CN109409677A - 企业信用风险评估方法、装置、设备及存储介质 - Google Patents
企业信用风险评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109409677A CN109409677A CN201811135377.2A CN201811135377A CN109409677A CN 109409677 A CN109409677 A CN 109409677A CN 201811135377 A CN201811135377 A CN 201811135377A CN 109409677 A CN109409677 A CN 109409677A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- credit risk
- credit
- risk evaluation
- model
- 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
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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及大数据分析处理领域,公开一种企业信用风险评估方法、装置、设备及存储介质,该方法包括:获取目标企业在预设时段内的企业数据,根据企业数据确定出目标企业所属的行业类别;查找行业类别对应的信用风险评估模型;按预设数据维度从企业数据中提取信用风险特征变量并将其输入至信用风险评估模型,获得企业信用风险评估结果;然后根据企业信用风险评估结果生成企业信用风险评估报告,由于本发明是先确定企业所属的行业类别,然后查找该行业类别对应的信用风险评估模型,再将从企业数据中提取出的信用风险特征变量输入到模型中进行信用风险评估,从而使得企业信用风险评估更具有针对性,确保了信用风险评估结果具有较高的准确性及可靠性。
Description
技术领域
本发明涉及大数据分析处理技术领域,尤其涉及一种企业信用风险评估方法、装置、设备及存储介质。
背景技术
目前,部分金融机构在对企业进行信用风险评估时,对所有的企业都采用相同或相似的评估模型来进行,但实际上企业所属行业的不同,其经营模式、业务范围、资产配置等企业数据都不相同,笼统的将不同企业的企业数据输入到同一个评估模型进行信用风险评估就会导致最终获得的评估结果准确性较低,严重时甚至会出现评估错误的情况。因此,如何准确有效的对不同的企业进行信用风险评估,是一个亟待解决的问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种企业信用风险评估方法、装置、设备及存储介质,旨在解决现有技术无法准确有效的对不同的企业进行信用风险评估的技术问题。
为实现上述目的,本发明提供了一种企业信用风险评估方法,所述方法包括以下步骤:
获取目标企业在预设时段内的企业数据,根据所述企业数据确定出所述目标企业所属的行业类别;
在预先构建的映射关系中查找所述行业类别对应的信用风险评估模型;
按预设数据维度从所述企业数据中提取信用风险特征变量,将提取到的信用风险特征变量输入至所述信用风险评估模型,获得企业信用风险评估结果;
根据所述企业信用风险评估结果生成所述目标企业对应的企业信用风险评估报告。
优选地,所述信用风险评估模型包括多个信用风险评估子模型;
所述按预设数据维度从所述企业数据中提取信用风险特征变量,将提取到的信用风险特征变量输入至所述信用风险评估模型,获得企业信用风险评估结果的步骤包括:
按预设数据维度从所述企业数据中提取信用风险特征变量;
根据所述信用风险评估子模型对应的模型类别对所述信用风险特征变量进行分类,获得分类后的信用风险特征变量;
将所述分类后的信用风险特征变量分别输入至对应的信用风险评估子模型;
获取各信用风险评估子模型输出的信用风险评分,根据所述信用风险评分获得企业信用风险评估结果。
优选地,所述获取各信用风险评估子模型输出的信用风险评分,根据所述信用风险评分获得企业信用风险评估结果的步骤,包括:
获取各信用风险评估子模型输出的信用风险评分,并在数据库中查询各信用风险评估子模型对应的预设权重值;
根据所述预设权重值,通过下式对所述信用风险评分进行加权求和获得求和结果,并将所述求和结果作为企业信用风险评估结果;
式中,S为求和结果,Yi为信用风险评估子模型输出的信用风险评分,Xi为信用风险评估子模型对应的预设权重值。
优选地,所述获取目标企业在预设时段内的企业数据,根据所述企业数据确定出所述目标企业所属的行业类别的步骤之前,所述方法还包括:
获取若干个企业的企业信息,按预设行业类别对所述企业信息进行分类,获得各行业类别对应的行业信息样本;
按预设数据维度从所述行业信息样本中提取出信用风险特征变量,并根据提取出的信用风险特征变量建立各行业类别对应的信用风险评估模型。
优选地,所述按预设数据维度从所述行业信息样本中提取出信用风险特征变量,并根据提取出的信用风险特征变量建立各行业类别对应的信用风险评估模型的步骤,包括:
按预设数据维度从所述行业信息样本中提取出信用风险特征变量;
对提取出的信用风险特征变量进行离散化分解获得变量因子,并将所述变量因子输入至预设神经网络模型进行模型训练,获得各行业类别对应的信用风险评估模型。
优选地,所述获得各行业类别对应的信用风险评估模型的步骤之后,所述方法还包括:
从数据库中读取预先设定的模型分解规则,根据所述模型分解规则对各行业类别对应的信用风险评估模型进行模型拆分,获得各信用风险评估模型对应的信用风险评估子模型;
分别对各信用风险评估模型对应的信用风险评估子模型进行权重配置,得到各信用风险评估子模型对应的预设权重值。
优选地,所述根据所述企业信用风险评估结果生成所述目标企业对应的企业信用风险评估报告的步骤之前,所述方法还包括:
根据所述企业数据查找与所述目标企业存在关联关系的关联企业,并在所述数据库中查询是否存在所述关联企业对应的关联企业信用风险评估结果;
若存在,则获取所述关联企业信用风险评估结果;
所述根据所述企业信用风险评估结果生成所述目标企业对应的企业信用风险评估报告的步骤,包括:
根据所述关联企业信用风险评估结果以及所述目标企业对应的企业信用风险评估结果生成所述目标企业的企业信用风险评估报告。
此外,为实现上述目的,本发明还提出一种企业信用风险评估装置,所述装置包括:行业确定模块、模型查找模块、风险评估模块和报告生成模块;
其中,所述行业确定模块,用于获取目标企业在预设时段内的企业数据,根据所述企业数据确定出所述目标企业所属的行业类别;
所述模型查找模块,用于在预先构建的映射关系中查找所述行业类别对应的信用风险评估模型;
