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(fēng)險特征因素、區(qū)域平臺關(guān)聯(lián)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(biāo)。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(jié)果來看，隔離能力指標(biāo)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(jié)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(dǎo)致結(jié)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(biāo)函數(shù)用作粒子群算法中粒子的自適應(yīng)度。投資建議：根據(jù)傳統(tǒng)及改進的投影尋蹤模型的結(jié)果，可以初步將負面輿情隔離離能力弱的平臺指標(biāo)值在[0,0.3]。傳統(tǒng)模型結(jié)果處于[0.6,1]區(qū)間內(nèi)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(jié)果相對更準(zhǔn)確，具有一定性價比。改進模型結(jié)果處于[0.6,1]區(qū)間內(nèi)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(yù)期。西西南證券研究發(fā)展中心法偉1.地方政府債務(wù)化解將走向何處？(2023-07-31)2.收益空間逼仄下產(chǎn)業(yè)債的永續(xù)品種價值如何(2023-07-23)3.如何從利差解構(gòu)角度看城投債區(qū)域下沉(2023-07-01)4.現(xiàn)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(nèi)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(nèi)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(jié)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(gòu)建方面的各類要素及假設(shè)條件進行了詳細解釋，同時梳理了模型指標(biāo)的挑選過程、模型方法選擇及原理，最后對模型結(jié)果進行有效性驗證，并根據(jù)結(jié)果內(nèi)容提出相關(guān)投資建議。1研究背景本文所指負面輿情，為區(qū)域內(nèi)低層級城投平臺產(chǎn)生的負面輿情，不包括主平臺自身產(chǎn)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(dǎo)致這種情況出現(xiàn)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(gòu)造負面輿情隔離能力指標(biāo)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(gòu)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(fēng)險特征因素、區(qū)域平臺關(guān)聯(lián)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(nèi)低層級負面輿情對主平臺債券估值產(chǎn)生的影響越小。持有人風(fēng)險特征因素主要考量持有人對風(fēng)險的厭惡程度，風(fēng)險厭惡程度越低，對主平臺債券估值產(chǎn)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(guān)。區(qū)域平臺關(guān)聯(lián)度因素主要考量的是區(qū)域內(nèi)各平臺之間的資金關(guān)聯(lián)關(guān)系，主平臺與低層級平臺之間關(guān)聯(lián)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(nèi)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(fēng)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(biāo)，指標(biāo)越大，超額利差被影響程度越低，輿情風(fēng)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(yīng)，因此本文統(tǒng)一選取區(qū)域內(nèi)股權(quán)層級和外部評級最高、同等條件下資產(chǎn)規(guī)模最大且業(yè)務(wù)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(dǎo)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(dǎo)，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(jīng)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(yīng)當(dāng)在3個月以內(nèi)，超過3個月的以第3個月末值為準(zhǔn)。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(biāo)選擇經(jīng)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(biāo)進行模型指標(biāo)體系的構(gòu)建。