论文部分内容阅读
我国现有信用风险评价研究主要存在两方面问题：第一，输入变量信息重复冗余，既影响信用风险评价模型的评估效果，也增加了信用风险评价过程的计算量。第二，评价指标体系不够全面，现有研究主要考虑财务指标，忽略了的非财务指标作用。因此，对信用风险评价模型进行研究，提高模型的准确性和稳定性，具有重要的现实意义。
鉴于此，本文采用稀疏主成分与Logistic模型相结合的方法进行信用风险评价研究。首先，本文提出基于稀疏主成分-Logistic模型的信用风险评价方法，稀疏主成分方法作为降维工具，通过线性变换使若干指标转换为相互无关的主成分因子，将大部分数据特征集中到某几个主成分因子上；将主成分因子输入Logistic模型进行信用风险评价，提高模型的准确性。其次，对我国上市公司信用风险现状与成因分析，针对现有信用风险评指标体系不够全面的问题，提出在现有评价指标体系中纳入非财务指标，将公司规模、股权集中度和股权质押比率等指标纳入，用于对上市公司信用风险做出更加全面的评价。实证研究中主要选取我国2016至2018年沪深A股上市公司中164家ST公司作为信用违约样本，并采用1:3的样本配对比例选取了492家非ST上市公司作为非违约样本。结合统计检验方法筛选出在两组样本中存在显著性差异的25个财务指标，并加入公司规模、第一大股东持股比例和股权质押三个非财务指标，构建基于稀疏主成分的Logistic模型进行信用风险评价和预测，验证Logistic回归模型在预测准确性和稳定性方面的表现。
本文模型有以下优点：一、将非财务指标纳入使评价体系模型更全面；二、主成分方法减少多财务指标间冗余信息，降低信息冗余带来的负面影响；三、减少风险评价过程的计算量，方便经济意义解释。实证研究表明基于稀疏主成分的Logistic模型对我国上市公司的信用风险预测具有良好的稳定性和很高的准确性，预测精度可达90%以上。最后，根据实证结果提出了一些相应的政策建议。
鉴于此，本文采用稀疏主成分与Logistic模型相结合的方法进行信用风险评价研究。首先，本文提出基于稀疏主成分-Logistic模型的信用风险评价方法，稀疏主成分方法作为降维工具，通过线性变换使若干指标转换为相互无关的主成分因子，将大部分数据特征集中到某几个主成分因子上；将主成分因子输入Logistic模型进行信用风险评价，提高模型的准确性。其次，对我国上市公司信用风险现状与成因分析，针对现有信用风险评指标体系不够全面的问题，提出在现有评价指标体系中纳入非财务指标，将公司规模、股权集中度和股权质押比率等指标纳入，用于对上市公司信用风险做出更加全面的评价。实证研究中主要选取我国2016至2018年沪深A股上市公司中164家ST公司作为信用违约样本，并采用1:3的样本配对比例选取了492家非ST上市公司作为非违约样本。结合统计检验方法筛选出在两组样本中存在显著性差异的25个财务指标，并加入公司规模、第一大股东持股比例和股权质押三个非财务指标，构建基于稀疏主成分的Logistic模型进行信用风险评价和预测，验证Logistic回归模型在预测准确性和稳定性方面的表现。
本文模型有以下优点：一、将非财务指标纳入使评价体系模型更全面；二、主成分方法减少多财务指标间冗余信息，降低信息冗余带来的负面影响；三、减少风险评价过程的计算量，方便经济意义解释。实证研究表明基于稀疏主成分的Logistic模型对我国上市公司的信用风险预测具有良好的稳定性和很高的准确性，预测精度可达90%以上。最后，根据实证结果提出了一些相应的政策建议。