信用债投资交易风险预测方法及装置与流程

1.本发明涉及人工智能技术领域，具体涉及一种信用债投资交易风险预测方法及装置。


背景技术：

2.现有针对信用债投资交易风险预测主要通过金融相关理论体系建立风险预测模型的方式实现，目前也存在采用机器学习算法如神经网络、支持向量机(svm)等基于债券类投资交易历史数据训练并建立风险预测模型的方法。
3.伴随着债券类投资交易数据的逐渐积累及其数据仓库不断丰富，期望通过机器学习的手段预测债券类投资交易风险，但目前采用的机器学习算法在学习效率和准确率上存在数据过拟合导致准确率不高，以及机器学习参数主要依靠人为设置，存在设置不合理导致的学习效率较差的问题。
4.因此，急需一种新的信用债投资交易风险预测方法，来提高信用债投资交易风险预测的准确性。


技术实现要素：

5.针对现有技术中的问题，本发明提供一种信用债投资交易风险预测方法及装置，能够有效提高信用债投资交易风险预测的准确性。
6.为解决上述技术问题，本发明提供以下技术方案：
7.第一方面，本发明提供一种信用债投资交易风险预测方法，包括：
8.采集信用债投资交易过程中的交易数据，所述交易数据包括：训练集数据和预测集数据；
9.根据所述训练集数据和支持向量机算法进行监督训练，得到信用债风险预测模型；基于所述信用债风险预测模型对所述预测集数据进行风险预测并确定风险预测的预测准确率；
10.将所述预测准确率作为布谷鸟搜索算法的适应度值，通过所述布谷鸟搜索算法对所述信用债风险预测模型中的惩罚因子和核参数进行迭代寻优处理，得到风险预测模型；
11.基于所述风险预测模型对目标信用债投资交易过程中的目标交易数据进行风险预测。
12.在一实施例中，在所述信用债投资交易过程中的交易数据之后，还包括：
13.对所述训练集数据和所述预测集数据进行归一化处理。
14.其中，所述采集信用债投资交易过程中的交易数据，包括：
15.对所述交易数据中的每一条数据增设一个风险登记标签；
16.其中，每个风险登记标签对应一个风险评估值。
17.其中，所述将所述预测准确率作为布谷鸟搜索算法的适应度值，通过所述布谷鸟搜索算法对所述信用债风险预测模型中的惩罚因子和核参数进行迭代寻优处理，得到风险
预测模型，包括：
18.初始化布谷鸟搜索算法的初始参数，所述初始参数包括：鸟巢数、迭代次数、惩罚因子的搜索范围和核参数的搜索范围；
19.随机产生初始鸟巢位置；所述初始鸟巢位置的横标为信用债风险预测模型中的惩罚因子，纵标为信用债风险预测模型中的核参数；
20.通过莱维飞行的方式更新鸟巢位置；
21.将所述预测准确率作为每个鸟巢对应的适应度值；
22.在达到最大迭代次数后输出迭代寻优处理的惩罚因子和核参数。
23.其中，在将所述预测准确率作为每个鸟巢对应的适应度值之后，还包括：
24.与上一代鸟巢对比，替换预测准确率低的鸟巢；
25.判断产生的随机数是否大于宿主发现概率；其中，若是，则随机改变鸟巢位置并替换被发现鸟巢；计算每个鸟巢的适应度值并确定当前最优鸟巢及最优风险预测准确率；若否，则计算每个鸟巢的适应度值并确定当前最优鸟巢及最优风险预测准确率；
26.在所述最优风险预测准确率大于预设的所需精度后输出迭代寻优处理的惩罚因子和核参数；
27.其中，所述初始参数还包括：宿主发现概率。
28.第二方面，本发明提供一种信用债投资交易风险预测装置，包括：
29.数据采集模块，用于采集信用债投资交易过程中的交易数据，所述交易数据包括：训练集数据和预测集数据；
30.训练预测模块，用于根据所述训练集数据和支持向量机算法进行监督训练，得到信用债风险预测模型；基于所述信用债风险预测模型对所述预测集数据进行风险预测并确定风险预测的预测准确率；
31.迭代寻优模块，用于将所述预测准确率作为布谷鸟搜索算法的适应度值，通过所述布谷鸟搜索算法对所述信用债风险预测模型中的惩罚因子和核参数进行迭代寻优处理，得到风险预测模型；
32.风险预测模块，用于基于所述风险预测模型对目标信用债投资交易过程中的目标交易数据进行风险预测。
33.在一实施例中，还包括：
34.归一化模块，用于对所述训练集数据和所述预测集数据进行归一化处理。
35.其中，所述数据采集模块包括：
36.风险登记单元，用于对所述交易数据中的每一条数据增设一个风险登记标签；
37.其中，每个风险登记标签对应一个风险评估值。
38.其中，所述迭代寻优模块包括：
39.初始化单元，用于初始化布谷鸟搜索算法的初始参数，所述初始参数包括：鸟巢数、迭代次数、惩罚因子的搜索范围和核参数的搜索范围；
40.初始鸟巢单元，用于随机产生初始鸟巢位置；所述初始鸟巢位置的横标为信用债风险预测模型中的惩罚因子，纵标为信用债风险预测模型中的核参数；
41.更新鸟巢单元，用于通过莱维飞行的方式更新鸟巢位置；
42.设置单元，用于将所述预测准确率作为每个鸟巢对应的适应度值；
43.第一输出单元，用于在达到最大迭代次数后输出迭代寻优处理的惩罚因子和核参数。
