CN106952162A - 洗钱风险等级计算方法及*** - Google Patents
洗钱风险等级计算方法及*** Download PDFInfo
- Publication number
- CN106952162A CN106952162A CN201610013674.4A CN201610013674A CN106952162A CN 106952162 A CN106952162 A CN 106952162A CN 201610013674 A CN201610013674 A CN 201610013674A CN 106952162 A CN106952162 A CN 106952162A
- Authority
- CN
- China
- Prior art keywords
- money laundering
- laundering risks
- factor
- data
- risks
- 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
- 238000004900 laundering Methods 0.000 title claims abstract description 398
- 238000004364 calculation method Methods 0.000 title claims abstract description 53
- 230000001960 triggered effect Effects 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 7
- 241001269238 Data Species 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种洗钱风险等级计算方法及***,通过确定各个投保客户所分别对应的洗钱风险因子;基于已发生的历史投保数据,按照预设模型生成规则,生成用于计算各个投保客户对应的洗钱风险等级的预设计算模型;接收针对一个投保客户的洗钱风险等级进行计算所触发的操作指令,获取所述投保客户的投保数据,基于所述投保客户对应的洗钱风险因子和预设计算模型,计算得出所述投保客户对应的洗钱风险等级;具有客观地计算出量化为数字的洗钱风险等级的有益效果,提高了洗钱风险等级计算的准确性和客观性。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种洗钱风险等级计算方法及***。
背景技术
洗钱,是指通过各种方式掩饰、隐瞒毒品犯罪、黑社会性质的组织犯罪、恐怖活动犯罪、走私犯罪、贪污贿赂犯罪、破坏金融管理秩序犯罪等犯罪所得及其收益的来源和性质的洗钱活动,常见的洗钱途径广泛涉及银行、保险、证券、房地产等各种领域。反洗钱是政府动用立法、司法力量,调动有关的组织和商业机构对可能的洗钱活动予以识别,对有关款项予以处置,对相关机构和人士予以惩罚,从而达到阻止犯罪活动目的的一项***工程。因此,如何有效地防范打击洗钱活动,成为当前社会的一个热点问题。
现有的洗钱风险不能量化为数字,且需要定期采集数据并通过报表进行人工监控某些风险项目,以此来控制客户的洗钱风险。这种人工处理方式不仅需要投入大量的人力、物力,而且对洗钱风险评估人员的评估经验、技术水平等个人能力有很高的要求;同时,利用人工处理方式进行洗钱风险的评估,具有一定的主观性,因此这种处理方式也不够准确和客观。
发明内容
鉴于以上内容,有必要提供一种洗钱风险等级计算方法及***,旨在客观地计算出量化为数字的洗钱风险等级,提高洗钱风险等级计算的准确性和客观性。
本发明公开了一种洗钱风险等级计算方法,包括以下步骤:
服务器确定各个投保客户所分别对应的洗钱风险因子;
基于已发生的历史投保数据,按照预设模型生成规则,生成用于计算各个投保客户对应的洗钱风险等级的预设计算模型;
接收针对一个投保客户的洗钱风险等级进行计算所触发的操作指令,获取所述投保客户的投保数据,基于所述投保客户对应的洗钱风险因子和预设计算模型,计算得出所述投保客户对应的洗钱风险等级。
优选地,所述基于已发生的历史投保数据,按照预设模型生成规则,生成用于计算各个投保客户对应的洗钱风险等级的预设计算模型,包括:
获取已发生的预设数量的历史投保数据,确定所述历史投保数据对应的洗钱风险因子,并对获取的所述历史投保数据按确定的所述洗钱风险因子进行预处理,获取所述历史投保数据对应各个确定的所述洗钱风险因子的数据;
按照预设分析规则对所述历史投保数据进行等级划分,并将不同等级历史投保数据对应的各个确定的所述洗钱风险因子的数据,分别发送到不同的文件夹中;
从各文件夹下分别提取预设比例的各个洗钱风险因子数据作为训练数据,对所述预设计算模型进行训练,并将各所述文件夹中剩余的各洗钱风险因子数据作为测试数据,测试训练后生成的所述预设计算模型的准确率;
若所述预设计算模型的准确率小于或者等于预设准确率,则增加已发生的历史投保数据的获取数量,重复所述预设计算模型的生成过程,直至生成的预设计算模型的准确率大于所述预设准确率;及/或:
按照预设因子调优规则,对确定的所述洗钱风险因子进行删除及/或增加处理,重复所述预设计算模型的生成过程,直至生成的所述预设计算模型的准确率大于所述预设准确率。
优选地,所述预设因子调优规则包括:
确定生成的预设计算模型中各个洗钱风险因子对应的权重系数,并找出权重系数最小的洗钱风险因子;
从确定的所述洗钱风险因子中,删除找出的权重系数最小的洗钱风险因子;及/或:在确定的所述洗钱风险因子中,新增其他洗钱风险因子。
优选地,所述预设因子调优规则包括:
确定生成的预设计算模型中各个洗钱风险因子对应的权重系数,并找出权重系数最小的洗钱风险因子,获取最小权重系数;
若所述最小权重系数小于预设权重阈值,则将所述权重系数最小的洗钱风险因子从确定的所述洗钱风险因子中删除;
若所述最小权重系数大于或者等于所述预设权重阈值,则在确定的所述洗钱风险因子中新增其他洗钱风险因子。
优选地,所述接收针对一个投保客户的洗钱风险等级进行计算所触发的操作指令,获取所述投保客户的投保数据,基于所述投保客户对应的洗钱风险因子和预设计算模型,计算得出所述投保客户对应的洗钱风险等级,包括:
接收用户触发的针对一个投保客户洗钱风险等级的计算指令,响应所述计算指令,获取所述投保客户对应的投保数据;
确定所述投保客户对应的预设计算模型中的洗钱风险因子,对获取的所述投保数据按照确定的所述洗钱风险因子进行预处理,得到所述投保数据对应各个确定的所述洗钱风险因子的数据;
