交易风险的检测方法、装置、电子设备及程序产品与流程

摘要: 本技术涉及人工智能领域,具体而言,涉及一种交易风险的检测方法、装置、电子设备及程序产品。背景技术:1、尽管传统商户贷款风险检测方法在一定程度上能够满足业务的需求...
交易风险的检测方法、装置、电子设备及程序产品与流程

本技术涉及人工智能领域,具体而言,涉及一种交易风险的检测方法、装置、电子设备及程序产品。

背景技术:

1、尽管传统商户贷款风险检测方法在一定程度上能够满足业务的需求,但在面对复杂多变的商户贷款场景时,其局限性愈发显现。传统方法通常依赖于手工设计的特征工程,通过线性模型或非深度神经网络对特征进行提取和组合。这种方式难以全面捕捉数据中的非线性关系和潜在模式,导致预测准确性较低。商户的经营数据往往具有高度的异构性和复杂性,这些信息之间存在复杂的相互作用,简单的线性提取无法有效挖掘其中的深层关联。

2、其次,传统方法在处理高维、异构数据时的能力受到限制,难以有效挖掘数据中的深层次信息。现有方法在应对大规模数据时的计算效率较低,且对噪声和异常值的鲁棒性较差。例如,商户的交易流水中往往包含节假日波动等多种异常数据,传统方法往往采用统一的平滑或剔除策略,容易过滤有价值的风险或经营特征,进一步制约了其在实际业务中的应用效果。

3、针对相关技术中传统交易风险检测方法通常依赖于特征的线性提取方式,这种方式难以全面捕捉数据中的非线性关系和潜在模式,导致检测准确性较低的问题,目前尚未提出有效的解决方案。

技术实现思路

1、本技术的主要目的在于提供一种交易风险的检测方法、装置、电子设备及程序产品,以解决相关技术中传统交易风险检测方法通常依赖于特征的线性提取方式,这种方式难以全面捕捉数据中的非线性关系和潜在模式,导致检测准确性较低的问题。

2、为了实现上述目的,根据本技术的一个方面,提供了一种交易风险的检测方法,该方法包括:在获得目标商户授权的情况下,采集目标商户的交易数据,并对交易数据中的缺失数据进行数据填充操作,得到清洗后的原始数据;基于波动时间窗口从原始数据剔除噪声特征,并提取异常时序特征,其中,波动时间窗口至少包括:节假日时间窗口和行业周期性时间窗口;基于业务场景和波动时间窗口从原始数据中提取残差特征,并结合原始数据生成增强时序特征;将目标商户的交易金额、异常时序特征和增强时序特征输入信用风险检测模型中,获取信用风险检测模型输出的检测结果,其中,信用风险检测模型是基于深度残差网络模型训练的模型。

3、进一步地,在将目标商户的交易金额、异常时序特征和增强时序特征输入信用风险检测模型中之前,上述的方法还包括:通过对历史交易数据进行处理,得到历史异常时序特征和历史增强时序特征,并结合历史交易数据中每笔交易的交易金额构建训练集;基于多个候选批次从训练集中抽取多个候选样本集,采用多个候选样本集对深度残差网络模型进行训练,基于评估指标评估每个候选样本集的性能评分,依据性能评分在多个候选批次中确定目标批次;基于目标批次和训练集对深度残差网络模型进行训练,依据训练过程中模型的输出结果和历史商户的交易标签确定损失函数值,依据损失函数值的变化趋势在模型训练结果中筛选信用风险检测模型。

4、进一步地,采用多个候选样本集对深度残差网络模型进行训练,基于评估指标评估每个候选样本集的性能评分,包括:分别将每个候选样本集输入深度残差网络模型,得到每个候选样本集的输出结果;依据每个候选样本集的输出结果和交易标签确定均方根误差,得到第一预测偏差;依据每个候选样本集的输出结果和交易标签确定平均绝对误差,得到第二预测偏差;依据多个候选样本集的输出结果的统计特征确定决定系数,得到第三预测偏差;依据第一预测偏差、第二预测偏差和第三预测偏差确定每个候选样本集的性能评分。

5、进一步地,基于业务场景和波动时间窗口从原始数据中提取残差特征,并结合原始数据生成增强时序特征,包括:将原始数据映射至行业周期性时间窗口中,对每个时间窗口的交易数据进行归一化处理,并拼接得到周期性特征,其中,行业周期性时间窗口至少包括:第一时间窗口、第二时间窗口,第一时间窗口的交易频率大于第二时间窗口的交易频率;获取目标商户所属目标行业中商户在行业周期性时间窗口的第一统计特征,并结合原始数据确定行业残差;获取目标商户的周边商户在行业周期性时间窗口的第二统计特征,并结合原始数据确定商圈残差;将原始数据、周期性特征、行业残差和商圈残差进行拼接,生成增强时序特征。

