基于支持向量機的倉單質押融資風險評估研究

文/趙健

引言

倉單質押融資業務是一種第三方物流企業向金融領域延伸的創新的服務方式。不但能夠解決融資企業資金短缺的問題，還能夠增加第三方物流企業的經濟效益。同時，也能夠拓展銀行的業務領域和盈利空間。但是，由于倉單質押融資業務在我國的發展時間較短，實踐經驗不豐富，相關的體制和市場規則不健全，導致倉單質押融資業務存在著很多不確定性的風險。因此，對倉單質押融資業務的風險進行研究具有十分重要的現實意義。

一、文獻綜述

倉單質押融資業務作為一種最主要的融資模式，受到越來越多的企業界與學術界的關注。但是，針對倉單質押融資風險的研究還不夠深入。其中，裴炳和在倉單質押貸款操作與風險研究中通過圖表舉例論證，倉單質押融資的操作流程進行分析，列舉存在的風險，并提出規避風險的相關措施[1]。褚靜騉和陳玉霞在倉單質押風險評估研究中分別列舉了融資業務中的主要風險，從不同的角度給出了防范風險的建議[2，3]。成志平在倉單質押融資的風險識別研究中，從實際情況出發，在整體上對倉單質押融資業務存在的風險進行分析，將其分成市場風險、信用風險、流動性風險、管理風險和法律風險五類主要風險[4]。閔嘉寧通過熵權法在倉單質押融資業務風險評估的應用研究中出風險產生的原因，并且針對主要風險建立合理的指標評價體系，采用熵權法對各項指標確定了科學的、客觀的權重[5]。綜上文獻可以發現，針對倉單質押融資風險的評估模型以及相關的倉單質押融資風險指標體系有很多種。就目前而言，在倉單質押融資方面的研究己經涉及到多層次、多方面以及多角度，在該項業務的融資模式以及風險管控方面研究較多，但是現有研究在具體實踐中仍然存在一些不足。大部分文獻主要是對單個運作主體或具體的模式進行定性探討，忽略了各種風險成因的耦合關聯，并且在倉單質押融資模式下定量分析整個系統融資風險的研究也相對缺乏。

二、支持向量機原理及其算法

（一）支持向量機原理

支持向量機（Support vector Machine，SVM）是Cortes等人于1995年提出的一種機器學習方法，立在統計學習理論的VC維理論和結構風險最小理基礎上，在模型復雜性和學習能力之間進行了折衷，具有較強的泛化能力和精確性。在小樣本、非線性及高維模式識別等方面有較大優勢，克服了神經網絡過于學習、欠學習、局部極小等問題，已成為繼神經網絡研究之后機器學習理論領域新的熱點。

（二）支持向量機算法

支持向量機（SVM）由線性可分情況下的最優分類面發展而來，其基本思想就是將向量映射到一個更高維的空間，建立一個具有最大間隔的超平面。在分開數據超平面的兩邊建有2個互相平行的超平面，分隔超平面使2個平行超平面的距離最大化。

該方程應該滿足：

利用Lagrange優化方法把上述最優分類面問題轉化為對偶問題，即，其中.

非線性問題就是利用非線性映射把原始數據變換到高維特征空間，在高維空間中設計線性SVM，尋找最優分類面。在最優分類面中采用適當的內積函數，從而實現從非線性到線性的分類。常用的核函數有線性核函數、多項式核函數、Gauss徑向基核函數、Sigmoid核函數。此時，決策函數變為：

2.將SVM由分類問題推廣至回歸問題可以得到支持向量回歸（Support Vector Regression，SVR），此時SVM的標準算法也被稱為支持向量分類（Support Vector Classification，SVC）[6]。

支持向量回歸機的算法如下：

（1）給定訓練集T={(x1,y1),…,(xn,yn)}∈(R×y)n，其中xi∈Rn,yi∈y=R,i=1,…,n；

（2）選取適當的核函數K(x,x')以及適當的精度ε＞0和懲罰參數C＞0;構造并求解凸二次規劃問題計算：選取位于開區間(0,C)中的(*)的分量j或。若選到的是，則

三、基于支持向量機的倉單質押融資風險評估模型

表1 倉單質押融資風險評估指標體系表

（一）倉單質押融資風險評估指標體系的建立

在倉單質押融資風險評估中，必須建立起一套科學、合理、嚴謹的風險評估指標體系。建立起一套科學、合理、嚴謹的風險評估指標體系是進行倉單質押融資評估的首要前提和關鍵條件。為了建立有效的倉單質押融資評估指標體系，應遵循以下原則：（1）科學性原則，（2）可操作性原則，（3）層次性原則，（4）定性與定量相結合原則。

近年來，很多學者從不同角度出發，構建了不同的風險評估體系。如羅瑞敏、伍雋通過融資過程的業務梳理，認為倉單質押融資主要面臨資信、質押物監管和價值評估的風險[7]。戴唯和魏瑋認為在倉單質押融資業務中存在融資企業和質押貨物等五類主要風險[8]。

