CN111626855A - 债券信用利差预测方法及系统 - Google Patents
债券信用利差预测方法及系统 Download PDFInfo
- Publication number
- CN111626855A CN111626855A CN202010322870.6A CN202010322870A CN111626855A CN 111626855 A CN111626855 A CN 111626855A CN 202010322870 A CN202010322870 A CN 202010322870A CN 111626855 A CN111626855 A CN 111626855A
- Authority
- CN
- China
- Prior art keywords
- credit
- financial
- semi
- city
- debt
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 17
- 230000001419 dependent effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000003828 downregulation Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000003827 upregulation Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001134 F-test Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Algebra (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种债券信用利差预测方法及系统，该方法包括：获取债券数据样本的财务因素指标、非财务因素指标；对获取的所述非财务因素指标进行量化，结合所述财务、非财务因素指标，进行预处理，筛选并确定最终的风险因素指标进入模型建模；确定半参数模型的参数；运用多个半参数模型的求解方法建模，并检验得出最优求解方法下的半参数模型；通过验证出的所述半参数模型预测某城投债的信用利差。本发明解决了原有的信用利差预测精度不高的问题，通过基于加权的半参数模型，模型解释性强，预测速度快，准确率高。
Description
技术领域
本发明属于金融风控领域，具体涉及一种债券信用利差预测方法及系统。
背景技术
债券信用利差是度量债券信用风险的重要指标，对债券的违约事件和违约概率有一定的预测作用，同时利用债券信用利差对信用风险管理和信用产品定价都有一定的指导作用。
以城投债为例，现行城投债信用利差风险预测或预警的做法主要是利用与城投债发行主体相关的风险信息，如发行主体的基本面(财务数据)、发行主体所处外部经济环境(宏观经济数据)、区域经济因素、第三方机构或研究报告给出的评级结果，构建城投债信用利差与信用风险因素的线性回归模型。
处理城投债信用利差风险的方法非常粗糙，一方面，风险因素指标与风险利差之间的关系并不一定都是线性相关的，传统的线性模型容易造成过拟合，模型的解释能力也较差，增加了对债券风险和债券违约的误判概率；此外，不同风险指标对于债券信用风险利差的影响程度不同，现有的线性回归模型没有考虑风险指标的影响权重，传统的线性模型容易造成过拟合，模型的解释能力也较差，增加了对债券风险和债券违约的误判概率。
因此，如何提高对信用利差的预测精度，降低银行面临的债券信用风险和投资风险，保证银行的资产安全，提高银行对城投债的风险画像能力，便成为了目前亟待解决的问题。
发明内容
基于现有技术的上述缺陷，本发明的目的在于提供一种债券信用利差预测方法及系统，以解决原有的信用利差预测精度不高的问题。
本发明采用的技术方案如下：
一种债券信用利差预测方法，包括：获取城投债数据样本的财务因素指标、非财务因素指标；
对获取的所述非财务因素指标进行量化，结合量化后的所述非财务因素指标和财务因素指标，进行预处理，筛选并确定最终的风险因素指标进入模型建模；
确定半参数模型的参数；
运用多个半参数模型的求解方法建模，并检验得出最优求解方法下的半参数模型；
通过验证出的所述半参数模型预测某城投债的信用利差。
进一步地，所述预处理包括：
将所述财务因素指标和非财务因素指标分成多个大类因素，每个大类因素又分成一或多个子类因素；
对城投债非财务因素指标的各子类因素进行量化处理，对所述财务因素指标和非财务因素的每一个子类因素赋予其各自对应的权重；
根据城投债信用利差公式计算得到城投债信用利差；
根据所述权重和计算的信用利差对不同的子类因素进行加权和标准化处理；
