固定收益证券信用分析文献综述

固定收益证券信用分析文献综述
摘要：本文归纳了固定收益证券信用分析研究中的关键问题，指出了固定收益证券信用分析理论方法的发展及其相关研究的主要进展，同时还讨论了固定收益证券组合的信用分析理论方法的发展和实证研究，在此基础上对我国固定收益证券信用分析的研究前景进行了展望。

关键词：固定收益证券；信用分析；文献综述
1 前言
固定收益证券是指承诺未来还本付息的债务工具及相关衍生品的总称，是证券市场中重要的投资工具。

固定收益证券在投资过程中面临各种风险，包括信用风险、利率风险、汇率风险、价格风险等。

其中信用风险指固定收益证券的发行人违约、信用级别下降及其净资产数量下降等无法或不愿意按期支付本息的可能性。

因此信用风险的计量和管理是固定收益证券信用分析的重要研究内容。

近年来，随着债券融资的快速发展、公司倒闭的结构性增加、衍生品的快速增长和信息进步，信用风险的计量和管理方法发生了重大的变化。

过去的信用风险管理与信用分析已难以适应市场的变化，金融工程的快速发展使得建模技术和分析方法应用到这一领域，一批新技术和新思想受到了广泛的关注。

我国固定收益证券的发展远落后于美国，国内学者对国外固定收益证券信用分析的问题研究缺乏充分关注,对中国固定收益证券的信用分析更是缺乏系统的理论分析和实证研究。

本文综述了国内外固定收益证券信用分析的理论发展和实证文献，不仅可以使国内学者了解这一领域的发展状况和脉络，也可以为国内学者研究本土的固定收益证券信用分析提供有益的思路。

本文的结构安排如下：第一部分综述了固定收益证
券的信用分析理论方法的发展和实证研究文献；第二部分综述了固定收益证券组合的信用分析。

第三部分为总结。

2 固定收益证券的信用分析
固定收益证券信用分析的基本原则是根据历史数据和现在的合理判断对发行人未来的偿还能力进行预测。

固定收益证券的信用分析相关理论和实证研究等也随着固定收益证券的发展而发展。

信用分析模型中，大量运用了计量经济学、统计学、运筹学的概念和原理，近些年来信用分析领域的研究发展速度飞快，有学者将人工智能领域的模式识别技术引入信用评分的研究。

本章将依照其原理将诸多的信用分析方法归纳为如下几类。

2.1 主观分析和专家系统
可以公平地说在固定收益证券市场发展初期，投资者几乎完全依赖于主观分析和所谓的“专家”系统来分析固定收益证券的信用风险。

本质上，投资者使用债务人的各种信息特征，如特征（character）、能力（capacity）、抵押（collateral）和条款（covenants），也就是所谓的4C的分析来达到一个很大程度上的主观判断来决定该固定收益证券的信用风险。

Sommerville和Taffler（1995）表明机构投资者在给不发达国家的债务信用分析中倾向于过分悲观，而多元信用分析系统往往会超越这样的专家系统。

这也不足为奇，因为随着固定收益证券的发展，投资者特别是机构投资者已经从主观的专家系统转向更加客观的信用分析系统。

2.2 基于财务指标的信用分析系统
在以财务指标为基础的单变量信用分析系统中，投资者通过比较各种关键的财务指标来进行信用分析。

当使用多变量模型时，通过对关键财务指标变量的组合和加权可以进行信用风险评分或者计算信用违约概率。

如果信用风险评分或违
约概率超过某个临界值，投资者可以拒绝投资或要求更高的风险补偿。

从相关论文的绝对数量来看，基于财务指标的信用分析模型的发展和检验等在该学术领域中占主导的地位。

常见的有线性概率模型，Logit模型，Probit模型和判别分析模型等，其中判别分析模型用得最多，其次是Logit模型。

最常见的判别分析就是试图找到一个线性模型来分析各种市场变量来最大限度地区分违约群体和非违约群体，也就是说通过模型来最大化组间差异的同时最小化组内差异。

同样，logit模型使用一组财务指标变量来预测债务人的违约概率并假设违约的可能性服从logistically分布等，而违约概率是介于0和1之间的。

West（1985）使用logit模型来度量金融机构的金融状况并计算了它们成为问题银行的概率。

该logit模型使用的因变量与银行监管者使用的CAMEL评价体系类似。

Smith和Lawrence（1995）使用logit模型来寻找变量以便对违约率作出较好的预测。

Psillaki等（2010）使用logit模型发现使用生产效率来预测违约的可能性优于使用标准的财务指标。

顾乾屏等（2008）比较了不同模型的相关性和特点，由此提出了一个回判率为88%的两阶段非线性变量边界Logit模型。

胡胜和朱新蓉（2011）选取我国上市公司财务数据进行实证分析，证实Logit 模型在实际运用时犯第一类错误即高信用风险企业误判为低信用风险企业的错误率达到30%左右。

