企业债券违约风险识别的可解释机器学习模型研究

作     者：邓尚昆 宁宏 刘宗华 朱应可 DENG Shangkun;NING Hong;LIU Zonghua;ZHU Yingke

作者机构：三峡大学经济与管理学院湖北宜昌443002 

出 版 物：《计算机工程与应用》 (Computer Engineering and Applications)

年 卷 期：2024年第60卷第12期

页      面：334-345页

核心收录：

学科分类：07[理学] 081203[工学-计算机应用技术] 08[工学] 0837[工学-安全科学与工程] 070104[理学-应用数学] 0835[工学-软件工程] 0701[理学-数学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家社会科学基金(23BJL037) 

主　　题：债券违约 风险识别 机器学习 

摘      要：在我国信用债违约风险不断积累的背景下,如何精准识别、高效预警企业债券违约风险成为学术界及实务界所重点关注的问题。为有效解决传统违约风险预警模型存在的预警性能不强、超参数优化目标单一以及模型可解释性较弱等关键问题,通过有机融合LightGBM、NSGA-II、SHAP等机器学习算法,构建了LightGBM-NSGA-IISHAP企业债券违约风险预警模型,并通过实证分析检验了所提出模型的预警性能。研究结果表明,所提出模型的预警准确率达到85%以上,相比传统机器学习模型,所提出模型的预警性能更加优异。另外,通过SHAP算法可视化展示预警特征对于预警结果的影响,发现票面利率、固定资产净利润率、发行总额、应收账款周转率等是识别企业债券违约的关键特征。