零售类资产的不良概率调整方法、装置和存储介质与流程

本发明涉及计算机技术领域，特别涉及一种零售类资产的不良概率调整方法、装置和存储介质。

背景技术：

随着市场经济的不断发展，企业的竞争越来越激烈，市场风险也越来越难以控制。而在金融机构的资本经营的过程中，资本风险包括信用风险、操作性风险和市场风险。信用风险是指交易对手不能按照合同规定按时偿还其债务的可能性及严重程度，是最严重的资本风险。可见，信用风险的存在，将会对金融机构造成一定的信用损失，对于金融机构来说，应对资产的预期信用损失进行预测，为信用风险的发生提供资金准备。

目前，新会计准则要求零售类资产(零售类资产即金融机构的个人业务所产生的资产，例如，零售贷款等)的预期信用损失计量体现前瞻性，即用于计量预期信用损失的风险参数(风险参数包括资产累计不良概率、风险敞口、违约损失率)要反映未来宏观经济变化的趋势。但新会计准则并未对如何通过风险参数反映未来宏观经济变化的趋势提出指导性意见，给金融机构实施该准则要求带来难度。

计量预期信用损失的风险参数包括资产的不良概率、风险敞口、违约损失率。其中，资产的不良概率是指资产的风险等级由原有等级(非预设不良等级)迁移至一预设不良等级(预设不良等级为高风险等级)的概率，当一资产的风险等级达到该预设不良等级时，认为该资产交易对手不能按照合同规定按时偿还其债务的可能性达到预警值。可见，资产的不良概率可一定程度的反映信用风险，而未来宏观经济变化的趋势对信用风险存在较大的影响，即对资产的不良概率的数值存在较大的影响，如若在资产的不良概率的计算过程中体现前瞻性，即可解决在零售类资产的预期信用损失计量体现前瞻性的问题。

技术实现要素：

本发明的主要目的是提供一种零售类资产的不良概率调整方法、装置和存储介质，旨在解决如何基于宏观经济的变化趋势计算资产的不良概率的问题。

为实现上述目的，本发明提出一种电子装置，所述电子装置包括存储器和处理器，所述存储器上存储有零售类资产的不良概率调整程序，所述零售类资产的不良概率调整程序被所述处理器执行时实现如下步骤：

预测步骤：获取每一个待处理指标在预先确定的第一历史时期的实测值，并将每一个待处理指标在所述第一历史时期的实测值输入至预先构建的预测模型中，供所述预测模型基于预先确定的若干个预测场景进行预测分析，得到各个预测场景对应的预测结果，所述预测结果包括每一个待处理指标在若干个预先确定的预测时期的预测值；

计算步骤：分别将各个预测场景对应的预测结果输入至预先确定的回归方程进行计算，得到各个预测场景下预设风险因子在每一个预测时期的预测值；

第一调整步骤：将各个预测场景下预设风险因子在每一个预测时期的预测值进行调整，得到各个预测场景下每一个预测时期对应的预设风险因子的调整值；

第二调整步骤：获取一笔待处理资产在每一个预测时期的边际不良概率，并分别在各个预测场景下根据每一个预测时期对应的风险因子的调整值及预先确定的调整规则，对所述待处理资产在每一个预测时期的边际不良概率进行调整，得到每一个预测时期对应的边际不良概率的调整值。

优选地，所述第一调整步骤包括：

获取所述预设风险因子在多个预先确定的第二历史时期的实测值，并计算获取的所述实测值的算术平均值；

利用第一预设公式，分别在各个预测场景下将所述预设风险因子在每一个预测时期的预测值进行调整，得到每一个预测时期对应的预设风险因子的调整值；

所述第一预设公式包括：

z’代表一预测时期对应的预设风险因子的调整值，z代表所述预测时期对应的预设风险因子的预测值，μ代表所述算术平均值。

优选地，所述调整规则包括：

在一预测场景下，将一个预测时期对应的预设风险因子的调整值、所述待处理资产在所述预测时期的边际不良概率及所述预测时期对应的预设风险因子的调整值代入至第二预设公式进行计算，得到所述预测时期对应的边际不良概率的调整值；

