(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 202211203989.7 (22)申请日 2022.09.29 (71)申请人 中国建设银行股份有限公司 地址 100033 北京市西城区金融大街25号 申请人 建信金融科技有限责任公司 (72)发明人 吴超荣　夏成扬　詹丽娟　 (74)专利代理 机构 北京品源专利代理有限公司 11332 专利代理师 岳晓萍 (51)Int.Cl. G06Q 40/00(2012.01) G06Q 40/02(2012.01) G06N 20/00(2019.01) (54)发明名称 债券发行体违约风险识别方法、 装置、 设备、 介质及产品 (57)摘要 本发明实施例公开一种债券发行体违约风 险识别方法、 装置、 设备、 介质及产品， 涉及信用 风险评估技术领域。 该方法包括： 分别获取待识 别债券发行体集合中每个待识别债券发行体和 待识别债券集合中每个待识别债券的目标特征 变量； 分别将目标行内特征变量输入至至少两个 目标机器学习模 型中， 得到对应的债券发行体违 约风险概率， 分别将目标行外特征变量输入至至 少两个目标机器学习模型中， 得到对应的债券违 约风险概率， 根据债券发行体违约风险概率和债 券违约风险概率生成对应的债券发行体违约风 险目标名单。 本发明实施例， 能够有效识别债券 发行体违约情况， 提高对债券违约高风险发行体 的预判性， 降低由于债券违约而造成资金损失的 风险。 权利要求书3页 说明书16页 附图4页 CN 115526697 A 2022.12.27 CN 115526697 A 1.一种债券发行体 违约风险识别方法， 其特 征在于， 包括： 分别获取待识别债券发行体集合中每个待识别债券发行体和待识别债券集合中每个 待识别债券的目标 特征变量， 作为目标 行内特征变量和目标 行外特征变量； 分别将所述目标行内特征变量输入至预先创建的至少两个目标机器学习 模型中， 得到 对应的债券发行体 违约风险概 率； 分别将所述目标行外特征变量输入至预先创建的至少两个目标机器学习 模型中， 得到 对应的债券违约风险概 率； 根据所述债券发行体违约风险概率和所述债券违约风险概率生成对应的债券发行体 违约风险目标名单。 2.根据权利要求1所述的方法， 其特征在于， 在所述分别确定每个待识别债券发行体和 每个待识别债券的目标特征变量， 作为 目标行内特征变量和目标行外特征变量之前， 还包 括： 定时读取并获取目标债券数据库中的待识别债券发行体和待识别债券； 分别对所述待识别债券发行体和所述待识别债券进行组合， 得到对应的待识别债权发 行体集合和待识别债券集 合。 3.根据权利要求1或2所述的方法， 其特征在于， 所述根据所述债券发行体违约风险概 率和所述债券违约风险概 率生成对应的债券发行体 违约风险目标名单， 包括： 根据所述债券发行体违约 风险概率和所述待识别债券发行体集合， 生成对应的债券发 行体违约风险初始名单； 根据所述债券违约 风险概率、 预设债券违约 风险概率阈值和所述待识别债券集合生成 对应的债券违约风险初始名单； 根据所述债券发行体违约风险初始名单和所述债券违约风险初始名单生成对应的债 券发行体 违约风险目标名单。 4.根据权利要求3所述的方法， 其特征在于， 所述根据所述债券发行体违约 风险概率和 所述待识别债券发行体集 合， 生成对应的债券发行体 违约风险初始名单， 包括： 按照每个所述目标机器学习模型输出的债券发行体违约风险概率截取所述待识别债 券发行体集 合中第一占比的债券发行体， 生成对应的债券发行体 违约风险初始名单。 5.根据权利要求3所述的方法， 其特征在于， 所述根据所述债券发行体违约 风险概率和 所述待识别债券发行体集 合， 生成对应的债券发行体 违约风险初始名单， 包括： 按照预设债券发行体违约风险概率阈值对每个所述目标机器学习模型输出的债券发 行体违约风险概 率进行筛 选， 得到对应的债券发行体 违约初始名单。 6.根据权利要求3所述的方法， 其特征在于， 所述根据所述债券发行体违约 风险初始名 单和所述债券违约风险初始名单生成对应的债券发行体 违约风险目标名单， 包括： 对每个所述债券发行体违约 风险初始名单中的债券发行体执行并集操作， 得到对应的 债券发行体 违约风险候选名单； 对每个所述债券违约 风险初始名单中的债券执行并集操作， 得到对应的债券违约 风险 候选名单； 根据所述债券发行体违约风险候选名单和所述债券违约风险候选名单生成对应的债 券发行体 违约风险目标名单。权　利　要　求　书 1/3 页 2 CN 115526697 A 27.根据权利要求1所述的方法， 其特 征在于， 所述目标机器学习模型的创建过程， 包括： 获取原始行内数据和原 始行外数据； 对所述原始行内数据和所述原始行外数据进行数据 预处理， 得到对应的目标行内数据 和目标行外数据； 将所述目标行内数据和所述目标行外数据分别输入至原始机器学习模型中进行训练， 得到对应的目标机器学习模型。 8.根据权利要求7 所述的方法， 其特 征在于， 所述方法， 还 包括： 确定所述目标 行内数据和所述目标 行外数据对违约风险概 率的平均影响值； 根据所述平均影响值确定与每个所述目标机器学习模型相匹配的风险数据源； 其中， 所述风险数据源 包括： 目标 行内特征变量和目标 行外特征变量。 9.根据权利要求7所述的方法， 其特征在于， 所述对所述原始行内数据和所述原始行外 数据进行 数据预处 理， 得到对应的目标 行内数据和目标 行外数据， 包括： 依次对所述原始行内数据和所述原始行外数据进行数据清洗， 得到对应的中间行内数 据和中间行外数据； 按照预设数据衍生方式分别对所述中间行内数据和所述中间行外数据进行数据衍生， 得到对应的目标 行内数据和目标 行外数据。 10.根据权利要求9所述的方法， 其特征在于， 所述按照预设数据衍生方式分别对所述 中间行内数据和所述中间行外数据进 行数据衍生， 得到对应的目标行内数据和目标行外数 据， 包括： 获取所述中间行内数据和所述中间行外数据对应的时间参数； 基于所述 时间参数， 并按照预设数据衍生方式分别对所述中间行内数据和所述中间行 外数据进行 数据衍生， 得到对应的目标 行内数据和目标 行外数据。 11.根据权利要求1 ‑10任一项所述的方法， 其特征在于， 所述目标机器学习模型包括： XGBoost模型； 随机森林模型； SVM模型； 神经网络模型； 逻辑回归 模型。 12.一种债券发行体 违约风险识别装置， 其特 征在于， 包括： 变量获取模块， 用于分别获取待识别债券发行体集合中每个待识别债券发行体和待识 别债券集合中每个待识别债券的目标特征变量， 作为目标行内特征变量和目标行外特征变 量； 第一概率确定模块， 用于分别将所述目标行内特征变量输入至预先创建的至少两个目 标机器学习模型中， 得到对应的债券发行体 违约风险概 率； 第二概率确定模块， 用于分别将所述目标行外特征变量输入至预先创建的至少两个目 标机器学习模型中， 得到对应的债券违约风险概 率； 名单生成模块， 用于根据所述债券发行体违约 风险概率和所述债券违约 风险概率生成 对应的债券发行体 违约风险目标名单。 13.根据权利要12所述的装置， 其特 征在于， 名单生成模块， 包括： 第一名单生成单元， 用于根据 所述债券发行体违约 风险概率和所述待识别债券发行体 集合， 生成对应的债券发行体 违约风险初始名单； 第二名单生成单元， 用于根据所述债券违约风险概率、 预设债券违约风险概率阈值和 所述待识别债券集 合生成对应的债券违约风险初始名单；权　利　要　求　书 2/3 页 3 CN 115526697 A 3