CN118052332A - 风险预测方法、装置、设备和存储介质 - Google Patents
风险预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN118052332A CN118052332A CN202410343080.4A CN202410343080A CN118052332A CN 118052332 A CN118052332 A CN 118052332A CN 202410343080 A CN202410343080 A CN 202410343080A CN 118052332 A CN118052332 A CN 118052332A
- Authority
- CN
- China
- Prior art keywords
- interaction
- value
- programmed
- data
- interaction data
- 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 59
- 230000003993 interaction Effects 0.000 claims abstract description 383
- 230000000694 effects Effects 0.000 claims abstract description 53
- 230000002452 interceptive effect Effects 0.000 claims abstract description 30
- 238000004590 computer program Methods 0.000 claims description 18
- 230000000977 initiatory effect Effects 0.000 claims description 14
- 238000000265 homogenisation Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 abstract description 3
- 238000012546 transfer Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 6
- 238000013500 data storage Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种风险预测方法、装置、设备和存储介质。该风险预测方法包括:响应于预测指令,获取所述预测指令对应目标业务的交互数据;根据所述交互数据对应的交互对象,确定所述目标业务对应的程序化交互数据;根据所述交互数据和所述程序化交互数据,计算所述目标业务对应的程序化交互数值和同质化交互数值;将所述程序化交互数值及所述同质化交互数值代入构建好的固定效应模型,得到风险预测结果。本申请的方法,增加了风险预测的依据,从而便于实现对不同业务相关的交互行为的风险预测,提高了风险预测的准确性。
Description
技术领域
本申请涉及虚拟资源交互技术领域,尤其涉及一种风险预测方法、装置、设备和存储介质。
背景技术
随着互联网技术的发展成熟化,虚拟资源的交互也愈来愈主流,这给虚拟资源市场带来了多重影响,同时也给虚拟资源市场了带来极端波动风险,如何对虚拟资源的交互过程进行有效监管,这是虚拟资源监管机构亟待解决的问题。
常见的风险预测方法因为缺少有效的识别指标,对应的预测结果往往不够准确,该预测结果无法实现有效的风险预测,也无法应用于虚拟资源交互的实证分析。
发明内容
本申请提供一种风险预测方法、装置、设备和存储介质,用以解决现有技术中风险预测结果不够准确的问题。
第一方面,本申请提供一种风险预测方法,包括:
响应于预测指令,获取所述预测指令对应目标业务的交互数据;
根据所述交互数据对应的交互对象,确定所述目标业务对应的程序化交互数据;
根据所述交互数据和所述程序化交互数据,计算所述目标业务对应的程序化交互数值和同质化交互数值;
将所述程序化交互数值及所述同质化交互数值代入构建好的固定效应模型,得到风险预测结果。
在其中一个实施例中,所述预测指令携带有时期标签;
所述响应于预测指令,获取所述预测指令对应目标业务的交互数据,包括:
根据所述时期标签确定所述预测指令对应的目标时间段;
获取所述目标时间段内所述目标业务的交互数据。
在其中一个实施例中,所述交互数据包括委托交互数据和业务交互数据;
所述根据所述交互数据对应的交互对象,确定所述目标业务对应的程序化交互数据,包括:
根据所述交互对象对应的委托交互数据和业务交互数据,计算交互比值;
将达到预设比值的交互比值对应的业务交互数据作为所述程序化交互数据。
在其中一个实施例中,所述根据所述交互数据和所述程序化交互数据,计算所述目标业务对应的程序化交互数值和同质化交互数值之前,包括:
获取所述目标业务的流通业务数据;
所述根据所述交互数据和所述程序化交互数据,计算所述目标业务对应的程序化交互数值和同质化交互数值,包括:
根据所述交互数据、所述程序化交互数据和所述流通业务数据,计算所述目标业务对应的程序化交互数值和同质化交互数值。
在其中一个实施例中,所述交互对象包括业务发起对象和业务接收对象;
所述根据所述交互数据、所述程序化交互数据和所述流通业务数据,计算所述目标业务对应的程序化交互数值和同质化交互数值,包括:
将所述程序化交互数据与所述交互数据的比值作为所述程序化交互数值;
根据所述业务发起对象对应的程序化交互数据和所述业务接收对象对应的程序化交互数据,计算交互差值;
将所述交互差值和所述流通业务数据的比值作为所述同质化交互数值。
在其中一个实施例中,所述将所述程序化交互数据及所述同质化交互数值代入构建好的固定效应模型,得到风险预测结果之前,包括:
获取所述目标业务对应的业务效应信息和业务收益率信息;
所述将所述程序化交互数据及所述同质化交互数值代入构建好的固定效应模型,得到风险预测结果,包括:
将所述程序化交互数据、所述同质化交互数值、所述业务效应信息和所述业务收益率信息代入所述固定效应模型,得到风险预测结果。
在其中一个实施例中,所述固定效应模型包括第一收益率信息、第二收益率信息、第三收益率信息、预设交互周期值、预设周期数值、预设截距项和预设效应信息;
所述将所述程序化交互数据、所述同质化交互数值、所述业务效应信息和所述预设效应信息代入构建好的固定效应模型,得到风险预测结果,包括:
根据所述第一收益率信息、所述第二收益率信息、所述预设交互周期值及所述预设截距项,计算所述目标业务对应的第四收益率信息;
根据所述第四收益率信息和所述预设交互周期值,计算第一代理变量;
根据所述第四收益率信息、所述预设周期数值和所述第三收益率信息,计算第二代理变量;
根据所述预设残差项、所述预设截距项、所述程序化交互数据、所述同质化交互数值、所述第一代理变量和所述第二代理变量,计算风险预测值;
根据所述风险预测值和预设的风险值阈值,确定所述风险预测结果。
第二方面,本申请还提供了一种风险预测装置,包括:
获取模块,用于响应于预测指令,获取所述预测指令对应目标业务的交互数据;
确定模块,用于根据所述交互数据对应的交互对象,确定所述目标业务对应的程序化交互数据;
计算模块,用于根据所述交互数据和所述程序化交互数据,计算所述目标业务对应的程序化交互数值和同质化交互数值;
预测模块,用于将所述程序化交互数值及所述同质化交互数值代入构建好的固定效应模型,得到风险预测结果。
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,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一实施例所述的风险预测方法。
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,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的风险预测方法。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序产品被处理器执行时实现上述任一实施例所述的风险预测方法。
上述风险预测方法、装置、设备和存储介质,能够将利用预先设定的算法和规则来执行虚拟资源交互决策的程序化交互方式与交互过程中的不稳定风险建立内在联系、将相似性较高的同质化交互动作与交互过程中的不稳定风险建立内在联系,增加了风险预测的依据,从而便于实现对不同业务相关的交互行为的风险预测,提高了风险预测的准确性。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为一个实施例中风险预测方法的应用环境图;
图2为一个实施例中风险预测方法的流程示意图;
图3为一个实施例中风险预测方法的流程示意图;
图4为一个实施例中风险预测方法的流程示意图;
图5为一个实施例中风险预测方法的流程示意图;
图6为一个实施例中风险预测方法的流程示意图;
图7为一个实施例中风险预测方法的流程示意图;
图8为一个实施例中风险预测装置的结构示意图;
图9为一个实施例中计算机设备的内部结构图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
本申请实施例提供的风险预测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。
例如,风险预测方法应用于终端102,终端102在接收到预测指令时,从服务器104的数据存储系统中获取预测指令对应目标业务的交互数据;随后终端102根据交互数据对应的交互对象,确定目标业务对应的程序化交互数据;并根据交互数据和程序化交互数据,计算目标业务对应的程序化交互数值和同质化交互数值;最后终端102将程序化交互数值及同质化交互数值代入构建好的固定效应模型,得到风险预测结果。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。第一服务器104和第二服务器108可以用独立的服务器或者是多个服务器组成的服务器集群来实现。第一终端102和第一服务器104、第一服务器104和第二终端106、第一服务器104和第二服务器108可以通过有线或无线通信方式进行直接或间接的连接,例如通过网络连接。
又例如,风险预测方法应用于服务器104,终端102在接收到预测指令时,将预测指令发送给服务器104,随后服务器104获取预测指令对应目标业务的交互数据;根据交互数据对应的交互对象,确定目标业务对应的程序化交互数据;并根据交互数据和程序化交互数据,计算目标业务对应的程序化交互数值和同质化交互数值;最后服务器104将程序化交互数值及同质化交互数值代入构建好的固定效应模型,得到风险预测结果。可以理解的是,数据存储系统可为独立的存储设备,或者该数据存储系统位于服务器104上,或者该数据存储系统位于另一终端上。
需要说明的是,终端102与服务器104之间的网络通信适用于不同的网络制式,例如,可以适用于全球移动通讯(Global System of Mobile communication,简称GSM)、码分多址(Code Division Multiple Access,简称CDMA)、宽带码分多址(Wideband CodeDivision Multiple Access,简称WCDMA)、时分同步码分多址(Time Division-Synchronous Code Division Multiple Access,简称TD-SCDMA)、长期演进(Long TermEvolution,简称LTE)系统及未来的5G等网络制式。可选的,上述通信系统可以为5G通信系统中高可靠低时延通信(Ultra-Reliable and Low Latency Communications,URLLC)传输的场景中的系统。
故而,可选的,上述基站可以是GSM或CDMA中的基站(Base Transceiver Station,简称BTS)和/或基站控制器,也可以是WCDMA中的基站(NodeB,简称NB)和/或无线网络控制器(Radio Network Controller,简称RNC),还可以是LTE中的演进型基站(EvolutionalNode B,简称eNB或eNodeB),或者中继站或接入点,或者未来5G网络中的基站(gNB)等,本申请在此并不限定。
上述终端102可以是无线终端也可以是有线终端。无线终端可以是指向用户提供语音和/或其他业务数据连通性的设备,具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。无线终端可以经无线接入网(Radio Access Network,简称RAN)与一个或多个核心网设备进行通信,无线终端可以是移动终端,如移动电话(或称为“蜂窝”电话)和具有移动终端的计算机,例如,可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置,它们与无线接入网交换语言和/或数据。再例如,无线终端还可以是个人通信业务(Personal Communication Service,简称PCS)电话、无绳电话、会话发起协议(Session Initiation Protocol,简称SIP)话机、无线本地环路(Wireless Local Loop,简称WLL)站、个人数字助理(Personal Digital Assistant,简称PDA)等设备。无线终端也可以称为系统、订户单元(Subscriber Unit)、订户站(Subscriber Station),移动站(MobileStation)、移动台(Mobile)、远程站(Remote Station)、远程终端(Remote Terminal)、接入终端(Access Terminal)、用户终端(User Terminal)、用户代理(User Agent)、用户设备(User Device or User Equipment),在此不作限定。可选的,上述终端设备还可以是智能手表、平板电脑等设备。
在一个实施例中,提供了一种风险预测方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。如图2所示,该风险预测方法包括:
步骤202、响应于预测指令,获取预测指令对应目标业务的交互数据。
预测指令指的是针对一种业务的虚拟资源交互情况、进行所有业务对应虚拟资源的交互风险预测的指令。
目标业务指的是特定的一种虚拟资源,目标业务可以用于指示当前一种虚拟资源对应的业务提供方。
交互数据指的是目标业务对应的虚拟资源的交互相关信息。交互数据用于表示不同的交互参与者之间进行的数据交换和交流。
作为示例,交互数据可以包含交互类型、提供虚拟资源或获取虚拟资源的交互方向、虚拟资源的交互体量、交互属性值、交互时间、撤销交互数量、交互成功数量等信息。
在步骤202获取交互数据的过程中,终端可以对目标业务的初始交互数据进行筛选,例如剔除每日交互次数低于预设交互次数的日期当天产生的交互数据、剔除缺失部分交互相关内容的交互数据等。
步骤204、根据交互数据对应的交互对象,确定目标业务对应的程序化交互数据。
交互对象指的可以是提供虚拟资源的交互提供方和获取虚拟资源的交互需求方,即进行虚拟资源交互动作的双方。
程序化交互数据指的是利用预先设定的算法和规则来执行虚拟资源交互决策的交互方式所产生的相关数据。交互对象可以通过预先设定的算法和规则,根据交互属性值的波动、交互体量等因素进行自动化的交互决策,从而在不同的虚拟资源交互情况下执行虚拟资源的获取或提供。程序化交互通常是由计算机程序执行的,与依赖于个体的决策和执行、交互速度和规模相对较小的通过终端手动进行的交互方式相比,程序化交互具有快速、高效和大规模的特点。
