CN112529689B - 银行风险定价策略的仿真方法和装置 - Google Patents
银行风险定价策略的仿真方法和装置 Download PDFInfo
- Publication number
- CN112529689B CN112529689B CN202011483694.0A CN202011483694A CN112529689B CN 112529689 B CN112529689 B CN 112529689B CN 202011483694 A CN202011483694 A CN 202011483694A CN 112529689 B CN112529689 B CN 112529689B
- Authority
- CN
- China
- Prior art keywords
- risk
- bank
- model
- pricing
- transfer direction
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004088 simulation Methods 0.000 title claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000012546 transfer Methods 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000035945 sensitivity Effects 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 10
- 238000007477 logistic regression Methods 0.000 claims description 7
- 230000005012 migration Effects 0.000 claims description 7
- 238000013508 migration Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 6
- 230000009897 systematic effect Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了银行风险定价策略的仿真方法，根据预先存储在银行系统中的参数创建不同属性的模型；通过获取创建的不同属性的模型获取的输出数据，结合银行在预设多种风险场景与预设定价策略下的多个参数指标进行仿真操作。该方法通过金融风险建模的手段，将银行从资产风险定价至最终资产负债表、核心经营指标的计算进行仿真推演，以完成对银行在不同风险场景、定价策略下的经营指标的计算。本公开还涉及银行风险定价策略的仿真装置。
Description
技术领域
本公开涉及人工智能技术领域，具体而言，涉及银行风险定价策略的仿真方法和装置。
背景技术
商业银行作为经营风险的专业机构，同时面临“系统性风险”和“非系统性风险”两大类风险的挑战。长期以来，商业银行凭借对于授信业务的把握，对相关行业及客户的深耕，在对企业和个人非系统性风险的防控方面已经积累了较为完善的经验。然而对系统性风险，如全球经济周期轮动、利率周期波动、货币政策的而影响等对商业银行体系产生的冲击，给商业银行造成的影响目前尚缺乏有效地应对机制。当前全球金融市场动荡加剧，系统性风险发生概率与日俱增。此外，金融业即将全面对外开放，国内银行面对外资银行冲击竞争加剧。这种背景下，银行应以怎样的经营策略(例如调整贷款利率价格)在受系统性风险和开放市场竞争影响情况下，实现对客户信用风险的有效管控并保持综合收益，是当前银行经营管理者不得不深入思考的重要课题。
发明内容
为了解决现有技术中的技术问题，本公开实施例提供了银行风险定价策略的仿真方法和装置，能够解决通过金融风险建模的手段，将银行从资产风险定价至最终资产负债表、核心经营指标的计算进行仿真推演，以完成对银行在不同风险场景、定价策略下的经营指标的计算。
