□成夢婷 楊華蔚

在現(xiàn)代經(jīng)濟市場中，信用是發(fā)生金融關(guān)系的基礎(chǔ)和核心。信用評級作為一種重要的信息產(chǎn)品通過將復(fù)雜的市場信息加工處理，為金融市場提供重要的信息服務(wù)。2014年3月4日，中國債券市場史上出現(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的信用風(fēng)險成為了投資者關(guān)注的焦點。長期以來的債券市場對信用風(fēng)險的弱化嚴(yán)重影響了投資者的價值判斷。隨著金融服務(wù)水平的不斷提高，債券信用評級成為了評價債券信用的重要手段。

一、文獻(xiàn)綜述

隨著債券發(fā)行市場的不斷發(fā)展，信用風(fēng)險問題的不斷凸顯，國內(nèi)外的許多學(xué)者都對影響債券的信用風(fēng)險的因素做了一定的分析研究。Ericsson,Oviedo(2005)認(rèn)為企業(yè)績效對債券信用風(fēng)險有影響，他們發(fā)現(xiàn),財務(wù)杠桿比率每提高1%,信用風(fēng)險溢價就會提高5%～10%。Bakshi,Madan(2006)考察了一系列由短期利率和公司特有的財務(wù)困境指標(biāo)兩個因素驅(qū)動的公司債券信用風(fēng)險結(jié)構(gòu)模型,研究表明,短期利率變動對債券利差的影響是最顯著的。

一些學(xué)者認(rèn)為信用風(fēng)險與市場信息不對稱有關(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)險與市場不確定相關(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年債券主體信用評級發(fā)生變動的公司債發(fā)行上市公司或控股公司，數(shù)據(jù)分為兩類：債券主體信用評級下調(diào)和債券主體信用評級上升，債券主體信用評級下調(diào)指當(dāng)年發(fā)行公司債的上市公司主體信用評級差于最近一次債券主體信用評級，債券主體信用評級上升指發(fā)行公司債券的上市公司主體信用評級好于最近一次債券主體信用評級，下降記為“down”，上升記為“up”。收集2013～2016年債券主體信用評級變動的相關(guān)數(shù)據(jù)，一共得到325組與上市公司相關(guān)聯(lián)的債券主體信用評級變動。選取債券信用評級主要由于具備評級服務(wù)資格的公司具有一定的權(quán)威性，且評價的標(biāo)準(zhǔn)具有相對的一致性，更便于觀察比較和分析。

(二)財務(wù)指標(biāo)。本文使用的財務(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個財務(wù)指標(biāo)。選取上一年度財務(wù)數(shù)據(jù)主要在于評級變動發(fā)生之前的數(shù)據(jù)更能反映其對變動的影響，且年度數(shù)據(jù)更具有代表性。

本文使用的財務(wù)數(shù)據(jù)來自于RESSET金融研究數(shù)據(jù)庫。財務(wù)指標(biāo)和計算公式均列示與表1中。對缺失部分進(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)估計值往0的方向縮減，當(dāng)調(diào)節(jié)系數(shù)足夠大時，懲罰項具有將某些系數(shù)的估計值強制設(shè)定為0的作用。

四、實證分析

(一)logistics模型。對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個相對顯著的變量，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算預(yù)測正確率。首先選取的閾值p為0.5，結(jié)果如圖2所示，預(yù)測的正確率為85.37%。

圖2 p=0.5未劃分訓(xùn)練、測試集的預(yù)測正確率

從結(jié)果看，得到了一個相對較高的預(yù)測正確率，說明模型的預(yù)測效果較好。但預(yù)測為“up”，實際評級為”down”的情況卻會誤導(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誤率的最優(yōu)p值，得到p=0.9。進(jìn)行模型正確率的檢驗，在沒有區(qū)分訓(xùn)練集和測驗集的情況下，得到圖3的結(jié)果。

圖3 p=0.9未劃分訓(xùn)練、測驗集的預(yù)測正確率

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

圖4 p=0.5時預(yù)測正確率

圖5 p=0.9時預(yù)測正確率

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

(二)lasso壓縮估計法。在模型的解釋變量較多時，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)測變量的系數(shù)會變?yōu)?。圖7為交叉驗證法下錯誤率的圖像。

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

對測試值與真實值之間的誤差平方和進(jìn)行了計算，計算結(jié)果為0.1635，說明進(jìn)行l(wèi)asso壓縮后的誤差平方和極小，估計結(jié)果預(yù)測正確度較高。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)凈利潤率對于對模型有影響，而其他預(yù)測變量都影響不顯著。

五、結(jié)論與建議

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

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)險的概率。同時幫助投資者提高對于信用風(fēng)險的預(yù)測能力，有效規(guī)避可能發(fā)生的信用風(fēng)險所造成的損失，進(jìn)行更為優(yōu)化的資源配置。