本发明公开了利用大数据信息处理技术的智能金融风险监测与预警平台,涉及金融风险监测预警技术领域,该平台通过充分考虑地区特征,该平台能够更准确地评估不同地区的贷款风险,从而降低地区性风险不均衡和业务不稳定的问题。其次,通过综合分析个人信用和大数据,平台能够精确评估用户的还款能力,从而减少不良贷款率,提升业务效率和用户满意度。该平台基于数据驱动的风险决策,提高了金融机构的决策精度,降低不确定性,提升盈利能力。智能预警方案使风险管理更主动和高效,及时识别风险,降低风险扩大的可能性,从而保障业务的稳定性。
(19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 117011031 A (43)申请公布日 2023.11.07 (21)申请号 5.8 (22)申请日 2023.08.21 (71)申请人 吴艳君 地址 201114 上海市闵行区江月路1388号2 幢6楼 (72)发明人 吴艳君欧阳宇 (51)Int.Cl. G06Q 40/03 (2023.01) G06F 18/213 (2023.01) G06F 18/27 (2023.01) 权利要求书4页 说明书10页 附图1页 (54)发明名称 利用大数据信息处理技术的智能金融风险 监测与预警平台 (57)摘要 本发明公开了利用大数据信息处理技术的 智能金融风险监测与预警平台,涉及金融风险监 测预警技术领域 ,该平台通过充分考虑地区特 征,该平台能够更准确地评估不同地区的贷款风 险,从而降低地区性风险不均衡和业务不稳定的 问题。其次,通过综合分析个人信用和大数据,平 台能够精确评估用户的还款能力,从而减少不良 贷款率,提升业务效率和用户满意度。该平台基 于数据驱动的风险决策,提高了金融机构的决策 精度,降低不确定性,提升盈利能力。智能预警方 案使风险管理更主动和高效,及时识别风险 ,降 A 低风险扩大的可能性,从而保障业务的稳定性。 1 该平台将为金融行业带来精细化的风险管理和 3 0 1 智能化的服务体验以及稳健的业务发展。 1 0 7 1 1 N C CN 117011031 A 权利要求书 1/4 页 1.利用大数据信息处理技术的智能金融风险监测平台与预警平台,其特征在于:包括 第一数据采集模块、第二实时数据采集模块,建立金融预测模型分析模块和风险预估模块; 所述第一数据采集模块用于实时采集历史贷款数据,所述历史贷款数据包括不同种类 的贷款产品,贷款申请数量,贷款合同信息,贷款利率指数、贷款违约数据和若干个用户行 为数据,所述历史贷款数据还包括贷款特征、信用信息、还款情况、申请数量和申请通过率; 将历史贷款数据构建第一数据集; 对历史贷款数据进行清洗,去除重复、缺失和标准化转换处理; 利用大数据信息处理技术,采集若干个城市当地经济市场数据,所述当地经济市场数 据包括地区GDP增长率、失业率、城市和农村地区的经济收入差距数据,当地房价波动之和 房地产利率波动值,构建第二数据集; 利用大数据信息处理技术,对若干个用户采集信用数据,结合相对应用户行为数据进 行结合,分析获得个人信用系数GRx; 第二实时数据采集模块用于在1—6个月周期内,在每个月,对相对应的贷款产品的贷 款申请数量和贷款违约数据进行实时采集,计算获取申请波动系数值SQbd、利率波动系数 值Lbd和违约波动系数值Wyx; 所述建立金融预测模型分析模块用于建立金融预测模型,使用第一数据集中的贷款特 征和信用信息,以及第二数据集中的当地经济市场数据作为特征,使用还款情况作为目标 变量A,计算获得影响特征系数Yxtz;并将影响特征系数Yxtz与第一影响阈值DY进行对比, 若低于第一影响阈值DY,则代表当前地区的影响特征系数Yxtz风险较小,并对低于第一影 响阈值DY的若干个地区影响特征系数Yxtz进行序列排序; 所述风险预估模块用于将申请波动系数值SQbd、利率波动系数值Lbd和违约波动系数 值Wyx进行拟合,计算综合浮动系数Zh,并将综合浮动系数Zh与第二预设阈值DR进行对比, 获得第一评估结果,若低于第二预设阈值DR,将综合浮动系数Zh相对应的贷款产品放置在 影响特征系数Yxtz低于第一影响阈值DY的地区,减少贷款违约率;若综合浮动系数Zh高于 第二预设阈值DR,则表示综合浮动系数Zh风险较高,需要对贷款产品周期、还款金额和利率 进行调整,直至综合浮动系数Zh低于第二预设阈值DR为止; 将个人信用系数GRx与第三预设阈值DS进行比较,若高于第三预设阈值DS则生成个人 评估结果,并通过个人评估结果对用户进行相对应的预警方案。 2.根据权利要求1所述的利用大数据信息处理技术的智能金融风险监测平台与预警平 台,其特征在于:确定数据来源,数据远包括金融机构内部数据库、金融市场数据提供商和 API接口和P2P接口 ; 设置相对应数据源的采集接口,并通过API调用或数据抓取技术,定期从数据源获取最 新的贷款数据,包括贷款产品信息、贷款申请数量、贷款合同信息、贷款利率指数以及贷款 违约数据; 在实际采集过程中,进行去重处理,确保数据不会重复获取; 在实际采集过程中,对于缺失数据,进行填充和插值处理; 并对不同类型的贷款数据和单位数据进行数据标准化后,建立NoSQL数据库,存储在 NoSQL数据库中。 3.根据权利要求1所述的利用大数据信息处理技术的智能金融风险监测平台与预警平 2 2 CN 117011031 A 权利要求书 2/4 页 台,其特征在于:设置每个月的采集数据间隔,选择数据窗口 ,对于贷款申请数量和贷款违 约数据的实时采集,采用一个月的固定时间窗口,在每个月月末,根据设定的时间窗口,计 算时间窗口内的贷款申请数量和贷款违约数据; 所述申请波动系数值SQbd、利率波动系数值Lbd和违约波动系数值Wyx通过以下公式进 行计算: 式中,DySQ表示为当月贷款用户申请数量总值,PJSQ表示为贷款用户平均申请数量值, 采集用户过去6个月的申请数量的平均值;A 表示为第一修正自然数 ;DyL表示为当月平均 1 利率,SYL表示为上个月平均利率,A 表示为第二修正自然数;DyWy表示为当月内违约数量, 2 违约数量统计为未及时按照还款日进行还款的用户,即逾期用户的数量,SyWy表示为上个 月内违约数量,A 表示为第三修正自然数。 3 4.根据权利要求1所述的利用大数据信息处理技术的智能金融风险监测平台与预警平 台,其特征在于:建立金融预测模型,从第一数据集和第二数据集中选择与还款情况相关的 特征;使用统计方法和特征工程技术进行提取地区特征;所述地区特征包括地区GDP经济特 征、就业及失业特征、房产特征、消费者行为特征,金融信息特征和贷款产品市场认可度特 征。 5.根据权利要求4所述的利用大数据信息处理技术的智能金融风险监测平台与预警平 台,其特征在于:对所述地区特征进行计算,获得地区GDP经济特征、就业及失业特征、房产 特征、消费者行为特征,信用特征和贷款产品市场认可度特征对目标变量的影响程度,对所 述地区特征进行标准化处理,确保每个特征的均值为0,标准差为1,通过线性回归计算获得 目标变量Y值: Y=β0+β1*X1+β2*X2+β3*X3+β4*X4+β5*X5+β6*X6+ε 式中,β0是截距,X1表示为地区经济特征对还款情况的影响系数值,X2表示为就业及失 业特征对还款情况的影响系数值,X3表示为房产特征对还款情况的影响系数值 ;X4表示为 消费者行为特征对还款情况的影响系数值,X5表示为信用特征对还款情况的影响系数值 ; X6表示为贷款产品市场认可度特征对还款情况的影响系数值,β1、β2、β3、β4、β5和β6是以上 是特征的相对应的系数值,最小化目标变量和模型预测值之间的差异,ε是误差项。 6.根据权利要求1所述的利用大数据信息处理技术的智能金融风险监测平台与预警平 台,其特征在于:所述影响特征系数Yxtz通过以下公式进行计算: Yxtz=βi*Y 式中,其中,βi是第i个特征的系数,目标变量Y是指标准化后的特征值是将特征影响系 数值进行标准化处理,以保证各个特征的量级一致。 7.根据权利要求1所述的利用大数据信息处理技术的智能金融风险监测平台与预警平 台,其特征在于:将申请波动系数值SQbd、利率波动系数值Lbd和违约波动系数值Wyx进行拟 3 3 CN 117011031 A 权利要求书 3/4 页 合,计算综合浮动系数Zh.通过以下计算公式获得: 式中,E1、E2和E3分别为申请波动系数值SQbd、利率波动系数值Lbd和违约波动系数值 Wyx的权重值; 对每个地区,计算得到的影响特征系数Yxtz与第一影响阈值DY进行比较; 如果影响特征系数Yxtz第一影响阈值DY,则表示该地区的影响特征系数风险较小,将 其添加到一个列表中; 将低于第一影响阈值DY的地区按照Yxtz的大小进行排序,得到一个序列排序,获得Y1、 Y2、Y3、Y4、...、Yn; 将计算得到的综合浮动系数Zh与第二预设阈值DR进行比较; 如果综合浮动系数Zh第二预设阈值DR,则执行下一步策略; 将综合浮动系数Zh低于第二预设阈值DR的贷款产品 ,根据序列排序,放置在影响特征 系数Yxtz低于第一影响阈值DY的地区,促进帮助减少贷款违约率,因为贷款产品被分配到 风险较小的地区。 8.根据权利要求1所述的利用大数据信息处理技术的智能金融风险监测平台与预警平 台,其特征在于:实时从大数据信息数据源,包括贷款申请系统、电商消费记录系统、还款记 录系统、外卖系统中采集用户的行为数据、收入证明和信用数据,分析获得个人信用系数 GPx,所述个人信用系数GPx通过以下公式计算获得: 式中,hkzs表示为用户过去一年的还款准时率值,xf表示为过去五年用户的信用卡信 誉度,Sr表示为过去一年用户电商平台和外卖平台的总消费值,LysL表过去一年末用户的 总收入值,R 、R 、R 和R 分别是hkzs、xf、Sr和LysL的权重系数值,且R +R +R +R =1;A 表示 1 2 3 4 1 2 3 4 4 为第四修正自然数。 9.根据权利要求1所述的利用大数据信息处理技术的智能金融风险监测平台与预警平 台,其特征在于:将计算得到的个人信用系数GRx与第三预设阈值DS进行比较;如果个人信 用系数GRx高于第三预设阈值DS,触发预警条件,执行以下步骤生成预警方案: S1、包括预警通知的类型,包括短信和邮件方式,在用户列表内进行预警标记。 S2、对于用户进行短信和邮件的预警内容用于警告用户关于他们的信用评级或可能的 风险; S3、对于高风险的情况,对于用户进行电话人工语音播报建议内容,建议用户改善信用 行为和还款; S4、对于网站上用户账户,弹出消息、提示和通知栏提供建议还款信息提醒; S5、推送相关平台移动应用、社交媒体、电子账单和公告号私信,发送至推送通知,在账 单中加入警示信息和建议还款信息。 10.