一种数据处理方法及装置与流程

1.本发明涉及数据处理技术领域，尤其涉及一种数据处理方法及装置。


背景技术：

2.随着新金融工具准则的实施，预期信用损失模型在商业银行风险管理及减值计提中得到广泛应用。
3.而随着数据分析技术和预期信用损失模型的应用，预期信用损失模型已经愈发成为一套成熟的工具。需要说明的是，现有技术可以利用预期信用损失模型来确定某些经济指标。
4.但是，现有技术无法有效的确定地方政府的前瞻性债务违约率。


技术实现要素：

5.鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的数据处理方法及装置，技术方案如下：
6.一种数据处理方法，包括：
7.获得用于预测地方政府的债务违约率相关值的wilson模型；债务违约率相关值与前瞻性债务违约率之间具有第一转换关系；
8.获得目标地方政府在目标时间周期内的用于反映地方整体经济形势的宏观风险因子组；其中，所述宏观风险因子组中包括多个宏观风险因子；
9.将所述目标地方政府在所述目标时间周期内的宏观风险因子组，输入至所述wilson模型中；
10.获得所述wilson模型输出的所述目标地方政府在所述目标时间周期内的债务违约率相关值；
11.利用预定义的与所述第一转换关系相对应的债务违约率转换方式，对所述wilson模型输出的债务违约率相关值进行转换，获得所述目标地方政府在所述目标时间周期内的前瞻性债务违约率。
12.可选的，所述获得用于预测地方政府的债务违约率相关值的wilson模型，包括：
13.获得所述目标地方政府在历史时段内的地方政府债务的历史违约率序列；所述历史违约率序列中包括多个历史时间周期的违约率；
14.获得用于反映所述目标地方政府在所述历史时间周期内的地方整体经济形势的宏观风险因子集；其中，所述宏观风险因子集中包括有分别与各所述历史时间周期对应的宏观风险因子组；
15.基于所述历史违约率序列和所述宏观风险因子集，构建所述wilson模型。
16.可选的，所述获得目标地方政府在目标时间周期内的用于反映地方整体经济形势的宏观风险因子组，包括：
17.获得所述目标地方政府在所述目标时间周期内的、预定义的多个经济情景下的宏
观风险因子组；
18.所述将所述目标地方政府在所述目标时间周期内的宏观风险因子组，输入至所述wilson模型中，包括：
19.分别将所述目标地方政府在所述目标时间周期内的、各所述经济情景下的宏观风险因子组输入至所述wilson模型中；
20.所述获得所述wilson模型输出的所述目标地方政府在所述目标时间周期内的债务违约率相关值，包括：
21.获得所述wilson模型输出的所述目标地方政府在所述目标时间周期内的、各所述经济情景下的债务违约率相关值；
22.所述利用预定义的与所述第一转换关系相对应的债务违约率转换方式，对所述wilson模型输出的债务违约率相关值进行转换，获得所述目标地方政府在所述目标时间周期内的前瞻性债务违约率，包括：
23.利用所述债务违约率转换方式，对所述wilson模型输出的所述目标地方政府在所述目标时间周期内的、各所述经济情景下的债务违约率相关值进行转换，分别获得所述目标地方政府在所述目标时间周期内的、各所述经济情景下的前瞻性债务违约率。
24.可选的，所述多个经济情景中包括：基准经济情景、乐观经济情景和悲观经济情景。
25.可选的，所述获得所述目标地方政府在历史时段内的地方政府债务的历史违约率序列，包括：
26.获得所述目标地方政府在所述历史时段内的地方债利差时间序列；
27.基于所述地方债利差时间序列和预定义的违约损失率，获得所述历史违约率序列。
28.可选的，所述方法还包括：
29.获得地方政府调整系数；
30.基于所述地方政府调整系数、预定义的违约损失率和所述目标地方政府在所述目标时间周期内的各所述经济情景下的前瞻性债务违约率，获得所述目标地方政府在所述目标时间周期内的各所述经济情景下的预期信用损失。
31.可选的，所述方法还包括：
32.对所述目标地方政府在所述目标时间周期内的各所述经济情景下的预期信用损失进行加权求和，获得最终减值结果。
33.一种数据处理装置，包括：第一获得单元、第二获得单元、第一输入单元、第三获得单元和第四获得单元，其中：
