基于支持向量機回歸模型的重慶市房地產金融風險預警研究

李琴

(重慶理工大學MBA教育中心，重慶 400050)

基于支持向量機回歸模型的重慶市房地產金融風險預警研究

李琴

(重慶理工大學MBA教育中心，重慶 400050)

以房地產金融風險單項指標的評價標準為依據，利用基于支持向量機(SVM)的回歸分析模型對重慶市房地產的金融風險狀況進行預警分析研究。通過研究評價指標變量與模型輸出數值之間的關系，分析房地產金融風險狀況與各評價指標變量的非線性關系，預測出各年度的金融風險狀況及金融風險的走勢，從而為有針對性地降低金融風險水平制定相應的宏觀調控政策提供理論參考。

房地產;金融風險;預警模型;支持向量機;回歸分析

一、引言

房地產融資風險凸顯，有效地對房地產金融風險進行分析并預警，無論對于公司的管理層、債權人抑或是擔保人都具有重要的作用。鑒于此，國內外學者紛紛投入到此項研究工作之中，并在選擇金融風險預警指標、建立金融風險預警模型等方面取得了許多理論進展［1］。

Andrew Berg和Pattillo于1999年利用 FR回歸預警模型與KLR信號預警模型，對發展中國家研究機構的金融風險情況進行預測［2］。Pan和Lin利用主成分分析和概率神經網絡的方法，對臺灣金融企業進行分析，從而構建了基于概率神經網絡的金融危機的預警模型［3］。Dieter等通過研究美國次貸危機及其引發的全球金融危機，指出金融體系結構的脆弱性是導致危機頻發的重要原因，并在此基礎上構建了金融風險動態預警模型［4］。在國內，許多研究者也著手利用智能學習算法來構建金融風險預警模型。常麗娟等利用BP神經網絡對養老保險基金支付風險進行預警研究，建立了一套基本養老保險基金風險預警指標體系，并驗證了模型具有很好的擬合度［5］。甘敬義等利用BP人工神經網絡構建非線性系統模型，通過對金融風險預警模型的訓練和檢驗得出我國金融運行處于風險狀態，并對此提出了相關政策建議［6］。陳立新采用BP神經網絡方法來構建地方財政風險預警模型，對現階段地方財政風險狀況做出評價與分析，并對未來財政風險狀態進行預測［7］。楊虎等構建基于大數據分析的互聯網金融風險預警系統，并運用大數據管理工具和分析方法來預測互聯網金融中潛在的金融風險［8］。楊志安應用AHP評價法對我國面臨的財政風險進行風險區間劃分，通過選取宏觀經濟運行風險、財政體制風險、財政債務風險、財政收支風險4類風險因子及不同的風險評價指標，建立財政風險綜合評價函數［9］。秦建成等利用綜合模擬法對重慶市房地產市場風險進行評估，認為2002—2011年房地產市場總體呈現平穩態勢，局部出現較小幅度的波動［10］。

二、數據處理與評價指標構建

(一)預警模型的數據準備

為了防止模型的過擬合，從訓練數據方面提高模型的泛化能力，本文從公司融資風險、賬務結構等多方面考量，選取了重慶市幾個大型房地產公司和重慶房產信息網上獲取的2006—2014年間的數據，從中隨機選取了20余家房產公司不同監測時間段的6 000條數據樣本作為建模數據，根據影響房地產上市公司的內部因素選取若干指標，構建融資風險預警模型。

