一种企业信用评价风险模型的建模方法技术

本申请公开了一种企业信用评价风险模型的建模方法，在训练目标模型时，从不同的时间维度，即目标时间节点表示出的维度和随机时间节点表示出的时间维度，分别地制定样本，以使得通过样本得到的样本数据一方面能够使得目标模型学习到由目标时间节点代表的关键时间节点企业的经营数据表现出的企业实际状况。而随机时间节点的经营数据则能够一定程度的反映出调整导致的隐患，则目标模型通过对应于随机时间节点的经营数据，学习到这种调整。此外，除财务数据以外，企业的调整还可能是针对其他方面进行的，训练目标模型时采用的第三样本则能够体现出这些变化。可见，通过本说明书中的目标模型，能够全方位的对企业的信用风险进行预测。预测。预测。

【技术实现步骤摘要】
一种企业信用评价风险模型的建模方法


[0001]本申请涉及适用于行政、商业、金融、管理、监督或预测目的的数据处理
，尤其涉及一种企业信用评价风险模型的建模方法。

技术介绍

[0002]通常情况下，信用风险是指当一方无法履行协议、违约或无法及时偿还债务时，给另一方造成经济损失的概率。信用评价风险模型通常指一种用来评估企业信用风险的统计学模型，这些模型可以基于企业的历史信用记录，来预测企业的信用风险。
[0003]若存在企业恶意违约、隐瞒企业的某些信息、故意逃避风险评估的情况，将会导致相关技术中的模型存在察觉风险不及时的问题。

