预算赤字

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇预算赤字范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

预算赤字范文第1篇

做法：

1、将锅烧热倒入适量油烧至七分热，加入姜片及蒜头爆香；

2、将洗净切好段的鮰鱼放入油锅煎数分钟；

3、加入料酒、酱油、醋、少许蚝油及葱，再加少许热水，盖上锅盖，用小火烧十分钟；

4、打开锅盖，把鱼块翻面继续盖上烧约五分钟后，加冰糖粉；

预算赤字范文第2篇

关键词：双子支持向量机（TWSVM）；分类算法；粒子群优化算法（PSO）

DOIDOI：10.11907/rjdk.151455

中图分类号：TP312

文献标识码：A 文章编号：16727800（2015）006007204

基金项目：玉林师范学院校级科研项目（2014YJYB04）

作者简介作者简介：刘建明（1986-），男，广西博白人，硕士，玉林师范学院数学与信息科学学院助教，研究方向为数据挖掘与机器学习。

0 引言

粒子群优化算法[1]（Particle Swarm Optimization，PSO）是由美国研究学者Kennedy等人在1995年提出的，PSO算法每一代的种群中的解具有向“他人”学习和“自我”学习的优点，该算法能在较少的迭代次数中找到全局最优解，这一特性被广泛应用于神经网络方法、函数优化问题、数据挖掘、模式识别，工程计算等研究领域。

双子支持向量机（Twin Support Vector Machines， TWSVM）是Jayadeva[23] 基于传统支持向量机在2007年提出来的。TWSVM是从SVM演化而来的，是一种新型的基于统计学习理论的机器学习算法。TWSVM具有SVM优点，同时适合处理像文本自动分类、基因表达、空间信息遥感数据、语音识别等这样的大规模数据分类问题。

针对TWSVM对惩罚参数和核函数参数缺乏指导性问题，本文结合PSO算法的优点，给出一种基于PSO的

算法优化改进策略，对TWSVM分类器进行优化。PSO是一种基于群体智能的全局寻优算法，该算法能在较少的迭代次数中找到全局最优解，通过利用粒子群优化算法对双子支持向量机进行优化后，分类器较之标准支持向量机有更好的分类效果。

1 PSO算法

PSO算法步骤：①初始化粒子群，利用随机函数法给每一个粒子的初始位置和速度赋值；②根据第①步的赋值及初始位置与速度更新每一个粒子新的位置；③利用选定的适应度函数计算每一个粒子的适应度值；④对每一个粒子，对比其个体和群体的适应度值，并找出粒子经过的最好位置的适应度值，如果发现更好的位置及适应度值，那么就更新其位置；⑤根据公式更新每个粒子的速度与位置，如果找到最优的位置或者是到了最大的迭代次数，算法终止，否则转入第3步继续迭代求解。

2 双子支持向量机（TWSVM）

与SVM不同，TWSVM求解的是一对分类超平面，SVM求解一个QP问题而TWSVM解决的是两个QP问题，而这两个QP问题的求解规模比SVM小很多。传统SVM构造两个平行的超平面，并且使两个超平面之间的距离最大即最大间隔化，TWSVM虽然也是构造超平面，但超平面之间不需要平行。TWSVM对每一个样本都构造一个超平面，每个样本的超平面要最大限度地靠近该类的样本数据点，而同时尽可能地远离另一类样本数据点。新数据样本将会分配给离两个超平面中最近的一个平面。事实上，该算法还可以沿着非平行面聚集，而且样本聚集方式是根据完全不同的公式聚合而成的。实际上，在TWSVM中的两个QP问题与标准SVM的QP问题除了求解约束问题不同外，求解公式是相同的。TWSVM的二分类算法通过求解下面的一对QPP（Quadratic Program Problem）问题进行二次规划优化[5]。

其中，c1，c2>0并且e1和e2是适当维数且属性值是全为1的向量。TWSVM算法为每一个类构建超平面时，样本点根据与各个超平面的距离大小作为与平面靠近程度的评价指标，目标函数（2）和（3）计算样本点与超平面距离的平方。因此，它的最小值能保证样本数据点最大限度地靠近其中一类（类一），同时尽可能地远离另一类。误差变量用于测量超平面距离间隔的误差。目标函数公式（2）和（3）的第二项是误差之和，它的作用是使错分样本的数据极小化，尽量减少错分的误差情况。为求解公式（2）和（3），分别对TWSVM1和TWSVM2引入拉格朗日函数，通过KKT条件分别求得其对偶问题如公式（4）和（5）[6]所示。

3 基于PSO的TWSVM分类算法

在TWSVM中，与SVM相同，都需要对参数进行确定，TWSVM对每个类均有一个惩罚参数和核函数参数。不同的惩罚参数和核函数参数影响分类的准确率，而PSO算法拥有全局的优化能力，因此，本文将PSO算法引入TWSVM中，解决TWSVM参数的选择问题，PSOTWSVM算法不仅能提高TWSVM的准确率同时又能降低SVM的训练时间，提高训练效率。图2展示了应用PSO算法对TWSVM参数选择的优化流程。

基于PSOTWSVM分类算法：①根据样本训练数据集每个类别，随机选定惩罚参数Cm，m=1，2，…，k以及核函数；②应用PSO算法对训练进行参数优化，找出最佳惩罚参数和核函数参数的最优值；③利用公式（3）、（4）求解样本数据对偶问题，构造样本空间的逼近超平面F（x）i=1，2，…k=K（x，c）wi+bi；④对每一类样本数据求得逼近超平面后，再求解判别函数（10）；⑤将测试样本数据集利用判别函数进行分类预测。

传统SVM是基于二分类提出的，其复杂度为O（n3），其中n为样本数目[2]。然而在TWSVM二分类算法中，设每类样本数据为n/2，因此，求解两个优化问题时间复杂度为：O（2*（n/2）3），所以在二分类问题中的TWSVM时间复杂度为传统SVM的1/4。推广到多分类问题时，可以发现在时间复杂度方面，TWSVM求解优化问题的时间更少。例如样本类别数为k类，那么该样本的时间复杂度为O（k*（n/k）3）。由于TWSVM分类算法对每类都构造一个超平面，因此该算法在处理不平衡数据时，即一类的样本数目比另一类的样本大得多情况时，TWSVM分别实施不同的惩罚因子，TWSVM克服了传统的SVM处理不均衡样本的局限性，这一点非常适用于大规模的不均衡分类问题。

4 算法仿真实验

为验证基于PSO的TWSVM分类算法的有效性，本文利用该算法构建一个文本分类器，运用不同数据集在该分类器上进行实验并与标准支持向量机构建的分类器进行对比仿真实验。

4.1 分类器性能评价

常用的分类器评价方法包括：准确率和召回率。这两个指标广泛应用于文本分类系统的评价标准。准确率（Precision）是指全部分类文本中划分的类别与实际类别相同的文本数量占全部文本的比率。召回率（Recall）是指分类正确的文本数占应有文档数的比率。文本分类输出结果见表1。

4.2 实验结果分析

本实验所采用的文本数据为搜狗分类新闻语料库（Sogounews）（选取其中一类进行）和20组新闻数据（经典的文本分类数据集）。搜狗新闻数据预处理的特征词选择方法为IG（信息增益），该实验数据包含150个文本特征属性，样本数据为1600，其中1000为训练集，600为测试集，数据集分别为新闻、非新闻两类。News20选择台湾大学林智仁教授整理后的News20数据集作为实验数据，整理后的News20样本数规模和特征项较高，所以只选取了其中的800个文本样本并对特征项进行降维处理后进行实验，验证TWSVM分类算法和基于PSO的TWSVM分类算法性能。实验采用的核函数是线性核函数，初始惩罚参数和核参数分别为2和0.1，粒子群种群数量为30，迭代次数200，c1和c2取值均为1.5，实验结果如表2所示。

由表2可知，PSOTWSVM的分类性能比TWSVM要好。因此，基于PSO的TWSVM是一个有效算法。该算法不但比标准的SVM算法训练时间更短，而且比TWSVM有更好的准确率，PSOTWSVM解决了TWSVM的参数选择问题，提高了TWSVM的泛化性。

