CN112508695A - 基于市场风险的金融风险预测方法、装置和电子设备 - Google Patents
基于市场风险的金融风险预测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112508695A CN112508695A CN202110160917.8A CN202110160917A CN112508695A CN 112508695 A CN112508695 A CN 112508695A CN 202110160917 A CN202110160917 A CN 202110160917A CN 112508695 A CN112508695 A CN 112508695A
- Authority
- CN
- China
- Prior art keywords
- user
- risk
- market risk
- market
- financial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012216 screening Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000013058 risk prediction model Methods 0.000 claims abstract description 31
- 230000009471 action Effects 0.000 claims description 50
- 230000006399 behavior Effects 0.000 claims description 43
- 238000003860 storage Methods 0.000 claims description 26
- 230000010485 coping Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 13
- 238000012954 risk control Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了一种基于市场风险的金融风险预测方法、装置和电子设备。该方法包括：获取历史用户的用户特征数据和金融表现数据，根据市场风险筛选规则，从历史用户筛选特定风险时间内的目标用户，将该目标用户作为正样本，并建立训练数据集；建立市场风险预测模型，并使用所述训练数据集训练该市场风险预测模型；获取当前用户的用户特征数据，识别该当前用户为待预测用户，并使用所述市场风险预测模型，计算所述当前用户的市场风险预测值；基于所述市场风险预测值，预测所述当前用户的金融风险情况。本发明能够能够更快速、更自动且更精准地预测特定用户群因市场风险因素而引起的资源归还风险。
Description
技术领域
本发明涉及计算机信息处理领域，具体而言，涉及一种基于市场风险的金融风险预测方法、装置和电子设备。
背景技术
风险预测是对风险的量化，是风险管理的关键性技术。目前一般通过建模的方式进行风险预测，在模型的建立过程中，主要有数据抽取、特征生成、特征选取、算法模型生成和合理性评估等步骤。
在现有技术中，金融风险预测主要的目的是如何区分出好客户和坏客户，评估用户的风险情况，以降低信用风险，并实现利润最大化。此外，随着数据的来源渠道越来越丰富，可以作为风险特征变量的数据也越来越多。但是，在通常情况下，有些用户可能是优质用户，但一旦存在市场风险时，会从优质用户转变为风险用户，在这种情况下，上述这类用户会给金融公司或金融平台造成一定损失。此外，在特定用户群的风险预测、模型参数估计、模型计算精度、数据更新方面仍存在很大改进空间。
因此，有必要提供一种基于市场风险的金融风险预测方法，以能够更快速、自动且精确地预测特定用户群的风险情况。
发明内容
为了能够更有效降低金融服务机构（平台或公司等）的金融风险损失，并能够更快速、自动且精确地预测特定用户群的风险情况。本发明提供了一种基于市场风险的金融风险预测方法，其用于资源归还期间对用户风险管控，包括：获取历史用户的用户特征数据和金融表现数据，根据市场风险筛选规则，从历史用户筛选特定风险时间内的目标用户，将该目标用户作为正样本，并建立训练数据集，所述用户特征数据包括第一动支行为后的动支行为数据和资源归还行为数据；建立市场风险预测模型，并使用所述训练数据集训练该市场风险预测模型；获取当前用户的用户特征数据，识别该当前用户为待预测用户，并使用所述市场风险预测模型，计算所述当前用户的市场风险预测值；基于所述市场风险预测值，预测所述当前用户的金融风险情况。
优选地，包括：设定筛选规则，该筛选规则包括第一筛选规则和第二筛选规则；所述第一筛选规则包括设定市场风险指标及其对应的特定市场风险时间段，该市场风险指标包括意外风险指标、环境风险指标、金融资源产品定价指标；所述第二筛选规则包括判断用户在第一动支行为之后是否发生风险事件、且在特定时间段内市场风险系数的波动值超出预设范围。
优选地，所述获取当前用户的用户特征数据，识别该当前用户为待预测用户包括：在命中第一判断规则的情况下，识别并确定当前用户为待预测用户，所述第一判断规则包括判断当前用户是否发生了第一次动支行为，判断是否在第一次动支行为之后且在归还时间点或之前完成了资源归还。
