TW201901578A - 確定使用者風險等級的方法及裝置、電腦設備 - Google Patents
確定使用者風險等級的方法及裝置、電腦設備 Download PDFInfo
- Publication number
- TW201901578A TW201901578A TW107109024A TW107109024A TW201901578A TW 201901578 A TW201901578 A TW 201901578A TW 107109024 A TW107109024 A TW 107109024A TW 107109024 A TW107109024 A TW 107109024A TW 201901578 A TW201901578 A TW 201901578A
- Authority
- TW
- Taiwan
- Prior art keywords
- user
- risk
- level
- index
- determining
- Prior art date
Links
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
- G06Q40/06—Asset management; Financial planning or analysis
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種確定使用者風險等級的方法及裝置、電腦設備,以提高使用者風險等級的準確性。其中,確定使用者風險等級的方法包括:獲取使用者的第一使用者資料和第二使用者資料,所述第一使用者資料反映至少一種與使用者的風險承受能力相關的使用者屬性,所述第二使用者資料為所述使用者在涉及風險的業務中產生的行為資料;根據所述第一使用者資料,確定用於表徵所述使用者的風險承受能力的第一指數;根據所述第二使用者資料,確定用於表徵所述使用者的風險偏好程度的第二指數;根據所述第一指數和所述第二指數,確定所述使用者的使用者風險等級。
Description
本案涉及大數據技術領域,尤其涉及一種確定使用者風險等級的方法及裝置、電腦設備。
隨著網際網路的發展,很多業務都可以透過網際網路平台來實現。在一些業務的營運過程中,平台需要對使用者的風險水準進行評估,並利用評估出的各個使用者的風險水準來支撐業務的營運。例如,在網際網路投資理財情境下,平台給使用者推薦的理財產品應該符合使用者的風險水準。 目前,網際網路平台普遍採用問卷調查方式讓使用者填寫與風險水準評估相關的內容,以確定出使用者的風險水準指數,但是,問卷調查方式效率較低,且並不能保證使用者填寫的內容與其自身實際情況相符,導致無法準確地確定出每一使用者的風險水準。
有鑑於此,本案提供一種確定使用者風險等級的方法及裝置、電腦設備。 為實現上述目的,本案提供的技術方案如下: 根據本案的第一方面,提出了一種確定使用者風險等級的方法,包括: 獲取使用者的第一使用者資料和第二使用者資料,所述第一使用者資料反映至少一種與使用者的風險承受能力相關的使用者屬性,所述第二使用者資料為所述使用者在涉及風險的業務中產生的行為資料; 根據所述第一使用者資料,確定用於表徵所述使用者的風險承受能力的第一指數; 根據所述第二使用者資料,確定用於表徵所述使用者的風險偏好程度的第二指數; 根據所述第一指數和所述第二指數,確定所述使用者的使用者風險等級。 根據本案的第二方面,提出了一種確定使用者風險等級的方法,包括: 獲取使用者的用於反映至少一種使用者屬性的使用者資料,所述使用者屬性與使用者的風險承受能力相關; 根據所述使用者資料,確定所述使用者在多個使用者屬性中每個使用者屬性下的屬性特徵; 根據所述屬性特徵,確定用於表徵所述使用者的風險承受能力的第一指數; 根據所述第一指數,確定所述使用者的使用者風險等級。 根據本案的第三方面,提出了一種確定使用者風險等級的裝置,包括: 第一獲取單元,獲取使用者的第一使用者資料和第二使用者資料,所述第一使用者資料反映至少一種與使用者的風險承受能力相關的使用者屬性,所述第二使用者資料為所述使用者在涉及風險的業務中產生的行為資料; 第一確定單元,根據所述第一使用者資料,確定用於表徵所述使用者的風險承受能力的第一指數; 第二確定單元,根據所述第二使用者資料,確定用於表徵所述使用者的風險偏好程度的第二指數; 風險等級確定單元,根據所述第一指數和所述第二指數,確定所述使用者的使用者風險等級。 根據本案的第四方面,提出了一種電腦設備,包括: 處理器; 用於儲存處理器可執行指令的記憶體; 所述處理器被配置為: 獲取使用者的第一使用者資料和第二使用者資料,所述第一使用者資料反映至少一種與使用者的風險承受能力相關的使用者屬性,所述第二使用者資料為所述使用者在涉及風險的業務中產生的行為資料; 根據所述第一使用者資料,確定用於表徵所述使用者的風險承受能力的第一指數; 根據所述第二使用者資料,確定用於表徵所述使用者的風險偏好程度的第二指數; 根據所述第一指數和所述第二指數,確定所述使用者的使用者風險等級。 透過以上技術方案可以看出,上述過程透過獲取使用者資料,並根據獲取到的使用者資料來確定第一指數和/或第二指數,並根據第一指數和/或第二指數來確定使用者的風險等級,最終得到的使用者風險等級準確性高,且效率高。
本案旨在尋找一種能快速、準確地衡量使用者對可能面臨的各類風險的接受程度或偏好程度的方法,該方法可以透過大數據技術來實現。以使用者在投資理財過程中所面臨的投資風險為例,可透過兩個主要方面來評估使用者在投資理財時的使用者風險水準:其一,使用者主觀上對風險的偏好,即使用者在心理上對投資風險、波動性、投資可能造成的損失等是否偏好或厭惡,以及偏好或厭惡的程度;其二,使用者客觀的風險承受能力,即衡量投資風險、投資可能造成的損失等因素對使用者的實際生活、或使用者的生活目標等產生的影響大小。其中,關於使用者主觀上對風險的偏好,不同的使用者對風險的偏好不盡相同,有的使用者偏向於購買高風險、高回報的理財產品(如股票、基金等),有的使用者則偏向於購買低風險、低回報的理財產品(如餘額寶等第三方活期資金理財產品)。為更好地服務於使用者,網際網路平台需要對使用者主觀上對風險的偏好程度進行評估,以根據使用者的風險偏好程度,向使用者推薦合適的金融產品,或評估銷售給使用者的金融產品是否適合該使用者等。 在相關技術中,可以透過填寫問卷的形式來獲得使用者風險水準,問卷中的問題包括:家庭組成、收入情況、風險偏好類型等。然而,問卷調查方式至少存在如下弊端中的一種或多種: 第一,無法獲得與實際情況盡可能一致的結果。主要因素包括:使用者在問卷上所填寫的內容往往與使用者自身實際情況不符,存在主管上造假的可能性;或者,對於問卷上的部分問題,使用者不知如何回答,例如,詢問使用者能承受多少百分比的損失,這種問題使用者並不知道如何回答;等等。 第二,問卷的形式過於簡單,資料證明問卷調查的結果與使用者真正表現出來的行為差異巨大。總之,問卷調查的形式獲得的結果準確性有待提高,為提高準確性,本案提出一種能夠更為準確、高效地確定使用者風險水準的方法,以下透過各種實施例來敘述這一技術方案。 圖1示出了一示例性實施例提供的一種確定使用者風險等級的方法的流程。該方法可應用於電腦設備(如提供投資理財業務的平台伺服器、雲端計算平台等)。如圖1所示,在一實施例中,該方法包括下述步驟101~104,其中: 在步驟101中,獲取使用者的第一使用者資料和第二使用者資料,所述第一使用者資料反映至少一種與使用者的風險承受能力相關的使用者屬性,所述第二使用者資料為所述使用者在涉及風險的業務中產生的行為資料。 關於第一使用者資料,可以是使用者在使用各類APP的過程中產生的使用者資料。這類第一使用者資料所反映的使用者屬性可以包括但不限於:使用者的年齡,性別,家庭組成,所處的人生階段,收入情況,個人資產,家庭資產,貸款情況等。上述各類使用者屬性的屬性特徵可以透過應用內容由使用者填寫的資料直接得到,也可以透過各類使用者資料進行計算而間接得到。