CN114386727A - 一种风险识别方法、装置、设备及存储介质 - Google Patents
一种风险识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114386727A CN114386727A CN202011118242.2A CN202011118242A CN114386727A CN 114386727 A CN114386727 A CN 114386727A CN 202011118242 A CN202011118242 A CN 202011118242A CN 114386727 A CN114386727 A CN 114386727A
- Authority
- CN
- China
- Prior art keywords
- risk
- transaction
- entity
- conduction path
- target
- 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
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及一种风险识别方法、装置、设备及存储介质,属于计算机技术领域,所述方法包括:获取目标实体的交易数据,分别以目标实体和交易数据中各个关联实体为节点,以目标实体与各个关联实体之间的上下游关系为边,构建目标实体的交易关系图谱,其中,交易关系图谱中的每条边对应一条风险传导路径;针对每条风险传导路径,从交易数据中获取该风险传导路径对应的两个节点之间的每笔交易,并计算每笔交易的时间衰减系数,根据每笔交易的时间衰减系数确定该风险传导路径的权重因子;基于各条风险传导路径的权重因子,确定目标实体的目标风险评分。本申请综合不同关联实体对目标实体的影响以及交易数据的时效性,可以更精确的进行风险识别。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种风险识别方法、装置、设备及存储介质。
背景技术
目前在对企业、机构、商户等实体进行风险识别时,由于能够获取到的数据有限,主要是将实体间上下游交易的集中度和稳定度作为评价指标。即实体的上下游交易占比越集中,实体的经营风险越高;实体的上下游变化越大,稳定度越低,实体的经营风险越高。
但实体间上下游交易是存在时效性的,集中度或稳定度只能表示过去特定时间段内的集中程度或稳定程度;并且,针对某个特定实体而言,与该特定实体相关联的每个实体对其经营风险有不同的影响。因此,仅根据集中度和稳定度进行风险识别,准确性较低,不能反应实体的真实风险情况。
发明内容
本申请提供一种风险识别方法、装置、设备及存储介质,能够综合不同关联实体对目标实体的影响以及交易数据的时效性,可以更精确的对目标实体进行风险识别。
一方面,本申请提供了一种风险识别方法,所述方法包括:
获取目标实体的交易数据,分别以所述目标实体和所述交易数据中各个关联实体为节点,以所述目标实体与所述各个关联实体之间的上下游关系为边,构建所述目标实体的交易关系图谱,其中,所述交易关系图谱中的每条边对应一条风险传导路径;
针对每条所述风险传导路径,从所述交易数据中获取所述风险传导路径对应的两个节点之间的每笔交易,并计算每笔所述交易的时间衰减系数,根据每笔所述交易的时间衰减系数确定所述风险传导路径的权重因子;
基于各条所述风险传导路径的权重因子,确定所述目标实体的目标风险评分。
另一方面提供了一种风险识别装置,所述装置包括:
传导路径构建模块,用于获取目标实体的交易数据,分别以所述目标实体和所述交易数据中各个关联实体为节点,以所述目标实体与所述各个关联实体之间的上下游关系为边,构建所述目标实体的交易关系图谱,其中,所述交易关系图谱中的每条边对应一条风险传导路径;
路径权重确定模块,用于针对每条所述风险传导路径,从所述交易数据中获取所述风险传导路径对应的两个节点之间的每笔交易,并计算每笔所述交易的时间衰减系数,根据每笔所述交易的时间衰减系数确定所述风险传导路径的权重因子;
风险识别模块,用于基于各条所述风险传导路径的权重因子,确定所述目标实体的目标风险评分。
另一方面提供了一种风险识别设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由所述处理器加载并执行如上所述的风险识别方法。
另一方面提供了一种计算机存储介质,所述计算机存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上所述的风险识别方法。
本申请提供的风险识别方法、装置、设备及存储介质,具有如下有益效果:
将目标实体和每个关联实体之间的上下游关系确定为一条风险传导路径,可以分别识别每个关联实体对目标实体的风险传导;通过对每笔交易引入时间衰减系数,使得每条风险传导路径的权重因子更为合理,进而使基于各条风险传导路径的权重因子进行风险识别的准确性更高。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是本申请实施例提供的一种风险识别***的示意图。
图2是本申请实施例提供的一种风险识别方法的流程示意图。
图3是本申请实施例提供的交易关系图谱的结构示意图。
图4是本申请实施例提供的时间衰减函数的曲线示意图。
图5是本申请实施例提供的另一种风险识别方法的流程示意图。
图6是本申请实施例提供的另一种风险识别方法的流程示意图。
图7是本申请实施例提供的一种确定目标风险评分的流程示意图。
图8是本申请实施例提供的交易关系图谱的一个示例。
图9是本申请实施例提供的交易关系图谱中各节点的初始风险评分的示例。
图10是本申请实施例提供的单独计算上游实体对应的各条风险传导路径权重值的示例。
图11是本申请实施例提供的单独计算下游实体对应的各条风险传导路径权重值的示例。
图12是本申请实施例提供的上下游作为整体计算各条风险传导路径权重值的示例。
图13是本申请实施例提供的一种风险识别装置的结构示意图。
图14是本申请实施例提供的风险识别装置中路径权重确定模块的结构示意图。
图15是本申请实施例提供的另一种风险识别装置的结构示意图。
图16是本申请实施例提供的另一种风险识别装置的结构示意图。
图17是本申请实施例提供的风险识别装置中第二风险识别单元的结构示意图。
