[发明专利]金融机构风险预警方法、装置、电子设备和介质

权利要求书

1.一种金融机构风险预警方法，其特征在于，包括：

利用金融机构各分部的经营异常历史数据拟合关联度模型，其中，所述关联度模型是用于反映各个分量间联合概率密度分布关系强弱的相依结构模型；

根据所述关联度模型计算肯德尔秩相关系数、斯皮尔曼相关系数和皮尔逊相关系数；

将所述肯德尔秩相关系数、斯皮尔曼相关系数和皮尔逊相关系数进行加权求和，得到综合关联度矩阵，其中，所述综合关联度矩阵用于衡量所述各分部之间的经营异常关联度；

响应于存在经营异常的数量高于数额阈值的第一目标分部，根据所述综合关联度矩阵中表示所述第一目标分部的目标行，以及所述目标行中各个行元素的值，确定与所述第一目标分部的关联度符合关联度阈值的待预警分部。

2.根据权利要求1所述的方法，其特征在于，所述关联度模型为R-vine copula模型或者truncated R-vine copula模型。

3.根据权利要求1或2所述的方法，其特征在于，还包括：

针对任意的第二目标分部，根据所述综合关联度矩阵中各元素值的大小，提取与所述第二目标分部的关联度符合所述关联度阈值的至少一个关联分部；

将所述第二目标分部和至少一个关联分部组成经营异常的风险传导链。

4.根据权利要求3所述的方法，其特征在于，还包括：

将每个所述关联分部各自在当前时间段的经营异常数据，输入预先训练的LightGBM模型，利用所述LightGBM模型对所述第二目标分部在所述当前时间段后的未来时间段内的经营异常数量进行预测。

5.根据权利要求4所述的方法，其特征在于，所述LightGBM模型的训练过程包括：

获取多个所述第二目标分部及其风险传导链的样本数据，其中，所述样本数据中包括各分部的经营异常数据；

将每个所述风险传导链中的至少一个关联分部的经营异常数据输入预先搭建的LightGBM模型中作为特征数据，以每个所述风险传导链中的第二目标分部的经营异常数据作为预测对象，对所述LightGBM模型进行训练；

其中，用于模型训练的所述第二目标分部的经营异常数据对应的时间周期，晚于与之对应的至少一个关联分部的经营异常数据对应的时间周期。

6.根据权利要求1所述的方法，其特征在于，所述利用金融机构各分部的经营异常历史数据拟合关联度模型，包括：

获取过去设定时间内所述各分部的经营异常历史数据，得到经营异常历史数据矩阵，其中，所述经营异常历史数据矩阵中的各列对应所述各分部，各行对应各时间周期内的经营异常历史数据；

将所述经营异常历史数据矩阵中的各列数据，按样本分位点值进行转换，得到经转换的经营异常历史数据矩阵；

将所述经转换的经营异常历史数据矩阵代入预先构造的关联度模型进行拟合。

7.根据权利要求6所述的方法，其特征在于，所述将所述经营异常历史数据矩阵中的各列数据，按样本分位点值进行转换，得到经转换的经营异常历史数据矩阵，包括：

将所述经营异常历史数据矩阵中的各列数据按照大小顺序进行排序，排序后得到各列的样本总体；

将经排序的各列数据中的每个数据，转化为其在各列样本总体中对应的分位点值，其中，所述分位点值的取值范围为0至1；

根据所述每个数据对应的分位点值得到所述经转换的经营异常历史数据矩阵。

8.根据权利要求7所述的方法，其特征在于，其中，所述将所述经营异常历史数据矩阵中的各列数据，按样本分位点值进行转换，得到经转换的经营异常历史数据矩阵，还包括：

在不改变所述排序的顺序的情况下，将所述每个数据在各列样本总体对应的分位点值中出现的极值进行缩放。