44.其中，所述迭代寻优模块，还包括：
45.鸟巢替换单元，用于与上一代鸟巢对比，替换预测准确率低的鸟巢；
46.判断单元，用于判断产生的随机数是否大于宿主发现概率；其中，若是，则随机改变鸟巢位置并替换被发现鸟巢；计算每个鸟巢的适应度值并确定当前最优鸟巢及最优风险预测准确率；若否，则计算每个鸟巢的适应度值并确定当前最优鸟巢及最优风险预测准确率；
47.第二输出单元，用于在所述最优风险预测准确率大于预设的所需精度后输出迭代寻优处理的惩罚因子和核参数；
48.其中，所述初始参数还包括：宿主发现概率。
49.第三方面，本发明提供一种电子设备，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所述的信用债投资交易风险预测方法的步骤。
50.第四方面，本发明提供一种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所述的信用债投资交易风险预测方法的步骤。
51.由上述技术方案可知，本发明提供一种信用债投资交易风险预测方法及装置，通过采集信用债投资交易过程中的交易数据，所述交易数据包括：训练集数据和预测集数据；根据所述训练集数据和支持向量机算法进行监督训练，得到信用债风险预测模型；基于所述信用债风险预测模型对所述预测集数据进行风险预测并确定风险预测的预测准确率；将所述预测准确率作为布谷鸟搜索算法的适应度值，通过所述布谷鸟搜索算法对所述信用债风险预测模型中的惩罚因子和核参数进行迭代寻优处理，得到风险预测模型；基于所述风险预测模型对目标信用债投资交易过程中的目标交易数据进行风险预测。能够风险预测模型的预测准确性并降低学习成本，从而提高信用债投资交易风险的预测的准确性。
附图说明
52.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。
53.图1为本发明实施例中的信用债投资交易风险预测方法的第一流程示意图。
54.图2为本发明实施例中的信用债投资交易风险预测方法的第二流程示意图。
55.图3为本发明实施例中的信用债投资交易风险预测方法中步骤s103的第一流程示意图。
56.图4为本发明实施例中的信用债投资交易风险预测方法中步骤s103的第二流程示意图。
57.图5为本发明实施例中的信用债投资交易风险预测方法的全流程示意图。
58.图6为本发明实施例中的信用债投资交易风险预测装置的第一结构示意图。
59.图7为本发明实施例中的信用债投资交易风险预测装置的第二结构示意图。
60.图8为本发明实施例中的电子设备的结构示意图。
具体实施方式
61.为使本发明实施例的目的、技术方案和优点更加清楚，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、完整的描述，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。
62.本发明提供一种信用债投资交易风险预测方法的实施例，参见图1，所述信用债投资交易风险预测方法具体包含有如下内容：
63.s101：采集信用债投资交易过程中的交易数据，所述交易数据包括：训练集数据和预测集数据；
64.在本步骤中，采集信用债投资交易过程中的交易数据，建立数据仓库。在纳入数据仓库前，对交易数据中的每一条数据增设一个风险登记标签；其中，每个风险登记标签对应一个风险评估值，风险评估值为{0,10,20...,100}的分值。
65.需要说明的是，风险评估值建议由专家系统或交易员打分得出。保证数据仓库中每一条数据包含但不仅限于以下字段{交易时间，金额，债券类型，发行时间，发行对象,...,风险等级}。
66.以随机采样的方式将数据仓库中的数据划分产生两个子集，分别为作为支持向量机算法(svm)学习器的训练集数据和训练得到模型的预测集数据。
67.s102：根据所述训练集数据和支持向量机算法进行监督训练，得到信用债风险预测模型；基于所述信用债风险预测模型对所述预测集数据进行风险预测并确定风险预测的预测准确率；
68.s103：将所述预测准确率作为布谷鸟搜索算法的适应度值，通过所述布谷鸟搜索算法对所述信用债风险预测模型中的惩罚因子和核参数进行迭代寻优处理，得到风险预测模型；
69.在本步骤中，布谷鸟搜索算法(cs)通过模拟布谷鸟的寄生育雏行为来有效解决最优化问题，并采用相关的levy飞行搜索机制改善局部最优问题。布谷鸟搜索算法具有更强的全局搜索能力并且迭代速度更快。
70.布谷鸟搜索算法(cs)无论在收敛速度、搜索稳定性上以及搜索精准度上都有更好的表现，并且支持向量机算法的学习器进行参数寻优将更有效提高学习效率，尽可能实现信用债交易风险预测准确性和学习成本上最优解，从而提高债券类投资交易风险的准确性。
71.s104：基于所述风险预测模型对目标信用债投资交易过程中的目标交易数据进行风险预测。
72.从上述描述可知，本发明实施例提供的信用债投资交易风险预测方法，通过采集信用债投资交易过程中的交易数据，所述交易数据包括：训练集数据和预测集数据；根据所述训练集数据和支持向量机算法进行监督训练，得到信用债风险预测模型；基于所述信用债风险预测模型对所述预测集数据进行风险预测并确定风险预测的预测准确率；将所述预测准确率作为布谷鸟搜索算法的适应度值，通过所述布谷鸟搜索算法对所述信用债风险预
测模型中的惩罚因子和核参数进行迭代寻优处理，得到风险预测模型；基于所述风险预测模型对目标信用债投资交易过程中的目标交易数据进行风险预测。能够风险预测模型的预测准确性并降低学习成本，从而提高信用债投资交易风险的预测的准确性。
73.在本发明的一实施例中，参见图2，所述信用债投资交易风险预测方法的步骤s101之后，具体包含有如下内容：
74.s105：对所述训练集数据和所述预测集数据进行归一化处理。
75.需要说明的是，数据归一化是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，为了消除指标间的量纲影响，需要进行数据归一化处理，以提升后续步骤中模型的收敛速度和精度。
76.在本步骤中，采用min
‑
max标准化方法处理训练集数据和预测集数据，实现数据的归一化处理。
77.在本发明的一实施例中，参见图3，所述信用债投资交易风险预测方法的步骤s103，具体包含有如下内容：
78.s1031：初始化布谷鸟搜索算法的初始参数，所述初始参数包括：鸟巢数、迭代次数、惩罚因子的搜索范围和核参数的搜索范围；
79.s1032：随机产生初始鸟巢位置；所述初始鸟巢位置的横标为信用债风险预测模型中的惩罚因子c，纵标为信用债风险预测模型中的核参数g；
80.s1033：通过莱维飞行的方式更新鸟巢位置；
81.在本步骤中，莱维飞行可以看作一个非高斯随机游走行为，其步长满足一个重尾莱维稳定分布。在飞行过程中，高频率的步幅较小的近距离游走和时有发生的大步幅长距离游走相互交替，形成了由多次短距离行走造成的聚集被偶尔的大距离跳跃行走分割的现象。
82.将莱维飞行运用于智能算法中能够扩大搜索范围，丰富种群多样性，不易陷入局部最优问题。
83.s1034：将所述预测准确率作为每个鸟巢对应的适应度值；
84.s1035：在达到最大迭代次数后输出迭代寻优处理的惩罚因子和核参数。
85.在本发明的一实施例中，参见图4，所述信用债投资交易风险预测方法的步骤s103，具体还包含有如下内容：
86.s1036：与上一代鸟巢对比，替换预测准确率低的鸟巢；
87.s1037：判断产生的随机数是否大于宿主发现概率；
88.s1038：若是，则随机改变鸟巢位置并替换被发现鸟巢；计算每个鸟巢的适应度值并确定当前最优鸟巢及最优风险预测准确率；
89.s1039：若否，则计算每个鸟巢的适应度值并确定当前最优鸟巢及最优风险预测准确率；
90.s1035：在所述最优风险预测准确率大于预设的所需精度后输出迭代寻优处理的惩罚因子和核参数；
91.其中，所述初始参数还包括：宿主发现概率。
92.可以理解的是，基于cs算法对svm做参数寻优，是将支持向量机(svm)的两个参数惩罚因子c和核参数g的最优组合作为cs算法的最优质解。cs算法中的参数pa为宿主发现概
率，建议设定为0.25，cs算法中最大迭代次数建议设定为200次，鸟巢数为15。
93.在具体实施时，图5是信用债投资交易风险预测方法全流程示意图。在图5中，1
‑
1是基于训练集数据和测试集数据建立信用债风险预测模型和确定预测准确率的部分，1
‑
2基于cs算法对svm做参数寻优部分，也是本实施例信用债投资交易风险预测方法中步骤s103实际采用的具体流程示意图。
94.基于cs算法对svm做参数寻优的信用债投资交易风险预测的方法，对原始svm模型改进，尽可能达成提高债券交易风险预测准确性和降低学习成本上的最优解，从而提高信用债投资交易风险方法的预测性能。
95.本发明实施例提供一种能够实现所述信用债投资交易风险预测方法中全部内容的信用债投资交易风险预测装置的具体实施方式，参见图6，所述信用债投资交易风险预测装置具体包括如下内容：
96.数据采集模块10，用于采集信用债投资交易过程中的交易数据，所述交易数据包括：训练集数据和预测集数据；
97.训练预测模块20，用于根据所述训练集数据和支持向量机算法进行监督训练，得到信用债风险预测模型；基于所述信用债风险预测模型对所述预测集数据进行风险预测并确定风险预测的预测准确率；
98.迭代寻优模块30，用于将所述预测准确率作为布谷鸟搜索算法的适应度值，通过所述布谷鸟搜索算法对所述信用债风险预测模型中的惩罚因子和核参数进行迭代寻优处理，得到风险预测模型；
99.风险预测模块40，用于基于所述风险预测模型对目标信用债投资交易过程中的目标交易数据进行风险预测。
100.其中，所述数据采集模块10包括：
101.风险登记单元，用于对所述交易数据中的每一条数据增设一个风险登记标签；
102.其中，每个风险登记标签对应一个风险评估值。
103.其中，所述迭代寻优模块30包括：
104.初始化单元，用于初始化布谷鸟搜索算法的初始参数，所述初始参数包括：鸟巢数、迭代次数、惩罚因子的搜索范围和核参数的搜索范围；
105.初始鸟巢单元，用于随机产生初始鸟巢位置；所述初始鸟巢位置的横标为信用债风险预测模型中的惩罚因子，纵标为信用债风险预测模型中的核参数；
106.更新鸟巢单元，用于通过莱维飞行的方式更新鸟巢位置；
107.设置单元，用于将所述预测准确率作为每个鸟巢对应的适应度值；
108.第一输出单元，用于在达到最大迭代次数后输出迭代寻优处理的惩罚因子和核参数。
109.其中，所述迭代寻优模块30，还包括：
110.鸟巢替换单元，用于与上一代鸟巢对比，替换预测准确率低的鸟巢；
111.判断单元，用于判断产生的随机数是否大于宿主发现概率；其中，若是，则随机改变鸟巢位置并替换被发现鸟巢；计算每个鸟巢的适应度值并确定当前最优鸟巢及最优风险预测准确率；若否，则计算每个鸟巢的适应度值并确定当前最优鸟巢及最优风险预测准确率；
112.在本发明的一实施例中，参见图7，所述信用债投资交易风险预测装置，还包括：
113.归一化模块50，用于对所述训练集数据和所述预测集数据进行归一化处理。
114.本发明提供的信用债投资交易风险预测装置的实施例具体可以用于执行上述实施例中的信用债投资交易风险预测方法的实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
115.从上述描述可知，本发明实施例提供的信用债投资交易风险预测装置，通过采集信用债投资交易过程中的交易数据，所述交易数据包括：训练集数据和预测集数据；根据所述训练集数据和支持向量机算法进行监督训练，得到信用债风险预测模型；基于所述信用债风险预测模型对所述预测集数据进行风险预测并确定风险预测的预测准确率；将所述预测准确率作为布谷鸟搜索算法的适应度值，通过所述布谷鸟搜索算法对所述信用债风险预测模型中的惩罚因子和核参数进行迭代寻优处理，得到风险预测模型；基于所述风险预测模型对目标信用债投资交易过程中的目标交易数据进行风险预测。能够风险预测模型的预测准确性并降低学习成本，从而提高信用债投资交易风险的预测的准确性。
116.本技术提供一种用于实现所述信用债投资交易风险预测方法中的全部或部分内容的电子设备的实施例所述电子设备具体包含有如下内容：
117.处理器(processor)、存储器(memory)、通信接口(communications interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现相关设备之间的信息传输；该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照实施例用于实现所述信用债投资交易风险预测方法的实施例及用于实现所述信用债投资交易风险预测装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
118.图8为本技术实施例的电子设备9600的系统构成的示意框图。如图8所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图8是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
119.一实施例中，信用债投资交易风险预测功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：
120.采集信用债投资交易过程中的交易数据，所述交易数据包括：训练集数据和预测集数据；根据所述训练集数据和支持向量机算法进行监督训练，得到信用债风险预测模型；基于所述信用债风险预测模型对所述预测集数据进行风险预测并确定风险预测的预测准确率；将所述预测准确率作为布谷鸟搜索算法的适应度值，通过所述布谷鸟搜索算法对所述信用债风险预测模型中的惩罚因子和核参数进行迭代寻优处理，得到风险预测模型；基于所述风险预测模型对目标信用债投资交易过程中的目标交易数据进行风险预测。
121.从上述描述可知，本技术的实施例提供的电子设备，通过采集信用债投资交易过程中的交易数据，所述交易数据包括：训练集数据和预测集数据；根据所述训练集数据和支持向量机算法进行监督训练，得到信用债风险预测模型；基于所述信用债风险预测模型对所述预测集数据进行风险预测并确定风险预测的预测准确率；将所述预测准确率作为布谷鸟搜索算法的适应度值，通过所述布谷鸟搜索算法对所述信用债风险预测模型中的惩罚因子和核参数进行迭代寻优处理，得到风险预测模型；基于所述风险预测模型对目标信用债
投资交易过程中的目标交易数据进行风险预测。能够风险预测模型的预测准确性并降低学习成本，从而提高信用债投资交易风险的预测的准确性。
122.在另一个实施方式中，信用债投资交易风险预测装置可以与中央处理器9100分开配置，例如可以将信用债投资交易风险预测配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现信用债投资交易风险预测功能。
123.如图8所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图8中所示的所有部件；此外，电子设备9600还可以包括图8中没有示出的部件，可以参考现有技术。
124.如图8所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
125.其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
126.输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为lcd显示器，但并不限于此。
127.该存储器9140可以是固态存储器，例如，只读存储器(rom)、随机存取存储器(ram)、sim卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为eprom等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
128.存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
129.通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
130.基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
131.本发明的实施例还提供能够实现上述实施例中的信用债投资交易风险预测方法
中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的信用债投资交易风险预测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
132.采集信用债投资交易过程中的交易数据，所述交易数据包括：训练集数据和预测集数据；根据所述训练集数据和支持向量机算法进行监督训练，得到信用债风险预测模型；基于所述信用债风险预测模型对所述预测集数据进行风险预测并确定风险预测的预测准确率；将所述预测准确率作为布谷鸟搜索算法的适应度值，通过所述布谷鸟搜索算法对所述信用债风险预测模型中的惩罚因子和核参数进行迭代寻优处理，得到风险预测模型；基于所述风险预测模型对目标信用债投资交易过程中的目标交易数据进行风险预测。
133.从上述描述可知，本发明实施例提供的计算机可读存储介质，通过采集信用债投资交易过程中的交易数据，所述交易数据包括：训练集数据和预测集数据；根据所述训练集数据和支持向量机算法进行监督训练，得到信用债风险预测模型；基于所述信用债风险预测模型对所述预测集数据进行风险预测并确定风险预测的预测准确率；将所述预测准确率作为布谷鸟搜索算法的适应度值，通过所述布谷鸟搜索算法对所述信用债风险预测模型中的惩罚因子和核参数进行迭代寻优处理，得到风险预测模型；基于所述风险预测模型对目标信用债投资交易过程中的目标交易数据进行风险预测。能够风险预测模型的预测准确性并降低学习成本，从而提高信用债投资交易风险的预测的准确性。
134.虽然本发明提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
135.本领域技术人员应明白，本说明书的实施例可提供为方法、装置(系统)或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
136.本发明是参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
137.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
138.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或
其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
139.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。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。而且，可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。
140.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围，其均应涵盖在本发明的权利要求和说明书的范围当中。