【技术实现步骤摘要】
本申请涉及人工智能，具体而言，涉及一种金融风险预测方法和装置、存储介质及电子设备。
技术介绍
1、机器学习模型具有可解释性强，被广泛用于金融风控领域的风险预测。但是在金融领域构建预测模型的时候想要达到很好的目标效果，往往需要构造很好的特征并选择特征，然后优化模型参数。传统的参数调优方法，如网格搜索，随机搜索，贪心搜索，贝叶斯搜索等。但是这种完全独立的选择模型特征和选择模型参数，严重影响了预测模型的预测准确性。
2、针对相关技术中由于金融风险预测时采用的预测模型的特征参数和模型参数独立选择导致预测模型的准确性比较低的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本申请的主要目的在于提供一种金融风险预测方法和装置、存储介质及电子设备，以解决相关技术中由于金融风险预测时采用的预测模型的特征参数和模型参数独立选择导致预测模型的准确性比较低的问题。
2、为了实现上述目的，根据本申请的一个方面，提供了一种金融风险预测方法。该方法包括：获取待预测的金融数据；对所述金融数据进行特征提取，得到第一特征信息，并获取所述第一特征信息对应的特征参数值；依据目标预测模型中的目标特征参数值和所述第一特征信息对应的特征参数值对所述第一特征信息进行筛选，得到目标特征信息，其中，所述目标预测模型的目标特征参数值和所述目标预测模型的目标模型参数值是基于超参数寻优框架联合寻优得到的；通过所述目标预测模型基于所述目标特征信息进行风险预测，得到第一预测结果，其中，所述第一预测结果用于表征所述
3、进一步地，获取所述第一特征信息对应的特征参数值包括：对所述第一特征信息的相关性进行计算，得到相关性值；对所述第一特征信息的缺失率进行计算，得到缺失率；对所述第一特征信息的信息价值进行计算，得到信息价值；对所述第一特征信息的稳定性进行计算，得到稳定值；依据所述相关性值、缺失率、价值信息以及稳定值，确定所述第一特征信息对应的特征参数值。
4、进一步地，在通过目标预测模型依据所述特征参数值进行风险预测，得到第一预测结果之前，所述方法还包括：获取训练样本集，其中，所述训练样本集包括：多个历史金融数据和每个历史金融数据对应的真实标签，所述真实标签用于表征所述历史金融数据是否存在风险；获取预设的目标特征参数的第一取值范围和所述目标预测模型的目标模型参数的第二取值范围；依据所述第一取值范围、所述第二取值范围和所述训练样本集进行联合寻优，得到所述目标特征参数值和所述目标模型参数值，并依据所述目标特征参数值和所述目标模型参数值对初始预测模型进行更新，得到所述目标预测模型。
5、进一步地，依据所述第一取值范围、所述第二取值范围和所述训练样本集进行联合寻优，得到所述目标特征参数值和所述目标模型参数值包括：确定目标优化函数，其中，所述目标优化函数用于评估所述目标预测模型的预测性能；通过所述超参数寻优框架基于所述目标优化函数，所述第一取值范围，所述第二取值范围和所述训练样本集进行联合寻优，得到所述目标特征参数值和所述目标模型参数值。
6、进一步地，通过所述超参数寻优框架基于所述目标优化函数，所述第一取值范围，所述第二取值范围和所述训练样本集进行联合寻优，得到所述目标特征参数值和所述目标模型参数值包括：通过所述超参数寻优框架基于所述第一取值范围和所述第二取值范围，确定第一特征参数值和第一模型参数值；依据所述第一特征参数值和所述第一模型参数值进行模型初始化，得到初始预测模型；通过所述初始预测模型、所述训练样本集和所述目标优化函数，得到所述目标特征参数值和所述目标模型参数值。
7、进一步地，通过所述初始预测模型、所述训练样本集和所述目标优化函数，得到所述目标特征参数值和所述目标模型参数值包括：通过所述初始预测模型对所述训练样本集进行风险预测，得到第二预测结果；通过所述目标优化函数对所述第二预测结果和所述历史金融数据对应的真实标签进行计算，得到所述初始预测模型对应的预测性能值；判断所述预测性能值是否大于预设阈值，若所述预测性能值小于所述预设阈值，则重复执行通过所述超参数寻优框架基于所述第一取值范围和所述第二取值范围，确定第二特征参数值和第三模型参数值的步骤，直至所述预测性能值大于所述预设阈值，或者，重复执行次数大于预设次数，并将当前的特征参数值和当前的模型参数值确定为所述目标特征参数值和所述目标模型参数值。
8、进一步地，在通过所述目标预测模型基于所述目标特征信息进行风险预测，得到第一预测结果之后，所述方法还包括：若检测到对所述第一预测结果的修正操作，则响应所述修正操作，对所述第一预测结果进行修改，得到第三预测结果；依据所述待预测的金融数据和所述第三预测结果对所述目标预测模型进行更新处理。
