债券信用风险论文

　　一、大数据下债券信用风险评估的信息提取
　　传统的信息不确定和不对称的问题，使得投资人对企业价值评估不准确，进而要求高的风险溢价。从根本上讲，债券市场同股票市场一样，受宏观经济面如货币政策、市场信心等市场信息因素的影响。Galai以宏观市场的定价行为作为衡量信息不对称的程度，说明了信息不对称情况下，存在信用利差进而影响企业债券估价。Moerman通过研究发现，二级市场中买卖价差与债券的利率利差存在正相关关系，买卖价差与债券的期限呈现正相关的关系。从宏观角度讲，能够影响企业债券价值的因素有市场利率、票面利率、交易量、债券剩余期限、通货膨胀率等。以大数据的视角可以将这些因素统归于＂利率＂，因为宏观经济的各种指标最终都会以利率的形势表现出来。另外，从微观风险信息的角度出发，内部的经营问题也可能会迫使企业在债券到期无力偿还，导致投资者面临违约风险。Duffie以不完全的会计信息作为指标，提出会计信息不完整会使投资者错误的评估公司的实际价值，结果是要求公司产生高的风险溢价。Hong(2000)认为公司历史越悠久就能越好的提供更多的有价值的信息，从而降低了这种信息不确定性，降低风险溢价。微观层面影响的企业债券价值的信息，其实是对企业的运营状况、财务状况等的一个反应，都体现对公司＂信用＂的评级。以＂利率＂和＂信用＂为给定关键字后,利用大数据搜索技术，从而找到更多企业信息，对企业债券评估具有很高的价值，运用数据挖掘技术有可以从大量的信息中提出影响企业价值的因素，这样可以有效的解决以往的信息不确定和信息不对称的问题。
　　二、大数据挖掘技术在债券信用风险估计中的应用
　　大数据下，我们面对的是多种多样纷繁复杂的数据，关于企业的信息有些是我们需要的，但是很大一部分是无关联的数据，所以采取新型的数据挖掘技术，找到哪些因素能够影响企业价值才是最关键的。数据挖掘就是大量的数据中，找到其中隐含的、我们看不见的、有价值的信息。数据挖掘技术有很多种，比较常见的有关联规则、神经网络、决策树等方法。这些方法中很多可以运用到债券估价模型上。在当下流行的关联分析算法中，比较有影响力的是Apriori算法。该算法通过多次循环提取，尽可能减小候选集的规模，最终形成强关联集合。这种关联规则可以应用到对影响企业债券信息的初期处理之中，找出哪些因素能够对债券价值有影响，通过关联规则可以实现数据的初期整合，删除无影响的信息。决策树是一种预测分类方法，其目的是对数据集训集进行分类，找出有价值的，隐含的信息。J.R.Quinlan提出的＂ID3算法根据信息增益最大化为主要属性设置决策树的节点，然后在各支树上采用递归算法建立分支树。决策树可以用于对企业价值信息进行分类估价，建立信用风险模型。通过决策树对信息的分类，达到评价企业信用风险等级评价的目的。神经网络算法是模拟人体细胞间的神经元，通过训练实现分级、聚合等多种数据挖掘目标。神经网络技术在债券市场的研究也日趋成熟，Coasts讲神经网络应用于公司财务状况评价，发现利用神经网络预测正确率在93%。所以，利用神经网络数据挖掘可以根据提取、筛选、分类后的数据进行债券价格的预测。通过以上3种数据挖掘技术在债券市场上的应用，可以很好的分析企业价值信息。关联分析可以对找出相关信息，决策树可以对信息进行分类，神经网络可以对债券价值做一个很好的预测。
　　三、总结
　　本文首先分析了债券市场上的信息问题给企业债券风险评估带来的不良影响。针对时代背景，对大数据时代做了一个概念性的认识。通过对以往文献的研究，找出一些能够影响企业债券价值信息的因素，从宏观和微观两个方面来对这些因素进行分析和归类。然后用大数据挖掘技术在债券市场上的信息挖掘的应用，关联分析可以对找出相关信息，决策树可以对信息进行分类，神经网络可以对债券价值做一个很好的预测。经过研究数据挖掘技术在债券估计中有着很好的前景。