上市公司信用債違約風(fēng)險(xiǎn)評(píng)估

(復(fù)旦大學(xué) 管理學(xué)院,上海 200433)

一、引 言

中國(guó)信用債市場(chǎng)目前處于高速發(fā)展時(shí)期。2017年以來,隨著內(nèi)地債券市場(chǎng)與中國(guó)香港債券市場(chǎng)正式互聯(lián)互通合作(“債券通”),我國(guó)債券市場(chǎng)在國(guó)內(nèi)的戰(zhàn)略地位與國(guó)際的影響力都進(jìn)一步提高。然而,作為信用債市場(chǎng)發(fā)展的基礎(chǔ),我國(guó)的信用評(píng)級(jí)質(zhì)量卻與之極不匹配,飽受投資者詬病。隨著經(jīng)濟(jì)改革,中國(guó)信用債市場(chǎng)剛性兌付被打破,債券違約數(shù)量與規(guī)模屢創(chuàng)新高,為構(gòu)建適用于我國(guó)債券市場(chǎng)的信用債違約評(píng)估模型、并以該模型為基礎(chǔ)建立全新的信用評(píng)級(jí)系統(tǒng)提供了可能。

本文選取有存量信用債的A股上市公司為研究樣本,構(gòu)建違約預(yù)測(cè)模型。具體地,本文選擇經(jīng)典的判別分析模型、Logisitc回歸模型與離散時(shí)間風(fēng)險(xiǎn)模型分別進(jìn)行違約預(yù)測(cè),比較三類模型的預(yù)測(cè)準(zhǔn)確率、進(jìn)而選出最優(yōu)預(yù)測(cè)模型。在構(gòu)建三類模型過程中,逐步加入篩選出的財(cái)務(wù)指標(biāo)、公司治理指標(biāo)與市場(chǎng)信息指標(biāo)。研究發(fā)現(xiàn),在我國(guó)資本市場(chǎng)上,離散時(shí)間風(fēng)險(xiǎn)模型的預(yù)測(cè)效果明顯優(yōu)于判別分析模型與Logisitc回歸模型。另外,在指標(biāo)的選擇上,Altman[1]提出的傳統(tǒng)五指標(biāo)并不適用于中國(guó)市場(chǎng),純財(cái)務(wù)指標(biāo)的預(yù)測(cè)效果不佳。個(gè)股平均超額收益率均值、市值利潤(rùn)率均值等市場(chǎng)指標(biāo)的加入,能顯著提升模型的預(yù)測(cè)準(zhǔn)確率。與此同時(shí),公司治理指標(biāo)也在預(yù)測(cè)中起到一定作用。國(guó)有股比例越高,曾為國(guó)有控股的上市公司違約可能性越高。本文最終確定由11個(gè)指標(biāo)(包含財(cái)務(wù)指標(biāo)、公司治理指標(biāo)、市場(chǎng)指標(biāo))組成的離散時(shí)間風(fēng)險(xiǎn)模型預(yù)測(cè)效果最佳。以該模型為基礎(chǔ),并參考國(guó)際評(píng)級(jí)體系,本文構(gòu)建了包含13個(gè)等級(jí)、趨近正態(tài)分布的全新的評(píng)級(jí)系統(tǒng)。在該評(píng)級(jí)系統(tǒng)中,評(píng)級(jí)間具有明顯區(qū)分度,絕大部分違約公司處于較低等級(jí)。將該評(píng)級(jí)系統(tǒng)與隱含評(píng)級(jí)、外部評(píng)級(jí)進(jìn)行對(duì)比,具有明顯優(yōu)勢(shì)。

本文的研究填補(bǔ)了國(guó)內(nèi)上市公司信用債違約預(yù)測(cè)模型的空白,在此之前,由于缺乏上市公司信用債違約數(shù)據(jù),無法針對(duì)其構(gòu)建違約預(yù)測(cè)模型。本文對(duì)多種模型的預(yù)測(cè)結(jié)果進(jìn)行比較研究,并從中選擇出預(yù)測(cè)效果最佳的離散時(shí)間風(fēng)險(xiǎn)模型,同時(shí)經(jīng)過多重指標(biāo)篩選,建立了適用于我國(guó)資本市場(chǎng)的獨(dú)特的違約風(fēng)險(xiǎn)評(píng)估模型。另外,本文根據(jù)最優(yōu)違約預(yù)測(cè)模型構(gòu)建全新的信用評(píng)級(jí)系統(tǒng),通過將新的評(píng)級(jí)體系與外部評(píng)級(jí)、隱含評(píng)級(jí)進(jìn)行對(duì)比,進(jìn)一步證實(shí)了外部評(píng)級(jí)與隱含評(píng)級(jí)存在過度虛高問題。本文提出的評(píng)級(jí)系統(tǒng)更具區(qū)分度,且在違約風(fēng)險(xiǎn)評(píng)估方面具有較高的準(zhǔn)確性,可為投資者提供更多參考價(jià)值,具有一定的實(shí)踐意義。

二、文獻(xiàn)綜述

國(guó)外有關(guān)違約預(yù)測(cè)模型的相關(guān)研究十分豐富。判斷分析模型[1]與Logistic回歸模型[2]被廣泛應(yīng)用于企業(yè)財(cái)務(wù)困境類事件的預(yù)測(cè),它們較為直觀、便于應(yīng)用。然而這兩類傳統(tǒng)模型存在一定缺陷,它們的估計(jì)是靜態(tài)且有偏的。而且在建模過程中,失敗企業(yè)常被過度抽樣,傳統(tǒng)模型無法考量企業(yè)風(fēng)險(xiǎn)隨時(shí)間變化的趨勢(shì)[3-4]。離散時(shí)間風(fēng)險(xiǎn)模型彌補(bǔ)了傳統(tǒng)模型的不足。Shumway[4]的研究為離散時(shí)間風(fēng)險(xiǎn)模型的典型代表,他通過建立簡(jiǎn)單模型,利用所有可利用的數(shù)據(jù),以確定每個(gè)公司在每個(gè)時(shí)間點(diǎn)的違約風(fēng)險(xiǎn)。隨后,眾多學(xué)者對(duì)該模型進(jìn)行發(fā)展研究[5-6],其優(yōu)越性逐步受到肯定,但在國(guó)內(nèi)研究中的應(yīng)用并不廣泛。

三、樣本數(shù)據(jù)與指標(biāo)選擇

(一)樣本數(shù)據(jù)

本文研究首次發(fā)生信用債違約的A股上市公司。自2014年發(fā)生首例信用債違約以來,共有26家A股上市公司發(fā)生信用債違約,違約時(shí)間分布如表1所示。

表1 信用債違約上市公司時(shí)間分布表

數(shù)據(jù)來源:Wind數(shù)據(jù)庫。

表1顯示,上市公司首次發(fā)生信用債違約的時(shí)間點(diǎn)集中在2017Y4Q—2019Y2Q時(shí)間段。由于2017年以前的違約樣本太過離散,本文在建立模型預(yù)測(cè)信用債違約概率時(shí),只取用2017Y4Q—2019Y2Q段的上市公司數(shù)據(jù),其中包含23個(gè)違約樣本。