筆者根據前人的研究成果和對已有文獻等資料的分析加上實際調研分析，在征求理論研究與生產領域專家意見后，先提出初步備選指標，以倉單質押融資業務為基礎，將倉單質押融資風險因素整理歸納為商業銀行風險、倉儲企業風險、融資企業風險和宏觀系統風險共四類一級指標。通過對各類風險進行分析研究，進一步分解為二級指標和三級指標，以此構建了一套倉單質押融資風險的評估體系。

針對上述構建的倉單質押融資風險指標，筆者設計了調查問卷，以此來判斷分析指標的合理性，同時利用統計學方法進行分析。此次調查共發放調查問卷100份，收回調查問卷90份，有效問卷為80份，有效問卷回收率為80%。

筆者利用SPSS19.0統計軟件對問卷數據進行分析。從信度分析來看，二級項目的信度系數都在0.7以上，將任何一個指標刪除后，所在分類的系數都有所下降，說明指標體系信度較高。效度分析采用Kaiser～Meryer～Olkin（KMO）評價結構效度，結果顯示KMO值為0.827，Bartlett的球形度檢驗的顯著概率統計值為0.000，因子載荷都在0.6以上，說明指標體系效度較高。表1為倉單質押融資風險評估指標體系。

（二）樣本數據的收集與處理

基于保證倉儲上市企業數據的可獲得性和建立支持向量機模型的準確性，本文選取了一家規模較大的上市倉儲企業。通過國泰安等數據庫以及相關資料的查詢及搜集，收集到了該企業與相關企業已經完成的18個倉單質押融資業務詳細資料。在倉單質押融資評估指標體系中，包括定性指標和定量指標。對于定性指標，采用專家打分法進行量化，評分范圍為[0，1]。正向指標取值越大、風險越大，其歸一化公式為。逆向指標代表取值越大、風險越小，其歸一化公式為為第i個指標的歸一化值，xi為第i個指標的輸入樣本，xmax為第i個指標的最大值，xmin為第i個指標的最小值。

通過以下專家打分法獲得樣本數據過程：（1）選擇專家。其中包括5名倉單質押融資領域的大學教授、15名從事倉單質押融資的企業管理人員和5名銀行融資風險控制部門的專職人員。（2）向專家提供倉單質押融資相關企業以及行業的背景資料，以匿名方式征詢專家意見，并對各個指標的風險級別以及每個倉單質押融資業務整體風險進行打分。（3）對專家意見進行分析匯總，將統計結果反饋給專家，經過多輪匿名征詢和意見反饋，形成最終分析結論。對每位專家的最終風險評估打分表進行處理，每一個風險指標以及每個倉單質押融資業務整體風險取所有專家的算術平均數，得到最終倉單質押融資風險指標數據表。將評價結果分為5個級別，即[可忽略風險、較低風險、中度風險、較高風險、不容許風險]，對應的風險區間為（0，0.2］、（0.2，0.4］、（0.4，0.6］、（0.6，0.8］、（0.8，1.0］。

具體歸一化數據如表2所示。

（三）模型訓練及結果

筆者使用MATLAB軟件中的SVM功能，同時安裝LIBSVM工具箱。在MATLAB環境下能運行LIBSVM函數，對樣本數據的訓練，得到支持向量機回歸模型。使用的版本為MATLAB～R2015b和LIBSVM～3.1～[Faruto Ultimate3.1Mcode]。

收集的樣本數據進行劃分，前16個樣本數據作為評估模型的樣本對其進行訓練，A17和A18兩組數據為檢驗樣本。雖然LIBSVM工具箱的參數有默認值，但還需要選擇相應的參數（懲罰參數C和核函數參數g）。筆者使用K～fold交叉驗證得到最優參數C和g，懲罰參數C取1.6211和核函數參數g=0.25。同時選用徑向基函數作為核函數訓練模型，結果見表3。

表2 歸一化倉單質押融資風險指標數據

表3 數據檢驗結果

通過觀察發現，采用支持向量機模型得到的回歸值與專家打

四、結束語

倉單質押融資是我國中小企業融資的重要方式和組成部分，在我國中小企業融資領域占有重要的地位。但是由于近年來的市場環境等因素的不確定性，導致融資風險不斷加大，所以對風險的評估顯得越來越重要。筆者首先對融資風險的相關研究進行了概述；隨后，通過調查問卷構建了一套倉單質押風險評估體系；最后，將基于支持向量機的機器學習算法運用到倉單質押融資評估中，構建了倉單質押融資風險評估模型，并進行了實證研究。研究結果表明，基于支持向量機的倉單質押風險評估模型，具有較高的訓練效率和精度。同時能夠為商業銀行、倉儲企業、融資企業提供科學的決策支持。分值幾乎吻合，相對誤差較小，證明支持向量機模型的學習效果很好，可以在倉單質押融資風險評價領域運用。