城投專題研究：哪些區(qū)域主平臺的負面輿情隔離能力更強

日證券研究報告?固定收益專題報告城投專題研究哪些區(qū)域主平臺的負面輿情隔離能力更強？摘要值的影響日益增大，然而很多情況下，同一類負面輿情對于不同區(qū)域城投債估為五個類別，分別是區(qū)域基本面因素、持有人風險特征因素、區(qū)域平臺關聯度因素、輿情自身因素、承接深度。模型的被解釋變量，為反映主平臺在受到低層級負面輿情干擾后超額利差被影響程度的指標。模型方法上，本文選擇投影尋蹤聚類法作為分析方法。模型有效性驗證及改進：從結果來看，隔離能力指標與驗證樣本負面輿情發(fā)生來減弱了解釋力度。其二是模型的結果是聚類，不同類的樣本之間連續(xù)性差?？赡懿粔?。傳統(tǒng)模型算法會存在全局搜索能力弱的缺點，易導致結果非真正最法屬于群智能算法的一種，該算法在全局搜索能力上突出，其原理為粒子之間標函數用作粒子群算法中粒子的自適應度。投資建議：根據傳統(tǒng)及改進的投影尋蹤模型的結果，可以初步將負面輿情隔離離能力弱的平臺指標值在[0,0.3]。傳統(tǒng)模型結果處于[0.6,1]區(qū)間內且具備一定收益率的包括江西、湖南、河南、山東和安徽等區(qū)域地市級主平臺，考慮到過徽部分區(qū)域結果相對更準確，具有一定性價比。改進模型結果處于[0.6,1]區(qū)間內且具備一定收益率的包括湖北、河北、湖南、河南、山東和安徽等區(qū)域地市一定性價比。策收超預期。西西南證券研究發(fā)展中心法偉1.地方政府債務化解將走向何處？(2023-07-31)2.收益空間逼仄下產業(yè)債的永續(xù)品種價值如何(2023-07-23)3.如何從利差解構角度看城投債區(qū)域下沉(2023-07-01)4.現階段該如何把握山東省城投債(2023-06-26)5.近期債券新規(guī)影響幾何？(2023-05-07)6.城投債區(qū)域研究之成都(2023-03-28)文后的重要聲明部分哪些區(qū)域主平臺的負面輿情隔離能力更強？文后的重要聲明部分錄 4 圖目錄 的主觀選擇及口徑 2圖3：國內主要地市級平臺負面輿情隔離能力傳統(tǒng)法取值情況 9圖4：2023年8月16日靜態(tài)超額利差與負面輿情隔離能力傳統(tǒng)法取值分布情況 10圖5：國內主要地市級平臺負面輿情隔離能力改進法取值情況 10圖6：2023年8月16日靜態(tài)超額利差與負面輿情隔離能力傳統(tǒng)法取值分布情況 11表目錄 7表4：改進法下負面輿情不分類的驗證結果 8 1文后的重要聲明部分1本文首先闡述了對該主題進行研究的背景，其次對研究模型構建方面的各類要素及假設條件進行了詳細解釋，同時梳理了模型指標的挑選過程、模型方法選擇及原理，最后對模型結果進行有效性驗證，并根據結果內容提出相關投資建議。1研究背景本文所指負面輿情，為區(qū)域內低層級城投平臺產生的負面輿情，不包括主平臺自身產生負面輿情的情況。本文所指負面輿情隔離能力，可量化為負面輿情對其估值影響的大小，負面輿情隔離能力越強，負面輿情對平臺估值影響越小。隨著市場信息透明度的不斷提升，負面輿情對城投債估值的影響日益增大，然而很多情況下，同一類負面輿情對于不同區(qū)域城投債估值的影響并不相同，甚至差距很大，導致這種情況出現的因素有很多。本文試圖從主觀性的角度尋找對負面輿情隔離能力有重大影響的因素，同時從客觀性的角度出發(fā)建立模型，構造負面輿情隔離能力指標并進行有效性驗證，以衡量某區(qū)域城投平臺估值受潛在負面輿情影響的大小。源：西南證券整理2構建模型模型潛在的解釋變量，即決定區(qū)域低層級負面輿情對主平臺債券估值影響大小的因素有很多，大致可以分為五個類別，分別是區(qū)域基本面因素、持有人風險特征因素、區(qū)域平臺關聯度因素、輿情自身因素、平臺債券存量。區(qū)域基本面因素即代表區(qū)域整體信用水平，區(qū)域基本面越強，區(qū)域內低層級負面輿情對主平臺債券估值產生的影響越小。持有人風險特征因素主要考量持有人對風險的厭惡程度，風險厭惡程度越低，對主平臺債券估值產生的影響越小，不過持有人特征一定程度上亦取決于區(qū)域基本面，二者屬于正相關。區(qū)域平臺關聯度因素主要考量的是區(qū)域內各平臺之間的資金關聯關系，主平臺與低層級平臺之間關聯程度越小，2文后的重要聲明部分2對主平臺債券估值影響越低。輿情自身因素主要包括輿情本身發(fā)生的頻率以及輿情的種類，本文所述負面輿情主體均為某區(qū)域內低層級平臺，可用于驗證模型的有效性。另外，主平臺在市場上的流通存量債券余額和交易效率決定了承接估值風險的深度，因此也是一大重要因模型的被解釋變量，為反映主平臺在受到低層級負面輿情干擾后超額利差被影響程度的指標，指標越大，超額利差被影響程度越低，輿情風險隔離能力越強。此處存在諸多需要統(tǒng)一的口徑。首先是主平臺口徑，不同層級平臺在受到低層級負面輿情干擾后估值可能會有不同程度的反應，因此本文統(tǒng)一選取區(qū)域內股權層級和外部評級最高、同等條件下資產規(guī)模最大且業(yè)務公益屬性最強的平臺作為主平臺；其次是時間口徑，由于市場接受程度始終在變化，不同階段相同種類輿情對市場的影響可能會存在不同，因此本文在時間維度上以2021年后為主，這樣亦可減少用“未來”解釋“過去”所帶來的誤差，另外部分時間點市場定價的主導因素并非信用因素，如2022年11月開始的“銀行理財贖回潮”下以流動性因素為主導，本文所使用的驗證樣本均避開該類時間段；第三是驗證樣本區(qū)域口徑，除了上述時間維度外，由于負面輿情對某區(qū)域定價的影響可能會存在邊際效用遞減，因此驗證樣本選擇上規(guī)避了2021年以前就已經開始高頻發(fā)生負面輿情的區(qū)域，2021年以后發(fā)生同種類負面輿情的區(qū)域在滿足時間口徑條件下盡量只選擇首次；第四是超額利差變化判定口徑，本文選取負面輿情發(fā)生后超額利差達到的首個高點與初始值之差為變化值，為減少信息重疊所帶來的誤差，首個高點距離初始值應當在3個月以內，超過3個月的以第3個月末值為準。