CN110866822A - 资产证券化的风控管理方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明提供了一种资产证券化的风控管理方法、装置、电子设备及存储介质；方法包括：针对融资方提供的资产包中的每笔资产，从征信系统获取对应的借贷人的征信数据；通过人工智能模型对每笔资产的借贷人的征信数据进行风险预测，得到每笔资产的风险评分；根据所述每笔资产的风险评分，将所述资产包中的资产划分到对应的风险等级；对所述资产包中的各个风险等级中的不良资产进行过滤，并针对所述资产包过滤后剩余的资产，发行对应的证券产品到交易所系统。通过本发明，能够有效控制资产证券化的业务系统的风险进而提升运行系统运行效率。

Description

资产证券化的风控管理方法、装置、电子设备及存储介质

技术领域

本发明涉及互联网金融技术，尤其涉及一种资产证券化的风控管理方法、装置、电子设备及存储介质。

背景技术

资产证券化(ABS，Asset-Backed Security)，是指以消费金融资产未来所产生的现金流为偿付支持，通过结构化设计进行信用增级，在此基础上发行资产支持证券(例如各种金融理财产品)的过程。而消费金融资产是带有风险的资产，比如小贷类资产，可能存在有人逾期不还的情况。

相关技术在将这些消费金融资产进行ABS发行给投资者之前，采取一定的风控管理措施来应对资产的风险，保障投资者的收益安全。互联网金融是传统金融与互联网技术的结合，与传统金融技术的一个典型的区别是传统的信用社会中的人被网络中陌生的人代替，而相关技术提供的ABS风险控制技术难以适应互联网金融的新形态，频发的风险问题导致ABS的业务系统的资金流转不畅，进而影响了业务系统的运行效率。

发明内容

本发明实施例提供一种资产证券化的风控管理方法、装置、电子设备及存储介质，能够有效控制资产证券化的业务系统的风险进而提升业务系统运行效率。

本发明实施例的技术方案是这样实现的：

本发明实施例提供一种资产证券化的风控管理方法，包括：

针对融资方提供的资产包中的每笔资产，从征信系统获取对应的借贷人的征信数据；

通过人工智能模型对每笔资产的借贷人的征信数据进行风险预测，得到每笔资产的风险评分；

根据所述每笔资产的风险评分，将所述资产包中的资产划分到对应的风险等级；

对所述资产包中的各个风险等级中的不良资产进行过滤，并针对所述资产包过滤后剩余的资产，发行对应的证券产品到交易所系统。

本发明实施例提供一种资产证券化的风控管理装置，包括：

获取模块，用于针对融资方提供的资产包中的每笔资产，从征信系统获取对应的借贷人的征信数据；

预测模块，用于通过人工智能模型对每笔资产的借贷人的征信数据进行风险预测，得到每笔资产的风险评分；

分级模块，用于根据所述每笔资产的风险评分，将所述资产包中的资产划分到对应的风险等级；

过滤模块，用于对所述资产包中的各个风险等级中的不良资产进行过滤；

发行模块，用于针对所述资产包过滤后剩余的资产，发行对应的证券产品到交易所系统。

上述方案中，所述获取模块，还用于向区块链网络发送携带所述借贷人的标识信息的交易，其中，所述区块链网络的共识节点中包括对应银行征信系统和第三方征信系统中至少一个的状态数据库，以使所述区块链网络中的共识节点根据所述交易中的标识信息查询所述状态数据库，并将查询到的征信数据作为交易响应来响应所述交易。

上述方案中，所述预测模块，还用于向区块链网络发起交易，其中，所述交易中携带有对应人工智能模型的智能合约的标识、以及表示所述资产包和所述借贷人的参数，以使所述区块链网络中的共识节点执行对应所述人工智能模型的智能合约，通过所述人工智能模型对所述资产包中每笔资产的借贷人的征信数据进行风险预测，得到所述每笔资产的风险评分。

上述方案中，所述分级模块，还用于将所述资产包中所有资产的风险评分的取值范围划分为多个分数段，且每个分数段对应一个风险等级；根据所述资产包中每笔资产的风险评分，将所述资产划分到对应的风险等级。

上述方案中，所述过滤模块，还用于通过人工智能模型对每笔资产的借贷人的征信数据进行风险预测之前，针对从所述征信系统中无法获得对应的征信数据的借贷人，从所述资产包中过滤掉对应的借贷人的资产。

上述方案中，所述过滤模块，还用于基于所述风险等级以及所述风险等级对应的不良率，确定所述资产包对应的不良率，其中，所述风险等级对应的不良率为同一风险等级中存在违约的资产占总资产的比例；当所述资产包的不良率超过预期不良率时，分别对所述资产包中的各个风险等级中的不良资产进行过滤，直至所述资产包的不良率不超过所述预期不良率；或者对所述资产包中的不良资产按照风险评分的降序依次进行过滤，直至所述资产包的不良率不超过所述预期不良率。

上述方案中，所述过滤模块，还用于获取所述风险等级分别对应的资产的权值；将所述权值与所述风险等级对应的不良率进行加权，得到所述资产包的不良率。

上述方案中，所述装置还包括：

监控模块，用于发行对应的证券产品到交易所系统之后，对所述证券产品包含的每笔资产的借贷人的征信数据进行风险预测，得到所述每笔资产的风险评分；当根据所述风险评分确定所述证券产品的风险呈上升趋势时，执行风控措施；其中，所述风控措施包括以下至少之一：触发增加所述借贷人还款的频次的指令；触发所述融资方对风险资产进行置换的指令。