根据权利要求1所述的利用大数据信息处理技术的智能金融风险监测平台与预警 平台,其特征在于:所述风险预估模块包括预警触发条件设置单元、预警通知生成单元、通 知方式选择单元和预警反馈与关闭单元。 4 4 CN 117011031 A 权利要求书 4/4 页 所述预警触发条件设置单元,针对不同类型的金融风险,设置第一预设阈值DY、第二预 设阈值DR和第三预设阈值DS;根据阈值的变化和预警策略的需求,灵活调整触发条件; 所述预警通知生成单元用于当预警触发条件满足时,生成预警通知,包括预警级别、类 型和内容,并整合预警信息,准备发送给相关人员; 通知方式选择单元用于根据用户的偏好和接收渠道,选择适当的通知方式,包括短信、 邮件、App通知、电话通知和推送信息; 所述预警反馈与关闭单元,用于接收反馈,跟踪预警信息后续的影响反馈结果,包括已 还款和提前还款,当风险解除或处理完成时,关闭预警通知,并进行记录。 5 5 CN 117011031 A 说明书 1/10 页 利用大数据信息处理技术的智能金融风险监测与预警平台 技术领域 [0001] 本发明涉及金融风险监测预警技术领域,具体为利用大数据信息处理技术的智能 金融风险监测与预警平台。 背景技术 [0002] 金融机构在推出贷款产品时,通常会将注意力集中在产品的利率、期限、额度等方 面,但未充分考虑地区因素。不同地区的经济状况、市场需求、居民收入水平以及风险状况 可能存在差异,这些因素可能会影响贷款的违约风险、还款能力和市场接受度。因此,简单 地将相同贷款产品应用于不同地区可能导致风险不均衡和业务不稳定。 [0003] 其次,贷款产品在推出的过程中 ,对于一些贷款用户在还款的期间没有利用大数 据对用户进行综合分析评定,例如用户在还款过程中,继续经商多家贷款来拆东墙补西墙 的情况,无疑增加了贷款的风险,后期可能导致还款能力下降,进而需要提出利用大数据信 息处理技术的智能金融风险监测与预警平台。 发明内容 [0004] (一)解决的技术问题 [0005] 针对现有技术的不足,本发明提供了利用大数据信息处理技术的智能金融风险监 测与预警平台,首先,该平台充分考虑了地区因素,将不同地区的经济状况、市场需求、收入 水平和风险状况纳入风险评估模型。这将使金融机构能够更精确地理解贷款产品在各个地 区的表现,并因地制宜地调整产品设计和业务策略。地区特征的综合分析为金融机构提供 了更明智的决策基础,帮助它们规避地区性风险,提高业务的可持续性和盈利能力;其次, 平台通过综合评估个人信用,结合大数据分析,能够更全面地评估用户的还款能力和风险 水平。这为金融机构提供了更准确的客户画像,能够更好地区分高风险和低风险客户,从而 更精细地定制产品和贷款政策。借助智能预警方案,机构能够在贷款申请和还款过程中,及 时识别潜在风险,并向客户提供多样化的风险警示和建议,有效减少不良贷款率,提升业务 效率和用户满意度;再者,通过历史贷款数据和实时数据的分析,结合金融预测模型,金融 机构能够更科学地评估贷款产品的风险 ,并在产品设计和定价上做出更明智的选择。这种 数据驱动的风险管理方式能够大幅提升金融机构的决策精度,降低不确定性,提高盈利能 力。 [0006] (二)技术方案 [0007] 为实现以上目的,本发明通过以下技术方案予以实现:利用大数据信息处理技术 的智能金融风险监测与预警平台,包括第一数据采集模块、第二实时数据采集模块,建立金 融预测模型分析模块和风险预估模块; [0008] 所述第一数据采集模块用于实时采集历史贷款数据,所述历史贷款数据包括不同 种类的贷款产品,贷款申请数量,贷款合同信息,贷款利率指数、贷款违约数据和若干个用 户行为数据,所述历史贷款数据还包括贷款特征、信用信息、还款情况、申请数量和申请通 6 6 CN 117011031 A 说明书 2/10 页 过率;将历史贷款数据构建第一数据集; [0009] 对历史贷款数据进行清洗,去除重复、缺失和标准化转换处理; [0010] 采集历史贷款数据,所述历史贷款数据包括贷款特征、信用信息、还款情况、申请 数量和申请通过率,构建第一数据集; [0011] 利用大数据信息处理技术,采集若干个城市当地经济市场数据,所述当地经济市 场数据包括地区GDP增长率、失业率、城市和农村地区的经济收入差距数据,当地房价波动 之和房地产利率波动值,构建第二数据集; [0012] 利用大数据信息处理技术,对若干个用户采集信用数据,结合相对应用户行为数 据进行结合,分析获得个人信用系数GRx; [0013] 第二实时数据采集模块用于在1—6个月周期内,在每个月,对相对应的贷款产品 的贷款申请数量和贷款违约数据进行实时采集,计算获取申请波动系数值SQbd、利率波动 系数值Lbd和违约波动系数值Wyx; [0014] 所述建立金融预测模型分析模块用于建立金融预测模型,使用第一数据集中的贷 款特征和信用信息,以及第二数据集中的当地经济市场数据作为特征,使用还款情况作为 目标变量A,计算获得影响特征系数Yxtz;并将影响特征系数Yxtz与第一影响阈值DY进行对 比,若低于第一影响阈值DY,则代表当前地区的影响特征系数Yxtz风险较小,并对低于第一 影响阈值DY的若干个地区影响特征系数Yxtz进行序列排序; [0015] 所述风险预估模块用于将申请波动系数值SQbd、利率波动系数值Lbd和违约波动 系数值Wyx进行拟合,计算综合浮动系数Zh,并将综合浮动系数Zh与第二预设阈值DR进行对 比,获得第一评估结果,若低于第二预设阈值DR,将综合浮动系数Zh相对应的贷款产品放置 在影响特征系数Yxtz低于第一影响阈值DY的地区,减少贷款违约率;若综合浮动系数Zh高 于第二预设阈值DR,则表示综合浮动系数Zh风险较高,需要对贷款产品周期、还款金额和利 率进行调整,直至综合浮动系数Zh低于第二预设阈值DR为止; [0016] 将个人信用系数GRx与第三预设阈值DS进行比较,若高于第三预设阈值DS则生成 个人评估结果,并通过个人评估结果对用户进行相对应的预警方案。 [0017] 优选的,确定数据来源,数据远包括金融机构内部数据库、金融市场数据提供商和 API接口和P2P接口 ; [0018] 设置相对应数据源的采集接口,并通过API调用或数据抓取技术,定期从数据源获 取最新的贷款数据,包括贷款产品信息、贷款申请数量、贷款合同信息、贷款利率指数以及 贷款违约数据; [0019] 在实际采集过程中,进行去重处理,确保数据不会重复获取; [0020] 在实际采集过程中,对于缺失数据,进行填充和插值处理; [0021] 并对不同类型的贷款数据和单位数据进行数据标准化后,建立NoSQL数据库,存储 在NoSQL数据库中。 [0022] 优选的,设置每个月的采集数据间隔,选择数据窗口,对于贷款申请数量和贷款违 约数据的实时采集,采用一个月的固定时间窗口,在每个月月末,根据设定的时间窗口,计 算时间窗口内的贷款申请数量和贷款违约数据; [0023] 所述申请波动系数值SQbd、利率波动系数值Lbd和违约波动系数值Wyx通过以下公 式进行计算: 7 7 CN 117011031 A 说明书 3/10 页 [0024] [0025] [0026] [0027] 式中,DySQ表示为当月贷款用户申请数量总值,PJSQ表示为贷款用户平均申请数 量值,采集用户过去6个月的申请数量的平均值;A 表示为第一修正自然数;DyL表示为当月 1 平均利率,SYL表示为上个月平均利率,A 表示为第二修正自然数;DyWy表示为当月内违约 2 数量,违约数量统计为未及时按照还款日进行还款的用户,即逾期用户的数量,SyWy表示为 上个月内违约数量,A 表示为第三修正自然数。 3 [0028] 优选的 ,建立金融预测模型,从第一数据集和第二数据集中选择与还款情况相关 的特征;使用统计方法和特征工程技术进行提取地区特征;所述地区特征包括地区GDP经济 特征、就业及失业特征、房产特征、消费者行为特征,金融信息特征和贷款产品市场认可度 特征。 [0029] 优选的,对所述地区特征进行计算,获得地区GDP经济特征、就业及失业特征、房产 特征、消费者行为特征,信用特征和贷款产品市场认可度特征对目标变量的影响程度,对所 述地区特征进行标准化处理,确保每个特征的均值为0,标准差为1,通过线性回归计算获得 目标变量Y值: [0030] Y=β0+β1*X1+β2*X2+β3*X3+β4*X4+β5*X5+β6*X6+ε [0031] 式中,β0是截距,X1表示为地区经济特征对还款情况的影响系数值,X2表示为就业 及失业特征对还款情况的影响系数值,X3表示为房产特征对还款情况的影响系数值 ;X4表 示为消费者行为特征对还款情况的影响系数值,X5表示为信用特征对还款情况的影响系数 值;X6表示为贷款产品市场认可度特征对还款情况的影响系数值,β1、β2、β3、β4、β5和β6是 以上是特征的相对应的系数值,最小化目标变量和模型预测值之间的差异,ε是误差项。 [0032] 优选的,所述影响特征系数Yxtz通过以下公式进行计算: [0033] Yxtz=βi*Y [0034] 式中,其中,βi是第i个特征的系数,目标变量Y是指标准化后的特征值是将特征影 响系数值进行标准化处理,以保证各个特征的量级一致。 [0035] 优选的 ,将申请波动系数值SQbd、利率波动系数值Lbd和违约波动系数值Wyx进行 拟合,计算综合浮动系数Zh.通过以下计算公式获得: [0036] [0037] 式中,E1、E2和E3分别为申请波动系数值SQbd、利率波动系数值Lbd和违约波动系 数值Wyx的权重值; [0038] 对每个地区,计算得到的影响特征系数Yxtz与第一影响阈值DY进行比较; [0039] 如果影响特征系数Yxtz第一影响阈值DY,则表示该地区的影响特征系数风险较 小,将其添加到一个列表中; [0040] 将低于第一影响阈值DY的地区按照Yxtz的大小进行排序,得到一个序列排序,获 8 8 CN 117011031 A 说明书 4/10 页 得Y1、Y2、Y3、Y4、...、Yn; [0041] 将计算得到的综合浮动系数Zh与第二预设阈值DR进行比较; [0042] 如果综合浮动系数Zh第二预设阈值DR,则执行下一步策略; [0043] 将综合浮动系数Zh低于第二预设阈值DR的贷款产品,根据序列排序,放置在影响 特征系数Yxtz低于第一影响阈值DY的地区,促进帮助减少贷款违约率,因为贷款产品被分 配到风险较小的地区。 [0044] 优选的 ,实时从大数据信息数据源,包括贷款申请系统、电商消费记录系统、还款 记录系统、外卖系统中采集用户的行为数据、收入证明和信用数据,分析获得个人信用系数 GPx,所述个人信用系数GPx通过以下公式计算获得: [0045] [0046] 式中,hkzs表示为用户过去一年的还款准时率值,xf表示为过去五年用户的信用 卡信誉度,Sr表示为过去一年用户电商平台和外卖平台的总消费值,LysL表过去一年末用 户的总收入值,R 、R 、R 和R 分别是hkzs、xf、Sr和LysL的权重系数值,且R +R +R +R =1;A 1 2 3 4 1 2 3 4 4 表示为第四修正自然数。 [0047] 优选的,将计算得到的个人信用系数GRx与第三预设阈值DS进行比较;如果个人信 用系数GRx高于第三预设阈值DS,触发预警条件,执行以下步骤生成预警方案: [0048] S1、包括预警通知的类型,包括短信和邮件方式,在用户列表内进行预警标记。 [0049] S2、对于用户进行短信和邮件的预警内容用于警告用户关于他们的信用评级或可 能的风险; [0050] S3、对于高风险的情况,对于用户进行电话人工语音播报建议内容,建议用户改善 信用行为和还款; [0051] S4、对于网站上用户账户,弹出消息、提示和通知栏提供建议还款信息提醒; [0052] S5、推送相关平台移动应用、社交媒体、电子账单和公告号私信,发送至推送通知, 在账单中加入警示信息和建议还款信息。 [0053] 优选的,所述风险预估模块包括预警触发条件设置单元、预警通知生成单元、通知 方式选择单元和预警反馈与关闭单元。 [0054] 所述预警触发条件设置单元,针对不同类型的金融风险,设置第一预设阈值DY、第 二预设阈值DR和第三预设阈值DS;根据阈值的变化和预警策略的需求,灵活调整触发条件; [0055] 所述预警通知生成单元用于当预警触发条件满足时,生成预警通知,包括预警级 别、类型和内容,并整合预警信息,准备发送给相关人员; [0056] 通知方式选择单元用于根据用户的偏好和接收渠道,选择适当的通知方式,包括 短信、邮件、App通知、电线] 所述预警反馈与关闭单元,用于接收反馈,跟踪预警信息后续的影响反馈结果,包 括已还款和提前还款,当风险解除或处理完成时,关闭预警通知,并进行记录。 [0058] (三)有益效果 [0059] 本发明提供了利用大数据信息处理技术的智能金融风险监测与预警平台。具备以 下有益效果: [0060] (1)该利用大数据信息处理技术的智能金融风险监测与预警平台,该平台充分考 9 9 CN 117011031 A 说明书 5/10 页 虑了不同地区的经济、市场、收入水平和风险差异,通过在金融预测模型中融入地区特征, 实现更精确的风险评估。这有助于金融机构更好地理解贷款产品在不同地区的表现,并针 对性地制定风险管理策略。 [0061] (2)该利用大数据信息处理技术的智能金融风险监测与预警平台,平台通过大数 据分析和综合考虑多个因素,计算个人信用系数,更全面地评估用户的个人信用状况。这有 助于金融机构更准确地评估用户的还款能力和风险,从而更精细地制定贷款政策和个性化 的预警方案。 [0062] (3)该利用大数据信息处理技术的智能金融风险监测与预警平台,平台通过对个 人信用系数和综合浮动系数的判断,智能触发预警条件。预警方案多样化,包括短信、邮件、 电话等多种通知方式,以及针对不同风险情况的建议。这有助于及时警示用户并提供必要 的行动指导。 [0063] (4)该利用大数据信息处理技术的智能金融风险监测与预警平台,通过采集大量 历史贷款数据和实时数据,结合数据分析和预测模型,该平台为金融机构提供数据驱动的 风险决策支持。金融机构可以更准确地评估贷款产品的风险,优化产品设计和业务决策。 附图说明 [0064] 图1为本发明利用大数据信息处理技术的智能金融风险监测与预警平台框图流程 示意图; 具体实施方式 [0065] 下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完 整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于 本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例,都属于本发明保护的范围。 [0066] 金融机构在推出贷款产品时,通常会将注意力集中在产品的利率、期限、额度等方 面,但未充分考虑地区因素。不同地区的经济状况、市场需求、居民收入水平以及风险状况 可能存在差异,这些因素可能会影响贷款的违约风险、还款能力和市场接受度。因此,简单 地将相同贷款产品应用于不同地区可能导致风险不均衡和业务不稳定。 [0067] 其次,贷款产品在推出的过程中 ,对于一些贷款用户在还款的期间没有利用大数 据对用户进行综合分析评定,例如用户在还款过程中,继续经商多家贷款来拆东墙补西墙 的情况,无疑增加了贷款的风险,后期可能导致还款能力下降,未能准确性的预测潜在的风 险事件,进而需要提出利用大数据信息处理技术的智能金融风险监测与预警平台。 [0068] 实施例1 [0069] 本发明提供利用大数据信息处理技术的智能金融风险监测与预警平台,请参阅图 1,包括第一数据采集模块、第二实时数据采集模块,建立金融预测模型分析模块和风险预 估模块; [0070] 所述第一数据采集模块用于实时采集历史贷款数据,所述历史贷款数据包括不同 种类的贷款产品,贷款申请数量,贷款合同信息,贷款利率指数、贷款违约数据和若干个用 户行为数据,所述历史贷款数据还包括贷款特征、信用信息、还款情况、申请数量和申请通 10 10 CN 117011031 A 说明书 6/10 页 过率;将历史贷款数据构建第一数据集; [0071] 对历史贷款数据进行清洗,去除重复、缺失和标准化转换处理; [0072] 采集历史贷款数据,所述历史贷款数据包括贷款特征、信用信息、还款情况、申请 数量和申请通过率,构建第一数据集; [0073] 利用大数据信息处理技术,采集若干个城市当地经济市场数据,所述当地经济市 场数据包括地区GDP增长率、失业率、城市和农村地区的经济收入差距数据,当地房价波动 之和房地产利率波动值,构建第二数据集; [0074] 利用大数据信息处理技术,对若干个用户采集信用数据,结合相对应用户行为数 据进行结合,分析获得个人信用系数GRx; [0075] 第二实时数据采集模块用于在1—6个月周期内,在每个月,对相对应的贷款产品 的贷款申请数量和贷款违约数据进行实时采集,计算获取申请波动系数值SQbd、利率波动 系数值Lbd和违约波动系数值Wyx; [0076] 所述建立金融预测模型分析模块用于建立金融预测模型,使用第一数据集中的贷 款特征和信用信息,以及第二数据集中的当地经济市场数据作为特征,使用还款情况作为 目标变量A,计算获得影响特征系数Yxtz;并将影响特征系数Yxtz与第一影响阈值DY进行对 比,若低于第一影响阈值DY,则代表当前地区的影响特征系数Yxtz风险较小,并对低于第一 影响阈值DY的若干个地区影响特征系数Yxtz进行序列排序; [0077] 所述风险预估模块用于将申请波动系数值SQbd、利率波动系数值Lbd和违约波动 系数值Wyx进行拟合,计算综合浮动系数Zh,并将综合浮动系数Zh与第二预设阈值DR进行对 比,获得第一评估结果,若低于第二预设阈值DR,将综合浮动系数Zh相对应的贷款产品放置 在影响特征系数Yxtz低于第一影响阈值DY的地区,减少贷款违约率;若综合浮动系数Zh高 于第二预设阈值DR,则表示综合浮动系数Zh风险较高,需要对贷款产品周期、还款金额和利 率进行调整,直至综合浮动系数Zh低于第二预设阈值DR为止; [0078] 将个人信用系数GRx与第三预设阈值DS进行比较,若高于第三预设阈值DS则生成 个人评估结果,并通过个人评估结果对用户进行相对应的预警方案。 [0079] 本实施例中,强调了金融机构在推出贷款产品时未充分考虑地区因素可能带来的 风险,以及仅仅依靠简单的金融风险监测平台进行预警和统计的局限性。这个背景技术提 出了一种基于大数据信息处理技术的解决方案,以构建智能的金融风险监测与预警平台。 通过多个模块的协作,实现了从贷款数据的采集和清洗、历史贷款数据的建立,到利用大数 据信息处理技术采集当地经济市场数据,再结合用户信用数据和行为数据进行分析,进而 计算个人信用系数和风险波动系数等。该平台的核心目标是全面考虑不同地区的特征,准 确地评估贷款风险 ,并通过智能预警和定制化的风险管理策略来降低潜在的金融风险。利 用大数据和智能分析来完善金融机构的贷款产品策略,使其能够更好地适应不同地区的风 险情况和用户行为,从而减少风险和提升业务稳定性。这一技术背景的描述清晰地阐明了 金融机构面临的挑战以及如何通过智能化技术来解决这些问题,从而实现更加精准的金融 风险管理和预警。 [0080] 实施例2 [0081] 本实施例是在实施例1中进行的解释说明,具体的,确定数据来源,数据远包括金 融机构内部数据库、金融市场数据提供商和API接口和P2P接口; 11 11 CN 117011031 A 说明书 7/10 页 [0082] 设置相对应数据源的采集接口,并通过API调用或数据抓取技术,定期从数据源获 取最新的贷款数据,包括贷款产品信息、贷款申请数量、贷款合同信息、贷款利率指数以及 贷款违约数据; [0083] 在实际采集过程中,进行去重处理,确保数据不会重复获取; [0084] 在实际采集过程中,对于缺失数据,进行填充和插值处理; [0085] 并对不同类型的贷款数据和单位数据进行数据标准化后,建立NoSQL数据库,存储 在NoSQL数据库中。 [0086] 本实施例中,金融机构从不同渠道获取贷款数据,并确保这些数据经过清洗、处理 和标准化后存储在适当的数据库中。这样的数据处理流程有助于平台的数据准确性,从而 支持更精确的金融风险分析和预测。这一描述强调了如何有效地管理数据以支持智能金融 风险监测与预警平台的正常运行。 [0087] 实施例3 [0088] 本实施例是在实施例1中进行的解释说明,具体的,设置每个月的采集数据间隔, 选择数据窗口 ,对于贷款申请数量和贷款违约数据的实时采集,采用一个月的固定时间窗 口,在每个月月末,根据设定的时间窗口 ,计算时间窗口内的贷款申请数量和贷款违约数 据; [0089] 所述申请波动系数值SQbd、利率波动系数值Lbd和违约波动系数值Wyx通过以下公 式进行计算: [0090] [0091] [0092] [0093] 式中,DySQ表示为当月贷款用户申请数量总值,PJSQ表示为贷款用户平均申请数 量值,采集用户过去6个月的申请数量的平均值;A 表示为第一修正自然数;DyL表示为当月 1 平均利率,SYL表示为上个月平均利率,A 表示为第二修正自然数;DyWy表示为当月内违约 2 数量,违约数量统计为未及时按照还款日进行还款的用户,即逾期用户的数量,SyWy表示为 上个月内违约数量,A 表示为第三修正自然数。 