基于评级调整的投资策略与个券筛选 ——评级调整系列专题

来源: 申万宏源固收研究
摘 要本期投资提示:文章目的:上两篇我们分别就评级调整的规律和评级调整预测指标构建进行了分析,本篇我们将

本文来源:申万宏源固收研究 (ID:gh_8d9ceefdb915),华尔街见闻专栏作者

摘 要

本期投资提示:

  • 文章目的:上两篇我们分别就评级调整的规律和评级调整预测指标构建进行了分析,本篇我们将落脚到投资,综合利用前两篇的研究结果,应用于2019年,找出哪些个券可能出现评级上调和下调。

  • 由于边际变化类指标中的投资、筹资类指标所占比重受每年宏观经济影响,不同年份和不同行业的投资、筹资类指标显著性差异较大,我们将策略函数分为初步筛选和精确筛选两个层面。利用稳定性强的普适性指标构建初步筛选函数,另外根据不同年度、不同等级和行业主体提供相应的调整指标进行进一步筛选。

  • 初筛回测结果显示:产业债上调:经初步筛选,产业债上调评级前25名正确率由7%提升至25%-30%;城投债上调评级前20名正确率由5.6%提升至35%-40%;产业债下调评级前30名正确率由盲选的4%提升至17%;城投债下调评级前40名正确率由盲选的0.8%提升至6%-8%。

  • 结合2019年对系数进行调整:对于2019年的评级调整预测函数,我们从两个层面对关键指标权重进行调整:一是分年度从宏观经济层面的调整,根据当前影响债市最主要的因素,对盈利、投资、筹资指标所占权重进行调整,二是分行业对产业债的关键指标权重的调整。宏观层面,我们对于2019年预测函数的调整逻辑是:2019年随着宽信用的推进,企业融资情况有所好转,但整体经济前高后低,企业盈利状况不佳,企业亏损面明显扩大,因此应调大盈利系数权重,调低筹资权重,考虑到头部集中的效应,还应额外调低高评级、上市公司和国企的筹资权重系数。此外,从到期量来看,2019年下半年产业债到期量较大,由于评级调整,特别是评级下调对到期量较为敏感,在评级下调的权重中,到期量相关的权重也保持在较大值。产业方面我们则根据上篇的研究结果进行分行业的系数调整。

  • 筛选结果:最终我们根据2018年年报筛选出了今年主体评级上调下调可能性最大的主体。详见正文名单。

  • 注意事项与改进:1)注意对异常指标的单独处理。在用预测函数进行评级变动的预测时,对于异常值,不宜直接套用函数进行计算,宜对主体单独分析、、剔除或进行对数化处理。2) 实际操作应加上定性分析和行业特征变量。在通过预测函数进行初步筛选后,根据本文第一部分中的定性筛选指标,进一步筛选和确认,能更大程度提高预测正确率。3)当交易成本<成功率*上调获得的收益(或规避下调获得的收益)才有利可图。打分的排名、分数与预测成功率明显呈非线性关系,即当分数低于某个阈值时,成功率会快速下降。这意味投资者需要根据自己的交易能力和负债成本进行合理的截取。4)如专题二文末所提示的,本系列专题更多是提供一个思路,本文选取的是线性的简单的模型,但实际上财务指标与评级调整存在阈值效应,财务指标存在木桶效应。建议投资者可以尝试构建自己的模型,例如设置阈值,将变量调整为1,0进行调整,例如构建变量到风险的边际递增的函数,例如采用风险点数量的逻辑,这些都会对提升准确率有所帮助。

上两篇我们分别就评级调整的规律和评级调整预测指标构建进行了分析,本篇我们将落脚到投资,综合利用前两篇的研究结果,应用于2019年,找出哪些个券可能出现评级上调和下调。

本文作为基于债券评级调整投资策略的最后一篇,将进行最关键的预测函数和相关指标调整方法研究。文章结构如下:1.根据历史数据构建投资策略并回测;2.2019年预测函数和关键指标调整方法研究;3.筛选当期评级可能下调和下调的个券,供投资者参考。

正 文

1. 投资策略构建与回测

1.1策略构建方法

数据来源:以2014年1月至2017年12月的所有短期融资券、中期票据、公司债、企业债为策略构建样本。

变量选择:变量的选择参考我们提出的评级调整定量因素分析框架。把定量因素具体分为基本偿债能力与边际变化影响两类。基本的偿债能力指标包括长期和短期偿债能力两个层面。边际变化类指标包括经营、筹资和投资三个层面,均采用同比增速指标。同时,我们将总资产作为代表公司规模的控制变量。对于城投债,额外增加以地方政府负债率变化率作为代表地方财政能力的指标。

