CN116862675A - 信用风险评估方法、装置及非易失性存储介质 - Google Patents
信用风险评估方法、装置及非易失性存储介质 Download PDFInfo
- Publication number
- CN116862675A CN116862675A CN202310827832.XA CN202310827832A CN116862675A CN 116862675 A CN116862675 A CN 116862675A CN 202310827832 A CN202310827832 A CN 202310827832A CN 116862675 A CN116862675 A CN 116862675A
- Authority
- CN
- China
- Prior art keywords
- transaction
- opponents
- exposure
- risk
- clustering
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 230000008859 change Effects 0.000 claims abstract description 67
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 description 19
- 230000035945 sensitivity Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004043 dyeing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000009662 stress testing Methods 0.000 description 2
- 238000012351 Integrated analysis Methods 0.000 description 1
- 101100087591 Mus musculus Rictor gene Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000010970 precious metal Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Technology Law (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种信用风险评估方法、装置及非易失性存储介质。涉及金融科技领域,该方法包括:获取N个交易对手分别对应的交易情景信息,其中,交易情景信息包括:交易情景参数的参数值,风险敞口,以及敞口变化;基于N个交易对手分别对应的交易情景参数的参数值,对N个交易对手进行聚类处理,得到聚类结果;基于聚类结果,确定N个交易对手分别对应的交易情景特征;根据N个交易对手分别对应的交易情景特征,风险敞口,以及敞口变化,确定N个交易对手的信用风险评估结果。通过本申请,解决了相关技术中在进行大量交易对手信用风险评估时,需要逐个进行交易对手信用风险评估,存在的评估效率低的问题。
Description
技术领域
本申请涉及金融科技领域,具体而言,涉及一种信用风险评估方法、装置及非易失性存储介质。
背景技术
目前,在进行交易对手信用风险评估时,主要是通过每一个交易对手单独进行参数计算的方式进行交易对手信用风险的评估。但是,当需要对大批量用户进行信用风险评估时,逐个进行交易对手信用风险评估需要大量的人力成本和时间成本,评估效率较低。
针对相关技术中在进行大量交易对手信用风险评估时,需要逐个进行交易对手信用风险评估,存在的评估效率低的问题,目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种信用风险评估方法、装置及非易失性存储介质,以解决相关技术中在进行大量交易对手信用风险评估时,需要逐个进行交易对手信用风险评估,存在的评估效率低的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种信用风险评估方法。该方法包括:获取N个交易对手分别对应的交易情景信息,其中,上述交易情景信息包括:交易情景参数的参数值,风险敞口,以及敞口变化,其中,N为大于或等于2的整数;基于上述N个交易对手分别对应的交易情景参数的参数值,对上述N个交易对手进行聚类处理,得到聚类结果,其中,上述聚类结果中包括K个聚类类别,以及上述K个聚类类别分别对应的交易情景特征,其中,K为大于或等于2的整数;基于上述聚类结果,确定上述N个交易对手分别对应的交易情景特征;根据上述N个交易对手分别对应的交易情景特征,风险敞口,以及敞口变化,确定上述N个交易对手的信用风险评估结果。
为了实现上述目的,根据本申请的另一方面,提供了一种信用风险评估装置。该装置包括:获取模块,用于获取N个交易对手分别对应的交易情景信息,其中,上述交易情景信息包括:交易情景参数的参数值,风险敞口,以及敞口变化,其中,N为大于或等于2的整数;聚类模块,用于基于上述N个交易对手分别对应的交易情景参数的参数值,对上述N个交易对手进行聚类处理,得到聚类结果,其中,上述聚类结果中包括K个聚类类别,以及上述K个聚类类别分别对应的交易情景特征,其中,K为大于或等于2的整数;第一确定模块,用于基于上述聚类结果,确定上述N个交易对手分别对应的交易情景特征;第二确定模块,用于根据上述N个交易对手分别对应的交易情景特征,风险敞口,以及敞口变化,确定上述N个交易对手的信用风险评估结果。
为了实现上述目的,根据本申请的另一方面,还提供了一种非易失性存储介质,上述非易失性存储介质存储有多条指令,上述指令适于由处理器加载并执行任意一项上述的信用风险评估方法。
为了实现上述目的,根据本申请的另一方面,还提供了一种电子设备,包括一个或多个处理器和存储器,上述存储器用于存储一个或多个程序,其中,当上述一个或多个程序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任意一项上述的信用风险评估方法。
通过本申请,采用以下步骤:获取N个交易对手分别对应的交易情景信息,其中,上述交易情景信息包括:交易情景参数的参数值,风险敞口,以及敞口变化,其中,N为大于或等于2的整数;基于上述N个交易对手分别对应的交易情景参数的参数值,对上述N个交易对手进行聚类处理,得到聚类结果,其中,上述聚类结果中包括K个聚类类别,以及上述K个聚类类别分别对应的交易情景特征,其中,K为大于或等于2的整数;基于上述聚类结果,确定上述N个交易对手分别对应的交易情景特征;根据上述N个交易对手分别对应的交易情景特征,风险敞口,以及敞口变化,确定上述N个交易对手的信用风险评估结果,达到了批量进行交易对手信用风险评估的目的,解决了相关技术中在进行大量交易对手信用风险评估时,需要逐个进行交易对手信用风险评估,存在的评估效率低的问题。进而达到了提升交易对手信用风险评估效率的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的信用风险评估方法的流程图;以及
图2是根据本申请实施例提供的信用风险评估装置的示意图;
图3是根据本申请实施例提供的电子设备的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请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,以便这里描述的本申请的实施例。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。
为了便于描述,以下对本申请实施例涉及的部分名词或术语进行说明:
利率:利率是影响交易成本和回报的重要因素。不同的利率反映了市场对借款方或投资方的信用状况的评价,同时反映了市场流动性的供需情况。不同的利率也可以反映不同国家或地区的经济状况和货币政策,因此在跨境交易中需要考虑其影响。
币种:币种也是影响交易成本和回报的重要因素,不同的币种具有不同的汇率波动和流动性特征,币种与交易所涉及的国家或地区密切相关,汇率波动和不同的货币政策会影响交易的成本和回报,因此在跨境交易中需要考虑其影响。
交易期限:交易期限是指交易的执行时间跨度,是直接影响交易风险和收益的重要因素,期限越长,交易风险和不确定性越大。不同的期限具有不同的市场风险和信用风险,因此在交易过程中需要根据实际情况进行选择。
风险类型:不同的交易涉及不同类型的风险,不同的风险类型在交易中具有不同的影响,例如市场风险、信用风险、流动性风险等。交易方需要根据自己的需求和风险承受能力选择适当的交易类型。
风险敞口:风险敞口反映了交易方面临的实际风险水平,可以帮助交易方了解其当前承担的风险水平,从而采取相应的风险管理措施。
敞口变化值:敞口变化值是指风险敞口的变动程度,反映了交易方面临的风险波动情况。敞口变化值越大,说明交易风险更加不确定,需要采取相应的风险管理措施。
交易对手信用风险:交易对手信用风险是指交易对手可能违约的风险,也是影响交易风险的主要因素之一。交易方需要评估交易对手的信用风险水平,并采取相应的措施来降低交易违约的风险。
交易敏感度:交易敏感度是指商品或货币交易中涉及的风险和重要性。它可以用来描述一个人、组织或公司对于特定类型的交易所抱有的态度和反应能力。高敏感度表示该交易可能会产生更大影响,需要采取更为谨慎的行动,而低敏感度则意味着相对较小风险,并且不需要像高敏感度那样严格关注各种细节。
主成分分析方法(principal component analysis,PCA)把原先大量的相关变量降维到少数的不相关变量,通过降维来帮助更好地理解风险的来源。主成分分析只能应用于非标签化数据,因此被归类于非监督式模型算法。
最小绝对值收缩和选择算子方法(Least Absolute Shrinkage and SelectionOperator,Lasso)是一种常用的线性回归模型正则化方法,可以在高维数据中选择有用的特征,它被称为特征选择技术(feature selection technique),因为它删除了不太重要的自变量。在Lasso中采取的形式是系数绝对值的和(L1测量)。
将Lasso应用于高维向量特征选择的步骤如下:数据预处理:首先需要对数据进行标准化处理,使各个特征之间的单位相同;模型构建:使用Lasso算法构建回归模型。在Lasso算法中,通过最小化目标函数来找到最优解,目标函数包括两个部分:损失函数和惩罚项。其中,损失函数用于衡量预测值与实际值之间的误差,而惩罚项用于避免过拟合。在Lasso算法中,惩罚项采用L1范数,使得一些不重要的特征系数变为0,从而实现特征选择;特征选择:根据回归模型中各特征的系数大小,选择系数非零的特征作为有用特征。这些系数非零的特征被认为是对模型预测具有显著影响的关键因素。需要注意的是,在使用Lasso算法进行特征选择时,需要注意调整惩罚项的权重参数,以保证选择出来的特征具有一定的稳定性和泛化能力。同时,也需要进行交叉验证来评估模型的性能和选择最优的参数。
需要说明的是,本申请所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。例如,本系统和相关用户或机构间设置有接口,在获取相关信息之前,需要通过接口向前述的用户或机构发送获取请求,并在接收到前述的用户或机构反馈的同意信息后,获取相关信息。
下面结合优选的实施步骤对本申请进行说明,图1是根据本申请实施例提供的信用风险评估方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,获取N个交易对手分别对应的交易情景信息,其中,上述交易情景信息包括:交易情景参数的参数值,风险敞口,以及敞口变化,其中,N为大于或等于2的整数。
可选的,交易情景参数可以但不限于包括:资产类型、交易期限、利率、交易风险因子、交易风险因子对应的风险类型、敏感度值和压力值,其中,资产类型可以为币种、币种对。
可选的,利率、币种、期限、风险类型和交易对手信用风险等交易情景参数是影响交易风险的主要因素,而风险敞口和敞口变化值则是反映交易风险水平的指标。通过综合以上交易情景参数以及风险敞口、以及敞口变化,有助于提升交易对手信用风险评估结果准确性。
在一种可选的实施例中,在上述获取N个交易对手分别对应的交易情景信息之前,上述方法还包括:获取历史信用风险数据;基于上述历史信用风险数据,确定L个交易对手分别对应的S个初始参数的参数值和信用等级,其中,L、S为大于或等于2的整数;基于上述L个交易对手分别对应的S个初始参数的参数值和上述信用等级,从S个初始参数中确定出交易情景参数。
可选的,影响交易情景的交易情景参数可能有多种,并且每种交易情景参数对交易情景的影响程度并不相同。基于此,根据历史信用风险数据从对交易情景具备一定影响的多种初始参数中筛选出与交易情景相关性较大的参数,作为交易情景参数。由此降低无关参数对交易对手信用风险评估的干扰。
在一种可选的实施例中,上述基于上述L个交易对手分别对应的S个初始参数的参数值和上述信用等级,从S个初始参数中确定出上述交易情景参数,包括:基于上述L个交易对手分别对应的S个初始参数的参数值和上述信用等级,采用主成分分析方法从上述S个初始参数中确定出交易情景参数;或者基于上述L个交易对手分别对应的S个初始参数的参数值和上述信用等级,采用最小绝对值收缩和选择算子方法从上述S个初始参数中确定出交易情景参数。
可选的,以信用等级作为因变量,S个初始参数作为自变量,采用主成分分析方法或最小绝对值收缩和选择算子方法确定S个初始参数作为自变量分别对信用等级的影响程度,将S个初始参数中,影响程度较大的初始参数确定为交易情景参数。
可选的,在上述M个交易情景参数的参数值中包括交易对手的当前衍生品估值,交易风险因子对应的敏感度值和压力值的情况下,确定上述N个交易对手中,任意一个交易对手对应的风险敞口,包括:确定上述任意一个交易对手对应的当前衍生品估值,以及预设第一数值;将上述任意一个交易对手对应的当前衍生品估值和上述预设第一数值中,最大的确定为上述任意一个交易对手对应的风险敞口。上述预设第一估值可以但不限于为0,按公式当前敞口=max(当前衍生品估值,0)计算当前敞口,衍生品估值指的是对衍生品的价值进行估计和计算的过程。衍生品是一种金融工具,其价值是基于基础资产(如股票、债券、商品等)的衍生而来的。衍生品包括期权、期货、掉期和互换等,例如外汇类、利率类、商品类、贵金属类、虚拟头寸等线性产品、非线性产品、结构性产品。估值是为了确定衍生品的合理价格,帮助投资者和交易者做出决策。
可选的,在交易风险因子为多个的情况下,确定上述N个交易对手中,上述任意一个交易对手对应的敞口变化,包括:获取多个交易风险因子分别对应的敏感度值和压力值;计算多个交易风险因子分别对应的敏感度值与对应的压力值之间的乘积,得到多个交易风险因子分别对应的乘积值;对上述多个交易风险因子分别对应的乘积值进行求和处理,得到第一计算结果;对上述任意一个交易对手对应的当前衍生品估值和上述第一计算结果进行求和处理,得到第二计算结果;将上述第二计算结果和上述预设第一数值中,最大的作为上述任意一个交易对手对应的敞口变化。可以根据公式压力情景下敞口变化=max(当前衍生品估值+∑压力值*因子敏感度值,0)-当前敞口计算当前情景下敞口变化。
步骤S102,基于上述N个交易对手分别对应的交易情景参数的参数值,对上述N个交易对手进行聚类处理,得到聚类结果,其中,上述聚类结果中包括K个聚类类别,以及上述K个聚类类别分别对应的交易情景特征,其中,K为大于或等于2的整数。
可选的,N个交易对手可能具备相同或者相似的交易情景特征。基于此,根据交易情景参数的参数值将N个交易对手聚类至K个聚类类别,每个聚类类别对应于不同的交易情景特征。用于后续按照聚类类别对N各交易对手进行集中分析。
在一种可选的实施例中,上述基于上述N个交易对手分别对应的交易情景参数的参数值,对上述N个交易对手进行聚类处理,得到聚类结果,包括:基于上述N个交易对手分别对应的交易情景参数的参数值,对上述N个交易对手进行聚类处理,得到上述K个聚类类别,以及上述K个聚类类别分别对应的交易对手集合,其中,上述交易对手集合中包括至少一个交易对手分别对应的交易情景参数的参数值;计算上述K个聚类类别分别对应的交易对手集合中包括的交易情景参数的参数值的平均值,得到上述K个聚类类别分别对应的平均值;根据上述K个聚类类别分别对应的平均值,确定上述K个聚类类别分别对应的交易情景特征。
可选的,每一个聚类类别对应于不同的交易情景特征,即属于同一个聚类类别的交易对手的交易特征相似。在基于N个交易对手分别对应的交易情景参数的参数值进行分交易对手聚类之后,对每一个聚类类别中包括的交易对手对应的交易情景的参数值求取平均值,并将平均值作为该聚类类别对应的交易情景特征。
步骤S103,基于上述聚类结果,确定上述N个交易对手分别对应的交易情景特征。
在一种可选的实施例中,上述基于上述聚类结果,确定上述N个交易对手分别对应的交易情景特征,包括:确定上述N个交易对手分别所属的聚类类别;将上述聚类结果中,上述N个交易对手分别所属的聚类类别对应的交易情景特征,作为上述N个交易对手分别对应的交易情景特征。
可选的,属于同一聚类类别的交易对手具备相似的交易特征,基于此,将交易对手所属的聚类类别的交易情景特征直接作为交易对手的交易情景特征。批量进行交易对手交易情景特征分析时,仅需分别各交易类别的交易情景特征即可,由此达到提升交易对手情景特征分析效率的目的。
可以理解,聚类是通过将样本的特征数据组合成指标来衡量示例之间的相似度,当每个示例有一个或两个特征定义时,很容易衡量相似度,例如,可以查找交易对手的类似交易,随着特征数量的增加,创建相似性度量变得越来越复杂,可以在不同场景中创建相似性指标,比如由利率名称数据驱动,得到聚类结果后再对每个簇中的其他个性化信息进行整合分析。
步骤S104,根据上述N个交易对手分别对应的交易情景特征,风险敞口,以及敞口变化,确定上述N个交易对手的信用风险评估结果。
可选的,交易对手的信用风险评估结果不仅与交易对手的交易情景特征有关,同时还与交易对手风险敞口、以及敞口变化等因素有关,在进行交易对手信用风险评估时,将交易情景特征、交易对手风险敞口、以及敞口变化因素同时考虑其中,在提升交易对手信用风险评估效率的同时,提升评估结果准确性。
在一种可选的实施例中,上述根据上述N个交易对手分别对应的交易情景特征,风险敞口,以及敞口变化,确定上述N个交易对手的信用风险评估结果,包括:根据上述N个交易对手分别所属聚类类别对应的交易情景特征,风险敞口,以及敞口变化,通过如下方式确定上述N个交易对手中,任意一个交易对手的信用风险评估结果:确定上述任意一个交易对手对应的交易情景特征,风险敞口以及敞口变化分别对应的初始评估结果;在确定上述任意一个交易对手对应的交易情景特征,风险敞口对应以及敞口变化分别对应的初始评估结果的风险评估方向一致的情况下,根据上述任意一个交易对手对应的交易情景特征,风险敞口,以及敞口变化,确定上述任意一个交易对手的信用风险评估结果。
可选的,交易情景特征,风险敞口以及敞口变化均可以单独作为交易对手信用风险评估的标准。相关技术中主要通过单一因素进行交易对手信用风险评估,但实际应用中,多种不同因素得出的风险评估结果可能存在不一致的情况,进而导致交易对手信用风险评估结果不准确。基于此,首先根据交易情景特征,风险敞口以及敞口变化三个因素单独评估交易对手的信用风险,得到以上三个因素分别对交易对手的初始风险评估结果。在确定三个因素分别对交易对手的初始风险评估结果的评估方向一致的情况下,进一步根据交易情景特征,风险敞口,以及敞口变化确定交易对手的信用风险评估结果,由此达到提升交易对手信用风险评估准确性的目的。
在一种可选的实施例中,上述确定上述任意一个交易对手对应的交易情景特征,风险敞口以及敞口变化分别对应的初始评估结果,包括:获取上述任意一个交易对手对应的交易情景特征,风险敞口以及敞口变化分别对应的预设阈值;将上述任意一个交易对手对应的交易情景特征,风险敞口以及敞口变化分别与对应的预设阈值进行比较,得到比较结果;根据上述比较结果确定上述任意一个交易对手对应的交易情景特征,风险敞口以及敞口变化分别对应的初始评估结果。
可选的,可以但不限于将交易情景特征,风险敞口以及敞口变化与对应的预设阈值进行比较的方式,得到交易情景特征,风险敞口以及敞口变化分别对应的初始评估结果。通过阈值判断可以确定交易情景特征、风险敞口、敞口变化是大还是小,交易情景特征、风险敞口、敞口变化是大好还是小好。
在一种可选的实施例中,上述根据上述任意一个交易对手对应的交易情景特征,风险敞口,以及敞口变化,确定上述任意一个交易对手的信用风险评估结果,包括:确定上述任意一个交易对手对应的交易情景特征对应的第一权重值,风险敞口对应的第二权重值,以及敞口变化对应的第三权重值;基于上述任意一个交易对手对应的交易情景特征,风险敞口,敞口变化,以及上述第一权重值、上述第二权重值、上述第三权重值,得到上述任意一个交易对手的信用风险评估结果。
可选的,基于交易情景特征,风险敞口,以及敞口变化,综合确定交易对手的风险评估结果。交易情景特征,风险敞口,以及敞口变化对交易对手风险的影响程度可能存在差异,基于此,分别为交易情景特征,风险敞口,以及敞口变化赋予不同的权重值,通过加权计算的方式确定交易对手的风险评估结果。
通过上述步骤S101至步骤S104,可以达到批量进行交易对手信用风险评估的目的,解决相关技术中在进行大量交易对手信用风险评估时,需要逐个进行交易对手信用风险评估,存在的评估效率低的问题。进而达到提升交易对手信用风险评估效率的效果。
基于上述实施例和可选实施例,本申请提出一种可选实施方式,压力测试是根据检测要求,为加强衍生业务风险防控,严控市场风险做的。压力测试需要通过针对性地设定情景,分析在指定市场情境下交易对手信用风险敞口的变化情况。交易情景信息是指影响交易对手信用风险的各种因素,包含很多信息,曲线是它的一部分,具体来讲,它有一个标识字段——风险因子,另有字段:风险类型(含商品类型等信息,如Risk_IRCurve)、币种、期限(如30y)、利率名称(利率名称和曲线名的拼接值,如Libor3m,这个值跟期限没有关系)。金融机构根据不同风险因子的敏感性和波动率来确定主要风险因子。交易情景设置由前台业务人员手工维护配置,敞口计算在后台进行,报表导出由业务人员选定情景后在前台手工触发,业务范围取衍生品交易。
在交易情景设置阶段,通过前端情景管理路径,得到多个交易对手分别对应的交易情景参数:登录“交易对手信用风险计量系统”前台->依次点击“报表管理、全部/常用、压力测试、情景管理”进入情景管理页面->根据“情景名称”进行{“查询”,“新增”,“修改”,“删除”}操作:点击“查询”显示列表信息{“情景ID”、“情景名称”、“情景描述”、“启用状态”、“创建用户”、“修改时间”};点击“新增”显示情景配置对话框,单行输入“情景名称”(必输),单行输入“情景描述”(选输),根据{“Risk_Type(风险类型,如Risk_FX)”,“Qualifier(币种、币种对,如GBP、USDCNY、Base Metals Aluminium)”,“Label1(期限,如1m、5y)”,“Label2(利率名称,如OIS、Libor3m)”,“RiskFactor”(风险因子,如CMF_IAu9)}查询得到因子记录{“因子ID”,“Risk_Type(风险类型)”,“Qualifier(币种、币种对)”,“Label1(期限)”,“Label2(利率名称)”,“RiskFactor(风险因子)”(这只是一个标识字段),压力值(%/bp,每组情景ID、因子ID对应一个压力值decimal(20,4),由业务通过前台其他模块上传提供,存储在后台,直接取用)},需支持模糊查询,按单一条件或多条件筛选查询,已被添加至当前情景的风险因子不再被查询到,选中记录,对该情景进行{“添加因子”、“剔除因子”、“保存”、“取消”}操作。
在敞口计算阶段,具体计算逻辑如下:每个情景的因子数量不限,例如一共有3000左右个情景,后台把所有情景按以下逻辑计算。然后前端做了限制一次最多选250个情景,根据该报表地址ID下包含交易情景地址ID数量开启循环拼接成待导出的计算结果文件。关联各个存储风险数据的数据表,获取计算所需所有取值和维度信息,如风险因子RiskFactor、敏感度值Amount、每笔衍生品交易的估值的每日批量数据。(每笔交易有它的本币估值、外币估值,三者区别只是单位不同——可按币种兑外币/人民币的汇率,将本币估值换算成外币估值。本质上,对某笔交易来说,交易币种对应的这个本币估值是交易估值的概念,用于确定证券或衍生品的市场价值,是指将目前市场价格或公允价值应用于特定资产或负债的过程,旨在反映资产或负债在特定时点的实际价值。在金融市场上,投资者通常使用交易估值来确定其持有的证券或衍生品的当前价值。)从估值表获取衍生品交易对应的估值(即当前衍生品估值),按公式当前敞口=max(当前衍生品估值,0)计算当前敞口。根据公式压力情景下敞口变化=max(当前衍生品估值+∑压力值*因子敏感度值,0)-当前敞口计算当前情景下敞口变化。按交易对手维度统计汇总基于上述方法计算出的当前敞口和敞口变化。
汇总结果数据插入敞口计算结果表。结果表下载路径为:登录“交易对手信用风险计量系统”前台->依次点击“报表管理、全部/常用、压力测试、敞口计算”进入敞口计算页面->输入{“报表名称”,“数据日期”},从“待选情景”选择情景,压入“已选情景”列表,点击“触发计算”,等待,然后查询报表,步骤是从“历史报表”块选择“数据日期”,点击查询,得到{“报表ID”,“报表名称”,“报表说明”,“数据日期”,“计算状态”,“计算用户”,“计算时间”,“计算结果”},“计算结果”是一个导出按钮,用以导出如表1所示的结果表信息:
表1
情景描述 | |||
敞口汇总 | |||
交易对手名称 | 交易对手编号 | 当前风险敞口 | 敞口变化 |
… | … | … | … |
在聚类阶段,预先把所有交易情景下的所有交易对手的结果值(包括交易情景参数的参数值、风险敞口、敞口变化)算出来,就可以根据交易情景参数对多个交易对手的进行聚类。构建一个包含情景参数字段的高维空间,交易对手样本集在这个高维空间里体现为一个高维向量样本集合:情景参数字段={“风险类型”,“Qualifier币种、币种对”,“标识1”,“标识2”,“风险因子”,“敏感度”}。将参数转化为离散变量,在某个区间内赋值,穷举“Qualifier币种、币种对”,例如“是否USD”,“是否EUR”、“是否CNY”,衍生出几十个字段;“标识1”是期限,例如“是否1W”,“是否1M”,“是否5Y”;“标识2”是利率名称,例如“Libor几m”(1、3、5、12)、“是否OIS”等。比如,x1={“是USD”,“否EUR”,“否CNY”……,“是1W”,“否1M”,“否5Y”,“是CMF_IAu9”,“否CMF_BRTOIL”};x2={“是USD”,“否EUR”,“否CNY”……,“否1W”,“是1M”,“否5Y”,“否CMF_IAu9”,“是CMF_BRTOIL”},x3=……。经过多轮聚类迭代可以将交易对手根据情景参数划分为多类,根据每一类中交易对手“当前敞口”、“敞口变化”值,分析每一个交易对手的信用风险。
以上例子中,聚类过程和“风险敞口”、“敞口变化”没有关系,会把“当前敞口”、“敞口变化”纳入基准,判断聚类结果是否和基准偏差不大。即根据风险敞口、敞口变化以及聚类结果,确定交易对手的风险评估结果。目前已知的风险更大的交易对手通常具备以下特征:利率较高:如果交易对手所涉及的利率较高,风险相对较大。例如,某些新兴市场国家或高风险行业的公司,其融资利率可能比其他地区或行业高出很多。期限较长:交易对手所涉及的期限越长,其风险越大。因为在时间越长的情况下,不确定性和风险就会增加,从而导致交易对手违约的概率更高。风险类型较高:交易对手所涉及的风险类型越高,其风险也越大。例如,在涉及到外汇、商品等高风险领域的交易中,交易对手的风险就会增加。
交易对手当前敞口值偏大的情景主要包括:交易量大且流动性差:如果交易量较大,但市场流动性较差,那么交易对手的当前敞口值可能会偏大。这种情况下,如果需要立即平仓,可能会出现成交难度大、价格波动等问题,从而增加敞口风险。市场波动大:当市场波动剧烈时,交易对手的当前敞口值可能会偏大。这种情况下,市场价格的变化可能会导致敞口增加,从而使交易对手面临更高的风险。
交易对手敞口变化值偏小的情景主要包括:固定收益类产品:如果涉及到固定收益类产品,其价格相对稳定,敞口变化值可能会比较小。低波动率市场:在低波动率市场中,交易对手敞口变化值可能会偏小。因为市场波动率较低,市场价格变化幅度不大,从而使敞口变化值较小。
交易对手当前敞口值偏小的情景主要包括:短期交易:如果交易对手所涉及的交易期限较短,那么其当前敞口值可能会偏小。因为在短时间内,风险和不确定性相对较低。低风险领域:在涉及到低风险领域的交易中,交易对手的当前敞口值可能会偏小。
交易对手敞口变化值偏大的情景主要包括:调整投资策略:如果交易对手需要调整其投资策略,那么其敞口变化值可能会偏大。因为在这种情况下,交易对手通常需要进行大量的买卖操作,从而增加了其风险。重大市场事件:当发生重大市场事件时,交易对手敞口变化值可能会偏大。在这种情况下,市场波动和不确定性都会增加,从而使交易对手面临更高的风险。
显然,以上情景都是可以通过排列组合风险因子表达的,我们要做的就是对其进行度量、可视化展现,寻找差异、异常,再寻找有没有其他的因子或者关系是可以量化的。
最终,确定簇数的逻辑可以体现在“客户染色结果查询页面”:
(1)业务意义:根据登录系统的用户所在机构展示辖内或下辖客户。
(2)处理步骤
a)数据处理模块
1)将染色结果指标值插入目标表;
2)接入目标表作为数据源,将目标表数据展示在前台页面。
b)页面展示模块
1)进入首页默认分页展现全量的染色列表,如设置簇数为4,四色程度:红、黄、橙、灰。
2)根据用户的输入,如“所属一级行”、“所属机构”、“客户编码”、“客户名称”、“四色程度”、“纳入时点”、“风险因子”、“染色记录”,筛选出符合相应条件的染色列表。风险因子组合如:期限较长、流动性差的企业(黄色),等。
聚类结果可以图像化呈现在前台,供业务分析。
需要说明的是,判断交易对手是否优质可以从以下角度考虑:财务状况:了解交易对手的财务状况,包括其资产负债表、现金流量表、利润表等指标,以及信用评级情况。如果交易对手有良好的资产负债表结构、稳健的现金流和盈利能力,以及较高的信用评级,那么说明该交易对手在财务上比较优质。交易历史:查看与该交易对手之前的交易历史,了解其过往表现和还款能力。如果该交易对手遵守合约,按时还款,且没有重大违约记录,那么说明其是一个可靠的交易对手。市场声誉:了解该交易对手在市场上的声誉,包括其经营业绩、管理层素质、社会责任等方面。如果该交易对手在这些方面表现良好,那么说明其是一个优质交易对手。风险敞口:根据交易对手的风险敞口情况来判断其优质程度。例如,如果该交易对手在某一特定领域拥有较高的风险敞口,但其经营稳定、财务状况良好、信用评级高等方面表现优秀,那么仍可认为其是一个优质交易对手。其他:还可以综合考虑一些其他因素,如交易对手的治理结构、公司文化、行业地位、市场份额等等。这些因素也会影响到该交易对手的可靠性和优质程度。需要注意的是,评估交易对手优质程度的方法需要综合考虑多个因素,并且不同行业、不同交易类型的标准有所不同,因此需要根据实际情况进行具体分析。
当数据被分到k个不同的簇(cluster)中,每个簇应有其特有的性质。显然,聚类分析是一种无监督学习,是在缺乏标签的前提下的一种分类模型,因此没有具体的标准来证明结果是对的或者错的。当对数据进行聚类后并得到簇后,一般会单独对每个簇进行深入分析,从而得到更加细致的结果。判断方法主要可以分为三种:人为验证聚类结果符合商业逻辑,通过商业逻辑来解释聚类结果,结果回归到现实的商业逻辑上去,应该大致符合行业专家的看法,辅助商业决策。预先设定一些评估标准,比如簇内的紧凑度和簇间的疏离度,或者定义好的函数如轮廓系数Silhouette Coefficient。一般来说设定一个好的评估标准并不容易,所以不能死板的单纯依赖评估函数。可视化后有一定的区别,而并非完全随机且交织在一起。因此决定簇的数量也应该遵循这个逻辑,适当的数量应该满足以上三点条件。如果某个簇的数量过大或者过小,那可以考虑分裂或者合并簇。因此,聚类结果可以帮助预判某情景下交易对手的风险等级,也可以帮助调控,看看怎么调参,可以降低交易对手的风险等级,并应用到实际交易中。
以上是将聚类结果和简单四则运算得到的敞口值作比较分析,下面是对簇进行深入分析的技术方法,具体包括关联分析和异常检测。其中:
对于关联分析,压力因素是指引发承压对象极端波动的原因,也可称为风险因素。一般来说,压力因素主要有三大来源:一是周期性因素,如宏观经济、住房价格、利率波动等;二是事件性因素,如“黑色星期一”事件、次贷危机等事件冲击;三是集中度因素,如产品在客户/行业/地区过于集中带来的风险放大。虽说万物皆可聚类,但是用聚类结果做回归模型,确实可以帮助在多因子策略中观察总结出新的规律,找到潜在的、奇怪的、小且强关联的绑定关系,寻找真正有效的信息,或者向业务解释靠拢,增强模型的可解释性,对后面的辅助调查给出一个指向性的信息。
寻找风险因子之间的关系,比如,在某种情景下,币种、某种利率等风险因子之间的相关性,或者寻找到更多不同种类的因子,随着更多的风险因子和更细粒度的风险暴露选择的出现,避免遗漏风险情景,帮助业务更好地做风险管理,预测交易对手信用风险的涨跌,以穿越经济周期和最优化地分散风险。甚至可以更系统地从知识图谱的角度去尝试,训练出有一定泛化能力的、有鲁棒性的图模型,做出统一的综合模型或者对于风险类型建立不同的细分模型,对高维度的联合概率分布,用igraph软件库等工具做图挖掘,用kl散度手动地挖掘分布差异。在风险因素的多因子策略中,压力测试通常是针对不同的市场情况进行测试的。例如,在股票市场下跌或利率上升等情况下,压力测试可以模拟投资组合的价值变化导致的交易方的风险敞口变化,以帮助识别潜在的风险和制定相应的风险管理策略。
对于异常检测,明确不带有业务含义的噪点是可以被去掉的,但是统计数据的离群点通常十分有意义,即带有业务含义的异常点,可以解析出特殊的情景、值得关注的异常交易对手和相关信息。
本申请实施例至少可以实现如下技术效果:节省了业务拿到计算结果的等待时间;用聚类的技术对交易对手信用风险数据进行分析,观察不同情景与交易对手风险高低的关系;为进一步的数据挖掘和机器学习做了数据准备,从海量数据中提取出其中无法直接获取的信息。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种信用风险评估装置,需要说明的是,本申请实施例的信用风险评估装置可以用于执行本申请实施例所提供的用于信用风险评估方法。以下对本申请实施例提供的信用风险评估装置进行介绍。
图2是根据本申请实施例的信用风险评估装置的示意图。如图2所示,该装置包括:获取模块200、聚类模块202、第一确定模块204、第二确定模块206,其中,
上述获取模块200,用于获取N个交易对手分别对应的交易情景信息,其中,上述交易情景信息包括:交易情景参数的参数值,风险敞口,以及敞口变化,其中,N为大于或等于2的整数;
上述聚类模块202,连接于上述获取模块200,用于基于上述N个交易对手分别对应的交易情景参数的参数值,对上述N个交易对手进行聚类处理,得到聚类结果,其中,上述聚类结果中包括K个聚类类别,以及上述K个聚类类别分别对应的交易情景特征,其中,K为大于或等于2的整数;
上述第一确定模块204,连接于上述聚类模块202,用于基于上述聚类结果,确定上述N个交易对手分别对应的交易情景特征;
上述第二确定模块206,连接于上述第一确定模块204,用于根据上述N个交易对手分别对应的交易情景特征,风险敞口,以及敞口变化,确定上述N个交易对手的信用风险评估结果。
本申请中,通过设置上述获取模块200,用于获取N个交易对手分别对应的交易情景信息,其中,上述交易情景信息包括:交易情景参数的参数值,风险敞口,以及敞口变化,其中,N为大于或等于2的整数;上述聚类模块202,连接于上述获取模块200,用于基于上述N个交易对手分别对应的交易情景参数的参数值,对上述N个交易对手进行聚类处理,得到聚类结果,其中,上述聚类结果中包括K个聚类类别,以及上述K个聚类类别分别对应的交易情景特征,其中,K为大于或等于2的整数;上述第一确定模块204,连接于上述聚类模块202,用于基于上述聚类结果,确定上述N个交易对手分别对应的交易情景特征;上述第二确定模块206,连接于上述第一确定模块204,用于根据上述N个交易对手分别对应的交易情景特征,风险敞口,以及敞口变化,确定上述N个交易对手的信用风险评估结果,达到了批量进行交易对手信用风险评估的目的,解决了相关技术中在进行大量交易对手信用风险评估时,需要逐个进行交易对手信用风险评估,存在的评估效率低的问题。进而达到了提升交易对手信用风险评估效率的效果。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,例如,对于后者,可以通过以下方式实现:上述各个模块可以位于同一处理器中;或者,上述各个模块以任意组合的方式位于不同的处理器中。
此处需要说明的是,上述获取模块200、聚类模块202、第一确定模块204、第二确定模块206对应于实施例中的步骤S101至步骤S104,上述模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在计算机终端中。
需要说明的是,本实施例的可选或优选实施方式可以参见实施例中的相关描述,此处不再赘述。
上述信用风险评估装置包括处理器和存储器,上述单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来(本申请的目的)。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本申请实施例提供了一种非易失性存储介质,其上存储有程序,该程序被处理器执行时实现上述信用风险评估方法。
本申请实施例提供了一种处理器,上述处理器用于运行程序,其中,上述程序运行时执行上述信用风险评估方法。
如图3所示,本申请实施例提供了一种电子设备,该电子设备10包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取N个交易对手分别对应的交易情景信息,其中,上述交易情景信息包括:交易情景参数的参数值,风险敞口,以及敞口变化,其中,N为大于或等于2的整数;基于上述N个交易对手分别对应的交易情景参数的参数值,对上述N个交易对手进行聚类处理,得到聚类结果,其中,上述聚类结果中包括K个聚类类别,以及上述K个聚类类别分别对应的交易情景特征,其中,K为大于或等于2的整数;基于上述聚类结果,确定上述N个交易对手分别对应的交易情景特征;根据上述N个交易对手分别对应的交易情景特征,风险敞口,以及敞口变化,确定上述N个交易对手的信用风险评估结果。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获取N个交易对手分别对应的交易情景信息,其中,上述交易情景信息包括:交易情景参数的参数值,风险敞口,以及敞口变化,其中,N为大于或等于2的整数;基于上述N个交易对手分别对应的交易情景参数的参数值,对上述N个交易对手进行聚类处理,得到聚类结果,其中,上述聚类结果中包括K个聚类类别,以及上述K个聚类类别分别对应的交易情景特征,其中,K为大于或等于2的整数;基于上述聚类结果,确定上述N个交易对手分别对应的交易情景特征;根据上述N个交易对手分别对应的交易情景特征,风险敞口,以及敞口变化,确定上述N个交易对手的信用风险评估结果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种信用风险评估方法,其特征在于,包括:
获取N个交易对手分别对应的交易情景信息,其中,所述交易情景信息包括:交易情景参数的参数值,风险敞口,以及敞口变化,其中,N为大于或等于2的整数;
基于所述N个交易对手分别对应的交易情景参数的参数值,对所述N个交易对手进行聚类处理,得到聚类结果,其中,所述聚类结果中包括K个聚类类别,以及所述K个聚类类别分别对应的交易情景特征,其中,K为大于或等于2的整数;
基于所述聚类结果,确定所述N个交易对手分别对应的交易情景特征;
根据所述N个交易对手分别对应的交易情景特征,风险敞口,以及敞口变化,确定所述N个交易对手的信用风险评估结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述N个交易对手分别对应的交易情景参数的参数值,对所述N个交易对手进行聚类处理,得到聚类结果,包括:
基于所述N个交易对手分别对应的交易情景参数的参数值,对所述N个交易对手进行聚类处理,得到所述K个聚类类别,以及所述K个聚类类别分别对应的交易对手集合,其中,所述交易对手集合中包括至少一个交易对手分别对应的交易情景参数的参数值;
计算所述K个聚类类别分别对应的交易对手集合中包括的交易情景参数的参数值的平均值,得到所述K个聚类类别分别对应的平均值;
根据所述K个聚类类别分别对应的平均值,确定所述K个聚类类别分别对应的交易情景特征。
3.根据权利要求1所述的方法,其特征在于,所述基于所述聚类结果,确定所述N个交易对手分别对应的交易情景特征,包括:
确定所述N个交易对手分别所属的聚类类别;
将所述聚类结果中,所述N个交易对手分别所属的聚类类别对应的交易情景特征,作为所述N个交易对手分别对应的交易情景特征。
4.根据权利要求1所述的方法,其特征在于,所述根据所述N个交易对手分别对应的交易情景特征,风险敞口,以及敞口变化,确定所述N个交易对手的信用风险评估结果,包括:
根据所述N个交易对手分别所属聚类类别对应的交易情景特征,风险敞口,以及敞口变化,通过如下方式确定所述N个交易对手中,任意一个交易对手的信用风险评估结果:
确定所述任意一个交易对手对应的交易情景特征,风险敞口以及敞口变化分别对应的初始评估结果;
在确定所述任意一个交易对手对应的交易情景特征,风险敞口对应以及敞口变化分别对应的初始评估结果的风险评估方向一致的情况下,根据所述任意一个交易对手对应的交易情景特征,风险敞口,以及敞口变化,确定所述任意一个交易对手的信用风险评估结果。
5.根据权利要求4所述的方法,其特征在于,所述确定所述任意一个交易对手对应的交易情景特征,风险敞口以及敞口变化分别对应的初始评估结果,包括:
获取所述任意一个交易对手对应的交易情景特征,风险敞口以及敞口变化分别对应的预设阈值;
将所述任意一个交易对手对应的交易情景特征,风险敞口以及敞口变化分别与对应的预设阈值进行比较,得到比较结果;
根据所述比较结果确定所述任意一个交易对手对应的交易情景特征,风险敞口以及敞口变化分别对应的初始评估结果。
6.根据权利要求4所述的方法,其特征在于,所述根据所述任意一个交易对手对应的交易情景特征,风险敞口,以及敞口变化,确定所述任意一个交易对手的信用风险评估结果,包括:
确定所述任意一个交易对手对应的交易情景特征对应的第一权重值,风险敞口对应的第二权重值,以及敞口变化对应的第三权重值;
基于所述任意一个交易对手对应的交易情景特征,风险敞口,敞口变化,以及所述第一权重值、所述第二权重值、所述第三权重值,得到所述任意一个交易对手的信用风险评估结果。
7.根据权利要求1至6中任意一项所述的方法,其特征在于,在所述获取N个交易对手分别对应的交易情景信息之前,所述方法还包括:
获取历史信用风险数据;
基于所述历史信用风险数据,确定L个交易对手分别对应的S个初始参数的参数值和信用等级,其中,L、S为大于或等于2的整数;
基于所述L个交易对手分别对应的S个初始参数的参数值和所述信用等级,从S个初始参数中确定出交易情景参数。
8.根据权利要求7所述的方法,其特征在于,所述基于所述L个交易对手分别对应的S个初始参数的参数值和所述信用等级,从S个初始参数中确定出所述交易情景参数,包括:
基于所述L个交易对手分别对应的S个初始参数的参数值和所述信用等级,采用主成分分析方法从所述S个初始参数中确定出交易情景参数;或者
基于所述L个交易对手分别对应的S个初始参数的参数值和所述信用等级,采用最小绝对值收缩和选择算子方法从所述S个初始参数中确定出所述交易情景参数。
9.一种信用风险评估装置,其特征在于,包括:
获取模块,用于获取N个交易对手分别对应的交易情景信息,其中,所述交易情景信息包括:交易情景参数的参数值,风险敞口,以及敞口变化,其中,N为大于或等于2的整数;
聚类模块,用于基于所述N个交易对手分别对应的交易情景参数的参数值,对所述N个交易对手进行聚类处理,得到聚类结果,其中,所述聚类结果中包括K个聚类类别,以及所述K个聚类类别分别对应的交易情景特征,其中,K为大于或等于2的整数;
第一确定模块,用于基于所述聚类结果,确定所述N个交易对手分别对应的交易情景特征;
第二确定模块,用于根据所述N个交易对手分别对应的交易情景特征,风险敞口,以及敞口变化,确定所述N个交易对手的信用风险评估结果。
10.一种非易失性存储介质,其特征在于,所述非易失性存储介质存储有多条指令,所述指令适于由处理器加载并执行权利要求1至8中任意一项所述的信用风险评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310827832.XA CN116862675A (zh) | 2023-07-06 | 2023-07-06 | 信用风险评估方法、装置及非易失性存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310827832.XA CN116862675A (zh) | 2023-07-06 | 2023-07-06 | 信用风险评估方法、装置及非易失性存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116862675A true CN116862675A (zh) | 2023-10-10 |
Family
ID=88235334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310827832.XA Pending CN116862675A (zh) | 2023-07-06 | 2023-07-06 | 信用风险评估方法、装置及非易失性存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116862675A (zh) |
-
2023
- 2023-07-06 CN CN202310827832.XA patent/CN116862675A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Linsmeier et al. | Value at risk | |
US7840428B2 (en) | Method, system and apparatus for measuring and analyzing customer business volume | |
KR102009309B1 (ko) | 금융상품 관리자동화 시스템 및 관리자동화 방법 | |
Akbari et al. | The effect of managerial ability on tax avoidance by classical and Bayesian econometrics in multilevel models: Evidence of Iran | |
Kordlouie et al. | Role of accounting conservatism on the quality of financial statements | |
Bakhach et al. | TSFDC: A trading strategy based on forecasting directional change | |
Supriati et al. | The effects of intellectual disclosures capital, debt to assets ratio, debt equity ratio, company size and assets turnover on company profitability | |
Ingermann et al. | The recovery rate for retail and commercial customers in Germany: a look at collateral and its adjusted market values | |
CN116862675A (zh) | 信用风险评估方法、装置及非易失性存储介质 | |
CN113298575A (zh) | 一种商标价值批量评估的方法、系统、设备及存储介质 | |
Cheng et al. | Using fuzzy analytical hierarchy process for multi-criteria evaluation model of high-yield bonds investment | |
Sun et al. | Are off-balance-sheet indicators useful to evaluate accounting information quality? | |
Dirman | The effect of corporate social responsibility disclosure and value based management on cost of equity capital | |
KR102334923B1 (ko) | 인공지능을 이용한 대출 확대 가설 검정 시스템 및 이를 이용한 방법 | |
Sawai et al. | Unintended consequences of fair value’s market-based definition | |
Dadyan | Estimation of the Efficiency of the Investment Fund | |
Martinez Jr | The Effective Predictors of the SPX Index. | |
Scandizzo et al. | Loss given default models | |
Gaganis et al. | External Auditors’ Decisions in EU Credit Institutions: A Multicriteria Approach | |
Wang | Credit Risk Management in Supply Chain Finance for Chinese Commercial Banks | |
Hu et al. | Measuring Audit Quality with Surprise Scores: Evidence from China and the US | |
Chaudhuri et al. | Operational Risk | |
Liu | Research on Credit Risk Assessment of Small and Medium-sized Enterprises by COVID-19 and Supply Chain Finance | |
Farhadi et al. | The Relationship between Specific Fluctuations, Liquidity Risk, and Stock Return in Listed Companies on Tehran Stock Exchange | |
Mlynarczyk et al. | Which Factors and Variables could Explain Discounts and Premiums to Net Asset Value in Real Estate Companies? |
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 |