非均衡数据的债券违约预警研究

程建华， 徐恒宇

(安徽大学 经济学院，合肥 230601)

0 引 言

近20年来，我国债券市场规模呈爆发式增长，但由于国家经济的整体情况呈现周期性回落的趋势，国家和市场经济结构加速调整，市场金融去杠杆的呼声日益增高，中国国内债券市场局部风险逐渐显现，债券违约率也水涨船高。2014年3月份，出现了我国信用债市场的首例违约公募债——“11超日债”，其出现打破了传统的“刚性兑付”思维[1]。随后爆发了一系列债券违约事件，直到2019年，我国市场债券违约的节奏才有所放缓，但是违约事件依然屡见不鲜。因此，建立债券违约预警模型对投资者加强风险防范和我国债券市场与国民经济稳定健康发展具有重要的现实意义。

为了能够将可能发生违约的债券主体提前识别出来，需要建立相关的债券违约预警模型。从学术研究角度，债券违约模型本质上是一个二分类问题，即在何种条件下债券可能发生违约和未违约。在二分类问题研究中，最常使用的是诸如神经网络、随机森林、logistic回归以及支持向量机等经典可监督分类模型，这些模型可对样本中未加识别的债券进行违约预测判断。在实际问题的研究中，非均衡样本的问题大量存在。所谓非均衡样本是不同分类中一种分类占比过大，另一种分类占比过小，如银行信用检测、机械精度检测、医疗检测、语音信号处理、风险预警、信息检索等[2]。由于企业发生债券违约的数量在发行的信用债中所占比例非常低，所以样本非均衡化问题一直是债券违约研究的难点及重点。……