所述第二预设公式包括：

pr′＝pr×z′

其中，pr’代表所述预测时期对应的边际不良概率的调整值，pr代表所述待处理资产在所述预测时期的边际不良概率，z’代表所述预测时期对应的预设风险因子的调整值。

优选地，所述处理器执行所述零售类资产的不良概率调整程序，在所述预测步骤之前，还实现以下步骤：

获取各个待处理指标在预先确定的多个采样时期的实测值及所述预设风险因子在所述多个采样时期的实测值；

将所述待处理指标作为自变量，且将所述预设风险因子作为因变量，对各个待处理指标在所述多个采样时期的实测值及所述预设风险因子在所述多个采样时期的实测值进行回归分析，得到回归方程：

z代表所述预设风险因子，xk代表第k个待处理指标，a0、ak代表回归系数，其中，k∈[1，n]，n代表所述待处理指标的总数量，n、k为正整数。

优选地，所述处理器执行所述零售类资产的不良概率调整程序，在所述预测步骤之前，还实现以下步骤：

从预先确定的指标集合中筛选出若干个指标作为待处理指标，所述指标集合中包括多个预先确定的指标。

此外，为实现上述目的，本发明还提出一种零售类资产的不良概率调整方法，该方法包括步骤：

预测步骤：获取每一个待处理指标在预先确定的第一历史时期的实测值，并将每一个待处理指标在所述第一历史时期的实测值输入至预先构建的预测模型中，供所述预测模型基于预先确定的若干个预测场景进行预测分析，得到各个预测场景对应的预测结果，所述预测结果包括每一个待处理指标在若干个预先确定的预测时期的预测值；

计算步骤：分别将各个预测场景对应的预测结果输入至预先确定的回归方程进行计算，得到各个预测场景下预设风险因子在每一个预测时期的预测值；

第一调整步骤：将各个预测场景下预设风险因子在每一个预测时期的预测值进行调整，得到各个预测场景下每一个预测时期对应的预设风险因子的调整值；

第二调整步骤：获取一笔待处理资产在每一个预测时期的边际不良概率，并分别在各个预测场景下根据每一个预测时期对应的风险因子的调整值及预先确定的调整规则，对所述待处理资产在每一个预测时期的边际不良概率进行调整，得到每一个预测时期对应的边际不良概率的调整值。

优选地，所述第一调整步骤包括：

获取所述预设风险因子在多个预先确定的第二历史时期的实测值，并计算获取的所述实测值的算术平均值；

利用第一预设公式，分别在各个预测场景下将所述预设风险因子在每一个预测时期的预测值进行调整，得到每一个预测时期对应的预设风险因子的调整值；

所述第一预设公式包括：

z’代表一预测时期对应的预设风险因子的调整值，z代表所述预测时期对应的预设风险因子的预测值，μ代表所述算术平均值。

优选地，所述调整规则包括：

在一预测场景下，将一个预测时期对应的预设风险因子的调整值、所述待处理资产在所述预测时期的边际不良概率及所述预测时期对应的预设风险因子的调整值代入至第二预设公式进行计算，得到所述预测时期对应的边际不良概率的调整值；

所述第二预设公式包括：

pr′＝pr×z′

其中，pr’代表所述预测时期对应的边际不良概率的调整值，pr代表所述待处理资产在所述预测时期的边际不良概率，z’代表所述预测时期对应的预设风险因子的调整值。

优选地，在所述预测步骤之前，该方法还包括：

获取各个待处理指标在预先确定的多个采样时期的实测值及所述预设风险因子在所述多个采样时期的实测值；

将所述待处理指标作为自变量，且将所述预设风险因子作为因变量，对各个待处理指标在所述多个采样时期的实测值及所述预设风险因子在所述多个采样时期的实测值进行回归分析，得到回归方程：

z代表所述预设风险因子，xk代表第k个待处理指标，a0、ak代表回归系数，其中，k∈[1，n]，n代表所述待处理指标的总数量，n、k为正整数。

此外，为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有零售类资产的不良概率调整程序，所述零售类资产的不良概率调整程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述任一项所述的零售类资产的不良概率调整方法的步骤。

相较于现有技术，本发明根据多个宏观经济指标预测预设风险因子，再根据每一个预测时期对应的预设风险因子的调整值及预先确定的调整规则，对待处理资产在每一个预测时期的边际不良概率进行调整，得到每一个预测时期对应的边际不良概率的调整值，因此，该边际不良概率的调整值即体现了宏观经济的变化趋势对资产的不良概率的影响。

附图说明

为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1为本发明零售类资产的不良概率调整程序一实施例的运行环境示意图；

图2为本发明零售类资产的不良概率调整程序一实施例的程序模块图；

图3为本发明零售类资产的不良概率调整方法一实施例的流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

本发明提出一种零售类资产的不良概率调整程序。

请参阅图1，是本发明零售类资产的不良概率调整程序10一实施例的运行环境示意图。

在本实施例中，零售类资产的不良概率调整程序10安装并运行于电子装置1中。电子装置1可以是桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子装置1可包括，但不仅限于，存储器11、处理器12及显示器13。图1仅示出了具有组件11-13的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

存储器11在一些实施例中可以是电子装置1的内部存储单元，例如该电子装置1的硬盘或内存。存储器11在另一些实施例中也可以是电子装置1的外部存储设备，例如电子装置1上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，存储器11还可以既包括电子装置1的内部存储单元也包括外部存储设备。存储器11用于存储安装于电子装置1的应用软件及各类数据，例如零售类资产的不良概率调整程序10的程序代码等。存储器11还可以用于暂时地存储已经输出或者将要输出的数据。

处理器12在一些实施例中可以是一中央处理器(centralprocessingunit,cpu)，微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行零售类资产的不良概率调整程序10等。

显示器13在一些实施例中可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organiclight-emittingdiode，有机发光二极管)触摸器等。显示器13用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。电子装置1的部件11-13通过程序总线相互通信。

请参阅图2，是本发明零售类资产的不良概率调整程序10一实施例的程序模块图。在本实施例中，零售类资产的不良概率调整程序10可以被分割成一个或多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行，以完成本发明。例如，在图2中，零售类资产的不良概率调整程序10可以被分割成预测模块101、计算模块102、第一调整模块103及第二调整模块104。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述零售类资产的不良概率调整程序10在电子装置1中的执行过程，其中：

预测模块101，用于获取每一个待处理指标在预先确定的第一历史时期的实测值，并将每一个待处理指标在所述第一历史时期的实测值输入至预先构建的预测模型中，供所述预测模型基于预先确定的若干个预测场景进行预测分析，得到各个预测场景对应的预测结果。

预测模块101预先选取多个指标，用于构建指标集合。在本实施例中，该指标为宏观经济指标，例如，国内生产总值(grossdomesticproduct，gdp)、居民消费价格指数(consumerpriceindex，cpi)、狭义货币供应量(又称m1，用于反映着经济中的现实购买力)、广义货币供应量(又称m2，用于同时反映现实和潜在购买力)、商品房销售额、固定资产投资完成额、贷款基准利率、采购经理指数(purchasingmanagers'index，pmi)等。在其他实施例中，该指标可为其他任何适用的指标。

然后，预测模块101从指标集合中筛选出若干个指标作为待处理指标。其筛选方法包括步骤s01～s04(图中未示出)，其中：

步骤s01，对各指标与预设风险因子(例如，违约概率)之间的相关性进行分析，得到各指标与预设风险因子之间的相关度值。

如，通过延滞阶数分析法、相关性分析法、经济含义检验法、指标系数显著性检验法、模型预测效果检验法等对各指标与预设风险因子之间的相关度(即各指标对预设风险因子的影响程度)进行分析，得到各指标与预设风险因子之间的相关度值。

