CN115760365A - 一种构建违约损失率预测模型的方法及装置 - Google Patents
一种构建违约损失率预测模型的方法及装置 Download PDFInfo
- Publication number
- CN115760365A CN115760365A CN202211472456.9A CN202211472456A CN115760365A CN 115760365 A CN115760365 A CN 115760365A CN 202211472456 A CN202211472456 A CN 202211472456A CN 115760365 A CN115760365 A CN 115760365A
- Authority
- CN
- China
- Prior art keywords
- factor
- layer
- loss rate
- value matrix
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 296
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 30
- 238000011084 recovery Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 description 12
- 150000001875 compounds Chemical class 0.000 description 9
- 230000000877 morphologic effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种构建违约损失率预测模型的方法及装置，方法包括：获取影响违约损失率的影响因素，构建违约损失率影响层次结构；对构建的违约损失率影响层次结构进行赋值，得到准则层值矩阵及因子层值矩阵；依据特征根计算策略及一致性判别策略，对矩阵进行调整，得到准则层一致性值矩阵及因子层一致性值矩阵；基于准则层一致性值矩阵、因子层一致性值矩阵、主因素排序权值、子因素排序权值及可变函数，获取违约损失率；基于获取的违约损失率以及实际的违约损失率，对准则层一致性值矩阵以及因子层一致性值矩阵进行修正，直至获取的违约损失率及实际的违约损失率的误差满足误差策略，得到违约损失率预测模型。可以提高LGD的预测精度。
Description
技术领域
本发明涉及信用风险估值技术领域，具体而言，涉及一种构建违约损失率(LGD，Loss Given Default)预测模型的方法及装置。
背景技术
金融机构对于信用风险的评估，一般采用违约损失率，即对于交易对手一旦违约可能造成的损失程度。LGD在监管计量资本中的应用，不仅使得新监管资本框架更具有风险敏感性，而且也得到了监管的认可，成为一种商业银行风险缓释技术，如担保、信用保险等，另外，LGD在银行内部信用评级和风险管理中也具有重要作用。对LGD进行深入研究，不仅有助于预测损失风险，而且有助于商业银行甄别不良资产和信贷损失成因中的信用风险因子和操作风险因子。
目前，巴塞尔新资本协议的内部评级法(IRB，Internal Rating Based Approach)支持有能力、有条件的金融机构采用符合自身情形的LGD预测模型，对LGD进行预测。其中，对应的方法主要有历史数据平均值法、资产估值法和模型法。其中，
历史数据平均法往往会忽略掉LGD的影响因素，如行业周期、宏观经济等，而基于历史数据的时间加权，会拉低高的LGD，使其尽可能的平滑，从而造成低估LGD。资产估值法是根据债务资产在违约和未违约两种状态下价值的变化来估计违约损失率，以期权理论定价为基础，按同类未违约的正常债券或贷款信用差价作为评估依据，使得预测值要么较高，要么较低。模型法中的默顿模型依赖于大量假设条件，使得其理论意义大于实际意义，预测精度也较低。
发明内容
有鉴于此，本发明的目的在于提供构建违约损失率预测模型的方法及装置，以提高LGD的预测精度。
第一方面，本发明实施例提供了构建违约损失率预测模型的方法，包括：
获取影响违约损失率的影响因素，基于获取的影响因素构建违约损失率影响层次结构；
对构建的违约损失率影响层次结构中的准则层因素矩阵进行赋值，得到准则层值矩阵，以及，对构建的违约损失率影响层次结构中的因子层因素矩阵进行赋值，得到因子层值矩阵；
依据预先设置的特征根计算策略以及一致性判别策略，对准则层值矩阵以及因子层值矩阵进行调整，得到准则层一致性值矩阵及因子层一致性值矩阵；
基于准则层一致性值矩阵、因子层一致性值矩阵、预先设置的主因素排序权值、子因素排序权值以及可变函数，获取违约损失率；
基于获取的违约损失率以及实际的违约损失率，对准则层一致性值矩阵以及因子层一致性值矩阵进行修正，直至获取的违约损失率以及实际的违约损失率的误差满足预先设置的误差策略，得到违约损失率预测模型。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述方法还包括：
基于所述违约损失率影响层次结构包含的各影响因素，获取待评估交易的影响因素数据值；
依据所述违约损失率预测模型中准则层一致性值矩阵以及因子层一致性值矩阵与影响因素数据值的映射关系，以及获取的影响因素数据值，构建待评估准则层值矩阵以及待评估因子层值矩阵；
基于待评估准则层值矩阵、待评估因子层值矩阵、主因素排序权值、子因素排序权值以及可变函数，得到所述待评估交易的预测违约损失率。
结合第一方面或第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述违约损失率影响层次结构包括准则层和因子层，基于获取的影响因素构建违约损失率影响层次结构，包括：
对获取的各影响因素进行聚类，得到多个主因素，基于得到的多个主因素构建准则层，以及，基于每一主因素包含的子因素，构建包含各子因素的因子层；
基于准则层包含的主因素，构建分别以包含的主因素为行列的准则层因素矩阵，以及，基于因子层每一主因素包含的子因素，分别构建以该主因素包含的子因素为行列的因子层因素矩阵。
