基于BP神经网络预测非公开发行公司债券信用利差
发布时间：2021-10-17 01:36
非公开发行公司债券又称为“私募债”,其发行主体主要为信用评级不高的企业,在不超过200个专业投资者的范围内进行发行债券募集资金。主承销商在承销非公开发行的公司债券时只能对潜在的特定投资者进行私下询价,如果针对预发行债券进行信用利差预测确定一个大致利率区间,主承销商就可以基于该利率区间与潜在投资者进行询价。因此预测一个债券信用利差对于非公开发行公司债券的销售询价具有一定的参考依据。发行人和主承销商可以基于预测出的信用利差进行确定债券的定价区间与潜在专业投资者进行销售推荐。本文在借鉴已有研究的基础上,将公司资产规模、财务杠杆、公司属性、信用评级、发行规模、发行期限、债项特殊条款设置、担保情况、主承销商声誉和会计师事务所声誉作为BP神经网络的输入层,将信用利差作为输出层进行预测非公开发行公司债券的信用利差。实证研究发现财务杠杆、发行规模、公司属性、信用评级、特殊条款设置、担保情况、主承销商声誉和会计师事务所声誉与债券信用利差存在负相关关系,这些因素会降低债券的信用利差;而公司规模和债券期限与债券信用利差存在着正相关关系,会在一定程度上增加债券的信用利差。其中公司规模、公司属性、信用评级、担保...
【文章来源】：上海外国语大学上海市 211工程院校 教育部直属院校
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
研究线路图
24第四节研究方法的选择一、BP神经网络概述误差反向传播神经网络（简称“BP神经网络”）是由Rumelhart和Hinton为首的科学家小组于1986年提出。BP神经网络是一个具有隐藏层的多层前馈神经网络，网络中神经节点的传递函数为S型函数，其输出量是为（0,1）之间的连续数据，具有实现从输入层到输出层的任意非线性映射效果。人工神经网络经常被用于金融预测，因为其具有处理高度非线性问题的能力，其中本文将运用人工神经网络中的前馈神经网络进行数据处理。前馈神经网络通过分层结构建立，第一层包含网络输入神经元，本文中的训练集样本数据通过这些输入神经元传递给网络；最后一层包含了任何在输入神经元传递给神经网络的样本的神经网络预测值。在输入层和输出层之间通过有一个或多个的隐藏层神经元。如图4-2前馈神经网络结构图所示。图4-2前馈神经网络结构图BP神经网络具有以下优势特性：（1）非线性映射能力BP神经网络具备较强的非线性映射能力，能够实现了一个从输入层到输出层的映射功能，相关研究理论表明神经网络如果具备三层就能够以任意精度逼近任意非线性的连续函数。该能力使得BP神经网络特别适合于求解内部机制复杂的问题。（2）自学习和自适应能力BP神经网络高度自学习和自适应能力表现在BP神经网络能够在对样本数据训练时通过学习，自动提取输入层和输出层数据之间的“合理规则”，并自适应输入层隐藏层输出层
32图5-1训练数据输出的神经网络图由BP神经网络输出的神经网络图，可以得到以下模型：1=0.26+8.470.160.04+0.31+2.0310.08+0.8113.540.18+1.97（5.1）2=37.23+0.681.061.09+0.581.281.241.137.280.070.38（5.2）
【参考文献】：
期刊论文
[1]信用评级有效性研究——发行利差的解构视角[J]. 沈中华,管超,毕盛,吕开宇. 吉林大学社会科学学报. 2018(06)
[2]我国中期票据发行信用利差的影响因素研究[J]. 王雪标,王晰,孙晓林. 山西财经大学学报. 2018(09)
[3]审计师个人声誉受损与公司债务融资成本——来自中国上市公司的经验证据[J]. 蒋尧明,蒋珩. 当代财经. 2017(07)
[4]担保机制、产权性质与公司债券融资成本[J]. 马书云. 中南财经政法大学研究生学报. 2016(02)
[5]金融认证对债券融资成本的影响分析——以我国城投债为例[J]. 何志刚,周泉,陆奕雯. 证券市场导报. 2016(02)
[6]中国的信用评级真的影响发债成本吗?[J]. 寇宗来,盘宇章,刘学悦. 金融研究. 2015(10)
[7]信息对于公司债券融资成本的影响——基于中国公司债券市场的实证分析[J]. 王鹏. 债券. 2015(09)
[8]债券融资成本与债券契约条款设计[J]. 陈超,李镕伊. 金融研究. 2014(01)
[9]声誉机制、信用评级与中期票据融资成本[J]. 王雄元,张春强. 金融研究. 2013(08)
[10]债券担保、信用评级与道德风险关系的探究——基于公司信用债券市场的实证研究[J]. 卢钇辰. 中国物价. 2013(08)
硕士论文
[1]宏观经济波动对公司债券信用利差的影响研究[D]. 庞诗婉.广西大学 2019
[2]非公开发行公司债信用利差影响因素的研究[D]. 南梦瑶.上海外国语大学 2018
[3]承销商声誉对公司债券融资成本的影响[D]. 祝明.南京大学 2018
[4]中小企业债券融资成本影响因素研究[D]. 王悦.浙江工商大学 2017
[5]承销商声誉、承销连续性与公司债券融资成本[D]. 肖力珲.厦门大学 2014
[6]我国企业债券信用价差影响因素实证研究[D]. 田圆圆.西南财经大学 2013
本文编号：3440868
【文章来源】：上海外国语大学上海市 211工程院校 教育部直属院校
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
研究线路图
24第四节研究方法的选择一、BP神经网络概述误差反向传播神经网络（简称“BP神经网络”）是由Rumelhart和Hinton为首的科学家小组于1986年提出。BP神经网络是一个具有隐藏层的多层前馈神经网络，网络中神经节点的传递函数为S型函数，其输出量是为（0,1）之间的连续数据，具有实现从输入层到输出层的任意非线性映射效果。人工神经网络经常被用于金融预测，因为其具有处理高度非线性问题的能力，其中本文将运用人工神经网络中的前馈神经网络进行数据处理。前馈神经网络通过分层结构建立，第一层包含网络输入神经元，本文中的训练集样本数据通过这些输入神经元传递给网络；最后一层包含了任何在输入神经元传递给神经网络的样本的神经网络预测值。在输入层和输出层之间通过有一个或多个的隐藏层神经元。如图4-2前馈神经网络结构图所示。图4-2前馈神经网络结构图BP神经网络具有以下优势特性：（1）非线性映射能力BP神经网络具备较强的非线性映射能力，能够实现了一个从输入层到输出层的映射功能，相关研究理论表明神经网络如果具备三层就能够以任意精度逼近任意非线性的连续函数。该能力使得BP神经网络特别适合于求解内部机制复杂的问题。（2）自学习和自适应能力BP神经网络高度自学习和自适应能力表现在BP神经网络能够在对样本数据训练时通过学习，自动提取输入层和输出层数据之间的“合理规则”，并自适应输入层隐藏层输出层
32图5-1训练数据输出的神经网络图由BP神经网络输出的神经网络图，可以得到以下模型：1=0.26+8.470.160.04+0.31+2.0310.08+0.8113.540.18+1.97（5.1）2=37.23+0.681.061.09+0.581.281.241.137.280.070.38（5.2）
【参考文献】：
期刊论文
[1]信用评级有效性研究——发行利差的解构视角[J]. 沈中华,管超,毕盛,吕开宇. 吉林大学社会科学学报. 2018(06)
[2]我国中期票据发行信用利差的影响因素研究[J]. 王雪标,王晰,孙晓林. 山西财经大学学报. 2018(09)
[3]审计师个人声誉受损与公司债务融资成本——来自中国上市公司的经验证据[J]. 蒋尧明,蒋珩. 当代财经. 2017(07)
[4]担保机制、产权性质与公司债券融资成本[J]. 马书云. 中南财经政法大学研究生学报. 2016(02)
[5]金融认证对债券融资成本的影响分析——以我国城投债为例[J]. 何志刚,周泉,陆奕雯. 证券市场导报. 2016(02)
[6]中国的信用评级真的影响发债成本吗?[J]. 寇宗来,盘宇章,刘学悦. 金融研究. 2015(10)
[7]信息对于公司债券融资成本的影响——基于中国公司债券市场的实证分析[J]. 王鹏. 债券. 2015(09)
[8]债券融资成本与债券契约条款设计[J]. 陈超,李镕伊. 金融研究. 2014(01)
[9]声誉机制、信用评级与中期票据融资成本[J]. 王雄元,张春强. 金融研究. 2013(08)
[10]债券担保、信用评级与道德风险关系的探究——基于公司信用债券市场的实证研究[J]. 卢钇辰. 中国物价. 2013(08)
硕士论文
[1]宏观经济波动对公司债券信用利差的影响研究[D]. 庞诗婉.广西大学 2019
[2]非公开发行公司债信用利差影响因素的研究[D]. 南梦瑶.上海外国语大学 2018
[3]承销商声誉对公司债券融资成本的影响[D]. 祝明.南京大学 2018
[4]中小企业债券融资成本影响因素研究[D]. 王悦.浙江工商大学 2017
[5]承销商声誉、承销连续性与公司债券融资成本[D]. 肖力珲.厦门大学 2014
[6]我国企业债券信用价差影响因素实证研究[D]. 田圆圆.西南财经大学 2013
本文编号：3440868
本文链接：https://www.wllwen.com/guanlilunwen/bankxd/3440868.html
