基于支持向量机的仓单质押融资风险评估研究

文/赵健

引言

仓单质押融资业务是一种第三方物流企业向金融领域延伸的创新的服务方式。不但能够解决融资企业资金短缺的问题，还能够增加第三方物流企业的经济效益。同时，也能够拓展银行的业务领域和盈利空间。但是，由于仓单质押融资业务在我国的发展时间较短，实践经验不丰富，相关的体制和市场规则不健全，导致仓单质押融资业务存在着很多不确定性的风险。因此，对仓单质押融资业务的风险进行研究具有十分重要的现实意义。

一、文献综述

仓单质押融资业务作为一种最主要的融资模式，受到越来越多的企业界与学术界的关注。但是，针对仓单质押融资风险的研究还不够深入。其中，裴炳和在仓单质押贷款操作与风险研究中通过图表举例论证，仓单质押融资的操作流程进行分析，列举存在的风险，并提出规避风险的相关措施[1]。褚静騉和陈玉霞在仓单质押风险评估研究中分别列举了融资业务中的主要风险，从不同的角度给出了防范风险的建议[2，3]。成志平在仓单质押融资的风险识别研究中，从实际情况出发，在整体上对仓单质押融资业务存在的风险进行分析，将其分成市场风险、信用风险、流动性风险、管理风险和法律风险五类主要风险[4]。闵嘉宁通过熵权法在仓单质押融资业务风险评估的应用研究中出风险产生的原因，并且针对主要风险建立合理的指标评价体系，采用熵权法对各项指标确定了科学的、客观的权重[5]。综上文献可以发现，针对仓单质押融资风险的评估模型以及相关的仓单质押融资风险指标体系有很多种。就目前而言，在仓单质押融资方面的研究己经涉及到多层次、多方面以及多角度，在该项业务的融资模式以及风险管控方面研究较多，但是现有研究在具体实践中仍然存在一些不足。大部分文献主要是对单个运作主体或具体的模式进行定性探讨，忽略了各种风险成因的耦合关联，并且在仓单质押融资模式下定量分析整个系统融资风险的研究也相对缺乏。

二、支持向量机原理及其算法

（一）支持向量机原理

支持向量机（Support vector Machine，SVM）是Cortes等人于1995年提出的一种机器学习方法，立在统计学习理论的VC维理论和结构风险最小理基础上，在模型复杂性和学习能力之间进行了折衷，具有较强的泛化能力和精确性。在小样本、非线性及高维模式识别等方面有较大优势，克服了神经网络过于学习、欠学习、局部极小等问题，已成为继神经网络研究之后机器学习理论领域新的热点。

（二）支持向量机算法

支持向量机（SVM）由线性可分情况下的最优分类面发展而来，其基本思想就是将向量映射到一个更高维的空间，建立一个具有最大间隔的超平面。在分开数据超平面的两边建有2个互相平行的超平面，分隔超平面使2个平行超平面的距离最大化。

该方程应该满足：

利用Lagrange优化方法把上述最优分类面问题转化为对偶问题，即，其中.

非线性问题就是利用非线性映射把原始数据变换到高维特征空间，在高维空间中设计线性SVM，寻找最优分类面。在最优分类面中采用适当的内积函数，从而实现从非线性到线性的分类。常用的核函数有线性核函数、多项式核函数、Gauss径向基核函数、Sigmoid核函数。此时，决策函数变为：

2.将SVM由分类问题推广至回归问题可以得到支持向量回归（Support Vector Regression，SVR），此时SVM的标准算法也被称为支持向量分类（Support Vector Classification，SVC）[6]。

支持向量回归机的算法如下：

（1）给定训练集T={(x1,y1),…,(xn,yn)}∈(R×y)n，其中xi∈Rn,yi∈y=R,i=1,…,n；

（2）选取适当的核函数K(x,x')以及适当的精度ε＞0和惩罚参数C＞0;构造并求解凸二次规划问题计算：选取位于开区间(0,C)中的(*)的分量j或。若选到的是，则

三、基于支持向量机的仓单质押融资风险评估模型

表1 仓单质押融资风险评估指标体系表

（一）仓单质押融资风险评估指标体系的建立

在仓单质押融资风险评估中，必须建立起一套科学、合理、严谨的风险评估指标体系。建立起一套科学、合理、严谨的风险评估指标体系是进行仓单质押融资评估的首要前提和关键条件。为了建立有效的仓单质押融资评估指标体系，应遵循以下原则：（1）科学性原则，（2）可操作性原则，（3）层次性原则，（4）定性与定量相结合原则。

近年来，很多学者从不同角度出发，构建了不同的风险评估体系。如罗瑞敏、伍隽通过融资过程的业务梳理，认为仓单质押融资主要面临资信、质押物监管和价值评估的风险[7]。戴唯和魏玮认为在仓单质押融资业务中存在融资企业和质押货物等五类主要风险[8]。

笔者根据前人的研究成果和对已有文献等资料的分析加上实际调研分析，在征求理论研究与生产领域专家意见后，先提出初步备选指标，以仓单质押融资业务为基础，将仓单质押融资风险因素整理归纳为商业银行风险、仓储企业风险、融资企业风险和宏观系统风险共四类一级指标。通过对各类风险进行分析研究，进一步分解为二级指标和三级指标，以此构建了一套仓单质押融资风险的评估体系。

针对上述构建的仓单质押融资风险指标，笔者设计了调查问卷，以此来判断分析指标的合理性，同时利用统计学方法进行分析。此次调查共发放调查问卷100份，收回调查问卷90份，有效问卷为80份，有效问卷回收率为80%。

笔者利用SPSS19.0统计软件对问卷数据进行分析。从信度分析来看，二级项目的信度系数都在0.7以上，将任何一个指标删除后，所在分类的系数都有所下降，说明指标体系信度较高。效度分析采用Kaiser～Meryer～Olkin（KMO）评价结构效度，结果显示KMO值为0.827，Bartlett的球形度检验的显著概率统计值为0.000，因子载荷都在0.6以上，说明指标体系效度较高。表1为仓单质押融资风险评估指标体系。

（二）样本数据的收集与处理

基于保证仓储上市企业数据的可获得性和建立支持向量机模型的准确性，本文选取了一家规模较大的上市仓储企业。通过国泰安等数据库以及相关资料的查询及搜集，收集到了该企业与相关企业已经完成的18个仓单质押融资业务详细资料。在仓单质押融资评估指标体系中，包括定性指标和定量指标。对于定性指标，采用专家打分法进行量化，评分范围为[0，1]。正向指标取值越大、风险越大，其归一化公式为。逆向指标代表取值越大、风险越小，其归一化公式为为第i个指标的归一化值，xi为第i个指标的输入样本，xmax为第i个指标的最大值，xmin为第i个指标的最小值。

通过以下专家打分法获得样本数据过程：（1）选择专家。其中包括5名仓单质押融资领域的大学教授、15名从事仓单质押融资的企业管理人员和5名银行融资风险控制部门的专职人员。（2）向专家提供仓单质押融资相关企业以及行业的背景资料，以匿名方式征询专家意见，并对各个指标的风险级别以及每个仓单质押融资业务整体风险进行打分。（3）对专家意见进行分析汇总，将统计结果反馈给专家，经过多轮匿名征询和意见反馈，形成最终分析结论。对每位专家的最终风险评估打分表进行处理，每一个风险指标以及每个仓单质押融资业务整体风险取所有专家的算术平均数，得到最终仓单质押融资风险指标数据表。将评价结果分为5个级别，即[可忽略风险、较低风险、中度风险、较高风险、不容许风险]，对应的风险区间为（0，0.2］、（0.2，0.4］、（0.4，0.6］、（0.6，0.8］、（0.8，1.0］。

具体归一化数据如表2所示。

（三）模型训练及结果

笔者使用MATLAB软件中的SVM功能，同时安装LIBSVM工具箱。在MATLAB环境下能运行LIBSVM函数，对样本数据的训练，得到支持向量机回归模型。使用的版本为MATLAB～R2015b和LIBSVM～3.1～[Faruto Ultimate3.1Mcode]。

收集的样本数据进行划分，前16个样本数据作为评估模型的样本对其进行训练，A17和A18两组数据为检验样本。虽然LIBSVM工具箱的参数有默认值，但还需要选择相应的参数（惩罚参数C和核函数参数g）。笔者使用K～fold交叉验证得到最优参数C和g，惩罚参数C取1.6211和核函数参数g=0.25。同时选用径向基函数作为核函数训练模型，结果见表3。

表2 归一化仓单质押融资风险指标数据

表3 数据检验结果

通过观察发现，采用支持向量机模型得到的回归值与专家打

四、结束语

仓单质押融资是我国中小企业融资的重要方式和组成部分，在我国中小企业融资领域占有重要的地位。但是由于近年来的市场环境等因素的不确定性，导致融资风险不断加大，所以对风险的评估显得越来越重要。笔者首先对融资风险的相关研究进行了概述；随后，通过调查问卷构建了一套仓单质押风险评估体系；最后，将基于支持向量机的机器学习算法运用到仓单质押融资评估中，构建了仓单质押融资风险评估模型，并进行了实证研究。研究结果表明，基于支持向量机的仓单质押风险评估模型，具有较高的训练效率和精度。同时能够为商业银行、仓储企业、融资企业提供科学的决策支持。分值几乎吻合，相对误差较小，证明支持向量机模型的学习效果很好，可以在仓单质押融资风险评价领域运用。