9、为了实现上述目的，根据本申请的另一方面，提供了一种金融风险预测装置。该装置包括：第一获取单元，用于获取待预测的金融数据；提取单元，用于对所述金融数据进行特征提取，得到第一特征信息，并获取所述第一特征信息对应的特征参数值；筛选单元，用于依据目标预测模型中的目标特征参数值和所述第一特征信息对应的特征参数值对所述第一特征信息进行筛选，得到目标特征信息，其中，所述目标预测模型的目标特征参数值和所述目标预测模型的目标模型参数值是基于超参数寻优框架联合寻优得到的；预测单元，用于通过所述目标预测模型基于所述目标特征信息进行风险预测，得到第一预测结果，其中，所述第一预测结果用于表征所述金融数据是否存在风险。
10、进一步地，提取单元包括：第一计算子单元，用于对所述第一特征信息的相关性进行计算，得到相关性值；第二计算子单元，用于对所述第一特征信息的缺失率进行计算，得到缺失率；第三计算子单元，用于对所述第一特征信息的信息价值进行计算，得到信息价值；第四计算子单元，用于对所述第一特征信息的稳定性进行计算，得到稳定值；第一确定子单元，用于依据所述相关性值、缺失率、价值信息以及稳定值，确定所述第一特征信息对应的特征参数值。
11、进一步地，所述装置还包括：第二获取单元，用于在通过目标预测模型依据所述特征参数值进行风险预测，得到第一预测结果之前，获取训练样本集，其中，所述训练样本集包括：多个历史金融数据和每个历史金融数据对应的真实标签，所述真实标签用于表征所述历史金融数据是否存在风险；第三获取单元，用于获取预设的目标特征参数的第一取值范围和所述目标预测模型的目标模型参数的第二取值范围；寻优单元，用于依据所述第一取值范围、所述第二取值范围和所述训练样本集进行联合寻优，得到所述目标特征参数值和所述目标模型参数值，并依据所述目标特征参数值和所述目标模型参数值对初始预测模型进行更新，得到所述目标预测模型。
12、进一步地，寻优单元包括：第二确定子单元，用于确定目标优化函数，其中，所述目标优化函数用于评估所述目标预测模型的预测性能；寻优子单元，用于通过所述超参数寻优框架基于所述目标优化函数，所述第一取值范围，所述第二取值范围和所述训练样本集进行联合寻优，得到所述目标特本文档来自技高网...
【技术保护点】
1.一种金融风险预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，获取所述第一特征信息对应的特征参数值包括：
3.根据权利要求1所述的方法，其特征在于，在通过目标预测模型依据所述特征参数值进行风险预测，得到第一预测结果之前，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，依据所述第一取值范围、所述第二取值范围和所述训练样本集进行联合寻优，得到所述目标特征参数值和所述目标模型参数值包括：
5.根据权利要求4所述的方法，其特征在于，通过所述超参数寻优框架基于所述目标优化函数，所述第一取值范围，所述第二取值范围和所述训练样本集进行联合寻优，得到所述目标特征参数值和所述目标模型参数值包括：
6.根据权利要求5所述的方法，其特征在于，通过所述初始预测模型、所述训练样本集和所述目标优化函数，得到所述目标特征参数值和所述目标模型参数值包括：
7.根据权利要求1所述的方法，其特征在于，在通过所述目标预测模型基于所述目标特征信息进行风险预测，得到第一预测结果之后，所述方法还包括：
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质在设备执行权利要求1至7中任意一项所述的金融风险预测方法。
10.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至7中任意一项所述的金融风险预测方法。
...【技术特征摘要】
1.一种金融风险预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，获取所述第一特征信息对应的特征参数值包括：
3.根据权利要求1所述的方法，其特征在于，在通过目标预测模型依据所述特征参数值进行风险预测，得到第一预测结果之前，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，依据所述第一取值范围、所述第二取值范围和所述训练样本集进行联合寻优，得到所述目标特征参数值和所述目标模型参数值包括：
5.根据权利要求4所述的方法，其特征在于，通过所述超参数寻优框架基于所述目标优化函数，所述第一取值范围，所述第二取值范围和所述训练样本集进行联合寻优，得到所述目标特征参数值和所述目标模型参数值包括：
6.根据权利要求5所述的方法，其特征在于，通过所述...
【专利技术属性】
技术研发人员：孟金旭，
申请(专利权)人：天翼电子商务有限公司，
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。