CN113256181A - 风险因子预测方法、装置、设备及介质 - Google Patents
风险因子预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113256181A CN113256181A CN202110790786.1A CN202110790786A CN113256181A CN 113256181 A CN113256181 A CN 113256181A CN 202110790786 A CN202110790786 A CN 202110790786A CN 113256181 A CN113256181 A CN 113256181A
- Authority
- CN
- China
- Prior art keywords
- risk
- factors
- model
- factor
- training sample
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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"
-
- 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
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域,提供一种风险因子预测方法、装置、设备及介质,能够训练分类模型,获取分类模型的输出数据构建训练样本训练回归模型,获取候选因子,调用所述分类模型对所述候选因子进行分类,得到分类结果,并根据所述分类结果构建嵌入向量,将所述嵌入向量输入至所述回归模型,并获取所述回归模型的输出数据作为矢量因子,对所述矢量因子进行筛选,得到风险因子。此外,本发明还涉及区块链技术,训练得到的模型可存储于区块链节点中。利用本发明能够提高模型的可解释性,加强差异分析,进而直观且量化的辅助企业进行准确的风险预测。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种风险因子预测方法、装置、设备及介质。
背景技术
目前,为了更好的进行企业管理和经营,大部分企业都越来越重视经营过程中的风险预测,以辅助企业进行长久的发展。
针对风险预测这一问题,现有技术中主要采用的方式是直接进行影响因子的重要性排序,并根据排序结果由高到低的顺序进行风险因子的预测。
在上述解决方案中,由于因子重要性只代表了从模型总体角度出发的观测结果,因此,对于样本个体的差异解释性较为薄弱。并且,因子重要性作为标量,其大小仅仅展现了某个因子重要性程度的强弱,无法表示出该因子对于模型结果到底是起到了正向作用还是反向作用,导致预测的风险因子准确性及可解释性都不足。
发明内容
鉴于以上内容,有必要提供一种风险因子预测方法、装置、设备及介质,能够提高模型的可解释性,加强差异分析,进而直观且量化的辅助企业进行准确的风险预测。
一种风险因子预测方法,所述风险因子预测方法包括:
响应于风险因子预测指令,根据所述风险因子预测指令获取第一训练样本;
根据所述第一训练样本训练第一预设模型,得到分类模型;
将所述第一训练样本输入至所述分类模型,并获取所述分类模型的输出数据构建第二训练样本;
根据所述第二训练样本训练第二预设模型,得到回归模型;
获取候选因子;
调用所述分类模型对所述候选因子进行分类,得到分类结果,并根据所述分类结果构建嵌入向量;
将所述嵌入向量输入至所述回归模型,并获取所述回归模型的输出数据作为矢量因子;
对所述矢量因子进行筛选,得到风险因子。
根据本发明优选实施例,所述根据所述风险因子预测指令获取第一训练样本包括:
解析所述风险因子预测指令,得到所述风险因子预测指令所携带的信息;
获取与地址对应的预设标签;
根据所述预设标签构建正则表达式;
根据所述正则表达式遍历所述风险因子预测指令所携带的信息,并将遍历到的信息确定为目标地址;
链接至所述目标地址,并获取所述目标地址存储的信息生成所述第一训练样本。
根据本发明优选实施例,所述获取所述目标地址存储的信息生成所述第一训练样本包括:
根据所述目标地址存储的信息构建随机森林;
确定所述目标地址存储的信息中每个信息,在所述随机森林中每个决策树的各个节点处的节点重要度;
根据每个信息所述的节点重要度,确定每个信息在各决策树中的重要度;
根据每个信息在每个决策树中的重要度确定每个信息在所述随机森林中的重要度;
将每个信息在所述随机森林中的重要度确定为每个信息的权重;
获取所述权重大于或者等于配置权重的信息构建所述第一训练样本。
根据本发明优选实施例,所述根据所述第二训练样本训练第二预设模型,得到回归模型包括:
将所述第二训练样本确定为虚拟因子训练逻辑回归模型;
获取所述逻辑回归模型的损失函数,并在所述损失函数中添加L1正则项,得到目标损失函数;
当所述目标损失函数达到收敛时,停止训练,得到所述回归模型。
根据本发明优选实施例,所述根据所述分类结果构建嵌入向量包括:
根据所述分类结果识别所述候选因子对应的路径;
根据所述候选因子对应的路径进行embedding,并生成所述嵌入向量。
根据本发明优选实施例,所述对所述矢量因子进行筛选,得到风险因子包括:
从所述矢量因子中识别系数为零的因子作为待删除因子,并从所述矢量因子中删除所述待删除因子,得到第一中间因子;
从所述第一中间因子中识别系数为正的因子构建目标因子集;
根据系数由大到小的顺序对所述目标因子集中的因子进行排序;
获取排在前预设位的因子作为所述风险因子。
根据本发明优选实施例,在得到风险因子后,所述方法还包括:
识别所述风险因子中每个风险因子的类别;
确定所述风险因子的总数量,及确定每个类别下所包括的风险因子的数量;