步骤s02，根据各指标与预设风险因子之间的相关度值由大到小的顺序，对指标集合中的所有指标进行排序，得到指标序列。

步骤s03，从指标序列中选择排序靠前的第一预设数量的指标作为待处理指标。

步骤s04，对第一预设数量的待处理指标进行进一步筛选(例如，利用时序平稳性分析法、指标共线性检验法、协整性检验法、残差自相关检验法等方法进行筛选)，得到第二预设数量(例如，四个)的待处理指标。

上述时序平稳性分析法、指标共线性检验法、协整性检验法、残差自相关检验法等方法是对各个待处理指标之间的相关度进行分析，查找出相互之间相关度较高的待处理指标，以确保后续预测模型得到的预测结果的有效性。

接着，预测模块101获取筛选得到的每一个待处理指标在所述第一历史时期的实测值。

最后，预测模块101将每一个待处理指标在第一历史时期的实测值输入至预先构建的预测模型中，该预测模型基于若干个预测场景(例如，该预测场景包括：不利、基准及乐观)进行预测分析，得到各个预测场景对应的预测结果。

其中，所述预测结果包括每一个待处理指标在若干个预先确定的预测时期的预测值。

需要注意的是，本实施例对预测时期的数量不作限定。例如，若第一历史时期为k年第四季度，则预测时期可以是k+1年第一季度、k+1年第二季度、k+1年第三季度、k+1年第四季度、k+2年第一季度、k+2年第二季度、k+2年第三季度、k+2年第四季度，共八个预测时期。

在本实施例中，所述预测模型可以是向量误差修正模型(又称vecm模型)。在其他实施例中，所述预测模型还可以是其他任何适用的模型。

计算模块102，分别将各个预测场景对应的预测结果输入至预先确定的回归方程进行计算，得到各个预测场景下预设风险因子在每一个预测时期的预测值。

所述回归方程的建立方法包括：

获取各个待处理指标在预先确定的多个采样时期(例如，将时长为20年的历史时间区间中的每一个季度作为采样时期)的实测值及所述预设风险因子在所述多个采样时期的实测值。

将所述待处理指标作为自变量，且将所述预设风险因子作为因变量，对各个待处理指标在所述多个采样时期的实测值及所述预设风险因子在所述多个采样时期的实测值进行回归分析(即根据各个待处理指标在所述多个采样时期的实测值及所述预设风险因子在所述多个采样时期的实测值，求回归方程的回归系数)，得到回归方程：

z代表所述预设风险因子，xk代表第k个待处理指标，a0、ak代表回归系数，其中，k∈[1，n]，n代表所述待处理指标的总数量，n、k为正整数。

第一调整模块103，用于将各个预测场景下预设风险因子在每一个预测时期的预测值进行调整，得到各个预测场景下每一个预测时期对应的预设风险因子的调整值。

例如，首先，第一调整模块103获取所述预设风险因子在多个预先确定的第二历史时期的实测值，并计算获取的所述实测值的算术平均值；

然后，第一调整模块103利用第一预设公式，分别在各个预测场景下将所述预设风险因子在每一个预测时期的预测值进行调整，得到每一个预测时期对应的预设风险因子的调整值。

其中，所述第一预设公式包括：

z’代表一预测时期对应的预设风险因子的调整值，z代表所述预测时期对应的预设风险因子的预测值，μ代表所述算术平均值。

第二调整模块104，用于获取一笔待处理资产在每一个预测时期的边际不良概率，并分别在各个预测场景下根据每一个预测时期对应的风险因子的调整值及预先确定的调整规则，对所述待处理资产在每一个预测时期的边际不良概率进行调整，得到每一个预测时期对应的边际不良概率的调整值。

本实施例中，上述一笔待处理资产可以是一笔零售类资产(例如，零售贷款等)，在其他实施例中，该待处理资产可以是任何适用的对象。

获取一笔待处理资产在一预测时期的边际不良概率的方法包括步骤s41～s49(图中未示出)：

步骤s41，确定零售贷款产品(该笔待处理资产对应的零售贷款产品)在目标还款月份之前的各还款月份的放款金额，并获取所述各还款月份的放款金额从放款月份至所述目标还款月份之间每个还款月份的应还款金额和实际还款金额。

步骤s42，根据所述应还款金额和实际还款金额，计算从放款月份至所述目标还款月份之间每个还款月份中，逾期资产由上一逾期级别滚动至下一逾期级别的滚动率，其中，应还款金额中到期未偿还的部分为逾期资产，根据预设的级别划分规则将逾期资产划分为多个逾期级别，逾期资产的逾期级别与逾期时长成正比。例如，将逾期资产分为m0、m1、m2、m3、m4、m5和m6共七个级别，m0为资产未逾期，m1为资产逾期1个月，m2为资产逾期2个月，m3为资产逾期3个月，m4为资产逾期4个月，m5为资产逾期5个月，m6为资产逾期6个月及6个月以上。

步骤s43，根据所述滚动率，计算所述目标还款月份中逾期资产由各逾期级别迁徙至不良资产级别的年化迁徙率，其中，若逾期资产的逾期级别大于或等于预设逾期级别(例如，预设逾期级别为m4)，则该逾期资产为不良资产。

步骤s44，重复执行所述步骤s41至步骤s43，以计算该笔待处理资产从首次放贷至当前时间之间的全部还款月份对应的各逾期级别的年化迁徙率，并根据每个还款月份的各逾期级别对应的各逾期级别的年化迁徙率和所述放款金额，计算该零售贷款产品在各逾期级别的加权平均年化迁徙率。

步骤s45，将零售贷款产品在各逾期级别的加权平均年化迁徙率进行月度化处理，得到该零售贷款产品在各逾期级别的月度迁徙率。

例如，月度迁徙率(m0-m4)＝1-(1-加权平均年化迁徙率(m0-m4))^(1/12)；

月度迁徙率(m1-m4)＝1-(1-加权平均年化迁徙率(m1-m4))^(1/12)；

月度迁徙率(m2-m4)＝1-(1-加权平均年化迁徙率(m2-m4))^(1/12)；

月度迁徙率(m3-m4)＝1-(1-加权平均年化迁徙率(m3-m4))^(1/12)；

月度迁徙率(m4-m4)＝100％；

月度迁徙率(m5-m4)＝100％；

月度迁徙率(m6-m4)＝100％；

步骤s46，根据该零售贷款产品在各逾期级别的月度迁徙率，计算该零售贷款产品在各逾期级别的第1～n月累积迁徙率。

以逾期级别m0为例，参照如下公式计算逾期级别m0的第1～n月累积迁徙率：

第一月累积迁徙率(m0-m4)＝(月度迁徙率(m0-m4))；

第二月累积迁徙率(m0-m4)＝1-(1-月度迁徙率(m0-m4))*(1-首月累积迁徙率(m0-m4))；

第三月累积迁徙率(m0-m4)＝1-(1-月度迁徙率(m0-m4))*(1-第2月累积迁徙率(m0-m4))；

第n月累积迁徙率(m0-m4)＝1-(1-月度迁徙率(m0-m4))*(1-第n-1月累积迁徙率(m0-m4))。

m1、m2、m3的第1～n月累积迁徙率可参照上述方法计算，m4、m5、m6的第1～n月累积迁徙率均为100％。

步骤s47，获取该笔待处理资产的逾期级别作为待处理级别，从该零售贷款产品在各逾期级别的第1～n月累积迁徙率中提取出该待处理级别对应的第1～n月累积迁徙率。

步骤s48，确定一预测时期的起始时间点与终止时间点对应的还款月份数，根据该待处理级别对应的第1～n月累积迁徙率、所述起始时间点对应的还款月份数及所述终止时间点对应的还款月份数，确定所述起始时间点的累积迁徙率，以及所述终止时间点的累积迁徙率。

步骤s49，将所述起始时间点的累积迁徙率以及所述终止时间点的累积迁徙率代入至第三预设公式进行计算，得到该笔待处理资产在该预测时期的边际不良概率。

所述第三预设公式包括：

其中，prt1t2代表所述预测时期[t1，t2]对应的边际不良概率，prt1代表所述起始时间点的累积迁徙率，prt2为所述终止时间点的累积迁徙率。

此外，在本实施例中，所述调整规则包括：

在一预测场景下，将一个预测时期对应的预设风险因子的调整值、所述待处理资产在所述预测时期的边际不良概率及所述预测时期对应的预设风险因子的调整值代入至第二预设公式进行计算，得到所述预测时期对应的边际不良概率的调整值；

所述第二预设公式包括：

pr′＝pr×z′

其中，pr’代表所述预测时期对应的边际不良概率的调整值，pr代表所述待处理资产在所述预测时期的边际不良概率，z’代表所述预测时期对应的预设风险因子的调整值。

相较于现有技术，本发明根据多个宏观经济指标预测预设风险因子，再根据每一个预测时期对应的预设风险因子的调整值及预先确定的调整规则，对待处理资产在每一个预测时期的边际不良概率进行调整，得到每一个预测时期对应的边际不良概率的调整值，因此，该边际不良概率的调整值即体现了宏观经济的变化趋势对资产的不良概率的影响。

此外，本发明提出一种零售类资产的不良概率调整方法。

如图3所示，图3为本发明零售类资产的不良概率调整方法一实施例的流程示意图。

本实施例中，该方法包括：

步骤s10，获取每一个待处理指标在预先确定的第一历史时期的实测值，并将每一个待处理指标在所述第一历史时期的实测值输入至预先构建的预测模型中，供所述预测模型基于预先确定的若干个预测场景进行预测分析，得到各个预测场景对应的预测结果。

预先选取多个指标，用于构建指标集合。在本实施例中，该指标为宏观经济指标，例如，国内生产总值(grossdomesticproduct，gdp)、居民消费价格指数(consumerpriceindex，cpi)、狭义货币供应量(又称m1，用于反映着经济中的现实购买力)、广义货币供应量(又称m2，用于同时反映现实和潜在购买力)、商品房销售额、固定资产投资完成额、贷款基准利率、采购经理指数(purchasingmanagers'index，pmi)等。在其他实施例中，该指标可为其他任何适用的指标。

然后，从指标集合中筛选出若干个指标作为待处理指标。其筛选方法包括步骤s01～s04(图中未示出)，其中：

步骤s01，对各指标与预设风险因子(例如，违约概率)之间的相关性进行分析，得到各指标与预设风险因子之间的相关度值。

如，通过延滞阶数分析法、相关性分析法、经济含义检验法、指标系数显著性检验法、模型预测效果检验法等对各指标与预设风险因子之间的相关度(即各指标对预设风险因子的影响程度)进行分析，得到各指标与预设风险因子之间的相关度值。

步骤s02，根据各指标与预设风险因子之间的相关度值由大到小的顺序，对指标集合中的所有指标进行排序，得到指标序列。

步骤s03，从指标序列中选择排序靠前的第一预设数量的指标作为待处理指标。

步骤s04，对第一预设数量的待处理指标进行进一步筛选(例如，利用时序平稳性分析法、指标共线性检验法、协整性检验法、残差自相关检验法等方法进行筛选)，得到第二预设数量(例如，四个)的待处理指标。

上述时序平稳性分析法、指标共线性检验法、协整性检验法、残差自相关检验法等方法是对各个待处理指标之间的相关度进行分析，查找出相互之间相关度较高的待处理指标，以确保后续预测模型得到的预测结果的有效性。

接着，获取筛选得到的每一个待处理指标在所述第一历史时期的实测值。

最后，将每一个待处理指标在第一历史时期的实测值输入至预先构建的预测模型中，该预测模型基于若干个预测场景(例如，该预测场景包括：不利、基准及乐观)进行预测分析，得到各个预测场景对应的预测结果。

其中，所述预测结果包括每一个待处理指标在若干个预先确定的预测时期的预测值。

需要注意的是，本实施例对预测时期的数量不作限定。例如，若第一历史时期为k年第四季度，则预测时期可以是k+1年第一季度、k+1年第二季度、k+1年第三季度、k+1年第四季度、k+2年第一季度、k+2年第二季度、k+2年第三季度、k+2年第四季度，共八个预测时期。

在本实施例中，所述预测模型可以是向量误差修正模型(又称vecm模型)。在其他实施例中，所述预测模型还可以是其他任何适用的模型。

步骤s20，分别将各个预测场景对应的预测结果输入至预先确定的回归方程进行计算，得到各个预测场景下预设风险因子在每一个预测时期的预测值。

所述回归方程的建立方法包括：

获取各个待处理指标在预先确定的多个采样时期(例如，将时长为20年的历史时间区间中的每一个季度作为采样时期)的实测值及所述预设风险因子在所述多个采样时期的实测值。

将所述待处理指标作为自变量，且将所述预设风险因子作为因变量，对各个待处理指标在所述多个采样时期的实测值及所述预设风险因子在所述多个采样时期的实测值进行回归分析(即根据各个待处理指标在所述多个采样时期的实测值及所述预设风险因子在所述多个采样时期的实测值，求回归方程的回归系数)，得到回归方程：

z代表所述预设风险因子，xk代表第k个待处理指标，a0、ak代表回归系数，其中，k∈[1，n]，n代表所述待处理指标的总数量，n、k为正整数。

步骤s30，将各个预测场景下预设风险因子在每一个预测时期的预测值进行调整，得到各个预测场景下每一个预测时期对应的预设风险因子的调整值。

例如，首先，获取所述预设风险因子在多个预先确定的第二历史时期的实测值，并计算获取的所述实测值的算术平均值；

然后，利用第一预设公式，分别在各个预测场景下将所述预设风险因子在每一个预测时期的预测值进行调整，得到每一个预测时期对应的预设风险因子的调整值。

其中，所述第一预设公式包括：

z’代表一预测时期对应的预设风险因子的调整值，z代表所述预测时期对应的预设风险因子的预测值，μ代表所述算术平均值。

步骤s40，获取一笔待处理资产在每一个预测时期的边际不良概率，并分别在各个预测场景下根据每一个预测时期对应的风险因子的调整值及预先确定的调整规则，对所述待处理资产在每一个预测时期的边际不良概率进行调整，得到每一个预测时期对应的边际不良概率的调整值。

本实施例中，上述一笔待处理资产可以是一笔零售类资产(例如，零售贷款等)，在其他实施例中，该待处理资产可以是任何适用的对象。

获取一笔待处理资产在一预测时期的边际不良概率的方法包括步骤s41～s49(图中未示出)：

步骤s41，确定零售贷款产品(该笔待处理资产对应的零售贷款产品)在目标还款月份之前的各还款月份的放款金额，并获取所述各还款月份的放款金额从放款月份至所述目标还款月份之间每个还款月份的应还款金额和实际还款金额。

步骤s42，根据所述应还款金额和实际还款金额，计算从放款月份至所述目标还款月份之间每个还款月份中，逾期资产由上一逾期级别滚动至下一逾期级别的滚动率，其中，应还款金额中到期未偿还的部分为逾期资产，根据预设的级别划分规则将逾期资产划分为多个逾期级别，逾期资产的逾期级别与逾期时长成正比。例如，将逾期资产分为m0、m1、m2、m3、m4、m5和m6共七个级别，m0为资产未逾期，m1为资产逾期1个月，m2为资产逾期2个月，m3为资产逾期3个月，m4为资产逾期4个月，m5为资产逾期5个月，m6为资产逾期6个月及6个月以上。

步骤s43，根据所述滚动率，计算所述目标还款月份中逾期资产由各逾期级别迁徙至不良资产级别的年化迁徙率，其中，若逾期资产的逾期级别大于或等于预设逾期级别(例如，预设逾期级别为m4)，则该逾期资产为不良资产。

步骤s44，重复执行所述步骤s41至步骤s43，以计算该笔待处理资产从首次放贷至当前时间之间的全部还款月份对应的各逾期级别的年化迁徙率，并根据每个还款月份的各逾期级别对应的各逾期级别的年化迁徙率和所述放款金额，计算该零售贷款产品在各逾期级别的加权平均年化迁徙率。

步骤s45，将零售贷款产品在各逾期级别的加权平均年化迁徙率进行月度化处理，得到该零售贷款产品在各逾期级别的月度迁徙率。

例如，月度迁徙率(m0-m4)＝1-(1-加权平均年化迁徙率(m0-m4))^(1/12)；

月度迁徙率(m1-m4)＝1-(1-加权平均年化迁徙率(m1-m4))^(1/12)；

月度迁徙率(m2-m4)＝1-(1-加权平均年化迁徙率(m2-m4))^(1/12)；

月度迁徙率(m3-m4)＝1-(1-加权平均年化迁徙率(m3-m4))^(1/12)；

月度迁徙率(m4-m4)＝100％；

月度迁徙率(m5-m4)＝100％；

月度迁徙率(m6-m4)＝100％；

步骤s46，根据该零售贷款产品在各逾期级别的月度迁徙率，计算该零售贷款产品在各逾期级别的第1～n月累积迁徙率。

以逾期级别m0为例，参照如下公式计算逾期级别m0的第1～n月累积迁徙率：

第一月累积迁徙率(m0-m4)＝(月度迁徙率(m0-m4))；

第二月累积迁徙率(m0-m4)＝1-(1-月度迁徙率(m0-m4))*(1-首月累积迁徙率(m0-m4))；

第三月累积迁徙率(m0-m4)＝1-(1-月度迁徙率(m0-m4))*(1-第2月累积迁徙率(m0-m4))；

第n月累积迁徙率(m0-m4)＝1-(1-月度迁徙率(m0-m4))*(1-第n-1月累积迁徙率(m0-m4))。

m1、m2、m3的第1～n月累积迁徙率可参照上述方法计算，m4、m5、m6的第1～n月累积迁徙率均为100％。

步骤s47，获取该笔待处理资产的逾期级别作为待处理级别，从该零售贷款产品在各逾期级别的第1～n月累积迁徙率中提取出该待处理级别对应的第1～n月累积迁徙率。

步骤s48，确定一预测时期的起始时间点与终止时间点对应的还款月份数，根据该待处理级别对应的第1～n月累积迁徙率、所述起始时间点对应的还款月份数及所述终止时间点对应的还款月份数，确定所述起始时间点的累积迁徙率，以及所述终止时间点的累积迁徙率。

步骤s49，将所述起始时间点的累积迁徙率以及所述终止时间点的累积迁徙率代入至第三预设公式进行计算，得到该笔待处理资产在该预测时期的边际不良概率。

所述第三预设公式包括：

其中，prt1t2代表所述预测时期[t1，t2]对应的边际不良概率，prt1代表所述起始时间点的累积迁徙率，prt2为所述终止时间点的累积迁徙率。

此外，在本实施例中，所述调整规则包括：

在一预测场景下，将一个预测时期对应的预设风险因子的调整值、所述待处理资产在所述预测时期的边际不良概率及所述预测时期对应的预设风险因子的调整值代入至第二预设公式进行计算，得到所述预测时期对应的边际不良概率的调整值；

所述第二预设公式包括：

pr′＝pr×z′

其中，pr’代表所述预测时期对应的边际不良概率的调整值，pr代表所述待处理资产在所述预测时期的边际不良概率，z’代表所述预测时期对应的预设风险因子的调整值。

相较于现有技术，本发明根据多个宏观经济指标预测预设风险因子，再根据每一个预测时期对应的预设风险因子的调整值及预先确定的调整规则，对待处理资产在每一个预测时期的边际不良概率进行调整，得到每一个预测时期对应的边际不良概率的调整值，因此，该边际不良概率的调整值即体现了宏观经济的变化趋势对资产的不良概率的影响。

进一步地，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有零售类资产的不良概率调整程序，所述零售类资产的不良概率调整程序可被至少一个处理器执行，以使所述至少一个处理器执行上述任一实施例中的零售类资产的不良概率调整方法。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。