为挖掘不同等级信用利差走势的主要影响因素，同时实现更精确的利差预测，本文建立机器学习模型Lasso-VAR，对不同等级企业债券利差的影响因素进行筛选分析。模型结果显示，高等级信用债的利差主要受到中长期流动性环境的影响，而随着债券信用等级的下降，短期资金利率、市场信用环境和经济增长等因素也会对信用利差产生显著作用。本文还发现不同期限的流动性指标对利差的作用可能相反，经济数据对于债券利差的影响相对滞后。信用债定价信用利差Lasso-VAR模型时间序列随着我国金融市场改革的推进，企业直接融资渠道不断拓宽，信用债券成为支持企业发展的重要金融工具。在此背景下，加强企业信用债的定价机制研究，一方面，有利于投资者合理评估其持有的债券资产价值，有效管理投资利率风险；另一方面，也有助于政策制定者对企业融资和经济运行情况进行跟踪调节，维护国内金融市场稳定运行，对于债券市场高质量发展具有重要意义。反映信用债定价的指标主要为信用利差，由企业发行的信用债收益率与同期限的无风险利率相减所得。虽然信用利差通常被认为是债券的违约风险补偿，但是在实际情况中，发行人的违约概率对信用利差的决定程度十分有限。例如，在2016年至2023年期间，期限为5年的AA等级的中短期票据债券的平均年收益率利差达到近360个基点，而在同一时期全市场的平均年违约率仅不足0.5% 国内外已有学者对于信用利差形成机制及其决定因素进行了较为深入的研究。Amato和Eli（2003）提出，信用利差之所以会大幅高于预期违约损失，可能是因为投资者不具备足够大规模的投资组合对信用风险进行分散，导致其对信用债的投资偏好相对较低。Huang等（2022）利用8个发达国家市场的信用利差数据验证单纯依靠违约风险难以解释信用利差的水平，并发现如将债券在二级市场的流动性差异加入利差模型后，模型对信用利差的拟合效果可以大幅改善。在国内研究方面，戴国强和孙新宝（2011）发现经济指标和货币发行量对企业债券信用利差存在正向影响，无风险利率和收益率曲线斜率存在负向影响。陈淼鑫和何彪（2017）在研究中利用国债在不同市场的收益率差异构建了描述市场流动性水平的指标，证实市场流动性的收紧会使随后的AAA和AA级别债券的信用利差增大。尽管以往的研究已经取得一定成就，但仍然存在一定局限，包括所用模型对影响因子的筛选能力较弱、流动性的指标选取较为单一、缺少对短期信用环境变化的准确估计等。本文为解决上述问题，一是使用机器学习模型Lasso-VAR，更好地进行变量筛�。岣吣Ｐ偷淖既沸院驮げ饽芰Γ欢窃谀Ｐ椭屑尤攵嘀至鞫灾副�，更具体地研究利差和不同流动性指标间的关系；三是除经济数据外，加入违约率数据以更精确地捕捉短期内市场的信用变化，以更深入地研究不同级别信用利差走势的主要影响因素。本文使用中债估值的5年期中短期票据收益率无风险收益率可能主要从两个方面对信用利差的走势产生影响。一方面，较高的无风险收益率往往对应较高的经济增长率。此时，企业的经营环境良好，发生兑付风险的概率更低，投资者对于债券风险溢价的要求也会相应下降。另一方面，信用债与利率债之间存在一定的流动性差异，当市场环境发生变化时，利率债往往被投资者优先交易，导致短期内利率债收益率先于信用债收益率作出调整，信用利差被动变化。以上两种作用对利差的影响效果相反。本文使用5年期中债国债收益率作为无风险收益率走势指标，记为无风险收益率曲线的形状是反映市场对未来利率走势预期的指标，同样可能影响企业债的定价。当收益率曲线趋于陡峭时，意味着市场预期未来利率的上行和经济环境的改善，企业违约风险预期降低，进而使信用利差收窄。相反，收益率曲线的平坦化，则反映出经济潜在的衰退风险，可能使得信用债风险溢价升高。本文选取10年期与1年期中债国债收益率的差值，作为体现无风险收益率曲线形状的变量，记为Slop。由于信用债是流动性较弱的交易资产，需要更高的收益率弥补其在变现能力方面的不足，进而产生了流动性溢价，成为信用利差的重要组成部分。在构建模型过程中，信用债与利率债之间的流动性差异难以使用数据进行精确的定量描述，因此本文采用市场的资金充裕水平作为间接指标反映货币供需水平对流动性溢价的作用。根据经验分析，当市场中长期流动性趋于宽松时，投资者预期未来应对资金提现的压力相对较�。崆阆蛴谂渲闷毕⒏叩男庞谜分�，推动利差收窄；而当市场短期资金水平趋于宽松时，投资者则可能优先买入流动性较好的利率债，使利率债收益率先于信用债收益率发生变动，带动利差被动增大。本文分别采用广义货币供应量（M2）同比增速和社会融资规模同比增速描述中长期的货币供给和需求情况，记为M2和FS。短期资金水平使用7天质押式回购利率（D 根据Merton（1974）的结构化模型，企业的杠杆水平即企业的负债与公司的市值之比，是决定其债券违约风险的关键因素。企业的市值下降时，其偿债能力将有所弱化，债券的信用溢价理论上也会随之升高。实际情况中，股票市场还可能通过投资者情绪对债券市场产生影响，当股票市场波动幅度加大时，投资者在避险情绪的驱动下调整资产配置策略，进而引发债券市场定价变化。