论文部分内容阅读
从2014年深交所上市公司*ST超日发行的“11超日债”发生债券违约开始，上市公司债券违约逐渐呈现常态化的趋势，这些违约事件的发生对我国资本市场产生了不良的影响，投资者也因此损失惨重，因此，迫切的需要通过科学的模型来评估公司发生债券违约的可能性，指导债券投资者合理的规避风险，减少踩雷，营造一个良好的债券市场，为企业融资带来便利。
本论文基于预测债券违约概率的目的，根据以往专家学者的研究，具体分析了上市公司中所有的债券违约事件，从中提取到可能影响债券违约的因子，并且根据自己的理解，加入了一些新发掘的因子，譬如交易所问询函和监管措施因子，最终通过财务因子和非财务因子的组合形成机器学习算法的特征，根据随机森林算法获取特征的重要性，选取贡献度大的特征来进行训练。
论文主要选取了2018年和2019年的180家上市公司作为样本，其中正常样本150个，违约样本30个，按照2∶1的比例划分训练集和测试集，分别采用随机森林算法、XGBoost算法和AdaBoost算法进行训练，发现债券违约问题中，在我们注重的召回率方面，AdaBoost算法优于随机森林算法和XGBoost算法，当n_estimators=1000，learning_rate=1的时候，AdaBoost算法的准确率达到了0.667，精确率达到了0.308，召回率达到了0.8，F1值达到了0.444，AUC值达到0.72。
研究表明：第一，对于债券违约预警来说，通过随机森林算法获取特征重要性排序，交易所问询函的监管措施因子被证明是一个有效的预警因子，这有助于提高算法模型预测的效果；第二，从AUC值来看，随机森林算法、XGBoost算法和AdaBoost算法的债券违约预测结果差别不大，在我们注重的在召回率方面，AdaBoost算法的效果更好，能够尽可能的识别出违约债券，在债券违约预警中具有良好的应用前景。
本论文基于预测债券违约概率的目的，根据以往专家学者的研究，具体分析了上市公司中所有的债券违约事件，从中提取到可能影响债券违约的因子，并且根据自己的理解，加入了一些新发掘的因子，譬如交易所问询函和监管措施因子，最终通过财务因子和非财务因子的组合形成机器学习算法的特征，根据随机森林算法获取特征的重要性，选取贡献度大的特征来进行训练。
论文主要选取了2018年和2019年的180家上市公司作为样本，其中正常样本150个，违约样本30个，按照2∶1的比例划分训练集和测试集，分别采用随机森林算法、XGBoost算法和AdaBoost算法进行训练，发现债券违约问题中，在我们注重的召回率方面，AdaBoost算法优于随机森林算法和XGBoost算法，当n_estimators=1000，learning_rate=1的时候，AdaBoost算法的准确率达到了0.667，精确率达到了0.308，召回率达到了0.8，F1值达到了0.444，AUC值达到0.72。
研究表明：第一，对于债券违约预警来说，通过随机森林算法获取特征重要性排序，交易所问询函的监管措施因子被证明是一个有效的预警因子，这有助于提高算法模型预测的效果；第二，从AUC值来看，随机森林算法、XGBoost算法和AdaBoost算法的债券违约预测结果差别不大，在我们注重的在召回率方面，AdaBoost算法的效果更好，能够尽可能的识别出违约债券，在债券违约预警中具有良好的应用前景。