CN109376899A - 一种经济波动数据确定方法及装置 - Google Patents

一种经济波动数据确定方法及装置 Download PDF

Info

Publication number
CN109376899A
CN109376899A CN201811013243.3A CN201811013243A CN109376899A CN 109376899 A CN109376899 A CN 109376899A CN 201811013243 A CN201811013243 A CN 201811013243A CN 109376899 A CN109376899 A CN 109376899A
Authority
CN
China
Prior art keywords
data
economic
microeconomy
macroeconomic
vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811013243.3A
Other languages
English (en)
Inventor
朱光耀
钱坤
郝瀚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201811013243.3A priority Critical patent/CN109376899A/zh
Publication of CN109376899A publication Critical patent/CN109376899A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Technology Law (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书提供一种经济波动数据确定方法及装置。所述方法包括：结合宏观经济数据以及商户和/或消费者对应的微观经济数据，利用向量自回归模型，构建出外部宏观经济预测模型，预测出外部宏观经济场景即经济波动数据。微观经济数据可以弥补宏观经济数据滞后性的缺点，提高经济波动数据预测时数据的时效性，通过加入高频的微观经济数据，改进了向量自回归模型的反应速度和预测性能，最终达成生成合理可信的宏观压力场景的目标，为后续风险压力测试提供了准确的数据基础。

