[发明专利]风险指标估计模型的检查系统、方法及存储介质

说明书

本发明提供了一种风险指标估计模型的检查系统、方法及存储介质，涉及计算机技术领域，所述检查方法包括：构建敏感因子库；获取检查样本，根据所述检查样本获取多个采样样本；获取待检查模型，将所述采样样本输入到待检查模型中，得到所述采样样本对应的风险指标估计值；根据所述检查样本、采样样本以及风险指标估计值使用线性模型对待检查模型进行解释，获取待检查模型的各特征因子及各特征因子对应的特征权重；根据所述特征因子、特征权重和敏感因子库确定所述待检查模型中是否含有敏感因子。通过本发明提供的检查系统和检查方法，监管部门能够简单方便的检查银行在风险指标估计时构建的风险指标估计模型是否使用了不允许使用的敏感因子。

技术领域

本发明涉及计算机技术领域，具体而言，涉及一种风险指标估计模型的检查系统、方法及存储介质。

背景技术

银行根据“巴塞尔III”规定的风险加权资产计算规则，对未违约的主权、金融机构、公司和零售等的风险暴露的风险加权资产(RWA)计算时，需要利用违约概率(PD)、违约损失率(LGD)以及违约风险暴露(EAD)等风险指标，这些风险指标需要银行自行开发相应的模型进行估计。然而，金融机构在对这些风险指标进行估计时，多使用自行开发的复杂度高的人工智能模型，导致监管部门无法掌握银行所使用的人工智能模型是否合理，不利于监管部门监管。

因此，亟需一种能够对上述人工智能模型进行风险监测的技术。

发明内容

鉴于上述技术问题，本发明实施方式的第一方面提供了一种风险指标估计模型的检查系统，该检查系统包括敏感因子库构建模块、采样模块、指标估计模块、解释模块和检测模块，其中，所述敏感因子库构建模块用于构建敏感因子库；所述采样模块用于获取检查样本，并根据检查样本获取多个采样样本；所述指标估计模块用于获取待检查的模型，将所述采样样本输入到待检查模型中，得到所述采样样本对应的风险指标估计值；所述解释模块用于根据所述检查样本、采样样本以及风险指标估计值使用线性模型对待检查模型进行解释，获取待检查模型的各特征因子及各特征因子的特征权重；检测模块用于根据所述特征因子、特征权重和敏感因子库确定所述检查模型中是否含有敏感因子。

在本发明的一种实施方式中，所述采样模块根据所述检查样本获取多个采样样本包括：

将检查样本转换为检查样本的可解释的表达；

在检查样本可解释的表达周围采样，获取采样样本的可解释的表达；

将采样样本可解释的表达转换为与检查样本相同的数据空间，得到采样样本；

其中，所述检查样本为词向量。

在本发明的一种实施方式中，所述解释模块根据所述检查样本、采样样本以及估计值使用线性模型对待检查模型进行解释，获取线性模型的各特征因子及特征权重包括：

获取检查样本与采样样本之间的相似度π_x(z)；

以为损失函数来回归训练线性模型g(z_i')，得到待检查模型的解释，其中，x为检查样本，z_i为采样样本，f(z_i)为采样样本的风险指标估计值，Z为采样样本的集合，所述待检查模型的解释为：z_i'为采样样本的可解释的表达，w_i为z_i'对应的权重；

将所述解释中的z_i'作为待检查模型的特征因子，将w_i作为特征因子对应的特征权重。

在本发明的一种实施方式中，所述检测模块根据所述特征因子、特征权重和敏感因子库确定所述待检查模型中是否含有敏感因子包括：

从待检查模型的解释中，按特征权重从大到小的顺序获取设定个数的特征因子；

判断所述设定个数的特征因子中是否有与敏感因子库中的敏感因子相同的特征因子；