本文首先構(gòu)建適用于中國(guó)資本市場(chǎng)的違約預(yù)測(cè)模型,并在模型基礎(chǔ)上建立新的信用債評(píng)級(jí)系統(tǒng)。本文選擇了判別分析模型、Logistic回歸模型與離散時(shí)間風(fēng)險(xiǎn)模型分別進(jìn)行預(yù)測(cè),并從中擇出最優(yōu)的預(yù)測(cè)模型。在利用判別分析模型與Logistic回歸模型預(yù)測(cè)信用債違約概率時(shí),本文按同一年度、同一行業(yè)、同一交易所上市、資產(chǎn)規(guī)模相近的原則,對(duì)23個(gè)債券違約公司按1∶3的比例進(jìn)行配對(duì),獲得92個(gè)研究樣本。而在采用離散時(shí)間風(fēng)險(xiǎn)模型預(yù)測(cè)違約概率時(shí),則選取所有有存量信用債的上市公司為研究樣本。為了更充分利用各類指標(biāo)與研究樣本,提高預(yù)測(cè)模型的準(zhǔn)確性,本文采用季度——公司數(shù)據(jù)構(gòu)建模型。

(二)指標(biāo)選擇

在構(gòu)建信用債違約預(yù)測(cè)模型前,本文首先進(jìn)行指標(biāo)選擇。具體地,本文參考已有文獻(xiàn)[8],選取反映公司盈利能力、運(yùn)營(yíng)能力、償債能力、財(cái)務(wù)結(jié)構(gòu)的18個(gè)財(cái)務(wù)指標(biāo)及反映公司的股權(quán)結(jié)構(gòu),以及董事會(huì)結(jié)構(gòu)的8個(gè)公司治理指標(biāo),由于信用債違約企業(yè)在違約時(shí)均是民營(yíng)上市公司,但部分公司曾為國(guó)有控股企業(yè),因而不考慮“是否國(guó)有控股”指標(biāo),轉(zhuǎn)而考慮“曾是國(guó)有控股”指標(biāo)。該指標(biāo)為虛擬變量,若上市公司曾是國(guó)有控股而現(xiàn)今非國(guó)有控股,則取值為1,否則取值為0。指標(biāo)具體計(jì)算方法詳見表2。

此外,參考Campbell等[5],本文考慮股票市場(chǎng)的波動(dòng)以及收益率等9個(gè)市場(chǎng)指標(biāo),部分指標(biāo)與計(jì)算方式如下,其他指標(biāo)的計(jì)算方法詳見表2。

市場(chǎng)收益率均值NIMTAAVG的計(jì)算公式為:

φ2NIMTAi,t-2+φ3NIMTAi,t-3)

(1)

為了提高球磨的效率，將原料切割成大小不同的磨塊，以增加球磨時(shí)的摩擦面積，本實(shí)驗(yàn)采用Sodick線切割機(jī)切割獲得磨塊，其切割精度高，最小可切割成10um左右的顆粒，能夠達(dá)到本實(shí)驗(yàn)的要求。

個(gè)股超額收益率均值的計(jì)算公式為:

φ2EXRETi,t-2+φ3EXRETi,t-3)

(2)

式中,EXRETi,t=log(1+個(gè)股收益率i,t)-log(1+市場(chǎng)收益率i,t),φ取值為1/2,意味著每季度的權(quán)重減半。

公司收益波動(dòng)率SIGMA的計(jì)算公式為:

(3)

式中,N為股票上一季的交易總天數(shù),k為交易日,ri,k為日個(gè)股收益率。

公司違約距離DD的計(jì)算公式為:

DDi,t=

(4)

表2 變量及計(jì)算方式

為從眾多指標(biāo)中篩選出適當(dāng)?shù)闹笜?biāo),本文依次進(jìn)行違約組與非違約組的均值差異比較、相關(guān)性分析。首先比較信用債違約公司與其他公司各個(gè)指標(biāo)的均值在統(tǒng)計(jì)上是否存在顯著性差異,選擇兩組有顯著差異的指標(biāo);進(jìn)一步地,利用Pearson檢驗(yàn)方法計(jì)算被解釋變量與各指標(biāo)的相關(guān)關(guān)系,以及指標(biāo)間的相關(guān)關(guān)系,盡量選擇相關(guān)性較小的指標(biāo)。最終,本文選擇的財(cái)務(wù)指標(biāo)為營(yíng)業(yè)凈利潤(rùn)率X14、資產(chǎn)負(fù)債比率X16、現(xiàn)金資產(chǎn)比率X4、固定資產(chǎn)收益X13、總資產(chǎn)周轉(zhuǎn)率X8;公司治理指標(biāo)為國(guó)有股比例CG4、曾為國(guó)有股CG6、董事會(huì)規(guī)模CG7;市場(chǎng)指標(biāo)為市值收益率均值NIMTAAVG、超額收益率均值EXRETAVG、現(xiàn)金與短期投資/總市值CASHMTA、公司價(jià)格PRICE、市值負(fù)債比TLMTA、公司收益波動(dòng)率SIGMA。

四、實(shí)證結(jié)果與對(duì)比分析

(一)單期預(yù)測(cè)

萬德提供的違約預(yù)測(cè)是基于傳統(tǒng)判別分析模型[1]作出的,其被投資者認(rèn)為具有一定參考價(jià)值。因而,本文首先借助5個(gè)傳統(tǒng)指標(biāo)(營(yíng)運(yùn)資金比率X3、總資產(chǎn)周轉(zhuǎn)率X8、資產(chǎn)收益率X11、留在收益資產(chǎn)比X18、市值賬面價(jià)值比 MB)、上文篩選出的財(cái)務(wù)指標(biāo)、篩選出的財(cái)務(wù)指標(biāo)與公司治理指標(biāo)、所有篩選出的指標(biāo)分別構(gòu)建判別分析模型、邏輯回歸模型與離散時(shí)間風(fēng)險(xiǎn)模型預(yù)測(cè)公司的債券違約率,旨在逐步比較各類指標(biāo)的有效性,以及本文構(gòu)建的違約模型與市場(chǎng)提供的違約預(yù)測(cè)的實(shí)用性。

表3 十分位預(yù)測(cè)準(zhǔn)確率

數(shù)據(jù)來源:Wind數(shù)據(jù)庫。

本文參考Shumway[4]用十分位法評(píng)估模型的預(yù)測(cè)能力,將所有企業(yè)的違約概率按順序分成十等分,違約率最高(低)的公司位于第1(10)十分位。而后,計(jì)算每個(gè)十分位中違約公司數(shù)占總違約數(shù)的比例,結(jié)果如表3所示。表3的Panel A與Panel B顯示,將傳統(tǒng)指標(biāo)替換成篩選出的財(cái)務(wù)指標(biāo)后,判別分析模型與Logistic回歸模型的預(yù)測(cè)結(jié)果,雖然第一個(gè)十分位的占比不變,但第二個(gè)十分位的占比均有提升,且Logistic回歸模型第6～10個(gè)十分位的占比略有下降。就離散時(shí)間風(fēng)險(xiǎn)模型而言,第一個(gè)十分位與第二個(gè)十分位的占比均有提升,且第6～10個(gè)十分位的下降一半。以上結(jié)果表明,基于篩選出的財(cái)務(wù)指標(biāo)構(gòu)建的模型均較基于傳統(tǒng)指標(biāo)構(gòu)建的模型,預(yù)測(cè)效果有所提升。另外,三個(gè)模型中,離散時(shí)間風(fēng)險(xiǎn)模型的預(yù)測(cè)效果最佳。但該結(jié)果也表明,僅依靠財(cái)務(wù)指標(biāo)進(jìn)行預(yù)測(cè),效果并不足夠好。

表3的Panel C報(bào)告了加入公司治理變量后各模型的預(yù)測(cè)準(zhǔn)確率。此時(shí),判別分析模型與Logistic回歸模型的預(yù)測(cè)準(zhǔn)確率并沒有顯著變化,但離散時(shí)間風(fēng)險(xiǎn)模型的預(yù)測(cè)準(zhǔn)確率卻獲得了較大提升,其第1個(gè)十分位、第2個(gè)二分位占比均提升4.35%。三個(gè)模型的預(yù)測(cè)準(zhǔn)確率橫向比較,離散時(shí)間風(fēng)險(xiǎn)模型的預(yù)測(cè)結(jié)果仍具有較大優(yōu)勢(shì)。

表3的Panel D報(bào)告了加入市場(chǎng)指標(biāo)后各模型的預(yù)測(cè)準(zhǔn)確率。判別分析模型第3個(gè)十分位的比例從13.04%提升至21.74%,第4個(gè)十分位的比例從4.35%提升至8.70%,而位于第5個(gè)十分位以及第6～10個(gè)十分位的比例相應(yīng)減少;在Logistic回歸模型中,第1個(gè)十分位的占比從34.78%提升至39.13%,第3個(gè)十分位的占比從8.7%大幅提升至21.74%,而位于第4、5、6～10個(gè)十位數(shù)占比相應(yīng)減少;離散時(shí)間風(fēng)險(xiǎn)模型中,第1個(gè)十分位的占比由73.91%大幅提升至82.61%,原位于第3、6～10個(gè)十分位的占比相應(yīng)減少。三個(gè)模型的準(zhǔn)確率均有顯著提升。橫向比較三個(gè)模型,離散時(shí)間風(fēng)險(xiǎn)模型的預(yù)測(cè)效果仍明顯占優(yōu)。綜合了各類指標(biāo)的離散時(shí)間風(fēng)險(xiǎn)模型具有良好的效果,95.65%(23個(gè)違約公司中的22個(gè))的違約公司位于前兩個(gè)十分位上,且其中82.61%(23個(gè)違約公司中的19個(gè))位于第1個(gè)十分位。

(二)多期預(yù)測(cè)

公司的資金流出現(xiàn)問題乃至最后發(fā)生債券違約是一個(gè)逐步惡化的過程,及早發(fā)現(xiàn)公司危機(jī)并做出相應(yīng)防范可有效為各方規(guī)避損失。因而,本文接下來檢驗(yàn)最優(yōu)的離散時(shí)間風(fēng)險(xiǎn)模型的多期預(yù)測(cè)效果。表4列出了提前2期(兩個(gè)季度)、3期(兩個(gè)季度)、4期(兩個(gè)季度)、8期(兩年)、12期(三年)的模型預(yù)測(cè)結(jié)果。雖然隨時(shí)間推移,預(yù)測(cè)準(zhǔn)確率逐步下降,但絕大多數(shù)的違約樣本仍位于前2個(gè)十分位中。離散時(shí)間風(fēng)險(xiǎn)模型仍具有一定的預(yù)測(cè)效果。

(三)基于模型建立新信用債評(píng)級(jí)體系

參考標(biāo)普國(guó)際評(píng)級(jí)的分布,本文根據(jù)離散時(shí)間風(fēng)險(xiǎn)模型的預(yù)測(cè)結(jié)果,建立包含13個(gè)等級(jí)、趨近于正態(tài)分布的評(píng)級(jí)體系,各評(píng)級(jí)及其占比如表5所示。表5顯示,位于尾端的A與CCC-占比各為2.5%;位于評(píng)級(jí)BBB+、BBB、CCC與CCC+的公司數(shù)分別占比5%;位于BBB-與B-的的公司數(shù)分別占比7.5%;位于BB+與B的公司數(shù)分別占比10%;位于BB與B+的公司數(shù)占比12.5%; 而位于最中間的BB-公司數(shù)占比 15%。

表4 離散時(shí)間風(fēng)險(xiǎn)模型多期預(yù)測(cè)

數(shù)據(jù)來源:Wind數(shù)據(jù)庫。

表5 新評(píng)級(jí)分布

數(shù)據(jù)來源:Wind數(shù)據(jù)庫。

根據(jù)離散時(shí)間風(fēng)險(xiǎn)模型的預(yù)測(cè)結(jié)果,按表5的評(píng)級(jí)分布設(shè)立各個(gè)公司的新評(píng)級(jí),各違約公司的評(píng)級(jí)分布如表6所示。從四期預(yù)測(cè)的結(jié)果可以看出,第一期的預(yù)測(cè)評(píng)級(jí)中有13個(gè)公司處于CCC-級(jí),6個(gè)處于CCC級(jí);第二期至第四期的預(yù)測(cè)結(jié)果也相對(duì)穩(wěn)定,第二期有14個(gè)位于CCC級(jí)及其以下,第三期與第四期中也分別有16個(gè)位于CCC+級(jí)及其以下。利用新評(píng)級(jí)12個(gè)月內(nèi)都可以幫助投資者有效識(shí)別大多數(shù)違約公司。

表6 違約公司新評(píng)級(jí)分布

數(shù)據(jù)來源:Wind數(shù)據(jù)庫。

(四)新信用債評(píng)級(jí)體系與外部評(píng)級(jí)、隱含評(píng)級(jí)的比較分析

為了進(jìn)一步探討新的評(píng)級(jí)系統(tǒng)的有效、實(shí)用性,本文將其與外部評(píng)級(jí)、隱含評(píng)級(jí)進(jìn)行比較。表7給出了各違約公司一期預(yù)測(cè)新評(píng)級(jí)與外部評(píng)級(jí)、隱含評(píng)級(jí)的對(duì)應(yīng)情況。處于新評(píng)級(jí)CCC-級(jí)的有8家公司的外部評(píng)級(jí)在A級(jí)及其以上,處于新評(píng)級(jí)CCC級(jí)的違約公司全處于AA-級(jí)以上。而外部評(píng)級(jí)CC～BBB+的6家公司的新評(píng)級(jí)全部在CCC-與CCC級(jí),該結(jié)果表明能為外部評(píng)級(jí)較低的公司新評(píng)級(jí)都較低,即外部評(píng)級(jí)能識(shí)別的高違約風(fēng)險(xiǎn)的公司均能由新評(píng)級(jí)識(shí)別出來。但新評(píng)級(jí)所能識(shí)別的高違約風(fēng)險(xiǎn)的公司大多并不能由外部評(píng)級(jí)識(shí)別出來。因而,新評(píng)級(jí)對(duì)違約的識(shí)別能力要明顯強(qiáng)于外部評(píng)級(jí)。新評(píng)級(jí)與隱含評(píng)級(jí)的對(duì)應(yīng)情況中,處于新評(píng)級(jí)CCC-級(jí)的違約公司中只有2家的隱含評(píng)級(jí)在A+級(jí)上,其他均在BBB級(jí)及其以下。 CCC級(jí)的違約公司中有3家在A+級(jí)以上,其他均在BBB級(jí)及其以下。而隱含評(píng)級(jí)在CC～BBB的16家公司中,有11家公司的新評(píng)級(jí)為CCC-,3家為CCC,1家為B,1家為B。從二者的對(duì)應(yīng)情況可以看出,新評(píng)級(jí)對(duì)違約風(fēng)險(xiǎn)的識(shí)別能力略強(qiáng)于隱含評(píng)級(jí)。

表7 違約上市公司一期預(yù)測(cè)新評(píng)級(jí)與外部評(píng)級(jí)、隱含評(píng)級(jí)的對(duì)應(yīng)情況

數(shù)據(jù)來源:Wind數(shù)據(jù)庫。

兩期預(yù)測(cè)新評(píng)級(jí)與外部評(píng)級(jí)、隱含評(píng)級(jí)的對(duì)應(yīng)情況中,處于新評(píng)級(jí)CCC-處的9個(gè)公司中,只有3個(gè)公司的外部評(píng)級(jí)在BBB+及其以下,有7個(gè)公司的隱含評(píng)級(jí)在BBB級(jí)及其以下;而新評(píng)級(jí)位于CCC級(jí)的5個(gè)公司的外部評(píng)級(jí)全部處于AA-級(jí)及其以上,其中也只有一個(gè)公司的隱含評(píng)級(jí)在BB級(jí)上,其他均在A+級(jí)及其以上。其他新評(píng)級(jí)為B-、B、B+的公司其外部評(píng)級(jí)、隱含評(píng)級(jí)全在A等級(jí)以上。該結(jié)果表明,外部評(píng)級(jí)的兩期預(yù)測(cè)效果較新評(píng)級(jí)預(yù)測(cè)效果進(jìn)一步降低,且能通過外部評(píng)級(jí)識(shí)別違約風(fēng)險(xiǎn)的公司也能通過新評(píng)級(jí)識(shí)別出來,其預(yù)測(cè)能力遠(yuǎn)遜于新評(píng)級(jí)。與此同時(shí),隱含評(píng)級(jí)的預(yù)測(cè)效果較新評(píng)級(jí)也大幅下降,新評(píng)級(jí)的預(yù)測(cè)優(yōu)勢(shì)越發(fā)突顯。

五、結(jié) 論

本文選取2017年第四季度至2019年第二季度具有存量信用債的A股上市公司為研究樣本,構(gòu)建適用于中國(guó)市場(chǎng)的信用債違約風(fēng)險(xiǎn)評(píng)估模型,并基于該模型建立全新的信用債評(píng)級(jí)系統(tǒng)。借鑒已有文獻(xiàn),本文分別采用經(jīng)典的判別分析模型、Logistic回歸模型及離散時(shí)間風(fēng)險(xiǎn)模型,對(duì)上市公司信用債違約概率進(jìn)行建模。通過多重指標(biāo)篩選、模型比較,最終確立了最適用于中國(guó)資本市場(chǎng)的風(fēng)險(xiǎn)評(píng)估模型。根據(jù)該模型的預(yù)測(cè)結(jié)果、并借鑒國(guó)際評(píng)級(jí)系統(tǒng),本文構(gòu)建包含13個(gè)等級(jí)的新評(píng)級(jí)系統(tǒng)。在該評(píng)級(jí)系統(tǒng)下,評(píng)級(jí)分布更分散,更能反映公司債的信用風(fēng)險(xiǎn)差異。新評(píng)級(jí)系統(tǒng)相對(duì)于外部評(píng)級(jí)、隱含評(píng)級(jí)具有明顯優(yōu)勢(shì)。

本文的研究彌補(bǔ)了中國(guó)資本市場(chǎng)上市公司信用債違約風(fēng)險(xiǎn)評(píng)估模型的空白。在此之前,由于上市公司信用債違約數(shù)據(jù)的缺乏,尚無文獻(xiàn)對(duì)其構(gòu)建違約預(yù)測(cè)模型,本文利用上市公司信用債違約數(shù)據(jù),構(gòu)建適用于中國(guó)市場(chǎng)的違約預(yù)測(cè)模型,并基于模型提出全新的評(píng)級(jí)系統(tǒng)。此外,雖然外部評(píng)級(jí)一直為投資者詬病過分虛高,隱含評(píng)級(jí)推出以來也備受爭(zhēng)議,但對(duì)于二者的實(shí)用性、有效性尚無文獻(xiàn)對(duì)其進(jìn)行實(shí)證探討。本文通過比較分析,既說明了新評(píng)級(jí)系統(tǒng)的優(yōu)越性,也顯示了外部評(píng)級(jí)、隱含評(píng)級(jí)過度集中、過分虛高的缺陷。本文的研究成果為進(jìn)一步的研究奠定了一定基礎(chǔ),同時(shí)也可為投資者提供切實(shí)有效的參考價(jià)值、有助于監(jiān)管者及時(shí)管控市場(chǎng)風(fēng)險(xiǎn)。□