CN114708081A - 信用风险预测方法及装置、电子设备和可读存储介质 - Google Patents

Abstract

本公开提供了一种信用风险预测方法及装置、电子设备和可读存储介质，可以应用于大数据领域和金融领域。该信用风险预测方法包括：响应于接收到信用风险预测请求，根据信用风险预测请求，确定预测模型类型；在预测模型类型为迁移率预测模型的情况下，确定预测基础数据，其中，预测基础数据包括模型信息、情景信息、历史逾期信息和历史迁移率信息；根据预测基础数据，确定初始迁移率矩阵；以及根据初始迁移率矩阵，确定信用风险预测结果。

Description

信用风险预测方法及装置、电子设备和可读存储介质

技术领域

本公开涉及大数据领域和金融领域，更具体地，涉及一种信用风险预测方法及装置、电子设备、可读存储介质和一种计算机程序产品。

背景技术

信用风险(Credit Risk)，是指交易对手未能履行约定契约中的义务而造成经济损失的风险，即受信人不能履行还本付息的责任而使授信人的预期收益与实际收益发生偏离的可能性。随着大数据的发展，各种金融机构可以通过压力测试来评估信用风险。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：由于影响违约概率的宏观因素较多，现有的回归模型的拟合效果较差，测试结果通常存在误差。

发明内容

有鉴于此，本公开提供了信用风险预测方法及装置、电子设备和可读存储介质。

根据本公开的一个方面，提供了一种信用风险预测方法，包括：

响应于接收到信用风险预测请求，根据上述信用风险预测请求，确定预测模型类型；

在上述预测模型类型为迁移率预测模型的情况下，确定预测基础数据，其中，上述预测基础数据包括模型信息、情景信息、历史逾期信息和历史迁移率信息；

根据上述预测基础数据，确定初始迁移率矩阵；以及

根据上述初始迁移率矩阵，确定信用风险预测结果。

根据本公开的实施例，上述根据上述预测基础数据，确定初始迁移率矩阵包括：

根据上述模型信息，确定第一类迁移率；

根据上述第一类迁移率，确定第二类迁移率；

根据上述历史逾期信息和上述历史迁移率信息，确定第三类迁移率；

根据上述第一类迁移率、上述第二类迁移率和上述第三类迁移率，确定第四类迁移率；以及

根据上述第一类迁移率、上述第二类迁移率、上述第三类迁移率和上述第四类迁移率，确定上述初始迁移率矩阵。

根据本公开的实施例，上述信用风险预测请求包括预测参数、产品类型、基准日期、测试周期、测试次数、校准次数和情景类型中的至少一项。

根据本公开的实施例，上述根据上述模型信息，确定第一类迁移率包括：

响应于上述信用风险预测请求包括上述校准次数，根据上述校准次数，确定历史第一类迁移率；

根据上述模型信息和上述宏观变量信息，确定初始第一类迁移率；

根据上述历史第一类迁移率和上述历史迁移率信息，确定迁移率校准值；以及

根据上述迁移率校准值和上述初始第一类迁移率，确定上述第一类迁移率。

根据本公开的实施例，上述在上述预测模型类型为迁移率预测模型的情况下，确定预测基础数据包括：

根据上述预测模型类型和上述产品类型，确定上述模型信息；

根据上述基准日期、上述测试周期、上述测试次数、上述情景类型和上述模型信息，确定上述情景信息；以及

根据上述产品类型、上述基准日期和上述校准次数，确定上述历史逾期信息和上述历史迁移率信息。

根据本公开的实施例，上述根据上述基准日期、上述测试周期、上述测试次数、上述情景类型和上述模型信息，确定上述情景信息包括：

根据上述模型信息，确定宏观变量信息；

根据上述基准日期、上述测试周期和上述测试次数，确定预测时间范围；以及

根据上述宏观变量信息、上述情景类型和上述预测时间范围，确定上述情景信息。

根据本公开的实施例，上述根据上述初始迁移率矩阵，确定信用风险预测结果包括：

对上述初始迁移率矩阵进行检测，得到待处理迁移率矩阵；

对上述待处理迁移率矩阵进行处理，得到迁移率矩阵；

根据上述迁移率矩阵，确定初始信用风险预测结果；以及

基于上述历史逾期信息和上述历史迁移率信息，对上述初始信用风险预测结果进行校准，得到上述信用风险预测结果。

根据本公开的实施例，上述对上述待处理迁移率矩阵进行处理，得到迁移率矩阵包括：

确定上述待处理迁移率矩阵的秩的范围；

根据上述预测基础数据和上述秩的范围，建立矩阵补全模型；以及

对上述矩阵补全模型进行处理，得到上述迁移率矩阵。

根据本公开的实施例，上述预测参数包括违约概率和违约损失率；上述预测模型类型包括回归预测模型和上述迁移率预测模型；上述产品类型包括个人住房贷款、个人商业贷款、普通信用卡和专项信用卡；上述情景类型包括基准情景、轻度压力、中度压力和重度压力。

根据本公开的实施例，上述信用风险预测方法还包括：

在上述预测模型类型为回归预测模型的情况下，确定上述模型信息和上述情景信息；

根据上述模型信息和上述情景信息，确定上述信用风险预测结果。

根据本公开的另一个方面，提供了一种信用风险预测装置，包括：

第一确定模块，用于响应于接收到信用风险预测请求，根据上述信用风险预测请求，确定预测模型类型。

第二确定模块，用于在上述预测模型类型为迁移率预测模型的情况下，确定预测基础数据，其中，上述预测基础数据包括模型信息、情景信息、历史逾期信息和历史迁移率信息。

第三确定模块，用于根据上述预测基础数据，确定初始迁移率矩阵。

第四确定模块，用于根据上述初始迁移率矩阵，确定信用风险预测结果。

根据本公开的另一个方面，提供了一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个指令，

其中，当上述一个或多个指令被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如上所述的方法。

根据本公开的另一个方面，提供了一种计算机可读存储介质，其上存储有可执行指令，上述可执行指令被处理器执行时使处理器实现如上所述的方法。

根据本公开的另一个方面，提供了一种计算机程序产品，上述计算机程序产品包括计算机可执行指令，上述计算机可执行指令在被执行时用于实现如上所述的方法。

根据本公开的实施例，通过信用风险预测请求确定预测模型类型，在预测模型类型为迁移率预测模型的情况下，根据预测基础数据确定初始迁移率矩阵，并根据该初始迁移率矩阵确定信用风险预测结果。通过上述技术手段，至少部分地克服了相关技术中影响违约概率的宏观因素较多，现有回归模型的拟合效果较差的技术问题，进而实现了提高信用风险的预测精确度的技术效果。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的可以应用信用风险预测方法的系统架构；

图2示意性示出了根据本公开实施例的信用风险预测方法的流程图；

图3示意性示出了根据本公开实施例的确定初始迁移率矩阵的方法流程图；

图4示意性示出了根据本公开实施例的确定第一类迁移率的方法流程图；

图5示意性示出了根据本公开实施例的确定情景信息的方法流程图；

图6示意性示出了根据本公开实施例的确定信用风险预测结果的方法流程图；

图7示意性示出了根据本公开实施例的得到迁移率矩阵的方法流程图；

图8示意性示出了根据本公开另一实施例的可以应用信用风险预测方法的系统架构；

图9示意性示出了根据本公开的实施例的信用风险预测装置的框图；以及

图10示意性示出了根据本公开实施例的适于实现信用风险预测方法的电子设备的框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

在本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

信用风险，又称违约风险，是指交易对手未能履行约定契约中的义务而造成经济损失的风险，即受信人不能履行还本付息的责任而使授信人的预期收益与实际收益发生偏离的可能性。随着大数据的发展，各种金融机构可以通过压力测试来评估信用风险。

压力测试可以用于评估在遇到宏观经济环境重大变化时，资产组合的脆弱性以及损失的严重程度，以衡量金融危机等极端环境下的风险特性。目前通常通过直接建立宏观经济变量和违约概率(PD，Probability of Default)、宏观经济变量和违约损失率(LGD，Loss Given Default)之间的回归模型，通过预测资产组合在压力情景下的潜在损失，可以进行信用风险的压力测试。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：由于影响违约概率的宏观因素较多，现有的回归模型的拟合效果较差，测试结果通常存在误差。

为了至少部分地解决相关技术中存在的技术问题，本公开提供了一种信用风险预测方法及装置、电子设备和可读存储介质，可以应用于大数据领域和金融领域。该信用风险预测方法包括：响应于接收到信用风险预测请求，根据信用风险预测请求，确定预测模型类型；在预测模型类型为迁移率预测模型的情况下，确定预测基础数据，其中，预测基础数据包括模型信息、情景信息、历史逾期信息和历史迁移率信息；根据预测基础数据，确定初始迁移率矩阵；根据初始迁移率矩阵，确定信用风险预测结果。

需要说明的是，本公开实施例提供的信用风险预测方法和装置可用于大数据领域和金融领域，例如应用于针对个人用户的零售信用风险压力测试。本公开实施例提供的信用风险预测方法和装置也可用于除大数据领域和金融领域之外的任意领域，例如应用于违约概率的预测。本公开实施例提供的信用风险预测方法和装置的应用领域不做限定。

图1示意性示出了根据本公开实施例的可以应用信用风险预测方法的系统架构。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。

终端设备101、102、103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105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所发起的请求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用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的信用风险预测方法一般可以由服务器105执行。相应地，本公开实施例所提供的信用风险预测装置一般可以设置于服务器105中。本公开实施例所提供的信用风险预测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的信用风险预测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者，本公开实施例所提供的信用风险预测方法也可以由终端设备101、102、或103执行，或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地，本公开实施例所提供的信用风险预测装置也可以设置于终端设备101、102、或103中，或设置于不同于终端设备101、102、或103的其他终端设备中。

例如，信用风险预测请求可以根据用户操作实时生成，其中，操作可以是用户在终端设备101、102或103中的任意一个(例如，终端设备101，但不限于此)上进行，然后，终端设备101可以在本地执行本公开实施例所提供的信用风险预测方法，或者将信用风险预测请求发送到其他终端设备、服务器、或服务器集群，并由接收该信用风险预测请求的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的信用风险预测方法。

应该理解，图1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。

图2示意性示出了根据本公开实施例的信用风险预测方法的流程图。

如图2所示，该信用风险预测方法包括操作S201～S204。

在操作S201，响应于接收到信用风险预测请求，根据信用风险预测请求，确定预测模型类型。

根据本公开的实施例，可以由业务人员输入相关任务参数，生成信用风险预测请求。

根据本公开的实施例，信用风险预测也可以称为压力测试，压力测试可以识别、计量和控制流动性风险。通过压力测试可以将整个金融机构或资产组合置于某一主观想象的特定的极端市场情况下，例如假设利率骤升100个基本点、某一货币突然贬值30％、股价暴跌20％等情况，然后测试该金融机构或资产组合在这些关键市场变量突变的压力下的表现状况，预测金融机构或资产组合在压力情景下的潜在损失，确定能否经受该种市场突变。

在操作S202，在预测模型类型为迁移率预测模型的情况下，确定预测基础数据，其中，预测基础数据包括模型信息、情景信息、历史逾期信息和历史迁移率信息。

根据本公开的实施例，可以首先确定预测模型类型，并在预测模型类型为迁移率预测模型的情况下，根据信用风险预测请求中的请求参数确定预测基础数据，以便于后续根据模型信息和情景信息进行结果预测，并根据历史逾期信息和历史迁移率信息进行结果校准。

在操作S203，根据预测基础数据，确定初始迁移率矩阵。

根据本公开的实施例，初始迁移率矩阵可以包括不同历史阶段的迁移率。

在操作S204，根据初始迁移率矩阵，确定信用风险预测结果。

根据本公开的实施例，信用风险预测结果可以包括违约概率(Probability ofDefault，PD)和违约损失率(Loss Given Default，LGD)。

根据本公开的实施例，通过信用风险预测请求确定预测模型类型，在预测模型类型为迁移率预测模型的情况下，根据预测基础数据确定初始迁移率矩阵，并根据该初始迁移率矩阵确定信用风险预测结果。通过上述技术手段，至少部分地克服了相关技术中影响违约概率的宏观因素较多，现有回归模型的拟合效果较差地技术问题，进而实现了提高信用风险的预测精确度的技术效果。

下面参考图3～图8，结合具体实施例对图2所示的方法做进一步说明。

根据本公开的实施例，信用风险预测请求包括预测参数、产品类型、基准日期、测试周期、测试次数、校准次数和情景类型中的至少一项。

根据本公开的实施例，业务人员可以首先设置预测参数、预测模型类型、产品类型和情景类型，然后再设置基准日期、测试周期、测试次数和校准次数等其他参数。

根据本公开的实施例，预测参数包括违约概率和违约损失率。预测模型类型包括回归预测模型和迁移率预测模型。产品类型包括个人住房贷款、个人商业贷款、普通信用卡和专项信用卡。情景类型包括基准情景、轻度压力、中度压力和重度压力。

根据本公开的实施例，迁移率预测模型可以包括如下式(1)所示的回归方程序列集合：

RR＝{RR_mn} (1)

其中，RR_mn表示债项逾期从m期转移到n期的概率，序列集合可以包括{RR00，RR01，RR10，RR11，RR12，RR20，RR21，RR22，RR23，RR30，RR31，RR32，RR33，RR34，RR40，RR41，RR42，RR43，RR4D}。

根据本公开的实施例，回归预测模型可以包括违约概率、违约损失率与相应宏观经济变量的回归方程。

根据本公开的实施例，预测模型类型还可以包括自回归模型，并在信用风险预测请求包括自回归模型参数的情况下，进行基于自回归模型的信用风险预测。

根据本公开的实施例，在所述预测模型类型为迁移率预测模型的情况下，确定预测基础数据包括：

根据所述预测模型类型和所述产品类型，确定所述模型信息。根据所述基准日期、所述测试周期、所述测试次数、所述情景类型和所述模型信息，确定所述情景信息。根据所述产品类型、所述基准日期和所述校准次数，确定所述历史逾期信息和所述历史迁移率信息。

根据本公开的实施例，可以根据信用风险预测请求确定模型信息、情景信息、历史逾期信息和历史迁移率信息，以便将上述各信息作为后续预测的基础数据，进行违约概率和违约损失率的计算。

根据本公开的实施例，信用风险预测方法还包括：

在预测模型类型为回归预测模型的情况下，确定模型信息和情景信息。根据模型信息和情景信息，确定信用风险预测结果。

根据本公开的实施例，可以在预测模型类型为回归预测模型的情况下，建立宏观经济变量与违约概率和违约损失率的回归模型，并设置宏观经济变量的波动场景，然后可以利用该回归模型预测在不同压力场景下，直接计算得到违约概率和违约损失率的预测值。

图3示意性示出了根据本公开实施例的确定初始迁移率矩阵的方法流程图。

如图3所示，该确定初始迁移率矩阵的方法包括操作S301～S305。

在操作S301，根据模型信息，确定第一类迁移率。

根据本公开的实施例，第一类迁移率可以包括回归类迁移率，即基于回归类模型的迁移率，可以将宏观变量信息代入回归类模型公式集并进行求解，回归类模型可以使用如下式(2)表示：

y₁＝F(·)＝β₁·x₁+β₂·x₂+…+β_nx_n+γ (2)

其中，x₁，x₂，…x_n表示宏观变量信息集，y₁表示第一类迁移率，β₁，β₂...β_n为不同宏观变量的权重，γ为校准值。

然后，可以使用式(3)对y₁进行逆Logit转换：

RR_(i→j)＝1/(1+e-_F ^(·)) (3)

其中，RR_(i→j)表示债项违约从i期迁移到j期的迁移率。

根据本公开的实施例，通过使用Logit模型，可以将债项违约率直接或间接转化为综合指标，并将该综合指标作为因变量与宏观经济变量进行多元线性回归分析。

根据本公开的实施例，例如假设迁移率RR01、RR10、RR30和RR44所涉及的模型如下式(4)～(7)所示，均为回归类模型：

其中，RR01表示本月从未逾期转移到逾期一期的概率，RR10表示本月从逾期一期转为未逾期的概率，RR12表示本月从逾期一期转移到逾期二期的概率，RR30表示本月从逾期三期转移到未逾期的概率，逾期满三期则为违约，RR4D表示保持违约状态的概率。

在操作S302，根据第一类迁移率，确定第二类迁移率。

根据本公开的实施例，第二类迁移率可以包括相关类迁移率，即在基于回归类迁移率的基础上，计算与回归类迁移率具有相关性的迁移率，相关类迁移率模型可以使用如下式(8)表示：

其中，y₁表示第一类迁移率，y₂表示第二类迁移率，k_n、

表示常数，k_n≠0。

根据本公开的实施例，由于客户在发生逾期一期之后，再次逾期的概率会明显增大，或者在向上转移的概率增大之后，向下转移的概率一般会减小，所以不同的逾期阶段会呈现一定的正负相关性，因此，可以按照逾期状态在时间序列上的相关性确定第二类迁移率，如下式(9)～(15)所示：

根据本公开的实施例，可以将RR01、RR30、RR44等第一类迁移率代入上式，以便确定RR12、RR23、RR32等第二类迁移率。

在操作S303，根据历史逾期信息和历史迁移率信息，确定第三类迁移率。

根据本公开的实施例，第三类迁移率可以包括滑动平均类迁移率，即根据历史逾期信息和历史迁移率信息，滑动取历史前n期的平均值，滑动平均类迁移率模型可以使用如下式(16)表示：

其中，y_t表示第三类迁移率，y_t-i表示历史迁移率信息，n表示历史逾期信息。

根据本公开的实施例，可以通过滑动平均类迁移率模型确定例如RR21、RR31、RR42等难以用宏观变量信息进行回归预测，并且在时间序列上没有强相关性的迁移率。

在操作S304，根据第一类迁移率、第二类迁移率和第三类迁移率，确定第四类迁移率。

根据本公开的实施例，第四类迁移率可以包括简单类迁移率，即利用迁移率矩阵的概率约束，求解剩余的迁移率，简单类迁移率模型可以使用如下式(17)～(21)所示：

RR00+RR01＝1 (17)

RR10+RR11+RR12＝1 (18)

RR20+RR21+RR22+RR23＝1 (19)

RR30+RR31+RR32+RR33+RR34＝1 (20)

RR40+RR41+RR42+RR43+RR4D＝1 (21)

其中，RRmn∈{RR_i→j}，0≤RRmn≤1。

在操作S305，根据第一类迁移率、第二类迁移率、第三类迁移率和第四类迁移率，确定初始迁移率矩阵。

根据本公开的实施例，可以将回归类迁移率、相关类迁移率、滑动平均类迁移率和简单类迁移率进行合并，确定包括各阶段的初始迁移率矩阵。

根据本公开的实施例，通过根据模型信息，依次确定第一类迁移率、第二类迁移率、第三类迁移率和第四类迁移率，可以将计算得到的各类迁移率合并，并最终确定初始迁移率矩阵。通过计算不同宏观经济变量与不同逾期阶段之间的迁移率，可以分别预测每个迁移阶段的迁移率，以便后续根据初始迁移率矩阵计算得到信用风险预测结果。

图4示意性示出了根据本公开实施例的确定第一类迁移率的方法流程图。

如图4所示，该确定第一类迁移率的方法包括操作S401～S404。

在操作S401，响应于信用风险预测请求包括校准次数，根据校准次数，确定历史第一类迁移率。

在操作S402，根据模型信息和宏观变量信息，确定初始第一类迁移率。

根据本公开的实施例，宏观变量信息可以表示宏观经济学研究的宏观经济总量。宏观变量信息可以包括国内生产总值(Gross Domestic Product，GDP)、消费者物价指数(Consumer Price Index，CPI)、生产价格指数(Producer Price Index，PPI)、社会消费品零售总额、固定资产投资完成额、出口总值、城镇失业人数、进口总值、城镇居民可支配收入等。

在操作S403，根据历史第一类迁移率和历史迁移率信息，确定迁移率校准值。

在操作S404，根据迁移率校准值和初始第一类迁移率，确定第一类迁移率。

根据本公开的实施例，可以根据信用风险预测请求中是否包括校准次数，确定是否需要对第一类迁移率进行校准。可以将历史第一类迁移率和历史迁移率信息的误差值作为校准值，校准后的第一类迁移率模型可以使用如下式(22)～(25)所示：

RR01′＝RR01+φ₁ (22)

RR10′＝RR10+φ₂ (23)

RR30′＝RR30+φ₃ (24)

RR4D′＝RR4D+φ₄ (25)

其中，RRmn表示校准前的第一类迁移率，RRmn′表示校准后的第一类迁移率，φ_k表示校准值。

根据本公开的实施例，当信用风险预测请求包括校准次数时，可以根据模型信息确定初始第一类迁移率，根据校准次数和历史迁移率信息确定迁移率校准值，以便进一步确定第一类迁移率。通过上述技术手段，可以将历史某时段的第一类迁移率与该时段的真实迁移率之间的误差值作为校准值，添加到第一类迁移率的计算模型中，以便对输出的预测数据进行校准，可以根据历史信息提高第一类迁移率的预测准确率。

图5示意性示出了根据本公开实施例的确定情景信息的方法流程图。

如图5所示，该确定情景信息的方法包括操作S501～S503。

在操作S501，根据模型信息，确定宏观变量信息。

根据本公开的实施例，可以根据模型信息抽取该次预测请求对应模型所包含的宏观变量列表。

在操作S502，根据基准日期、测试周期和测试次数，确定预测时间范围。

根据本公开的实施例，可以确定以基准日期开始，以基准日期+测试次数×测试周期为终止的预测时间范围。

在操作S503，根据宏观变量信息、情景类型和预测时间范围，确定情景信息。

根据本公开的实施例，可以在该预测时间范围内，生成每个宏观变量在所选情景类型下的波动序列，从而确定情景信息。

根据本公开的实施例，通过根据基准日期、测试周期、测试次数、情景类型和模型信息，确定情景信息，可以生成预测时间范围内宏观经济变量的情景信息，以便后续通过假设情境法进行宏观压力测试，定量分析宏观经济因素波动对信用风险预测结果的影响。

图6示意性示出了根据本公开实施例的确定信用风险预测结果的方法流程图。

如图6所示，该确定信用风险预测结果的方法包括操作S601～S604。

在操作S601，对初始迁移率矩阵进行检测，得到待处理迁移率矩阵。

根据本公开的实施例，可以对初始迁移率矩阵进行非法值检测，即对矩阵中负值或大于1的值和其他不满足转移率矩阵约束条件的值进行删除并标记，以便得到剔除非法值的不完整的待处理迁移率矩阵。

在操作S602，对待处理迁移率矩阵进行处理，得到迁移率矩阵。

根据本公开的实施例，可以对不完整的待处理迁移率矩阵进行矩阵补全，以便得到补全后的完整的迁移率矩阵。

在操作S603，根据迁移率矩阵，确定初始信用风险预测结果。

在操作S604，基于历史逾期信息和历史迁移率信息，对初始信用风险预测结果进行校准，得到信用风险预测结果。

根据本公开的实施例，通过对初始迁移率矩阵进行非法值检测，可以对得到剔除非法值的不完整的待处理迁移率矩阵进行矩阵元素补全，并可以根据迁移率矩阵、历史逾期信息和历史迁移率信息，得到校准后的信用风险预测结果。通过上述技术手段，可以减少非法值对信用风险预测结果的影响，从而提高信用风险预测的自动化程度和预测精确度。

图7示意性示出了根据本公开实施例的得到迁移率矩阵的方法流程图。

如图7所示，该得到迁移率矩阵的方法包括操作S701～S703。

在操作S701，确定待处理迁移率矩阵的秩的范围。

根据本公开的实施例，可以根据矩阵的先验信息估算待处理迁移率矩阵的秩的范围，例如可以通过将矩阵总列数减去可直接被其他列线性表出的列的个数，即迁移率的个数减去可被其他迁移率线性表出的个数，得到数值R_max，则矩阵的秩的范围为r_x≤R_max。

在操作S702，根据预测基础数据和秩的范围，建立矩阵补全模型。

根据本公开的实施例，矩阵补全(Matrix Completion，MC)是当矩阵中的元素存在未知或缺失的情况下，根据已知元素去估计未知元素，从而把矩阵恢复完整的过程。

根据本公开的实施例，可以通过基于核范数近似的矩阵填充算法、基于矩阵分解的矩阵填充算法和基于非凸函数近似的矩阵填充算法进行矩阵补全。

根据本公开的实施例，矩阵补全模型可以使用如下式(26)～(28)表示：

s.t.AX＝b (27)

rank(X)≤R_max (28)

其中，M表示带有缺失值的待处理迁移率矩阵，X表示补全后的迁移率矩阵，AX表示线性算子，即矩阵的线性约束，rank(X)表示矩阵X的秩，R_max表示矩阵总列数减去可直接被其他列线性表出的列的个数。

在操作S703，对矩阵补全模型进行处理，得到迁移率矩阵。

根据本公开的实施例，可以将秩函数分解为DC格式，矩阵补全模型转化为如下式(29)～(31)所示：

s.t.AX＝b (30)

g₁(x)-g₂(x)≤r (31)

其中，

g₂(x)＝||X||_*-Φ(·)，g₁(x)与g₂(x)表示凸函数，非凸函数Φ(·)表示秩函数近似函数。

对矩阵补全模型的求解处理可以转化为如下式(32)所示的最优化问题：

该最优化问题的拉格朗日函数可以如下式(33)所示：

其中，y，z表示拉格朗日乘子。

KKT(Karush-Kuhn-Tucker)条件可以使用如下式(34)～(36)表示：

z[g₁(X)-g₂(X^k)-<V^K，X-X^K>-r]＝0，z≥0 (35)

y(AX-b)＝0 (36)

其中，A^*表示A的共轭矩阵。

可以利用次梯度法求解KKT点，引入正量标β≥0，得到式(37)～(39)：

[z+β{g₁(X)-g₂(X^k)-<V^K，X-X^K>-r}]₊-z＝0 (38)

[y+β(AX-b)]₊-y＝0 (39)

迭代算法可以表示为：

Step1：初始化X₀，V₀，y₀，z₀，r，常数β＞0，允许误差ε，k＝0.

Step2：for all ||X^k+1-X^k||≥δdo

固定V，y，z，根据式(37)迭代X

固定X，V，根据式(38)迭代z

固定X，根据式(39)迭代y

end for

step3：输出X^*

其中，X^*表示补全后的迁移率矩阵的共轭矩阵。

根据本公开的实施例，通过预测基础数据和秩的范围建立秩极小化矩阵补全模型，可以对迁移率矩阵的已删除非法值进行迭代补全，输出完整迁移率矩阵，减少非法值对信用风险预测结果的影响，提高矩阵补全模型的适用性和数据精准度。

图8示意性示出了根据本公开另一实施例的可以应用信用风险预测方法的系统架构。

如图8所示，该系统架构可以包括任务参数输入单元801、数据准备单元802、模型维护单元803、情景生成单元804、历史逾期结构生成单元805、违约概率和违约损失率计算单元806、结果校准单元807和存储单元808。

任务参数输入单元801可以接收业务人员输入的任务参数，包括预测参数、预测模型类型、产品类型、基准日期、测试周期、测试次数、校准次数和情景类型。然后，将上述任务参数传输至数据准备单元802。

数据准备单元802可以接收任务参数输入单元801传入的任务参数。然后，根据任务参数，从模型维护单元803、情景生成单元804、历史逾期结构生成单元805，获取执行信用风险预测请求任务所需要的预测基础数据，包括模型信息、情景信息、历史逾期信息和历史迁移率信息。再将上述预测基础数据传输至违约概率和违约损失率计算单元806。

模型维护单元803可以根据任务参数中的预测模型类型和产品类型，确定模型信息，模型信息可以包括模型公式或模型公式集合。然后，可以将上述模型信息返回给数据准备单元802。再根据模型信息，将确定的宏观变量信息传输至给情景生成单元804。

情景生成单元804可以接收任务参数中的基准日期、测试周期、测试次数和情景类型，以及接收模型维护单元803输入的宏观变量信息。然后，可以模拟不同情景下对应宏观变量的波动值，将生成的情景信息返回给数据准备单元802。

历史逾期结构生成单元805可以接收任务参数中的基准日期、产品类型和校准次数。然后，在存储单元808中查询相关的历史数据。再将生成的历史逾期信息和历史迁移率信息返回给数据准备单元802。

违约概率和违约损失率计算单元806可以接收数据准备单元802传入的模型信息、情景信息、历史逾期信息和历史迁移率信息，作为信用风险预测请求的预测基础数据。然后，进行违约概率和违约损失率的计算并输出初始信用风险预测结果。

结果校准单元807可以接收违约概率和违约损失率计算单元输出的初始信用风险预测结果。然后，根据历史逾期信息和历史迁移率信息，用历史预测偏离历史违约概率和违约损失率真实值的误差作为校准值，对初始信用风险预测结果进行校准，输出校准后的信用风险预测结果。

存储单元808可以包括数据仓库工具(HIVE)和关系型数据库管理系统(mySQL)。

图9示意性示出了根据本公开的实施例的信用风险预测装置的框图。

如图9所示，信用风险预测装置900包括第一确定模块901、第二确定模块902、第三确定模块903和第四确定模块904。

第一确定模块901，用于响应于接收到信用风险预测请求，根据信用风险预测请求，确定预测模型类型。

第二确定模块902，用于在预测模型类型为迁移率预测模型的情况下，确定预测基础数据，其中，预测基础数据包括模型信息、情景信息、历史逾期信息和历史迁移率信息。

第三确定模块903，用于根据预测基础数据，确定初始迁移率矩阵。

第四确定模块904，用于根据初始迁移率矩阵，确定信用风险预测结果。

根据本公开的实施例，通过信用风险预测请求确定预测模型类型，在预测模型类型为迁移率预测模型的情况下，根据预测基础数据确定初始迁移率矩阵，并根据该初始迁移率矩阵确定信用风险预测结果。通过上述技术手段，至少部分地克服了相关技术中影响违约概率的宏观因素较多，现有回归模型的拟合效果较差地技术问题，进而实现了提高信用风险的预测精确度的技术效果。

根据本公开的实施例，第三确定模块903包括第一确定单元、第二确定单元、第三确定单元、第四确定单元和第五确定单元。

第一确定单元，用于根据模型信息，确定第一类迁移率。

第二确定单元，用于根据第一类迁移率，确定第二类迁移率。

第三确定单元，用于根据历史逾期信息和历史迁移率信息，确定第三类迁移率。

第四确定单元，用于根据第一类迁移率、第二类迁移率和第三类迁移率，确定第四类迁移率。

第五确定单元，用于根据第一类迁移率、第二类迁移率、第三类迁移率和第四类迁移率，确定初始迁移率矩阵。

根据本公开的实施例，信用风险预测请求包括预测参数、产品类型、基准日期、测试周期、测试次数、校准次数和情景类型中的至少一项。

根据本公开的实施例，第一确定单元包括第一确定子单元、第二确定子单元、第三确定子单元和第四确定子单元。

第一确定子单元，用于响应于信用风险预测请求包括校准次数，根据校准次数，确定历史第一类迁移率。

第二确定子单元，用于根据模型信息和宏观变量信息，确定初始第一类迁移率。

第三确定子单元，用于根据历史第一类迁移率和历史迁移率信息，确定迁移率校准值。

第四确定子单元，用于根据迁移率校准值和初始第一类迁移率，确定第一类迁移率。

根据本公开的实施例，第二确定模块902包括第六确定单元、第七确定单元和第八确定单元。

第六确定单元，用于根据预测模型类型和产品类型，确定模型信息。

第七确定单元，用于根据基准日期、测试周期、测试次数、情景类型和模型信息，确定情景信息。

第八确定单元，用于根据产品类型、基准日期和校准次数，确定历史逾期信息和历史迁移率信息。

根据本公开的实施例，第七确定单元包括第五确定子单元、第六确定子单元和第七确定子单元。

第五确定子单元，用于根据模型信息，确定宏观变量信息。

第六确定子单元，用于根据基准日期、测试周期和测试次数，确定预测时间范围。

第七确定子单元，用于根据宏观变量信息、情景类型和预测时间范围，确定情景信息。

根据本公开的实施例，第四确定模块904包括检测单元、第一处理单元、第九确定单元和校准单元。

检测单元，用于对初始迁移率矩阵进行检测，得到待处理迁移率矩阵。

第一处理单元，用于对待处理迁移率矩阵进行处理，得到迁移率矩阵。

第九确定单元，用于根据迁移率矩阵，确定初始信用风险预测结果。

校准单元，用于基于历史逾期信息和历史迁移率信息，对初始信用风险预测结果进行校准，得到信用风险预测结果。

根据本公开的实施例，处理单元包括第八确定子单元、模型建立单元和第二处理单元。

第八确定子单元，用于确定待处理迁移率矩阵的秩的范围。

模型建立单元，用于根据预测基础数据和秩的范围，建立矩阵补全模型。

第二处理单元，用于对矩阵补全模型进行处理，得到迁移率矩阵。

根据本公开的实施例，预测参数包括违约概率和违约损失率；预测模型类型包括回归预测模型和迁移率预测模型；产品类型包括个人住房贷款、个人商业贷款、普通信用卡和专项信用卡；情景类型包括基准情景、轻度压力、中度压力和重度压力。

根据本公开的实施例，信用风险预测装置900还包括第五确定模块和第六确定模块。

第五确定模块，用于在预测模型类型为回归预测模型的情况下，确定模型信息和情景信息。

第六确定模块，用于根据模型信息和情景信息，确定信用风险预测结果。

根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，第一确定模块901、第二确定模块902、第三确定模块903和第四确定模块904中的任意多个可以合并在一个模块/单元/子单元中实现，或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者，这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合，并在一个模块/单元/子单元中实现。根据本公开的实施例，第一确定模块901、第二确定模块902、第三确定模块903和第四确定模块904中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一确定模块901、第二确定模块902、第三确定模块903和第四确定模块904中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

需要说明的是，本公开的实施例中信用风险预测请求装置部分与本公开的实施例中信用风险预测请求方法部分是相对应的，信用风险预测请求装置部分的描述具体参考信用风险预测请求方法部分，在此不再赘述。

图10示意性示出了根据本公开实施例的适于实现信用风险预测方法的电子设备的框图。图10示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图10所示，根据本公开实施例的计算机电子设备1000包括处理器1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分10010加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。处理器1001例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器1001还可以包括用于缓存用途的板载存储器。处理器1001可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 1003中，存储有电子设备1000操作所需的各种程序和数据。处理器1001、ROM 1002以及RAM 1003通过总线1004彼此相连。处理器1001通过执行ROM 1002和/或RAM1003中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 1002和RAM 1003以外的一个或多个存储器中。处理器1001也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备1000还可以包括输入/输出(I/O)接口1005，输入/输出(I/O)接口1005也连接至总线1004。电子设备1000还可以包括连接至I/O接口1005的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1006；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1007；包括硬盘等的存储部分1008；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1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，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1010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1008。

根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本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存储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1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被处理器1001执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储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执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：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)、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。在本公开中，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。

例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 1002和/或RAM 1003和/或ROM 1002和RAM 1003以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行本公开实施例所提供的方法的程序代码，当计算机程序产品在电子设备上运行时，该程序代码用于使电子设备实现本公开实施例所提供的信用风险预测请求方法。

在该计算机程序被处理器1001执行时，执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1009被下载和安装，和/或从可拆卸介质1011被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“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设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (14)

1.一种信用风险预测方法，包括：

响应于接收到信用风险预测请求，根据所述信用风险预测请求，确定预测模型类型；

在所述预测模型类型为迁移率预测模型的情况下，确定预测基础数据，其中，所述预测基础数据包括模型信息、情景信息、历史逾期信息和历史迁移率信息；

根据所述预测基础数据，确定初始迁移率矩阵；以及

根据所述初始迁移率矩阵，确定信用风险预测结果。

2.根据权利要求1所述的方法，其中，所述根据所述预测基础数据，确定初始迁移率矩阵包括：

根据所述模型信息，确定第一类迁移率；

根据所述第一类迁移率，确定第二类迁移率；

根据所述历史逾期信息和所述历史迁移率信息，确定第三类迁移率；

根据所述第一类迁移率、所述第二类迁移率和所述第三类迁移率，确定第四类迁移率；以及

根据所述第一类迁移率、所述第二类迁移率、所述第三类迁移率和所述第四类迁移率，确定所述初始迁移率矩阵。

3.根据权利要求2所述的方法，其中，所述信用风险预测请求包括预测参数、产品类型、基准日期、测试周期、测试次数、校准次数和情景类型中的至少一项。

4.根据权利要求3所述的方法，其中，所述根据所述模型信息，确定第一类迁移率包括：

响应于所述信用风险预测请求包括所述校准次数，根据所述校准次数，确定历史第一类迁移率；

根据所述模型信息和所述宏观变量信息，确定初始第一类迁移率；

根据所述历史第一类迁移率和所述历史迁移率信息，确定迁移率校准值；以及

根据所述迁移率校准值和所述初始第一类迁移率，确定所述第一类迁移率。

5.根据权利要求3或4所述的方法，其中，所述在所述预测模型类型为迁移率预测模型的情况下，确定预测基础数据包括：

根据所述预测模型类型和所述产品类型，确定所述模型信息；

根据所述基准日期、所述测试周期、所述测试次数、所述情景类型和所述模型信息，确定所述情景信息；以及

根据所述产品类型、所述基准日期和所述校准次数，确定所述历史逾期信息和所述历史迁移率信息。

6.根据权利要求5所述的方法，其中，所述根据所述基准日期、所述测试周期、所述测试次数、所述情景类型和所述模型信息，确定所述情景信息包括：

根据所述模型信息，确定宏观变量信息；

根据所述基准日期、所述测试周期和所述测试次数，确定预测时间范围；以及

根据所述宏观变量信息、所述情景类型和所述预测时间范围，确定所述情景信息。

7.根据权利要求6所述的方法，其中，所述根据所述初始迁移率矩阵，确定信用风险预测结果包括：

对所述初始迁移率矩阵进行检测，得到待处理迁移率矩阵；

对所述待处理迁移率矩阵进行处理，得到迁移率矩阵；

根据所述迁移率矩阵，确定初始信用风险预测结果；以及

基于所述历史逾期信息和所述历史迁移率信息，对所述初始信用风险预测结果进行校准，得到所述信用风险预测结果。

8.根据权利要求6或7所述的方法，其中，所述对所述待处理迁移率矩阵进行处理，得到迁移率矩阵包括：

确定所述待处理迁移率矩阵的秩的范围；

根据所述预测基础数据和所述秩的范围，建立矩阵补全模型；以及

对所述矩阵补全模型进行处理，得到所述迁移率矩阵。

9.根据权利要求3所述的方法，其中，所述预测参数包括违约概率和违约损失率；所述预测模型类型包括回归预测模型和所述迁移率预测模型；所述产品类型包括个人住房贷款、个人商业贷款、普通信用卡和专项信用卡；所述情景类型包括基准情景、轻度压力、中度压力和重度压力。

10.根据权利要求9所述的方法，还包括：

在所述预测模型类型为回归预测模型的情况下，确定所述模型信息和所述情景信息；

根据所述模型信息和所述情景信息，确定所述信用风险预测结果。

11.一种信用风险预测装置，包括：

第一确定模块，用于响应于接收到信用风险预测请求，根据所述信用风险预测请求，确定预测模型类型；

第二确定模块，用于在所述预测模型类型为迁移率预测模型的情况下，确定预测基础数据，其中，所述预测基础数据包括模型信息、情景信息、历史逾期信息和历史迁移率信息；

第三确定模块，用于根据所述预测基础数据，确定初始迁移率矩阵；以及

第四确定模块，用于根据所述初始迁移率矩阵，确定信用风险预测结果。

12.一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个指令，

其中，当所述一个或多个指令被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至10中任一项所述的方法。

13.一种计算机可读存储介质，其上存储有可执行指令，所述可执行指令被处理器执行时使处理器实现权利要求1至10中任一项所述的方法。

14.一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，所述计算机可执行指令在被执行时用于实现权利要求1至10中任一项所述的方法。

Images