风险评估方法、模型训练方法、装置、介质及设备制造方法及图纸

本说明书实施例公开了一种风险评估方法、风险评估模型训练方法、装置、存储介质及设备。该方法包括：获取待评估企业的多个因子数据；基于多个因子数据，通过风险评估模型中多个子评估模型确定待评估企业对应的子风险评分，风险评估模型为基于训练样本通过集成学习方式对多个子评估模型进行集成得到的模型，训练样本包括待评估企业所处行业的多个企业的多个因子数据；基于多个因子数据，通过风险评估模型中的分类权重子模型确定各个子风险评分的分类权重；基于分类权重对各个子风险评分进行加权运算，确定待评估企业的信用风险评分。确定待评估企业的信用风险评分。确定待评估企业的信用风险评分。

【技术实现步骤摘要】
风险评估方法、模型训练方法、装置、介质及设备


[0001]本说明书涉及机器学习
，尤其涉及一种风险评估方法、风险评估模型训练方法、装置、存储介质及设备。

技术介绍

[0002]信用债是债券市场规模最大的投资品种之一，评判信用债的资质状况主要依赖于对发债主体的信用风险定价。因此，如何科学评价和跟踪信用债资产的风险，防范化解金融系统风险并保护众多机构投资者和居民理财权益，成了亟待解决的问题。
[0003]在一种技术方案中，根据外部评级机构给出的评级，以及基于该评级的简单判断规则来评估发债主体的信用风险。然而，在这种技术方案中，往往发债主体已经出现违约或信用资质出现重大变化，外部评级机构给出的评级才会发生变动，难以及时准确地预测发债主体的信用风险。
[0004]因此，如何及时准确地预测发债主体的信用风险，成为了亟待解决的技术难题。

技术实现思路

[0005]本说明书提供一种风险评估方法、风险评估模型训练方法、装置、存储介质及设备，能够及时准确地预测发债主体的信用风险。
[0006]第一方面，本说明书实施例提供一种风险评估方法，包括：
[0007]获取待评估企业的多个因子数据；
[0008]基于所述多个因子数据，通过风险评估模型中多个子评估模型确定所述待评估企业对应的子风险评分，所述风险评估模型为基于训练样本通过集成学习方式对所述多个子评估模型进行集成得到的模型，所述训练样本包括所述待评估企业所处行业的多个企业的所述多个因子数据；
[0009]基于所述多个因子数据，通过所述风险评估模型中的分类权重子模型确定各个所述子风险评分的分类权重，所述分类权重子模型为对所述多个子评估模型进行集成以生成所述风险评估模型的模型；
[0010]基于所述分类权重对各个所述子风险评分进行加权运算，确定所述待评估企业的信用风险评分。
[0011]第二方面，本说明书实施例提供一种风险评估模型训练方法，其中，所述风险评估模型包括多个子评估模型以及分类权重子模型，所述方法包括：
[0012]获取目标行业的多个企业中各个企业的多个因子数据；
[0013]基于所述多个因子数据中各个所述子评估模型对应的因子数据，构建对应的所述子评估模型，所述子评估模型用于确定所述企业的子风险评分；
[0014]基于各个所述子评估模型对应的因子数据以及评价指标，对所述分类权重子模型进行训练，所述分类权重模型用于确定各个所述子风险评分的分类权重，所述分类权重子模型还用于基于所述分类权重对所述多个子评估模型进行集成来生成所述风险评估模型。
[0015]第三方面，本说明书实施例提供一种风险评估装置，包括：
[0016]数据获取模块，用于获取待评估企业的多个因子数据；
[0017]子评分确定模块，用于基于所述多个因子数据，通过风险评估模型中多个子评估模型确定所述待评估企业对应的子风险评分，所述风险评估模型为基于训练样本通过集成学习方式对所述多个子评估模型进行集成得到的模型，所述训练样本包括所述待评估企业所处行业的多个企业的所述多个因子数据；
[0018]权重确定模块，用于基于所述多个因子数据，通过所述风险评估模型中的分类权重子模型确定各个所述子风险评分的分类权重，所述分类权重子模型为对所述多个子评估模型进行集成以生成所述风险评估模型的模型；
[0019]总评分确定模块，用于基于所述分类权重对各个所述子风险评分进行加权运算，确定所述待评估企业的信用风险评分。
[0020]第四方面，本说明书实施例提供一种风险评估模型训练装置，所述风险评估模型包括多个子评估模型以及分类权重子模型，所述装置包括：
[0021]数据获取模块，用于获取目标行业的多个企业中各个企业的多个因子数据；
[0022]子模型构建模块，用于基于所述多个因子数据中各个子评估模型对应的因子数据，构建对应的子评估模型，所述子评估模型用于确定所述企业的子风险评分；
[0023]分类权重模型训练模块，用于基于各个所述子评估模型对应的因子数据以及评价指标，对分类权重子模型进行训练，所述分类权重模型用于确定各个所述子风险评分的分类权重，所述分类权重子模型还用于基于所述分类权重对所述多个子评估模型进行集成来生成所述风险评估模型。
[0024]第五方面，本说明书实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法的步骤。
[0025]第六方面，本说明书实施例提供一种包含指令的计算机程序产品，当所述计算机程序产品在计算机或处理器上运行时，使得所述计算机或处理器执行上述的方法的步骤。
[0026]第七方面，本说明书实施例提供一种电子设备，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法的步骤。
[0027]根据本说明书实施例的技术方案，一方面，通过多模型集成学习的方式对多个指标因子采用多个模型进行融合生成风险评估模型，能够利用集成学习的方式融合多种模型的预测能力；另一方面，根据风险评估模型确定待评估企业的信用风险评分，能够通过多种子评估模型来融合学习企业的多类风险指标因子信息，例如时序动量信息、非线性信息和线性信息，从而能够根据多类风险指标因子信息及时准确地预测企业例如发债主体的信用风险。
附图说明
[0028]为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0029]图1为本说明书实施例提供的一种风险评估方法的实施环境的示意图；
[0030]图2为本说明书实施例提供的一种风险评估方法的流程示意图；
[0031]图3为根据本说明书实施例提供的确定分类权重的流程示意图；
[0032]图4为根据本说明书实施例提供的一种风险评估方法的实施系统的架构图；
[0033]图5为根据本说明书实施例提供的风险评估模型训练方法的流程示意图；
[0034]图6示出了根据本说明书实施例提供的对分类权重子模型进行训练的流程示意图；
[0035]图7为本说明书实施例提供的一种风险评估模型训练装置的结构示意图；
[0036]图8为本说明书实施例提供的另一种风险评估装置的结构示意图；
[0037]图9为本说明书实施例提供的一种电子设备的结构示意图。
具体实施方式
[0038]为使得本说明书的特征和优点能够更加的明显和易懂，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而非全部实施例。基于本说明书中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风险评估方法，包括：获取待评估企业的多个因子数据；基于所述多个因子数据，通过风险评估模型中多个子评估模型确定所述待评估企业对应的子风险评分，所述风险评估模型为基于训练样本通过集成学习方式对所述多个子评估模型进行集成得到的模型，所述训练样本包括所述待评估企业所处行业的多个企业的所述多个因子数据；基于所述多个因子数据，通过所述风险评估模型中的分类权重子模型确定各个所述子风险评分的分类权重，所述分类权重子模型为对所述多个子评估模型进行集成以生成所述风险评估模型的模型；基于所述分类权重对各个所述子风险评分进行加权运算，确定所述待评估企业的信用风险评分。2.根据权利要求1所述的方法，其中，所述多个子评估模型包括时序评估子模型以及至少一个非时序评估子模型，所述通过风险评估模型中多个子评估模型确定所述待评估企业对应的子风险评分，包括：基于所述多个因子数据中的时序因子数据，通过所述时序评估子模型确定所述待评估企业的第一子风险评分；基于所述多个因子数据，通过所述至少一个非时序评估子模型确定所述待评估企业的至少一个第二子风险评分。3.根据权利要求2所述的方法，其中，所述至少一个非时序评估子模型包括：非线性多因子模型和线性多因子模型，所述基于所述多个因子数据，通过所述至少一个非时序评估子模型确定所述待评估企业的至少一个第二子风险评分，包括：基于所述多个因子数据，通过所述非线性多因子模型确定所述待评估企业的第二子风险评分；基于所述多个因子数据，通过所述线性多因子模型确定所述待评估企业的第三子风险评分，所述线性因子模型是所述多个因子数据之间的线性关系模型。4.根据权利要求3所述的方法，其中，所述非线性多因子模型包括决策树回归模型，所述基于所述多个因子数据，通过所述非线性多因子模型确定所述待评估企业的第二子风险评分，包括：基于所述决策树回归模型确定所述多个因子数据的信息增益率；基于所述多个因子数据的信息增益率确定所述待评估企业的第二子风险评分。5.根据权利要求1所述的方法，其中，所述风险评估模型还包括行业评估子模型，所述方法还包括：获取所述待评估企业所处行业的行业数据，所述行业数据包括行业基本面数据和行业内多个发债主体的财务数据；基于所述行业数据，通过所述行业评估子模型确定所述行业的信用风险评分的行业中枢状态，所述行业评估子模型为用于确定所述行业的信用风险评分的行业中枢状态的统计模型，所述基于所述多个因子数据，通过所述风险评估模型中的分类权重子模型确定各个所述风险评分的分类权重，包括：
结合所述行业中枢状态以及所述多个因子数据，通过所述风险评估模型中的分类权重子模型确定各个所述风险评分的分类权重。6.根据权利要求1所述的方法，其中，所述获取待评估企业的多个因子数据，包括：周期性获取待评估企业的多个因子数据，所述多个因子数据包括：所述待评估企业的专家评分数据、企业基本数据以及行业数据。7.根据权利要求1至6中任一项所述的方法，其中，所述分类权重子模型为梯度提升决策树模型。8.一种风险评估模型训练方法，其中，所述风险评估模型包括多个子评估模型以及分类权重子模型，所述方法包括：获取目标行业的多个企业中各个企业的多个因子数据；基于所述多个因子数据中各个所述子评估模型对应的因子数据，构建对应的所述子评估模型，所述子评估模型用于确定所述企业的子风险评分；基于各个所述子评估模型对应的因子数据以及评价指标，对所述分类权重子模型进行训练，所述分类权重模型用于确定各个所述子风险评分的分类权重，所述分类权重子模型还用于基于所述分类权重对所述多个子评估模型进行集成来生成所述风险评估模型。9.根据权利要求8所述的方法，其中，所述基于各个所述子评估模型对应的因子数据以及评价指标，对所述分类权重子模型进行训练，包括：基于所述子评估模型对应的因子数据，通过所述分类权重子模型确定所述子评估模型对应的预测评价指标；基于各个所述子评估模型对应的评价指标以及所述预测评价指标的差值，确定所述分类权重子模型...

【专利技术属性】
技术研发人员：项舒畅，李天明，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：