债券评级研究综述的论文.docVIP

　　债券评级研究综述的论文 债券评级源于20世纪初的美国，经过100多年的发展，在美国已形成了一套完整的制度，并在保持金融系统的稳定中发挥着重要作用。在我国，随着债券市场的产生和发展，债券评级公司也应运而生，目前主要有中诚信国际、穆迪以及标准普尔三家。 　　学者们对债券评级的研究主要从以下两个方面人手：(1)债券评级的建模，这个方面的研究考察了影响评级高低的各种因素及其对评级影响的函数形式，应用的方法主要有统计和计量技术；(2)债券评级与债券到期收益率、股票收益率的关系，这些研究主要是通过事件研究法来考察债券评级及其变动对债权人、股东财富的影响。下文将对这两个方面的研究进行述评。 　　 　　一、债券评级的建模 　　 　　债券评级的建模思想可以一般地表示为如下模型： 　　其中rαti是公司i的债券评级，xji是可能影响评级的某个因素。建立评级模型的最大困难在于缺乏相应的经济理论作指导，这就决定了模型的函数形式以及变量选择在很大程度上只能是一个实证上的尝试。从方法上讲，评级建模的统计技术主要有普通最小二乘法(ods)回归，多元判别分析(mda)，排序probit(或logit)模型和人工神经网络(ann)。 　　1．普通最小二乘法回归 　　fisher最早引入回归技术来研究债券市场的风险溢价，并成功地解释了债券风险溢价75％的变动。受此启发，研究人员开始采用回归技术来研究债券评级。 　　horrigan首次把债券评级对一些财务指标如总资产、流动比率和营利能力等进行回归，他还采用了一个0～1变量来代表债券的次级(subordinate)地位。.horrigan考察了在1959-1964年期间评级保持稳定的公司样本，并采用9到1的数值来代表从aaa到b、c的评级，这种处理方法被后续的研究广泛采用。ingo考察了评级介于aa—b之间的新发行的工业债券。他们采用两步法来进行研究：先对35个会计、财务变量进行因子分析来确定数据中的正交成分；其次，在每个因子中选择最重要的变量来进行第二步的判别分析。他们的判别分析在原始样本中具有69．7％的准确率，在检验样本(hold—outsample)中具有64．6％的准确率。在pinchesand mingo的研究中，他们采用了没有次级(subordinated)变量的二次(quadratic)判别分析。在新模型中他们采用了5个变量，从而提高了在baa债券评级上的表现，但在其他级别的表现都降低了。 　　ahman and katz采用二次判别分析来考察公用事业的债券评级，他们利用30个变量和14个变量分别考察了判别分析的分类准确性。在原始样本中，他们获得了91％的准确性，在检验样本中获得了77％的准确性。因此，他们认为公开的数据可以在多元统计框架中准确地评估债券评级。 　　rapport，murphy and parr采用因子分析考察了123个moody和sp评级相同的工业公司商业票据。他们最先采用了37个变量，随后采用逐步二次判别分析法把变量减少为6个，获得了83％的整体分类准确性。bhandari，soldofskyand-boel…采用线性判别分析来对评级上调和下调的债券进行分类，并用估计的模型来为评级不变的债券进行分类。他们考察了1974、1975年的49个工业公司，并选择了24个评级没有变动的公司作为比较。结果表明比起评级下调，他们的模型能更好地预测评级上调。 　　尽管多元判别分析是一种有效的数据分类方法，然而它的缺陷在于无法适应债券评级的序数性质，作为解释变量的财务比率通常也不满足多元正态分布的假设。 　　3．排序probit 　　probit(或logit)是专门用来研究排序数据的统计技术，它避免了ols和多元判别分析用于债券评级时无法克服的排序和固定区间(即相邻评级之间的数值间隔是——样的)问题。kaplan and urery采用els和排序probit来研究债券条款对债券评级的影响，发现债券条款的设置有助于预测债券评级。kamstra，kennedy and suan(2001)采用排序logit和probit来预测债券评级，并与多元判别分析和els作比较，结果表明他们的排序logit组合模型能更好地预测债券评级。因此，probit在理论上虽然优于ols和多元判别分析，但是在预测能力上似乎并没更好。 　　4．人工神经网络 　　后期的研究开始采用神经网络来研究债券评级。duttaand shekhar对多元回归模型和神经网络模型作了比较，他们把样本公司分为估计样本和检验样本，估计样本用来训练神经网络和估计回归系数，检验样本用来检验神经网络并与 回归结果作比较。结果表明，在学习阶段，回归模型的分类准确性更高，而在检验阶段神经网络的准确性更高。surkan等采用了单元和多元隐藏层级(