基于逻辑分析的主权债务评级模型重构

最小化具有相应变量的切点集是本研究的优化元素。我们通过每年的最少模式数探索并描述了惠誉评级系统的评级类别。图6 | P a g e 1显示了通过数据逻辑分析生成决策树的迭代过程。迭代评级类别的国家和评级级别较好的国家被分配给LAD 1级。任何其他国家都被指定为0级LAD，如图1的“a”部分所示。在下一次迭代中，下一评级类别国家的LAD等级从0更改为1。为了完成所有预定义的评级类别，除BM评级类别（图1的“b”部分和“c”部分）外，这些国家逐渐被转移到LAD 1级。最后，可能存在这样的区域，即该区域的国家不按LAD分类（图1的“d”部分）。迭代过程从惠誉评级机构的AAA级评级开始。这些国家总是属于LAD一级。其他评级类别（AAP、AA、AAM…）的国家逐渐扩大了这一等级在程序的迭代中。此外，如果根据从AAA到BM的一次迭代中生成的DNF，未经惠誉评级的国家处于LAD 1级，则其建议评级类别为首次发生时的评级类别。这是本次调查的重要贡献。●●●○●●●○●●○●●○●   ●●●●    ●○●   ●●●●     ●○○        ○●  ●●      ● ●○ ○●        ●●  ●●     ● ●○ ○○○      ○○ ○○○○●       ●○ ○○○○○ ○     ○○○○ ○     ○○○○○○○○a“b”●●●○●●●●●●○●●●●   ●●●●     ●○●   ●●●●     ●●●        ●●  ●●     ● ●○ ○●        ●●  ●●     ● ●●  ●●●       ●○ ○○○●●       ●●  ● ●●●○ ○     ○○●●  ●      ●○●○●●?○●“c”“d”图1：选择案例作为每个等级3的LAD输出。

结果3.1如何将LAD应用于主权信用评级？LAD的设计目的是将两个班级分开。主权评级有很多等级。这些类别是根据类别所在国家代表的风险排序的。因此，可以将多类评级分解为一系列二元分类。代表一定风险水平的国家由一个类别组成，而所有其他风险较高的国家则属于另一个类别。例如，评级从AAA到AAM的国家排名第一，而AP或更低的国家排名第二。每一次这样的分离都会给LAD带来问题。LAD提供的DNF形成了一个决策树。如果一个国家符合将AAA国家与其他国家区分开来的DNF，那么它就是AAA7 | P a g e国家。否则，如果它满足将AAA和AAP国家与其他国家区分开来的DNF，那么它就是AAP国家。3.2 LAD计划和决策树的假设为了应用LAD，我们做出了一些假设。模式的范围是一个连接中布尔变量的数量。积极（消极）模式的流行率是其涵盖的积极（消极）观察的比例。正（负）模式的同质性是其涵盖的正（负）观察的比例。每个数据库可能需要不同的LAD参数值。模式的最高允许度为3。患病率至少为70%。同质性据称为100%。从2012年到2015年的四年决策树如表3、4、5和6所示。表1列出了表中使用的选定变量的缩写。116个国家的数据集包含50多万人口，分为培训和测试两组：分别为68±2和48±2个国家。

这些数据来自世界银行2012年的数据-2015年，人口非常少的国家被排除在外，因为它们有特殊的风险。2008年经历金融危机的冰岛已经证明了这一点。惠誉评级如表2所示。风险国家还有进一步的规模。然而，这些尺度的出现非常罕见，因此计算中忽略了它们。注释属性现金盈余/赤字（GDP年期）商品和服务出口（GDP年期）人均GGDP（当前美元）商品和服务进口（GDP年期）再平衡，不包括赠款（GDP年期）短期债务（总储备年期）总债务（商品、服务和初级收入出口年期）中央政府债务，总（GDP年龄）支出（GDP年龄）人均GDP增长（年%年龄）总储蓄（GDP年龄）工业，增加值（GDP年龄）影响，消费价格（年%年龄）PPPP转换系数，GDP（每国际美元的LCU）总储备（包括黄金，当前美元）城市人口（总年龄）人口增长（年%年龄）人口年龄0-14%（总年龄）未就业，男性（男性劳动力年龄）（国际劳工组织模型估计）MMobile蜂窝订阅（每100人）表1。应用的经济变量8 | P a g e#描述竞争评级量表（最高等级）：最安全、最低风险的投资SAAA（高于平均水平）：更安全和风险更低的Apaaaam（平均水平）：平均风险和安全Apaam（略低于平均水平）：稍有风险和较不安全的BBBBBBBBM（远低于平均水平）：风险更高和较不安全的BBBBBBBBBBBM（最低）：风险最高和最不安全的BBBBBBBBBB2。惠誉评级系统和描述9 | P a g e以下决策树显示了对集合中每个国家评级的预测。