论文部分内容阅读
信用债券是企业获取资金的重要来源之一，近几年我国债券市场发展十分迅猛，目前规模已稳居全球第二，其中信用债券种类日渐多样化，构造愈加复杂化。随着国内外经济风险的凸显，相应的债券信用风险连带攀升，过去的5年时间内，债券违约数量与规模爆炸式上升，种类跨央企与民企，影响力甚至覆盖到公募基金。因此，及时锁定债券违约的研究具有必要性，相关预测具有现实效用。另外，有助于深化我国对于信用风险的认识，帮助企业者提前识别与防范风险，更有利于政府规划相关政策，维护债券市场高效稳定的发展。
随着金融科技的不断发展，大数据、人工智能为各领域研究带来新灵感，各种数据挖掘算法带来的突出应用效果被各领域所看到并采纳。债券风险研究也开始攻关相关的算法问题。本文基于七种基本学习算法对比分析，择优三种作为底层算法，即RandomForest算法、GBDT算法与Bayes算法，并结合LR算法为次级训练算法融合构成新的Stacking算法。
首先，根据近五年违约案例违约原因分析及相关学者研究角度归纳总结，从债券资质、债务主体、财务数据、宏观方面四个维度出发获取实验数据。其次，经过随机森林重要性分析挖掘重要影响指标，主要影响因素在保留18项与37项时，样本内外预测结果达到均衡。分析保留指标的所属类别，重要性呈现自上而下的表现，即宏观经济与外部融资压力影响较大，其次为公司的整体实力、盈利能力与资金周转能力，最后为公司的未来发展质量。
然后，对模型进行评估。第一，对择优的三种底层算法与构建的Stacking模型的预测能力进行比较分析，在整体精确度上，Stacking算法的双重集成作用相对底层的单次集成总体精确度提升1%到8%；在F1度量指标中，平均约提高6%；第二，对不同数量的指标进行模型验证，最终构建的指标体系提升了预测水平；第三，基于样本内外预测均衡的底层算法选择方法有效可取，Stacking模型有利于弥补包括线性模型在内的不同研究方法的劣势因素。F1
最后，基于模型研究，提出三点建议，即政府监管应扩大范围，债券违约不存在安全区；各评级机构应保留超前意识，及时跟进债券评级预测问题；2020疫情突发，中小企业应对能力有限，债券防控问题更应重视。
随着金融科技的不断发展，大数据、人工智能为各领域研究带来新灵感，各种数据挖掘算法带来的突出应用效果被各领域所看到并采纳。债券风险研究也开始攻关相关的算法问题。本文基于七种基本学习算法对比分析，择优三种作为底层算法，即RandomForest算法、GBDT算法与Bayes算法，并结合LR算法为次级训练算法融合构成新的Stacking算法。
首先，根据近五年违约案例违约原因分析及相关学者研究角度归纳总结，从债券资质、债务主体、财务数据、宏观方面四个维度出发获取实验数据。其次，经过随机森林重要性分析挖掘重要影响指标，主要影响因素在保留18项与37项时，样本内外预测结果达到均衡。分析保留指标的所属类别，重要性呈现自上而下的表现，即宏观经济与外部融资压力影响较大，其次为公司的整体实力、盈利能力与资金周转能力，最后为公司的未来发展质量。
然后，对模型进行评估。第一，对择优的三种底层算法与构建的Stacking模型的预测能力进行比较分析，在整体精确度上，Stacking算法的双重集成作用相对底层的单次集成总体精确度提升1%到8%；在F1度量指标中，平均约提高6%；第二，对不同数量的指标进行模型验证，最终构建的指标体系提升了预测水平；第三，基于样本内外预测均衡的底层算法选择方法有效可取，Stacking模型有利于弥补包括线性模型在内的不同研究方法的劣势因素。F1
最后，基于模型研究，提出三点建议，即政府监管应扩大范围，债券违约不存在安全区；各评级机构应保留超前意识，及时跟进债券评级预测问题；2020疫情突发，中小企业应对能力有限，债券防控问题更应重视。