指標(biāo)挑選的原則為：(1)易得性，用來構(gòu)建模型的指標(biāo)必須較為容易獲取，可以較為容易地實現(xiàn)信息的及時更替，若指標(biāo)的獲取難度極大，則考慮用相似指標(biāo)進行替換；(2)信息豐富性，用來構(gòu)建模型的指標(biāo)必須展現(xiàn)出較為豐富的信息區(qū)分度，若指標(biāo)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(gòu)建模型的指標(biāo)所能取值的時間周期盡可能拉長，以避免部分指標(biāo)短期化造成的誤差。經(jīng)過篩選，我們將7個指標(biāo)納入模型當(dāng)中：區(qū)域基本面因素包括區(qū)域經(jīng)濟、區(qū)域債務(wù)水平；持有人風(fēng)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(nèi)的利差標(biāo)準(zhǔn)差；區(qū)域平臺關(guān)聯(lián)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(fēng)險深度的存量余額和換手率。區(qū)域經(jīng)濟及區(qū)域債務(wù)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(fēng)險特征因素方面，直接反映持有人風(fēng)險特征的應(yīng)當(dāng)是持有人具體結(jié)構(gòu)，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(nèi)的利差標(biāo)準(zhǔn)差兩個指標(biāo)，分別代表持有人流動性風(fēng)險偏好和持有人市場風(fēng)險偏好，本文所選的特殊時間段為2020年11月、金關(guān)系，但基于數(shù)據(jù)的易得性，此處以內(nèi)在的資金關(guān)系作為代表，指標(biāo)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(guān)聯(lián)程度越低；債券承接估值風(fēng)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(fēng)險承接能力越強。因素類別指標(biāo)名稱指標(biāo)含義其他說明區(qū)域基本面因素區(qū)域經(jīng)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(gòu)建模型的指標(biāo)必須展現(xiàn)標(biāo)僅屬于少部分區(qū)域或平臺的區(qū)域債務(wù)水平持有人風(fēng)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(nèi)的利差標(biāo)準(zhǔn)差區(qū)域平臺關(guān)聯(lián)度因素區(qū)域平臺關(guān)聯(lián)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(guān)聯(lián)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(yù)測方法，能夠相對準(zhǔn)確捕捉多個變量對目標(biāo)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(xué)精度，這對于許多實際應(yīng)用場景是較為重要的。但其存在較為嚴(yán)格的假設(shè)，首先，它對數(shù)據(jù)的假設(shè)要求較高，需要數(shù)據(jù)滿足正態(tài)性等方面假設(shè)。其次，多重共線性問題，即自變量之間存在高度相關(guān)性，會導(dǎo)致模型的預(yù)測出現(xiàn)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(yù)測結(jié)果產(chǎn)生不良影響。而基于前文構(gòu)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(yán)苛，最終得出的驗證樣本數(shù)量較少，用少量的樣本作為基礎(chǔ)顯然是不合理的，另外部分?jǐn)?shù)據(jù)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(shù)據(jù)假設(shè)條件。熵權(quán)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(biāo)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(biāo)的值全部相等，那么該指標(biāo)在綜合評價中不起任何作用。熵權(quán)法確定評價權(quán)重依據(jù)來自于數(shù)據(jù)所反應(yīng)的信息本身，客觀性強，無主觀強加性對決策結(jié)果的干擾。但其缺陷也較為顯著，熵權(quán)法是將不同指標(biāo)看作獨立存在的本體，不考慮指標(biāo)間的相關(guān)性，因此指標(biāo)相關(guān)性越強，權(quán)重分配誤差越大。此外由于熵權(quán)法賦權(quán)完全取決于數(shù)據(jù)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(guān)性的條件下，極易發(fā)生不合理的權(quán)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(guān)系的條件下，熵權(quán)法并非不可取，我們在此前的報告《如何從利差解構(gòu)角度看城投區(qū)域下沉》中所使用的即為熵權(quán)法。但本文與此前報告不同的是，所分析對象在當(dāng)下市場上尚不存在關(guān)聯(lián)度上的共識，因此熵權(quán)法在此處的應(yīng)用意義不大。投影尋蹤聚類法上文所述的兩種方法，本質(zhì)問題之一在于數(shù)據(jù)和指標(biāo)假設(shè)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(shù)據(jù)層面，投影尋蹤聚類法屬于探索性數(shù)據(jù)分析法而非證實性數(shù)據(jù)分析法，對客觀數(shù)據(jù)并不作嚴(yán)格假定，無需樣本數(shù)據(jù)服從某種結(jié)構(gòu)或特征。