(二)模型評價指標的構建

關于上市公司的金融風險評估體系的研究，以往的研究大都建立在公司傳統財務指標比率的基礎上［10］;然而，由于會計造假及財務數據的時滯效應，使得傳統的財務風險度量模型很難有效地規避金融市場風險，這給財務風險的評估、識別和預測帶來了很大的障礙［11］。另外，公司的財務狀況及盈利水平與公司所處的宏觀環境密切相關，國家政策的變化及管理者的決策水平對公司的生存和發展有著不可估量的作用，特別是在房地產市場表現得更加明顯，公司的償債能力、公司盈利能力、資產運營能力、公司財務結構等更是大環境經濟形式下，公司是否陷入危機的最重要體現［12］。因此，本文的模型評價指標的構建主要依據文獻［13］中對財務風險指標的評價方法，同時考慮了重慶市房地產公司的實際情況及融資風險的特點，最終選取了公司償債能力、公司盈利能力、資產運營能力、公司成長能力、公司財務結構等5個方面的15個財務指標，如表1所示。

表1 模型評價指標變量

(三)預警等級劃分

本文認為過細劃分預警等級會對不同算法合成的風險指標有影響，不利于決策系統進行預測，因此在借鑒文獻［14］對區域性金融風險預警系統閾值的劃分標準(以4、6標準將區域金融風險化分為安全、基本安全、風險、高風險4個等級)基礎上，本文考慮房地產經濟的實際情況，根據風險的大小，按照“3、7”標準將預警的等級情況劃分為4種狀態，即重度預警狀態、輕度預警態度、低風險狀態、安全狀態，如表2所示。

表2 公司預警等級劃分

三、風險預警的回歸模型

(一)多元線性回歸分析

對于風險預警模型，前期的研究者運用了多種方法對其建模研究［2-9］。綜合風險預警分析的現狀，一種較為常用的方法就是采用回歸分析對融資風險預警指標及其權重進行計算，從而實現對風險的回歸預測。多元回歸分析模型中，如對于n個獨立觀測數據(xi1，xi2，xim，yi)，i=1，2，…，nn＞m可得:

其中，β0，β1，…，βm是回歸系數，σ2是與數據無關的未知數。回歸模型的求解過程就是利用假設檢驗觀測數據(x1，x2，…，xm)和y之間是否存在模型所示的線性關系，當回歸模型和系數通過檢驗后，可由給定的數據(x1，x2，…，xm)預測y。

前期研究表明:由于融資風險指標的復雜性，利用多元線性回歸分析很難得到較滿意的結果，為此引入了具有強大的非線性擬合功能的BP神經網絡、支持向量機回歸分析模型。

本文所收集的重慶市房地產公司融資風險數據有限，且這些數據中要考慮的指標眾多。鑒于支持向量機算法可以很好地解決小樣本學習，且非線性回歸可以很好地克服“維度災難”的問題，因此本文選擇利用支持向量機的回歸分析模型實現對融資風險模型的構建。

(二)支持向量機的回歸分析模型

在支持向量機(SVM)的回歸分析模型中，對于訓練樣本集{(x1，y1)，…，(xl，yl)}∈Rn×R為輸入變量的值，yi∈R為相應的輸出值，l為訓練樣本個數，回歸問題就是尋找一個從輸入空間到輸出空間的映射:f:Rn→R，使得f(x)=y。

SVM的目標是尋求回歸函數:其中，ω為權向量，x為樣本輸入值，b為閾值。對于線性問題，根據統計學理論，SVM通過極小化目標函數來確定回歸函數，即:

對于非線性回歸問題，理論上可以通過非線性變換將其轉化為某個高維空間的線性問題，并在該變換空間中求最優值，但是通常情況下變換都很復雜，而支持向量機通過核函數變換可以巧妙地解決這個問題。

假設存在這樣一個變換φ:Rn→Η，xφ(x)，使得K(x，x')=φ(x)·φ(x')，其中(·)表示內積運算，則在高維空間中只需進行內積運算，根據泛函的有關理論，只要一種核函數K(x，x')滿足Mercer條件，它就對應某一變換空間中的內積。因此，選擇適當的內積函數K(x，x')就可以實現某一非線性變換后的線性回歸，可以避免維數災難，最終可以確定非線性回歸函數。

在基于支持向量機模型核函數的選擇上，通常采用的方法有兩種:一種是利用專家的先驗知識預先選定核函數;另一是采用Cross-Validation方法，即在進行核函數選取時，分別試用不同的核函數，歸納誤差最小的核函數就是最好的核函數。考慮到本實驗的訓練數據相對較少，而每條實驗數據的維度也只有幾十個，且考慮到RBF核無論是小樣本還是大樣本、高維還是低維等情況，RBF核函數均適用，以及RBF需要確定的參數要少的特點，因此本文利用RBF核作為模型的核函數。

(三)建立金融風險預警模型

1．訓練和建立SVM回歸分析模型

把實驗準備數據中的6 000條樣本隨機分成3 600(訓練樣本占 60%)、1 200(檢驗樣本占20%)和1 200(測試樣本占20%)3組。把上述3組數據進行歸一化處理，采用SVM算法建立回歸分析模型。

2．模型的泛化能力

本文采用SVM回歸算法構建預警模型，該模型利用訓練樣本、檢驗樣本和測試樣本的均方根誤差、絕對誤差均值和相關系數等表示模型性能的指標值。表3是模型在3類數據中得到的實驗數據，從數據分析可知構建的預警模型對3類樣本的表征能力非常接近。從表3中的各項性能指標來看，模型具有較好的泛化能力，其有效性和可靠性較好。

表3 模型的泛化能力指標

(四)模型的參數優化

在支持向量機回歸分析模型中，選擇一個比較好的模型參數對模型回歸分析結果的準確率有著重要的影響。在對參數的尋找上，本文利用了了Libsvm，Python，Gnuplot 3個開源的工具，實現對模型參數的尋找。圖1是利用Python對房地產金融風險訓練數據尋找優化參數的過程。

圖1 利用python搜尋參數的過程

(五)實驗與模型分析

考慮到房地產金融風險有一定的潛伏期，本文利用2006—2013年的房地產數據預測2007—2014年的房地產金融風險水平。利用 2006—2013年的房地產數據構建回歸分析模型，得到的模型輸出值如表4所示，數據越小說明金融風險越大。

從表4可以看出，2010年、2012年、2013年、2014年這4年的模型回歸數值都在［0．3，0．7］，說明其金融風險較高，處于“輕度預警”狀態。從這4年的模型回歸數值成遞減趨勢來年，說明近年來房地產金融風險在不斷加劇，有關部門應當采取一些宏觀調控政策，加強對房地產金融風險的管控，防止其向“重度預警”狀態轉化。通過比較模型預測的房地產風險狀況與重慶市房地產官方公布的數據，發現二者在風險預警狀態與風險走勢方面基本吻合，說明本文構建的分析模型在預測房地產風險方面的有效性。

表4 模型回歸分析實驗結果及風險等級

從表4中的數據也可看出，2007年、2008年、2009年、2011年這4年的金融風險模型回歸數值在［0．7，0．9］，說明處于“低風險狀態”狀態，進一步分析這4年的風險數據，發現2011年時模型回歸數值為0．858，非常接近0．9，因此該年的房地產金融風險接近“安全狀態”。

四、結束語

本文根據房地產金融風險單項指標的評價標準，利用基于SVM的回歸分析模型對重慶市房地產金融風險狀況進行預警研究。研究房地產金融風險狀況與各評價指標變量的非線性關系，各指標對金融風險模型的重要程度，并預測出各年度的金融風險狀況及金融風險未來走勢，從而為有針對性地降低金融風險水平提供依據。2007—2011年重慶市房地產公司的運營情況較好，公司風險水平低(2010年除外)，2012—2014年房產公司的風險水平雖然還在可控范圍之內，但有不斷抬高的趨勢，應引起房地產公司和政府管理部門的高度關注。

與現有的因子分析(FA)、基于神經網絡(BPNN)的等金融風險分析模型相比，本文構建的基于SVM回歸分析的預警模型，充分利用了支持向量機學習算法在解決小樣本學習及非線性回歸方面的優勢，可以利用較少的訓練數據得出可靠性較高的風險預警模型。從而能夠對未來的房地產金融風險起到很好的預警作用，并對政府相關部門掌控綜合金融風險指標，制定宏觀調控政策，提供理論參考。

［1］李夢雨．中國金融風險預警系統的構建研究——基于K-均值聚類算法和BP神經網絡［J］．中央財經大學學報，2012(10):25-30．

［2］BERG A，PATTILLO C A．Are currency crises predictable?A test［J］．IMF Working Papers，1998:1-61．

［3］WEN-TSAO P，WEI-YUAN L．Use probabilistic neural network to construct early warning model for business financial distress［C］//In Proceedings of the 15th Annual Conference on Management Science and Engineering，2008:134-139．

［4］GRAMLICH D，OET M V．The structural fragility of financial systems:Analysis and modeling implications for early warning systems［J］．The Journal of Risk Finance，2011，12(4):270-290．

［5］常麗娟，陳玲英．BP神經網絡在基本養老保險基金支付風險預警中的應用［J］．統計與信息論壇，2011，26 (11):80-84．

［6］甘敬義，黃明和，袁晶．基于BP人工神經網絡的中國金融風險預警模型分析［J］．商業時代，2011(27):65 -66．

［7］孫立新．基于BP神經網絡的地方財政風險預警模型研究［J］．管理學刊，2012，25(6):86-91．

［8］楊虎，易丹輝，肖宏偉．基于大數據分析的互聯網金融風險預警研究［J］．現代管理科學，2014，2(4):3-5．

［9］楊志安，寧宇之．中國財政風險預警系統的構建——基于AHP評價法的實證研究［J］．中國經濟問題，2014(4):30-37．

［10］秦建成，王景舒．基于綜合模擬法的重慶市房地產市場風險評估研究［J］．重慶理工大學學報:社會科學，2014，28(5):52-56．

［11］孫帥，盧靜波．基于層次分析法的地方財政收入風險評估指標體系優化及實證分析——以江蘇省的數據為例［J］．江蘇商論，2013(7):64-69．

［12］徐玲玲，邱繼勤．重慶市房地產價格波動對居民消費影響的實證研究［J］．重慶理工大學學報:社會科學，2014(4):62-67．

［13］梁琪，過新偉，石寧．基于隨機效應logistic模型的中小企業財務失敗預警研究［J］．管理工程學報，2014，28 (3):126-134．

［14］張慧平．基于VaR的上市公司財務風險評估體系的構建及實證研究［D］．長春:吉林大學，2010．

(責任編輯魏艷君)

Financial Risk Warning Model Research of Chongqing Real Estate Based on Support Vector Machine Regression Model

LI Qin
(MBA Education Center，Chongqing University of Technology，Chongqing 400050，China)

We used the evaluation criteria real estate financial risks of individual indicators as the basis，and used support vector machine(SVM)regression analysis model to have early warning analysis on the financial risk profile of Chongqing real estate．By studying the relationship between the indicator variables and evaluating model output value to analyze the non-linear relationship between real estate financial analysis and risk profile of each index variables，we predicted the financial risk profile of each year and the financial the trend of risk，so as to provide the basis in reducing the financial risk targeted level．

real estate;financial risk;warning model;support vector machine;regression analysis

F124

A

1674-8425(2015)11-0078-05

10．3969/j．issn．1674-8425(s)．2015．11．012

2015-08-24

李琴(1973—)，女，重慶人，會計師，研究方向:財務管理。

李琴．基于支持向量機回歸模型的重慶市房地產金融風險預警研究［J］．重慶理工大學學報:社會科學，2015(11):78-82．

format:LI Qin．Financial Risk Warning Model Research of Chongqing Real Estate Based on Support Vector Machine Regression Model［J］．Journal of Chongqing University of Technology:Social Science，2015(11): 78-82．