基于可解释机器学习的信用债违约研究

为解决传统信用风险预测模型的非均衡样本识别不足问题,利用过采样方法和机器学习算法,提升信用债违约预测模型的准确率及稳定性。引入盈利能力、现金流量、营运能力、资本结构、偿债能力5类财务指标和非财务指标,运用SMOTE、Borderline SMOTE、ADASYN方法解决样本不均衡问题,通过逻辑回归、支持向量机、随机森林、XGBoost进行风险识别。结论:对于非均衡信用债违约样本,1000次有放回bootstrap重复抽样下ADASYN-RF模型的AUC、Recall优于LR、SVM和RF模型;ADASYN-SVM模型违约样本实际Recall较不使用过采样法提升36.86个百分点。引入可解释性机器学习方法,发现带息债务/全部投入资本、地方财政收入/债务存量、资产负债率等是信用债违约的重要影响因素。

后违约时代:信用利差走向、风险路径及政策建议

"超日债"违约打破了中国债券市场零违约的记录,对债券市场信用利差的重估和评级分布的变化影响重大。本文以"超日债"违约为切入点,首先分析了此前我国债券市场有关信用利差方面的特征,其次从行业层面梳理了未来信用风险暴露的路径,最后提出在当前的信用环境下,建议宏观调控部门将如何做好信用风险管理。

我国信用债个体违约风险测度与防范——基于LSTM深度学习模型

随着中国信用债市场的快速发展,信用债投资者面临的违约风险正在逐步上升。在信息披露不够及时、完整和准确的情况下,如何利用深度学习方法对信用债个体违约风险进行及时跟踪和预测,对于中国债券市场的稳定与健康发展具有重要意义。本文根据信用债违约风险演变的特点,提出采用贝叶斯变分高斯混合估计法、市场指标估计法和违约概率变动趋势倒推估计法之综合的方式估计信用债违约概率;并利用单特征重要性、平均准确率减小、平均不纯度减小以及线性分析相结合的方式筛选获取6组指标组合,采用擅长于处理具有时间相关性的深度学习LSTM方法构建了中国信用债违约风险预测模型。应用训练所得债券违约风险模型进行预测并将预测结果与国内权威评级结果相比较,结果表明:本文模型达到了较高的预测准确率,且与权威评级结果总体相当;本文模型平均评级水平略微偏低,波动性大于权威评级,解释了我国信用债发行评级虚高以及跟踪评级变动未充分反映发行人信用结构性变化的现实情况。根据本文研究结果,提出以下政策建议:监管机构应进一步完善债券发行的信息披露和约束机制,构建违约风险分担机制;投资者须关注违约风险积累和演变的过程以及风险揭示贡献因素大小的时变性特点;发行人则应不断提高公司治理能力以提升运营质量。

基于LSTM和MCM的债券违约风险分析

中国债券市场近年来在快速发展的同时也积累了大量风险,并自2017年起债券违约事件频发且增速居高,如何利用大数据和深度学习方法分析预测债券违约风险对中国债券市场稳定健康发展具有重要意义。本文提出了基于混合治疗分析范式和多任务机器学习框架的长短期记忆神经网络综合违约风险分析方法,首先基于混合治疗分析方法构建由违约状态判别和违约时间估计两个模块构成综合违约模型,违约状态判别模块设定为长短期记忆神经网络模型,违约时间估计模块设定为多任务长短期神经网络模型,以改进标准混合治疗分析对数据非线性分析能力不足以及违约时间估计部分违约风险等比变化等不合理假设。通过实验结果发现综合违约模型在预测区分性和时间预测性方面优于对照模型,能够以较高的时效性预测揭示风险并且较好地体现债券违约风险演变的个体差异性。同时发现市场、行业、地域以及宏观因素是影响本文信用债违约风险样本外预测能力的主要因素,财务因素能够较好地解释样本内数据表现,但其样本外的预测能力相对市场、行业、地域以及宏观因素较弱。