风险指标估计模型的检查系统、方法及存储介质与流程
本发明涉及计算机技术领域，具体而言，涉及一种风险指标估计模型的检查系统、方法及存储介质。
背景技术：
银行根据“巴塞尔iii”规定的风险加权资产计算规则，对未违约的主权、金融机构、公司和零售等的风险暴露的风险加权资产(rwa)计算时，需要利用违约概率(pd)、违约损失率(lgd)以及违约风险暴露(ead)等风险指标，这些风险指标需要银行自行开发相应的模型进行估计。然而，金融机构在对这些风险指标进行估计时，多使用自行开发的复杂度高的人工智能模型，导致监管部门无法掌握银行所使用的人工智能模型是否合理，不利于监管部门监管。
因此，亟需一种能够对上述人工智能模型进行风险监测的技术。
技术实现要素：
鉴于上述技术问题，本发明实施方式的第一方面提供了一种风险指标估计模型的检查系统，该检查系统包括敏感因子库构建模块、采样模块、指标估计模块、解释模块和检测模块，其中，所述敏感因子库构建模块用于构建敏感因子库；所述采样模块用于获取检查样本，并根据检查样本获取多个采样样本；所述指标估计模块用于获取待检查的模型，将所述采样样本输入到待检查模型中，得到所述采样样本对应的风险指标估计值；所述解释模块用于根据所述检查样本、采样样本以及风险指标估计值使用线性模型对待检查模型进行解释，获取待检查模型的各特征因子及各特征因子的特征权重；解释模块用于根据所述特征因子、特征权重和敏感因子库确定所述检查模型中是否含有敏感因子。
在本发明的一种实施方式中，所述采样模块根据所述检查样本获取多个采样样本包括：
将检查样本转换为检查样本的可解释的表达；
在检查样本可解释的表达周围采样，获取采样样本的可解释的表达；
将采样样本可解释的表达转换为与检查样本相同的数据空间，得到采样样本。
在本发明的一种实施方式中，所述解释模块根据所述检查样本、采样样本以及估计值使用线性模型对待检查模型进行解释，获取线性模型的各特征因子及特征权重包括：
获取检查样本与采样样本之间的相似度πx(z)；
以
将所述解释中的zi'作为待检查模型的特征因子，将wi作为特征因子对应的特征权重。
在本发明的一种实施方式中，所述检测模块根据所述特征因子、特征权重和敏感因子库确定所述待检查模型中是否含有敏感因子包括：
从待检查模型的解释中，按特征权重从大到小的顺序获取设定个数的特征因子；
判断所述设定个数的特征因子中是否有与敏感因子库中的敏感因子相同的特征因子；
若有，则确定所述待检查模型使用了敏感因子；若没有，则判断所述待检测模型没有使用敏感因子。
在本发明的一种实施方式中，所述检测模块还包括：
提示单元，用于在确定所述待检查模型使用了敏感因子时，提示用户所述待检查模型所使用的敏感因子。
在本发明的一种实施方式中，所述系统还包括：更新模块，用于使用以下方法更新敏感因子库：
根据敏感关键词，通过互联网检索和爬虫程序获取敏感因子互联网库；
通过知识图谱对敏感因子互联网本体进行扩展，获取敏感因子图谱库；
将所述敏感因子图谱库与所述敏感因子库进行比对；
对两个库中不同的敏感因子进行人工审核，将人工确定的敏感因子存入到敏感因子库中。
在本发明的一种实施方式中，所述更新模块定期更新敏感因子库。
本发明实施方式的第二方面提供了一种风险指标估计模型的检查方法，所述方法包括：
构建敏感因子库；
获取检查样本，根据所述检查样本获取多个采样样本；
获取待检查模型，将所述采样样本输入待检查模型中，得到所述采样样本对应的风险指标估计值；
根据所述检查样本、采样样本以及风险指标估计值使用线性模型对待检查模型进行解释，获取待检查模型的各特征因子及各特征因子对应的特征权重；
根据所述特征因子、特征权重和敏感因子库确定所述待检查模型中是否含有敏感因子。
在本发明的一种实施方式中，所述根据所述检查样本获取多个采样样本包括：
