交易风险评估方法、系统、设备及存储介质

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种交易风险评估方法、系统、设备及存储介质。

背景技术

在金融交易过程中，例如，在个人和企业贷款的过程中，会出现一些风险交易，由于交易涉及到大量数据，人工地根据这些数据对交易的风险进行判断，不仅效率低，而且容易出错。

发明内容

有鉴于此，本发明实施例提供了一种交易事件风险评估方法、系统、计算机设备及计算机可读存储介质，用于解决交易风险评估效率低、准确率低的问题。

本发明实施例是通过下述技术方案来解决上述技术问题：

一种交易事件风险评估方法，包括：

获取历史交易流水数据；

对所述历史交易流水数据进行分析，得到所述历史交易流水数据对应的交易属性指标、与所述交易属性指标对应的指标数据和与所述指标数据对应的类别；

基于所述交易属性指标、所述交易属性指标对应的指标数据和所述指标数据对应的类别，生成初始规则，所述初始规则包括规则前件和规则后件，所述规则前件为由所述交易属性指标和所述交易属性指标对应的指标数据构成的N个合取项构成的集合，所述N为大于等于0的整数；所述规则后件为通过所述合取项确定的类别；

对所述初始规则进行求精，得到最终规则；

从所述最终规则提取多个关键评估字段，将所述多个关键评估字段填入预设的交易风险评估模板中，以生成交易风险评估策略；

根据所述交易风险评估策略对交易事件进行评估，得到所述交易事件的风险评估结果。

进一步地，所述对所述历史交易流水数据进行分析，得到所述历史交易流水数据对应的交易属性指标、与所述交易属性指标对应的指标数据和与所述指标数据对应的类别包括：

按照预设规则对所述历史交易流水数据进行逻辑计算，得到历史衍生交易流水数据；

对所述历史衍生交易流水数据进行属性分类，得到交易属性指标和与所述交易属性指标对应的指标数据；

根据所述交易属性指标和所述指标数据，将所述历史衍生交易流水数据进行划分至对应的类别。

进一步地，所述初始规则的规则前件为合取项个数为0的空集；所述对所述初始规则进行求精，得到最终规则包括：

逐个在所述规则前件中添加合取项，对所述初始规则进行求精，直到所述初始规则满足预设条件；

对满足所述预设条件的初始规则进行迭代，以得到最终规则。

进一步地，所述对所述初始规则进行求精，直到所述初始规则满足预设条件包括：

当根据在所述规则前件中加入的合取项得到的所述规则后件不能满足所述预设条件时，停止对所述初始规则进行求精。

进一步地，随机确定一个可以正确预测类别的规则为初始规则，所述初始规则的规则前件中包括M个合取项，其中，M为大于1的整数；所述基对所述初始规则进行求精，得到最终规则包括：

逐个删除所述规则前件中的合取项，对所述初始规则进行求精，直到所述初始规则满足预设条件；

对满足所述预设条件的初始规则进行迭代，以得到最终规则。

进一步地，所述对所述初始规则进行求精，直到所述初始规则满足预设条件包括：

所述预设条件为所述规则后件开始覆盖反例，所述反例为不能通过所述初始规则的规则前件确定的类别。

进一步地，所述根据所述交易风险评估策略对交易事件进行评估，得到所述交易事件的风险评估结果包括：

获取交易事件的交易流水数据；

按照预设规则对所述交易流水数据进行逻辑计算，得到衍生交易流水数据；

根据所述交易风险评估策略对所述衍生交易流水数据进行评估，以得到所述交易事件的风险评估结果。

为了实现上述目的，本发明实施例还提供一种交易事件风险评估系统，包括：

数据获取模块，用于获取历史交易流水数据；

数据处理模块，用于对所述历史交易流水数据进行分析，得到所述历史交易流水数据对应的交易属性指标、与所述交易属性指标对应的指标数据和与所述指标数据对应的类别；

规则生成模块，用于基于所述交易属性指标、所述交易属性指标对应的指标数据和所述指标数据对应的类别，生成初始规则，所述初始规则包括规则前件和规则后件，所述规则前件为由所述交易属性指标和所述交易属性指标对应的指标数据构成的N个合取项构成的集合，所述N为大于等于0的整数；所述规则后件为通过所述合取项确定的类别；

