CN116258594A - 债券发行体违约风险确定方法、装置、设备、介质及产品 - Google Patents

债券发行体违约风险确定方法、装置、设备、介质及产品 Download PDF

Info

Publication number
CN116258594A
CN116258594A CN202310261855.9A CN202310261855A CN116258594A CN 116258594 A CN116258594 A CN 116258594A CN 202310261855 A CN202310261855 A CN 202310261855A CN 116258594 A CN116258594 A CN 116258594A
Authority
CN
China
Prior art keywords
bond issuer
bond
breach
issuer
data set
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
Application number
CN202310261855.9A
Other languages
English (en)
Inventor
吴超荣
夏成扬
詹丽娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Construction Bank Corp
CCB Finetech Co Ltd
Original Assignee
China Construction Bank Corp
CCB Finetech Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Construction Bank Corp, CCB Finetech Co Ltd filed Critical China Construction Bank Corp
Priority to CN202310261855.9A priority Critical patent/CN116258594A/zh
Publication of CN116258594A publication Critical patent/CN116258594A/zh
Pending legal-status Critical Current

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
    • G06Q40/06—Asset management; Financial planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • 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
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • 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
    • G06Q40/08—Insurance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种债券发行体违约风险确定方法、装置、设备、介质及产品，本发明涉及人工智能技术领域。该方法包括：确定债券发行体数据集合对应的特征变量，债券发行体数据集合包括至少一个债券发行体数据；将特征变量分别输入已训练的第一机器学习模型与已训练的第二机器学习模型，以得到债券发行体数据集合中的各债券发行体的第一债券发行体违约概率与第二债券发行体违约概率；将第一债券发行体违约概率与第二债券发行体违约概率输入已训练的第三机器学习模型，以得到债券发行体数据集合中各债券发行体的债券发行体违约概率。本发明的技术方案能够解决现有机器学习模型在债券发行体违约风险确定方面存在可泛化性较低的问题。

Description

债券发行体违约风险确定方法、装置、设备、介质及产品
技术领域
本发明实施例涉及人工智能技术领域，尤其涉及一种债券发行体违约风险确定方法、装置、设备、介质及产品。
背景技术
近年来，信用债市场债券规模越来越大，受外部市场多种因素叠加影响，信用债违约概率也相应增加，一旦债券出现违约或者实质性风险，将对债券承销方、非金融企业信用债，造成不可估量的损失。
现有技术通常通过机器学习模型进行债券发行体违约概率的识别，由于债券市场多变，导致机器学习模型在债券发行体违约风险确定方面存在可泛化性较低的问题。
发明内容
本发明实施例提供了一种债券发行体违约风险确定方法、装置、设备、介质及产品，用以解决现有机器学习模型在债券发行体违约风险确定方面存在可泛化性较低的问题。
第一方面，本发明实施例提供了一种债券发行体违约风险确定方法，包括：
确定债券发行体数据集合对应的特征变量，所述债券发行体数据集合包括至少一个债券发行体数据；
将所述特征变量分别输入已训练的第一机器学习模型与已训练的第二机器学习模型，以得到债券发行体数据集合中的各债券发行体的第一债券发行体违约概率与第二债券发行体违约概率；
将所述第一债券发行体违约概率与所述第二债券发行体违约概率输入已训练的第三机器学习模型，以得到所述债券发行体数据集合中各债券发行体的债券发行体违约概率。
第二方面，本发明实施例还提供了一种债券发行体违约风险确定装置，该装置包括：
特征变量模块，用于确定债券发行体数据集合对应的特征变量；
第一违约概率模块，用于将所述特征变量分别输入已训练的第一机器学习模型与已训练的第二机器学习模型，以得到债券发行体数据集合中的各债券发行体的第一债券发行体违约概率与第二债券发行体违约概率；
第二违约概率模块，用于将所述第一债券发行体违约概率与所述第二债券发行体违约概率输入已训练的第三机器学习模型，以得到所述债券发行体数据集合中各债券发行体的债券发行体违约概率。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例中任一所述的债券发行体违约风险确定方法。
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，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的债券发行体违约风险确定方法。
第五方面，本发明实施例还提供了一种计算机程序产品，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债券发行体违约风险确定方法。
本发明实施例提供的债券发行体违约风险确定方法的技术方案，通过将特征变量分别输入已训练的第一机器学习模型与已训练的第二机器学习模型，得到各债券发行体的两个债券发行体违约概率；通过已训练的第三机器学习模型综合各债券发行体的两个债券发行体违约概率确定各债券发行体的债券发行体违约概率；采用树状或分叉状的机器学习模型组合，可以实现机器学习模型之间的互补，使得模型组合整体上的可泛化性较高，有助于提高债券发行体违约概率确定的准确性。
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为本发明实施例提供的债券发行体违约风险确定方法的流程图；
图2为本发明实施例提供的又一债券发行体违约风险确定方法的流程图；
图3为本发明实施例提供的又一债券发行体违约风险确定方法的流程图；
图4为本发明实施例提供的又一债券发行体违约风险确定方法的流程图；
图5为本发明实施例提供的又一债券发行体违约风险确定方法的流程图；
图6为本发明实施例提供的第三机器学习模型的训练方法的流程图；
图7A为本发明实施例提供的债券发行体违约风险确定装置的结构示意图；
图7B为本发明实施例提供的又一债券发行体违约风险确定装置的结构示意图；
图7C为本发明实施例提供的又一债券发行体违约风险确定装置的结构示意图；
图7D为本发明实施例提供的又一债券发行体违约风险确定装置的结构示意图；
图7E为本发明实施例提供的又一债券发行体违约风险确定装置的结构示意图；
图8为本发明实施例提供的电子设备的结构示意图。
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。
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。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。
图1为本发明实施例提供的债券发行体违约风险确定方法的流程图，本实施例可适用于基于模型组合确定债券发行体数据的债券发行体违约概率的情况，该方法可以由债券发行体违约风险确定装置来执行，该债券发行体违约风险确定装置可以采用硬件和/或软件的形式实现，该债券发行体违约风险确定装置可配置于处理器中。如图1所示，该方法包括：
S110、债券发行体数据集合对应的特征变量，所述债券发行体数据集合包括至少一个债券发行体数据。
其中，债券是政府、银行、企业等债务人为筹集资金，按照法定程序发行并向债券人承诺于指定日期还本付息的有价证券。可以理解的是，政府发行的债券通常称之为政府债券，银行发行的债券通常称之为金融债券，企业发行的债券通常称之为企业债券。
其中，债券发行体数据集合可理解为需要计算违约概率的一组债券发行体数据的集合。债券发行体数据包括与债券发行体违约关联的全部或部分数据，实际使用时，可以根据实际情况进行选择，本实施例不对债券发行体数据所包括的数据内容进行限定。
债券发行体数据集合中的各债券发行体数据是基于必要要素标识与可选要素标识从所有债券发行体数据中筛选出来的，必要要素标识包括时间要素标识，可选要素标识包括行业要素标识与地区要素标识。使用户可通过必要要素标识与可选要素标识确定债券发行体数据集合包括的具体债券发行体数据。
其中，必要要素标识可以理解为必不可少的要素标识；可选要素标识可以理解为非必须要素标识。时间要素标识可以年份标识、月份标识等；行业要素标识可以是行业名称，比如建筑行业、能源行业、消费行业等；地区要素标识可以是地区名称，比如上海、浙江、苏州等。
在一个实施例中，时间标识为某年7月份。债券发行体数据集合包括该年份7月底债券市场上的所有债券发行体数据。
在一个实施例中，时间标识为某年7月份，行业标识包括建筑行业与能源行业。债券发行体数据集合包括该年份7月底债券市场上的所有建筑行业的债券发行体数据与能源行业的债券发行体数据。
在一个实施例中，时间标识为某年7月份，地区标识包括上海、杭州与苏州。债券发行体数据集合包括上海、杭州与苏州在该年份7月底的债券市场上所有债券发行体数据。
在一个实施例中，债券发行体数据集合为非金融企业信用债发行体数据集合。其中，非金融企业信用债的确定方法包括：获取全部债券发行体数据集合，从该全部债券发行体数据集合中删除金融行业债券与特殊债券，以得到目标发行体数据集合。其中，金融行业债券包括发行体标识中含有政府、银行、证券、保险、基金、农村信用、信托、保理、贷款、租赁等的债券；关于特殊债券，包括但不限于发行体标识中包括绿色债、防疫债等的债券。
债券发行体数据集合确定后，确定该债券发行体数据集合对应的特征变量。需要说明的是，采用现有方法确定债券发行体数据集合的特征变量即可，本实施例在此不作具体限定。
S120、将所述特征变量分别输入已训练的第一机器学习模型与已训练的第二机器学习模型，以得到债券发行体数据集合中的各债券发行体的第一债券发行体违约概率与第二债券发行体违约概率。
其中，第一机器学习模型与第二机器学习模型为随机森林模型、梯度提升模型、神经网络模型与支持向量机模型等机器学习模型中的任意两个。
在一个实施例中，第一机器学习模型为随机森林模型，第二机器学习模型为梯度提升模型，第三机器学习模型为逻辑回归模型。
其中，第一债券发行体违约概率与第二债券发行体违约概率可能相同，也可能不同。
S130、将所述第一债券发行体违约概率与所述第二债券发行体违约概率输入已训练的第三机器学习模型，以得到所述债券发行体数据集合中各债券发行体的债券发行体违约概率。
该步骤旨在通过已训练的第三机器学习模型综合第一债券发行体违约概率与第二债券发行体违约概率，确定目标发行体数据集合中各目标债券发行体的债券发行体违约概率。
本发明实施例提供的债券发行体违约风险确定方法的技术方案，通过将特征变量分别输入已训练的第一机器学习模型与已训练的第二机器学习模型，得到各债券发行体的两个债券发行体违约概率；通过已训练的第三机器学习模型综合各债券发行体的两个债券发行体违约概率确定各债券发行体的债券发行体违约概率；采用树状或分叉状的机器学习模型组合，可以实现机器学习模型之间的互补，使得模型组合整体上的可泛化性较高，有助于提高债券发行体违约概率确定的准确性。
图2为本发明实施例提供的又一债券发行体违约风险确定方法的流程图。
如图2所示，该方法包括：
S210、确定债券发行体数据集合对应的特征变量，所述债券发行体数据集合包括至少一个债券发行体数据。
S220、将所述特征变量分别输入已训练的第一机器学习模型与已训练的第二机器学习模型，以得到债券发行体数据集合中的各债券发行体的第一债券发行体违约概率与第二债券发行体违约概率。
S230、将所述第一债券发行体违约概率与所述第二债券发行体违约概率输入已训练的第三机器学习模型，以得到所述债券发行体数据集合中各债券发行体的债券发行体违约概率。
S240、基于K校准法对各所述债券发行体违约概率进行校准，以得到校准后的各所述债券发行体违约概率。
通过以下步骤完成各债券发行体违约概率的校准，包括：
步骤a1、将第一训练集输入已训练的第三机器学习模型以得到所述第一训练集中各债券发行体的债券发行体违约概率，将该债券发行体违约概率作为第三债券发行体违约概率，其中，所述第一训练集为用于将所述第三机器学习模型训练成已训练的第三机器学习模型的样本集合。
其中，已训练的第三机器学习模型基于该第一训练集训练而成。该第一训练集中的每个样本包括自变量和因变量，其中，自变量包括第一债券发行体违约概率、第二债券发行体违约概率，因变量包括债券发行体的债券标签，债券标签为用于表示违约的标识1，或用于表示履约的标识0。
将第一训练集输入该已训练的第三机器学习模型以得到该第一训练集中的各债券发行体的债券发行体违约概率。由于已训练的第三机器学习模型是基于该第一训练集训练而成的，因此基于该已训练的第三机器学习模型确定的该第一训练集中各债券发行体的债券发行体违约概率具有较高准确性。
步骤a2、基于所述第一训练集中的所有债券发行体的所述第三债券发行体违约概率均值与设定历史债券发行体违约概率确定校准参数。
其中，设定历史债券发行体违约概率基于设定历史时间内债券市场上的所有债券发行体数据确定的，或者基于设定历史时间内债券市场上的地区要素标识和/或行业要素标识对应的债券发行体数据确定的。设定历史时间可以根据实际需要进行设定，比如基于行业共识确定一个设定历史时间段，或者过去三年或两年。比如，设定历史时间为2017年初至2020年底；今年为2023年，那么过去两年是指2021年初到2022年底，过去三年是指2019年初到2022年底。
在一个实施例中，历史债券发行体违约概率为所有半年期的债券发行体违约概率的均值，比如，设定历史时间为2017年初至2020年底，半年期的债券发行体违约概率有8个，将该8个债券发行体违约概率的均值作为该设定时间段的历史债券发行体违约概率。
在一个实施例中，历史债券发行体违约概率为所有单月的债券发行体违约概率的均值，比如，设定实例时间为过去两年，即2020年初到2022年底，那么共有24个债券发行体违约概率，将该24个债券发行体违约概率的均值作为该设定时间段的历史债券发行体违约概率
计算第一训练集中所有债券发行体的债券发行体违约概率的均值，然后通过以下公式确定校准参数K，具体如下：
Figure BDA0004131603900000091
其中，PDimp为第一训练集中的各债券发行体的债券发行体违约概率，AVG(PDimp)是指第一训练集对应的所有债券发行体违约概率的均值；PDhis为历史债券发行体违约概率。
步骤a3、基于所述校准参数对债券发行体数据集合中的各所述债券发行体违约概率进行校准，以更新各所述债券发行体违约概率。
通过以下公式完成基于校准参数对各债券发行体违约概率进行校准，具体如下：
Figure BDA0004131603900000101
其中，PDcal债券发行体违约概率，PDimpm为债券发行体数据集合中的各债券的债券发行体违约概率。
本实施例中，由于已训练的第三机器学习模型基于第一训练集训练而成，因此其对第一训练集中各样本的债券发行体违约概率的预测准确性较高，因此基于第一训练集中的所有债券发行体的第三债券发行体违约概率均值与设定历史时间内债券市场的历史债券发行体违约概率确定的校准参数的准确性较高，因此基于该校准参数对债券发行体违约概率进行校准得到的校准后的债券发行体违约概率的准确性较高，提高了债券发行体违约概率确定的准确性。
图3为本发明实施例提供的违约概率显示方法的流程图。如图3所示，该方法包括：
S310、确定债券发行体数据集合对应的特征变量，所述债券发行体数据集合包括至少一个债券发行体数据。
S320、将所述特征变量分别输入已训练的第一机器学习模型与已训练的第二机器学习模型，以得到债券发行体数据集合中的各债券发行体的第一债券发行体违约概率与第二债券发行体违约概率。
S330、将所述第一债券发行体违约概率与所述第二债券发行体违约概率输入已训练的第三机器学习模型，以得到所述债券发行体数据集合中各债券发行体的债券发行体违约概率。
S340、以设定排序方法对所有债券发行体违约概率进行排序得到的排序结果，并展示所述排序结果，所述排序结果包括债券发行体标识以及该债券发行体标识对应的第一债券发行体违约概率与第二债券发行体违约概率。
在得到债券发行体数据集合中的各债券发行体的债券发行体违约概率的情况下，以设定排序方法对所有债券发行体违约概率进行排序以得到排序结果，并展示该排序结果。其中，设定排序方法默认为降序排序方法，其中，对于降序排序方法又包括以第一债券发行体违约概率为基准的降序排序方法，以第二债券发行体为基准的降序排序方法，以第一债券发行体违约概率与第二债券发行体违约概率之和为基准的降序排序方法等。
在一个实施例中，可视化交互界面还配置有对应至少两个排序方法的排序选项，用户通过选择所需排序选项向处理器发送展示请求，处理器采用该展示请求包括的排序方法对所有债券发行体违约概率进行排序以得到排序结果，并将该排序结果输出至可视化界面。其中，该至少两个排序方法包括降序排序方法、升序排序方法，其中，升序排序方法又包括以第一债券发行体违约概率为基准的升序排序方法，以第二债券发行体违约概率为基准的升序排序方法，以及以第一债券发行体违约概率与第二债券发行体违约概率之和未记载的升序排序方法。
在一个实施例中，以表格的形式展示排序结果，该排序结果包括作为第一字段的债券发行体标识、作为第二字段的基准债券发行体违约概率以及作为第三字段的另一债券发行体违约概率。示例性的，基准债券发行体违约概率为第一债券发行体违约概率，那么排序结果包括作为第一字段的债券发行体标识、作为第二字段的第一债券发行体违约概率以及作为第三字段的第二债券发行体违约概率。
本发明实施例通过展示所有债券发行体违约概率的排序结果，使用户直观地获取各债券发行体违约概率之间的大小关系，便于用户准确地了解各债券发行体违约概率的状况。
图4为本发明实施例提供的又一债券发行体违约概率识别处理的流程图。
如图4所示，该方法包括：
S410、确定债券发行体数据集合对应的特征变量，所述债券发行体数据集合包括至少一个债券发行体数据。
S420、将所述特征变量分别输入已训练的第一机器学习模型与已训练的第二机器学习模型，以得到债券发行体数据集合中的各债券发行体的第一债券发行体违约概率与第二债券发行体违约概率。
S430、将所述第一债券发行体违约概率与所述第二债券发行体违约概率输入已训练的第三机器学习模型，以得到所述债券发行体数据集合中各债券发行体的债券发行体违约概率。
S440、确定所述债券发行体数据集合对应的所有债券发行体违约概率的均值，将该均值作为目标期风险度量。
将债券发行体数据集合对应的所有债券发行体违约概率的均值作为目标期债券发行体违约概率，即报告期风险度量，具体计算公式如下：
Figure BDA0004131603900000121
其中，k为债券发行体数据集合中各债券发行体的标识；m为债券发行体数据集合包括的所有债券发行体的数量。
其中，PDk为债券发行体数据集合中标识为k的债券发行体的债券发行体违约概率，或者校准后的债券发行体违约概率。
S450、确定基期债券发行体数据集合对应的所有债券发行体违约概率的均值，将该均值作为基期风险度量，其中，基期债券发行体数据集合对应的时间要素标识为基期时间标识，基期债券发行体数据集合与债券发行体数据集合对应的可选要素标识相同。
其中，基期债券发行体数据集合对应的可选要素标识需与债券发行体数据集合对应的可选要素标识相同，这样才能将基期债券发行体数据集合作为债券发行体数据集合的基准。
其中，基期债券发行体数据集合按照行业习惯确定即可，比如，选定2016年12月为基期，则将2016年12月债券市场上的所有债券发行体数据的集合作为债券发行体数据集合，或将2016年12月债券市场上的地区要素标识对应地区和/或行业要素标识对应行业的所有债券发行体数据集合作为基期债券发行体数据集合。
在一个实施例中，将前述实施例中的债券发行体数据集合替换成基期债券发行体数据集合，以得到基期债券发行体数据集合中各债券的债券发行体违约概率，具体如下：
步骤b1、确定基期债券发行体数据集合对应的特征变量，所述基期债券发行体数据集合包括至少一个债券发行体数据。
步骤b2、将该特征变量分别输入已训练的第一机器学习模型与已训练的第二机器学习模型，以得到基期债券发行体数据集合中的各债券发行体的第一债券发行体违约概率与第二债券发行体违约概率。
步骤b3、将第一债券发行体违约概率与第二债券发行体违约概率输入已训练的第三机器学习模型，以得到基期债券发行体数据集合中各债券发行体的债券发行体违约概率。
计算基期债券发行体数据集合对应的所有债券发行体违约概率的平均值，以得到基期风险度量，具体如下：
Figure BDA0004131603900000141
其中，PDj为基期债券发行体数据集合中标识为j的债券发行体的债券发行体违约概率，或者校准后的债券发行体违约概率；n为基期债券发行体数据集合对应的债券发行体的总数。
S460、根据所述目标期风险度量与所述基期风险度量确定目标期债券风险指数。
将基期风险指数赋值为100，通过以下公式确定目标期债券风险指数，具体为：
Figure BDA0004131603900000142
本实施例基于债券发行体数据集合对应的各债券发行体违约概率确定目标期风险度量，基于基期债券发行体数据集合对应的各债券发行体违约概率确定基期风险度量，然后基于目标期风险度量与基期风险度量确定目标期债券风险指数，该风险指数可用于评价债券市场的违约情况。
图5为本发明实施例提供的又一债券发行体违约概率识别处理的流程图。
如图5所示，该方法包括：
S500、响应于风险指数展示请求，确定至少两个债券发行体数据集合，所述风险指数展示请求包括至少两个时间要素标识，所述至少两个债券发行体数据集合对应不同的时间要素标识。
响应于用户在可视化交互界面上选择的要素标识或要素标识关联信息生成携带有对应要素标识的风险指数展示请求。
用户在可视化交互界面上选择要素标识关联信息，比如作为时间要素标识的关联信息的时间段，示例性的，X年1月-X年12月。处理器响应于该操作生成携带有时间段的风险指数展示请求；确定该风险指数展示请求包括该时间段对应的时间要素标识，比如，如果以一个月为一期，那么该时间段对应12个时间要素标识(或称为期别标识)，如果以一个季度为一起，那么该时间段对应4个时间要素标识；如果以半年为一起，那么该时间段对应2个时间要素标识。时间要素标识确定后，将各时间要素标识对应的截止时间的债券市场上的所有债券发行体数据作为债券发行体数据集合。
在一个实施例中，用户还可以在可视化交互界面上选择其他要素标识，比如地区要素标识与行业要素标识。处理器根据风险指数请求中包括的时间要素标识以及地区要素标识和/或行业要素标识，从各时间要素标识对应时间的债券市场上筛选出该地区要素标识和/或行业要素标识的债券，以得到债券发行体数据集合。
S510、确定该至少两个债券发行体数据集合对应的特征变量。
S520、将所述特征变量分别输入已训练的第一机器学习模型与已训练的第二机器学习模型，以得到债券发行体数据集合中的各债券发行体的第一债券发行体违约概率与第二债券发行体违约概率。
S530、将所述第一债券发行体违约概率与所述第二债券发行体违约概率输入已训练的第三机器学习模型，以得到所述债券发行体数据集合中各债券发行体的债券发行体违约概率。
S540、确定所述债券发行体数据集合对应的所有债券发行体违约概率的均值，将该均值作为目标期风险度量。
S550、确定基期债券发行体数据集合对应的所有债券发行体违约概率的均值，将该均值作为基期风险度量，其中，所述基期债券发行体数据集合对应的时间要素标识为基期时间标识，所述基期债券发行体数据集合与所述债券发行体数据集合对应的可选要素标识相同。
S560、根据所述目标期风险度量与所述基期风险度量确定目标期债券风险指数。
S570、基于所述至少两个债券发行体数据集合分别对应的目标期风险指数与时间要素标识绘制债券风险指数曲线。
得到各时间要素标识对应的债券发行体数据集合对应的目标期风险指数后，以各时间要素标识对应的目标期风险指数为纵坐标，以时间要素标识为横坐标绘制债券风险指数曲线，并将该债券风险指数曲线输出至可视化界面上。
本发明实施例根据用户在可视化界面上选择的要素标识确定至少两个债券发行体数据集合，提高了债券发行体数据集合与债券风险指数曲线确定的灵活性；确定该至少两个债券发行体数据集合分别对应的债券风险指数，根据该至少两个债券发行体数据集合对应的至少两个时间要素标识与债券风险指数绘制债券风险指数曲线，并在可视化界面上显示该债券风险指数曲线，便于用户直观获取债券风险指数随时间的变化情况，具有较高的用户体验。
图6为本发明实施例提供的第三机器学习模型的训练方法的流程图。如图6所示，该方法包括：
S610、获取第一训练集，所述第一训练集中的各训练样本包括各债券的所述第一债发行体违约概率、所述第二债券发行体违约概率与债券标签，所述债券标签为违约标签或履约标签。
其中，债券标签用于表示对应债券实际上是违约债券还是履约债券。
通过以下步骤确定第一训练集，包括：
步骤c1、获取第二训练集，该第二训练集包括设定数量的样本，各样本均包括债券标识、债券发行体数据与债券标签。
步骤c2、将第二训练集中的各样本分别输入已训练的第一机器学习模型与已训练的第二机器学习模型以得到各样本的第一债券发行体违约概率与第二债券发行体违约概率。
步骤c2、将所有样本对应的第一债券发行体违约、第二债券发行体违约概率以及债券标签作为第一训练集。
S620、将所述第一训练集中的各训练样本输入第三机器学习模型进行模型训练，以得到已训练的第三机器学习模型。
本实施例中，第一训练集中的各训练样本的自变量为第一债券发行体违约概率与第二债券发行体违约概率，二者分别基于已训练的第一机器学习模型与已训练的第二机器学习模型确定，各训练样本的因变量为债券标签对应的实际违约标识，通过第一训练集训练第三机器学习模型，使得已训练的第三机器学习模型可以综合第一债券发行体违约概率与第二债券发行体违约概率确定更为准确的债券发行体违约概率。
图7A为本发明实施例提供的债券发行体违约风险确定装置的结构示意图。本实施例与前述实施例属于同一发明构思，如图7A所示，该装置包括：
特征变量模块710，用于确定债券发行体数据集合对应的特征变量，所述债券发行体数据集合包括至少一个债券发行体数据；
第一违约概率模块720，用于将所述特征变量分别输入已训练的第一机器学习模型与已训练的第二机器学习模型，以得到债券发行体数据集合中的各债券发行体的第一债券发行体违约概率与第二债券发行体违约概率；
第二违约概率模块730，用于将所述第一债券发行体违约概率与所述第二债券发行体违约概率输入已训练的第三机器学习模型，以得到所述债券发行体数据集合中各债券发行体的债券发行体违约概率。
在一个实施例中，所述债券发行体数据集合中的各债券发行体数据是基于必要要素标识与可选要素标识从所有债券发行体数据中筛选出来的，所述必要要素标识包括时间要素标识，所述可选要素标识包括行业要素标识与地区要素标识
在一个实施例中，如图7B所示，该装置还包括：
校准模块740，用于基于K校准法对各所述债券发行体违约概率进行校准，以得到校准后的各所述债券发行体违约概率。
在一个实施例中，校准模块用于将第一训练集输入已训练的第三机器学习模型以得到所述第一训练集中各债券发行体的债券发行体违约概率，将该债券发行体违约概率作为第三债券发行体违约概率，其中，所述第一训练集为用于将所述第三机器学习模型训练成已训练的第三机器学习模型的样本集合；
基于所述第一训练集中的所有债券发行体的所述第三债券发行体违约概率均值与设定历史债券发行体违约概率确定校准参数；
基于所述校准参数对债券发行体数据集合中的各所述债券发行体违约概率进行校准，以更新各所述债券发行体违约概率。
在一个实施例中，如图7C所示，该装置还包括：
第一展示模块750，用于以设定排序方法对所有债券发行体违约概率进行排序得到的排序结果，并展示所述排序结果，所述排序结果包括债券发行体标识以及该债券发行体标识对应的第一债券发行体违约概率与第二债券发行体违约概率。
在一个实施例中，如图7D所示，该装置还包括风险指数确定模块760，用于：
确定所述债券发行体数据集合对应的所有债券发行体违约概率的均值，将该均值作为目标期风险度量；
确定基期债券发行体数据集合对应的所有债券发行体违约概率的均值，将该均值作为基期风险度量，其中，所述基期债券发行体数据集合对应的时间要素标识为基期时间标识，所述基期债券发行体数据集合与所述债券发行体数据集合对应的可选要素标识相同；
根据所述目标期风险度量与所述基期风险度量确定目标期债券风险指数。
在一个实施例中，如图7E所示，该装置还包括：
响应模块700，用于响应于风险指数展示请求，确定至少两个债券发行体数据集合，所述风险指数展示请求包括至少两个时间要素标识，所述至少两个债券发行体数据集合对应不同的时间要素标识。
第二展示模块770，用于基于所述至少两个债券发行体数据集合分别对应的目标期风险指数与时间要素标识绘制债券风险指数曲线。
在一个实施例中，响应模块具体用于响应于用户在可视化交互界面上选择的要素标识或要素标识关联信息生成携带有对应要素标识的风险指数展示请求。
在一个实施例中，所述第一机器学习模型与所述第二机器学习模型分别为随机森林模型与梯度提升模型，所述第三机器学习模型为逻辑回归模型。
在一个实施例中，该装置还包括训练模块，用于：
获取第一训练集，所述第一训练集中的各训练样本包括各债券的所述第一债发行体违约概率、所述第二债券发行体违约概率与债券标签，所述债券标签为违约标签或履约标签；
将所述第一训练集中的各训练样本输入第三机器学习模型进行模型训练，以得到已训练的第三机器学习模型。
本发明实施例提供的债券发行体违约风险确定装置的技术方案，通过将特征变量分别输入已训练的第一机器学习模型与已训练的第二机器学习模型，得到各债券发行体的两个债券发行体违约概率；通过已训练的第三机器学习模型综合各债券发行体的两个债券发行体违约概率确定各债券发行体的债券发行体违约概率；采用树状或分叉状的机器学习模型组合，可以实现机器学习模型之间的互补，使得模型组合整体上的可泛化性较高，有助于提高债券发行体违约概率确定的准确性。
本发明实施例所提供的债券发行体违约风险确定装置可执行本发明任意实施例所提供的债券发行体违约风险确定方法，具备执行方法相应的功能模块和有益效果。
图8示出了可以用来实施本发明的实施例的电子设备10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8所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13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11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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11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11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11执行上文所描述的各个方法和处理，例如债券发行体违约风险确定方法。
在一些实施例中，债券发行体违约风险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18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的债券发行体违约风险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11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行债券发行体违约风险确定方法。
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。
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。
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债券发行体违约风险确定方法。
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)。
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 (16)

1.一种债券发行体违约风险确定方法，其特征在于，包括：
确定债券发行体数据集合对应的特征变量，所述债券发行体数据集合包括至少一个债券发行体数据；
将所述特征变量分别输入已训练的第一机器学习模型与已训练的第二机器学习模型，以得到债券发行体数据集合中的各债券发行体的第一债券发行体违约概率与第二债券发行体违约概率；
将所述第一债券发行体违约概率与所述第二债券发行体违约概率输入已训练的第三机器学习模型，以得到所述债券发行体数据集合中各债券发行体的债券发行体违约概率。
2.根据权利要求1所述的方法，其特征在于，所述债券发行体数据集合中的各债券发行体数据是基于必要要素标识与可选要素标识从所有债券发行体数据中筛选出来的，所述必要要素标识包括时间要素标识，所述可选要素标识包括行业要素标识与地区要素标识。
3.根据权利要求1所述的方法，其特征在于，所述得到所述债券发行体数据集合中各债券发行体的债券发行体违约概率之后，还包括：
基于K校准法对各所述债券发行体违约概率进行校准，以得到校准后的各所述债券发行体违约概率。
4.根据权利要求3所述的方法，其特征在于，所述基于K校准法对各所述债券发行体违约概率进行校准，以得到校准后的各所述债券发行体违约概率，包括：
将第一训练集输入已训练的第三机器学习模型以得到所述第一训练集中各债券发行体的债券发行体违约概率，将该债券发行体违约概率作为第三债券发行体违约概率，其中，所述第一训练集为用于将所述第三机器学习模型训练成已训练的第三机器学习模型的样本集合；
基于所述第一训练集中的所有债券发行体的所述第三债券发行体违约概率均值与设定历史债券发行体违约概率确定校准参数；
基于所述校准参数对债券发行体数据集合中的各所述债券发行体违约概率进行校准，以更新各所述债券发行体违约概率。
5.根据权利要求1-4任一所述的方法，其特征在于，债券发行体违约概率确定后，还包括：
以设定排序方法对所有债券发行体违约概率进行排序得到的排序结果，并展示所述排序结果，所述排序结果包括债券发行体标识以及该债券发行体标识对应的第一债券发行体违约概率与第二债券发行体违约概率。
6.根据权利要求1或3所述的方法，其特征在于，所述得到所述债券发行体数据集合中各债券发行体的债券发行体违约概率之后，还包括：
确定所述债券发行体数据集合对应的所有债券发行体违约概率的均值，将该均值作为目标期风险度量；
确定基期债券发行体数据集合对应的所有债券发行体违约概率的均值，将该均值作为基期风险度量，其中，所述基期债券发行体数据集合对应的时间要素标识为基期时间标识，所述基期债券发行体数据集合与所述债券发行体数据集合对应的可选要素标识相同；
根据所述目标期风险度量与所述基期风险度量确定目标期债券风险指数。
7.根据权利要求6所述的方法，其特征在于，所述确定债券发行体数据集合对应的特征变量之前，还包括：
响应于风险指数展示请求，确定至少两个债券发行体数据集合，所述风险指数展示请求包括至少两个时间要素标识，所述至少两个债券发行体数据集合对应不同的时间要素标识；
所述根据所述目标期风险度量与所述基期风险度量确定目标期债券风险指数之后，还包括：
基于所述至少两个债券发行体数据集合分别对应的目标期风险指数与时间要素标识绘制债券风险指数曲线。
8.根据权利要求7所述的方法，其特征在于，通过以下步骤确定所述风险指数展示请求，包括：
响应于用户在可视化交互界面上选择的要素标识或要素标识关联信息生成携带有对应要素标识的风险指数展示请求。
9.根据权利要求1所述的方法，其特征在于，所述第一机器学习模型与所述第二机器学习模型分别为随机森林模型与梯度提升模型，所述第三机器学习模型为逻辑回归模型。
10.根据权利要求1所述的方法，其特征在于，通过以下方法完成所述第三机器学习模型的训练，包括：
获取第一训练集，所述第一训练集中的各训练样本包括各债券的所述第一债发行体违约概率、所述第二债券发行体违约概率与债券标签，所述债券标签为违约标签或履约标签；
将所述第一训练集中的各训练样本输入第三机器学习模型进行模型训练，以得到已训练的第三机器学习模型。
11.一种债券发行体违约风险确定装置，其特征在于，包括：
特征变量模块，用于确定债券发行体数据集合对应的特征变量；
第一违约概率模块，用于将所述特征变量分别输入已训练的第一机器学习模型与已训练的第二机器学习模型，以得到债券发行体数据集合中的各债券发行体的第一债券发行体违约概率与第二债券发行体违约概率；
第二违约概率模块，用于将所述第一债券发行体违约概率与所述第二债券发行体违约概率输入已训练的第三机器学习模型，以得到所述债券发行体数据集合中各债券发行体的债券发行体违约概率。
12.根据权利要求11所述的装置，其特征在于，还包括：
校准模块，用于基于K校准法对各所述债券发行体违约概率进行校准以更新各所述债券发行体违约概率。
13.根据权利要求11所述的装置，其特征在于，还包括：
第一风险度量模块，用于确定所述债券发行体数据集合对应的所有债券发行体违约概率的均值，以得到目标期风险度量；
第二风险度量模块，用于确定基期债券发行体数据集合对应的所有债券发行体违约概率的均值，以得到基期风险度量，其中，所述基期债券发行体数据集合对应的时间要素标识为基期时间标识，所述基期债券发行体数据集合与所述债券发行体数据集合对应可选要素标识相同；
债券风险指数模块，用于根据所述目标期风险度量与所述基期风险度量确定目标期债券风险指数。
14.一种电子设备，其特征在于，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-10中任一所述的债券发行体违约风险确定方法。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-10中任一所述的债券发行体违约风险确定方法。
16.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序在被处理器执行时实现如权利要求1-10中任一项所述的债券发行体违约风险确定方法。
CN202310261855.9A 2023-03-16 2023-03-16 债券发行体违约风险确定方法、装置、设备、介质及产品 Pending CN116258594A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310261855.9A CN116258594A (zh) 2023-03-16 2023-03-16 债券发行体违约风险确定方法、装置、设备、介质及产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310261855.9A CN116258594A (zh) 2023-03-16 2023-03-16 债券发行体违约风险确定方法、装置、设备、介质及产品

Publications (1)

Publication Number Publication Date
CN116258594A true CN116258594A (zh) 2023-06-13

Family

ID=86686150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310261855.9A Pending CN116258594A (zh) 2023-03-16 2023-03-16 债券发行体违约风险确定方法、装置、设备、介质及产品

Country Status (1)

Country Link
CN (1) CN116258594A (zh)

Similar Documents

Publication Publication Date Title
CN114428677B (zh) 任务处理方法、处理装置、电子设备及存储介质
CN115794916A (zh) 多源数据融合的数据处理方法、装置、设备和存储介质
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
CN116228301A (zh) 一种目标用户的确定方法、装置、设备及介质
CN116258594A (zh) 债券发行体违约风险确定方法、装置、设备、介质及产品
CN115482116A (zh) 资产投资策略信息的推荐方法、装置、设备及介质
CN115827994A (zh) 一种数据处理方法、装置、设备、存储介质
CN114841819A (zh) 理赔方案的确定方法、装置、电子设备及存储介质
CN116663905A (zh) 金融风险的预测方法、装置、设备、存储介质及程序产品
CN116991693B (zh) 一种测试方法、装置、设备及存储介质
CN117495525A (zh) 数据处理方法、装置、设备、存储介质及程序产品
CN114638505A (zh) 一种授信能力确定方法、装置、设备、介质及产品
CN114529235A (zh) 一种成品物料清单的选配方法、装置及存储介质
CN117931180A (zh) 一种页面布局生成方法、装置、设备和存储介质
CN116308798A (zh) 一种股票指标绘制方法、装置、设备及存储介质
CN116467198A (zh) 性能实测必要性确定方法、装置、电子设备和存储介质
CN116974621A (zh) 一种参数配置方法、装置及设备
CN117632741A (zh) 回归测试用例库的确定方法、装置、电子设备及存储介质
CN115757095A (zh) 一种产品测试方法、系统、电子设备及存储介质
CN116956066A (zh) 资源评估方法、装置、电子设备以及存储介质
CN115794830A (zh) 数据值确定方法、装置、电子设备及存储介质
CN114721942A (zh) 一种测试数据的生成方法、装置、设备及存储介质
CN117271289A (zh) 一种网页监测方法、装置、设备以及存储介质
CN117010760A (zh) 等级评估方法、装置、设备、存储介质及程序产品
CN116167846A (zh) 校准方法、装置、电子设备及计算机可读存储介质

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