第一方面，本公开实施例提供了银行风险定价策略的仿真方法，所述方法包括：根据预先存储在银行系统中的参数创建不同属性的模型；通过获取创建的不同属性的模型获取的输出数据，结合银行在预设多种风险场景与预设定价策略下的多个参数指标进行仿真操作。
在其中一个实施例中，所述根据预先存储在银行系统中的参数创建不同属性的模型包括：根据预先存储在银行系统中的参数创建定价模型与风险模型；其中，所述定价模型包括：利率敏感性模型用于表征计算客户对于产品价格变化的敏感性，并结合目标银行的定价，计算客户接受价格的概率；打分卡模型用于表征对单一客户的风险进行评分，并给出定价；增量模型用于表征根据所述利率敏感性模型与所述打分卡模型的输出，结合风险场景中的因子，计算各个产品未来期间内的增量；其中，所述风险模型用于表征通过对账户维度数据每个月份、季度的推演，计算相应的信用损失、利息收入、还款、余额指标。
在其中一个实施例中，所述风险模型采用多元逻辑回归与迁徙矩阵结合的模型。
在其中一个实施例中，所述风险模型包括多个转移方向区间；其中，转移方向区间为(1-5)表征转移方向向好；转移方向区间为(7-11)表征转移方向向坏；转移方向数值为12表征转移方向违约；转移方向数值为6表征转移方向保持不变。
在其中一个实施例中，还包括：将任一转移方向与特征参数进行回归计算；其中，所述特征参数为多个，包括经济预测参数与业务数据参数。
在其中一个实施例中，还包括：对回归计算的结果通过预设公式进行区间为(0,1)的几率转化操作；其中，所述预设公式为：
其中，Y表征转移向概率；X表征因子；β1表征系列参数。
在其中一个实施例中，所述通过获取创建的不同属性的模型获取的输出数据，结合银行在预设多种风险场景与预设定价策略下的多个参数指标进行仿真操作包括：根据定价模型与风险模型中的输出数据，结合会计指标数据对银行的资产负债表进行仿真操作。
第二方面，本公开实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的方法的步骤。
第三方面，本公开实施例提供了一种计算机设备，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，所述处理器执行所述程序时实现上述的方法的步骤。
第四方面，本公开实施例提供了银行风险定价策略的仿真装置，创建模块，用于根据预先存储在银行系统中的参数创建不同属性的模型；仿真模块，用于通过获取创建的不同属性的模型获取的输出数据，结合银行在预设多种风险场景与预设定价策略下的多个参数指标进行仿真操作。
本发明提供的银行风险定价策略的仿真方法和装置，根据预先存储在银行系统中的参数创建不同属性的模型；通过获取创建的不同属性的模型获取的输出数据，结合银行在预设多种风险场景与预设定价策略下的多个参数指标进行仿真操作。该方法通过金融风险建模的手段，将银行从资产风险定价至最终资产负债表、核心经营指标的计算进行仿真推演，以完成对银行在不同风险场景、定价策略下的经营指标的计算。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面对实施例描述中所需要使用的附图作简单地介绍：
图1为本发明一个实施例中的银行风险定价策略的仿真方法的步骤流程示意图；
图2为本发明一个实施例中的银行风险定价策略的仿真方法的示例图；
图3为本发明另一个实施例中的银行风险定价策略的仿真方法的示例图；
图4为本发明一个实施例中的银行风险定价策略的仿真装置的结构示意图；
图5为本发明一个实施例中的银行风险定价策略的仿真装置的硬件框图；
图6为本发明一个实施例中的计算机可读存储介质的示意图。
具体实施方式
下面结合附图和实施例对本申请进行进一步的详细介绍。
在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本公开的多个实施例，不同实施例之间可以替换或者合并组合，因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征A、B、C，另一个实施例包含特征B、D，那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。
