八问“行业利差分析框架”

2018-01-12 14:25 天风固收孙彬彬 阅读 1843

作者:天风固收孙彬彬、高志刚、于瑶

摘要:

我们在2018年1月2日发布了专题报告《如何利用行业利差挖掘行业》。报告发布之后,收到不少投资者的反馈。我们将投资者提问较多的几个问题进行汇总,结合我们思考的成果,供大家探讨和交流,希望对未来进一步的研究有所启发和帮助。

我们在2018年1月2日发布了专题报告《如何利用行业利差挖掘行业》,重点介绍了行业利差的计算方法以及数据库的搭建,然后分别从经营和财务方面评估各行业的投资风险,最后将行业利差和行业风险进行比对,得出当前各行业债券的投资性价比分布。

image.png

报告发布之后,收到不少投资者的反馈。我们将投资者提问较多的几个问题进行汇总,结合我们思考的成果,供大家探讨和交流,希望对未来进一步的研究有所启发和帮助。

一问:计算行业利差用“平均数”还是“中位数”?

在计算个券行业利差的过程中,我们遵循如下的计算公式:

个券行业利差 = 个券中债估价收益率 – 基准收益率

行业利差 = Σ个券行业利差 / 样本数

用样本中个券的中债估价收益率减去基准,得到个券的行业利差。然后分行业计算对应样本的算术平均,即为该行业的利差水平。

考虑到信用事件突发的影响,行业中某些个券的估价收益率可能会出现短期内急剧攀升的情况。例如,2017年4月,受境外机构沽空事件持续发酵的影响,魏桥系的债券估值急剧攀升,瞬间拉高了有色金属行业的利差均值;再例如,2017年6月中旬,房地产行业由于受到大连万达信用事件的冲击,引发市场对行业的整体担忧,房地产行业利差大幅陡峭化上行。

从统计学的角度来说,平均数和中位数都是反映一组数据集中趋势的指标。平均数会受任何一个数据变动的影响,尤其是异常值的波动对平均数的影响较大;中位数仅与数据的排列位置有关,受异常值的影响不大。因此,使用平均数的优势在于能立即反应行业中突发的信用事件,投资机会往往也蕴含其中;相应的劣势也在于平均数不及中位数稳定,易受异常值波动的影响。在时间许可的情况下,建议投资者同时兼顾平均数和中位数的走势,兼听则明。

二问:计算行业利差用“个券”还是“主体”?

我们计算行业利差的样本选取的是经过净化处理后的中票,每次更新时的样本数在1000只左右。由于不同主体的发债数量存在差异,会导致某个行业中有多只样本券出自同一主体的情况发生,相当于间接增加了该主体在行业利差中的权重。

如果同一发债主体仅保留一只样本券作为代表,可以避免发债多的主体权重过高的问题,后续我们会进行尝试。不过这样处理可能会面临样本数量不足的问题,考虑到样本涵盖了27个申万一级行业分类,每个行业我们又按不同主体评级(AAA、AA+、AA)分别统计,每个细分板块的样本数量会非常有限。

三问:如何剔除“期限”因素的影响?

在计算行业利差的过程中,我们尝试用线性插值法剔除“期限”因素的影响。例如,对于一只AA评级剩余期限为3.7年期的债券,我们首先找出AA评级3年期和AA评级4年期的中债中短期票据到期收益率,通过线性插值法计算出AA评级3.7年期的标准值,作为个券的收益率基准。

按照我们的初衷,这样计算的行业利差理论上仅包含了“评级”因素和“行业”因素的影响,换言之,同一主体发行的、不同剩余期限的中票,对应的行业利差应该是大致相当的。

我们选取发债较多的河钢集团为例,河钢集团有14只中票纳入了样本券的范畴,剩余期限从1.19年到4.79年不等,对应的中债估价收益率也随剩余期限逐渐递增。在剔除对应的差值基准之后,每只中票对应的行业利差大致都在50bp左右。因此,用线性插值法可以比较有效的剔除“期限”因素的影响,这也是不少投资者询问我们为什么没有按不同期限统计行业利差的原因。

image.png

四问:是否可以增加模型变量?

