一种动态调整的企业信用风险评估方法与流程

文档序号:16001430发布日期:2018-11-20 19:30阅读:1713来源:国知局

本发明涉及数据分析和处理领域,尤其涉及一种动态调整的企业信用风险评估方法。



背景技术:

企业的信用水平是决定银行和投资机构进行贷款或投资时考虑的重要因素。然而,目前我国信用市场发展不成熟,缺乏统一的信用记录标准和客观的风险评估规范,导致很大一部分企业信用缺失。这样的市场状态,一方面严重阻碍了对诚信企业的投资行为,导致企业融资困难,成本高企不下,业务发展受阻;另一方面,也给银行和投资机构造成了沉重的不良资产负担,降低其利润和市场竞争力。建立一套公正客观的企业信用评估模型,对于合理衡量企业风险水平,创建健康的信用市场,具有重要意义。

目前,在信用风险评估和金融产品定价等方面,多数机构还是采用传统的计算方式,例如在穆迪的评分公式中,影响企业信用评分的主要因素包括利息备付率(CV)、杠杆率(LV)、投资回报率(ROA)、营收稳定性(RS)、波动性调整后的杠杆率(vLV)和总资产(AT)等,并不考虑外部因素的影响,只依赖财务指标进行计算。以下为穆迪使用的基本评分公式:

FR=WCVRCV+WLVRLV+WROARROA+WRSRRS+WvLVRvLV+WATRAT

+WCV×ATRCV×AT

类似地,大多数信用评级机构采用类似的公式,使用企业周期性公布的财务数据,计算相关财务指标,计算信用评分,并相应建立评级。

此外,现有的技术方案主要包括:

1、使用传统信用评分模型,定期计算企业财务指标,代入公式进行计算。该方案存在以下不足:由于财务指标更新周期较长,并存在数据延迟、不完整、不真实等各种可能的情况,导致信用评分更新缓慢,不能客观全面地反映在某个时间点的企业风险状态。对于各种突发事件无法做出及时的反映,导致可能出现的违约损失。

2、在财务指标之外,考虑反映企业风险的其他因素,如和企业主体相关的舆情,主要是负面舆情。通过将舆情与企业主体关联,在信用评分和评级之外,增加影响信用风险的额外信息,供投资/贷款主体进行主观判断,全面衡量企业的风险指标。舆情等额外风险因素的引入给投资者提供了全面判断企业风险状况的可能,但因为舆情数据量非常大,而且更新迅速,对于大多数人来说无法保证及时获取完整信息,即使这些数据都能够取得,对于企业风险有多大影响,还是需要依赖投资者的主观经验判断,存在多种漏判或误判的可能。缺少量化的指标,导致此类方法缺乏客观公正性和实际中的可操作性。



技术实现要素:

针对现有技术之不足,本发明提出了一种动态调整的企业信用风险评估方法,其包括以下步骤:

步骤1:通过网络爬虫以预设的周期抓取设定的新闻采集网站上的大量新闻;

步骤2:在新闻中进行企业主体提取,标注出新闻文本中的企业主体名称。

步骤3:对于一定数量含有企业主体的新闻,对其进行情感标注,情感标签分为正面/中性/负面三种;对于正面和负面新闻,将其分为高/中/低三类;

步骤4:使用专家标注的金标数据,采用机器学习模型训练新闻情感的分类器;

步骤5:对于获取的大量未标注新闻数据,使用步骤4中训练的模型对其进行分类;

步骤6:根据与一个企业主体相关的正面、负面、中性新闻数量,分别计算一个分类累计分值;

步骤7:综合新闻的数量和其中情感类型的分布,计算新闻舆情的总体评分值;

步骤8:结合财务指标和舆情指标,采用加权求和的方式计算总体信用风险评分,该评分能够基于实时的新闻进行动态更新;

步骤9:进行信用评分和相应信用评级的输出,并根据预设规则在特定场景下对客户进行相应的提示或告警。

根据一个优选实施方式,在步骤1中,设定的新闻采集网站包括:主要门户网站的财经新闻模块、专业性的金融、投资、债券、股票、衍生品相关网站,以及政策、法律、企业主管行政机构、法院、公安机关等的网站公告。

根据一个优选实施方式,在步骤2中,采用深度学习模型从新闻文本中提取企业主体名称,所述深度学习模型的输入是文本序列的每个词转化成的多维向量,该序列进入由LSTM单元组成的双向循环神经网络,输出后再使用条件随机场(CRF)对其进行全局优化。

根据一个优选实施方式,在步骤4中,所述分类器采用的分类算法包括支持向量机、贝叶斯模型、决策树和神经网络算法。

本发明具有以下有益效果:

本发明针对传统信用风险模型中只使用静态财务数据,不能实时跟踪最新企业经营状况的特点,设计了一种结合企业相关的新闻舆情和财务指标综合评估企业信用风险的方法。该方法在大规模采集网络舆情的基础上,使用人工标注的金标数据训练分类器,然后对于未标注数据进行情感方向和严重性的划分。下一步,对新闻文本中的企业主体名称进行提取,并统计与该主体相关的新闻数量和情感类型分布,综合计算其舆情得分,再结合传统的财务数据指标得到一个综合的信用评分和评级,并基于预设的规则提供数据的提示及告警服务。与现有技术方案相比,该方法的主要优势在于:可以动态跟踪与企业相关的最新舆情,及时发现与信用风险相关的因素,第一时间更新风险指标,为客户提供及时的提示和告警,帮助其抓住获利机会,避免风险损失。

附图说明

图1示出了本发明的方法流程图;

图2示出了本发明从新闻文本中提取企业主体名称的深度学习模型。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。

如图1所示,本发明的动态调整的企业信用风险评估方法包括以下步骤:

步骤1:采用网络爬虫或类似方式,覆盖主要门户网站的财经新闻模块和专业性的金融、投资、债券、股票、衍生品相关网站,以及政策、法律、企业主管行政机构、法院、公安机关等的公告模型,使用较短的周期准实时抓取最新的大量新闻。前述时间周期可以根据用户需求以及特定情况下的数据量来进行调整,通常为1天。

步骤2:在新闻中进行企业主体提取,标注出新闻文本中的企业主体名称。

步骤3:对于一定数量的含有企业主体新闻,对其进行情感标注,情感标签分为正面/中性/负面三种,分别表示该新闻对于企业的经营情况有相同方向的影响,以及对其信用风险有相反方向的影响。可选地,对于正面和负面新闻,根据其影响的严重程度以及预先设定的规则,将其分为高/中/低三类。

步骤4:使用专家标注的高质量(金标)数据,使用各种机器学习模型训练新闻情感的分类器,分类器模型可以在各种通用分类算法中选择,包括支持向量机、贝叶斯模型、决策树、神经网络等。

步骤5:对于获取的大量未标注新闻数据,使用步骤4中训练的模型对其进行分类。根据使用模型的不同,对于接近分类边缘(如支持向量机)或分类置信度不高(如贝叶斯模型等)的样本,为了不影响评分模型的精度,不参与后续的计算。

步骤6:根据与一个主体相关的正面、负面、中性新闻数量,分别计算一个分类累计分值,该分值的计算中考虑到了新闻的时效性,进行一定的衰减,从而保证最新的新闻具有较大的影响。

步骤7:综合新闻的数量和其中不同情感类型的分布情况,计算新闻舆情的总体评分值。

步骤8:结合财务指标和舆情指标,采用加权求和的方式计算总体信用风险评分,该评分可以基于实时的新闻进行动态更新。

步骤9:进行信用评分和评级的输出,并根据预设规则,在特定场景下对客户进行相应的提示或告警。前述预设规则包括但不限于:1、在特定企业主体的信用评分和评级达到或低于预设评分/评级时,以短信、通知消息或邮件通知等方式进行提示风险提示或告警。2、在特定企业主体的信用评分和评级达到或超过评分/评级时,以短信、通知消息或邮件通知等方式进行机会提示。

如图2所示为从新闻文本中提取企业主体名称的深度学习模型。其中输入是文本序列的每个词使用词嵌入方法(备选方案包括Word2Vec和GloVe等)转化成的多维向量,该序列进入由LSTM(长短时记忆)单元组成的双向循环神经网络,该网络输出后再使用条件随机场(CRF)对其进行全局优化。

在对新闻数据进行分类后,假定和某个企业主体相关的新闻分为三类(不考虑正面和负面新闻的严重性划分),分别为N+、N-和N0,分别代表正面、负面和中性的新闻,则其正面和负面的新闻分值分别为:

其中,指数部分计算的是当前时间和新闻时间的差,使用系数λ控制其衰减快慢,在不考虑时间衰减的前提下,每条正面新闻记1个单位正值,负面新闻记1个单位负值,中性新闻均记为0,所以不参与计算。

相应地,舆情的总情感得分计算公式为:

需要说明的是,以上仅以分三类为例,描述了一种情感得分的计算公式。当存在更多类型划分(例如增加与影响程度相关的高/中/低分类指标时),或根据需要使用略有不同的计算方法时,同样属于本发明涵盖的范围。

舆情得分与其余财务指标组合的公式取决于基本信用评分模型,可以将舆情分值视为与其他财务指标等同,其权重根据经验予以确定。例如在传统的穆迪信用评分公式中,共有7个不同权重,可以将它们均设为0.1,舆情得分的权重WNEWS=0.3。

本发明针对传统信用风险模型中只使用静态财务数据,不能实时跟踪最新企业经营状况的特点,设计了一种结合企业相关的新闻舆情,综合评估企业信用风险的方法。该方法在大规模采集网络舆情的基础上,使用人工标注的金标数据训练分类器,然后对于未标注数据进行情感方向和严重性的划分。下一步,对新闻文本中的企业主体名称进行提取,并统计与该主体相关的新闻数量和情感类型分布,综合计算其舆情得分,再结合传统的财务数据指标得到一个综合的信用评分和评级,并基于预设的规则提供数据的提示与告警服务。该方法的主要优势是,可以动态跟踪与企业相关的最新舆情,及时发现与信用风险相关的因素,第一时间更新风险指标,为客户提供及时的提示和告警,帮助其抓住获利机会,避免风险损失。

需要注意的是,上述具体实施例是示例性的,本领域技术人员可以在本发明公开内容的启发下想出各种解决方案,而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白,本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。

当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1