根据所述风险因子的总数量及每个类别下所包括的风险因子的数量计算每个类别的占比;
根据每个类别的占比生成风险报告,并将所述占比最高的类别确定为目标风险类别。
一种风险因子预测装置,所述风险因子预测装置包括:
获取单元,用于响应于风险因子预测指令,根据所述风险因子预测指令获取第一训练样本;
训练单元,用于根据所述第一训练样本训练第一预设模型,得到分类模型;
构建单元,用于将所述第一训练样本输入至所述分类模型,并获取所述分类模型的输出数据构建第二训练样本;
所述训练单元,还用于根据所述第二训练样本训练第二预设模型,得到回归模型;
所述获取单元,还用于获取候选因子;
所述构建单元,还用于调用所述分类模型对所述候选因子进行分类,得到分类结果,并根据所述分类结果构建嵌入向量;
所述获取单元,还用于将所述嵌入向量输入至所述回归模型,并获取所述回归模型的输出数据作为矢量因子;
筛选单元,用于对所述矢量因子进行筛选,得到风险因子。
一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述风险因子预测方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现所述风险因子预测方法。
由以上技术方案可以看出,本发明能够提高模型的可解释性,加强差异分析,进而直观且量化的辅助企业进行准确的风险预测。
附图说明
图1是本发明风险因子预测方法的较佳实施例的流程图。
图2是本发明风险因子预测装置的较佳实施例的功能模块图。
图3是本发明实现风险因子预测方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明风险因子预测方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述风险因子预测方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital SignalProcessor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,响应于风险因子预测指令,根据所述风险因子预测指令获取第一训练样本。
可以理解的是,为了能够更好的进行企业经营,则需要有效规避给企业带来经营风险的各种因子,这样才能有助于企业的长久发展。因此,对企业进行风险因子的预测,以辅助判断企业的经营风险是十分必要的。
在本实施例中,所述风险因子预测指令可以由相关工作人员触发,如企业管理者;也可以配置为定期触发,如每月启动一次,本发明不限制。
在本发明的至少一个实施例中,所述根据所述风险因子预测指令获取第一训练样本包括:
解析所述风险因子预测指令,得到所述风险因子预测指令所携带的信息;
获取与地址对应的预设标签;
根据所述预设标签构建正则表达式;
根据所述正则表达式遍历所述风险因子预测指令所携带的信息,并将遍历到的信息确定为目标地址;
链接至所述目标地址,并获取所述目标地址存储的信息生成所述第一训练样本。
其中,所述预设标签可以进行自定义配置,如所述预设标签可以包括:ADD,则构建的正则表达式可以为ADD()。
进一步地,以正则表达式ADD()遍历所述风险因子预测指令所携带的信息,并将遍历到的信息确定为目标地址,所述目标地址处存储着与企业相关的各种数据,并作为所述第一训练样本。
需要说明的是,所述目标地址可以对应于一个数据库,也可以对应于一个存储文件夹,本发明不限制。
通过上述实施方式,能够根据正则表达式及预设标签快速且准确的获取到训练样本,以供后续训练使用,有效节约了数据获取的时间。
在本发明的至少一个实施例中,所述获取所述目标地址存储的信息生成所述第一训练样本包括:
根据所述目标地址存储的信息构建随机森林;
确定所述目标地址存储的信息中每个信息,在所述随机森林中每个决策树的各个节点处的节点重要度;
根据每个信息所述的节点重要度,确定每个信息在各决策树中的重要度;
根据每个信息在每个决策树中的重要度确定每个信息在所述随机森林中的重要度;
将每个信息在所述随机森林中的重要度确定为每个信息的权重;
获取所述权重大于或者等于配置权重的信息构建所述第一训练样本。
其中,所述配置权重可以进行自定义配置,如:为了保证所述第一训练样本中的数据具有较高的重要度,同时保证所述第一训练样本中的样本量充足,可以将所述配置权重设置为90%。
通过上述实施方式,能够在获取到所述目标地址存储的信息后,进一步基于随机森林算法进行有效特征的筛选,以保证所述第一训练样本中的每个样本都具有较高的重要性,提高后续模型训练的精度。
S11,根据所述第一训练样本训练第一预设模型,得到分类模型。
在本实施例中,所述第一预设模型可以包括lightgbm分类模型。
具体地,可以将所述第一训练样本输入至所述lightgbm分类模型,并在训练过程中不断调整lightgbm分类模型的超参数,直至训练结束,将训练得到的模型确定为所述分类模型。
S12,将所述第一训练样本输入至所述分类模型,并获取所述分类模型的输出数据构建第二训练样本。
需要说明的是,所述分类模型是一种树状的决策树模型。在机器学习领域中,树状模型拥有着至关重要的地位,常见的树状模型有决策树、随机森林等。在大多数情况下,由于树状模型能够考虑到多重因子的联合关系,所以比线性回归或者逻辑回归等模型拥有更好的预测表现,而且模型的树状结构能够进行一定程度上的可视化,与神经网络等著名的“黑箱”模型相比,树状模型在模型解释性上也占有一定的优势。因此,树状模型在各大竞赛以及工业场景中被广泛使用。
但在实际的业务场景中,纵使树状模型的预测表现十分优异,但在模型的解释性方面依旧存在一定的问题。
