Intelligent monitoring method and device for bond risk

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

下面参照附图描述根据本发明实施例提出的面向债券风险智能监测方法及装置。

本发明通过针对各类债券市场实际违约案例，以中央结算公司内部的债券数据为基础，结合其他外部数据，经过数据的预处理，选取各类模型并逐一进行分析对比，通过构成风险评估的指标体系，开展城投债、金融债和产业债等债券主体的违约风险分析，实现完善的风险监测模型，对信用债市场的债券做违约概率预测与风险评分。并针对各类债券的数据，指标，模型进行可视化的展示与模型调用。

如图2所示的系统采用B/S架构模式实现，即浏览器/服务层的架构模式。客户端可以随时的通过标准的浏览器访问业务系统而不需要安装专用的客户端软件；浏览器展示层主要是基于Html,Css,Vue.js等进行可视化层的展示。服务层是基于Spring Boot,Mybaits-plus开发的运行在J2EE应用框架上的风险监测系统，并通过Rest API标准协议向外提供服务接口；利用Redis进行数据缓存，数据存储层是采用成熟的关系数据库MySQL进行数据存储。系统核心的业务模块包括“样本管理”、“数据处理”、“用户管理”、“模型服务”、“鉴权服务”和“指标服务”。其中“样本管理”负责样本数据的输入、输出，“数据处理”负责对数据进行去重、校验、脱敏等数据加工；“指标服务”负责指标的设定和管理，可对指标项进行动态调整。“模型服务”包括“模型训练”、“模型评估”和“模型运行”，其中“模型训练”模块用来做基于历史数据的模型训练，“模型评估”用来对训练结果进行评估，“模型运行”用来对目标数据集进行风险评估运算，得出风险评估结论。

图1是本发明一个实施例的面向债券风险智能监测方法的流程图。

如图1所示，该方法包括但不限于以下步骤：

S1，获取影响企业违约的指标数据；

S2，将指标数据输入训练好的违约分析模型进行分析计算得到实时风险评估结果；其中，违约分析模型是通过比对多个预设算法模型的训练评估结果得到选定分析模型，并判定选定分析模型的分析结果是否达到预设风险评估结果，以根据判定结果训练选定分析模型得到的；

S3，基于实时风险评估结果确定企业金融风险的风险值。

作为一种示例，如图3所示，首先要对历史数据进行分析，抽取出影响企业违约的各项指标，然后针对不同类型的发债主体设计不同的违约分析模型，然后调整指标进行模型训练和评估找出最优的模型，最后就可以应用最优的模型对当前数据进行运算分析，得出风险评估结论。

具体的，本发明实施例从发债主体风险指标、财务健康分析指标、偿债能力指标3个大的指标方面进行风险评估。由于发债主体风险设计的指标项较多，限于篇幅原因本文仅列出城投企业的指标项设计。对于城投类企业，主要考虑区域政府支撑能力和企业造血能力两个方面，具体如表1和表2所示：

表1区域政府支撑能力指标

表2企业自身造血能力指标

根据发债企业偿债能力分析的方法论，我们通过发债企业的偿债能力和债务结构评估企业自身的偿债能力，通过银行授信和地方支持评估企业能获得的外部支持力度，具体指标设计如表3所示：

表3企业财务健康指标

根据发债企业偿债能力分析的方法论，我们通过发债企业的偿债能力和债务结构评估企业自身的偿债能力，通过银行授信和地方支持评估企业能获得的外部支持力度，具体指标设计如表4所示：

表4偿债压力指标

如图4所示模型设计的一般步骤为选定数据，然后根据数据构建指标体系，确定特征变量，然后套用预选的几个模型(在本系统备选的4种算法模型为逻辑回归、决策树、随即森林、XGBoost)进行模型训练，训练完毕后评估训练结果，进行交叉对比，选定一个最优的模型方案。选定模型后判定当前模型是否能够达到预期，如未达预期可对其进行超参数优化，优化后再进行模型训练，最终达到预期结果后模型设计定型。定型的模型用于实际生产环境的风险评估预测，如市场风险要素变更则可以调整指标，然后按照上述步骤训练调试模型以达到更准确的预测结果。

根据本发明实施例的面向债券风险智能监测方法，用于国内债券市场的违约风险分析，通过已违约债券案例进行模型的选取与分析，解决在未来各类债券的风险评估，通过城投债，产业债，金融债(银行，保险，证券)的模型设计与原型系统实现一整套的数据分析，指标加工，模型训练并可视化相应的数据。

为了实现上述实施例，如图5所示，本实施例中还提供了面向债券风险智能监测装置10，该装置10包括：数据获取模块100、数据计算模块200和风险监测模块300。

数据获取模块100，用于获取影响企业违约的指标数据；

数据计算模块200，用于将指标数据输入训练好的违约分析模型进行分析计算得到实时风险评估结果；其中，违约分析模型是通过比对多个预设算法模型的训练评估结果得到选定分析模型，并判定选定分析模型的分析结果是否达到预设风险评估结果，以根据判定结果训练选定分析模型得到的；

风险监测模块300，用于基于实时风险评估结果确定企业金融风险的风险值。

进一步地，在上述数据获取模块100之后，还包括：预处理模块，用于对指标数据进行预处理，其中，预处理包括去重、校验和脱敏数据加工中的多种。

进一步地，在上述数据计算模块200之前，还包括：

历史数据获取模块，用于获取影响企业违约的历史指标数据；

指标特征确定模块，用于基于历史指标数据构建指标体系，根据指标体系确定特征变量；

模型确定模块，用于将特征变量输入多个预设算法模型进行模型训练得到训练结果，对训练结果进行评估，并对训练结果进行交叉对比得到选定分析模型。

进一步地，指标数据包括：发债主体风险指标、财务健康分析指标和偿债能力指标，在上述模型确定模块之后，还包括：

第一结果判定模块，用于判定选定分析模型的分析结果是否达到预设风险评估结果；若是，得到训练好的违约分析模型；若否，对选定分析模型进行超参数优化，对优化后的选定分析模型进行训练；

第二结果判定模块，用于判定优化后的选定分析模型是否达到预设风险评估结果，直到达到预设风险评估结果，得到训练好的违约分析模型。

进一步地，上述数据计算模块200的多个预设算法模型，包括：逻辑回归、决策树、随即森林和XGBoost算法模型。

根据本发明实施例的面向债券风险智能监测装置，用于国内债券市场的违约风险分析，通过已违约债券案例进行模型的选取与分析，解决在未来各类债券的风险评估，通过城投债，产业债，金融债(银行，保险，证券)的模型设计与原型系统实现一整套的数据分析，指标加工，模型训练并可视化相应的数据。

需要说明的是，前述对面向债券风险智能监测方法实施例的解释说明也适用于该实施例的面向债券风险智能监测装置，此处不再赘述。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。