就像前面所说的那样，基于财务指标的信用分析系统使用最多的是基于判别分析的模型。

特别是Altman等（1977）提出的ZETA判别分析模型被广泛地应用于信用风险分析，这个模型也是该类方法中最为著名和完美的一个模型，Altman在文章中将该模型用于公司财务预警。

同时，Scott（1981）比较了多个实证模型，认为ZETA模型最近进他构想的破产理论。

Chijoriga（2011）认为把风险评估变量加入多变量判别分析模型可以提高信用风险评估的能力。

施
锡铨和邹新月（2001）采用典型判别分析法对我国A股市场1999年至2000年9月间部分上市公司的信用状况进行了实证分析和检验，结果显示典型判别模型对我国证券市场的信用情况有较强的解释能力。

李红立等（2011）运用判别分析法对上市房地产开发企业进行信用风险评价，结果表明判别分析法总体预测效果较好,企业的盈利能力是评价信贷风险的重要依据。

虽然在许多情况下，基于多元财务指标的信用分析系统已被证明在不同时期和不同国家表现得都相当不错，但该信用分析系统至少受到了三个批评。

首先，该系统是基于会计的账面数据，无法反映债务人信用条件更加细微和快速的变化；其次，线性判别分析和线性概率模型等假设这个世界的线性的是不符合现实的，现实中更多是非线性的；最后，前面提到的信用违约预测模型与基础理论模型关联性不强。

因此，学者们提出了各种新的模型来弥补传统信用分析模型。

2.3 信用风险的期权定价模型分析法
Wilcox（1973）提出的破产模型是拥有坚实的理论基础的，该模型认为当企业资不抵债的时候便是在走向破产。

该模型在许多方面与Black和Scholes（1973）提出的期权定价模型类似，在Black-Scholes-Merton模型中，企业破产的概率取决于企业的资产负债情况和资产的波动率。

这一思想被商业界所接受，美国旧金山市KMV公司于1997年建立KMV模型用来估计企业违约概率的方法，该模型认为信用风险是在给定负债的情况下由债务人的资产市场价值决定的，但资产并没有真实地在市场交易，资产的市场价值不能直接观测到。

它首先利用期权定价公式，根据企业股权的市场价值及其波动性、到期时间、无风险借贷利率及负债的账面价值估计出企业资产的市场价值、资产价值的波动性；其次根据公司的负债计算出公司的违约实施点（default exercise point，为企业1年以下短期债
务的价值加上未清偿长期债务账面价值的一半），计算借款人的违约距离；最后根据企业的违约距离与预期违约率（EDF）之间的对应关系，求出企业的预期违约率。

对基于期权定价模型的信用分析模型是存在不足的，比如股票价值的波动性是否可以精确地反映企业资产价值的波动性和非上市公司的资产价值的波动性的衡量等。

2.4 债券违约率模型和期限方法
Altman（1989）提出的债券违约模型（Mortality rate model）和Asquith 等（1989）提出的期限方法（Aging approach）是基于资本市场的信用分析模型，该模型按穆迪和标准普尔的信用等级和债券到期年限，采用债券实际违约的历史数据建立的违约概率经验值，对各类信用等级和期限债券的违约风险进行衡量。

所有信用评级公司都采纳债券违约率模型和期限方法并进行相应的改进（例如穆迪，1990；标准普尔1991）。

Giesecke等（2011）利用1866-2008年共150的数据研究公司债券的信用风险，发现股票收益、股票收益波动、GDP的变化是违约率很好的预测因子。

同时，该类模型也存在缺陷，主要是其需要历史数据来支持。

2.5 基于神经网络的信用分析
由于企业财务状况的好坏与财务指标的关系是非线性的，许多财务指标可能是高度相关的且不成正态分布等，因此传统的分类方法不能很好地解决这些问题。

神经网络技术作为研究复杂性问题的强有力的工具，近年来在模式识别与分类、识别滤波、自动控制、预测等方面已展示了其非凡的优越性，特别是它能处理任意类型的数据，这一特点是许多其他方法所无法比拟的。

神经网络通过不断学习，能够从特定模式的大量的数据中发现其潜在的规律。

神经网络可以用来解决信用风险的分类问题。

神经网络克服了传统分析过程的复杂性及选择适当模型函数的
困难，它是一种自然非线性建模过程。

勿须分清是何种非线性关系，给建模与分析带来了极大的方便，该方法用于企业债券信用分析时，一方面利用其映射能力，另一方面利用其泛化能力，即在经过一定数量的带噪声的样本的训练之后，网络可以抽取样本所隐含的特征关系，并对新情况下的数据进行内插和外推以推断其属性。

