您正在浏览的是香港网站,香港证监会BJA907号,投资有风险,交易需谨慎
中信明明:把握信用规律,进行二次抢跑
格隆汇 03-14 10:56

本文来自格隆汇专栏:中信债券明明,作者:明明债券研究团队

核心观点

开年以来,信用板块表现亮眼,得益于去年赎回潮导致的利差反弹。今年1-2月抓住高等级主体被动走阔的机会贡献第一波超额收益,随着3月市场进入博弈期,基本面和流动性存在分歧,我们建议逆流而上,通过超额利差抓住市场动荡中的二次收益机会。另一个角度,2023年防风险仍为市场的重要旋律,赚收益易而守收益难,进入债务压力较高的3-4月后,市场对于风险防控的关注度也愈发之高。我们通过介绍市场常用的信用风险管理工具,提出新周期下风险防控和预测的新思路。

提前预防风险也是创收的重要方式。资本市场始终在追逐创造超额收益,期望在纷繁的市场中大浪淘金,于是更多的将目光放在寻找超额收益品类之中。但是创收还有另一种形式,就是提前预防风险,防住风险也就是间接创造了收益。信用市场在不断的摸爬滚打之中,发生过数次风险外溢事件,无不例外的都引起了市场一定“动荡”,但若可以在风险发生前通过风险识别预防,成功“避开”市场震荡,其创收效益不亚于发现超额收益品类。

防风险仍为市场的重要旋律。今年的政府工作报吿对防范金融风险有较多的着墨,对于地产板块提出要“有效防范化解优质头部房企风险”,对地方政府债务则要“优化债务期限结构,降低利息负担,遏制增量、化解存量”。防风险仍是2023年的重要旋律,监管加强,一定程度上就是提前预防、抑制风险,在此背景下,信用市场出现大规模的风险外溢可能性较低。

信用风险管理模型可以计算风险损失,从而进行风险预测。部分信用风险的发生不仅会对投资者权益造成影响,对信用市场整体也会造成较大冲击,为促进信用市场平稳发展,对信用风险事件的提前预判和管理也变得愈发重要。而信用风险管理模型可以从违约概率、信用暴露程度和违约损失等角度切入,对风险损失进行量化处理,从而起到事前风险管控的作用,因此量化模型的在风险管控中的地位也越来越高。

我国境内信用债违约情况明显有所遏制。我国境内信用债市场在2014年首次出现违约,此后至2017年前违约规模均相对较小。然而经历了一波民营企业的发行潮后,2018年民企违约规模明显增加,带动信用债市场违约规模快速攀升,此后又受到永煤事件、地产违约潮等事件的冲击,信用债违约规模始终处于较高规模。2022年,随着境内地产市场风险得到有效控制,信用债违约规模开始出现明显下滑。

信用风险外溢遵循一定的周期规律,给予市场一定的预防空间。融资环境边际放松容易导致风险积累,2015年民企融资环境的边际放松,使得民企融资规模接连攀升,而宽松的融资环境也积累了风险,此后违约规模明显抬升。行业景气度下滑往往会促发风险外溢,2012-2015年煤炭价格处于下降区间,使得部分煤企经营状况受到较大影响,煤炭行业风险有所外溢。政策的松紧变化也是风险前瞻观测指标,地产政策收紧后,行业景气度开始下滑,地产板块风险才逐步释放,地产板块也迎来一波违约潮。

新周期下风险防范需要量化预测与人工判断相结合。量化模型一定程度可以帮助我们预测信用风险发生的概率,从而起到防范风险的作用,但部分指标无法进行量化,使得模型精确度受限,完全依赖模型会则对部分风险角度有所疏忽,而人工判断的介入一定程度可以弥补漏洞,因此量化模型也不能完全取代人工进行风险防范,两者应相辅相成,发挥各自特点。

风险因素:信用违约风险频发;政策调控超预期;基本面回暖不及预期等。

提前预防风险也是创收的重要方式。资本市场始终在追逐和创造超额收益,期望在纷繁的市场中大浪淘金,于是更多的将目光放在寻找超额收益品类之中。但是创收还有另一种形式,就是提前预防风险,防住风险也就是间接创造了收益。信用市场在不断的摸爬滚打之中,也发生过数次风险外溢事件,从永煤事件的冲击,到地产违约潮,无不例外的引起了市场一定“动荡”,但若可以在风险发生前通过风险识别预防,成功“避开”市场震荡,其创收效益不亚于发现超额收益品类。

