CN115860898A - 一种贴现利率计算方法、装置、设备及可读存储介质 - Google Patents
一种贴现利率计算方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115860898A CN115860898A CN202211549015.4A CN202211549015A CN115860898A CN 115860898 A CN115860898 A CN 115860898A CN 202211549015 A CN202211549015 A CN 202211549015A CN 115860898 A CN115860898 A CN 115860898A
- Authority
- CN
- China
- Prior art keywords
- discount rate
- prediction model
- discount
- feature set
- financial institution
- 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
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了一种贴现利率计算方法、装置、设备及可读存储介质,所述方法包括获取训练后的预测模型和样本信息;将样本信息中包括的金融机构定期的盈利目标、金融机构当前的资金情况、办理贴现业务的企业的信用等级和办理贴现业务的票据的到期期限采用至少一条量化规则一一对应进行量化处理得到特征参数,通过特征参数、金融机构所在地区上一个月的消费者物价指数和所生产价格指数,构建特征集;将特征集发送至训练后的预测模型中,计算特征集对应的贴现利率,本发明可以通过预测模型计算出所需办理贴现业务的贴现利率,有效的避免了通过业务人员判断所需办理贴现业务的贴现利率受到人为主观因素较为明显的问题。
Description
技术领域
本发明涉及机器学习领域,具体而言,涉及一种贴现利率计算方法、装置、设备及可读存储介质。
背景技术
在我国,贴现利率一般按人民银行规定执行,以商业银行同档次流动资金贷款利率下浮3个百分点执行。而在实际票据贴现业务中,贴现利率价格一般以交易所在金融机构和票据自身属性作为参考依据,并非一概而论,一般由各金融机构的相关业务人员根据自身经验判断并辅以所在金融机构当日给出的贴现利率知道价格作为参考,为持票者提供利率报价。
可见,现有的贴现利率报价方法多受业务人员主观因素的影响,且金融机构缺少一种客观且统一标准的贴现利率报价规则。如何根据现有条件相对客观得给出合理的贴现利率价格是一个极其重要的问题。
发明内容
本发明的目的在于提供一种贴现利率计算方法、装置、设备及可读存储介质,以改善上述问题。
为了实现上述目的,本申请实施例提供了如下技术方案:
一方面,本申请实施例提供了一种贴现利率计算方法,所述方法包括:
获取训练后的预测模型和样本信息,所述预测模型用于预测银行贴现业务的贴现利率,所述样本信息包括金融机构定期的盈利目标、金融机构当前的资金情况、办理贴现业务的企业的信用等级、办理贴现业务的票据的到期期限、金融机构所在地区上一个月的消费者物价指数和生产价格指数;
将所述金融机构定期的盈利目标、所述金融机构当前的资金情况、所述办理贴现业务的企业的信用等级和所述办理贴现业务的票据的到期期限采用至少一条量化规则一一对应进行量化处理得到特征参数,通过所述特征参数、所述金融机构所在地区上一个月的消费者物价指数和所生产价格指数,构建特征集;
将所述特征集发送至所述训练后的预测模型中,计算所述特征集对应的贴现利率。
第二方面,本申请实施例提供了一种贴现利率计算装置,所述装置包括:
获取模块,用于获取训练后的预测模型和样本信息,所述预测模型用于预测银行贴现业务的贴现利率,所述样本信息包括金融机构定期的盈利目标、金融机构当前的资金情况、办理贴现业务的企业的信用等级、办理贴现业务的票据的到期期限、金融机构所在地区上一个月的消费者物价指数和生产价格指数;
构建模块,用于将所述金融机构定期的盈利目标、所述金融机构当前的资金情况、所述办理贴现业务的企业的信用等级和所述办理贴现业务的票据的到期期限采用至少一条量化规则一一对应进行量化处理得到特征参数,通过所述特征参数、所述金融机构所在地区上一个月的消费者物价指数和所生产价格指数,构建特征集;
计算模块,用于将所述特征集发送至所述训练后的预测模型中,计算所述特征集对应的贴现利率。
第三方面,本申请实施例提供了一种贴现利率计算设备,所述设备包括存储器和处理器。存储器用于存储计算机程序;处理器用于执行所述计算机程序时实现上述贴现利率计算方法的步骤。
第四方面,本申请实施例提供了一种可读存储介质,所述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执行时实现上述贴现利率计算方法的步骤。
本发明的有益效果为:
1、本发明通过预测模型计算所需办理贴现业务的贴现利率,有效的解决了现有技术中通过业务人员给出贴现利率使贴现利率受人为主观因素的影响较为明显的问题,较现有技术中人为结合自身经验给出所需办理贴现业务的贴现利率,本发明提供了一种更客观的方法,使所需办理的贴现业务的贴现利率更为准确;
2、本发明通过添加金融机构自身的经营情况作为特征集,为同一金融机构下的不同子金融机构建立了统一的标准的贴现利率计算方法。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
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为本发明实施例中所述的贴现利率计算方法流程示意图。
图2为本发明实施例中所述的贴现利率计算装置结构示意图。
图3为本发明实施例中所述的贴现利率计算设备结构示意图。
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。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动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。
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。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
如图1所示,本实施例提供了一种贴现利率计算方法,该方法包括步骤S1、步骤S2和步骤S3。
步骤S1、获取训练后的预测模型和样本信息,所述预测模型用于预测银行贴现业务的贴现利率,所述样本信息包括金融机构定期的盈利目标、金融机构当前的资金情况、办理贴现业务的企业的信用等级、办理贴现业务的票据的到期期限、金融机构所在地区上一个月的消费者物价指数和生产价格指数;
步骤S2、将所述金融机构定期的盈利目标、所述金融机构当前的资金情况、所述办理贴现业务的企业的信用等级和所述办理贴现业务的票据的到期期限采用至少一条量化规则一一对应进行量化处理得到特征参数,通过所述特征参数、所述金融机构所在地区上一个月的消费者物价指数和所生产价格指数,构建特征集;
步骤S3、将所述特征集发送至所述训练后的预测模型中,计算所述特征集对应的贴现利率。
在办理银行的贴现业务时,贴现利率一般由各金融机构的相关业务人员根据自身经验判断并辅以所在金融机构当日给出的贴现利率指导价格作为所需办理的贴现业务的贴现利率,通过这种方式得到的贴现利率收到人为主观因素较大,并且同一金融机构下不同的分支金融机构由于经营情况不同,无法建立统一标准的贴现利率计算方法。
因此本实施例通过采取训练预设的贴现业务的贴现利率预测模型,再将相关的样本集输入至训练后的预测模型计算所需办理贴现业务的贴现利率,可以有效的解决在现有技术中依靠相关业务人员给出的贴现利率受到相关业务人员主观因素较为明显的问题,采集金融机构定期的盈利目标、金融机构当前的资金情况、办理贴现业务的企业的信用等级、办理贴现业务的票据的到期期限、金融机构所在地区上一个月的消费者物价指数和生产价格指数作为样本集,此外还可以采集所持票据的转贴现利率和所持票据的贴现金额加入样本集,根据不同的量化规则对样本集中包括的部分样本进行处理得到特征参数,通过特征参数、金融机构所在地区上一个月的消费者物价指数和生产价格指数、所持票据的转贴现利率和所持票据的贴现金额构建特征集,将特征集发送至预测模型中即可计算得到相应业务的贴现利率,其中,具体量化规则为:
(1)金融机构当前的资金情况量化规则
其中,γ为金融机构的资金均值,N1,N2,N3,…,Nm为各金融机构持有的资金,m为金融机构数量。
其中,MG为资金情况的特征变量,通过计算γ,判断每个金融机构与γ的关系可以得到每个金融机构的资金情况,并根据对应的资金情况得到MG资金情况的特征变量,使预测模型在计算同一金融机构下各子金融机构办理的相关贴现业务时可以结合各子金融机构的实际情况进行计算。
(2)金融机构定期的盈利目标量化规则
LG=(1+x%)*100%
其中,x%为同比净利润金额预测变化,LG为盈利目标的特征变量。
(3)办理贴现业务的企业的信用等级量化规则
其中A、B、C、D为在风控部门获取办理贴现业务的企业信用等级,IQ为企业信用特征变量。
(4)办理贴现业务的票据的到期期限量化规则
其中,DQ为所持票据到期期限特征变量,t为所持票据距离到期日的天数。
根据上述量化规则将样本进行量化,得到特征参数,通过特征参数、金融机构所在地区上一个月的消费者物价指数和所生产价格指数、所持票据转贴现利率和所持票据金额构建特征集,对模型进行训练可以快速、准确的得到所需办理贴现业务的贴现利率。
根据上述特征,本实施例可以实现对贴现业务的贴现利率进行快速、准确且客观的计算的功能,为客户办理相关贴现业务提供了一种快速、准确且无人为主观因素影响计算贴现利率的方法,本方法可以广泛适用于银行机构办理贴现业务的场合。
在本公开的一种具体实施方式中,所述步骤S1,还可以包括步骤S11和步骤S12。
步骤S11、获取训练集,所述训练集包括至少一个特征集和所述特征集对应的贴现业务的贴现利率;
步骤S12、将所述训练集发送至预测模型并利用多项式回归算法对所述预测模型进行训练得到训练后的预测模型。
在本实施例中,通过多项式回归算法训练贴现利率预测模型,具体表现为:
Y=X·β
其中,xn1至xn8分别表示办理贴现业务的贴现利率、金融机构定期的盈利目标、金融机构当前的资金情况、办理贴现业务的企业的信用等级、所持票据的票据金额、办理贴现业务的票据的到期期限、金融机构所在地区上一个月的消费者物价指数和生产价格指数和所持票据转贴现利率,Y表示预测模型输出的结果,β1至β8分别对应xn1至xn8的权重系数,β0代表贴现业务处理中可能忽略的因素对贴现利率带来的影响,通过多项式回归算法可以得到每个特征集中的样本对应的权重系数,当需要计算贴现业务的贴现利率时,只需要采集所需办理的贴现业务相关的样本集,将样本集量化处理后得到特征集输入预测模型中,即可根据每个特征集中的样本对应的权重系数和量化处理后得到特征集计算得到所需办理贴现业务的贴现利率。
在本公开的一种具体实施方式中,所述步骤S12,还可以包括步骤S121和步骤S122。
步骤S121、利用评价函数计算预测模型预测的贴现利率与贴现业务的贴现利率之间的误差,得到计算结果;
步骤S122、将所述计算结果与误差阈值进行比较,判断所述预测模型预测的贴现利率是否精确,所述误差阈值包括预测模型预测的贴现利率的最大误差,其中,若所述计算结果大于所述误差阈值,则继续训练所述预测模型,直到所述计算结果小于所述误差阈值,得到所述训练后的预测模型;若所述计算结果小于所述误差阈值,则直接得到所述训练后的预测模型。
在本实施例中,利用评价函数对模型的训练成果进行验证,其中,评价函数可以为均方根误差函数、平均绝对误差和平均绝对百分误差,当使用的评价函数为均方根误差函数时,具体为:
其中,Yi为贴现业务实际的贴现利率,yi为训练模型给出的预测值,n为预测集样本的个数,通过判断计算得到的RMSR是否小于误差阈值可以判断预测模型的预测效果,且误差阈值设置的越小,计算得到的RMSE小于误差阈值可以得到预测模型的预测效果越好。
在本公开的一种具体实施方式中,所述步骤S3,还可以包括步骤S31和步骤S32。
步骤S31、获取特征集中包括的数据对应的权重系数;
步骤S32、根据所述特征集中包括的数据和所述特征集中包括的数据对应的权重系数计算所述特征集对应的贴现利率。
在本公开的一种具体实施方式中,所述步骤S3后,还可以包括步骤S4。
步骤S4、将所述训练后的预测模型计算得到的贴现利率与第一阈值和第二阈值进行比较,判断所述训练后的预测模型计算得到的贴现利率是否在第一阈值与第二阈值的范围内,所述第一阈值为贴现业务的贴现利率的最小值,所述第二阈值为贴现业务的贴现利率的最大值;
其中,若在所述第一阈值与所述第二阈值范围内,则将所述训练后的预测模型计算得到的贴现利率作为贴现业务的贴现利率;
若不在所述第一阈值与所述第二阈值范围内,则将所述训练后的预测模型计算得到的贴现利率反馈至上一级金融机构进行审批。
在本公开的一种具体实施方式中,所述步骤S4,还可以包括步骤S41。
步骤S41、判断所述训练后的预测模型计算得到的贴现利率是否能修改;
其中,若能对贴现利率修改,则将修改后的贴现利率作为所述贴现业务的贴现利率并将所述修改后的贴现利率和所述修改后的贴现利率对应的特征集存储至迭代平台中,所述迭代平台用于定期将其中存储的所述修改后的贴现利率和所述修改后的贴现利率对应的特征集发送至所述预测模型中进行迭代训练;
若不能对贴现利率修改,则将所述训练后的预测模型计算得到的贴现利率反馈至更上一级的金融机构进行审批,直到得到所述修改后的贴现利率。
实施例2
如图2所示,本实施例提供了一种贴现利率计算装置,所述装置包括获取模块901、构建模块902和计算模块903。
所述获取模块901,用于获取训练后的预测模型和样本信息,所述预测模型用于预测银行贴现业务的贴现利率,所述样本信息包括金融机构定期的盈利目标、金融机构当前的资金情况、办理贴现业务的企业的信用等级、办理贴现业务的票据的到期期限、金融机构所在地区上一个月的消费者物价指数和生产价格指数;
所述构建模块902,用于将所述金融机构定期的盈利目标、所述金融机构当前的资金情况、所述办理贴现业务的企业的信用等级和所述办理贴现业务的票据的到期期限采用至少一条量化规则一一对应进行量化处理得到特征参数,通过所述特征参数、所述金融机构所在地区上一个月的消费者物价指数和所生产价格指数,构建特征集;
所述计算模块903,用于将所述特征集发送至所述训练后的预测模型中,计算所述特征集对应的贴现利率。
根据上述特征,本实施例可以实现对贴现业务的贴现利率进行快速、准确且客观的计算的功能,为客户办理相关贴现业务提供了一种快速、准确且无人为主观因素影响计算贴现利率的装置,本装置可以广泛适用于银行机构办理贴现业务的场合。
在本公开的一种具体实施方式中,所述获取模块901包括第一获取单元9011和训练单元9012。
所述第一获取单元9011,用于获取训练集,所述训练集包括至少一个特征集和所述特征集对应的贴现业务的贴现利率;
所述训练单元9012,用于将所述训练集发送至预测模型并利用多项式回归算法对所述预测模型进行训练得到训练后的预测模型。
在本公开的一种具体实施方式中,所述训练单元9012包括第一计算单元90121和第一判断单元90122。
所述第一计算单元90121,用于利用评价函数计算预测模型预测的贴现利率与贴现业务的贴现利率之间的误差,得到计算结果;
所述第一判断单元90122,用于将所述计算结果与误差阈值进行比较,判断所述预测模型预测的贴现利率是否精确,所述误差阈值包括预测模型预测的贴现利率的最大误差,其中,若所述计算结果大于所述误差阈值,则继续训练所述预测模型,直到所述计算结果小于所述误差阈值,得到所述训练后的预测模型;若所述计算结果小于所述误差阈值,则直接得到所述训练后的预测模型。
在本公开的一种具体实施方式中,所述计算模块903包括第二获取单元9031和第二计算单元9032。
所述第二获取单元9031,用于获取特征集中包括的数据对应的权重系数;
所述第二计算单元9032,用于根据所述特征集中包括的数据和所述特征集中包括的数据对应的权重系数计算所述特征集对应的贴现利率。
在本公开的一种具体实施方式中,所述装置,还包括判断模块904。
所述判断模块904,用于将所述训练后的预测模型计算得到的贴现利率与第一阈值和第二阈值进行比较,判断所述训练后的预测模型计算得到的贴现利率是否在第一阈值与第二阈值的范围内,所述第一阈值为贴现业务的贴现利率的最小值,所述第二阈值为贴现业务的贴现利率的最大值;
其中,若在所述第一阈值与所述第二阈值范围内,则将所述训练后的预测模型计算得到的贴现利率作为贴现业务的贴现利率;
若不在所述第一阈值与所述第二阈值范围内,则将所述训练后的预测模型计算得到的贴现利率反馈至上一级金融机构进行审批。
在本公开的一种具体实施方式中,所述判断模块904包括第二判断单元9041。
所述第二判断单元9041,用于判断所述训练后的预测模型计算得到的贴现利率是否能修改;
其中,若能对贴现利率修改,则将修改后的贴现利率作为所述贴现业务的贴现利率并将所述修改后的贴现利率和所述修改后的贴现利率对应的特征集存储至迭代平台中,所述迭代平台用于定期将其中存储的所述修改后的贴现利率和所述修改后的贴现利率对应的特征集发送至所述预测模型中进行迭代训练;
若不能对贴现利率修改,则将所述训练后的预测模型计算得到的贴现利率反馈至更上一级的金融机构进行审批,直到得到所述修改后的贴现利率。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3
相应于上面的方法实施例,本公开实施例还提供贴现利率计算设备,下文描述的贴现利率计算设备与上文描述的贴现利率计算方法可相互对应参照。
图3是根据一示例性实施例示出的贴现利率计算设备800的框图。如图3所示,该贴现利率计算设备800可以包括:处理器801,存储器802。该贴现利率计算设备800还可以包括多媒体组件803,输入/输出(I/O)接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该贴现利率计算设备800的整体操作,以完成上述的贴现利率计算方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该贴现利率计算设备800的操作,这些数据例如可以包括用于在该贴现利率计算设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频5组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该贴现利率计算设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,0简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,该贴现利率计算设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的贴现利率计算方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的贴现利率计算方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由该贴现利率计算设备800的处理器801执行以完成上述的贴现利率计算方法。
相应于上面的方法实施例,本公开实施例还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的贴现利率计算方法可相互对应参照。
实施例4
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的贴现利率计算方法的步骤。
该可读存储介质具体可以为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存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (14)
1.一种贴现利率计算方法,其特征在于,包括:
获取训练后的预测模型和样本信息,所述预测模型用于预测银行贴现业务的贴现利率,所述样本信息包括金融机构定期的盈利目标、金融机构当前的资金情况、办理贴现业务的企业的信用等级、办理贴现业务的票据的到期期限、金融机构所在地区上一个月的消费者物价指数和生产价格指数;
将所述金融机构定期的盈利目标、所述金融机构当前的资金情况、所述办理贴现业务的企业的信用等级和所述办理贴现业务的票据的到期期限采用至少一条量化规则一一对应进行量化处理得到特征参数,通过所述特征参数、所述金融机构所在地区上一个月的消费者物价指数和所生产价格指数,构建特征集;
将所述特征集发送至所述训练后的预测模型中,计算所述特征集对应的贴现利率。
2.根据权利要求1所述的贴现利率计算方法,其特征在于,所述获取训练后的预测模型,包括:
获取训练集,所述训练集包括至少一个特征集和所述特征集对应的贴现业务的贴现利率;
将所述训练集发送至预测模型并利用多项式回归算法对所述预测模型进行训练得到训练后的预测模型。
3.根据权利要求2所述的贴现利率计算方法,其特征在于,所述将所述训练集发送至预测模型并利用多项式回归算法对所述预测模型进行训练得到训练后的预测模型,包括:
利用评价函数计算预测模型预测的贴现利率与贴现业务的贴现利率之间的误差,得到计算结果;
将所述计算结果与误差阈值进行比较,判断所述预测模型预测的贴现利率是否精确,所述误差阈值包括预测模型预测的贴现利率的最大误差,其中,若所述计算结果大于所述误差阈值,则继续训练所述预测模型,直到所述计算结果小于所述误差阈值,得到所述训练后的预测模型;若所述计算结果小于所述误差阈值,则直接得到所述训练后的预测模型。
4.根据权利要求1所述的贴现利率计算方法,其特征在于,所述将所述特征集发送至所述训练后的预测模型中,计算所述特征集对应的贴现利率,包括:
获取特征集中包括的数据对应的权重系数;
根据所述特征集中包括的数据和所述特征集中包括的数据对应的权重系数计算所述特征集对应的贴现利率。
5.根据权利要求1所述的贴现利率计算方法,其特征在于,所述将所述特征集发送至所述训练后的预测模型中,计算所述特征集对应的贴现利率后,还包括:
将所述训练后的预测模型计算得到的贴现利率与第一阈值和第二阈值进行比较,判断所述训练后的预测模型计算得到的贴现利率是否在第一阈值与第二阈值的范围内,所述第一阈值为贴现业务的贴现利率的最小值,所述第二阈值为贴现业务的贴现利率的最大值;
其中,若在所述第一阈值与所述第二阈值范围内,则将所述训练后的预测模型计算得到的贴现利率作为贴现业务的贴现利率;
若不在所述第一阈值与所述第二阈值范围内,则将所述训练后的预测模型计算得到的贴现利率反馈至上一级金融机构进行审批。
6.根据权利要求5所述的贴现利率计算方法,其特征在于,所述将所述训练后的预测模型计算得到的贴现利率反馈至上一级金融机构进行审批,包括:
判断所述训练后的预测模型计算得到的贴现利率是否能修改;
其中,若能对贴现利率修改,则将修改后的贴现利率作为所述贴现业务的贴现利率并将所述修改后的贴现利率和所述修改后的贴现利率对应的特征集存储至迭代平台中,所述迭代平台用于定期将其中存储的所述修改后的贴现利率和所述修改后的贴现利率对应的特征集发送至所述预测模型中进行迭代训练;
若不能对贴现利率修改,则将所述训练后的预测模型计算得到的贴现利率反馈至更上一级的金融机构进行审批,直到得到所述修改后的贴现利率。
7.一种贴现利率计算装置,其特征在于,包括:
获取模块,用于获取训练后的预测模型和样本信息,所述预测模型用于预测银行贴现业务的贴现利率,所述样本信息包括金融机构定期的盈利目标、金融机构当前的资金情况、办理贴现业务的企业的信用等级、办理贴现业务的票据的到期期限、金融机构所在地区上一个月的消费者物价指数和生产价格指数;
构建模块,用于将所述金融机构定期的盈利目标、所述金融机构当前的资金情况、所述办理贴现业务的企业的信用等级和所述办理贴现业务的票据的到期期限采用至少一条量化规则一一对应进行量化处理得到特征参数,通过所述特征参数、所述金融机构所在地区上一个月的消费者物价指数和所生产价格指数,构建特征集;
计算模块,用于将所述特征集发送至所述训练后的预测模型中,计算所述特征集对应的贴现利率。
8.根据权利要求7所述的贴现利率计算装置,其特征在于,所述获取模块,包括:
第一获取单元,用于获取训练集,所述训练集包括至少一个特征集和所述特征集对应的贴现业务的贴现利率;
训练单元,用于将所述训练集发送至预测模型并利用多项式回归算法对所述预测模型进行训练得到训练后的预测模型。
9.根据权利要求8所述的贴现利率计算装置,其特征在于,所述训练单元,包括:
第一计算单元,用于利用评价函数计算预测模型预测的贴现利率与贴现业务的贴现利率之间的误差,得到计算结果;
第一判断单元,用于将所述计算结果与误差阈值进行比较,判断所述预测模型预测的贴现利率是否精确,所述误差阈值包括预测模型预测的贴现利率的最大误差,其中,若所述计算结果大于所述误差阈值,则继续训练所述预测模型,直到所述计算结果小于所述误差阈值,得到所述训练后的预测模型;若所述计算结果小于所述误差阈值,则直接得到所述训练后的预测模型。
10.根据权利要求7所述的贴现利率计算装置,其特征在于,所述计算模块,包括:
第二获取单元,用于获取特征集中包括的数据对应的权重系数;
第二计算单元,用于根据所述特征集中包括的数据和所述特征集中包括的数据对应的权重系数计算所述特征集对应的贴现利率。
11.根据权利要求7所述的贴现利率计算装置,其特征在于,所述装置,还包括:
判断模块,用于将所述训练后的预测模型计算得到的贴现利率与第一阈值和第二阈值进行比较,判断所述训练后的预测模型计算得到的贴现利率是否在第一阈值与第二阈值的范围内,所述第一阈值为贴现业务的贴现利率的最小值,所述第二阈值为贴现业务的贴现利率的最大值;
其中,若在所述第一阈值与所述第二阈值范围内,则将所述训练后的预测模型计算得到的贴现利率作为贴现业务的贴现利率;
若不在所述第一阈值与所述第二阈值范围内,则将所述训练后的预测模型计算得到的贴现利率反馈至上一级金融机构进行审批。
12.根据权利要求11所述的贴现利率计算装置,其特征在于,所述判断模块,包括:
第二判断单元,用于判断所述训练后的预测模型计算得到的贴现利率是否能修改;
其中,若能对贴现利率修改,则将修改后的贴现利率作为所述贴现业务的贴现利率并将所述修改后的贴现利率和所述修改后的贴现利率对应的特征集存储至迭代平台中,所述迭代平台用于定期将其中存储的所述修改后的贴现利率和所述修改后的贴现利率对应的特征集发送至所述预测模型中进行迭代训练;
若不能对贴现利率修改,则将所述训练后的预测模型计算得到的贴现利率反馈至更上一级的金融机构进行审批,直到得到所述修改后的贴现利率。
13.一种贴现利率计算设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述贴现利率计算方法的步骤。
14.一种可读存储介质,其特征在于:所述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执行时实现如权利要求1至6任一项所述贴现利率计算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211549015.4A CN115860898A (zh) | 2022-12-05 | 2022-12-05 | 一种贴现利率计算方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211549015.4A CN115860898A (zh) | 2022-12-05 | 2022-12-05 | 一种贴现利率计算方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115860898A true CN115860898A (zh) | 2023-03-28 |
Family
ID=85669909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211549015.4A Pending CN115860898A (zh) | 2022-12-05 | 2022-12-05 | 一种贴现利率计算方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115860898A (zh) |
-
2022
- 2022-12-05 CN CN202211549015.4A patent/CN115860898A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20160027102A1 (en) | Method and system for providing electronic financial assistance | |
CN109784779B (zh) | 财务风险预测方法、装置及存储介质 | |
CN111192131A (zh) | 金融风险预测方法、装置和电子设备 | |
CN102117469A (zh) | 一种对信用风险进行评估的系统和方法 | |
Jang et al. | Detection and prediction of house price bubbles: Evidence from a new city | |
JP2016099915A (ja) | 与信審査用サーバと与信審査用システム及び与信審査用プログラム | |
CN113034046A (zh) | 一种数据风险计量方法、装置、电子设备及存储介质 | |
Gresnigt et al. | Specification testing in hawkes models | |
KR102311107B1 (ko) | 딥러닝 모델을 자동으로 생성하는 딥러닝 솔루션 플랫폼과 연동 가능한 고객 이탈 방지 시스템에 의해서 수행되는, 고객의 이탈을 방지하기 위한 솔루션을 제공하는 고객 이탈 방지 방법 | |
CN114493208A (zh) | 工程项目全寿命周期的评价方法、装置、电子设备及介质 | |
JP6771513B2 (ja) | 債務不履行確率を算出する装置、方法及びそのためのプログラム | |
Dong et al. | Time to delisted status for listed firms in Chinese stock markets: An analysis using a mixture cure model with time-varying covariates | |
Jobst et al. | Bayesian loss given default estimation for European sovereign bonds | |
CN115545909A (zh) | 一种审批方法、装置、设备及存储介质 | |
JP2017084229A (ja) | 投資シミュレーション装置および方法 | |
CN111899093B (zh) | 一种违约损失率的预测方法及装置 | |
CN115860898A (zh) | 一种贴现利率计算方法、装置、设备及可读存储介质 | |
CN114943582A (zh) | 一种信息推荐方法、系统及推荐服务器 | |
US20220067460A1 (en) | Variance Characterization Based on Feature Contribution | |
TW201333863A (zh) | 金融商品之走勢力道分析系統及其方法 | |
Selau et al. | A systematic approach to construct credit risk forecast models | |
Lian et al. | Portfolio selection in a multi-asset, incomplete-market economy | |
Liu et al. | Dispersed analysts’ forecasts of firms’ operational uncertainties and stock returns | |
JP2002197268A (ja) | ローン管理システム、その方法及びコンピュータシステムにローンの管理を行わせるためのコンピュータソフトウエアプログラム製品 | |
US11488408B2 (en) | Prediction device, prediction method, prediction program |
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 |