债券预期信用损失的获取系统及方法、设备、可读存储介质

技术领域

本申请涉及电子信息领域，尤其涉及一种债券预期信用损失的获取系统及方法、设备、可读存储介质。

背景技术

债券的预期信用损失是指以发生违约风险为权重的债券信用损失的加权平均值。债券预期信用损失的计算依据至少包括债券的违约损失率、和主体隐含违约率。

但现有技术中，违约损失率或者采用监管推荐值，或者，借用信贷资产的违约损失率。违约率或者依据历史数据统计获得，或者，借用国外的数值。

而监管推荐值较为粗糙，对担保条款和次级属性对违约损失率的影响的区分度低，因此，准确性不高，并且，借用其它领域或国外的数值的方式，与我国债券领域的实际情况的契合度不高，因此，导致结果的准确性降低。

发明内容

本申请提供了一种债券预期信用损失的获取系统及方法、设备、可读存储介质，目的在于解决获取的债券的预期信用损失的准确性不高的问题。

为了实现上述目的，本申请提供了以下技术方案：

一种债券预期信用损失的获取系统，包括：

交互和展示模块、隐含违约率编制模型、违约损失率编制模型和预期信用损失计算模型；

所述交互和展示模块，用于接收用户输入的第一债券的信息，所述信息包括：标识和资产负债表日的账面余额；并依据所述标识，查询所述第一债券的参数值，所述参数值包括：主体信用级别值Z、担保属性值、和次级属性值；

所述预期信用损失计算模型用于，依据所述标识，获取所述第一债券所处的减值阶段，并依据所述减值阶段，确定期限值t；

隐含违约率编制模型用于，依据期初信用级别为Z的发债主体样本的数量N

违约损失率编制模型用于，依据预设的担保属性、次级属性与违约损失率计算规则的对应关系，查询所述担保属性值和所述次级属性值对应的违约损失率计算规则，得到第一计算规则；并依据所述第一计算规则、所述担保属性值和所述次级属性值，计算所述债券的违约损失率LGD；

所述预期信用损失计算模型还用于，依据所述

所述交互和展示模块还用于，展示所述第一债券的预期信用损失。

可选的，还包括：

数据获取和处理模块，用于依据预设的债券数据库中的数据，获取参数，所述参数包括：所述N

可选的，所述数据获取和处理模块具体用于：

通过计算信用级别为Z的发债主体所属的行业曲线在t年期限的利差的历史平均值，获取所述

可选的，所述数据获取和处理模块具体用于：

根据信用级别为Z的发债主体存续债券的债券利差，获取所述

可选的，所述隐含违约率编制模型具体用于：

依据所述N

依据所述d

依据所述D

依据所述

依据所述

依据所述

依据所述λ

可选的，所述隐含违约率编制模型具体用于：

将所述

可选的，所述隐含违约率编制模型具体用于：

将所述

可选的，所述担保属性、次级属性与违约损失率计算规则的对应关系，包括：

无担保非次级债券的违约损失率等于基础违约损失率；

有担保非次级债券的违约损失率等于所述担保属性的影响系数与所述基础违约损失率的乘积；

无担保次级债券的违约损失率等于所述次级属性的影响系数与所述基础违约损失率的乘积；

有担保次级债券的违约损失率等于所述担保属性的影响系数、所述次级属性的影响系数、以及所述基础违约损失率的乘积。

一种债券预期信用损失的获取方法，包括：

接收用户输入的第一债券的信息，所述信息包括：标识和资产负债表日的账面余额；并依据所述标识，查询所述第一债券的参数值，所述参数值包括：主体信用级别值Z、担保属性值、和次级属性值；

依据所述标识，获取所述第一债券所处的减值阶段，并依据所述减值阶段，确定期限值t；依据期初信用级别为Z的发债主体样本的数量N

依据预设的担保属性、次级属性与违约损失率计算规则的对应关系，查询所述担保属性值和所述次级属性值对应的违约损失率计算规则，得到第一计算规则；并依据所述第一计算规则、所述担保属性值和所述次级属性值，计算所述债券的违约损失率LGD；

依据所述

展示所述第一债券的预期信用损失。

一种债券预期信用损失的获取设备，包括：

存储器和处理器；

所述存储器用于存储程序，所述处理器用于运行所述程序，以实现上述的债券预期信用损失的获取方法。

一种计算机可读存储介质，在计算设备上运行时，，实现上述的债券预期信用损失的获取方法。

本申请所述的债券的预期信用损失系统，遵循主体信用利差越大的债券具有更高的违约概率以及担保属性和次级属性共同影响着债券的违约损失率的客观规律，分别构建隐含违约率编制模型和违约损失率编制模型，并利用交互和展示模块获取待查询的第一债券的信息，利用预期信用损失计算模型、隐含违约率编制模型和违约损失率编制模型，得到债券的违约率PD和违约损失率LGD，再进一步得到并展示第一债券的预期信用损失，因为违约率不再借用国外的数值爱，违约损失率不再采用监管推荐值，或者，借用信贷资产的违约损失率，所以得到的预期信用损失具有较高的准确性。

附图说明

为了更清楚地说明本申请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申请的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本申请实施例公开的一种债券预期信用损失获取系统示意图；

图2为本申请实施例公开的系统输出债券的预期信用损失的过程的流程图。

具体实施方式

本申请实施例公开的债券预期信用损失获取方法或系统，可以应用在服务器上，具体的，可以与现有的债券信息数据库设备相连，目的在于从债券信息数据库设备获取数据，并对数据进行处理和分析，以获取债券预期信用损失。

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

图1为本申请实施例公开的一种债券预期信用损失获取系统，包括：

交互和展示模块、数据获取和处理模块、隐含违约率编制模型、违约损失率编制模型和预期信用损失计算模型。

其中，隐含违约率编制模型和违约损失率编制模型均依据客观规律设置。

具体的，主体隐含违约率编制模型的设置构思为：从公知的客观规律：1、主体信用利差越大的债券具有更高的违约概率，可知，可以利用债券的主体信用利差，获取债券的主体隐含违约率。但现有技术中，不存在确定债券的主体信用利差的算法或装置，因此，发明人依据通过大数据统计得到的以下客观规律：2、信用风险占整体的比例与代表信用风险的利差平均值正相关，与总利差平均值反相关，以及3、某个时刻的债券主体信用利差与信用利差比例呈正相关关系、与某个时刻的主体利差呈反相关关系，创新性地提出信用风险比例和债券的主体信用利差的计算方式，并结合客观规律1，构建主体隐含违约率编制模型。

主体隐含违约率编制模型的运算原理为：

1、计算过去某个时间区间内的历史违约率，计算公式为：

其中，d

需要强调的是，因为历史能够反映未来，即历史的信用风险占整体的比例能够反映未来的情况，而公式(1)即依据历史的信用风险占整体的比例能够反映未来的情况之一客观规律设置。

2、计算过去多个时间区间内的历史平均违约率，计算公式为：

其中，D

3、计算历史平均公允信用利差，计算公式为：

其中，历史平均公允信用利差为代表历史平均信用风险水平的信用利差，R为被预先配置的回收率，D

4、计算信用风险比例，计算公式为：

其中，

需要强调的是，公式(4)的设置依据为上述客观规律2。并通过样本实验证明，依据客观规律2设置的公式(4)，能够满足准确性需求。

5、计算债券的主体信用利差，计算公式为：

其中，

需要强调的是，公式(5)的设置理由为上述客观规律3，并通过样本实验证明，依据客观规律3设置的公式(5)，能够满足准确性需求。

6、计算债券的主体隐含违约强度，计算公式为：

其中，R为回收率。

7、计算债券的主体隐含违约率，计算公式为：

其中，债券的主体隐含违约率

违约损失率编制模型的设置构思为：依据公知的客观规律：4、担保属性和次级属性共同影响着债券的违约损失率，按照担保属性和次级属性进行分类，得到违约损失率的不同计算规则。

违约损失率编制模型的运算原理为：

任意债券的违约损失率LGD的计算规则如下：

无担保非次级债券的违约损失率等于基础违约损失率LGD

有担保非次级债券的违约损失率等于担保属性(强担保或一般担保)的影响系数与基础违约损失率LGD

无担保次级债券的违约损失率等于次级属性的影响系数与基础违约损失率LGD

有担保次级债券的违约损失率等于担保属性的影响系数、次级属性的影响系数、以及基础违约损失率LGD

进一步的，以上各个参数的获取过程如下：

1、将无担保、非次级违约的历史债券构成样本集，计算样本集中的债券i的违约损失率，计算公式为：

其中，无担保、非次级债券是指担保条款为空，次级属性为否的债券。债券的担保条款和次级属性信息均从预设的债券数据库获取。

2、取样本集内全部债券的违约损失率的平均值可得基础违约损失率，作为无担保、非次级债券的违约损失率参数，计算公式为：

其中，LGD

3、计算强担保属性的影响系数。

担保债券是指有担保条款的债券，即在债券债务主体发生违约时，担保条款中标明的担保公司将具有连带偿付债务的责任。一般而言，担保债券的违约损失率比无担保债券低。

强担保债券(简称为强担保)是指债券隐含评级(即前面提到的中债价格指标中的中债市场隐含评级)高于其发行人主体隐含评级的担保债券。

强担保的影响系数的计算公式为：

其中，λ

4、计算一般担保属性的影响系数。

一般担保债券(简称为一般担保)是指债券隐含评级不高于其发行人主体隐含评级的担保债券。

将同时存续非次级一般担保债券和标准债券的主体构成样本集，假设样本集中的某主体i同时存续非次级一般担保债A和标准债券B(看作没有担保，非次级，A和B表示样本)，此主体i的一般担保债券的影响系数计算公式为：

其中，

公式(11)依据客观规律5：担保债券和非担保债的利差关系反映了投资者对于两者违约损失率差别的预期(即担保条款对债券违约损失率的影响比例)设置。

取样本集内主体的

5、计算次级属性对违约损失率的影响系数。

次级债券是指具有次级属性的债券，一般是指债务清偿顺序在同债务主体非次级债券之后的债券，因此一般而言，违约损失率比非次级债券高。

假设某主体i同时存续无担保的次级债券A和标准债券B，此主体i的次级债券的影响系数计算公式为：

其中，

需要强调的是，公式(13)的设置理由为客观规律：次级债券和非次级债的利差关系反映了投资者对于两者违约损失率差别的预期(即次级条款对债券违约损失率的影响比例)。

将同时存续无担保次级债券和标准债券的主体构成样本集，取样本集内主体的

需要强调的是，从上述模型的原理可以看出，隐含违约率编制模型以及违约损失率编制模型的依据客观规律设置，用于获取预期信用损失的计算依据，为获取预期信用损失奠定基础，使得最终获取的预期信用损失具有较高的客观性和准确性。

下面将结合用户使用所述系统的场景，对所述系统输出债券的预期信用损失的过程进行详细的说明，如图2所示，包括以下步骤：

1、交互和展示模块接收用户在交互界面中输入的第一债券的信息，并将第一债券的信息发给数据获取和处理模块。

具体的，第一债券为用户待查询的任意一支债券，第一债券的信息包括第一债券的标识和资产负债表日的账面余额。

可以理解的是，交互和展示模块可以使用现有的交互方式，接收第一债券的信息，例如展示交互界面，接收用户在交互界面中输入的第一债券的信息。

2、数据获取和处理模块依据标识，查询第一债券的参数值。

参数值包括：第一债券主体信用级别值Z、担保属性值、和次级属性值。

具体的，可以从预设的债券数据库中，使用第一债券的标识，查询第一债券的标识对应的参数值。

3、数据获取和处理模块将第一债券主体信用级别值Z发送至隐含违约率编制模型，将担保属性值、和次级属性值发送至违约损失率编制模型，将第一债券的标识和资产负债表日的账面余额发送至预期信用损失计算模型。

4、预期信用损失计算模型确定第一债券的减值阶段。

具体的，在资产负债表日，若债券的主体隐含评级不低于初始确认主体隐含评级，或不低于低信用风险阈值，则债券处于减值第一阶段；若债券的主体隐含评级低于初始确认主体隐含评级，且低于低信用风险阈值，则债券处于减值第二阶段。若债券的主体隐含评级下调至C，或出现其他认定为违约的情形(可由专家确定)时，债券处于减值第三阶段。

其中，债券的主体隐含评级与初始确认主体隐含评级可以通过现有技术获取，并存储于债券数据库中，并由数据获取和处理模块从债券数据库中获取并发给预期信用损失计算模型。这里不再赘述。

5、预期信用损失计算模型依据减值阶段，确定期限值t，并将t发送至隐含违约率编制模型。

6、数据获取和处理模块依据预设的债券数据库中的数据，获取以下参数：

(1)期初信用级别为Z的发债主体样本的数量N

(2)信用级别为Z、且在m年内发生违约的发债主体样本的数量n

(3)信用级别为Z的t年期限的历史平均总利差

(4)信用级别为Z的t年期限的主体利差

并且，将N

具体的，债券数据库包括债券的市场信息和中债价格指标产品数据。债券的市场信息包括但不限于：债券的价格信息、债券的发债主体的财务和舆情信息、和历史违约数据。中债价格指标产品数据包括但不限于：债券的中债市场隐含评级、债券所属行业曲线、债券基于曲线的估值点差以及收益率、和违约债券估值信息。

可以理解的是，数据获取和处理模块的功能集中在两方面，第一，从债券数据库获取已有的数据，第二，对从债券数据库获取的数据进行处理，得到各个模型计算所需的中间数据。上述参数仅为举例，而不作为限定，处理上述参数之外，其它参数，例如回收率R、利差等，均可由数据获取和处理模块得到并发给相应模型。

具体的，

债券的主体利差

其它各个参数的计算过程可以参见现有技术，这里不再赘述。

7、隐含违约率编制模型依据接收到的Z、N

8、违约损失率编制模型依据担保属性值和次级属性值，确定第一债券的计算规则，并使用计算规则、担保属性值和次级属性值计算得到第一债券的违约损失率LGD。

具体的，如前所述，如果第一债券的担保属性值为无担保，次级属性值为非次级，则违约损失率LGD＝LGD

如果第一债券的担保属性值为强担保，次级属性为非次级，则违约损失率LGD＝Ratio

如果第一债券的担保属性值为一般担保，次级属性为非次级，违约损失率LGD＝Ratio

如果第一债券的担保属性值为无担保，次级属性值为次级，违约损失率LGD＝Ratio

如果第一债券的担保属性值为强担保或一般担保，次级属性值为次级，违约损失率LGD＝担保影响系数(Ratio

需要说明的是，计算担保属性和次级属性需要用到的利差等数值，均可以由数据获取和处理模块从债券数据库获取，或者，从债券数据库获取后经过处理获取，均为现有技术，这里不再赘述。

9、预期信用损失计算模型计算第一债券的预期信用损失比例。

具体的，使用ECL(％)＝PD*LGD(15)得到预期信用损失比例ECL(％)。

其中，PD为

10、预期信用损失计算模型计算第一债券的预期信用损失。

具体的，计算公式为ECL＝ECL(％)*EAD(16)，其中，EAD是资产负债表日的债券账面余额，ECL(％)是债券预期信用损失比例。

从上述流程可以看出，以上系统具有以下有益效果：

1、本发明基于市场法计算债券预期信用损失，针对传统债券预期信用损失计算方法中的违约率参数和违约损失率参数进行了系列优化，能够更好地满足市场成员计提债券减值的需求。

2、从违约率参数(主体隐含违约率)的角度，一是能够做到每日更新，模型使用市场广泛认可的中债价格指标产品作为编制基础，模型输入值每日更新，能够及时揭示发行主体信用风险变化，为市场机构逐日监测信用风险提供有力工具，弥补了传统历史违约率法难以及时有效跟踪债券市场信用风险变化的缺陷；二是理论先进，参考国际前沿理论，合理分离出市场价格中流动性等非信用因素水平，解决了传统隐含违约率直接使用主体利差高估违约风险的问题。主体隐含违约率是行业内首次推出分离非信用因素水平的隐含违约率产品；三是系统高效，本发明基于先进的利差分解和无套利理论，开发出一种债券预期信用损失的计算系统，实现了计算过程的自动化，提升了计算效率。

从违约损失率参数的角度，较传统初级内部评级法使用简化的监管推荐值方案更为细化，能够根据市场实际情况及时调整参数值；同时本发明的违约损失率方案依据较为丰富的债券市场信息，避免了传统高级内部评级法中使用其他领域(信贷领域)数据计算获得违约损失率应用至债券领域的契合度存疑的问题。

本申请实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

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申请。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申请的精神或范围的情况下，在其它实施例中实现。因此，本申请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。