債券違約預警模型的優(yōu)化與提升

——基于SMOTETomek-GWO-XGBoost的方法

【摘 要】 自2014年我國債券市場首例違約事件發(fā)生以來，債券違約屢見不鮮。文章以2014—2022年發(fā)行的公司債、企業(yè)債和中期票據(jù)為研究對象，選取財務指標與非財務指標，搭建了基于機器學習算法SMOTETomek-GWO-XGBoost的債券違約風險預警模型。結(jié)果表明：（1）與其他方法相比，GWO-XGBoost模型在準確率、召回率、未加權(quán)平均召回率以及AUC值這四個指標上具有更加優(yōu)異的表現(xiàn)；（2）SMOTETomek采樣方法可以有效平衡數(shù)據(jù)樣本，因此SMOTETomek-GWO- XGBoost模型具有更高的精度與穩(wěn)定性；（3）SHAP值法可以展示不同特征變量對債券違約風險的貢獻度，有利于就重要特征進行針對性分析。（剩余13779字）