固定收益研究专题之二，关注风险与收益的两相平衡，一个基于人工神经网络的钢铁债投资价值甄选体系-20180803-广发证券-30页-1mb

固定收益研究专题之二：关注风险与收益的两相平衡

核心内容概述

本文围绕钢铁债的信用风险与投资价值，提出了一种基于人工神经网络的信用风险甄选体系，旨在帮助投资者在风险与收益之间实现两相平衡。文章从降级风险、违约风险、收益风险比和投资建议四个维度展开分析，并对模型的局限性进行了风险提示。

主要观点

1. 信用风险的双重维度

• 违约风险：指债务主体无法按时偿付债务的风险，是信用风险的最终体现。
• 降级风险：指信用评级机构可能调低主体信用评级的风险，是信用风险的早期信号。
• 降级风险作为信用风险的前期指标，相较于违约风险更为可靠，且具有更高的可预测性。

2. 基于人工神经网络的降级风险预测

• 模型模仿评级机构的分析思路，构建了适用于钢铁行业的指标体系，包括基本面指标、财务指标和隐性指标。
• 模型使用Sigmoid激活函数，输出各发债主体落在不同信用等级的概率，避免了传统模型的离散化问题。
• 基于2008年4月1日以来的评级数据和80个输入指标，模型训练集准确率为91.25%，测试集为88.97%，整体表现良好。

3. 基于信用等级迁移矩阵的违约概率测算

• 迁移矩阵通过历史评级数据统计，计算了发债主体在一年期内迁移到违约等级（CC、C）的概率，作为违约概率的度量。
• 基于迁移矩阵，通过吸收态马尔可夫链方法，可以计算多年期的违约概率，为不同期限的债券提供风险评估依据。
• 当前较具稳健性的发债主体包括：宝钢股份、鞍钢集团、河钢集团、首钢集团、鞍钢股份、河钢股份、太钢集团、太钢不锈、首钢股份、武钢集团等。

4. 基于压力测试的稳健性分析

• 引入了宏观经济、出口、景气和信贷等多维度压力测试，模拟极端情境下的信用风险变化。
• 压力测试结果显示，宝钢股份、河钢集团、鞍钢集团、首钢集团、鞍钢股份、太钢集团、河钢股份、山钢集团、武钢集团和太钢不锈在不同压力情境下表现较为稳健。

5. 收益风险比指标构建

• 将夏普比率迁移至信用风险领域，构建了适用于钢铁债的收益风险比（λc），用于衡量投资价值。
• 收益风险比 = 一年期隐含违约概率 / 一年期真实违约概率。
• 该指标能够反映债券的估值偏离程度，为投资决策提供参考。

关键信息

1. 稳健性较高的发债主体

• 保守型投资建议：关注具备稳健性的高收益风险比主体，如武钢集团、山钢集团、河钢股份和首钢集团。
• 进取型投资建议：关注具备资质改善边际的高收益风险比主体，如酒钢集团、山东钢铁、华菱钢铁等。

2. 风险提示

• 模型未纳入部分重要指标，如股权质押等，可能导致部分风险未被充分体现。
• 信用迁移矩阵基于历史数据，无法完全反映顺、逆周期下的真实违约概率差异。
• 违约相关性未被考虑，需警惕系统性风险。

3. 模型表现

• 混淆矩阵：人工神经网络模型在AAA、AA+、AA等级上的准确率分别为96.02%、91.42%、86.15%，整体准确率为90.57%。
• 压力测试：四种压力情景下，部分钢铁企业表现出较高的稳健性，如宝钢股份、河钢集团、鞍钢集团等。

钢铁债筛选标准

总结

本文构建了一个基于人工神经网络的钢铁债信用风险甄选体系，通过降级风险预测、违约概率测算、压力测试与收益风险比分析，为投资者提供了风险与收益相平衡的投资建议。模型在多个维度上展现出良好的适用性与可靠性，但同时需注意模型未考虑的部分风险因素，如股权质押、系统性违约风险等。投资者应结合自身风险偏好与市场环境，选择具有稳健性或改善潜力的钢铁债标的。