本公开提供一种综合风险评估方法及装置，所述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；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，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；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。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。融风险水平。融风险水平。
【技术实现步骤摘要】
综合风险评估方法及装置
[0001]本公开涉及计算机
，尤其涉及一种综合风险评估方法及装置。
技术介绍
[0002]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；
[0003]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。
[0004]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。
[0005]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
技术实现思路
[0006]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。
[0007]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：
[0008]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；
[0009]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，
[0010]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；
[0011]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。
[0012]在一种可选的实施方式中，
[0013]所述获取所述综合风险参数后，所述方法还包括：
[0014]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；
[0015]将分组评分结果与预设阈值进行比较，
[0016]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。
[0017]在一种可选的实施方式中，
[0018]所述方法还包括获取所述常规变量参数，
[0019]所述获取所述常规变量参数的方法包括：
[0020]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；
[0021]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；
[0022]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。
[0023]在一种可选的实施方式中，
[0024]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：
[0025]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；
[0026]基于预先构建的多头风险评分模型，获取多头风险评分；
[0027]基于预先构建的用户行为评分模型，获取用户行为评分。
[0028]在一种可选的实施方式中，
[0029]所述方法还包括：
[0030]训练所述综合风险评估模型，
[0031]所述训练所述综合风险评估模型的方法包括：
[0032]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。
[0033]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：
[0034]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；
[0035]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，
[0036]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；
[0037]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。
[0038]在一种可选的实施方式中，
[0039]所述装置还包括第三单元，所述第三单元用于：
[0040]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；
[0041]将分组评分结果与预设阈值进行比较，
[0042]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。
[0043]在一种可选的实施方式中，
[0044]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：
[0045]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；
[0046]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；
[0047]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。
[0048]在一种可选的实施方式中，
[0049]所述装置还包括第五单元，所述第五单元用于：
[0050]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；
[0051]基于预先构建的多头风险评分模型，获取多头风险评分；
[0052]基于预先构建的用户行为评分模型，获取用户行为评分。
[0053]在一种可选的实施方式中，
[0054]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，
[0055]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。
[0056]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；
[0057]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，
[0058]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；
[0059]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。
[0060]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
[0061]图1为本公开实施例综合风险评估方法的流程示意图；
[0062]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
[0063]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本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种综合风险评估方法，其特征在于，所述方法包括：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；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，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；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。2.根据权利要求1所述的综合风险评估方法，其特征在于，所述获取所述综合风险参数后，所述方法还包括：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；将分组评分结果与预设阈值进行比较，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。3.根据权利要求1所述的综合风险评估方法，其特征在于，所述方法还包括获取所述常规变量参数，所述获取所述常规变量参数的方法包括：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；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；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。4.根据权利要求1所述的综合风险评估方法，其特征在于，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：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；基于预先构建的多头风险评分模型，获取多头风险评分；基于预先构建的用户行为评分模型，获取用户行为评分。5.根据权利要求1至4中任一项所述的综合风险评估方法，其特征在于，所述方法还包括：训练所述综合风险评估模型，所述训练所述综合风险评估模型的方法包括：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...
【专利技术属性】
技术研发人员：乾春涛，
申请(专利权)人：上海数禾信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。