CN110119870A - 宏观风险预警方法、装置、计算机设备和存储介质 - Google Patents
宏观风险预警方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110119870A CN110119870A CN201910211862.1A CN201910211862A CN110119870A CN 110119870 A CN110119870 A CN 110119870A CN 201910211862 A CN201910211862 A CN 201910211862A CN 110119870 A CN110119870 A CN 110119870A
- Authority
- CN
- China
- Prior art keywords
- risk
- value
- information
- macro
- macro risks
- 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
- G06Q10/04—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
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及大数据分析领域,特别涉及一种宏观风险预警方法、装置、计算机设备和存储介质。所述方法包括:接收终端发送的当前市场信息,并从当前市场信息中提取当前特征信息;获取当前特征信息对应的宏观场景;将当前特征信息及当前特征信息对应的宏观场景输入训练好的宏观风险模型中,得到每个宏观场景内的当前特征信息对应的宏观风险值,宏观风险模型是根据历史市场信息中的历史特征信息与历史风险值的关联程度生成的;根据宏观风险值得到当前风险值;当当前风险值高于第一预设值时,输出预警信号。采用本方法能够更准确地预估宏观风险的变化趋势,并进行风险预警。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种宏观风险预警方法、装置、计算机设备和存储介质。
背景技术
近年来,随之社会的发展,人们的消费水平也逐渐提高,越来越多的消费者会选择借贷产品,以缓解消费压力或进行其他投资。对于银行或其他金融机构等在发放借贷产品时,需要对此借贷产品的回报的风险进行预测。
而在风险预测时,很多宏观指标,如市场经济或国民GDP等,会对预测结果产生影响。但传统的宏观指标分析,通常是基于当年的国家政策或国民GDP 的发展趋势来判断其对借贷产品的影响,其分析并不全面,无法准确预估宏观风险变化趋势。
发明内容
基于此,有必要针对上述技术问题,提供一种能够准确预估市场宏观风险的宏观风险预警方法、装置、计算机设备和存储介质。
一种宏观风险预警方法,所述方法包括:
接收终端发送的当前市场信息,并从所述当前市场信息中提取当前特征信息;
获取所述当前特征信息对应的宏观场景;
将所述当前特征信息及所述当前特征信息对应的宏观场景输入训练好的宏观风险模型中,得到每个所述宏观场景内的当前特征信息对应的宏观风险值,所述宏观风险模型是根据历史市场信息中的历史特征信息与历史风险值的关联程度生成的;
根据所述宏观风险值得到当前风险值;
当所述当前风险值高于第一预设值时,输出预警信号。
在其中一个实施例中,所述宏观风险模型的训练方式,包括:
获取待训练宏观场景中的历史市场信息以及每个所述历史市场信息对应的历史风险;
从每个所述历史市场信息中提取历史特征信息;
通过线性回归算法得到每个所述历史特征信息对于所述历史风险的影响值;
根据所得到的影响值和所述历史特征信息生成宏观风险模型。
在其中一个实施例中,所述根据所述宏观风险值得到当前风险值之后,还包括:
获取所述当前风险值对应的对比信息,计算所述当前风险值与对比信息的差值;
获取预设打分规则,根据所述预设打分规则获取所述差值对应的风险评分;
所述输出预警信号,包括:
当所述风险评分高于预设分数时,输出所述预警信号。
在其中一个实施例中,所述根据所述宏观风险值得到当前风险值之后,还包括:
获取与所述当前市场信息对应的参考市场信息和所述参考市场信息对应的参考宏观风险值;
根据所述参考宏观风险值和所述当前风险值绘制风险波动曲线;
根据所述风险波动曲线得到对应时间内的预测风险值;
当所述预测风险值高于第二预设值时,获取待进行风险评估的产品;
根据所述预测风险值对所述待进行风险评估的产品进行风险评估。
在其中一个实施例中,所述输出预警信号之后,还包括:
获取与所述预警信号对应的风险处理方案;
将所述风险处理方案发送至所述终端。
一种风险预警装置,所述装置包括:
接收模块,用于接收终端发送的当前市场信息,并从所述当前市场信息中提取当前特征信息;
场景获取模块,用于获取所述当前特征信息对应的宏观场景;
模型分析模块,用于将所述当前特征信息及所述当前特征信息对应的宏观场景输入训练好的宏观风险模型中,得到每个所述宏观场景内的当前特征信息对应的宏观风险值,所述宏观风险模型是根据历史市场信息中的历史特征信息与历史风险值的关联程度生成的;
