基于深度学习的我国矿业境外投资风险评价研究

发布时间：2020-07-17 17:41

【摘要】：风险是我国重要矿产资源“走出去”进行境外投资面临的一大难题。矿业企业境外投资项目的建设期和投资回收期很长,面临着多方面不确定性因素,所以采用科学方法开展重要矿产资源境外投资风险评价,对于国内企业开展境外业务,减少损失,保障我国境外资源权益具有重要战略意义。以往的研究在风险的量化综合评价中做出了有益的尝试,但是对投资风险的提示和评价本质上是一个复杂度较高的高维分类问题,传统模型难以处理如此复杂的数据。同时在风险指标的赋值方面大多仍偏于定性分析,在建立科学客观的量化考核指标方面仍有较大的探索空间。基于此,本文尝试引入深度学习思想,就“如何采用科学方法对我国矿业境外投资风险进行量化综合评价”这一科学问题展开了实证研究。本文的研究工作和创新贡献主要体现在以下几个方面:(1)构建了我国矿业境外投资风险评价指标体系,设定量化方法和赋值标准,采集得到两个数据集——境外矿业投资风险特征数据集和风险标签数据集,其中前者可作为开源数据集,为后续研究提供数据基础。本文深入研究了34个风险因子的特质和属性,根据科学性原则设定计量方法,反映各项指标的经济特质;根据可靠性原则,数据均采自世界银行、国际货币基金组织等权威数据库;根据可比性原则,对计算结果进行分级风险分值评定。这一工作为后续风险综合评价奠定了数据基础。(2)根据矿业境外投资风险评价的特点,构建了基于深度学习的风险评价模型。以Fraser研究所风险评价结果作为学习标签,21个主要矿业国家2009-2016年的34维风险特征值作为深度学习模型的输入量,五个风险等级作为输出量,利用深层架构寻找风险特性与风险综合评价之间的映射关系,训练并确定了基于深度学习的矿业境外投资风险评价模型。其中,为解决样本数据量不足给网络训练带来的困扰,本文采用基于参数的迁移学习方式对模型进行了改进,以上市公司财务风险评价深度学习模型为对象,将在源域中通过大量数据训练好的模型参数应用到目标域中。训练后的模型能充分利用深层架构的特征提取优势,通过非线性模块实现多层转换组合,学习非常复杂的函数,有助于提高评价客观性。(3)提出了一个复合聚类分析算法,对主要矿业国家基于投资风险相似度进行地区分类。本文结合皮尔逊相关系数对变量波动趋势相似性判断的优势,和欧几里得距离对量级的更好表达,提出了一个复合风险相关系数算法,以此对风险指标评价结果进行相关性检验,将投资风险要素结构特征相似的国家聚类在同一群簇中进行考察,为有针对性地优选投资目标提供更为清晰的参考依据。(4)设计了基于深度学习的指标贡献度全局分析方法,定量考察各风险指标对模型输出结果不确定性的贡献率,并据此对指标进行重要性排序。基本思路是从前述经过验证的深度学习模型中取得每一层降维的权重分布构造矩阵,设计适当的算法,得到指标的最终贡献度系数矩阵。经过研究,我们意外地发现,经由机器学习确定的模型,在不同风险层级上,各风险指标对评价结果的贡献度是动态变化的。这显然更加符合经济现实,也从另一角度证明了深度学习方法在风险评价领域,对复杂关系处理的优越性。针对这一发现,我们区分不同风险域,根据贡献度对指标进行优选,量化测试重要指标不确定性对风险等级的影响,并据此进行投资风险变化的局部动态监测,及时发现接近或超过风险临界值的国家,为投资提供有价值的风险参考。总体而言,本研究探索性地把深度学习思想运用于风险评价领域,不仅拓展了深度学习的使用边界,丰富了其经济意义,同时也为矿业境外投资风险的评判和解构提供了新的解决方案,为经济学实证分析范式的发展作出了有益尝试。
【学位授予单位】：中国地质大学(北京)
【学位级别】：博士
【学位授予年份】：2019
【分类号】：F125;F426.1
【图文】：

图 1-1 世界主要矿产资源分布及中国主要境外矿业投资项目资料来源：中国产业发展研究网，2016从目前来看，国内外矿产资源形势呈现如下特点： 一是从 2008 年至今，历经长期的量化货币宽松（QE）和货币贬值后，以美国为首的主要经济体进入加息和缩表周期，金融市场动荡，资金面紧张；二是 2015-2017 年，我国资本外流加剧，外汇储备从 4 万亿降到 3 万亿，部分资金以房地产等投资的形式外逃，“走出去”进入去芜存菁阶段，需要精选行业和项目，严控风险；三是矿产资源供需格局调整，大宗商品价格下跌，全球矿业仍处于深度调整期；四是我国经济发展进入“新常态”，对高新技术产业相关的矿产资源需求快速增长，同时生态文明建设和生态环境保护对矿产资源勘探开发提出了新要求，国内资源保障程度仍将存在缺口，对大宗矿产进口仍将保持一定的需求；五是随着高科技技术手段的应用和地质勘察投入的增加，近年来全球重要矿产资源的储量大都有不同程度的增

指标体系设计思路图

卷积神经网络 CNN 是一种包含多隐含层的前馈神经网络，神经元可以响应覆盖范围内的周围单元，它可能包含的神经网络层有卷积层(convolutionallayer)、全连接层、池化层(pooling layer)和输出层等，每一层都包含多个参数（权重），结构如图 4-1 所示。

本文编号：2759735