所述规则生成模块，还用于对所述初始规则进行求精，得到最终规则；

策略生成模块，用于从所述最终规则提取多个关键评估字段，将所述多个关键评估字段填入预设的交易风险评估模板中，以生成交易风险评估策略；

评估模块，用于根据所述交易风险评估策略对交易事件进行评估，得到所述交易事件的风险评估结果。

为了实现上述目的，本发明实施例还提供一种计算机设备，所述计算机设备包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述交易事件风险评估方法的步骤。

为了实现上述目的，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行如上所述的交易事件风险评估方法的步骤。

本发明实施例提供的交易事件风险评估方法、系统、计算机设备及计算机可读存储介质，本方案通过获取历史交易流水数据；对所述历史交易流水数据进行分析，得到所述历史交易流水数据对应的交易属性指标、交易属性指标对应的指标数据和指标数据对应的类别；基于所述交易属性指标、所述交易属性指标对应的指标数据和所述指标数据对应的类别，生成初始规则，对所述初始规则进行求精，得到最终规则；根据所述最终规则生成交易风险评估策略；根据所述交易风险评估策略对实时交易事件进行评估，得到所述交易事件的风险评估结果，提高了交易风险评估的效率和准确率。

以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。

附图说明

图1为本发明实施例一之交易事件风险评估方法的步骤流程图；

图2为本发明实施例一之对所述历史交易流水数据进行分析，得到所述历史交易流水数据对应的交易属性指标、交易属性指标对应的指标数据和指标数据对应的类别方法的步骤流程图；

图3为本发明实施例之一种实施方式对所述初始规则进行求精，得到最终规则方法的步骤流程图；

图4为本发明实施例另一种实施方式对所述初始规则进行求精，得到最终规则方法的步骤流程图；

图5为本发明实施例一之根据所述交易风险评估策略对交易事件进行评估，得到所述交易事件的风险评估结果方法的步骤流程图；

图6为本发明实施例二之交易事件风险评估系统的程序模块示意图；

图7为本发明实施例三之计算机设备的硬件结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

实施例一

请参阅图1，示出了本发明实施例之交易事件风险评估方法的步骤流程图。可以理解，本方法实施例中的流程图不用于对执行步骤的顺序进行限定。下面以计算机设备为执行主体进行示例性描述，具体如下：

如图1所示，所述交易事件风险评估方法可以包括步骤S100～S600，其中：

步骤S100，获取历史交易流水数据。

具体的，历史交易流水数据是指在用户在交易过程中产生的数据，例如，交易日期、交易时间、交易卡号、交易账号、地区号、网点号、地点、终端编号、柜员编号、交易凭证、交易渠道等等。

在示例性的实施例中，通过sql(结构化查询语言)从业务数据库中获取历史交易流水数据，所述业务系统数据库包括但不限于：关系型数据库、分布式搜索引擎数据库和缓存数据库。所述历史交易流水数据指的是基于业务层产生的业务数据。

步骤S200，对所述历史交易流水数据进行分析，得到所述历史交易流水数据对应的交易属性指标、与所述交易属性指标对应的指标数据和与所述指标数据对应的类别。

在示例性的实施例中，历史交易流水数据的交易属性指标包括多个种类，例如，金额类的交易属性指标、数量类的交易属性指标和比例类的交易属性指标；其中，金额类的交易属性指标包括各类本金、本息、利息、余额等，例如，剩余本金、贷款余额、逾期罚息、逾期利息、违约本金等。数量类的交易属性指标包括各类笔数、户数、件数等，例如，申请笔数、放款笔数、日均进件量、结清户数等。比率类的交易属性指标包括各类占率、比率等，例如：通过率、逾期率、不良率、疑似欺诈率等。对应的指标数据是指对历史交易流水数据进行加工，得到对应的指标数据。类别是指根据交易属性指标确的分类，例如“高风险”、“低风险”和“中风险”等。例如，当不良率≧20％时，类别为中风险。

在示例性的实施例中，请参阅图2，步骤S200还可以进一步包括：

步骤S201，按照预设规则对所述历史交易流水数据进行逻辑计算，得到历史衍生交易流水数据。

所述衍生交易流水数据是指基于所述历史交易流水数据，利用预设的规则进行二次计算所衍生出来的数据，例如：贷款申请笔数一个历史交易流水数据，平均贷款申请笔数则表示一个衍生交易流水数据。

