九色国产,午夜在线视频,新黄色网址,九九色综合,天天做夜夜做久久做狠狠,天天躁夜夜躁狠狠躁2021a,久久不卡一区二区三区

近年來我國信用債規(guī)?？焖僭鲩L，萬得1（Wind）數(shù)據(jù)顯示，截至2020年末信用債存量規(guī)模達(dá)38.68萬億元。在經(jīng)濟(jì)弱復(fù)蘇周期與疫情持續(xù)影響供需的背景下，2019—2020年信用債違約數(shù)量較往年明顯增多，投資者愈發(fā)關(guān)注信用風(fēng)險識別問題。

評級公司的外部評級是債券市場揭示信用風(fēng)險的重要工具，但其更新頻率較低且往往調(diào)整滯后，難以為投資者及時提供決策參考。從過去一段時間看，市場隱含評級作為一種信用分析工具，在風(fēng)險識別方面發(fā)揮了積極作用。中債市場隱含評級由中債金融估值中心有限公司推出，是以市場價格信號為依據(jù)，綜合企業(yè)性質(zhì)、財務(wù)狀況、擔(dān)保情況等因素得出的信用分析體系，動態(tài)反映了投資者對債券的信用評價，為投資者所常用。下文將分析近五年中債市場隱含評級（以下簡稱“隱含評級”）數(shù)據(jù)，以隱含評級與外部債項評級的級差為切入點，分析發(fā)債主體信用變化，并得出相應(yīng)信用評價結(jié)論。

（一）隱含評級公允性分析

筆者以2020年末我國債券市場上16198只存續(xù)信用債作為樣本，統(tǒng)計相關(guān)數(shù)據(jù)，發(fā)現(xiàn)樣本的隱含評級接近鐘形分布，隱含評級為AA的債券數(shù)量最多，占比為23.23%；樣本的外部債項評級呈現(xiàn)左偏分布，高級別債券數(shù)量較多，其中AAA級別債券數(shù)量最多，占比為58.83%（見圖1、圖2）。

對比外部債項評級與隱含評級，可發(fā)現(xiàn)外部債項評級與隱含評級一致的樣本占比為21.48%，外部債項評級高于隱含評級的樣本占比為77.28%，外部債項評級低于隱含評級的樣本占比為1.23%。整體來看，外部債項評級的區(qū)分度相對不高，分布集中于AAA，存在一定的虛高現(xiàn)象。

（二）隱含評級及時性分析

筆者選取2016—2020年外部債項評級下調(diào)事件，比較外部債項評級下調(diào)發(fā)生時點與隱含評級下調(diào)發(fā)生時點的時間差，研判隱含評級在風(fēng)險預(yù)警方面是否領(lǐng)先。下文分析以時間差為指標(biāo)。

時間差=外部債項評級下調(diào)時間-隱含評級下調(diào)時間

時間差為正，意味著在該債券評級下調(diào)事件中，隱含評級早于外部債項評級出現(xiàn)下調(diào)。樣本統(tǒng)計結(jié)果如圖3所示。

圖3顯示，71.51%的機(jī)構(gòu)債項評級下調(diào)事件時間差為正值，即有71.5%是隱含評級下調(diào)早于外部債項評級下調(diào)。1.45%的機(jī)構(gòu)債項評級下調(diào)事件時間差為0，即隱含評級下調(diào)時間與機(jī)構(gòu)債項評級下調(diào)時間同步。25.29%的機(jī)構(gòu)債項評級下調(diào)事件時間差為負(fù)值，原因是隱含評級在債券主體發(fā)行時就調(diào)整到位，故后續(xù)隱含評級不再隨外部評級下調(diào)而變動。統(tǒng)計樣本的時間差平均值為134天，意味著在債券外部債項評級下調(diào)時隱含評級已平均提前134天出現(xiàn)了下調(diào)?？傊?，隱含評級在大多數(shù)情況下都能領(lǐng)先于外部債項評級作出調(diào)整，因而其變化可作為信用風(fēng)險指標(biāo)納入監(jiān)測范圍。

通過上述分析，可知隱含評級較外部評級具有較為公允和相對及時的優(yōu)勢。在此基礎(chǔ)上，筆者認(rèn)為可利用隱含評級與外部債項評級的級差構(gòu)建信用風(fēng)險預(yù)警指標(biāo)，挖掘信用債潛在的違約信息。

（一）級差分布

選取2016—2020年存續(xù)的信用債作為總樣本，計算隱含評級與外部債項評級的級差,考察債券總體級差分布以及不同債項評級下級差的分布情況。對于少數(shù)債券缺少外部債項評級的情況，使用主體評級代替?zhèn)椩u級進(jìn)行計算。級差定義為：

級差=隱含評級﹣外部債項評級

在本文中，將隱含評級與外部債項評級由高到低對應(yīng)為數(shù)字27至1，用于計算級差（見表1）。

在總樣本中，隱含評級與外部債項評級的級差整體呈左偏分布，其中30%的級差為0，1%的級差為1，其余69%的級差為負(fù)（見圖4）。級差的左偏分布說明在大部分情況下，隱含評級低于外部債項評級。

更進(jìn)一步，筆者細(xì)分了不同外部債項評級下樣本的級差。對于AAA至AA-的外部債項評級樣本，級差分布較為集中，基本在-3～1，級差中樞為-1（見圖5）。對于A 至A-的外部債項評級樣本，級差分布在-15～1，呈現(xiàn)厚尾左偏形態(tài)（見圖6）。這說明隨著外部債項評級的下降，隱含評級對外部債項評級的負(fù)偏離增大，隱含評級結(jié)果往往比外部債項評級要低。

通過債券違約數(shù)據(jù)可觀察到，在同一外部債項評級下，級差負(fù)值越高的債券，其違約概率越高。據(jù)此，下文嘗試通過級差建立識別信用風(fēng)險變化的預(yù)警方法。

（二）級差Logistic模型的設(shè)計

Logistic是一種廣義的線性回歸分析模型，適用于分類估算某一事態(tài)發(fā)生的可能性，常用于數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、經(jīng)濟(jì)預(yù)測等領(lǐng)域。本文將Logistic模型的因變量y設(shè)為債券是否違約的二分類結(jié)果，自變量為隱含評級與外部債項評級的級差，進(jìn)行Logistic模型的二分類回歸，通過債券的級差探究債券違約概率。

（三）2016—2020年違約債券級差Logistic回歸分析

1.對整體級差數(shù)據(jù)的Logistic回歸分析

對2016—2020年樣本隱含評級與外部債項評級的713737條記錄使用統(tǒng)計產(chǎn)品與服務(wù)解決方案（SPSS）進(jìn)行級差與違約的Logistic回歸，結(jié)果見表2。

第一，模型系數(shù)Omnibus測試給出了Logistic模型中所有參數(shù)是否均為0的似然比檢驗結(jié)果。顯著性檢驗結(jié)果為P<0.001，表示在本次擬合的模型所納入的變量中，至少有一個變量具有統(tǒng)計學(xué)意義，即模型總體有意義。

第二，卡方檢驗是一種計數(shù)資料的假設(shè)檢驗方法，可進(jìn)行兩組離散變量的關(guān)聯(lián)性分析。皮爾森（Pearson）卡方檢驗結(jié)果為64802，顯著性檢驗結(jié)果為P<0.001，結(jié)論為級差與債券是否違約之間存在顯著關(guān)聯(lián)。

第三，Logistic二元回歸系數(shù)C1、C2的標(biāo)準(zhǔn)差均小于0.02，系數(shù)顯著性檢驗結(jié)果均為P<0.001，意味著該Logistic模型變量在99%的顯著水平下顯著。對模型進(jìn)行似然比檢驗，似然比檢驗（LR）統(tǒng)計量為11495（P<0.001），說明自變量對因變量有顯著影響，本次模型構(gòu)建具有意義。

通過以上統(tǒng)計量可得，在 2016—2020年，Logistic級差單變量模型較為顯著，方程中級差系數(shù)（C2）為負(fù)數(shù)，意味著債券的負(fù)級差越大，則越接近y=1的債券違約結(jié)果。若在方程中引入主體企業(yè)性質(zhì)、企業(yè)凈利潤等變量，可繼續(xù)提高模型的擬合優(yōu)度。

2.不同評級組合的Logistic回歸分析

接下來對不同外部債項評級的債券樣本分別建立Logistic模型，觀察在不同評級樣本中級差對債券風(fēng)險及違約的解釋能力是否存在差別。對評級從AAA至A-的樣本進(jìn)行回歸，結(jié)果都顯著?？紤]到AAA、AA 的債券數(shù)量是最多的兩類，下文僅列示AAA與AA 的回歸結(jié)果。

