论文部分内容阅读
目前我国债券市场正处于蓬勃发展阶段,始于2014年的债券违约事件也越来越引人重视。2014年的一支“11超日债”发生违约,无法按期进行利息偿还,成为我国债券历史上第一支违约的债券,打破了我国债券市场的零违约记录。在之后的几年中,我国债券市场违约事件开始逐年增加,主要表现为违约主体的不断增加,违约金额的逐渐上升。在2014年,全年累计的违约金额为13亿元,总体规模较小。在2015年,债券违约规模和数量都跃升了一个新的等级,全年总计有23只债券出现违约情况,共计126亿元。2016年债券违约的数量增至64只,涉及的违约金额高达393亿元。2017年债券违约数量和规模都略有回落,但违约金额仍达376亿元。到2018年,债券违约金额和数量都呈现出飙升的趋势,全年债券违约牵涉到的发行人共有52家,共计有134只债券发生了违约,所涉违约金额达到1223亿元。随后,2019年债券违约规模又达新高,全年共有178支债券违约,违约金额达到1435.28亿元,其中新增加的违约主体有38家,当中甚至包括康得新、东旭、方正、西王等几家知名企业。由上述我国债券违约形势可见,完善我国信用债风险度量方法迫在眉睫。本文对我国金融市场上债券违约情况进行统计分析,结合国内外对信用债违约的研究文献,并考虑国内外信用债违约情况的异同点,在经过阶段性的脉络梳理后,发现我国现在由于债券违约历史较短,所涉及的债券数据较少,尚且无法建立起庞大的违约数据库,仅使用国外经典的KMV模型进行违约风险度量在我国债券市场上存在弊端。所以,本文结合KMV模型和XGBoost算法,多方面数据共同度量我国债券违约风险。本文的研究样本为沪深两市A股2017年与2018年共964家上市公司,根据相关规则,选取公司的股票收盘价,流通股数和非流通股数等数据作为公司的市场数据,选取公司经营能力、发展能力、盈利能力、偿债能力、现金流量指标、每股指标等数据作为公司的财务数据,将涵盖市场信息的KMV模型计算出的违约距离作为一个指标,同公司的财务指标相结合,从而更加全面地度量我国信用债违约风险。本文首先对按照1:2选取的不良公司(存在违约风险的公司)和对照公司(两类公司共90家,数据均为同一年份)的数据计算出的违约距离进行分析,论证违约距离与信用债违约风险之间的显著相关关系,证明违约距离适合作为一个度量指标进行信用债风险度量。同时,发现不同行业之间的违约距离数值上有所差异,进一步考虑到不同年份不同行业的财务数据也可能存在差异性,所以对最终选取的964家上市公司的违约距离和财务指标均进行分年份分行业的标准化处理。其次,对本文初步选取的20个指标进行F检验,剔除与标签没有显著相关关系的指标,在此基础上采用主成分分析法进行数据降维,最终选取12个指标带入构建的KMV-XGBoost模型,并使用贝叶斯优化算法对模型进行参数调优,得到改进的KMV-XGBoost模型。最后,通过对XGBoost模型与传统的LOGIT模型、随机森林模型进行对比,说明本文模型的优越性。