对标准化处理后的数据进行多重共线性检验，对存在多重共线性的子类因素的自变量数据进行变量选择，筛选后的风险因素指标进入模型建模。
进一步地，确定半参数模型的参数包括：
利用公式：yi＝x'iβ+g(ti)+εi,1≤i≤n，通过蒙特卡洛数值模拟实验寻找求解其中的非参数部分g(ti)的参数；
在样本容量、数据相依性、核函数和窗宽不同的情况下，分别计算判断线性部分的参数和非线性部分未知函数的估计量的均方误差、未知函数的拟合图形、线性部分的参数估计量的分位数图形，确定最优核函数和窗宽作为半参数模型中的参数。
进一步地，对所述半参数模型的最优选择包括：
将财务因素指标和非财务因素指标作为自变量，将城投债信用利差作为因变量，计算自变量和因变量的相关系数，筛选确定非线性组合；
对半参数模型的多种求解方法进行分别验证，考察各变量的p值、模型F检验的p值、模型的R2、拟合值方差的交叉验证结果和拟合图形；
根据模型验证结果，选择最优求解方法下的半参数模型。
进一步地，所述方法还包括：基于城投债信用利差定义客户的信用等级，在通过最优模型输出债券信用利差并转换为相应的信用等级后，再通过调整项对所述信用等级进行上调或下调，得到最终的信用评级结果。
进一步地，将财务因素指标和非财务因素指标中的各子类因素指标的权重设定为wi，i＝1，2，3，...，n，其中，
所述城投债的信用利差通过如下公式计算得到：yst＝yt-rt，其中，yst表示剩余期限为t的城投债利差，yt表示剩余期限为t的城投债到期收益率，rt表示剩余期限为t的国债到期收益率；
对风险因素指标进行标准化处理采用如下公式得到：
其中，i＝1，2，3，...，n表示风险因素指标(本发明以22个指标为例说明)，j＝1，2，3，...，n表示样本个数，wixij表示第j个样本、第i个风险因素指标的权重值，mean(wixi)表示第i个风险因素对应的所有样本的权重均值，var(wixi表示第i个风险因素对应的所有样本的权重方差，ysj表示第j个城投债中期票据样本利差，mean(ys)和var(ys)分别表示所有城投债中期票据样本的均值和方差。。
进一步地，对自变量数据的变量筛选包括：
对数据大量缺失的变量剔除；
对数据分布过于集中的变量剔除；
利用Vif值判断入围的自变量，对Vif值明显大于10的情况，判定存在多重共线性，需剔除高度相关的自变量；
利用Lasso数据降维方法进行变量选择，剔除高度自相关的变量，根据Cp值，确定入选的风险因素指标。
进一步地，所述半参数模型的求解方法包括二阶段估计法、小波估计法、基于最近邻核函数的二阶段估计法。
基于本发明的另一方面，还提供了一种基于半参数模型的城投债信用利差预测系统，包括：
数据获取模块，用于获取各个城投债发行主体的财务因素指标及非财务因素指标；
预处理模块，用于对所述数据获取模块的因素指标进行预处理，筛选并确定最终的风险因素指标作为模型建模使用；
寻参模块，用于对半参数模型中涉及到的未知参数进行寻参；
建模模块，用于运用半参数模型的多种求解方法对预处理模块确定的风险因素指标进行建模，选择最优求解方法下得到的半参数模型；
预测模块，通过选择的半参数模型对最新获取的城投债券数据进行预测，得出该城投债的信用利差。
进一步地，所述预测模块包括：债券主体信息输入单元、非财务信息输入单元、调整项输入单元以及结果输出单元，其中，
所述债券主体信息输入单元，用于输入用户想要预测的债券名称和债券代码；
所述非财务信息输入单元，用于对用户输入的城投债的非财务信息进行人工录入；
所述调整项输入单元，用于对用户输入的城投债进行级别上调或下调进行人工判断录入；
所述结果输出单元，通过半参数模型预测出的信用利差转换为相应的信用等级，并结合用户输入的调整项输入单元，输出最终的信用评级结果。
与现有技术相比，本发明所公开的一种债券信用利差预测方法及系统，具有如下技术效果：
1、本发明充分考虑了债券的信用利差与风险因素之间的非线性关系，以及不同风险因素的重要性不同的特点，通过设置选择最优的半参数模型，能够减少模型的预测误差，使得模型的解释性更好，精度更高。
2、基于债券数据的公开性和可获得性，本发明的模型及预测方法能够使得城投债信用风险的评估线上完成，节省了线下实地调查的成本。
3、本发明引入信用利差—客户等级的对应规则，可实时对新的债券进行预测，在发现债券的信用利差和信用等级发生恶化时，可对债券信用风险进行预警。此外，在财务因素和非财务因素之外，还设置调整项因素，与模型预测的等级相结合，更能准确体现某债券主体最新信用等级。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中的债券信用利差预测方法的流程图。
图2为本发明实施例中的自变量数据筛选的流程示意图。
图3为本发明实施例中的债券信用利差预测系统的架构图。
