[发明专利]用于评估信用风险的深度学习方法

说明书

本文中描述了促进信用风险评估的系统和方法。本文中描述的系统和方法涉及实现和训练包括文档模型和企业模型的信用风险模型。可以将文档模型配置为读取文档的文本，理解单词、短语与一个或多个财务事件的发生之间的长期关系，并基于文档创建指示财务事件是否可能发生的文档分数。可以生成文档模型状态向量，该文档模型状态向量表示基于文档分数针对给定实体在每个文档中以及跨一组文档识别的重要特征和关系。企业模型可以基于与实体相关联的文档的文档模型状态向量产生表示该实体发生财务事件的总体可能性的违约概率分数序列。

相关申请的交叉引用

本申请要求2018年4月11日递交的、名称为“DEEP LEARNING APPROACH FORASSESSING CORPORATE CREDIT RISK”的美国临时专利申请序列号No.62/655,974的权益，其通过引用整体并入本文中。

技术领域

本文中描述的系统和方法涉及评估信用风险。

背景技术

申请破产和/或债务违约可能对诸如企业或公司的实体的信用产生不利影响。重要的是能够识别实体可能面临的未来的不利事件并建立程序以测量、减轻和管理风险。例如，向实体提供信贷的投资者必须能够评估此类活动造成的潜在损失。同样，持有实体股权的投资者必须能够评估影响这些投资的潜在波动性，并相应地调整其投资组合。

存在各种信用风险模型来评估实体的违约概率。这些信用风险模型可以利用广泛的来源。这些数据源的许多可能直接来自公共数据源。例如，各种现有的信用风险模型可以使用财务账户数据(诸如财务比率和来自定价服务的定价信息)，基于实体对其债务违约的可能性来对实体(例如公司或企业)进行评级。在现有的信用风险模型中计算的示例度量可以包括违约概率(例如，实体将无法履行其财务义务的可能性)和违约损失(例如，如果发生违约，则向该实体提供信贷的投资者所预计损失的金额)。

尽管现有信用风险模型所利用的信息源为信用风险建模过程提供了宝贵的输入，但现有模型忽略了大量可公开获得的信息。例如，基于文本的数据源(例如，报道公司的过去、目前和可能的未来事件的新闻文章)通常包含信用风险建模过程中未考虑的重要信息。另外，这些过程通常不分析这些数据源中所包含的文本的语义上下文。因此，除了目前现有信用风险模型所考虑的财务账户数据之外，还需要一种改进的信用风险建模方法，该方法能够考虑与实体相关的文档，包括这些文档中的非结构化文本。

发明内容

本文中所述的系统和方法涉及实现和训练信用风险模型。例如，本文中描述的系统和方法可以涉及被配置为利用下一代深度学习神经网络来从计算方面评估各种实体的信用质量的系统。在各种实施方式中，该系统可以分析来自文档的非结构化文本，以确定指示一个或多个未来财务事件(例如，诸如破产或违约的财务恶化、或者财务改善)的单词之间的关系以及短语之间的关系，所述文档包括新闻、研究、文件、文字记录和/或其它文本或表格来源中的一者或多者。系统可以在各个文档中的单词和短语的含义和/或上下文中理解关系，而无需预处理文本或创建停用词、n-gram(N元模型)和/或用于词袋模型(bag-of-words model)中的文本挖掘的其它字典。

本文中所描述的系统和方法所利用的信用风险模型表示对现有信用风险模型的改进。例如，通过在单个模型框架内统一多种不同的信用风险建模方法，本文中所描述的信用风险模型对实体的违约概率进行改进的评估，该评估考虑了与实体相关的可用的附加信息(例如与该实体相关的包括非结构化文本的文档)。改进的信用风险模型能够单独或共同查看这些文档，以识别一组文档之间的关系。另外，本文中所描述的信用风险模型产生违约概率分数序列，该违约概率分数序列表示实体发生一个或多个财务事件的总体可能性。因此，与传统的信用风险模型不同，本文中所描述的系统和方法能够在一段时间内以各种间隔产生实体的违约概率的指示，而不是在一个特定时间对实体的违约概率进行单次评估。