對于指標(biāo)假設(shè)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(guān)系的，否則也會有誤差，但與熵權(quán)法理論上無上限誤差不同的是，由于其內(nèi)在本質(zhì)屬于運籌優(yōu)化問題，單項誤差對整體系統(tǒng)結(jié)構(gòu)的影響相對有限。本質(zhì)問題之二在于上述兩種方法更偏預(yù)測，本文尋求的目標(biāo)并非預(yù)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(yù)測模型，其在給定的指標(biāo)體系之下通過運籌優(yōu)化方式將多維度指標(biāo)投影至一維指標(biāo)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(biāo)對樣本進行區(qū)分，本質(zhì)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(nèi)部密度也足夠大。基本公式原理如下，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(biāo)集的歸一化處理設(shè)各指標(biāo)值的樣本集為Xij，意為第i個樣本第j個指標(biāo)值。為消除各指標(biāo)的量綱和統(tǒng)一各指標(biāo)值的變化范圍，采用歸一化處理：對于正向指標(biāo)為X=一，對于負向指標(biāo)為X=一(2)投影值的計算設(shè)(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(gòu)造投影指標(biāo)函數(shù)，如上文所述，目標(biāo)函數(shù)的本質(zhì)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(nèi)部密度也足夠大，目標(biāo)函數(shù)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(biāo)方向合適性問題及重大遺漏所導(dǎo)致的誤差。雖然投影尋蹤法內(nèi)在本質(zhì)屬于運籌優(yōu)化問題，但并不消除指標(biāo)方向選擇錯誤或遺漏所帶來的誤差，如果出現(xiàn)指標(biāo)方面的多項選擇錯誤或重大遺漏，那么結(jié)果的精準(zhǔn)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(biāo)方向選擇的合理性及缺失度。第二是驗證樣本數(shù)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(shù)據(jù)分析法，樣本數(shù)量的多少并不會對模型本身產(chǎn)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(shù)量較少的情況下，是存在對模型有效性判斷產(chǎn)生誤差的可能性的。第三是所選指標(biāo)精準(zhǔn)性偏差所帶來的誤差。這類誤差來源于指標(biāo)選取的易得性原則，如區(qū)域平臺關(guān)聯(lián)度因素主要考慮平臺間內(nèi)在和外在的資金關(guān)系，但基于數(shù)據(jù)的易得性，只能以內(nèi)在的資金關(guān)系取值作為代表，且所取指標(biāo)為高層級平臺對區(qū)域其他平臺凈往來絕對值，該指標(biāo)存在一定的局限性，必然會導(dǎo)致一定的誤差。第四是模型指標(biāo)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(biāo)屬于靜態(tài)時間點指標(biāo)，而驗證樣本所在的時間階段有可能與指標(biāo)取值所處時間點存在較大的時間間隔，因此會出現(xiàn)用未來數(shù)據(jù)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(yán)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(zhǔn)度有提升空間。投影尋蹤模型最終的目標(biāo)是尋得最優(yōu)的投影方向，但是由于約束函數(shù)的非線性以及樣本指標(biāo)維度較多，傳統(tǒng)投影尋蹤模型下的結(jié)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(dǎo)入相關(guān)指標(biāo)數(shù)據(jù)，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(jié)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(biāo)輿情29.540.745616***城市投資集團有限公司非標(biāo)輿情6.360.484479***投資集團有限公司非標(biāo)輿情48.330.569954**發(fā)展投資(控股)有限責(zé)任公司非標(biāo)輿情20.475816***國有資本運營集團有限公司非標(biāo)輿情0.17241***發(fā)展投資集團有限公司非標(biāo)輿情370.436647***城市建設(shè)(集團)有限公司商票逾期0.999575***城市資產(chǎn)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(shè)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(guān)性-0.63933DM，西南證券整理從結(jié)果來看，隔離能力指標(biāo)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(guān)性，負相關(guān)系數(shù)為-0.64，說明模型結(jié)果對負面輿情風(fēng)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(xiàn)驗證結(jié)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(jié)果對負面輿情風(fēng)險隔離能力解釋力度最強，二者負相關(guān)關(guān)系達到-0.95；負面輿情類型為非標(biāo)輿情類別的，模型結(jié)果對負面輿情風(fēng)險隔離能力解釋力度尚可，二者負相關(guān)關(guān)系為-0.70；負面輿情類型為商票逾期類別的，模型結(jié)果對負面輿情的解釋力度很差，二者不存在負相關(guān)關(guān)系。7文后的重要聲明部分7出現(xiàn)此種情況的原因，一方面可能與輿情類別影響力大小有關(guān)，商票逾期類別輿情發(fā)生相對普遍，且通常技術(shù)性因素占比不小，多數(shù)情況下可能對估值不會產(chǎn)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(fēng)險事件類型***投資集團有限公司非標(biāo)輿情29.540.745616***城市投資集團有限公司非標(biāo)輿情6.360.484479***投資集團有限公司非標(biāo)輿情48.330.569954**發(fā)展投資(控股)有限責(zé)任公司非標(biāo)輿情20.475816***國有資本運營集團有限公司非標(biāo)輿情0.17241***發(fā)展投資集團有限公司非標(biāo)輿情370.436647相關(guān)性-0.69729***城市建設(shè)(集團)有限公司商票逾期0.999575***城市資產(chǎn)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(guān)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(shè)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(guān)性15DM，西南證券整理模型的結(jié)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(biāo)體系之下將多維度指標(biāo)投影至一維指標(biāo)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(jié)果。于結(jié)果有效性的判斷，在驗證樣本數(shù)量有限的情況之下，誤差容忍度更低，得到符合預(yù)期結(jié)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(yán)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(zhǔn)度可能不夠。如前文所述，投影尋蹤模型最終的目標(biāo)是尋得最優(yōu)的投影方向，但是由于約束函數(shù)的非線性以及樣本指標(biāo)維度較多，傳統(tǒng)投影尋蹤模型下的結(jié)果可能并不一定是完全最優(yōu)解。樣本數(shù)據(jù)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(guān)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(dǎo)致結(jié)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(jīng)驗進行綜合分析，動態(tài)調(diào)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(shè)置每個粒子的初始位置Xi及初始速度Vi；(2)根據(jù)每個粒子的初始位置和初始速度生產(chǎn)新位置；(3)計算每個粒子的適應(yīng)度值；(4)比較每個粒子此時的適應(yīng)度值和粒子單體經(jīng)歷過最好的位置Pid的適應(yīng)度值，如果粒子此時的適應(yīng)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(jīng)歷過最好的位置pgd；(6)根據(jù)以下公式不斷迭代調(diào)整粒子的最新速度和位置，直到滿足最優(yōu)解實現(xiàn)的條件或達到最大的迭代次數(shù)，公式如下，其中為慣性權(quán)重、r1為個人認知權(quán)重、r2為群體認知權(quán)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(zhì)點在于將投影尋蹤模型的目標(biāo)函數(shù)用作粒子群算法中粒子的自適應(yīng)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(shù)據(jù)結(jié)構(gòu)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(yīng)度，在此處即為此前上文的目標(biāo)函數(shù)，按前文步驟進行迭代，當(dāng)達到最大迭代次數(shù)時，驗證結(jié)果。迭代次數(shù)并非越大越好，過大的迭代次數(shù)容易出現(xiàn)局部最優(yōu)問題。按照上述方法，通過導(dǎo)入相關(guān)指標(biāo)數(shù)據(jù)，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(jié)果如下：表4：改進法下負面輿情不分類的驗證結(jié)果平臺名稱風(fēng)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(biāo)輿情29.540.683998***城市投資集團有限公司非標(biāo)輿情6.360.47447***投資集團有限公司非標(biāo)輿情48.330.520355**發(fā)展投資(控股)有限責(zé)任公司非標(biāo)輿情20.160735***國有資本運營集團有限公司非標(biāo)輿情0.061351***發(fā)展投資集團有限公司非標(biāo)輿情370.369625***城市建設(shè)(集團)有限公司商票逾期0.74294***城市資產(chǎn)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(shè)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(shù)企業(yè)個數(shù)平臺名稱風(fēng)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(guān)性-0.6635DM，西南證券整理通過對傳統(tǒng)模型算法的改進，結(jié)果顯示其與驗證樣本的匹配程度進一步提高，相關(guān)系數(shù)有所提升，一定程度上反應(yīng)結(jié)果更趨于精準(zhǔn)。但將負面輿情類型拆分后，模型結(jié)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(shù)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(jié)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(jié)果。4投資建議根據(jù)傳統(tǒng)投影尋蹤模型的結(jié)果，可以初步將負面輿情隔離能力指標(biāo)值分為三個檔次，即平臺指標(biāo)值在[0.3,0.6]，負面輿情隔離能力弱的平臺指標(biāo)值在[0,0.3]。模型結(jié)果處于[0.6,1]區(qū)間內(nèi)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(jié)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(jié)果相對更準(zhǔn)確，具有一定性價比。.20指標(biāo)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(biāo)值：無單位.601DMifind券整理根據(jù)改進投影尋蹤模型的結(jié)果，可以初步將負面輿情隔離能力指標(biāo)值分為三個檔次，即的平臺指標(biāo)值在[0.3,0.6]，負面輿情隔離能力弱的平臺指標(biāo)值在[0,0.3]。模型結(jié)果處于[0.6,1]區(qū)間內(nèi)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(jié)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(jié)果相對更準(zhǔn)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(jīng)濟','換手率','持有人市場風(fēng)險偏好','債券存量']negativeindicatorsupdated務(wù)水平','持有人輿情風(fēng)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(jīng)濟','換手率','持有人市場風(fēng)險偏好','債券存量']negativeindicatorsupdated區(qū)域債務(wù)水平','持有人輿情風(fēng)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(nèi)差標(biāo)準(zhǔn)差時間段內(nèi)差標(biāo)準(zhǔn)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(wù)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(biāo)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(nèi)對區(qū)域其他平臺2023年8月債券2022年以來(億元)口徑債務(wù)率差標(biāo)準(zhǔn)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(nèi)對區(qū)域其他平臺2023年8月債券2022年以來(億元)口徑債務(wù)率差標(biāo)準(zhǔn)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(nèi)對區(qū)域其他平臺2023年8月債券2022年以來(億元)口徑債務(wù)率差標(biāo)準(zhǔn)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(shù)據(jù)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(jié)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(biāo)準(zhǔn)為報告發(fā)布日后6個月內(nèi)的相對市場表現(xiàn)，即：以報告發(fā)布日后6個月內(nèi)公司股價(或行業(yè)指數(shù))相對同期相關(guān)證券市場代表性指數(shù)的漲跌幅作為基準(zhǔn)。其中：A股市場以滬深300指數(shù)為基準(zhǔn)，新三板市場以三板成指(針對協(xié)議轉(zhuǎn)讓標(biāo)的)或三板做市指數(shù)(針對做市轉(zhuǎn)讓標(biāo)的)為基準(zhǔn)；香港市場以恒生指數(shù)為基準(zhǔn)；美國市場以納斯達克綜合指數(shù)或標(biāo)普500指數(shù)為基準(zhǔn)。公司評級買入：未來6個月內(nèi)，個股相對同期相關(guān)證券市場代表性指數(shù)漲幅在20%以上持有：未來6個月內(nèi)，個股相對同期相關(guān)證券市場代表性指數(shù)漲幅介于10%與20%之間中性：未來6個月內(nèi)，個股相對同期相關(guān)證券市場代表性指數(shù)漲幅介于-10%與10%之間回避：未來6個月內(nèi)，個股相對同期相關(guān)證券市場代表性指數(shù)漲幅介于