一种洗钱风险预测方法及装置制造方法及图纸

本发明专利技术提供了一种洗钱风险预测方法及装置，可应用于人工智能领域或金融领域，将洗钱风险预测与统计方法结合起来，以各个金融机构在多个历史预设时间区间内的洗钱风险等级作为观测值矩阵，构建近似因子模型，并对近似因子模型进行参数估计，得到能够揭示历史洗钱风险变化规律的参数，从而预测各个金融机构在未来预设时间区间内的洗钱风险等级，以实现洗钱风险预警。风险预警。风险预警。

【技术实现步骤摘要】
一种洗钱风险预测方法及装置


[0001]本专利技术涉及数据处理
，更具体的，涉及一种洗钱风险预测方法及装置。

技术介绍

[0002]洗钱风险评估在我国目前处于起步阶段，不同金融机构关于洗钱风险评估虽然都有不尽相同的方法论，但是一般都是对历史一定时期内的客户、交易数据进行综合评定，得出本金融机构的洗钱风险等级，即对过去的洗钱风险进行总结，无法对未来短期的洗钱风险进行预测，即无法实现洗钱风险预警。

技术实现思路

[0003]有鉴于此，本专利技术提供了一种洗钱风险预测方法及装置，通过对历史金融机构的洗钱风险等级建模，实现对未来短期的洗钱风险等级预测，从而实现洗钱风险预警。
[0004]为了实现上述专利技术目的，本专利技术提供的具体技术方案如下：
[0005]一种洗钱风险预测方法，包括：
[0006]获取各个金融机构在多个历史预设时间区间内的洗钱风险等级；
[0007]以各个金融机构在多个历史预设时间区间内的洗钱风险等级作为观测值矩阵，构建近似因子模型；
[0008]利用预设参数估计方法对所述近似因子模型进行参数估计，得到多个历史预设时间区间对应的因子矩阵；
[0009]根据多个历史预设时间区间对应的因子矩阵，预测未来预设时间区间对应的因子矩阵；
[0010]基于未来预设时间区间对应的因子矩阵以及所述近似因子模型，计算各个金融机构在未来预设时间区间内的洗钱风险等级。
[0011]可选的，所述以各个金融机构在多个历史预设时间区间内的洗钱风险等级作为观测值矩阵，构建近似因子模型，包括：
[0012]构建如下近似因子模型：
[0013]Y＝FΛ
′
+e；
[0014]其中，Y为一个T
×
N的观测值矩阵，T表示预设历史时间区间的数量，N表示金融机构的数量，F＝(f1，...，f
T
)
′
是一个T
×
r的因子矩阵，r表示因子的数量，Λ＝(λ1，...，λ
N
)
′
是一个N
×
R的参数矩阵，e是一个T
×
N的残差矩阵，F、Λ、e相互独立；
[0015]假设向量化后e的协方差矩阵是可分的，向量化后e的协方差矩阵如下：
[0016][0017]其中，Θ、Φ分别表示金融机构间、时间方向上的相关性协方差矩阵。
[0018]可选的，所述利用预设参数估计方法对所述近似因子模型进行参数估计，得到多个历史预设时间区间对应的因子矩阵，包括：
[0019]利用广义最小二乘法估计(Λ，F)，得到：
[0020][0021]其中，表示乘以包含矩阵的前r个最大的特征值的对角矩阵；
[0022]利用惩罚极大似然估计方法估计Θ；
[0023]采用多元稀疏时间序列的方法估计Φ。
[0024]可选的，所述利用惩罚极大似然估计方法估计Θ，包括：
[0025]在利用惩罚极大似然估计方法估计Θ的迭代过程中，动态更新惩罚函数的权重矩阵，得到极大似然解
[0026]可选的，在计算各个金融机构在未来预设时间区间内的洗钱风险等级之后，所述方法还包括：
[0027]在金融机构在未来预设时间区间内的洗钱风险等级大于阈值的情况下，进行风险预警。
[0028]一种洗钱风险预测装置，包括：
[0029]数据获取单元，用于获取各个金融机构在多个历史预设时间区间内的洗钱风险等级；
[0030]模型构建单元，用于以各个金融机构在多个历史预设时间区间内的洗钱风险等级作为观测值矩阵，构建近似因子模型；
[0031]参数估计单元，用于利用预设参数估计方法对所述近似因子模型进行参数估计，得到多个历史预设时间区间对应的因子矩阵；
[0032]因子矩阵预测单元，用于根据多个历史预设时间区间对应的因子矩阵，预测未来预设时间区间对应的因子矩阵；
[0033]风险预测单元，用于基于未来预设时间区间对应的因子矩阵以及所述近似因子模型，计算各个金融机构在未来预设时间区间内的洗钱风险等级。
[0034]可选的，所述模型构建单元，具体用于：
[0035]构建如下近似因子模型：
[0036]Y＝FΛ
′
+e；
[0037]其中，Y为一个T
×
N的观测值矩阵，T表示预设历史时间区间的数量，N表示金融机构的数量，F＝(f1，...，f
T
)
′
是一个T
×
r的因子矩阵，r表示因子的数量，Λ＝(λ1，...，λ
N
)
′
是一个N
×
R的参数矩阵，e是一个T
×
N的残差矩阵，F、Λ、e相互独立；
[0038]假设向量化后e的协方差矩阵是可分的，向量化后e的协方差矩阵如下：
[0039][0040]其中，Θ、Φ分别表示金融机构间、时间方向上的相关性协方差矩阵。
[0041]可选的，所述参数估计单元，包括：
[0042]第一参数估计子单元，用于利用广义最小二乘法估计(Λ，F)，得到：
[0043][0044]其中，表示乘以包含矩阵的前r个最大的特征值的对角矩
阵；
[0045]第二参数估计子单元，用于利用惩罚极大似然估计方法估计Θ；
[0046]第三参数估计子单元，用于采用多元稀疏时间序列的方法估计Φ。
[0047]可选的，所述第二参数估计子单元，具体用于在利用惩罚极大似然估计方法估计Θ的迭代过程中，动态更新惩罚函数的权重矩阵，得到极大似然解
[0048]可选的，所述装置还包括：
[0049]风险预警单元，用于在金融机构在未来预设时间区间内的洗钱风险等级大于阈值的情况下，进行风险预警。
[0050]相对于现有技术，本专利技术的有益效果如下：
[0051]本专利技术公开的一种洗钱风险预测方法，将洗钱风险预测与统计方法结合起来，以各个金融机构在多个历史预设时间区间内的洗钱风险等级作为观测值矩阵，构建近似因子模型，并对近似因子模型进行参数估计，得到能够揭示历史洗钱风险变化规律的参数，从而预测各个金融机构在未来预设时间区间内的洗钱风险等级，以实现洗钱风险预警。
附图说明
[0052]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0053]图1为本专利技术实施例公开的一种洗钱风险预测方法的流程示意图；
[0054]图2为本专利技术实施例公开的一种洗钱风险预测方法的部分方法流程示意图；
[0055]图3为本专利技术实施例公开的一种洗钱风险预测装置的结构示意图。
具体实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种洗钱风险预测方法，其特征在于，包括：获取各个金融机构在多个历史预设时间区间内的洗钱风险等级；以各个金融机构在多个历史预设时间区间内的洗钱风险等级作为观测值矩阵，构建近似因子模型；利用预设参数估计方法对所述近似因子模型进行参数估计，得到多个历史预设时间区间对应的因子矩阵；根据多个历史预设时间区间对应的因子矩阵，预测未来预设时间区间对应的因子矩阵；基于未来预设时间区间对应的因子矩阵以及所述近似因子模型，计算各个金融机构在未来预设时间区间内的洗钱风险等级。2.根据权利要求1所述的方法，其特征在于，所述以各个金融机构在多个历史预设时间区间内的洗钱风险等级作为观测值矩阵，构建近似因子模型，包括：构建如下近似因子模型：Y＝FΛ
′
+e；其中，Y为一个T
×
N的观测值矩阵，T表示预设历史时间区间的数量，N表示金融机构的数量，F＝(f1，...，f
T
)
′
是一个T
×
r的因子矩阵，r表示因子的数量，Λ＝(λ1，...，λ
N
)
′
是一个N
×
R的参数矩阵，e是一个T
×
N的残差矩阵，F、Λ、e相互独立；假设向量化后e的协方差矩阵是可分的，向量化后e的协方差矩阵如下：其中，Θ、Φ分别表示金融机构间、时间方向上的相关性协方差矩阵。3.根据权利要求2所述的方法，其特征在于，所述利用预设参数估计方法对所述近似因子模型进行参数估计，得到多个历史预设时间区间对应的因子矩阵，包括：利用广义最小二乘法估计(Λ，F)，得到：其中，表示乘以包含矩阵的前r个最大的特征值的对角矩阵；利用惩罚极大似然估计方法估计Θ；采用多元稀疏时间序列的方法估计Φ。4.根据权利要求3所述的方法，其特征在于，所述利用惩罚极大似然估计方法估计Θ，包括：在利用惩罚极大似然估计方法估计Θ的迭代过程中，动态更新惩罚函数的权重矩阵，得到极大似然解5.根据权利要求1所述的方法，其特征在于，在计算各个金融机构在未来预设时间区间内的洗钱风险等级之后，所述方法还包括：在金融机构在未来预设时间区间内的洗钱风险等级大于阈值的情况下，进行风险预警。...

【专利技术属性】
技术研发人员：顾翔宇，
申请(专利权)人：中银金融科技有限公司，
类型：发明
国别省市：