债券发行体违约风险确定方法、装置、设备、介质及产品与流程

本发明实施例涉及人工智能，尤其涉及一种债券发行体违约风险确定方法、装置、设备、介质及产品。

背景技术：

1、近年来，信用债市场债券规模越来越大，受外部市场多种因素叠加影响，信用债违约概率也相应增加，一旦债券出现违约或者实质性风险，将对债券承销方、非金融企业信用债，造成不可估量的损失。

2、现有技术通常通过机器学习模型进行债券发行体违约概率的识别，由于债券市场多变，导致机器学习模型在债券发行体违约风险确定方面存在可泛化性较低的问题。

技术实现思路

1、本发明实施例提供了一种债券发行体违约风险确定方法、装置、设备、介质及产品，用以解决现有机器学习模型在债券发行体违约风险确定方面存在可泛化性较低的问题。

2、第一方面，本发明实施例提供了一种债券发行体违约风险确定方法，包括：

3、确定债券发行体数据集合对应的特征变量，所述债券发行体数据集合包括至少一个债券发行体数据；

4、将所述特征变量分别输入已训练的第一机器学习模型与已训练的第二机器学习模型，以得到债券发行体数据集合中的各债券发行体的第一债券发行体违约概率与第二债券发行体违约概率；

5、将所述第一债券发行体违约概率与所述第二债券发行体违约概率输入已训练的第三机器学习模型，以得到所述债券发行体数据集合中各债券发行体的债券发行体违约概率。

6、第二方面，本发明实施例还提供了一种债券发行体违约风险确定装置，该装置包括：

7、特征变量模块，用于确定债券发行体数据集合对应的特征变量；

8、第一违约概率模块，用于将所述特征变量分别输入已训练的第一机器学习模型与已训练的第二机器学习模型，以得到债券发行体数据集合中的各债券发行体的第一债券发行体违约概率与第二债券发行体违约概率；

9、第二违约概率模块，用于将所述第一债券发行体违约概率与所述第二债券发行体违约概率输入已训练的第三机器学习模型，以得到所述债券发行体数据集合中各债券发行体的债券发行体违约概率。

10、第三方面，本发明实施例还提供了一种电子设备，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发明实施例中任一所述的债券发行体违约风险确定方法。

11、第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的债券发行体违约风险确定方法。

12、第五方面，本发明实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如本发明实施例中任一所述的债券发行体违约风险确定方法。

13、本发明实施例提供的债券发行体违约风险确定方法的技术方案，通过将特征变量分别输入已训练的第一机器学习模型与已训练的第二机器学习模型，得到各债券发行体的两个债券发行体违约概率；通过已训练的第三机器学习模型综合各债券发行体的两个债券发行体违约概率确定各债券发行体的债券发行体违约概率；采用树状或分叉状的机器学习模型组合，可以实现机器学习模型之间的互补，使得模型组合整体上的可泛化性较高，有助于提高债券发行体违约概率确定的准确性。

技术特征：

1.一种债券发行体违约风险确定方法，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，所述债券发行体数据集合中的各债券发行体数据是基于必要要素标识与可选要素标识从所有债券发行体数据中筛选出来的，所述必要要素标识包括时间要素标识，所述可选要素标识包括行业要素标识与地区要素标识。

3.根据权利要求1所述的方法，其特征在于，所述得到所述债券发行体数据集合中各债券发行体的债券发行体违约概率之后，还包括：

4.根据权利要求3所述的方法，其特征在于，所述基于k校准法对各所述债券发行体违约概率进行校准，以得到校准后的各所述债券发行体违约概率，包括：

5.根据权利要求1-4任一所述的方法，其特征在于，债券发行体违约概率确定后，还包括：

6.根据权利要求1或3所述的方法，其特征在于，所述得到所述债券发行体数据集合中各债券发行体的债券发行体违约概率之后，还包括：

7.根据权利要求6所述的方法，其特征在于，所述确定债券发行体数据集合对应的特征变量之前，还包括：

8.根据权利要求7所述的方法，其特征在于，通过以下步骤确定所述风险指数展示请求，包括：

9.根据权利要求1所述的方法，其特征在于，所述第一机器学习模型与所述第二机器学习模型分别为随机森林模型与梯度提升模型，所述第三机器学习模型为逻辑回归模型。

10.根据权利要求1所述的方法，其特征在于，通过以下方法完成所述第三机器学习模型的训练，包括：

11.一种债券发行体违约风险确定装置，其特征在于，包括：

12.根据权利要求11所述的装置，其特征在于，还包括：

13.根据权利要求11所述的装置，其特征在于，还包括：

14.一种电子设备，其特征在于，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-10中任一所述的债券发行体违约风险确定方法。

15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-10中任一所述的债券发行体违约风险确定方法。

16.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序在被处理器执行时实现如权利要求1-10中任一项所述的债券发行体违约风险确定方法。

技术总结
本发明公开了一种债券发行体违约风险确定方法、装置、设备、介质及产品，本发明涉及人工智能技术领域。该方法包括：确定债券发行体数据集合对应的特征变量，债券发行体数据集合包括至少一个债券发行体数据；将特征变量分别输入已训练的第一机器学习模型与已训练的第二机器学习模型，以得到债券发行体数据集合中的各债券发行体的第一债券发行体违约概率与第二债券发行体违约概率；将第一债券发行体违约概率与第二债券发行体违约概率输入已训练的第三机器学习模型，以得到债券发行体数据集合中各债券发行体的债券发行体违约概率。本发明的技术方案能够解决现有机器学习模型在债券发行体违约风险确定方面存在可泛化性较低的问题。

技术研发人员：吴超荣,夏成扬,詹丽娟
受保护的技术使用者：中国建设银行股份有限公司
技术研发日：
技术公布日：2024/1/13