投资策略研究：上市公司债券信用风险识别模型.pdf

投资策略研究**深度报告

内容目录

使用机器学习识别信用风险4

数据处理与特征选择6

数据截面选取6

信用风险样本与正常样本的不平衡性6

违约以及评级下调数据处理6

信用风险数据集划分6

正常样本7

不平衡样本数据处理7

特征选取7

分类模型训练与测试9

模型评估参数介绍9

逻辑回归9

随机森林11

支持向量机13

XGBoost15

LightGBM17

各类模型性能比较18

特征重要性19

最新截面债券信用风险预测21

调整概率的计算21

最新截面预测21

风险提示23

图表目录

图表1：通用机器学习流程图4

图表2：发生信用风险的债券对应的上市公司在财报截止日之间的表现统计5

图表3：债务信用风险识别模型因子选取8

图表4：Logistic回归ROC曲线10

图表5：Logistic回归AUC10

图表6：Logistic回归召回率10

图表7：随机森林单颗决策树最大深度12

图表8：随机森林单颗决策树抽取特征数量12

图表9：随机森林ROC曲线12

图表10：随机森林AUC分布12

图表11：随机森林召回率分布13

图表12：支持向量机ROC曲线14

图表13：支持向量机AUC分布14

图表14：支持向量机召回率分布15

图表15：XGBoostROC曲线16

图表16：XGBoostAUC分布16

图表17：XGBoost召回率分布16

图表18：LightGBMROC曲线18

图表19：LightGBMAUC分布18

P.2请仔细阅读本报告末页声明

投资策略研究**深度报告

图表20：LightGBM召回率分布18

图表21：各分类模型性能汇总19

图表22：随机森林特征平均重要性19

图表23：随机森林准确预测了最新一期截面上已发生的风险事件21

图表24：最新截面信用风险调整概率超50%转债22

P.3请仔细阅读本报告末页声明

投资策略研究**深度报告

使用机器学习识别信用风险

传统的债券违约模型大致可分为线性模型和非线性模型两大类。线性模型中，最具代表

性的如AltmanZ-score模型，该模型通过计算多个财务比率并加权得出一个综合风险评

分，简便易用，但其局限性也较为明显，主要在于选取的财务指标较少，可能无法全面

反映债务人的财务状况。非线性模型方面，最具代表性的为Merton模型，它基于期权

定价理论，将企业违约定义为企业资产价值小于债务账面价值，使用Black-Scholes公式

对企业的股票和负债进行估值，从而推算违约概率。此模型能够较好地捕捉资产价格波

动，但在实际应用中对参数的依赖较大，且未能考虑跳跃性事件的影响。