优选地，所述获取当前用户的用户特征数据，识别该当前用户为待预测用户包括：在命中第一判断规则和第二判断规则的情况下，识别并确定当前用户为待预测用户；所述第一判断规则包括判断当前用户是否发生了第一次动支行为，判断是否在第一次动支行为之后且在归还时间点或之前完成了资源归还；所述第二判断规则包括判断当前用户是否发生过风险事件以及发生风险事件的次数，该风险事件包括在第一次动支行为之后、在距归还时间点特定时间内发生了动支行为且在该归还时间点或之前完成了资源归还。
优选地，所述训练数据集包括用户特征数据、第一动支行为后的动支行为数据和资源归还行为数据、市场风险系数、逾期概率和/或违约概率，所述金融表现数据为逾期概率和/或违约概率。
优选地，所述市场风险预测值为0～1之间的数值，并且用于表示用户将在距归还时间点之前特定时间内发生动支行为所得到的资源用于归还当前资源的概率。
优选地，还包括：基于当前用户的市场风险系数，根据所计算的市场风险预测值，确定应对策略，并使用应对策略对所述当前用户进行风险控制，所述应对策略包括降低资源配额、限制或禁止资源请求。
此外，本发明还提供了一种基于市场风险的金融风险预测装置，其用于资源归还期间对用户风险管控，包括：数据处理模块，用于获取历史用户的用户特征数据和金融表现数据，根据市场风险筛选规则，从历史用户筛选特定风险时间内的目标用户，将该目标用户作为正样本，并建立训练数据集，所述用户特征数据包括第一动支行为后的动支行为数据和资源归还行为数据；模型建立模块，用于建立市场风险预测模型，并使用所述训练数据集训练该市场风险预测模型；计算模块，用于获取当前用户的用户特征数据，识别该当前用户为待预测用户，并使用所述市场风险预测模型，计算所述当前用户的市场风险预测值；预测模块，基于所述市场风险预测值，预测所述当前用户的金融风险情况。
优选地，还包括设定模块，所述设定模块用于设定筛选规则，该筛选规则包括第一筛选规则和第二筛选规则；所述第一筛选规则包括设定市场风险指标及其对应的特定市场风险时间段，该市场风险指标包括意外风险指标、环境风险指标、金融资源产品定价指标；所述第二筛选规则包括判断用户在第一动支行为之后是否发生风险事件、且在特定时间段内市场风险系数的波动值超出预设范围。
优选地，还包括识别模块，所述识别模块用于识别并确定当前用户是否为待预测用户；在命中第一判断规则的情况下，识别并确定当前用户为待预测用户，所述第一判断规则包括判断当前用户是否发生了第一次动支行为，判断是否在第一次动支行为之后且在归还时间点或之前完成了资源归还。
优选地，所述识别模块还包括：在命中第一判断规则和第二判断规则的情况下，识别并确定当前用户为待预测用户；所述第一判断规则包括判断当前用户是否发生了第一次动支行为，判断是否在第一次动支行为之后且在归还时间点或之前完成了资源归还；所述第二判断规则包括判断当前用户是否发生过风险事件以及发生风险事件的次数，该风险事件包括在第一次动支行为之后、在距归还时间点特定时间内发生了动支行为且在该归还时间点或之前完成了资源归还。
优选地，所述训练数据集包括用户特征数据、第一动支行为后的动支行为数据和资源归还行为数据、市场风险系数、逾期概率和/或违约概率，所述金融表现数据为逾期概率和/或违约概率。
优选地，所述市场风险预测值为0～1之间的数值，并且用于表示用户将在距归还时间点之前特定时间内发生动支行为所得到的资源用于归还当前资源的概率。
优选地，还包括：基于当前用户的市场风险系数，根据所计算的市场风险预测值，确定应对策略，并使用应对策略对所述当前用户进行风险控制，所述应对策略包括降低资源配额、限制或禁止资源请求。
此外，本发明还提供了一种电子设备，其中，该电子设备包括：处理器；以及，存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行本发明所述的基于市场风险的金融风险预测方法。
此外，本发明还提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现本发明所述的基于市场风险的金融风险预测方法。
有益效果
与现有技术相比，本发明根据第一筛选规则和/或第二筛选规则，筛选特定用户（即目标用户）样本数据，能够更精确地筛选数据，确定正、负样本数据，从而能够实现更精确的用户分类；能够建立模型参数更准确的预测模型，并能够提高模型预测精确度；使用市场风险预测模型对当前用户进行市场风险预测，能够更快速、更自动且更精准地预测当前用户（特定用户群）因市场风险因素而引起的资源归还风险，并能够更有效降低金融服务机构的金融风险损失；通过应对策略，能够对特定用户群进行更有效的风险控制。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
图1是本发明的实施例1的基于市场风险的金融风险预测方法的一示例的流程图。
图2是本发明的实施例1的基于市场风险的金融风险预测方法的另一示例的流程图。
图3是本发明的实施例1的基于市场风险的金融风险预测方法的又一示例的流程图。
图4是本发明的实施例2的基于市场风险的金融风险预测装置的一示例的示意图。
图5是本发明的实施例2的基于市场风险的金融风险预测装置的另一示例的示意图。
