【摘要】：近幾年我國債券市場迅猛發(fā)展,債務(wù)融資主體的融資手段、融資渠道及融資條款不斷拓展及推陳出新,使債券市場的債務(wù)類型更加的多樣化,債務(wù)主體更加廣泛化。隨著宏觀經(jīng)濟形勢調(diào)整和債券余額增速不斷創(chuàng)下新高,債券違約風(fēng)險也在不斷的累積。自2014年債券剛性兌付打破以來,債券違約事件頻發(fā),2018年債券違約量創(chuàng)新高。因此有效預(yù)測債券信用風(fēng)險對于當(dāng)前金融風(fēng)險防范具有重要的理論與實踐意義。隨著數(shù)據(jù)挖掘,人工智能等計算機技術(shù)日益成熟,并成功地應(yīng)用到了各個領(lǐng)域,對于各投資機構(gòu)來講,通過數(shù)據(jù)挖掘技術(shù),將機器學(xué)習(xí)應(yīng)用到債券市場信用風(fēng)險預(yù)測領(lǐng)域,以獲得高效、持續(xù)、穩(wěn)定、健康發(fā)展是十分必要的。本文根據(jù)財務(wù)管理及數(shù)據(jù)挖掘理論的知識,探討了如何運用CART樹算法構(gòu)建信用風(fēng)險預(yù)測模型。本文通過CART算法得出的特征因子結(jié)構(gòu),較好解釋債券市場問題企業(yè)近幾年的風(fēng)險特征,同時給出了相對可靠的識別結(jié)果。在運用多模型預(yù)測對比中,CART樹模型整體準確率表現(xiàn)較好,但召回率相對邏輯回歸及神經(jīng)網(wǎng)絡(luò)兩種算法表現(xiàn)略有不足。不過,在特征分析中,CART樹算法可以清晰提供企業(yè)問題所在,分析成果可以協(xié)助投資者快速把握風(fēng)險特征,在債券風(fēng)險預(yù)測實踐中具有一定的參考意義。
【圖文】：

的分布效果也較好，因此，本文在指標篩選時仍會選擇通過 T 檢驗方法進行初篩。例如圖 4.1 凈資產(chǎn)收益率 ROE_平均_的正態(tài) Q-Q 圖如下：圖4.1 凈資產(chǎn)收益率ROE_平均_的正態(tài)Q-Q圖本文通過 SPSS23 對樣本 98 個指標按照正常企業(yè)與非正常企業(yè)兩大類進行獨立性檢驗（見附錄表 A2）。根據(jù) T 檢驗篩查方法，將各類指標在萊文方差等同性檢驗下，當(dāng) Sig.小于 0.05，表明方差不齊，則對應(yīng) t-test for Equality of Means中雙尾 Sig.小于 0.05 的指標均值差異性較為顯著，這類指標有 29 個；當(dāng) Sig.大于 0.05，表明方差齊，，則對應(yīng) t-testforEqualityofMeans 中雙尾 Sig.小于 0.05的指標均值差異性較為顯著，這類指標有 18 個。最終合計篩查出差異性較為顯著的指標有 47 個。4.3.2 信用風(fēng)險識別指標計算本文通過 T 檢驗方法篩選出的 47 個財務(wù)及宏觀指標從不同角度反應(yīng)了企業(yè)的經(jīng)營狀況和風(fēng)險情況。這 47 個指標歸納描述如下：（一）盈利能力指標47 個指標中，反應(yīng)盈利能力的指標有 13 個

1）本文根據(jù)第五章第二節(jié)篩選出的20個特征因子作為風(fēng)險識別指標，同時將70%的抽樣數(shù)據(jù)作為訓(xùn)練數(shù)，30%的抽樣數(shù)據(jù)作為測試數(shù)據(jù)據(jù)導(dǎo)入SPSSClementine12，如圖5.2。圖 5.2 樣本數(shù)據(jù)2） 運用Clementine提供的分類節(jié)點將導(dǎo)入的440個樣本根據(jù) 是否調(diào)降評
【學(xué)位授予單位】：對外經(jīng)濟貿(mào)易大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP301.6;F832.51

【參考文獻】

相關(guān)期刊論文 前3條

1 王謙;時文超;西鳳茹;;基于粗糙集-支持向量機的財務(wù)危機預(yù)警實證研究[J];統(tǒng)計與決策;2013年20期

2 曾媛媛;;基于決策樹和支持向量機在公司財務(wù)風(fēng)險評估中的應(yīng)用[J];科技經(jīng)濟市場;2013年09期

3 周喜;劉勝輝;;基于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的上市公司財務(wù)危機預(yù)警[J];財會月刊;2012年09期

本文編號：2676842