基于期权定价视角的信用风险因子研究 — 深度分析报告
1. 元数据与概览
- 标题:基于期权定价视角的信用风险因子研究
- 作者:徐寅
- 发布机构:兴业证券经济与金融研究院
- 发布日期:2020年4月30日
- 研究主题:构建并研究上市公司信用风险因子MPD(Merton Probalities of Default),并分析该因子在股票市场的表现及其与其他风格因子的关系。
核心论点与评级
报告主要基于经典Black-Scholes–Merton期权定价模型构造上市公司违约概率因子MPD,作为描述上市公司信用风险的指标,对其进行了全面的实证研究,发现:
- MPD因子最高分组股票(信用风险最高)显著跑输市场;
- 信用风险因子在不同股票池中剔除最高风险证券,均能提升组合表现,且市值越低的股票池,剔除效果越好;
- MPD因子对估值、反转、波动率等其他因子具有良好的区分能力,尤其其空头端表现驱动了因子收益差异;
- 投资建议方面,报告建议投资者在构建组合时关注信用风险较高且因子评分较低的股票,适度回避可改善组合风险收益。
报告未提供具体投资评级与目标价,但明示“反向剔除信用风险最高的股票有助于组合超额收益”作为核心投资策略指导。,15]
2. 逐节深度解读
2.1 基于期权定价视角构造信用风险因子
报告以Merton(1973)模型为基础,假设公司总资产A和权益E服从几何布朗运动,公司负债为D。归纳如下关键模型逻辑:
- 公司所有者权益等同于以负债总额D为执行价的欧式看涨期权,标的资产为公司总资产A,期权到期时间为未来偿债时间T。
- 依据经典Black-Scholes–Merton模型,权益价值可表达为:
[
E_t = A_t N(d_1) - D_T e^{-r(T - t)} N(d_2)
]
其中,(N(d))为标准正态累计分布函数。
- 关键艰难点是无法直接观测总资产价值及其波动率(\sigma_A),因此构造了通过权益市场价值以及权益波动率来隐含求解(A_t, \sigma_A)的非线性方程组,通过迭代法(如牛顿法)求解,进而计算违约概率MPD= (1-N(d_2))。
- 对于时间跨度,默认计算一年后违约概率,利率采用十年期国债利率替代无风险利率r。
该模型的优势在于利用市场信息隐含估计违约风险,构造出的MPD因子具有较强的理论基础与市场适用性,,具体迭代步骤及偏导数计算详见附录。
2.2 MPD因子测试分析
2.2.1 描述统计
图表1展示2009年末到2020年3月全市场MPD覆盖率与均值趋势:
- MPD因子覆盖率保持较高(基本在90%以上),因计算所需的数据为财报负债、总市值及波动率,属于常规易得数据;
- 2015年因市场异常波动及停牌情况,覆盖率有所下滑,并导致平均违约概率瞬间飙升至7.46%(显著高于平时约1%的水平),反映极端市场波动对信用风险的影响。
2.2.2 有效性测试
- IC(信息系数)均值为4.2%,表明MPD因子具有一定预测收益能力,但稳定性有限(ICIR仅0.26-0.31)。
- 分层测试(图表3、4)表明MPD因子的最高风险分组表现出长期且显著跑输市场的特征,而低分组到中间分组表现相对接近;
- 具体数据(图表5)中,MPD高组的年化超额收益为-5.62%(全市场),-3.52%(中证800),而多空组合年化收益7.23%(全市场)、5.29%(中证800),表明分辨极端风险组表现优良。
- 与杠杆因子相关性高达65%,但MPD因子在分组表现、稳定性及多空收益方面均优于杠杆因子,建议优先采用MPD因子衡量信用风险。
2.3 各股票池中剔除MPD最高20%股票的组合表现
- 图表11-13展现剔除MPD最高20%证券后的组合相对收益:
- 全市场组合年化超额收益1.58%,收益风险比0.81;
- 沪深300和中证500分别达1.41%和2.38%的超额收益,风险比分别为0.27与0.93;
- 中证1000效果最佳,年化超额收益2.87%,风险比1.37;
- 由此推断,信用风险最高股票对小市值股票池影响尤为明显,剔除高风险股票能带来更优的风险调整收益表现。
2.4 MPD因子分层下常用量化因子表现
- 测试了6个因子(BP_LR、EP_TTM、净利润同比、20日反转、ROE_TTM、60日波动率)在不同MPD信用风险分层下的多空收益表现;
- 结果显示,除了ROE_TTM(多空收益表现较弱)外,其他因子在MPD最高分组表现显著优于低分组,且多空收益单调性较强;
- 图表15、16显示,BP_LR、EP_TTM、RTN_20D、RealizedVolatility_60D因子的表现特别突出,尤其在中证800范围内单调性更明显;
- 多空收益拆分(图表23-26)揭示这种单调性主要由于空头端表现差异驱动,MPD最高组空头收益显著较差,暗示信用风险高、因子打分低的股票未来表现较差,值得投资者重点规避;
- 这从实务角度指示:信用风险因子不仅有助于估值因子筛选,更对组合风险管理和因子策略风控有重要意义。
2.5 报告总结(第4章)
- 构造了基于经典欧式期权模型的上市公司MPD违约概率因子,实证验证该因子能有效反映信用风险对市场表现的影响;
- MPD因子最高风险组股票长期跑输市场,反向剔除能提升组合收益,特别是在小市值股票池中效果更佳;
- MPD因子可作为对估值、反转、波动率等因子的分层变量,揭示其空头端收益受信用风险影响较显著;
- 投资建议强调关注信用风险高且其他因子评分低的股票以规避潜在亏损,。
3. 主要图表深度解读
图表1:MPD因子在全市场覆盖率及平均值时间序列
- 蓝线为MPD平均值,红线为覆盖率(右轴);
- 覆盖率基本稳定在90%以上,片刻下滑至70%主要因市场停牌和缺失波动率数据;
- 2015年股灾期间MPD均值大幅上涨至7.46%,反映市场信用风险激增;
- 该图验证了MPD因子数据的时序稳定性和在极端市场的敏感性。
图表3、4:MPD因子五分位组合表现(全市场与中证800)
- 各颜色线代表不同MPD分组组合累计净值,橙色为多空组合;
- MPD最高组合(蓝绿色)呈现明显跑输市场趋势,且长期低于其他分组;
- 多空组合曲线稳步上升,年化收益显著,说明MPD因子区分度在极端分组体现明显。
图表5:MPD因子统计指标表
| 分组 | 全市场年化超额收益 | 全市场超额夏普 | 中证800年化超额收益 | 中证800超额夏普 |
|---|
| MPD低 | 2.31% | 0.38 | 3.22% | 0.43 |
| 第二组 | 1.61% | 0.46 | 0.44% | 0.09 |
| 第三组 | 1.69% | 0.84 | 0.38% | 0.13 |
| 第四组 | -0.48% | -0.17 | -0.54% | -0.14 |
| MPD高 | -5.62% | -0.69 | -3.52% | -0.36 |
| 多空 | 7.23% | 0.53 | 5.29% | 0.32 |
- 数据揭示最高信用风险组表现极为弱势,稳健跑输基准;
- 多空组合收益显著,印证了信用风险因子在选股的有效性。
图表6、7:MPD与Barra风格因子相关性
| 因子 | 相关系数 |
|---|
| 杠杆Leverage | 65.31% |
| Beta | 27.96% |
| 残差波动率ResidualVolatility | 26.88% |
| 账面市值比BookToPrice | -21.82% |
- MPD与杠杆相关较高(约65%),符合杠杆水平高企业信用风险也高的逻辑;
- 但杠杆因子多空表现不及MPD,说明MPD整合了市值、波动率等多维信息,提供更全面风险度量。
图表11-13:剔除MPD最高20%股票后增强效果
以全市场、沪深300、中证500以及中证1000为样本:
- 剔除高信用风险股票能显著提升组合超额收益,且市值越小,增强效果越明显;
- 最高累计超额收益在中证1000,超额年化2.87%,风险比1.37;
- 图示清晰验证MPD剔除策略的普适性和适用范围。
图表15-16:MPD分层下的常见因子多空收益(月度)
- 估值、反转、波动率因子在高MPD层的多空收益优于低MPD层,表现出良好分层;
- 反映信用风险促进相关风格因子行为差异,尤其空头端表现明显。
图表23-26:多头空头收益拆解(全市场与中证800)
- 多空组合差异主要由空头收益端驱动,MPD高组空头收益显著降低,导致整体因子表现优异;
- 多头收益在各组差异有限,甚至高MPD有时候多头表现较差,提示信用风险高股票空头风险更大。
4. 估值分析
本报告未针对上市公司单独估值,MPD因子本质基于基于期权定价模型计算违约概率,估值方法为经典Black-Scholes-Merton模型,关键输入为:
- 当前市值(权益E);
- 最新负债D;
- 无风险利率r(以10年期国债收益率代替);
- 权益波动率;
- 目标时间1年。
通过联立非线性方程组,使用牛顿迭代法求解总资产价值及其波动率,进而估算违约概率。
附录详细提供偏导数计算与数值求解方法,符合严谨科学的量化模型标准。
5. 风险因素评估
报告明示风险提示:
- 模型基于历史数据,未来市场环境变化可能导致模型失效;
- 信用风险因子及其应用均有局限性,不能完全覆盖所有风险因素;
- 投资建议不构成具体买卖指令,投资者需结合自身实际及市场动态审慎决策。,18]
6. 批判性视角与细微差别
- MPD因子IC值中等,稳定性有限,说明其预测能力虽有但非绝对,投资应用中需与其他因子配合;
- 五分位分组收益并不完全单调,中间组差异不大,表明因子对中间信用风险企业区分度较弱;
- 多头收益端差异不明显,空头端差异大,提示信用风险更可能反映为“风险溢价”或市场对高风险股票的惩罚,而非明显的超额收益机会;
- 杠杆因子与之高度相关,但表现不及MPD,凸显MPD的综合优势,但也提示不同风险因子仍需重视其内在差异。
- 违约概率计量依赖于当前账户市值和财报数据,存在市场非理性波动、信息滞后等潜在偏误。
- 组合剔除战略带来的超额收益,是否持续依赖市场流动性状况及宏观信用环境,在报告中未充分讨论,值得投资者关注。
7. 结论性综合
本文系统构造了基于经典Black-Scholes-Merton欧式期权定价模型的上市公司违约概率因子MPD,并通过覆盖率、均值趋势、IC及多空收益、与常见风格因子相关性、分层表现、以及组合构建剔除实验等多维度实证分析得出:
- MPD因子基础合理,数据覆盖广泛且市场响应及时;
- 信用风险最高分组股票表现显著弱于市场,且空头端收益驱动了因子的区分效能;
- 剔除MPD最高20%股票的反向组合在全部A股及主流宽基指数均表现出显著超额收益,且市值较小的股票池中效果最佳,体现了信用风险控制对组合优化重要性;
- MPD能够有效区分估值、反转、波动率等其他常见风格因子的表现差异,增强量化模型的解释力;
- 建议投资者重点关注信用风险高且因子打分低的股票,适度回避可提升组合风险调整收益;
- MPD优于杠杆因子,成为更加综合有效的信用风险测量工具。
通过图表和数据明确展现了MPD因子在实际投资过程中的应用价值和风险提示,体现了信用风险因子在中国A股量化投资领域的创新和实践意义,为投资者提供了重要的风险管理和选股判断依据。
备注
本报告结合复杂金融模型、时间序列数据与多因子实证分析,涵盖理论推导、模型构造、统计检验、策略回测及风险提示,深入浅出,技术与应用结合紧密,适合金融机构量化团队及风险管理部门使用。