解釋項的主觀選擇及口徑3文后的重要聲明部分32.1模型指標選擇經過上文分析，決定低層級平臺負面輿情對主平臺債券估值影響大小的因素有很多，我們將其分為了五大類別，在這五大類別中我們分別挑選了部分指標進行模型指標體系的構建。指標挑選的原則為：(1)易得性，用來構建模型的指標必須較為容易獲取，可以較為容易地實現信息的及時更替，若指標的獲取難度極大，則考慮用相似指標進行替換；(2)信息豐富性，用來構建模型的指標必須展現出較為豐富的信息區(qū)分度，若指標僅屬于少部分區(qū)域或平臺的特性，則不考慮使用；(3)穩(wěn)定性，用來構建模型的指標所能取值的時間周期盡可能拉長，以避免部分指標短期化造成的誤差。經過篩選，我們將7個指標納入模型當中：區(qū)域基本面因素包括區(qū)域經濟、區(qū)域債務水平；持有人風險特征因素包括區(qū)域非市場化發(fā)行債券規(guī)模占比、特殊時間段內的利差標準差；區(qū)域平臺關聯度因素包括主平臺對區(qū)域其他平臺凈往來絕對值；最后為刻畫主平臺債券承接估值風險深度的存量余額和換手率。區(qū)域經濟及區(qū)域債務水平是刻畫區(qū)域基本面的主軸，也是投資某區(qū)域平臺的最主要考量點，因此選擇二者作為區(qū)域基本面因素的代表。持有人風險特征因素方面，直接反映持有人風險特征的應當是持有人具體結構，但鑒于信息難以獲取，因此從間接層面加以描繪，此處分別選擇了區(qū)域非市場化發(fā)行債券規(guī)模占比、特殊時間段內的利差標準差兩個指標，分別代表持有人流動性風險偏好和持有人市場風險偏好，本文所選的特殊時間段為2020年11月、金關系，但基于數據的易得性，此處以內在的資金關系作為代表，指標為主平臺對區(qū)域其他平臺凈往來絕對值，該值越低代表高層級平臺與其他平臺之間的凈關聯程度越低；債券承接估值風險深度方面，債券最新存量余額越大，平均換手率越高，潛在相對成交量越大，信息交互量越大，潛在估值越趨于真實，潛在估值風險承接能力越強。因素類別指標名稱指標含義其他說明區(qū)域基本面因素區(qū)域經濟刻畫區(qū)域基本面的主軸，也是投資某區(qū)域平臺，因此選擇二者作為區(qū)域基本面因素的代表。用來構建模型的指標必須展現標僅屬于少部分區(qū)域或平臺的區(qū)域債務水平持有人風險特征因素非市場化發(fā)行債券規(guī)模占比特殊時間段內的利差標準差區(qū)域平臺關聯度因素區(qū)域平臺關聯度因素對區(qū)域其他平臺凈往來絕對值該值越低代表高層級平臺與其他平臺之間的凈關聯程度越低。承接深度債券存量余額新存量余額越大，平均換手率越高，潛估債券換手率4文后的重要聲明部分42.2模型方法選擇及原理回歸分析是一種預測方法，能夠相對準確捕捉多個變量對目標變量的影響。模型基于統(tǒng)計分析，因此可以提供一定的統(tǒng)計學精度，這對于許多實際應用場景是較為重要的。但其存在較為嚴格的假設，首先，它對數據的假設要求較高，需要數據滿足正態(tài)性等方面假設。其次，多重共線性問題，即自變量之間存在高度相關性，會導致模型的預測出現偏差。此外，線性回歸模型對于異常值和缺失值的處理也比較敏感，這可能會對模型的預測結果產生不良影響。而基于前文構建模型的部分前提條件可知，本文驗證樣本的時間口徑和區(qū)域口徑都較為嚴苛，最終得出的驗證樣本數量較少，用少量的樣本作為基礎顯然是不合理的，另外部分數據也可能不滿足正態(tài)假定，因此本文無法較好的滿足回歸分析所要求的數據假設條件。熵權法熵在信息論中的作用在于衡量系統(tǒng)無序程度的高低，對于任何一項指標都可以用熵值來判斷其無序程度，熵值越小無序程度越大，如果某項指標的值全部相等，那么該指標在綜合評價中不起任何作用。熵權法確定評價權重依據來自于數據所反應的信息本身，客觀性強，無主觀強加性對決策結果的干擾。但其缺陷也較為顯著，熵權法是將不同指標看作獨立存在的本體，不考慮指標間的相關性，因此指標相關性越強，權重分配誤差越大。此外由于熵權法賦權完全取決于數據本身，因此在不能完全確定解釋變量和被解釋變量之間具備相關性的條件下，極易發(fā)生不合理的權重配比。在能夠提前確定解釋變量和被解釋變量之間存在一定關系的條件下，熵權法并非不可取，我們在此前的報告《如何從利差解構角度看城投區(qū)域下沉》中所使用的即為熵權法。但本文與此前報告不同的是，所分析對象在當下市場上尚不存在關聯度上的共識，因此熵權法在此處的應用意義不大。投影尋蹤聚類法上文所述的兩種方法，本質問題之一在于數據和指標假設太強，而投影尋蹤聚類法一定程度上能克服此類問題。對于數據層面，投影尋蹤聚類法屬于探索性數據分析法而非證實性數據分析法，對客觀數據并不作嚴格假定，無需樣本數據服從某種結構或特征。對于指標假設層面，投影尋蹤聚類法亦要求解釋變量和被解釋變量之間是存在一定關系的，否則也會有誤差，但與熵權法理論上無上限誤差不同的是，由于其內在本質屬于運籌優(yōu)化問題，單項誤差對整體系統(tǒng)結構的影響相對有限。本質問題之二在于上述兩種方法更偏預測，本文尋求的目標并非預測連續(xù)變量，更多是估值受影響大小的排序，投影尋蹤聚類法的核心在于聚類，它不是一個預測模型，其在給定的指標體系之下通過運籌優(yōu)化方式將多維度指標投影至一維指標并加以類別上的區(qū)分。因此本文選擇投影尋蹤聚類法作為分析方法。投影尋蹤聚類法的原理在于通過多維度的指標對樣本進行區(qū)分，本質上是需要尋找一個向量集(a,a,a...a.,使得被區(qū)分后的每一類樣本集合之間距離足夠大的同時每一類樣本集合內部密度也足夠大?；竟皆砣缦?，具體代碼見附錄一：5文后的重要聲明部分5(1)樣本評價指標集的歸一化處理設各指標值的樣本集為Xij，意為第i個樣本第j個指標值。