CN111882424A - 基于遗传算法的信贷证券化组包方法及装置 - Google Patents
基于遗传算法的信贷证券化组包方法及装置 Download PDFInfo
- Publication number
- CN111882424A CN111882424A CN202010703016.4A CN202010703016A CN111882424A CN 111882424 A CN111882424 A CN 111882424A CN 202010703016 A CN202010703016 A CN 202010703016A CN 111882424 A CN111882424 A CN 111882424A
- Authority
- CN
- China
- Prior art keywords
- credit
- genetic algorithm
- individual
- individuals
- securitization
- 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.)
- Granted
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
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9038—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于遗传算法的信贷证券化组包方法及装置,基于遗传算法的信贷证券化组包方法包括:以预设粒度对多个信贷业务数据进行分组;根据预生成的遗传算法模型在分组后的多个信贷业务数据中选取多个信贷业务数据;按照K值对选取后的多个信贷业务数据进行排序。本发明提供的基于遗传算法的信贷证券化组包方法及装置,通过引入人工智能算法中的遗传算法进行快速迭代计算,可有效提高组包效率、并达到快速响应业务需要的目标。
Description
技术领域
本发明涉及计算机数据处理技术领域,尤其是涉及一种在大数据情况下的特定目标结果筛选方法,具体涉及一种基于遗传算法的信贷证券化组包方法及装置。
背景技术
随着银行信贷业务证券化的逐步开展,业务发行越发频繁,单项目资产包业务量逐渐增大至数万甚至十几万,使得手工从数千万级信贷业务中构建满足特定条件(资产包额度、加权利率、加权期限)的资产包的变得越发困难,甚至无法实施,极大的阻塞业务高效发展。
发明内容
针对现有技术中的问题,本发明提供的基于遗传算法的信贷证券化组包方法及装置,通过引入人工智能算法中的遗传算法进行快速迭代计算,可有效提高组包效率、并达到快速响应业务需要的目标。
为解决上述技术问题,本发明提供以下技术方案:
第一方面,本发明提供一种基于遗传算法的信贷证券化组包方法,包括:
以预设粒度对多个信贷业务数据进行分组;
根据预生成的遗传算法模型在分组后的多个信贷业务数据中选取多个信贷业务数据;
按照K值对选取后的多个信贷业务数据进行排序。
一实施例中,生成所述遗传算法模型的步骤包括:
根据预设资产规模从资产池中选取信贷业务数据,并将其设置为所述遗传算法中的个体;
将多个所述个体组合为所述遗传算法中的初始族群;
对所述初始族群进行以下迭代操作,直至迭代次数为预设次数:
随机将所述初始族群中所有个体进行两两组合,以生成多个个体组;
随机交换多个个体组中的基因;所述基因为所述信贷业务数据中的借据;
计算交换后个体的K值;
如果至少存在一个个体的K值小于原有两个个体的K值,则保留本次迭代结果。
一实施例中,所述按照K值对选取后的多个信贷业务数据进行排序,包括:
按照K值对所述多个信贷业务数据进行升序排序。
一实施例中,在所述按照K值对选取后的多个信贷业务数据进行排序之后,还包括:
进行以下循环操作,直至选取的多个个体规模累加结果大于所述预设资产规模;
按K值选取最小的个体;
将最小的个体进行累加,以生成所述多个个体规模累加结果
判断所述多个个体规模累加结果是否符合预设误差。
第二方面,本发明提供一种基于遗传算法的信贷证券化组包装置,包括:
数据分组单元,用于以预设粒度对多个信贷业务数据进行分组;
数据选取单元,用于根据预生成的遗传算法模型在分组后的多个信贷业务数据中选取多个信贷业务数据;
数据排序单元,用于按照K值对选取后的多个信贷业务数据进行排序。
一实施例中,基于遗传算法的信贷证券化组包装置还包括:模型生成单元,用于生成所述遗传算法模型,所述模型生成单元包括:
数据选取模块,用于根据预设资产规模从资产池中选取信贷业务数据,并将其设置为所述遗传算法中的个体;
