債券評級分析綜述

論文類別:證券金融論文 > 債務市場論文
上傳時間:2011/8/28 16:44:00

債券評級源於20世纪初的美國,經過100多年的發展,在美國已形成了一套完整的制度,並在保持金融系統的穩定中發揮著重要作用。在我國,隨著債券市場的產生和發展,債券評級公司也應運而生,目前主要有中誠信國際、穆迪以及標準普爾三家。
  學者們對債券評級的研究主要從以下兩個方面人手:(1)債券評級的建模,這個方面的研究考察了影響評級高低的各種因素及其對評級影響的函數形式,應用的方法主要有統計和計量技術;(2)債券評级與債券到期收益率、股票收益率的關系,這些研究主要是通过事件研究法來考察債券評級及其變動對債權人、股東財富的影響。下文將對這兩個方面的研究进行述評。
  
  一、債券評級的建模
  
  債券評級的建模思想可以一般地表示為如下模型:
  其中rαti是公司i的債券評級,Xji是可能影響評級的某個因素。建立評級模型的最大困難在於缺乏相應的經濟理論作指導,這就決定了模型的函數形式以及變量選擇在很大程度上只能是一個實證上的嘗試。從方法上講,評級建模的統計技術主要有普通最小二乘法(ODS)回歸,多元判別分析(MDA),排序Probit(或Logit)模型和人工神經網絡(ANN)。
  1.普通最小二乘法回歸
  Fisher最早引入回归技術來研究債券市場的風險溢价,並成功地解釋了債券風險溢价75%的變動。受此啟发,研究人員開始采用回歸技術來研究債券評級。
  Horrigan首次把債券評級對一些財務指標如總資產、流動比率和營利能力等進行回歸,他還采用了一個0~1變量來代表債券的次級(subordinate)地位。Horrigan考察了在1959-1964年期間評級保持穩定的公司樣本,並采用9到1的數值來代表從Aaa到B、C的评級,這種處理方法被後續的研究廣泛采用。West(1970)批評了Horrigan(1966)只依賴于財務變量以及缺乏金融理論支持的作法,他采用了Fisher(1959)的經濟變量來考察債券評級。采用1949年截面估計的系數來預測1953年和1961年的債券評級,West發現評級通過影响其他的投資選擇改變了債券的收益率,而且在控制了決定公司債券風險溢價的企業特定因素后,債券評級也會系統性地影響债券收益率。
  PogueandSoldofsky采用一個修正的ODS回歸模型來進行逐對分類(pair—wise classification),這裏的因變量取兩個值:1—評級較高公司;0—評級較低的公司。他們考察了四個樣本的債券:(1)Aaa和Aa債券;(2)Aa和A債券;(3)A和Baa債券;(4)Aaa和Baa債券。這種兩組(two—group)分類的程序避免了Horrigan和West研究中多組區間(interval)比較的問題。然而,逐對比較程序的系數無法解釋其他債券评級的質量。而且,極端組(如Aaa和Baa)以及非鄰近組之間的比較,會丟失介於中間的債券評級的信息。
  技術上,OLS回归模型的缺陷在於:首先,采用連續的數值(9—1)無法反映AA和A之間的風險差異与BB與B之間的風險差異的不同。其次,當被解釋變量是一些序数時,擾動項通常不滿足零均值和固定方差的OLS假設。因此,需要在統計上尋找更合适的方法。
  2.多元判別分析模型
  債券評级是分類數據,因此采用专門考察分類數據的技術如判別分析、Probit和Logit回歸等會比較恰当。多元判別分析是一个用來把數據分為不同組別的统計方法,也是債券評级建模中最流行的模型。
  PinchesandMingo考察了評級介於Aa—B之間的新發行的工業債券。他們采用兩步法來進行研究:先對35個會計、財务變量進行因子分析來確定數據中的正交成分;其次,在每個因子中選择最重要的變量來進行第二步的判別分析。他們的判別分析在原始樣本中具有69.7%的準確率,在檢验樣本(hold—outsample)中具有64.6%的準確率。在Pinchesand Mingo的研究中,他們采用了沒有次級(subordinated)變量的二次(quadratic)判別分析。在新模型中他們采用了5個變量,從而提高了在Baa債券評級上的表現,但在其他级別的表現都降低了。
