综合风险评估方法及装置与流程

1.本公开涉及计算机技术领域，尤其涉及一种综合风险评估方法及装置。


背景技术：

2.用户的金融风险又分为多个方面，比如，目前有些金融服务公司通过对用户个人信息进行大数据分析，从而对用户的金融风险进行预警；
3.还有些金融服务公司通过对用户的还贷情况进行跟踪分析，以确定用户的金融风险情况；还有些金融服务公司通过实施监控用户的个人特征的变动情况，以对用户的一段时间之后的金融风险进行分析等等。
4.在交易中的风险控制中，现有技术中往往希望通过一个的机器学习模型尽可能的给出安全可靠的风险分析结果，但是这种做法对机器学习模型的训练环节压力很大，需要多维度的大量的用户数据，而且在机器学习模型的训练过程汇总，很难给出既全面有具有多维度特征的准确的用户金融风险分析结果。
5.因此，如何提出一种解决上述技术问题的解决方案是本领域技术人员目前需要解决的问题


技术实现要素：

6.本公开实施例提供一种综合风险评估方法，能够从多个角度对金融用户进行金融风险预测。
7.本公开实施例的第一方面，提供一种综合风险评估方法，所述方法包括：
8.基于预先获取的用户数据，以及预先获取的多个风险评估参考值，获取综合风险参数；
9.基于所述综合风险参数以及预先获取的常规变量参数，通过预先构建的综合风险评估模型，获取目标用户的综合金融风险，
10.其中，所述综合风险评估模型基于神经网络构建，用于获取目标用户的综合金融风险；
11.所述多个风险评估参考值包括用户还款积极度、多头风险评分、以及用户行为评分中至少一种。
12.在一种可选的实施方式中，
13.所述获取所述综合风险参数后，所述方法还包括：
14.将所述综合风险参数进行分箱法对用户数据进行分组评分；
15.将分组评分结果与预设阈值进行比较，
16.确定所述综合风险参数所属类别，用以确定所述综合风险参数中各个值的具体数值。
17.在一种可选的实施方式中，
18.所述方法还包括获取所述常规变量参数，
19.所述获取所述常规变量参数的方法包括：
20.通过用户数据与至少一个风险分析模型的特征提取常规变量参数；
21.所述常规变量参数至少包括以下一者：借款期数、风险定价、用户特征；
22.其中，所述风险分析模型用于分析输入该风险分析模型的参数对应用户的金融风险。
23.在一种可选的实施方式中，
24.所述方法还包括获取多个风险评估参考值，所述获取多个风险评估参考值的方法包括：
25.基于预先构建的用户还款积极度模型，获取用户还款积极度；
26.基于预先构建的多头风险评分模型，获取多头风险评分；
27.基于预先构建的用户行为评分模型，获取用户行为评分。
28.在一种可选的实施方式中，
29.所述方法还包括：
30.训练所述综合风险评估模型，
31.所述训练所述综合风险评估模型的方法包括：
32.通过预先获取的训练数据集，将训练数据集中综合风险参数以及常规变量参数作为输入变量，将训练数据集中综合金融风险作为输出变量，通过逻辑回归算法，训练所述综合风险评估模型。
33.本公开实施例的第二方面，提供一种综合风险评估装置，所述装置包括：
34.第一单元，用于基于预先获取的用户数据，以及预先获取的多个风险评估参考值，获取综合风险参数；
35.第二单元，用于基于所述综合风险参数以及预先获取的常规变量参数，通过预先构建的综合风险评估模型，获取目标用户的综合金融风险，
36.其中，所述综合风险评估模型基于神经网络构建，用于获取目标用户的综合金融风险；
37.所述多个风险评估参考值包括用户还款积极度、多头风险评分、以及用户行为评分中至少一种。
38.在一种可选的实施方式中，
39.所述装置还包括第三单元，所述第三单元用于：
40.将所述综合风险参数进行分箱法对用户数据进行分组评分；
41.将分组评分结果与预设阈值进行比较，
42.确定所述综合风险参数所属类别，用以确定所述综合风险参数中各个值的具体数值。
43.在一种可选的实施方式中，
44.所述装置还包括第四单元，所述第四单元用于获取所述常规变量参数：
45.通过用户数据与至少一个风险分析模型的特征提取常规变量参数；
46.所述常规变量参数至少包括以下一者：借款期数、风险定价、用户特征；
47.其中，所述风险分析模型用于分析输入该风险分析模型的参数对应用户的金融风险。
48.在一种可选的实施方式中，
49.所述装置还包括第五单元，所述第五单元用于：
50.基于预先构建的用户还款积极度模型，获取用户还款积极度；
51.基于预先构建的多头风险评分模型，获取多头风险评分；
52.基于预先构建的用户行为评分模型，获取用户行为评分。
53.在一种可选的实施方式中，
54.所述装置还包括第六单元，所述第六单元用于训练所述综合风险评估模型，
55.通过预先获取的训练数据集，将训练数据集中综合风险参数以及常规变量参数作为输入变量，将训练数据集中综合金融风险作为输出变量，通过逻辑回归算法，训练所述综合风险评估模型。
56.本公开的综合风险评估方法，包括基于预先获取的用户数据，以及预先获取的多个风险评估参考值，获取综合风险参数；
