本技術涉及金融服務，尤其涉及一種金融風險預測方法、預測裝置及計算機設備。

背景技術：

1、在金融服務業(yè)領域，精確預測金融風險對于金融機構及投資者而言至關重要。傳統(tǒng)金融風險評估方法主要依賴于專家的經(jīng)驗和靜態(tài)評分模型，這些方法在應對復雜多變的金融市場時往往顯得力有未逮。隨著大數(shù)據(jù)和人工智能技術的進步，運用機器學習和深度學習算法進行金融風險預測已成為現(xiàn)實。

2、然而，現(xiàn)行的金融風險預測方法仍面臨若干問題。例如，眾多方法在特征選擇和模型訓練階段缺乏有效的交叉驗證技術，這導致模型的泛化能力不足。此外，現(xiàn)有的預測模型通常僅關注單一風險因素，而忽視了金融交易中可能存在的多種風險因素之間的相互作用。

技術實現(xiàn)思路

1、本發(fā)明的主要目的在于提供一種金融風險預測方法，旨在提高金融交易的穩(wěn)定性和對風險的預測精度。

2、為實現(xiàn)上述目的，本發(fā)明提供一種金融風險預測方法，所述金融風險預測方法包括：

3、獲取用戶的多個歷史金融交易數(shù)據(jù)，所述金融交易數(shù)據(jù)包括信貸記錄、還款記錄、消費記錄以及投資記錄；

4、基于第一信用評估模型和所述歷史金融交易數(shù)據(jù)對用戶進行信用評估，確定預測信用評分；

5、將所述預測信用評分導入多任務二分類預測模型進行計算，以預測用戶在金融交易過程中潛在的風險因素，并確定與所述風險因素對應的金融風險，生成用戶的個性化風險報告。

6、可選地，所述基于第一信用評估模型和所述金融交易數(shù)據(jù)對用戶進行信用評估，確定預測信用評分的步驟，包括：

7、獲取用戶在距當前預設時間段內(nèi)的當前金融交易數(shù)據(jù)，所述當前金融交易數(shù)據(jù)包括當前信貸申請、當前還款行為以及當前消費模式；

8、基于所述第一信用評估模型對收集到的歷史金融交易記錄進行分析，提取出影響用戶信用評分的關鍵因素，所述關鍵因素包括逾期還款次數(shù)、信用額度使用率或消費習慣；

9、計算用戶與所述關鍵因素對應的初步信用評分，并將該評分與行業(yè)標準或歷史數(shù)據(jù)進行對比，以確定用戶的信用狀況的相對位置；

10、結合用戶的信用狀況的相對位置以及當前金融交易數(shù)據(jù)，以動態(tài)調(diào)整初步信用評分，確定用戶的預測信用評分。

11、可選地，所述基于所述第一信用評估模型對收集到的歷史金融交易記錄進行分析，提取出影響用戶信用評分的關鍵因素的步驟，包括：

12、數(shù)據(jù)清洗歷史金融交易記錄，以剔除不完整、錯誤或異常的歷史金融交易記錄；

13、基于統(tǒng)計分析方法，識別數(shù)據(jù)清洗后的所述歷史金融交易記錄中與用戶信用評分對應的金融交易特征，所述金融交易特征包括還款記錄、信用額度使用率以及逾期次數(shù)；

14、基于機器學習算法，篩選出消費記錄、瀏覽歷史和行為習慣滿足預設要求的所述金融交易特征；

15、將篩選后的所述金融交易特征進行組合，生成多個特征組，并基于交叉驗證技術，評估各所述特征組對信用評分的影響程度，以確定影響用戶信用評分的關鍵因素。

16、可選地，所述將篩選后的所述金融交易特征進行組合，生成多個特征組，并基于交叉驗證技術，評估各所述特征組對信用評分的影響程度，以確定影響用戶信用評分的關鍵因素的步驟，包括：

17、對篩選后的金融交易特征進行分層抽樣，以使每一特征組包含不同類別的特征；

18、基于所述交叉驗證技術，將數(shù)據(jù)集劃分為訓練集和驗證集，通過多次迭代，以使每個特征組在不同數(shù)據(jù)子集上進行測試，記錄各所述特征組在驗證集的實際表現(xiàn)，以確定各特征組對信用評分的影響程度，生成對應的評估結果，所述實際表現(xiàn)包括準確率、召回率和f1分數(shù)；

19、比對各特征組之間的評估結果，識別出對信用評分貢獻最大的特征組，并確定該特征組為關鍵因素。

20、可選地，所述預測方法還包括：

21、獲取對應用戶的多個歷史信用數(shù)據(jù)；

22、對所述歷史信用數(shù)據(jù)進行預處理，并構建與該些歷史信用數(shù)據(jù)相關的初始信用評估模型；

23、基于機器學習算法，將當前金融交易數(shù)據(jù)導入至所述初始信用評估模型進行訓練，以生成中間信用評估模型；

24、對所述中間信用評估模型進行驗證和測試，篩選出滿足預設指標表現(xiàn)的中間信用評估模型，并將滿足指標表現(xiàn)的中間信用評估模型作為第一信用評估模型。

25、可選地，所述將所述預測信用評分導入多任務二分類預測模型進行計算，以預測用戶在金融交易過程中潛在的風險因素，并確定與所述風險因素對應的金融風險，生成用戶的個性化風險報告的步驟，包括：

26、將所述預測信用評分與用戶的歷史金融交易數(shù)據(jù)一起作為輸入，輸入至多任務二分類預測模型中；

27、在多任務二分類預測模型中，利用深度學習算法對輸入數(shù)據(jù)進行特征提取和模式識別，以識別出潛在的風險因素；

28、將識別出的風險因素與預設的風險類別進行匹配，確定用戶在金融交易過程中可能面臨的風險類型，并生成對應的匹配結果，所述匹配結果包括信用風險、市場風險或流動性風險；

29、為用戶生成與所述匹配結果對應的個性化的風險報告；所述風險報告包括用戶可能面臨的風險類型、用戶可能面臨的風險程度以及相應的預防和應對措施。

30、可選地，所述在多任務二分類預測模型中，利用深度學習算法對輸入數(shù)據(jù)進行特征提取和模式識別，以識別出潛在的風險因素的步驟，包括：

31、基于卷積神經(jīng)網(wǎng)絡對輸入數(shù)據(jù)進行初步的特征提取，以捕捉金融交易數(shù)據(jù)中的空間相關性；

32、基于循環(huán)神經(jīng)網(wǎng)絡或長短期記憶網(wǎng)絡處理時間序列數(shù)據(jù)，以識別金融交易記錄中的時間依賴性特征；

33、基于注意力機制，對不同特征的重要性進行動態(tài)加權，以提高所述多任務二分類預測模型對關鍵風險因素的敏感度；

34、根據(jù)所述金融交易數(shù)據(jù)中的空間相關性、金融交易記錄中的時間依賴性特征以及提高敏感度后的多任務二分類預測模型，對所述模式識別，并確定潛在的風險因素；

35、所述將識別出的風險因素與預設的風險類別進行匹配，確定用戶在金融交易過程中可能面臨的風險類型，并生成對應的匹配結果的步驟，包括：

36、構建一個風險因素與風險類別之間的映射關系數(shù)據(jù)庫，所述映射關系數(shù)據(jù)庫包括各種風險因素與風險類別的對應關系；

37、將識別出的風險因素導入至所述映射關系數(shù)據(jù)庫中，以確定對應的風險類別，并生成與所述風險類別相對應的用戶在金融交易過程中可能面臨的風險類型，所述風險類型包括信用風險、市場風險、流動性風險、操作風險以及法律風險；

38、將匹配出的風險類型確定為匹配結果。

39、可選地，所述獲取用戶的多個歷史金融交易數(shù)據(jù)的步驟，包括：

40、基于用戶授權許可，從多個金融機構和支付平臺收集用戶的交易記錄、賬戶信息和信用歷史數(shù)據(jù)，以生成所述歷史金融交易數(shù)據(jù)。

41、此外，為實現(xiàn)上述目的，本發(fā)明還提供一種預測裝置，所述預測裝置包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的金融風險預測程序，所述金融風險預測程序配置為實現(xiàn)如上所述的金融風險預測方法。

42、此外，為實現(xiàn)上述目的，本發(fā)明還提供一種計算機設備，包括如上所述的預測裝置。

43、本發(fā)明實施例通過獲取用戶的多個歷史金融交易數(shù)據(jù)，并基于第一信用評估模型對歷史金融交易數(shù)據(jù)進行信用評估，從而確定預測信用評分，并導入至多任務二分類預測模型進行計算，以預測用戶在金融交易過程中潛在的風險因素，最終確定與風險因素對應的金融風險，生成用戶的個性化風險報告，從而為用戶提供定制化的金融建議，提高金融交易的穩(wěn)定性和對風險的預測精度。