企业信用风险监测方法及装置、存储介质及电子设备

技术领域

本发明涉及金融技术领域，特别是涉及一种企业信用风险监测方法及装置、存储介质及电子设备。

背景技术

在金融领域中，债券发行人的信用风险是主要的金融风险对象之一，对债券发行人的企业信用风险进行监测是金融风险防范工作的重要工作内容。

目前，企业信用风险的监测方式，主要是凭借专家经验选取一些财务数据指标，通过企业的财务数据对企业进行评级，将企业信用风险分为若干个风险级别，以实现企业信用风险监测。

在实际的应用场景中，许多债券发行人的企业信用风险可能并不属于财务风险，而属于非财务风险。基于现有的企业信用风险监测方法，仅通过财务数据对企业信用风险进行评估，通常仅能识别财务风险，而难以评估企业的非财务风险，对于企业信用风险的识别准确性较低，并且财务数据的披露具有一定的滞后性，会导致风险识别较为滞后。其次，在现有的监测过程中，仅将债券发行人的企业信用风险划分为某个风险级别，在同一风险级别内缺乏区分度，不利于对企业信用风险的变化进行准确监测。

发明内容

有鉴于此，本发明实施例提供了一种企业信用风险监测方法，以解决现有的企业信用风险监测方式，难以评估企业的非财务风险，企业信用风险的识别准确性较低的问题。

本发明实施例还提供了一种企业信用风险监测装置，用以保证上述方法实际中的实现及应用。

为实现上述目的，本发明实施例提供如下技术方案：

一种企业信用风险监测方法，包括：

在需要进行企业信用风险监测的情况下，确定债券发行人集合；所述债券发行人集合包括至少一个债券发行人；

确定每个所述债券发行人对应的企业数据集合；每个所述债券发行人对应的企业数据集合包括当前该债券发行人对应的非财务数据和财务数据；

对于每个所述债券发行人，依据该债券发行人对应的企业数据集合，确定该债券发行人对应的多个指标数据；所述多个指标数据与预先确定的多个评估指标一一对应，所述多个评估指标包括多个非财务评估指标和多个财务评估指标；

对于每个所述债券发行人，将该债券发行人对应的各个指标数据输入预先构建的风险预测模型，经所述风险预测模型处理后，获取所述风险预测模型输出的违约概率，并将所述风险预测模型输出的违约概率作为该债券发行人对应的违约概率；所述风险预测模型为基于所述多个评估指标构建的逻辑回归模型；

对于每个所述债券发行人，依据预设的标准评分卡转换策略、该债券发行人对应的各个指标数据和该债券发行人对应的违约概率，确定该债券发行人的企业信用评分以及该债券发行人对应的多个指标信用评分；所述多个指标信用评分与所述多个评估指标一一对应；

对于每个所述债券发行人，依据该债券发行人的企业信用评分和该债券发行人对应的各个指标信用评分，确定该债券发行人的信用风险监测结果。

上述的方法，可选的，所述多个评估指标的确定过程，包括：

确定多个初始指标，并确定每个所述初始指标对应的样本数据集；每个所述初始指标对应的样本数据集包括该初始指标对应的多个样本数据；

依据各个所述初始指标对应的样本数据集和预设的信息值策略，确定每个所述初始指标对应的信息值；

依据各个所述初始指标对应的样本数据集和预设的随机森林算法，确定每个所述初始指标对应的指标重要度；

依据各个所述初始指标对应的信息值和指标重要度，在各个所述初始指标中，确定多个初筛指标；

依据预设的证据权重筛选策略，在所述多个初筛指标中，确定多个候选指标；

依据预设的引导聚集算法，对各个所述候选指标对应的样本数据集进行采样处理，得到多个训练样本集；

依据预设的逐步回归策略，构建每个所述训练样本集对应的第一逻辑回归模型；

对每个所述第一逻辑回归模型进行显著性检验，获得每个所述第一逻辑回归模型对应的显著性水平集合；每个所述第一逻辑回归模型对应的显著性水平集合包括该第一逻辑回归模型对应的多个显著性水平，所述多个显著性水平与所述多个候选指标一一对应；

依据各个所述第一逻辑回归模型对应的显著性水平集合，在所述多个候选指标中确定多个目标指标，并将每个所述目标指标确定为所述评估指标。

上述的方法，可选的，所述风险预测模型的构建过程，包括：

确定每个所述训练样本集对应的训练样本子集，每个所述训练样本子集包括其对应的训练样本集中各个所述评估指标对应的样本数据；

构建每个所述训练样本子集对应的第二逻辑回归模型；

对各个所述第二逻辑回归模型进行模型融合处理，将融合得到的逻辑回归模型作为所述风险预测模型。

上述的方法，可选的，所述多个非财务评估指标，包括：第一评估指标、第二评估指标、第三评估指标、第四评估指标、第五评估指标、第六评估指标以及第七评估指标；

所述第一评估指标为表征发行人所在省份的指标；

所述第二评估指标为表征发行人所在地区生产总值的指标；

所述第三评估指标为表征发行人企业性质的指标；

所述第四评估指标为表征发行人主体评级的指标；

所述第五评估指标为表征发行人年报审计意见的指标；

所述第六评估指标为表征发行人诉讼仲裁数量的指标；

所述第七评估指标为表征发行人发行债券成交价格波动情况的指标。

上述的方法，可选的，所述多个财务评估指标，包括：第八评估指标、第九评估指标、第十评估指标、第十一评估指标、第十二评估指标、第十三评估指标以及第十四评估指标；

所述第八评估指标为表征发行人现金波动情况的指标；

所述第九评估指标为表征发行人资产负债率的指标；

所述第十评估指标为表征发行人应收款占比情况的指标；

所述第十一评估指标为表征发行人固定资产占比波动情况的指标；

所述第十二评估指标为表征发行人短期借款占比情况的指标；

所述第十三评估指标为表征发行人财务费用情况的指标；

所述第十四评估指标为表征发行人商誉波动情况的指标。

上述的方法，可选的，所述依据预设的标准评分卡转换策略、该债券发行人对应的各个指标数据和该债券发行人对应的违约概率，确定该债券发行人的企业信用评分以及该债券发行人对应的多个指标信用评分，包括：

依据该债券发行人对应的违约概率，确定该债券发行人对应的违约几率；

基于预设的标准评分卡，确定所述违约几率对应的评分，并将所述违约几率对应的评分确定为该债券发行人的企业信用评分；

对于该债券发行人对应的每个指标数据，基于所述标准评分卡，确定该指标数据对应的评分，并将该指标数据对应的评分作为该债券发行人对应的指标信用评分。

上述的方法，可选的，所述依据该债券发行人的企业信用评分和该债券发行人对应的各个指标信用评分，确定该债券发行人的信用风险监测结果，包括：

判断该债券发行人的企业信用评分是否小于或等于预设的预警阈值；

若该债券发行人的企业信用评分小于或等于所述预警阈值，则将第一预设风险评估结果、该债券发行人的企业信用评分和该债券发行人对应的各个指标信用评分作为该债券发行人的信用风险监测结果，所述第一预设风险评估结果表征企业存在信用风险。

一种企业信用风险监测装置，包括：

第一确定单元，用于在需要进行企业信用风险监测的情况下，确定债券发行人集合；所述债券发行人集合包括至少一个债券发行人；

第二确定单元，用于确定每个所述债券发行人对应的企业数据集合；每个所述债券发行人对应的企业数据集合包括当前该债券发行人对应的非财务数据和财务数据；

第三确定单元，用于对于每个所述债券发行人，依据该债券发行人对应的企业数据集合，确定该债券发行人对应的多个指标数据；所述多个指标数据与预先确定的多个评估指标一一对应，所述多个评估指标包括多个非财务评估指标和多个财务评估指标；

风险预测单元，用于对于每个所述债券发行人，将该债券发行人对应的各个指标数据输入预先构建的风险预测模型，经所述风险预测模型处理后，获取所述风险预测模型输出的违约概率，并将所述风险预测模型输出的违约概率作为该债券发行人对应的违约概率；所述风险预测模型为基于所述多个评估指标构建的逻辑回归模型；

评分转换单元，用于对于每个所述债券发行人，依据预设的标准评分卡转换策略、该债券发行人对应的各个指标数据和该债券发行人对应的违约概率，确定该债券发行人的企业信用评分以及该债券发行人对应的多个指标信用评分；所述多个指标信用评分与所述多个评估指标一一对应；

第四确定单元，用于对于每个所述债券发行人，依据该债券发行人的企业信用评分和该债券发行人对应的各个指标信用评分，确定该债券发行人的信用风险监测结果。

一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如上述的企业信用风险监测方法。

一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行如上述的企业信用风险监测方法。

基于上述本发明实施例提供的一种企业信用风险监测方法，包括：在需要进行企业信用风险监测的情况下，确定债券发行人集合，其中包括至少一个债券发行人；确定每个债券发行人对应的企业数据集合，其中包括当前该债券发行人对应的非财务数据和财务数据；对于每个债券发行人，依据该债券发行人对应的企业数据集合，确定该债券发行人对应的多个指标数据；所述多个指标数据与预先确定的多个评估指标一一对应，所述多个评估指标包括多个非财务评估指标和多个财务评估指标；对于每个债券发行人，将该债券发行人对应的各个指标数据输入预先构建的风险预测模型，经风险预测模型处理后，获取风险预测模型输出的违约概率，并将该违约概率作为该债券发行人对应的违约概率；所述风险预测模型为基于所述多个评估指标构建的逻辑回归模型；对于每个债券发行人，依据预设的标准评分卡转换策略、该债券发行人对应的各个指标数据和违约概率，确定该债券发行人的企业信用评分和多个指标信用评分；所述多个指标信用评分与所述多个评估指标一一对应；对于每个债券发行人，依据该债券发行人的企业信用评分和各个指标信用评分，确定该债券发行人的信用风险监测结果。应用本发明实施例提供的方法，结合非财务评估指标的指标数据和财务评估指标的指标数据，对债券发行人的企业信用风险进行预测，不仅可识别企业的财务风险，也可以识别企业的非财务风险，可提高企业信用风险识别的准确性和风险识别的实时性。其次，以信用评分表征债券发行人的企业信用风险程度，对于不同的风险程度具有较高的区分度，有利于对企业信用风险的变化进行准确监测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种企业信用风险监测方法的方法流程图；

图2为本发明实施例提供的一种企业信用风险监测方法的又一方法流程图；

图3为本发明实施例提供的一种企业信用风险监测方法的另一方法流程图；

图4为本发明实施例提供的一种企业信用风险监测装置的结构示意图；

图5为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本申请中，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“包括一个……”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。

本发明实施例提供了一种企业信用风险监测方法，所述方法可应用于企业信用风险监测系统，其执行主体可以为系统的服务器，所述方法的方法流程图如图1所示，包括：

S101：在需要进行企业信用风险监测的情况下，确定债券发行人集合；所述债券发行人集合包括至少一个债券发行人；

本发明实施例提供的方法中，可以定时对符合条件的债券发行人进行企业信用风险监测，当到达预设的监测时间点时，触发企业信用风险监测过程，筛选当前需要进行监测的债券发行人，组成债券发行人集合。例如，以一个月为一个监测周期，将每个月的最后一天的某个时间点设置为监测时间点，当到达监测时间点时，将截至监测时间点仍有存续公募信用债的发行人作为当前需要进行监测的债券发行人。

S102：确定每个所述债券发行人对应的企业数据集合；每个所述债券发行人对应的企业数据集合包括当前该债券发行人对应的非财务数据和财务数据；

本发明实施例提供的方法中，数据库中存储有各个债券发行人最新的非财务数据和财务数据，非财务数据包括与债券发行人相关的企业工商信息、裁判文书、债券成交信息等数据，财务数据包括企业财报等数据。

S103：对于每个所述债券发行人，依据该债券发行人对应的企业数据集合，确定该债券发行人对应的多个指标数据；所述多个指标数据与预先确定的多个评估指标一一对应，所述多个评估指标包括多个非财务评估指标和多个财务评估指标；

本发明实施例提供的方法中，预先根据业务数据和业务理解，加工多个指标，然后对各个指标进行筛选，预先确定多个评估指标，这些评估指标中包括多个非财务评估指标和多个财务评估指标，财务评估指标是基于企业财务数据加工的指标，非财务评估指标是基于企业非财务数据加工的指标。可预先设置每个评估指标对应的数据加工方式。

本发明实施例提供的方法中，在企业信用风险监测过程中，对于每个债券发行人，通过每个评估指标对应的数据加工方式，对该债券发行人的企业数据集合进行数据加工，得到每个评估指标对应的指标数据，将各个评估指标对应的指标数据作为该债券发行人对应的指标数据。

S104：对于每个所述债券发行人，将该债券发行人对应的各个指标数据输入预先构建的风险预测模型，经所述风险预测模型处理后，获取所述风险预测模型输出的违约概率，并将所述风险预测模型输出的违约概率作为该债券发行人对应的违约概率；所述风险预测模型为基于所述多个评估指标构建的逻辑回归模型；

本发明实施例提供的方法中，预先根据各个评估指标构建风险预测模型，该风险预测模型是一个逻辑回归模型(Logistic regression)，为通过各个评估指标对应的样本数据进行训练得到的模型，该风险预测模型的输入数据为各个评估指标的指标数据，输出数据为违约概率。在企业信用风险监测过程中，分别将每个债券发行人对应的各个指标数据作为一组输入数据，分别将各组输入数据输入风险预测模型，风险预测模型在对当前输入的输入数据进行处理后，可输出相应的违约概率，该违约概率即为该组输入数据所对应的债券发行人的违约概率。

S105：对于每个所述债券发行人，依据预设的标准评分卡转换策略、该债券发行人对应的各个指标数据和该债券发行人对应的违约概率，确定该债券发行人的企业信用评分以及该债券发行人对应的多个指标信用评分；所述多个指标信用评分与所述多个评估指标一一对应；

本发明实施例提供的方法中，根据实际的评分转换需求预先设置了标准评分卡转换策略，该策略可基于现有的标准评分卡技术进行设置。在企业信用风险监测过程中，可通过标准评分卡转换策略，对每个债券发行人的违约概率进行评分转换，得到每个债券发行人的企业信用评分，同时通过债券发行人与每个评估指标相对应的指标数据，进行指标上的评分转换，得到债券发行人的多个指标信用评分。

S106：对于每个所述债券发行人，依据该债券发行人的企业信用评分和该债券发行人对应的各个指标信用评分，确定该债券发行人的信用风险监测结果。

本发明实施例提供的方法中，可以根据债券发行人的企业信用评分的大小，确定债券发行人对应的信用风险的高低程度，以此得到信用风险的评估结果，将评估结果和各项信用评分作为信用风险监测结果。还可以结合在先前监测过程中确定的各项信用评分和当前确定的各项信用评分，确定债券发行人的风险变化情况，将此情况也进行反馈。

基于本发明实施例提供的方法，在需要进行企业信用风险监测的情况下，确定债券发行人集合，其中包括至少一个债券发行人；确定每个债券发行人对应的企业数据集合，其中包括非财务数据和财务数据；依据每个债券发行人对应的企业数据集合，确定每个债券发行人对应的多个指标数据，所述多个指标数据与预先确定的多个评估指标一一对应，所述多个评估指标包括多个非财务评估指标和多个财务评估指标；对于每个债券发行人，将该债券发行人对应的各个指标数据输入预先构建的风险预测模型，经风险预测模型处理后，获取风险预测模型输出的违约概率，并将该违约概率作为该债券发行人对应的违约概率；风险预测模型为基于所述多个评估指标构建的逻辑回归模型；对于每个债券发行人，依据预设的标准评分卡转换策略、该债券发行人对应的各个指标数据和违约概率，确定该债券发行人的企业信用评分以及与各个评估指标相对应的各个指标信用评分；依据每个债券发行人的企业信用评分和各个指标信用评分，确定每个债券发行人的信用风险监测结果。应用本发明实施例提供的方法，结合非财务评估指标的指标数据和财务评估指标的指标数据，对债券发行人的企业信用风险进行预测，不仅可识别企业的财务风险，也可以识别企业的非财务风险，可提高企业信用风险识别的准确性和风险识别的实时性。其次，以信用评分表征债券发行人的企业信用风险程度，对于不同的风险程度具有较高的区分度，有利于对企业信用风险的变化进行准确监测。

在图1所示方法的基础上，本发明实施例提供了又一种企业信用风险监测方法，如图2所示，本发明实施例提供的方法中，步骤S103中提及的所述多个评估指标的确定过程，包括：

S201：确定多个初始指标，并确定每个所述初始指标对应的样本数据集；每个所述初始指标对应的样本数据集包括该初始指标对应的多个样本数据；

本发明实施例提供的方法中，可以根据历史的企业数据，选取符合业务场景的多个企业作为样本，包括存在历史违约记录的企业、无违约无存续债的企业和无违约有存续债的企业等。根据实际的数据情况和业务理解，设计若干个指标，将这些指标作为初始指标。基于每个样本的企业数据进行数据加工，可以得到每个样本对应每个初始指标的样本数据，对于每个样本而言，其自变量为对应每个初始指标的样本数据，因变量为该样本历史是否发生违约。对于每个初始指标而言，每个样本对应该初始指标的样本数据即为该初始指标对应的样本数据。

S202：依据各个所述初始指标对应的样本数据集和预设的信息值策略，确定每个所述初始指标对应的信息值；

本发明实施例提供的方法中，可以在各个初始指标中区分定性指标和定量指标，以每个初始指标对应的样本数据集作为每个初始指标的变量数据，对每个初始指标进行变量分箱，并依据预设的信息值策略，计算每个初始指标对应的信息值，信息值(InformationValue)即为IV值，变量分箱以及IV值计算均为现有的技术手段，在此不作详细介绍。对于定性指标，可依据变量取值进行分箱，对于定量指标，可基于分类决策树进行最优分箱。

S203：依据各个所述初始指标对应的样本数据集和预设的随机森林算法，确定每个所述初始指标对应的指标重要度；

本发明实施例提供的方法中，通过预设的随机森林算法计算每个初始指标对应的指标重要度。随机森林算法计算指标重要度可以通过现有技术手段实现，在此不作详细介绍。

S204：依据各个所述初始指标对应的信息值和指标重要度，在各个所述初始指标中，确定多个初筛指标；

本发明实施例提供的方法中，通过初始指标的信息值和指标重要度进行特征筛选，可以将信息值大于预设信息值阈值或指标重要度大于预设重要度阈值的初始指标作为初筛指标，即初步筛选出IV值较高或者重要度较高的指标。

S205：依据预设的证据权重筛选策略，在所述多个初筛指标中，确定多个候选指标；

本发明实施例提供的方法中，对初筛指标进行更细化的分箱调整和证据权重(WOE)转换，在进行证据权重转换后计算每个初始指标的相关系数，结合IV值、业务逻辑对共线性较强的指标进行筛选，将筛选出来的指标作为候选指标。在进行分箱调整时，可以关注各指标分箱个数、每个分箱中的样本数、分箱中违约率单调性、可解释性等因素。

S206：依据预设的引导聚集算法，对各个所述候选指标对应的样本数据集进行采样处理，得到多个训练样本集；

本发明实施例提供的方法中，通过预设的引导聚集(Bootstrap aggregating，Bagging)算法进行采样处理，Bagging算法也称为套袋法。具体的，基于Bagging算法的集成学习(Ensemble)算法进行样本处理。例如，采用Bagging方法，先对未违约样本进行欠采样，如每次有放回地随机选取1/5的未违约样本，与违约样本分别组成5组训练样本。再将每组训练样本的85％划定为训练集，其余15％划定为测试集，由此得到多个训练样本集。

S207：依据预设的逐步回归策略，构建每个所述训练样本集对应的第一逻辑回归模型；

本发明实施例提供的方法中，通过逐步回归策略和每个训练样本集，分别拟合逻辑回归模型，得到每个训练样本集对应的逻辑回归模型，即第一逻辑回归模型。逐步回归策略可基于现有的逐步回归方法进行设置。

S208：对每个所述第一逻辑回归模型进行显著性检验，获得每个所述第一逻辑回归模型对应的显著性水平集合；每个所述第一逻辑回归模型对应的显著性水平集合包括该第一逻辑回归模型对应的多个显著性水平，所述多个显著性水平与所述多个候选指标一一对应；

本发明实施例提供的方法中，对每个第一逻辑回归模型进行显著性检验，计算每个第一逻辑回归模型中每个候选指标的显著性水平，显著性水平指的是显著性检验中的P值。

S209：依据各个所述第一逻辑回归模型对应的显著性水平集合，在所述多个候选指标中确定多个目标指标，并将每个所述目标指标确定为所述评估指标。

本发明实施例提供的方法中，根据每个候选指标在每个显著性水平集合中对应的显著性水平的大小，对各个候选指标进行筛选，例如可以将对应的显著性水平均小于预设水平阈值的候选指标作为筛选出来的目标指标，将目标指标确定为评估指标。

基于本发明实施例提供的方法，可以通过机器学习和大数据分析，进行指标筛选，获得与业务场景关联性较强的评估指标，可避免凭借人为经验设置指标所带来的经验误差，可进一步提高风险评估的准确性。

在上述实施例提供的方法的基础上，本发明实施例提供了另一种企业信用风险监测方法，如图3所示，本发明实施例提供的方法中，步骤S104中提及的风险预测模型的构建过程，包括：

S301：确定每个所述训练样本集对应的训练样本子集，每个所述训练样本子集包括其对应的训练样本集中各个所述评估指标对应的样本数据；

本发明实施例提供的方法中，将每个评估指标对应的样本数据筛选出来，得到各个训练样本子集，用作最终模型拟合的样本集。

S302：构建每个所述训练样本子集对应的第二逻辑回归模型；

本发明实施例提供的方法中，通过每个训练样本子集拟合逻辑回归模型，得到每个训练样本子集对应的逻辑回归模型，即第二逻辑回归模型。

S303：对各个所述第二逻辑回归模型进行模型融合处理，将融合得到的逻辑回归模型作为所述风险预测模型。

本发明实施例提供的方法中，可将各个第二逻辑回归模型进行融合，得到最终的逻辑回归模型，以此作为风险预测模型。具体的，可以计算各个第二逻辑回归模型中回归系数的平均值，以平均值作为融合后的逻辑回归模型的回归系数。

在图1所示方法的基础上，本发明实施例提供的方法中，步骤S103中提及的所述多个非财务评估指标，包括：第一评估指标、第二评估指标、第三评估指标、第四评估指标、第五评估指标、第六评估指标以及第七评估指标；

所述第一评估指标为表征发行人所在省份的指标；

所述第二评估指标为表征发行人所在地区生产总值的指标；

所述第三评估指标为表征发行人企业性质的指标；

所述第四评估指标为表征发行人主体评级的指标；

所述第五评估指标为表征发行人年报审计意见的指标；

所述第六评估指标为表征发行人诉讼仲裁数量的指标；

所述第七评估指标为表征发行人发行债券成交价格波动情况的指标。

在上述实施例提供的方法的基础上，本发明实施例提供的方法中，步骤S103中提及的所述多个财务评估指标，包括：第八评估指标、第九评估指标、第十评估指标、第十一评估指标、第十二评估指标、第十三评估指标以及第十四评估指标；

所述第八评估指标为表征发行人现金波动情况的指标；

所述第九评估指标为表征发行人资产负债率的指标；

所述第十评估指标为表征发行人应收款占比情况的指标；

所述第十一评估指标为表征发行人固定资产占比波动情况的指标；

所述第十二评估指标为表征发行人短期借款占比情况的指标；

所述第十三评估指标为表征发行人财务费用情况的指标；

所述第十四评估指标为表征发行人商誉波动情况的指标。

本发明实施例提供的方法中，预先确定的各个评估指标的具体含义可如表1所示。

表1

/>

在图1所示方法的基础上，本发明实施例提供的方法中，步骤S105中提及的依据预设的标准评分卡转换策略、该债券发行人对应的各个指标数据和该债券发行人对应的违约概率，确定该债券发行人的企业信用评分以及该债券发行人对应的多个指标信用评分的过程，包括：

依据该债券发行人对应的违约概率，确定该债券发行人对应的违约几率；

本发明实施例提供的方法中，可以将债券发行人对应的违约概率代入预设的计算公式，计算该债券发行人的违约几率，违约几率(odds)等于p/(1-p)，p为违约概率。

基于预设的标准评分卡，确定所述违约几率对应的评分，并将所述违约几率对应的评分确定为该债券发行人的企业信用评分；

对于该债券发行人对应的每个指标数据，基于所述标准评分卡，确定该指标数据对应的评分，并将该指标数据对应的评分作为该债券发行人对应的指标信用评分。

本发明实施例提供的方法中，可以基于预设的标准评分卡，通过违约几率进行整体的信用评分转换，得到债券发行人的企业信用评分。同时，可以针对债券发行人对应每个评估指标的指标数据进行指标上的评分转换，得到每个评估指标上的指标信用评分。具体的评分规则可以为：当违约几率为1时(此时违约概率p为50％)，对应的信用评分为600分。同时，违约几率每翻一番，对应的信用评分降低20分，违约几率每降低一半，对应的信用评分提高20分。信用评分越低表示违约风险越高。

在图1所示方法的基础上，本发明实施例提供的方法中，步骤S106中提及的依据该债券发行人的企业信用评分和该债券发行人对应的各个指标信用评分，确定该债券发行人的信用风险监测结果的过程，包括：

判断该债券发行人的企业信用评分是否小于或等于预设的预警阈值；

本发明实施例提供的方法中，在构建风险预测模型后，可以根据模型预测违约概率，计算不同阈值下模型对应的假阳率和真阳率，并绘制散点图，形成受试者特征曲线(Receiver Operating Characteristic Curve，ROC)，即ROC曲线。在ROC曲线上找出使假阳率尽可能低、真阳率尽可能高的点，根据该点设置预警阈值。

本发明实施例提供的方法中，可将债券发行人的企业信用评分与预设的预警阈值进行大小比较，当企业信用评分小于或等于该预警阈值时，说明债券发行人存在较高的信用风险，反之，则说明债券发行人的信用风险较低。

若该债券发行人的企业信用评分小于或等于所述预警阈值，则将第一预设风险评估结果、该债券发行人的企业信用评分和该债券发行人对应的各个指标信用评分作为该债券发行人的信用风险监测结果，所述第一预设风险评估结果表征企业存在信用风险。

本发明实施例提供的方法中，系统中设置有第一预设风险评估结果，用于表征企业存在信用风险。若债券发行人的企业信用评分小于或等于预警阈值，则将第一预设风险评估结果和债券发行人的企业信用评分及各个指标信用评分，作为企业信用风险监测结果，以向工作人员反馈债券发行人的企业信用风险水平较高。系统中还可以设置第二预设风险评估结果，用于表征企业信用风险较低，若债券发行人的企业信用评分大于预警阈值，则将第二预设风险评估结果和债券发行人的企业信用评分及各个指标信用评分，作为企业信用风险监测结果，以反馈债券发行人的企业信用风险水平较低。

为了更好地说明本发明实施例提供的方法，接下来结合实际的应用场景，进一步举例说明风险预测模型的构建过程。

本发明实施例提供的方法应用于公募信用债的发行人的企业信用风险监测场景。风险预测模型的具体构建过程，主要包括样本选择、指标选取、模型拟合、阈值选取和预测结果等步骤。

样本选择；

选取截止指定时间点，历史上有公募信用债发行记录的企业作为建模样本，其中，包括含有历史违约记录的企业。对于已违约企业、无违约无存续债企业、无违约有存续债企业，观测日分别为首次违约日、最后一笔信用债到期日、截止的指定时间点。自变量为样本截止观测日可获取的财务及非财务数据指标，因变量为样本历史是否发生违约。

指标选取；

指标方面，基于数据情况和业务理解，加工1000余个指标，包括财务基础指标、财务衍生指标，通过均值、方差、变异系数等统计方式加工财务分析指标、非财务指标，删除缺失率较高的指标。其中，财务指标基于样本观测日近三年的财报数据(含季报、半年报和年报共12个时点的财报数据)进行加工，非财务指标包含工商信息、主体评级、审计意见、法律诉讼、成交价格、地方经济财政等。

在指标筛选方面，可以通过前文结合图2所提供的实施例中，步骤S201～S205中提及的指标筛选方式，筛选出多个候选指标，具体的筛选方式可参见前文说明，在此不再赘述。

模型拟合；

考虑到实际应用场景中违约样本比例较低，存在较严重的正负样本不均衡情况。基于Bagging的Ensemble算法提供了一种简单有效的改进方法，即利用Bagging方法在原始训练集的随机子集上构建一种分类器的多个实例，然后集成这些分类器，形成最终预测结果。采用Bagging方法，先对未违约样本进行欠采样，即每次有放回地随机选取1/5的未违约样本，与违约样本分别组成5组训练样本。再将每组训练样本的85％划定为训练集，其余15％划定为测试集，采用逐步回归方法对各个候选指标进行筛选并拟合逻辑回归模型。最后，选取5个子模型中显著性检验P值均小于0.05的指标入模，重新拟合每个子模型的回归系数，取每个子模型中回归系数的平均值，得到最终逻辑回归模型。本发明实施例提供的方法中，筛选出来的入模指标可如表1所示，最终的逻辑回归模型的表达式可如下所示：

log p’/(1-p’)＝-2.4537+0.8766x

+0.2567x

+0.9113x

其中，p’为基于欠采样训练样本计算的违约概率，x

模型结果方面，根据拟合的模型计算违约概率p’，将其调整为与原始样本分布相吻合的违约概率p。然后，对模型进行标准评分卡转换，转换规则可以采用前文对于步骤S105进行说明的实施例中提及的评分规则，在此不再赘述。转换后得到每个样本的总体信用评分以及在每个入模指标上的得分，信用评分越低表示违约风险越高。可以通过模型对样本的评分对模型的预测效果进行评估。具体的，将所有样本的信用评分进行等频分箱，共分为20档，即每个信用评分区间中大约有5％的样本，各档的信用评分分布可以如表2所示。以表2所示结果为例，可知87.22％的违约样本的信用评分位于信用评分最低一档，说明模型对违约样本和未违约样本有较好的区隔能力。

表2

/>

阈值选取和预测结果；

在前文提及的模型表达式和信用评分分布情况的场景下，通过ROC曲线确定的最优预警阈值为违约概率2.6％(相应的信用评分为705)，即违约概率大于等于2.6％(信用评分小于等于705)的企业预测为高信用风险。模型整体灵敏度(召回率)为94.74％，即94.74％的违约企业被正确识别。特异度为93.75％，即93.75％的未违约企业被正确识别。准确率为93.77％，即全部企业中93.77％被正确识别。模型的F1分数为0.42，AUC为0.96，KS值为0.87。以上各指标表明模型对违约样本的预测能力较好，对违约样本和非违约样本有较强的区隔能力，模型效果良好。

本发明实施例提供的方法，基于原始数据加工指标。原始数据主要包括发行人的财务数据和非财务数据，指标类型包括基础指标、统计指标、衍生指标、交叉指标等。采用信息值，随机森林指标重要度(Random Forest Index)等方法，筛选出对发行人违约风险有较强预测能力的候选指标。采用基于套袋法的集成学习算法，有效解决正负样本严重不均衡问题。利用逻辑回归模型计算每家发行人的违约概率，并转换为信用评分，直观反映企业信用风险状况。

本发明实施例提供的方法，应用机器学习模型，发挥大数据优势，充分挖掘大数据信息。传统研究主要选择企业财务数据，指标选取依赖于专家主观经验，且数据频率以年度为主，难以准确、及时监测信用风险。本方法通过机器学习挖掘海量、多维、动态的数据信息，据此实现对信用债发行人违约概率实时、动态监测和预警。可以基于实时数据更新模型结果，提高监测预警准确性、及时性和前瞻性。

本发明实施例提供的方法，采用集成学习算法，解决正负样本不均问题。在实际的债券市场中，违约样本出现的时间较短，时间序列数据数量较少，难以使用传统的实证方法进行风险监测。本方法采用基于Bagging的集成学习算法，有效解决正负样本严重不均衡问题。

本发明实施例提供的方法，计算每家企业的预测违约概率，提升信用区分度。传统信用评级方法，是将企业信用风险分为若干档，相同档内的企业信用风险缺乏区分度。本方法采用机器学习模型，计算每家企业的预测违约概率，并转换为信用评分，可直观反映企业信用风险状况，提升不同企业之间的信用差异。

与图1所示的一种企业信用风险监测方法相对应的，本发明实施例还提供了一种企业信用风险监测装置，用于对图1中所示方法的具体实现，其结构示意图如图4所示，包括：

第一确定单元401，用于在需要进行企业信用风险监测的情况下，确定债券发行人集合；所述债券发行人集合包括至少一个债券发行人；

第二确定单元402，用于确定每个所述债券发行人对应的企业数据集合；每个所述债券发行人对应的企业数据集合包括当前该债券发行人对应的非财务数据和财务数据；

第三确定单元403，用于对于每个所述债券发行人，依据该债券发行人对应的企业数据集合，确定该债券发行人对应的多个指标数据；所述多个指标数据与预先确定的多个评估指标一一对应，所述多个评估指标包括多个非财务评估指标和多个财务评估指标；

风险预测单元404，用于对于每个所述债券发行人，将该债券发行人对应的各个指标数据输入预先构建的风险预测模型，经所述风险预测模型处理后，获取所述风险预测模型输出的违约概率，并将所述风险预测模型输出的违约概率作为该债券发行人对应的违约概率；所述风险预测模型为基于所述多个评估指标构建的逻辑回归模型；

评分转换单元405，用于对于每个所述债券发行人，依据预设的标准评分卡转换策略、该债券发行人对应的各个指标数据和该债券发行人对应的违约概率，确定该债券发行人的企业信用评分以及该债券发行人对应的多个指标信用评分；所述多个指标信用评分与所述多个评估指标一一对应；

第四确定单元406，用于对于每个所述债券发行人，依据该债券发行人的企业信用评分和该债券发行人对应的各个指标信用评分，确定该债券发行人的信用风险监测结果。

应用本发明实施例提供的装置，结合非财务评估指标的指标数据和财务评估指标的指标数据，对债券发行人的企业信用风险进行预测，不仅可识别企业的财务风险，也可以识别企业的非财务风险，可提高企业信用风险识别的准确性和风险识别的实时性。其次，以信用评分表征债券发行人的企业信用风险程度，对于不同的风险程度具有较高的区分度，有利于对企业信用风险的变化进行准确监测。

在图4所示装置的基础上，本发明实施例提供的装置还可以进一步扩展出多个单元，各个单元的功能可参见前文对于企业信用风险监测方法所提供的各个实施例中的说明，在此不再进一步举例说明。

本发明实施例还提供了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如上述的企业信用风险监测方法。

本发明实施例还提供了一种电子设备，其结构示意图如图5所示，具体包括存储器501，以及一个或者一个以上的指令502，其中一个或者一个以上指令502存储于存储器501中，且经配置以由一个或者一个以上处理器503执行所述一个或者一个以上指令502进行以下操作：

在需要进行企业信用风险监测的情况下，确定债券发行人集合；所述债券发行人集合包括至少一个债券发行人；

确定每个所述债券发行人对应的企业数据集合；每个所述债券发行人对应的企业数据集合包括当前该债券发行人对应的非财务数据和财务数据；

对于每个所述债券发行人，依据该债券发行人对应的企业数据集合，确定该债券发行人对应的多个指标数据；所述多个指标数据与预先确定的多个评估指标一一对应，所述多个评估指标包括多个非财务评估指标和多个财务评估指标；

对于每个所述债券发行人，将该债券发行人对应的各个指标数据输入预先构建的风险预测模型，经所述风险预测模型处理后，获取所述风险预测模型输出的违约概率，并将所述风险预测模型输出的违约概率作为该债券发行人对应的违约概率；所述风险预测模型为基于所述多个评估指标构建的逻辑回归模型；

对于每个所述债券发行人，依据预设的标准评分卡转换策略、该债券发行人对应的各个指标数据和该债券发行人对应的违约概率，确定该债券发行人的企业信用评分以及该债券发行人对应的多个指标信用评分；所述多个指标信用评分与所述多个评估指标一一对应；

对于每个所述债券发行人，依据该债券发行人的企业信用评分和该债券发行人对应的各个指标信用评分，确定该债券发行人的信用风险监测结果。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。