債券評級研究綜述

《債券評級研究綜述》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。

1、債券評級研宄綜述債券評級源于20世紀(jì)初的美國，經(jīng)過100多年的發(fā)展，在美國已形成了一套完整的制度，并在保持金融系統(tǒng)的穩(wěn)定中發(fā)揮著重要作用。在我國，隨著債券市場的產(chǎn)生和發(fā)展，債券評級公司也應(yīng)運(yùn)而生，目前主要有中誠信國際、穆迪以及標(biāo)準(zhǔn)普爾三家。學(xué)者們對債券評級的研宄主要從以下兩個(gè)方面人手：(1)債券評級的建模，這個(gè)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(shù)形式，應(yīng)用的方法主要有統(tǒng)計(jì)和計(jì)量技術(shù)；(2)債券評級與債券到期收益率、股票收益率的關(guān)系，這些研究主要是通過事件研宄法來考察債券評級及其變動(dòng)對債權(quán)人、股東財(cái)富的影響。下文將對這兩個(gè)方面的研宄

2、進(jìn)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rati是公司i的債券評級，Xji是可能影響評級的某個(gè)因素。建立評級模型的最大困難在于缺乏相應(yīng)的經(jīng)濟(jì)理論作指導(dǎo)，這就決定了模型的函數(shù)形式以及變量選擇在很大程度上只能是一個(gè)實(shí)證上的嘗試。從方法上講，評級建模的統(tǒng)計(jì)技術(shù)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(jīng)網(wǎng)絡(luò)(ANN)。1.普通最小二乘法回歸Fisher最早引入回歸技術(shù)來研宄債券市場的風(fēng)險(xiǎn)溢價(jià)并成功地解釋了債券風(fēng)險(xiǎn)溢價(jià)75%的變動(dòng)。受此啟發(fā)，研究人員開始采用回歸技

3、術(shù)來研究債券評級。Horrigan首次把債券評級對一些財(cái)務(wù)指標(biāo)如總資產(chǎn)、流動(dòng)比率和營利能力等進(jìn)行回歸，他還采用了一個(gè)0?1變量來代表債券的次級(subordinate)地位。Horrigan考十I'了在1959-1964年期間評級保持穩(wěn)定的公司樣本，并采用9到1的數(shù)值來代表從Aaa到B、C的評級，這種處理方法被后續(xù)的研究廣泛采用。West(1970)批評了Horrigan(1966)只依賴于財(cái)務(wù)變量以及缺乏金融理論支持的作法，他采用了Fisher(1959)的經(jīng)濟(jì)變量來考察債券評級。采用1949年面估計(jì)的系數(shù)來預(yù)測1953年和1961年的債券評級，We

4、st發(fā)現(xiàn)評級通過影響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(fēng)險(xiǎn)溢價(jià)的企業(yè)特定因素后，債券評級也會系統(tǒng)性地影響債券收益率。PogueandSoldofsky采用一個(gè)修正的0DS回歸模型來進(jìn)行逐對分類(pair—wiseclassification)，這里的因變量取兩個(gè)值：1一評級較高公司；0—評級較低的公司。他們考察了四個(gè)樣本的債券：(l)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(qū)間(interva1)比較的

5、問題。然而，逐對比較程序的系數(shù)無法解釋其他債券評級的質(zhì)量。而且，極端組(如Aaa和Baa)以及非鄰近組之間的比較，會丟失介于中間的債券評級的信息。技術(shù)上，OLS回歸模型的缺陷在于：首先，采用連續(xù)的數(shù)值(9一1)無法反映AA和A之間的風(fēng)險(xiǎn)差異與BB與B之間的風(fēng)險(xiǎn)差異的不同。其次，當(dāng)被解釋變量是一些序數(shù)時(shí)擾動(dòng)項(xiàng)通常不滿足零均值和固定方差的OLS假設(shè)。因此，需要在統(tǒng)計(jì)上尋找更合適的方法。2.多元判別分析模型債券評級是分類數(shù)據(jù)，因此采用專門考察分類數(shù)據(jù)的技術(shù)如判別分析、Probit和Logit回歸等會比較恰當(dāng)。多元判別分析是一個(gè)用來把數(shù)據(jù)分為不同組別的統(tǒng)計(jì)方法

6、，也是債券評級建模中最流行的模型。PinchesandMingo考察了評級介于Aa_B之間的新發(fā)行的工業(yè)債券。他們采用兩步法來進(jìn)行研究：先對35個(gè)會計(jì)、財(cái)務(wù)變量進(jìn)行因子分析來確定數(shù)據(jù)中的正交成分；其次，在每個(gè)因子中選擇最重要的變量來進(jìn)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(zhǔn)確率在檢驗(yàn)樣本(hold—outsampie)中具有64.6%的準(zhǔn)確率。在PinchesandMingo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(gè)變量，從而提高了在Baa債券評級

7、上的表現(xiàn)，但在其他級別的表現(xiàn)都降低了。AhmanandKatz采用二次判別分析來考察公用事業(yè)的債券評級，他們利用30個(gè)變量和14個(gè)變量分別考察了判別分析的分類準(zhǔn)確性。在原始樣本中，他們獲得了91%的準(zhǔn)確性，在檢驗(yàn)樣本中獲得了77°%的準(zhǔn)確性。因此，他們認(rèn)為公開的數(shù)據(jù)可以在多元統(tǒng)計(jì)框架中準(zhǔn)確地評估債券評級Rapport,MurphyandParr采用因子分析考察了123個(gè)Moody和SP評級相同的工業(yè)公司商業(yè)票據(jù)。他們最先采用了37個(gè)變量，隨后采用逐步二次判別分析法把變量減少為6個(gè)，獲得了83%的整體分類準(zhǔn)確性。Bhandari，So1dofskyand

8、_BoeL???采用線性判別分析來對評級上調(diào)和下調(diào)的債券進(jìn)行分類，并用估計(jì)的模型來為評級不變的