[发明专利]一种基于机器学习模型算法的债券违约预警识别技术

说明书

本发明公开了一种基于机器学习模型算法的债券违约预警识别技术，涉及人工智能技术领域，将所获得的发债企业过去十五年每季财务数据以及其行业类别、所属区域等标签送入模型，进行数据预处理，删除缺失较为严重的特征变量后，对数据进行规则化的缺失值填充，然后进行特征工程，将不同特征变量进行不同操作，如线性变化、非线性变化、等频分箱、不等频分箱等，非标数据进行Onehot(独热)编码处理等，数据处理完毕后将处理好的数据放入模型训练，通过降采样和升采样技术解决违约企业样本和正常企业样本不平衡的问题，设置白名单来解决噪音数据问题，并运用贝叶斯调参自动调整相关超参数，进而得到训练好的最优模型，运用在实际数据中。

技术领域

本发明涉及人工智能技术领域，具体为一种基于机器学习模型算法的债券违约预警识别技术。

背景技术

尽管债券市场有外部评级参考、有内部评级决策，但是传统的信用评级方法只能解决排序的问题，不能解决风险预警的问题。中外信用评级机构都在信用等级调整滞后上受到质疑，这本质上是源于信用评级方法的问题。很多企业在发债首次评级时都是不错的企业，但随着内外部经营环境的变化，企业的信用风险也会发生变化，有些企业会逐步走向债务违约。

进入大数据时代，信息壁垒越来越低，信息传播速度越来越快。对于机构投资者而言，以往通过资讯优势赚信息不对称价差的时代将不再。传统评级的诸多问题也不断暴露，难以解决。传统信用评级对应的是专家的经验，级别确定人为因素太多，需要一家一家打分确定级别，效率较低。在实际应用上信用评级级别混杂，级别调整滞后，尤其是外部评级，而试图取代外部评级的内部评级又受到信评人员参差不齐，监控效率有限的影响，最终是否预警容易受到人的立场及主观判断影响

发明内容

针对现有技术的不足，本发明提供了一种基于机器学习模型算法的债券违约预警识别技术。

为实现以上目的，本发明通过以下技术方案予以实现：一种基于机器学习模型算法的债券违约预警识别技术A1：数据处理，包括读取数据、预定义字典和特征工程，将所获得的发债企业过去每季财务数据以及其行业类别、所属区域等标签送入模型，进行数据预处理，删除缺失较为严重的特征变量后，对数据进行规则化的缺失值填充，然后进行特征工程。

A2：模型训练，包括对A1中处理的数据进行切分，然后预训练多个模型，获取最优参数后，做模型融合，将不同特征变量进行不同操作，如线性变化、非线性变化、等频分箱、不等频分箱等，非标数据进行Onehot(独热)编码处理等，数据处理完毕后将处理好的数据放入模型训练，通过降采样和升采样技术解决违约企业样本和正常企业样本不平衡的问题，设置白名单来解决噪音数据问题，并运用贝叶斯调参自动调整相关超参数，进而得到训练好的最优模型，运用在实际数据中。

优选的，所述步骤A1中，数据读取包括，读取公司数据，剔除其他数据，只获取产业类企业的相关公司数据，根据先验概率以及特征相关性，人为选择特征，并将企业性质和二级分类重新分类，将城投等企业剔除出去，删除缺失严重的数据，除评级外，某项特征缺失的数据剔除，读取违约的公司和所有的财报数据，缺失特征数目大于12的数据删除，将在白名单中的企业从训练数据中剔除，读取违约的公司和所有的财报数据，缺失特征数目大于12的数据删除，将在白名单中的企业从训练数据中剔除。

优选的，所述设置财报数据中某些样本为违约样本，根据预定义参数不同，违约样本的判定也将不同，将判定为违约的违约样本判定为1，剩余的违约企业财报数据标记为0，财报数据中根据season和delta判预测样本，不参与训练标记为-2，其余的都标记为-1，添加评级日特征。

优选的，所述对应所有年份的中值，各个年份的中值，根据年份和各离散型类别特征做分类的中值，预定义字典。