CN110633971A - 资损估计方法以及装置 - Google Patents
资损估计方法以及装置 Download PDFInfo
- Publication number
- CN110633971A CN110633971A CN201910906341.8A CN201910906341A CN110633971A CN 110633971 A CN110633971 A CN 110633971A CN 201910906341 A CN201910906341 A CN 201910906341A CN 110633971 A CN110633971 A CN 110633971A
- Authority
- CN
- China
- Prior art keywords
- case
- investment
- loss
- amount
- interval
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/10—Payment architectures specially adapted for electronic funds transfer [EFT] systems; specially adapted for home banking systems
- G06Q20/102—Bill distribution or payments
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Computer Security & Cryptography (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本说明书实施例提供资损估计方法以及装置,其中所述资损估计方法包括:获取历史时间区间内历史资损案件的案件信息;根据由所述历史资损案件的案件信息确定的案件量估计目标时间区间内资损案件的总案件量;基于所述总案件量及所述目标时间区间内的各资损区间内资损案件的发生概率估算所述各资损区间的区间案件量,利用回归函数估计所述各资损区间内资损案件的估计资损金额;基于所述各资损区间内资损案件的估计资损金额及所述区间案件量,采用复合泊松分布函数预测所述目标时间区间内资损案件的总资损金额。
Description
技术领域
本说明书实施例涉及计算机技术领域,特别涉及一种资损估计方法。本说明书一个或者多个实施例同时涉及一种资损估计装置,一种计算设备,以及一种计算机可读存储介质。
背景技术
随着网络技术和终端技术的不断发展,越来越多的用户通过网络进行资源的发送和接收,以此进行在线资源转移,具体如在线网络支付等。随着电子商务的不断发展,相应的在线资源转移也成为一种重要的资源转移方式,在线资源转移是基于网络通过资源转移服务器,将一个资源账户中的资源转移到另一个资源账户中。这种情况下,资源账户的安全性成为用户关注的焦点,但是由于种种原因,例如:手机丢失或者支付密码在多个网站使用等因素,很容易发生资源账户被盗的情况。
对于资源账户被盗的这种情况,往往需要对在线资源转移是否存在资金损失风险进行判断,同时还需估算一段时长内发生的造成资金损失的总案件量以及资金损失金额,因此,需要提供一种估算一定时长内可能发生的造成资金损失的案件的总案件量以及资损金额的方法。
发明内容
有鉴于此,本说明书施例提供了一种资损估计方法。本说明书一个或者多个实施例同时涉及一种资损估计装置,一种计算设备,以及一种计算机可读存储介质,以解决现有技术中存在的技术缺陷。
根据本说明书实施例的第一方面,提供了一种资损估计方法,包括:
获取历史时间区间内历史资损案件的案件信息;
根据由所述历史资损案件的案件信息确定的案件量估计目标时间区间内资损案件的总案件量;
基于所述总案件量及所述目标时间区间内的各资损区间内资损案件的发生概率估算所述各资损区间的区间案件量,利用回归函数估计所述各资损区间内资损案件的估计资损金额;
基于所述各资损区间内资损案件的估计资损金额及所述区间案件量,采用复合泊松分布函数预测所述目标时间区间内资损案件的总资损金额。
可选地,所述利用回归函数估计所述各资损区间内资损案件的估计资损金额,包括:
获取所述各资损区间内资损案件的估计资损金额对所述目标时间区间内的资损案件涉及的每个维度信息的敏感度;
获取所述每个维度信息对应的维度资损金额;
将所述敏感度及所述维度资损金额输入所述回归函数,将所述回归函数的输出结果作为所述估计资损金额。
可选地,所述各资损区间内资损案件的估计资损金额对所述目标时间区间内的资损案件涉及的每个维度信息的敏感度通过以下方式计算:
获取所述历史资损案件中各个资损案件的资损金额以及所述各个资损案件的案件信息中包含的维度信息;
获取所述维度信息中每个维度信息对应的维度资损金额;
将所述各个资损案件的资损金额以及所述维度资损金额输入所述回归函数,根据所述回归函数的输出结果确定所述各资损区间内资损案件的估计资损金额对所述目标时间区间内的资损案件涉及的每个维度信息的敏感度。
可选地,所述基于所述各资损区间内估计资损案件的资损金额及所述区间案件量,采用复合泊松分布函数预测所述目标时间区间内资损案件的总资损金额步骤执行之后,还包括:
获取与所述目标时间区间内资损案件相匹配的风险策略;
将所述目标时间区间内资损案件的总案件量及总资损金额作为待测试数据,获取利用所述风险策略对所述待测试数据进行测试输出的测试结果;
根据所述测试结果确定目标风险策略,并利用所述目标风险策略对资损案件的总案件量及所述总资损金额进行风险控制。
可选地,所述测试结果为所述目标时间区间内资损案件的总案件量及总资损金额基于不同风险策略的风险下降指标值;
相应的,所述根据所述测试结果确定目标风险策略,并利用所述目标风险策略对资损案件的总案件量及所述总资损金额进行风险控制,包括:
将所述风险下降指标值由大到小进行排序,将排序靠前的至少一个风险下降指标值对应的风险策略作为目标风险策略;
利用所述目标风险策略对所述目标时间区间内资损案件的总案件量及总资损金额进行风险控制。
可选地,所述根据由所述历史资损案件的案件信息确定的案件量估计目标时间区间内资损案件的总案件量,包括:
将所述案件量输入自回归函数,将所述自回归函数的输出结果作为所述目标时间区间内资损案件的总案件量;
相应的,所述基于所述总案件量及所述目标时间区间内各资损区间内资损案件的发生概率估算所述各资损区间的区间案件量,包括:
利用指数分布函数计算所述各资损区间内资损案件的发生概率;
将所述总案件量与所述发生概率进行乘积运算,将运算结果作为所述各资损区间的区间案件量。
可选地,所述资损估计方法基于复合泊松分布模型实现,将所述历史时间区间内历史资损案件的案件信息作为所述复合泊松分布模型的输入,输出所述目标时间区间内资损案件的总案件量以及总资损金额。
可选地,所述复合泊松分布模型通过以下方式构建:
获取历史时间区间内历史资损案件的案件信息;
根据由自回归模型建立的案件量关系函数及由指数函数确定的案件发生概率函数建立强度函数;
根据预先建立的资损金额估计模型确定资损案件对应的资损金额估算函数,基于所述强度函数与所述资损金额估计函数构建所述复合泊松分布模型。
可选地,所述复合泊松分布模型通过以下方式进行优化:
使用蒙特卡罗模拟方法对所述目标时间区间内资损案件的总资损金额进行模拟分析,获得针对所述目标时间区间内资损案件的总资损金额的分析结果;
通过将所述历史时间区间内历史资损案件的案件信息输入所述复合泊松分布模型进行预测获得针对所述目标时间区间内资损案件的总资损金额的预测结果;
在所述预测结果不在根据所述分析结果设置的波动范围内的情况下,对所述复合泊松分布模型进行优化。
可选地,所述复合泊松分布函数的表达式包括:
其中,y(t)表示时长为t的目标时间区间内发生的资损案件的总资损金额;Ai表示时长为t的目标时间区间内发生的资损案件中各资损区间内资损案件的估计资损金额;Z(t,Ai)表示时长为t的目标时间区间内发生的资损案件中各资损区间内估计资损金额为Ai的资损案件的案件量,并且Z(t,Ai)服从泊松分布。
根据本说明书实施例的第二方面,提供了一种资损估计装置,包括:
案件信息获取模块,被配置为获取历史时间区间内历史资损案件的案件信息;
总案件量估计模块,被配置为根据由所述历史资损案件的案件信息确定的案件量估计目标时间区间内资损案件的总案件量;
资损金额估计模块,被配置为基于所述总案件量及所述目标时间区间内的各资损区间内资损案件的发生概率估算所述各资损区间的区间案件量,利用回归函数估计所述各资损区间内资损案件的估计资损金额;
总资损金额预测模块,被配置为基于所述各资损区间内资损案件的估计资损金额及所述区间案件量,采用复合泊松分布函数预测所述目标时间区间内资损案件的总资损金额。
可选地,所述资损金额估计模块,包括:
敏感度获取子模块,被配置为获取所述各资损区间内资损案件的估计资损金额对所述目标时间区间内的资损案件涉及的每个维度信息的敏感度;
第一维度资损金额获取子模块,被配置为获取所述每个维度信息对应的维度资损金额;
资损金额估计子模块,被配置为将所述敏感度及所述维度资损金额输入所述回归函数,将所述回归函数的输出结果作为所述估计资损金额。
可选地,所述资损估计装置,还包括:
维度信息获取子模块,被配置为获取所述历史资损案件中各个资损案件的资损金额以及所述各个资损案件的案件信息中包含的维度信息;
第二维度资损金额获取子模块,被配置为获取所述维度信息中每个维度信息对应的维度资损金额;
敏感度确定子模块,被配置为将所述各个资损案件的资损金额以及所述维度资损金额输入所述回归函数,根据所述回归函数的输出结果确定所述各资损区间内资损案件的资损金额对所述目标时间区间内的资损案件涉及的每个维度信息的敏感度。
可选地,所述资损估计装置,还包括:
风险策略获取模块,被配置为获取与所述目标时间区间内资损案件相匹配的风险策略;
测试结果获取模块,被配置为将所述目标时间区间内资损案件的总案件量及总资损金额作为待测试数据,获取利用所述风险策略对所述待测试数据进行测试输出的测试结果;
风险控制模块,被配置为根据所述测试结果确定目标风险策略,并利用所述目标风险策略对资损案件的总案件量及所述总资损金额进行风险控制。
可选地,所述测试结果为所述目标时间区间内资损案件的总案件量及总资损金额基于不同风险策略的风险下降指标值;
相应的,所述风险控制模块,包括:
目标风险策略确定子模块,被配置为将所述风险下降指标值由大到小进行排序,将排序靠前的至少一个风险下降指标值对应的风险策略作为目标风险策略;
风险控制子模块,被配置为利用所述目标风险策略对所述目标时间区间内资损案件的总案件量及总资损金额进行风险控制。
可选地,所述总案件量估计模块,包括:
总案件量估计子模块,被配置为将所述案件量输入自回归函数,将所述自回归函数的输出结果作为所述目标时间区间内资损案件的总案件量;
相应的,所述资损金额估计模块,包括:
概率计算子模块,被配置为利用指数分布函数计算所述各资损区间内资损案件的发生概率;
区间案件量确定子模块,被配置为将所述总案件量与所述发生概率进行乘积运算,将运算结果作为所述各资损区间的区间案件量。
根据本说明书实施例的第三方面,提供了一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:
获取历史时间区间内历史资损案件的案件信息;
根据由所述历史资损案件的案件信息确定的案件量估计目标时间区间内资损案件的总案件量;
基于所述总案件量及所述目标时间区间内的各资损区间内资损案件的发生概率估算所述各资损区间的区间案件量,利用回归函数估计所述各资损区间内资损案件的估计资损金额;
基于所述各资损区间内资损案件的估计资损金额及所述区间案件量,采用复合泊松分布函数预测所述目标时间区间内资损案件的总资损金额。
根据本说明书实施例的第四方面,提供了一种计算机可读存储介质,其存储有计算机可执行指令,该指令被处理器执行时实现任意一项所述资损估计方法的步骤。
本说明书实施例中,通过获取历史时间区间内历史资损案件的案件信息;根据由所述历史资损案件的案件信息确定的案件量估计目标时间区间内资损案件的总案件量;基于所述总案件量及所述目标时间区间内的各资损区间内资损案件的发生概率估算所述各资损区间的区间案件量,利用回归函数估计所述各资损区间内资损案件的估计资损金额;基于所述各资损区间内资损案件的估计资损金额及所述区间案件量,采用复合泊松分布函数预测所述目标时间区间内资损案件的总资损金额。
本说明书一个实施例实现了以历史时间区间内历史资损案件的案件信息为依据估算目标时间区间内资损案件的总案件量,有利于提高目标时间区间内总案件量的估算结果的准确性,并且基于目标时间区间的各资损区间内资损案件的估计资损金额以及区间案件量,利用复合泊松分布函数预测目标时间区间内资损案件的总资损金额,通过复合泊松分布函数实现了目标时间区间内的总案件量与总资损金额之间的关联,使得对于目标时间区间内资损估算的估算结果更加准确。
附图说明
图1是本说明书一个实施例提供的一种资损估计方法的处理流程图;
图2是本说明书一个实施例提供的一种资损估计方法的处理过程流程图;
图3是本说明书一个实施例提供的一种资损估计装置的结构示意图;
图4是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本说明书内涵的情况下做类似推广,因此本说明书不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一也可以被称为第二,类似地,第二也可以被称为第一。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
首先,对本说明书一个或多个实施例涉及的名词术语进行解释。
复合泊松分布:在概率论中,复合泊松分布是指一些独立同分布的随机变量的和的概率分布,而这些随机变量的个数服从泊松分布。在最简单的情形下,复合泊松分布可以是连续分布或者离散分布。
资损:由于案件的发生造成的资金损失。
蒙特卡罗方法:又称统计模拟法、随机抽样技术,是一种随机模拟方法,以概率和统计理论方法为基础的一种计算方法,是使用随机数(或更常见的伪随机数)来解决很多计算问题的方法。将所求解的问题同一定的概率模型相联系,用电子计算机实现统计模拟或抽样,以获得问题的近似解。
自回归模型(Autoregressive model,简称AR模型),是统计上一种处理时间序列的方法,用同一变数例如x的之前各期,亦即x1至xt-1来预测本期xt的表现,并假设它们为一线性关系。因为这是从回归分析中的线性回归发展而来,只是不用x预测y,而是用x预测x;所以叫做自回归。
在本说明书中,提供了一种资损估计方法,本说明书同时涉及一种资损估计装置,一种计算设备,以及一种计算机可读存储介质,在下面的实施例中逐一进行详细说明。
图1示出了根据本说明书一个实施例提供的一种资损估计方法的处理流程图,包括步骤102至步骤108。
步骤102,获取历史时间区间内历史资损案件的案件信息。
本说明书实施例中,所述历史资损案件为在当前时间节点之前发生过的造成资金损失的案件,所述案件信息包括案件发生时间、案件发生地点、案件的资损金额、报案人信息以及造成资金损失的行为特征数据等信息。
通过获取历史资损案件的案件信息来预测目标时间区间内可能发生的造成资金损失的资损案件的案件量以及总资损金额,以所述目标时间区间为2019年8月份为例,即要预测2019.08.01至2019.08.31这个时间区间内可能发生的造成资金损失的案件量以及总资损金额,则首先需获取2019年8月份之前任意2个或2个以上月份发生的造成资金损失的案件信息,本说明书实施例以获取2019年6月份和7月份的案件信息为例进行说明。
步骤104,根据由所述历史资损案件的案件信息确定的案件量估计目标时间区间内资损案件的总案件量。
具体的,将由所述历史资损案件的案件信息确定的案件量输入自回归函数,将所述自回归函数的输出结果作为所述目标时间区间内资损案件的总案件量,所述自回归函数的表达式如式(1)所示:
其中,Zt表示时长为t的目标时间区间内发生的造成资金损失的总案件量;Zt-i表示时长为t的历史时间区间内发生的造成资金损失的总案件量;c是常数项;εt被假设为平均数等于0,标准差等于σ的随机误差值;σ被假设为对于任何的t都不变;为自相关系数;p为预设的大于1的正整数。