Description

一种经济波动数据确定方法及装置
技术领域
本说明书属于金融数据处理技术领域，尤其涉及一种经济波动数据确定方法及装置。
背景技术
一些金融项目需要通过风险测试或压力测试，评估项目的风险程度。在进行风险测试或压力测试时，需要准确的外部宏观市场作为压力场景，压力场景可以用来模拟宏观经济变量的大幅度波动情况。
现有技术中，通常利用的宏观经济数据模拟确定宏观压力场景，但是，宏观的经济数据通常比较少，对于经济波动情况的确定可能不够准确，影响后续项目的风险测试或压力测试的结果。
发明内容
本说明书目的在于提供一种经济波动数据确定方法及装置，改进宏观经济预测模型的反应速度、预测性能，提高了经济波动数据预测结果的准确性。
一方面本说明书实施例提供了一种经济波动数据确定方法，包括：
获取宏观经济数据和微观经济数据，所述微观经济数据包括：与商户和/或消费者相关联的经济数据；
将所述宏观经济数据和所述微观经济数据，输入向量自回归模型，获得经济波动数据，所述向量自回归模型的训练数据至少包括宏观经济数据与经济波动数据之间的对应关系数据、微观经济数据与经济波动数据之间的对应关系数据。
进一步地，所述方法的另一个实施例中，所述方法还包括：
利用所述经济波动数据进行压力测试，获得经济波动数据对应的经济损失，所述压力测试包括：市场流动性风险压力测试、融资流动性风险压力测试中的至少一种；
将所述经济损失输入业务网络模型中，获得所述经济波动数据对应的损失分布，所述业务网络模型至少表征业务节点之间的业务联系、所述业务节点之间的风险敞口。
进一步地，所述方法的另一个实施例中，将所述损失分布反馈至所述向量自回归模型，以所述损失分布作为所述向量自回归模型的输入数据，对所述经济波动数据进行调整。
进一步地，所述方法的另一个实施例中，所述宏观经济数据包括：国内生产总值、居民消费价格指数、进出口量、广义货币供给量；
所述微观经济数据包括：所述商户和/或消费者的借贷数据、违约率、出口数据、消费数据。
进一步地，所述方法的另一个实施例中，所述向量自回归模型采用贝叶斯向量自回归模型。
进一步地，所述方法的另一个实施例中，所述贝叶斯向量自回归模型被设置为按照下述方式建立：
获取历史宏观经济数据、历史微观经济数据；
建立所述贝叶斯向量自回归模型，其中，所述贝叶斯向量自回归模型中包括多个模型参数；
将所述历史宏观经济数据、历史微观经济数据输入所述贝叶斯向量自回归模型，利用先验分布信息对所述贝叶斯向量自回归模型进行训练，调整所述模型参数，直至所述贝叶斯向量自回归模型达到预设要求。
进一步地，所述方法的另一个实施例中，所述向量自回归模型中的模型参数包括：开放经济体、国外经济体，将第一指定地区作为所述开放经济体，将第二指定地区作为所述国外经济体。
另一方面，本说明书提供了经济波动数据确定装置，包括：
数据获取模块，用于获取宏观经济数据和微观经济数据，所述微观经济数据包括：与商户和/或消费者相关联的经济数据；
经济预测模块，用于将所述宏观经济数据和所述微观经济数据，输入向量自回归模型，获得经济波动数据，所述向量自回归模型的训练数据至少包括宏观经济数据与经济波动数据之间的对应关系数据、微观经济数据与经济波动数据之间的对应关系数据。
进一步地，所述装置的另一个实施例中，所述装置还包括风险测试模块，用于：
利用所述经济波动数据进行压力测试，获得经济波动数据对应的经济损失，所述压力测试包括：市场流动性风险压力测试、融资流动性风险压力测试中的至少一种；
将所述经济损失输入业务网络模型中，获得所述经济波动数据对应的损失分布，所述业务网络模型数据业务节点之间的业务联系、所述业务节点之间的风险敞口。
进一步地，所述装置的另一个实施例中，所述风险测试模块还用于：
将所述损失分布反馈至所述经济预测模块中的向量自回归模型，以所述损失分布作为所述向量自回归模型的输入数据，对所述经济波动数据进行调整。
进一步地，所述装置的另一个实施例中，所述数据获取模块获取的所述宏观经济数据包括：国内生产总值、居民消费价格指数、进出口量、广义货币供给量；
所述数据获取模块获取的所述微观经济数据包括：所述商户和/或消费者的借贷数据、违约率、出口数据、消费数据。
进一步地，所述装置的另一个实施例中，所述经济预测模块中的所述向量自回归模型采用贝叶斯向量自回归模型。
进一步地，所述装置的另一个实施例中，所述经济预测模块包括模型构建单元，用于：
获取历史宏观经济数据、历史微观经济数据；
建立所述贝叶斯向量自回归模型，其中，所述贝叶斯向量自回归模型中包括多个模型参数；
将所述历史宏观经济数据、历史微观经济数据输入所述贝叶斯向量自回归模型，利用先验分布信息对所述贝叶斯向量自回归模型进行训练，调整所述模型参数，直至所述贝叶斯向量自回归模型达到预设要求。
进一步地，所述装置的另一个实施例中，所述向量自回归模型中的模型参数包括：开放经济体、国外经济体，将第一指定地区作为所述开放经济体，将第二指定地区作为所述国外经济体。
再一方面，本说明书提供了一种经济波动数据确定的数据处理设备，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现上述经济波动数据确定方法。
又一方面，本说明书提供了一种宏观经济预测系统，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现上述经济波动数据确定方法。
还一方面，本说明书提供了一种经济波动数据确定系统，包括上述是至少一个经济波动数据确定装置。
本说明书提供的经济波动数据确定方法、装置、处理设备、系统，结合宏观经济数据以及商户和/或消费者对应的微观经济数据，利用向量自回归模型，构建出外部宏观经济预测模型，预测出外部宏观经济场景即经济波动数据。微观经济数据可以弥补宏观经济数据滞后性的缺点，提高经济波动数据预测时数据的时效性，通过加入高频的微观经济数据，改进了向量自回归模型的反应速度和预测性能，最终达成生成合理可信的宏观压力场景的目标，为后续风险压力测试提供了准确的数据基础。并且，本说明书实施例中的向量自回归模型容易维护，降低了经济预测的成本。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本说明书一个实施例中经济波动数据确定方法的流程示意图；
图2是本说明书一个实施例中经济风险压力测试的流程示意图；
图3是本说明书一个实施例中基于向量自回归模型进行经济压力测试的流程示意图；
图4是本说明书提供的经济波动数据确定装置一个实施例的模块结构示意图；
图5是本说明书提供的经济波动数据确定装置另一个实施例的模块结构示意图；
图6是应用本发明实施例的一种经济波动数据确定服务器的硬件结构框图；
图7是本说明书一个实施例中宏观经济预测系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
