基于GBST的金融风险管理方法、装置和电子设备.pdf

《基于GBST的金融风险管理方法、装置和电子设备.pdf》由会员分享，可在线阅读，更多相关《基于GBST的金融风险管理方法、装置和电子设备.pdf（16页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010274570.5 (22)申请日 2020.04.09 (71)申请人 上海淇毓信息科技有限公司 地址 201500 上海市崇明区横沙乡富民支 路58号A1-5962室 （上海横泰经济开发 区） (72)发明人 白苗君王垚炜沈赟 (74)专利代理机构 北京清诚知识产权代理有限 公司 11691 代理人 李博 (51)Int.Cl. G06Q 40/02(2012.01) G06Q 10/04(2012.01) G06Q 30/02(2012.01) G06N 20/0。

2、0(2019.01) (54)发明名称 一种基于GBST的金融风险管理方法、 装置和 电子设备 (57)摘要 本发明提供了一种基于GBST的金融风险管 理方法， 包括： 获取历史用户数据集， 根据历史用 户数据集建立训练数据集， 所述训练数据集包括 用户特征数据、 条件参数、 金融表现数据； 构建 GBST生存模型， 并训练GBST生存模型； 将目标用 户的用户特征数据和条件参数输入GBST生存模 型， 以输出目标用户的金融表现数据的预测分布 曲线； 基于目标用户的预测分布曲线， 根据金融 产品的最大化利润判断规则， 定制与目标用户相 对应的风险管理策略。 本发明的金融风险管理方 法以最大化利。

3、润为目标， 可以给用户制定更加个 性化、 更加合理的产品， 能够优化现有的额度、 定 价及期数的风险管理策略， 在风险可控的条件 下， 产生更多的利润， 以实现利润最大化。 权利要求书2页 说明书8页 附图5页 CN 111583014 A 2020.08.25 CN 111583014 A 1.一种基于GBST的金融风险管理方法， 其特征在于， 包括： 获取历史用户数据集， 根据历史用户数据集建立训练数据集， 所述训练数据集包括用 户特征数据、 条件参数、 金融表现数据； 构建GBST生存模型， 使用所述训练数据集训练所述GBST生存模型； 将目标用户的用户特征数据和条件参数输入所述GBST。

4、生存模型， 以输出所述目标用户 的金融表现数据的预测分布曲线； 基于所述目标用户的预测分布曲线， 根据金融产品的最大化利润判断规则， 定制与所 述目标用户相对应的风险管理策略。 2.根据权利要求1所述的金融风险管理方法， 其特征在于， 所述条件参数包括贷款额 度、 贷款期数、 利率和资金成本比例。 3.根据权利要求1-2中任一项所述的金融风险管理方法， 其特征在于， 所述金融风险管 理方法还包括： 基于目标用户的金融表现数据的预测分布曲线和条件参数， 计算目标用户在预定时间 点或预定时间段的期望利润， 并与预设利润阈值进行比较， 以对目标用户进行风险判断。 4.根据权利要求1-3中任一项所述的。

5、金融风险管理方法， 其特征在于， 所述定制与所述 目标用户相对应的风险管理策略包括： 根据对目标用户的风险判断结果， 定制最大化利润的贷款策略、 提额策略、 降额策略或 限贷策略。 5.根据权利要求1-4中任一项所述的金融风险管理方法， 其特征在于， 所述输出所述目 标用户的金融表现数据的预测分布曲线包括： 使用所述GBST生存模型， 计算所述目标用户在预定时间点或预定时间段的金融表现数 据的预测值， 进行图形拟合处理， 以生成所述目标用户的金融表现数据的预测分布曲线。 6.根据权利要求1-5中任一项所述的金融风险管理方法， 其特征在于， 所述金融表现数 据包括违约概率和/或逾期概率。 7.根。

6、据权利要求1-6中任一项所述的金融风险管理方法， 其特征在于， 所述预定时间段 为三天、 七天、 十五天、 一个月、 两个月或一年。 8.一种基于GBST的金融风险管理装置， 其特征在于， 所述金融风险管理装置包括： 数据获取模块， 用于获取历史用户数据集， 根据历史用户数据集建立训练数据集， 所述 训练数据集包括用户特征数据、 条件参数、 金融表现数据； 模型构建模块， 用于构建GBST生存模型， 使用所述训练数据集训练所述GBST生存模型； 计算模块， 用于将目标用户的用户特征数据和条件参数输入所述GBST生存模型， 以输 出所述目标用户的金融表现数据的预测分布曲线； 策略定制模块， 基于。

7、所述目标用户的预测分布曲线， 根据金融产品的最大化利润判断 规则， 定制与所述目标用户相对应的风险管理策略。 9.一种电子设备， 其中， 该电子设备包括： 处理器； 以及， 存储计算机可执行指令的存储器， 所述可执行指令在被执行时使所述处理器执行根据 权利要求1-7中任一项所述的金融风险管理方法。 10.一种计算机可读存储介质， 其中， 所述计算机可读存储介质存储一个或多个程序， 权利要求书 1/2 页 2 CN 111583014 A 2 所述一个或多个程序当被处理器执行时， 实现权利要求1-7中任一项所述的金融风险管理 方法。 权利要求书 2/2 页 3 CN 111583014 A 3 。

8、一种基于GBST的金融风险管理方法、 装置和电子设备 技术领域 0001 本发明涉及计算机信息处理领域， 特别涉及一种基于GBST的金融风险管理方法、 装置和电子设备。 背景技术 0002 随着互联网的使用和大数据技术的发展， 消费金融得到了长足发展。 然而， 随着越 来越多的金融服务平台的出现， 对信用风险的管理提出了更多的挑战。 0003 生存分析模型最初源于处理死亡数据， 在医学、 保险等领域有非常广泛的应用。 如 何将生存分析模型等具有时间维度的模型引入到信用风险管理中以解决现有模型在时间 维度上预测的缺乏， 是本领域面临的重要问题。 0004 为了有效的控制信用风险， 发展出了许多不。

9、同的建模技术， 包括监督算法和无监 督算法。 然而， 对于借贷类金融产品的风险模型， 主要以控制风险为目标， 其中， 贷款期数选 择由客户自主选择决定， 没有从利润角度进行进一步考量， 由此， 会导致一定程度的额度浪 费、 定价不合理及期数选择不合理现象， 也会造成一定程度的利润损失， 进而不能使利润最 大化。 0005 综上， 有必要提供一种更精准且能够实现利润最大化的金融风险管理方法。 发明内容 0006 为了解决上述问题， 本发明提供了一种基于GBST的金融风险管理方法， 包括： 获取 历史用户数据集， 根据历史用户数据集建立训练数据集， 所述训练数据集包括用户特征数 据、 条件参数、 。

10、金融表现数据； 构建GBST生存模型， 使用所述训练数据集训练所述GBST生存 模型； 将目标用户的用户特征数据和条件参数输入所述GBST生存模型， 以输出所述目标用 户的金融表现数据的预测分布曲线； 基于所述目标用户的预测分布曲线， 根据金融产品的 最大化利润判断规则， 定制与所述目标用户相对应的风险管理策略。 0007 优选地， 所述条件参数包括贷款额度、 贷款期数、 利率和资金成本比例。 0008 优选地， 所述金融风险管理方法还包括： 基于目标用户的金融表现数据的预测分 布曲线和条件参数， 计算目标用户在预定时间点或预定时间段的期望利润， 并与预设利润 阈值进行比较， 以对目标用户进行。

11、风险判断。 0009 优选地， 所述定制与所述目标用户相对应的风险管理策略包括： 根据对目标用户 的风险判断结果， 定制最大化利润的贷款策略、 提额策略、 降额策略或限贷策略。 0010 优选地， 所述输出所述目标用户的金融表现数据的预测分布曲线包括： 使用所述 GBST生存模型， 计算所述目标用户在预定时间点或预定时间段的金融表现数据的预测值， 进行图形拟合处理， 以生成所述目标用户的金融表现数据的预测分布曲线。 0011 优选地， 所述金融表现数据包括违约概率和/或逾期概率。 0012 优选地， 所述预定时间段为三天、 七天、 十五天、 一个月、 两个月或一年。 0013 优选地， 所述使。