本发明实施例提供一种资产证券化的风控管理设备，包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现本发明实施例提供的资产证券化的风控管理方法。

本发明实施例提供一种存储介质，存储有可执行指令，用于引起处理器执行时，实现本发明实施例提供的资产证券化的风控管理方法。

本发明实施例具有以下有益效果：

通过从征信系统获取每笔资产的借贷人的征信数据，并借助人工智能来精确预测每笔资产的风险评分，使得根据风险评分划分的风险等级能够有效表征资产包的结构性风险，由此对资产包中的各个风险等级中的不良资产进行过滤后再发行证券产品，从而有效降低资产证券化的风险，进而保证了业务系统的运行效率。

附图说明

图1是本发明实施例提供的资产证券化的风控管理方法的一个可选的应用场景100-1示意图；

图2是本发明实施例提供的资产证券化的风控管理方法的另一个可选的应用场景100-2示意图；

图3是本发明实施例提供的资产证券化的风控管理设备800的结构示意图；

图4A-4D是本发明实施例提供的资产证券化的风控管理方法的流程示意图；

图5是本发明实施例提供的ABS交易流程示意图；

图6是本发明实施例提供的确定资产筛选标准的计算过程示意图；

图7是本发明实施例提供的资产包筛选结果示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。

对本发明实施例进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。

1)风控管理系统：对消费资产证券化的风险进行管控的系统，包括征信评估筛选和征信管控两个功能。

2)征信系统：用于采集和管理用户的个人信用数据的系统，例如银行征信系统和各种第三方征信系统。

3)特殊目的的载体(SPV，Special Purpose Vehicle)：也称特殊目的机构/公司，其职能是在离岸资产证券化过程中，购买、包装证券化资产和以此为基础发行资产化证券，向投资者融资，是指接受发起人的资产组合，并发行以此为支持的证券的特殊实体。

4)消费金融资产：各种消费金融产品所形成的资产，包括个人信用贷款、各种场景下的消费分期、车辆抵押贷款、房产抵押贷款等等。

5)融资方：即资产提供方，将消费类金融资产发行为证券产品、向社会募集投资资金的机构。

6)资产包：打包的多笔消费金融资产，例如，一笔消费金额资产可以是一个用户的购车分期贷款。

7)交易所：将消费金融资产打包为理财产品以销售给投资者的机构。

8)资产服务平台：负责消费金融资产的运营的系统。

9)证券产品：资产包经过ABS后形成的可认购的证券，具有各种收益方式，例如保本浮动收益和非保本浮动收益产品等。

10)交易(Transaction)，等同于计算机术语“事务”，交易包括了需要提交到区块链网络执行的操作，并非单指商业语境中的交易，鉴于在区块链技术中约定俗成地使用了“交易”这一术语，本发明实施例遵循了这一习惯。

11)区块链(Blockchain)，是由区块(Block)形成的加密的、链式的交易的存储结构。

12)区块链网络(Blockchain Network)，通过共识的方式将新区块纳入区块链的一系列的节点的集合。

13)账本(Ledger)，是区块链(也称为账本数据)、以及与区块链同步的状态数据库的统称。其中，区块链是以文件系统中的文件的形式来记录交易；状态数据库是以不同类型的键(Key)值(Value)对的形式来记录区块链中的交易，用于支持对区块链中交易的快速查询。

14)智能合约(Smart Contracts)，也称为链码(Chaincode)或应用代码，部署在区块链网络的节点中的程序，节点执行接收的交易中所调用的智能合约，来对状态数据库的键值对数据进行更新或查询的操作。

发明人在实施本发明实施例的过程中发现，相关技术的风控管理措施难以适应互联网金融的新形态，频发的风险问题导致ABS的业务系统的资金流转不畅，进而影响了业务系统的运行效率。下面具体结合相关技术提供的各种风控管理措施进行分析说明。

相关技术的风控措施包括内部增信和外部增信。内部增信主要包括资产结构设计、质保金、超额利差等，外部增信包括担保和履约保证险等，下面分别说明。

资产结构设计将要转让的基础资产进行结构设计，如设计成优先和劣后级，比例分别为80％和20％，将80％的资产证券化后得到的证券发行给优先级投资者，剩下的20％由资产提供方(融资方)自持。在兑付本金和收益时，由优先级优先获得本金和固定收益，然后再分配给次级。这样的设计，使得资产证券化发生的风险损失总是由次级投资者来首先承担，从而增强了优先级投资者的安全性。

