前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇預算赤字范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

預算赤字范文第1篇

做法：

1、將鍋燒熱倒入適量油燒至七分熱，加入姜片及蒜頭爆香；

2、將洗凈切好段的鮰魚放入油鍋煎數分鐘；

3、加入料酒、醬油、醋、少許蠔油及蔥，再加少許熱水，蓋上鍋蓋，用小火燒十分鐘；

4、打開鍋蓋，把魚塊翻面繼續蓋上燒約五分鐘后，加冰糖粉；

預算赤字范文第2篇

關鍵詞：雙子支持向量機（TWSVM）；分類算法；粒子群優化算法（PSO）

DOIDOI：10.11907/rjdk.151455

中圖分類號：TP312

文獻標識碼：A 文章編號：16727800（2015）006007204

基金項目：玉林師范學院校級科研項目（2014YJYB04）

作者簡介作者簡介：劉建明（1986-），男，廣西博白人，碩士，玉林師范學院數學與信息科學學院助教，研究方向為數據挖掘與機器學習。

0 引言

粒子群優化算法[1]（Particle Swarm Optimization，PSO）是由美國研究學者Kennedy等人在1995年提出的，PSO算法每一代的種群中的解具有向“他人”學習和“自我”學習的優點，該算法能在較少的迭代次數中找到全局最優解，這一特性被廣泛應用于神經網絡方法、函數優化問題、數據挖掘、模式識別，工程計算等研究領域。

雙子支持向量機（Twin Support Vector Machines， TWSVM）是Jayadeva[23] 基于傳統支持向量機在2007年提出來的。TWSVM是從SVM演化而來的，是一種新型的基于統計學習理論的機器學習算法。TWSVM具有SVM優點，同時適合處理像文本自動分類、基因表達、空間信息遙感數據、語音識別等這樣的大規模數據分類問題。

針對TWSVM對懲罰參數和核函數參數缺乏指導性問題，本文結合PSO算法的優點，給出一種基于PSO的

算法優化改進策略，對TWSVM分類器進行優化。PSO是一種基于群體智能的全局尋優算法，該算法能在較少的迭代次數中找到全局最優解，通過利用粒子群優化算法對雙子支持向量機進行優化后，分類器較之標準支持向量機有更好的分類效果。

1 PSO算法

PSO算法步驟：①初始化粒子群，利用隨機函數法給每一個粒子的初始位置和速度賦值；②根據第①步的賦值及初始位置與速度更新每一個粒子新的位置；③利用選定的適應度函數計算每一個粒子的適應度值；④對每一個粒子，對比其個體和群體的適應度值，并找出粒子經過的最好位置的適應度值，如果發現更好的位置及適應度值，那么就更新其位置；⑤根據公式更新每個粒子的速度與位置，如果找到最優的位置或者是到了最大的迭代次數，算法終止，否則轉入第3步繼續迭代求解。

2 雙子支持向量機（TWSVM）

與SVM不同，TWSVM求解的是一對分類超平面，SVM求解一個QP問題而TWSVM解決的是兩個QP問題，而這兩個QP問題的求解規模比SVM小很多。傳統SVM構造兩個平行的超平面，并且使兩個超平面之間的距離最大即最大間隔化，TWSVM雖然也是構造超平面，但超平面之間不需要平行。TWSVM對每一個樣本都構造一個超平面，每個樣本的超平面要最大限度地靠近該類的樣本數據點，而同時盡可能地遠離另一類樣本數據點。新數據樣本將會分配給離兩個超平面中最近的一個平面。事實上，該算法還可以沿著非平行面聚集，而且樣本聚集方式是根據完全不同的公式聚合而成的。實際上，在TWSVM中的兩個QP問題與標準SVM的QP問題除了求解約束問題不同外，求解公式是相同的。TWSVM的二分類算法通過求解下面的一對QPP（Quadratic Program Problem）問題進行二次規劃優化[5]。

其中，c1，c2>0并且e1和e2是適當維數且屬性值是全為1的向量。TWSVM算法為每一個類構建超平面時，樣本點根據與各個超平面的距離大小作為與平面靠近程度的評價指標，目標函數（2）和（3）計算樣本點與超平面距離的平方。因此，它的最小值能保證樣本數據點最大限度地靠近其中一類（類一），同時盡可能地遠離另一類。誤差變量用于測量超平面距離間隔的誤差。目標函數公式（2）和（3）的第二項是誤差之和，它的作用是使錯分樣本的數據極小化，盡量減少錯分的誤差情況。為求解公式（2）和（3），分別對TWSVM1和TWSVM2引入拉格朗日函數，通過KKT條件分別求得其對偶問題如公式（4）和（5）[6]所示。

3 基于PSO的TWSVM分類算法

在TWSVM中，與SVM相同，都需要對參數進行確定，TWSVM對每個類均有一個懲罰參數和核函數參數。不同的懲罰參數和核函數參數影響分類的準確率，而PSO算法擁有全局的優化能力，因此，本文將PSO算法引入TWSVM中，解決TWSVM參數的選擇問題，PSOTWSVM算法不僅能提高TWSVM的準確率同時又能降低SVM的訓練時間，提高訓練效率。圖2展示了應用PSO算法對TWSVM參數選擇的優化流程。

基于PSOTWSVM分類算法：①根據樣本訓練數據集每個類別，隨機選定懲罰參數Cm，m=1，2，…，k以及核函數；②應用PSO算法對訓練進行參數優化，找出最佳懲罰參數和核函數參數的最優值；③利用公式（3）、（4）求解樣本數據對偶問題，構造樣本空間的逼近超平面F（x）i=1，2，…k=K（x，c）wi+bi；④對每一類樣本數據求得逼近超平面后，再求解判別函數（10）；⑤將測試樣本數據集利用判別函數進行分類預測。

傳統SVM是基于二分類提出的，其復雜度為O（n3），其中n為樣本數目[2]。然而在TWSVM二分類算法中，設每類樣本數據為n/2，因此，求解兩個優化問題時間復雜度為：O（2*（n/2）3），所以在二分類問題中的TWSVM時間復雜度為傳統SVM的1/4。推廣到多分類問題時，可以發現在時間復雜度方面，TWSVM求解優化問題的時間更少。例如樣本類別數為k類，那么該樣本的時間復雜度為O（k*（n/k）3）。由于TWSVM分類算法對每類都構造一個超平面，因此該算法在處理不平衡數據時，即一類的樣本數目比另一類的樣本大得多情況時，TWSVM分別實施不同的懲罰因子，TWSVM克服了傳統的SVM處理不均衡樣本的局限性，這一點非常適用于大規模的不均衡分類問題。

4 算法仿真實驗

為驗證基于PSO的TWSVM分類算法的有效性，本文利用該算法構建一個文本分類器，運用不同數據集在該分類器上進行實驗并與標準支持向量機構建的分類器進行對比仿真實驗。

4.1 分類器性能評價

常用的分類器評價方法包括：準確率和召回率。這兩個指標廣泛應用于文本分類系統的評價標準。準確率（Precision）是指全部分類文本中劃分的類別與實際類別相同的文本數量占全部文本的比率。召回率（Recall）是指分類正確的文本數占應有文檔數的比率。文本分類輸出結果見表1。

4.2 實驗結果分析

本實驗所采用的文本數據為搜狗分類新聞語料庫（Sogounews）（選取其中一類進行）和20組新聞數據（經典的文本分類數據集）。搜狗新聞數據預處理的特征詞選擇方法為IG（信息增益），該實驗數據包含150個文本特征屬性，樣本數據為1600，其中1000為訓練集，600為測試集，數據集分別為新聞、非新聞兩類。News20選擇臺灣大學林智仁教授整理后的News20數據集作為實驗數據，整理后的News20樣本數規模和特征項較高，所以只選取了其中的800個文本樣本并對特征項進行降維處理后進行實驗，驗證TWSVM分類算法和基于PSO的TWSVM分類算法性能。實驗采用的核函數是線性核函數，初始懲罰參數和核參數分別為2和0.1，粒子群種群數量為30，迭代次數200，c1和c2取值均為1.5，實驗結果如表2所示。

由表2可知，PSOTWSVM的分類性能比TWSVM要好。因此，基于PSO的TWSVM是一個有效算法。該算法不但比標準的SVM算法訓練時間更短，而且比TWSVM有更好的準確率，PSOTWSVM解決了TWSVM的參數選擇問題，提高了TWSVM的泛化性。

5 結語

通過基于PSO的TWSVM分類算法與TWSVM算法的分類對比實驗可知，應用PSO算法的全局尋優能力提高了TWSVM分類的能力。PSO優化后TWSVM分類器的性能更為優越。基于PSO的TWSVM分類算法比標準的SVM時間復雜度更小，比TWSVM的準確率更高，基于PSO的TWSVM算法在分類問題上較之傳統的SVM算法有更大的優越性。

參考文獻：

[1]許國根，賈瑛.模式識別與智能計算的MATLAB實現[M]. 北京：北京航空航天大學出版社，2012.

