基于供应链金融业务的团队欺诈识别方法及装置制造方法及图纸

技术编号:36294234 阅读:57 留言:0更新日期:2023-01-13 10:08
本发明专利技术提供一种基于供应链金融业务的团队欺诈识别方法及装置,所述方法包括:获取第一预设数量的风险企业的历史交易数据;提取历史交易数据中的风险因素,并确定各个风险因素在风险企业和正常企业之间的特征差异,得到各个存在明显差异的风险因素;量化各个存在明显差异的风险因素,得到风险指标;根据风险指标进行模型训练,得到评分模型;基于评分模型,识别企业供应链金融业务中各个企业存在的团队欺诈风险。通过上述方法能够合理分配银行供应链金融额度,使真正有融资需求的企业实现融资。资。资。

【技术实现步骤摘要】
基于供应链金融业务的团队欺诈识别方法及装置


[0001]本专利技术涉及金融
,尤其涉及一种基于供应链金融业务的团队欺诈识别方法及装置。

技术介绍

[0002]供应链金融对商业银行的价值在于:供应链金融实现银企互利共赢,在供应链金融模式下,银行脱离单个企业的局限,站在产业供应链的全局和高度,向所有成员的企业进行融资安排,通过中小企业与核心企业的资信捆绑来提供授信。
[0003]但是,在实际开展业务时,很多企业伪造贸易背景,从上游企业收集融资电子凭证,将电子凭证出售给下游企业,帮助下游企业进行融资的同时赚取服务费,这种行为不仅扰乱了正常的市场环境,还占用了银行供应链金融方面的额度,使真正有融资需求的企业无法进行融资。

技术实现思路

[0004]有鉴于此,本专利技术实施例提供一种基于供应链金融业务的团队欺诈识别方法及装置,以实现合理分配银行供应链金融额度,使真正有融资需求的企业实现融资的目的。
[0005]为实现上述目的,本专利技术实施例提供如下技术方案:
[0006]本专利技术实施例第一方面公开了一种基于供应链金融业务的团队欺诈识别方法,所述方法包括:
[0007]获取第一预设数量的风险企业的历史交易数据,所述历史交易数据包括企业供应链金融业务中的业务数据和工商司法数据;
[0008]提取所述历史交易数据中的风险因素,并确定各个所述风险因素在所述风险企业和正常企业之间的特征差异,得到各个存在明显差异的风险因素;
[0009]量化各个所述存在明显差异的风险因素,得到风险指标;
[0010]根据所述风险指标进行模型训练,得到评分模型;
[0011]基于所述评分模型,识别所述企业供应链金融业务中各个企业存在的团队欺诈风险。
[0012]可选的,所述提取所述历史交易数据中的风险因素,并确定各个所述风险因素在所述风险企业和正常企业之间的特征差异,得到各个存在明显差异的风险因素,包括:
[0013]提取所述历史交易数据中的风险因素,并确定各个所述风险因素的解释性;
[0014]根据各个所述风险因素的解释性,得到各个解释性较强的风险因素;
[0015]比较各个所述解释性较强的风险因素在所述风险企业和正常企业之间的特征差异,得到各个存在明显差异的风险因素。
[0016]可选的,所述量化各个所述存在明显差异的风险因素,得到风险指标,包括:
[0017]将各个所述存在明显差异的风险因素进行特征构造,得到已特征构造的风险因素;
[0018]对所述已特征构造的风险因素进行特征选择,得到各个已处理数据;
[0019]分析各个所述已处理数据,得到各个所述已处理数据的内在关联性;
[0020]根据各个所述已处理数据的内在关联性,抽取所述企业供应链金融业务中的第二预设数量的链条企业的部分数据作为模型样本;
[0021]对所述模型样本中的样本变量进行分组、合并和转换,得到各个预测能力较强的样本变量。
[0022]可选的,所述对所述已特征构造的风险因素进行特征选择,得到各个已处理数据,包括:
[0023]利用过滤法,对所述已特征构造的风险因素进行特征选择,得到各个已处理数据;
[0024]或者,
[0025]利用包装法,对所述已特征构造的风险因素进行特征选择,得到各个所述已处理数据;
[0026]或者,
[0027]利用嵌入法,对所述已特征构造的风险因素进行特征选择,得到各个所述已处理数据。
[0028]可选的,所述对所述模型样本中的样本变量进行分组、合并和转换,得到各个预测能力较强的样本变量,包括:
[0029]若所述模型样本中的样本变量为连续变量,确定分割点的数量;
[0030]基于所述切割点的数量,将所述样本变量分为多个区间段,并确定每一所述区间段的样本变量的预测能力,所述区间段的数量等于所述切割点的数量加1;
[0031]比较每一所述区间段的样本变量的预测能力,得到各个预测能力较强的样本变量;
[0032]若所述模型样本中的样本变量为离散变量,确定每一所述样本变量的预测能力;
[0033]将各个具有相近的预测能力的样本变量合并为一组,得到多组样本变量;
[0034]比较每组所述样本变量的预测能力,得到各个所述预测能力较强的样本变量。
[0035]可选的,所述根据所述风险指标进行模型训练,得到评分模型,包括:
[0036]将各个所述预测能力较强的样本变量进行逻辑回归运算,得到初始回归模型;
[0037]基于初始回归模型,模拟各个企业存在团队欺诈风险的第一风险概率;
[0038]通过概率分数转换算法,将各个所述第一风险概率转换成分数,得到初始评分卡;
[0039]将所述初始评分卡进行拒绝推论,得到样本数据,所述样本数据包括核准企业的企业数据和申请被拒绝企业的企业数据;
[0040]利用所述样本数据,重新对各个所述预测能力较强的样本变量进行分组,得到第二数据集;
[0041]利用所述第二数据集,建立逻辑回归模型;
[0042]基于所述逻辑回归模型,模拟各个所述企业存在团队欺诈风险的第二风险概率;
[0043]通过所述概率分数转换算法,将各个所述第二风险概率转换成分数,得到最终评分卡;
[0044]基于所述最终评分卡,创建评分模型。
[0045]可选的,所述将初始评分卡进行拒绝推论,得到样本数据,包括:
[0046]确定申请被拒绝企业,并获取所述申请被拒绝企业的企业数据;
[0047]利用所述初始评分卡对所述申请被拒绝企业进行评分,得到每一所述申请被拒绝企业被审批成为好客户的概率和坏客户的概率;
[0048]按照所述申请被拒绝企业被审批成为好客户的概率和坏客户的概率,将所述申请被拒绝企业的企业数据添加至所述模型样本中,得到样本数据。
[0049]可选的,在所述基于所述评分模型,识别企业供应链金融业务中各个企业存在的团队欺诈风险之前,还包括:
[0050]校验所述评分模型的预测能力和稳定性。
[0051]可选的,还包括:
[0052]建立多种报表;
[0053]基于所述报表,对所述评分模型的有效性和稳定性进行监测。
[0054]本专利技术实施例第二方面公开了一种基于供应链金融业务的团队欺诈识别装置,所述装置包括:
[0055]获取模块,用于获取第一预设数量的风险企业的历史交易数据,所述历史交易数据包括企业供应链金融业务中的业务数据和工商司法数据;
[0056]处理模块,用于提取所述历史交易数据中的风险因素,并确定各个所述风险因素在所述风险企业和正常企业之间的特征差异,得到各个存在明显差异的风险因素;
[0057]量化模块,用于量化各个所述存在明显差异的风险因素,得到风险指标;
[0058]模型训练模块,用于根据所述风险指标进行模型训练,得到评分模型;...

【技术保护点】

【技术特征摘要】
1.一种基于供应链金融业务的团队欺诈识别方法,其特征在于,所述方法包括:获取第一预设数量的风险企业的历史交易数据,所述历史交易数据包括企业供应链金融业务中的业务数据和工商司法数据;提取所述历史交易数据中的风险因素,并确定各个所述风险因素在所述风险企业和正常企业之间的特征差异,得到各个存在明显差异的风险因素;量化各个所述存在明显差异的风险因素,得到风险指标;根据所述风险指标进行模型训练,得到评分模型;基于所述评分模型,识别所述企业供应链金融业务中各个企业存在的团队欺诈风险。2.根据权利要求1所述的方法,其特征在于,所述提取所述历史交易数据中的风险因素,并确定各个所述风险因素在所述风险企业和正常企业之间的特征差异,得到各个存在明显差异的风险因素,包括:提取所述历史交易数据中的风险因素,并确定各个所述风险因素的解释性;根据各个所述风险因素的解释性,得到各个解释性较强的风险因素;比较各个所述解释性较强的风险因素在所述风险企业和正常企业之间的特征差异,得到各个存在明显差异的风险因素。3.根据权利要求1所述的方法,其特征在于,所述量化各个所述存在明显差异的风险因素,得到风险指标,包括:将各个所述存在明显差异的风险因素进行特征构造,得到已特征构造的风险因素;对所述已特征构造的风险因素进行特征选择,得到各个已处理数据;分析各个所述已处理数据,得到各个所述已处理数据的内在关联性;根据各个所述已处理数据的内在关联性,抽取所述企业供应链金融业务中的第二预设数量的链条企业的部分数据作为模型样本;对所述模型样本中的样本变量进行分组、合并和转换,得到各个预测能力较强的样本变量。4.根据权利要求3所述的方法,其特征在于,所述对所述已特征构造的风险因素进行特征选择,得到各个已处理数据,包括:利用过滤法,对所述已特征构造的风险因素进行特征选择,得到各个已处理数据;或者,利用包装法,对所述已特征构造的风险因素进行特征选择,得到各个所述已处理数据;或者,利用嵌入法,对所述已特征构造的风险因素进行特征选择,得到各个所述已处理数据。5.根据权利要求3所述的方法,其特征在于,所述对所述模型样本中的样本变量进行分组、合并和转换,得到各个预测能力较强的样本变量,包括:若所述模型样本中的样本变量为连续变量,确定分割点的数量;基于所述切割点的数量,将所述样本变量分为多个区间段,并确定每一所述区间段的样本变量的预测能力,所述区间段的数量等于所述切割点的数量加1;比较每一所述区间段的样本变量的预测能力,得到各个预测能力较强的样本变量;若所述模型样本中的...

【专利技术属性】
技术研发人员:吕思凝
申请(专利权)人:北京商银微芯科技有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1