CN114066602A - 一种金融行业风险控制方法和装置 - Google Patents

一种金融行业风险控制方法和装置 Download PDF

Info

Publication number
CN114066602A
CN114066602A CN202111335275.7A CN202111335275A CN114066602A CN 114066602 A CN114066602 A CN 114066602A CN 202111335275 A CN202111335275 A CN 202111335275A CN 114066602 A CN114066602 A CN 114066602A
Authority
CN
China
Prior art keywords
information
user
preset
label information
prediction model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111335275.7A
Other languages
English (en)
Inventor
赵俊
张同虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Construction Bank Corp
Original Assignee
China Construction Bank Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Construction Bank Corp filed Critical China Construction Bank Corp
Priority to CN202111335275.7A priority Critical patent/CN114066602A/zh
Publication of CN114066602A publication Critical patent/CN114066602A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Technology Law (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种金融行业风险控制方法和装置，涉及人工智能技术领域，通过根据第一用户信息，获得低频标签信息；根据第一预设信息，获得高频标签信息；根据第二预设信息，获得敏态标签信息；基于高频标签信息和/或敏态标签信息，构建预测模型，并利用第一用户的高频标签信息和/或敏态标签信息中标签数据对预测模型进行训练收敛获得用户预测模型；将低频标签信息、高频标签信息、敏态标签信息输入用户预测模型，获得第一用户预测风评；判断第一用户预测风评是否超出预设阈值；当超出时根据第一用户预测风评进行风控操作。解决了现有技术中只有发现风险之后才会进行控制，缺乏提前进行风险预警和评价的手段而存在风险控制被动的技术问题。

Description

一种金融行业风险控制方法和装置
技术领域
本发明涉及人工智能技术领域，尤其涉及一种金融行业风险控制方法和装置。
背景技术
随着社会的发展和数字化浪潮的不断推进，人们日常生活中和金融领域产生的业务交集也越来越多，对资金的使用和流转速度也变得越来越快，金额也有越来越大的趋势。在这种情况下，很多年轻人开通了***、消费贷、精英贷、花呗、白条等金融衍生产品，但是不当的消费观或者经营异常会导致不可控的风险。目前风控很大程度上是被动的，只有发生风险了才做后续处理，才给用户画像做进一步的加强和更新，随后做上报汇总。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中只有发现风险之后才会进行控制，缺乏提前进行风险预警和评价的手段而存在风险控制被动的技术问题。
发明内容
本申请实施例通过提供一种金融行业风险控制方法和装置，解决了现有技术中只有发现风险之后才会进行控制，缺乏提前进行风险预警和评价的手段而存在风险控制被动的技术问题。
鉴于上述问题，提出了本申请实施例提供一种金融行业风险控制方法和装置。
第一方面，本申请实施例提供了一种金融行业风险控制方法，通过用户数据库获得第一用户信息；根据所述第一用户信息，获得低频标签信息；根据所述第一用户信息，获得第一预设信息、第二预设信息；根据所述第一预设信息，获得高频标签信息；根据所述第二预设信息，获得敏态标签信息；基于所述高频标签信息和/或所述敏态标签信息，构建预测模型，并利用第一用户的高频标签信息和/或敏态标签信息中标签数据对所述预测模型进行训练收敛获得用户预测模型；将所述低频标签信息、所述高频标签信息、所述敏态标签信息输入所述用户预测模型，获得第一用户预测风评；判断所述第一用户预测风评是否超出预设阈值；当超出时，获得第一执行信息，所述第一执行信息用于根据所述第一用户预测风评进行风控操作。
