基于区块链和虚拟货币特征的公司违约风险评估预测方法

摘要

本发明公开了一种基于区块链和虚拟货币特征的公司违约风险评估预测方法，包括以下步骤：S1、基于虚拟货币市场的历史数据，选择出风险因子；S2、针对步骤S1选择出的出风险因子，进行数学建模，建立风险因子与违约概率之间的关系模型；S3、将目标公司的风险因子观测值代入步骤S2中的关系模型，求解预期违约概率；S4、通过结果评估指标对步骤S2中关系模型的预测能力进行评估。本发明围绕结合虚拟货币和区块链本身的一些独有特性参数进行建模，将一些历史实践证明有效的量化方法进行融合和改进，采用逻辑回归模型代替Z‑score模型来评估违约概率，完成对虚拟货币初创公司的违约风险进行评估和预测，大大地提高了预测违约概率的准确率和适用性。

说明书

技术领域

本发明涉及虚拟货币技术领域，更具体涉及一种基于区块链和虚拟货币特征的公司违约风险评估预测方法。

背景技术

区块链技术在金融领域的应用，产生了虚拟货币。2009年，第一只基于区块链技术的虚拟货币—比特币出现；2014年，第一个智能合约平台以太坊出现，伴随其平台出现的是以太币。以太坊的智能合约平台使得ICO(Initial Coin Offering)在实践上成为可能，程序开发者只需要通过简单的程序开发，就可以在以太坊平台发行一只属于自己的虚拟货币。ICO是一种通过区块链技术手段来模拟IPO的、在虚拟货币市场进行低成本融资的方式。募资者向投资者发售自有虚拟货币，投资者用市场上公开交易且价值被认可的虚拟货币—如比特币或者以太币—购买募资者出售的虚拟货币，之后募资者发售的虚拟货币将在虚拟货币交易所进行公开交易。以太坊是第一只ICO的虚拟货币，以太坊团队向投资人发售以太币以换取比特币。随着以太坊的出现，越来越多的初创公司通过ICO发行虚拟货币，进而生成了虚拟货币公开交易市场。截止2019年底，虚拟货币市场公开交易的虚拟货币有3000种左右，总市值达10亿美元的规模。

作为新兴市场，虚拟货币市场的运营和监管有待完善。随着虚拟货币初创公司不断增多，虚拟货币的欺诈和违约行为时常出现。截止2019年11月，总计有1778只虚拟货币产生了违约。这些违约公司所进行的区块链初创项目失败，创始合伙人或被调查或被定性为金融欺诈，公司发行的虚拟货币则多为价格归零或者不再能进行市场公开交易。相关项目投资人蒙受巨大损失。对虚拟货币及其背后初创公司违约风险的评估和预测，是投资人、ICO运作公司、虚拟货币交易所以及监管机构共同的需求。而现有数学模型和计算机技术，对虚拟货币相关的风险评估是相对缺乏的。

对公司违约风险的评估，主流方法是用莫顿模型。但是基于莫顿模型的假设和限制，莫顿模型并不适用于虚拟货币领域。

莫顿模型有两个问题：1.其估算需要用到公司的财务数据，而财务数据可以造假。在虚拟货币相关违约中，有很多案例属于金融欺诈，则公司财务数据很难反映真实情况。2.莫顿模型对初创公司，乃至虚拟货币初创公司的评估适用性存疑。莫顿模型的评估对象为相对较为成熟的上市公司。如：其模型估算中，债务和公司资产是很重要的参数。而虚拟货币相关公司多为初创公司，公司融资多为股权形式而非债务借贷形式，且资产多为轻资产，比较难以用莫顿模型建模。

针对莫顿模型的问题，一些新型探索被用来估算违约风险，比如，利用虚拟货币市场自由特性找出相关的风险因子并利用Z-score模型来评估违约风险。虽然Z-score模型也是非常传统风险评估模型，但是Z-score模型具有灵活且可操作性可以有效应用于虚拟货币市场。

Z-score模型非常灵活并可以利用有效的基于比特币市场的风险因子做出对违约风险的评估，但是Z-score模型的问题在于：最终决定公司是否违约，需要根据Z-score值以及相关给定阀值来确定，而阀值的确定依赖于定性的主观判断。虽然Z-score模型对虚拟货币有一定针对性，但是其方法并不完全是主流金融系中数学量化方法，所以Z-score模型从某种程度上来说并不客观且依赖于风控人员的主观经验，其有效性值得推敲。

发明内容

本发明需要解决的技术问题是提供一种基于区块链和虚拟货币特征的公司违约风险评估预测方法，以解决对虚拟货币相关的风险评估的方法相对缺乏，莫顿模型不适用于虚拟货币领域，Z-score模型依赖于定性的主观判断的问题，以围绕结合虚拟货币和区块链本身的一些独有特性参数进行建模，将一些历史实践证明有效的量化方法进行融合和改进，形成一种新的针对虚拟货币违约评估预测的算法，以保证虚拟货币违约评估预测的算法准确性和适用性。

为解决上述技术问题，本发明所采取的技术方案如下。

基于区块链和虚拟货币特征的公司违约风险评估预测方法，包括以下步骤：

S1、基于虚拟货币市场的历史数据，选择出风险因子；

S2、针对步骤S1选择出的出风险因子，进行数学建模，建立风险因子与违约概率之间的关系模型；

S3、将目标公司的风险因子观测值代入步骤S2中的关系模型，求解预期违约概率；

S4、通过结果评估指标对步骤S2中关系模型的预测能力进行评估。

进一步优化技术方案，所述风险因子包括预挖矿、收益率、波动率和最小回报率。

进一步优化技术方案，所述步骤S1中，如果虚拟货币存在预挖矿，则风险因子还包括预挖矿比例。

进一步优化技术方案，若虚拟货币在发行初期，波动率和收益率低于一定范围；但在虚拟货币在发行后的一定时间内，波动率和收益率变高程度大并超出一定范围，则说明存在投机行为，会导致货币违约。

进一步优化技术方案，所述步骤S2中，将选择出的出风险因子放入到逻辑回归模型中，建立的逻辑回归模型的方程式为：

式中，w为相应的系数，x为风险因子观测值。

进一步优化技术方案，对w进行逻辑回归估计，对w进行逻辑回归估计包括以下步骤：

对于每个样本y＝[0,1]，y＝1表示违约，y＝0表示不违约，模型y的值等于标签为1的概率，即p，建立函数如下：

对函数(2)进行等价变形：

当观测到具有N个样本的一组数据时，得到采集到的这组样本的概率为：

对方程式(4)进行变形，得到：

函数F(w)即为损失函数，根据最大似然估计MLE，来估计出相应的

进一步优化技术方案，将估计出的

由于采用了以上技术方案，本发明所取得技术进步如下。

本发明围绕结合虚拟货币和区块链本身的一些独有特性参数进行建模，将一些历史实践证明有效的量化方法进行融合和改进，形成一种新的针对虚拟货币违约评估预测的算法，结合数学概率模型和人工智能技术，完成对虚拟货币初创公司的违约风险进行评估和预测，大大地提高了预测违约概率的准确率和适用性。

本发明采用逻辑回归模型代替Z-score模型来评估违约概率，用经典的逻辑回归模型来解决新兴虚拟货币市场的违约评估问题，扩展性很强，不同的风险因子可以根据市场的变化做出相应的调整，另外可以根据实际情况通过人工智能方法来评估风险因子。

本发明中的模型是之前Z-score模型的延伸与发展，比之前莫顿模型更加灵活。可以根于当前虚拟货币市场不同情况及时作出相应风险因子的调整，以达到准确预测的效果。另外本发明的扩展性非常强，比如对于波动率的估计，可以运用EWMA模型，也可以根据公司的实际情况采用更加精准合适的模型，以及一些人工智能常用方法进行预测。

附图说明

图1为本发明的流程架构图；

图2为本发明结果评估指标中的CAP曲线图。

具体实施方式

下面将结合附图和具体实施例对本发明进行进一步详细说明。

一种基于区块链和虚拟货币特征的公司违约风险评估预测方法，结合图1至图2所示，包括以下步骤：

S1、基于虚拟货币市场的历史数据，选择出风险因子，出风险因子即为违约风险因子。

风险因子包括预挖矿、收益率、波动率和最小回报率等。

其中，预挖矿(Pre-mined)是非常重要的风险因子，因为基于目前的虚拟货币ICO市场，在虚拟货币公开发行之前，预挖矿会有开发者预先的虚拟货币。但是如果开发者拥有大量的挖矿虚拟货币，他们会更倾向于利用价格优势迅速卖出。而且大量发售预挖矿币会导致被网络攻击以及很高的操作风险。因此可以根据是否有预挖矿来评估违约风险(哑变量(binary dummy variable))。

步骤S1中，如果虚拟货币存在预挖矿，则风险因子还包括预挖矿比例。需要估计预挖矿比例(Pre-mined-to-Total-Coins-Ratio(PMTTCR))，这个比例的高低直接影响到违约风险的高低。

其中，收益率(Return)无论是对于传统股票还是虚拟货币价格，收益率都是最关键的风险因子。对于虚拟货币市场，需要着重考虑1天收益率(Day-1 returns)，一个月收益率(Month-1 returns)。

对于波动率(Volatility)，需要考虑一天波动率(Day-1 volatility)和一个月波动率(Month-1 volatility)。

对于波动率的计算，可以采取最经典的EWMA(Exponentially Weighted MovingAverage)指数加权移动平均模型计算出来。

虚拟货币在发行初期，波动率和收益率低于一定范围，即在虚拟货币公开发行后前几天的收益率非常低甚至是负值，相应的每天波动率也比较低。这说明这个虚拟货币并没有被市场所看好和认知。

但在虚拟货币在发行后的一定时间内，波动率和收益率变高程度大并超出一定范围，则说明存在投机行为，会导致货币违约。即虚拟货币在发行后的第一个月，月波动率和月收益率变得很大，这说明有投机的可能，这种投机的行为很可能会导致货币违约。

其中，最小回报率(minimum Reward)是一个来评估虚拟货币最小供给的指标。供给越大回报率越低，回报率也是非常重要的风险因子。

S2、针对步骤S1选择出的出风险因子，进行数学建模，建立风险因子与违约概率之间的关系模型。

步骤S2中，将选择出的出风险因子放入到逻辑回归模型中，逻辑回归模型数学描述如下：结合sigmoid函数，线性回归函数，把线性回归模型的输出作为sigmoid函数的输入。建立的逻辑回归模型的方程式为：

式中，w为相应的系数，x为风险因子观测值，w

w是需要估计出来的值，当w估计出来了，只要把观测到的x值代入到上面的方程，输出的就是相应的概率。所以估算w是逻辑回归的关键。

对w进行逻辑回归估计，对w进行逻辑回归估计包括以下步骤：

对于每个样本y＝[0,1]，y＝1表示违约，y＝0表示不违约，模型y的值等于标签为1的概率，即p，建立函数如下：

函数(2)不方便估算w，对函数(2)进行等价变形：

采集一个样本(Xi,Yi)，对于每一个样本，Yi的概率是

由于连乘很复杂，我们通过两边取对数来把连乘变成连加的形式，对方程式(4)进行变形，得到：

函数F(w)即为损失函数，损失函数是衡量当前的模型的输出结果，跟实际输出结果之间的差距的一种函数。损失函数的值等于事件发生的总概率，越大越好。

根据最大似然估计MLE(Maximum Likelihood Estimation)，来估计出相应的

S3、将目标公司的风险因子观测值代入步骤S2中的关系模型，求解预期违约概率。

将估计出的

S4、通过结果评估指标对步骤S2中关系模型的预测能力进行评估。

结果评估指标应用模型评估领域的指标：CAP(Cumulative Accuracy Profile)曲线以及对应的AR(Accuracy Ratio)来对这个模型预测能力进行评估。CAP以及相对应的AR可以评估模型是否能检测违约的能力。如图1所示，待验证的模型是一个曲线，随机模型是一条直线。AR的计算公式如下：

通过求解AR，就能反映待验证模型的检测违约的能力。AR值越大，说明模型的检测能力越好。

基于backtesting的测试，本发明预测违约概率的准确率(Accuracy Ratio)为88.14％，其95％的置信区间为【86.30％，89.98％】。

此模型是之前Z-score模型的延伸与发展，比之前莫顿模型更加灵活。可以根于当前虚拟货币市场不同情况及时作出相应风险因子的调整，以达到准确预测的效果。另外此方法的扩展性非常强，比如对于波动率的估计，可以运用EWMA模型，也可以根据公司的实际情况采用更加精准合适的模型，以及一些人工智能常用方法进行预测。