[发明专利]一种利用深度网络学习模糊信息特征技术的信用评级预测分类方法

说明书

本发明涉及一种利用深度网络学习模糊信息特征技术的信用评级预测分类方法，与现有技术相比解决了公开数据无法满足信用评级分类需要的缺陷。本发明包括以下步骤：基础数据的获取；基础数据的预处理；构建信用评级预测网络；信用评级预测网络的训练；获取待预测对象的的信用评级数据信息；预测对象的信用评级预测分类。本发明通过公开的模糊信息模拟预测出非公开的精准信息数据，并生成信用评级分类结果，实现公开数据对非公开数据结果的有效预测分析。

技术领域

本发明涉及数据预测分析技术领域，具体来说是一种利用深度网络学习模糊信息特征技术的信用评级预测分类方法。

背景技术

信用评级指独立的第三方信用评级中介机构对债务人如期足额偿还债务本息的能力和意愿进行评价，并用简单的评级符号表示其违约风险和损失的严重程度。同时，信用评级则是对评级对象履行相关合同和经济承诺的能力和意愿的总体评价。随着大数据分析技术的成熟，信用评级已从传统的感性认识判断上升为众多数据支撑而形成的理性分析。

现有技术从数据分析角度，对大量的数据经过推算、演变等相关算法，获得相应的信用等级分析结果。如专利号为“201210201461.6”、专利名称为“基于信用等级与违约损失率匹配的信用评级系统与方法”的授权发明专利；再如专利号为“201210201114.3”、专利名称为“基于信用等级与违约损失率匹配的信用评级调整方法”的授权发明专利。

但现有技术中的信用评级预测分析均是从金融算法、统计学方法等角度提出了更为优秀、准确的评级方法，并未真正基于大数据分析、人工智能角度进行技术考虑。并且，随着企业数据安全意识的提高和相关要求，企业的基本信息、财务数据等用于信用评级的基础核心数据已不对外公开，以导致无法进行有效的信用评级分类。与此同时，预测技术已趋向成熟，在各个应用领域均取得了一定的成效。

因此，如何将预测分析技术应用在信用评级上，通过少量的公开数据预测出非公开数据并得出信用预测分类结果已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中公开数据无法满足信用评级分类需要的缺陷，提供一种利用深度网络学习模糊信息特征技术的信用评级预测分类方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种利用深度网络学习模糊信息特征技术的信用评级预测分类方法，包括以下步骤：

基础数据的获取：获取用于信用评级的模糊信息数据和精准信息数据，其中，模糊信息数据为企业信用评级的公开数据，精准信息数据为企业信用评级的非公开数据；

基础数据的预处理：对模糊信息数据和精准信息数据分别进行处理，分别提取出模糊信息数据、精准信息数据的定量信息、定性信息，并对定量信息进行标准化处理、定性信息进行数字化处理；

构建信用评级预测网络：构建包括学习网络和预测评级网络在内的信用评级预测网络，其中预测评级网络分为竞争分支网络与评级分类分支网络；

信用评级预测网络的训练：利用模糊信息数据和精准信息数据对信用评级预测网络进行训练；

获取待预测对象的的信用评级数据信息：获取待预测对象的待预测模糊信息数据，提取出待预测模糊信息数据内的定量信息、定性信息；

预测对象的信用评级预测分类：将待预测模糊信息数据内的定量信息标准化、定性信息数字化后输入训练后的信用评级预测网络，通过待预测模糊信息数据预测出类似精准信息数据的特征，并得到该预测对象的信用评级等级。

所述的构建信用评级预测网络包括以下步骤：

构建学习网络，设定学习网络为深度残差特征学习模型；