防风险仍为重要旋律

地方政府债务要遏制增量、化解存量。在今年的政府工作报吿(下称“报吿”)中提到“防范化解地方政府债务风险,优化债务期限结构,降低利息负担,遏制增量、化解存量”,地方债务压力仍是关注的重点,而此次明确“遏增化存”的方式也是彰显地方债务管控的决心。从“遏制增量”的角度看,城投市场不兴“大水漫灌”,地方融资平台也不再以扩容为主,而是以“吃饱”为先;在“化解存量”的基础上,地方政府与金融机构合作开展信贷置换等工作必不可少,我们预计推进由点及面的具有地域特色的债务置换、甚至对部分退出公开市场融资的主体进行适度重组都将成为“顺理成章”的选择。

防范化解优质房企风险,保障地产市场平稳发展。在房地产领域,报吿提出“有效防范化解优质头部房企风险,改善资产负债状况,防止无序扩张,促进房地产业平稳发展”。地产市场此前经历一轮“违约潮”,而2022年末起,地产政策端呵护备至,防范地产领域风险外溢的重要性继续加强。此次报吿再次重申地产风险防控,明确了防范化解房企风险的方向,也表明了风险防控的态度。

防风险仍是重要旋律,信用风险将得到有效控制。报吿强调“深化金融体制改革,完善金融监管,压实各方责任,防止形成区域性、系统性金融风险”。防风险仍是2023年的重要旋律,也将牢牢守住不发生系统性金融风险的底线。而对房地产以及地方债务领域的风险管控的措辞,也体现出监管的决心。监管加强,一定程度上就是提前预防、抑制风险,在此背景下,信用市场出现大规模的风险外溢可能性较低。

到期压力集中度高

2023年信用债到期规模集中在3-4月。受此前信用债发行月度集中的影响,2023年信用债到期规模也集中在3-4月。具体来看,3月信用债偿还规模达到1.36万亿,其中到期规模达到1.08万亿,占全年到期规模之比为14%;4月信用债总偿还规模为1.10万亿,其中到期规模为1.02万亿,占全年之比为13%。

城投债到期压力也有月度集中特征,且有一定地域分化。2023年3-4月,城投债的到期规模合计7037亿元,占全年到期规模的24%,明显高于其余月份,到期压力较为集中。分地区看,江苏、浙江和广东3-4月城投债到期的绝对规模排在前列,其中江苏城投到期规模约1820亿元,远高于其余地区。从占比的角度看,甘肃在3-4月面临144亿元的城投到期压力,占全年到期规模的64%,债务压力相对集中;青海则由于低基数原因,4月到期规模占全年到期规模之比达55%;广东、北京在3-4月到期规模占比也高于30%,其余地区均在30%以内,整体处于可控区间。

集中的到期压力也使得防风险重要性提升。2023年3-4月信用债到期规模较为集中,信用市场因此面临一定的偿债压力。2023年在稳增长的背景下,信用风险外溢的可能性虽相对较低,但面对较大的偿债压力,仍可能对市场造成一定的估值波动。因此,在此时点防风险的重要性也更为提高。

信用风险如何预测

信用风险管理的关注度愈发之高。信用风险是指交易对手不履行到期债务的风险,又称违约风险,是指借款人因各种原因不愿或者无力履行合同条件而构成违约,从而使得投资者遭受损失的可能性。部分信用风险的发生不仅会对投资者权益造成较大影响,对信用市场整体也会造成较大影响,为促进信用市场平稳发展,对信用风险事件的提前预判和管理也变得愈发重要。

信用风险管理模型

信用风险损失可以一定程度上进行量化处理。信用风险管理中很重要的一环就是进行风险的事前管理,将可能发生的损失进行量化处理,对风险管控有着重要意义。通常来说,信用风险损失可以简单的分为三个方面构成,分别为违约概率、信用暴露程度和违约损失,其中违约概率为违约事件发生的可能性大小,信用暴露程度为交易对手发生违约时资产的价值,违约损失为受违约影响将发生损失的部分占比。

因此信用风险损失也可以简单的表达为:

信用风险损失 = 违约概率 * 信用暴露程度 * 违约损失

现代信用风险管理模型的建立一定程度上就是对违约概率、信用暴露程度和违约损失这三个因素进行拆分,并使用合适的指标进行量化测算。当前较为主流的信用风险管理模型有Credit Metrics模型、Credit Risk+模型、KMV模型、Credit Portfolio View模型等,下文将着重分析这四个模型。

Credit Metrics模型

Credit Metrics模型已推出较长时间,是一种信用计量模型,1997年由J.P摩根和几个世界银行共同研究而推出的。该模型认为企业的信用等级会影响商业银行的信用风险,企业的经营情况好坏、股票的波动等都会反映在企业信用等级上,而债券和贷款的变动受到贷款企业信用评级的影响,利用转化矩阵所计算的债券和贷款的价格,是模型的数据之一,且用于计算在险价值VaR来衡量债券投资组合的信用风险,其中Var为在某一给定的置信水平下,资产组合在未来特定的一段时间内可能遭受的最大损失。VaR值越大,说明组合面临的风险就越大。