  Ahman and Katz采用二次判別分析來考察公用事業的債券評級,他們利用30個變量和14個變量分別考察了判別分析的分類準確性。在原始樣本中,他們獲得了91%的準确性,在檢驗樣本中獲得了77%的準確性。因此,他們認為公開的數據可以在多元統计框架中準確地評估債券評級。
  Rapport,Murphy and Parr采用因子分析考察了123個Moody和S&P評级相同的工業公司商業票據。他們最先采用了37個變量,隨后采用逐步二次判別分析法把變量減少為6個,獲得了83%的整體分類準確性。Bhandari,Soldofskyand-BoeL…采用線性判别分析來對評級上調和下調的債券进行分類,並用估計的模型來為評級不變的债券進行分類。他們考察了1974、1975年的49個工业公司,並選擇了24個評級沒有变動的公司作為比較。結果表明比起評級下調,他們的模型能更好地預測評級上調。
  尽管多元判別分析是一種有效的數據分類方法,然而它的缺陷在於無法適應債券評級的序數性質,作为解釋變量的財務比率通常也不满足多元正態分布的假設。
  3.排序Probit
  Probit(或Logit)是專門用来研究排序數據的統計技術,它避免了OLS和多元判別分析用於债券評級時無法克服的排序和固定區间(即相鄰評級之間的數值間隔是——樣的)問题。Kaplan and Urwi利用Probit技術來進行研究,他們認為被解釋變量的不同值(如9—1)代表了一個序數關系,而且不同序數之間的差異是不一樣的。他們區別了理論的被解釋變量(Y:違約風險)和觀測的變量(z:債券評級),並采用最大似然估計來估計。结果表明eLS的表現比Probit更好。Is·kandarandEmery采用eLS和排序Probit來研究債券條款對債券評級的影響,發現債券條款的設置有助於預測债券評級。Kamstra,Kennedy and Suan(2001)采用排序Logit和Probit來預测債券評級,並與多元判別分析和eLS作比較,結果表明他們的排序Logit组合模型能更好地預測債券評级。因此,Probit在理論上雖然優於OLS和多元判別分析,但是在預測能力上似乎並沒更好。
  4.人工神經網絡
  後期的研究開始采用神經網絡來研究債券评級。Duttaand Shekhar對多元回歸模型和神經網絡模型作了比较,他們把樣本公司分為估計樣本和檢驗樣本,估計樣本用來訓練神經網絡和估计回歸系數,檢驗樣本用來檢驗神經网絡並與     免費論文下载中心 http://www.hi138.com 回歸結果作比较。結果表明,在學習階段,回歸模型的分類準確性更高,而在檢驗階段神經網络的準確性更高。Surkan等采用了單元和多元隱藏層级(hiddenlayered)神經網絡模型。結果表明二元隱藏層級模型比单元隱藏層級模型的分類準確性更高。
  Utansand Moody采用一個多層感知器(multi—layerper-ceptron)網絡來研究債券評級,並把它與線性回歸模型作比較。Kwon,HahandLee在神經網絡中采用了OPP(ordinal pair—wisepartitioninS)法,並與傳统神經網絡(CNN)以及多元判別分析作比較,結果表明OPP比CNN好,而OPP和CNN都比多元判别分析好。
  總的看來,利用統計和計量方法來債券評級建模時,主要有普通最小二乘法回歸、多元判別分析、排序Probit(或Logit)模型和人工神經網絡法等幾種方法。在統計上,盡管後三種方法能更好地滿足評級数據的分布特征,但是在實證中並沒有發現那种方法一致地優於其他方法。因此,一個合理的建議是在研究中應該同時采用這幾種方法,并比較各種方法的表現。
  
