TWI831364B - 基於量化影響因子的風險評估系統及其方法 - Google Patents

基於量化影響因子的風險評估系統及其方法 Download PDF

Info

Publication number
TWI831364B
TWI831364B TW111133869A TW111133869A TWI831364B TW I831364 B TWI831364 B TW I831364B TW 111133869 A TW111133869 A TW 111133869A TW 111133869 A TW111133869 A TW 111133869A TW I831364 B TWI831364 B TW I831364B
Authority
TW
Taiwan
Prior art keywords
risk
violation
conditions
transaction
information
Prior art date
Application number
TW111133869A
Other languages
English (en)
Other versions
TW202411918A (zh
Inventor
沈盈君
Original Assignee
兆豐國際商業銀行股份有限公司
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 兆豐國際商業銀行股份有限公司 filed Critical 兆豐國際商業銀行股份有限公司
Priority to TW111133869A priority Critical patent/TWI831364B/zh
Application granted granted Critical
Publication of TWI831364B publication Critical patent/TWI831364B/zh
Publication of TW202411918A publication Critical patent/TW202411918A/zh

Links

Images

Landscapes

  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

一種基於量化影響因子的風險評估系統及其方法,該系統包括收發器、儲存媒體以及處理器。處理器存取並執行儲存媒體所儲存的多個模組以及資料庫。模型建立模組依據歷史交易資訊建立多個風險模型。評估指標計算模組計算使用多個違反條件對應的風險模型的評估指標以及使用去除多個違反條件中的任一違反條件對應的風險模型的評估指標,並依據評估指標計算多個差值。評估設定模組依據風險閾值與差值評估影響因子對金融交易的影響程度。選擇判定模組選擇差值大於風險閾值的影響因子來判定金融交易是否為正常交易。

Description

基於量化影響因子的風險評估系統及其方法
本發明是有關於一種風險評估系統及其方法,且特別是有關於一種基於量化影響因子的風險評估系統及其方法。
金融機構尤其銀行,會在銀行端作業系統會制訂與洗錢防制相關的規範與條件,但此些規範與條件並非適用於所有情境,於實際上可能會有虛報或是假警報的狀況產生,容易造成銀行人員的作業困擾。
目前作業方式並未考量與洗錢防制相關的規範與條件對衡量洗錢防治風險的準確率的影響程度,容易導致虛報或是假警報的頻率,不僅需費時處理警報且浪費人力物力。
因此,考量哪些規範與條件下,可提高衡量洗錢防治風險的準確率,並對於各影響因子於準確率影響程度進行量化,一方面將有效的規範與條件加入風險評估模型,另一方面也能減少影響程度較小的規範與條件,對應於減少處理警報的人力與時間成本,提升洗錢防制風險評估準確程度。
本發明提供一種基於量化影響因子的風險評估系統及其方法,不僅通過去除影響程度較低的違反條件,可令風險評估系統在判定時不僅有效率,同時也能量化準確性。
本發明的一種基於量化影響因子的風險評估系統,包括收發器、儲存媒體以及處理器。儲存媒體用以儲存多個模組以及資料庫,資料庫用以儲存多個歷史交易資訊,其中該些歷史交易資訊至少包括交易編號、多個影響因子以及實際是否為不正常交易,其中該些影響因子至少包括使用多個違反條件、使用去除該些違反條件中的任一違反條件。處理器耦接至儲存媒體以及收發器,處理器存取並執行儲存媒體所儲存的該些模組以及資料庫,該些模組包括模型建立模組、評估指標計算模組、評估設定模組以及選擇判定模組。模型建立模組依據該些影響因子將該些歷史交易資訊經由分類模型分別建立與該些影響因子對應的多個風險模型。評估指標計算模組與模型建立模組電性連接,用以分別計算使用該些違反條件對應的風險模型的評估指標以及使用去除該些違反條件中的任一違反條件對應的風險模型的評估指標,並且分別依據使用該些違反條件對應的風險模型的評估指標以及使用去除該些違反條件中的任一違反條件對應的風險模型的評估指標計算多個差值。評估設定模組與評估指標計算模組電性連接,用以設定風險閾值,並且分別依據風險閾值與該些差值評估該些影 響因子對金融交易的影響程度。選擇判定模組與評估設定模組電性連接,用以選擇該些差值大於風險閾值的該些影響因子來判定金融交易是否為正常交易。
在本發明的一實施例中,上述的風險評估系統,其中該些違反條件至少包括是否給客戶信中有特定違規字眼存在、是否給客戶信中有客戶私人資訊、是否給客戶信中有大額金額資訊、是否給客戶信中有銀行保密資訊、是否給客戶信中有獲利公司資訊以及是否有銀行名稱。
在本發明的一實施例中,上述的風險評估系統,其中該些模組更包括警示模組,警示模組與選擇判定模組電性連接,用以於判定金融交易為非正常交易時,產生至少包括該些影響因子的資訊。
在本發明的一實施例中,上述的風險評估系統,其中該些歷史交易資訊依據交易編號以及該些影響因子記錄是否符合該些影響因子的資訊。
在本發明的一實施例中,上述的風險評估系統,其中評估指標計算模組用以分別計算使用該些違反條件對應的風險模型的評估指標以及使用去除該些違反條件中的任一違反條件對應的風險模型的評估指標的操作中更包括,評估指標計算模組更用以從該些歷史交易資訊中選擇任意兩個歷史交易,依據預測任意兩個歷史交易經使用該些違反條件對應的風險模型、使用去除該些違反條件中的任一違反條件對應的風險模型的機率與任意兩個歷 史交易使用該些違反條件、使用去除該些違反條件中的任一違反條件的實際結果來計算使用該些違反條件對應的風險模型的評估指標以及使用去除該些違反條件中的任一違反條件對應的風險模型的評估指標。