後者例如,使用者的收入,可以透過銀行卡的流水情況來計算;使用者的資產情況,可以透過名下所擁有的房產情況以及其他資產情況來估算,等等。 所述業務可為透過網際網路形式來實現的各類為使用者提供服務的業務,如:自助繳費等生活服務類業務、投資理財等金融類業務。一般地,可開發提供上述業務的應用APP,讓使用者透過APP來參與這些業務,並且,可在同一個APP上提供多種涉及風險的業務。其中,這類業務通常涉及到風險,包括如下情況:①使用者參與業務後可能面臨風險,如:使用者參與投資理財業務後可能造成資金虧損。②與業務相關的特定事件存在風險,如:使用者透過違規繳費業務進行自動繳費,與該業務相關的事件為交通駕駛事件,而交通駕駛事件是存在風險的;又比如,使用者透過醫療服務業務來預約體檢或預約看病等,體檢事件或看病事件也涉及到使用者在身體健康上所面臨的風險;等等。 使用者在透過APP針對上述涉及風險的各類業務進行操作的過程中,可以產生各類使用者資料。在一實施例中,使用者資料可以是與使用者的操作行為對應的行為資料,以投資理財業務為例,使用者的操作行為包括但不限於:使用者在APP上針對某類資訊的搜尋行為,使用者在APP上針對某類資訊的查看行為,使用者在APP上針對某類資訊的評論行為,以及使用者在APP上針對某類金融產品的購買行為。其中,使用者的各種操作行為可以發生在投資的各個階段,如:投資行為發生之前、投資中以及結束投資行為之後。上述行為資料可包括但不限於:使用者查看的內容,使用者的查看動作發生的時刻(起始時刻或終止時刻),查看動作持續的時長等。在一實施例中,使用者資料也可以是與業務相關的其他事件所反映的資料。如,使用者的交通駕駛事件涉及的資料(包括違規次數,違規類型等),使用者的體檢事件涉及的資料(包括體檢的時間,體檢的內容等)。產生的使用者資料可被儲存到資料庫中,以便在需要確定使用者的風險偏好時能獲取到相關的使用者資料。 在上述步驟101完成之後,進入步驟102以及步驟103。 在步驟102中,根據所述第一使用者資料,確定用於表徵所述使用者的風險承受能力的第一指數。 使用者的風險承受能力主要受使用者所處的人生階段以及使用者的財富水準影響。在一實施例中,步驟102可具體透過如下過程來實現: 步驟1021:根據所述第一使用者資料,確定所述使用者在多個使用者屬性中每個使用者屬性下的屬性特徵。 步驟1022:根據所述屬性特徵,確定用於表徵所述使用者的風險承受能力的第一指數。 在一可選實施例中,在步驟1022中,可以將所述屬性特徵輸入第一機器分類模型,並將所述第一機器分類模型的輸出確定為用於表徵所述使用者的風險承受能力的第一指數。 其中,可以為每一種使用者屬性預先確定一個或多個區間,並為每個區間對應一個屬性特徵。例如,使用者屬性為個人資產,按照金額設定多個區間為:0~50萬RMB,50~200萬RMB,200~1000萬RMB等。其中,可定義0~50萬RMB對應的屬性特徵為“1”(代表財富水準低的人群),可定義50~200萬RMB對應的屬性特徵為“2”(代表財富水準中等的人群),可定義200~1000萬RMB對應的屬性特徵為“3”(代表財富水準高的人群)。以此類推,可以按照獲取到的第一使用者資料,分別確定各個使用者屬性下的屬性特徵。 在一實施例中,所述第一指數可為所述使用者的風險承受能力等級。例如,可在風險承受能力這個維度,將使用者的風險承受能力等級分為低、中低、中、中高、高五類。其中,財富水準低,且年紀大、生活壓力大的使用者可被分到“低”這一類;財富水準高,且年輕小、生活壓力小的使用者可被分到“高”這一類;其餘三類為介於“低”和“高”之間的使用者。當然,第一指數也可以是表徵使用者的風險承受能力的數值(可介於0~1之間),其中該數值越大,表明使用者的風險承受能力越高。 其中,上述第一機器分類模型可以透過機器學習演算法來訓練獲得。 在其他實施例中,也可以透過人為經驗來確定與每種使用者屬性對應的影響係數,並利用確定的各個影響係數進行加權求和,來計算得到最終的第一指數。 在步驟103中,根據所述第二使用者資料,確定用於表徵所述使用者的風險偏好程度的第二指數。 在一實施例中,步驟103可以透過如下過程來實現: 步驟1031:根據所述第二使用者資料確定所述使用者在多個設定變量中每個設定變量下的特徵值,其中,所述設定變量中包括至少一個確定影響使用者的風險偏好程度的設定變量。 實際上,涉及風險的業務中所產生的第二使用者資料,並不是所有資料都能夠反映使用者的風險偏好程度,即並不是所有資料都與使用者的風險偏好程度存在關聯性。通常,只有部分第二使用者資料是實際與使用者的風險偏好程度存在關聯性,這部分資料是在確定使用者風險偏好時需要獲取的目標資料。例如,使用者的體檢事件可以反映出使用者在面臨健康風險時的態度,按照常規理解,這可以反映出使用者對其他類型風險的態度,則與體檢事件對應的某些資料可能與使用者的風險編好程度存在關聯性。 為此,可以設定好一個或多個能夠影響到使用者的風險偏好程度的設定變量。以使用者的資訊搜尋行為為例,如果使用者在APP內搜尋的內容大多包含“股票”或“基金”等詞條,或搜尋的金融產品的類型為“股票類”或“基金類”,則在一定程度上可以反映出該使用者偏好於高風險(即使用者對投資風險的偏好程度高),反之,如果使用者經常搜尋的內容是低風險的金融產品,則可以反映出該使用者偏好於低風險(即使用者對投資風險的偏好程度低)。在該例子中,上述搜尋行為對應的設定變量便為:搜尋內容所屬的類型,相應地,可以針對每一種內容類型,預先確定一個與該內容類型對應的特徵值(即設定變量的賦值)。例如:將內容類型分為高風險類型、中風險類型及低風險類型,與高風險類型對應的特徵值為1,與中風險類型對應的特徵值為0.5,與低風險類型對應的特徵值為0。以使用者的資訊查看行為為例,使用者A在購買某一金融產品X之前,需要查看100個其他金融產品,使用者B在購買某一金融產品X之前,需要查看10個其他金融產品,則表明使用者A對投資風險是較為理性的,而使用者B對投資風險則不太在意,也就是說,使用者A對風險的偏好程度要低於使用者B對風險的偏好程度。在該例子中,設定變量為:使用者在投資行為發生之前查看的金融產品的數目。設定變量的種類很多,本文不再一一作列舉。 在一實施例中,可以預先定義出多種候選的設定變量,並透過相關技術手段來逐一驗證這些候選的設定變量是否與使用者對投資風險的偏好程度之間存在相關性,並最終選出與使用者的風險偏好程度有相關性的設定變量。關於如何驗證出與使用者的風險偏好程度有相關性的設定變量的過程,將在下文予以詳述。 需提及的是,所述多個設定變量中可以包括部分對使用者的風險偏好程度沒有影響或影響性較低(或相關性較低)的設定變量,例如,將這類設定變量的影響係數設定為0或接近於0。 使用者在使用APP過程中的操作所產生的使用者資料,通常是一種統計值。在一可選的實施例中,為了更加準確地計算出使用者的風險偏好指數,可以預先為每一種設定變量設定多個統計值區間,並利用這些統計值區間來確定目標使用者在各個設定變量下的特徵值。以使用者在投資之前查看的高風險類金融產品的數目為例,可以預先定義三個統計值區間:1~10,10~20,20~50,並定義這三個統計值區間對應的特徵值分別為:0.1,0.2,0.3,則,當某使用者在在投資之前查看的高風險類金融產品的數目介於1~10時,該設定變量的特徵值為0.1;當某使用者在在投資之前查看的高風險類金融產品的數目介於10~20時,該設定變量的特徵值為0.2;當某使用者在在投資之前查看的高風險類金融產品的數目介於20~50時,該設定變量的特徵值為0.3。同理,按照這一規則可以確定出其他類型的設定變量的特徵值。 能夠想到的是,使用者在生活中面臨的風險種類(包括投資理財類風險及非投資類風險)很多,為了更加準確地確定出能夠衡量使用者的風險偏好程度的高低的風險偏好指數,需要盡可能獲取使用者在面臨各類風險時的行為資料,並依據使用者在面臨各類風險時所作出的選擇或操作,來確定使用者的風險偏好程度的高低。舉例來說,非投資類風險包括但不限於:使用者在職業上面臨的風險、使用者在身體健康狀況上面臨的風險、使用者在從事體育運動所面臨的風險、使用者開車時所面臨的風險、其他金融情境下所面臨風險等。其中,使用者面臨職業風險時,設定變量可包括:選擇自主創業還是銀行政府等高穩定行業,或使用者換工作的頻率等;使用者面臨身體健康上的風險時,設定變量可包括使用者體驗的頻率,穩定性,或使用者購買保健用品的情況等;使用者在從事體育運動時,設定變量可包括:使用者是否喜歡從事高風險運動,例如登山,滑雪以及使用者是否喜歡從事低風險運動,例如釣魚;使用者開車時面臨的風險,設定變量可包括:使用者開車的速度,是否經常超速或違規次數等;當使用者的其他金融情境,設定變量可包括:使用者是否購買充足的保險防範未來,使用者偏好於選擇信用卡支付,提前消費,還是儲蓄卡消費等。上述各類風險相關的使用者資料,也可以透過提供相關業務的APP對應的後台資料庫來獲取。 可針對其他非投資類風險設計出一個或多個設定變量,並透過相關技術手段來逐一驗證每一個設定變量是否為與使用者的風險偏好程度有相關性的設定變量。 步驟1032:將所述使用者在每個設定變量下的特徵值輸入第二機器分類模型,並將所述第二機器分類模型的輸出確定為用於表徵所述使用者的風險偏好程度的第二指數。 其中,在一實施例中,可為每個設定變量預先確定一個影響係數,則計算風險偏好指數的過程大致為:先將每個設定變量的特徵值乘以該設定變量對應的影響係數,再將各個乘積相加,將相加所得的和值確定為使用者的風險偏好指數。 在另一實施例中,可預先訓練出機器分類模型,則在步驟103中,將所述使用者在每個設定變量下的特徵值輸入機器分類模型,並將所述機器分類模型的輸出確定為所述使用者的風險偏好指數。上述機器分類模型的輸入為所述多個設定變量中每個設定變量下的特徵值,所述機器分類模型的輸出為使用者被分類為高風險偏好類型的可能性。其中,若將對風險的偏好程度最低的這一類使用者定義為“低風險偏好類型的使用者”,若將對風險的偏好程度最高的這一類使用者定義為“高風險偏好類型的使用者”,則,“低風險偏好類型的使用者”對應的風險偏好指數等於或無限接近於0,“高風險偏好類型的使用者”對應的風險偏好指數等於或無限接近於1。其中,若某個使用者的風險偏好指數越接近於0,則代表該使用者屬於“低風險偏好類型的使用者”的可能性越高,若某個使用者的風險偏好指數越接近於1,則代表該使用者屬於“高風險偏好類型的使用者”的可能性越高。 圖2為根據一示例性實施例示出的一種訓練機器分類模型的過程。如圖2所示,在一可選的實施例中,為提高準確性,可以透過以下過程訓練出所述機器分類模型: 步驟11:篩選出多個樣本使用者,所述多個樣本使用者包括多個高風險偏好類型的樣本使用者和多個低風險偏好類型的樣本使用者。 其中,屬於高風險偏好類型的樣本使用者通常是在投資中表現出對風險或損失不在乎甚至喜好的態度。相反,屬於低風險偏好類型的樣本用通常是在投資中極度厭惡風險,並極力避免損失的產生。一般地,兩類樣本在行為上具有明顯的差異性。 關於如何篩選出多個樣本使用者的過程,又多種可行的實現方式,本文列舉兩種: 在一實施例中,步驟11可以具體透過如下過程來實現: 基於定義的高風險偏好規則和低風險偏好規則。將使用者資料符合所述高風險偏好規則的使用者確定為高風險偏好類型的樣本使用者,將使用者資料符合所述低風險偏好規則的使用者確定為低風險偏好類型的樣本使用者。與常規的定義不同,規則的定義不依賴於使用者是否買了高風險產品。本文涉及的規則的定義取自於心理學、行為金融學以及決策科學下的相關理論。例如,透過考察使用者在面臨損失時的心理狀態和實際行為來定義使用者所歸屬的風險偏好類型。在該情境下,定義的一種“高風險偏好規則”可為“虧了後不在乎,繼續買”,例如:使用者在虧損的資金比例≥20%,和/或虧損金額≥500RMB時,仍繼續購買一定數量的高風險產品;定義的一種“低風險偏好規則”可為“虧了以後就不敢看”:使用者在帳戶盈利時頻繁地查看個人資產盈利情況,而帳戶產生大幅虧損時,就不敢再查看個人資產盈利情況。再比如,透過考察使用者在波動行情下的心理狀況和實際行為來定義使用者所歸屬的風險偏好類型。在該情境下,定義的“低風險偏好規則”為“波動時更敏感”:在股票大盤平穩時,使用者不關心自己的資產,但每當大盤大幅波動時(例如下跌1%),使用者就頻繁地登錄並查看自己的資產。當然,為提高篩選出的樣本使用者的準確性,可以分別定義出多種不同的“高風險偏好規則”以及多種不同的“低風險偏好規則”,並利用這些規則以及已有的使用者資料,篩選出符合各類規則的樣本使用者,並打上“高風險偏好”或“低風險偏好”的類型標籤。 在另一實施例中,步驟11可以具體透過如下過程來實現: 基於用於測試使用者風險偏好的實驗應用及定義的高風險偏好規則和低風險偏好規則,將在所述實驗應用中的行為符合所述高風險偏好規則的使用者確定為高風險偏好類型的樣本使用者,將在所述實驗應用中的行為符合所述低風險偏好規則的使用者確定為低風險偏好類型的樣本使用者。例如,開發一款“吹氣球”的遊戲,遊戲中使用者的任務是不斷地吹氣球,並獲得與所吹氣球大小正相關的金錢數額。與實際生活中的氣球一樣,如果使用者將氣球吹得過大(使用者吹的次數越多,氣球越大),氣球會爆炸,但是,氣球被吹多大會爆是未知的。每一輪遊戲使用者都面臨吹一次或離開的選擇。如果使用者選擇吹氣球,則將會有兩種結果:①氣球變大,獲得的金錢更多,②氣球吹爆了,已獲得的金錢歸零。而如果使用者選擇離開,則使用者可以獲得當前已經積累的金錢。在該遊戲中,可以將吹氣球的次數超過一定數量臨限值a(設定的值)的使用者定義成高風險偏好使用者,而將低於另一數量臨限值b(設定的值)的使用者定義成低偏好偏好使用者,將介於a、b之間的使用者定義為不明確使用者。當然,用於獲得樣本的實驗遊戲還可以為其它類型,本文不一一列舉。 步驟12:獲取所述多個樣本使用者中每個樣本使用者在預設的多個設定變量中每個設定變量下的特徵值。其中,所述特徵值可以根據各個樣本使用者的使用者資料來確定。這裡的設定變量是預先設計的各種可能與風險偏好相關的變量。 步驟13:根據所述多個樣本使用者中每個樣本使用者在每個設定變量下的特徵值,以及每個樣本使用者對應的風險偏好類型,訓練出所述機器分類模型;其中,所述機器分類模型的輸入為所述多個設定變量中每個設定變量下的特徵值,所述機器分類模型的輸出為使用者被分類為高風險偏好類型的可能性。其中,訓練模型所採用的機器學習方法可以包括但不限於:線性回歸(linear regression)、邏輯回歸(logistic regression)等。 在訓練出備用的機器分類模型之後,便可以將所述目標使用者在每個設定變量下的特徵值輸入機器分類模型,以輸出所述目標使用者的風險偏好指數。其中,可根據需要將使用者的風險偏好程度劃分為多個等級,如:低、中、高,並根據輸出的風險偏好指數來確定使用者的風險偏好程度的等級。例如,風險偏好指數介於0~0.3時,風險偏好程度的等級為“低”,風險偏好指數介於0.3~0.6時,風險偏好程度的等級為“中”,風險偏好指數介於0.6~1時,風險偏好程度的等級為“高”。 關於如何確定影響使用者的風險偏好程度的設定變量,在本案一實施例中,可以利用上述確定的樣本使用者來驗證。如圖3所示,可透過如下過程確定影響使用者的風險偏好程度的設定變量: 步驟21:篩選出多個樣本使用者,所述多個樣本使用者包括多個高風險偏好類型的樣本使用者和多個低風險偏好類型的樣本使用者。 步驟22:對於任一待驗證的設定變量,獲取所述多個樣本使用者中每一樣本使用者在該待驗證的設定變量下的特徵值。 步驟23:利用每一樣本使用者在該待驗證的設定變量下的特徵值及每一樣本使用者對應的風險偏好類型,驗證所述待驗證的設定變量是否為影響使用者的風險偏好程度的設定變量。 在一可選實施例中,該步驟23可以具體透過如下過程來實現: 步驟231:基於每一樣本使用者在該待驗證的設定變量下的特徵值,確定所述多個高風險偏好類型的樣本使用者在該待驗證的設定變量下的特徵值規律,以及所述多個低風險偏好類型的樣本使用者在該待驗證的設定變量下的特徵值規律。例如:所述特徵值規律包括:對多個特徵值進行求平均運算所得的均值,或多個特徵值的分佈區間等。 