CN110020783A - 电子装置、资产预期损失的计量方法和存储介质 - Google Patents
电子装置、资产预期损失的计量方法和存储介质 Download PDFInfo
- Publication number
- CN110020783A CN110020783A CN201910157193.4A CN201910157193A CN110020783A CN 110020783 A CN110020783 A CN 110020783A CN 201910157193 A CN201910157193 A CN 201910157193A CN 110020783 A CN110020783 A CN 110020783A
- Authority
- CN
- China
- Prior art keywords
- assets
- default
- probability
- bad
- grade
- 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
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
- G06Q10/06—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
- G06Q40/12—Accounting
Abstract
本发明涉及一种数据分析技术,揭露了一种电子装置、资产预期损失的计量方法和存储介质。本发明获取一笔资产在计量日的风险敞口、当前风险等级、违约驱动因素,再根据预先确定的累计不良概率数据及该笔资产的当前风险等级,计算该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率,并对计算得到的概率进行调整,得到调整后的不良概率,同时,将该笔资产的违约驱动因素输入至预先建立的损失率预测模型进行预测,得到该笔资产为预设不良等级时的损失率,最后,将该笔资产的风险敞口、调整后的不良概率及损失率代入公式进行计算,得到该笔资产在所述预设计量期内的预期损失。相较于现有技术,本发明实现了对公类资产预期损失的计量。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种电子装置、资产预期损失的计量方法和计算机可读存储介质。
背景技术
随着市场经济的不断发展,企业的竞争越来越激烈,市场风险越来越难以控制。比如金融机构都具有大量的资产业务,如何评价各项投放市场的资产的风险情况,对金融机构的日常经营管理非常重要。一方面,金融机构为了提高其抗风险的能力,需要根据资产质量的情况进行减值计量,资产的质量越差,即风险越高,需要提取的减值准备金就越多,则当年的利润就越少。因此,准确量化和分类金融资产的风险情况,是准确、足额提取风险拨备的基础。另一方面,金融机构需要随时掌握金融资产的实际价值和风险程度,真实、全面、动态地反映金融资产质量,并对金融资产风险及其变化实施精确监控,及时发现经营管理各环节中出现的问题,提高资产管理的效率,增强风险预警能力,从而不断提高企业的资产质量,提升企业的综合管理水平和盈利能力,实现投资收益最大化。
新会计准则对对公类资产(对公类资产即金融机构的对公业务所产生的资产)的减值计量有规定,包括计量对公类资产全生命周期的预期损失等。但新会计准则并未对如何计量对公类资产的预期损失提出指导性意见,市面上也无现有的计量模型用于计算对公类资产的预期损失,给金融机构实施该准则要求带来难度,因此,亟需一种用于计量对公类资产预期损失的方案。
发明内容
本发明的主要目的是提供一种电子装置、资产预期损失的计量方法和存储介质,旨在解决现有技术中缺乏用于计量对公类资产预期损失的方案的技术问题。
为实现上述目的,本发明提出一种电子装置,所述电子装置包括存储器和处理器,所述存储器上存储有资产预期损失的计量程序,所述资产预期损失的计量程序被所述处理器执行时实现如下步骤:
获取步骤:获取一笔资产在计量日的风险敞口、当前风险等级及违约驱动因素;
第一计算步骤:根据预先确定的累计不良概率数据及该笔资产的当前风险等级,计算该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率,并按照预先确定的调整规则对计算得到的所述概率进行调整,得到调整后的不良概率,所述预设计量期的起始时间为计量日;
预测步骤:将该笔资产的违约驱动因素输入至预先建立的损失率预测模型进行预测,得到该笔资产为预设不良等级时的损失率;
第二计算步骤:将该笔资产的风险敞口、调整后的不良概率及损失率代入第一预设公式进行计算,得到该笔资产在所述预设计量期内的预期损失。
优选地,所述预测步骤在所述第一计算步骤之前执行。
优选地,所述第一预设公式包括:
ECL=EXP(T1)×Pr’(T1,T2)×LGD
其中,ECL代表预期损失,EXP(T1)代表资产在计量日T1的风险敞口,Pr’(T1,T2)代表所述预设计量期[T1,T2]对应的调整后的不良概率,LGD代表损失率。
优选地,所述第一计算步骤包括:
根据预先确定的累计不良概率数据及该笔资产的当前风险等级,确定该笔资产在所述预设计量期的起始时间和终止时间上的累计不良概率;
将该笔资产在所述预设计量期的起始时间和终止时间上的累计不良概率代入第二预设公式进行计算,得到该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率,所述第二预设公式包括:
其中,Pr(T1,T2)代表该笔资产在预设计量期[T1,T2]内从当前风险等级迁移至预设不良等级的概率,Prt1代表该笔资产在所述预设计量期的起始时间T1上的累计不良概率,Prt2代表该笔资产在所述预设计量期的终止时间T2上的累计不良概率;
获取该笔资产的相关系数、正态分布累积函数、正态分布累积函数的反函数及所述预设计量期的预设风险因子值;
根据所述预设计量期的预设风险因子值、相关系数、正态分布累积函数、正态分布累积函数的反函数及第三预设公式,对该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率进行调整,得到调整后的不良概率,所述第三预设公式包括:
其中,Pr’(T1,T2)代表所述预设计量期[T1,T2]对应的调整后的不良概率,Pr代表该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率,R代表相关系数,A代表平移系数,Z’代表所述预设计量期的预设风险因子值,Φ代表正态分布的累积函数,Φ-1代表正态分布的累积函数的反函数。
优选地,所述处理器执行所述资产预期损失的计量程序,在所述预测步骤之前,还实现以下步骤:
收集历史的违约数据,从该违约数据中获取每一违约客户对应的违约时点金额、回收金额、回收费用及清收人员费用,基于该违约时点金额、回收金额、回收费用及清收人员费用计算每一违约客户对应的实际违约损失率;
对该违约数据进行预处理,并对预处理后的每一违约数据进行分组处理,以分组处理后的每一组违约数据作为自变量;
计算每一组自变量的证据权重,基于该证据权重计算每一组自变量的信息价值,将每一违约数据各组自变量的信息价值进行累加得到每一违约数据的信息价值;
获取预定的具有业务解析性且信息价值大于等于预设阈值的违约数据,作为违约驱动因素;
调用预定的模型算法对该违约驱动因素及实际违约损失率进行拟合训练,以建立所述损失率预测模型。
此外,为实现上述目的,本发明还提出一种资产预期损失的计量方法,该方法包括步骤:
获取步骤:获取一笔资产在计量日的风险敞口、当前风险等级及违约驱动因素;
第一计算步骤:根据预先确定的累计不良概率数据及该笔资产的当前风险等级,计算该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率,并按照预先确定的调整规则对计算得到的所述概率进行调整,得到调整后的不良概率,所述预设计量期的起始时间为计量日;
预测步骤:将该笔资产的违约驱动因素输入至预先建立的损失率预测模型进行预测,得到该笔资产为预设不良等级时的损失率;
第二计算步骤:将该笔资产的风险敞口、调整后的不良概率及损失率代入第一预设公式进行计算,得到该笔资产在所述预设计量期内的预期损失。
优选地,所述预测步骤在所述第一计算步骤之前执行。
优选地,所述第一预设公式包括:
ECL=EXP(T1)×Pr’(T1,T2)×LGD
其中,ECL代表预期损失,EXP(T1)代表资产在计量日T1的风险敞口,Pr’(T1,T2)代表所述预设计量期[T1,T2]对应的调整后的不良概率,LGD代表损失率。
优选地,所述第一计算步骤包括:
根据预先确定的累计不良概率数据及该笔资产的当前风险等级,确定该笔资产在所述预设计量期的起始时间和终止时间上的累计不良概率;
将该笔资产在所述预设计量期的起始时间和终止时间上的累计不良概率代入第二预设公式进行计算,得到该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率,所述第二预设公式包括:
其中,Pr(T1,T2)代表该笔资产在预设计量期[T1,T2]内从当前风险等级迁移至预设不良等级的概率,Prt1代表该笔资产在所述预设计量期的起始时间T1上的累计不良概率,Prt2代表该笔资产在所述预设计量期的终止时间T2上的累计不良概率;
获取该笔资产的相关系数、正态分布累积函数、正态分布累积函数的反函数及所述预设计量期的预设风险因子值;
根据所述预设计量期的预设风险因子值、相关系数、正态分布累积函数、正态分布累积函数的反函数及第三预设公式,对该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率进行调整,得到调整后的不良概率,所述第三预设公式包括:
其中,Pr’(T1,T2)代表所述预设计量期[T1,T2]对应的调整后的不良概率,Pr代表该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率,R代表相关系数,A代表平移系数,Z’代表所述预设计量期的预设风险因子值,Φ代表正态分布的累积函数,Φ-1代表正态分布的累积函数的反函数。
此外,为实现上述目的,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质存储有资产预期损失的计量程序,所述资产预期损失的计量程序可被至少一个处理器执行,以使所述至少一个处理器执行如上述任一项所述的资产预期损失的计量方法的步骤。
本发明获取一笔资产在计量日的风险敞口、当前风险等级、违约驱动因素,再根据预先确定的累计不良概率数据及该笔资产的当前风险等级,计算该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率,并按照预先确定的调整规则对计算得到的所述概率进行调整,得到调整后的不良概率,同时,将该笔资产的违约驱动因素输入至预先建立的损失率预测模型进行预测,得到该笔资产为预设不良等级时的损失率,最后,将该笔资产的风险敞口、调整后的不良概率及损失率代入第一预设公式进行计算,得到该笔资产在所述预设计量期内的预期损失。相较于现有技术,本发明实现了对公类资产预期损失的计量,为金融机构资金管理提供数据支持。
附图说明
为了更清楚地说明本发明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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明资产预期损失的计量程序一实施例的运行环境示意图;
图2为本发明资产预期损失的计量程序一实施例的程序模块图;
图3为本发明资产预期损失的计量方法一实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明提出一种资产预期损失的计量程序。
请参阅图1,是本发明资产预期损失的计量程序10一实施例的运行环境示意图。
在本实施例中,资产预期损失的计量程序10安装并运行于电子装置1中。电子装置1可以是桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子装置1可包括,但不仅限于,存储器11、处理器12及显示器13。图1仅示出了具有组件11-13的电子装置1,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
存储器11在一些实施例中可以是电子装置1的内部存储单元,例如该电子装置1的硬盘或内存。存储器11在另一些实施例中也可以是电子装置1的外部存储设备,例如电子装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器11还可以既包括电子装置1的内部存储单元也包括外部存储设备。存储器11用于存储安装于电子装置1的应用软件及各类数据,例如资产预期损失的计量程序10的程序代码等。存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行资产预期损失的计量程序10等。
显示器13在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器13用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。电子装置1的部件11-13通过程序总线相互通信。
请参阅图2,是本发明资产预期损失的计量程序10一实施例的程序模块图。在本实施例中,资产预期损失的计量程序10可以被分割成一个或多个模块,一个或者多个模块被存储于存储器11中,并由一个或多个处理器(本实施例为处理器12)所执行,以完成本发明。例如,在图2中,资产预期损失的计量程序10可以被分割成获取模块101、第一计算模块102、预测模块103及第二计算模块104。本发明所称的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资产预期损失的计量程序10在电子装置1中的执行过程,其中:
获取模块101,用于获取一笔资产在计量日T1的风险敞口、当前风险等级、违约驱动因素。
在本实施例中,上述资产可以是一笔对公固收资产,对公固收资产是指金融机构对公业务所产生的固定收益类资产,例如,债券、贷款、固定收益的债权计划、信托计划等,在其他实施例中,该笔资产可以是任何适用的对象。
上述计量日T1是计算该笔资产预期损失的时间。
上述风险敞口是指该笔资产在计量日当期的摊余成本。
上述违约驱动因素是指对该笔资产的损失率产生影响的因素。损失率是指该笔资产为预设不良等级时将给债权人(如金融机构)造成的损失程度,即损失的严重程度。
上述当前风险等级是指该笔资产在计量日的风险等级,该风险等级用于量化评测资产给金融机构带来的影响或损失的可能程度,其具体的划分规则可根据具体的应用场景进行设定。
例如,风险等级的划分方法包括:
获取该笔资产的押品数据、资产金额值、投资对象(即该笔资产的交易对象)的信用数据、各项风险因素数据。再根据投资对象的信用数据,确定该笔资产的风险等级。接着,根据该笔资产的押品数据及资产金额值,计算该笔资产的抵质押品覆盖率。再根据该笔资产的抵质押品覆盖率,判断该笔资产是否满足预设条件,当满足时,对该笔资产的风险等级进行调整,且根据调整结果,更新该笔资产的风险等级。接着,获取该笔资产的各项风险因素数据,并确定该笔资产的各项风险因素数据对应的预设风险认定条件。最后,判断该笔资产的各项风险因素数据是否满足对应的预设风险认定条件,当判定该笔资产的一项或多项风险因素数据满足对应的风险认定条件时,将该笔资产的风险等级进行调整,并根据调整结果,更新该笔资产的风险等级。
第一计算模块102,用于根据预先确定的累计不良概率数据及该笔资产的当前风险等级,计算该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率,并按照预先确定的调整规则对计算得到的所述概率进行调整,得到调整后的不良概率。
本实施例中,上述第一计算模块102包括确定单元、计算单元、获取单元及调整单元(图中未示出)。其中:
确定单元,用于根据预先确定的累计不良概率数据及该笔资产的当前风险等级,确定该笔资产在所述预设计量期的起始时间和终止时间上的累计不良概率。
上述累计不良概率数据的确定方法可根据具体应用场景设定。例如:根据评估日T0(评估日是指计算资产的累计不良概率的时间)选取出多个历史季度,获取各个样本(例如,选取多笔对公固收资产作为样本)在各个历史季度的风险等级及资产余额。根据所述风险等级及资产余额,计算样本分别由各个第一风险等级迁移至各个第二风险等级(所述第一风险等级与第二风险等级相同或不同)的季度等级迁移概率。接着,根据季度等级迁移概率,确定样本分别由各个第一风险等级迁移至各个第二风险等级的一年度累计等级迁移概率数据(一年度的累计等级迁移概率数据包括样本在评估日之后一年内每个月度及每个季度的累计等级迁移概率数据,例如,评估日后某一个月度X月的累计等级迁移概率数据包括样本在评估日到X月的时间区间内分别由各个第一风险等级迁移至各个第二风险等级的概率)及多年度的累计等级迁移概率数据(多年度的累计等级迁移概率数据包括评估日之后N年内每个月度及每个季度的累计等级迁移概率数据,N为大于或等于2的自然数)。再分别从一年度的累计等级迁移概率数据及多年度的累计等级迁移概率数据中提取出样本分别由各个第一风险等级迁移至预设不良等级(例如,在各个第二风险等级中选取出若干个第二风险等级作为预设不良等级)的累计等级迁移概率数据,即得到累计不良概率数据。该累计不良概率数据包括评估日之后多个月度及多个季度的累计不良概率数据。其中,评估日后某一个月度Y月的累计不良概率数据包括样本在以评估日为起始时间且以Y月为终止时间的时间区间内分别由各个第一风险等级迁移至预设不良等级的概率。评估日后某一个季度Z季度的累计不良概率数据包括样本在以评估日为起始时间且以Z季度为终止时间的时间区间内分别由各个第一风险等级迁移至预设不良等级的概率。
确定单元从上述累计不良概率数据中提取出样本在评估日到预设计量期的起始时间之内由当前风险等级迁移至预设不良等级的概率,作为该笔资产在所述预设计量期的起始时间上的累计不良概率。同时,从上述累计不良概率数据中提取出样本在评估日到预设计量期的终止时间之内由当前风险等级迁移至预设不良等级的概率,作为该笔资产在所述预设计量期的终止时间上的累计不良概率。
其中,上述预设计量期的起始时间为计量日,终止时间可根据具体的应用场景设定,例如,根据预设计量期的时长确定该终止时间。假设某金融机构以季度为时间单位计算资产的预期损失,则该预设计量期的时长为一个季度。
计算单元,用于将该笔资产在所述预设计量期的起始时间和终止时间上的累计不良概率代入至第一预设公式进行计算,得到该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率。
所述第一预设公式包括:
其中,Pr(T1,T2)代表该笔资产在预设计量期[T1,T2]内从当前风险等级迁移至预设不良等级的概率,Prt1代表该笔资产在所述预设计量期的起始时间T1上的累计不良概率,Prt2代表该笔资产在所述预设计量期的终止时间T2上的累计不良概率,[T1,T2]∈[T0,+∞]。
需要注意的是,上述T0与T1相同或不同,当T0与T1相同时,上述Prt1等于0。
获取单元,用于获取该笔资产的相关系数、正态分布累积函数、正态分布累积函数的反函数及所述预设计量期的预设风险因子值。
其中,上述预设计量期的预设风险因子值的获取方法包括:
获取每一个待处理指标(待处理指标是预先从多个宏观经济指标中筛选得到的)在预先确定的历史时间区间的实测值,并将每一个待处理指标在所述历史时间区间的实测值输入至预先构建的预测模型(例如,向量误差修正模型,又称VECM模型)中进行预测分析,得到每一个待处理指标在所述预设计量期的预测值。接着,将每一个待处理指标在预设计量期的预测值输入至预先确定的回归方程进行计算,得到预设风险因子在预设计量期的预测值。最后,将所述预设风险因子在预设计量期的预测值进行数据标准化处理,得到预设风险因子的调整值,作为预设风险因子值。
其中,上述宏观经济指标包括:国内生产总值(Gross Domestic Product,GDP)、居民消费价格指数(Consumer Price Index,CPI)、狭义货币供应量(又称M1,用于反映着经济中的现实购买力)、广义货币供应量(又称M2,用于同时反映现实和潜在购买力)、商品房销售额、固定资产投资完成额、贷款基准利率、采购经理指数(Purchasing Managers'Index,PMI)。
所述相关系数的获取方法包括:
根据当前风险等级及预先确定的风险等级与违约概率之间的映射关系,确定该笔资产的违约概率。再将所述违约概率代入至第二预设公式计算得到相关系数。
上述第二预设公式包括:
其中,R代表相关系数,PD代表违约概率。
此外,所述正态分布累积函数是根据大量违约历史数据统计得到,例如,统计一风险等级的样本在多个历史季度中的违约比例(违约的样本和样本总量的比值),再根据所有历史季度的违约比例构建正态分布累积函数。
所述正态分布累积函数的反函数可根据及正态分布累积函数推导得到。
调整单元,用于根据所述预设计量期的预设风险因子值、相关系数、正态分布累积函数、正态分布累积函数的反函数及第三预设公式,对该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率进行调整,得到调整后的不良概率。
所述第三预设公式包括:
其中,Pr’(T1,T2)代表所述预设计量期[T1,T2]对应的调整后的不良概率,Pr代表该笔资产在预设计量期[T1,T2]内从当前风险等级迁移至预设不良等级的概率,R代表相关系数,A代表平移系数,Z’代表所述预设计量期的预设风险因子值,Φ代表正态分布的累积函数,Φ-1代表正态分布的累积函数的反函数。
预测模块103,用于将该笔资产的违约驱动因素输入至预先建立的损失率预测模型进行预测,得到该笔资产为预设不良等级时的损失率。
上述损失率预测模型的构建方法包括:
首先,收集历史的违约数据,从该违约数据中获取每一违约客户对应的违约时点金额、回收金额、回收费用及清收人员费用,基于该违约时点金额、回收金额、回收费用及清收人员费用计算每一违约客户对应的实际违约损失率。
该历史的违约数据为针对企业的历史的违约数据,违约数据共计有120个左右,按照类型可以分为债务人信息、债项信息、保证人信息、抵质押品信息等等。债务人信息包括:企业所在的行业、所在地区、债务人资产负债率等;债项信息包括:贷款类别、暴露金额、贷款期限、贷款利率、是否抵押、是否担保等;保证人信息包括:担保方式、担保金额、担保比例、担保人所在地区、担保人与被担保人之间的关系等;抵质押品信息包括抵质押品评估价值、抵质押品的类型、抵质押品变现的难易程度等。
然后,对该违约数据进行预处理,并对预处理后的每一违约数据进行分组处理(例如,分箱处理),以分组处理后的每一组违约数据作为自变量。
其中,对该违约数据进行预处理包括违约数据验证及补录填补。
接着,计算每一组自变量的证据权重,基于该证据权重计算每一组自变量的信息价值,将每一违约数据各组自变量的信息价值进行累加得到每一违约数据的信息价值。
接着,获取预定的具有业务解析性且信息价值大于等于预设阈值的违约数据,作为违约驱动因素。
最后,调用预定的模型算法对该违约驱动因素及实际违约损失率进行拟合训练,以建立所述损失率预测模型。
其中,预定的模型算法可以是逻辑回归算法,或者决策树算法,或者梯度提升决策树算法等。
需要注意的是,本实施例不对第一计算模块102及预测模块103的调用顺序进行限定。
第二计算模块104,用于将该笔资产的风险敞口、调整后的不良概率及损失率代入至第四预设公式进行计算,得到该笔资产在所述预设计量期内的预期损失。
上述第四预设公式包括:
ECL=EXP(T1)×Pr’(T1,T2)×LGD
其中,ECL代表预期损失,EXP(T1)代表资产在计量日T1的风险敞口,Pr’(T1,T2)代表所述预设计量期[T1,T2]对应的调整后的不良概率,LGD代表损失率。
本实施例获取一笔资产在计量日的风险敞口、当前风险等级、违约驱动因素,再根据预先确定的累计不良概率数据及该笔资产的当前风险等级,计算该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率,并按照预先确定的调整规则对计算得到的所述概率进行调整,得到调整后的不良概率,同时,将该笔资产的违约驱动因素输入至预先建立的损失率预测模型进行预测,得到该笔资产为预设不良等级时的损失率,最后,将该笔资产的风险敞口、调整后的不良概率及损失率代入至第一预设公式进行计算,得到该笔资产在所述预设计量期内的预期损失。相较于现有技术,本实施例实现了对公类资产预期损失的计量,为金融机构资金管理提供数据支持。
此外,本发明提出一种资产预期损失的计量方法。
如图3所示,图3为本发明资产预期损失的计量方法一实施例的流程示意图。
本实施例中,该方法包括:
步骤S10,获取一笔资产在计量日T1的风险敞口、当前风险等级、违约驱动因素。
在本实施例中,上述资产可以是一笔对公固收资产,对公固收资产是指金融机构对公业务所产生的固定收益类资产,例如,债券、贷款、固定收益的债权计划、信托计划等,在其他实施例中,该笔资产可以是任何适用的对象。
上述计量日T1是计算该笔资产预期损失的时间。
上述风险敞口是指该笔资产在计量日当期的摊余成本。
上述违约驱动因素是指对该笔资产的损失率产生影响的因素。损失率是指该笔资产为预设不良等级时将给债权人(如金融机构)造成的损失程度,即损失的严重程度。
上述当前风险等级是指该笔资产在计量日的风险等级,该风险等级用于量化评测资产给金融机构带来的影响或损失的可能程度,其具体的划分规则可根据具体的应用场景进行设定。
例如,风险等级的划分方法包括:
获取该笔资产的押品数据、资产金额值、投资对象(即该笔资产的交易对象)的信用数据、各项风险因素数据。再根据投资对象的信用数据,确定该笔资产的风险等级。接着,根据该笔资产的押品数据及资产金额值,计算该笔资产的抵质押品覆盖率。再根据该笔资产的抵质押品覆盖率,判断该笔资产是否满足预设条件,当满足时,对该笔资产的风险等级进行调整,且根据调整结果,更新该笔资产的风险等级。接着,获取该笔资产的各项风险因素数据,并确定该笔资产的各项风险因素数据对应的预设风险认定条件。最后,判断该笔资产的各项风险因素数据是否满足对应的预设风险认定条件,当判定该笔资产的一项或多项风险因素数据满足对应的风险认定条件时,将该笔资产的风险等级进行调整,并根据调整结果,更新该笔资产的风险等级。
步骤S20,根据预先确定的累计不良概率数据及该笔资产的当前风险等级,计算该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率,并按照预先确定的调整规则对计算得到的所述概率进行调整,得到调整后的不良概率。
本实施例中,上述步骤S20包括步骤S21~S24(图中未示出)。其中:
步骤S21,根据预先确定的累计不良概率数据及该笔资产的当前风险等级,确定该笔资产在所述预设计量期的起始时间和终止时间上的累计不良概率。
上述累计不良概率数据的确定方法可根据具体应用场景设定。例如:根据评估日T0(评估日是指计算资产的累计不良概率的时间)选取出多个历史季度,获取各个样本(例如,选取多笔对公固收资产作为样本)在各个历史季度的风险等级及资产余额。根据所述风险等级及资产余额,计算样本分别由各个第一风险等级迁移至各个第二风险等级(所述第一风险等级与第二风险等级相同或不同)的季度等级迁移概率。接着,根据季度等级迁移概率,确定样本分别由各个第一风险等级迁移至各个第二风险等级的一年度累计等级迁移概率数据(一年度的累计等级迁移概率数据包括样本在评估日之后一年内每个月度及每个季度的累计等级迁移概率数据,例如,评估日后某一个月度X月的累计等级迁移概率数据包括样本在评估日到X月的时间区间内分别由各个第一风险等级迁移至各个第二风险等级的概率)及多年度的累计等级迁移概率数据(多年度的累计等级迁移概率数据包括评估日之后N年内每个月度及每个季度的累计等级迁移概率数据,N为大于或等于2的自然数)。再分别从一年度的累计等级迁移概率数据及多年度的累计等级迁移概率数据中提取出样本分别由各个第一风险等级迁移至预设不良等级(例如,在各个第二风险等级中选取出若干个第二风险等级作为预设不良等级)的累计等级迁移概率数据,即得到累计不良概率数据。该累计不良概率数据包括评估日之后多个月度及多个季度的累计不良概率数据。其中,评估日后某一个月度Y月的累计不良概率数据包括样本在以评估日为起始时间且以Y月为终止时间的时间区间内分别由各个第一风险等级迁移至预设不良等级的概率。评估日后某一个季度Z季度的累计不良概率数据包括样本在以评估日为起始时间且以Z季度为终止时间的时间区间内分别由各个第一风险等级迁移至预设不良等级的概率。
在步骤S21中,从上述累计不良概率数据中提取出样本在评估日到预设计量期的起始时间之内由当前风险等级迁移至预设不良等级的概率,作为该笔资产在所述预设计量期的起始时间上的累计不良概率。同时,从上述累计不良概率数据中提取出样本在评估日到预设计量期的终止时间之内由当前风险等级迁移至预设不良等级的概率,作为该笔资产在所述预设计量期的终止时间上的累计不良概率。
其中,上述预设计量期的起始时间为计量日,终止时间可根据具体的应用场景设定,例如,根据预设计量期的时长确定该终止时间。假设某金融机构以季度为时间单位计算资产的预期损失,则该预设计量期的时长为一个季度。
步骤S22,将该笔资产在所述预设计量期的起始时间和终止时间上的累计不良概率代入至第一预设公式进行计算,得到该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率。
所述第一预设公式包括:
其中,Pr(T1,T2)代表该笔资产在预设计量期[T1,T2]内从当前风险等级迁移至预设不良等级的概率,Prt1代表该笔资产在所述预设计量期的起始时间T1上的累计不良概率,Prt2代表该笔资产在所述预设计量期的终止时间T2上的累计不良概率,[T1,T2]∈[T0,+∞]。
需要注意的是,上述T0与T1相同或不同,当T0与T1相同时,上述Prt1等于0。
步骤S23,获取该笔资产的相关系数、正态分布累积函数、正态分布累积函数的反函数及所述预设计量期的预设风险因子值。
其中,上述预设计量期的预设风险因子值的获取方法包括:
获取每一个待处理指标(待处理指标是预先从多个宏观经济指标中筛选得到的)在预先确定的历史时间区间的实测值,并将每一个待处理指标在所述历史时间区间的实测值输入至预先构建的预测模型(例如,向量误差修正模型,又称VECM模型)中进行预测分析,得到每一个待处理指标在所述预设计量期的预测值。接着,将每一个待处理指标在预设计量期的预测值输入至预先确定的回归方程进行计算,得到预设风险因子在预设计量期的预测值。最后,将所述预设风险因子在预设计量期的预测值进行数据标准化处理,得到预设风险因子的调整值,作为预设风险因子值。
其中,上述宏观经济指标包括:国内生产总值(Gross Domestic Product,GDP)、居民消费价格指数(Consumer Price Index,CPI)、狭义货币供应量(又称M1,用于反映着经济中的现实购买力)、广义货币供应量(又称M2,用于同时反映现实和潜在购买力)、商品房销售额、固定资产投资完成额、贷款基准利率、采购经理指数(Purchasing Managers'Index,PMI)。
所述相关系数的获取方法包括:
根据当前风险等级及预先确定的风险等级与违约概率之间的映射关系,确定该笔资产的违约概率。再将所述违约概率代入至第二预设公式计算得到相关系数。
上述第二预设公式包括:
其中,R代表相关系数,PD代表违约概率。
此外,所述正态分布累积函数是根据大量违约历史数据统计得到,例如,统计一风险等级的样本在多个历史季度中的违约比例(违约的样本和样本总量的比值),再根据所有历史季度的违约比例构建正态分布累积函数。
所述正态分布累积函数的反函数可根据及正态分布累积函数推导得到。
步骤S24,根据所述预设计量期的预设风险因子值、相关系数、正态分布累积函数、正态分布累积函数的反函数及第三预设公式,对该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率进行调整,得到调整后的不良概率。
所述第三预设公式包括:
其中,Pr’(T1,T2)代表所述预设计量期[T1,T2]对应的调整后的不良概率,Pr代表该笔资产在预设计量期[T1,T2]内从当前风险等级迁移至预设不良等级的概率,R代表相关系数,A代表平移系数,Z’代表所述预设计量期的预设风险因子值,Φ代表正态分布的累积函数,Φ-1代表正态分布的累积函数的反函数。
步骤S30,将该笔资产的违约驱动因素输入至预先建立的损失率预测模型进行预测,得到该笔资产为预设不良等级时的损失率。
上述损失率预测模型的构建方法包括步骤S31~步骤S35(图中未示出)。其中:
步骤S31,收集历史的违约数据,从该违约数据中获取每一违约客户对应的违约时点金额、回收金额、回收费用及清收人员费用,基于该违约时点金额、回收金额、回收费用及清收人员费用计算每一违约客户对应的实际违约损失率。
该历史的违约数据为针对企业的历史的违约数据,违约数据共计有120个左右,按照类型可以分为债务人信息、债项信息、保证人信息、抵质押品信息等等。债务人信息包括:企业所在的行业、所在地区、债务人资产负债率等;债项信息包括:贷款类别、暴露金额、贷款期限、贷款利率、是否抵押、是否担保等;保证人信息包括:担保方式、担保金额、担保比例、担保人所在地区、担保人与被担保人之间的关系等;抵质押品信息包括抵质押品评估价值、抵质押品的类型、抵质押品变现的难易程度等。
步骤S32,对该违约数据进行预处理,并对预处理后的每一违约数据进行分组处理(例如,分箱处理),以分组处理后的每一组违约数据作为自变量。
其中,对该违约数据进行预处理包括违约数据验证及补录填补。
步骤S33,计算每一组自变量的证据权重,基于该证据权重计算每一组自变量的信息价值,将每一违约数据各组自变量的信息价值进行累加得到每一违约数据的信息价值。
步骤S34,获取预定的具有业务解析性且信息价值大于等于预设阈值的违约数据,作为违约驱动因素。
步骤S35,调用预定的模型算法对该违约驱动因素及实际违约损失率进行拟合训练,以建立所述损失率预测模型。
其中,预定的模型算法可以是逻辑回归算法,或者决策树算法,或者梯度提升决策树算法等。
需要注意的是,本实施例不对步骤S20、S30的执行顺序进行限定。
步骤S40,将该笔资产的风险敞口、调整后的不良概率及损失率代入至第四预设公式进行计算,得到该笔资产在所述预设计量期内的预期损失。
上述第四预设公式包括:
ECL=EXP(T1)×Pr’(T1,T2)×LGD
其中,ECL代表预期损失,EXP(T1)代表资产在计量日T1的风险敞口,Pr’(T1,T2)代表所述预设计量期[T1,T2]对应的调整后的不良概率,LGD代表损失率。
本实施例获取一笔资产在计量日的风险敞口、当前风险等级、违约驱动因素,再根据预先确定的累计不良概率数据及该笔资产的当前风险等级,计算该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率,并按照预先确定的调整规则对计算得到的所述概率进行调整,得到调整后的不良概率,同时,将该笔资产的违约驱动因素输入至预先建立的损失率预测模型进行预测,得到该笔资产为预设不良等级时的损失率,最后,将该笔资产的风险敞口、调整后的不良概率及损失率代入至第一预设公式进行计算,得到该笔资产在所述预设计量期内的预期损失。相较于现有技术,本实施例实现了对公类资产预期损失的计量,为金融机构资金管理提供数据支持。
进一步地,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质存储有资产预期损失的计量程序,所述资产预期损失的计量程序可被至少一个处理器执行,以使所述至少一个处理器执行上述任一实施例中的资产预期损失的计量方法。
以上所述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,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (10)
1.一种电子装置,所述电子装置包括存储器和处理器,其特征在于,所述存储器上存储有资产预期损失的计量程序,所述资产预期损失的计量程序被所述处理器执行时实现如下步骤:
获取步骤:获取一笔资产在计量日的风险敞口、当前风险等级及违约驱动因素;
第一计算步骤:根据预先确定的累计不良概率数据及该笔资产的当前风险等级,计算该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率,并按照预先确定的调整规则对计算得到的所述概率进行调整,得到调整后的不良概率,所述预设计量期的起始时间为计量日;
预测步骤:将该笔资产的违约驱动因素输入至预先建立的损失率预测模型进行预测,得到该笔资产为预设不良等级时的损失率;
第二计算步骤:将该笔资产的风险敞口、调整后的不良概率及损失率代入第一预设公式进行计算,得到该笔资产在所述预设计量期内的预期损失。
2.如权利要求1所述的电子装置,其特征在于,所述预测步骤在所述第一计算步骤之前执行。
3.如权利要求1或2所述的电子装置,其特征在于,所述第一预设公式包括:
ECL=EXP(T1)×Pr’(T1,T2)×LGD
其中,ECL代表预期损失,EXP(T1)代表资产在计量日T1的风险敞口,Pr’(T1,T2)代表所述预设计量期[T1,T2]对应的调整后的不良概率,LGD代表损失率。
4.如权利要求1或2所述的电子装置,其特征在于,所述第一计算步骤包括:
根据预先确定的累计不良概率数据及该笔资产的当前风险等级,确定该笔资产在所述预设计量期的起始时间和终止时间上的累计不良概率;
将该笔资产在所述预设计量期的起始时间和终止时间上的累计不良概率代入第二预设公式进行计算,得到该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率,所述第二预设公式包括:
其中,Pr(T1,T2)代表该笔资产在预设计量期[T1,T2]内从当前风险等级迁移至预设不良等级的概率,Prt1代表该笔资产在所述预设计量期的起始时间T1上的累计不良概率,Prt2代表该笔资产在所述预设计量期的终止时间T2上的累计不良概率;
获取该笔资产的相关系数、正态分布累积函数、正态分布累积函数的反函数及所述预设计量期的预设风险因子值;
根据所述预设计量期的预设风险因子值、相关系数、正态分布累积函数、正态分布累积函数的反函数及第三预设公式,对该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率进行调整,得到调整后的不良概率,所述第三预设公式包括:
其中,Pr’(T1,T2)代表所述预设计量期[T1,T2]对应的调整后的不良概率,Pr代表该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率,R代表相关系数,A代表平移系数,Z’代表所述预设计量期的预设风险因子值,Φ代表正态分布的累积函数,Φ-1代表正态分布的累积函数的反函数。
5.如权利要求1或2所述的电子装置,其特征在于,所述处理器执行所述资产预期损失的计量程序,在所述预测步骤之前,还实现以下步骤:
收集历史的违约数据,从该违约数据中获取每一违约客户对应的违约时点金额、回收金额、回收费用及清收人员费用,基于该违约时点金额、回收金额、回收费用及清收人员费用计算每一违约客户对应的实际违约损失率;
对该违约数据进行预处理,并对预处理后的每一违约数据进行分组处理,以分组处理后的每一组违约数据作为自变量;
计算每一组自变量的证据权重,基于该证据权重计算每一组自变量的信息价值,将每一违约数据各组自变量的信息价值进行累加得到每一违约数据的信息价值;
获取预定的具有业务解析性且信息价值大于等于预设阈值的违约数据,作为违约驱动因素;
调用预定的模型算法对该违约驱动因素及实际违约损失率进行拟合训练,以建立所述损失率预测模型。
6.一种资产预期损失的计量方法,其特征在于,该方法包括步骤:
获取步骤:获取一笔资产在计量日的风险敞口、当前风险等级及违约驱动因素;
第一计算步骤:根据预先确定的累计不良概率数据及该笔资产的当前风险等级,计算该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率,并按照预先确定的调整规则对计算得到的所述概率进行调整,得到调整后的不良概率,所述预设计量期的起始时间为计量日;
预测步骤:将该笔资产的违约驱动因素输入至预先建立的损失率预测模型进行预测,得到该笔资产为预设不良等级时的损失率;
第二计算步骤:将该笔资产的风险敞口、调整后的不良概率及损失率代入第一预设公式进行计算,得到该笔资产在所述预设计量期内的预期损失。
7.如权利要求6所述的资产预期损失的计量方法,其特征在于,所述预测步骤在所述第一计算步骤之前执行。
8.如权利要求6或7所述的资产预期损失的计量方法,其特征在于,所述第一预设公式包括:
ECL=EXP(T1)×Pr’(T1,T2)×LGD
其中,ECL代表预期损失,EXP(T1)代表资产在计量日T1的风险敞口,Pr’(T1,T2)代表所述预设计量期[T1,T2]对应的调整后的不良概率,LGD代表损失率。
9.如权利要求6或7所述的资产预期损失的计量方法,其特征在于,所述第一计算步骤包括:
根据预先确定的累计不良概率数据及该笔资产的当前风险等级,确定该笔资产在所述预设计量期的起始时间和终止时间上的累计不良概率;
将该笔资产在所述预设计量期的起始时间和终止时间上的累计不良概率代入第二预设公式进行计算,得到该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率,所述第二预设公式包括:
其中,Pr(T1,T2)代表该笔资产在预设计量期[T1,T2]内从当前风险等级迁移至预设不良等级的概率,Prt1代表该笔资产在所述预设计量期的起始时间T1上的累计不良概率,Prt2代表该笔资产在所述预设计量期的终止时间T2上的累计不良概率;
获取该笔资产的相关系数、正态分布累积函数、正态分布累积函数的反函数及所述预设计量期的预设风险因子值;
根据所述预设计量期的预设风险因子值、相关系数、正态分布累积函数、正态分布累积函数的反函数及第三预设公式,对该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率进行调整,得到调整后的不良概率,所述第三预设公式包括:
其中,Pr’(T1,T2)代表所述预设计量期[T1,T2]对应的调整后的不良概率,Pr代表该笔资产在预设计量期内从当前风险等级迁移至预设不良等级的概率,R代表相关系数,A代表平移系数,Z’代表所述预设计量期的预设风险因子值,Φ代表正态分布的累积函数,Φ-1代表正态分布的累积函数的反函数。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有资产预期损失的计量程序,所述资产预期损失的计量程序可被至少一个处理器执行,以使所述至少一个处理器执行如权利要求6-9中的任一项所述的资产预期损失的计量方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910157193.4A CN110020783A (zh) | 2019-03-01 | 2019-03-01 | 电子装置、资产预期损失的计量方法和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910157193.4A CN110020783A (zh) | 2019-03-01 | 2019-03-01 | 电子装置、资产预期损失的计量方法和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110020783A true CN110020783A (zh) | 2019-07-16 |
Family
ID=67189193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910157193.4A Pending CN110020783A (zh) | 2019-03-01 | 2019-03-01 | 电子装置、资产预期损失的计量方法和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110020783A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659979A (zh) * | 2019-09-03 | 2020-01-07 | 深圳中兴飞贷金融科技有限公司 | 预测违约损失率的方法和装置、存储介质及电子设备 |
-
2019
- 2019-03-01 CN CN201910157193.4A patent/CN110020783A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659979A (zh) * | 2019-09-03 | 2020-01-07 | 深圳中兴飞贷金融科技有限公司 | 预测违约损失率的方法和装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Farboodi et al. | Long-run growth of financial data technology | |
Berkowitz et al. | Evaluating value-at-risk models with desk-level data | |
Laitner et al. | Technological change and the stock market | |
US8065214B2 (en) | Methods and system for assessing loss severity for commercial loans | |
US8577791B2 (en) | System and computer program for modeling and pricing loan products | |
CN111754116B (zh) | 一种基于标签画像技术的信用评估方法及装置 | |
WO2020143345A1 (zh) | 仓单质押的信贷风险监控方法及装置 | |
CN102663650A (zh) | 一种企业信用风险分析系统及其使用方法 | |
CN102117469A (zh) | 一种对信用风险进行评估的系统和方法 | |
Tsai et al. | An empirical research on evaluating banks’ credit assessment of corporate customers | |
CN105719013A (zh) | 测算企业资产负债的方法和系统 | |
KR100742164B1 (ko) | 주식자산 운용 시스템에서의 포트폴리오 및 계량적 방법에의한 주식 종목 선택 방법 | |
Chen et al. | A study on operational risk and credit portfolio risk estimation using data analytics | |
CN1971610A (zh) | 一种用于评价银行贷款风险的系统及方法 | |
JP2018503927A (ja) | 投資証券の複合ポートフォリオのセグメント化及び層化 | |
Ilonen et al. | Toward automatic forecasts for diffusion of innovations | |
CN109886800A (zh) | 电子装置、非标债权资产估值方法和计算机可读存储介质 | |
CN114493208A (zh) | 工程项目全寿命周期的评价方法、装置、电子设备及介质 | |
CN110020783A (zh) | 电子装置、资产预期损失的计量方法和存储介质 | |
CN110009189A (zh) | 电子装置、风险量化方法和计算机可读存储介质 | |
CN115760363A (zh) | 一种基于人行征信报告的利率测算方法及设备 | |
Fang et al. | Variable Selection for Credit Risk Model Using Data Mining technique. | |
CN109034525A (zh) | 一种确定勘探开发项目的投资决策结果的方法及装置 | |
KR101334891B1 (ko) | SaaS 환경에서의 재무위험관리 서비스를 제공하기 위한 시스템 | |
WO2021207780A1 (en) | Systems, computer-implemented methods and computer programs for capital management |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190716 |
|
RJ01 | Rejection of invention patent application after publication |