CN118195751A - 业务风险预警方法及装置 - Google Patents
业务风险预警方法及装置 Download PDFInfo
- Publication number
- CN118195751A CN118195751A CN202311864699.1A CN202311864699A CN118195751A CN 118195751 A CN118195751 A CN 118195751A CN 202311864699 A CN202311864699 A CN 202311864699A CN 118195751 A CN118195751 A CN 118195751A
- Authority
- CN
- China
- Prior art keywords
- risk
- early warning
- index item
- risk early
- business
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000011156 evaluation Methods 0.000 claims abstract description 37
- 238000012216 screening Methods 0.000 claims abstract description 8
- 230000015654 memory Effects 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 238000013058 risk prediction model Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 10
- 238000011176 pooling Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种业务风险预警方法及装置,可用于金融领域或其他技术领域,该方法包括:确定目标业务对应的风险指标项;从预设时间范围内接收到的所有指标项风险预警信息中筛选出所述风险指标项对应的指标项风险预警信息;确定每个筛选出的指标项风险预警信息的指标项风险值;根据所述指标项风险值以及所述目标业务对应各风险指标项的安全性评价值,确定所述目标业务的风险预警状态,进而根据所述风险预警状态进行业务风险预警。本发明实现了准确的对业务风险进行预警的有益效果。
Description
技术领域
本发明涉及安全技术领域,具体而言,涉及一种业务风险预警方法及装置。
背景技术
目前,银行领域在进行业务风险预警时通常采用为业务设置多种风险指标项,结合多种风险指标项并将风险指标项与预设阈值进行比较来判断是否存在风险。目前这种方法未考虑风险指标项的安全性程度,不同风险指标项的安全性程度不同,仅根据是否超过阈值来判断是否存在风险,并不能完全很好的反应真实的风险等级,导致业务风险预警不准确。由此可见,现有技术急需一种更为准确的业务风险预警方案。
发明内容
本发明为了解决上述背景技术中的至少一个技术问题,提出了一种业务风险预警方法及装置。
为了实现上述目的,根据本发明的一个方面,提供了一种业务风险预警方法,该方法包括:
确定目标业务对应的风险指标项;
从预设时间范围内接收到的所有指标项风险预警信息中筛选出所述风险指标项对应的指标项风险预警信息;
确定每个筛选出的指标项风险预警信息的指标项风险值;
根据所述指标项风险值以及所述目标业务对应各风险指标项的安全性评价值,确定所述目标业务的风险预警状态,进而根据所述风险预警状态进行业务风险预警。
可选的,所述业务风险预警方法,还包括:
根据各业务关联的风险指标项建立业务与风险指标项之间的对应关系;
所述确定目标业务对应的风险指标项,具体包括:
根据所述对应关系确定所述目标业务对应的风险指标项。
可选的,指标项风险预警信息具体包括:风险预警类型以及触发风险预警类型;
所述确定每个筛选出的指标项风险预警信息的指标项风险值,具体包括:
根据每个指标项风险预警信息的风险预警类型以及触发风险预警类型,计算出各指标项风险预警信息的指标项风险值。
可选的,根据所述指标项风险值以及所述目标业务对应各风险指标项的安全性评价值,确定所述目标业务的风险预警状态,具体包括:
根据所述指标项风险值生成指标项风险值向量,根据所述安全性评价值生成安全性评价值向量;
根据所述指标项风险值向量以及所述安全性评价值向量生成输入数据,然后将所述输入数据输入到预设的风险预测模型中,得到所述风险预测模型输出的所述目标业务的业务风险值;
根据所述业务风险值确定所述目标业务的风险预警状态。
可选的,根据所述指标项风险值以及所述目标业务对应各风险指标项的安全性评价值,确定所述目标业务的风险预警状态,具体包括:
根据所述安全性评价值确定所述目标业务对应各风险指标项的权重值;
基于所述权重值以及所述指标项风险值进行加权计算,得到所述目标业务的业务风险值;
根据所述业务风险值确定所述目标业务的风险预警状态。
可选的,所述根据所述业务风险值确定所述目标业务的风险预警状态,具体包括:
将所述业务风险值与预设的每种风险预警状态各自对应的风险值范围进行对比,得到所述目标业务的风险预警状态。
可选的,所述风险预警状态具体包括:正常状态、需监控状态以及危险状态;
所述根据所述风险预警状态进行业务风险预警,具体包括:
当所述风险预警状态为需监控状态时生成风险提醒信息;
当所述风险预警状态为危险状态时生成风险警报信息。
为了实现上述目的,根据本发明的另一方面,提供了一种业务风险预警装置,该装置包括:
风险指标项确定单元,用于确定目标业务对应的风险指标项;
指标项风险预警信息确定单元,用于从预设时间范围内接收到的所有指标项风险预警信息中筛选出所述风险指标项对应的指标项风险预警信息;
指标项风险值确定单元,用于确定每个筛选出的指标项风险预警信息的指标项风险值;
业务风险预警单元,用于根据所述指标项风险值以及所述目标业务对应各风险指标项的安全性评价值,确定所述目标业务的风险预警状态,进而根据所述风险预警状态进行业务风险预警。
为了实现上述目的,根据本发明的另一方面,还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,所述处理器执行所述计算机程序时实现上述业务风险预警方法的步骤。
为了实现上述目的,根据本发明的另一方面,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/指令,该计算机程序/指令被处理器执行时实现上述业务风险预警方法的步骤。
为了实现上述目的,根据本发明的另一方面,还提供了一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现上述业务风险预警方法的步骤。
本发明的有益效果为:
本发明实施例通过确定目标业务对应的风险指标项,从预设时间范围内接收到的所有指标项风险预警信息中筛选出所述风险指标项对应的指标项风险预警信息,进而确定每个筛选出的指标项风险预警信息的指标项风险值,然后根据所述指标项风险值以及所述目标业务对应各风险指标项的安全性评价值,确定所述目标业务的风险预警状态,最后根据所述风险预警状态进行业务风险预警,本发明在进行业务风险预警时结合了各风险指标项的安全性评价,有助于提高业务风险预警的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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他的附图。在附图中:
图1是本发明实施例业务风险预警方法的第一流程图;
图2是本发明实施例业务风险预警方法的第二流程图;
图3是本发明实施例业务风险预警方法的第三流程图;
图4是本发明实施例业务风险预警装置的结构框图;
图5是本发明实施例计算机设备示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
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。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“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、***、产品或设备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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
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。
需要说明的是,本发明业务风险预警方法和装置可用于金融领域,也可用于除金融领域之外的任意领域,本发明业务风险预警方法和装置的应用领域不做限定。
本发明提供一种业务风险预警方法,解决了由于不同风险指标项的安全性程度不同,仅根据阈值判断进行风险分级,并不能完全很好的反应预警的真实的风险等级,导致业务风险预警准确性不足的问题。
图1是本发明实施例业务风险预警方法的第一流程图,如图1所示,在本发明一个实施例中,本发明的业务风险预警方法包括步骤S101至步骤S104。
步骤S101,确定目标业务对应的风险指标项。
在本发明中,本发明为不同的业务设置了不同的风险指标项。
在本发明一些实施例中,对于贷款业务,设置的风险指标项包括:
不良贷款率:未能按时偿还贷款的客户比例;
拖欠率:逾期还款的客户比例;
贷款利率风险:市场利率变动对贷款利息收入的影响。
在本发明一些实施例中,对于投资业务,设置的风险指标项包括:
市场风险:投资组合价值波动的风险;
流动性风险:资产无法及时变现或兑付的风险;
对冲效果:投资组合中对冲风险的能力。
在本发明一些实施例中,对于支付与结算业务,设置的风险指标项包括:
操作风险:***故障或操作失误带来的风险;
欺诈风险:支付中的欺诈行为风险;
结算延迟风险:支付和结算过程中的延误可能带来的风险。
在本发明一些实施例中,对于***业务,设置的风险指标项包括:
逾期率:持卡人未能按时偿还***欠款的比例;
滚存率:持卡人选择最低还款额度并滚存余额的比例;
***欺诈率:***交易中的欺诈风险。
风险指标项有助于银行监控不同业务领域的风险水平,从而采取适当的风险管理措施。
步骤S102,从预设时间范围内接收到的所有指标项风险预警信息中筛选出所述风险指标项对应的指标项风险预警信息。
在本发明中,本发明接收银行各监控子***推送的指标项风险预警信息并进行汇总,生成指标项风险预警信息表。进而从指标项风险预警信息表中筛选出目标时间范围内的所述目标业务对应的各风险指标项的指标项风险预警信息。
