一种构建违约损失率预测模型的方法及装置制造方法及图纸

本发明专利技术提供了一种构建违约损失率预测模型的方法及装置，方法包括：获取影响违约损失率的影响因素，构建违约损失率影响层次结构；对构建的违约损失率影响层次结构进行赋值，得到准则层值矩阵及因子层值矩阵；依据特征根计算策略及一致性判别策略，对矩阵进行调整，得到准则层一致性值矩阵及因子层一致性值矩阵；基于准则层一致性值矩阵、因子层一致性值矩阵、主因素排序权值、子因素排序权值及可变函数，获取违约损失率；基于获取的违约损失率以及实际的违约损失率，对准则层一致性值矩阵以及因子层一致性值矩阵进行修正，直至获取的违约损失率及实际的违约损失率的误差满足误差策略，得到违约损失率预测模型。可以提高LGD的预测精度。预测精度。预测精度。

【技术实现步骤摘要】
一种构建违约损失率预测模型的方法及装置


[0001]本专利技术涉及信用风险估值
，具体而言，涉及一种构建违约损失率(LGD，Loss Given Default)预测模型的方法及装置。

技术介绍

[0002]金融机构对于信用风险的评估，一般采用违约损失率，即对于交易对手一旦违约可能造成的损失程度。LGD在监管计量资本中的应用，不仅使得新监管资本框架更具有风险敏感性，而且也得到了监管的认可，成为一种商业银行风险缓释技术，如担保、信用保险等，另外，LGD在银行内部信用评级和风险管理中也具有重要作用。对LGD进行深入研究，不仅有助于预测损失风险，而且有助于商业银行甄别不良资产和信贷损失成因中的信用风险因子和操作风险因子。
[0003]目前，巴塞尔新资本协议的内部评级法(IRB，Internal Rating Based Approach)支持有能力、有条件的金融机构采用符合自身情形的LGD预测模型，对LGD进行预测。其中，对应的方法主要有历史数据平均值法、资产估值法和模型法。其中，
[0004]历史数据平均法往往会忽略掉LGD的影响因素，如行业周期、宏观经济等，而基于历史数据的时间加权，会拉低高的LGD，使其尽可能的平滑，从而造成低估LGD。资产估值法是根据债务资产在违约和未违约两种状态下价值的变化来估计违约损失率，以期权理论定价为基础，按同类未违约的正常债券或贷款信用差价作为评估依据，使得预测值要么较高，要么较低。模型法中的默顿模型依赖于大量假设条件，使得其理论意义大于实际意义，预测精度也较低。r/>
技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供构建违约损失率预测模型的方法及装置，以提高LGD的预测精度。
[0006]第一方面，本专利技术实施例提供了构建违约损失率预测模型的方法，包括：
[0007]获取影响违约损失率的影响因素，基于获取的影响因素构建违约损失率影响层次结构；
[0008]对构建的违约损失率影响层次结构中的准则层因素矩阵进行赋值，得到准则层值矩阵，以及，对构建的违约损失率影响层次结构中的因子层因素矩阵进行赋值，得到因子层值矩阵；
[0009]依据预先设置的特征根计算策略以及一致性判别策略，对准则层值矩阵以及因子层值矩阵进行调整，得到准则层一致性值矩阵及因子层一致性值矩阵；
[0010]基于准则层一致性值矩阵、因子层一致性值矩阵、预先设置的主因素排序权值、子因素排序权值以及可变函数，获取违约损失率；
[0011]基于获取的违约损失率以及实际的违约损失率，对准则层一致性值矩阵以及因子层一致性值矩阵进行修正，直至获取的违约损失率以及实际的违约损失率的误差满足预先
设置的误差策略，得到违约损失率预测模型。
[0012]结合第一方面，本专利技术实施例提供了第一方面的第一种可能的实施方式，其中，所述方法还包括：
[0013]基于所述违约损失率影响层次结构包含的各影响因素，获取待评估交易的影响因素数据值；
[0014]依据所述违约损失率预测模型中准则层一致性值矩阵以及因子层一致性值矩阵与影响因素数据值的映射关系，以及获取的影响因素数据值，构建待评估准则层值矩阵以及待评估因子层值矩阵；
[0015]基于待评估准则层值矩阵、待评估因子层值矩阵、主因素排序权值、子因素排序权值以及可变函数，得到所述待评估交易的预测违约损失率。
[0016]结合第一方面或第一方面的第一种可能的实施方式，本专利技术实施例提供了第一方面的第二种可能的实施方式，其中，所述违约损失率影响层次结构包括准则层和因子层，基于获取的影响因素构建违约损失率影响层次结构，包括：
[0017]对获取的各影响因素进行聚类，得到多个主因素，基于得到的多个主因素构建准则层，以及，基于每一主因素包含的子因素，构建包含各子因素的因子层；
[0018]基于准则层包含的主因素，构建分别以包含的主因素为行列的准则层因素矩阵，以及，基于因子层每一主因素包含的子因素，分别构建以该主因素包含的子因素为行列的因子层因素矩阵。
[0019]结合第一方面或第一方面的第一种可能的实施方式，本专利技术实施例提供了第一方面的第三种可能的实施方式，其中，所述对构建的违约损失率影响层次结构中的准则层因素矩阵进行赋值，得到准则层值矩阵，包括：
[0020]提取准则层因素矩阵中第一阈值行的第一主因素以及第二阈值列的第二主因素；
[0021]依据第一主因素相对第二主因素对违约损失率的影响程度，对准则层因素矩阵的第一阈值行第二阈值列进行赋值；
[0022]针对每一样本交易，提取包含的影响因素，依据提取的影响因素对应的值，与赋值的准则层因素矩阵进行匹配，得到准则层值矩阵。
[0023]结合第一方面或第一方面的第一种可能的实施方式，本专利技术实施例提供了第一方面的第四种可能的实施方式，其中，所述依据预先设置的特征根计算策略以及一致性判别策略，对准则层值矩阵以及因子层值矩阵进行调整，得到准则层一致性值矩阵及因子层一致性值矩阵，包括：
[0024]依据预先设置的特征根计算策略，获取准则层值矩阵的准则最大特征根近似值，以及，因子层值矩阵的因子最大特征根近似值；
[0025]基于准则最大特征根近似值以及一致性判别策略，调整准则层值矩阵，得到准则层一致性值矩阵，以及，基于因子最大特征根近似值以及一致性判别策略，调整因子层值矩阵，得到因子层一致性值矩阵。
[0026]结合第一方面的第四种可能的实施方式，本专利技术实施例提供了第一方面的第五种可能的实施方式，其中，所述依据预先设置的特征根计算策略，获取因子层值矩阵的因子最大特征根近似值，包括：
[0027]对因子层值矩阵的每一列向量，分别进行归一化处理，得到因子列归一向量；
[0028]对因子列归一向量进行按行求和，得到因子行和值；
[0029]对因子行和值进行归一化处理，得到因子权向量；
[0030]依据因子权向量，计算因子最大特征根近似值。
[0031]结合第一方面或第一方面的第一种可能的实施方式，本专利技术实施例提供了第一方面的第六种可能的实施方式，其中，所述基于准则层一致性值矩阵、因子层一致性值矩阵、预先设置的主因素排序权值、子因素排序权值以及可变函数，获取违约损失率，包括：
[0032]基于准则层一致性值矩阵对应的主因素排序权值，计算准则层排序权重，以及，基于因子层一致性值矩阵对应的子因素排序权值，计算因子层排序权重；
[0033]根据准则层排序权重与因子层排序权重，计算总权重；
[0034]根据总权重与因子值计算综合得分；
[0035]获取综合得分的核心参数，利用预先设置的可变函数对核心参数进行计算，得到资产回收率，基于资产回收率获取违约损失率。
[0036]第二方面，本专利技术实施例还提供了一种构建违约损失率预测模型的装置，包括：
[0037]层次构建模块，用于获取影响违约损失率的影响因素，基于获取的影响因素构建违约损失率影响层次结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种构建违约损失率预测模型的方法，其特征在于，包括：获取影响违约损失率的影响因素，基于获取的影响因素构建违约损失率影响层次结构；对构建的违约损失率影响层次结构中的准则层因素矩阵进行赋值，得到准则层值矩阵，以及，对构建的违约损失率影响层次结构中的因子层因素矩阵进行赋值，得到因子层值矩阵；依据预先设置的特征根计算策略以及一致性判别策略，对准则层值矩阵以及因子层值矩阵进行调整，得到准则层一致性值矩阵及因子层一致性值矩阵；基于准则层一致性值矩阵、因子层一致性值矩阵、预先设置的主因素排序权值、子因素排序权值以及可变函数，获取违约损失率；基于获取的违约损失率以及实际的违约损失率，对准则层一致性值矩阵以及因子层一致性值矩阵进行修正，直至获取的违约损失率以及实际的违约损失率的误差满足预先设置的误差策略，得到违约损失率预测模型。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于所述违约损失率影响层次结构包含的各影响因素，获取待评估交易的影响因素数据值；依据所述违约损失率预测模型中准则层一致性值矩阵以及因子层一致性值矩阵与影响因素数据值的映射关系，以及获取的影响因素数据值，构建待评估准则层值矩阵以及待评估因子层值矩阵；基于待评估准则层值矩阵、待评估因子层值矩阵、主因素排序权值、子因素排序权值以及可变函数，得到所述待评估交易的预测违约损失率。3.根据权利要求1或2所述的方法，其特征在于，所述违约损失率影响层次结构包括准则层和因子层，基于获取的影响因素构建违约损失率影响层次结构，包括：对获取的各影响因素进行聚类，得到多个主因素，基于得到的多个主因素构建准则层，以及，基于每一主因素包含的子因素，构建包含各子因素的因子层；基于准则层包含的主因素，构建分别以包含的主因素为行列的准则层因素矩阵，以及，基于因子层每一主因素包含的子因素，分别构建以该主因素包含的子因素为行列的因子层因素矩阵。4.根据权利要求1或2所述的方法，其特征在于，所述对构建的违约损失率影响层次结构中的准则层因素矩阵进行赋值，得到准则层值矩阵，包括：提取准则层因素矩阵中第一阈值行的第一主因素以及第二阈值列的第二主因素；依据第一主因素相对第二主因素对违约损失率的影响程度，对准则层因素矩阵的第一阈值行第二阈值列进行赋值；针对每一样本交易，提取包含的影响因素，依据提取的影响因素对应的值，与赋值的准则层因素矩阵进行匹配，得到准则层值矩阵。5.根据权利要求1或2所述的方法，其特征在于，所述依据预先设置的特征根计算策略以及一致性判别策略，对准则层值矩阵以及因子层值矩阵进行调整，得到准则层一致性值矩阵及因子层一致性值矩阵，包括：依据预先设置的特征根计算策略，获取准则层值矩阵的准则最大特征根近似值，以及，
因子...

【专利技术属性】
技术研发人员：况文川，陈明，肖勃飞，何兴凤，孙梦芸，
申请(专利权)人：中电金信软件有限公司，
类型：发明
国别省市：