质保金是指在发行证券时，由资产提供方事先在指定账户中存入待发行资产一定比例的质保金，一旦资产发生风险损失，质保金可以用来弥补损失。

超额利差是指将资产的利率设置为高于发行证券的利率，那么超出本金的利息收入，可用来弥补资产的风险损失。

担保是指由第三方担保公司为发行的资产证券化提供担保，一旦发生违约，由担保公司进行补偿。

履约保证保险是指保险公司为证券化的资产承保，如发生兑付逾期，保险公司将按照保单约定履行保险责任，保障投资人的利益。

然而，相关技术的风控措施都是通过交易结构设计来规避风险，一般由第三方评估机构出具一份评估报告，而该报告一般是根据资产提供方的运营情况以及资产的历史表现来评估将要进行ABS的资产的风险。但其实这种做法非常依赖于资产提供方的历史运行情况，对于ABS背后的底层资产质量到底如何，风险有多高，没有一个较为准确的客观定量判断。因此，一旦运行情况出现巨大变化，或者资产提供方没有披露准确的历史数据，这种判断方法就有可能会失效。当风险穿透了内部增信的种种措施，外部增信也存在以各种理由拒绝承兑的可能，最终会导致投资者的收益受损。特别是对于互联网理财平台上对接的ABS资产，面向的投资者为普通用户，抗风险能力较差，如若发生风险违约事件，投资者的收益安全得不到保障，并且对理财平台的声誉也会造成较大影响。同时，频发的风险问题导致ABS的业务系统的资金流转不畅，进而影响了业务系统的运行效率。

针对本发明实施例上述方案存在的频发的风险问题导致ABS的业务系统的资金流转不畅，进而影响了业务系统的运行效率的技术问题，本发明实施例提供了一种资产证券化的风控管理方法、装置、电子设备及存储介质，能够有效控制资产证券化的业务系统的风险进而提升业务系统运行效率。

下面说明本发明实施例提供的资产证券化的风控管理系统的示例性应用，本发明实施例提供的资产证券化的风控管理设备可以基于服务器或服务器集群实现，例如部署在云端的服务器，执行本发明实施例提供的以下风控方案：根据资产包中每笔资产的风险评分，对资产包中的各个风险等级中的不良资产进行过滤，并针对资产包过滤后剩余的资产，发行对应的证券产品到交易所系统。

参见图1，图1是本发明实施例提供的资产证券化的风控管理方法的一个可选的应用场景100-1的示意图，涉及的实体包括：终端200、风控管理系统400、征信系统500和交易所系统600。其中，交易所系统600通过网络300连接，网络300可以是广域网或者局域网，又或者是二者的组合。

风控管理系统400针对融资方的资产包，结合从征信系统500获取的征信数据进行征信评估筛选，进而发行对应的证券产品到交易所系统600，交易所系统600通过自身的证券发行渠道发行证券，例如，发行到终端200中的理财APP 210，投资方可以在理财APP 210中购买一定数额的证券产品，并根据约定的收益方式在理财APP 210中获取和查看收益。此外，风控管理系统400还可以针对资产包进行征信管控，当资产包出现风险时执行相应的风控管理措施以保证投资方的资金安全。

在一些实施例中，本发明实施例也可结合区块链技术实现，区块链(Blockchain)是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链网络可以包括区块链底层平台、平台产品服务层以及应用服务层。

区块链网络的底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)；基础服务模块部署在所有区块链网络的节点上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链网络的节点上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。

参见图2，图2是本发明实施例提供的资产证券化的风控管理方法的另一个可选的应用场景100-2示意图。如图2所示，资产证券化的风控管理方法的应用场景100-2涉及的实体包括终端200、网络300、风险管理系统400、征信系统500、交易所系统600和区块链网络700(示例性示出了共识节点710-1至共识节点710-3)。区块链网络700的类型是灵活多样的，例如可以为公有链、私有链或联盟链中的任意一种。

以联盟链为例，风控管理系统400、征信系统500和交易所系统600都可以接入区块链网络700而成为一类特殊的节点，称为客户端节点，客户端节点是区别于区块链网络700自有的共识节点的特殊节点，其作用是向共识节点发起用于请求上链数据或查询数据的交易，共识节点通过执行交易中所指示的智能合约调用来处理交易，并向客户端节点返回处理结果。

例如，征信系统500将持有的征信数据通过网络300向区块链网络700发起交易，以将持有的征信数据存储到区块链网络700的账本中，风控管理系统400向区块链网络700发起交易，以使共识节点通过执行智能合约来查询账本中的征信数据，并将征信数据作为交易响应返回风控管理系统400；风控管理系统400针对融资方的资产包结合征信数据进行征信评估筛选，进而发行对应的证券产品到交易所系统600，此外，风控管理系统400还可以向区块链网络700的共识节点发起交易以调用用于征信管控的智能合约，由共识节点执行征信管控的智能合约以监控证券产品的风险，并在风险呈上升趋势时执行相应的风控措施来规避风险。

本发明实施例提供的资产证券化的风控管理系统400由一个或多个风控管理设备构成，其可以是服务器或服务器集群，下面继续说明本发明实施例提供的资产证券化的风控管理系统400中的风控管理设备的结构，参见图3，图3是本发明实施例提供的资产证券化的风控管理设备800的结构示意图，图3所示的资产证券化的风控管理设备800包括：至少一个处理器810、存储器850、至少一个网络接口820和用户接口830。资产证券化的风控管理设备800中的各个组件通过总线系统840耦合在一起。可理解，总线系统840用于实现这些组件之间的连接通信。总线系统840除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图3中将各种总线都标为总线系统840。

处理器810可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。

用户接口830包括使得能够呈现媒体内容的一个或多个输出装置831，包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口830还包括一个或多个输入装置832，包括有助于用户输入的用户接口部件，比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和控件。

存储器850包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)，易失性存储器可以是随机存取存储器(RAM，Random Access Memory)。本发明实施例描述的存储器850旨在包括任意适合类型的存储器。存储器850可选地包括在物理位置上远离处理器810的一个或多个存储设备。

