[發明專利]金融業務的風險評估方法、風控服務端及存儲介質

在審

• 申請號: 201811060803.0
• 申請日: 2018-09-11
• 公開（公告）號: CN109685635A
• 公開（公告）日: 2019-04-26
• 發明（設計）人: 廖明宇;彭迪
• 申請（專利權）人: 深圳平安財富寶投資咨詢有限公司
• 主分類號: G06Q40/00
• 分類號: G06Q40/00;G06K9/62
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 胡海國

本發明公開了一種金融業務的風險評估方法、風控服務端及存儲介質，該方法包括：獲取預設數量的樣本用戶的風險評估樣本數據；通過K?means算法對風險評估樣本數據進行聚類分析，得到K個樣本類別以及樣本類別對應的樣本數據；在接收到金融業務辦理請求之前，獲取用戶的風險評估數據，并根據風險評估數據以及樣本類別，確定風險評估數據所屬的樣本類別；將風險評估數據加入確定的樣本類別對應的樣本數據中，以形成新的樣本數據；通過決策樹算法對新的樣本數據進行計算，以推導出決策條件；根據決策條件更新決策樹模型，并通過更新后的決策樹模型評估所述金融業務的風險概率。本發明提高了風控模型自我學習能力，提升了風控評估的準確度。

技術領域

本發明涉及風控領域，尤其涉及金融業務的風險評估方法、風控服務端及計算機可讀存儲介質。

背景技術

風險控制，簡稱風控，是指風險管理者采取各種方法和措施，消滅或減少風險事件發生的可能性，以達到減少風險事件發生時造成的損失的目的。風險控制的首要步驟即是對風險事件發生的可能性進行評估。

傳統風控在對風險事件發生的可能性進行評估時，主要是基于已經設定好的各項業務規則進行判定。例如，用戶被列入黑名單屬于直接認定為風險事件發生率為100％的業務規則，假設用戶A被列入黑名單，那么傳統風控評估系統將認為該用戶A對應的風險事件的發生率為100％。但隨著欺詐手段的層出不窮，基于已經設定好的各項業務規則進行的傳統風控模型由于自我學習不夠，已經不能應對各種新的欺詐手段，進而使得風控評估的結果不準確。

發明內容

本發明的主要目的在于提供一種金融業務的風險評估方法、風控服務端及計算機可讀存儲介質，旨在解決因傳統風控模型自我學習能力不夠導致風控評估結果不準確的問題。

為實現上述目的，本發明提供一種金融業務的風險評估方法，包括步驟：

獲取預設數量的樣本用戶對應的風險評估樣本數據；

通過K-means算法對所述風險評估樣本數據進行聚類分析，得到K個樣本類別以及每個所述樣本類別分別對應的樣本數據，其中K大于或等于2；

在接收到用戶發送的金融業務辦理請求之前，獲取所述用戶對應的風險評估數據，并根據所述風險評估數據以及所述K個樣本類別，確定所述風險評估數據所屬的樣本類別；

將所述風險評估數據加入確定的樣本類別所對應的樣本數據中，以形成新的樣本數據；

通過決策樹算法對所述新的樣本數據進行計算，以推導出決策樹模型中的決策條件；

根據所述決策條件更新所述決策樹模型，并通過更新后的決策樹模型評估所述金融業務的風險概率。

可選地，所述通過K-means算法對所述風險評估樣本數據進行聚類分析，得到K個樣本類別以及每個所述樣本類別分別對應的樣本數據，其中K大于或等于2的步驟包括：

通過輸入基因表達矩陣構建所述K-means算法的對象集，所述對象集由所有所述風險評估樣本數據對應的數據點組成；

從所述對象集中選擇K個所述數據點，其中K大于或等于2，并在所述對象集中以所述K個數據點為聚類中心分別建立數據簇；

執行對聚類中心以及數據簇的迭代操作，其中所述迭代操作的步驟包括：

將每個數據點調整至該數據點距離最近的聚類中心所在的數據簇中；

根據調整后的每個數據簇中所有的數據點重新確定聚類中心；

每次執行完所述迭代操作后，判斷所述迭代中止條件是否成立，其中，所述迭代中止條件包括：相鄰兩次迭代操作中數據點至聚類中心的距離平方和的差小于預設誤差閾值，或者，迭代操作的次數達到預設次數閾值；