CN112184415A - 数据处理方法、装置、电子设备和存储介质 - Google Patents
数据处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112184415A CN112184415A CN202011019016.9A CN202011019016A CN112184415A CN 112184415 A CN112184415 A CN 112184415A CN 202011019016 A CN202011019016 A CN 202011019016A CN 112184415 A CN112184415 A CN 112184415A
- Authority
- CN
- China
- Prior art keywords
- historical
- macroscopic
- exposure
- target
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种数据处理方法、装置、电子设备和存储介质,该方法包括:获取宏观年度历史值、目标宏观因子的历史数值和敞口的历史数据;根据宏观年度历史值和目标宏观因子的历史数值,构建宏观预测模型;基于宏观预测模型,根据敞口的历史数据,对敞口的风险参数进行验证;通过上述技术方案,实现了自动对宏观预测模型进行验证的目的。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种数据处理方法、装置、电子设备和存储介质。
背景技术
模型风险管理是国内外金融机构风险管理领域的热点问题。现有的模型风险管理部门会组织开展模型验证的相关工作。
当前,业务部门通常采用人工进行验证。按照新金融工具准则的要求,减值范围内的所有金融资产均需逐笔计提减值准备,人工对模型风险参数进行调整的难度较大,执行起来十分复杂,费时费力。并且,模型验证的过程中伴随着巨大的工作量,容易产生误差,亟需改进。
发明内容
本发明提供一种数据处理方法、装置、电子设备和存储介质,以实现自动对宏观预测模型进行验证的目的。
第一方面,本发明实施例提供了一种数据处理方法,该方法包括:
获取宏观年度历史值、目标宏观因子的历史数值和敞口的历史数据;
根据宏观年度历史值和目标宏观因子的历史数值,构建宏观预测模型;
基于宏观预测模型,根据敞口的历史数据,对敞口的风险参数进行验证。
第二方面,本发明实施例还提供了一种数据处理装置,该装置包括:
数据获取模块,用于获取宏观年度历史值、目标宏观因子的历史数值和敞口的历史数据;
模型构建模块,用于根据宏观年度历史值和目标宏观因子的历史数值,构建宏观预测模型;
验证结果输出模块,用于基于宏观预测模型,根据敞口的历史数据,对敞口的风险参数进行验证。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例中任一所述的数据处理方法。
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数据处理方法。
本实施例的技术方案,根据获取的宏观年度历史值和目标宏观因子的历史数值,构建宏观预测模型;并进一步根据敞口的历史数据,应用宏观预测模型对敞口的风险参数进行验证计算,以验证宏观预测模型预测结果的准确度。相比于现有的宏观预测模型验证方案,本实施例大大节约人力资源,提高了模型预测准确性,为自动进行宏观预测模型验证提供了一种新思路。
附图说明
图1是本发明实施例一提供的一种数据处理方法的流程图;
图2是本发明实施例二提供的一种数据处理方法的流程图;
图3是本发明实施例三提供的一种数据处理方法的流程图;
图4是本发明实施例四提供的一种数据处理方法的流程图;
图5是本发明实施例五提供的一种数据处理装置的结构示意图;
图6是本发明实施例六提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的数据处理方法的流程图。本实施例可适用于对构建的宏观预测模型进行验证的情况。该方法可以由数据处理装置实现,该装置可以由软件和/或硬件的方式实现。如图1所示,本发明实施例提供的数据处理方法具体包括:
S110、获取宏观年度历史值、目标宏观因子的历史数值和敞口的历史数据。
其中,宏观年度历史值是指宏观年度值的历史数值,而宏观年度值是指综合反映外界多个宏观因子的系数值。
目标宏观因子是指从众多的宏观因子中挑选出来的,用来构建宏观预测模型所需的宏观因子。常见的宏观因子可以包括国内生产总值、消费价格指数、失业率、年期利率、借利率等,还可以包括将上述宏观因子经过前置和滞后生成的衍生变量因子。可选地,本实施例可以随机从多个宏观因子中抽取预设数值个宏观因子作为目标宏观因子;进一步地,为了保证后续模型预测的准确度,还可以通过下述方式确定目标宏观因子:从可视化界面中获取用户提供的参考预测模型;从参考预测模型中提取至少两个候选宏观因子;根据敞口中债项历史分布情况和至少两个候选宏观因子的历史值,从至少两个候选宏观因子中选取目标宏观因子。
其中,参考预测模型是指通过对众多宏观因子可能组合的宏观预测模型进行统计分析与评分,经过人工筛选,挑选出其中得分高的模型,并将其作为参考预测模型。根据敞口债项历史分布情况,进行信用风险暴露的相关系数计算,从参考预测模型的宏观因子中挑选出目标宏观因子。
可以理解的是,通过从参考预测模型的宏观因子中挑选目标宏观因子,将宏观因子的挑选范围进行了缩小,并根据信用风险暴露的相关系数对目标宏观因子进行了挑选,达到了进一步提高数据处理准确率的效果。
敞口是指具有信用风险暴露的分池敞口,各个金融机构可以根据自身对于金融资产划分精细化程度的需求以及数量情况,对金融资产进行划分,得到各个分池敞口。而分池敞口中包括多个债项(进一步为贷款债项),根据贷款五级分类制度,可以将敞口中的债项分为多个信用等级。敞口的历史数据是指敞口中债项的历史时点明细数据,可以包括但不限于债项的历史违约率、债项的信用等级等。
可选地,本实施例可以提供一个可视化界面,进而宏观年度历史值、目标宏观因子的历史数值可通过***前端界面导入数据的方式获取得到;敞口的历史数据通过从关联***的数据库提取得到。待获取到上述这些数据后,将这些用于宏观预测模型进行验证的基础数据存入数据库。
S120、根据宏观年度历史值和目标宏观因子的历史数值,构建宏观预测模型。
其中,宏观预测模型用来表示宏观年度值和目标宏观因子之间的关系。
本实施例中,可以通过对宏观年度值和目标宏观因子进行多元回归(例如三元回归)分析,并采用最小二乘法构建宏观预测模型。
可选地,在构建宏观预测模型之后,可以直接对所构建的宏观预测模型的宏观表现进行验证,具体可以是:根据目标评价指标,对宏观预测模型进行评价。
本实施例中,目标评价指标可以是根据实际需求在指标库中选取的,还可以是***默认的;其中,目标评价指标包括显著性检验指标、拟合优度检验指标和残差检验指标中的至少一项。
具体的,根据目标评价指标,对宏观预测模型进行评价可以包括对所构建的宏观预测模型中的参数进行验证,例如对目标宏观因子的显著性检验;还可以包括对宏观预测模型的拟合结果进行验证,例如残差检验和拟合优度检验等。
S130、基于宏观预测模型,根据敞口的历史数据,对敞口的风险参数进行验证。
本实施例中,考虑到敞口的风险参数受宏观预测模型输出值的影响,通过对敞口的风险参数进行验证,间接实现对宏观预测模型预测的准确度进行验证的目的。其中,敞口的风险参数包括但不限于违约率、违约损失率、违约风险暴露等。
本实施例中,基于宏观预测模型,根据敞口的历史数据,对敞口的风险参数进行验证具体可以是:根据宏观预测模型预测得到的宏观年度值对敞口的风险参数进行估计,并将估计的风险参数与实际的风险参数进行比较,确定估计的风险参数与实际的风险参数之间的偏离程度;根据上述偏离结果,对风险参数估计的准确度进行评价,进而实现对敞口的风险参数的验证。
为了进一步提升用户体验,示例性的,验证结果可根据模型验证的计算结果通过***前端界面进行可视化展示。待上述验证过程计算完成后,基于验证所生成的结果,进行可视化展示,如用表格、折线图和饼状图等工具进行展示,并据此提供所有验证结果、中间数据以及基础数据的下载,如提供word、Excel的相关验证报告下载。
优选地,本实施例中的宏观预测模型验证的***架构采用PYTHON的开源产品进行编程和实现,并据此提供灵活的参数配置管理功能。
本实施例的技术方案,根据获取的宏观年度历史值和目标宏观因子的历史数值,构建宏观预测模型;并进一步根据敞口的历史数据,应用宏观预测模型对敞口的风险参数进行验证计算,以验证宏观预测模型预测结果的准确度。相比于现有的宏观预测模型验证方案,本实施例大大节约人力资源,提高了模型预测准确性,为自动进行宏观预测模型验证提供了一种新思路。
实施例二
图2是本发明实施例二提供的一种数据处理方法的流程图。本实施例是在上述实施例的基础上,进一步对应用宏观预测模型对敞口的风险参数进行验证的过程进行详细说明。参见图2,本实施例提供的一种数据处理方法包括:
S210、获取宏观年度历史值、目标宏观因子的历史数值和敞口的历史数据。
S220、根据宏观年度历史值和目标宏观因子的历史数值,构建宏观预测模型。
S230、根据目标宏观因子的历史数值,确定目标宏观因子的预测值。
其中,目标宏观因子的预测值是指目标宏观因子的未来值。
可选地,根据目标宏观因子的历史数值,进行时间序列分析得到目标宏观因子的预测模型;根据目标宏观因子的预测模型对目标宏观因子进行预测,得到目标宏观因子的预测值。
S240、根据宏观预测模型和目标宏观因子的预测值,确定宏观年度预测值。
其中,宏观年度预测值是指宏观年度值的预测值。本实施例,通过将目标宏观因子的预测值输入到宏观预测模型中,进而得到宏观年度预测值。
S250、基于诺顿模型,根据宏观年度预测值和敞口的历史违约率,得到敞口的前瞻违约率。
其中,敞口的前瞻违约率是指敞口在未来某个时间节点的违约率。敞口的历史违约率是指敞口在过去各个时间节点的历史违约率。
诺顿模型是一种量化信用风险的工具,具体的诺顿模型包含了长期违约率、短期违约率和宏观年度值这三者之间的关系。
具体地,通过对敞口过去各个时间节点的历史违约率进行统计分析,可以确定敞口的长期违约率;将宏观年度预测值和敞口的长期违约率输入诺顿模型,进而得到该敞口未来预测的短期违约率,即本实例当中敞口的前瞻违约率。
S260、根据敞口的历史违约率和前瞻违约率进行统计检验。
其中,统计检验是指基于统计测试的方法来检验前瞻违约率和历史违约率之间的偏离程度。
可选地,统计检验具体可以是交通灯二项分布测试法。假设历史违约率偏离个数服从二项分布,基于前瞻违约率的预测点总数以及10%偏离概率,来决定在95%,99.99%置信区间下可以接受的偏离个数,即黄灯触发临界值、红灯触发临界值。若统计检验偏离个数小于黄灯临界值,则表明敞口的前瞻违约率预测的准确度较高。
本实施例的技术方案,基于宏观预测模型预测的宏观年度值和敞口的历史违约率,结合诺顿模型,能够自动、精准地对敞口的前瞻违约率进行预测;将预测得到的敞口的前瞻违约率与历史违约率进行对比,并采用统计检验的方法对风险参数估计的准确性进行验证;通过上述技术方案,本实施例为应用宏观预测模型对敞口的风险参数进行验证提供了一种可选方式。
可选地,基于诺顿模型,根据宏观年度预测值和敞口的历史违约率,得到敞口的前瞻违约率之后,还包括:
A、根据敞口的历史数据中债项的历史违约率,确定敞口的平均违约率;
本实施例中,可以对敞口所包括的多个债项的历史违约率进行平均,进而得到敞口的平均违约率。
作为本实施例的一种可选方式,根据敞口的历史数据中债项的历史违约率,确定敞口的平均违约率可以是:根据敞口的历史数据中至少两个债项的信用等级,从敞口所包括的至少两个债项中选择目标债项;根据目标债项的历史违约率,确定目标债项的历史违约率上限值和下限值;根据目标债项的历史违约率上限值和下限值,确定敞口的平均违约率。
其中,目标债项是指根据敞口中债项的信用等级分布情况,从敞口所包括的多个(即两个或两个以上)债项中所挑选出的预设数量的债项,例如可以按照信用等级对债项进行降序排序,进而可以根据排序结果,选择排序在前的预设数量的债项作为目标债项。对上述获取到的目标债项的历史违约率进行统计,确定出其中最大的历史违约率和最小的历史违约率,即对应历史违约率上限值和下限值。根据历史违约率上限值和下限值,对敞口下所有债项的历史违约率进行极值处理。待敞口下所有的债项经过极值处理之后,可选取加权平均的方式确定敞口的平均违约率。
可选地,本实施例中的极值处理可以是根据历史违约率上限值和下限值,对敞口中每个债项的历史违约率进行判断;将历史违约率大于历史违约率上限值的债项的历史违约率调整为历史违约率上限值,将敞口中历史违约率小于历史违约率上限值的债项的历史违约率调整为历史违约率下限值。
B、基于诺顿模型,根据敞口的前瞻违约率和平均违约率,确定宏观年度内评值;
其中,宏观年度内评值是指在内评方法下计算得到的宏观年度值。而内评方法是指将上述计算得到的平均违约率和敞口的前瞻违约率输入到诺顿模型中,计算宏观年度内评值的方法。
C、基于诺顿模型,根据宏观年度内评值,对敞口债项的历史违约率进行更新。
其中,对敞口债项的历史违约率进行更新是指对敞口债项的历史违约率进行调整,得到敞口债项的前瞻违约率。
本实施例的技术方案,基于诺顿模型,根据宏观年度内评值,对敞口债项的历史违约率进行更新,得到了经调整后的敞口债项的前瞻违约率,通过对敞口债项的前瞻违约率进行测度计算,达到了为金融机构信用风险管理提供基础数据支撑以及后续研究及应用的效果。
实施例三
图3是本发明实施例三提供的一种数据处理方法的流程图。本实施例是在上述实施例的基础上,增加了对敞口中债项分布检验的过程。参见图3,本实施例提供的一种数据处理方法包括:
S310、获取宏观年度历史值、目标宏观因子的历史数值和敞口的历史数据。
S320、根据宏观年度历史值和目标宏观因子的历史数值,构建宏观预测模型。
S330、基于宏观预测模型,根据敞口的历史数据,对敞口的风险参数进行验证。
S340、根据待测时间点,确定对比时间点。
其中,待测时间点是指进行敞口中债项分布检验所确定的一个起始时间点。
对比时间点是指在待测时间点一段时间之前确定的一个历史时间点。其中,一段时间可根据对敞口中债项进行监控的时长需要进行确定,例如半年或一年等。
S350、根据待测时间点、对比时间点、目标敞口标识和敞口的历史数据,确定目标敞口关联的第一待测数据和第二待测数据。