步驟232:如果所述高風險偏好類型對應的特徵值規律和所述低風險偏好類型對應的特徵值規律之間的差異符合設定條件,將所述待驗證的設定變量確定為影響使用者的風險偏好程度的設定變量。 其中,對於影響使用者的風險偏好程度的設定變量,“高風險偏好類型”和“低風險偏好類型”的使用者樣本在該設定變量上的特徵值規律會呈現較大的差異,反之,若某設定變量對使用者的風險偏好程度不產生影響,則“高風險偏好類型”和“低風險偏好類型”的使用者樣本在該設定變量上的特徵值規律會差異較小甚至幾乎相同。為此,可以設定用於衡量差異的設定條件,來判斷“高風險偏好類型”和“低風險偏好類型”的使用者樣本在該設定變量上的特徵值規律差異是否滿足該設定條件,以最終確定出符合條件的設定變量。 例如,倘若待驗證的設定變量為“使用者在投資行為發生之前查看的金融產品的數目”,假設預先篩選的“高風險偏好類型”的8個使用者樣本在該設定變量下的特徵值分別為: {3、1、4、10、5、6、1、3}; 假設預先篩選的“低風險偏好類型”的8個使用者樣本在該設定變量下的特徵值分別為: {9、6、7、10、13、8、8、11}; 若定義的設定條件為:“高風險偏好類型”的使用者樣本在該設定變量下的各特徵值的均值x和“低風險偏好類型”的使用者樣本在該設定變量下的各特徵值的均值y之間的差值大於4。 透過計算,得出x=4.15,y=9,可見,滿足上述設定條件,可確定“使用者在投資行為發生之前查看的金融產品的數目”為影響使用者的風險偏好程度的設定變量。 在另一可選的實施例中,上述步驟23也可以具體透過如下過程來實現: 分別統計大於設定臨限值的特徵值在所述多個樣本使用者中分佈情況,並根據分佈情況來確定該設定變量是否為影響使用者的風險偏好程度的設定變量。 例如,在上述例子中,如設定臨限值為5,則統計得出,大於5的特徵值的分佈情況為:2個“高風險偏好類型”的樣本使用者以及8個“低風險偏好類型”的樣本使用者,可見,該設定變量對應的特徵值在兩種類型的使用者樣本上的分佈情況存在明顯的不均勻,表明該設定變量對使用者風險偏好產生較大的影響,可將其確定為影響使用者的風險偏好程度的設定變量。 當然,在可選的其他實施例中,可以根據人為經驗來設計一種或多種影響使用者的風險偏好程度的設定變量。 在上述步驟102和步驟103完成之後,進入步驟104。 在步驟104中,根據所述第一指數和所述第二指數,確定所述使用者的使用者風險等級。 在一實施例中,上述第一指數和第二指數可以分別是用於反映風險承受能力以及風險偏好程度的分值(如介於0~1之間)。其中,通常,分值越大,可表示風險承受能力越高或風險偏好程度越高。 在一實施例中,則上述步驟104具體透過如下過程來實現: 根據所述第一指數確定所述使用者的風險承受能力等級;其中,可以將使用者的風險承受能力從低到高劃分出多個等級,每個等級可以對應於一個關於第一指數的值區間。 根據所述第二指數確定所述使用者的風險偏好程度等級;其中,同樣地,可以將使用者的風險偏好程度從低到高劃分出多個等級,每個等級可以對應於一個關於第二指數的值區間。 根據預先確定的等級對應表,確定所述使用者的使用者風險等級,其中,所述等級對應表用以描述所述風險承受能力等級、所述風險偏好程度等級以及所述使用者風險等級之間的對應關係。本案實施例中,根據一般需求,需要將風險承受能力等級和風險偏好程度等級進行融合,以得到一個最終能夠反映出使用者在投資方面的風險水準的使用者風險等級。通常,使用者的風險承受能力等級越高或風險偏好程度等級越高,該使用者的使用者風險等級也相應越高。 在一實施例中,可以透過如下過程來確定上述等級對應表: 分別確定風險承受能力等級、風險偏好程度等級以及使用者風險等級的等級數。其中,可以根據實際需求,人為設定上述各個等級的等級數。或者,由電腦根據預定義的規則來確定上述各個等級對應的等級數。例如,根據平台使用者數來確定各個等級相關的等級數,可以定義當平台使用者數大於一定數量時,增加等級數;或者,定義使用者風險等級對應的等級數不小於上述風險承受能力等級以及風險偏好程度等級對應的等級數,等等。 基於確定的等級數,確定與每一個使用者風險等級相對應的風險承受能力等級和風險偏好程度等級,得到所述等級對應表。 在設定好上述各類等級相對應的等級數之後,可以分別確定出與每一個使用者風險等級相對應的風險承受能力等級和風險偏好程度等級。其中,同樣地,可以人為確定與每一個使用者風險等級相對應的風險承受能力等級和風險偏好程度等級,也可以由電腦按照預定義規則來確定,其中,預定義規則例如:關於每個使用者風險等級在表中出現的次數,中間等級在表中出現的次數可以大於高等級或低等級出現的次數,等等。 在其他實施例中,也可以分別為“風險偏好程度”和“風險承受能力”設定相應的權重,根據預先劃分的風險偏好程度等級以及風險承受能力等級,並結合上述權重,計算出每一個風險偏好程度等級和風險承受能力等級的結合點所對應的分值(該分值反映出最終的使用者風險等級的高低),最終,可以根據計算出的各個分值,來確定出與上述每個結合點對應的使用者風險等級。本文關於確定等級對應表的過程不作限制,當然,等級的對應關係可以不以表格的形式存在。 例如,上述等級對應表如下表1所示: 表1:
其中,若以風險承受能力為主,以風險偏好程度為輔,即風險承受能力等級相同時,風險偏好程度等級越高,使用者風險等級越高;風險偏好程度等級相同時,風險承受能力等級越高,使用者風險等級越高。依據該原則,可將使用者風險等級分為0~6這7個等級。其中,“0”代表使用者風險等級最低的使用者,其風險偏好程度最低,風險承受能力也最低。“6”代表使用者風險等級最高的使用者,其風險承受能力最高,風險偏好程度等級也最高。 在實際實現時,上述計算使用者風險等級的過程可以是每隔一段特定時長(如每天)就執行一遍,每天都會獲取最新的使用者資料來確定使用者風險等級,確保資料能夠及時更新。 在另一實施例中,還提供一種確定使用者風險等級的方法,包括: 獲取使用者的用於反映至少一種使用者屬性的使用者資料,所述使用者屬性與使用者的風險承受能力相關。 根據所述使用者資料,確定所述使用者在多個使用者屬性中每個使用者屬性下的屬性特徵。 根據所述屬性特徵,確定用於表徵所述使用者的風險承受能力的第一指數。 根據所述第一指數,確定所述使用者的使用者風險等級。 在本實施例中,可以僅獲取用於確定使用者的風險承受能力的使用者資料,並依據這些使用者資料確定出使用者的風險承受能力,並最終根據第一指數來確定出使用者風險等級。 透過以上技術方案可以看出,上述過程透過獲取使用者資料,並根據獲取到的使用者資料來確定第一指數和/或第二指數,並根據第一指數和/或第二指數來確定使用者的風險等級,最終得到的使用者風險等級準確性高,且效率高。並且,也能保證資料的及時更新。 如圖4所示,為一種系統架構。在一實施例中,該系統可以包括:使用者設備100,與使用者設備交互的伺服器300,伺服器300連接的第一資料庫400,確定使用者風險等級的裝置200以及第二資料庫500、第三資料庫600。其中,使用者設備100上可以安裝具有投資理財業務的APP,伺服器300為該APP對應的平台服務端,平台服務端將使用者在參與涉及風險的業務過程中產生的第二使用者資料存放於第一資料庫400中,以備確定使用者風險等級的裝置200來獲取。第三資料庫600可以存放有能夠影響使用者的風險承受能力的第一使用者資料,並且可以供確定使用者風險等級的裝置200來獲取,其中第三資料庫600中的資料可以是伺服器300直接寫入的,也可以是其他應用伺服器來採集並寫入的,對此本文均不作限制。其中,確定使用者風險等級的裝置200可以是存在於伺服器300上的一種以程式碼形式存在的虛擬裝置。當然,需說明的是,該裝置200也可以存在於另外一個電腦裝置上。當需要確定使用者的風險等級時,該裝置200從上述第一資料庫400中獲取到所需要的第二使用者資料,並提取各設定變量的特徵值,輸入到預先提供的機器分類模型,輸出第二指數(表徵使用者的風險偏好)。該裝置200還可以從上述第三資料庫600中獲取到所需要的第一使用者資料,並提取出各個屬性特徵,輸入到預設的機器分類模型,輸出第一指數(表徵使用者的風險承受能力)。