馮振

摘要：對(duì)企業(yè)信用質(zhì)量的判斷，應(yīng)落腳在具體對(duì)象的經(jīng)營情況和財(cái)務(wù)狀況之上，而在財(cái)務(wù)信息有效的前提下，財(cái)務(wù)指標(biāo)的變化應(yīng)能反映主體經(jīng)營的變化。關(guān)注財(cái)務(wù)指標(biāo)的變化，進(jìn)而預(yù)判產(chǎn)業(yè)債主體信用等級(jí)上調(diào)的可能性，博弈等級(jí)上調(diào)引致的信用風(fēng)險(xiǎn)溢價(jià)回落及估值提升，可能獲得超過市場(chǎng)平均的投資回報(bào)。

關(guān)鍵詞：產(chǎn)業(yè)債發(fā)行主體 信用等級(jí) logit模型

理論上，評(píng)級(jí)上調(diào)表明被評(píng)主體信用資質(zhì)改善，在其他條件不變的情況下，信用風(fēng)險(xiǎn)溢價(jià)回落，估值相應(yīng)提高。也就是說，提前判斷信用等級(jí)上調(diào)可能在一定時(shí)間內(nèi)，獲得超過市場(chǎng)平均的回報(bào)。

就評(píng)級(jí)邏輯本身而言，如果單從宏觀經(jīng)濟(jì)、行業(yè)、政策等層面，來判斷某些特定主體信用資質(zhì)未來發(fā)生變動(dòng)的可能性，則針對(duì)性也較弱；以從公開渠道獲取特定主體的信息作為判斷等級(jí)調(diào)整的依據(jù)，則欠缺及時(shí)性，提前預(yù)測(cè)的效果也會(huì)較差。本文認(rèn)為，對(duì)企業(yè)信用質(zhì)量的判斷，應(yīng)在對(duì)宏觀、行業(yè)、政策預(yù)期的基礎(chǔ)上，落腳在具體對(duì)象的經(jīng)營情況和財(cái)務(wù)狀況之上，而在財(cái)務(wù)信息有效的前提下，財(cái)務(wù)指標(biāo)的變化應(yīng)能反映主體經(jīng)營的變化。就此來看，財(cái)務(wù)指標(biāo)的變化應(yīng)該是評(píng)級(jí)公司在上調(diào)被評(píng)主體信用等級(jí)時(shí)的關(guān)注要點(diǎn)。

由于針對(duì)城投債的評(píng)級(jí)邏輯與產(chǎn)業(yè)債有所不同，前者財(cái)務(wù)指標(biāo)的權(quán)重也相對(duì)較低，因此通過財(cái)務(wù)指標(biāo)變動(dòng)來預(yù)判城投主體（及債券）等級(jí)上調(diào)的思路可行性不高。因此，本文聚焦于產(chǎn)業(yè)債主體1，運(yùn)用logit模型，通過計(jì)量檢驗(yàn)來探尋影響產(chǎn)業(yè)債發(fā)債主體評(píng)級(jí)上調(diào)的財(cái)務(wù)指標(biāo)及其變動(dòng)特征，并通過設(shè)置相應(yīng)閾值，對(duì)具有評(píng)級(jí)上調(diào)可能性的主體進(jìn)行分檔，進(jìn)而構(gòu)建相應(yīng)的投資組合，博弈評(píng)級(jí)上調(diào)可能帶來的額外收益，優(yōu)化資產(chǎn)配置，豐富投資策略。

評(píng)級(jí)上調(diào)對(duì)債券估值的影響

以2012年初至2017年三季末期間有信用等級(jí)上調(diào)記錄的產(chǎn)業(yè)債主體發(fā)行的企業(yè)債、公司債、中票為基礎(chǔ)，剔除國外評(píng)級(jí)機(jī)構(gòu)上調(diào)評(píng)級(jí)主體發(fā)行的債券、違約主體發(fā)行的債券、具有外部擔(dān)保的債券，同時(shí)為避免到期或行權(quán)可能引致的利率變動(dòng)，再剔除剩余期限或行權(quán)剩余期限不足180天的債券。

計(jì)算上述樣本券評(píng)級(jí)上調(diào)前后30個(gè)交易日之間投資回報(bào)率的變動(dòng)情況，并分別選取中債新綜合財(cái)富（總值）指數(shù)（以下簡(jiǎn)稱“新綜合指數(shù)”）與中債新高信用等級(jí)財(cái)富（總值）指數(shù)（以下簡(jiǎn)稱“新高信用等級(jí)指數(shù)”）作為業(yè)績(jī)基準(zhǔn)?？傮w來看，樣本組合的平均回報(bào)率超過市場(chǎng)基準(zhǔn)，特別是在評(píng)級(jí)調(diào)整日之后，樣本組合相對(duì)市場(chǎng)的超額回報(bào)體現(xiàn)得更為明顯。

在以新綜合指數(shù)為基準(zhǔn)時(shí)，樣本平均回報(bào)率在觀察區(qū)間內(nèi)任一交易日均超過比較基準(zhǔn)，且從評(píng)級(jí)上調(diào)日開始，樣本組合回報(bào)與業(yè)績(jī)基準(zhǔn)之間的差距被更快地拉大了（見圖1）。

在以新高信用等級(jí)指數(shù)為基準(zhǔn)時(shí)，樣本平均回報(bào)率在評(píng)級(jí)上調(diào)日前6個(gè)交易日左右超過比較基準(zhǔn)，此后與基準(zhǔn)收益率的差距在波動(dòng)中不斷被拉大（見圖2）。

可見，主體評(píng)級(jí)上調(diào)對(duì)債券的估值具有一定的拉動(dòng)作用，配置此類債券可能獲得超過市場(chǎng)平均水平的回報(bào)。

指標(biāo)選擇、數(shù)據(jù)處理與計(jì)量檢驗(yàn)

經(jīng)營情況與評(píng)級(jí)高低密切相關(guān)，財(cái)務(wù)指標(biāo)的變化應(yīng)能反映主體經(jīng)營的變化。在眾多財(cái)務(wù)指標(biāo)之中，能否抓住評(píng)級(jí)公司的主要關(guān)注點(diǎn)是提高預(yù)判準(zhǔn)確率的關(guān)鍵。本文運(yùn)用logit模型，通過計(jì)量檢驗(yàn)對(duì)此問題進(jìn)行探究。

（一）樣本選擇

以2012—2016年間有存續(xù)債券的產(chǎn)業(yè)債主體為樣本。為提高數(shù)據(jù)采集的便利性，在樣本期間內(nèi)有信用評(píng)級(jí)上調(diào)（包括等級(jí)和展望）的主體，僅保留每年4—7月評(píng)級(jí)上調(diào)主體2，同時(shí)剔除2016年之前等級(jí)為AAA的主體3、樣本期內(nèi)有評(píng)級(jí)缺失的主體、樣本期內(nèi)主要評(píng)級(jí)機(jī)構(gòu)發(fā)生變更的主體、等級(jí)調(diào)整由國外評(píng)級(jí)機(jī)構(gòu)做出的主體、發(fā)生過債券違約的主體以及財(cái)務(wù)數(shù)據(jù)缺失主體。最終篩選出符合樣本選擇要求的主體446個(gè)，其中152個(gè)主體在樣本期間內(nèi)發(fā)生評(píng)級(jí)上調(diào)合計(jì)168次。在回歸過程中，去掉100個(gè)在樣本期內(nèi)沒有發(fā)生評(píng)級(jí)上調(diào)的主體用于樣本外檢驗(yàn)，同時(shí)減少樣本數(shù)量也使兩類主體（上調(diào)/未上調(diào)）的比例更為均衡。

（二）指標(biāo)篩選

我們首先大量查閱評(píng)級(jí)公司的信用評(píng)級(jí)報(bào)告，來篩選各評(píng)級(jí)公司主要關(guān)注的財(cái)務(wù)指標(biāo)。

評(píng)級(jí)報(bào)告反映出各評(píng)級(jí)機(jī)構(gòu)關(guān)注的財(cái)務(wù)指標(biāo)存在差異，但是多有重合。為擴(kuò)大覆蓋的指標(biāo)范圍，避免錯(cuò)漏關(guān)鍵財(cái)務(wù)指標(biāo)，除被較多關(guān)注的指標(biāo)，少數(shù)評(píng)級(jí)機(jī)構(gòu)關(guān)注但可能較為關(guān)鍵的指標(biāo)同樣予以保留，最終篩選出24個(gè)財(cái)務(wù)指標(biāo)。將這些財(cái)務(wù)指標(biāo)按盈利能力類別、償債能力類別、成長(zhǎng)能力類別、周轉(zhuǎn)能力類別進(jìn)一步歸類。其中，盈利能力類涵蓋銷售毛利率、凈資產(chǎn)收益率等4個(gè)指標(biāo)；償債能力類涵蓋資產(chǎn)負(fù)債率、流動(dòng)比率、EBITDA利息倍數(shù)等8個(gè)指標(biāo)；成長(zhǎng)能力類涵蓋總資產(chǎn)增長(zhǎng)率、凈資產(chǎn)增長(zhǎng)率、凈利潤(rùn)增長(zhǎng)率等9個(gè)指標(biāo)；周轉(zhuǎn)能力類涵蓋存貨周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率3個(gè)指標(biāo)。

（三）變量設(shè)定

對(duì)于二元logit模型，其可取值的范圍為0和1，因此我們可以樣本主體是否發(fā)生評(píng)級(jí)上調(diào)為被解釋變量。定義被解釋變量為Yit：Yit=1代表第i個(gè)主體在第t期時(shí)信用等級(jí)（級(jí)別或展望）被上調(diào)，Yit=0代表第i個(gè)主體在第t期時(shí)信用等級(jí)沒有被上調(diào)（不變或下調(diào)）。

我們以篩選出的財(cái)務(wù)指標(biāo)變化量為解釋變量。之所以以變化量為解釋變量，是因?yàn)槿绻峭獠織l件改善或經(jīng)營好轉(zhuǎn)等導(dǎo)致的評(píng)級(jí)上調(diào)，則其財(cái)務(wù)指標(biāo)應(yīng)較前期保持原評(píng)級(jí)時(shí)出現(xiàn)一定的改善，或者說企業(yè)目前的財(cái)務(wù)表現(xiàn)，在某種程度上超過被賦予原等級(jí)時(shí)的表現(xiàn)。

為了控制可能影響評(píng)級(jí)調(diào)整的行業(yè)及企業(yè)自身因素，降低評(píng)級(jí)機(jī)構(gòu)對(duì)某些類型企業(yè)的特殊偏好可能對(duì)估計(jì)結(jié)果的干擾，我們選擇企業(yè)屬性、企業(yè)凈資產(chǎn)規(guī)模、企業(yè)所屬行業(yè)產(chǎn)出增速、三年內(nèi)是否有評(píng)級(jí)調(diào)整以及特定樣本期前一年度末主體評(píng)級(jí)作為控制變量。

（四）數(shù)據(jù)處理

由于我們選擇的控制組樣本是每年4—7月評(píng)級(jí)上調(diào)主體，一般情況下，此時(shí)被評(píng)主體已公布上年度年報(bào)和本年度一季報(bào)，可選擇這兩期報(bào)告公布的財(cái)務(wù)數(shù)據(jù)進(jìn)行分析（若未公布一季報(bào)，則主要采取上年度年報(bào)的相關(guān)數(shù)據(jù)）。

考慮到使用的是指標(biāo)變化量為解釋變量，對(duì)于一季報(bào)相關(guān)數(shù)據(jù)，需要選擇是與上年同期還是與上年度末的數(shù)據(jù)比較。通過對(duì)外部跟蹤評(píng)級(jí)報(bào)告的分析研究，結(jié)合對(duì)企業(yè)經(jīng)營流程所應(yīng)具有的基本判斷，我們提出如下的數(shù)據(jù)處理方式：流量指標(biāo)，如利潤(rùn)、收入等，應(yīng)與上年同期進(jìn)行比較，以去除經(jīng)營時(shí)間差異和季節(jié)性影響；存量指標(biāo)，如資產(chǎn)、負(fù)債、所有者權(quán)益等，其變化是在已有存量的基礎(chǔ)之上產(chǎn)生的，因此可以與上年度末數(shù)據(jù)進(jìn)行比較，以反映出企業(yè)財(cái)務(wù)情況的近期表現(xiàn)。對(duì)于比例形式存在的指標(biāo)，則分別觀察分子與分母指標(biāo)的類型：流量/流量指標(biāo)，與上年同期進(jìn)行比較，去除季節(jié)性影響；流量/存量指標(biāo)，與上年同期進(jìn)行比較；存量/存量指標(biāo)，與上年度末數(shù)據(jù)進(jìn)行比較，考察其近期變動(dòng)情況。

對(duì)于每一個(gè)解釋變量，分別計(jì)算樣本當(dāng)期年報(bào)數(shù)據(jù)變化量和一季報(bào)數(shù)據(jù)變化量，平均賦權(quán)后取其加權(quán)值為該解釋變量當(dāng)期值，若樣本主體未發(fā)布一季報(bào)，則以年報(bào)數(shù)據(jù)變化量作為該解釋變量當(dāng)期值。

在處理數(shù)據(jù)過程中，我們比較了評(píng)級(jí)上調(diào)主體的等級(jí)調(diào)整日期與一季報(bào)發(fā)布日期，同時(shí)查閱了部分主體的跟蹤評(píng)級(jí)報(bào)告。若在等級(jí)調(diào)整時(shí)，樣本主體尚未發(fā)布一季報(bào)，或評(píng)級(jí)機(jī)構(gòu)未采用季度報(bào)告，則僅取其年報(bào)數(shù)據(jù)，無論其后是否發(fā)布當(dāng)期一季報(bào)。

在進(jìn)行計(jì)量檢驗(yàn)之前，還需要剔除數(shù)據(jù)集中的異常值，并統(tǒng)一數(shù)據(jù)量綱。我們將與平均值的偏差超過三倍標(biāo)準(zhǔn)差的樣本值視為異常值。對(duì)每一個(gè)指標(biāo)，在每一樣本期，若某數(shù)值超過正常值范圍，則該數(shù)值以邊界值進(jìn)行替換。由于所用指標(biāo)均為比例形式或同比形式，將量綱統(tǒng)一為百分比（見表1）。

（五）模型構(gòu)建

除logit模型外，另一個(gè)經(jīng)常被使用的二值選擇模型是probit模型。在實(shí)際應(yīng)用中，logit模型有兩個(gè)較為明顯的優(yōu)勢(shì)：一是probit模型假設(shè)的標(biāo)準(zhǔn)正態(tài)分布是量化積分，與之相比logit模型中l(wèi)ogistic分布等式更為簡(jiǎn)潔（錢水土等，2016）；二是logit更易于解釋（Kliestik et al.， 2015）。

Tseng和Hu（2010）指出，logit 模型作為基于概率理論的統(tǒng)計(jì)學(xué)意義上的方法，對(duì)樣本數(shù)有較高的要求，需有較多的觀測(cè)數(shù)。為擴(kuò)充觀測(cè)值，本文采用了面板類型數(shù)據(jù)來實(shí)證評(píng)估影響產(chǎn)業(yè)債主體信用等級(jí)上調(diào)的指標(biāo)表現(xiàn)。

假設(shè)在第t期，對(duì)樣本內(nèi)某一主體i，存在一個(gè)不可觀測(cè)的潛變量，用于描繪被評(píng)主體i在該期的評(píng)級(jí)上調(diào)情況，等級(jí)上調(diào)情況可由下式刻畫：

（1）

（1）式中，N為樣本主體個(gè)數(shù)，T為時(shí)間長(zhǎng)度；Xit是l維解釋變量，用來描述第i個(gè)主體在第t期的各財(cái)務(wù)指標(biāo)變化； Zit是m維控制變量，用來描述第i個(gè)主體在第t期的可控可觀測(cè)特征。μi為不可觀測(cè)的個(gè)體效應(yīng)，用于反映不同主體的個(gè)體異質(zhì)性，包括混合效應(yīng)、固定效應(yīng)和隨機(jī)效應(yīng)4。若不存在個(gè)體效應(yīng)，μi=a（常數(shù)），（1）式為混合模型；若μi隨著主體的不同而變化，則（1）式為固定效應(yīng)模型；若μi為隨機(jī)變量，則（1）式為隨機(jī)效應(yīng)模型。

之前我們令Yit為取值為0或1的二值選擇變量， 與 的關(guān)系如下：

（2）

部分研究設(shè)定臨界值r=0，以 與0的比值大?。▽?shí)際上是 的擬合值 ）來判斷 可能為0還是1，即：

（3）

由于我們采用logit模型，假定隨機(jī)項(xiàng) 服從的是logistic分布，此時(shí)有：

（4）

進(jìn)而有：

（5）

因此，設(shè)定0為閾值，實(shí)際上是認(rèn)為當(dāng)Yit=1的概率大于0.5時(shí)特定情況會(huì)出現(xiàn)，當(dāng)概率小于0.5時(shí)特定情況不會(huì)出現(xiàn)。但是這種判別方法不免有些武斷，同時(shí)可能影響模型的識(shí)別效果，特別是在某種情況出現(xiàn)的影響因素還包括定性因素時(shí)，定量因素所指示的發(fā)生概率即使在不足0.5時(shí)特定情形也有較大可能出現(xiàn)。本文并不預(yù)先人為設(shè)定一個(gè)判別閾值，而是根據(jù)估計(jì)結(jié)果結(jié)合我們的分析目的來進(jìn)行選擇。

（六）實(shí)證分析

在數(shù)據(jù)處理時(shí)，我們計(jì)算了原數(shù)據(jù)的增長(zhǎng)或變動(dòng)情況，且樣本時(shí)間跨度較短（5期），因此可以認(rèn)為樣本數(shù)據(jù)是平穩(wěn)的。

解釋變量均為財(cái)務(wù)數(shù)據(jù)，各個(gè)財(cái)務(wù)指標(biāo)之間可能因?yàn)橄嗤姆肿踊蚍帜?，較容易產(chǎn)生共線性。因此，計(jì)量前需要進(jìn)行共線性檢驗(yàn)。我們采用方差膨脹因子（VIF）方法。檢驗(yàn)結(jié)果顯示，總負(fù)債增長(zhǎng)率的方差膨脹因子大于10，同時(shí)，多個(gè)變量的方差膨脹因子超過5，表明變量中存在較為明顯的多重共線性，需要采取措施加以克服。

根據(jù)計(jì)量模型構(gòu)建原理，模型中的解釋變量過多或過少都可能對(duì)模型的預(yù)測(cè)效果造成不良影響，因此在建立模型之前有必要對(duì)指標(biāo)進(jìn)行篩選，選出可用于預(yù)測(cè)主體信用評(píng)級(jí)上調(diào)的關(guān)鍵性指標(biāo)。為了提高指標(biāo)篩選的科學(xué)性、客觀性，同時(shí)有效消除多重共線性、選取“最優(yōu)”回歸方程，我們選擇逐步回歸的方法來構(gòu)建模型，選取最直接有效的影響變量。

變量選擇的標(biāo)準(zhǔn)有三條：是否統(tǒng)計(jì)顯著、是否有明確合理的經(jīng)濟(jì)學(xué)意義、變量納入后是否能較為顯著地提高模型的解釋力度。如果一個(gè)有經(jīng)濟(jì)學(xué)意義且統(tǒng)計(jì)顯著的變量納入后，使得原先某個(gè)有經(jīng)濟(jì)學(xué)意義且統(tǒng)計(jì)顯著的變量變得不再顯著，則分別將這兩個(gè)變量納入模型之中，選擇使模型解釋力度更高的變量。

經(jīng)過數(shù)輪篩選后，最終進(jìn)入模型的解釋變量有：凈資產(chǎn)收益率、資產(chǎn)負(fù)債率、EBITDA利息倍數(shù)、總資產(chǎn)增長(zhǎng)率、凈利潤(rùn)增長(zhǎng)率、總資產(chǎn)周轉(zhuǎn)率；進(jìn)入模型的控制變量包括：近三年是否被下調(diào)評(píng)級(jí)、行業(yè)產(chǎn)出加權(quán)平均增速、上年末凈資產(chǎn)規(guī)模、是否AA評(píng)級(jí)、是否AA+及以上評(píng)級(jí)。

對(duì)篩選出的解釋變量和控制變量再次進(jìn)行VIF檢驗(yàn)，方差膨脹因子最高的變量也沒有超過2.5，較好地克服了變量之間的多重共線性。

對(duì)于面板logit模型，如果采用控制不隨時(shí)間變化變量的固定效應(yīng)模型進(jìn)行估計(jì)，許多樣本會(huì)被直接剔除，嚴(yán)重影響自由度并減少了用于估計(jì)的樣本數(shù)量，干擾系數(shù)估計(jì)的準(zhǔn)確性。因此，我們舍棄固定效應(yīng)模型，在混合模型與隨機(jī)效應(yīng)模型之間進(jìn)行選擇。

通過BP_LM檢驗(yàn)來判斷混合模型與隨機(jī)效應(yīng)模型的適用性。根據(jù)表2中的檢驗(yàn)結(jié)果可知，應(yīng)選擇混合模型進(jìn)行計(jì)量。

混合模型的計(jì)量估計(jì)結(jié)果（見表3）顯示，除常數(shù)項(xiàng)外，其他所有變量的回歸系數(shù)都是顯著的。

行業(yè)產(chǎn)出增速的符號(hào)為負(fù)且顯著，這似乎與直覺不符。導(dǎo)致該變量估計(jì)系數(shù)為負(fù)的可能原因有兩個(gè)：一是本文使用的產(chǎn)出增速數(shù)據(jù)在對(duì)行業(yè)進(jìn)行分類時(shí)所覆蓋的行業(yè)不全，且分類也不細(xì)致，部分未覆蓋行業(yè)統(tǒng)一歸為“其他”行業(yè)之中，可能影響到數(shù)據(jù)的代表性和準(zhǔn)確性。二是樣本區(qū)間跨越5年，且采用3年的平均數(shù)據(jù)，一些行業(yè)受產(chǎn)能或政策周期影響，產(chǎn)出增速變動(dòng)幅度較大。另外，在經(jīng)濟(jì)增速換擋的過程中，行業(yè)產(chǎn)出增速也存在下行的動(dòng)力，如果考慮到在行業(yè)整體增長(zhǎng)趨緩的環(huán)境下，行業(yè)內(nèi)企業(yè)經(jīng)營改善從而評(píng)級(jí)上調(diào)的難度應(yīng)當(dāng)更大這一點(diǎn)的話，行業(yè)產(chǎn)出增速的估計(jì)系數(shù)為負(fù)具有一定的合理性。

當(dāng)將樣本量加以縮減或者將樣本期限適當(dāng)縮短時(shí)，僅有總資產(chǎn)周轉(zhuǎn)率的估計(jì)結(jié)果變得略微不顯著，其他變量的顯著性水平不改變，且所有變量的符號(hào)沒有任何變化，說明表3中的估計(jì)結(jié)果是較為穩(wěn)健的。

圖3是預(yù)測(cè)模型的ROC曲線及AUC值，ROC曲線覆蓋的區(qū)域面積越大（即AUC值越大），表明模型分類效果越好。本模型的AUC值為80.09%，表明模型有較好的預(yù)測(cè)準(zhǔn)確率。

閾值的選取

上文中提到，如果簡(jiǎn)單以0.5作為選擇分類的標(biāo)準(zhǔn)，可能做出較為武斷的結(jié)論并限制模型的預(yù)測(cè)效果。如以0.5為（唯一）閾值，則全部樣本的分類正確率為88.5%，準(zhǔn)確篩選出評(píng)級(jí)上調(diào)主體32個(gè)，占比19%。如果目的是盡可能使提示出的主體中涵蓋更多的實(shí)際上調(diào)主體，0.5的閾值選擇方式可能就不夠有效。因此，將結(jié)合模型識(shí)別需要及樣本特點(diǎn)來選擇分類閾值。同時(shí)，并不僅設(shè)定單一閾值，而是根據(jù)分析的目的確定三個(gè)閾值，以滿足不同的篩選需要。

（一）第一類別閾值

第一類閾值為最低標(biāo)準(zhǔn)，目的是提高模型整體的識(shí)別效果，即這一閾值可以盡可能地將等級(jí)上調(diào)樣本和未上調(diào)樣本區(qū)別開來。

將等級(jí)上調(diào)樣本從全部樣本中取出，形成一個(gè)集合，定義為Y1，其他樣本的集合定義為Y0。注意Y1不是上調(diào)主體的集合，如果在t期主體i信用等級(jí)被上調(diào)，則進(jìn)入Y1的是在t期的主體i這個(gè)樣本而不是主體i。

圖4是兩類樣本集合預(yù)測(cè)值（ ）的概率密度分布。從圖中的分布情況直觀判斷，第一類閾值應(yīng)該位于0.2～0.4之間。

我們利用窮舉法去搜索閾值。搜索結(jié)果顯示，將第一類別閾值定為0.22，可以最好地實(shí)現(xiàn)目標(biāo)。此時(shí)，全部上調(diào)樣本的66.67%在閾值右側(cè)，全部未上調(diào)樣本的79.32%在閾值左側(cè)。

（二）第二類別閾值

本研究的最終目的，是從預(yù)估主體評(píng)級(jí)上調(diào)的角度，博取評(píng)級(jí)實(shí)際上調(diào)后可能帶來的超額收益，進(jìn)而優(yōu)化投資組合。那么，使篩選出的主體中，盡可能多的涵蓋事后實(shí)際發(fā)生評(píng)級(jí)上調(diào)的主體，是更為重要的目標(biāo)。

從圖4中可以看出，Y1集合分布的右尾較Y0集合覆蓋的范圍更廣，若將閾值設(shè)定為一個(gè)比較大的數(shù)值，則可能使篩選出的主體中實(shí)際被上調(diào)的主體占比最大。但若選定一個(gè)較高的值，則即使可以達(dá)到目標(biāo)，可供選擇的范圍也可能較窄，不利于組合配置的多樣化。因此，將剩余區(qū)間劃分為（0.22，0.75]與（0.75，1]兩段，在兩個(gè)區(qū)間中分別選擇能夠使篩選出的主體中實(shí)際等級(jí)上調(diào)主體占比最多的閾值。

通過窮舉法在（0.22，0.75]區(qū)間內(nèi)進(jìn)行搜索，最終選擇0.71作為第二類別閾值。此時(shí)，只有8.93%的上調(diào)樣本被識(shí)別，但在該閾值篩選標(biāo)準(zhǔn)下，被認(rèn)為有上調(diào)可能的樣本中，51.72%實(shí)際出現(xiàn)等級(jí)上調(diào)。

（三）第三類別閾值

按照上述思路，在（0.75，1]區(qū)間內(nèi)進(jìn)行搜索，最終選擇0.94作為第三類別閾值。雖然在此閾值篩選標(biāo)準(zhǔn)下，只有4.17%的上調(diào)樣本被識(shí)別，但篩選出的可能上調(diào)樣本100%出現(xiàn)過等級(jí)上調(diào)。該閾值使篩選出的主體中實(shí)際會(huì)被上調(diào)主體的占比盡可能多。

效果評(píng)估

在篩選出用于模型構(gòu)建的全部樣本中，留出了100個(gè)無等級(jí)上調(diào)記錄的主體，共計(jì)500個(gè)樣本。在三類閾值標(biāo)準(zhǔn)下，模型給出的預(yù)測(cè)結(jié)果顯示，在這500個(gè)樣本中分別有169個(gè)、8個(gè)和2個(gè)識(shí)別出現(xiàn)失誤，占比分別為33.8%、1.6%和0.4%。

再以2017年的數(shù)據(jù)來檢驗(yàn)?zāi)Ｐ蛯?shí)現(xiàn)投資目標(biāo)的效果。

篩選符合標(biāo)準(zhǔn)的產(chǎn)業(yè)債主體共計(jì)1301個(gè)5，整理模型變量對(duì)應(yīng)的2016年報(bào)和2017年一季報(bào)數(shù)據(jù)，按上文方法處理數(shù)據(jù)用于模型預(yù)測(cè)值的計(jì)算。全部樣本預(yù)測(cè)值的概率密度分布見圖5。

在第一類別閾值0.22標(biāo)準(zhǔn)下，我們選出445個(gè)可能上調(diào)主體，其中有122個(gè)主體在2017年4月至7月間信用等級(jí)發(fā)生上調(diào)，命中率27.42%。

在第二類別閾值0.71標(biāo)準(zhǔn)下，我們選出64個(gè)可能上調(diào)主體，其中有25個(gè)主體在2017年4月至7月間信用等級(jí)發(fā)生上調(diào)，命中率39.06%。

在第三類別閾值0.94標(biāo)準(zhǔn)下，我們選出22個(gè)可能上調(diào)主體，其中有11個(gè)主體在2017年4月至7月間信用等級(jí)發(fā)生上調(diào)，命中率50%。

該模型對(duì)8月份之后的評(píng)級(jí)上調(diào)主體也有一定的識(shí)別作用。8—12月共有36個(gè)產(chǎn)業(yè)債主體信用等級(jí)上調(diào)，本模型能夠識(shí)別其中9個(gè)（其中有14個(gè)不在樣本范圍內(nèi)）。這也從側(cè)面說明，經(jīng)營主體在短期內(nèi)的經(jīng)營情況具有一定的延續(xù)性，同時(shí)評(píng)級(jí)機(jī)構(gòu)在上調(diào)主體評(píng)級(jí)時(shí)，考察的邏輯具有一致性。如果使用年報(bào)和二季度數(shù)據(jù)測(cè)算，則可識(shí)別其中的7個(gè)。由于7月份之后等級(jí)上調(diào)主體相對(duì)較少，這一策略的有效性將大打折扣。

投資組合構(gòu)建與回測(cè)

假設(shè)現(xiàn)在處于2017年二季度，我們通過本模型的預(yù)測(cè)結(jié)果來構(gòu)建投資組合，測(cè)試模型在實(shí)際中的運(yùn)行效果。

對(duì)于可選標(biāo)的范圍的確定，根據(jù)我們2017年3月31日發(fā)布的《2017年信用債市場(chǎng)第二季度報(bào)告》所提出的高評(píng)級(jí)短久期配置建議，選擇發(fā)債主體在AA及以上，久期小于3的信用債。

在篩選時(shí)，我們根據(jù)模型給出的預(yù)測(cè)值從大到小對(duì)各主體加以排序，之后自上而下選擇符合投資標(biāo)準(zhǔn)的債券標(biāo)的。在此過程中，我們忽略發(fā)債主體和債項(xiàng)的具體名稱，以嚴(yán)格確保不會(huì)刻意選擇已知在測(cè)試期間內(nèi)被上調(diào)等級(jí)主體發(fā)行的信用債。

挑選如表5所示10只債券構(gòu)建投資組合，為計(jì)算簡(jiǎn)便，假設(shè)每只債的購買數(shù)量為一個(gè)單位。經(jīng)事后驗(yàn)證，其中的5只債券對(duì)應(yīng)發(fā)行人在測(cè)試期間確實(shí)發(fā)生過等級(jí)上調(diào)。

由于在4月底時(shí)基本上可以獲得多數(shù)發(fā)債主體的年報(bào)和一季報(bào)數(shù)據(jù)，首先嘗試在5月第一個(gè)交易日，即5月3日構(gòu)建上述組合。該組合如果一直持有至12月15日，這期間總回報(bào)率為3.26%（非年化，以中債估值計(jì)算；未考慮沖擊成本、杠桿及利息再投資等因素，下同）。同期，新綜合指數(shù)收益率為1.1%，新高信用等級(jí)指數(shù)收益率為1.97%，模擬組合收益明顯高于業(yè)績(jī)基準(zhǔn)。

考慮到從3月開始，既有主體開始披露年報(bào)數(shù)據(jù)，且計(jì)算模型在只有年報(bào)數(shù)據(jù)的情況下同樣可以進(jìn)行處理，因此嘗試從4月份開始構(gòu)建組合。這樣，模擬區(qū)間是2017年4月1日至12月15日，模擬組合回報(bào)率為3.26%。同期，新綜合指數(shù)收益率為0.47%，新高信用等級(jí)指數(shù)收益率為1.46%，模擬組合依然明顯優(yōu)于業(yè)績(jī)基準(zhǔn)。

在挑選標(biāo)的時(shí)，我們沒有去刻意在意構(gòu)建組合時(shí)點(diǎn)標(biāo)的券的到期收益率，如果將此納入考慮，這個(gè)組合的回報(bào)率還可能會(huì)更高。6

另一種相對(duì)較為激進(jìn)的配置方法是，當(dāng)有債券在持有期出現(xiàn)等級(jí)上調(diào)時(shí)，繼續(xù)持有該債券一段時(shí)期（如10個(gè)交易日）后售出，再配置其他可能被上調(diào)主體發(fā)行的債券，多次博弈信用等級(jí)上調(diào)帶來的估值提升。

仍以上述模擬組合為例，其中有5只涉及主體上調(diào)的信用債，在對(duì)應(yīng)主體等級(jí)上調(diào)后10個(gè)工作日售出該債券，同時(shí)購入備選債券。為計(jì)算簡(jiǎn)便，假設(shè)備選債券的發(fā)行主體在期間內(nèi)未出現(xiàn)等級(jí)上調(diào)。此時(shí)，這種模擬投資方法在4月1日至12月15日期間的回報(bào)率為2.92%，依然明顯跑贏業(yè)績(jī)基準(zhǔn)。這種通過換手來博取更多主體等級(jí)上調(diào)帶來超額收益的策略，在模擬中不如一直持有的組合收益率高。這種情況出現(xiàn)的一個(gè)可能原因是，當(dāng)模擬組合中的債券需要調(diào)整時(shí)，許多優(yōu)質(zhì)標(biāo)的對(duì)應(yīng)的主體已發(fā)生過等級(jí)上調(diào)，從而被排除在備選范圍之外。另外，增加換手次數(shù)會(huì)帶來額外的沖擊成本，需要將此納入考慮。

投資建議

上述方法可以為信用債標(biāo)的選擇提供參考，或者優(yōu)化已有投資組合，在獲取票息收入的同時(shí)，有針對(duì)性地博弈估值提高帶來的額外收益。雖然持有至到期策略在一定程度上可以忽略債券價(jià)格的波動(dòng)，但是在凈值型產(chǎn)品的配置中，估值的抬升將會(huì)提高配置組合的單位凈值。由于不同投資機(jī)構(gòu)具有不同的投資風(fēng)格和投資策略，這使得可選擇的債券范圍不同，進(jìn)而使選定的投資組合也會(huì)有較大差異。因此，這一方法更適合作為一種輔助型策略，即在債券配置的整體思路確定后，在具體配置信用品種時(shí)應(yīng)用，以進(jìn)一步優(yōu)化投資組合。而具體的操作模式應(yīng)根據(jù)實(shí)際情況靈活調(diào)整。另外需要提示的是，有等級(jí)上調(diào)可能性不代表完全沒有信用風(fēng)險(xiǎn)，特別是存在財(cái)務(wù)數(shù)據(jù)不夠真實(shí)的情況時(shí)，這種策略不應(yīng)作為控制風(fēng)險(xiǎn)的替代方法。

注1.所發(fā)債券不屬于中債城投債收益率曲線樣本券的主體。

2.每年6、7月份的評(píng)級(jí)調(diào)整較為集中，選擇這個(gè)時(shí)間段一是可以盡可能使用不同主體的同期數(shù)據(jù)，二是評(píng)級(jí)上調(diào)的樣本較大。

3.若在樣本期間等級(jí)為AAA/穩(wěn)定，則該主體無論有怎樣的經(jīng)營和財(cái)務(wù)表現(xiàn)，信用等級(jí)均無法再次上調(diào)。即使主體樣本評(píng)級(jí)為AAA/負(fù)面，但若在樣本期內(nèi)等級(jí)上調(diào)至AAA/穩(wěn)定，則下一期內(nèi)無等級(jí)進(jìn)一步上調(diào)的空間，這會(huì)影響最終估計(jì)的準(zhǔn)確性和有效性。為避免這一情況的出現(xiàn)，同時(shí)節(jié)省樣本篩選所需要的時(shí)間成本，直接將2016年之前評(píng)級(jí)為AAA的主體剔除。

4.這里假設(shè)不存在時(shí)間固定效應(yīng)和時(shí)間隨機(jī)效應(yīng)。

5.預(yù)測(cè)模型所需變量較初始構(gòu)建模型時(shí)大為減少，因此由于數(shù)據(jù)缺失被剔除的主體明顯減少。

6.在最初測(cè)試模型效果時(shí)，筆者曾將測(cè)試起點(diǎn)待選券的到期收益率作為選擇標(biāo)準(zhǔn)，同時(shí)略微放開了久期限制，模擬組合的收益率比本文中組合的收益率高大約40%。