在本发明一个具体的实施例中,本发明根据风险指标项的标识信息(例如名称、ID等)编写SQL语句,通过SQL语句从指标项风险预警信息表中查询出目标时间范围内的目标业务对应的各风险指标项的指标项风险预警信息。
步骤S103,确定每个筛选出的指标项风险预警信息的指标项风险值。
在本发明一个实施例中,本步骤具体可以根据指标项风险预警信息中的具体信息预估出该指标项风险预警信息的指标项风险值。
步骤S104,根据所述指标项风险值以及所述目标业务对应各风险指标项的安全性评价值,确定所述目标业务的风险预警状态,进而根据所述风险预警状态进行业务风险预警。
本发明结合每个筛选出的指标项风险预警信息的指标项风险值以及所述目标业务对应的每个风险指标项各自的安全性评价值,综合来确定目标业务的风险预警状态,进而根据不同的风险预警状态进行对应的操作。
由此可见,本发明在进行业务风险预警时结合了各风险指标项的安全性评价,提高了业务风险预警的准确性。
在本发明一个实施例中,安全性评价值用于表示风险指标项对于业务安全开展的重要性,安全性评价值越高说明该风险指标项对业务的安全开展越重要。在本发明一个实施例中,安全性评价值具体可以根据专家经验得出。
在本发明一个实施例中,本发明方法还包括:
根据各业务关联的风险指标项建立业务与风险指标项之间的对应关系。
在本发明一个实施例中,该对应关系具体可以为对应关系表。
在本发明一个实施例中,上述步骤S101的确定目标业务对应的风险指标项,具体包括:
根据所述对应关系确定所述目标业务对应的风险指标项。
在本发明一个实施例中,本发明可以通过查询对应关系表来确定目标业务对应的所有风险指标项。
在本发明一个实施例中,指标项风险预警信息具体包括:风险预警类型以及触发风险预警类型。
在本发明一个实施例中,上述步骤S103的确定每个筛选出的指标项风险预警信息的指标项风险值,具体包括:
根据每个指标项风险预警信息的风险预警类型以及触发风险预警类型,计算出各指标项风险预警信息的指标项风险值。
在本发明一个实施例中,所述风险预警类型包括:初级预警风险、中级预警风险和高级预警风险,所述触发风险预警类型包括:主动触发预警和被动触发预警。
在本发明一个实施例中,本发明具体可以为初级预警风险、中级预警风险和高级预警风险这三种风险预警类型进行不同赋值,其中,高级预警风险的赋值大于中级预警风险的赋值大于初级预警风险的赋值,例如,初级预警风险、中级预警风险和高级预警风险的赋值分别为1、2和3。
在本发明一个实施例中,本发明具体可以为主动触发预警和被动触发预警这两种触发风险预警类型设置不同的权重值,其中,主动触发预警的权重值大于被动触发预警的权重值,例如,主动触发预警和被动触发预警的权重值分别为1和0.6。
在本发明一个实施例中,本发明可以用风险预警类型的赋值与触发风险预警类型的权重值相乘,结果为指标项风险预警信息的指标项风险值。
如图2所示,在本发明一个实施例中,上述步骤S104的根据所述指标项风险值以及所述目标业务对应各风险指标项的安全性评价值,确定所述目标业务的风险预警状态,具体包括步骤S201至步骤S203。
步骤S201,根据所述指标项风险值生成指标项风险值向量,根据所述安全性评价值生成安全性评价值向量。
在本发明中,同一个风险指标项的数据在指标项风险值向量和安全性评价值向量中的位置相同。
步骤S202,根据所述指标项风险值向量以及所述安全性评价值向量生成输入数据,然后将所述输入数据输入到预设的风险预测模型中,得到所述风险预测模型输出的所述目标业务的业务风险值。
在本发明一个实施例中,所述风险预测模型具体可以选用多种机器学习模型来进行训练,例如,采用逻辑回归(Logistic Regression)、决策树(Decision Trees)、随机森林(Random Forests)、梯度提升树(Gradient Boosting Trees)、支持向量机(SupportVector Machines)、神经网络模型(Neural Networks)以及聚类模型(Clustering Models)等。
在本发明一个实施例中,本发明具体采用卷积神经网络来训练所述风险预测模型。具体的,训练数据采用标注出业务风险值的用于模型训练的指标项风险值向量及安全性评价值向量。
卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习神经网络,其核心组件包括:
卷积层(Convolutional Layer):
通过应用卷积核(过滤器)在输入数据上滑动并执行卷积操作。
池化层(Pooling Layer):
减少参数数量,同时保留重要特征。常见的池化操作包括最大池化和平均池化。
激活函数(Activation Function):
用于在神经网络中引入非线性,以增加模型的表达能力。常见的激活函数包括ReLU(Rectified Linear Activation)、Sigmoid和Tanh。
全连接层(Fully Connected Layer):
将卷积层和池化层输出的特征展开成向量,然后连接到全连接层用于最终的分类或预测。
步骤S203,根据所述业务风险值确定所述目标业务的风险预警状态。
如图3所示,在本发明一个实施例中,上述步骤S104的根据所述指标项风险值以及所述目标业务对应各风险指标项的安全性评价值,确定所述目标业务的风险预警状态,具体包括步骤S301至步骤S303。
步骤S301,根据所述安全性评价值确定所述目标业务对应各风险指标项的权重值。
在本发明中,风险指标项的安全性评价值越高,则对应的权重值越高。
步骤S302,基于所述权重值以及所述指标项风险值进行加权计算,得到所述目标业务的业务风险值。
步骤S303,根据所述业务风险值确定所述目标业务的风险预警状态。
在本发明一个实施例中,上述步骤S203和步骤S303中的根据所述业务风险值确定所述目标业务的风险预警状态,具体包括:
将所述业务风险值与预设的每种风险预警状态各自对应的风险值范围进行对比,得到所述目标业务的风险预警状态。
在本发明一个实施例中,所述风险预警状态具体包括:正常状态、需监控状态以及危险状态。
上述步骤S104中的根据所述风险预警状态进行业务风险预警,具体包括:
当所述风险预警状态为需监控状态时生成风险提醒信息,将风险提醒信息发送给所述目标业务的风险处理人员,以提醒风险处理人员可能会产生风险需要持续对业务处理状态进行监控;
当所述风险预警状态为危险状态时生成风险警报信息,将风险警报信息发送给所述目标业务的风险处理人员,以提醒风险处理人员业务存在风险。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
基于同一发明构思,本发明实施例还提供了一种业务风险预警装置,可以用于实现上述实施例所描述的业务风险预警方法,如下面的实施例所述。由于业务风险预警装置解决问题的原理与业务风险预警方法相似,因此业务风险预警装置的实施例可以参见业务风险预警方法的实施例,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图4是本发明实施例业务风险预警装置的结构框图,如图4所示,在本发明一个实施例中,本发明的业务风险预警装置包括:
风险指标项确定单元1,用于确定目标业务对应的风险指标项;
指标项风险预警信息确定单元2,用于从预设时间范围内接收到的所有指标项风险预警信息中筛选出所述风险指标项对应的指标项风险预警信息;
指标项风险值确定单元3,用于确定每个筛选出的指标项风险预警信息的指标项风险值;
业务风险预警单元4,用于根据所述指标项风险值以及所述目标业务对应各风险指标项的安全性评价值,确定所述目标业务的风险预警状态,进而根据所述风险预警状态进行业务风险预警。
在本发明一个实施例中,本发明的业务风险预警装置,还包括:
对应关系建立单元,用于根据各业务关联的风险指标项建立业务与风险指标项之间的对应关系。
所述风险指标项确定单元1,具体用于根据所述对应关系确定所述目标业务对应的风险指标项。
在本发明一个实施例中,指标项风险预警信息具体包括:风险预警类型以及触发风险预警类型。
在本发明一个实施例中,所述指标项风险值确定单元3,具体用于根据每个指标项风险预警信息的风险预警类型以及触发风险预警类型,计算出各指标项风险预警信息的指标项风险值。
在本发明一个实施例中,业务风险预警单元4,具体包括:
向量生成模块,用于根据所述指标项风险值生成指标项风险值向量,根据所述安全性评价值生成安全性评价值向量;
模型预测模块,用于根据所述指标项风险值向量以及所述安全性评价值向量生成输入数据,然后将所述输入数据输入到预设的风险预测模型中,得到所述风险预测模型输出的所述目标业务的业务风险值;
第一风险预警状态确定模块,用于根据所述业务风险值确定所述目标业务的风险预警状态。
在本发明一个实施例中,业务风险预警单元4,具体包括:
权重值确定模块,用于根据所述安全性评价值确定所述目标业务对应各风险指标项的权重值;
业务风险值确定模块,用于基于所述权重值以及所述指标项风险值进行加权计算,得到所述目标业务的业务风险值;
第二风险预警状态确定模块,用于根据所述业务风险值确定所述目标业务的风险预警状态。
在本发明一个实施例中,所述第一风险预警状态确定模块和所述第二风险预警状态确定模块,具体用于将所述业务风险值与预设的每种风险预警状态各自对应的风险值范围进行对比,得到所述目标业务的风险预警状态。
在本发明一个实施例中,所述风险预警状态具体包括:正常状态、需监控状态以及危险状态。
所述业务风险预警单元4,具体包括:
风险提醒信息生成模块,用于当所述风险预警状态为需监控状态时生成风险提醒信息;
风险警报信息生成模块,用于当所述风险预警状态为危险状态时生成风险警报信息。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机设备。如图5所示,该计算机设备包括存储器、处理器、通信接口以及通信总线,在存储器上存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例方法中的步骤。
处理器可以为中央处理器(Central Processing Unit,CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元,如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及作品数据处理,即实现上述方法实施例中的方法。
存储器可以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***、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。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。
