技術(shù)特征：

1.一種用于虛擬資源操作的風(fēng)險控制方法，其特征在于，包括：

獲取各個個體賬戶在歷史時間區(qū)間內(nèi)的第一操作行為數(shù)據(jù)和目標賬戶在所述歷史時間區(qū)間內(nèi)的第二操作行為數(shù)據(jù)；

利用獲取到的所述第一操作行為數(shù)據(jù)和所述第二操作行為數(shù)據(jù)，預(yù)測在第一時刻點所述目標賬戶發(fā)生風(fēng)險事件的第一風(fēng)險概率；

根據(jù)預(yù)測得到的所述第一風(fēng)險概率和所述目標賬戶的虛擬資源操作數(shù)據(jù)，調(diào)整所述目標賬戶在所述第一時刻點的虛擬資源的額度基線，以對所述目標賬戶的風(fēng)險進行動態(tài)控制。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，利用獲取到的所述第一操作行為數(shù)據(jù)和所述第二操作行為數(shù)據(jù)，預(yù)測在第一時刻點所述目標賬戶發(fā)生風(fēng)險事件的第一風(fēng)險概率包括：

獲取所述各個個體賬戶在所述第一時刻點發(fā)生所述風(fēng)險事件的第二風(fēng)險概率；

基于所述第一操作行為數(shù)據(jù)確定所述各個個體賬戶發(fā)生所述風(fēng)險事件的風(fēng)險參數(shù)；

根據(jù)所述第二風(fēng)險概率、所述風(fēng)險參數(shù)以及所述第二操作行為數(shù)據(jù)進行概率計算，得到在所述第一時刻點所述目標賬戶發(fā)生所述風(fēng)險事件的所述第一風(fēng)險概率。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述第一時刻點為多個，其中，根據(jù)所述第二風(fēng)險概率、所述風(fēng)險參數(shù)以及所述第二操作行為數(shù)據(jù)進行概率計算，得到在所述第一時刻點所述目標賬戶發(fā)生所述風(fēng)險事件的所述第一風(fēng)險概率包括：

根據(jù)所述第二風(fēng)險概率、所述風(fēng)險參數(shù)以及所述第二操作行為數(shù)據(jù)計算所述目標賬戶在各個所述第一時刻點發(fā)生所述風(fēng)險事件的第一風(fēng)險子概率；

記錄每次執(zhí)行計算所述第一風(fēng)險子概率的操作的第一時刻點及該第一時刻點的權(quán)重；

按照各個所述第一時刻點對應(yīng)的權(quán)重和各個所述第一時刻點對應(yīng)的所述第二風(fēng)險子概率進行加權(quán)計算，得到加權(quán)后的所述第一風(fēng)險概率。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，根據(jù)所述第二風(fēng)險概率、所述風(fēng)險參數(shù)以及所述第二操作行為數(shù)據(jù)計算所述目標賬戶在各個所述第一時刻點發(fā)生所述風(fēng)險事件的第一風(fēng)險子概率包括：

按照離散邏輯模型計算所述第一風(fēng)險子概率h_i(t)，其中，所述離散邏輯模型為：

其中，所述h₀(t)為所述第二風(fēng)險概率，β′為所述風(fēng)險參數(shù)，x_i為所述目標賬戶的所述第二操作行為數(shù)據(jù)對應(yīng)的行為特征矩陣。

5.根據(jù)權(quán)利要求3所述的方法，其特征在于，在根據(jù)所述第二風(fēng)險概率、所述風(fēng)險參數(shù)以及所述第二操作行為數(shù)據(jù)計算所述目標賬戶在各個所述第一時刻點發(fā)生所述風(fēng)險事件的第一風(fēng)險子概率之后，所述方法還包括：

按照多個所述第一風(fēng)險子概率與多個所述第一時刻點的對應(yīng)關(guān)系，繪制所述目標賬戶的風(fēng)險曲線。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，根據(jù)預(yù)測得到的所述第一風(fēng)險概率和所述目標賬戶的虛擬資源操作數(shù)據(jù)，調(diào)整所述目標賬戶在所述第一時刻點的虛擬資源的額度基線包括：

基于所述第一風(fēng)險概率和所述目標賬戶的虛擬資源操作數(shù)據(jù)通過預(yù)設(shè)映射函數(shù)進行風(fēng)險敞口計算，以獲取所述目標賬戶在所述第一時刻點的所述虛擬資源的操作風(fēng)險數(shù)據(jù)，其中，

所述預(yù)設(shè)映射函數(shù)f(h_i(t))包括：$F\left(h_i\left(t\right)\right)={\min }_{f\left(h_i\left(t\right)\right)}{\mathrm{\Σ}}_i\mathrm{HIS}\_\mathrm{AVG}\_\mathrm{AM}{T}_i*$$\begin{array}{cccc}\mathrm{fhit}*\mathrm{hit},& s.t.& \mathrm{hit}\∈\mathrm{0,1}& \∀i,\end{array}$所述hit為所述第一風(fēng)險概率，所述HIS_AVG_AMT_i為所述目標賬戶的虛擬資源的操作數(shù)據(jù)，i為自然數(shù)；

使用計算得到的所述目標賬戶的所述虛擬資源的操作風(fēng)險數(shù)據(jù)，調(diào)整所述目標賬戶在所述第一時刻點的虛擬資源的額度基線。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述目標賬戶的虛擬資源操作數(shù)據(jù)包括：所述目標賬戶操作所述虛擬資源的歷史操作數(shù)值的平均值或所述目標賬戶所屬的類別中的所述各個個體賬戶操作所述虛擬資源的歷史操作數(shù)值的平均值；所述目標賬戶對所述虛擬資源的操作包括：交換操作和/或轉(zhuǎn)移操作。

8.根據(jù)權(quán)利要求2所述的方法，其特征在于，基于所述第一操作行為數(shù)據(jù)確定所述各個個體賬戶發(fā)生所述風(fēng)險事件的風(fēng)險參數(shù)包括：

獲取所述各個個體賬戶的歷史特征矩陣，其中，所述第一操作行為數(shù)據(jù)包括用于描述所述各個個體賬戶在所述歷史時間區(qū)間內(nèi)的歷史操作行為特征的所述歷史特征矩陣；

計算所述各個個體賬戶在所述歷史時間區(qū)間內(nèi)發(fā)生所述風(fēng)險事件的歷史概率；

使用最大離散似然估計法計算所述歷史特征矩陣和所述歷史概率所對應(yīng)的系數(shù)矩陣，得到所述風(fēng)險參數(shù)。

9.根據(jù)權(quán)利要求1至8中任意一項所述的方法，其特征在于，在調(diào)整所述目標賬戶在所述第一時刻點的虛擬資源的額度基線之后，所述方法還包括：

接收到基于所述目標賬戶的虛擬資源操作請求，其中，所述虛擬資源操作請求中攜帶有請求操作的操作事件的操作值；

若所述操作值超過所述額度基線所指示的所述操作事件的操作閾值，則拒絕執(zhí)行所述操作事件，或?qū)λ鎏摂M資源操作請求進行驗證。

10.一種用于虛擬資源操作的風(fēng)險控制裝置，其特征在于，包括：

獲取單元，用于獲取各個個體賬戶在歷史時間區(qū)間內(nèi)的第一操作行為數(shù)據(jù)和目標賬戶在所述歷史時間區(qū)間內(nèi)的第二操作行為數(shù)據(jù)；

預(yù)測單元，用于利用獲取到的所述第一操作行為數(shù)據(jù)和所述第二操作行為數(shù)據(jù)，預(yù)測在第一時刻點所述目標賬戶發(fā)生風(fēng)險事件的第一風(fēng)險概率；

調(diào)整單元，用于根據(jù)預(yù)測得到的所述第一風(fēng)險概率和所述目標賬戶的虛擬資源操作數(shù)據(jù)，調(diào)整所述目標賬戶在所述第一時刻點的虛擬資源的額度基線，以對所述目標賬戶的風(fēng)險進行動態(tài)控制。

11.根據(jù)權(quán)利要求10所述的裝置，其特征在于，所述預(yù)測單元包括：

獲取模塊，用于獲取所述各個個體賬戶在所述第一時刻點發(fā)生所述風(fēng)險事件的第二風(fēng)險概率；

確定模塊，用于基于所述第一操作行為數(shù)據(jù)確定所述各個個體賬戶發(fā)生所述風(fēng)險事件的風(fēng)險參數(shù)；

第一計算模塊，用于根據(jù)所述第二風(fēng)險概率、所述風(fēng)險參數(shù)以及所述第二操 作行為數(shù)據(jù)進行概率計算，得到在所述第一時刻點所述目標賬戶發(fā)生所述風(fēng)險事件的所述第一風(fēng)險概率。

12.根據(jù)權(quán)利要求11所述的裝置，其特征在于，所述第一計算模塊包括：

第一計算子模塊，用于根據(jù)所述第二風(fēng)險概率、所述風(fēng)險參數(shù)以及所述第二操作行為數(shù)據(jù)計算所述目標賬戶在各個所述第一時刻點發(fā)生所述風(fēng)險事件的第一風(fēng)險子概率；

