[发明专利]金融风险模型生成方法、装置及电子设备

权利要求书

1.一种金融风险模型生成方法，其特征在于，包括：

获取多个历史用户的金融数据，所述金融数据中包括金融风险状态；

根据所述金融风险状态将所述多个历史用户分别分入正样本用户集合或负样本用户集合；

对正样本用户集合和负样本用户集合中的历史用户的金融数据进行筛选以生成正样本子集合和负样本子集合；以及

基于所述正样本子集合和负样本子集合对机器学习模型进行训练以生成金融风险模型。

2.如权利要求1所述的方法，其特征在于，还包括：

将当前用户的金融数据输入所述金融风险模型中，获取当前用户的金融风险强度；以及

基于所述金融风险强度为所述当前用户生成用户策略。

3.如权利要求1-2中任一所述的方法，其特征在于，所述金融风险状态包括高风险状态和低风险状态；

根据所述金融风险状态将所述多个历史用户分别分入正样本用户集合或负样本用户集合包括：

将高风险的历史用户分入正样本用户集合；以及

将低风险的历史用户分入负样本用户集合。

4.如权利要求1-3中任一所述的方法，其特征在于，对正样本用户集合和负样本用户集合中的历史用户的金融数据进行筛选以生成正样本子集合和负样本子集合包括：

通过异常值监测算法分别对正样本用户集合和负样本用户集合中的历史用户的金融数据进行筛选以生成所述正样本子集合和所述负样本子集合。

5.如权利要求1-4中任一所述的方法，其特征在于，通过异常值监测算法分别对正样本用户集合和负样本用户集合中的历史用户的金融数据进行筛选以生成所述正样本子集合和所述负样本子集合包括：

通过异常值监测算法和正样本用户集合中的历史用户的金融数据生成第一目标超球体；以及

基于所述第一目标超球体对所述正样本用户集合中的历史用户的金融数据进行筛选以生成所述正样本子集合。

6.如权利要求1-5中任一所述的方法，其特征在于，通过异常值监测算法分别对正样本用户集合和负样本用户集合中的历史用户的金融数据进行筛选以生成所述正样本子集合和所述负样本子集合还包括：

通过异常值监测算法和负样本用户集合中的历史用户的金融数据生成第二目标超球体；以及

基于所述第二目标超球体对所述负样本用户集合中的历史用户的金融数据进行筛选以生成所述负样本子集合。

7.如权利要求1-6中任一所述的方法，其特征在于，通过异常值监测算法和正样本用户集合中的历史用户的金融数据生成第一目标超球体包括：

通过所述正样本集合中的历史用户的金融数据和异常值监测算法中的初始超球体方程生成超球体方程组；

确定松弛变量阈值和优化目标；

基于松弛变量阈值和优化目标求取所述超球体方程以获取其最优解；以及

基于所述最优解生成所述第一目标超球体。

8.一种金融风险模型生成装置，其特征在于，包括：

数据模块，用于获取多个历史用户的金融数据，所述金融数据中包括金融风险状态；

集合模块，用于根据所述金融风险状态将所述多个历史用户分别分入正样本用户集合或负样本用户集合；

筛选模块，用于对正样本用户集合和负样本用户集合中的历史用户的金融数据进行筛选以生成正样本子集合和负样本子集合；以及

训练模块，用于基于所述正样本子集合和负样本子集合对机器学习模型进行训练以生成金融风险模型。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。