首先,目前市场中被广泛运用的解释方法为因子的重要性排序。但运用这种方法的弊端就是,因子重要性只代表了从模型总体角度出发的观测结果,而对于样本个体的差异解释性较为薄弱。且因子重要性作为标量,其大小仅仅展现了某个因子的重要性程度强弱,无法表示出该因子对于模型结果到底是起到了正向作用还是反向作用。而这些解释性缺陷就可能会导致模型的结果与业务团队的想法产生分歧,进而提高了沟通成本以及模型的应用限制,在对企业进行风险预测时也缺乏可解释性。
因此,为了克服上述问题,不同于现有技术中只是根据因子重要性进行排序,本实施例首先对树状模型进行拆解与转化。
具体地,将所述第一训练样本输入至所述分类模型,并获取所述分类模型的输出数据构建第二训练样本。也就是说,根据所述分类模型的输出数据确定每个样本落在每棵树的哪一个叶子节点上作为embedding(相当于是一条规则),从而获取所有样本对应的路径,所述第二训练样本中的样本是向量化后的数据,为之后提高对样本个体的可解释性做铺垫。
S13,根据所述第二训练样本训练第二预设模型,得到回归模型。
在本发明的至少一个实施例中,所述根据所述第二训练样本训练第二预设模型,得到回归模型包括:
将所述第二训练样本确定为虚拟(dummy)因子训练逻辑回归(LogisticRegression)模型;
获取所述逻辑回归模型的损失函数,并在所述损失函数中添加L1正则(L1regularization)项,得到目标损失函数;
当所述目标损失函数达到收敛时,停止训练,得到所述回归模型。
通过上述实施方式,在嵌入向量的基础上训练所述回归模型,进而能够通过所述回归模型获得带有大小及方向的矢量数据,为后续的数据分析提供更好的数据基础,同时,在损失函数中增加L1正则项还能够防止模型过拟合的问题发生。
S14,获取候选因子。
在本实施例中,所述候选因子可以由相关人员上传,所述候选因子可以包括与企业经营风险相关的信息,如债券、期权等。
本实施例的目的即为从所述候选因子中准确筛选出与企业经营风险最关联的风险因子,以辅助企业进行优化。
S15,调用所述分类模型对所述候选因子进行分类,得到分类结果,并根据所述分类结果构建嵌入向量。
在本实施例中,所述根据所述分类结果构建嵌入向量包括:
根据所述分类结果识别所述候选因子对应的路径;
根据所述候选因子对应的路径进行embedding,并生成所述嵌入向量。
在上述实施方式中,能够根据每个候选因子在模型中叶子节点的落点所形成的路径将树状模型进行拆解,并将每个落点进行embedding,以生成新的规则,即所述嵌入向量,从而为之后提高对候选因子个体的可解释性做铺垫。
S16,将所述嵌入向量输入至所述回归模型,并获取所述回归模型的输出数据作为矢量因子。
在本实施例中,所述回归模型的输出数据中包括核心规则及模型预测为正样本的概率。其中,所述核心规则的表现形式为带有大小及方向的矢量,即所述矢量因子。
通过上述实施方式,能够将通过分类模型处理后生成的新的规则进一步放入解释性更强的Logistic Regression模型(即训练后得到的所述回归模型)当中,并获得带有大小及方向的矢量因子,从而更好的进行数据之间的对比分析。
S17,对所述矢量因子进行筛选,得到风险因子。
在本实施例中,所述对所述矢量因子进行筛选,得到风险因子包括:
从所述矢量因子中识别系数为零的因子作为待删除因子,并从所述矢量因子中删除所述待删除因子,得到第一中间因子;
从所述第一中间因子中识别系数为正的因子构建目标因子集;
根据系数由大到小的顺序对所述目标因子集中的因子进行排序;
获取排在前预设位的因子作为所述风险因子。
其中,所述前预设位可以进行自定义配置,如前三位。
例如:对于通过所述回归模型获得的矢量因子,仅保留系数不为0的因子,而后对于每一个因子,对系数进行降序排序,取系数为正且最大的三个作为该样本的解释规则。
在本实施例中,为了进一步确保数据的安全性,可以将训练后得到的模型存储于区块链节点中。
需要说明的是,在获取到预测的所述风险因子后,还可以进一步对所述风险因子进行对比分析,以确定重要风险来源。
具体地,在得到风险因子后,所述方法还包括:
识别所述风险因子中每个风险因子的类别;
确定所述风险因子的总数量,及确定每个类别下所包括的风险因子的数量;
根据所述风险因子的总数量及每个类别下所包括的风险因子的数量计算每个类别的占比;
根据每个类别的占比生成风险报告,并将所述占比最高的类别确定为目标风险类别。
例如:在研究企业风险时,如果A公司的风险因子分别为X、Y、Z,并且X、Y、Z的类别都为隐性负债,则生成的风险报告可以为:A公司的风险因子分别为X、Y、Z,该公司主要的风险可能来源于隐形负债;
进一步地,若另外一家B公司的风险因子分别为M、N、Z,其中,M、N的类别为舆论相关,则生成的风险报告可以为:B公司的风险因子分别为M、N、Z,舆论相关的风险因子占比为66.7%,隐形负债的风险因子占比为,33.3%,因此,该公司主要的风险可能来源于舆论相关。
通过上述实施方式,能够进一步根据预测的风险因子进行归因分析,以辅助企业进行有效的风险规避。
在本实施例中,针对现有模型无法针对样本个体进行分析的不足,通过对于树状模型的拆解与转化,有效提升了树状模型的可解释性,特别是针对不同样本之间的差异性分析,通过对比其核心规则以及相关系数的区别,能够直观且量化的分析出样本结果差异的缘由,并可以通过总结归纳所有样本的核心规则提炼出模型背后蕴含的逻辑,从微观的角度剖析了不同因子对于因变量的影响,解决了先前视角单一且样本间无差异化的问题。
在实际的业务场景中,通过本实施例中可解释的模型还可以进一步加强与业务团队沟通的效率,从而降低沟通成本,同时进一步促进双方的共识。而这种可解释性的模型结果也可以运用到实际的产品中进行展现,对于不了解模型技术的用户也能够提供通俗易懂的规则逻辑,从而辅助其进行决策,在此不赘述。
