[发明专利]一种基于机器学习的债券风险评估方法及系统

说明书

本申请公开了一种基于机器学习的债券风险评估方法及系统，属于人工智能领域，所述方法包括：采集目标公司的基础信息，基于大数据进行数据筛选标识，确定训练数据集合，对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，对顺序排序结果进行权重约束，得到初始约束结果，将训练数据集合作为输入数据，将风险评级标识信息作为监督数据，将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，输入基础信息，获得评级输出结果。本申请解决了现有技术中存在无法对债券风险进行准确评估，评估效率低的技术问题，达到了提高债券风险评估的准确率，优化风险评估速度的技术效果。

技术领域

本申请涉及人工智能领域，尤其涉及一种基于机器学习的债券风险评估方法及系统。

背景技术

近年来，债券市场作为金融市场中的重要基础组成部分，又为最大的直接融资平台，与金融和实体经济发展的关系都十分紧密。随着信用债券市场扩容，在支持企业融资的同时，发行主体资质日趋多元化，随之而来的风险也随之上升。

目前，国内评级行业高度分散，行业风险评估标准化建设滞后，对于债券的风险评估水准无法达到国际认可的标准。同时在对企业进行债券评级的工作中，由于数据众多，对数据进行分析评价的原始工作量巨大，仅仅基于现有的人工评分模式，无法快速的对数据进行处理，同时也无法保证数据分析结果的准确性。然而，即使是在通过机器学习对数据进行处理的过程中，也会由于无法准确把握评价指标，准确提取评级的核心因素来对评级过程进行优化，从而导致评估结果不准确，无法准确指导投资决策、规避市场风险。现有技术中存在无法对债券风险进行准确评估，评估效率低的技术问题。

发明内容

本申请的目的是提供一种基于机器学习的债券风险评估方法及系统，用以解决现有技术中存在无法对债券风险进行准确评估，评估效率低的技术问题。

鉴于上述问题，本申请提供了一种基于机器学习的债券风险评估方法及系统。

第一方面，本申请提供了一种基于机器学习的债券风险评估方法，其中，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。

另一方面，本申请还提供了一种基于机器学习的债券风险评估系统，其中，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。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：