為消除各指標的量綱和統(tǒng)一各指標值的變化范圍，采用歸一化處理：對于正向指標為X=一，對于負向指標為X=一(2)投影值的計算設(a,a,a....a)為投影方向，投影尋蹤就是將Xij投影到a上，得到一維投影值Pi：Pi=ajXij(3)構造投影指標函數，如上文所述，目標函數的本質是要使得被區(qū)分后的每一類樣本集合之間距離足夠大的同時每一類樣本集合內部密度也足夠大，目標函數如下：S=Var(Pi)nD=1u(min|Pi-Pj|)nnux=1,x>1e一3ux0,x<=1e一3n2stmaxSDaiai[一1,1]2i=12.3模型誤差存在的點第一是指標方向合適性問題及重大遺漏所導致的誤差。雖然投影尋蹤法內在本質屬于運籌優(yōu)化問題，但并不消除指標方向選擇錯誤或遺漏所帶來的誤差，如果出現指標方面的多項選擇錯誤或重大遺漏，那么結果的精準度也會降低。這是模型最大的誤差來源，也是客觀法的共性問題，模型無法識別指標方向選擇的合理性及缺失度。第二是驗證樣本數量較少可能帶來的判斷誤差。與回歸類模型不同，投影尋蹤模型不屬于證實性數據分析法，樣本數量的多少并不會對模型本身產生影響，但模型的有效性依然需要通過驗證樣本進行驗證，因此在驗證樣本數量較少的情況下，是存在對模型有效性判斷產生誤差的可能性的。第三是所選指標精準性偏差所帶來的誤差。這類誤差來源于指標選取的易得性原則，如區(qū)域平臺關聯度因素主要考慮平臺間內在和外在的資金關系，但基于數據的易得性，只能以內在的資金關系取值作為代表，且所取指標為高層級平臺對區(qū)域其他平臺凈往來絕對值，該指標存在一定的局限性，必然會導致一定的誤差。第四是模型指標取值時間與驗證樣本時間口徑不同所帶來的誤差。部分指標屬于靜態(tài)時間點指標，而驗證樣本所在的時間階段有可能與指標取值所處時間點存在較大的時間間隔，因此會出現用未來數據驗證過去樣本的情況。為了盡可能減小該項誤差，前文已對時間口徑進行了嚴格規(guī)范。6文后的重要聲明部分6第五是傳統(tǒng)模型算法精準度有提升空間。投影尋蹤模型最終的目標是尋得最優(yōu)的投影方向，但是由于約束函數的非線性以及樣本指標維度較多，傳統(tǒng)投影尋蹤模型下的結果可能不一定是完全最優(yōu)解，算法仍具有優(yōu)化改進的空間。3有效性驗證及算法改進3.1模型有效性驗證按照上述方法，通過導入相關指標數據，獲得了相對完整的全國地市級主平臺負面輿情隔離能力排序，為驗證有效性，我們選取符合前文所述時間口徑和區(qū)域口徑的驗證樣本進行驗證，驗證結果如下：平臺名稱輿情后超額利差變化(BP)***投資集團有限公司非標輿情29.540.745616***城市投資集團有限公司非標輿情6.360.484479***投資集團有限公司非標輿情48.330.569954**發(fā)展投資(控股)有限責任公司非標輿情20.475816***國有資本運營集團有限公司非標輿情0.17241***發(fā)展投資集團有限公司非標輿情370.436647***城市建設(集團)有限公司商票逾期0.999575***城市資產運營集團有限公司商票逾期0.747503**城投控股集團有限公司商票逾期130.574869**城建投資集團有限公司商票逾期2.280.534828**城市投資集團有限公司商票逾期0.462753***投資集團有限公司被執(zhí)行人810.590143***發(fā)展投資控股集團有限公司被執(zhí)行人650.601345***城市建設投資發(fā)展集團有限公司被執(zhí)行人0.543147***城市發(fā)展投資集團有限公司被執(zhí)行人22.090.48729***國有資本運營集團有限公司被執(zhí)行人4.580.17241**國有資本投資運營集團有限公司被執(zhí)行人26.290.573975相關性-0.63933DM，西南證券整理從結果來看，隔離能力指標與驗證樣本負面輿情發(fā)生后超額利差變化大小呈一定的負相關性，負相關系數為-0.64，說明模型結果對負面輿情風險隔離能力具有一定的解釋力度，但解釋力度不算非常強。具體原因包括以下幾點：對各負面輿情類型的解釋力度不同，綜合起來可能減弱了解釋力度。若將負面輿情類型進行區(qū)分，可以發(fā)現驗證結果有較大的區(qū)別。負面輿情類型為被執(zhí)行人類別的，模型結果對負面輿情風險隔離能力解釋力度最強，二者負相關關系達到-0.95；負面輿情類型為非標輿情類別的，模型結果對負面輿情風險隔離能力解釋力度尚可，二者負相關關系為-0.70；負面輿情類型為商票逾期類別的，模型結果對負面輿情的解釋力度很差，二者不存在負相關關系。7文后的重要聲明部分7出現此種情況的原因，一方面可能與輿情類別影響力大小有關，商票逾期類別輿情發(fā)生相對普遍，且通常技術性因素占比不小，多數情況下可能對估值不會產生影響；另一方面可能是商票逾期信息披露存在較大的時間延遲，市場中存在信息差。平臺名稱風險事件類型***投資集團有限公司非標輿情29.540.745616***城市投資集團有限公司非標輿情6.360.484479***投資集團有限公司非標輿情48.330.569954**發(fā)展投資(控股)有限責任公司非標輿情20.475816***國有資本運營集團有限公司非標輿情0.17241***發(fā)展投資集團有限公司非標輿情370.436647相關性-0.69729***城市建設(集團)有限公司商票逾期0.999575***城市資產運營集團有限公司商票逾期0.747503**城投控股集團有限公司商票逾期130.574869**城建投資集團有限公司商票逾期2.280.534828**城市投資集團有限公司商票逾期0.462753相關性0.41771***投資集團有限公司被執(zhí)行人810.590143***發(fā)展投資控股集團有限公司被執(zhí)行人650.601345***城市建設投資發(fā)展集團有限公司被執(zhí)行人0.543147***城市發(fā)展投資集團有限公司被執(zhí)行人22.090.48729***國有資本運營集團有限公司被執(zhí)行人4.580.17241**國有資本投資運營集團有限公司被執(zhí)行人26.290.573975相關性15DM，西南證券整理模型的結果是聚類，不同類的樣本之間連續(xù)性差。