为了使本发明的目的、技术方案及优点更加清楚明白，以下通过实施例，并结合附图，对本发明银行风险定价策略的仿真方法和装置的具体实施方式进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，为一个实施例中的银行风险定价策略的仿真方法的流程示意图，具体包括以下步骤：
步骤11，根据预先存储在银行系统中的参数创建不同属性的模型。
具体的，所述根据预先存储在银行系统中的参数创建不同属性的模型包括：根据预先存储在银行系统中的参数创建定价模型与风险模型；其中，所述定价模型包括：利率敏感性模型用于表征计算客户对于产品价格变化的敏感性，并结合目标银行的定价，计算客户接受价格的概率；打分卡模型用于表征对单一客户的风险进行评分，并给出定价；增量模型用于表征根据所述利率敏感性模型与所述打分卡模型的输出，结合风险场景中的因子，计算各个产品未来期间内的增量；其中，所述风险模型用于表征通过对账户维度数据每个月份、季度的推演，计算相应的信用损失、利息收入、还款、余额指标。
此外，需要说明的是，所述风险模型采用多元逻辑回归与迁徙矩阵结合的模型。进一步地，风险模型包括多个转移方向区间；其中，转移方向区间为(1-5)表征转移方向向好；转移方向区间为(7-11)表征转移方向向坏；转移方向数值为12表征转移方向违约；转移方向数值为6表征转移方向保持不变。
步骤12，通过获取创建的不同属性的模型获取的输出数据，结合银行在预设多种风险场景与预设定价策略下的多个参数指标进行仿真操作。
具体的，所述通过获取创建的不同属性的模型获取的输出数据，结合银行在预设多种风险场景与预设定价策略下的多个参数指标进行仿真操作包括：根据定价模型与风险模型中的输出数据，结合会计指标数据对银行的资产负债表进行仿真操作。
此外，在一个实施例中，还包括：将任一转移方向与特征参数进行回归计算；其中，所述特征参数为多个，包括经济预测参数与业务数据参数。
进一步地，在一个实施例中，还包括：回归计算的结果通过预设公式进行区间为(0,1)的几率转化操作；
其中，所述预设公式为：
其中，Y表征转移向概率；X表征因子；β1表征系列参数。
为了更加精准的理解与应用本公开提出的银行风险定价策略的仿真方法，进行以下示例。需要说明的是，本公开保护的范围不限于以下示例。
具体的，以风险模型中的公司贷款模型举例。公司贷款风险模型的模型方法论是有两部分组成：多类别逻辑回归(Multi-Nominal Logistic Regression)+迁徙矩阵(TransitionMatrix)。模型通过对PD、LGD、EAD的预估，计算出未来一段时间内没季度该产品类型的损失、收益、还款、余额等指标，并将这些指标输出至“财务报表计算步骤”。(PD是Probability of Default的缩写，指：违约概率。LGD是Loss Given Default的缩写，指：违约损失率。EAD是Exposure at Default的缩写，指：违约风险敞口。)
需要说明的是，风险模型的整体框架如图3所示。其中，定价模型为通过“银行玩家”在不同场景下设定的定价策略(产品平均单价以及资产集中度)，同时结合风险场景信息与“市场信息”(环境中其他对手银行的定价策略)对银行各个产品的预计增量和定价进行计算。具体模型包括：利率敏感性模型：计算客户对于产品价格变化的敏感性，同时结合对手银行的定价，计算客户接受价格的概率；打分卡模型：对单一客户的风险进行评分，并给出定价；增量模型：根据上述两个模型的输出，结合风险场景中的因子，计算各个产品未来期间内的增量。风险模型依据定价模型的输出，针对不同的产品类型特性涉及进行风险模型的建模。风险模型一般分为信用、市场、操作三大类，但建模的重点一般集中在信用风险上。模型将通过对账户维度数据每个月份、季度的推演，计算相应的信用损失、利息收入、还款、余额等指标。当前IFRS9规定下的标准逻辑为PD/LGD模型，而模型一般采用多元逻辑回归+迁徙矩阵。迁徙矩阵在风险模型中的基本逻辑如图4所示。
表格中的概率代表违约率，竖轴代表当前的PD等级，横轴代表未来的PD等级。以PD等级＝6，当“今年”PD等级＝6时，根据历史经验，该产品客户在“明年”PD等级仍等于6的概率为87.0％.
根据存量客户违约数据所呈现出的1年期违约滚动率，以1年期矩阵与1年期矩阵相乘的方式得出多年期的违约滚动率矩阵，即Mn＝(M1)n。每期矩阵最后一列的滚动至D评级的概率即为该评级的当期累计违约概率。
此外，还需要说明的是，根据各个风险模型中的输出项，结合会计指标对银行的资产负债表进行推演。以及如图3所示中，根据财务报表中的数据，对银行的核心经营指标进行计算。其中，像流动性覆盖率(LCR)等指标需要按照特定的规则将账户进行分类后，再进行计算。
多类别逻辑回归在“风险模型”中的基本逻辑公式举例：假设一个贷款的当前PD状态为(PD等级＝6)，则每个季度，它有以下几种转移方向，即转移方向区间为(1-5)表征转移方向向好；转移方向区间为(7-11)表征转移方向向坏；转移方向数值为12表征转移方向违约；转移方向数值为6表征转移方向保持不变。以上四个类别的总概率为1(100％)。
将每一个转移方向与宏观经济预测和贷款数据做回归，并将几率转化为(0，1)。
其中，Y表征转移向概率；X表征因子；β1表征系列参数。在为每个贷款计算出转移方向后，结合下一页的迁徙矩阵，预测PD。LGD与Cure模型侧由线性函数预测得出。
在本实施例中，根据预先存储在银行系统中的参数创建不同属性的模型；通过获取创建的不同属性的模型获取的输出数据，结合银行在预设多种风险场景与预设定价策略下的多个参数指标进行仿真操作。该方法通过金融风险建模的手段，将银行从资产风险定价至最终资产负债表、核心经营指标的计算进行仿真推演，以完成对银行在不同风险场景、定价策略下的经营指标的计算。
基于同一发明构思，还提供了银行风险定价策略的仿真装置。由于此装置解决问题的原理与前述银行风险定价策略的仿真方法相似，因此，该装置的实施可以按照前述方法的具体步骤实现，重复之处不再赘述。
如图4所示，为一个实施例中的银行风险定价策略的仿真装置的结构示意图。该基银行风险定价策略的仿真装置10包括：创建模块100和仿真模块200。
其中，创建模块100用于根据预先存储在银行系统中的参数创建不同属性的模型；仿真模块200，用于通过获取创建的不同属性的模型获取的输出数据，结合银行在预设多种风险场景与预设定价策略下的多个参数指标进行仿真操作。
在本实施例中，通过创建模块根据预先存储在银行系统中的参数创建不同属性的模型；再通过仿真模块通过获取创建的不同属性的模型获取的输出数据，结合银行在预设多种风险场景与预设定价策略下的多个参数指标进行仿真操作。该装置通过金融风险建模的手段，将银行从资产风险定价至最终资产负债表、核心经营指标的计算进行仿真推演，以完成对银行在不同风险场景、定价策略下的经营指标的计算。
图5是图示根据本公开的实施例的银行风险定价策略的仿真装置的硬件框图。如图5所示，根据本公开实施例的银行风险定价策略的仿真装置50包括存储器501和处理器502。银行风险定价策略的仿真装置50中的各组件通过总线系统和/或其它形式的连接机构(未示出)互连。
存储器501用于存储非暂时性计算机可读指令。具体地，存储器501可以包括一个或多个计算机程序产品，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
处理器502可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制银行风险定价策略的仿真装置50中的其它组件以执行期望的功能。在本公开的一个实施例中，所述处理器502用于运行存储器501中存储的计算机可读指令，使得银行风险定价策略的仿真装置50执行上述银行风险定价策略的仿真方法。银行风险定价策略的仿真装置与上述银行风险定价策略的仿真方法描述的实施例相同，在此将省略其重复描述。
图6是图示根据本公开的实施例的计算机可读存储介质的示意图。如图6所示，根据本公开实施例的计算机可读存储介质600其上存储有非暂时性计算机可读指令601。当所述非暂时性计算机可读指令601由处理器运行时，执行参照上述描述的根据本公开实施例的银行风险定价策略的仿真方法。
以上，根据本公开实施例的银行风险定价策略的仿真方法和装置，以及计算机可读存储介质能够解决通过金融风险建模的手段，将银行从资产风险定价至最终资产负债表、核心经营指标的计算进行仿真推演，以完成对银行在不同风险场景、定价策略下的经营指标的计算的有益效果。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
另外，如在此使用的，在以“至少一个”开始的项的列举中使用的“或”指示分离的列举，以便例如“A、B或C的至少一个”的列举意味着A或B或C，或AB或AC或BC，或ABC(即A和B和C)。此外，措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。
还需要指出的是，在本公开的系统和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
可以不脱离由所附权利要求定义的教导的技术而进行对在此所述的技术的各种改变、替换和更改。此外，本公开的权利要求的范围不限于以上所述的处理、机器、制造、事件的组成、手段、方法和动作的具体方面。可以利用与在此所述的相应方面进行基本相同的功能或者实现基本相同的结果的当前存在的或者稍后要开发的处理、机器、制造、事件的组成、手段、方法或动作。因而，所附权利要求包括在其范围内的这样的处理、机器、制造、事件的组成、手段、方法或动作。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (8)
1.银行风险定价策略的仿真方法，其特征在于，所述方法包括：
根据预先存储在银行系统中的参数创建不同属性的模型；
通过获取创建的不同属性的模型获取的输出数据，结合银行在预设多种风险场景与预设定价策略下的多个参数指标进行仿真操作；
所述根据预先存储在银行系统中的参数创建不同属性的模型包括：根据预先存储在银行系统中的参数创建定价模型与风险模型；
其中，所述定价模型包括：利率敏感性模型用于表征计算客户对于产品价格变化的敏感性，并结合目标银行的定价，计算客户接受价格的概率；打分卡模型用于表征对单一客户的风险进行评分，并给出定价；增量模型用于表征根据所述利率敏感性模型与所述打分卡模型的输出，结合风险场景中的因子，计算各个产品未来期间内的增量；
其中，所述风险模型用于表征通过对账户维度数据每个月份、季度的推演，计算相应的信用损失、利息收入、还款、余额指标。
