在“繁荣”时期，投资者可能不太关心交易对手的信用风险，而我们的特征变量的市场价值作为信用质量的预测指标可能会变得不那么可靠，因此研究我们的CDS代理结构可能尤其有趣。此外，如前所述，本文中讨论的技术也应适用于其他金融领域。例如，分类技术可用于为未在股市交易的私人企业构建股权代理，方法是根据适当选择的特征变量集将此类企业与上市公司关联。这些代理可以在私募股权投资及其风险管理中找到有用的应用。参考文献[1]BCBS，《巴塞尔协议III：更具弹性的银行和银行系统的全球监管框架》，2010年12月（BIS）。[2] BCBS，《信贷估值调整风险框架审查》，2015年7月，咨询文件（BIS）。[3] 彭博社，《公共和私营公司信用违约风险》，2015年，《信用风险框架、方法和使用》。[4] Berndt，A.、Douglas，R.、Du ffe，D.、Ferguson M.、Schranz，D.，《从违约掉期利率和EDF衡量违约风险溢价》，BIS工作文件1732005年。可在线访问：http://www.bis.org/publ/work173.pdf（2017年4月17日查阅）。[5] Breiman L.，Bagging预测器，机器学习，1996，24（2），123-140。[6] Breiman，L.、Friedman，J.、Olshen，R.和Stone，C.，《分类和回归树》，1984年（沃兹沃思，纽约）。[7] Brigo，D.、Morini M.和Pallavicini A.，《交易对手信用风险、抵押品和融资：所有资产类别的定价案例》，2013年（John Wiley and Sons Ltd.）。[8] Brummelhuis，R.，C'ordoba，A.，Quintanilla，M.，Seco，L.，风险主成分价值，数学金融，2002，12（1），23-43。[9] Brummelhuis，R。

Luo，Z.，CDS曲线无套利条件，工作论文，兰斯大学，2017年。[10] Cai，L.，Singnellore R.，彭博私人公司信贷违约风险，彭博专业服务，2015年。[11] Chourdakis，K.、Epperiein E.、Jeannin M.和Mcewen J，《CVA横截面》，2013年，野村证券，工作文件。可在线访问：http://www.nomura.com/resources/europe/pdfs/cva-cross-section.pdf（2017年4月17日查阅）。[12] Delgado M.，Amorim D.，我们是否需要数百名分类师来解决现实世界的分类问题？，机器学习研究杂志，2014，15，3133-3181。[13] Duda，R.、Hart，P.、Stork D.，图案分类，第二版，2000年（约翰·威利父子有限公司）。[14] 欧洲银行业管理局，2014年3月，“根据第526/2014号法规确定代理价差的信贷价值调整风险监管技术标准[15]EBA根据第575/2013号法规第456（2）条提交的CVA报告，2002年2月22日。2015年。可在线访问：https://www.eba.europa.eu/documents/10180/950548/EBA+报告+关于+CVA。pdf（2017年4月17日查阅）。[16] Efron，B.，《引导法：另一种刀切法》，统计年鉴，1979年，第7期，第1-26页。[17] Epanechnikov，V.A.，多元概率密度的非参数估计，概率理论及其应用，1969，14（1），153-158。[18] Friedman，J.H.，Hall，P.，关于装袋和非线性估计，2000年，斯坦福大学统计系和CSIRO。可在线访问：http://statweb.stanford.edu/~jhf/ftp/袋子。pdf（2017年4月18日查阅）。[19] Greene，W.，计量经济学分析，第三版，1997年（新泽西州普伦蒂斯霍尔）。[20] Gregory，J.，XVA挑战，交易对手信用风险，融资，抵押品和资本，第三版，2015年（John Wiley&Sons Ltd.）。[21]Hassanat A.、Abbadi M.、Altrawneh G。

和Alhasanat A.，使用集成学习方法解决KNN分类中的K参数问题，计算机科学与信息安全国际期刊，2014，12，第8期。[22]Hastie，T.、Tisbshirani，R.和Friedman J.《统计学习的要素》，第二版，2009年（Springer Science+Business Media LLC）。[23]IFRS 13，《公允价值计量》，IASB和美国公认会计准则出版物，2011年5月12日；http://en.wikipedia.org/wiki/Fair_value【24】Jirina M.和Jirina M.，Jr.，基于邻居反向指数的分类，捷克共和国科学院计算机科学研究所第V-1034号技术报告，2008年。可在线访问：http://www.marceljirina.cz/文件/分类基于倒数第八位的指数。pdf（2017年4月18日查阅）。[25]King，R.，Feng，C.，和Shutherland，A.，Statlog：大型现实问题分类算法的比较，应用艺术智能，1995，9（3），289-333。【26】Kohavi R.，一项交叉验证和Bootstrap的研究，用于精度估计和模型选择。在JCAI\'1995年第14届国际艺术智能联合会议记录2中，1137-11431995年（Morgan Kaufmann Publishers Inc.，旧金山）。【27】Longstaff，F.、Mithal S.和Neis，E.《公司收益率利差：违约风险还是流动性？》？，J、 财政部，2005，60（5），2213-2253。【28】R.Merton，《公司债务定价：利率风险结构》，金融杂志，1974年，29449-470。昆兰，R.，C4.5：机器学习课程，1993年（摩根·考夫曼，圣马特奥）。【30】Rebonota，R.，《波动性与相关性：完美对冲者与福克斯》，第二版，1999年（JohnWiley and Sons Ltd.）。[31]Rish，I.、Hellerstein J.、Thathachar，J.，《影响Bayes性能的数据特征分析》，2001年，IBM T.J.Watson研究中心。

可在线访问：eb。cs。iState。edu/honavar/rish bayes。pdf（2017年4月18日查阅）。【32】Wu，X.、Kumar，V.、Quinlan，J.、Ghosh，J.、Yang，Q.、Motoda，H.、McLachlan，G.、Ng，A.、Liu，B.、Yu，P.、Zhou，Z.、Steinbach，M.、Hand，D.、Steinberg，D.、2008，《数据挖掘十大算法》，Knowl。信息系统。，2008年，14（1），1-137。A特征和数据在本节中，我们展示了我们使用的六组不同的特征向量或特征选择，我们在表1中称之为“FS1-FS6”。在一些机器学习文献之后，还提到了模型等特征选择。请注意，我们的研究并不意味着在功能选择方面具有规定性。我们利用自己的经验以及关于哪些财务变量具有统计意义的文献调查，预测CDS利率，得出以下六个特征向量。另一种选择是使用自动特征选择，我们做了逐步和向前/向后选择的实验。然而，我们发现，与其让机器来决定，不如自己决定使用哪些财务变量作为特征更为明智：然后我们可以有意识地对一种选择与另一种选择进行实验（考虑更多或更少的信息，如果变量有期限结构，则使用更多或更少的到期日等）。此外，自动选择无法知道哪些特征是流动的或不流动的：通过自动选择选择的特征将取决于我们用于培训和交叉验证的观测数据集，而从本质上讲，这些数据将仅由可观测的交易对手组成。对于此类交易对手，通常会有各种类型的流动性更强的金融合同报价，并且对于希望应用训练算法的（一组）不可观察的特征，所选特征可能是非流动的。

这将在我们试图首先解决的流动性短缺问题中产生流动性短缺问题。顺便说一句，这一考虑也激发了我们对大型和小型特征变量集的实验，正如我们所做的那样。特征选择：FS1（有关各个变量的含义，请参见下文）：x=s、 PD6m、PD1y、PD2y、PD3y、PD4y、PD5y、σimp3m、σimp6m、σimp12m、σimp18m、σh1m、σh2m、σh3m、σh4m、σh6m（32）FS2:x=s、 PD5y，σimp6m，σh4m（33）FS3:x=s、 PD5y（34）FS4:x=PD6m、PD1y、PD2y、PD3y、PD4y、PD5y、σimp3m、σimp6m、σimp12m、σimp18m、σh1m、σh2m、σh3m、σh4m、σh6m（35）FS5:x=PD5y，σimp6m，σh4m（36）FS6:x=PD1y、PD5y. （37）在此，我们注意到o在上述FS1-FS3中，s代表5年期CDS利率；仅包括5年期利率，因为这通常是CDS交易中最具流动性的期限。无论特征列表中出现什么地方，都需要该CDS比率，以便对不可见的进行分类。在给定的不可观测利率不存在的情况下，如果仍想使用FS1-FS3进行分类，可以使用所谓的两阶段模型，其中首先对可观测交易对手类别的5年期利率s与FS4、FS5或FS6进行回归，然后使用该回归预测不可观测交易对手的s。然后，可以将其添加到使用FS1、FS2或FS6对不可见项进行分类的特性列表中。

（由于我们只会降低单一到期的CDS利率，因此我们无需担心在CDS期限结构中引入模型套利。）然而，正如正文所述，添加并不一定会改善分类性能，有时甚至会导致分类性能更差。oPD6m、PD1y、PD2y、PD3y、PD4y、PD5Y分别记录交易对手在6个月、1年、2年、3年、4年和5年期限内的违约概率σimp3m、σimp6m、σimp12m、σIMP18M分别为3个月、6个月、12个月和18个月到期的欧洲股票看涨期权计算的货币隐含波动率。根据Berndt et al.（2005），隐含波动率在统计学上对CDS利率具有重要的解释力σh1m、σh2m、σh3m、σh4m、σH6M表示根据1年历史平均价格回报率估计的历史波动率，分别为1个月、2个月、3个月、4个月和6个月我们研究中使用的所有数据均来自BloombergTM，金融机构可随时获取该数据。在PD数据不可用的情况下，可以考虑使用EDFTMas分析替代方法。在本文的实证部分，我们重点关注美国金融业的交易对手。我们根据雷曼兄弟破产前100个日历日内对金融部门所有CDX-NA-IG组成部分的观察结果构建了数据样本。图12：判别分析-从10倍交叉验证中估计的24个分类的准确率表6：判别分析-24个分类的平均值u和标准偏差σB单个分类的经验结果图13：判别分析-性能w.r.t.在K倍交叉验证交叉特征选择中变化K图14：无Bayes-预计准确率w.r.t。

带宽b和核函数根据K倍交叉验证进行估计（b的最佳选择*= 0.2）表7:Naive Bayes-18类测试误差的均值u和标准偏差σw.r.t.带宽b图15：特征提取-高相关金融特征变量图16:kNN-18类下的性能变量（最佳k*= 9） 表8:kNN——18个k类测试误差的平均值u和标准偏差σ；k代表邻域数图17：Logistic回归：准确率w.r.t.在k倍交叉验证和交叉特征选择中改变k表9：Logistic回归-通过k倍交叉验证估计的测试误差的均值u和标准偏差σ图18：决策树-准确率w.r.t.特征选择、树大小z和不纯测量（最佳树大小z*= 20） 图19:SVM-特征选择的性能统计表10：决策树-测试误差的平均值u和标准偏差σw.r.t.不同的不纯测量、最大分割和特征选择之间的差异（例如，“Gini1”读作杂质测量等于FS1的“Gini”进行分类。）表11：SVM-准确率w.r.t.改变K倍交叉验证的K值表12：SVM-测试误差w.r.t.的均值u和标准偏差σ，改变K倍交叉验证的K值，并跨特征选择图20：神经网络-对激活函数、隐藏单元、特征选择的响应表13：神经网络-跨激活函数的准确率，层尺寸和特征选择（FS）表14：神经网络-通过K-foldCross验证估计的测试误差的平均值u和标准偏差σ，其中K=10用于表13中解释的不同参数化选择图21：袋装树-w.r.t的性能。

学习周期和特征选择表15：袋装树（集成示例）-性能数据w.r.t.学习周期和特征选择（FS）