CN110163741A - 基于信贷风控模型的信贷决策方法、装置、设备及介质 - Google Patents
基于信贷风控模型的信贷决策方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN110163741A CN110163741A CN201910305898.6A CN201910305898A CN110163741A CN 110163741 A CN110163741 A CN 110163741A CN 201910305898 A CN201910305898 A CN 201910305898A CN 110163741 A CN110163741 A CN 110163741A
- Authority
- CN
- China
- Prior art keywords
- credit
- enterprise
- data
- mark
- air control
- 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
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于信贷风控模型的信贷决策方法、装置、设备及介质。所述方法包括:获取所有企业的企业标识和各企业的基础数据;根据企业的企业标识和基础数据构建知识图谱,该知识图谱中包含企业标识、与企业标识关联的基础数据以及关联数据;接收包含目标企业标识的信息获取请求,从知识图谱中获取与目标企业标识匹配的企业标识、以及与匹配的所述企业标识关联的基础数据和关联数据;将自知识图谱中获取的基础数据和关联数据输入至预设的信贷风控模型中,并接收信贷风控模型输出的信贷风险等级;根据信贷风险等级生成信贷申请结果。本发明有利于减少信贷审批过程中的人力投入成本,提高了风险评估的可靠有效性,且提高了信贷审批效率。
Description
技术领域
本发明涉及业务安全领域,具体涉及一种基于信贷风控模型的信贷决策方法、装置、设备及介质。
背景技术
目前,对于中小企业级客户的信贷审批,金融及放贷机构主要是工作人员对中小企业级客户提交的信贷申请进行审核。在审核的过程中,利用收集的央行征信、公开业务、工商等数据内容,其数据真实性和和准确性难以辨别,有待进一步核对,且数据收集和数据分析过程严重滞后;而数据不完善、数据可疑、数据时效性差等问题,给中小企业信贷风险评估带来很大困难。现有的企业信贷风控模型以及模型训练过程则在很大程度上受限于获得的数据,其信贷风险评估和决策方法主要依赖于主观判断(或者专家规则),从而导致现有技术的评估结果并不可靠,且数据收集和数据分析过程严重滞后,使得风险评估时效性不足。
发明内容
本发明实施例提供一种基于信贷风控模型的信贷决策方法、装置、设备及介质,提高了风险评估的可靠有效性,且提高了审批效率。
一种基于信贷风控模型的信贷决策方法,包括:
获取所有企业的企业标识和各所述企业的基础数据;
根据所述企业的所述企业标识和所述基础数据构建知识图谱;所述知识图谱中包含所述企业标识、与所述企业标识关联的所述基础数据以及关联数据;
接收包含目标企业标识的信息获取请求,从所述知识图谱中获取与所述目标企业标识匹配的所述企业标识,以及与匹配的所述企业标识关联的所述基础数据和所述关联数据;
将自所述知识图谱中获取的所述基础数据和所述关联数据输入至预设的信贷风控模型中,并接收所述信贷风控模型输出的信贷风险等级;
根据所述信贷风险等级生成信贷申请结果。
一种基于信贷风控模型的信贷决策装置,包括:
数据获取模块,用于获取所有企业的企业标识和各所述企业的基础数据;
构建图谱模块,用于根据所述企业的所述企业标识和所述基础数据构建知识图谱;所述知识图谱中包含所述企业标识、与所述企业标识关联的所述基础数据以及关联数据;
请求处理模块,用于接收包含目标企业标识的信息获取请求,从所述知识图谱中获取与所述目标企业标识匹配的所述企业标识,以及与匹配的所述企业标识关联的所述基础数据和所述关联数据;
风险评估模块,用于将自所述知识图谱中获取的所述基础数据和所述关联数据输入至预设的信贷风控模型中,并接收所述信贷风控模型输出的信贷风险等级;
信贷决策模块,用于根据所述信贷风险等级生成信贷申请结果。一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现上述基于信贷风控模型的信贷决策方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令被处理器执行时实现上述基于信贷风控模型的信贷决策方法的步骤。
本发明提供的基于信贷风控模型的信贷决策方法、装置、设备及介质,根据获取的企业标识与基础数据创建知识图谱,实现了数据的可视化,并为信贷风控模型提供了真实可靠的输入数据;在接收信息获取请求时,从该知识图谱中获取目标企业标识的相关数据(即目标企业标识的基础数据和关联数据),进而将该相关数据输入至训练好的信贷风控模型(该信贷风控模型是基于知识图谱和深度学习神经网络模型训练的),并接收信贷风控模型输出的即信贷风险等级,后续从数据库匹配与该信贷风险等级对应的信贷决策信息,有利于减少信贷审批过程中的人力投入成本,提高了风险评估的可靠有效性,且提高了信贷审批效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中基于信贷风控模型的信贷决策方法的应用环境示意图;
图2是本发明一实施例中基于信贷风控模型的信贷决策方法的流程图;
图3是本发明一实施例中的知识图谱示例图;
图4是本发明一实施例中基于信贷风控模型的信贷决策方法的步骤S20的流程图;
图5是本发明一实施例中基于信贷风控模型的信贷决策方法的步骤S40的流程图;
图6是本发明一实施例中基于信贷风控模型的信贷决策方法的步骤S50的流程图;
图7是本发明一实施例中基于信贷风控模型的信贷决策装置的原理框图;
图8是本发明一实施例中基于信贷风控模型的信贷决策装置的构建图谱模块的原理框图;
图9是本发明一实施例中基于信贷风控模型的信贷决策装置的信贷决策模块的原理框图;
图10是本发明一实施例中计算机设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供的基于信贷风控模型的信贷决策方法,可应用在如图1的应用环境中,其中,客户端通过网络与服务器进行通信。其中,客户端包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种基于信贷风控模型的信贷决策方法,以该方法应用在图1中的服务器为例进行说明,包括以下步骤:
S10、获取所有企业的企业标识和各所述企业的基础数据。
在本实施中,所述企业为中小级企业。所述企业标识包含企业名称、企业简称或企业标准编号等,且所述企业标识用于表征知识图谱的实体。
其中,所述基础数据包括央行征信数据、银行流水数据、***数据和税务数据。
可理解的,获得的基础数据为直接数据,其集央行征信数据、银行流水数据、***数据和税务数据于一体,真实性更好,有利于训练信贷风控模型,以根据该信贷风控模型输出可靠有效的评估结果;其中,所述央行征信数据用于反映企业信用;所述银行流水数据可以反映企业收支情况,所述***数据中包含的增值税和所述税务数据可以反映企业纳税情况,且在获取企业的***数据时,使用***验真工具检验***数据的真伪,避免伪造***数据。
S20、根据所述企业的所述企业标识和所述基础数据构建知识图谱;所述知识图谱中包含所述企业标识、与所述企业标识关联的所述基础数据以及关联数据。
其中,所述关联数据包括所述企业标识与所述基础数据之间的关联关系以及各所述企业标识之间的关联关系。
可理解的,知识图谱是由一些相互连接的实体和他们的属性(值)构成的,也即,知识图谱是由一条条知识组成,每条知识表示为一个SPO三元组(Subject-Predicate-Object)。作为优选,在知识图谱中,可以用资源描述框架(RDF,Resource DescriptionFramework)形式化的表示这种三元关系;其中,该资源描述框架由节点和边组成,节点表示实体或者概念,边则表关系或者属性。
示例性的,如图3所示的知识图谱示例。
其中,实体是指具有可区别性且独立存在的某种事物;例如,某一个人、某一个医院、某一个科室、某一种药品等;如图3所示的“李医生”、“北京大学第三医院”等。实体是知识图谱中的最基本元素,不同的实体间存在不同的关系。
语义类(概念)是指具有同种特性的实体构成的集合,如国籍、疾病等。概念主要指集合、类别、对象类型、事物的种类,例如人物、地理等。内容通常作为实体和概念的名字、描述、解释等,可以由文本、图像、音视频等来表达。
属性(值)为从一个实体指向它的属性值。不同的属性类型对应于不同类型属性的边;而属性值主要指对象指定属性的值。如图3所示的“科室”、“治疗手段”、“症状”是几种不同的属性。属性值主要指对象指定属性的值,例如10克等。
关系代表知识图谱中的三元组集合。三元组的基本形式主要包括(实体1-关系-实体2)和(实体-属性-属性值)等。每个实体(概念的外延)可用一个全局唯一确定的ID来标识,每个属性-属性值对(AVP,attribute-value-pair)可用来刻画实体的内在特性,而关系可用来连接两个实体,刻画它们之间的关联。例如,如图3所示的知识图谱示例,“消化内科”是一个实体,“李医生”是一个实体,“消化内科-医生-李医生”是一个(实体-关系-实体)的三元组样例。“清胰利胆颗粒”是一个实体,“每次用量”是一种属性,“10克”是属性值。“清胰利胆颗粒-每次用量-10克”构成一个(实体-属性-属性值)的三元组样例。
S30、接收包含目标企业标识的信息获取请求,从所述知识图谱中获取与所述目标企业标识匹配的所述企业标识,以及与匹配的所述企业标识关联的所述基础数据和所述关联数据。
在本实施例中,所述知识图谱可以用于展现大数据的分析结果,也可以用于搜索引擎。
具体的,在服务器接收到包含目标企业标识的信息获取请求时,根据所述目标企业标识(表示知识图谱中的实体,也即目标企业的企业标识)查询该知识图谱,获取与目标企业标识对应的基础数据以及与该目标企业标识具有关联关系的关联企业标识及其基础数据(即与所述目标企业标识对应的关联数据),并将所述目标企业标识对应的基础数据和关联数据进行显示。可理解的,根据所述基础数据和关联数据可以获知企业经营状况、企业所在行业状况、关联企业的企业经营状况等,并根据上述信息获知企业风险和行业风险。
作为优选,根据企业影响力系数和企业感应度系数获取各企业之间的关系度(该关系度可以在所述知识图谱中标注),并根据所述关系度对所述关联企业标识进行分类,比如:第一关联企业标识(关系度为90%),第二关联企业标识(关系度为70%),此时,可以获取关系度大于预设选取阈值的关联企业标识对应的基础数据作为目标企业标识的关联数据。其中,所述产业影响力系数反映企业的后向联系程度,是指某企业的企业经营状况发生变化时使其它企业的企业经营状况发生相应变化的系数。所述企业应度系数反映企业的前向联系程度,是指其它企业的企业经营状况发生变化使某产业的企业经营状况也发生相应变化的系数。
S40、将自所述知识图谱中获取的所述基础数据和所述关联数据输入至预设的信贷风控模型中,并接收所述信贷风控模型输出的信贷风险等级。
其中,所述信贷风险等级用于衡量目标企业违约的可能性。
优选地,获取已经结果的企业训练样本,根据所述企业训练样本训练所述信贷风控模型,也即将所述步骤S20中所述知识图谱中的各所述企业的企业标识、各所述企业的基础数据和关联数据(表示知识图谱中的属性值)作为企业训练样本,并基于深度学习神经网络模型来训练信贷风控模型。此时,在所述步骤S30获取所述目标企业标识对应的基础数据和关联数据之后,将所述基础数据和关联数据输入至训练好的所述信贷风控模型,即可以得到目标企业对应的信贷风险等级。
S50、根据所述信贷风险等级生成信贷申请结果。
其中,所述信贷申请结果包含同意贷款和不同意贷款。
可理解的,需要借贷的不同企业对应的信贷风险等级不同,对于超过可接受范围的风险企业不予贷款,对于可接受范围内的优质企业或者良好企业予以贷款,而对于一般企业在提供有效担保的前提下可以考虑贷款。在本实施例中,根据所述信贷风险等级生成信贷申请结果,实现了对企业信贷申请的初步审核,可以减少人工审核的时间,提高了放贷效率。
综上所述,本发明提供的基于信贷风控模型的信贷决策方法,首先根据获取的各企业的企业标识与其基础数据创建知识图谱,而在接收信息获取请求时,从该知识图谱中获取目标企业标识的相关数据(即目标企业标识的基础数据和关联数据);然后将该目标企业标识的相关数据输入至训练好的信贷风控模型,并接收信贷风控模型输出的信贷风险等级,后续从数据库匹配与该信贷风险等级对应的信贷决策信息,有利于减少人力投入成本,提高了风险评估的可靠有效性,且提高了信贷审批效率。
在一实施例中,所述步骤S10具体包括以下步骤:
首先,控制不同线程分别向与所述基础数据关联的目标机构发送数据获取请求,并检测与所述基础数据关联的所述目标机构是否同意授权;每一个所述线程关联一个预设接口。
示例性的,通过第一线程向央行征信***发送用于获取征信数据的第一请求,在所述央行征信***同意授权时,调用与所述第一线程关联的预设接口从央行征信***获取现有的中小级企业的央行征信数据;而在所述央行征信***不同意授权时,接收所述央行征信***发送的不同意授权的通知书;其中,不同意授权的所述通知书包含不同意授权的条件(例如,缺少材料等)。
然后,在与所述基础数据关联的所述目标机构同意授权时,调用与所述线程关联的所述预设接口获取所述目标机构存储的所述基础数据。
示例性的,通过第二线程向银行线上***发送用于获取账单数据的第二请求,在所述银行线上***同意授权时,调用与所述第二线程关联的预设接口从银行线上***获取现有的中小级企业的银行流水数据。而在所述银行线上***不同意授权时,查询其他的可获取账单数据的目标机构,并发送数据获取请求。
在一实施例中,如图4所示,所述步骤S20具体包括以下步骤:
S201、根据所有所述企业的所述企业标识获取企业集合,并根据所有所述企业的所述基础数据获取数据集合。
可理解的,所述企业集合中的各所述企业标识将作为构建所述知识图谱的实体,而所述数据集合中的各所述基础数据将作为构建所述知识图谱的属性(值)。
作为优选,对获得的企业标识进行标准化处理,也即将所述企业标识均转化为具有统一格式的企业标识之后,将具有统一格式的所述企业标识存放在企业集合中。同时对获得的所述基础数据进行聚类分析和统计分析,以获得企业的其他数据(比如:企业股东信息、盈利亏损数据、营业收支数据、资产数据等),此时,将所述基础数据和所述其他数据关联存放在所述数据聚合中。其中,所述聚类分析是指将同一对象的数据进行分组生成包含多个属性的分析过程;所述统计分析是指将同一对象且同一属性的数据进行整合获得其它数据的分析过程。
S202、获取所述企业集合中各所述企业标识之间的关联关系,同时获取所述企业集合中所述企业标识与所述数据集合中各所述基础数据之间的关联关系,并将所述企业标识之间的关联关系以及所述企业标识与所述基础数据之间的关联关系标记为关联数据。