将检查样本转换为检查样本的可解释的表达；
在检查样本可解释的表达周围采样，获取采样样本的可解释的表达；
将采样样本可解释的表达转换为与检查样本相同的数据空间，得到采样样本。
在本发明的一种实施方式中，所述根据所述检查样本、采样样本以及估计值使用线性模型对待检查模型进行解释，获取待检查模型的各特征因子及特征权重包括：
获取检查样本与采样样本之间的相似度πx(z)；
以
将所述解释中的zi'作为待检查模型的特征因子，将wi作为特征因子对应的特征权重。
在本发明的一种实施方式中，所述根据所述特征因子、特征权重和敏感因子库确定所述待检查模型中是否含有敏感因子包括：
从待检查模型的解释中，按特征权重从大到小的顺序获取设定个数的特征因子；
判断所述设定个数的特征因子中是否有与敏感因子库中的敏感因子相同的特征因子；
若有，则确定所述待检查模型使用了敏感因子；若没有，则确定所述待检测模型没有使用敏感因子。
在本发明的一种实施方式中，所述根据所述特征因子、特征权重和敏感因子库确定所述待检查模型中是否含有敏感因子还包括：
在确定所述待检查模型使用了敏感因子后，向用户提示所述待检查模型使用的敏感因子。
在本发明的一种实施方式中，使用以下方法更新敏感因子库：
根据敏感关键词，通过互联网检索和爬虫程序获取敏感因子互联网库；
通过知识图谱对敏感因子互联网库进行扩展，获取敏感因子图谱库；
将敏感因子图谱库与敏感因子库进行比对；
对两个库中不同的敏感因子进行人工审核，将人工确定的敏感因子存入到敏感因子库中。
在本发明的一种实施方式中，其特征在于，所述方法还包括：
定期更新敏感因子库。
本发明实施方式的第三方面提供了一种计算机系统，包括存储器和处理器，其特征在于，所述存储器上存储有计算机指令，该计算机指令被处理器执行时实现本发明任意一种实施方式所述的方法的操作。
本发明实施方式第四方面提供了一种计算机存储介质，其上存储有计算机指令，该指令被处理器执行时实现本发明任意一种实施方式所述的方法的操作。
通过本发明提供的检查系统和检查方法，监管部门能够简单方便的检查银行在风险指标估计时构建的风险指标估计模型是否使用了不允许使用的敏感因子，便于监管部门进行监管，减少了监管部门的监管成本，便于银行在风险指标估计时使用复杂度较高的人工智能模型。
附图说明
图1是根据本发明一种实施方式的检查系统的示意图；
图2是根据本发明一种实施方式的检查方法的流程图；
图3是根据本发明另一种实施方式的检查方法的流程图；
图4是根据本发明实施方式的输入检查样本的流程图；
图5是根据本发明实施方式的更新敏感因子库的流程图。
具体实施方式
为了便于理解本发明技术方案的各个方面、特征以及优点，下面结合附图对本发明进行具体描述。应当理解，下述的各种实施方式只用于举例说明，而非用于限制本发明的保护范围。
第一方面，本发明实施方式提供了一种风险估计模型的检查系统。
图1示出了根据本发明一种实施方式的风险指标估计模型的检查系统。如图1所示，检查系统10包括敏感因子库构建模块11、采样模块12、指标估计模块13、解释模块14和检测模块15。
其中，敏感因子库构建模块11用于构建敏感因子库；采样模块12用于获取检查样本x,根据获取的检查样本x获取多个采样样本z1，z2，…zn；指标估计模块13用于获取待检查模型f，将采样样本分别输入到待检查模型f中，得到采样样本z1，z2，…zn对应的多个风险指标估计值f(z1)，f(z2)，…f(zn)；解释模块14用于根据检查样本x、采样样本z1，z2，…zn、风险指标估计值f(z1)，f(z2)，…f(zn)，使用线性模型对待检查模型f进行解释，获取待检查模型的各特征因子y1,y2,…ym及各特征因子对应的特征权重w1，w2，…，wm，检测模块15用于根据所述各特征因子、特征权重和敏感因子库确定所述待检查模型中是否含有敏感因子。
