[发明专利]一种基于机器学习的债券风险评估方法及系统

权利要求书

1.一种基于机器学习的债券风险评估方法，其特征在于，所述方法包括：

采集目标公司的基础信息，其中，所述基础信息包括资产规模信息、销售信息、信用等级信息、盈余信息；

基于大数据进行数据筛选标识，基于筛选标识结果确定训练数据集合，其中，构成所述训练数据集合中的每一组数据均包括资产规模信息、销售信息、信用等级信息、盈余信息和风险评级标识信息；

对所述训练数据集合的每组数据中的数据占比权重平均值进行标识排序，获得顺序排序结果；

构建初始权重占比约束区间，基于所述初始权重占比约束区间进行所述顺序排序结果的权重约束，得到初始约束结果；

将所述训练数据集合中的资产规模信息、销售信息、信用等级信息、盈余信息作为输入数据，将风险评级标识信息作为监督数据，将所述初始约束结果作为隐含层计算权重约束条件，构建债券评级模型；

将所述基础信息输入构建完成的所述债券评级模型，获得评级输出结果。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

基于大数据构建测试数据集合；

通过所述测试数据集合进行所述债券评级模型的模型测试，输出测试结果；

判断所述输出测试结果的准确率是否满足预期阈值；

当所述输出测试结果的准确率不能满足所述预期阈值时，则继续对所述债券评级模型进行构建优化，直至所述债券评级模型的输出测试结果准确率满足所述预期阈值，即完成所述债券评级模型的构建。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

基于所述输出测试结果进行偏差测试结果整合，得到异常评级集合；

获得所述异常评级集合对应的测试数据信息，基于所述测试数据集合对所述测试数据信息进行共性特征整合，生成共性特征整合结果；

基于所述共性特征整合结果获得所述债券评级模型的灵敏度分析结果；

通过所述灵敏度分析结果进行所述债券评级模型的优化处理。

4.如权利要求3所述的方法，其特征在于，所述方法还包括：

判断所述灵敏度分析结果是否满足预设灵敏度阈值；

当所述灵敏度分析结果不满足所述预设灵敏度阈值时，则基于所述共性特征整合结果进行所述初始权重占比约束区间优化，获得优化权重占比约束区间；

基于所述优化权重占比约束区间进行所述债券评级模型的增量优化，生成增量优化债券评级模型；

基于所述增量优化债券评级模型进行包含所述共性特征整合结果特征的数据处理。

5.如权利要求1所述的方法，其特征在于，所述方法还包括：

获得构建债券评级模型过程中的模型收敛速度评价值；

判断所述收敛速度评价值是否满足收敛阈值；

当所述收敛速度评价值不满足所述收敛阈值时，则选定补偿约束特征；

通过所述补偿约束特征进行所述训练数据集合中每组训练数据的数据补偿采集，并将补偿采集结果添加至所述训练数据集合中；

通过进行补偿后的所述训练数据集合进行所述债券评级模型的构建。

6.如权利要求1所述的方法，其特征在于，所述方法还包括：

对所述训练数据集合中的样本数据进行样本丰富性评价，生成样本丰富性评价结果；

对所述训练数据集合中的样本数据进行样本量评价，生成样本总量评价结果；

通过所述样本丰富性评价结果和所述样本总量评价结果进行所述训练数据集合中的样本数据优化，获得优化训练数据集合；

通过所述优化训练数据集合进行所述债券评级模型的构建。

7.如权利要求1所述的方法，其特征在于，所述方法还包括：

判断所述训练数据集合中的样本量是否存在样本不足；

当存在样本不足时，则调用加密样本数据；

通过所述加密样本数据和所述训练数据完成所述债券评级模型的构建。

8.一种基于机器学习的债券风险评估系统，其特征在于，所述系统包括：

基础信息采集模块，所述基础信息采集模块用于采集目标公司的基础信息，其中，所述基础信息包括资产规模信息、销售信息、信用等级信息、盈余信息；

训练数据确定模块，所述训练数据确定模块用于基于大数据进行数据筛选标识，基于筛选标识结果确定训练数据集合，其中，构成所述训练数据集合中的每一组数据均包括资产规模信息、销售信息、信用等级信息、盈余信息和风险评级标识信息；

标识排序模块，所述标识排序模块用于对所述训练数据集合的每组数据中的数据占比权重平均值进行标识排序，获得顺序排序结果；

权重约束模块，所述权重约束模块用于构建初始权重占比约束区间，基于所述初始权重占比约束区间进行所述顺序排序结果的权重约束，得到初始约束结果；

评级模型构建模块，所述评级模型构建模块用于将所述训练数据集合中的资产规模信息、销售信息、信用等级信息、盈余信息作为输入数据，将风险评级标识信息作为监督数据，将所述初始约束结果作为隐含层计算权重约束条件，构建债券评级模型；

评级结果输出模块，所述评级结果输出模块用于将所述基础信息输入构建完成的所述债券评级模型，获得评级输出结果。