一种业务风险识别方法及系统与流程

1.本发明涉及互联网金融业务的风险控制领域，具体涉及一种业务风险识别方法及系统。


背景技术：

2.在当今快速发展的互联网金融领域，信息技术的迅速进步为金融业务创新和发展提供了丰富的机会，但也伴随着多样化和复杂化的风险。其中，信息不对称风险指的是参与交易或合作的各方由于信息水平不同，而导致一方在决策时面临不确定性和潜在的风险。首先，投资和理财业务面临信息不对称风险的困扰。在互联网平台上，投资者往往难以获得充分透明的项目信息，无法准确评估项目的风险和预期收益，这使得投资者难以做出明智的决策，可能导致选择高风险项目或错失潜在机会。其次，信贷业务也面临类似问题。在互联网消费信贷业务中，借款人的信用情况可能被低估或高估，从而导致借贷双方在合作过程中遭受损失，信息不对称可能助长了虚假宣传、隐瞒风险等不良行为，加剧了市场不稳定。此外，金融科技创新也会受到了信息不对称风险的影响，金融科技创新如区块链和智能合约等技术在应用时，可能因为技术复杂性而使投资者和用户难以理解其风险和机制。因此，亟需一种业务风险识别方法及系统，以及早识别互联网金融业务中潜在的信息不对称风险。


技术实现要素：

3.针对现有技术的不足以及实际应用的需求，第一方面，本发明提供了一种业务风险识别方法，旨在识别互联网金融业务中潜在的信息不对称风险。本发明所提供的所述业务风险识别方法，包括如下步骤：选取一项或者多项目标业务，并确定所述目标业务的利益相关方，所述利益相关方的数量包括两个或者两个以上；获取所述目标业务的多维数据，并获取不同利益相关方对所述多维数据的了解程度；根据所述了解程度标注多维数据，并以所述利益相关方为聚类中心聚类标注后的多维数据；利用不同利益相关方的聚类结果，获取不同利益相关方之间的信息不对称度以及信息分布系数；结合所述信息不对称度以及所述信息分布系数，识别不同利益相关方基于所述目标业务的信息不对称风险。本发明针对互联网金融业务中的信息不对称风险问题，提供了一种创新的业务风险识别方法。本发明通过分析目标业务的多个利益相关方对其多维数据的了解程度，计算相应的信息不对称度和信息分布系数，实现了不同利益相关方之间的信息不对称风险。本发明方法为互联网金融领域提供了准确的信息不对称风险识别工具，有助于及早发现潜在信息不对称风险，为业务决策提供有力支撑。
4.可选地，所述业务风险识别方法，还包括如下步骤：设置信息不对称度风险阈值，当所述信息不对称风险超出所述信息不对称度风险阈值时触发预警机制。本可选项增加了信息不对称风险的实时监测，通过设置对应的信息不对称度风险阈值，一旦信息不对称风险超出阈值，将自动触发预警机制，及时提醒业务参与者，有助于快速应对潜在风险。
5.可选地，所述获取不同利益相关方对所述多维数据的了解程度，包括如下步骤：整理所述多维数据，并剔除所述多维数据中的敏感数据；基于整理后的多维数据，设计对应的了解程度调查表；利用所述了解程度调查表，获取不同利益相关方对多维数据的了解程度。本可选项提供了一个合理有效的方法来获取利益相关方对多维数据的了解程度，并通过整理数据、设计调查表并收集反馈，使后续分析更客观准确，为后续信息不对称风险评估提供了更有价值的信息。
6.可选地，所述根据所述了解程度标注多维数据，并以所述利益相关方为聚类中心聚类标注后的多维数据，包括如下步骤：根据所述了解程度标注所述多维数据，被标注后的多维数据中任一维数据包括至少两个利益相关方标签以及利益相关方标签对应的了解程度标签；汇总标注好的多维数据，并将多利益相关方标签的数据分裂成单利益相关方标签的数据；汇总单利益相关方标签的数据，并以不同利益相关标签为聚类中心进行特征聚类。本可选项通过多维数据的标注和聚类，为后续分析提供更精准的信息，使信息不对称风险评估更具深度和可操作性。