优选地,可以根据数据集合中的基础数据计算各所述企业标识在整个所述企业集合中所占的权重值,此时,根据所述企业标识所占的权重值对所述企业集合中各企业标识的属性进行排序。所述企业标识所占权重值可以反映所述企业标识在整个待创建的知识图谱中的重要性,且所述权重值可以根据需求定义,例如:某企业标识对应的企业为所属行业龙头企业,可以将该企业标识所占的权重值设置的较大一些。
S203、根据所述企业集合、所述数据集合和所述关联数据构建所述知识图谱。
其中,所述知识图谱可以包括企业标识、基础数据、企业标识与基础数据的关联关系(关联数据之一)、以及企业标识之间的关联关系(关联数据之一)。在本实施例中,所述企业标识之间的关联关系包括对外投资、股东、客户、同行业的竞争关系等。
进一步的,在所述步骤S203之后,还可以包括以下步骤:
获取所有企业的基础数据的相关信息,该相关信息包括基础数据的电子账单(或交易记录)以及来源信息;将所述基础数据的相关信息确定为所述企业标识的基础属性值。
综上所述,本发明提供的基于信贷风控模型的信贷决策方法,使用央行征信数据、银行流水数据、***数据和税务数据等直接数据来创建知识图谱,实现了数据的可视化,并为信贷风控模型的风险评估过程提供了真实、可靠、实时的输入数据,同时为信贷风控模型的模型训练过程提供了丰富的样本数据。
在一实施例中,如图5所示,将自所述知识图谱中获取的所述基础数据和所述关联数据输入至预设的信贷风控模型中之前,还需要训练信贷风控模型。此时,所述步骤S40之前,即所述将所述基础数据和所述关联数据输入至预设的信贷风控模型之前,具体包括以下步骤:
S401、获取企业训练样本。
其中,所述企业训练样本为预先存储在知识图谱中的对应于同一行业的多个企业的历史数据。所述企业训练样本包含各企业的基础数据和/或关联数据和对应于各企业的信贷风险等级。在本实施例中,所述基础数据可以包括央行征信数据、银行流水数据、***数据和税务数据中的至少一项;所述关联数据是指与所述企业具有关联关系的关联企业的央行征信数据、银行流水数据、***数据和税务数据中的至少一项。通过上述数据可以确定唯一的企业训练样本。
可理解的,所述企业训练样本作为后续模型训练的样本数据,以及还具有经过现有技术(比如:专家规则)进行风控处理后得到的信贷风险等级。在本实施例中,风险等级的数量可以根据需求进行预设,比如:信贷风险等级的数量设置为10个(参考表1),为等级1至等级10。后续,基于所述企业训练样本所训练得到的信贷风控模型所输出的信贷风险等级也为:等级1至等级10。
S402、通过包含初始参数的信贷风控模型对所述企业训练样本进行训练,并获取训练之后得到的信贷风险等级与所述企业训练样本中对应的信贷风险等级之间的整体误差值。
其中,所述初始参数包含各评估指标对应的权重;所述评估指标根据样本数据进行设定。
所述整体误差值为相对误差、平均绝对误差或均方根误差中的一种。
优选地,可以将所述企业训练样本中的所有信贷风险等级(经过现有技术进行风控处理后得到的评估结果)放在第一数据集中,将经过信贷风控模型输出的所有信贷风险等级放在第二数据集中,此时,根据所述第一数据集中的数值与所述第二数据集中的数值可以得到整体偏差值。可理解的,所述第一数据集中的数值与所述第二数据集中的数值存在一一对应关系。
示例性的,若第一数据集为F1=[x1,x2,x3,……,xn],第二数据集为F2=[y1,y2,y3,……,yn],则根据预设的偏差公式获得整体误差值;其中,所述偏差公式为:
S403、检测所述整体误差值是否大于预设的误差阈值。其中,所述误差阈值可以根据需求设置,比如:3%。
S404、在所述整体误差值大于所述误差阈值时,将所述信贷风控模型的初始参数调整为修正后参数,并通过包含所述修正后参数的所述信贷风控模型对所述企业训练样本进行再识别,并获取再识别之后得到的所述信贷风险等级与所述企业训练样本对应的中的所述信贷风险等级之间的整体误差值,判断所述整体误差值是否大于所述误差阈值,以此类推,直至所述整体误差值小于或等于所述误差阈值。
S405、在所述整体误差值小于或等于所述误差阈值时,提示模型训练完成。
也即,在所述信贷风控模型训练完成时,确定出来的信贷风控模型经过了大量的样本训练,且其整体误差值保持在一个较小的范围(小于或等于误差阈值)内,使用该信贷风控模型对企业数据和/或企业指标进行识别,即可得到所述企业数据对应的信贷风险等级。
示例性的,基于步骤S402,令所述误差阈值为θ,若当Δ≤θ时,所述信贷风控模型训练完成;若Δ>θ,则调整初始参数,并根据调整后的信贷风控模型重新获取第二数据集,直至得到Δ≤θ。
综上所述,本发明提供的基于信贷风控模型的信贷决策方法,基于知识图谱和深度学习神经网络模型来训练信贷风控模型,提高了输出结果的精准度,提高了模型的应用能力。
在一实施例中,如图6所示,所述步骤S50具体包括以下步骤:
S501、检测所述信贷风险等级是否小于预设预警值。
其中,所述信贷风险等级用于衡量目标企业违约的可能性;且所述信贷机构(比如:银行或金融机构)可以根据信贷风险等级对目标企业进行信用等级评估,若所述目标企业评估为好的企业时,信贷机构可以提供较优惠的利率,走绿色通道。
其中,所述预设警告值可以根据需求设置,比如:5级。
优选地,所述信贷风险等级根据需求划分为10个等级,信贷风险等级的划分参考表1;可理解的,信贷风险等级越高,客户的违约率越大,客户的偿还能力越低,导致放贷机构损失的可能性越大。
S502、在所述信贷风险等级小于预设预警值,获取与所述信贷风险等级对应的放贷决策信息,并确认所述信贷请求通过;所述放贷决策信息包含信贷额度和信贷期限。
作为优选,所述信贷风险等级与所述放贷决策信息之间的对应关系已存储在数据库中,也即每一个所述信贷风险等级均预先设定有对应的信贷额度、信贷期限和信贷利率等。示例性的,若所述预设预警值为等级5,则在所述信贷风险等级小于等级5时,可以确定所述目标企业具备还本付息的能力,以及可以确定所述信贷机构不存在损失,此时,获取与所述信贷风险等级对应的信贷额度、信贷期限和信贷利率等,并将同意放贷的信贷申请结果发送至目标企业。
表1信贷风险等级评估表
S503、在所述信贷风险等级等于或大于预设预警值时,根据所述信贷风险等级生成信贷预警信息,并向预设审核员提示所述信贷预警信息。
示例性的,若所述预设预警值为等级8,则在所述信贷风险等级等于或大于等级8时,根据所述信贷风险等级生成信贷预警信息,比如:信贷风险等级为X,该目标企业标识很大可能违约或者已违约。在本实施例的一方面,在所述信贷风险等级等于或大于预设预警值时,确定所述信贷请求不通过;而在本实施例的另一方面,在所述信贷风险等级等于或大于预设预警值时,将所述信贷预警信息发送至预设审核员,并通过人工审核方式判断所述目标企业是否具备放贷的条件,在所述目标企业标识不具备放贷的条件时,将不同意放贷的信贷申请结果发送至该目标企业。比如:通过人工审核方式判断所述目标企业是否已经破产、是否具备有效的担保人。
在一实施例中,如图7所示,提供一种基于信贷风控模型的信贷决策装置,该基于信贷风控模型的信贷决策装置与上述实施例中基于信贷风控模型的信贷决策方法一一对应。该基于信贷风控模型的信贷决策装置包括数据获取模块110、构建图谱模块120、请求处理模块130、风险评估模块140和信贷决策模块150。各功能模块详细说明如下:
数据获取模块110,用于获取所有企业的企业标识和各所述企业的基础数据。
构建图谱模块120,用于根据所述企业的所述企业标识和所述基础数据构建知识图谱;所述知识图谱中包含所述企业标识、与所述企业标识关联的所述基础数据以及关联数据。
请求处理模块130,用于接收包含目标企业标识的信息获取请求,从所述知识图谱中获取与所述目标企业标识匹配的所述企业标识,以及与匹配的所述企业标识关联的所述基础数据和所述关联数据。
