1.本发明涉及数据处理技术领域，具体涉及一种参数调整方法及装置。
背景技术：2.近年来，国际会计准则理事会在《国际财务报告准则第9——金融工具》(下文简称“ifrs 9”)中新增了核算主体金融资产和信贷承诺的预期信用损失(expected credit loss，ecl)的减值要求，取消了《国际会计准则第39号》中针对信用损失确认的门槛条件。根据ifrs 9的减值要求，信用损失无需等到已发生信用事件时才予以确认，仅需保证主体始终需要核算预期信用损失及其变动即可；并且，预期信用损失的金额应在每一报告日进行更新，以反应自初始确认后信用风险的变化，从而更及时地提供有关预期信用损失的信息。
3.目前，基于ifrs 9会计准则框架要求，针对预期信用损失的计算一般需要使用对应的内部数据和全球宏观经济数据估计所需要的模型参数。其中，内部评级模型的违约概率多为跨周期估计结果(through the cycle，ttc)，且通常包含从监管角度出发的保守性调整。因此，为了满足新要求，银行将内部评级模型应用于ifrs 9预期信用损失模型进行减值评估时，需要对内部评级模型输出的违约概率进行前瞻性调整。
4.但是，现有的前瞻性调整方案由于历史数据缺失、监管要求更新等，存在前瞻性调整系数时间滞后，内部评级风险参数更新不及时等问题。
技术实现要素：5.对此，本技术提供一种参数调整方法及装置，以解决现有相关方案由于历史数据缺失、监管要求更新等，存在的前瞻性调整系数时间滞后，内部评级风险参数更新不及时的问题。
6.为实现上述目的，本发明实施例提供如下技术方案：
7.本发明第一方面公开了一种参数调整方法，应用于预期信用损失模型，所述方法包括：
8.获取所述预期信用损失模型在各个预期经济情景下的实际违约率预测值；
9.根据所述预期信用损失模型的模型类型和各个所述预期经济情景下的实际违约率预测值，对所述预期信用损失模型的违约概率参数进行前瞻性调整；
10.其中，若所述预期信用损失模型的模型类型为第一类型，则利用各个所述预期经济情景下的实际违约率预测值与预设平均违约概率的差异对所述违约概率参数进行前瞻性调整；若所述预期信用损失模型的模型类型为第二类型，则利用所述预期信用损失模型的模型类型对应的调整公式对所述违约概率参数进行前瞻性调整。
11.可选地，上述的参数调整方法中，获取所述预期信用损失模型在各个预期经济情景下的实际违约率预测值，包括：
12.在所述预期信用损失模型对应的宏观因子库中选取出目标宏观因子集；所述目标宏观因子集包括至少一个宏观因子；
13.根据所述预期信用损失模型在各个敞口的历史实际违约率以及所述目标宏观因子集，建立出风险链结模型；
14.将每个所述预期经济情景对应的宏观因子预测值输入所述风险链结模型，得到各个预期经济情景下的实际违约率预测值。
15.可选地，上述的参数调整方法中，在所述预期信用损失模型对应的宏观因子库中选取出目标宏观因子集，包括：
16.确定出所述目标宏观因子集的筛选规则；
17.从所述宏观因子库中选取出满足所述筛选规则的宏观因子，得到所述目标宏观因子集。
18.可选地，上述的参数调整方法中，根据所述预期信用损失模型在各个敞口的历史实际违约率以及所述目标宏观因子集，建立出风险链结模型，包括：
19.确定出所述风险链结模型的回归分析策略；
20.按照所述回归分析策略对所述预期信用损失模型在各个敞口的历史实际违约率以及所述目标宏观因子集进行回归分析，得到所述风险链结模型。
21.可选地，上述的参数调整方法中，所述预期经济情景包括：悲观经济情景、乐观经济情景及基准经济情景。
22.本发明第二方面公开了一种参数调整装置，应用于预期信用损失模型，所述装置包括：
23.获取单元，用于获取所述预期信用损失模型在各个预期经济情景下的实际违约率预测值；
24.调整单元，用于根据所述预期信用损失模型的模型类型和各个所述预期经济情景下的实际违约率预测值，对所述预期信用损失模型的违约概率参数进行前瞻性调整；其中，若所述预期信用损失模型的模型类型为第一类型，则利用各个所述预期经济情景下的实际违约率预测值与预设平均违约概率的差异对所述违约概率参数进行前瞻性调整；若所述预期信用损失模型的模型类型为第二类型，则利用所述预期信用损失模型的模型类型对应的调整公式对所述违约概率参数进行前瞻性调整。
25.可选地，上述的参数调整装置中，所述获取单元，包括：
26.选取单元，用于在所述预期信用损失模型对应的宏观因子库中选取出目标宏观因子集；所述目标宏观因子集包括至少一个宏观因子；
27.建立单元，用于根据所述预期信用损失模型在各个敞口的历史实际违约率以及所述目标宏观因子集，建立出风险链结模型；
28.预测单元，用于将每个所述预期经济情景对应的宏观因子预测值输入所述风险链结模型，得到各个预期经济情景下的实际违约率预测值。
29.可选地，上述的参数调整装置中，所述选取单元具体用于：
30.确定出所述目标宏观因子集的筛选规则；
31.从所述宏观因子库中选取出满足所述筛选规则的宏观因子，得到所述目标宏观因子集。
32.可选地，上述的参数调整装置中，所述建立单元具体用于：
33.确定出所述风险链结模型的回归分析策略；
34.按照所述回归分析策略对所述预期信用损失模型在各个敞口的历史实际违约率以及所述目标宏观因子集进行回归分析，得到所述风险链结模型。
35.可选地，上述的参数调整装置中，所述预期经济情景包括：悲观经济情景、乐观经济情景及基准经济情景。
36.本发明提供的参数调整方法，应用于预期信用损失模型，该方法首先获取预期信用损失模型在各个预期经济情景下的实际违约率预测值；然后，根据预期信用损失模型所属的目标模型类型和各个预期经济情景下的实际违约率预测值，对预期信用损失模型的违约概率参数进行前瞻性调整；其中，若预期信用损失模型的模型类型为第一类型，则利用各个预期经济情景下的实际违约率预测值与预设平均违约概率的差异对违约概率参数进行前瞻性调整；若预期信用损失模型的模型类型为第二类型，则利用预期信用损失模型的模型类型对应的调整公式对违约概率参数进行前瞻性调整，也即本技术能够针对不同的预期经济情景，开发对应的前瞻性调整方案调整预期信用损失模型的违约概率参数，去除了所有基于历史数据的有偏估计，使得预期信用损失模型能够反映全球宏观经济的时点影响，解决了现有相关方案由于历史数据缺失、监管要求更新等，存在的前瞻性调整系数时间滞后，内部评级风险参数更新不及时的问题。
附图说明
37.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，下面描述中的附图仅仅是本发明的实施例，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。
38.图1为本技术实施例提供的一种预期信用损失计量模型的整体通用框架图；
39.图2为本技术实施例提供的一种参数调整方法的流程图；
40.图3为本技术实施例提供的一种实际违约率预测值的获取流程图；
41.图4为本技术实施例提供的一种目标宏观因子集的确定流程图；
42.图5为本技术实施例提供的一种建立出风险链结模型的建立流程图；
43.图6为本技术实施例提供的一种跨周期违约率与时点违约率的对比图；
44.图7为本技术实施例提供的一种参数调整装置的结构示意图。
具体实施方式
45.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、完整地描述，显然，所描述的实施例仅仅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。
46.首先需要说明的是，ifrs 9要求在报告期间内按照相关金融工具的信用风险自初始确认后是否已显著增加，来选择金融工具应使用的减值计量模型。其中，预期信用损失计量模型的整体通用框架可如图1所示。
47.其中，新金融工具准则下的减值计量需要基于对风险参数的估计，包括：前瞻性调整系数、违约概率、违约损失率、违约风险暴露等等。
48.基于此，本技术实施例提供了一种参数调整方法，以解决现有相关方案由于历史数据缺失、监管要求更新等，存在的前瞻性调整系数时间滞后，内部评级风险参数更新不及时的问题。
49.该参数调整方法可应用于预期信用损失模型，其中，该预期信用损失模型可以是外币债券预期信用损失模型；当然，并不仅限于此，还可以视具体应用环境和用户需求，为其他类型的预期信用损失模型，均在本技术的保护范围内。
50.请参见图2，该参数调整方法主要包括如下步骤：
51.s100、获取预期信用损失模型在各个预期经济情景下的实际违约率预测值。
52.实际应用中，该预期经济情景可以是悲观经济情景、乐观经济情景及基准经济情景；当然，并不仅限于此，还可以根据具体应用环境和用户需求，划分出多种预期经济情景，本技术对其不作限定，均在本技术的保护范围内。
53.需要说明的是，执行步骤s100、获取预期信用损失模型在各个预期经济情景下的实际违约率预测值的具体过程可如图3所示，主要包括如下步骤：
54.s200、在预期信用损失模型对应的宏观因子库中选取出目标宏观因子集。
55.其中，目标宏观因子集包括至少一个宏观因子。
56.需要说明的是，预期信用损失模型对应的宏观因子库是根据全球国民经济数据、全球财政货比数据、重要国家或地区数据、其他影响金融数据构建得到的，也可以是根据相关宏观因子预先构建的；视具体应用环境和用户需求确定即可，均在本技术的保护范围内。
57.实际应用中，结合图4，目标宏观因子集的确定过程具体可以如下：
58.s300、确定出目标宏观因子集的筛选规则。
59.其中，该筛选规则可视具体应用环境和用户需求确定，比如，宏观因子的权威性、可得性及连续性等相关性能大于对应预设值；当然，并不仅限于此，无论筛选规则如何设定，均在本技术的保护范围内。
60.s302、从宏观因子库中选取出满足筛选规则的宏观因子，得到目标宏观因子集。
61.实际应用中，可以按照目标宏观因子集的筛选规则，在宏观因子库中选取出满足规则的宏观因子，从而得到目标宏观因子集。
62.需要说明的是，实际中还可以通过宏观因子库，从全球国民经济、全球财政货币、重要国家或地区、其他因子等不同维度的指标中，根据不同敞口细分的风险特征选取与敞口历年来的信用周期指数具有高度相关性的宏观因子作为目标宏观因子集。
63.换言之，目标宏观因子集中的宏观因子通常会针对不同敞口，选取与敞口历年来新增实际违约率具有高度相关性的因子作为宏观因子。
64.然而，实际中还可以宏观因子库中的各个宏观因子进行变量转换，以消除变量间的量纲差异，使得变量的取值范围可比。其中，可以通过选择标准值的方法进行变量转换，具体公式可以为：变量标准值＝(变量原始值-变量序列均值)/变量序列标准差。然后，再进行单变量筛选，得到目标宏观因子集。具体的，单变量筛选的过程为：先根据实践经验确定宏观因子与违约的符号关系，例如，
“‑
1”代表宏观因子上升时，经济整体上行，违约率降低；“+1”代表宏观因子上升时，经济整体下行/收缩，违约率上升；接着将所有需要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。
65.s202、根据预期信用损失模型在各个敞口的历史实际违约率以及目标宏观因子集，建立出风险链结模型。
66.实际应用中，执行步骤s202、根据预期信用损失模型在各个敞口的历史实际违约率以及目标宏观因子集，建立出风险链结模型的具体过程可如图5所示，主要包括：
67.s400、确定出风险链结模型的回归分析策略。
68.实际应用中，风险链结模型的回归分析策略一般为多变量回归分析策略。其中，一般采用穷举法对不同的变量组合进行回归分析。
69.s402、按照回归分析策略对预期信用损失模型在各个敞口的历史实际违约率以及目标宏观因子集进行回归分析，得到风险链结模型。
70.同样以穷举法为例，可以先基于原始指标维度，给出限制变量入模条件。例如，将宏观因子库中的因子，根据核心因子、财政与货币类因子、利率类因子、消费类因子、其他因子划分为5组；限制每组入模变量为0至2个，每个指标原值及其滞后项不能同时入模，最终入模变量一般为3至7个。
71.基于上述入模条件，生成穷举变量组合一共10万余组，分别基于预期信用损失模型的回归表达式进行回归，得到回归结果。其中，若预期信用损失模型类型的模型类型为第二类型，也即merton模型，则对应的回归表达式为：z
t
＝α+β1x
1,t
+β2x
2,t
+...+βnx
n,t
+ε。
72.然后，可以按照下述筛选条件，对回归结果进行筛选：
73.①
：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。
74.②
：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0.1的标准。
75.③
：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。
76.④
：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(vif)的值检验多重共线性，每个自变量的vif系数应小于10。
77.⑤
：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％。
78.⑥
：模型指标业务重要性：由于gdp为反映经济体经济总量的核心指标，因此仅保留回归结果中包含gdp的模型。
79.按照上述条件，筛选出预设数量的备选模型，再依据预设模型筛选条件，选取出满足预设模型筛选条件的模型，作为风险链结模型。其中，预设数量的具体取值可以为10、20
……
，当然，并不仅限于此，还可以视具体应用环境和用户需求确定，均在本技术的保护范围内。而预设模型筛选条件可以是模型r方高于预设r方，解释力度强且参数较为稳定；当然，预设模型筛选条件还可视具体应用环境和用户需求确定，本技术不作具体限定，均在本技术的保护范围内。
80.s204、将每个预期经济情景对应的宏观因子预测值输入风险链结模型，得到各个预期经济情景下的实际违约率预测值。
81.实际应用中在进行前瞻性调整时，需要考虑多种预期经济情景来确保预期信用损失的估计是无偏的。其中，可以将预期经济情景划分为悲观经济情景、乐观经济情景及基准
经济情景，然后分别计算出对应情景的宏观因子预测值，再将每个预期经济情景对应的宏观因子预测值输入风险链结模型，得到各个预期经济情景下的实际违约率预测值。
82.其中，可以将使用arima模型得出的宏观因子预测值，经专家判断修正后作为基准经济情景下的宏观因子预测值。此外，可以使用参考监管压力测试因子变化值的方法、历史分布法以及置信区间波动法，确定出悲观经济情景和乐观经济情景下的宏观因子预测值。
83.需要说明的是，确定出各个预期经济情景对应的宏观因子预测值的方式并不仅限于上述，还可采用现有方式，得到各个预期经济情景下的宏观因子预测值；无论采用何种方式，均在本技术的保护范围内。
84.具体的，arima模型可以是将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。该模型可写作：y
*t-i
为自回归项差分的滞后项，a
t-i
为移动平均项的滞后期；φ0为常数项，φi为自回归项的系数，θi为移动平均项。
85.需要说明的是，由于预期经济情景对应的宏观因子预测值为下一年度预测值，因此将预期经济情景对应的宏观因子预测值输入风险链结模型，得到的预期经济情景下的实际违约率预测值也为下一年度的预测值。
86.s102、根据预期信用损失模型的模型类型和各个预期经济情景下的实际违约率预测值，对预期信用损失模型的违约概率参数进行前瞻性调整。
87.其中，若预期信用损失模型的模型类型为第一类型，则利用各个预期经济情景下的实际违约率预测值与预设平均违约概率的差异对违约概率参数进行前瞻性调整；若预期信用损失模型的模型类型为第二类型，则利用预期信用损失模型所属的目标模型类型对应的调整公式对违约概率参数进行前瞻性调整。
88.需要说明的是，第一类型的预期信用损失模型一般为wilson模型，第二类型的预期信用损失模型为merton模型，均用于将内部评级模型下的跨周期违约率转换为ifrs 9新准则下的时点违约率。其中，跨周期违约率可以表示为pd
ttc
，时点违约率可以表示为pd
pit
。具体的，pd
ttc
主要反映债务人的长期信用情况，pd
pit
主要包括当前公司和宏观经济相关的风险因素，反映经济周期、时点情况。两者的比对关系如图6所示，pd
ttc
曲线较为平缓，pd
pit
曲线波动较大。
89.以wilson模型为例，假设该预设平均违约概率为内部评级模型的历史长期违约概率的变动幅度，则在获得各个预期经济情景下的实际违约率预测值之后，可以使用线性调整的方法，根据实际违约率预测值相对于内部评级模型的历史长期违约概率的变动幅度，对内部评级模型输出的违约概率统一上调，具体的上调过程可以为：ct表示历史长期违约概率，dr表示预测违约率。若dr＝3.5％，ct＝1.66％，则变动幅度，则对主标尺调整示例如表1-1。
90.表1-1
[0091][0092]
需要说明的是，违约概率上调的上限为100％。
[0093]
实际应用中，若第二类型的预期信用损失模型为merton模型，则其对应的调整公式为：其中，z
t
为各个预期经济情景下的实际违约率预测值的加权预测值。具体的：
[0094][0095][0096]
需要说明的是，z代表宏观的系统性风险因素，ρ为监管规定的资产相关系数，εi为非系统性因素及代表客户的特有风险，λi为该客户的违约阈值，为内部评级模型的违约率。
[0097]zt
＝f(x1，...，xn)，则各个敞口的历史z
t
可由资产组合的各期年度新增实际违约率通过merton公式倒推而得，具体为：其中，ct表示长期平均违约率，df表示历史实际新增违约率。
[0098]
需要说明的是，merton模型是一个量化信用风险的重要工具，其核心思想是企业违约与其资产价值有关：债务人(客户)在其资产价值低于某一临界值时开始发生违约。
[0099]
基于上述，若预期信用损失模型的模型类型为merton模型，则对应的风险链接模型可表达为：z
t
＝α+β1x
1,t
+β2x
2,t
+...+βnx
n,t
+ε；其中，x为第t期宏观因子，β
t
为待估计的一系列参数，ε为正态随机扰动项，α为常数项。
[0100]
结合上述，能够理解的是建立风险链结模型主要包括相关性分析、专家判断和回归分析这三个过程。其中，相关性分析主要包括两方面：(1)宏观因子库中各个宏观因子之间的相关性分析以及宏观因子与历史实际违约率之间的相关性分析。宏观因子之间的相关性分析是为了避免产生多重共线性问题，因此最终选出的模型的宏观因子之间不能够有高度相关性，也即皮尔森自相关系数小于0.8；宏观因子与历史实际违约率之间的相关性主要指选出与历史实际违约率相关性较高的宏观因子。专家判断主要是在实际进行模型建立过程中，评判宏观因子选取合理性时，其统计显著性和经济意义两方面至少要满足一个，而在建模样本较少的情况下，宏观因子的经济意义合理性要比统计显著性更为重要，因此可通过专家判断，对所选的宏观因子进行进一步判断和调整，选取与不同敞口的实际经济意义上更具有相关性的因子。而回归分析是在进行相关性分析和专家判断之后，使用宏观因子与历史实际违约率进行回归性分析，从而得到风险链结模型。具体的，该风险链结模型是宏
观因子与logit模型转换后实际违约率的回归模型，其中，由于回归模型假设随机扰动项服从正态分布，所以有必要将目标变量绝对为正或在0～1之间的数据对数化，将其转换为-∞～+∞上取值的时间序列，模型具体形式为：indf
t
/(1-df
t
)＝α+β1·
x
(1,t)
+β2·
x
(2,t)
+
…
+βn·
x
(n,t)
+ε；其中，df
t
为第t期资产组合的各期年度新增实际违约率，即df
t
为期初正常且未来一年内违约的客户数/期初正常的客户总数，x为第t期宏观因子，βn为待估计的一系列参数，ε为正态随机扰动项，α为常数项。
[0101]
基于上述原理，本实施例提供的参数调整方法，可应用于预期信用损失模型，该方法首先获取预期信用损失模型在各个预期经济情景下的实际违约率预测值；然后，根据预期信用损失模型所属的目标模型类型和各个预期经济情景下的实际违约率预测值，对预期信用损失模型的违约概率参数进行前瞻性调整；其中，若预期信用损失模型的模型类型为第一类型，则利用各个预期经济情景下的实际违约率预测值与预设平均违约概率的差异对违约概率参数进行前瞻性调整；若预期信用损失模型的模型类型为第二类型，则利用预期信用损失模型的模型类型对应的调整公式对违约概率参数进行前瞻性调整，也即本技术能够针对不同的预期经济情景，开发对应的前瞻性调整方案调整预期信用损失模型的违约概率参数，去除了所有基于历史数据的有偏估计，使得预期信用损失模型能够反映全球宏观经济的时点影响，解决了现有相关方案由于历史数据缺失、监管要求更新等，存在的前瞻性调整系数时间滞后，内部评级风险参数更新不及时的问题。
[0102]
值得说明的是，本技术通过数据采集、模型构建、风险因子选择等关键环节的特殊处理方法，实现了预期信用损失模型的参数调整，具备先进性；此外，本技术提出了参数调整的全流程，其他类似模型可相互借鉴采用；并且，本技术采用了定性定量相结合的模型建立方法，所得模型精度更高，适用性更强；最后，本技术详细介绍了wilson模型和merton模型对违约概率参数的逐步前瞻性调整，可以反映单个客户或资产组合跨周期违约率及违约损失率在宏观环境影响下的变化。
[0103]
可选地，本技术另一实施例还提供了一种参数调整装置，可应用于预期信用损失模型，请参见图7，该装置主要包括：
[0104]
获取单元100，用于获取预期信用损失模型在各个预期经济情景下的实际违约率预测值。
[0105]
调整单元102，用于根据预期信用损失模型的模型类型和各个预期经济情景下的实际违约率预测值，对预期信用损失模型的违约概率参数进行前瞻性调整；其中，若预期信用损失模型的模型类型为第一类型，则利用各个预期经济情景下的实际违约率预测值与预设平均违约概率的差异对违约概率参数进行前瞻性调整；若预期信用损失模型的模型类型为第二类型，则利用预期信用损失模型的模型类型对应的调整公式对违约概率参数进行前瞻性调整。
[0106]
可选地，该获取单元100包括：
[0107]
选取单元，用于在预期信用损失模型对应的宏观因子库中选取出目标宏观因子集；目标宏观因子集包括至少一个宏观因子。
[0108]
建立单元，用于根据预期信用损失模型在各个敞口的历史实际违约率以及所述目标宏观因子集，建立出风险链结模型。
[0109]
预测单元，用于将每个预期经济情景对应的宏观因子预测值输入风险链结模型，
得到各个预期经济情景下的实际违约率预测值。
[0110]
可选地，该选取单元具体用于：
[0111]
确定出所述目标宏观因子集的筛选规则；
[0112]
从宏观因子库中选取出满足筛选规则的宏观因子，得到目标宏观因子集。
[0113]
可选地，该建立单元具体用于：
[0114]
确定出风险链结模型的回归分析策略；
[0115]
按照回归分析策略对预期信用损失模型在各个敞口的历史实际违约率以及目标宏观因子集进行回归分析，得到风险链结模型。
[0116]
可选地，该预期经济情景包括：悲观经济情景、乐观经济情景及基准经济情景。
[0117]
本实施例提供的参数调整装置，可应用于预期信用损失模型，该装置包括：获取单元100用于获取预期信用损失模型在各个预期经济情景下的实际违约率预测值；调整单元102用于根据预期信用损失模型的模型类型和各个预期经济情景下的实际违约率预测值，对预期信用损失模型的违约概率参数进行前瞻性调整；其中，若预期信用损失模型的模型类型为第一类型，则利用各个预期经济情景下的实际违约率预测值与预设平均违约概率的差异对违约概率参数进行前瞻性调整；若预期信用损失模型的模型类型为第二类型，则利用预期信用损失模型的模型类型对应的调整公式对违约概率参数进行前瞻性调整，也即本技术能够针对不同的预期经济情景，开发对应的前瞻性调整方案调整预期信用损失模型的违约概率参数，去除了所有基于历史数据的有偏估计，使得预期信用损失模型能够反映全球宏观经济的时点影响，解决了现有相关方案由于历史数据缺失、监管要求更新等，存在的前瞻性调整系数时间滞后，内部评级风险参数更新不及时的问题。
[0118]
可选地，本技术另一实施例还提供了一种电子设备，包括：处理器和存储器，其中：
[0119]
所述存储器用于存储计算机指令；
[0120]
所述处理器用于执行所述存储器存储的计算机指令，具体执行如上述任一实施例所述的参数调整方法。
[0121]
需要说明的是，关于参数调整方法的相关说明可参见图1至图6对应实施例即可，此处不再赘述。
[0122]
可选地，本技术另一实施例还提供了一种存储介质，用于存储程序，所述程序被执行时，用于实现如上述任一实施例所述的参数调整方法。
[0123]
需要说明的是，关于参数调整方法的相关说明可参见图1至图6对应实施例，此处不再赘述。
[0124]
本说明书中的各个实施例中记载的特征可以相互替换或者组合，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。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0125]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元
及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0126]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
[0127]
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
技术特征：1.一种参数调整方法，其特征在于，应用于预期信用损失模型，所述方法包括：获取所述预期信用损失模型在各个预期经济情景下的实际违约率预测值；根据所述预期信用损失模型的模型类型和各个所述预期经济情景下的实际违约率预测值，对所述预期信用损失模型的违约概率参数进行前瞻性调整；其中，若所述预期信用损失模型的模型类型为第一类型，则利用各个所述预期经济情景下的实际违约率预测值与预设平均违约概率的差异对所述违约概率参数进行前瞻性调整；若所述预期信用损失模型的模型类型为第二类型，则利用所述预期信用损失模型的模型类型对应的调整公式对所述违约概率参数进行前瞻性调整。2.根据权利要求1所述的参数调整方法，其特征在于，获取所述预期信用损失模型在各个预期经济情景下的实际违约率预测值，包括：在所述预期信用损失模型对应的宏观因子库中选取出目标宏观因子集；所述目标宏观因子集包括至少一个宏观因子；根据所述预期信用损失模型在各个敞口的历史实际违约率以及所述目标宏观因子集，建立出风险链结模型；将每个所述预期经济情景对应的宏观因子预测值输入所述风险链结模型，得到各个预期经济情景下的实际违约率预测值。3.根据权利要求2所述的参数调整方法，其特征在于，在所述预期信用损失模型对应的宏观因子库中选取出目标宏观因子集，包括：确定出所述目标宏观因子集的筛选规则；从所述宏观因子库中选取出满足所述筛选规则的宏观因子，得到所述目标宏观因子集。4.根据权利要求2所述的参数调整方法，其特征在于，根据所述预期信用损失模型在各个敞口的历史实际违约率以及所述目标宏观因子集，建立出风险链结模型，包括：确定出所述风险链结模型的回归分析策略；按照所述回归分析策略对所述预期信用损失模型在各个敞口的历史实际违约率以及所述目标宏观因子集进行回归分析，得到所述风险链结模型。5.根据权利要求1所述的参数调整方法，其特征在于，所述预期经济情景包括：悲观经济情景、乐观经济情景及基准经济情景。6.一种参数调整装置，其特征在于，应用于预期信用损失模型，所述装置包括：获取单元，用于获取所述预期信用损失模型在各个预期经济情景下的实际违约率预测值；调整单元，用于根据所述预期信用损失模型的模型类型和各个所述预期经济情景下的实际违约率预测值，对所述预期信用损失模型的违约概率参数进行前瞻性调整；其中，若所述预期信用损失模型的模型类型为第一类型，则利用各个所述预期经济情景下的实际违约率预测值与预设平均违约概率的差异对所述违约概率参数进行前瞻性调整；若所述预期信用损失模型的模型类型为第二类型，则利用所述预期信用损失模型的模型类型对应的调整公式对所述违约概率参数进行前瞻性调整。7.根据权利要求6所述的参数调整装置，其特征在于，所述获取单元，包括：选取单元，用于在所述预期信用损失模型对应的宏观因子库中选取出目标宏观因子
集；所述目标宏观因子集包括至少一个宏观因子；建立单元，用于根据所述预期信用损失模型在各个敞口的历史实际违约率以及所述目标宏观因子集，建立出风险链结模型；预测单元，用于将每个所述预期经济情景对应的宏观因子预测值输入所述风险链结模型，得到各个预期经济情景下的实际违约率预测值。8.根据权利要求7所述的参数调整装置，其特征在于，所述选取单元具体用于：确定出所述目标宏观因子集的筛选规则；从所述宏观因子库中选取出满足所述筛选规则的宏观因子，得到所述目标宏观因子集。9.根据权利要求7所述的参数调整装置，其特征在于，所述建立单元具体用于：确定出所述风险链结模型的回归分析策略；按照所述回归分析策略对所述预期信用损失模型在各个敞口的历史实际违约率以及所述目标宏观因子集进行回归分析，得到所述风险链结模型。10.根据权利要求6所述的参数调整装置，其特征在于，所述预期经济情景包括：悲观经济情景、乐观经济情景及基准经济情景。
技术总结本申请提供了一种参数调整方法及装置，该方法可应用于预期信用损失模型，该方法中若预期信用损失模型的模型类型为第一类型，则利用各个预期经济情景下的实际违约率预测值与预设平均违约概率的差异对违约概率参数进行前瞻性调整；若预期信用损失模型的模型类型为第二类型，则利用预期信用损失模型的模型类型对应的调整公式对违约概率参数进行前瞻性调整，能够针对不同的预期经济情景，开发对应的前瞻性调整方案调整预期信用损失模型的违约概率参数，去除了所有基于历史数据的有偏估计，使得预期信用损失模型能够反映全球宏观经济的时点影响，解决了现有相关方案因数据缺失等，存在的前瞻性调整系数时间滞后，内部评级风险参数更新不及时的问题。参数更新不及时的问题。参数更新不及时的问题。
技术研发人员：魏星 林建森 李明
受保护的技术使用者：中国建设银行股份有限公司
技术研发日：2022.03.31
技术公布日：2022/7/5
