基于Stacking算法集成的我国信用债违约预测

作     者：刘晓 周荣喜 李玉茹 LIU Xiao;ZHOU Rongxi;LI Yuru

作者机构：北方工业大学经济管理学院北京100144 对外经济贸易大学金融学院北京100029 

出 版 物：《运筹与管理》 (Operations Research and Management Science)

年 卷 期：2023年第32卷第3期

页      面：163-170页

学科分类：02[经济学] 0202[经济学-应用经济学] 020204[经济学-金融学（含∶保险学）] 

基　　金：国家自然科学基金资助项目(71871062 71631005)。 

主　　题：信用风险 债券违约预测 机器学习 Stacking算法 算法集成 

摘      要：通过对2014~2019年我国信用债违约案例的原因分析及相关文献综述,从债券资质、债务主体、财务数据、宏观因素四个维度构建债券违约的指标体系,利用随机森林算法优化,研究发现当影响因素选择18项与37项时,样本内外预测结果达到均衡。基于不同角度的七种算法对比分析,择优选取三种作为底层算法:随机森林算法、梯度提升决策树算法与贝叶斯算法,并结合逻辑回归算法为次级训练算法融合构建基于Stacking算法集成的债券违约预测模型。实证结果表明,第一,Stacking算法的双重集成作用相对底层的单次集成总体精确度提升了1%到8%;第二,对不同指标数量的Stacking算法集成模型的评估表明所构建的指标体系提高了预测水平;第三,基于样本内外预测均衡的底层算法选择方法有效可取,分别纳入相对劣势的底层算法时,会逐渐影响模型稳定性。研究成果可以为我国债券市场风险管理提供技术支持与参考。