57.基于所述综合风险参数以及预先获取的常规变量参数，通过预先构建的综合风险评估模型，获取目标用户的综合金融风险，
58.其中，所述综合风险评估模型基于神经网络构建，用于获取目标用户的综合金融风险；
59.所述多个风险评估参考值包括用户还款积极度、多头风险评分、以及用户行为评分中至少一种。
60.本公开的综合风险评估方法，能够做到从多个角度对金融用户进行金融风险预测，防范交易风险，而优化整体用户群的金融风险水平。
附图说明
61.图1为本公开实施例综合风险评估方法的流程示意图；
62.图2为本公开实施例综合风险评估装置的结构示意图。
具体实施方式
63.为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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，都属于本公开保护的范围。
64.本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)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，以便这里描述的本公开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。
65.应当理解，在本公开的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。
66.应当理解，在本公开中，“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、系统、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。
67.应当理解，在本公开中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含a、b和c”、“包含a、b、c”是指a、b、c三者都包含，“包含a、b或c”是指包含a、b、c三者之一，“包含a、b和/或c”是指包含a、b、c三者中任1个或任2个或3个。
68.应当理解，在本公开中，“与a对应的b”、“与a相对应的b”、“a与b相对应”或者“b与a相对应”，表示b与a相关联，根据a可以确定b。根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其他信息确定b。a与b的匹配，是a与b的相似度大于或等于预设的阈值。
69.取决于语境，如在此所使用的“若”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”或“响应于检测”。
70.下面以具体地实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
71.图1示例性地示出本公开实施例综合风险评估方法的流程示意图，如图1所示，所述方法包括：
72.步骤s101、基于预先获取的用户数据，以及预先获取的多个风险评估参考值，获取综合风险参数；
73.在一种可选的实施方式中，所述多个风险评估参考值包括用户还款积极度、多头风险评分、以及用户行为评分中至少一种。
74.在一种可选的实施方式中，
75.所述获取所述综合风险参数后，所述方法还包括：
76.将所述综合风险参数进行分箱法对用户数据进行分组评分；
77.将分组评分结果与预设阈值进行比较，
78.确定所述综合风险参数所属类别，用以确定所述综合风险参数中各个值的具体数值。
79.在一种可选的实施方式中，
80.所述方法还包括获取多个风险评估参考值，所述获取多个风险评估参考值的方法包括：
81.基于预先构建的用户还款积极度模型，获取用户还款积极度；
82.基于预先构建的多头风险评分模型，获取多头风险评分；
83.基于预先构建的用户行为评分模型，获取用户行为评分。
84.其中，可用分箱的方法对预测结果还款积极度分为5组，标注为a、b、c、d、e标签分别为80％的概率、60％的概率、40％的概率、20％的概率、20％一下的概率，根据设定的一个80％的阈值，确定是落入a的类型即可。还款积极度越高客户风险越低。
85.其中，可用分箱的方法对预测结果多头风险评分分为5组，标注为a、b、c、d、e标签分别为400、700、800、900、900以上，根据设定的一个400的阈值，确定是落入a的类型即可。多头风险分低客户风险越低。
86.其中，可用分箱的方法对预测结果用户行为评分分为5组，标注为a、b、c、d、e标签，
分别为500、600、700、800、800以上，根据设定的一个500的阈值，确定是落入a的类型即可。行为评分模型高客户风险越低。
87.步骤s102、基于所述综合风险参数以及预先获取的常规变量参数，通过预先构建的综合风险评估模型，获取目标用户的综合金融风险。
88.在一个实施例中，以上模型的评分结果加入常规变量如：借款期数、风险定价、是否标准户等分类给标签，加入到强化风险识别的二级模型进行计算，用训练好的二级模型架构进行高风险识别，为了该系统的稳定性，二级模型架构采用传统的逻辑回归算法开发，并对基于先验风险信息有效提炼的一级预测的子模型分进行分组平滑处理，一方面自动降噪，另外一方面进一步保证二级模型架构稳定。
89.在一种可选的实施方式中，
90.所述方法还包括：
91.训练所述综合风险评估模型，
92.所述训练所述综合风险评估模型的方法包括：
93.通过预先获取的训练数据集，将训练数据集中综合风险参数以及常规变量参数作为输入变量，将训练数据集中综合金融风险作为输出变量，通过逻辑回归算法，训练所述综合风险评估模型。
94.可以理解的是，逻辑回归是一种与线性回归非常类似的算法，但是，从本质上讲，线型回归处理的问题类型与逻辑回归不一致。线性回归处理的是数值问题，也就是最后预测出的结果是数字；逻辑回归预测结果是离散的分类，逻辑回归是一种经典的二分类算法。
95.本公开的综合风险评估方法，包括基于预先获取的用户数据，以及预先获取的多个风险评估参考值，获取综合风险参数；
96.基于所述综合风险参数以及预先获取的常规变量参数，通过预先构建的综合风险评估模型，获取目标用户的综合金融风险，
97.其中，所述综合风险评估模型基于神经网络构建，用于获取目标用户的综合金融风险；
98.所述多个风险评估参考值包括用户还款积极度、多头风险评分、以及用户行为评分中至少一种。
99.本公开的综合风险评估方法，能够做到从多个角度对金融用户进行金融风险预测，防范交易风险，而优化整体用户群的金融风险水平。
100.图2示例性地示出本公开实施例综合风险评估装置的结构示意图，如图2所示，所述装置包括：
101.第一单元21，用于基于预先获取的用户数据，以及预先获取的多个风险评估参考值，获取综合风险参数；
102.第二单元22，用于基于所述综合风险参数以及预先获取的常规变量参数，通过预先构建的综合风险评估模型，获取目标用户的综合金融风险，
103.其中，所述综合风险评估模型基于神经网络构建，用于获取目标用户的综合金融风险；
104.所述多个风险评估参考值包括用户还款积极度、多头风险评分、以及用户行为评分中至少一种。
105.在一种可选的实施方式中，
106.所述装置还包括第三单元，所述第三单元用于：
107.将所述综合风险参数进行分箱法对用户数据进行分组评分；
108.将分组评分结果与预设阈值进行比较，
109.确定所述综合风险参数所属类别，用以确定所述综合风险参数中各个值的具体数值。
110.在一种可选的实施方式中，
111.所述装置还包括第四单元，所述第四单元用于获取所述常规变量参数：
112.通过用户数据与至少一个风险分析模型的特征提取常规变量参数；
113.所述常规变量参数至少包括以下一者：借款期数、风险定价、用户特征；
114.其中，所述风险分析模型用于分析输入该风险分析模型的参数对应用户的金融风险。
115.在一种可选的实施方式中，
116.所述装置还包括第五单元，所述第五单元用于：
117.基于预先构建的用户还款积极度模型，获取用户还款积极度；
118.基于预先构建的多头风险评分模型，获取多头风险评分；
119.基于预先构建的用户行为评分模型，获取用户行为评分。
120.在一种可选的实施方式中，
121.所述装置还包括第六单元，所述第六单元用于训练所述综合风险评估模型，
122.通过预先获取的训练数据集，将训练数据集中综合风险参数以及常规变量参数作为输入变量，将训练数据集中综合金融风险作为输出变量，通过逻辑回归算法，训练所述综合风险评估模型。
123.本公开还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
124.其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(application specific integrated circuits，简称：asic)中。另外，该asic可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(rom)、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
125.在上述终端或者服务器的实施例中，应理解，处理器可以是中央处理单元(英文：central processing unit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digital signal processor，简称：dsp)、专用集成电路(英文：application specific integrated circuit，简称：asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
126.最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。