首页/论文/1004.0685

arXiv 1004.06852010-04-12q-fin.RMq-fin.ST

俄罗斯上市公司违约风险的简单模糊评分

Simple Fuzzy Score for Russian Public Companies Risk of Default

Sergey Ivliev

备注：: 10 pages, 7 figures

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

该模型的目的是区分“好”和“坏”的公司在俄罗斯企业部门的基础上，他们的财务报表数据的基础上，俄罗斯会计准则。数据样本包括126家俄罗斯上市公司-卢布债券发行人，约占公司债券发行人总数的36%。在2008-2009年，有25家公司拖欠债务，约占违约案件的30%。样本中没有SPV公司。该模型显示样本内基尼系数AR约为73%，并给出了一个合理而简单的映射到外部评级的规则。该模型可以用来计算隐含的信用评级的俄罗斯公司，他们中的许多人没有。

英文摘要：

The model is aimed to discriminate the 'good' and the 'bad' companies in Russian corporate sector based on their financial statements data based on Russian Accounting Standards. The data sample consists of 126 Russian public companies- issuers of Ruble bonds which represent about 36% of total number of corporate bonds issuers. 25 companies have defaulted on their debt in 2008-2009 which represent around 30% of default cases. No SPV companies were included in the sample. The model shows in-sample Gini AR about 73% and gives a reasonable and simple rule of mapping to external ratings. The model can be used to calculate implied credit rating for Russian companies which many of them don't have.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

俄罗斯银行间市场的违约传染风险

Default contagion risks in Russian interbank market

研究了俄罗斯银行间市场违约传染的系统性风险。分析是基于考虑蝴蝶结结构的加权有向图描述的银行间贷款的结构。基于经验数据，建立了一个银行间传染的概率模型，该模型明确考虑了反映相应节点（借款人、贷款人、借款人和贷款人同时）功能性的经验蝴蝶结结构、银行间网络的度分布和离散性。用该模型计算的传染相关系统性风险特征与显式压力测试结果一致。

2016-01-03physics.soc-phq-fin.RM

上市公司的Merton违约风险模型

The Merton's Default Risk Model for Public Company

本文在负债可观测假设下开发了上市公司的Merton结构模型，利用Campbell和Shiller近似方法推导出风险中性股权、负债价值与违约概率公式，并提供了模型参数的极大似然估计量。

2024-09-21q-fin.RM

基于CEV-KMV模型的缺省距离

Default Distances Based on the CEV-KMV Model

将CEV过程应用于KMV模型，提出了一种新的违约风险评估方法。我们发现企业资产价值的波动率可能不是一个常数，因此我们假设企业资产价值的动态过程是CEV过程$\frac{dV_A}{V_A} = μ_A dt + δV_A^{β-1}dB$，并使用等价波动率方法来估计参数。在违约距离方面，与经典KMV模型相比，CEV-KMV模型在预测信用风险时更符合市场。此外，估计结果还显示出非ST公司的$β>1$和ST公司的$β<1$，这表明它们在局部波动结构上的差异：ST公司的波动率相对于公司资产是减小的，而非ST公司的波动率是增大的。

2022-05-20q-fin.RM

基于机器学习的企业违约预测

Firms Default Prediction with Machine Learning

Sapienza University of Rome（罗马第一大学）；Bank of Italy（意大利银行）

多年来，学术界和从业者一直在研究预测公司破产的模型，使用统计和机器学习方法。一家公司出现财政困难，最终可能破产的早期迹象是进入\emph{default}，粗略地说，这意味着该公司在偿还银行系统的贷款方面遇到困难。从技术上讲，公司的违约状态并不是失败，但与银行贷款政策非常相关，而且往往预示着公司的失败。根据我们的知识，我们的研究第一次使用了来自意大利银行意大利中央信用登记处的非常大的颗粒信用数据数据库，其中包含所有意大利公司过去对整个意大利银行系统的行为信息，以使用机器学习技术预测他们的违约。此外，我们将这些数据与有关公司公开资产负债表数据的其他信息相结合。我们发现集成技术和随机森林提供了最好的结果，证实了Barboza等人的发现（Expert Syst.Appl.，2017年）。

2020-02-17cs.LGq-fin.RM

信用风险和公司的组织间网络：评估供应商和买方对CDS利差的影响

Credit risk and companies' inter-organizational networks: Assessing impact of suppliers and buyers on CDS spreads

公司不是在真空中运作的。随着公司生产职能的日益专业化，其影响力也日益全球化，公司管理和塑造组织间网络的能力是衡量其健康状况的一个决定性因素。目前的公司财务健康模型往往缺乏解释组织间网络的变量，因此，假设（1）所有网络都是相同的，（2）合作伙伴的业绩不会影响公司。本文旨在成为消除这些假设的第一步。具体而言，通过检查客户和供应商的集中度和合作伙伴的信用风险对信用违约互换（CDS）利差的影响，同时控制信用风险和大小来说明的影响。我们依赖彭博社的供应链数据，这些数据提供了对公司关系的深入了解。实证结果表明，一个良好的多元化客户网络降低CDS利差，而具有低违约概率的稳定合作伙伴增加利差。后一个结果表明，成功的公司并不专注于围绕自己建立一个稳定的生态系统，而是专注于自己的利润最大化，而牺牲了供应商和客户的财务健康。在更一般的水平上，研究结果表明了考虑组织间网络的重要性，并强调了在信用风险模型中包括网络变量的价值。

2016-02-21q-fin.GNq-fin.RM

一种用于中型企业市场违约预测的基于 Transformer 的模型

A transformer-based model for default prediction in mid-cap corporate markets

University of Southampton（南安普顿大学）；The University of Western Ontario（西安大略大学）

本文将中型企业违约预测建模为多标签时间序列分类，提出带自定义损失与差异化训练的多通道 Transformer 架构，AUC较传统模型提升13%，并用注意力和Shapley方法解释数据源及时间重要性。

2023-04-20cs.CYcs.LGq-fin.GN

更多相关论文收起更多论文

超越首次通过近似的违约风险建模：位置相关的杀戮

Default risk modeling beyond the first-passage approximation: Position-dependent killing

在存在位置依赖性杀伤的情况下，线性电位中的扩散用于模拟默认过程。不同的假设，运输系数，初始条件和弹性的杀伤措施导致不同的破产模型。一个“程式化的事实”是我们考虑的基础：经验上违约是一个相当罕见的事件，特别是在投资级类别的信用评级。因此，杀伤作用可以被认为是一个小参数。在一些特殊的情况下，我们推导出封闭形式的表达式为整个期限结构的累积违约概率，其风险率和强度。与全球公司违约历史数据的比较证实了独立于模型的扰动方法对信用评级的投资级类别公司的适用性，并考虑到

2011-08-25q-fin.CPq-fin.PRq-fin.RM

根据俄罗斯银行的数据间接估计行业目标细分市场违约概率动态的方法

Method of indirect estimation of default probability dynamics for industry-target segments according to the data of Bank of Russia

由于缺乏统计数据，无法直接按行业和目标公司部门计算违约率。本文考虑了一种模型，用于根据俄罗斯银行提供的逾期债务动态的间接数据过滤公司和其他借款人违约概率的动态。该模型以总负债和逾期负债的平衡方程为基础，利用Hodrick_Prescott滤波方法建立相应时间序列的缺失环节。在零售贷款领域（抵押贷款、消费贷款），违约统计数据由信贷局提供。该方法在此统计量上进行了验证。在历史有限的时期内，验证表明结果是可信的。由此产生的违约概率序列是部门信用风险的宏观经济建模的外生变量。

2022-05-12q-fin.RM

超越首次通过近似的违约风险模型：扩展的Black-Cox模型

Default Risk Modeling Beyond the First-Passage Approximation: Extended Black-Cox Model

我们开发了一个推广的Black-Cox结构模型的违约风险。扩展模型捕捉到的不确定性，公司的能力，以避免违约，即使公司的负债暂时超过其资产。在辐射边界条件的线性势中的扩散被用来模拟公司的默认过程。相应的Fokker-Planck方程的精确解允许推导出累积违约概率和相关风险率的解析表达式。得到的封闭式公式很好地拟合了全球企业违约的历史数据，并展示了不同类别的投机级评级的公司债券的信用利差的分裂行为与不同的到期时间。在边界处引入有限违约率改进了短期内信用风险的估值，这是所提出的模型的主要优点。我们还考虑了初始距离的不确定性对模型结果的影响，并证明了这种额外的不完整信息来源可能是导致债券非零信用利差的原因。

2010-06-19q-fin.CPq-fin.RM

基于异构信息网络的银行小微企业用户违约分析

Heterogeneous Information Network based Default Analysis on Banking Micro and Small Enterprise Users

风险评估是金融机构的一个重要问题，由于其方法的丰富性和各种实际应用而被广泛研究。随着普惠金融的扩大，最近关注的是微型和小型企业（中小企业）。与大公司相比，中小企业由于财务不稳定，违约风险较高。传统的努力学习分类器从历史数据与精细的特征工程。然而，中小企业的主要障碍涉及严重缺乏信用相关的信息，这可能会降低预测的性能。此外，金融活动中存在着多种显性和隐性的关系，商业银行的风险判断还没有充分利用这些关系。特别是，对真实数据的观察表明，公司用户之间的各种关系在金融风险分析中具有额外的力量。在本文中，我们考虑一个图的银行数据，并提出了一个新的HIDAM模型的目的。具体而言，我们试图将异构信息网络与丰富的属性上的多类型的节点和链接建模的商业银行服务的场景。为了增强MSE的特征表示，我们通过元路径提取交互信息，充分利用路径信息。此外，我们设计了一个层次的注意力机制，分别学习每个元路径内的内容的重要性和不同的元路径的重要性。实验结果验证了HIDAM在真实银行数据上的表现优于最先进的竞争对手。

2022-05-02cs.AIcs.LGcs.SI

再保险交易对手风险的价值调整与动态对冲

Value adjustments and dynamic hedging of reinsurance counterparty risk

再保险交易对手信用风险（RCCR）是指再保险公司无法履行其对分出保险人的合同义务而产生损失的风险。RCCR是保险公司的一个重要风险类别，到目前为止，主要通过定性方法来解决。因此，本文研究RCCR的价值调整和动态套期保值。我们提出了一个新的模型，占之间的传染效应的再保险公司的违约和再保险合同的价格。本文利用偏积分微分方程（PIDE）刻画了再保险合同中的价值调整，并利用二次型方法推导了再保险合同的套期保值策略。本文最后通过模拟研究表明，动态套期保值策略有可能显着降低RCCR。

2019-09-10q-fin.RM

基于图像与卷积神经网络（CNN）的破产分析

Bankruptcy analysis using images and convolutional neural networks (CNN)

Universidade de São Paulo（圣保罗大学）；Faculdade de Economia, Administração, Contabilidade e Atuária（经济、管理、会计与精算学院）

针对中小企业破产风险评估研究空白，提出生成对应图像结合卷积神经网络的评估方法，用超万张图像实验达97.8%准确率，为多领域应用提供可能。

2025-01-29cs.LGmath.STq-fin.RM

为信用评分启用机器学习算法--用于清晰理解复杂预测模型的可解释人工智能（XAI）方法

Enabling Machine Learning Algorithms for Credit Scoring -- Explainable Artificial Intelligence (XAI) methods for clear understanding complex predictive models

Warsaw University of Technology（华沙理工大学）；University of Warsaw（华沙大学）；Data Juice Lab sp. z o.o.（Data Juice Lab 有限责任公司）；Polish Credit Bureau S. A. (Biuro Informacji Kredytowej S.A.)（波兰信贷局）

先进建模技术的快速发展为开发越来越精确的工具提供了机会。然而，通常情况下，一切都是有代价的，在这种情况下，付出的代价是在提高模型准确性和精确度的同时放松模型的可解释性。对于管理者来说，要控制和有效管理信用风险，对于监管者来说，要让他们相信模型的质量，付出的代价太高了。在本文中，我们展示了如何将信用评分分析提升到一个新的水平，即我们提出了各种预测模型（逻辑回归，具有证据权重转换的逻辑回归和现代人工智能算法）的比较，并表明基于树的高级模型在预测客户违约方面具有最佳效果。更重要和更有价值的是，我们还展示了如何使用允许解释它们并使它们更容易为信用风险从业者访问的技术来提升高级模型，解决了广泛部署更复杂的“黑箱”模型的关键障碍，如随机森林，梯度提升或极端梯度提升树。所有这一切都将显示在从波兰信贷局获得的大型数据集上，该国所有银行和大多数贷款公司都向其报告信用档案。本文使用了贷款公司的数据。然后，本文比较了信用风险建模的最佳实践与新的先进的现代统计工具的最新发展的人工智能算法的可解释性和可解释性。我们认为，这是一个有价值的贡献，当涉及到不同的建模工具的介绍，但更重要的是，它显示了哪些方法可以用来获得洞察力和理解人工智能方法在信用风险的背景下。

2021-04-14cs.AIcs.LGq-fin.RM