金融工程研究报告：基于随机森林算法的信用风险识别模型.pdfVIP

[Table_PageTop]金融工程研究

目录

1.信用风险事件4

1.1.违约事件统计4

1.2.信用评级下调事件统计6

2.分类模型概述8

2.1.逻辑回归（LogisticRegression）8

2.2.随机森林（RandomForest）9

2.3.极端梯度提升（XGBoost）10

3.信用风险识别模型10

3.1.模型搭建准备10

3.1.1.特征的选取10

3.1.2.不平衡样本数据的处理11

3.1.3.模型评估标准12

3.1.4.参数的调整14

3.2.Logistic回归15

3.3.随机森林19

3.4.模型效果对比23

4.可转债因子信用增强23

4.1.低波因子24

4.2.估值因子26

5.总结27

6.参考文献27

7.风险提示28

请务必阅读正文后的声明及说明2/30

[Table_PageTop]金融工程研究

图表目录

图1：历年违约主体数量与违约金额(2015/01/01-2024/08/15)4

图2：违约类型分布：违约金额5

图3：违约类型分布：违约债券数量5

图4：债券类型分布：违约金额5

图5：债券类型分布：违约债券数量5

图6：违约债券申万一级行业分布6

图7：违约债券主体必威体育精装版评级分布6

图8：历年信用评级下调主体与债券数量(2015/01/01-2024/08/15)7

图9：信用评级下调主体申万一级行业分布7

图10：信用评级下调债券类型分布7

图11：信用评级下调主体上次评级分布8

图12：标准逻辑函数9

图13：随机森林算法示意图9

图14：XGBoost算法示意图10

图15：过采样和欠采样示意图12

图16：混淆矩阵示意图13

图17：ROC曲线示意图13

图18：K-折交叉验证示意图14

图19：Logistic回归ROC曲线15

图20：Logistic回归召回率15

图21：Logistic回归系数17

图22：随机森林单决策树最大深度分布19

图23：随机森林单决策树抽取特征数量分布19

图24：随机森林ROC曲线19

图25：随机森林召回率20

图26：随机森林重要性前10的特征20

图27：信用事件后1M可转债区间收益分布24

图28：信用事件后1M可转债区间振幅分布24

图29：低波因子多头信用增强前后净值对比25

图30：低波因子多头超额信用增强前后净值对比25

图31：估值因子多头信用增强前后净值对比26

图32：估值因子多头超额信用增强前后