图6是本发明的实施例2的基于市场风险的金融风险预测装置的又一示例的示意图。
图7是根据本发明的一种电子设备的示例性实施例的结构框图。
图8是根据本发明的计算机可读介质的示例性实施例的结构框图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
鉴于上述问题，本发明提出了一种基于市场风险的金融风险预测方法。该方法能够准确预测市场风险因素对不同特定用户群的影响，并能够预测资源归还期间的用户风险情况，从而对该特定用户群进行更有效的风险管控。
本发明中，资源是指任何可被利用的物质、信息、时间，信息资源包括计算资源和各种类型的数据资源。数据资源包括各个领域中的各种专用数据。本发明的创新之处在于如何使用服务器和客户端之间的信息交互技术来使资源分配的过程更加自动化、高效和减小人力成本。由此，从本质上来说，本发明可以应用于各类资源分配与归还时的风险预测，不仅限于金融资源，包括实体的货物、水、电，以及有意义的资料等。但是，为了方便起见，本发明中以金融数据资源为例进行说明资源分配的实施，但本领域技术人员应当理解，本发明亦可以用于其他资源的风险预测。
以下将详细描述本发明方法的具体过程。
实施例1
下面，将参照图1至图3描述本发明的基于市场风险的金融风险预测方法的实施例。
图1为本发明的基于市场风险的金融风险预测方法的流程图。如图1所示，该方法包括如下步骤。
步骤S101，获取历史用户的用户特征数据和金融表现数据，根据市场风险筛选规则，从历史用户筛选特定风险时间内的目标用户，将该目标用户作为正样本，并建立训练数据集，所述用户特征数据包括第一动支行为后的动支行为数据和资源归还行为数据。
步骤S102，建立市场风险预测模型，并使用所述训练数据集训练该市场风险预测模型。
步骤S103，获取当前用户的用户特征数据，识别该当前用户为待预测用户，并使用所述市场风险预测模型，计算所述当前用户的市场风险预测值。
步骤S104，基于所述市场风险预测值，预测所述当前用户的金融风险情况。
首先，在步骤S101中，获取历史用户的用户特征数据和金融表现数据，根据市场风险筛选规则，从历史用户筛选特定风险时间内的目标用户，将该目标用户作为正样本，并建立训练数据集，所述用户特征数据包括第一动支行为后的动支行为数据和资源归还行为数据。
在本示例中，本发明方法应用于受市场风险因素影响较大的用户风险预测场景，尤其是资源归还期间的特定用户群的风险预测场景。
例如，在用户对金融服务产品或金融理财产品进行资源归还的应用场景下，例如从金融机构、第三方机构等相关数据库，获取历史用户的用户特征数据和金融表现数据，以进一步确定正样本和负样本。
优选地，根据市场风险筛选规则，从历史用户筛选特定风险时间内的目标用户，并将目标用户作为正样本，将非目标用户作为负样本。
需要说明的是，在本示例中，目标用户是表示属于一种特定用户群的用户，该特定用户群是指在市场风险因素影响下从优质用户转变为风险用户的特定群体。
在本示例中，所述用户特征数据包括第一动支行为后的动支行为数据和资源归还行为数据。
需要说明的是，上述仅作为优先示例进行说明，不能理解成对本发明的限制，在其他示例中，用户特征数据还包括用户基本信息数据（例如，用户年龄、性别、职业、月收入/年收入等）、社交行为数据等。
进一步地，金融表现数据是指与各用户对于金融产品所表现的相关数据。在本示例中，为用户是否会进行资源归还的概率，但是不限于此，在其他示例中，还可以包括逾期概率和/或违约概率，或者对用户是否会进行资源归还的概率、逾期概率和违约概率中任意两个的组合进行加权计算等等，上述仅作为优选示例进行说明，不能理解成对本发明的限制。
如图2所示，还包括设定筛选规则的步骤S201。
在步骤S201中，设定筛选规则，将该筛选规则用作市场风险筛选规则，以进行数据筛选。
具体地，该筛选规则包括第一筛选规则和第二筛选规则。
更具体地，所述第一筛选规则包括设定市场风险指标及其对应的特定市场风险时间段，该市场风险指标包括意外风险指标、环境风险指标、金融资源产品定价指标。
在本示例中，意外风险指标包括与资源归还人（即属于特定用户群的目标用户）的意外事件相关的风险指标，例如，表示该资源归还人因发生意外事故而造成经济收入减少或没有经济收入的风险指标，或者表示不能归还或有不归还的可能性的风险指标。
具体地，环境风险指标包括与自然环境或社会环境造成风险相关的风险指标，例如，表示自然灾害造成的资源归还人在物质或人身上的伤害而影响资源归还的风险指标。再例如，表示政策、法律的改变，使相关企业经济环境、生产经营等受到影响，进而影响资源归还人不能归还或有不归还的可能性的风险指标。
更具体地，金融资源产品定价指标包括与金融资源产品定价变化相关的风险指标，例如，表示因金融资源产品定价显著下调或上调而引起资源归还人是否进行资源归还的风险指标等。
进一步地，所述第二筛选规则包括判断用户在第一动支行为之后是否发生风险事件、且在特定时间段内市场风险系数的波动值超出预设范围。
需要说明的是，在本示例中，风险事件包括在第一次动支行为之后、在距归还时间点特定时间内发生了动支行为且在该归还时间点或之前完成了资源归还。