34.所述第一获得单元，用于获得用于预测地方政府的债务违约率相关值的wilson模型；债务违约率相关值与前瞻性债务违约率之间具有第一转换关系；
35.所述第二获得单元，用于获得目标地方政府在目标时间周期内的用于反映地方整体经济形势的宏观风险因子组；其中，所述宏观风险因子组中包括多个宏观风险因子；
36.所述第一输入单元，用于将所述目标地方政府在所述目标时间周期内的宏观风险因子组，输入至所述wilson模型中；
37.所述第三获得单元，用于获得所述wilson模型输出的所述目标地方政府在所述目
标时间周期内的债务违约率相关值；
38.所述第四获得单元，用于利用预定义的与所述第一转换关系相对应的债务违约率转换方式，对所述wilson模型输出的债务违约率相关值进行转换，获得所述目标地方政府在所述目标时间周期内的前瞻性债务违约率。
39.可选的，所述第一获得单元，包括：第五获得单元、第六获得单元和第一构建单元；其中：
40.所述第五获得单元，用于获得所述目标地方政府在历史时段内的地方政府债务的历史违约率序列；所述历史违约率序列中包括多个历史时间周期的违约率；
41.所述第六获得单元，用于获得用于反映所述目标地方政府在所述历史时间周期内的地方整体经济形势的宏观风险因子集；其中，所述宏观风险因子集中包括有分别与各所述历史时间周期对应的宏观风险因子组；
42.所述第一构建单元，用于基于所述历史违约率序列和所述宏观风险因子集，构建所述wilson模型。
43.可选的，所述第二获得单元，用于获得所述目标地方政府在所述目标时间周期内的、预定义的多个经济情景下的宏观风险因子组；
44.所述第一输入单元，用于分别将所述目标地方政府在所述目标时间周期内的、各所述经济情景下的宏观风险因子组输入至所述wilson模型中；
45.所述第三获得单元，用于获得所述wilson模型输出的所述目标地方政府在所述目标时间周期内的、各所述经济情景下的债务违约率相关值；
46.所述第四获得单元，用于利用所述债务违约率转换方式，对所述wilson模型输出的所述目标地方政府在所述目标时间周期内的、各所述经济情景下的债务违约率相关值进行转换，分别获得所述目标地方政府在所述目标时间周期内的、各所述经济情景下的前瞻性债务违约率。
47.可选的，所述多个经济情景中包括：基准经济情景、乐观经济情景和悲观经济情景。
48.可选的，所述第五获得单元，包括：第七获得单元和第八获得单元；其中：
49.所述第七获得单元，用于获得所述目标地方政府在所述历史时段内的地方债利差时间序列；
50.所述第八获得单元，用于基于所述地方债利差时间序列和预定义的违约损失率，获得所述历史违约率序列。
51.可选的，所述装置还包括：系数获得单元和第九获得单元；其中：
52.所述系数获得单元，用于获得地方政府调整系数；
53.所述第九获得单元，用于基于所述地方政府调整系数、预定义的违约损失率和所述目标地方政府在所述目标时间周期内的各所述经济情景下的前瞻性债务违约率，获得所述目标地方政府在所述目标时间周期内的各所述经济情景下的预期信用损失。
54.可选的，所述装置还包括：第十获得单元；
55.所述第十获得单元，用于对所述目标地方政府在所述目标时间周期内的各所述经济情景下的预期信用损失进行加权求和，获得最终减值结果。
56.本发明提出的数据处理方法及装置，可以获得用于预测地方政府的债务违约率相
关值的wilson模型；债务违约率相关值与前瞻性债务违约率之间具有第一转换关系；获得目标地方政府在目标时间周期内的用于反映地方整体经济形势的宏观风险因子组；其中，宏观风险因子组中包括多个宏观风险因子；将目标地方政府在目标时间周期内的宏观风险因子组，输入至wilson模型中；获得wilson模型输出的目标地方政府在目标时间周期内的债务违约率相关值；利用预定义的与第一转换关系相对应的债务违约率转换方式，对wilson模型输出的债务违约率相关值进行转换，获得目标地方政府在目标时间周期内的前瞻性债务违约率。本发明可以有效预测出在目标时间周期内的前瞻性债务违约率。
57.上述说明仅是本发明技术方案的概述，为了能够更清楚地了解本发明的技术手段，可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
58.为了更清楚地说明本技术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技术的实施例，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。
59.图1示出了本发明实施例提供的第一种数据处理方法的流程图；
60.图2示出了本发明实施例提供的第三种数据处理方法的流程图；
61.图3示出了本发明实施例提供的一种数据处理装置的结构示意图。
具体实施方式
62.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
63.如图1所示，本实施例提出了第一种数据处理方法，该方法可以包括以下步骤：
64.s101、获得用于预测地方政府的债务违约率相关值的wilson模型；债务违约率相关值与前瞻性债务违约率之间具有第一转换关系；
65.需要说明的是，wilson模型可以是一个量化信用风险的重要工具，其核心思想是企业的违约会受到如gdp增长率、消费支出、行业景气指数等宏观因素的关联影响，当宏观经济景气指数下降、生产价格指数上升和宏观调控趋紧等情况时，企业发生违约的可能性上升；反之则下降。本发明可以通过创建和利用wilson模型，确定地方政府的债务违约率相关值。
66.可选的，步骤s101可以包括：
67.获得目标地方政府在历史时段内的地方政府债务的历史违约率序列；历史违约率序列中包括多个历史时间周期的违约率；
68.获得用于反映目标地方政府在历史时间周期内的地方整体经济形势的宏观风险因子集；其中，宏观风险因子集中包括有分别与各历史时间周期对应的宏观风险因子组；
69.基于历史违约率序列和宏观风险因子集，构建wilson模型。
70.可选的，上述获得目标地方政府在历史时段内的地方政府债务的历史违约率序列，可以包括：
71.获得目标地方政府在历史时段内的地方债利差时间序列；
72.基于地方债利差时间序列和预定义的违约损失率，获得历史违约率序列。
73.具体的，本发明可以基于地方债利差和信用类债项来确定历史违约率序列。
74.其中，对于地方债利差，本发明可以先行从资讯债券板块获得每季度末地方债的存量，如2015年一季度至2021年一季度的时间跨度，频率可以为季度，并可以从中债估值板块匹配获得地方债存量的中债估值收益率。由于债券的剩余期限不一定是月的整数倍，而国债利率期限均为月的整数倍，比如1月期、2月期和1年期等，两者无法匹配，因此本发明可以采取线性差值的方式对两者进行匹配。此处，可以假设国债债券利率与期限为线性关系，对国债债券利率进行线性插值(excel中通过trend函数实现)，经此插值，国债债券利率由离散数据变成了连续数据。经与地方债存量债券的期限相匹配，得到国债收益率，并可以利用信用利差计算公式，即每笔债券的收益率减去同期限的无风险收益率，得到每笔债券的信用利差。将地方债存量数据按照时点进行分类，取各时点下的所有存量地方债的利差中位数形成地方债利差时间序列，如表1所示。
75.表1地方债利差时间序列
[0076][0077]
其中，地方债利差为地方债收益率水平扣减无风险收益率得到，是仅用于补偿信用风险而增加的收益率，可反映地方债的违约走势和信用周期状况，地方债的违约损失率(loss given default，lgd)则可以采用监管规定的信用类债项兜底值0.45，因此根据地方债利差和违约损失率可模拟得到其违约风险水平，如表2所示。
[0078]
表2
[0079][0080]
具体的，本发明可以基于银行企业内的信贷类前瞻性模型指标库及非信贷特色指标，汇总建立非信贷前瞻性宏观风险因子库，其可以包含核心因子、财政与货币类因子、利率类因子、消费类因子和其他因子共5个维度总计62个指标。其中，指标获取时间范围可以为2015年03月至2021年03月，频率可以为季度。
[0081]
需要说明的是，本发明可以建立宏观风险因子与资产组合的历史实际违约率预测下一年的实际违约率p
t 1
。其中：
[0082][0083]
其中，p
t
可以为第t期资产组合的平均新增违约概率，x为第t期宏观风险因子，βi为待估计的一系列参数，ε为正态随机扰动项，α为常数项。本发明可以参考外部数据以及时间序列模型，对下一期的宏观风险因子进行预测，进而得到下一年的实际违约率。
[0084]
具体的，考虑到宏观风险因子对于经济情况的反映可能存在滞后效应，因此本发明可以对宏观风险因子进行滞后期处理；即对于长清单内的某一宏观指标，其当期值、滞后1期值、滞后2期值分别作为3个变量进入模型，其中滞后1期指滞后1个季度，以此类推。经过滞后期处理后，入模备选变量可以为62*3＝186个。具体的，变量转换能够消除变量间的量纲差异，使变量的取值范围可比。因此，本发明可以选择标准值的方法进行变量转换，公式可以采用：
[0085]
变量标准值＝(变量原始值-变量序列均值)/变量序列标准差。
[0086]
具体的，本发明可以根据实践经验确定宏观风险因子与违约的符号关系，
“‑
1”代表当宏观风险因子上升时，经济整体上行，违约率降低；“ 1”代表当宏观风险因子上升时，经济整体下行/收缩，违约率上升。然后，本发明可以将所有186个入模备选变量分别与地方债历史违约率序列进行pearson相关系数计算，剔除数据表现的相关性方向与业务经验方向不符的变量。最后经过上述步骤筛选后的变量可以进行多变量回归分析。
[0087]
具体的，本发明在进行多变量回归分析时，可以采用穷举法对不同的变量组合进行回归，并根据一定的回归结果进行筛选。首先，本发明可以基于原始指标维度，给出限制变量入模条件，将gdp及其滞后项独立为单独的一组，共6组。限制每组入模变量0-2个，每个指标原值及其滞后项不能同时入模，最终入模变量为5-7个。基于上述入模条件生成穷举变量组合共6万余组，分别用基于wilson模型回归表达式进行回归，回归表达式如下：
[0088][0089]
其中，为债务违约率相关值，x为第t期宏观风险因子，βi为待估计的一系列参数，ε为正态随机扰动项，α为常数项。
[0090]
其中，本发明可以通过筛选回归结果来获取理想的回归模型，筛选条件可以包括：模型系数符号，所有变量的回归系数方向需与该变量的经济含义一致；模型系数显著性，使用双边t检验对于变量系数进行显著性测试，每个变量的回归系数t检验需满足t检验p值小于0.3的标准；模型方差分析，使用f检验对模型整体的显著性进行判断，f检验p值需小于0.1；多重共线性检验，模型所选择自变量中应存在较低的共线性，利用方差膨胀系数的值检验多重共线性，每个自变量的方差膨胀系数可以小于10；系数集中度，为确保模型不会出现单变量敏感性过高(即pd预测结果对某个变量预测值的变动过于敏感)，因此设置系数集中度的条件，即单个变量回归系数在整体回归系数总和中的占比不超过50％；穷举后，根据上述条件筛选出10个左右的备选模型，再由行内专家依据模型r方、指标经济含义、业务经验等因素，选取出r方较高、解释力度较强、参数较为稳定的模型作为最终的前瞻性调整模型。最终模型r方为0.5816，回归系数详见下表3：
[0091]
表3
[0092][0093]
可以理解的是，表3中的模型系数即为本发明创建的wilson模型中的模型系数。
[0094]
s102、获得目标地方政府在目标时间周期内的用于反映地方整体经济形势的宏观风险因子组；其中，宏观风险因子组中包括多个宏观风险因子；
[0095]
具体的，本发明可以先行获得wilson模型，再获得宏观风险因子组；也可以先行获
得宏观风险因子组，之后再获得wilson模型。
[0096]
需要说明的是，宏观风险因子组中可以包括有经预测获得的多个宏观风险因子。
[0097]
s103、将目标地方政府在目标时间周期内的宏观风险因子组，输入至wilson模型中；
[0098]
具体的，本发明可以在获得宏观风险因子组和wilson模型后，将宏观风险因子组输入到wilson模型中。
[0099]
s104、获得wilson模型输出的目标地方政府在目标时间周期内的债务违约率相关值；
[0100]
s105、利用预定义的与第一转换关系相对应的债务违约率转换方式，对wilson模型输出的债务违约率相关值进行转换，获得目标地方政府在目标时间周期内的前瞻性债务违约率。
[0101]
可选的，本发明在获得wilson模型输出的债务违约率相关值后，可以使用债务违约率转换公式来获得在目标时间周期内的前瞻性债务违约率。
[0102]
其中，债务违约率转换公式可以为：
[0103][0104]
其中，y可以为wilson模型输出的债务违约率相关值，可以为前瞻性债务违约率。
[0105]
需要说明的是，本发明通过图1所示方法中的步骤s101、s102、s103s104和s105，可以有效预测出在目标时间周期内的前瞻性债务违约率。
[0106]
本实施例提出的数据处理方法，获得用于预测地方政府的债务违约率相关值的wilson模型；债务违约率相关值与前瞻性债务违约率之间具有第一转换关系；获得目标地方政府在目标时间周期内的用于反映地方整体经济形势的宏观风险因子组；其中，宏观风险因子组中包括多个宏观风险因子；将目标地方政府在目标时间周期内的宏观风险因子组，输入至wilson模型中；获得wilson模型输出的目标地方政府在目标时间周期内的债务违约率相关值；利用预定义的与第一转换关系相对应的债务违约率转换方式，对wilson模型输出的债务违约率相关值进行转换，获得目标地方政府在目标时间周期内的前瞻性债务违约率。本发明可以有效预测出在目标时间周期内的前瞻性债务违约率。
[0107]
基于图1，本实施例提出第二种数据处理方法。该方法可以包括以下步骤：
[0108]
s201、获得用于预测地方政府的债务违约率相关值的wilson模型；
[0109]
需要说明的是，步骤s201与上述步骤s101的内容一致，相关说明不再赘述。
[0110]
s202、获得目标地方政府在目标时间周期内的、预定义的多个经济情景下的宏观风险因子组；
[0111]
具体的，本发明可以分别获得目标地方政府在目标时间周期内的、各经济情景下的宏观风险因子组。
[0112]
可选的，多个经济情景中包括：基准经济情景、乐观经济情景和悲观经济情景。此时，本发明可以获得目标地方政府在目标时间周期内的基准经济情景下的宏观风险因子组，获得目标地方政府在目标时间周期内的乐观经济情景下的宏观风险因子组，以及获得
目标地方政府在目标时间周期内的悲观经济情景下的宏观风险因子组。
[0113]
需要说明的是，步骤s202为步骤s102的一种实施方式。
[0114]
s203、分别将目标地方政府在目标时间周期内的、各经济情景下的宏观风险因子组输入至wilson模型中；
[0115]
具体的，本发明可以分别将各经济情景下的宏观风险因子组输入到wilson模型中，获得wilson模型输出的各经济情景下的债务违约率相关值。
[0116]
具体的，本发明可以结合外部权威机构及行内预测得到gdp在基准、悲观、乐观三种情景下的预测值；本发明可以结合历史宏观风险因子的分布情况，使用beta分布法将gdp的预测结果传导至其他宏观风险因子。
[0117]
其中，beta分布法是根据宏观数据的历史趋势，对指标进行排序，确定核心指标压力场景下的变化趋势，并根据核心因子在beta分布下的分位点进行传导获取其他宏观风险因子在不同情景下的取值。其理论依据如下：
[0118]
广义beta分布β(α,β,a,b)，是将标准beta分布b(α,b)概率密度函数的自变量从区间(0,1)到区间(a,b)上的推广，其方程式为：
[0119][0120]
其中，α,β＞0；
[0121]
其中：
[0122][0123]
而广义beta分布的统计性质如下：
[0124][0125]
可以被化简为：
[0126][0127]
其中：
[0128][0129]
如表4所示的各经济情景下的宏观风险因子组。
[0130]
表4
[0131][0132]
需要说明的是，步骤s203可以为步骤s103的一种实施方式。
[0133]
s204、获得wilson模型输出的目标地方政府在目标时间周期内的、各经济情景下的债务违约率相关值；
[0134]
具体的，本发明可以将基准经济情景下的宏观风险因子组输入到wilson模型中，获得wilson模型输出的基准经济情景下的债务违约率相关值；
[0135]
具体的，本发明可以将乐观经济情景下的宏观风险因子组输入到wilson模型中，获得wilson模型输出的乐观经济情景下的债务违约率相关值；
[0136]
具体的，本发明可以将悲观经济情景下的宏观风险因子组输入到wilson模型中，获得wilson模型输出的悲观经济情景下的债务违约率相关值，如表5所示。
[0137]
表5
[0138][0139]
需要说明的是，步骤s204可以为步骤s105的一种实施方式。
[0140]
s205、利用债务违约率转换方式，对wilson模型输出的目标地方政府在目标时间周期内的、各经济情景下的债务违约率相关值进行转换，分别获得目标地方政府在目标时间周期内的、各经济情景下的前瞻性债务违约率。
[0141]
具体的，本发明可以利用债务违约率转换方式，分别对wilson模型输出各经济情景下债务违约率相关值进行转换，获得各经济情景下的前瞻性债务违约率，如表6。
[0142]
表6
[0143][0144]
需要说明的是，本发明可以获得各经济情景下的前瞻性债务违约率。
[0145]
本实施例提出的数据处理方法，可以获得目标地方政府在目标时间周期内的各经济情景下的前瞻性债务违约率，提高获得的数据的多样性和可靠性。
[0146]
基于图1，如图2所示，本实施例提出第三种数据处理方法，该方法还可以包括以下步骤：
[0147]
s301、获得地方政府调整系数；
[0148]
需要说明的是，本发明可以结合地方政府评级结果及对应的地方债实际风险水平，针对不同地方政府评级的地方债组合设置适当的调整系数。最终得到既能反映地方债整体组合前瞻性风险，又能体现不同区域地方政府风险水平差异的预期信用损失。
[0149]
具体的，本发明可以根据地方政府信用评级结果，地方政府被划分为7个信用等级。项目组按照不同的信用等级划分不同的地方政府债券资产组合，并计算不同地方债组合的利差中位数及整体利差组合的中位数，相除得到地方政府调整系数。如下述表7和表8所示。
[0150]
表7
[0151][0152][0153]
表8
[0154][0155]
s302、基于地方政府调整系数、预定义的违约损失率和目标地方政府在目标时间周期内的各经济情景下的前瞻性债务违约率，获得目标地方政府在目标时间周期内的各经济情景下的预期信用损失。
[0156]
具体的，预期信用损失计算公式可以为：
[0157][0158]
其中：和地方政府调整系数为本次模型开发结果；lgd使用新内评体系下lgd均值43.38％；ead不变。
[0159]
需要说明的是，本发明可以将地方政府调整系数作用于地方债减值结果，以体现对较低风险地方政府的减值优惠及对较高风险地方政府的减值补充。
[0160]
可选的，在本实施例提出的其他数据处理方法中，还可以包括：
[0161]
s401、对目标地方政府在目标时间周期内的各经济情景下的预期信用损失进行加权求和，获得最终减值结果。
[0162]
具体的，本发明可以根据ecl各情景加权公式对计算出的各情景ecl按照对应权重进行加权，得到最终减值结果。其中，加权公式可以为：
[0163]
ecl＝0.33*ecl(乐观情景) 0.34*ecl(基准情景) 0.33*ecl(悲观情景)。
[0164]
需要说明的是，本发明可以根据长期实际验证经验，创新构建了一套基于地方政府债整体风险特征的前瞻性调整系数方案，具备理论先进性；本发明可以结合地方政府债的整体风险特征，对wilson模型进行了具体应用；本发明可以针对地方政府债预期信用损失模型参数，通过在组合层面构建自上而下模型，使用回归方法获取因变量(违约率)与自变量(宏观经济指标)之间的关联关系等处理方式，可以有效确定前瞻性债务违约率。
[0165]
本实施例提出的数据处理方法，可以获得预期信用损失和最终减值结果，可以提高获得数据的多样性。
[0166]
与图1所示方法相对应，如图3所示，本实施例提出一种数据处理装置。该数据处理装置可以包括：第一获得单元101、第二获得单元102、第一输入单元103、第三获得单元104和第四获得单元105，其中：
[0167]
第一获得单元101，用于获得用于预测地方政府的债务违约率相关值的wilson模
型；债务违约率相关值与前瞻性债务违约率之间具有第一转换关系；
[0168]
第二获得单元102，用于获得目标地方政府在目标时间周期内的用于反映地方整体经济形势的宏观风险因子组；其中，宏观风险因子组中包括多个宏观风险因子；
[0169]
第一输入单元103，用于将目标地方政府在目标时间周期内的宏观风险因子组，输入至wilson模型中；
[0170]
第三获得单元104，用于获得wilson模型输出的目标地方政府在目标时间周期内的债务违约率相关值；
[0171]
第四获得单元105，用于利用预定义的与第一转换关系相对应的债务违约率转换方式，对wilson模型输出的债务违约率相关值进行转换，获得目标地方政府在目标时间周期内的前瞻性债务违约率。
[0172]
需要说明的是，第一获得单元101、第二获得单元102、第一输入单元103、第三获得单元104和第四获得单元105的具体处理过程及其带来的技术效果，可以参照图1所示方法关于步骤s101、s102、s103、s104和s105的相关说明，不再赘述。
[0173]
可选的，第一获得单元101，包括：第五获得单元、第六获得单元和第一构建单元；其中：
[0174]
第五获得单元，用于获得目标地方政府在历史时段内的地方政府债务的历史违约率序列；历史违约率序列中包括多个历史时间周期的违约率；
[0175]
第六获得单元，用于获得用于反映目标地方政府在历史时间周期内的地方整体经济形势的宏观风险因子集；其中，宏观风险因子集中包括有分别与各历史时间周期对应的宏观风险因子组；
[0176]
第一构建单元，用于基于历史违约率序列和宏观风险因子集，构建wilson模型。
[0177]
可选的，第二获得单元102，用于获得目标地方政府在目标时间周期内的、预定义的多个经济情景下的宏观风险因子组；
[0178]
第一输入单元103，用于分别将目标地方政府在目标时间周期内的、各经济情景下的宏观风险因子组输入至wilson模型中；
[0179]
第三获得单元104，用于获得wilson模型输出的目标地方政府在目标时间周期内的、各经济情景下的债务违约率相关值；
[0180]
第四获得单元105，用于利用债务违约率转换方式，对wilson模型输出的目标地方政府在目标时间周期内的、各经济情景下的债务违约率相关值进行转换，分别获得目标地方政府在目标时间周期内的、各经济情景下的前瞻性债务违约率。
[0181]
可选的，多个经济情景中包括：基准经济情景、乐观经济情景和悲观经济情景。
[0182]
可选的，第五获得单元，包括：第七获得单元和第八获得单元；其中：
[0183]
第七获得单元，用于获得目标地方政府在历史时段内的地方债利差时间序列；
[0184]
第八获得单元，用于基于地方债利差时间序列和预定义的违约损失率，获得历史违约率序列。
[0185]
可选的，数据处理装置还包括：系数获得单元和第九获得单元；其中：
[0186]
系数获得单元，用于获得地方政府调整系数；
[0187]
第九获得单元，用于基于地方政府调整系数、预定义的违约损失率和目标地方政府在目标时间周期内的各经济情景下的前瞻性债务违约率，获得目标地方政府在目标时间
周期内的各经济情景下的预期信用损失。
[0188]
可选的，数据处理装置还包括：第十获得单元；
[0189]
第十获得单元，用于对目标地方政府在目标时间周期内的各经济情景下的预期信用损失进行加权求和，获得最终减值结果。
[0190]
本实施例提出的数据处理装置，可以获得用于预测地方政府的债务违约率相关值的wilson模型；债务违约率相关值与前瞻性债务违约率之间具有第一转换关系；获得目标地方政府在目标时间周期内的用于反映地方整体经济形势的宏观风险因子组；其中，宏观风险因子组中包括多个宏观风险因子；将目标地方政府在目标时间周期内的宏观风险因子组，输入至wilson模型中；获得wilson模型输出的目标地方政府在目标时间周期内的债务违约率相关值；利用预定义的与第一转换关系相对应的债务违约率转换方式，对wilson模型输出的债务违约率相关值进行转换，获得目标地方政府在目标时间周期内的前瞻性债务违约率。本发明可以有效预测出在目标时间周期内的前瞻性债务违约率。
[0191]
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0192]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。