风险指标估计模型的检查系统、方法及存储介质技术方案

本发明专利技术提供了一种风险指标估计模型的检查系统、方法及存储介质，涉及计算机技术领域，所述检查方法包括：构建敏感因子库；获取检查样本，根据所述检查样本获取多个采样样本；获取待检查模型，将所述采样样本输入到待检查模型中，得到所述采样样本对应的风险指标估计值；根据所述检查样本、采样样本以及风险指标估计值使用线性模型对待检查模型进行解释，获取待检查模型的各特征因子及各特征因子对应的特征权重；根据所述特征因子、特征权重和敏感因子库确定所述待检查模型中是否含有敏感因子。通过本发明专利技术提供的检查系统和检查方法，监管部门能够简单方便的检查银行在风险指标估计时构建的风险指标估计模型是否使用了不允许使用的敏感因子。

Inspection system, method and storage medium of risk index estimation model

The invention provides an inspection system, method and storage medium of a risk index estimation model, which relates to the field of computer technology. The inspection method includes: building a sensitive factor library; obtaining inspection samples, obtaining multiple sampling samples according to the inspection samples; acquiring the model to be inspected, inputting the sampling samples into the model to be inspected, and obtaining the corresponding sampling samples According to the inspection samples, sampling samples and the risk index estimates, use the linear model to explain the inspection model, obtain the characteristic factors of the model to be inspected and the corresponding characteristic weights of each characteristic factor; determine whether the model to be inspected contains the sensitive factors according to the characteristic factors, characteristic weights and the sensitive factor database. Through the inspection system and inspection method provided by the invention, the supervision department can simply and conveniently check whether the risk index estimation model constructed by the bank during the risk index estimation uses the sensitive factor that is not allowed to be used.

【技术实现步骤摘要】
风险指标估计模型的检查系统、方法及存储介质
本专利技术涉及计算机
，具体而言，涉及一种风险指标估计模型的检查系统、方法及存储介质。
技术介绍
银行根据“巴塞尔III”规定的风险加权资产计算规则，对未违约的主权、金融机构、公司和零售等的风险暴露的风险加权资产(RWA)计算时，需要利用违约概率(PD)、违约损失率(LGD)以及违约风险暴露(EAD)等风险指标，这些风险指标需要银行自行开发相应的模型进行估计。然而，金融机构在对这些风险指标进行估计时，多使用自行开发的复杂度高的人工智能模型，导致监管部门无法掌握银行所使用的人工智能模型是否合理，不利于监管部门监管。因此，亟需一种能够对上述人工智能模型进行风险监测的技术。
技术实现思路
鉴于上述技术问题，本专利技术实施方式的第一方面提供了一种风险指标估计模型的检查系统，该检查系统包括敏感因子库构建模块、采样模块、指标估计模块、解释模块和检测模块，其中，所述敏感因子库构建模块用于构建敏感因子库；所述采样模块用于获取检查样本，并根据检查样本获取多个采样样本；所述指标估计模块用于获取待检查的模型，将所述采样样本输入到待检查模型中，得到所述采样样本对应的风险指标估计值；所述解释模块用于根据所述检查样本、采样样本以及风险指标估计值使用线性模型对待检查模型进行解释，获取待检查模型的各特征因子及各特征因子的特征权重；解释模块用于根据所述特征因子、特征权重和敏感因子库确定所述检查模型中是否含有敏感因子。在本专利技术的一种实施方式中，所述采样模块根据所述检查样本获取多个采样样本包括：将检查样本转换为检查样本的可解释的表达；在检查样本可解释的表达周围采样，获取采样样本的可解释的表达；将采样样本可解释的表达转换为与检查样本相同的数据空间，得到采样样本。在本专利技术的一种实施方式中，所述解释模块根据所述检查样本、采样样本以及估计值使用线性模型对待检查模型进行解释，获取线性模型的各特征因子及特征权重包括：获取检查样本与采样样本之间的相似度πx(z)；以为损失函数来回归训练线性模型g(zi')，得到待检查模型的解释，其中，x为检查样本，zi为采样样本，f(zi)为采样样本的风险指标估计值，Z为采样样本的集合，所述待检查模型的解释为：zi'为采样样本的可解释的表达，wi为zi'对应的权重；将所述解释中的zi'作为待检查模型的特征因子，将wi作为特征因子对应的特征权重。在本专利技术的一种实施方式中，所述检测模块根据所述特征因子、特征权重和敏感因子库确定所述待检查模型中是否含有敏感因子包括：从待检查模型的解释中，按特征权重从大到小的顺序获取设定个数的特征因子；判断所述设定个数的特征因子中是否有与敏感因子库中的敏感因子相同的特征因子；若有，则确定所述待检查模型使用了敏感因子；若没有，则判断所述待检测模型没有使用敏感因子。在本专利技术的一种实施方式中，所述检测模块还包括：提示单元，用于在确定所述待检查模型使用了敏感因子时，提示用户所述待检查模型所使用的敏感因子。在本专利技术的一种实施方式中，所述系统还包括：更新模块，用于使用以下方法更新敏感因子库：根据敏感关键词，通过互联网检索和爬虫程序获取敏感因子互联网库；通过知识图谱对敏感因子互联网本体进行扩展，获取敏感因子图谱库；将所述敏感因子图谱库与所述敏感因子库进行比对；对两个库中不同的敏感因子进行人工审核，将人工确定的敏感因子存入到敏感因子库中。在本专利技术的一种实施方式中，所述更新模块定期更新敏感因子库。本专利技术实施方式的第二方面提供了一种风险指标估计模型的检查方法，所述方法包括：构建敏感因子库；获取检查样本，根据所述检查样本获取多个采样样本；获取待检查模型，将所述采样样本输入待检查模型中，得到所述采样样本对应的风险指标估计值；根据所述检查样本、采样样本以及风险指标估计值使用线性模型对待检查模型进行解释，获取待检查模型的各特征因子及各特征因子对应的特征权重；根据所述特征因子、特征权重和敏感因子库确定所述待检查模型中是否含有敏感因子。在本专利技术的一种实施方式中，所述根据所述检查样本获取多个采样样本包括：将检查样本转换为检查样本的可解释的表达；在检查样本可解释的表达周围采样，获取采样样本的可解释的表达；将采样样本可解释的表达转换为与检查样本相同的数据空间，得到采样样本。在本专利技术的一种实施方式中，所述根据所述检查样本、采样样本以及估计值使用线性模型对待检查模型进行解释，获取待检查模型的各特征因子及特征权重包括：获取检查样本与采样样本之间的相似度πx(z)；以为损失函数来回归训练线性模型g(zi')，得到待检查模型的解释，其中，x为检查样本，zi为采样样本，f(zi)为采样样本的风险指标估计值，Z为采样样本的集合，所述待检查模型的解释为：zi'为采样样本的可解释的表达，wi为zi'对应的权重；将所述解释中的zi'作为待检查模型的特征因子，将wi作为特征因子对应的特征权重。在本专利技术的一种实施方式中，所述根据所述特征因子、特征权重和敏感因子库确定所述待检查模型中是否含有敏感因子包括：从待检查模型的解释中，按特征权重从大到小的顺序获取设定个数的特征因子；判断所述设定个数的特征因子中是否有与敏感因子库中的敏感因子相同的特征因子；若有，则确定所述待检查模型使用了敏感因子；若没有，则确定所述待检测模型没有使用敏感因子。在本专利技术的一种实施方式中，所述根据所述特征因子、特征权重和敏感因子库确定所述待检查模型中是否含有敏感因子还包括：在确定所述待检查模型使用了敏感因子后，向用户提示所述待检查模型使用的敏感因子。在本专利技术的一种实施方式中，使用以下方法更新敏感因子库：根据敏感关键词，通过互联网检索和爬虫程序获取敏感因子互联网库；通过知识图谱对敏感因子互联网库进行扩展，获取敏感因子图谱库；将敏感因子图谱库与敏感因子库进行比对；对两个库中不同的敏感因子进行人工审核，将人工确定的敏感因子存入到敏感因子库中。在本专利技术的一种实施方式中，其特征在于，所述方法还包括：定期更新敏感因子库。本专利技术实施方式的第三方面提供了一种计算机系统，包括存储器和处理器，其特征在于，所述存储器上存储有计算机指令，该计算机指令被处理器执行时实现本专利技术任意一种实施方式所述的方法的操作。本专利技术实施方式第四方面提供了一种计算机存储介质，其上存储有计算机指令，该指令被处理器执行时实现本专利技术任意一种实施方式所述的方法的操作。通过本专利技术提供的检查系统和检查方法，监管部门能够简单方便的检查银行在风险指标估计时构建的风险指标估计模型是否使用了不允许使用的敏感因子，便于监管部门进行监管，减少了监管部门的监管成本，便于银行在风险指标估计时使用复杂度较高的人工智能模型。附图说明<本文档来自技高网...

【技术保护点】
1.风险指标估计模型的检查系统，其特征在于，所述系统包括：/n敏感因子库构建模块，用于构建敏感因子库；/n采样模块，用于获取检查样本，根据所述检查样本获取多个采样样本；/n指标估计模块，用于获取待检查模型，将所述采样样本输入到待检查模型中，得到所述采样样本对应的风险指标估计值；/n解释模块，用于根据所述检查样本、采样样本以及风险指标估计值使用线性模型对待检查模型进行解释，获取待检查模型的各特征因子及各特征因子对应的特征权重；/n检测模块，用于根据所述特征因子、特征权重和敏感因子库确定所述待检查模型中是否含有敏感因子。/n

【技术特征摘要】
1.风险指标估计模型的检查系统，其特征在于，所述系统包括：
敏感因子库构建模块，用于构建敏感因子库；
采样模块，用于获取检查样本，根据所述检查样本获取多个采样样本；
指标估计模块，用于获取待检查模型，将所述采样样本输入到待检查模型中，得到所述采样样本对应的风险指标估计值；
解释模块，用于根据所述检查样本、采样样本以及风险指标估计值使用线性模型对待检查模型进行解释，获取待检查模型的各特征因子及各特征因子对应的特征权重；
检测模块，用于根据所述特征因子、特征权重和敏感因子库确定所述待检查模型中是否含有敏感因子。


2.根据权利要求1所述的系统，其特征在于，所述采样模块根据所述检查样本获取多个采样样本包括：
将检查样本转换为检查样本的可解释的表达；
在检查样本可解释的表达周围采样，获取采样样本的可解释的表达；
将采样样本可解释的表达转换为与检查样本相同的数据空间，得到采样样本。


3.根据权利要求2所述的系统，其特征在于，所述解释模块根据所述检查样本、采样样本以及估计值使用线性模型对待检查模型进行解释，获取线性模型的各特征因子及特征权重包括：
获取检查样本与采样样本之间的相似度πx(z)；
以为损失函数来回归训练线性模型g(zi')，得到待检查模型的解释，其中，x为检查样本，zi为采样样本，f(zi)为采样样本的风险指标估计值，Z为采样样本的集合，所述待检查模型的解释为：zi'为采样样本的可解释的表达，wi为zi'对应的权重；
将所述解释中的zi'作为待检查模型的特征因子，将wi作为特征因子对应的特征权重。


4.根据权利要求3所述的系统，其特征在于，所述检测模块根据所述特征因子、特征权重和敏感因子库确定所述待检查模型中是否含有敏感因子包括：
从待检查模型的解释中，按特征权重从大到小的顺序获取设定个数的特征因子；
判断所述设定个数的特征因子中是否有与敏感因子库中的敏感因子相同的特征因子；
若有，则确定所述待检查模型使用了敏感因子；若没有，则确定所述待检测模型没有使用敏感因子。


5.根据权利要求4所述的系统，其特征在于，所述检测模块还包括：
提示单元，用于在确定所述待检查模型使用了敏感因子时，向用户提示所述待检查模型所使用的敏感因子。


6.根据权利要求1所述的系统，其特征在于，所述系统还包括：
更新模块，用于使用以下方法更新敏感因子库：
根据敏感关键词，通过互联网检索和爬虫程序获取敏感因子互联网库；
通过知识图谱对所述敏感因子互联网库进行扩展，获取敏感因子图谱库；
将所述敏感因子图谱库与所述敏感因子库进行比对；
对两个库中不同的敏感因子进行人工审核，将人工确定的敏感因子存入到敏感因子库中。


7.根据权利要求6所述的系统，其特征在于，所述更新模块定期更新敏感因子库。


8.风险指标估计模型的检查方法，其特征在于，所述方法包括：
构建敏感因子库；
获取检查样本，根据所述检查样本获取多个采样样本；...

【专利技术属性】
技术研发人员：尹龙，边鹏，闫晗，林胜，
申请(专利权)人：中国建设银行股份有限公司，
类型：发明
国别省市：北京;11