结合第一方面或第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述对构建的违约损失率影响层次结构中的准则层因素矩阵进行赋值，得到准则层值矩阵，包括：
提取准则层因素矩阵中第一阈值行的第一主因素以及第二阈值列的第二主因素；
依据第一主因素相对第二主因素对违约损失率的影响程度，对准则层因素矩阵的第一阈值行第二阈值列进行赋值；
针对每一样本交易，提取包含的影响因素，依据提取的影响因素对应的值，与赋值的准则层因素矩阵进行匹配，得到准则层值矩阵。
结合第一方面或第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述依据预先设置的特征根计算策略以及一致性判别策略，对准则层值矩阵以及因子层值矩阵进行调整，得到准则层一致性值矩阵及因子层一致性值矩阵，包括：
依据预先设置的特征根计算策略，获取准则层值矩阵的准则最大特征根近似值，以及，因子层值矩阵的因子最大特征根近似值；
基于准则最大特征根近似值以及一致性判别策略，调整准则层值矩阵，得到准则层一致性值矩阵，以及，基于因子最大特征根近似值以及一致性判别策略，调整因子层值矩阵，得到因子层一致性值矩阵。
结合第一方面的第四种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述依据预先设置的特征根计算策略，获取因子层值矩阵的因子最大特征根近似值，包括：
对因子层值矩阵的每一列向量，分别进行归一化处理，得到因子列归一向量；
对因子列归一向量进行按行求和，得到因子行和值；
对因子行和值进行归一化处理，得到因子权向量；
依据因子权向量，计算因子最大特征根近似值。
结合第一方面或第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述基于准则层一致性值矩阵、因子层一致性值矩阵、预先设置的主因素排序权值、子因素排序权值以及可变函数，获取违约损失率，包括：
基于准则层一致性值矩阵对应的主因素排序权值，计算准则层排序权重，以及，基于因子层一致性值矩阵对应的子因素排序权值，计算因子层排序权重；
根据准则层排序权重与因子层排序权重，计算总权重；
根据总权重与因子值计算综合得分；
获取综合得分的核心参数，利用预先设置的可变函数对核心参数进行计算，得到资产回收率，基于资产回收率获取违约损失率。
第二方面，本发明实施例还提供了一种构建违约损失率预测模型的装置，包括：
层次构建模块，用于获取影响违约损失率的影响因素，基于获取的影响因素构建违约损失率影响层次结构；
赋值模块，用于对构建的违约损失率影响层次结构中的准则层因素矩阵进行赋值，得到准则层值矩阵，以及，对构建的违约损失率影响层次结构中的因子层因素矩阵进行赋值，得到因子层值矩阵；
一致性校正模块，用于依据预先设置的特征根计算策略以及一致性判别策略，对准则层值矩阵以及因子层值矩阵进行调整，得到准则层一致性值矩阵及因子层一致性值矩阵；
损失率计算模块，用于基于准则层一致性值矩阵、因子层一致性值矩阵、预先设置的主因素排序权值、子因素排序权值以及可变函数，获取违约损失率；
模型构建模块，用于基于获取的违约损失率以及实际的违约损失率，对准则层一致性值矩阵以及因子层一致性值矩阵进行修正，直至获取的违约损失率以及实际的违约损失率的误差满足预先设置的误差策略，得到违约损失率预测模型。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，本申请实施例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有计算机程序，所述计算机程序被处理器运行时执行上述的方法的步骤。
本发明实施例提供的构建违约损失率预测模型的方法及装置，通过获取影响违约损失率的影响因素，基于获取的影响因素构建违约损失率影响层次结构；对构建的违约损失率影响层次结构中的准则层因素矩阵进行赋值，得到准则层值矩阵，以及，对构建的违约损失率影响层次结构中的因子层因素矩阵进行赋值，得到因子层值矩阵；依据预先设置的特征根计算策略以及一致性判别策略，对准则层值矩阵以及因子层值矩阵进行调整，得到准则层一致性值矩阵及因子层一致性值矩阵；基于准则层一致性值矩阵、因子层一致性值矩阵、预先设置的主因素排序权值、子因素排序权值以及可变函数，获取违约损失率；基于获取的违约损失率以及实际的违约损失率，对准则层一致性值矩阵以及因子层一致性值矩阵进行修正，直至获取的违约损失率以及实际的违约损失率的误差满足预先设置的误差策略，得到违约损失率预测模型。这样，通过构建LGD影响层次结构，将影响LGD的各影响因素的指标进行量化，构建准则层和因子层，通过对矩阵进行赋值，依据一致性判别策略，对赋值进行一致性修正，基于修正的矩阵以及可变函数再进行修正，可在数据规模较小和质量不高的情形下，通过一致性修正以及可变函数修正，能够提升LGD预测的准确性，并能够有效降低预测所需的时间。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本发明实施例所提供的构建违约损失率预测模型的方法流程示意图；
图2示出了本发明实施例所提供的构建违约损失率预测模型的装置结构示意图；
图3为本申请实施例提供的一种计算机设备300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实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
目前的LGD预测模型，普遍存在预测精度较低的情形，本发明实施例中，提出基于可变层次的违约损失率预测模型，通过将层次法(AHP，Analytic Hierarchy Process)加入至可变函数，使得违约损失率预测结果可变，从而形成可变层次法(VAHP，VariableAnalytic Hierarchy Process)，以实现对LGD的预测，从而为银行或非银金融机构不良资产的处置提供一种新的标准依据，提升LGD预测精度。
本发明实施例提供了一种构建违约损失率预测模型的方法及装置，下面通过实施例进行描述。
图1示出了本发明实施例所提供的构建违约损失率预测模型的方法流程示意图。如图1所示，该方法包括：