风险计算模块,根据所述宏观风险值得到当前风险值;
报警模块,用于当所述当前风险值高于第一预设值时,输出预警信号。
在其中一个实施例中,所述装置还包括:
样本获取模块,用于获取待训练宏观场景中的历史市场信息以及每个所述历史市场信息对应的历史风险;
特征提取模块,用于从每个所述历史市场信息中提取历史特征信息;
影响分析模块,用于通过线性回归算法得到每个所述历史特征信息对于所述历史风险的影响值;
模型训练模块,用于根据所得到的影响值和所述历史特征信息生成宏观风险模型。
在其中一个实施例中,所述装置还包括:
差值计算模块,用于获取所述当前风险值对应的对比信息,计算所述当前风险值与对比信息的差值;
评分模块,用于获取预设打分规则,根据所述预设打分规则获取所述差值对应的风险评分;
所述报警模块还用于,当所述风险评分高于预设分数时,输出所述预警信号。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
上述宏观风险预警方法、装置、计算机设备和存储介质,通过对大数据分析,训练出能够对当前市场信息的宏观风险进行全面分析的宏观风险模型,服务器接收终端发送的当前市场信息后,获取此当前市场信息中包含的不同宏观场景内的当前特征信息,多维度地对当前市场信息进行宏观风险分析,更准确地预估宏观风险的变化趋势,并在风险过高,即超出第一预设值时,输出报警信号,获取对应的处理方案,来进行风险缓释,降低银行等发送借贷产品的金融机构的损失。
附图说明
图1为一个实施例中宏观风险预警方法的应用场景图;
图2为一个实施例中宏观风险预警方法的流程示意图;
图3为一个实施例中宏观风险模型的训练方式的流程示意图;
图4为一个实施例中的产品风险干预步骤的流程示意图;
图5为一个实施例中宏观风险预警装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的宏观风险预警方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。服务器104可以接收到终端 102发送的当前市场信息,从中提取出能够反映当前市场信息的风险性的当前特征信息,获取当前特征信息对应的宏观场景,然后将当前特征信息输入对应的宏观场景的风险模型中,根据模型得到当前特征信息对应的风险值,将所有宏观场景的风险值求和,得到此当前市场信息对应的当前风险值,在风险值高于预设值时,输出预警信号,提示终端102对此情况提高警惕,并采取对应的风险缓释方案;通过上述方案能够更加准确地分析当前市场信息中的宏观风险,并在高风险时发出预警信号。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种宏观风险预警方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S202,接收终端发送的当前市场信息,并从当前市场信息中提取当前特征信息。
其中,当前市场信息是当前的市场环境下收集到的信息;可以包括,一段周期内,如几个月或者是前几年内,国民人均GDP(Gross Domestic Product 国内生产总值)变化情况,国内人均每月消费额的变化,国家宏观调控政策,以及银行业间同业利率信息等。
当前特征信息是从当前市场信息中提取出来的能够反映宏观风险的关键词、句等信息;例如人均GDP每年的数值,或者是几年内的变化趋势;或者是国家宏观政策的时间,和调控的详细信息的关键字等等。
具体地,终端收集当前市场的信息,例如在一段时间内国民人均GDP(GrossDomestic Product国内生产总值)变化情况,国内人均每月消费额的变化,国家宏观调控政策,以及银行业间同业利率信息等等,将这些信息发送给服务器,服务器接收到这些信息后,按照设定的规则从当前市场信息中提取出能够反映反映宏观风险的关键词、句等信息作为当前特征信息,进行下一步的操作。其中,服务器从当前市场信息中提取出来的能够反映宏观风险的关键词、句等信息的方法可以是设定的与风险相关的关键词,并识别这些关键词在当前市场信息中的位置,将该位置所在的句子提取出来,作为当前特征信息。也可以通过 NPL(一种语义识别方法)对当前市场信息进行语义识别,提取出当前特征信息等等。
另外,终端收集当前市场信息的方式可以是通过网络爬虫从网络新闻上爬取包含风险关键词的新闻,也可以是专家对于一些政策的解读等等。
S204,获取当前特征信息对应的宏观场景。
其中,宏观场景是终端预先设置的所需要监控的几个宏观场景,其中可以包括实体经济场景、信贷市场场景、金融市场场景、资产市场场景以及货币市场场景等等。
具体地,服务器先根据历史信息来建立一些与当前特征信息中包含的关键词与宏观场景之间的关系,服务器可以根据此映射关系来判断当前特征信息属于哪一宏观场景。例如,实体经济场景对应的关键词可以包括生铁产量当月同比、固定资产投资本年施工项目计算总投资额累计同比、中债国债到期收益率、供货商配送时间、M2同比等,并根据该各个参数预设的权重计算得到实体经济对应的严重度。对应的信贷市场场景的关键词可以包括房地产开发投资完成额累计同比、城镇居民人均可支配收入累计同比、M1/M2、GDP累计同比。金融企业场景的关键词可以包括人民币存款准备率、7天银行间质押回购加权利率。资产市场场景的参数可以包括个人住房贷款利率、新增居民中长期人民币贷款当月同比、CPI当月同比、10年期国债到期收益率同比。货币市场场景的关键词可以包括对外金融负债、BBB-AAA、M1/M2以及美元指数等。
