风险加权资产值的预测方法、装置、设备及存储介质

技术领域

本申请属于金融科技领域，尤其涉及一种风险加权资产值的预测方法、装置、设备及存储介质。

背景技术

信用风险是我国金融行业，例如银行业面临的最主要风险，信用风险计量也是衡量金融资本充足水平的重要环节。信用风险可以用风险加权资产值进行衡量。其中，风险加权资产值可以是对银行的资产加以分类，根据不同类别资产的风险性质确定不同的风险系数，以这种风险系数为权重求得的资产值。

目前，相关技术只能对当前风险加权资产值进行计量，并不能对未来的风险加权资产值进行预测。

发明内容

本申请实施例提供一种风险加权资产值的预测方法、装置、设备及存储介质，能够实现对风险加权资产值的预测。

第一方面，本申请实施例提供一种风险加权资产值的预测方法，RWA系统，方法包括：

获取待预测资产数据，待预测资产数据包括至少两个待预测资产子数据；

针对各个待预测资产子数据，确定待预测资产子数据的目标类别，以及确定目标类别对应的历史资产余额数据；

针对各个目标类别，从预测资产余额模型集合中确定与目标类别对应的目标预测资产余额模型，预测资产余额模型集合中包括至少两个预测资产余额模型；

针对各个历史资产余额数据，将历史资产余额数据输入至目标预测资产余额模型，得到目标预测资产余额数据；

根据各个目标预测资产余额值与各个目标权重值，确定预测风险加权资产值；目标预测资产余额值与目标权重值相对应。

在一些可选的实施方式中，针对待预测资产子数据，确定各个待预测资产子数据的目标类别，包括：

分别对各个待预测资产子数据进行预处理，得到各个待预测资产子数据的目标类别；

其中，预处理包括风险缓释、准备金减值、表外转换和待预测资产子数据类别确定等中的至少一项。

在一些可选的实施方式中，针对各个目标类别，从预测资产余额模型集合中确定与目标类别对应的目标预测资产余额模型之前，方法还包括：

获取各个类别的历史资产余额数据分别对应的平稳时间序列；

根据各个平稳时间序列分别对应的自相关图和偏相关图，确定各个预测资产余额模型分别对应的自回归项数和移动平均项数；

根据全部自回归项数和全部移动平均项数，构建多个预测资产余额模型，以得到预测资产余额模型集合。

在一些可选的实施方式中，获取各个类别的历史资产余额数据分别对应的平稳时间序列，包括：

对各个类别的历史资产余额数据进行平稳性检验，得到平稳性检验结果；

针对各个类别的历史资产余额数据，在平稳性检验结果为未通过的情况下，对历史资产余额数据进行差分处理，得到历史资产余额数据对应的平稳时间序列；

统计差分处理次数；

根据全部自回归项数和全部移动平均项数，构建多个预测资产余额模型，以得到预测资产余额模型集合，包括：

根据全部自回归项数、全部移动平均项数和差分处理次数，构建多个预测资产余额模型，以得到预测资产余额模型集合。

在一些可选的实施方式中，根据各个平稳时间序列分别对应的自相关图和偏相关图，确定各个预测资产余额模型分别对应的自回归项数和移动平均项数，包括：

根据各个平稳时间序列分别对应的自相关图和偏相关图，确定各个预测资产余额模型分别对应的自回归项数的第一取值范围，以及各个预测资产余额模型对应的移动平均项数的第二取值范围；

分别对第一取值范围内的值和第二取值范围内的值进行拟合，得到多个第一赤池信息量准则得分和多个第二赤池信息量准则得分；

根据全部第一赤池信息量准则得分和全部第二赤池信息量准则得分，确定各个预测资产余额模型分别对应的自回归项数和移动平均项数。

在一些可选的实施方式中，根据全部自回归项数和全部移动平均项数，构建多个预测资产余额模型，以得到预测资产余额模型集合之后，方法还包括：

分别对各个预测资产余额模型进行检验，得到检验结果，检验包括白噪声检验和参数显著性检验中的至少一项；

针对各个预测资产余额模型，在检验结果为未通过的情况下，重新构建预测资产余额模型，并对重新构建的预测资产余额模型进行检验，直至检验结果为通过。

在一些可选的实施方式中，根据各个目标预测资产余额值与各个目标权重值，确定预测风险加权资产值之后，方法还包括：

根据风险加权资产值和预设值的比对结果，调整资产配置结构。

第二方面，本申请实施例提供了风险加权资产值的预测装置，应用于RWA系统，装置包括：

第一获取模块，用于获取待预测资产数据，待预测资产数据包括至少两个待预测资产子数据；

第一确定模块，用于针对各个待预测资产子数据，确定待预测资产子数据的目标类别，以及确定目标类别对应的历史资产余额数据；

第二确定模块，用于针对各个目标类别，从预测资产余额模型集合中确定与目标类别对应的目标预测资产余额模型，预测资产余额模型集合中包括至少两个预测资产余额模型；

得到模块，用于针对各个历史资产余额数据，将历史资产余额数据输入至目标预测资产余额模型，得到目标预测资产余额数据；

第三确定模块，用于根据各个目标预测资产余额值与各个目标权重值，确定预测风险加权资产值；目标预测资产余额值与目标权重值相对应。

第三方面，本申请实施例提供了一种电子设备，设备包括：

处理器以及存储有计算机程序指令的存储器；

所述处理器执行计算机程序指令时实现如第一方面的风险加权资产值的预测方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面的风险加权资产值的预测方法。

第五方面，本申请实施例提供了一种计算机程序产品，计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备执行如第一方面的风险加权资产值的预测方法。

根据本申请实施例提供的风险加权资产值的预测方法，通过先确定各个待预测资产子数据的目标类别，以及各个目标类别对应的历史资产余额数据；然后可以从预测资产余额模型集合中确定与目标类别对应的目标预测资产余额模型，进而可以将各个历史资产余额数据分别输入到对应的目标预测资产余额模型，得到目标预测资产余额数据；最后可以根据各个目标预测余额数据和各个目标权重值，确定预测风险加权资产值。也就是说，本申请实施例能够通过多个预测资产余额模型构建多个目标预测资产余额数据，进而可以根据各个目标预测资产余额数据和各个目标预测资产余额数据分别对应的目标权重值，确定预测风险加权资产值，从而实现对风险加权资产值的预测。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的风险加权资产值的预测方法的流程示意图；

图2是本申请实施例提供的风险加权资产值的预测装置的结构示意图；

图3是本申请实施例提供的电子设备的结构示意图。

具体实施方式

下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

另外，本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

为了解决相关技术中只能对当前风险加权资产值进行计量，并不能对未来的风险加权资产值进行预测的问题，本申请实施例提供了一种风险加权资产值的预测方法、装置、设备及存储介质。下面首先对本申请实施例所提供的风险加权资产值的预测方法进行介绍。

图1示意出了本申请实施例提供的风险加权资产值的预测方法的流程示意图。

如图1所示，本申请实施例提供的风险加权资产值的预测方法，可以应用于监管资本计量及资本管理(RWA)系统。其中，RWA系统可以整合银行各类风险计量模型结果、客户、债项和押品等信息，能够实现银行各类资产业务的风险暴露层次、债务人、债项、风险缓释、风险参数、计量方法和计量规则计算，能够使用标准法和内部评级法等法规计算风险加权资产值。