3 [0094] 本实施例中,定期计算并更新申请波动系数值SQbd、利率波动系数值Lbd和违约波 动系数值Wyx,从而获得实时的风险指标。这种方式有助于及时捕捉风险趋势,支持平台的 预警和风险管理功能,从而更好地保护金融机构免受潜在的风险影响。这一描述强调了如 何在平台中实现实时数据分析和波动系数计算,以支持智能金融风险监测 [0095] 实施例4 [0096] 本实施例是在实施例1中进行的解释说明,具体的,建立金融预测模型,从第一数 据集和第二数据集中选择与还款情况相关的特征;使用统计方法和特征工程技术进行提取 地区特征;所述地区特征包括地区GDP经济特征、就业及失业特征、房产特征、消费者行为特 征,金融信息特征和贷款产品市场认可度特征。这些地区特征通过对数据进行计算、聚合和 变换等方式获得。 12 12 CN 117011031 A 说明书 8/10 页 [0097] 具体的,对所述地区特征进行计算,获得地区GDP经济特征、就业及失业特征、房产 特征、消费者行为特征,信用特征和贷款产品市场认可度特征对目标变量的影响程度,对所 述地区特征进行标准化处理,确保每个特征的均值为0,标准差为1,通过线性回归计算获得 目标变量Y值: [0098] Y=β0+β1*X1+β2*X2+β3*X3+β4*X4+β5*X5+β6*X6+ε [0099] 式中,β0是截距,X1表示为地区经济特征对还款情况的影响系数值,X2表示为就业 及失业特征对还款情况的影响系数值,X3表示为房产特征对还款情况的影响系数值 ;X4表 示为消费者行为特征对还款情况的影响系数值,X5表示为信用特征对还款情况的影响系数 值;X6表示为贷款产品市场认可度特征对还款情况的影响系数值,β1、β2、β3、β4、β5和β6是 以上是特征的相对应的系数值,最小化目标变量和模型预测值之间的差异,ε是误差项。 [0100] 具体的,所述影响特征系数Yxtz通过以下公式进行计算: [0101] Yxtz=βi*Y [0102] 式中,其中,βi是第i个特征的系数,目标变量Y是指标准化后的特征值是将特征影 响系数值进行标准化处理,以保证各个特征的量级一致。 [0103] 本实施例中,本实施例中,建立一个能够分析不同地区特征对还款情况影响的金 融预测模型。该模型可以帮助金融机构更好地理解各个特征对还款情况的作用,从而指导 贷款产品策略的调整,降低潜在的风险。这一描述强调了如何从数据中构建预测模型,以支 持智能金融风险监测与预警平台的目标。利用计算出的影响系数和标准化后的特征值,通 过公式计算影响特征系数Yxtz。这一步骤将各个特征的影响程度进行标准化处理,以确保 对比时的一致性。 [0104] 实施例5 [0105] 本实施例是在实施例1中进行的解释说明,具体的,将申请波动系数值SQbd、利率 波动系数值Lbd和违约波动系数值Wyx进行拟合,计算综合浮动系数Zh .通过以下计算公式 获得: [0106] [0107] 式中,E1、E2和E3分别为申请波动系数值SQbd、利率波动系数值Lbd和违约波动系 数值Wyx的权重值; [0108] 对每个地区,计算得到的影响特征系数Yxtz与第一影响阈值DY进行比较; [0109] 如果影响特征系数Yxtz第一影响阈值DY,则表示该地区的影响特征系数风险较 小,将其添加到一个列表中; [0110] 将低于第一影响阈值DY的地区按照Yxtz的大小进行排序,得到一个序列排序,获 得Y1、Y2、Y3、Y4、...、Yn; [0111] 将计算得到的综合浮动系数Zh与第二预设阈值DR进行比较; [0112] 如果综合浮动系数Zh第二预设阈值DR,则执行下一步策略; [0113] 将综合浮动系数Zh低于第二预设阈值DR的贷款产品,根据序列排序,放置在影响 特征系数Yxtz低于第一影响阈值DY的地区,促进帮助减少贷款违约率,因为贷款产品被分 配到风险较小的地区。 [0114] 本实施例中,通过综合浮动系数Zh和第二预设阈值DR比较,将贷款产品合理分配 13 13 CN 117011031 A 说明书 9/10 页 到不同地区,以实现更好的风险管理和业务稳定性。这一描述强调了如何基于影响特征系 数Yxtz和第一影响阈值DY进行贷款产品分配,以减少潜在风险。 [0115] 实施例6 [0116] 本实施例是在实施例1中进行的解释说明,具体的,实时从大数据信息数据源,包 括贷款申请系统、电商消费记录系统、还款记录系统、外卖系统中采集用户的行为数据、收 入证明和信用数据,这些数据源提供了用户在不同场景下的行为和交易信息。分析获得个 人信用系数GPx,所述个人信用系数GPx通过以下公式计算获得: [0117] [0118] 式中,hkzs表示为用户过去一年的还款准时率值,xf表示为过去五年用户的信用 卡信誉度,Sr表示为过去一年用户电商平台和外卖平台的总消费值,LysL表过去一年末用 户的总收入值,R 、R 、R 和R 分别是hkzs、xf、Sr和LysL的权重系数值,且R +R +R +R =1;A 1 2 3 4 1 2 3 4 4 表示为第四修正自然数。 [0119] 本实施例中,借助从大数据信息数据源中采集到的信息,计算个人信用系数GPx。 这个系数综合考虑了多个因素,包括用户的还款准时率、信用卡信誉度、电商平台和外卖平 台的消费值以及总收入值。通过一个公式来计算个人信用系数GPx。