7.可选地，所述利用不同利益相关方的聚类结果，获取不同利益相关方之间的信息不对称度以及信息分布系数，包括如下步骤：根据所述多维数据的维度特征，构建信息分布表达矩阵；利用聚类结果结合所述信息分布表达矩阵，分别构建不同利益相关方的信息分布矩阵；根据不同利益相关方的信息分布矩阵中在不同维度的数据表现，获得不同利益相关方之间的信息不对称度以及信息分布系数。本可选项通过信息分布矩阵的构建和分析，量化了不同利益相关方之间的信息不对称度和分布情况，为信息不对称风险识别提供了更全面的基础和准确性。
8.可选地，所述信息不对称度，满足如下公式：,其中，，表示信息分布表达矩阵中所包含的维度数量，表示第个利益相关方和第个利益相关方在第i个维度上的信息不对称度，表示第个利益相关方在第i个维度上的数据表示，表示第个利益相关方在第i个维度上的数据表示；表示在和之间取最大值。
9.可选地，所述信息分布系数，满足如下模型：=，其中，表示第个利益相关方和第个利益相关方之间的信息分布系数，，表示信息分布表达矩阵中所包含的维度数量，表示第i个维度内第j个利益相关方的加权系数，表示第个利益相关方在第i个维度上的数据表示，表示第个维度内第个利益相关方的加权系数，表示第个利益相关方在第个维度上的数据表示。
10.可选地，所述结合所述信息不对称度以及所述信息分布系数，识别不同利益相关方基于所述目标业务的信息不对称风险，包括如下步骤：利用所述信息不对称度以及所述信息分布系数，构建信息不对称风险预测模型；利用所述信息不对称风险预测模型，预测不同利益相关方基于所述目标业务的信息不对称风险强度；根据所述信息不对称风险强度的大小，评估不同利益相关方基于所述目标业务的信息不对称风险。本可选项通过构建信息不对称风险预测模型，准确预测了不同利益相关方在目标业务中的信息不对称风险强度，
从而帮助实现更精准的风险评估和决策。
11.可选地，所述信息不对称风险预测模型包括任两个利益相关方基于目标业务的信息不对称风险强度预测模型，和所有利益相关方基于目标业务的信息不对称风险强度预测模型；其中，其中，所述任两个利益相关方基于目标业务的信息不对称风险强度预测模型，满足如下公式：，其中，表示第个利益相关方和第个利益相关方之间的信息不对称风险强度，，表示信息分布表达矩阵中所包含的维度数量，表示第个利益相关方和第个利益相关方之间的信息分布系数，表示第个利益相关方和第个利益相关方在第i个维度上的信息不对称度；所述所有利益相关方基于目标业务的信息不对称风险强度预测模型，满足如下公式：，其中，表示所有利益相关方基于同一目标业务的信息不对称风险强度，表示第个利益相关方和第个利益相关方之间的信息不对称风险强度，，，，表示利益相关方的数量。
12.第二方面，为更好地执行上述业务风险识别方法，本发明还提供了一种业务风险识别系统。本发明所提供的业务风险识别系统包括：输入设备、处理器、存储器和输出设备，所述输入设备、所述处理器、所述存储器和所述输出设备相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行本发明第一方面所提供的业务风险识别方法。本发明所提供的业务风险识别系统采用输入设备、处理器、存储器和输出设备的结构，通过相应的存储计算机程序和程序指令，可实现本发明提供的创新性业务风险识别方法的高效执行。
附图说明
13.图1为本发明实施例所提供的业务风险识别方法流程图；图2为本发明实施例所提供的业务风险识别系统结构示意图。
具体实施方式
14.下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路，软件或方法。
15.在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。
16.在一个可选的实施例中，请参见图1，图1为本发明实施例所提供的业务风险识别方法流程图。如图1所示，所述业务风险识别方法，包括如下步骤：s01、选取一项或者多项目标业务，并确定所述目标业务的利益相关方，所述利益相关方的数量包括两个或者两个以上。
17.本发明所提出的目标业务是指特定金融交易、活动或服务。在互联网金融领域中，所述目标业务可以是一项或者多项投资项目、借贷交易、金融产品，或者其他涉及资金流动和交易的业务。例如，针对某互联网金融平台，所述目标业务可以是该互联网金融平台上的一项或者多项互联网消费信贷产品。
18.进一步地，所述利益相关方是指在目标业务中与业务结果和过程有直接或间接利益关系的各方。例如，在互联网消费信贷业务中，利益相关方可以包括放款银行、增信机构、业务运营平台中的任两个或者两个上的相关方。
19.具体地，基于上述互联网金融平台，针对该平台上的一项互联网消费信贷产品，其利益相关方包括该互联网消费信贷产品的放款银行和增信机构。
20.s02、获取所述目标业务的多维数据，并获取不同利益相关方对所述多维数据的了解程度。
21.所述多维数据具体是指与从多个不同的来维和渠道获得的、与目标业务相关的不同类型的各种数据。进一步地，所述多维数据包括业务数据、交易数据、运营数据、用户数据、市场数据、风险数据、金融数据或者技术数据中一种或者多种类型的数据。
22.其中，所述业务数据是指与目标业务直接相关的基本信息，涵盖业务的性质、类型、规模等。基于上述互联网金融平台的目标业务中，业务数据可能包括不同消费信贷产品的特点、利率、还款方式等。
23.所述交易数据是指目标业务在实际交易过程中产生的数据，包括交易的金额、时间、地点等。对于投资项目来说，交易数据可以是投资金额、投资时间等。
24.所述运营数据是指涉及到目标业务的运作和管理，可能包括平台的运营成本、效率、用户活跃度等。在投资项目中，运营数据可能包括项目的运行状态、运营成本等。
25.所述用户数据是指目标业务参与者的信息，包括他们的个人信息、历史行为、偏好等。在投资项目中，用户数据可以是投资者的个人信息、投资历史等。
26.所述市场数据是指与目标业务所处市场的相关信息，如市场趋势、竞争状况等。在借贷业务中，市场数据可能包括借贷市场的供需情况、利率走势等。
27.所述风险数据是指与目标业务有关风险的信息，包括历史风险事件、损失情况等。在金融产品销售中，风险数据可以是类似产品的历史表现、风险评级等。
28.所述金融数据是指涉及与目标业务有关的资金流动信息，如资产负债表、现金流量表等。在投资项目中，金融数据可能包括项目的资金流向、收入等。
29.所述技术数据是指涉及与目标业务有关的技术和系统相关的数据，如平台的技术架构、安全性等。在金融科技领域，技术数据可能包括采用的技术方案、系统性能等。
30.进一步地，步骤s02中所述的获取不同利益相关方对所述多维数据的了解程度，在又一个可选的实施例中，包括如下步骤：s021、整理所述多维数据，并剔除所述多维数据中的敏感数据。
31.步骤s021将通过多个渠道或来源的数据进行清洗和整理，以确保数据的准确性和一致性。同时，需要对涉及个人隐私等敏感信息的数据进行剔除或匿名化，以保护隐私和遵循法规。
32.s022、基于整理后的多维数据，设计对应的了解程度调查表。
33.步骤s022根据整理后的多维数据，设计对应的了解程度调查表,以评估不同利益
相关方对目标业务的了解程度。进一步地，所述了解程度调查表包含与业务相关的不同维度的问题，任一维度下的问题数量包括一个或者多个，任一个问题的形式可以是选择题、判断题或开放性问题。
34.在本实施例中，基于上述互联网金融平台中的一款互联网消费信贷产品，设计了一份了解程度调查问卷，该了解程度调查问卷包括涵盖了业务数据、运营数据、市场数据等多个维度的问题，任一维度内有多个选择题，任一选择题的选项包括：“不了解”、“基本了解”、“非常了解”。
35.s023、利用所述了解程度调查表，获取不同利益相关方对多维数据的了解程度。
36.步骤s023利用设计好的了解程度调查表，向不同利益相关方分发调查问卷并收集回答。调查问卷的回答将定量（如得分、等级）或者定性（如文字描述）反映不同利益相关方对目标业务的了解程度，以用于后续的分析和评估。
37.在本实施例中，基于上述互联网金融平台中的一款互联网消费信贷产品所设计的一份了解程度调查问卷，并将其发放给对应的放款银行和增信机构，进一步地，根据收集到的答案为每个利益相关方计算得分。具体地，对于问题的选项“不了解”赋值0分，“基本了解”赋值1分，“非常了解”赋值2分。每个问题的得分累加，得到一个维度问题的综合了解程度得分。
38.在本实施例中，通过收集不同利益相关方的调查问卷回答并计算得分，我们可以量化不同方面的了解程度，为后续的信息分析和风险评估提供依据。
39.s03、根据所述了解程度标注多维数据，并以所述利益相关方为聚类中心聚类标注后的多维数据。
40.在金融领域涉及多个利益相关方参与的业务时，不同利益相关方对特定业务的理解程度和关注点可能存在显著差异。通过引入调查问卷的方式，可以实现对数据的标注和聚类，以定量评估不同利益相关方之间的信息不对称程度。进一步地，基于调查问卷获得的了解程度，步骤s03所述的根据所述了解程度标注多维数据，并以所述利益相关方为聚类中心聚类标注后的多维数据，包括如下步骤：s031、根据所述了解程度标注所述多维数据，被标注后的多维数据中任一维数据包括至少两个利益相关方标签以及利益相关方标签对应的了解程度标签。
41.应该理解，步骤s031是基于整理后的多维数据进行的标注操作。在本实施例中，针对某一利益相关方在了解程度调查表中不同维度类型问题的得分，将“利益相关方”以及对应维度问题的分数，分别作为对应维度数据的标签进行标注。由于目标业务的利益相关方至少有两个，因此，针对任一数据包括至少两个利益相关方标签，以及两个利益相关方标签分别对应的得分。
42.在本实施例中，标注好的多维标签中任一维度数据，满足如下形式（多利益相关方标签）：（数据类型i，“利益相关方1”，“利益相关方1的得分”，“利益相关方2”，“利益相关方2的得分”，
…
,“利益相关方m”，“利益相关方m的得分”），其中，，表征数据类型的维度数量,表示利益相关方的数量。
43.s032、汇总标注好的多维数据，并将多利益相关方标签的数据分裂成单利益相关方标签的数据。
44.在本实施例中，标注好的多维标签中任一维度数据，分裂成单利益相关方标签的
数据后，满足如下形式：（数据类型i，“利益相关方1”，“利益相关方1的得分”），（数据类型i，“利益相关方2”，“利益相关方2的得分”）,
……
,（数据类型i，“利益相关方m”，“利益相关方m的得分”）。
45.s033、汇总单利益相关方标签的数据，并以不同利益相关标签为聚类中心进行特征聚类。
46.步骤s033通过利益相关方标签，对多维数据进行聚类分析，将具有相同利益相关方的数据归为一类。
47.s04、利用不同利益相关方的聚类结果，获取不同利益相关方之间的信息不对称度以及信息分布系数。
48.在一个可选的实施例中，所述利用不同利益相关方的聚类结果，获取不同利益相关方之间的信息不对称度以及信息分布系数，包括如下步骤：s041、根据所述多维数据的维度特征，构建信息分布表达矩阵。
49.在本实施例中，所述信息分布表达矩阵，满足如下公式：，其中，q表示信息分布表达矩阵，至分别表示所述信息分布表达矩阵中不同维度的数据表示，表示信息分布表达矩阵中所包含的维度数量，由多维数据所包含的数据类型的总数量确定。
50.具体地，表示信息分布表达矩阵中第1个维度的数据表示，即为多维数据中第种数据类型的数据表示；表示信息分布表达矩阵中第2个维度的数据表示，即为多维数据中第种数据类型的数据表示；表示信息分布表达矩阵中第n个维度的数据表示，即为多维数据中第种数据类型的数据表示。进一步地，上述多维数据中任一数据类型的数据表示可以是对应利益相关方在对应维度问题上的得分。
51.s042、利用聚类结果结合所述信息分布表达矩阵，分别构建不同利益相关方的信息分布矩阵。
52.应当理解，由于不同利益相关方对于目标业务的了解程度不同，因此，不同利益相关方的信息分布矩阵中所包含的具体数据信息也不同；又由于不同利益相关方的信息分布矩阵是基于同一信息分布表达矩阵q进行设定的，因此，任一利益相关方的信息分布矩阵，满足如下公式：，其中，，表示利益相关方的数量，表示第j个利益相关方的信息分布矩阵，进一步地，表示第j个利益相关方在第1个数据维度的数据表示，表示第j个利益相关方在第2个数据维度的数据表示，表示第j个利益相关方在第n个数据维度的数据表示。
53.s043、根据不同利益相关方的信息分布矩阵中在不同维度的数据表现，获得不同利益相关方之间的信息不对称度以及信息分布系数。
54.在本实施例中，所述不同利益相关方之间的在任一维度上的信息不对称度，满足如下公式：,其中，，表示信息分布表达矩阵中所包含的维度数量，表示第个利益相关方和第个利益相关方在第i个维度上的信息不对称度，表示第个利益相关方在第i个维度上的数据表示，表示第个利益相关方在第i个维度上的数据表示；表示在和之间取最大值。
55.在本实施例中，所述信息分布系数用于衡量不同利益相关方在不同维度上数据分布的不对称程度。具体地，所述信息分布系数，满足如下模型：=，其中，表示第个利益相关方和第个利益相关方之间的信息分布系数，，表示信息分布表达矩阵中所包含的维度数量，表示第i个维度内第j个利益相关方的加权系数，表示第个利益相关方在第i个维度上的数据表示，表示第个维度内第个利益相关方的加权系数，表示第个利益相关方在第个维度上的数据表示。
56.s05、结合所述信息不对称度以及所述信息分布系数，识别不同利益相关方基于所述目标业务的信息不对称风险。
57.在一个可选的实施例中，所述结合所述信息不对称度以及所述信息分布系数，识别不同利益相关方基于所述目标业务的信息不对称风险，包括如下步骤：s051、利用所述信息不对称度以及所述信息分布系数，构建信息不对称风险预测模型。
58.在本实施例中，所述信息不对称风险预测模型包括任两个不同利益相关方基于同一目标业务的信息不对称风险强度预测模型，和所有利益相关方基于同一目标业务的信息不对称风险强度预测模型。
59.进一步地，所述任两个不同利益相关方基于同一目标业务的信息不对称风险强度预测模型，满足如下公式：，其中，表示第个利益相关方和第个利益相关方之间的信息不对称风险强度，，表示信息分布表达矩阵中所包含的维度数量，表示第个利益相关方和第个利益相关方之间的信息分布系数，表示第个利益相关方和第个利益相关方在第i个维度上的信息不对称度。
60.进一步地，所述所有利益相关方基于同一目标业务的信息不对称风险强度预测模型，满足如下公式：，其中，表示所有利益相关方基于同一目标业务的信息不对称风险强度，表示第个利益相关方和第个利益相关方之间的信息不对称风险强度，，，，表示利益相关方的数量。
61.s052、利用所述信息不对称风险预测模型，预测不同利益相关方基于所述目标业务的信息不对称风险强度。
62.在本实施例中，利用构建好的信息不对称风险预测模型，预测不同利益相关方基于特定目标业务的信息不对称风险强度。具体地，根据步骤s051所搭建的预测模型，可分别计算出任意两个不同利益相关方之间的信息不对称风险强度和所有利益相关方的整体信息不对称风险强度。
63.s053、根据所述信息不对称风险强度的大小，评估不同利益相关方基于所述目标业务的信息不对称风险。
64.根据预测得到的不同利益相关方的信息不对称风险强度的大小，以及所有利益相关方的整体信息不对称风险强度的大小，可以分别定量地判断不同利益相关方之间基于特定目标业务的信息不对称程度，以及所有利益相关方的整体信息不对称程度。较大的信息不对称风险强度表明潜在的信息不对称风险更高，而较小的强度表示信息更为均衡。
65.步骤s01至步骤s05通过分析目标业务的多个利益相关方对其多维数据的了解程
度，计算相应的信息不对称度和信息分布系数，实现了不同利益相关方之间的信息不对称风险。
66.在又一个可选的实施例中，请参见图1，图1为本发明实施例所提供的业务风险识别方法流程图。如图1所示，所述业务风险识别方法，还包括如下步骤：s06、设置信息不对称度风险阈值，当所述信息不对称风险超出所述信息不对称度风险阈值时触发预警机制。
67.进一步地，所述预警机制是指为了在信息不对称风险超出设定的阈值时，及时发出警示以引起关注并采取适当的措施，可以理解的是，所述预警机制可以基于不同业务情况进个性化设定。
68.在一个具体的实施例中，某家涉及放款银行和增信机构的互联网消费信贷业务的互联网金融平台，针对该平台上的多项互联网消费信贷业务，该互联网金融平台根据历史数据，分别设定了对应的信息不对称度风险阈值；并利用上述业务风险识别方法，实时对互联网消费信贷业务对应的放款银行和增信机构两方的信息不对称风险进行监测。
69.如果某个业务中的信息不对称风险超出了预先设定的阈值，系统将自动触发预警机制，一旦预警被触发，系统可以通过短信、邮件、app通知等方式通知相关人员，如放款银行、增信机构、平台管理员等，提醒他们注意可能的风险情况。预警触发后，相关人员可以根据情况采取适当的措施，比如重新评估投资或借款决策、调整平台运营策略等，以减少潜在风险。
70.步骤s06增加了信息不对称风险的实时监测，通过设置信息不对称度风险阈值，一旦信息不对称风险超出阈值，将自动触发预警机制，及时提醒业务参与者，有助于快速应对潜在风险。
71.为更好实施上述业务风险识别方法，在又一个可选的实施例中，本发明还提供了一种业务风险识别系统，请参见图2，图2为本发明实施例所提供的业务风险识别系统结构示意图。
72.如图2所示，所述业务风险识别系统包括输入设备、处理器、存储器和输出设备，所述输入设备、所述处理器、所述存储器和所述输出设备相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行本发明所提供的业务风险识别方法。
73.进一步地，上述输入设备可以是键盘、鼠标、触摸屏等用于将相关数据和信息输入到系统中。例如，在金融领域，投资项目的各种数据可以通过输入设备输入到系统中。
74.进一步地，上述处理器是系统的核心部件，负责执行各种计算和操作。在本发明中，处理器被配置为调用存储在存储器中的计算机程序，以执行业务风险识别方法。处理器对输入的数据进行处理、分析和计算，从而生成风险评估结果。
75.进一步地，上述存储器用于存储计算机程序、数据和信息。在这种情况下，存储器存储了本发明所需的计算机程序，包括执行业务风险识别方法所需的程序指令。
76.进一步地，上述输出设备可以是显示屏、打印机、报表生成器等，用于将系统处理后的结果呈现给用户。在业务风险识别系统中，输出设备可以显示风险评估结果、图表等。
77.本发明所提供的业务风险识别系统通过将这些组成部件相互连接，能够接收输入数据，经过处理和分析后生成风险评估结果，并将结果呈现给用户，以供业务决策参考。
78.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

技术特征：
1.一种业务风险识别方法，其特征在于，所述业务风险识别方法，包括如下步骤：选取一项或者多项目标业务，并确定所述目标业务的利益相关方，所述利益相关方的数量包括两个或者两个以上；获取所述目标业务的多维数据，并获取不同利益相关方对所述多维数据的了解程度；根据所述了解程度标注多维数据，并以所述利益相关方为聚类中心聚类标注后的多维数据；利用不同利益相关方的聚类结果，获取不同利益相关方之间的信息不对称度以及信息分布系数；结合所述信息不对称度以及所述信息分布系数，识别不同利益相关方基于所述目标业务的信息不对称风险。2.根据权利要求1所述的业务风险识别方法，其特征在于，所述业务风险识别方法，还包括如下步骤：设置信息不对称度风险阈值，当所述信息不对称风险超出所述信息不对称度风险阈值时触发预警机制。3.根据权利要求1-2任一所述的业务风险识别方法，其特征在于，所述获取不同利益相关方对所述多维数据的了解程度，包括如下步骤：整理所述多维数据，并剔除所述多维数据中的敏感数据；基于整理后的多维数据，设计对应的了解程度调查表；利用所述了解程度调查表，获取不同利益相关方对多维数据的了解程度。4.根据权利要求3所述的业务风险识别方法，其特征在于，所述根据所述了解程度标注多维数据，并以所述利益相关方为聚类中心聚类标注后的多维数据，包括如下步骤：根据所述了解程度标注所述多维数据，被标注后的多维数据中任一维数据包括至少两个利益相关方标签以及利益相关方标签对应的了解程度标签；汇总标注好的多维数据，并将多利益相关方标签的数据分裂成单利益相关方标签的数据；汇总单利益相关方标签的数据，并以不同利益相关标签为聚类中心进行特征聚类。5.根据权利要求4所述的业务风险识别方法，其特征在于，所述利用不同利益相关方的聚类结果，获取不同利益相关方之间的信息不对称度以及信息分布系数，包括如下步骤：根据所述多维数据的维度特征，构建信息分布表达矩阵；利用聚类结果结合所述信息分布表达矩阵，分别构建不同利益相关方的信息分布矩阵；根据不同利益相关方的信息分布矩阵中在不同维度的数据表现，获得不同利益相关方之间的信息不对称度以及信息分布系数。6.根据权利要求5所述的业务风险识别方法，其特征在于，所述信息不对称度，满足如下公式：,其中，，表示信息分布表达矩阵中所包含的维度数量，表示第个利益相关方和第个利益相关方在第i个维度上的信息不对称度，表示第个利益相关方在第i个维度上的数据表示，表示第个利益相关方在第i个维度上的数据表示；表示在和之间取最大值。
7.根据权利要求6所述的业务风险识别方法，其特征在于，所述信息分布系数，满足如下模型：=，其中，表示第个利益相关方和第个利益相关方之间的信息分布系数，，表示信息分布表达矩阵中所包含的维度数量，表示第i个维度内第j个利益相关方的加权系数，表示第个利益相关方在第i个维度上的数据表示，表示第个维度内第个利益相关方的加权系数，表示第个利益相关方在第个维度上的数据表示。8.根据权利要求5所述的业务风险识别方法，其特征在于，所述结合所述信息不对称度以及所述信息分布系数，识别不同利益相关方基于所述目标业务的信息不对称风险，包括如下步骤：利用所述信息不对称度以及所述信息分布系数，构建信息不对称风险预测模型；利用所述信息不对称风险预测模型，预测不同利益相关方基于所述目标业务的信息不对称风险强度；根据所述信息不对称风险强度的大小，评估不同利益相关方基于所述目标业务的信息不对称风险。9.根据权利要求8所述的业务风险识别方法，其特征在于，所述信息不对称风险预测模型包括任两个利益相关方基于目标业务的信息不对称风险强度预测模型，和所有利益相关方基于目标业务的信息不对称风险强度预测模型；其中，所述任两个利益相关方基于目标业务的信息不对称风险强度预测模型，满足如下公式：，其中，表示第个利益相关方和第个利益相关方之间的信息不对称风险强度，，表示信息分布表达矩阵中所包含的维度数量，表示第个利益相关方和第个利益相关方之间的信息分布系数，表示第个利益相关方和第个利益相关方在第i个维度上的信息不对称度；所述所有利益相关方基于目标业务的信息不对称风险强度预测模型，满足如下公式：，其中，表示所有利益相关方基于同一目标业务的信息不对称风险强度，表示第个利益相关方和第个利益相关方之间的信息不对称风险强度，，，，表示利益相关方的数量。10.一种业务风险识别系统，其特征在于，所述业务风险识别系统包括：输入设备、处理器、存储器和输出设备，所述输入设备、所述处理器、所述存储器和所述输出设备相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1至9任一项所述的业务风险识别方法。

技术总结
本发明涉及互联网金融业务的风险控制领域，具体涉及一种业务风险识别方法及系统。其中，本发明所提供的业务风险识别方法，包括如下步骤：选取目标业务，并确定目标业务的利益相关方；获取目标业务的多维数据，并获取不同利益相关方对多维数据的了解程度；根据了解程度标注多维数据，并以利益相关方为聚类中心聚类标注后的多维数据；利用不同利益相关方的聚类结果，获取不同利益相关方之间的信息不对称度以及信息分布系数；结合信息不对称度以及信息分布系数，识别不同利益相关方基于目标业务的信息不对称风险。本发明方法为互联网金融领域提供了准确的信息不对称风险识别工具，有助于及早发现潜在信息不对称风险，为业务决策提供有力支撑。供有力支撑。供有力支撑。


技术研发人员：曹天佑
受保护的技术使用者：微神马科技（大连）有限公司
技术研发日：2023.09.07
技术公布日：2023/10/20