基于XGBoost模型的公司债违约预测研究

发布时间：2024-11-02 23:05

　　在当前债券违约常态化和宏观环境波动的背景下,探讨债券违约影响因素并及时洞察债券违约风险是非常必要的。公司债券作为频繁发生违约的债券品种,构建其违约预测模型具有一定代表性。本文对公司债违约的影响因素进行归纳整理,总结出一个相对全面的框架,具体涵盖了公司外部因素(宏观经济、地区经济环境、行业因素),公司财务特征(偿债能力、营运能力、成长能力、盈利能力、资本结构、企业性质)以及债券自身属性三大层面,共包含26个变量。然后,本文应用极端梯度提升树模型(e Xtreme Gradient Boosting,XGBoost)对公司债违约进行预测,并与常用的模型进行对比。最后,进一步分析对公司债违约产生影响的重要因素。本文实证研究得出如下结论:(1)XGBoost模型在预测公司债违约问题上具有非常好的表现。通过将XGBoost模型与文献中常用的逻辑回归模型、支持向量机、随机森林模型、卷积神经网络模型进行对比,我们发现XGBoost模型在精确率(Precision)、召回率(Recall)、准确率(Accuracy)、AUC值等方面表现均为最优;(2)参数优化能够提高模型的准确率和稳定性。本文应用网格搜...

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    第一节 研究背景
    第二节 研究意义
    第三节 研究框架和方法
    第四节 创新与不足
第二章 文献综述
    第一节 债券违约现状及案例分析
    第二节 债券违约影响因素研究
    第三节 债券违约模型相关模型
    第四节 文献述评
第三章 公司债违约影响因素及预测模型
    第一节 公司债违约影响因素
        一、基本概念
        二、公司债违约影响因素
    第二节 预测模型
        一、逻辑回归模型
        二、支持向量机模型
        三、随机森林模型
        四、卷积神经网络模型
        五、XGboost模型
        六、交叉验证
第四章 公司债违约预测分析
    第一节 变量选择
    第二节 数据来源及样本选择
    第三节 模型评估标准
    第四节 实证分析
        一、描述性统计
        二、样本差异化分析
        三、数据清理及标准化
        四、基于网格搜索法的参数优化
    第五节 XGBoost模型预测结果
        一、评估标准结果
        二、公司债违约影响因素
第五章 结论与展望
    第一节 主要结论
    第二节 对策建议
        一、持续完善信用评级和信息披露
        二、建立风险预警机制和加强监管
        三、完善风险分散渠道和信用衍生工具
    第三节 展望
        一、针对不同债券品种分别进行研究
        二、进一步完善指标体系
        三、尽可能扩大研究的样本规模
        四、进一步优化模型参数
附录 部分
附录A:输出描述性统计的Stata代码
附录B:模型预测的Python代码
附录C:统计量表(T-2年)
参考文献
致谢
个人简历、在学期间发表的学术论文与研究成果



本文编号：4010287