基于AI與傳統(tǒng)風(fēng)險度量模型下房地產(chǎn)企業(yè)信用風(fēng)險度量分析

王曉菲 劉繼端 詹梓雯 劉彥清 張燕玲 周燕

作者簡介：王曉菲（1993— ），女，漢族，廣東廣州人。主要研究方向：企業(yè)信用管理。

摘 要：由于房地產(chǎn)企業(yè)是屬于高負(fù)債企業(yè)，對財務(wù)金融杠桿的依賴性極高，具有長周期性等高風(fēng)險特征。再加上如今國家宏觀調(diào)控緊、地方微觀調(diào)控嚴(yán)，房地產(chǎn)企業(yè)步入了資金收緊、盈利減少的階段，面臨難融資、融資少的問題，導(dǎo)致房地產(chǎn)企業(yè)風(fēng)險進(jìn)一步放大，阻礙了房地產(chǎn)企業(yè)的發(fā)展。所以，房地產(chǎn)企業(yè)要想持續(xù)發(fā)展，就要加強風(fēng)險管控和防范。本文通過專業(yè)的信用管理知識將機器學(xué)習(xí)AI模型與傳統(tǒng)信用風(fēng)險度量模型結(jié)合來度量房地產(chǎn)企業(yè)的信用違約風(fēng)險。因為機器學(xué)習(xí)AI模型能夠補充傳統(tǒng)信用風(fēng)險度量模型在財務(wù)數(shù)據(jù)方面外的空白，而傳統(tǒng)信用風(fēng)險度量模型能夠通過其在金融領(lǐng)域的研究經(jīng)驗為機器學(xué)習(xí)提供研究方向，所有將兩者進(jìn)行結(jié)合能通過多角度對房地產(chǎn)企業(yè)的信用違約風(fēng)險進(jìn)行更加精準(zhǔn)的度量。

關(guān)鍵詞：機器學(xué)習(xí);房地產(chǎn);風(fēng)險度量;模型融合

中國的房地產(chǎn)行業(yè)經(jīng)歷幾十年的發(fā)展，已經(jīng)成為國民經(jīng)濟和金融體系中不可或缺的一部分。房地產(chǎn)企業(yè)在這個過程中也在不斷調(diào)整和改變，但房地產(chǎn)企業(yè)高負(fù)債和長周期的經(jīng)營模式一直是房地產(chǎn)企業(yè)的一個特點。高負(fù)債和長周期的經(jīng)營模式不但帶來了高杠桿、高回報，也帶來了高風(fēng)險。而企業(yè)風(fēng)險度量一直是當(dāng)前不斷探索和解決的問題，尤其是房地產(chǎn)企業(yè)。但當(dāng)前企業(yè)使用的風(fēng)險度量模型還是基于傳統(tǒng)的一些風(fēng)險度量模型，比如KMV、Z模型、CreditVaR系列模型等，而傳統(tǒng)風(fēng)險度量模型由于年限較長，再加上大部分來自于國外學(xué)者研究，對當(dāng)今復(fù)雜多變的市場度量信用風(fēng)險時，難免會有較大的偏差。本文將大數(shù)據(jù)技術(shù)和機器學(xué)習(xí)AI技術(shù)與傳統(tǒng)的風(fēng)險度量模型結(jié)合，從而打破僅僅通過財務(wù)數(shù)據(jù)的單一角度來度量風(fēng)險的傳統(tǒng)思維，使用更新、更多角度、更與時俱進(jìn)的方法和思維來設(shè)計和打造出適用于當(dāng)下市場環(huán)境的風(fēng)險度量模型。

一、信用違約風(fēng)險建模

本文采用的算法模型有遺傳算法、KMV模型、LGB模型、SnowNLP模型、LR回歸模型，其中遺傳算法模型負(fù)責(zé)解出最優(yōu)解;KMV模型作為傳統(tǒng)風(fēng)險度量模型負(fù)責(zé)解出企業(yè)違約概率和違約距離;LGB模型和LR回歸模型負(fù)責(zé)擬合樣本數(shù)據(jù)，對樣本進(jìn)行預(yù)測分類;SnowNLP模型負(fù)責(zé)對文本數(shù)據(jù)進(jìn)行情感分析。根據(jù)以上四個模型，進(jìn)行風(fēng)險度量建模。

（一）遺傳算法KMV模型

首先，采用遺傳算法對全國所有行業(yè)的上市公司訓(xùn)練出適合我國國情的KMV模型，即訓(xùn)練出適合我國國情的長期負(fù)債系數(shù)和短期負(fù)債系數(shù)。

在適合中國國情的KMV模型中，其短期負(fù)債系數(shù)和長期負(fù)債系數(shù)分別為0.948和0.264。根據(jù)遺傳算法訓(xùn)練出來的KMV模型簡稱為“QG_KMV”模型，本文通過QG_KMV模型去度量全國109個行業(yè)的信用違約風(fēng)險。

由于房地產(chǎn)行業(yè)高負(fù)債的特點，導(dǎo)致應(yīng)用QG_KMV模型度量房地產(chǎn)行業(yè)風(fēng)險時，房地產(chǎn)的違約風(fēng)險偏高，所以本文將放棄使用全國所有行業(yè)的上市公司去訓(xùn)練KMV模型，而改用全國所有房地產(chǎn)行業(yè)的上市公司去訓(xùn)練KMV模型，如圖1所示：

從圖 1中可知，利用全國所有房地產(chǎn)行業(yè)的上市公司訓(xùn)練KMV模型訓(xùn)練出的短期負(fù)債系數(shù)和長期負(fù)債系數(shù)分別為0.0438和0.0783，本文將該模型簡稱為“FDC_KMV”模型。

通過“FDC_KMV”模型計算出各行業(yè)違約概率如下：

由圖 2中可知，相較之前的KMV模型，“FDC_KMV”模型在房地產(chǎn)企業(yè)的平均違約距離和概率大幅下降，信用等級從D上升到A，更加適用于房地產(chǎn)企業(yè)，且全國地產(chǎn)的信用等級明顯優(yōu)于區(qū)域地產(chǎn)。

（二）LGB_KMV模型

同時通過將機器學(xué)習(xí)LIGHTGBM模型與KMV模型結(jié)合，采取全國3541家上市公司（其中3355家非ST公司和186家ST公司）作為訓(xùn)練數(shù)據(jù)。其中ST公司是指連續(xù)兩年虧損或者凈資產(chǎn)低于股票面值的公司，非ST則相反。但由于兩類公司數(shù)量不一致，導(dǎo)致數(shù)據(jù)不平衡，經(jīng)過SMOTE算法進(jìn)行上采樣之后，共計6710條數(shù)據(jù)樣本，其中包含ST公司和非ST公司樣本各3355條。

圍繞著這6710條數(shù)據(jù)樣本進(jìn)行建模，將數(shù)據(jù)集以8：2的比例切分為訓(xùn)練集和測試集，采用的數(shù)據(jù)特征有流動負(fù)債、非流動負(fù)債、總市值、收益率波動率、總負(fù)債，以及通過KMV模型計算得出的違約距離及違約概率。同時將樣本數(shù)據(jù)特征分為兩組，一組是加入KMV模型計算出來的違約概率和違約距離特征，稱為LGB模型;另一組是沒有加入KMV模型計算出來的違約概率和違約距離特征，稱為LGB_KMV模型。通過對兩組數(shù)據(jù)進(jìn)行建模分析。LGB_KMV模型在測試數(shù)據(jù)集中的表現(xiàn)優(yōu)于LGB模型，其中LGB_KMV模型預(yù)測的準(zhǔn)確度達(dá)88%，而LBG模型的準(zhǔn)確度為83.9%，所以融合了KMV模型之后的LGB_KMV模型比沒有融合KMV模型的LGB模型準(zhǔn)確度提高了4.1%。

（三）SNOWNLP模型

通過python的SNOWNLP自然語言情感分析庫對房地產(chǎn)上市公司公告進(jìn)行情感分析，對每一年中發(fā)布的每一條上市公司公告進(jìn)行打分，分值為[0-1]，其中得分越接近1，說明該公告攜帶的信息表現(xiàn)為越積極，反之，得分越接近0，說明該公告攜帶的信息表現(xiàn)為越消極，將公告得分大于0.5分判斷為積極公告，小于0.5分判斷為消極公告，等于0.5分的判斷為中立公告。

以萬科2020年公告做一個情感判斷為例，結(jié)果如圖 3所示：

如圖 3所示，SNOWNLP模型能夠?qū)γ織l公告信息進(jìn)行一個情感分析并且進(jìn)行情感評分。

（四）LGB_LR模型

股市是一個消息市，股票市場中股民會參考公司披露的公告信息來投資股票，所以上市公司的公司公告發(fā)布會對股價造成一定程度的影響，股價的變動會影響公司的市值。正如KMV模型中通過公司的市值，從而計算出公司的價值來度量風(fēng)險，那么公司的股票價格的變動就會與公司的風(fēng)險相關(guān)聯(lián)。

將公告的文本信息進(jìn)行數(shù)據(jù)處理，再采用詞嵌入的方法，即應(yīng)用TF_IDF方案。TF是指單詞詞頻，即一個詞在文章中出現(xiàn)的頻率，從客觀的角度出發(fā)一些詞出現(xiàn)的頻率越高，說明這個詞的重要性可能是比較高的。IDF是指逆文本頻率，即該詞越少越能代表該篇文章，因為一篇文章中可能有大多的介詞或者代詞，這些詞都沒有特別大的意義，例如‘的、‘將、‘通過、‘你、‘我、‘他等等詞語。將處理后的公告信息通過LGB_LR模型進(jìn)行預(yù)測出下一天股價的變化趨勢。

二、風(fēng)險量化

綜上，本文將通過定量的方法，對房地產(chǎn)行業(yè)中的10家房地產(chǎn)企業(yè)風(fēng)險進(jìn)行量化處理，其中包括5家ST公司，5家非ST公司。將引入一個信用風(fēng)險值，這個值涵蓋各個模型所得結(jié)果及影響因素。通過信用風(fēng)險值來衡量房地產(chǎn)公司的風(fēng)險大小，信用風(fēng)險值與信用風(fēng)險成正比關(guān)系。

信用風(fēng)險值的計算公式如下：

其中和分別為KMV模型輸出的違約概率和違約距離，為LGB_KMV模型的準(zhǔn)度，為LGB_KMV模型預(yù)測值，為LGB_LR模型的準(zhǔn)度，為LGB_LR模型預(yù)測值，為SNOWNLP模型輸出的情緒值，常數(shù)項1.7147是違約距離的臨界值。

Sigmoid函數(shù)計算公式如下：

Sigmoid函數(shù)能夠?qū)⑦B續(xù)變量映射到（0，1）范圍內(nèi)，0.5為企業(yè)違約的閾值，風(fēng)險值達(dá)到0.5表明企業(yè)可能發(fā)生違約事件，風(fēng)險值越接近1表明發(fā)生違約事件的可能性越高。本文中的風(fēng)險等級分為低風(fēng)險、中低風(fēng)險、中高風(fēng)險、高風(fēng)險四個等級，對應(yīng)的信用風(fēng)險值為（0，0.25]、[0.25，0.5]、[0.5，0.75]，[0.75，1）。

通過4個模型的輸出結(jié)果，進(jìn)行計算10家房地產(chǎn)企業(yè)的信用風(fēng)險值的大小，如表 1所示：

如表1所示，通過對比ST和非ST兩類企業(yè)信用風(fēng)險值可知，本文的模型能夠更加具體的度量出兩類企業(yè)的信用風(fēng)險值，并且ST企業(yè)的信用風(fēng)險值明顯高于非ST企業(yè)。

通過兩類企業(yè)的對比，驗證了本文模型在房地產(chǎn)企業(yè)的信用風(fēng)險度量上的效果，證實了本文模型的可信度。

三、結(jié)語

本文主要研究房地產(chǎn)公司信用風(fēng)險的度量，主要研究結(jié)果和結(jié)論如下所示：

（1）從度量結(jié)果可知，ST房地產(chǎn)企業(yè)的信用風(fēng)險值屬于中高、高風(fēng)險區(qū)域，違約可能性大，相比之下非ST房地產(chǎn)企業(yè)的信用風(fēng)險值屬于中低、低風(fēng)險區(qū)域，履約能力較強。

（2）加入傳統(tǒng)風(fēng)險度量模型能夠提高機器學(xué)習(xí)預(yù)測的準(zhǔn)確率，在本文中準(zhǔn)確率提高了4.1%。

（3）傳統(tǒng)的KMV模型不適用于房地產(chǎn)行業(yè)。

（4）“全國地產(chǎn)”行業(yè)信用水平高于“區(qū)域地產(chǎn)”行業(yè)。

參考文獻(xiàn)：

[1]馮雅情.基于改進(jìn)的KMV-LBGoost的信用債風(fēng)險度量[D].2020.

[2]王慧，張國君.KMV模型在我國上市房地產(chǎn)企業(yè)信用風(fēng)險度量中的應(yīng)用[J].經(jīng)濟問題，2018（03）：36-40.

[3]袁琦富.基于Logistic模房地產(chǎn)上市公司違約風(fēng)險度量研究[D].天津財經(jīng)大學(xué)，2018.

[4]潘義.我國上市公司信用風(fēng)險度量研究[D].安徽工業(yè)大學(xué)，2010.

[5]余佳坤.制造業(yè)上市公司信用違約風(fēng)險度量[D].山東大學(xué)，2020.

[6]周志華.機器學(xué)習(xí)[M].北京：清華大學(xué)出版社，2016：12-16.

[7]邱偉棟.基于LightGBM模型的P2P網(wǎng)貸違約預(yù)測研究[D].江西財經(jīng)大學(xué)，2020：6.

[8]羅欣.中國房地產(chǎn)市場融資現(xiàn)狀分析[J].現(xiàn)代商業(yè)，2011（33）：48-49.

[9]高國華.嚴(yán)調(diào)控趨勢下房企信用風(fēng)險分析[J].債券，2017（07）：61-66.

[10]劉君紅.我國房地產(chǎn)行業(yè)信用風(fēng)險評價研究[D].北京交通大學(xué)，2012.

[11]劉敏.基于判別分析法的房地產(chǎn)企業(yè)信用風(fēng)險度量研究[J].財會通訊，2013（20）：107-108.