仍以所述目标时间区间为2019年8月份为例,则Zt即表示2019年8月份发生的造成资金损失的总案件量,若预设的p值等于2,则2019年8月份发生的造成资金损失的总案件量即可通过将2019年6月份发生的造成资金损失的总案件量(Z6)和2019年7月份发生的造成资金损失的总案件量(Z7)输入式(1)计算2019年8月份发生的造成资金损失的总案件量Z8。
若7月份的总案件量Z7等于30,6月份的总案件量Z6等于35,自相关系数和分别为0.7和0.5,随机误差εt为0.05,常数c等于0.08,则将Z7、Z6、 εt和c的值代入公式可得8月份的总案件量Z8的估计结果为38。
本说明书实施例实现了利用历史时间区间内的案件信息估计目标时间区间内的资损案件的总案件量,使得对目标时间区间内总案件量的估算结果更加准确。
步骤106,基于所述总案件量及所述目标时间区间内的各资损区间内资损案件的发生概率估算所述各资损区间的区间案件量,利用回归函数估计所述各资损区间内资损案件的资损金额。
具体的,所述基于所述总案件量及所述目标时间区间内各资损区间内资损案件的发生概率估算所述各资损区间的区间案件量具体可通过以下步骤实现:
利用指数分布函数计算所述各资损区间内资损案件的发生概率;
将所述总案件量与所述发生概率进行乘积运算,将运算结果作为所述各资损区间的区间案件量。
仍以所述目标时间区间为2019年8月份为例,将预期在2019年8月份发生的资损案件对应的资损金额划分为[0,1k)、[1k,5k)和[5k,+∞)三个区间,若资损金额x服从指数分布,指数分布的表达式如式(2)所示:
又根据式(2)可得:
P{X≤x}=F(x)=1-e-λx,x≥0 式(3)
则根据式(3)可计算得出:资损金额在[0,1k)的发生概率P1=1-e-λ*1k;资损金额在[1k,5k)的发生概率P2=e-λ*1k-e-λ*5k;资损金额在[5k,+∞)的发生概率P3=e-λ*5k;将所述总案件量与资损金额在各区间的发生概率进行乘积运算,得到[0,1k)的区间案件量为[1k,5k)的区间案件量为[5k,+∞)的区间案件量为
若计算结果为P1等于0.5,P2等于0.4,P3等于0.1,并且根据前述内容可知Z8等于38,则将P1、P2、P3和Z8的值代入上述概率计算公式可得[0,1k)的区间案件量等于19,[1k,5k)的区间案件量等于15,[5k,+∞)的区间案件量等于4。
本说明书提供的一个实施例中,所述利用回归函数估计所述各资损区间内资损案件的估计资损金额具体可通过以下步骤实现:
获取所述各资损区间内资损案件的资损金额对所述目标时间区间内的资损案件涉及的每个维度信息的敏感度;
获取所述每个维度信息对应的维度资损金额;
将所述敏感度及所述维度资损金额输入所述回归函数,将所述回归函数的输出结果作为所述估计资损金额。
由于案件资损金额受多个维度信息(即多个变量)的影响,因此需利用多元线性回归模型分析案件资损金额y与多个变量间的关系,以案件资损金额受2个维度信息的影响,则多元线性回归模型的表达式如式(4)所示:
y=β1x1+β2x2+β0,t>0 式(4)
其中,y为案件资损金额,x1、x2为自变量,β1、β2为回归系数,表示案件资损金额对各维度信息(变量)的敏感度,β0为常数项。
本说明书提供的一个实施例中,所述各资损区间内资损案件的资损金额对所述目标时间区间内的资损案件涉及的每个维度信息的敏感度通过以下方式计算:
获取所述历史资损案件中各个资损案件的资损金额以及所述各个资损案件的案件信息中包含的维度信息;
获取所述维度信息中每个维度信息对应的维度资损金额;
将所述各个资损案件的资损金额以及所述维度资损金额输入所述回归函数,根据所述回归函数的输出结果确定所述各资损区间内资损案件的资损金额对所述目标时间区间内的资损案件涉及的每个维度信息的敏感度。
以所述历史资损案件的案件信息中涉及案件发生地点和案件发生时间2个维度信息,且所述历史资损案件的资损金额y为例,预设的案件发生地点维度对应的维度资损金额为x1,案件发生时间维度对应的维度资损金额为x2,将x1、x2和y代入式(5)(求解回归参数的标准方程组),计算可得β0、β1以及β2的值。
求解回归参数的标准方程组式(5)如下所示:
确定各资损区间内资损案件的资损金额对所述目标时间区间内的资损案件涉及的案件发生地点和案件发生时间2个维度信息的敏感度β1和β2以及β0后,将β0、β1和β2的值代入式(4)可得用于分析各资损区间内资损案件的估计资损金额的二元线性回归模型的具体表达式。将β0、β1和β2以及各资损区间内资损案件涉及到的维度信息对应的维度资损金额输入所述二元线性回归模型的具体表达式即可计算出各资损区间内资损案件的估计资损金额。
步骤108,基于所述各资损区间内资损案件的资损金额及所述区间案件量,采用复合泊松分布函数预测所述目标时间区间内资损案件的总资损金额。
具体的,以[0,1k)的区间内资损案件的估计资损金额为500元、[1k,5k)的区间内资损案件的估计资损金额为2000元、[5k,+∞)的区间内资损案件的估计资损金额为5000元为例,根据前述可得[0,1k)的区间案件量等于19,[1k,5k)的区间案件量等于15,[5k,+∞)的区间案件量等于4,则2019年8月份发生的造成资金损失的案件在各区间内的总资损可通过式(6)(复合泊松分布函数的表达式)计算得到,具体的复合泊松分布函数的表达式如下所示:
其中,y(t)表示时长为t的目标时间区间内发生的资损案件的总资损金额;Ai表示时长为t的目标时间区间内发生的资损案件中各资损区间内资损案件的资损金额;Z(t,Ai)表示时长为t的目标时间区间内发生的资损案件中各资损区间内资损金额为Ai的资损案件的案件量,并且Z(t,Ai)服从泊松分布。
则,由式(6)可得,目标时间区间即2019年8月份发生的在[0,1k)的区间内资损案件的总资损金额在[1k,5k)的区间内资损案件的总资损金额在[5k,+∞)的区间内资损案件的总资损金额则根据和可预测所述目标时间区间内资损案件的总资损金额:
本说明书提供的一个实施例中,所述基于所述各资损区间内资损案件的资损金额及所述区间案件量,采用复合泊松分布函数预测所述目标时间区间内资损案件的总资损金额步骤执行之后,还包括:
获取与所述目标时间区间内资损案件相匹配的风险策略;
将所述目标时间区间内资损案件的总案件量及总资损金额作为待测试数据,获取利用所述风险策略对所述待测试数据进行测试输出的测试结果;
根据所述测试结果确定目标风险策略,并利用所述目标风险策略对资损案件的总案件量及所述总资损金额进行风险控制。
本说明书提供的一个实施例中,所述测试结果为所述目标时间区间内资损案件的总案件量及总资损金额基于不同风险策略的风险下降指标值;
相应的,所述根据所述测试结果确定目标风险策略,并利用所述目标风险策略对资损案件的总案件量及所述总资损金额进行风险控制,包括:
将所述风险下降指标值由大到小进行排序,将排序靠前的至少一个风险下降指标值对应的风险策略作为目标风险策略;
利用所述目标风险策略对所述目标时间区间内资损案件的总案件量及总资损金额进行风险控制。
具体的,根据目标时间区间内的资损案件选择与其匹配的风险策略,并计算所述风险策略对资损案件量及资损金额的风险防控结果,即计算通过采取所述风险策略,使得目标时间区间内资损案件的总案件量及总资损金额的风险下降对应的风险下降指标值,对所述风险下降指标值由大到小进行排序,根据排序结果选择排序靠前的至少一个风险策略,通过该方法可选择出最优风险策略,通过采用所述最优风险策略,有利于提高对资损案件及资损金额的风险防控性能。
本说明书提供的一个实施例中,所述资损估计方法基于复合泊松分布模型实现,将所述历史时间区间内历史资损案件的案件信息作为所述复合泊松分布模型的输入,输出所述目标时间区间内资损案件的总案件量以及总资损金额。
本说明书提供的一个实施例中,所述复合泊松分布模型通过以下方式构建:
获取历史时间区间内历史资损案件的案件信息;
根据由自回归模型建立的案件量关系函数及由指数函数确定的案件发生概率函数建立强度函数;
根据预先建立的资损金额估计模型确定资损案件对应的资损金额估算函数,基于所述强度函数与所述资损金额估计函数构建所述复合泊松分布模型。