图4为本发明实施例中的预测模块的使用流程图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
本发明旨在通过对城投债券利差的研究，预警债券信用风险，帮助银行规避可能发生的债券违约事件，利用债券信用利差并结合银行自身的风险偏好，进行合理的投资决策。其中，为了方便说明，下述实施例中的债券仅以城投债为例说明，城投债主要包括：城投类企公债，短期融资券(CP)，中期票据(MTN)和定向工具(PPN)，但是不同类型的城投债在发行期限、市场流动性等方面有着很大的差别，因此针对这几类债券应该分别建模，本实施例仅以发行量较大的中期票据为例。
参照图1～图3所示，本发明实施例所公开的一种债券信用利差预测方法，包括如下步骤：
步骤S1、样本数据获取：获取拟分析的债券数据样本的财务因素指标、非财务因素指标；
基于城投债财务数据的公开性，本发明选取的财务因素指标来源于Wind金融资讯终端，非财务因素指标则参见企业主基本信息、企业(主)央行征信信息、企业主社会征信信息、企业所在地政府网站、企业债券募集说明书公告、企业债券外部评级公告等其他与企业风险信用相关的资料。
本发明对样本中风险因素指标的考察包括债券发行主体的财务因素指标和非财务因素指标。下面来分别对这两种指标进行说明。
本实施例中，财务因素指标按照因素大类分为8类：资产规模、盈利能力、流动性、偿债能力、杠杆比例、运营能力、成长能力以及其他大类财务因素；其中，每一个大类又分成一或多个更细的子类因素，共计13个子类因素，形成13个自变量。
财务因素指标分类如下表1所示：
表1财务因素指标分类
本实施例中，非财务因素指标分为3个大类：平台背景、资金情况、相关行业经验。其中，每一个大类又分为一或多个更细的子类因素。
非财务因素指标分类如下表2所示：
表2非财务因素指标分类
本实施例中，对城投债样本数据的选取包括财务因素指标和非财务因素指标，共计形成了22个子类因素，22个自变量，而针对每一个子类因素对应有各自的权重，该权重作为自变量并不完全是一样的，因为每个风险因素指标对债券利差的重要程度不同，故设置有不同的权重，如此对信用利差的判断影响更为准确。
步骤S2、数据预处理：对获取述非财务因素指标进行量化，结合量化后非财务因素指标和财务因素指标，进行预处理，筛选并确定最终的风险因素指标进入模型建模。
预处理过程具体包括：
步骤S21、将所述财务因素指标和非财务因素指标分成多个大类因素，每个大类因素又分成一或多个子类因素；
步骤S22、对城投债非财务因素指标的各子类因素进行量化处理，对所述财务因素指标和非财务因素的每一个子类因素赋予其各自对应的权重；
由于财务数据的子类因素均为数字，无需进行量化转换，但非财务因素指标则需进行量化，具体来说，可对非财务因素指标的每一个子类因素按照设定的选项规则进行量化。量化指标如下表3所示。
表3非财务因素指标量化规则
在进行非财务因素数据预处理时，优选地，本实施例设计了一套对每个债券发行主体的非财务指标进行量化的规则，量化规则举例如下：
(1)每个选项得分百分制；
(2)若选项中ABCD四个选项，则A得100分、B得67分、C得33分、D得0分；
(3)若选项中ABC三个选项，则A得100分、B得50分、C得0分；
(4)若选项中AB两个选项，则A得100分、B得0分；
通过以上量化规则，将非财务因素指标ABCD转化为具体的数值，有助于后续模型的开发。
在财务因素指标和非财务因素指标都量化后，再设定它们的权重，权重的设定可通过AHP(层次分析法)来获得权重的参考范围，然后再由银行专家讨论调整权重的方式，如此可得到相对比较准确的权重。
风险因素指标分为财务因素和非财务因素，两个大类因素的权重分别为：W1和W2，每个子类风险因素指标的权重为wi，i＝1，2，3，...，22，满足：
W1和W2，以及每个风险因素的权重wi取多少，取决于各个银行对风险的容忍度和判断，这里没有不失一般性的通用值，银行可根据自身的实际情况选择合适的方法进行判断，得到合适的权重。
步骤S23、根据城投债信用利差公式计算得到城投债信用利差；
一般来说，债券的信用利差是指债券到期收益率比同时期同期限无风险收益率高出的部分，即债券利差＝债券到期收益率-同时期同期限无风险收益率，通常选取国债利率视为无风险利率，有部分研究选取债券发行时的到期收益率作为债券的收益率，但实际上二级市场的到期收益率更能反映债权的真实价值，故本实施例选取2018年12月28日(最后一个交易日)二级市场上存在交易且有价格波动的城投债中期票据作为样本来计算利差，计算公式如下：
yst＝yt-rt，
其中，yst表示剩余期限为t的城投债利差，yt表示剩余期限为t的城投债到期收益率，rt表示剩余期限为t的国债到期收益率。
步骤S24、根据所述权重和计算的信用利差对不同的子类因素进行加权和标准化处理；
先对数据进行乘以系数，由于指标的数量级、单位不尽相同，为了避免由于量纲不同带来的模型误差，需要对风险因素指标进行标准化处理：
其中，i＝1，2，3，...，22表示风险因素指标，j＝1，2，3，...，n表示样本个数，wixij表示第j个样本、第i个风险因素指标的权重值，mean(wixi)表示第i个风险因素对应的所有样本的权重均值，var(wixi表示第i个风险因素对应的所有样本的权重方差，ysj表示第j个城投债中期票据样本利差，mean(ys)和var(ys)分别表示所有城投债中期票据样本的均值和方差。
步骤S25、对标准化处理后的数据进行多重共线性检验，对存在多重共线性的子类因素的自变量数据进行变量选择，筛选后的风险因素指标进入模型建模。
对于自变量的筛选，我们以统计学的结果和业务经验相结合的原则来完成筛选，这一步使用的统计学筛选方法是：Lasso；参考的统计值指标包括Vif值、Cp值等；自变量筛选的过程如下：
数据缺失检验：存在大量以上的数据(如80％以上)损失的变量，应当予以剔除；因暂停上市等因素造成的数据缺失的样本，应予以剔除；
数据分布检验：数据分布过于集中的变量(如80％以上都是同一个值)，应予以剔除；分布超过经济意义可以解释范围的变量，予以剔除
多重共线性检验：利用Vif值判断入围自变量，若存在Vif值明显大于10的情况，存在多重共线性，需剔除高度相关的自变量；
Lasso降维处理：利用Lasso进行变量选择，剔除高度自相关的变量；根据Cp值，确定入选指标。Lasso方法主要处理具有复共线性数据的有偏估计。
步骤S3、半参数模型寻参，也就是确定半参数模型的参数。
半参数回归模型的一般形式如下：
yi＝x'iβ+g(ti)+εi,1≤i≤n，
求解半参数模型涉及到对参数部分x′tβ(线性部分，可通过一般的回归方法来求得)和非参数部分g(ti)(非线性部分)的求解，而非线性部分g(ti)通常是由一个复杂的函数形式组成，在求解时均需要对其中的核函数和窗宽进行选取，本发明利用蒙特卡洛数值模拟实验寻找参数，也可以采用交叉验证的方法来寻找参数。
在样本容量、数据相依性、核函数和窗宽不同的情况下，分别考察线性部分的参数和非线性部分未知函数的估计量的均方误差、未知函数的拟合图形、线性部分的参数估计量的分位数图形来确定半参数模型中的参数：最优核函数和最优窗宽。
一般的债券信用利差风险评估方法都是采用的线性回归模型，这种过于粗糙的求解方法使得模型存在较大误差，半参数模型考虑了风险因素指标与利差之间的非线性关系，使得模型的解释性更好，预测精度更高。
步骤S4、风控模型开发：运用多个半参数模型的求解方法建模，并检验得出最优求解方法下得到的半参数模型。
具体的开发流程如下：
筛选确定非线性组合：将财务因素指标和非财务因素指标作为自变量，将城投债信用利差作为因变量，画出自变量和因变量的散点图，计算自变量和因变量的相关系数；
选择模型求解方法：半参数模型的求解方法包括二阶段估计法、小波估计法、基于最近邻核函数的二阶段估计法等。
模型验证：对半参数模型的多种求解方法进行分别验证，考察各变量的p值、模型F检验的p值、模型的R2、拟合值方差的交叉验证结果和拟合图形；每种方法得到的模型下的参数不同，通过不同的求解方法，找到最优的参数。举例来说，从实际统计结果来看，变量的p值是否显著、模型F检验的p值是否显著、模型的R2的好坏，从交叉验证方法来看，从模型求得预测值，把预测值和实际值之间求均方误差，取最小的均方误差的模型；通过多种方法来判断得到最优参数下的半参数模型。
确定最优的模型：根据模型验证结果，选择最优求解方法下得到的半参数模型。
在确定最优的半参数模型后，可计算城投债的信用利差，并根据利差定义客户的信用等级，其中，客户的等级与利差之间的对应关系举例如下：
信用等级从高到低分别为：AAA、AA、A、BBB、BB、B、CCC、CC、C、D，从高到低对应的风险值逐渐减小。特别的，这里的等级越高并不是意味着客户绝对越好，只是相对来说等级越高的客户，信用风险相对越小，这也是利用债券利差评价客户的现实经济含义。实际业务中，银行可根据自己的风险偏好(债券期限，债券主体业绩，发行主体背景等因素)进行风险资产的配置。
作为本发明实施例一个优选的实施方式，还引入有调整项，调整项因素不包含在前述的财务因素和非财务因素里，但对城投债的信用利差也可能会产生影响的一些重要因素，调整规则举例如下：
(1)向上调整需要明确的说明；
(2)向下调整一项下调1级，有3个或3个以上向下调整项，客户直接为D级或没有级别；调整项规则如下表4所示。
表4调整项级别规则
有了半参数模型后，结合城投债发行主体的财务信息、非财务信息以及调整项，可以预测城投债券主体下一年度的利差，根据预测结果，我们可以更新得到客户的最新等级。
本发明通过半参数模型预测得到客户下一年的利差，再利用事先定义的“利差-客户等级”规则对债券主体新一年的等级进行更新，以此来区分客户最新面临的风险大小和客户的优劣。
配合参照图3所示，本发明的另一实施例还提供了一种非法集资检测系统，包括：金融资讯终端、服务器和用户终端，其中，服务器内设置有数据获取模块、预处理模块、寻参模块、建模模块和预测模块，
数据获取模块，用于从金融资讯终端获取各个城投债发行主体的财务因素指标作为样本，而非财务因素指标则由人工录入；
预处理模块，用于对数据获取模块的因素指标进行预处理，筛选并确定最终的风险因素指标作为模型建模使用；
寻参模块，用于对半参数模型中涉及到的未知参数进行寻参；
建模模块，用于运用半参数模型的多种求解方法对预处理模块确定的风险因素指标进行建模，选择最优求解方法下得到的半参数模型；
预测模块，通过选择好的半参数模型对最新获取的城投债券数据进行预测，得出该城投债的信用利差。
其中，预测模块包括：债券主体信息输入单元、非财务信息输入单元、调整项输入单元以及结果输出单元，其中，
债券主体信息输入单元，用于输入用户想要预测的债券名称和债券代码；输入债券名称或者代码后，该模块会从所述金融资讯终端自动调出债券主体的财务数据；
非财务信息输入单元，用于对用户输入的城投债的非财务信息进行人工录入；
调整项输入单元，用于对用户输入的城投债进行级别上调或下调进行人工判断录入；
所述结果输出单元，通过半参数模型预测出的信用利差转换为相应的信用等级，并结合用户输入的调整项输入单元，输出最终的信用评级结果。
用户输入城投债名称或代码、非财务数据、和调整项后，数据会自动传输到上述服务器，服务器将城投债利差和等级的预测结果返回用户终端，用户终端将显示用户想要预测的城投债的利差及对应的等级。
本实施例中的系统用以执行上一实施例中的方法，未详尽之处，请参照方法实施例所述。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种债券信用利差预测方法，其特征在于，所述方法包括：
获取债券数据样本的财务因素指标、非财务因素指标；
对获取的所述非财务因素指标进行量化，并对量化后的所述非财务因素指标及财务因素，进行数据预处理，筛选并确定最终的风险因素指标进入模型建模；
确定半参数模型的参数；
运用多个半参数模型的求解方法建模，并检验得出最优求解方法下的半参数模型；
通过验证出的所述半参数模型预测某城投债的信用利差。
2.根据权利要求1所述的城投债债券信用利差预测方法，其特征在于，所述预处理包括：
将所述财务因素指标和非财务因素指标分成多个大类因素，每个大类因素又分成一或多个子类因素；
对城投债非财务因素指标的各子类因素进行量化处理，对所述财务因素指标和非财务因素的每一个子类因素赋予其各自对应的权重；
根据城投债信用利差公式计算得到城投债信用利差；
根据所述权重和计算的信用利差对不同的子类因素进行加权和标准化处理；
对标准化处理后的数据进行多重共线性检验，对存在多重共线性的子类因素的自变量数据进行变量选择，筛选后的风险因素指标进入模型建模。
3.根据权利要求2所述的城投债债券信用利差预测方法，其特征在于，确定半参数模型的参数包括：
利用公式：yi＝x′iβ+g(ti)+εi,1≤i≤n，通过蒙特卡洛数值模拟实验寻找求解其中的非线性部分g(ti)的参数；
在样本容量、数据相依性、核函数和窗宽不同的情况下，分别计算判断线性部分的参数和非线性部分未知函数的估计量的均方误差、未知函数的拟合图形、线性部分的参数估计量的分位数图形，确定最优核函数和窗宽作为半参数模型中的参数。
4.根据权利要求2或3所述的城投债债券信用利差预测方法，其特征在于，对所述半参数模型的最优选择包括：
将财务因素指标和非财务因素指标作为自变量，将城投债信用利差作为因变量，计算自变量和因变量的相关系数，筛选确定非线性组合；
对半参数模型的多种求解方法进行分别验证，考察各变量的p值、模型F检验的p值、模型的R2、拟合值方差的交叉验证结果和拟合图形；
根据模型验证结果，选择最优求解方法下的半参数模型。
5.根据权利要求1所述的城投债债券信用利差预测方法，其特征在于，所述方法还包括：基于城投债信用利差定义客户的信用等级，在通过最优模型输出债券信用利差并转换为相应的信用等级后，再通过引入调整项对所述信用等级进行上调或下调，得到最终的信用评级结果。
6.根据权利要求2所述的城投债债券信用利差预测方法，其特征在于，将财务因素指标和非财务因素指标中的各子类因素指标的权重设定为wi，i＝1，2，3，...，n，其中，
所述城投债的信用利差通过如下公式计算得到：
yst＝yt-rt，其中，yst表示剩余期限为t的城投债利差，yt表示剩余期限为t的城投债到期收益率，rt表示剩余期限为t的国债到期收益率；
对风险因素指标进行标准化处理采用如下公式得到：
其中，i＝1，2，3，...，n表示风险因素指标，j＝1，2，3，...，n表示样本个数，wixij表示第j个样本、第i个风险因素指标的权重值，mean(wixi)表示第i个风险因素对应的所有样本的权重均值，var(wixi表示第i个风险因素对应的所有样本的权重方差，ysj表示第j个城投债中期票据样本利差，mean(ys)和var(ys)分别表示所有城投债中期票据样本的均值和方差。
7.根据权利要求2所述的城投债债券信用利差预测方法，其特征在于，对自变量数据的变量筛选包括：
对数据大量缺失的变量剔除；
对数据分布过于集中的变量剔除；
利用Vif值判断入围的自变量，对Vif值明显大于设定阈值的，判定存在多重共线性，需剔除高度相关的自变量；
利用Lasso数据降维方法进行变量选择，剔除高度自相关的变量，根据Cp值，确定入选的风险因素指标。
8.根据权利要求4所述的城投债债券信用利差预测方法，其特征在于，所述半参数模型的求解方法包括二阶段估计法、小波估计法、基于最近邻核函数的二阶段估计法。
9.一种债券信用利差预测系统，其特征在于，所述系统包括：
数据获取模块，用于获取各个城投债发行主体的财务因素指标及非财务因素指标；
预处理模块，用于对所述数据获取模块的因素指标进行预处理，筛选并确定最终的风险因素指标作为模型建模使用；
寻参模块，用于对半参数模型中涉及到的未知参数进行寻参；
建模模块，用于运用半参数模型的多种求解方法对预处理模块确定的风险因素指标进行建模，选择最优求解方法下得到的半参数模型；
预测模块，通过选定的半参数模型对最新获取的城投债券数据进行预测，得出该城投债的信用利差。
10.根据权利要求9所述的城投债信用利差预测系统，其特征在于，所述预测模块包括：债券主体信息输入单元、非财务信息输入单元、调整项输入单元以及结果输出单元，其中，
所述债券主体信息输入单元，用于输入用户想要预测的债券名称和债券代码；
所述非财务信息输入单元，用于对用户输入的城投债的非财务信息进行人工录入；
所述调整项输入单元，用于对用户输入的城投债进行级别上调或下调进行人工判断录入；
所述结果输出单元，通过半参数模型预测出的信用利差转换为相应的信用等级，并结合用户输入的调整项输入单元，输出最终的信用评级结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010322870.6A CN111626855A (zh) | 2020-04-22 | 2020-04-22 | 债券信用利差预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010322870.6A CN111626855A (zh) | 2020-04-22 | 2020-04-22 | 债券信用利差预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111626855A true CN111626855A (zh) | 2020-09-04 |
Family
ID=72260955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010322870.6A Pending CN111626855A (zh) | 2020-04-22 | 2020-04-22 | 债券信用利差预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111626855A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112101811A (zh) * | 2020-09-23 | 2020-12-18 | 正元地理信息集团股份有限公司 | 一种供水管网爆管风险预测方法及系统 |
| CN112991043A (zh) * | 2021-03-02 | 2021-06-18 | 北京同邦卓益科技有限公司 | 债项评级数据的处理方法和装置、电子设备和存储介质 |
| CN113282886A (zh) * | 2021-05-26 | 2021-08-20 | 北京大唐神州科技有限公司 | 基于逻辑回归的银行对公贷款违约判别方法 |
-
2020
- 2020-04-22 CN CN202010322870.6A patent/CN111626855A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112101811A (zh) * | 2020-09-23 | 2020-12-18 | 正元地理信息集团股份有限公司 | 一种供水管网爆管风险预测方法及系统 |