本發明的一種基於量化影響因子的風險評估方法,其中該方法包括:依據多個影響因子將多個歷史交易資訊經由分類模型分別建立與該些影響因子對應的多個風險模型,其中該些歷史交易資訊至少包括交易編號、多個影響因子以及實際是否為不正常交易,其中該些影響因子至少包括使用多個違反條件、使用去除該些違反條件中的任一違反條件;分別計算使用該些違反條件對應的風險模型的評估指標以及使用去除該些違反條件中的任一違反條件對應的風險模型的評估指標,並且分別依據使用該些違反條件對應的風險模型的評估指標以及使用去除該些違反條件中的任一違反條件對應的風險模型的評估指標計算多個差值;設定風險閾值,並且分別依據風險閾值與該些差值評估該些影響因子對金融交易的影響程度;以及選擇該些差值大於風險閾值的該些影響因子來判定金融交易是否為正常交易。
在本發明的一實施例中,上述的風險評估方法,其中該些違反條件至少包括是否給客戶信中有特定違規字眼存在、是否給客戶信中有客戶私人資訊、是否給客戶信中有大額金額資訊、是否給客戶信中有銀行保密資訊、是否給客戶信中有獲利公司資訊以及是否有銀行名稱。
在本發明的一實施例中,上述的風險評估方法,其中選擇該些差值大於風險閾值的該些影響因子來判定金融交易是否為正常交易的步驟中更包括:於判定金融交易為非正常交易時,產生至少包括該些影響因子的資訊。
在本發明的一實施例中,上述的風險評估方法,其中該些歷史交易資訊依據交易編號以及該些影響因子記錄是否符合該些影響因子的資訊。
在本發明的一實施例中,上述的風險評估方法,其中分別計算使用該些違反條件對應的風險模型的評估指標以及使用去除該些違反條件中的任一違反條件對應的風險模型的評估指標的步驟中更包括,從該些歷史交易資訊中選擇任意兩個歷史交易,依據預測任意兩個歷史交易經使用該些違反條件對應的風險模型、使用去除該些違反條件中的任一違反條件對應的風險模型的機率與任意兩個歷史交易使用該些違反條件、使用去除該些違反條件中的任一違反條件的實際結果來計算使用該些違反條件對應的風險模型的評估指標以及使用去除該些違反條件中的任一違反條件對應的風險模型的評估指標。
基於上述,本發明提供一種基於量化影響因子的風險評估系統及其方法,通過去除影響程度較低的違反條件,可令風險評估系統在判定時不僅有效率,同時也能量化準確性,於判定為非正常交易時可即時產生包括影響因子的相關資訊,節省人力物力,並且若有新增其他相關違反條件時,可以經由上述風險評估 方式進行確認其影響程度,以優化為洗錢防制風險評估系統。
為讓本揭露的上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
10:風險評估系統
110:處理器
120:儲存媒體
130:收發器
1201:模型建立模組
1202:評估指標計算模組
1203:評估設定模組
1204:選擇判定模組
1205:警示模組
1206:資料庫
201:交易編號
202:影響因子
203:實際是否為違反洗錢防制
301、401:使用條件
302:評估指標
303:6個違反條件全用
402:差值
S501、S502、S503、S504、S505、S506:步驟
圖1是依照本發明的一實施例的一種風險評估系統的示意圖。
圖2是依照本發明的一實施例的記錄是否使用各影響因子的資訊的示意圖。
圖3是依照本發明的一實施例的使用各影響因子對應的風險模型的評估指標的示意圖。
圖4是依照本發明的一實施例的使用各影響因子對應的風險模型的評估指標的影響程度的示意圖。
圖5是依照本發明的一實施例的風險評估方法的流程圖。
圖1是依照本發明的一實施例的一種風險評估系統的示意圖。
請參照圖1,本揭露一實施例的風險評估系統10包括處理器110、儲存媒體120以及收發器130。
收發器130以無線或有線的方式傳送及接收訊號。收發 器130還可以執行例如低噪聲放大、阻抗匹配、混頻、向上或向下頻率轉換、濾波、放大以及類似的操作。
儲存媒體120用以儲存風險評估系統10運行時所需的各項軟體、資料及各類程式碼。儲存媒體120例如是任何型態的固定式或可移動式的隨機存取記憶體(random access memory,RAM)、唯讀記憶體(read-only memory,ROM)、快閃記憶體(flash memory)、硬碟(hard disk drive,HDD)、固態硬碟(solid state drive,SSD)或類似元件或上述元件的組合,而用於儲存可由處理器110執行的多個模組或各種應用程式。在一實施例中,儲存媒體120可儲存模型建立模組1201、評估指標計算模組1202、評估設定模組1203、選擇判定模組1204、警示模組1205以及資料庫1206。