具体的,由自回归模型建立的案件量关系函数如式(1)所示,Zt表示时长为t的目标时间区间内发生的造成资金损失的总案件量;Zt-i表示时长为t的历史时间区间内发生的造成资金损失的总案件量,Zt-i可根据历史时间区间内资损案件的案件信息确定;由指数函数确定的案件发生概率函数如式(2)所示,则强度函数
所述预先建立的资损金额估计模型为多元线性回归模型,有所述多元线性回归模型确定的资损金额估计函数如式(4)所示,则基于所述强度函数与所述资损金额估计函数构建的所述复合泊松分布模型的函数表达式如式(6)所示,其中,Z(t,Ai)服从参数为λ1的泊松分布,记作Z(t,Ai)~P(λ1)。
本说明书提供的一个实施例中,所述复合泊松分布模型通过以下方式进行优化:
使用蒙特卡罗模拟方法对所述目标时间区间内资损案件的总资损金额进行模拟分析,获得针对所述目标时间区间内资损案件的总资损金额的分析结果;
通过将所述历史时间区间内历史资损案件的案件信息输入所述复合泊松分布模型进行预测获得针对所述目标时间区间内资损案件的总资损金额的预测结果;
在所述预测结果不在根据所述分析结果设置的波动范围内的情况下,对所述复合泊松分布模型进行优化。
具体的,仍以所述目标时间区间为2019年8月份为例,所述历史时间区间内历史资损案件的案件信息为2019年6月份和7月份发生的造成资金损失的案件信息,将这些案件信息输入所述复合泊松分布模型,首先可以获得8月份可能发生的造成资金损失的总案件量Z8;
通过总案件量Z8以及三个资损区间内资损案件的发生概率P1、P2和P3确定三个资损区间的区间案件量以及利用二元线性回归函数估计三个资损区间内资损案件的估计资损金额为基于各资损区间的区间案件量以及各资损区间内资损案件的估计资损金额为进行预测,获得针对所述目标时间区间内资损案件的总资损金额的预测结果。
在2019年8月份结束之后,获取8月份实际发生的造成资金损失的案件信息,并利用蒙特卡罗方法对实际发生的造成资金损失的案件信息进行模拟分析,获得8月份实际发生的总案件量以及造成的总资损金额;假设8月份实际发生的造成资金损失的案件量为37件,造成的资金损失金额为59000元,若预先设置的案件量的波动范围为[35,39],资金损失金额的波动范围为[58000,60000],则可确定根据所述复合泊松分布模型对所述目标时间区间内资损案件的总案件量及总资损金额的预测结果均在预先设置的波动范围内,则无需对所述复合泊松分布模型进行优化;在对所述目标时间区间内资损案件的总案件量及总资损金额的预测结果不在波动范围内的情况下,对所述复合泊松分布模型进行优化,用于模型优化的数据可以是8月份实际发生的造成资金损失的资损案件的总案件量以及总资损金额。
具体的,根据目标时间区间内的资损案件选择与其匹配的风险策略,并计算所述风险策略对资损案件量及资损金额的风险防控结果,即计算通过采取所述风险策略,使得目标时间区间内资损案件的总案件量及总资损金额的风险下降对应的风险下降指标值,对所述风险下降指标值由大到小进行排序,根据排序结果选择排序靠前的至少一个风险策略,通过该方法可选择出最优风险策略,通过采用所述最优风险策略,有利于提高对目标时间区间内资损案件及资损金额的风险防控性能。
本说明书一个实施例实现了以历史时间区间内历史资损案件的案件信息为依据估算目标时间区间内资损案件的总案件量,有利于提高目标时间区间内总案件量的估算结果的准确性,并且基于目标时间区间的各资损区间内资损案件的估计资损金额以及区间案件量,利用复合泊松分布函数预测目标时间区间内资损案件的总资损金额,通过复合泊松分布函数实现了目标时间区间内的总案件量与总资损金额之间的关联,使得对于目标时间区间内资损估算的估算结果更加准确。
下述结合附图2,以本说明书提供的资损估计方法在估计2019年8月份的资损案件量以及资损金额的应用为例,对所述资损估计方法进行进一步说明。其中,图2示出了本说明书一个实施例提供的一种资损估计方法的处理过程流程图,具体步骤包括步骤202至步骤218。
步骤202,获取2019年6月份和7月份的历史资损案件的案件信息。
本实施例中,目标时间区间即为2019年8月份。
具体的,分别根据6月份和7月份的案件信息确定6月份和7月份发生的造成资金损失的总案件量Z6和Z7,假设Z7等于30,Z6等于35。
步骤204:将8月份资损案件的资损金额划分为三个资损区间,利用指数分布函数计算各资损区间内资损案件的发生概率P1、P2、P3。
具体的,指数分布的表达式如式(2)所示,若将预期在2019年8月份发生的资损案件对应的资损金额划分为[0,1k)、[1k,5k)和[5k,+∞)三个区间,则计算可得资损金额在[0,1k)的发生概率P1=1-e-λ*1k;资损金额在[1k,5k)的发生概率P2=e-λ*1k-e-λ*5k;资损金额在[5k,+∞)的发生概率P3=e-λ*5k,假设P1等于0.5,P2等于0.4,P3等于0.1。
步骤206,将Z6和Z7输入自回归函数,将自回归函数的输出结果作为8月份的总案件量Z8。
具体的,自回归函数如式(1)所示,将Z6和Z7输入式(1)可得假设将Z7=30和Z6=35输入式(1),输出结果为Z8=38。
步骤208,将8月份的总案件量Z8与P1、P2、P3进行乘积运算,将运算结果作为所述各资损区间的区间案件量。
步骤210,获取各资损区间内资损案件的估计资损金额对所述目标时间区间内的资损案件涉及的每个维度信息的敏感度。
具体的,所述利用回归函数估计所述各资损区间内资损案件的估计资损金额具体可通过以下步骤实现:
获取所述各资损区间内资损案件的资损金额对所述目标时间区间内的资损案件涉及的每个维度信息的敏感度;
获取所述每个维度信息对应的维度资损金额;
将所述敏感度及所述维度资损金额输入所述回归函数,将所述回归函数的输出结果作为所述估计资损金额。
由于案件资损金额受多个维度信息(即多个变量)的影响,因此需利用多元线性回归模型分析案件资损金额y与多个变量间的关系,以案件资损金额受案件发生地点和案件发生时间这2个维度信息的影响,且所述历史资损案件的资损金额y为例,预设的案件发生地点维度对应的维度资损金额为x1,案件发生时间维度对应的维度资损金额为x2,将x1、x2和y代入式(5)(求解回归参数的标准方程组),计算可得β0、β1以及β2的值。
确定各资损区间内资损案件的资损金额对所述目标时间区间内的资损案件涉及的案件发生地点和案件发生时间2个维度信息的敏感度β1、β2以及β0后,将β0、β1和β2的值代入式(4)可得用于分析各资损区间内资损案件的估计资损金额的二元线性回归模型的具体表达式。将β0、β1和β2以及各资损区间内资损案件涉及到的维度信息对应的维度资损金额输入所述二元线性回归模型的具体表达式即可计算出各资损区间内资损案件的估计资损金额。
步骤212,获取所述每个维度信息对应的维度资损金额。
步骤214,将所述敏感度及所述维度资损金额输入二元线性回归函数,将所述二元回归函数的输出结果作为所述估计资损金额。
具体的,所述二元线性回归函数的表达式如式(4)所示,将β1和β2以及各资损区间内资损案件涉及到的维度信息对应的维度资损金额输入所述二元线性回归模型的具体表达式即可计算出各资损区间内资损案件的估计资损金额。
步骤216,基于所述各资损区间内资损案件的估计资损金额及所述区间案件量,采用复合泊松分布函数预测所述目标时间区间内资损案件的总资损金额。
具体的,复合泊松分布函数的表达式如式(6)所示,由式(6)可得,目标时间区间即2019年8月份发生的在[0,1k)的区间内资损案件的总资损金额在[1k,5k)的区间内资损案件的总资损金额在[5k,+∞)的区间内资损案件的总资损金额则根据和可预测所述目标时间区间内资损案件的总资损金额:
步骤218,获取与所述目标时间区间内资损案件相匹配的风险策略,在所述风险策略中确定目标风险策略,并利用所述目标风险策略对资损案件的总案件量及所述总资损金额进行风险控制。
具体的,根据目标时间区间内的资损案件选择与其匹配的风险策略,并计算所述风险策略对资损案件量及资损金额的风险防控结果,即计算通过采取所述风险策略,使得目标时间区间内资损案件的总案件量及总资损金额的风险下降对应的风险下降指标值,对所述风险下降指标值由大到小进行排序,根据排序结果选择排序靠前的至少一个风险策略作为目标风险策略。,通过该方法可选择出最优风险策略,通过采用所述最优风险策略,有利于提高对资损案件及资损金额的风险防控性能。
本说明书一个实施例实现了以历史时间区间内历史资损案件的案件信息为依据估算目标时间区间内资损案件的总案件量,有利于提高目标时间区间内总案件量的估算结果的准确性,并且基于目标时间区间的各资损区间内资损案件的估计资损金额以及区间案件量,利用复合泊松分布函数预测目标时间区间内资损案件的总资损金额,通过复合泊松分布函数实现了目标时间区间内的总案件量与总资损金额之间的关联,使得对于目标时间区间内资损估算的估算结果更加准确。通过对风险下降指标值由大到小进行排序的方法可选择出最优风险策略,通过采用所述最优风险策略,有利于提高对目标时间区间内资损案件及资损金额的风险防控性能。
与上述方法实施例相对应,本说明书还提供了资损估计装置实施例,图3示出了本说明书一个实施例提供的一种资损估计装置的示意图。如图3所示,该装置包括:
案件信息获取模块302,被配置为获取历史时间区间内历史资损案件的案件信息;
总案件量估计模块304,被配置为根据由所述历史资损案件的案件信息确定的案件量估计目标时间区间内资损案件的总案件量;
资损金额估计模块306,被配置为基于所述总案件量及所述目标时间区间内的各资损区间内资损案件的发生概率估算所述各资损区间的区间案件量,利用回归函数估计所述各资损区间内资损案件的估计资损金额;
总资损金额预测模块308,被配置为基于所述各资损区间内资损案件的估计资损金额及所述区间案件量,采用复合泊松分布函数预测所述目标时间区间内资损案件的总资损金额。
可选地,所述资损金额估计模块306,包括:
敏感度获取子模块,被配置为获取所述各资损区间内资损案件的估计资损金额对所述目标时间区间内的资损案件涉及的每个维度信息的敏感度;
第一维度资损金额获取子模块,被配置为获取所述每个维度信息对应的维度资损金额;
资损金额估计子模块,被配置为将所述敏感度及所述维度资损金额输入所述回归函数,将所述回归函数的输出结果作为所述估计资损金额。
可选地,所述资损估计装置,还包括:
维度信息获取子模块,被配置为获取所述历史资损案件中各个资损案件的资损金额以及所述各个资损案件的案件信息中包含的维度信息;
第二维度资损金额获取子模块,被配置为获取所述维度信息中每个维度信息对应的维度资损金额;
敏感度确定子模块,被配置为将所述各个资损案件的资损金额以及所述维度资损金额输入所述回归函数,根据所述回归函数的输出结果确定所述各资损区间内资损案件的资损金额对所述目标时间区间内的资损案件涉及的每个维度信息的敏感度。
可选地,所述资损估计装置,还包括:
风险策略获取模块,被配置为获取与所述目标时间区间内资损案件相匹配的风险策略;
测试结果获取模块,被配置为将所述目标时间区间内资损案件的总案件量及总资损金额作为待测试数据,获取利用所述风险策略对所述待测试数据进行测试输出的测试结果;
风险控制模块,被配置为根据所述测试结果确定目标风险策略,并利用所述目标风险策略对资损案件的总案件量及所述总资损金额进行风险控制。
可选地,所述测试结果为所述目标时间区间内资损案件的总案件量及总资损金额基于不同风险策略的风险下降指标值;
相应的,所述风险控制模块,包括:
目标风险策略确定子模块,被配置为将所述风险下降指标值由大到小进行排序,将排序靠前的至少一个风险下降指标值对应的风险策略作为目标风险策略;
风险控制子模块,被配置为利用所述目标风险策略对所述目标时间区间内资损案件的总案件量及总资损金额进行风险控制。
可选地,所述总案件量估计模块304,包括:
总案件量估计子模块,被配置为将所述案件量输入自回归函数,将所述自回归函数的输出结果作为所述目标时间区间内资损案件的总案件量;
相应的,所述资损金额估计模块306,包括:
概率计算子模块,被配置为利用指数分布函数计算所述各资损区间内资损案件的发生概率;
区间案件量确定子模块,被配置为将所述总案件量与所述发生概率进行乘积运算,将运算结果作为所述各资损区间的区间案件量。
可选地,所述资损估计方法基于复合泊松分布模型实现,将所述历史时间区间内历史资损案件的案件信息作为所述复合泊松分布模型的输入,输出所述目标时间区间内资损案件的总案件量以及总资损金额。
可选地,所述资损估计装置,还包括复合泊松分布模型构建模块,被配置为:
获取历史时间区间内历史资损案件的案件信息;
根据由自回归模型建立的案件量关系函数及由指数函数确定的案件发生概率函数建立强度函数;
根据预先建立的资损金额估计模型确定资损案件对应的资损金额估算函数,基于所述强度函数与所述资损金额估计函数构建所述复合泊松分布模型。
可选地,所述资损估计装置,还包括复合泊松分布模型优化模块,被配置为:
使用蒙特卡罗模拟方法对所述目标时间区间内资损案件的总资损金额进行模拟分析,获得针对所述目标时间区间内资损案件的总资损金额的分析结果;
通过将所述历史时间区间内历史资损案件的案件信息输入所述复合泊松分布模型进行预测获得针对所述目标时间区间内资损案件的总资损金额的预测结果;
在所述预测结果不在根据所述分析结果设置的波动范围内的情况下,对所述复合泊松分布模型进行优化。
可选地,所述复合泊松分布函数的表达式包括:
其中,y(t)表示时长为t的目标时间区间内发生的资损案件的总资损金额;Ai表示时长为t的目标时间区间内发生的资损案件中各资损区间内资损案件的估计资损金额;Z(t,Ai)表示时长为t的目标时间区间内发生的资损案件中各资损区间内估计资损金额为Ai的资损案件的案件量,并且Z(t,Ai)服从泊松分布。
本说明书一个实施例实现了以历史时间区间内历史资损案件的案件信息为依据估算目标时间区间内资损案件的总案件量,有利于提高目标时间区间内总案件量的估算结果的准确性,并且基于目标时间区间的各资损区间内资损案件的估计资损金额以及区间案件量,利用复合泊松分布函数预测目标时间区间内资损案件的总资损金额,通过复合泊松分布函数实现了目标时间区间内的总案件量与总资损金额之间的关联,使得对于目标时间区间内资损估算的估算结果更加准确。
上述为本实施例的一种资损估计装置的示意性方案。需要说明的是,该资损估计装置的技术方案与上述的资损估计方法的技术方案属于同一构思,资损估计装置的技术方案未详细描述的细节内容,均可以参见上述资损估计方法的技术方案的描述。
图4示出了根据本说明书一个实施例提供的一种计算设备400的结构框图。该计算设备400的部件包括但不限于存储器410和处理器420。处理器420与存储器410通过总线430相连接,数据库450用于保存数据。
计算设备400还包括接入设备440,接入设备440使得计算设备400能够经由一个或多个网络460通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备440可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC))中的一个或多个,诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口,等等。
在本说明书的一个实施例中,计算设备400的上述部件以及图4中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图4所示的计算设备结构框图仅仅是出于示例的目的,而不是对本说明书范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备400可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止计算设备。计算设备400还可以是移动式或静止式的服务器。
其中,处理器420用于执行如下计算机可执行指令:
获取历史时间区间内历史资损案件的案件信息;
根据由所述历史资损案件的案件信息确定的案件量估计目标时间区间内资损案件的总案件量;
基于所述总案件量及所述目标时间区间内的各资损区间内资损案件的发生概率估算所述各资损区间的区间案件量,利用回归函数估计所述各资损区间内资损案件的估计资损金额;