风险评估模块140,用于将自所述知识图谱中获取的所述基础数据和所述关联数据输入至预设的信贷风控模型中,并接收所述信贷风控模型输出的信贷风险等级。
信贷决策模块150,用于根据所述信贷风险等级生成信贷申请结果。
在一实施例中,所述数据获取模块110包括以下子模块,各功能子模块详细说明如下:
发送子模块,用于控制不同线程分别向与所述基础数据关联的目标机构发送数据获取请求,并检测与所述基础数据关联的所述目标机构是否同意授权;每一个所述线程关联一个预设接口。
接收子模块,用于在与所述基础数据关联的所述目标机构同意授权时,调用与所述线程关联的所述预设接口获取所述目标机构存储的所述基础数据。
在一实施例中,如图8所示,所述构建图谱模块120包括以下子模块,各功能子模块详细说明如下:
第一数据子模块121,用于根据所有所述企业的所述企业标识获取企业集合,并根据所有所述企业的所述基础数据获取数据集合。
第二数据子模块122,用于获取所述企业集合中各所述企业标识之间的关联关系,同时获取所述企业集合中所述企业标识与所述数据集合中各所述基础数据之间的关联关系,并将所述企业标识之间的关联关系以及所述企业标识与所述基础数据之间的关联关系标记为关联数据。
图谱构建子模块123,用于根据所述企业集合、所述数据集合和所述关联数据构建所述知识图谱。
在一实施例中,基于信贷风控模型的信贷决策装置还包括以下模块,各功能模块详细说明如下:
样本获取模块,用于获取企业训练样本。
训练模块,用于通过包含初始参数的信贷风控模型对所述企业训练样本进行训练,并获取训练之后得到的信贷风险等级与所述企业训练样本中对应的信贷风险等级之间的整体误差值。
检测模块,用于检测所述整体误差值是否大于预设的误差阈值。
调整模块,用于在所述整体误差值大于所述误差阈值时,将所述信贷风控模型的初始参数调整为修正后参数,并通过包含所述修正后参数的所述信贷风控模型对所述企业训练样本进行再识别,并获取再识别之后得到的所述信贷风险等级与所述企业训练样本对应的中的所述信贷风险等级之间的整体误差值,判断所述整体误差值是否大于所述误差阈值,以此类推,直至所述整体误差值小于或等于所述误差阈值。
提示模块,用于在所述整体误差值小于或等于所述误差阈值时,提示模型训练完成。
在一实施例中,如图9所示,所述信贷决策模块150包括以下子模块,各功能子模块详细说明如下:
等级检测子模块151,用于检测所述信贷风险等级是否小于预设预警值。
信息决策子模块152,用于在所述信贷风险等级小于预设预警值,获取与所述信贷风险等级对应的放贷决策信息,并确认所述信贷请求通过;所述放贷决策信息包含信贷额度和信贷期限。
信息提示子模块153,用于在所述信贷风险等级等于或大于预设预警值时,根据所述信贷风险等级生成信贷预警信息,并向预设审核员提示所述信贷预警信息。
关于基于信贷风控模型的信贷决策装置的具体限定可以参见上文中对于基于信贷风控模型的信贷决策方法的限定,在此不再赘述。上述基于信贷风控模型的信贷决策装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机可读指令和数据库。该内存储器为非易失性存储介质中的操作***和计算机可读指令的运行提供环境。该计算机可读指令被处理器执行时以实现一种基于信贷风控模型的信贷决策方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令,处理器执行计算机可读指令时实现以下步骤:
获取所有企业的企业标识和各所述企业的基础数据;
根据所述企业的所述企业标识和所述基础数据构建知识图谱;所述知识图谱中包含所述企业标识、与所述企业标识关联的所述基础数据以及关联数据;
接收包含目标企业标识的信息获取请求,从所述知识图谱中获取与所述目标企业标识匹配的所述企业标识,以及与匹配的所述企业标识关联的所述基础数据和所述关联数据;
将自所述知识图谱中获取的所述基础数据和所述关联数据输入至预设的信贷风控模型中,并接收所述信贷风控模型输出的信贷风险等级;
根据所述信贷风险等级生成信贷申请结果。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机可读指令,计算机可读指令被处理器执行时实现以下步骤:
获取所有企业的企业标识和各所述企业的基础数据;
根据所述企业的所述企业标识和所述基础数据构建知识图谱;所述知识图谱中包含所述企业标识、与所述企业标识关联的所述基础数据以及关联数据;
接收包含目标企业标识的信息获取请求,从所述知识图谱中获取与所述目标企业标识匹配的所述企业标识,以及与匹配的所述企业标识关联的所述基础数据和所述关联数据;
将自所述知识图谱中获取的所述基础数据和所述关联数据输入至预设的信贷风控模型中,并接收所述信贷风控模型输出的信贷风险等级;
根据所述信贷风险等级生成信贷申请结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一非易失性计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、存储器总线直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元或模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元或模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于信贷风控模型的信贷决策方法,其特征在于,包括:
获取所有企业的企业标识和各所述企业的基础数据;
根据所述企业的所述企业标识和所述基础数据构建知识图谱;所述知识图谱中包含所述企业标识、与所述企业标识关联的所述基础数据以及关联数据;
接收包含目标企业标识的信息获取请求,从所述知识图谱中获取与所述目标企业标识匹配的所述企业标识,以及与匹配的所述企业标识关联的所述基础数据和所述关联数据;
将自所述知识图谱中获取的所述基础数据和所述关联数据输入至预设的信贷风控模型中,并接收所述信贷风控模型输出的信贷风险等级;
根据所述信贷风险等级生成信贷申请结果。
2.如权利要求1所述的基于信贷风控模型的信贷决策方法,其特征在于,所述获取所有企业的企业标识和各所述企业的基础数据,包括:
控制不同线程分别向与所述基础数据关联的目标机构发送数据获取请求,并检测与所述基础数据关联的所述目标机构是否同意授权;每一个所述线程关联一个预设接口;
在与所述基础数据关联的所述目标机构同意授权时,调用与所述线程关联的所述预设接口获取所述目标机构存储的所述基础数据。
3.如权利要求1所述的基于信贷风控模型的信贷决策方法,其特征在于,所述根据所述企业的所述企业标识和所述基础数据构建知识图谱,包括:
根据所有所述企业的所述企业标识获取企业集合,并根据所有所述企业的所述基础数据获取数据集合;
获取所述企业集合中各所述企业标识之间的关联关系,同时获取所述企业集合中所述企业标识与所述数据集合中各所述基础数据之间的关联关系,并将所述企业标识之间的关联关系以及所述企业标识与所述基础数据之间的关联关系标记为关联数据;
根据所述企业集合、所述数据集合和所述关联数据构建所述知识图谱。
4.如权利要求1所述的基于信贷风控模型的信贷决策方法,其特征在于,所述将自所述知识图谱中获取的所述基础数据和所述关联数据输入至预设的信贷风控模型中,并接收所述信贷风控模型输出的信贷风险等级之前,包括:
获取企业训练样本;
通过包含初始参数的信贷风控模型对所述企业训练样本进行训练,并获取训练之后得到的信贷风险等级与所述企业训练样本中对应的信贷风险等级之间的整体误差值;
检测所述整体误差值是否大于预设的误差阈值;