記錄模塊，用于記錄每次執(zhí)行計算所述第一風(fēng)險子概率的操作的第一時刻點及該第一時刻點的權(quán)重；

第二計算子模塊，用于按照各個所述第一時刻點對應(yīng)的權(quán)重和各個所述第一時刻點對應(yīng)的所述第二風(fēng)險子概率進行加權(quán)計算，得到加權(quán)后的所述第一風(fēng)險概率，

其中，所述第一時刻點為多個。

13.根據(jù)權(quán)利要求12所述的裝置，其特征在于，所述第一計算子模塊包括：

邏輯計算模塊，用于按照離散邏輯模型計算所述第一風(fēng)險子概率h_i(t)，其中，所述離散邏輯模型為：

其中，所述h₀(t)為所述第二風(fēng)險概率，β′為所述風(fēng)險參數(shù)，x_i為所述目標賬戶的所述第二操作行為數(shù)據(jù)對應(yīng)的行為特征矩陣。

14.根據(jù)權(quán)利要求12所述的裝置，其特征在于，所述第一計算模塊還包括：

繪制單元，用于在根據(jù)所述第二風(fēng)險概率、所述風(fēng)險參數(shù)以及所述第二操作行為數(shù)據(jù)計算所述目標賬戶在各個所述第一時刻點發(fā)生所述風(fēng)險事件的第一風(fēng)險子概率之后，按照多個所述第一風(fēng)險子概率與多個所述第一時刻點的對應(yīng)關(guān)系，繪制所述目標賬戶的風(fēng)險曲線。

15.根據(jù)權(quán)利要求10所述的裝置，其特征在于，所述調(diào)整單元包括：

第二計算模塊，用于基于所述第一風(fēng)險概率和所述目標賬戶的虛擬資源操作數(shù)據(jù)通過預(yù)設(shè)映射函數(shù)進行風(fēng)險敞口計算，以獲取所述目標賬戶在所述第一時刻點的所述虛擬資源的操作風(fēng)險數(shù)據(jù)，其中，

所述預(yù)設(shè)映射函數(shù)f(h_i(t))包括：$f\left(h_i\left(t\right)\right)={\min }_{f\left(h_i\left(t\right)\right)}{\mathrm{\Σ}}_i\mathrm{HIS}\_\mathrm{AVG}\_\mathrm{AM}{T}_i*$$\begin{array}{cccc}f\left(h_i\left(t\right)\right)*h_i\left(t\right),& s.t.& h_i\left(t\right)\∈\left[\mathrm{0,1}\right]& \∀i,\end{array}$所述h_i(t)為所述第一風(fēng)險概率，所述HIS_AVG_AMT_i為所述目標賬戶的虛擬資源的操作數(shù)據(jù)，i為自然數(shù)；

使用計算得到的所述目標賬戶的所述虛擬資源的操作風(fēng)險數(shù)據(jù)，調(diào)整所述目標賬戶在所述第一時刻點的虛擬資源的額度基線。

16.根據(jù)權(quán)利要求15所述的裝置，其特征在于，所述目標賬戶的虛擬資源操作數(shù)據(jù)包括：所述目標賬戶操作所述虛擬資源的歷史操作數(shù)值的平均值或所述目標賬戶所屬的類別中的所述各個個體賬戶操作所述虛擬資源的歷史操作數(shù)值的平均值；所述目標賬戶對所述虛擬資源的操作包括：交換操作和/或轉(zhuǎn)移操作。

17.根據(jù)權(quán)利要求11所述的裝置，其特征在于，所述確定模塊包括：

獲取子模塊，用于獲取所述各個個體賬戶的歷史特征矩陣，其中，所述第一操作行為數(shù)據(jù)包括用于描述所述各個個體賬戶在所述歷史時間區(qū)間內(nèi)的歷史操作行為特征的所述歷史特征矩陣；

第三計算子模塊，用于計算所述各個個體賬戶在所述歷史時間區(qū)間內(nèi)發(fā)生所述風(fēng)險事件的歷史概率；

第四計算子模塊，用于使用最大離散似然估計法計算所述歷史特征矩陣和所述歷史概率所對應(yīng)的系數(shù)矩陣，得到所述風(fēng)險參數(shù)。

18.根據(jù)權(quán)利要求10至17中任意一項所述的裝置，其特征在于，所述裝置還包括：

接收單元，用于在調(diào)整所述目標賬戶在所述第一時刻點的虛擬資源的額度基線之后，接收到基于所述目標賬戶的虛擬資源操作請求，其中，所述虛擬資源操作請求中攜帶有請求操作的操作事件的操作值；

處理單元，用于若所述操作值超過所述額度基線所指示的所述操作事件的操作閾值，則拒絕執(zhí)行所述操作事件，或?qū)λ鎏摂M資源操作請求進行驗證。