最終,該裝置200根據上述第一指數和第二指數確定使用者風險等級並存放於第二資料庫500中,以備各種應用情境調用使用者風險等級。當然,上述各個資料庫中的至少部分資料庫也可以是同一個資料庫,對此不作限制。 圖5示出了一示例性實施例提供的一種電子設備的結構。如圖5所示,所述電子設備可以為電腦設備(如支付平台伺服器或理財平台伺服器等),該電子設備可以包括處理器、匯流排、網路介面、記憶體(包括記憶體以及非揮發性記憶體),當然還可能包括其他業務所需要的硬體。處理器從非揮發性記憶體中讀取對應的電腦程式到記憶體中然後運行。當然,除了軟體實現方式之外,本案並不排除其他實現方式,比如邏輯器件抑或軟硬體結合的方式等等,也就是說以下處理流程的執行主體並不限定於各個邏輯單元,也可以是硬體或邏輯器件。 在一實施例中,上述確定使用者風險等級的裝置200可以包括: 獲取單元210,獲取使用者的第一使用者資料和第二使用者資料,所述第一使用者資料反映至少一種與使用者的風險承受能力相關的使用者屬性,所述第二使用者資料為所述使用者在涉及風險的業務中產生的行為資料; 第一確定單元220,根據所述第一使用者資料,確定用於表徵所述使用者的風險承受能力的第一指數; 第二確定單元230,根據所述第二使用者資料,確定用於表徵所述使用者的風險偏好程度的第二指數; 風險等級確定單元240,根據所述第一指數和所述第二指數,確定所述使用者的使用者風險等級。 在一可選的實施例中,所述第一確定單元220包括: 屬性特徵確定單元,根據所述第一使用者資料,確定所述使用者在多個使用者屬性中每個使用者屬性下的屬性特徵; 第一計算單元,將所述屬性特徵輸入第一機器分類模型,並將所述第一機器分類模型的輸出確定為用於表徵所述使用者的風險承受能力的第一指數。 在一可選的實施例中,所述第二確定單元230包括: 特徵值確定單元,根據所述第二使用者資料確定所述使用者在多個設定變量中每個設定變量下的特徵值,所述設定變量中包括至少一個確定影響使用者的風險偏好程度的設定變量; 第二計算單元,將所述使用者在每個設定變量下的特徵值輸入第二機器分類模型,並將所述第二機器分類模型的輸出確定為用於表徵所述使用者的風險偏好程度的第二指數。 在一可選的實施例中,所述風險等級確定單元240包括: 第一等級確定單元,根據所述第一指數確定所述使用者的風險承受能力等級; 第二等級確定單元,根據所述第二指數確定所述使用者的風險偏好程度等級; 第三等級確定單元,根據預先確定的等級對應表,確定所述使用者的使用者風險等級,其中,所述等級對應表用以描述所述風險承受能力等級、所述風險偏好程度等級以及所述使用者風險等級之間的對應關係。根據預先確定的風險承受能力等級、風險偏好等級兩者和使用者風險等級之間的對應關係,確定所述使用者的使用者風險等級。 在一可選的實施例中,還包括: 等級數確定單元,分別確定風險承受能力等級、風險偏好程度等級以及使用者風險等級的等級數; 等級對應表確定單元,基於確定的等級數,確定與每一個使用者風險等級相對應的風險承受能力等級和風險偏好程度等級,得到所述等級對應表。 在一可選的實施例中,所述涉及風險的業務包括存在資金損失風險的業務、和/或相關聯的事件存在風險的業務。 在一實施例中,還提供了一種確定使用者風險承受能力的裝置,包括: 獲取單元,獲取使用者的用於反映至少一種使用者屬性的使用者資料,所述使用者屬性影響所述使用者的風險承受能力; 第三確定單元,根據所述使用者資料,確定所述使用者在多個使用者屬性中每個使用者屬性下的屬性特徵; 第四確定單元,根據所述屬性特徵,確定用於表徵所述使用者的風險承受能力的第一指數。 在一實施例中,還提供了一種電腦儲存媒體,其上儲存有電腦程式,該電腦程式被處理器執行時實現如下步驟: 獲取使用者的第一使用者資料和第二使用者資料,所述第一使用者資料反映至少一種使用者屬性,所述第二使用者資料為所述使用者在涉及風險的業務中產生的行為資料; 根據所述第一使用者資料,確定用於表徵所述使用者的風險承受能力的第一指數; 根據所述第二使用者資料,確定用於表徵所述使用者的風險偏好程度的第二指數; 根據所述第一指數和所述第二指數,確定所述使用者的使用者風險等級。 在一實施例中,還提供了一種電腦儲存媒體,其上儲存有電腦程式,該電腦程式被處理器執行時實現如下步驟: 獲取使用者的用於反映至少一種使用者屬性的使用者資料,所述使用者屬性影響所述使用者的風險承受能力; 根據所述使用者資料,確定所述使用者在多個使用者屬性中每個使用者屬性下的屬性特徵; 根據所述屬性特徵,確定用於表徵所述使用者的風險承受能力的第一指數。 在一實施例中,還提供了一種電腦設備,包括: 處理器; 用於儲存處理器可執行指令的記憶體; 所述處理器被配置為: 獲取使用者的第一使用者資料和第二使用者資料,所述第一使用者資料反映至少一種與使用者的風險承受能力相關的使用者屬性,所述第二使用者資料為所述使用者在涉及風險的業務中產生的行為資料; 根據所述第一使用者資料,確定用於表徵所述使用者的風險承受能力的第一指數; 根據所述第二使用者資料,確定用於表徵所述使用者的風險偏好程度的第二指數; 根據所述第一指數和所述第二指數,確定所述使用者的使用者風險等級。 在一實施例中,還提供了一種電腦設備,包括: 處理器; 用於儲存處理器可執行指令的記憶體; 所述處理器被配置為: 獲取使用者的用於反映至少一種使用者屬性的使用者資料,所述使用者屬性與使用者的風險承受能力相關; 根據所述使用者資料,確定所述使用者在多個使用者屬性中每個使用者屬性下的屬性特徵; 根據所述屬性特徵,確定用於表徵所述使用者的風險承受能力的第一指數; 根據所述第一指數,確定所述使用者的使用者風險等級。 本說明書中的各個實施例均採用遞進的方式描述,各個實施例之間相同相似的部分互相參見即可,每個實施例重點說明的都是與其他實施例的不同之處。尤其,對於電腦設備實施例、或裝置實施例、或電腦儲存媒體實施例而言,由於其基本相似於方法實施例,所以描述的比較簡單,相關之處參見方法實施例的部分說明即可。 上述實施例闡明的系統、裝置、模塊或單元,具體可以由電腦晶片或實體實現,或者由具有某種功能的產品來實現。一種典型的實現設備為電腦,電腦的具體形式可以是個人電腦、膝上型電腦、蜂巢式電話、相機電話、智慧型電話、個人數位助理、媒體播放器、導航設備、電子郵件收發設備、遊戲控制台、平板電腦、可穿戴設備或者這些設備中的任意幾種設備的組合。 為了描述的方便,描述以上裝置時以功能分為各種單元分別描述。當然,在實施本案時可以把各單元的功能在同一個或多個軟體和/或硬體中實現。 本領域內的技術人員應明白,本發明的實施例可提供為方法、系統、或電腦程式產品。因此,本發明可採用完全硬體實施例、完全軟體實施例、或結合軟體和硬體方面的實施例的形式。而且,本發明可採用在一個或多個其中包含有電腦可用程式碼的電腦可用儲存媒體(包括但不限於磁碟記憶體、CD-ROM、光學記憶體等)上實施的電腦程式產品的形式。 本發明是參照根據本發明實施例的方法、設備(系統)、和電腦程式產品的流程圖和/或方塊圖來描述的。應理解可由電腦程式指令實現流程圖和/或方塊圖中的每一流程和/或方塊、以及流程圖和/或方塊圖中的流程和/或方塊的結合。可提供這些電腦程式指令到通用電腦、專用電腦、嵌入式處理機或其他可程式化資料處理設備的處理器以產生一個機器,使得透過電腦或其他可程式化資料處理設備的處理器執行的指令產生用於實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能的裝置。 這些電腦程式指令也可儲存在能引導電腦或其他可程式化資料處理設備以特定方式工作的電腦可讀記憶體中,使得儲存在該電腦可讀記憶體中的指令產生包括指令裝置的製造品,該指令裝置實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能。 這些電腦程式指令也可裝載到電腦或其他可程式化資料處理設備上,使得在電腦或其他可程式化設備上執行一系列操作步驟以產生電腦實現的處理,從而在電腦或其他可程式化設備上執行的指令提供用於實現在流程圖一個流程或多個流程和/或方塊圖一個方塊或多個方塊中指定的功能的步驟。 在一個典型的配置中,計算設備包括一個或多個處理器(CPU)、輸入/輸出介面、網路介面和記憶體。 記憶體可能包括電腦可讀媒體中的非永久性記憶體,隨機存取記憶體(RAM)和/或非揮發性記憶體等形式,如唯讀記憶體(ROM)或快閃記憶體(flash RAM)。記憶體是電腦可讀媒體的示例。 電腦可讀媒體包括永久性和非永久性、可移動和非可移動媒體可以由任何方法或技術來實現資訊儲存。資訊可以是電腦可讀指令、資料結構、程式的模塊或其他資料。電腦的儲存媒體的例子包括,但不限於相變記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、其他類型的隨機存取記憶體(RAM)、唯讀記憶體(ROM)、電可擦除可程式化唯讀記憶體(EEPROM)、快閃記憶體或其他記憶體技術、唯讀光碟唯讀記憶體(CD-ROM)、數位多功能光碟(DVD)或其他光學儲存、磁盒式磁帶,磁帶磁磁碟儲存或其他磁性儲存設備或任何其他非傳輸媒體,可用於儲存可以被計算設備訪問的資訊。按照本文中的界定,電腦可讀媒體不包括暫存電腦可讀媒體(transitory media),如調變的資料信號和載波。 還需要說明的是,術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含,從而使得包括一系列要素的過程、方法、商品或者設備不僅包括那些要素,而且還包括沒有明確列出的其他要素,或者是還包括為這種過程、方法、商品或者設備所固有的要素。在沒有更多限制的情況下,由語句“包括一個……”限定的要素,並不排除在包括所述要素的過程、方法、商品或者設備中還存在另外的相同要素。 本領域技術人員應明白,本案的實施例可提供為方法、系統或電腦程式產品。因此,本案可採用完全硬體實施例、完全軟體實施例或結合軟體和硬體方面的實施例的形式。而且,本案可採用在一個或多個其中包含有電腦可用程式碼的電腦可用儲存媒體(包括但不限於磁碟記憶體、CD-ROM、光學記憶體等)上實施的電腦程式產品的形式。 本案可以在由電腦執行的電腦可執行指令的一般上下文中描述,例如程式模塊。一般地,程式模塊包括執行特定任務或實現特定抽象資料類型的例程、程式、對象、組件、資料結構等等。也可以在分散式計算環境中實踐本案,在這些分散式計算環境中,由透過通信網路而被連接的遠端處理設備來執行任務。在分散式計算環境中,程式模塊可以位於包括儲存設備在內的本地和遠端電腦儲存媒體中。 以上所述僅為本案的實施例而已,並不用於限制本案。對於本領域技術人員來說,本案可以有各種更改和變化。凡在本案的精神和原理之內所作的任何修改、等同替換、改進等,均應包含在本案的申請專利範圍之內。
101、102、103、104‧‧‧步驟
1021、1022‧‧‧步驟
1031、1032‧‧‧步驟
11、12、13‧‧‧步驟
21、22、23‧‧‧步驟
231、232‧‧‧步驟
100‧‧‧使用者設備
200‧‧‧確定使用者風險等級的裝置
300‧‧‧伺服器
400‧‧‧第一資料庫
500‧‧‧第二資料庫
600‧‧‧第三資料庫
210‧‧‧獲取單元
220‧‧‧第一確定單元
230‧‧‧第二確定單元
240‧‧‧風險等級確定單元
圖1為根據一示例性實施例示出的一種確定使用者風險等級的方法的流程; 圖2為根據一示例性實施例示出的一種訓練機器分類模型的過程; 圖3為根據一示例性實施例示出的一種確定與使用者的風險偏好程度有相關性的設定變量的過程; 圖4為根據一示例性實施例示出的一種系統架構; 圖5為根據一示例性實施例示出的一種電子設備的硬體結構。
Claims (15)
- 一種確定使用者風險等級的方法,包括: 獲取使用者的第一使用者資料和第二使用者資料,所述第一使用者資料反映至少一種與使用者的風險承受能力相關的使用者屬性,所述第二使用者資料為所述使用者在涉及風險的業務中產生的行為資料; 根據所述第一使用者資料,確定用於表徵所述使用者的風險承受能力的第一指數; 根據所述第二使用者資料,確定用於表徵所述使用者的風險偏好程度的第二指數; 根據所述第一指數和所述第二指數,確定所述使用者的使用者風險等級。
- 根據請求項1所述的方法,所述根據所述第一使用者資料,確定用於表徵所述使用者的風險承受能力的第一指數,包括: 根據所述第一使用者資料,確定所述使用者在多個使用者屬性中每個使用者屬性下的屬性特徵; 將所述屬性特徵輸入第一機器分類模型,並將所述第一機器分類模型的輸出確定為用於表徵所述使用者的風險承受能力的第一指數。
- 根據請求項1所述的方法,所述根據所述第二使用者資料,確定用於表徵所述使用者的風險偏好程度的第二指數,包括: 根據所述第二使用者資料確定所述使用者在多個設定變量中每個設定變量下的特徵值,所述設定變量中包括至少一個確定影響使用者的風險偏好程度的設定變量; 將所述使用者在每個設定變量下的特徵值輸入第二機器分類模型,並將所述第二機器分類模型的輸出確定為用於表徵所述使用者的風險偏好程度的第二指數。
- 根據請求項1所述的方法,所述根據所述第一指數和所述第二指數,確定所述使用者的使用者風險等級,包括: 根據所述第一指數確定所述使用者的風險承受能力等級; 根據所述第二指數確定所述使用者的風險偏好程度等級; 根據預先確定的等級對應表,確定所述使用者的使用者風險等級,其中,所述等級對應表用以描述所述風險承受能力等級、所述風險偏好程度等級以及所述使用者風險等級之間的對應關係。
- 根據請求項4所述的方法,透過如下過程確定所述等級對應表: 分別確定風險承受能力等級、風險偏好程度等級以及使用者風險等級的等級數; 基於確定的等級數,確定與每一個使用者風險等級相對應的風險承受能力等級和風險偏好程度等級,得到所述等級對應表。
- 根據請求項1所述的方法,所述涉及風險的業務包括存在資金損失風險的業務、和/或相關聯的事件存在風險的業務。
- 一種確定使用者風險等級的方法,包括: 獲取使用者的用於反映至少一種使用者屬性的使用者資料,所述使用者屬性與使用者的風險承受能力相關; 根據所述使用者資料,確定所述使用者在多個使用者屬性中每個使用者屬性下的屬性特徵; 根據所述屬性特徵,確定用於表徵所述使用者的風險承受能力的第一指數; 根據所述第一指數,確定所述使用者的使用者風險等級。
- 一種確定使用者風險等級的裝置,包括: 獲取單元,獲取使用者的第一使用者資料和第二使用者資料,所述第一使用者資料反映至少一種與使用者的風險承受能力相關的使用者屬性,所述第二使用者資料為所述使用者在涉及風險的業務中產生的行為資料; 第一確定單元,根據所述第一使用者資料,確定用於表徵所述使用者的風險承受能力的第一指數; 第二確定單元,根據所述第二使用者資料,確定用於表徵所述使用者的風險偏好程度的第二指數; 風險等級確定單元,根據所述第一指數和所述第二指數,確定所述使用者的使用者風險等級。
- 根據請求項8所述的裝置,所述第一確定單元包括: 屬性特徵確定單元,根據所述第一使用者資料,確定所述使用者在多個使用者屬性中每個使用者屬性下的屬性特徵; 第一計算單元,將所述屬性特徵輸入第一機器分類模型,並將所述第一機器分類模型的輸出確定為用於表徵所述使用者的風險承受能力的第一指數。
- 根據請求項8所述的裝置,所述第二確定單元包括: 特徵值確定單元,根據所述第二使用者資料確定所述使用者在多個設定變量中每個設定變量下的特徵值,所述設定變量中包括至少一個確定影響使用者的風險偏好程度的設定變量; 第二計算單元,將所述使用者在每個設定變量下的特徵值輸入第二機器分類模型,並將所述第二機器分類模型的輸出確定為用於表徵所述使用者的風險偏好程度的第二指數。
- 根據請求項8所述的裝置,所述風險等級確定單元包括: 第一等級確定單元,根據所述第一指數確定所述使用者的風險承受能力等級; 第二等級確定單元,根據所述第二指數確定所述使用者的風險偏好程度等級; 第三等級確定單元,根據預先確定的等級對應表,確定所述使用者的使用者風險等級,其中,所述等級對應表用以描述所述風險承受能力等級、所述風險偏好程度等級以及所述使用者風險等級之間的對應關係。
- 根據請求項11所述的裝置,還包括: 等級數確定單元,分別確定風險承受能力等級、風險偏好程度等級以及使用者風險等級的等級數; 等級對應表確定單元,基於確定的等級數,確定與每一個使用者風險等級相對應的風險承受能力等級和風險偏好程度等級,得到所述等級對應表。
- 根據請求項8所述的裝置,所述涉及風險的業務包括存在資金損失風險的業務、和/或相關聯的事件存在風險的業務。
- 一種電腦設備,包括: 處理器; 用於儲存處理器可執行指令的記憶體; 所述處理器被配置為: 獲取使用者的第一使用者資料和第二使用者資料,所述第一使用者資料反映至少一種與使用者的風險承受能力相關的使用者屬性,所述第二使用者資料為所述使用者在涉及風險的業務中產生的行為資料; 根據所述第一使用者資料,確定用於表徵所述使用者的風險承受能力的第一指數; 根據所述第二使用者資料,確定用於表徵所述使用者的風險偏好程度的第二指數; 根據所述第一指數和所述第二指數,確定所述使用者的使用者風險等級。
- 一種電腦設備,包括: 處理器; 用於儲存處理器可執行指令的記憶體; 所述處理器被配置為: 獲取使用者的用於反映至少一種使用者屬性的使用者資料,所述使用者屬性與使用者的風險承受能力相關; 根據所述使用者資料,確定所述使用者在多個使用者屬性中每個使用者屬性下的屬性特徵; 根據所述屬性特徵,確定用於表徵所述使用者的風險承受能力的第一指數; 根據所述第一指數,確定所述使用者的使用者風險等級。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
??201710385586.1 | 2017-05-26 | ||
CN201710385586.1A CN107203939A (zh) | 2017-05-26 | 2017-05-26 | 确定用户风险等级的方法及装置、计算机设备 |
CN201710385586.1 | 2017-05-26 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201901578A true TW201901578A (zh) | 2019-01-01 |
TWI679604B TWI679604B (zh) | 2019-12-11 |
Family
ID=59905918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107109024A TWI679604B (zh) | 2017-05-26 | 2018-03-16 | 確定使用者風險等級的方法及裝置、電腦設備 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200090268A1 (zh) |
CN (1) | CN107203939A (zh) |
TW (1) | TWI679604B (zh) |
WO (1) | WO2018214933A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI766187B (zh) * | 2019-03-08 | 2022-06-01 | 開曼群島商創新先進技術有限公司 | 風險決策方法及裝置 |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107437198A (zh) | 2017-05-26 | 2017-12-05 | 阿里巴巴集团控股有限公司 | 确定用户风险偏好的方法、信息推荐方法及装置 |
CN107203939A (zh) * | 2017-05-26 | 2017-09-26 | 阿里巴巴集团控股有限公司 | 确定用户风险等级的方法及装置、计算机设备 |
CN107767259A (zh) * | 2017-09-30 | 2018-03-06 | 平安科技(深圳)有限公司 | 贷款风险控制方法、电子装置及可读存储介质 |
CN108280762A (zh) * | 2018-01-19 | 2018-07-13 | 平安科技(深圳)有限公司 | 客户风险评级方法、服务器及计算机可读存储介质 |
CN109345374B (zh) * | 2018-09-17 | 2023-04-18 | 平安科技(深圳)有限公司 | 风险控制方法、装置、计算机设备和存储介质 |
CN109670962A (zh) * | 2018-09-26 | 2019-04-23 | 深圳壹账通智能科技有限公司 | 基于大数据的理财产品推送方法、装置、设备及存储介质 |
CN109636081A (zh) * | 2018-09-29 | 2019-04-16 | 阿里巴巴集团控股有限公司 | 一种用户安全意识检测方法和装置 |
CN111523996A (zh) * | 2020-04-21 | 2020-08-11 | 北京易点淘网络技术有限公司 | 一种审批方法及系统 |
CN113033938B (zh) * | 2020-08-10 | 2024-04-26 | 深圳大学 | 确定资源分配策略的方法、装置、终端设备及存储介质 |
CN117455236A (zh) * | 2020-09-11 | 2024-01-26 | 支付宝(杭州)信息技术有限公司 | 一种风测等级更新的方法、装置、设备及介质 |
US20220284419A1 (en) * | 2021-03-05 | 2022-09-08 | Dish Wireless L.L.C. | Systems and methods for automatic asset transfer using smart contracts |
CN113129153A (zh) * | 2021-03-24 | 2021-07-16 | 银雁科技服务集团股份有限公司 | 风险评估方法及装置 |
CN113487326A (zh) * | 2021-07-27 | 2021-10-08 | 中国银行股份有限公司 | 基于智能合约的交易限制参数设置方法及装置 |
CN113689289B (zh) * | 2021-08-26 | 2024-04-30 | 天元大数据信用管理有限公司 | 一种基于银行风险控制的方法及设备 |
CN113918435A (zh) * | 2021-10-18 | 2022-01-11 | 北京天际友盟信息技术有限公司 | 一种应用程序风险等级的确定方法、装置以及存储介质 |
CN116934464A (zh) * | 2023-07-26 | 2023-10-24 | 广东企企通科技有限公司 | 基于小微企业的贷后风险监控方法、装置、设备及介质 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030088489A1 (en) * | 1999-12-13 | 2003-05-08 | Optimizeusa.Com | Automated investment advisory software and method |
US20030065241A1 (en) * | 2002-08-27 | 2003-04-03 | Joerg Hohnloser | Medical risk assessment system and method |
US8086525B2 (en) * | 2007-10-31 | 2011-12-27 | Equifax, Inc. | Methods and systems for providing risk ratings for use in person-to-person transactions |
US20100030586A1 (en) * | 2008-07-31 | 2010-02-04 | Choicepoint Services, Inc | Systems & methods of calculating and presenting automobile driving risks |
CN101685526A (zh) * | 2008-09-28 | 2010-03-31 | 阿里巴巴集团控股有限公司 | 一种贷款准入评估方法和系统 |
US20110270780A1 (en) * | 2010-03-24 | 2011-11-03 | Gregory Bryn Davies | Methods and systems for assessing financial personality |
CN102117469A (zh) * | 2011-01-18 | 2011-07-06 | 中国工商银行股份有限公司 | 一种对信用风险进行评估的系统和方法 |
CN103208081A (zh) * | 2013-03-01 | 2013-07-17 | 杭州智才广赢信息技术有限公司 | 一种投融资风险评估方法 |
CN104318268B (zh) * | 2014-11-11 | 2017-09-08 | 苏州晨川通信科技有限公司 | 一种基于局部距离度量学习的多交易账户识别方法 |
US10445152B1 (en) * | 2014-12-19 | 2019-10-15 | Experian Information Solutions, Inc. | Systems and methods for dynamic report generation based on automatic modeling of complex data structures |
CN106503562A (zh) * | 2015-09-06 | 2017-03-15 | 阿里巴巴集团控股有限公司 | 一种风险识别方法及装置 |
CN105303445A (zh) * | 2015-11-04 | 2016-02-03 | 中国农业大学 | 农业投融资平台风险评估装置及系统 |
TWI584215B (zh) * | 2015-12-31 | 2017-05-21 | 玉山商業銀行股份有限公司 | 監控可疑交易的方法 |
US9721296B1 (en) * | 2016-03-24 | 2017-08-01 | Www.Trustscience.Com Inc. | Learning an entity's trust model and risk tolerance to calculate a risk score |
CN105930983A (zh) * | 2016-05-13 | 2016-09-07 | 中国建设银行股份有限公司 | 一种银行业资产管理系统 |
CN106127576A (zh) * | 2016-07-01 | 2016-11-16 | 武汉泰迪智慧科技有限公司 | 一种基于用户行为的银行风险评估系统 |
CN107203939A (zh) * | 2017-05-26 | 2017-09-26 | 阿里巴巴集团控股有限公司 | 确定用户风险等级的方法及装置、计算机设备 |
-
2017
- 2017-05-26 CN CN201710385586.1A patent/CN107203939A/zh active Pending
-
2018
- 2018-03-16 TW TW107109024A patent/TWI679604B/zh active
- 2018-05-24 WO PCT/CN2018/088192 patent/WO2018214933A1/zh active Application Filing
-
2019
- 2019-11-21 US US16/690,949 patent/US20200090268A1/en not_active Abandoned
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI766187B (zh) * | 2019-03-08 | 2022-06-01 | 開曼群島商創新先進技術有限公司 | 風險決策方法及裝置 |
Also Published As
Publication number | Publication date |
---|---|
TWI679604B (zh) | 2019-12-11 |
US20200090268A1 (en) | 2020-03-19 |
CN107203939A (zh) | 2017-09-26 |
WO2018214933A1 (zh) | 2018-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI679604B (zh) | 確定使用者風險等級的方法及裝置、電腦設備 | |
US10783457B2 (en) | Method for determining risk preference of user, information recommendation method, and apparatus | |
Gallien et al. | National drug stockout risks and the global fund disbursement process for procurement | |
US11250499B2 (en) | Generating optimal strategy for providing offers | |
TW202022769A (zh) | 風險辨識模型訓練方法、裝置及伺服器 | |
CN110689438A (zh) | 企业类金融风险评分方法、装置、计算机设备及存储介质 | |
CN112734559B (zh) | 企业信用风险评价方法、装置及电子设备 | |
US20190073699A1 (en) | Matching visitors as leads to lead buyers | |
WO2020103560A1 (zh) | 风险控制方法、装置、服务器及存储介质 | |
Burnie | Exploring the interconnectedness of cryptocurrencies using correlation networks | |
CN111967779A (zh) | 一种风险评估方法、装置及设备 | |
JP2016517073A (ja) | 市場参加者ベースの自動化された意思決定のためのシステムおよび方法 | |
US20190066109A1 (en) | Long-term short-term cascade modeling for fraud detection | |
TW202013297A (zh) | 風險保障產品的推送方法、裝置及電子設備 | |
JP2013058192A (ja) | 区画を評価するシステム、方法、及びコンピュータプログラム製品 | |
CN109213936B (zh) | 商品搜索方法和装置 | |
CN112784986A (zh) | 深度学习计算结果的特征解释方法、装置、设备及介质 | |
CN112200402B (zh) | 一种基于风险画像的风险量化方法、装置及设备 | |
TW201822111A (zh) | 使用者信用的評估方法和裝置 | |
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 | |
Jorgensen et al. | Not so fair: The impact of presumably fair machine learning models | |
CN115809930A (zh) | 基于数据融合匹配的反欺诈分析方法、装置、设备及介质 | |
CN113343700B (zh) | 数据处理方法、装置、设备及存储介质 | |
CN114782224A (zh) | 基于用户特征的网页考评作弊监测方法、装置及电子设备 | |
CN114298825A (zh) | 还款积极度评估方法及装置 |