CN114358916A - 一种服务策略的生成方法、装置、计算机设备和存储介质 - Google Patents
一种服务策略的生成方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114358916A CN114358916A CN202111644000.1A CN202111644000A CN114358916A CN 114358916 A CN114358916 A CN 114358916A CN 202111644000 A CN202111644000 A CN 202111644000A CN 114358916 A CN114358916 A CN 114358916A
- Authority
- CN
- China
- Prior art keywords
- liability
- control line
- risk control
- enterprise
- model
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大数据领域,提供了一种服务策略的生成方法、装置、计算机设备和存储介质,该方法包括:将企业在多个时间周期内的多个负债率数据划分为训练集、测试集;使用训练集应用极值理论的点过程方法拟合负债模型,负债模型用于挖掘企业在时间周期内的负债发生极端事件的规律;根据负债模型对企业的负债率生成负债风险控制线;使用测试集对负债风险控制线进行多次假设检验;若负债风险控制线通过多次假设检验,则根据负债风险控制线对企业生成金融服务的策略。提高了债务风险控制线的精确度,大大降低了工作量,大大降低了成本,减少了耗时,并提高了精度,保证金融服务的策略的准确性,避免浪费人力物力和系统资源,保障金融机构的安全性。
Description
技术领域
本发明涉及大数据的技术领域,尤其涉及一种服务策略的生成方法、装置、计算机设备和存储介质。
背景技术
负债是企业的活动中常见的情形,为了扩大生产、抢占市场,各企业都会有相当规模的债务,债务在一定范围内是良性的,表明企业提前布局、增大扩张力度,将自身资源调动到了极限,但是负债过高,可能存在过度扩张的趋势,则有重大的安全隐患。
金融机构为企业提供金融服务,企业的债务风险是自身经营亏损的最重要不确定因素来源,金融机构会时刻关注企业的负债情况,来决定自身对其金融服务的策略。
目前通常是技术人员人工对企业的财务报表进行分析,从而制定对企业提供金融服务的策略,人工分析不仅工作量大、耗时高,而且容易出现错漏,整体的效率偏低,导致策略定制失误,容易给金融机构带来风险。
发明内容
本发明提出了一种服务策略的生成方法、装置、计算机设备和存储介质,以解决人工根据企业的负债制定金融服务的策略效率偏低、容易给金融机构带来风险的问题。
第一方面,本发明实施例提供了一种服务策略的生成方法,包括:
将企业在多个时间周期内的多个负债率划分为训练集、测试集;
使用所述训练集应用极值理论的点过程方法拟合负债模型,所述负债模型用于挖掘所述企业在所述时间周期内的负债发生极端事件的规律;
根据所述负债模型对所述企业的负债率生成负债风险控制线;
使用所述测试集对所述负债风险控制线进行多次假设检验;
若所述负债风险控制线通过多次所述假设检验,则根据所述负债风险控制线对所述企业生成金融服务的策略。
第二方面,本发明实施例还提供了一种服务策略的生成装置,包括:
负债率划分模块,用于将企业在多个时间周期内的多个负债率划分为训练集、测试集;
负债模型拟合模块,用于使用所述训练集应用极值理论的点过程方法拟合负债模型,所述负债模型用于挖掘所述企业在所述时间周期内的负债发生极端事件的规律;
控制线生成模块,用于根据所述负债模型对所述企业的负债率生成负债风险控制线;
假设校验模块,用于使用所述测试集对所述负债风险控制线进行多次假设检验;
服务策略生成模块,用于若所述负债风险控制线通过多次所述假设检验,则根据所述负债风险控制线对所述企业生成金融服务的策略。
第三方面,本发明实施例还提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储器,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第一方面所述的服务策略的生成方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的服务策略的生成方法。
第五方面,本发明实施例还提供了一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序在被处理器执行时实现如第一方面所述的服务策略的生成方法。