详细地，所述按照预设规则对所述历史交易流水数据进行逻辑计算，得到衍生交易流水数据，包括：

将所述历史交易流水数据输入至预设的计算公式中，得到所述衍生交易流水数据。

其中，所述预设的计算公式可以由开发人员根据生成规则的需求自定义选择设置。例如：历史交易流水数据为贷款申请笔数，衍生交易流水数据为平均每个月的贷款申请笔数，则可以通过计算公式可以为n/12得到每个月的贷款申请笔数的衍生流水数据，其中，n为一年所有的贷款申请笔数。

步骤S202，对所述历史衍生交易流水数据进行属性分类，得到交易属性指标和与所述交易属性指标对应的指标数据。

具体的，指标数据是指用于对历史衍生交易流水数据进行分类的数据，根据历史衍生交易流水的属性，确定指标数据。例如，根据平均每个月的贷款申请笔数，可以将确定指标数据划分为平均每个月的贷款申请笔数在3-5，3-10，10以上，得到平均每个月的贷款申请笔数的指标数据。

步骤S203，根据所述交易属性指标和所述指标数据，将所述历史衍生交易流水数据进行划分，得到与所述指标数据对应的类别。

具体的，当确定指标数据为3-5，3-10，10以上时，对应根据指标数据将衍生交易流水数据划分为“低风险”、“中风险”和“高风险”等，例如，以指标数据为平均每个月的贷款申请笔数为例，当衍生交易流水数据是平均每个月的贷款申请笔数为3时，确定该衍生交易流水数据的类别为低风险。

步骤S300，基于所述交易属性指标、所述交易属性指标对应的指标数据和所述指标数据对应的类别，生成初始规则，所述初始规则包括规则前件和规则后件，所述规则前件为由所述交易属性指标和所述交易属性指标对应的指标数据构成的N个合取项构成的集合，所述N为大于等于0的整数；所述规则后件为通过所述合取项确定的类别。

在示例性的实施例中，规则可以表示为如下形式：

ri:(条件i)→yi；

规则左边ri:(条件i)为规则前件或前提。ri是交易属性指标的合取，即同时满足规则(条件i)中的所有交易属性指标。

条件i＝(A1 op v1)∧(A2 op v2)∧…∧(Aj op vj)；

其中(Aj，vj)是交易属性指标-值对，值对是指交易属性指标对应的值，例如交易属性指标为“疑似欺诈率”，值对为10％，op是比较运算符，取自集合{＝，≠，﹤，﹥，≦，≧}，∧表示并列关系。每一个交易属性指标-值对(Aj op vj)称为一个合取项。规则右边称为规则后件，包含预测类别yi。例如，一个规则为r1:(逾期罚息≧10000)∧(违约本金≧100000)→高风险，规则一表示交易主体的逾期罚息大于等于10000并且违约本金大于等于100000，判定此条交易为高风险交易。

步骤S400，对所述初始规则进行求精，得到最终规则。

在示例性的实施例中，假设生成的初始规则的规则前件为合取项个数为0的空集；对所述初始规则进行求精，得到最终规则。请参阅图3，步骤S400还可以进一步包括：

步骤S401A，逐个在所述规则前件中添加合取项，对所述初始规则进行求精，直到所述初始规则满足预设条件。

具体的，规则前件合取项个数为0的初始规则为：r:{}→y，其中规则左边是一个空集，规则右边包含目标类。该初始规则的质量很差，因为规则右边是一个空集，所以这个初始规则覆盖所有的类别。

在示例性的实施例中，所述对所述初始规则进行求精，直到所述初始规则满足预设条件包括：

当根据在所述规则前件中加入的合取项得到的所述规则后件不能满足所述预设条件时，停止对所述初始规则进行求精。

具体的，通过在初始规则左边加入新的合取项，对初始规则进行求精，来提高规则的质量，不断在初始规则左边加入合取项，直到规则后件满足预设条件为止，在示例性的实施例中，预设条件为加入的合取项不能继续提高规则的质量。

在示例性的实施例中，通过精准度和覆盖率对规则的质量进行评估，即当加入合取向，规则的精准度和覆盖率保持不变时，则表示已满足预设条件。

其中，精准度公式为：p＝TP/(TP+FP)，表示正确预测为正占全部预测为正的比例，在本实施例中，表示通过正确通过规则判定出来的类别占规则全部判定为正的比例，例如，规则判定出来类别为高风险的交易有10条，其中有8条为高风险交易，则该规则的精准度为80％。

覆盖率公式为：recall＝TP/(TP+FN)；表示正确预测TP为正占全部正样本FN的比例，在本实施例中，表示正确通过规则判定出来的类别占全部的比例，例如，全部高风险类别的交易一共10条，通过规则判定出来的高风险交易为8条，则该规则的覆盖率为80％。

其中，TP是交易实际是该类别，规则预测结果也是该类别，例如，某个交易是高风险，通过规则预测出来的也是高风险；FP是指交易实际上不是该类别，但是通过规则预测出来是该类别，例如，某条交易是低风险或中风险，通过规则预测出来的为高风险；FN是指交易实际是该类别，通过规则预测出来不是该类别，例如，交易实际上是高风险，而通过规则预测出来的为低风险或中风险。

步骤S402A，对满足所述预设条件的初始规则进行迭代，以得到最终规则。

具体的，一个规则中包括至少一个合取项，而在合取项中，一个交易属性指标会存在多个值对，例如交易属性指标为“疑似欺诈率”，对应的值对可能为10％，15％等1％～100％的任意数字，并且由于有多个类别，例如，交易属性指标为疑似欺诈率时，当值对的范围为“值对≧80％”为高风险，值对范围为“50％≦值对≦80％”为中风险，当值对的范围为“值对≦50％”为低风险，同时当一个规则中包括多个合取项时，可能会产生交易属性指标相同的两个规则，但交易属性指标对应的值对不相同的最优规则和次优规则，因此，在初始规则满足预设条件后，通过改变规则中交易属性指标对应的值对进行迭代，以得到最优规则。

在另外的实施例中，随机确定一个可以正确预测类别的规则为初始规则，所述初始规则的规则前件中包括M个合取项，其中，M为大于1的整数；请参阅图4，步骤S400可以进一步包括：

步骤S401B，逐个删除所述规则前件中的合取项，对所述初始规则进行求精，直到所述初始规则满足预设条件；

具体的，初始规则为能够正确预测类别但是范围较小的规则，例如，r2:(逾期罚息≧10000)∧(违约本金≧100000)∧(欺诈率≧80％)→高风险，即表示交易主体的逾期罚息大于等于10000并且违约本金大于等于100000并且欺诈率大于等于80％的为高风险交易，但是在日常操作中，只要通过对违约罚息和违约本金进行判断就可以确定交易是否为高风险，如果要兼顾欺诈率可能会漏掉一些高风险交易。

在示例性的实施例中，所述对所述初始规则进行求精，直到所述初始规则满足预设条件包括：

所述预设条件为所述规则后件开始覆盖反例，所述反例为不能通过所述初始规则的规则前件确定的类别。

具体的，通过在初始规则左边删除合取项，对初始规则进行求精，来提高规则的质量，不断在初始规则左边删除合取项，直到规则满足预设条件为止，在示例性的实施例中，预设条件为规则开始覆盖反例。以规则r2为例，当删除合取项“欺诈率≧80％”时，规则仍能对高风险交易进行判定，但是当继续删除合取项“违约本金≧100000”时，只用“逾期罚息≧10000”对交易进行判定，一些低风险和中风险的交易也可能为误判为高风险，即规则开始覆盖反例。

步骤S402B，对满足所述预设条件的初始规则进行迭代，以得到最终规则。

同样的，一个规则中包括至少一个合取项，而在合取项中，一个交易属性指标会存在多个值对，可能会产生交易属性指标相同的两个规则，但交易属性指标对应的值对具有不相同的最优规则和次优规则，因此，在初始规则满足预设条件后，通过改变规则中交易属性指标对应的值对进行迭代，以得到最优规则。

步骤S500，从所述最终规则提取多个关键评估字段，将所述多个关键评估字段填入预设的交易风险评估模板中，以生成交易风险评估策略。

具体的，通过对不同的最终规则中的关键评估字段的提取，以及关键风险评估模板的应用，能够动态生成与最终规则对应的交易风险评估策略。将最优规则以及对应的评估结果展示在界面上，供开发人员对选取出来的最终规则进行规则合并，得到交易风险策略。

通过设置交易风险评估模板，有助于对交易风险评估策略的统一管控。

步骤S600，根据所述交易风险评估策略对交易事件进行评估，得到所述交易事件的风险评估结果。

在示例性的实施例中，请参阅图5，步骤600还可以进一步包括：

步骤S601，获取交易事件的交易流水数据；

步骤S602，按照预设规则对所述交易流水数据进行逻辑计算，得到衍生交易流水数据；

步骤S603，根据所述交易风险评估策略对所述衍生交易流水数据进行评估，以得到所述交易事件的风险评估结果。

具体的，要对实时交易进行风险评估时，获取实时交易流水数据，并根据预设规则对实时交易流水数据进行逻辑预算，得到实时衍生交易流水数据，再根据风险交易评估侧策略对实时衍生交易流水数据进行评估，得到实时交易的风险评估。

本发明通过获取历史交易流水数据；对所述历史交易流水数据进行分析，得到所述历史交易流水数据对应的交易属性指标、交易属性指标对应的指标数据和指标数据对应的类别；基于所述交易属性指标、所述交易属性指标对应的指标数据和所述指标数据对应的类别，生成初始规则，对所述初始规则进行求精，得到最终规则；根据所述最终规则生成交易风险评估策略；根据所述交易风险评估策略对实时交易事件进行评估，得到所述交易事件的风险评估结果，提高了交易风险评估的效率和准确率。

实施例二

请继续参阅图6，示出了本发明交易事件风险评估系统的程序模块示意图。在本实施例中，交易事件风险评估系统20可以包括或被分割成一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器所执行，以完成本发明，并可实现上述交易事件风险评估方法。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序本身更适合于描述交易事件风险评估系统20在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能：

数据获取模块200，用于获取历史交易流水数据。

具体的，历史交易流水数据是指在用户在交易过程中产生的数据，例如，交易日期、交易时间、交易卡号、交易账号、地区号、网点号、地点、终端编号、柜员编号、交易凭证、交易渠道等等。

在示例性的实施例中，通过sql(结构化查询语言)从业务数据库中获取历史交易流水数据，所述业务系统数据库包括但不限于：关系型数据库、分布式搜索引擎数据库和缓存数据库。所述历史交易流水数据指的是基于业务层产生的业务数据。

数据处理模块202，用于对所述历史交易流水数据进行分析，得到所述历史交易流水数据对应的交易属性指标、与所述交易属性指标对应的指标数据和与所述指标数据对应的类别。

进一步地，数据处理模块202还用于：

按照预设规则对所述历史交易流水数据进行逻辑计算，得到历史衍生交易流水数据。

所述衍生交易流水数据是指基于所述历史交易流水数据，利用预设的规则进行二次计算所衍生出来的数据，例如：贷款申请笔数一个历史交易流水数据，平均贷款申请笔数则表示一个衍生交易流水数据。

详细地，所述按照预设规则对所述历史交易流水数据进行逻辑计算，得到衍生交易流水数据，包括：

将所述历史交易流水数据输入至预设的计算公式中，得到所述衍生交易流水数据。

其中，所述预设的计算公式可以由开发人员根据生成规则的需求自定义选择设置。例如：历史交易流水数据为贷款申请笔数，衍生交易流水数据为平均每个月的贷款申请笔数，则可以通过计算公式可以为n/12得到每个月的贷款申请笔数的衍生流水数据，其中，n为一年所有的贷款申请笔数。

对所述历史衍生交易流水数据进行属性分类，得到交易属性指标和与所述交易属性指标对应的指标数据。

具体的，指标数据是指用于对历史衍生交易流水数据进行分类的数据，根据历史衍生交易流水的属性，确定指标数据。例如，根据平均每个月的贷款申请笔数，可以将确定指标数据划分为平均每个月的贷款申请笔数在3-5，3-10，10以上，得到平均每个月的贷款申请笔数的指标数据。

根据所述交易属性指标和所述指标数据，将所述历史衍生交易流水数据进行划分至对应的类别。

具体的，当确定指标数据为3-5，3-10，10以上时，对应根据指标数据将衍生交易流水数据划分为“低风险”、“中风险”和“高风险”等，例如，以指标数据为平均每个月的贷款申请笔数为例，当衍生交易流水数据是平均每个月的贷款申请笔数为3时，确定该衍生交易流水数据的类别为低风险。