步骤206、根据交互数据和程序化交互数据,计算目标业务对应的程序化交互数值和同质化交互数值。
程序化交互数值指的可以是目标业务对应的虚拟资源交互动作中,程序化交互方式所占的比值。
同质化交互数据指的是交互对象进行的、相似性较高的虚拟资源交互动作所产生的数据。
若大量交互对象选择对同一种类、即来自于同一业务提供方的虚拟资源进行交互、或在进行虚拟资源交互时,选择相同、相似的交互体量、交互属性值、交互时间,这些相似的虚拟资源交互动作将会造成虚拟资源的交互缺乏差异性,这将增加业务提供方的交互风险。
步骤208、将程序化交互数值及同质化交互数值代入构建好的固定效应模型,得到风险预测结果。
固定效应模型指的是一种统计分析方法,在固定效应模型中,可以假设同一目标业务的业务数据间存在固定的效应或者目标业务特定的特征,这些特征不随时间变化。固定效应模型可以控制目标业务的特征对因变量的影响,从而更准确地估计其他自变量对因变量的影响。
风险预测结果指的是所有业务对应的虚拟资源的交互风险,若风险预测结果为风险较高,则表明当前目标业务的虚拟资源的交互存在较高的不稳定风险,这意味着所有业务对应的虚拟资源的交互可能会出现交互属性值不合理下降、相关交互对象进行虚拟资源交互时的转移资源大量缩减等不稳定风险;若风险预测结果为风险较低,则表明当前目标业务的虚拟资源的交互存在较低的不稳定风险。
上述风险预测方法中,终端在接收到预测指令后,能够根据预测指令从服务器的数据存储系统中获取预测指令所对应的目标业务的交互数据,并根据该交互数据,确定目标业务对应的程序化交互数值和同质化交互数值,并将通过程序化交互数值及同质化交互数值代入构建好的固定效应模型,得到风险预测结果,通过该种方式将利用预先设定的算法和规则来执行虚拟资源交互决策的交互方式与交互过程中的不稳定风险建立内在联系、将相似性较高的虚拟资源交互动作与交互过程中的不稳定风险建立内在联系,从而便于实现对不同业务相关的交互行为的风险预测,提高了风险预测的准确性。
在一些可选的实施例中,预测指令携带有时期标签;
步骤202包括:
根据时期标签确定预测指令对应的目标时间段;
获取目标时间段内目标业务的交互数据。
本实施例中,时期标签可以为字母、字符或数字中的至少一种组成,时期标签可以用于标识特定的一个时间段。
时期标签与时间段的映射关系是一一对应的,服务器的数据存储系统中预先存储有至少一种时期标签与时间段的一一映射关系。
在本实施例中,终端在接收到预测指令后,首先获取预测指令携带的时期标签,随后从上述映射关系中直接查询到与时期标签匹配的时间段作为预测指令对应的目标时间段,并进一步获取目标时间段内产生的目标业务相关交互数据。
工作人员可以通过删除、修改、新增预测指令携带的时期标签的方式,实现对目标业务的对应的目标时间段的控制。
如图3所示,在一些可选的实施例中,交互数据包括委托交互数据和业务交互数据;
步骤204包括:
步骤2042、根据交互对象对应的委托交互数据和业务交互数据,计算交互比值;
步骤2044、将达到预设比值的交互比值对应的业务交互数据作为程序化交互数据。
委托交互数据指的是任意一个交互对象采用指定数值的转移资源,向目标业务指定的原始交互对象发出虚拟资源交互请求时所产生的交互数据,其中,虚拟资源交互请求指的可以是获取虚拟资源的请求,也可以是转移虚拟资源的请求。
业务交互数据指的是交互对象采用指定数值的转移资源,成功从目标业务指定的原始交互对象处获取到虚拟资源所产生的交互数据。
交互比值例如指的可以是委托交互数据的数量和业务交互数据的数量的比值。
步骤2042可以采用如下公式计算得到交互比值:
其中,OTR指的是交互比值,NUMT指的是委托交互数据的数量,NUMd指的是业务交互数据的数量。
当交互比值达到预设比值时,终端可以认为该交互对象在获取虚拟资源或转移虚拟资源时产生的交互数据均为程序化交互数据。
在另一种实施例中,终端还可以将交互比值达到预设比值的交互对象标记为程序化交互对象,并从目标业务的交互数据中,筛选出所有程序化交互对象涉及的交互数据作为程序化交互数据。
如图4所示,在一些可选的实施例中,步骤206之前,包括:
步骤205、获取目标业务的流通业务数据;
步骤206包括:
步骤206a、根据交互数据、程序化交互数据和流通业务数据,计算目标业务对应的程序化交互数值和同质化交互数值。
流通业务数据指的是目标业务指定的原始交互对象开放交互权限的、指定数量的虚拟资源相关数据。
具体的,如图5所示,在一些可选的实施例中,交互对象包括业务发起对象和业务接收对象;
步骤206a包括:
步骤2062、将程序化交互数据与交互数据的比值作为程序化交互数值;
步骤2064、根据业务发起对象对应的程序化交互数据和业务接收对象对应的程序化交互数据,计算交互差值;
步骤2066、将交互差值和流通业务数据的比值作为同质化交互数值。
业务发起对象指的是发出虚拟资源交互请求、且该虚拟资源交互请求为转移虚拟资源的请求的交互对象。
业务接收对象指的是发出虚拟资源交互请求、且该虚拟资源交互请求为获取虚拟资源的请求的交互对象。
步骤2062可以采用如下公式计算得到程序化交互数值:
其中,PTi,t表示程序化交互数值,Pi,t表示目标业务在目标时间段内产生的程序化交互数据;Oi,t表示目标业务在目标时间段内产生的交互数据。