在所述整体误差值大于所述误差阈值时,将所述信贷风控模型的初始参数调整为修正后参数,并通过包含所述修正后参数的所述信贷风控模型对所述企业训练样本进行再识别,并获取再识别之后得到的所述信贷风险等级与所述企业训练样本对应的中的所述信贷风险等级之间的整体误差值,判断所述整体误差值是否大于所述误差阈值,以此类推,直至所述整体误差值小于或等于所述误差阈值;
在所述整体误差值小于或等于所述误差阈值时,提示模型训练完成。
5.如权利要求1所述的基于信贷风控模型的信贷决策方法,其特征在于,所述根据所述信贷风险等级生成信贷申请结果,包括:
检测所述信贷风险等级是否小于预设预警值;
在所述信贷风险等级小于预设预警值,获取与所述信贷风险等级对应的放贷决策信息,并确认所述信贷请求通过;所述放贷决策信息包含信贷额度和信贷期限;
在所述信贷风险等级等于或大于预设预警值时,根据所述信贷风险等级生成信贷预警信息,并向预设审核员提示所述信贷预警信息。
6.一种基于信贷风控模型的信贷决策装置,其特征在于,包括:
数据获取模块,用于获取所有企业的企业标识和各所述企业的基础数据;
构建图谱模块,用于根据所述企业的所述企业标识和所述基础数据构建知识图谱;所述知识图谱中包含所述企业标识、与所述企业标识关联的所述基础数据以及关联数据;
请求处理模块,用于接收包含目标企业标识的信息获取请求,从所述知识图谱中获取与所述目标企业标识匹配的所述企业标识,以及与匹配的所述企业标识关联的所述基础数据和所述关联数据;
风险评估模块,用于将自所述知识图谱中获取的所述基础数据和所述关联数据输入至预设的信贷风控模型中,并接收所述信贷风控模型输出的信贷风险等级;
信贷决策模块,用于根据所述信贷风险等级生成信贷申请结果。
7.如权利要求6所述的基于信贷风控模型的信贷决策装置,其特征在于,所述构建图谱模块,包括:
第一数据子模块,用于根据所有所述企业的所述企业标识获取企业集合,并根据所有所述企业的所述基础数据获取数据集合;
第二数据子模块,用于获取所述企业集合中各所述企业标识之间的关联关系,同时获取所述企业集合中所述企业标识与所述数据集合中各所述基础数据之间的关联关系,并将所述企业标识之间的关联关系以及所述企业标识与所述基础数据之间的关联关系标记为关联数据;
图谱构建子模块,用于根据所述企业集合、所述数据集合和所述关联数据构建所述知识图谱。
8.如权利要求6所述的基于信贷风控模型的信贷决策装置,其特征在于,所述信贷决策模块,包括:
等级检测子模块,用于检测所述信贷风险等级是否小于预设预警值;
信息决策子模块,用于在所述信贷风险等级小于预设预警值,获取与所述信贷风险等级对应的放贷决策信息,并确认所述信贷请求通过;所述放贷决策信息包含信贷额度和信贷期限;
信息提示子模块,用于在所述信贷风险等级等于或大于预设预警值时,根据所述信贷风险等级生成信贷预警信息,并向预设审核员提示所述信贷预警信息。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现如权利要求1至5任一项所述基于信贷风控模型的信贷决策方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时实现如权利要求1至5任一项所述基于信贷风控模型的信贷决策方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910305898.6A CN110163741A (zh) | 2019-04-16 | 2019-04-16 | 基于信贷风控模型的信贷决策方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910305898.6A CN110163741A (zh) | 2019-04-16 | 2019-04-16 | 基于信贷风控模型的信贷决策方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110163741A true CN110163741A (zh) | 2019-08-23 |
Family
ID=67639545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910305898.6A Pending CN110163741A (zh) | 2019-04-16 | 2019-04-16 | 基于信贷风控模型的信贷决策方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163741A (zh) |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648052A (zh) * | 2019-09-02 | 2020-01-03 | 浙江大搜车软件技术有限公司 | 风控决策方法、装置、计算机设备和存储介质 |
CN110648218A (zh) * | 2019-09-12 | 2020-01-03 | 卓尔智联(武汉)研究院有限公司 | 基于隐私保护的信贷风控***及方法、计算机装置 |
CN110866836A (zh) * | 2019-11-14 | 2020-03-06 | 支付宝(杭州)信息技术有限公司 | 计算机执行的医疗保险立案审核方法和装置 |
CN111061792A (zh) * | 2019-12-16 | 2020-04-24 | 杭州城市大数据运营有限公司 | 一种金融服务管理*** |
CN111144744A (zh) * | 2019-12-26 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 业务处理方法、装置及电子设备 |
CN111191853A (zh) * | 2020-01-06 | 2020-05-22 | 支付宝(杭州)信息技术有限公司 | 风险预测方法及装置、风险查询方法及装置 |
CN111241161A (zh) * | 2020-01-16 | 2020-06-05 | 深圳壹账通智能科技有限公司 | ***信息挖掘方法、装置、计算机设备及存储介质 |
CN111414485A (zh) * | 2020-03-17 | 2020-07-14 | 北京恒通慧源大数据技术有限公司 | 企业客户关联关系图谱构建方法、装置、存储器和计算机 |
CN111429257A (zh) * | 2020-03-19 | 2020-07-17 | 中国建设银行股份有限公司 | 一种交易监控方法和装置 |
CN111429258A (zh) * | 2020-03-19 | 2020-07-17 | 中国建设银行股份有限公司 | 一种监测贷款资金流向的方法和装置 |
CN111429255A (zh) * | 2020-03-19 | 2020-07-17 | 中国建设银行股份有限公司 | 一种风险评估方法、装置、设备及存储介质 |
CN111553786A (zh) * | 2020-04-24 | 2020-08-18 | 中金汇安(北京)科技有限公司 | 基于图形数据库的银行股东贷款关联交易挖掘方法和*** |
CN111553789A (zh) * | 2020-04-28 | 2020-08-18 | 中国银行股份有限公司 | 多实体公司联合贷款额度分配方法及装置 |
CN111652717A (zh) * | 2020-07-07 | 2020-09-11 | 中国银行股份有限公司 | 畜牧业信贷风险评估方法及装置 |