这个公式结合了多个因 素的权重,如还款准时率hkzs、信用卡信誉度xf、消费值Sr和总收入值LysL。通过计算这些 因素的加权和,得到一个综合的个人信用系数GPx,来更全面地评估用户的信用状况。这有 助于在金融风险监测与预警平台中更准确地预测潜在的风险事件,并采取相应的预警措 施。这一描述强调了如何利用大数据信息来计算个人信用系数GPx,以提升风险评估的准确 性。 [0120] 实施例7 [0121] 本实施例是在实施例6中进行的解释说明 ,具体的,将计算得到的个人信用系数 GRx与第三预设阈值DS进行比较;如果个人信用系数GRx高于第三预设阈值DS,触发预警条 件,执行以下步骤生成预警方案: [0122] S1、包括预警通知的类型,包括短信和邮件方式,在用户列表内进行预警标记。 [0123] S2、对于用户进行短信和邮件的预警内容用于警告用户关于他们的信用评级或可 能的风险; [0124] S3、对于高风险的情况,对于用户进行电话人工语音播报建议内容,建议用户改善 信用行为和还款; [0125] S4、对于网站上用户账户,弹出消息、提示和通知栏提供建议还款信息提醒; [0126] S5、推送相关平台移动应用、社交媒体、电子账单和公告号私信,发送至推送通知, 在账单中加入警示信息和建议还款信息。将警示信息和建议还款信息发送给用户,确保用 户能够及时收到风险提示。 [0127] 本实施例中,当个人信用系数GRx高于第三预设阈值DS时,触发预警条件,即信用 评级达到高风险水平;制定一系列的预警方案,以不同的方式提醒和引导用户,以应对可能 的风险情况。这种多元化的预警方式有助于及时预防和减少金融风险,并保障金融机构和 用户的共同利益。这一描述强调了如何通过多种通知和建议行动来生成个人信用预警方 案。 14 14 CN 117011031 A 说明书 10/10 页 [0128] 实施例8 [0129] 本实施例是在实施例1中进行的解释说明,具体的,请参阅图1,所述风险预估模块 包括预警触发条件设置单元、预警通知生成单元、通知方式选择单元和预警反馈与关闭单 元。 [0130] 所述预警触发条件设置单元,针对不同类型的金融风险,设置第一预设阈值DY、第 二预设阈值DR和第三预设阈值DS;根据阈值的变化和预警策略的需求,灵活调整触发条件; [0131] 所述预警通知生成单元用于当预警触发条件满足时,生成预警通知,包括预警级 别、类型和内容,并整合预警信息,准备发送给相关人员;当预警触发条件满足时,预警通知 生成单元根据设置的阈值和风险情况生成预警通知。预警通知包括预警级别、类型和内容 等信息,这些信息会被整合起来,准备好发送给相关人员。 [0132] 通知方式选择单元用于根据用户的偏好和接收渠道,选择适当的通知方式,包括 短信、邮件、App通知、电话通知和推送信息;方式选择单元根据用户的偏好和接收渠道来选 择适当的通知方式。可能的通知方式包括短信、邮件、移动应用通知、电话通知以及推送信 息等。通过考虑用户的喜好和使用习惯,选择最合适的通知方式。 [0133] 所述预警反馈与关闭单元,用于接收反馈,跟踪预警信息后续的影响反馈结果,包 括已还款和提前还款,当风险解除或处理完成时,关闭预警通知,并进行记录。一旦预警触 发并通知用户后,预警反馈与关闭单元负责接收用户的反馈。在用户进行还款或采取其他 措施解决风险后,反馈会被记录。当风险得到解除或处理完成时,预警通知会被关闭,并进 行相应的记录。 [0134] 本实施例中,通过上述风险预估模块中的各个单元,可以实现从设置预警条件、生 成通知、选择通知方式到跟踪反馈的一系列流程。这种模块化的设计能够更好地适应不同 类型的金融风险,同时也提供了灵活性,以便根据实际情况进行调整和优化,确保预警系统 的有效性和可靠性。 [0135] 尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以 理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换 和变型,本发明的范围由所附权利要求及其等同物限定。 15 15 CN 117011031 A 说明书附图 1/1 页 图 1 16 16
2、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问加。
3、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
4、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
含有聚酰亚胺/含氟聚合物耐磨绝缘复合材料防护的母排及其制备方法.pdf
2026年云南昆明西山区金碧街道辅助性岗位工作人员招聘考试核心押题卷(第2套)(附独家高分解析).docx
2026新版一级造价工程师水利专业重难点汇总考点提炼(脱产备考).doc
2026年交管12123驾照学法减分题库含完整答案(各地真题).docx
泰兴合全药业有限公司新药研发中心及生产基地项目一期工程环境影响报告书.pdf
原创力文档创建于2008年,本站为文档C2C交易模式,即用户上传的文档直接分享给其他用户(可下载、阅读),本站只是中间服务平台,本站所有文档下载所得的收益归上传人所有。原创力文档是网络服务平台方,若您的权利被侵害,请发链接和相关诉求至 电线) ,上传者