投影尋蹤聚類法的核心在于聚類，其在給定的指標體系之下將多維度指標投影至一維指標并加以類別上的區(qū)分，所以歸屬不同類的樣本之間連續(xù)性較差，更多偏向分段式的結果。于結果有效性的判斷，在驗證樣本數量有限的情況之下，誤差容忍度更低，得到符合預期結果的難度更大。時間口徑上，雖然本文對時間口徑的要求已非常嚴格，但不同時間階段市場必然是會存在諸多差異的，因此時間階段不完全統(tǒng)一的情況下，解釋力度就會受到影響。傳統(tǒng)模型算法全局精準度可能不夠。如前文所述，投影尋蹤模型最終的目標是尋得最優(yōu)的投影方向，但是由于約束函數的非線性以及樣本指標維度較多，傳統(tǒng)投影尋蹤模型下的結果可能并不一定是完全最優(yōu)解。樣本數據層面帶來的誤差和判斷偏差可能難以改變，但模型本身算法是可以改進的，下文將對模型算法進行改進。8文后的重要聲明部分83.2模型算法改進在處理非線性關系、多個變量同時尋優(yōu)的問題時，傳統(tǒng)模型算法會存在全局搜索能力弱的缺點，易導致結果非真正最優(yōu)解的問題，因此算法的改進上以加強全局搜索能力為主要出發(fā)點。粒子群算法屬于群智能算法的一種，該算法在全局搜索能力上突出，其原理為粒子之間信息共享對個體和集體的運動經驗進行綜合分析，動態(tài)調整粒子的運動方向和速度，使得其不斷地向最優(yōu)位置靠近。其算法過程可以描述為：(1)初始化粒子群，設置每個粒子的初始位置Xi及初始速度Vi；(2)根據每個粒子的初始位置和初始速度生產新位置；(3)計算每個粒子的適應度值；(4)比較每個粒子此時的適應度值和粒子單體經歷過最好的位置Pid的適應度值，如果粒子此時的適應度值比歷史最高位置更優(yōu)，則更新Pid；(5)同理，按此方法判斷是否更新粒子群體經歷過最好的位置pgd；(6)根據以下公式不斷迭代調整粒子的最新速度和位置，直到滿足最優(yōu)解實現的條件或達到最大的迭代次數，公式如下，其中為慣性權重、r1為個人認知權重、r2為群體認知權重：Vid(t+1)=Vid(t)+n1*r1*(PidXid(t))+n2*r2*(PidXid(t))Xid(t+1)=Xidt+Vit+1)用粒子群算法改進投影尋蹤模型的本質點在于將投影尋蹤模型的目標函數用作粒子群算法中粒子的自適應度。用粒子群算法求解投影尋蹤問題時，每個粒子的位置可以看作是一個可行解，每個解是一個投影向量，把每個粒子的數據結構表示為Xi=(loc,v,fitness)，其中l(wèi)oc表示某個可行解,fitness表示自適應度，在此處即為此前上文的目標函數，按前文步驟進行迭代，當達到最大迭代次數時，驗證結果。迭代次數并非越大越好，過大的迭代次數容易出現局部最優(yōu)問題。按照上述方法，通過導入相關指標數據，獲得了相對完整的全國地市級主平臺負面輿情隔離能力排序，為驗證有效性，我們選取符合前文所述時間口徑和區(qū)域口徑的驗證樣本進行驗證，驗證結果如下：表4：改進法下負面輿情不分類的驗證結果平臺名稱風險事件類型輿情后超額利差變化(BP)迭代20次隔離能力值***投資集團有限公司非標輿情29.540.683998***城市投資集團有限公司非標輿情6.360.47447***投資集團有限公司非標輿情48.330.520355**發(fā)展投資(控股)有限責任公司非標輿情20.160735***國有資本運營集團有限公司非標輿情0.061351***發(fā)展投資集團有限公司非標輿情370.369625***城市建設(集團)有限公司商票逾期0.74294***城市資產運營集團有限公司商票逾期0.649524**城投控股集團有限公司商票逾期130.46525**城建投資集團有限公司商票逾期2.280.535579**城市投資集團有限公司商票逾期0.471583***投資集團有限公司被執(zhí)行人810.615929***發(fā)展投資控股集團有限公司被執(zhí)行人650.567101***城市建設投資發(fā)展集團有限公司被執(zhí)行人0.592882哪些區(qū)域主平臺的負面輿情隔離能力更強？9文后的重要聲明部分9企業(yè)個數企業(yè)個數平臺名稱風險事件類型輿情后超額利差變化(BP)迭代20次隔離能力值***城市發(fā)展投資集團有限公司被執(zhí)行人22.090.496363***國有資本運營集團有限公司被執(zhí)行人4.580.061351**國有資本投資運營集團有限公司被執(zhí)行人26.290.594424相關性-0.6635DM，西南證券整理通過對傳統(tǒng)模型算法的改進，結果顯示其與驗證樣本的匹配程度進一步提高，相關系數有所提升，一定程度上反應結果更趨于精準。但將負面輿情類型拆分后，模型結果與驗證樣本的匹配程度并未提高，原因仍可能是驗證樣本數量有限，時間口徑不完美等因素造成。另外由于模型的最終目的仍是聚類，對模型結果值的精確性要求一般，因此仍可同時參考傳統(tǒng)算法和改進算法的結果。4投資建議根據傳統(tǒng)投影尋蹤模型的結果，可以初步將負面輿情隔離能力指標值分為三個檔次，即平臺指標值在[0.3,0.6]，負面輿情隔離能力弱的平臺指標值在[0,0.3]。模型結果處于[0.6,1]區(qū)間內且具備一定收益率的包括江西、湖南、河南、山東和安徽等區(qū)域地市級主平臺，考慮到過往負面輿情發(fā)生頻率對模型結果的干擾，尚未發(fā)生負面輿情的江西、湖南、安徽部分區(qū)域結果相對更準確，具有一定性價比。.20指標值：無單位0400DMifind券整理哪些區(qū)域主平臺的負面輿情隔離能力更強？文后的重要聲明部分..20400指標值：無單位.601DMifind券整理根據改進投影尋蹤模型的結果，可以初步將負面輿情隔離能力指標值分為三個檔次，即的平臺指標值在[0.3,0.6]，負面輿情隔離能力弱的平臺指標值在[0,0.3]。模型結果處于[0.6,1]區(qū)間內且具備一定收益率的包括湖北、河北、湖南、河南、山東和安徽等區(qū)域地市級主平臺，考慮到過往負面輿情發(fā)生頻率對模型結果的干擾，尚未發(fā)生負面輿情的湖北、湖南、安徽部分區(qū)域結果相對更準確，具有一定性價比。值：無單位0400DMifind券整理文后的重要聲明部分400000.20.40.60.811.2DMifind券整理文后的重要聲明部分importnumpyasnpimportpandasaspdfromscipy.optimizeimportminimizedata_updated=pd.read_excel()positiveindicators['區(qū)域經濟','換手率','持有人市場風險偏好','債券存量']negativeindicatorsupdated務水平','持有人輿情風險偏好','對區(qū)域其他平臺凈往來']forindicatorinpositive_indicators:data_updated[indicator]=(data_updated[indicator]-data_updated[indicator].min())/(data_updated[indicator].max()-data_updated[indicator].min())forindicatorinnegative_indicators_updated:dataupdatedindicatordataupdatedindicatordataupdatedindicatormindataupdatedindicator.max()-data_updated[indicator].min())rmalizedupdatedmediandefprojectdatadirectionX):returnX.dot(direction)defstep_function(x,epsilon=1e-3):return1ifx<epsilonelse0objectivedirectionXprojections=project_data(direction,X)ectionsDnpmeanstepfunctionnpminnpabsprojectionsiprojectionsi)foriinrange(1,len(projections))])return-S*DX_filled=data_normalized_filled.valuespdatedveinitialdirectionupdatedargsXfilledboundsforinrangeXfilledshapemethod='TNC')ionfilledresfilledxbest_projections_filled=project_data(best_direction_filled,X_filled)final_scores_filled=(best_projections_filled-best_projections_filled.min())/(best_projections_filled.max()-illedminfinal_results_filled=pd.DataFrame({"公司名稱":data_updated["Unnamed:0"],"投影尋蹤法":final_scores_filled})final_results_filled.to_excel("",index=False)文后的重要聲明部分importnumpyasnpimportpandasaspdfromscipy.optimizeimportminimizeclassParticle:def__init__(self,dim):self.best_position=self.position.copy()self.best_fitness=float('inf')classPSO:def__init__(self,num_particles,dim,max_iterations,fitness_func):self.num_particles=num_particlesself.dim=dimself.max_iterations=max_iterationsself.fitness_func=fitness_funcself.particles=[]self.global_best_position=Noneself.global_best_fitness=float('inf')definitialize_particles(self):for_inrange(self.num_particles):particle=Particle(self.dim)rticlesappendparticledefupdate_particle(self,particle):definertiaweight5itiveweightsocial_weight=0.5cognitiveweightnprandomrandselfdimparticlebest_position-particle.position)+social_weight*np.random.rand(self.dim)*(self.global_best_position-particle.position))defoptimize(self):self.