  二、债券評級變動的財富效應
  
  另外一些研究考察了債券評級與債券到期收益率、股票收益率的關系,采用的方法主要是事件研究法。
  對於債券評級的變動是否會導致財富效應,早期研究的發現並不一致。Wcinstem采用月債券收益率数據,Wakeman(1978)采用月股票收益率和周債券收益率数據,發現債券評級變動並沒有導致顯著的股價變動。而Katz采用债券到期收益率的月度變動,Gtier and Katzt采用平均月債券價格,lngram,Brooks and Copelandt采用市政債券到期收益率的月變動,則發现債券評級變動會導致股票價格的顯著反應。这些研究沒有區分評級變動的方向和大小,這可能是導致未能發現一致结論的一個原因。那麽不同的債券評級變動是否會導致不同的市场反應呢?後續的研究回答了這個問題。
  Pinches and Singletont發現債券评級變動(包括上調和下調)的信息內涵都比較小。Wansley and Clauretie發現當公司在S&P Credit Watch上出現並隨後確认評級時,市場的反應不明顯。Griffin and Sanvicente(1982)以及Zaima and McCarthy(1988)發現評級下調向股東传遞了顯著的信息,而評級上调則沒有顯著的信息內涵。同時,Zaima and Mc Car-thyt提出了兩個競爭性假說来解釋債券評級變動:信息內涵假說和財富重新分配假說。信息內涵假說認為評級下調的公司的價值應該下降,而評級上調公司的價值應該上升;財富重新分配假說認為評級下调會導致債券人財富下降,並有部分財富轉向股東。
  Holthausen and Leftwich發现從投資級到投機級的評级下調的市場反應比一般的評級下調的市場反應更大。Hand,Holthausen and Leftwich以及Gohand Ederington則發現債券的評級下調越多,股價反應就越大:其次,在投機級内的評級下調的股價反應大於投資級内部的評級下調。GobandEd erington認為評級下調的影響可能是基本面因素的一個函數。具體地,他們區別了由於財務杠桿變動和財務前景惡化引起的評級下調,發現財務杠桿上升導致的評級下調引起了股價的上升,這表明財富從债權人轉向了股東;而山財務前景惡化引起的評級下調則導致了股價的下跌。另外,Gob and Ederington還發現如果在債券評級變動之前,股票存在負的超額收益率,市場對债券評級下降的反應更強烈。但是與Holthansen and Leftwich不同,他們發现債券評級下降的差異,並沒有引起不同的股價反應。
  債券評級不僅會向單个公司的債權人和股東傳遞信息,還可能會產生信息轉移(information transfer)效應。比如,Ak-lfigbe,Jeff and Ann Marie考察了債券評級变動的行業內效應,發現评級下調的負面估值影響會在整個行業內傳播。他們發現這種行業效應取決於評級下调的特征、具體企業和行業竞爭者。當評級下調公司的股價反应越大;評級下調公司在行業中處於主導地位;評級下調公司與其競爭對手聯系密切;評級下調是由於財務前景惡化引起時,這種行業效應就越明顯。
  最後,有一些研究發現市場对債券評級變動的反應存在滯後性。比如,Pinches發现在債券評級變動之後的一年内,並不存在顯著的超額收益率,但是有微弱的證據表明在评級變動公布之後股價存在回歸的趨势。Glascock,Davidson and Henderson發現在評級变動公布之後的一個季度內股票收益率存在4%~5%的逆轉。Holthansen and Leftwich发現在評級下調後的一個季度内存在異常的負收益率,表明收益率存在一個漂移而非逆转趨勢。Dichev and Piotroski考察了債券評級變動之後股價的长期變動,發現債券評級上調后不存在顯著的超額收益率,而在債券評級下調的一年後,存在14%~15%的超額收益率,第二、第三年的超額收益率分别為—4%和~6%左右,並且這種現象在小公司和投机級債券公司更為明顯,他們指出這种現象是由於市場的反应不足引起的。
  總體來看,上述研究的發現表明債券評級為市場提供了有用的信息。市場對债券評級的反應不僅取决於評級是否變動,還取決於其變動的方向和幅度。在技術上,事件研究是考察債券評級的財富效應的主要方法。因此,需要註意的是事件研究中可能存在的計量問題及其對結论的影響,這種問題在長窗口的研究中可能更為嚴重。
  
  三、总結
  
  本文對西方債券評级研究作了一個綜合的回顧,並對其研究方法和結論進行了相應的述評。評級研究考察了評級建模的統計技術和評级的財富效應(或市場反应)。利用統計和計量方法來債券評级建模時,主要有普通最小二乘法回歸、多元判别分析、排序Probit或(Logit)模型和人工神經網絡法等幾種方法。其中,後三種方法在統計上能更好地滿足評級數據的分布特征,因此在解釋和預測上都要優於普通最小二乘法回歸,而這三種方法之間並沒有顯著的優劣差異。而評級變動的市場反應研究表明债券評級為市場提供了有用的信息。市場對債券評級的反應不僅取決於評級是否變动,還取決於其變動的方向和幅度。
  當前,債券和评級公司在中國的資本市場的發展中扮演著越來越重要的角色。那麽對研究人員來说,一個重要的課題就是如何從中國的國情出发,建立一些有效的債券評级模型,為市場提供有用的評級信息。在這方面,西方的研究可以為我們提供有益的指導和借鉴。
  註:本文中所涉及到的圖表、註解、公式等內容請以PDF格式閱讀原文。   转貼於 免費論文下載中心 http://www.hi138.com
下载论文

論文《債券評級分析綜述》其它版本

債務市場論文服務

網站聲明 | 聯系我們 | 網站地圖 | 論文下載地址 | 代寫論文 | 作者搜索 | 英文版 | 手機版 CopyRight@2008 - 2017 免費論文下載中心 京ICP备17062730号