例如，历史用户A申请了金融服务产品1，资源量L，资源归还期数为12期，在资源归还期间，在第x期的资源归还时间点或之前，正常完成了资源归还，但是发生了风险事件（即在用户A进行了第一次动支行为之后、在距第x期的归还时间点特定时间内发生了另一动支行（包括第二次动支行为及其他动支行为）并用于完成该x期的资源归还，其中，该特定时间例如是自第x期的资源归时间起向前推算的一段时间，该段时间优选为3天以内，还可以为5天以内。并且，在例如自第x-1期或第x-2期等的归还时间点起向前推算一段时间的特定时间段内，用户A受到市场风险指标（例如，意外风险指标或环境风险指标）的影响，产生可能不能正常进行资源归还的风险。由此，通过上述筛选规则，可确定历史用户A为目标用户。
因此，根据第一筛选规则和/或第二筛选规则，筛选特定用户（即目标用户）样本数据，能够更精确地筛选数据，确定正、负样本数据，从而能够实现更精确的用户分类。
需要说明的是，上述仅作为优选示例进行说明，不能理解成对本发明的限制。
接下来，在步骤S102中，建立市场风险预测模型，并使用所述训练数据集训练该市场风险预测模型。
具体地，建立模型还包括建立训练数据集，先定义正样本和负样本，将用户对于金融产品表现的逾期概率和/或违约概率（用户是否会进行资源归还的归还概率）为Y以上的样本，作为目标用户样本，即正样本。而将用户对于金融产品表现的逾期概率和/或违约概率（用户是否会进行资源归还的归还概率）小于Y的样本，作为非目标用户样本，即负样本，使用在特定应用场景下的正样本和负样本，建立训练数据集，以用于模型训练。
在本示例中，所述训练数据集包括用户特征数据、第一动支行为后的动支行为数据和资源归还行为数据、市场风险系数、逾期概率和/或违约概率，所述金融表现数据为逾期概率和/或违约概率，或者为用户是否会进行资源归还的归还概率。
优选地，例如使用XGBoost方法，构建市场风险预测模型。
需要说明的是，上述仅作为优选示例进行说明，不能理解成对本发明的限制。在其他示例中，还可以使用TextCNN算法、随机森林算法、逻辑回归算法等，或者使用上述算法中的两种以上的算法。此外，具体使用的算法可以根据采样数据和/或业务需求进行确定。
进一步地，使用上述训练数据集训练市场风险预测模型，并使用训练好的市场风险预测模型，计算用户的市场风险预测值，该市场风险预测值为0～1之间的数值，并且用于表示用户将在距归还时间点之前特定时间内发生动支行为所得到的资源用于归还当前资源的概率。
由此，能够建立模型参数更准确的预测模型，并能够提高模型预测精确度。
需要说明的是，上述仅作为优选示例进行说明，不能理解成对本发明的限制。
接下来，在步骤S103中，获取当前用户的用户特征数据，识别该当前用户为待预测用户，并使用所述市场风险预测模型，计算所述当前用户的市场风险预测值。
如图3所示，还包括根据判断规则对当前用户进行识别的步骤S301，以识别并确定是否为待预测用户。
在步骤S301中，根据判断规则对当前用户进行识别，该判断规则包括第一判断规则和第二判断规则。
具体地，第一判断规则包括判断当前用户是否发生了第一次动支行为，判断是否在第一次动支行为之后且在归还时间点或之前完成了资源归还；第二判断规则包括判断当前用户是否发生过风险事件以及发生风险事件的次数，该风险事件包括在第一次动支行为之后、在距归还时间点特定时间内发生了动支行为且在该归还时间点或之前完成了资源归还。
在本示例中，获取当前用户的用户特征数据，根据判断规则，识别该当前用户是否为待预测用户。
优选地，在当前用户的用户数据命中第一判断规则的情况下，识别并确定当前用户为待预测用户，所述第一判断规则包括判断当前用户是否发生了第一次动支行为，判断是否在第一次动支行为之后且在归还时间点或之前完成了资源归还。
具体地，在命中第一判断规则和第二判断规则的情况下，识别并确定当前用户为待预测用户。
进一步地，在识别并确定当前用户为待预测用户时，使用所述市场风险预测模型，计算所述当前用户的市场风险预测值。
由此，使用市场风险预测模型对当前用户进行市场风险预测，能够更快速、更自动且更精准地预测当前用户（特定用户群）因市场风险因素而引起的资源归还风险，并能够更有效降低金融服务机构的金融风险损失。
需要说明的是，上述仅作为优选示例进行说明，不能理解成对本发明的限制。
接下来，在步骤S104中，基于所述市场风险预测值，预测所述当前用户的金融风险情况。
在本示例中，还包括计算当前用户的市场风险系数。
具体地，根据当前用户的用户特征数据，确定影响当前用户的市场风险指标，包括确定是单一指标还是多个指标，并基于所确定的市场风险指标进行市场风险系数计算。
例如，在当前用户的市场风险指标是单一指标的情况下，使用协方差法，计算该风险指标的VaR值，乘以一个预设调整参数，即得到该当前用户的市场风险系数。在上述情况下，设定市场风险因素变化服从正态分布，然后通过历史数据分析和估计该市场风险因素对应的市场风险指标分布的参数值（例如，方差、均值等），以得到该风险指标的VaR值。
再例如，在当前用户的市场风险指标是多个指标的情况下，使用协方差法，计算各风险指标的VaR值，分别乘以对应预设调整参数，再进行加权求和或求方差，以得到该当前用户的市场风险系数。
需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制，在其他示例中，还可以使用历史模拟法等其他方法，计算市场风险系数。
