本申请实施例公开了一种交易风险识别方法、装置及计算机存储介质，用于提高交易风险的识别和评估效率以及提高风险识别评估结果的准确性。本申请实施例包括：交易风险识别装置获取交易风险评分卡模型以及融资请求方的进销项发票数据，从融资请求方的进销项发票数据中确定出目标特征数据，将目标特征数据输入至交易风险评分卡模型，得到交易风险评分卡模型输出的目标特征数据的评分，根据目标特征数据的评分计算得到融资请求方的交易风险评分，因此，交易风险的识别和评估不再需要依靠人工进行实地的现场调查，可以提高交易风险识别评估的工作效率，同时也避免了交易风险评估掺杂人为的主观因素，可以提高交易风险识别评估结果的准确性。果的准确性。果的准确性。
【技术实现步骤摘要】
交易风险识别方法、装置及计算机存储介质
[0001]本申请实施例涉及数据处理领域，具体涉及一种交易风险识别方法、装置及计算机存储介质。
技术介绍
[0002]供应链金融是金融机构为融资企业提供资金支持的一种主要实现方式。如何评估融资标的的真实性，同时识别交易风险，是供应链金融一个普遍存在的难题。
[0003]在现有的方式中，授信评估过程主要依靠人工收集发票以及对发票的真伪进行查验，这种方式不仅费时费力、效率低下、容易出错，而且无法完全保障发票取数的真实性及合规性，后续要么进行人工评估和测算，要么基于简单的规则和核额标准计算授信额度，难以评估真实的交易风险，也无法区别欺诈行为、识别经营风险，对企业交易风险的整体评价不完善。
技术实现思路
[0004]本申请实施例提供了一种交易风险识别方法、装置及计算机存储介质，用于提高交易风险的识别和评估效率以及提高风险识别评估结果的准确性。
[0005]本申请实施例第一方面提供了一种交易风险识别方法，所述方法包括：
[0006]获取预先训练完成的交易风险评分卡模型，所述交易风险评分卡模型由机器学习算法对多组训练样本训练得到，且每组所述训练样本包括目标特征数据样本以及所述目标特征数据样本的评分，所述目标特征数据样本包括特征变量和所述特征变量对应的变量值；所述特征变量为用于表征经营行为的指标；
[0007]获取融资请求方的进销项发票数据，从所述融资请求方的进销项发票数据中确定出目标特征数据，所述目标特征数据包括特征变量和所述特征变量对应的变量值；
[0008]将所述目标特征数据输入至所述交易风险评分卡模型，以得到所述交易风险评分卡模型输出的所述目标特征数据的评分；
[0009]根据所述目标特征数据的评分计算得到所述融资请求方的交易风险评分。
[0010]本申请实施例第二方面提供了一种交易风险识别装置，所述装置包括：
[0011]获取单元，用于获取预先训练完成的交易风险评分卡模型，所述交易风险评分卡模型由机器学习算法对多组训练样本训练得到，且每组所述训练样本包括目标特征数据样本以及所述目标特征数据样本的评分，所述目标特征数据样本包括特征变量和所述特征变量对应的变量值；所述特征变量为用于表征经营行为的指标；
[0012]所述获取单元还用于获取融资请求方的进销项发票数据，从所述融资请求方的进销项发票数据中确定出目标特征数据，所述目标特征数据包括特征变量和所述特征变量对应的变量值；
[0013]数据处理单元，用于将所述目标特征数据输入至所述交易风险评分卡模型，以得到所述交易风险评分卡模型输出的所述目标特征数据的评分；
[0014]计算单元，用于根据所述目标特征数据的评分计算得到所述融资请求方的交易风险评分。
[0015]本申请实施例第三方面提供了一种交易风险识别装置，所述装置包括：
[0016]存储器，用于存储计算机程序；处理器，用于在执行所述计算机程序时实现如前述第一方面所述的融资准入风险评估方法的步骤。
[0017]本申请实施例第四方面提供了一种计算机存储介质，计算机存储介质中存储有指令，该指令在计算机上执行时，使得计算机执行前述第一方面的方法。
[0018]从以上技术方案可以看出，本申请实施例具有以下优点：
[0019]本申请实施例中，交易风险识别装置获取交易风险评分卡模型以及融资请求方的进销项发票数据，从融资请求方的进销项发票数据中确定出目标特征数据，将目标特征数据输入至交易风险评分卡模型，得到交易风险评分卡模型输出的目标特征数据的评分，根据目标特征数据的评分计算得到融资请求方的交易风险评分，因此，交易风险的识别和评估不再需要依靠人工进行实地的现场调查，相比于人工线下的深入调查分析来确定交易风险，可以提高交易风险识别评估的工作效率，同时也避免了交易风险评估掺杂人为的主观因素，可以提高交易风险识别评估结果的准确性。
附图说明
[0020]图1为本申请实施例中交易风险识别方法一个流程示意图；
[0021]图2为本申请实施例中交易风险识别方法另一流程示意图；
[0022]图3为本申请实施例中交易风险识别装置一个结构示意图；
[0023]图4为本申请实施例中交易风险识别装置另一结构示意图。
具体实施方式
[0024]本申请实施例提供了一种交易风险识别方法、装置及计算机存储介质，用于提高交易风险的识别和评估效率以及提高风险识别评估结果的准确性。
[0025]请参阅图1，本申请实施例中交易风险识别方法一个实施例包括：
[0026]101、获取预先训练完成的交易风险评分卡模型；
[0027]本实施例的方法可应用于交易风险识别装置，该装置可以是终端、服务器等计算机设备。本实施例的方法可以对融资请求方的交易风险进行识别和评估，其中融资请求方可以是社会经济活动中任意的经营实体，例如可以是企业、个体工商户等经营实体。任意的经营实体有融资需求时，可以向金融机构发出融资请求。金融机构可以使用交易风险识别装置来评估融资请求方是否存在交易风险，则交易风险识别装置接收融资请求方的融资请求，并在后续步骤中执行对该请求的处理操作。
[0028]具体的，本实施例基于交易风险评分卡模型来评估融资请求方的交易风险。因此，交易风险识别装置获取预先训练完成的交易风险评分卡模型，交易风险评分卡模型由机器学习算法对多组训练样本训练得到，且每组训练样本包括目标特征数据样本以及目标特征数据样本的评分，目标特征数据样本包括特征变量和特征变量对应的变量值；特征变量为用于表征经营行为的指标，如营业收入、开业时间、开票记录等用于表征经营行为的指标，则特征变量对应的变量值即为指标对应的值，如营业收入指标，其对应的变量值为100万；
开业时间对应的变量值为2020年1月1日等等。
[0029]102、获取融资请求方的进销项发票数据，从融资请求方的进销项发票数据中确定出目标特征数据；
[0030]本实施例根据融资请求方的进销项发票数据来识别融资请求方的交易风险。因此，交易风险识别装置还获取融资请求方的进销项发票数据，从融资请求方的进销项发票数据中确定出目标特征数据。同样的，目标特征数据也包括了特征变量和特征变量对应的变量值。
[0031]103、将目标特征数据输入至交易风险评分卡模型，以得到交易风险评分卡模型输出的目标特征数据的评分；
[0032]在确定出目标特征数据之后，将目标特征数据输入至交易风险评分卡模型，交易风险评分卡模型基于预先训练获得的数据处理逻辑输出目标特征数据的评分。
[0033]104、根据目标特征数据的评分计算得到融资请求方的交易风险评分；
[0034]在获得目标特征数据的评分之后，可以根据预设的计算方式将目标特征数据的评分转换为融资请求方的交易风险评分。其中，预设的计算方式可以是加权求和，或者是其他能够将目标特征数据的评分转换为交易风险评分的计算方式，具体此处不作限定。
[本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种交易风险识别方法，其特征在于，所述方法包括：获取预先训练完成的交易风险评分卡模型，所述交易风险评分卡模型由机器学习算法对多组训练样本训练得到，且每组所述训练样本包括目标特征数据样本以及所述目标特征数据样本的评分，所述目标特征数据样本包括特征变量和所述特征变量对应的变量值；所述特征变量为用于表征经营行为的指标；获取融资请求方的进销项发票数据，从所述融资请求方的进销项发票数据中确定出目标特征数据，所述目标特征数据包括特征变量和所述特征变量对应的变量值；将所述目标特征数据输入至所述交易风险评分卡模型，以得到所述交易风险评分卡模型输出的所述目标特征数据的评分；根据所述目标特征数据的评分计算得到所述融资请求方的交易风险评分。2.根据权利要求1所述的方法，其特征在于，所述交易风险评分卡模型的训练步骤包括：采集进销项发票数据样本，从所述进销项发票数据样本中确定出所述目标特征数据样本；对所述目标特征数据样本进行分箱操作以及WOE转换，得到所述目标特征数据样本的分箱系数和WOE值；将所述目标特征数据样本的分箱系数与WOE值的乘积作为所述目标特征数据样本的评分；将多个所述目标特征数据样本的评分相加，得到的和值作为交易风险评分。3.根据权利要求2所述的方法，其特征在于，所述从所述进销项发票数据样本中确定出所述目标特征数据样本，包括：从所述进销项发票数据样本中确定出多个候选特征数据样本，所述候选特征数据样本包括第一特征变量和所述第一特征变量对应的变量值；所述第一特征变量为用于表征经营行为的指标；依据支持度、可信度和作用度，为所述第一特征变量设置FP
‑
Tree，根据设置的FP
‑
Tree从多个所述第一特征变量中确定出第二特征变量；对多个所述第二特征变量进行分箱操作以及WOE转换，利用KS值、AR值、IV值和VIF值对多个所述第二特征变量进行筛选；通过逻辑回归算法拟合所述第二特征变量与目标特征变量的关系，从多个所述第二特征变量中确定出所述目标特征变量，所述目标特征变量以及所述目标特征变量对应的变量值构成所述目标特征数据样本。4.根据权利要求2所述的方法，其特征在于，所述从所述进销项发票数据样本中确定出所述目标特征数据样本之后，所述方法还包括：对所述目标特征数据样本进行数据清洗和/或数据加工，所述数据清洗包括对所述目标特征数据样本进行缺失值处理和/或异常值处理，所述数据加工包括对所述目标特征数据样本进行...
【专利技术属性】
技术研发人员：许卫，杜菁，张兆为，赵彦晖，耿心伟，曾源，
申请(专利权)人：深圳微众信用科技股份有限公司，
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。