基于贝叶斯广义线性混合模型的公司债券信用风险测度研究

The recent increasing defaults in Chinese bond markets have been a major concern for the regulators reflecting the urgency and importance of analyzing credit risk measurement for corporate bonds. This project proposes to employ generalized linear mixed models (GLMMs) to investigate credit risk measurement of corporate bonds from the dimensions of default risk, recovery risk and loss distributions. Firstly, we propose a Bernoulli mixed model with dynamic random effect based on the single factor model to estimate default probabilities and joint default probabilities. Secondly, we develop a zero-one inflated beta mixed model to estimate recovery rates for defaulted bonds given their irregular distributions. Lastly, we establish a joint modeling framework to incorporate the correlation between default and recovery risk to estimate portfolio loss distributions of corporate bonds. We apply Bayesian methods to estimate GLMMs by iteratively sampling coefficients from their posterior distributions based on Markov Chain Monte Carlo (MCMC) algorithms to avoid solving the multi-dimensional integral problems in the likelihood functions. This project aims to analyze and measure the credit risk of corporate bonds in support of regulators and decision makers to take precautions and actions against potential financial systematic risk.

近年来我国债券市场违约事件的不断攀升已引起监管机构的高度重视成为社会广泛关注的焦点，显现出公司债券信用风险测度研究的紧迫性和重要性。本项目拟从违约风险、回收风险及损失分布等三个维度提出一系列广义线性混合模型展开公司债券信用风险测度研究。首先，在单因子模型的基础上提出一个带有动态随机效应的伯努利分布混合模型估计债券的违约概率和联合违约概率；其次，根据回收率不规则分布的特点，提出了基于零一膨胀框架的贝塔分布混合模型估计已违约债券的回收率；最后，基于违约风险和回收风险的相关性建立联立模型估计债券资产组合损失分布。针对广义线性混合模型的似然函数具有多重积分这一难点，本项目将采用基于MCMC算法的贝叶斯方法通过对模型参数的后验分布进行迭代抽样得到该类模型的参数估计。本项目旨在通过对公司债券的信用风险测度进行分析和预测，帮助监管机构以及政府有关部门有效防范和化解债券市场的系统性风险做出合理判断。

企业信用风险度量不仅关系到投资人的利益，还会影响金融市场的稳定性。本项目通过将机器学习和计量模型相结合构建信用风险的预测框架，挖掘具有信息价值的影响因素，提高信用风险的预测效果。具体来说，本项目的研究工作主要包括以下几个方面：1) 基于详细搜集的企业违约信息，深入挖掘上市企业不同程度违约事件的影响因素。从样本的非均衡性出发建立企业债券的违约风险模型，通过采用基于Wasserstein距离的生成对抗网络技术实现样本比例的再平衡，从而有效提高违约风险模型的预测效果。2) 探究回收信息在贷款违约损失率的应用，通过构建一种以回收信息为中间变量的分层学习框架，建立贷款申请特征和违约损失率之间的联系，从而能够可以同时利用申请特征和回收信息提高违约损失率的预测效果。3）拓展贷款信用风险的预期损失和收益预测研究，通过生存分析和机器学习等多种研究方法对贷款的提前还款风险和违约风险进行预测，从而能够全面地刻画贷款的预期损失和收益并用于贷款定价。4）利用多种不同的文本分析和深度学习方法提取企业年报中的文本语调，并用于预测上市企业的信用风险。5）从多渠道信息披露进一步挖掘企业债券发行利差的影响因素，从融资成本的角度评估企业的信用风险。项目研究发现，企业的信用风险和债务融资成本不仅受到财务因素的影响，还能通过企业文本信息等其它形式的特征所体现。而企业的信用风险评估不仅需要考虑违约风险，还需要同时考虑回收风险以及提前还款风险从而综合评估预期损失。本研究不仅能够帮助市场参与者更好地理解和评估企业的信用风险，还凸显出信息披露在风险管理和金融产品定价所体现出重要作用，帮助监管机构进一步规范和完善企业的信息披露机制，促进债券市场的健康可持续发展。