规则生成模块204，用于基于所述交易属性指标、所述交易属性指标对应的指标数据和所述指标数据对应的类别，生成初始规则，所述初始规则包括规则前件和规则后件，所述规则前件为由所述交易属性指标和所述交易属性指标对应的指标数据构成的N个合取项构成的集合，所述N为大于等于0的整数；所述规则后件为通过所述合取项确定的类别。

在示例性的实施例中，规则可以表示为如下形式：

ri:(条件i)→yi；

规则左边ri:(条件i)为规则前件或前提。ri是交易属性指标的合取，即同时满足规则(条件i)中的所有交易属性指标。

条件i＝(A1 op v1)∧(A2 op v2)∧…∧(Aj op vj)；

其中(Aj，vj)是交易属性指标-值对，值对是指交易属性指标对应的值，例如交易属性指标为“疑似欺诈率”，值对为10％，op是比较运算符，取自集合{＝，≠，﹤，﹥，≦，≧}，∧表示并列关系。每一个交易属性指标-值对(Aj op vj)称为一个合取项。规则右边称为规则后件，包含预测类别yi。例如，一个规则为r1:(逾期罚息≧10000)∧(违约本金≧100000)→高风险，规则一表示交易主体的逾期罚息大于等于10000并且违约本金大于等于100000，判定此条交易为高风险交易。

所述规则生成模块204，还用于对所述初始规则进行求精，得到最终规则。

在示例性的实施例中，假设生成的初始规则的规则前件为合取项个数为0的空集；对所述初始规则进行求精，得到最终规则。

进一步地，所述规则生成模块204还用于：

当所述初始规则的规则前件为合取项个数为0的空集时；逐个在所述规则前件中添加合取项，对所述初始规则进行求精，直到所述初始规则满足预设条件。

具体的，规则前件合取项个数为0的初始规则为：r:{}→y，其中规则左边是一个空集，规则右边包含目标类。该初始规则的质量很差，因为规则右边是一个空集，所以这个初始规则覆盖所有的类别。

在示例性的实施例中，所述对所述初始规则进行求精，直到所述初始规则满足预设条件包括：

当根据在所述规则前件中加入的合取项得到的所述规则后件不能满足所述预设条件时，停止对所述初始规则进行求精。

具体的，通过在初始规则左边加入新的合取项，对初始规则进行求精，来提高规则的质量，不断在初始规则左边加入合取项，直到规则后件满足预设条件为止，在示例性的实施例中，预设条件为加入的合取项不能继续提高规则的质量。

在示例性的实施例中，通过精准度和覆盖率对规则的质量进行评估，即当加入合取向，规则的精准度和覆盖率保持不变时，则表示已满足预设条件。

其中，精准度公式为：p＝TP/(TP+FP)，表示正确预测为正占全部预测为正的比例，在本实施例中，表示通过正确通过规则判定出来的类别占规则全部判定为正的比例，例如，规则判定出来类别为高风险的交易有10条，其中有8条为高风险交易，则该规则的精准度为80％。

覆盖率公式为：recall＝TP/(TP+FN)；表示正确预测TP为正占全部正样本FN的比例，在本实施例中，表示正确通过规则判定出来的类别占全部的比例，例如，全部高风险类别的交易一共10条，通过规则判定出来的高风险交易为8条，则该规则的覆盖率为80％。

其中，TP是交易实际是该类别，规则预测结果也是该类别，例如，某个交易是高风险，通过规则预测出来的也是高风险；FP是指交易实际上不是该类别，但是通过规则预测出来是该类别，例如，某条交易是低风险或中风险，通过规则预测出来的为高风险；FN是指交易实际是该类别，通过规则预测出来不是该类别，例如，交易实际上是高风险，而通过规则预测出来的为低风险或中风险。

对满足所述预设条件的初始规则进行迭代，以得到最终规则。

具体的，一个规则中包括至少一个合取项，而在合取项中，一个交易属性指标会存在多个值对，例如交易属性指标为“疑似欺诈率”，对应的值对可能为10％，15％等1％～100％的任意数字，并且由于有多个类别，例如，交易属性指标为疑似欺诈率时，当值对的范围为“值对≧80％”为高风险，值对范围为“50％≦值对≦80％”为中风险，当值对的范围为“值对≦50％”为低风险，同时当一个规则中包括多个合取项时，可能会产生交易属性指标相同的两个规则，但交易属性指标对应的值对不相同的最优规则和次优规则，因此，在初始规则满足预设条件后，通过改变规则中交易属性指标对应的值对进行迭代，以得到最优规则。