| CN112991043A (zh) * | 2021-03-02 | 2021-06-18 | 北京同邦卓益科技有限公司 | 债项评级数据的处理方法和装置、电子设备和存储介质 |
| CN113282886A (zh) * | 2021-05-26 | 2021-08-20 | 北京大唐神州科技有限公司 | 基于逻辑回归的银行对公贷款违约判别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108564286B (zh) | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 | |
| Engelmann et al. | The Basel II risk parameters: estimation, validation, and stress testing | |
| CN110288137B (zh) | 路网级道路基础设施结构综合养护决策方法及系统 | |
| CN111626855A (zh) | 债券信用利差预测方法及系统 | |
| CN112598500A (zh) | 一种无额度客户的授信处理方法及系统 | |
| Sriani et al. | Does voluntary integrated reporting reduce information asymmetry? Evidence from Europe and Asia | |
| Derouiche et al. | Risk disclosure and firm operational efficiency | |
| CN113919886A (zh) | 基于夏普利值的数据特征组合定价方法、系统及电子设备 | |
| CN112232377A (zh) | 一种企业esg三优信用模型构建方法及其装置 | |
| Bae et al. | Comparative analysis of airline financial and operational performances: A fuzzy AHP and TOPSIS integrated approach | |
| CN114707733A (zh) | 风险指标的预测方法、装置、电子设备及存储介质 | |
| CN116645014A (zh) | 一种基于人工智能的供应商供应数据模型构建方法 | |
| Demetrescu et al. | Nonlinear predictability of stock returns? Parametric versus nonparametric inference in predictive regressions | |
| CN115099933A (zh) | 一种业务预算方法、装置及设备 | |
| CN117252677A (zh) | 信贷额度确定方法和装置、电子设备及存储介质 | |
| Jang et al. | Determinants of Firm Value on Consumption Sector in Indonesia | |
| CN113222767A (zh) | 指数化证券组合的数据处理方法及装置 | |
| CN117252176B (zh) | 调查报告智能生成方法、装置、设备及介质 | |
| Ganefi et al. | Competitive Structure and Technical Efficiency of Banking Industry in Indonesia | |
| Ahmad et al. | Using power laws to identify the structural parameters of trade models with firm heterogeneity | |
| CN117788133A (zh) | 构建零售信用风险预测模型的方法和零售信贷Scoresigma模型 | |
| CN116757824A (zh) | 一种基于蒙特卡洛算法的业务仿真方法 | |
| CN117994016A (zh) | 构建零售信用风险预测模型的方法和消费信贷业务Scorebeta模型 | |
| CN117764692A (zh) | 一种用于预测信用风险违约概率的方法 | |
| CN118333737A (zh) | 构建零售信用风险预测模型的方法和消费信贷业务Scorebetai模型 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200904 |