另一方面，本申请还提供了一种金融行业风险控制装置，所述装置包括：
第一获得单元，所述第一获得单元用于通过用户数据库获得第一用户信息；
第二获得单元，所述第二获得单元用于根据所述第一用户信息，获得低频标签信息；
第三获得单元，所述第三获得单元用于根据所述第一用户信息，获得第一预设信息、第二预设信息；
第四获得单元，所述第四获得单元用于根据所述第一预设信息，获得高频标签信息；
第五获得单元，所述第五获得单元用于根据所述第二预设信息，获得敏态标签信息；
第一执行单元，所述第一执行单元用于基于所述高频标签信息和/或所述敏态标签信息，构建预测模型，并利用第一用户的高频标签信息和/或敏态标签信息中标签数据对所述预测模型进行训练收敛获得用户预测模型；
第六获得单元，所述第六获得单元用于将所述低频标签信息、所述高频标签信息、所述敏态标签信息输入所述用户预测模型，获得第一用户预测风评；
第一判断单元，所述第一判断单元用于判断所述第一用户预测风评是否超出预设阈值；
第七获得单元，所述第七获得单元用于当超出时，获得第一执行信息，所述第一执行信息用于根据所述第一用户预测风评进行风控操作。
第三方面，本发明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程序，其中，所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供了一种金融行业风险控制方法和装置，通过用户数据库获得第一用户信息；根据所述第一用户信息，获得低频标签信息；根据所述第一用户信息，获得第一预设信息、第二预设信息；根据所述第一预设信息，获得高频标签信息；根据所述第二预设信息，获得敏态标签信息；基于所述高频标签信息和/或所述敏态标签信息，构建预测模型，并利用第一用户的高频标签信息和/或敏态标签信息中标签数据对所述预测模型进行训练收敛获得用户预测模型；将所述低频标签信息、所述高频标签信息、所述敏态标签信息输入所述用户预测模型，获得第一用户预测风评；判断所述第一用户预测风评是否超出预设阈值；当超出时，获得第一执行信息，所述第一执行信息用于根据所述第一用户预测风评进行风控操作。达到了通过用户标签进行精准画像，构建趋势预测模型，实现提前发现用户可能存在的风险，提早避免，变被动风控为主动风控，增加风险控制效果的技术效果，从而解决了现有技术中只有发现风险之后才会进行控制，缺乏提前进行风险预警和评价的手段而存在风险控制被动的技术问题。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种金融行业风险控制方法的流程示意图；
图2为本申请实施例另一种金融行业风险控制方法的流程示意图；
图3为本申请实施例一种金融行业风险控制装置的结构示意图；
图4为本申请实施例示例性计算机设备的结构示意图。
附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第四获得单元14，第五获得单元15，第一执行单元16，第六获得单元17，第一判断单元18，第七获得单元19，总线300，接收器301，处理器302，发送器303，存储器304，总线接口305。
具体实施方式
本申请实施例通过提供一种金融行业风险控制方法和装置，用以解决现有技术中只有发现风险之后才会进行控制，缺乏提前进行风险预警和评价的手段而存在风险控制被动的技术问题。
下面，将参考附图详细的描述根据本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
随着社会的发展和数字化浪潮的不断推进，人们日常生活中和金融领域产生的业务交集也越来越多，对资金的使用和流转速度也变得越来越快，金额也有越来越大的趋势。在这种情况下，很多年轻人开通了***、消费贷、精英贷、花呗、白条等金融衍生产品，但是不当的消费观或者经营异常会导致不可控的风险。目前风控很大程度上是被动的，只有发生风险了才做后续处理，才给用户画像做进一步的加强和更新，随后做上报汇总，现有技术中存在风险控制很大程度上非常被动的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
通过用户数据库获得第一用户信息；根据所述第一用户信息，获得低频标签信息；根据所述第一用户信息，获得第一预设信息、第二预设信息；根据所述第一预设信息，获得高频标签信息；根据所述第二预设信息，获得敏态标签信息；基于所述高频标签信息和/或所述敏态标签信息，构建预测模型，并利用第一用户的高频标签信息和/或敏态标签信息中标签数据对所述预测模型进行训练收敛获得用户预测模型；将所述低频标签信息、所述高频标签信息、所述敏态标签信息输入所述用户预测模型，获得第一用户预测风评；判断所述第一用户预测风评是否超出预设阈值；当超出时，获得第一执行信息，所述第一执行信息用于根据所述第一用户预测风评进行风控操作。达到了通过用户标签进行精准画像，构建趋势预测模型，实现提前发现用户可能存在的风险，提早避免，变被动风控为主动风控，增加风险控制效果的技术效果。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