对满足所述预设条件的初始规则进行迭代，以得到最终规则。

随机确定一个可以正确预测类别的规则为初始规则，所述初始规则的规则前件中包括M个合取项，其中，M为大于1的整数。

进一步地，所述规则生成模块204还用于：

逐个删除所述规则前件中的合取项，对所述初始规则进行求精，直到所述初始规则满足预设条件；

对满足所述预设条件的初始规则进行迭代，以得到最终规则。

同样的，一个规则中包括至少一个合取项，而在合取项中，一个交易属性指标会存在多个值对，可能会产生交易属性指标相同的两个规则，但交易属性指标对应的值对具有不相同的最优规则和次优规则，因此，在初始规则满足预设条件后，通过改变规则中交易属性指标对应的值对进行迭代，以得到最优规则。

策略生成模块206，用于从所述最终规则提取多个关键评估字段，将所述多个关键评估字段填入预设的交易风险评估模板中，以生成交易风险评估策略。

具体的，通过对不同的最终规则中的关键评估字段的提取，以及关键风险评估模板的应用，能够动态生成与最终规则对应的交易风险评估策略。将最优规则以及对应的评估结果展示在界面上，供开发人员对选取出来的最终规则进行规则合并，得到交易风险策略。

通过设置交易风险评估模板，有助于对交易风险评估策略的统一管控。

评估模块208，用于根据所述交易风险评估策略对交易事件进行评估，得到所述交易事件的风险评估结果。

进一步地，所述评估模块208还用于：。

获取交易事件的交易流水数据；

按照预设规则对所述交易流水数据进行逻辑计算，得到衍生交易流水数据；

根据所述交易风险评估策略对所述衍生交易流水数据进行评估，以得到所述交易事件的风险评估结果。

具体的，要对实时交易进行风险评估时，获取实时交易流水数据，并根据预设规则对实时交易流水数据进行逻辑预算，得到实时衍生交易流水数据，再根据风险交易评估侧策略对实时衍生交易流水数据进行评估，得到实时交易的风险评估。

实施例三

参阅图7，是本发明实施例三之计算机设备的硬件架构示意图。本实施例中，所述计算机设备2是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。该计算机设备2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。如图7所示，所述计算机设备2至少包括，但不限于，可通过系统总线相互通信连接存储器21、处理器22、网络接口23、以及交易事件风险评估系统20。其中：

本实施例中，存储器21至少包括一种类型的计算机可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器21可以是计算机设备2的内部存储单元，例如该计算机设备2的硬盘或内存。在另一些实施例中，存储器21也可以是计算机设备2的外部存储设备，例如该计算机设备2上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器21还可以既包括计算机设备2的内部存储单元也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备2的操作系统和各类应用软件，例如上述实施例二的交易事件风险评估系统20的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备2的总体操作。本实施例中，处理器22用于运行存储器21中存储的程序代码或者处理数据，例如运行交易事件风险评估系统20，以实现上述实施例的交易事件风险评估方法。

所述网络接口23可包括无线网络接口或有线网络接口，该网络接口23通常用于在所述计算机设备2与其他电子装置之间建立通信连接。例如，所述网络接口23用于通过网络将所述计算机设备2与外部终端相连，在所述计算机设备2与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication，GSM)、宽带码分多址(WidebandCode Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。

需要指出的是，图7仅示出了具有部件20-23的计算机设备2，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。

在本实施例中，存储于存储器21中的所述交易事件风险评估系统20还可以被分割为一个或者多个程序模块，所述一个或者多个程序模块被存储于存储器21中，并由一个或多个处理器(本实施例为处理器22)所执行，以完成本发明。

例如，图6示出了所述实现交易事件风险评估系统20实施例二的程序模块示意图，该实施例中，所述基于交易事件风险评估系统20可以被划分为数据获取模块200、数据处理模块202、规则生成模块204、策略生成模块206和评估模块208。其中，本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述所述交易事件风险评估系统20在所述计算机设备2中的执行过程。所述程序模块数据获取模块200-评估模块208的具体功能在实施例二中已有详细描述，在此不再赘述。

实施例四

本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储交易事件风险评估系统20，被处理器执行时实现上述实施例一的交易事件风险评估方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。