基于深度学习的智能风控系统

发布时间：2021-07-27 23:48

　　近几年,商业银行发展迅猛,各种业务量增长迅速,在过去的五年,中国银行业已经成长为全世界最大的银行体系,因此国家不断的推出各种监管的政策,强调要坚决抵御和化解新形势下的金融风险。金融风险不断变化,因此建设一套智能风控系统可以有效的帮助商业银行控制风险。成功的风控系统应具备一定的灵活性,可以使我们的业务人员能够集中精力将思路转化为风险模型,从而帮助商业银行挖掘出重要的风险。商业银行在发展的过程中积累了海量的数据,这些数据包括结构化的数据和非结构化的数据,所有的风控模型都是基于这些数据的基础上建立的。由于数据量巨大,传统的数据库已经很难处理这些海量的数据。银行一直以来都希望建立自己的全面的智能风控系统。而如果银行的智能风控系统只是关注的是银行的内部结构化数据,显然是片面的,因为银行客户的外部风险是无法知晓的,并且隐藏在非结构化数据的风险是无法揭示的。因此非常有必要将外部数据和内部数据结合起来进行分析,形成一个闭环。本文的智能风控系统是专门为银行的审计部门开发的。本项目结合了大数据技术以及人工智能技术,探索通过内置分析工具与监测模块,帮助银行监控各种违规的事件。本文针对于智能风控系统设计与实现... 

【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校

【文章页数】：89 页

【学位级别】：硕士

【部分图文】：

LSTM结构图

Ｆｉｇｕｒｅ?２－２?Ｆｕｎｃｔｉｏｎ?Ｄｉａｇｒａｍ?ｏｆ?Ｓｉｇｍｏｄ??数优点：??函数的输出映射在（０，?１）之间，单调连续，输出范出层。??易。??数缺点：??的软饱和性，使得深度神经网络在二三十年里一直络发展的重要原因。具体来说，在后向传递过程导的梯度所包含的一个因子。如果输入落入了饱和而会使向底层传递的梯度也会变得很小。此时，神行训练。这种现象被称为梯度消失。一般来说，ｓｉｇ梯度消失现象。??不是以０为中心的。??ｏｉｄ函数我们通常更倾向于ｔａｎｈ函数。ｔａｎｈ函数公

：??函数的输出映射在（０，?１）之间，单调连续，输出范围出层。??易。??数缺点：??的软饱和性，使得深度神经网络在二三十年里一直难络发展的重要原因。具体来说，在后向传递过程中，导的梯度所包含的一个因子。如果输入落入了饱和区，而会使向底层传递的梯度也会变得很小。此时，神经行训练。这种现象被称为梯度消失。一般来说，ｓｉｇｍ梯度消失现象。??并不是以０为中心的。??ｏｉｄ函数我们通常更倾向于ｔａｎｈ函数。ｔａｎｈ函数公式＝＾－＾＾＇＾


本文编号：3306781