【摘要】：近幾年我國(guó)債券市場(chǎng)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(chǎng)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(jì)形勢(shì)調(diào)整和債券余額增速不斷創(chuàng)下新高,債券違約風(fēng)險(xiǎn)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(cè)債券信用風(fēng)險(xiǎn)對(duì)于當(dāng)前金融風(fēng)險(xiǎn)防范具有重要的理論與實(shí)踐意義。隨著數(shù)據(jù)挖掘,人工智能等計(jì)算機(jī)技術(shù)日益成熟,并成功地應(yīng)用到了各個(gè)領(lǐng)域,對(duì)于各投資機(jī)構(gòu)來講,通過數(shù)據(jù)挖掘技術(shù),將機(jī)器學(xué)習(xí)應(yīng)用到債券市場(chǎng)信用風(fēng)險(xiǎn)預(yù)測(cè)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(cái)務(wù)管理及數(shù)據(jù)挖掘理論的知識(shí),探討了如何運(yùn)用CART樹算法構(gòu)建信用風(fēng)險(xiǎn)預(yù)測(cè)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(chǎng)問題企業(yè)近幾年的風(fēng)險(xiǎn)特征,同時(shí)給出了相對(duì)可靠的識(shí)別結(jié)果。在運(yùn)用多模型預(yù)測(cè)對(duì)比中,CART樹模型整體準(zhǔn)確率表現(xiàn)較好,但召回率相對(duì)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(xiǎn)特征,在債券風(fēng)險(xiǎn)預(yù)測(cè)實(shí)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(biāo)篩選時(shí)仍會(huì)選擇通過 T 檢驗(yàn)方法進(jìn)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(duì)樣本 98 個(gè)指標(biāo)按照正常企業(yè)與非正常企業(yè)兩大類進(jìn)行獨(dú)立性檢驗(yàn)（見附錄表 A2）。根據(jù) T 檢驗(yàn)篩查方法，將各類指標(biāo)在萊文方差等同性檢驗(yàn)下，當(dāng) Sig.小于 0.05，表明方差不齊，則對(duì)應(yīng) t-test for Equality of Means中雙尾 Sig.小于 0.05 的指標(biāo)均值差異性較為顯著，這類指標(biāo)有 29 個(gè)；當(dāng) Sig.大于 0.05，表明方差齊，，則對(duì)應(yīng) t-testforEqualityofMeans 中雙尾 Sig.小于 0.05的指標(biāo)均值差異性較為顯著，這類指標(biāo)有 18 個(gè)。最終合計(jì)篩查出差異性較為顯著的指標(biāo)有 47 個(gè)。4.3.2 信用風(fēng)險(xiǎn)識(shí)別指標(biāo)計(jì)算本文通過 T 檢驗(yàn)方法篩選出的 47 個(gè)財(cái)務(wù)及宏觀指標(biāo)從不同角度反應(yīng)了企業(yè)的經(jīng)營(yíng)狀況和風(fēng)險(xiǎn)情況。這 47 個(gè)指標(biāo)歸納描述如下：（一）盈利能力指標(biāo)47 個(gè)指標(biāo)中，反應(yīng)盈利能力的指標(biāo)有 13 個(gè)

1）本文根據(jù)第五章第二節(jié)篩選出的20個(gè)特征因子作為風(fēng)險(xiǎn)識(shí)別指標(biāo)，同時(shí)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(cè)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(yùn)用Clementine提供的分類節(jié)點(diǎn)將導(dǎo)入的440個(gè)樣本根據(jù) 是否調(diào)降評(píng)
【學(xué)位授予單位】：對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP301.6;F832.51

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 王謙;時(shí)文超;西鳳茹;;基于粗糙集-支持向量機(jī)的財(cái)務(wù)危機(jī)預(yù)警實(shí)證研究[J];統(tǒng)計(jì)與決策;2013年20期

2 曾媛媛;;基于決策樹和支持向量機(jī)在公司財(cái)務(wù)風(fēng)險(xiǎn)評(píng)估中的應(yīng)用[J];科技經(jīng)濟(jì)市場(chǎng);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(cái)務(wù)危機(jī)預(yù)警[J];財(cái)會(huì)月刊;2012年09期

本文編號(hào)：2676842