金融项目往往需要进行风险压力测试，以便工作人员对项目可能存在的风险有一定的了解。在进行风险压力测试时，需要对外部的宏观经济(如：金融冲击等)进行一定的模拟预测，如：宏观变量广义货币的供给量、利率、汇率、GDP(国民生产总值)、价格等的大幅波动，比如：货币经济政策导致的货币供应量的变动，宏观经济进入下降周期，房产价格增幅过快等。将预测出的外部宏观经济作为压力场景，对金融项目进行风险压力测试，确定出项目承受金融压力的能力以及可能的风险损失等。
本说明书一个实施例中提供了一种经济波动数据确定方法，结合宏观经济数据以及商户和/或消费者对应的微观经济数据，利用向量自回归模型，构建出外部宏观经济预测模型，预测出外部宏观经济场景即经济波动数据，为后续风险压力测试提供了准确的数据基础。
具体的，图1是本说明书一个实施例中经济波动数据确定方法的流程示意图，如图1所示，本说明书一个实施例中提供的经济波动数据确定方法的整体过程可以包括：
步骤102、获取宏观经济数据和微观经济数据，所述微观经济数据包括：与商户和/或消费者相关联的经济数据。
经济数据可以表示与货币流通相关联的数据，如：消费数据、收入数据、价格、进出口数据、借贷数据、投资数据、股票、基金等。宏观经济数据是由国家或地区主导产生的经济数据，不是由个体主导产生的经济数据，可以表征经济的整体情况，如：表征城市、国家甚至世界的经济情况，如：可以包括某个国家的国内生产总值、居民人均收入等。微观经济数据是由个体主导产生的经济数据，可以表示与个人或者是商户相关联的经济数据，如：可以包括个体的消费数据、投资数据等。可以根据政府或相关机构的经济统计数据获取宏观经济数据和微观经济数据，或者通过网络爬虫技术、大数据分析等方式获取宏观经济数据和微观经济数据，本说明书实施例不作具体限定。本说明书实施例中的宏观经济数据可以使用季度数据，可以增加宏观经济数据的数量。
本说明书一个实施例中，所述宏观经济数据可以包括：国内生产总值(GDP)、居民消费价格指数(如：城市或城镇居民消费价格指数)、进出口量(如：进口交易量、出口交易量)、广义货币供给量。广义货币即M2货币，广义货币是一个经济学概念。国际上对于货币的分类大致包括：货币(M0)＝流通中的现金，即流通于银行体系之外的现金。狭义货币(M1)＝(M0)+企业活期存款；广义货币(M2)＝M1+准货币(定期存款+居民储蓄存款+其他存款+证券公司客户保证金)；另外还有M3＝M2+其他短期流动资产(如国库券、银行承兑汇票、商业票据等)。我国对货币层次的划分是：M0＝流通中的现金；狭义货币(M1)＝M0+企业活期存款；广义货币(M2)＝M1+准货币(定期存款+居民储蓄存款+其他存款)。另外还有M3＝M2+金融债券+商业票据+大额可转让定期存单等。M0、M1、M2、M3都是用来反映货币供应量的重要指标。M1反映着经济中的现实购买力；M2同时反映现实和潜在购买力。当然根据实际需要，宏观经济数据还可以包括其他的经济变量，本说明书实施例不作具体限定。
本说明书一个实施例中，所述微观经济数据可以包括：所述商户和/或消费者的借贷数据、违约率、出口数据、消费数据。即微观经济数据可以包括商户的借贷数据、商户的违约率、商户的出口数据、商户的消费数据，或者消费者的借贷数据、消费者的违约率、消费者的出口数据、消费者的消费数据，或者既包括商户的借贷数据、违约率、出口数据、消费数据，也包括消费者的借贷数据、违约率、出口数据、消费数据。其中，违约率可以表示商户和/或消费者借贷的违约率，消费数据可以表示消费者购买的商品的类型、购买量、消费金额等，或者商户出售商品的类型、数量、售出金额等。借贷数据、违约率、出口数据、消费数据属于出现频率比较高的经济数据，数据来源比较多，数据获取比较容易，为后续经济波动数据的预测提供了充足的数据来源。此外，微观经济数据还可以包括其他的经济变量，可以包括出现频率较高(如：大于预设阈值)、数据获取比较容易的经济数据，如：商户和/或消费者的收入数据、投资数据、购买的股票、基金等，本说明书实施例不作具体限定。
步骤104、将所述宏观经济数据和所述微观经济数据，输入向量自回归模型，获得经济波动数据，所述向量自回归模型的训练数据至少包括宏观经济数据与经济波动数据之间的对应关系数据、微观经济数据与经济波动数据之间的对应关系数据。
向量自回归模型简称VAR(vector autoregressive model))模型，是一种计量经济模型，VAR模型是用模型中所有当期变量对所有变量的若干滞后变量进行回归。VAR模型可以用来估计联合内生变量的动态关系，而不带有任何事先约束条件。经济波动数据可以表征外部宏观经济数据的整体形势，如：宏观经济数据的大幅波动，也可以理解为一定程度的外部宏观金融冲击。例如：M2、利率、汇率、GDP、价格等大幅波动，比如货币经济政策导致的货币供应量M2的变动，宏观经济进入下降周期，房产价格增幅过快等。本说明书实施例中，向量自回归模型基于宏观经济数据、微观经济数据分别与经济波动数据之间的对应关系训练得到。本说明书一个实施例中，向量自回归模型可以采用贝叶斯向量自回归模型，贝叶斯向量自回归模型是向量自回归模型的一种扩展模型，可以提高预测精度。贝叶斯向量自回归模型的原则是当参数被断定在某一个值时，在估计的时候使模型参数趋近于而不是锁定确定值。在这种原则下，只要有必要的数据支持，就能产生更为可信的估计值，避免因将参数都设置为0，导致预测结果不准确。
本说明书一个实施例中，所述贝叶斯向量自回归模型可以被设置为按照下述方式建立：
获取历史宏观经济数据、历史微观经济数据；
建立所述贝叶斯向量自回归模型，其中，所述贝叶斯向量自回归模型中包括多个模型参数；
将所述历史宏观经济数据、历史微观经济数据输入所述贝叶斯向量自回归模型，利用先验分布信息对所述贝叶斯向量自回归模型进行训练，调整所述模型参数，直至所述贝叶斯向量自回归模型达到预设要求。
在具体的实施过程中，可以获取指定时间段内如：邻近1年的宏观经济数据和微观经济数据分别作为历史宏观经济数据和历史微观经济数据，宏观经济数据和微观经济数据的具体内容可以参考上述实施例的记载，此处不再赘述。根据实际需要建立贝叶斯向量自回归模型，贝叶斯向量自回归模型中包括多个模型参数，模型参数可以根据实际需要进行设置，本说明书实施例不作具体限定。将获取到的历史宏观经济数据和历史微观经济数据输入到建立的贝叶斯向量自回归模型，利用先验分布信息对所述贝叶斯向量自回归模型进行训练，调整所述模型参数，直至所述贝叶斯向量自回归模型达到预设要求如：训练次数达到预设要求或模型精度达到预设要求。