图18是本申请实施例提供的一种用于实现本申请实施例所提供的方法的设备的硬件结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
现有风险识别方案主要是将实体间上下交易中的集中度和稳定度作为识别的指标,交易占比越集中,该企业的经营风险越高;企业前N名客户的年变化(每年客户的变化)越大,经营稳定性越底,企业的经营风险越高。例如,下表是通过***数据所统计的某企业2019年下游客户的交易占比情况,集中度作为识别的指标,前5个客户的交易占比占据该企业整个交易的80%,较为集中,则认为该企业的经营风险较高。
表1:某企业下游客户的交易占比情况
客户名称 | 交易金额(万) | 交易占比 |
中国***股份有限公司广东分公司 | 240 | 57.55% |
广州***科技股份有限公司 | 52 | 12.47% |
广东省***工程有限公司 | 42 | 10.07% |
广州市***金属制品实业有限公司 | 34 | 8.15% |
广东南方***建设股份有限公司 | 19 | 4.56% |
广东***通信器材有限公司 | 11 | 2.64% |
广东***通讯工程有限公司 | 6 | 1.44% |
中国***股份有限公司韶关分公司 | 4 | 0.96% |
中国***股份有限公司东莞分公司 | 3 | 0.72% |
中国***股份有限公司清远分公司 | 3 | 0.72% |
其他 | 3 | 0.72% |
总计 | 416 | 100% |
但实体间上下游交易是存在时效性的,例如,上表所述的仅是2019年的数据,若统计前两年或前三年的数据,则交易占比将发生变化,风险识别的结果也会有所不同。而且,通常交易占比集中的是经营良好且稳定的大企业,是有益于经营的,而并非增加经营风险。此外,也并未考虑上下游企业之间的关联关系,与企业相关联的每个企业对其经营风险有不同的影响,例如“广东***通讯工程有限公司”的交易占比仅为“1.44%”,但实际上该公司对整个企业的经营风险有较大影响。因而,仅根据集中度和稳定度进行风险的识别,具有一定的片面性。
本申请首先从目标实体的交易数据中,提取目标实体与各个关联实体之间的关联关系,基于关联关系构建交易关系图谱。交易关系图谱中的每条边即对应目标实体与某个关联实体之间的关联关系,可以此识别出每个关联实体识别对目标实体的经营风险影响。然后,针对交易关系图谱中的每条边对应两个节点之间的所有交易,根据每笔交易的时间衰减系数确定每条边的权重值,以消除交易的时效性影响,进而更准确的对目标实体的经营风险进行识别。
请参阅图1,其示出了本申请实施例提供的一种风险识别***的示意图。如图1所示,该风险识别***可以至少包括客户端01和服务器02。
具体的,所述客户端01可以包括智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、智能可穿戴设备等类型的设备,也可以包括运行于设备中的软体,例如一些服务商提供给用户的网页页面,也可以为该些服务商提供给用户的应用。具体的,所述客户端01可以用于展示目标实体,以便用户触发对目标实体的风险识别。
具体的,所述服务器02可以包括一个独立运行的服务器,或者分布式服务器,或者由多个服务器组成的服务器集群。所述服务器02可以包括有网络通信单元、处理器和存储器等等。具体的,所述服务器02可以用于对目标实体进行风险识别。
以下介绍本申请的一种风险识别方法。图2是本申请实施例提供的一种风险识别方法的流程示意图,本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的***或服务器产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示,所述方法可以包括:
S201,获取目标实体的交易数据,分别以所述目标实体和所述交易数据中各个关联实体为节点,以所述目标实体与所述各个关联实体之间的上下游关系为边,构建所述目标实体的交易关系图谱,其中,所述交易关系图谱中的每条边对应一条风险传导路径。
本申请实施例中,实体(包括目标实体和关联实体)所属的类别可以包括企业类实体、商户类实体以及机构类实体。交易数据可以是***数据或账单数据等反应目标实体与上下游实体之间交易的数据,且交易数据中至少包括目标实体与各个关联实体之间每笔交易对应的交易金额和交易时间。关联实体是指与目标实体之间存在交易关系的实体,关联实体可以是目标实体的上游实体,也可以是目标实体的下游实体。其中,上游实体是指为目标实体提供服务的实体,例如目标实体的供应商;下游实体是指被目标实体提供服务的实体,例如目标实体的客户。
服务器在获取到目标实体的交易数据后,提取交易数据中目标实体与各关联实体之间的上下游关系,并基于上下游关系建立交易关系图谱,所建立的交易关系图谱结构可参照图3中所示。在图3中,目标实体1有5个关联实体,每个实体对应一个节点,目标实体与每个关联实体的上下游关系形成一条边,共6个节点和5条边。所有边都有共同的节点即目标实体,且每条边都是单向边,由关联实体指向目标实体的边定义为入边,由目标实体指向目标实体的边定义为出边。
交易关系图谱中所有入边具有相同的方向属性,所有出边具有相同的方向属性,且每条边对应一条风险传导路径,则每条风险传导路径的方向属性指示该风险传导路径对应的关联实体为上游实体或下游实体。例如,在图3中,风险传导路径7(即边7)对应的关联实体2为上游实体,风险传导路径10(即边10)对应的关联实体5为下游实体。
服务器在完成交易关系图谱的构建后,可利用pagerank(网页排序)算法的图计算方式,计算出目标实体来自上下游实体的风险传导结果。
S202,针对每条所述风险传导路径,从所述交易数据中获取所述风险传导路径对应的两个节点之间的每笔交易,并计算每笔所述交易的时间衰减系数,根据每笔所述交易的时间衰减系数确定所述风险传导路径的权重因子。
在交易关系图谱中,每条风险传导路径对应的两个节点即为目标实体与一个关联实体,针对目标实体与每一个关联实体之间的每笔交易,可以根据交易的交易时间计算该交易的时间衰减系数。具体的,所述计算每笔所述交易的时间衰减系数,可以包括:计算所述交易对应的交易时间与当前时间之间的时间间隔;根据所述时间间隔,按照预先建立的时间衰减函数得到所述交易的时间衰减系数。
本申请实施例中,时间衰减函数指示由时间间隔引起的衰减,时间衰减函数F(t)可以通过以下表达式表示:
其中,k是衰减参数,t是当前时间与交易时间之间的时间间隔。在具体实施时,t可以以季度为单位、也可以以月或年为单位,即时间间隔可以表征季度差、月度差或年度差等。可以理解的,时间间隔t还可以为其他反应时间差的值,例如,间隔天数等。
使用时间衰减函数可以表明交易数据所代表的上下游关系是有时效性的,失效性影响的强弱可以通过调整衰减参数k的值进行设置,当k一定时,每笔交易的时间衰减系数也就确定了。例如若时间间隔是以季度为单位,当k为8时,表示超过8个季度的交易对风险识别结果影响可以忽略;当k为16时,表示超过16个季度的交易对风险识别结果影响可以忽略。如图4所示,其为在k等于8时,时间衰减函数F(t)随时间间隔t的变化曲线。
相应的,下表示出了时间间隔t以季度为单位时,时间间隔t对应的时间衰减系数F(t)值。从表2可以看出,时间衰减系数表明***数据代表的上下游关系是有季度的时效性,离当前季度越近,上下游关系越强。
表2:时间间隔与时间衰减系数的对应关系
季度差 | 时间间隔t | 时间衰减系数F(t) |
当前季度 | 0 | 1.00 |
上1个季度 | 1 | 0.93 |
上2个季度 | 2 | 0.87 |
上3个季度 | 3 | 0.79 |
上4个季度 | 4 | 0.70 |
上5个季度 | 5 | 0.61 |
上6个季度 | 6 | 0.50 |
上7个季度 | 7 | 0.30 |
上8个季度 | 8 | 0 |
服务器在确定每笔交易的时间衰减系数后,可以根据风险传导路径对应的两个节点之间所有交易的时间衰减系数,确定该风险传导路径的权重因子,权重因子表征影响该风险传导路径在风险识别中权重的参数。具体的,所述根据每笔所述交易的时间衰减系数确定所述风险传导路径的权重因子,可以包括:针对每笔所述交易,将所述交易的时间衰减系数与所述交易对应的交易属性值的乘积,确定为所述交易的权重因子,其中,所述交易属性值包括交易金额或交易重要度;将所有所述交易的权重因子进行叠加,得到所述风险传导路径的权重因子。
本申请实施例中,计算每条风险传导路径的权重因子的数学关系式可以表示为:
其中,n表示风险传导路径对应的两个节点之间有n笔交易,vi表示第i笔交易的交易属性值,F(t)i表示第i笔交易的时间衰减系数。
本申请实施例中,交易属性值可以是交易金额,也可以是交易重要度,交易重要度表征交易重要程度的值。在具体实施时,对某个关联实体而言,其与目标实体之间每笔交易的重要程度可以相同,也可以不同,本说明书不做具体限定。
S203,基于各条所述风险传导路径的权重因子,确定所述目标实体的目标风险评分。
为了区分不同关联实体对目标实体风险传导的影响,如图5所示,在所述基于各条所述风险传导路径的权重因子,确定所述目标实体的目标风险评分之前,所述方法还包括:
S501,获取所述交易关系图谱中每个节点的初始风险评分。
其中,每个节点的初始风险评分是预先根据该节点的经营信息(如财务报表)所确定的,是对该节点的经营风险的一个初步识别。而事实上,不是每个节点的经营信息都是可以获取到的,当不能获取到节点的经营信息时,可以将该节点的初始风险评分设为默认值,或者将该节点的初始风险评分设置为对应行业或区域的风险平均值。
在一个具体的实施方式中,可以将初始风险评分按等级划分,不同等级对应不同的风险。例如,若将初始风险评分划分为5个等级,取值为0、1、2、3或4,从0到4是风险逐步增加,则0表示节点经营良好(经营风险小),4表示节点经营困难(倒闭风险大)。
相应的,继续参照图5中所示,所述基于各条所述风险传导路径的权重因子,确定所述目标实体的目标风险评分,可以包括:
S502,基于每条所述风险传导路径对应的两个节点的初始风险评分,以及所述风险传导路径的权重因子,确定所述目标实体的目标风险评分。
服务器在对目标实体进行风险识别时,可以有分组模式和非分组模式两种模式。在非分组模式下,将交易关系图谱作为一个整体,不区分关联实体是上游实体还是下游实体;在分组模式下,对交易关系图谱进行分组,将所有上游实体作为一组,所有下游实体作为一组。
在一些实施例中,若采用分组模式,则如图6所示,在所述基于每条所述风险传导路径对应的两个节点的初始风险评分,以及所述风险传导路径的权重因子,确定所述目标实体的目标风险评分之前,所述方法还可以包括:
S601,在所述交易关系图谱中,将具有相同方向属性的风险传导路径确定为一个风险传导集合,所述方向属性指示所述风险传导路径对应的关联实体为上游实体或下游实体。
举例说明,参照图3中所示,风险传导路径7对应的关联实体2为上游实体,风险传导路径8对应的关联实体3为上游实体,风险传导路径9对应的关联实体4为上游实体,风险传导路径10对应的关联实体5为下游实体,风险传导路径11对应的关联实体3为下游实体。因而,风险传导路径7、风险传导路径8以及风险传导路径9具有相同方向属性,作为一个风险传导集合;风险传导路径10和风险传导路径11具有相同方向属性,作为一个风险传导集合。
相应的,继续如图6所示,所述基于每条所述风险传导路径对应的两个节点的初始风险评分,以及所述风险传导路径的权重因子,确定所述目标实体的目标风险评分,可以包括:
S602,针对每个所述风险传导集合,根据所述风险传导集合中各条所述风险传导路径的权重因子,计算每条所述风险传导路径的权重值,并根据每条所述风险传导路径对应的两个节点的初始风险评分,以及所述风险传导路径的权重值,确定所述目标实体的一个目标风险评分。
具体的,如图7所示,所述根据所述风险传导集合中各条所述风险传导路径的权重因子,计算每条所述风险传导路径的权重值,可以包括:
S6021,将所述风险传导集合中各条所述风险传导路径的权重因子相加,得到所述风险传导集合的权重因子。
S6022,基于所述风险传导集合的权重因子,对每条所述风险传导路径的权重因子进行归一化处理,得到每条所述风险传导路径的权重值。
本申请实施例中,第i条风险传导路径的权重值vi的可通过如下式子表示:
其中,m表示风险传导路径总数,sk表示第k条风险传导路径的权重因子。
继续如图7所示,所述根据每条所述风险传导路径对应的两个节点的初始风险评分,以及所述风险传导路径的权重值,确定所述目标实体的一个目标风险评分,可以包括:
S6023,对于每条所述风险传导路径,计算所述风险传导路径对应的关联实体的初始风险评分,与所述风险传导路径的权重值的乘积,得到所述风险传导路径的风险传导值。
