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，精品学习网为您编辑了“债券评级研究综述”

债券评级研究综述

　　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。West(1970)批评了Horrigan(1966)只依赖于财务变量以及缺乏金融理论支持的作法，他采用了Fisher(1959)的经济变量来考察债券评级。采用1949年截面估计的系数来预测1953年和1961年的债券评级，West发现评级通过影响其他的投资选择改变了债券的收益率，而且在控制了决定公司债券风险溢价的企业特定因素后，债券评级也会系统性地影响债券收益率。
　　PogueandSoldofsky采用一个修正的ODS回归模型来进行逐对分类(pair—wise classification)，这里的因变量取两个值：1—评级较高公司；0—评级较低的公司。他们考察了四个样本的债券：(1)Aaa和Aa债券；(2)Aa和A债券；(3)A和Baa债券；(4)Aaa和Baa债券。这种两组(two—group)分类的程序避免了Horrigan和West研究中多组区间(interval)比较的问题。然而，逐对比较程序的系数无法解释其他债券评级的质量。而且，极端组(如Aaa和Baa)以及非邻近组之间的比较，会丢失介于中间的债券评级的信息。
　　技术上，OLS回归模型的缺陷在于：首先，采用连续的数值(9—1)无法反映AA和A之间的风险差异与BB与B之间的风险差异的不同。其次，当被解释变量是一些序数时，扰动项通常不满足零均值和固定方差的OLS假设。因此，需要在统计上寻找更合适的方法。
　　2．多元判别分析模型
　　债券评级是分类数据，因此采用专门考察分类数据的技术如判别分析、Probit和Logit回归等会比较恰当。多元判别分析是一个用来把数据分为不同组别的统计方法，也是债券评级建模中最流行的模型。
　　PinchesandMingo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S&P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 Urwi利用Probit技术来进行研究，他们认为被解释变量的不同值(如9—1)代表了一个序数关系，而且不同序数之间的差异是不一样的。他们区别了理论的被解释变量(Y：违约风险)和观测的变量(z：债券评级)，并采用最大似然估计来估计。结果表明eLS的表现比Probit更好。Is·kandarandEmery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(hiddenlayered)神经网络模型。结果表明二元隐藏层级模型比单元隐藏层级模型的分类准确性更高。
　　Utansand Moody采用一个多层感知器(multi—layerper-ceptron)网络来研究债券评级，并把它与线性回归模型作比较。Kwon，HahandLee在神经网络中采用了OPP(ordinal pair—wisepartitioninS)法，并与传统神经网络(CNN)以及多元判别分析作比较，结果表明OPP比CNN好，而OPP和CNN都比多元判别分析好。
　　总的看来，利用统计和计量方法来债券评级建模时，主要有普通最小二乘法回归、多元判别分析、排序Probit(或Logit)模型和人工神经网络法等几种方法。在统计上，尽管后三种方法能更好地满足评级数据的分布特征，但是在实证中并没有发现那种方法一致地优于其他方法。因此，一个合理的建议是在研究中应该同时采用这几种方法，并比较各种方法的表现。