12、用所述训练数据集训练所述GBST生存模型包括： 通过利用最小损 说明书 1/8 页 4 CN 111583014 A 4 失函数， 对使用所述GBST生存模型计算的预测值与真实值的残差进行优化迭代。 0014 此外， 本发明还提供了一种基于GBST的金融风险管理装置， 所述金融风险管理装 置包括： 数据获取模块， 用于获取历史用户数据集， 根据历史用户数据集建立训练数据集， 所述训练数据集包括用户特征数据、 条件参数、 金融表现数据； 模型构建模块， 用于构建 GBST生存模型， 使用所述训练数据集训练所述GBST生存模型； 计算模块， 用于将目标用户的 用户特征数据和条件参数输入所述GBST。

13、生存模型， 以输出所述目标用户的金融表现数据的 预测分布曲线； 策略定制模块， 基于所述目标用户的预测分布曲线， 根据金融产品的最大化 利润判断规则， 定制与所述目标用户相对应的风险管理策略。 0015 优选地， 所述条件参数包括贷款额度、 贷款期数、 利率和资金成本比例。 0016 优选地， 所述金融风险管理装置还包括比较模块， 所述比较模块基于目标用户的 金融表现数据的预测分布曲线和条件参数， 计算目标用户在预定时间点或预定时间段的期 望利润， 并与预设利润阈值进行比较， 以对目标用户进行风险判断。 0017 优选地， 所述金融风险管理装置还包括： 根据对目标用户的风险判断结果， 定制最 。

14、大化利润的贷款策略、 提额策略、 降额策略或限贷策略。 0018 优选地， 所述金融风险管理装置还包括数据处理模块， 所述数据处理模块使用所 述GBST生存模型， 计算所述目标用户在预定时间点或预定时间段的金融表现数据的预测 值， 进行图形拟合处理， 以生成所述目标用户的金融表现数据的预测分布曲线。 0019 优选地， 所述金融表现数据包括违约概率和/或逾期概率。 0020 优选地， 所述预定时间段为三天、 七天、 十五天、 一个月、 两个月或一年。 0021 优选地， 所述数据处理模块还包括优化模块， 所述优化模块通过利用最小损失函 数， 对使用所述GBST生存模型计算的预测值与真实值的残差。

15、进行优化迭代。 0022 此外， 本发明还提供了一种电子设备， 其中， 该电子设备包括： 处理器； 以及存储计 算机可执行指令的存储器， 所述可执行指令在被执行时使所述处理器执行本发明所述的风 险金融管理方法。 0023 此外， 本发明还提供了一种计算机可读存储介质， 其中， 所述计算机可读存储介质 存储一个或多个程序， 所述一个或多个程序当被处理器执行时， 实现本发明所述的风险金 融管理方法。 0024 有益效果 0025 与现有技术相比， 本发明的金融风险管理方法突破了传统生存分析中强限制性假 设(如生存曲线的假设)， 综合使用用户的多维度特征， 预测精度高， 能够处理非线性异构数 据， 。

16、应用广泛。 此外， 本发明的金融风险管理方法以最大化利润为目标， 可以给用户制定更 加个性化、 更加合理的产品， 能够优化现有的额度、 定价及期数的风险管理策略， 在风险可 控的条件下， 产生更多的利润， 以实现利润最大化； 使用GBST生存模型， 拥有时间维度， 估计 每个用户的长期违约概率， 以用于计算利润或进行深度分析； 能够大大减少每个时间点的 预测概率的误差， 鲁棒性更强； 提高了风险预测的精度， 提升了业务水平。 附图说明 0026 为了使本发明所解决的技术问题、 采用的技术手段及取得的技术效果更加清楚， 下面将参照附图详细描述本发明的具体实施例。 但需声明的是， 下面描述的附图仅。

17、仅是本 说明书 2/8 页 5 CN 111583014 A 5 发明本发明示例性实施例的附图， 对于本领域的技术人员来讲， 在不付出创造性劳动的前 提下， 可以根据这些附图获得其他实施例的附图。 0027 图1是本发明的基于GBST的金融风险管理方法的一示例的流程图。 0028 图2是本发明的基于GBST的金融风险管理方法的应用场景的一示例的图。 0029 图3是本发明的基于GBST的金融风险管理方法的应用场景的另一示例的图。 0030 图4是本发明的基于GBST的金融风险管理方法的另一示例的流程图。 0031 图5是本发明的基于GBST的金融风险管理装置的一示例的结构框图。 0032 图6。