函数构建:因变量y为债券主体评级是否调整,这里的评级调整包括评级等级调整和评级展望调整,如果评级调整(调高或调低),值取1,否则取0。自变量所需财务数据来自评级调整发布日可获得的最新公司年报、半年报或季报,与上一次评级时可获得的最新报表相应值的变化率。采用logit函数回归求得的自变量系数,其含义为自变量每变化1%,对债券主体评级调整的影响程度。

1.2策略函数与回测结果:评级上调

由于边际变化类指标中的投资、筹资类指标所占比重受每年宏观经济影响,不同年份和不同行业的投资、筹资类指标显著性差异较大,我们将策略函数分为初步筛选和精确筛选两个层面。利用稳定性强的普适性指标构建初步筛选函数,另外根据不同年度、不同等级和行业主体提供相应的调整指标进行进一步筛选。

1.2.1产业债

l初步筛选:前25名正确率由7%提升至25%-30%

策略函数构建:根据2014-2017年产业债的回归结果和各回归系数的显著性, 剔除回归系数不显著的指标,我们选择普适性指标构建初步的筛选函数:

score=0.2*revenue+0.02profit-2.5*debt+0.04*ebit+0.02cash+2.0*asset+0.02finance-0.01debt2-0.04invest

回测数据:我们选择2018年1月至2018年12月的所有短期融资券、中期票据、公司债、企业债中的产业债,剔除相同发行人的重复项、财务指标不全的公司和个别异常值,共1778个样本,作为回测数据,检验上述函数的预测正确率。正确率=样本上调(下调)数量/样本总数量

回测结果:根据所得策略函数,对2018年所有存量产业债进行评分,分数最高的前25名预测正确率从原来评级上调所占比例的7.3%(130/1778),上升至25%-30%。

策略建议:根据策略的预测正确率曲线,截取到得分最高前25名,预测正确率为24%,截取至得分最高前40的样本正确率在18%,得分前100的样本正确率在15%以上。由于得分前40的样本(即前2%的样本)正确率较高,初步筛选阶段,我们建议取得分前2%的主体,然后在此基础上进行进一步的筛选。

l进一步筛选

由于不同年度、不同等级和不同行业主体评级调整关键指标有所不同,投资者可根据债券实际情况参考下图,对不同类型的债券加上调整项,进行进一步筛选,提高预测正确率。

1.2.2城投债

l初步筛选:前20名正确率由5.6%提升至35%-40%

策略函数构建:根据2014-2017年城投债的回归结果和各回归系数的显著性, 剔除回归系数不显著的指标,我们选择普适性指标构建初步的筛选函数:

score=0.05*revenue+0.08*profit+0.02*finance-0.01*invest-2.5*debt+2.8*asset -0.4*gov

回测数据:我们选择2018年1月至2018年12月的所有短期融资券、中期票据、公司债、企业债中的城投债,剔除相同发行人的重复项、财务指标不全的公司和个别异常值,共1688个样本,作为回测数据,检验上述函数的预测正确率。

回测结果:根据所得策略函数,对2018年所有存量城投债进行评分,预测正确率从原来评级上调所占比例的5.6%(95/1688),上升至35%-40%。

策略建议:根据策略的预测正确率曲线,可以看出得分前30的样本(即前1.8%的样本)正确率约在30%-45%,得分前60的样本正确率在30%以上,得分前100的样本正确率在25%以上。由于得分前50的样本(即前3%的样本)正确率较高,初步筛选阶段,我们建议取得分前3%的主体,进行下一步加上调整项的深度筛选。

l进一步筛选

由于不同年度、不同等级和不同行业主体评级调整关键指标有所不同,投资者可根据债券实际情况参考下图进行进一步筛选,提高预测正确率。

1.3策略函数与回测结果:评级下调

1.3.1产业债

l初步筛选:前30名正确率由盲选的4%提升至17%

策略函数构建:根据2014-2017年产业债的回归结果和各回归系数的显著性, 剔除回归系数不显著的指标,我们选择普适性指标构建初步的筛选函数:

score=-2.0*revenue-0.25*profit-0.05*finance+0.01*invest/operate+2.5*debt-0.12*ebit-0.03*volume-0.05*liquid-2.3*asset

回测数据:我们选择2018年1月至2018年12月的所有短期融资券、中期票据、公司债、企业债中的产业债,剔除相同发行人的重复项、财务指标不全的公司和个别异常值,共1729个样本,作为回测数据,检验上述函数的预测正确率。

