市场主体的信用风险预警方法、设备及存储介质与流程

本技术涉及风险预警，具体而言，涉及一种市场主体的信用风险预警方法、设备及存储介质。

背景技术：

1、通过科学研判企业违法失信的风险高低，并根据风险评估结果针对突出问题和风险隐患进行加强抽查检查，能够实现监管资源合理配置和高效利用，从而提升监管综合效能，更好地推动经济社会高质量发展。

2、目前，对于市场主体的信用风险预警主要集中在企业主体，通过获取企业的某些重点关注指标进行持续监测并基于阈值进行预警，能够及时发现信用风险较高的市场主体。

3、然而，现有的信用风险预警方案往往是直接采用基于业务经验设置的初始阈值进行预警，或是根据超过初始阈值的对象所占比例对初始阈值进行微调后确定最终的预警阈值。这些方案设置的预警阈值较为固定，且对业务经验的依赖程度较高，因此无法及时适应于风险情况的变化，导致对市场主体进行信用风险预警的准确性不高。

技术实现思路

1、本技术实施例的目的在于提供一种市场主体的信用风险预警方法、设备及存储介质，用以提高对市场主体进行信用风险预警的准确性。

2、第一方面，本技术实施例提供了一种市场主体的信用风险预警方法，包括：

3、对目标市场主体确定当前需要监测的至少一目标预警指标；

4、基于每一所述目标预警指标，获取对应于目标预警指标的指标数据，并基于自适应调整的预警阈值和所述指标数据对所述目标市场主体进行风险预警监测；

5、其中，所述预警阈值为基于历史指标数据和历史风险数据的关系进行确定，所述历史指标数据为所述目标预警指标对应的预设历史时段内的指标数据，所述历史风险数据为所述目标市场主体在所述预设历史时段内的风险评估数据。

6、在本技术实施例中，通过基于历史的指标数据和风险数据的关系对预警阈值进行自适应调整，能够及时调整预警阈值以适应指标与风险之间的关系变化，从而提高对市场主体进行信用风险预警的准确性。

7、在一些可能的实施例中，所述预警阈值的自适应调整方法包括：

8、响应于针对于所述目标预警指标的阈值调整指令，基于所述历史指标数据确定对应于所述目标预警指标的预警指标变量数据，并基于所述历史风险数据确定对应于所述目标市场主体的风险变量数据；

9、基于所述预警指标变量数据作为自变量，基于所述风险变量数据作为因变量，构建对应于所述预警指标变量数据与所述风险变量数据的分段回归模型，并基于所述分段回归模型的分段点确定当前时刻的预警阈值。

10、在本技术实施例中，通过在响应阈值调整指令时触发对阈值的自适应调整，并基于指标变量数据和风险变量数据分别作为自变量和因变量以利用分段回归模型的分段点来确定当前的预警阈值，从而进一步提高信用风险预警的准确性。

11、在一些可能的实施例中，所述基于所述历史指标数据确定对应于所述目标预警指标的预警指标变量数据，包括：

12、将所述历史指标数据转换为时间序列信号，并利用小波收缩去噪的方法对所述时间序列信号进行去噪处理，得到预警指标变量数据。

13、在本技术实施例中，通过利用小波函数对历史指标数据进行去噪处理，得到用于确定预警阈值的预警指标变量数据，从而进一步提高预警阈值调整的准确性。

14、在一些可能的实施例中，所述基于所述历史风险数据确定对应于所述目标市场主体的风险变量数据，包括：

15、基于所述目标市场主体在所述预设历史时段内的多个维度的风险特征数据，利用预设的权重规则对所述多个维度的风险特征数据进行加权叠加计算，得到所述目标市场主体在所述预设历史时段内的风险变量数据。

16、在本技术实施例中，通过基于多个维度的风险特征数据进行加权叠加得到风险变量数据，从而进一步提高预警阈值调整的准确性。

17、在一些可能的实施例中，所述将所述历史指标数据转换为时间序列信号，并利用小波收缩去噪的方法对所述时间序列信号进行去噪处理，得到预警指标变量数据，包括：

18、将所述历史指标数据转换为时间序列信号，基于预设的小波基函数对所述时间序列信号进行小波分解，得到对应于所述小波基函数的若干个小波系数；

19、对所述若干个小波系数进行阈值处理，得到处理后的至少一目标小波系数；

20、基于所述至少一目标小波系数进行小波重构，得到预警指标变量数据。

21、在本技术实施例中，具体通过小波分解并基于阈值处理以对历史指标数据进行去噪处理，从而进一步提高预警阈值调整的准确性。

22、在一些可能的实施例中，所述基于所述预警指标变量数据作为自变量，基于所述风险变量数据作为因变量，构建对应于所述预警指标变量数据与所述风险变量数据的分段回归模型，并基于所述分段回归模型的分段点确定当前时刻的预警阈值，包括：

23、基于所述预警指标变量数据作为自变量，基于所述风险变量数据作为因变量，构建对应于所述预警指标变量数据与所述风险变量数据的分段回归模型；

24、将所述分段回归模型分解为若干个包含连续两段分段函数的单位回归模型，并从若干个单位回归模型中筛选出拟合优度最高的目标单位回归模型；

25、基于所述目标单位回归模型的分段点确定当前时刻的预警阈值。

26、在本技术实施例中，通过构建关于指标变量数据与风险变量数据的分段回归模型，并筛选拟合优度最高的连续两个分段函数，以基于其分段点确定预警阈值，从而进一步提高预警阈值调整的准确性。

27、在一些可能的实施例中，所述对目标市场主体确定当前需要监测的至少一目标预警指标，包括：

28、基于所述目标市场主体的多个候选指标分别获取在预设评估时段内对应于各候选指标的候选指标数据，并获取所述目标市场主体在所述预设评估时段内的信用风险数据；

29、分别获取各候选指标的候选指标数据与所述信用风险数据的相关系数，并将相关系数满足预设条件的至少一个候选指标确定为当前需要监测的至少一目标预警指标。

30、在本技术实施例中，通过根据多个候选指标的指标数据与信用风险数据的相关性，来筛选需要进行预警的目标预警指标，从而进一步提高对市场主体进行信用风险预警的准确性。

31、第二方面，本技术实施例提供了一种市场主体的信用风险预警装置，包括：

32、指标确定模块，用于对目标市场主体确定当前需要监测的至少一目标预警指标；

33、风险预警模块，用于基于每一所述目标预警指标，获取对应于目标预警指标的指标数据，并基于自适应调整的预警阈值和所述指标数据对所述目标市场主体进行风险预警监测；

34、其中，所述预警阈值为基于历史指标数据和历史风险数据的关系进行确定，所述历史指标数据为所述目标预警指标对应的预设历史时段内的指标数据，所述历史风险数据为所述目标市场主体在所述预设历史时段内的风险评估数据。

35、第三方面，本技术实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述程序时可实现第一方面任一实施例所述的方法。

36、第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时可实现第一方面任一实施例所述的方法。

37、第五方面，本技术实施例提供了一种计算机程序产品，所述的计算机程序产品包括计算机程序，其中，所述的计算机程序被处理器执行时可实现第一方面任一实施例所述的方法。