进一步的,步骤2064-步骤2066可以采用如下公式计算得到同质化交互数值:
其中,Ci,t表示同质化交互数值;BVi,t表示在目标时间段内业务发起对象产生的目标业务对应的程序化交互数据,SVi,t表示在目标时间段内业务接收对象产生的目标业务对应的程序化交互数据;OSi,t表示流通业务数据。
在另一些可选地实施例中,终端还可以进一步计算得到业务发起对象对应的同质化交互子数值以及业务接收对象对应的同质化交互子数值:
其中,表示业务发起对象对应的同质化交互子数值。
其中,表示业务接收对象对应的同质化交互子数值。
如图6所示,在一些可选的实施例中,在步骤208之前,还包括:
步骤207、获取目标业务对应的业务效应信息和业务收益率信息;
步骤208包括:
步骤208a、将程序化交互数据、同质化交互数值、业务效应信息和业务收益率信息代入固定效应模型,得到风险预测结果。
业务效应信息指的是特定的业务在交互过程中所呈现出来的某种特定模式或者趋势。
在本实施例中,业务效应信息可以包括目标业务的效应信息,也可以包括所有业务的效应信息。
目标业务的效应信息指的是目标业务在考虑了其他所有业务的交互影响的情况下,表现出的相对稳定的特定模式,这意味着目标业务在其他业务的不同交互情况下可能会表现出相似的交互情况,比如虚拟资源交互时的转移资源波动或者转移资源增值。
所有业务的效应信息则指的是所有业务在每个月的虚拟资源交互过程中可能会表现出某种特定的模式或者趋势。例如,在某些月份中所有业务可能会有更高的转移资源增值情况,而在另一些月份中可能会有较低的转移资源增值情况。
在本实施例中,终端将业务效应信息、即目标业务的效应信息和所有业务的效应信息纳入考虑范围,同时将目标业务在不同交互情况下可能会表现出相似的交互情况、所有业务在每个月的虚拟资源交互过程中可能会表现出某种特定的模式或者趋势与交互过程中的不稳定风险建立内在联系,从而便于实现对不同业务相关的交互行为的风险预测,提高了风险预测的准确性。
如图7所示,在一些可选的实施例中,固定效应模型包括第一收益率信息、第二收益率信息、第三收益率信息、预设交互周期值、预设周期数值、预设截距项和预设效应信息;
步骤208a包括:
步骤2081、根据第一收益率信息、第二收益率信息、预设交互周期值及预设截距项,计算目标业务对应的第四收益率信息;
步骤2082、根据第四收益率信息和预设周期数值,计算第一代理变量;
步骤2083、根据第四收益率信息、预设周期数值和第三收益率信息,计算第二代理变量;
步骤2084、根据预设截距项、程序化交互数据、同质化交互数值、第一代理变量和第二代理变量,计算风险预测值;
步骤2085、根据风险预测值和预设的风险值阈值,确定风险预测结果。
第一收益率信息指的是目标业务在预设交互周期值内的转移资源增值情况;第二收益率信息指的是所有业务在预设交互周期值内的综合增值情况;第三收益率信息表示所有业务年度的转移资源平均增值情况。
终端可以将预设交互周期值作为采集周期,获取预设周期数值项第一收益率信息。
作为示例,终端还可以以预设交互周期值为一个跨度,获取所有业务在前一个预设交互周期值内的转移资源增值情况和后一个预设交互周期值内的转移资源增值情况,并将所有业务在当前预设交互周期值内的转移资源增值情况、在前一个预设交互周期值内的转移资源增值情况和后一个预设交互周期值内的转移资源增值情况共同作为第一收益率信息。
其中,步骤2081可以首先采用如下公式回归分析得到残差项:
Ri,t=β0+β1Rm,t-1+β2Rm,t+β3Rm,t+1+εi,t
其中,Ri,t表示第一收益率信息,Rm,t-1表示所有业务在前一个预设交互周期值内的转移资源增值情况;Rm,t表示所有业务在当前预设交互周期值内的转移资源增值情况,Rm,t+1所有业务在下一个预设交互周期值内的转移资源增值情况;εi,t表示残差项;β0表示预设截距项;t表示预设交互周期值。
由于式中的残差项εi,t有很大偏差,所以通过估计各个业务在预设交互周期值的第四收益率信息:Wi,t=ln(1+εi.t)来将残差项εi.t转化为基本对称分布。
进一步的,步骤2082可以首先采用如下公式计算得到第一代理变量:
NCSKEWi,t表示第一代理变量,n表示预设周期数值,Wi,t表示第四收益率信息。
NCSKEWi,t的值越大,表明偏态系数负的程度越大,则所有业务进行虚拟资源交互的不稳定风险越大。
更进一步的,步骤2083可以首先采用如下公式计算得到第二代理变量:
其中,DUVOLi,t表示第二代理变量,nu表示预设周期数值项第四收益率信息中,第四收益率信息达到第三收益率信息的项数,nd表示预设周期数值项第四收益率信息中,第四收益率信息未达到第三收益率信息的项数;表示任一业务在第四收益率信息达到第三收益率信息的采集周期内,第四收益率信息的平方和。
当DUVOLi,t越大时,代表转移资源增值情况的分布更倾向于左偏,则所有业务进行虚拟资源交互的不稳定风险越大。
在步骤2084中,可以采用如下公式计算得到风险预测值:
CrashRiski,t+1=β0+β1CTi,t+β2PTi,t+γX+τi+ηt+μi,t
其中,CrashRiski,t+1表示风险预测值,包括NCSKEW和DUVOL两个代理变量。β1表示当程序化交易的同质化程度提升1%时,风险预测值CrashRisk上升约β1个单位。若β1的参数估计值显著大于0,代表程序化交易的同质化程度越高,会推升风险。