由以上技术方案可以看出,本发明能够响应于风险因子预测指令,根据所述风险因子预测指令获取第一训练样本,根据所述第一训练样本训练第一预设模型,得到分类模型,将所述第一训练样本输入至所述分类模型,并获取所述分类模型的输出数据构建第二训练样本,根据所述第二训练样本训练第二预设模型,得到回归模型,获取候选因子,调用所述分类模型对所述候选因子进行分类,得到分类结果,并根据所述分类结果构建嵌入向量,将所述嵌入向量输入至所述回归模型,并获取所述回归模型的输出数据作为矢量因子,对所述矢量因子进行筛选,得到风险因子。本发明还涉及区块链技术,训练得到的模型可存储于区块链。利用本发明能够提高模型的可解释性,加强差异分析,进而直观且量化的辅助企业进行准确的风险预测。
如图2所示,是本发明风险因子预测装置的较佳实施例的功能模块图。所述风险因子预测装置11包括获取单元110、训练单元111、构建单元112、筛选单元113。本发明所称的模块/单元是指一种能够被处理器13所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
响应于风险因子预测指令,获取单元110根据所述风险因子预测指令获取第一训练样本。
可以理解的是,为了能够更好的进行企业经营,则需要有效规避给企业带来经营风险的各种因子,这样才能有助于企业的长久发展。因此,对企业进行风险因子的预测,以辅助判断企业的经营风险是十分必要的。
在本实施例中,所述风险因子预测指令可以由相关工作人员触发,如企业管理者;也可以配置为定期触发,如每月启动一次,本发明不限制。
在本发明的至少一个实施例中,所述获取单元110根据所述风险因子预测指令获取第一训练样本包括:
解析所述风险因子预测指令,得到所述风险因子预测指令所携带的信息;
获取与地址对应的预设标签;
根据所述预设标签构建正则表达式;
根据所述正则表达式遍历所述风险因子预测指令所携带的信息,并将遍历到的信息确定为目标地址;
链接至所述目标地址,并获取所述目标地址存储的信息生成所述第一训练样本。
其中,所述预设标签可以进行自定义配置,如所述预设标签可以包括:ADD,则构建的正则表达式可以为ADD()。
进一步地,以正则表达式ADD()遍历所述风险因子预测指令所携带的信息,并将遍历到的信息确定为目标地址,所述目标地址处存储着与企业相关的各种数据,并作为所述第一训练样本。
需要说明的是,所述目标地址可以对应于一个数据库,也可以对应于一个存储文件夹,本发明不限制。
通过上述实施方式,能够根据正则表达式及预设标签快速且准确的获取到训练样本,以供后续训练使用,有效节约了数据获取的时间。
在本发明的至少一个实施例中,所述获取单元110获取所述目标地址存储的信息生成所述第一训练样本包括:
根据所述目标地址存储的信息构建随机森林;
确定所述目标地址存储的信息中每个信息,在所述随机森林中每个决策树的各个节点处的节点重要度;
根据每个信息所述的节点重要度,确定每个信息在各决策树中的重要度;
根据每个信息在每个决策树中的重要度确定每个信息在所述随机森林中的重要度;
将每个信息在所述随机森林中的重要度确定为每个信息的权重;
获取所述权重大于或者等于配置权重的信息构建所述第一训练样本。
其中,所述配置权重可以进行自定义配置,如:为了保证所述第一训练样本中的数据具有较高的重要度,同时保证所述第一训练样本中的样本量充足,可以将所述配置权重设置为90%。
通过上述实施方式,能够在获取到所述目标地址存储的信息后,进一步基于随机森林算法进行有效特征的筛选,以保证所述第一训练样本中的每个样本都具有较高的重要性,提高后续模型训练的精度。
训练单元111根据所述第一训练样本训练第一预设模型,得到分类模型。
在本实施例中,所述第一预设模型可以包括lightgbm分类模型。
具体地,可以将所述第一训练样本输入至所述lightgbm分类模型,并在训练过程中不断调整lightgbm分类模型的超参数,直至训练结束,将训练得到的模型确定为所述分类模型。
所述获取单元110将所述第一训练样本输入至所述分类模型,并获取所述分类模型的输出数据构建第二训练样本。
需要说明的是,所述分类模型是一种树状的决策树模型。在机器学习领域中,树状模型拥有着至关重要的地位,常见的树状模型有决策树、随机森林等。在大多数情况下,由于树状模型能够考虑到多重因子的联合关系,所以比线性回归或者逻辑回归等模型拥有更好的预测表现,而且模型的树状结构能够进行一定程度上的可视化,与神经网络等著名的“黑箱”模型相比,树状模型在模型解释性上也占有一定的优势。因此,树状模型在各大竞赛以及工业场景中被广泛使用。
但在实际的业务场景中,纵使树状模型的预测表现十分优异,但在模型的解释性方面依旧存在一定的问题。
首先,目前市场中被广泛运用的解释方法为因子的重要性排序。但运用这种方法的弊端就是,因子重要性只代表了从模型总体角度出发的观测结果,而对于样本个体的差异解释性较为薄弱。且因子重要性作为标量,其大小仅仅展现了某个因子的重要性程度强弱,无法表示出该因子对于模型结果到底是起到了正向作用还是反向作用。而这些解释性缺陷就可能会导致模型的结果与业务团队的想法产生分歧,进而提高了沟通成本以及模型的应用限制,在对企业进行风险预测时也缺乏可解释性。
因此,为了克服上述问题,不同于现有技术中只是根据因子重要性进行排序,本实施例首先对树状模型进行拆解与转化。
具体地,将所述第一训练样本输入至所述分类模型,并获取所述分类模型的输出数据构建第二训练样本。也就是说,根据所述分类模型的输出数据确定每个样本落在每棵树的哪一个叶子节点上作为embedding(相当于是一条规则),从而获取所有样本对应的路径,所述第二训练样本中的样本是向量化后的数据,为之后提高对样本个体的可解释性做铺垫。
所述训练单元111根据所述第二训练样本训练第二预设模型,得到回归模型。
在本发明的至少一个实施例中,所述训练单元111根据所述第二训练样本训练第二预设模型,得到回归模型包括:
将所述第二训练样本确定为虚拟(dummy)因子训练逻辑回归(LogisticRegression)模型;
获取所述逻辑回归模型的损失函数,并在所述损失函数中添加L1正则(L1regularization)项,得到目标损失函数;
当所述目标损失函数达到收敛时,停止训练,得到所述回归模型。
通过上述实施方式,在嵌入向量的基础上训练所述回归模型,进而能够通过所述回归模型获得带有大小及方向的矢量数据,为后续的数据分析提供更好的数据基础,同时,在损失函数中增加L1正则项还能够防止模型过拟合的问题发生。
所述获取单元110获取候选因子。
在本实施例中,所述候选因子可以由相关人员上传,所述候选因子可以包括与企业经营风险相关的信息,如债券、期权等。
本实施例的目的即为从所述候选因子中准确筛选出与企业经营风险最关联的风险因子,以辅助企业进行优化。
构建单元112调用所述分类模型对所述候选因子进行分类,得到分类结果,并根据所述分类结果构建嵌入向量。
在本实施例中,所述构建单元112根据所述分类结果构建嵌入向量包括:
根据所述分类结果识别所述候选因子对应的路径;
根据所述候选因子对应的路径进行embedding,并生成所述嵌入向量。
在上述实施方式中,能够根据每个候选因子在模型中叶子节点的落点所形成的路径将树状模型进行拆解,并将每个落点进行embedding,以生成新的规则,即所述嵌入向量,从而为之后提高对候选因子个体的可解释性做铺垫。
所述获取单元110将所述嵌入向量输入至所述回归模型,并获取所述回归模型的输出数据作为矢量因子。
在本实施例中,所述回归模型的输出数据中包括核心规则及模型预测为正样本的概率。其中,所述核心规则的表现形式为带有大小及方向的矢量,即所述矢量因子。
通过上述实施方式,能够将通过分类模型处理后生成的新的规则进一步放入解释性更强的Logistic Regression模型(即训练后得到的所述回归模型)当中,并获得带有大小及方向的矢量因子,从而更好的进行数据之间的对比分析。
筛选单元113对所述矢量因子进行筛选,得到风险因子。
在本实施例中,所述筛选单元113对所述矢量因子进行筛选,得到风险因子包括:
从所述矢量因子中识别系数为零的因子作为待删除因子,并从所述矢量因子中删除所述待删除因子,得到第一中间因子;
从所述第一中间因子中识别系数为正的因子构建目标因子集;
根据系数由大到小的顺序对所述目标因子集中的因子进行排序;
获取排在前预设位的因子作为所述风险因子。
其中,所述前预设位可以进行自定义配置,如前三位。
例如:对于通过所述回归模型获得的矢量因子,仅保留系数不为0的因子,而后对于每一个因子,对系数进行降序排序,取系数为正且最大的三个作为该样本的解释规则。
在本实施例中,为了进一步确保数据的安全性,可以将训练后得到的模型存储于区块链节点中。
需要说明的是,在获取到预测的所述风险因子后,还可以进一步对所述风险因子进行对比分析,以确定重要风险来源。
具体地,在得到风险因子后,识别所述风险因子中每个风险因子的类别;
确定所述风险因子的总数量,及确定每个类别下所包括的风险因子的数量;
根据所述风险因子的总数量及每个类别下所包括的风险因子的数量计算每个类别的占比;
根据每个类别的占比生成风险报告,并将所述占比最高的类别确定为目标风险类别。
例如:在研究企业风险时,如果A公司的风险因子分别为X、Y、Z,并且X、Y、Z的类别都为隐性负债,则生成的风险报告可以为:A公司的风险因子分别为X、Y、Z,该公司主要的风险可能来源于隐形负债;
进一步地,若另外一家B公司的风险因子分别为M、N、Z,其中,M、N的类别为舆论相关,则生成的风险报告可以为:B公司的风险因子分别为M、N、Z,舆论相关的风险因子占比为66.7%,隐形负债的风险因子占比为,33.3%,因此,该公司主要的风险可能来源于舆论相关。
通过上述实施方式,能够进一步根据预测的风险因子进行归因分析,以辅助企业进行有效的风险规避。
在本实施例中,针对现有模型无法针对样本个体进行分析的不足,通过对于树状模型的拆解与转化,有效提升了树状模型的可解释性,特别是针对不同样本之间的差异性分析,通过对比其核心规则以及相关系数的区别,能够直观且量化的分析出样本结果差异的缘由,并可以通过总结归纳所有样本的核心规则提炼出模型背后蕴含的逻辑,从微观的角度剖析了不同因子对于因变量的影响,解决了先前视角单一且样本间无差异化的问题。
在实际的业务场景中,通过本实施例中可解释的模型还可以进一步加强与业务团队沟通的效率,从而降低沟通成本,同时进一步促进双方的共识。而这种可解释性的模型结果也可以运用到实际的产品中进行展现,对于不了解模型技术的用户也能够提供通俗易懂的规则逻辑,从而辅助其进行决策,在此不赘述。
由以上技术方案可以看出,本发明能够响应于风险因子预测指令,根据所述风险因子预测指令获取第一训练样本,根据所述第一训练样本训练第一预设模型,得到分类模型,将所述第一训练样本输入至所述分类模型,并获取所述分类模型的输出数据构建第二训练样本,根据所述第二训练样本训练第二预设模型,得到回归模型,获取候选因子,调用所述分类模型对所述候选因子进行分类,得到分类结果,并根据所述分类结果构建嵌入向量,将所述嵌入向量输入至所述回归模型,并获取所述回归模型的输出数据作为矢量因子,对所述矢量因子进行筛选,得到风险因子。本发明还涉及区块链技术,训练得到的模型可存储于区块链。利用本发明能够提高模型的可解释性,加强差异分析,进而直观且量化的辅助企业进行准确的风险预测。
如图3所示,是本发明实现风险因子预测方法的较佳实施例的电子设备的结构示意图。
