System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本公开涉及数据处理,尤其涉及一种基于指标监测的企业风险评估模型的风险指标定位方法及装置。
技术介绍
1、企业风险评估模型的风险指标定位是企业风险管理的重要组成部分。它可以全面获取企业内、外部信息,深刻了解市场环境和竞争态势,丰富风险评估依据,提高风险预警水平,确保企业经营风险的有效控制。指标监测,可以对影响企业运营的各种因素进行分析和评估,形成清晰的指标监测体系。
2、因而,如何对企业风险评估模型进行可靠有效的指标监测以及有效的风险定位,进而帮助企业制定相应的风险控制策略,保障企业业务安全和稳定发展,是目前亟需解决的问题。
技术实现思路
1、本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
2、本公开第一方面实施例提出了一种基于指标监测的企业风险评估模型的风险指标定位方法,包括:
3、获取多个风险指标对应的参考特征值集和验证特征值集,其中,所述参考特征值集和验证特征值集分别包括多家企业与历史时期对应的第一风险指标特征值和与当前时期对应的第二风险指标特征值;所述多个风险指标包括不良资产率、逾期率、风险项目比率、项目正常兑付率、穿仓业务比率、表外表内风险传导率、关联交易比率、单一客户、流动比率、被监管处罚次数和被诉案件新增件数中的多种;
4、对每个所述风险指标对应的所述多家企业进行分组,以得到与所述参考特征值集对应的多个第一组,及与所述验证特征值集对应的多个第二组;根据所述多家企业在每个所述第一组中的分布,以及在每个所述第二组中的
5、将所述第一稳定指标值小于预设阈值的所述风险指标作为目标指标以构建企业风险评估模型,响应于构建的企业风险评估模型,以根据多家企业在历史时间段的第一风险评估得分和当前时间段的第二风险评估得分,计算每个所述风险指标对应的第二稳定指标值;其中,所述企业风险评估模型是基于对bp神经网络模型的训练得到的;所述第一风险评估得分和所述第二风险评估得分是通过基于层次分析法计算得出各个风险指标所占的指标权重计算得到的;
6、基于所述第三稳定指标对引起模型不稳定的所述风险指标进行定位,并基于指标定位结果和修正系数对所述企业风险评估模型的模型参数进行迭代修正以得到修正后的企业风险评估模型。
7、本公开第二方面实施例提出了一种基于指标监测的企业风险评估模型的风险指标定位装置,包括:
8、风险数据获取模块,用于获取多个风险指标对应的参考特征值集和验证特征值集,其中,所述参考特征值集和验证特征值集分别包括多家企业与历史时期对应的第一风险指标特征值和与当前时期对应的第二风险指标特征值;所述多个风险指标包括不良资产率、逾期率、风险项目比率、项目正常兑付率、穿仓业务比率、表外表内风险传导率、关联交易比率、单一客户、流动比率、被监管处罚次数和被诉案件新增件数中的多种;
9、指标值计算模块,用于对每个所述风险指标对应的所述多家企业进行分组,以得到与所述参考特征值集对应的多个第一组,及与所述验证特征值集对应的多个第二组;根据所述多家企业在每个所述第一组中的分布,以及在每个所述第二组中的分布,计算与每个所述风险指标对应的第一稳定指标值;
10、模型构建响应计算模块,用于将所述第一稳定指标值小于预设阈值的所述风险指标作为目标指标以构建企业风险评估模型,响应于构建的企业风险评估模型,以根据多家企业在历史时间段的第一风险评估得分和当前时间段的第二风险评估得分,计算每个所述风险指标对应的第二稳定指标值;其中,所述企业风险评估模型是基于对bp神经网络模型的训练得到的;所述第一风险评估得分和所述第二风险评估得分是通过基于层次分析法计算得出各个风险指标所占的指标权重计算得到的;
11、指标定位模型修正模块,用于基于所述第三稳定指标对引起模型不稳定的所述风险指标进行定位,并基于指标定位结果和修正系数对所述企业风险评估模型的模型参数进行迭代修正以得到修正后的企业风险评估模型。
12、本公开第三方面实施例提出了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如本公开第一方面实施例提出的基于指标监测的企业风险评估模型的风险指标定位方法。
13、本公开第四方面实施例提出了一种非临时性计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现如本公开第一方面实施例提出的基于指标监测的企业风险评估模型的风险指标定位方法。
14、本公开提供的基于指标监测的企业风险评估模型的风险指标定位方法、装置、设备及存储介质,存在如下有益效果:
15、本公开实施例中,获取多个风险指标对应的参考特征值集和验证特征值集,其中,所述参考特征值集和验证特征值集分别包括多家企业与历史时期对应的第一风险指标特征值和与当前时期对应的第二风险指标特征值;所述多个风险指标包括不良资产率、逾期率、风险项目比率、项目正常兑付率、穿仓业务比率、表外表内风险传导率、关联交易比率、单一客户、流动比率、被监管处罚次数和被诉案件新增件数中的多种;对每个所述风险指标对应的所述多家企业进行分组,以得到与所述参考特征值集对应的多个第一组,及与所述验证特征值集对应的多个第二组;根据所述多家企业在每个所述第一组中的分布,以及在每个所述第二组中的分布,计算与每个所述风险指标对应的第一稳定指标值;将所述第一稳定指标值小于预设阈值的所述风险指标作为目标指标以构建企业风险评估模型,响应于构建的企业风险评估模型,以根据多家企业在历史时间段的第一风险评估得分和当前时间段的第二风险评估得分,计算每个所述风险指标对应的第二稳定指标值;其中,所述企业风险评估模型是基于对bp神经网络模型的训练得到的;所述第一风险评估得分和所述第二风险评估得分是通过基于层次分析法计算得出各个风险指标所占的指标权重计算得到的;基于所述第三稳定指标对引起模型不稳定的所述风险指标进行定位,并基于指标定位结果和修正系数对所述企业风险评估模型的模型参数进行迭代修正以得到修正后的企业风险评估模型。由此,可以全面、多角度地检验企业风险评估模型的各个风险指标的稳定性,为企业提供更加准确、可靠的风险评估和决策支持。
16、本公开附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于指标监测的企业风险评估模型的风险指标定位方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,对BP神经网络模型进行训练,包括:预设模型的学习精度为0.0001,训练次数为200次,并对应目标指标建立一个11个输入节点,5个隐藏节点以及1个输出节点的BP神经网络模型,并将所述目标指标分为多组数据对BP神经网络模型进行训练,当网络误差小于第一预设误差阈值时停止训练;训练时的传递函数为:
3.根据权利要求1所述的方法,其特征在于,所述对每个所述风险指标对应的所述多家企业进行分组,以得到与所述参考特征值集对应的多个第一组,及与所述验证特征值集对应的多个第二组,包括:
4.根据权利要求1所述的方法,其特征在于,所述根据所述多家企业在每个所述第一组中的分布,以及在每个所述第二组中的分布,计算与每个所述风险指标对应的第一稳定指标值,包括:
5.根据权利要求1所述的方法,其特征在于,在所述计算与每个所述风险指标对应的第一稳定指标值之后,还包括:
6.根据权利要求1所述的方法,其特征在于,所述获取多个风险指标对
7.根据权利要求1所述的方法,所述获取多个风险指标对应的参考特征值集和验证特征值集,包括:
8.根据权利要求1所述的方法,其特征在于,所述基于所述第二稳定指标值对引起模型不稳定的所述风险指标进行定位,包括:
9.一种基于指标监测的企业风险评估模型的风险指标定位装置,其特征在于,包括:
10.根据权利要求9所述的装置,其特征在于,所述模型构建响应计算模块,还用于对BP神经网络模型进行训练,包括:预设模型的学习精度为0.0001,训练次数为200次,并对应目标指标建立一个11个输入节点,5个隐藏节点以及1个输出节点的BP神经网络模型,并将所述目标指标分为多组数据对BP神经网络模型进行训练,当网络误差小于第一预设误差阈值时停止训练;
...【技术特征摘要】
1.一种基于指标监测的企业风险评估模型的风险指标定位方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,对bp神经网络模型进行训练,包括:预设模型的学习精度为0.0001,训练次数为200次,并对应目标指标建立一个11个输入节点,5个隐藏节点以及1个输出节点的bp神经网络模型,并将所述目标指标分为多组数据对bp神经网络模型进行训练,当网络误差小于第一预设误差阈值时停止训练;训练时的传递函数为:
3.根据权利要求1所述的方法,其特征在于,所述对每个所述风险指标对应的所述多家企业进行分组,以得到与所述参考特征值集对应的多个第一组,及与所述验证特征值集对应的多个第二组,包括:
4.根据权利要求1所述的方法,其特征在于,所述根据所述多家企业在每个所述第一组中的分布,以及在每个所述第二组中的分布,计算与每个所述风险指标对应的第一稳定指标值,包括:
5.根据权利要求1所述的方法,其特征在于,在所...
【专利技术属性】
技术研发人员:杨竹策,樊浩峰,张伟,张伟冬,曲怀国,王思维,庞建兵,郭景博,陈敏,陈磊,谷岚,夏爽,乔峤,姜文凭,
申请(专利权)人:国家电投集团资本控股有限公司,
类型:发明
国别省市:
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。