债项评级数据的处理方法和装置、电子设备和存储介质

技术领域

本发明涉及金融技术领域，尤其涉及一种债项评级数据的处理方法和装置、电子设备和存储介质。

背景技术

债项评级是对交易本身的特定风险进行计量和评价，反映客户违约后的债项损失大小。特定风险因素包括抵押、优先性、产品类别、地区、行业等。债项评级既可以只反映债项本身的交易风险，也可以同时反映客户信用风险和债项交易风险。

目前，大部分评级模型集中企业评级，对于债项评级，更多的是在考虑发债主体信用资质的基础上，通过人工判断进行调整得到，调整过程中需要考虑的因素较多，还未能在保证与人工评级结果相当的基础上，实现完全的债项量化评级，面对大量越来越丰富的债券市场，迫切需要高效、可靠的一定程度上释放人工操作的债项量化评级。

发明内容

本发明提供一种债项评级数据的处理方法和装置、电子设备和存储介质，用以解决现有技术中存在的技术缺陷。

本发明提供一种债项评级数据的处理方法，包括：

对指标数据的债项信用风险因子进行分析、筛选，形成定性指标及定量指标；

将所述定性指标进行量化后与所述定量指标一并输入债项评级模型，生成调整因子；其中，所述债项评级模型是基于债项样本数据以及预先确定的债项评级标签进行训练后得到；

基于所述调整因子，对指标数据的主体评级数据进行与所述调整因子对应的等级调整，得到债项评级数据。

根据本发明提供的一种债项评级数据的处理方法，所述对影响债项信用风险的因子进行分析、筛选之前，包括：

选取发行期限大于一年、预设债券类型的债券于首次评级时期时对应的数据作为指标数据。

根据本发明提供的一种债项评级数据的处理方法，在得到债项评级数据之后，所述方法还包括：

对得到的所述债项评级进行以下任一或其组合实现的检验：

删除缺失值超出缺失值阈值范围的指标数据；

对异常的指标数据进行异常值或缺失值填充；

对指标数据中的因变量进行不均衡处理：通过对指标数据中的因变量进行频数分布分析，将频数低于预设频数的值采用邻近值替代，并对指标数据中的0值进行剔除。

根据本发明提供的一种债项评级数据的处理方法，所述将所述定性指标进行量化后与所述定量指标一并输入债项评级模型，生成调整因子，包括：

将量化后的所述定性指标及所述定量指标基于指标属性，分为自变量指标集合和因变量指标集合，将所述自变量指标集合和因变量指标集合输入债项评级模型，生成调整因子。

根据本发明提供的一种债项评级数据的处理方法，所述债项评级数据的处理方法还包括：

随机选取债项样本数据以及预先确定的债项评级标签作为样本训练数据，将所述样本训练数据输入债项评级模型，对所述债项评级模型进行训练。

根据本发明提供的一种债项评级数据的处理方法，所述债项评级数据的处理方法还包括：

随机选取债项样本数据以及预先确定的债项评级标签作为样本测试数据，将所述样本测试数据输入债项评级模型，根据债项评级模型的输出结果进行单分类效果评估。

根据本发明提供的一种债项评级数据的处理方法，所述基于所述调整因子，对指标数据的主体评级数据进行与所述调整因子对应的等级调整，得到债项评级之后，所述方法还包括：

对得到的所述债项评级进行以下任一或其组合实现的检验：

对得到的所述债项评级与债项外部评级进行一致性检验；

对得到的所述债项评级进行利差检验；

对得到的所述债项评级进行债项评级统计分析；

对得到的所述债项评级的调整占比与债项外部评级调整占比进行对比分析。

本发明提供了一种债项评级数据的处理装置，包括：

指标生成模块，用于对指标数据的债项信用风险因子进行分析、筛选，形成定性指标及定量指标；

调整因子确定模块，用于将所述定性指标进行量化后与所述定量指标一并输入债项评级模型，生成调整因子；其中，所述债项评级模型是基于债项样本数据以及预先确定的债项评级标签进行训练后得到；

调整评级模块，用于基于所述调整因子，对指标数据的主体评级数据进行与所述调整因子对应的等级调整，得到债项评级数据。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述债项评级数据的处理方法的步骤。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述债项评级数据的处理方法的步骤。

本发明提供的债项评级数据的处理方法和装置，对影响债项信用风险的因子进行提炼、分析，形成特定的指标数据，通过将指标数据输入债项评级模型，生成调整因子，将调整因子应用于主体评级，对主体评级结果进行对应的等级调整，得到最终的债项评级，本发明的债项评级模型的有效性在统计指标、外部评级机构债项评级对比等多方面得到了验证和保障，可以实现高效、可靠的自动债项量化评级。

附图说明

为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本发明提供的债项评级数据的处理方法的流程示意图之一；

图2是本发明提供的债项评级数据的处理方法的流程示意图之二；

图3是本发明提供的债项评级数据的处理装置的结构示意图；

图4是本发明提供的电子设备的结构示意图；

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，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。

本发明实施例公开了一种债项评级数据的处理方法，参见图1，包括：

S1：对指标数据的债项信用风险因子进行分析、筛选，形成定性指标及定量指标。

债项信用风险因子包括：主体评级(即为主体信用评级，主体信用评级是以企业或经济主体为对象进行的信用评级)、债项募集方式(包括公开募集以及以及非公开募集)、发行期限(债项发行开始日到发行期满日的全部时间)、估值(评定一项债项资产当时的价值)、担保(法律为保证特定债权人利益的实现而特别规定的以第三人的信用或者以特定财产保障债务人履行义务、债权人实现权利的制度)、承销(承销是证券发行人委托具有证券销售资格的金融机构，按照协议由金融机构向投资者募集资金并交付证券的行为和制度，是证券经营机构基本职能之一)、抵押资产(债务人或者第三人以不转移对法定财产的占有将该财产作为债权的担保.债务人不履行债务时债权人有权依法以该财产折价或者以拍卖、变卖该财产的价款优先受偿)、现金余额对债项偿还保障(现金余额能够用于债项偿还的保障)、债项特殊条款(债券特殊条款设置包括赎回、回售、调整票面利率、延期、提前偿还、定向转让等，部分个券甚至包含不止一种特殊条款。)、其他对债项流动性(流动性是金融市场参与者迅速进行大量金融交易，而不会导致资产价格剧烈波动的市场性质)等方面的支持等因素。对以上因素进行分析、筛选，形成可用于债项评级模型的定性指标及定量指标。

对以上因素进行分析、筛选具体包括：首先通过专业的债券信用研究分析理论和评级方法得到风险因子原始集合，即人为经验得到的各个风险评估方面的因子序列全集，并制定各个因子的量化方式和评估准则；其次通过主成分分析、因子分析从风险因子原始集合中筛选出共线性低、显著性高的因子。最终得到的为：发行主体评级、担保方式、募集方式、债券发行期限、担保方评级、担保方属性、承销商属性、特殊条款、发行规模、企业总资产、偿付顺序现金余额保障。因子的分析和筛选融合了专家人工经验及机器学习分析方法。

S2：将所述定性指标进行量化后与所述定量指标一并输入债项评级模型，生成调整因子；其中，所述债项评级模型是基于债项样本数据以及预先确定的债项评级标签进行训练后得到的；

其中，根据行业经验和专家意见，对定性指标进行数量化转换，转换后可以与定量指标一起输入债项评级模型。用于生成调整因子的债券评级模型为经过训练的“分类决策树模型”。

S3：基于所述调整因子，对指标数据的主体评级数据进行与所述调整因子对应的等级调整，得到债项评级数据。

根据本发明提供的一种债项评级数据的处理方法，所述对影响债项信用风险的因子进行分析、筛选之前，包括：

选取发行期限大于一年、预设债券类型的债券于首次评级时期时对应的数据作为指标数据。

具体的，获取发行日期在2012年以后，发行期限大于1年且债券类型在('保险公司债','定向工具','集合票据','集合企业债','金融债','其它金融机构债','商业银行次级债券','商业银行债','私募债','同业存单','一般公司债','一般企业债','一般中期票据','证券公司债','中期票据')的首次评级(债项外部评级和发行主体外部评级同时存在)时期时对应的指标数据。

以上的保险公司债是指保险公司经批准定向募集的、期限在5年以上(含5年)，本金和利息的清偿顺序列于保单责任和其他负债之后、先于保险公司股权资本的保险公司债务。

定向工具是指具有法人资格的非金融企业向银行间市场特定机构投资人(简称“定向投资人”)发行的，约定在一定期限内还本付息，并在特定机构投资人范围内流通转让的债务融资工具。

集合票据，是指2个以上10个以下具有法人资格的中小企业债务融资工具。集合发行能够解决单个企业独立发行规模小、流动性不足等问题。

集合企业债亦称“联合债券”，由两个或两个以上的公司联合发行的债券。

金融债是由银行等金融机构发行的债的介质体。

其它金融机构债是由非银行金融机构发行的债的介质体。

商业银行次级债券是指商业银行发行的、本金和利息的清偿顺序列于商业银行其他负债之后、先于商业银行股权资本的债券。

商业银行债是银行(银行)由于受信而承担的将以资产或资本偿付的能以货币计量的债务。

私募债，是指以中小微型企业在中国境内以非公开方式发行和转让，预定在一定期限还本付息的一种公司债券，它非公开发行，所以属于私募债的发行，不设行政许可。

同业存单是存款类金融机构在全国银行间市场上发行的记账式定期存款凭证，其投资和交易主体为全国银行间同业拆借市场成员、基金管理公司及基金类产品。

一般公司债是股份公司为筹措资金以发行债券的方式向社会公众募集的债。

一般企业债是指境内具有法人资格的企业，依照法定程序发行、约定在一定期限内还本付息的有价证券。

一般中期票据是一种具有独特性质的公司债务工具。通过发行者的代理向投资者连续发行。

证券公司债是指证券公司依法发行的、约定在一定期限内还本付息的有价证券。

中期票据是一种具有独特性质的公司债务工具。通过发行者的代理向投资者连续发行。投资者可以从若干个到期期限中选择：9个月一1年、1年一18个月、18个月一2年，依此类推直到30年。

根据本发明提供的一种债项评级数据的处理方法，所述对影响债项信用风险的因子进行分析、筛选之前，包括以下任一或其组合：

删除缺失值超出缺失值阈值范围的指标数据；可以仅保留其中非缺失变量个数>0.5*自变量个数进入模型训练等。

对异常的指标数据进行异常值或缺失值填充；例如若债券发行主体资产总计在债项评级前一年年报为空，则用前两年年报中资产总计项填充，对于应用了资产总计进行计算的指标，则在填充了资产总计之后进行计算。

对指标数据中的因变量进行不均衡处理：通过对指标数据中的因变量进行频数分布分析，将频数低于预设频数的值采用邻近值替代，并对指标数据中的0值进行剔除。

根据本发明提供的一种债项评级数据的处理方法，所述将定性指标进行量化后与所述定量指标一并输入债项评级模型，生成调整因子，包括：

将量化后的所述定性指标及所述定量指标基于指标属性，分为自变量指标集合和因变量指标集合，将所述自变量指标集合和因变量指标集合输入债项评级模型，生成调整因子。

简单来说，自变量就是一个公式中的x，因变量就是对应的y，在本发明中，自变量指标就是前面所述的发行主体评级数据、担保方式、募集方式等，因变量就是调整因子，为债项评级数据与主体评级数据之差。

这个差值一般为0、0.5、1等，在模型训练时，选取一部分债券，获取其对应自变量的历史数据，得到自变量指标样本数；获得债券评级数据，将债券评级量化值减去主体评级数据量化值，得到调整因子样本数据。比如债券1380054.IB，因变量“发行主体评级”为AA+，量化后值为13.5，因变量“担保方式”为不可撤销连带责任担保，量化后值为1等，发行债券评级为AA+，量化后值为13.5，调整因子为债券评级量化值13.5-发行主体评级量化值13.5＝0。

所述债项评级数据的处理方法还包括：随机选取债项样本数据以及预先确定的债项评级标签作为样本训练数据，将所述样本训练数据输入债项评级模型，对所述债项评级模型进行训练。

债项评级标签是预先确定的，调整因子表示债项样本数据以及预先确定的债项评级标签之间的关系，根据债项样本数据以及预先确定的债项评级标签，可以不断调整债项评级模型中的参数，使得通过债项评级模型得到的调整因子越来越精准，通过不断训练，可以得到接近真实值的调整因子。通过以上方式得到有效的调整因子后：将调整因子应用于主体评级数据，对主体评级数据进行对应的等级调整，得到最终的债项评级数据。

具体的，对于整体债项评级模型中的调整因子，先做独立的模型训练：

对自变量指标集合和因变量指标集合分别建立分类决策树和逻辑回归模型，从准备好的数据样本中随机选择30％样本作为测试集其余70％作为训练集，两种算法在测试集效果对比如下表1：

表1

可见，决策树模型整体分类效果较好，且最后留下来对模型效果影响较为显著的指标也是更符合专家经验指标，包括：发行主体评级、担保方式、担保方评级等，对决策树模型结果进行单分类效果评估，每一个分类对应的准确率和召回率都在70％以上，且绝大部分在80％以上，因此，决策树整体分类和单分类效果均较好，符合行业专家经验结果。通过以上方式得到有效的调整因子后：将调整因子应用于主体评级数据，对主体评级数据进行对应的等级调整，得到最终的债项评级。

所述债项评级数据的处理方法还包括：随机选取债项样本数据以及预先确定的债项评级标签作为样本测试数据，将所述样本测试数据输入债项评级模型，根据债项评级模型的输出结果进行单分类效果评估。

优选的，还可以通过以下方式提高本发明的方法实现的效率，所述基于所述调整因子，对指标数据的主体评级数据进行与所述调整因子对应的等级调整，得到债项评级数据之后，所述方法还包括：

对得到的所述债项评级进行以下任一或其组合实现的检验：

对得到的所述债项评级与债项外部评级进行一致性检验；

对得到的所述债项评级进行利差检验；

对得到的所述债项评级进行债项评级统计分析；

对得到的所述债项评级的调整占比与债项外部评级调整占比进行对比分析。

具体的，一致性检验：计算本方法最终得到的债项评级等级与债券外部评级(发行时的)的秩次相关系数，相关系数在0.5～1之间可接受；

利差检验：计算本方法最终得到的债项评级下各个等级的债券评级发行利差，检查评级发行利差是否随债券等级的升高而逐渐降低；

债项评级统计分析：绘制本方法最终得到的债项评级结果的柱状图，并做t检验检查图形是否符合偏正太分布；

债项评级的调整占比与债项外部评级调整占比对比分析：统计各债券模型等级相对于发行时主体评级的调整级别、统计各债券发行时外部评级相对于发行时主体评级的调整级别下的债券数量占比、计算各等级下两个占比的差值，大部分等级差值小于0时模型结果更具有风险揭示能力。

经过以上各方面的计算验证，债项评级模型效果均通过以上检验，并且经过各种统计分析，债券的模型评级整体比债项外部评级更具有风险揭示能力。

为了进一步地理解本实施例的方法，如图3所示，在一个具体实例中，本实施例的债项评级数据的处理方法包括：

步骤101、选取发行期限大于一年、预设债券类型的债券于首次评级时期时对应的数据作为指标数据。

步骤102、删除缺失值超出缺失值阈值范围的指标数据；以及

对异常的指标数据进行异常值或缺失值填充；以及

对指标数据中的因变量进行不均衡处理：通过对指标数据中的因变量进行频数分布分析，将频数低于预设频数的值采用邻近值替代，并对指标数据中的0值进行剔除。

步骤103、对指标数据的债项信用风险因子进行分析、筛选，形成定性指标及定量指标；

可以根据行业经验，对定性指标进行数量化转换，转换后可以与定量指标一起输入债项评级模型；在该具体实施例中，各定性指标量化规则如下表2-8：

表2

表3

表4

表5

表6

表7

表8

步骤104、随机选取债项样本数据以及预先确定的债项评级标签作为样本训练数据，将所述样本训练数据输入债项评级模型，对所述债项评级模型进行训练。

步骤105、随机选取债项样本数据以及预先确定的债项评级标签作为样本测试数据，将所述样本测试数据输入债项评级模型，根据债项评级模型的输出结果进行单分类效果评估。

步骤106、将所述定性指标进行量化后与所述定量指标一并输入债项评级模型，生成调整因子；其中，所述债项评级模型是基于债项样本数据以及预先确定的债项评级标签进行训练后得到；

也就是说，将量化后的所述定性指标及所述定量指标基于指标属性，分为自变量指标集合和因变量指标集合，将所述自变量指标集合和因变量指标集合输入债项评级模型，生成调整因子。

步骤107、基于所述调整因子，对指标数据的主体评级数据进行与所述调整因子对应的等级调整，得到债项评级数据。

在主体评级数据基础之上叠加每个债项的调整因子，得到债项评级，即债项评级数据＝主体评级数据+调整档位，不同主体评级数据叠加不同调整因子后形成的债项评级数据如下表9：

表9

上表中，A、B、C、D分别表示不同的债项评级级别。

步骤108、对得到的所述债项评级与债项外部评级进行一致性检验。

本发明对影响债项信用风险的因子进行提炼、分析，形成特定的指标数据，通过将指标数据输入债项评级模型，生成调整因子，将调整因子应用于主体评级，对主体评级结果进行对应的等级调整，得到最终的债项评级，本发明的债项评级模型的有效性在统计指标、外部评级机构债项评级对比等多方面得到了验证和保障，可以实现高效、可靠的自动债项量化评级。

下面对本发明提供的债项评级数据的处理装置进行描述，下文描述的债项评级数据的处理装置与上文描述的债项评级数据的处理方法可相互对应参照。

本发明实施例公开了一种债项评级数据的处理装置，参见图2，包括：

指标生成模块10，用于对指标数据的债项信用风险因子进行分析、筛选，形成定性指标及定量指标；

债项信用风险因子包括：主体评级、债项募集方式、发行期限、估值、担保、承销、抵押资产、现金余额对债项偿还保障、债项特殊条款、其他对债项流动性等方面的支持等因素。对以上因素进行分析、筛选，形成可用于债项评级模型的定性指标及定量指标。

调整因子确定模块20，用于将所述定性指标进行量化后与所述定量指标一并输入债项评级模型，生成调整因子；其中，所述债项评级模型是基于债项样本数据以及预先确定的债项评级标签进行训练后得到；

其中，根据行业经验和专家意见，对定性指标进行数量化转换，转换后可以与定量指标一起输入债项评级模型。

调整评级模块30，用于基于所述调整因子，对指标数据的主体评级数据进行与所述调整因子对应的等级调整，得到债项评级数据。

在主体评级数据基础之上叠加每个债项的调整因子，得到债项评级，即债项评级数据＝主体评级数据+调整档位。

进一步的，所述债项评级数据的处理装置包括：

指标数据选取模块，用于选取发行期限大于一年、预设债券类型的债券于首次评级时期时对应的数据作为指标数据。

具体的，获取发行日期在2012年以后，发行期限大于1年且债券类型在('保险公司债','定向工具','集合票据','集合企业债','金融债','其它金融机构债','商业银行次级债券','商业银行债','私募债','同业存单','一般公司债','一般企业债','一般中期票据','证券公司债','中期票据')的首次评级(债项外部评级和发行主体外部评级同时存在)时期时对应的指标数据。

选取发行期限大于一年、预设债券类型的债券于首次评级时期时对应的数据作为指标数据之后，包括以下任一或其组合：

删除缺失值超出缺失值阈值范围的指标数据；可以仅保留其中非缺失变量个数>0.5*自变量个数进入模型训练等。

对异常的指标数据进行异常值或缺失值填充；例如若债券发行主体资产总计在债项评级前一年年报为空，则用前两年年报中资产总计项填充，对于应用了资产总计进行计算的指标，则在填充了资产总计之后进行计算。

对指标数据中的因变量进行不均衡处理：通过对指标数据中的因变量进行频数分布分析，将频数低于预设频数的值采用邻近值替代，并对指标数据中的0值进行剔除。

优选的，所述将定性指标进行量化后与所述定量指标一并输入债项评级模型，生成调整因子，包括：

将量化后的所述定性指标及所述定量指标基于指标属性，分为自变量指标集合和因变量指标集合，将所述自变量指标集合和因变量指标集合输入债项评级模型，生成调整因子。

进一步的，所述债项评级数据的处理装置包括：

模型训练模块，用于随机选取债项样本数据以及预先确定的债项评级标签作为样本训练数据，将所述样本训练数据输入债项评级模型，对所述债项评级模型进行训练。

债项评级标签是预先确定的，调整因子表示债项样本数据以及预先确定的债项评级标签之间的关系，根据债项样本数据以及预先确定的债项评级标签，可以不断调整债项评级模型中的参数，使得通过债项评级模型得到的调整因子越来越精准，通过不断训练，可以得到接近真实值的调整因子。通过以上方式得到有效的调整因子后：将调整因子应用于主体评级，对主体评级进行对应的等级调整，得到最终的债项评级。

进一步的，所述债项评级数据的处理装置包括：

效果评估模块，用于随机选取债项样本数据以及预先确定的债项评级标签作为样本测试数据，将所述样本测试数据输入债项评级模型，根据债项评级模型的输出结果进行单分类效果评估。

优选的，还可以通过以下方式提高本发明的方法实现的效率，所述基于所述调整因子，对指标数据的主体评级进行与所述调整因子对应的等级调整，得到债项评级之后，所述方法还包括：

对得到的所述债项评级进行以下任一或其组合实现的检验：

对得到的所述债项评级与债项外部评级进行一致性检验；

对得到的所述债项评级进行利差检验；

对得到的所述债项评级进行债项评级统计分析；

对得到的所述债项评级的调整占比与债项外部评级调整占比进行对比分析。

经过以上各方面的计算验证，债项评级模型效果均通过以上检验，并且经过各种统计分析，债券的模型评级整体比债项外部评级更具有风险揭示能力。

本发明对影响债项信用风险的因子进行提炼、分析，形成特定的指标数据，通过将指标数据输入债项评级模型，生成调整因子，将调整因子应用于主体评级，对主体评级结果进行对应的等级调整，得到最终的债项评级，本发明的债项评级模型的有效性在统计指标、外部评级机构债项评级对比等多方面得到了验证和保障，可以实现高效、可靠的自动债项量化评级。

图4示例了一种电子设备的实体结构示意图，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行一种债项评级数据的处理方法，该方法包括：

对指标数据的债项信用风险因子进行分析、筛选，形成定性指标及定量指标；

将所述定性指标进行量化后与所述定量指标一并输入债项评级模型，生成调整因子；其中，所述债项评级模型是基于债项样本数据以及预先确定的债项评级标签进行训练后得到；

基于所述调整因子，对指标数据的主体评级数据进行与所述调整因子对应的等级调整，得到债项评级数据。

此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行一种债项评级数据的处理方法，该方法包括：

对指标数据的债项信用风险因子进行分析、筛选，形成定性指标及定量指标；

将所述定性指标进行量化后与所述定量指标一并输入债项评级模型，生成调整因子；其中，所述债项评级模型是基于债项样本数据以及预先确定的债项评级标签进行训练后得到；

基于所述调整因子，对指标数据的主体评级数据进行与所述调整因子对应的等级调整，得到债项评级数据。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行一种债项评级数据的处理方法，该方法包括：

对指标数据的债项信用风险因子进行分析、筛选，形成定性指标及定量指标；

将所述定性指标进行量化后与所述定量指标一并输入债项评级模型，生成调整因子；其中，所述债项评级模型是基于债项样本数据以及预先确定的债项评级标签进行训练后得到；

基于所述调整因子，对指标数据的主体评级数据进行与所述调整因子对应的等级调整，得到债项评级数据。

以上所描述的装置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的劳动的情况下，即可以理解并实施。

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各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的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计算机可读存储介质中，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，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。