所述风险评估模块,用于按预设数据维度从所述企业数据中提取信用风险特征变量,将提取到的信用风险特征变量输入至所述信用风险评估模型,获得企业信用风险评估结果;
所述报告生成模块,用于根据所述企业信用风险评估结果生成所述目标企业对应的企业信用风险评估报告。
此外,为实现上述目的,本发明还提出一种企业信用风险评估设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的企业信用风险评估程序,所述企业信用风险评估程序配置为实现如上文所述的企业信用风险评估方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有企业信用风险评估程序,所述企业信用风险评估程序被处理器执行时实现如上文所述的企业信用风险评估方法的步骤。
本发明通过获取目标企业在预设时段内的企业数据,根据企业数据确定出目标企业所属的行业类别;在预先构建的映射关系中查找行业类别对应的信用风险评估模型;按预设数据维度从企业数据中提取信用风险特征变量,将提取到的信用风险特征变量输入至信用风险评估模型,获得企业信用风险评估结果;根据企业信用风险评估结果生成目标企业对应的企业信用风险评估报告,由于是先根据企业数据确定企业所属的行业类别,然后根据确定出的行业类别查找对应的信用风险评估模型,再从企业数据中提取信用风险特征变量,并将提取到的信用风险特征变量输入至信用风险评估模型进行信用风险评估,从而使得企业信用风险评估更具有针对性,确保了信用风险评估结果具有较高的准确性及可靠性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的企业信用风险评估设备的结构示意图;
图2为本发明企业信用风险评估方法第一实施例的流程示意图;
图3为本发明企业信用风险评估方法第二实施例的流程示意图;
图4为本发明企业信用风险评估方法第三实施例的流程示意图;
图5为本发明企业信用风险评估装置第一实施例的结构框图。
本发明目的的实现、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
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的企业信用风险评估设备结构示意图。
如图1所示,该企业信用风险评估设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对企业信用风险评估设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作***、数据存储模块、网络通信模块、用户接口模块以及企业信用风险评估程序。
在图1所示的企业信用风险评估设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明企业信用风险评估设备中的处理器1001、存储器1005可以设置在企业信用风险评估设备中,所述企业信用风险评估设备通过处理器1001调用存储器1005中存储的企业信用风险评估程序,并执行本发明实施例提供的企业信用风险评估方法。
本发明实施例提供了一种企业信用风险评估方法,参照图2,图2为本发明企业信用风险评估方法第一实施例的流程示意图。
本实施例中,所述企业信用风险评估方法包括以下步骤:
步骤S10:获取目标企业在预设时段内的企业数据,根据所述企业数据确定出所述目标企业所属的行业类别;
需要说明的是,本实施例方法的执行主体可以是具有网络通信、数据处理以及程序运行功能的计算服务设备,如手机、平板电脑、个人电脑、服务器等(以下以服务器为执行主体进行说明)。所述目标企业为需要进行企业信用风险评估的企业,所述预设时间段可以是预先输入的自定义时间段,例如2015年6月30日-2018年6月30日,所述企业数据包括企业的司法、舆情、工商、财务、征信、经营管理等方面的数据。相应地,本实施例中所述行业类别包括但不限于房地产、非银、银行业、服务业、制造业以及其它行业。
其中,司法数据可通过司法***获取企业的司法信息,并从中提取裁判文书中的涉诉金额、企业是否涉及重大经济类纠纷等数据信息;舆情数据可通过网络途径搜索企业在社会上的舆情,筛选出一段时期内公众对于该企业发生的舆情是积极、中级还是消极情绪;工商数据可通过工商***获取企业的注册资本是否有减少、股东持股比例的变化情况等数据信息;财务数据可通过企业财务报表来获得,并以此来分析企业的盈利水平、偿债水平、成长性等;征信数据可通过中国人民银行征信中心的信用信息基础数据库获取企业征信情况;经验管理数据可通过企业调研报告获得。
在具体实现中,服务器可获取目标企业在预设时段内的企业数据,根据企业数据中的企业类型、企业名称、商标等信息确定出所述目标企业所属的行业类别。
步骤S20:在预先构建的映射关系中查找所述行业类别对应的信用风险评估模型;
需要说明的是,执行本步骤之前,需要根据不同行业企业的企业数据先构建用于对不同行业的企业进行信用风险评估的(行业)信用风险评估模型,且服务器在构建好各个行业对应的信用风险评估模型后,还可建立一个行业类别和行业类别对应的信用风险评估模型之间的映射关系或对应关系,以便于服务器能够在确定出目标企业所属的行业类别后,根据所述映射关系实现对目标信用风险评估模型的快速确定并获取。在所述映射关系中,映射端源为行业类别,目标端源为信用风险评估模型。
在具体实现中,服务器在确定出到目标企业所属的行业类别后,可在预先构建的映射关系中查找所述行业类别对应的信用风险评估模型。
步骤S30:按预设数据维度从所述企业数据中提取信用风险特征变量,将提取到的信用风险特征变量输入至所述信用风险评估模型,获得企业信用风险评估结果;
需要说明的是,所述预设数据维度包括但不限于法律、舆情、工商信息、财务信息和/或人行征信等数据提取维度。
应理解的是,所述信用风险特征变量即按所述预设维度从企业数据中提取出的信息数据(包括量化数据及非量化数据)。对于非量化数据,可根据预设量化标准对其进行量化后再作为风险特征变量,例如对于企业的舆情数据可通过网络途径获取企业在社会上的舆情,然后按照预先设定的打分标准(例如,利好、利空、中性等)对舆情进行正负面打分,再统计一段时间内企业对应的重大正负面舆情的数量,从而实现对舆情数据的量化。
在具体实现中,服务器可按照法律、舆情、工商信息、财务信息和/或人行征信等数据提取维度从企业数据中提取信用风险特征变量,然后将提取到的信用风险特征变量输入至预先构建的信用风险评估模型,获得信用风险评估模型输出的企业信用风险评估结果。
步骤S40:根据所述企业信用风险评估结果生成所述目标企业对应的企业信用风险评估报告。
