全文鏈接：http://tecdat.cn/?p=30401

最近我們被客戶要求撰寫關(guān)于CPV模型的研究報(bào)告，包括一些圖形和統(tǒng)計(jì)輸出。

本文基于 CPV 模型, 對房地產(chǎn)信貸風(fēng)險(xiǎn)進(jìn)行了度量與預(yù)測。我們被客戶要求撰寫關(guān)于CPV模型的研究報(bào)告

結(jié)果表明, 該模型在度量和預(yù)測房地產(chǎn)信貸違約率方面具有較好的效果。

CPV 模型的基本原理和框架

CPV 模型是一個(gè)用于分析貸款組合風(fēng)險(xiǎn)和收益的多因素模型, 它根據(jù)失業(yè)率、長期利率、GDP 增長率、匯率、政府支出和總儲蓄率等宏觀因素, 借助于經(jīng)濟(jì)計(jì)量工具和蒙特卡羅技術(shù), 將每個(gè)國家不同行業(yè)中不同等級的違約概率和轉(zhuǎn)移概率相聯(lián)系, 進(jìn)而計(jì)算出風(fēng)險(xiǎn)價(jià)值( 迪迪埃、皮羅特, 2005) 。

指標(biāo)及樣本數(shù)據(jù)選擇

當(dāng)實(shí)際運(yùn)用 CPV 模型時(shí), 宏觀經(jīng)濟(jì)因素個(gè)數(shù)必須達(dá)到 3 個(gè)以上時(shí)該模型才具有一定的有效性 ( 估計(jì)有效性及預(yù)測有效性) 。因此, 本文分別從國家宏觀經(jīng)濟(jì)、房地產(chǎn)行業(yè)狀況、房地產(chǎn)企業(yè)狀況三個(gè)方面選擇出三個(gè)宏觀經(jīng)濟(jì)因素指標(biāo), 運(yùn)用 CPV 模型評估房地產(chǎn)信貸的信用風(fēng)險(xiǎn)。綜合領(lǐng)先指標(biāo)(Composite Leading Indicator) 。經(jīng)濟(jì)合作與發(fā)展組織 (OECD) 的綜合領(lǐng)先指標(biāo)(CompositeLeading Indicator, CLI) 被認(rèn)為是預(yù)測全球經(jīng)濟(jì)變動(dòng)趨勢的良好指標(biāo), 它是指一系列引導(dǎo)經(jīng)濟(jì)由增長至衰退的循環(huán)的相關(guān)經(jīng)濟(jì)指標(biāo)和經(jīng)濟(jì)變量的加權(quán)平均數(shù), 主要用來預(yù)測整體經(jīng)濟(jì)的轉(zhuǎn)變情況, 預(yù)測未來數(shù)月的經(jīng)濟(jì)發(fā)展趨勢:

從上圖可以看到數(shù)據(jù)呈現(xiàn)出穩(wěn)定的波動(dòng)趨勢，再均值周圍回?cái)[，因此差分后數(shù)列穩(wěn)定。

CPV模型

滯后期的選擇根據(jù)Akaike Information Criterion(AIC)準(zhǔn)則確定。

根據(jù)回歸結(jié)果顯示CLI、CRECI和ECI的P值顯示的數(shù)值表明該估計(jì)的有效性。從估計(jì)出的敏感系數(shù)可以看出,CLI、和ECI的系數(shù)(Coefficient)為正, CRECI的系數(shù)(Coefficient)為負(fù)，并且ECI的系數(shù)值是CLI系數(shù)值的2倍左右所以, 當(dāng)CRECI的值上升的時(shí)候,Y值也上升 (違約率下降), 它們之間是反向變化。并且, 綜合領(lǐng)先指標(biāo)ECI相對于其他宏觀經(jīng)濟(jì)指標(biāo)來說, 影響力度最大。

殘差值分析

根據(jù)上面的模型估計(jì)結(jié)果, 可以得出Y的殘差值、實(shí)際值和擬合值的趨勢圖。如圖1所示。

根據(jù)圖1的趨勢圖, 可以清楚地看出, Y的擬合值和實(shí)際值的曲線幾乎完全重合, 這也說明該模型很好地?cái)M合了樣本數(shù)據(jù), 也跟上述結(jié)果表明的事實(shí)相符合。

另外, 殘差的相關(guān)系數(shù)和偏相關(guān)系數(shù)如圖2所表示。從圖2可以看出, 模型的殘差不存在序列自相關(guān)。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

PYTHON鏈家租房數(shù)據(jù)分析：嶺回歸、LASSO、隨機(jī)森林、XGBOOST、KERAS神經(jīng)網(wǎng)絡(luò)、KMEANS聚類、地理可視化

左右滑動(dòng)查看更多

01

02

03

04

殘差自相關(guān)和偏相關(guān)分析

BG高階自相關(guān)系數(shù)檢驗(yàn)

進(jìn)一步用布—戈弗雷檢驗(yàn)(Breusch-Godfrey, BG檢驗(yàn))來檢驗(yàn)殘差的序列自相關(guān)性的情況, 從上面的檢驗(yàn)結(jié)果，可以看出, P值較大, 根據(jù)BG高階自相關(guān)系數(shù)檢驗(yàn)原理, 該檢驗(yàn)結(jié)果接受原假設(shè), 即上述模型的殘差不存在自相關(guān)性, 也進(jìn)一步證實(shí)了前面的自相關(guān)系數(shù)和偏自相關(guān)系數(shù)的檢驗(yàn)結(jié)果。

綜上所述, 此模型檢驗(yàn)達(dá)到預(yù)期要求, 較好地反映了宏觀經(jīng)濟(jì)實(shí)際狀況和各宏觀經(jīng)濟(jì)變量之間的對應(yīng)關(guān)系。

宏觀經(jīng)濟(jì)變量的趨勢

違約率擬合值和實(shí)際值的對比

預(yù)測信貸違約率

仍選擇綜合領(lǐng)先指標(biāo)(CLI), 國房景氣指數(shù)(CRECI)以及企業(yè)景氣指數(shù)(ECI)三個(gè)宏觀經(jīng)濟(jì)變量, 運(yùn)用CPV模型的估計(jì)結(jié)果對未來2年的每個(gè)月的房地產(chǎn)信貸違約率進(jìn)行預(yù)測,

為了直觀地表示出違約率的變化趨勢及其與CLI、CREIC、ECI三個(gè)變量之間的關(guān)系, 分別做出趨勢圖。從中可以看出:在11月份, 雖然ECI上升, 但是由于CRECI和CLI下降的共同作用, 對于房地產(chǎn)信貸來說經(jīng)濟(jì)狀況趨勢還是下降, 因此違約率略有上升。但是從3月份開始, 由于宏觀經(jīng)濟(jì)、房地產(chǎn)行業(yè)和企業(yè)三個(gè)層面的景氣好轉(zhuǎn), 房地產(chǎn)信貸違約率逐漸下降。這個(gè)預(yù)測趨勢結(jié)果僅作為參考, 這里主要是為了說明模型的預(yù)測功能對于商業(yè)銀行抵抗信貸風(fēng)險(xiǎn)的重要意義。

點(diǎn)擊文末?“閱讀原文”

獲取全文完整代碼數(shù)據(jù)資料。

本文選自《R語言用CPV模型的房地產(chǎn)信貸信用風(fēng)險(xiǎn)的度量和預(yù)測》。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語言時(shí)變面板平滑轉(zhuǎn)換回歸模型TV-PSTR分析債務(wù)水平對投資的影響
R語言Lasso回歸模型變量選擇和糖尿病發(fā)展預(yù)測模型
數(shù)據(jù)分享|R語言邏輯回歸、Naive Bayes貝葉斯、決策樹、隨機(jī)森林算法預(yù)測心臟病
R語言邏輯回歸logistic模型分析泰坦尼克titanic數(shù)據(jù)集預(yù)測生還情況R語言是否對二分連續(xù)變量執(zhí)行邏輯回歸
R語言用lme4多層次（混合效應(yīng)）廣義線性模型（GLM），邏輯回歸分析教育留級調(diào)查數(shù)據(jù)
R語言隨機(jī)森林RandomForest、邏輯回歸Logisitc預(yù)測心臟病數(shù)據(jù)和可視化分析
R語言基于Bagging分類的邏輯回歸(Logistic Regression)、決策樹、森林分析心臟病患者
R語言邏輯回歸（Logistic回歸）模型分類預(yù)測病人冠心病風(fēng)險(xiǎn)
R語言用局部加權(quán)回歸(Lowess)對logistic邏輯回歸診斷和殘差分析R語言用主成分PCA、?邏輯回歸、決策樹、隨機(jī)森林分析心臟病數(shù)據(jù)并高維可視化
R語言用線性模型進(jìn)行臭氧預(yù)測：加權(quán)泊松回歸，普通最小二乘，加權(quán)負(fù)二項(xiàng)式模型，多重插補(bǔ)缺失值R語言Bootstrap的嶺回歸和自適應(yīng)LASSO回歸可視化
R語言中回歸和分類模型選擇的性能指標(biāo)
R語言多元時(shí)間序列滾動(dòng)預(yù)測：ARIMA、回歸、ARIMAX模型分析
R語言用lme4多層次（混合效應(yīng)）廣義線性模型（GLM），邏輯回歸分析教育留級調(diào)查數(shù)據(jù)
R語言計(jì)量經(jīng)濟(jì)學(xué)：虛擬變量(啞變量)在線性回歸模型中的應(yīng)用
R語言 線性混合效應(yīng)模型實(shí)戰(zhàn)案例
R語言混合效應(yīng)邏輯回歸（mixed effects logistic）模型分析肺癌數(shù)據(jù)
R語言如何用潛類別混合效應(yīng)模型（LCMM）分析抑郁癥狀
R語言基于copula的貝葉斯分層混合模型的診斷準(zhǔn)確性研究
R語言建立和可視化混合效應(yīng)模型mixed effect model
R語言LME4混合效應(yīng)模型研究教師的受歡迎程度
R語言 線性混合效應(yīng)模型實(shí)戰(zhàn)案例
R語言用Rshiny探索lme4廣義線性混合模型（GLMM）和線性混合模型（LMM）
R語言基于copula的貝葉斯分層混合模型的診斷準(zhǔn)確性研究
R語言如何解決線性混合模型中畸形擬合(Singular fit)的問題
基于R語言的lmer混合線性回歸模型
R語言用WinBUGS 軟件對學(xué)術(shù)能力測驗(yàn)建立層次（分層）貝葉斯模型
R語言分層線性模型案例
R語言用WinBUGS 軟件對學(xué)術(shù)能力測驗(yàn)（SAT）建立分層模型
使用SAS，Stata，HLM，R，SPSS和Mplus的分層線性模型HLM
R語言用WinBUGS 軟件對學(xué)術(shù)能力測驗(yàn)建立層次（分層）貝葉斯模型
SPSS中的多層（等級）線性模型Multilevel linear models研究整容手術(shù)數(shù)據(jù)
用SPSS估計(jì)HLM多層（層次）線性模型模型