AAA級別債券的Logistic系數(shù)C1、C2的顯著性檢驗結(jié)果均為P<0.001，即該Logistic模型變量在99%的顯著水平下顯著（見表3）。該模型的Omnibus測試、皮爾森卡方檢測及似然比檢驗統(tǒng)計量均表明，模型自變量級差對因變量是否違約有顯著影響。

AA 級別債券的Logistic系數(shù)C1、C2的顯著性檢驗結(jié)果均為P<0.001，即該Logistic模型變量在99%的顯著水平下顯著（見表4）。該模型的Omnibus測試、皮爾森卡方檢測及似然比檢驗統(tǒng)計量均表明，模型自變量級差對因變量是否違約有顯著影響。

從以上回歸結(jié)果可見，模型對不同外部債項評級的債券樣本回歸顯著性均較高，模型自變量級差對債券違約有明顯的預(yù)測作用。下文將通過回歸得到各評級的方程，推算不同外部債項評級債券在不同級差下的違約概率。

（四）債券級差違約概率矩陣的推導(dǎo)

以表5數(shù)據(jù)繪制級差違約概率折線圖（見圖7），從中可觀測到在相同外部債項評級下，債券違約概率大致隨著級差的增加而遞增。在相同級差下，低評級債券的違約概率總體上大于高評級債券。以上觀測也符合投資者對于信用債投資實踐的風(fēng)險認(rèn)知。此外，在外部債項評級為AA 的-5級差和更大級差上，債券違約概率陡增，高于AA、AA-等評級的違約概率，應(yīng)與外部債項評級AA、AA-等低評級樣本數(shù)量較少有關(guān)。

永煤違約事件可體現(xiàn)級差對信用風(fēng)險的預(yù)警效果。2020年2月12日，永煤集團(tuán)發(fā)行期限為270天的20永煤SCP003。2020年11月10日，永煤集團(tuán)因未能按期兌付該期超短期融資券應(yīng)付本息，構(gòu)成實質(zhì)違約。在傳統(tǒng)信用分析框架下，永煤集團(tuán)賬面資金充足，2020年10月20日發(fā)行評級為AAA的2020年第六期中期票據(jù)用于償還債務(wù)。永煤集團(tuán)作為河南省重點國有企業(yè)，主體評級為AAA，市場普遍認(rèn)為其應(yīng)具備債務(wù)償還能力。

從隱含評級看，20永煤SCP003在發(fā)行時為AA，在5個月后下調(diào)為AA-，級差由-3變?yōu)?4，說明該債券信用風(fēng)險提升，此時距其違約仍有3個月。若市場投資機(jī)構(gòu)重視前期永煤異常價格及級差的變化，則有機(jī)會避免“踩雷”。從實踐經(jīng)驗來看，通常級差在-4及以上的債券信用風(fēng)險較高，需重點關(guān)注。當(dāng)然，隱含評級變動雖然對信用風(fēng)險有揭示作用，但也不應(yīng)根據(jù)極短時間內(nèi)（如一兩天）的變動情況作出信用判斷。因為隱含評級會隨市場成交價波動，在極短時間內(nèi)的調(diào)整不一定符合債券真實資質(zhì)，此時會在未來幾日得到修正。因此，應(yīng)在中長期觀察隱含評級變動情況，并結(jié)合企業(yè)基本面來研究債券的信用變化，以獲得更為準(zhǔn)確的信用分析結(jié)論。

本文研究了隱含評級、外部債項評級以及兩者級差的分布和特點，運用Logistic模型分析級差對債券違約的預(yù)警作用，得出如下結(jié)論。

一是對于外部債項評級下調(diào)的債券，隱含評級在大多數(shù)情況下能早于外部債項評級作出反應(yīng)，故隱含評級能夠更及時地揭示債券的信用風(fēng)險變化。

二是外部債項評級存在虛高，而結(jié)合隱含評級進(jìn)行信用風(fēng)險分析，能夠較便捷地得到相對客觀、公允的信用分析結(jié)論。

三是二者的級差可作為分析債券信用風(fēng)險變化的指標(biāo)，以此挖掘信用債違約信息。通常級差在-4及以上的債券信用風(fēng)險較高，需重點關(guān)注。特別是對于中小投資機(jī)構(gòu)，研究力量有限，從評級級差擴(kuò)大、隱含評級下調(diào)等方面入手，有助于識別信用風(fēng)險。