(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 202111643919.9 (22)申请日 2021.12.2 9 (71)申请人 中国建设银行股份有限公司 地址 100033 北京市西城区金融大街25号 (72)发明人 陈鹏　 (74)专利代理 机构 北京品源专利代理有限公司 11332 代理人 康欢欢 (51)Int.Cl. G06Q 40/00(2012.01) G06K 9/62(2022.01) G06F 17/18(2006.01) G06Q 10/06(2012.01) (54)发明名称 金融机构风险预警方法、 装置、 电子设备和 介质 (57)摘要 本申请公开了一种金融机构风险预警方法、 装置、 电子设备、 介质和程序产品， 涉及大数据技 术领域。 所述方法包括： 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； 根据关联度 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； 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， 根据综合关联 度矩阵中表 示第一目标分部的目标行， 以及目标 行中各个行元素的值， 确定与第一目标分部的关 联度符合关联度阈值的待预警分部。 本申请的技 术方案可以通过分析各分部间经营异常的关联 度， 对可能存在经营异常风险的金融机构分部进 行预警。 权利要求书2页 说明书10页 附图5页 CN 114169993 A 2022.03.11 CN 114169993 A 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；权　利　要　求　书 1/2 页 2 CN 114169993 A 2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。 9.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 在所述拟合关联度模型的过程中， 利用AIC准则对拟合的结构进行评判； 其中， 所述评判的目的是从模型参数的多个局部最优解中确定全局最优解， 所述关联 度模型是根据所述评判的结果得到 。 10.根据权利要求6所述的方法， 其特征在于， 所述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， 包括： 获取过去设定时间内所述各分部每周的经 营异常历史数据； 对所述经营异常历史数据进行数据预处理， 其中， 所述数据预处理包括如下中至少之 一： 数据清洗、 数据补足、 数据去除、 数据标准 化或数据变换； 根据所述数据预处 理后的经 营异常历史数据， 形成所述经 营异常历史数据矩阵。 11.一种金融机构风险预警装置， 其特 征在于， 包括： 模型拟合模块， 用于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； 相关系数计算模块， 用于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； 综合关联度矩阵获取模块， 用于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； 预警模块， 用于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 。 12.一种电子设备， 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 ‑10中任一所述的金融机构风险预警方法。 13.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器 执行时实现如权利要求1 ‑10中任一所述的金融机构风险预警方法。 14.一种计算机程序产品， 包括计算机程序， 其特征在于， 所述计算机程序在被处理器 执行时实现根据权利要求1 ‑10中任一项所述的金融机构风险预警方法。权　利　要　求　书 2/2 页 3 CN 114169993 A 3