在具体实现中,服务器在获取到信用风险评估模型输出的企业信用风险评估结果后,可根据该结果生成目标企业对应的企业信用风险评估报告,具体的,服务器可将企业信用风险评估结果对应的信用风险评分与预设风险阈值进行比较,根据比较结果来判断目标企业是否存在信用风险,又或是根据预先设定的信用风险等级来确定所述信用风险评分处于何种风险等级,进而判断目标企业是否存在信用风险;若存在信用风险则从企业数据中筛选出导致企业存在信用风险的风险数据,并根据这些风险数据生成目标企业对应的企业信用风险评估报告。
本实施例通过获取目标企业在预设时段内的企业数据,根据企业数据确定出目标企业所属的行业类别;在预先构建的映射关系中查找行业类别对应的信用风险评估模型;按预设数据维度从企业数据中提取信用风险特征变量,将提取到的信用风险特征变量输入至信用风险评估模型,获得企业信用风险评估结果;根据企业信用风险评估结果生成目标企业对应的企业信用风险评估报告,由于是先根据企业数据确定企业所属的行业类别,然后根据确定出的行业类别查找对应的信用风险评估模型,再从企业数据中提取信用风险特征变量,并将提取到的信用风险特征变量输入至信用风险评估模型进行信用风险评估,从而使得企业信用风险评估更具有针对性,确保了信用风险评估结果具有较高的准确性及可靠性。
参考图3,图3为本发明企业信用风险评估方法第二实施例的流程示意图。
基于上述第一实施例,在本实施例提供的企业信用风险评估方法在所述步骤S10之前,还包括:
步骤S01:获取若干个企业的企业信息,按预设行业类别对所述企业信息进行分类,获得各行业类别对应的行业信息样本;
需要说明的是,所述若干个企业可以是不同行业类别的企业或公司,所述预设行业类别可以是房地产、非银、银行业、服务业、制造业以及其它行业六大类,当然具体行业类别的设定本实施例不作限制。所述行业信息样本中包含有若干个本行业不同企业的企业信息。
此外,在本实施例中,服务器在获取到若干个企业的企业信息后,可先根据企业信息为各企业进行用户画像,以获得各企业对应的企业信用风险画像;然后再根据所述预设行业类别对企业信用风险画像进行分类,从而实现对企业以及企业信息的分类,获得各行业类别对应的行业信息样本。
应理解的是,所谓画像,即用户(企业)信息标签化,就是通过收集与分析用户社会属性、生活习惯、消费行为等主要信息的数据之后,完美地抽象出一个用户的商业全貌。在本实施例中对企业进行信用风险画像,即在大量企业数据(如法律、舆情、工商信息、财务信息和/或人行征信等)信息的基础上对企业的基本情况、行为模式等进行综合分析,得到企业的信用标签。
在具体实现中,服务器获取若干个企业的企业信息,按预先设定的房地产、非银、银行业、服务业、制造业以及其它行业等行业类别对企业信息进行分类,获得各行业类别对应的行业信息样本。
步骤S02:按预设数据维度从所述行业信息样本中提取出信用风险特征变量,并根据提取出的信用风险特征变量建立各行业类别对应的信用风险评估模型。
在具体实现中,服务器在获得各行业类别对应的行业信息样本后,可按预设数据维度从所述行业信息样本中提取出信用风险特征变量;然后对提取出的信用风险特征变量进行离散化分解获得变量因子,并将所述变量因子输入至预设神经网络模型进行模型训练,获得各行业类别对应的信用风险评估模型。
可以理解的是,最初训练出的模型往往准确性不高,因此在实际应用中有必要对最初训练出的模型进行优化以提高模型输出结果的准确性。具体的,可通过提高对信用风险特征变量(训练数据)提取时的精准度来实现模型优化,即提高训练数据的准确度或有效性。因此,本实施例中服务器在获得信用风险评估模型后,还可以根据信用风险评估模型来挑选各变量因子的有效组合,由此获得变量因子之间高阶的关联关系,从而提高对信用风险特征变量提取时的精准度,提升模型表现。
进一步地,为保证提取出的信用风险特征变量具有较高的精准度,避免提取过多对信用风险评估影响程度较小的特征变量,导致服务器的计算量增加,本实施例中服务器可获取所述初始信用风险评估模型中各变量因子对应的变量信息值;根据所述变量信息值对所述提取出信用风险特征变量的进行筛选,获取有效特征变量以及所述有效特征变量对应的数据类型;基于所述数据类型从所述行业信息样本中提取目标信用风险特征变量;将所述目标信用风险特征变量离散化分解后输入至所述递归神经网络模型进行模型训练,获得有效信用风险评估模型。
其中,所述变量信息值可以是各变量因子对应的变量系数;所述根据所述变量信息值对所述提取出信用风险特征变量的进行筛选具体可以是:将各变量因子对应的变量信息值与预设阈值进行比较,获取变量信息值高于所述预设阈值的有效变量因子;将所述有效变量因子对应的信用风险特征变量作为有效特征变量,并获取所述有效特征变量对应的数据类型。
应理解的是,在模型中不同的变量因子对应的变量系数并不相同,例如流动资产负债率、过去30天重大负面舆情总数这类变量因子对应的变量系数理论上要大于企业员工数量、企业股东人数这类变量因子对应的变量系数,因此本实施例中,服务器可将各变量因子对应的变量信息值与预设阈值进行比较,然后根据比较结果剔除对模型输出结果影响较小的变量因子,以提高模型计算效率。
考虑到本实施例提出的企业信用风险评估方法需要将筛选出的信用风险特征变量与各信用风险特征变量对应的好坏标签一并输入到模型中进行训练,且各信用风险特征变量具有一定的关联性,彼此并非相互独立,本实施例中所述预设神经网络模型优选为递归神经网络模型,(又称循环神经网络模型)(Recurrent Neural Network,RNN)。
应理解的是,在对企业进行信用风险评估时,由于涉及的企业数据种类繁多、类目繁杂,若将所有的企业数据汇聚到某一单个模型中进行训练,并不利于后续的模型优化操作,因此,本实施例提供的企业信用风险评估方法在构建出各行业对应的信用风险评估模型后,还可以按照工作人员预先配置的模型分解规则来对信用风险评估模型进行拆分,获得各信用风险评估模型对应的信用风险评估子模型,以便于后续有针对性的对各子模型进行优化,从而实现对信用风险评估模型的整体优化,提高评估准确率。
具体的,服务器可从数据库中读取预先设定的模型分解规则,根据所述模型分解规则对各行业类别对应的信用风险评估模型进行模型拆分,获得各信用风险评估模型对应的信用风险评估子模型;分别对各信用风险评估模型对应的信用风险评估子模型进行权重配置,得到各信用风险评估子模型对应的预设权重值。
其中,所述模型分解规则可配置为按照财务类、征信类和其它类等维度对各行业信用风险评估模型进行模型拆分,将信用风险评估模型分解为财务类信用风险评估模型、征信类信用风险评估模型和其它类信用风险评估模型等三个子模型,并为各子模型配置相应的预设权重值。
本实施例通过获取若干个企业的企业信息,按预设行业类别对企业信息进行分类,获得各行业类别对应的行业信息样本;按预设数据维度从行业信息样本中提取出信用风险特征变量,并根据提取出的信用风险特征变量建立各行业类别对应的信用风险评估模型,保证了建立的企业信用风险评估模型具有较高的准确度。
参考图4,图4为本发明企业信用风险评估方法第三实施例的流程示意图。
