[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

说明书

本申请公开了一种基于多维度模型的债券信用评级方法及相关设备。该方法包括：获取待评级债券的指标数据源集合，指标数据源集合包括待评级债券的发行主体的财务数据和经营数据；将指标数据源集合输入至多维度评级模型，多维度评级模型包括决策融合规则以及多个评级模型；从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；根据决策融合规则对多个信用评级结果进行处理，得到待评级债券的决策融合信用评级结果。根据本申请实施例，能够根据多种评级模型得到全面、准确的信用评级结果，提升债券信用评级的准确性。

技术领域

本申请属于人工智能技术领域，尤其涉及一种基于多维度模型的债券信用评级方法及相关设备。

背景技术

目前，为了方便投资者们在企业或经济主体发行有价债券时，能够根据发行人的信誉进行投资决策，通常会对发行人发行的债券为对象进行信用评级。并且，为了保持债券市场的健康、平稳运行，也需要及时、有效地向投资者揭示各类债券的信用风险。

现有的信用评级，主要采用判别分析、综合评判或模糊分析等方式，随着人工智能技术的不断发展，目前越来越多的研究人员也开始采用机器学习进行信用评级。然而，在现有的债券市场中，实际信用风险自有业务体系、经营指标、市场竞争、外部环境、央行资管新规政策等多种因素的影响，而上述信用评级的方式均无法全面地体现出实际存在的信用风险，导致信用评级的准确性较低。

发明内容

本申请实施例提供了一种基于多维度模型的债券信用评级方法及相关设备，能够解决现有的信用评级方式准确性较低的问题。

第一方面，本申请实施例提供一种基于多维度模型的债券信用评级方法，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。

在一些实施例中，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。

在一些实施例中，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。

在一些实施例中，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。

在一些实施例中，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；