2.根据权利要求1所述的银行风险定价策略的仿真方法，其特征在于，所述风险模型采用多元逻辑回归与迁徙矩阵结合的模型。
3.根据权利要求2所述的银行风险定价策略的仿真方法，其特征在于，所述风险模型包括多个转移方向区间；
其中，转移方向区间为（1-5）表征转移方向向好；
转移方向区间为（7-11）表征转移方向向坏；
转移方向数值为12表征转移方向违约；
转移方向数值为6表征转移方向保持不变。
4.根据权利要求3所述的银行风险定价策略的仿真方法，其特征在于，还包括：将任一转移方向与特征参数进行回归计算；
其中，所述特征参数为多个，包括经济预测参数与业务数据参数。
5.根据权利要求4所述的银行风险定价策略的仿真方法，其特征在于，还包括：对回归计算的结果通过预设公式进行区间为（0,1）的几率转化操作；
其中，所述预设公式为：其中，Y表征转移向概率；X表征因子；β1表征系列参数。
6.根据权利要求1所述的银行风险定价策略的仿真方法，其特征在于，所述通过获取创建的不同属性的模型获取的输出数据，结合银行在预设多种风险场景与预设定价策略下的多个参数指标进行仿真操作包括：根据定价模型与风险模型中的输出数据，结合会计指标数据对银行的资产负债表进行仿真操作。
7.一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，该程序被处理器执行时实现所述权利要求1-6中任一项所述方法的步骤。
8.一种计算机设备，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所述权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011483694.0A CN112529689B (zh) | 2020-12-16 | 2020-12-16 | 银行风险定价策略的仿真方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011483694.0A CN112529689B (zh) | 2020-12-16 | 2020-12-16 | 银行风险定价策略的仿真方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112529689A CN112529689A (zh) | 2021-03-19 |
| CN112529689B true CN112529689B (zh) | 2024-04-26 |
Family
ID=75000508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011483694.0A Active CN112529689B (zh) | 2020-12-16 | 2020-12-16 | 银行风险定价策略的仿真方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112529689B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113435771A (zh) * | 2021-07-07 | 2021-09-24 | 建信金融科技有限责任公司 | 一种业务评估方法、装置及设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200919210A (en) * | 2007-07-18 | 2009-05-01 | Steven Kays | Adaptive electronic design |
| CN108198072A (zh) * | 2017-12-29 | 2018-06-22 | 郑州云海信息技术有限公司 | 一种人工智能评估金融产品特征的系统 |
| CN110633989A (zh) * | 2019-08-16 | 2019-12-31 | 阿里巴巴集团控股有限公司 | 一种风险行为生成模型的确定方法及装置 |
| CN110826823A (zh) * | 2018-08-07 | 2020-02-21 | 北京京东尚科信息技术有限公司 | 定价策略的评价方法和系统 |
| CN111383091A (zh) * | 2020-02-21 | 2020-07-07 | 中国建设银行股份有限公司 | 一种资产证券化定价方法和装置 |
| CN111582908A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 一种基于利率敏感度曲线的定价方法、装置及电子设备 |
| CN111583014A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 一种基于gbst的金融风险管理方法、装置和电子设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140279689A1 (en) * | 2013-03-18 | 2014-09-18 | Markit North America, Inc. | Hybrid resimulation-regression methods for determining potential future exposure (pfe) |
-
2020
- 2020-12-16 CN CN202011483694.0A patent/CN112529689B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200919210A (en) * | 2007-07-18 | 2009-05-01 | Steven Kays | Adaptive electronic design |
| CN108198072A (zh) * | 2017-12-29 | 2018-06-22 | 郑州云海信息技术有限公司 | 一种人工智能评估金融产品特征的系统 |
| CN110826823A (zh) * | 2018-08-07 | 2020-02-21 | 北京京东尚科信息技术有限公司 | 定价策略的评价方法和系统 |
| CN110633989A (zh) * | 2019-08-16 | 2019-12-31 | 阿里巴巴集团控股有限公司 | 一种风险行为生成模型的确定方法及装置 |
| CN111383091A (zh) * | 2020-02-21 | 2020-07-07 | 中国建设银行股份有限公司 | 一种资产证券化定价方法和装置 |
