基于贡献度随机森林模型的公司债信用风险实证分析.docVIP

基于贡献度随机森林模型的公司债信用风险实证分析 　　摘 要 运用贡献度随机森林方法（CRF）方法探讨公司债财务指标比率与其违约率的关系.运用连续属性离散化方法（OB）进行财务指标最优降维；运用WOE变换进行模型变量约简.研究表明，CRF模型的分类性能显著优于其他模型，测试集评估总体正确率达90.47%，AUC统计量、AR比率及K-S值分别提升了2.6%、7.6%、4.38%，变量贡献度量化了各财务指标对违约率影响，为诠释随机森林预测机制提供了依据. 　　关键词 财务管理；违约预测；实证分析； 贡献度随机森林； 连续属性离散化； WOE变换 　　中图分类号 F224 文献标识码 A 　　Abstract The contribution forest model（CRF） was used to research the inner connection between the corporate bonds and its financial index ratio，. The method of discretization and WOE transformation were applied to reduce the dimension of these indexes. The results show that the CRF models performance significantly outperforms the other models， and the performance of the model on test dataset reaches a accuracy of 90.47%. And the other assessment indexes，AUC statistics， AR ratio and K-S values， are improved by 2.6%， 7.6%， 4.38%. Furthermore， the contribution of variables evaluated its influence on probability of default in a quantitative way， which provides a new point of view to interpret the process of forecast of random forest. 　　Key words financial management； default prediction； empirical analysis ； contribution andom forest model； discretization； WOE transformation 　　1 引 言 　　随着金融体系的快速发展，金融市场不断实现快速迭代不断更新，取得显著成就的同时，危机事件却频出不穷.2016年以来国内先后出现多起银行危机事件，先后有中国农业银行39.15亿元票据案件、中信银行9.69亿票据案件、天津银行7.86亿票据案件.上述危机之所以爆发，一个重要原因就是风险管理不当.而信用风险作为Basel新资本协议所强调的重要风险之一，由于其复杂多变，对信用风险的识别、计量往往面临更大的挑战.如何对借债企业的信用风险进行评估、预判其违约概率是信用风险管理的重点内容.因此，建立科学有效的信用风险评估模型，无论是对商业银行增强抵御风险能力，还是对企业管理者宏观审慎的战略决策均有显著意义. 　　从信用风险的现有研究成果来看，方法体系多分布于传统的统计分析方法、定性评级法、基于期权理论以及现代数据挖掘类方法.其中，最早研究开始于Altman（1968）[1]， 认为企业违约可能性的大小与其财务健全与否有直接密切联系，选择五个重要的财务比率，建立了区别倒闭公司与非倒闭公司的Altman模型.Deakin（1972）[2]认为，己经破产、无力偿还债务的公司容易发生信用风险.由于我国目前信用评级机构尚不完善，信用评级数据严重缺失，国内关于企业信用风险的研究多从财务数据中提取特征指标建立相应信用评价模型.Prinzie（2008）[3]将随机森林方法与logistic方法相结合，利用随机森林的构造决策树的思想构建logistic决策森林，提高了logistic模型的估计精度.Yeh等（2012）[4]利用实际金融市场数据，基于KMV模型、随机森林方法、粗糙集理论构建混合KNV-RF-RST模型，评价企业信用风险问题.张奇等（2015）[5]构建了Logit-SVM混合评价模型，提高了模型在训练集上的二分类预测能力.Cui （2015）等[6]充分利用社交媒体大数据，结合BP神经网络模型