[发明专利]基于多维度模型的债券信用评级方法及相关设备

权利要求书

1.一种基于多维度模型的债券信用评级方法，其特征在于，所述方法包括：

获取待评级债券的指标数据源集合，所述指标数据源集合包括所述待评级债券的发行主体的财务数据和经营数据；

将所述指标数据源集合输入至多维度评级模型，所述多维度评级模型包括决策融合规则以及多个评级模型；

从所述指标数据源集合中确定多个评级模型分别对应的多个目标指标数据源；

根据多个评级模型及其分别对应的多个目标指标数据源，计算得到多个评级模型分别对应的多个信用评级结果；

根据所述决策融合规则对所述多个信用评级结果进行处理，得到所述待评级债券的决策融合信用评级结果。

2.根据权利要求1所述的基于多维度模型的债券信用评级方法，其特征在于，所述多维度评级模型为模型树，所述模型树包括根节点、多个枝节点和多个叶节点，多个叶节点分别对应多个评级模型，所述根节点和所述多个枝节点分别对应至少一个子树，所述子树为枝节点或叶节点；所述决策融合规则包括根节点和多个枝节点分别对应的决策融合算法，所述决策融合算法用于将根节点或枝节点的子树的信用评级结果进行处理以得到根节点或枝节点的信用评级结果。

3.根据权利要求2所述的基于多维度模型的债券信用评级方法，其特征在于，所述根据所述决策融合规则对所述多个信用评级结果进行处理，得到所述待评级债券的决策融合信用评级结果，包括：

根据所述枝节点对应的决策融合算法，对所述枝节点对应的子树的信用评级结果进行处理，得到所述枝节点的信用评级结果；

在计算得到所有枝节点的信用评级结果后，根据所述根节点对应的决策融合算法，对所述根节点对应的子树的信用评级结果进行处理，得到所述待评级债券的决策融合信用评级结果。

4.根据权利要求2所述的基于多维度模型的债券信用评级方法，其特征在于，所述评级模型包括判别分析、综合评判、模糊分析、权重打分、随机森林RF、支持向量机SVM、K最邻近法KNN、人工神经网络ANN、深度学习DL或贝叶斯分类，所述决策融合算法包括权重打分、0-1判别、矩阵映射或空间向量。

5.根据权利要求1所述的基于多维度模型的债券信用评级方法，其特征在于，所述获取待评级债券的指标数据源集合，包括：

获取所述待评级债券的指标源数据；

对所述指标源数据进行规格化整合得到所述待评级债券的指标数据源集合。

6.根据权利要求5所述的基于多维度模型的债券信用评级方法，其特征在于，所述对所述指标源数据进行规格化整合得到所述待评级债券的指标数据源集合，包括：

将非结构化的所述指标源数据转化为结构化的数据初始集合；

对所述数据初始集合进行数据清洗，以去除所述数据初始集合中的干扰数据；

根据清洗后的数据初始集合的结构化特征对所述数据初始集合进行分类整理，得到所述指标数据源集合。

7.根据权利要求5所述的基于多维度模型的债券信用评级方法，其特征在于，所述指标源数据包括外部指标源数据和内部指标源数据；所述获取所述待评级债券的指标源数据，包括：

从外部数据库获取所述待评级债券的外部指标源数据；

响应于用户触发的业务需求，基于所述外部指标源数据衍生得到内部指标源数据。

8.根据权利要求1所述的基于多维度模型的债券信用评级方法，其特征在于，所述将所述指标数据源集合输入至多维度评级模型，所述多维度评级模型包括决策融合规则以及多个评级模型之前，还包括：

响应于用户触发的业务需求，对所述多维度评级模型中的决策融合规则和/或多个评级模型进行调整。