[发明专利]违约预测模型的生成方法、装置、设备及存储介质

说明书

本申请涉及人工智能技术领域，揭示了一种违约预测模型的生成方法、装置、设备及存储介质，其中方法包括：获取全量标签数据和行业标签数据；对预设的初始决策树模型和初始梯度迭代树模型进行训练，分别得到全量决策树模型和全量梯度树模型，以及分量决策树模型和分量梯度树模型；对全量决策树模型、全量梯度树模型、分量决策树模型和分量梯度树模型进行融合计算，得到第一融合模型和第二融合模型；获取验证数据集，通过第一融合模型和第二融合模型分别对验证数据集进行违约概率计算；根据违约概率进行预测准确性分类，并根据预测准确性的分类结果在第一融合模型和第二融合模型中选取目标违约预测模型，从而提高违约预测模型预测的有效性。

技术领域

本申请涉及到人工智能技术领域，特别是涉及到一种违约预测模型的生成方法、装置、设备及存储介质。

背景技术

债券违约是指债券发行主体不能按照事先达成的债券协议履行其义务的行为，对不同主体进行债券违约预测模型的生成，能够降低交易方遭受的风险，因此债券违约预测模型的生成是各家金融机构和科技企业在持续投入的业务。

现有技术中的违约预测模型的生成方法都存在过度看重数据的问题，多维度的、大量的数据虽然可以给违约预测模型的生成提供足够的数据基础，但是同时也存在数据分析时难以把握重点，预测的有效性较低的问题。

发明内容

本申请的主要目的为提供一种违约预测模型的生成方法、装置、设备及存储介质，旨在解决现有技术中违约预测模型预测的有效性较低的问题。

为了实现上述发明目的，本申请提出一种违约预测模型的生成方法，所述方法包括：

获取待预测企业的全量标签数据，以及所述待预测企业所属行业的行业标签数据；

根据所述全量标签数据对预设的初始决策树模型和初始梯度迭代树模型进行训练，分别得到全量决策树模型和全量梯度树模型；

根据所述行业标签数据对所述初始决策树模型和初始梯度迭代树模型进行训练，分别得到分量决策树模型和分量梯度树模型；

基于预设的第一融合规则和第二融合规则，对所述全量决策树模型、全量梯度树模型、分量决策树模型和分量梯度树模型进行融合计算，得到第一融合模型和第二融合模型；

获取验证数据集，通过所述第一融合模型和第二融合模型分别对所述验证数据集进行违约概率计算；

根据所述违约概率进行预测准确性分类，并根据所述预测准确性的分类结果在所述第一融合模型和第二融合模型中选取目标违约预测模型。

进一步的，所述基于预设的第一融合规则和第二融合规则，对所述全量决策树模型、全量梯度树模型、分量决策树模型和分量梯度树模型进行融合计算，得到第一融合模型和第二融合模型，包括：

对所述全量决策树模型和分量决策树模型进行宽松投票计算，得到宽松决策树模型，对所述全量决策树模型和分量决策树模型进行严格投票计算，得到严格决策树模型；

对所述全量梯度树模型和分量梯度树模型进行宽松投票计算，得到宽松梯度树模型，对所述全量梯度树模型和分量梯度树模型进行严格投票计算，得到严格梯度树模型；

对所述宽松决策树模型和宽松梯度树模型进行宽松投票计算，得到所述第一融合模型，对所述严格决策树模型和严格梯度树模型进行严格投票计算，得到所述第二融合模型。

进一步的，所述根据所述违约概率进行预测准确性分类，并根据所述预测准确性的分类结果在所述第一融合模型和第二融合模型中选取目标违约预测模型，包括：

获取所述验证数据集对应的标准预测结果，根据所述违约概率和所述标准预测结果对所述违约概率的预测准确性进行分类，得到所述分类结果；