18、是本发明的基于GBST的金融风险管理装置的另一示例的结构框图。 0033 图7是本发明的基于GBST的金融风险管理装置的又一示例的结构框图。 0034 图8是根据本发明的一种电子设备的示例性实施例的结构框图。 0035 图9是根据本发明的计算机可读介质的示例性实施例的结构框图。 具体实施方式 0036 现在将参考附图更全面地描述本发明的示例性实施例。 然而， 示例性实施例能够 以多种形式实施， 且不应被理解为本发明仅限于在此阐述的实施例。 相反， 提供这些示例性 实施例能够使得本发明更加全面和完整， 更加便于将发明构思全面地传达给本领域的技术 人员。 在图中相同的附图标记表示相同或类似的元件、。

19、 组件或部分， 因而将省略对它们的重 复描述。 0037 在符合本发明的技术构思的前提下， 在某个特定的实施例中描述的特征、 结构、 特 性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。 0038 在对于具体实施例的描述中， 本发明描述的特征、 结构、 特性或其他细节是为了使 本领域的技术人员对实施例进行充分理解。 但是， 并不排除本领域技术人员可以实践本发 明的技术方案而没有特定特征、 结构、 特性或其他细节的一个或更多。 0039 附图中所示的流程图仅是示例性说明， 不是必须包括所有的内容和操作/步骤， 也 不是必须按所描述的顺序执行。 例如， 有的操作/步骤还可以分解，。

20、 而有的操作/步骤可以合 并或部分合并， 因此实际执行的顺序有可能根据实际情况改变。 0040 附图中所示的方框图仅仅是功能实体， 不一定必须与物理上独立的实体相对应。 即， 可以采用软件形式来实现这些功能实体， 或在一个或多个硬件模块或集成电路中实现 这些功能实体， 或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。 0041 应理解， 虽然本文中可能使用第一、 第二、 第三等表示编号的定语来描述各种器 件、 元件、 组件或部分， 但这不应受这些定语限制。 这些定语乃是用以区分一者与另一者。 例 如， 第一器件亦可称为第二器件而不偏离本发明实质的技术方案。 0042 术语 “。

21、和/或” 或者 “及/或” 包括相关联的列出项目中的任一个及一或多者的所有 组合。 0043 为了将时间维度引入风险管理， 并且在控制风险的前提下， 制定更加合理的额度、 定价及期数的策略， 同时实现金融企业的利润最大化。 本发明提出一种基于梯度提升生存 树(Gradient Boosting Survival Tree， GBST)的金融风险管理方法。 0044 实施例1 0045 下面， 将参照图1至图4描述本发明的基于GBST的金融风险管理方法。 说明书 3/8 页 6 CN 111583014 A 6 0046 图1为本发明的基于GBST的金融风险管理方法的一示例的流程图。 如图1所示。

22、， 一 种基于GBST的金融风险管理方法， 所述方法包括如下步骤。 0047 步骤S101， 获取历史用户数据集， 根据历史用户数据集建立训练数据集， 所述训练 数据集包括用户特征数据、 条件参数、 金融表现数据。 0048 步骤S102， 构建GBST生存模型， 使用所述训练数据集训练所述GBST生存模型。 0049 步骤S103， 将目标用户的用户特征数据和条件参数输入所述GBST生存模型， 以输 出所述目标用户的金融表现数据的预测分布曲线。 0050 步骤S104， 基于所述目标用户的预测分布曲线， 根据金融产品的最大化利润判断 规则， 定制与所述目标用户相对应的风险管理策略。 0051。

23、 为了更清楚地说明本发明的金融风险管理方法， 将以对借贷类产品进行风险管理 为示例， 进行具体说明。 0052 首先， 在步骤S101中， 获取历史用户数据集， 根据历史用户数据集建立训练数据 集， 其中， 所述训练数据集包括用户特征数据、 条件参数、 金融表现数据。 0053 例如， 从第三方获取历史用户数据集， 对所获取的原始数据进行预处理， 换言之， 进行标准化处理， 并提取或筛选目标数据， 以用于建立训练数据集。 0054 进一步地， 使用预处理后的用户数据， 建立训练数据集， 以用于训练模型。 但是不 限于此， 在其他示例中， 还可以建立测试数据集， 以用于后续进行效果测试或参数调整。