| CN111582908A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 一种基于利率敏感度曲线的定价方法、装置及电子设备 |
| CN111583014A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 一种基于gbst的金融风险管理方法、装置和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112529689A (zh) | 2021-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107122327A (zh) | 一种利用训练数据训练模型的方法和训练系统 | |
| US20110153536A1 (en) | Computer-Implemented Systems And Methods For Dynamic Model Switching Simulation Of Risk Factors | |
| CN108921603A (zh) | 用户评价方法及相关装置 | |
| CN112529689B (zh) | 银行风险定价策略的仿真方法和装置 | |
| CA2642165A1 (en) | System and method for facilitating electricity distribution | |
| Struchkov et al. | Agent-Based modeling of blockchain decentralized financial protocols | |
| Lin et al. | Assessing the impact of COVID-19 on economic recovery: role of potential regulatory responses and corporate liquidity | |
| Janczura et al. | Inference for Markov regime-switching models of electricity spot prices | |
| Rein et al. | Generalized statistical arbitrage concepts and related gain strategies | |
| Lin et al. | Analytically pricing European options under a new two-factor Heston model with regime switching | |
| Mölls et al. | Decision-making in sequential projects: expected time-to-build and probability of failure | |
| Mahdavi et al. | Quantitative analysis of bidding strategies: A hybrid agent based-system dynamics approach | |
| Bunn et al. | Modeling the impact of market interventions on the strategic evolution of electricity markets | |
| US8719151B2 (en) | Loan resolution modeling using discrete event simulation methodology | |
| US20210182963A1 (en) | System and Process for Option Trading | |
| Semaan et al. | Forecasting exchange rates: Artificial neural networks vs regression | |
| De Clerck et al. | Towards a more competitive PPP procurement market: A game-theoretical analysis | |
| Wang et al. | Signaling game models of equity financing under information asymmetry and finite project life | |
| Shi et al. | An Agent‐Based Model of a Pricing Process with Power Law, Volatility Clustering, and Jumps | |
| Botha et al. | The loss optimisation of loan recovery decision times using forecast cash flows | |
| Yang et al. | Macroeconomic shocks, investment volatility and centrality in global manufacturing network | |
| González et al. | Forecasting for regulatory credit loss derived from the COVID-19 pandemic: A machine learning approach | |
| De Clerck et al. | A sequential procurement model for a PPP project pipeline | |
| US20240005056A1 (en) | Resampling simulation results for correlated events | |
| US20240005057A1 (en) | Representative simulation results for correlated variables |
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 |