谢能-中诚信指数服务(北京)有限公司跨资产部落研究员 　　

　　

　　中科院毕业，物理专业，从事量化私募量化投资。主要研究方向为股票量化投资。 　　

　　

　　一、引言 　　

　　

　　2020年10月，国务院金融稳定发展委员会在会上表示，全面实施股票发行注册制，建立常态化退市机制。在此背景下，投资者开始更加关注公司的风险维度。另一方面，从宏观角度来看，违约事件的发生必然会对其股票表现产生严重的负面影响。在这样的大环境下，构建财务危机模型可以及时发现公司的财务危机，帮助投资者对上市公司进行有效评价，为投资者决策提供依据，帮助监管者对市场进行有效监管。 　　

　　

　　二、理论背景 　　

　　

　　坎贝尔(2008)主要研究了美国股票市场上市公司的财务危机，重点是对公司破产可能性的预测。首先，为了预测破产的可能性，作者将核心解释变量分为会计指标和资本市场指标。通过使用逻辑回归，破产的边际概率被作为解释变量。 　　

　　

　　破产指数是一个虚拟变量，当一家公司在公开报告或文件中被登记为破产时，其值为1，否则为0。会计指标包括净收益对市场资产比率(NIMTA)、收益对账面资产比率(NITA)、总杠杆对市场资产比率(TLMTA)、总杠杆对账面资产比率(TLTA)、短期流动资产对资产比率(CASHMTA)和账面对市场比率(MB)。市场指标包括股票超额收益(EXRET)、过去三个月的收益波动(SIGMA)、公司市值(RSIZE)和每股价格(PRICE)。实证结果表明，所有涉及的因素都是显著的。通过用破产的条件概率代替解释变量，作者从长期的角度观察因素的影响。实证结果表明，市值(RSIZE)、收入波动(SIGMA)和市净率(MB)的长期效果较好。 　　

　　

　　由于a股市场与美国股市存在较大差异，中国程心的财务预测模型根据a股市场进行了修正。在因变量部分，在参考文献中，作者根据公司的破产登记情况构建了破产指数。但由于a股上市公司破产风险难以量化，该模型将股票是否为ST作为原始代理变量并进行相应处理，将其作为上级公司财务困境预测模型的因变量(Y)。在解释变量部分，由于在a股市场，交易所会根据不合规公司的净利润、净资产和营业收入对其实施ST，因此在模型中增加了LOSS_LAST、NA_LOSS_LAST或_LOSS_LAST三个哑变量，分别代表公司上一期的净利润、净资产和营业收入。同时，由于st上市的股票大多是低价股，该模型中修正因子价格的生成规则是收盘价。 　　

　　

　　三、因变量 　　

　　

　　解释变量为二元变量，具体定义为：ST股票记为1，非ST股票记为0。需要指出的是，以股票为时间原点，回溯一年，延伸一年，都是财务状况需要警惕的时间段，在标签处理中统一标注为1。 　　

　　

　　对ST股票进行简单的统计分析，样本空间为2010年至2021年11月(下同)的a股上市公司。下表统计了不同领域的年度ST存量。A_ST、HS300_ST、ZZ500_ST、ZZ1000_ST、others_ST分别指所有a股的ST股、沪深300、中证500、中证1000和其他股票(除所有a股的沪深300、中证500、中证1000外)。可以发现，最近五年a股的st逐渐上升，三大宽基指数成份股被ST的比例不到3%。 　　

　　

　　 　　

　　

　　下图是所有a股的均值、标准差、比率以及所有a股被ST上市前后超额收益的样本数。总体来看，股票过去两年和未来两年的超额收益都是负的，尤其是在被st上市之前，其负alpha为 　　

　　

　　从指标类型来看，模型的解释变量主要以三个财务报表中的基本面指标为基础，同时引入波动率等技术指标，还包括与被解释变量直接相关的a股市场财务指标(be ST)。索引的具体含义如下表所示。根据文献的处理方法，本文对连续变量进行了5%的减尾处理： 　　

　　

　　 　　

　　

　　四、解释变量 　　

　　

　　Logistic回归模型用于预测财务困境。模型形式是： 　　

　　

　　 　　

　　

　　样本具有一定的不均匀性，非ST标记样本的数量 　　

量为ST标签样本数量的三十多倍，故训练时引入sample_weight。训练过程为第n年至第n+4年的五年样本内数据作为训练集和测试集，确定回归系数，作为未来半年ST预测因子的回归系数。以此类推，每半年利用过去五年的数据训练一次模型，确定未来半年的回归系数。

　　

为有效评估模型效果，我们引入精确率（precision）、召回率（recall）以及F1值（f1-score）三大评价指标。指标的具体含义及构造方式如下所示：

　　

True Positive（TP）：真正类。样本的真实类别是正类，并且模型识别的结果也是正类。

　　

False Negative（FN）：假负类。样本的真实类别是正类，但是模型将其识别为负类。

　　

False Positive（FP）：假正类。样本的真实类别是负类，但是模型将其识别为正类。

　　

True Negative（TN）：真负类。样本的真实类别是负类，并且模型将其识别为负类。

　　

精确率定义：将正类预测为正类数量/(将正类预测为正类数量+将负类预测为正类数量)；

　　

Precision= TP/(TP+FP)

　　

召回率定义：将正类预测为正类数量/(将正类预测为正类数量+将正类预测为负类数量)。

　　

Recall = TP/(TP+FN)