initialize_particles()foriterationinrange(self.max_iterations):forparticleinself.particles:fitness=self.fitness_func(particle.position)articlebestfitnessparticle.best_position=particle.position.copy()particle.best_fitness=fitnessiffitness<self.global_best_fitness:self.global_best_position=particle.position.copy()self.global_best_fitness=fitnessself.update_particle(particle)print(f"Iteration{iteration+1}:BestFitness={self.global_best_fitness}")文后的重要聲明部分print("Optimizationfinished!")print(f"GlobalBestPosition:{self.global_best_position}")print(f"GlobalBestFitness:{self.global_best_fitness}")returnself.global_best_positiondata_updated=pd.read_csv()Name=data_updated['名稱']deldata_updated['名稱']regexTrueastypefloatpositiveindicators=['區(qū)域經濟','換手率','持有人市場風險偏好','債券存量']negativeindicatorsupdated區(qū)域債務水平','持有人輿情風險偏好','對區(qū)域其他平臺凈往來']forindicatorinpositive_indicators:data_updated[indicator]=(data_updated[indicator]-data_updated[indicator].min())/(data_updated[indicator].max()-data_updated[indicator].min())forindicatorinnegative_indicators_updated:dataupdatedindicatordataupdatedindicatordataupdatedindicatormindataupdatedindicator.max()-data_updated[indicator].min())X_filled=data_normalized_filled.valuesdefprojectdatadirectionX):returnX.dot(direction)defstep_function(x,epsilon=1e-3):return1ifx<epsilonelse0objectivedirectionXprojections=project_data(direction,X)ectionsDnpmeanstepfunctionnpminnpabsprojectionsiprojections[:i])))foriinrange(1,len(projections))])return-S*Ddeffitness_func(initial_direction_updated):edres_filled=minimize(objective,initial_direction_updated,args=(X_filled,),bounds=[(0,1)for_inhapemethodTNCunpso=PSO(num_particles=20,dim=7,max_iterations=20,fitness_func=fitness_func)res_filled=pso.optimize()initial_direction_updated=res_fillededresfilledminimizeobjectiveinitialdirectionupdatedargsXfilled),bounds=[(0,1)for_inrange(X_filled.shape[1])],method='TNC')tdirectionfilledresfilledxbest_projections_filled=project_data(best_direction_filled,X_filled)final_scores_filled=(best_projections_filled-best_projections_filled.min())/(best_projections_filled.max()-illedminfinal_results_filled=pd.DataFrame({"公司名稱":Name,"投影尋蹤法":final_scores_filled})final_results_filled.to_excel("",index=False)文后的重要聲明部分時間段內差標準差時間段內差標準差39.696738.470331.020839.380436.207729.927939.051331.213932.454430.445440.753527.349230.488634.514329.298435.441130.533834.916036.337941.274533.323327.852622.697344.458530.222128.523529.361624.827021.503529.007447.420925.437156.414425.9616口徑債務率593.49%420.20%301.36%668.71%576.40%580.86%680.50%626.50%527.12%745.83%588.08%692.36%474.52%754.21%649.54%486.56%728.21%463.61%526.28%855.82%597.35%519.24%449.18%510.88%542.70%853.46%890.63%534.17%650.61%593.58%681.96%942.82%808.87%490.89%652.26%647.91%非市場化發(fā)行2.3104844769816852.6213234.82712.1226.69938.46021.87864.169.44對區(qū)域其他平臺凈往來絕對值0.05%0.30%20.50%9.10%5.68%5.80%4.00%5.96%0.16%0.52%0.50%0.39%2.98%0.10%4.23%0.52%2.59%2.74%0.20%0.62%0.12%2.59%0.17%5.74%0.47%5.65%2023年8月債券214.56223.80290.179.70256.62236.90.505.00208.105.004.757.5024.002.8047.8821.36400092362.1221.582022年以來月均債券換手率73.18%8.62%9.86%24.92%0.00%0.00%24.80%7.07%23.81%0.00%0.00%0.00%0.00%54.36%7.32%0.00%7.25%2.81%0.00%主平臺1234567890123456789附錄三：主平臺各指標取值情況(億元)4502.132012.32520.962767.466103233.32224.62101.55706.583314.473554.622435.75968.082167.463109.09617.92543.784401.26哪些區(qū)域主平臺的負面輿情隔離能力更強？文后的重要聲明部分主平臺2年GDP非市場化發(fā)行特殊時間段內對區(qū)域其他平臺2023年8月債券2022年以來(億元)口徑債務率差標準差凈往來絕對值月均債券換手率3565.3219.03%2.2649.31454.97%4346.3319.13%2.3533.66702.15%.00404388.2307.95%026.74180.91%4.908.25%412512.126.1329.588747.7932.96%422657.1138.25050.79%22.00435675.2298.56%4836.89915.57%262.609.12%442839.33357.06%4.830.20324.98%453463.98301.60%6724.32143.92%462234.78330.82%4.535.34710.45%1.00473746.8503.16%7332.35736.89%48397.80%20.6428.54976.24%0.0024.59%49042.04264.03%4555.4391.44%630.592849.8221.59%3262.68518.91%6338.80480.74%3196.23389.55%051.29932.73%41.0027.49%3616.99483.57%35.54780.36%2.938.12%3257.36348.26%9830.10412.28%2304.68528.40%00.63%0.67447.56%039.206342.502776.97425.90%039.42743.31%2041.51875.54%131.71240.99%269.805502.69582.66%4.165.55%226.302200.96644.52%37.45480.60%77.40%3008.61617.37%2.5835.63390.84%7.802747.9505.71%031.87890.70%0.00%506.52%2.7535.76800.00%0.00%5827.81731.97%4.676.44%484.2092.4724.89%26.6625.66122108.02585.74%29.12059.50598.68%37.51970.86%17.5602.01%6638.30384.59%0.203616.8642.46%22.3233.43303.21%314.509.62%2697.54794.06%20.87503.49%4089.69627.74%8131.58530.00%000.00%2599.19572.88%33.62326.27%4710.67579.12%4532.33990.79%3.154274.5535.40%3633.79962.71%374.262980.5644.60%30.83998.53%哪些區(qū)域主平臺的負面輿情隔離能力更強？文后的重要聲明部分主平臺2年GDP非市場化發(fā)行特殊時間段內對區(qū)域其他平臺2023年8月債券2022年以來(億元)口徑債務率差標準差凈往來絕對值月均債券換手率2410.28340.29%1540.1049.80597.62%.1133.86492.61%27.0071.73%4710.67579.12%4536.4863201.704005.03670.62%834.38833.56%233.194742.42627.66%4633.40778.29%5017.04797.46%4146.97056.72%288.93380.66%2.8928.59026401.77667.28%98.92%247.207104.98459.03%079.8651.92%28.2266218.284742.42627.66%4628.4224491.25%9320.37910.22%218.0023958.34305.40%530.22%20.83%9550.1403.69%0520.6944450.557.57%370.94%20.52370.57%9.2321.91%257.24%2737.5540604.09%8733.973420.07%478.98%48.18860.28%561.69%24.628.63762750.33575.19%28.63760.0036.25%3473.12518.12%1329.04973.82%9.0023.01%515.76%37.27446.94%3309.7708.86%8225.76795.51%303.904523.63776.44%25.76792.43%27.63%4026.6494.96%29.29392.62%7.5034.00%493.77%029.70563.50%23.000.00%4402.6442.68%27.9601327.503620.74287.13%34.73702.45%9515.86262.16%24.86882.67%29.300.00%5316.9396.78%44.8332.12543198.1462.63%30.61298.0022.22%3408.18518.86%24.9726.98410.78%21.37%2306.77298.23%2132.55470.25%.0029.01%3633.1309.50%26.0637.13723.502779.85276.63%3.8138.24490.24%21.702975.15307.41%29.66103.03%43.194205.34275.71%25.5838.7721505778.5386.82%30.75180.47%哪些區(qū)域主平臺的負面輿情隔離能力更強？文后的重要聲明部分主平臺2年GDP非市場化發(fā)行特殊時間段內對區(qū)域其他平臺2023年8月債券2022年以來(億元)口徑債務率差標準差凈往來絕對值月均債券換手率7306.45400.28%44.0931.65122804.8028.20842.89%00256.96%0840.00948.902201.13606.22%42.95660.70%2.002231.93542.52%21.8425.14638.39%4.5020.93%6543.6590.66%1921.53913.13%9.00578.61%26.95394.90%40.55410.70%20.5531.99726.20%4.37%427.57%036.65792.15%000.00%693.68%24.1936.36180.71%8.2448.2450.60%42.2330.05892.77%25.15%65.01699.31%.629.88868.51%.09644.16%.829.84734.95%2.358.05%902.51410.67%8541.95797.98%42.608.78%532.00%27.8847.02802.98%41.402308.81451.24%6137.00145.76%23.72%2601.52616.12%21.1129.01030.01%2816.87415.04%4.1640.62307.13%8.0028.99%3626.94696.99%32.96280.77%242.796.67%2685.45565.41%4.3545.319431.43%2502.7404.02%4.9627.78317.30%6.73%3427.84573.91%0.13%289.80481.66803.46%041.0046202801.36276.23%1739.03006.15%3802.2494.45%0.2634.75520.00%30.48%2520.6504.55%29.7330.78009.44%28.74%2863.08617.02%3.9827.82088.07%0.00%5562.47368.15%9927.87160.22%1.402003.4362.09%027.1480992.73%2624.57423.71%6.32%6040.72441.39%.921.33870.09%0.000.00%381.16%427.21069.3051753.85%4.010.07%9.15%850881.68%7720.15810.27%410.219.01%6739.45529.36%0.75%7.05%8029.8414.17%4.0221.73823.40%0.8024.59%DMifind券整理文后的重要聲明部分哪些區(qū)域主平臺的負面輿情隔離能力更強？分析師承諾本報告署名分析師具有中國證券業(yè)協(xié)會授予的證券投資咨詢執(zhí)業(yè)資格并注冊為證券分析師，報告所采用的數據均來自合法合規(guī)渠道，分析邏輯基于分析師的職業(yè)理解，通過合理判斷得出結論，獨立、客觀地出具本報告。分析師承諾不曾因，不因，也將不會因本報告中的具體推薦意見或觀點而直接或間接獲取任何形式的補償。投資評級說明報告中投資建議所涉及的評級分為公司評級和行業(yè)評級(另有說明的除外)。評級標準為報告發(fā)布日后6個月內的相對市場表現，即：以報告發(fā)布日后6個月內公司股價(或行業(yè)指數)相對同期相關證券市場代表性指數的漲跌幅作為基準。其中：A股市場以滬深300指數為基準，新三板市場以三板成指(針對協(xié)議轉讓標的)或三板做市指數(針對做市轉讓標的)為基準；香港市場以恒生指數為基準；美國市場以納斯達克綜合指數或標普500指數為基準。公司評級買入：未來6個月內，個股相對同期相關證券市場代表性指數漲幅在20%以上持有：未來6個月內，個股相對同期相關證券市場代表性指數漲幅介于10%與20%之間中性：未來6個月內，個股相對同期相關證券市場代表性指數漲幅介于-10%與10%之間回避：未來6個月內，個股相對同期相關證券市場代表性指數漲幅介于