完成对用户交易限额的精确计算,实现对用户交易的准确限制。
在操作S240,根据额度设置策略,从用户信息中获得第二目标特征,其中,第二目标特征是基于用户信息中至少一部分数据计算得到的。
在一些实施例中,不同额度设置策略的计算方法不同,所需的第二目标特征也不相同。在确定该用户的额度设置策略后,可以根据额度设置策略从用户信息中获得第二目标特征。其中,第二目标特征例如可以包括用户风险类型和/或用户资产波动数据。在操作S250,基于额度设置策略以及第二目标特征计算目标用户的交易限额。
在一些实施例中,将获得的第二目标特征带入至额度设置策略中,以通过额度设置策略计算目标用户的交易限额。
本公开实施例,通过对用户进行分类,实现了用户交易限额的灵活确定。通过选择与该用户类型对应的额度设置策略,对不同用户类型的用户采用不同的交易额度计算方法,使得最终确定的用户额度更符合该用户的交易习惯以及交易需求,使最终确定的交易额度既满足用户的日常交易需求,又可以对用户资金进行安全风险管控。
图3示意性示出了根据本公开实施例的从目标用户的用户信息中提取第一目标特征的流程图。
如图3所示,该实施例的从目标用户的用户信息中提取第一目标特征包括操作S310~操作S320。
在操作S310,从用户信息中提取多个特征数据。
在一些实施例中,可以使用文本数据特征提取方法,从用户信息中提取出多个特征数据。其中,文本数据特征提取方法例如可以包括One-Hot、BoW、word2vec以及TF-IDF等。
在操作S320,基于多个特征数据的特征指标对多个特征数据进行筛选,得到第一目标特征。
在一些实施例中,特征指标例如可以包括每一特征数据的信息价值以及各特征数据之间的相关系数。
其中,信息价值(Infromation Value,IV),用于表示特征对目标预测的贡献程度,即特征的预测能力,一般来说,IV值越高,该特征的预测能力越强,信息贡献程度越高。信息价值是选择特征数据的基础,如果一个特征数据的预测能力无法满足要求,则直接将该特征数据过滤掉。
相关系数则用于表示各特征数据之间的关联程度。各特征数据彼此之间存在关联关系。当特征数据之间的相关系数较大时,则说明这两个特征数据所表达的信息相似,在模型中起到的作用相同,因此,可以通过相关关系对关联紧密的特征数据进行筛选,在不影响模型预测精度的前提下减少入模特征数据的数量,降低模型计算成本。
在具体实施过程中,首先计算各特征数据的IV值,筛选出IV值不低于预设阈值的特征数据,而后计算筛选后的特征数据之间的相关系数。当该特征数据与其他特征数据的相关系数均小于阈值,则说明不存在与该特征数据表达信息相似的其他特征数据,直接将该特征数据确定为第一目标特征。若存在与该特征数据相关系数大于阈值的其他特征数据,则说明该特征数据与其他特征数据所表达的信息相似,从这些相似的特征数据中选择一个信息价值最高的特征数据作为第一目标特征。
通过计算特征的信息价值和相关系数,可以从用户信息中筛选出有效的特征数据,降低模型数据维度的同时,避免由于特征过多而导致的分类模型能力降低,无法准确进行用户分类以及计算量过大的问题,以对目标用户进行准确且快速的分类。
图4示意性示出了根据本公开实施例的确定目标用户的用户类型的流程图。
如图4所示,该实施例的确定目标用户的用户类型包括操作S410~操作S430。
在操作S410,对多个第一目标特征进行预处理。
在一些实施例中,预处理操作包括对特征进行归一化,以确保每一第一目标特征具有相同的尺度。这是因为K-means聚类算法是基于距离计算的,如果不对第一目标特征进行归一化,可能会导致某些特征对聚类结果的产生决定性的影响,因此,在利用第一目标特征进行用户分类之间,需要先通过归一化对第一目标特征进行处理,使得第一目标特征处于同一维度,从而保证聚类结果的准确。其中,常用的归一化方法包括将特征缩放到0-1之间或者使用标准化方法使特征均值为0,方差为1。
在操作S420,基于预处理后的第一目标特征,计算目标用户到每一聚类中心的距离。
在一些实施例中,随机选取K个对象作为初始的聚类中心,而后计算数据对象与每一聚类中心的距离。其中,距离的计算方法例如可以包括欧式距离法、曼哈顿距离法以及余弦相似度,本公开采用余弦相似度进行距离的计算。在操作S430,基于最小距离确定目标聚类中心,目标聚类中心代表的类型即为目标用户的用户类型。
在一些实施例中,基于目标用户与各聚类中心的距离,选择距离值最小的聚类中心,将该目标用户划分至该聚类中心对应的聚类簇中,而后根据重新划分的聚类簇,更新聚类中心,直至聚类中心不再移动,此时,最终确定的聚类中心即为目标聚类中心,该目标聚类中心对应的用户类型即为目标用户的用户类型。
图5示意性示出了根据本公开实施例的基于用户类型选择相应的额度计算策略的流程图。
如图5所示,该实施例的基于用户类型选择相应的额度计算策略包括操作S510~操作S530。
在操作S510,获取用户资产类型,其中,用户资产类型包括第一类型和第二类型。
在一些实施例中,第一类型为储蓄型,第二类型为投资型。投资型资产通常为股票、债券、期货合约等,可能会增加持有者的财富,也可能对持有者的财富造成损失。储蓄型资产通常为银行存款,国债等,较为稳定,可以在长期内保值或增值,通常不存在损失的风险
在操作S520,在用户资产类型为第一类型的情况下,选择第一额度设置策略。
在一些实施例中,在额度设置策略为第一额度设置策略的情况下,第二目标特征为用户风险类型。
其中,用户风险类型是基于所述用户信息中的历史行为信息、历史交易信息以及所述目标用户的用户类型的基础信息计算得到的。
在一些实施例中,通过将目标用户中的历史行为信息、历史交易信息与同类型用户群的基础信息进行比较,以得到目标用户的风险类型。其中,同类型用户群的基础信息是通过对用户群中所有用户信息计算均值得到的。
通过比较目标用户信息与同类型用户群的基础信息,确定目标用户的用户信息与基础信息的便宜系数,根据偏移系数确定用户的风险类型。
在操作S530,在用户资产类型为第二类型的情况下,选择第二额度设置策略。
在额度设置策略为第二额度设置策略的情况下,第二目标特征除用户风险类型外,还包括目标用户的资产波动数据,其中,基于用户资产的历史价格计算得到,资产波动数据用于表示目标用户资产在未来的波动情况。
在一些实施例中,可以将资产的风险价值作为目标用户的资产波动数据。风险价值(value at risk,VaR)是指在一定的持有期和给定的置信水平下,利率、汇率、股价等风险因子发生变化时可能对投资组合造成的潜在最大损失。
在具体实施例中,计算用户资产波动数据的具体过程如下:获取资产组合中每一资产的历史价格,基于历史价格确定每一资产对应的第一分布函数。确定多个第一分布函数间的关联函数。基于关联函数构建资产组合的联合分布函数。基于联合分布函数,确定资产组合在未来指定时间的预计价格。基于预计价格和历史价格计算资产组合的风险价值。
其中,第一分布函数Fn可以反应该资产的资产价格变化规律,对于多个资产,可以得到多个第一分布函数F1,F2,…,Fn。
确定第一分布函数间的关联函数包括:计算多个第一分布函数间的关联因子,基于关联因子确定第一分布函数间的关联函数。本公开选择的关联函数为Copula函数,由于资产组合内的多个资产之间通常呈非线性相关关系,因此,相较于只能用于度量线性相关关系的相关系数、Granger因果等传统方法,Copula函数可以有效刻画各资产间的非线性关联关系,Copula函数通过把多维随机变量的联合分布用其一维边际分布连接起来,从而有效的反应资产组合的分布情况,得到目标用户资产组合的联合分布函数。联合分布函数可以有效反应资产组合的历史价格波动水平,对联合分布函数执行蒙特卡洛模拟操作,以获得资产组合在围在指定时间的预计价格。蒙特卡洛模拟操作采用大量样本模拟资产组合的收益率,并基于资产组合的收益率计算资产组合在未来指定时间的预测价格。而后通过预计价格和历史价格可以得到资产组合的波动率,其中,波动率是该资产组合在指定条件下的波动情况,基于波动率确定资产组合在未来指定时间的风险价值,直观得到该资产组合风险价值在特定时间序列中的变化情况。
本公开实施例,基于用户资产类型选择不同的交易设置策略。用户资产类型包括投资型和储蓄型。其中,投资型资产通常为股票、债券、期货合约等,可能会增加持有者的财富,也可能对持有者的财富造成损失。储蓄型资产通常为银行存款,国债等,较为稳定,可以在长期内保值或增值,通常不存在损失的风险。
对于储蓄型用户,在进行额度计算时无需考虑其资产贬值的问题;而对于投资型用户,在进行额度计算时除了要考虑用户自身风险外,还需考虑用户资产的波动情况,以根据资产波动情况灵活计算用户交易限额,实现对用户交易限额的精确管理。基于不同资产类型用户对应的限额计算方式不同,因此,本公开提出,基于用户类型选择不同的限额设置方法,以实现用户限额的精确计算。
除用户资产类型外,本公开实施例中的用户类型还可以包括用户交易周期类型,其中,用户交易周期类型包括规律型和无序型。
在用户交易周期类型为无序型的情况下,可定期对用户交易限额进行更新,例如更新时间为每30天、每60天等。在用户交易周期类型为规律型的情况下,用户交易限额的更新时间应与用户交易周期相结合,基于用户交易周期设置用户交易限额更新,实现用户交易限额的准确更新,提升用户的使用体验。
图6示意性示出了根据本公开实施例的计算目标用户交易限额的流程图。
如图6所示,该实施例的根据计算目标用户交易限额包括操作S610~操作S630。
在操作S610,基于用户风险类型以及用户资产信息计算初始额度。
在一些实施例中,不同用户风险类型对应的初始额度系数不同。其中,用户风险类型包括低风险用户类、中风险用户以及高风险用户,用户的初始额度系数会随着风险等级的升高而降低,通过用户的初始额度系数以及用户资产信息计算得到初始额度。例如,目标用户的初始额度系数为0.9,用户资产为30000,则该用户的初始额度应为30000×0.9=27000。
在操作S620,基于资产波动数据计算额度调整系数。
在一些实施例中,基于用户资产在未来的变化情况计算该用户的额度调整系数。若用户在未来时间的收益值为正,则额度调整系数大于1,具体数值可根据收益值确定。若用户在未来时间的收益值小于等于0,则额度调整系数在(0,1]之间,具体数值根据收益值确定。
在操作S630,根据初始额度以及额度调整系数共同确定所述目标用户的交易额度。
在一些实施例中,基于初始额度以及额度调整系数共同计算目标用户的交易额度。例如,用户A的初始额度为27000,额度调整系数为1.1,则用户A的交易额度应为27000×1.1=29700。
本公开提供的交易额度确定方法,根据用户资产类型设置了不同的额度计算方法。在用户资产类型为储蓄型的情况下,初始额度即为该用户的交易额度。在用户资产类型为投资型的情况下,将用户资产波动情况与交易额度相关联,提高交易额度计算的灵活性和精确性。
基于上述交易限额确定方法,本公开还提供了一种交易限额确定装置。以下将结合图7对该装置进行详细描述。
图7示意性示出了根据本公开实施例的交易限额确定装置的结构框图。
如图7所示,该实施例的交易限额确定装置700包括提取模块710、确定模块720、选择模块730、获取模块740以及计算模块750。
提取模块710用于从目标用户的用户信息中提取第一目标特征。在一实施例中,提取模块710可以用于执行前文描述的操作S210,在此不再赘述。
确定模块720用于将第一目标特征传入预训练的分类模型,确定目标用户的用户类型。在一实施例中,确定模块720可以用于执行前文描述的操作S220,在此不再赘述。
选择模块730用于基于用户类型选择相应的额度设置策略。在一实施例中,选择模块730可以用于执行前文描述的操作S230,在此不再赘述。
获取模块740用于根据额度设置策略,从用户信息中获取第二目标特征,其中,第二目标特征是基于用户信息中至少一部分数据计算得到的。在一实施例中,获取模块740可以用于执行前文描述的操作S240,在此不再赘述。
计算模块750用于基于额度设置策略以及第二目标特征计算目标用户的交易限额。在一实施例中,计算模块750可以用于执行前文描述的操作S250,在此不再赘述。
根据本公开的实施例,提取模块710、确定模块720、选择模块730、获取模块740以及计算模块750中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,提取模块710、确定模块720、选择模块730、获取模块740以及计算模块750中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,提取模块710、确定模块720、选择模块730、获取模块740以及计算模块750中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图8示意性示出了根据本公开实施例的适于实现交易限额确定方法的电子设备的方框图。
如图8所示,根据本公开实施例的电子设备800包括处理器801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。处理器801例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 803中,存储有电子设备800操作所需的各种程序和数据。处理器801、ROM802以及RAM 803通过总线804彼此相连。处理器801通过执行ROM 802和/或RAM 803中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 802和RAM 803以外的一个或多个存储器中。处理器801也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备800还可以包括输入/输出(I/O)接口805,输入/输出(I/O)接口805也连接至总线804。电子设备800还可以包括连接至I/O接口805的以下部件中的一项或多项:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 802和/或RAM 803和/或ROM 802和RAM 803以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的交易限额确定方法。
在该计算机程序被处理器801执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分809被下载和安装,和/或从可拆卸介质811被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“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设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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、或代码的一部分,上述模块、程序段、或代码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。也应当注意,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,两个接连地表示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,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操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。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (12)
1.一种交易限额确定方法,包括:
从目标用户的用户信息中提取第一目标特征;
将所述第一目标特征传入预训练的分类模型,确定所述目标用户的用户类型;
基于所述用户类型选择相应的额度设置策略;
根据所述额度设置策略,从所述用户信息中获得第二目标特征,其中,第二目标特征是基于所述用户信息中至少一部分数据计算得到的;
基于所述额度设置策略以及所述第二目标特征计算所述目标用户的交易限额。
2.根据权利要求1所述的方法,其中,从目标用户的用户信息中提取第一目标特征,包括:
从所述用户信息中提取多个特征数据;
基于所述多个特征数据的特征指标对所述多个特征数据进行筛选,得到第一目标特征。
3.根据权利要求2所述的方法,其中,所述特征指标包括每一特征数据的信息价值以及各特征数据之间的相关系数。
4.根据权利要求1所述的方法,其中,所述将所述第一目标特征传入预训练的分类模型,确定所述目标用户的用户类型,包括:
对多个所述第一目标特征进行预处理;
基于预处理后的第一目标特征,计算所述目标用户到每一聚类中心的距离;
基于最小距离确定目标聚类中心,所述目标聚类中心代表的类型即为所述目标用户的用户类型。
5.根据权利要求1所述的方法,所述用户类型包括用户资产类型,所述基于所述用户类型选择相应的额度设置策略,包括:
获取用户资产类型,其中,用户资产类型包括第一类型和第二类型;
在所述用户资产类型为第一类型的情况下,选择第一额度设置策略;
在所述用户资产类型为第二类型的情况下,选择第二额度设置策略;
其中,第一额度设置策略与第二额度设置策略对应的第二目标特征以及额度计算方法存在区别。
6.根据权利要求5所述的方法,其中,所述根据所述额度设置策略,从所述用户信息中获得第二目标特征,还包括:
在所述额度设置策略为第一额度设置策略的情况下,所述第二目标特征为用户风险类型;其中,所述用户风险类型是基于所述用户信息中的历史行为信息、历史交易信息以及所述目标用户的用户类型的基础信息计算得到的;
在所述额度设置策略为第二额度设置策略的情况下,所述第二目标特征除用户风险类型外,还包括目标用户的资产波动数据,其中,所述基于所述用户资产的历史价格计算得到,所述资产波动数据用于表示所述目标用户资产在未来的波动情况。
7.根据权利要求6所述的方法,其中,在所述额度设置策略为第二额度设置策略的情况下,所述基于所述额度设置策略以及所述第二目标特征计算所述目标用户的交易限额,包括:
基于所述用户风险类型以及用户资产信息计算初始额度;
基于所述资产波动数据计算额度调整系数;
根据所述初始额度以及额度调整系数共同确定所述目标用户的交易额度。
8.根据权利要求1所述的交易限额确定方法,所述用户类型还包括用户交易周期类型,其中,用户交易周期类型包括规律型和无序型;
在所述用户交易周期类型为规律型的情况下,基于用户交易周期设置用户交易限额更新时间间隔。
9.一种交易限额确定装置,包括:
提取模块,用于从目标用户的用户信息中提取第一目标特征;
确定模块,用于将所述第一目标特征传入预训练的分类模型,确定所述目标用户的用户类型;
选择模块,用于基于所述用户类型选择相应的额度设置策略;
获取模块,用于根据所述额度设置策略,从所述用户信息中获取第二目标特征,其中,第二目标特征是基于所述用户信息中至少一部分数据计算得到的;
计算模块,用于基于所述额度设置策略以及所述第二目标特征计算所述目标用户的交易限额。
10.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~8中任一项所述的方法。
11.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~8中任一项所述的方法。
12.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410089146.1A CN117911033A (zh) | 2024-01-22 | 2024-01-22 | 交易限额确定方法、装置、设备、介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410089146.1A CN117911033A (zh) | 2024-01-22 | 2024-01-22 | 交易限额确定方法、装置、设备、介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117911033A true CN117911033A (zh) | 2024-04-19 |
Family
ID=90689342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410089146.1A Pending CN117911033A (zh) | 2024-01-22 | 2024-01-22 | 交易限额确定方法、装置、设备、介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117911033A (zh) |
-
2024
- 2024-01-22 CN CN202410089146.1A patent/CN117911033A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8296206B1 (en) | Method and system for providing intelligent targeted budgeting using financial transaction data from similarly situated individuals | |
US11423442B2 (en) | Method and system for predicting relevant offerings for users of data management systems using machine learning processes | |
CN113393306A (zh) | 产品推荐方法、装置、电子设备及计算机可读介质 | |
CN115983900A (zh) | 用户营销策略的构建方法、装置、设备、介质和程序产品 | |
JP2019185595A (ja) | 情報処理装置、情報処理方法、情報処理プログラム、判定装置、判定方法及び判定プログラム | |
WO2017040578A1 (en) | Method and system for sizing of demographic markets | |
US10671952B1 (en) | Transmission of a message based on the occurrence of a workflow event and the output of an externally augmented propensity model identifying a future financial requirement | |
CN111695988A (zh) | 信息处理方法、装置、电子设备和介质 | |
CN116091242A (zh) | 推荐产品组合生成方法及装置、电子设备和存储介质 | |
CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
JP7053077B1 (ja) | シングルユーザアクションによる意思決定を支援するための方法及びシステム | |
CN115994819A (zh) | 风险客户识别方法、装置、设备和介质 | |
CN114820196A (zh) | 信息推送方法、装置、设备及介质 | |
US11379929B2 (en) | Advice engine | |
US20170148098A1 (en) | Data creating, sourcing, and agregating real estate tool | |
US20210049687A1 (en) | Systems and methods of generating resource allocation insights based on datasets | |
CN117911033A (zh) | 交易限额确定方法、装置、设备、介质及程序产品 | |
CN116562974A (zh) | 对象识别方法、装置、电子设备及存储介质 | |
CN114897564A (zh) | 目标客户推荐方法及装置、电子设备和存储介质 | |
CN113487408A (zh) | 信息处理方法和装置 | |
CN114742648A (zh) | 产品推送方法、装置、设备及介质 | |
CA3169417A1 (en) | Method of and system for appraising risk | |
CN116308615A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN116664278A (zh) | 信息生成方法、装置、设备及存储介质 |
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 |