基于混合模型框架的債券違約預(yù)警研究

本文是“債券違約預(yù)警與主動(dòng)評級系統(tǒng)研究”的階段性成果。為了兼顧模型的預(yù)測精度和可解釋性，我們采用了機(jī)一是，評分模塊，對發(fā)債主體的非財(cái)務(wù)定性指標(biāo)與財(cái)務(wù)二是，量化違約預(yù)警模塊，該模塊主要包括機(jī)器學(xué)習(xí)和邏輯回歸兩個(gè)子模塊。其中，機(jī)器學(xué)習(xí)子模塊，將債券是否違約作為被解釋變量，利用Lasso模型進(jìn)行特征選擇和降維，篩選出對債券違約有顯著影響的解釋變量；邏輯回歸子模塊，使用篩選出的解釋變量，通過排列組合和逐步迭代的方式，將其帶入Logistic模型中進(jìn)行估計(jì)，選擇出預(yù)測精準(zhǔn)度最優(yōu)的解釋變量組合，并將相應(yīng)的參數(shù)估計(jì)結(jié)果作為最終模型形式。三是，違約概率輸出模塊，基于最終確定的Logistic模型整個(gè)框架具有動(dòng)態(tài)調(diào)參的能力，可以根據(jù)樣本變化進(jìn)行實(shí)時(shí)優(yōu)化，為未來嵌入文本分析、信用畫像評價(jià)、主動(dòng)評級在防范化解重大金融風(fēng)險(xiǎn)中，企業(yè)債務(wù)違約是一個(gè)被重點(diǎn)關(guān)注的問題。隨著我國債券市場的不斷壯大，發(fā)債兌”被正式打破。自此，我國債券違約事件頻發(fā)，違約數(shù)量和規(guī)模不斷擴(kuò)大，債券違約風(fēng)險(xiǎn)已經(jīng)成為我國金融市場中不可忽視的重大風(fēng)險(xiǎn)點(diǎn)之一。因此，研究債券違約的影響因素以及有效預(yù)警債券違約風(fēng)險(xiǎn)成為了金融領(lǐng)域亟待近年來，金融科技快速發(fā)展，尤其是大數(shù)據(jù)、人工智能以及機(jī)器學(xué)習(xí)等技術(shù)的應(yīng)用，為債券違約風(fēng)險(xiǎn)的預(yù)測和管理提供了新的視角和工具。通過整合和分析大量企業(yè)財(cái)務(wù)數(shù)據(jù)、市場信息可以構(gòu)建更為精準(zhǔn)的債券違約概率預(yù)警模型。這不僅能夠幫助投資者做出更為明智的投資決策，降低投資風(fēng)險(xiǎn)，同時(shí)也能夠幫助企業(yè)及時(shí)發(fā)現(xiàn)潛在已有研究表明，機(jī)器學(xué)習(xí)方法在債券違約預(yù)測中具有較高的預(yù)測精度，但其算法的“黑箱”特性往往缺乏可解釋性。傳統(tǒng)計(jì)量回歸模型雖然解釋性強(qiáng)，但預(yù)測精度通常不及機(jī)器學(xué)習(xí)方法。為此，本文試圖構(gòu)建一個(gè)結(jié)合機(jī)器學(xué)習(xí)和傳統(tǒng)計(jì)量回歸的混合模型框架，以提高預(yù)測精度的同時(shí)確保模型的可解釋性。通過這一框架的實(shí)現(xiàn)，我們致力于為債券市場的參與者提供更有效的信用風(fēng)險(xiǎn)管理工具。整個(gè)框架除了定性指標(biāo)打分環(huán)節(jié)需要人工介入外，其余環(huán)第一步，收集自2014年以來債券市場的違參數(shù)估計(jì)結(jié)果與預(yù)測精確度，并進(jìn)行窮舉迭代，選擇預(yù)測精度最優(yōu)的解釋變量組合作為最終的Logistic回歸模型結(jié)第五步，基于最優(yōu)的Logistic回歸模型形式，對測試樣本分別計(jì)算預(yù)測違約概用”的研究成果，采用了該課題中的定性指標(biāo)和定量指標(biāo)打分原則，并通過編程實(shí)現(xiàn)了定量指標(biāo)打分模塊。課題的打分結(jié)果作為本文建模的數(shù)據(jù)集。篩選出的可能影響債券違約指標(biāo)8個(gè)定性指標(biāo)包括：市場地位、多元化、產(chǎn)業(yè)鏈控制力、融資渠道、公司治理與法律、量、股東背景和外部支持、或有負(fù)債。這些定性指標(biāo)的檔位劃分和描述主要參考了國內(nèi)外信用評級行業(yè)的評級技稱產(chǎn)業(yè)鏈控制力極弱，產(chǎn)品標(biāo)道般難，基本無融公司治理結(jié)構(gòu)陷，內(nèi)控制度缺失，法律、般年報(bào)審計(jì)意見為無法表示意所，信息披露制人系省/市持力度一般公司為較小規(guī)業(yè)，實(shí)際控制人實(shí)力很弱，稱檔位劃分，并在此基礎(chǔ)上進(jìn)行賦分以消除行業(yè)間差異。首先，我們分別收集每個(gè)行業(yè)所有發(fā)債主體的20100%分位數(shù)作為臨界值，將數(shù)據(jù)劃分為7檔來確定閾值，并根據(jù)閾值對其進(jìn)行賦分，與定性指標(biāo)分?jǐn)?shù)類似，7個(gè)在編程實(shí)現(xiàn)方面，當(dāng)發(fā)債企業(yè)數(shù)據(jù)導(dǎo)入“定性與定量指標(biāo)打分模塊”時(shí)，系統(tǒng)會(huì)根據(jù)企業(yè)所屬行業(yè)為其貼上標(biāo)簽，然后與相應(yīng)的行業(yè)打分項(xiàng)進(jìn)行匹配，根據(jù)定量指標(biāo)所在的區(qū)間映射出具體分?jǐn)?shù)。現(xiàn)以采掘行業(yè)的部分定量率/EBITDA率比Lasso是“LeastAbsoluteShrinkage模型篩選。其核心思想是在傳統(tǒng)的回歸分析中施加約束條件(懲罰項(xiàng))，以便濾除那些不重要變量(使其系數(shù)強(qiáng)制為零)，最終篩選出相對精簡的模型。若配合交叉驗(yàn)證等手段來選擇參數(shù)，則的公式如下：pj=1Lasso方法的主要用途是解決“高維數(shù)據(jù)問題”，況下變量的個(gè)數(shù)可能超過樣本數(shù)；其二，雖然樣本中的變量個(gè)數(shù)不多，但由于模型的具體形式未知，需要將變量的各種轉(zhuǎn)換、高階項(xiàng)以及交叉項(xiàng)等放入模型，并在這個(gè)潛在模型集合中選出最優(yōu)模型，有些模型中的參數(shù)會(huì)非常Logistic回歸模型是一種用于二分類問題的統(tǒng)計(jì)方法。它的定義，預(yù)測違約概率大于0.5表示將來會(huì)違約，預(yù)測違約概率小于0本文將債券發(fā)生違約稱為陽性（Positive），反之則為陰性（Negative）。在此，引入幾個(gè)概念，真陽（TruePositive）：實(shí)際為陽性，預(yù)測也是陽性；假陽（FalePositive）：實(shí)際為陰性，預(yù)測是陽性；真陰（TrueNegative）：實(shí)際為陰性，預(yù)測也是陰性；假陰（FalseNegative）：實(shí)用以判別準(zhǔn)確率的指標(biāo)，真陽率：實(shí)際為陽的樣本中，預(yù)測為陽性的樣本所占比例；真陰率：實(shí)際為陰的樣本中，預(yù)測為陰性的樣本所占比例。二者構(gòu)成了混淆矩陣的基本形式。ROC曲線（ReceiverOperatingCharacte率對假陽率的曲線來展示模型在不同決策閾值下的表現(xiàn)。ROC曲線越接近左上角，說明模型性能越好。曲線下面積（AUC，AreaUndertheCurve）是評價(jià)模型整體性能的指標(biāo)，AUC值越接近1，表示模型的分類效果越佳，題中被廣泛應(yīng)用。本質(zhì)上講，預(yù)測債券是否會(huì)發(fā)生違約也的預(yù)測性能。集，24個(gè)作為測試集。每家主體共28個(gè)指標(biāo)（定性指標(biāo)8個(gè)，定量指標(biāo)20個(gè)），作為潛在影響債券違約的解釋當(dāng)Y=1時(shí)，代表債券違約；當(dāng)Y=0時(shí)，代表債券未發(fā)生違約。143434413333421434334034434216443550643341164554506543421333233022222213443370233331144566703344310554341031222215444450544331143533104232211344465144347404342321644344044423212332370142221預(yù)測準(zhǔn)確率和ROC曲線綜合判斷，最終的Lo監(jiān)管風(fēng)險(xiǎn)、總債務(wù)資本化比率、應(yīng)收賬款周轉(zhuǎn)率Rate）。從圖中可以看出，第一，曲線在接近左上角時(shí)迅速上升，這表明模型在較低的假陽性率下能夠保持較高的真陽性率。這意味著模型在預(yù)測債券違約時(shí)有較高的準(zhǔn)確性。第二，圖中曲線下面積AUC值為0.95，非常接近1，這表明模型在區(qū)分違約和非違約樣本方面具有很高的性能。第三，假陽性率和真陽性率之間的權(quán)衡在該模型中非常優(yōu)越。曲線明顯高于對角線（對角線表示隨機(jī)猜測的情況，AUC為測?？傮w來看，ROC曲線表明本文構(gòu)建的混合模型框架根據(jù)Logistic回歸模型的最終形式，分別將測試集中換公式計(jì)算債券的預(yù)測違約概率。表5展示了測試樣本的預(yù)測違約概率結(jié)果，其中違約樣本和正常樣本的預(yù)測結(jié)果分別列出。如果以0.5為臨界值，違約樣本與正常樣本分別各有一次預(yù)測錯(cuò)誤，在違約樣本中，“1280443.IB”的預(yù)測違約概率為0.46，實(shí)際上已非常接近0.5；在正常樣本中，“910020.QLE”的預(yù)測違約概率為0.83。表6展示了模型在測試集上的混淆矩陣結(jié)果及正確率。從表中可以看出，在測試集中，實(shí)際未違約樣本有815個(gè)，錯(cuò)誤識別了1個(gè)，正確率為93.75%?？傮w來看，模型在測試集上的總正確率達(dá)到了91.60%。通過以上分析可以看出，本文構(gòu)建的模型框架在預(yù)測債券違約概率方面表現(xiàn)出了較高的準(zhǔn)確性和穩(wěn)定性，能0107111本文采用“機(jī)器學(xué)習(xí)+邏輯回歸”的混合模型框架對債券違約概率進(jìn)行預(yù)警，除了定性指標(biāo)打分部分，其余運(yùn)表明該框架具有較高的性能和可靠性。未來，可以在本文的研究成果基礎(chǔ)上，進(jìn)一步嵌入文本分析、信用畫像評價(jià)以及大語言模型分析等多個(gè)模塊。目前，我們正在研發(fā)企業(yè)信用畫像評價(jià)模塊（圖4中藍(lán)色模塊）。該模塊基于“定性與定量數(shù)據(jù)打分模塊”的評分?jǐn)?shù)據(jù)，采用層次分析法（未來可以采用熵權(quán)法）確定指標(biāo)權(quán)重，通過線性加權(quán)方法可以從多個(gè)維度對企業(yè)的信用狀況進(jìn)行評價(jià)。相關(guān)代碼正在研發(fā)中，并已取得初步結(jié)果，由于篇幅所限，相關(guān)成果未在本文第一，對量化違約預(yù)警模塊（圖4中棕色模塊）做進(jìn)一步升級，可以引入更多的機(jī)器學(xué)習(xí)方法。一方面，繼續(xù)沿用機(jī)器學(xué)習(xí)和邏輯回歸的混合模型形式，其中機(jī)器學(xué)習(xí)部分可以采用嶺回歸、彈性網(wǎng)絡(luò)等方法對解釋變量進(jìn)行降維處理，這些方法與Lasso模型具有相似用途。另一方面，可以僅采用機(jī)器學(xué)習(xí)方法的單一模型形式（不再使用邏輯回歸），如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、決策樹和樸素貝葉斯等多種方法進(jìn)行建模。上述不同的方法和框架同第二，如上文所述，現(xiàn)階段的定性指標(biāo)評分仍然依賴人工打分。未來可以通過文本分析方法，從發(fā)債主體的年報(bào)、相關(guān)新聞等文本信息中，基于詞頻統(tǒng)計(jì)提取定性指標(biāo)。例如，對于“會(huì)計(jì)信息質(zhì)量”，可以通過編程計(jì)算“公開”“披露”“全面性”等關(guān)鍵詞的詞頻，將定性指標(biāo)量化。這一方法將剔除人工介入，實(shí)現(xiàn)完全自動(dòng)化的評分與分析。第三，基于每家發(fā)債主體的相關(guān)文本信息（如年報(bào)和評級報(bào)告）以及數(shù)據(jù)信息（如信用評分和違約概率），可以訓(xùn)練一個(gè)應(yīng)用于信用風(fēng)險(xiǎn)評價(jià)的大語言模型，通過人工智能自動(dòng)化生成信用評價(jià)報(bào)告，幫助公司實(shí)現(xiàn)降本增第四，由于整個(gè)量化違約預(yù)警系統(tǒng)統(tǒng)一采用python編程，具有高度集成化的遠(yuǎn)東資信評估有限公司（簡稱“遠(yuǎn)東資信”）成立于作為中國評級行業(yè)的開創(chuàng)者和拓荒人，遠(yuǎn)東資信開辟了信用評級領(lǐng)域多個(gè)第一和多項(xiàng)創(chuàng)新業(yè)務(wù)，為中國評級行業(yè)培養(yǎng)了大量專業(yè)人才，并多次參與中國人民銀行、國家發(fā)改委和中遠(yuǎn)東資信資質(zhì)完備，擁有中國人民銀行、國家發(fā)中國證監(jiān)會(huì)、中國銀行間市場交易商協(xié)會(huì)和中國保險(xiǎn)資產(chǎn)管理業(yè)協(xié)會(huì)等政府監(jiān)管部門和行業(yè)自律