S206,将当前特征信息及当前特征信息对应的宏观场景输入训练好的宏观风险模型中,得到每个宏观场景内的当前特征信息对应的宏观风险值,宏观风险模型是根据历史市场信息中的历史特征信息与历史风险值的关联程度生成的。
其中,宏观风险模型是根据历史数据训练得出的能够对输入的当前市场信息进行分析,计算出当前特征信息的宏观风险评分的模型,此评分模型是根据每一宏观场景中的关键词的变化趋势或者参数大小来建立的,是服务器根据历史市场信息中提取的历史特征信息对于历史风险值的影响程度来建立,服务器通过对大量历史数据以及发生的宏观经济事件进行分析训练得到的。历史市场信息是每个宏观场景中已发生的宏观危机事件对应的市场信息,其形式与当前市场信息一致。
具体地,服务器根据训练得到的宏观风险模型对步骤S206中获取的每一宏观场景中的关键词或者参数变化,对当前市场信息进行分析,得到每一宏观场景中对应的风险评分。在此步骤中,由于不同宏观场景的参数的变化对于宏观风险的影响程度和结果都可能不同,所以分场景分析宏观风险更为准确。
S208,根据宏观风险值得到当前风险值。
当前风险值可以上述每个宏观场景得到的宏观风险值进行求和得到,是此当前市场信息所包含的多个宏观场景中所有宏观风险的总和,至此步骤,服务器成功将当前市场信息中的宏观风险量化。
S210,当当前风险值高于第一预设值时,输出预警信号。
其中,第一预设值是用于界定当前市场信息是否有发生宏观危机事件,如经济危机等等的阈值;可以是一个经过专家分析或者经验得到的数值。
具体地,当服务器检测到得到的当前市场信息对应的当前风险值高于安全阈值,即第一预设值时,则服务器针对此情况输出一个预警的信号,用于提示终端未来可能发生宏观危机事件,工作人员应提前对此情况采取对应的措施。
另外,服务器可以对当前风险值设置多个阈值,将当前风险值区分为多个风险状态,例如,通过上述第一预设值将当前风险值分为正常状态和预警状态,预警状态又可以包括:关注状态、预警状态和危机状态等等。服务器输出预警信号时可以输出对应的状态,以提示终端的技术人员具体的宏观风险情况。
上述宏观风险预警方法,通过对大数据分析,训练出能够对当前市场信息的宏观风险进行全面分析的宏观风险模型,服务器接收终端发送的当前市场信息后,获取此当前市场信息中包含的不同宏观场景内的当前特征信息,多维度地对当前市场信息进行宏观风险分析,更准确地预估宏观风险的变化趋势,并在风险过高,即超出第一预设值时,输出报警信号,获取对应的处理方案,来进行风险缓释,降低银行等发送借贷产品的金融机构的损失。
在一个实施例中,请参见图3,上述宏观风险预警方法还可以包括宏观风险模型的训练方式,具体包括以下步骤:
S302,获取待训练宏观场景中的历史市场信息以及每个历史市场信息对应的历史风险。
具体地,服务器获取到多个宏观场景中发生宏观危机事件,获取这些宏观危机事件对于的历史市场信息与对应的历史风险,即最终造成的风险损失情况,将这些历史市场信息和其对应造成的风险损失情况作为训练宏观风险模型的训练样本。上述的宏观危机事件是指个宏观场景下曾发生的危机事件;例如,在实体经济场景下,参考次贷危机导致的实体经济下行;例如美国06年次贷危机, 98年亚洲金融风暴中的越南,韩国,印尼,马来西亚等东南亚国家;在信贷场景下,参考韩国信用卡债务危机;银行同业场景下,参考银行市场危机,例如西班牙,钱荒挤兑等事件;在资产市场场景下,参考资产市场泡沫,例如美国 06年次贷危机等等。
S304,从每个历史市场信息中提取历史特征信息。
历史特征信息是从历史市场信息中提取出来的能够反映宏观风险的关键词、句等信息;例如人均GDP每年的数值,或者是几年内的变化趋势;或者是国家宏观政策的时间,和调控的详细信息的关键字等等,其形式与当前特征信息保持一致。
S306,通过线性回归算法得到每个历史特征信息对于历史风险的影响值。
具体地,服务器获取和每个宏观危机事件中包括的历史特征信息后,根据每个宏观场景下的多个宏观危机事件样本,以及样本在历史事件中对金融行业造成的风险损失情况,经过线性回归算法获取每个宏观场景下的每个历史特征信息对应风险损失结果的影响趋势,对其量化得到影响值。
S308,根据所得到的影响值和历史特征信息生成宏观风险模型。
具体地,将每个宏观场景下的所有特征信息对于金融行业的风险损失的影响值生成能够对输入的当前市场信息进行分析,计算出当前特征信息的宏观风险评分的模型。
上述实施例中,通过上述方式训练的得到的宏观风险模型能够根据输入的每个宏观场景的市场特征信息得到对应的宏观风险值,准确分析市场特征信息中的宏观风险。
在一个实施例中,上述宏观风险预警方法中的步骤S208根据宏观风险值得到当前风险值之后,还可以包括:获取当前风险值对应的对比信息,计算当前风险值与对比信息的差值;获取预设打分规则,根据预设打分规则获取差值对应的风险评分;则步骤S210的输出预警信号,可以包括:当风险评分高于预设分数时,输出预警信号。
其中,对比信息是与当前风险值对应的无宏观危机的年份的风险值,可以选择一个金融业相对发展平稳、营收合理的年份的风险值作为对比信息。
预设打分规则是技术人员根据对大量当前风险值最终造成的危机事件的程度进行区分建立的,如将对市场经济影响小于3%的时间的风险评分设为1分等等规则;而风险评分是根据预设打分规则对当前风险进行打分后得到的分数值。
具体地,服务器在经过模型分析、以及风险值求和得到当前风险值后,可以根据预设的打分规则将当前风险值转化为风险评分,在风险评分高于与第一预设值对应的预设分数时,才输出预警信号。
上述实施例中,服务器在在得到当前风险值之后,可将其转化为风险评分的形式,并根据此评分判断市场对用户的借贷风险上的影响,使其结果更为直观。
在一个实施例中,请参见图4,上述宏观风险预警方法中的步骤S208根据宏观风险值得到当前风险值之后,还可以包括产品风险干预步骤,具体包括:
S402,获取与当前市场信息对应的参考市场信息和参考市场信息对应的参考宏观风险值。
其中,参考市场信息是与当前市场信息对应的往前一段时间内的市场信息,例如当前市场信息为本年度的人均GDP,则参考市场信息可以收集本年度之前 10年或者更久的人均GDP作文参考市场信息;参考市场信息与当前市场信息的形式保持一致。参考宏观风险值是与参考市场信息对应时间内的宏观风险值,其形式与当前特征信息对应的宏观风险值一致。
具体地,服务器在通过各宏观场景的宏观风险模型得到当前风险值之后,可以获取往前几年内的参考市场信息和对应的参考宏观风险值。
S404,根据参考宏观风险值和当前风险值绘制风险波动曲线。
具体地,按照时间顺序在图中绘制出每一获取的参考风险值,然后将当前风险值也加入上述图中,连接成在这段时间内的风险波动曲线。
S406,根据风险波动曲线得到对应时间内的预测风险值。
具体地,根据上述绘制的风险波动曲线的波动特征,以及专家关于危机事件发生前的风险变动情况,来预测在未来一点时间内的预测风险值。在经济专家对于历史上的宏观危机事件发生前后的市场变动进行跟踪可知,宏观危机事件的发生是可以预测的,其曲线波动也是有规律可循的;例如,当发生金融风暴时,大型企业的借贷风险会提高等,故通过对连续数年的宏观风险波动曲线进行观察,可以预测出未来一段时间内的宏观风险变化情况,本申请中,将其量化为预测风险值。
S408,当预测风险值高于第二预设值时,获取待进行风险评估的产品。
其中,第二预设值是用于限定是否要对与预测风险值相关的产品进行风险评估的阈值,可以是一个经过专家分析或者经验得到的数值,其形式与预测风险值一致。待进行风险评估的产品是预测风险值超过第二预设值时,可能影响到的产品,如宏观风险可能对借贷产品、不动产产品、储蓄产品、投资产品等造成不同程度的影响,在这些产品都可以作为待进行风险评估的产品。
具体地,当服务器通过步骤S406得到的预测风险值过高,可能会对相关产品造成影响时,则获取到可能造成影响的产品进行分析。
S410,根据预测风险值对待进行风险评估的产品进行风险评估。
具体地,服务器在产品分析时,可获取预设风险值可能对此产品的销售、成本等不同维度来分析可能的影响结果,并分析是否需要采取对应的风险缓释挫折。
上述实施例中,根据连续一段时间内的风险值来对未来风险值进行预测,当预测到的风险较高时,对相关产品进行风险评估,判断产品是否需要做相应调整。
在一个实施例中,上述宏观风险预警方法中的步骤S210中的输出预警信号之后,还可以包括:获取与预警信号对应的风险处理方案;将风险处理方案发送至终端。
其中,风险处理方案是技术人员根据当前市场信息对应的风险状态制定的处理方案,例如当国家出台了拉动国民内需的政策时,银行可降低对应的金融产品的购买门槛等等。
具体地,当服务器检测到当前市场信息有可能会演变出一定的经济危机或者市场经济影响时,输出预警信号,并获取到此情况对应的风险处理方案,将此方案发送给终端,通知对应的人员执行对应的方案,提前对可能发生的危机情况进行风险缓释处理。
上述实施例中,技术人员提前设置好与预警信号对应的风险处理方案,待风险发生时,可以直接获取,缩短了风险反映时间。
应该理解的是,虽然图2至图4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2至图4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种宏观风险预警装置,包括:接收模块100、场景获取模块200、模型分析模块300、风险计算模块400和报警模块500,其中:
接收模块100,用于接收终端发送的当前市场信息,并从当前市场信息中提取当前特征信息。
场景获取模块200,用于获取当前特征信息对应的宏观场景。
模型分析模块300,用于将当前特征信息及当前特征信息对应的宏观场景输入训练好的宏观风险模型中,得到每个宏观场景内的当前特征信息对应的宏观风险值,宏观风险模型是根据历史市场信息中的历史特征信息与历史风险值的关联程度生成的。
风险计算模块400,根据宏观风险值得到当前风险值。
报警模块500,用于当当前风险值高于第一预设值时,输出预警信号。
在一个实施例中,上述宏观风险预警装置还可以包括:
样本获取模块,用于获取待训练宏观场景中的历史市场信息以及每个历史市场信息对应的历史风险。
特征提取模块,用于从每个历史市场信息中提取历史特征信息。
影响分析模块,用于通过线性回归算法得到每个历史特征信息对于历史风险的影响值。
模型训练模块,用于根据所得到的影响值和历史特征信息生成宏观风险模型。
在一个实施例中,上述宏观风险预警还可以包括:
差值计算模块,用于获取当前风险值对应的对比信息,计算当前风险值与对比信息的差值;
评分模块,用于获取预设打分规则,根据预设打分规则获取差值对应的风险评分;
上述的报警模块500还用于,当风险评分高于预设分数时,输出预警信号。
在一个实施例中,上述宏观风险预警装置还可以包括:
参考值获取模块,用于获取与当前市场信息对应的参考市场信息和参考市场信息对应的参考宏观风险值。
曲线绘制模块,用于根据参考宏观风险值和当前风险值绘制风险波动曲线。
风险预测模块,用于根据风险波动曲线得到对应时间内的预测风险值。
产品获取模块,用于当预测风险值高于第二预设值时,获取待进行风险评估的产品。
评估模块,用于根据预测风险值对待进行风险评估的产品进行风险评估。
在一个实施例中,上述宏观风险预警装置的显示模块500,还可以包括:
方案获取模块,用于获取与预警信号对应的风险处理方案;
方案发送模块,用于将风险处理方案发送至终端。
关于宏观风险预警装置的具体限定可以参见上文中对于宏观风险预警方法的限定,在此不再赘述。上述宏观风险预警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储宏观风险预警数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种宏观风险预警方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:接收终端发送的当前市场信息,并从当前市场信息中提取当前特征信息;获取当前特征信息对应的宏观场景;将当前特征信息及当前特征信息对应的宏观场景输入训练好的宏观风险模型中,得到每个宏观场景内的当前特征信息对应的宏观风险值,宏观风险模型是根据历史市场信息中的历史特征信息与历史风险值的关联程度生成的;根据宏观风险值得到当前风险值;当当前风险值高于第一预设值时,输出预警信号。
在一个实施例中,处理器执行计算机程序时实现的宏观风险模型的训练方式,可以包括:获取待训练宏观场景中的历史市场信息以及每个历史市场信息对应的历史风险;从每个历史市场信息中提取历史特征信息;通过线性回归算法得到每个历史特征信息对于历史风险的影响值;根据所得到的影响值和历史特征信息生成宏观风险模型。
在一个实施例中,处理器执行计算机程序时实现的根据宏观风险值得到当前风险值之后,还可以包括:获取当前风险值对应的对比信息,计算当前风险值与对比信息的差值;获取预设打分规则,根据预设打分规则获取差值对应的风险评分;则处理器执行计算机程序时实现的输出预警信号,可以包括:当风险评分高于预设分数时,输出预警信号。
在一个实施例中,处理器执行计算机程序时实现的根据宏观风险值得到当前风险值之后,还可以包括:获取与当前市场信息对应的参考市场信息和参考市场信息对应的参考宏观风险值;根据参考宏观风险值和当前风险值绘制风险波动曲线;根据风险波动曲线得到对应时间内的预测风险值;当预测风险值高于第二预设值时,获取待进行风险评估的产品;根据预测风险值对待进行风险评估的产品进行风险评估。
在一个实施例中,处理器执行计算机程序时实现的输出预警信号之后,还可以包括:获取与预警信号对应的风险处理方案;将风险处理方案发送至终端。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:接收终端发送的当前市场信息,并从当前市场信息中提取当前特征信息;获取当前特征信息对应的宏观场景;将当前特征信息及当前特征信息对应的宏观场景输入训练好的宏观风险模型中,得到每个宏观场景内的当前特征信息对应的宏观风险值,宏观风险模型是根据历史市场信息中的历史特征信息与历史风险值的关联程度生成的;根据宏观风险值得到当前风险值;当当前风险值高于第一预设值时,输出预警信号。
在一个实施例中,计算机程序被处理器执行时实现的宏观风险模型的训练方式,可以包括:获取待训练宏观场景中的历史市场信息以及每个历史市场信息对应的历史风险;从每个历史市场信息中提取历史特征信息;通过线性回归算法得到每个历史特征信息对于历史风险的影响值;根据所得到的影响值和历史特征信息生成宏观风险模型。
在一个实施例中,计算机程序被处理器执行时实现的根据宏观风险值得到当前风险值之后,还可以包括:获取当前风险值对应的对比信息,计算当前风险值与对比信息的差值;获取预设打分规则,根据预设打分规则获取差值对应的风险评分;则计算机程序被处理器执行时实现的输出预警信号,可以包括:当风险评分高于预设分数时,输出预警信号。
