CART算法在我国债券市场信用风险预测中的应用

发布时间：2020-05-23 00:25

【摘要】：近几年我国债券市场迅猛发展,债务融资主体的融资手段、融资渠道及融资条款不断拓展及推陈出新,使债券市场的债务类型更加的多样化,债务主体更加广泛化。随着宏观经济形势调整和债券余额增速不断创下新高,债券违约风险也在不断的累积。自2014年债券刚性兑付打破以来,债券违约事件频发,2018年债券违约量创新高。因此有效预测债券信用风险对于当前金融风险防范具有重要的理论与实践意义。随着数据挖掘,人工智能等计算机技术日益成熟,并成功地应用到了各个领域,对于各投资机构来讲,通过数据挖掘技术,将机器学习应用到债券市场信用风险预测领域,以获得高效、持续、稳定、健康发展是十分必要的。本文根据财务管理及数据挖掘理论的知识,探讨了如何运用CART树算法构建信用风险预测模型。本文通过CART算法得出的特征因子结构,较好解释债券市场问题企业近几年的风险特征,同时给出了相对可靠的识别结果。在运用多模型预测对比中,CART树模型整体准确率表现较好,但召回率相对逻辑回归及神经网络两种算法表现略有不足。不过,在特征分析中,CART树算法可以清晰提供企业问题所在,分析成果可以协助投资者快速把握风险特征,在债券风险预测实践中具有一定的参考意义。
【图文】：

净资产收益率,正态,指标

的分布效果也较好，因此，本文在指标筛选时仍会选择通过 T 检验方法进行初筛。例如图 4.1 净资产收益率 ROE_平均_的正态 Q-Q 图如下：图4.1 净资产收益率ROE_平均_的正态Q-Q图本文通过 SPSS23 对样本 98 个指标按照正常企业与非正常企业两大类进行独立性检验（见附录表 A2）。根据 T 检验筛查方法，将各类指标在莱文方差等同性检验下，当 Sig.小于 0.05，表明方差不齐，则对应 t-test for Equality of Means中双尾 Sig.小于 0.05 的指标均值差异性较为显著，这类指标有 29 个；当 Sig.大于 0.05，表明方差齐，，则对应 t-testforEqualityofMeans 中双尾 Sig.小于 0.05的指标均值差异性较为显著，这类指标有 18 个。最终合计筛查出差异性较为显著的指标有 47 个。4.3.2 信用风险识别指标计算本文通过 T 检验方法筛选出的 47 个财务及宏观指标从不同角度反应了企业的经营状况和风险情况。这 47 个指标归纳描述如下：（一）盈利能力指标47 个指标中，反应盈利能力的指标有 13 个

样本数据,抽样数据,特征因子

1）本文根据第五章第二节筛选出的20个特征因子作为风险识别指标，同时将70%的抽样数据作为训练数，30%的抽样数据作为测试数据据导入SPSSClementine12，如图5.2。图 5.2 样本数据2）运用Clementine提供的分类节点将导入的440个样本根据是否调降评
【学位授予单位】：对外经济贸易大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP301.6;F832.51

【参考文献】