将获取的各个确定的所述洗钱风险因子的数据,代入所述投保客户对应的预设计算模型中,计算并获取所述投保客户对应的洗钱风险等级。
对应于以上所公开的一种洗钱风险等级计算方法,本发明还公开了一种洗钱风险等级计算***,包括:
确定模块,用于确定各个投保客户所分别对应的洗钱风险因子;
生成模块,用于基于已发生的历史投保数据,按照预设模型生成规则,生成用于计算各个投保客户对应的洗钱风险等级的预设计算模型;
计算模块,用于接收针对一个投保客户的洗钱风险等级进行计算所触发的操作指令,获取所述投保客户的投保数据,基于所述投保客户对应的洗钱风险因子和预设计算模型,计算得出所述投保客户对应的洗钱风险等级。
优选地,所述生成模块包括:
获取单元,用于获取已发生的预设数量的历史投保数据,确定所述历史投保数据对应的洗钱风险因子,并对获取的所述历史投保数据按确定的所述洗钱风险因子进行预处理,获取所述历史投保数据对应各个确定的所述洗钱风险因子的数据;
划分单元,用于按照预设分析规则对所述历史投保数据进行等级划分,并将不同等级历史投保数据对应的各个确定的所述洗钱风险因子的数据,分别发送到不同的文件夹中;
生成单元,用于从各文件夹下分别提取预设比例的各个洗钱风险因子数据作为训练数据,对所述预设计算模型进行训练,并将各所述文件夹中剩余的各洗钱风险因子数据作为测试数据,测试训练后生成的所述预设计算模型的准确率;
验证单元,用于:
若所述预设计算模型的准确率小于或者等于预设准确率,则增加已发生的历史投保数据的获取数量,重复所述预设计算模型的生成过程,直至生成的预设计算模型的准确率大于所述预设准确率;及/或:
按照预设因子调优规则,对确定的所述洗钱风险因子进行删除及/或增加处理,重复所述预设计算模型的生成过程,直至生成的所述预设计算模型的准确率大于所述预设准确率。
优选地,所述预设因子调优规则包括:
确定生成的预设计算模型中各个洗钱风险因子对应的权重系数,并找出权重系数最小的洗钱风险因子;
从确定的所述洗钱风险因子中,删除找出的权重系数最小的洗钱风险因子;及/或:在确定的所述洗钱风险因子中,新增其他洗钱风险因子。
优选地,所述预设因子调优规则包括:
确定生成的预设计算模型中各个洗钱风险因子对应的权重系数,并找出权重系数最小的洗钱风险因子,获取最小权重系数;
若所述最小权重系数小于预设权重阈值,则将所述权重系数最小的洗钱风险因子从确定的所述洗钱风险因子中删除;
若所述最小权重系数大于或者等于所述预设权重阈值,则在确定的所述洗钱风险因子中新增其他洗钱风险因子。
优选地,所述计算模块包括:
接收单元,用于接收用户触发的针对一个投保客户洗钱风险等级的计算指令,响应所述计算指令,获取所述投保客户对应的投保数据;
处理单元,用于确定所述投保客户对应的预设计算模型中的洗钱风险因子,对获取的所述投保数据按照确定的所述洗钱风险因子进行预处理,得到所述投保数据对应各个确定的所述洗钱风险因子的数据;
计算单元,用于将获取的各个确定的所述洗钱风险因子的数据,代入所述投保客户对应的预设计算模型中,计算并获取所述投保客户对应的洗钱风险等级。
本发明一种洗钱风险等级计算方法及***可以达到如下有益效果:
通过确定各个投保客户所分别对应的洗钱风险因子;基于已发生的历史投保数据,按照预设模型生成规则,生成用于计算各个投保客户对应的洗钱风险等级的预设计算模型;接收针对一个投保客户的洗钱风险等级进行计算所触发的操作指令,获取所述投保客户的投保数据,基于所述投保客户对应的洗钱风险因子和预设计算模型,计算得出所述投保客户对应的洗钱风险等级;具有客观地计算出量化为数字的洗钱风险等级的有益效果,提高了洗钱风险等级计算的准确性和客观性。
附图说明
图1是本发明洗钱风险等级计算方法的一种实施方式的流程示意图;
图2是本发明洗钱风险等级计算方法中,图1所述实施例中步骤S20的一种实施方式的流程示意图;
图3是本发明洗钱风险等级计算方法中,图1所述实施例中步骤S30的一种实施方式的流程示意图;
图4是本发明洗钱风险等级计算***的一种实施方式的框图;
图5是本发明洗钱风险等级计算***中,图4所述实施例中生成模块70的一种实施方式的框图;
图6是本发明洗钱风险等级计算***中,图4所述实施例中计算模块80的一种实施方式的框图。
本发明实施例目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
以下结合说明书附图及具体实施例进一步说明本发明的技术方案。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种洗钱风险等级计算方法,旨在客观地计算出量化为数字的洗钱风险等级,提高洗钱风险等级计算的准确性和客观性。如图1所示,本发明洗钱风险等级计算方法可以实施为如下描述的步骤S10-S30:
步骤S10、服务器确定各个投保客户所分别对应的洗钱风险因子;
本发明实施例中,***根据各个投保客户对应的个人信息,来确定每个投保客户所分别对应的洗钱风险因子。例如,根据投保客户所处行业、性别、年龄、婚姻状况、职业,保险购买地、保险购买渠道、投保险种(例如:寿险、投资收益类险种、意外险等)、业务类型、有效保单数、被保人数、受益人与投保人的关系等因素,来确定各投保客户对应的洗钱风险因子。
步骤S20、基于已发生的历史投保数据,按照预设模型生成规则,生成用于计算各个投保客户对应的洗钱风险等级的预设计算模型;
本发明实施例中,***根据每个投保客户已经发生的历史投保数据,按照预先设定的模型生成规则,来生成对应的预设计算模型;该预设计算模型用于计算各投保客户所分别对应的洗钱风险等级。
本发明实施例中,上述预设模型生成规则可以根据不同行业需求,来制定不同的模型生成规则;例如,针对银行和证券的行业,根据银行和证券行业需求设置对应的模型生成规则;针对房地产行业,根据房地产行业需求设置对应的模型生成规则;针对保险行业,根据保险行业需求设置对应的模型生成规则等。上述预设模型生成规则还可以根据不同的业务类型,来制定不同的模型生成规则;或者,根据投保客户对应的已发生的历史投保数据,来制定不同的模型生成规则。本发明实施例对具体的模型生成规则的具体内容,不做限定。
步骤S30、接收针对一个投保客户的洗钱风险等级进行计算所触发的操作指令,获取所述投保客户的投保数据,基于所述投保客户对应的洗钱风险因子和预设计算模型,计算得出所述投保客户对应的洗钱风险等级。
***接收到用户触发的针对一个投保客户对应的投保数据的洗钱风险等级计算指令时,响应该洗钱风险等级计算指令,获取该洗钱风险等级计算指令所指向的投保客户的投保数据。当***得到具体的投保客户的投保数据后,确定该投保客户对应的洗钱风险因子,并确定该投保客户的投保数据所对应的预设计算模型。***将获取的洗钱风险因子代入对应的预设计算模型中,基于该预设计算模型即可计算得出该投保客户对应的洗钱风险等级。
在本发明一优选的实施例中,当***计算得到某投保客户对应的洗钱风险等级后,将获取的洗钱风险等级与投保客户对应的个人信息一并显示出来,供分析人员查看;及/或,将获取的洗钱风险等级与投保客户对应的个人信息发送至预设终端,从而方便分析人员及时掌握各投保客户对应的具体洗钱风险等级。
进一步地,在本发明一优选实施例中,***获取到某投保客户的洗钱风险等级后,判断获取的上述洗钱风险等级是否超过预设等级阈值;当获取的洗钱风险等级超出预设等级阈值时,***发送对应的提醒信息,以提醒分析人员对应投保客户的洗钱风险等级,便于分析人员及时采取应对措施。
本发明洗钱风险等级计算方法通过确定各个投保客户所分别对应的洗钱风险因子;基于已发生的历史投保数据,按照预设模型生成规则,生成用于计算各个投保客户对应的洗钱风险等级的预设计算模型;接收针对一个投保客户的洗钱风险等级进行计算所触发的操作指令,获取所述投保客户的投保数据,基于所述投保客户对应的洗钱风险因子和预设计算模型,计算得出所述投保客户对应的洗钱风险等级;具有客观地计算出量化为数字的洗钱风险等级的有益效果,提高了洗钱风险等级计算的准确性和客观性。
基于图1所述实施例的描述,本发明洗钱风险等级计算方法中,所描述的预设计算模型包括但不限于:支持向量机(Support Vector Machine,SVM)模型。***基于已发生的历史投保数据,按照预设计算模型的生成规则,生成用于计算各个投保客户对应的洗钱风险等级的预设计算模型,可以通过图2描述的技术手段来实现。
如图2所示,本发明洗钱风险等级计算方法中,图1所述实施例中,“步骤S20、基于已发生的历史投保数据,按照预设模型生成规则,生成用于计算各个投保客户对应的洗钱风险等级的预设计算模型”,可以实施为如下描述的步骤S210-S240:
步骤S210、获取已发生的预设数量的历史投保数据,确定所述历史投保数据对应的洗钱风险因子,并对获取的所述历史投保数据按确定的所述洗钱风险因子进行预处理,获取所述历史投保数据对应各个确定的所述洗钱风险因子的数据;
本发明实施例中,针对一个投保客户,***获取该投保客户对应的已经发生的预设数量的历史投保数据。由于已知了该投保客户所对应的已发生的具体历史投保数据,因此,即可确定该投保客户的历史投保数据所对应的洗钱风险因子。针对不同的洗钱风险因子,***对上述历史投保数据进行预处理,得到不同的洗钱风险因子下所分别对应的洗钱风险因子数据。
步骤S220、按照预设分析规则对所述历史投保数据进行等级划分,并将不同等级历史投保数据对应的各个确定的所述洗钱风险因子的数据,分别发送到不同的文件夹中;
本发明实施例中,***按照预先确定的针对投保客户的历史投保数据的分析规则,对上述历史投保数据进行等级划分,得到对应的不同等级的数据;并根据不同等级,将对应的历史投保数据所分别对应的各个确定的洗钱风险因子的数据,分发至不同的文件夹中。
例如,在一个实施例中,***对获得的所述历史投保数据,按照对应的投保客户是否发生了洗钱行为进行等级分类,并将不同等级分类的历史数据对应的各个确定的洗钱风险因子数据分别分发到不同的文件夹里。例如,A客户发生过洗钱行为,则A客户属于高洗钱风险等级客户,***将A客户历史投保数据对应的洗钱风险因子数据分发到第一文件夹里;B客户未发生过洗钱行为,则B客户属于低洗钱风险等级客户,***将B客户历史投保数据对应的洗钱风险因子数据分发到第二文件夹里。
例如,在另一个实施例中,***将发生过洗钱行为的投保客户的历史投保数据,划分为较高洗钱风险等级数据。或者,***将投保的都是投资收益类险种且受益人数超过第一阈值(例如,5人)的投保客户的历史投保数据,划分为高洗钱风险等级数据。或者,***针对投保有高额的投资收益类险种且与超过第二阈值(例如,2人)的受益人的关系为一般关系的投保客户,将这种类型的投保客户所对应的历史投保数据划分为高洗钱风险等级数据;其中,“与受益人的关系为一般关系”可以理解为:除直系亲属及/或配偶等伦理上较为亲近的关系以外的普通关系。***针对其他情况下的投保客户所对应的历史投保数据,划分为一般洗钱风险等级数据。
***将不同等级的历史投保数据对应的各个确定的洗钱风险因子数据,分发到不同的文件夹里;例如,***将较高洗钱风险等级数据对应的洗钱风险因子数据分发到第一文件夹里,将高洗钱风险等级数据对应的洗钱风险因子数据分发到第二文件夹里,将一般洗钱风险等级数据对应的洗钱风险因子数据分发到第三文件夹里等。
步骤S230、从各文件夹下分别提取预设比例的各个洗钱风险因子数据作为训练数据,对所述预设计算模型进行训练,并将各所述文件夹中剩余的各洗钱风险因子数据作为测试数据,测试训练后生成的所述预设计算模型的准确率;
***从不同的文件夹下分别提取出预设比例(例如70%)的洗钱风险因子数据作为训练数据,对预设计算模型进行训练。同时,将各个文件夹中剩余的(例如剩余的30%)各洗钱风险因子数据,作为测试数据,从而使用上述测试数据来测试训练后的预设计算模型的准确率。
例如,当使用预设计算模型为SVM模型时,***利用提取的预设比例比如70%的各个洗钱风险因子数据,进行SVM模型训练以生成对应的用于计算投保客户对应的洗钱风险等级的SVM模型,利用剩下的比如30%的各个洗钱风险因子数据,对生成的SVM模型进行准确率验证。
步骤S240、若所述预设计算模型的准确率小于或者等于预设准确率,则增加已发生的历史投保数据的获取数量,重复所述预设计算模型的生成过程,直至生成的预设计算模型的准确率大于所述预设准确率;及/或:按照预设因子调优规则,对确定的所述洗钱风险因子进行删除及/或增加处理,重复所述预设计算模型的生成过程,直至生成的所述预设计算模型的准确率大于所述预设准确率。
例如,若***生成的预设计算模型的准确率小于或者等于预设准确率比如99%,则***增加该投保客户对应的已发生的历史投保数据的获取数量,重复上述预设计算模型的生成过程,直至生成的预设计算模型的准确率大于所述预设准确率比如99%。及/或:
***按照预设因子调优规则,对所述投保客户对应的洗钱风险因子进行删除及/或增加处理,重复所述预设计算模型的生成过程,直至生成的所述预设计算模型的准确率大于所述预设准确率比如99%。
在本发明一优选的实施例中,所描述的预设因子调优规则包括:
在投保客户对应的已确定的洗钱风险因子中,新增加其他洗钱风险因子。
在本发明一优选的实施例中,所描述的预设因子调优规则包括:
确定生成的预设计算模型中各个洗钱风险因子对应的权重系数,并找出权重系数最小的洗钱风险因子;从确定的所述洗钱风险因子中,删除找出的权重系数最小的洗钱风险因子;及/或:在确定的所述洗钱风险因子中,新增其他洗钱风险因子。
在本发明一优选的实施例中,所描述的预设因子调优规则包括:
确定生成的预设计算模型中各个洗钱风险因子对应的权重系数,并找出权重系数最小的洗钱风险因子,获取最小权重系数;若所述最小权重系数小于预设权重阈值,则将所述权重系数最小的洗钱风险因子从确定的所述洗钱风险因子中删除;若所述最小权重系数大于或者等于所述预设权重阈值,则在确定的所述洗钱风险因子中新增其他洗钱风险因子。
本发明洗钱风险等级计算方法通过根据不同投保客户所分别对应的历史投保数据生成对应的预设计算模型,避免了针对所有投保客户均采用相同计算模型的情况,进一步提高了洗钱风险等级计算的准确性和客观性。
基于图1和图2所述实施例的描述,本发明洗钱风险等级计算方法中,***基于触发的操作指令,对投保客户进行洗钱风险等级分析时,可以采用图3所述实施例描述的技术手段实现。
如图3所示,本发明洗钱风险等级计算方法中,图1所述实施例中,“步骤S30、接收针对一个投保客户的洗钱风险等级进行计算所触发的操作指令,获取所述投保客户的投保数据,基于所述投保客户对应的洗钱风险因子和预设计算模型,计算得出所述投保客户对应的洗钱风险等级”可以实施为如下描述的步骤S310-S330:
步骤S310、接收用户触发的针对一个投保客户洗钱风险等级的计算指令,响应所述计算指令,获取所述投保客户对应的投保数据;
步骤S320、确定所述投保客户对应的预设计算模型中的洗钱风险因子,对获取的所述投保数据按照确定的所述洗钱风险因子进行预处理,得到所述投保数据对应各个确定的所述洗钱风险因子的数据;
步骤S330、将获取的各个确定的所述洗钱风险因子的数据,代入所述投保客户对应的预设计算模型中,计算并获取所述投保客户对应的洗钱风险等级。
本发明实施例中,***接收到针对投保客户洗钱风险等级的计算指令可以由用户触发,可以由***在满足一定的触发条件时自动触发,本发明实施例对上述针对一个投保客户洗钱风险等级的计算指令的触发主体,不做具体限定。
***接收到上述洗钱风险等级计算指令后,根据所针对的投保客户及该投保客户对应的投保数据,确定该投保客户对应的洗钱风险因子以及该投保客户的投保数据所适用的预设计算模型。***根据确定的该投保客户对应的预设计算模型和洗钱风险因子,对该投保客户进行洗钱风险等级分析。***将投保客户对应的投保数据按照确定的所述洗钱风险因子进行预处理,得到所述投保数据对应各个确定的所述洗钱风险因子的数据,并将得到的洗钱风险因子数据代入上述预设计算模型中,即可计算得到上述投保客户所对应的风险等级。
本发明洗钱风险等级计算方法通过接收用户触发的针对一个投保客户洗钱风险等级的计算指令,响应所述计算指令,获取所述投保客户对应的投保数据;确定所述投保客户对应的预设计算模型中的洗钱风险因子,对获取的所述投保数据按照确定的所述洗钱风险因子进行预处理,得到所述投保数据对应各个确定的所述洗钱风险因子的数据;将获取的各个确定的所述洗钱风险因子的数据,代入所述投保客户对应的预设计算模型中,计算并获取所述投保客户对应的洗钱风险等级;具有进一步提高洗钱风险等级计算客观性的有益效果,也提高了投保客户洗钱风险等级的计算效率。
对应于图1、图2和图3实施例所描述的一种洗钱风险等级计算方法,本发明还提供了一种洗钱风险等级计算***;如图4所示,本发明洗钱风险等级计算***包括:确定模块60、生成模块70和计算模块80;其中:
确定模块60,用于确定各个投保客户所分别对应的洗钱风险因子;
本发明实施例中,确定模块60根据各个投保客户对应的个人信息,来确定每个投保客户所分别对应的洗钱风险因子。例如,确定模块60根据投保客户所处行业、性别、年龄、婚姻状况、职业,保险购买地、保险购买渠道、投保险种(例如:寿险、投资收益类险种、意外险等)、业务类型、有效保单数、被保人数、受益人与投保人的关系等因素,来确定各投保客户对应的洗钱风险因子。
生成模块70,用于基于已发生的历史投保数据,按照预设模型生成规则,生成用于计算各个投保客户对应的洗钱风险等级的预设计算模型;
本发明实施例中,生成模块70根据每个投保客户已经发生的历史投保数据,按照预先设定的模型生成规则,来生成对应的预设计算模型;该预设计算模型用于计算各投保客户所分别对应的洗钱风险等级。
本发明实施例中,上述预设模型生成规则可以根据不同行业需求,来制定不同的模型生成规则;例如,针对银行和证券的行业,生成模块70根据银行和证券行业需求设置对应的模型生成规则;针对房地产行业,生成模块70根据房地产行业需求设置对应的模型生成规则;针对保险行业,生成模块70根据保险行业需求设置对应的模型生成规则等。上述预设模型生成规则还可以根据不同的业务类型,来制定不同的模型生成规则;或者,生成模块70根据投保客户对应的已发生的历史投保数据,来制定不同的模型生成规则。本发明实施例对具体的模型生成规则的具体内容,不做限定。
计算模块80,用于接收针对一个投保客户的洗钱风险等级进行计算所触发的操作指令,获取所述投保客户的投保数据,基于所述投保客户对应的洗钱风险因子和预设计算模型,计算得出所述投保客户对应的洗钱风险等级。
计算模块80接收到用户触发的针对一个投保客户对应的投保数据的洗钱风险等级计算指令时,响应该洗钱风险等级计算指令,获取该洗钱风险等级计算指令所指向的投保客户的投保数据。当计算模块80得到具体的投保客户的投保数据后,确定该投保客户对应的洗钱风险因子,并确定该投保客户的投保数据所对应的预设计算模型。计算模块80将获取的洗钱风险因子代入对应的预设计算模型中,基于该预设计算模型即可计算得出该投保客户对应的洗钱风险等级。
在本发明一优选的实施例中,当计算模块80计算得到某投保客户对应的洗钱风险等级后,将获取的洗钱风险等级与投保客户对应的个人信息一并显示出来,供分析人员查看;及/或,计算模块80将获取的洗钱风险等级与投保客户对应的个人信息发送至预设终端,从而方便分析人员及时掌握各投保客户对应的具体洗钱风险等级。
进一步地,在本发明一优选实施例中,计算模块80获取到某投保客户的洗钱风险等级后,判断获取的上述洗钱风险等级是否超过预设等级阈值;当获取的洗钱风险等级超出预设等级阈值时,计算模块80发送对应的提醒信息,以提醒分析人员对应投保客户的洗钱风险等级,便于分析人员及时采取应对措施。
本发明洗钱风险等级计算***通过确定各个投保客户所分别对应的洗钱风险因子;基于已发生的历史投保数据,按照预设模型生成规则,生成用于计算各个投保客户对应的洗钱风险等级的预设计算模型;接收针对一个投保客户的洗钱风险等级进行计算所触发的操作指令,获取所述投保客户的投保数据,基于所述投保客户对应的洗钱风险因子和预设计算模型,计算得出所述投保客户对应的洗钱风险等级;具有客观地计算出量化为数字的洗钱风险等级的有益效果,提高了洗钱风险等级计算的准确性和客观性。
基于图4所述实施例的描述,本发明洗钱风险等级计算***中,所描述的预设计算模型包括但不限于:支持向量机(Support Vector Machine,SVM)模型。
如图5所示,本发明洗钱风险等级计算***中,图4实施例中所述生成模块70包括:获取单元701、划分单元702、生成单元703和验证单元704;其中:
获取单元701,用于获取已发生的预设数量的历史投保数据,确定所述历史投保数据对应的洗钱风险因子,并对获取的所述历史投保数据按确定的所述洗钱风险因子进行预处理,获取所述历史投保数据对应各个确定的所述洗钱风险因子的数据;
本发明实施例中,针对一个投保客户,获取单元701获取该投保客户对应的已经发生的预设数量的历史投保数据。由于已知了该投保客户所对应的已发生的具体历史投保数据,因此,获取单元701即可确定该投保客户的历史投保数据所对应的洗钱风险因子。针对不同的洗钱风险因子,获取单元701对上述历史投保数据进行预处理,得到不同的洗钱风险因子下所分别对应的洗钱风险因子数据。
划分单元702,用于按照预设分析规则对所述历史投保数据进行等级划分,并将不同等级历史投保数据对应的各个确定的所述洗钱风险因子的数据,分别发送到不同的文件夹中;
本发明实施例中,划分单元702按照预先确定的针对投保客户的历史投保数据的分析规则,对上述历史投保数据进行等级划分,得到对应的不同等级的数据;并根据不同等级,划分单元702将对应的历史投保数据所分别对应的各个确定的洗钱风险因子的数据,分发至不同的文件夹中。
例如,在一个实施例中,划分单元702对获得的所述历史投保数据,按照对应的投保客户是否发生了洗钱行为进行等级分类,并将不同等级分类的历史数据对应的各个确定的洗钱风险因子数据分别分发到不同的文件夹里。例如,A客户发生过洗钱行为,则A客户属于高洗钱风险等级客户,划分单元702将A客户历史投保数据对应的洗钱风险因子数据分发到第一文件夹里;B客户未发生过洗钱行为,则B客户属于低洗钱风险等级客户,划分单元702将B客户历史投保数据对应的洗钱风险因子数据分发到第二文件夹里。
例如,在另一个实施例中,划分单元702将发生过洗钱行为的投保客户的历史投保数据,划分为较高洗钱风险等级数据。或者,划分单元702将投保的都是投资收益类险种且受益人数超过第一阈值(例如,5人)的投保客户的历史投保数据,划分为高洗钱风险等级数据。或者,划分单元702针对投保有高额的投资收益类险种且与超过第二阈值(例如,2人)的受益人的关系为一般关系的投保客户,将这种类型的投保客户所对应的历史投保数据划分为高洗钱风险等级数据;其中,“与受益人的关系为一般关系”可以理解为:除直系亲属及/或配偶等伦理上较为亲近的关系以外的普通关系。划分单元702针对其他情况下的投保客户所对应的历史投保数据,划分为一般洗钱风险等级数据。
划分单元702将不同等级的历史投保数据对应的各个确定的洗钱风险因子数据,分发到不同的文件夹里;例如,划分单元702将较高洗钱风险等级数据对应的洗钱风险因子数据分发到第一文件夹里,将高洗钱风险等级数据对应的洗钱风险因子数据分发到第二文件夹里,将一般洗钱风险等级数据对应的洗钱风险因子数据分发到第三文件夹里等。
生成单元703,用于从各文件夹下分别提取预设比例的各个洗钱风险因子数据作为训练数据,对所述预设计算模型进行训练,并将各所述文件夹中剩余的各洗钱风险因子数据作为测试数据,测试训练后生成的所述预设计算模型的准确率;
生成单元703从不同的文件夹下分别提取出预设比例(例如70%)的洗钱风险因子数据作为训练数据,对预设计算模型进行训练。同时,生成单元703将各个文件夹中剩余的(例如剩余的30%)各洗钱风险因子数据,作为测试数据,从而使用上述测试数据来测试训练后的预设计算模型的准确率。
例如,当使用预设计算模型为SVM模型时,生成单元703利用提取的预设比例比如70%的各个洗钱风险因子数据,进行SVM模型训练以生成对应的用于计算投保客户对应的洗钱风险等级的SVM模型,利用剩下的比如30%的各个洗钱风险因子数据,对生成的SVM模型进行准确率验证。
验证单元704,用于:若所述预设计算模型的准确率小于或者等于预设准确率,则增加已发生的历史投保数据的获取数量,重复所述预设计算模型的生成过程,直至生成的预设计算模型的准确率大于所述预设准确率;及/或:按照预设因子调优规则,对确定的所述洗钱风险因子进行删除及/或增加处理,重复所述预设计算模型的生成过程,直至生成的所述预设计算模型的准确率大于所述预设准确率。
例如,若生成单元703生成的预设计算模型的准确率小于或者等于预设准确率比如99%,则验证单元704增加该投保客户对应的已发生的历史投保数据的获取数量,重复上述预设计算模型的生成过程,直至生成的预设计算模型的准确率大于所述预设准确率比如99%。及/或:
验证单元704按照预设因子调优规则,对所述投保客户对应的洗钱风险因子进行删除及/或增加处理,重复所述预设计算模型的生成过程,直至生成的所述预设计算模型的准确率大于所述预设准确率比如99%。
在本发明一优选的实施例中,所描述的预设因子调优规则包括:
在投保客户对应的已确定的洗钱风险因子中,新增加其他洗钱风险因子。
在本发明一优选的实施例中,所描述的预设因子调优规则包括:
确定生成的预设计算模型中各个洗钱风险因子对应的权重系数,并找出权重系数最小的洗钱风险因子;从确定的所述洗钱风险因子中,删除找出的权重系数最小的洗钱风险因子;及/或:在确定的所述洗钱风险因子中,新增其他洗钱风险因子。
在本发明一优选的实施例中,所描述的预设因子调优规则包括:
确定生成的预设计算模型中各个洗钱风险因子对应的权重系数,并找出权重系数最小的洗钱风险因子,获取最小权重系数;若所述最小权重系数小于预设权重阈值,则将所述权重系数最小的洗钱风险因子从确定的所述洗钱风险因子中删除;若所述最小权重系数大于或者等于所述预设权重阈值,则在确定的所述洗钱风险因子中新增其他洗钱风险因子。
本发明洗钱风险等级计算***通过根据不同投保客户所分别对应的历史投保数据生成对应的预设计算模型,避免了针对所有投保客户均采用相同计算模型的情况,进一步提高了洗钱风险等级计算的准确性和客观性。
基于图4和图5所述实施例的描述,如图6所示,本发明洗钱风险等级计算***中,图4所述实施例中所述计算模块80包括:
接收单元801,用于接收用户触发的针对一个投保客户洗钱风险等级的计算指令,响应所述计算指令,获取所述投保客户对应的投保数据;
处理单元802,用于确定所述投保客户对应的预设计算模型中的洗钱风险因子,对获取的所述投保数据按照确定的所述洗钱风险因子进行预处理,得到所述投保数据对应各个确定的所述洗钱风险因子的数据;
计算单元803,用于将获取的各个确定的所述洗钱风险因子的数据,代入所述投保客户对应的预设计算模型中,计算并获取所述投保客户对应的洗钱风险等级。
本发明实施例中,接收单元801接收到针对投保客户洗钱风险等级的计算指令可以由用户触发,可以由***在满足一定的触发条件时自动触发,本发明实施例对上述针对一个投保客户洗钱风险等级的计算指令的触发主体,不做具体限定。
接收单元801接收到上述洗钱风险等级计算指令后,根据所针对的投保客户及该投保客户对应的投保数据,处理单元802确定该投保客户对应的洗钱风险因子以及该投保客户的投保数据所适用的预设计算模型。计算单元803根据处理单元802确定的该投保客户对应的预设计算模型和洗钱风险因子,对该投保客户进行洗钱风险等级分析。处理单元802将投保客户对应的投保数据按照确定的所述洗钱风险因子进行预处理,得到所述投保数据对应各个确定的所述洗钱风险因子的数据,计算单元803将得到的洗钱风险因子数据代入上述预设计算模型中,即可计算得到上述投保客户所对应的风险等级。
本发明洗钱风险等级计算***通过接收用户触发的针对一个投保客户洗钱风险等级的计算指令,响应所述计算指令,获取所述投保客户对应的投保数据;确定所述投保客户对应的预设计算模型中的洗钱风险因子,对获取的所述投保数据按照确定的所述洗钱风险因子进行预处理,得到所述投保数据对应各个确定的所述洗钱风险因子的数据;将获取的各个确定的所述洗钱风险因子的数据,代入所述投保客户对应的预设计算模型中,计算并获取所述投保客户对应的洗钱风险等级;具有进一步提高洗钱风险等级计算客观性的有益效果,也提高了投保客户洗钱风险等级的计算效率。
需要说明的是,在本文中,术语“包括”、“包含”或者任何其他带有非排他性涵盖意义的词语,其作用是表明包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上所述仅为本发明的优选实施例,并非因此限制其专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种洗钱风险等级计算方法,其特征在于,包括以下步骤:
服务器确定各个投保客户所分别对应的洗钱风险因子;
基于已发生的历史投保数据,按照预设模型生成规则,生成用于计算各个投保客户对应的洗钱风险等级的预设计算模型;
接收针对一个投保客户的洗钱风险等级进行计算所触发的操作指令,获取所述投保客户的投保数据,基于所述投保客户对应的洗钱风险因子和预设计算模型,计算得出所述投保客户对应的洗钱风险等级。
2.如权利要求1所述的方法,其特征在于,所述基于已发生的历史投保数据,按照预设模型生成规则,生成用于计算各个投保客户对应的洗钱风险等级的预设计算模型,包括:
获取已发生的预设数量的历史投保数据,确定所述历史投保数据对应的洗钱风险因子,并对获取的所述历史投保数据按确定的所述洗钱风险因子进行预处理,获取所述历史投保数据对应各个确定的所述洗钱风险因子的数据;
按照预设分析规则对所述历史投保数据进行等级划分,并将不同等级历史投保数据对应的各个确定的所述洗钱风险因子的数据,分别发送到不同的文件夹中;
从各文件夹下分别提取预设比例的各个洗钱风险因子数据作为训练数据,对所述预设计算模型进行训练,并将各所述文件夹中剩余的各洗钱风险因子数据作为测试数据,测试训练后生成的所述预设计算模型的准确率;
若所述预设计算模型的准确率小于或者等于预设准确率,则增加已发生的历史投保数据的获取数量,重复所述预设计算模型的生成过程,直至生成的预设计算模型的准确率大于所述预设准确率;及/或:
按照预设因子调优规则,对确定的所述洗钱风险因子进行删除及/或增加处理,重复所述预设计算模型的生成过程,直至生成的所述预设计算模型的准确率大于所述预设准确率。
3.如权利要求2所述的方法,其特征在于,所述预设因子调优规则包括:
确定生成的预设计算模型中各个洗钱风险因子对应的权重系数,并找出权重系数最小的洗钱风险因子;
从确定的所述洗钱风险因子中,删除找出的权重系数最小的洗钱风险因子;及/或:在确定的所述洗钱风险因子中,新增其他洗钱风险因子。
4.如权利要求2所述的方法,其特征在于,所述预设因子调优规则包括:
确定生成的预设计算模型中各个洗钱风险因子对应的权重系数,并找出权重系数最小的洗钱风险因子,获取最小权重系数;
若所述最小权重系数小于预设权重阈值,则将所述权重系数最小的洗钱风险因子从确定的所述洗钱风险因子中删除;
若所述最小权重系数大于或者等于所述预设权重阈值,则在确定的所述洗钱风险因子中新增其他洗钱风险因子。
5.如权利要求1至4任一项所述的方法,其特征在于,所述接收针对一个投保客户的洗钱风险等级进行计算所触发的操作指令,获取所述投保客户的投保数据,基于所述投保客户对应的洗钱风险因子和预设计算模型,计算得出所述投保客户对应的洗钱风险等级,包括:
接收用户触发的针对一个投保客户洗钱风险等级的计算指令,响应所述计算指令,获取所述投保客户对应的投保数据;
确定所述投保客户对应的预设计算模型中的洗钱风险因子,对获取的所述投保数据按照确定的所述洗钱风险因子进行预处理,得到所述投保数据对应各个确定的所述洗钱风险因子的数据;
将获取的各个确定的所述洗钱风险因子的数据,代入所述投保客户对应的预设计算模型中,计算并获取所述投保客户对应的洗钱风险等级。
6.一种洗钱风险等级计算***,其特征在于,包括:
确定模块,用于确定各个投保客户所分别对应的洗钱风险因子;
生成模块,用于基于已发生的历史投保数据,按照预设模型生成规则,生成用于计算各个投保客户对应的洗钱风险等级的预设计算模型;
计算模块,用于接收针对一个投保客户的洗钱风险等级进行计算所触发的操作指令,获取所述投保客户的投保数据,基于所述投保客户对应的洗钱风险因子和预设计算模型,计算得出所述投保客户对应的洗钱风险等级。
7.如权利要求6所述的***,其特征在于,所述生成模块包括:
获取单元,用于获取已发生的预设数量的历史投保数据,确定所述历史投保数据对应的洗钱风险因子,并对获取的所述历史投保数据按确定的所述洗钱风险因子进行预处理,获取所述历史投保数据对应各个确定的所述洗钱风险因子的数据;
划分单元,用于按照预设分析规则对所述历史投保数据进行等级划分,并将不同等级历史投保数据对应的各个确定的所述洗钱风险因子的数据,分别发送到不同的文件夹中;
生成单元,用于从各文件夹下分别提取预设比例的各个洗钱风险因子数据作为训练数据,对所述预设计算模型进行训练,并将各所述文件夹中剩余的各洗钱风险因子数据作为测试数据,测试训练后生成的所述预设计算模型的准确率;
验证单元,用于:
若所述预设计算模型的准确率小于或者等于预设准确率,则增加已发生的历史投保数据的获取数量,重复所述预设计算模型的生成过程,直至生成的预设计算模型的准确率大于所述预设准确率;及/或:
按照预设因子调优规则,对确定的所述洗钱风险因子进行删除及/或增加处理,重复所述预设计算模型的生成过程,直至生成的所述预设计算模型的准确率大于所述预设准确率。
8.如权利要求7所述的***,其特征在于,所述预设因子调优规则包括:
确定生成的预设计算模型中各个洗钱风险因子对应的权重系数,并找出权重系数最小的洗钱风险因子;
从确定的所述洗钱风险因子中,删除找出的权重系数最小的洗钱风险因子;及/或:在确定的所述洗钱风险因子中,新增其他洗钱风险因子。
9.如权利要求7所述的***,其特征在于,所述预设因子调优规则包括:
确定生成的预设计算模型中各个洗钱风险因子对应的权重系数,并找出权重系数最小的洗钱风险因子,获取最小权重系数;
若所述最小权重系数小于预设权重阈值,则将所述权重系数最小的洗钱风险因子从确定的所述洗钱风险因子中删除;
若所述最小权重系数大于或者等于所述预设权重阈值,则在确定的所述洗钱风险因子中新增其他洗钱风险因子。
10.如权利要求6至9任一项所述的***,其特征在于,所述计算模块包括:
接收单元,用于接收用户触发的针对一个投保客户洗钱风险等级的计算指令,响应所述计算指令,获取所述投保客户对应的投保数据;
处理单元,用于确定所述投保客户对应的预设计算模型中的洗钱风险因子,对获取的所述投保数据按照确定的所述洗钱风险因子进行预处理,得到所述投保数据对应各个确定的所述洗钱风险因子的数据;
计算单元,用于将获取的各个确定的所述洗钱风险因子的数据,代入所述投保客户对应的预设计算模型中,计算并获取所述投保客户对应的洗钱风险等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610013674.4A CN106952162A (zh) | 2016-01-07 | 2016-01-07 | 洗钱风险等级计算方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610013674.4A CN106952162A (zh) | 2016-01-07 | 2016-01-07 | 洗钱风险等级计算方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106952162A true CN106952162A (zh) | 2017-07-14 |
Family
ID=59465900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610013674.4A Pending CN106952162A (zh) | 2016-01-07 | 2016-01-07 | 洗钱风险等级计算方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106952162A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767021A (zh) * | 2017-09-12 | 2018-03-06 | 阿里巴巴集团控股有限公司 | 一种风险控制方法及设备 |
CN108346098A (zh) * | 2018-01-19 | 2018-07-31 | 阿里巴巴集团控股有限公司 | 一种风控规则挖掘的方法及装置 |
CN108629687A (zh) * | 2018-02-13 | 2018-10-09 | 阿里巴巴集团控股有限公司 | 一种反洗钱方法、装置及设备 |
WO2019019738A1 (zh) * | 2017-07-24 | 2019-01-31 | 平安科技(深圳)有限公司 | 资源处理***、方法、服务器和存储介质 |
CN109636607A (zh) * | 2018-12-18 | 2019-04-16 | 平安科技(深圳)有限公司 | 基于模型部署的业务数据处理方法、装置和计算机设备 |
CN109670852A (zh) * | 2018-09-26 | 2019-04-23 | 平安普惠企业管理有限公司 | 用户分类方法、装置、终端及存储介质 |
CN109767110A (zh) * | 2019-01-04 | 2019-05-17 | 中国银行股份有限公司 | 一种风险控制***优化方法、装置、设备及存储介质 |
WO2019100601A1 (zh) * | 2017-11-22 | 2019-05-31 | 平安科技(深圳)有限公司 | 风险理赔的评估方法及装置 |
CN111709844A (zh) * | 2020-05-13 | 2020-09-25 | 北京明略软件***有限公司 | 一种保险洗钱人员检测方法、装置和计算机可读存储介质 |
CN111738868A (zh) * | 2020-06-11 | 2020-10-02 | 北京向上一心科技有限公司 | 反洗钱反恐怖融资风险监测方法、装置、计算机设备和存储介质 |
-
2016
- 2016-01-07 CN CN201610013674.4A patent/CN106952162A/zh active Pending
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019019738A1 (zh) * | 2017-07-24 | 2019-01-31 | 平安科技(深圳)有限公司 | 资源处理***、方法、服务器和存储介质 |
CN107767021A (zh) * | 2017-09-12 | 2018-03-06 | 阿里巴巴集团控股有限公司 | 一种风险控制方法及设备 |
WO2019100601A1 (zh) * | 2017-11-22 | 2019-05-31 | 平安科技(深圳)有限公司 | 风险理赔的评估方法及装置 |
CN108346098A (zh) * | 2018-01-19 | 2018-07-31 | 阿里巴巴集团控股有限公司 | 一种风控规则挖掘的方法及装置 |
CN108346098B (zh) * | 2018-01-19 | 2022-05-31 | 创新先进技术有限公司 | 一种风控规则挖掘的方法及装置 |
CN108629687B (zh) * | 2018-02-13 | 2022-01-28 | 创新先进技术有限公司 | 一种反洗钱方法、装置及设备 |
CN108629687A (zh) * | 2018-02-13 | 2018-10-09 | 阿里巴巴集团控股有限公司 | 一种反洗钱方法、装置及设备 |
WO2019157946A1 (zh) * | 2018-02-13 | 2019-08-22 | 阿里巴巴集团控股有限公司 | 一种反洗钱方法、装置及设备 |
CN109670852A (zh) * | 2018-09-26 | 2019-04-23 | 平安普惠企业管理有限公司 | 用户分类方法、装置、终端及存储介质 |
CN109636607A (zh) * | 2018-12-18 | 2019-04-16 | 平安科技(深圳)有限公司 | 基于模型部署的业务数据处理方法、装置和计算机设备 |
CN109636607B (zh) * | 2018-12-18 | 2024-03-15 | 平安科技(深圳)有限公司 | 基于模型部署的业务数据处理方法、装置和计算机设备 |
CN109767110A (zh) * | 2019-01-04 | 2019-05-17 | 中国银行股份有限公司 | 一种风险控制***优化方法、装置、设备及存储介质 |
CN111709844A (zh) * | 2020-05-13 | 2020-09-25 | 北京明略软件***有限公司 | 一种保险洗钱人员检测方法、装置和计算机可读存储介质 |
CN111738868A (zh) * | 2020-06-11 | 2020-10-02 | 北京向上一心科技有限公司 | 反洗钱反恐怖融资风险监测方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106952162A (zh) | 洗钱风险等级计算方法及*** | |
CN107103471B (zh) | 基于区块链确定交易合法性的方法及装置 | |
US10356110B2 (en) | Systems and methods for detecting resources responsible for events | |
Badal-Valero et al. | Combining Benford’s Law and machine learning to detect money laundering. An actual Spanish court case | |
CA2821095C (en) | System and method for detecting fraudulent account access and transfers | |
US20210019657A1 (en) | Fraud detection and risk assessment method, system, device, and storage medium | |
Kowshalya et al. | Predicting fraudulent claims in automobile insurance | |
US20110077950A1 (en) | Risk profiling system and method | |
CN106971343A (zh) | 保险数据的风险分析方法及*** | |
CN107203942A (zh) | 保险信息处理方法和*** | |
CN111325550A (zh) | 一种欺诈交易行为识别方法和装置 | |
KR20110055921A (ko) | 온라인상의 개인정보 보호 시스템 및 이 시스템을 이용한 개인정보 보호 방법 | |
CN112508711A (zh) | 一种针对保单理赔的自动核赔方法及相关设备 | |
CN108346088A (zh) | 品牌官方商城恶意抢购防控方法及*** | |
CN112418839A (zh) | 一种基于云计算电子商务支付*** | |
US11755700B2 (en) | Method for classifying user action sequence | |
Jorna | The relationship between age and consumer fraud victimisation | |
CN108446907B (zh) | 安全校验方法及装置 | |
Kao et al. | Classification of hospital web security efficiency using data envelopment analysis and support vector machine | |
CN114139147A (zh) | 一种针对性攻击防御方法及装置 | |
Anagha et al. | Credit card fraud detection using machine learning algorithms | |
Elkin | Crime in England and wales: year ending September 2019 | |
TW202133091A (zh) | 保險給付詐保風險評估系統及其方法 | |
CN113469826B (zh) | 一种信息处理的方法、装置、设备及存储介质 | |
US11854087B1 (en) | Systems and methods for water loss mitigation messaging |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170714 |
|
RJ01 | Rejection of invention patent application after publication |