图1为本申请实施例一种金融行业风险控制方法的流程示意图，如图1所示，本申请实施例提供了一种金融行业风险控制方法，所述方法包括：
步骤S100：通过用户数据库获得第一用户信息；
具体而言，用户数据库用于存储用户信息的数据库，其中，用户为在本地金融结构开展金融户头、金融服务等相关业务的用户，也就是说在对应金融机构中开户的用户信息。
步骤S200：根据所述第一用户信息，获得低频标签信息；
具体而言，根据第一用户信息中的用户名称、证件信息得到对应的低频标签信息，低频标签信息为变化更新频率低的标签，包括了性别、出生日期、职业类别、学历等，这些标签内容很少会变动或者变动频率很低的，通过低频标签信息可以对用户进行基础内容的描述，为构建一个实体的基础信息，由于低频标签信息的变化更新频率低，因而通常不回去更新，或者很长时间才会更新一次，如一年、两年甚至更长。
步骤S300：根据所述第一用户信息，获得第一预设信息、第二预设信息；
具体而言，根据第一用户信息，获得该用户对应的高频标签内容、敏态标签内容，第一预设信息即为对于第一用户信息确定的高频标签的内容要求，第二预设信息为对于第一用户信息确定的敏态标签的内容要求。举例而言，对于在校大学生和在职公务员而言，由于身份和所处的职业阶段不同，面对的收支影响因素存在差异，其对应的高频标签和敏态标签的内容标准会存在一定的差异。
步骤S400：根据所述第一预设信息，获得高频标签信息；
进一步的，所述根据所述第一预设信息，获得高频标签信息，步骤S400包括：步骤S410：根据所述第一预设信息，获得第一预设粒度信息；步骤S420：根据所述第一预设粒度信息、所述第一预设信息，获得所述高频标签信息。
具体而言，按照第一预设信息，通过大数据分析和统计获得第一用户的高频标签信息，高频标签可以包括地域和GPS轨迹、职业兴趣、购物兴趣、产品偏好类别等，同时为了实现风险控制模型的灵活性、可控性，可以对高频标签进行粒度设定，比如地域可以是城市、地区，也可以是具体的商圈、街道，对于职业兴趣可按全行业、分年龄段、分性别等多重维度进行粒度划分。根据风险控制的需要，结合用户的个人特性进行不同粒度的设定，可以丰富用户标签，提高用户画像的准确性、细致度。第一预设粒度信息即按照风险控制的要求、用户个人的特征进行对应设定的高频标签分析统计的粒度要求。粒度就是同一维度下，数据统计的粗细程度，计算机领域中粒度指***内存扩展增量的最小值。粒度问题是设计数据仓库的一个最重要方面。粒度是指数据仓库的数据单位中保存数据的细化或综合程度的级别。细化程度越高，粒度级就越小；相反，细化程度越低，粒度级就越大。
步骤S500：根据所述第二预设信息，获得敏态标签信息；
进一步的，所述根据所述第二预设信息，获得敏态标签信息，步骤S500包括：步骤S510：根据所述第二预设信息，获得第二预设粒度信息；步骤S520：根据所述第二预设粒度信息、所述第二预设信息，获得所述敏态标签信息。
具体而言，根据第二预设信息，获得第一用户的敏态标签，其中，敏态标签包括消费次数、消费活跃度、被投诉次数、发生纠纷次数、资金流水和资金量等，这些可以通过大数据或者金融***进行获取和统计，其中，对于用户账户中偶发性的高流水和高资金量等设置高权重，由于偶发性的高流水和高资金量对于用户的消费经营状态会产生较大的影响，直接影响用户的收入支出占比关系，对风险控制的结果存在较大影响，同样的根据风险控制的要求和用户的个人特征进行敏态标签设定时可以进行粒度的调整和设置，第二预设粒度信息即对于敏态标签的粒度设定要求，如对于消费活跃度可以按照频度、季节性、时段性、和婚姻家庭状况是否有关等多重维度进行粒度划分，从而实现了粒度可调的风险控制***，降低***的风险。
步骤S600：基于所述高频标签信息和/或所述敏态标签信息，构建预测模型，并利用第一用户的高频标签信息和/或敏态标签信息中标签数据对所述预测模型进行训练收敛获得用户预测模型；
进一步的，所述预测模型为通过自然语言处理、机器学习构建的模型。