CN111724062A (zh) * | 2020-06-19 | 2020-09-29 | 国家计算机网络与信息安全管理中心 | 基于知识图谱的生物技术企业创新能力评估装置与方法 |
CN111724069A (zh) * | 2020-06-22 | 2020-09-29 | 百度在线网络技术(北京)有限公司 | 用于处理数据的方法、装置、设备及存储介质 |
CN111797406A (zh) * | 2020-07-15 | 2020-10-20 | 智博云信息科技(广州)有限公司 | 一种医疗基金数据分析处理方法、装置及可读存储介质 |
CN112037029A (zh) * | 2020-09-01 | 2020-12-04 | 中国银行股份有限公司 | 银行信贷审批问题自动生成方法及装置 |
CN112037043A (zh) * | 2020-09-02 | 2020-12-04 | 中国银行股份有限公司 | 基于知识图谱的优质贷款企业确定方法及装置 |
CN112199518A (zh) * | 2020-11-17 | 2021-01-08 | 西安交通大学 | 生产技术中知识图谱推荐驱动的生产技术路线图配置方法 |
CN112634069A (zh) * | 2020-12-30 | 2021-04-09 | 太平金融科技服务(上海)有限公司 | 核保请求处理方法、装置、计算机设备和存储介质 |
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 |
CN112837149A (zh) * | 2021-03-18 | 2021-05-25 | 中国工商银行股份有限公司 | 一种企业信贷风险的识别方法和装置 |
CN112991034A (zh) * | 2020-11-30 | 2021-06-18 | 重庆誉存大数据科技有限公司 | 基于模型的小微企业信贷评估方法、设备及存储介质 |
CN113435762A (zh) * | 2020-05-06 | 2021-09-24 | 支付宝(杭州)信息技术有限公司 | 一种企业风险识别方法、装置及设备 |
CN113590841A (zh) * | 2021-08-03 | 2021-11-02 | 厦门至恒融兴信息技术股份有限公司 | 智能化快速审单与基于知识图谱的智能预警***与方法 |
CN113706300A (zh) * | 2021-09-18 | 2021-11-26 | 中国银行股份有限公司 | 一种小微企业的贷款方法及装置 |
CN114091902A (zh) * | 2021-11-22 | 2022-02-25 | 支付宝(杭州)信息技术有限公司 | 风险预测模型的训练方法及装置、风险预测方法及装置 |
CN114202223A (zh) * | 2021-12-16 | 2022-03-18 | 深圳前海微众银行股份有限公司 | 企业信用风险评分方法、装置、设备及存储介质 |
CN114418725A (zh) * | 2021-11-29 | 2022-04-29 | 浙江创邻科技有限公司 | 一种基于图模型的对公信贷评估方法及*** |
CN114971883A (zh) * | 2022-06-27 | 2022-08-30 | 贵州省农村信用社联合社 | 一种基于大数据的小微企业信贷风险评估分析*** |
CN116416054A (zh) * | 2023-04-03 | 2023-07-11 | 东方微银科技股份有限公司 | 一种基于风险管理的小微信贷业务准入优化方法及*** |
CN117094817A (zh) * | 2023-10-20 | 2023-11-21 | 国任财产保险股份有限公司 | 一种信用风险控制智能预测方法及*** |
CN112037043B (zh) * | 2020-09-02 | 2024-06-21 | 中国银行股份有限公司 | 基于知识图谱的优质贷款企业确定方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020055897A1 (en) * | 2000-06-29 | 2002-05-09 | Shidler Jay H. | System for creating, pricing & managing and electronic trading & distribution of credit risk transfer products |
CN108280760A (zh) * | 2018-01-25 | 2018-07-13 | 树根互联技术有限公司 | 一种金融风险在线监控方法和装置 |
CN109242673A (zh) * | 2018-11-04 | 2019-01-18 | 上海良鑫网络科技有限公司 | 鹰眼反欺诈大数据风控评估*** |
CN109472485A (zh) * | 2018-11-01 | 2019-03-15 | 成都数联铭品科技有限公司 | 企业失信风险传播查询***及方法 |
CN109543096A (zh) * | 2018-10-15 | 2019-03-29 | 平安科技(深圳)有限公司 | 数据查询方法、装置、计算机设备和存储介质 |
WO2019062009A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳壹账通智能科技有限公司 | 电子装置、信贷风险控制方法及存储介质 |
CN109584048A (zh) * | 2018-11-30 | 2019-04-05 | 上海点融信息科技有限责任公司 | 基于人工智能对申请者进行风险评级的方法和装置 |
CN109584045A (zh) * | 2018-11-19 | 2019-04-05 | 平安科技(深圳)有限公司 | 授信额度配置方法、装置、计算机设备和存储介质 |
-
2019
- 2019-04-16 CN CN201910305898.6A patent/CN110163741A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020055897A1 (en) * | 2000-06-29 | 2002-05-09 | Shidler Jay H. | System for creating, pricing & managing and electronic trading & distribution of credit risk transfer products |
WO2019062009A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳壹账通智能科技有限公司 | 电子装置、信贷风险控制方法及存储介质 |
CN108280760A (zh) * | 2018-01-25 | 2018-07-13 | 树根互联技术有限公司 | 一种金融风险在线监控方法和装置 |
CN109543096A (zh) * | 2018-10-15 | 2019-03-29 | 平安科技(深圳)有限公司 | 数据查询方法、装置、计算机设备和存储介质 |
CN109472485A (zh) * | 2018-11-01 | 2019-03-15 | 成都数联铭品科技有限公司 | 企业失信风险传播查询***及方法 |
CN109242673A (zh) * | 2018-11-04 | 2019-01-18 | 上海良鑫网络科技有限公司 | 鹰眼反欺诈大数据风控评估*** |
