[发明专利]风控模型的动态调整方法、装置、设备及可读存储介质

说明书

本发明涉及金融科技(Fintech)技术领域，公开了一种风控模型的动态调整方法、装置、设备及可读存储介质，该方法包括：获取离线的信用行为数据，并将所述离线的信用行为数据作为离线训练样本；根据所述离线训练样本对预设模型进行训练，得到训练完成所述预设模型后对应的风控模型；实时持续获取海量的在线的信用行为数据，并对所述在线的信用行为数据执行分布式处理操作，得到在线训练样本；根据所述在线训练样本和所述离线训练样本，对所述风控模型进行训练，得到新的风控模型。本发明的风控模型具有自迭代能力，能够随着时间的推移进行自迭代更新，提升了风控模型的模型性能以及预警效果。

技术领域

本发明涉及金融科技(Fintech)领域，尤其涉及一种风控模型的动态调整方法、装置、设备及可读存储介质。

背景技术

随着计算机技术的发展，越来越多的技术(大数据、分布式、人工智能等)应用在金融领域，传统金融业正在逐步向金融科技(Fintech)转变，但由于金融行业的安全性、通用性要求，也对风险预警技术提出了更高的要求。

现有技术为在事先发生不符合预期的欺诈损失之后，再根据客户的历史数据(包括欺诈数据和正常数据)，利用离线分析建模的手段(如循环神经网络RNN、文本分析技术)，进行构建风控模型，再根据风控模型进行风险预警。但是，实际上，由于欺诈手段层出不穷，有些手段针刻意逃避原有的风控系统，不同的欺诈手段对于风控系统的攻击程度不同，由于风控模型不具有自迭代功能，长此以往导致风控模型无法动态调整，导致风控模型的预警效果差的技术问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种风控模型的动态调整方法、装置、设备及可读存储介质，旨在解决风控模型的预警效果差的技术问题。

为实现上述目的，本发明提供一种风控模型的动态调整方法，所述风控模型的动态调整方法包括以下步骤：

获取离线的信用行为数据，并将所述离线的信用行为数据作为离线训练样本；

根据所述离线训练样本对预设模型进行训练，得到训练完成所述预设模型后对应的风控模型；

实时持续获取海量的在线的信用行为数据，并对所述在线的信用行为数据执行分布式处理操作，得到在线训练样本；

根据所述在线训练样本和所述离线训练样本，对所述风控模型进行训练，得到新的风控模型。

可选地，所述根据所述在线训练样本和所述离线训练样本，对所述风控模型进行训练，得到新的风控模型的步骤之后，还包括：

获取待检测事件，并根据所述新的风控模型，确定所述待检测事件是否属于欺诈事件；

若所述待检测事件属于欺诈事件，则对所述欺诈事件执行风险预警操作。

可选地，所述根据所述新的风控模型，确定所述待检测事件是否属于欺诈事件的步骤包括：

根据所述新的风控模型，确定所述新的风控模型对应的目标反欺诈阈值；

根据所述新的风控模型，确定所述待检测事件对应的欺诈值；

基于所述欺诈值和所述目标反欺诈阈值，确定所述待检测事件是否属于欺诈事件。

可选地，所述基于所述欺诈值和所述目标反欺诈阈值，确定所述待检测事件是否属于欺诈事件的步骤包括：

若所述欺诈值大于或等于所述目标反欺诈阈值，则将所述待检测事件作为欺诈事件；

若所述欺诈值小于所述目标反欺诈阈值，则将所述待检测事件作为正常事件。

可选地，所述实时持续获取海量的在线的信用行为数据的步骤之后，还包括：