具体而言，根据高频标签数据进行建模形成历史并进行趋势预测，作为风险控制的依据，或者通过对个人的敏感标签内容即敏态标签信息，通过自然语音处理NLP、机器学习进行用户具体收入和支出建模，形成一个用户独特的模型，根据模型给出趋势预测进行对应的风险控制。应理解，自然语言处理(Natural Language Processing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学，这一领域的研究将涉及自然语言，即人们日常使用的语言，实现人和计算机的自然语言对话。机器学习是利用数据和经验改进计算机算法、优化计算机性能的多领域交叉学科。预测模型即通过第一用户的标签信息进行训练收敛获得的针对个人的用户预测模型，用户预测模型为经过机器学习的数学模型，通过对第一用户标签信息中的数据进行学习，构建该用户的独特预测模型，对第一用户的趋势进行预测，当输入的标签信息内容发生改变时能够及时发现第一用户的趋势变化并进行对应的预测输出。
步骤S700：将所述低频标签信息、所述高频标签信息、所述敏态标签信息输入所述用户预测模型，获得第一用户预测风评；
步骤S800：判断所述第一用户预测风评是否超出预设阈值；
步骤S900：当超出时，获得第一执行信息，所述第一执行信息用于根据所述第一用户预测风评进行风控操作。
具体而言，将第一用户获得的标签信息即低频标签信息、所述高频标签信息、所述敏态标签信息作为输入数据输入至用户预测模型中进行用户的发展趋势预测，其中低频标签信息用于形成一个实体用户的基础，高频标签、敏态标签作为判断预测的依据，其中敏态标签的占比最大，获得用户预测模型的输出结果，输出结果包括了用户预测风评，基于用户预测风评对第一用户进行综合的风险打分，得到第一用户预测风评，判断第一用户预测风评是否超出了预设的阈值要求，超出预设阈值则表明第一用户出现了资金风险，对于超出预设阈值的用户进行降低额度、降低信用值、人工通知、催收催缴等风控操作，达到了通过用户标签进行精准画像，构建趋势预测模型，实现提前发现用户可能存在的风险，提早避免，变被动风控为主动风控，增加风险控制效果的技术效果，从而解决了现有技术中只有发现风险之后才会进行控制，缺乏提前进行风险预警和评价的手段而存在风险控制被动的技术问题。
进一步的，所述方法包括：
步骤S910：根据所述低频标签信息、所述高频标签信息、所述敏态标签信息，构建用户标签集合，并将所述用户标签集合添加至所述用户数据库中。
具体而言，通过用户信息从大数据或者金融***上得到的用户数据标签，包括低频标签信息、高频标签信息、敏态标签信息都将存储于用户数据库中对用户信息进行更新存储，通过用户标签集合对用户数据库内容的更新迭代建立起用户画像信息，便于对用户的集中管理和查询分析。
进一步的，所述方法包括：步骤S1110：获得第一预设更新时间；步骤S1120：根据所述第一预设更新时间、所述第一预设信息，获得第一预设更新信息；步骤S1130：利用所述第一预设更新信息对所述高频标签信息进行更新。
具体而言，由于高频标签信息的标签内容具有变化频率较快的特征，为了准确了解用户当前的经济状况和变化情况，需要定期进行内容的统计和更新，第一预设更新时间为针对高频标签内容的特征进行对应定制的更新时间，高频标签通常包括地域和GPS轨迹、职业兴趣、购物兴趣、产品偏好类别等，根据高频标签内容的特征进行对应的更新时间设定，比如某个地理位置的某职业人的兴趣偏好，这个分析统计可以一段时间比如每个季度或者半年执行一次进行更新迭代，则第一预设更新时间设定为一季度或者半年，当到达第一预设更新时间时将自动对用户的高频标签信息通过大数据进行提取和统计分析，提高用户标签的准确性和及时性，以提高用户画像的精细化程度和可靠性，从而提升通过画像进行风险控制分析的准确性，降低金融机构***的风险。
进一步的，所述方法包括：步骤S1210：获得第二预设更新时间；步骤S1220：根据所述第二预设更新时间、所述第二预设信息，获得第二预设更新信息；步骤S1230：利用所述第二预设更新信息对所述敏态标签信息进行更新。
具体而言，第二预设更新时间是对于敏态标签信息进行对应设定的更新时间，由于敏态标签敏感性较高，同时对于风险分析的影响关系较大，因而其更新的时间较为频繁，第二预设更新时间通常小于第一预设更新时间，敏态标签包括消费次数、消费活跃度、被投诉次数、发生纠纷次数、资金流水和资金量，尤其是偶发性的高流水和高资金量等设置高权重，这些内容是可以随机进行变化和发生的，按照金融机构的分析要求，通常***、贷款等信贷业务都是一个月为一个还款期，同时由于敏感标签内容受地理位置、行业变化、季节性等因素变化较快，敏感标签、建模和趋势的更新也较为频繁，第二预设更新时间可以设定为一个月更新一次，以保证敏态标签信息内容的及时和准确性，能够及时掌握用户的资金变化和金融信用情况，以便于利用敏态标签信息进行模型趋势预测分析，提前对用户的风险变化进行掌握，及时采用风险控制措施，降低金融机构的风险，同时随着高频标签和敏态标签数据的不断增量运维，使得用户预测模型的准确性会越来越高，更快更及时更准确的对风险进行控制。
进一步的，如图2所示，所述方法包括：
步骤S1310：根据所述第一预设更新信息或第二预设更新信息，获得更新数据集合；
步骤S1320：将所述更新数据集合输入所述用户预测模型，获得更新数据预测结果；
步骤S1330：通过对所述更新数据预测结果进行数据损失分析，获得第一损失数据；
步骤S1340：将所述第一损失数据输入到所述用户预测模型中进行训练，获得增量预测模型，所述增量预测模型为对所述用户预测模型进行增量学习后的新模型。
具体而言，用户预测模型是基于第一用户前期的高频标签信息和/或敏态标签信息的数据进行建模对用户趋势分析的，通过对高频标签、敏态标签的更新迭代，得到了新的标签内容，有些标签内容是与前期数据相类似的，但有些数据是新增的标签数据，随着用户的环境和收入支出情况的变化会产生改变，如换工作了或者突然有大笔资金入账等情况，会对用户的情况产生影响，这些标签数据的改变为更新数据集合，利用增加的更新数据集合进行增量学习后能够保证用户预测模型的基础性能，而且完成对应的增量学习，通过增量学习可以提高预测模型的性能，提升预测结果的准确性。更新数据预测结果是基于更新数据集合在用户预测模型中进行趋势预测得到的对应的预测结果，由于增量预测模型是基于引入损失函数完成数据损失的分析进而获得的新模型，能够保存之前的已经训练的模型性能，同时增加了新增数据的学习效果，实现了维持原有模型的性能基础上提升模型的性能和预测准确性，其中，增量学习是指一个学习***能不断地从新样本中学习新的知识，并能保存大部分以前已经学习到的知识。增量学习非常类似于人类自身的学习模式。随着数据库以及互联网技术的快速发展和广泛应用，社会各部门积累了大量数据，通过损失数据的训练使得增量预测模型保留了之前用户预测模型的基本功能，并维持模型不断更新的性能，达到了随着对高频标签和敏态标签数据的增量运维，模型的准确性会越来越高，会更快更及时更准确的对风险进行控制的技术效果，进一步解决了现有技术中只有发现风险之后才会进行控制，缺乏提前进行风险预警和评价的手段而存在风险控制被动的技术问题。
本申请具有以下技术效果：通过本申请提供的金融行业风险控制方法金融行业可以建立起一个规模可控，粒度可调的风险监控***，从而降低***的风险。
建立的模型后，随着对高频标签和敏态标签数据的增量运维，预测模型的准确性会越来越高，会更快更及时更准确的对风险进行控制。
实施例二
基于与前述实施例中一种金融行业风险控制方法同样发明构思，本发明还提供了一种金融行业风险控制装置，如图3所示，所述装置包括：
第一获得单元11，所述第一获得单元11用于通过用户数据库获得第一用户信息；
第二获得单元12，所述第二获得单元12用于根据所述第一用户信息，获得低频标签信息；
第三获得单元13，所述第三获得单元13用于根据所述第一用户信息，获得第一预设信息、第二预设信息；
第四获得单元14，所述第四获得单元14用于根据所述第一预设信息，获得高频标签信息；
第五获得单元15，所述第五获得单元15用于根据所述第二预设信息，获得敏态标签信息；
第一执行单元16，所述第一执行单元16用于基于所述高频标签信息和/或所述敏态标签信息，构建预测模型，并利用第一用户的高频标签信息和/或敏态标签信息中标签数据对所述预测模型进行训练收敛获得用户预测模型；
第六获得单元17，所述第六获得单元17用于将所述低频标签信息、所述高频标签信息、所述敏态标签信息输入所述用户预测模型，获得第一用户预测风评；
第一判断单元18，所述第一判断单元18用于判断所述第一用户预测风评是否超出预设阈值；
第七获得单元19，所述第七获得单元19用于当超出时，获得第一执行信息，所述第一执行信息用于根据所述第一用户预测风评进行风控操作。
进一步的，所述装置还包括：
第二执行单元，所述第二执行单元用于根据所述低频标签信息、所述高频标签信息、所述敏态标签信息，构建用户标签集合，并将所述用户标签集合添加至所述用户数据库中。
进一步的，所述装置还包括：
第八获得单元，所述第八获得单元用于获得第一预设更新时间；
第九获得单元，所述第九获得单元用于根据所述第一预设更新时间、所述第一预设信息，获得第一预设更新信息；
第一更新单元，所述第一更新单元用于利用所述第一预设更新信息对所述高频标签信息进行更新。
进一步的，所述装置还包括：
第十获得单元，所述第十获得单元用于获得第二预设更新时间；
第十一获得单元，所述第十一获得单元用于根据所述第二预设更新时间、所述第二预设信息，获得第二预设更新信息；
第二更新单元，所述第二更新单元用于利用所述第二预设更新信息对所述敏态标签信息进行更新。
进一步的，所述装置还包括：
第十二获得单元，所述第十二获得单元用于根据所述第一预设信息，获得第一预设粒度信息；
第十三获得单元，所述第十三获得单元用于根据所述第一预设粒度信息、所述第一预设信息，获得所述高频标签信息。
进一步的，所述装置还包括：
第十四获得单元，所述第十四获得单元用于根据所述第二预设信息，获得第二预设粒度信息；