利用神经网络来进行信用分析的有：Coats和Fant（1993）利用神经网络来识别财务危机；Khashman（2010）利用不同的神经网络模型和学习模式来对信用风险进行评估；陈雄华等（2001）介绍了几种企业信用评级常用的评估模型 ,并将神经网络评估模型的性能和其他的信用评估模型作了比较，实验结果表明神经网络模型具有更好的预测准确性。

喻敏和吴江（2011）提出了一种基于多进化神经网络的信用评估模型，并利用德国信用数据库真实数据集进行了实证分析，结果表明基于多进化神经网络的信用评估模型具有较高的预测精度。

2.6 固定收益证券衍生品信用分析
近年来，金融创新使得固定收益证券衍生品快速发展，相应的信用分析也随着固定收益证券衍生品的发展而发展。

风险敞口等值法（REE）是贯穿于衍生工具信用风险衡量的核心方法。

这类方法是以估测信用风险敞口价值为目标，考虑了衍生工具的内在价值和时间价值，并以特殊方法处理的风险系数建立了一系列REE计算模型。

既有以衍生工具交易的名义本金和合同价值为基础的REE模型，也有以衍生工具类别和组合策略为基础的REE模型。

其中风险系数是衍生工具交易的名义本金转化为风险敞口等同值的核心工具，依据投资者的风险偏好，可计算4种概念的风险敞口等同值，即到期风险敞口等同值、平均风险敞口等同值、最坏情况风险敞口等同值和期望风险敞口等同值以度量信用风险的高低。

2.7 其他固定收益证券信用分析方法与模型
除了上面讨论的几类模型方法之外, 还有诸如SVM（支持向量机）（肖文兵等，2007；姚潇和余乐安，2012），数据挖掘技术信用分析法（刘京军，2007），金字塔结构分析法（张瑞君和李小荣，2012）等，总的来说固定收益证券信用分析是在往模型化、定量化的方向发展。

3 固定收益证券组合信用分析
自从Markowitz在1959年开创性的研究以来，投资组合理论已经应用于证券投资领域。

传统的投资组合理论是在给定的风险水平下最大化回报率或者给定的回报率下最小化风险。

对于固定收益证券组合信用风险度量和管理而言，核心问题是如何对各种固定收益证券之间的信用风险相关性进行刻画和表示。

常见的相关违约建模方法有J.P.Morgan公司的Credit Metrics信用度量法、相关违约强度法、关联函数(copula)法、共同违约事件法等（Duffie等，2003；Guntay 等，2010；张亮亮等，2011）。

肖杰和杜子平（2010）对Credit Metrics模型下组合信用风险应用与改进进行了研究；梁世栋等（2005）构造了随机违约强度下的信用风险期限结构的框架性模型，并讨论了两因子模型的例子，给出了可违约债券的价格解析表示式；吴恒煜等（2010）使用四种关联函数对投资组合信用风险进行度量，并在此基础上对组合进行优化；马勇等（2012）将债券按发行公司所属行业进行分类，实证结果表明当债券的异质性程度大时，分组t关联函数比t关联函数能更好地刻画债券组合的极端风险；谢尚宇等（2011）同时考虑宏观因素和公司个体因素来构建违约预报模型,并且通过在状态变量中包含的行业因素来刻画行业间可能存在的信用传染效应。

相关的文献还很多。

4 总结
我国固定收益证券市场持续稳定的快速发展，需要进行信用分析，相关信用分析理论和方法正在逐渐被我国固定收益证券投资者采纳和应用。

信用分析系统的建设在我国属于起步阶段，学术界对其研究更属尝试，建设适合我国特色的、高水平的固定收益证券信用分析决策支持制度不但需要借鉴国外已有的理论研究成果和实践方案，更需要我国学界的创新，或结合我国本土数据的实证研究。

本文就该领域的理论方法的发展及其相关研究的主要进展进行综述，并对相关的重要文献进行整理，抛砖引玉，以飨关心该问题的所有读者。

参考文献
[1] Altman, Haldeman, Narayanan. ZETA TM analysis A new model to identify bankruptcy risk of corporations[J]. Journal of Banking & Finance, 1977, 1(1): 29-54.
[2] Altman. Measuring corporate bond mortality and performance[J]. Journal of Finance, 1989, 44(4): 909-922.
[3] Asquith, Mullins, Wolff. Original issue high yield bonds: Aging analysis of defaults, exchanges and calls[J]. Journal of Finance, 1989, 44(4): 923-953. [4] Black, Scholes. The pricing of options and corporate liabilities[J]. Journal of Political Economy, 1973, 81(3): 637-659.
[5] Coats, Fant. Recognizing financial distress patterns using a neural network tool[J]. Financial Management, 1993, 22（3）： 142-155.
[6] Chijoriga. Application of multiple discriminant analysis (MDA) as a credit scoring and risk assessment model[J]. International Journal of Emerging Markets, 2011, 6(2): 132-147。