个体组合模块,用于将多个所述个体组合为所述遗传算法中的初始族群;
迭代模块,用于对所述初始族群进行以下迭代操作,直至迭代次数为预设次数:
随机将所述初始族群中所有个体进行两两组合,以生成多个个体组;
随机交换多个个体组中的基因;所述基因为所述信贷业务数据中的借据;
计算交换后个体的K值;
如果至少存在一个个体的K值小于原有两个个体的K值,则保留本次迭代结果。
一实施例中,所述数据排序单元具体用于按照K值对所述多个信贷业务数据进行升序排序。
一实施例中,基于遗传算法的信贷证券化组包装置还包括:
循环操作单元,用于进行以下循环操作,直至选取的多个个体规模累加结果大于所述预设资产规模;
按K值选取最小的个体;
将最小的个体进行累加,以生成所述多个个体规模累加结果
判断所述多个个体规模累加结果是否符合预设误差。
第三方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现基于遗传算法的信贷证券化组包方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现基于遗传算法的信贷证券化组包方法的步骤。
从上述描述可知,本发明实施例提供的基于遗传算法的信贷证券化组包方法及装置,首先以预设粒度对多个信贷业务数据进行分组;接着,根据预生成的遗传算法模型在分组后的多个信贷业务数据中选取多个信贷业务数据;最后按照K值对选取后的多个信贷业务数据进行排序。本发明通过引入人工智能算法中的遗传算法进行快速迭代计算,并将求解过程中的多因子变量进行分层求解。从而将一个复杂的组合优化问题拆分为两个具有前后关系的组合优化问题。本发明可有效提高组包效率、达到快速响应业务需要的目标。
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获得其他的附图。
图1为本发明的实施例中基于遗传算法的信贷证券化组包方法流程示意图一;
图2为本发明的实施例中步骤400的流程示意图;
图3为本发明的实施例中基于遗传算法的信贷证券化组包方法流程示意图二;
图4为本发明的具体应用实例中基于遗传算法的信贷证券化组包方法的流程示意图;
图5为本发明的具体应用实例中基于遗传算法的信贷证券化组包方法的思维导图;
图6为本发明的具体应用实例中编码过程示意图;
图7为本发明的实施例中基于遗传算法的信贷证券化组包装置的结构框图一;
图8为本发明的实施例中模型生成单元的结构框图;
图9为本发明的实施例中基于遗传算法的信贷证券化组包装置的结构框图二;
图10为本发明的实施例中的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明的实施例提供一种基于遗传算法的信贷证券化组包方法的具体实施方式,参见图1,该方法具体包括如下内容:
步骤100:以预设粒度对多个信贷业务数据进行分组。
具体地,将大量信贷业务数据以相对较小的粒度进行分组,优选地,将大量信贷业务数据以低于目标资产包规模2到3个数量级的粒度进行分组。
步骤200:根据预生成的遗传算法模型在分组后的多个信贷业务数据中选取多个信贷业务数据。
通过遗传算法求解符合预设条件(指定加权利率、加权期限)的多个解,并将其作为二次组合(步骤300)的输入。可以理解的是,遗传算法通过数学的方式,利用计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时,相对一些常规的优化算法,通常能够较快地获得较好的优化结果。
步骤300:按照K值对选取后的多个信贷业务数据进行排序。
具体地,将上一步骤(步骤200)的所有求解结果进行再次挑选组合,获取总额度最接近目标资产包额度的。
由步骤100以及步骤200可以看出,本发明实施例不直接通过遗传算法获得问题的最终求解,而是将求解过程中的多因子变量进行分层求解。将一个复杂的组合优化问题拆分为两个具有前后关系的组合优化问题。
从上述描述可知,本发明实施例提供的基于遗传算法的信贷证券化组包方法,首先以预设粒度对多个信贷业务数据进行分组;接着,根据预生成的遗传算法模型在分组后的多个信贷业务数据中选取多个信贷业务数据;最后按照K值对选取后的多个信贷业务数据进行排序。本发明通过引入人工智能算法中的遗传算法进行快速迭代计算,并将求解过程中的多因子变量进行分层求解。从而将一个复杂的组合优化问题拆分为两个具有前后关系的组合优化问题。本发明可有效提高组包效率、达到快速响应业务需要的目标。
一实施例中,基于遗传算法的信贷证券化组包方法还包括:
步骤400:生成所述遗传算法模型。参见图2,步骤400进一步包括:
步骤401:根据预设资产规模从资产池中选取信贷业务数据,并将其设置为所述遗传算法中的个体。
可以理解的是,步骤401中的个体是指由多笔借据构成的一个特定集合。另外,由于每笔借据的贷款余额差异较大,为防止在遗传过程中出现巨型个体,导致单个个体的额度超过目标资产包额度,从而引起求解的无效性,优选地,将个体的规模设置与目标资产包额度规模至少在数量级上存在差异。
步骤402:将多个所述个体组合为所述遗传算法中的初始族群;
在步骤402中,个体组合是指从待选资产池中抽取一笔借据,判定纳入该笔借据后的个体规模是否大于设定阀值,若大于则放弃最后一次借据抽取,个体组合完成;若不大于,则继续从待选资产池中抽取下一笔借据,然后再次进行规模判定。族群是指组合的所有个体集合构成了遗传中的族群。从待选资产池抽取后获得所有个体集合为初代族群。
步骤403:对所述初始族群进行以下迭代操作,直至迭代次数为预设次数;
可以理解的是,步骤403为一迭代步骤,其包括步骤4031至步骤4034。
步骤4031:随机将所述初始族群中所有个体进行两两组合,以生成多个个体组;
具体地,通过随机数生成一对编号作为一组,按此方法将初始族群内所有个体两两配对(若存在无法配对的情况则单列一组,不参与后续基因交换)。
步骤4032:随机交换多个个体组中的基因;所述基因为所述信贷业务数据中的借据;
步骤4033:计算交换后个体的K值;
步骤4034:如果至少存在一个个体的K值小于原有两个个体的K值,则保留本次迭代结果。
步骤4032至步骤4034,在实施时,具体为:每一组通过随机数生成需交换的基因个数,组内两个个体分别随机选取对应个数的基因交换给对方,交换完成后各自计算交换后的K值,若至少存在一个新个体的K值小于原有两个个体的K值,则保留该遗传;若不存在该K值,则舍弃该次遗传,将父代个体直接带入到下一代族群中。将上一步的结果作为新一代族群,重复步骤4031至步骤4034。若迭代达到最大进化代数M,停止遗传,并将符合K取值范围的进行输出。
一实施例中,步骤300具体为:按照K值对所述多个信贷业务数据进行升序排序。
一实施例中,在步骤300之后,参见图3,基于遗传算法的信贷证券化组包方法还包括:
步骤500:进行以下循环操作,直至选取的多个个体规模累加结果大于所述预设资产规模。
可以理解的是,步骤500为一循环操作,其包括步骤501至步骤503。
步骤501:按K值选取最小的个体;
步骤502:将最小的个体进行累加,以生成所述多个个体规模累加结果
步骤503:判断所述多个个体规模累加结果是否符合预设误差。
在步骤500中,具体地,首先对于遗传算法计算结束时输出的个体按K值升序排序。取K值最小的个体。汇总所有已选取的个体规模。判定是否大于目标资产包规模,若小于则重复执行第步骤501至步骤503步骤。若大于则评估是否在允许的目标资产包规模偏差内,若不在偏差内,则放弃最后一次选取的个体;若在偏差内,则保留最后一次选取的个体。最后输出所有已被选取的个体中对应的借据清单,该清单即为所需的证券化目标资产包中的所有业务集合。
需要说明的是,步骤500实质上是在遗传算法结果上进行的第二次求解运算过程,从而使本实施例不直接通过遗传算法获得问题的最终求解,而是将求解过程中的多因子变量进行分层求解。将一个复杂的组合优化问题拆分为两个具有前后关系的组合优化问题。进而有效提高组包效率、达到快速响应业务需要的目标。
本发明实施例所提供的基于遗传算法的信贷证券化组包方法,为解决遗传过程中产生巨型个体的问题,将传统的遗传算法结合信贷业务特点相结合,提供了一种求解目标结果的多个子结果的方法,再通过组合将子结果合并为近似最优解的方法。其优点如下:
(1)结合业务实际需求,提供了稳定的个体评价模型。
(2)明确了遗传过程中个体的设定方法。由于信贷业务中每笔借据的金额不确定性,而资产包的总金额一般相对固定,为防止在遗传过程中符合条件的个体规模巨型化,远超目标资产包规模而导致结果不可用的情况,在遗传开始时,将个体设置远小于目标资产规模,在完成遗传代数后,在将符合条件的多个个体组合成目标资产包。
(3)将一个多因子变量的组合优化问题进行拆分,降低问题的复杂度,依次解决低复杂度问题,再组合起来获得整个问题的最终解。
(4)提供了明确的计算方法及实施步骤,模型复杂度较低,实现后的系统时间复杂度及空间复杂度均为O(n),对于系统资源消耗和运行时间易于评估。
为进一步地说明本方案,本发明提供基于遗传算法的信贷证券化组包方法的具体应用实例,具体包括如下内容,参见图4以及图5。
问题描述:
对于一个非特定的信贷资产池,涉及借据数百万笔。其中:单笔借据的余额范围:[数百元,数百万元];单笔借据的利率范围:[基准利率×70%,基准利率×120%];单笔借据的剩余期限(单位为月)范围:[1,360]。现需要从该信贷资产池中找出一个满足特定约束的借据子集合,用以构建实际可出表的证券化资产包。
证券化资产包约束条件:
1)一个资产包的额度在给定值范围内,如给定值为150亿,偏差限定为5%,资产包额度可接受范围为150×(1±5%)亿。
2)筛选出的资产包的加权利率在给定值范围内,如给定值为4.80%,偏差限定0.30%,则加权利率可接受范围为(4.80±0.30)%。
其中,加权利率算法:ALL借据(执行利率×封包时单笔借据的余额)/所有借据余额之和。
3)筛选出的资产包的加权期限在一个范围内,如给定值为180,偏差限定为12,则加权期限可接受范围为180±12。
其中,加权期限算法:ALL借据(剩余期限×封包时单笔借据的余额)/所有借据余额之和。
常量定义:
E:目标资产包总额度;
R:目标资产包加权利率;
x:目标资产包加权利率最大偏差值x%;
D:目标资产包加权期限;
y:目标资产包加权期限最大偏差值y;
q:加权利率所占权重,0≤q≤1;
Rj:某笔借据执行利率;
Dj:某笔借据的剩余期限;
n:某个个体内的借据总数;
Bj:某笔借据的贷款余额;
K:统计学意义的个体评价值。
S1:以预设粒度对多个信贷业务数据进行分组。
S2:构建遗传算法模型。
1)由于遗传算法不能直接处理实际问题描述的参数,因此必须通过编码将要求解的问题转换为遗传过程中的个体及染色体。参见图6,相关编码过程如下:
①基因:信贷业务中的每一笔借据视为一个基因。
②基因规模Bj:一笔借据的贷款余额
③个体i:由多笔借据构成的一个特定集合。
④个体规模L:由于每笔借据的贷款余额差异较大,为防止在遗传过程中出现巨型个体,导致单个个体的额度超过目标资产包额度,从而引起求解的无效性,建议将个体的规模设置与目标资产包额度规模至少在数量级上存在差异。如目标资产包额度为150亿,那么个体规模设置为2个数量级的差异,即个体规模不大于1.5亿。当然,为避免遗传过程中耗时较多,也不应将个体规模设置较小,一般建议设置在2到3个数量级之间。即建议的个体规模为:
⑤个体组建:从待选资产池中抽取一笔借据,判定纳入该笔借据后的个体规模是否大于设定阀值L,若大于则放弃最后一次借据抽取,个体i组建完成;若不大于,则继续从待选资产池中抽取下一笔借据,然后再次进行规模判定。详细过程参见图二。
⑥族群:组建的所有个体集合构成了遗传中的族群。从待选资产池抽取后获得所有个体集合为初代族群,参见图5。
2)初始化。设置遗传过程中的迭代最大次数为M。
3)个体评价。
①对某个个体构建统计学评价模型,得分Ki为:
①通过带入允许的利率偏差和剩余期限偏差,获得允许浮动范围如下:
4)交叉运算。
①通过随机数生成一对编号作为一组,按此方法将族群内所有个体两两配对(若存在无法配对的情况则单列一组,不参与后续基因交换)。
②每一组通过随机数生成需交换的基因个数,组内两个个体分别随机选取对应个数的基因交换给对方,交换完成后各自计算交换后的K值,若至少存在一个新个体的K值小于原有两个个体的K值,则保留该遗传;若不存在该K值,则舍弃该次遗传,将父代个体直接带入到下一代族群中。
③将上一步的结果作为新一代族群,重复第①、②、③步骤。
5)若迭代达到最大进化代数M,停止遗传,并将符合K取值范围的进行输出。
S3:根据遗传算法模型在分组后的多个信贷业务数据中选取多个信贷业务数据。
S4:基于遗传算法进行二次求解。
具体地,首先对于遗传算法计算结束时输出的个体按K值升序排序。接着进行以下步骤:
1)取K值最小的个体。
2)汇总所有已选取的个体规模。
3)判定是否大于目标资产包规模,若小于则重复执行第1)、2)、3)步骤。若大于则评估是否在允许的目标资产包规模偏差内,若不在偏差内,则放弃最后一次选取的个体;若在偏差内,则保留最后一次选取的个体。
4)输出所有已被选取的个体中对应的借据清单,该清单即为所需的证券化目标资产包中的所有业务集合。
基于同一发明构思,本申请实施例还提供了基于遗传算法的信贷证券化组包装置,可以用于实现上述实施例所描述的方法,如下面的实施例。由于基于遗传算法的信贷证券化组包装置解决问题的原理与基于遗传算法的信贷证券化组包方法相似,因此基于遗传算法的信贷证券化组包装置的实施可以参见基于遗传算法的信贷证券化组包方法实施,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系统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。
