关于基本面波动率与信用风险：一项综合实证研究报告

本报告旨在向学界同仁介绍一项发表于《Review of Accounting Studies》期刊的重要研究成果。该研究由伦敦政治经济学院的Maria Correia、BlackRock的Johnny Kang以及AQR资本管理公司和伦敦商学院的Scott Richardson共同完成，并于2017年12月在线发表。论文题为《资产波动率》，系统性地探讨了基本面波动率（Fundamental Volatility）相较于市场波动率（Market-based Volatility）在预测企业破产、解释信用利差（Credit Spreads）横截面差异以及预测未来信用超额回报方面的增量信息价值。

一、 研究背景与目标 本研究的核心科学领域横跨金融学、会计学与信用风险管理。其动因源于一个观察：尽管全球公司债券市场规模庞大（截至2016年底，发达国家投资级和高收益公司债规模合计超过12万亿美元），但针对信用市场的基础分析（Fundamental Analysis）研究相对匮乏。在信用市场中，违约（Default）是核心风险，而默顿（Merton）的结构化模型（Structural Model）是理解违约风险与证券价格关系的基础框架。在该模型中，资产波动率（Asset Volatility）是决定违约风险的关键变量——更高的资产波动率意味着未来资产价值不足以覆盖债务承诺（即违约）的概率更大。

传统上，资产波动率主要通过市场数据（如股价波动）进行估算。然而，会计系统输出的基本面信息（如盈利、利润率、周转率等）的波动性，是否能够提供不同于市场波动率的信息，并进而提升信用风险评估的准确性，尚是一个有待深入检验的实证问题。财务会计准则委员会（FASB）认可通用财务报告信息对债权投资者的潜在有用性，这为研究提供了理论支点。先前研究（如Konstantinidi and Pope, 2016）已发现会计回报风险预测有助于解释信用评级和利差，但尚未全面考察基本面波动率相对于市场波动率的增量作用。

因此，本研究的目标是：从信用投资者的视角，对市场波动率与基本面波动率的有用性进行全面的实证分析。具体而言，旨在检验基本面波动率是否能在以下三个方面提供增量信息：(i) 提高（样本外）破产预测的准确性；(ii) 增强对信用利差横截面差异的解释力；(iii) 提升对未来信用超额回报的预测能力。

二、 详细研究流程 本研究设计严谨，流程可分为数据准备、变量构建和三个核心实证分析部分，共涉及多个步骤和庞大的数据集。

1. 样本与数据准备： 研究基于一个全面的美国公司债券面板数据，涵盖了巴克莱美国公司投资级指数和高收益指数的所有成分债，时间跨度为1988年9月至2013年2月。为确保每个发行人（Issuer）每月只有一个代表性债券进入分析，研究者遵循了严格的筛选标准，依次考虑债券的高级性（Seniority）、剩余期限（5-15年优先）、发行时间（新发债优先）和发行规模（规模最大优先）。最终样本包含121,300个独特的“债券-月份”观测值，对应1504家独特公司发行的5362只债券。此外，研究还收集了1980年至2012年间美国企业根据《破产法》第7章和第11章申请破产的数据，并整合了股票市场（CRSP）、会计（Compustat）、分析师预测（IBES）和期权（OptionMetrics）等多源数据库。

2. 波动率度量构建： 这是研究的关键创新部分，研究者构建了丰富多样的波动率指标。 * 市场波动率： * 历史股权波动率 (σe)：基于过去252个交易日的日度股票回报计算。 * 加权资产波动率 (σ^ω_a 和 σ^ω_ai)：更复杂的度量，不仅考虑股权波动，还纳入了代表性债券的月度回报波动率 (σd) 以及股债回报之间的历史相关性 (ρd,e)，以更精确地估算公司整体资产波动。其中，σ^ω_ai 进一步使用了期权隐含波动率 (σi) 作为前瞻性市场信息。 * 基本面波动率： 所有度量均基于季度财务报表数据，旨在捕捉去杠杆化后盈利能力（Unlevered Profitability） 的波动性。核心指标是净经营资产回报率 (Return on Net Operating Assets, RNOA)。 * 历史RNOA波动率 (σf)：计算过去20个季度内各季度（如所有第一季度）RNOA的标准差，再进行跨季度平均以消除季节性，最后年化处理。 * 盈利分布分位数预测波动率 (σiqr)：采用分位数回归 (Quantile Regression) 方法（遵循Konstantinidi and Pope, 2016），仅利用横截面会计特征预测RNOA分布的四分位距 (Interquartile Range)，无需时间序列数据。 * 分析师预测离散度 (σfeps)：基于IBES数据库对未来两年每股收益（EPS）分析师预测的标准差进行加权平均。 * 杜邦分解衍生波动率：基于RNOA可分解为利润率（经营收入/销售额）和资产周转率（销售额/总资产），进一步计算了利润率波动率 (σmargin) 和资产周转率波动率 (σturnover)。 * 增长波动率：计算了经营收入增长率波动率 (σoi growth) 和销售额增长率波动率 (σsales growth)。

