[发明专利]信托产品定价方法、装置、存储介质及电子装置

说明书

本发明实施例提供了一种信托产品定价方法、装置、存储介质及电子装置。该方法包括：对采集的信托产品数据做预处理；用预处理后的信托产品数据训练集成分类回归树模型；基于训练后的集成分类回归树模型对待预测信托产品的定价进行预测。通过本发明实施例，基于集成分类回归树模型，能够有效处理高维度特征的数据，对于大量数据缺失的数据集也有较强的适应能力，可以解决相关技术中采用多元线性回归模型预测信托产品定价时，存在的模型稳定性差、需要耗费大量人力和时间筛选处理信托产品数据、模型的预测效果不好的问题，达到模型训练速度快、泛化能力和稳定性更强的效果。

技术领域

本发明实施例涉及数据处理领域，具体而言，涉及一种信托产品定价方法、装置、存储介质及电子装置。

背景技术

我国的信托业的信托资产规模自2008年以来，几乎以每年平均一万亿元的速度增长，成为了国民经济发展过程中的重要组成部分。因此，信托产品定价机制的研究有着重大意义,信托业的持续发展有效推动了我国经济的增长和资本市场的完善。

对于信托产品的定价，其影响因素比较多，主要有发行规模、产品期限、信用风险、利率风险和通货膨胀风险等。在现有的信托产品定价业务领域中，由于信托产品交易门槛规定一百万起，从而导致了我国信托产品市场交易者有限，难以形成充分市场化的定价。部分信托公司只能通过提高预期的收益率来吸引顾客，缺乏科学分析依据。因此，需要能够基于信托产品的自身属性和交易对手的三百六十度画像等特征，通过大数据分析挖掘技术，对不同行业(如房地产和基础建设等)的预期收益率进行预测，从而对信托产品实现智能化定价。

智能定价相比于基于专家经验的定价方式，在原有人工经验定价的基础上，通过大数据分析挖掘，再结合市场动向趋势、同业产品定价水平、内部产品发展规划等，能够提供分析结果，从而有效降低风险水平和风控成本。因此，一方面，智能定价能够给出更优的风险定价；另一方面，智能定价能够摆脱人工线下的定价流程及方式，通过系统化、线上化定价实现定价流程的可追踪，从而提升和优化定价流程的效率。

现有的信托产品智能定价模型主要基于多元线性回归模型(multivariablelinear regression model)，该模型通过专业的业务人员选取与产品期望收益存在显著线性关系的变量训练模型来预测未来收益率。

多元线性回归模型通常用来研究一个因变量依赖多个自变量的变化关系，如果二者的依赖关系可以用线性形式来刻画，则可以建立多元线性回归模型来进行分析。多元线性回归模型的一般形式如下所示：

y＝β₀+β₁x₁+…+β_kx_k+ξ

其中，x₁，…，x_k为自变量，y是因变量，β₀为常数项，β₁，…，β_k为回归系数，ξ为随机误差项。

多元线性回归模型的矩阵表达式为：

Y＝XB+ε，

其中，

建立多元线性回归模型时，为了保证模型具有良好的预测效果和解释性，对自变量的选取应满足以下几个条件：

(1)自变量对因变量必须有显著影响，且满足线性关系；

(2)自变量与误差项不相关，即Cov(x_ij，ξ_i)＝0；

(3)自变量之间应排除多重共线性，即自变量之间的相关程度不应高于自变量与因变量之间的相关程度；

(4)误差项服从正态分布，均值为零，同方差且相互独立。