CN115034596A - 一种风险传导预测方法、装置、设备和介质 - Google Patents
一种风险传导预测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN115034596A CN115034596A CN202210621312.9A CN202210621312A CN115034596A CN 115034596 A CN115034596 A CN 115034596A CN 202210621312 A CN202210621312 A CN 202210621312A CN 115034596 A CN115034596 A CN 115034596A
- Authority
- CN
- China
- Prior art keywords
- risk
- conduction
- preset
- event
- prediction
- 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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种风险传导预测方法、装置、设备和介质,其中,方法包括:获取预设风险事件信息,以及预设风险事件中的风险源对象的预设参数信息;根据预设风险事件信息和预设参数信息构建风险源对象的关联对象节点图网络;将关联对象节点图网络输入到预设风险传导时间窗口对应的风险传导预测图神经网络中,得到关联对象节点图网络中除风险源对象节点之外的各节点,在预设风险传导时间窗口内被传导发生风险事件的概率。本发明实施例的技术方案解决了企业风险的防控与管理不全面的问题,实现基于企业之间的关系网络以及已发生风险事件,分析出与发生风险事件的企业在同一个关系网络中的其他企业发生风险的概率,优化企业间的风险管理与分析。
Description
技术领域
本发明实施例涉及人工智能技术领域,尤其涉及一种风险传导预测方法、装置、设备和介质。
背景技术
越来越多的风险事件表明,一家企业发生风险事件不仅对与其有直接关系的担保企业及上下游企业有重大影响,也会对与其有非直接关联关系的其他企业产生巨大影响,甚至直接导致其他企业陆续发生风险事件。
但是,在目前的企业风险管控中,侧重于对单个企业的分析、预测、监控和管理,多基于业务规则和专家经验对相关企业风险指标进行评估,或依靠单一客户评级等模型,对企业的源生性风险进行监测,缺乏对风险在关联企业中传播和扩散的分析与管控,导致企业风险的防控与管理存在漏洞,不够全面。
发明内容
本发明实施例提供了一种风险传导预测方法、装置、设备和介质,以实现根据企业之间的关系网络以及风险事件进行风险传导预测,分析出与发生风险事件的企业在同一个关系网络中的其他企业发生风险的概率,有利于企业间的风险管理与分析。
第一方面,本发明实施例提供了一种风险传导预测方法,该方法包括:
获取预设风险事件信息,以及所述预设风险事件中的风险源对象的预设参数信息;
根据所述预设风险事件信息和所述预设参数信息构建所述风险源对象的关联对象节点图网络;
将所述关联对象节点图网络输入到预设风险传导时间窗口对应的风险传导预测图神经网络中,得到所述关联对象节点图网络中除所述风险源对象节点之外的各节点,在所述预设风险传导时间窗口内被传导发生风险事件的概率;
其中,所述风险传导预测图神经网络是根据预设历史风险事件在所述预设风险传导时间窗口内的风险传导样本数据进行监督学习得到的模型,所述风险传导样本数据包括所述预设历史风险事件信息以及样本风险源对象在对应的关联对象节点图网络中各节点发生的与所述预设历史风险事件关联的传导风险事件信息。
第二方面,本发明实施例提供了一种风险传导预测装置,该装置包括:
风险预测数据获取模块,用于获取预设风险事件信息,以及所述预设风险事件中的风险源对象的预设参数信息;
风险关联对象网络建立模块,用于根据所述预设风险事件信息和所述预设参数信息构建所述风险源对象的关联对象节点图网络;
风险传导预测模块,用于将所述关联对象节点图网络输入到预设风险传导时间窗口对应的风险传导预测图神经网络中,得到所述关联对象节点图网络中除所述风险源对象节点之外的各节点,在所述预设风险传导时间窗口内被传导发生风险事件的概率;
其中,所述风险传导预测图神经网络是根据预设历史风险事件在所述预设风险传导时间窗口内的风险传导样本数据进行监督学习得到的模型,所述风险传导样本数据包括所述预设历史风险事件信息以及样本风险源对象在对应的关联对象节点图网络中各节点发生的与所述预设历史风险事件关联的传导风险事件信息。
第三方面,本发明实施例还提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任意实施例所提供的风险传导预测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的风险传导预测方法。
上述发明中的实施例具有如下优点或有益效果:
本发明实施例,通过在任意一个风险管理对象有风险事件发生时,通过获取已发生的预设风险事件信息,以及预设风险事件中的风险源对象的预设参数信息;然后,据预设风险事件信息和预设参数信息构建所述风险源对象的关联对象节点图网络,并将关联对象节点图网络输入到预设风险传导时间窗口对应的风险传导预测图神经网络中,得到关联对象节点图网络中除风险源对象节点之外的各节点,在预设风险传导时间窗口内被传导发生风险事件的概率。其中,风险传导预测图神经网络是根据预设历史风险事件在预设风险传导时间窗口内的风险传导样本数据进行监督学习得到的模型,能够对关联对象节点图网络中各节点发送风险事件的概率进行预测的模型,风险传导样本数据包括预设历史风险事件信息以及样本风险源对象在对应的关联对象节点图网络中各节点发生的与预设历史风险事件关联的传导风险事件信息。本实施例的技术方案,解决了企业风险的防控与管理未考虑到企业之间的关联,企业风险防控存在漏洞,不全面的问题,实现了根据企业之间的关系网络以及已发生风险事件信息进行风险传导预测,分析出与发生风险事件的企业在同一个关系网络中的其他企业发生风险的概率,有利于企业间的风险管理与分析。
附图说明
图1是本发明实施例一提供的一种风险传导预测方法的流程图;
图2是本发明实施例二提供的一种风险传导预测方法的流程图;
图3是本发明实施例二提供的一种样本数据集划分示意图;
图4是本发明实施例二提供的一种模型训练过程示意图;
图5是本发明实施例三提供的一种风险传导预测装置结构示意图;
图6是本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
此外,需要说明的是,本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
实施例一
图1为本发明实施例一提供的一种风险传导预测方法的流程图,本实施例可适用于企业风险分析与管理场景。该方法可以由风险传导预测装置来执行,该风险传导预测装置可以采用硬件和/或软件的形式实现,配置于计算机设备或服务器中。
如图1所示,风险传导预测方法包括以下步骤:
S110、获取预设风险事件信息,以及所述预设风险事件中的风险源对象的预设参数信息。
其中,预设风险事件是在对企业进行风险管理过程中,已经发生的一个风险事件。风险事件是指在一个企业的运行过程中,影响企业正常运转的事件,不同业务领域的企业可以根据相对应的业务规则确定企业是否发生风险事件。例如,一个企业逾期未支付银行的贷款,且逾期金额超过了一个较高的数值,可以认为该逾期且未偿还贷款的企业发生了风险事件。具体的,预设风险事件信息包括事件发生时间、风险源对象、事件关联主体对象、事件原因以及风险事件涉及到的业务内容等可以说明预设风险事件详情的信息
发生预设风险事件的企业,即是风险源对象。风险源对象的预设参数信息包括企业自身基础信息、授信信息、经营情况、征信信息、舆情信息、工商信息等数据,以及与风险源对象之间存在担保关系、集团关系、投资关系、股权关系、上下游关系、同地区企业关系、高管关系或亲属关系的企业或个人等数据。
S120、根据所述预设风险事件信息和所述预设参数信息构建所述风险源对象的关联对象节点图网络。
其中,关联对象节点图网络是以风险源对象,以及与风险源对象存在关联关系的各企业或个人为节点构建的关系图网络,任意两个节点间若存在关联关系,两个节点间就会存在相应的连线,作为两个节点间的一条边。两个节点间,一种关联关系对应一条边,若存在两种或两种以上的关联关系,则存在两条或两条以上边。可以理解的是,表示关系连结的各条边也代表了风险事件的传导路径,即风险源对象节点的风险爆发后,风险传导至其他企业的实现路径。
进一步的,预设风险事件信息可以作为风险源对象节点的静态特征数据,输入到关联对象节点图网络中,以更新关联对象节点图网络。
S130、将所述关联对象节点图网络输入到预设风险传导时间窗口对应的风险传导预测图神经网络中,得到所述关联对象节点图网络中除所述风险源对象节点之外的各节点,在所述预设风险传导时间窗口内被传导发生风险事件的概率。
其中,预设风险传导时间窗口用于衡量风险传导的速度,对于不同传导路径本身,风险的传导速度是不一样的,例如,担保企业之间的风险传导速度通常大于同地区企业间的风险传导速度。因此,与风险源对象节点之间有不同传导路径的被传导节点,由于传导速度的差异,风险爆发的时间也是有先有后的。可以设定不同的风险传导时间窗口,预测在不同时间窗口下,各节点被传导发生风险事件的概率。风险传导时间窗口可以设定为3个月、6个月、9个月或12个月等任一时间长度。不同的风险传导时间窗口,对应着不同的风险传导预测网络。
进一步的,风险传导预测图神经网络是一个为基于时序的动态图神经网络模型。可以根据关联对象节点图网络中节点间的关系特征,以及各节点的静态特征数据,对除了风险源对象节点之外的各个节点在预设风险传导时间窗口内被传导发生风险事件的概率。这是由于,风险传导预测图神经网络是根据预设历史风险事件在预设风险传导时间窗口内的风险传导样本数据,进行监督学习得到的风险分析预测模型。其中,风险传导样本数据包括预设历史风险事件信息以及样本风险源对象在对应的关联对象节点图网络中各节点发生的与所述预设历史风险事件关联的传导风险事件信息。预设历史风险事件可以是预先采集的,如近三年的风险事件历史数据中的任一风险事件。假设预设风险传导时间窗口是3个月,便可以选取预设风险事件发生之后的3个月内与样本风险源对象具有关联关系的企业或个人相关静态特征数据、事件数据或动态关系数据,建立样本关联对象节点图网络,按照事件数据以及动态关系数据发生的时间顺序,输入到图神经网络模型中进行模型训练,从而得到一个具有风险事件发生概率预测功能的模型。其中,静态企业数据作为各节点自身特征;动态关系数据按照时间顺序,涉及到两个节点间的关联关系的变动,例如,两个节点间在第一时间开始了担保关系,在第二时间结束了担保关系,可以按照时间顺序记录节点间的动态关系特征,以更新关联对象节点图网络;事件数据即表示一个节点是否在预设风险事件的影响下,被传导发生了风险事件,同样可以事件数据更新关联对象节点图网络中的信息。
因此,将关联对象节点图网络输入到预设风险传导时间窗口对应的风险传导预测图神经网络中,由该网络基于各节点的静态特征以及节点间的关联关系进行综合分析可以直接得到关联对象节点图网络中除风险源对象节点之外的各节点,在预设风险传导时间窗口内被传导发生风险事件的概率。
本实施例技术方案,通过在任意一个风险管理对象有风险事件发生时,通过获取已发生的预设风险事件信息,以及预设风险事件中的风险源对象的预设参数信息;然后,据预设风险事件信息和预设参数信息构建所述风险源对象的关联对象节点图网络,并将关联对象节点图网络输入到预设风险传导时间窗口对应的风险传导预测图神经网络中,得到关联对象节点图网络中除风险源对象节点之外的各节点,在预设风险传导时间窗口内被传导发生风险事件的概率。其中,风险传导预测图神经网络是根据预设历史风险事件在预设风险传导时间窗口内的风险传导样本数据进行监督学习得到的模型,能够对关联对象节点图网络中各节点发送风险事件的概率进行预测的模型,风险传导样本数据包括预设历史风险事件信息以及样本风险源对象在对应的关联对象节点图网络中各节点发生的与预设历史风险事件关联的传导风险事件信息。本实施例的技术方案,解决了企业风险的防控与管理未考虑到企业之间的关联,企业风险防控存在漏洞,不全面的问题,实现了根据企业之间的关系网络以及已发生风险事件信息进行风险传导预测,分析出与发生风险事件的企业在同一个关系网络中的其他企业发生风险的概率,有利于企业间的风险管理与分析。
实施例二
图2为本发明实施例二提供的一种风险传导预测方法的流程图,本实施例的技术方案在上述实施例的基础上进一步描述了风险传导预测图神经网络过程。该方法可以由风险传导预测装置来执行,该风险传导预测装置可以采用硬件和/或软件的形式实现,配置于移动终端、计算机设备或服务器中。
如图2所示,风险传导预测方法包括以下步骤:
S210、获取风险传导样本数据。
具体的,风险传导样本数据即是对预设历史时间段中,针对任一历史风险事件在预设风险传导时间窗口内的企业风险传染情况的监测,数据主要组成部分包括风险源企业、风险传导路径、被传导发生风险事件企业等三个主要部分组成,当然还包括各企业自身的企业基础特征信息。其中,风险源企业并非特定企业,具体指在一次风险事件传导过程中第一家出现风险的企业。传染路径是指风险源企业的风险事件爆发后,风险传染至其他企业的实现路径。从本质上来讲,传染路径是风险源企业与其他企业或个人的关联关系,包含集团控股关系、担保关系、上下游关系、同地区企业关系等等。被传染企业是指在风险源企业风险爆发影响下,通过传染路径,从而导致发生风险的企业,其发生风险晚于风险源企业,且发生风险原因是受风险源企业出险影响。首先,可以根据风险源企业、风险传导路径、被传导发生风险事件企业构建一个样本关联对象节点图网络。
然后,获取样本风险源对象(样本数据中预设历史风险事件中的风险源企业)所在的样本关联对象节点图网络中各节点,在预设风险传导时间窗口内发生的动态事件信息。其中,动态事件信息包括节点间关系变动事件,涉及到两个节点间的关联关系的变动,例如,两个节点间在第一时间开始了担保关系,在第二时间结束了担保关系,可以按照时间顺序记录节点间的动态关系特征,以更新关联对象节点图网络;动态事件信息还包括传导风险事件信息,即表示一个节点是否在预设历史风险事件的影响下,被传导发生了风险事件,同样可以事件数据更新关联对象节点图网络中的信息。按照动态事件发生的时间顺序,更新所述样本关联对象节点图网络中各节点的状态特征信息,并确定所述样本关联对象节点图网络中各节点的样本标签。其中,各节点的样本标签表示对应节点是否为被传染发生风险事件的节点。
最终,可以根据样本关联对象节点图网络中各节点的样本标签,在样本关联对象节点图网络提取模型训练样本标签数据,将动态事件和所述模型训练样本标签数据作为风险传导样本数据。
其中,在进行样本数据选取时对于样本训练集、验证集、测试集的划分以及风险传导时间窗口的划分,可参考图3所示的示意图。例如,选取近三年的历史数据并按照时间轴划分为训练集(Training)、验证集(Validation)和测试集(Testing),假设T0作为风险源发生风险的时刻,M为滑动时间窗口,分别设定M为1、3、6、12个月,那么,训练的风险传导预测图神经网络可以预测在T0+M时间内,与风险源对象节点关联的节点发生风险事件的概率。
S220、根据所述风险传导样本数据对风险传导预测图神经网络进行训练,得到目标风险传导预测图神经网络。
在模型训练的过程中,首先,对风险传导样本数据进行特征工程处理。针对静态企业基础特征,分别进行归一化、标准化、OneHot编码等处理,形成原始数据特征,再基于特征选择、特征交叉、特征组合等方式产生部分衍生特征,将组合后的样本特征作为模型的输入;针对节点间关联关系特征,可以按照关联关系的种类(如担保、投资、股权、集团、高管、亲属等)进行划分,每种类型的关联关系抽取相对应的特征属性,作为模型的输入;针对动态事件特征,可划分为单节点事件特征和多节点事件特征,抽取事件发生的时间、事件类型、事件涉及节点等信息作为特征内容,作为模型的输入。
然后,按照时间顺序,将经过特征工程处理得到的样本数据特征输入至初始风险传导预测图神经网络中,进行有监督的机器学习。并根据初始风险传导预测图神经网络的输出结果与风险传导样本数据中的模型训练样本标签数据计算模型输出损失函数,基于损失函数的数值迭代更新初始风险传导预测图神经网络,得到目标风险传导预测图神经网络。具体的模型训练过程可参考图4所示的模型训练示意图。在图4中,将样本关联对象节点图网络中经过特征工程处理后的,批量的关于节点或边的特征数据(Batch of edge-wise/node-wise events)输入到初始风险传导预测图神经网络模型中(该模型参数是不断迭代更新的,也可以称为暂态图神经网络模型Temporal Interaction Graph Model),得到相应地经过特征学习后的特征向量(embedding)。然后,将特征向量与模型训练样本标签数据(risk propagation)同时输入到分类器(Classifier)中,由分类器基于标签数据判别样本关联对象节点图网络中各节点被传导发生风险事件的概率值(Probabilities of riskpropagation)。
在一种可选的实施方式中,在确定目标风险传导预测图神经网络,还要考虑模型在测试过程中输出结果的准确率,当被训练模型输出准确率满足预设模型预测准确度条件时,结束初始风险传导预测图神经网络的更新过程,得到目标风险传导预测图神经网络。具体的,被训练模型输出准确率满足预设模型预测准确度条件的判断过程,可以是分别计算被训练模型预测会发生传导风险事件且实际发生传导风险事件的节点数量,与所有被预测会发生传导风险事件的节点数量的第一比例数值;计算被训练模型预测会发生传导风险事件的概率排名前百分之五且实际发生传导风险事件的节点数量,与预测会发生传导风险事件的概率排名前百分之五的节点数量的第二比例数值;计算被训练模型预测会发生传导风险事件且实际发生传导风险事件的节点数量,与所有发生传导风险事件的节点数量的第三比例数值;计算被训练模型预测会发生传导风险事件且实际发生传导风险事件的节点数量与模型预测不会发生传导风险事件且实际未发生传导风险事件的节点数量之和,与所有节点数量的第四比例数值;然后,计算第一比例数值、第二比例数值、第三比例数值和第四比例数值中,任意两个或两个以上的比例数值的加权和值,当加权和值大于预设比例阈值时,确定被训练模型输出准确率满足预设模型预测准确度条件。
S230、获取待分析风险事件信息,以及所述待分析风险事件中的风险源对象的预设参数信息。
S240、根据所述预设风险事件信息和所述预设参数信息构建所述风险源对象的关联对象节点图网络。
S250、将所述关联对象节点图网络输入到预设风险传导时间窗口对应的所述目标风险传导预测图神经网络中,得到所述关联对象节点图网络中除所述风险源对象节点之外的各节点,在所述预设风险传导时间窗口内被传导发生风险事件的概率。
本实施例技术方案,通过采集历史风险事件样本数据,划分不同时间窗口来生成多时间维度样本对,训练不同风险传导时间窗口期内的传导风险事件发生概率预测模型,当任意一个风险管理对象有风险事件发生时,通过获取已发生的预设风险事件信息,以及预设风险事件中的风险源对象的预设参数信息;然后,据预设风险事件信息和预设参数信息构建所述风险源对象的关联对象节点图网络,并将关联对象节点图网络输入到预设风险传导时间窗口对应的风险传导预测图神经网络中,得到关联对象节点图网络中除风险源对象节点之外的各节点,在预设风险传导时间窗口内被传导发生风险事件的概率。其中,风险传导预测图神经网络是根据预设历史风险事件在预设风险传导时间窗口内的风险传导样本数据进行监督学习得到的模型,能够对关联对象节点图网络中各节点发送风险事件的概率进行预测的模型,风险传导样本数据包括预设历史风险事件信息以及样本风险源对象在对应的关联对象节点图网络中各节点发生的与预设历史风险事件关联的传导风险事件信息。本实施例的技术方案,解决了企业风险的防控与管理未考虑到企业之间的关联,企业风险防控存在漏洞,不全面的问题,实现了根据企业之间的关系网络以及已发生风险事件信息进行风险传导预测,分析出与发生风险事件的企业在同一个关系网络中的其他企业发生风险的概率,有利于企业间的风险管理与分析。
实施例三
图5为本发明实施例三提供的风险传导预测装置的结构示意图,本实施例可适用于企业风险分析与管理场景,该装置可以由软件和/或硬件的方式来实现,集成于具有应用开发功能的计算机设备中。
如图5所示,风险传导预测装置包括:风险预测数据获取模块310、风险关联对象网络建立模块320和风险传导预测模块330。
其中,风险预测数据获取模块310,用于获取预设风险事件信息,以及所述预设风险事件中的风险源对象的预设参数信息;风险关联对象网络建立模块320,用于根据所述预设风险事件信息和所述预设参数信息构建所述风险源对象的关联对象节点图网络;风险传导预测模块330,用于将所述关联对象节点图网络输入到预设风险传导时间窗口对应的风险传导预测图神经网络中,得到所述关联对象节点图网络中除所述风险源对象节点之外的各节点,在所述预设风险传导时间窗口内被传导发生风险事件的概率;其中,所述风险传导预测图神经网络是根据预设历史风险事件在所述预设风险传导时间窗口内的风险传导样本数据进行监督学习得到的模型,所述风险传导样本数据包括所述预设历史风险事件信息以及样本风险源对象在对应的关联对象节点图网络中各节点发生的与所述预设历史风险事件关联的传导风险事件信息。
本实施例的技术方案,通过在任意一个风险管理对象有风险事件发生时,通过获取已发生的预设风险事件信息,以及预设风险事件中的风险源对象的预设参数信息;然后,据预设风险事件信息和预设参数信息构建所述风险源对象的关联对象节点图网络,并将关联对象节点图网络输入到预设风险传导时间窗口对应的风险传导预测图神经网络中,得到关联对象节点图网络中除风险源对象节点之外的各节点,在预设风险传导时间窗口内被传导发生风险事件的概率。其中,风险传导预测图神经网络是根据预设历史风险事件在预设风险传导时间窗口内的风险传导样本数据进行监督学习得到的模型,能够对关联对象节点图网络中各节点发送风险事件的概率进行预测的模型,风险传导样本数据包括预设历史风险事件信息以及样本风险源对象在对应的关联对象节点图网络中各节点发生的与预设历史风险事件关联的传导风险事件信息。本实施例的技术方案,解决了企业风险的防控与管理未考虑到企业之间的关联,企业风险防控存在漏洞,不全面的问题,实现了根据企业之间的关系网络以及已发生风险事件信息进行风险传导预测,分析出与发生风险事件的企业在同一个关系网络中的其他企业发生风险的概率,有利于企业间的风险管理与分析。
在一种可选的实施方式中,所述风险关联对象网络建立模块320,用于:
根据所述预设参数信息中确定与所述风险源对象存在关联关系的关联对象;
基于所述风险源对象和所述关联对象建立所述关联对象节点网络,其中,所述关联关系包括对象归属关系、担保关系、业务上下游关系和相同区域关系。
在一种可选的实施方式中,风险传导预测装置还包括模型训练样本获取模块,具体用于:
获取所述样本风险源对象所在的样本关联对象节点图网络中各节点,在所述预设风险传导时间窗口内发生的动态事件信息;
按照所述动态事件发生的时间顺序,更新所述样本关联对象节点图网络中各节点的状态特征信息,并确定所述样本关联对象节点图网络中各节点的样本标签;
根据所述样本关联对象节点图网络中各节点的样本标签,在所述样本关联对象节点图网络提取模型训练样本标签数据,将所述动态事件和所述模型训练样本标签数据作为所述风险传导样本数据;
其中,所述动态事件包括节点间关系变动事件和传导风险事件。
在一种可选的实施方式中,风险传导预测装置还包括模型训练模块,用于根据所述风险传导样本数据对所述风险传导预测图神经网络进行训练,具体的训练过程包括:
对所述风险传导样本数据进行特征工程处理;
按照时间顺序,将经过特征工程处理得到的样本数据特征输入至初始风险传导预测图神经网络中,进行有监督的机器学习;
根据所述初始风险传导预测图神经网络的输出结果与所述风险传导样本数据中的模型训练样本标签数据计算模型输出损失函数,并基于所述损失函数的数值迭代更新所述初始风险传导预测图神经网络,得到目标风险传导预测图神经网络。
在一种可选的实施方式中,所述模型训练模块,还用于:
当所述损失函数的数值满足预设模型收敛条件,且在模型测试过程中,被训练模型输出准确率满足预设模型预测准确度条件时,结束所述初始风险传导预测图神经网络的更新过程,得到目标风险传导预测图神经网络。
在一种可选的实施方式中,所述模型训练模块,进一步用于:
计算所述被训练模型预测会发生传导风险事件且实际发生传导风险事件的节点数量,与所有被预测会发生传导风险事件的节点数量的第一比例数值;
计算所述被训练模型预测会发生传导风险事件的概率排名前百分之五且实际发生传导风险事件的节点数量,与预测会发生传导风险事件的概率排名前百分之五的节点数量的第二比例数值;
计算所述被训练模型预测会发生传导风险事件且实际发生传导风险事件的节点数量,与所有发生传导风险事件的节点数量的第三比例数值;
计算所述被训练模型预测会发生传导风险事件且实际发生传导风险事件的节点数量与模型预测不会发生传导风险事件且实际未发生传导风险事件的节点数量之和,与所有节点数量的第四比例数值;
计算所述第一比例数值、所述第二比例数值、所述第三比例数值和所述第四比例数值中,任意两个或两个以上的比例数值的加权和值,当所述加权和值大于预设比例阈值时,确定所述被训练模型输出准确率满足预设模型预测准确度条件。
在一种可选的实施方式中,所述风险传导预测图神经网络为基于时序的动态图神经网络模型。
本发明实施例所提供的风险传导预测装置可执行本发明任意实施例所提供的风险传导预测方法,具备执行方法相应的功能模块和有益效果。
实施例四
图6为本发明实施例四提供的一种计算机设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图6显示的计算机设备12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。计算机设备12可以任意具有计算能力的终端设备,如智能控制器及服务器、手机等终端设备。
如图6所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
计算机设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。***存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如***存储器28中,这样的程序模块42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。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,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22进行。并且,计算机设备12还可以通过网络适配器20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。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图6中未示出,可以结合计算机设备12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。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发实施例所提供的风险传导预测方法,该方法包括:
获取预设风险事件信息,以及所述预设风险事件中的风险源对象的预设参数信息;
根据所述预设风险事件信息和所述预设参数信息构建所述风险源对象的关联对象节点图网络;
将所述关联对象节点图网络输入到预设风险传导时间窗口对应的风险传导预测图神经网络中,得到所述关联对象节点图网络中除所述风险源对象节点之外的各节点,在所述预设风险传导时间窗口内被传导发生风险事件的概率;
其中,所述风险传导预测图神经网络是根据预设历史风险事件在所述预设风险传导时间窗口内的风险传导样本数据进行监督学习得到的模型,所述风险传导样本数据包括所述预设历史风险事件信息以及样本风险源对象在对应的关联对象节点图网络中各节点发生的与所述预设历史风险事件关联的传导风险事件信息。
实施例五
本实施例五提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的风险传导预测方法,包括:
获取预设风险事件信息,以及所述预设风险事件中的风险源对象的预设参数信息;
根据所述预设风险事件信息和所述预设参数信息构建所述风险源对象的关联对象节点图网络;
将所述关联对象节点图网络输入到预设风险传导时间窗口对应的风险传导预测图神经网络中,得到所述关联对象节点图网络中除所述风险源对象节点之外的各节点,在所述预设风险传导时间窗口内被传导发生风险事件的概率;
其中,所述风险传导预测图神经网络是根据预设历史风险事件在所述预设风险传导时间窗口内的风险传导样本数据进行监督学习得到的模型,所述风险传导样本数据包括所述预设历史风险事件信息以及样本风险源对象在对应的关联对象节点图网络中各节点发生的与所述预设历史风险事件关联的传导风险事件信息。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于: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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。
计算机可读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、电线、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或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种风险传导预测方法,其特征在于,所述方法包括:
获取预设风险事件信息,以及所述预设风险事件中的风险源对象的预设参数信息;
根据所述预设风险事件信息和所述预设参数信息构建所述风险源对象的关联对象节点图网络;
将所述关联对象节点图网络输入到预设风险传导时间窗口对应的风险传导预测图神经网络中,得到所述关联对象节点图网络中除所述风险源对象节点之外的各节点,在所述预设风险传导时间窗口内被传导发生风险事件的概率;
其中,所述风险传导预测图神经网络是根据预设历史风险事件在所述预设风险传导时间窗口内的风险传导样本数据进行监督学习得到的模型,所述风险传导样本数据包括所述预设历史风险事件信息以及样本风险源对象在对应的关联对象节点图网络中各节点发生的与所述预设历史风险事件关联的传导风险事件信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述预设风险事件信息和所述预设参数信息构建所述风险源对象的关联对象节点图网络,包括:
根据所述预设参数信息中确定与所述风险源对象存在关联关系的关联对象;
基于所述风险源对象和所述关联对象建立所述关联对象节点网络,其中,所述关联关系包括对象归属关系、担保关系、业务上下游关系和相同区域关系。
3.根据权利要求1所述的方法,其特征在于,所述风险传导样本数据的获取过程,包括:
获取所述样本风险源对象所在的样本关联对象节点图网络中各节点,在所述预设风险传导时间窗口内发生的动态事件信息;
按照所述动态事件发生的时间顺序,更新所述样本关联对象节点图网络中各节点的状态特征信息,并确定所述样本关联对象节点图网络中各节点的样本标签;
根据所述样本关联对象节点图网络中各节点的样本标签,在所述样本关联对象节点图网络提取模型训练样本标签数据,将所述动态事件和所述模型训练样本标签数据作为所述风险传导样本数据;
其中,所述动态事件包括节点间关系变动事件和传导风险事件。
4.根据权利要求1-3中任一所述的方法,其特征在于,根据所述风险传导样本数据对所述风险传导预测图神经网络进行训练的过程,包括:
对所述风险传导样本数据进行特征工程处理;
按照时间顺序,将经过特征工程处理得到的样本数据特征输入至初始风险传导预测图神经网络中,进行有监督的机器学习;
根据所述初始风险传导预测图神经网络的输出结果与所述风险传导样本数据中的模型训练样本标签数据计算模型输出损失函数,并基于所述损失函数的数值迭代更新所述初始风险传导预测图神经网络,得到目标风险传导预测图神经网络。
5.根据权利要求4所述的方法,其特征在于,所述基于所述损失函数的数值迭代更新所述初始风险传导预测图神经网络,得到目标风险传导预测图神经网络,包括:
当所述损失函数的数值满足预设模型收敛条件,且在模型测试过程中,被训练模型输出准确率满足预设模型预测准确度条件时,结束所述初始风险传导预测图神经网络的更新过程,得到目标风险传导预测图神经网络。
6.根据权利要求5所述的方法,其特征在于,所述被训练模型输出准确率满足预设模型预测准确度条件的判断过程,包括:
计算所述被训练模型预测会发生传导风险事件且实际发生传导风险事件的节点数量,与所有被预测会发生传导风险事件的节点数量的第一比例数值;
计算所述被训练模型预测会发生传导风险事件的概率排名前百分之五且实际发生传导风险事件的节点数量,与预测会发生传导风险事件的概率排名前百分之五的节点数量的第二比例数值;
计算所述被训练模型预测会发生传导风险事件且实际发生传导风险事件的节点数量,与所有发生传导风险事件的节点数量的第三比例数值;
计算所述被训练模型预测会发生传导风险事件且实际发生传导风险事件的节点数量与模型预测不会发生传导风险事件且实际未发生传导风险事件的节点数量之和,与所有节点数量的第四比例数值;
计算所述第一比例数值、所述第二比例数值、所述第三比例数值和所述第四比例数值中,任意两个或两个以上的比例数值的加权和值,当所述加权和值大于预设比例阈值时,确定所述被训练模型输出准确率满足预设模型预测准确度条件。
7.根据权利要求1所述的方法,其特征在于,所述风险传导预测图神经网络为基于时序的动态图神经网络模型。
8.一种风险传导预测装置,其特征在于,所述装置包括:
风险预测数据获取模块,用于获取预设风险事件信息,以及所述预设风险事件中的风险源对象的预设参数信息;
风险关联对象网络建立模块,用于根据所述预设风险事件信息和所述预设参数信息构建所述风险源对象的关联对象节点图网络;
风险传导预测模块,用于将所述关联对象节点图网络输入到预设风险传导时间窗口对应的风险传导预测图神经网络中,得到所述关联对象节点图网络中除所述风险源对象节点之外的各节点,在所述预设风险传导时间窗口内被传导发生风险事件的概率;
其中,所述风险传导预测图神经网络是根据预设历史风险事件在所述预设风险传导时间窗口内的风险传导样本数据进行监督学习得到的模型,所述风险传导样本数据包括所述预设历史风险事件信息以及样本风险源对象在对应的关联对象节点图网络中各节点发生的与所述预设历史风险事件关联的传导风险事件信息。
9.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的风险传导预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的风险传导预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210621312.9A CN115034596A (zh) | 2022-06-01 | 2022-06-01 | 一种风险传导预测方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210621312.9A CN115034596A (zh) | 2022-06-01 | 2022-06-01 | 一种风险传导预测方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115034596A true CN115034596A (zh) | 2022-09-09 |
Family
ID=83122541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210621312.9A Pending CN115034596A (zh) | 2022-06-01 | 2022-06-01 | 一种风险传导预测方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115034596A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196323A (zh) * | 2023-11-07 | 2023-12-08 | 之江实验室 | 一种基于高维图网络的复杂社会事件的预警方法 |
US20240028744A1 (en) * | 2022-07-21 | 2024-01-25 | University Of Chinese Academy Of Sciences | Dynamic network risk predicting method based on a graph neural network |
CN118014446A (zh) * | 2024-04-09 | 2024-05-10 | 广东瑞和通数据科技有限公司 | 企业技术创新综合指标分析方法、存储介质及计算机设备 |
CN118133277A (zh) * | 2024-05-07 | 2024-06-04 | 上海冰鉴信息科技有限公司 | 基于Seatunnel的业务数据管理方法及*** |
-
2022
- 2022-06-01 CN CN202210621312.9A patent/CN115034596A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20240028744A1 (en) * | 2022-07-21 | 2024-01-25 | University Of Chinese Academy Of Sciences | Dynamic network risk predicting method based on a graph neural network |
US11934536B2 (en) * | 2022-07-21 | 2024-03-19 | University Of Chinese Academy Of Sciences | Dynamic network risk predicting method based on a graph neural network |
CN117196323A (zh) * | 2023-11-07 | 2023-12-08 | 之江实验室 | 一种基于高维图网络的复杂社会事件的预警方法 |
CN117196323B (zh) * | 2023-11-07 | 2024-02-27 | 之江实验室 | 一种基于高维图网络的复杂社会事件的预警方法 |
CN118014446A (zh) * | 2024-04-09 | 2024-05-10 | 广东瑞和通数据科技有限公司 | 企业技术创新综合指标分析方法、存储介质及计算机设备 |
CN118133277A (zh) * | 2024-05-07 | 2024-06-04 | 上海冰鉴信息科技有限公司 | 基于Seatunnel的业务数据管理方法及*** |
CN118133277B (zh) * | 2024-05-07 | 2024-07-12 | 上海冰鉴信息科技有限公司 | 基于Seatunnel的业务数据管理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992169B (zh) | 一种风险评估方法、装置、服务器及存储介质 | |
CN115034596A (zh) | 一种风险传导预测方法、装置、设备和介质 | |
US20180225450A1 (en) | Counter-fraud operation management | |
CN111145076B (zh) | 数据并行化处理方法、***、设备及存储介质 | |
CN112990294B (zh) | 行为判别模型的训练方法、装置、电子设备及存储介质 | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN113538154B (zh) | 风险对象的识别方法、装置、存储介质和电子设备 | |
CN115357470B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN112651172B (zh) | 一种降雨峰值类型划分方法、装置、设备和存储介质 | |
CN111681094B (zh) | 一种监测资源策略异常的方法、装置和电子设备 | |
CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN108768742B (zh) | 网络构建方法及装置、电子设备、存储介质 | |
CN111049988A (zh) | 移动设备的亲密度预测方法、***、设备及存储介质 | |
CN116071152A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN111176944A (zh) | 区块链智能合约调用记录解析方法、装置、终端和存储介质 | |
CN113590484B (zh) | 算法模型服务测试方法、***、设备及存储介质 | |
CN115964701A (zh) | 应用安全检测方法、装置、存储介质及电子设备 | |
CN115762704A (zh) | 一种处方审核方法、装置、设备和存储介质 | |
CN113052509A (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
CN113656391A (zh) | 数据检测方法及装置、存储介质及电子设备 | |
CN113516398A (zh) | 基于分层抽样的风险设备识别方法、装置及电子设备 | |
CN111045849A (zh) | 核对异常原因的识别方法、装置、服务器和存储介质 | |
CN114584616B (zh) | 一种消息推送方法、装置、电子设备及存储介质 | |
CN114710354B (zh) | 异常事件检测方法及装置、存储介质及电子设备 | |
CN112767042B (zh) | 一种群组生成方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |