CN117078387A - 基于蒙特卡洛模拟的信用风险预测方法及其装置 - Google Patents

基于蒙特卡洛模拟的信用风险预测方法及其装置 Download PDF

Info

Publication number
CN117078387A
CN117078387A CN202311021908.6A CN202311021908A CN117078387A CN 117078387 A CN117078387 A CN 117078387A CN 202311021908 A CN202311021908 A CN 202311021908A CN 117078387 A CN117078387 A CN 117078387A
Authority
CN
China
Prior art keywords
risk
credit
default
rate
credit risk
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
CN202311021908.6A
Other languages
English (en)
Inventor
沈坚
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.)
Sino Credit Information Technology Beijing Co ltd
Original Assignee
Sino Credit Information Technology Beijing 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 Sino Credit Information Technology Beijing Co ltd filed Critical Sino Credit Information Technology Beijing Co ltd
Priority to CN202311021908.6A priority Critical patent/CN117078387A/zh
Publication of CN117078387A publication Critical patent/CN117078387A/zh
Pending legal-status Critical Current

Links

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
    • G06Q40/03—Credit; Loans; Processing thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Technology Law (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种基于蒙特卡洛模拟的信用风险预测方法，包括：预设风险因素；建立风险变量概率模型；确定N个风险场景；使用建立的风险变量概率模型，生成违约概率随机数，根据不同风险场景对应的逾期率水平，对违约概率随机数进行抽取，模拟得到对应不同风险场景的违约概率分布值；针对每个风险场景，均随机产生多个违约概率样本，将产生的N组违约概率样本进行综合计算，得到整合后人群的信用风险违约概率数据，对数据进行分析，以便对新产品项目的信用风险进行预测。本发明还提供了一种基于蒙特卡洛模拟的信用风险预测装置。该方法能够在历史数据缺乏或几乎没有的情况对新产品项目进行信用风险预测，同时提高了信用风险预测的稳定性和准确性。

Description

基于蒙特卡洛模拟的信用风险预测方法及其装置
技术领域
本发明涉及统计计算领域。更具体地说，本发明涉及一种基于蒙特卡洛模拟的信用风险预测方法及其装置。
背景技术
信用风险，又称违约风险，是指借款人、证券发行人或交易对方因种种原因，不愿或无力履行合同条件而构成违约，致使银行、投资者遭受损失的可能性。为了尽可能减少损失的可能性，银行或企业需要对信用风险进行管理和预测。传统的风险预测方法，通常基于简化的指标和较多的历史数据样本，如固定的评级系统或特定的指标集等，但是，这种方法缺乏灵活性，无法充分考虑到不同行业、市场环境和个体差异等因素。因此，在面对不同类型的借款人或不同的信用场景时，传统方法可能无法提供准确的风险预测和评估。另外，在数据上也要求有足够长观察时期的风险数据积累来预测未来信贷业务或产品的风险水平。若对于新业务或新产品，由于历史数据积累不充足甚至完全没有的情况下，传统的基于历史数据和静态的信用信息的方法，就可能导致无法去预测新业务的风险，在面对快速变化的市场和经济条件时效果也有限。此外，传统方法也容易受到个人偏见和错误的影响。对于一个新业务或者风险表现数据积累不够的情况下，如何预测新业务的风险水平，是一个亟待解决的问题。
发明内容
本发明提供一种基于蒙特卡洛模拟的信用风险预测方法及其装置，能够在历史数据缺乏或几乎没有的情况对新产品项目进行信用风险预测，同时提高了信用风险预测的稳定性和准确性。
为了实现根据本发明的这些目的和其它优点，第一方面，本发明提供了一种基于蒙特卡洛模拟的信用风险预测方法，包括：
预设影响信用风险违约率变化的风险因素和每种风险因素对应的风险变量预值；
建立风险变量概率模型，预设各个风险因素下人群的违约概率分布值，再结合多元正态分布，得到整合后人群的违约概率分布值；
根据经济环境优劣程度确定N个风险场景，并预设每个风险场景下，产生的逾期率水平，其中，N≧1；
使用建立的风险变量概率模型，生成违约概率随机数，根据不同风险场景对应的逾期率水平，对违约概率随机数进行抽取，模拟得到对应不同风险场景的违约概率分布值；
针对每个风险场景，均随机产生多个违约概率样本，并将产生的N组违约概率样本进行综合计算，得到整合后人群的信用风险违约概率数据；
对整合后人群的信用风险违约概率数据进行分析，以便对新产品项目的信用风险进行预测。
优选的是，所述的基于蒙特卡洛模拟的信用风险预测方法，所述对新产品项目的信用风险进行预测的指标为：违约率、Vintage违约率图、平均余额、风险成本以及放款金额。
优选的是，所述的基于蒙特卡洛模拟的信用风险预测方法，根据经济环境优劣程度确定7个风险场景，分别为：经济增长、经济中性、通货膨胀、通货紧缩、利率上升、经济下降以及经济衰退。
优选的是，所述的基于蒙特卡洛模拟的信用风险预测方法，所述预设每个风险场景下，产生的逾期率水平，具体为：以经济增长场景为基准场景，基准值1，其余经济较差场景违约率以基准场景的基准值乘以一个倍数系数。
优选的是，所述的基于蒙特卡洛模拟的信用风险预测方法，所述影响信用风险违约率变化的风险因素和每个风险因素对应的风险变量预值具体为：
年龄：20~60岁；性别：男生、女生；信用评级：优秀、良好、中等；收入水平：低收入、中收入、高收入；市场因素：繁荣景气、经济下滑、失业率较高。
优选的是，所述的基于蒙特卡洛模拟的信用风险预测方法，所述违约概率分布值包括：违约率均值、违约率中位数和违约率标准偏差。
优选的是，所述的基于蒙特卡洛模拟的信用风险预测方法，所述预设各个风险因素下人群的违约概率分布值具体为：通过和新产品项目相类似产品的违约数据库数据，计算出各个风险因素下人群的信用风险的违约率均值、违约率中位数以及违约率标准偏差。
第二方面，本发明提供了一种基于蒙特卡洛模拟的信用风险预测装置，应用于所述的基于蒙特卡洛模拟的信用风险预测方法，包括：
风险因素模块，其预设有多种影响信用风险违约率变化的风险因素，以及每种风险因素对应的风险变量预值；
风险场景模块，其预设有多种风险场景，以及每种风险场景产生的逾期率水平；
风险变量概率模型建立模块，其用于建立风险变量概率模型，得到各个风险因素下人群的违约概率分布值，以及结合多元正态分布，得到整合后人群的违约概率分布值；
风险场景模拟模块，其用于对不同风险场景的违约概率进行模拟；
随机样本产生模块，其用于产生违约概率随机数；
分析模块，其用于对信用风险违约概率数据进行计算和分析；
结果输出模块，其根据预测指标，对分析结果进行输出。
第三方面，本发明提供了一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述的方法。
第四方面，本发明提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时，实现所述的方法。
本发明至少包括以下有益效果：对于新产品项目，本发明首先选取影响该新产品信用风险违约率变化最关键的风险因素，通过建立风险变量概率模型，并根据本机构或本企业其他类似信贷产品的借款人违约数据库，预设各个风险因素下人群的违约概率分布值，然后再结合多元正态分布，从而可以得到整合后人群的违约概率分布值。其次，根据经济环境优劣程度来确定N个风险场景，并预设每个风险场景下产生的逾期率水平，从而可以根据不同风险场景对应的逾期率水平，对使用风险变量概率模型生成的违约概率随机数进行随机抽取，通过模拟得到对应不同风险场景的违约概率分布值。接下来，再针对每个风险场景，均随机产生多个违约概率抽样样本，然后将产生的N组违约概率抽样样本进行综合计算，这样可以得到整合后人群的信用风险违约概率数据。最后，再对整合后人群的信用风险违约概率数据进行分析，就能够对新产品项目的信用风险进行预测。可见，在本发明中，既使用了风险因素，又使用了不同风险场景来构建违约概率分布，这样根据违约概率分布随机生成的蒙特卡洛的模拟样本数据，对该新产品项目的违约率等信用风险水平进行预测时，准确性高，信用风险预测也更稳定。因此，本发明能够预测新产品的违约率水平，解决传统预测方法面临的问题。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明基于蒙特卡洛模拟的信用风险预测方法的流程示意图；
图2为本发明具体实例中多个风险场景下的违约百分比数据；
图3为本发明具体实例中每个账龄月的风险预测上下区间图；
图4为本发明具体实例中多个风险场景下的多个月的违约百分比数据。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
如图1所示，本发明实施例提供了一种基于蒙特卡洛模拟的信用风险预测方法，包括下列步骤：
S10、预设影响信用风险违约率变化的风险因素和每种风险因素对应的风险变量预值。
其中，具体实施时，风险因素以及每种风险因素对应的风险变量预值，可以如下表一所示：
表一
No. 风险因素 风险变量预值
1. 人口属性 年龄（20-60岁）
2 人口属性 性别（男、女）
3. 信用评级 信用评级（优秀、良好、中等，较差，高风险）
4. 收入水平 收入水平（低收入、中收入、高收入）
5 市场因素 经济水平（繁荣景气、经济下滑、失业率较高）
对于一个信贷产品来说，确定了风险因素，也就确定了产品的大致的潜在违约概率风险区间，可以根据实际需要对关键风险变量进行选取。
S20、建立风险变量概率模型，预设各个风险因素下人群的违约概率分布值，再结合多元正态分布，得到整合后人群的违约概率分布值。
其中，所述违约概率分布值包括：违约率均值、违约率中位数和违约率标准偏差。为了获取违约概率分布值，使用本机构或本企业中和新产品项目相类似产品的违约数据库数据，计算出各个风险因素下人群的信用风险的违约率均值、违约率中位数以及违约率标准偏差。然后再结合多元正态分布，得到整合后人群的违约概率分布值。
多元正态期望值的概率分布公式为：
其中，PDF是概率密度函数（Probability Density Function）的缩写，多元正态分布的PDF是指描述多维随机变量服从正态分布的概率密度函数，x表示多个随机变量的取值，μ表示每个随机变量的均值，σ表示每个随机变量的标准差。
预设的单一风险因素下的贷款违约率均值、违约率中位数和违约率标准偏差参考值，如下表二所示。
表二
No. 风险因素 违约率均值 违约率中位数 违约率标准偏差
1. 年龄 3% - 8% 3% - 6% 2% - 4%
2 性别 3% - 6% 3% - 5% 2% - 5%
3. 信用评级 1% - 4% 2% - 3% 1% - 3%
4. 收入水平 2% - 5% 3% - 6% 1% - 4%
5 市场因素 4% - 7% 4% - 6% 3% - 5%
S30、根据经济环境优劣程度确定N个风险场景，并预设每个风险场景下，产生的逾期率水平，其中，N≧1。
其中，根据经济环境优劣程度，即根据风险压力测试场景，预设合适的N个风险场景，如下表三所示。在不同的风险场景下，会产生不同对应的逾期率水平，具体为：以经济增长场景为基准场景，基准值1，其余经济较差场景违约率以基准场景的基准值乘以一个倍数系数。
表三
No. 风险场景 场景定义 倍数系数
1. 经济增长 指整体经济活动增长、GDP增加、企业利润增加等。投资环境积极，就业市场活跃。 1.00
2 经济中性 指整体经济活动相对稳定、没有明显的向好或向坏的趋势的状态。它表示经济整体没有明显的增长或衰退。 1.32
3. 通货膨胀 指货币供应量增加，物价上涨。在通货膨胀环境下，企业可能面临成本上升、利润率收缩的压力，资产价格可能上升。 1.64
4. 通货紧缩 指货币供应量减少，物价普遍下降。在通货紧缩环境下，企业面临需求下降、销售减少的挑战。 2.00
5. 利率上升 指市场利率水平上升的情况，企业可能面临融资成本增加、投资减少的挑战，尤其是高负债企业。 2.52
6. 经济下降 指整体经济活动放缓、企业利润下降、失业率上升等。在经济衰退期间，消费者信心下降，企业面临销售下降 3.32
7. 经济衰退 指经济系统遭遇严重困境和负面影响的时期。它通常表现为经济活动的大规模萎缩、企业倒闭和失业率上升等现象。 3.88
S40、使用建立的风险变量概率模型，生成违约概率随机数，根据不同风险场景对应的逾期率水平，对违约概率随机数进行抽取，模拟得到对应不同风险场景的违约概率分布值。
其中，根据建立的风险变量概率模型得到的违约概率分布值，生成违约概率随机数，由于风险场景不同，逾期率水平不同，因此可以根据逾期率水平的不同，来对违约概率随机数进行抽取，逾期率水平高的风险场景，抽取的违约概率随机数值偏高，逾期率水平低的风险场景，抽取的违约概率随机数值偏低。对于违约概率随机变量xi（i=1,2,3,4…,k），其对应的不同风险场景的概率密度函数分数为F（x1），F（x2），…，F（xk）。
S50、针对每个风险场景，均随机产生多个违约概率样本，并将产生的N组违约概率样本进行综合计算，得到整合后人群的信用风险违约概率数据。
其中，根据违约概率随机变量的相应分布，每个风险场景，均随机产生多个违约概率样本，共有N个风险场景，能够产生N组违约概率样本x1，x2，x3，…，xk，计算违约目标函数值Gi-=g（x1，x2，…，xk）（i=1,2,…,N），产生信用风险违约概率模拟样本量。
S60、对整合后人群的信用风险违约概率数据进行分析，以便对新产品项目的信用风险进行预测。
其中，基于不同风险场景下的由蒙特卡洛算法生成的模拟样本，并进行分析，包括对信用损失分布、违约概率分布、风险指标的计算并形成风险预测图表。通过这些分析，可以获得不同情景下的信用风险水平和可能的损失范围。具体的用于评估风险预测的指标口径为：
1）、违约率：违约率是指在一定时间内，借款人未能按时履约或无法偿还债务的比例。
违约率可以根据不同的时间段和违约类型进行计算，如过去一年的违约率或违约率按产品类型分析。
2）、Vintage违约率图：Vintage通过观察不同贷款发放时间点的违约率随时间的变
化，来评估贷款组合的风险水平。可以提供有关贷款组合质量随时间的变化情况。如果违约率随着时间的推移逐渐增加，可能意味着贷款组合质量下降，风险增加。相反，如果违约率稳定或下降，可能表示贷款组合质量相对稳定或改善。
3） 、平均余额（Average Net Receivables，简称ANR）：是指在一段时间内，特定账
户或债务组合的净应收款项的平均金额。这个指标通常用于财务分析和业务运营中，用于计算账户或债务的平均未结款项。这个指标在财务规划、现金流管理和信用风险评估等方面都有重要的应用。
4）、风险成本（Cost of credit 简称CoC）：借款人未能按时履约或无法偿还债务时，
造成的风险损失成本，主要为逾期超过90天以上的未偿还本金余额。
5）、放款金额（Disbursement 简称Dis）：申请人在授信通过后，通过支用获得的贷款本金金额。
本发明又一实施例中，提供了一种基于蒙特卡洛模拟的信用风险预测装置，包括：
风险因素模块，其预设有多种影响信用风险违约率变化的风险因素，以及每种风险因素对应的风险变量预值；
风险场景模块，其预设有多种风险场景，以及每种风险场景产生的逾期率水平；
风险变量概率模型建立模块，其用于建立风险变量概率模型，得到各个风险因素下人群的违约概率分布值，以及结合多元正态分布，得到整合后人群的违约概率分布值；
风险场景模拟模块，其用于对不同风险场景的违约概率进行模拟；
随机样本产生模块，其用于产生违约概率随机数；
分析模块，其用于对信用风险违约概率数据进行计算和分析；
结果输出模块，其根据预测指标，对分析结果进行输出。
本发明又一实施例中，还提供了一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述的方法。
本发明又一实施例中，提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时，实现所述的方法。
下面将列举一具体例子进行说明。
结合本发明实施例主要实施步骤的描述，将本方法应用某网络消费贷新产品的风险预测中。该新产品没有历史表现数据积累，但是在上线前需要预测产品信用风险水平。风险因素变量选取信用评级，风险场景选取默认的7个水平，包含经济增长到经济衰退的全部假设场景。经济增长的情况下的基准逾期率为2%左右。在违约率均值3%，标准偏差2%的正态分布下根据蒙特卡洛算法，生成随机5000个抽样样本用于信用风险预测。根据模拟生产的样本分析，我们得到了对于平均6期的产品，在第11个观察月上趋于稳定状态时的新产品的信用风险预测结果，如图2~图4所示。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (10)

1.基于蒙特卡洛模拟的信用风险预测方法，其特征在于，包括：
预设影响信用风险违约率变化的风险因素和每种风险因素对应的风险变量预值；
建立风险变量概率模型，预设各个风险因素下人群的违约概率分布值，再结合多元正态分布，得到整合后人群的违约概率分布值；
根据经济环境优劣程度确定N个风险场景，并预设每个风险场景下，产生的逾期率水平，其中，N≧1；
使用建立的风险变量概率模型，生成违约概率随机数，根据不同风险场景对应的逾期率水平，对违约概率随机数进行抽取，模拟得到对应不同风险场景的违约概率分布值；
针对每个风险场景，均随机产生多个违约概率样本，并将产生的N组违约概率样本进行综合计算，得到整合后人群的信用风险违约概率数据；
对整合后人群的信用风险违约概率数据进行分析，以便对新产品项目的信用风险进行预测。
2.如权利要求1所述的基于蒙特卡洛模拟的信用风险预测方法，其特征在于，所述对新产品项目的信用风险进行预测的指标为：违约率、Vintage违约率图、平均余额、风险成本以及放款金额。
3.如权利要求1所述的基于蒙特卡洛模拟的信用风险预测方法，其特征在于，根据经济环境优劣程度确定7个风险场景，分别为：经济增长、经济中性、通货膨胀、通货紧缩、利率上升、经济下降以及经济衰退。
4.如权利要求3所述的基于蒙特卡洛模拟的信用风险预测方法，其特征在于，所述预设每个风险场景下，产生的逾期率水平，具体为：以经济增长场景为基准场景，基准值1，其余经济较差场景违约率以基准场景的基准值乘以一个倍数系数。
5.如权利要求1所述的基于蒙特卡洛模拟的信用风险预测方法，其特征在于，所述影响信用风险违约率变化的风险因素和每个风险因素对应的风险变量预值具体为：
年龄：20~60岁；性别：男生、女生；信用评级：优秀、良好、中等；收入水平：低收入、中收入、高收入；市场因素：繁荣景气、经济下滑、失业率较高。
6.如权利要求1所述的基于蒙特卡洛模拟的信用风险预测方法，其特征在于，所述违约概率分布值包括：违约率均值、违约率中位数和违约率标准偏差。
7.如权利要求6所述的基于蒙特卡洛模拟的信用风险预测方法，其特征在于，所述预设各个风险因素下人群的违约概率分布值具体为：通过和新产品项目相类似产品的违约数据库数据，计算出各个风险因素下人群的信用风险的违约率均值、违约率中位数以及违约率标准偏差。
8.基于蒙特卡洛模拟的信用风险预测装置，应用于权利要求1~7中任一所述的基于蒙特卡洛模拟的信用风险预测方法，其特征在于，包括：
风险因素模块，其预设有多种影响信用风险违约率变化的风险因素，以及每种风险因素对应的风险变量预值；
风险场景模块，其预设有多种风险场景，以及每种风险场景产生的逾期率水平；
风险变量概率模型建立模块，其用于建立风险变量概率模型，得到各个风险因素下人群的违约概率分布值，以及结合多元正态分布，得到整合后人群的违约概率分布值；
风险场景模拟模块，其用于对不同风险场景的违约概率进行模拟；
随机样本产生模块，其用于产生违约概率随机数；
分析模块，其用于对信用风险违约概率数据进行计算和分析；
结果输出模块，其根据预测指标，对分析结果进行输出。
9.电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-7中任一项所述的方法。
10.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，实现权利要求1-7中任一项所述的方法。
CN202311021908.6A 2023-08-15 2023-08-15 基于蒙特卡洛模拟的信用风险预测方法及其装置 Pending CN117078387A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311021908.6A CN117078387A (zh) 2023-08-15 2023-08-15 基于蒙特卡洛模拟的信用风险预测方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311021908.6A CN117078387A (zh) 2023-08-15 2023-08-15 基于蒙特卡洛模拟的信用风险预测方法及其装置

Publications (1)

Publication Number Publication Date
CN117078387A true CN117078387A (zh) 2023-11-17

Family

ID=88716433

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311021908.6A Pending CN117078387A (zh) 2023-08-15 2023-08-15 基于蒙特卡洛模拟的信用风险预测方法及其装置

Country Status (1)

Country Link
CN (1) CN117078387A (zh)

Similar Documents

Publication Publication Date Title
Khandani et al. Systemic risk and the refinancing ratchet effect
Elbourne The UK housing market and the monetary policy transmission mechanism: An SVAR approach
Bellotti et al. Forecasting and stress testing credit card default using dynamic models
Gourieroux et al. The econometrics of individual risk: credit, insurance, and marketing
Alexander Statistical models of operational loss
Gourieroux et al. Value at risk
Luong et al. Benchmarking forecast approaches for mortgage credit risk for forward periods
Breeden et al. Multihorizon discrete time survival models
Boczar Competition between banks and finance companies: a cross section study of personal loan debtors
Bahaj et al. The residential collateral channel
Webster Quantitative Easing, Inflation, and Federal Reserve Complicity
Ryznar et al. Implementing Dodd-Frank Act Stress Testing
CN117078387A (zh) 基于蒙特卡洛模拟的信用风险预测方法及其装置
Tomas et al. Micro and macroeconomic variables in predicting financial distress of companies
Chang et al. Simplifying the valuation of reverse annuity mortgages
von Feilitzen Modeling non-maturing liabilities
Kupiec Statistical challenges of stress test financial stability assessments
Hasan et al. Management of market risk in Islamic banks: a survey
Goss et al. A simultaneous, rational expectations model of the Australian dollar/US dollar market
Kim Forecasting Bankruptcy More Frequently: Information Update via High Frequency Data
Breivik et al. Density forecasting of the EUR/NOK exchange rate: an evaluation of out-of-sample forecasting performance of empirical exchange rate models
Khuzairina et al. PERFORMANCE AS THE ANCHOR: MITIGATING THE IMPACT OF FINANCIAL RISK AND DISTRESS ON LQ45 STOCK RETURNS IN INDONESIA
Oba et al. RISK MANAGEMENT AND FINANCIAL PERFORMANCE OF LISTED COMMERCIAL BANKS IN NIGERIA
Topçu Economic uncertainty and working capital management: evidence from Turkey
Roderweis et al. The Unintended Consequences of ECB’s Asset Purchases. How Excess Reserves Shape Bank Lending.

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