文档介绍：该【基于机器学习方法的城投债偿债风险评估 】是由【碧痕】上传分享，文档一共【9】页，该文档可以免费在线阅读，需要了解更多关于【基于机器学习方法的城投债偿债风险评估 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。基于机器学****方法的城投债偿债风险评估
[摘要]近年来,金融平台及其发行的城投债在经济增长和社会发展方面发挥了非常重要的作用。然而,市场上与城市债务有关的信用风险并不明显,而且外部评级机构在发行的城投债方面普遍虚高评级。在这种情况下,通过建立一个逻辑系统,分析城投债偿债风险,尽可能选择具有代表性的指标,通过BP神经网络等智能算法来实现城投债评级,以计算模型预测的准确性。归根结底,从结果来看,神经网络模型BP已超越了传统方法的界限,并通过模拟非线性模型来模拟实际数据,从而超越了对线性模型的依赖。
[关键词]城投债;matlab;BP神经网络;内部评级
[中图分类号]F810
[文献标识码]A
[文章编号]2095-3283(2019)10-00102-03
TheInsolvencyRiskofCityConstructionInvestmentBondsBasedonMachineLearingAlgorithm
LuoYuXiaoLiwenYangZepeng
(JiangxiUniversityofFinanceandEconomics,NanchangJiangxi330013)
Abstract:CityConstructioninvestmentbondsissuedbyFinancingplatformhaveplayedaveryimportantroleinChina’,duetotheparticularityandtheopacityoflocalgovernment,thecreditriskofcityinvestmentbondsinthemarkethasnotbeenclearlyexposed,,weattempttoestablishasetoflogicalsystemforanalyzingtheinsolvencyriskofCityConstructioninvestmentbonds,selectrepresentativeindicatorsasmuchaspossible,achievestockratingthroughartificialneuralnetworkmodel,,fromtheresults,theBPneuralnetworkmodelgetsridofthelimitationsofthetraditionalmethods,breakstherestrictionofthedependenceonthelinearmodel,simulatestheactualdatawiththenonlinearmodel,andrealizestheinnovationinthemethodofstockratingapplicationresearch.
Keywords:CityConstructionInvestmentBond;Matlab;BPNeuralNetwork;InternalRating
[作者簡介]罗玉(1998-),女,汉族,江西南昌人,本科生,研究方向:会统核算:肖丽雯(1998-),女,汉族,江西南昌人,本科生,研究方向:金融统计;杨泽鹏(1998-),男,江西南昌人,本科生,研究方向:金融学。
[基金项目]江西财经大学2019年度江西财经大学学生实践创新训练项目(项目编号:201910421022)。
一、引言
中央政府和地方政府在国家分税制改革以后,明确规定了财政权力和事权地方财政收入增长以及经济发展在一定程度上得到提升。与此同时,随着国家迅速城市化、地方经济快速增长、地方政府财政支出的增加以及资金缺口逐年扩大,地方政府通过建立金融借贷平台,在很大程度上弥补了基础设施融资缺口。
城投债是介于标准企业债和地方政府债务之间的一种准市政债,是由地方政府投资融资方案发行的企业债券作为主要来源,主要用于资助地方基础设施项目和公共利益项目。城投债通常属于较高信用等级,这主要是因为地方政府提供了隐性信用担保。其主要原因是,在改革了分税制之后,地方财政税收占国民税收的比例下降了,而地方财政支出却大幅上升,使地方政府难以支持其日常运作;其直接原因是随着城市化进程的加快,对城市基础设施的需求也有所增加,但法律禁止地方政府发行债券,除非在特殊情况下,因此我国没有真正的市政债券。
城投债有如下特征:第一,城投债属于企业债务,其发行主体是国有企业,政府完全参与其中,而这些企业常常作为地方政府的融资平台,随着银行信贷监管的加强,这些企业的作用逐渐加强;第二,大多数城投债只有依靠政府财政补贴才得以还本付息,其投资的项目收回成本期较短;第三,由于中国债券市场缺乏足够的长期投资者,城投债的发行期限较短;第四,商业银行和基金是中国城投债的主要持有人;第五,中国城投债市场从未出现过实质性违约事件。
在过去,机构投资者倾向于投资于城投债,因为城投债高于政府债券的收益率,而且(由于政府担保)信用风险较低。但是,在许多城投债违约的情况下,在一系列新的城投债监管政策下,城投债的投资价值带来了巨大挑战,并引起投资者对这些债券的信用风险的严重关切。城投主体偿还债务的能力也引起了城市投资者的严重怀疑,他们不能仅仅依靠地方政府来判断城投债的价值。这一系列情况与城投债种普遍的高评级状况不符合,对投资者也产生了很大的误导性。因此,为了这一大背景下确定信用风险并制定客观、公正和有效的估值方法是很重要的。二、文献综述
2005年韩立岩等通过相关模型衡量了北京等城市债务发行的合理规模,并得出结论认为,影响地方政府债务合理规模的主要因素是地方政府债券的信用增级,他们利用模糊期权定价理论来研究违约率和债务存量之间的关系。曹慧敏(2014)认为当下的评级体系缺乏与财政存量相关的指标,土地评估方法不合理、评估公允价值过高、注入资产变现能力差,各个类型城投债的资产结构分析不够完善,导致评级结果与城投债的真实偿债能力不相符,城投债的偿债规模大,评级体系亟待修正。2016年秦凤鸣等衡量城投债风险运用了城投债信用利差,他们还利用2010-2013年的城市调查数据研究住房价格对地方政府城市债务的影响。2017年潘琰等利用2006—2013年30个省级城投债面板数据开发了回归模型,通过分析流动性资产的概念并将其纳入研究框架,研究地方政府偿还债务的情况及其对流动资产的影响。
2018汤洁在KMV模型的基础上,对2015—2018年江苏省不同债务水平违约风险的实证研究,该项研究结论是,江苏省2015年的债务水平应高于安全债务水平,2016—2018年的城投债风险仍在控制之下,但信用风险对发行城投债的规模非常敏感,政府应采取措施预防和减轻债务风险,同时控制城投债规模。
三、研究设计
(一)样本及指标选取
为了对城投债券进行系统化的全面评级,综合对债券发行人偿债风险与投资风险等内容,本文参考中债资信评级公司标准,从万得数据库的所有城投债相关指标框架下抽取了6大类指标,基本要素指标、债券分类指标、发债主体指标、行情指标风险指标、财务估值指标。
现有各个市场隐含评级的平均债券得分为:
,AAA-,AA+,,AA-,A+。
按照正常情况,AAA-的得分过高,说明市场隐含评级错误,正常情况下AAA-;A+的得分过高,市场隐含评级也出现错误,正常条件下A+。
(二)模型设定
BP学****是一种典型的更正误差的方法。首先,为每个输入模式设定理想的输出值,输入实际的网络学****记忆模型,然后从输入层移至输出层传播。实际输出和预期输出之间的差异是错误的,根据最小平均平方误差标准修改输出层到中间层的连接权重的过程称为“误差反向传播”。随着“模式净传播”和“错误反向传播”过程交替进行,网络的实际输出逐渐逼近各自相应期间的预期输出,网络对输入模式响应的准确性也在不断提高。
四、实证分析
(一)数据来源
自2010年以来,城投债的发行规模迅速增加。故本文从万得数据库中选取了2010—2018年银行间市场发行的所有企业债和中期票据作为研究对象。此外,短期融资券期限太短(一年以内),因此没有被包含在样本之内,而定向工具由于不是市场化的发行利差因而也没有被包含在样本内。
(二)分析流程
本节内容对于城投债的评级分类是基于BP神经网络来实现的,根据上文推导出的影响十二维城市投资负债的等级因素,消除人的主观因素,尽可能以客观数据本身含义对城投债进行评级。由于自变量与因变量之间可能存在着不仅仅只是简单的线性关系,还有可能存在较为复杂的非线性关系,对于非线性回归模型传统的统计模型已经无法满足,由此引入BP神经网络来对城投债评级进行仿真预测。
在教育神经网络之前,必须规范化数据集。本文档使用MATLAB的mapminmax函数将原始数据映射到[-1,1]间距。
(ymax-ymin)*(X-Xmin)(Xmax-Xmin)+ymin
此处默认ymin=-1,ymax=1,x是需要进行归一化处理的数据矩阵。
对于因变量城投债评级,在此本文将其划分为六档如表2所示。
本文使用的是matlab软件,输入层和输出层个数根据特征变量个数确定,预测变量为城投债市场评级,故输出层只有一个,而影响评级的因子有债券期限,名义利率、发行总额、债券余额、债券的票面价值、利息数目、记录资本、剩余时间、营业总收入、净利润、现金净流量和经营活动现金净流量共计12个特征,故输入层神经元个数有12个。对于隐藏层的设置通常采用1个隐藏层。使用动量梯度下降算法,经过反复尝试,得到的最优参数如表3所示。
仿真实验得出与原先市场评级的吻合率为66%。
五、结论
本文采用BP人工神经网络算法,根据影响城市债务分类的主要指标,对大城市债务分类的结果进行了测试,以达到通过具有代表性的指标进行准确分类的目标,这些指标的准确度是可以接受的。在此期间,通过改变培训课程数目和隐藏的合同数目等标准变量,与原始市场估计数达成了66%的一致。神经网络模型超越了传统的方法,超越了线性模式,开发了非线性实际数据模拟模型,并在城市债务分类的应用研究方面实现了创新。然而,在重复模型预测时经常出现误差率不稳定等问题,本文未能更仔细地审查影响城市债务分类的指标。因此,模型在后续研究方面仍有改进的余地,指标的选择也需要进一步探索和改进。但这一理论研究也证实,城市债务评级的工具也可用人工神经网络模型,这也将作为进一步研究的课题。
[参考文献]
[1][J].管理世界,2005(3):58-66.
[2]嵇杨,曹慧敏.“城投债”的发展历程及信用评级方法[J].宏观经济管理,2014(6):56-59.
[3]汤洁,[J].商业经济研究,2015(12):99-100.
[4]秦凤鸣,李明明,——基于城投债的证据[J].财贸研究,2016,27(5):90-98.
[5]潘琰,[J].当代财经,2017(7):124-133.
[6][J].西部金融,2013(12).
[7]李倩,[J].中国市场,2014(33).
(責任编辑:顾晓滨马琳)
3/view-