目前，已有研究对股票价格和信用利差之间的关系进行了实证，如谢世清和张梦鸽（2023）在研究中发现，低等级城投债利差与股票收益率呈负相关。本文以股票市场的整体走势来替代企业市值和杠杆水平的普遍变化，使用股票指数涨跌幅和其波动率作为模型因子，分别记为宏观经济环境的变化与企业的经营状况密切相关。在经济繁荣时期，企业通常能够获得更多的订单和业务机会，此时企业利润增加，信用状况相对良好，推动信用融资成本降低。相反，在经济衰退时期，企业资金紧张，违约概率增加，信用风险增加。本文选择具有代表性的数据，以研究经济环境变化对利差走势的影响。具体变量包括：体现市场供给情况的工业增加值同比增速数据，记为Ind；体现市场需求情况的社会商品零售总额同比增速和固定资产投资累计同比增速，分别记为Ret和Inv；体现通胀情况的居民消费价格指数，记为CPI；体现企业对于经济信心水平的制造业采购经理指数，记为PMI。债券市场的信用环境是决定信用债定价的基本因素。信用风险环境变化可能通过投资者的配置需求对利差走势产生重要影响。理论上，当市场上的违约主体增多时，投资者对于信用债的配置情绪也会更趋谨慎，导致更高的信用溢价；相反，市场中信用事件有所减少则可能推动利差收窄。虽然前述变量可以从经济环境、企业市值等方面，间接体现未来债券发行人信用状况可能发生的演变趋势，但由于以上指标存在一定滞后性和自身波动性，难以更直接、精确地反映出市场短期内的信用风险变化，因此无法量化信用变化对投资者情绪的短期冲击。本文使用市场主体违约率，即“当月违约的公募主体家数除以月初市场存续的公募主体家数”，更直接地反映债券市场信用环境的整体变化，以研究信用环境对信用利差走势的影响。模型中的违约率指标记为Def。传统的向量自回归模型（VAR）被广泛应用于经济学、金融学等领域的时间序列研究中。相比于单变量的时间序列模型，VAR模型不仅考虑了被解释变量自身的回归效应，还加入了其他相关变量产生的影响，因此其往往具有更高的预测准确性。但是传统VAR模型存在一定的局限性。当模型中需要拟合的变量过多，或者变量之间存在较为明显的共线性问题时，VAR模型就有可能出现过拟合问题，导致模型的可解释性和准确性被削弱。一个较为有效的方法是将机器学习算法Lasso与VAR模型相结合，从而发挥对变量筛选降维，减少噪声对模型影响的作用。Lasso算法由Tibshirani（1996）提出，是一种用于线性回归的正则化方法，通过惩罚参数的设置，模型可以对具有较小权重的解释变量进行稀疏化处理，将对因变量影响较小的解释变量系数缩减至零，进而提高模型准确性。具体来看，一个包含其中其中，‖．‖是L1范数，即。在惩罚参数调谐方面，由于VAR模型是时间序列模型，使用交叉验证会破坏变量间的时间依赖性，降低模型可解释性和精确性，因此本文使用滚动验证法选择模型最优参数，并在调整参数过程中使用最小的均方预测误差（MSFE）作为筛选指标，具体计算公式如下：滚动验证法具体操作如图1所示。首先，利用1到在构建模型前，本文首先对变量进行了差分、标准化处理和平稳性检验。考虑到在实际经济和金融数据研究中，2阶VAR模型通常已能较为有效地捕捉时间序列之间的相关影响，为兼顾模型准确性、复杂性和可解释性，本文将VAR最大滞后阶数设置为2，再由Lasso算法进行后续筛�。员苊庀蚰Ｐ鸵氩槐匾脑肷�，引发过拟合问题。通过Lasso-VAR对变量进行建�：�，对利差影响较小的噪声变量的系数会被缩小至零，即如果变量对应的系数为非零值，则表明该变量对于利差的变化具有较为显著的解释作用。表1分别记录了不同等级模型中各变量对应的系数；图2中的柱形图对变量系数进行更直观的展示。由于变量经过标准化处理，模型中各自变量对应的系数大小也可以认为是各个自变量对于因变量解释程度的大小。具体而言，各类变量对于信用债利差的影响主要有以下几个方面。总体而言，信用利差受市场的流动性指标的影响明显，但不同的流动性指标对利差的作用方向有所不同，中长期流动性水平收紧推动信用利差增大；而短期资金水平收紧则使利差收窄。分析其原因，当实体经济对于中长期的融资需求提升并使中长期流动性趋于收紧时，投资者会增加配置在未来更好交易的利率债产品，因此推动信用利差走扩；而当金融机构的短期资金水平收紧时，投资者为缓和短期流动性需求和考核压力，倾向于优先处置流动性较好的利率债获取资金，而非出售可能会因为快速变现而出现较大折价的中低等级信用债，进而导致利率债收益率在资金面变化时先于信用债收益率作出反应，形成信用利差的反向变化。对于高等级主体而言，违约率变化不显著影响利差走势，这可能是由于高评级发行人的信用资质相对良好，即使市场信用状况发生变化，投资者仍然预期发行人能免受市场连锁反应影响维持兑付，不会显著改变对于高等级债券的配置策略。如袁海霞等（2022）研究发现，虽然债券成交价格与违约率之间普遍存在相关关系，但部分发行人受“国企信仰”等因素影响，其债券定价对于信用风险环境变化的敏感度相对更低。此外，通过对比中低等级别利差模型的系数可以观察到，与AA+和AA级别相比，AA-级别利差模型中违约率的系数绝对值在全部系数中相对更高，或显示信用环境的变化对于低级别的利差影响更为显著。