本发明的实施例提供一种能够实现基于遗传算法的信贷证券化组包方法的基于遗传算法的信贷证券化组包装置的具体实施方式,参见图7,基于遗传算法的信贷证券化组包装置具体包括如下内容:
数据分组单元10,用于以预设粒度对多个信贷业务数据进行分组;
数据选取单元20,用于根据预生成的遗传算法模型在分组后的多个信贷业务数据中选取多个信贷业务数据;
数据排序单元30,用于按照K值对选取后的多个信贷业务数据进行排序。
一实施例中,基于遗传算法的信贷证券化组包装置还包括:模型生成单元40,用于生成所述遗传算法模型,参见图8,所述模型生成单元40包括:
数据选取模块401,用于根据预设资产规模从资产池中选取信贷业务数据,并将其设置为所述遗传算法中的个体;
个体组合模块402,用于将多个所述个体组合为所述遗传算法中的初始族群;
迭代模块403,用于对所述初始族群进行以下迭代操作,直至迭代次数为预设次数:
随机将所述初始族群中所有个体进行两两组合,以生成多个个体组;
随机交换多个个体组中的基因;所述基因为所述信贷业务数据中的借据;
计算交换后个体的K值;
如果至少存在一个个体的K值小于原有两个个体的K值,则保留本次迭代结果。
一实施例中,所述数据排序单元30具体用于按照K值对所述多个信贷业务数据进行升序排序。
一实施例中,参见图9,基于遗传算法的信贷证券化组包装置还包括:
循环操作单元50,用于进行以下循环操作,直至选取的多个个体规模累加结果大于所述预设资产规模;
按K值选取最小的个体;
将最小的个体进行累加,以生成所述多个个体规模累加结果
判断所述多个个体规模累加结果是否符合预设误差。
本发明实施例所提供的基于遗传算法的信贷证券化组包装置,为解决遗传过程中产生巨型个体的问题,将传统的遗传算法结合信贷业务特点相结合,提供了一种求解目标结果的多个子结果的方法,再通过组合将子结果合并为近似最优解的方法。其优点如下:
(1)结合业务实际需求,提供了稳定的个体评价模型。
(2)明确了遗传过程中个体的设定方法。由于信贷业务中每笔借据的金额不确定性,而资产包的总金额一般相对固定,为防止在遗传过程中符合条件的个体规模巨型化,远超目标资产包规模而导致结果不可用的情况,在遗传开始时,将个体设置远小于目标资产规模,在完成遗传代数后,在将符合条件的多个个体组合成目标资产包。
(3)将一个多因子变量的组合优化问题进行拆分,降低问题的复杂度,依次解决低复杂度问题,再组合起来获得整个问题的最终解。
(4)提供了明确的计算方法及实施步骤,模型复杂度较低,实现后的系统时间复杂度及空间复杂度均为O(n),对于系统资源消耗和运行时间易于评估。
上述实施例阐明的装置、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电子设备,具体的,电子设备例如可以为个人计算机、膝上型计算机、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。
在一个典型的实例中电子设备具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,该处理器执行该程序时实现上述基于遗传算法的信贷证券化组包方法的步骤,该步骤包括:
步骤100:以预设粒度对多个信贷业务数据进行分组;
步骤200:根据预生成的遗传算法模型在分组后的多个信贷业务数据中选取多个信贷业务数据;
步骤300:按照K值对选取后的多个信贷业务数据进行排序。
下面参考图10,其示出了适于用来实现本申请实施例的电子设备600的结构示意图。
如图10所示,电子设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603中,还存储有系统600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;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607;包括硬盘等的存储部分608;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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,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610上,以便于从其上读出的计算机程序根据需要被安装如存储部分608。
