一种风险控制方法、系统、设备及介质技术方案

本公开提供一种风险控制方法，应用于金融科技领域或其它领域，包括：获取订单当前的风险监管要素；基于风险监管要素，预测关键指标的数值范围，关键指标用于表征订单的交易风险状况；获取关键指标的实际值；以及确定实际值是否在数值范围内，以检测订单是否出现交易异常。本公开还提供一种风险控制系统、一种电子设备以及一种计算机可读存储介质。

【技术实现步骤摘要】
一种风险控制方法、系统、设备及介质
本公开涉及金融科技
，具体涉及一种风险控制方法、系统、设备及介质。
技术介绍
随着网络技术发展，收单系统从线下走向线上，又变成线上线下一体化，一体化的收单交易场景也越来越多样性，欺诈风险存在的环节也越多，风险要素不断变化。支付宝、微信等第三方快捷支付的兴起，收单市场变化日新月异。人民银行、银监局对网络金融的不断变化也会不断提出新的风险管理监管要求。对于传统的风控模型固化或者由人工维护的管理方法已经不能满足随市场变化而快速响应形成新的风控模型要求。
技术实现思路
(一)要解决的技术问题针对上述问题，本公开提供了一种风险控制方法、系统、设备及介质，用于至少部分解决传统风险控制方法时效性较差、有效性较低等技术问题。(二)技术方案本公开一方面提供了一种风险控制方法，包括：获取订单当前的风险监管要素；基于风险监管要素，预测关键指标的数值范围，关键指标用于表征订单的交易风险状况；获取关键指标的实际值；以及确定实际值是否在数值范围内，以检测订单是否出现交易异常。进一步地，基于风险监管要素，预测关键指标的数值范围，包括：获取预测模型；以及将风险监管要素输入预测模型，以预测关键指标的数值范围。进一步地，方法还包括：训练预测模型，该操作包括：获取训练数据集，训练数据集中包含历史风险监管要素以及对应的关键指标的历史值；以及利用历史风险监管要素和历史值训练预测模型。进一步地，方法还包括：获取测试数据集，测试数据集中包含风险监管测试要素以及对应的关键指标的测试值；将风险监管测试要素输入预测模型得到输出值；以及比较输出值与测试值，以优化预测模型。进一步地，训练预测模型，包括：离线训练预测模型。进一步地，训练预测模型，包括：获取历史订单的交易要素；根据历史风险监管要素从交易要素中选取至少一个交易要素自动组装成至少一个预测模型；利用历史风险监管要素和历史值训练至少一个预测模型。进一步地，训练预测模型，还包括：根据至少一个预测模型生成风险任务，根据风险任务的风险确认率和交易要素进行学习，以对至少一个预测模型进行更新。进一步地，根据风险任务的风险确认率进行学习，包括：根据风险确认率，调整预测模型中交易要素的参数，以对至少一个预测模型进行更新。进一步地，根据风险任务的交易要素进行学习，包括：增加、减少或调整交易要素，重新组装成至少一个预测模型，以对至少一个预测模型进行更新。进一步地，训练预测模型，包括：将风险监管要素同时输入至少两个预测模型，至少两个预测模型中的其中一个为基础预测模型，至少两个预测模型中的其它模型为在基础预测模型上得到的派生预测模型；至少两个预测模型同时预测关键指标的数值范围。本公开还有一方面提供了一种风险控制装置，包括：第一获取模块，用于获取订单当前的风险监管要素；预测模块，基于风险监管要素，预测关键指标的数值范围，关键指标用于表征订单的交易风险状况；第二获取模块，用于获取关键指标的实际值；以及确定模块，用于确定实际值是否在数值范围内，以检测订单是否出现交易异常。进一步地，风险控制装置，还包括：采集模块，用于获取原始的风险监管要素及对应的关键指标的值；处理模块，用于对原始的风险监管要素及对应的关键指标的值进行预处理，得到训练数据集及测试数据集；训练模块，用于根据训练数据集训练预测模型；优化模块，用于根据测试数据集优化训练得到的预测模型。本公开还有一方面提供了一种电子设备，包括：处理器；存储器，其存储有计算机可执行程序，该程序在被处理器执行时，使得处理器执行如前述风险控制方法。本公开还有一方面提供了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前述风险控制方法。(三)有益效果本公开实施例提供的一种风险控制方法、系统、设备及介质，通过确定关键指标的实际值是否在该数值范围内，以检测该订单是否出现交易异常，提高了交易风险控制的准确性与时效性；进一步地，通过交易要素自动组装成预测模型，使得预测模型可以根据业务需求迅速进行调整，快速对当前风险监管要求做出响应，对交易异常订单提出预警，提高了对交易风险控制过程的效率。附图说明图1示意性示出了传统风险控制方法的管理流程图；图2示意性示出了根据本公开实施例风险控制方法的示例性系统架构图；图3示意性示出了根据本公开实施例风险控制方法的流程图；图4示意性示出了根据本公开实施例中基于风险监管要素预测关键指标的数值范围的流程图；图5示意性示出了根据本公开实施例中训练预测模型的流程图；图6示意性示出了根据本公开实施例中优化预测模型的流程图；图7示意性示出了根据本公开实施例中预测模型生成及训练方法的流程图；图8示意性示出了根据本公开实施例的风险控制装置的框图；图9示意性示出了根据本公开具体实施例中风险控制方法的流程示意图；图10示意性示出了根据本公开具体实施例中自我学习过程的流程示意图；图11示意性示出了根据本公开具体实施例中预测模型的模型裂变与唤醒过程的流程示意图；图12示意性示出了根据本公开实施例的计算机系统的框图。具体实施方式为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本公开的技术可以采取存储有本文档来自技高网...

