【摘要】：房地產(chǎn)行業(yè)是關(guān)系國(guó)計(jì)民生的支柱產(chǎn)業(yè),十九大報(bào)告中指出“堅(jiān)持房子是用來住的、不是用來炒的”,政府的一系列調(diào)控政策使房地產(chǎn)公司面臨更大的競(jìng)爭(zhēng)壓力和資金需求。因此,房地產(chǎn)上市公司的信用狀況成為投資者和金融中介機(jī)構(gòu)非常關(guān)注的問題,也是房地產(chǎn)行業(yè)發(fā)展態(tài)勢(shì)的晴雨表。基于此,提出研究問題:如何科學(xué)準(zhǔn)確評(píng)估我國(guó)房地產(chǎn)上市公司的信用風(fēng)險(xiǎn)水平。本文運(yùn)用了定性分析與定量分析相結(jié)合的方法,分析了房地產(chǎn)公司信用風(fēng)險(xiǎn)的主要來源,在此基礎(chǔ)上設(shè)計(jì)具備房地產(chǎn)行業(yè)特性的評(píng)價(jià)指標(biāo)體系。首先根據(jù)房地產(chǎn)企業(yè)的經(jīng)營(yíng)與財(cái)務(wù)特征選取了 9個(gè)財(cái)務(wù)指標(biāo)并對(duì)其計(jì)算方法進(jìn)行修正,其次將能夠反映公司規(guī)模、治理結(jié)構(gòu)等軟實(shí)力的9個(gè)非財(cái)務(wù)指標(biāo)也納入評(píng)價(jià)指標(biāo)體系。在實(shí)證分析中,選取滬深兩市A股房地產(chǎn)公司為樣本,主要以是否被證券交易所特別處理為依據(jù),將樣本劃分為高信用風(fēng)險(xiǎn)組和低信用風(fēng)險(xiǎn)組,獲取樣本公司2016-2018年的相關(guān)數(shù)據(jù)并進(jìn)行預(yù)處理,使用向前步進(jìn)法建立了基于Logistic的信用風(fēng)險(xiǎn)評(píng)估模型并對(duì)其擬合優(yōu)度進(jìn)行檢驗(yàn),將通過篩選進(jìn)入Logistic模型的5個(gè)指標(biāo)作為輸入層建立基于神經(jīng)網(wǎng)絡(luò)的信用評(píng)估模型。由于兩個(gè)單一模型對(duì)高信用風(fēng)險(xiǎn)組公司的判別能力欠佳,運(yùn)用組合評(píng)價(jià)法將Logistic模型生成的預(yù)測(cè)概率作為第6個(gè)解釋變量輸入神經(jīng)網(wǎng)絡(luò)模型,建立組合評(píng)估模型,該模型的總體評(píng)估準(zhǔn)確率為99.1%,對(duì)高信用風(fēng)險(xiǎn)組的判別準(zhǔn)確率為80%。為了進(jìn)一步提高信用評(píng)估模型對(duì)高信用風(fēng)險(xiǎn)組公司的判別準(zhǔn)確率,建立了基于SMOTE算法的隨機(jī)森林模型,將兩組公司的評(píng)估準(zhǔn)確率提高到98%以上。最后運(yùn)用比較分析法,對(duì)比分析了四種信用評(píng)估模型的特點(diǎn)、優(yōu)勢(shì)和精度。基于上述分析,得出如下研究結(jié)論:(1)與A股全部上市公司相比,近三年我國(guó)房地產(chǎn)上市公司的總體信用風(fēng)險(xiǎn)水平較高。其中,山東天業(yè)恒基股份有限公司的信用狀況在2016-2018年急劇惡化。(2)現(xiàn)金凈資產(chǎn)周轉(zhuǎn)率、土地儲(chǔ)備、資產(chǎn)債務(wù)保障倍數(shù)、前十大股東持股比例是影響我國(guó)房地產(chǎn)上市公司信用風(fēng)險(xiǎn)的重要因素。(3)基于Logistic和神經(jīng)網(wǎng)絡(luò)的組合評(píng)估模型和隨機(jī)森林模型是適合我國(guó)房地產(chǎn)上市公司信用風(fēng)險(xiǎn)評(píng)估的有效方法。(4)將SMOTE算法應(yīng)用于我國(guó)房地產(chǎn)上市公司信用風(fēng)險(xiǎn)評(píng)估,能夠有效解決樣本數(shù)據(jù)分布不均勻的問題。本文基于房地產(chǎn)行業(yè)特性,提升了評(píng)價(jià)指標(biāo)體系的全面性、信用評(píng)估模型的準(zhǔn)確性和穩(wěn)健性,更為科學(xué)有效地分析了近三年我國(guó)房地產(chǎn)上市公司信用風(fēng)險(xiǎn)水平及其主要影響因素,也能為其他行業(yè)上市公司的信用風(fēng)險(xiǎn)研究提供思路。
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：D64;F299.233.4
【圖文】：

一方面可能是由于違約事件不會(huì)經(jīng)常發(fā)生，屬于小概率事件；另一方面可能是由逡逑于貸款的損失和收益相差較大。因此，信用風(fēng)險(xiǎn)不一定呈現(xiàn)正態(tài)分布，它往往出逡逑現(xiàn)一定程度的偏斜和左側(cè)肥尾現(xiàn)象，如圖２－１所示。逡逑１３逡逑

交通大學(xué)碩士專業(yè)學(xué)位論文邐相關(guān)理論及模型方雖然Ｌｏｇｉｓｔｉｃ回歸模型對(duì)變量類型和數(shù)據(jù)分布的假設(shè)要求不嚴(yán)格，因而應(yīng)用更廣，但是也具有一定的缺陷，主要體現(xiàn)在計(jì)算過程比較復(fù)雜，而且在計(jì)算中需要多次采用近似處理從而對(duì)預(yù)測(cè)的精度產(chǎn)生影響。逡逑．２神經(jīng)網(wǎng)絡(luò)模型逡逑人工神經(jīng)網(wǎng)絡(luò)（ＡＮＮ）是一種模擬人腦判斷思維的計(jì)算機(jī)建模方法，與人似，人工神經(jīng)網(wǎng)絡(luò)由相互連接的神經(jīng)元，也稱處理單元組成。神經(jīng)元是一個(gè)到單輸出的信息處理單元，而且它對(duì)信息的處理是非線性的。根據(jù)神經(jīng)元和功能，可以把神經(jīng)元抽象為一個(gè)簡(jiǎn)單的數(shù)學(xué)模型，典型的神經(jīng)元模型如所示。依據(jù)層間連接方式，神經(jīng)網(wǎng)絡(luò)可分為前饋式神經(jīng)網(wǎng)絡(luò)和反饋式神經(jīng)網(wǎng)網(wǎng)絡(luò)的層數(shù)，神經(jīng)網(wǎng)絡(luò)可分為兩層神經(jīng)網(wǎng)絡(luò)和三層神經(jīng)網(wǎng)絡(luò)。逡逑

圖２－３結(jié)合違約概率的神經(jīng)網(wǎng)絡(luò)示意圖逡逑Ｆｉｇｕｒｅ邋２－３邋Ｎｅｕｒａｌ邋ｎｅｔｗｏｒｋ邋ｃｏｍｂｉｎｅｄ邋ｗｉｔｈ邋ｄｅｆａｕｌｔ邋ｐｒｏｂａｂｉｌｉｔｙ逡逑對(duì)于圖２－３中的神經(jīng)網(wǎng)絡(luò)，輸入向量為／＾，＼七，．．．，１？＾，逡逑輸出向量為｝其中，＼表示樣本測(cè)度與各類之間的距離值，逡逑樣本屬于第ｊ類的可能性越小，則該值越大。因此，當(dāng)％邋＝０時(shí)，樣本歸為第ｊ類；逡逑當(dāng)＼＝１時(shí)，樣本歸為其他類。邐ｋ逡逑２．４．４隨機(jī)森林丨e蛐灣義纖婊質(zhì)且恢腫楹戲擲嗥魎惴�，它是由若干ＣＡ＿b躍霾呤鰨ɑ擲嗥鰨┳殄義銑傻模梢雜美唇餼齜擲轡侍夂突毓槲侍�。其中，窋S轡侍獾哪勘甌淞渴搶肷⑿灣義系�，而回归问题的目碑T淞渴鞘?jǐn)惩的。由釉r疚囊餼齙氖搶肷⑿湍勘甌淞康膩義希保稿義

本文編號(hào)：2802023