[2]JAYADEVA，R KHEMCHANDAN， S CHANDRA.Twin support vector machines for pattern Classification[J]. IEEE Trans. Pattern and Machine Intelligence，2007，29（5）：905910.

[3]SHIFEI DING， JUNZHAO YU， BINGJUAN QI，et al. An overview on twin support vector machines[J]. Springer Science Business Media. August 2014，2（42）： 245252.

[4]谷文成，柴寶仁，騰艷平. 基于粒子群優化算法的支持向量機研究[J].北京理工大學學報，2014， 34（7）：705 709.

[5]M A KUMAR，M GOPAL.Application of smoothing technique on twin support vector machines[J]. Pattern Recognition Letters， 2008，29（13）：18421848.

[6]王振.基于非平行超平面支持向量機的分類問題研究[D].長春：吉林大學，2014.

[7]M ARUN KUMAR，M GOPAL. Least squares twin support vector machines for pattern classification[J]. Expert Systems with Applications， 2009，4（ 36）： 75357543.

[8]YUAN HAI SHAO，ZHEN WANG，WEI JIE CHEN，et al. A regularization for the projection twin support vector machine[J]. KnowledgeBased Systems，2013：3（37）：203210.

[9]QIAOLIN CHUN， XIAZHAO YE， SHANGBING GAO，et al. Weighted twin support vector machines with local information and its application[J].Neural Networks，2012：12（8）：3139.

預算赤字范文第3篇

關鍵字：計算機應用技術；自適應水印算法；支持向量機；結構相似度；魯棒性

中圖分類號：TP399 文獻標識碼：A DOI：10.3969/j.issn.1003-6970.2013.08.035

本文著錄格式：[1]劉一楠，周亞建. 基于支持向量機與結構相似度的圖像數字水印算法[J].軟件，2013，34（8）：112-115

0 引言

數字水印是一種能夠有效保護數字內容安全的技術，自數字水印概念提出后，便成為信息安全領域的熱點技術之一。現有數字水印算法從水印嵌入方式分類主要有基于空域的數字水印與基于變換域的數字水印技術[1-2]。空域數字水印算法具有實現簡單，易于操作等優點，但是對于攻擊算法抵抗力較差。近年來，一些研究將機器學習算法如支持向量機、神經網絡等應用于數字水印技術，用于提高數字水印算法的透明性與魯棒性。在空域數字水印算法中，機器學習的應用取得了較好的效果，較大程度的提高了空與數字水印算法的魯棒性與透明性。文獻[3]對于彩色圖像，在水印嵌入過程中，利用神經網絡算法，學習水印信息與載體圖像之間的對應關系，在水印提取過程中，利用所學習的神經網絡模型，對于圖像進行恢復，以提高算法的魯棒性。文獻[4]在水印嵌入過程中，利用SVM算法，學習水印信息與載體圖像之間的對應關系，在水印提取過程中，利用所學習的SVM模型，對圖像進行恢復，提高算法的抵抗攻擊能力。文獻[5]利用神經網絡與人耳聽覺系統，對于音頻中水印嵌入強度進行預測，實現自適應的音頻數字水印嵌入，從而提高音頻數字水印的魯棒性與透明性。文獻[6]提出一種基于支持向量回歸機的圖像數字水印算法，利用支持向量回歸機學習圖像鄰域像素之間的關系，通過中心像素值與模型輸出值之間的關系進行水印的嵌入與提取。文獻[7]利用支持向量回歸機學習子塊內像素之間的關系，通過調整中心像素并利用模型預測值與中心像素值之間的關系實現了水印的嵌入與提取，實現了具有較強魯棒性的空域數字水印算法。由此可見，目前神經網絡、支持向量機等機器學習算法在數字水印技術中已經進行了廣泛的研究，尤其是在空域數字水印技術的應用中，基于支持向量機的空域數字水印算法在提高算法的魯棒性上取得了一定的成果。但是在現有的空域數字水印算法中，對于水印嵌入強度的確定計算缺少有效的手段，而水印嵌入強度直接關系到水印算法的透明性與魯棒性，嵌入強度過小，水印算法抵抗攻擊的能力較差，魯棒性較低，水印嵌入強度過大，水印算法的透明性會降低。

本文以回歸性支持向量機（SVR）以及結構相似度（SSIM）理論為基礎，提出了一種自適應的圖像數字水印算法，在保證數字水印算法透明性的基礎上，較大程度的提高了數字水印算法的魯棒性。本文首先隨機選取大量圖像子塊，利用SSIM確定圖像子塊的水印嵌入強度，訓練SVR，模擬圖像子塊與水印嵌入強度之間的相關性，生成水印強度預測模型。水印嵌入過程中，通過訓練SVR，模擬圖像子塊中中心像素與鄰域像素之間的非線性關系，通過修改中心像素值，完成水印的嵌入與提取。

1 支持向量機與結構相似度

1.1 支持向量機

回歸型支持向量機（SVR）是支持向量機（SVM）在回歸學習中的應用，其基本思想是：對于給定的訓練樣本點（其中，表示輸入樣本空間，表示實數域），訓練一個函數，使得該函數根據每個樣本輸入值計算得到的輸出值與樣本的實際輸出值的誤差不超過，并保證通函數的輸出值盡量平滑[8]。對于線性情況，假設回歸函數形式為：。要保證函數盡量平滑，就要求盡量小，于是可以將確定函數描述成一個如式（1）所示的優化問題：

考慮到允許擬合誤差的情況，引入松弛因子，則式（1）可改寫為如式（2）所示：

采用同樣的優化方法可以得到其對偶問題，如式（3）所示：

是拉格朗日因子，得到的回歸函數如式（4）：

1.2 結構相似度

圖像數據在采集、壓縮、處理、傳輸和恢復的過程中可能會引入各種失真，導致圖像質量下降。因此，需要度量圖像的質量。傳統的客觀方法主要有峰值信噪比（Peal Signal to Noise Ratio，PSNR）和均方誤差（Mean Square Error，MSE）等。這些方法雖然有著計算簡單、物理意義明確等優點，但僅僅是對像素點之間誤差的純數學統計，沒有考慮到像素點間的相關性和人眼視覺系統（Human Visual System，HVS）的感知特性，在很多情況下不符合人的主觀感受。因此很多研究致力于結合HVS系統進行建模，如文獻[9]提出的VDP模型以及文獻[10]提出的矩陣模型等。由于目前的研究對于HVS系統的認識還不透徹，難以建立有效的模型，直接影響了基于HVS的圖像質量評價算法的準確性。Zhou Wang等[11]提出了結構相似性理論和結構相似度（Structural Similarity，SSIM）的概念。結構相似性理論從高層次上模擬HVS的整體功能，認為HVS的主要功能是從視野中提取結構信息，因此用對結構信息的度量作為圖像感知質量的近似。作為結構相似性理論的一個實現，結構相似度SSIM從圖像組成的角度將結構信息定義為獨立于亮度、對比度的，反映場景中物體結構的屬性，并將失真建模為亮度（）、對比度（）和結構（）三個不同因素的組合。由于SSIM算法計算簡單、準確性較好，提出后受到了國內外學者的廣泛關注。SSIM定義如式（6）所示。

本文中利用SSIM算法，對水印嵌入后的圖像進行質量評價，以判斷水印嵌入強度是否滿足透明性要求。

2 水印嵌入與提取算法

2.1 水印嵌入強度預測模型

本文從哥倫比亞大學的圖像數據庫[12]中隨機一定數量的灰度自然圖像，分割成大小的圖像子塊，組成由5000幅灰度圖像子塊組成訓練圖像子塊集合，用于構造水印嵌入強度預測模型。 水印嵌入強度預測模型建立過程如下：

最大嵌入強度確定。為集合中第個圖像子塊，為水印嵌入強度，即中心像素修改量，本文中水印嵌入強度范圍為[12，30]，本文中按照式（10）對進行修改，設為修改后的圖像子塊。

式（11）為圖像子塊最大水印嵌入強度計算公式。為結構相似度計算函數，為判斷閾值。

生成訓練樣本。為集合中第個圖像子塊，將轉化為一維向量，作為SVR的輸入向量，其對應的最大水印嵌入強度作為SVR輸出，組成訓練樣本，所有圖像子塊生成的樣本集合記為。

訓練SVR模型。利用訓練樣本集合訓練SVR模型，訓練好的模型記為水印嵌入強度預測模型。

模型測試。將載體圖像分割為圖像子塊，生成測試樣本集合，測試步驟（3）中所生成的水印嵌入強度預測模型。設樣本為集合第個樣本，為模型根據向量所預測的水印嵌入強度。本文用平均絕對誤差（Mean Absolute Difference，MAE）評估模型的預測準確性。MAE計算公式如式（12）所示。為集合中元素個數。

對于集合中的圖像子塊，本文利用SSIM算法選取水印嵌入強度范圍內，滿足圖像子塊修改前后結構相似度度量值大于一定閾值的最大水印嵌入強度，在保證了圖像子塊修改后的圖像質量的基礎上，確定了圖像子塊中心像素最大可修改值，并生成以圖像子塊像素值為輸入，圖像子塊最大水印嵌入強度為輸出的訓練樣本，并訓練SVR，生成水印嵌入強度預測模型。

2.2 水印嵌入與提取

本文以256級灰度圖像作為載體圖像，載體圖像記為，，表示圖像中位置像素的灰度值。以有意義的二值圖像作為水印信息，記為，，表示水印圖像中位置的水印信息值。

水印信息置亂。為了提高數字水印算法的安全性，去除水印圖像的相關性，提高水印算法的透明性與魯棒性，本文首先利用Arnold算法[1]對水印信息進行置亂處理。將二值水印圖像利用Arnold算法進行置亂，Arnold的參數作為密鑰Key1，將置亂后的水印信息變換為一維向量，。

（2） 生成訓練樣本。將載體圖像分割成大小的子塊，隨機選擇L個子塊，對于每個子塊，將其中心像素的8鄰域排列為一維向量作為SVR的輸入，將中心像素作為SVR輸出，生成訓練樣本，根絕所選擇的L個子塊所生成的所有訓練樣本訓練SVR模型，建立圖像子塊中心像素與鄰域像素之間的相關性關系模型。

（3） 水印嵌入。根據密鑰Key2隨機選擇載體圖像中個圖像子塊作為水印嵌入位置，對于所選擇的子塊，利用3.1節中的水印嵌入強度模型預測子塊的嵌入強度，利用步驟（3）中訓練好的SVR模型，預測子塊中心像素值，設SVR預測得到的值為，根據式（13）的嵌入規則，修改中心像素，完成水印嵌入。

為修改后的像素值，為子塊對應的嵌入水印信息值。水印完成嵌入后，水印嵌入圖像記為。

水印提取。將待檢測圖像，劃分為大小的子塊，根據密鑰Key2選擇水印嵌入的子塊，對于所選擇的子塊，選擇其中心像素的鄰域作為SVR的輸入，作為SVR相應輸入，根據式（14）的提取規則，進行水印提取。

為子塊所提取的水印信息值。對于所提取的水印信息，根據密鑰Key1進行反置亂處理，恢復原始圖像水印。

3 實驗與結果

為驗證本文算法，本實驗中以圖1所示的灰度圖像Lena、Peppers、Boboon作為載體測試圖像，以圖2所示32×32的二值圖像作為水印信息，測試分為以下幾部分：

（1） 水印嵌入強度預測模型的訓練。

本實驗中，利用libsvm[13]訓練SVR模型，模擬圖像子塊與水印嵌入強度的非線性關系。SVR模型參數設定如下：核函數采用徑向基函數（radius based function，RBF），懲罰因子設定為4096，核函數參數g設定為5e-4。本實驗中隨機選擇哥倫比亞大學圖像庫[12]中所提供的自然圖像進行分割，獲取5000幅的子圖像塊，生成圖像子塊集合用于訓練水印強度預測模型。本實驗中，分別將測試圖像Lena，Peppers，Baboon分割為圖像子塊，利用SSIM算法確定每個圖像子塊的實際水印嵌入強度，利用訓練好的SVR模型預測每個圖像子塊的水印嵌入強度，利用MAE公式計算預測水印強度與真實水印嵌入強度的偏差。表1為不同圖像對水印強度預測模型進行測試的MAE結果。由表1可以看出，所訓練的水印嵌入強度預測模型可以很好地模擬不同圖像子塊與水印嵌入強度之間的相關性。

（2）水印嵌入及水印透明性的測試。

本實驗中，本文分別以圖1所示的Lena，Peppers，Baboon為載體圖像，以圖2所示二值圖像為水印信息進行水印嵌入試驗。本實驗首先利用3.2節中的算法生成訓練樣本并訓練SVR，本試驗首先利用水印強度預測模型預測每一圖像子塊的水印嵌入強度，利用本文水印嵌入算法完成水印嵌入。本實驗同時利用文獻[7]中的算法進行水印嵌入作為對比，文獻[7]中的水印強度人為設定為12。表2為本文算法與文獻[7]的算法進行水印嵌入后圖像SSIM計算結果。實驗結果表明，本文的算法在水印嵌入強度增加后，保持了水印較好的透明性。

（3）水印提取及水印魯棒性測試

本實驗中，使用3.2節的水印提取算法進行水印提取，表3列出了本文算法及文獻[7]算法在多種圖像攻擊后的水印提取結果，本文使用比特誤碼率（Bit Error Rate，BER）來衡量提取出來的水印和原始水印的誤碼程度，數值越小，誤碼越少，抗攻擊性能就越好。BER計算公式如式（15）所示：

4 結論

將機器學習技術應用于數字水印領域以提高數字水印算法的魯棒性、透明性等指標是近年來數字水印算法的研究熱點之一。本文利用結構相似度SSIM算法計算圖像子塊的最大水印嵌入強度，并利用支持向量機模擬不同圖像子塊與水印最大嵌入強度的關系，從而實現自適應的數字水印算法。從實驗結果可見，支持向量機可以很好地模擬不同圖像子塊與結構相似度所確定的水印嵌入強度之間的非線性關系，因此可以實現在不降低數字水印算法透明性的基礎上提高數字水印算法的魯棒性。對于機器學習算法在變換域數字水印領域中的應用方式還需要做進一步的研究。

參考文獻

[1] 孫圣和， 陸哲明， 牛夏牧. 數字水印技術及應用[M]. 科學出版社， 2004.

[2] 楊義先， 鈕心忻. 數字水印理論與技術[M]. 高等教育出版社， 2006.

[3] Yu P T， Tsai H H， Lin J S. Digital watermarking based on neural networks for color images[J]. Signal processing， 2001， 81（3）： 663-671.

[4] Fu Y， Shen R， Lu H. Optimal watermark detection based on support vector machines[M]//Advances in Neural Networks–ISNN 2004. Springer Berlin Heidelberg， 2004： 552-557.

[5] Wang H， Mao L， Xiu K. New audio embedding technique based on neural network[C]//Innovative Computing， Information and Control， 2006. ICICIC’06. First International Conference on. IEEE， 2006， 3： 459-462.

[6] Shen R， Fu Y， Lu H. A novel image watermarking scheme based on support vector regression[J]. Journal of Systems and Software， 2005， 78（1）： 1-8.

[7]李春花， 盧正鼎. 一種基于支持向量機的圖像數字水印算法[J]. 中國圖象圖形學報， 2006， 11（9）： 1322-1326.

[8] Vapnik V. The nature of statistical learning theory[M]. springer， 2000.

[9] Watson A B. Digital images and human vision[M]. MIT press， 1993.

[10] Citti， Giovanna， and Alessandro Sarti. “A cortical based model of perceptual completion in the roto-translation space.” Journal of Mathematical Imaging and Vision 24.3 （2006）： 307-326.

[11] Wang， Zhou， Eero P. Simoncelli， and Alan C. Bovik. “Multiscale structural similarity for image quality assessment.” Signals， Systems and Computers， 2003. Conference Record of the Thirty-Seventh Asilomar Conference on. Vol. 2. IEEE， 2003.

預算赤字范文第4篇

據報道，從下周二開始，香港將出售60億港元（13億新元）的資產擔保債券。與承銷商的簽字儀式將于下周一進行。

香港財經事務及庫務局長馬時亨說，這批債券將對機構和個人投資者出售。

報道說，這些債券由五條收費隧道和一座橋梁的收入支援，并將成為香港有史以來最大規模的一次資產擔保債券銷售。如果周二的銷售獲得超額認購，政府將在未來發行更多債券。

這些債券銷售是香港政府減少預算赤字措施的一部分。截至明年3月31日的一個財政年里，香港政府預算赤字有望減少到426億港元。

匯豐控股（HSBC　Holdings）和花旗集團（Citigroup）是這次債券發售的承銷商。

預算赤字范文第5篇

債券是在金融市場上吸收資本的工具。它主要包括債券的收益結構、債券的流轉期、債券的信用等級。

1992年俄羅斯開始推行全面的休克療法，其核心內容是私有化和自由化。俄羅斯的經濟形勢急劇惡化，收支出現巨大缺口。在1995年之前，彌補國家預算赤字主要靠向中央銀行借貸來解決，即依靠多發行貨幣來補充預算的缺口，其后果是進一步加劇了通貨膨脹。為了遏制嚴重的通貨膨脹，從1995年開始俄羅斯政府不得不以發行國家債券方式作為彌補財政赤字的非通脹手段。

1.短期國債和聯邦債券（ГКО－ОФЗ）市場的形成

在1991年末，俄羅斯就通過了《國家債務法》，俄羅斯中央銀行也進行了第一次國內債務的試驗性發行。這次試驗性發行成為國家短期債務的原型。它的發行采取無紙方式，以競買的方式出售，到期價格由市場的供求來決定。

1993年5月18日在莫斯科外匯交易所（ММВσ）進行了第一次短期國債的發行（一級交易），當年5月份開始了定期的二級交易，其中有24個銀行和金融公司獲得了短期國債市場交易商的資格。新債券以無紙方式發行，可以貼現銷售，最小面值為10萬盧布，流轉期為3個月，免征稅。中央銀行對這批債券的發行給予擔保。在當年國家發行了6500億盧布的短期國債。進行了第一次債券的一級發行以后，開始每周進行兩次二級交易，10月19日允許自然人參加國債市場交易。

1994年俄羅斯證券市場進一步向非居民開放，非居民獲得了購買短期國債不超過發行總額10%的權利。同時，新技術得到廣泛應用，計算機遠程終端和各地區的交易平臺接入到莫斯科的交易所，市場的基礎設施日趨完善，并且新的金融工具（期貨等）也不斷得到應用。1995年短期國債市場在俄羅斯經濟中的作用開始增大。發展國家有價證券市場成為政府金融政策的優先目標。由于短期國債和聯邦債券具有高收益率，因而各商業銀行和其他的金融機構開始大規模參與短期國債市場。

俄羅斯在1995年發行了新的債券品種——聯邦可變利息債券；6月15日在莫斯科銀行間外匯交易所內又舉行了聯邦可變利息債券第一次競拍。它是帶有可變利息的、可貼現的國家有價證券，其利率水平以現行的短期國債市場的利率為基礎來確定。

國家有價證券市場開始快速發展，到1995年末，國家有價證券市場規模達到了76.5萬億盧布。1995年8月俄羅斯發生了第一次金融危機，其原因是各銀行爭相拋售短期國債和財政部的外匯債券。在危機的2天之內，俄羅斯中央銀行被迫購買1.6萬億盧布的短期國債。在銀行間信貸市場危機一個月以后，金融市場上短期國債的作用發生了重大變化，不久前還是金融市場中最發達部門的銀行間信貸市場（МσК）降到第二的位置，主要表現為銀行間信貸在銀行資產中的比重急劇降低。許多銀行又面臨一個問題：“意外閑置的資金投向哪里？”在這種情況下，銀行別無選擇，只有轉向短期國債。

為了給國家預算吸收居民資金，在1995年11月，俄羅斯政府決定發行國家儲蓄債券（ОГСЗ）。這種債券的結構與聯邦債券十分相像，它不僅面向居民，而且也面向那些以債券市場為主要業務活動的銀行發行。對于法人而言，國家儲蓄債券不僅可以使交易成本減少，而且債券可以用于抵押，進行投機活動等。銀行承保人與財政部簽署發行國家儲蓄債券，然后在自己的客戶中推銷該債券。它的每個季度利息可以在任何儲蓄銀行的分支機構上獲得。

1996年，俄羅斯國債市場不僅開始作為彌補財政赤字的基本來源，而且也成為葉利欽競選班子的主要資金來源。

2.外匯債券（ОВВЗ）的發行和外匯債券市場的產生

為完善金融市場，俄羅斯政府形成了“關于在俄羅斯國內發行外匯債券的決議”。該決議確定國內外匯債券的發行總量為50億美元。這使外匯債券的市場規模可以與短期國債和聯邦債券市場規模相比。

外匯債券的交易平臺是2000交易系統中的路透社網，每筆的標準交易量最低為100萬，但交易經常僅有幾十筆。從事外匯債券交易的客戶有大約10個，其中有1/3是外國客戶。交易市場是出清的，也就是說，在任何交易時點上都可以進行買賣交易，買和賣的數量是平衡的。在外匯債券市場上規定了嚴格的市場制度，并對交易制定了詳細的規則。

根據外匯債券的市場交易規則，買賣價差不能超過0.3%，而最大的交易商可以維持在0.25%的水平上，商用這種辦法來保持這些債券的流動性。

二、俄羅斯國家有價證券市場的主要參與者

20世紀下半葉興起的全球化涉及所有的經濟活動，也包括金融市場。金融市場的全球化主要表現為資本市場的開放程度和資本流動的自由程度等。其中，資本市場中非居民的比重是反映資本市場開放的主要指標。在美國國債市場上，非居民的比重為22%，德國為77%。受金融自由化思想的指導以及IMF的壓力，俄羅斯的資本市場開放程度很高，如1997年在俄羅斯國家有價證券市場上非居民的比重為30%，在外匯債務市場上為40%。

俄羅斯的銀行是短期國債和聯邦債券市場上最大的投資者。到2001年初，財政部發行的債券的50%掌握在銀行手中，第二大投資者是非居民。根據中央銀行的資料，在2001年初，非居民手中的國債為450億盧布，約占市場的24.6%。其余20-25%的份額為俄羅斯的金融和非金融機構占有。截止到2001年4月，中央銀行持有總額為2560億盧布的聯邦債券。

俄羅斯盧布證券市場的特點是債券集中度很高。市場是一個批發市場，大型的銀行和金融機構是市場的主體，它們可以操縱市場價格。中小投資者在市場中處于絕對弱勢地位，權利和利益無法得到保護。高風險是俄羅斯金融市場的特點之一。1996-1997年投資于短期國債和股票的巨大收益到1998年變成了巨大的損失。

俄羅斯國家有價證券市場的監管主要由財政部、證券委員會和中央銀行來完成。由于分工的混亂和利益的爭奪，這3家監管機構經常發生激烈沖突。

三、國家有價證券市場的規模和收益結構

在1993年，俄羅斯的國家有價證券市場開始形成，但是直到1995年之前，由于國家預算赤字的缺口主要是靠中央銀行多發貨幣來彌補，所以國內債券市場規模不大。當國家宣布發行國債作為補償國家預算赤字的主要手段后，國家有價證券市場發生了根本性變化。如果在1994年只有3%的預算赤字是靠發行國債來補償的，到1995年已經達到60%，1998年依靠短期國債補償的預算赤字已經達到80%，國債市場規模開始急劇增長。可以說，1999年以前的俄羅斯有價證券市場的核心主體是短期國債。

1992-1998年俄羅斯預算赤字總量達到1.3萬億盧布（1998年價）。從1995年開始，預算赤字開始由發行有價證券來彌補，這導致了國家有價證券市場規模的急劇增大，到1998年達到了最高點。

在危機之前，俄羅斯金融市場上占優勢的是12個月償付期的國家短期無息債券。短期國債的平均收益率成為俄羅斯金融市場最重要的指標。俄羅斯主要金融機構的大部分金融資源都投入到了國家有價證券市場上，主要原因是短期國債的收益率較高，而且投資短期國債的流動性也較好。

金融危機使國家有價證券支付期結構更加不合理，如到2000年末，短期債券的比重不超過1%（在危機之前為31%）。2000年2月16日，在金融危機以后第一次發行2期，總額為50億盧布，償付期為196天和98天的短期國債，以后又多次發行。2000年短期國債和聯邦債券的交易量縮減到60億美元，只有1997年的1/25。截止到2000年12月1日，短期國債和聯邦債券的債務總量為2297億盧布，到2001年6月短期國偵和聯邦債券的市場規模為1950億盧布。

金融危機過后，俄羅斯將金融危機以前發行的短期國債和聯邦債券中的部分債券的支付期延長。1998年12月12日，俄羅斯政府頒布“關于國家有價證券創新的決定”，并授權俄羅斯財政部將在1999年12月12日到期的短期國債和聯邦債券轉換成3-5年的國家長期債券（ОФЗ—ФД和ОФЗ—ПД）。

金融危機使短期國債和聯邦債券的持有者受到了很大損失。由于1998年8月的國債重組，投資者損失總額達到450億美元，其中75%的損失落在俄羅斯投資者身上。在1999年，人們對短期國債和聯邦債券的興趣下降，1999年1月28日，在莫斯科銀行間外匯交易所進行了重組后的短期國債和聯邦債券的新發行。到1999年4月30日，國內短期國債和聯邦債券的重組工作結束，總的重組規模達到1733億盧布。

四、俄羅斯發行國家有價證券的作用

國家的有價證券市場政策與國家預算情況密切相關。1996-1998年俄羅斯的預算赤字在很大程度上是靠發行短期國債來彌補的。短期國債和聯邦債券的發行不僅為國家預算籌集了大量的資金，而且也減緩了通貨膨脹的壓力。可以說，短期國債和聯邦債券對經濟轉軌時期的俄羅斯經濟有特殊意義。從1999年開始，俄羅斯的經濟開始恢復性增長，國家預算收入開始好轉，相應的國家有價證券市場的情況也發生根本性的變化，從金融市場吸收資金變得不是十分迫切。俄羅斯政府提出了用吸收的資金加快償付內債，以減少內債規模。

國家有價證券的發行市場普遍成為國家預算補償的主要工具。為了補償支付缺口，國家需要短期盧布有價證券。在預算的1年框架內，預算的進項與支出在時間上很難一致，由此在預算的收入與支出上存在短期的缺口。與長期債券一樣，在西方也發行短期國債，如美國和英國的短期國庫券的發行期（償付期）為91天，日本為60天。短期國債也用來保證商業銀行資產的清償。銀行投資于短期國債，這些資產不僅具有較高的流動性，而且可以帶來可觀的、穩定的收益。