城投专题研究：哪些区域主平台的负面舆情隔离能力更强？

请务必阅读正文后的重要声明部分 [Table_ReportInfo] 2023 年 08 月 17 日 证 券研究报告•固定收益专题报告 城投专题研究 哪些区域主平台的负面舆情隔离能力更强？ 摘要 西 南证券研究发展中心 [Table_Summary]  研究背景及模型构建：随着市场信息透明度的不断提升，负面舆情对城投债估值的影响日益增大，然而很多情况下，同一类负面舆情对于不同区域城投债估值的影响并不相同，甚至差距很大，导致这种情况出现的因素有很多。本文试图从主观性的角度寻找对负面舆情隔离能力有重大影响的因素，同时从客观性的角度出发建立模型，构造负面舆情隔离能力指标并进行有效性验证，以衡量某区域城投平台估值受潜在负面舆情影响的大小。模型潜在的解释变量，即决定区域低层级负面舆情对主平台债券估值影响大小的因素有很多，大致可以分为五个类别，分别是区域基本面因素、持有人风险特征因素、区域平台关联度因素、舆情自身因素、承接深度。模型的被解释变量，为反映主平台在受到低层级负面舆情干扰后超额利差被影响程度的指标。模型方法上，本文选择投影寻踪聚类法作为分析方法。  模型有效性验证及改进：从结果来看，隔离能力指标与验证样本负面舆情发生后超额利差变化大小呈一定的负相关性，负相关系数为-0.64，说明模型结果对负面舆情风险隔离能力具有一定的解释力度，但解释力度不算非常强。具体原因包括几个方面，其一是模型指标对各负面舆情类型的解释力度不同，综合起来减弱了解释力度。其二是模型的结果是聚类，不同类的样本之间连续性差。其三是验证样本数量有限，时间口径不完美。其四是传统模型算法全局精准度可能不够。传统模型算法会存在全局搜索能力弱的缺点，易导致结果非真正最优解的问题，因此算法的改进上以加强全局搜索能力为主要出发点。粒子群算法属于群智能算法的一种，该算法在全局搜索能力上突出，其原理为粒子之间信息共享对个体和集体的运动经验进行综合分析，动态调整粒子的运动方向和速度，使得其不断地向最优位置靠近，改进的本质点在于将投影寻踪模型的目标函数用作粒子群算法中粒子的自适应度。  投资建议：根据传统及改进的投影寻踪模型的结果，可以初步将负面舆情隔离能力指标值分为三个档次，即“强”、“中”、“弱”，负面舆情隔离能力强的平台指标值在[0.6,1]，负面舆情隔离能力中等的平台指标值在[0.3,0.6]，负面舆情隔离能力弱的平台指标值在[0,0.3]。传统模型结果处于[0.6,1]区间内且具备一定收益率的包括江西、湖南、河南、山东和安徽等区域地市级主平台，考虑到过往负面舆情发生频率对模型结果的干扰，尚未发生负面舆情的江西、湖南、安徽部分区域结果相对更准确，具有一定性价比。改进模型结果处于[0.6,1]区间内且具备一定收益率的包括湖北、河北、湖南、河南、山东和安徽等区域地市级主平台，考虑到过往负面舆情发生频率对模型结果的干扰，尚未发生负面舆情的湖北、湖南、安徽部分区域结果相对更准确，具有一定性价比。  风险提示：统计误差、指标选择误差、城投相关政策收紧超预期、货币政策收紧超预期。 [Table_Author] 分析师：杨杰峰 执业证号：S1250523060001 电话：18190773632 邮箱：yangjf@swsc.com.cn 联系人：冯法伟 电话：18817873386 邮箱：ffw@swsc.com 相 关研究 [Table_Report] 1. 地方政府债务化解将走向何处？ (2023-07-31) 2. 收益空间逼仄下产业债的永续品种价值如何 (2023-07-23) 3. 如何从利差解构角度看城投债区域下沉 (2023-07-01) 4. 现阶段该如何把握山东省城投债 (2023-06-26) 5. 近期债券新规影响几何？ (2023-05-07) 6. 城投债区域研究之成都 (2023-03-28) 41432 哪 些区域主平台的负面舆情隔离能力更强？ 请务必阅读正文后的重要声明部分 目 录 1 研究背景 ......................................................................................................................................................................................................... 1 2 构建模型 ......................................................................................................................................................................................................... 1 2.1 模型指标选择........................................................................................................................................................................................ 3 2.2 模型方法选择及原理 .......................................................................................................................................................................... 4 2.3 模型误差存在的点 ............................................................................................................................................................................... 5 3 有效性验证及算法改进............................................................................................................................................................................... 6 3.1 模型有效性验证 ..........................................................................................................