本发明专利技术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，本发明专利技术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。本发明专利技术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。的问题。的问题。
【技术实现步骤摘要】
债券发行体违约风险确定方法、装置、设备、介质及产品
[0001]本专利技术实施例涉及人工智能
，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。
技术介绍
[0002]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。
[0003]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。
技术实现思路
[0004]本专利技术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。
[0005]第一方面，本专利技术实施例提供了一种债券发行体违约风险确定方法，包括：
[0006]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；
[0007]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；
[0008]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。
[0009]第二方面，本专利技术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：
[0010]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；
[0011]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；
[0012]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。
[0013]第三方面，本专利技术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专利技术实施例中任一所述的债券发行体违约风险确定方法。
[0014]第四方面，本专利技术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专利技术实施例中任一所述的债券发行体违约风险确定方法。
[0015]第五方面，本专利技术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专利技术实施例中任一所述的债券发行体违约风险确定方法。
[0016]本专利技术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
[0017]为了更清楚地说明本专利技术实施例的技术方案，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专利技术的某些实施例，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。
[0018]图1为本专利技术实施例提供的债券发行体违约风险确定方法的流程图；
[0019]图2为本专利技术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；
[0020]图3为本专利技术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；
[0021]图4为本专利技术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；
[0022]图5为本专利技术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；
[0023]图6为本专利技术实施例提供的第三机器学习模型的训练方法的流程图；
[0024]图7A为本专利技术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；
[0025]图7B为本专利技术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；
[0026]图7C为本专利技术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；
[0027]图7D为本专利技术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；
[0028]图7E为本专利技术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；
[0029]图8为本专利技术实施例提供的电子设备的结构示意图。
具体实施方式
[0030]下面结合附图和实施例对本专利技术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专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0031]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，在本专利技术的描述中，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。
[0032]图1为本专利技术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：
[0033]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。
[0034]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。
[0035]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。
[0036]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本文档来自技高网...
【技术保护点】
【技术特征摘要】
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...
【专利技术属性】
技术研发人员：吴超荣，夏成扬，詹丽娟，
申请(专利权)人：建信金融科技有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。