在一个实施例中,计算机程序被处理器执行时实现的根据宏观风险值得到当前风险值之后,还可以包括:获取与当前市场信息对应的参考市场信息和参考市场信息对应的参考宏观风险值;根据参考宏观风险值和当前风险值绘制风险波动曲线;根据风险波动曲线得到对应时间内的预测风险值;当预测风险值高于第二预设值时,获取待进行风险评估的产品;根据预测风险值对待进行风险评估的产品进行风险评估。在一个实施例中,计算机程序被处理器执行时实现的输出预警信号之后,还可以包括:获取与预警信号对应的风险处理方案;将风险处理方案发送至终端。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM (EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM (SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM (DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种宏观风险预警方法,所述方法包括:
接收终端发送的当前市场信息,并从所述当前市场信息中提取当前特征信息;
获取所述当前特征信息对应的宏观场景;
将所述当前特征信息及所述当前特征信息对应的宏观场景输入训练好的宏观风险模型中,得到每个所述宏观场景内的当前特征信息对应的宏观风险值,所述宏观风险模型是根据历史市场信息中的历史特征信息与历史风险值的关联程度生成的;
根据所述宏观风险值得到当前风险值;
当所述当前风险值高于第一预设值时,输出预警信号。
2.根据权利要求1所述的方法,其特征在于,所述宏观风险模型的训练方式,包括:
获取待训练宏观场景中的历史市场信息以及每个所述历史市场信息对应的历史风险;
从每个所述历史市场信息中提取历史特征信息;
通过线性回归算法得到每个所述历史特征信息对于所述历史风险的影响值;
根据所得到的影响值和所述历史特征信息生成宏观风险模型。
3.根据权利要求1所述的方法,其特征在于,所述根据所述宏观风险值得到当前风险值之后,还包括:
获取所述当前风险值对应的对比信息,计算所述当前风险值与对比信息的差值;
获取预设打分规则,根据所述预设打分规则获取所述差值对应的风险评分;
所述输出预警信号,包括:
当所述风险评分高于预设分数时,输出所述预警信号。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述根据所述宏观风险值得到当前风险值之后,还包括:
获取与所述当前市场信息对应的参考市场信息和所述参考市场信息对应的参考宏观风险值;
根据所述参考宏观风险值和所述当前风险值绘制风险波动曲线;
根据所述风险波动曲线得到对应时间内的预测风险值;
当所述预测风险值高于第二预设值时,获取待进行风险评估的产品;
根据所述预测风险值对所述待进行风险评估的产品进行风险评估。
5.根据权利要求1至3任意一项所述的方法,其特征在于,所述输出预警信号之后,还包括:
获取与所述预警信号对应的风险处理方案;
将所述风险处理方案发送至所述终端。
6.一种风险预警装置,其特征在于,所述装置包括:
接收模块,用于接收终端发送的当前市场信息,并从所述当前市场信息中提取当前特征信息;
场景获取模块,用于获取所述当前特征信息对应的宏观场景;
模型分析模块,用于将所述当前特征信息及所述当前特征信息对应的宏观场景输入训练好的宏观风险模型中,得到每个所述宏观场景内的当前特征信息对应的宏观风险值,所述宏观风险模型是根据历史市场信息中的历史特征信息与历史风险值的关联程度生成的;
风险计算模块,根据所述宏观风险值得到当前风险值;
报警模块,用于当所述当前风险值高于第一预设值时,输出预警信号。
7.根据权利要求6所述的装置,所述装置还包括:
样本获取模块,用于获取待训练宏观场景中的历史市场信息以及每个所述历史市场信息对应的历史风险;
特征提取模块,用于从每个所述历史市场信息中提取历史特征信息;
影响分析模块,用于通过线性回归算法得到每个所述历史特征信息对于所述历史风险的影响值;
模型训练模块,用于根据所得到的影响值和所述历史特征信息生成宏观风险模型。
8.根据权利要求6所述的装置,所述装置还包括:
差值计算模块,用于获取所述当前风险值对应的对比信息,计算所述当前风险值与对比信息的差值;
评分模块,用于获取预设打分规则,根据所述预设打分规则获取所述差值对应的风险评分;
所述报警模块还用于,当所述风险评分高于预设分数时,输出所述预警信号。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910211862.1A CN110119870A (zh) | 2019-03-20 | 2019-03-20 | 宏观风险预警方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910211862.1A CN110119870A (zh) | 2019-03-20 | 2019-03-20 | 宏观风险预警方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110119870A true CN110119870A (zh) | 2019-08-13 |
Family