處理器110例如是中央處理單元(central processing unit,CPU),或是其他可程式化之一般用途或特殊用途的微控制單元(micro control unit,MCU)、微處理器(microprocessor)、數位信號處理器(digital signal processor,DSP)、可程式化控制器、特殊應用積體電路(application specific integrated circuit,ASIC)、圖形處理器(graphics processing unit,GPU)、影像訊號處理器(image signal processor,ISP)、影像處理單元(image processing unit,IPU)、算數邏輯單元(arithmetic logic unit,ALU)、複雜可程式邏輯裝置(complex programmable logic device,CPLD)、現場可程式化邏輯閘陣列(field programmable gate array, FPGA)或其他類似元件或上述元件的組合。處理器110可耦接至儲存媒體120以及收發器130,並且存取和執行儲存於儲存媒體120中的各種應用程式以及儲存媒體120所儲存的模型建立模組1201、評估指標計算模組1202、評估設定模組1203、選擇判定模組1204、警示模組1205以及資料庫1206。
其中,資料庫1206用以儲存多個歷史交易資訊,於本實施例中,歷史交易資訊可包括交易編號、多個影響因子以及實際是否為不正常交易,並且影響因子可包括使用多個違反條件、使用去除該些違反條件中的任一個違反條件。於一實施例中,違反條件可包括是否給客戶信中有特定違規字眼存在、是否給該客戶信中有客戶私人資訊、是否給該客戶信中有大額金額資訊、是否給該客戶信中有銀行保密資訊、是否給該客戶信中有獲利公司資訊以及是否有銀行名稱。在另一實施例中,風險評估系統10可新增其他違反條件,例如客戶的交易對象是否正常、客戶資金來源是否合理、客戶交易頻率是否異常等。但本發明並不以此為限。
模型建立模組1201依據多個影響因子將資料庫1206中儲存的歷史交易資訊經由分類模型分別建立與影響因子對應的多個風險模型。
評估指標計算模組1202與模型建立模組1201電性連接,用以分別計算使用上述多個違反條件對應的風險模型的評估指標以及使用去除多個違反條件中的任一個違反條件對應的風險模型的評估指標,並且分別依據使用多個違反條件對應的風險模 型的評估指標以及使用去除多個違反條件中的任一個違反條件對應的風險模型的評估指標計算多個差值。於本實施例中,評估指標計算模組1202可用以從多個歷史交易資訊中選擇任意兩個歷史交易,依據預測任意兩個歷史交易經使用多個違反條件對應的風險模型、使用去除多個違反條件中的任一個違反條件對應的風險模型的機率與任意兩個歷史交易使用多個違反條件、使用去除多個違反條件中的任一個違反條件的實際結果來計算使用多個違反條件對應的風險模型的評估指標以及使用去除多個違反條件中的任一個違反條件對應的風險模型的評估指標。
評估設定模組1203與評估指標計算模組1202電性連接,用以設定風險閾值,並且分別依據風險閾值與多個差值評估多個影響因子對金融交易的影響程度。
選擇判定模組1204與評估設定模組1203電性連接,用以選擇差值大於風險閾值的多個影響因子來判定金融交易是否為正常交易。
警示模組1205與選擇判定模組1204電性連接,用以於判定金融交易為非正常交易時,終止金融交易並且產生包括多個影響因子的資訊。
圖2是依照本發明的一實施例的記錄是否使用各影響因子的資訊的示意圖。圖3是依照本發明的一實施例的使用各影響因子對應的風險模型的評估指標的示意圖。圖4是依照本發明的一實施例的使用各影響因子對應的風險模型的評估指標的影響程 度的示意圖。圖5是依照本發明的一實施例的風險評估方法的流程圖。
請結合圖1至圖5所示,本實施例的方法適用於上述實施例中的風險評估系統10,以下即搭配風險評估系統10中的各元件說明本實施例的詳細步驟。
結合圖2,圖2中記錄了是否使用各影響因子的資訊。於本實施例中,歷史交易資訊可包括交易編號201(包括A、B、C、D...)、多個影響因子202以及實際是否為不正常交易(於本實施例中為實際是否為違反洗錢防制203),並且影響因子202可包括使用多個違反條件、使用去除該些違反條件中的任一個違反條件。於一實施例中,違反條件可包括是否給客戶信中有特定違規字眼存在、是否給該客戶信中有客戶私人資訊、是否給該客戶信中有大額金額資訊、是否給該客戶信中有銀行保密資訊、是否給該客戶信中有獲利公司資訊以及是否有銀行名稱。在另一實施例中,可新增其他違反條件,例如客戶的交易對象是否正常、客戶資金來源是否合理、客戶交易頻率是否異常等。但本發明並不以此為限。
請參考圖2,模型建立模組1201將多個歷史交易資訊依據交易編號201、各影響因子202以及實際是否為違反洗錢防制203進行記錄。示例性地,模型建立模組1201可依據交易編號為A的交易是否符合「是否給客戶信中有特定違規字眼存在」,將符合「是否給客戶信中有特定違規字眼存在」這一違反條件的交 易編號A記錄為1,示例性地,模型建立模組1201可依據交易編號為A的交易是否符合「是否給該客戶信中有大額金額資訊」,將不符合「是否給該客戶信中有大額金額資訊」這一違反條件的交易編號A記錄為0,而交易編號為A的交易實際上違反了洗錢防制並且記錄為1。以此類推,如圖2所示,將所有的歷史交易資訊按照此方式記錄完畢。
請參考圖3,於本實施例中,使用條件301可包括6個違反條件全用303、去除違反條件「是否給客戶信中有特定違規字眼存在」、去除違反條件「是否給該客戶信中有客戶私人資訊」、去除違反條件「是否給該客戶信中有大額金額資訊」、去除違反條件「是否給客戶信中有銀行保密資訊」、去除違反條件「是否給客戶信中有獲利公司資訊」以及去除違反條件「是否有銀行名稱」。但本發明並不以此為限。
於步驟S501中,模型建立模組1201依據多個影響因子將多個歷史交易資訊經由分類模型(logistic regression)分別建立與影響因子對應的多個風險模型。具體而言,模型建立模組1201依據上述使用條件301將圖2中記錄的歷史交易資訊經由分類模型分別建立與每一個使用條件301對應的6個風險模型以及使用全部違反條件對應的風險模型(即建立有7個風險模型)。
於步驟S502中,評估指標計算模組1202分別計算使用多個違反條件對應的風險模型的評估指標以及使用去除多個違反條件中的任一違反條件對應的風險模型的評估指標,並且評估指 標計算模組1202分別依據使用多個違反條件對應的風險模型的評估指標以及使用去除多個違反條件中的任一個違反條件對應的風險模型的評估指標計算多個差值。
於本實施例中,評估指標計算模組1202從資料庫1206中儲存的歷史交易資訊中選擇任意兩個歷史交易,例如交易A與交易C(即交易編號分別為A與C的歷史交易),依據預測交易A與交易C經使用上述違反條件對應的風險模型、使用去除上述違反條件中的任一個違反條件對應的風險模型的機率與交易A、交易C使用上述違反條件、使用去除上述違反條件中的任一個違反條件的實際結果來計算使用上述違反條件對應的風險模型的評估指標以及使用去除上述違反條件中的任一個違反條件對應的風險模型的評估指標302。
具體而言,交易A與交易C經由使用條件301為6個違反條件全用時的風險模型以及經由圖3中使用條件301為使用去除上述違反條件中的任一個違反條件對應的風險模型分別得到機率值,而實際中交易A與交易C經由計算實際違反條件分別為3件與2件,其6個違反條件全用時的風險模型取得關係為交易A為違反洗錢防治的風險(機率值為0.95)高於交易C為違反洗錢防治的風險(機率值為0.85),且實際違反條件(分別為3件與2件,3>2)也符合此關係(0.95>0.85),代表風險模型預測與實際結果關係為一致的,即計算符合關係的數量為1,不一致則為0(不一致為0時不會計入一致關係數量),以此類推,經由1000筆歷史交 易中任意兩交易進行比較後,風險模型與實際有一致關係數量(由圖2記錄的歷史交易資訊中獲取得到459540)/總組合數(1000*999/2=499500),即459540/499500=0.92,由上述方式計算可得到使用條件為6個違反條件全用時的風險模型的評估指標302為0.92,同理可獲取其他去除任一個違反條件的風險模型進行計算取得對應的評估指標302(分別為0.75、0.88、0.75、0.77、0.89、0.90)。
於步驟S503中,評估設定模組1203設定風險閾值,並且分別依據風險閾值與差值評估影響因子對金融交易的影響程度。於步驟S504中,選擇判定模組1204選擇差值大於風險閾值的影響因子來判定金融交易是否為正常交易。
請參考圖4,於本實施例中,評估設定模組1203可設定風險閾值為0.05,並且分別依據使用全部違反條件的風險模型的評估指標與各風險模型對應的評估指標計算各風險模型的差值,例如在使用條件去除「是否給客戶信中有特定違規字眼存在」這一風險模型中,計算使用條件為6個違反條件全用時的風險模型的評估指標0.92與使用去除「是否給客戶信中有特定違規字眼存在」這一風險模型的評估指標0.75之間的差值0.17,以此類推,分別計算出使用條件為6個違反條件全用時的風險模型的評估指標0.92與使用條件去除「是否給客戶信中有客戶私人資訊」風險模型、使用條件去除「是否給客戶信中有大額金額資訊」風險模型、使用條件去除「是否給客戶信中有銀行保密資訊」風險模型、 使用條件去除「是否給客戶信中有獲利公司資訊」風險模型、使用條件去除「是否有銀行名稱」風險模型之間的差值0.04、0.07、0.15、0.03、0.02。其中差值為0.17表示相較於使用條件為6個違反條件全用的風險模型與使用條件為去除「是否給客戶信中有特定違規字眼存在」的風險模型在模型風險預測上的量值,其差值越大表示此違反條件對於評估金融交易是否為非正常交易的影響程度越大,因此評估設定模組1203可依據差值的大小評估此違反條件(即影響因子)對金融交易的影響程度。於本實施例中,僅差值0.17、0.07、0.15大於風險閾值0.05,評估設定模組1203可將大於風險閾值的差值對應的違反條件選擇作為判定金融交易是否為非正常交易的違反條件,即評估設定模組1203可選擇「是否給客戶信中有特定違規字眼存在」、「是否給客戶信中有大額金額資訊」以及「是否給客戶信中有銀行保密資訊」為判定金融交易是否為非正常交易的違反條件。
於步驟S505中,選擇判定模組1204判定金融交易為正常交易。
於步驟S506中,選擇判定模組1204判定金融交易為非正常交易,風險評估系統10產生包括影響因子的資訊。
基於上述,本發明提供一種基於量化影響因子的風險評估系統及其方法,通過去除影響程度較低的違反條件,可令風險評估系統在判定時不僅有效率,同時也能量化準確性,於判定為非正常交易時可即時產生包括影響因子的相關資訊,節省人力物 力,並且若有新增其他相關違反條件時,可以經由上述風險評估方式進行確認其影響程度,以優化為洗錢防制風險評估系統。
雖然本揭露已以實施例揭露如上,然其並非用以限定本揭露,任何所屬技術領域中具有通常知識者,在不脫離本揭露的精神和範圍內,當可作些許的更動與潤飾,故本揭露的保護範圍當視後附的申請專利範圍所界定者為準。
10:風險評估系統
110:處理器
120:儲存媒體
130:收發器
1201:模型建立模組
1202:評估指標計算模組
1203:評估設定模組
1204:選擇判定模組
1205:警示模組
1206:資料庫