在险价值大小为Credit Metrics模型判断资产风险的依据。Credit Metrics模型使用的第一步即确定信用转移模型,评估发行人在给定时期内信用等级转移的概率;第二步则需确认远期折现率和违约率,其中信贷资产的远期折现率等于其要求的投资回报率,违约回收率即违约损失的相对概念;第三步则是计算风险期末的资产价值,在违约情况下,剩余资产价值为债券面值与违约回收率的积,而非违约情况下则是信用等级转变后资产价值;第四步则通过违约概率和期末资产价值推算出资产价值的远期概览分布,并可进一步得到在险价值,以判断资产信用风险大小。

Credit Risk+模型

Credit Risk+模型只考虑是否违约两种状态,属于信用违约度量模型。Credit Risk+模型是在保险学理论基础上提出的,该模型仅考虑是否违约两种状态,假定违约率是随机的,因此可称为违约模型。该模型假设每笔贷款在给定期间内违约率不变,每个借款人的违约率非常小且违约数相互独立,在此假设下违约事件发生的概率分布服从泊松分布。通常可以根据银行主体违约率平均值,结合回收率和风险暴露,得到所有债务人的资产组合的预期违约损失分布。该分布可以给银行主体做参考,准备相应的信用准备金。

Credit Risk+模型是分频段计算以得到组合的损失分布。以银行为主体介绍模型的使用流程,首先根据所有贷款风险暴露情况设立风险暴露频段值,且用单笔最大的贷款除以频段值并取整,得到风险暴露的频段总级数,以此类推将每笔贷款分入对应的频段值;继而根据各频级的平均违约数、风险暴露数等计算违约概率和损失分布;最后再用各频级的数据来推断得到所有组合的违约概率和损失分布。

该模型优缺点也十分鲜明。Credit Risk+模型的使用仅需要债务的违约概率以及风险暴露的数据,整体较为简单,且所依赖的假设相对较少。但相较于Credit Metrics模型忽略了信用等级变化的影响,对结果会有一定影响,且根据分频段的方法进行划分也会增加误差的可能。

KMV模型

KMV模型可以用于评估贷款企业违约概览。KMV模型提出于1993年,基于Merton风险债务定价理论以及BSM期权定价理论,当负债到期时,如果资产市场价值小于负债面值,公司就会选择违约;反之则会偿还债务的假设。KMV模型设置了违约点,并根据资产价值和违约点之间的关系计算出违约距离,违约距离越小的时候,说明公司发生违约的概率越大。

KMV模型用违约距离作为风险预警指标。KMV模型运用可以简单分位三个步骤,首先是根据BS期权模型通过公司股票价值、波动率、债务规模等估算出公司资产的市场价值和波动率;继而赋予长短债不同的券种来计算公司的违约点,并得到违约距离;最后根据违约距离以及预期违约率之前的关系来求出公司的预期违约率。

该模型结果更新较快,但使用有一定限制。KMV模型基于强大的理论基础建立,采用股票市场的数据,数据更新较快,具有前瞻性。但是对于部分非上市发债企业,因为缺少股票市场的数据,因此缺乏足够的预警能力,导致模型整体的适用范围存在一定限制。

Credit Portfolio View模型

Credit Portfolio View模型是从宏观经济角度来分析信用风险。Credit Portfolio View模型(下称“CPV模型”)是由麦肯锡开发的一种多因素信用管理模型,可以用于计算在不同失业率、GDP增速、利率水平、外汇水平等宏观因素下债券的违约及信用潜移概率的分布函数。CPV模型假设债券的信用评级对整体信用周期的变化更为敏感,即经济处于衰退期时,主体的信用评级下滑或违约可能性较高;反之,经济处于上升期时,评级下滑或违约的概率相对较低。

CPV模型适用于受宏观经济变动影响的债务人。CPV模型最大的优点即考虑宏观因素对主体信用评级变化及违约的影响,但部分资质水平较高的主体信用情况变化受宏观因素的影响较小,使得CPV模型的效益降低。除此之外,CPV模型运用的流程中,所需要的违约数据相对较多,而数据的不完整一定程度也会影响模型的准确度。

风险防范需多方作用

防范风险不能仅仅依靠信用风险管理模型。上文论述的几种量化模型虽然是信用管理模型中的冰山一角,但也可见一斑,量化模型一定程度可以帮助我们预测信用风险发生的概率,起到防范风险的作用,且不同量化模型的侧重点也有所不同,有从股票市场切入的,也有宏观经济角度出发的,但也均有自身的劣势。完全依赖量化模型来防范风险会对部分风险角度有所疏忽,而人工判断的介入一定程度可以弥补漏洞,因此量化模型也不能完全取代人工风险防范,两者应相辅相成,发挥各自特点。