3. 核心实证分析流程： 分析一：破产预测（样本外） * 研究对象与方法：采用离散时间风险模型（Discrete-time Hazard Model） 和分类与回归树（Classification and Regression Trees, CART） 两种方法。样本包含非破产公司、破产前年份的观测以及破产年份的观测，总计81,802个“债券-月份”观测（使用σi时样本为61,132个）。为确保样本外预测，所有模型均采用滚动窗口（Expanding Window） 方式进行估计。 * 模型设定：因变量为未来12个月内破产的概率。核心自变量包括：衡量财务困境程度的美元距离违约（Dollar Distance to Default, ln(V/X)）、过去12个月超额股票回报、公司规模（权益市值对数）、以及衡量会计盈利左尾风险、偏度和峰态的变量。最关键的是，依次或组合加入不同的资产波动率度量（σe, σi, σd, σf, σiqr等）进行检验。 * 数据处理与分析流程：每月更新市场数据，会计数据采用最近季报。所有自变量在估计前进行缩尾处理。在CART分析中，研究者构建了100个Bootstrap样本以评估变量重要性（Variable Importance）的稳定性，并利用十折交叉验证（10-fold Cross-validation） 选择最优树模型，该方法的优势在于能自动捕捉变量间的非线性和交互作用。

分析二：信用利差横截面解释 * 研究对象：主要分析对象是代表性债券的期权调整利差 (Option-Adjusted Spread, OAS)。同时，作为稳健性检验，也使用了2004-2012年期间的五年期信用违约互换（CDS）利差数据。 * 研究方法：采用两种回归框架： * 无约束线性回归：直接将破产预测模型中的自变量（包括各种波动率）与债券特定控制变量（评级、发行年限、久期）一起，对OAS进行线性回归，并控制月份固定效应。 * 约束回归（基于结构化模型）：这是研究的方法学亮点。研究者将不同的波动率度量与杠杆率（ln(V/X)）结合，按照默顿模型的内在非线性逻辑，计算出一个“理论信用利差（Theoretical Credit Spread, CS^σ_k）”。具体步骤包括：(1) 将不同尺度（Scale）的基本面波动率标准化，使其与市场波动率σ^ω_a具有相同的均值和标准差；(2) 利用各波动率计算“距离违约（Distance to Default）”；(3) 使用历史破产数据通过风险模型将其映射为物理违约概率（Physical Default Probability）；(4) 在债券期限内累积违约概率；(5) 加入风险溢价（Risk Premium） 将其转化为风险中性违约概率（Risk-neutral Default Probability）；(6) 在给定预期回收率（Expected Recovery Rate） 假设下，计算理论信用利差。最终，在回归中，使用这些计算出的理论信用利差（如 CS^{σ^ω_a}, CS^{σ_f}, CS^{σ_avg}等）作为关键解释变量来解释实际OAS。

分析三：未来信用超额回报预测 * 研究逻辑：基于前两个分析结果的差异——基本面波动率在破产预测中作用显著，但在解释当前信用利差时似乎被市场相对低估——研究者推断，市场可能未充分定价基本面波动率信息。 * 研究方法：构建信用风险错误定价（Credit Risk Mispricing） 指标，即实际OAS与理论信用利差之比的对数。具体创建了两个指标：基于市场波动率的crv^market（ln(OAS/CS^{σ^ω_a})）和基于基本面波动率组合的crv^fundamental（ln(OAS/CS^{prob_avg})）。随后，采用Fama-MacBeth横截面回归方法，检验这两个错误定价指标对未来1至6个月信用超额回报的预测能力，并控制了一系列已知的预测变量（如股票动量、账面市值比、公司规模等）。回归分别采用了基于风险（-ln(OAS)）和基于债券发行规模（Amount Outstanding）的加权方式。

三、 主要研究结果 1. 破产预测结果： * 增量信息价值：在控制了杠杆、规模等变量后，所有单独的市场或基本面波动率度量均与未来破产概率呈显著正相关。期权隐含波动率 (σi) 的经济显著性最高。 * 组合优势：将市场波动率（来自股、债市场）与基本面波动率结合，能持续提升模型的解释力（伪R²提高）。例如，在包含σe和σd的模型中，加入σf、σiqr或σfeps后，这些基本面波动率仍然显著。即使进一步控制了当前信用利差（OAS）——一个可能已汇总了多种风险信息的市场指标——基本面波动率（σf, σiqr, σfeps）仍然保持统计显著性，而部分市场波动率（σe, σd）则被OAS所吸收。这暗示市场可能未在定价中充分反映基本面波动信息。 * CART分析验证：CART的结果强化了上述发现。在包含基本面波动率度量的模型中，样本外预测的曲线下面积（AUC） 从0.9215显著提升至0.9337，且预测错误总成本降低。变量重要性分析显示，杠杆率是最重要的预测变量，而多个基本面波动率度量（如σsales growth, σf）的重要性得分显著高于市场波动率度量σω_ai。在100次Bootstrap抽样中，这一结论保持稳健。

2. 信用利差解释结果： * 无约束回归：各波动率度量单独均与OAS显著正相关。市场波动率（尤其是σe）的经济解释力远大于基本面波动率。当同时纳入市场与基本面波动率时，基本面波动率（如σf, σiqr）的系数虽然显著，但其边际贡献远小于市场波动率（例如，σf的贡献仅为σe的8%）。CART分析也显示，市场波动率的变量重要性远高于基本面波动率。 * 约束回归（核心发现）：当通过结构化模型将波动率与杠杆结合生成理论信用利差后，模型的解释力（R²）相比无约束线性回归有统计学上的显著提升（Vuong检验）。这证实了默顿模型中杠杆与波动率非线性结合的重要性。更重要的是，在此框架下，基于基本面波动率计算的理论信用利差（如CS^{σ_f}, CS^{σ_avg}）不仅在单独回归中能解释相当一部分利差变异（R²可达45%-50%），而且在与基于市场波动率的理论利差组合时，仍能提供显著的增量解释力。例如，同时包含CS^{σ^ω_ai} 和 CS^{prob_avg} 的模型，其R²高达75.5%。CDS利差的分析得到了类似结论。

3. 信用超额回报预测结果： * 错误定价指标的预测能力：Fama-MacBeth回归结果显示，基于基本面波动率的错误定价指标 (crv^fundamental) 对未来1至6个月的信用超额回报具有持续且显著的正向预测能力。这意味着，当实际信用利差高于基于基本面波动模型计算的理论利差（即crv^fundamental值高）时，未来的债券回报也倾向于更高，表明利差会向基本面模型隐含的水平收敛。 * 市场反应的滞后性：与此同时，基于市场波动率的错误定价指标 (crv^market) 在加入了crv^fundamental的模型中变得不显著。这一发现直接支持了研究者的核心推断：信用市场可能未能及时、充分地將基本面波动率信息纳入定价，从而导致了一种可预测的回报模式。

四、 研究结论与价值 本研究得出明确结论：基于会计系统信息构建的基本面波动率度量，能够为信用风险评估提供独立于传统市场波动率之外的增量信息。 具体而言：(1) 它们能够显著提升企业破产的样本外预测精度；(2) 当通过结构化模型框架与杠杆率恰当结合时，它们能有效解释信用利差的横截面差异；(3) 由于市场对这部分信息的定价可能不充分，基于基本面波动率构建的“错误定价”指标能够预测未来的信用超额回报。

该研究的科学价值在于，它首次大规模、系统性地验证了在信用分析领域深化基本面分析的价值，弥合了会计信息有用性与信用市场实践之间的研究缺口。它扩展了默顿结构化模型的应用，展示了如何将多样的会计波动指标有效地整合到信用风险量化模型中。其应用价值尤为突出：为数万亿美元规模的全球信用市场的参与者（如债券投资者、风险管理人员、信用评级机构）提供了改进其违约预测模型、信用定价模型以及挖掘潜在投资机会（阿尔法来源）的具体方法和实证依据。

五、 研究亮点 1. 度量创新与全面性：构建了一套前所未有的、多维度的基本面波动率指标体系，涵盖历史波动、分析师预测离散度、基于分位数回归的前瞻性风险预测以及杜邦分解组件波动，极大地丰富了信用风险分析的工具箱。 2. 方法论严谨与互补：综合运用了离散风险模型、CART机器学习方法、基于结构化模型的约束回归以及Fama-MacBeth回报预测模型，多种方法相互印证，增强了结论的稳健性。特别是采用CART处理非线性关系，以及通过结构化模型“约束”利用波动率和杠杆数据，都是方法上的重要亮点。 3. 逻辑链条完整：研究设计构成了一个清晰的逻辑闭环：从“信息是否有用”（破产预测）到“市场是否定价”（利差解释），再到“未充分定价是否带来机会”（回报预测），层层递进，论证有力。 4. 样本与数据广泛：使用了长期、大规模的债券、破产、股票、会计、期权和CDS数据，确保了研究结论具有高度的普遍性和可靠性。

六、 其他有价值的发现 研究表明，在基本面波动率中，增长波动率（如经营收入增长波动）和销售增长波动率在CART分析中显示出很高的变量重要性。此外，利润率波动率和资产周转率波动率虽然相关性很低，但二者在预测中扮演不同角色，这启示未来研究可以更细致地分解盈利波动的驱动因素。研究者也指出，除了波动率，财务报表信息中其他方面（如表内表外财务杠杆、经营杠杆）对信用投资者同样重要，这为后续研究指明了方向。