基于所述各资损区间内资损案件的估计资损金额及所述区间案件量,采用复合泊松分布函数预测所述目标时间区间内资损案件的总资损金额。
可选地,所述利用回归函数估计所述各资损区间内资损案件的估计资损金额,包括:
获取所述各资损区间内资损案件的估计资损金额对所述目标时间区间内的资损案件涉及的每个维度信息的敏感度;
获取所述每个维度信息对应的维度资损金额;
将所述敏感度及所述维度资损金额输入所述回归函数,将所述回归函数的输出结果作为所述估计资损金额。
可选地,所述各资损区间内资损案件的估计资损金额对所述目标时间区间内的资损案件涉及的每个维度信息的敏感度通过以下方式计算:
获取所述历史资损案件中各个资损案件的资损金额以及所述各个资损案件的案件信息中包含的维度信息;
获取所述维度信息中每个维度信息对应的维度资损金额;
将所述各个资损案件的资损金额以及所述维度资损金额输入所述回归函数,根据所述回归函数的输出结果确定所述各资损区间内资损案件的估计资损金额对所述目标时间区间内的资损案件涉及的每个维度信息的敏感度。
可选地,所述基于所述各资损区间内估计资损案件的资损金额及所述区间案件量,采用复合泊松分布函数预测所述目标时间区间内资损案件的总资损金额步骤执行之后,还包括:
获取与所述目标时间区间内资损案件相匹配的风险策略;
将所述目标时间区间内资损案件的总案件量及总资损金额作为待测试数据,获取利用所述风险策略对所述待测试数据进行测试输出的测试结果;
根据所述测试结果确定目标风险策略,并利用所述目标风险策略对资损案件的总案件量及所述总资损金额进行风险控制。
可选地,所述测试结果为所述目标时间区间内资损案件的总案件量及总资损金额基于不同风险策略的风险下降指标值;
相应的,所述根据所述测试结果确定目标风险策略,并利用所述目标风险策略对资损案件的总案件量及所述总资损金额进行风险控制,包括:
将所述风险下降指标值由大到小进行排序,将排序靠前的至少一个风险下降指标值对应的风险策略作为目标风险策略;
利用所述目标风险策略对所述目标时间区间内资损案件的总案件量及总资损金额进行风险控制。
可选地,所述根据由所述历史资损案件的案件信息确定的案件量估计目标时间区间内资损案件的总案件量,包括:
将所述案件量输入自回归函数,将所述自回归函数的输出结果作为所述目标时间区间内资损案件的总案件量;
相应的,所述基于所述总案件量及所述目标时间区间内各资损区间内资损案件的发生概率估算所述各资损区间的区间案件量,包括:
利用指数分布函数计算所述各资损区间内资损案件的发生概率;
将所述总案件量与所述发生概率进行乘积运算,将运算结果作为所述各资损区间的区间案件量。
可选地,所述资损估计方法基于复合泊松分布模型实现,将所述历史时间区间内历史资损案件的案件信息作为所述复合泊松分布模型的输入,输出所述目标时间区间内资损案件的总案件量以及总资损金额。
可选地,所述复合泊松分布模型通过以下方式构建:
获取历史时间区间内历史资损案件的案件信息;
根据由自回归模型建立的案件量关系函数及由指数函数确定的案件发生概率函数建立强度函数;
根据预先建立的资损金额估计模型确定资损案件对应的资损金额估算函数,基于所述强度函数与所述资损金额估计函数构建所述复合泊松分布模型。
可选地,所述复合泊松分布模型通过以下方式进行优化:
使用蒙特卡罗模拟方法对所述目标时间区间内资损案件的总资损金额进行模拟分析,获得针对所述目标时间区间内资损案件的总资损金额的分析结果;
通过将所述历史时间区间内历史资损案件的案件信息输入所述复合泊松分布模型进行预测获得针对所述目标时间区间内资损案件的总资损金额的预测结果;
在所述预测结果不在根据所述分析结果设置的波动范围内的情况下,对所述复合泊松分布模型进行优化。
可选地,所述复合泊松分布函数的表达式包括:
其中,y(t)表示时长为t的目标时间区间内发生的资损案件的总资损金额;Ai表示时长为t的目标时间区间内发生的资损案件中各资损区间内资损案件的估计资损金额;Z(t,Ai)表示时长为t的目标时间区间内发生的资损案件中各资损区间内估计资损金额为Ai的资损案件的案件量,并且Z(t,Ai)服从泊松分布。
上述为本实施例的一种计算设备的示意性方案。需要说明的是,该计算设备的技术方案与上述的资损估计方法的技术方案属于同一构思,计算设备的技术方案未详细描述的细节内容,均可以参见上述资损估计方法的技术方案的描述。
本说明书一实施例还提供一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时以用于:
获取历史时间区间内历史资损案件的案件信息;
根据由所述历史资损案件的案件信息确定的案件量估计目标时间区间内资损案件的总案件量;
基于所述总案件量及所述目标时间区间内的各资损区间内资损案件的发生概率估算所述各资损区间的区间案件量,利用回归函数估计所述各资损区间内资损案件的估计资损金额;
基于所述各资损区间内资损案件的估计资损金额及所述区间案件量,采用复合泊松分布函数预测所述目标时间区间内资损案件的总资损金额。
可选地,所述利用回归函数估计所述各资损区间内资损案件的估计资损金额,包括:
获取所述各资损区间内资损案件的估计资损金额对所述目标时间区间内的资损案件涉及的每个维度信息的敏感度;
获取所述每个维度信息对应的维度资损金额;
将所述敏感度及所述维度资损金额输入所述回归函数,将所述回归函数的输出结果作为所述估计资损金额。
可选地,所述各资损区间内资损案件的估计资损金额对所述目标时间区间内的资损案件涉及的每个维度信息的敏感度通过以下方式计算:
获取所述历史资损案件中各个资损案件的资损金额以及所述各个资损案件的案件信息中包含的维度信息;
获取所述维度信息中每个维度信息对应的维度资损金额;
将所述各个资损案件的资损金额以及所述维度资损金额输入所述回归函数,根据所述回归函数的输出结果确定所述各资损区间内资损案件的估计资损金额对所述目标时间区间内的资损案件涉及的每个维度信息的敏感度。
可选地,所述基于所述各资损区间内估计资损案件的资损金额及所述区间案件量,采用复合泊松分布函数预测所述目标时间区间内资损案件的总资损金额步骤执行之后,还包括:
获取与所述目标时间区间内资损案件相匹配的风险策略;
将所述目标时间区间内资损案件的总案件量及总资损金额作为待测试数据,获取利用所述风险策略对所述待测试数据进行测试输出的测试结果;
根据所述测试结果确定目标风险策略,并利用所述目标风险策略对资损案件的总案件量及所述总资损金额进行风险控制。
可选地,所述测试结果为所述目标时间区间内资损案件的总案件量及总资损金额基于不同风险策略的风险下降指标值;
相应的,所述根据所述测试结果确定目标风险策略,并利用所述目标风险策略对资损案件的总案件量及所述总资损金额进行风险控制,包括:
将所述风险下降指标值由大到小进行排序,将排序靠前的至少一个风险下降指标值对应的风险策略作为目标风险策略;
利用所述目标风险策略对所述目标时间区间内资损案件的总案件量及总资损金额进行风险控制。
可选地,所述根据由所述历史资损案件的案件信息确定的案件量估计目标时间区间内资损案件的总案件量,包括:
将所述案件量输入自回归函数,将所述自回归函数的输出结果作为所述目标时间区间内资损案件的总案件量;
相应的,所述基于所述总案件量及所述目标时间区间内各资损区间内资损案件的发生概率估算所述各资损区间的区间案件量,包括:
利用指数分布函数计算所述各资损区间内资损案件的发生概率;
将所述总案件量与所述发生概率进行乘积运算,将运算结果作为所述各资损区间的区间案件量。
可选地,所述资损估计方法基于复合泊松分布模型实现,将所述历史时间区间内历史资损案件的案件信息作为所述复合泊松分布模型的输入,输出所述目标时间区间内资损案件的总案件量以及总资损金额。
可选地,所述复合泊松分布模型通过以下方式构建:
获取历史时间区间内历史资损案件的案件信息;
根据由自回归模型建立的案件量关系函数及由指数函数确定的案件发生概率函数建立强度函数;
根据预先建立的资损金额估计模型确定资损案件对应的资损金额估算函数,基于所述强度函数与所述资损金额估计函数构建所述复合泊松分布模型。
可选地,所述复合泊松分布模型通过以下方式进行优化:
使用蒙特卡罗模拟方法对所述目标时间区间内资损案件的总资损金额进行模拟分析,获得针对所述目标时间区间内资损案件的总资损金额的分析结果;
通过将所述历史时间区间内历史资损案件的案件信息输入所述复合泊松分布模型进行预测获得针对所述目标时间区间内资损案件的总资损金额的预测结果;
在所述预测结果不在根据所述分析结果设置的波动范围内的情况下,对所述复合泊松分布模型进行优化。
可选地,所述复合泊松分布函数的表达式包括:
其中,y(t)表示时长为t的目标时间区间内发生的资损案件的总资损金额;Ai表示时长为t的目标时间区间内发生的资损案件中各资损区间内资损案件的估计资损金额;Z(t,Ai)表示时长为t的目标时间区间内发生的资损案件中各资损区间内估计资损金额为Ai的资损案件的案件量,并且Z(t,Ai)服从泊松分布。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的资损估计方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述资损估计方法的技术方案的描述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本说明书实施例并不受所描述的动作顺序的限制,因为依据本说明书实施例,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本说明书实施例所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书实施例的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本说明书实施例的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。
Claims (18)
1.一种资损估计方法,包括:
获取历史时间区间内历史资损案件的案件信息;
根据由所述历史资损案件的案件信息确定的案件量估计目标时间区间内资损案件的总案件量;
基于所述总案件量及所述目标时间区间内的各资损区间内资损案件的发生概率估算所述各资损区间的区间案件量,利用回归函数估计所述各资损区间内资损案件的估计资损金额;
基于所述各资损区间内资损案件的估计资损金额及所述区间案件量,采用复合泊松分布函数预测所述目标时间区间内资损案件的总资损金额。
2.根据权利要求1所述的资损估计方法,所述利用回归函数估计所述各资损区间内资损案件的估计资损金额,包括:
获取所述各资损区间内资损案件的估计资损金额对所述目标时间区间内的资损案件涉及的每个维度信息的敏感度;
获取所述每个维度信息对应的维度资损金额;
将所述敏感度及所述维度资损金额输入所述回归函数,将所述回归函数的输出结果作为所述估计资损金额。
3.根据权利要求2所述的资损估计方法,所述各资损区间内资损案件的估计资损金额对所述目标时间区间内的资损案件涉及的每个维度信息的敏感度通过以下方式计算:
获取所述历史资损案件中各个资损案件的资损金额以及所述各个资损案件的案件信息中包含的维度信息;
获取所述维度信息中每个维度信息对应的维度资损金额;
将所述各个资损案件的资损金额以及所述维度资损金额输入所述回归函数,根据所述回归函数的输出结果确定所述各资损区间内资损案件的估计资损金额对所述目标时间区间内的资损案件涉及的每个维度信息的敏感度。
4.根据权利要求1所述的资损估计方法,所述基于所述各资损区间内估计资损案件的资损金额及所述区间案件量,采用复合泊松分布函数预测所述目标时间区间内资损案件的总资损金额步骤执行之后,还包括:
获取与所述目标时间区间内资损案件相匹配的风险策略;
将所述目标时间区间内资损案件的总案件量及总资损金额作为待测试数据,获取利用所述风险策略对所述待测试数据进行测试输出的测试结果;
根据所述测试结果确定目标风险策略,并利用所述目标风险策略对资损案件的总案件量及所述总资损金额进行风险控制。
5.根据权利要求4所述的资损估计方法,所述测试结果为所述目标时间区间内资损案件的总案件量及总资损金额基于不同风险策略的风险下降指标值;
相应的,所述根据所述测试结果确定目标风险策略,并利用所述目标风险策略对资损案件的总案件量及所述总资损金额进行风险控制,包括:
将所述风险下降指标值由大到小进行排序,将排序靠前的至少一个风险下降指标值对应的风险策略作为目标风险策略;
利用所述目标风险策略对所述目标时间区间内资损案件的总案件量及总资损金额进行风险控制。
6.根据权利要求1所述的资损估计方法,所述根据由所述历史资损案件的案件信息确定的案件量估计目标时间区间内资损案件的总案件量,包括:
将所述案件量输入自回归函数,将所述自回归函数的输出结果作为所述目标时间区间内资损案件的总案件量;
相应的,所述基于所述总案件量及所述目标时间区间内各资损区间内资损案件的发生概率估算所述各资损区间的区间案件量,包括:
利用指数分布函数计算所述各资损区间内资损案件的发生概率;
将所述总案件量与所述发生概率进行乘积运算,将运算结果作为所述各资损区间的区间案件量。
7.根据权利要求1所述的资损估计方法,所述资损估计方法基于复合泊松分布模型实现,将所述历史时间区间内历史资损案件的案件信息作为所述复合泊松分布模型的输入,输出所述目标时间区间内资损案件的总案件量以及总资损金额。
8.根据权利要求7所述的资损估计方法,所述复合泊松分布模型通过以下方式构建:
获取历史时间区间内历史资损案件的案件信息;
根据由自回归模型建立的案件量关系函数及由指数函数确定的案件发生概率函数建立强度函数;
根据预先建立的资损金额估计模型确定资损案件对应的资损金额估算函数,基于所述强度函数与所述资损金额估计函数构建所述复合泊松分布模型。
9.根据权利要求7所述的资损估计方法,所述复合泊松分布模型通过以下方式进行优化:
使用蒙特卡罗模拟方法对所述目标时间区间内资损案件的总资损金额进行模拟分析,获得针对所述目标时间区间内资损案件的总资损金额的分析结果;
通过将所述历史时间区间内历史资损案件的案件信息输入所述复合泊松分布模型进行预测获得针对所述目标时间区间内资损案件的总资损金额的预测结果;
在所述预测结果不在根据所述分析结果设置的波动范围内的情况下,对所述复合泊松分布模型进行优化。
11.一种资损估计装置,包括:
案件信息获取模块,被配置为获取历史时间区间内历史资损案件的案件信息;
总案件量估计模块,被配置为根据由所述历史资损案件的案件信息确定的案件量估计目标时间区间内资损案件的总案件量;
资损金额估计模块,被配置为基于所述总案件量及所述目标时间区间内的各资损区间内资损案件的发生概率估算所述各资损区间的区间案件量,利用回归函数估计所述各资损区间内资损案件的估计资损金额;
总资损金额预测模块,被配置为基于所述各资损区间内资损案件的估计资损金额及所述区间案件量,采用复合泊松分布函数预测所述目标时间区间内资损案件的总资损金额。
12.根据权利要求11所述的资损估计装置,所述资损金额估计模块,包括:
敏感度获取子模块,被配置为获取所述各资损区间内资损案件的估计资损金额对所述目标时间区间内的资损案件涉及的每个维度信息的敏感度;
第一维度资损金额获取子模块,被配置为获取所述每个维度信息对应的维度资损金额;
资损金额估计子模块,被配置为将所述敏感度及所述维度资损金额输入所述回归函数,将所述回归函数的输出结果作为所述估计资损金额。
13.根据权利要求12所述的资损估计装置,还包括:
维度信息获取子模块,被配置为获取所述历史资损案件中各个资损案件的资损金额以及所述各个资损案件的案件信息中包含的维度信息;
第二维度资损金额获取子模块,被配置为获取所述维度信息中每个维度信息对应的维度资损金额;
敏感度确定子模块,被配置为将所述各个资损案件的资损金额以及所述维度资损金额输入所述回归函数,根据所述回归函数的输出结果确定所述各资损区间内资损案件的资损金额对所述目标时间区间内的资损案件涉及的每个维度信息的敏感度。
14.根据权利要求11所述的资损估计装置,还包括:
风险策略获取模块,被配置为获取与所述目标时间区间内资损案件相匹配的风险策略;
测试结果获取模块,被配置为将所述目标时间区间内资损案件的总案件量及总资损金额作为待测试数据,获取利用所述风险策略对所述待测试数据进行测试输出的测试结果;
风险控制模块,被配置为根据所述测试结果确定目标风险策略,并利用所述目标风险策略对资损案件的总案件量及所述总资损金额进行风险控制。
15.根据权利要求14所述的资损估计装置,所述测试结果为所述目标时间区间内资损案件的总案件量及总资损金额基于不同风险策略的风险下降指标值;
相应的,所述风险控制模块,包括:
目标风险策略确定子模块,被配置为将所述风险下降指标值由大到小进行排序,将排序靠前的至少一个风险下降指标值对应的风险策略作为目标风险策略;
风险控制子模块,被配置为利用所述目标风险策略对所述目标时间区间内资损案件的总案件量及总资损金额进行风险控制。
16.根据权利要求11所述的资损估计装置,所述总案件量估计模块,包括:
总案件量估计子模块,被配置为将所述案件量输入自回归函数,将所述自回归函数的输出结果作为所述目标时间区间内资损案件的总案件量;
相应的,所述资损金额估计模块,包括:
概率计算子模块,被配置为利用指数分布函数计算所述各资损区间内资损案件的发生概率;
区间案件量确定子模块,被配置为将所述总案件量与所述发生概率进行乘积运算,将运算结果作为所述各资损区间的区间案件量。
17.一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令:
获取历史时间区间内历史资损案件的案件信息;
根据由所述历史资损案件的案件信息确定的案件量估计目标时间区间内资损案件的总案件量;
基于所述总案件量及所述目标时间区间内的各资损区间内资损案件的发生概率估算所述各资损区间的区间案件量,利用回归函数估计所述各资损区间内资损案件的估计资损金额;
基于所述各资损区间内资损案件的估计资损金额及所述区间案件量,采用复合泊松分布函数预测所述目标时间区间内资损案件的总资损金额。
18.一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时实现权利要求1至10任意一项所述资损估计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910906341.8A CN110633971A (zh) | 2019-09-24 | 2019-09-24 | 资损估计方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910906341.8A CN110633971A (zh) | 2019-09-24 | 2019-09-24 | 资损估计方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110633971A true CN110633971A (zh) | 2019-12-31 |
Family
ID=68974178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910906341.8A Pending CN110633971A (zh) | 2019-09-24 | 2019-09-24 | 资损估计方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110633971A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819621A (zh) * | 2021-01-22 | 2021-05-18 | 支付宝(杭州)信息技术有限公司 | 一种智能合约资损测试方法及*** |
CN114529190A (zh) * | 2022-02-16 | 2022-05-24 | 马上消费金融股份有限公司 | 案件分配处理方法及装置 |
-
2019
- 2019-09-24 CN CN201910906341.8A patent/CN110633971A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819621A (zh) * | 2021-01-22 | 2021-05-18 | 支付宝(杭州)信息技术有限公司 | 一种智能合约资损测试方法及*** |
CN114529190A (zh) * | 2022-02-16 | 2022-05-24 | 马上消费金融股份有限公司 | 案件分配处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fearnhead et al. | Random-weight particle filtering of continuous time processes | |
CN111401788B (zh) | 业务时序指标的归因方法以及装置 | |
US10565525B2 (en) | Collaborative filtering method, apparatus, server and storage medium in combination with time factor | |
CN109496334B (zh) | 用于评估语音质量的设备和方法 | |
CN111314121A (zh) | 链路异常检测方法以及装置 | |
CN110555749B (zh) | 基于神经网络的信用行为预测方法以及装置 | |
Chen et al. | Nonparametric testing for smooth structural changes in panel data models | |
CN110796399A (zh) | 基于区块链的资源分配方法以及装置 | |
Ma et al. | A pairwise likelihood-based approach for changepoint detection in multivariate time series models | |
CN111178537A (zh) | 一种特征提取模型训练方法及设备 | |
CN110633971A (zh) | 资损估计方法以及装置 | |
CN115563568A (zh) | 异常数据的检测方法及其装置、电子设备及存储介质 | |
CN114581119A (zh) | 流量预测方法以及装置 | |
CN113642886B (zh) | 规划电网线路利用率分析方法、***、介质及计算设备 | |
CN109241249B (zh) | 一种确定突发问题的方法及装置 | |
CN111242284A (zh) | 预测方法及装置 | |
CN115099934A (zh) | 一种高潜客户识别方法、电子设备和存储介质 | |
CN110020728B (zh) | 业务模型强化学习方法以及装置 | |
CN114091903A (zh) | 资损评估模型的训练方法及装置、资损评估方法及装置 | |
CN110087230B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN109064043B (zh) | 评估方法、装置、计算设备及存储介质 | |
CN111552846A (zh) | 识别可疑关系的方法以及装置 | |
Kosiorowski | Two procedures for robust monitoring of probability distributions of economic data stream induced by depth functions | |
CN117056663B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN117370215B (zh) | 寻优抽样方法、装置、电子设备及存储介质 |
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: 20191231 |
|
RJ01 | Rejection of invention patent application after publication |