S6024,将各条所述风险传导路径的风险传导值进行叠加,得到所述目标实体的风险偏移值。
S6025,将所述目标实体的初始风险评分与风险偏移值之和,确定为所述目标实体对应的一个目标风险评分。
本申请实施例中,目标风险评分的可通过如下式子计算:
其中,rj表示第j条风险传导路径对应的关联实体的初始风险评分,wj表示第j条风险传导路径的权重值,rj*wj表示第j条风险传导路径的风险传导值,m表示风险传导路径总数,表示目标实体的风险偏移值,r0表示目标实体的初始风险评分。
在具体实施,可以对目标风险评分r进行取整操作,得到与初始风险评分r0相对应的等级,从而确定目标实体在初始风险评分的基础上,通过上下游交易关系,是否有经营风险增加的情况发生,即:
其中,[]是取整操作。
需要说明的是,上述目标风险评分的计算式中,只在风险传导路径上引入时间衰减系数,在一些实施例中,也可以在初始风险评分中也引入时间衰减系数,则目标风险评分的计算式可更新为:
其中,q为r0的时间衰减系数,取值为0到1之间。具体实施时,可根据r0的计算时间与当前时间之间的时间间隔,按照上述F(t)的方式进行确定。
在另一些实施例中,若采用非分组模式,则可以将交易关系图谱作为一个总风险传导集合,针对该总风险传导集合,按照步骤S6021至步骤S6025相同的方式,可以确定出目标实体对应的另一个目标风险评分。
通过采用非分组模式,可以计算出目标实体来自上下游实体的总风险传导结果。而通过采用分组模式,可以分别计算出目标实体来自上游实体和下游实体的风险传导结果,更利于目标实体的风险识别。
需要说明的是,上述分组模式或非分组模式下,每个风险传导集合确定出的目标风险评分的计算方式都相同,并未区分风险传导集合之间的差异性。为了区分不同风险传导集合对目标实体的经营风险有不同影响,例如供应商和客户对企业的经营影响有可能不同,服务器在利用各个目标风险评分对目标实体进行风险最终确认时,可以为每个目标风险评分增加影响因子来体现,该影响因子的取值为0到1之间。
在实体从事经营活动中,***数据是所开具和收取的业务凭证,是会计核算的原始依据,也是审计机关、税务机关等进行执法检查的重要依据,具有高的可靠性。下面以交易数据为***数据对本申请实施例的风险识别方法进行详细说明。如表3所示,其为A公司与上游公司(销售方)及下游公司(购买方)的***数据部分内容。
表3:A公司与上下游各关联公司的***数据部分内容
销售方 | 购买方 | ***时间 | ***金额 |
B公司 | A公司 | 2020.01.01 | 80W |
C公司 | A公司 | 2020.04.01 | 70W |
D公司 | A公司 | 2019.12.01 | 40W |
D公司 | A公司 | 2020.01.01 | 20W |
··· | ··· | ··· | ··· |
A公司 | E公司 | 2020.03.01 | 60W |
A公司 | F公司 | 2020.04.01 | 30W |
A公司 | F公司 | 2020.07.01 | 20W |
··· | ··· | ··· | ··· |
根据上述***数据,可以形成各公司之间表示上下游关系的交易关系图谱,如图8所示。在图8中,每个节点对应一个公司,边为公司之间有开***而形成的上游关系或下游关系,每条边可以是入边或出边。其中,入边是指A公司作为客户,其他供应商对A公司供货,如图8中A公司的入边是边7、边8和边9;出边是指A公司作为供应商,为其他企业供货,如图8中A公司的出边是边10和边11。
本申请实施例将每条边作为一条风险传导路径,并分别计算供应商和客户对A公司的风险传导。图8中,B公司、C公司以及D公司都是A公司的上游公司(供应商),风险传导路径7、风险传导路径8和风险传导路径9具有相同方向属性(都是入边),形成风险传导集合1;E公司和F公司都是A公司的下游公司(客户),风险传导路径10和风险传导路径11具有相同方向属性(都是出边),形成风险传导集合2。假设当前时间为2020-08-01(2020年第3季度),可以利用pagerank算法分别对风险传导集合1和风险传导集合2进行风险传导的计算。
服务器可以通过各个公司的财务报表信息,对各个公司的经营风险进行初步识别,如图9中所示,可得到各个公司的初始风险评分r0。
对于风险传导集合1,风险传导路径7对应的B公司和A公司之间有1笔***,***时间为2020.01.01(2020年第1季度),***金额为80W,对应当前时间2020-08-01,2020.01.01是上2个季度,即时间间隔是2。根据时间衰减函数F(t),可得到该笔***的时间衰减系数为0.87。相应的,风险传导路径7的权重因子为s7=80*0.87=69.6。
风险传导路径8对应的C公司和A公司之间有1笔***,***时间为2020.04.01(2020年第2季度),***金额为70W,对应当前时间2020-08-01,2020.04.01是上1个季度,即时间间隔是1。根据时间衰减函数F(t),可得到该笔***的时间衰减系数为0.93。相应的,风险传导路径8的权重因子为s8=70*0.93=65.1。
风险传导路径9对应的D公司和A公司之间有2笔***。第一笔***中,***时间为2019.12.01(2019年第4季度),***金额为40W,对应当前时间2020-08-01,2019.12.01是上3个季度,即时间间隔是3,根据时间衰减函数F(t)可得到第一笔***的时间衰减系数为0.79。第二笔***中,***时间为2020.01.01(2020年第1季度),***金额为20W,对应当前时间2020-08-01,2020.01.01是上2个季度,即时间间隔是2,根据时间衰减函数F(t)可得到第一笔***的时间衰减系数为0.87。相应的,风险传导路径9的权重因子为s9=40*0.79+20*0.87=31.6+17.4=49。
对风险传导集合1中每条风险传导路径的权重因子进行归一化处理,如图10所示,可得到每条风险传导路径的权重值:
w7=s7/(s7+s8+s9)=69.6/(69.6+65.1+49)=0.379
w8=s8/(s7+s8+s9)=65.1/(69.6+65.1+49)=0.354
w9=s9/(s7+s8+s9)=49/(69.6+65.1+49)=0.267
对于A公司的上游风险评分,是A公司的初始风险评分与上游传导的风险之和,即:
r=0+2*0.379+1*0.354+0*0.267=1.112
通过从企业上游供应的角度,在对A公司的初始风险评分为0的情况下,可以得到上游对A公司的风险增加情况。
对于风险传导集合2,风险传导路径10对应的E公司和A公司之间有1笔***,***时间为2020.03.01(2020年第1季度),***金额为60W,对应当前时间2020-08-01,2020.03.01是上2个季度,即时间间隔是2。根据时间衰减函数F(t)可得到该笔***的时间衰减系数为0.87,相应的,风险传导路径10的权重因子为s10=60*0.87=52.2。
风险传导路径11对应的F公司和A公司之间有2笔***。第一笔***中,***时间为2020.04.01(2020年第2季度),***金额为30W,对应当前时间2020-08-01,2020.04.01是上1个季度,即时间间隔是1,根据时间衰减函数F(t)可得到第一笔***的时间衰减系数为0.97。第二笔***中,***时间为2020.07.01(2020年第3季度),***金额为20W,对应当前时间2020-08-01,2020.07.01是当前季度,即时间间隔是0,根据时间衰减函数F(t)可得到第二笔***的时间衰减系数为1。相应的,风险传导路径11的权重因子为s11=30*0.97+20*1=31.6+17.4=49.1。
对风险传导集合2中每条风险传导路径的权重因子进行归一化处理,如图11所示,可得到每条风险传导路径的权重值:
w10=s10/(s10+s11)=52.2/(52.2+49.1)=0.516
w11=s11/(s10+s11)=49.1/(52.2+49.1)=0.484
对于A公司的下游风险评分,是A公司的初始风险评分与下游传导的风险之和,即:
r=0+0*0.516+1*0.484=0.484
通过下游风险传导计算,在对A公司的初始风险评分为0的情况下,可以得到下游对A公司的风险增加情况。
若将图8中的交易关系图谱作为一个整体,即综合评估上下游风险传导,则如图12所示,可得到每条风险传导路径的权重值:
w7=s7/(s7+s8+s9+s10+s11)=0.245
w8=s8/(s7+s8+s9+s10+s11)=0.228
w9=s9/(s7+s8+s9+s10+s11)=0.172
w10=s10/(s7+s8+s9+s10+s11)=0.183
w11=s11/(s7+s8+s9+s10+s11)=0.172
从上游供应角度和从下游销售角度,虽然图结构和计算方式一样,但风险传导路径的权重值不同,因而可以为目标实体的上下游分析提供更好指标。
上述具体实施例,先通过企业***数据构建企业经营的交易关系图谱,图谱中节点是企业,边是各企业之间的上下游关系,企业的初始风险评分是节点的属性,权重值是边的属性。完成图谱构建后,利用pagerank算法的图计算方式,分别计算出企业来自供应端和销售端的风险传导结果。
在实际应用中,可以将本申请的风险识别方法用于能获取实体***数据,并掌握***中上下游实体的基本经营状况的金融机构中,通过构建实体的上下游交易关系图谱,计算实体风险传导,从而更好的识别实体经营状况。
本申请实施例还提供了一种风险识别装置,如图13所示,所述装置可以包括:
传导路径构建模块1310,用于获取目标实体的交易数据,分别以所述目标实体和所述交易数据中各个关联实体为节点,以所述目标实体与所述各个关联实体之间的上下游关系为边,构建所述目标实体的交易关系图谱,其中,所述交易关系图谱中的每条边对应一条风险传导路径;
路径权重确定模块1320,用于针对每条所述风险传导路径,从所述交易数据中获取所述风险传导路径对应的两个节点之间的每笔交易,并计算每笔所述交易的时间衰减系数,根据每笔所述交易的时间衰减系数确定所述风险传导路径的权重因子;
风险识别模块1330,用于基于各条所述风险传导路径的权重因子,确定所述目标实体的目标风险评分。
本申请实施例中,如图14所示,所述路径权重确定模块1320可以包括衰减系数确定单元1321和权重因子确定单元1322,所述衰减系数确定单元1321用于计算每笔所述交易的时间衰减系数,所述权重因子确定单元1322用于根据每笔所述交易的时间衰减系数确定所述风险传导路径的权重因子。
具体的,所述衰减系数确定单元1321可以包括:
时间间隔计算单元13211,用于计算所述交易对应的交易时间与当前时间之间的时间间隔;
函数计算单元13212,用于根据所述时间间隔,按照预先建立的时间衰减函数得到所述交易的时间衰减系数,其中,所述时间衰减函数指示由时间间隔引起的衰减。
具体的,所述权重因子确定单元1322可以包括:
交易权重计算单元13221,用于针对每笔所述交易,将所述交易的时间衰减系数与所述交易对应的交易属性值的乘积,确定为所述交易的权重因子,其中,所述交易属性值包括交易金额或交易重要度;
权重因子叠加单元13222,用于将所有所述交易的权重因子进行叠加,得到所述风险传导路径的权重因子。
在一些实施例中,如图15所示,所述装置还可以包括:
初始风险识别模块1340,用于获取所述交易关系图谱中每个节点的初始风险评分。
相应的,所述风险识别模块1330可以包括:
第一风险识别单元1331,用于基于每条所述风险传导路径对应的两个节点的初始风险评分,以及所述风险传导路径的权重因子,确定所述目标实体的目标风险评分。
在一些实施例中,如图16所示,所述装置还可以包括:
风险传导集合确定模块1350,用于在所述交易关系图谱中,将具有相同方向属性的风险传导路径确定为一个风险传导集合,所述方向属性指示所述风险传导路径对应的关联实体为上游实体或下游实体。
相应的,所述第一风险识别单元1331可以包括:
第二风险识别单元13311,用于针对每个所述风险传导集合,根据所述风险传导集合中各条所述风险传导路径的权重因子,计算每条所述风险传导路径的权重值,并根据每条所述风险传导路径对应的两个节点的初始风险评分,以及所述风险传导路径的权重值,确定所述目标实体的一个目标风险评分。
本申请实施例中,如图17所示,所述第二风险识别单元13311可以包括:
权重值确定单元133111,用于根据所述风险传导集合中各条所述风险传导路径的权重因子,计算每条所述风险传导路径的权重值;
目标风险确定单元133112,用于根据每条所述风险传导路径对应的两个节点的初始风险评分,以及所述风险传导路径的权重值,确定所述目标实体的一个目标风险评分。