进一步地，基于所计算的当前用户的市场风险系数，并根据所计算的市场风险预测值，确定应对策略，并使用应对策略对所述当前用户进行风险控制。
具体地，所述应对策略包括降低资源配额、限制或禁止资源请求。
优选地，根据不同市场风险预测值进行分段，各分段预设对应的应对策略。根据所计算的市场风险预测值与各分段进行对比，以确定应对策略。
由此，通过应对策略，能够对特定用户群进行更有效的风险控制。
需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。
本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序（计算机程序）。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。
与现有技术相比，本发明根据第一筛选规则和/或第二筛选规则，筛选特定用户（即目标用户）样本数据，能够更精确地筛选数据，确定正、负样本数据，从而能够实现更精确的用户分类；能够建立模型参数更准确的预测模型，并能够提高模型预测精确度；使用市场风险预测模型对当前用户进行市场风险预测，能够更快速、更自动且更精准地预测当前用户（特定用户群）因市场风险因素而引起的资源归还风险，并能够更有效降低金融服务机构的金融风险损失；通过应对策略，能够对特定用户群进行更有效的风险控制。
实施例2
下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。
参照图4、图5和图6，本发明还提供了一种基于市场风险的金融风险预测装置400，其用于资源归还期间对用户风险管控，该金融风险预测装置400包括：数据处理模块401，用于获取历史用户的用户特征数据和金融表现数据，根据市场风险筛选规则，从历史用户筛选特定风险时间内的目标用户，将该目标用户作为正样本，并建立训练数据集，所述用户特征数据包括第一动支行为后的动支行为数据和资源归还行为数据；模型建立模块402，用于建立市场风险预测模型，并使用所述训练数据集训练该市场风险预测模型；计算模块403，用于获取当前用户的用户特征数据，识别该当前用户为待预测用户，并使用所述市场风险预测模型，计算所述当前用户的市场风险预测值；预测模块404，基于所述市场风险预测值，预测所述当前用户的金融风险情况。
如图5所示，还包括设定模块501，所述设定模块501用于设定筛选规则，该筛选规则包括第一筛选规则和第二筛选规则。
具体地，所述第一筛选规则包括设定市场风险指标及其对应的特定市场风险时间段，该市场风险指标包括意外风险指标、环境风险指标、金融资源产品定价指标；所述第二筛选规则包括判断用户在第一动支行为之后是否发生风险事件、且在特定时间段内市场风险系数的波动值超出预设范围。
如图6所示，还包括识别模块601，所述识别模块601用于识别并确定当前用户是否为待预测用户；在命中第一判断规则的情况下，识别并确定当前用户为待预测用户，所述第一判断规则包括判断当前用户是否发生了第一次动支行为，判断是否在第一次动支行为之后且在归还时间点或之前完成了资源归还。
优选地，所述识别模块601还包括：在命中第一判断规则和第二判断规则的情况下，识别并确定当前用户为待预测用户；所述第一判断规则包括判断当前用户是否发生了第一次动支行为，判断是否在第一次动支行为之后且在归还时间点或之前完成了资源归还；所述第二判断规则包括判断当前用户是否发生过风险事件以及发生风险事件的次数，该风险事件包括在第一次动支行为之后、在距归还时间点特定时间内发生了动支行为且在该归还时间点或之前完成了资源归还。
优选地，所述训练数据集包括用户特征数据、第一动支行为后的动支行为数据和资源归还行为数据、市场风险系数、逾期概率和/或违约概率，所述金融表现数据为逾期概率和/或违约概率。
优选地，所述市场风险预测值为0～1之间的数值，并且用于表示用户将在距归还时间点之前特定时间内发生动支行为所得到的资源用于归还当前资源的概率。
优选地，还包括：基于当前用户的市场风险系数，根据所计算的市场风险预测值，确定应对策略，并使用应对策略对所述当前用户进行风险控制，所述应对策略包括降低资源配额、限制或禁止资源请求。
需要说明的是，在实施例2中，省略了与实施例1相同的部分的说明。
本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
与现有技术相比，本发明根据第一筛选规则和/或第二筛选规则，筛选特定用户（即目标用户）样本数据，能够更精确地筛选数据，确定正、负样本数据，从而能够实现更精确的用户分类；能够建立模型参数更准确的预测模型，并能够提高模型预测精确度；使用市场风险预测模型对当前用户进行市场风险预测，能够更快速、更自动且更精准地预测当前用户（特定用户群）因市场风险因素而引起的资源归还风险，并能够更有效降低金融服务机构的金融风险损失；通过应对策略，能够对特定用户群进行更有效的风险控制。
实施例3
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
图7是根据本发明的一种电子设备的示例性实施例的结构框图。下面参照图7来描述根据本发明该实施例的的电子设备200。图7显示的电子设备200仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同***组件（包括存储单元220和处理单元210）的总线230、显示单元240等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元210执行，使得所述处理单元210执行本说明书上述电子设备的处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元210可以执行如图1所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元（RAM）2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元（ROM）2203。
所述存储单元220还可以包括具有一组（至少一个）程序模块2205的程序/实用工具2204，这样的程序模块2205包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备300（例如键盘、指向设备、蓝牙设备等）通信，还可与一个或者多个使得用户能与该电子设备200交互的设备通信，和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备（例如路由器、调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口250进行。并且，电子设备200还可以通过网络适配器260与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、或者网络设备等）执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法。
如图8所示，所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（LAN）或广域网（WAN），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。
综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（DSP）等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于市场风险的金融风险预测方法，其用于资源归还期间对用户风险管控，其特征在于，包括：
获取历史用户的用户特征数据和金融表现数据，根据市场风险筛选规则，从历史用户筛选特定风险时间内的目标用户，将该目标用户作为正样本，并建立训练数据集，所述用户特征数据包括第一动支行为后的动支行为数据和资源归还行为数据；
建立市场风险预测模型，并使用所述训练数据集训练该市场风险预测模型；
获取当前用户的用户特征数据，识别该当前用户为待预测用户，并使用所述市场风险预测模型，计算所述当前用户的市场风险预测值；
基于所述市场风险预测值，预测所述当前用户的金融风险情况。
2.根据权利要求1所述的金融风险预测方法，其特征在于，包括：
设定筛选规则，该筛选规则包括第一筛选规则和第二筛选规则；
所述第一筛选规则包括设定市场风险指标及其对应的特定市场风险时间段，该市场风险指标包括意外风险指标、环境风险指标、金融资源产品定价指标；
所述第二筛选规则包括判断用户在第一动支行为之后是否发生风险事件、且在特定时间段内市场风险系数的波动值超出预设范围。
3.根据权利要求1或2所述的金融风险预测方法，其特征在于，所述获取当前用户的用户特征数据，识别该当前用户为待预测用户包括：
在命中第一判断规则的情况下，识别并确定当前用户为待预测用户，所述第一判断规则包括判断当前用户是否发生了第一次动支行为，判断是否在第一次动支行为之后且在归还时间点或之前完成了资源归还。
4.根据权利要求1或2所述的金融风险预测方法，其特征在于，所述获取当前用户的用户特征数据，识别该当前用户为待预测用户包括：
在命中第一判断规则和第二判断规则的情况下，识别并确定当前用户为待预测用户；
所述第一判断规则包括判断当前用户是否发生了第一次动支行为，判断是否在第一次动支行为之后且在归还时间点或之前完成了资源归还；
所述第二判断规则包括判断当前用户是否发生过风险事件以及发生风险事件的次数，该风险事件包括在第一次动支行为之后、在距归还时间点特定时间内发生了动支行为且在该归还时间点或之前完成了资源归还。
5.根据权利要求1所述的金融风险预测方法，其特征在于，所述训练数据集包括用户特征数据、第一动支行为后的动支行为数据和资源归还行为数据、市场风险系数、逾期概率和/或违约概率，所述金融表现数据为逾期概率和/或违约概率。
6.根据权利要求1或5所述的金融风险预测方法，其特征在于，所述市场风险预测值为0～1之间的数值，并且用于表示用户将在距归还时间点之前特定时间内发生动支行为所得到的资源用于归还当前资源的概率。
7.根据权利要求6所述的金融风险预测方法，其特征在于，还包括：
基于当前用户的市场风险系数，根据所计算的市场风险预测值，确定应对策略，并使用应对策略对所述当前用户进行风险控制，所述应对策略包括降低资源配额、限制或禁止资源请求。
8.一种基于市场风险的金融风险预测装置，其用于资源归还期间对用户风险管控，其特征在于，包括：
数据处理模块，用于获取历史用户的用户特征数据和金融表现数据，根据市场风险筛选规则，从历史用户筛选特定风险时间内的目标用户，将该目标用户作为正样本，并建立训练数据集，所述用户特征数据包括第一动支行为后的动支行为数据和资源归还行为数据；
模型建立模块，用于建立市场风险预测模型，并使用所述训练数据集训练该市场风险预测模型；
计算模块，用于获取当前用户的用户特征数据，识别该当前用户为待预测用户，并使用所述市场风险预测模型，计算所述当前用户的市场风险预测值；
预测模块，基于所述市场风险预测值，预测所述当前用户的金融风险情况。
9.一种电子设备，其中，该电子设备包括：
处理器；以及，
存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的基于市场风险的金融风险预测方法。
10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1-7中任一项所述的基于市场风险的金融风险预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110160917.8A CN112508695A (zh) | 2021-02-05 | 2021-02-05 | 基于市场风险的金融风险预测方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110160917.8A CN112508695A (zh) | 2021-02-05 | 2021-02-05 | 基于市场风险的金融风险预测方法、装置和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112508695A true CN112508695A (zh) | 2021-03-16 |
Family
ID=74952821
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110160917.8A Pending CN112508695A (zh) | 2021-02-05 | 2021-02-05 | 基于市场风险的金融风险预测方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112508695A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298635A (zh) * | 2021-04-28 | 2021-08-24 | 上海淇玥信息技术有限公司 | 基于tweedie分布的用户未归还资源数量预测方法和装置 |
| CN113570204A (zh) * | 2021-07-06 | 2021-10-29 | 北京淇瑀信息科技有限公司 | 用户行为预测方法、***和计算机设备 |
| CN113592160A (zh) * | 2021-07-13 | 2021-11-02 | 北京淇瑀信息科技有限公司 | 基于融合处理的用户设备的失联风险预测方法、***和计算机设备 |
| CN113592161A (zh) * | 2021-07-14 | 2021-11-02 | 北京淇瑀信息科技有限公司 | 基于催收标签的接入设备鉴别方法、装置和计算机设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111178701A (zh) * | 2019-12-16 | 2020-05-19 | 北京淇瑀信息科技有限公司 | 一种基于特征衍生技术的风险控制方法方法、装置和电子设备 |
| CN111192131A (zh) * | 2019-12-12 | 2020-05-22 | 上海淇玥信息技术有限公司 | 金融风险预测方法、装置和电子设备 |
| CN111583014A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 一种基于gbst的金融风险管理方法、装置和电子设备 |
| CN111967954A (zh) * | 2020-10-21 | 2020-11-20 | 北京淇瑀信息科技有限公司 | 一种资源归还增比确定方法、装置和电子设备 |
| CN112017061A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 基于贝叶斯深度学习的金融风险预测方法、装置和电子设备 |
| CN112270545A (zh) * | 2020-10-27 | 2021-01-26 | 上海淇馥信息技术有限公司 | 基于迁移样本筛选的金融风险预测方法、装置和电子设备 |
-
2021
- 2021-02-05 CN CN202110160917.8A patent/CN112508695A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111192131A (zh) * | 2019-12-12 | 2020-05-22 | 上海淇玥信息技术有限公司 | 金融风险预测方法、装置和电子设备 |
