买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：信雅达科技股份有限公司;杭州昊清科技有限公司;浙江中正智能科技有限公司

摘要：本发明公开了一种基于金融序列生成技术的金融交易风险控制方法，具体涉及于金融风控技术领域，包括以下步骤获取多个历史时间点的银行内部数据以及银行外部数据以形成第一训练数据集与测试数据集，其中，所述银行内部数据为客户金融交易数据、用户账户信息和操作规范，所述银行外部数据为征信信息；S02、将历史金融交易数据输入训练好的金融序列生成模块中，生成包含异常交易模式的金融交易序列后存入金融交易数据库，以形成第二训练数据集。该发明利用深度学习、时间序列生成、多元时间序列处理等技术，深度挖掘已有的银行内外部数据信息，以提高金融交易模型的风险识别和防范能力，保障金融交易的安全。

主权项：1.一种基于金融序列生成技术的金融交易风险控制方法，其特征在于，包括以下步骤：S01、获取多个历史时间点的银行内部数据以及银行外部数据以形成第一训练数据集与测试数据集，其中，所述银行内部数据为客户金融交易数据、用户账户信息和操作规范，所述银行外部数据为征信信息；S02、将历史金融交易数据输入训练好的金融序列生成模块中，生成包含异常交易模式的金融交易序列后存入金融交易数据库，以形成第二训练数据集；所述金融序列生成模块的训练包括：S21、采用尺度不变子序列聚类算法，将输入的金融交易序列划分为长度可变的段，并根据经过适当的持续时间和幅度缩放后呈现相似的形状原则来将它们分组为s个不同的类，以形成s种交易模式；S22、通过词嵌入模块获取专家知识的知识向量数据，并利用注意力模块来指导异常模式的提取，提取到异常模式后，通过扩模型对异常模式进行数据生成；S23、所述步骤S23扩模型对异常模式扩散过程中，在K个步骤中逐渐添加高斯噪声来逐渐扰动模式表示，直到其变为纯噪声，而在去噪过程中，在相同步骤中逐渐去除噪声来恢复原始表示的纯噪声，相当于学习从潜在高斯空间到模式空间的映射，给定一个高斯噪声可以生成一个模式表示；所述步骤S21中采用动态时间规整来计算两个段之间的逐点对齐最小成本，识别形状相似但持续时间和幅度不同的片段中的相似性： ；其中，B表示所有可能的对齐，A表示序列x和y在所有可能对齐中的一个具体比对；而序列x和y之间的逐点距离矩阵为其中;表示xi和yi之间的距离，和分别表示序列x和y的元素索引；所述步骤S23中扩散网络首先应用以下扩散过程，通过在R个步骤中添加噪声来逐渐扰动模式表示，直至变为纯噪声： ；其中，表示各段的大小，表示噪声的强度，表示高斯噪声，表示添加噪声的过程；在去噪过程，通过在R个步骤中从先验高斯噪声中恢复目标序列： ；其中，是学习每一步去噪梯度的神经网络，上标i表示扩散和去噪过程中的步骤；S03、基于获取的所述第一训练数据集与测试数据集进行训练以生成如下模型：S31、金融交易风险预测模型、将第一训练数据集输入图卷积神经网络训练得到能够预测金融交易风险；S32、金融交易异常检测模型，将从第一训练集数据中提取出来的正常交易模式数据输入自编码器框架中，经过编码器学习正常数据的特征，再通过解码器将学习到的特征重构出与输入数据尽可能接近的数据，以训练解码器的数据重构能力；S33、金融交易异常等级分类模型，从已标记的金融交易数据集中获取异常交易样本，并根据异常程度分为不同等级，并结合卷积神经网络和长短期记忆网络对这些数据进行训练，最后评估模型性能并将其应用于实际交易数据后给定措施；S04、将所述第二训练数据集分别输入上述模型中进行预测；S41、通过金融交易风险预测模型，预测可能出现交易风险的时间点，并及时通知金融机构做好事前防御措施；S42、利用事先收集好的银行外部数据以及银行内部数据建立客户黑、白、灰名单，通过注意力机制将其输入金融交易异常检测模型，判断实时交易模式是否异常；S43、若步骤S42判断为异常，则将其输入至金融交易异常等级分类模型中，判断风险等级，并生成相应的风险等级的措施以通知客户与工作人员，同时更新风险量化库。

全文数据：

权利要求：

百度查询： 信雅达科技股份有限公司 杭州昊清科技有限公司 浙江中正智能科技有限公司 一种基于金融序列生成技术的金融交易风险控制方法