论文部分内容阅读
本文针对商业银行在处理房地产上市公司的贷款申请时所建立的信用风险度量模型进行研究,重点考虑模型中的变量选择及参数估计。在综合国内外研究成果的基础上,利用房地产上市公司的公开财务数据建立Cox信用风险度量模型。由于选取的指标维数高且相关性较强,包含了很多冗余信息,如何从众多信息中筛选出真正影响响应变量的协变量进行建模是很有必要的。文中把统计学习理论中的逐步回归方法以及在处理高维问题中的系数压缩方法,如最小绝对值压缩和选择算子(Least Absolute Shrinkage and Selection Operater,简称Lasso)及绝对值偏差的光滑剪切惩罚(The Smooth integration of Counting and Absolute deviation,简称SCAD)运用到Cox模型中,在求解模型参数的同时进行变量选择。通过把对响应变量影响较小的系数压缩为0,只保留系数估计值较大的变量,从而获得较稀疏的模型,以提高结果的可解释性和预测精度。介绍了Cox模型下三种变量选择方法的原理、相应算法及调整参数的选择。在一定条件下,证明了SCAD估计量具有Oracle性质。通过数值模拟验证了基于SCAD方法的Cox模型能选出真实模型,且效果比传统逐步回归方法和Lasso方法好。在模型应用部分,选取我国沪深A股2005-2015年间的房地产上市公司作为研究样本。其中ST公司33家、非ST公司88家。考虑到数据的可获得性,选取了28个财务指标作为初始变量。根据研究样本T-3年的相关数据,分别建立了基于传统逐步回归的Cox模型、基于Lasso方法的Cox模型以及基于SCAD方法的Cox模型,通过对比三种模型的预测准确率,得到SCAD惩罚似然方法的预测准确率是最高的,达到了84.2%,有一定的参考价值。最后,对模型进行定量检验,利用ROC曲线验证了三种方法的风险区分能力,所得结果表明基于SCAD方法的Cox模型要优于逐步回归方法和Lasso方法所建立的Cox模型。