ID=67520523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910211862.1A Pending CN110119870A (zh) | 2019-03-20 | 2019-03-20 | 宏观风险预警方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110119870A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599004A (zh) * | 2019-08-23 | 2019-12-20 | 阿里巴巴集团控股有限公司 | 一种风险控制方法、设备、介质以及装置 |
CN111210110A (zh) * | 2019-12-20 | 2020-05-29 | 上海淇玥信息技术有限公司 | 基于压力测试生成预防策略的方法、装置和电子设备 |
CN111582751A (zh) * | 2020-05-19 | 2020-08-25 | 国网吉林省电力有限公司 | 一种时间加权的购电风险预警方法 |
CN112184298A (zh) * | 2020-09-22 | 2021-01-05 | 广西电网有限责任公司 | 一种电力市场风险管理系统及方法 |
CN112613974A (zh) * | 2020-12-16 | 2021-04-06 | 平安消费金融有限公司 | 一种风险预警方法、装置、设备及可读存储介质 |
CN113065971A (zh) * | 2021-03-31 | 2021-07-02 | 中国工商银行股份有限公司 | 产品风险预警方法及装置 |
CN114333416A (zh) * | 2021-12-24 | 2022-04-12 | 阿波罗智能技术(北京)有限公司 | 基于神经网络的车辆风险预警方法、设备及自动驾驶车辆 |
CN114998004A (zh) * | 2022-08-08 | 2022-09-02 | 成都运荔枝科技有限公司 | 一种基于企业金融贷款风控的方法及系统 |
-
2019
- 2019-03-20 CN CN201910211862.1A patent/CN110119870A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599004A (zh) * | 2019-08-23 | 2019-12-20 | 阿里巴巴集团控股有限公司 | 一种风险控制方法、设备、介质以及装置 |
CN111210110A (zh) * | 2019-12-20 | 2020-05-29 | 上海淇玥信息技术有限公司 | 基于压力测试生成预防策略的方法、装置和电子设备 |
CN111582751A (zh) * | 2020-05-19 | 2020-08-25 | 国网吉林省电力有限公司 | 一种时间加权的购电风险预警方法 |
CN111582751B (zh) * | 2020-05-19 | 2022-06-14 | 国网吉林省电力有限公司 | 一种时间加权的购电风险预警方法 |
CN112184298A (zh) * | 2020-09-22 | 2021-01-05 | 广西电网有限责任公司 | 一种电力市场风险管理系统及方法 |
CN112613974A (zh) * | 2020-12-16 | 2021-04-06 | 平安消费金融有限公司 | 一种风险预警方法、装置、设备及可读存储介质 |
CN113065971A (zh) * | 2021-03-31 | 2021-07-02 | 中国工商银行股份有限公司 | 产品风险预警方法及装置 |
CN114333416A (zh) * | 2021-12-24 | 2022-04-12 | 阿波罗智能技术(北京)有限公司 | 基于神经网络的车辆风险预警方法、设备及自动驾驶车辆 |
CN114998004A (zh) * | 2022-08-08 | 2022-09-02 | 成都运荔枝科技有限公司 | 一种基于企业金融贷款风控的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119870A (zh) | 宏观风险预警方法、装置、计算机设备和存储介质 | |
Daly et al. | Contagion risk in global banking sector | |
Illing et al. | Measuring financial stress in a developed country: An application to Canada | |
Wong et al. | Predicting banking distress in the EMEAP economies | |
Mousavi et al. | Performance evaluation of bankruptcy prediction models: An orientation-free super-efficiency DEA-based framework | |
Simo-Kengne et al. | Is the relationship between monetary policy and house prices asymmetric across bull and bear markets in South Africa? Evidence from a Markov-switching vector autoregressive model | |
Schechtman et al. | Macro stress testing of credit risk focused on the tails | |
Yap et al. | Evaluating company failure in Malaysia using financial ratios and logistic regression | |
Kwak et al. | Bankruptcy prediction for Korean firms after the 1997 financial crisis: using a multiple criteria linear programming data mining approach | |
Wei et al. | Bank risk aggregation with forward-looking textual risk disclosures | |
Chen et al. | A study on operational risk and credit portfolio risk estimation using data analytics | |
Chen et al. | How does investor attention matter for crude oil prices and returns? Evidence from time-frequency quantile causality analysis | |
Vuković et al. | Corporate bankruptcy prediction: evidence from wholesale companies in the Western European countries | |
Li et al. | Bank risk aggregation with forward-looking textual risk disclosures | |
An et al. | Impact of transition risks of climate change on Chinese financial market stability | |
Guru | Early warning system of finance stress for India | |
Kwak et al. | Data mining applications in accounting and finance context | |
Lin et al. | Foreign exchange option pricing in the currency cycle with jump risks | |
Zhou | Extreme risk measures for REITs: A comparison among alternative methods | |
Huang et al. | A high-frequency approach to VaR measures and forecasts based on the HAR-QREG model with jumps | |
Septama et al. | A Comparative Analysis of Machine Learning Algorithms for Credit Risk Scoring using Chi-Square Feature Selection | |
Hanafi et al. | Predicting financial distress in the Malaysian market: hazard model versus the logit model | |
Bochmann et al. | Latent fragility: Conditioning banks' joint probability of default on the financial cycle | |
Zhou et al. | Does systemic risk in the fund markets predict future economic downturns? | |
Freire | Tail risk and investors’ concerns: Evidence from Brazil |
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 |