技术摘要：
本发明实施例提供了一种债券风险预测方法和一种债券风险预测系统，包括获取待训练数据集，对待训练数据集进行预处理以得到均衡数据集，根据预设置评估模型对所述均衡数据集进行数据特征的重要性分析得到特征数据集和特征系数数据集，将特征数据集和特征系数数据集分别  全部
背景技术：
债券违约事件的频繁发生，使得债券投资者所承担的风险剧增，如何对  债券进行 风险预测成为了一个亟待解决的问题。 对债券进行预测评估的传统方式，是由人工对评估对象的经营状况、财  务状况以 及所属行业行情做出定性的分析预测；这种方法结合了评估人的经  验，具有一定可信度。 但传统的定性预测评估方式缺乏数据支持，不够严谨。
技术实现要素：
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至  少部分 地解决上述问题的一种债券风险预测方法和相应的一种债券风险预  测系统。 为了解决上述问题，本发明实施例公开了一种债券风险预测方法和系  统，所述技 术方案如下： 一方面，提供了一种债券风险预测方法，所述方法包括： 获取待训练数据集； 对所述待训练数据集进行预处理以得到均衡数据集； 根据预设置评估模型对所述均衡数据集进行数据特征的重要性分析得  到特征数 据集和特征系数数据集； 将所述特征数据集和所述特征系数数据集分别对预设置分类模型进行  训练，得 到第一分类模型和第二分类模型； 根据所述第一分类模型和所述第二分类模型分别对获取的待测试数据  集的分类 结果进行综合预测。 可选地，所述对所述待训练数据集进行预处理以得到均衡数据集包括： 对所述待训练数据集采用欠采样和过采样方法进行预处理。 可选地，所述根据预设置评估模型对所述均衡数据集进行数据特征的重  要性分 析得到特征数据集和特征系数数据集包括： 根据特征重要性X＝∑(eerOOB2-eerOOB1)/N得出数据特征的重要性指  数，根据 得出的重要性指数对数据特征的重要性程度进行排序并生成重要性  权重系数。 可选地，所述根据所述第一分类模型和所述第二分类模型分别对获取的  待测试 数据集的分类结果进行综合预测包括： 当所述第一分类模型和所述第二分类模型的分类结果不一致，则定义为  具有可 避免的潜在风险； 当所述第一分类模型和所述第二分类模型的分类结果一致，则根据所述  分类结 4 CN 111612625 A 说　明　书 2/6 页 果进行预测。 另一方面，还提供了一种债券风险预测系统，所述系统包括： 获取模块，用于获取待训练数据集； 预处理模块，用于对所述待训练数据集进行预处理以得到均衡数据集； 评估模块，用于根据预设置评估模型对所述均衡数据集进行数据特征的  重要性 分析得到特征数据集和特征系数数据集； 分类模块，用于将所述特征数据集和所述特征系数数据集分别对预设置  分类模 型进行训练，得到第一分类模型和第二分类模型； 预测模块，用于根据所述第一分类模型和所述第二分类模型分别对获取  的待测 试数据集的分类结果进行综合预测。 可选地，所述预处理模块，还用于对所述待训练数据集采用欠采样和过  采样方法 进行预处理。 可选地，所述评估模块，还用于根据特征重要性  X＝∑(eerOOB2-eerOOB1)/N得出 数据特征的重要性指数，根据得出的重要性  指数对数据特征的重要性程度进行排序并生 成重要性权重系数。 可选地，所述预测模块还用于， 当所述第一分类模型和所述第二分类模型的分类结果不一致，则定义为  具有可 避免的潜在风险； 当所述第一分类模型和所述第二分类模型的分类结果一致，则根据所述  分类结 果进行预测。 另一方面，还提供了一种电子设备，所述电子设备包括处理器、存储器  及存储在 所述存储器上并能够在所述处理器上运行的计算机程序，所述计算  机程序被所述处理器 执行时实现如第一方面所述的债券风险预测方法。 另一方面，所述计算机可读存储介质上存储计算机程序，所述计算机程  序被处理 器执行时实现如第一方面所述的债券风险预测方法。 本发明实施例包括以下优点：通过将具有不平衡性的待训练数据集进行  预处理， 使其转化为均衡数据集，从而提高待训练数据集的可靠性；对均衡  数据集进行分析以得到 重要性程度排序较高的特征数据集和特征系数数据  集，以排除重要性程度低的数据；然后 将特征数据集和特征系数数据集分别  对预设置分类模型进行训练，得到第一分类模型和 第二分类模型，最后根据  第一分类模型和第二分类模型分别对获取到的待测试数据集进 行分类并综  合预测；通过经特征数据集和特征系数数据集训练后的第一分类模型和第二  分类模型对债券风险进行综合预测，从而能够保证债券风险预测结果的准确 性和可靠性。 附图说明 图1是本发明的一种债券风险预测方法实施例的步骤流程图； 图2是本发明的一种债券风险预测系统实施例的结构框图。