论文部分内容阅读
违约预测是对债务偿还风险的预测,违约预测模型可以帮助投资者识别投资过程的违约风险,并为银行的信贷决策和公司债券股票的投资决策提供支持。本文的第一章是绪论,第二章是不一致客户变换与违约预测模型的基本原理,第三章是违约风险预测模型的构建,第四章是基于中国上市公司样本的实证分析,第五章是结论。本文的研究重点包括:一是不一致客户的识别与处理。不一致客户是其指标向量的数值与违约客户指标向量的数值相近,但目前还尚未违约的客户。这类客户再次借贷极有可能会违约,若不加识别与处理,则不论建立什么样的模型都会影响企业违约风险的预测精度。二是模型违约风险预测期限的问题。利用当年的指标数据来判断企业当年的违约状态并不是违约预测,企业债券投资和商业银行贷款的期限通常为几年,为了降低信用风险,有必要提前几年对企业的违约风险进行预测。本文的创新与特色包括:一是通过多元自适应回归样条（Multivariate Adaptive Regression Splines,MARS）的违约预测方程反推出准确率G-mean最大的违约客户与非违约客户欧氏距离的最优临界点D*,把小于D*的非违约客户的标识“0”改为违约客户的标识“1”,得到建模精度最高的“一致样本”。二是通过使用过去1-5年公司的数据xij和当前年度的违约状态y建立的MARS模型,可以使用当前年份的数据xij预测未来1-5年的违约状态y并获得预测精度AUC大于80%。研究发现,“十大股东的股权集中度”、“股本回报率”、“留存收益”、“制造业虚拟变量”、“营业收入增长率”、“大型企业虚拟变量”、“住宿和餐饮虚拟变量”等7个指标是影响中国上市公司违约状况的关键指标。研究发现,中国上市公司中“交通运输,仓储和邮政业”,“批发和零售业”和“租赁和商业服务”的信用资质最好,“采矿业”,“农、林、畜、渔业”和“住宿和餐饮业”的信用资质最差。中央国有企业的信用资质最高,民营企业的信用资质最差。