步骤101，获取影响违约损失率的影响因素，基于获取的影响因素构建违约损失率影响层次结构；
本发明实施例中，违约损失率影响层次结构用于表征各影响因素对违约损失率的影响及影响因素之间的关联。作为一可选实施例，违约损失率影响层次结构包括准则层和因子层，基于获取的影响因素构建违约损失率影响层次结构，包括：
对获取的各影响因素进行聚类，得到多个主因素，基于得到的多个主因素构建准则层，以及，基于每一主因素包含的子因素，构建包含各子因素的因子层；
基于准则层包含的主因素，构建分别以包含的主因素为行列的准则层因素矩阵，以及，基于因子层每一主因素包含的子因素，分别构建以该主因素包含的子因素为行列的因子层因素矩阵。
本发明实施例中，通过分析金融系统运行得到的各金融数据，从中分析并提取出影响LGD的各影响因素，形成主因素以及子因素，利用主因素以及子因素构建包括准则层和因子层的LGD影响层次结构。例如，主因素为公司因素，基于公司因素构建的因子层因素矩阵称之为公司因素矩阵。
本发明实施例中，作为一可选实施例，对各影响因素进行聚类，得到的主因素包括：公司因素、项目因素、行业因素、宏观经济因素，则将公司因素、项目因素、行业因素、宏观经济因素置于准则层，针对公司因素，若包含的影响因素(子因素)包括：信用等级、公司规模、公司年限、违约概率、资产负债率、速度比率，则将信用等级、公司规模、公司年限、违约概率、资产负债率、速度比率置于公司对应的因子层。
本发明实施例中，作为一可选实施例，准则层因素矩阵示意如表1所示。
表1
因子层因素矩阵示意分别如表2-表5所示。
表2(公司因素矩阵)
表3(项目因素矩阵)
表4(行业因素矩阵)
表5(宏观经济因素矩阵)
本发明实施例中，对于主因素，也可称之为数据维度，包括但不限于：公司因素、项目因素、行业因素、宏观经济因素等，对于主因素包含的各影响因素，也可称之为数据指标(子因素)，包括但不限于：信用等级、违约概率、清偿优先性、行业周期、GDP增长率等。以子因素为例，由于子因素取值范围(例如，信用等级高、中、低)的不同，每一主因素对应有一个或多个因子层因素矩阵。
步骤102，对构建的违约损失率影响层次结构中的准则层因素矩阵进行赋值，得到准则层值矩阵，以及，对构建的违约损失率影响层次结构中的因子层因素矩阵进行赋值，得到因子层值矩阵；
本发明实施例中，作为一可选实施例，对构建的违约损失率影响层次结构中的准则层因素矩阵进行赋值，得到准则层值矩阵，包括：
提取准则层因素矩阵中第一阈值行的第一主因素以及第二阈值列的第二主因素；
依据第一主因素相对第二主因素对违约损失率的影响程度，对准则层因素矩阵的第一阈值行第二阈值列进行赋值；
针对每一样本交易，提取包含的影响因素，依据提取的影响因素对应的值，与赋值的准则层因素矩阵进行匹配，得到准则层值矩阵。
本发明实施例中，作为一可选实施例，第一阈值行第二阈值列为第i行第j列，其中，i，j为自然数。对于准则层因素矩阵或因子层因素矩阵，通过各影响因素两两之间的比较，确定该两影响因素之间的标度，即对违约损失率的影响程度，将不同影响因素，例如，影响因素i和影响因素j两两作比，将确定的标度值填入到准则层因素矩阵或因子层因素矩阵的第i行第j列的位置。例如，在公司因素矩阵中，对于信用等级一行，对应的列为公司规模，若信用等级为高，公司规模为大，设置该信用等级相对该公司规模的重要程度为3，则将该行列的值赋3，对于公司规模一行，对应的列为信用等级，则公司规模相对信用等级的重要程度为1/3，则将该行列的值赋1/3。作为一可选实施例，不同的公司规模，同样的信用等级，或，相同的公司规模，不同的信用等级，确定的标度值也会不同，例如，信用等级为高，公司规模为小，设置该信用等级相对该公司规模的重要程度为5，因而，对于主因素相同的情形，赋值的准则层因素矩阵存在多种情形。在对样本交易进行分析时，提取其中包含的影响因素对应的值，与赋值的准则层因素矩阵进行匹配，从而构建准则层因素矩阵。
本发明实施例中，准则层值矩阵也称之为准则判断矩阵或准则比较矩阵，表示如下：
式中，
Ac为准则层值矩阵；
ac,ij为准则层值矩阵中第i行第j列主因素的赋值。
本发明实施例中，作为一可选实施例，因子层值矩阵也称之为因子判断矩阵或因子比较矩阵，如下所示：
式中，
Afk为第k个主因素对应的因子层值矩阵；
afk，ij为第k个主因素对应的因子层值矩阵中第i行第j列的值。
步骤103，依据预先设置的特征根计算策略以及一致性判别策略，对准则层值矩阵以及因子层值矩阵进行调整，得到准则层一致性值矩阵及因子层一致性值矩阵；
本发明实施例中，作为一可选实施例，依据预先设置的特征根计算策略以及一致性判别策略，对准则层值矩阵以及因子层值矩阵进行调整，得到准则层一致性值矩阵及因子层一致性值矩阵，包括：
A01，依据预先设置的特征根计算策略，获取准则层值矩阵的准则最大特征根近似值，以及，因子层值矩阵的因子最大特征根近似值；
A02，基于准则最大特征根近似值以及一致性判别策略，调整准则层值矩阵，得到准则层一致性值矩阵，以及，基于因子最大特征根近似值以及一致性判别策略，调整因子层值矩阵，得到因子层一致性值矩阵。
本发明实施例中，作为一可选实施例，依据预先设置的特征根计算策略，获取准则层值矩阵的准则最大特征根近似值，包括：
A11，对准则层值矩阵的每一列向量，分别进行归一化处理，得到准则列归一向量；
本发明实施例，作为一可选实施例，利用下式进行归一化处理：
式中，
wc,ij为准则层值矩阵中的第i行第j列的准则列归一向量；
n为行数，即主因素数量。
A12，对准则列归一向量进行按行求和，得到准则行和值；
本发明实施例中，利用下式进行按行求和：
A13，对准则行和值进行归一化处理，得到准则权向量；
本发明实施例中，利用下式对准则行和值进行归一化：
准则权向量w*c,i组成准则权向量矩阵Wc：
Wc＝(w*c,1，w*c,2，…，w*c,n)T
A14，依据准则权向量，计算准则最大特征根近似值。
本发明实施例中，利用下式计算准则最大特征根近似值：
本发明实施例中，作为一可选实施例，依据预先设置的特征根计算策略，获取因子层值矩阵的因子最大特征根近似值，包括：
A21，对因子层值矩阵的每一列向量，分别进行归一化处理，得到因子列归一向量；
本发明实施例，作为一可选实施例，利用下式进行归一化处理：
式中，