　　

F1值定义：精确率和召回率的调和平均数

　　

　　

下图所示为所有训练周期测试集以及训练集的结果：

　　

以第一行为例，start_date为20060601，end_date为20101201，表示训练集起始时间为20060601，结束时间为20100601，测试集其实时间为20100601，结束时间为20101201。precision_train、recall_train、f1-score_train分别为训练集精确率、召回率以及F1值。precision_test、recall_test、f1-score_test分别为测试集精确率、召回率以及F1值。

　　

　　

六、指数应用

　　

中诚信全指的样本空间是全部在上海证券交易所、深圳证券交易市场中上市交易的A股股票，并剔除ST、*ST股票以及中诚信认定的“中诚信财务预测模型”违约概率最高的5%的股票。

　　

与中证全指点位对比来看，从2011年初开始（初始点位均为1000），至20220224为止，CCX全指ret为50.23%，中证为47.58%。中诚信全指与中证全指点位对比图如下所示：

　　

　　

七、ST预测因子分析

　　

计算所得ST预测因子值为0到1之间的概率值，越接近0表示非ST的概率越小（即ST概率越大）。下图所示为2010年至2021年把股票按因子值从小到大分为十组，每组中含有的ST股票数目（预测时已被ST的股票，因子值赋值为0），因子值对ST数目分层效果显著。

　　

　　

　　

下面三个图示分别为2010年至2021年，2010年至2016年以及2017年至2021年因子在全市场的21D（一个月）、63D（一季度）和126D（半年）持仓周期下的分组收益（等权）。可以发现，从2010年到2021年整体来看，因子值与收益呈负相关（ST概率大的收益高），特别是在2010年至2016年，分层收益更加显著。然而从2017年到2021年来看，分层收益亦十分明显，但因子值与收益呈正相关（ST概率小的收益高）。

　　

2017年前后因子表现完全相反，这与有关财务危机研究报告相关结论一致，即：2016年以前，A 股具有显著的壳资源效应，即亏损、ST的个股被认为是潜在的壳资源标的，一旦被借壳，股价可能会大幅度上涨。然而从2017年以来，随着市场规范化程度不断提升，北上资金大举进入A股市场，大盘蓝筹股受到市场青睐，国内资本市场投资者转向对公司基本面的关注，价值投资理念逐渐深入人心。

　　

2010年至2021年

　　

　　

2010年至2016年

　　

　　

2017年至2021年

　　

　　

以下各图不同时间段大市值、中市值和小市值的分组平均收益。整个时间段来看（2010年至2021年），对于大市值股票，ST预测因子与收益正相关且分层收益显著，对于小市值股票，ST预测因子与收益负相关且分层收益也显著。2010年至2016年时，对于小市值股票，ST预测因子与收益负相关且分层收益显著，对大市值分层收益不明显。2017年至2021年时，对于大市值股票，ST预测因子与收益正相关且分层收益显著，对小市值分层收益不明显。对于不同市值，2017年前后因子表现存在差异，叠加效果导致2010年到2021年因子在小市值与大市值上对收益影响相反。

　　

2010年至2021年

　　

　　

2010年至2016年

　　

　　

2017年至2021年

　　

　　

下图为行业市值分组中性化后的分组收益，分层效果不明显。

　　

　　

八、指数增强

　　

本节研究ST预测因子的正向选股：1、全市场按流通市值选择排名前三百位（或三百零一到八百位，八百零一到一千八百位）作为候选股票；2、通过ST预测因子从高到低排序，剔除排序后60%的候选股票；3、剩下候选股票按流通市值加权构成组合，调仓周期为半年。下图所示为所构造指数组合的走势。

　　

　　

基于300指数增强

　　

　　

基于500指数增强

　　

　　

基于1000指数增强

　　

　　

综合来看，ST预测因子用作正向选股构造价格指数增强策略，最近5年相对沪深300、中证500和中证1000的年超额收益约为2%、2%和6%。

　　

九、模型总结

　　

本文主要结论如下：

　　

整个时间段来看（2010年至2021年），对于大市值股票，ST预测因子与收益正相关且分层收益显著，对于小市值股票，ST预测因子与收益负相关且分层收益也显著。2010年至2016年时，对于小市值股票，ST预测因子与收益负相关且分层收益显著，对大市值分层收益不明显。2017年至2021年时，对于大市值股票，ST预测因子与收益正相关且分层收益显著，对小市值分层收益不明显。对于不同市值股票，2017年前后因子表现存在差异，叠加效果导致2010年到2021年因子在小市值与大市值上与收益相关性相反。

　　

2017年前后因子表现完全相反，这与有关财务危机研究报告相关结论一致，即：2017年以前，A 股具有显著的壳资源效应，即亏损、ST的个股被认为是潜在的壳资源标的，一旦被借壳，股价可能会大幅度上涨。然而从2017年以来，随着市场规范化程度不断提升，北上资金大举进入A股市场，大盘蓝筹股受到市场青睐，国内资本市场投资者转向对公司基本面的关注，价值投资理念逐渐深入人心。

　　

ST预测因子负向剔除构建规模指数相对于基准几乎没有超额，这可能来源于ST在规模指数中个数占比较小（小于3%），权重占比更小（小于0.3%），故基于ST剔除对指数收益增强效果不明显。

　　

ST预测因子用作正向选股构造价格指数，最近五年相对沪深300、中证500和中证1000有一定超额收益。