5 结语

通过基于PSO的TWSVM分类算法与TWSVM算法的分类对比实验可知，应用PSO算法的全局寻优能力提高了TWSVM分类的能力。PSO优化后TWSVM分类器的性能更为优越。基于PSO的TWSVM分类算法比标准的SVM时间复杂度更小，比TWSVM的准确率更高，基于PSO的TWSVM算法在分类问题上较之传统的SVM算法有更大的优越性。

参考文献：

[1]许国根，贾瑛.模式识别与智能计算的MATLAB实现[M]. 北京：北京航空航天大学出版社，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，柴宝仁，腾艳平. 基于粒子群优化算法的支持向量机研究[J].北京理工大学学报，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机的分类问题研究[D].长春：吉林大学，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.

预算赤字范文第3篇

关键字：计算机应用技术；自适应水印算法；支持向量机；结构相似度；鲁棒性

中图分类号：TP399 文献标识码：A DOI：10.3969/j.issn.1003-6970.2013.08.035

本文著录格式：[1]刘一楠，周亚建. 基于支持向量机与结构相似度的图像数字水印算法[J].软件，2013，34（8）：112-115

0 引言

数字水印是一种能够有效保护数字内容安全的技术，自数字水印概念提出后，便成为信息安全领域的热点技术之一。现有数字水印算法从水印嵌入方式分类主要有基于空域的数字水印与基于变换域的数字水印技术[1-2]。空域数字水印算法具有实现简单，易于操作等优点，但是对于攻击算法抵抗力较差。近年来，一些研究将机器学习算法如支持向量机、神经网络等应用于数字水印技术，用于提高数字水印算法的透明性与鲁棒性。在空域数字水印算法中，机器学习的应用取得了较好的效果，较大程度的提高了空与数字水印算法的鲁棒性与透明性。文献[3]对于彩色图像，在水印嵌入过程中，利用神经网络算法，学习水印信息与载体图像之间的对应关系，在水印提取过程中，利用所学习的神经网络模型，对于图像进行恢复，以提高算法的鲁棒性。文献[4]在水印嵌入过程中，利用SVM算法，学习水印信息与载体图像之间的对应关系，在水印提取过程中，利用所学习的SVM模型，对图像进行恢复，提高算法的抵抗攻击能力。文献[5]利用神经网络与人耳听觉系统，对于音频中水印嵌入强度进行预测，实现自适应的音频数字水印嵌入，从而提高音频数字水印的鲁棒性与透明性。文献[6]提出一种基于支持向量回归机的图像数字水印算法，利用支持向量回归机学习图像邻域像素之间的关系，通过中心像素值与模型输出值之间的关系进行水印的嵌入与提取。文献[7]利用支持向量回归机学习子块内像素之间的关系，通过调整中心像素并利用模型预测值与中心像素值之间的关系实现了水印的嵌入与提取，实现了具有较强鲁棒性的空域数字水印算法。由此可见，目前神经网络、支持向量机等机器学习算法在数字水印技术中已经进行了广泛的研究，尤其是在空域数字水印技术的应用中，基于支持向量机的空域数字水印算法在提高算法的鲁棒性上取得了一定的成果。但是在现有的空域数字水印算法中，对于水印嵌入强度的确定计算缺少有效的手段，而水印嵌入强度直接关系到水印算法的透明性与鲁棒性，嵌入强度过小，水印算法抵抗攻击的能力较差，鲁棒性较低，水印嵌入强度过大，水印算法的透明性会降低。

本文以回归性支持向量机（SVR）以及结构相似度（SSIM）理论为基础，提出了一种自适应的图像数字水印算法，在保证数字水印算法透明性的基础上，较大程度的提高了数字水印算法的鲁棒性。本文首先随机选取大量图像子块，利用SSIM确定图像子块的水印嵌入强度，训练SVR，模拟图像子块与水印嵌入强度之间的相关性，生成水印强度预测模型。水印嵌入过程中，通过训练SVR，模拟图像子块中中心像素与邻域像素之间的非线性关系，通过修改中心像素值，完成水印的嵌入与提取。

1 支持向量机与结构相似度

1.1 支持向量机

回归型支持向量机（SVR）是支持向量机（SVM）在回归学习中的应用，其基本思想是：对于给定的训练样本点（其中，表示输入样本空间，表示实数域），训练一个函数，使得该函数根据每个样本输入值计算得到的输出值与样本的实际输出值的误差不超过，并保证通函数的输出值尽量平滑[8]。对于线性情况，假设回归函数形式为：。要保证函数尽量平滑，就要求尽量小，于是可以将确定函数描述成一个如式（1）所示的优化问题：

考虑到允许拟合误差的情况，引入松弛因子，则式（1）可改写为如式（2）所示：

采用同样的优化方法可以得到其对偶问题，如式（3）所示：

是拉格朗日因子，得到的回归函数如式（4）：

1.2 结构相似度

图像数据在采集、压缩、处理、传输和恢复的过程中可能会引入各种失真，导致图像质量下降。因此，需要度量图像的质量。传统的客观方法主要有峰值信噪比（Peal Signal to Noise Ratio，PSNR）和均方误差（Mean Square Error，MSE）等。这些方法虽然有着计算简单、物理意义明确等优点，但仅仅是对像素点之间误差的纯数学统计，没有考虑到像素点间的相关性和人眼视觉系统（Human Visual System，HVS）的感知特性，在很多情况下不符合人的主观感受。因此很多研究致力于结合HVS系统进行建模，如文献[9]提出的VDP模型以及文献[10]提出的矩阵模型等。由于目前的研究对于HVS系统的认识还不透彻，难以建立有效的模型，直接影响了基于HVS的图像质量评价算法的准确性。Zhou Wang等[11]提出了结构相似性理论和结构相似度（Structural Similarity，SSIM）的概念。结构相似性理论从高层次上模拟HVS的整体功能，认为HVS的主要功能是从视野中提取结构信息，因此用对结构信息的度量作为图像感知质量的近似。作为结构相似性理论的一个实现，结构相似度SSIM从图像组成的角度将结构信息定义为独立于亮度、对比度的，反映场景中物体结构的属性，并将失真建模为亮度（）、对比度（）和结构（）三个不同因素的组合。由于SSIM算法计算简单、准确性较好，提出后受到了国内外学者的广泛关注。SSIM定义如式（6）所示。

本文中利用SSIM算法，对水印嵌入后的图像进行质量评价，以判断水印嵌入强度是否满足透明性要求。

2 水印嵌入与提取算法

2.1 水印嵌入强度预测模型

本文从哥伦比亚大学的图像数据库[12]中随机一定数量的灰度自然图像，分割成大小的图像子块，组成由5000幅灰度图像子块组成训练图像子块集合，用于构造水印嵌入强度预测模型。 水印嵌入强度预测模型建立过程如下：

最大嵌入强度确定。为集合中第个图像子块，为水印嵌入强度，即中心像素修改量，本文中水印嵌入强度范围为[12，30]，本文中按照式（10）对进行修改，设为修改后的图像子块。

式（11）为图像子块最大水印嵌入强度计算公式。为结构相似度计算函数，为判断阈值。

生成训练样本。为集合中第个图像子块，将转化为一维向量，作为SVR的输入向量，其对应的最大水印嵌入强度作为SVR输出，组成训练样本，所有图像子块生成的样本集合记为。

训练SVR模型。利用训练样本集合训练SVR模型，训练好的模型记为水印嵌入强度预测模型。

模型测试。将载体图像分割为图像子块，生成测试样本集合，测试步骤（3）中所生成的水印嵌入强度预测模型。设样本为集合第个样本，为模型根据向量所预测的水印嵌入强度。本文用平均绝对误差（Mean Absolute Difference，MAE）评估模型的预测准确性。MAE计算公式如式（12）所示。为集合中元素个数。

对于集合中的图像子块，本文利用SSIM算法选取水印嵌入强度范围内，满足图像子块修改前后结构相似度度量值大于一定阈值的最大水印嵌入强度，在保证了图像子块修改后的图像质量的基础上，确定了图像子块中心像素最大可修改值，并生成以图像子块像素值为输入，图像子块最大水印嵌入强度为输出的训练样本，并训练SVR，生成水印嵌入强度预测模型。

2.2 水印嵌入与提取

本文以256级灰度图像作为载体图像，载体图像记为，，表示图像中位置像素的灰度值。以有意义的二值图像作为水印信息，记为，，表示水印图像中位置的水印信息值。

水印信息置乱。为了提高数字水印算法的安全性，去除水印图像的相关性，提高水印算法的透明性与鲁棒性，本文首先利用Arnold算法[1]对水印信息进行置乱处理。将二值水印图像利用Arnold算法进行置乱，Arnold的参数作为密钥Key1，将置乱后的水印信息变换为一维向量，。

（2） 生成训练样本。将载体图像分割成大小的子块，随机选择L个子块，对于每个子块，将其中心像素的8邻域排列为一维向量作为SVR的输入，将中心像素作为SVR输出，生成训练样本，根绝所选择的L个子块所生成的所有训练样本训练SVR模型，建立图像子块中心像素与邻域像素之间的相关性关系模型。

（3） 水印嵌入。根据密钥Key2随机选择载体图像中个图像子块作为水印嵌入位置，对于所选择的子块，利用3.1节中的水印嵌入强度模型预测子块的嵌入强度，利用步骤（3）中训练好的SVR模型，预测子块中心像素值，设SVR预测得到的值为，根据式（13）的嵌入规则，修改中心像素，完成水印嵌入。

为修改后的像素值，为子块对应的嵌入水印信息值。水印完成嵌入后，水印嵌入图像记为。

水印提取。将待检测图像，划分为大小的子块，根据密钥Key2选择水印嵌入的子块，对于所选择的子块，选择其中心像素的邻域作为SVR的输入，作为SVR相应输入，根据式（14）的提取规则，进行水印提取。

为子块所提取的水印信息值。对于所提取的水印信息，根据密钥Key1进行反置乱处理，恢复原始图像水印。

3 实验与结果

为验证本文算法，本实验中以图1所示的灰度图像Lena、Peppers、Boboon作为载体测试图像，以图2所示32×32的二值图像作为水印信息，测试分为以下几部分：

（1） 水印嵌入强度预测模型的训练。

本实验中，利用libsvm[13]训练SVR模型，模拟图像子块与水印嵌入强度的非线性关系。SVR模型参数设定如下：核函数采用径向基函数（radius based function，RBF），惩罚因子设定为4096，核函数参数g设定为5e-4。本实验中随机选择哥伦比亚大学图像库[12]中所提供的自然图像进行分割，获取5000幅的子图像块，生成图像子块集合用于训练水印强度预测模型。本实验中，分别将测试图像Lena，Peppers，Baboon分割为图像子块，利用SSIM算法确定每个图像子块的实际水印嵌入强度，利用训练好的SVR模型预测每个图像子块的水印嵌入强度，利用MAE公式计算预测水印强度与真实水印嵌入强度的偏差。表1为不同图像对水印强度预测模型进行测试的MAE结果。由表1可以看出，所训练的水印嵌入强度预测模型可以很好地模拟不同图像子块与水印嵌入强度之间的相关性。

（2）水印嵌入及水印透明性的测试。

本实验中，本文分别以图1所示的Lena，Peppers，Baboon为载体图像，以图2所示二值图像为水印信息进行水印嵌入试验。本实验首先利用3.2节中的算法生成训练样本并训练SVR，本试验首先利用水印强度预测模型预测每一图像子块的水印嵌入强度，利用本文水印嵌入算法完成水印嵌入。本实验同时利用文献[7]中的算法进行水印嵌入作为对比，文献[7]中的水印强度人为设定为12。表2为本文算法与文献[7]的算法进行水印嵌入后图像SSIM计算结果。实验结果表明，本文的算法在水印嵌入强度增加后，保持了水印较好的透明性。

（3）水印提取及水印鲁棒性测试

本实验中，使用3.2节的水印提取算法进行水印提取，表3列出了本文算法及文献[7]算法在多种图像攻击后的水印提取结果，本文使用比特误码率（Bit Error Rate，BER）来衡量提取出来的水印和原始水印的误码程度，数值越小，误码越少，抗攻击性能就越好。BER计算公式如式（15）所示：

4 结论

将机器学习技术应用于数字水印领域以提高数字水印算法的鲁棒性、透明性等指标是近年来数字水印算法的研究热点之一。本文利用结构相似度SSIM算法计算图像子块的最大水印嵌入强度，并利用支持向量机模拟不同图像子块与水印最大嵌入强度的关系，从而实现自适应的数字水印算法。从实验结果可见，支持向量机可以很好地模拟不同图像子块与结构相似度所确定的水印嵌入强度之间的非线性关系，因此可以实现在不降低数字水印算法透明性的基础上提高数字水印算法的鲁棒性。对于机器学习算法在变换域数字水印领域中的应用方式还需要做进一步的研究。

参考文献

[1] 孙圣和， 陆哲明， 牛夏牧. 数字水印技术及应用[M]. 科学出版社， 2004.

[2] 杨义先， 钮心忻. 数字水印理论与技术[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， 卢正鼎. 一种基于支持向量机的图像数字水印算法[J]. 中国图象图形学报， 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.

预算赤字范文第4篇

据报道，从下周二开始，香港将出售60亿港元（13亿新元）的资产担保债券。与承销商的签字仪式将于下周一进行。

香港财经事务及库务局长马时亨说，这批债券将对机构和个人投资者出售。

报道说，这些债券由五条收费隧道和一座桥梁的收入支援，并将成为香港有史以来最大规模的一次资产担保债券销售。如果周二的销售获得超额认购，政府将在未来发行更多债券。

这些债券销售是香港政府减少预算赤字措施的一部分。截至明年3月31日的一个财政年里，香港政府预算赤字有望减少到426亿港元。

汇丰控股（HSBC　Holdings）和花旗集团（Citigroup）是这次债券发售的承销商。

预算赤字范文第5篇

债券是在金融市场上吸收资本的工具。它主要包括债券的收益结构、债券的流转期、债券的信用等级。

1992年俄罗斯开始推行全面的休克疗法，其核心内容是私有化和自由化。俄罗斯的经济形势急剧恶化，收支出现巨大缺口。在1995年之前，弥补国家预算赤字主要靠向中央银行借贷来解决，即依靠多发行货币来补充预算的缺口，其后果是进一步加剧了通货膨胀。为了遏制严重的通货膨胀，从1995年开始俄罗斯政府不得不以发行国家债券方式作为弥补财政赤字的非通胀手段。

1.短期国债和联邦债券（ГКО－ОФЗ）市场的形成

在1991年末，俄罗斯就通过了《国家债务法》，俄罗斯中央银行也进行了第一次国内债务的试验性发行。这次试验性发行成为国家短期债务的原型。它的发行采取无纸方式，以竞买的方式出售，到期价格由市场的供求来决定。

1993年5月18日在莫斯科外汇交易所（ММВσ）进行了第一次短期国债的发行（一级交易），当年5月份开始了定期的二级交易，其中有24个银行和金融公司获得了短期国债市场交易商的资格。新债券以无纸方式发行，可以贴现销售，最小面值为10万卢布，流转期为3个月，免征税。中央银行对这批债券的发行给予担保。在当年国家发行了6500亿卢布的短期国债。进行了第一次债券的一级发行以后，开始每周进行两次二级交易，10月19日允许自然人参加国债市场交易。

1994年俄罗斯证券市场进一步向非居民开放，非居民获得了购买短期国债不超过发行总额10%的权利。同时，新技术得到广泛应用，计算机远程终端和各地区的交易平台接入到莫斯科的交易所，市场的基础设施日趋完善，并且新的金融工具（期货等）也不断得到应用。1995年短期国债市场在俄罗斯经济中的作用开始增大。发展国家有价证券市场成为政府金融政策的优先目标。由于短期国债和联邦债券具有高收益率，因而各商业银行和其他的金融机构开始大规模参与短期国债市场。

俄罗斯在1995年发行了新的债券品种——联邦可变利息债券；6月15日在莫斯科银行间外汇交易所内又举行了联邦可变利息债券第一次竞拍。它是带有可变利息的、可贴现的国家有价证券，其利率水平以现行的短期国债市场的利率为基础来确定。

国家有价证券市场开始快速发展，到1995年末，国家有价证券市场规模达到了76.5万亿卢布。1995年8月俄罗斯发生了第一次金融危机，其原因是各银行争相抛售短期国债和财政部的外汇债券。在危机的2天之内，俄罗斯中央银行被迫购买1.6万亿卢布的短期国债。在银行间信贷市场危机一个月以后，金融市场上短期国债的作用发生了重大变化，不久前还是金融市场中最发达部门的银行间信贷市场（МσК）降到第二的位置，主要表现为银行间信贷在银行资产中的比重急剧降低。许多银行又面临一个问题：“意外闲置的资金投向哪里？”在这种情况下，银行别无选择，只有转向短期国债。

为了给国家预算吸收居民资金，在1995年11月，俄罗斯政府决定发行国家储蓄债券（ОГСЗ）。这种债券的结构与联邦债券十分相像，它不仅面向居民，而且也面向那些以债券市场为主要业务活动的银行发行。对于法人而言，国家储蓄债券不仅可以使交易成本减少，而且债券可以用于抵押，进行投机活动等。银行承保人与财政部签署发行国家储蓄债券，然后在自己的客户中推销该债券。它的每个季度利息可以在任何储蓄银行的分支机构上获得。

1996年，俄罗斯国债市场不仅开始作为弥补财政赤字的基本来源，而且也成为叶利钦竞选班子的主要资金来源。

2.外汇债券（ОВВЗ）的发行和外汇债券市场的产生

为完善金融市场，俄罗斯政府形成了“关于在俄罗斯国内发行外汇债券的决议”。该决议确定国内外汇债券的发行总量为50亿美元。这使外汇债券的市场规模可以与短期国债和联邦债券市场规模相比。

外汇债券的交易平台是2000交易系统中的路透社网，每笔的标准交易量最低为100万，但交易经常仅有几十笔。从事外汇债券交易的客户有大约10个，其中有1/3是外国客户。交易市场是出清的，也就是说，在任何交易时点上都可以进行买卖交易，买和卖的数量是平衡的。在外汇债券市场上规定了严格的市场制度，并对交易制定了详细的规则。

根据外汇债券的市场交易规则，买卖价差不能超过0.3%，而最大的交易商可以维持在0.25%的水平上，商用这种办法来保持这些债券的流动性。

二、俄罗斯国家有价证券市场的主要参与者

20世纪下半叶兴起的全球化涉及所有的经济活动，也包括金融市场。金融市场的全球化主要表现为资本市场的开放程度和资本流动的自由程度等。其中，资本市场中非居民的比重是反映资本市场开放的主要指标。在美国国债市场上，非居民的比重为22%，德国为77%。受金融自由化思想的指导以及IMF的压力，俄罗斯的资本市场开放程度很高，如1997年在俄罗斯国家有价证券市场上非居民的比重为30%，在外汇债务市场上为40%。

俄罗斯的银行是短期国债和联邦债券市场上最大的投资者。到2001年初，财政部发行的债券的50%掌握在银行手中，第二大投资者是非居民。根据中央银行的资料，在2001年初，非居民手中的国债为450亿卢布，约占市场的24.6%。其余20-25%的份额为俄罗斯的金融和非金融机构占有。截止到2001年4月，中央银行持有总额为2560亿卢布的联邦债券。

俄罗斯卢布证券市场的特点是债券集中度很高。市场是一个批发市场，大型的银行和金融机构是市场的主体，它们可以操纵市场价格。中小投资者在市场中处于绝对弱势地位，权利和利益无法得到保护。高风险是俄罗斯金融市场的特点之一。1996-1997年投资于短期国债和股票的巨大收益到1998年变成了巨大的损失。

俄罗斯国家有价证券市场的监管主要由财政部、证券委员会和中央银行来完成。由于分工的混乱和利益的争夺，这3家监管机构经常发生激烈冲突。

三、国家有价证券市场的规模和收益结构

在1993年，俄罗斯的国家有价证券市场开始形成，但是直到1995年之前，由于国家预算赤字的缺口主要是靠中央银行多发货币来弥补，所以国内债券市场规模不大。当国家宣布发行国债作为补偿国家预算赤字的主要手段后，国家有价证券市场发生了根本性变化。如果在1994年只有3%的预算赤字是靠发行国债来补偿的，到1995年已经达到60%，1998年依靠短期国债补偿的预算赤字已经达到80%，国债市场规模开始急剧增长。可以说，1999年以前的俄罗斯有价证券市场的核心主体是短期国债。

1992-1998年俄罗斯预算赤字总量达到1.3万亿卢布（1998年价）。从1995年开始，预算赤字开始由发行有价证券来弥补，这导致了国家有价证券市场规模的急剧增大，到1998年达到了最高点。

在危机之前，俄罗斯金融市场上占优势的是12个月偿付期的国家短期无息债券。短期国债的平均收益率成为俄罗斯金融市场最重要的指标。俄罗斯主要金融机构的大部分金融资源都投入到了国家有价证券市场上，主要原因是短期国债的收益率较高，而且投资短期国债的流动性也较好。

金融危机使国家有价证券支付期结构更加不合理，如到2000年末，短期债券的比重不超过1%（在危机之前为31%）。2000年2月16日，在金融危机以后第一次发行2期，总额为50亿卢布，偿付期为196天和98天的短期国债，以后又多次发行。2000年短期国债和联邦债券的交易量缩减到60亿美元，只有1997年的1/25。截止到2000年12月1日，短期国债和联邦债券的债务总量为2297亿卢布，到2001年6月短期国侦和联邦债券的市场规模为1950亿卢布。

金融危机过后，俄罗斯将金融危机以前发行的短期国债和联邦债券中的部分债券的支付期延长。1998年12月12日，俄罗斯政府颁布“关于国家有价证券创新的决定”，并授权俄罗斯财政部将在1999年12月12日到期的短期国债和联邦债券转换成3-5年的国家长期债券（ОФЗ—ФД和ОФЗ—ПД）。

金融危机使短期国债和联邦债券的持有者受到了很大损失。由于1998年8月的国债重组，投资者损失总额达到450亿美元，其中75%的损失落在俄罗斯投资者身上。在1999年，人们对短期国债和联邦债券的兴趣下降，1999年1月28日，在莫斯科银行间外汇交易所进行了重组后的短期国债和联邦债券的新发行。到1999年4月30日，国内短期国债和联邦债券的重组工作结束，总的重组规模达到1733亿卢布。

四、俄罗斯发行国家有价证券的作用

国家的有价证券市场政策与国家预算情况密切相关。1996-1998年俄罗斯的预算赤字在很大程度上是靠发行短期国债来弥补的。短期国债和联邦债券的发行不仅为国家预算筹集了大量的资金，而且也减缓了通货膨胀的压力。可以说，短期国债和联邦债券对经济转轨时期的俄罗斯经济有特殊意义。从1999年开始，俄罗斯的经济开始恢复性增长，国家预算收入开始好转，相应的国家有价证券市场的情况也发生根本性的变化，从金融市场吸收资金变得不是十分迫切。俄罗斯政府提出了用吸收的资金加快偿付内债，以减少内债规模。

国家有价证券的发行市场普遍成为国家预算补偿的主要工具。为了补偿支付缺口，国家需要短期卢布有价证券。在预算的1年框架内，预算的进项与支出在时间上很难一致，由此在预算的收入与支出上存在短期的缺口。与长期债券一样，在西方也发行短期国债，如美国和英国的短期国库券的发行期（偿付期）为91天，日本为60天。短期国债也用来保证商业银行资产的清偿。银行投资于短期国债，这些资产不仅具有较高的流动性，而且可以带来可观的、稳定的收益。