[发明专利]宏观违约风险模型训练方法、信用评价方法及装置

权利要求书

1.一种宏观违约风险模型训练方法，其特征在于，包括：

定义宏观违约风险模型为：

其中，为客户样本集合I_rit违约率，函数f表示预测算法，Z表示目标宏中观经济指标及其滞后项，ε_rit表示随机误差项；

基于预定时间段内样本客户违约率与目标宏中观经济指标，训练宏观信用评价模型，确定模型参数。

2.根据权利要求1所述的方法，其特征在于，所述函数f为线性回归算法、XGBoost算法、岭回归算法、SVM、随机森林、AdaBoost、决策树、深度学习算法的任一种或多种的组合。

3.根据权利要求1所述的方法，其特征在于，确定客户样本集合I_rit违约率包括：

获取预设历史时间段T内的样本客户；

对各个样本客户添加时间窗编号行业编号i、地域编号r，从而将所有样本分割后得到集合L＝{L_ri1，…，L_rit，…，L_riT}；

基于确定的各样本客户的违约情况确定各个客户样本集合I_rit的违约率

4.根据权利要求1所述的方法，其特征在于，确定所述目标宏中观经济指标包括：

确定多个候选宏中观指标；

基于各个候选宏中观指标在时间序列上的预测能力从所述多个候选宏中观指标中确定出目标宏中观指标。

5.根据权利要求1所述的方法，其特征在于，所述候选宏中观指标包括国内外经济环境指标、行业成长周期指标、地区经济形式指标中的至少一项。

6.一种信用评价方法，其特征在于，包括：

获取当前目标宏中观经济指标，并基于预训练的宏中观信用评价模型确定宏观信用风险；

基于确定的宏观信用风险与目标客户在微观风险评估模型中的微观信用风险确定目标客户的信用风险。

7.根据权利要求6所述的方法，其特征在于，所述基于确定的宏观信用风险与目标客户在微观风险评估模型中的微观信用风险确定目标客户的信用风险，包括：

基于预训练的权重确定模型确定所述宏中观信用评价模型与所述微观风险评估模型的权重；

基于确定的所述宏中观信用评价模型与所述微观风险评估模型的权重，以及确定的宏观信用风险与微观信用风险确定目标客户的信用风险。

8.根据权利要求7所述的方法，其特征在于，所述基于预训练的权重确定模型确定所述宏中观信用评价模型与所述微观风险评估模型的权重包括：

基于预训练的权重确定模型确定所述宏中观信用评价模型与所述微观风险评估模型的相对权重；

对所述宏中观信用评价模型与所述微观风险评估模型的相对权重进行归一化处理，得到所述宏中观信用评价模型与所述微观风险评估模型在t时刻的权重其中K是所有模型个数，表示客户i是否在有效模型M_tk中。

9.根据权利要求7或8所述的方法，其特征在于，预训练的权重确定模型的训练过程包括：

确定模型相对权重X_ikt为各模型在过去(t-T₀)～t时间窗口的预测表现的函数：其中，函数中包含待学习参数β_t，子模型不同时刻t的预测表现为Q_tk＝(q_tk1，…，q_tkn)；

针对第t个时间窗口下的样本客户i，确定第k个模型上的权重为其中K是所有模型个数，表示客户i是否在当期有效模型M_tk中；

针对第t个时间窗，确定客户i的风险评估结果为

基于第(t-T)～t时间窗口的样本客户信息、各所述样本客户在各时间窗口的违约信息、各子模型第(t-T)～t时间窗口的预测表现为Q_tk＝q_tk1，…，q_tkn)，训练确定权重计算中的参数β_t。