可转债估值定价方法探讨：下修强赎概率预测，及信用评级和折现率优化-20231016-山西证券-41页_4mb

可转债估值定价方法探讨总结

核心内容概述

本报告探讨了可转债（Convertible Bond）的估值定价方法，重点分析了信用评级调整、折现率选择、下修与强赎行权概率预测等关键问题。通过引入机器学习模型，特别是逻辑回归模型，对上市公司的下修和强赎决策概率进行了预测。同时，对可转债的债券部分与期权部分进行了估值推导，提出了基于不同定价方法的估值模型优化，并结合历史数据验证了优化后模型的估值效果。最后，基于优化后的估值模型，推荐了可能被低估的五只可转债个券。

主要观点

• 信用评级调整：使用中证信用旗下Ratingdog的YY评级体系对可转债信用评级进行调整，以更客观、及时地反映信用风险。
• 折现率选择：当正股股价超过转股价时，转债主要面临正股波动风险，此时应使用资本成本（如COE或WACC）而非反映信用风险的贴现率。
• 行权概率预测：通过整理2019年以来的下修和强赎案例，使用逻辑回归模型预测上市公司下修和强赎的概率，提升估值的准确性。
• 回售期权：由于到期赎回价、下修条款和市场溢价的存在，回售条款几乎没有实际意义，因此不再单独计算回售期权。
• 估值模型优化：通过引入行权概率模型，优化后的估值方法在分解定价法和整体定价法中均表现出较好的准确性，多数个券估值落在未来半年市价区间内。
• 投资建议：基于优化后的估值模型，当前可能被低估的可转债包括：道氏转02、晶澳转债、科顺转债、奥维转债、易瑞转债，建议重点关注。

关键信息

折现率选择优化

• 当正股股价高于转股价时，使用资本成本（如COE或WACC）作为折现率。
• 以2023年9月中证转债498只成分券为例，约29.72%的个券正股股价高于转股价。
• 为防止估值跳跃，对正股股价高于转股价20%以内的个券，采用加权方式平滑变化趋势。

信用评级调整

• YY评级与外部评级存在对应关系，用于调整纯债价值。
• 以2023年9月为例，YY评级覆盖497只，调整后评级变化较大，如广汇转债从AA+调至A+，京源转债从A调至BB。
• 信用风险暴露的个券下修频率较高，如正邦转债、蓝盾转退等。

下修与强赎行权概率预测

• 下修案例统计显示，2019年以来共发生101次下修，涉及90家上市公司。
• 平均下修幅度为26%，平均剩余期限为4.37年。
• 强赎案例统计显示，2019年以来共触发701次强赎，涉及多个指标，如实控人持股比例、股票质押率、资产负债率等。
• 使用逻辑回归模型预测下修和强赎概率，结果表明模型具有一定的预测能力。

估值效果验证

• 分解定价法下，2022年、Q123新券估值偏离度分别为0.52%、-2.01%。
• 整体法下，优化后的MC估值偏离度多在10%以内，63%的个券估值落在未来半年市价区间内。
• 通过精选6只个券进行历史趋势对比，发现估值与市价趋势一致，多数偏离度不大。

投资建议

• 优化后的估值模型显示，当前可能被低估的五只可转债为：道氏转02、晶澳转债、科顺转债、奥维转债、易瑞转债。
• 建议投资者重点关注这些个券，以获取潜在的投资机会。

风险提示

• 行权概率预测训练数据量较少，模型准确率仍有待提升。
• 历史回测不代表未来，模型可能随时根据市场情况调整。

图表与数据目录

• 图1：不同情景下，可转债价值分别由债券价值或转换价值支撑。
• 图2：2019年以来共101次下修记录。
• 图3：2019年以来共701次强赎触发记录。
• 图4-7：强赎决策结构比较（按企业性质、剩余期限、债券余额、正股总市值、个券过去15天均价、实控人持股比例）。
• 图8-23：不同定价方法推导新债估值的偏离度与市价区间比例。
• 图24-29：具体个券的市价与估值历史趋势对比。
• 表1-6：不同评级债券到期收益率及山证与WIND估算纯债价值的对比。
• 表7-18：触发回售、下修、强赎的个券及相关指标统计。

结论

本报告通过引入机器学习模型对下修和强赎行权概率进行预测，并结合信用评级调整和折现率优化，提升了可转债估值的准确性和实用性。尽管存在一定的模型风险，但随着转债市场的发展和样本量的增加，基于行权概率的估值方法将更具参考价值。