柳瑩

摘要：本文通過債券交易價格數(shù)據(jù)構(gòu)建我國產(chǎn)業(yè)債發(fā)行主體的隱含評級時間序列，基于隱含評級的角度對我國產(chǎn)業(yè)債市場信用狀況進行全面分析，并利用Logistic判別方法篩選出違約率較高的發(fā)行主體，為有效識別和預警債券市場風險提供參考。

關鍵詞：隱含評級??產(chǎn)業(yè)債??信用風險??Logistic回歸

近幾年我國經(jīng)濟增速放緩，債券市場信用風險開始釋放。鑒于今后一段時間內(nèi)我國信用債市場仍將處在風險易發(fā)、高發(fā)期，有效的債券市場信用風險研究與預警將非常重要。

隱含評級的構(gòu)建

隱含評級是根據(jù)債券市場交易價格倒推出其信用評級，認為債券的市場價格涵蓋了債券的信用風險，隱含著市場對債券主體的信用評價，因此可以利用價格信息反映債券主體的相對信用風險。

（一）樣本數(shù)據(jù)的選取

本文以產(chǎn)業(yè)債為研究對象，將產(chǎn)業(yè)債的月度平均到期年收益率作為反映債券市場價格的指標。由于是結(jié)合中債中短期票據(jù)和企業(yè)債收益率曲線作為參照標準進行倒推，所以選擇剩余期限在0～10年、平均到期年收益率在0～30%的超短期融資券、短期融資券、中期票據(jù)、企業(yè)債四類債券交易數(shù)據(jù)，期限為2014年9月至2018年4月，涵蓋發(fā)行主體2468家、債券12891只、債券交易記錄112417條。數(shù)據(jù)來源于中國人民銀行債券統(tǒng)計監(jiān)測系統(tǒng)。

（二）主要步驟

構(gòu)建單只債券隱含評級。為每一只債券匹配相同債券品種、相同交易日期、相同剩余期限的收益率曲線，選擇該債券最接近的收益率曲線評級為此債券的隱含評級。其中，對于剩余期限在0～10年的不同債券到期收益率進行線性插值處理。

構(gòu)建隱含評級評分體系。建立如表1所示的發(fā)行主體、發(fā)行債券的同一評分標準。由于企業(yè)償債能力更多依靠發(fā)行主體的實力，本文將債券的隱含評級級別定義為發(fā)行人的隱含評級。

構(gòu)建單個發(fā)行主體隱含評級時間序列。按照時間順序，構(gòu)建出每只債券隱含評級時間序列，當同一發(fā)行主體在同一時間有多只債券交易并得到不同隱含評級時，取各只債券隱含評級分數(shù)的最大值作為發(fā)行主體的隱含評級得分。

隱含評級視角下我國產(chǎn)業(yè)債信用狀況

以下本文將對全部產(chǎn)業(yè)債樣本企業(yè)的隱含評級和外部評級情況進行梳理，并據(jù)此對我國產(chǎn)業(yè)債發(fā)債主體的信用狀況進行分析。

（一）我國產(chǎn)業(yè)債整體信用狀況

我國信用債主體隱含評級分布明顯低于外部評級分布。我國產(chǎn)業(yè)債大部分發(fā)行主體隱含評級集中在AA+、AA、AA-和A+四類，合計占比為79.4%，而我國發(fā)債企業(yè)的外部評級主要集中在AAA、AA+、AA、AA-四個等級，分布相對集中，合計占比為97.8%。其中，隱含評級明顯低于外部評級（評級分數(shù)差值≥2）的企業(yè)數(shù)量為973個，占企業(yè)總數(shù)的39.4%，存在外部評級高估的現(xiàn)象（見圖1）。

（二）我國產(chǎn)業(yè)債的信用狀況

從行業(yè)來看，采礦業(yè)、金融業(yè)、建筑業(yè)隱含評級與外部評級偏離度較高，行業(yè)平均評級分數(shù)差值均接近于2.0分。其中，采礦業(yè)和建筑業(yè)的隱含評級分數(shù)最高，分別達到了5.8分和5.7分，接近于A+級別，風險相對較高（見圖2）。

從地區(qū)來看，東北地區(qū)、西南地區(qū)和華北地區(qū)的隱含評級與外部評級偏離度相對偏高，其中吉林省、重慶市、內(nèi)蒙古自治區(qū)分別為該地區(qū)中偏離度最高的，平均評級分數(shù)差值均接近于2.5分。東北地區(qū)、西南地區(qū)和西北地區(qū)的隱含評級分數(shù)最高，平均分數(shù)達到5.5分以上，其中吉林省、重慶市和甘肅省的隱含評級得分分別為6.4分、6.2分和6.4分，屬于風險偏高的地區(qū)（見圖3）。

從發(fā)債主體的經(jīng)濟成分來看，外商絕對控股企業(yè)的評級偏離度接近3.0分。外商相對控股、外商絕對控股以及私人絕對控股企業(yè)的平均隱含評級得分接近6分，風險相對高于其他經(jīng)濟成分企業(yè)（見圖4）。

• 違約債券主體信用狀況

截至2018年6月末，我國銀行間債券市場共有27家企業(yè)、96只債券發(fā)生違約，本文的樣本中包含其中25家違約企業(yè)的交易信息。

違約主體的隱含評級偏離度和隱含評級分數(shù)均呈現(xiàn)較高水平，25家違約企業(yè)隱含評級平均較發(fā)行時外部評級下降了3個級別，且違約企業(yè)的平均隱含評級分數(shù)為7.3分，即平均信用評級低于A級。

隱含評級調(diào)整時間領先于外部評級調(diào)整時間，有16家企業(yè)違約主體的隱含評級在外部評級下調(diào)之前出現(xiàn)了明顯變動趨勢，提前時間平均為11個月，而受到樣本交易數(shù)據(jù)期限短、交易數(shù)據(jù)頻度低等因素限制，有9家主體隱含評級未能及時變動，滯后于外部評級變動時間。此外，有22家違約主體的隱含評級在債券違約之前發(fā)生明顯下調(diào)，平均提前時間為11.5個月。

基于Logistic模型的違約風險企業(yè)預測

在隱含評級數(shù)據(jù)基礎上，本文利用logistic判別分析方法篩選出違約風險較大的企業(yè)，這部分企業(yè)發(fā)行的債券未來屬于風險較高的債券，應予以重點關注。

（一）Logistic回歸模型介紹

（二）樣本數(shù)據(jù)選取

本文選取125家債券已到期但未違約的企業(yè)主體作為正常企業(yè)，將25家違約企業(yè)作為風險企業(yè)，將兩組企業(yè)主體隱含評級分數(shù)、隱含評級與外部評級分差的最大值、最小值、平均值、中位數(shù)作為自變量，以數(shù)值0（代表企業(yè)分類為正常企業(yè)）、數(shù)值1（代表企業(yè)分類為風險企業(yè)）為因變量，利用SPSS軟件中Logistic回歸對此分類問題進行建模。

（三）模型結(jié)果

模型結(jié)果顯示：R方（版上改為R平方格式）為0.597，變量系數(shù)檢驗p值均小于0.05，表明模型擬合程度較好;模型對樣本數(shù)據(jù)分類準確度達到92.7%，表明分類效果較好;最終選擇企業(yè)主體隱含評級分數(shù)的最大值和主體隱含評級分差的平均值作為自變量，表明這兩個指標對企業(yè)是否違約有顯著性影響，且回歸系數(shù)分別為2.587、-1.317，模型偏置量為-17.102。

（四）違約風險企業(yè)判別結(jié)果與分布狀況

通過已求出的方程解出2458家企業(yè)對應的概率值p，令p>0.5的企業(yè)違約屬性為1，將其定義為風險企業(yè);令p<0.5的企業(yè)違約屬性為0，將其定義為正常企業(yè)。分析結(jié)果顯示，其中有546家企業(yè)p>0.5，違約風險較高，占預測樣本企業(yè)總數(shù)的22.2%。

從地區(qū)來看，華東地區(qū)違約風險企業(yè)數(shù)量最多，但西北及西南地區(qū)風險企業(yè)占樣本總數(shù)的比例均超過30%，是風險相對最高的區(qū)域（見圖5）。

從行業(yè)來看，建筑業(yè)、制造業(yè)、采礦業(yè)、批發(fā)和零售業(yè)、房地產(chǎn)業(yè)的風險企業(yè)數(shù)量最多，合計占到違約風險企業(yè)總數(shù)的80%（見圖6）。

從風險企業(yè)發(fā)行債券兌付日期來看，超短期融資券和短期融資券由于期限較短，主要集中在2018年下半年兌付;而中期票據(jù)和企業(yè)債在2019年上半年及2021年上半年兌付數(shù)量和規(guī)模占比較高，需要重點關注。

主要結(jié)論

本文通過債券全部交易數(shù)據(jù)構(gòu)建出我國產(chǎn)業(yè)債隱含評級時間序列，并在此基礎上全面分析我國產(chǎn)業(yè)債的信用風險情況，判別出違約風險較高的發(fā)行主體。

研究發(fā)現(xiàn)，我國的產(chǎn)業(yè)債隱含評級分布主要集中在AA+、AA、AA-和A+四類，較外部評級分布明顯下移。此外，違約發(fā)債企業(yè)的隱含評級調(diào)整時間明顯領先于外部評級調(diào)整時間和債券違約時間，在時間維度上對債券違約也具有較好的預測作用。在此基礎上，本文利用Logistic判別方法判別出22.2%的樣本企業(yè)未來存在較高的違約風險，這部分企業(yè)主要集中在第二產(chǎn)業(yè)和華東地區(qū)，違約時間將主要集中在2019年上半年及2021年上半年。

作者單位：中國人民銀行銀川中心支行

責任編輯：周舟??印穎

參考文獻

[1]許南星.?基于中國市場的市場隱含評級研究[J].?金融發(fā)展評論，2011（6）：129-138.

[2]張文朗.?哪些債券的風險或被低估？且看隱含評級[R].?上海：光大證券股份有限公司，2018.

[3]?Breger，Ludovic.，Lisa?Goldberg?and?Oren?Cheyette.?Market?Implied?Ratings[J].?Social?Science?Electronic?Publishing，2003?，16?（1）?：377.

[4]?Richard?Cantor，Christopher?Mann.?Measuring?The?Performance?of?Corporate?Bond?Ratings[J].?Social?Science?Electronic?Publishing，?2003?，32?（1）?：161-169.

[5]?Jianming?Kou，?Simone?Varotto.?Predicting?Agency?Rating?Migrations?with?Spread?Implied?Ratings[C].?ISMA?Centre?Discussion?Papers?in?Finance?，2005.