發(fā)布時間：2024-02-14 06:34

　　受央行“資管新規(guī)”政策、中美貿(mào)易戰(zhàn)等影響,債券市場競爭激烈,企業(yè)融資成本上升,使得債券信用風(fēng)險事件密集爆發(fā)。一方面,債券是我國商業(yè)銀行等機構(gòu)投資者資產(chǎn)配置的重要品種,債券違約無法償還本息,將嚴重損害投資者的利益;另一方面,逆向選擇問題導(dǎo)致投資者在投資債券時,要求更高的收益率作為風(fēng)險補償,進而引發(fā)中小企業(yè)融資難、融資貴等問題。因此,建立債券違約風(fēng)險預(yù)警模型,將可能發(fā)生違約的信用債券發(fā)行主體提前識別出來,對于機構(gòu)投資者優(yōu)化投資決策,發(fā)債主體加強風(fēng)險防范具有重要意義。本文采用隨機森林理論對債券違約風(fēng)險模型進行設(shè)計,將債券違約風(fēng)險轉(zhuǎn)化為更為直觀的二分類問題,通過對模型設(shè)置、參數(shù)優(yōu)化選擇來獲得表現(xiàn)優(yōu)異的模型。對于數(shù)據(jù)不平衡問題,本文采用ADASYN方法進行數(shù)據(jù)集優(yōu)化。通過對比原始數(shù)據(jù)和ADASYN優(yōu)化數(shù)據(jù)的模型,優(yōu)化后的數(shù)據(jù)極大程度提高了模型對負類樣本的識別。研究表明,隨機森林算法在進行預(yù)測時有較高的準確性與識別能力,且不易出現(xiàn)過度擬合的狀況,因此適用于對違約風(fēng)險進行預(yù)測與評價。本文基于隨機森林算法設(shè)計的債券違約風(fēng)險預(yù)警模型,AUC指標可達0.991,測試集總樣本精度0.966,負類樣本精度為0...

【文章頁數(shù)】：85 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.5債券違約率與美國實際GDP增長率關(guān)系

第2章債券違約風(fēng)險預(yù)警模型設(shè)計的依據(jù)15圖2.5債券違約率與美國實際GDP增長率關(guān)系資料來源：穆迪公司。（2）風(fēng)險積累期從企業(yè)的盈利能力來看。經(jīng)濟下行導(dǎo)致系統(tǒng)性風(fēng)險增加和行業(yè)不景氣，對于債務(wù)主體最直接的影響便是盈利能力的下降。企業(yè)能否持續(xù)長久的獲利，且具有較高的盈利潛力，是企業(yè)債....

圖2.6債券違約發(fā)生環(huán)節(jié)示意圖

基于隨機森林算法的債券違約預(yù)警模型設(shè)計研究16（3）風(fēng)險爆發(fā)期當企業(yè)無法從外界融資來緩解自身的流動性危機時，便會變賣自己的優(yōu)質(zhì)資產(chǎn)來獲取資金。如果在此情況下，企業(yè)依然無法獲得償債流動性，那么債券的違約便會成為必然事件。債券違約風(fēng)險發(fā)生環(huán)節(jié)如圖2.6所示。圖2.6債券違約發(fā)生環(huán)節(jié)示....

圖2.7單位階躍函數(shù)與對數(shù)幾率函數(shù)

第2章債券違約風(fēng)險預(yù)警模型設(shè)計的依據(jù)17為正類；小于0則判為負類；等于0時任意判別，即符合單位階躍函數(shù)。={0,<0;0.5,=0;1,>0,（2.1）但是，單位階躍函數(shù)不連續(xù)，無法直接作用于邏輯回歸算法，如圖2.7所示。圖2.7單位階躍函數(shù)與對數(shù)幾率函數(shù)故常用對數(shù)幾率函數(shù)來替代....

圖2.8判斷明天天氣的一棵決策樹

基于隨機森林算法的債券違約預(yù)警模型設(shè)計研究今天天氣情況

本文編號：3897892