一种证券化产品智能筛选的方法

摘要

本发明提出了一种证券化产品智能筛选的方法，包括以下步骤：S1、备选池处理：根据实际需求确定是否需要对备选池做前端处理；S2、建立模型：首先确定决策变量，然后对决策变量进行取值限定，并设定目标函数，最后建立约束条件；S3、采用分支‑切割法求解模型，筛选出最优的基础资产池。本方案基于混合整数规划的模型思想，结合实际运用场景，考虑资产池的各类风险因素，比如规模类，加权平均类，集中度类等，灵活且个性化地逆向筛选出满足要求的基础资产池。

说明书

技术领域

本发明涉及证券化产品筛选的技术领域，尤其涉及一种证券化产品智能筛选的方法。

背景技术

目前，随着网络技术的发展和普及，与互联网技术相结合的新兴产业也呈现出快速发展的态势，尤其是近年出现的互联网金融发展更是迅速。与此相伴的各种互联网金融平台和互联网金融系统也应运而生，蓬勃发展。像众筹金融平台、电商小贷互联网金融平台、供应链金融互联网金融平台等。现有的互联网金融平台做的面宽不够专业，而且涉及的金融业务其实是将线下的传统业务如借贷，股权投资搬到互联网上，只是一个销售渠道的延伸，并没有从实质上改变金融的线下属性，也很少突破我国传统金融业务的范畴，没有体现计算机网络作为智能化的载体可以将金融业务、金融产品做成标准化、流水线式的产品。现有的平台中并没有实现智能化的筛选证券化的产品的功能。

正向筛选是指能够正向的、直观的判断一笔资产是否应该入选，一般通过常识或是简单的数字比较即可完成，无需进行数学建模。比如：属于安徽省的资产，借款人年龄在25～45之间的资产等。正向筛选通常不会涉及整个资产池的一些指标。

但是在证券化领域，要衡量和规避风险，除了这些简单的正向筛选条件外，通常还需要考虑整个资产池的一些风险，比如加权平均类、集中度类等的风险。对于这些筛选条件，无法正向的去判断某笔资产是否应该入池或出池，而是在整个资产池应该满足加权平均、集中度等风险指标要求的基础上，反推出哪些资产应该同时入选。此时只能通过数学建模处理，相对正向筛选而言会复杂很多。

发明内容

为了解决正向筛选无法满足目前实际业务中筛选基础资产的需求，为此，本发明提出了一种证券化产品智能筛选的方法，具体方案如下：

一种证券化产品智能筛选的方法，包括以下步骤：S1、备选池处理：根据实际需求确定是否需要对备选池做前端处理；S2、建立模型：首先确定决策变量，然后对决策变量进行取值限定，并设定目标函数，最后建立约束条件；S3、采用分支-切割法求解模型，筛选出最优的基础资产池。

本发明的有益效果在于：本方案基于混合整数规划的模型思想，结合实际运用场景，考虑资产池的各类风险因素，比如规模类，加权平均类，集中度类等，灵活且个性化地逆向筛选出满足要求的基础资产池。

附图说明

图1为本发明提出的一种证券化产品智能筛选的方法的流程图。

图2为本发明采用分支-切割法求解模型的流程图。

具体实施方式

参照图1，本发明提出一种证券化产品智能筛选的方法，包括以下步骤：

S1、备选池处理：根据实际需求确定是否需要对备选池做前端处理；

S2、建立模型：首先确定决策变量，然后对决策变量进行取值限定，并设定目标函数，最后建立约束条件；

S3、采用分支-切割法求解模型，筛选出最优的基础资产池。分支-切割法是用于解决混合整数线性问题的组合优化方法。该方法在分支定界法的基础上，使用切割平面以收紧线性规划松弛。

以下分别对各步骤进行详细描述：

步骤S1做前端处理的具体方法如下：

先进行正向筛选，满足正向筛选条件的资产池作为备选池；对于同质性较高，资产笔数数量很大的备选池，按照合适的指标进行分组处理，同一组的资产处理后作为一笔资产代入混合整数规划模型，以此减少模型变量来提高性能；对于同质性不太高，备选池笔数很大，且备选池剩余规模远大于筛选规模要求时，随机减少备选池资产的笔数后再进行建模。

当备选池的数据量上百万甚至千万，或者客户有更为严苛的性能要求时，往往需要根据客户的实际运用场景和对其提供的数据进行特征分析后进一步优化求解。具体方案为对备选池资产按某些指标进行分组，每一组的多笔资产通过处理后(剩余金额汇总，区间类的进行加权平均)作为一笔资产代入混合整数规划模型，以此减少模型变量，从而减小了决策变量的个数，大大的提高了模型的求解性能。

步骤S2还包括设置在取值限定后设置目标函数，设置目标函数的建模为理想化的建模方式，在实际运用中，需要结合备选池特征及性能要求进行适当调整。由于求解最优解的性能往往不如人所愿，因此为了提升性能，常规做法是通过去除目标函数，只求解可行解。

在对决策变量进行取值限定后，设置目标函数，步骤S2具体如下：

S21、确定决策变量：确定备选资产中资产笔数为n,设总决策变量X＝(x

S22、对决策变量进行取值限定：决策变量x

S23、设置目标函数：将设置所筛出的资产池规模最大化为目标函数，即，min[入选资产池的预期规模-入选资产池的真实规模]，所述入选资产池的预期规模为客户期望筛选出的最大规模；

目标函数：min[M-(c

其中，M：入选资产池的预期规模；c

S24、建立约束条件，所述约束条件为规模要求、加权平均类、某个指标的单一取值/区间占比类、区域/行业/职业集中度类、最大单笔/前三大借款人金额占比中的一种约束条件或者若干种约束条件的组合。

步骤S24中规模要求为约束条件时，对总规模的限制转换成约束条件，对应公式为：

M1≤∑

其中，M1和M2分别为总规模要求的下限和上限。

步骤S24中所述加权平均类包括加权平均利率、加权平均合同期限、加权平均剩余期限、加权平均信用评分中的一种或多种。

当加权平均类为加权平均利率时，对应的约束条件表达式为：

R1≤∑

其中，R1和R2分别为客户设置的加权平均利率下限和上限。

步骤S24中某个指标的单一取值/区间占比类中取值占比包括区域、职业、合同期限的取值占比，区间占比包括剩余期限、费率的区间占比。

当为区域取值占比时，对应的表达式为：

RE1≤∑

其中，RE1和RE2分别为客户设置的安徽地区的入池资产规模占比的下限和上限。

步骤S24中约束条件为区域/行业集中度类时，一般用一般运用赫芬达尔指数(HHI)进行表示，HHI是一种测量集中度的综合指数，当单个区域垄断时，该指数等于1，当所有区域规模相同时，该指数等于1/P，故而这一指标在1/P～1之间变动，数值越大，表明区域分布的不均匀度越高。其中P为预选池中区域总个数。

其中REPRIN

步骤S24中约束条件为最大单笔/前三大借款人金额占比时，对应公式为

其中REPRIN

至此，模型已经初步建立完成。

S25、将步骤S24中约束条件中的非线性公式进行线性转换，结合所有约束条件，得到混合整数规划模型，其中公式(3)～(6)式不是线性的，由于非线性的求解远比线性的求解困难，因此需要对(3)～(6)式进行线性转化：

公式(3)式和(4)相似，以公式(3)为例，转化为以下线性形式：

∑

∑

对于公式(5)和公式(6)，目前的处理形式是转化为某个指标的单一取值/区间占比类、区域/行业集中度类的形式进行处理。

对于公式(6)，目前的处理形式是对各个借款人进行单独设置约束条件，即如果有100个借款人，相当于是设置了100个约束条件，之后的处理形式同(3)式的处理方式。

如图2所示，步骤S3中求解模型包括以下步骤：

S31、去除整数约束：记根据实际需求建立的混合整数规划模型为A，去除A的整数约束得到“松弛问题”(线性规划问题)，记为B；

S32、用单纯形法求解线性规划问题B的最优解X

S33、任选X

S34、对S33中的B1和B2按以下规则分别添加割平面，切割掉一部分非整数解：

将单纯形表中x1的系数a

其中，f

将所得的割平面作为新的约束条件对应加入B1、B2中，求解新问题的最优解；

S35、修正上界和下界：在各分支问题中，找到目标函数最大值者作为新的上界

S36、各分支的最优目标函数中若有小于下界

还包括模型调整，调整包括对备选池资产按照设定指标进行分组：每一组的多笔资产通过剩余金额汇总、区间类的进行加权平均处理后作为一笔资产代入了混合整数规划模型，从而减小了决策变量的个数，大大的提高了模型的求解性能。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。