作者：毕成,苗枥文,吴伟,张琪,方欣

来源：兴业研究

行业利差是信用债中观层面的价格指标之一，但由于企业信息披露时间、债券交易流动性等问题，行业利差不太可能成为一个前瞻性指标。然而这也给了我们借助其他指标，预测行业利差走势的空间；若能实现，则可以辅助制定信用债中观层面的配置策略。那么究竟哪些指标能起到预测作用，又应该如何来预测呢？

本专题将分上中下三篇对这方面进行探索：上篇将集中于分析行业财务数据与行业超额利差的关系，中篇将集中于分析行业基本面数据与行业超额利差的关系，下篇将汇总结果尝试预测行业信用利差。

（1）行业利差使用超额利差数据。我们计算的兴业研究行业利差指数包括信用利差和超额利差两种口径（详见我们之前的报告《兴业研究利差指数的构建方法与应用场景》）。信用利差的基准为国开债收益率，超额利差的基准为同评级同券种的一类券的收益率。从结果上来讲，信用利差包含信用风险溢价与流动性风险溢价；而超额利差由于减去了市场平均水平，我们认为其仅反映各行业信用风险之间的差异。流动性的影响问题偏宏观，本篇不做讨论；这里我们希望通过行业、企业的反映信用水平的相关指标来对行业利差进行预测。因而因变量使用超额利差（已提前进行去噪及滤波处理）。

（2）使用发债主体财务数据。行业利差来源于个券利差，个券利差则来源于主体资质。主体财务指标是目前评价其信用资质的重要参考因素，那么将主体财务指标组合成行业财务指标时，也应能反映行业的超额利差。这里我们选择资产负债表、利润表、现金流量表中几个典型的财务数据及财务比率作为自变量，具体可见图表1。其中按照申万行业划分发债主体，行业财务比率使用整体法计算。

（3）使用工业企业财务数据。发债主体财务指标丰富，但最高也是季度更新，时间序列上样本偏少，统计意义弱。为了解决这个问题，我们又选择了出自国家统计局的工业企业财务数据，这些数据为月度更新。值得注意的是，工业企业包括未发债的企业，数量远大于发债主体，反映的是整个行业的财务情况。但国统局和申万的行业分类口径不同，这里还需经过一个行业重归类，具体可见图表2。其他算法与发债主体一致。

（4）使用相关性分析判断指标是否有预测效果。使用年至今各行业各项财务指标与各行业超额利差数据，首先进行T检验，判断他们之间有无相关性；然后再计算相关系数，判断各项指标间的相关程度，从而寻找与利差最相关的指标。由于认为利差有时存在滞后，我们会将财务指标平移一段时间进行相关分析，通过寻找最大相关度来判断最佳的移动距离。例如：用2个月前的某财务数据去对应现在的行业利差，若此时相关度大且最大，则说明该财务指标能提前2个月预测利差走势。

发债主体财务指标季度值与行业超额利差的相关程度结果如下表所示，单元格空白处为T检验结果两者不显著相关；单元格内数字为相关系数的绝对值，其越大，相关性越强；我们认为相关性系数绝对值0.80以上的相关性较强，将进一步分析。

横向来看，钢铁、机械、商贸、煤炭（申万二级）、采掘行业的利差与财务数据关系较为密切。其中钢铁、煤炭行业利差与资产负债率、净利率相关性较强；这是因为钢企煤企杠杆率较高，盈利能力周期性变动，企业这两方面的因素受市场







































北京白癜风治疗一般多少钱
去哪里治疗白癜风