【技术保护点】
1.一种风险控制方法，其特征在于，包括：/n获取订单当前的风险监管要素；/n基于所述风险监管要素，预测关键指标的数值范围，所述关键指标用于表征所述订单的交易风险状况；/n获取所述关键指标的实际值；以及/n确定所述实际值是否在所述数值范围内，以检测所述订单是否出现交易异常。/n

【技术特征摘要】
1.一种风险控制方法，其特征在于，包括：
获取订单当前的风险监管要素；
基于所述风险监管要素，预测关键指标的数值范围，所述关键指标用于表征所述订单的交易风险状况；
获取所述关键指标的实际值；以及
确定所述实际值是否在所述数值范围内，以检测所述订单是否出现交易异常。


2.根据权利要求1所述的风险控制方法，其中，所述基于所述风险监管要素，预测关键指标的数值范围，包括：
获取预测模型；以及
将所述风险监管要素输入所述预测模型，以预测所述关键指标的所述数值范围。


3.根据权利要求2所述的风险控制方法，其中，所述方法还包括：训练所述预测模型，该操作包括：
获取训练数据集，所述训练数据集中包含历史风险监管要素以及对应的所述关键指标的历史值；以及
利用所述历史风险监管要素和所述历史值训练所述预测模型。


4.根据权利要求3所述的风险控制方法，其中，所述方法还包括：
获取测试数据集，所述测试数据集中包含风险监管测试要素以及对应的所述关键指标的测试值；
将所述风险监管测试要素输入所述预测模型得到输出值；以及
比较所述输出值与所述测试值，以优化所述预测模型。


5.根据权利要求3所述的风险控制方法，其中，所述训练所述预测模型，包括：
离线训练所述预测模型。


6.根据权利要求3所述的风险控制方法，其中，所述训练所述预测模型，包括：
获取历史订单的交易要素；
根据历史风险监管要素从所述交易要素中选取至少一个交易要素自动组装成至少一个预测模型；
利用所述历史风险监管要素和所述历史值训练所述至少一个预测模型。


7.根据权利要求6所述的风险控制方法，其中，所述训练所述预测模型，还包括：
根据所述至少一个预测模型生成风险任务，根据所述风险任务的风险确认率和交易要素进行学习，以对所述至少一个预测模型进行更新。


8.根据权利要求7所述的风险控...

【专利技术属性】
技术研发人员：戚敬文，李强，杨明伟，王善民，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：北京;11