| CN111178701A (zh) * | 2019-12-16 | 2020-05-19 | 北京淇瑀信息科技有限公司 | 一种基于特征衍生技术的风险控制方法方法、装置和电子设备 |
| CN111583014A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 一种基于gbst的金融风险管理方法、装置和电子设备 |
| CN112017061A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 基于贝叶斯深度学习的金融风险预测方法、装置和电子设备 |
| CN111967954A (zh) * | 2020-10-21 | 2020-11-20 | 北京淇瑀信息科技有限公司 | 一种资源归还增比确定方法、装置和电子设备 |
| CN112270545A (zh) * | 2020-10-27 | 2021-01-26 | 上海淇馥信息技术有限公司 | 基于迁移样本筛选的金融风险预测方法、装置和电子设备 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298635A (zh) * | 2021-04-28 | 2021-08-24 | 上海淇玥信息技术有限公司 | 基于tweedie分布的用户未归还资源数量预测方法和装置 |
| CN113570204A (zh) * | 2021-07-06 | 2021-10-29 | 北京淇瑀信息科技有限公司 | 用户行为预测方法、***和计算机设备 |
| CN113592160A (zh) * | 2021-07-13 | 2021-11-02 | 北京淇瑀信息科技有限公司 | 基于融合处理的用户设备的失联风险预测方法、***和计算机设备 |
| CN113592161A (zh) * | 2021-07-14 | 2021-11-02 | 北京淇瑀信息科技有限公司 | 基于催收标签的接入设备鉴别方法、装置和计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112508695A (zh) | 基于市场风险的金融风险预测方法、装置和电子设备 | |
| CN112270545A (zh) | 基于迁移样本筛选的金融风险预测方法、装置和电子设备 | |
| CN109672795B (zh) | 呼叫中心资源管理方法及装置、电子设备、存储介质 | |
| CN112508580A (zh) | 基于拒绝推断方法的模型构建方法、装置和电子设备 | |
| CN112508723B (zh) | 基于自动择优建模的金融风险预测方法、装置和电子设备 | |
| CN112017042A (zh) | 基于tweedie分布的资源配额确定方法、装置和电子设备 | |
| CN110706096A (zh) | 基于捞回用户管理授信额度的方法、装置和电子设备 | |
| CN110659985A (zh) | 一种捞回误拒***的方法、装置和电子设备 | |
| CN111597343B (zh) | 一种基于app的智能化用户职业判断方法、装置和电子设备 | |
| CN111967954A (zh) | 一种资源归还增比确定方法、装置和电子设备 | |
| CN111967543A (zh) | 用户资源配额确定方法、装置及电子设备 | |
| CN111199469A (zh) | 用户还款模型生成方法、装置及电子设备 | |
| CN113570222A (zh) | 一种用户设备鉴别方法、装置和计算机设备 | |
| CN112488865A (zh) | 基于金融时间节点的金融风险预测方法、装置和电子设备 | |
| CN111179055A (zh) | 授信额度调整方法、装置和电子设备 | |
| CN110689425A (zh) | 基于收益进行额度定价的方法、装置和电子设备 | |
| CN111681094B (zh) | 一种监测资源策略异常的方法、装置和电子设备 | |
| CN112508692A (zh) | 基于卷积神经网络的资源回收风险预测方法、装置和电子设备 | |
| CN113298120B (zh) | 基于融合模型的用户风险预测方法、***和计算机设备 | |
| CN110363394B (zh) | 一种基于云平台的风控服务方法、装置和电子设备 | |
| CN111445139A (zh) | 业务流程模拟方法及装置、存储介质、电子设备 | |
| CN113570114B (zh) | 一种资源服务智能匹配方法、***和计算机设备 | |
| CN111967806B (zh) | 基于定期回扫的用户风险更新方法、装置和电子设备 | |
| CN113592263A (zh) | 基于动态资源归还增比的资源归还增量预测方法和装置 | |
| CN113592160A (zh) | 基于融合处理的用户设备的失联风险预测方法、***和计算机设备 |
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 |