在本发明的一种实施方式中，敏感因子库11可以将敏感因子存储于同一个数据库中，从而构建敏感因子库。敏感因子是监管部门不允许银行在构建风险指标评估模型时使用的因子，因为使用这些因子构建风险指标估计模型涉及融资歧视、融资不平等等问题，例如：使用“女性”，“农民”，“黑人”等敏感因子构建风险指标评估模型，该评估模型会评估出“女性”，“农民”，“黑人”等的违约风险高，从而不愿意给“女性”、“农民”“黑人”贷款等。
在本发明一种实施方式中，用户可以向检查系统中输入检查样本，使检查系统10根据用户输入的检查样本进行检查。在本发明的另一种实施方式中，检查系统10还可以包括资产列表模块16，该模块可以包括主权、金融机构、公司、零售等多个选项，每个选项下包括多笔资产，以供用户选择。用户可以从资产列表中选择一笔资产，将其作为检查样本x，使检查系统10根据该检查样本x来进行检查。检查样本x可以为单笔资产，其数据结构可以为：贷款人机构名、贷款金额、期限、利率、借款人姓名、借款人性别、借款人国籍、借款人在本银行的资产、借款人收入、借款人家庭住址、借款人兴趣爱好、借款人社会保险缴纳金额、是否有抵押物品。对于使用何种方式将检查样本x输入到检查系统10中，本发明对此不作限定。
在本发明的一种实施方式中，检查样本x为不可解释的表达，如词向量。采样模块12获取检查样本x后，可以将检查样本转换为可解释的表达x'，然后在检查样本可解释的表达x'周围采样，从而获取采样样本的可解释的表达z'，最后将采样得到的采样样本可解释的表达转换为与检查样本相同的数据空间，即可得到采样样本z。
具体而言，检查样本可解释的表达x'可以为：长度为词典大小(假设为n)、在单词所在位置处为1，而在其他位置处为0的向量。例如，检查样本为x可以包括三个单词a、b、c，则检查样本可解释的表达x'可以为一个n维向量(0100101000…)，其中，1所在的位置即为检查样本中的单词a、b、c在n维词典中的位置。
获取检查样本可解释的表达x'后，可以在x'周围采样，即去掉x'的一些特征，而保留其他特征，以获取采样样本，其中，采样样本的个数可以预先设定，待采样样本的个数达到预先设定的个数后，可以停止采样。例如，可以将检查样本的b、c特征去掉，只保留a特征，也可以将检查样本的b特征去掉，保留a、c特征，假设检查样本的可解释的x'为(0100101000…)，则根据该检查样本获取的采样样本的可解释的表达z'可以为(0000101000…)(0100001000…)(0100100000…)(0100000000…)(0000001000…)等，待样本数达到设定样本数后，即可停止采样。获取采样样本的可解释的表达z'后，将转换为与检查样本相同的数据空间，即可得到采样样本z。将采样样本分别输入到待检查模型f中，即可得到采样样本z1，z2，…zn对应的多个风险指标估计值f(z1)，f(z2)，…f(zn)。
在本发明的一种实施方式中，待检查模型为银行进行风险指标估计时采用的风险指标估计模型，其可以为银行对资产进行违约概率估计时使用的人工智能模型，也可以为银行对资产进行违约损失率估计时使用的人工智能模型，还可以是银行对资产进行违约风险暴露估计时使用的人工智能模型，在其他实施方式中，待检查的模型也可以为用户想要检查的其他模型。
在本发明的一种实施方式中，解释模块14可以采用以下方式根据检查样本x、采样样本z1，z2，…zn、风险指标估计值f(z1)，f(z2)，…f(zn)，使用线性模型对待检查模型f进行解释，获取待检查模型的各特征因子及各特征因子对应的特征权重：
获取检查样本x与各采样样本z1，z2，…zn之间的相似度πx(z1)，πx(z2)，…πx(zn)，检查样本与采样样本的相似度可以采用相似度函数来计算，该相似度函数可以为cos相似度，sin相似度等，对此本发明不作限定。
以
将所述解释中的zi'作为待检查模型的特征因子，将wi作为特征因子对应的特征权重，即可获得待检查模型的特征因子和特征因子对应的权重。
其中，x为检查样本，zi为采样样本，zi'为采样样本的可解释的表达，z为采样样本的集合，f(zi)为采样样本的风险指标估计值；待检查模型的解释
在本发明的一种实施方式中，检测模块15可以从获得的待检查模型的解释
在本发明的一种实施方式中，检测模块15还包括提示单元，该提示单元可以在检测模块确定待检查模型使用了敏感因子时，向用户提示所述待检查模型使用的敏感因子。例如：获取特征因子后，可以将特征因子转换为与敏感因子库中的敏感因子相同的数据空间，然后查找敏感因子库中是否有该特征因子，若有，则说明该特征因子为敏感因子，说明待检查模型使用了敏感因子，提示单元可以将该敏感因子展示给用户。
在本发明的一种实施方式中，检查系统10还包括更新模块16，更新模块16可以利用互联网搜索引擎和爬虫程序，根据敏感关键词如“融资歧视”“融资不平等”等获取敏感因子，根据这些敏感因子构建敏感因子互联网库，然后通过知识图谱对敏感因子互联网库进行扩展，例如根据敏感因子互联网库中的敏感因子构建知识图谱，根据敏感因子在知识图谱中的寻找与该敏感因子相连的边，进而找到其他敏感因子，来扩展敏感因子，从而获得敏感因子图谱库；将敏感因子图谱库与之前的敏感因子库进行比对，对两个库中不同的敏感因子进行人工审核，将人工确定的敏感因子库存入到敏感因子库中，从而更新敏感因子库。
在本发明的一种实施方式中，更新模块16可以对敏感因子库进行定时更新。
第二方面，本发明实施方式提供了一种风险估计模型的检查方法。图2示出了根据本发明实施方式的检查方法的示意图。如图2所示，在本发明的一些实施方式中，风险指标估计模型的检查方法包括：
s11：构建敏感因子库；
s12：获取检查样本，根据所述检查样本获取多个采样样本；
s13：获取待检查模型，将所述采样样本输入待检查模型中，得到所述采样样本对应的风险指标估计值；
s14：根据所述检查样本、采样样本以及风险指标估计值使用线性模型对待检查模型进行解释，获取待检查模型的各特征因子及各特征因子对应的特征权重；
s15：根据所述特征因子、特征权重和敏感因子库确定所述待检查模型中是否含有敏感因子。
在本发明的一些实施方式中，可以将敏感因子存储于同一个数据库中，从而构建敏感因子库。敏感因子是监管部门不允许银行在构建风险指标评估模型时使用的因子，因为使用这些因子构建风险指标估计模型涉及融资歧视、融资不平等等问题，例如：使用“女性”，“农民”，“黑人”等敏感因子构建风险指标评估模型，该评估模型会评估出“女性”，“农民”，“黑人”等的违约风险高，从而不愿意给“女性”、“农民”“黑人”贷款等。
在本发明一种实施方式中，在步骤s12中，可以获取用户输入的检查样本。在本发明的另一种实施方式中，在步骤s12中，可以提供资产列表，供用户选择，然后获取用户选择的检查样本，例如：可以提供包括金融机构、公司、零售等多个选项的资产列表，每个选项下包括多笔资产，以供用户选择。用户可以从资产列表中选择一笔资产，将其作为检查样本x，然后获取用户选择的检查样本x。检查样本x可以为单笔资产，其数据结构可以为：贷款人机构名、贷款金额、期限、利率、借款人姓名、借款人性别、借款人国籍、借款人在本银行的资产、借款人收入、借款人家庭住址、借款人兴趣爱好、借款人社会保险缴纳金额、是否有抵押物品。对于使用何种方式将检查样本x输入到检查系统10中，本发明对此不作限定。
在本发明的一种实施方式中，在步骤s12中，检查样本x为不可解释的表达，如词向量。获取检查样本x后，可以将检查样本转换为可解释的表达x'，然后在检查样本可解释的表达x'周围采样，从而获取采样样本的可解释的表达z'，最后将采样得到的采样样本可解释的表达转换为与检查样本相同的数据空间，即可得到采样样本z。
具体而言，检查样本可解释的表达x'可以为：长度为词典大小(假设为n)、在单词所在位置处为1，而在其他位置处为0的向量。例如，检查样本为x可以包括三个单词a、b、c，则检查样本可解释的表达x'可以为一个n维向量(0100101000…)，其中，1所在的位置即为检查样本中的单词a、b、c在n维词典中的位置。
获取检查样本可解释的表达x'后，可以在x'周围采样，即去掉x'的一些特征，而保留其他特征，从而获取采样样本，其中，采样样本的个数可以预先设定，待采样样本的个数达到预先设定的个数后，可以停止采样。例如，可以将检查样本的b、c特征去掉，只保留a特征，也可以将检查样本的b特征去掉，保留a、c特征，假设检查样本的可解释的x'为(0100101000…)，则根据该检查样本获取的采样样本的可解释的表达z'可以为(0000101000…)(0100001000…)(0100100000…)(0100000000…)(0000001000…)等，待样本数达到设定样本数后，即可停止采样。获取采样样本的可解释的表达z'后，将转换为与检查样本相同的数据空间，即可得到采样样本z。
在本发明的一种实施方式中，在步骤s13中，可以将获得的采样样本分别输入到待检查模型f中，即可得到采样样本z1，z2，…zn对应的多个风险指标估计值f(z1)，f(z2)，…f(zn)。
其中，待检查的模型可以为银行对资产进行违约概率估计时使用的人工智能模型，也可以是银行对资产进行违约损失率估计时使用的人工智能模型，还可以是银行对资产进行违约风险暴露估计时使用的人工智能模型，或者是用户想要检查的其他模型。
在本发明的一种实施方式中，在步骤s14中，可以获取检查样本x与各采样样本z1，z2，…zn之间的相似度πx(z1)，πx(z2)，…πx(zn)，以
在本发明的一种实施方式中，在步骤s15中，可以从获得的待检查模型的解释
在本发明的一种实施方式中，在步骤15中，在确定待检查模型使用了敏感因子时，可以提示用户所述待检查模型使用的敏感因子。例如：获取特征因子后，可以将特征因子转换为与敏感因子库中的敏感因子相同的数据空间，然后查找敏感因子库中是否有该特征因子，若有，则说明该特征因子为敏感因子，确定待检查模型使用了敏感因子，并且，将该敏感因子展示给用户。
在本发明的一种实施方式中，所述检查方法还可以包括：
s16：定时对敏感因子库进行更新，
其中，可以采用以下方式对敏感因子库进行更新：
利用互联网搜索引擎和爬虫程序，根据敏感关键词如“融资歧视”“融资不平等”等获取敏感因子，根据这些敏感因子构建敏感因子互联网库，然后通过知识图谱对敏感因子互联网库进行扩展，例如根据敏感因子互联网库中的敏感因子构建知识图谱，根据敏感因子在知识图谱中的寻找与该敏感因子相连的边，进而找到其他敏感因子，来扩展敏感因子，从而获得敏感因子图谱库；将敏感因子互联网库与敏感因子图谱库进行比对，将两个库中相同的敏感一种你存入到敏感因子库中，对两个库中不同的敏感因子进行人工审核，将人工确定的敏感因子库存入到敏感因子库中，从而获得敏感因子库。
图3示出了根据本发明的另一种实施方式的检查方法的流程图，如图3所示，本实施方式所述的风险估计模型的检查方法包括如下步骤：
s301：检查系统获取检查样本x，将检查样本x转换为可解释的表达x'；
s302：检查系统在检查样本可解释的表达x'周围采样，获取采样样本的可解释的表达zi'，其中，i＝1,2,3...；
s303：检查系统将采样样本的可解释的表达z'转换为与检查样本x相同的数据空间，获得采样样本zi，其中，i＝1,2,3...；
s304：检查系统从待解释的模型库中获取计算检查样本x的某一风险指标的待检查的模型f；
s305：检查系统将采样样本zi分别输入到待检查的模型f中，获得采样样本的风险指标估计值f(zi)，其中，i＝1,2,3...；
s306：检查系统从相似度函数数据库中获取相似度函数πx(zi)；
s307：检查系统使用该相似度函数πx(zi)计算检查样本x与采样样本zi之间的相似度；
s308：将步骤s302获取的采样样本的可解释的表达zi'，步骤s305获取的采样样本的风险指标估计值f(zi)，以及步骤s307获取的检查样本与采样样本之间的相似度πx(zi)放入集合z中，获得<zi'，f(zi)，πx(zi)>的集合；
s309：判断集合中的采样样本的数量是否达到了设定的采样数量(n个)，如果没有达到设定的采样数量，则转到步骤ss302继续进行采样；如果达到了采样数量，则转到步骤s310；
s310：基于集合<zi'，f(zi)，πx(zi)>，利用lasso回归训练线性模型，得到线性模型
s311：将获取的zi'(k个)分别转换为与敏感因子库中的敏感因子相同的数据空间，并与敏感因子库进行比对，判断k个zi'中是否含有敏感因子。若含有敏感因子，则转到步骤s312；若没有，则转到步骤s313；
s312：提示用户“所检查的模型f使用了敏感因子，使用的敏感因子为xx！”；
s313：提示用户“所检查的模型f没有使用敏感因子，该模型合格”。
在本发明的一些实施方式中，本发明所述的检查系统还提供用户界面和资产列表模块，用户可以通过所述用户界面登录所述检查系统，并通过资产列表模块选择检查样本，具体而言，用户通过用户界面选择检查样本可以包括如下步骤：
s401：用户通过终端设获取检查系统提供的登录界面；
s402：通过所述登录界面进入“资产列表”模块；
s403：在“资产列表”模块中，从主权、金融机构、公司和零售项下选择某笔资产，作为检查样本x；
s404：用户选择好检查样本后，点击检查按钮，使检查系统根据检查样本x进行检查。
在本发明的一些实施方式中，可以采用以下方法定期更新敏感因子库：
s501：通过搜索引擎和爬虫程序根据敏感关键词(例如“融资歧视”“融资不平等”)等进行检索，获取敏感因子，将敏感因子存入到敏感因子互联网库中；
s502：利用知识图谱对敏感因子互联网库的敏感因子进行进一步扩展，获取敏感因子图谱库；
s503：将敏感因子图谱库与敏感因子库进行比对，判断是否存在不同的敏感因子；
s504：若存在不同的敏感因子，对所述不同的敏感因子进行人工审核，将人工确定的敏感因子存入到敏感因子库中。
第三方面，本发明实施方式提供一种计算机系统，包括存储器和处理器，所述存储器上存储有计算机指令，该计算机指令被处理器执行时实现上述任意一种实施方式所述的风险估计模型的检查方法。
第四方面，本发明实施方式提供一种计算机存储介质，例如：rom/ram、磁碟、光盘等，该计算机存储介质上存储有计算机指令，该计算机指令被处理器执行时可以实现上述任意一种实施方式所述的风险估计模型的检查方法。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件结合硬件平台的方式来实现。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，智能手机或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本发明说明书中使用的术语和措辞仅仅为了举例说明，并不意味构成限定。本领域技术人员应当理解，在不脱离所公开的实施方式的基本原理的前提下，对上述实施方式中的各细节可进行各种变化。因此，本发明的范围只由权利要求确定，在权利要求中，除非另有说明，所有的术语应按最宽泛合理的意思进行理解。
- 还没有人留言评论。精彩留言会获得点赞！