基于多目标优化加权软投票集成算法的信用债违约预警研究

为了提高信用债违约预测的准确性和稳定性,便于金融风险管理,以2014年1月1日—2021年12月31日的信用债为研究对象,提出一种基于多目标优化的加权软投票集成算法。该算法通过计算每个基分类器的模糊密度来量化其识别能力,并使用多目标粒子群算法来求解基分类器的权重。将所提算法与其他单一分类器如支持向量机、逻辑回归、高斯贝叶斯、MLP,以及其他集成算法如投票类集成算法(voting)和stacking算法进行比较,采用期望PFI算法进行特征重要度分析。结果表明,加权软投票集成算法在信用债违约预测中表现出色,不仅提升了单一算法的性能,且相对于其他集成算法,具有更高的准确性、精确度和AUC值。违约前主体评级、交易所、违约前债项评级、总资产周转率、货币资金、净资产增长率、经营活动现金流量占营收比、GDP、PPI、注册地、短期国债利率、宏观经济景气指数(先行指数)、债券类型和所属行业的特征重要度较高,在信用债违约中值得关注。该研究可为金融风险预测提供一种有效方法,对于投资者和金融机构的风险预警具有重要参考意义。

基于特征选择和违约鉴别的我国上市公司债券违约预警模型研究

为了更好地挖掘债券违约的关键指标,确定有效的违约预警时间窗,建立对不同违约状态预测精度高且精简实用的债券违约预警模型,采用SMOTE方法对非均衡样本进行处理,并基于XGBoost方法,根据违约预警精度高和指标体系规模小反推违约预警模型,并确定最优预警时间窗。研究结果表明,当违约预警时间窗为t−1期时预测效果较好,即用提前一年的指标数据能更好地预测债券是否违约;采用XGBoost的嵌入式特征选择方法建立违约预警模型,将模型训练与指标体系降维同时完成,计算更简便。通过与其他7个常用违约预测方法的计算结果对比,该模型违约预测精度高、降维效果好、计算速度快、可解释性强。

基于财务和非财务信息的债券违约预警模型研究——来自机器学习方法的经验证据

债券市场安全涉及国家的金融安全,近年来因我国债券违约频发而备受关注。基于我国债券市场特征、财务困境和制度经济学理论,引入财务信息和非财务信息变量并使用传统统计方法和机器学习方法可构建一批债券违约预警模型。研究发现:第一,对比传统统计方法构建的债券违约预警模型,基于机器学习构建的债券违约预警模型具有更高的预测准确度。第二,在使用财务信息变量的基础上引入非财务信息变量,债券违约预警模型的预测准确度大幅提高,表明非财务信息为预警模型提供了有效的增量信息。具体来说:(1)作为债券市场重要的“看门人”,审计和评级机构都能提供债券违约的预警信息,但违约前一年审计意见提供的预警信息的重要性高于信用评级提供的预警信息;(2)发债企业的所有制、上市状况及其所属地区的经济与社会环境如社会资本和营商环境对于债券违约预警具有重要作用;(3)货币政策信息对于债券违约预警也具有重要作用;(4)预警模型帮助投资者大幅降低“踩雷”的概率,极大提高了债券投资的安全性。

永煤控股债券违约预警及对策建议

2020年下半年债券市场震动不断,债券投资者心中万无一失的永煤债券发生违约事件,引起市场的恐慌。政府背书担保的国企信用外加AAA主体评级“双保险”仍无法阻止债券发行主体的违约行为,其原因何在?对公司进行财务分析是否可以尽早发现企业存在违约风险?为解答以上问题,本文以永城煤电债券违约为例,从财务视角探析企业债券违约的预警信号,并从公司治理、煤炭市场环境结合公司多元化战略以及国家政策等层面进行原因剖析,以期为我国债券市场投资者提供启示和参考。

浅析信用违约预警财务指标体系的构建

随着我国经济的不断发展,企业面临的财务风险不断增大,了解信用评级中违约预警财务指标体系的构建能够帮助企业降低债务违约风险,提高市场竞争力。本文对信用评级中的违约预警财务指标进行了分析,可以帮助企业构建自身违约预警财务指标体系。

基于局部采样样本均衡的P2P借贷违约预警模型

随着互联网金融的不断发展,P2P网络借贷的借贷人违约风险识别引起金融机构的重点关注,且随着互联网金融整改措施的实施,借贷违约量不断减少,因此在这P2P网络借贷历史违约数据不断减少的环境下,基于不均衡数据的违约预警分析显得尤为重要。本文在BSL不均衡样本抽样算法的基础上,通过Kmeans聚类算法降低抽样时间复杂度,并使用随机森林与其他机器学习分类算法进行对比实验,同时加入借款描述与借款标题的文本分析,最终建立了基于随机森林的P2P网络借贷违约预警模型来实现对于数据不均衡的P2P借贷违约风险识别。在满足高效率、高识别率的同时,满足了增量学习的现实需求,为P2P网络借贷平台提供一定的监管指导意见。

基于SA-SVM的众筹违约风险预警模型

随着中国众筹市场的不断发展,众筹出资人与众筹平台对违约风险的管控要求不断提升。由于众筹存在信息严重不对称、时间跨度长、违约损失大等特点,对高违约风险的众筹项目进行预警可有效规避风险,降低损失。通过分析众筹违约相关因素,结合众筹平台提供的公开信息,从众筹项目基本特征、发起人信用度、项目关联度、项目融资进展四个方面构建众筹违约风险预警指标体系;在上述分析的基础上,将模拟退火(SA)算法与支持向量机(SVM)相结合,构建众筹违约风险预警模型,实证研究结果表明该模型鲁棒性好、精度高,能有效预警众筹项目违约风险。

公司信用债违约风险预警与防范研究

我国债券规模位居世界第二,债券市场已成为企业直接融资的主要渠道;同时我国公司信用债违约频发,违约主体几乎涵盖了全部行业,永煤AAA债券违约事件引发各方关注。在此背景下,本文研究了信用债违约风险预警与防范,搭建了债券违约预警模型:一是深入分析了违约原因,提出了"经济下行加剧‘债务-通缩’""流动性分层导致再融资困难""民企互保引发违约风险串联"的观点;二是基于KLR信号分析法,以历史违约主体财报数据为基础构建了上市公司债违约预警模型,抽离出相关指标权重构成预警指标体系,并进行了实证检验;三是基于预警模型,提出加强动态监测、构建债券风险分类管理办法等政策建议。

机器学习方法在预防信用卡违约风险中的应用

文章使用机器学习中的决策树和随机森林算法建立信用卡违约预警模型。第一步,建立相关系数热力图,发现用户的违约状态与个人贷款的相关性最强、其次是开户时长和存款时长;第二步,使用过滤式特征选择方法选取主要的特征;第三步,分别使用决策树和随机模型建立信用卡违约预警模型;第四步,总结这两个模型的优缺点。结论:决策树模型训练速度快,但是模型精度一般;随机森林模型训练速度慢,但是模型精度优良。

我国债券违约风险评估模型的构建与应用

自2014年我国首只债券违约以来,信用债违约数量与金额呈现双增长趋势并在近两年呈现爆发式上涨。本文聚焦债券违约风险的产生原因与前瞻性识别,通过分析内外部违约风险因素及其外在表现形式总结出风险识别指标体系。之后基于Logistic回归构建债券违约概率识别模型并对市场样本进行预测精度与时效性检验,结果表明模型对违约债券的识别率高于非违约债券,可认为识别结果偏谨慎有助于违约风险的规避。最后基于系统聚类分析对模型进行改进,将单纯评判违约与否修正为债券违约风险等级的归类,使风险评价结果更符合市场真实情况。

信用债发行人信息披露与债券违约的关联性研究——基于机器学习梯度提升模型

本文以我国信用债市场的全样本数据为基础,应用过采样技术克服违约样本不均衡所带来的限制,搭建适合我国实际情况的机器学习梯度提升模型(CatBoost、XGBoost和LightGBM模型),并对模型在我国信用债市场的可用性和模型预测效果表现进行比较研究,为判断模型的识别区分能力及今后相关模型研究选择提供参考。同时,本文建立了适用于我国信用债实际情况的分级预警模型,对于信用债投资者和监管者有效预测企业未来的债务违约风险具有参考意义。