技术实现思路

[0004]本申请实施例提供了一种企业信用评价风险模型的建模方法，以至少部分的解决上述技术问题。
[0005]本申请实施例采用下述技术方案：第一方面，本申请实施例提供一种企业信用评价风险模型的建模方法，所述方法包括：获取样本企业在第一历史时间段内的经营数据；基于所述经营数据构建样本数据、和所述样本数据对应的标签；所述样本数据包含：第一样本、第二样本、以及第三样本；所述第一样本表征所述样本企业在所述第一历史时间段内的预设的目标时间节点的经营状况偏离量；所述第二样本表征所述样本企业在所述第一历史时间段内的第一数量个随机时间节点的经营状况偏离量；所述第三样本是所述样本企业在所述第一历史时间段结束时检测到的对应于预设维度的维度偏离量；所述经营状况偏离量用于表征所述样本企业的资金流水在其对应的时间节点偏离正常流水的程度；所述维度偏离量用于表征所述样本企业对应于所述预设维度的表征值偏离正常值的程度；所述预设维度包含：人事情况、商业合同情况、知识产权增量、技术奖励获奖情况；所述标签用于表征所述样本企业的信用风险情况；所述第一数量与所述第一历史时间段的时长正相关，在所述第一历史时间段的时长不大于所述样本企业的财务审计周期的情况下，所述第一数量还与所述维度偏离量负相关；采用所述样本数据和所述标签，训练人工智能模型，得到目标模型；所述目标模型用于对待定企业的信用风险进行预测。
[0006]在本说明书一个可选的实施例中，所述方法还包括：获取所述待定企业在第二历史时间段内的经营数据；将所述待定企业的经营数据输入所述目标模型，得到所述待定企业的信用风险预测结果。
[0007]在本说明书一个可选的实施例中，所述人工智能模型包含LSTM模型。
[0008]在本说明书一个可选的实施例中，在所述第一历史时间段的时长大于所述财务审计周期的情况下，所述第一数量还与所述维度偏离量正相关。
[0009]在本说明书一个可选的实施例中，所述第二历史时间段的时长与所述待定企业和所述样本企业的最大相似度负相关，且不小于预设的时长阈值；所述最大相似度是基于对应于所述预设维度的所述经营数据确定的。
[0010]在本说明书一个可选的实施例中，所述方法还包括：在得到所述信用风险预测结果时，将所述信用风险预测结果确定为历史结果；累计此后经历的所述目标时间节点；若此后经历的所述目标时间节点的数量达到第二数量个，则重新确定所述第二历史时间段，以重新确定所述待定企业的信用风险预测结果。
[0011]在本说明书一个可选的实施例中，所述方法还包括：若所述历史结果表示出所述待定企业存在信用风险，则将所述第二数量的取值确定为第一值；若所述历史结果表示出所述待定企业不存在信用风险，则将所述第二数量的取值确定为第二值；所述第一值小于所述第二值。
[0012]第二方面，本申请实施例还提供一种企业信用评价风险模型的建模系统，所述系统包括：获取模块，配置为：获取样本企业在第一历史时间段内的经营数据；样本构建模块，配置为：基于所述经营数据构建样本数据、和所述样本数据对应的标签；所述样本数据包含：第一样本、第二样本、以及第三样本；所述第一样本表征所述样本企业在所述第一历史时间段内的预设的目标时间节点的经营状况偏离量；所述第二样本表征所述样本企业在所述第一历史时间段内的第一数量个随机时间节点的经营状况偏离量；所述第三样本是所述样本企业在所述第一历史时间段结束时检测到的对应于预设维度的维度偏离量；所述经营状况偏离量用于表征所述样本企业的资金流水在其对应的时间节点偏离正常流水的程度；所述维度偏离量用于表征所述样本企业对应于所述预设维度的表征值偏离正常值的程度；所述预设维度包含：人事情况、商业合同情况、知识产权增量、技术奖励获奖情况；所述标签用于表征所述样本企业的信用风险情况；所述第一数量与所述第一历史时间段的时长正相关，在所述第一历史时间段的时长不大于所述样本企业的财务审计周期的情况下，所述第一数量还与所述维度偏离量正相关；训练模块，配置为：采用所述样本数据和所述标签，训练人工智能模型，得到目标模型；所述目标模型用于对待定企业的信用风险进行预测。
[0013]第三方面，本申请实施例还提供一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行第一方面所述的方法步骤。
[0014]第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行第一方面所述的方法步骤。
[0015]本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
本说明书中的方法采用目标模型对企业信用风险进行评估，在训练目标模型时，从不同的时间维度，即目标时间节点表示出的维度和随机时间节点表示出的时间维度，分别地制定样本，以使得通过样本得到的样本数据一方面能够使得目标模型学习到由目标时间节点代表的关键时间节点企业的经营数据表现出的企业实际状况。考虑到，企业有可能为应对审查、评估，调整目标时间节点的经营数据，这就有可能导致除目标时间节点以外的时刻中，存在为实现目标时间节点的数据要求而做出调整的情况。而随机时间节点的经营数据则能够一定程度的反映出这种调整导致的隐患，则目标模型通过对应于随机时间节点的经营数据，学习到这种调整。此外，除财务数据以外，企业的调整还可能是针对其他方面进行的，训练目标模型时采用的第三样本则能够体现出这些变化。可见，通过本说明书中的目标模型，能够全方位的对企业的信用风险进行预测。
附图说明
[0016]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1为本说明书实施例提供的一种企业信用评价风险模型的建模方法的过程示意图；图2为本说明书实施例中一种电子设备的结构示意图。
具体实施方式
[0017]下面通过具体实施方式结合附图对本专利技术作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其它元件、材料、方法所替代。在某些情况下，本申请本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种企业信用评价风险模型的建模方法，其特征在于，所述方法包括：获取样本企业在第一历史时间段内的经营数据；基于所述经营数据构建样本数据、和所述样本数据对应的标签；所述样本数据包含：第一样本、第二样本、以及第三样本；所述第一样本表征所述样本企业在所述第一历史时间段内的预设的目标时间节点的经营状况偏离量；所述第二样本表征所述样本企业在所述第一历史时间段内的第一数量个随机时间节点的经营状况偏离量；所述第三样本是所述样本企业在所述第一历史时间段结束时检测到的对应于预设维度的维度偏离量；所述经营状况偏离量用于表征所述样本企业的资金流水在其对应的时间节点偏离正常流水的程度；所述维度偏离量用于表征所述样本企业对应于所述预设维度的表征值偏离正常值的程度；所述预设维度包含：人事情况、商业合同情况、知识产权增量、技术奖励获奖情况；所述标签用于表征所述样本企业的信用风险情况；所述第一数量与所述第一历史时间段的时长正相关，在所述第一历史时间段的时长不大于所述样本企业的财务审计周期的情况下，所述第一数量还与所述维度偏离量负相关；采用所述样本数据和所述标签，训练人工智能模型，得到目标模型；所述目标模型用于对待定企业的信用风险进行预测。2.如权利要求1所述方法，其特征在于，所述方法还包括：获取所述待定企业在第二历史时间段内的经营数据；将所述待定企业的经营数据输入所述目标模型，得到所述待定企业的信用风险预测结果。3.如权利要求1所述方法，其特征在于，所述人工智能模型包含LSTM模型。4.如权利要求1所述方法，其特征在于，在所述第一历史时间段的时长大于所述财务审计周期的情况下，所述第一数量还与所述维度偏离量正相关。5.如权利要求2所述方法，其特征在于，所述第二历史时间段的时长与所述待定企业和所述样本企业的最大相似度负相关，且不小于预设的时长阈值；所述最大相似度是基于对应于所述预设维度的所述经营数据确定的。6.如权利要求2所述方法，其特征在于，所述方法还包括：在得到所述信用风险预测结果时，将所述信用风险预测结果确定为历史结果；累计此后经历的所述目标时间节点；若此后经历的所述目标时间节...

【专利技术属性】
技术研发人员：周莉，赵燕，张志清，雷震，江洲，于婵婵，李向华，孟翠竹，姜士奇，王鑫，郑勇跃，许萌君，李湧范，王晶，陶桃，
申请(专利权)人：中国标准化研究院，
类型：发明
国别省市：