在衡量行业投资风险的时候,我们按是否涉及财务数据,大致涵盖了“经营类风险指标”和“财务类风险指标”。经营类风险指标具体细分为资产结构、行业集中度;财务类风险指标细分为盈利能力、财务杠杆、短期偿债能力、长期偿债能力、获现能力。

image.png

在考虑了经营风险和财务风险的基础上,我们还可以引入衡量“企业性质”的风险指标,通过考察行业中国企、央企、民企等占比分布情况,分析行业内企业可以获得的政府或银行等的外部支持力度。

五问:衡量行业风险为什么不用发债主体?

在衡量行业风险时,我们以2008年至今A股上市公司为样本,收集定期披露的季报、半年报、年报数据。之所以选用A股上市公司而不是所有发债主体为样本,最重要的原因在于上市公司披露的财报质量更好,数据更齐备。

不可否认,行业利差对应的是发债主体,行业风险选用的是A股上市公司,其中可能会存在一定的偏差,这也是模型处理中难以避免的瑕疵。

六问:如何处理财务数据存在滞后的问题?

财务数据最大的缺点就在于数据发布存在滞后,而行业利差数据理论上可以做到每日更新,数据频率的不同步也是模型中难以避免的瑕疵。

虽然行业基本面短期内基本处于相对稳定的状态,不会瞬息万变,但对于行业风险和景气度的预判,我们建议投资者关注更高频的数据。

七问:如何确定打分权重?

我们在对行业投资风险进行打分时,对每个细项指标分别进行横向和纵向打分,分别赋予80%和20%的权重。在对经营类风险指标打分和财务类风险指标打分进行整合时,我们选用下表中的权重。

这些打分权重确实含有主观判断的因素,为了提高权重占比的严谨性和科学性,我们在未来模型中会对权重进行“敏感性分析”,即通过调整打分权重,看是否会对最终结论产生显著影响。

image.png

八问:可否用历史数据验证模型的有效性?

在专题报告中,我们对各行业2017年三季度的数据进行打分,得到不同行业的投资风险综合得分,并与2017年12月的行业利差代表的行业收益进行比对,得到如下的散点图,其中,横轴为各行业的风险综合得分,纵轴为行业对应的利差水平。从下图可以看出,大分部行业都分布在从左下到右上的带状区域内,表明行业的风险综合得分越高,行业面临的风险越大,相应的行业利差水平也越高。

此外,我们注意到,化工行业位于带状区域的上方,表明化工行业基本面的风险相对不大,但是化工类产业债给出的行业利差较高,值得进一步关注,可能存在超额收益的机会;房地产行业虽然位于带状区域内,但是从行业风险的角度看,房地产行业与市场前期普遍关注的产能过剩行业(采掘、有色金属、钢铁等行业)的风险得分相近,但是对应的行业利差水平明显高出这些过剩行业,可以在行业大幅调整的背景下,筛选可能被错杀的标的。

image.png

模型的价值在于能否真正指导投资,为验证模型的有效性,我们使用历史数据进行回测,看假设回到过去某一时点,我们能否用模型得出有指导意义的结论。众所周知,2017年上半年收益最丰厚的策略就是配置过剩产能(煤炭、钢铁)的信用债,假设时间重新回到2016年12月,我们用2016年三季度的数据对各行业进行打分,得到不同行业的投资风险综合得分,并与2016年12月的行业利差代表的行业收益进行比对,得到如下的散点图。从2016年12月的行业投资价值比较中,我们看到,在2016年末采掘和钢铁行业属于高风险行业,同时对应的利差也明显高于其他行业,专注这两个行业中可能被错杀的标的,可以在来年获得较高的收益,这也印证了该模型的有效性。

image.png

风险提示

信用风险事件频发,宏观经济大幅下滑

(作者公众号:固收彬法)