逐步推进制度改革也是大势所趋。在《关于国务院机构改革方案的说明》中提到要深化对方金融监管体制改革,压实地方金融主体责任,在防范化解金融风险的过程中逐步推进制度改革是大势所趋。在信用风险防范的过程中,信评、内核、风控等机构的制度也需不断跟进,为风险管控提供制度保障。

风险演变有何趋势

违约情况有所改善

我国境内信用债违约情况明显有所遏制。2014年“11超日债”发生实质性违约,是我国信用债市场第一次破刚兑,此后至2017年前违约规模均相对较小。然而经历了一波民营企业的发行潮后,2018年民企违约规模明显增加,带动信用债市场违约规模快速攀升,民企违约规模占比也高达89%,此后又受到永煤事件、地产违约潮等事件的冲击,信用债违约规模始终处于较高规模。2022年随着境内地产市场风险得到有效控制,信用债违约规模开始出现明显下滑。

信用债违约行业分布特点鲜明。整体来看,工业板块信用债违约规模每年占比均相对较高,合计发生违约规模也因此排在第一。而房地产行业在政策收紧后,于2018年出现首次违约,此后违约规模明显抬升,尤其是在2021-2022年迎来地产违约潮。而信息技术行业则由于紫光、方正等集团出现风险外溢,违约规模集中在2020-2021年。

风险外溢遵循周期规律

融资环境边际放松容易导致风险积累。2015年《公司债券发行与交易管理办法》(下称“管理办法”)的出台将公司债的发行主体放宽至所有公司制法人,民企融资环境边际放松,民企融资规模接连攀升,并在2016年达到最高值1.12万亿元。而宽松的融资环境也积累了风险,“各式各样”的民营企业均参与了信用债发行,导致中低等级发行主体占比过高,最直接的可以观察到民营企业违约规模在2018年明显抬升,且占比高达89%。

行业景气度下滑往往会促发风险外溢。当行业景气度下滑时,对相关企业经营情况定会造成一定影响,使得企业偿债能力下滑,促发风险外溢可能。具体来看,2012-2015年煤炭价格处于下降区间,部分煤企经营状况受到较大影响,在2016年川煤集团则发生实质性违约,煤炭行业风险有所外溢。

政策的松紧变化也是风险前瞻观测指标。自2016年“房住不炒”概念提出,以及2021年三道红线政策出台后,行业景气度有所下滑,地产板块风险开始逐步释放,地产板块也迎来一波违约潮。除此之外,2020年3、4月城投市场集中发行过后,2020年下半年财政部要求政策性金融机构不得配合地方政府变相举债,监管政策边际收紧,也导致2021年城投市场集中到期潮来临时,地方融资平台略显“捉襟见肘”。

新周期下如何预防风险

合理运用前瞻性指标观察风险外溢可能性。忆往昔,行业风险外溢之前通常会有前瞻性的特征,也给予市场一定空间来防范风险。以此前地产违约潮为例,2021年地产板块风险开始大范围外溢前,行业整体景气度已经处于较低位置,且政策也处于偏紧的位置,因此通过观察政策松紧以及行业景气度等指标一定程度上可以预防风险。

合理运用量化模型来观察预测违约可能。随着人工智能领域的不断发展,量化的信用管理模型也愈发成熟,而对于主体信用评级、财务指标、股票市场表现等易获得的数据指标,量化模型处理的精确度也相应较高,基于此,合理运用量化模型的风险建议,结合人工判断,对风险的预测将更为准确。

风险因素

信用违约风险频发;政策调控超预期;基本面回暖不及预期等。

注:本文节选自中信证券研究部已于2023年3月14日发布的《债市启明系列20230314—把握信用规律,进行二次抢跑》报吿,报吿分析师:

关注uSMART
FacebookTwitterInstagramYouTube 追踪我们,查看更多实时财经市场信息。想和全球志同道合的人交流和发现投资的乐趣?加入 uSMART投资群 并分享您的独特观点!立刻扫描下载uSMART APP!
重要提示及免责声明
盈立证券有限公司(“盈立”)在撰写这篇文章时是基于盈立的内部研究和公开第三方信息来源。尽管盈立在准备这篇文章时已经尽力确保内容为准确,但盈立不保证文章信息的准确性、及时性或完整性,并对本文中的任何观点不承担责任。观点、预测和估计反映了盈立在文章发布日期的评估,并可能发生变化。盈立无义务通知您或任何人有关任何此类变化。您必须对本文中涉及的任何事项做出独立分析及判断。盈立及盈立的董事、高级人员、雇员或代理人将不对任何人因依赖本文中的任何陈述或文章内容中的任何遗漏而遭受的任何损失或损害承担责任。文章内容仅供参考,并不构成任何证券、金融产品或工具的要约、招揽、建议、意见或保证。
投资涉及风险,证券的价值和收益可能会上升或下降。往绩数字并非预测未来表现的指标。
uSMART
轻松入门 投资财富增值
开户