(19)中华 人民共和国 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 202210018521.4 (22)申请日 2022.01.07 (71)申请人 上海爱富爱克斯网络科技发展 有限 责任公司 地址 201203 上海市浦东 新区中国 （上海） 自由贸易试验区祖冲之路2277弄17号 302室 (72)发明人 张欢斌　 (74)专利代理 机构 上海科律专利代理事务所 (特殊普通 合伙) 31290 代理人 袁亚军 (51)Int.Cl. G06Q 40/06(2012.01) G06F 16/35(2019.01) G06F 40/30(2020.01)G06F 40/216(2020.01) G06K 9/62(2022.01) G06N 7/02(2006.01) G06N 3/12(2006.01) (54)发明名称 一种基于大数据的金融机构信用评价方法 (57)摘要 本发明公开了一种基于大数据的金融机构 信用评价方法， 包括如下步骤： S1、 获取所有待 监 控金融机构的信用主体信息； S2、 对待监控金融 机构的资产管理成熟度进行评价； S3、 基于区块 合约地址及哈希值对金融机构资产进行转移追 踪溯源； S4、 对金融机构投资能力进行预测并输 出评价指标； 所述步骤S2采用定量指标和非量化 指标的组合评价方式得出金融机构资产管理成 熟度评价结果。 本发明提供的基于大数据的金融 机构信用评价方法， 基于成熟度评价方法， 结合 资产转移追踪溯源和投资能力预测， 从而能够对 金融机构的信用及风险做出准确实时的评估， 为 监管部门和用户选择提供参考， 大大提升用户对 金融机构的信任度， 并能降低用户的投资风险。 权利要求书2页 说明书5页 附图1页 CN 114358953 A 2022.04.15 CN 114358953 A 1.一种基于大 数据的金融机构信用评价方法， 其特 征在于， 包括如下步骤： S1、 获取所有待监控金融机构的信用主体信息； S2、 对待监控金融机构的资产管理成熟度进行评价； S3、 基于区块 合约地址及哈希值对金融机构资产进行转移追踪溯源； S4、 对金融机构投资能力进行 预测并输出评价指标。 2.如权利要求1所述的基于大数据的金融机构信用评价方法， 其特征在于， 所述步骤S1 还包括提供基于全球各地交易所实景VR勘察的实勘功能模块， 让用户通过网站/App了解到 交易所是否有真实办公场地， 以供投资决策； 并提供全球监管政策地图， 不定期为用户提供 最新全球最 新监管政策。 3.如权利要求1所述的基于大数据的金融机构信用评价方法， 其特征在于， 所述步骤S2 采用定量指标和非量 化指标的组合评价方式得 出金融机构资产管理成熟度评价结果； 对定量指标采用包含负向产出的SBM超效率DEA模型进行超效率评价， 负向产出的定量 指标包括计提损失准备 金、 用户投诉次数和舆情检测数据； 对非量化指标进行FCA评价， 并采用基于格栅获取的模糊 Borda数法来确定非量化指标 的权重。 4.如权利要求3所述的基于大数据的金融机构信用评价方法， 其特征在于， 所述步骤S2 将金融机构资产管理成熟度划分为初始级、 认知级、 成长级、 规范级和优化级， 具体评价方 式如下： 设定评论集为V＝(v0,v1,v2,v3,v4)， 分别表示成熟度模型中的5个阶段(初始级、 认知 级、 成长级、 规范级、 优化级)， 采用k个评价因素， 综合评价矩阵为： 权重矩阵Wi＝(wi1,wi2,…,wik)， i＝1,2,…,k， 则 Pi为第i个评价单 元分指标中的非量 化因素经过模糊综合评价所 得的结果。 5.如权利要求1所述的基于大数据的金融机构信用评价方法， 其特征在于， 所述步骤S2 基于AI算法对所有 待监控金融机构进行舆情检测， 并形成统计图表供用户查询。 6.如权利要求5所述的基于大数据的金融机构信用评价方法， 其特征在于， 所述步骤S2 利用TF‑IFT或TextRank方法进行数据采集， 通过DataStage平台将采集来的数据进行清洗 与分析， 再通过P MI‑IR算法进 行语义识别和舆情 检测， 并对网络舆情进 行统计， 最终通过页 面展示。 7.如权利要求1所述的基于大数据的金融机构信用评价方法， 其特征在于， 所述步骤S3 包括： 先对金融机构的交易项目进 行有效的评 分， 然后对评分低于预设阈值的项目， 收集项 目方相关档案 资料、 监管信息、 项目链上资产监控和最新新闻资讯， 并基于区块合约地址及 哈希值对项目涉及资产进行转移追踪溯源。 8.如权利要求1所述的基于大数据的金融机构信用评价方法， 其特征在于， 所述步骤S4 包括：权　利　要　求　书 1/2 页 2 CN 114358953 A 2S41、 确定金融机构投资能力的初始影响因素， 并通过灰色关联度计算对影响因素进行 初步选择； S42、 利用偏最小二乘法中的主成分分析对初始影响因素进行提取， 并将提取出的成分 通过支持向量机模型构建训练样本集； S43、 利用遗传算法对支持向量机的参数进行优化， 并利用优化后的支持向量机对金融 机构投资能力进行 预测并输出评价指标。 9.如权利要求8所述的基于大数据的金融机构信用评价方法， 其特征在于， 所述步骤 S41中灰色 关联度计算如下： ρ0i＝θ ε0i+(1‑θ )r0i； 其中， θ为分辨系数， θ∈[0,1]， θ 的取值范围为0.3～0.4， 表示除了关注金融机构的历 史盈利外， 更看重金融机构的成长 趋势， r0i为灰色相对关联度， ε0i为灰色绝对关联度。 10.如权利要求8所述的基于大数据的金融机构信用评价方法， 其特征在于， 所述步骤 S42包括： 将提取的主成分t1,t2,…,t作为支持向量机的样本输入， u1＝f(t)作为支持向量机 的 输出； 构建训练集样本{(ti,yi),i＝1,2, …h}； 其中ti(ti∈Rd)是第i个训练样本的输入列向 量， yi∈R为对应的输出值， 并建立基于分位数损失的回归函数， 分位数损失函数γ的取值 范围为0.2 ～0.3。权　利　要　求　书 2/2 页 3 CN 114358953 A 3