基于SMAA-DS的信用等级与违约损失率相匹配的评级系统及方法与流程

技术特征：
1.一种基于smaa
‑
ds的信用等级与违约损失率相匹配的评级系统，其特征在于，包括：用户登录注册模块，用户数据管理模块，用户信用评级模块；所述用户登录注册模块，借款人通过用户页面进行注册自己的个人信息，包括手机号和姓名，注册成功后进入登录页面进行账号登录；所述用户数据管理模块，借款人登录后点击借款按钮进入借款详细信息页面，在借款详细信息页面添加和修改借款人指标数据；所述用户信用评级模块，借款人登录后点击信用评级按钮进入信用评级信息页面，进行信用评级，并进行显示。2.一种基于smaa
‑
ds的信用等级与违约损失率匹配的信用评级调整方法，基于前述基于smaa
‑
ds的信用等级与违约损失率相匹配的评级系统实现，其特征在于，包括以下步骤：步骤1：对金融机构积累的信用贷款业务的所有借款人历史数据进行预处理；步骤2：构建单个定性指标与违约状态间的二元logistic回归模型，使用wald统计量筛选具有违约判别能力的单个指标，再将保留的单个指标按照指标性质区分成离散型指标和连续型指标；步骤3：使用lasso
‑
logistic模型对离散型指标和连续型指标进行多重共线性检验，构建两种指标类型下具有最优整体违约判别能力的信用评分指标体系，分别以lasso
‑
logistic的回归系数作为指标权重大小的依据，设置权重约束，利用随机多属性可接受度分析方法smaa求解两种指标类型下的最优权重，计算借款人在两种指标类型下的信用评分；步骤4：建立信用等级划分优化模型，优化模型是由1个目标函数和2个约束条件组成，以相邻信用等级间违约损失率之差的平方和最大为目标函数，以信用等级越高违约损失率越低为约束条件1，以相邻等级违约损失率差值约束，后一个违约损失率差值为前一个差值的a至b倍范围为约束条件2，确定借款人在两种指标类型下的信用等级；步骤5：在两种指标类型下基于smaa方法分别确定借款人的t次信用评分，进而将t次信用评分与各个信用等级的阈值点进行比较，确定各借款人属于不同信用等级的概率；将t次评分的均值作为借款人的信用评分，记为信用评分均值，通过信用评分均值确定借款人的信用等级；模拟t次信用评分，然后把t次信用评分和各个信用等级的阈值点进行比较，确定各借款人属于不同信用等级的概率；步骤6：对两种指标类型进行不同比例组合，使用证据理论er组合规则将两种指标类型下的借款人信用等级进行集成，通过计算比较不同组合比例下的违约损失区分度f的大小，即目标函数f，以区分度f最大为依据，得到离散型指标和连续型指标的最佳组合比例，作为smaa
‑
ds模型中两种指标类型的最终组合比例，并将此比例输入证据理论er合成规则确定借款人的信用等级信息；步骤7：用户在用户登录模块登录，然后在用户数据管理模块填写和修改个人信息，对借款人在用户数据管理模块输入的数据输入到用户信用评级模块，用户点击用户信用评级模块，显示信用评级。3.根据权利要求2所述的基于smaa
‑
ds的信用等级与违约损失率匹配的信用评级调整方法，其特征在于，所述步骤1包括：步骤1.1：将定量指标值采取最大最小标准化方法进行标准化处理；
步骤1.2：将定性指标值的打分结果与违约状态，根据定性指标取值对应的打分结果越大违约概率越低的原则相匹配，利用excel的数据透视图工具统计出定性指标取值与违约概率的对应关系，其中违约概率同一个定性指标取值对应的违约人数除以总人数；步骤1.3：使用功效系数法对定性指标值进行打分，如下式所示：设x
ij
表示第i个借款人第j个指标的隶属度值；v
ij
表示第i个借款人第j个指标的值，则功效系数法公式(1)：其中：和是第j个指标的满意值和不允许值，c，d为常数。4.根据权利要求2所述的基于smaa
‑
ds的信用等级与违约损失率匹配的信用评级调整方法，其特征在于，步骤2中所述二元logistic回归模型中，假设一组独立同分布的观测数据(x,y)，其中y为因变量，y＝(y1,y2,
…
,y
n
)，y
n
表示第n个借款人的违约状态，n表示一共有n个观测数据，即借款人，x为j维向量的自变量，x＝(x
i1
,x
i2
,
…
,x
ij
…
,x
ij
)，x
ij
表示第i个借款人的第j个指标的取值，j表示一共有j个维度(指标)，y
i
∈{0,1}，设定y
i
＝1表示借款人违约，y
i
＝0表示借款人没有违约，p(y
i
＝1|x
i
)＝p
i
表示在x
i
已知的情况下y
i
＝1的概率，x
i
表示第i个借款人，p
i
如式(2)所示，其中β为系数向量；通过式(2)对进行变换可以得到logistic模型，如式(3)所示：构建wald统计量，对单个指标的回归系数做显著性检验；设w
j
为第j个指标的wald统计量值，为第j个指标的系数估计值，se
βj
为系数β
j
的标准误差，故第j个指标的wald统计量w
i
如式(4)所示：5.根据权利要求2所述的基于smaa
‑
ds的信用等级与违约损失率匹配的信用评级调整方法，其特征在于，步骤3中所述lasso
‑
logistic模型中，假设一组独立同分布的观测数据(x,y)，其中y为因变量，y＝(y1,y2,
…
,y
n
)，x为p维向量的自变量，x＝(x
i1
,x
i2
,
…
,x
ip
)，共n组数据，每组数据包含p个自变量和1个因变量；当因变量为二分类变量时，因变量是借款人表现为违约或是非违约两种情况的还款状态，使用lasso
‑
logistic回归模型进行拟合；lasso
‑
logistic回归对n个自变量x的系数β的参数估计具体如式(5)所示：其中，λ为调节压缩系数的参数，表示模型拟合程度，是对模型中变量系数的惩罚，由于各观测数据独立同分布，则它们的联合分布可用各边际分
布的乘积来表示，即n个观测值(借款人)的似然函数用l(θ)表示；利用特征组合内的指标评分和指标权重，以线性加和方式计算借款人的信用评分；假设w
j
k表示第j个指标第k次模拟的权重(j＝1,2,3,
…
,j),(k＝1,2,3,
…
,k,)，u
ij
表示第i个借款人在指标j下的标准化数值，第i个借款人在第k次模拟的信用评分如式(6)所示：第i个借款人在k次模拟的信用评分均值如式(7)所示：6.根据权利要求2所述的基于smaa
‑
ds的信用等级与违约损失率匹配的信用评级调整方法，其特征在于，所述步骤4具体包括以下步骤：步骤4.1：目标函数f的建立；将借款人划分为l个信用等级，lgd
l
为第l个信用等级的违约损失率，则目标函数如式(8)所示：obj:maxf＝(lgd
l
‑
lgd
l
‑1)2 (lgd
l
‑1‑
lgd
l
‑2)2 ... (lgd2‑
lgd1)2ꢀꢀꢀꢀ
(8)步骤4.2：约束条件1以及约束条件2的建立；约束条件1：各信用等级违约损失率随信用等级降低而递增，如式(9)所示：s.t.:0<lgd1<lgd2<...<lgd
l
≤1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)约束条件2：相邻等级违约损失率差值约束，后一个违约损失率差值为前一个差值的a至b倍范围；设δlgd
l,l 1
为第l个信用等级lgd
l
与第l 1个信用等级lgd
l 1
的违约损失率差值，即相邻等级间的差值表示如式(10)所示：δlgd
l,l 1
＝lgd
l 1
‑
lgd
l
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)则设置相邻等级间的违约损失率差值关系如式(11)所示：δlgd
l,l 1
＝[a,b]
×
δlgd
l
‑
1,l
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)其中，第l个信用等级的违约损失率lgd
l
如式(12)：其中，g
l
表示第l个信用等级的借款人样本个数；g
l
表示前l
‑
1个信用等级的借款人样本个数总和，g
l
＝g
1
g2
…
g
l
‑1；l
li
表示第l个信用等级中第i个借款人的违约损失金额(loss)；r
li
表示第l个信用等级中第i个借款人的应收本息和(receivables)。7.根据权利要求2所述的基于smaa
‑
ds的信用等级与违约损失率匹配的信用评级调整方法，其特征在于，步骤6中所述证据理论er组合如下所示：步骤d1：求出各证据在合成之前的bpa值，其中各证据是指借款人分别在离散型指标和连续型指标中属于所有等级的概率设θ为识别框架，2个证据m1、m2：2θ
→
[0,1]；[0,1]；
其中w
o
为证据o的相对权重，且o为证据的个数，β
o
(h
n
)和β
o
(h)分别代表焦元和的置信度，是证据o的bpa值，l表示第l个等级，一共有l个等级；步骤d2：利用证据理论er组合规则将证据进行合成，求出合成后各个证据的bpa值：规则将证据进行合成，求出合成后各个证据的bpa值：规则将证据进行合成，求出合成后各个证据的bpa值：规则将证据进行合成，求出合成后各个证据的bpa值：其中m
12
(h
l
)表示借款人组合后属于第l个等级的bpa值；k为证据冲突系数，k越大表明证据之间的冲突越大；b和c表示为借款人在离散型指标类型下和连续型指标类型下分别属于某个等级；于某个等级；为过程参数；分别表示离散型，连续型，离散型和连续型指标中待分配信念比例；m1(b),m2(c)分别表示b和c在组合前的bpa；步骤d3：将合成后各个证据的bpa值转换成置信度bel，即借款人在smaa
‑
ds模型中属于信用等级h
l
的概率：的概率：

技术总结
本发明提供一种基于SMAA


技术研发人员：李刚 马洪栋 刘荣月 张可心
受保护的技术使用者：东北大学秦皇岛分校
技术研发日：2021.08.20
技术公布日：2021/11/5