职称论 - 至繁归于至简,专注职称考试和职称论文。 设为首页|加入收藏
当前位置:首页 > 职称论文 > 工程类职称论文 > 建筑类工程师职称论文 > 建筑管理工程师职称论文 > 建筑管理初级技术员职称论文 > 正文

基于多维时间序列的建筑业上市公司信用风险研究论文

发布时间:2018-12-21 11:55:28 来源:职称论 我要评论














职称论(zhichenglun.com):
 
摘 要:针对建筑行业上市公司的信用风险问题,提出基于多维时间序列的信用风险评价模型。该方法区别于独立时点的信用风险分析方法,使用多维时间序列对受评主体在采样周期内的信用趋势进行综合评价分析,从而解决孤立时点数据异常所造成的信用等级错评现象。同时,通过观察受评样本在采样周期内的信用趋势,分析上市公司的信用状态,得到较为真实的信用风险水平。通过实例验证,其评价结果与实际情况相符,证明该方法具有一定的实用价值.
关键词:信用风险;时间序列;指数平滑;K 均值算法

A Study on the Credit Risks of Construction Enterprises Based on the Multidimensional Time Series Analysis
Zhang Hong-xiang1,2,Zheng Zhe-yu1

(1. Urban Construction College,Eastern Liaoning University,Dandong 118003,China,E-mail:zhx780711@126.com;

2. Shenyang Institute of Automation Chinese Academy of Sciences,Shenyang 110003,China)
Abstract:To investigate the credit risks of listed companies in the construction industry,this paper develops a novel model for credit evaluation based on the multi - dimensional time series. This model is different from the credit risk analysis method which is on the basis of independent time point data. The multidimensional time series data is used to evaluate the credit status of the selected samples during the data collection period. As a result, the misplaced phenomenon caused by the mutation of the isolated time point data is eliminated. Moreover,via observing the credit trends of the samples,we can analyze the stable credit status of the samples and obtain a relatively accurate credit risk. Based on empirical cases,the results of this study are validated and the findings have practical values.
Keywords:credit risk;time series;exponential smoothing;K-means algorithm

截至 2015 年,我国建筑业上市公司已经达到上百家之多[1];从建筑业上市公司年度统计的财务运营数据来看:建筑业上市公司实现营业收入约为
3.7 万亿元,同比增长约为 4.29%,略高于全国总体行业增幅 2%左右。虽然上市公司总体营业收入的增幅略高于建筑业总体增幅,但仍有近 12%的建筑业上市公司主营收入增长率低于 5%,有 43%的上市公司业绩为负增长,近 50%的公司业绩增长缓慢。从建筑业上市公司的赢利性来看,有近 43%的上市公司净利润下跌,7%左右的公司净利润增长率远低于 5%[2]。
建筑业上市公司的赢利水平近年来有所下滑, 直接影响着建筑行业的整体信用风险等级。因此, 对建筑业上市公司的信用风险水平的准确、有效评价就显得极为紧迫和重要。信用风险又称财务违约风险,是指贷款方、债务方或交易参与人因各种原因导致无法履行合同条款而构成的违约概率,并使交易方以及投资者遭受损失的可能性。信用风险产生的根本原因在于信用市场上存在着严重的信息不对称。这种信息的不对称就会产生信用风险中逆向选择[3]。
信用风险评价起步于上世纪的美国,早在 1936 年 Fisher Durand 就首先应用判别技术对信贷客户进行信用分类;Bill Fair 与 Earl Isaac 在美国为投资业者创立了首个信用风险等级系统[4]。进入到 2000 年以后,随着计算机和数据挖掘技术的迅猛发展, 信用风险评价研究也进入到了快速发展时期。Reshmi 等[5]使用模糊神经网络算法对贷款人进行信用风险评估,通过对样本的训练,分类准确率达到 75%左右;Yu 等[6]应用最小数量支持向量机分类器对信用风险分析进行建模,并对传统支持向量机进行了改进,取得了良好的分类效果; Steven Finlay[7]使用多个分类器系统组合对消费者的信用风险能力进行分类为良好或不良信用的能力进行评估;Paulius Danenas 等[8]采用支持向量机对信用风险进行评估,并对系统进行开发取得良好的分类效果;Adnan Khashman[9]应用情绪化神经网络对信贷客户的信用风险水平进行评价,实验结果表明, 情绪和传统神经模型可以有效地用于信用风险评估;Marcellina Mvula Chijoriga[10]使用多重判别分析
(MDA)方法对信用评分和信用风险进行模型研究及应用,经过验证取得了较好的效果;Sanjeev Mittal等[11]应用神经网络对印度的中小公司融资进行了 信用风险评策,也取得不错的效果;Stjepan Oreski等[12]使用遗传算法和人工神经网络的混合系统对 零售业务公司进行信用风险评估及应用,结果发现,遗传算法的混合系统具有竞争性,可以用作特征选择技术,发现显著的特征,以确定违规风险。我国研究者对信用风险评价的研究起步较晚。
程功等[13]应用结构化模型对预测违约概率问题建立了违约模型,通过样本测试取得了不错的效果; 孙洁等[14]将多分类器混合组合用于公司财务风险的预警建模,从而实现了并、串联模型的互补,效果较为突出;刘京礼等[15]提出鲁棒赋权自适应 LP 最小二乘支持向量机模型,应用于信用风险评价, 实验证明在仿真数据和 3 个信用数据库上的分析具有较好的鲁棒性和分类能力;苏诚[16]对商业银行的产生到银行业的蓬勃发展所面临的信用风险进行阐述,对以统计分析、数据库知识为基础的数据挖掘技术进行了归纳与总结;周宗芳[17]利用改进的模糊 ISODATA 算法对 EIT 公司的信用风险进行了评

估,取得较好的效果;YC Lu 等[18]使用语言分析重新审视公司信用违约的预警信号,为信用风险评估提供了新研究方向;李菲雅等[19]利用等距特征映射支持向量机模型的信用风险评估方法对上市公司的金融数据进行验证,在样本小的情况下评价正确率达到 91%;陈晓红等[20]提出了改进模糊综合评价法的信用风险评估体系,并对中小上市公司进行实验证明;李战江[21]提出基于分层逻辑回归的小公司信用评价模型,并对中小企业进行了实证分析;杨帆等[22]使用 RS-SVM 算法对建筑公司信用风险进行评估研究,通过验证该方法具有良好的信用风险评价性能;孙杰[23]对建筑公司信用风险管理体系进行了研究,指出建筑业信用缺失的主要表现及成因,提出信用风险管理体系的管理与控制策略。
目前,国内外研究者提出的信用风险评价大体上以研究方法本身为主,较少有从受评主体的信用风险稳定性角度去进行分析研究。针对上述问题, 本文采用历史数据(多维时序金融数据)作为风险分析数据,从而解决单一时点由于特殊原因所引起的数据突变。对于上市公司而言,其经营业绩、财务指标都会在运营周期里呈现出某种趋势,与此同时信用风险水平也会呈现与之相对应的某种状态, 这种现象可以从评价主体的历史金融数据中挖掘出来。本文从我国建筑业上市公司中甄选出以房地产公司为代表的 119 家作为样本;采样周期为 9 年; 指标变量为 10 的多维时间序列进行实证。
1时间序列与指数平滑方法
1.1时间序列
时间序列是一组按照时间顺序记录下来的数据。时间序列分析就是对这组数据使用数学的方法和技术分析处理,借以找到某种事物的规律以及对未来的预测。时间序列分析是定量分析预测方法, 其基本原理是继承并承认事物发展的规律,运用历史数据推测事物的发展趋势;认清事物发展的随机性和混沌性[24] 。
时间序列对事物发展预测,一共有 3 种实际变化的规律:趋势性、周期性、随机性。
xi ( j), (i  1, 2,..., d; j  1, 2,..., t)
式中,xi(j)表示时间序列上时点 j 上第 i 维变量 xi。如对单变量进行采集,即:d=1,此变量即称为一维时序。
如果采样数组与采样时间对应多个变量数据, 变量之间的相互关系也不再局限变量与时间的相关性,变量与变量相互之间也同样具有联系,那么这组数据则具有多维时序特性。相应地长度为 t 的
d×n 维时间序列可使用矩阵 X 表示:
\

式中,xi,k(j)为第 k 个变量 xi 在时间点 j 上的采样值,k  1, 2,..., n 。

多维时间序列作为具备空间和时间描述能力的数据目前已经广泛应用于数据挖掘、人工智能等对动态系统行为特征的描述与表达,是一种极为重要的数据形式。本文所采用的多维时间序列是以采样周期为时间轴、样本与指标变量构成的数据立方体。其中时间周期 T=9,样本 N=119,变量长度 i=10 的多维时间序列数据集。

1.2指数平滑方法
指数平滑法是一种加权的移动平均预测方法。该方法认为时间序列数据具有稳定性或规则性趋势,因此可以通过移动平均进行有效的趋势预测。

指数平滑法具备全期平均和移动平均的优点,并且对过去的数据加以权重限制,从而逐渐减弱过去时间点的影响程度,即:随着时点采样点的加长,较远数据所赋予的权重逐渐收敛为零权重[25]。

本文使用一次指数平滑方法对样本采样周期内的数据进行平滑,并将平滑值作为样本在采样周期内的稳定信用值。一次指数平滑方法适用于采样周期短,时间数列无明显趋势。一次指数平滑公式为:
\

式中,st 为时点内的一次指数平滑值经 x1,x2, , xn,采样周期内的时间序列数据,采样时点 t=1, 2, ,n,a(0<a<1)为平滑指数的首项系数。
在对时间序列进行指数平滑计算时,最近时间点将赋予较大的权重,较远的时间点权重会逐渐减弱并收敛。参数 a(0<a<1)的取值多少较容易受主观影响,因此,如何确定 a 取值显的非常重要。一般情况下,数据波动较大时,a 权重值取大些;数据波动趋势平稳,a 值应取小些。本文根据数据趋势情况选取 a =0.5。

2K-means 聚类法

2.1数据预处理
将样本指数平滑值构成聚类分析原始矩阵,由于数据量纲不同,需对聚类数据进行标准化处理:
\

2.2K-means 聚类算法的目标函数
K-means 聚类是从初始类别划分开始,将各数据目标点分配给各类别组中,并减小总距离加权平方和。K-means 算法中的总距离平方和会随着类别数 K 的增加趋向于减小(当 K=n 时,J(C)=0)。因此,总距离平方和会在某个确定的类别个数 K 下, 取得最小值[26] 。

给定 n 个 d 维数据的数据合集 X。其中 X={x1, x2, ,xi, ,xn } x  Rd ,分成聚类子集的数目k,K-means  算法会将对数据集对象分为 k  类别C  {ck , i  1, 2,K} 。每个类别代表一个类 ck,每个类别 ck 有一个类别中心 μi。本文选取欧氏距离作为距离判断与相似性的准则。同时,计算该类内各点到聚类中心 μi 的距离平方和:
\

根据最小二乘算法和拉格朗日原理,聚类中心 μk 应该取为类别 ck 类各数据点的平均值。

2.3K-means 算法的流程
K-means 算法是反复迭代聚类的一个过程,目标是使样本到聚类中心距离的平方和 J(C)达到最小,算法流程的步骤为:
(1)从 n 个样本数据目标中,随机选取 k 个聚类目标,作为初始聚类中心,使每个目标数据代表一个类别的中心。
(2)根据每一个聚类目标均值即中心目标, 计算样本数据与所要聚类中心的欧氏距离,并按距离最近准则,将其分配给最相似的聚类中心。
(3)重新计算各类别中目标均值,并作为类别中的新聚类中心,计算所有样本到其所在类的距离。
(4)重复步骤(2)和(3),直到聚类类别数不再变化结束。

3实例验证

3.1数据选取与指标体系的建立
本文选取深、沪两市共 119 家建筑行业上市公司作为受评样本。由于上市公司规模级别不同,数据规模差距较大,采用原数据进行分析,会产生强烈的“马太效应”不利于准确、平公的评价。因此, 本文对上市公司的财务年报进行筛选,提取比率关系的数据指标作为模型的评价体系(见表 1),以尽量平衡样本间的差异性。样本数据的采集不会受数据分布的限制,也不会刻意剔除奇异数据或删除不合格数据。本文采集多维时间序列以 2007~2015 年年报为采样周期 T=9,样本 N=119,变量长度 i=10的多维时间序列数据集[xi,t(N)],如表 2 和图 1,2所示。
\
\
\

3.2分析过程
(1)本文采用一次指数平滑方法对采样周期内的数据进行计算,将得到的平滑值作为样本在采样周期内的综合稳定值。
(2)针对综合稳定数据的不同量纲,将数据进行标准化处理并可视化,通过观察分析标准化后的数据稳定性与趋势性,为下一步建模作准备。
(3)对样本目标数据进行 K-means 聚类,聚类数为 3,即信用风险等级(好、中、差)。
(4)对聚类结果可视化,其中包括相关性分析以及对聚类数量的合理性分析。

3.3数据分析
对样本上市公司的采样周期数据进行分析,可以看到上市公司的数据量纲差异性较大,企业之间的“马态效应”明显,处于行业上游的企业指标数据在采样周期内的增长率、波动幅度总体趋势稳定上升,指数平滑后综合指标数据十分突出;处于企业中游的样本总体数据波动不大,增长幅度趋于平稳;下游企业则出现两极分化的局面,一些样本在数据上的表现一直处于亏损状态,令一些极端样本则波动巨大后回落到中下游水平。这些样本在单一时点上数据发生突变异常;而在其他采样点上又回落至平稳状态(见表 2 和图 1,2)。这种现象在单一时点的采样中显现不出,以此时点数据来进行风险评价分析,结果很容易与受评主体的实际风险等级相违背,产生错评现象,导致风险的加剧误导投资者。

本文采用多维时序数据在采样周期内分析受评样本,通过指数平滑算法消除时点上数据波动带来的影响,并将得到的平滑值作为样本在采样周期内的综合稳定值,通过观察稳定值可以看到总体样本指标的波动情况以及趋势性;同时,为了便于后续的分析将综合稳定值进行标准化处理,将指标间的数据量级稳定在标准化范围内。

采用 K-means 方法对上市公司样本进行分析, 类别数为 3。由系统指定初始聚类中心,经过迭代后,聚类中心无更改或只有小的更改,因此达到了汇合;任意中心的最大绝对坐标值更正为 0,当前迭代次数为 7;初始中心点之间最小距离为 8.49。经过聚类样本分为 3 类,其中:类别 1 包含 31 个样本;类别 2 包含 49 个样本;类别 3 包含 39 个样本。聚类中心之间的距离分别为:类别 1、2 为 3.295; 类别 1、3 为 3.327;类别 2、3 为 3.0339(见表 3、图 3)。
\

通过图 4 和图 5 可以看到数据在不同类别时的轮廓值对比,发现样本数据聚类成 3 类是可以接受的。最终,将 3 组类别上市公司在采样周期内的股价走势、盈利情况、经营业绩以及行业地位进行比较,确定信用好(类别 3)、信用中(类别 1)、信用差(类别 2)。
\
\

3.4结论分析
从评价结果来看,在 119 个样本中,信用好的样本有 39 个,其中指标:每股收益、每股净资产、净资产收益率、每股公积金等收益类指标的总体水平要高于其他 2 类。其中多数样本由于数据指标突出,并且在采样周期内呈现的增长态势相对稳定(见图 5);结合样本上市公司的基本面来看,这些公司多数在行业里处于上游地位,品牌价值较高, 市值规模以及专业性强。
 

有 31 家上市公司是信用中等,各项数据指标显现适中,总体样本在采样周期内的稳定性较差, 个别样本的收益类指标在单一时点达到信用好级别,但在其他时点又趋于中等水平,突变幅度巨大; 从样本上市公司的基本面来看,这些公司在行业里大多处于中上游位置,在地方层面有稳定的市场供应及品牌效应。

信用差的 49 家上市公司中,各项指标均表现较低,在采样周期内偶有表现突变情况,但在其他时点上的指标又断崖式落至较低水平,这类样本如果在突变的独立时点上进行信用风险评价,很容易产生信息不对称的结果,信用评价结果不真实,风险加大;而通过采样周期全程数据进行分析,可以基本还原样本的真实信用水平;结合市场中的地位股价来看,这些企业中多数处于下游,收益类指标水平极低,甚至亏损,资产负债率高,每股净资产较低,资金周转困难,股价一直低位徘徊、震荡。

4结语

针对建筑业上市公司的信用风险问题,本文提出基于多维时序金融数据的信用风险评价建模方法。该方法使用指数平滑方法对多维时间序列数据进行平滑,并将平滑值作为样本在采样周期内的稳定信用值,最终通过聚类得到受评样本的信用风险水平。相对于单一时点的信用评价方法,该方法使用采样周期内的时间序列数据进行评价更加真实、可信。对于投资决策而言,该方法可以提高对评价主体的信用风险管理及控制能力,提高信用危机的预测准确度。

参考文献:

[1]中研普华.2017~2022 广东省建筑市场供需预测及投资潜力研究咨询报告[M].中研普华,2016.
[2]住房城乡建设部计划财务与外事司、中国建筑业协会.2015 年全国建筑业发展统计分析[M].建筑,2016.
[3]唐纳德·范·戴维特,今井贤志.信用风险模型与巴塞尔[M].北京:中国人民大学出版社,第一版,2005:62-65.
[4]庞素琳.信用评价与股市预测模型研究及应用[M].北京:科学出版社,2005.
[5]R.Malhotra,D.K.Malhotra.Differentiating between good credits and bad credit using neuro-fuzzy systems[J]. European Journal of Operational Research,2002,136: 190-211.
[6]Yu,L.A,Wang,S.Y.et al.A modified least squares support vector machine classifier with applica-tion  to credit risk analysis[J].International Journal of Information Technology and Decision Making,2009 .
[7]Steven Finlay.Multiple classifier architectures and their application to credit risk assessment[J].European Journal of Operational Research,2010(2).
[8]Paulius Danenas,Gintautas Garsva,Saulius Gudas.Credit Risk Evaluation Model Development Using Support Vector Based Classifiers[J].Procedia Computer Science,2011.
[9]Adnan Khashman.Credit risk evaluation using neural networks:Emotional versus conventional models[J]. Applied Soft Computing Journal,2011(8).
[10]Marcellina Mvula Chijoriga. Application of multiple discriminant analysis(MDA)as a credit scoring and risk assessment model[J].International Journal of Emerging Markets,2011(2).
[11]Sanjeev Mittal,Pankaj Gupta,K.Jain.Neural network credit scoring model for micro enterprise financing in India[J].Qualitative Research in Financial Markets,2011
(3).
[12]Stjepan Oreski,Dijana Oreski,Goran Oreski.Hybrid syste m with genetic algorithm and artificial neural networks and its application to retail credit risk assessment[J].Expert Systems With Applications,2012
(16).
[13]程 功,张 维,熊 熊.信息噪音结构化模型与银行违约概率度量[J].管理科学学报,2007(4):38-48.
[14]孙 洁,李  辉,ZHANG  Meng.公司财务困境的多分类器混合组合预测[J].系统工程理论与实践,2009
(2):78-86.
[15]刘京礼.信用评估中的鲁棒赋权自适应 Lp 最小二乘支持向量机方法.中国管理科学,2010,18(5):28-33.
[16]苏 诚.基于 Logistic 回归模型的商业银行信用风险评估研究[J].中国城市经济,2011(12):28-33.
[17]Zongfang Zhou.An Improved Fuzzy ISODATA Algorithm for Credit Risk Assessment of the EIT Enterprises[J].Modern Economy,2012(5).
[18]Yang-Cheng Lu,Chung-Hua Shen,Yu-Chen Wei.Revisiting early warning signals of corporate credit default using linguistic analysis[J].Pacific-Basin Finance Journal,2013,24(3):1-21.
[19]李菲雅,邓 翔.等距特征映射的支持向量机模型在上市公司信用风险评估中的应用[J].河北大学学报(哲学社会科学版),2013(1):102-107.
[20]陈晓红,杨志慧.基于改进模糊综合评价法的信用评估体系研究—以我国中小上市公司为样本的实证研究[J].中国管理科学,2015(1):146-153.
[21]李战江.基于分层逻辑回归的小公司信用评价模型[J].统计与决策,2016(7):178-182.
[22]杨 帆,谈  飞,崔  祥.基于 RS 和 SVM 的建筑公司信用风险评估研究[J].武汉理工大学学报(信息与管理工程版),2016(1):537-540.
[23]孙 杰.建筑设计管理建筑公司信用风险管理体系研究[J].商品与质量,2016(2):28-30.
[24]杨叔子,吴 雅.时间序列分析的工程应用[M].武昌: 华中理工大学出版社,1991.
[25]王 燕.应用时间序列分析[M].北京:中国人民大学出版社,2005(2):130-132.
[26]谢娟英,王艳娥.最小方差优化初始聚类中心的 K-mean算法[J].计算机工程,2014(40):205-213.
 
关注职称评审评定、职称论文创作发表,寻求职称论文修改润色、职称论文代发表职称期刊、专注出书、职称专利、职称考试等服务支撑,请锁定职称论

文章出自职称论转载请注明出处:http://zhichenglun.com/jzgljishuyuanzclw/144.html
0

相关内容

发表评论

职称论文发表 - 职称考试评审 - 职称论文期刊 - 职称评定 - 职称论文代发
Copyright © 职称论 版权所有 | 职称论手机版