信用债违约风险预警模型的构建与检验.docx

《信用债违约风险预警模型的构建与检验.docx》由会员分享，可在线阅读，更多相关《信用债违约风险预警模型的构建与检验.docx（11页珍藏版）》请在第一文库网上搜索。

1、信用债违约风险预警模型的构建与检验信用债作为债券市场的重要组成部分，具有利率高、收益高的特点。截至2020年底，我国信用债存量己达29.92万亿元。伴随着债券融资规模激增，信用风险问题也日益凸显，仅2020年信用债违约金额就高达1757.72亿元，涉及155只债券，其中有30家发债主体为首次违约。加强信用风险预警有助于投资者及时识别违约风险。目前针对债券违约的研究主要集中在两方面。一是从理论层面分析债券违约的原因。URI等人(2018)的研究表明，如果一个公司拥有较高比例的债券，同时也会有高概率的违约倾向。张旭(2019)认为信息不对称是导致债券违约的决定性因素。苏逸梅(2021)认为债券违约

2、不仅是由企业内部结构及管理问题所导致的，社会经济大环境也是主要影响因素。二是从实证层面对债券违约风险进行分析和度量。姚红宇和施展(2018)采用时间风险模型实证研究了传统财务指标、公司特征以及地方环境指标对信用债违约的影响。成梦婷和杨华蔚(2019)从财务数据和财务比率角度对债券信用风险进行了定性识别。谭佩佩等(2021)运用修正的KMV模型预测了20202022年31个省份的债务违约概率。从以上相关文献可知，目前学者们对信用债券违约预警的研究较为有限，实证分析主要集中在风险度量方面。本文将在分析我国信用债发展现状和违约特点的基础上，以2019年17家违约上市公司和51家可比的未违约上市公司经

3、营数据作为样本，搭建信用违约预警模型（以下简称“预警模型”），以期对信用债市场的稳定发展有所裨益。一、我国信用债市场现状及违约特点（-）我国信用债市场发展概况在2005年之前，我国债券品种较少，债券募集资金主要用于国家项目的投资建设，这些项目往往由商业银行作为担保，信用风险并不突出。自2005年以来,随着债券市场发行人和产品的不断丰富，信用风险随之而来，逐渐引起各方的关注。20142020年，我国信用债券发行量和存量整体不断增长。从市场结构来看，企业债、公司债、中期票据、短期融资券、资产支持证券、定向工具的存量占比较高，合计达约90%。自2014年以来，公司债存量占比逐渐增加，由2014年的6

4、.35%增长到2020年的29.82%；其次是资产支持证券，存量占比从2014年的2.57%增长到2020年的15.24%；中期票据变化趋势相对平稳；企业债、短期融资券和定向工具存量占比有所下降。（二）我国信用债的违约特征1 .违约数量和违约金额呈现双升趋势2014年我国共有6只债券发生违约，违约规模为13.4亿元，之后违约数量和规模在波动中上升（。2 .类型分布相对集中从类型来看，违约债券主要集中在公司债、中期票据和短期融资债，三种类型的违约规模合计占比高达84.85%（见表1）。其中，公司债数量最多，累计违约292只，涉及违约主体98家；中期票据累计违约135只，涉及违约主体21家；短期融

5、资债累计违约71只，涉及违约主体22家。此外，在定向工具中，有10家违约主体，涉及债券49只；在资产支持证券中，有2家违约主体，涉及产品2只。截至2020年末违约债券类型累计数据债券类型违约债券数量（只）违约主体数量（家）违约规模（亿元）违约规模占比公司债292982329.0943.62%企业债2110166.473.12%中期票据135211579.8329.59%短期融资券7122621.4011.64%定向工具4910452.708.48%资产支持证券2217.270.32%可交换债208173.193.24%合计5901715339.95100.00%3.以民营企业为主从违约主体的性

6、质来看，民营企业债券违约数量最多，共有422只，涉及违约主体126家，累计违约金额高达3514.75亿元；地方国有企业违约债券共有72只，涉及发行主体21家，累计违约规模为670.04亿元；中央国有企业违约债券共有49只，涉及违约企业10家，累计违约规模为650.83亿元；中外合资企业违约债券共有9只，涉及违约主体5家，累计违约规模为56.40亿元；其他类型企业违约债券共有38只，涉及违约主体9家，累计违约规模为447.93亿元。二、预警模型实证分析（一）模型介绍1 .主成分分析模型主成分分析法主要用来对数据指标进行降维，其原理是将许多存在一定程度相关关系的变量(Xi,X2,X),通过线性组合

7、组成互不相关的指标心。假设F1代表组合的第一个主成分指标，即Fi=anXi+a2iX2+aPiXP,为有效反映原变量指标所包含的信息，在Fi中已经包含的信息不再出现在F2中,即F2与E要保持独立、不相关，其协方差Cov(FrF2)二0,同时要求F2是R不相关的组合中方差最大的，依此类推构造出第m个主成分。Fi=ai1X1+321X2+aPiXpp2=a2iXi+321X2+a2PxpFm=amlXl+1112X2+2 .Logistic回归模型Logistic回归模型通常用来探究现象发生的概率p与影响因素之间的关系。由于概率p的范围限制在0,1,直接使用线性模型并不合适，因此需要转换角度，研究

8、p的一个严格单调函数G(p),于是Logit变换被提出来：.Logit(p)=ln（二）指标体系构建和数据选择1 .指标体系的选择宏观经济因素和微观财务因素是影响债券违约的两个方面，但深入分析会发现二者有所不同。宏观经济因素，如宏观经济增速放缓、行业不景气等，皆是先影响企业生产经营，进而影响企业财务指标，财务指标出现恶化并最终影响企业债券履约。即使在相同的宏观环境下，多数发债主体也并未违约，这从侧印证了外部宏观环境的恶化并不是债券违约的充分条件。因此微观财务因素是造成企业债券违约的关键因素。立足于微观财务层面，本文从偿债能力、盈利能力、营运能力和成长能力四个方面归纳出13个指标,作为预警指标体

9、系的基础架构，具体如表所示。指标类别指标名称指标代码偿债能力流动比率XII速动比率X12现金比率X13资产负债率X14成长能力每股净资产X21现金流量利息保障倍数X22营运能力总资产周转率次X31存货周转率次X32应收账款周转率次X33盈利能力净资产收益率X41总资产报酬率X42销售毛利率X43销售净利率X442.样本选择本文选择2019年实际发生违约的17家A股上市公司作为违约样本，同时对应选择与每家违约样本相同行业、相近规模的3家上市公司作为未违约样本,共得到68家样本公司，变量指标数据对应选取违约前一年（2018年）末数据。（三）实证分析2 .主成分分析本文选取了13个指标构建模型。若直

10、接把这13个指标全部作为自变量代入模型，会出现严重的多重共线性，变量间也会存在自相关性，这将影响模型的判别效果。为消除变量间的多重共线性，本文运用SPSS2L0软件，采用主成分分析法对变量进行降维操作。（1）主成分分析法适用性检验凯泽-梅耶尔-奥利金（KM0）和巴特利特（Bartlett）检验均可用于检验样本数据是否适用主成分分析法。KM0统计量取值在0和1之间，取值越大（0.6以上较合适）说明变量间相关性越强，也更适合进行主成分分析，反之则不适合。结果显示，样本的KM0值为0.668,大于0.6,说明各数据指标之间存在较高的关联度。同时，样本Bartlett球形检验值为472.405,P值为

11、0.000,小于0.05,表明13个指标之间并非独立。各变量间有较强的相关关系，可应用主成分分析法降维。下面进行主成分提取，主要是看各个主成分解释原始变量总方差的情况。对变量指标进行提取主成分，由表4可以看出，本文按照贡献率提取前4个主成分Fl、F2、F3、F4,其贡献率分别为31.272%,17.286%、11.364%、8.767%O成分得分系数矩阵反映各成分解释原始变量的程度。从表5中可以看出，主成分F1主要由资产负债率构成，F2主要由流动比率、速动比率、现金比率、净资产收益率、总资产报酬率、销售净利率构成，F3主要由销售毛利率、总资产周转率、每股净资产、现金流量利息保障倍数构成，F4主

12、要由存货周转率、应收账款周转率构成。各主成分对应表达式为：3 .Logistic回归分析以主成分分析法得出的4个主成分作为自变量，构建Logistic回归模型，因变量为债券违约发生的概率P,发生债券违约的值为1,未违约的值为0。将变量代入Logistic回归模型。对模型的拟合效果做进一步检验，由表7可知，NagelkerkeR平方二0.7020.5,Hosmer&Lemeshow检验统计值二0.090.05,说明模型拟合度可以接受。回代检验是指将建模样本数据重新代入己经构建好的预警模型中，用以判断模型效果的优劣。现将之前68个样本数据回代到logistic回归模型中，计算上市公司债券违约概率，

13、结果如表8所示。结果显示，在51家未发生债券违约的对照样本中，预警模型预测的准确率为96.1%；在17家发生债券违约的违约样本中，模型预测的准确率为82.4%。模型的综合准确率为92.6%,说明本文所构建的模型具有较高的预测准确度和普适性。4 .模型准确度检验为进一步验证已构建的预警模型准确度，下文将通过全新样本数据进行检验。选择2020年实际发生违约的6家A股上市公司作为违约样本，同时为每家违约公司选择相同行业、相近规模的1家上市公司作为对照样本，共得到12家样本公司。选取研究对象违约前一年（2019年）的财务数据，将数据代入模型，并通过计算违约概率来判断模型的准确度。具体步骤为：第一步，结

14、合主成分分析法计算出主成分得分；第二步，将主成分作为自变量代入回归模型，计算公司债券违约发生的概率P。结果显示，对照样本的预测准确度达到100%,违约样本的预测准确度为50%,综合准确度为75%,说明违约预警模型的预测效果比较理想，能够为债券违约预警提供一定的指导。三、结论与建议本文以2019年发生违约的17家上市公司和未发生违约的51家上市公司作为研究对象，从盈利、偿债、营运、成长四个维度选择13个指标，通过主成分分析法进行降维处理，并运用logistic回归构建预警模型。研究结果表明，本文所构建的预警模型预测的准确度较高，有助于金融机构和投资者判别信用债违约风险，但也存在一些不足。在债券市场建设过程中，除了帮助投资者规避信用违约风险，还应该推动信用债市场的良性发展。为此，本文提出以下建议：债券投资者应深入了解债券市场，提升专业投资素养，提升风险辨别和评估的水平；债券发行人应结合企业的实际情况，制订合理的财务计划，形成健康的资产负债结构，避免过度融资；金融监管部门应建立有效的信息披露与共享机制，对债券信息披露情况和发债者信息进行约束，确保债券信息和发债企业信息真实可靠；应借鉴其他国家对于信用债违约的惩戒方式，加大对违法行为的惩戒力度，要求债券发行人严格遵循