其中,目标敞口标识用于唯一识别出某一指定敞口的一个标识符,例如可以是目标敞口的编号。第一待测数据是指根据当前提供的待测时间点,从敞口的历史数据中所获取的目标敞口的债项的相关数据,具体可以包括在待测时间点下所包含的债项数量和债项违约数量。对应地,第二待测数据是指根据当前提供的对比时间点,从敞口的历史数据中所获取的同一目标敞口的债项的相关数据,具体可以包括在对比时间点下所包含的债项数量和债项违约数量。
进一步的,还可以获取目标敞口下指定信用等级所包括的债项的相关数据,进而第一待测数据可以是根据当前提供的待测时间点,从敞口的历史数据中所获取的目标敞口下属于某一信用等级的债项的相关数据;对应地,第二待测数据是指根据当前提供的对比时间点,从敞口的历史数据中所获取的同一目标敞口下属于某一信用等级的债项的相关数据。
具体的,可以根据目标敞口标识,从敞口的历史数据中获取目标敞口的历史数据;根据待测时间点和目标敞口的历史数据,获取目标敞口关联的第一待测数据;同理,可以根据对比时间点和目标敞口的历史数据,获取目标敞口关联的第二待测数据。
S360、根据第一待测数据和第二待测数据,进行稳定度指标检验。
其中,稳定度指标检验是指根据前后两个时间点下(待测时间点和对比时间点)敞口(进一步敞口中属于某一信用等级)的债项数量和债项违约数量的变化情况,计算稳定度指标;利用稳定度指标对债项在敞口的分布情况进行检验,当敞口的稳定性指标异常时,表明敞口的流动性增大,此时需要考虑敞口分池的合理性,并据此进一步对敞口的结构进行调整。、
本实施例的技术方案,根据敞口的历史数据,在确定了敞口的待测时间后,进行了敞口的稳定性指标检验,通过稳定性指标检验,分析了债项在敞口出现实际违约的偏移情况,达到了对敞口债项的稳定性进行检验和监控的目的,以进一步为金融机构调整敞口结构、出具更优秀的风险对策提供理论支持。
可选地,在获取宏观年度历史值、目标宏观因子的历史数值和敞口的历史数据之后,还可以对敞口进行柯尔莫哥洛夫指标检验。具体可以是:根据敞口的历史数据、目标敞口标识和待测时长,确定目标敞口中信用等级关联的债项违约数量和债项未违约数量;根据目标敞口中信用等级关联的债项违约数量和债项未违约数量,进行柯尔莫哥洛夫指标检验。
其中,待测时长是指在待测时间点和对比时间点之间的一段时间。柯尔莫哥洛夫指标检验是指在固定的待测时长里,对敞口信用等级下的违约个数和未违约个数进行统计,并据此计算柯尔莫哥洛夫指标值;利用计算得到的柯尔莫哥洛夫指标对金融机构的信用分级的风险排序值进行评估,以检验信用评级由高到低对应实际违约率值是否合理。
可选地,在获取宏观年度历史值、目标宏观因子的历史数值和敞口的历史数据之后,还可以根据目标敞口中信用等级关联的债项违约数量和债项未违约数量,进行基尼指数指标检验和信息值指标检验。
本实施例的技术方案,根据敞口的历史数据,在确定了敞口的待测时间后,进行了敞口的柯尔莫哥洛夫指标检验,通过柯尔莫哥洛夫指标检验,分析了信用评级由高到低对应的违约率值是否合理的情况,达到了对敞口债项的风险排序能力进行检验和监控的目的,以进一步为金融机构调整敞口结构、出具更优秀的风险对策提供理论支持。
可选地,在获取宏观年度历史值、目标宏观因子的历史数值和敞口的历史数据之后,还可以对敞口进行其他指标检验,包括但不限于对敞口进行债项集中度指标检验、流动性指标检验、同质性异质性指标检验等。
实施例四
图4是本发明实施例四提供的一种数据处理过程的示意图。本实施例是在上述实施例的基础上,提出的一种优选实例。该实例中同时涉及对宏观预测模型、敞口风险参数以及敞口债项分布进行验证。结合图4,本实施例提供的一种数据处理方法包括:数据指标维护及数据加工部分、风险参数验证部分、宏观预测模型验证部分、敞口债项分布检验部分、验证结果输出部分。
其中,数据指标维护及数据加工部分用于:维护宏观年度历史值、宏观因子指标、参考预测模型参数;根据业务咨询方案,先由GP数据库加工基础债项历史时间序列的违约率,再从GP数据库中加工敞口债项的历史时点明细数据;将加工及维护好的数据推入对应的ORACLE数据库。
风险参数验证部分用于:以敞口债项的历史时间序列及敞口分类,进行信用风险暴露的相关系数计算;提取参考预测模型参数及宏观因子表与宏观因子历史值;以敞口及历史时点相关的模型参数进行三元回归得到宏观预测模型,并进一步对宏观年度值进行预测;采用诺顿模型及宏观预测模型预测的宏观年度值,计算出对应敞口的前瞻违约率;根据债项所在的敞口及历史时点进行二项式红绿灯检验。
进一步地,利用风险参数验证部分得到的敞口的前瞻违约率对敞口债项的违约率进行调整。具体调整过程可以是:对历史敞口90%数据分布信用等级以外的债项进行违约率的极值处理;敞口进行分档调整后,将敞口内的债项按照加权平均方式,计算出分档后的敞口的平均违约率;将分档后的敞口的平均违约率和敞口的前瞻违约率带入诺顿模型中,得到基于内评方法下的宏观年度内评值;再将基于内评方法下的宏观年度内评值输入诺顿模型中,对敞口下每笔债项的违约率进行调整,最终得到每笔债项经前瞻调整后的违约率。
宏观预测模型验证部分用于:对多元回归计算得到的宏观预测模型进行参数检验,如宏观因子显著性检验、敏感性测试和宏观预测模型自变量共线性测试等;对宏观预测模型进行残差检验,如模型残差的平稳性测试、模型残差的自相关性测试、模型残差的异方差性测试和模型残差的正态性预测等;对宏观预测模型进行拟合优度检验。
敞口债项分布检验部分用于:根据提供的当期历史时点,对比债项前12个月的迁移变化,进行稳定度指标检验、流动指数系数检验和分池风险排序能力测试(包括基尼指数检验、信息值检验、柯尔莫哥洛夫检验等);根据敞口债项分布,做分池债项集中度测试;根据敞口分池情况,进行同质性异质性对比校验。
验证结果输出部分用于:待上述验证过程计算完成后,基于验证所生成的结果,进行可视化展示,如用表格、折线图和饼状图等工具进行展示,并据此提供所有验证结果、中间数据以及基础数据的下载,如提供word、Excel的相关验证报告下载。
本实施例的技术方案,基于线上实现的对宏观预测模型进行验证的方法,进行了以下三个方面的验证:根据数据指标维护及数据加工部分得到的基础数据构建宏观预测模型,对宏观预测模型的宏观表现进行检验;根据宏观预测模型预测的宏观年度值计算敞口的前瞻违约率,并进行二项式红绿灯检验,同时通过预测的宏观年度值对历史债项的前瞻违约率进行了调整;根据敞口的历史数据,对债项在敞口的分布情况进行检验;通过上述技术方案,大大节约了人力资源,并且通过对模型进行相关的验证工作,提高了宏观预测模型预测的准确度。
实施例五
图5是本发明实施例提供的一种数据处理装置的结构示意图。参见图5,本申请实施例提供的一种数据处理装置,该装置包括:数据获取模块501、模型构建模块502和验证结果输出模块503。
其中,数据获取模块501,用于获取宏观年度历史值、目标宏观因子的历史数值和敞口的历史数据;
模型构建模块502,用于根据宏观年度历史值和目标宏观因子的历史数值,构建宏观预测模型;
验证结果输出模块503,用于基于宏观预测模型,根据敞口的历史数据,对敞口的风险参数进行验证。
本实施例的技术方案,根据获取的宏观年度历史值和目标宏观因子的历史数值,构建宏观预测模型;并进一步根据敞口的历史数据,应用宏观预测模型对敞口的风险参数进行验证计算,以验证宏观预测模型预测结果的准确度。相比于现有的宏观预测模型验证方案,本实施例大大节约人力资源,提高了模型预测准确性,为自动进行宏观预测模型验证提供了一种新思路。
进一步地,上述装置,还包括:
参考模型获取模块,用于在获取宏观年度历史值、目标宏观因子的历史数值和敞口的历史数据之前,从可视化界面中获取用户提供的参考预测模型;
候选因子提取模块,用于从参考预测模型中提取至少两个候选宏观因子;
目标因子提取模块,用于根据敞口债项历史分布情况和至少两个候选宏观因子的历史数值,从至少两个候选宏观因子中选取目标宏观因子。
进一步地,验证结果输出模块,包括:
因子预测值确认单元,用于根据目标宏观因子的历史数值,确定目标宏观因子的预测值;
统计检验单元,用于根据目标宏观因子的预测值和敞口的历史数据中敞口的历史违约率,对宏观预测模型进行统计检验。
进一步地,统计检验单元具体用于:
根据宏观预测模型和目标宏观因子的预测值,确定宏观年度预测值;
基于诺顿模型,根据宏观年度预测值和敞口的历史违约率,得到敞口的前瞻违约率;
根据敞口的历史违约率和前瞻违约率进行统计检验。
进一步地,验证结果输出模块,还包括:
均值确定单元,用于在基于诺顿模型,根据宏观年度预测值和敞口的历史违约率,得到敞口的前瞻违约率之后,根据敞口的历史数据中敞口债项的历史违约率,确定敞口的平均违约率;
内评值确定单元,用于基于诺顿模型,根据敞口的前瞻违约率和平均违约率,确定宏观年度内评值;
违约率更新单元,用于基于诺顿模型,根据宏观年度内评值,对敞口债项的历史违约率进行更新。
进一步地,均值确定单元,包括:
债项选取子单元,用于根据敞口的历史数据中至少两个债项的信用等级,从敞口所包括的至少两个债项中选择目标债项;
限值确定子单元,用于根据目标债项的历史违约率,确定目标债项的历史违约率上限值和下限值;
均值确定子单元,用于根据目标债项的历史违约率上限值和下限值,确定敞口的平均违约率。
进一步地,均值确定子单元具体用于:
根据目标债项的历史违约率上限值和下限值,对敞口中债项进行极值处理,得到敞口的平均违约率。
进一步地,上述装置,还包括:
对比时间点确定模块,用于在获取宏观年度历史值、目标宏观因子的历史数值和敞口的历史数据之后,根据待测时间点,确定对比时间点;
待测数据确定模块,用于根据待测时间点、对比时间点、目标敞口标识和敞口的历史数据,确定目标敞口关联的第一待测数据和第二待测数据;其中,第一待测数据包括在待测时间点下所包含的债项数量和债项违约数量,第二待测数据包括在对比时间点下所包含的债项数量和债项违约数量;
稳定度检验模块,用于根据第一待测数据和第二待测数据,进行稳定度指标检验。
进一步地,上述装置,还包括:
基础数据获取模块,用于在获取宏观年度历史值、目标宏观因子的历史数值和敞口的历史数据之后,根据敞口的历史数据、目标敞口标识和待测时长,确定目标敞口中信用等级关联的债项违约数量和债项未违约数量;
风险检验模块,用于根据目标敞口中信用等级关联的债项违约数量和债项未违约数量,进行柯尔莫哥洛夫指标检验。
进一步地,上述装置,还包括:
预测模型验证模块,用于在根据宏观年度历史值和目标宏观因子的历史数值,构建宏观预测模型之后,根据目标评价指标,对宏观预测模型进行评价;其中,目标评价指标包括显著性检验指标和拟合优度检验指标中的至少一项。
本发明实施例所提供的数据处理装置可执行本发明任意实施例所提供的数据处理方法,具备执行方法相应的功能模块和有益效果。
实施例六
图6为本发明实施例六提供的一种电子设备的结构示意图,如图6所示,该设备包括处理器60、存储器61、输入装置62和输出装置63;设备中处理器60的数量可以是一个或多个,图6中以一个处理器60为例;设备中的处理器60、存储器61、输入装置62和输出装置63可以通过总线或其他方式连接,图6中以通过总线连接为例。
存储器61作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的数据处理方法对应的程序指令/模块(例如,数据处理装置中的数据获取模块501、模型构建模块502、验证结果输出模块503)。处理器60通过运行存储在存储器61中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的数据处理方法。
存储器61可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器61可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器61可进一步包括相对于处理器60远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置62可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置63可包括显示屏等显示设备。
实施例七
本发明实施例七还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种数据处理方法,该方法包括:
获取宏观年度历史值、目标宏观因子的历史数值和敞口的历史数据;
根据宏观年度历史值和目标宏观因子的历史数值,构建宏观预测模型;
基于宏观预测模型,根据敞口的历史数据,对敞口的风险参数进行验证。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作,还可以执行本发明任意实施例所提供的数据处理方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述数据处理装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (15)
1.一种数据处理方法,其特征在于,包括:
获取宏观年度历史值、目标宏观因子的历史数值和敞口的历史数据;
根据所述宏观年度历史值和所述目标宏观因子的历史数值,构建宏观预测模型;
基于所述宏观预测模型,根据所述敞口的历史数据,对敞口的风险参数进行验证。
2.根据权利要求1所述的方法,其特征在于,获取宏观年度历史值、目标宏观因子的历史数值和敞口的历史数据之前,还包括:
从可视化界面中获取用户提供的参考预测模型;
从所述参考预测模型中提取至少两个候选宏观因子;
根据敞口中债项历史分布情况和所述至少两个候选宏观因子的历史数值,从所述至少两个候选宏观因子中选取目标宏观因子。
3.根据权利要求1所述的方法,其特征在于,基于所述宏观预测模型,根据所述敞口的历史数据,对敞口的风险参数进行验证,包括:
根据所述目标宏观因子的历史数值,确定所述目标宏观因子的预测值;
基于所述宏观预测模型,根据所述目标宏观因子的预测值和所述敞口的历史数据中敞口的历史违约率,对敞口的风险参数进行统计检验。
4.根据权利要求3所述的方法,其特征在于,基于所述宏观预测模型,根据所述目标宏观因子的预测值和所述敞口的历史数据中敞口的历史违约率,对敞口的风险参数进行统计检验,包括:
根据所述宏观预测模型和所述目标宏观因子的预测值,确定宏观年度预测值;
基于诺顿模型,根据所述宏观年度预测值和所述敞口的历史违约率,得到敞口的前瞻违约率;
根据所述敞口的历史违约率和前瞻违约率进行统计检验。
5.根据权利要求4所述的方法,其特征在于,基于诺顿模型,根据所述宏观年度预测值和所述敞口的历史违约率,得到敞口的前瞻违约率之后,还包括:
根据所述敞口的历史数据中债项的历史违约率,确定敞口的平均违约率;
基于诺顿模型,根据所述敞口的前瞻违约率和平均违约率,确定宏观年度内评值;
基于诺顿模型,根据所述宏观年度内评值,对敞口债项的历史违约率进行更新。
6.根据权利要求5所述的方法,其特征在于,所述敞口中包括至少两个债项,根据所述敞口的历史数据中债项的历史违约率,确定敞口的平均违约率,包括:
根据所述敞口的历史数据中至少两个债项的信用等级,从敞口所包括的至少两个债项中选择目标债项;
根据所述目标债项的历史违约率,确定所述目标债项的历史违约率上限值和下限值;
根据所述目标债项的历史违约率上限值和下限值,确定敞口的平均违约率。
7.根据权利要求6所述的方法,其特征在于,根据所述目标债项的历史违约率上限值和下限值,确定敞口的平均违约率,包括:
根据所述目标债项的历史违约率上限值和下限值,对敞口中债项进行极值处理,得到敞口的平均违约率。
8.根据权利要求1所述的方法,其特征在于,获取宏观年度历史值、目标宏观因子的历史数值和敞口的历史数据之后,还包括:
根据待测时间点,确定对比时间点;
根据所述待测时间点、所述对比时间点、目标敞口标识和所述敞口的历史数据,确定目标敞口关联的第一待测数据和第二待测数据;其中,所述第一待测数据包括在所述待测时间点下所包含的债项数量和债项违约数量,所述第二待测数据包括在所述对比时间点下所包含的债项数量和债项违约数量;
根据所述第一待测数据和所述第二待测数据,进行稳定度指标检验。
9.根据权利要求1所述的方法,其特征在于,获取宏观年度历史值、目标宏观因子的历史数值和敞口的历史数据之后,还包括:
根据所述敞口的历史数据、目标敞口标识和待测时长,确定目标敞口中信用等级关联的债项违约数量和债项未违约数量;
根据所述目标敞口中信用等级关联的债项违约数量和债项未违约数量,进行柯尔莫哥洛夫指标检验。
10.根据权利要求1所述的方法,其特征在于,根据所述宏观年度历史值和所述目标宏观因子的历史数值,构建宏观预测模型之后,还包括:
根据目标评价指标,对所述宏观预测模型进行评价;其中,所述目标评价指标包括显著性检验指标和拟合优度检验指标中的至少一项。
11.一种数据处理装置,其特征在于,包括:
数据获取模块,用于获取宏观年度历史值、目标宏观因子的历史数值和敞口的历史数据;
模型构建模块,用于根据所述宏观年度历史值和所述目标宏观因子的历史数值,构建宏观预测模型;
验证结果输出模块,用于基于所述宏观预测模型,根据所述敞口的历史数据,对敞口的风险参数进行验证。
12.根据权利要求11所述的装置,其特征在于,所述装置还包括:
参考模型获取模块,用于在获取宏观年度历史值、目标宏观因子的历史数值和敞口的历史数据之前,从可视化界面中获取用户提供的参考预测模型;
候选因子提取模块,用于从所述参考预测模型中提取至少两个候选宏观因子;
目标因子提取模块,用于根据敞口债项历史分布情况和所述至少两个候选宏观因子的历史数值,从所述至少两个候选宏观因子中选取目标宏观因子。
13.根据权利要求11所述的装置,其特征在于,所述验证结果输出模块包括:
因子预测值确认单元,用于根据所述目标宏观因子的历史数值,确定所述目标宏观因子的预测值;
统计检验单元,用于根据所述目标宏观因子的预测值和所述敞口的历史数据中敞口的历史违约率,对所述宏观预测模型进行统计检验。
14.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-10中任一所述的数据处理方法。
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中任一所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011019016.9A CN112184415A (zh) | 2020-09-24 | 2020-09-24 | 数据处理方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011019016.9A CN112184415A (zh) | 2020-09-24 | 2020-09-24 | 数据处理方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112184415A true CN112184415A (zh) | 2021-01-05 |
Family
ID=73943402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011019016.9A Pending CN112184415A (zh) | 2020-09-24 | 2020-09-24 | 数据处理方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184415A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819608A (zh) * | 2021-02-05 | 2021-05-18 | 建信金融科技有限责任公司 | 一种基于多元回归与时间序列的区域信贷预测方法及*** |
CN114004491A (zh) * | 2021-10-29 | 2022-02-01 | 中国建设银行股份有限公司 | 一种零售风险暴露的分池方法、装置、计算机设备及介质 |
-
2020
- 2020-09-24 CN CN202011019016.9A patent/CN112184415A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819608A (zh) * | 2021-02-05 | 2021-05-18 | 建信金融科技有限责任公司 | 一种基于多元回归与时间序列的区域信贷预测方法及*** |
CN114004491A (zh) * | 2021-10-29 | 2022-02-01 | 中国建设银行股份有限公司 | 一种零售风险暴露的分池方法、装置、计算机设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110246031A (zh) | 企业信用的评估方法、***、设备及存储介质 | |
CN112734559B (zh) | 企业信用风险评价方法、装置及电子设备 | |
CN112184415A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN107798615A (zh) | 保单续期收费难度预测方法和装置 | |
CN111090833A (zh) | 一种数据处理方法、***及相关设备 | |
CN113342939A (zh) | 数据质量监控方法、装置及相关设备 | |
CN113742248A (zh) | 一种基于项目测量数据进行组织过程预测的方法及*** | |
CN113793057A (zh) | 一种基于回归分析模型的建筑招投标数据生成方法 | |
CN114493208A (zh) | 工程项目全寿命周期的评价方法、装置、电子设备及介质 | |
CN112613983B (zh) | 一种机器建模过程中的特征筛选方法、装置及电子设备 | |
CN113837799A (zh) | 一种智能商业选址方法、***、设备及可读存储介质 | |
JP6192432B2 (ja) | リスク計量システム | |
CN110852322B (zh) | 感兴趣区域的确定方法及装置 | |
CN108446213A (zh) | 一种静态代码质量分析方法和装置 | |
CN112598326A (zh) | 模型迭代方法、装置、电子设备及存储介质 | |
CN115630708A (zh) | 一种模型更新方法、装置、电子设备、存储介质及产品 | |
CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 | |
CN112950362A (zh) | 对公贷款的风险预警方法、装置、计算机设备和存储介质 | |
CN112163964A (zh) | 风险预测方法、装置、电子设备及存储介质 | |
KR102420952B1 (ko) | 인공지능을 이용한 대출 확대 가설 검정 시스템 및 이를 이용한 방법 | |
EP3794523A1 (en) | System and method for processing distorted or inaccurate input data obtained from an environment | |
Hai et al. | A New Approach to Calibrating Functional Complexity Weight in Software Development Effort Estimation. Computers 2022, 11, 15 | |
CN114334137A (zh) | 一种数据处理方法及装置 | |
CN114662903A (zh) | 自动化授信方法、装置、设备、介质和程序产品 | |
CN117934154A (zh) | 交易风险预测方法、模型训练方法、装置、设备、介质和程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |