【技术实现步骤摘要】
企业信用违约概率计算方法及系统
本专利技术属于数据处理
，尤其涉及一种企业信用违约概率计算方法及系统。
技术介绍
在对企业的信用风险评估领域，根据企业的数据，对各个企业的信用风险评估关系到金融行业的有序发展，企业的信用风险评估主要是对企业的信用违约概率进行计算，如果一个企业的信用违约概率高，表明该企业的信用存在很大风险；相反，如果一个企业的信用违约概率低，表明该企业的信用风险比较小。现有的对每一个企业的信用违约概率计算的方式为根据每一个企业的与信用风险评估有关的特征数据，根据特征数据计算每一个企业的信用违约概率，或者采用特征数据对模型进行训练，利用训练好的模型对待识别企业的信用违约概率进行识别计算。现有的直接根据特征数据计算每一个企业的信用违约概率，或者利用一个模型计算每一个企业的信用违约概率，计算得出的企业的信用违约概率都不够准确。
技术实现思路
为克服上述现有问题或者至少部分地解决上述问题，本专利技术实施例提供一种企业信用违约概率计算方法及系统。根据本专利技术实施例的第一...
【技术保护点】
1.一种企业信用违约概率计算方法，其特征在于，包括：/n将待识别企业的多维特征数据输入每一个一级子模型中，获取每一个一级子模型输出的所述待识别企业的信用违约概率；/n通过二级子模型的训练得到多个一级子模型的最优权重系数；/n根据每一个一级子模型输出的所述待识别企业的信用违约概率以及每一个一级子模型的最优权重系数，计算得到所述待识别企业的最终信用违约概率。/n
【技术特征摘要】
1.一种企业信用违约概率计算方法，其特征在于，包括：
将待识别企业的多维特征数据输入每一个一级子模型中，获取每一个一级子模型输出的所述待识别企业的信用违约概率；
通过二级子模型的训练得到多个一级子模型的最优权重系数；
根据每一个一级子模型输出的所述待识别企业的信用违约概率以及每一个一级子模型的最优权重系数，计算得到所述待识别企业的最终信用违约概率。
2.根据权利要求1所述的企业信用违约概率计算方法，其特征在于，通过如下方式训练得到每一个一级子模型：
对所述任一一级子模型的参数进行初始化，将n个企业的m维特征数据作为第一训练样本数据输入任一一级子模型中，获取所述任一一级子模型输出的每一个企业的信用违约概率，其中，第一训练样本数据中包括每一个企业的信用违约实际记录标签，m，n为正整数；
将所述任一一级子模型输出的每一个企业的信用违约概率与第一训练样本数据中每一个企业的信用违约实际记录标签进行比较，得到所述任一一级子模型输出每一个企业的信用违约概率的正确率；
若所述正确率不满足第一预设要求，则通过调整所述任一一级子模型的参数循环迭代训练，直到所述任一一级子模型的正确率满足第一预设要求。
3.根据权利要求2所述的企业违约概率计算方法，其特征在于，所述第一训练样本数据中的每一个企业的信用违约概率为0或1；
相应的，将所述任一一级子模型输出的每一个企业的信用违约概率与第一训练样本数据中每一个企业的信用违约实际记录标签进行比较，得到所述任一一级子模型输出每一个企业的信用违约概率的正确率包括：
若所述任一一级子模型输出的任一企业的信用违约概率小于第一概率阈值，则确定所述任一一级子模型输出的所述任一企业的信用违约概率为0；否则，确定所述任一一级子模型输出的所述任一企业的信用违约概率为1；
将确定出的所述任一企业的信用违约概率与第一训练样本数据中每一个企业的信用违约实际记录标签进行比较，得到所述任一一级子模型输出每一个企业的信用违约概率的正确率。
4.根据权利要求3所述的企业信用违约概率计算方法，其特征在于，通过如下方式得到第一概率阈值：
在0和1之间以固定间隔为步进为所述第一概率阈值取值，计算每一个第一概率阈值下，所述任一一级子模型输出每一个企业的信用违约概率的正确率；
将最高正确率对应的第一概率阈值作为最终的第一概率阈值；
或者，
在0和1之间以固定间隔为步进为所述第一概率阈值取值，计算每一个第一概率阈值下，所述任一一级子模型输出每一个企业的信用违约概率的真正率和假正率；
以所述假正率为横坐标，所述真正率为纵坐标绘制曲线，将曲线的拐点处对应的第一概率阈值作为最终的第一概率阈值。
5.根据权利要求1所述的企业信用违约概率计算方法，其特征在于，所述通过二级子模型的训练得到多个一级子模型的最优权重系数包括：
将每一个一级子模型输出的所述待识别企业的信用违约概率作为n个企业中每一个企业的特征数据，将n个企业的特征数据作为第二训练样本数据，所述第二训练样本数据中包括每一个企业的信用违约实际记录标签；
初始化二级子模型的参数，...
【专利技术属性】
技术研发人员：贺欧文，卜志成，
申请(专利权)人：北京贝壳时代网络科技有限公司，
类型：发明
国别省市：北京;11
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。