基于新闻舆情的信用债估值修正模型及其应用

信用债估值是金融机构资产管理与风险控制的核心问题之一,主流估值方法诸如CreditGrades等模型无法捕捉违约事件新闻舆情及市场投资者情绪的变化。基于文本情感挖掘方法,把新闻舆情分为情感和语义两个维度,在CreditGrades模型基础上增加了一项信用点差,建立了量化修正的一个信用债估值改进模型。相比传统方法,新模型具有三点优势:(1)很多债券在日常市场活动中交易不够频繁,很多情况下某一段时间内市场没有交易,传统时间序列模型在对这种情况的预测会存在误差,而且新模型通过最近一段时间的文本挖掘,可以获取有关债券最新信息更加有效的预测债券价格走势。(2)传统方法过于依赖数字类的系统内推预测模型而无法规避系统风险和行业风险,新模型挖掘本文信息有效地弥补这个不足,具有较广普适性。(3)新模型具有自我进化功能,通过针对某一个金融领域不断更新模型中的情感词典、停用词词典、用户词典,模型的预测精度将会随着模型读取的文本数据的数量不断提高。实验表明,改进模型与原模型相比其估值的均方误差从0.134降为0.056,取得了明显高于传统方法的效果。