6、进一步地,基于波动时间窗口从原始数据剔除噪声特征,并提取异常时序特征,包括:按照时间顺序对原始数据中的交易数据进行排序,得到交易时序数据;依据预设阈值识别交易时序数据中的噪声数据,基于噪声数据的上下文时序数据的统计特征替换噪声数据;基于预设时间窗口识别交易时序数据中的交易特征是否存在下降趋势,在存在下降趋势的情况下,依据预设时间窗口的交易特征确定为衰减风险特征;依据波动时间窗口从交易时序数据中提取目标时序数据,依据目标时序数据的上下文数据筛选合规时序数据;依据合规时序数据和衰减风险特征确定异常时序特征。

7、进一步地,对交易数据中的缺失数据进行数据填充操作,得到清洗后的原始数据,包括:遍历交易数据中数值型数据和类别型数据,确定数值型数据的缺失比例和类别型数据的缺失比例;针对缺失比例低于预设阈值的数值型数据,确定该数值型数据对应的非缺失样本的第三统计特征,并依据第三统计特征填充该数值型数据的缺失数据;针对缺失比例高于预设阈值的数值型数据,采用插值算法对该数值型数据的历史数据进行处理,依据处理结果填充该数值型数据的缺失数据;针对缺失比例低于预设阈值的类别型数据,确定该类别型数据对应的非缺失样本的第四统计特征,并依据第四统计特征填充该类别型数据的缺失数据;针对缺失比例高于预设阈值的类别型数据,依据新类别填充该类别型数据的缺失数据。

8、进一步地,采集目标商户的交易数据,包括:从金融机构交易系统中提取目标商户的历史业务流数据,其中,历史业务流数据包括:历史交易数据、历史业务属性数据,历史交易数据至少包括:历史借贷数据;从金融机构风控系统中获取目标商户的历史信用数据,其中,历史信用数据包括:信用评分、历史违约数据;确定目标商户所属的目标行业,获取目标行业的外部环境数据;依据历史业务流数据、历史信用数据和外部环境数据确定目标商户的交易数据。

9、为了实现上述目的,根据本技术的另一方面,提供了一种交易风险的检测装置,该装置包括:采集单元,用于在获得目标商户授权的情况下,采集目标商户的交易数据,并对交易数据中的缺失数据进行数据填充操作,得到清洗后的原始数据;第一提取单元,用于基于波动时间窗口从原始数据剔除噪声特征,并提取异常时序特征,其中,波动时间窗口至少包括:节假日时间窗口和行业周期性时间窗口;第二提取单元,用于基于业务场景和波动时间窗口从原始数据中提取残差特征,并结合原始数据生成增强时序特征;检测单元,用于将目标商户的交易金额、异常时序特征和增强时序特征输入信用风险检测模型中,获取信用风险检测模型输出的检测结果,其中,信用风险检测模型是基于深度残差网络模型训练的模型。

10、进一步地,上述的装置还包括:处理单元,用于在将目标商户的交易金额、异常时序特征和增强时序特征输入信用风险检测模型中之前,通过对历史交易数据进行处理,得到历史异常时序特征和历史增强时序特征,并结合历史交易数据中每笔交易的交易金额构建训练集;第一训练单元,用于基于多个候选批次从训练集中抽取多个候选样本集,采用多个候选样本集对深度残差网络模型进行训练,基于评估指标评估每个候选样本集的性能评分,依据性能评分在多个候选批次中确定目标批次;第二训练单元,用于基于目标批次和训练集对深度残差网络模型进行训练,依据训练过程中模型的输出结果和历史商户的交易标签确定损失函数值,依据损失函数值的变化趋势在模型训练结果中筛选信用风险检测模型。

11、进一步地,第一训练单元包括:第一处理子单元,用于分别将每个候选样本集输入深度残差网络模型,得到每个候选样本集的输出结果;第一确定子单元,用于依据每个候选样本集的输出结果和交易标签确定均方根误差,得到第一预测偏差;第二确定子单元,用于依据每个候选样本集的输出结果和交易标签确定平均绝对误差,得到第二预测偏差;第三确定子单元,用于依据多个候选样本集的输出结果的统计特征确定决定系数,得到第三预测偏差;第四确定子单元,用于依据第一预测偏差、第二预测偏差和第三预测偏差确定每个候选样本集的性能评分。