[7] Duffie, et al. Pricing, management and measurement[M]. New Jersey: Princeton
University Press, 2003.
[8] Giesecke, Longstaff, Schaefer, Strebulaev. Corporate bond default risk: A 150-year perspective[J]. Journal of Financial Economics, 2011, 102: 233-250. [9] Guntay, Hackbarth. Corporate bond credit spreads and forecast dispersion[J]. Journal of Banking & Finance, 2010, 34: 2328-2345.
[10] Khashman. Neural networks for credit risk evaluation: Investigation of different neural models and learning schemes[J]. Expert Systems with Applications, 2010, 37(9), 6233-6239.
[11] Psillaki, Tsolas, Margaritis. Evaluation of credit risk based on firm performance[J]. European Journal of Operational Research, 2010, 201(3): 873-881.
[12] Robert Craig West. A factor-analytic approach to bank condition[J]. Journal of Banking & Finance, 1985, 9(2): 249-276.
[13] Smith L.D., Lawrence. Forecasting losses on a liquidating long-term loan portfolio[J]. Journal of Banking & Finance, 1995, 19(6): 959-985.
[14] Scott. The probability of bankruptcy: A comparison of empirical predictions and theoretical models[J]. Journal of Banking & Finance, 1981, 5(3): 317-344. [15] Sommerville, Taffler. Banker judgement versus formal forecasting models: The case of country risk assessment[J]. Journal of Banking & Finance, 1995, 19(2): 281-297.
[16] Wilcox. A Prediction of Business Failure Using Accounting Data[J]. Journal of Accounting Research, 1973, 11: 163-179.
[17] 陈雄华，林成德，叶武．基于神经网络的企业信用等级评估[J]．系统工程学报，2002, 17（6）：570-575。

[18] 顾乾屏，孙晓昆，吴斌，张林．信用风险的两阶段非线性变量边界Logit模型实证研究[J]．系统管理学报，2008,17（6）：680-685。

[19] 胡胜，朱新蓉．我国上市公司信用风险评估研究——基于Logit模型的分析[J]．中南
财经政法大学学报，2011年第3期，38-41。

[20] 李红立，宋丽伟，任宏．基于判别分析法的房地产信贷风险评价[J]．金融理论与实践，2011年第12期，49-51。

[21] 梁世栋，郭仌，方兆本．随机违约强度下的信用风险期限结构研究[J]．管理科学学报，2005，8(4):74-79。

[22] 刘京军．数据挖掘技术和信用风险管理[J]．统计与决策，2007年第1期, 126-127。

[23] 马勇，张卫国，许文坤，姜茜娅. 债券组合信用风险模型及实证研究[J]. 系统工程，2012，30(3)：25-30。

[24] 施锡铨，邹新月．典型判别分析在企业信用风险评估中的应用[J]．财经研究，2001,27（10）：53-47。

[25] 吴恒煜，李冰，严武. 投资组合信用风险的测度和优化——基于Copula理论[J] . 软科学，2010，24(12)：128-133。

[26] 肖杰，杜子平．Credit Metrics模型下组合信用风险应用与改进研究[J]．财会通讯，2010年第5期，150-152
[27] 肖文兵，费奇，万虎．基于支持向量机的信用评估模型及风险评价[J]．华中科技大学学报（自然科学版），2007, 35（5），23-26。

[28] 谢尚宇，汪寿阳，周勇．金融危机下带传染效应的违约预报[J]．管理科学学报，2011, 14（1）：1-12。

[29] 姚潇，余乐安．模糊近似支持向量机模型及其在信用风险评估中的应用[J]．系统工程理论与实践，2012, 32（3），549-554。

[30] 喻敏，吴江．基于多进化神经网络的信用评估模型研究[J]．计算机科学，2011，38（9）：190-207。

[31] 张亮亮，杨青，熊国兵，祁洁萍．基于违约强度的固定收益证券风险敏感性分析与压力测试[J]．上海金融，2011年第2期，83-87。

[32] 张瑞君，李小荣．金字塔结构、业绩波动与信用风险[J]．会计研究，2012.3, 62-71。