□成夢(mèng)婷 楊華蔚

在現(xiàn)代經(jīng)濟(jì)市場(chǎng)中，信用是發(fā)生金融關(guān)系的基礎(chǔ)和核心。信用評(píng)級(jí)作為一種重要的信息產(chǎn)品通過將復(fù)雜的市場(chǎng)信息加工處理，為金融市場(chǎng)提供重要的信息服務(wù)。2014年3月4日，中國(guó)債券市場(chǎng)史上出現(xiàn)首宗違約事件。深陷困境的太陽能設(shè)備公司超日太陽承認(rèn)債務(wù)違約。隨后的川煤、東特鋼違約事件使得債券市場(chǎng)的信用風(fēng)險(xiǎn)成為了投資者關(guān)注的焦點(diǎn)。長(zhǎng)期以來的債券市場(chǎng)對(duì)信用風(fēng)險(xiǎn)的弱化嚴(yán)重影響了投資者的價(jià)值判斷。隨著金融服務(wù)水平的不斷提高，債券信用評(píng)級(jí)成為了評(píng)價(jià)債券信用的重要手段。

一、文獻(xiàn)綜述

隨著債券發(fā)行市場(chǎng)的不斷發(fā)展，信用風(fēng)險(xiǎn)問題的不斷凸顯，國(guó)內(nèi)外的許多學(xué)者都對(duì)影響債券的信用風(fēng)險(xiǎn)的因素做了一定的分析研究。Ericsson,Oviedo(2005)認(rèn)為企業(yè)績(jī)效對(duì)債券信用風(fēng)險(xiǎn)有影響，他們發(fā)現(xiàn),財(cái)務(wù)杠桿比率每提高1%,信用風(fēng)險(xiǎn)溢價(jià)就會(huì)提高5%～10%。Bakshi,Madan(2006)考察了一系列由短期利率和公司特有的財(cái)務(wù)困境指標(biāo)兩個(gè)因素驅(qū)動(dòng)的公司債券信用風(fēng)險(xiǎn)結(jié)構(gòu)模型,研究表明,短期利率變動(dòng)對(duì)債券利差的影響是最顯著的。

一些學(xué)者認(rèn)為信用風(fēng)險(xiǎn)與市場(chǎng)信息不對(duì)稱有關(guān)。周宏、林晚發(fā)(2012)構(gòu)建模型發(fā)現(xiàn)企業(yè)債券發(fā)行者和投資者之間的信息不對(duì)稱程度與企業(yè)債券信用利差之間存在顯著的正相關(guān)性。研究也表明企業(yè)債券信用風(fēng)險(xiǎn)與市場(chǎng)不確定相關(guān)。Dbouk(2007)發(fā)現(xiàn),GDP的預(yù)期變化率和期限結(jié)構(gòu)斜率的預(yù)期變化率都是投資組合的信用利差變化的主要影響因素。

二、樣本及財(cái)務(wù)指標(biāo)選擇

(一)樣本選取。本文選取2013～2016年債券主體信用評(píng)級(jí)發(fā)生變動(dòng)的公司債發(fā)行上市公司或控股公司，數(shù)據(jù)分為兩類：債券主體信用評(píng)級(jí)下調(diào)和債券主體信用評(píng)級(jí)上升，債券主體信用評(píng)級(jí)下調(diào)指當(dāng)年發(fā)行公司債的上市公司主體信用評(píng)級(jí)差于最近一次債券主體信用評(píng)級(jí)，債券主體信用評(píng)級(jí)上升指發(fā)行公司債券的上市公司主體信用評(píng)級(jí)好于最近一次債券主體信用評(píng)級(jí)，下降記為“down”，上升記為“up”。收集2013～2016年債券主體信用評(píng)級(jí)變動(dòng)的相關(guān)數(shù)據(jù)，一共得到325組與上市公司相關(guān)聯(lián)的債券主體信用評(píng)級(jí)變動(dòng)。選取債券信用評(píng)級(jí)主要由于具備評(píng)級(jí)服務(wù)資格的公司具有一定的權(quán)威性，且評(píng)價(jià)的標(biāo)準(zhǔn)具有相對(duì)的一致性，更便于觀察比較和分析。

(二)財(cái)務(wù)指標(biāo)。本文使用的財(cái)務(wù)指標(biāo)參考了參考文獻(xiàn)[1]中所選取的指標(biāo)，共選取16個(gè)財(cái)務(wù)指標(biāo)。選取上一年度財(cái)務(wù)數(shù)據(jù)主要在于評(píng)級(jí)變動(dòng)發(fā)生之前的數(shù)據(jù)更能反映其對(duì)變動(dòng)的影響，且年度數(shù)據(jù)更具有代表性。

本文使用的財(cái)務(wù)數(shù)據(jù)來自于RESSET金融研究數(shù)據(jù)庫(kù)。財(cái)務(wù)指標(biāo)和計(jì)算公式均列示與表1中。對(duì)缺失部分進(jìn)行刪減，最后得到205組數(shù)據(jù)作為樣本。

表1 解釋變量表

(x1變量為年份變量year)

三、建立模型

Logistic模型：logistic模型是一種因變量為定性變量用于描述非線性關(guān)系的的廣義線性模型。

Lasso：lasso是近年來常用的用于克服變量過多，解釋精度不足的方法，他將系數(shù)估計(jì)值往0的方向縮減，當(dāng)調(diào)節(jié)系數(shù)足夠大時(shí)，懲罰項(xiàng)具有將某些系數(shù)的估計(jì)值強(qiáng)制設(shè)定為0的作用。

四、實(shí)證分析

(一)logistics模型。對(duì)205組原始數(shù)據(jù)進(jìn)行樣本回歸，得到發(fā)現(xiàn)除年份外，其他所有變量都不具有顯著性。因而對(duì)變量進(jìn)行嘗試性剔除。得到圖2結(jié)果發(fā)現(xiàn)在10%的水平下得到了4個(gè)相對(duì)顯著的變量，分別是β0、year、Debt/asset和ROA。

圖1 進(jìn)行變量剔除后額度logistic回歸

使用進(jìn)行變量剔除后較為顯著的模型計(jì)算預(yù)測(cè)正確率。首先選取的閾值p為0.5，結(jié)果如圖2所示，預(yù)測(cè)的正確率為85.37%。

圖2 p=0.5未劃分訓(xùn)練、測(cè)試集的預(yù)測(cè)正確率

從結(jié)果看，得到了一個(gè)相對(duì)較高的預(yù)測(cè)正確率，說明模型的預(yù)測(cè)效果較好。但預(yù)測(cè)為“up”，實(shí)際評(píng)級(jí)為”down”的情況卻會(huì)誤導(dǎo)投資者帶來極大損失。使用循環(huán)語句來獲取降低誤差錯(cuò)誤率的最優(yōu)p值，得到p=0.9。進(jìn)行模型正確率的檢驗(yàn)，在沒有區(qū)分訓(xùn)練集和測(cè)驗(yàn)集的情況下，得到圖3的結(jié)果。

圖3 p=0.9未劃分訓(xùn)練、測(cè)驗(yàn)集的預(yù)測(cè)正確率

圖3過程中將投資者最為關(guān)注的預(yù)測(cè)為“up”，但實(shí)際評(píng)級(jí)卻為”down”的誤差錯(cuò)誤率降低到了0。從投資者角度，模型使用效果更好。區(qū)分訓(xùn)練集、測(cè)試集來檢驗(yàn)?zāi)Ｐ?。?013～2015年的數(shù)據(jù)作為訓(xùn)練集，2016年的作為測(cè)試集，進(jìn)行模型預(yù)測(cè)情況檢驗(yàn)，得到圖4、圖5的結(jié)果，進(jìn)行對(duì)比。

圖4 p=0.5時(shí)預(yù)測(cè)正確率

圖5 p=0.9時(shí)預(yù)測(cè)正確率

結(jié)果顯示在區(qū)分訓(xùn)練集和測(cè)試集的情況下，最優(yōu)p值為0.9時(shí)模型預(yù)測(cè)正確率高于原先設(shè)定的p值為0.5的情況的。從整體上看，p為0.9時(shí)，模型的預(yù)測(cè)效果和能力得到一定提升。

(二)lasso壓縮估計(jì)法。在模型的解釋變量較多時(shí)，從logistic回歸的初始情況來看，僅有較少的自變量與因變量相關(guān)，考慮使用lasso壓縮估計(jì)法，將一些不太具有顯著相關(guān)性的變量壓縮為0，得到稀疏模型。圖6的系數(shù)圖像表明隨著調(diào)節(jié)參數(shù)的選擇不同，某些預(yù)測(cè)變量的系數(shù)會(huì)變?yōu)?。圖7為交叉驗(yàn)證法下錯(cuò)誤率的圖像。

圖6 系數(shù)與參數(shù)的關(guān)系 圖7 cv法下錯(cuò)誤率的圖像

對(duì)測(cè)試值與真實(shí)值之間的誤差平方和進(jìn)行了計(jì)算，計(jì)算結(jié)果為0.1635，說明進(jìn)行l(wèi)asso壓縮后的誤差平方和極小，估計(jì)結(jié)果預(yù)測(cè)正確度較高。如圖8所示。

圖8 誤差平方和

潛在的假設(shè)一些系數(shù)的真值為0，找出影響較大的變量得到壓縮后的結(jié)果如圖9所示。

圖9 lasso壓縮的結(jié)果

所得到的結(jié)果并不很好，僅有總資產(chǎn)凈利潤(rùn)率對(duì)于對(duì)模型有影響，而其他預(yù)測(cè)變量都影響不顯著。

五、結(jié)論與建議

本文得出結(jié)論：一是隨著債券市場(chǎng)的發(fā)展壯大，債券兌付違約風(fēng)險(xiǎn)不斷加劇，債券信用風(fēng)險(xiǎn)也不斷增大。二是logistic回歸表明根據(jù)上市公司的財(cái)務(wù)狀況能夠?qū)庞蔑L(fēng)險(xiǎn)進(jìn)行有效的預(yù)測(cè)，具有較高的預(yù)測(cè)正確率，同時(shí)能夠降低誤差錯(cuò)誤率，幫助投資者更好地做出決策。三是lasso壓縮估計(jì)結(jié)果不太顯著僅資產(chǎn)凈利率對(duì)債券信用風(fēng)險(xiǎn)的影響最大。四是兩種估計(jì)方法結(jié)果的比較，選取Logistic模型運(yùn)用上市公司的財(cái)務(wù)狀況對(duì)債券的信用風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)跟具有現(xiàn)實(shí)意義。

本文的研究意義在于：可以促使上市公司更加關(guān)注自身的財(cái)務(wù)狀況，通過內(nèi)部控制等手段改善企業(yè)資金環(huán)境，盡量降低可能發(fā)生信用風(fēng)險(xiǎn)的概率。同時(shí)幫助投資者提高對(duì)于信用風(fēng)險(xiǎn)的預(yù)測(cè)能力，有效規(guī)避可能發(fā)生的信用風(fēng)險(xiǎn)所造成的損失，進(jìn)行更為優(yōu)化的資源配置。