基于上述各实施例,在本实施例中,所述信用风险评估模型包括多个信用风险评估子模型。
相应地,本实施例提供的企业信用风险评估方法中所述步骤S30可具体包括:
步骤S301:按预设数据维度从所述企业数据中提取信用风险特征变量;
在具体实现中,服务器可按照法律、舆情、工商信息、财务信息和/或人行征信等数据提取维度从企业数据中提取信用风险特征变量。
步骤S302:根据所述信用风险评估子模型对应的模型类别对所述信用风险特征变量进行分类,获得分类后的信用风险特征变量;
应理解的是,由于各信用风险评估子模型所属的模型类别不同,因此服务器在从企业数据中提取出信用风险特征变量时,需要根据预先拆分好的信用风险评估子模型对应的模型类别对信用风险特征变量进行分类,获得分类后的信用风险特征变量,例如将工商信息、财务信息等维度的信用风险特征变量归类为财务类信用风险评估模型,将法律、人行征信等维度的信用风险特征变量归类为征信类信用风险评估模型,将舆情维度的信用风险特征变量归类为其它类信用风险评估模型等。
步骤S303:将所述分类后的信用风险特征变量分别输入至对应的信用风险评估子模型;
在具体实现中,服务器在完成对信用风险特征变量的分类后,即可将分类后的信用风险特征变量分别输入至对应的信用风险评估子模型进行信用风险评估。
步骤S304:获取各信用风险评估子模型输出的信用风险评分,根据所述信用风险评分获得企业信用风险评估结果。
在具体实现中,服务器可通过获取各信用风险评估子模型输出的信用风险评分来获得目标企业的企业信用风险评估结果。
具体的,服务器可通过获取各信用风险评估子模型输出的信用风险评分,并在数据库中查询各信用风险评估子模型对应的预设权重值;然后根据所述预设权重值,通过下式对所述信用风险评分进行加权求和获得求和结果,并将所述求和结果作为企业信用风险评估结果;
式中,S为求和结果,Yi为信用风险评估子模型输出的信用风险评分,Xi为信用风险评估子模型对应的预设权重值。
例如,若财务类信用风险评估模型对应的预设权重值为0.5,征信类信用风险评估模型对应的预设权重值为0.35,其它类信用风险评估模型对应的预设权重值为0.15,那么当财务类信用风险评估模型输出的信用风险评分为80、征信类信用风险评估模型输出的信用风险评分为75、其它类信用风险评估模型输出的信用风险评分为90时,对信用风险评分进行加权求和的求和结果则为80*0.5+75*0.35+90*0.15=79.75。
进一步地,考虑到企业与企业之间大多会存在一定的业务往来或直接投资、债务、股东等关联性。因此一个企业出现风险,其关联企业也可能会受到影响,因此考虑到企业之间的关联性,为进一步提高信用风险评估的准确性,本实施例中服务器可根据所述企业数据查找与所述目标企业存在关联关系的关联企业,并在所述数据库中查询是否存在所述关联企业对应的关联企业信用风险评估结果,若存在则获取所述关联企业信用风险评估结果;然后根据所述关联企业信用风险评估结果以及所述目标企业对应的企业信用风险评估结果生成所述目标企业的企业信用风险评估报告。
本实施例通过按预设数据维度从企业数据中提取信用风险特征变量;根据信用风险评估子模型对应的模型类别对信用风险特征变量进行分类,获得分类后的信用风险特征变量;将分类后的信用风险特征变量分别输入至对应的信用风险评估子模型;获取各信用风险评估子模型输出的信用风险评分,根据信用风险评分获得企业信用风险评估结果,有效地提高了企业信用风险评估的灵活性和准确性。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有企业信用风险评估程序,所述企业信用风险评估程序被处理器执行时实现如上文所述的企业信用风险评估方法的步骤。
参照图5,图5为本发明企业信用风险评估装置第一实施例的结构框图。
如图5所示,本发明实施例提出的企业信用风险评估装置包括:行业确定模块501、模型查找模块502、风险评估模块503和报告生成模块504;
其中,所述行业确定模块501,用于获取目标企业在预设时段内的企业数据,根据所述企业数据确定出所述目标企业所属的行业类别;
所述模型查找模块502,用于在预先构建的映射关系中查找所述行业类别对应的信用风险评估模型;
所述风险评估模块503,用于按预设数据维度从所述企业数据中提取信用风险特征变量,将提取到的信用风险特征变量输入至所述信用风险评估模型,获得企业信用风险评估结果;
所述报告生成模块504,用于根据所述企业信用风险评估结果生成所述目标企业对应的企业信用风险评估报告。
本实施例通过获取目标企业在预设时段内的企业数据,根据企业数据确定出目标企业所属的行业类别;在预先构建的映射关系中查找行业类别对应的信用风险评估模型;按预设数据维度从企业数据中提取信用风险特征变量,将提取到的信用风险特征变量输入至信用风险评估模型,获得企业信用风险评估结果;根据企业信用风险评估结果生成目标企业对应的企业信用风险评估报告,由于是先根据企业数据确定企业所属的行业类别,然后根据确定出的行业类别查找对应的信用风险评估模型,再从企业数据中提取信用风险特征变量,并将提取到的信用风险特征变量输入至信用风险评估模型进行信用风险评估,从而使得企业信用风险评估更具有针对性,确保了信用风险评估结果具有较高的准确性及可靠性。
基于本发明上述企业信用风险评估装置第一实施例,提出本发明企业信用风险评估装置的第二实施例。
在本实施例中,所述风险评估模块503,还用于按预设数据维度从所述企业数据中提取信用风险特征变量;根据所述信用风险评估子模型对应的模型类别对所述信用风险特征变量进行分类,获得分类后的信用风险特征变量;将所述分类后的信用风险特征变量分别输入至对应的信用风险评估子模型;获取各信用风险评估子模型输出的信用风险评分,根据所述信用风险评分获得企业信用风险评估结果。
进一步地,所述风险评估模块503,还用于获取各信用风险评估子模型输出的信用风险评分,并在数据库中查询各信用风险评估子模型对应的预设权重值;根据所述预设权重值,通过下式对所述信用风险评分进行加权求和获得求和结果,并将所述求和结果作为企业信用风险评估结果;
式中,S为求和结果,Yi为信用风险评估子模型输出的信用风险评分,Xi为信用风险评估子模型对应的预设权重值。
进一步地,本实施例企业信用风险评估装置还包括模型建立模块,所述模型建立模块,用于获取若干个企业的企业信息,按预设行业类别对所述企业信息进行分类,获得各行业类别对应的行业信息样本;按预设数据维度从所述行业信息样本中提取出信用风险特征变量,并根据提取出的信用风险特征变量建立各行业类别对应的信用风险评估模型。
进一步地,所述模型建立模块,还用于按预设数据维度从所述行业信息样本中提取出信用风险特征变量;对提取出的信用风险特征变量进行离散化分解获得变量因子,并将所述变量因子输入至预设神经网络模型进行模型训练,获得各行业类别对应的信用风险评估模型。
进一步地,所述模型建立模块,还用于从数据库中读取预先设定的模型分解规则,根据所述模型分解规则对各行业类别对应的信用风险评估模型进行模型拆分,获得各信用风险评估模型对应的风险评估子模型;分别对各信用风险评估模型对应的风险评估子模型进行权重配置,得到各信用风险评估子模型对应的预设权重值。
进一步地,所述风险评估模块503,还用于根据所述企业数据查找与所述目标企业存在关联关系的关联企业,并在所述数据库中查询是否存在所述关联企业对应的关联企业信用风险评估结果;若存在,则获取所述关联企业信用风险评估结果;相应地,所述报告生成模块504,还用于根据所述关联企业信用风险评估结果以及所述目标企业对应的企业信用风险评估结果生成所述目标企业的企业信用风险评估报告。
本发明企业信用风险评估装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得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(如只读存储器/随机存取存储器、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,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,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,或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)
1.一种企业信用风险评估方法,其特征在于,所述方法包括:
获取目标企业在预设时段内的企业数据,根据所述企业数据确定出所述目标企业所属的行业类别;
在预先构建的映射关系中查找所述行业类别对应的信用风险评估模型;
按预设数据维度从所述企业数据中提取信用风险特征变量,将提取到的信用风险特征变量输入至所述信用风险评估模型,获得企业信用风险评估结果;
根据所述企业信用风险评估结果生成所述目标企业对应的企业信用风险评估报告。
2.如权利要求1所述的方法,其特征在于,所述信用风险评估模型包括多个信用风险评估子模型;
所述按预设数据维度从所述企业数据中提取信用风险特征变量,将提取到的信用风险特征变量输入至所述信用风险评估模型,获得企业信用风险评估结果的步骤包括:
按预设数据维度从所述企业数据中提取信用风险特征变量;
根据所述信用风险评估子模型对应的模型类别对所述信用风险特征变量进行分类,获得分类后的信用风险特征变量;
将所述分类后的信用风险特征变量分别输入至对应的信用风险评估子模型;
获取各信用风险评估子模型输出的信用风险评分,根据所述信用风险评分获得企业信用风险评估结果。
3.如权利要求2所述的方法,其特征在于,所述获取各信用风险评估子模型输出的信用风险评分,根据所述信用风险评分获得企业信用风险评估结果的步骤,包括:
获取各信用风险评估子模型输出的信用风险评分,并在数据库中查询各信用风险评估子模型对应的预设权重值;
根据所述预设权重值,通过下式对所述信用风险评分进行加权求和获得求和结果,并将所述求和结果作为企业信用风险评估结果;
式中,S为求和结果,Yi为信用风险评估子模型输出的信用风险评分,Xi为信用风险评估子模型对应的预设权重值。
4.如权利要求1所述的方法,其特征在于,所述获取目标企业在预设时段内的企业数据,根据所述企业数据确定出所述目标企业所属的行业类别的步骤之前,所述方法还包括:
获取若干个企业的企业信息,按预设行业类别对所述企业信息进行分类,获得各行业类别对应的行业信息样本;
按预设数据维度从所述行业信息样本中提取出信用风险特征变量,并根据提取出的信用风险特征变量建立各行业类别对应的信用风险评估模型。
5.如权利要求4所述的方法,其特征在于,所述按预设数据维度从所述行业信息样本中提取出信用风险特征变量,并根据提取出的信用风险特征变量建立各行业类别对应的信用风险评估模型的步骤,包括:
按预设数据维度从所述行业信息样本中提取出信用风险特征变量;
对提取出的信用风险特征变量进行离散化分解获得变量因子,并将所述变量因子输入至预设神经网络模型进行模型训练,获得各行业类别对应的信用风险评估模型。
6.如权利要求5所述的方法,其特征在于,所述获得各行业类别对应的信用风险评估模型的步骤之后,所述方法还包括:
从数据库中读取预先设定的模型分解规则,根据所述模型分解规则对各行业类别对应的信用风险评估模型进行模型拆分,获得各信用风险评估模型对应的信用风险评估子模型;
分别对各信用风险评估模型对应的信用风险评估子模型进行权重配置,得到各信用风险评估子模型对应的预设权重值。
7.如权利要求1-6中任一项所述的方法,其特征在于,所述根据所述企业信用风险评估结果生成所述目标企业对应的企业信用风险评估报告的步骤之前,所述方法还包括:
根据所述企业数据查找与所述目标企业存在关联关系的关联企业,并在所述数据库中查询是否存在所述关联企业对应的关联企业信用风险评估结果;
若存在,则获取所述关联企业信用风险评估结果;
所述根据所述企业信用风险评估结果生成所述目标企业对应的企业信用风险评估报告的步骤,包括:
根据所述关联企业信用风险评估结果以及所述目标企业对应的企业信用风险评估结果生成所述目标企业的企业信用风险评估报告。
8.一种企业信用风险评估装置,其特征在于,所述装置包括:行业确定模块、模型查找模块、风险评估模块和报告生成模块;
其中,所述行业确定模块,用于获取目标企业在预设时段内的企业数据,根据所述企业数据确定出所述目标企业所属的行业类别;
所述模型查找模块,用于在预先构建的映射关系中查找所述行业类别对应的信用风险评估模型;
所述风险评估模块,用于按预设数据维度从所述企业数据中提取信用风险特征变量,将提取到的信用风险特征变量输入至所述信用风险评估模型,获得企业信用风险评估结果;
所述报告生成模块,用于根据所述企业信用风险评估结果生成所述目标企业对应的企业信用风险评估报告。
9.一种企业信用风险评估设备,其特征在于,所述企业信用风险评估设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的企业信用风险评估程序,所述企业信用风险评估程序配置为实现如权利要求1至7中任一项所述的企业信用风险评估方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有企业信用风险评估程序,所述企业信用风险评估程序被处理器执行时实现如权利要求1至7任一项所述的企业信用风险评估方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811135377.2A CN109409677A (zh) | 2018-09-27 | 2018-09-27 | 企业信用风险评估方法、装置、设备及存储介质 |
PCT/CN2018/123278 WO2020062660A1 (zh) | 2018-09-27 | 2018-12-25 | 企业信用风险评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811135377.2A CN109409677A (zh) | 2018-09-27 | 2018-09-27 | 企业信用风险评估方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109409677A true CN109409677A (zh) | 2019-03-01 |
Family
ID=65465400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811135377.2A Pending CN109409677A (zh) | 2018-09-27 | 2018-09-27 | 企业信用风险评估方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109409677A (zh) |
WO (1) | WO2020062660A1 (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961368A (zh) * | 2019-03-18 | 2019-07-02 | 京东数字科技控股有限公司 | 基于机器学习的数据处理方法及装置 |
CN110400215A (zh) * | 2019-07-31 | 2019-11-01 | 浪潮软件集团有限公司 | 面向企业家族的小微企业信用评估模型构建方法及*** |
CN110417721A (zh) * | 2019-03-07 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 安全风险评估方法、装置、设备及计算机可读存储介质 |
CN110443458A (zh) * | 2019-07-05 | 2019-11-12 | 深圳壹账通智能科技有限公司 | 风险评估方法、装置、计算机设备和存储介质 |
CN110443489A (zh) * | 2019-07-31 | 2019-11-12 | 北京明略软件***有限公司 | 目标行业的获取方法及装置、存储介质、电子装置 |
CN110472680A (zh) * | 2019-08-08 | 2019-11-19 | 京东城市(北京)数字科技有限公司 | 目标分类方法、装置和计算机可读存储介质 |
CN110717821A (zh) * | 2019-09-09 | 2020-01-21 | 上海凯京信达科技集团有限公司 | 一种车辆贷款评估方法、装置及计算机存储介质、电子设备 |
CN110889589A (zh) * | 2019-10-23 | 2020-03-17 | 今稠科技(上海)有限公司 | 一种企业在线风控服务*** |
CN110930250A (zh) * | 2020-02-12 | 2020-03-27 | 成都数联铭品科技有限公司 | 企业信用风险的预测方法及***、存储介质及电子设备 |
CN111191091A (zh) * | 2019-12-30 | 2020-05-22 | 成都数联铭品科技有限公司 | 一种数据分类方法及*** |
CN111260484A (zh) * | 2020-01-14 | 2020-06-09 | 支付宝(杭州)信息技术有限公司 | 一种人伤识别的数据处理方法、装置、服务器及*** |
CN111340365A (zh) * | 2020-02-26 | 2020-06-26 | 深圳壹账通智能科技有限公司 | 企业数据处理方法、装置、计算机设备和存储介质 |
CN111369260A (zh) * | 2020-03-10 | 2020-07-03 | 支付宝(杭州)信息技术有限公司 | 保护隐私的风险预测方法及装置 |
CN111507822A (zh) * | 2020-04-13 | 2020-08-07 | 深圳微众信用科技股份有限公司 | 一种基于特征工程的企业风险评估方法 |
CN111915155A (zh) * | 2020-07-13 | 2020-11-10 | 上海冰鉴信息科技有限公司 | 小微企业风险等级识别方法、装置及计算机设备 |
CN112561682A (zh) * | 2020-12-10 | 2021-03-26 | 中信银行股份有限公司 | 一种针对小微企业的银行授信风险评估方法及*** |
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 |
CN112633709A (zh) * | 2020-12-26 | 2021-04-09 | 中国农业银行股份有限公司 | 一种企业征信评估方法和装置 |
CN112734559A (zh) * | 2020-12-30 | 2021-04-30 | 北京知因智慧科技有限公司 | 企业信用风险评价方法、装置及电子设备 |
CN112734598A (zh) * | 2019-10-29 | 2021-04-30 | 北京国双科技有限公司 | 建立外包平台模型的方法、外包方查找方法及装置 |
CN112734099A (zh) * | 2020-12-31 | 2021-04-30 | 北京知因智慧科技有限公司 | 企业风险的预测方法、装置及服务器 |
CN112801773A (zh) * | 2021-01-20 | 2021-05-14 | 招商银行股份有限公司 | 企业风险预警方法、装置、设备及存储介质 |
CN112907351A (zh) * | 2021-02-05 | 2021-06-04 | 中国工商银行股份有限公司 | 金融报文异常识别方法及装置 |
CN112990707A (zh) * | 2021-03-12 | 2021-06-18 | 深圳工盟科技有限公司 | 施工风险评估方法、装置、设备及存储介质 |
CN113177701A (zh) * | 2021-04-15 | 2021-07-27 | 国任财产保险股份有限公司 | 一种用户信用评估方法和装置 |
CN114004212A (zh) * | 2021-12-30 | 2022-02-01 | 深圳希施玛数据科技有限公司 | 数据处理方法、装置及存储介质 |
US20220147817A1 (en) * | 2020-11-10 | 2022-05-12 | Equifax Inc. | Machine-learning techniques involving monotonic recurrent neural networks |
CN114781937A (zh) * | 2022-06-20 | 2022-07-22 | 华网领业(杭州)软件有限公司 | 一种预付卡企业风险预警方法和装置以及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050119961A1 (en) * | 2003-12-02 | 2005-06-02 | Dun & Bradstreet, Inc. | Enterprise risk assessment manager system |
CN104966227A (zh) * | 2015-06-11 | 2015-10-07 | 安徽融信金模信息技术有限公司 | 一种基于多种经营数据的企业风险评估*** |
CN104992234A (zh) * | 2015-06-11 | 2015-10-21 | 安徽融信金模信息技术有限公司 | 一种基于多种运营数据的企业风险评估方法 |
CN106779755A (zh) * | 2016-12-31 | 2017-05-31 | 湖南文沥征信数据服务有限公司 | 一种网络电商借贷风险评估方法及模型 |
-
2018
- 2018-09-27 CN CN201811135377.2A patent/CN109409677A/zh active Pending
- 2018-12-25 WO PCT/CN2018/123278 patent/WO2020062660A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050119961A1 (en) * | 2003-12-02 | 2005-06-02 | Dun & Bradstreet, Inc. | Enterprise risk assessment manager system |
CN104966227A (zh) * | 2015-06-11 | 2015-10-07 | 安徽融信金模信息技术有限公司 | 一种基于多种经营数据的企业风险评估*** |
CN104992234A (zh) * | 2015-06-11 | 2015-10-21 | 安徽融信金模信息技术有限公司 | 一种基于多种运营数据的企业风险评估方法 |
CN106779755A (zh) * | 2016-12-31 | 2017-05-31 | 湖南文沥征信数据服务有限公司 | 一种网络电商借贷风险评估方法及模型 |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110417721A (zh) * | 2019-03-07 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 安全风险评估方法、装置、设备及计算机可读存储介质 |
CN109961368A (zh) * | 2019-03-18 | 2019-07-02 | 京东数字科技控股有限公司 | 基于机器学习的数据处理方法及装置 |
CN110443458A (zh) * | 2019-07-05 | 2019-11-12 | 深圳壹账通智能科技有限公司 | 风险评估方法、装置、计算机设备和存储介质 |
CN110400215A (zh) * | 2019-07-31 | 2019-11-01 | 浪潮软件集团有限公司 | 面向企业家族的小微企业信用评估模型构建方法及*** |
CN110443489A (zh) * | 2019-07-31 | 2019-11-12 | 北京明略软件***有限公司 | 目标行业的获取方法及装置、存储介质、电子装置 |
CN110400215B (zh) * | 2019-07-31 | 2023-11-03 | 浪潮软件集团有限公司 | 面向企业家族的小微企业信用评估模型构建方法及*** |
CN110472680A (zh) * | 2019-08-08 | 2019-11-19 | 京东城市(北京)数字科技有限公司 | 目标分类方法、装置和计算机可读存储介质 |
CN110717821A (zh) * | 2019-09-09 | 2020-01-21 | 上海凯京信达科技集团有限公司 | 一种车辆贷款评估方法、装置及计算机存储介质、电子设备 |
CN110889589A (zh) * | 2019-10-23 | 2020-03-17 | 今稠科技(上海)有限公司 | 一种企业在线风控服务*** |
CN112734598A (zh) * | 2019-10-29 | 2021-04-30 | 北京国双科技有限公司 | 建立外包平台模型的方法、外包方查找方法及装置 |
CN111191091A (zh) * | 2019-12-30 | 2020-05-22 | 成都数联铭品科技有限公司 | 一种数据分类方法及*** |
CN111260484A (zh) * | 2020-01-14 | 2020-06-09 | 支付宝(杭州)信息技术有限公司 | 一种人伤识别的数据处理方法、装置、服务器及*** |
CN110930250A (zh) * | 2020-02-12 | 2020-03-27 | 成都数联铭品科技有限公司 | 企业信用风险的预测方法及***、存储介质及电子设备 |
CN111340365A (zh) * | 2020-02-26 | 2020-06-26 | 深圳壹账通智能科技有限公司 | 企业数据处理方法、装置、计算机设备和存储介质 |
CN111369260A (zh) * | 2020-03-10 | 2020-07-03 | 支付宝(杭州)信息技术有限公司 | 保护隐私的风险预测方法及装置 |
CN111507822A (zh) * | 2020-04-13 | 2020-08-07 | 深圳微众信用科技股份有限公司 | 一种基于特征工程的企业风险评估方法 |
CN111915155A (zh) * | 2020-07-13 | 2020-11-10 | 上海冰鉴信息科技有限公司 | 小微企业风险等级识别方法、装置及计算机设备 |
US20220147817A1 (en) * | 2020-11-10 | 2022-05-12 | Equifax Inc. | Machine-learning techniques involving monotonic recurrent neural networks |
US11960993B2 (en) * | 2020-11-10 | 2024-04-16 | Equifax Inc. | Machine-learning techniques involving monotonic recurrent neural networks |
CN112561682A (zh) * | 2020-12-10 | 2021-03-26 | 中信银行股份有限公司 | 一种针对小微企业的银行授信风险评估方法及*** |
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 |
CN112633709A (zh) * | 2020-12-26 | 2021-04-09 | 中国农业银行股份有限公司 | 一种企业征信评估方法和装置 |
CN112734559A (zh) * | 2020-12-30 | 2021-04-30 | 北京知因智慧科技有限公司 | 企业信用风险评价方法、装置及电子设备 |
CN112734559B (zh) * | 2020-12-30 | 2024-04-30 | 北京知因智慧科技有限公司 | 企业信用风险评价方法、装置及电子设备 |
CN112734099A (zh) * | 2020-12-31 | 2021-04-30 | 北京知因智慧科技有限公司 | 企业风险的预测方法、装置及服务器 |
CN112801773A (zh) * | 2021-01-20 | 2021-05-14 | 招商银行股份有限公司 | 企业风险预警方法、装置、设备及存储介质 |
CN112907351A (zh) * | 2021-02-05 | 2021-06-04 | 中国工商银行股份有限公司 | 金融报文异常识别方法及装置 |
CN112990707A (zh) * | 2021-03-12 | 2021-06-18 | 深圳工盟科技有限公司 | 施工风险评估方法、装置、设备及存储介质 |
CN113177701A (zh) * | 2021-04-15 | 2021-07-27 | 国任财产保险股份有限公司 | 一种用户信用评估方法和装置 |
CN114004212A (zh) * | 2021-12-30 | 2022-02-01 | 深圳希施玛数据科技有限公司 | 数据处理方法、装置及存储介质 |
CN114781937A (zh) * | 2022-06-20 | 2022-07-22 | 华网领业(杭州)软件有限公司 | 一种预付卡企业风险预警方法和装置以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020062660A1 (zh) | 2020-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409677A (zh) | 企业信用风险评估方法、装置、设备及存储介质 | |
CN109492945A (zh) | 企业风险识别监控方法、装置、设备及存储介质 | |
Yeh et al. | A machine learning approach to predict the success of crowdfunding fintech project | |
CN109657894A (zh) | 企业信用风险预警方法、装置、设备及存储介质 | |
Du et al. | CUS-heterogeneous ensemble-based financial distress prediction for imbalanced dataset with ensemble feature selection | |
CN108665159A (zh) | 一种风险评估方法、装置、终端设备及存储介质 | |
CN104321794B (zh) | 一种使用多维评级来确定一实体的未来商业可行性的***和方法 | |
Chen | Classifying credit ratings for Asian banks using integrating feature selection and the CPDA-based rough sets approach | |
CN110415111A (zh) | 基于用户数据与专家特征合并逻辑回归信贷审批的方法 | |
CN113095927B (zh) | 一种反洗钱可疑交易识别方法及设备 | |
CN111985937A (zh) | 交易商价值信息评估方法、***、存储介质、计算机设备 | |
CN112541817A (zh) | 一种个人消费贷款潜在客户的营销响应处理方法及*** | |
CN108492001A (zh) | 一种用于担保贷款网络风险管理的方法 | |
CN113449046A (zh) | 基于企业知识图谱的模型训练方法、***及相关装置 | |
CN107609771A (zh) | 一种供应商价值评价方法 | |
CN111882420A (zh) | 响应率的生成方法、营销方法、模型训练方法及装置 | |
CN110782349A (zh) | 一种模型训练方法和*** | |
CN112102006A (zh) | 基于大数据分析的目标客户获取方法、搜索方法及装置 | |
CN114092057A (zh) | 一种项目模型的构建方法、装置、终端设备和存储介质 | |
CN113988878A (zh) | 一种基于图数据库技术的反欺诈方法及*** | |
Lee et al. | Application of machine learning in credit risk scorecard | |
Dhabe et al. | Stock Market Trend Prediction Along with Twitter Sentiment Analysis | |
Giannouli et al. | Towards an improved credit scoring system: the Greek case | |
CN117994016A (zh) | 构建零***风险预测模型的方法和消费信贷业务Scorebeta模型 | |
Chen et al. | Construction of Bank Credit White List Access System Based on Grey Clustering Algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40002551 Country of ref document: HK |
|
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: 20190301 |
|
RJ01 | Rejection of invention patent application after publication |