先验分布是概率分布的一种，与“后验分布”相对，与试验结果无关，或与随机抽样无关，反映在进行统计试验之前根据其他有关参数的知识而得到的分布。在进行观察以获得样本之前，人们对模型参数也会有一些知识，因为是在试验观察之前，故称之为先验知识。分别把模型参数的分布函数和密度函数称为先验分布函数和先验密度函数，两者合称为先验分布。本说明书一个实施例中，可以将贝叶斯向量自回归模型中的模型参数看作是服从某种先验分布的随机变量，该先验分布包含了预测者在预测前所获取的某种相关信息。本说明书实施例中贝叶斯向量自回归模型中的模型参数可以采用随机先验，先验分布中的标准差随着变量、方程以及滞后阶数的不同而变化。将预测者的先验知识应用在贝叶斯向量自回归模型中，可以规避宏观经济数据序列一般较短的缺点，提高贝叶斯向量自回归模型预测结果的准确性。
此外，本说明书一个实施例中向量自回归模型中的模型参数可以包括：开放经济体、国外经济体，将第一指定地区作为所述开放经济体，将第二指定地区作为所述国外经济体。经济体，是指对某个区域的经济组成进行统称和划分，经济体可以指一个地区，如台湾地区，或地区内的国家群体，如欧盟，东盟等。开放型经济是与封闭型经济相对立的概念，是一种经济体制模式。在开放型经济中，要素、商品与服务可以较自由地跨国界流动，从而实现最优资源配置和最高经济效率。开放经济强调把国内经济和整个国际市场联系起来，尽可能充分的参加国际分工，同时在国际分工中发挥出本国经济的比较优势。本说明书实施例中，可以根据实际需要如：进行压力测试的项目的使用的地区，选择第一指定地区作为开放经济体，第二指定地区作为国外经济体，模拟项目经济的外部宏观环境，第二指定地区和第一指定地区通常是不同的地区。如：考虑到中国和美国经济是世界经济增长引擎的事实，可以将中国作为开放经济体，将美国视为所有国外经济体的代表来刻画宏观经济运行。第一指定地区、第二指定地区可以是国家、城市或地区，具体的确定方法，本说明书实施例不作具体限定。
本说明书一个实施例中提供了一种经济波动数据确定方法，结合宏观经济数据以及商户和/或消费者对应的微观经济数据，利用向量自回归模型，构建出外部宏观经济预测模型，预测出外部宏观经济压力场景即经济波动数据。微观经济数据可以弥补宏观经济数据滞后性的缺点，提高经济波动数据预测时数据的时效性，通过加入高频的微观经济数据，改进了向量自回归模型的反应速度和预测性能，最终达成生成合理可信的宏观压力场景的目标，为后续风险压力测试提供了准确的数据基础。并且，本说明书实施例中的向量自回归模型容易维护，降低了经济预测的成本。
图2是本说明书一个实施例中经济风险压力测试的流程示意图，如图2所示，在上述实施例的基础上，本说明书一个实施例中，还可以在预测出外部宏观经济数据的波动情况后，进行风险压力测试，具体方法如下：
步骤202、获取宏观经济数据和微观经济数据，所述微观经济数据包括：商户和/或消费者对应的经济数据。
宏观经济数据、微观经济数据以及数据的获取方法参考上述实施例的记载，此处不再赘述。
步骤204、将所述宏观经济数据和所述微观经济数据，输入向量自回归模型，获得经济波动数据，所述向量自回归模型基于宏观经济数据、微观经济数据与经济波动数据之间的对应关系训练得到。
本说明书实施例，可以利用宏观经济数据、微观经济数据，通过向量自回归模型如：贝叶斯向量自回归模型能够模拟在冲击下宏观变量的联动。如：基于贝叶斯向量自回归模型进行N次模拟，即可以将宏观经济数据和微观经济数据输入到贝叶斯向量自回归模型，每次模拟都能输出一组宏观变量即经济波动数据，宏观变量可以表征外部宏观经济的波动情况。
步骤206、利用所述经济波动数据进行压力测试，获得经济波动数据对应的经济损失，所述压力测试包括：市场流动性风险压力测试、融资流动性风险压力测试中的至少一种。
压力测试可以表示对金融项目或金融机构进行风险测试，测试金融项目或金融机构能够承受的风险压力或者可能存在的风险。可以将获得的经济波动数据即宏观变量如：宏观变量M2、利率、汇率、GDP、价格等大幅波动，比如货币经济政策导致的货币供应量M2的变动，宏观经济进入下降周期，房产价格增幅过快等数据输入到压力测试模型，作为外部宏观经济变量，进行压力测试。压力测试模型可以根据实际需要进行构建，可以用于模拟资产端或负债端的承压能力，以及可能存在的风险损失。压力测试可以包括：市场流动性风险压力测试、融资流动性风险压力测试中的至少一种。市场流动性风险可以表示由于存在不充分的市场深度或市场弹性，从而不能在不显著影响市场价格的前提下对冲或清除头寸部位的风险。融资流动性风险可以表示金融机构不能有效满足可预见或不可预见的目前和未来的现金流或抵押物的需要。通过压力测试可以获得由于经济波动数据带来的经济损失，即预测出的经济波动数据(金融冲击)带来的经济损失。
步骤208、将所述经济损失输入业务网络模型中，获得所述经济波动数据对应的损失分布，所述业务网络模型至少表征业务节点之间的业务联系、所述业务节点之间的风险敞口。
将通过贝叶斯向量自回归模型进行压力测试获得的经济损失输入到业务网络模型中，可以获得经济波动数据即外部宏观经济场景(金融冲击)带来的损失分布。业务网络模型可以包括业务节点之间的业务联系、风险敞口，业务节点可以表示不同的金融机构如：网上银行、外部实体银行等。业务联系可以表示业务节点之间的业务往来，如：借贷关系、合作项目等，风险敞口可以表示未加保护的风险，即因债务人违约行为导致的可能承受风险的信贷余额，指实际所承担的风险，一般与特定风险相连。业务网络模型可以表示各个金融机构之间的业务往来关系以及相互之间的风险敞口等，将获得的经济损失输入到业务网络模型，可以获得经济波动数据带来的风险传导。可以根据各个金融机构之间的业务关系，构建业务网络模型，业务网络模型可以是图结构或其他形式，本说明书实施例不作具体限定。比如：蚂蚁金服用户申购赎回受到宏观变量即预测出的经济波动数据的影响，将宏观变量输入到相应的压力测试模型中，获得蚂蚁金服用户申购赎带来的经济损失，将经济损失输入到网络模型中，能够估计出来在压力情景下，由于蚂蚁金服用户申购赎回带来的流动性压力以及损失分布。损失分布可以表示由预测出的经济波动数据带来的经济损失的分布情况，如：各个金融机构的经济损失量以及损失概率等。
本说明书实施例，基于通过贝叶斯向量自回归模型预测出的经济波动数据即宏观/金融冲击作为输入，损失分布刻画了损失的概率分布，为了解金融冲击可能存在的风险提供了数据基础。
在上述实施例的基础上，本说明书一个实施例中还可以将获得的损失分布反馈至向量自回归模型，以所述损失分布作为所述向量自回归模型的输入数据，用于预测外部宏观场景即经济波动数据。一些宏观经济政策会根据大的事件进行调整，所以可能导致系统性风险的损失可能会影响国家政策，比如利率下调、价格管控等等，利用获得的损失分布对向量自回归模型预测经济波动数据时进行调整，提高了经济波动数据预测结果的准确性。
图3是本说明书一个实施例中基于向量自回归模型进行经济压力测试的流程示意图，如图3所示，本说明书实施例中利用向量自回归模型进行经济压力测试的具体过程可以包括：
1)、将预测者先验知识、高频的微观经济数据、低频的宏观经济数据和向量自回归模型(如：贝叶斯向量自回归模型)相结合，建立一个同时包含宏观变量和微观变量的预测框架，模拟宏观环境运行并模拟出宏观/金融冲击。宏观/金融冲击可以表示宏观变量的波动情况，如：宏观变量M2、利率、汇率、GDP、价格等大幅波动，比如货币经济政策导致的货币供应量M2的变动，宏观经济进入下降周期，房产价格增幅过快等。
2)、利用预测出的宏观/金融冲击进行压力测试。压力测试包括：资产端市场流动性风险测试、负债端融资流动性风险测试。基于贝叶斯向量自回归模型进行N次模拟，每次模拟都能输出一组宏观变量，将模拟获得的冲击下的宏观变量输入到压力情景测试中。通过压力测试可以获得由宏观/金融冲击带来的经济损失，获得经济损失、净收入和支出等。信贷损失会增加市场流动性风险和融资流动性风险，反过来流动性风险也会增加信贷损失的概率。图3中信贷损失与市场流动性风险和融资流动性风险之间相互联系，增加经济损失预测的准确性。
3)、将获得的经济损失输入业务网络模型中。如：将N次模拟情况下带来的损失，输入到蚂蚁金服内部法人主体和外部银行的业务网络模型中，业务网络模型可以包括：蚂蚁金服内部各个法人主体之间的业务联系，以及和外部银行之间的风险敞口。
4)损失分布。利用业务网络模型，可以获得外部宏观/金融冲击带来的压力在各个网络模型各节点中的风险传导，获得外部宏观/金融冲击带来的损失分布，了解宏观/金融冲击对金融机构带来的影响。损失分布可以反馈至步骤1)，用于给模拟预测宏观/金融冲击提供参考，提高宏观/金融冲击预测的准确性。
本说明书实施例中，使用将预测者先验知识、高频的微观数据、低频的宏观变量和向量自回归模型相结合，建立一个同时包含宏观变量和微观变量的预测框架。贝叶斯向量自回归模型将模型中的参数可以看作是服从某种分布的随机变量，该先验分布包含了预测者在预测钱所获取的某种相关信息。本说明书实施例中的模型可以采用随机先验，先验分布中的标准差随着变量、方程以及滞后阶数的不同而变化，可以规避宏观历史经济数据序列一般较短的缺点。宏观经济数据不仅具有数据序列一般较短的缺点，而且一般具有滞后性。这样带来的结果就是模型往往对现实中的宏观冲击反应较慢，为了克服宏观变量滞后性这个缺点，本说明书实施例将高频的微观经济数据加入贝叶斯向量自回归模型中，使得模型能够对现实的宏观冲击做出快速响应。本说明书实施例通过加入高频的微观经济数据，显著改进模型的反应速度和预测性能，最终达成生成合理可信的宏观压力场景的目标，提高宏观压力场景即经济波动数据预测结果的准确性。利用预测出的宏观压力场景进行风险压力测试，可以准确的获得在外部宏观压力场景下，各金融机构或项目可能存在的风险或能够承受的压力。此外，本说明书实施例中的模型还具有容易维护的特点。
本说明书中上述方法的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
基于上述所述的经济波动数据确定方法，本说明书一个或多个实施例还提供一种经济波动数据确定装置。所述的装置可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
具体地，图4是本说明书提供的经济波动数据确定装置一个实施例的模块结构示意图，如图4所示，本说明书中提供的经济波动数据确定装置包括：数据获取模块41、经济预测模块42，其中：
数据获取模块41，可以用于获取宏观经济数据和微观经济数据，所述微观经济数据包括：与商户和/或消费者相关联的经济数据；
经济预测模块42，可以用于将所述宏观经济数据和所述微观经济数据，输入向量自回归模型，获得经济波动数据，所述向量自回归模型的训练数据至少包括宏观经济数据与经济波动数据之间的对应关系数据、微观经济数据与经济波动数据之间的对应关系数据。
本说明书实施例提供的经济波动数据确定装置，结合宏观经济数据以及商户和/或消费者对应的微观经济数据，利用向量自回归模型，构建出外部宏观经济预测模型，预测出外部宏观经济场景即经济波动数据。微观经济数据可以弥补宏观经济数据滞后性的缺点，提高经济波动数据预测时数据的时效性，通过加入高频的微观经济数据，显著改进向量自回归模型的反应速度和预测性能，最终达成生成合理可信的宏观压力场景的目标，为后续风险压力测试提供了准确的数据基础。并且，本说明书实施例中的向量自回归模型容易维护，降低了经济预测的成本。
图5是本说明书提供的经济波动数据确定装置另一个实施例的模块结构示意图，如图5所示，在上述实施例的基础上，所述装置还包括风险测试模块51，用于：
利用所述经济波动数据进行压力测试，获得经济波动数据对应的经济损失，所述压力测试包括：市场流动性风险压力测试、融资流动性风险压力测试中的至少一种；
将所述经济损失输入业务网络模型中，获得所述经济波动数据对应的损失分布，所述业务网络模型至少表征业务节点之间的业务联系、所述业务节点之间的风险敞口。
本说明书实施例提供的经济波动数据确定装置，基于通过贝叶斯向量自回归模型预测出的经济波动数据即宏观/金融冲击作为输入，损失分布刻画了损失的概率分布，为了解金融冲击可能存在的风险提供了数据基础。
在上述实施例的基础上，所述风险测试模块还用于：
将所述损失分布反馈至所述经济预测模块中的向量自回归模型，以所述损失分布作为所述向量自回归模型的输入数据，对所述经济波动数据进行调整。
本说明书实施例提供的经济波动数据确定装置，利用获得的损失分布对向量自回归模型预测经济波动数据时进行调整，提高了经济波动数据预测结果的准确性。
在上述实施例的基础上，所述数据获取模块获取的所述宏观经济数据包括：国内生产总值、居民消费价格指数、进出口量、广义货币供给量；
所述数据获取模块获取的所述微观经济数据包括：所述商户和/或消费者的借贷数据、违约率、出口数据、消费数据。
本说明书实施例，将表征国家、城市、甚至世界的宏观经济数据结果消费者、商户等的微观经济数据相结合，弥补了宏观经济数据滞后性，提高了经济波动数据预测结果的准确性。
在上述实施例的基础上，所述经济预测模块中的所述向量自回归模型采用贝叶斯向量自回归模型。
本说明书实施例，贝叶斯向量自回归模型是向量自回归模型的一种扩展模型，可以提高预测精度。贝叶斯向量自回归模型的原则是当参数被断定在某一个值时，在估计的时候使模型参数趋近于而不是锁定确定值。在这种原则下，只要有必要的数据支持，就能产生更为可信的估计值，避免因将参数都设置为0，导致预测结果不准确。
在上述实施例的基础上，所述经济预测模块包括模型构建单元，用于：
获取历史宏观经济数据、历史微观经济数据；
建立所述贝叶斯向量自回归模型，其中，所述贝叶斯向量自回归模型中包括多个模型参数；
将所述历史宏观经济数据、历史微观经济数据输入所述贝叶斯向量自回归模型，利用先验分布信息对所述贝叶斯向量自回归模型进行训练，调整所述模型参数，直至所述贝叶斯向量自回归模型达到预设要求。
本说明书实施例，将预测者的先验知识应用在贝叶斯向量自回归模型中，可以规避宏观经济数据序列一般较短的缺点，提高贝叶斯向量自回归模型预测结果的准确性。
在上述实施例的基础上，所述向量自回归模型中的模型参数包括：开放经济体、国外经济体，将第一指定地区作为所述开放经济体，将第二指定地区作为所述国外经济体。
本说明书实施例，根据实际经济情况选择指定国家作为经济体，可以准确的刻画世界经济的情况，为预测外部宏观经济波动情况即压力场景奠定了基础。
需要说明的，上述所述的装置根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
本说明书实施例还提供一种经济波动数据确定的数据处理设备，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现上述实施例中零钱兑换支付服务器侧的方法，如：
获取宏观经济数据和微观经济数据，所述微观经济数据包括：与商户和/或消费者相关联的经济数据；
将所述宏观经济数据和所述微观经济数据，输入向量自回归模型，获得经济波动数据，所述向量自回归模型的训练数据至少包括宏观经济数据与经济波动数据之间的对应关系数据、微观经济数据与经济波动数据之间的对应关系数据。
所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如RAM、ROM等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置如，CD或DVD。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。
需要说明的，上述所述的处理设备根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图6是应用本发明实施例的一种经济波动数据确定服务器的硬件结构框图。如图6所示，服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器200、以及用于通信功能的传输模块300。本邻域普通技术人员可以理解，图6所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器10还可包括比图6中所示更多或者更少的组件，例如还可以包括其他的处理硬件，如数据库或多级缓存、GPU，或者具有与图6所示不同的配置。
存储器200可用于存储应用软件的软件程序以及模块，如本说明书实施例中的经济波动数据确定方法对应的程序指令/模块，处理器100通过运行存储在存储器200内的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器200可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器200可进一步包括相对于处理器100远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输模块300包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块300可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
本说明书还提供一种经济波动数据确定系统，所述系统可以为单独的经济波动数据确定系统，也可以应用在多种数据分析处理系统中。所述的系统可以为单独的服务器，也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的服务器集群、系统(包括分布式系统)、软件(应用)、实际操作装置、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。所述经济波动数据确定系统可以包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现上述任意一个或者多个实施例中所述方法的步骤。
图7是本说明书一个实施例中宏观经济预测系统的结构示意图，如图7所示，所述宏观经济预测系统，可以包括：
向量自回归模型、压力测试模型、业务网络模型，向量自回归模型可以用于预测外部宏观经济波动的预测，即预测出宏观/金融冲击。压力测试模型可以基于向量自回归模型预测出的宏观/金融冲击进行风险压力测试，获得经济损失。业务网络模型可以基于金融机构的业务往来构建，可以用于确定由于宏观/金融冲击带来的风险传导。
本说明书实施例，将预测者先验知识、高频的微观数据、低频的宏观变量和向量自回归模型相结合，建立一个同时包含宏观变量和微观变量的预测框架，显著改进传统模型的反应速度、预测性能并产生合理、核心的宏观压力场景。基于预测出的宏观压力场景进行风险压力测试，确定出外部经济变动对金融机构或金融项目的影响。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果。
本说明书实施例提供的上述经济波动数据确定方法或装置可以在计算机中由处理器执行相应的程序指令来实现，如使用windows操作系统的c++语言在PC端实现、linux系统实现，或其他例如使用android、iOS系统程序设计语言在智能终端实现，以及基于量子计算机的处理逻辑实现等。
需要说明的是说明书上述所述的装置、计算机存储介质、系统根据相关方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照对应方法实施例的描述，在此不作一一赘述。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例并不局限于必须是符合行业通信标准、标准计算机数据处理和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例，仍然可以属于本说明书实施例的可选实施方案范围之内。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本说明书一个或多个实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本发明是参照根据本发明实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储、石墨烯存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本领域技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书一个或多个实施例的实施例而已，并不用于限制本本说明书一个或多个实施例。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在权利要求范围之内。

Claims (17)

1.一种经济波动数据确定方法，包括：
获取宏观经济数据和微观经济数据，所述微观经济数据包括：与商户和/或消费者相关联的经济数据；
将所述宏观经济数据和所述微观经济数据，输入向量自回归模型，获得经济波动数据，所述向量自回归模型的训练数据至少包括宏观经济数据与经济波动数据之间的对应关系数据、微观经济数据与经济波动数据之间的对应关系数据。
2.如权利要求1所述的方法，所述方法还包括：
利用所述经济波动数据进行压力测试，获得经济波动数据对应的经济损失，所述压力测试包括：市场流动性风险压力测试、融资流动性风险压力测试中的至少一种；
将所述经济损失输入业务网络模型中，获得所述经济波动数据对应的损失分布，所述业务网络模型至少表征业务节点之间的业务联系、所述业务节点之间的风险敞口。
3.如权利要求2所述的方法，将所述损失分布反馈至所述向量自回归模型，以所述损失分布作为所述向量自回归模型的输入数据，对所述经济波动数据进行调整。
4.如权利要求1所述的方法，所述宏观经济数据包括：国内生产总值、居民消费价格指数、进出口量、广义货币供给量；
所述微观经济数据包括：所述商户和/或消费者的借贷数据、违约率、出口数据、消费数据。
5.如权利要求1所述的方法，所述向量自回归模型采用贝叶斯向量自回归模型。
6.如权利要求5所述的方法，所述贝叶斯向量自回归模型被设置为按照下述方式建立：
获取历史宏观经济数据、历史微观经济数据；
建立所述贝叶斯向量自回归模型，其中，所述贝叶斯向量自回归模型中包括多个模型参数；
将所述历史宏观经济数据、历史微观经济数据输入所述贝叶斯向量自回归模型，利用先验分布信息对所述贝叶斯向量自回归模型进行训练，调整所述模型参数，直至所述贝叶斯向量自回归模型达到预设要求。
7.如权利要求1所述的方法，所述向量自回归模型中的模型参数包括：开放经济体、国外经济体，将第一指定地区作为所述开放经济体，将第二指定地区作为所述国外经济体。
8.一种经济波动数据确定装置，包括：
数据获取模块，用于获取宏观经济数据和微观经济数据，所述微观经济数据包括：与商户和/或消费者相关联的经济数据；
经济预测模块，用于将所述宏观经济数据和所述微观经济数据，输入向量自回归模型，获得经济波动数据，所述向量自回归模型的训练数据至少包括宏观经济数据与经济波动数据之间的对应关系数据、微观经济数据与经济波动数据之间的对应关系数据。
9.如权利要求8所述的装置，所述装置还包括风险测试模块，用于：
利用所述经济波动数据进行压力测试，获得经济波动数据对应的经济损失，所述压力测试包括：市场流动性风险压力测试、融资流动性风险压力测试中的至少一种；
将所述经济损失输入业务网络模型中，获得所述经济波动数据对应的损失分布，所述业务网络模型至少表征业务节点之间的业务联系、所述业务节点之间的风险敞口。
10.如权利要求9所述的装置，所述风险测试模块还用于：
将所述损失分布反馈至所述经济预测模块中的向量自回归模型，以所述损失分布作为所述向量自回归模型的输入数据，对所述经济波动数据进行调整。
11.如权利要求8所述的装置，所述数据获取模块获取的所述宏观经济数据包括：国内生产总值、居民消费价格指数、进出口量、广义货币供给量；
所述数据获取模块获取的所述微观经济数据包括：所述商户和/或消费者的借贷数据、违约率、出口数据、消费数据。
12.如权利要求8所述的装置，所述经济预测模块中的所述向量自回归模型采用贝叶斯向量自回归模型。
13.如权利要求12所述的装置，所述经济预测模块包括模型构建单元，用于：
获取历史宏观经济数据、历史微观经济数据；
建立所述贝叶斯向量自回归模型，其中，所述贝叶斯向量自回归模型中包括多个模型参数；
将所述历史宏观经济数据、历史微观经济数据输入所述贝叶斯向量自回归模型，利用先验分布信息对所述贝叶斯向量自回归模型进行训练，调整所述模型参数，直至所述贝叶斯向量自回归模型达到预设要求。
14.如权利要求8所述的装置，所述向量自回归模型中的模型参数包括：开放经济体、国外经济体，将第一指定地区作为所述开放经济体，将第二指定地区作为所述国外经济体。
15.一种经济波动数据确定的数据处理设备，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1-7任一项所述的方法。
16.一种宏观经济预测系统，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1-7任一项所述的方法。
17.一种经济波动数据确定系统，包括上述权利要求8-14任一项所述的经济波动数据确定装置。
CN201811013243.3A 2018-08-31 2018-08-31 一种经济波动数据确定方法及装置 Pending CN109376899A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811013243.3A CN109376899A (zh) 2018-08-31 2018-08-31 一种经济波动数据确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811013243.3A CN109376899A (zh) 2018-08-31 2018-08-31 一种经济波动数据确定方法及装置