图3展示了Lasso-VAR模型对各等级信用利差的非样本预测结果，黑色表示利差的实际数据，红色表示模型的单步预测值。总体而言，模型预测结果与利差实际水平较为接近，对于债券市场参与者进行投资决策和风险监测具有一定参考价值。然而需要注意的是，尽管VAR模型在Lasso算法帮助下对现有数据呈现较好的预测效果，但由于时间序列模型具有平移外推的特点，未来在利用模型对利差情况进行预测时，仍然可能存在预测结果与实际情况存在偏离的问题，即历史趋势或难长期简单重演。因此，对于本文提出的Lasso-VAR模型后续或可从以下方面进行进一步完善：一是通过滚动样本保持对模型参数的高频更新，提高模型对变量相关性最新变化的适应能力，减少由于数据趋势变化带来的预测偏差；二是在模型中引入政策变化、新闻事件等突发事件变量，结合事件研究法等方式进行量化处理，帮助模型更好地捕捉未来可能发生的特定事件对利差预测结果产生的外部冲击；三是对于违约率、经济情况等样本数据加以指数平滑处理，进一步降低时间序列的随机波动特征，提高模型的预测性能。本文将机器学习Lasso算法与VAR模型相结合，剔除对利差影响较小的噪声变量，对不同等级的企业债券定价模型进行降维，提高利差分析模型的准确率。根据模型系数结果，高等级的信用债利差主要受到中长期流动性的影响，而随着债券信用等级的下降，短期资金流动性、市场信用环境和经济增长等因素对于利差的解释性随之增强。具体而言，信用利差影响因素的具体特征包括：一是流动性指标对信用利差均具有重要影响，中长期流动性水平下降推动信用利差增大，而短期资金水平的收紧则可能使利差收窄；二是违约率与中低等级信用利差正相关，当市场信用状况趋于恶化，投资者在避险情绪驱动下提高对于信用溢价的要求，导致信用债的价格相对下跌，而高等级债券利差的走势则相对独立于信用环境的变化；三是PMI和工业增加值等部分经济数据对于较低级别债券信用利差有显著影响，且作用效果存在一定滞后性；四是股票市场涨跌是显著影响中低等级利差的因素之一。当前我国债券市场投资者对于信用利差的管理存在诸多挑战。未来，随着我国金融市场市场化机制的不断推进，做好信用利差走势预测和风险控制的重要性也将随之提升，在利差计量技术方面具有优势的投资者或能取得更稳定的经营机会。总体而言，本文提出的Lasso-VAR模型预测结果与利差实际水平较为接近，对于债券市场参与者进行投资决策和风险监测具有一定参考价值，可以帮助投资者在进行信用债投资时更具针对性地跟踪市场相关变量，做好利率风险防范。注： 1．以公募债券市场为口径，用年内新增违约主体数量除以年初市场存量主体数。 2．中债估值的具体细节可参见中债信息网发布的《中债债券收益率曲线和估值基本原则（2023）》，https：//www.chinabond.com.cn/zzsj/zzsj_zzjgcp/zzjgcp_cpdt/cpdt_cpbz/cpbz_qxsm_ath/。 [1]陈淼鑫，何彪．信用利差与债券市场流动性的动态关系分析[J]．金融与经济．2017（4）． [2]戴国强，孙新宝．我国企业债券信用利差宏观决定因素研究[J]．财经研究，2011（12）． [3]刘春航，林学冠，陈璐．银行账户利率风险框架下的信用利差风险监管研究[J]．金融监管研究，2015（2）． [4]谢世清，张梦鸽．城投债信用利差的宏观影响因素研究[J]．宏观经济研究，2023（2）． [5]袁海霞，彭月柳婷，王晨．债券价格对信用风险预警有效性的实证研究[J]．债券，2022（2）．DOI：10.3969/j.issn.2095-3585.2022.02.015． [6]AMATOJD，EliMR．TheCreditSpreadPuzzle[J]．BISQuarterlyReview，2003（4）． [7]HUANGJ，NOZAWAY，SHIZ．TheGlobalCreditSpreadPuzzle[J]．TheJournalofFinance，2022（1）． [8]MERTONRC．OnthePricingofCorporateDebt：TheRiskStructureofInterestRates[J]．TheJournalofFinance，1974（2）． [9]NICHOLSONW，MATTESOND，BIENJ．VARX-L：StructuredRegularizationforLargeVectorAutoregressionswithExogenousVariables[J]．InternationalJournalofForecasting，2017（3）． [10]TIBSHIRANIR．RegressionShrinkageandSelectionViatheLasso[J]．JournaloftheRoyalStatisticalSocietySeriesB：StatisticalMethodology，1996（1）．责任编辑：赵思远

