论文部分内容阅读
2014年发生的“11超日债”违约是我国公募债市场首例违约债券,自“11超日债”发生实质性违约开始,我国债券市场的违约情况愈演愈烈,违约金额与数量大量增加,并且信用债违约的主体也从民营企业蔓延至地方性国企、央企。在2018年信用债违约主体和金额出现爆发式增长,全年共计125只、1,209.61亿元债券发生违约,2019年该数据进一步上升,全年共计179只、1,444.08亿元债券发生违约,债券市场的违约事件逐渐常态化。民营企业,尤其是中小型民营企业缺乏较强的风险抵御能力,随着市场整体的风险偏好下降,在违约周期中受影响最大,除民企外上市公司自2018年开始也出现了大量的违约。在当前的经济发展背景下,债券违约事件的增长引起了大量的关注,债券违约的常态化意味着违约风险的识别与管控将会是债券市场目前面临的主要问题之一。而对于上市公司债券违约风险的度量和预警,将会对今后债券市场违约风险管理提供重要的参考与帮助。信用债发生违约往往有着多方面的原因,通常包括了宏观经济的大环境、行业发展趋势等外部因素以及企业自身的财务、非财务等内部因素。在风险预警指标的选择方面,本文在以往研究中使用较多的财务指标、评级信息和公司治理指标的基础上进一步引入了公司舆情指标,从而对发行主体的信用状况进行更加全面的刻画。随着互联网和计算机技术的快速进步,人们使用网络的频率逐渐提高,从互联网中所接受的信息也呈几何级别增长,网络舆情的数量和传播速度日益提升,对于资本市场也产生着日益重大的影响。在资本市场中互联网媒体通过发布网络舆情扮演着信息中介的角色,同时对于各类主体也能起到一定的监督作用。公司舆情中负面事件的冲击也会对公司的信用资质带来不利影响,降低公司在资本市场的融资能力,从而导致债券违约事件的发生。本文使用机器学习中的支持向量机算法来构建债券违约风险的预警模型,伴随计算机技术的飞速进步,机器学习凭借着对数据良好的特征提取以及拟合预测效果在很多领域得到了广泛的应用,尤其是对于一些不能通过具体函数进行表达的问题,机器学习可以挖掘数据中存在的信息与特征并进行预测。支持向量机模型在分类问题上的最终决策仅仅依赖于学习过程中所选择出的数量较少的支持向量,降低了模型计算的复杂程度,也能一定程度上避免样本维数过高带来的问题。同时模型中通过引入核函数来解决非线性情况下的分类问题,将原始样本映射到高维空间来进行分类,对于非线性的分类问题能够较好地解决。针对近两年的信用债违约样本,本文所构建的风险预警模型表现出了较高的预测准确性,采用径向基核函数在测试集上的准确率达到了96.875%,预测正确了全部的违约债券,可以很好地实现风险预警的目的。同时从实证结果中可以看出本文所引入的公司舆情指标对于违约样本有着较强的区分能力,公司舆情信息的引入对于传统的财务指标起到了很好的补充作用,有效提升了机器学习模型对于违约债券的预测能力。在与Logit模型、信用评级等传统方法的比较上,本文构建的机器学习模型也显示出了一定的性能提升。在实证研究的基础上,本文进一步提出了利用舆情监控、大数据等新手段提升监管能力,统一债券市场监管体系,强化信用评级监管等政策建议。