wf,ij为某一主因素对应的一因子层值矩阵中的第i行第j列的因子列归一向量，n为子因素数量。
A22，对因子列归一向量进行按行求和，得到因子行和值；
本发明实施例中，利用下式进行按行求和：
A23，对因子行和值进行归一化处理，得到因子权向量；
本发明实施例中，利用下式对因子行和值进行归一化：
因子权向量w*f,i组成因子权向量矩阵wf：
wf＝(w*f,1，w*f,2，…，w*f,n)T
A24，依据因子权向量，计算因子最大特征根近似值。
本发明实施例中，利用下式计算因子最大特征根近似值：
本发明实施例中，对于n阶一致性矩阵，非零特征根为n，由于准则层值矩阵和因子层值矩阵均为n阶正互反矩阵，对于n阶正互反矩阵Ac和Af，若最大特征根近似值满足：λmax-c＞n,λmax-f＞n，则Ac和Af为非一致性矩阵，若λmax-c＝n,且λmax-f＝n，表明Ac和Af均为一致性矩阵。因而，作为一可选实施例，基于准则最大特征根近似值以及一致性判别策略，调整准则层值矩阵，得到准则层一致性值矩阵，包括：
B11，基于准则最大特征根近似值，计算准则层值矩阵的准则层一致性指标；
本发明实施例中，作为一可选实施例，利用下式计算准则层一致性指标CIc：
本发明实施例中，CIc越小，表明一致性越大，当CIc为0时，表明准则层值矩阵有完全一致性，CIc接近于0时，表明准则层值矩阵有满意的一致性，CIc越大，不一致性越严重。
本发明实施例中，与计算准则层一致性指标相同，利用下式计算因子层一致性指标：
本发明实施例中，CIf越小，表明因子层一致性越大，当CIf为0时，表明有完全一致性，CIf接近于0时，有满意的一致性，CIf越大，不一致性越严重，每一主因素对应的一因子层值矩阵对应有一因子层一致性指标。
B12，基于准则层一致性指标，计算准则层随机性指标；
本发明实施例中，利用下式计算准则层随机性指标RIc：
式中，
n′为准则层值矩阵数。
本发明实施例中，准则层值矩阵数为不同专家赋值得到的准则层值矩阵的个数。随机一致性指标RIc与准则层值矩阵Ac的阶数有关，准则层矩阵阶数越大，则出现一致性随机偏离的可能性越大。
本发明实施例中，利用下式计算因子层随机性指标RIf：
式中，
f′为因子层值矩阵数。
本发明实施例中，因子层随机性指标RIf与因子层矩阵Af的阶数有关，矩阵阶数越大，则出现一致性随机偏离的可能性越大。
B13，基于准则层一致性指标及准则层随机性指标，计算准则层检验统计量系数；
本发明实施例中，利用下式计算准则层检验统计量系数CRc：
本发明实施例中，利用下式计算因子层检验统计量系数CRf：
B14，若准则层检验统计量系数不小于预先设置的准则检验阈值，对准则层值矩阵进行修正，直至修正的准则层值矩阵对应的准则层检验统计量系数大于或等于准则检验阈值，得到准则层一致性值矩阵。
本发明实施例中，作为一可选实施例，准则检验阈值设置为0.1，若CRc＜0.1时，则表明准则层值矩阵Ac的一致性是可以接受的，否则，需对准则层值矩阵Ac进行修正，例如，将各准则层值矩阵Ac中，同一影响因素赋值差异较大的，修正为其差异较小。
本发明实施例中，作为一可选实施例，因子检验阈值设置为0.1，若CRf＜0.1时，则表明因子层值矩阵Af的一致性是可以接受的，否则，需对因子层值矩阵Af进行修正。作为另一可选实施例，可以基于每一因子层值矩阵Afk，分别进行准则检验阈值校验，在每一因子层值矩阵校验通过后，再进行总的因子层值矩阵校验。
步骤104，基于准则层一致性值矩阵、因子层一致性值矩阵、预先设置的主因素排序权值、子因素排序权值以及可变函数，获取违约损失率；
本发明实施例中，作为一可选实施例，基于准则层一致性值矩阵、因子层一致性值矩阵、预先设置的主因素排序权值、子因素排序权值以及可变函数，获取违约损失率，包括：
C01，基于准则层一致性值矩阵对应的主因素排序权值，计算准则层排序权重，以及，基于因子层一致性值矩阵对应的子因素排序权值，计算因子层排序权重；
C02，根据准则层排序权重与因子层排序权重，计算总权重；
C03，根据总权重与因子值计算综合得分；
C04，获取综合得分的核心参数，利用预先设置的可变函数对核心参数进行计算，得到资产回收率，基于资产回收率获取违约损失率。
本发明实施例中，若准则层(准则层一致性值矩阵)包含m个主因素：{A1,A2，…，Am}，对应的主因素排序权值为：{a1,a2,…,am}；因子层(因子层一致性值矩阵)中，包含n个子因素{B1,B2,…,Bn}，其中，对应于主因素Aj的各子因素的子因素排序权值分别为：{b1j,b2j,…,bij}，当因子层中的因子层值矩阵Bi与准则层中的准则层值矩阵Aj无关系时，bij＝0。因而，作为一可选实施例，基于准则层一致性值矩阵对应的主因素排序权值，计算准则层排序权重，包括：
C11，获取主因素对应的每一子因素的子因素排序权值的子因素和值；
C12，针对准则层一致性值矩阵中的每一主因素，获取该主因素的主因素排序权值与对应的子因素和值的乘积，得到主因素权重；
C13，计算各主因素权重的和值，得到准则层排序权重。
本发明实施例中，针对每一样本交易，利用下式计算该样本交易的准则层排序权重Wc：
式中，
aj为准则层中第j个主因素对应的主因素排序权值；
bc,ij为第j个主因素包含的第i个子因素在该主因素中的子因素排序权值；
bc,ijaj为准则层中第j个主因素对应的准则层排序权重。
本发明实施例中，利用下式计算样本交易的因子层排序权重Wf：
式中，bf,ij为第j个主因素包含的第i个子因素在各子因素中的子因素排序权值。
本发明实施例中，作为一可选实施例，利用下式计算样本交易的第i个主因素的总权重Wi：
Wi＝Wc*Wf
本发明实施例中，作为一可选实施例，利用下式计算第i个样本交易的综合得分Scorei：
式中，
Xi为第i个主因素的因子值。
本发明实施例中，作为一可选实施例，获取综合得分的核心参数，利用预先设置的可变函数对核心参数进行计算，得到资产回收率，基于资产回收率获取违约损失率，包括：
D11，基于综合得分，按照预先设置的公式计算核心参数，所述核心参数包括：均值、标准差、形态参数；
本发明实施例中，均值、标准差、形态参数以μ、σ、α、β进行表示,其中，μ为均值,σ为标准差,α和β分别为第一形态参数和第二形态参数；其中，
利用下式计算均值μ：
式中，xi＝Socrei。
利用下式计算标准差σ：
利用下式计算形态参数α：
利用下式计算形态参数β：
D12，基于核心参数、综合得分以及预先设置的可变函数，计算出资产回收率；
本发明实施例中，可变函数定义如下：
Bx(α,β)＝Ix(α,β) (2)
式中，
x＝x1，x2，…
本发明实施例中，利用下式计算资产回收率RRi：
RRi＝Bx(SScorei)
D13，根据预先构建的资产回收率与LGD的关系式，计算出违约损失率。
本发明实施例中，资产回收率(RR，Recovery Rate)与LGD的关系式如下：
LGD＝1-RR
本发明实施例中，LGD计算实例结果如表1所示。
表1
| 得分 | 7.29 | 4.08 | 10.69 | 5.99 | 7.59 | 6.51 | 4.56 | 4.81 | 5.68 | 11.62 |
| RR | 41.5％ | 0.0％ | 49.3％ | 38.9％ | 42.1％ | 40.0％ | 33.8％ | 35.2％ | 38.1％ | 100.0％ |
| LGD | 58.5％ | 100.0％ | 50.7％ | 61.1％ | 57.9％ | 60.0％ | 66.2％ | 64.8％ | 61.9％ | 0.0％ |
步骤105，基于获取的违约损失率以及实际的违约损失率，对准则层一致性值矩阵以及因子层一致性值矩阵进行修正，直至获取的违约损失率以及实际的违约损失率的误差满足预先设置的误差策略，得到违约损失率预测模型。
本发明实施例中，针对每一样本交易，获取该样本交易的违约损失率，基于获取的违约损失率以及该样本交易实际的违约损失率，若两者的差值小于预先设置的误差阈值，依据反向传播算法，对准则层一致性值矩阵以及因子层一致性值矩阵进行修正，直至获取的违约损失率以及实际的违约损失率的误差小于或等于误差阈值，分别得到准则层值矩阵以及因子层值矩阵，从而构建包括准则层值矩阵、因子层值矩阵以及可变函数的违约损失率预测模型。其中，以违约损失率预测模型包含的因子层一致性值矩阵为例，包含有影响因素数据值与赋值的映射关系，例如，对于影响因素数据：信用等级，影响因素数据值为高，影响因素数据：公司规模，影响因素数据值为中，对应的赋值为3。
本发明实施例中，通过构建LGD影响层次结构，将影响LGD的各影响因素的指标进行量化，构建准则层和因子层，在准则层构建准则层因素矩阵，在因子层构建因子层因素矩阵。然后，通过矩阵中各影响因素两两之间的比较，确定矩阵对应行列的标度，从而对矩阵进行赋值。依据一致性判别策略，对赋值的准则层因素矩阵以及因子层因素矩阵进行一致性修正，基于修正的矩阵以及可变函数，获取违约损失率，基于获取的违约损失率以及实际的违约损失率再进行修正，从而得到违约损失率预测模型。这样，采用可变层次分析的可变函数，可在数据规模和质量不高的情形下，构建违约损失率模型，能够有效降低了预测所需的时间，并能够达到对LGD准确估计或预测的目的。
本发明实施例中，作为一可选实施例，该方法还包括：
基于所述违约损失率影响层次结构包含的各影响因素，获取待评估交易的影响因素数据值；
依据所述违约损失率预测模型中准则层一致性值矩阵以及因子层一致性值矩阵与影响因素数据值的映射关系，以及获取的影响因素数据值，构建待评估准则层值矩阵以及待评估因子层值矩阵；
基于待评估准则层值矩阵、待评估因子层值矩阵、主因素排序权值、子因素排序权值以及可变函数，得到所述待评估交易的预测违约损失率。
本发明实施例中，若违约损失率影响层次结构包含影响因素包括公司因素、项目因素，其中，公司因素包括：信用等级、公司规模，则从待评估交易中，获取的公司因素的影响因素数据值包括：公司因素为大公司、项目因素为消费贷、信用等级为高、公司规模为大，分别与准则层一致性值矩阵以及因子层一致性值矩阵与影响因素数据值的映射关系进行匹配，得到具体的赋值。例如，因子层一致性值矩阵与影响因素数据值的映射关系中，信用等级为高、公司规模为大，映射的赋值为5，则待评估因子层值矩阵中对应位置的行列值为5。
本发明实施例中，基于可变层次进行违约损失率预测，可在数据规模小、数据质量低的情形下，为金融机构不良资产的处置提供更加科学的、标准的、客观的决策和评估依据。
表6及表7为对某一待评估交易，依据本发明实施例的方法得到的部分结果示意表。
表6
表7
图2示出了本发明实施例所提供的构建违约损失率预测模型的装置结构示意图。如图2所示，该装置包括：
层次构建模块201，用于获取影响违约损失率的影响因素，基于获取的影响因素构建违约损失率影响层次结构；
本发明实施例中，作为一可选实施例，违约损失率影响层次结构包括准则层和因子层，层次构建模块201包括：
层次构建单元(图中未示出)，用于对获取的各影响因素进行聚类，得到多个主因素，基于得到的多个主因素构建准则层，以及，基于每一主因素包含的子因素，构建包含各子因素的因子层；
矩阵构建单元，用于基于准则层包含的主因素，构建分别以包含的主因素为行列的准则层因素矩阵，以及，基于因子层每一主因素包含的子因素，分别构建以该主因素包含的子因素为行列的因子层因素矩阵。
赋值模块202，用于对构建的违约损失率影响层次结构中的准则层因素矩阵进行赋值，得到准则层值矩阵，以及，对构建的违约损失率影响层次结构中的因子层因素矩阵进行赋值，得到因子层值矩阵；
本发明实施例中，作为一可选实施例，赋值模块202具体用于：
提取准则层因素矩阵中第一阈值行的第一主因素以及第二阈值列的第二主因素；
依据第一主因素相对第二主因素对违约损失率的影响程度，对准则层因素矩阵的第一阈值行第二阈值列进行赋值；
针对每一样本交易，提取包含的影响因素，依据提取的影响因素对应的值，与赋值的准则层因素矩阵进行匹配，得到准则层值矩阵。
一致性校正模块203，用于依据预先设置的特征根计算策略以及一致性判别策略，对准则层值矩阵以及因子层值矩阵进行调整，得到准则层一致性值矩阵及因子层一致性值矩阵；
本发明实施例中，作为一可选实施例，一致性校正模块203具体用于：
依据预先设置的特征根计算策略，获取准则层值矩阵的准则最大特征根近似值，以及，因子层值矩阵的因子最大特征根近似值；
基于准则最大特征根近似值以及一致性判别策略，调整准则层值矩阵，得到准则层一致性值矩阵，以及，基于因子最大特征根近似值以及一致性判别策略，调整因子层值矩阵，得到因子层一致性值矩阵。
本发明实施例中，作为一可选实施例，依据预先设置的特征根计算策略，获取因子层值矩阵的因子最大特征根近似值，包括：
对因子层值矩阵的每一列向量，分别进行归一化处理，得到因子列归一向量；
对因子列归一向量进行按行求和，得到因子行和值；
对因子行和值进行归一化处理，得到因子权向量；
依据因子权向量，计算因子最大特征根近似值。
本发明实施例中，作为一可选实施例，依据预先设置的特征根计算策略，获取因子层值矩阵的因子最大特征根近似值，包括：
对因子层值矩阵的每一列向量，分别进行归一化处理，得到因子列归一向量；
对因子列归一向量进行按行求和，得到因子行和值；
对因子行和值进行归一化处理，得到因子权向量；
依据因子权向量，计算因子最大特征根近似值。
本发明实施例中，作为一可选实施例，基于准则最大特征根近似值以及一致性判别策略，调整准则层值矩阵，得到准则层一致性值矩阵，包括：
基于准则最大特征根近似值，计算准则层值矩阵的准则层一致性指标；
基于准则层一致性指标，计算准则层随机性指标；
基于准则层一致性指标及准则层随机性指标，计算准则层检验统计量系数；
若准则层检验统计量系数不小于预先设置的准则检验阈值，对准则层值矩阵进行修正，直至修正的准则层值矩阵对应的准则层检验统计量系数大于或等于准则检验阈值，得到准则层一致性值矩阵。
损失率计算模块204，用于基于准则层一致性值矩阵、因子层一致性值矩阵、预先设置的主因素排序权值、子因素排序权值以及可变函数，获取违约损失率；
本发明实施例中，作为一可选实施例，损失率计算模块204具体用于：
基于准则层一致性值矩阵对应的主因素排序权值，计算准则层排序权重，以及，基于因子层一致性值矩阵对应的子因素排序权值，计算因子层排序权重；
根据准则层排序权重与因子层排序权重，计算总权重；
根据总权重与因子值计算综合得分；
获取综合得分的核心参数，利用预先设置的可变函数对核心参数进行计算，得到资产回收率，基于资产回收率获取违约损失率。
本发明实施例中，作为一可选实施例，基于准则层一致性值矩阵对应的主因素排序权值，计算准则层排序权重，包括：
获取主因素对应的每一子因素的子因素排序权值的子因素和值；
针对准则层一致性值矩阵中的每一主因素，获取该主因素的主因素排序权值与对应的子因素和值的乘积，得到主因素权重；
计算各主因素权重的和值，得到准则层排序权重。
本发明实施例中，作为一可选实施例，获取综合得分的核心参数，利用预先设置的可变函数对核心参数进行计算，得到资产回收率，基于资产回收率获取违约损失率，包括：
基于综合得分，按照预先设置的公式计算核心参数，所述核心参数包括：均值、标准差、形态参数；
基于核心参数、综合得分以及预先设置的可变函数，计算出资产回收率；
根据预先构建的资产回收率与LGD的关系式，计算出违约损失率。
模型构建模块205，用于基于获取的违约损失率以及实际的违约损失率，对准则层一致性值矩阵以及因子层一致性值矩阵进行修正，直至获取的违约损失率以及实际的违约损失率的误差满足预先设置的误差策略，得到违约损失率预测模型。
本发明实施例中，基于样本交易通过计算获取的违约损失率以及该样本交易实际的违约损失率，对准则层一致性值矩阵以及因子层一致性值矩阵再次进行修正，从而可以提升模型的预测精度以及准确度。
本发明实施例中，违约损失率预测模型包括准则层值矩阵、因子层值矩阵以及可变函数。
本发明实施例中，作为一可选实施例，该方法还包括：
预测模块(图中未示出)，用于基于所述违约损失率影响层次结构包含的各影响因素，获取待评估交易的影响因素数据值；
依据所述违约损失率预测模型中准则层一致性值矩阵以及因子层一致性值矩阵与影响因素数据值的映射关系，以及获取的影响因素数据值，构建待评估准则层值矩阵以及待评估因子层值矩阵；
基于待评估准则层值矩阵、待评估因子层值矩阵、主因素排序权值、子因素排序权值以及可变函数，得到所述待评估交易的预测违约损失率。
本发明实施例中，获取各参数值的方法与上述相类似。
如图3所示，本申请一实施例提供了一种计算机设备300，用于执行图1中的构建违约损失率预测模型的方法，该设备包括存储器301、与存储器301通过总线相连的处理器302及存储在该存储器301上并可在该处理器302上运行的计算机程序，其中，上述处理器302执行上述计算机程序时实现上述构建违约损失率预测模型的方法的步骤。
具体地，上述存储器301和处理器302能够为通用的存储器和处理器，这里不做具体限定，当处理器302运行存储器301存储的计算机程序时，能够执行上述构建违约损失率预测模型的方法。
对应于图1中的构建违约损失率预测模型的方法，本申请实施例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上存储有计算机程序，该计算机程序被处理器运行时执行上述构建违约损失率预测模型的方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述构建违约损失率预测模型的方法。
在本申请所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种构建违约损失率预测模型的方法，其特征在于，包括：
获取影响违约损失率的影响因素，基于获取的影响因素构建违约损失率影响层次结构；
对构建的违约损失率影响层次结构中的准则层因素矩阵进行赋值，得到准则层值矩阵，以及，对构建的违约损失率影响层次结构中的因子层因素矩阵进行赋值，得到因子层值矩阵；
依据预先设置的特征根计算策略以及一致性判别策略，对准则层值矩阵以及因子层值矩阵进行调整，得到准则层一致性值矩阵及因子层一致性值矩阵；
基于准则层一致性值矩阵、因子层一致性值矩阵、预先设置的主因素排序权值、子因素排序权值以及可变函数，获取违约损失率；
基于获取的违约损失率以及实际的违约损失率，对准则层一致性值矩阵以及因子层一致性值矩阵进行修正，直至获取的违约损失率以及实际的违约损失率的误差满足预先设置的误差策略，得到违约损失率预测模型。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述违约损失率影响层次结构包含的各影响因素，获取待评估交易的影响因素数据值；
依据所述违约损失率预测模型中准则层一致性值矩阵以及因子层一致性值矩阵与影响因素数据值的映射关系，以及获取的影响因素数据值，构建待评估准则层值矩阵以及待评估因子层值矩阵；
基于待评估准则层值矩阵、待评估因子层值矩阵、主因素排序权值、子因素排序权值以及可变函数，得到所述待评估交易的预测违约损失率。
3.根据权利要求1或2所述的方法，其特征在于，所述违约损失率影响层次结构包括准则层和因子层，基于获取的影响因素构建违约损失率影响层次结构，包括：
对获取的各影响因素进行聚类，得到多个主因素，基于得到的多个主因素构建准则层，以及，基于每一主因素包含的子因素，构建包含各子因素的因子层；
基于准则层包含的主因素，构建分别以包含的主因素为行列的准则层因素矩阵，以及，基于因子层每一主因素包含的子因素，分别构建以该主因素包含的子因素为行列的因子层因素矩阵。
4.根据权利要求1或2所述的方法，其特征在于，所述对构建的违约损失率影响层次结构中的准则层因素矩阵进行赋值，得到准则层值矩阵，包括：
提取准则层因素矩阵中第一阈值行的第一主因素以及第二阈值列的第二主因素；
依据第一主因素相对第二主因素对违约损失率的影响程度，对准则层因素矩阵的第一阈值行第二阈值列进行赋值；
针对每一样本交易，提取包含的影响因素，依据提取的影响因素对应的值，与赋值的准则层因素矩阵进行匹配，得到准则层值矩阵。
5.根据权利要求1或2所述的方法，其特征在于，所述依据预先设置的特征根计算策略以及一致性判别策略，对准则层值矩阵以及因子层值矩阵进行调整，得到准则层一致性值矩阵及因子层一致性值矩阵，包括：
依据预先设置的特征根计算策略，获取准则层值矩阵的准则最大特征根近似值，以及，因子层值矩阵的因子最大特征根近似值；
基于准则最大特征根近似值以及一致性判别策略，调整准则层值矩阵，得到准则层一致性值矩阵，以及，基于因子最大特征根近似值以及一致性判别策略，调整因子层值矩阵，得到因子层一致性值矩阵。
6.根据权利要求5所述的方法，其特征在于，所述依据预先设置的特征根计算策略，获取因子层值矩阵的因子最大特征根近似值，包括：
对因子层值矩阵的每一列向量，分别进行归一化处理，得到因子列归一向量；
对因子列归一向量进行按行求和，得到因子行和值；
对因子行和值进行归一化处理，得到因子权向量；
依据因子权向量，计算因子最大特征根近似值。
7.根据权利要求1或2所述的方法，其特征在于，所述基于准则层一致性值矩阵、因子层一致性值矩阵、预先设置的主因素排序权值、子因素排序权值以及可变函数，获取违约损失率，包括：
基于准则层一致性值矩阵对应的主因素排序权值，计算准则层排序权重，以及，基于因子层一致性值矩阵对应的子因素排序权值，计算因子层排序权重；
根据准则层排序权重与因子层排序权重，计算总权重；
根据总权重与因子值计算综合得分；
获取综合得分的核心参数，利用预先设置的可变函数对核心参数进行计算，得到资产回收率，基于资产回收率获取违约损失率。
8.一种构建违约损失率预测模型的装置，其特征在于，包括：
层次构建模块，用于获取影响违约损失率的影响因素，基于获取的影响因素构建违约损失率影响层次结构；
赋值模块，用于对构建的违约损失率影响层次结构中的准则层因素矩阵进行赋值，得到准则层值矩阵，以及，对构建的违约损失率影响层次结构中的因子层因素矩阵进行赋值，得到因子层值矩阵；
一致性校正模块，用于依据预先设置的特征根计算策略以及一致性判别策略，对准则层值矩阵以及因子层值矩阵进行调整，得到准则层一致性值矩阵及因子层一致性值矩阵；
损失率计算模块，用于基于准则层一致性值矩阵、因子层一致性值矩阵、预先设置的主因素排序权值、子因素排序权值以及可变函数，获取违约损失率；
模型构建模块，用于基于获取的违约损失率以及实际的违约损失率，对准则层一致性值矩阵以及因子层一致性值矩阵进行修正，直至获取的违约损失率以及实际的违约损失率的误差满足预先设置的误差策略，得到违约损失率预测模型。
9.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的构建违约损失率预测模型的方法的步骤。
10.一种计算机可读存储介质，其特征在于，该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运行时执行如权利要求1至7任一所述的构建违约损失率预测模型的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211472456.9A CN115760365B (zh) | 2022-11-23 | 2022-11-23 | 一种构建违约损失率预测模型的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211472456.9A CN115760365B (zh) | 2022-11-23 | 2022-11-23 | 一种构建违约损失率预测模型的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115760365A true CN115760365A (zh) | 2023-03-07 |
| CN115760365B CN115760365B (zh) | 2024-05-07 |
Family
ID=85335747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211472456.9A Active CN115760365B (zh) | 2022-11-23 | 2022-11-23 | 一种构建违约损失率预测模型的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115760365B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110110981A (zh) * | 2019-04-26 | 2019-08-09 | 重庆第二师范学院 | 一种信用评级违约概率测度与风险预警方法 |
| CN112184430A (zh) * | 2020-11-09 | 2021-01-05 | 中债金融估值中心有限公司 | 债券预期信用损失的获取系统及方法、设备、可读存储介质 |
| KR20220027606A (ko) * | 2020-08-27 | 2022-03-08 | 코리아크레딧뷰로 (주) | 거시 시나리오별 부도율 예측 방법 |
| CN114493035A (zh) * | 2022-02-15 | 2022-05-13 | 中国工商银行股份有限公司 | 一种企业违约概率预测方法及装置 |
-
2022
- 2022-11-23 CN CN202211472456.9A patent/CN115760365B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110110981A (zh) * | 2019-04-26 | 2019-08-09 | 重庆第二师范学院 | 一种信用评级违约概率测度与风险预警方法 |
| KR20220027606A (ko) * | 2020-08-27 | 2022-03-08 | 코리아크레딧뷰로 (주) | 거시 시나리오별 부도율 예측 방법 |
| CN112184430A (zh) * | 2020-11-09 | 2021-01-05 | 中债金融估值中心有限公司 | 债券预期信用损失的获取系统及方法、设备、可读存储介质 |
| CN114493035A (zh) * | 2022-02-15 | 2022-05-13 | 中国工商银行股份有限公司 | 一种企业违约概率预测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 杨军;程建;潘俊武;: "违约损失率模型开发的理论分析和实证研究", 国际金融研究, no. 06, 12 June 2009 (2009-06-12) * |
| 汪办兴;: "中国银行贷款违约损失率影响因素的实证分析", 经济评论, no. 03, 15 May 2007 (2007-05-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115760365B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Degiannakis et al. | Forecasting value-at-risk and expected shortfall using fractionally integrated models of conditional volatility: International evidence | |
| CN111986026A (zh) | 基于层次分析法的个人信贷业务风险评估方法及装置 | |
| Lima et al. | Comparing value-at-risk methodologies | |
| Amendola et al. | Variable selection in default risk models | |
| Joseph | A PD validation framework for Basel II internal ratings-based systems | |
| CN112990989A (zh) | 价值预测模型输入数据生成方法、装置、设备和介质 | |
| CN115760365A (zh) | 一种构建违约损失率预测模型的方法及装置 | |
| Tikhonov et al. | The relationship between the financial performance of banks and the quality of credit scoring models | |
| CN115936841A (zh) | 一种构建信贷风险评估模型的方法及装置 | |
| Xu et al. | Lower bound approximation to basket option values for local volatility jump-diffusion models | |
| CN110827137A (zh) | 信用评价方法和装置 | |
| CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
| Das | Performance evaluation of modified adaptive Kalman filters, least means square and recursive least square methods for market risk beta and VaR estimation | |
| CN115936871A (zh) | 金额阈值确定方法、装置、服务器以及介质 | |
| CN110610200B (zh) | 车商分类方法、装置、计算机设备及存储介质 | |
| CN116128625A (zh) | 贷款利率确定方法、装置、设备及介质 | |
| CN114418762A (zh) | 一种数据处理方法、装置及电子设备 | |
| CN112348671A (zh) | 一种平台安全性监测方法、装置、设备及存储介质 | |
| CN117710090A (zh) | 用户评分的确定方法、装置、存储介质及电子设备 | |
| CN114819381A (zh) | 基于指数etf特点的股票市场预测方法、装置、终端及介质 | |
| CN115423532A (zh) | 基于样本扩展的用户分析方法、装置、设备及存储介质 | |
| CN116128652A (zh) | 股票市场波动率的确定方法、装置及电子设备 | |
| CN114897356A (zh) | 一种评估目标对象经营状况的方法、装置及存储介质 | |
| CN117726222A (zh) | 基于ahp方法的科创企业评分方法、设备及存储介质 | |
| CN117592782A (zh) | 一种模型训练方法、风险等级预测方法及装置 |
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 |