基于支持向量機(jī)方法的企業(yè)信用評(píng)級(jí)研究

摘要：由于企業(yè)信用評(píng)級(jí)具有小樣本、非線性、高維數(shù)等問(wèn)題，傳統(tǒng)的評(píng)級(jí)方法并不能很好地適用。采用支持向量機(jī)方法來(lái)對(duì)評(píng)級(jí)指標(biāo)體系進(jìn)行特征選擇，建立上市企業(yè)信用評(píng)級(jí)模型，對(duì)上海證券交易所中813家上市企業(yè)進(jìn)行實(shí)證研究，結(jié)果顯示，通過(guò)支持向量機(jī)進(jìn)行特征選擇的支持向量機(jī)具有較高的預(yù)測(cè)準(zhǔn)確度。

關(guān)鍵詞：支持向量機(jī);信用評(píng)級(jí)

一、引言

我國(guó)企業(yè)長(zhǎng)期面臨著嚴(yán)重的金融風(fēng)險(xiǎn)，而風(fēng)險(xiǎn)評(píng)估是否科學(xué)合理，關(guān)系著我國(guó)股市承擔(dān)的風(fēng)險(xiǎn)的大小。本文通過(guò)建立風(fēng)險(xiǎn)評(píng)估的指標(biāo)體系，運(yùn)用支持向量機(jī)構(gòu)建的評(píng)估模型對(duì)收集的355家金融風(fēng)險(xiǎn)樣本進(jìn)行訓(xùn)練和檢驗(yàn)，建立起企業(yè)信用風(fēng)險(xiǎn)評(píng)級(jí)模型。基于支持向量機(jī)的企業(yè)信用風(fēng)險(xiǎn)評(píng)級(jí)模型，將有助于企業(yè)更好地評(píng)估其信用風(fēng)險(xiǎn)，從而采取更加有效的風(fēng)險(xiǎn)處理措施。

國(guó)外對(duì)支持向量機(jī)（SVM）的預(yù)測(cè)效果進(jìn)行了大量的研究。CHEN運(yùn)用不同的機(jī)器學(xué)習(xí)方法建立了商業(yè)銀行風(fēng)險(xiǎn)預(yù)警的模型，最終得到機(jī)器向量機(jī)模型的預(yù)測(cè)效果和準(zhǔn)確率是最高的。國(guó)內(nèi)對(duì)支持向量機(jī)的應(yīng)用主要體現(xiàn)在對(duì)銀行信貸風(fēng)險(xiǎn)的識(shí)別與分類上。而余晨曦等人在進(jìn)行貸款違約判定中，用到了非線性的支持向量機(jī)，得到了較好的判定結(jié)果。

綜上，已有相關(guān)研究在對(duì)構(gòu)建完整的上市企業(yè)信用指標(biāo)評(píng)價(jià)體系的研究缺乏系統(tǒng)的研究，而且相關(guān)研究缺乏實(shí)證支持。針對(duì)這一問(wèn)題，本文以上市企業(yè)為對(duì)象，對(duì)其進(jìn)行信用評(píng)級(jí)。作為一項(xiàng)實(shí)證研究，一方面，可以系統(tǒng)性地探討上市企業(yè)信用風(fēng)險(xiǎn)情況;另一方面，通過(guò)對(duì)研究方法進(jìn)行改進(jìn)和完善，可以實(shí)現(xiàn)系統(tǒng)考察上市企業(yè)所面臨的信用風(fēng)險(xiǎn)問(wèn)題，為相關(guān)監(jiān)管部門等提供決策依據(jù)。

當(dāng)前已經(jīng)有許多算法將SVM推廣到多類分類問(wèn)題，可以將它們大致分為兩大類：間接法和直接法。由于直接法將參數(shù)求解合并到一個(gè)最優(yōu)化問(wèn)題中，可以“一次性”地實(shí)現(xiàn)多類分類，應(yīng)用起來(lái)十分簡(jiǎn)潔，因此本文使用第二類方法。

二、模型概述

支持向量機(jī)（SVM）是統(tǒng)計(jì)學(xué)習(xí)理論核心算法，由前蘇聯(lián)學(xué)者Vapink于1974年提出。該方法是以VC維理論和風(fēng)險(xiǎn)最小化為基礎(chǔ)的，通過(guò)核函數(shù)技術(shù)，來(lái)研究小樣本數(shù)據(jù)下機(jī)器學(xué)習(xí)的規(guī)律。

SVM方法是從線性可分情況下最優(yōu)分類面發(fā)展而來(lái)的。其主要思想是輸入樣本數(shù)據(jù)以某種非線性函數(shù)關(guān)系映射到一個(gè)特征空間中，在此特征空間中構(gòu)造最優(yōu)分類超平面，使兩類（多類）樣本在此特征空間中可分。

當(dāng)前已經(jīng)有許多算法將SVM推廣到多類分類問(wèn)題，可以將它們大致分為兩大類：間接法和直接法。由于直接法將參數(shù)求解合并到一個(gè)最優(yōu)化問(wèn)題中，可以“一次性”地實(shí)現(xiàn)多類分類，應(yīng)用起來(lái)十分簡(jiǎn)潔，因此本文使用第二類方法。

三、指標(biāo)構(gòu)建及數(shù)據(jù)說(shuō)明

1、企業(yè)信用評(píng)級(jí)等級(jí)

企業(yè)的信用評(píng)級(jí)是根據(jù)萬(wàn)得一致預(yù)測(cè)評(píng)級(jí)（截至指定交易日，各機(jī)構(gòu)對(duì)該證券投資評(píng)級(jí)的算術(shù)平均值），將其劃分到相應(yīng)的信用等級(jí)。其中，“-1”表示上市企業(yè)信用低，違約風(fēng)險(xiǎn)高，投資價(jià)值低;“0”表示上市企業(yè)信用一般，違約風(fēng)險(xiǎn)一般，投資價(jià)值一般;“1”表示上市企業(yè)信用高，違約風(fēng)險(xiǎn)較低，有較高的投資價(jià)值。

2、金融風(fēng)險(xiǎn)評(píng)估指標(biāo)體系構(gòu)建

確定全面合理的評(píng)估指標(biāo)體系是信用風(fēng)險(xiǎn)評(píng)估的基礎(chǔ)，因此，選擇科學(xué)有效的評(píng)估指標(biāo)體系對(duì)于比較準(zhǔn)確地評(píng)估信用風(fēng)險(xiǎn)是非常重要的。本文借鑒傳統(tǒng)風(fēng)險(xiǎn)評(píng)估的基本框架，在變量的選擇方面，從營(yíng)運(yùn)能力、盈利能力、償債能力、成長(zhǎng)能力4個(gè)方面選取財(cái)務(wù)變量綜合度量上市公司財(cái)務(wù)狀況，包括以下指標(biāo)：每股收益、每股凈資產(chǎn)、凈資產(chǎn)收益率、總資產(chǎn)凈利率、銷售凈利率、流動(dòng)比率、速動(dòng)比率、產(chǎn)權(quán)比率、權(quán)益乘數(shù)、長(zhǎng)期債務(wù)與營(yíng)運(yùn)資金比率、存貨周轉(zhuǎn)率、應(yīng)收帳款周轉(zhuǎn)率、流動(dòng)資產(chǎn)周轉(zhuǎn)率、營(yíng)運(yùn)資本周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率、基本每股收益（同比增長(zhǎng)率）、凈利潤(rùn)（同比增長(zhǎng)率）、凈資產(chǎn)（同比增長(zhǎng)率）、總資產(chǎn)（同比增長(zhǎng)率）共計(jì)19個(gè)指標(biāo)。

3、數(shù)據(jù)處理

將來(lái)自2017年上市企業(yè)年度數(shù)據(jù)，剔除缺失值后的樣本總量為 813家企業(yè)。其中，各指標(biāo)數(shù)據(jù)來(lái)源于wind金融數(shù)據(jù)庫(kù)。本文預(yù)計(jì)用到多個(gè)指標(biāo)，其量綱和數(shù)量級(jí)不同，為了保證結(jié)果的可靠性，在建立SVM模型前，先對(duì)數(shù)據(jù)進(jìn)行歸一化處理，將數(shù)據(jù)歸化至[0，1]之間。

其中，在具體數(shù)據(jù)處理中，由于企業(yè)預(yù)測(cè)評(píng)級(jí)分類代碼為“1”的數(shù)據(jù)樣本占大多數(shù)，而企業(yè)預(yù)測(cè)評(píng)級(jí)分類代碼為“0”和“-1”的數(shù)據(jù)樣本比例較低。由于后兩個(gè)等級(jí)的樣本太少，難以收集充足的數(shù)據(jù)，根據(jù)我國(guó)實(shí)際情況，本文將對(duì)原來(lái)的一些等級(jí)進(jìn)行合并，最終得到本文中所采用的企業(yè)信用評(píng)級(jí)等級(jí)。同時(shí)，在財(cái)務(wù)指標(biāo)選擇上，由于缺失值太多，刪除了2個(gè)指標(biāo)。

四、實(shí)證研究及結(jié)果分析

根據(jù)評(píng)級(jí)指標(biāo)體系，選取在上海和深圳證券上市交易企業(yè)的財(cái)務(wù)數(shù)據(jù)來(lái)建立上市企業(yè)信用評(píng)級(jí)模型。在建立評(píng)級(jí)模型前，要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。通過(guò)篩選、刪除有特征值缺失的數(shù)據(jù)樣本后，共得到813家有效的企業(yè)債主體財(cái)務(wù)數(shù)據(jù)樣本，其中評(píng)級(jí)等級(jí)為1、0的分別占729家、44家，等級(jí)為-1的占39家。本文中的數(shù)據(jù)來(lái)源于wind金融數(shù)據(jù)庫(kù)。

利用R語(yǔ)言對(duì)SVM模型確定最優(yōu)參數(shù)。模型對(duì)數(shù)據(jù)集的評(píng)級(jí)分類準(zhǔn)確率為89.8%。該數(shù)據(jù)集整體評(píng)級(jí)分類準(zhǔn)確率較高，在“1”等級(jí)上，其分類性能取得了最好的效果;但在預(yù)測(cè)“-1”等級(jí)和“0”等級(jí)的樣本數(shù)據(jù)時(shí)分類性能較差，正確率均偏低，這降低了整體的預(yù)測(cè)正確率。其可能的原因是：一是由于金融數(shù)據(jù)一般是含有模糊、不確定性信息的，導(dǎo)致“1”等級(jí)與“-1”，“0”兩個(gè)等級(jí)的界限并不明顯，影響了分類正確性。二是由于在財(cái)務(wù)指標(biāo)選取上，只是依據(jù)傳統(tǒng)的定性分析方法，沒(méi)有進(jìn)行進(jìn)一步處理，導(dǎo)致財(cái)務(wù)指標(biāo)的一致性和穩(wěn)定性較差。

五、總結(jié)

作為風(fēng)險(xiǎn)管理與控制的手段，信用評(píng)級(jí)對(duì)證券市場(chǎng)的發(fā)展至關(guān)重要。支持向量機(jī)是一種被證明是優(yōu)良的新型算法，已被應(yīng)用于多方面的分類與回歸問(wèn)題。針對(duì)企業(yè)信用風(fēng)險(xiǎn)評(píng)估中面臨的小樣本、非線性、高維數(shù)等問(wèn)題以及樣本數(shù)據(jù)指標(biāo)多、噪聲復(fù)雜的特點(diǎn)，本文提出了一種基于支持向量機(jī)的企業(yè)信用評(píng)級(jí)模型。該方法利用財(cái)務(wù)指標(biāo)，結(jié)合SVM建立評(píng)級(jí)模型，對(duì)數(shù)據(jù)進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，通過(guò)支持向量機(jī)進(jìn)行特征選擇的支持向量機(jī)具有較高的預(yù)測(cè)準(zhǔn)確度。

當(dāng)然，本文針對(duì)直接法，通過(guò)求解該最優(yōu)化問(wèn)題“一次性”地實(shí)現(xiàn)多類分類，盡管看起來(lái)簡(jiǎn)潔，但是實(shí)際應(yīng)用中，由于變量過(guò)多，訓(xùn)練速度和分類精度都不是有很好的效果。

參考文獻(xiàn)：

[1].陳軍飛，張強(qiáng).基于隨機(jī)森林-支持向量機(jī)的企業(yè)債主體信用評(píng)級(jí)研究[J].證券市場(chǎng)，2016，（3）：80-84.

[2].沈沛龍，周浩.基于支持向量機(jī)理論的中小企業(yè)信用風(fēng)險(xiǎn)預(yù)測(cè)研究[J].國(guó)際金融研究，2010，（8）：77-85.

[3].劉志剛，李德仁，秦前清，史文中.支持向量機(jī)在多類分類問(wèn)題中的推廣[J].計(jì)算機(jī)工程與應(yīng)用，2003，（7）：10-13

[4].陳朝暉，胡玉芳.基于SVM的我國(guó)商業(yè)銀行風(fēng)險(xiǎn)預(yù)警研究[J].武漢理工大學(xué)學(xué)報(bào)（信息與管理工程版），2012，（4）：504-508

作者簡(jiǎn)介：

王星星（1992-），女，河北石家莊人，山西財(cái)經(jīng)大學(xué)2016（金融學(xué)）學(xué)術(shù)碩士研究生，研究方向：金融投資與風(fēng)險(xiǎn)管理.