【技术实现步骤摘要】
本专利技术涉及金融科技，尤其涉及一种基于大数据的金融数据风控系统及方法。
技术介绍
1、在金融行业数字化转型浪潮下，金融业务的快速拓展与交易规模的爆发式增长，使得金融数据呈现海量、多元且动态变化的特征。传统金融风控系统多依赖专家经验和固定规则构建风险评估模型，难以有效处理大数据环境下复杂多变的数据模式。例如，在信贷审批环节，仅依据客户的年龄、收入等有限维度数据进行风险评估，对于客户消费行为变化、网络行为特征等非结构化数据缺乏分析能力，导致信用风险识别存在较大盲区，无法及时发现潜在违约风险。
2、随着金融创新业务不断涌现，如互联网金融、供应链金融等，业务场景的复杂性对风控系统的实时性和精准性提出更高要求。现有的风控系统多采用事后风险监测模式，依赖静态阈值触发预警，无法适应金融市场瞬息万变的动态环境。当市场出现突发波动或新型欺诈手段时，传统系统往往反应滞后，难以快速识别异常交易。例如，在高频交易场景中，交易数据在极短时间内大量产生，传统风控系统无法及时对交易行为进行风险评估，导致欺诈交易有机可乘，给金融机构带来经济损失。
...【技术保护点】
1.一种基于大数据的金融数据风控系统，其特征在于，包括以下模块：
2.根据权利要求1所述的一种基于大数据的金融数据风控系统，其特征在于，所述多源数据采集模块还包括：采用改进的FedProx算法的联邦学习数据融合层和通过生成对抗网络增强时序数据多样性的时序数据增强层，联邦学习数据融合层在保证数据隐私的前提下实现模型参数聚合；时序数据增强层构建了支持极端场景数据生成的金融场景模拟器。
3.根据权利要求1所述的一种基于大数据的金融数据风控系统，其特征在于，所述知识图谱构建模块还包括：基于BERT-GCN事件抽取模型的事件知识网络构建子模块和采用时序注...
【技术特征摘要】
1.一种基于大数据的金融数据风控系统，其特征在于，包括以下模块：
2.根据权利要求1所述的一种基于大数据的金融数据风控系统，其特征在于，所述多源数据采集模块还包括：采用改进的fedprox算法的联邦学习数据融合层和通过生成对抗网络增强时序数据多样性的时序数据增强层，联邦学习数据融合层在保证数据隐私的前提下实现模型参数聚合；时序数据增强层构建了支持极端场景数据生成的金融场景模拟器。
3.根据权利要求1所述的一种基于大数据的金融数据风控系统，其特征在于，所述知识图谱构建模块还包括：基于bert-gcn事件抽取模型的事件知识网络构建子模块和采用时序注意力机制知识更新算法的动态知识更新子模块，事件知识网络构建子模块构建支持风险传导路径分析的事件因果关系网络；动态知识更新子模块实现知识图谱的增量更新，知识更新延迟控制在10分钟以内。
4.根据权利要求1所述的一种基于大数据的金融数据风控系统，其特征在于，所述风险评估引擎还包括：基于transformer序列建模，引入位置编码与时间衰减因子构建动态评分模型的行为评分模型，以及融合图神经网络与对比学习，构建多层级反欺诈体系，采用损失函数的反欺诈模型，其中为交叉熵损失，为对比损失，、为权重系数。
5.根据权利要求1所述的一种基于大数据的金融数据风控系统，其特征在于，所述实时监控预警模块还包括：采用小波变换将时序数据分解为不同频带并构建各尺度异常检测模型的多尺度异常检测子模块，以及基于变分推断的动态阈值生成算法根据数据分布自适应调整阈值的自适应阈值生成子模块，多尺度异常检测子模块通过小波变换将时序数据分解为不同频带，针对各频带数据构建异常检测模型，实现对不同尺度异常的精准识别；自适应阈值生成子模块利用变分推断算法，基于数据的实时分布特征动态生成检测阈值。
6.根据权利要求1所述的一种基于大数据的金融数据风控系统，其特征在于，所述决策支持模块还包括：采...
【专利技术属性】
技术研发人员：王淑娟，
申请(专利权)人：中化融信成都科技有限公司，
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。