CN109584045A (zh) * | 2018-11-19 | 2019-04-05 | 平安科技(深圳)有限公司 | 授信额度配置方法、装置、计算机设备和存储介质 |
CN109584048A (zh) * | 2018-11-30 | 2019-04-05 | 上海点融信息科技有限责任公司 | 基于人工智能对申请者进行风险评级的方法和装置 |
Cited By (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648052A (zh) * | 2019-09-02 | 2020-01-03 | 浙江大搜车软件技术有限公司 | 风控决策方法、装置、计算机设备和存储介质 |
CN110648218A (zh) * | 2019-09-12 | 2020-01-03 | 卓尔智联(武汉)研究院有限公司 | 基于隐私保护的信贷风控***及方法、计算机装置 |
CN110866836B (zh) * | 2019-11-14 | 2022-12-06 | 支付宝(杭州)信息技术有限公司 | 计算机执行的医疗保险立案审核方法和装置 |
CN110866836A (zh) * | 2019-11-14 | 2020-03-06 | 支付宝(杭州)信息技术有限公司 | 计算机执行的医疗保险立案审核方法和装置 |
CN111061792A (zh) * | 2019-12-16 | 2020-04-24 | 杭州城市大数据运营有限公司 | 一种金融服务管理*** |
CN111061792B (zh) * | 2019-12-16 | 2023-09-08 | 杭州城市大数据运营有限公司 | 一种金融服务管理*** |
CN111144744A (zh) * | 2019-12-26 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 业务处理方法、装置及电子设备 |
CN111144744B (zh) * | 2019-12-26 | 2022-06-24 | 支付宝(杭州)信息技术有限公司 | 业务处理方法、装置及电子设备 |
CN111191853A (zh) * | 2020-01-06 | 2020-05-22 | 支付宝(杭州)信息技术有限公司 | 风险预测方法及装置、风险查询方法及装置 |
CN111241161A (zh) * | 2020-01-16 | 2020-06-05 | 深圳壹账通智能科技有限公司 | ***信息挖掘方法、装置、计算机设备及存储介质 |
CN111414485A (zh) * | 2020-03-17 | 2020-07-14 | 北京恒通慧源大数据技术有限公司 | 企业客户关联关系图谱构建方法、装置、存储器和计算机 |
CN111429257A (zh) * | 2020-03-19 | 2020-07-17 | 中国建设银行股份有限公司 | 一种交易监控方法和装置 |
CN111429255A (zh) * | 2020-03-19 | 2020-07-17 | 中国建设银行股份有限公司 | 一种风险评估方法、装置、设备及存储介质 |
CN111429258A (zh) * | 2020-03-19 | 2020-07-17 | 中国建设银行股份有限公司 | 一种监测贷款资金流向的方法和装置 |
CN111429255B (zh) * | 2020-03-19 | 2024-02-20 | 中国建设银行股份有限公司 | 一种风险评估方法、装置、设备及存储介质 |
CN111429257B (zh) * | 2020-03-19 | 2024-04-12 | 中国建设银行股份有限公司 | 一种交易监控方法和装置 |
CN111553786A (zh) * | 2020-04-24 | 2020-08-18 | 中金汇安(北京)科技有限公司 | 基于图形数据库的银行股东贷款关联交易挖掘方法和*** |
CN111553789A (zh) * | 2020-04-28 | 2020-08-18 | 中国银行股份有限公司 | 多实体公司联合贷款额度分配方法及装置 |
CN113435762A (zh) * | 2020-05-06 | 2021-09-24 | 支付宝(杭州)信息技术有限公司 | 一种企业风险识别方法、装置及设备 |
CN113435762B (zh) * | 2020-05-06 | 2023-08-08 | 支付宝(杭州)信息技术有限公司 | 一种企业风险识别方法、装置及设备 |
CN111724062A (zh) * | 2020-06-19 | 2020-09-29 | 国家计算机网络与信息安全管理中心 | 基于知识图谱的生物技术企业创新能力评估装置与方法 |
CN111724069A (zh) * | 2020-06-22 | 2020-09-29 | 百度在线网络技术(北京)有限公司 | 用于处理数据的方法、装置、设备及存储介质 |
CN111652717A (zh) * | 2020-07-07 | 2020-09-11 | 中国银行股份有限公司 | 畜牧业信贷风险评估方法及装置 |
CN111797406A (zh) * | 2020-07-15 | 2020-10-20 | 智博云信息科技(广州)有限公司 | 一种医疗基金数据分析处理方法、装置及可读存储介质 |
CN112037029A (zh) * | 2020-09-01 | 2020-12-04 | 中国银行股份有限公司 | 银行信贷审批问题自动生成方法及装置 |
CN112037029B (zh) * | 2020-09-01 | 2024-02-27 | 中国银行股份有限公司 | 银行信贷审批问题自动生成方法及装置 |
CN112037043A (zh) * | 2020-09-02 | 2020-12-04 | 中国银行股份有限公司 | 基于知识图谱的优质贷款企业确定方法及装置 |
CN112037043B (zh) * | 2020-09-02 | 2024-06-21 | 中国银行股份有限公司 | 基于知识图谱的优质贷款企业确定方法及装置 |
CN112199518A (zh) * | 2020-11-17 | 2021-01-08 | 西安交通大学 | 生产技术中知识图谱推荐驱动的生产技术路线图配置方法 |
CN112199518B (zh) * | 2020-11-17 | 2023-08-15 | 西安交通大学 | 生产技术中知识图谱推荐驱动的生产技术路线图配置方法 |
CN112991034A (zh) * | 2020-11-30 | 2021-06-18 | 重庆誉存大数据科技有限公司 | 基于模型的小微企业信贷评估方法、设备及存储介质 |
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 |
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 |
CN112634069A (zh) * | 2020-12-30 | 2021-04-09 | 太平金融科技服务(上海)有限公司 | 核保请求处理方法、装置、计算机设备和存储介质 |
CN112837149A (zh) * | 2021-03-18 | 2021-05-25 | 中国工商银行股份有限公司 | 一种企业信贷风险的识别方法和装置 |
CN113590841B (zh) * | 2021-08-03 | 2024-03-19 | 厦门至恒融兴信息技术股份有限公司 | 智能化快速审单与基于知识图谱的智能预警***与方法 |
CN113590841A (zh) * | 2021-08-03 | 2021-11-02 | 厦门至恒融兴信息技术股份有限公司 | 智能化快速审单与基于知识图谱的智能预警***与方法 |
CN113706300A (zh) * | 2021-09-18 | 2021-11-26 | 中国银行股份有限公司 | 一种小微企业的贷款方法及装置 |
CN114091902A (zh) * | 2021-11-22 | 2022-02-25 | 支付宝(杭州)信息技术有限公司 | 风险预测模型的训练方法及装置、风险预测方法及装置 |
CN114418725A (zh) * | 2021-11-29 | 2022-04-29 | 浙江创邻科技有限公司 | 一种基于图模型的对公信贷评估方法及*** |
CN114202223A (zh) * | 2021-12-16 | 2022-03-18 | 深圳前海微众银行股份有限公司 | 企业信用风险评分方法、装置、设备及存储介质 |
CN114971883A (zh) * | 2022-06-27 | 2022-08-30 | 贵州省农村信用社联合社 | 一种基于大数据的小微企业信贷风险评估分析*** |
CN116416054A (zh) * | 2023-04-03 | 2023-07-11 | 东方微银科技股份有限公司 | 一种基于风险管理的小微信贷业务准入优化方法及*** |
CN117094817A (zh) * | 2023-10-20 | 2023-11-21 | 国任财产保险股份有限公司 | 一种信用风险控制智能预测方法及*** |
CN117094817B (zh) * | 2023-10-20 | 2024-02-13 | 国任财产保险股份有限公司 | 一种信用风险控制智能预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163741A (zh) | 基于信贷风控模型的信贷决策方法、装置、设备及介质 | |
Gjergji et al. | The effects of environmental, social and governance disclosure on the cost of capital in small and medium enterprises: The role of family business status | |
US20130297477A1 (en) | Continuous measurement and independent verification of the quality of data and process used to value structured derivative information products | |
Soprano et al. | Measuring operational and reputational risk: A practitioner's approach | |
TW201913516A (zh) | 一種金融商品自動化投資分析決策系統及方法 | |
Demartini et al. | Integrated reporting and audit quality | |
CN107924538A (zh) | 财务信息报告*** | |
CN110866822A (zh) | 资产证券化的风控管理方法、装置、电子设备及存储介质 | |
Wojciechowska-Filipek | Automation of the process of handling enquiries concerning information constituting a bank secret | |
Khan | Central Bank Governance and the Role of Nonfinancial Risk Management | |
Kemboi | Effect of financial technology on the financial performance of commercial banks in Kenya | |
Faccia et al. | Extended Audit Report: Enhancing trust and reputation in IT processes and across E-business industries | |
Goh et al. | Cyber risk surveillance: A case study of Singapore | |
Mio et al. | Bank risk appetite communication and risk taking: The key role of integrated reports | |
Yafeh et al. | Business groups and risk sharing around the world | |
Sun et al. | An active and dynamic credit reporting system for SMEs in China | |
Muzammil et al. | Determinants for the Adoption of Regulatory Technology (RegTech) Services by the Companies in United Arab Emirates: An MCDM Approach. | |
Shih | Risk indicators for computer systems assisted financial examination | |
Avgouleas | Effective governance of global financial markets: an evolutionary plan for reform | |
Umar et al. | Effect of internal control on performance of commercial banks in Nigeria: A proposed framework | |
Chen et al. | Quantifying impact factors of corporate financing: engineering consulting firms | |
Muriki | Effect of credit risk management on financial performance of Kenyan commercial banks | |
Masolo et al. | Digital credit and financial performance of selected commercial banks in Kenya | |
Jiang et al. | How does the FASB make decisions? Agenda setting, individual board members, and fair value accounting | |
Reichmann | Progress Through Crises: The Evolution of the IMF’s Statistical Arsenal |
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 |