CN111161080A - 信息处理方法和装置 - Google Patents
信息处理方法和装置 Download PDFInfo
- Publication number
- CN111161080A CN111161080A CN201911258537.7A CN201911258537A CN111161080A CN 111161080 A CN111161080 A CN 111161080A CN 201911258537 A CN201911258537 A CN 201911258537A CN 111161080 A CN111161080 A CN 111161080A
- Authority
- CN
- China
- Prior art keywords
- financial
- processing
- information
- credit
- rating
- 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
Images
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了信息处理方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:获取待处理信息,待处理信息指示财务指标数据以及财务指标数据对应的财务特征信息;将财务指标数据输入到信用评级模型,确定待处理信息对应的目标信用等级,其中,信用评级模型基于训练集和梯度提升决策树方法构建,训练集中的样本包括多个评级参考特征以及对应的信用等级;根据目标信用等级,为预设的处理策略确定对应的处理参数;基于处理策略和处理参数处理财务特征信息,并提供处理的结果。该实施方式能够提高对产品所投资的非标资产的估值的准确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种信息处理方法和装置。
背景技术
近年来,产品在满足居民和企业投融资需求、改善社会融资结构等方面发挥了积极作用。其中,产品投资标的中非标准化资产(简称非标资产)占有很高的比例。目前,针对产品所投资的非标资产的估值,都是采用成本法。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
成本法并未考虑非标资产的自身情况和市场环境,导致对产品所投资的非标资产的估值不准确。
发明内容
有鉴于此,本发明实施例提供一种信息处理方法和装置,能够提高对产品所投资的非标资产的估值准确性。
为实现上述目的,根据本发明实施例的一个方面,提供了一种信息处理方法,包括:
获取待处理信息,所述待处理信息指示财务指标数据以及所述财务指标数据对应的财务特征信息;
将所述财务指标数据输入到信用评级模型,确定所述待处理信息对应的目标信用等级,其中,所述信用评级模型基于训练集和梯度提升决策树方法构建,所述训练集中的样本包括多个评级参考特征以及对应的信用等级;
根据所述目标信用等级,为预设的处理策略确定对应的处理参数;
基于所述处理策略和所述处理参数处理所述财务特征信息,并提供处理的结果。
优选地,
所述财务指标数据包括:所述产品所投资的非标资产对应的偿债能力数据、运营能力数据、盈利能力数据和发展能力数据。
优选地,
所述多个评级参考特征,包括:
资产负债率、财报披露息税前利润、财务杠杆系数销售毛利率、营业净利率以及可持续增长率中的至少两个。
优选地,
所述多个评级参考特征基于样本对应的资产负债表、现金流量表以及所有者权益变动表确定出;
所述处理的结果用于指示产品所投资的非标资产在估值日的公允价值。
优选地,
上述信息处理方法,进一步包括:确定所述产品所投资的非标资产对应的分类属性;
所述为预设的处理策略确定对应的处理参数,包括:
根据所述目标信用等级和所述分类属性,获取所述产品所投资的非标资产对应的收益率曲线;
根据所述收益率曲线和预设的流动性风险溢价,计算所述产品所投资的非标资产对应的贴现因子;
所述基于所述处理策略和所述处理参数处理所述财务特征信息,包括:
根据所述贴现因子和所述财务特征信息,计算所述产品所投资的非标资产在估值日的公允价值。
优选地,
所述财务特征信息,包括:所述产品所投资的非标资产对应的现金利息流、非标资产每年利息的支付频率、剩余的付息次数以及非标资产的面值。
优选地,所述信用评级模型基于训练集和梯度提升决策树方法构建,包括:
通过将所述训练集输入到预设的决策树训练空间,以为所述决策树训练空间划分出至少两个决策区域,并确定区域决策树以及每一个所述决策区域对应的输出值;
针对每一个所述决策区域,执行:
利用所述决策区域对应的输出值和所述决策区域内样本的信用等级值,计算所述决策区域内的样本残差值;
利用每一个所述决策区域对应的所述样本残差值,迭代划分子区域,并确定划分出的子区域的决策树;
融合迭代后的划分出的所有子区域的决策树得到评级模型。
根据本发明实施例的一个方面,提供了一种信息处理装置,包括:获取单元、评级单元以及信息处理单元,其中,
所述获取单元,用于获取待处理信息,所述待处理信息指示财务指标数据以及所述财务指标数据对应的财务特征信息;
所述评级单元,用于将所述财务指标数据输入到信用评级模型,确定所述待处理信息对应的目标信用等级,其中,所述信用评级模型基于训练集和梯度提升决策树方法构建,所述训练集中的样本包括多个评级参考特征以及对应的信用等级;
