洪宇廷

【摘 要】隨著金融市場不斷發展與變化，公司債券作為公司籌集資金的重要方式之一，面臨著越來越多的風險，對公司債券發行方的債券信用風險進行研究能夠幫助投資者更好地甄選優質債權，降低買到垃圾債券的概率。文章以上海證券交易所5 372只債券為樣本庫，隨機抽取376組數據，以公司財務指標為依據，共選取10個指標，經過正向納入和反向剔除之后，以資產負債率、流動比率、速動比率、總資產周轉率、凈資產收益率5個指標為依據，建立Logistic逐次回歸模型，對債券發行主體的債券信用風險進行評估。

【關鍵詞】Logistic模型;信用評價模型;財務指標;逐步回歸

【中圖分類號】F275;F832.51【文獻標識碼】A 【文章編號】1674-0688（2021）03-0152-03

1 文獻綜述

關于信用風險評價的方法主要為以下幾種，分別是Logistic回歸模型、BP神經網絡、決策樹、層次分析等[1]。中國債券市場于2014年3月4日首次出現債券違約時間。債券市場對信用風險長期以來的弱化，使投資者產生了錯誤的判斷。據Wind數據庫統計，截至2017年我國違約債券數量為78只，涉及未償還金融達到393億元。2018年受金融去杠桿與供給側結構性改革、宏觀經濟GDP增速下行、債券集中擠兌等多方面因素的影響，累計違約債券已達120只之多，違約余額高達1176.51億元，信用風險大幅擴大。我國金融市場經過不斷發展與完善，信用風險問題日漸嚴重。Gurdip（2006）研究發現影響債券信用風險的重要因素之一就是企業財務績效，財務杠桿比率每提高1個百分點，信用風險溢價就會提高5到10個百分點[2]。SpencerMartin（2002）分別基于短期利率和公司特有的財務困境指標，對公司債券信用風險評價模型進行了構建。研究表明，短期利率對債券利差的影響最明顯[3]。

2 數據預處理

2.1 數據來源

本文選取上海證券交易所截至2019年12月20日的全部5 372只公司債券。源數據包包括正常交易債券5 154只，連續停牌、盤中停牌和暫停上市債券101只，數據不全債券117只。源數據在剔除數據不全與離差較大的債券之后，余下64只連續停牌、盤中停牌和暫停上市的債券，4 143只正常上市的股票。

根據有關研究表明，當正常客戶的數據比違約客戶多出3～5倍時，回歸分析更有效，模型更準確。因此，本文從4 143只正常股票中隨機抽取312只正常債券作為建模樣本數據。通過Choice金融終端獲取了樣本數據的各項財務指標，從中選取了10種指標數據用于構建模型，分別為資產負債率x1、權益乘數x2、流動比率x3、流動比率x4、總資產周轉率x5、凈資產收益率x6、股東權益x7、凈利潤/利潤總額x8、投入資本回報率x9、注冊資本x10。被解釋變量以債權是否正常上市為區分標準，設為y，其中正常上市的債券記為1，連續停牌，盤中停牌和暫停上市的債券記為0。

2.2 數據處理

數據處理包括數據清理和數據轉換兩個步驟，主要目的是處理不一致、不完整的數據。為提高模型準確性，刪除離差較大的數據[4]。文中采用上海證券交易所的公司債數據對發債公司信息審核比較嚴格，數據比較完整，因此不需要填補某些空白值，只需刪除債券名、發債主體評級信用等級及證券代碼等無關變量，提高回歸準確性。

3 回歸模型的構建

3.1 建立模型

Logistic模型作為一種多變量統計分析方法，主要研究二分類變量或多分類變量的觀測結果數據與解釋變量之間的相對關系。因變量可以是二分非線性差分方程類的，也可以是多分類的，但二分類更常用，也更加容易解釋，所以實際中最常用的就是二分類的[4]。

本文模型回歸的基本思想是假設y表示公司債券未來是否正常上市，y=1表示公司債券未來正常上市，y=0表示公司債券未來出現連續停牌、盤中停牌或者暫停上市的現象，用“1”和“0”作為被解釋變量的取值進行回歸。

模型的具體定義如下：假設存在N個自變量，記為x1，x2，…，n;在n個自變量的共同作用下出現因變量取1，即公司債券正常上市交易的概率，記為p={y=1|x1，x2，…，xn}，則回歸模型如下：

其中，β0為截距項或常數項，β1，β2，…，βn為權重向量。那么，違約概率：

3.2 實證檢驗

運用Stata軟件，將處理完成的數據輸入進行正向納入和反向淘汰的回歸分析。逐步回歸法的基本思路是將變量逐個引入模型，在每引入一個解釋變量之后都要進行一次顯著性檢驗，如果新加入的解釋變量導致原來引入的變量變得不再顯著時，則將原來引入的變量刪除，保證每次引入新變量時，回歸方程中只包含顯著性變量。將這個過程反復進行，直到既沒有顯著的解釋變量加入回歸方程，又沒有非顯著的解釋變量要從解釋變量中刪除時，得到最優的解釋變量集，由于本文選取的變量較多，運用逐步回歸法進行回歸分析可以有效解決變量之間的多重共線性問題。為排除方法不同而出現差異的可能性，本文分別使用正向納入和反向剔除兩種方法對數據進行分析，分析結果見表1。

正向納入法的基本思路為首先對各變量分別進行回歸分析，然后判斷各變量的顯著性。模型零假設為某回歸系數與零沒有顯著的差異，相關的解釋變量與Logistic p之間不存在顯著的線性關系。如果P值小于設定的5%則應該拒絕零假設，認為該解釋變量與Logistic p具有顯著的線性關系，將其保留在方程之中。由上述回歸結果可以看出，經過多次回歸后，最終留在回歸模型里的變量為x1，x3，x4，x5，x6，而其余5項指標與Logistic p在5%的置信水平下并不具有顯著的線性關系，故而將這5個變量從模型中提出。求得的Logistic回歸方程如下：

表2為通過反向剔除法得到的實證結果，反向剔除法與正向納入法正好相反，它先將各個變量全部納入回歸方程之中，然后檢驗各變量的顯著程度，將最不顯著的變量剔除，然后余下的變量繼續進行回歸，再將新一輪回歸中最不顯著的變量剔除，直至全部變量都顯著時，得到最終的回歸模型，同正向納入法一樣，反向剔除法同樣可以排除個變量之間存在共線性的問題，使回歸得到的結果更為準確。由表2可知，正向納入法和反向剔除法的回歸分析結果完全一樣，從而排除了方法選擇上的誤差。

4 結論與建議

本文基于金融終端Choice平臺上借款人真實數據，根據中國公司債券的基本風險特征，從發債主體公司的各項財務指標出發建立了公司債券投資的發債主體公司信用風險評估體系。引入了在穩定性方面具有比較優勢的Logistic回歸模型，得出影響發債主體公司信用風險的主要因素是資產負債率、流動比率、速動比率、總資產周轉率、凈資產收益率5項指標，可以為公司債券交易平臺和債券投資者在判斷發債主體公司未來的違約風險時提供一定的參考。

基于上述實證結果，結合中國公司債券市場實際情況，提出以下兩點建議：？譹？訛發債主體公司外部。信用評級是投資者在購買公司債券時重要的參考目標，現有的各評級平臺之間可以建立統一、規范的信用評分系統，減少各平臺的信息收集成本，減少信息不對稱，幫助債券投資者更有效的獲得債券發行主體的信用信息，更好地規避風險。？譺？訛債券評級公司之間。各債券評級公司可以建立信息共享平臺，將各平臺收集的信息共享，減少各平臺的信息采集成本。

參 考 文 獻

[1]舒方媛，趙公民，武勇杰.P2P網貸借款人違約風險影響因素研究——基于Logistic模型的實證分析[J].湖北農業科學，2019（4）：103-107.

[2]Gurdip Bakshi，Dilip Madan，Frank Xiaoling Zhang.Investigating the Role of Systematic and Firm-Specific Factors in Default Risk：Lessons from Empirically Evaluating Credit Risk Models[J].The Journal of Business，2006（4）：54-56.

[3]PierreCollin-Dufresne，Robert S Goldstein，J Spen-cer Martin.The Determinants of Credit Spread Ch-anges[J].The Journal of Finance，2002（6）：23-26.

[4]劉元鵬，田國忠，白芳.基于信用債違約概率模型評估債券業務的風險研究[J].中國證券期貨，2019（5）：69-74.