24、等。 0055 在本示例中， 用户特征数据包括年龄、 性别、 职业、 月收入/年收入等。 0056 进一步地， 条件参数包括贷款额度、 贷款期数、 利率和资金成本比例等。 0057 在本示例中， 金融表现数据包括违约概率和/或逾期概率。 0058 需要说明的是， 在本发明中， 金融表现数据是指用户从贷款申请阶段到还款阶段 所表现的数据， 例如包括授信额度、 分期还款、 正常还款、 提前还款、 逾期还款、 动支信息等 数据。 但是不限于此， 上述仅作为优选的示例进行说明， 不能理解成对本发明的限制。 0059 接下来， 在步骤S102中， 构建GBST生存模型， 使用所述训练数据集训练所述GBS。

25、T生 存模型。 0060 在本示例中， 使用GBST算法构建GBST生存模型， 但是不限于此， 例如还可以使用逻 辑回归、 梯度提升树(GBDT)等算法模型， 或者对上述算法模型进行组合使用。 上述这些示例 仅用于说明， 不能理解成对本发明的限制。 0061 进一步地， 构建GBST生存模型还包括输入特征和输出特征， 其中， 输入特征为用户 的用户特征数据和条件参数， 输出特征为用户在预定时间点或预定时间段的金融表现数据 的预测值。 0062 具体地， GBST算法是在梯度提升树(GBDT)算法的基础上， 增加了节点的生存函数。 进一步地， 具体计算过程包括生存树的初始化、 使用的log-ra。

26、nk分离规则以最大化不同节 点之间的生存差异等， 由此， 能够获得时间维度上违约时间、 违约个体的数据， 换言之， 时间 维度上的违约时间、 违约用户的数据。 0063 更具体地， 每个估计节点中的生存函数是： 0064 0065 其中， H0(t， j)是节点j中的基线累积风险函数； Xj， i是每个用户的特征向量， wj是相 说明书 4/8 页 7 CN 111583014 A 7 应的终端节点j的参数向量。 0066 此外， 使用训练数据训练GBST生存模型还包括定义好坏样本。 作为一个具体的例 子， 可以使用 “用户是否发生违约” 来定义好坏样本， 即标签为 “用户是否发生违约” 标签。

27、值 规定为0或1， 其中， 1表示用户没有发生违约， 0表示用户发生违约。 在实际模型计算中， 对于 各用户， 所述生存模型输出的预测值通常是一个0和1之间的数值。 越接近0表示用户违约的 可能性越大(即违约概率越大)。 0067 接下来， 在步骤S103中， 将目标用户的用户特征数据和条件参数输入所述GBST生 存模型， 以输出所述目标用户的金融表现数据的预测分布曲线。 0068 具体地， 获取目标用户的用户特征数据和条件参数， 使用所述GBST生存模型， 计算 所述目标用户在预定时间点或预定时间段的金融表现数据的预测值。 0069 进一步地， 将所计算的金融表现数据的预测值形成的分布图形进。

28、行图形拟合处 理， 以生成所述目标用户的金融表现数据的预测分布曲线。 0070 在本示例中， 预定时间段为三天、 七天、 十五天、 一个月、 两个月或一年。 0071 在另一示例中， 使用测试数据集， 对所述GBST生存模型计算的预测值进行调整， 具 体地， 通过利用最小损失函数， 对真实值与上述预测值的残差进行优化迭代。 0072 需要说明的是， 这里的用户特征数据和金融数据表现值的具体含义和获取方式与 步骤S101中的用户特征数据和金融数据表现值相同， 因此， 省略了对其的描述。 0073 为了进一步实现用户期数、 定价及额度的最优化， 本发明方案的改进在于， 从金融 企业的利润角度出发，。

29、 通过GBST算法计算目标用户的金融表现数据的预测分布曲线， 基于 所述预测分布曲线， 计算最大化利润， 进行贷款产品优化。 0074 在步骤S104中， 基于所述目标用户的预测分布曲线， 根据金融产品的最大化利润 判断规则， 定制与所述目标用户相对应的风险管理策略。 0075 具体地， 使用GBST算法输出的目标用户的预测分布曲线， 计算金融产品的最大化 利润， 具体如下式(2)。 0076 0077 其中， a为每期还款金额； r为贷款利率； 为资金成本比例； V为可获得的总体期望 利润； Pr为用户的生存概率函数表达式(即S(t)Pr(Tt)， 其中， t为时间， 具体同公式 (1)。 。