Claims (10)

  1. 一種基於量化影響因子的風險評估系統,包括:收發器;儲存媒體,用以儲存多個模組以及資料庫,該資料庫用以儲存多個歷史交易資訊,其中該些歷史交易資訊至少包括交易編號、多個影響因子以及實際是否為不正常交易,其中該些影響因子至少包括使用多個違反條件、使用去除該些違反條件中的任一違反條件;以及處理器,耦接至該儲存媒體以及該收發器,該處理器存取並執行該儲存媒體所儲存的該些模組以及該資料庫,該些模組包括:模型建立模組,依據該些影響因子將該些歷史交易資訊經由分類模型分別建立與該些影響因子對應的多個風險模型;評估指標計算模組,與該模型建立模組電性連接,用以分別計算使用該些違反條件對應的風險模型的評估指標以及使用去除該些違反條件中的任一違反條件對應的風險模型的評估指標,並且分別依據使用該些違反條件對應的風險模型的評估指標以及使用去除該些違反條件中的任一違反條件對應的風險模型的評估指標計算多個差值;評估設定模組,與該評估指標計算模組電性連接,用以設定風險閾值,並且分別依據該風險閾值與該些差值評估該些影響因子對金融交易的影響程度;以及選擇判定模組,與該評估設定模組電性連接,用以選擇 該些差值大於該風險閾值的該些影響因子來判定該金融交易是否為正常交易。
  2. 如請求項1所述的風險評估系統,其中該些違反條件至少包括是否給客戶信中有特定違規字眼存在、是否給該客戶信中有客戶私人資訊、是否給該客戶信中有大額金額資訊、是否給該客戶信中有銀行保密資訊、是否給該客戶信中有獲利公司資訊以及是否有銀行名稱。
  3. 如請求項1所述的風險評估系統,其中該些模組更包括警示模組,該警示模組與該選擇判定模組電性連接,用以於判定該金融交易為非正常交易時,產生至少包括該些影響因子的資訊。
  4. 如請求項1所述的風險評估系統,其中該些歷史交易資訊依據該交易編號以及該些影響因子記錄是否符合該些影響因子的資訊。
  5. 如請求項4所述的風險評估系統,其中該評估指標計算模組用以分別計算使用該些違反條件對應的風險模型的評估指標以及使用去除該些違反條件中的任一違反條件對應的風險模型的評估指標的操作中更包括,該評估指標計算模組更用以從該些歷史交易資訊中選擇任意兩個歷史交易,依據預測該任意兩個歷史交易經使用該些違反條件對應的風險模型、使用去除該些違反條件中的任一違反條件對應的風險模型的機率與該任意兩個歷史交易使用該些違反條件、 使用去除該些違反條件中的任一違反條件的實際結果來計算使用該些違反條件對應的風險模型的該評估指標以及使用去除該些違反條件中的任一違反條件對應的風險模型的該評估指標。
  6. 一種基於量化影響因子的風險評估方法,其中該方法包括:依據多個影響因子將多個歷史交易資訊經由分類模型分別建立與該些影響因子對應的多個風險模型,其中該些歷史交易資訊至少包括交易編號、多個影響因子以及實際是否為不正常交易,其中該些影響因子至少包括使用多個違反條件、使用去除該些違反條件中的任一違反條件;分別計算使用該些違反條件對應的風險模型的評估指標以及使用去除該些違反條件中的任一違反條件對應的風險模型的評估指標,並且分別依據使用該些違反條件對應的風險模型的評估指標以及使用去除該些違反條件中的任一違反條件對應的風險模型的評估指標計算多個差值;設定風險閾值,並且分別依據該風險閾值與該些差值評估該些影響因子對金融交易的影響程度;以及選擇該些差值大於該風險閾值的該些影響因子來判定該金融交易是否為正常交易。
  7. 如請求項6所述的風險評估方法,其中該些違反條件至少包括是否給客戶信中有特定違規字眼存在、是否給該客戶信中有客戶私人資訊、是否給該客戶信中有大額金額資訊、是否給 該客戶信中有銀行保密資訊、是否給該客戶信中有獲利公司資訊以及是否有銀行名稱。
  8. 如請求項6所述的風險評估方法,其中該選擇該些差值大於該風險閾值的該些影響因子來判定該金融交易是否為該正常交易的步驟中更包括:於判定該金融交易為非正常交易時,產生至少包括該些影響因子的資訊。
  9. 如請求項6所述的風險評估方法,其中該些歷史交易資訊依據該交易編號以及該些影響因子記錄是否符合該些影響因子的資訊。
  10. 如請求項9所述的風險評估方法,其中該分別計算使用該些違反條件對應的風險模型的評估指標以及使用去除該些違反條件中的任一違反條件對應的風險模型的評估指標的步驟中更包括,從該些歷史交易資訊中選擇任意兩個歷史交易,依據預測該任意兩個歷史交易經使用該些違反條件對應的風險模型、使用去除該些違反條件中的任一違反條件對應的風險模型的機率與該任意兩個歷史交易使用該些違反條件、使用去除該些違反條件中的任一違反條件的實際結果來計算使用該些違反條件對應的風險模型的該評估指標以及使用去除該些違反條件中的任一違反條件對應的風險模型的該評估指標。
TW111133869A 2022-09-07 2022-09-07 基於量化影響因子的風險評估系統及其方法 TWI831364B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW111133869A TWI831364B (zh) 2022-09-07 2022-09-07 基於量化影響因子的風險評估系統及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW111133869A TWI831364B (zh) 2022-09-07 2022-09-07 基於量化影響因子的風險評估系統及其方法

Publications (2)

Publication Number Publication Date
TWI831364B true TWI831364B (zh) 2024-02-01
TW202411918A TW202411918A (zh) 2024-03-16

Family

ID=90824540

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111133869A TWI831364B (zh) 2022-09-07 2022-09-07 基於量化影響因子的風險評估系統及其方法

Country Status (1)

Country Link
TW (1) TWI831364B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8019678B2 (en) * 2001-05-30 2011-09-13 Cybersource Corporation Method and apparatus for evaluating fraud risk in an electronic commerce transaction
CN109377339A (zh) * 2018-10-22 2019-02-22 中信网络科技股份有限公司 一种可疑交易案例的辅助甄别方法及系统
US10432605B1 (en) * 2012-03-20 2019-10-01 United Services Automobile Association (Usaa) Scalable risk-based authentication methods and systems
TW202036442A (zh) * 2019-02-13 2020-10-01 煜燊 宋 智能警報系統
US20200311736A1 (en) * 2019-03-25 2020-10-01 Yuh-Shen Song Illicit proceeds tracking system
CN113095927A (zh) * 2021-02-23 2021-07-09 广发证券股份有限公司 一种反洗钱可疑交易识别方法及设备
CN114066631A (zh) * 2021-11-18 2022-02-18 神州数码系统集成服务有限公司 一种反洗钱数据监控方法、系统、存储介质、智能终端
TWM635117U (zh) * 2022-09-07 2022-12-01 兆豐國際商業銀行股份有限公司 基於量化影響因子的風險評估系統

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8019678B2 (en) * 2001-05-30 2011-09-13 Cybersource Corporation Method and apparatus for evaluating fraud risk in an electronic commerce transaction
US10432605B1 (en) * 2012-03-20 2019-10-01 United Services Automobile Association (Usaa) Scalable risk-based authentication methods and systems
CN109377339A (zh) * 2018-10-22 2019-02-22 中信网络科技股份有限公司 一种可疑交易案例的辅助甄别方法及系统
TW202036442A (zh) * 2019-02-13 2020-10-01 煜燊 宋 智能警報系統
US20200311736A1 (en) * 2019-03-25 2020-10-01 Yuh-Shen Song Illicit proceeds tracking system
CN113095927A (zh) * 2021-02-23 2021-07-09 广发证券股份有限公司 一种反洗钱可疑交易识别方法及设备
CN114066631A (zh) * 2021-11-18 2022-02-18 神州数码系统集成服务有限公司 一种反洗钱数据监控方法、系统、存储介质、智能终端
TWM635117U (zh) * 2022-09-07 2022-12-01 兆豐國際商業銀行股份有限公司 基於量化影響因子的風險評估系統

Similar Documents

Publication Publication Date Title
US7945515B2 (en) Mass compromise/point of compromise analytic detection and compromised card portfolio management system
WO2020250730A1 (ja) 不正検知装置、不正検知方法および不正検知プログラム
US11055382B2 (en) Methods and systems that estimate a degree of abnormality of a complex system
CN111626860B (zh) 结合历史和实时财务数据判断高频交易的系统及方法
CN111400155A (zh) 一种数据检测方法及装置
TWM635117U (zh) 基於量化影響因子的風險評估系統
TWI831364B (zh) 基於量化影響因子的風險評估系統及其方法
CN111222968A (zh) 一种企业税务风险管控方法及系统
TW202411918A (zh) 基於量化影響因子的風險評估系統及其方法
TWM633533U (zh) 防止理財專員舞弊的警示系統
US20220180232A1 (en) Forecasting based on bernoulli uncertainty characterization
TWM622331U (zh) 風險預測系統及其設備
CN114186815A (zh) 一种成本预警方法、装置和设备
TWI809635B (zh) 理賠詐欺偵防系統及利用所述系統評估保險理賠詐欺風險的方法
CN111461865B (zh) 一种数据分析方法及装置
CN116644372B (zh) 一种账户类型的确定方法、装置、电子设备及存储介质
TWI716172B (zh) 重大訊息風險預警裝置及方法
JP2002197268A (ja) ローン管理システム、その方法及びコンピュータシステムにローンの管理を行わせるためのコンピュータソフトウエアプログラム製品
US11544753B2 (en) Indicating forecasts of invoice payments
AU2021312671B2 (en) Value over replacement feature (VORF) based determination of feature importance in machine learning
JP7194077B2 (ja) 経営分析支援システム、及び経営分析支援方法
TWI807196B (zh) 授信風險評估系統與方法
Nurhidayat et al. More accurate simulation for insurance data based on a modified SVM polynomial method 1
TWM636152U (zh) 弊案防範裝置
TW202407616A (zh) 防止理財專員舞弊的警示系統以及警示方法