一种民营企业的主体信用评级方法与流程

1.本发明涉及信用评级技术领域，尤其涉及一种民营企业的主体信用评级方法。


背景技术：

2.信用评级,又称资信评级，是一种社会中介服务，对投资者、金融机构、金融市场、企业和监管机构都有积极的作用，信用评级不仅对信用风险提供了一个简单而客观的指示，降低了市场的信息成本;还有助于金融产品的定价，并且可以作为企业日常经营中签订合同、开展业务的依据，最终有利于整个市场监督机制的健全完善。
3.民营企业信用评级的缺失，导致难以通过信用评级帮助企业赢得更多的市场机会、拓宽融资渠道、提升经营管理水平,亦无法辅助金融市场全面综合掌握民营企业的信用态势、优化评级生态、促进评级业务的高质量发展。


技术实现要素：

4.本发明意在提供一种民营企业的主体信用评级方法，以解决现有技术中存在的不足，本发明要解决的技术问题通过以下技术方案来实现。
5.本发明公开的方法包括：抽取已经进入信用评级市场的民营企业信用评级结果以及公开披露的各类型数据构建民营企业信用数据集s；通过相关领域知识规则或领域专家对公开披露的各类型数据对应的数据项集合进行筛选，并根据筛选的数据项集合以及与筛选的数据项集合对应的映射函数集合获取筛选后数据集；将筛选后数据集中的相关数据进行相关运算获取由公式定义的嵌入层，融合相关数据在嵌入层得到的向量矩阵中各列向量的最大值获取由公式定义的池化层，通过对池化层输出的向量经过多项运算获取由公式定义的转换层；对由公式定义的嵌入层、由公式定义的池化层和由公式定义的转换层顺序叠加建立代理评级模型；根据交叉熵损失函数衡量筛选后数据集中企业信用等级与代理评级模型输出的评级等级之间的差异，采用adam算法不断调整代理评级模型参数对代理评级模型进行训练，使得差异最小化；构建与筛选后数据集中包含民营企业不同的数据集，通过代理评级模型获取数据集的信用等级集合，对通过代理评级模型获取的信用等级集合与数据集中包含的信用等级集合进行对比，判断代理评级模型质量是否满足需求，当代理评级模型质量不满足需求时，重新建立以及训练代理评级模型，直至得到的代理评级模型满足质量需求；采集待评价民营企业的数据项，根据各数据项的重要性筛选出关键数据项，将关键数据项输入到完成训练且满足质量需求的代理评级模型中，将代理评级模型输出向量中元素的最大值对应的企业信用等级作为待评价民营企业的信用评级结果。
[0006] 在上述的方案中，民营企业信用数据集表示为: s=《o，a，v，l》,其中，o={o1, o2,
ꢀ…
，on}表示n家已经进入信用评级市场的民营企业的集合，oi表示第i家已经进入信用评级市场的民营企业；a={a1, a2,
…
，ad}表示d个公开披露的各类型数据对应的数据项的集合；表示将企业映射到各数据项对应的数据值的函数集合，函数赋予已经进入信用评级市场的民营企业特定的数据值；l={l
1，
l
2，
…
，lm}表示m个信用评级结果对应的信用等级的集合，通过评级函数赋予一个已经进入信用评级市场的民营企业特定的信用等级。
[0007]
在上述的方案中，筛选后数据集表示为：,其中，o={o1, o2,
ꢀ…
，on}表示n家已经进入信用评级市场的民营企业的集合，oi表示第i家已经进入信用评级市场的民营企业；表示筛选的数据项集合，其中，为筛选出的数据项序号构成的集合，j={1,2,
…
,d}为d个公开披露的各类型数据对应的数据项的集合a对应的数据项序号构成的集合，其中a={a1, a2,
…
，ad}；为与筛选的数据项集合对应的映射函数集合；l={l
1，
l
2，
…
，lm}表示m个信用评级结果对应的信用等级的集合，通过评级函数赋予一个已经进入信用评级市场的民营企业特定的信用等级。
[0008]
在上述的方案中，所述将筛选后数据集中的相关数据进行相关运算获取由公式定义的嵌入层包括：获取数据集中的企业oi对应的第j个数据项对应数据值vj(oi)的数据类型；当数据值vj(oi)的数据类型为类别型数据，通过第一公式将数据值vj(oi)转化为向量，其中，第一公式为：，其中，是对应于第j个数据项的映射矩阵，dj为第j维数据包含的类别型值的个数，k为嵌入层向量空间的维度，为将类别型数据映射为dj维独热表示的函数，relu(
·
)为激活函数；当数据值vj(oi)的数据类型为数值型数据，通过第二公式将数据值vj(oi)转化为向量，其中，第二公式为：，其中，是对应于第j个数据项的映射向量，k为嵌入层向量空间的维度；将企业oi的各个数据项对应数据值转化的向量构成向量矩阵x(i)，其中，x(i)的表达公式为：，x(i)是企业oi对应的第j个数据项对应数据值vj(oi)转化的向量，表示数据集中的数据项数目；通过向量矩阵x(i)获取由公式定义的嵌入层，其中，h为类别型数据转化的向量集合，m为数值型数据转化的向量集合。
[0009]
在上述的方案中，所述由公式定义的池化层为：，其中，表示向量矩阵x(i)第j列中的最大值。
[0010]
在上述的方案中，所述由公式定义的转换层为，其中，为转换层第i层的转换函数，用于对池化层输出的向量x进行转换，ai为转换层第i层的转换矩阵，bi为转换层第i层的偏置向量，z表示转换层的层数，a为转换层的转换矩阵集合，b为转换层的偏置向量集合。在上述的方案中，所述代理评级模型为，其中，θ为代理评级模型的参数集合，代理评级模型的参数集合包含a、b、h以及m。
[0011]
在上述的方案中，所述通过代理评级模型获取数据集的信用等级集合，对通过代理评级模型获取的信用等级集合与数据集中包含的信用等级集合进行对比，判断代理评级模型质量是否满足需求包括：利用代理评级模型计算得到数据集中各个企业的信用等级，构成企业信用等级集合lq；逐项对比企业信用等级集合lq与数据集中包含的企业信用等级集合l，计算得到企业信用等级集合lq与企业信用等级集合l中信用等级相同的企业个数占数据集中企业总数的比例；将计算得到的比例与设置的期望比例对比，若计算得到的比例超过设置的期望比例，则代理评级模型质量满足需求，若计算得到的比例小于等于设置的期望比例，则代理评级模型质量不满足需求。
[0012]
在上述的方案中，所述采集待评价民营企业的数据项，根据各数据项的重要性筛选出关键数据项包括：将所有待评价民营企业的数据项输入到完成训练且满足质量需求的代理评级模型进行信用评级；将所有待评价民营企业中第个数据项的值设置为缺失后，输入到完成训练且满足质量需求的代理评级模型进行重新信用评级，其中，k=1,2,
…
,y,y为待评价民营企业的数据项的总个数；通过重要性计算公式计算第k个数据项在所有待评价民营企业的数据项中的重要性；通过各个数据项在所有待评价民营企业的数据项中的重要性构建各数据项的重要性集合；计算重要性集合的均值与重要性集合的方差，计算各个数据项的重要性与重要性集合的均值的差值，将差值小于三倍重要性集合的方差对应的数据项作为关键数据项。在上述的方案中，所述重要性计算公式为，n为待评价民营企业的总数，为将待评价民营企业的数据项输入到代理评级模型得到的输出值与将待评价民营企业的第k个数据项的值设置为缺失后输入到代理评级模型得到的输出值差的平方，具体
公式为：，其中，为将待评价民营企业的第k个数据项的值设置为缺失后的企业样本数据，m为信用等级的总数。
[0013]
本发明实施例包括以下优点：本发明实施例提供的民营企业的主体信用评级方法，解决了绝大多数未进入信用评级市场的民营企业的信用评级问题，通过构建民营企业信用数据集、筛选数据集、通过筛选的数据集建立代理评级模型、对代理评级模型进行训练与质量评价，获取精确度高的代理评级模型，同时，采集待评价民营企业的数据项，根据各数据项的重要性筛选出关键数据项，将关键数据项输入至获取的代理评级模型中输出信用评级结果，可实现基于待评价民营企业部分可观测数据进行信用评级。
附图说明
[0014]
图1是本发明的一种民营企业的主体信用评级方法实施例的步骤流程图；图2是本发明的获取由公式定义的嵌入层实施例的步骤流程图。
[0015]
图3是本发明的判断代理评级模型质量是否满足需求的步骤流程图。
[0016]
图4是本发明的筛选关键数据项的步骤流程图。
具体实施方式
[0017]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
[0018]
如图1所示，本发明提供的民营企业的主体信用评级方法包括：步骤s1：抽取已经进入信用评级市场的民营企业信用评级结果以及公开披露的各类型数据构建民营企业信用数据集s；步骤s2：通过相关领域知识规则或领域专家对公开披露的各类型数据对应的数据项集合进行筛选，并根据筛选的数据项集合以及与筛选的数据项集合对应的映射函数集合获取筛选后数据集；步骤s3：将筛选后数据集中的相关数据进行相关运算获取由公式定义的嵌入层，融合相关数据在嵌入层得到的向量矩阵中各列向量的最大值获取由公式定义的池化层，通过对池化层输出的向量经过多项运算获取由公式定义的转换层；步骤s4：对由公式定义的嵌入层、由公式定义的池化层和由公式定义的转换层顺序叠加建立代理评级模型；步骤s5：根据交叉熵损失函数衡量筛选后数据集中企业信用等级与代理评级模型输出的评级等级之间的差异，采用adam算法不断调整代理评级模型参数对代理评级模型进行训练，使得差异最小化；步骤s6：构建与筛选后数据集中包含民营企业不同的数据集，通过代理评级模型获取数据集的信用等级集合，对通过代理评级模型获取的信用等级集合与数据集中包含的信用等级集合进行对比，判断代理评级模型质量是否满足需求，当代理评级模型
质量不满足需求时，重新建立以及训练代理评级模型，直至得到的代理评级模型满足质量需求；步骤s7：采集待评价民营企业的数据项，根据各数据项的重要性筛选出关键数据项，将关键数据项输入到完成训练且满足质量需求的代理评级模型中，将代理评级模型输出向量中元素的最大值对应的企业信用等级作为待评价民营企业的信用评级结果。
[0019]
在本实施例中，步骤s2中可根据具体业务中信用评级不同的侧重维度可以选择不同的领域知识规则，也可请不同的领域专家人工进行筛选，通过相关领域知识规则或领域专家对公开披露的各类型数据对应的数据项集合进行筛选时，由引入的相关领域知识规则或领域专家筛选出与企业信用紧密相关的数据项集合，其中，相关领域知识规则包括信用指标体系等。
[0020] 在本实施例中，民营企业信用数据集s表示为: s=《o，a，v，l》,其中，o={o1, o2,
ꢀ…
，on}表示n家已经进入信用评级市场的民营企业的集合，oi表示第i家已经进入信用评级市场的民营企业；a={a1, a2,
…
，ad}表示d个公开披露的各类型数据对应的数据项的集合；表示将企业映射到各数据项对应的数据值的函数集合，函数赋予已经进入信用评级市场的民营企业特定的数据值；l={l
1，
l
2，
…
，lm}表示m个信用评级结果对应的信用等级的集合，通过评级函数赋予一个已经进入信用评级市场的民营企业特定的信用等级。
[0021]
在本实施例中，筛选后数据集表示为：,其中，o={o1, o2,
ꢀ…
，on}表示n家已经进入信用评级市场的民营企业的集合，oi表示第i家已经进入信用评级市场的民营企业；表示筛选的数据项集合，其中，为筛选出的数据项序号构成的集合，j={1,2,
…
,d}为d个公开披露的各类型数据对应的数据项的集合a对应的数据项序号构成的集合，其中a={a1, a2,
…
，ad}；为与筛选的数据项集合对应的映射函数集合；l={l
1，
l
2，
…
，lm}表示m个信用评级结果对应的信用等级的集合，通过评级函数赋予一个已经进入信用评级市场的民营企业特定的信用等级。
[0022]
在本实施例中，通过数据项集合的筛选，实现了知识驱动，，这使得在满足信用评级信息需求的同时尽可能的减小数据项的数量。
[0023]
如图2所示，所述将筛选后数据集中的相关数据进行相关运算获取由公式定义的嵌入层包括：步骤s311：获取数据集中的企业oi对应的第j个数据项对应数据值vj(oi)的数据类型；步骤s312：当数据值vj(oi)的数据类型为类别型数据，通过第一公式将数据值vj(oi)转化为向量，其中，第一公式为：，其中，是对应于第j个数据项的映射矩阵，dj为第j维数据包含的类别型值的
个数，k为嵌入层向量空间的维度，为将类别型数据映射为dj维独热表示的函数，relu(
·
)为激活函数；当数据值vj(oi)的数据类型为数值型数据，通过第二公式将数据值vj(oi)转化为向量，其中，第二公式为：，其中，是对应于第j个数据项的映射向量，k为嵌入层向量空间的维度；步骤s313：将企业oi的各个数据项对应数据值转化的向量构成向量矩阵x(i)，其中，x(i)的表达公式为：，x(i)是企业oi对应的第j个数据项对应数据值vj(oi)转化的向量，表示数据集中的数据项数目；步骤s314：通过向量矩阵x(i)获取由公式定义的嵌入层，其中，h为类别型数据转化的向量集合，m为数值型数据转化的向量集合, h与m均为代理评级模型待学习的参数。
[0024]
在本实施例中，relu(
·
)将向量中小于0的向量值转化为0，将大于0的向量值按原值输出。
[0025]
在本实施例中，所述由公式定义的池化层为：，其中，表示向量矩阵x(i)第j列中的最大值，由于缺失数据项在嵌入层输出的值均为0，因此不会影响代理评级模型在池化层的输出结果，即代理评级模型仅根据未缺失值中最大值进行决策判断。
[0026]
在本实施例中，所述由公式定义的转换层为，其中，为转换层第i层的转换函数，用于对池化层输出的向量x进行转换，ai为转换层第i层的转换矩阵，bi为转换层第i层的偏置向量，z表示转换层的层数，a为转换层的转换矩阵集合，b为转换层的偏置向量集合。
[0027]
在本实施例中，转换层采用多层全连接神经网络构成，每层网络采用relu(
·
)作为神经元的激活函数。
[0028]
在本实施例中，所述代理评级模型为，其中，θ为代理评级模型的参数集合，代理评级模型的参数集合包含a、b、h以及m。
[0029]
如图3所示，所述通过代理评级模型获取数据集的信用等级集合，对通过代理评级模型获取的信用等级集合与数据集中包含的信用等级集合进行对比，判断代理评级模型质量是否满足需求包括：步骤s61：利用代理评级模型计算得到数据集中各个企业的信用等级，构成企业信用等级集合lq；
步骤s62：逐项对比企业信用等级集合lq与数据集中包含的企业信用等级集合l，计算得到企业信用等级集合lq与企业信用等级集合l中信用等级相同的企业个数占数据集中企业总数的比例；步骤s63：将计算得到的比例与设置的期望比例对比，若计算得到的比例超过设置的期望比例，则代理评级模型质量满足需求，若计算得到的比例小于等于设置的期望比例，则代理评级模型质量不满足需求。
[0030]
如图4所示，所述采集待评价民营企业的数据项，根据各数据项的重要性筛选出关键数据项包括：步骤s711：将所有待评价民营企业的数据项输入到完成训练且满足质量需求的代理评级模型进行信用评级；步骤s712：将所有待评价民营企业中第k个数据项的值设置为缺失后，输入到完成训练且满足质量需求的代理评级模型进行重新信用评级，其中，k=1,2,
…
,y, y为待评价民营企业的数据项的总个数；步骤s713：通过重要性计算公式计算第个数据项在所有待评价民营企业的数据项中的重要性；步骤s714：通过各个数据项在所有待评价民营企业的数据项中的重要性构建各数据项的重要性集合；步骤s715：计算重要性集合的均值与重要性集合的方差，计算各个数据项的重要性与重要性集合的均值的差值，将差值小于三倍重要性集合的方差对应的数据项作为关键数据项。
[0031]
在本实施例中，通过对关键数据项的筛选，实现了数据驱动，可基于部分可观测数据获取企业的信用评级，解决了民营企业数据项缺失情况下的信用评级问题。
[0032]
在本实施例中，所述重要性计算公式为，n为待评价民营企业的总数，为将待评价民营企业的数据项输入到代理评级模型得到的输出值与将待评价民营企业的第个数据项的值设置为缺失后输入到代理评级模型得到的输出值差的平方，具体公式为：，其中，为将待评价民营企业的第k个数据项的值设置为缺失后的企业样本数据，m为信用等级的总数。
[0033]
所述公开披露的各类型数据包括但不限于财报数据、基础经营数据、资本市场数据。
[0034]
应该指出，上述详细说明都是示例性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语均具有与本技术所属技术领域的普通技术人员的通常理解所相同的含义。
[0035]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式。此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包
括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0036]
需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便这里描述的本技术的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。
[0037]
此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0038]
为了便于描述，在这里可以使用空间相对术语，如“在
……
之上”、“在
……
上方”、“在
……
上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在
……
上方”可以包括“在
……
上方”和“在
……
下方”两种方位。该器件也可以其他不同方式定位，如旋转90度或处于其他方位，并且对这里所使用的空间相对描述作出相应解释。
[0039]
在上面详细的说明中，参考了附图，附图形成本文的一部分。在附图中，类似的符号典型地确定类似的部件，除非上下文以其他方式指明。在详细的说明书、附图及权利要求书中所描述的图示说明的实施方案不意味是限制性的。在不脱离本文所呈现的主题的精神或范围下，其他实施方案可以被使用，并且可以作其他改变。
[0040]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。