所述信息处理单元,用于根据所述评级单元确定出的目标信用等级,为预设的处理策略确定对应的处理参数;基于所述处理策略和所述处理参数处理所述财务特征信息,并提供处理的结果。
上述发明中的一个实施例具有如下优点或有益效果:由于训练信用评级模型的训练集与市场环境相关,则通过信用评级模型对财务指标数据进行信用评级,通过信用评级确定处理参数,实现了处理财务特征信息的过程,将市场环境因素考虑在内。另外,财务特征信息能够反映产品所投资的非标资产的自身情况,因此,本发明实施例提供的方案能够提高对产品所投资的非标资产的估值的准确性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的信息处理的方法的主要流程的示意图;
图2是根据本发明实施例的确定处理策略对应的处理参数的方法的主要流程的示意图;
图3是根据本发明实施例的构建信用评级模型的方法的主要流程的示意图;
图4是根据本发明实施例的信息处理装置的主要模块的示意图;
图5是根据本发明实施例的信息处理装置的主要模块的示意图;
图6是本发明实施例可以应用于其中的示例性系统架构图;
图7是适于用来实现本发明实施例的服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
近年来,我国资产管理业务快速发展,在满足居民和企业投融资需求、改善社会融资结构等方面发挥了积极作用,但也存在部分业务发展不规范、多层嵌套、刚性兑付、规避金融监管和宏观调控等问题。针对上述情况,2018年底我国颁发了《资管新规》,新规要求我国的金融机构应当打破投资理财产品的刚性兑付,逐步实现产品的净值化管理。并建立严格的信息披露管理制度,及时披露所发行产品的资产净值或者投资收益情况。
随着《资管新规》的颁布和银行理财子公司高效落地,做好资产净值化管理已成为大资管行业发展的关键环节。根据《商业银行理财产品估值指引》的要求在估算非标产的公允价值时,银行理财产品管理人应从该债权的自身情况和市场环境出发,选择使用适用的估值技术,并在可合理取得市场参与者假设的前提下采用合理的市场数据。
基于上述需求,本发明实施例提供了一种信息处理方法。
图1是根据本发明实施例的一种信息处理方法,如图1所示,该信息处理方法可包括如下步骤:
S101:获取待处理信息,待处理信息指示财务指标数据以及财务指标数据对应的财务特征信息;
S102:将财务指标数据输入到信用评级模型,确定待处理信息对应的目标信用等级,其中,信用评级模型基于训练集和梯度提升决策树方法构建,训练集中的样本包括多个评级参考特征以及对应的信用等级;
S103:根据目标信用等级,为预设的处理策略确定对应的处理参数;
S104:基于处理策略和处理参数处理财务特征信息,并提供处理的结果。
上述财务指标数据是指可以用来判断企业财务状况是否健康,企业的经营管理是否健全,企业业务前景是否良好等的企业偿债能力数据、运营能力数据、盈利能力数据和发展能力数据等。这些数据可来自产品所投资的非标资产对应的资产负债表、现金流量表和所有者权益变动表,也可通过对这些表进行分析总结得到。其中,非标资产全称为非标转化债权资产,是指未在银行间市场及证券交易所市场交易的债权性资产,包括但不限于信贷资产、信托贷款、委托债权、承兑汇票、信用证、应收账款、各类受(收)益权、带回购条款的股权性融资等,其在非标资产在金融体系的角色非常重要。其中,财务指标数据是指估值日所对应的最近一期财报所披露出的财务指标数据,以使得到的处理结果更加准确。
财务特征信息是指产品发行时基于财务指标数据确定出的与产品相关的指标。如对于债券产品等理财产品来说,其财务特征信息包括但不限于票面利率、通过票面利率确定的现金利息流、债券、基金以及其他理财产品对应的非标资产每年利息的支付频率、已付息次数、总的付息次数、剩余的付息次数,债券、基金以及其他理财产品对应的非标资产的面值等。
上述处理策略指示为处理财务特征信息的方式、方法或公式。比如,针对处理的结果指示产品所投资的非标资产在估值日的公允价值,则该处理策略可以为与财务特征信息相关的公式,而该公式的参数与待处理信息中的财务指标数据的信用等级相关。比如财务特征信息包括非标资产对应的现金利息流、非标资产每年利息的支付频率、剩余的付息次数以及非标资产的面值,则该处理策略指示为包括非标资产对应的现金利息流、非标资产每年利息的支付频率、剩余的付息次数以及非标资产的面值以及处理参数的计算公式。
评级参考特征是指用来构建评级模型的财务指标数据所包含的特征类型以及由财务指标数据分析总结得到的特征,比如资产负债率、财报披露息税前利润(EarningsBefore Interest and Tax,EBIT)、销售毛利率、营业净利率、可持续增长率等中的至少两个。一个优选地实施例为,多个评级参考特征包括资产负债率、财报披露息税前利润、销售毛利率、营业净利率、可持续增长率。
信用等级是指由中债市场隐含评级得到的等级所对应的赋值,该中债市场隐含评级是中债估值中心从市场价格信号和发行主体披露信息等因素中提炼出的动态反映市场投资者对产品如债券、基金以及其他理财产品的信用评级。而中债市场隐含评级评价出的等级一般为非数值型参数。
为了能够方便构建信用评级模型,在本发明实施例中,对中债市场隐含评级划分出的各个等级进行离散型赋值,即本发明实施例所提及的信用等级。
比如,为中债市场隐含评级划分出的等级AAA+赋值为10,为等级AA赋值为8,为等级D赋值1等,该赋值仅是给出的一个例子,其并不构成对等级赋值的限定,该赋值可由用户自定义,只需区别出各个等级之间的差别。比如还可采用各个等级以及对应的赋值建立离散型函数,则在将等级转换为对应赋值过程中,可直接采用该离散型函数得到。其中,中债市场隐含评级可如下表1和表2所示。表1示出的为信誉较好的等级,表2示出的为信誉一般及以下的等级。
表1
表2
另外,上述处理策略是通过研究得出的,其余处理参数结合,能够更好地为用户提供比较直观和准确的结果。
在本发明一个实施例中,多个评级参考特征可包括:资产负债率、过去一期财报披露息税前利润、财务杠杆系数销售毛利率、营业净利率以及可持续增长率中的多个。一般来说,样本数量、样本质量以及样本包括的评级参考特征均会对构建的信用评级模型的准确性产生影响。其中,对样本质量的控制主要通过选取共同特征比较多的数据作为样本。在样本数量和样本质量相同的前提下,样本包括的评级参考特征个数或类型越多,其训练出的信用评级模型越准确。在本发明实施例中,通过对基于各种评级参考特征组合的样本构建的信用评级模型进行验证发现,样本同时包括有资产负债率、财报披露息税前利润、财务杠杆系数销售毛利率时,能够有效地提高构建的信用评级模型的准确性。
其中,资产负债率指的是非标资产对应的企业在一期财报披露出的资产负债率。其可由下述计算公式(1)计算得到。
计算公式(1):
其中,Debt Asset ratio表征资产负债率;Debtt-1表征在样本的财务数据中企业在在t日的最近一期财报披露的总负债,Assett-1表征在样本的财务数据中企业在在t日的最近一期财报披露的总资产。该指标是评价公司负债水平的综合指标。同时也是一项衡量公司利用债权人资金进行经营活动能力,也是反映公司长期偿债能力指标。而在利用信用评级模型确定信用等级过程中,该最近一期财报披露的总负债则是指财务指标数据所披露的最近一期财报披露的总负债;该最近一期财报披露的总资产则是指财务指标数据所披露的最近一期财报披露的总资产。
其中,息税前利润指的是非标资产对应的企业在一期财报披露出的息税前利润。其可由计算公式(2)计算得到。
计算公式(2):
EBIT=Interestt-1+Taxt-1+Feet-1
其中,EBIT表征息税前利润;Interestt-1表征企业在t日的最近一期财报披露的净利润,Taxt-1为企业在t日的最近一期财报披露的所得税费用,Feet-1为企业在t日的最近一期财报披露的财务费用。该指标是指企业不扣除利息也不扣除所得税的利润,称为息前税前利润,也就是指支付利息和所得税之前的利润,是企业偿还债务的资金来源。而在利用信用评级模型确定信用等级过程中,所使用的最近一期净利润则是指财务指标数据所披露的最近一期净利润;所使用的最近一期所得税费用则是指财务指标数据所披露的最近一期所得税费用;所使用的最近一期财务费用则是指财务指标数据所披露的最近一期财务费用。
其中,财务杠杆系数指的是非标资产对应的企业在一期财报披露出的财务杠杆系数。其由下述计算公式(3)计算得到。
计算公式(3):
其中,DFL表征财务杠杆系数;EPS表征非标资产对应的企业在t日的最近一期财报披露的普通股每股利润,表征非标资产对应的企业在t日的最近一期财报披露的普通股每股利润变动额;EBIT表征非标资产对应的企业在t日的最近一期财报披露的息前税前利润;表征非标资产对应的企业在t日的最近一期财报披露的息前税前利润变动额。该财务杠杆系数是指普通股每股税后利润变动率相对于息税前利润变动率的倍数,也叫财务杠杆程度,通常用来反映财务杠杆的大小和作用程度,以及评价企业财务风险的大小。
在本发明一个实施例中,处理的结果用于指示产品所投资的非标资产在估值日的公允价值。以更准确的披露非标资产在估值日的公允价值,使用户能够对该非标资产的理财产品有更清楚和准确的认知。
在本发明一个实施例中,为了使处理的结果所指示的产品所投资的非标资产在估值日的公允价值比较准确,处理策略对应的处理参数选用通过非资产对应的收益率曲线和预设的流动性风险溢价,计算出的非标资产对应的贴现因子,该收益率曲线一般包括即期利率曲线和远期利率曲线。为了能够更准确的得到产品所投资的非标资产在估值日的公允价值,选用即期利率曲线。
其中,收益率曲线是反映一组货币和信用风险均相同,但期限不同的债券收益率值的连线,其一般根据非标资产对应的企业的性质和评级获取对应的债券收益率曲线。收益率曲线是已有的信息,其可从外部系统直接获取到。一般来说,收益率曲线是按照企业性质/类型进行分类的,其主要分为政府机构类债券、地方政府债券、企业信用类债券以及资产支持证券。每一类债券所包含的收益率曲线可如下表3所示。
表3
因此,为预设的处理策略确定对应的处理参数的具体过程,如图2所示,可包括如下步骤:
S201:确定产品所投资的非标资产对应的分类属性;
该分类属性在待处理信息中存在,通过该分类属性可以确定出该产品属于政府机构类债券、地方政府债券、企业信用类债券以及资产支持证券中的哪一类。
S202:根据目标信用等级和分类属性,获取产品所投资的非标资产对应的收益率曲线;
一般收益率曲线是与信用等级和分类属性相关的,因此,在确定出信用等级和分类属性后,则可以反过来确定收益率曲线。为了能够准确的得到非标资产在估值日的公允价值,该步骤确定出的收益率曲线为即期利率曲线。
S203:根据收益率曲线和预设的流动性风险溢价,计算产品所投资的非标资产对应的贴现因子。
该步骤具体计算方式为非标资产对应现金流期限的中债即期利率曲线的值加上非标资产的流动性风险溢价,该非标资产的流动性风险溢价可以根据市场或者非标资产的波动进行设定。
其中,贴现因子:k=(k1,k2,k3,…,km)
其中,k表征产品所投资的非标资产的贴现因子;km表征第m期的贴现因子。
其中,第m期的贴现因子中的子贴现因子可通过下述计算公式(4),计算得出。
计算公式(4):
km=Spot Ratem+Liquidity Risk
其中,km表征第m期的贴现因子;Spot Ratem表征从产品所投资的非标资产第m期使用的第即期收益曲线得到第即期收益率;Liquidity Risk表征设定出的流动性风险溢价。m取值为不小于1的正整数。
在本发明一个实施例中,根据贴现因子和财务特征信息,计算产品所投资的非标资产在估值日的公允价值,其中,财务特征信息,包括:产品所投资的非标资产对应的现金利息流、非标资产每年利息的支付频率、期数、剩余的付息次数以及非标资产的面值。
该计算产品所投资的非标资产在估值日的公允价值的过程,可采用下述计算公式(5),计算得到。
计算公式(5):
其中,PV表征产品所投资的非标资产在估值日的公允价值;kg表征第g期贴现因子,该g大于等于1且小于等于m;C表征产品所投资的非标资产按照票面利率确定的现金利息流;f表征产品所投资的非标资产每年利息的支付频率,w表征期数;n表征剩余的付息次数,M表征非标资产的面值。该期数是产品所投资的非标资产的期限(以年为单位)的倒数,比如,产品所投资的非标资产的期限为1年,则期数为1;产品所投资的非标资产的期限为半年,则期数为2;产品所投资的非标资产的期限为四个月,则期数为4;产品所投资的非标资产的期限为1个月,则期数为12;产品所投资的非标资产的期限为2年,则期数为等。
上述计算公式(5)即为一种处理策略,以使处理结果指示产品所投资的非标资产在估值日的公允价值。
前面已经提及,需要产品所投资的非标资产的信用等级和类别属性选定第即期收益曲线。而产品所投资的非标资产的信用等级,则通过将产品所投资的非标资产的财务指标数据输入到基于训练集和梯度提升决策树方法构建出的信用评级模型确定出。其中,财务指标数据包括从偿债能力数据、运营能力数据、盈利能力数据、发展能力数据中提取出的特征数据以及由这些数据得到资产负债率、财报披露息税前利润、财务杠杆系数销售毛利率、营业净利率以及可持续增长率等。因此,基于训练集和梯度提升决策树方法构建出准确的信用评级模型,是确定出信用等级的基础。
在本发明实施例中,基于训练集和梯度提升决策树方法构建信用评级模型的具体实施方式包括:
通过将训练集输入到预设的决策树训练空间,以为决策树训练空间划分出至少两个决策区域,并确定区域决策树以及每一个所述决策区域对应的输出值;
针对每一个所述决策区域,执行:
利用所述决策区域对应的输出值和所述决策区域内样本的信用等级值,计算所述决策区域内的样本残差值;
利用每一个所述决策区域对应的所述样本残差值,迭代所述区域决策树;
融合迭代后的所有区域决策树得到评级模型。
上述将将训练集输入到预设的决策树训练空间,以为决策树训练空间划分出至少两个决策区域的具体实施方式:
A:将训练样本集输入下述计算公式(6)中,选择最优切分j与切分点s;
计算公式(6):
其中,xi表征训练样本集中第i个样本;j表征样本中的第j个特征;s表征第j个特征对应的值;yi表征样本xi对应的信用等级赋值;R1和R2分别表征将训练样本集划分出的两个区域,该区域从第j个特征划分;c1表征R1区域对应的输出值;c2表征R2区域对应的输出值;
选择使上式(6)达到最小值的对(j,s);
B:选定的对(j,s)划分区域并确定相应的输出值;
划分出的区域:
R1(j,s)={x|x(j)≤s},R2(j,s)={x|x(j)>s}
每一个区域对应的输出值通过下述计算公式(7),计算得出。
计算公式(7):
继续对划分出的区域调用上述步骤A和B,直到满足停止条件。该停止条件可以为划分出的区域个数达到目标个数,也可以为在划分过程中出现从同一个区域划分出的两个子区域的输出值相同。
满足停止条件后,根据特征数据,将输入空间划分为M个区域R1,R2,…,RM。
对划分出的每一个区域进行迭代,即循环执行下述步骤,直至满足预设的停止条件(该停止条件为残差值小于一个阈值):
设为f(x)=T(x;θR);
设置f0(x)为上述区域对应的输出值;
利用下述计算公式(8),估计残差值;
计算公式(8):
rzi=yi-fz-1(xi),i=1,2,…,N
其中,rzi表征残差值;z表征迭代次数;yi表征该区域内的特征xi对应的实际信用等级的赋值;fz-1(xi)表征第m次迭代所对应的上一次迭代输入xi后得到的输出值;
将该区域得到的残差值作为一个训练集输入到上述计算公式(6),继续划分残差子区域,得到基于残差值的区域决策树Trz(x;θr);θr表征残差值的区域决策树对应的参数;
基于残差值的区域决策树,更新当前第z次迭代形成的区域决策树:
fz(x)=fz-1(x)+Trz(x;θr)
其中,z=1,2,3,…。
通过上述迭代划分出的每一个最终区域对应的决策树设为fa(x)=Ta(x;θa),a表征划分出的第a个最终区域;θa表征最终区域对应的决策树的相关参数。
最终,得到决策树:
其中,Q表征最终区域的总个数。
综上可知,先通过上述计算公式(6)训练样本集,将训练样本集中的特征划分成至少两个区域;然后在区域的基础上,基于区域中每一个特征的残差值,进一步将区域划分出子区域,然后在子区域的基础上,基于子区域中的每一个特征的残差值,进一步对子区域进行划分,依次类推,直至满足停止条件。
通过上述信用评级模型构建过程构建出的信用评级模型,能够更准确地对待处理信息中的财务指标数据进行评级。
下面以先通过特征数据将训练集中的特征划分成两个区域,然后通过上面给出的构建决策树的方法,对该两个区域通过残差值的方式继续划分为例,进行说明。如图3所示,该构建决策树的过程可包括如下步骤:
S301:将训练集输入到预设的决策树训练空间,为决策树训练空间划分出两个决策区域R1和R2;
S302:分别对区域R1和区域R2,计算区域内各个特征的残差值;
在该步骤中,确定决策区域R1和R2的输出值分别为C1和C2;区域内各个特征的残差值,是通过特征对应的真实信用等级赋值与其所在区域对应的输出值之差,计算得到。
比如,对于R1内的一个特征xi来说,其对应的真实信用等级为yi,则该xi对应的残差为yi-C1。
S303:将区域内各个特征的残差值输入到决策树训练空间,划分出子区域;
比如,将R1区域内的各个特征对应的残差值输入到决策树训练空间,将R1进一步划分成R11和R12。
S304:利用划分出的子区域的残差值决策树和该子区域所在的上一个区域对应的决策树,更新该子区域的决策树;
比如:R11对应的决策树为R11的残差决策树与R11所在的上一个区域R1对应的决策树之和。
S305:判断划分结果是否满足预设的停止条件,如果是,则执行S306,否则,执行S307;
S306:利用各个子区域的决策树构建信用模型,并结束当前流程;
S307:将划分出的各个子区域作为各个区域,计算各个区域中样本对应的残差值,并执行S303。
比如,将R11作为一个区域,计算R11中各个特征的残差值,该R11对应的输出值则是由S304给出的R11对应的决策树的出的。
图4示出了本发明一个实施例提供的一种信息处理装置。如图4所示,该信息处理装置400可包括:获取单元401、评级单元402以及信息处理单元403,其中,
获取单元401,用于获取待处理信息,待处理信息指示财务指标数据以及财务指标数据对应的财务特征信息;
评级单元402,用于将获取单元401获取到的财务指标数据输入到信用评级模型,确定待处理信息对应的目标信用等级,其中,信用评级模型基于训练集和梯度提升决策树方法构建,训练集中的样本包括多个评级参考特征以及对应的信用等级;
信息处理单元403,用于根据评级单元402确定出的目标信用等级,为预设的处理策略确定对应的处理参数;基于处理策略和处理参数处理获取单元401获取到的财务特征信息,并提供处理的结果。
在本发明一个实施例中,获取单元401获取到的待处理信息指示的财务指标数据包括:所述产品所投资的非标资产对应的偿债能力数据、运营能力数据、盈利能力数据和发展能力数据。
在本发明一个实施例中,多个评级参考特征,包括:资产负债率、财报披露息税前利润、财务杠杆系数销售毛利率、营业净利率以及可持续增长率中的多个。
在本发明一个实施例中,信息处理装置输出的处理的结果用于指示产品所投资的非标资产在估值日的公允价值。
在本发明一个实施例中,多个评级参考特征基于样本对应的资产负债表、现金流量表以及所有者权益变动表确定出。
在本发明一个实施例中,信用等级指示中债市场隐含评级。
在本发明一个实施例中,信息处理单元403,进一步用于确定产品所投资的非标资产对应的分类属性;根据目标信用等级和分类属性,获取产品所投资的非标资产对应的收益率曲线;根据收益率曲线和预设的流动性风险溢价,计算产品所投资的非标资产对应的贴现因子。
在本发明一个实施例中,财务特征信息,包括:所述产品所投资的非标资产对应的现金利息流、非标资产每年利息的支付频率、剩余的付息次数以及非标资产的面值。
在本发明一个实施例中,如图5所示,评级单元包括:模型构建子单元4021,其中,
模型构建子单元4021,用于通过将训练集输入到预设的决策树训练空间,以为决策树训练空间划分出至少两个决策区域,以及每一个决策区域的输出值;针对每一个决策区域,执行:利用决策区域对应的输出值和决策区域内样本的信用等级值,计算决策区域内的样本残差值,利用每一个决策区域对应的样本残差值,迭代划分子区域,并确定划分出的子区域的决策树;融合迭代后的划分出的所有子区域的决策树得到评级模型。
图6示出了可以应用本发明实施例的信息处理方法或信息处理装置的示例性系统架构600。
如图6所示,系统架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用,例如理财应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器,例如对用户利用终端设备601、602、603所浏览的理财产品网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的对理财产品所对应的非标资产相关信息查询请求等数据进行分析等处理,并将处理结果(例如非标资产在估值日的公允价值--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的信息处理方法一般由服务器605执行,相应地,信息处理装置一般设置于服务器605中。
应该理解,图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图7,其示出了适于用来实现本发明实施例的服务器设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、评级单元和信息处理单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“接收所连接的终端发送的待处理信息的单元”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:获取待处理信息,待处理信息指示财务指标数据以及财务指标数据对应的财务特征信息;将财务指标数据输入到信用评级模型,确定待处理信息对应的目标信用等级,其中,信用评级模型基于训练集和梯度提升决策树方法构建,训练集中的样本包括多个评级参考特征以及对应的信用等级;根据目标信用等级,为预设的处理策略确定对应的处理参数;基于处理策略和处理参数处理财务特征信息,并提供处理的结果。
在本发明一个实施例中,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:确定产品所投资的非标资产对应的分类属性;根据目标信用等级和分类属性,获取产品所投资的非标资产对应的收益率曲线;根据收益率曲线和预设的流动性风险溢价,计算产品所投资的非标资产对应的贴现因子。
在本发明一个实施例中,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:根据贴现因子和财务特征信息,计算产品所投资的非标资产在估值日的公允价值。
在本发明一个实施例中,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:通过将训练集输入到预设的决策树训练空间,以为决策树训练空间划分出至少两个决策区域,以及每一个决策区域的输出值;针对每一个决策区域,执行:利用决策区域对应的输出值和决策区域内样本的信用等级值,计算决策区域内的样本残差值;利用每一个决策区域对应的所述样本残差值,迭代划分子区域,并确定划分出的子区域的决策树;融合迭代后的划分出的所有子区域的决策树得到评级模型。
根据本发明实施例的技术方案,由于训练信用评级模型的训练集与市场环境相关,则通过信用评级模型对财务指标数据进行信用评级,通过信用评级确定处理参数,实现了处理财务特征信息的过程,将市场环境因素考虑在内。另外,财务特征信息能够反映产品所投资的非标资产的自身情况,因此,本发明实施例提供的方案能够提高对产品所投资的非标资产的估值的准确性。
根据本发明实施例的技术方案,通过对基于各种评级参考特征组合的样本构建的信用评级模型进行验证发现,样本同时包括有资产负债率、财报披露息税前利润、财务杠杆系数销售毛利率时,能够有效地提高构建的信用评级模型的准确性。
根据本发明实施例的技术方案,处理的结果用于指示产品所投资的非标资产在估值日的公允价值。以更准确的披露非标资产在估值日的公允价值,使用户能够对该非标资产的理财产品有更清楚和准确的认知。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种信息处理方法,其特征在于,包括:
获取待处理信息,所述待处理信息指示财务指标数据以及所述财务指标数据对应的财务特征信息;
将所述财务指标数据输入到信用评级模型,确定所述待处理信息对应的目标信用等级,其中,所述信用评级模型基于训练集和梯度提升决策树方法构建,所述训练集中的样本包括多个评级参考特征以及对应的信用等级;
根据所述目标信用等级,为预设的处理策略确定对应的处理参数;
基于所述处理策略和所述处理参数处理所述财务特征信息,并提供处理的结果。
2.根据权利要求1所述的信息处理方法,其特征在于,
所述财务指标数据包括:所述产品所投资的非标资产对应的偿债能力数据、运营能力数据、盈利能力数据和发展能力数据。
3.根据权利要求2所述的信息处理方法,其特征在于,
所述多个评级参考特征,包括:
资产负债率、财报披露息税前利润、财务杠杆系数销售毛利率、营业净利率以及可持续增长率中的至少两个。
4.根据权利要求2或3所述的信息处理方法,其特征在于,
所述多个评级参考特征基于样本对应的资产负债表、现金流量表以及所有者权益变动表确定出;
所述处理的结果用于指示产品所投资的非标资产在估值日的公允价值。
5.根据权利要求4述的信息处理方法,其特征在于,
进一步包括:确定所述产品所投资的非标资产对应的分类属性;
所述为预设的处理策略确定对应的处理参数,包括:
根据所述目标信用等级和所述分类属性,获取所述产品所投资的非标资产对应的收益率曲线;
根据所述收益率曲线和预设的流动性风险溢价,计算所述产品所投资的非标资产对应的贴现因子;
所述基于所述处理策略和所述处理参数处理所述财务特征信息,包括:
根据所述贴现因子和所述财务特征信息,计算所述产品所投资的非标资产在估值日的公允价值。
6.根据权利要求5所述的信息处理方法,其特征在于,
所述财务特征信息,包括:所述产品所投资的非标资产对应的现金利息流、非标资产每年利息的支付频率、剩余的付息次数以及非标资产的面值。
7.根据权利要求4所述的信息处理方法,其特征在于,所述信用评级模型基于训练集和梯度提升决策树方法构建,包括:
通过将所述训练集输入到预设的决策树训练空间,以为所述决策树训练空间划分出至少两个决策区域,以及每一个所述决策区域的输出值;
针对每一个所述决策区域,执行:
利用所述决策区域对应的输出值和所述决策区域内样本的信用等级值,计算所述决策区域内的样本残差值;
利用每一个所述决策区域对应的所述样本残差值,迭代划分子区域,并确定划分出的子区域的决策树;
融合迭代后的划分出的所有子区域的决策树得到评级模型。
8.一种信息处理装置,其特征在于,包括:获取单元、评级单元以及信息处理单元,其中,
所述获取单元,用于获取待处理信息,所述待处理信息指示财务指标数据以及所述财务指标数据对应的财务特征信息;
所述评级单元,用于将所述财务指标数据输入到信用评级模型,确定所述待处理信息对应的目标信用等级,其中,所述信用评级模型基于训练集和梯度提升决策树方法构建,所述训练集中的样本包括多个评级参考特征以及对应的信用等级;
所述信息处理单元,用于根据所述评级单元确定出的目标信用等级,为预设的处理策略确定对应的处理参数;基于所述处理策略和所述处理参数处理所述财务特征信息,并提供处理的结果。
9.一种信息处理电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911258537.7A CN111161080A (zh) | 2019-12-10 | 2019-12-10 | 信息处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911258537.7A CN111161080A (zh) | 2019-12-10 | 2019-12-10 | 信息处理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111161080A true CN111161080A (zh) | 2020-05-15 |
Family
ID=70556701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911258537.7A Pending CN111161080A (zh) | 2019-12-10 | 2019-12-10 | 信息处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111161080A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362115A (zh) * | 2021-06-29 | 2021-09-07 | 平安资产管理有限责任公司 | 基于机器学习的交易资源分析方法、装置、设备和介质 |
CN113760484A (zh) * | 2020-06-29 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 数据处理的方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898476A (zh) * | 2018-06-14 | 2018-11-27 | 中国银行股份有限公司 | 一种贷款客户信用评分方法和装置 |
CN109325863A (zh) * | 2018-11-15 | 2019-02-12 | 北京心流慧估科技有限公司 | 一种企业估值平台 |
CN109685526A (zh) * | 2018-12-12 | 2019-04-26 | 税友软件集团股份有限公司 | 一种企业信用等级评价方法、装置及相关设备 |
CN109741093A (zh) * | 2018-12-21 | 2019-05-10 | 上海拍拍贷金融信息服务有限公司 | 债权价值评估方法及装置、存储介质、终端 |
CN109886800A (zh) * | 2019-01-24 | 2019-06-14 | 平安科技(深圳)有限公司 | 电子装置、非标债权资产估值方法和计算机可读存储介质 |
-
2019
- 2019-12-10 CN CN201911258537.7A patent/CN111161080A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898476A (zh) * | 2018-06-14 | 2018-11-27 | 中国银行股份有限公司 | 一种贷款客户信用评分方法和装置 |
CN109325863A (zh) * | 2018-11-15 | 2019-02-12 | 北京心流慧估科技有限公司 | 一种企业估值平台 |
CN109685526A (zh) * | 2018-12-12 | 2019-04-26 | 税友软件集团股份有限公司 | 一种企业信用等级评价方法、装置及相关设备 |
CN109741093A (zh) * | 2018-12-21 | 2019-05-10 | 上海拍拍贷金融信息服务有限公司 | 债权价值评估方法及装置、存储介质、终端 |
CN109886800A (zh) * | 2019-01-24 | 2019-06-14 | 平安科技(深圳)有限公司 | 电子装置、非标债权资产估值方法和计算机可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113760484A (zh) * | 2020-06-29 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 数据处理的方法和装置 |
CN113362115A (zh) * | 2021-06-29 | 2021-09-07 | 平安资产管理有限责任公司 | 基于机器学习的交易资源分析方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ofori‐Sasu et al. | Dividend policy and shareholders’ value: evidence from listed companies in Ghana | |
Neamtiu et al. | The impact of ambiguity on managerial investment and cash holdings | |
US8275686B2 (en) | Methods for measuring hedging value-at-risk and profitability | |
CN109598606B (zh) | 数据处理方法、装置、介质及电子设备 | |
Chong et al. | Bank loans, trade credits, and borrower characteristics: Theory and empirical analysis | |
Penikas | History of the Basel internal-ratings-based (IRB) credit risk regulation | |
CN111161080A (zh) | 信息处理方法和装置 | |
Lee et al. | Residential housing market and bank stability: focusing on OECD and emerging Asian countries | |
CN113469818B (zh) | 投资风险预警方法、装置、电子设备及计算机可读介质 | |
CN112540959B (zh) | 一种数据处理方法和装置 | |
JP2018514889A (ja) | 当初証拠金標準モデルに基づいて当初証拠金を計算及び提供する方法及びシステム | |
Glass et al. | Modelling the performance of Irish credit unions, 2002 to 2010 | |
JP6771513B2 (ja) | 債務不履行確率を算出する装置、方法及びそのためのプログラム | |
Smith et al. | Countercyclical capital regime revisited: Tests of robustness | |
CN115311077A (zh) | 贷款信息处理方法、服务器、应用端和系统 | |
Ezema et al. | The Impact of Information Management Systems on the Performance of Commercial Banks in Nigeria | |
Sahiti et al. | Banking activities in Kosovo and the importance of credit risk management | |
CN110909294A (zh) | 数据处理的方法和装置 | |
Alam et al. | The sensitivity of the credit default swap market to financial analysts’ forecast revisions | |
Tischbirek | Long‐term government debt and household portfolio composition | |
Wadhwa et al. | Underpricing, long-run performance and secondary-market liquidity: an empirical examination of Indian IPO market | |
Sumathi | Stock price volatility in national stock exchange of India | |
Oino | Regulatory capital: Implications on credit creation and profitability | |
Azahar et al. | The Evaluating Banking Operation Management on Signature Bank | |
Xie | Research Of Operatinoal Risk Management And Its Determinants: An Analysis Of Hua Xia Bank In China |
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: 20220923 Address after: 25 Financial Street, Xicheng District, Beijing 100033 Applicant after: CHINA CONSTRUCTION BANK Corp. Address before: 25 Financial Street, Xicheng District, Beijing 100033 Applicant before: CHINA CONSTRUCTION BANK Corp. Applicant before: Jianxin Financial Science and Technology Co.,Ltd. |