>> 中信證券-債市啟明系列：把握信用規(guī)律，進(jìn)行二次搶跑-230314
| 上傳日期： |
2023/3/14 |
大?。?/td>
| 1038KB |
| 格式： |
pdf 共34頁 |
來源： |
中信證券 |
| 評級： |
-- |
作者： |
明明,李晗,徐燁烽 |
| 下載權(quán)限： |
此報告為加密報告 |
|
|
開年以來，信用板塊表現(xiàn)亮眼，得益于去年贖回潮導(dǎo)致的利差反彈。今年1-2月抓住高等級主體被動走闊的機會貢獻(xiàn)第一波超額收益，隨著3月市場進(jìn)入博弈期，基本面和流動性存在分歧，我們建議逆流而上，通過超額利差抓住市場動蕩中的二次收益機會。另一個角度，2023年防風(fēng)險仍為市場的重要旋律，賺收益易而守收益難，進(jìn)入債務(wù)壓力較高的3-4月后，市場對于風(fēng)險防控的關(guān)注度也愈發(fā)之高。我們通過介紹市場常用的信用風(fēng)險管理工具，提出新周期下風(fēng)險防控和預(yù)測的新思路。
▍提前預(yù)防風(fēng)險也是創(chuàng)收的重要方式。資本市場始終在追逐創(chuàng)造超額收益，期望在紛繁的市場中大浪淘金，于是更多的將目光放在尋找超額收益品類之中。但是創(chuàng)收還有另一種形式，就是提前預(yù)防風(fēng)險，防住風(fēng)險也就是間接創(chuàng)造了收益。信用市場在不斷的摸爬滾打之中，發(fā)生過數(shù)次風(fēng)險外溢事件，無不例外的都引起了市場一定“動蕩”，但若可以在風(fēng)險發(fā)生前通過風(fēng)險識別預(yù)防，成功“避開”市場震蕩，其創(chuàng)收效益不亞于發(fā)現(xiàn)超額收益品類。
▍防風(fēng)險仍為市場的重要旋律。今年的政府工作報告對防范金融風(fēng)險有較多的著墨，對于地產(chǎn)板塊提出要“有效防范化解優(yōu)質(zhì)頭部房企風(fēng)險”，對地方政府債務(wù)則要“優(yōu)化債務(wù)期限結(jié)構(gòu)，降低利息負(fù)擔(dān)，遏制增量、化解存量”。防風(fēng)險仍是2023年的重要旋律，監(jiān)管加強，一定程度上就是提前預(yù)防、抑制風(fēng)險，在此背景下，信用市場出現(xiàn)大規(guī)模的風(fēng)險外溢可能性較低。
▍信用風(fēng)險管理模型可以計算風(fēng)險損失，從而進(jìn)行風(fēng)險預(yù)測。部分信用風(fēng)險的發(fā)生不僅會對投資者權(quán)益造成影響，對信用市場整體也會造成較大沖擊，為促進(jìn)信用市場平穩(wěn)發(fā)展，對信用風(fēng)險事件的提前預(yù)判和管理也變得愈發(fā)重要。而信用風(fēng)險管理模型可以從違約概率、信用暴露程度和違約損失等角度切入，對風(fēng)險損失進(jìn)行量化處理，從而起到事前風(fēng)險管控的作用，因此量化模型的在風(fēng)險管控中的地位也越來越高。
▍我國境內(nèi)信用債違約情況明顯有所遏制。我國境內(nèi)信用債市場在2014年首次出現(xiàn)違約，此后至2017年前違約規(guī)模均相對較小。然而經(jīng)歷了一波民營企業(yè)的發(fā)行潮后，2018年民企違約規(guī)模明顯增加，帶動信用債市場違約規(guī)模快速攀升，此后又受到永煤事件、地產(chǎn)違約潮等事件的沖擊，信用債違約規(guī)模始終處于較高規(guī)模。2022年，隨著境內(nèi)地產(chǎn)市場風(fēng)險得到有效控制，信用債違約規(guī)模開始出現(xiàn)明顯下滑。
▍信用風(fēng)險外溢遵循一定的周期規(guī)律，給予市場一定的預(yù)防空間。融資環(huán)境邊際放松容易導(dǎo)致風(fēng)險積累，2015年民企融資環(huán)境的邊際放松，使得民企融資規(guī)模接連攀升，而寬松的融資環(huán)境也積累了風(fēng)險，此后違約規(guī)模明顯抬升。行業(yè)景氣度下滑往往會促發(fā)風(fēng)險外溢，2012-2015年煤炭價格處于下降區(qū)間，使得部分煤企經(jīng)營狀況受到較大影響，煤炭行業(yè)風(fēng)險有所外溢。政策的松緊變化也是風(fēng)險前瞻觀測指標(biāo)，地產(chǎn)政策收緊后，行業(yè)景氣度開始下滑，地產(chǎn)板塊風(fēng)險才逐步釋放，地產(chǎn)板塊也迎來一波違約潮。
▍新周期下風(fēng)險防范需要量化預(yù)測與人工判斷相結(jié)合。量化模型一定程度可以幫助我們預(yù)測信用風(fēng)險發(fā)生的概率，從而起到防范風(fēng)險的作用，但部分指標(biāo)無法進(jìn)行量化，使得模型精確度受限，完全依賴模型會則對部分風(fēng)險角度有所疏忽，而人工判斷的介入一定程度可以彌補漏洞，因此量化模型也不能完全取代人工進(jìn)行風(fēng)險防范，兩者應(yīng)相輔相成，發(fā)揮各自特點。
▍風(fēng)險因素：信用違約風(fēng)險頻發(fā)；政策調(diào)控超預(yù)期；基本面回暖不及預(yù)期等。
|
|