β2表示当程序化交易程度上升1%时,股价崩盘风险CrashRisk会提高约β2个单位。如果β2显著大于0,则表明程序化交易程度的提高会显著增加个股层面股价崩盘风险。
最后,在步骤2085中,可以比较风险预测值与风险值阈值,当风险预测值达到风险值阈值时,得到风险预测结果为风险较大,当风险预测值未达到风险值阈值时,得到风险预测结果为风险较小。
上述风险预测方法中,通过目标业务的交互数据,可以计算得到目标业务对应的程序化交互数值和同质化交互数值,从而将程序化交互动作和同质化交互动作作为虚拟资源不稳定风险的参考指标,丰富了风险预测的依据内容,从而提高了虚拟资源交互过程中不稳定风险的预测准确度。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的风险预测方法的风险预测装置。该风险预测装置所提供的解决问题的实现方案与上述风险预测方法中所记载的实现方案相似,故下面所提供的一个或多个装置实施例中的具体限定可以参见上文中对于风险预测方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种风险预测装置800,包括:
获取模块802用于响应于预测指令,获取预测指令对应目标业务的交互数据;
确定模块804用于根据交互数据对应的交互对象,确定目标业务对应的程序化交互数据;
计算模块806用于根据交互数据和程序化交互数据,计算目标业务对应的程序化交互数值和同质化交互数值;
预测模块808用于将程序化交互数值及同质化交互数值代入构建好的固定效应模型,得到风险预测结果。
在一些可选的实施例中,预测指令携带有时期标签;
获取模块802还被配置为:
根据时期标签确定预测指令对应的目标时间段;
获取目标时间段内目标业务的交互数据。
在一些可选的实施例中,交互数据包括委托交互数据和业务交互数据;
确定模块804还被配置为:
根据交互对象对应的委托交互数据和业务交互数据,计算交互比值;
将达到预设比值的交互比值对应的业务交互数据作为程序化交互数据。
在一些可选的实施例中,计算模块806还被配置为:
获取目标业务的流通业务数据;
根据交互数据、程序化交互数据和流通业务数据,计算目标业务对应的程序化交互数值和同质化交互数值。
在一些可选的实施例中,交互对象包括业务发起对象和业务接收对象;
计算模块806还被配置为:
将程序化交互数据与交互数据的比值作为程序化交互数值;
根据业务发起对象对应的程序化交互数据和业务接收对象对应的程序化交互数据,计算交互差值;
将交互差值和流通业务数据的比值作为同质化交互数值。
在一些可选的实施例中,预测模块808还被配置为:
获取目标业务对应的业务效应信息和业务收益率信息;
将程序化交互数据、同质化交互数值、业务效应信息和业务收益率信息代入固定效应模型,得到风险预测结果。
在一些可选的实施例中,固定效应模型包括第一收益率信息、第二收益率信息、第三收益率信息、预设交互周期值、预设周期数值、预设截距项和预设效应信息;
预测模块808还被配置为:
根据第一收益率信息、第二收益率信息、预设交互周期值及预设截距项,计算目标业务对应的第四收益率信息;
根据第四收益率信息和预设交互周期值,计算第一代理变量;
根据第四收益率信息、预设周期数值和第三收益率信息,计算第二代理变量;
根据预设残差项、预设截距项、程序化交互数据、同质化交互数值、第一代理变量和第二代理变量,计算风险预测值;
根据风险预测值和预设的风险值阈值,确定风险预测结果。
上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种风险预测方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9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。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述风险预测方法的各个步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序产品被处理器执行时实现上述风险预测方法的各个步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种风险预测方法,其特征在于,包括:
响应于预测指令,获取所述预测指令对应目标业务的交互数据;
根据所述交互数据对应的交互对象,确定所述目标业务对应的程序化交互数据;
根据所述交互数据和所述程序化交互数据,计算所述目标业务对应的程序化交互数值和同质化交互数值;
将所述程序化交互数值及所述同质化交互数值代入构建好的固定效应模型,得到风险预测结果。
2.根据如权利要求1所述的方法,其特征在于,所述预测指令携带有时期标签;
所述响应于预测指令,获取所述预测指令对应目标业务的交互数据,包括:
根据所述时期标签确定所述预测指令对应的目标时间段;
获取所述目标时间段内所述目标业务的交互数据。
3.根据如权利要求1所述的方法,其特征在于,所述交互数据包括委托交互数据和业务交互数据;
所述根据所述交互数据对应的交互对象,确定所述目标业务对应的程序化交互数据,包括:
根据所述交互对象对应的委托交互数据和业务交互数据,计算交互比值;
将达到预设比值的交互比值对应的业务交互数据作为所述程序化交互数据。
4.根据如权利要求1所述的方法,其特征在于,所述根据所述交互数据和所述程序化交互数据,计算所述目标业务对应的程序化交互数值和同质化交互数值之前,包括:
获取所述目标业务的流通业务数据;
所述根据所述交互数据和所述程序化交互数据,计算所述目标业务对应的程序化交互数值和同质化交互数值,包括:
根据所述交互数据、所述程序化交互数据和所述流通业务数据,计算所述目标业务对应的程序化交互数值和同质化交互数值。
5.根据如权利要求4所述的方法,其特征在于,所述交互对象包括业务发起对象和业务接收对象;
所述根据所述交互数据、所述程序化交互数据和所述流通业务数据,计算所述目标业务对应的程序化交互数值和同质化交互数值,包括:
将所述程序化交互数据与所述交互数据的比值作为所述程序化交互数值;
根据所述业务发起对象对应的程序化交互数据和所述业务接收对象对应的程序化交互数据,计算交互差值;
将所述交互差值和所述流通业务数据的比值作为所述同质化交互数值。
6.根据如权利要求1所述的方法,其特征在于,所述将所述程序化交互数据及所述同质化交互数值代入构建好的固定效应模型,得到风险预测结果之前,包括:
获取所述目标业务对应的业务效应信息和业务收益率信息;
所述将所述程序化交互数据及所述同质化交互数值代入构建好的固定效应模型,得到风险预测结果,包括:
将所述程序化交互数据、所述同质化交互数值、所述业务效应信息和所述业务收益率信息代入所述固定效应模型,得到风险预测结果。
7.根据如权利要求6所述的方法,其特征在于,所述固定效应模型包括第一收益率信息、第二收益率信息、第三收益率信息、预设交互周期值、预设周期数值、预设截距项和预设效应信息;
所述将所述程序化交互数据、所述同质化交互数值、所述业务效应信息和所述预设效应信息代入构建好的固定效应模型,得到风险预测结果,包括:
根据所述第一收益率信息、所述第二收益率信息、所述预设交互周期值及所述预设截距项,计算所述目标业务对应的第四收益率信息;
根据所述第四收益率信息和所述预设交互周期值,计算第一代理变量;
根据所述第四收益率信息、所述预设周期数值和所述第三收益率信息,计算第二代理变量;
根据所述预设残差项、所述预设截距项、所述程序化交互数据、所述同质化交互数值、所述第一代理变量和所述第二代理变量,计算风险预测值;
根据所述风险预测值和预设的风险值阈值,确定所述风险预测结果。
8.一种风险预测装置,其特征在于,包括:
获取模块,用于响应于预测指令,获取所述预测指令对应目标业务的交互数据;
确定模块,用于根据所述交互数据对应的交互对象,确定所述目标业务对应的程序化交互数据;
计算模块,用于根据所述交互数据和所述程序化交互数据,计算所述目标业务对应的程序化交互数值和同质化交互数值;
预测模块,用于将所述程序化交互数值及所述同质化交互数值代入构建好的固定效应模型,得到风险预测结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的风险预测方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的风险预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410343080.4A CN118052332A (zh) | 2024-03-25 | 2024-03-25 | 风险预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410343080.4A CN118052332A (zh) | 2024-03-25 | 2024-03-25 | 风险预测方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118052332A true CN118052332A (zh) | 2024-05-17 |
Family
ID=91044884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410343080.4A Pending CN118052332A (zh) | 2024-03-25 | 2024-03-25 | 风险预测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118052332A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170124662A1 (en) * | 2015-10-28 | 2017-05-04 | Fractal Industries, Inc. | Risk quantification for insurance process management employing an advanced decision platform |
CN115760390A (zh) * | 2022-11-08 | 2023-03-07 | 中国银行股份有限公司 | 业务数据处理方法、装置和网点终端设备 |