30、0078 对于最大化利润的计算包括多种实施方式， 以下将进一步说明。 0079 例如， 通过上述计算公式(2)， 能够在每个用户申请借款时估计其在不同额度和期 数及利率定价下可获得的期望利润。 具体地， 根据贷前阶段估计出的利润， 以给用户制定最 大化利润下的额度、 期数及定价， 具体计算结果如图2。 0080 在另一示例中， 对于贷中阶段， 通过上述利润计算方法根据前面计算的长期违约 概率， 可以计算出每个时间段的条件概率， 从而计算出用户在贷中段的违约概率， 估计用户 在贷中不同时间点的期望利润， 从而帮助进行相应的提额策略， 具体计算结果如图3。 0081 进一步地， 基于目标用户的金融。

31、表现数据的预测分布曲线和条件参数， 计算目标 用户在预定时间点或预定时间段的期望利润， 并与预设利润阈值进行比较， 以对目标用户 进行风险判断。 0082 在本示例中， 还包括步骤S401。 如图4所示， 在步骤S401中， 预设利润阈值， 与计算 说明书 5/8 页 8 CN 111583014 A 8 值进行比较， 以用于进行风险判断。 0083 具体地， 基于企业利润的历史数据集， 技术人员例如通过取近一年、 三年或五年的 平均值(或者方差)作为预设利润阈值， 以与计算值进行比较， 来进行风险判断。 0084 优选地， 根据对目标用户的风险判断结果， 定制最大化利润的贷款策略、 提额策 。

32、略、 降额策略或限贷策略， 其中， 风险判断结果包括显著倾向于违约、 略倾向于违约、 略倾向 于不违约、 显著倾向于不违约等结果。 0085 需要说明的是， 上述仅用于说明， 不能理解成对本发明的限制。 0086 与现有技术相比， 本发明的金融风险管理方法突破了传统生存分析中强限制性假 设(如生存曲线的假设)， 综合使用用户的多维度特征， 预测精度高， 能够处理非线性异构数 据， 应用广泛。 0087 此外， 本发明的金融风险管理方法以最大化利润为目标， 可以给用户制定更加个 性化、 更加合理的产品， 能够优化现有的额度、 定价及期数的风险管理策略， 在风险可控的 条件下， 产生更多的利润， 。

33、以实现利润最大化； 使用GBST生存模型， 拥有时间维度， 估计每个 用户的长期违约概率， 以用于计算利润或进行深度分析； 能够大大减少每个时间点的预测 概率的误差， 鲁棒性更强； 提高了风险预测的精度， 提升了业务水平。 0088 实施例2 0089 下面描述本发明的装置实施例， 该装置可以用于执行本发明的方法实施例。 对于 本发明装置实施例中描述的细节， 应视为对于上述方法实施例的补充； 对于在本发明装置 实施例中未披露的细节， 可以参照上述方法实施例来实现。 0090 参照图5、 图6和图7， 本发明还提供了一种基于GBST的金融风险管理装置500， 所述 金融风险管理装置500包括： 。

34、数据获取模块501， 用于获取历史用户数据集， 根据历史用户数 据集建立训练数据集， 所述训练数据集包括用户特征数据、 条件参数、 金融表现数据； 模型 构建模块502， 用于构建GBST生存模型， 使用所述训练数据集训练所述GBST生存模型； 计算 模块503， 用于将目标用户的用户特征数据和条件参数输入所述GBST生存模型， 以输出所述 目标用户的金融表现数据的预测分布曲线； 策略定制模块504， 基于所述目标用户的预测分 布曲线， 根据金融产品的最大化利润判断规则， 定制与所述目标用户相对应的风险管理策 略。 0091 优选地， 所述条件参数包括贷款额度、 贷款期数、 利率和资金成本比例。

