【《信用风险传染途径研究的工具和模型概述》5100字】

信用风险传染途径研究的工具和模型概述目录TOC\o"1-3"\h\u14412信用风险传染途径研究的工具和模型概述 1115021.1知识图谱挖掘关联关系 1248521.1.1知识图谱的理论基础 139511.1.2知识图谱在企业关联关系挖掘中的应用 3248711.2KMV模型度量信用风险 3240891.2.1KMV模型的理论分析 4142451.2.2KMV模型的计算步骤 614811.2.3KMV模型中的关键数据 7264191.2.4KMV模型的优点与不足 927921.3面板数据的格兰杰因果关系检验验证信用风险传染 9在本文的实证研究部分主要运用了三种工具和模型，分别为：知识图谱技术、KMV模型、面板数据的格兰杰因果关系检验模型。本部分对三种工具和模型的理论基础、构建过程、具体实施和应用意义等内容进行介绍。1.1知识图谱挖掘关联关系1.1.1知识图谱的理论基础“知识图谱”一词被用来描述一个正蓬勃发展的跨学科科学技术。这一技术旨在绘制、挖掘、分析、分类、导航和展示知识。其最终的目的是简化信息获取，明确知识结构，使知识的寻求者能够依靠人工智能、深度学习等方式，快速地在庞大的复杂数据中获得想要的知识。传统的数据挖掘技术擅长于处理结构化数据，可以从结构化数据中挖掘到趋势、概率等信息。但是，非结构化数据和半结构化数据中隐藏着更多的展示客观世界的知识，因此，能够有效地对这两类数据进行挖掘，是数据科学领域新的关注焦点。“知识图谱”便是建立在语义数据中的一种技术，它可以提取语言中的实体、抽取实体间的关系，进而形成一种展示实体之间关系的网络。在知识图谱中，如何表达、存储获得的非结构化或半结构化数据是理解这项技术的关键。当前，两种主要的图谱数据模式是RDF图模式和属性图模式。RDF图是一个三元体的集合，三元体中的三个要素就是从一句话中提取出的主语、谓语和宾语。三元体的内涵是很丰富的，比如主语和宾语可以是两个实体，谓语是两实体之间的关系；也可以是，主语为一个实体，谓语是它的某一种属性，宾语是这一属性的属性值。用图的语言来说，如图1.1所示，主语和宾语分别为两个顶点，谓语是一条有向边，为表区分，示意图中圆角矩形中是主语、虚线矩形中是谓语、圆形中是宾语。RDF图对大数据的强大表达力体现在，一句话中的主语可以是另一句话中的谓语或宾语，一句话中的谓语也可以是另一句话中的主语或宾语，也就是说RDF图中的顶点和边是可以互相转化的，通过这种形式就可以把语义数据中的所有概念串联成一个网络。RDF图是目前计算机科学领域中表达语义网络的标准数据模式。图1.SEQ图_4.\*ARABIC1RDF图数据模式示意图Figure1.1SchematicdiagramofRDFgraphdataschema属性图模式是一个五元体，五元体中的五个要素分别是顶点的有限集、边的有限集、边与顶点对的关联函数、标签函数和属性函数。在属性图中，顶点即为实体，边为关系，通过边与顶点对的关联函数将边和顶点对关联起来，标签函数将标签集合匹配到顶点和边上，属性函数将属性集合和属性值集合匹配到顶点和边上。如图1.2所示，集合{v}为顶点的有限集，集合{e}为边的有限集，每个顶点和边都可以有标签和属性，其中属性对应一个属性值。与RDF图不同的是，属性图中的边与顶点是不能互相转化的，所以其对大数据的表达力要稍弱。但是，因为很多主流的图数据库，如Neo4j，采取了属性图的方式存储数据，所以属性图也越来越常用。图1.SEQ图_4.\*ARABIC2属性图数据模式示意图Figure1.2Schematicdiagramofattributegraphdataschema1.1.2知识图谱在企业关联关系挖掘中的应用如上一节所述，无论是RDF图还是属性图，都可以用来存储两个实体之间的关系。所以，知识图谱构建完成后，就可以对顶点和边进行设定，从而挖掘出关联关系。因为本文的知识图谱是利用Neo4j搭建的，所以主要介绍以属性图数据模式存储的知识图谱是如何完成企业之间的关联关系挖掘的。在企业知识图谱中，顶点的标签集合可以设定为{上市公司，新三板上市公司，非上市公司}，顶点的属性集合即为公司名称的集合；边的标签结合为各种关系，例如{供应商，客户，股东，债务担保，同行，……}。得到一个完整的知识图谱后，先通过顶点属性找到目标企业；再通过设定与目标企业直接相连的边的标签，找到符合既定关联关系的企业，这些企业称为一级关联企业；然后，再对一级关联企业进行上一步，得到二级关联企业，依次类推最终得到所有的关联企业。如果对公司的类型有要求，可以在得到所有关联企业后，通过对顶点标签的设定，筛选出符合要求的公司，并汇总去重。以上述的过程，基于Neo4j图数据库，就可以通过知识图谱挖掘出关联关系。1.2KMV模型度量信用风险首先，我们利用KMV模型，从企业到达债务违约的距离的角度，定量分析企业的信用风险。1.2.1KMV模型的理论分析KMV模型是提前评估债务方违约可能性的方法。该模型的核心基础理论是Merton结构化模型，同时，需要B-S期权定价模型作为实现工具。1.2.1.1Merton结构化模型默顿的结构化模型的基本假设是：上市公司的资产价值VA等于权益资本价值VE和剩余债务账面价值 VA=VE且上市公司的资产价值VA债权投资者具有优先求偿权，只有将债务全部偿还完毕后，股权投资者才能获得企业资产的分配；在债务到期日τ，如果上市公司未能履行还款付息责任，则判断违约行为发生。在默顿的结构化模型的假设下，在剩余债务到期日，若上市公司的资产价值大于其债务资产价值，则上市公司的权益资本价值为两者之差；若上市公司的资产价值小于其债务资产价值，则上市公司宣告破产，其权益资本价值变为零。因此，上市公司的权益资本VE可以被当作欧式看涨期权来看，其中标的资产为上市公司资产价值VA，执行价格为剩余债务的账面价值D，到期日为剩余债务到期日τ。基于连续随机过程下的期权定价模型，就可以得到上市公司的权益资本对布莱克-斯科尔斯模型的推导过程及结果进行简单介绍。有风险中性的假设下，欧式看涨期权到期时的期望值为 EmaxST−K,0,E其中，S0为股票当前价格，T为期权期限，r为无风险收益率，K为期权执行价格。下一步可得，看涨期权的价格c c=e−rTEmax同时，在股票价格服从连续随机过程的假设下，股票价格ST c=e−rTEmax所以，由对数正态分布的重要关系式可得c=dd Nd=−∞d式（1.5）即为布莱克-斯科尔斯期权定价模型的最终结果。1.2.1.2基于Merton结构化模型的KMV模型基于以上理论基础的介绍，根据Merton结构化模型和布莱克-斯科尔斯期权定价模型，可以得出上市公司资产价值VA是怎样影响上市公司的权益资本VVd d2=d1其中，r为无风险收益率，σA为上市公司资产价值的标准差。式（1.Merton的结构化模型是KMV模型中的核心理论。在KMV模型接下来的计算中，要运用默顿的结构化模型和伊藤引理推导出的结果计算上市公司的资产价值VA和上市公司资产价值的标准差σ1.2.2KMV模型的计算步骤KMV模型的计算步骤分为三步：①第一步，计算上市公司的资产价值VA和其标准差σA。假设上市公司的资产价值VA dVA=μ dVE=μ其中，μA是上市公司资产价值的收益率期望值，σA是其标准差，μE是上市公司权益价值的收益率期望值，σEIto引理说明，金融衍生产品的价格跟标的资产的价格、跟时间之间有函数关系。将上市公司的权益资本VE视为金融衍生品，上市公司的资产价值V dVE=μ比较式（1.8）和式（1.9）第二项的系数可以发现： σEVE=由式（1.6）可以得到： ∂VE∂VA由式（1.10）和（1.11）可以得到上市公司资产价值的标准差σA和上市公司权益价值的标准差σ σEVE=联立式（1.6）和式（1.12），就可以计算出上市公司的资产价值VA及其标准差σ②第二步，计算上市公司的违约距离DD。将上市公司的资产价值VA减少到到达违约的点时所需要减少的比例，与上市公司资产价值的标准差σ DD=VA−DPσ其中，DD是上市公司的违约距离，DP是违约点。顾名思义，违约距离是到达违约需要跨越的距离，因此，它与信用风险的大小呈相反的关系。③第三步，计算预期违约概率EDF。KMV公司依托美国市场大量的历史违约数据，得到了一个期望违约概率： EDF=1−NDD （1.但是，中国市场作为新兴的资本市场，直至2014年才出现第一支信用违约债券，上市公司的历史违约数据明显不足，因此很难依靠经验得出预期违约概率。所以，针对中国市场的信用风险研究，一般以违约距离作为信用风险的最终度量指标。1.2.3KMV模型中的关键数据计算KMV模型需要六个关键的数据，分别是无风险收益率r、上市公司的权益资本价值VE、权益资本价值的标准差σE、债务账面价值D、剩余债务到期期限τ和违约点DP。（1）无风险收益率r。本文选取年内的隔夜Shibor作为无风险利率r。（2）上市公司的权益资本价值VE。因为我国仍有部分上市公司存在非流通股，即无法在交易所市场进行自由买卖，只能通过拍卖或协议转让的方式流通的股票，要把这部分价值计算进来。因此，上市公司的权益资本价值VV（1.15）年度流通股收盘价格是日度数据的加权平均值，权重是当日成交量。（3）上市公司权益资本价值的标准差σE。同样，在计算权益资本价值的标准差σE时也应该考虑到我国仍有部分上市公司存在非流通股，但是，因为非流通股的交易频率非常低，其价值的波动率不易察觉，因此我们用流通股价值的标准差代表上市公司权益资本价值的标准差。如上文中所述，一般认为股票价格服从对数正态分布，因此我们利用股票收益率的对数计算标准差。首先，计算出一年中每日的股票对数收益率。然后，求出股票对数收益率的日度方差，再用一年内股票的开盘日天数乘以日度方差计算出股票收益率的年度方差。最后开平方根得到上市公司权益资本价值的标准差（4）上市公司的债务账面价值D。根据以往的研究，常用式（1.16）来简单计算D。计算公式如下： 上市公司的债务账面价值(1.16)（5）上市公司剩余债务到期期限τ。在现实情况中，上市公司的债务会具有不同的期限，想要得到一个估计剩余债务到期期限的方法并不容易。根据以往的研究，通常把上市公司剩余债务到期期限τ设为1。（6）上市公司的违约点DP。在KMV模型的构建过程中，通常认为债务违约点应该是一个比上市公司债务账面价值更小的值，但是KMV模型并没有给出违约点DP的具体计算方法。因此，根据KMV公司发布的违约点估计，本文直接将上市公司的债务资本价值D作为违约点。1.2.4KMV模型的优点与不足KMV模型是当前信用风险研究中主流的信用风险定量分析模型，以往的很多研究表明KMV模型在风险预测方面有很高的应用价值，KMV模型主要具有以下优点：（1）相较于专家分析法等定性分析方法，KMV模型作为一种定量分析方法，更具客观性。（2）相比于多元判别法等基于上市公司财务数据的定量分析方法，KMV模型结合了上市公司在股票市场的表现。股票价格能比较全面地反映上市公司的当前经营状况和未来业绩增长预期，使得KMV模型更加具有全面性、时变性和前瞻性。（3）相比于神经网络模型，KMV模型更加简明直观，且在运算过程中的随机性更小，确定性更强。虽然KMV模型的风险预测能力已经在很多研究中得到了证明，但是，KMV模型仍然具有一些局限性，主要有以下不足：（1）在KMV模型的构建过程中，假设上市公司的资产价值VA和上市公司的权益资本VE遵循几何布朗运动。但是，在现实情况中，资产价格会受到很多“非常态”事件的冲击，而出现跳跃行为，偏离原本的连续随机过程。同时，很多研究证明资产对数收益率并不服从正态分布，而是具有“尖峰厚尾”和“波动率微笑（2）KMV模型只适应于上市企业的信用风险度量，没有流通股份的企业因为缺少公允的股权资产价值而很难应用KMV模型。（3）KMV模型没有给出违约点DP和剩余债务到期期限τ的具体估计方法，所以在进行模型计算时会遇到一定困难。1.3面板数据的格兰杰因果关系检验验证信用风险传染格兰杰因果关系检验是由Granger在1969年提出的一种检验因果关系方向的方法。格兰杰因果检验的主要思想是，如果x是y的因，则x的过去值可以帮助预测y的未来值。在实际的操作中，常在一个二元VAR模型的基础上，对两个时间序列数据进行格兰杰因果检验。与其名称的字面意义不同，格兰杰因果检验验证的是一种动态相关关系。在本文中，因为涉及对多个个体的信用风险传染的研究，因此可以得到一个N相对小而T较大的面板数据，因此采用面板数据的格兰杰因果检验验证信用风险传染。在格兰杰因果检验的基础上，Dumitrescu和Hurlin（2012）进行了拓展，提供了一个检验面板数据格兰杰因果关系的方法，该方法要求面板数据中所有个体的变量均为平稳变量。该检验的回归模型为：

y （1.17）该回归模