在一些实施例中，存储器850能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。

操作系统851，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；

网络通信模块852，用于经由一个或多个(有线或无线)网络接口820到达其他计算设备，示例性的网络接口820包括：蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB，Universal Serial Bus)等；

显示模块853，用于经由一个或多个与用户接口830相关联的输出装置831(例如，显示屏、扬声器等)使得能够呈现信息(例如，用于操作外围设备和显示内容和信息的用户接口)；

输入处理模块854，用于对一个或多个来自一个或多个输入装置832之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。

在一些实施例中，本发明实施例提供的资产证券化的风控管理装置可以采用软硬件结合的方式实现，作为示例，本发明实施例提供的资产证券化的风控管理装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本发明实施例提供的资产证券化的风控管理方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable LogicDevice)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)或其他电子元件。

在另一些实施例中，本发明实施例提供的资产证券化的风控管理装置可以采用软件方式实现，图3示出了存储在存储器850中的资产证券化的风控管理装置855，其可以是程序和插件等形式的软件，并包括一系列的模块，包括获取模块8551、预测模块8552、分级模块8553、过滤模块8554、发行模块8555以及监控模块8556；其中，获取模块8551、预测模块8552、分级模块8553、过滤模块8554、发行模块8555以及监控模块8556用于实现本发明实施例提供的资产证券化的风控管理方法。

下面结合本发明实施例提供的终端的示例性应用和实施，说明本发明实施例提供的资产证券化的风控管理方法。

参见图4A，图4A是本发明实施例提供的资产证券化的风控管理方法的流程示意图，结合图4A示出的步骤进行说明。

在步骤101中，风控管理系统针对融资方提供的资产包中的每笔资产，从征信系统获取对应的借贷人的征信数据。

其中，征信数据，可以包括征信分、征信信贷、违约数据等任意与征信有关的数据。

在一些实施例中，从征信系统获取对应的借贷人的征信数据，包括：向区块链网络发送携带借贷人的标识信息的交易，其中，区块链网络的共识节点中包括对应银行征信系统和第三方征信系统中至少一个的状态数据库，以使区块链网络中的共识节点根据交易中的标识信息查询状态数据库，并将查询到的征信数据作为交易响应来响应交易。

在一些示例中，风控管理系统向区块链网络发送携带借贷人的标识信息的交易，并将交易广播到区块链网络中的共识节点，区块链网络中的共识节点接收到交易时，对交易携带的数字证书和数字签名进行验证，验证成功后，根据交易中携带的风控管理系统的身份信息，确认风控管理系统是否是具有交易权限，数字签名和权限验证中的任何一个验证判断都将导致交易失败。验证成功后签署节点自己的数字签名，并继续在区块链网络中广播。

区块链网络中的共识节点接收到验证成功的交易后，将交易填充到新的区块中，并进行广播。区块链网络中的共识节点广播新区块时，会对新区块进行共识过程，如果共识成功，则将新区块追加到自身所存储的区块链的尾部，并根据交易的结果更新状态数据库，执行新区块中的交易：对于提交的携带借贷人的标识信息的交易，在状态数据库中添加包括携带借贷人的标识信息的键值对。其中，对应的征信数据可以由风控管理系统通过调用在区块链网络中部署的智能合约来处理，且智能合约将征信数据存储到账本，风控管理系统可以从账本查询到对应的借贷人的征信数据。

在步骤102中，风控管理系统通过人工智能模型对每笔资产的借贷人的征信数据进行风险预测，得到每笔资产的风险评分。

其中，人工智能模型可以是基于神经网络的风险评分模型。具体的，搭建一个3层神经网络，其结构依次为：输入层→隐藏层→输出层，其中，输入层接收风险评估选择的多个指标：收入、存款、贷款；隐藏层从输入层接收的指标数据提取特征；输出层将隐藏层提取的特征映射为风险评分。

以借贷人的历史贷款记录为样本，以借贷人的每笔贷款的信用评分为标签，训练的过程是：人工智能模型中一个或多个卷积层对样本用户的历史贷款记录提取特征，将特征映射为风险评分。在(0，1)范围内先初始化连接权和阈值，然后训练样本，得到模型输出结果后更新连接权和阈值(链式求导)使得损失函数最小化。损失函数可以采用各种形式，例如，0-1损失函数、平方损失函数、绝对值损失函数、对数损失函数等等。

在一些实施例中，通过人工智能模型对每笔资产的借贷人的征信数据进行风险预测，得到每笔资产的风险评分，包括：向区块链网络发起交易，其中，交易中携带有对应人工智能模型的智能合约的标识、以及表示资产包和借贷人的参数，以使区块链网络中的共识节点执行对应人工智能模型的智能合约，通过人工智能模型对资产包中每笔资产的借贷人的征信数据进行风险预测，得到每笔资产的风险评分。

其中，人工智能模型部署在区块链网络中，风控管理系统通过发起交易的方式，向区块链网络中的节点提交需要调用的智能合约(其中包括人工智能模型)，由智能合约计算评分，并携带在交易响应中返回风控管理系统。

在一些示例中，风控管理系统向区块链网络发起交易，其中，交易中携带有对应人工智能模型的智能合约的标识、以及表示资产包和借贷人的参数，并将交易广播到区块链网络中的共识节点，区块链网络中的共识节点接收到交易时，对交易携带的数字证书和数字签名进行验证，验证成功后，根据交易中携带的风控管理系统的身份信息，确认风控管理系统是否是具有交易权限，数字签名和权限验证中的任何一个验证判断都将导致交易失败。验证成功后签署节点自己的数字签名，并继续在区块链网络中广播。

区块链网络中的共识节点接收到验证成功的交易后，将交易填充到新的区块中，并进行广播。区块链网络中的共识节点广播新区块时，会对新区块进行共识过程，如果共识成功，则将新区块追加到自身所存储的区块链的尾部，并根据交易的结果更新状态数据库，执行新区块中的交易：对于提交的携带有对应人工智能模型的智能合约的标识、以及表示资产包和借贷人的参数的交易，在状态数据库中添加包括携带有对应人工智能模型的智能合约的标识、以及表示资产包和借贷人的参数的键值对。其中，每笔资产的风险评分可以由风控管理系统通过调用在区块链网络中部署的携带有对应人工智能模型的智能合约来处理，且智能合约将每笔资产的风险评分存储到账本，风控管理系统可以从账本查询到每笔资产的风险评分。

需要指出，人工智能模型还可以部署在风控管理系统中，由风控管理系统执行人工智能模型来计算评分。

相较于人工智能模型部署在风控管理系统中，将人工智能模型部署在区块链网络中，将使得获取的风险评分的可信度更高。

在一些实施例中，参见图4B，图4B是本发明实施例提供的资产证券化的风控管理方法的一个可选的流程示意图，基于图4B，通过人工智能模型对每笔资产的借贷人的征信数据进行风险预测之前，还包括：

步骤106，针对从征信系统中无法获得对应的征信数据的借贷人，从资产包中过滤掉对应的借贷人的资产。

在一些示例中，对于征信系统能够获得的征信数据，还需要考虑征信数据的时效性，例如去除时间比较久的征信数据，或者，相较于较新的征信数据分配相对小的权重。

在另一些示例中，还可以将第三方支付(例如微信支付)的数据作为征信数据。同时，对于缺失征信数据的借贷人，根据社交关系进行征信数据的传播。例如，对于缺失征信数据的借贷人，根据与借贷人具有社交关系的用户的征信数据，以及与借贷人具有社交关系的用户的社交距离，将征信数据进行加权作为相应的征信数据。

从而，通过过滤掉无法获得征信数据的借贷人对应的资产，或者去除时间比较久的征信数据，使得资产的风险评分更加准确可信。

在步骤103中，风控管理系统根据每笔资产的风险评分，将资产包中的资产划分到对应的风险等级。

在一些实施例中，根据每笔资产的风险评分，将资产包中的资产划分到对应的风险等级，包括：将资产包中所有资产的风险评分的取值范围划分为多个分数段，且每个分数段对应一个风险等级；根据资产包中每笔资产的风险评分，将资产划分到对应的风险等级。

例如，资产包中所有资产的风险评分的取值范围为1到100，将1到10分、11到20分、21到30分……以此类推，划分为10个分数段，且每个分数段对应一个风险等级，风险等级为1到10。可以理解的是，风险等级1对应风险评分为1到10的资产，风险等级2对应风险评分为11到20的资产。

在步骤104中，风控管理系统对资产包中的各个风险等级中的不良资产进行过滤。

在步骤105中，风控管理系统针对资产包过滤后剩余的资产，发行对应的证券产品到交易所系统。

在一些实施例中，发行对应的证券产品到交易所系统之后，还包括：对证券产品包含的每笔资产的借贷人的征信数据进行风险预测，得到每笔资产的风险评分；当根据风险评分确定证券产品的风险呈上升趋势时，执行风控措施；其中，风控措施包括以下至少之一：触发增加借贷人还款的频次的指令；触发融资方对风险资产进行置换的指令。

举例来说，在证券产品发行后，定期或者不定期继续对证券产品包含的每笔资产的借贷人的征信数据进行风险预测，得到每笔资产的风险评分。当根据风险评分确定证券产品的风险呈上升趋势时，执行风控措施。例如，在证券产品发行后，监控显示资产包中处于风险等级最高的资产占资产包的比例超过了10％，可以加强催收力度，比如以前是每月提醒借贷人还款，现在增加提醒频次，为每周提醒一次；除此之外，还可以提醒融资产对高风险资产进行置换。

参见图4C，图4C是本发明实施例提供的资产证券化的风控管理方法的一个可选的流程示意图，在一些实施例中，图4C示出步骤104可以通过图4C示出的步骤1041和步骤1042实现。

在步骤104中，对资产包中的各个风险等级中的不良资产进行过滤，包括：在步骤1041中，基于风险等级以及风险等级对应的不良率，确定资产包对应的不良率，其中，风险等级对应的不良率为同一风险等级中存在违约的资产占总资产的比例；在步骤1042中，当资产包的不良率超过预期不良率时，分别对资产包中的各个风险等级中的不良资产进行过滤，直至资产包的不良率不超过预期不良率；或者对资产包中的不良资产按照风险评分的降序依次进行过滤，直至资产包的不良率不超过预期不良率。

在步骤1041中，假设风险等级1对应的风险评分为1到10的资产总共有1000笔，其中100笔存在违约，则风险等级1对应的不良率为10％。

在一些实施例中，基于风险等级以及风险等级对应的不良率，确定资产包对应的不良率，包括：获取风险等级分别对应的资产的权值；将权值与风险等级对应的不良率进行加权，得到资产包的不良率。

其中，权值与风险等级呈正相关关系，即风险等级越高，对应的权值越大。

举例来说，假设资产包中所有资产的风险评分的取值范围为1到30分，风险等级1对应风险评分为1到10的资产，风险等级2对应风险评分为11到20的资产，风险等级3对应风险评分为21到30的资产。其中，风险等级1至3对应的不良率分别为bad rate1＝5％、badrate2＝7％和bad rate3＝10％，风险等级1至3对应的资产的权值分别为0.2、0.3和0.5，根据bad rate＝bad rate1*0.2+bad rate2*0.3+bad rate3*0.5，得到资产包的不良率badrate＝8.1％。

在步骤1042中，当资产包的不良率超过预期不良率时，确定资产筛选标准，对资产包中的各个风险等级中的不良资产进行过滤，下面结合不同的过滤方式进行说明。

方式一

当资产包的不良率超过预期不良率时，对资产包中的不良资产按照风险评分的降序依次进行过滤，直至资产包的不良率不超过预期不良率。

举例来说，假设融资方提供的资产包的不良率为8.1％，而预期不良率为5％时，则对资产包中的不良资产按照风险评分的降序依次进行过滤，以使资产包的不良率降到5％以下。为便于说明，假定风险评分越高的资产对应的风险越大，以整个资产包为一个整体，测算去除不同比例的高风险资产(即，优先去除风险高的)后，资产包的不良率变化情况。再根据资产包预期的不良率，确定资产筛选标准，即需要筛除资产包中多少比例的高风险资产。

方式二

当资产包的不良率超过预期不良率时，分别对资产包中的各个风险等级中的不良资产进行过滤，直至资产包的不良率不超过预期不良率。

举例来说，假设融资方提供的资产包的不良率为8.1％，而预期不良率为5％时，则确定资产包中的各个风险等级的资产筛选标准，并分别对资产包中的各个风险等级中的不良资产进行过滤，以使资产包的不良率降到5％以下。为便于说明，假定风险评分越高的资产对应的风险越大，对于每个风险等级，测算去除不同比例的高风险资产(即，优先去除风险高的)后，资产包的不良率变化情况。再根据资产包预期的不良率，确定资产包中的各个风险等级的资产筛选标准。

区别于方式一，方式二可以避免一些风险等级低的资产一直不会被过滤的情况。

在一些实施例中，参见图4D，图4D是本发明实施例提供的资产证券化的风控管理方法的一个可选的流程示意图，基于图4D，在步骤107中，交易所系统接收投资方针对证券产品而支付的认购金，并按照证券产品向投资方支付投资收益。

至此已经结合本发明实施例提供的资产证券化的风控管理方法以及在资产证券化的风控管理装置中的示例性应用，下面继续说明本发明实施例提供的资产证券化的风控管理装置855中各个模块配合实现资产证券化的风控管理方案。

获取模块8551，用于针对融资方提供的资产包中的每笔资产，从征信系统获取对应的借贷人的征信数据；

预测模块8552，用于通过人工智能模型对每笔资产的借贷人的征信数据进行风险预测，得到每笔资产的风险评分；

分级模块8553，用于根据所述每笔资产的风险评分，将所述资产包中的资产划分到对应的风险等级；

过滤模块8554，用于对所述资产包中的各个风险等级中的不良资产进行过滤；

发行模块8555，用于针对所述资产包过滤后剩余的资产，发行对应的证券产品到交易所系统。

上述方案中，所述获取模块8551，还用于向区块链网络发送携带所述借贷人的标识信息的交易，其中，所述区块链网络的共识节点中包括对应银行征信系统和第三方征信系统中至少一个的状态数据库，以使所述区块链网络中的共识节点根据所述交易中的标识信息查询所述状态数据库，并将查询到的征信数据作为交易响应来响应所述交易。

上述方案中，所述预测模块8552，还用于向区块链网络发起交易，其中，所述交易中携带有对应人工智能模型的智能合约的标识、以及表示所述资产包和所述借贷人的参数，以使所述区块链网络中的共识节点执行对应所述人工智能模型的智能合约，通过所述人工智能模型对所述资产包中每笔资产的借贷人的征信数据进行风险预测，得到所述每笔资产的风险评分。

上述方案中，所述分级模块8553，还用于将所述资产包中所有资产的风险评分的取值范围划分为多个分数段，且每个分数段对应一个风险等级；

根据所述资产包中每笔资产的风险评分，将所述资产划分到对应的风险等级。

上述方案中，所述过滤模块8554，还用于通过人工智能模型对每笔资产的借贷人的征信数据进行风险预测之前，针对从所述征信系统中无法获得对应的征信数据的借贷人，从所述资产包中过滤掉对应的借贷人的资产；

上述方案中，所述过滤模块8554，还用于基于所述风险等级以及所述风险等级对应的不良率，确定所述资产包对应的不良率，其中，所述风险等级对应的不良率为同一风险等级中存在违约的资产占总资产的比例；

当所述资产包的不良率超过预期不良率时，分别对所述资产包中的各个风险等级中的不良资产进行过滤，直至所述资产包的不良率不超过所述预期不良率；或者对所述资产包中的不良资产按照风险评分的降序依次进行过滤，直至所述资产包的不良率不超过所述预期不良率；

上述方案中，所述过滤模块8554，还用于获取所述风险等级分别对应的资产的权值；

将所述权值与所述风险等级对应的不良率进行加权，得到所述资产包的不良率。

上述方案中，所述资产证券化的风控管理装置855还包括：

监控模块8556，用于发行对应的证券产品到交易所系统之后，对所述证券产品包含的每笔资产的借贷人的征信数据进行风险预测，得到所述每笔资产的风险评分；当根据所述风险评分确定所述证券产品的风险呈上升趋势时，执行风控措施；其中，所述风控措施包括以下至少之一：触发增加所述借贷人还款的频次的指令，触发所述融资方对风险资产进行置换的指令。

下面，将说明本发明实施例在一个实际的应用场景中的示例性应用。

本发明实施例提供了一种资产证券化的风控管理方法，利用征信模型，对待进行ABS证券化的资产包里的每一笔资产，都可以有一个风险评分，即对风险的定量评价。而且该评分依赖征信数据(可以是自有的，也可以是第三方的)，评估相对客观。从而对整个资产包就有了一个相对准确的定量判断。利用风险评分对资产包中的资产进行分级和筛选，并发行证券产品。

除此之外，在ABS证券产品发行后，通过征信模型定期对资产包的风险评分进行评估，还可以对其风险情况进行监控，在发生预警时及时采取相应的风控措施。

参见图5，图5是本发明实施例提供的ABS交易流程示意图，一次完整的ABS交易的基本流程是：通过征信模型对融资方提供的资产进行评估筛选，将筛选后的资产打包成资产包；通过债权转让的方式出售给一家特殊目的机构(SPV，Special Purpose Vehicle)，或者由SPV主动购买可证券化的资产；然后SPV将这些资产汇集成资产池，再以该资产池所产生的现金流为支撑在交易所挂牌交易；交易所发行相应的证券产品并销售给投资者，以实现向投资者募集资金的目的；交易所接收投资方针对证券产品而支付的认购金，并按照证券产品向投资方支付投资收益；在证券产品发行后，定期或者不定期继续对证券产品进行风险监控。其中，资产服务平台负责资产的运营，监管银行保障买卖双方的交易资金安全。

本发明实施例的资产证券化的风控管理的实现方案，包括：1)征信评估筛选；2)征信监控。具体如下：

1)征信评估筛选

在进行ABS之前，首先对融资方提供的资产进行评估，即对其提供的资产包里的每一笔资产，用征信模型进行评分，比如可以基于人民银行征信报告开发一个人民银行征信评分系统。在开发征信评分模型时，是以实际发生的历史贷款作为样本来开发的；当模型构建好之后，就可以基于资产中借贷人的贷款记录预测资产的风险评分，根据风险评分将资产划分为不同的风险等级；根据借贷人的历史违约记录，统计出不同风险等级的资产的不良率。这里的违约是历史的违约记录，违约比例是基于历史数据得到的，评分是基于实际的违约比例以及其他因素预测得到的。比如风险评分为500-550分的资产有1000笔，其中有100笔违约，那么500-550分这个风险等级的资产对应的不良率就是10％。

对于查询不到征信数据无法评分的资产，不选入发行的资产池。对于有评分的资产，根据评分得到评级(每一个评级对应一个分数段)；再根据资产评级的分布以及评级对应的不良率，即可得到资产包的预估不良率，如表1所示。

表1

在表1中，资产包中的资产划分成10个风险等级，风险等级1对应的资产风险最大。根据资产评级的分布以及评级对应的不良率，通过加权计算得到整个资产包的不良率为1.2％。

资产评估之后，依据风险评分选取资产包中质量相对较好、风险相对较低的部分去进行ABS。具体做法是：

1.依据评分，将资产包中的资产按风险由高到低排序，分级；

2.对于每个风险级别，测算去除不同比例的高风险资产(即，优先去除风险高的)后，资产包的不良率变化情况；或者以资产包为一个整体，对资产包中的不良资产按照风险评分的降序依次进行过滤，资产包的不良率变化情况；

3.根据资产包预期的不良率，确定资产筛选标准，即需要筛除资产包中多少比例的高风险资产。

如图6所示，以资产包为一个整体，对资产包中的不良资产按照风险评分的降序依次进行过滤，为将资产包的不良率降到5％以下，可以将筛选标准定在去除风险最高的30％的资产。

综上，征信评估筛选就是将资产包中未匹配到评分和评分显示风险较高的部分资产剔除，如图7所示，图7是本发明实施例提供的资产包筛选结果示意图。

2)征信监控

在ABS发行后，每个月都可以利用征信模型对资产包中的每笔资产继续进行评分。然后依据评级分布，监控资产风险是否有升高趋势。当评分显示风险有明显恶化趋势时，可以提早采取如加强催收力度，提示融资方对高风险资产进行置换等风控措施。如表1所示的资产，发行时剔除了风险最高的1-3等级的资产，若发行后监控显示资产包中处于1-3风险等级的资产比例超过10％，应采取一定风控措施。

示例的，通过本发明实施例提供的资产证券化的风控管理方法，可以将融资方提供的资产进行评估筛选，然后经过ABS后，将包装生成的理财产品放到理财通平台提供给投资者。

本发明实施例提供一种存储有可执行指令的存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本发明实施例提供的资产证券化的风控管理方法。

在一些实施例中，存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。

在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。

作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(HTML，Hyper TextMarkup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。

作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。

综上所述，通过本发明实施例具有以下有益效果：

1、从征信系统获取每笔资产的借贷人的征信数据，并通过人工智能模型对征信数据进行风险预测，更准确地获取每笔资产的风险评分。

2、通过区块链网络获取每笔资产的借贷人的征信数据以及每笔资产的风险评分，使得资产的风险评分的可信度更高。

3、根据每笔资产的风险评分，将资产包中的资产划分到对应的风险等级，并对资产包中的各个风险等级中的不良资产进行过滤，能够有效控制资产证券化的业务系统的风险进而提升运行系统运行效率。

4、定期或不定期对发行的证券产品对应的每笔资产的借贷人的征信数据继续监控，使得风险始终处于可控状态。

以上所述，仅为本发明的实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本发明的保护范围之内。

Claims (10)

1.一种资产证券化的风控管理方法，其特征在于，包括：

针对融资方提供的资产包中的每笔资产，从征信系统获取对应的借贷人的征信数据；

通过人工智能模型对每笔资产的借贷人的征信数据进行风险预测，得到每笔资产的风险评分；

根据所述每笔资产的风险评分，将所述资产包中的资产划分到对应的风险等级；

对所述资产包中的各个风险等级中的不良资产进行过滤，并针对所述资产包过滤后剩余的资产，发行对应的证券产品到交易所系统。

2.根据权利要求1所述的方法，其特征在于，所述从征信系统获取对应的借贷人的征信数据，包括：

向区块链网络发送携带所述借贷人的标识信息的交易，其中，所述区块链网络的共识节点中包括对应银行征信系统和第三方征信系统中至少一个的状态数据库，以使

所述区块链网络中的共识节点根据所述交易中的标识信息查询所述状态数据库，并将查询到的征信数据作为交易响应来响应所述交易。

3.根据权利要求1所述的方法，其特征在于，所述通过人工智能模型对每笔资产的借贷人的征信数据进行风险预测，得到每笔资产的风险评分，包括：

向区块链网络发起交易，其中，所述交易中携带有对应人工智能模型的智能合约的标识、以及表示所述资产包和所述借贷人的参数，以使

所述区块链网络中的共识节点执行对应所述人工智能模型的智能合约，通过所述人工智能模型对所述资产包中每笔资产的借贷人的征信数据进行风险预测，得到所述每笔资产的风险评分。

4.根据权利要求1所述的方法，其特征在于，通过人工智能模型对每笔资产的借贷人的征信数据进行风险预测之前，所述方法还包括：

针对从所述征信系统中无法获得对应的征信数据的借贷人，从所述资产包中过滤掉对应的借贷人的资产。

5.根据权利要求1所述的方法，其特征在于，所述根据每笔资产的风险评分，将所述资产包中的资产划分到对应的风险等级，包括：

将所述资产包中所有资产的风险评分的取值范围划分为多个分数段，且每个分数段对应一个风险等级；

根据所述资产包中每笔资产的风险评分，将所述资产划分到对应的风险等级。

6.根据权利要求1所述的方法，其特征在于，所述对所述资产包中的各个风险等级中的不良资产进行过滤，包括：

基于所述风险等级以及所述风险等级对应的不良率，确定所述资产包对应的不良率，其中，所述风险等级对应的不良率为同一风险等级中存在违约的资产占总资产的比例；

当所述资产包的不良率超过预期不良率时，分别对所述资产包中的各个风险等级中的不良资产进行过滤，直至所述资产包的不良率不超过所述预期不良率，或者

对所述资产包中的不良资产按照风险评分的降序依次进行过滤，直至所述资产包的不良率不超过所述预期不良率。

7.根据权利要求6所述的方法，其特征在于，基于所述风险等级以及所述风险等级对应的不良率，确定所述资产包对应的不良率，包括：

获取所述风险等级分别对应的资产的权值；

将所述权值与所述风险等级对应的不良率进行加权，得到所述资产包的不良率。

8.根据权利要求1所述的方法，其特征在于，发行对应的证券产品到交易所系统之后，所述方法还包括：

对所述证券产品包含的每笔资产的借贷人的征信数据进行风险预测，得到所述每笔资产的风险评分；

当根据所述风险评分确定所述证券产品的风险呈上升趋势时，执行风控措施；

其中，所述风控措施包括以下至少之一：

触发增加所述借贷人还款的频次的指令；

触发所述融资方对风险资产进行置换的指令。

9.一种资产证券化的风控管理装置，其特征在于，所述装置包括：

获取模块，用于针对融资方提供的资产包中的每笔资产，从征信系统获取对应的借贷人的征信数据；

预测模块，用于通过人工智能模型对每笔资产的借贷人的征信数据进行风险预测，得到每笔资产的风险评分；

分级模块，用于根据所述每笔资产的风险评分，将所述资产包中的资产划分到对应的风险等级；

过滤模块，用于对所述资产包中的各个风险等级中的不良资产进行过滤；

发行模块，用于针对所述资产包过滤后剩余的资产，发行对应的证券产品到交易所系统。

10.一种计算机可读的存储介质，其特征在于，存储有可执行指令，用于引起处理器执行时，实现权利要求1至8任一项所述的资产证券化的风控管理方法。

Images