35、。 0092 优选地， 如图6所示， 所述金融风险管理装置500还包括比较模块601， 所述比较模 块601基于目标用户的金融表现数据的预测分布曲线和条件参数， 计算目标用户在预定时 间点或预定时间段的期望利润， 并与预设利润阈值进行比较， 以对目标用户进行风险判断。 0093 优选地， 所述金融风险管理装置还包括： 根据对目标用户的风险判断结果， 定制最 大化利润的贷款策略、 提额策略、 降额策略或限贷策略。 0094 优选地， 如图7所示， 所述金融风险管理装置500还包括数据处理模块701， 所述数 据处理模块701使用所述GBST生存模型， 计算所述目标用户在预定时间点或预定时间段的 。

36、金融表现数据的预测值， 进行图形拟合处理， 以生成所述目标用户的金融表现数据的预测 分布曲线。 0095 优选地， 所述金融表现数据包括违约概率和/或逾期概率。 0096 优选地， 所述预定时间段为三天、 七天、 十五天、 一个月、 两个月或一年。 说明书 6/8 页 9 CN 111583014 A 9 0097 优选地， 数据处理模块701还包括优化模块， 所述优化模块通过利用最小损失函 数， 对使用所述GBST生存模型计算的预测值与真实值的残差进行优化迭代。 0098 需要说明的是， 在实施例2中， 省略了与实施例1相同的部分的说明。 0099 本领域技术人员可以理解， 上述装置实施例中。

37、的各模块可以按照描述分布于装置 中， 也可以进行相应变化， 分布于不同于上述实施例的一个或多个装置中。 上述实施例的模 块可以合并为一个模块， 也可以进一步拆分成多个子模块。 0100 实施例3 0101 下面描述本发明的电子设备实施例， 该电子设备可以视为对于上述本发明的方法 和装置实施例的具体实体实施方式。 对于本发明电子设备实施例中描述的细节， 应视为对 于上述方法或装置实施例的补充； 对于在本发明电子设备实施例中未披露的细节， 可以参 照上述方法或装置实施例来实现。 0102 图8是根据本发明的一种电子设备的示例性实施例的结构框图。 下面参照图8来描 述根据本发明该实施例的电子设备20。

38、0。 图8显示的电子设备200仅仅是一个示例， 不应对本 发明实施例的功能和使用范围带来任何限制。 0103 如图8所示， 电子设备200以通用计算设备的形式表现。 电子设备200的组件可以包 括但不限于： 至少一个处理单元210、 至少一个存储单元220、 连接不同系统组件(包括存储 单元220和处理单元210)的总线230、 显示单元240等。 0104 其中， 所述存储单元存储有程序代码， 所述程序代码可以被所述处理单元210执 行， 使得所述处理单元210执行本说明书的上述电子设备处理方法部分中描述的根据本发 明各种示例性实施方式的步骤。 例如， 所述处理单元210可以执行如图1所示的。

39、步骤。 0105 所述存储单元220可以包括易失性存储单元形式的可读介质， 例如随机存取存储 单元(RAM)2201和/或高速缓存存储单元2202， 还可以进一步包括只读存储单元(ROM)2203。 0106 所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工 具2204， 这样的程序模块2205包括但不限于： 操作系统、 一个或者多个应用程序、 其它程序 模块以及程序数据， 这些示例中的每一个或某种组合中可能包括网络环境的实现。 0107 总线230可以为表示几类总线结构中的一种或多种， 包括存储单元总线或者存储 单元控制器、 外围总线、 图形加速端口、 处理单元。

40、或者使用多种总线结构中的任意总线结构 的局域总线。 0108 电子设备200也可以与一个或多个外部设备300(例如键盘、 指向设备、 蓝牙设备 等)通信， 还可与一个或者多个使得用户能与该电子设备200交互的设备通信， 和/或与使得 该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、 调制解调 器等等)通信。 这种通信可以通过输入/输出(I/O)接口250进行。 并且， 电子设备200还可以 通过网络适配器260与一个或者多个网络(例如局域网(LAN)， 广域网(WAN)和/或公共网络， 例如因特网)通信。 网络适配器260可以通过总线230与电子设备200的其它模块通。