具体的,所述权重值确定单元133111可以包括:
集合权重因子确定单元1331111,用于将所述风险传导集合中各条所述风险传导路径的权重因子相加,得到所述风险传导集合的权重因子;
归一化处理单元1331112,用于基于所述风险传导集合的权重因子,对每条所述风险传导路径的权重因子进行归一化处理,得到每条所述风险传导路径的权重值。
具体的,所述目标风险确定单元133112可以包括:
风险传导值确定单元1331121,用于对于每条所述风险传导路径,计算所述风险传导路径对应的关联实体的初始风险评分,与所述风险传导路径的权重值的乘积,得到所述风险传导路径的风险传导值;
风险偏移值确定单元1331122,用于将各条所述风险传导路径的风险传导值进行叠加,得到所述目标实体的风险偏移值;
风险评分确定单元1331123,用于将所述目标实体的初始风险评分与风险偏移值之和,确定为所述目标实体对应的一个目标风险评分。
需要说明的是,所述的装置实施例中的装置与方法实施例基于同样地发明构思。
本申请实施例还提供了一种风险识别设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由所述处理器加载并执行如上述方法实施例提供的风险识别方法。
进一步地,图18示出了一种用于实现本申请实施例所提供的方法的设备的硬件结构示意图,所述设备可以参与构成或包含本申请实施例所提供的装置或***。如图18所示,设备18可以包括一个或多个(图中采用1802a、1802b,……,1802n来示出)处理器1802(处理器1802可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器1804、以及用于通信功能的传输装置1806。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图18所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,设备18还可包括比图18中所示更多或者更少的组件,或者具有与图18所示不同的配置。
应当注意到的是上述一个或多个处理器1802和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到设备18(或移动设备)中的其他元件中的任意一个内。
存储器1804可用于存储应用软件的软件程序以及模块,如本申请实施例中所述的方法对应的程序指令/数据存储装置,处理器1802通过运行存储在存储器1804内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的一种风险识别方法。存储器1804可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1804可进一步包括相对于处理器1802远程设置的存储器,这些远程存储器可以通过网络连接至设备18。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置1806用于经由一个网络接收或者发送数据。上述的网络具体实例可包括设备180的通信供应商提供的无线网络。在一个实例中,传输装置1806包括一个网络适配器(NetworkInterfaceController,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置1806可以为射频(RadioFrequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与设备18(或移动设备)的用户界面进行交互。
本申请实施例还提供了一种计算机存储介质,所述计算机存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现上述方法实施例提供的风险识别方法。
可选地,在本实施例中,上述计算机存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机存储介质中。风险识别设备的处理器从计算机存储介质读取该计算机指令,处理器执行该计算机指令,使得该风险识别设备执行上述的各方法实施例中的步骤。
由上述实施例提供的技术方案可见,本申请将目标实体和每个关联实体之间的上下游关系确定为一条风险传导路径,可以分别识别每个关联实体对目标实体的风险传导;通过对每笔交易引入时间衰减系数,使得每条风险传导路径的权重因子更为合理,进而使在基于各条风险传导路径的权重因子进行风险识别的准确性也更高;基于每个节点的初始风险评分进行风险传导计算,可以识别出目标实体的是否有增加经营风险的情况;分别对目标实体的上游实体和下游实体进行风险传导计算,可以准确的识别出目标实体当前的经营风险在上游实体和/或下游实体。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置和电子设备实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述说明已经充分揭露了本申请的具体实施方式。需要指出的是,熟悉该领域的技术人员对本申请的具体实施方式所做的任何改动均不脱离本申请的权利要求书的范围。相应地,本申请的权利要求的范围也并不仅仅局限于前述具体实施方式。
Claims (10)
1.一种风险识别方法,其特征在于,所述方法包括:
获取目标实体的交易数据,分别以所述目标实体和所述交易数据中各个关联实体为节点,以所述目标实体与所述各个关联实体之间的上下游关系为边,构建所述目标实体的交易关系图谱,其中,所述交易关系图谱中的每条边对应一条风险传导路径;
针对每条所述风险传导路径,从所述交易数据中获取所述风险传导路径对应的两个节点之间的每笔交易,并计算每笔所述交易的时间衰减系数,根据每笔所述交易的时间衰减系数确定所述风险传导路径的权重因子;
基于各条所述风险传导路径的权重因子,确定所述目标实体的目标风险评分。
2.根据权利要求1所述的方法,其特征在于,所述计算每笔所述交易的时间衰减系数,包括:
计算所述交易对应的交易时间与当前时间之间的时间间隔;
根据所述时间间隔,按照预先建立的时间衰减函数得到所述交易的时间衰减系数,其中,所述时间衰减函数指示由时间间隔引起的衰减。
3.根据权利要求1所述的方法,其特征在于,所述根据每笔所述交易的时间衰减系数确定所述风险传导路径的权重因子,包括:
针对每笔所述交易,将所述交易的时间衰减系数与所述交易对应的交易属性值的乘积,确定为所述交易的权重因子,其中,所述交易属性值包括交易金额或交易重要度;
将所有所述交易的权重因子进行叠加,得到所述风险传导路径的权重因子。
4.根据权利要求1所述的方法,其特征在于,在所述基于各条所述风险传导路径的权重因子,确定所述目标实体的目标风险评分之前,所述方法还包括:
获取所述交易关系图谱中每个节点的初始风险评分;
相应的,所述基于各条所述风险传导路径的权重因子,确定所述目标实体的目标风险评分,包括:
基于每条所述风险传导路径对应的两个节点的初始风险评分,以及所述风险传导路径的权重因子,确定所述目标实体的目标风险评分。
5.根据权利要求4所述的方法,其特征在于,在所述基于每条所述风险传导路径对应的两个节点的初始风险评分,以及所述风险传导路径的权重因子,确定所述目标实体的目标风险评分之前,所述方法还包括:
在所述交易关系图谱中,将具有相同方向属性的风险传导路径确定为一个风险传导集合,所述方向属性指示所述风险传导路径对应的关联实体为上游实体或下游实体;
相应的,所述基于每条所述风险传导路径对应的两个节点的初始风险评分,以及所述风险传导路径的权重因子,确定所述目标实体的目标风险评分,包括:
针对每个所述风险传导集合,根据所述风险传导集合中各条所述风险传导路径的权重因子,计算每条所述风险传导路径的权重值,并根据每条所述风险传导路径对应的两个节点的初始风险评分,以及所述风险传导路径的权重值,确定所述目标实体的一个目标风险评分。
6.根据权利要求5所述的方法,其特征在于,所述根据所述风险传导集合中各条所述风险传导路径的权重因子,计算每条所述风险传导路径的权重值,包括:
将所述风险传导集合中各条所述风险传导路径的权重因子相加,得到所述风险传导集合的权重因子;
基于所述风险传导集合的权重因子,对每条所述风险传导路径的权重因子进行归一化处理,得到每条所述风险传导路径的权重值。
7.根据权利要求5所述的方法,其特征在于,所述根据每条所述风险传导路径对应的两个节点的初始风险评分,以及所述风险传导路径的权重值,确定所述目标实体的一个目标风险评分,包括:
对于每条所述风险传导路径,计算所述风险传导路径对应的关联实体的初始风险评分,与所述风险传导路径的权重值的乘积,得到所述风险传导路径的风险传导值;
将各条所述风险传导路径的风险传导值进行叠加,得到所述目标实体的风险偏移值;
将所述目标实体的初始风险评分与风险偏移值之和,确定为所述目标实体对应的一个目标风险评分。
8.一种风险识别装置,其特征在于,所述装置包括:
传导路径构建模块,用于获取目标实体的交易数据,分别以所述目标实体和所述交易数据中各个关联实体为节点,以所述目标实体与所述各个关联实体之间的上下游关系为边,构建所述目标实体的交易关系图谱,其中,所述交易关系图谱中的每条边对应一条风险传导路径;
路径权重确定模块,用于针对每条所述风险传导路径,从所述交易数据中获取所述风险传导路径对应的两个节点之间的每笔交易,并计算每笔所述交易的时间衰减系数,根据每笔所述交易的时间衰减系数确定所述风险传导路径的权重因子;
风险识别模块,用于基于各条所述风险传导路径的权重因子,确定所述目标实体的目标风险评分。
9.一种风险识别设备,其特征在于,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由所述处理器加载并执行如权利要求1-7任一所述的风险识别方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1-7任一所述的风险识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011118242.2A CN114386727A (zh) | 2020-10-19 | 2020-10-19 | 一种风险识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011118242.2A CN114386727A (zh) | 2020-10-19 | 2020-10-19 | 一种风险识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114386727A true CN114386727A (zh) | 2022-04-22 |
Family
ID=81193713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011118242.2A Pending CN114386727A (zh) | 2020-10-19 | 2020-10-19 | 一种风险识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114386727A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114925217A (zh) * | 2022-05-24 | 2022-08-19 | 中国电子科技集团公司第十研究所 | 一种基于关系属性加权的高价值路径发现方法 |
CN115034520A (zh) * | 2022-08-09 | 2022-09-09 | 太平金融科技服务(上海)有限公司深圳分公司 | 风险预测方法、装置、设备及存储介质 |
CN115170304A (zh) * | 2022-06-22 | 2022-10-11 | 支付宝(杭州)信息技术有限公司 | 风险特征描述的提取方法和装置 |
CN115292424A (zh) * | 2022-10-08 | 2022-11-04 | 凯美瑞德(苏州)信息科技股份有限公司 | 一种风险传导的分析方法、电子设备及存储介质 |
CN115660688A (zh) * | 2022-10-24 | 2023-01-31 | 西南财经大学 | 金融交易异常检测方法及其跨区域可持续训练方法 |
-
2020
- 2020-10-19 CN CN202011118242.2A patent/CN114386727A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114925217A (zh) * | 2022-05-24 | 2022-08-19 | 中国电子科技集团公司第十研究所 | 一种基于关系属性加权的高价值路径发现方法 |
CN114925217B (zh) * | 2022-05-24 | 2023-05-02 | 中国电子科技集团公司第十研究所 | 一种基于关系属性加权的高价值路径发现方法 |
CN115170304A (zh) * | 2022-06-22 | 2022-10-11 | 支付宝(杭州)信息技术有限公司 | 风险特征描述的提取方法和装置 |
CN115034520A (zh) * | 2022-08-09 | 2022-09-09 | 太平金融科技服务(上海)有限公司深圳分公司 | 风险预测方法、装置、设备及存储介质 |
CN115034520B (zh) * | 2022-08-09 | 2023-01-10 | 太平金融科技服务(上海)有限公司深圳分公司 | 风险预测方法、装置、设备及存储介质 |
CN115292424A (zh) * | 2022-10-08 | 2022-11-04 | 凯美瑞德(苏州)信息科技股份有限公司 | 一种风险传导的分析方法、电子设备及存储介质 |
CN115660688A (zh) * | 2022-10-24 | 2023-01-31 | 西南财经大学 | 金融交易异常检测方法及其跨区域可持续训练方法 |
CN115660688B (zh) * | 2022-10-24 | 2024-04-30 | 西南财经大学 | 金融交易异常检测方法及其跨区域可持续训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114386727A (zh) | 一种风险识别方法、装置、设备及存储介质 | |
Podobnik et al. | Cross-correlations between volume change and price change | |
Andersen et al. | Primal-dual simulation algorithm for pricing multidimensional American options | |
Chen | Nonparametric estimation of expected shortfall | |
US9020988B2 (en) | Database aggregation of purchase data | |
US10474692B2 (en) | Data conversion and distribution systems | |
Tsai | The cause and outcomes of the ripple effect: housing prices and transaction volume | |
Zaigham et al. | Causal relation between stock market performance and firm investment in China: Mediating role of information asymmetry | |
CN105303447A (zh) | 利用网络信息进行信用评级的方法和*** | |
Maldonado et al. | No‐arbitrage matrices of exchange rates: Some characterizations | |
Abendin et al. | Bilateral Trade in West Africa: Does Digitalization Matter? | |
Ho et al. | A network analysis of the cryptocurrency market | |
KR101927578B1 (ko) | 기업정보 제공 시스템 및 방법 | |
Syamsuar et al. | Empirical Review Of M-Banking User Satisfaction Using End User Computing Satisfaction (EUCS) | |
Chen et al. | Mutual fund performance evaluation–application of system BCC model | |
CN112540959A (zh) | 一种数据处理方法和装置 | |
CN110489394B (zh) | 中间数据处理方法及设备 | |
Prior et al. | Costs, revenues and performance in Spanish banking: a comparative analysis of pre-and early crisis years | |
Beare | Optimal measure preserving derivatives revisited | |
Yu et al. | Factor analysis for ranked data with application to a job selection attitude survey | |
Choe et al. | The k th default time distribution and basket default swap pricing | |
EP2770473A1 (en) | Systems and methods for detecting market irregularities | |
Eberlein et al. | A multiple-curve Lévy forward rate model in a two-price economy | |
CN115357729A (zh) | 一种证券关系图谱的构建方法、装置及电子设备 | |
Denis | Approximate hedging of contingent claims under transaction costs for general pay-offs |
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 |