企业债券违约风险识别的可解释机器学习模型研究

在我国信用债违约风险不断积累的背景下,如何精准识别、高效预警企业债券违约风险成为学术界及实务界所重点关注的问题。为有效解决传统违约风险预警模型存在的预警性能不强、超参数优化目标单一以及模型可解释性较弱等关键问题,通过有机融合LightGBM、NSGA-II、SHAP等机器学习算法,构建了LightGBM-NSGA-IISHAP企业债券违约风险预警模型,并通过实证分析检验了所提出模型的预警性能。研究结果表明,所提出模型的预警准确率达到85%以上,相比传统机器学习模型,所提出模型的预警性能更加优异。另外,通过SHAP算法可视化展示预警特征对于预警结果的影响,发现票面利率、固定资产净利润率、发行总额、应收账款周转率等是识别企业债券违约的关键特征。