特别地,根据本发明的实施例,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,本发明的实施例包括一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述基于遗传算法的信贷证券化组包方法的步骤,该步骤包括:
步骤100:以预设粒度对多个信贷业务数据进行分组;
步骤200:根据预生成的遗传算法模型在分组后的多个信贷业务数据中选取多个信贷业务数据;
步骤300:按照K值对选取后的多个信贷业务数据进行排序。
在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。
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。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本发明是参照根据本发明实施例的方法、设备(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。
还需要说明的是,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、商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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请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,本申请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。
本申请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申请,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。
以上该仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于遗传算法的信贷证券化组包方法,其特征在于,包括:
以预设粒度对多个信贷业务数据进行分组;
根据预生成的遗传算法模型在分组后的多个信贷业务数据中选取多个信贷业务数据;
按照K值对选取后的多个信贷业务数据进行排序。
2.根据权利要求1所述基于遗传算法的信贷证券化组包方法,其特征在于,生成所述遗传算法模型的步骤包括:
根据预设资产规模从资产池中选取信贷业务数据,并将其设置为所述遗传算法中的个体;
将多个所述个体组合为所述遗传算法中的初始族群;
对所述初始族群进行以下迭代操作,直至迭代次数为预设次数:
随机将所述初始族群中所有个体进行两两组合,以生成多个个体组;
随机交换多个个体组中的基因;所述基因为所述信贷业务数据中的借据;
计算交换后个体的K值;
如果至少存在一个个体的K值小于原有两个个体的K值,则保留本次迭代结果。
3.根据权利要求1所述基于遗传算法的信贷证券化组包方法,其特征在于,所述按照K值对选取后的多个信贷业务数据进行排序,包括:
按照K值对所述多个信贷业务数据进行升序排序。
4.根据权利要求3所述基于遗传算法的信贷证券化组包方法,其特征在于,在所述按照K值对选取后的多个信贷业务数据进行排序之后,还包括:
进行以下循环操作,直至选取的多个个体规模累加结果大于所述预设资产规模;
按K值选取最小的个体;
将最小的个体进行累加,以生成所述多个个体规模累加结果
判断所述多个个体规模累加结果是否符合预设误差。
5.一种基于遗传算法的信贷证券化组包装置,其特征在于,包括:
数据分组单元,用于以预设粒度对多个信贷业务数据进行分组;
数据选取单元,用于根据预生成的遗传算法模型在分组后的多个信贷业务数据中选取多个信贷业务数据;
数据排序单元,用于按照K值对选取后的多个信贷业务数据进行排序。
6.根据权利要求5所述基于遗传算法的信贷证券化组包装置,其特征在于,还包括:模型生成单元,用于生成所述遗传算法模型,所述模型生成单元包括:
数据选取模块,用于根据预设资产规模从资产池中选取信贷业务数据,并将其设置为所述遗传算法中的个体;
个体组合模块,用于将多个所述个体组合为所述遗传算法中的初始族群;
迭代模块,用于对所述初始族群进行以下迭代操作,直至迭代次数为预设次数:
随机将所述初始族群中所有个体进行两两组合,以生成多个个体组;
随机交换多个个体组中的基因;所述基因为所述信贷业务数据中的借据;
计算交换后个体的K值;