CN116757476A (zh) * | 2023-06-25 | 2023-09-15 | 中国工商银行股份有限公司 | 一种风险预测模型的构建、风险防控方法和装置 |
CN117473130A (zh) * | 2023-10-31 | 2024-01-30 | 中国建设银行股份有限公司 | 业务处理方法、装置、设备、介质和程序产品 |
-
2024
- 2024-03-25 CN CN202410343080.4A patent/CN118052332A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170124662A1 (en) * | 2015-10-28 | 2017-05-04 | Fractal Industries, Inc. | Risk quantification for insurance process management employing an advanced decision platform |
CN115760390A (zh) * | 2022-11-08 | 2023-03-07 | 中国银行股份有限公司 | 业务数据处理方法、装置和网点终端设备 |
CN116757476A (zh) * | 2023-06-25 | 2023-09-15 | 中国工商银行股份有限公司 | 一种风险预测模型的构建、风险防控方法和装置 |
CN117473130A (zh) * | 2023-10-31 | 2024-01-30 | 中国建设银行股份有限公司 | 业务处理方法、装置、设备、介质和程序产品 |
Non-Patent Citations (1)
Title |
---|
齐畅: "中国农业银行长春分行对公客户关系管理优化研究", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》, no. 2, 15 February 2024 (2024-02-15), pages 152 - 963 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210150378A1 (en) | Recommendation method, recommendation apparatus, recommendation device, recommendation system and storage medium | |
US20180082262A1 (en) | Optimize meeting based on organizer rating | |
CN116303657A (zh) | 群体画像生成方法、装置、计算机设备和存储介质 | |
CN118052332A (zh) | 风险预测方法、装置、设备和存储介质 | |
CN117112206B (zh) | 交易资源隔离方法、装置、计算机设备和存储介质 | |
CN115329733B (zh) | 报表统计方法、装置、计算机设备和存储介质 | |
CN116109077A (zh) | 担保资源处理方法、装置、计算机设备和存储介质 | |
CN112949670B (zh) | 用于联邦学习模型的数据集切换方法和装置 | |
CN117575261A (zh) | 资源需求处理方法、装置、设备、介质和计算机程序产品 | |
CN118227286A (zh) | 基于多方安全计算的任务分批处理方法和装置 | |
CN116126490A (zh) | 资源调度方法、装置、计算机设备和存储介质 | |
CN116452214A (zh) | 基于区块链的售后信息处理方法、装置和计算机设备 | |
CN117390490A (zh) | 用电信用报告的生成方法、装置、设备、存储介质和产品 | |
CN117634751A (zh) | 数据要素评估方法、装置、计算机设备以及存储介质 | |
CN118096231A (zh) | 金融活动数据处理方法、装置、设备、介质和程序产品 | |
CN118627739A (zh) | 数据处理方法、装置、计算机设备、可读存储介质和程序产品 | |
CN117372152A (zh) | 资源归还计划信息生成方法、装置和计算机设备 | |
CN116595054A (zh) | 交互状态确定方法、装置和计算机设备 | |
CN118449915A (zh) | 金融业务推荐链接转发数据传输方法、装置和计算机设备 | |
CN117724830A (zh) | 配置应用资源的方法、装置和计算机设备 | |
CN115409581A (zh) | 基于用户行为配置化的产品推荐方法、装置、设备及介质 | |
CN115456568A (zh) | 流程审批方法、装置、计算机设备、存储介质和程序产品 | |
CN117312405A (zh) | 用户异常等级确定方法、装置、计算机设备、介质和产品 | |
CN117198557A (zh) | 资源数据处理方法、装置、计算机设备、存储介质 | |
CN116881546A (zh) | 资源推荐方法、装置、设备和存储介质 |
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 |