基于Lasso-VAR模型再探不同级别信用利差之谜

「活动」YqxWxksfArydlj8vbj

61.20MB

版本V92.55.81

下载APK 高速下载

下载中文精品久久久久国产🔞网址安装你想要的应用更方便更快捷发现更多

87%好评(92人)

详细信息

软件大小: 73.97MB
最后更新: 2025-03-30 21:14:35
最新版本: V87.26.97
文件格式: apk
应用分类:ios-Android 少妇被大鸡吧❌入高潮
使用语言: 中文
: 需要联网
系统要求: 5.41以上

应用介绍

一，8❌8❌成🔞人华人免费derpi❌on免费动画
二，呦教小u精品国产🔞，国产🔞自语自产精品视频
三，日韩欧美㊙一区二区三区亚洲㊙，国产🔞短视频精品免费区
四，日韩av免费精品欧美㊙一区二区三区四区，鈥廦OUJIZZZ❌❌❌❌HD
五，污污❌逼艹，欧美🈚砖专区㊙一区二区三区
六，国产🔞精品videosse❌久久发布，❌老太太逼
七，国产🔞又粗又长又黄做i视频
【联系利来国际(中国区)最老牌官网】
客服热线：139-2591-646

加载更多

版本更新

V39.19.54

中文精品久久久久国产🔞网址