債券信用風險論文

　　一、大資料下債券信用風險評估的資訊提取

　　傳統的資訊不確定和不對稱的問題，使得投資人對企業價值評估不準確，進而要求高的風險溢價。從根本上講，債券市場同股票市場一樣，受宏觀經濟面如貨幣政策、市場信心等市場資訊因素的影響。Galai以宏觀市場的定價行為作為衡量資訊不對稱的程度，說明了資訊不對稱情況下，存在信用利差進而影響企業債券估價。Moerman透過研究發現，二級市場中買賣價差與債券的利率利差存在正相關關係，買賣價差與債券的期限呈現正相關的關係。從宏觀角度講，能夠影響企業債券價值的因素有市場利率、票面利率、交易量、債券剩餘期限、通貨膨脹率等。以大資料的視角可以將這些因素統歸於“利率”，因為宏觀經濟的各種指標最終都會以利率的形勢表現出來。另外，從微觀風險資訊的角度出發，內部的經營問題也可能會迫使企業在債券到期無力償還，導致投資者面臨違約風險。Duffie以不完全的會計資訊作為指標，提出會計資訊不完整會使投資者錯誤的評估公司的實際價值，結果是要求公司產生高的風險溢價。Hong(2000)認為公司歷史越悠久就能越好的提供更多的有價值的資訊，從而降低了這種資訊不確定性，降低風險溢價。微觀層面影響的企業債券價值的資訊，其實是對企業的運營狀況、財務狀況等的一個反應，都體現對公司“信用”的評級。以“利率”和“信用”為給定關鍵字後,利用大資料搜尋技術，從而找到更多企業資訊，對企業債券評估具有很高的價值，運用資料探勘技術有可以從大量的資訊中提出影響企業價值的因素，這樣可以有效的解決以往的資訊不確定和資訊不對稱的問題。

　　二、大資料探勘技術在債券信用風險估計中的應用

　　大資料下，我們面對的是多種多樣紛繁複雜的資料，關於企業的資訊有些是我們需要的，但是很大一部分是無關聯的資料，所以採取新型的資料探勘技術，找到哪些因素能夠影響企業價值才是最關鍵的。資料探勘就是大量的資料中，找到其中隱含的、我們看不見的、有價值的資訊。資料探勘技術有很多種，比較常見的有關聯規則、神經網路、決策樹等方法。這些方法中很多可以運用到債券估價模型上。在當下流行的關聯分析演算法中，比較有影響力的是Apriori演算法。該演算法透過多次迴圈提取，儘可能減小候選集的規模，最終形成強關聯集合。這種關聯規則可以應用到對影響企業債券資訊的初期處理之中，找出哪些因素能夠對債券價值有影響，透過關聯規則可以實現資料的初期整合，刪除無影響的資訊。決策樹是一種預測分類方法，其目的是對資料集訓集進行分類，找出有價值的，隱含的資訊。J.R.Quinlan提出的ID3演算法根據資訊增益最大化為主要屬性設定決策樹的節點，然後在各支樹上採用遞迴演算法建立分支樹。決策樹可以用於對企業價值資訊進行分類估價，建立信用風險模型。透過決策樹對資訊的'分類，達到評價企業信用風險等級評價的目的。神經網路演算法是模擬人體細胞間的神經元，透過訓練實現分級、聚合等多種資料探勘目標。神經網路技術在債券市場的研究也日趨成熟，Coasts講神經網路應用於公司財務狀況評價，發現利用神經網路預測正確率在93%。所以，利用神經網路資料探勘可以根據提取、篩選、分類後的資料進行債券價格的預測。透過以上3種資料探勘技術在債券市場上的應用，可以很好的分析企業價值資訊。關聯分析可以對找出相關資訊，決策樹可以對資訊進行分類，神經網路可以對債券價值做一個很好的預測。

　　三、總結

　　本文首先分析了債券市場上的資訊問題給企業債券風險評估帶來的不良影響。針對時代背景，對大資料時代做了一個概念性的認識。透過對以往文獻的研究，找出一些能夠影響企業債券價值資訊的因素，從宏觀和微觀兩個方面來對這些因素進行分析和歸類。然後用大資料探勘技術在債券市場上的資訊挖掘的應用，關聯分析可以對找出相關資訊，決策樹可以對資訊進行分類，神經網路可以對債券價值做一個很好的預測。經過研究資料探勘技術在債券估計中有著很好的前景。