所述一个或者多个单元存储在所述存储器中,当被所述处理器执行时,执行上述实施例中的方法。
上述计算机设备具体细节可以对应参阅上述实施例中对应的相关描述和效果进行理解,此处不再赘述。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在计算机处理器中执行时实现上述业务风险预警方法中的步骤。本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现上述业务风险预警方法的步骤。
显然,本领域的技术人员应该明白,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的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算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结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种业务风险预警方法,其特征在于,包括:
确定目标业务对应的风险指标项;
从预设时间范围内接收到的所有指标项风险预警信息中筛选出所述风险指标项对应的指标项风险预警信息;
确定每个筛选出的指标项风险预警信息的指标项风险值;
根据所述指标项风险值以及所述目标业务对应各风险指标项的安全性评价值,确定所述目标业务的风险预警状态,进而根据所述风险预警状态进行业务风险预警。
2.根据权利要求1所述的业务风险预警方法,其特征在于,还包括:
根据各业务关联的风险指标项建立业务与风险指标项之间的对应关系;
所述确定目标业务对应的风险指标项,具体包括:
根据所述对应关系确定所述目标业务对应的风险指标项。
3.根据权利要求1所述的业务风险预警方法,其特征在于,指标项风险预警信息具体包括:风险预警类型以及触发风险预警类型;
所述确定每个筛选出的指标项风险预警信息的指标项风险值,具体包括:
根据每个指标项风险预警信息的风险预警类型以及触发风险预警类型,计算出各指标项风险预警信息的指标项风险值。
4.根据权利要求1所述的业务风险预警方法,其特征在于,根据所述指标项风险值以及所述目标业务对应各风险指标项的安全性评价值,确定所述目标业务的风险预警状态,具体包括:
根据所述指标项风险值生成指标项风险值向量,根据所述安全性评价值生成安全性评价值向量;
根据所述指标项风险值向量以及所述安全性评价值向量生成输入数据,然后将所述输入数据输入到预设的风险预测模型中,得到所述风险预测模型输出的所述目标业务的业务风险值;
根据所述业务风险值确定所述目标业务的风险预警状态。
5.根据权利要求1所述的业务风险预警方法,其特征在于,根据所述指标项风险值以及所述目标业务对应各风险指标项的安全性评价值,确定所述目标业务的风险预警状态,具体包括:
根据所述安全性评价值确定所述目标业务对应各风险指标项的权重值;
基于所述权重值以及所述指标项风险值进行加权计算,得到所述目标业务的业务风险值;
根据所述业务风险值确定所述目标业务的风险预警状态。
6.根据权利要求4或5所述的业务风险预警方法,其特征在于,所述根据所述业务风险值确定所述目标业务的风险预警状态,具体包括:
将所述业务风险值与预设的每种风险预警状态各自对应的风险值范围进行对比,得到所述目标业务的风险预警状态。
7.根据权利要求1所述的业务风险预警方法,其特征在于,所述风险预警状态具体包括:正常状态、需监控状态以及危险状态;
所述根据所述风险预警状态进行业务风险预警,具体包括:
当所述风险预警状态为需监控状态时生成风险提醒信息;
当所述风险预警状态为危险状态时生成风险警报信息。
8.一种业务风险预警装置,其特征在于,包括:
风险指标项确定单元,用于确定目标业务对应的风险指标项;
指标项风险预警信息确定单元,用于从预设时间范围内接收到的所有指标项风险预警信息中筛选出所述风险指标项对应的指标项风险预警信息;
指标项风险值确定单元,用于确定每个筛选出的指标项风险预警信息的指标项风险值;
业务风险预警单元,用于根据所述指标项风险值以及所述目标业务对应各风险指标项的安全性评价值,确定所述目标业务的风险预警状态,进而根据所述风险预警状态进行业务风险预警。
9.一种计算机设备,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,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任意一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1至7任意一项所述方法的步骤。
11.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1至7任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311864699.1A CN118195751A (zh) | 2023-12-29 | 2023-12-29 | 业务风险预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311864699.1A CN118195751A (zh) | 2023-12-29 | 2023-12-29 | 业务风险预警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118195751A true CN118195751A (zh) | 2024-06-14 |
Family
ID=91400782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311864699.1A Pending CN118195751A (zh) | 2023-12-29 | 2023-12-29 | 业务风险预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118195751A (zh) |
-
2023
- 2023-12-29 CN CN202311864699.1A patent/CN118195751A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tinoco et al. | Financial distress and bankruptcy prediction among listed companies using accounting, market and macroeconomic variables | |
CN105354210A (zh) | 移动游戏支付账户行为数据处理方法和装置 | |
CN110111198A (zh) | 用户金融风险预估方法、装置、电子设备及可读介质 | |
CN108573358A (zh) | 一种逾期预测模型生成方法及终端设备 | |
CN110689438A (zh) | 企业类金融风险评分方法、装置、计算机设备及存储介质 | |
CN110097451B (zh) | 一种银行业务的监控方法及装置 | |
CN111353901A (zh) | 风险识别监控方法、装置以及电子设备 | |
Blanco Oliver et al. | Improving bankruptcy prediction in micro-entities by using nonlinear effects and non-financial variables | |
CN109615280A (zh) | 员工数据处理方法、装置、计算机设备和存储介质 | |
CN111539811A (zh) | 风险账户的识别方法及装置 | |
Korczak et al. | Risk avoiding strategy in multi-agent trading system | |
Antonini et al. | Public sector debt dynamics: the persistence and sources of shocks to debt in 10 EU countries | |
CN109345371A (zh) | 个人征信报告回溯方法及*** | |
CN115293336A (zh) | 风险评估模型训练方法、装置和服务器 | |
Casarin et al. | Risk management of risk under the Basel Accord: A Bayesian approach to forecasting Value-at-Risk of VIX futures | |
CN112766814A (zh) | 一种信用风险压力测试模型的训练方法、装置及设备 | |
Paul et al. | Artificial intelligence in predictive analysis of insurance and banking | |
KR102249028B1 (ko) | 기업의 채무상환능력 평가시스템 | |
Zeng | [Retracted] Research on Risk Measurement and Early Warning of Electronic Banking Business Based on GMDH Algorithm | |
CN118195751A (zh) | 业务风险预警方法及装置 | |
CN105868217A (zh) | 数值自动转换方法及*** | |
Mourad et al. | Modeling and Mathematical Analysis of Liquidity Risk Contagion in the Banking System | |
JP7298286B2 (ja) | モデル提供プログラム、モデル提供方法及びモデル提供装置 | |
CN113763181A (zh) | 一种风险压力测试*** | |
Scannella et al. | Operational risk in bank governance and control: How to save capital requirement through a risk transfer strategy. Evidences from a simulated case study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |