基于XGBoost的中国上市公司违约风险预测模型

• 全文链接
• 请求原文

作   者：

迟国泰;  王珊珊; 

作者机构：

大连理工大学经济管理学院; 

关键词：

决策树参数;  违约预测;  指标组合遴选; 

期刊名称：

系统管理学报

i s s n：

1005-2542

年卷期：

2024 年 33 卷 003 期

页   码：

735-754

摘   要：

准确预测上市公司的违约风险,是企业信用风险评价的关键,也是金融机构信贷决策的重要依据.通过线性回归模型的信息量 AIC 遴选违约判别能力最大的指标组合,采用粒子群优化算法构建基于XGBoost的违约预测模型.选取中国A股 3 425 家上市公司不同时间窗口的数据为样本进行违约预测,将所构建的PSO-XGBoost模型与逻辑回归、支持向量机等 13 种预测模型对比,验证所建模型的有效性.通过UCI数据库中的 3 个公开信用数据集,利用 Friedman 检验,验证所建模型的稳健性.研究表明:使用上市公司数据与 13 种模型对比,PSO-XGBoost模型提高了预测精度G-mean;使用 3 个公开信用数据集,在多个评价指标上,PSO-XGBoost模型的平均预测性能显著优于对比模型;通过指标对预测结果的贡献获得指标重要性得分,增强了预测模型的可解释性.研究发现:"资产负债率""流动比率""长期资本负债率"等财务指标对违约预测的影响最大,"行业景气指数""社会消费品零售总额增长率""流通中现金(M0)供应量同比增长率"等指标是影响违约预测的重要指标.本研究可以为提高违约风险预测的准确性提供有效的方法和实证证据,有助于加强上市公司违约风险的预警和防范,降低违约风险监管成本,为企业管理者、债权人及投资者提供良好的决策支持.