大额敞口风险的预测方法及装置制造方法及图纸

本发明专利技术提供一种大额敞口风险的预测方法及装置，涉及金融领域。该方法包括：获取预设时间窗口内的历史风险数据和实时风险数据，所述风险数据包括业务数据及币种汇率数据；使用预先建立的影响因子确定模型对所述预设时间窗口内的历史风险数据和实时风险数据进行分析处理，得到大额敞口的影响因子；其中，所述影响因子确定模型是根据多个历史风险数据训练得到的；根据所述时间窗口内的实时风险数据以及所述大额敞口的影响因子确定大额敞口风险预测结果。本申请通过历史数据和实时数据的多数据采集，实现数据源的动态扩展；使用大数据和机器学习技术探测各业务类型对大额敞口的影响因子，提高了风险预测的准确性。提高了风险预测的准确性。提高了风险预测的准确性。

【技术实现步骤摘要】
大额敞口风险的预测方法及装置


[0001]本申请涉及金融领域，具体涉及一种大额敞口风险的预测方法及装置。

技术介绍

[0002]大额敞口风险监管是为了将一家银行在交易对手突然倒闭的情况下可能面临的最大损失限制在不危及该银行的偿付能力而被提出的监管策略。目前各银行主要采用回归分析法或模拟法进行大额敞口风险的估算。回归分析法可以检验未经套期保值的企业现金流量历史数据与风险要素之间的关系。具体来说，是根据企业的历史收益或现金流量与风险要素之间的数量关系回归来估计要素p系数。在回归模型中要素p系数就是曲线的斜率。模拟法则是根据情景设想实现大额敞口风险的预测。
[0003]回归分析法运用的是历史数据，是一种事后检验的评估方法。对于当今变化发展相当迅速的产业来说，模拟法无疑胜于回归法。运用模拟法，管理者需要在不同要素实现的基础上预测收益或者现金流量。例如汇率风险，管理者需要明确说明在不同汇率下的各种情景。每一个情景设想下还要估计在不同假设条件下的利润或现金流量的发生额，这些假设条件除了汇率变动情况以外，还包括该产业的产品需求情况、竞争对手情况和其他供应者对于汇率变动的反应。
[0004]然而，现有的回归分析法和模拟法也存在以下缺陷：
[0005]1)对于境外分行数据源分散在其他各个业务系统中的场景，回归分析法和模拟法均难以提供有效支持；
[0006]2)对于大额敞口风险监控的计算和预测没有结合回归分析法和模拟法二者的优点；
[0007]3)对于大额敞口风险监控预测的输出方式不够丰富。/>
技术实现思路

[0008]为了提高大额敞口风险预测的准确性，本申请提供一种大额敞口风险的预测方法及装置，涉及金融领域。
[0009]第一方面，本申请提供的大额敞口风险的预测方法包括：
[0010]获取预设时间窗口内经用户授权的历史风险数据和实时风险数据，所述风险数据包括业务数据及币种汇率数据；
[0011]使用预先建立的影响因子确定模型对所述预设时间窗口内的历史风险数据和实时风险数据进行分析处理，得到大额敞口的影响因子；其中，所述影响因子确定模型是根据多个历史风险数据以及对应的历史大额敞口风险数据训练得到的；
[0012]根据所述时间窗口内的实时风险数据以及所述大额敞口的影响因子确定大额敞口风险预测结果。
[0013]在一实施例中，建立所述影响因子确定模型的步骤包括：
[0014]获取经用户授权的多个历史风险数据，所述历史风险数据包括历史业务数据、历
史大额敞口数据及历史币种汇率数据；
[0015]对所述历史业务数据进行特征提取，得到对应的特征值数据；
[0016]根据所述特征值数据与所述历史大额敞口数据得到样本数据集；
[0017]使用所述样本数据集对预先建立的机器学习模型进行训练，得到对应影响因子确定模型。
[0018]在一实施例中，所述根据所述特征值数据与所述历史大额敞口数据得到样本数据集，包括：
[0019]将所述特征值数据与外部通用参数进行匹配，得到大额敞口计算决策树；
[0020]采用随机森林方法对所述大额敞口计算决策树进行重采样，并将重采样得到的数据与所述历史大额敞口数据进行时间点匹配，得到所述样本数据集。
[0021]在一实施例中，所述使用所述样本数据集对预先建立的机器学习模型进行训练，得到对应的影响因子确定模型，包括：
[0022]将所述样本数据集分为训练集和测试集；
[0023]使用所述训练集对所述预先建立的机器学习模型进行初始训练；
[0024]使用所述测试集对初始训练后的机器学习模型进行检验和优化训练，得到所述影响因子确定模型。
[0025]在一实施例中，所述使用所述训练集对所述预先建立的机器学习模型进行初始训练，包括：
[0026]将所述训练集分为多组训练数据，每组包括多条训练数据；
[0027]分别使用每组训练数据对预先建立的机器学习模型进行训练，得到多个基学习器；
[0028]使用分类算法或回归算法将所述多个基学习器结合，得到初始训练后的机器学习模型。
[0029]在一实施例中，对所述历史风险数据进行特征提取之前，还包括：
[0030]对所述历史业务数据进行数据筛选、缺失数据处理以及异常数据剔除。
[0031]在一实施例中，所述根据所述时间窗口内的实时风险数据以及所述大额敞口的影响因子确定大额敞口风险预测结果，包括：
[0032]根据所述时间窗口内的实时风险数据以及所述大额敞口的影响因子得到大额敞口预测数据；
[0033]根据所述大额敞口预测数据以及预设的预警规则生成风险预警信息。
[0034]第二方面，本申请提供一种大额敞口风险的预测装置，包括：
[0035]数据获取模块，用于获取预设时间窗口内经用户授权的历史风险数据和实时风险数据，所述风险数据包括业务数据及币种汇率数据；
[0036]影响因子确定模块，用于使用预先建立的影响因子确定模型对所述预设时间窗口内的历史风险数据和实时风险数据进行分析处理，得到大额敞口的影响因子；其中，所述影响因子确定模型是根据多个历史风险数据以及对应的历史大额敞口风险数据训练得到的；
[0037]风险预测模块，用于根据所述时间窗口内的实时风险数据以及所述大额敞口的影响因子确定大额敞口风险预测结果。
[0038]在一实施例中，所述大额敞口风险的预测装置还包括用于建立所述影响因子确定
模型的模型建立模块，该模块包括：
[0039]数据获取单元，用于获取经用户授权的多个历史风险数据，所述历史风险数据包括历史业务数据、历史大额敞口数据及历史币种汇率数据；
[0040]特征提取单元，用于对所述历史业务数据进行特征提取，得到对应的特征值数据；
[0041]数据匹配单元，用于根据所述特征值数据与所述历史大额敞口数据得到样本数据集；
[0042]模型训练单元，用于使用所述样本数据集对预先建立的机器学习模型进行训练，得到对应影响因子确定模型。
[0043]在一实施例中，所述数据匹配单元具体用于：
[0044]将所述特征值数据与外部通用参数进行匹配，得到大额敞口计算决策树；
[0045]采用随机森林方法对所述大额敞口计算决策树进行重采样，并将重采样得到的数据与所述历史大额敞口数据进行时间点匹配，得到所述样本数据集。
[0046]在一实施例中，所述模型训练单元具体用于：
[0047]将所述样本数据集分为训练集和测试集；
[0048]使用所述训练集对所述预先建立的机器学习模型进行初始训练；
[0049]使用所述测试集对初始训练后的机器学习模型进行检验和优化训练，得到所述影响因子确定模型。
[0050]在一实施例中，所述模型训练单元进行初始训练时，具体用于：
[0051]将所述训练集分为多组训练数据，每组包括多条训练数据；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大额敞口风险的预测方法，其特征在于，包括：获取预设时间窗口内经用户授权的历史风险数据和实时风险数据，所述风险数据包括业务数据及币种汇率数据；使用预先建立的影响因子确定模型对所述预设时间窗口内的历史风险数据和实时风险数据进行分析处理，得到大额敞口的影响因子；其中，所述影响因子确定模型是根据多个历史风险数据以及对应的历史大额敞口风险数据训练得到的；根据所述时间窗口内的实时风险数据以及所述大额敞口的影响因子确定大额敞口风险预测结果。2.根据权利要求1所述的大额敞口风险的预测方法，其特征在于，建立所述影响因子确定模型的步骤包括：获取经用户授权的多个历史风险数据，所述历史风险数据包括历史业务数据、历史大额敞口数据及历史币种汇率数据；对所述历史业务数据进行特征提取，得到对应的特征值数据；根据所述特征值数据与所述历史大额敞口数据得到样本数据集；使用所述样本数据集对预先建立的机器学习模型进行训练，得到对应影响因子确定模型。3.根据权利要求2所述的大额敞口风险的预测方法，其特征在于，所述根据所述特征值数据与所述历史大额敞口数据得到样本数据集，包括：将所述特征值数据与外部通用参数进行匹配，得到大额敞口计算决策树；采用随机森林方法对所述大额敞口计算决策树进行重采样，并将重采样得到的数据与所述历史大额敞口数据进行时间点匹配，得到所述样本数据集。4.根据权利要求2所述的大额敞口风险的预测方法，其特征在于，所述使用所述样本数据集对预先建立的机器学习模型进行训练，得到对应的影响因子确定模型，包括：将所述样本数据集分为训练集和测试集；使用所述训练集对所述预先建立的机器学习模型进行初始训练；使用所述测试集对初始训练后的机器学习模型进行检验和优化训练，得到所述影响因子确定模型。5.根据权利要求4所述的大额敞口风险的预测方法，其特征在于，所述使用所述训练集对所述预先建立的机器学习模...

【专利技术属性】
技术研发人员：董新江，温丽明，梁森，张佩玉，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：