所述电子设备1可以包括存储器12、处理器13和总线,还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如风险因子预测程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,所述电子设备1既可以是总线型结构,也可以是星形结构,所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置,例如所述电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是,所述电子设备1仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
其中,存储器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如风险因子预测程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(Control Unit),利用各种接口和线路连接整个电子设备1的各个部件,通过运行或执行存储在所述存储器12内的程序或者模块(例如执行风险因子预测程序等),以及调用存储在所述存储器12内的数据,以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作***以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个风险因子预测方法实施例中的步骤,例如图1所示的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如,所述计算机程序可以被分割成获取单元110、训练单元111、构建单元112、筛选单元113。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述风险因子预测方法的部分。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指示相关的硬件设备来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机程序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)、随机存取存储器等。
进一步地,计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,在图3中仅用一根直线表示,但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器13逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的电子设备1,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
结合图1,所述电子设备1中的所述存储器12存储多个指令以实现一种风险因子预测方法,所述处理器13可执行所述多个指令从而实现:
响应于风险因子预测指令,根据所述风险因子预测指令获取第一训练样本;
根据所述第一训练样本训练第一预设模型,得到分类模型;
将所述第一训练样本输入至所述分类模型,并获取所述分类模型的输出数据构建第二训练样本;
根据所述第二训练样本训练第二预设模型,得到回归模型;
获取候选因子;
调用所述分类模型对所述候选因子进行分类,得到分类结果,并根据所述分类结果构建嵌入向量;
将所述嵌入向量输入至所述回归模型,并获取所述回归模型的输出数据作为矢量因子;
对所述矢量因子进行筛选,得到风险因子。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种风险因子预测方法,其特征在于,所述风险因子预测方法包括:
响应于风险因子预测指令,根据所述风险因子预测指令获取第一训练样本;
根据所述第一训练样本训练第一预设模型,得到分类模型;
将所述第一训练样本输入至所述分类模型,并获取所述分类模型的输出数据构建第二训练样本;
根据所述第二训练样本训练第二预设模型,得到回归模型;
获取候选因子;
调用所述分类模型对所述候选因子进行分类,得到分类结果,并根据所述分类结果构建嵌入向量;
将所述嵌入向量输入至所述回归模型,并获取所述回归模型的输出数据作为矢量因子;
对所述矢量因子进行筛选,得到风险因子。
2.如权利要求1所述的风险因子预测方法,其特征在于,所述根据所述风险因子预测指令获取第一训练样本包括:
解析所述风险因子预测指令,得到所述风险因子预测指令所携带的信息;
获取与地址对应的预设标签;
根据所述预设标签构建正则表达式;
根据所述正则表达式遍历所述风险因子预测指令所携带的信息,并将遍历到的信息确定为目标地址;
链接至所述目标地址,并获取所述目标地址存储的信息生成所述第一训练样本。
3.如权利要求2所述的风险因子预测方法,其特征在于,所述获取所述目标地址存储的信息生成所述第一训练样本包括:
根据所述目标地址存储的信息构建随机森林;
确定所述目标地址存储的信息中每个信息,在所述随机森林中每个决策树的各个节点处的节点重要度;
根据每个信息所述的节点重要度,确定每个信息在各决策树中的重要度;
根据每个信息在每个决策树中的重要度确定每个信息在所述随机森林中的重要度;
将每个信息在所述随机森林中的重要度确定为每个信息的权重;
获取所述权重大于或者等于配置权重的信息构建所述第一训练样本。
4.如权利要求1所述的风险因子预测方法,其特征在于,所述根据所述第二训练样本训练第二预设模型,得到回归模型包括:
将所述第二训练样本确定为虚拟因子训练逻辑回归模型;
获取所述逻辑回归模型的损失函数,并在所述损失函数中添加L1正则项,得到目标损失函数;
当所述目标损失函数达到收敛时,停止训练,得到所述回归模型。
5.如权利要求1所述的风险因子预测方法,其特征在于,所述根据所述分类结果构建嵌入向量包括:
根据所述分类结果识别所述候选因子对应的路径;
根据所述候选因子对应的路径进行embedding,并生成所述嵌入向量。
6.如权利要求1所述的风险因子预测方法,其特征在于,所述对所述矢量因子进行筛选,得到风险因子包括:
从所述矢量因子中识别系数为零的因子作为待删除因子,并从所述矢量因子中删除所述待删除因子,得到第一中间因子;
从所述第一中间因子中识别系数为正的因子构建目标因子集;
根据系数由大到小的顺序对所述目标因子集中的因子进行排序;
获取排在前预设位的因子作为所述风险因子。
7.如权利要求1所述的风险因子预测方法,其特征在于,在得到风险因子后,所述方法还包括:
识别所述风险因子中每个风险因子的类别;
确定所述风险因子的总数量,及确定每个类别下所包括的风险因子的数量;
根据所述风险因子的总数量及每个类别下所包括的风险因子的数量计算每个类别的占比;
根据每个类别的占比生成风险报告,并将所述占比最高的类别确定为目标风险类别。
8.一种风险因子预测装置,其特征在于,所述风险因子预测装置包括:
获取单元,用于响应于风险因子预测指令,根据所述风险因子预测指令获取第一训练样本;
训练单元,用于根据所述第一训练样本训练第一预设模型,得到分类模型;
构建单元,用于将所述第一训练样本输入至所述分类模型,并获取所述分类模型的输出数据构建第二训练样本;
所述训练单元,还用于根据所述第二训练样本训练第二预设模型,得到回归模型;
所述获取单元,还用于获取候选因子;
所述构建单元,还用于调用所述分类模型对所述候选因子进行分类,得到分类结果,并根据所述分类结果构建嵌入向量;
所述获取单元,还用于将所述嵌入向量输入至所述回归模型,并获取所述回归模型的输出数据作为矢量因子;
筛选单元,用于对所述矢量因子进行筛选,得到风险因子。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的风险因子预测方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的风险因子预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110790786.1A CN113256181A (zh) | 2021-07-13 | 2021-07-13 | 风险因子预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110790786.1A CN113256181A (zh) | 2021-07-13 | 2021-07-13 | 风险因子预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113256181A true CN113256181A (zh) | 2021-08-13 |
Family
ID=77191145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110790786.1A Pending CN113256181A (zh) | 2021-07-13 | 2021-07-13 | 风险因子预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256181A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113919962A (zh) * | 2021-10-21 | 2022-01-11 | 平安科技(深圳)有限公司 | 保单出险的智能分析方法、装置、设备及存储介质 |
CN114693307A (zh) * | 2022-05-30 | 2022-07-01 | 深圳市泰铼科技有限公司 | 一种证券期货程序化交易策略风险压力测试*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165840A (zh) * | 2018-08-20 | 2019-01-08 | 平安科技(深圳)有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
CN109543925A (zh) * | 2019-01-07 | 2019-03-29 | 平安科技(深圳)有限公司 | 基于机器学习的风险预测方法、装置、计算机设备和存储介质 |
CN109816221A (zh) * | 2019-01-07 | 2019-05-28 | 平安科技(深圳)有限公司 | 项目风险决策方法、装置、计算机设备和存储介质 |
CN110389970A (zh) * | 2019-06-11 | 2019-10-29 | 中国平安财产保险股份有限公司 | 用户意向预测方法、装置、计算机设备及存储介质 |
CN110796269A (zh) * | 2019-09-30 | 2020-02-14 | 北京明略软件***有限公司 | 一种生成模型的方法、装置、信息处理的方法及装置 |
CN112750029A (zh) * | 2020-12-30 | 2021-05-04 | 北京知因智慧科技有限公司 | 信用风险预测方法、装置、电子设备及存储介质 |
CN112801718A (zh) * | 2021-02-22 | 2021-05-14 | 平安科技(深圳)有限公司 | 用户行为预测方法、装置、设备及介质 |
CN112990958A (zh) * | 2021-01-19 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、存储介质及计算机设备 |
-
2021
- 2021-07-13 CN CN202110790786.1A patent/CN113256181A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165840A (zh) * | 2018-08-20 | 2019-01-08 | 平安科技(深圳)有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
CN109543925A (zh) * | 2019-01-07 | 2019-03-29 | 平安科技(深圳)有限公司 | 基于机器学习的风险预测方法、装置、计算机设备和存储介质 |
CN109816221A (zh) * | 2019-01-07 | 2019-05-28 | 平安科技(深圳)有限公司 | 项目风险决策方法、装置、计算机设备和存储介质 |
CN110389970A (zh) * | 2019-06-11 | 2019-10-29 | 中国平安财产保险股份有限公司 | 用户意向预测方法、装置、计算机设备及存储介质 |
CN110796269A (zh) * | 2019-09-30 | 2020-02-14 | 北京明略软件***有限公司 | 一种生成模型的方法、装置、信息处理的方法及装置 |
CN112750029A (zh) * | 2020-12-30 | 2021-05-04 | 北京知因智慧科技有限公司 | 信用风险预测方法、装置、电子设备及存储介质 |
CN112990958A (zh) * | 2021-01-19 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、存储介质及计算机设备 |
CN112801718A (zh) * | 2021-02-22 | 2021-05-14 | 平安科技(深圳)有限公司 | 用户行为预测方法、装置、设备及介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113919962A (zh) * | 2021-10-21 | 2022-01-11 | 平安科技(深圳)有限公司 | 保单出险的智能分析方法、装置、设备及存储介质 |
CN113919962B (zh) * | 2021-10-21 | 2023-05-26 | 平安科技(深圳)有限公司 | 保单出险的智能分析方法、装置、设备及存储介质 |
CN114693307A (zh) * | 2022-05-30 | 2022-07-01 | 深圳市泰铼科技有限公司 | 一种证券期货程序化交易策略风险压力测试*** |
CN114693307B (zh) * | 2022-05-30 | 2022-09-02 | 深圳市泰铼科技有限公司 | 一种证券期货程序化交易策略风险压力测试*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022141861A1 (zh) | 情感分类方法、装置、电子设备及存储介质 | |
CN112801718A (zh) | 用户行为预测方法、装置、设备及介质 | |
CN112288337B (zh) | 行为推荐方法、装置、设备及介质 | |
CN113157927A (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN112396547B (zh) | 基于无监督学习的课程推荐方法、装置、设备及介质 | |
CN113256181A (zh) | 风险因子预测方法、装置、设备及介质 | |
CN110688536A (zh) | 一种标签预测方法、装置、设备和存储介质 | |
CN113946690A (zh) | 潜在客户挖掘方法、装置、电子设备及存储介质 | |
CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
CN111985545B (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN113256191A (zh) | 基于分类树的风险预测方法、装置、设备及介质 | |
CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
CN114968816A (zh) | 基于数据模拟的策略测试方法、装置、设备及存储介质 | |
CN111652282A (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
CN113204698B (zh) | 新闻主题词生成方法、装置、设备及介质 | |
CN111950707B (zh) | 基于行为共现网络的行为预测方法、装置、设备及介质 | |
CN113591881A (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN113313211A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN112052310A (zh) | 基于大数据的信息获取方法、装置、设备及存储介质 | |
CN116843481A (zh) | 知识图谱分析方法、装置、设备及存储介质 | |
CN116823437A (zh) | 基于配置化风控策略的准入方法、装置、设备及介质 | |
CN114708073B (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
CN113656586B (zh) | 情感分类方法、装置、电子设备及可读存储介质 | |
CN115913763A (zh) | 流量异常检测方法、装置、设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210813 |