(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 202210464943.4 (22)申请日 2022.04.29 (71)申请人 中国农业银行股份有限公司 地址 100005 北京市东城区建国门内大街 69号 (72)发明人 丁亚楠　王波　杨晓宇　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 藏斌 (51)Int.Cl. G06Q 40/02(2012.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 风险加权资产数据的确定方法及相关装置 (57)摘要 本发明公开了一种风险加权资产数据的确 定方法及相关装置， 可以通过 获取待预测的资产 数据； 对所述资产数据进行标准化处理， 从而获 得相应的数据序列； 将所述数据序列输入至预先 训练好的神经网络模型， 从而获得所述神经网络 模型预测的所述资产数据在内部评级法下的风 险加权资产数据。 由此可 以看出， 本发明通过神 经网络模型预测风险加权资产数据， 无需计算大 量参数， 效率较高。 权利要求书2页 说明书9页 附图5页 CN 114881759 A 2022.08.09 CN 114881759 A 1.一种风险加权资产数据的确定方法， 其特 征在于， 包括： 获取待预测的资产数据； 对所述资产数据进行 标准化处理， 从而获得相应的数据 序列； 将所述数据序列输入至预先训练好的神经网络模型， 从而获得所述神经网络模型预测 的所述资产数据在内部 评级法下的风险加权资产数据。 2.根据权利要求1所述的方法， 其特征在于， 在所述将所述数据序列输入至预先训练好 的神经网络模型， 从而获得所述神经网络模型预测的所述资产数据在内部评级法下的风险 加权资产数据之后， 所述方法还 包括： 将所述风险加权资产数据保存至第一文件； 根据所述第一文件记录的风险加权资产数据， 调整所述神经网络模型的参数。 3.根据权利要求1所述的方法， 其特 征在于， 所述神经网络模型的训练过程， 包括： 获得之前计算得到的多条历史风险加权资产数据； 对各所述历史风险加权资产数据进行 标准化处理， 从而获得相应的监 督学习序列； 基于所述 监督学习序列， 对所述神经网络模型进行训练； 使用平均绝对误差函数MAE和平均平方误差函数MSE计算经过训练后的所述神经网络 模型的精度； 当所述精度满足预设精度要求时， 确定所述神经网络模型已训练完成。 4.根据权利要求3所述的方法， 其特征在于， 每条所述历史风险加权资产 数据包括多个 数据项， 所述多个数据项包括违约概 率项、 违约损失率项、 有效期限项和资产编号项； 所述对各所述历史风险加权资产数据进行标准化处理， 从而获得相应的监督学习序 列， 包括： 对于任一所述历史风险加权资产数据， 均根据各所述历史风险加权资产 数据中的违约 概率项， 查询预设的数据项调整表， 从而获得其它 数据项并将查询 到的所述其它 数据项添 加至相应的历史风险加权 资产数据， 其中， 所述其它数据项包括违约暴露项、 期限调整因子 项、 暴露的相关性项、 资本要求项和 加权资产项中的至少一种； 根据所述历史风险加权资产数据中的违约概率项， 查询所述数据项调整表， 从而获得 除所述违约概率项和所述资产编号项以外的任一异常的数据项的处理方法， 并根据所述处 理方法， 修改相应的异常的数据项； 将所述资产编号项为空的历史风险加权资产数据删除； 将相应的数据项分别转 化为浮点小数； 通过min‑max标准化方法， 将各 所述浮点小数进行归一 化， 从而获得训练数据集 合； 根据所述训练数据集合和进行相应计算 时所使用的历史资产数据， 按照时间顺序生成 相应的二维监 督学习序列。 5.根据权利要求4所述的方法， 其特征在于， 所述基于所述监督学习序列， 对所述神经 网络模型进行训练， 包括： 设置所述神经网络模型的输入数据为所述 二维监督学习序列； 设置所述神经网络模型的激活函数； 设置所述神经网络模型的编译优化器参数； 根据设置的所述二维监督学习序列、 所述激活函数和所述编译优化器参数， 对所述神权　利　要　求　书 1/2 页 2 CN 114881759 A 2经网络模型进行训练。 6.一种风险加权资产数据的确定装置， 其特征在于， 包括： 待测数据获得单元、 数据序 列获得单元和预测单 元； 所述待测数据获得 单元， 用于获取待预测的资产数据； 所述数据序列获得单元， 用于对所述资产数据进行标准化处理， 从而获得相应的数据 序列； 所述预测单元， 用于将所述数据序列输入至预先训练好的神经网络模型， 从而获得所 述神经网络模型 预测的所述资产数据在内部 评级法下的风险加权资产数据。 7.根据权利要求6所述的装置， 其特征在于， 所述装置还包括： 保存单元和参数调整单 元； 所述保存单元， 用于在所述将所述数据序列输入至预先训练好的神经网络模型， 从而 获得所述神经网络模型预测的所述资产数据在内部评级法下的风险加权资产数据之后， 将 所述风险加权资产数据保存至第一文件； 所述参数调整单元， 用于根据所述第一文件记录的风险加权资产数据， 调整所述神经 网络模型的参数。 8.根据权利要求6所述的装置， 其特 征在于， 所述装置还 包括： 训练执 行单元； 所述训练执行单元， 包括： 历史数据获得子单元、 学习序列获得子单元、 模型训练子单 元、 精度计算子单 元和训练完成子单 元； 所述训练执 行单元， 用于执 行所述神经网络模型的训练过程； 所述历史数据获得子单 元， 用于获得之前计算得到的多条历史风险加权资产数据； 所述学习序列获得子单元， 用于对各所述历史风险加权资产数据进行标准化处理， 从 而获得相应的监 督学习序列； 所述模型训练子单 元， 用于基于所述 监督学习序列， 对所述神经网络模型进行训练； 所述精度计算子单元， 用于使用平均绝对误差函数MAE和平均平方误差函数MSE计算经 过训练后的所述神经网络模型的精度； 所述训练完成子单元， 用于当所述精度满足预设精度要求时， 确定所述神经网络模型 已训练完成。 9.一种计算机可读存储介质， 其上存储有程序， 其特征在于， 所述程序被处理器执行时 实现如权利要求1至 5中任一项所述的风险加权资产数据的确定方法。 10.一种电子设备， 其特征在于， 所述电子设备包括至少一个处理器、 以及与所述处理 器连接的至少一个存储器、 总线； 其中， 所述处理器、 所述存储器通过所述总线完成相互间 的通信； 所述处理器用于调用所述存储器中的程序指令， 以执行如权利要求1至5中任一项 所述的风险加权资产数据的确定方法。权　利　要　求　书 2/2 页 3 CN 114881759 A 3