在本实施例中,将企业在多个时间周期内的多个负债率划分为训练集、测试集;使用训练集应用极值理论的点过程方法拟合负债模型,负债模型用于挖掘企业在时间周期内的负债发生极端事件的规律;根据负债模型对企业的负债率生成负债风险控制线;使用测试集对负债风险控制线进行多次假设检验;若负债风险控制线通过多次假设检验,则根据负债风险控制线对企业生成金融服务的策略。本实施例采用点过程动态刻画极端事件在发生时间分布上的统计学规律,即前后两次极端事件发生存在时间间隔,或者预测某一选定时间段内发生极端时间的概率,大大提升在债务上的风险预警能力,将极值理论与点过程结合成二元极值点过程,可以对极端事件发生的发生进行有效模拟、预测,二者有机结合后可以在一个统一的二元空间下探究极端事件的概率分布问题,对提升负债模型的精度大有裨益,从而大大提高了债务风险控制线的精确度,基于该债务风险控制线生成金融服务的策略,摆脱了人为凭借经验分析,大大降低了工作量,大大降低了成本,减少了耗时,并提高了精度,保证金融服务的策略的准确性,避免浪费人力物力和系统资源,保障金融机构的安全性。
附图说明
图1为本发明实施例一提供的一种服务策略的生成方法的流程图;
图2是本发明实施例二提供的一种服务策略的生成方法的流程图;
图3为本发明实施例三提供的一种服务策略的生成装置的结构示意图;
图4为本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
需要指出的是,本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
实施例一
图1为本发明实施例一提供的一种服务策略的生成方法的流程图,本实施例可适用于根据极值理论的点过程分析企业的债务、从而定制金融服务的策略的情况,该方法可以由服务策略的生成装置来执行,该服务策略的生成装置可以由软件和/或硬件实现,可配置在计算机设备中,例如,服务器、工作站、个人电脑,等等,具体包括如下步骤:
步骤101、将企业在多个时间周期内的多个负债率划分为训练集、测试集。
金融机构对多个企业提供金融服务,即,这些企业为金融机构提供的金融服务的对象,可以称之为金融机构的客户。
在本实施例中,可以在经营规模、经营潜力等维度下,从金融机构的客户中挑选部分或全部企业,如大型企业、科创企业等,对其评估债务风险。
对于待评估债务风险的企业,可以持续记录其负债率,在评估债务风险时,以时间周期(如月)为单位,汇总成该企业每个时间周期的负载率。
将汇总好的负载率划分为两部分,一部分为训练集,用于拟合负债模型,从而拟合负债风险控制线(value at risk,VaR),另一部分为测试集,用于评估负债风险控制线的泛化能力。
在具体实现中,可以在每个时间周期内的多个时间点(如日),分别采集企业的负债率,从而应用统计学的统计方式,基于多个时间点的负债率计算时间周期的负债率。
示例性地,对多个时间点的负债率计算平均值,作为时间周期的负债率。
当然,除了平均值之外,还可以使用其他统计方式计算时间周期的负债率,例如,对多个时间点的负债率中计算中位数,作为时间周期的负债率,等等,本实施例对此不加以限制。
按照时间的先后顺序对时间周期的负债率排序,以形成负债序列,在负债序列中寻找合适的切分点,在该切分点对负债序列进行切分,从而将负债序列划分为训练集、测试集。
此时,训练集中的负债序列在时间上是连续的,测试集中负债序列在时间上也是连续的,以保证负债序列在时序上的特征的准确性,保证拟合负债模型的质量。
示例性地,可以将第一比例的负债序列划分至训练集、将第二比例的负债序列划分至测试集。
其中,第一比例大于第二比例,如4:1,训练集在时间上排序在测试集之前,即训练集中的负债序列在时间上早于测试集中的负债序列。
此外,考虑到金融机构对企业记录的、与负债相关的数据往往并不全面,可能存在缺失的情况下,因此,若企业缺失某个时间周期内、多个时间点的负债率,则删除企业在该时间周期的负债率,以免妨碍拟合负债模型。
步骤102、使用训练集应用极值理论的点过程方法拟合负债模型。
如果将企业在负债上的异常情况视为一种极端事件,那么,在企业正常营业的过程中,企业在某个时间周期内的负债发生极端事件属于小概率的事件,针对小概率的事件,可以用极值理论(Extreme Value Theory,EVT)描述小概率的事件的极端程度,本实施例中从训练集中的数据(即负债率)本身入手,采用动态的点过程刻画企业的负债的随机性,模拟随机点过程发生的机制,拟合负债模型,该负债模型用于挖掘企业在时间周期内的负债发生极端事件的规律,探究极端事件发生时间的规律性的分布特点,从概率上进行展示,给出企业在未来某一时间段内负债理论上发生极端事件的可能性大小。
在本发明的一个实施例中,步骤102可以包括如下步骤:
步骤1021、应用极值理论中的峰值逾越方法、在训练集标记企业在时间周期内的负债发生的极端事件。
对于极值理论中的峰值逾越方法POT(peaks over threshold),给定一个阈值(threshold)作为分界点,将这个阈值记为u,当企业的负债率超过了阈值u,则可以认为一次极端事件发生了。
在具体实现中,该阈值可以是根据个人经验人为设定的数值,也可以是基于特定统计原理、方法动态计算的数值。
示例性地,可以对企业在各个时间周期内的负债率进行排序,在排序之后的负债率上寻找指定的分位点,作为峰值逾越方法的阈值。
若分位点为0.9,表示数值最高的10%的负债率属于极端事件,可将划分出极端事件的负债率(即分位点)设置为峰值逾越方法的阈值。
那么,在训练集中,可以依次各个时间周期的负债率,寻找大于阈值的负债率,从而标记极端事件,即,极端事件表示企业在时间周期内的负债率大于预设的阈值。
步骤1022、在负债模型中,设定企业在时间周期内的负债发生极端事件的机制符合预设的强度函数的动态随机泊松过程。
对于负债上的极端事件,认为其发生的机制符合随时间t变化的强度函数(intensity)为的动态随机Poisson(泊松)过程,t是时间周期,xt代表当前t时刻的资金缺口数值,代表t之前的所有与负债相关的信息,包括过去极端事件发生的时间周期和负债率超过阈值的数值,负债率超过阈值的数值表示极端事件发生的强度等。
进一步地,负债率小于或等于阈值时,负债率超过阈值的数值显示为0。
其中,强度函数的结构如下:
为强度函数,xt为时间周期t内负债率超过阈值u的部分,ti为在时间周期t之前、第i次极端事件发生的时间周期,xi为时间周期ti内负债率超过阈值u的部分,为时间周期t之前的所有与负债相关的信息,g(t-ti,xi)为极值理论中的模型;
k、φ、ξ、η、β0为负债模型中待拟合的参数。
进一步地,极值理论中的点过程POT模型包括:
1、Hawks模型:
g(t-ti,xi)=(1+δxi)exp(-γ(t-ti))
或者,
2、ETAS(Epidemic Type Aftershock Sequence,时一空传染型余震序列)模型:
其中,δ、γ、ρ为负债模型中待拟合的参数。
在本实施例中,采用极值理论中的ETAS模型、Hawks模型拟合负债模型。
ETAS模型、Hawks模型是随机过程的变种,它们是一种动态化的泊松过程,所谓动态化就是让当前的负债受到历史数据影响,并且如果历史上出现过大规模负债率的波动,会有极大可能诱导当下也产生负债率新的极端事件。
各个企业、尤其是大型的企业的负债率出现极端事件时的波动往往很剧烈,并且受到商业运行全生命周期的资金结算规律影响,极端事件的分布很不平均,常常聚集性出现,这种现象被称为clustering。
ETAS模型、Hawks模型均对于波动的敏感性很强,尤其是ETAS模型,其被发明最早是用于构建敏感的地震震级波动规律的,对于强烈的高频波动引发机制刻画很灵敏,能够很好的适应金融市场上的高频剧烈波动现象。
本实施例借助ETAS模型或Hawks模型通过模拟历史数据,预测未来时间范围内发生极端事件的概率,并且精准分析负债率最大可能提升到什么程度。
步骤1023、使用训练集拟合负债模型中的参数。
针对既定结构的负债模型,可以使用已标记极端事件的训练接,应用极大似然估计(maximum likelihood estimation,MLE)等方法对负债模型中的参数进行拟合。
步骤103、根据负债模型对企业的负债率生成负债风险控制线。
若完成拟合负债模型,则可以使用负债模型中拟合的参数对企业的负债率生成风险控制线,记为负债风险控制线。
在具体实现中,负债风险控制线包括:
其中,VaRα为负债风险控制线,α为负债风险控制线的置信度。
示例性地,VaR0.9表示企业的负债率超过VaR的概率理论上应该正好是1-0.9=10%。
步骤104、使用测试集对负债风险控制线进行多次假设检验。
对于负债风险控制线,可以使用测试集多次假设检验,计算指定的指标,从而验证负债风险控制线的泛化能力。
在具体实现中,可以对风险控制线VaR进行如下三项假设检验:
一、LRuc
使用测试集对负债风险控制线进行无条件覆盖检验LRuc,获得第一检验结果,其中,无条件覆盖检验LRuc用于评估测试集中负债率超过负债风险控制线的频率与负债风险控制线的置信度是否显著不同。
假设测试集中样本(负债率)容量为n,Iα(t)为示性函数,当xt大于VaRα(t)时,Iα(t)为1,否则为0。
在实施例中,Iα(t)服从参数为α的伯努利分布,于是LRuc统计量服从参数为1的卡方分布,有:
二、LRind
使用测试集对负债风险控制线进行独立性检验LRind,获得第二检验结果,其中,独立性检验LRind用于评估测试集中发生负债率超过负债风险控制线的时间周期是否彼此之间独立,即,前一次发生的极端事件与后续的极端事件互补影响。
记πij=P(Iα(t)=j|Iα(t-1)=i),即,已知前一次示性函数取值为i的情况下后一次取值为j的频率统计,nij表示Iα从i变为j的统计次数。于是给定:
即负债模型正确的情况下Lruc的统计量也应当服从参数为1的卡方分布。
三、LRcc
使用测试集对负债风险控制线进行条件覆盖检验LRcc,获得第三检验结果,其中,第三检验结果为第一检验结果与第二检验结果之间的结合。
LRcc是LRuc与LRind的结合,在ACD模型设定成立的前提下有:
LRuc、LRind与LRcc合在一起就构成了完备的理论检验体系,拟合负债模型通过后采用LRuc、LRind、LRcc三大假设检验对基于负债模型构造出的负债风险控制线VaR进行预测的精度检验,如果负债模型正确,对应概率的VaR被测试集超过的概率应该正好和理论值一致,并且在极端事件发生的分布上符合独立情形假设,也就是说,极端事件的发生不能扎堆出现,满足了这一系列检验可认为负债模型取得成功。
因此,若第一检验结果、第二检验结果与第三检验结果均符合预期的目标,则确定负债风险控制线通过多次假设检验,如果无法通过LRuc、LRind与LRcc中任何一个检验,就说明负债模型在基础构造上有缺陷,即便预测的精度还不错,但也不能使用,因为那可能是特定数据产生的巧合情况,这就给出了一个更加严谨、精准的判断依据。
步骤105、若负债风险控制线通过多次假设检验,则根据负债风险控制线对企业生成金融服务的策略。
金融机构的基本任务之一是管理金融风险,金融机构面临的风险大体有市场风险、信用风险、流动性风险、操作风险和法律风险等。要进行风险管理,首先要对风险及防范成本准确评估,而准确评估的第一步是精确地测度风险的各种根源,即风险管理测度。随着全球经济日益增加的波动性及衍生工具市场的迅猛发展,市场风险在风险管理中的地位日益重要。市场风险源于金融资产与负债的价格变化通过未结清头寸的价值或收益的变化体现而带来的风险。在目前度量市场风险的方法中,VaR由于其精确性及合理性为金融机构广泛使用。
VaR旨在估计给定资广组合在未来几个波动下可能或潜在的损失。部分情况下,可把VaR定义为在既定头寸被冲销(be neutralized)或重估(bereestimated)前可能发生的市场价值的最大损失的估计值,或者,给定置信区间的一个持有期内的最大的预期损失。
VaR具有如下基本要素:
1、置信度
置信度体现对发生VaR所表示的最大损失值的把握程度。金融机构进行风险管理时,对置信度的选择并不一致,但大体上是95%到99%之间。
一般认为,选择不同的置信度估计风险损失,在一定程度上反映了不同金融机构对风险承担的不同态度或偏好,一个较宽的置信度意味着对极端事件的发生进行预测时失败的可能性相对较小。
2、持有期间
VaR的值与未来一定的时间区间密切相关,计算VaR的值时,事先指定具体时间区间,比如一天、一个月或半年等。金融机构可以依据资产流动的缺口值的特点选择持有期间。
3、资产组合的未来价值的分布特征
VaR要计算的实际上是“正常”情况下资产流动的缺口值的预期价值与一定置信区间下的最低价值之差,即,最大的预期损失。
根据VaR,可以在金融机构的业务系统中,对企业的业务进行审核,制定合适的金融服务的策略,该策略包括但不限于人力资源的策略、算力资源的策略,以便让更加充足的人力、算力应对负债率波动带来的影响,尤其是极端事件的验算、核算。
进一步地,将目标值配置为负债风险控制线的置信度α,其中,超过目标值的负债率为统计学上的不会发生的负债率,例如,α=0.95,因为5%在统计学上属于小概率事件,在单侧实验时,小概率事件可以被认为不可能发生。
以配置置信度的负债风险控制线VaRα作为企业债率率理论上的上限值,对企业生成债务安全的策略,即,该策略用于在金融服务的债务安全方面指导企业的业务,从而保证金融机构的安全。
在本实施例中,将企业在多个时间周期内的多个负债率划分为训练集、测试集;使用训练集应用极值理论的点过程方法拟合负债模型,负债模型用于挖掘企业在时间周期内的负债发生极端事件的规律;根据负债模型对企业的负债率生成负债风险控制线;使用测试集对负债风险控制线进行多次假设检验;若负债风险控制线通过多次假设检验,则根据负债风险控制线对企业生成金融服务的策略。本实施例采用点过程动态刻画极端事件在发生时间分布上的统计学规律,即前后两次极端事件发生存在时间间隔,或者预测某一选定时间段内发生极端时间的概率,大大提升在债务上的风险预警能力,将极值理论与点过程结合成二元极值点过程,可以对极端事件发生的发生进行有效模拟、预测,二者有机结合后可以在一个统一的二元空间下探究极端事件的概率分布问题,对提升负债模型的精度大有裨益,从而大大提高了债务风险控制线的精确度,基于该债务风险控制线生成金融服务的策略,摆脱了人为凭借经验分析,大大降低了工作量,大大降低了成本,减少了耗时,并提高了精度,保证金融服务的策略的准确性,避免浪费人力物力和系统资源,保障金融机构的安全性。
实施例二
图2为本发明实施例二提供的一种服务策略的生成方法的流程图,本实施例以前述实施例为基础,进一步增加对企业的极端债务进行警告的操作,该方法具体包括如下步骤:
步骤201、将企业在多个时间周期内的多个负债率划分为训练集、测试集。
步骤202、使用训练集应用极值理论的点过程方法拟合负债模型。
其中,负债模型用于挖掘企业在时间周期内的负债发生极端事件的规律。
步骤203、根据负债模型对企业的负债率生成负债风险控制线。
步骤204、使用测试集对负债风险控制线进行多次假设检验。
步骤205、若负债风险控制线通过多次假设检验,则根据负债风险控制线对企业生成金融服务的策略。
步骤206、确定负债模型中的强度函数。
在本实施例中,负债模型中应用了强度函数(intensity),强度函数的结构如下:
为强度函数,xt为时间周期t内负债率超过阈值u的部分,ti为在时间周期t之前、第i次极端事件发生的时间周期,xi为时间周期ti内负债率超过阈值u的部分,为时间周期t之前的所有与负债相关的信息,g(t-ti,xi)为极值理论中的模型;
k、φ、ξ、η、β0为负债模型中已拟合的参数。
步骤207、对强度函数进行积分,获得企业在未来的时间段内的负债发生极端事件的概率。
由于在拟合负债模型时通常应用极大似然估计负债模型的参数,那么,急于极大似然估计可以对强度函数在某一时间段[t1,t2]内求积分,积分的结果为企业在该时间段[t1,t2]内负债发生极端事件的理论概率的估计值。
步骤208、若概率大于预设的阀值,则对企业生成与负债相关的警告信息。
在本实施例中,可以预先针对发生极端事件的概率设置阀值,如0.3,在预测出将企业在未来的时间段[t1,t2]内的负债发生极端事件的概率时,可以将企业在未来的时间段[t1,t2]内的负债发生极端事件的概率与该阀值进行比较。
如果企业在未来的时间段[t1,t2]内的负债发生极端事件的概率小于或等于该阀值,表示企业在未来的时间段[t1,t2]内的负债发生极端事件的概率较低,债务风险较低,并不对该企业生成与负债相关的警告信息。
如果企业在未来的时间段[t1,t2]内的负债发生极端事件的概率大于该阀值,表示企业在未来的时间段[t1,t2]内的负债发生极端事件的概率较高,债务风险较高,并不对该企业生成与负债相关的警告信息,金融机构的技术人员可以根据该警告信息对该企业执行审查等操作,提高金融机构的安全性。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
实施例三
图3为本发明实施例三提供的一种服务策略的生成装置的结构框图,具体可以包括如下模块:
负债率划分模块301,用于将企业在多个时间周期内的多个负债率划分为训练集、测试集;
负债模型拟合模块302,用于使用所述训练集应用极值理论的点过程方法拟合负债模型,所述负债模型用于挖掘所述企业在所述时间周期内的负债发生极端事件的规律;
控制线生成模块303,用于根据所述负债模型对所述企业的负债率生成负债风险控制线;
假设校验模块304,用于使用所述测试集对所述负债风险控制线进行多次假设检验;
服务策略生成模块305,用于若所述负债风险控制线通过多次所述假设检验,则根据所述负债风险控制线对所述企业生成金融服务的策略。
在本发明的一个实施例中,所述负债率划分模块301包括:
负债率采集模块,用于在每个时间周期内的多个时间点,分别采集企业的负债率;
负债率计算模块,用于基于多个所述时间点的负债率计算所述时间周期的负债率;
负债率排序模块,用于按照时间顺序对所述时间周期的负债率排序,以形成负债序列;
序列划分模块,用于将所述负债序列划分为训练集、测试集。
在本发明的一个实施例中,所述负债率计算模块包括:
平均值计算模块,用于对多个所述时间点的负债率计算平均值,作为所述时间周期的负债率。
在本发明的一个实施例中,所述列划分模块包括:
比例划分模块,用于将第一比例的所述负债序列划分至训练集、将第二比例的所述负债序列划分至测试集,其中,所述第一比例大于所述第二比例,所述训练集排序在所述测试集之前。
在本发明的一个实施例中,所述负债率划分模块301还包括:
缺失值删除模块,用于若所述企业缺失某个所述时间周期内、多个所述时间点的负债率,则删除所述企业在所述时间周期的负债率。
在本发明的一个实施例中,所述负债模型拟合模块302包括:
极端事件标记模块,用于应用极值理论中的峰值逾越方法POT、在所述训练集标记所述企业在所述时间周期内的负债发生的极端事件,所述极端事件表示所述企业在所述时间周期内的负债率大于预设的阈值;
负债模型设置模块,用于在负债模型中,设定所述企业在所述时间周期内的负债发生所述极端事件的机制符合预设的强度函数的动态随机泊松过程;
模型参数拟合模块,用于使用所述训练集拟合所述负债模型中的参数;
其中,强度函数的结构如下:
为强度函数,xt为时间周期t内负债率超过阈值u的部分,ti为在时间周期t之前、第i次极端事件发生的时间周期,xi为时间周期ti内负债率超过阈值u的部分,为时间周期t之前的所有与负债相关的信息,g(t-ti,xi)为极值理论中的模型;
k、φ、ξ、η、β0为所述负债模型中待拟合的参数。
在本发明的一个实施例中,所述极值理论中的点过程POT模型包括:
g(t-ti,xi)=(1+δxi)exp(-γ(t-ti))
或者,
其中,δ、γ、ρ为所述负债模型中待拟合的参数。
在本发明的一个实施例中,所述负债风险控制线包括:
其中,VaRα为负债风险控制线,α为负债风险控制线的置信度。
在本发明的一个实施例中,所述假设校验模块304包括:
无条件覆盖检验模块,用于使用所述测试集对所述负债风险控制线进行无条件覆盖检验,获得第一检验结果,所述无条件覆盖检验用于评估所述测试集中所述负债率超过所述负债风险控制线的频率与所述负债风险控制线的置信度是否不同;
独立性检验模块,用于使用所述测试集对所述负债风险控制线进行独立性检验,获得第二检验结果,所述独立性检验用于评估所述测试集中发生所述负债率超过所述负债风险控制线的所述时间周期是否彼此之间独立;
条件覆盖检验模块,用于使用所述测试集对所述负债风险控制线进行条件覆盖检验,获得第三检验结果,所述第三检验结果为所述第一检验结果与所述第二检验结果之间的结合;
若所述第一检验结果、所述第二检验结果与所述第三检验结果均符合预期的目标,则确定所述负债风险控制线通过多次假设检验。
在本发明的一个实施例中于,所述服务策略生成模块305包括:
置信度设置模块,用于将目标值配置为所述负债风险控制线的置信度,其中,超过所述目标值的负债率为统计学意义上的不会发生的负债率;
置信策略生成模块,用于以配置所述置信度的所述负债风险控制线作为上限值,对所述企业生成债务安全的策略。
在本发明的一个实施例中,还包括:
强度函数确定模块,用于确定所述负债模型中的强度函数;
极端概率计算模块,用于对所述强度函数进行积分,获得所述企业在未来的时间段内的负债发生极端事件的概率;
警告信息生成模块,用于若所述概率大于预设的阀值,则对所述企业生成与负债相关的警告信息。
本发明实施例所提供的服务策略的生成装置可执行本发明任意实施例所提供的服务策略的生成方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图4显示的计算机设备12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4所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的服务策略的生成方法。
实施例五
本发明实施例五还提供一种计算机可读存储介质,计算机可读存储介质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服务策略的生成方法的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,计算机可读存储介质例如可以包括但不限于电、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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中,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。
实施例六
本发明实施例六还提供了一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序在被处理器执行时实现上述服务策略的生成方法的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (15)
1.一种服务策略的生成方法,其特征在于,包括:
将企业在多个时间周期内的多个负债率划分为训练集、测试集;
使用所述训练集应用极值理论的点过程方法拟合负债模型,所述负债模型用于挖掘所述企业在所述时间周期内的负债发生极端事件的规律;
根据所述负债模型对所述企业的负债率生成负债风险控制线;
使用所述测试集对所述负债风险控制线进行多次假设检验;
若所述负债风险控制线通过多次所述假设检验,则根据所述负债风险控制线对所述企业生成金融服务的策略。
2.根据权利要求1所述的方法,其特征在于,所述将企业在多个时间周期内的多个负债率划分为训练集、测试集,包括:
在每个时间周期内的多个时间点,分别采集企业的负债率;
基于多个所述时间点的负债率计算所述时间周期的负债率;
按照时间顺序对所述时间周期的负债率数据排序,以形成负债序列;
将所述负债序列划分为训练集、测试集。
3.根据权利要求2所述的方法,其特征在于,所述基于多个所述时间点的负债率计算所述时间周期的负债率,包括:
对多个所述时间点的负债率计算平均值,作为所述时间周期的负债率。
4.根据权利要求2所述的方法,其特征在于,所述将所述负债序列划分为训练集、测试集,包括:
将第一比例的所述负债序列划分至训练集、将第二比例的所述负债序列划分至测试集,其中,所述第一比例大于所述第二比例,所述训练集排序在所述测试集之前。
5.根据权利要求2所述的方法,其特征在于,所述将企业在多个时间周期内的多个负债率划分为训练集、测试集,还包括:
若所述企业缺失某个所述时间周期内、多个所述时间点的负债率,则删除所述企业在所述时间周期的负债率。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述使用所述训练集应用极值理论的点过程方法拟合负债模型,包括:
应用极值理论中的峰值逾越方法POT,在所述训练集标记所述企业在所述时间周期内的负债发生的极端事件,所述极端事件表示所述企业在所述时间周期内的负债率大于预设的阈值;
在负债模型中,设定所述企业在所述时间周期内的负债发生所述极端事件的机制符合预设的强度函数的动态随机泊松过程;
使用所述训练集拟合所述负债模型中的参数;
其中,强度函数的结构如下:
为强度函数,xt为时间周期t内负债率超过阈值u的部分,ti为在时间周期t之前、第i次极端事件发生的时间周期,xi为时间周期ti内负债率超过阈值u的部分,为时间周期t之前的所有与负债相关的信息,g(t-ti,xi)为极值理论中的模型;
k、φ、ξ、η、β0为所述负债模型中待拟合的参数。
9.根据权利要求1-5、7-8中任一项所述的方法,其特征在于,所述使用所述测试集对所述负债风险控制线进行多次假设检验,包括:
使用所述测试集对所述负债风险控制线进行无条件覆盖检验,获得第一检验结果,所述无条件覆盖检验用于评估所述测试集中所述负债率超过所述负债风险控制线的频率与所述负债风险控制线的置信度是否不同;
使用所述测试集对所述负债风险控制线进行独立性检验,获得第二检验结果,所述独立性检验用于评估所述测试集中发生所述负债率超过所述负债风险控制线的所述时间周期是否彼此之间独立;
使用所述测试集对所述负债风险控制线进行条件覆盖检验,获得第三检验结果,所述第三检验结果为所述第一检验结果与所述第二检验结果之间的结合;
若所述第一检验结果、所述第二检验结果与所述第三检验结果均符合预期的目标,则确定所述负债风险控制线通过多次假设检验。
10.根据权利要求1-5、7-8中任一项所述的方法,其特征在于,所述根据所述负债风险控制线对所述企业生成金融服务的策略,包括:
将目标值配置为所述负债风险控制线的置信度,其中,超过所述目标值的负债率为统计学意义上的不会发生的负债率;
以配置所述置信度的所述负债风险控制线作为上限值,对所述企业生成债务安全的策略。
11.根据权利要求1-5、7-8中任一项所述的方法,其特征在于,还包括:
确定所述负债模型中的强度函数;
对所述强度函数进行积分,获得所述企业在未来的时间段内的负债发生极端事件的概率;
若所述概率大于预设的阀值,则对所述企业生成与负债相关的警告信息。
12.一种服务策略的生成装置,其特征在于,包括:
负债率划分模块,用于将企业在多个时间周期内的多个负债率划分为训练集、测试集;
负债模型拟合模块,用于使用所述训练集应用极值理论的点过程方法拟合负债模型,所述负债模型用于挖掘所述企业在所述时间周期内的负债发生极端事件的规律;
控制线生成模块,用于根据所述负债模型对所述企业的负债率生成负债风险控制线;
假设校验模块,用于使用所述测试集对所述负债风险控制线进行多次假设检验;
服务策略生成模块,用于若所述负债风险控制线通过多次所述假设检验,则根据所述负债风险控制线对所述企业生成金融服务的策略。
13.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器,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1-11中任一项所述的服务策略的生成方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1-11中任一项所述的服务策略的生成方法。
15.一种计算机程序产品,特征在于,所述计算机程序产品包括计算机程序,所述计算机程序在被处理器执行时实现如权利要求1-11中任一项所述的服务策略的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111644000.1A CN114358916A (zh) | 2021-12-29 | 2021-12-29 | 一种服务策略的生成方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111644000.1A CN114358916A (zh) | 2021-12-29 | 2021-12-29 | 一种服务策略的生成方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114358916A true CN114358916A (zh) | 2022-04-15 |
Family
ID=81104059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111644000.1A Pending CN114358916A (zh) | 2021-12-29 | 2021-12-29 | 一种服务策略的生成方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358916A (zh) |
-
2021
- 2021-12-29 CN CN202111644000.1A patent/CN114358916A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7765123B2 (en) | Indicating which of forecasting models at different aggregation levels has a better forecast quality | |
CN109961165B (zh) | 件量预测方法、装置、设备及其存储介质 | |
Embrechts et al. | Practices and issues in operational risk modeling under Basel II | |
Feng et al. | Stochastic conditional duration models with “leverage effect” for financial transaction data | |
CN115545516A (zh) | 一种基于流程引擎的绩效数据处理方法、装置及系统 | |
CN110990445A (zh) | 一种数据处理方法、装置、设备和介质 | |
CN113283806A (zh) | 企业信息评估方法、装置、计算机设备及存储介质 | |
Su et al. | Is copper a safe haven for oil? | |
CN114358916A (zh) | 一种服务策略的生成方法、装置、计算机设备和存储介质 | |
WO2019196502A1 (zh) | 营销活动质量评估方法、服务器及计算机可读存储介质 | |
US10878329B1 (en) | Probabilistic accumulation approach to assess primary uncertainty in catastrophe models | |
Plunus et al. | Measuring operational risk in financial institutions | |
CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 | |
Sarpong et al. | Historical Simulation (HS) Method on Value-at-Risk & Its Approaches | |
CN113987015A (zh) | 一种设备资产状态管理方法、系统、设备及存储介质 | |
CN114266414A (zh) | 贷款数额的预测方法、装置、电子设备和介质 | |
CN112907141A (zh) | 一种压力测试方法、装置、设备及存储介质 | |
CN112560044A (zh) | 一种项目bug跟踪统计方法、系统及设备 | |
CN114169994A (zh) | 金融机构的业务处理方法、装置、计算机设备和存储介质 | |
CN112581282A (zh) | 估值结果损益变动监控方法、装置、电子设备及介质 | |
CN115471041B (zh) | 黑产账户的识别方法、装置、设备和存储介质 | |
US20150019233A1 (en) | Site-specific clinical trial performance metric system | |
CN114298810A (zh) | 一种业务处理方法及相关装置 | |
CN111681115B (zh) | 一种发薪日识别方法、系统、设备和存储介质 | |
CN114118784A (zh) | 一种行业景气指数的设计方法、装置、设备及存储介质 |
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 |