第十五获得单元，所述第十五获得单元用于根据所述第二预设粒度信息、所述第二预设信息，获得所述敏态标签信息。
进一步的，所述装置还包括：
第十六获得单元，所述第十六获得单元用于根据所述第一预设更新信息或第二预设更新信息，获得更新数据集合；
第十七获得单元，所述第十七获得单元用于将所述更新数据集合输入所述用户预测模型，获得更新数据预测结果；
第十八获得单元，所述第十八获得单元用于通过对所述更新数据预测结果进行数据损失分析，获得第一损失数据；
第十九获得单元，所述第十九获得单元用于将所述第一损失数据输入到所述用户预测模型中进行训练，获得增量预测模型，所述增量预测模型为对所述用户预测模型进行增量学习后的新模型。
进一步的，所述预测模型为通过自然语言处理、机器学习构建的模型。
前述图1实施例一中的一种金融行业风险控制方法的各种变化方式和具体实例同样适用于本实施例的一种金融行业风险控制装置，通过前述对一种金融行业风险控制方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种金融行业风险控制装置的实施方法，所以为了说明书的简洁，在此不再详述。
示例性电子设备
下面参考图4来描述本申请实施例的计算机设备。
图4图示了根据本申请实施例的计算机设备的结构示意图。
基于与前述实施例中一种金融行业风险控制方法的发明构思，本发明还提供一种计算机设备，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种金融行业风险控制方法的任一方法的步骤。
其中，在图4中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他***通信的单元。
处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本申请实施例提供了一种金融行业风险控制方法和装置，通过用户数据库获得第一用户信息；根据所述第一用户信息，获得低频标签信息；根据所述第一用户信息，获得第一预设信息、第二预设信息；根据所述第一预设信息，获得高频标签信息；根据所述第二预设信息，获得敏态标签信息；基于所述高频标签信息和/或所述敏态标签信息，构建预测模型，并利用第一用户的高频标签信息和/或敏态标签信息中标签数据对所述预测模型进行训练收敛获得用户预测模型；将所述低频标签信息、所述高频标签信息、所述敏态标签信息输入所述用户预测模型，获得第一用户预测风评；判断所述第一用户预测风评是否超出预设阈值；当超出时，获得第一执行信息，所述第一执行信息用于根据所述第一用户预测风评进行风控操作。达到了通过用户标签进行精准画像，构建趋势预测模型，实现提前发现用户可能存在的风险，提早避免，变被动风控为主动风控，增加风险控制效果的技术效果，从而解决了现有技术中只有发现风险之后才会进行控制，缺乏提前进行风险预警和评价的手段而存在风险控制被动的技术问题。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的***。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种金融行业风险控制方法，其中，所述方法包括：
通过用户数据库获得第一用户信息；
根据所述第一用户信息，获得低频标签信息；
根据所述第一用户信息，获得第一预设信息、第二预设信息；
根据所述第一预设信息，获得高频标签信息；
根据所述第二预设信息，获得敏态标签信息；
基于所述高频标签信息和/或所述敏态标签信息，构建预测模型，并利用第一用户的高频标签信息和/或敏态标签信息中标签数据对所述预测模型进行训练收敛获得用户预测模型；
将所述低频标签信息、所述高频标签信息、所述敏态标签信息输入所述用户预测模型，获得第一用户预测风评；
判断所述第一用户预测风评是否超出预设阈值；
当超出时，获得第一执行信息，所述第一执行信息用于根据所述第一用户预测风评进行风控操作。
2.如权利要求1所述的方法，其中，所述方法包括：
根据所述低频标签信息、所述高频标签信息、所述敏态标签信息，构建用户标签集合，并将所述用户标签集合添加至所述用户数据库中。
3.如权利要求1所述的方法，其中，所述方法包括：
获得第一预设更新时间；
根据所述第一预设更新时间、所述第一预设信息，获得第一预设更新信息；
利用所述第一预设更新信息对所述高频标签信息进行更新。
4.如权利要求1所述的方法，其中，所述方法包括：
获得第二预设更新时间；
根据所述第二预设更新时间、所述第二预设信息，获得第二预设更新信息；
利用所述第二预设更新信息对所述敏态标签信息进行更新。
5.如权利要求1所述的方法，其中，所述根据所述第一预设信息，获得高频标签信息，包括：
根据所述第一预设信息，获得第一预设粒度信息；
根据所述第一预设粒度信息、所述第一预设信息，获得所述高频标签信息。
6.如权利要求1所述的方法，其中，所述根据所述第二预设信息，获得敏态标签信息，包括：
根据所述第二预设信息，获得第二预设粒度信息；
根据所述第二预设粒度信息、所述第二预设信息，获得所述敏态标签信息。
7.如权利要求3或4所述的方法，其中，所述方法包括：
根据所述第一预设更新信息或第二预设更新信息，获得更新数据集合；
将所述更新数据集合输入所述用户预测模型，获得更新数据预测结果；
通过对所述更新数据预测结果进行数据损失分析，获得第一损失数据；
将所述第一损失数据输入到所述用户预测模型中进行训练，获得增量预测模型，所述增量预测模型为对所述用户预测模型进行增量学习后的新模型。
8.如权利要求1所述的方法，其中，所述预测模型为通过自然语言处理、机器学习构建的模型。
9.一种金融行业风险控制装置，其中，所述装置包括：
第一获得单元，所述第一获得单元用于通过用户数据库获得第一用户信息；
第二获得单元，所述第二获得单元用于根据所述第一用户信息，获得低频标签信息；
第三获得单元，所述第三获得单元用于根据所述第一用户信息，获得第一预设信息、第二预设信息；
第四获得单元，所述第四获得单元用于根据所述第一预设信息，获得高频标签信息；
第五获得单元，所述第五获得单元用于根据所述第二预设信息，获得敏态标签信息；
第一执行单元，所述第一执行单元用于基于所述高频标签信息和/或所述敏态标签信息，构建预测模型，并利用第一用户的高频标签信息和/或敏态标签信息中标签数据对所述预测模型进行训练收敛获得用户预测模型；
第六获得单元，所述第六获得单元用于将所述低频标签信息、所述高频标签信息、所述敏态标签信息输入所述用户预测模型，获得第一用户预测风评；
第一判断单元，所述第一判断单元用于判断所述第一用户预测风评是否超出预设阈值；
第七获得单元，所述第七获得单元用于当超出时，获得第一执行信息，所述第一执行信息用于根据所述第一用户预测风评进行风控操作。
10.一种计算机设备，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程序，其中，所述处理器执行所述程序时实现权利要求1-8任一项所述方法的步骤。
CN202111335275.7A 2021-11-11 2021-11-11 一种金融行业风险控制方法和装置 Pending CN114066602A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111335275.7A CN114066602A (zh) 2021-11-11 2021-11-11 一种金融行业风险控制方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111335275.7A CN114066602A (zh) 2021-11-11 2021-11-11 一种金融行业风险控制方法和装置

Publications (1)

Publication Number Publication Date
CN114066602A true CN114066602A (zh) 2022-02-18

Family

ID=80275686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111335275.7A Pending CN114066602A (zh) 2021-11-11 2021-11-11 一种金融行业风险控制方法和装置

Country Status (1)

Country Link
CN (1) CN114066602A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI807949B (zh) * 2022-08-02 2023-07-01 兆豐國際商業銀行股份有限公司 防止理財專員舞弊的警示系統以及警示方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI807949B (zh) * 2022-08-02 2023-07-01 兆豐國際商業銀行股份有限公司 防止理財專員舞弊的警示系統以及警示方法

Similar Documents

Publication Publication Date Title
Barbaglia et al. Forecasting with economic news
Chen et al. Enhancement of stock market forecasting using an improved fundamental analysis-based approach
CN106529729A (zh) 基于BP_Adaboost模型的***用户违约的预测方法及***
CN106611375A (zh) 一种基于文本分析的信用风险评估方法及装置
CN108648023A (zh) 一种融合历史均值与提升树的商家客流量预测方法
López-Cabarcos et al. The impact technical and non-technical investors have on the stock market: Evidence from the sentiment extracted from social networks
Fu et al. A sentiment-aware trading volume prediction model for P2P market using LSTM
Zou et al. Does artificial intelligence promote industrial upgrading? Evidence from China
Li et al. Evolving deep gated recurrent unit using improved marine predator algorithm for profit prediction based on financial accounting information system
Ao Sentiment analysis based on financial tweets and market information
CN116542800A (zh) 基于云端ai技术的智能化财务报表分析***
Zhang et al. Assessing the risk of green building materials certification using the back-propagation neural network
Zhao et al. What is market talking about? Market-oriented prospect analysis for entrepreneur fundraising
Park et al. Performance of confidence intervals in regression models with unbalanced one-fold nested error structures
CN114066602A (zh) 一种金融行业风险控制方法和装置
Han et al. Prediction of investor-specific trading trends in South Korean stock markets using a BILSTM prediction model based on sentiment analysis of financial news articles
US20230252387A1 (en) Apparatus, method and recording medium storing commands for providing artificial-intelligence-based risk management solution in credit exposure business of financial institution
Kuchta et al. Fuzzy modelling and control of project cash flows
Heumann et al. Linear Regression
CN114219663A (zh) 产品推荐方法、装置、计算机设备及存储介质
Sabri et al. Forecasting Turkish lira against the US dollars via forecasting approaches
Ghirelli et al. New data sources for central banks
Yang et al. Value at risk estimation under stochastic volatility models using adaptive PMCMC methods
Tosida et al. Learning Vector Quantization Implementation to Predict The Provision of Assistance for Indonesian Telematics Services SMEs
Chang et al. Latent-Function-Based Residual Discrete Grey Model for Short-Term Demand Forecasting

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