41、信。 应当 明白， 尽管图中未示出， 可以结合电子设备200使用其它硬件和/或软件模块， 包括但不限 于： 微代码、 设备驱动器、 冗余处理单元、 外部磁盘驱动阵列、 RAID系统、 磁带驱动器以及数 据备份存储系统等。 0109 通过以上的实施方式的描述， 本领域的技术人员易于理解， 本发明描述的示例性 实施例可以通过软件实现， 也可以通过软件结合必要的硬件的方式来实现。 因此， 根据本发 说明书 7/8 页 10 CN 111583014 A 10 明实施方式的技术方案可以以软件产品的形式体现出来， 该软件产品可以存储在一个计算 机可读的存储介质(可以是CD-ROM， U盘， 移动硬盘等)。

42、中或网络上， 包括若干指令以使得一 台计算设备(可以是个人计算机、 服务器、 或者网络设备等)执行根据本发明的上述方法。 当 所述计算机程序被一个数据处理设备执行时， 使得该计算机可读介质能够实现本发明的上 述方法。 0110 如图9所示， 所述计算机程序可以存储于一个或多个计算机可读介质上。 计算机可 读介质可以是可读信号介质或者可读存储介质。 可读存储介质例如可以为但不限于电、 磁、 光、 电磁、 红外线、 或半导体的系统、 装置或器件， 或者任意以上的组合。 可读存储介质的更 具体的例子(非穷举的列表)包括： 具有一个或多个导线的电连接、 便携式盘、 硬盘、 随机存 取存储器(RAM)、。

43、 只读存储器(ROM)、 可擦式可编程只读存储器(EPROM或闪存)、 光纤、 便携式 紧凑盘只读存储器(CD-ROM)、 光存储器件、 磁存储器件、 或者上述的任意合适的组合。 0111 所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信 号， 其中承载了可读程序代码。 这种传播的数据信号可以采用多种形式， 包括但不限于电磁 信号、 光信号或上述的任意合适的组合。 可读存储介质还可以是可读存储介质以外的任何 可读介质， 该可读介质可以发送、 传播或者传输用于由指令执行系统、 装置或者器件使用或 者与其结合使用的程序。 可读存储介质上包含的程序代码可以用任何适当的介质传输， 。

44、包 括但不限于无线、 有线、 光缆、 RF等等， 或者上述的任意合适的组合。 0112 可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序 代码， 所述程序设计语言包括面向对象的程序设计语言一诸如Java、 C+等， 还包括常规的 过程式程序设计语言-诸如 “C” 语言或类似的程序设计语言。 程序代码可以完全地在用户计 算设备上执行、 部分地在用户设备上执行、 作为一个独立的软件包执行、 部分在用户计算设 备上部分在远程计算设备上执行、 或者完全在远程计算设备或服务器上执行。 在涉及远程 计算设备的情形中， 远程计算设备可以通过任意种类的网络， 包括局域网(LAN)或广域网 。

45、(WAN)， 连接到用户计算设备， 或者， 可以连接到外部计算设备(例如利用因特网服务提供商 来通过因特网连接)。 0113 综上所述， 本发明可以以硬件实现， 或者以在一个或者多个处理器上运行的软件 模块实现， 或者以它们的组合实现。 本领域的技术人员应当理解， 可以在实践中使用微处理 器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者 全部部件的一些或者全部功能。 本发明还可以实现为用于执行这里所描述的方法的一部分 或者全部的设备或者装置程序(例如， 计算机程序和计算机程序产品)。 这样的实现本发明 的程序可以存储在计算机可读介质上， 或者可以具有一个或者多。

46、个信号的形式。 这样的信 号可以从因特网网站上下载得到， 或者在载体信号上提供， 或者以任何其他形式提供。 0114 以上所述的具体实施例， 对本发明的目的、 技术方案和有益效果进行了进一步详 细说明， 应理解的是， 本发明不与任何特定计算机、 虚拟装置或者电子设备固有相关， 各种 通用装置也可以实现本发明。 以上所述仅为本发明的具体实施例而已， 并不用于限制本发 明， 凡在本发明的精神和原则之内， 所做的任何修改、 等同替换、 改进等， 均应包含在本发明 的保护范围之内。 说明书 8/8 页 11 CN 111583014 A 11 图1 图2 说明书附图 1/5 页 12 CN 111583014 A 12 图3 图4 说明书附图 2/5 页 13 CN 111583014 A 13 图5 图6 说明书附图 3/5 页 14 CN 111583014 A 14 图7 图8 说明书附图 4/5 页 15 CN 111583014 A 15 图9 说明书附图 5/5 页 16 CN 111583014 A 16 。