產(chǎn)業(yè)債主體信用等級上調(diào)決定因素的定量研究

馮振

摘要：對企業(yè)信用質(zhì)量的判斷，應落腳在具體對象的經(jīng)營情況和財務狀況之上，而在財務信息有效的前提下，財務指標的變化應能反映主體經(jīng)營的變化。關注財務指標的變化，進而預判產(chǎn)業(yè)債主體信用等級上調(diào)的可能性，博弈等級上調(diào)引致的信用風險溢價回落及估值提升，可能獲得超過市場平均的投資回報。

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

理論上，評級上調(diào)表明被評主體信用資質(zhì)改善，在其他條件不變的情況下，信用風險溢價回落，估值相應提高。也就是說，提前判斷信用等級上調(diào)可能在一定時間內(nèi)，獲得超過市場平均的回報。

就評級邏輯本身而言，如果單從宏觀經(jīng)濟、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)生變動的可能性，則針對性也較弱；以從公開渠道獲取特定主體的信息作為判斷等級調(diào)整的依據(jù)，則欠缺及時性，提前預測的效果也會較差。本文認為，對企業(yè)信用質(zhì)量的判斷，應在對宏觀、行業(yè)、政策預期的基礎上，落腳在具體對象的經(jīng)營情況和財務狀況之上，而在財務信息有效的前提下，財務指標的變化應能反映主體經(jīng)營的變化。就此來看，財務指標的變化應該是評級公司在上調(diào)被評主體信用等級時的關注要點。

由于針對城投債的評級邏輯與產(chǎn)業(yè)債有所不同，前者財務指標的權重也相對較低，因此通過財務指標變動來預判城投主體（及債券）等級上調(diào)的思路可行性不高。因此，本文聚焦于產(chǎn)業(yè)債主體1，運用logit模型，通過計量檢驗來探尋影響產(chǎn)業(yè)債發(fā)債主體評級上調(diào)的財務指標及其變動特征，并通過設置相應閾值，對具有評級上調(diào)可能性的主體進行分檔，進而構(gòu)建相應的投資組合，博弈評級上調(diào)可能帶來的額外收益，優(yōu)化資產(chǎn)配置，豐富投資策略。

評級上調(diào)對債券估值的影響

以2012年初至2017年三季末期間有信用等級上調(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，剔除國外評級機構(gòu)上調(diào)評級主體發(fā)行的債券、違約主體發(fā)行的債券、具有外部擔保的債券，同時為避免到期或行權可能引致的利率變動，再剔除剩余期限或行權剩余期限不足180天的債券。

計算上述樣本券評級上調(diào)前后30個交易日之間投資回報率的變動情況，并分別選取中債新綜合財富（總值）指數(shù)（以下簡稱“新綜合指數(shù)”）與中債新高信用等級財富（總值）指數(shù)（以下簡稱“新高信用等級指數(shù)”）作為業(yè)績基準。總體來看，樣本組合的平均回報率超過市場基準，特別是在評級調(diào)整日之后，樣本組合相對市場的超額回報體現(xiàn)得更為明顯。

在以新綜合指數(shù)為基準時，樣本平均回報率在觀察區(qū)間內(nèi)任一交易日均超過比較基準，且從評級上調(diào)日開始，樣本組合回報與業(yè)績基準之間的差距被更快地拉大了（見圖1）。

在以新高信用等級指數(shù)為基準時，樣本平均回報率在評級上調(diào)日前6個交易日左右超過比較基準，此后與基準收益率的差距在波動中不斷被拉大（見圖2）。

可見，主體評級上調(diào)對債券的估值具有一定的拉動作用，配置此類債券可能獲得超過市場平均水平的回報。

指標選擇、數(shù)據(jù)處理與計量檢驗

經(jīng)營情況與評級高低密切相關，財務指標的變化應能反映主體經(jīng)營的變化。在眾多財務指標之中，能否抓住評級公司的主要關注點是提高預判準確率的關鍵。本文運用logit模型，通過計量檢驗對此問題進行探究。

（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)有信用評級上調(diào)（包括等級和展望）的主體，僅保留每年4—7月評級上調(diào)主體2，同時剔除2016年之前等級為AAA的主體3、樣本期內(nèi)有評級缺失的主體、樣本期內(nèi)主要評級機構(gòu)發(fā)生變更的主體、等級調(diào)整由國外評級機構(gòu)做出的主體、發(fā)生過債券違約的主體以及財務數(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，其中152個主體在樣本期間內(nèi)發(fā)生評級上調(diào)合計168次。在回歸過程中，去掉100個在樣本期內(nèi)沒有發(fā)生評級上調(diào)的主體用于樣本外檢驗，同時減少樣本數(shù)量也使兩類主體（上調(diào)/未上調(diào)）的比例更為均衡。

（二）指標篩選

我們首先大量查閱評級公司的信用評級報告，來篩選各評級公司主要關注的財務指標。

評級報告反映出各評級機構(gòu)關注的財務指標存在差異，但是多有重合。為擴大覆蓋的指標范圍，避免錯漏關鍵財務指標，除被較多關注的指標，少數(shù)評級機構(gòu)關注但可能較為關鍵的指標同樣予以保留，最終篩選出24個財務指標。將這些財務指標按盈利能力類別、償債能力類別、成長能力類別、周轉(zhuǎn)能力類別進一步歸類。其中，盈利能力類涵蓋銷售毛利率、凈資產(chǎn)收益率等4個指標；償債能力類涵蓋資產(chǎn)負債率、流動比率、EBITDA利息倍數(shù)等8個指標；成長能力類涵蓋總資產(chǎn)增長率、凈資產(chǎn)增長率、凈利潤增長率等9個指標；周轉(zhuǎn)能力類涵蓋存貨周轉(zhuǎn)率、應收賬款周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率3個指標。

（三）變量設定

對于二元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)生評級上調(diào)為被解釋變量。定義被解釋變量為Yit：Yit=1代表第i個主體在第t期時信用等級（級別或展望）被上調(diào)，Yit=0代表第i個主體在第t期時信用等級沒有被上調(diào)（不變或下調(diào)）。

我們以篩選出的財務指標變化量為解釋變量。之所以以變化量為解釋變量，是因為如果是外部條件改善或經(jīng)營好轉(zhuǎn)等導致的評級上調(diào)，則其財務指標應較前期保持原評級時出現(xiàn)一定的改善，或者說企業(yè)目前的財務表現(xiàn)，在某種程度上超過被賦予原等級時的表現(xiàn)。

為了控制可能影響評級調(diào)整的行業(yè)及企業(yè)自身因素，降低評級機構(gòu)對某些類型企業(yè)的特殊偏好可能對估計結(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)是否有評級調(diào)整以及特定樣本期前一年度末主體評級作為控制變量。

（四）數(shù)據(jù)處理

由于我們選擇的控制組樣本是每年4—7月評級上調(diào)主體，一般情況下，此時被評主體已公布上年度年報和本年度一季報，可選擇這兩期報告公布的財務數(shù)據(jù)進行分析（若未公布一季報，則主要采取上年度年報的相關數(shù)據(jù)）。

考慮到使用的是指標變化量為解釋變量，對于一季報相關數(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。通過對外部跟蹤評級報告的分析研究，結(jié)合對企業(yè)經(jīng)營流程所應具有的基本判斷，我們提出如下的數(shù)據(jù)處理方式：流量指標，如利潤、收入等，應與上年同期進行比較，以去除經(jīng)營時間差異和季節(jié)性影響；存量指標，如資產(chǎn)、負債、所有者權益等，其變化是在已有存量的基礎之上產(chǎn)生的，因此可以與上年度末數(shù)據(jù)進行比較，以反映出企業(yè)財務情況的近期表現(xiàn)。對于比例形式存在的指標，則分別觀察分子與分母指標的類型：流量/流量指標，與上年同期進行比較，去除季節(jié)性影響；流量/存量指標，與上年同期進行比較；存量/存量指標，與上年度末數(shù)據(jù)進行比較，考察其近期變動情況。

對于每一個解釋變量，分別計算樣本當期年報數(shù)據(jù)變化量和一季報數(shù)據(jù)變化量，平均賦權后取其加權值為該解釋變量當期值，若樣本主體未發(fā)布一季報，則以年報數(shù)據(jù)變化量作為該解釋變量當期值。

在處理數(shù)據(jù)過程中，我們比較了評級上調(diào)主體的等級調(diào)整日期與一季報發(fā)布日期，同時查閱了部分主體的跟蹤評級報告。若在等級調(diào)整時，樣本主體尚未發(fā)布一季報，或評級機構(gòu)未采用季度報告，則僅取其年報數(shù)據(jù)，無論其后是否發(fā)布當期一季報。

在進行計量檢驗之前，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準差的樣本值視為異常值。對每一個指標，在每一樣本期，若某數(shù)值超過正常值范圍，則該數(shù)值以邊界值進行替換。由于所用指標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，另一個經(jīng)常被使用的二值選擇模型是probit模型。在實際應用中，logit模型有兩個較為明顯的優(yōu)勢：一是probit模型假設的標準正態(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)計學意義上的方法，對樣本數(shù)有較高的要求，需有較多的觀測數(shù)。為擴充觀測值，本文采用了面板類型數(shù)據(jù)來實證評估影響產(chǎn)業(yè)債主體信用等級上調(diào)的指標表現(xiàn)。

假設在第t期，對樣本內(nèi)某一主體i，存在一個不可觀測的潛變量，用于描繪被評主體i在該期的評級上調(diào)情況，等級上調(diào)情況可由下式刻畫：

（1）

（1）式中，N為樣本主體個數(shù)，T為時間長度；Xit是l維解釋變量，用來描述第i個主體在第t期的各財務指標變化； Zit是m維控制變量，用來描述第i個主體在第t期的可控可觀測特征。μi為不可觀測的個體效應，用于反映不同主體的個體異質(zhì)性，包括混合效應、固定效應和隨機效應4。若不存在個體效應，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）式為固定效應模型；若μi為隨機變量，則（1）式為隨機效應模型。

之前我們令Yit為取值為0或1的二值選擇變量， 與 的關系如下：

（2）

部分研究設定臨界值r=0，以 與0的比值大小（實際上是 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，假定隨機項 服從的是logistic分布，此時有：

（4）

進而有：

（5）

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

（六）實證分析

在數(shù)據(jù)處理時，我們計算了原數(shù)據(jù)的增長或變動情況，且樣本時間跨度較短（5期），因此可以認為樣本數(shù)據(jù)是平穩(wěn)的。

解釋變量均為財務數(shù)據(jù)，各個財務指標之間可能因為相同的分子或分母，較容易產(chǎn)生共線性。因此，計量前需要進行共線性檢驗。我們采用方差膨脹因子（VIF）方法。檢驗結(jié)果顯示，總負債增長率的方差膨脹因子大于10，同時，多個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模型的預測效果造成不良影響，因此在建立模型之前有必要對指標進行篩選，選出可用于預測主體信用評級上調(diào)的關鍵性指標。為了提高指標篩選的科學性、客觀性，同時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。

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

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

對篩選出的解釋變量和控制變量再次進行VIF檢驗，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。

對于面板logit模型，如果采用控制不隨時間變化變量的固定效應模型進行估計，許多樣本會被直接剔除，嚴重影響自由度并減少了用于估計的樣本數(shù)量，干擾系數(shù)估計的準確性。因此，我們舍棄固定效應模型，在混合模型與隨機效應模型之間進行選擇。

通過BP_LM檢驗來判斷混合模型與隨機效應模型的適用性。根據(jù)表2中的檢驗結(jié)果可知，應選擇混合模型進行計量。

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

行業(yè)產(chǎn)出增速的符號為負且顯著，這似乎與直覺不符。導致該變量估計系數(shù)為負的可能原因有兩個：一是本文使用的產(chǎn)出增速數(shù)據(jù)在對行業(yè)進行分類時所覆蓋的行業(yè)不全，且分類也不細致，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)出增速變動幅度較大。另外，在經(jīng)濟增速換擋的過程中，行業(yè)產(chǎn)出增速也存在下行的動力，如果考慮到在行業(yè)整體增長趨緩的環(huán)境下，行業(yè)內(nèi)企業(yè)經(jīng)營改善從而評級上調(diào)的難度應當更大這一點的話，行業(yè)產(chǎn)出增速的估計系數(shù)為負具有一定的合理性。

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

圖3是預測模型的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測準確率。

閾值的選取

上文中提到，如果簡單以0.5作為選擇分類的標準，可能做出較為武斷的結(jié)論并限制模型的預測效果。如以0.5為（唯一）閾值，則全部樣本的分類正確率為88.5%，準確篩選出評級上調(diào)主體32個，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)合模型識別需要及樣本特點來選擇分類閾值。同時，并不僅設定單一閾值，而是根據(jù)分析的目的確定三個閾值，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準，目的是提高模型整體的識別效果，即這一閾值可以盡可能地將等級上調(diào)樣本和未上調(diào)樣本區(qū)別開來。

將等級上調(diào)樣本從全部樣本中取出，形成一個集合，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信用等級被上調(diào)，則進入Y1的是在t期的主體i這個樣本而不是主體i。

圖4是兩類樣本集合預測值（ ）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，可以最好地實現(xiàn)目標。此時，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，是從預估主體評級上調(diào)的角度，博取評級實際上調(diào)后可能帶來的超額收益，進而優(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際發(fā)生評級上調(diào)的主體，是更為重要的目標。

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，若將閾值設定為一個比較大的數(shù)值，則可能使篩選出的主體中實際被上調(diào)的主體占比最大。但若選定一個較高的值，則即使可以達到目標，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，在兩個區(qū)間中分別選擇能夠使篩選出的主體中實際等級上調(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)進行搜索，最終選擇0.71作為第二類別閾值。此時，只有8.93%的上調(diào)樣本被識別，但在該閾值篩選標準下，被認為有上調(diào)可能的樣本中，51.72%實際出現(xiàn)等級上調(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準下，只有4.17%的上調(diào)樣本被識別，但篩選出的可能上調(diào)樣本100%出現(xiàn)過等級上調(diào)。該閾值使篩選出的主體中實際會被上調(diào)主體的占比盡可能多。

效果評估

在篩選出用于模型構(gòu)建的全部樣本中，留出了100個無等級上調(diào)記錄的主體，共計500個樣本。在三類閾值標準下，模型給出的預測結(jié)果顯示，在這500個樣本中分別有169個、8個和2個識別出現(xiàn)失誤，占比分別為33.8%、1.6%和0.4%。

再以2017年的數(shù)據(jù)來檢驗模型實現(xiàn)投資目標的效果。

篩選符合標準的產(chǎn)業(yè)債主體共計1301個5，整理模型變量對應的2016年報和2017年一季報數(shù)據(jù)，按上文方法處理數(shù)據(jù)用于模型預測值的計算。全部樣本預測值的概率密度分布見圖5。

在第一類別閾值0.22標準下，我們選出445個可能上調(diào)主體，其中有122個主體在2017年4月至7月間信用等級發(fā)生上調(diào)，命中率27.42%。

在第二類別閾值0.71標準下，我們選出64個可能上調(diào)主體，其中有25個主體在2017年4月至7月間信用等級發(fā)生上調(diào)，命中率39.06%。

在第三類別閾值0.94標準下，我們選出22個可能上調(diào)主體，其中有11個主體在2017年4月至7月間信用等級發(fā)生上調(diào)，命中率50%。

該模型對8月份之后的評級上調(diào)主體也有一定的識別作用。8—12月共有36個產(chǎn)業(yè)債主體信用等級上調(diào)，本模型能夠識別其中9個（其中有14個不在樣本范圍內(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，同時評級機構(gòu)在上調(diào)主體評級時，考察的邏輯具有一致性。如果使用年報和二季度數(shù)據(jù)測算，則可識別其中的7個。由于7月份之后等級上調(diào)主體相對較少，這一策略的有效性將大打折扣。