回测结果:根据所得策略函数,对2018年所有存量产业债进行评分,预测正确率从原来评级上调所占比例的4.3%(75/1729),上升至17%左右。

策略建议:根据策略的预测正确率曲线,可以看出得分前30的样本(即前1.7%的样本)正确率约在17%左右,得分前60的样本正确率在12%以上,得分前100的样本正确率在10%以上。由于得分前30的样本(即前2%的样本)正确率较高且较平稳,初步筛选阶段,我们建议取得分前2%的主体,进行下一步加上调整项的深度筛选。

l进一步筛选

由于不同年度、不同等级和不同行业主体评级调整关键指标有所不同,投资者可根据债券实际情况参考下图,对不同类型的债券加上调整项,进行进一步筛选,提高预测正确率。

1.3.2城投债

l初步筛选:前40名正确率由盲选的0.8%提升至6%-8%

策略函数构建:根据2014-2017年城投债的回归结果和各回归系数的显著性, 剔除回归系数不显著的指标,我们选择普适性指标构建初步的筛选函数(对于城投债的评级下调,由于城投债对于政府回款和企业筹资的高度依赖,回归结果中,筹资指标每年波动性小且显著性强,在此我们把筹资类指标也归入城投下调的普适性指标):

score=-0.45*finance+1.0*debt-0.2*ebit-1.0*liquid-0.2*volume+1.2*gov+0.02*invest-0.03*cash

回测数据:我们选择2018年1月至2018年12月的所有短期融资券、中期票据、公司债、企业债中的产业债,剔除相同发行人的重复项、财务指标不全的公司和个别异常值,共1686个样本,作为回测数据,检验上述函数的预测正确率。

回测结果:由于城投债每年下调个数极少, 2018年城投债下调的样本共13个,占所有城投债的比例仅为0.8%,所以相应预测函数的预测正确率也没有评级上调高。根据所得策略函数,对2018年所有存量产业债进行评分,预测正确率从原来评级下调所占比例的0.77%(13/1686),上升至6%-8%。

策略建议:根据策略的预测正确率曲线,可以看出得分前40的样本(即前2.5%的样本)正确率约在6%-8%,得分前60的样本正确率在4%以上,得分前100的样本正确率在2%以上。由于得分前40的样本(即前2.5%的样本)正确率较高且较平稳,初步筛选阶段,我们建议取得分前2.5%的主体,进行下一步加上调整项的深度筛选。城投评级下调预测成功率较低的原因在于城投债本身的评级下调的案例就非常少,较多受到非市场因素的干扰。

l进一步筛选

由于不同年度、不同等级和不同行业主体评级调整关键指标有所不同,投资者可根据债券实际情况参考下图,对不同类型的债券加上调整项,进行进一步筛选,提高预测正确率。

2. 2019年预测函数及关键指标调整

对于2019年的评级调整预测函数,我们从两个层面对关键指标权重进行调整:一是分年度从宏观经济层面的调整,根据当前影响债市最主要的因素,对盈利、投资、筹资指标所占权重进行调整,二是分行业对产业债的关键指标权重的调整。

宏观层面,我们对于2019年预测函数的调整逻辑是:2019年随着宽信用的推进,企业融资情况有所好转,但整体经济前高后低,企业盈利状况不佳,企业亏损面明显扩大,因此应调大盈利系数权重,调低筹资权重,考虑到头部集中的效应,还应额外调低高评级、上市公司和国企的筹资权重系数。此外,从到期量来看,2019年下半年产业债到期量较大,由于评级调整,特别是评级下调对到期量较为敏感,在评级下调的权重中,到期量相关的权重也保持在较大值。产业方面我们则根据上篇的研究结果进行分行业的系数调整。

2.1评级上调

2.1.1产业债

根据申万一级行业分类,我们把产业债按照行业上下游和周期性属性分为五大类:周期类(钢铁、采掘、资本货物、有色金属、轻工制造、机械设备、商业贸易、化工、电气设备)、防御类(食品饮料、交通运输、公用事业、医药生物、农林牧渔)、可选消费类(汽车、电子、通信、传媒、休闲服务、纺织服装、家用电器)、地产相关类(房地产、建筑装饰、建筑材料)和非银金融类,分行业进行指标调整和预测。

基准函数构建:根据对2019年整体宏观环境的判断,我们适当增大盈利指标所占比重,构建如下基准筛选函数用于下一步分行业系数调整:

score=0.24*revenue+0.04profit-2.5*debt+0.04*ebit+0.02cash+2.0*asset+0.02finance-0.01debt2-0.04invest

分行业系数调整:分行业的系数调整,我们采用的规则如下——根据各变量的统计分布,求得相对均值一倍标准差的倍数x=(μ+σ)/μ,对于不同行业,根据《哪些指标可以预测评级调整——评级调整系列专题之二》的研究,对于该行业的关键变量的原系数β,乘以x,得到调整后的系数xβ。

l周期类行业

周期类行业的评级上调应加大对营收、毛利率、短期到期量的权重,综合对宏观经济的判断,我们给出如下函数:

score=0.28*revenue+0.12profit-2.5*debt+0.04*ebit+0.02*cash+2.0*asset+0.02finance-0.08debt2-0.04invest

l防御类行业

防御类行业的评级上调应加大对融资、短债覆盖率的权重,综合对宏观经济的判断,我们给出如下函数:

score=0.22*revenue+0.04profit-2.5*debt+0.04*ebit+0.02*cash+2.0*asset+0.03finance-0.02debt2-0.04invest+0.02*volume

l可选消费类行业

可选消费类行业的评级上调应加大对营收、投资和现金流指标的权重,综合对宏观经济的判断,我们给出如下函数:

score=0.24*revenue+0.04profit-2.5*debt+0.04*ebit+0.03*cash+2.0*asset+0.02finance-0.02debt2-0.06invest

l地产相关类行业

地产相关类行业的评级上调应加大对短期到期量和现金流指标的权重,综合对宏观经济的判断,我们给出如下函数:

score=0.22*revenue+0.02profit-2.5*debt+0.04*ebit+0.03*cash+2.0*asset+0.02finance-0.03debt2-0.04invest

l非银金融行业

非银金融行业的评级上调应加大对营收、融资和短期到期量指标的权重,综合对宏观经济的判断,我们给出如下函数:

score=0.24*revenue+0.02profit-2.5*debt+0.04*ebit+0.02*cash+2.0*asset+0.03finance-0.03debt2-0.04invest

2.1.2城投债

对于城投债的评级上调,由于近两年来地方政府债务率整体抬升,经济下行压力加大下,城投严监管延续,加上城投合并增多,地方政府对城投的支持意愿重要性逐渐增大。对于2019年,基于城投市场化和支持力度增强这两个逻辑,我们认为应适当增大毛利率和资产规模所占比重。

score=0.05*revenue+0.09*profit+0.02*finance-0.01*invest-2.5*debt+2.9*asset -0.4*gov

2.2评级下调

2.2.1产业债

根据申万一级行业分类,我们把产业债按照行业上下游和周期性属性分为五大类:周期类(钢铁、采掘、资本货物、有色金属、轻工制造、机械设备、商业贸易、化工、电气设备)、防御类(食品饮料、交通运输、公用事业、医药生物)、下游消费类(汽车、电子、农林牧渔)、地产相关类(房地产、建筑装饰、建筑材料)和非银金融类,分行业进行指标调整和预测。

基准函数构建:根据对2019年整体宏观环境的判断,我们适当增大盈利指标所占比重,减小筹资指标所占比重,构建如下基准筛选函数:

score=-2.3*revenue-0.35*profit-0.04*finance+0.01*invest/operate+2.5*debt-0.12*ebit-0.03*volume-0.05*liquid-2.3*asset

分行业系数调整:分行业的系数调整,我们采用的规则如下——根据各变量的统计分布,求得相对均值一倍标准差的倍数x=(μ+σ)/μ,对于不同行业,根据评级调整专题(二)的研究,对于该行业的关键变量的原系数β,乘以x,得到调整后的系数xβ。

l周期类行业

根据评级调整专题(二)的研究,周期类行业的评级下调应加大对毛利率、周转率、融资和投资指标的权重,综合对宏观经济的判断,我们给出如下函数:

score=-2.3*revenue-0.45*profit-0.2*turnover-0.05*finance+0.02*invest/operate+2.5*debt-0.12*ebit-0.03*volume-0.05*liquid-2.3*asset

l防御类行业

根据评级调整专题(二)的研究,防御类行业的评级下调应加大对周转率和投资指标的权重,综合对宏观经济的判断,我们给出如下函数:

score=-2.3*revenue-0.35*profit-0.2*turnover-0.04*finance+0.02*invest/operate+2.5*debt-0.12*ebit-0.03*volume-0.05*liquid-2.3*asset

l可选消费类行业

预测函数构建:根据评级调整专题(二)的研究,可选消费类行业的评级下调应加大对营收、毛利率、筹资、ebit利息保障倍数和流动性指标的权重,综合对宏观经济的判断,我们给出如下函数:

score=-2.5*revenue-0.45*profit-0.05*finance+0.01*invest/operate+2.5*debt-0.15*ebit-0.03*volume-0.06*liquid-2.3*asset

l地产相关类行业

根据评级调整专题(二)的研究,地产相关类行业的评级下调应加大对存货 周转率和ebit利息保障倍数的权重,综合对宏观经济的判断,我们给出如下函数:

score=-2.3*revenue-0.35*profit-0.2*turnover-0.04*finance+0.01*invest/operate+2.5*debt-0.14*ebit-0.03*volume-0.05*liquid-2.3*asset

l非银金融行业

根据评级调整专题(二)的研究,非银金融行业的评级下调应加大对毛利率、周转率和融资指标的权重,综合对宏观经济的判断,我们给出如下函数:

score=-2.3*revenue-0.45*profit-0.2*turnover-0.05*finance+0.01*invest/operate+2.5*debt-0.12*ebit-0.03*volume-0.05*liquid-2.3*asset

2.2.2城投债

对于城投债的评级下调,在2019年企业融资改善,地方政府债务率近年来整体抬升,经济下行压力加大下,城投严监管延续的大背景下。对于2019年的城投评级下调,我们适当减小融资指标所占比重。

score=-0.42*finance+1.0*debt-0.2*ebit-1.0*liquid-0.2*volume+1.2*gov+0.02*invest-0.03*cash

此外,需要注意的是,由于城投债主体下调概率过小,近五年每年城投债主体评级下调个数均小于15个,占每年城投债总体的比例小于1%。由于城投的特殊性,如果城投出现违约,将会极大提高当地发债的融资成本,各地方政府均不愿意出现当地城投违约的状况,相应来说城投评级下调的概率也很低。所以除非此城投债主体的基本面有巨大的变化,否则不建议过分关注城投债下调的可能。

3. 主体筛选与预测

截止到2019年5月8日,在存量4080个发债主体(包括所有短融、中票、企业债和公司债)中,共有2480个发债主体披露了2018年年报数据。我们根据以上研究,剔除个别异常值后,分别筛选出有评级上调和下调可能的前2-3%的主体。

3.1主体评级上调筛选结果

3.2主体评级下调筛选结果

由于每年城投债主体下调比例小于1%,发生概率很小,在此仅列出得分前30的主体,仅作为参考,不建议过分关注城投债下调。

3.3注意事项与改进

在实际操作过程中,有以下几点是值得注意和改进的:

1)注意对异常指标的单独处理。在用预测函数进行评级变动的预测时,对于异常值,不宜直接套用函数进行计算,宜对主体单独分析。对于异常值的剔除,可采用超过一定值不再额外加分的原则,例如对于不超过200%的取原值,但是对于超过200%的只取上限值200%。此外,进行对数化处理也是办法之一。

2) 实际操作应加上定性分析和行业特征变量。在通过预测函数进行初步筛选后,根据本文第一部分中的定性筛选指标,进一步筛选和确认,能更大程度提高预测正确率。此外,对于更细分的行业,还可添加具体的行业特征变量增大正确率。如房地产业可增加三四线土地存货占比等指标。

3)依照本系列专题提供的方法,会相当程度提高成功率,但是仍有较大误判可能,由于交易成本的存在,只有当交易成本<成功率*上调获得的收益(或规避下调获得的收益)才有利可图。根据我们刚才的分析,打分的排名、分数与预测成功率明显呈非线性关系,即当分数低于某个阈值时,成功率会快速下降。这意味投资者需要根据自己的交易能力和负债成本进行合理的截取,交易成本控制能力越强可以截取更大比例的个体,成本控制能力弱则只适宜选取较少的个体。此外卖出一个非常有可能下调的主体,买入一个非常有可能上调的主体,也是不错的策略。

4)如专题二文末所提示的,本系列专题更多是提供一个思路,本文选取的是线性的简单的模型,但实际上财务指标与评级调整存在阈值效应,财务指标存在木桶效应。建议投资者可以尝试构建自己的模型,例如设置阈值,将变量调整为1,0进行调整,例如构建变量到风险的边际递增的函数,例如采用风险点数量的逻辑,这些都会对提升准确率有所帮助。

往期相关专题:

【专题】评级调整的原因和规律总结 ——评级调整系列专题之

原标题《基于评级调整的投资策略与个券筛选 ——评级调整系列专题之三》

-------------------------------------

如果您有优质的、符合见闻调性的原创文章,欢迎以个人的名义投稿入驻华尔街见闻名家专栏。

投稿方式 :请将个人简介以及代表作品发送至 zhuanlan@wallstreetcn.com ,并附上电话和微信以便做进一步沟通,在主题中标明: 申请入驻见闻专栏 + 投稿人名字

参与评论
收藏
qrcode
相关资讯
写评论

icon-emoji表情