数据处理方法和数据处理装置制造方法及图纸

本申请提供了一种数据处理方法和数据处理装置，有利于提高授信的交易效率，减轻运营成本，进而及时准确地反应市场风险。该方法包括：获取待预测时间段的用户合约数据、用户授信数据以及用户交易数据，该用户合约数据包括至少一个用户中每个用户的理财合约信息、基金合约信息、保险合约信息、外汇合约信息或债券合约信息中的至少一个，该用户授信数据包括上述每个用户在待预测时间段的授信额度，上述用户交易数据包括上述每个用户的业务交易特性；将上述用户合约数据、上述用户授信数据以及上述用户交易数据输入至机器学习模型，获得上述每个用户在未来时间段的预测授信额度。每个用户在未来时间段的预测授信额度。每个用户在未来时间段的预测授信额度。

【技术实现步骤摘要】
数据处理方法和数据处理装置


[0001]本申请涉及计算机领域，尤其涉及一种数据处理方法和数据处理装置。

技术介绍

[0002]目前银行等金融企业，外汇买卖与结售汇的特点：经办人员多、营销产品多、数据信息多。外汇买卖与结售汇经办人员作为参与操作，与授信金额数据的准确性、营销渠道相互间存在多对多的错综复杂的关系。为确保发送剩余授信额度的准确性，结售汇或外汇买卖等业务发生后，目前银行等金融企业可以通过交易系统将用户累计信用额度和剩余授信额度发至信贷管理系统，该信贷管理系统能够从多个维度对特定区域和特定机构用户进行授信、用信控制，有效提升了银行信贷风险预警水平，为信贷在线监控工作提供了有力的技术支撑平台。
[0003]但是随着银行用户量的持续增加，交易数量和额度也逐渐递增，上述信贷管理系统存在运营成本高，授信用时长，进而导致不能够及时准确地反应市场风险的问题。

技术实现思路

[0004]本申请提供一种数据处理方法和数据处理装置，有利于提高授信的交易效率，减轻运营成本，进而及时准确地反应市场风险。
[0005]第一方面，提供了一种数据处理方法，包括：获取待预测时间段的用户合约数据、用户授信数据以及用户交易数据，上述用户合约数据包括至少一个用户中每个用户的理财合约信息、基金合约信息、保险合约信息、外汇合约信息或债券合约信息中的至少一个，上述用户授信数据包括上述每个用户在上述待预测时间段的授信额度，上述用户交易数据包括上述每个用户的业务交易特性，上述业务交易特性包括交易的时间特征、上述交易的频次特征、上述交易的金额特征或上述交易的产品类型特征中的至少一个；将上述用户合约数据、上述用户授信数据以及上述用户交易数据输入至机器学习模型，获得上述每个用户在未来时间段的预测授信额度，上述机器学习模型是基于第一历史时间段的用户合约数据、用户授信数据、用户交易数据以及所述第一历史时间段的用户的未来实际授信额度训练得到的。
[0006]在本申请实施例中，数据处理设备可以通过将用户数据输入到机器学习模型中，获得预测授信金额，有效降低授信运营成本和授信用时，进而提高反应市场风险的及时性和准确性，此外上述预测授信额度可以直接分配至银行的各分支机构，以供相关人员使用，大量节省人工挑选成本，提高授信效率，进而有效提高资产证券化发行效率。
[0007]结合第一方面，在第一方面的某种实现方式中，上述业务交易特性包括下列至少一个：动账交易特性、出入金交易特性、查询交易特性、股票交易特性或外汇交易特性。
[0008]结合第一方面，在第一方面的某种实现方式中，上述用户授信数据还包括下列至少一个：上述待预测时间段内所述每个用户的授信额度之和、上述待预测时间段内上述每个用户的授信额度的平均值、上述待预测时间段内上述每个用户的授信额度的最大值、或
上述待预测时间段内上述每个用户的授信额度的最小值。
[0009]结合第一方面，在第一方面的某种实现方式中，在上述获取待预测时间段的用户合约数据、用户授信数据以及用户交易数据之前，上述方法还包括：确定上述机器学习模型的目标准确率；上述获取待预测时间段的用户合约数据、用户授信数据以及用户交易数据，包括：在上述目标准确率大于或者等于阈值的情况下，获取上述待预测时间段的用户合约数据、用户授信数据以及用户交易数据。
[0010]结合第一方面，在第一方面的某种实现方式中，上述确定上述机器学习模型的目标准确率，包括：确定N个训练集和N个测试集，上述N个训练集合和上述N个测试集一一对应，N≥2；基于上述N个训练集和上述N个测试集分别对上述机器学习模型进行验证，获得N个准确率；基于上述N个准确率，确定上述目标准确率。
[0011]结合第一方面，在第一方面的某种实现方式中，上述目标准确率为上述N个准确率的平均值。
[0012]结合第一方面，在第一方面的某种实现方式中，上述确定N个训练集和N个测试集，包括：获取验证数据，上述验证数据包括第二历史时间段的用户合约数据、用户授信数据、用户交易数据以及上述第二历史时间段的用户的未来实际授信额度；将上述第二历史时间段划分为连续的N个子历史时间段，上述N个子历史时间段分别对应N个子验证数据；将上述N个子验证数据中第i个子验证数据确定为上述N个测试集中的第i个测试集；将上述N个子验证数据中除上述第i个子验证数据之外剩余的N
‑
1个子验证数据确定为上述N个训练集中的第i个训练集，i为大于或等于1的整数，且i取遍{1,2,
…
,N}。
[0013]结合第一方面，在第一方面的某种实现方式中，上述基于上述N个训练集和上述N个测试集分别对上述机器学习模型进行验证，获得N个准确率，包括：基于上述第i个训练集，获得训练后的上述机器学习模型；将上述第i个测试集输入上述训练后的机器学习模型，获得待验证授信额度；基于上述待验证授信额度和上述第i个子验证数据中的未来实际授信额度，得到上述N个准确率中的第i个准确率。
[0014]结合第一方面，在第一方面的某种实现方式中，上述方法还包括：在确定上述目标准确率小于所述阈值的情况下，优化上述机器学习模型。
[0015]第二方面，提供了一种数据处理装置，包括：获取模块和处理模块，其中，获取模块用于，获取待预测时间段的用户合约数据、用户授信数据以及用户交易数据，上述用户合约数据包括至少一个用户中每个用户的理财合约信息、基金合约信息、保险合约信息、外汇合约信息或债券合约信息中的至少一个，上述用户授信数据包括上述每个用户在上述待预测时间段的授信额度，上述用户交易数据包括上述每个用户的业务交易特性，上述业务交易特性包括交易的时间特征、上述交易的频次特征、上述交易的金额特征或上述交易的产品类型特征中的至少一个；处理模块用于，将上述用户合约数据、上述用户授信数据以及上述用户交易数据输入至机器学习模型，获得上述每个用户在未来时间段的预测授信额度，上述机器学习模型是基于第一历史时间段的用户合约数据、用户授信数据、用户交易数据以及上述第一历史时间段的用户的未来实际授信额度训练得到的。
[0016]结合第二方面，在第二方面的某种实现方式中，上述业务交易特性包括下列至少一个：动账交易特性、出入金交易特性、查询交易特性、股票交易特性或外汇交易特性。
[0017]结合第二方面，在第二方面的某种实现方式中，上述用户授信数据还包括下列至
少一个：上述待预测时间段内上述每个用户的授信额度之和、上述待预测时间段内上述每个用户的授信额度的平均值、上述待预测时间段内上述每个用户的授信额度的最大值、或上述待预测时间段内上述每个用户的授信额度的最小值。
[0018]结合第二方面，在第二方面的某种实现方式中，上述处理模块用于：确定上述机器学习模型的目标准确率；在上述目标准确率大于或者等于阈值的情况下，获取上述待预测时间段的用户合约数据、用户授信数据以及用户交易数据。
[0019]结合第二方面，在第二方面的某种实现方式中，上述处理模块用于：确定N个训练集和N个测试集，上述N个训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：获取待预测时间段的用户合约数据、用户授信数据以及用户交易数据，所述用户合约数据包括至少一个用户中每个用户的理财合约信息、基金合约信息、保险合约信息、外汇合约信息或债券合约信息中的至少一个，所述用户授信数据包括所述每个用户在所述待预测时间段的授信额度，所述用户交易数据包括所述每个用户的业务交易特性，所述业务交易特性包括交易的时间特征、所述交易的频次特征、所述交易的金额特征或所述交易的产品类型特征中的至少一个；将所述用户合约数据、所述用户授信数据以及所述用户交易数据输入至机器学习模型，获得所述每个用户在未来时间段的预测授信额度，所述机器学习模型是基于第一历史时间段的用户合约数据、用户授信数据、用户交易数据以及所述第一历史时间段的用户的未来实际授信额度训练得到的。2.根据权利要求1所述的方法，其特征在于，所述业务交易特性包括下列至少一个：动账交易特性、出入金交易特性、查询交易特性、股票交易特性或外汇交易特性。3.根据权利要求1所述的方法，其特征在于，所述用户授信数据还包括下列至少一个：所述待预测时间段内所述每个用户的授信额度之和、所述待预测时间段内所述每个用户的授信额度的平均值、所述待预测时间段内所述每个用户的授信额度的最大值、或所述待预测时间段内所述每个用户的授信额度的最小值。4.根据权利要求1所述的方法，其特征在于，在所述获取待预测时间段的用户合约数据、用户授信数据以及用户交易数据之前，所述方法还包括：确定所述机器学习模型的目标准确率；所述获取待预测时间段的用户合约数据、用户授信数据以及用户交易数据，包括：在所述目标准确率大于或者等于阈值的情况下，获取所述待预测时间段的用户合约数据、用户授信数据以及用户交易数据。5.根据权利要求4所述的方法，其特征在于，所述确定所述机器学习模型的目标准确率，包括：确定N个训练集和N个测试集，所述N个训练集合和所述N个测试集一一对应，N≥2；基于所述N个训练集和所述N个测试集分别对所述机器学习模型进行验证，获得N个准确率；基于所述N个准确率，确定所述目标准确率。6.根据权利要求5所述的方法，其特征在于，所述目标准确率为所述N个准确率的平均值。7.根据权利要求5所述的方法，其特征在于，所述确定N个训练集和N个测试集，包括：获取验证数据，所述验证数据包括第二历史时间段的用户合约数据、用户授信数据、用户交易数据以及所述第二历史时间段的用户的未来实际授信额度；将所述第二历史时间段划分为连续的N个子历史时间段，所述N个子历史时间段分别对应N个子验证数据；将所述N个子验证数据中第i个子验证数据确定为所述N个测试集中的第i个测试集；将所述N个子验证数据中除所述第i个子验证数据之外剩余的N
‑
1个子验证数据确定为所述N个训练集中的第i个训练集，i为大于或等于1的整数，且i取遍{1,2,
…
,N}。
8.根据权利要求7所述的方法，其特征在于，所述基于所述N个训练集和所述N个测试集分别对所述机器学习模型进行验证，获得N个准确率，包括：基于所述第i个训练集，获得训练后的所述机器学习模型；将所述第i个测试集输入所述训练后的机器学习模型，获得待验证授信额度；基于所述待验证授信额度和所述第i个子验证数据中的未来实际授信额度，得到所述N个准确率中的第i个准确率。9.根据权利要求4所述的方法，其特征在于，所述方法还包括：在确定所述目标准确率小于所述阈值的情况下，优化所述机器学习模型。10.一种数据处理装置，其特征在于，包括：获取模块，用于获取待预测时间段的...

【专利技术属性】
技术研发人员：段景初，任晓谢，夏振全，刘景涛，曹叶静，
申请(专利权)人：中国农业银行股份有限公司，
类型：发明
国别省市：