本申请实施例提供的风险加权资产值的预测方法，可以包括以下S101至S104。

S101、获取待预测资产数据，待预测资产数据包括至少两个待预测资产子数据。

S102、针对各个待预测资产子数据，确定待预测资产子数据的目标类别，以及确定目标类别对应的历史资产余额数据。

S103、针对各个目标类别，从预测资产余额模型集合中确定与目标类别对应的目标预测资产余额模型，预测资产余额模型集合中包括至少两个预测资产余额模型。

S104、针对各个历史资产余额数据，将历史资产余额数据输入至目标预测资产余额模型，得到目标预测资产余额数据。

S105、根据各个目标预测资产余额值与各个目标权重值，确定预测风险加权资产值；目标预测资产余额值与目标权重值相对应。

根据本申请实施例提供的风险加权资产值的预测方法，通过先确定各个待预测资产子数据的目标类别，以及各个目标类别对应的历史资产余额数据；然后可以从预测资产余额模型集合中确定与目标类别对应的目标预测资产余额模型，进而可以将各个历史资产余额数据分别输入到对应的目标预测资产余额模型，得到目标预测资产余额数据；最后可以根据各个目标预测余额数据和各个目标权重值，确定预测风险加权资产值。也就是说，本申请实施例能够通过多个预测资产余额模型构建多个目标预测资产余额数据，进而可以根据各个目标预测资产余额数据和各个目标预测资产余额数据分别对应的目标权重值，确定预测风险加权资产值，从而实现对风险加权资产值的预测。

下面介绍上述各个步骤的具体实现方式。

在S101中，待预测资产数据可以为需要预测的资产数据。待预测资产数据可以包括至少两个待预测资产子数据。

示例性的，待预测资产子数据的类别可以包括对外资产子数据、零售资产子数据、资金资产子数据和同业资产子数据中的至少两个。

其中，对外资产子数据可以为国家、机关、企业和团体的资产子数据；零售资产子数据可以为个人用户的信用卡和个贷的资产子数据；资金资产子数据可以为债券、投资、拆借和买入返售的资产子数据；同业资产子数据可以为除目标银行以外的其他银行及非银行金融机构的资产子数据。

示例性的，RWA系统获取待预测资产数据的方式可以为：RWA系统与银行其他业务组件通信连接，通过分布式数据库从银行其他业务组件中获取待预测资产数据。

示例性的，其他业务组件可以包括外部对外信贷系统、零售分池系统、金融市场系统、总账系统、押品系统(也称担保管理系统)、同业资管系统、客户信息系统和准备金系统中的至少两个。

可选的，在S101之后，S102之前，该方法还可以包括：

导入业务参数。

业务参数可以是用于对RWA系统无法识别的用户数据进行标记。

可选的，RWA系统也可以存储有待测资产数据，获取待预测资产数据的方式也可以为RWA系统直接读取待预测资产数据。

在S102中，RWA系统在获取待预测资产数据之后，还可以针对各个待预测资产子数据，确定待预测资产子数据的目标类别，以及确定目标类别对应的历史资产余额数据。

目标类别可以包括主权风险暴露、银行类金融机构风险暴露、非银行类金融机构风险暴露、一般公司风险暴露、中小企业风险暴露、项目融资、物品融资、商品融资、产生收入房地产贷款、个人住房低压贷款、合格循环零售风险暴露、其他零售风险暴露、合格购入公司应收账款、合格购入零售应用账款和资产证券化风险暴露。

主权风险暴露可以为对主权国家或经济实体区域及其中央银行、公共部门实体，以及多边开发银行、国际清算银行和国际货币基金组织等的债权；主权风险一般出现国与国的战争、内战、经济金融危机等政局不稳定的时期，在经济指标上体现为物价飞涨，在金融指标上表现为外汇汇率极不稳定，出现主权基金等国家信用违约甚至破产。

金融机构风险暴露可以为商业银行对金融机构的债权。根据金融机构的不同属性商业银行应将金融机构风险暴露分为银行类金融机构风险暴露和非银行类金融机构风险暴露。其中，银行类金融机构可以包括在中华人民共和国境内设立的商业银行、城市信用合作社等吸收公众存款的金融机构以及在中华人民共和国境外注册并经所在国家或者地区金融监管当局批准的存款类金融机构。非银行类金融机构可以包括经批准设立的证券公司、保险公司、信托公司、财务公司、金融租赁公司、汽车金融公司、货币经纪公司、资产管理公司、基金公司以及其他受金融监管当局监管的机构。

公司风险暴露，根据债务人类型及其风险特征，公司风险暴露可以细分为中小企业风险暴露、专业贷款风险暴露和一般公司风险暴露。其中，中小企业风险暴露是指商业银行对年营业收入(近3年营业收入的算术平均值)不超过3亿元人民币企业的债权。专业贷款风险暴露具体可划分为项目融资、物品融资、商品融资和产生收入的房地产贷款四类。一般公司风险暴露是指中小企业风险暴露和专业贷款之外的其他公司风险暴露。

零售风险暴露应同时具有如下特征：(1)债务人是一个或几个自然人；(2)笔数多单笔金额小；(3)按照组合方式进行管理。零售风险暴露可分为个人住房抵押贷款、合格循环零售风险暴露、其他零售风险暴露三大类。其中，个人住房抵押贷款可以为以购买个人住房为目的并以所购房产为抵押的贷款。合格循环零售风险暴露可以为各类无担保的个人循环贷款合格循环零售风险暴露中对单一客户最大信贷余额不超过100万元人民币。其他零售风险暴露可以为除个人住房抵押贷款和合格循环零售风险暴露之外的其他对自然人的债权。此外根据《商业银行银行账户信用风险暴露分类指引》，商业银行对单个债务人授信总额不超过500万元，且该债务人资产总额不超过1000万元人民币，或，授信总额不超过500万元且该债务人年销售额不超过3000万元人民币，在商业银行内部采用组合方式进行管理的风险暴露可作为零售风险暴露进行处理。

股权风险暴露可以是商业银行直接或间接持有的股东权益。纳入股权风险暴露的金融工具应同时满足如下条件：(1)持有该项金融工具获取收益的主要来源是未来资本利得而不是随时间所孳生的收益；(2)该项金融工具不可赎回、不属于发行方的债务；(3)对发行方资产或收入具有剩余索取权。

其他风险暴露可以包括购入应收账款和资产证券化风险暴露。其中，购入应收款风险暴露可以分为合格购入公司应收款和合格购入零售应收款；资产证券化风险暴露可以包括但不限于资产支持证券、住房抵押贷款证券、信用增级、流动性便利、利率或货币互换、信用衍生工具和分档次抵补等。

RWA系统中存储有待预测资产子数据的类别与历史资产余额数据的对应关系，因此，在确定待预测资产子数据的目标类别之后，可以确定目标类别对应的历史资产余额数据。

在一些可选的实施方式中，针对待预测资产子数据，确定各个待预测资产子数据的目标类别，可以包括：

分别对各个待预测资产子数据进行预处理，得到各个待预测资产子数据的目标类别；

其中，预处理包括风险缓释、准备金减值、表外转换和待预测资产子数据类别确定等中的至少一项。

在本实施方式中，通过分别对各个待预测资产子数据进行风险缓释、准备金减值、表外转换和待预测资产子数据类别等预处理，能够提高各个待预测资产子数据的目标类别确定的准确性。

示例性的，风险缓释可以为通过信誉较好的公司做担保，也可以是低押部分资产，如房产等。

准备金可以是商业银行库存的现金按比例存放在中央银行的存款。

表外转换可以是将表外业务转换为表内业务。其中，表外业务可以为商业银行所从事的，按照通行的会计准则不列入资产负债表内，不影响其资产负债总额，但能影响银行当前损益，改变银行资产报酬率的经营活动；表内业务可以是资产负债表中，资产和负债栏目可以揭示的业务。

可选的，待预测资产数据类别可以根据监管规则确定。监管规则可以是监管规定的规则。

在一些可选的实施方式中，针对各个目标类别，从预测资产余额模型集合中确定与目标类别对应的目标预测资产余额模型之前，方法还可以包括：

获取各个类别的历史资产余额数据分别对应的平稳时间序列；

根据各个平稳时间序列分别对应的自相关图和偏相关图，确定各个预测资产余额模型分别对应的自回归项数和移动平均项数；

根据全部自回归项数和全部移动平均项数，构建多个预测资产余额模型，以得到预测资产余额模型集合。

在本实施方式中，通过获取各个类别的历史资产余额数据分别对应的平稳时间序列，进而可以根据各个平稳时间序列分别对应的自相关图和偏相关图，确定各个预测资产余额模型分别对应的自回归项数和移动平均项数，从而可以根据全部自回归项数和全部移动平均项数，构建多个预测资产余额模型，得到预测资产余额模型集合，为后续从预测资产余额模型集合中确定与目标类别对应的目标预测资产余额模型提供基础。

平稳时间序列可以理解为单一变量按时间的先后次序产生的数据具有平稳性。其中，平稳性可以是要求经由样本时间序列所得到的拟合曲线在未来的一段期间内仍能顺着现有的形态“惯性”地延续下去。

自相关图可以为包括一个时间序列的自相关系数的图。一个时间序列的自相关系数被称为自相关函数(ACF)。

偏相关图可以为包括一个时间序列的偏相关系数的图。一个时间序列的偏相关系数被称为偏相关函数(PACF)。

示例性的，预测资产余额模型可以为回归积分滑动平均模型(AutoregressiveIntegrated Moving Average Model，ARIMA)。具体的，预测余额资产模型可以包括自由回归模型(AR)和移动平均模型(MA)。

在时间序列为平稳时间序列的情况下，预测余额资产模型可以是一个具有p阶自回归和q阶移动平均的混合模型，可以表示为ARIMA(p，q)。

在时间序列为非平稳时间序列的情况下，预测余额资产模型可以是一个具有p阶自回归、q阶移动平均和d次差分的混合模型，可以表示为ARIMA(p，d，q)。

其中，p表示自回归项数、q表示移动平均项数，d表示差分处理次数。

示例性的，一般借助自相关函数ACF图和偏自相关函数PACF图对p、q进行初步判断，如PACF在p期滞后之后突然降为0即为截尾建立AR模型，ACF在q期滞后之后突然降为0即为截尾建立MA模型。

在一些可选的实施方式中，获取各个类别的历史资产余额数据分别对应的平稳时间序列，可以包括：

对各个类别的历史资产余额数据进行平稳性检验，得到平稳性检验结果；

针对各个类别的历史资产余额数据，在平稳性检验结果为未通过的情况下，对历史资产余额数据进行差分处理，得到历史资产余额数据对应的平稳时间序列；

统计差分处理次数；

根据全部自回归项数和全部移动平均项数，构建多个预测资产余额模型，以得到预测资产余额模型集合，包括：

根据全部自回归项数、全部移动平均项数和差分处理次数，构建多个预测资产余额模型，以得到预测资产余额模型集合。

在本实施方式中，针对各个类别的历史资产余额数据，在平稳性检测结果为未通过的情况下，通过对历史资产余额数据进行差分处理，能够得到历史资产余额数据对应的平稳时间序列，进而能够提高各个预测资产余额模型的准确性。

平稳性校验的方式可以包括图检法和构造检验统计量。其中，图检法可以是根据时序图和自相关图进行直观判断。构建检验统计量可以是单位根检验法。

示例性的，如果历史资产余额数据的时序图中的时间序列围绕某一个均值上下随机波动，则确定平稳性校验结果为通过。如果时序图中的时间序列没有围绕某一个均值上下随机波动，则确定平稳性校验结果为未通过。

示例性的，对于平稳时间序列，其自相关图一般随着阶数的递增，自相关系统会迅速衰减至0附近，而非平稳时间序列则可能存在先减后增或者周期性波动等变动。也就是说，历史资产余额数据的自相关图随着阶数的递增，自相关系统会迅速衰减至0附近，则确定平稳性校验结果为通过；历史资产余额数据的自相关图随着阶数的递增，自相关系统存在先减后增或者周期性波动，则确定平稳性校验结果为未通过。

示例性的，对各个类别的历史资产余额数据进行处理，得到各个类别的历史资产余额数据对应的时间序列，若该时间序列存在某个根大于等于1，则确定平稳性检验结果为未通过；若该时间序列存在某个根小于1，则确定平稳性检验结果为通过。

可选的，针对各个类别的历史资产余额数据，在平稳性检验结果为通过的情况下，可以根据各个平稳时间序列分别对应的自相关图和偏相关图，确定各个预测资产余额模型对应的自回归项数和移动平均项数，然后根据全部自回归项数和全部移动平均项数，构建多个预测资产余额模型，以得到预测资产余额模型集合。

在一些可选的实施方式中，根据各个平稳时间序列分别对应的自相关图和偏相关图，确定各个预测资产余额模型对应的自回归项数和移动平均项数，可以包括：

根据各个平稳时间序列分别对应的自相关图和偏相关图，确定各个预测资产余额模型对应的自回归项数的第一取值范围，以及各个预测资产余额模型对应的移动平均项数的第二取值范围；

分别对第一取值范围内的值和第二取值范围内的值进行拟合，得到多个第一赤池信息量准则得分和多个第二赤池信息量准则得分；

根据全部第一赤池信息量准则得分和全部第二赤池信息量准则得分，确定各个预测资产余额模型对应的自回归项数和移动平均项数。

在本实施方式中，通过全部第一赤池信息量准则得分和全部第二赤池信息量准则得到，确定各个预测资产余额模型对应的自回归项数和移动平均项数，能够提高自回归项数和移动平均项数确定的准确性。

示例性的，各个平稳时间序列分别对应的自相关图和偏相关图，可以利用python软件绘制。

第一取值范围可以和第二取值范围至少部分相同，第一取值范围也可以和第二取值范围完全不相同，在此不做限定。

第一赤池信息量准则得分可以是自回归项数对应的赤池信息量准则得分。第二赤池信息量准则得分可以是移动平均项数对应的赤池信息量准则得分。其中，赤池信息量准则(Akaike information criterion，AIC)是衡量统计模型拟合优良性的一种标准，是由日本统计学家赤池弘次创立和发展的。赤池信息量准则建立在熵的概念基础上，可以权衡所估计模型的复杂度和此模型拟合数据的优良性。

分别对第一取值范围内的值和第二取值范围内的值进行拟合，得到多个第一赤池信息量准则得分和多个第二赤池信息量准则得分，可以理解为，对第一取值范围内的每一个整数值进行拟合，得到多个第一赤池信息量准则得分，对第二取值范围内的每一个整数值进行拟合，得到多个第二赤池信息量准则得分。

根据全部第一赤池信息量准则得分和全部第二赤池信息量准则得分，确定各个预测资产余额模型对应的自回归项数和移动平均项数，可以包括：将各个预测资产余额模型分别对应的全部第一赤池信息量准则得分中，最低的第一赤池信息量准则得分对应的自回归项数确定为各个预测资产余额模型对应的自回归项数；以及，将各个预测资产余额模型分别对应的全部第二赤池信息量准则得分中，最低的第二赤池信息量准则得分对应的移动平均项数确定为各个预测资产余额模型对应的移动平均项数。

在一些可选的实施方式中，根据全部自回归项数和全部移动平均项数，构建多个预测资产余额模型，以得到预测资产余额模型集合之后，方法还可以包括：

分别对各个预测资产余额模型进行检验，得到检验结果，检验包括白噪声检验和参数显著性检验中的至少一项；

针对各个预测资产余额模型，在检验结果为未通过的情况下，重新构建预测资产余额模型，并对重新构建的预测资产余额模型进行检验，直至检验结果为通过。

在本实施方式中，通过对各个预测资产余额模型进行白噪声检验和/或参数显著性检验，在检验结果为未通过的情况下，重新构建预测资产余额模型，并对重新构建的预测资产余额模型进行检验，直至检验结果为通过，能够保证各个预测资产余额模型完全反映平稳时间序列中有价值的信息，是有效的。

示例性的，白噪声检验的方式可以包括以下三种：自相关图、Box-Pierce检验和Ljung-Box检验。

示例性的，自相关图的白噪声检验原理为：如果一个序列中有较多自相关系数的值在边界之外，则该序列不是白噪声序列；如果一个序列中的自相关系数均在边界之内，则该序列为白噪声序列。

Box-Pierce检验和Ljung-Box检验均为现有技术，在此不再赘述。

显著性检验(significance test)就是事先对总体(随机变量)的参数或总体分布形式做出一个假设，然后利用样本信息来判断这个假设(备则假设)是否合理，即判断总体的真实情况与原假设是否有显著性差异。或者说，显著性检验要判断样本与我们对总体所做的假设之间的差异是纯属机会变异，还是由我们所做的假设与总体真实情况之间不一致所引起的。显著性检验是针对我们对总体所做的假设做检验，其原理就是"小概率事件实际不可能性原理"来接受或否定假设。

示例性的，参数显著性检验可以是检验模型参数显著性水平的t统计量，在10％显著水平下是否各参数(不含常数)均显著。

白噪声检验结果可以包括白噪声序列和非白噪声序列。若白噪声检验结果为白噪声序列，说明构建的预测资产余额模型为有效模型；若白噪声检验结果为非白噪声序列，说明构建的预测资产余额模型不为有效模型。

参数显著性检验结果可以为显著和非显著。

在检验仅包括白噪声检验的情况下，白噪声检验结果为白噪声序列时，确定检验结果为通过，白噪声检验结果为非白噪声序列时，确定检验结果为未通过；在检验仅包括参数显著性检验的情况下，参数显著性检验结果为显著时，确定检验结果为通过，参数显著性检验结果为非显著时，确定检验结果为未通过；在检验包括白噪声检验和参数显著性检验的情况下，白噪声检验结果为白噪声序列且参数显著性检验结果为显著时，确定检验结果为通过，白噪声检验结果为非白噪声序列，或参数显著检验结果为非显著时，确定检验结果为未通过。

在一些可选的实施方式中，根据各个目标预测资产余额值与各个目标权重值，确定预测风险加权资产值之后，方法还可以包括：

根据风险加权资产值和预设值的比对结果，调整资产配置结构。

在本实施方式中，通过风险加权资产值和预设值的比对结果，调整资产配置结构，能够指导银行等金融机构进行资产结构调整和配置，进而能够提升银行等金融机构资源管理与风险管理能力。

资产配置，可以是根据投资者的投资习惯和投资目标，将投资者的可支配资本科学性分配在不同类型的资产上，包括股票市场、债券市场、房地产市场等投资市场，以最低的风险系数获取较高的投资回报的行为。投资者可以是个人、企业和金融结构等。

资产配置结构可以由投资者的全部资产配置形成。

预设值可以根据实际情况设定，在此不做限定。

示例性的，在比对结果为大于的情况下，可以增加权重值较低的资产配置，减少权重值较高的资产配置；在比对结果为小于的情况下，可以减少权重值较低的资产配置，增加权值值较高的资产配置；在比对结果为等于的情况下，可以不对资产配置结构进行调整。

在S103中，RWA系统在确定待预测资产子数据的目标类别之后，还可以针对各个目标类别，从预测资产余额模型集合中确定与目标类别对应的目标预测资产余额模型。

示例性的，在目标类别为主权风险暴露的情况下，可以从预测资产余额模型集合中确定与主权风险暴露对应的目标预测资产余额模型。

在S104中，RWA系统在从预测资产余额模型集合中确定与目标类别对应的目标预测资产余额模型之后，针对各个历史资产余额数据，可以将历史资产余额数据输入至目标预测资产余额模型，得到目标预测资产余额数据。

在S105中，针对各个历史资产余额数据，RWA系统在将历史资产余额数据输入至目标预测资产余额模型，得到目标预测资产余额数据之后，还可以根据各个目标预测资产余额值与各个目标权重值，确定预测风险加权资产值。

示例性的，可以将各个目标预测资产余额值分别乘以，各个目标预测资产余额值对应的目标权重值之和，确定为预测风险加权资产值。

例如，目标资产余额值可以包括目标资产余额值a、目标资产余额值b和目标资产余额值c；目标资产余额值a对应的目标权重值为d，目标资产余额值b对应的目标权重值为e，目标资产余额值c对应的目标权重值为f，预测风险加权资产值可以为：ad+be+cf。

值得注意的是，本申请实施例提供的风险加权资产值的预测方法，能够适用于各类银行等金融机构。

基于上述实施例提供风险加权资产值的预测方法，本申请还提供了风险加权资产值的预测装置。以下将对上述风险加权资产值的预测装置进行具体说明。

图2是本申请实施例提供的一种风险加权资产值的预测装置的结构示意图。如图2所示，风险加权资产值的预测装置200可以应用于RWA系统，可以包括：

第一获取模块210，用于获取待预测资产数据，待预测资产数据包括至少两个待预测资产子数据；

第一确定模块220，用于针对各个待预测资产子数据，确定待预测资产子数据的目标类别，以及确定目标类别对应的历史资产余额数据；

第二确定模块230，用于针对各个目标类别，从预测资产余额模型集合中确定与目标类别对应的目标预测资产余额模型，预测资产余额模型集合中包括至少两个预测资产余额模型；

得到模块240，用于针对各个历史资产余额数据，将历史资产余额数据输入至目标预测资产余额模型，得到目标预测资产余额数据；

第三确定模块250，用于根据各个目标预测资产余额值与各个目标权重值，确定预测风险加权资产值；目标预测资产余额值与目标权重值相对应。

在一些可选的实施方式中，第一确定模块220，可以具体用于：

分别对各个待预测资产子数据进行预处理，得到各个待预测资产子数据的目标类别；

其中，预处理包括风险缓释、准备金减值、表外转换和待预测资产子数据类别确定等中的至少一项。

在一些可选的实施方式中，风险加权资产值的预测装置200，还可以包括：

第二获取模块，用于获取各个类别的历史资产余额数据分别对应的平稳时间序列；

第四确定模块，用于根据各个平稳时间序列分别对应的自相关图和偏相关图，确定各个预测资产余额模型分别对应的自回归项数和移动平均项数；

构建模块，用于根据全部自回归项数和全部移动平均项数，构建多个预测资产余额模型，以得到预测资产余额模型集合。

在一些可选的实施方式中，第二获取模块，可以包括：

第一检验模块，用于对各个类别的历史资产余额数据进行平稳性检验，得到平稳性检验结果；

处理模块，用于针对各个类别的历史资产余额数据，在平稳性检验结果为未通过的情况下，对历史资产余额数据进行差分处理，得到历史资产余额数据对应的平稳时间序列；

统计模块，用于统计差分处理次数；

构建模块，用于具体用于：

根据全部自回归项数、全部移动平均项数和差分处理次数，构建多个预测资产余额模型，以得到预测资产余额模型集合。

在一些可选的实施方式中，第四确定模块，可以包括：

第一确定子模块，用于根据各个平稳时间序列分别对应的自相关图和偏相关图，确定各个预测资产余额模型分别对应的自回归项数的第一取值范围，以及各个预测资产余额模型对应的移动平均项数的第二取值范围；

拟合子模块，用于分别对第一取值范围内的值和第二取值范围内的值进行拟合，得到多个第一赤池信息量准则得分和多个第二赤池信息量准则得分；

第二确定子模块，用于根据全部第一赤池信息量准则得分和全部第二赤池信息量准则得分，确定各个预测资产余额模型分别对应的自回归项数和移动平均项数。

在一些可选的实施方式中，风险加权资产值的预测装置200，还可以包括：

第二检验模块，用于分别对各个预测资产余额模型进行检验，得到检验结果，检验包括白噪声检验和参数显著性检验中的至少一项；

重新构建模块，用于针对各个预测资产余额模型，在检验结果为未通过的情况下，重新构建预测资产余额模型，并对重新构建的预测资产余额模型进行检验，直至检验结果为通过。

在一些可选的实施方式中，风险加权资产值的预测装置200，还可以包括：

调整模块，用于根据风险加权资产值和预设值的比对结果，调整资产配置结构。

关于上述实施例中的装置，其中各个模块执行操作的具体方式以及有益效果已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图3示出了本申请实施例提供的电子设备的硬件结构示意图。

在电子设备可以包括处理器301以及存储有计算机程序指令的存储器302。

具体地，上述处理器301可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器302可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器302可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器302可在综合网关容灾设备的内部或外部。在特定实施例中，存储器302是非易失性固态存储器。

存储器可包括只读存储器(ROM)，随机存取存储器(RAM)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本公开的一方面的方法所描述的操作。

处理器301通过读取并执行存储器302中存储的计算机程序指令，以实现上述实施例中的任意一种风险加权资产值的预测方法。

在一个示例中，电子设备还可包括通信接口303和总线310。其中，如图3所示，处理器301、存储器302、通信接口303通过总线310连接并完成相互间的通信。

通信接口303，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。

总线310包括硬件、软件或两者，将风险加权资产值的预测设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线310可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

另外，结合上述实施例中的风险加权资产值的预测方法，本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种风险加权资产值的预测方法。

需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。

以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。