CN114708079A - 一种预期信用损失的确定方法、装置、设备、介质及产品 - Google Patents
一种预期信用损失的确定方法、装置、设备、介质及产品 Download PDFInfo
- Publication number
- CN114708079A CN114708079A CN202210334116.3A CN202210334116A CN114708079A CN 114708079 A CN114708079 A CN 114708079A CN 202210334116 A CN202210334116 A CN 202210334116A CN 114708079 A CN114708079 A CN 114708079A
- Authority
- CN
- China
- Prior art keywords
- historical
- default
- stage
- migration rate
- calculating
- 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
- G06Q40/12—Accounting
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种预期信用损失的确定方法、装置、设备、介质及产品。本发明涉及数据处理技术领域。该方法包括:对历史数据按照预设规则划分数据集,以及对各历史数据进行阶段划分;提取目标数据集的历史数据计算阶段状态转移矩阵,并基于所述阶段状态转移矩阵计算历史违约迁徙率边际;基于预设前瞻性调整模型对所述历史违约迁徙率边际进行处理,得到经前瞻性调整的边际违约概率;基于所述经前瞻性调整的边际违约概率计算得到预期信用损失。本方案解决了金融资产减值准备不及时、不足额等问题,可以通过确定金融资产未来的预期信用损失情况,在及时、足额的计提金融资产减值准备的同时,有效揭示和防控金融资产信用风险。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种预期信用损失的确定方法、装置、设备、介质及产品。
背景技术
目前,现行金融工具确认和计量准则对于金融资产减值的会计处理采用的是“已发生损失法”,即只有在客观证据表明金融资产已经发生损失时,才对相关金融资产计提减值准备。
但是,由于现有方案只考虑金融资产已经发生损失的情况,因此容易导致计提金融资产减值准备不及时、不足额等问题,进而无法有效防控金融资产信用风险。
发明内容
本发明提供了一种预期信用损失的确定方法、装置、设备、介质及产品,以解决金融资产减值准备不及时、不足额等问题,可以通过确定金融资产未来的预期信用损失情况,在及时、足额的计提金融资产减值准备的同时,有效揭示和防控金融资产信用风险。
根据本发明的一方面,提供了一种预期信用损失的确定方法,所述方法包括:
对历史数据按照预设规则划分数据集,以及对各历史数据进行阶段划分;
提取目标数据集的历史数据计算阶段状态转移矩阵,并基于所述阶段状态转移矩阵计算历史违约迁徙率边际;
基于预设前瞻性调整模型对所述历史违约迁徙率边际进行处理,得到经前瞻性调整的边际违约概率;
基于所述经前瞻性调整的边际违约概率计算得到预期信用损失。
根据本发明的另一方面,提供了一种预期信用损失的确定装置,该装置包括:
历史数据阶段划分模块,用于对历史数据按照预设规则划分数据集,以及对各历史数据进行阶段划分;
历史违约迁徙率边际计算模块,用于提取目标数据集的历史数据计算阶段状态转移矩阵,并基于所述阶段状态转移矩阵计算历史违约迁徙率边际;
边际违约概率确定模块,用于基于预设前瞻性调整模型对所述历史违约迁徙率边际进行处理,得到经前瞻性调整的边际违约概率;
预期信用损失确定模块,用于基于所述经前瞻性调整的边际违约概率计算得到预期信用损失。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的预期信用损失的确定方法。
根据本发明的另一方面,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存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的预期信用损失的确定方法。
根据本发明的另一方面,提供了一种计算机程序产品,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本发明实施例中任一所述的预期信用损失的确定方法。
本发明实施例的技术方案,通过对历史数据按照预设规则划分数据集,以及对各历史数据进行阶段划分,来提取目标数据集的历史数据计算阶段状态转移矩阵,并基于阶段状态转移矩阵计算历史违约迁徙率边际。然后基于预设前瞻性调整模型对历史违约迁徙率边际进行处理,得到经前瞻性调整的边际违约概率。进而基于经前瞻性调整的边际违约概率计算得到预期信用损失。该技术方案通过确定金融资产未来的预期信用损失情况,可以在及时、足额的计提金融资产减值准备的同时,有效揭示和防控金融资产信用风险。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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是根据本发明实施例一提供的一种预期信用损失的确定方法的流程图;
图2A是根据本发明实施例二提供的一种预期信用损失的确定方法的流程图;
图2B是根据本发明实施例二提供的建立ARIMA模型的流程图;
图3是根据本发明实施例三提供的一种预期信用损失的确定装置的结构示意图;
图4是实现本发明实施例的预期信用损失的确定方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,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。本申请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了一种预期信用损失的确定方法的流程图,本实施例可适用于预期信用损失的确定场景,该方法可以由预期信用损失的确定装置来执行,该装置可以采用硬件和/或软件的形式实现,该装置可配置于电子设备中。如图1所示,该方法包括:
S110、对历史数据按照预设规则划分数据集,以及对各历史数据进行阶段划分。
本方案可以由信贷系统执行。信贷系统可以从业务系统获取历史数据。其中,所述历史数据可以是历史债项数据。信贷系统可以预先根据金融活动中金融风险的影响因素,对历史债项数据按照金融风险的影响因素进行划分,以实现针对性的预期信用损失计算。其中,金融风险的影响因素可以包括风险特征、客户类型、行业门类以及产品种类等。
具体的,假设存在3类信贷产品,分别为产品1、产品2和产品3,信贷系统可以对历史数据按照上述3类信贷产品进行分类,得到3个数据集。信贷系统也可以根据实际信贷业务情况和统计经验,将多个影响因素进行组合,形成数据集的划分标准。在上述示例的基础上,还存在3类客户类型,分别为I型客户、II型客户和III型客户。其中,产品1和产品2是针对II型客户的信贷产品,产品3是针对I型客户和III型客户的信贷产品。信贷系统可以将购买产品1或产品2的II型客户的相关历史债项数据划分为一类,将购买产品3的I型客户和III型客户的相关历史债项数据划分为另一类。
在完成对数据集的划分之后,信贷系统还需要对数据集中各历史数据所处于的信用风险等级进行划分。例如信贷系统可以将信用风险等级划分为正常无风险、存在逾期风险以及确定损失三个阶段。按照划分的信用风险等级,信贷系统可以确定各历史数据分别处于哪一阶段。
S120、提取目标数据集的历史数据计算阶段状态转移矩阵,并基于所述阶段状态转移矩阵计算历史违约迁徙率边际。
其中,所述阶段状态转移矩阵可以根据信用风险划分的等级数量而确定行数和列数。例如将信用风险等级划分为三个阶段,阶段状态转移矩阵可以是一个三行三列的矩阵。阶段状态转移矩阵中各个位置元素可以与历史数据在各阶段之间的转移情况有关。其中第一行可以包括p1,1,p1,2和p1,3三个位置元素,第二行可以包括p2,1,p2,2和p2,3三个位置元素,第三行可以包括p3,1,p3,2和p3,3三个位置元素。其具体的释义,例如p2,1可以是历史数据中信用风险状态由第一阶段向第二阶段转移的违约概率,如共有100个历史数据为第一阶段,向第二阶段转移了5个,则信用风险状态由第一阶段向第二阶段转移的违约概率为5%。
信贷系统可以在构建好阶段状态转移矩阵之后,信贷系统也可以直接利用违约概率计算相邻期次的边际违约概率,进而得到历史违约迁徙率边际。信贷系统也可以通过对阶段状态转移矩阵中的违约概率进行无偏估计,得到历史违约迁徙率,进而根据相邻期次的历史违约迁徙率,计算历史违约迁徙率边际。
S130、基于预设前瞻性调整模型对所述历史违约迁徙率边际进行处理,得到经前瞻性调整的边际违约概率。
其中,预设前瞻性调整模型可以是神经网络模型,也可以是智能识别模型。其可以基于训练数据得到的模型参数来对历史违约迁徙率边际进行前瞻性调整,还可以是基于预先设置好的某一固定阈值来进行调整。可以理解的,前瞻性调整的意义在于基于历史数据,对当前的债项进行前瞻性估计,得到当前的债项的编辑违约概率。例如以月为单位,可以预估在第六个月违约相比于前五个月都不违约的一个概率。在得到历史违约迁徙率边际之后,可选的,信贷系统可以利用Wilson、Merton-Vasicek等前瞻性调整模型,对历史违约迁徙率边际进行前瞻性调整,以得到边际违约概率。
S140、基于所述经前瞻性调整的边际违约概率计算得到预期信用损失。
利用经前瞻性调整的边际违约概率,信贷系统可以计算得到经前瞻性调整的指定日期的违约概率。同时,信贷系统可以确定风险暴露值,其中,所述风险暴露值可以是违约时点后合同应收的全部现金流按实际利率折现到违约时点的现值。根据经前瞻性调整的指定日期的违约概率和风险暴露值,信贷系统可以计算预期信用损失。
在本方案中,可选的,在基于所述经前瞻性调整的边际违约概率计算得到预期信用损失之后,所述方法还包括:
基于所述预期信用损失,确定高危行业群体和高风险客户群体。
在得到预期信用损失之后,信贷系统可以根据预期信用损失得到计提额。对计提额进行分析,信贷系统可以定位高风险客户和高危行业。信贷系统也可以按照行业门类和客户类型来划分数据集,然后根据各数据集的预期信用损失情况,确定哪些行业属于高危行业,哪些客户属于高风险客户。
本方案可以根据预期信用损失精准筛选出高风险客户和高危行业,有利于金融单位避免损失,大大降低金融风险。
本技术方案,通过对历史数据按照预设规则划分数据集,以及对各历史数据进行阶段划分,来提取目标数据集的历史数据计算阶段状态转移矩阵,并基于阶段状态转移矩阵计算历史违约迁徙率边际。然后基于预设前瞻性调整模型对历史违约迁徙率边际进行处理,得到经前瞻性调整的边际违约概率。进而基于经前瞻性调整的边际违约概率计算得到预期信用损失。该技术方案通过确定金融资产未来的预期信用损失情况,可以在及时、足额的计提金融资产减值准备的同时,有效揭示和防控金融资产信用风险。
实施例二
图2A是根据本发明实施例二提供的一种预期信用损失的确定方法的流程图,本实施例以上述实施例为基础进行细化。如图2A所示,该方法包括:
S210、对历史数据按照风险特征、客户类型、行业门类以及产品种类中的至少一种划分数据集。
信贷系统按照上述金融风险的影响因素中的一种划分数据集,可以针对性的确定单一因素对预期信用损失的影响,有利于影响因素的统计分析。按照上述影响因素中的多个划分数据集,可以实现对预期信用损失的多维度刻画,更加符合实际信贷场景的应用。
S220、确定各数据集中的历史数据的信用风险进行阶段划分,得到历史数据的阶段判断结果为一阶段、二阶段或三阶段。
阶段划分主要是为了衡量债项的信用风险的高低。信贷业务(一般对公贷款、零售贷款、信用卡业务和表外对公业务)的阶段划分主要根据其五级分类进行划分,信贷系统可以将历史数据的阶段判断结果划分为三个阶段,具体规则如下表1所示。
表1:
五级分类状态 | 阶段判断结果 |
正常 | 一阶段 |
关注 | 二阶段 |
次级 | 三阶段 |
可疑 | 三阶段 |
损失 | 三阶段 |
S230、提取目标数据集中的所有历史数据。
按照S210中划分的数据集,信贷系统可以在数据集中选择其中一个或多个作为目标数据集,并在历史数据中提取目标数据集相关的数据。
S240、计算目标数据集中在指定业务日期发生阶段状态转移事件的数量与期初原阶段状态数量的迁徙率。
其中,指定业务日期发生阶段状态转移事件的数量与期初原阶段状态数量的迁徙率可以称为历史违约迁徙率。历史违约迁徙率可以用在当前时点,指定的业务日期内,各个数据集内历史数据在三个阶段状态的转移矩阵表示。
S250、基于所述迁徙率构建阶段状态转移矩阵。
具体的,阶段状态转移矩阵可以如下所示:
在一个具体的例子中,若借款人不同债项的阶段不同,则统一到最高阶段。阶段状态转移矩阵中的元素可以如下定义:
S260、基于所述迁徙率,计算指定业务日期的后一周期违约相对于前一周期未违约的历史违约迁徙率边际。
以一个具体的额例子来讲,各阶段的第k期的边际违约概率定义为:
q(k)=p(第k期违约|k-1期前不违约);
S270、选取预设数量个时间节点,对所述历史违约迁徙率边际计算平均值,得到历史稳定违约迁徙率边际。
信贷系统可以选取多个时间点的统计平均值来近似历史违约迁徙率边际,该统计量记为历史稳定违约迁徙率边际。
S280、采用第一前瞻性调整模型和第二前瞻性调整模型,基于所述历史违约迁徙率边际和历史稳定违约迁徙率边际,计算经前瞻性调整的边际违约概率。
在一个优选的方案中,所述第一前瞻性调整模型可以为Wilson模型,所述第二前瞻性调整模型可以为Merton-vasicek模型。其中,所述Wilson模型的计算过程可以包括调整因子,所述Merton-vasicek模型的计算过程可以包括周期指数因子。所述调整因子和所述周期指数因子可以是基于宏观经济变量预测模型得到的。
具体的,Wilson模型的前瞻性调整原理可以如下说明:
需要说明的是,PD′t-forward与S260中提到的q(k)是同一个变量,两者含义相同,PD′t是PD′t-forward的历史统计平均值。
Merton-vasicek模型前瞻性调整原理可以如下:
调整因子ΔYt和周期指数因子Zt可以基于ARIMA模型进行预测得到。具体的,ARIMA模型进行宏观经济变量预测,ARIMA模型又称自回归移动平均模型,是时间序列分析中预测精度较高的模型。时间序列服从p阶的自回归过程,可以表示为AR(p);时间序列服从q阶的移动平均过程,可以表示为MA(q);将自回归过程AR和移动平均过程MA结合起来,共同模拟产生既有时间序列样本数据的那个随机过程的模型,可以表示为ARMA(p,q);对于非平稳的时间序列,首先应将历史数据序列平稳化,然后再使用AR(p)、MA(q)或ARMA(p,q)来模拟已平稳化的随机过程,可以表示为ARIMA(p,d,q)。在本方案中,可以统一用ARIMA(p,d,q)来表示宏观经济变量预测模型。
图2B是根据本发明实施例二提供的建立ARIMA模型的流程图,如图2B所示,ARIMA模型建立流程具体可以为:
1.单位根检验(数据序列平稳性检验)
单位根检验是一种针对建模数据序列的平稳性检验,通过单位根检验中t检验的p值,判断数据序列是否平稳。p值小于等于0.05,即判断通过序列平稳性检验,若p值大于0.05,则判断序列不平稳。对原序列进行平稳性检验,如果序列不满足平稳性条件,可以通过差分变换(单整阶数为d,则进行d阶差分)或者其他变换,如对数差分变换,使序列满足平稳性条件。
依次通过对序列进行一阶差分、LN变换、二阶差分的变换后再进行单位根检验,直至检验通过。
2.根据自相关和偏自相关图
根据自相关和偏自相关函数识别参数(p、q值),并建立ARIMA方程。一般借助自相关函数ACF图和偏自相关函数PACF图对p、q进行初步判断,如PACF在p期滞后之后突然降为0即为截尾建立AR模型,ACF在q期滞后之后突然降为0即为截尾建立MA模型。如PACF和ACF均为拖尾即建立多个ARMA或ARIMA方程进行下一步检验,如下表2所示。
表2:
自相关函数(ACF) | 偏自相关函数(PACF) | 选择模型 |
拖尾 | p阶截尾 | AR(p) |
q阶截尾 | 拖尾 | MA(q) |
拖尾 | 拖尾 | ARMA(p,q) |
如果样本(偏)自相关系数在最初的f阶明显大于两倍标准差范围,而后几乎95%的自相关系数都落在2倍标准差的范围以内,而且通常由非零自相关系数衰减为小值波动的过程非常突然。这时,通常视为(偏)自相关系数截尾。截尾阶数为f。其中p、q值选取最好在6期及以内。
3.建立AR、MA、ARME和ARIMA模型
在实际的模型识别中,自相关系数和偏自相关系数只能作为模型识别过程中的一个参考,并不能通过它们准确的识别模型的具体形式。具体的模型形式,还要通过自相关和偏自相关系数给出的信息,经过反复的试验及检验,最终挑选出各项统计指标均符合要求的模型形式。参数显著性检验
检验模型参数显著性水平的t统计量,在10%显著水平下是否各参数(不含常数)均显著,通过即进行下一步检验。
4.模型特征根检验
为保证ARIMA模型的平稳性,模型的特征根的倒数皆小于1,通过即进行下一步检验。
5.LM检验
模型的残差序列应当是一个白噪声序列,使用LM检验对模型残差序列相关性进行检验,LM统计量在5%的显著性水平下拒绝残差不存在序列相关性的原假设,F统计量也几乎在5%的水平下拒绝残差不存在序列相关性的原假设,可以认为该模型残差存在序列相关性。即F统计量及R2统计量的p值大于0.05,即通过检验。
对符合以上条件得出的模型,根据R2的解释程度及AIC准则确定最优模型。R2表示模型的整体拟合优度,该值介于0和1之间,越大代表拟合效果越好。AIC和SC都表示信息准则,对于模型来说其值越小越好。
有了未来期的预测值Yt和Zt值,可以利用Wilson和Merton-vasicek模型计算未来期的边际违约概率预测值Pt′-forward。
S290、基于所述经前瞻性调整的边际违约概率计算得到预期信用损失。
具体的,基于所述经前瞻性调整的边际违约概率计算得到预期信用损失,包括:
针对一阶段债项,根据所述经前瞻性调整的边际违约概率计算一年期违约信用损失;
针对二阶段债项,根据所述经前瞻性调整的边际违约概率计算存续期违约信用损失;
针对三阶段债项,使用的所述经前瞻性调整的边际违约概率为1,以计算存续期违约信用损失。
基于所述经前瞻性调整的边际违约概率计算预期信用损失计算的过程大致可以分为三部分:
1.经前瞻性调整的第t年的违约概率。
PDt-forward=p(第t年违约);
根据概率统计相关知识,可以推导得到:
PDt-forward=p(第t年违约|t-1年前不违约)×p(t-1年前不违约);
进而可以得到:
PDt-forward=PD′t-forward×p(第t-1年违约|t-2年前不违约)×p(t-2年前不违约);
重复上述推导过程,最终可以得到:
2.风险暴露值的确定
EAD(Exposure at Default,风险暴露值)可以是违约时点后合同应收的全部现金流按实际利率折现到违约时点的现值。
3.预期信用损失计算
对于一阶段债项,信贷系统可以只考虑一年期的违约信用损失,具体计算方式如下:
其中,LGD(Loss Given default)表示违约损失率,EIR(Effective InterestRate)表示有效利率。
二阶段可以考虑存续期的违约信用损失,具体计算方式如下:
三阶段可以考虑整个存续期内的违约信用损失,计算的PDt-forward=1。
本方案可以针对三个阶段分别采取不同的方式进行预期信用损失计算,有利于得到更加准确的预期信用损失,更符合实际信贷场景的应用,满足了多样化的预期信用损失计算。
本技术方案,通过对历史数据按照预设规则划分数据集,以及对各历史数据进行阶段划分,来提取目标数据集的历史数据计算阶段状态转移矩阵,并基于阶段状态转移矩阵计算历史违约迁徙率边际。然后基于预设前瞻性调整模型对历史违约迁徙率边际进行处理,得到经前瞻性调整的边际违约概率。进而基于经前瞻性调整的边际违约概率计算得到预期信用损失。该技术方案通过确定金融资产未来的预期信用损失情况,可以在及时、足额的计提金融资产减值准备的同时,有效揭示和防控金融资产信用风险。
实施例三
图3为本发明实施例三提供的一种预期信用损失的确定装置的结构示意图。如图3所示,该装置包括:
历史数据阶段划分模块310,用于对历史数据按照预设规则划分数据集,以及对各历史数据进行阶段划分;
历史违约迁徙率边际计算模块320,用于提取目标数据集的历史数据计算阶段状态转移矩阵,并基于所述阶段状态转移矩阵计算历史违约迁徙率边际;
边际违约概率确定模块330,用于基于预设前瞻性调整模型对所述历史违约迁徙率边际进行处理,得到经前瞻性调整的边际违约概率;
预期信用损失确定模块340,用于基于所述经前瞻性调整的边际违约概率计算得到预期信用损失。
在本方案中,可选的,所述历史数据阶段划分模块310,包括:
数据集划分单元,用于对历史数据按照风险特征、客户类型、行业门类以及产品种类中的至少一种划分数据集;
阶段判断结果生成单元,用于确定各数据集中的历史数据的信用风险进行阶段划分,得到历史数据的阶段判断结果为一阶段、二阶段或三阶段。
可选的,所述历史违约迁徙率边际计算模块320,包括:
历史数据提取单元,用于提取目标数据集中的所有历史数据;
迁徙率计算单元,用于计算目标数据集中在指定业务日期发生阶段状态转移事件的数量与期初原阶段状态数量的迁徙率;
阶段状态转移矩阵构建单元,用于基于所述迁徙率构建阶段状态转移矩阵。
在上述方案的基础上,可选的,所述历史违约迁徙率边际计算模块320,还包括:
历史违约迁徙率边际计算单元,用于基于所述迁徙率,计算指定业务日期的后一周期违约相对于前一周期未违约的历史违约迁徙率边际。
在一个可行的方案中,所述历史违约迁徙率边际计算模块320,还用于:
选取预设数量个时间节点,对所述历史违约迁徙率边际计算平均值,得到历史稳定违约迁徙率边际;
相应的,所述边际违约概率确定模块330,具体用于:
采用第一前瞻性调整模型和第二前瞻性调整模型,基于所述历史违约迁徙率边际和历史稳定违约迁徙率边际,计算经前瞻性调整的边际违约概率。
在上述方案的基础上,可选的,所述第一前瞻性调整模型为Wilson模型;所述第二前瞻性调整模型为Merton-vasicek模型;
所述Wilson模型的计算过程包括调整因子;
所述Merton-vasicek模型的计算过程包括周期指数因子;
所述调整因子和所述周期指数因子是基于宏观经济变量预测模型得到的。
在另一个可行的方案中,所述预期信用损失确定模块340,具体用于:
针对一阶段债项,根据所述经前瞻性调整的边际违约概率计算一年期违约信用损失;
针对二阶段债项,根据所述经前瞻性调整的边际违约概率计算存续期违约信用损失;
针对三阶段债项,使用的所述经前瞻性调整的边际违约概率为1,以计算存续期违约信用损失。
在一个优选的方案中,所述所述预期信用损失确定模块340,还用于:
基于所述预期信用损失,确定高危行业群体和高风险客户群体。
本发明实施例所提供的预期信用损失的确定装置可执行本发明任意实施例所提供的预期信用损失的确定方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备410的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备410包括至少一个处理器411,以及与至少一个处理器411通信连接的存储器,如只读存储器(ROM)412、随机访问存储器(RAM)413等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器411可以根据存储在只读存储器(ROM)412中的计算机程序或者从存储单元418加载到随机访问存储器(RAM)413中的计算机程序,来执行各种适当的动作和处理。在RAM 413中,还可存储电子设备410操作所需的各种程序和数据。处理器411、ROM 412以及RAM 413通过总线414彼此相连。输入/输出(I/O)接口415也连接至总线414。
电子设备410中的多个部件连接至I/O接口415,包括:输入单元416,例如键盘、鼠标等;输出单元417,例如各种类型的显示器、扬声器等;存储单元418,例如磁盘、光盘等;以及通信单元419,例如网卡、调制解调器、无线通信收发机等。通信单元419允许电子设备410通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器411可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器411的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器411执行上文所描述的各个方法和处理,例如预期信用损失的确定方法。
在一些实施例中,预期信用损失的确定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元418。在一些实施例中,计算机程序的部分或者全部可以经由ROM 412和/或通信单元419而被载入和/或安装到电子设备410上。当计算机程序加载到RAM 413并由处理器411执行时,可以执行上文描述的预期信用损失的确定方法的一个或多个步骤。备选地,在其他实施例中,处理器411可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行预期信用损失的确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
实施例五
本发明实施例还提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现如本申请任一实施例所提供的预期信用损失的确定方法。
计算机程序产品在实现的过程中,可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
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,根据设计要求和其他因素,可以进行各种修改、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 (12)
1.一种预期信用损失的确定方法,其特征在于,所述方法包括:
对历史数据按照预设规则划分数据集,以及对各历史数据进行阶段划分;
提取目标数据集的历史数据计算阶段状态转移矩阵,并基于所述阶段状态转移矩阵计算历史违约迁徙率边际;
基于预设前瞻性调整模型对所述历史违约迁徙率边际进行处理,得到经前瞻性调整的边际违约概率;
基于所述经前瞻性调整的边际违约概率计算得到预期信用损失。
2.根据权利要求1所述的方法,其特征在于,对历史数据按照预设规则划分数据集,以及对各历史数据进行阶段划分,包括:
对历史数据按照风险特征、客户类型、行业门类以及产品种类中的至少一种划分数据集;
确定各数据集中的历史数据的信用风险进行阶段划分,得到历史数据的阶段判断结果为一阶段、二阶段或三阶段。
3.根据权利要求1所述的方法,其特征在于,提取目标数据集的历史数据计算阶段状态转移矩阵,包括:
提取目标数据集中的所有历史数据;
计算目标数据集中在指定业务日期发生阶段状态转移事件的数量与期初原阶段状态数量的迁徙率;
基于所述迁徙率构建阶段状态转移矩阵。
4.根据权利要求3所述的方法,其特征在于,基于所述阶段状态转移矩阵计算历史违约迁徙率边际,包括:
基于所述迁徙率,计算指定业务日期的后一周期违约相对于前一周期未违约的历史违约迁徙率边际。
5.根据权利要求1所述的方法,其特征在于,在基于所述阶段状态转移矩阵计算历史违约迁徙率边际之后,所述方法还包括:
选取预设数量个时间节点,对所述历史违约迁徙率边际计算平均值,得到历史稳定违约迁徙率边际;
相应的,基于预设前瞻性调整模型对所述历史违约迁徙率边际进行处理,得到经前瞻性调整的边际违约概率,包括:
采用第一前瞻性调整模型和第二前瞻性调整模型,基于所述历史违约迁徙率边际和历史稳定违约迁徙率边际,计算经前瞻性调整的边际违约概率。
6.根据权利要求5所述的方法,其特征在于,所述第一前瞻性调整模型为Wilson模型;所述第二前瞻性调整模型为Merton-vasicek模型;
所述Wilson模型的计算过程包括调整因子;
所述Merton-vasicek模型的计算过程包括周期指数因子;
所述调整因子和所述周期指数因子是基于宏观经济变量预测模型得到的。
7.根据权利要求2所述的方法,其特征在于,基于所述经前瞻性调整的边际违约概率计算得到预期信用损失,包括:
针对一阶段债项,根据所述经前瞻性调整的边际违约概率计算一年期违约信用损失;
针对二阶段债项,根据所述经前瞻性调整的边际违约概率计算存续期违约信用损失;
针对三阶段债项,使用的所述经前瞻性调整的边际违约概率为1,以计算存续期违约信用损失。
8.根据权利要求1所述的方法,其特征在于,在基于所述经前瞻性调整的边际违约概率计算得到预期信用损失之后,所述方法还包括:
基于所述预期信用损失,确定高危行业群体和高风险客户群体。
9.一种预期信用损失的确定装置,其特征在于,所述装置包括:
历史数据阶段划分模块,用于对历史数据按照预设规则划分数据集,以及对各历史数据进行阶段划分;
历史违约迁徙率边际计算模块,用于提取目标数据集的历史数据计算阶段状态转移矩阵,并基于所述阶段状态转移矩阵计算历史违约迁徙率边际;
边际违约概率确定模块,用于基于预设前瞻性调整模型对所述历史违约迁徙率边际进行处理,得到经前瞻性调整的边际违约概率;
预期信用损失确定模块,用于基于所述经前瞻性调整的边际违约概率计算得到预期信用损失。
10.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的预期信用损失的确定方法。
11.一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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-8中任一项所述的预期信用损失的确定方法。
12.一种计算机程序产品,其特征在于,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根据权利要求1-8中任一项所述的预期信用损失的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210334116.3A CN114708079A (zh) | 2022-03-30 | 2022-03-30 | 一种预期信用损失的确定方法、装置、设备、介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210334116.3A CN114708079A (zh) | 2022-03-30 | 2022-03-30 | 一种预期信用损失的确定方法、装置、设备、介质及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114708079A true CN114708079A (zh) | 2022-07-05 |
Family
ID=82171268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210334116.3A Pending CN114708079A (zh) | 2022-03-30 | 2022-03-30 | 一种预期信用损失的确定方法、装置、设备、介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708079A (zh) |
-
2022
- 2022-03-30 CN CN202210334116.3A patent/CN114708079A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086954B (zh) | 基于资金流预测收益率的预测方法、装置、设备及介质 | |
CN117593115A (zh) | 信贷风险评估模型的特征值确定方法、装置、设备和介质 | |
CN116739742A (zh) | 信贷风控模型的监控方法、装置、设备及存储介质 | |
CN115759751A (zh) | 一种企业风险预测方法、装置、存储介质、电子设备及产品 | |
CN114708079A (zh) | 一种预期信用损失的确定方法、装置、设备、介质及产品 | |
Warty et al. | Sequential Bayesian learning for stochastic volatility with variance‐gamma jumps in returns | |
CN115545909A (zh) | 一种审批方法、装置、设备及存储介质 | |
CN115081630A (zh) | 多任务模型的训练方法、信息推荐方法、装置和设备 | |
CN114999665A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN115062687A (zh) | 企业信用监控方法、装置、设备及存储介质 | |
CN113112311A (zh) | 训练因果推断模型的方法、信息提示方法以装置 | |
CN113010782A (zh) | 需求量获取方法、装置、电子设备以及计算机可读介质 | |
US20230409984A1 (en) | Information processing device, method, and medium | |
CN115221421A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN117591567A (zh) | 一种资产信息分析方法及装置 | |
CN114742153A (zh) | 一种基于配电网一张图的用电行为分析方法 | |
CN114897381A (zh) | 一种账务评价方法、装置、设备、介质及产品 | |
CN117035846A (zh) | 信息预测方法、装置及相关设备 | |
CN117237070A (zh) | 一种资源分配策略的评价方法、装置、设备及介质 | |
CN118313921A (zh) | 一种数据处理方法、装置、设备、存储介质及产品 | |
CN113886541A (zh) | 需求评估信息生成方法、需求评估信息展示方法及装置 | |
CN117649176A (zh) | 货物补充方法、装置、设备及存储介质 | |
CN114926069A (zh) | 模型训练方法和工作量分配方法 | |
CN117407439A (zh) | 转化数据确定方法、装置、设备及存储介质 | |
CN117635310A (zh) | 贷款逾期风险的确定方法、装置、设备和介质 |
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 |