12、进一步地,第二提取单元包括:第二处理子单元,用于将原始数据映射至行业周期性时间窗口中,对每个时间窗口的交易数据进行归一化处理,并拼接得到周期性特征,其中,行业周期性时间窗口至少包括:第一时间窗口、第二时间窗口,第一时间窗口的交易频率大于第二时间窗口的交易频率;第一获取子单元,用于获取目标商户所属目标行业中商户在行业周期性时间窗口的第一统计特征,并结合原始数据确定行业残差;第二获取子单元,用于获取目标商户的周边商户在行业周期性时间窗口的第二统计特征,并结合原始数据确定商圈残差;拼接子单元,用于将原始数据、周期性特征、行业残差和商圈残差进行拼接,生成增强时序特征。

13、进一步地,第一提取单元包括:排序子单元,用于按照时间顺序对原始数据中的交易数据进行排序,得到交易时序数据;替换子单元,用于依据预设阈值识别交易时序数据中的噪声数据,基于噪声数据的上下文时序数据的统计特征替换噪声数据;识别子单元,用于基于预设时间窗口识别交易时序数据中的交易特征是否存在下降趋势,在存在下降趋势的情况下,依据预设时间窗口的交易特征确定为衰减风险特征;第一提取子单元,用于依据波动时间窗口从交易时序数据中提取目标时序数据,依据目标时序数据的上下文数据筛选合规时序数据;第五确定子单元,用于依据合规时序数据和衰减风险特征确定异常时序特征。

14、进一步地,采集单元包括:第六确定子单元,用于遍历交易数据中数值型数据和类别型数据,确定数值型数据的缺失比例和类别型数据的缺失比例;第七确定子单元,用于针对缺失比例低于预设阈值的数值型数据,确定该数值型数据对应的非缺失样本的第三统计特征,并依据第三统计特征填充该数值型数据的缺失数据;第一填充子单元,用于针对缺失比例高于预设阈值的数值型数据,采用插值算法对该数值型数据的历史数据进行处理,依据处理结果填充该数值型数据的缺失数据;第二填充子单元,用于针对缺失比例低于预设阈值的类别型数据,确定该类别型数据对应的非缺失样本的第四统计特征,并依据第四统计特征填充该类别型数据的缺失数据;第三填充子单元,用于针对缺失比例高于预设阈值的类别型数据,依据新类别填充该类别型数据的缺失数据。

15、进一步地,采集单元包括:第一提取子单元,用于从金融机构交易系统中提取目标商户的历史业务流数据,其中,历史业务流数据包括:历史交易数据、历史业务属性数据,历史交易数据至少包括:历史借贷数据;第三获取子单元,用于从金融机构风控系统中获取目标商户的历史信用数据,其中,历史信用数据包括:信用评分、历史违约数据;第三获取子单元,用于确定目标商户所属的目标行业,获取目标行业的外部环境数据;第八确定子单元,用于依据历史业务流数据、历史信用数据和外部环境数据确定目标商户的交易数据。

16、为了实现上述目的,根据本技术的一个方面,提供了一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现上述任意一项交易风险的检测方法,计算机程序被处理器执行时实现本技术各个实施例中交易风险的检测方法的步骤。

17、为了实现上述目的,根据本技术的一个方面,提供了一种计算机可读存储介质,计算机可读存储介质包括存储的计算机指令,其中,在计算机指令被处理器执行时实现上述任意一项交易风险的检测方法。

18、为了实现上述目的,根据本技术的一个方面,提供了一种电子设备,包括一个或多个处理器和存储器,存储器用于存储一个或多个程序,其中,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现上述任意一项交易风险的检测方法。

19、在本技术实施例中,通过采集商户多维数据并进行缺失值填充,确保了数据基础的完整性与一致性;利用基于节假日和行业周期性时间窗口,差异化地剔除随机噪声并将商户真实经营特征作为异常时序特征,避免了传统全局平滑处理导致的经营特征失真;进一步基于业务场景计算残差,生成增强时序特征,构建高维差异化输入特征集,输入基于深度残差网络训练的信用风险检测模型,利用残差连接结构有效缓解深层网络训练中的梯度消失问题,并通过非线性的特征映射捕捉商户经营数据中复杂的非线性关系和潜在模式,达到了提高交易风险评估准确率的技术效果。因此,可以解决相关技术中传统交易风险检测方法通常依赖于特征的线性提取方式,这种方式难以全面捕捉数据中的非线性关系和潜在模式,导致检测准确性较低的技术问题,达到了提升商户交易的风险检测精度、增强模型对复杂数据的处理能力的技术效果。