债券违约预警模型的优化与提升

——基于SMOTETomek-GWO-XGBoost的方法

【摘 要】 自2014年我国债券市场首例违约事件发生以来，债券违约屡见不鲜。文章以2014—2022年发行的公司债、企业债和中期票据为研究对象，选取财务指标与非财务指标，搭建了基于机器学习算法SMOTETomek-GWO-XGBoost的债券违约风险预警模型。结果表明：（1）与其他方法相比，GWO-XGBoost模型在准确率、召回率、未加权平均召回率以及AUC值这四个指标上具有更加优异的表现；（2）SMOTETomek采样方法可以有效平衡数据样本，因此SMOTETomek-GWO- XGBoost模型具有更高的精度与稳定性；（3）SHAP值法可以展示不同特征变量对债券违约风险的贡献度，有利于就重要特征进行针对性分析。（剩余13779字）