Publications (1)

Publication Number Publication Date
CN109376899A true CN109376899A (zh) 2019-02-22

Family

ID=65404796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811013243.3A Pending CN109376899A (zh) 2018-08-31 2018-08-31 一种经济波动数据确定方法及装置

Country Status (1)

Country Link
CN (1) CN109376899A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667095A (zh) * 2020-04-30 2020-09-15 百度在线网络技术（北京）有限公司 预测经济状态、建立经济状态预测模型的方法及对应装置
CN112116401A (zh) * 2020-09-28 2020-12-22 中国建设银行股份有限公司 压力测试方法、装置、设备和存储介质
JP2021174559A (ja) * 2020-04-30 2021-11-01 バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド 経済状態のモニタリング方法、経済状態モニタリングモデルの構築方法及び対応装置
WO2022257457A1 (zh) * 2021-06-09 2022-12-15 平安科技（深圳）有限公司 产品数据的融合方法、装置、设备及存储介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667095A (zh) * 2020-04-30 2020-09-15 百度在线网络技术（北京）有限公司 预测经济状态、建立经济状态预测模型的方法及对应装置
JP2021174559A (ja) * 2020-04-30 2021-11-01 バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド 経済状態のモニタリング方法、経済状態モニタリングモデルの構築方法及び対応装置
JP2021174560A (ja) * 2020-04-30 2021-11-01 バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド 経済状態の予測方法、経済状態予測モデルの構築方法及び対応装置
EP3940623A3 (en) * 2020-04-30 2022-02-16 Baidu Online Network Technology (Beijing) Co., Ltd. Methods for monitoring economic state and establishing economic state monitoring model and corresponding apparatuses
JP7139556B2 (ja) 2020-04-30 2022-09-21 バイドゥ オンライン ネットワーク テクノロジー（ペキン） カンパニー リミテッド 経済状態のモニタリング方法、経済状態モニタリングモデルの構築方法及び対応装置
JP7338106B2 (ja) 2020-04-30 2023-09-05 バイドゥ オンライン ネットワーク テクノロジー（ペキン） カンパニー リミテッド 経済状態の予測方法、経済状態予測モデルの構築方法及び対応装置
CN112116401A (zh) * 2020-09-28 2020-12-22 中国建设银行股份有限公司 压力测试方法、装置、设备和存储介质
WO2022257457A1 (zh) * 2021-06-09 2022-12-15 平安科技（深圳）有限公司 产品数据的融合方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Fang et al. Cryptocurrency trading: a comprehensive survey
He et al. Housing and liquidity
CN109376899A (zh) 一种经济波动数据确定方法及装置
CN109191110A (zh) 后付费交易数据处理方法、装置、处理设备、及服务器
Flori News and subjective beliefs: A Bayesian approach to Bitcoin investments
CN110245935A (zh) 支付渠道推荐方法、装置及设备
Makin et al. Competitiveness and government expenditure: The Australian example
Kristoufek On the role of stablecoins in cryptoasset pricing dynamics
Fan et al. China’s official rates and bond yields
Nyamongo et al. Financial innovations and monetary policy in Kenya
Figuet et al. Cross-border banking claims on emerging countries: The Basel III Banking Reforms in a push and pull framework
Khiewngamdee et al. The role of Fintech e-payment on APEC economic development
CN108876601A (zh) 一种贷款请求处理方法、装置、电子设备及存储介质
Syu et al. Portfolio management system with reinforcement learning
Lawal et al. Stock prices, stock market operations and Nigerian economic growth: A granger causality modelling
Sergienko et al. Optimization models in a transition economy
Dua et al. Forecasting the INR/USD exchange rate: A BVAR framework
Rhee et al. Using machine learning algorithms to forecast the optimal bidding rate in apartment auctions
De Freitas et al. Currency substitution, portfolio diversification, and money demand
Kirikos Monetary policy effectiveness in the liquidity trap: a switching regimes approach
Andersen et al. A novel algorithmic trading framework applying evolution and machine learning for portfolio optimization
Krumrey et al. A cash-flow-based optimization model for corporate cash management: a Monte-Carlo simulation approach
Kartiwi et al. Sukuk rating prediction using voting ensemble strategy
Gramlich et al. WEIGHTING METHODS FOR FINANCIAL STRESS INDICES—COMPARISON AND IMPLICATIONS FOR RISK MANAGEMENT.
Diem Chi et al. The Threshold for the Efficient Scale of Vietnamese Commercial Banks: A Study Based on Bayesian Model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201009

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: Greater Cayman, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

Effective date of registration: 20201009

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190222