债券违约预警模型的优化与提升.pdfVIP

唠越领鸣鹿的优化目鼾

【摘要】自2014年我国债券市场首例违约事件发生以来，债券违约屡见

不鲜。文章以2014—2022年发行的司债、企业债和中期票据为研究对象，选

取财务指标与非财务指标，搭建了基于机器学习算法

SMOTETomek-GWO-XGBoost的债券违约风险预警模型。结果表明：（1）与

其他方法相比，GWO-XGBoost模型在准确率、召回率、未加权平均召回率以及

AUC值这四个指标上具有更加优异的表现；2（）SMOTETomek采样方法可以

有效平衡数据样本，因此SMOTETomek-GWO-XGBoost模型具有更高的精度

与稳定性；3（）SHAP值法可以展示不同特征变量对债券违约风险的贡献度，

有利于就重要特征进行针对性分析。

【关犍词】债券违约风险；风险预警；机器学习；GWO-XGBoost；

SMOTETomek

一、引言

截至2022年末，我国债券市场总存量已经达到了141.22万亿元，同比增

长8.2%,这一庞大规模和快速增长的数据显示出中国债券市场持续蓬勃发展的

态势。但值得注意的是，自2014年第一只违约债券出现以来，债券违约事件屡

见不鲜。根据Wnd数据库的统计,2022年我国债券违约总金额为861.95亿元，

新增违约主体37家，新增违约债券152只。在实体经济的发展过程中，债券市

场发挥了促进企业投资、融资活动的重要作用。然而，近年来屡屡发生的违约事

件暴露出债券市场存在一定的信用风险。通过分析债券违约的原因，本文希望找

到防范化解债券违约风险的有效途径，从而为我国债券市场的高质量发展提供有

益参考。

债券违约事件的发生，不仅与宏观经济环境及监管政策的变化密不可分，而

且与司层面的经营财务表现密切相关。此外，Bao等［1研］究发现，相比于现

有的大多数以解释样本欺诈行为并强调因果推理为主要目的研究，使用集成学习

构建的预测模型可以更准确地对会计欺诈行为进行预测。因此，本文从宏观微

观层面入手，结合财务指标与非财务指标，运用机器学习的方法对债券违约风险

进行预测。

本文以我国2014—2022年企业债、公司债前中期票据为研究对象，结合

SMOTETomek(SynthetcMnortyOversamplngTechnqueTomekLnks)采

样算法以及GWO-XGBoost(GreyWolfOptmzerExtremeGradentBoostng)

算法，构建债券违约风险预警模型。实证结果表明，该机器学习模型有较好的违

约预测能力，在准确率、召回率、未加权平均召回率以及AUC值(ROC曲线下

的面积)四个指标上均有不错的表现，为后续债券违约分析预警提供了思珞

依据。

本文的主要贡献体现为两个方面：(1)在研究方法上进行改进。相比传统

的XGBoost机器学习模型，本文先以GWO智能优化算法对其进行优化。通过

利用GW0算法计算出最优的弱分类器数量(n_estmators).学习率

(learnng_rate)以及最大深度(max_depth)的方式,对XGBoost模型的参

数进行调优。在此基础上，鉴于债券样本非平衡的特点，使用SMOTETomek

采样算法，有效提升了小类别样本(即违约样本)的识别率。(2)在选取非财

务指标上进行改进。本文创新性地引入了从上市公司年报中提取出的核心竞争力

指标，并且发现该指标的加入对提升债券违约预警模型的性能有较大帮助。

二、文献综述与理论分析

债券违约一直是金融领域的热点话题之一。债券违约风险的识别意味着对债

权人发生违约的可能性进行评估预测。已有的研究主要从财务及非财务指标的

选择、预测模型的建立，以及不平衡数据的处理这三个方面展开。

(一)指标选取

在财务指标方面，大量的研究将财务指标用于财