信用风险加权资产的预测方法和装置制造方法及图纸

本公开实施例提供一种信用风险加权资产的预测方法和装置，包括：接收用户基于用户设备发起的预测请求，预测请求中携带待预测的信用风险加权资产历史参数，调用部署于计算机的预测模型对待预测的信用风险加权资产历史参数进行预测处理，得到信用风险加权资产预测值，预测模型是由计算机根据获取到的样本数据集对计算机中部署的基础网络模型进行训练得到的，基础网络模型运行于计算机部署的Python和Spark的训练环境中，样本数据集中包括预设历史时间段内的信用风险加权资产的样本历史数据，通过用户设备的显示装置输出信用风险加权资产预测值，提高了确定信用风险加权资产预测值的效率和精度，且实现了训练的可扩展性的技术效果。技术效果。技术效果。

【技术实现步骤摘要】
信用风险加权资产的预测方法和装置


[0001]本公开实施例涉及计算机
，尤其涉及一种信用风险加权资产的预测方法和装置。

技术介绍

[0002]信用风险加权资产(Risk
‑
Wighted Assets，RWA)，是指对银行的资产加以分类，根据不同类别资产的风险性质确定不同的风险系数，以这种风险系数为权重求得的资产，信用风险加权资产整合了银行各类风险计量结果、客户、债项和押品等信息，实现了银行各类资产业务的风险暴露层次、债务人、债项、风险缓释、风险参数、计量方法和计量规则计算。
[0003]在现有技术中，通常使用权重法和内部评级法等计算信用风险加权资产。其中，内部评级法按照复杂程度，可以包括初级内部评级法和高级内部评级法。
[0004]然而，采用上述方法，需要逐笔计算每笔资产的各个参数，碰到缺失参数的情况，一般设置默认值，然后再按照计算公式计算该笔资产的内部评级法信用风险加权资产，存在精度和效率偏低的技术问题。

技术实现思路

[0005]本公开实施例提供一种信用风险加权资产的预测方法和装置，用以解决确定信用风险加权资产的效率低的问题。
[0006]第一方面，本公开实施例提供一种信用风险加权资产的预测方法，包括：
[0007]接收用户基于用户设备发起的预测请求，其中，所述预测请求中携带待预测的信用风险加权资产历史参数；
[0008]调用部署于计算机的预测模型对所述待预测的信用风险加权资产历史参数进行预测处理，得到信用风险加权资产预测值，其中，所述预测模型是由所述计算机根据获取到的样本数据集对所述计算机中部署的基础网络模型进行训练得到的，所述基础网络模型运行于计算机部署的Python和Spark的训练环境中，所述样本数据集中包括预设历史时间段内的信用风险加权资产的样本历史数据；
[0009]通过所述用户设备的显示装置输出信用风险加权资产预测值。
[0010]在一些实施例中，所述方法还包括：
[0011]在所述计算机中部署Python和Spark的训练环境，并在所述Python和Spark的训练环境中运行所述基础网络模型；
[0012]响应于获取到所述样本数据集，将所述样本数据集传输给所述计算机，并采用所述计算机，根据所述样本数据集对部署于所述计算机中的所述基础网络模型进行训练，得到所述预测模型。
[0013]在一些实施例中，所述计算机的数量为多个，每一计算机为用于对所述基础网络模型进行训练的计算机节点，且每一计算机节点具有对所述基础网络模型进行训练的任务属性；采用所述计算机，根据所述样本数据集对部署于所述计算机中的所述基础网络模型
进行训练，得到所述预测模型，包括：
[0014]采用每一所述计算机节点，并发的根据所述样本数据集、以及每一所述计算机节点对应的任务属性，对部署于该计算机中的所述基础网络模型执行训练操作，得到任务训练结果；
[0015]根据各所述计算机节点各自对应的训练结果生成所述预测模型。
[0016]在一些实施例中，根据所述样本数据集对所述基础网络模型进行训练，得到所述预测模型，包括：
[0017]对所述样本数据集中的样本历史数据依次进行筛选处理、数据类型转换处理、归一化处理，得到预处理后的样本历史数据；
[0018]基于预设的时间步长将所述预处理后的样本历史数据转换为监督学习数据序列，并根据所述监督学习数据序列对所述基础网络模型进行训练，得到所述预测模型。
[0019]在一些实施例中，所述基础网络模型是基于神经网络学习库Keras构建的长短期记忆网络；根据所述监督学习数据序列对所述基础网络模型进行训练，得到所述预测模型，包括：
[0020]将所述监督学习数据序列输入至所述长短期记忆网络，输出训练结果，并确定所述训练结果与预先标注的标定结果之间的平均绝对误差和平均平方误差；
[0021]根据所述平均绝对误差和所述平均平方误差对所述长短期记忆网络的隐藏层的参数进行调整，得到所述预测模型。
[0022]在一些实施例中，所述方法还包括：
[0023]获取预设时长内基于所述预测模型预测得到的各预测值，并获取所述预设时长内与各预测值各自对应的真实值；
[0024]根据各预测值、以及各预测值各自对应的真实值确定所述预测模型的调整属性，其中，所述调整属性用于表征是否对所述预测模型进行更新；
[0025]若所述调整属性表征对所述预测模型进行更新，则将各预测值添加至样本数据集中，得到新的样本数据集，并根据所述新的样本数据集对所述预测模型进行更新。
[0026]第二方面，本公开实施例提供了一种信用风险加权资产的预测装置，包括：
[0027]接收单元，用于接收用户基于用户设备发起的预测请求，其中，所述预测请求中携带待预测的信用风险加权资产历史参数；
[0028]调用单元，用于调用部署于计算机的预测模型对所述待预测的信用风险加权资产历史参数进行预测处理，得到信用风险加权资产预测值，其中，所述预测模型是由所述计算机根据获取到的样本数据集对所述计算机中部署的基础网络模型进行训练得到的，所述基础网络模型运行于计算机部署的Python和Spark的训练环境中，所述样本数据集中包括预设历史时间段内的信用风险加权资产的样本历史数据；
[0029]输出单元，用于通过所述用户设备的显示装置输出信用风险加权资产预测值。
[0030]在一些实施例中，所述装置还包括：
[0031]部署单元，用于在所述计算机中部署Python和Spark的训练环境；
[0032]运行单元，用于在所述Python和Spark的训练环境中运行所述基础网络模型；
[0033]传输单元，用于响应于获取到所述样本数据集，将所述样本数据集传输给所述计算机；
[0034]训练单元，用于采用所述计算机，根据所述样本数据集对部署于所述计算机中的所述基础网络模型进行训练，得到所述预测模型。
[0035]在一些实施例中，所述计算机的数量为多个，每一计算机为用于对所述基础网络模型进行训练的计算机节点，且每一计算机节点具有对所述基础网络模型进行训练的任务属性；所述训练单元，包括：
[0036]第一训练子单元，用于采用每一所述计算机节点，并发的根据所述样本数据集、以及每一所述计算机节点对应的任务属性，对部署于该计算机中的所述基础网络模型执行训练操作，得到任务训练结果；
[0037]生成子单元，用于根据各所述计算机节点各自对应的训练结果生成所述预测模型。
[0038]在一些实施例中，所述训练单元，包括：
[0039]预处理子单元，用于对所述样本数据集中的样本历史数据依次进行筛选处理、数据类型转换处理、归一化处理，得到预处理后的样本历史数据；
[0040]转换子单元，用于基于预设的时间步长将所述预处理后的样本历史数据转换为监督学习数据序列；
[0041]第二训练子单元，用于根据所述监督学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信用风险加权资产的预测方法，包括：接收用户基于用户设备发起的预测请求，其中，所述预测请求中携带待预测的信用风险加权资产历史参数；调用部署于计算机的预测模型对所述待预测的信用风险加权资产历史参数进行预测处理，得到信用风险加权资产预测值，其中，所述预测模型是由所述计算机根据获取到的样本数据集对所述计算机中部署的基础网络模型进行训练得到的，所述基础网络模型运行于计算机部署的Python和Spark的训练环境中，所述样本数据集中包括预设历史时间段内的信用风险加权资产的样本历史数据；通过所述用户设备的显示装置输出信用风险加权资产预测值。2.根据权利要求1所述的方法，所述方法还包括：在所述计算机中部署Python和Spark的训练环境，并在所述Python和Spark的训练环境中运行所述基础网络模型；响应于获取到所述样本数据集，将所述样本数据集传输给所述计算机，并采用所述计算机，根据所述样本数据集对部署于所述计算机中的所述基础网络模型进行训练，得到所述预测模型。3.根据权利要求2所述的方法，其中，所述计算机的数量为多个，每一计算机为用于对所述基础网络模型进行训练的计算机节点，且每一计算机节点具有对所述基础网络模型进行训练的任务属性；采用所述计算机，根据所述样本数据集对部署于所述计算机中的所述基础网络模型进行训练，得到所述预测模型，包括：采用每一所述计算机节点，并发的根据所述样本数据集、以及每一所述计算机节点对应的任务属性，对部署于该计算机中的所述基础网络模型执行训练操作，得到任务训练结果；根据各所述计算机节点各自对应的训练结果生成所述预测模型。4.根据权利要求2所述的方法，其中，根据所述样本数据集对所述基础网络模型进行训练，得到所述预测模型，包括：对所述样本数据集中的样本历史数据依次进行筛选处理、数据类型转换处理、归一化处理，得到预处理后的样本历史数据；基于预设的时间步长将所述预处理后的样本历史数据转换为监督学习数据序列，并根据所述监督学习数据序列对所述基础网络模型进行训练，得到所述预测模型。5.根据权利要求4所述的方法，其中，所述基础网络模型是基于神经网络学习库Keras构建的长短期记忆网络；根据所述监督学习数据序...

【专利技术属性】
技术研发人员：丁亚楠，杨晓宇，王波，宋磊，
申请(专利权)人：中国农业银行股份有限公司，
类型：发明
国别省市：