CN108090709A - 一种基于风险传导模型的企业评估方法及*** - Google Patents

一种基于风险传导模型的企业评估方法及*** Download PDF

Info

Publication number
CN108090709A
CN108090709A CN201810134598.1A CN201810134598A CN108090709A CN 108090709 A CN108090709 A CN 108090709A CN 201810134598 A CN201810134598 A CN 201810134598A CN 108090709 A CN108090709 A CN 108090709A
Authority
CN
China
Prior art keywords
risk
node
propagation function
conduction model
value
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
Application number
CN201810134598.1A
Other languages
English (en)
Inventor
黄远江
刘德彬
李鸢
严开
陈玮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Socialcredits Big Data Technology Co ltd
Chongqing Telecommunication System Integration Co ltd
Original Assignee
Chongqing Yu Yu Da Data Technology Co Ltd
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 Chongqing Yu Yu Da Data Technology Co Ltd filed Critical Chongqing Yu Yu Da Data Technology Co Ltd
Priority to CN201810134598.1A priority Critical patent/CN108090709A/zh
Publication of CN108090709A publication Critical patent/CN108090709A/zh
Pending legal-status Critical Current

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
    • 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)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种能够基于企业及雇员风险传导关系，能够准确评估企业风险的企业评估方法，包括以下步骤，获取节点信息，建立风险传导网络；获取节点的风险初始值；定义节点风险传导函数和关系风险传导函数；训练风险传导模型。发明通过建立网络风险传导模型，并对模型迭代获取较优的模型参数，进而可以在评估企业风险的过程中，获取较为准确的企业风险值。

Description

一种基于风险传导模型的企业评估方法及***
技术领域
本发明涉及一种风险评估方法及***，具体涉及一种基于风险传导模型的企业评估方法及***。
背景技术
越来越多的研究表明，互联网、社会关系网、经济网络、电力网络、交通网络、神经网络等不同网络之间有许多相似之处，例如网络结构错综复杂，而且网络连接结构随时间变化，连接具有不同的权重或者方向等等。随着复杂网络研究的兴起，人们开始广泛研究网络结构的复杂性以及网络行为之间的关系。要研究各种不同的复杂网络在结构上的共性，首先需要有一种表示图的统一工具，这种数学上的表示称为图(graph)。任何一个网络都可以看作是点按某种方式连接在一起而构成的一个***。具体网络的抽象图表示，就是用抽象的点表示具体网络中的节点，并用节点之间的连接来表示具体网络中节点之间的链接关系。
网络***的复杂性体现在网络节点和连接的边非常多，而且网络结构经常变化。例如，人与人构成的疾病传播网络中，人可以从传染病中恢复，甚至一些人可能因为传染病严重直接导致死亡。
目前，企业风险量化模型主要还是依靠企业自身相关数据和行业总体情况为来判断，比如综合考虑一个企业的若干维度数据，对企业进行量化评级。其关联公司的风险对该企业的影响未受到足够重视，特别是多层以外的企业对该企业的影响基本不作考虑，造成对于企业风险的评估不能准确反映***公司的影响，误差较大。
发明内容
本发明提供一种能够基于企业及雇员风险传导关系，能够准确评估企业风险的企业评估方法，包括以下步骤，
获取节点信息，建立风险传导网络；
获取节点的风险初始值；
定义节点风险传导函数和关系风险传导函数；
训练风险传导模型。
进一步的，所述风险传导模型为多个，每个风险传导模型包括一个中心节点；
所述风险传导模型为多层网状结构；
建立风险传导网络具体包括，依据节点之间的股权关系和人员关系建立风险传导网络；
节点信息包括节点的股权信息、人员信息、经营信息中的一种或多种。
进一步的，获取节点的风险初始值，包括依据节点的新闻信息，财务信息，经营信息中的一种或多种获取风险初始值。
进一步的，定义节点风险传导函数和关系风险传导函数包括，
定义节点B风险传导函数RAB＝fAB(rAB)，为节点A向节点B输入的风险值，fAB为节点风险传导函数，RAB为节点A向节点B输入的风险值带来的节点B输出的风险；
定义节点A与节点B之间关系风险传导函数rAB＝FAB(RA)，rAB为节点A向节点B输入的风险值，FAB为A向B的关系风险传导函数，RA为节点A输出的风险；
完成风险传导网络中各节点风险传导函数及各节点间关系风险传导函数定义。
进一步的，训练风险传导模型包括，
对每个风险传导模型，依照各节点的风险初始值、各节点风险传导函数、各节点间关系风险传导函数计算中心节点风险值；
获取以每个节点作为中心节点得到的风险值的集合的AUC值，调整模型参数直到获取AUC值大于预设值并记录模型参数。
为了保证上述方法的实施，本发明还提供一种基于风险传导模型的企业评估***,包括以下单元，
风险传导网络建立单元，用于获取节点信息，建立风险传导网络，获取节点的风险初始值；
风险传导模型建立单元，用于定义节点风险传导函数和关系风险传导函数；
训练单元，用于训练风险传导模型。
进一步的，所述风险传导模型为多个，每个风险传导模型包括一个中心节点；
所述风险传导模型为多层网状结构；
风险传导网络建立单元建立风险传导网络具体包括，依据节点之间的股权关系和人员关系建立风险传导网络；
节点信息包括节点的股权信息、人员信息、经营信息中的一种或多种。
进一步的，风险传导网络建立单元获取节点的风险初始值，包括依据节点的新闻信息，财务信息，经营信息中的一种或多种获取风险初始值。
进一步的，风险传导模型建立单元定义节点风险传导函数和关系风险传导函数包括，
定义节点B风险传导函数RAB＝fAB(rAB)，为节点A向节点B输入的风险值，fAB为节点风险传导函数，RAB为节点A向节点B输入的风险值带来的节点B输出的风险；
定义节点A与节点B之间关系风险传导函数rAB＝FAB(RA)，rAB为节点A向节点B输入的风险值，FAB为A向B的关系风险传导函数，RA为节点A输出的风险；
完成风险传导网络中各节点风险传导函数及各节点间关系风险传导函数定义。
进一步的，训练单元训练风险传导模型包括，
对每个风险传导模型，依照各节点的风险初始值、各节点风险传导函数、各节点间关系风险传导函数计算中心节点风险值；
获取以每个节点作为中心节点得到的风险值的集合的AUC值，调整模型参数直到获取AUC值大于预设值并记录模型参数。
本发明的有益效果是：
本发明通过建立网络风险传导模型，并对模型迭代获取较优的模型参数，进而可以在评估企业风险的过程中，获取较为准确的企业风险值。
附图说明
图1为本发明一种基于风险传导模型的企业评估方法一实施例流程图。
图2为本发明一种基于风险传导模型的企业评估***一实施例结构图。
图3为本发明一实施例单链条风险传导示意图。
图4为本发明一实施例风险传导网络示意图。
具体实施方式
如图1所示，本发明提供一种基于风险传导模型的企业评估方法，包括以下步骤，
获取节点信息，建立风险传导网络；
获取节点的风险初始值；
定义节点风险传导函数和关系风险传导函数；
训练风险传导模型。
进一步的，所述风险传导模型为多个，每个风险传导模型包括一个中心节点；
所述风险传导模型为多层网状结构；
建立风险传导网络具体包括，依据节点之间的股权关系和人员关系建立风险传导网络；
节点信息包括节点的股权信息、人员信息、经营信息中的一种或多种。
通过企业间的股权关系、股东、雇员关系可以建立一张企业关系网络图，对于每一个企业，以其为中心可以建立一个风险传导网络图，与其有直接关系的为网络第一层，除去第一层和中心企业，与第一层有直接关系的可以视为第二层，以此类推可以建立以中心节点为中心的多层网络关系图；
在风险传导计算过程中本发明定义外层的企业可以向内层企业传导风险但是内层企业不向外层企业传导风险。
进一步的，获取节点的风险初始值，包括依据节点的新闻信息，财务信息，经营信息中的一种或多种获取风险初始值。
节点信息的风险初始值可以通过网络抓取的企业信息获取，如从新闻网站抓取新闻，从销售网站如天猫或1688抓取经营信息，从工商网站抓取股权关系信息及股东任职关系信息，从职业社交网站如Linkedin抓取雇员关系信息，并通过信息对节点风险进行赋值，赋值可以有人工进行，也可以由计算机带入赋值模型计算，赋值范围在0-100之间。
在本发明一实施例中可以定义销售风险值为
XS＝K*XJ
其中XS为销售风险值，K为销售风险模型系数，XJ为销售额环比下降数值，K为风险传导模型的一个参数，作为最终优化的目标，在模型迭代过程中不断调整。
在本发明一实施例中可以定义利润风险值为
LR＝T*KS
其中LR为利润风险值，T为利润风险模型系数，KS为亏损额，T为风险传导模型的一个参数，作为最终优化的目标，在模型迭代过程中不断调整。
进一步的，定义节点风险传导函数和关系风险传导函数包括，
定义节点B风险传导函数RAB＝fAB(rAB)，为节点A向节点B输入的风险值，fAB为节点风险传导函数，RAB为节点A向节点B输入的风险值带来的节点B输出的风险；
在本发明一实施例中为节点A发送亏损后向节点B传导的风险，显然RAB与节点B的经营数据尤其是利润总额有明显的关系。故本发明在这各节点函数中映入参数W
W是一个与B的经营数据相关的参数，为风险传导模型的一个参数作为最终优化的目标，在模型迭代过程中不断调整。
t为时间变量，α是fAB(rAB)包含的一个与时间相关的参数，反应A发送亏损后向节点B传导的风险随时间变化，α为风险传导模型的一个参数作为最终优化的目标，在模型迭代过程中不断调整。
α参数的加入反应了风险随时间变化的关系，更加准确的体现了节点之间的风险传导关系。
定义节点A与节点B之间关系风险传导函数rAB＝FAB(RA)，rAB为节点A向节点B输入的风险值，FAB为A向B的关系风险传导函数，RA为节点A输出的风险；
在本发明一实施例中公司B持有公司A总股份的20％，
公司A发生亏损量化风险值为既RA＝100，则公司A向公司B输出的风险值
rAB＝100*0.2＝20
在另一实施例中，公司B的董事长在公司A任职总经理，在这个关系链中风险传导关系不像股权关系一样明显，故本发明在FAB()引入一个参数Q，公司A发生亏损量化风险值为既RA＝100，则公司A向公司B输出的风险值
rAB＝Q*100
Q为风险传导模型的一个参数作为最终优化的目标，在模型迭代过程中不断调整。
完成风险传导网络中各节点风险传导函数及各节点间关系风险传导函数定义。
风险传导模型中某一节点对外输出的风险为其本身的初始风险和其他节点通过关系风险传导函数向其传导的风险进过该节点的节点风险传导函数输出的风险汇总的总值。
进一步的，训练风险传导模型包括，
对每个风险传导模型，依照各节点的风险初始值、各节点风险传导函数、各节点间关系风险传导函数计算中心节点风险值；
图4为本发明一实施例风险传导网络示意图，图中A为中心节点，BCD为与A有风险关系的第二层网络节点，EFGH为与第二层网络节点有风险关系的第三层网络节点，在计算节点A的风险时，采用以下步骤：
第一步：带入第三层网络节点EFGH的初始风险值，并通过第三层网络各节点与第二层网络各节点之间的关系风险传导函数计算第三层网络向第二层网络BCD传导的风险，以及BCD接收这些风险后通过各自节点风险传导函数输出的风险。
第二步：将第一步中第二层网络BCD通过各自节点风险传导函数输出的风险与其自身的风险汇总后计算各第二次网络节点经过第二层网络各节点与中心节点间的风险传导函数向中心节点传导的风险及中心节点接收第二层各节点输入风险经过中心节点的节点风险传导函数输出的总值与中心节点初始风险汇总后的中心节点总风险。
以每一个节点为中心，可以建立一张风险关系传导网络，结合风险关系网络中的每个节点的节点风险传导函数和节点之间的关系风险传导函数形成风险传导模型，将每个节点风险的初始值带入风险网络模型后可以计算得出中心节点的风险值。
获取以每个节点作为中心节点得到的风险值的集合的AUC值，调整模型参数直到AUC值大于预设值并记录模型参数。
调整模型参数包括调整节点风险传导函数和节点之间的关系风险传导函数的参数以及对每个节点初始风险值进行量化的函数的参数。
AUC(Area Under roc Curve)是一种用来度量分类模型好坏的一个标准,AUC值为ROC曲线所覆盖的区域面积，显然，AUC越大，分类器分类效果越好。
AUC＝1，是完美分类器，采用这个预测模型时，不管设定什么阈值都能得出完美预测。绝大多数预测的场合，不存在完美分类器。
0.5<AUC<1，优于随机猜测。这个分类器(模型)妥善设定阈值的话，能有预测价值。
AUC＝0.5，跟随机猜测一样(例：丢铜板)，模型没有预测价值。
AUC<0.5，比随机猜测还差；但只要总是反预测而行，就优于随机猜测。
预设值由操作人员依据项目要求预先设置，不断调整风险传导参数，实现AUC值的不断优化，当AUC值大于或等于预设值时，代表风险传导模型达到了预设的质量要求。此时记录风险传导模型中各参数。
当需要计算目标企业风险时，以目标企业为中心节点建立风险传导模型，并带入网络中各企业的风险初始值和记录的模型参数计算目标企业的风险。
本发明基于复杂网络理论的风险传导模型是可以研究企业和人构成的网络中当某些节点发生风险后对网络中其他节点产生的影响。
企业的风险不只是跟自身的经营情况相关，也跟他的直接关联企业和间接关联企业相关。企业和企业之间，企业和人之间可以形成一个非常复杂的网络。本发明将全国企业，企业管理人员以及他们之间的关系构造成一个非常巨大的网络图，拥有约10亿个节点，约40亿条边。针对如此复杂的网络，本发明应用复杂网络和风险传导的理论和技术研究企业和企业之间的风险传递关系，量化一个企业产生风险对其他企业产生多大影响。
本发明可以实现从网络结构研究企业风险。
本发明可以实现从风险传导的角度研究企业风险。
本发明建立多层次的网络模型，量化网络图中节点发生风险以后对其他直接或者间接连接的节点的影响。风险传导模型的建立解决了企业风险评估中风险量化，风险随时间的变化，以及节点之间风险传递等问题。

Claims (10)

1.一种基于风险传导模型的企业评估方法,其特征在于，包括以下步骤，
获取节点信息，建立风险传导网络；
获取节点的风险初始值；
定义节点风险传导函数和关系风险传导函数；
训练风险传导模型。
2.如权利要求1所述的一种基于风险传导模型的企业评估方法,其特征在于，
所述风险传导模型为多个，每个风险传导模型包括一个中心节点；
所述风险传导模型为多层网状结构；
建立风险传导网络具体包括，依据节点之间的股权关系和人员关系建立风险传导网络；
节点信息包括节点的股权信息、人员信息、经营信息中的一种或多种。
3.如权利要求1所述的一种基于风险传导模型的企业评估方法,其特征在于，获取节点的风险初始值，包括依据节点的新闻信息，财务信息，经营信息中的一种或多种获取风险初始值。
4.如权利要求1所述的一种基于风险传导模型的企业评估方法,其特征在于，
定义节点风险传导函数和关系风险传导函数包括，
定义节点B风险传导函数RAB＝fAB(rAB)，rAB为节点A向节点B输入的风险值，fAB为节点风险传导函数，RAB为节点A向节点B输入的风险值带来的节点B输出的风险；
定义节点A与节点B之间关系风险传导函数rAB＝FAB(RA)，rAB为节点A向节点B输入的风险值，FAB为A向B的关系风险传导函数，RA为节点A输出的风险；完成风险传导网络中各节点风险传导函数及各节点间关系风险传导函数定义。
5.如权利要求1所述的一种基于风险传导模型的企业评估方法,其特征在于，训练风险传导模型包括，
对每个风险传导模型，依照各节点的风险初始值、各节点风险传导函数、各节点间关系风险传导函数计算中心节点风险值；
获取以每个节点作为中心节点得到的风险值的集合的AUC值，调整模型参数直到获取AUC值大于预设值并记录模型参数。
6.一种基于风险传导模型的企业评估***,其特征在于，包括以下单元，
风险传导网络建立单元，用于获取节点信息，建立风险传导网络，获取节点的风险初始值；
风险传导模型建立单元，用于定义节点风险传导函数和关系风险传导函数；
训练单元，用于训练风险传导模型。
7.如权利要求6所述的一种基于风险传导模型的企业评估***,其特征在于，
所述风险传导模型为多个，每个风险传导模型包括一个中心节点；
所述风险传导模型为多层网状结构；
风险传导网络建立单元建立风险传导网络具体包括，依据节点之间的股权关系和人员关系建立风险传导网络；
节点信息包括节点的股权信息、人员信息、经营信息中的一种或多种。
8.如权利要求6所述的一种基于风险传导模型的企业评估***,其特征在于，风险传导网络建立单元获取节点的风险初始值，包括依据节点的新闻信息，财务信息，经营信息中的一种或多种获取风险初始值。
9.如权利要求6所述的一种基于风险传导模型的企业评估***,其特征在于，
风险传导模型建立单元定义节点风险传导函数和关系风险传导函数包括，
定义节点B风险传导函数RAB＝fAB(rAB)，rAB为节点A向节点B输入的风险值，fAB为节点风险传导函数，RAB为节点A向节点B输入的风险值带来的节点B输出的风险；
定义节点A与节点B之间关系风险传导函数rAB＝FAB(RA)，rAB为节点A向节点B输入的风险值，FAB为A向B的关系风险传导函数，RA为节点A输出的风险；完成风险传导网络中各节点风险传导函数及各节点间关系风险传导函数定义。
10.如权利要求6所述的一种基于风险传导模型的企业评估***,其特征在于，
训练单元训练风险传导模型包括，
对每个风险传导模型，依照各节点的风险初始值、各节点风险传导函数、各节点间关系风险传导函数计算中心节点风险值；
获取以每个节点作为中心节点得到的风险值的集合的AUC值，调整模型参数直到获取AUC值大于预设值并记录模型参数。
CN201810134598.1A 2018-02-09 2018-02-09 一种基于风险传导模型的企业评估方法及*** Pending CN108090709A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810134598.1A CN108090709A (zh) 2018-02-09 2018-02-09 一种基于风险传导模型的企业评估方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810134598.1A CN108090709A (zh) 2018-02-09 2018-02-09 一种基于风险传导模型的企业评估方法及***

Publications (1)

Publication Number Publication Date
CN108090709A true CN108090709A (zh) 2018-05-29

Family

ID=62193819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810134598.1A Pending CN108090709A (zh) 2018-02-09 2018-02-09 一种基于风险传导模型的企业评估方法及***

Country Status (1)

Country Link
CN (1) CN108090709A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657917A (zh) * 2018-11-19 2019-04-19 平安科技（深圳）有限公司 评估对象的风险预警方法、装置、计算机设备和存储介质
CN109740865A (zh) * 2018-12-13 2019-05-10 平安科技（深圳）有限公司 风险评估方法、***、设备及存储介质
CN109816245A (zh) * 2019-01-25 2019-05-28 北京海致星图科技有限公司 用于对公授信客户风险预警的风险传导评估***及方法
CN110738388A (zh) * 2019-09-02 2020-01-31 深圳壹账通智能科技有限公司 关联图谱评估风险传导的方法、装置、设备和存储介质
CN110738414A (zh) * 2019-10-15 2020-01-31 北京明略软件***有限公司 一种风险预测方法和装置及计算机可读存储介质
CN111401700A (zh) * 2020-03-05 2020-07-10 平安科技（深圳）有限公司 一种数据分析方法、装置、计算机***及可读存储介质
CN112613755A (zh) * 2020-12-25 2021-04-06 北京知因智慧科技有限公司 利用置信度评估企业风险的方法、装置及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105447649A (zh) * 2015-12-08 2016-03-30 安徽融信金模信息技术有限公司 一种企业资金流动风险评估***
CN105512815A (zh) * 2015-11-30 2016-04-20 安徽融信金模信息技术有限公司 一种用于企业风险评估的***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512815A (zh) * 2015-11-30 2016-04-20 安徽融信金模信息技术有限公司 一种用于企业风险评估的***
CN105447649A (zh) * 2015-12-08 2016-03-30 安徽融信金模信息技术有限公司 一种企业资金流动风险评估***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
詹益保: "我国上市公司交叉持股网络特征及风险传播研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 *
邱映贵: "供应链风险传递及其控制研究", 《中国博士学位论文全文数据库 经济与管理科学辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657917A (zh) * 2018-11-19 2019-04-19 平安科技（深圳）有限公司 评估对象的风险预警方法、装置、计算机设备和存储介质
CN109657917B (zh) * 2018-11-19 2022-04-29 平安科技（深圳）有限公司 评估对象的风险预警方法、装置、计算机设备和存储介质
CN109740865A (zh) * 2018-12-13 2019-05-10 平安科技（深圳）有限公司 风险评估方法、***、设备及存储介质
CN109816245A (zh) * 2019-01-25 2019-05-28 北京海致星图科技有限公司 用于对公授信客户风险预警的风险传导评估***及方法
CN110738388A (zh) * 2019-09-02 2020-01-31 深圳壹账通智能科技有限公司 关联图谱评估风险传导的方法、装置、设备和存储介质
CN110738388B (zh) * 2019-09-02 2023-09-12 深圳壹账通智能科技有限公司 关联图谱评估风险传导的方法、装置、设备和存储介质
CN110738414A (zh) * 2019-10-15 2020-01-31 北京明略软件***有限公司 一种风险预测方法和装置及计算机可读存储介质
CN110738414B (zh) * 2019-10-15 2022-07-15 北京明略软件***有限公司 一种风险预测方法和装置及计算机可读存储介质
CN111401700A (zh) * 2020-03-05 2020-07-10 平安科技（深圳）有限公司 一种数据分析方法、装置、计算机***及可读存储介质
WO2021174693A1 (zh) * 2020-03-05 2021-09-10 平安科技（深圳）有限公司 一种数据分析方法、装置、计算机***及可读存储介质
CN111401700B (zh) * 2020-03-05 2023-09-19 平安科技（深圳）有限公司 一种数据分析方法、装置、计算机***及可读存储介质
CN112613755A (zh) * 2020-12-25 2021-04-06 北京知因智慧科技有限公司 利用置信度评估企业风险的方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN108090709A (zh) 一种基于风险传导模型的企业评估方法及***
Abdou et al. Predicting creditworthiness in retail banking with limited scoring data
US11263644B2 (en) Systems and methods for detecting unauthorized or suspicious financial activity
US8417654B1 (en) Decision tree refinement
Chen et al. Mining the customer credit using hybrid support vector machine technique
US12045840B2 (en) Probabilistic feature engineering technique for anomaly detection
TW201636937A (zh) 以可操作的反饋方法之多樣性分析
US20230351396A1 (en) Systems and methods for outlier detection of transactions
WO2014055238A1 (en) System and method for building and validating a credit scoring function
Sadikin et al. Comparative study of classification method on customer candidate data to predict its potential risk
CN108492001A (zh) 一种用于担保贷款网络风险管理的方法
EP1316046A1 (en) Multivariate responses using classification and regression trees systems and methods
Imtiaz et al. A better comparison summary of credit scoring classification
Pasini et al. Linear and nonlinear influences of climatic changes on migration flows: a case study for the ‘Mediterranean bridge’
CN114638696A (zh) 信贷风险预测模型的训练方法及***
Kumar et al. Credit score prediction system using deep learning and k-means algorithms
Dabab et al. A decision model for data mining techniques
Susanto et al. Decision support systems design on sharia financing using Yager's fuzzy decision model
CN117132383A (zh) 一种信贷数据处理方法、装置、设备及可读存储介质
CN115131039B (zh) 基于非线性降维的企业风险评估方法、计算机设备及存储介质
CN109801162A (zh) 一种社交媒体数据与多标准交叉认证融合的信用评级方法
TWM583089U (zh) 智慧型信用風險評估系統
CN113256404A (zh) 数据处理方法及装置
Shekana et al. Weather Variability Forecasting Model through Data Mining Techniques
Haoru et al. Risk Assessment of Internet Credit Based on Big Data Analysis

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20191112

Address after: 400042 No.51 dapingzheng street, Yuzhong District, Chongqing

Applicant after: CHONGQING TELECOMMUNICATION SYSTEM INTEGRATION CO.,LTD.

Applicant after: CHONGQING SOCIALCREDITS BIG DATA TECHNOLOGY CO.,LTD.

Address before: 401121 the 18 layer of kylin C, No. 2, No. 53, Mount Huangshan Avenue, Yubei District, Chongqing

Applicant before: CHONGQING SOCIALCREDITS BIG DATA TECHNOLOGY CO.,LTD.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180529