CN117495526A - 银行流动性风险评估方法、装置、电子设备和介质 - Google Patents
银行流动性风险评估方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN117495526A CN117495526A CN202311515780.9A CN202311515780A CN117495526A CN 117495526 A CN117495526 A CN 117495526A CN 202311515780 A CN202311515780 A CN 202311515780A CN 117495526 A CN117495526 A CN 117495526A
- Authority
- CN
- China
- Prior art keywords
- data
- node
- risk
- mobility
- liquidity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000012502 risk assessment Methods 0.000 title claims abstract description 85
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000005295 random walk Methods 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000008439 repair process Effects 0.000 claims description 10
- 238000009877 rendering Methods 0.000 claims description 8
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000010276 construction Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 229910052710 silicon Inorganic materials 0.000 description 3
- 239000010703 silicon Substances 0.000 description 3
- 230000000153 supplemental effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241000239290 Araneae Species 0.000 description 1
- 241000409201 Luina Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
提供了一种银行流动性风险评估方法、装置、电子设备和介质,可以应用于大数据技术领域和人工智能技术领域。所述方法包括:选择L个时间窗口,其中,L为正整数;对于第i个时间窗口,进行数据处理操作,包括:获取目标银行在第i个时间窗口内的流动性关联网络;基于所述流动性关联网络,进行数据预处理操作,得到节点和有向边信息数据,其中,i为小于或等于L的正整数;基于所述节点和有向边信息数据,形成独立关系图谱;基于所述第i个时间窗口的数据处理操作,获取所述L个时间窗口的L个独立关系图谱;以及将所述L个独立关系图谱输入预先训练的流动性风险评估模型,输出流动性风险评估结果。
Description
技术领域
本发明涉及大数据技术领域和人工智能技术领域,更具体地涉及一种银行流动性风险评估方法、装置、电子设备和介质。
背景技术
在当今金融市场中,特别是在面对复杂多变的市场环境和不断增长的金融交易的情况下,银行的流动性风险管理变得愈发重要。流动性风险是指银行面临的无法满足其债务偿还和运营资金需求的可能性,这可能导致银行的资金短缺,进而影响其偿付能力、声誉和业务持续性。因此,建立准确、全面的流动性风险评估模型成为确保金融体系稳健运行的关键一环。
然而,传统的银行流动性风险评估技术仍存在以下问题:首先,传统的流动性评估方案仅关注银行自身的财务数据,忽略了外部关联关系和市场宏观环境的影响,而实际上,银行的流动性风险是受多个因素综合影响的,包括自身经营情况、与外部实体的关联、市场的宏观变化等;进一步地,现有评估模型在处理时序连贯性方面也存在不足。流动性风险是一个随时间变化的动态过程,然而很多模型忽视了时间的维度,导致评估结果缺乏时序的连贯性,这可能导致模型无法准确预测未来风险,难以提供及时的风险预警和管理建议。此外,现有模型缺少扩展性,无法预测风险扩散、风险积累等极端场景。
发明内容
鉴于上述问题,根据本发明的第一方面,提供了一种银行流动性风险评估方法,其特征在于,所述方法包括:选择L个时间窗口,其中,L为正整数;对于第i个时间窗口,进行数据处理操作,包括:获取目标银行在第i个时间窗口内的流动性关联网络;基于所述流动性关联网络,进行数据预处理操作,得到节点和有向边信息数据,其中,i为小于或等于L的正整数;基于所述节点和有向边信息数据,形成独立关系图谱;基于所述第i个时间窗口的数据处理操作,获取所述L个时间窗口的L个独立关系图谱;以及将所述L个独立关系图谱输入预先训练的流动性风险评估模型,输出流动性风险评估结果。
根据一些示例性实施例,所述获取目标银行在第i个时间窗口内的流动性关联网络,具体包括:采集所述目标银行在第i个时间窗口内的历史内外部数据,其中,包括自身经营情况数据、外部关联关系数据以及市场宏观数据;以及基于所述历史内外部数据,构建所述流动性关联网络,其中,所述流动性关联网络包括n个节点和m条边,n个节点表示所述目标银行以及与所述目标银行有关联关系的外部对象,m条边表示所述目标银行和所述外部对象之间的关联关系,n和m均为大于或等于2的正整数。
根据一些示例性实施例,利用LSTM型的循环神经网络训练所述流动性风险评估模型。
根据一些示例性实施例,所述基于所述流动性关联网络,进行数据预处理操作,得到节点和有向边信息数据,具体包括:对所述流动性关联网络进行数据清洗和数据格式化,获取节点信息数据和有向边信息数据,其中,所述节点信息数据包括节点的风险系数和时间标注,所述有向边信息数据包括节点之间的关系权重和时间标注。
根据一些示例性实施例,所述数据清洗的过程具体包括:对所述流动性关联网络中的缺失信息进行补充修复;以及剔除所述流动性关联网络中的不准确信息。
根据一些示例性实施例,所述数据格式化的过程具体包括:基于预先构建的变现金额计算模型,计算约定时间内可及时变现的金额;基于所述约定时间内可及时变现的金额,计算关系权重;以及基于所述关系权重,利用TrustRank算法,计算所述流动性关联网络中每个节点的节点风险系数。
根据一些示例性实施例,在所述基于所述关系权重,利用TrustRank算法,计算所述流动性关联网络中每个节点的节点风险系数之前,所述方法还包括:基于自身经营情况数据、外部关联关系数据以及市场宏观数据,获取节点基础风险信息;以及基于节点基础风险信息,生成初始风险系数。
根据一些示例性实施例,所述基于所述关系权重,利用TrustRank算法,计算所述流动性关联网络中每个节点的节点风险系数,具体包括:以所述关系权重作为数据标签,将所述目标银行所在的节点作为起始节点;基于所述流动性关联网络和随机游走模型,从所述起始节点开始随机游走;以及当所述随机游走模型的损失指标达到预设的阈值,停止游走和优化,获得所述节点风险系数。
根据一些示例性实施例,在所述流动性风险评估模型中,采用所述节点风险系数作为遗忘门以及记忆单元的状态值。
根据一些示例性实施例,所述流动性风险评估结果包括:流动性风险指标值、预警阈值、发生流动性预警的判断值以及各节点记忆值。
根据本发明的第二方面,提出了一种银行流动性风险评估装置,所述装置包括:时间窗口选择模块,用于:时间窗口选择模块,用于:选择L个时间窗口,其中,L为正整数;单个独立关系图谱获取模块,用于:对于第i个时间窗口,进行数据处理操作,包括:获取目标银行在第i个时间窗口内的流动性关联网络;基于所述流动性关联网络,进行数据预处理操作,得到节点和有向边信息数据,其中,i为小于或等于L的正整数;基于所述节点和有向边信息数据,形成独立关系图谱;L个独立关系图谱获取模块,用于:基于所述第i个时间窗口的数据处理操作,获取所述L个时间窗口的L个独立关系图谱;以及流动性风险评估结果输出模块,用于:将所述L个独立关系图谱输入预先训练的流动性风险评估模型,输出流动性风险评估结果。
根据一些示例性实施例,所述第i个时间窗口数据获取模块可以包括流动性关联网络构建模块和数据预处理模块。
根据一些示例性实施例,所述流动性关联网络构建模块包括数据采集单元和流动性关联网络构建单元。
根据一些示例性实施例,所述数据采集单元可以用于采集与目标银行的在第i个时间窗口内的历史内外部数据,其中,包括自身经营情况数据、外部关联关系数据以及市场宏观数据。
根据一些示例性实施例,所述流动性关联网络构建单元可以用于基于所述历史内外部数据,构建所述流动性关联网络,其中,所述流动性关联网络包括n个节点和m条边,n个节点表示所述目标银行以及与所述目标银行有关联关系的外部对象,m条边表示所述目标银行和所述外部对象之间的关联关系,n和m均为大于或等于2的正整数。
根据一些示例性实施例,所述数据预处理模块可以用于对所述流动性关联网络进行数据清洗和数据格式化,获取节点信息数据和有向边信息数据,其中,所述节点信息数据包括节点的风险系数和时间标注,所述有向边信息数据包括节点之间的关系权重和时间标注。
根据一些示例性实施例,所述数据预处理模块可以包括数据清洗模块和数据格式化模块。
根据一些示例性实施例,所述数据清洗模块可以包括补充修复单元和不准确信息剔除单元。
根据一些示例性实施例,所述补充修复单元可以用于对所述流动性关联网络中的缺失信息进行补充修复。
根据一些示例性实施例,所述不准确信息剔除单元可以用于剔除所述流动性关联网络中的不准确信息。
根据一些示例性实施例,所述数据格式化模块可以包括可及时变现的金额计算单元、关系权重计算单元和节点风险系数计算模块。
根据一些示例性实施例,所述可及时变现的金额计算单元可以用于基于预先构建的变现金额计算模型,计算约定时间内可及时变现的金额。
根据一些示例性实施例,所述关系权重计算单元可以用于基于所述约定时间内可及时变现的金额,计算关系权重。
根据一些示例性实施例,所述节点风险系数计算模块可以用于基于所述关系权重,利用TrustRank算法,计算所述流动性关联网络中每个节点的节点风险系数。
根据一些示例性实施例,所述节点风险系数计算模块可以起始节点选择单元、随机游走单元和节点风险系数获取单元。
根据一些示例性实施例,所述起始节点选择单元可以用于以所述关系权重作为数据标签,将所述目标银行所在的节点作为起始节点。
根据一些示例性实施例,所述随机游走单元可以用于基于所述流动性关联网络和随机游走模型,从所述起始节点开始随机游走。
根据一些示例性实施例,所述节点风险系数获取单元可以用于当所述随机游走模型的损失指标达到预设的阈值,停止游走和优化,获得所述节点风险系数。
根据一些示例性实施例,所述数据格式化模块还可以包括初始风险系数生成模块。
根据一些示例性实施例,所述初始风险系数生成模块可以包括节点基础风险信息获取单元和初始风险系数生成单元。
根据一些示例性实施例,所述节点基础风险信息获取单元可以用于基于自身经营情况数据、外部关联关系数据以及市场宏观数据,获取节点基础风险信息。
根据一些示例性实施例,所述初始风险系数生成单元可以用于基于节点基础风险信息,生成初始风险系数。
根据本发明的第三方面,提供一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行如上所述的方法。
根据本发明的第四方面,提供一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行如上所述的方法。
根据本发明的第五方面,提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上所述的方法。
上述一个或多个实施例具有如下优点或有益效果:根据本发明提供的银行流动性风险评估方法,通过向流动性风险评估模型输入多个时间窗口的数据,能够充分利用时序连贯性,用于风险前瞻管理,从而更准确地预测未来可能出现的流动性问题,为风险管理提供更有力的支持;同时,采用不同时间窗口的数据可以使风险评估模型具有动态更新的能力,这有助于捕捉流动性风险的变化和演化,更及时地反映银行可能面临的问题,从而能够更迅速地采取风险管理措施。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了现有技术中银行流动性风险评估方案的流程图。
图2示意性示出了根据本发明实施例的银行流动性风险评估方法、装置、设备、介质的应用场景图。
图3示意性示出了根据本发明实施例的银行流动性风险评估方法的流程图。
图4示意性示出了根据本发明实施例的构建流动性关联网络的方法的流程图。
图5示意性示出了根据本发明实施例的数据预处理的方法的流程图。
图6示意性示出了根据本发明实施例的数据清洗的方法的流程图。
图7示意性示出了根据本发明实施例的数据格式化的方法的流程图。
图8示意性示出了根据本发明实施例的节点风险系数计算的方法的流程图。
图9示意性示出了根据本发明实施例的生成初始风险系数的方法的流程图。
图10示意性示出了根据本发明实施例的银行流动性风险评估装置的结构框图。
图11示意性示出了根据本发明实施例的适于银行流动性风险评估方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本发明的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本发明的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本发明实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本发明的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
首先,对本文中记载的技术术语作如下解释和说明。
流动性风险:根据2018年银保会印发的《商业银行流动性风险管理办法》中定义,流动性风险是指商业银行无法以合理成本及时获得充足资金,用于偿付到期债务、履行其他支付义务和满足正常业务开展的其他资金需求的风险。
TrustRank:类似于PageRank算法,用于计算节点在网络中的信任度。
循环神经网络(Recurrent Neural Networks,RNN):是一种专用于处理序列信息的神经网络,模型所涉及的输入输出不再是完全独立、而具有前向或反向依赖。它会对序列的每个元素执行相同的任务,下一层神经网络的输出依赖于先前的计算。
LSTM模型:一种特殊的循环神经网络,被广泛应用于序列数据分析、时间序列预测等领域。与传统的RNN相比,LSTM在解决长序列依赖问题上具有更好的性能,能够更好地捕捉和记忆序列中的长期依赖关系。
随机游走:一种从起始节点开始,在图上按照一定的策略进行随机遍历的过程。其中,每一步随机选择下一个节点,依赖于节点之间的关系权重。
2023年3月10日,美国硅谷银行宣布因资不抵债申请破产,成为美国历史上第二大规模和2008年以来最大的银行倒闭事件。硅谷事件引发连锁反应,震动全球金融市场,也引起金融界和科技创新领域极大的关注。
究其原因,可回溯至2020年疫情开始之际。2020-2021年,为应对疫情冲击,美联储实施零利率与大规模量化宽松政策,科技行业与风险投资迅速扩张,存款资金大规模流入,硅谷银行难以靠贷款快速承接,故经营模式偏离原有投贷联动模式,资产主要转向证券投资,配置大量长期债券。2022-2023年,由于宏观环境变化,加上美联储为应对通胀大幅加息,科技行业与风险投资规模明显下降,硅谷银行存款持续流失,同时债券价格下跌使其资产大幅贬值、变现困难,最终因流动性危机而破产。
因此,为了预防类似事件的发生,做好前瞻管理和应急预案,银行需要从多方面进行流动风险评估。
首先,从自身经营角度出发,流动性危机可能是由经营规模超出自身能力范围或是资产负债错配风险过大等原因引起,因此,一是需要合理评估自身资产组织能力范围,包括最低资本要求、流动性监管指标和保障范围等,二是需要更精确地评估不同资产配置方式下的流动性风险,其中需注意的是在内部经营模式、资产配置方式改变时,第一点中自身可承受的风险范围可能也随之发生变化。
其次,从外部影响角度出发,流动性危机可能是由宏观环境、货币政策带来的流动性冲击或是同业被挤兑所带来的恐慌情绪等原因引起,在自由的金融市场上每个微小变动都极有可能带来蝴蝶效应,因此需要评估管理流动性风险也需要结合市场利率变化、市场流动性波动、关联机构企业重大变动等各因素。
现有流动性风险评估方案基本遵循如图1所示的方法。其实现思想主要是通过银行自身的历史业务数据(存款/贷款/汇款等)和历史流动性数据,对存款增速、贷款增速、资本充足率、不良贷款率等风险因子进行验证优化,根据线性或非线性回归模型,预测得到流动性风险评估数值。再根据预设的流动性预警规则,生成流动性短缺和过剩预警。
但是,现有的流动性风险评估方案仍存在一些问题。其中,在“寻找特征因子”环节中,可能影响流动性风险的一系列因素至少包括以下特点中的其中之一:关联关系是蜘蛛网式、影响是扩散式的、市场受“看不见的手”影响、数据是连续时序的、最近的未来通常是延续连贯的;在“建模得到评估结果”环节中,所建模型是否充分使用以上特性、评估结果是否可靠准确全面以及评估结果是否能够前瞻预警是评价现有技术的主要关注点。
由此,可以得知现有流动性风险评估技术存在以下缺点:
1.评估模型中未充分涵盖自身经营情况、外部网状关联关系以及市场宏观变动等因素,导致范围不够全面,进而评估所得结果不准确;
2.模型缺少时序连贯性,导致风险评估是滞后的,无法前瞻管理;
3.模型缺少拓展性,无法预测风险扩散、风险积累等极端场景,无法提前预警此类场景风险;
4.预警阈值是固定值或者需要加以人工辨别的,无法灵活地根据现实变化情况自动调整。
基于此,本发明的实施例提供一种银行流动性风险评估方法,其特征在于,所述方法包括:选择L个时间窗口,其中,L为正整数;对于第i个时间窗口,进行数据处理操作,包括:获取目标银行在第i个时间窗口内的流动性关联网络;基于所述流动性关联网络,进行数据预处理操作,得到节点和有向边信息数据,其中,i为小于或等于L的正整数;基于所述节点和有向边信息数据,形成独立关系图谱;基于所述第i个时间窗口的数据处理操作,获取所述L个时间窗口的L个独立关系图谱;以及将所述L个独立关系图谱输入预先训练的流动性风险评估模型,输出流动性风险评估结果。根据本发明提供的银行流动性风险评估方法,通过向流动性风险评估模型输入多个时间窗口的数据,能够充分利用时序连贯性,用于风险前瞻管理,从而更准确地预测未来可能出现的流动性问题,为风险管理提供更有力的支持;同时,采用不同时间窗口的数据可以使风险评估模型具有动态更新的能力,这有助于捕捉流动性风险的变化和演化,更及时地反映银行可能面临的问题,从而能够更迅速地采取风险管理措施。
需要说明的是,本发明确定的银行流动性风险评估方法、装置、设备和介质可用于大数据技术领域和人工智能技术领域,也可用于金融领域,还可以用于除大数据技术领域和人工智能技术领域以及金融领域之外的多种领域。本发明的实施例提供的银行流动性风险评估方法、装置、设备和介质的应用领域不做限定。
在本发明的技术方案中,所涉及的用户信息(包括但不限于用户个人信息、用户图像信息、用户设备信息,例如位置信息等)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、存储、使用、加工、传输、提供、公开和应用等处理,均遵守相关国家和地区的相关法律法规和标准,采取了必要保密措施,不违背公序良俗,并提供有相应的操作入口,供用户选择授权或者拒绝。
图2示意性示出了根据本发明实施例的银行流动性风险评估方法、装置、设备、介质的应用场景图。
如图2所示,根据该实施例的应用场景100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本发明实施例所提供的银行流动性风险评估方法一般可以由服务器105执行。相应地,本发明实施例所提供的银行流动性风险评估装置一般可以设置于服务器105中。本发明实施例所提供的银行流动性风险评估方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本发明实施例所提供的银行流动性风险评估装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图2中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图3示意性示出了根据本发明实施例的银行流动性风险评估方法的流程图。
如图3所示,该实施例的银行流动性风险评估方法200可以包括操作S210~操作S240。
在操作S210,选择L个时间窗口,其中,L为正整数。
在本发明的实施例中,通过选择多个时间窗口,每个窗口代表一段时间内的数据,可以实现对银行流动性风险的多维度分析。不同时间窗口内的流动性状况可能会因市场波动、经济周期等因素而不同,这样的分析能够更好地把握风险的变化趋势。
在操作S220,对于第i个时间窗口,进行数据处理操作,包括:获取目标银行在第i个时间窗口内的流动性关联网络;基于所述流动性关联网络,进行数据预处理操作,得到节点和有向边信息数据,其中,i为小于或等于L的正整数;基于所述节点和有向边信息数据,形成独立关系图谱。
根据本发明的实施例,为了捕捉银行和与银行有关联关系的外部对象之间的资金流动,识别和建立其资金流动关系,可以构建流动性关联网络。
图4示意性示出了根据本发明实施例的构建流动性关联网络的方法的流程图。
如图4所示,该实施例的构建流动性关联网络的方法可以包括操作S310~S320,该操作S310~S320至少可以部分执行上述操作S220。
在操作S310,采集所述目标银行在第i个时间窗口内的历史内外部数据,其中,包括自身经营情况数据、外部关联关系数据以及市场宏观数据。
在本发明的实施例中,自身经营情况数据可以包括:银行自身不同时间点下资产总量、负债总量、流动性资产量、流动性负债量、流动性比例、存款增速、贷款增速、同业负债占比、资本充足率、不良贷款率、流动性风险相关指标值、预警阈值、是否发生流动性预警等,其中流动性风险相关指标值、预警阈值、是否发生流动性预警,即本发明的实施例所需模拟预测的目标值。
在本发明的实施例中,外部关联关系数据可以包括:与银行有关联关系的外部对象有集团内不同法人主体的子公司、银行同业、其他金融机构以及企业法人客户等。其中,由于银行挤兑通常是由于宏观环境或自身经营或市场恐慌的情况下发生,故本发明的实施例不考虑“由个人客户主动发起造成流动性危机”的场景,又由于在不挤兑的情况下单个个人客户对银行的流动性影响较小,所以采集外部关联关系数据时略去个人客户数据。
在本发明的实施例中,银行与以上外部对象的关联关系数据主要可以包括经济活动关联数据以及外部对象的基础风险数据。其中,经济活动关联数据可分为资产项目和负债项目,资产项目常见有银行发放贷款或出借资金至外部对象、银行投资外部对象等,负债项目常见有外部对象存款至银行、外部对象购买银行债券等。除了交易活动种类,还需记录金额规模、交易时间、资产项目的变现能力参数、负债项目的耐久性参数等,其中,资产项目的变现能力参数有约定投资时间、变现耗费时间等,负债项目的耐久性参数有约定还款时间、被要求提前还款的概率参数等。外部对象的基础风险数据主要有资产总量、负债总量、流动性资产量、流动性负债量、流动性比例、信用评级、偿债能力、企业发展能力、重大风险披露等。
在本发明的实施例中,市场宏观数据包括但不限于以下指标:狭义货币供给量M1、广义货币供给量M2、居民消费价格指数CPI、通货膨胀率,央行公开市场操作利率、中期借贷便利利率等政策利率和市场基准利率、同业拆借利率等,以及涉及跨境市场的人民币汇率、美国市场利率等。
需要说明的是,市场宏观数据具有滞后性,且在较长时间周期内值无法实时更新,因此需要将该数据的长时间周期拆分至与自身经营情况数据和外部网状关联关系数据相同的短时间周期。
在操作S320,基于所述历史内外部数据,构建所述流动性关联网络,其中,所述流动性关联网络包括n个节点和m条边,n个节点表示所述目标银行以及与所述目标银行有关联关系的外部对象,m条边表示所述目标银行和所述外部对象之间的关联关系,n和m均为大于或等于2的正整数。
在本发明的实施例中,n个节点代表了目标银行及其关联的外部对象,每个节点可能有不同的属性,比如银行的财务指标、外部对象的属性等;m条边表示目标银行与外部对象之间的关联关系,有向边可以表示关系的方向,例如资金流入或流出。
根据本发明的实施例,在获取流动性关联网络后,需要进行数据预处理以得到适用于后续分析的数据。
图5示意性示出了根据本发明实施例的数据预处理的方法的流程图。
如图5所示,该实施例的数据预处理的方法可以包括操作S410,该操作S410至少可以部分执行上述操作S220。
在操作S410,对所述流动性关联网络进行数据清洗和数据格式化,获取节点信息数据和有向边信息数据,其中,所述节点信息数据包括节点的风险系数和时间标注,所述有向边信息数据包括节点之间的关系权重和时间标注。
在本发明的实施例中,数据清洗是数据预处理的一个关键步骤,旨在补充信息,以及清除噪声、异常值和重复数据,以确保数据的准确性和一致性。
图6示意性示出了根据本发明实施例的数据清洗的方法的流程图。
如图6所示,该实施例的数据清洗的方法可以包括操作S510~S520,该操作S510~S520至少可以部分执行上述操作S410。
在操作S510,对所述流动性关联网络中的缺失信息进行补充修复。
在本发明的实施例中,对于缺失的信息,可以根据选择的修复方法将缺失值进行填补。其中,可以使用插值方法进行补充,插值方法可以基于已知的数据点进行预测,如线性插值、样条插值等;如果数据存在一定的规律,也可以使用预测模型来填补缺失的信息;此外,在缺失信息较少的情况下,还可以使用历史数据的平均值或中位数来填充缺失值。
在操作S520,剔除所述流动性关联网络中的不准确信息。
在本发明的实施例中,对于不准确信息,可以根据异常值检测、验证或统计分析的结果,将不准确的数据剔除。具体地,可以使用异常值检测方法来识别异常数据,这些异常数据可能是输入错误、数据采集问题等导致的;此外,可以根据业务逻辑和已知信息,验证数据的准确性,如果发现与实际情况不符的数据,可以予以剔除或修正;还可以使用统计分析方法来识别数据中的离群值或不合理值,如果某些数据明显偏离正常分布或与其他数据不一致,可以考虑将其剔除。
在本发明的实施例中,还需要基于数据格式化统一定义数据形式,以便于后续建模使用。本发明的实施例涉及两种数据,皆使用四元组形式表示,一种是节点信息数据,基本形式为(实体,属性,属性值,时间标注),另一种是节点与节点关联的有向边信息数据,基本形式为(实体,关系,实体,时间标注)。
图7示意性示出了根据本发明实施例的数据格式化的方法的流程图。
如图7所示,该实施例的数据格式化的方法可以包括操作S610~S630,该操作S610~S630至少可以部分执行上述操作S410。
在操作S610,基于预先构建的变现金额计算模型,计算约定时间内可及时变现的金额。
在本发明的实施例中,可以采用数学建模来估计约定时间内可及时变现的金额,以下为一种可能的计算模型:
At=P×(1+r)t (1)
其中,P为初始投资金额,r为年利率,t为投资周期,A为变现金额。
需要说明的是,此处列举的计算模型仅为示例性的,不意图限制本发明实施例中计算约定时间内可及时变现的金额的方法,即,本发明实施例中约定时间内可及时变现的金额还可以包括其他方法。
在操作S620,基于所述约定时间内可及时变现的金额,计算关系权重。
在本发明的实施例中,由于关联关系数据主要为经济活动数据,指标繁多且量纲不统一,需要归一化转换成同一维度,因此选择“约定时间内可及时变现的金额”作为关系权重,该值与交易规模、资产项目的变现能力参数、负债项目的耐久性参数均高度相关。
需要注意的是,关系权重的值可能为正数也可能为负数:若银行可以及时从外部变现获得流动性,则该值为正数;若外部在银行端存有流动性资产,则该值为负数。关系权重的绝对值越大,表示此关联关系越重要,越有可能造成流动性危机,即银行无法及时从外部变现获得流动性或银行被大规模存户挤兑等情况。
在操作S630,基于所述关系权重,利用TrustRank算法,计算所述流动性关联网络中每个节点的节点风险系数。
在本发明的实施例中,TrustRank算法类似于PageRank算法,用于计算节点在网络中的信任度。它基于节点之间的关系权重来计算每个节点的风险系数,反映节点在流动性关联网络中的重要性。TrustRank算法通过节点之间的关系权重进行权重传递,使得重要节点的权重会传递给与之有关联的节点,从而计算出每个节点的风险系数。
图8示意性示出了根据本发明实施例的节点风险系数计算的方法的流程图。
如图8所示,该实施例的节点风险系数计算的方法可以包括操作S710~操作S730,该操作S710~S730至少可以部分执行上述操作S630。
在操作S710,以所述关系权重作为数据标签,将所述目标银行所在的节点作为起始节点。
在本发明的实施例中,可以选择目标银行所在的节点作为起始节点,将该节点作为初始状态进行随机游走。
在操作S720,基于所述流动性关联网络和随机游走模型,从所述起始节点开始随机游走。随机游走模型可能会进行多次游走,从起始节点开始,根据关系权重进行随机遍历。
根据本发明的实施例,在流动性关联网络中,可以使用关系权重作为转移概率,使得随机游走更有可能沿着具有较高关系权重的边进行。
在操作S730,当所述随机游走模型的损失指标达到预设的阈值,停止游走和优化,获得所述节点风险系数。
在本发明的实施例中,在游走过程中,可以设置预设的损失指标阈值。一旦损失指标达到阈值,停止游走和优化。
在本发明的实施例中,在停止游走后,将获得每个节点的风险系数,这代表了节点在流动性关联网络中的风险程度。
此外,为了为算法提高初步的起点,加速算法的收敛速度,在所述基于所述关系权重,利用TrustRank算法,计算所述流动性关联网络中每个节点的节点风险系数之前,所述方法还包括生成初始风险系数。
图9示意性示出了根据本发明实施例的生成初始风险系数的方法的流程图。
如图9所示,该实施例的生成初始风险系数的方法可以包括操作S810~操作S820。
在操作S810,基于自身经营情况数据、外部关联关系数据以及市场宏观数据,获取节点基础风险信息。
在本发明的实施例中,自身经营情况数据、外部关联关系数据以及市场宏观数据可以包括反映目标银行的财务健康状况、目标银行的业务关系和外部环境以及影响目标银行的运营和风险的节点基础风险信息。
在操作S820,基于节点基础风险信息,生成初始风险系数。
在本发明的实施例中,可以在节点基础风险信息中选择合适的特征来反映节点的基础风险;对于不同尺度的特征,进行归一化以消除数值差异对风险系数计算的影响;利用选择的特征,可以使用合适的方法(如加权求和)来计算初始风险系数。这个初始风险系数将作为基础风险信息的起点。
返回参照图2,在操作S230,基于所述第i个时间窗口的数据处理操作,获取所述L个时间窗口的L个独立关系图谱。
在操作S240,将所述L个独立关系图谱输入预先训练的流动性风险评估模型,输出流动性风险评估结果。
在本发明的实施例中,根据将L个时间窗口获得的独立关系图谱输入模型,模型可以对不同时间段内的流动性风险进行分析,这有助于捕捉周期性的风险变动,从而更准确地评估风险。
在本发明的实施例中,利用LSTM型的循环神经网络训练所述流动性风险评估模型。
在本发明的实施例中,利用LSTM型的循环神经网络的训练过程可以包括以下方面:可以定义神经网络的层数、神经元数量以及其他超参数以构建LSTM模型;在将每个时间窗口的独立关系图谱嵌入作为LSTM模型的输入时,可能需要对序列长度进行标准化,以确保每个输入序列的长度一致;选择适当的损失函数,以便模型能够优化预测与目标之间的差距,例如,均方误差(MSE);使用历史数据训练LSTM模型,需要将数据划分为训练集和验证集,用于监控模型的训练过程,以及评估模型的性能。
在本发明的实施例中,采用LSTM型的循环神经网络模型,可以使用长短期记忆的思想,过滤随着时间发展而不再有效的数据,例如规模减小的法人企业数据等,以避免朴素RNN模型的梯度消失及梯度爆炸问题。
根据本发明的实施例,为了实现自适应信息保留以加强关键信息的重视,在所述流动性风险评估模型中,采用所述节点风险系数作为遗忘门以及记忆单元的状态值。
在本发明的实施例中,遗忘门决定了在当前时间步的状态值中,多少以前的状态应该被保留或遗忘。记忆单元则是模型中的一种长期记忆机制,用于存储重要信息。
在本发明的实施例中,由于所要遗忘的是不再关联或是关联程度极小的节点数据,所以遗忘门以及记忆单元状态值可近似采用节点风险系数。
在本发明的实施例中,所述流动性风险评估结果包括:流动性风险指标值、预警阈值、发生流动性预警的判断值以及各节点记忆值。
在本发明的实施例中,流动性风险指标值是一个综合性的量化指标,用于衡量目标银行在流动性关联网络中的风险程度,它可以帮助银行识别和排名流动性风险的程度;预警阈值是根据模型得到的设定的界限,用于确定何时触发流动性预警,当流动性风险指标值超过或达到预警阈值时,可能需要采取相应的风险管理措施;发生流动性预警的判断值可以作为一个二进制标识,表示是否出现了潜在的流动性问题,需要银行关注和处理;各节点记忆值可以被认为是模型内部的信息状态,记录了节点在不同时间步的风险信息,用于判断是否需遗忘。
由此,可以扩展预测得到以下结果:根据时序连贯特征,可以预测未来某一时间点的流动性风险值;根据风险系数和关联关系权重,当某一法人机构发生重大风险时,可以在风险尚未实际扩散的情况下,提前预测银行主体会增加多少流动性风险;根据预警数据训练,可以预测当前情况所对应的预警阈值,结合预测得到的流动性风险值,可以提前预警流动性危机,以做好应急预案。
根据本发明提供的银行流动性风险评估方法,通过向流动性风险评估模型输入多个时间窗口的数据,能够充分利用时序连贯性,用于风险前瞻管理,从而更准确地预测未来可能出现的流动性问题,为风险管理提供更有力的支持;同时,采用不同时间窗口的数据可以使风险评估模型具有动态更新的能力,这有助于捕捉流动性风险的变化和演化,更及时地反映银行可能面临的问题,从而能够更迅速地采取风险管理措施。具体地,带来以下有益效果:
1.通过选择多个时间窗口,每个窗口代表一段时间内的数据,可以实现对银行流动性风险的多维度分析。不同时间窗口内的流动性状况可能会因市场波动、经济周期等因素而不同,这样的分析能够更好地把握风险的变化趋势;
2.通过将数据处理操作应用于每个时间窗口,可以建立起一种时序连贯性,这有助于更好地分析银行在不同时间段内的流动性关系、变动情况,从而更准确地预测可能的风险;
3.将多个独立关系图谱输入流动性风险评估模型,可以综合考虑不同时间窗口内的数据,得出更全面的风险评估结果,这样的结果能够更好地反映银行流动性风险的整体情况;
4.全面覆盖自身经营情况、外部网状关联关系以及市场宏观变动等因素,使评估所得结果更准确;
5.模型具有可拓展性,可以用于提前预警流动性危机以及评估风险扩散、风险积累等带来的风险;
6.模型可自主学习得到预警阈值,更加准确灵活。
基于上述银行流动性风险评估方法,本发明还提供了一种银行流动性风险评估装置。以下将结合图10对该装置进行详细描述。
图10示意性示出了根据本发明实施例的银行流动性风险评估装置的结构框图。
如图10所示,根据该实施例的银行流动性风险评估装置1000包括时间窗口选择模块1010、单个独立关系图谱获取模块1020、L个独立关系图谱获取模块1030和流动性风险评估结果输出模块1040。
所述时间窗口选择模块1010可以用于选择L个时间窗口,其中,L为正整数。在一实施例中,所述时间窗口选择模块1010可以用于执行前文描述的操作S210,在此不再赘述。
所述单个独立关系图谱获取模块1020可以用于对于第i个时间窗口,进行数据处理操作,包括:获取目标银行在第i个时间窗口内的流动性关联网络;基于所述流动性关联网络,进行数据预处理操作,得到节点和有向边信息数据,其中,i为小于或等于L的正整数;基于所述节点和有向边信息数据,形成独立关系图谱。在一实施例中,所述单个独立关系图谱获取模块1020可以用于执行前文描述的操作S220,在此不再赘述。
所述L个独立关系图谱获取模块1030可以用于基于所述第i个时间窗口的数据处理操作,获取所述L个时间窗口的L个独立关系图谱。在一实施例中,所述L个独立关系图谱获取模块1030可以用于执行前文描述的操作S230,在此不再赘述。
所述流动性风险评估结果输出模块1040可以用于将所述L个独立关系图谱输入预先训练的流动性风险评估模型,输出流动性风险评估结果。在一实施例中,所述流动性风险评估结果输出模块1040可以用于执行前文描述的操作S240,在此不再赘述。
根据本发明的实施例,所述第单个独立关系图谱获取模块1020可以包括流动性关联网络构建模块和数据预处理模块。
根据本发明的实施例,所述流动性关联网络构建模块包括数据采集单元和流动性关联网络构建单元。
所述数据采集单元可以用于采集目标银行在第i个时间窗口内的历史内外部数据,其中,包括自身经营情况数据、外部关联关系数据以及市场宏观数据。在一实施例中,所述数据采集单元可以用于执行前文描述的操作S310,在此不再赘述。
所述流动性关联网络构建单元可以用于基于所述历史内外部数据,构建所述流动性关联网络,其中,所述流动性关联网络包括n个节点和m条边,n个节点表示所述目标银行以及与所述目标银行有关联关系的外部对象,m条边表示所述目标银行和所述外部对象之间的关联关系,n和m均为大于或等于2的正整数。在一实施例中,所述流动性关联网络构建单元可以用于执行前文描述的操作S320,在此不再赘述。
所述数据预处理模块可以用于对所述流动性关联网络进行数据清洗和数据格式化,获取节点信息数据和有向边信息数据,其中,所述节点信息数据包括节点的风险系数和时间标注,所述有向边信息数据包括节点之间的关系权重和时间标注。在一实施例中,所述数据预处理模块可以用于执行前文描述的操作S410,在此不再赘述。
根据本发明的实施例,所述数据预处理模块可以包括数据清洗模块和数据格式化模块。
根据本发明的实施例,所述数据清洗模块可以包括补充修复单元和不准确信息剔除单元。
所述补充修复单元可以用于对所述流动性关联网络中的缺失信息进行补充修复。在一实施例中,所述补充修复单元可以用于执行前文描述的操作S510,在此不再赘述。
所述不准确信息剔除单元可以用于剔除所述流动性关联网络中的不准确信息。在一实施例中,所述不准确信息剔除单元可以用于执行前文描述的操作S520,在此不再赘述。
根据本发明的实施例,所述数据格式化模块可以包括可及时变现的金额计算单元、关系权重计算单元和节点风险系数计算模块。
所述可及时变现的金额计算单元可以用于基于预先构建的变现金额计算模型,计算约定时间内可及时变现的金额。在一实施例中,所述可及时变现的金额计算单元可以用于执行前文描述的操作S610,在此不再赘述。
所述关系权重计算单元可以用于基于所述约定时间内可及时变现的金额,计算关系权重。在一实施例中,所述关系权重计算单元可以用于执行前文描述的操作S620,在此不再赘述。
所述节点风险系数计算模块可以用于基于所述关系权重,利用TrustRank算法,计算所述流动性关联网络中每个节点的节点风险系数。在一实施例中,所述节点风险系数计算模块可以用于执行前文描述的操作S630,在此不再赘述。
根据本发明的实施例,所述节点风险系数计算模块可以起始节点选择单元、随机游走单元和节点风险系数获取单元。
所述起始节点选择单元可以用于以所述关系权重作为数据标签,将所述目标银行所在的节点作为起始节点。在一实施例中,所述起始节点选择单元可以用于执行前文描述的操作S710,在此不再赘述。
所述随机游走单元可以用于基于所述流动性关联网络和随机游走模型,从所述起始节点开始随机游走。在一实施例中,所述随机游走单元可以用于执行前文描述的操作S720,在此不再赘述。
所述节点风险系数获取单元可以用于当所述随机游走模型的损失指标达到预设的阈值,停止游走和优化,获得所述节点风险系数。在一实施例中,所述节点风险系数获取单元可以用于执行前文描述的操作S730,在此不再赘述。
根据本发明的实施例,所述数据格式化模块还可以包括初始风险系数生成模块。
根据本发明的实施例,所述初始风险系数生成模块可以包括节点基础风险信息获取单元和初始风险系数生成单元。
所述节点基础风险信息获取单元可以用于基于自身经营情况数据、外部关联关系数据以及市场宏观数据,获取节点基础风险信息。在一实施例中,所述节点基础风险信息获取单元可以用于执行前文描述的操作S810,在此不再赘述。
所述初始风险系数生成单元可以用于基于节点基础风险信息,生成初始风险系数。在一实施例中,所述初始风险系数生成单元可以用于执行前文描述的操作S820,在此不再赘述。
根据本发明的实施例,时间窗口选择模块1010、单个独立关系图谱获取模块1020、L个独立关系图谱获取模块1030和流动性风险评估结果输出模块1040中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,时间窗口选择模块1010、单个独立关系图谱获取模块1020、L个独立关系图谱获取模块1030和流动性风险评估结果输出模块1040中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,时间窗口选择模块1010、单个独立关系图谱获取模块1020、L个独立关系图谱获取模块1030和流动性风险评估结果输出模块1040中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图11示意性示出了根据本发明实施例的适于银行流动性风险评估方法的电子设备的方框图。
如图11所示,根据本发明实施例的电子设备1100包括处理器1101,其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。处理器1101例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器1101还可以包括用于缓存用途的板载存储器。处理器1101可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1103中,存储有电子设备1100操作所需的各种程序和数据。处理器1101、ROM 1102以及RAM 1103通过总线1104彼此相连。处理器1101通过执行ROM 1102和/或RAM1103中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 1102和RAM 1103以外的一个或多个存储器中。处理器1101也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例,电子设备1100还可以包括输入/输出(I/O)接口1105,输入/输出(I/O)接口1105也连接至总线1104。电子设备1100还可以包括连接至I/O接口1105的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1106;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1107;包括硬盘等的存储部分1108;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1110上,以便于从其上读出的计算机程序根据需要被安装入存储部分1108。
本发明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可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本发明实施例的方法。
根据本发明的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本发明的实施例,计算机可读存储介质可以包括上文描述的ROM 1102和/或RAM 1103和/或ROM 1102和RAM 1103以外的一个或多个存储器。
本发明的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本发明实施例所提供的方法。
在该计算机程序被处理器1101执行时执行本发明实施例的系统/装置中限定的上述功能。根据本发明的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分1109被下载和安装,和/或从可拆卸介质1111被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分1109从网络上被下载和安装,和/或从可拆卸介质1111被安装。在该计算机程序被处理器1101执行时,执行本发明实施例的系统中限定的上述功能。根据本发明的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本发明的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“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设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上对本发明的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本发明的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。不脱离本发明的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本发明的范围之内。
Claims (14)
1.一种银行流动性风险评估方法,其特征在于,所述方法包括:
选择L个时间窗口,其中,L为正整数;
对于第i个时间窗口,进行数据处理操作,包括:获取目标银行在第i个时间窗口内的流动性关联网络;基于所述流动性关联网络,进行数据预处理操作,得到节点和有向边信息数据,其中,i为小于或等于L的正整数;基于所述节点和有向边信息数据,形成独立关系图谱;
基于所述第i个时间窗口的数据处理操作,获取所述L个时间窗口的L个独立关系图谱;以及
将所述L个独立关系图谱输入预先训练的流动性风险评估模型,输出流动性风险评估结果。
2.根据权利要求1所述的方法,其特征在于,所述获取目标银行在第i个时间窗口内的流动性关联网络,具体包括:
采集所述目标银行在第i个时间窗口内的历史内外部数据,其中,所述历史内外部数据包括自身经营情况数据、外部关联关系数据以及市场宏观数据;以及
基于所述历史内外部数据,构建所述流动性关联网络,其中,所述流动性关联网络包括n个节点和m条边,n个节点表示所述目标银行以及与所述目标银行有关联关系的外部对象,m条边表示所述目标银行和所述外部对象之间的关联关系,n和m均为大于或等于2的正整数。
3.根据权利要求1所述的方法,其特征在于,利用LSTM型的循环神经网络训练所述流动性风险评估模型。
4.根据权利要求1~3任一项所述的方法,其特征在于,所述基于所述流动性关联网络,进行数据预处理操作,得到节点和有向边信息数据,具体包括:
对所述流动性关联网络进行数据清洗和数据格式化,获取节点信息数据和有向边信息数据,其中,所述节点信息数据包括节点的风险系数和时间标注,所述有向边信息数据包括节点之间的关系权重和时间标注。
5.根据权利要求4所述的方法,其特征在于,所述数据清洗的过程具体包括:
对所述流动性关联网络中的缺失信息进行补充修复;以及
剔除所述流动性关联网络中的不准确信息。
6.根据权利要求4所述的方法,其特征在于,所述数据格式化的过程具体包括:
基于预先构建的变现金额计算模型,计算约定时间内可及时变现的金额;
基于所述约定时间内可及时变现的金额,计算关系权重;以及
基于所述关系权重,利用TrustRank算法,计算所述流动性关联网络中每个节点的节点风险系数。
7.根据权利要求6所述的方法,其特征在于,在所述基于所述关系权重,利用TrustRank算法,计算所述流动性关联网络中每个节点的节点风险系数之前,所述方法还包括:
基于自身经营情况数据、外部关联关系数据以及市场宏观数据,获取节点基础风险信息;以及
基于节点基础风险信息,生成初始风险系数。
8.根据权利要求6或7所述的方法,其特征在于,所述基于所述关系权重,利用TrustRank算法,计算所述流动性关联网络中每个节点的节点风险系数,具体包括:
以所述关系权重作为数据标签,将所述目标银行所在的节点作为起始节点;
基于所述流动性关联网络和随机游走模型,从所述起始节点开始随机游走;以及
当所述随机游走模型的损失指标达到预设的阈值,停止游走和优化,获得所述节点风险系数。
9.根据权利要求8所述的方法,其特征在于,在所述流动性风险评估模型中,采用所述节点风险系数作为遗忘门和记忆单元的状态值。
10.根据权利要求1所述的方法,其特征在于,所述流动性风险评估结果包括:流动性风险指标值、预警阈值、发生流动性预警的判断值以及各节点记忆值。
11.一种银行流动性风险评估装置,其特征在于,所述装置包括:
时间窗口选择模块,用于:选择L个时间窗口,其中,L为正整数;
单个独立关系图谱获取模块,用于:对于第i个时间窗口,进行数据处理操作,包括:获取目标银行在第i个时间窗口内的流动性关联网络;基于所述流动性关联网络,进行数据预处理操作,得到节点和有向边信息数据,其中,i为小于或等于L的正整数;基于所述节点和有向边信息数据,形成独立关系图谱;
L个独立关系图谱获取模块,用于:基于所述第i个时间窗口的数据处理操作,获取所述L个时间窗口的L个独立关系图谱;以及
流动性风险评估结果输出模块,用于:将所述L个独立关系图谱输入预先训练的流动性风险评估模型,输出流动性风险评估结果。
12.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~10中任一项所述的方法。
13.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~10中任一项所述的方法。
14.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311515780.9A CN117495526A (zh) | 2023-11-14 | 2023-11-14 | 银行流动性风险评估方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311515780.9A CN117495526A (zh) | 2023-11-14 | 2023-11-14 | 银行流动性风险评估方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117495526A true CN117495526A (zh) | 2024-02-02 |
Family
ID=89670529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311515780.9A Pending CN117495526A (zh) | 2023-11-14 | 2023-11-14 | 银行流动性风险评估方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117495526A (zh) |
-
2023
- 2023-11-14 CN CN202311515780.9A patent/CN117495526A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11741552B2 (en) | Systems and methods for automatic classification of loan collection actions | |
US20200294128A1 (en) | System and method of a smart contract and distributed ledger platform with blockchain custody service | |
CN113302638A (zh) | 用于改进自动执行能源、计算、存储和其他资源的现货和远期市场中的分布式账本和其他交易的机器和系统的方法和系统 | |
Jin | Neurofuzzy decision support system for efficient risk allocation in public-private partnership infrastructure projects | |
US11393024B1 (en) | System and method for semantic representation and execution of agreements on a distributed ledger | |
Gao | The use of machine learning combined with data mining technology in financial risk prevention | |
US11544627B1 (en) | Machine learning-based methods and systems for modeling user-specific, activity specific engagement predicting scores | |
Liu et al. | Analysis of internet financial risks based on deep learning and BP neural network | |
Chen et al. | A study on operational risk and credit portfolio risk estimation using data analytics | |
Li et al. | Take Bitcoin into your portfolio: a novel ensemble portfolio optimization framework for broad commodity assets | |
Dong et al. | Cost index predictions for construction engineering based on LSTM neural networks | |
CN112766814A (zh) | 一种信用风险压力测试模型的训练方法、装置及设备 | |
Biswas et al. | Automated credit assessment framework using ETL process and machine learning | |
CN116091249A (zh) | 交易风险的评估方法、装置、电子设备和介质 | |
Pang et al. | Application of loan lost-linking customer path correlated index model and network sorting search algorithm based on big data environment | |
CN117495526A (zh) | 银行流动性风险评估方法、装置、电子设备和介质 | |
WO2021207780A1 (en) | Systems, computer-implemented methods and computer programs for capital management | |
Li et al. | Distributed hyperledger technology in FinTech with artificial intelligence assisted internet of things platform | |
Matanda et al. | Fuzzy structural risk of default for banks in Southern Africa | |
Song | Quantitative Analysis of Internet of Things Technology on the National Economic Accounting: A Prediction Model Based on the FCM-BP Neural Network Algorithm | |
US20240169355A1 (en) | Settlement card having locked-in card specific merchant and rule-based authorization for each transaction | |
US20230065948A1 (en) | Methods and systems for facilitating incorporation of data types when assessing credit | |
Lomakin et al. | Russian insurance market investigated by an AI system under growing market uncertainty and risk | |
Yang | Security Evaluation of Financial and Insurance and Ruin Probability Analysis Integrating Deep Learning Models | |
CN117436883A (zh) | 资金流向预警方法、装置、电子设备和介质 |
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 |