摘要: 随着经济飞速发展，我国债券市场总体不断扩大，债券发行量激增，债券发行总额不断增加，债券市场发展迅速.与此同时，部分企业由于受到产品需求减少、宏观经济调整等因素的影响，不能如约履行偿债义务，从而形成违约.这使得上市公司违约预警和信用评... 展开 随着经济飞速发展，我国债券市场总体不断扩大，债券发行量激增，债券发行总额不断增加，债券市场发展迅速.与此同时，部分企业由于受到产品需求减少、宏观经济调整等因素的影响，不能如约履行偿债义务，从而形成违约.这使得上市公司违约预警和信用评级成为了投资者投资决策的有效参考.本文将基于Lasso和支持向量回归这两种方法对上市公司债券违约进行研究. 一方面，通过对比Lasso方法和PliableLasso方法在样本数据变量选取方面的优劣，采用Lasso方法对上市公司财务数据进行变量选取，借助生存分析法构建Aalen可加风险模型，提出了针对上市公司违约概率的Lasso-Aalen模型，来研究上市公司违约概率与各财务指标间的关系.研究表明，资产总计、留存收益率、净资产报酬率、资产负债率、现金收入比率等几个指标均影响上市公司违约强度，即这几个指标具有稳健性；现金债务总额比、资产总计、净资产报酬率等指标都具有很强的时变性；且留存收益率、现金收入比率的值越大，公司违约概率越低.本文的研究方法为上市公司违约预测提供了重要的理论依据. 另一方面，采用探索性因子分析法确定模型为非线性支持向量，利用支持向量机和支持向量回归对信用债券评级进行分类和预测.同时，通过支持向量机不同核函数的比较，选出最合适的核函数.研究发现，在样本数据中，AA+级债券在所有债券中预测效果最好；在债券信用评级问题中，使用径向基核函数进行预测效果更好. 本文利用Lasso-Aalen模型和支持向量回归模型分别对上市公司违约可能性以及沪深两市公司债和企业债的信用评级进行研究，从上市公司违约和债券违约两个角度对债券市场违约进行研究，进一步说明了机器学习方法在债券市场实证研究中的可行性和优势. 收起