论文部分内容阅读
企业债券市场是中国金融市场的重要组成部分,为企业的融资及发展提供了支持,促进了中国经济的发展。目前,中国企业债券市场发展较快,发行的债券数量以及融资规模都不断的扩大。但是,随着近年来宏观经济结构的调整,企业债券违约的案例越来越多,为企业债券市场带来了较大的风险。这些违约事件也说明了目前中国企业债券市场的信用评级、信息披露以及监管机制存在一定的问题,因此,加强对企业债券信用风险预测的研究,对完善中国企业债券市场的发展具有重要的意义。
本文对中国企业债券信用风险预测进行研究。首先,本文分析了中国企业债券市场的特点以及信用风险现状;其次,本文构建了中国企业债券信用风险指标体系,并采用WOE IV计算对相关指标特征进行选择;第三,为研究数据挖掘模型在企业债券信用风险预测中的应用,本文使用2014年至2018年的1866只债券进行实证分析;第四,为了解决样本债券分布不平衡的问题,本文使用Adas yn对训练集样本进行合成,平衡样本集合;第五,本文使用逻辑回归、BP神经网络、支持向量机、XGBOOST以及LightGBM等模型进行对比分析,研究各模型的在债券信用违约中的预测性能。
本文的结论如下:(1)在参考有关文献的基础上,本文设计了包括盈利能力、偿债能力、基本情况、信用情况等四个维度的30个指标。采用计算WOE以及IV值的方式,对指标变量进行筛选,剩余19个较为显著的指标;(2)本文选择了2014年到2018年共1866只债券进行实证,样本集的违约样本占比为2.9%,存在严重的样本失衡问题。为了解决样本失衡问题,本文采用Adas yn算法对训练集进行合成,解决了样本不平衡问题;(3)从实证结果来看,逻辑回归、BP神经网络、支持向量机对违约债券的预测能力较为一般。XGBOOST以及LightGBM对违约债券的预测能力较好,两个模型的AUC都大于0.85,具有较好的预测能力。
本文的研究对于提高数据挖掘模型在企业债券信用风险中应用,提升企业债券信用风险控制能力具有重要的价值。
本文对中国企业债券信用风险预测进行研究。首先,本文分析了中国企业债券市场的特点以及信用风险现状;其次,本文构建了中国企业债券信用风险指标体系,并采用WOE IV计算对相关指标特征进行选择;第三,为研究数据挖掘模型在企业债券信用风险预测中的应用,本文使用2014年至2018年的1866只债券进行实证分析;第四,为了解决样本债券分布不平衡的问题,本文使用Adas yn对训练集样本进行合成,平衡样本集合;第五,本文使用逻辑回归、BP神经网络、支持向量机、XGBOOST以及LightGBM等模型进行对比分析,研究各模型的在债券信用违约中的预测性能。
本文的结论如下:(1)在参考有关文献的基础上,本文设计了包括盈利能力、偿债能力、基本情况、信用情况等四个维度的30个指标。采用计算WOE以及IV值的方式,对指标变量进行筛选,剩余19个较为显著的指标;(2)本文选择了2014年到2018年共1866只债券进行实证,样本集的违约样本占比为2.9%,存在严重的样本失衡问题。为了解决样本失衡问题,本文采用Adas yn算法对训练集进行合成,解决了样本不平衡问题;(3)从实证结果来看,逻辑回归、BP神经网络、支持向量机对违约债券的预测能力较为一般。XGBOOST以及LightGBM对违约债券的预测能力较好,两个模型的AUC都大于0.85,具有较好的预测能力。
本文的研究对于提高数据挖掘模型在企业债券信用风险中应用,提升企业债券信用风险控制能力具有重要的价值。