上市公司财务状况对债券信用风险的预测——基于logistic模型

□成梦婷 杨华蔚

在现代经济市场中，信用是发生金融关系的基础和核心。信用评级作为一种重要的信息产品通过将复杂的市场信息加工处理，为金融市场提供重要的信息服务。2014年3月4日，中国债券市场史上出现首宗违约事件。深陷困境的太阳能设备公司超日太阳承认债务违约。随后的川煤、东特钢违约事件使得债券市场的信用风险成为了投资者关注的焦点。长期以来的债券市场对信用风险的弱化严重影响了投资者的价值判断。随着金融服务水平的不断提高，债券信用评级成为了评价债券信用的重要手段。

一、文献综述

随着债券发行市场的不断发展，信用风险问题的不断凸显，国内外的许多学者都对影响债券的信用风险的因素做了一定的分析研究。Ericsson,Oviedo(2005)认为企业绩效对债券信用风险有影响，他们发现,财务杠杆比率每提高1%,信用风险溢价就会提高5%～10%。Bakshi,Madan(2006)考察了一系列由短期利率和公司特有的财务困境指标两个因素驱动的公司债券信用风险结构模型,研究表明,短期利率变动对债券利差的影响是最显著的。

一些学者认为信用风险与市场信息不对称有关。周宏、林晚发(2012)构建模型发现企业债券发行者和投资者之间的信息不对称程度与企业债券信用利差之间存在显著的正相关性。研究也表明企业债券信用风险与市场不确定相关。Dbouk(2007)发现,GDP的预期变化率和期限结构斜率的预期变化率都是投资组合的信用利差变化的主要影响因素。

二、样本及财务指标选择

(一)样本选取。本文选取2013～2016年债券主体信用评级发生变动的公司债发行上市公司或控股公司，数据分为两类：债券主体信用评级下调和债券主体信用评级上升，债券主体信用评级下调指当年发行公司债的上市公司主体信用评级差于最近一次债券主体信用评级，债券主体信用评级上升指发行公司债券的上市公司主体信用评级好于最近一次债券主体信用评级，下降记为“down”，上升记为“up”。收集2013～2016年债券主体信用评级变动的相关数据，一共得到325组与上市公司相关联的债券主体信用评级变动。选取债券信用评级主要由于具备评级服务资格的公司具有一定的权威性，且评价的标准具有相对的一致性，更便于观察比较和分析。

(二)财务指标。本文使用的财务指标参考了参考文献[1]中所选取的指标，共选取16个财务指标。选取上一年度财务数据主要在于评级变动发生之前的数据更能反映其对变动的影响，且年度数据更具有代表性。

本文使用的财务数据来自于RESSET金融研究数据库。财务指标和计算公式均列示与表1中。对缺失部分进行删减，最后得到205组数据作为样本。

表1 解释变量表

(x1变量为年份变量year)

三、建立模型

Logistic模型：logistic模型是一种因变量为定性变量用于描述非线性关系的的广义线性模型。

Lasso：lasso是近年来常用的用于克服变量过多，解释精度不足的方法，他将系数估计值往0的方向缩减，当调节系数足够大时，惩罚项具有将某些系数的估计值强制设定为0的作用。

四、实证分析

(一)logistics模型。对205组原始数据进行样本回归，得到发现除年份外，其他所有变量都不具有显著性。因而对变量进行尝试性剔除。得到图2结果发现在10%的水平下得到了4个相对显著的变量，分别是β0、year、Debt/asset和ROA。

图1 进行变量剔除后额度logistic回归

使用进行变量剔除后较为显著的模型计算预测正确率。首先选取的阈值p为0.5，结果如图2所示，预测的正确率为85.37%。

图2 p=0.5未划分训练、测试集的预测正确率

从结果看，得到了一个相对较高的预测正确率，说明模型的预测效果较好。但预测为“up”，实际评级为”down”的情况却会误导投资者带来极大损失。使用循环语句来获取降低误差错误率的最优p值，得到p=0.9。进行模型正确率的检验，在没有区分训练集和测验集的情况下，得到图3的结果。

图3 p=0.9未划分训练、测验集的预测正确率

图3过程中将投资者最为关注的预测为“up”，但实际评级却为”down”的误差错误率降低到了0。从投资者角度，模型使用效果更好。区分训练集、测试集来检验模型。将2013～2015年的数据作为训练集，2016年的作为测试集，进行模型预测情况检验，得到图4、图5的结果，进行对比。

图4 p=0.5时预测正确率

图5 p=0.9时预测正确率

结果显示在区分训练集和测试集的情况下，最优p值为0.9时模型预测正确率高于原先设定的p值为0.5的情况的。从整体上看，p为0.9时，模型的预测效果和能力得到一定提升。

(二)lasso压缩估计法。在模型的解释变量较多时，从logistic回归的初始情况来看，仅有较少的自变量与因变量相关，考虑使用lasso压缩估计法，将一些不太具有显著相关性的变量压缩为0，得到稀疏模型。图6的系数图像表明随着调节参数的选择不同，某些预测变量的系数会变为0。图7为交叉验证法下错误率的图像。

图6 系数与参数的关系 图7 cv法下错误率的图像

对测试值与真实值之间的误差平方和进行了计算，计算结果为0.1635，说明进行lasso压缩后的误差平方和极小，估计结果预测正确度较高。如图8所示。

图8 误差平方和

潜在的假设一些系数的真值为0，找出影响较大的变量得到压缩后的结果如图9所示。

图9 lasso压缩的结果

所得到的结果并不很好，仅有总资产净利润率对于对模型有影响，而其他预测变量都影响不显著。

五、结论与建议

本文得出结论：一是随着债券市场的发展壮大，债券兑付违约风险不断加剧，债券信用风险也不断增大。二是logistic回归表明根据上市公司的财务状况能够对债券信用风险进行有效的预测，具有较高的预测正确率，同时能够降低误差错误率，帮助投资者更好地做出决策。三是lasso压缩估计结果不太显著仅资产净利率对债券信用风险的影响最大。四是两种估计方法结果的比较，选取Logistic模型运用上市公司的财务状况对债券的信用风险进行预测跟具有现实意义。

本文的研究意义在于：可以促使上市公司更加关注自身的财务状况，通过内部控制等手段改善企业资金环境，尽量降低可能发生信用风险的概率。同时帮助投资者提高对于信用风险的预测能力，有效规避可能发生的信用风险所造成的损失，进行更为优化的资源配置。