如果至少存在一个个体的K值小于原有两个个体的K值,则保留本次迭代结果。
7.根据权利要求5所述基于遗传算法的信贷证券化组包装置,其特征在于,所述数据排序单元具体用于按照K值对所述多个信贷业务数据进行升序排序。
8.根据权利要求7所述基于遗传算法的信贷证券化组包装置,其特征在于,还包括:
循环操作单元,用于进行以下循环操作,直至选取的多个个体规模累加结果大于所述预设资产规模;
按K值选取最小的个体;
将最小的个体进行累加,以生成所述多个个体规模累加结果
判断所述多个个体规模累加结果是否符合预设误差。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至4任一项所述基于遗传算法的信贷证券化组包方法的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至4任一项所述基于遗传算法的信贷证券化组包方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010703016.4A CN111882424B (zh) | 2020-07-21 | 2020-07-21 | 基于遗传算法的信贷证券化组包方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010703016.4A CN111882424B (zh) | 2020-07-21 | 2020-07-21 | 基于遗传算法的信贷证券化组包方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111882424A true CN111882424A (zh) | 2020-11-03 |
CN111882424B CN111882424B (zh) | 2023-09-22 |
Family
ID=73154549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010703016.4A Active CN111882424B (zh) | 2020-07-21 | 2020-07-21 | 基于遗传算法的信贷证券化组包方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111882424B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110125671A1 (en) * | 2009-11-24 | 2011-05-26 | Mingyuan Zhang | Systems And Methods For Underlying Asset Risk Monitoring For Investment Securities |
CN105809270A (zh) * | 2016-01-05 | 2016-07-27 | 淮海工学院 | 基于区间多目标规划的证券投资组合进化优化方法 |
CN106557979A (zh) * | 2016-11-23 | 2017-04-05 | 广州盛星元信息科技有限公司 | 基于gpu加速及并行遗传算法的金融数据分析方法及平台 |
CN109242173A (zh) * | 2018-08-29 | 2019-01-18 | 天津科技大学 | 基于遗传算法改进rnn神经网络股指预测分析方法 |
CN110297977A (zh) * | 2019-06-28 | 2019-10-01 | 合肥慧济世医疗科技有限公司 | 一种面向众筹平台的个性化推荐单目标进化方法 |
CN111311125A (zh) * | 2020-03-25 | 2020-06-19 | 中国建设银行股份有限公司 | 基于遗传算法的银行网点间资源联动方案选定方法及装置 |
-
2020
- 2020-07-21 CN CN202010703016.4A patent/CN111882424B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110125671A1 (en) * | 2009-11-24 | 2011-05-26 | Mingyuan Zhang | Systems And Methods For Underlying Asset Risk Monitoring For Investment Securities |
CN105809270A (zh) * | 2016-01-05 | 2016-07-27 | 淮海工学院 | 基于区间多目标规划的证券投资组合进化优化方法 |
CN106557979A (zh) * | 2016-11-23 | 2017-04-05 | 广州盛星元信息科技有限公司 | 基于gpu加速及并行遗传算法的金融数据分析方法及平台 |
CN109242173A (zh) * | 2018-08-29 | 2019-01-18 | 天津科技大学 | 基于遗传算法改进rnn神经网络股指预测分析方法 |
CN110297977A (zh) * | 2019-06-28 | 2019-10-01 | 合肥慧济世医疗科技有限公司 | 一种面向众筹平台的个性化推荐单目标进化方法 |
CN111311125A (zh) * | 2020-03-25 | 2020-06-19 | 中国建设银行股份有限公司 | 基于遗传算法的银行网点间资源联动方案选定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111882424B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840154B (zh) | 一种移动云环境下基于任务依赖的计算迁移方法 | |
CN102063339B (zh) | 基于云计算系统的资源负载均衡的方法和设备 | |
CN107122327A (zh) | 一种利用训练数据训练模型的方法和训练系统 | |
JPS62502580A (ja) | 効率的資源割り当てのための方法及び装置 | |
CN103678346A (zh) | 一种人机识别的方法和系统 | |
CN112785005B (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
CN111882426B (zh) | 业务风险分类器训练方法、装置、设备及存储介质 | |
CN110097450A (zh) | 车贷风险评估方法、装置、设备和存储介质 | |
CN111383030B (zh) | 一种交易风险的检测方法、装置及设备 | |
US20230393813A1 (en) | Sorting apparatus and method | |
CN116644804B (zh) | 分布式训练系统、神经网络模型训练方法、设备和介质 | |
de Moraes et al. | Application of deterministic, stochastic, and hybrid methods for cloud provider selection | |
Barr et al. | A computational theory of the firm | |
CN113837635A (zh) | 风险检测处理方法、装置及设备 | |
Kang et al. | TMHSCA: a novel hybrid two-stage mutation with a sine cosine algorithm for discounted {0-1} knapsack problems | |
CN111882424A (zh) | 基于遗传算法的信贷证券化组包方法及装置 | |
CN115292390B (zh) | 负荷信息生成方法、装置、电子设备和计算机可读介质 | |
Zhang et al. | Attribute index and uniform design based multiobjective association rule mining with evolutionary algorithm | |
KR20230073139A (ko) | 인공지능 기반의 반도체 설계 자동화 방법 | |
CN115600926A (zh) | 项目后评价方法、装置、电子设备及存储介质 | |
CN110147804B (zh) | 一种不平衡数据处理方法、终端及计算机可读存储介质 | |
US7840506B1 (en) | System and method for geodesic data mining | |
CN114546609A (zh) | 一种面向异构集群的dnn推理任务批调度方法 | |
JP2022154862A (ja) | 情報処理方法、プログラム及び情報処理装置 | |
CN113255933A (zh) | 特征工程和图网络生成方法和装置、分布式系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |