×
阿卜杜勒雷扎·纳泽米;康斯坦丁·海登里奇;弗兰克·J·法博齐。

使用多因素支持向量回归改进公司债券回收率预测。 （英语） Zbl 1403.91369号

欧洲药典。物件。 271，编号2664-675（2018）.
摘要：在本文描述的多因素框架中，我们使用工具特定特征、几个宏观经济变量和行业特定特征作为解释变量来预测公司债券的回收率。通过包含从大量宏观经济变量中导出的主成分，所有三种最小二乘支持向量回归方法以及普通线性回归与仅包含文献中建议的少数宏观经济变量的模型相比，具有更高的样本外预测精度。我们通过合并稀疏主成分、自关联神经网络的非线性主成分和核主成分来比较所有技术的预测精度。我们的结果表明，与其他主成分技术相比，稀疏主成分技术可以产生更具解释性和准确性的估计。此外，我们应用梯度提升法，根据104个宏观经济变量在恢复率估计中的预测能力，从最好到最坏，对其进行排序。宏观经济预测信息最丰富的三类因素是微观因素、商业周期变量和股市指标。

引用于6文件

理学硕士：

91G50型 公司财务（股息、实物期权等）
62P05号 统计学在精算科学和金融数学中的应用
62H25个 因子分析和主要成分；对应分析

关键词：

回收率;最小二乘支持向量回归方法;稀疏主成分分析;核主成分分析;梯度增强

软件：

博士;SpaSM公司;Matlab公司
PDF格式BibTeX公司 XML格式引用
\textit{A.Nazemi}等人，《欧洲药典》。271号决议，第2号，664--675（2018；Zbl 1403.91369）
全文： 内政部

参考文献：

[1] 阿查里亚，V.V。；巴拉斯，S.T。；Srinivasan，A.，《全行业困境是否影响违约公司？债权人追偿证据，《金融经济学杂志》，85，1787-821，（2007）
[2] 艾泽曼，A。；布拉弗曼，E.M。；Rozoner，L.，模式识别学习中势函数方法的理论基础，自动化和远程控制，25821-837，（1964）·Zbl 0151.24701号
[3] 奥特曼，E.I。；布雷迪，B。；Resti，A。；Sironi，A.，《违约率和恢复率之间的联系：理论、经验证据和影响》，《商业杂志》，78，6，2203-2228，（2005）
[4] 奥特曼，E.I。；Kalotay，E.A.，《最终回收混合物》，《银行与金融杂志》，40，116-129，（2014）
[5] 奥特曼，E.I。；Kishore，V.M.，几乎所有你想知道的关于违约债券回收的信息，《金融分析师杂志》，52，6，57-64，（1996）
[6] Bastos，J.A.，《预测银行贷款违约损失》，《银行与金融杂志》，34，10，2510-2517，（2010）
[7] 贝洛蒂，T。；Crook，J.，《信用评分和重要特征发现的支持向量机》，《应用专家系统》，36，2，3302-3308，（2009）
[8] 布雷曼，L。；弗里德曼，J。；斯通，C.J。；奥尔森，R.A.，《分类与回归树》，（1984），CRC出版社·Zbl 0541.62042号
[9] 卡拉布雷斯，R。；Zenga，M.，《银行贷款回收率：测量和非参数密度估计》，《银行与金融杂志》，34，5，903-911，（2010）
[10] 康托，R。；Varma，P.，北美公司发行人违约债券和贷款回收率的决定因素：1983-2003，《固定收益杂志》，14，4，29-44，（2004）
[11] 查洛普，S.K。；Mitschele，A.，《金融中的核心方法》（Seese，D.；Weinhardt，C.；Schlottmann，F.，《金融信息技术手册》，（2008），Springer），第655-687页
[12] Danenas，P。；Garsva，G.，《信用风险领域基于支持向量机分类器的选择》，《应用专家系统》，42，6，3194-3204，（2015）
[13] 达菲，D。；埃克纳，A。；霍雷尔，G。；Saita，L.，脆弱相关违约，《金融杂志》，64，5，2089-2123，（2009）
[14] 弗里德曼，J.，《贪婪函数近似：梯度提升机》，《统计年鉴》，1189-1232，（2001）·Zbl 1043.62034号
[15] 谢伟（2006）。多元和时间序列分析神经网络（neumata）：用户手册。；谢伟（2006）。多元和时间序列分析神经网络（neumata）：用户手册。
[16] Xieh，W.，噪声数据的非线性主成分分析，神经网络，20，4，434-443，（2007）·Zbl 1115.68129号
[17] 徐春伟。；Chang，C.C。；Lin，C.J.，《支持向量分类的实用指南》，技术报告，（2003），国立台湾大学计算机科学系
[18] Jankowitsch，R。；纳格勒，F。；Subrahmanyam，M.G.，《美国公司债券市场恢复率的决定因素》，《金融经济学杂志》，114，1，155-177，（2014）
[19] 科普曼，S.J。；卢卡斯，A。；Schwaab，B.，使用许多宏观经济协变量建模脆弱相关违约，《计量经济学杂志》，162，2，312-325，（2011）·Zbl 1441.62783号
[20] Kramer，M.，使用自联想神经网络的非线性主成分分析，AIChE杂志，37，2，233-243，（1991）
[21] 洛特曼，G。；I.布朗。；Martens，D。；梅斯，C。；Baesens，B.，《违约损失建模的基准回归算法》，《国际预测杂志》，第28、1、161-170页，（2012年）
[22] 范德马滕，L。；Postma，E。；van den Herik，H.，用于降维的Matlab工具箱，（2007），马斯特里赫特大学MICC
[23] 齐，M。；赵欣，违约损失建模方法比较，《银行与金融杂志》，35，11，2842-2855，（2011）
[24] Rösch，D。；Scheule，H.，预测在有选择的情况下违约的概率和损失率，《运筹学杂志》，65，393-407，（2014）
[25] Schölkopf，B。；Smola，A。；Müller，K.R.，《内核主成分分析》，国际人工神经网络会议，583-588，（1997），施普林格
[26] Schuermann，T.（2004）。我们对违约损失了解多少。纽约联邦储备银行工作文件。；Schuermann，T.（2004）。我们对违约损失了解多少。纽约联邦储备银行工作文件。
[27] Sjöstrand，K。；克莱门森，L。；艾纳森，G。；拉森，R。；Ersböll，B.，《Spasm:稀疏统计建模的MATLAB工具箱》，《统计软件杂志》，（2018年）
[28] 苏肯斯，J.A。；Vandewalle，J.，最小二乘支持向量机分类器，《神经处理快报》，9，3，293-300，（1999）
[29] 托巴克，E。；Martens，D。；Van Gestel，T。；Baesens，B.，《给定违约模型的预测损失：账户特征和宏观经济状态的影响》，《运筹学会杂志》，65，3，376-392，（2014）
[30] 王奇（2012）。核主成分分析及其在人脸识别和主动形状模型中的应用。arXiv:1207.3538；王奇（2012）。核主成分分析及其在人脸识别和主动形状模型中的应用。arXiv公司：1207.3538
[31] 姚，X。；克鲁克，J。；Andreeva，G.，《违约损失建模的支持向量回归》，《欧洲运筹学杂志》，240，2，528-538，（2015）·Zbl 1357.91050号
[32] 邹，H。；哈斯蒂，T。；Tibshirani，R.，稀疏主成分分析，计算与图形统计杂志，15，2，265-286，（2006）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。