[发明专利]一种债券利率预测方法、系统、计算机设备及存储介质

权利要求书

1.一种债券利率预测方法，其特征在于，包括：

从数据库中抽取债券数据集，所述债券数据集内包括有多个变量；

对抽取的所述债券数据集进行数据整理后得到模型数据集；

将所述模型数据集输入到XGBoost模型中进行处理，输出所述模型数据集中各所述变量的特征重要性，根据所述特征重要性筛选变量得到模型训练集；

将所述模型训练集输入到MLR模型中进行训练，得到结果A；

将所述模型训练集输入到XGBoost模型中进行训练，得到结果B；

将所述结果A和所述结果B作为自变量，利用MLR模型进行拟合，得到拟合方程：利率＝w1*结果A+w2*结果B，w1和w2为拟合系数；

将待测债券数据分别输入MLR模型和XGBoost模型中进行处理，对应输出所述待测债券的结果a和结果b，将所述待测债券的结果a和结果b带入所述拟合方程内，以得到所述待测债券的利率预测值。

2.根据权利要求1所述的债券利率预测方法，其特征在于，所述对抽取的所述债券数据集进行数据整理后得到模型数据集，具体包括：

对抽取的所述债券数据集进行数据筛选；

利用TOAD对筛选后的所述债券数据集进行卡方分箱后得到分箱数据；

利用WOETransformer函数对所述分箱数据进行WOE转化后得到模型数据集。

3.根据权利要求2所述的债券利率预测方法，其特征在于，所述将所述模型数据集输入到XGBoost模型中进行处理，输出所述模型数据集中各所述变量的特征重要性，根据所述特征重要性筛选变量得到模型训练集，具体包括：

将所述模型数据集输入到XGBoost模型中进行处理；

利用feature_importance函数输出所述模型数据集中各所述变量的特征重要性评分；

根据所述特征重要性评分对各所述变量倒排，筛选变量得到模型测试集和模型训练集。

4.根据权利要求3所述的债券利率预测方法，其特征在于，所述根据所述特征重要性评分对各所述变量倒排，筛选变量得到模型测试集和模型训练集，具体包括：

根据所述特征重要性评分对各所述变量倒排，筛选前20％的所述变量作为模型测试集，剩余的所述变量作为模型训练集。

5.根据权利要求2所述的债券利率预测方法，其特征在于，所述对抽取的所述债券数据集进行数据筛选，具体包括：

对所述债券数据集中的重复数据进行清除；

对所述债券数据集中的缺失率大于等于第一预设阈值的变量进行清除；

对所述债券数据集中的缺失率小于所述第一预设阈值的变量进行填充；

对所述债券数据集中的相关性大于等于第二预设阈值的变量仅保留一个，其余清除；

对所述债券数据集中的各变量依次计算其IV(informationvalue)值，保留IV值大于等于第三预设阈值的变量，其余清除。

6.根据权利要求5所述的债券利率预测方法，其特征在于，所述第一预设阈值为50％，所述第二预设阈值为0.6，所述第三预设阈值为0.1。

7.根据权利要求1-6任一项所述的债券利率预测方法，其特征在于，所述从数据库中抽取债券数据集中，所述债券数据集包括：新发行债券数据、银行间回购交易数据和政策性金融债到期收益数据。