(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211061131.1 (22)申请日 2022.08.31 (71)申请人 杭州榜置科技有限公司 地址 310000 浙江省杭州市江干区中豪国 际商业中心3幢10 06室 (72)发明人 王骏　祝智魁　王剑锋　周功梓　 (74)专利代理 机构 杭州伟知新盛专利代理事务 所(特殊普通 合伙) 33275 专利代理师 李成龙 (51)Int.Cl. G06Q 40/02(2012.01) G06Q 40/04(2012.01) G06N 20/00(2019.01) (54)发明名称 一种基于机器学习的债券风险评估方法及 系统 (57)摘要 本申请公开了一种基于机器学习的债券风 险评估方法及系统， 属于人工智 能领域， 所述方 法包括： 采集目标公司的基础信息， 基于大数据 进行数据筛选标识， 确定训练数据集合， 对每组 数据中的数据占比权重平均值进行标识排序， 获 得顺序排序结果， 构建初始权重占比约束区间， 对顺序排序结果进行权重约束， 得到初始约束结 果， 将训练数据集合作为输入数据， 将风险评级 标识信息作为监督数据， 将初始约束结果作为隐 含层计算权重约束条件， 构建债券评级模型， 输 入基础信息， 获得评级输出结果。 本申请解决了 现有技术中存在无法对债券风险进行准确评估， 评估效率低的技术问题， 达到了提高债券风险评 估的准确率， 优化 风险评估速度的技 术效果。 权利要求书2页 说明书10页 附图3页 CN 115545878 A 2022.12.30 CN 115545878 A 1.一种基于 机器学习的债券风险评估方法， 其特 征在于， 所述方法包括： 采集目标公司的基础信息， 其中， 所述基础信息包括资产规模信息、 销售信息、 信用等 级信息、 盈余信息； 基于大数据进行数据筛选标识， 基于筛选标识结果确定训练数据集合， 其中， 构 成所述 训练数据集合中的每一组数据均包括资产规模信息、 销售信息、 信用等级信息、 盈余信息和 风险评级标识信息； 对所述训练数据集合的每组数据中的数据占比权重平均值进行标识排序， 获得顺序排 序结果； 构建初始权重占比约束区间， 基于所述初始权重占比约束区间进行所述顺序排序 结果 的权重约束， 得到初始约束结果； 将所述训练数据集合中的资产规模信 息、 销售信息、 信用等级信 息、 盈余信息作为输入 数据， 将风险评级标识信息作为监督数据， 将所述初始约束结果作为隐含层计算权重约束 条件， 构建债券评级模型； 将所述基础信息 输入构建完成的所述债券评级模型， 获得评级输出 结果。 2.如权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 基于大数据构建测试 数据集合； 通过所述测试 数据集合进行所述债券评级模型的模型测试， 输出测试 结果； 判断所述输出测试 结果的准确率是否满足预期阈值； 当所述输出测试结果的准确率不能满足所述预期阈值 时， 则继续对所述债券评级模型 进行构建优化， 直至所述债券评级模型 的输出测试结果准确 率满足所述预期阈值， 即完成 所述债券评级模型的构建。 3.如权利要求2所述的方法， 其特 征在于， 所述方法还 包括： 基于所述输出测试 结果进行偏差测试 结果整合， 得到异常评级集 合； 获得所述异常评级集合对应的测试数据信 息， 基于所述测试数据集合对所述测试数据 信息进行共性特 征整合， 生成共性特 征整合结果； 基于所述共性特 征整合结果获得 所述债券评级模型的灵敏度分析 结果； 通过所述灵敏度分析 结果进行 所述债券评级模型的优化处 理。 4.如权利要求3所述的方法， 其特 征在于， 所述方法还 包括： 判断所述灵敏度分析 结果是否满足预设灵敏度阈值； 当所述灵敏度分析结果不满足所述预设灵敏度阈值 时， 则基于所述共性特征整合结果 进行所述初始权 重占比约束区间优化， 获得优化权 重占比约束区间； 基于所述优化权重占比约束区间进行所述债券评级模型的增量优化， 生成增量优化债 券评级模型； 基于所述增量优化债券评级模型进行包 含所述共性特 征整合结果特 征的数据处 理。 5.如权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 获得构建债券评级模型 过程中的模型收敛速度评价 值； 判断所述收敛速度评价 值是否满足收敛阈值； 当所述收敛速度评价 值不满足所述收敛阈值时， 则选 定补偿约束特 征； 通过所述补偿约束特征进行所述训练数据集合中每组训练数据的数据补偿采集， 并将权　利　要　求　书 1/2 页 2 CN 115545878 A 2补偿采集结果添加至所述训练数据集 合中； 通过进行补偿后的所述训练数据集 合进行所述债券评级模型的构建。 6.如权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 对所述训练数据集 合中的样本数据进行样本 丰富性评价， 生成样本 丰富性评价结果； 对所述训练数据集 合中的样本数据进行样本量评价， 生成样本总量评价结果； 通过所述样本丰富性评价结果和所述样本总量评价结果进行所述训练数据集合中的 样本数据优化， 获得优化训练数据集 合； 通过所述优化训练数据集 合进行所述债券评级模型的构建。 7.如权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 判断所述训练数据集 合中的样本量是否存在样本不足； 当存在样本不足时， 则调用加密样本数据； 通过所述加密样本数据和所述训练数据完成所述债券评级模型的构建。 8.一种基于 机器学习的债券风险评估系统， 其特 征在于， 所述系统包括： 基础信息采集模块， 所述基础信息采集模块用于采集目标公司的基础信息， 其中， 所述 基础信息包括资产规模信息、 销售信息、 信用等级信息、 盈余信息； 训练数据确定模块， 所述训练数据确定模块用于基于大数据进行数据筛选标识， 基于 筛选标识结果确定训练数据集合， 其中， 构成所述训练数据集合中的每一组数据均包括资 产规模信息、 销售信息、 信用等级信息、 盈余信息和风险评级标识信息； 标识排序模块， 所述标识排序模块用于对所述训练数据集合的每组数据中的数据占比 权重平均值进行 标识排序， 获得顺序排序结果； 权重约束模块， 所述权重约束模块用于构建初始权重占比约束区间， 基于所述初始权 重占比约束区间进行 所述顺序排序结果的权 重约束， 得到初始约束结果； 评级模型构建模块， 所述评级模型构建模块用于将所述训练数据集合中的资产规模信 息、 销售信息、 信用等级信息、 盈余信息作为输入 数据， 将风险评级标识信息作为监督数据， 将所述初始约束结果作为隐含层计算权 重约束条件， 构建债券评级模型； 评级结果输出模块， 所述评级结果输出模块用于将所述基础信 息输入构建完成的所述 债券评级模型， 获得评级输出 结果。权　利　要　求　书 2/2 页 3 CN 115545878 A 3