债券违约预警模型的优化与提升--基于SMOTETomek-GWO-XGBoost的方法

自2014年我国债券市场首例违约事件发生以来,债券违约屡见不鲜。文章以2014—2022年发行的公司债、企业债和中期票据为研究对象,选取财务指标与非财务指标,搭建了基于机器学习算法SMOTETomek-GWO-XGBoost的债券违约风险预警模型。结果表明:(1)与其他方法相比,GWO-XGBoost模型在准确率、召回率、未加权平均召回率以及AUC值这四个指标上具有更加优异的表现;(2)SMOTETomek采样方法可以有效平衡数据样本,因此SMOTETomek-GWO-XGBoost模型具有更高的精度与稳定性;(3)SHAP值法可以展示不同特征变量对债券违约风险的贡献度,有利于就重要特征进行针对性分析。