(19)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 202210372286.0 (22)申请日 2022.04.11 (71)申请人 中国工商银行股份有限公司 地址 100140 北京市西城区复兴门内大街 55号 (72)发明人 董新江　温丽明　梁森　张佩玉　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 专利代理师 刘熔　董骁毅 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 40/02(2012.01) G06Q 40/04(2012.01) G06N 20/00(2019.01) (54)发明名称 大额敞口风险的预测方法及装置 (57)摘要 本发明提供一种大额敞口风险的预测方法 及装置， 涉及金融领域。 该方法包括： 获取预设时 间窗口内的历史风险数据和实时风险数据， 所述 风险数据包括业务数据及币种汇 率数据； 使用预 先建立的影响因子确定模型对所述预设时间窗 口内的历史风险数据和实时风险数据进行分析 处理， 得到 大额敞口的影 响因子； 其中， 所述影 响 因子确定模型是根据多个历史风险数据训练得 到的； 根据所述时间窗口内的实时风险数据以及 所述大额敞口的影响因子确定大额敞口风险预 测结果。 本申请通过历史数据和实时数据的多数 据采集， 实现数据源的动态扩展； 使用大数据和 机器学习技术探测各业务类型对大额敞口的影 响因子， 提高了风险预测的准确性。 权利要求书2页 说明书10页 附图5页 CN 114638439 A 2022.06.17 CN 114638439 A 1.一种大额敞口风险的预测方法， 其特 征在于， 包括： 获取预设时间窗口内经用户授权的历史风险数据和实时风险数据， 所述风险数据包括 业务数据及币种汇率数据； 使用预先建立的影响因子确定模型对所述预设时间窗口内的历史风险数据和实时风 险数据进 行分析处理， 得到大额敞口的影响因子； 其中， 所述影响因子确定模型是根据多个 历史风险数据以及对应的历史大额敞口风险数据训练得到的； 根据所述时间窗口内的实时风险数据以及所述大额敞口的影响因子确定大额敞口风 险预测结果。 2.根据权利要求1所述的大额敞口风险的预测方法， 其特征在于， 建立所述影响因子确 定模型的步骤 包括： 获取经用户授权的多个历史风险数据， 所述历史风险数据包括历史业务数据、 历史大 额敞口数据及历史币种汇率数据； 对所述历史业 务数据进行 特征提取， 得到对应的特 征值数据； 根据所述特 征值数据与所述历史大额敞口数据得到样本数据集； 使用所述样本数据集对预先建立的机器学习 模型进行训练， 得到对应影响因子确定模 型。 3.根据权利要求2所述的大额敞口风险的预测方法， 其特征在于， 所述根据所述特征值 数据与所述历史大额敞口数据得到样本数据集， 包括： 将所述特 征值数据与外 部通用参数进行匹配， 得到大额敞口计算决策树； 采用随机森林方法对所述大额敞口计算决策树进行重采样， 并将重采样得到的数据与 所述历史大额敞口数据进行时间点匹配， 得到所述样本数据集。 4.根据权利要求2所述的大额敞口风险的预测方法， 其特征在于， 所述使用所述样本数 据集对预 先建立的机器学习模型进行训练， 得到对应的影响因子确定模型， 包括： 将所述样本数据集分为训练集和 测试集； 使用所述训练集对所述预 先建立的机器学习模型进行初始训练； 使用所述测试集对初始训练后的机器学习 模型进行检验和优化训练， 得到所述影响因 子确定模型。 5.根据权利要求4所述的大额敞口风险的预测方法， 其特征在于， 所述使用所述训练集 对所述预 先建立的机器学习模型进行初始训练， 包括： 将所述训练集分为多组训练数据， 每组包括多条训练数据； 分别使用每组训练数据对预 先建立的机器学习模型进行训练， 得到多个 基学习器； 使用分类算法或回归算法将所述多个基学习器结合， 得到初始训练后的机器学习模 型。 6.根据权利要求2所述的大额敞口风险的预测方法， 其特征在于， 对所述历史风险数据 进行特征提取之前， 还 包括： 对所述历史业 务数据进行 数据筛选、 缺失数据处 理以及异常数据剔除。 7.根据权利要求1所述的大额敞口风险的预测方法， 其特征在于， 所述根据所述时间窗 口内的实时风险数据以及所述大额敞口 的影响因子确定大额敞口风险预测结果， 包括： 根据所述时间窗口内的实时风险数据以及所述大额敞口的影响因子得到大额敞口预权　利　要　求　书 1/2 页 2 CN 114638439 A 2测数据； 根据所述大额敞口预测数据以及预设的预警规则生成风险预警信息 。 8.一种大额敞口风险的预测装置， 其特 征在于， 包括： 数据获取模块， 用于获取预设时间窗口内经用户授权的历史风险数据和实时风险数 据， 所述风险数据包括 业务数据及币种汇率数据； 影响因子确定模块， 用于使用预先建立的影响因子确定模型对所述预设时间窗口内的 历史风险数据和实时风险数据进 行分析处理， 得到大额敞口的影响因子； 其中， 所述影响因 子确定模型 是根据多个历史风险数据以及对应的历史大额敞口风险数据训练得到的； 风险预测模块， 用于根据所述 时间窗口内的实时风险数据以及所述大额敞口的影响因 子确定大额敞口风险预测结果。 9.一种电子设备， 其特 征在于， 包括： 中央处理器、 存储器、 通信模块， 所述存储器中存储有计算机程序， 所述中央处理器可 调用所述计算机程序， 所述中央处理器执行所述计算机程序时实现如权利要求 1至7中任一 项所述的大额敞口风险的预测方法。 10.一种计算机可读存储介质， 用于存储计算机程序， 其特征在于， 所述计算机程序被 处理器执行时实现如权利要求1至7中任一项所述的大额敞口风险的预测方法。权　利　要　求　书 2/2 页 3 CN 114638439 A 3