投資組合構(gòu)建與回測

假設現(xiàn)在處于2017年二季度，我們通過本模型的預測結(jié)果來構(gòu)建投資組合，測試模型在實際中的運行效果。

對于可選標的范圍的確定，根據(jù)我們2017年3月31日發(fā)布的《2017年信用債市場第二季度報告》所提出的高評級短久期配置建議，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，我們根據(jù)模型給出的預測值從大到小對各主體加以排序，之后自上而下選擇符合投資標準的債券標的。在此過程中，我們忽略發(fā)債主體和債項的具體名稱，以嚴格確保不會刻意選擇已知在測試期間內(nèi)被上調(diào)等級主體發(fā)行的信用債。

挑選如表5所示10只債券構(gòu)建投資組合，為計算簡便，假設每只債的購買數(shù)量為一個單位。經(jīng)事后驗證，其中的5只債券對應發(fā)行人在測試期間確實發(fā)生過等級上調(diào)。

由于在4月底時基本上可以獲得多數(shù)發(fā)債主體的年報和一季報數(shù)據(jù)，首先嘗試在5月第一個交易日，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，這期間總回報率為3.26%（非年化，以中債估值計算；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%，新高信用等級指數(shù)收益率為1.97%，模擬組合收益明顯高于業(yè)績基準。

考慮到從3月開始，既有主體開始披露年報數(shù)據(jù)，且計算模型在只有年報數(shù)據(jù)的情況下同樣可以進行處理，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，模擬組合回報率為3.26%。同期，新綜合指數(shù)收益率為0.47%，新高信用等級指數(shù)收益率為1.46%，模擬組合依然明顯優(yōu)于業(yè)績基準。

在挑選標的時，我們沒有去刻意在意構(gòu)建組合時點標的券的到期收益率，如果將此納入考慮，這個組合的回報率還可能會更高。6

另一種相對較為激進的配置方法是，當有債券在持有期出現(xiàn)等級上調(diào)時，繼續(xù)持有該債券一段時期（如10個交易日）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，在對應主體等級上調(diào)后10個工作日售出該債券，同時購入備選債券。為計算簡便，假設備選債券的發(fā)行主體在期間內(nèi)未出現(xiàn)等級上調(diào)。此時，這種模擬投資方法在4月1日至12月15日期間的回報率為2.92%，依然明顯跑贏業(yè)績基準。這種通過換手來博取更多主體等級上調(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)的一個可能原因是，當模擬組合中的債券需要調(diào)整時，許多優(yōu)質(zhì)標的對應的主體已發(fā)生過等級上調(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，有針對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格的波動，但是在凈值型產(chǎn)品的配置中，估值的抬升將會提高配置組合的單位凈值。由于不同投資機構(gòu)具有不同的投資風格和投資策略，這使得可選擇的債券范圍不同，進而使選定的投資組合也會有較大差異。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應用，以進一步優(yōu)化投資組合。而具體的操作模式應根據(jù)實際情況靈活調(diào)整。另外需要提示的是，有等級上調(diào)可能性不代表完全沒有信用風險，特別是存在財務數(shù)據(jù)不夠真實的情況時，這種策略不應作為控制風險的替代方法。

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月份的評級調(diào)整較為集中，選擇這個時間段一是可以盡可能使用不同主體的同期數(shù)據(jù)，二是評級上調(diào)的樣本較大。

3.若在樣本期間等級為AAA/穩(wěn)定，則該主體無論有怎樣的經(jīng)營和財務表現(xiàn)，信用等級均無法再次上調(diào)。即使主體樣本評級為AAA/負面，但若在樣本期內(nèi)等級上調(diào)至AAA/穩(wěn)定，則下一期內(nèi)無等級進一步上調(diào)的空間，這會影響最終估計的準確性和有效性。為避免這一情況的出現(xiàn)，同時節(jié)省樣本篩選所需要的時間成本，直接將2016年之前評級為AAA的主體剔除。

4.這里假設不存在時間固定效應和時間隨機效應。

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

6.在最初測試模型效果時，筆者曾將測試起點待選券的到期收益率作為選擇標準，同時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%。