城投專題研究：哪些區(qū)域主平臺(tái)的負(fù)面輿情隔離能力更強(qiáng)

日證券研究報(bào)告?固定收益專題報(bào)告城投專題研究哪些區(qū)域主平臺(tái)的負(fù)面輿情隔離能力更強(qiáng)？摘要值的影響日益增大，然而很多情況下，同一類負(fù)面輿情對(duì)于不同區(qū)域城投債估為五個(gè)類別，分別是區(qū)域基本面因素、持有人風(fēng)險(xiǎn)特征因素、區(qū)域平臺(tái)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(tái)在受到低層級(jí)負(fù)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(yàn)證及改進(jìn)：從結(jié)果來看，隔離能力指標(biāo)與驗(yàn)證樣本負(fù)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?？赡懿粔颉鹘y(tǒng)模型算法會(huì)存在全局搜索能力弱的缺點(diǎn)，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(jìn)的投影尋蹤模型的結(jié)果，可以初步將負(fù)面輿情隔離離能力弱的平臺(tái)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(jí)主平臺(tái)，考慮到過徽部分區(qū)域結(jié)果相對(duì)更準(zhǔn)確，具有一定性價(jià)比。改進(jìn)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(jià)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(jià)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(tái)的負(fù)面輿情隔離能力更強(qiáng)？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(guó)內(nèi)主要地市級(jí)平臺(tái)負(fù)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(fù)面輿情隔離能力傳統(tǒng)法取值分布情況 10圖5：國(guó)內(nèi)主要地市級(jí)平臺(tái)負(fù)面輿情隔離能力改進(jìn)法取值情況 10圖6：2023年8月16日靜態(tài)超額利差與負(fù)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(jìn)法下負(fù)面輿情不分類的驗(yàn)證結(jié)果 8 1文后的重要聲明部分1本文首先闡述了對(duì)該主題進(jìn)行研究的背景，其次對(duì)研究模型構(gòu)建方面的各類要素及假設(shè)條件進(jìn)行了詳細(xì)解釋，同時(shí)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(duì)模型結(jié)果進(jìn)行有效性驗(yàn)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(fù)面輿情，為區(qū)域內(nèi)低層級(jí)城投平臺(tái)產(chǎn)生的負(fù)面輿情，不包括主平臺(tái)自身產(chǎn)生負(fù)面輿情的情況。本文所指負(fù)面輿情隔離能力，可量化為負(fù)面輿情對(duì)其估值影響的大小，負(fù)面輿情隔離能力越強(qiáng)，負(fù)面輿情對(duì)平臺(tái)估值影響越小。隨著市場(chǎng)信息透明度的不斷提升，負(fù)面輿情對(duì)城投債估值的影響日益增大，然而很多情況下，同一類負(fù)面輿情對(duì)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(duì)負(fù)面輿情隔離能力有重大影響的因素，同時(shí)從客觀性的角度出發(fā)建立模型，構(gòu)造負(fù)面輿情隔離能力指標(biāo)并進(jìn)行有效性驗(yàn)證，以衡量某區(qū)域城投平臺(tái)估值受潛在負(fù)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(jí)負(fù)面輿情對(duì)主平臺(tái)債券估值影響大小的因素有很多，大致可以分為五個(gè)類別，分別是區(qū)域基本面因素、持有人風(fēng)險(xiǎn)特征因素、區(qū)域平臺(tái)關(guān)聯(lián)度因素、輿情自身因素、平臺(tái)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(qiáng)，區(qū)域內(nèi)低層級(jí)負(fù)面輿情對(duì)主平臺(tái)債券估值產(chǎn)生的影響越小。持有人風(fēng)險(xiǎn)特征因素主要考量持有人對(duì)風(fēng)險(xiǎn)的厭惡程度，風(fēng)險(xiǎn)厭惡程度越低，對(duì)主平臺(tái)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(tái)關(guān)聯(lián)度因素主要考量的是區(qū)域內(nèi)各平臺(tái)之間的資金關(guān)聯(lián)關(guān)系，主平臺(tái)與低層級(jí)平臺(tái)之間關(guān)聯(lián)程度越小，2文后的重要聲明部分2對(duì)主平臺(tái)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(fù)面輿情主體均為某區(qū)域內(nèi)低層級(jí)平臺(tái)，可用于驗(yàn)證模型的有效性。另外，主平臺(tái)在市場(chǎng)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(xiǎn)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(tái)在受到低層級(jí)負(fù)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(xiǎn)隔離能力越強(qiáng)。此處存在諸多需要統(tǒng)一的口徑。首先是主平臺(tái)口徑，不同層級(jí)平臺(tái)在受到低層級(jí)負(fù)面輿情干擾后估值可能會(huì)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(jí)和外部評(píng)級(jí)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(qiáng)的平臺(tái)作為主平臺(tái)；其次是時(shí)間口徑，由于市場(chǎng)接受程度始終在變化，不同階段相同種類輿情對(duì)市場(chǎng)的影響可能會(huì)存在不同，因此本文在時(shí)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(shí)間點(diǎn)市場(chǎng)定價(jià)的主導(dǎo)因素并非信用因素，如2022年11月開始的“銀行理財(cái)贖回潮”下以流動(dòng)性因素為主導(dǎo)，本文所使用的驗(yàn)證樣本均避開該類時(shí)間段；第三是驗(yàn)證樣本區(qū)域口徑，除了上述時(shí)間維度外，由于負(fù)面輿情對(duì)某區(qū)域定價(jià)的影響可能會(huì)存在邊際效用遞減，因此驗(yàn)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(fù)面輿情的區(qū)域，2021年以后發(fā)生同種類負(fù)面輿情的區(qū)域在滿足時(shí)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(fù)面輿情發(fā)生后超額利差達(dá)到的首個(gè)高點(diǎn)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(gè)高點(diǎn)距離初始值應(yīng)當(dāng)在3個(gè)月以內(nèi)，超過3個(gè)月的以第3個(gè)月末值為準(zhǔn)。解釋項(xiàng)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(jí)平臺(tái)負(fù)面輿情對(duì)主平臺(tái)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(jìn)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(shí)現(xiàn)信息的及時(shí)更替，若指標(biāo)的獲取難度極大，則考慮用相似指標(biāo)進(jìn)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(tái)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(shí)間周期盡可能拉長(zhǎng)，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(gè)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(jì)、區(qū)域債務(wù)水平；持有人風(fēng)險(xiǎn)特征因素包括區(qū)域非市場(chǎng)化發(fā)行債券規(guī)模占比、特殊時(shí)間段內(nèi)的利差標(biāo)準(zhǔn)差；區(qū)域平臺(tái)關(guān)聯(lián)度因素包括主平臺(tái)對(duì)區(qū)域其他平臺(tái)凈往來絕對(duì)值；最后為刻畫主平臺(tái)債券承接估值風(fēng)險(xiǎn)深度的存量余額和換手率。區(qū)域經(jīng)濟(jì)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(tái)的最主要考量點(diǎn)，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(xiǎn)特征因素方面，直接反映持有人風(fēng)險(xiǎn)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(chǎng)化發(fā)行債券規(guī)模占比、特殊時(shí)間段內(nèi)的利差標(biāo)準(zhǔn)差兩個(gè)指標(biāo)，分別代表持有人流動(dòng)性風(fēng)險(xiǎn)偏好和持有人市場(chǎng)風(fēng)險(xiǎn)偏好，本文所選的特殊時(shí)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(tái)對(duì)區(qū)域其他平臺(tái)凈往來絕對(duì)值，該值越低代表高層級(jí)平臺(tái)與其他平臺(tái)之間的凈關(guān)聯(lián)程度越低；債券承接估值風(fēng)險(xiǎn)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(duì)成交量越大，信息交互量越大，潛在估值越趨于真實(shí)，潛在估值風(fēng)險(xiǎn)承接能力越強(qiáng)。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(jì)刻畫區(qū)域基本面的主軸，也是投資某區(qū)域平臺(tái)，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(tái)的區(qū)域債務(wù)水平持有人風(fēng)險(xiǎn)特征因素非市場(chǎng)化發(fā)行債券規(guī)模占比特殊時(shí)間段內(nèi)的利差標(biāo)準(zhǔn)差區(qū)域平臺(tái)關(guān)聯(lián)度因素區(qū)域平臺(tái)關(guān)聯(lián)度因素對(duì)區(qū)域其他平臺(tái)凈往來絕對(duì)值該值越低代表高層級(jí)平臺(tái)與其他平臺(tái)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(cè)方法，能夠相對(duì)準(zhǔn)確捕捉多個(gè)變量對(duì)目標(biāo)變量的影響。模型基于統(tǒng)計(jì)分析，因此可以提供一定的統(tǒng)計(jì)學(xué)精度，這對(duì)于許多實(shí)際應(yīng)用場(chǎng)景是較為重要的。但其存在較為嚴(yán)格的假設(shè)，首先，它對(duì)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(huì)導(dǎo)致模型的預(yù)測(cè)出現(xiàn)偏差。此外，線性回歸模型對(duì)于異常值和缺失值的處理也比較敏感，這可能會(huì)對(duì)模型的預(yù)測(cè)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(yàn)證樣本的時(shí)間口徑和區(qū)域口徑都較為嚴(yán)苛，最終得出的驗(yàn)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(duì)于任何一項(xiàng)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(xiàng)指標(biāo)的值全部相等，那么該指標(biāo)在綜合評(píng)價(jià)中不起任何作用。熵權(quán)法確定評(píng)價(jià)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(qiáng)，無主觀強(qiáng)加性對(duì)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(dú)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(qiáng)，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?cè)诖饲暗膱?bào)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(bào)告不同的是，所分析對(duì)象在當(dāng)下市場(chǎng)上尚不存在關(guān)聯(lián)度上的共識(shí)，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(qiáng)，而投影尋蹤聚類法一定程度上能克服此類問題。對(duì)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(shí)性數(shù)據(jù)分析法，對(duì)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(duì)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(huì)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(yùn)籌優(yōu)化問題，單項(xiàng)誤差對(duì)整體系統(tǒng)結(jié)構(gòu)的影響相對(duì)有限。本質(zhì)問題之二在于上述兩種方法更偏預(yù)測(cè)，本文尋求的目標(biāo)并非預(yù)測(cè)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(gè)預(yù)測(cè)模型，其在給定的指標(biāo)體系之下通過運(yùn)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(duì)樣本進(jìn)行區(qū)分，本質(zhì)上是需要尋找一個(gè)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(shí)每一類樣本集合內(nèi)部密度也足夠大?；竟皆砣缦拢唧w代碼見附錄一：5文后的重要聲明部分5(1)樣本評(píng)價(jià)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(gè)樣本第j個(gè)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(duì)于正向指標(biāo)為X=一，對(duì)于負(fù)向指標(biāo)為X=一(2)投影值的計(jì)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(shí)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(diǎn)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(yùn)籌優(yōu)化問題，但并不消除指標(biāo)方向選擇錯(cuò)誤或遺漏所帶來的誤差，如果出現(xiàn)指標(biāo)方面的多項(xiàng)選擇錯(cuò)誤或重大遺漏，那么結(jié)果的精準(zhǔn)度也會(huì)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(shí)別指標(biāo)方向選擇的合理性及缺失度。第二是驗(yàn)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(shí)性數(shù)據(jù)分析法，樣本數(shù)量的多少并不會(huì)對(duì)模型本身產(chǎn)生影響，但模型的有效性依然需要通過驗(yàn)證樣本進(jìn)行驗(yàn)證，因此在驗(yàn)證樣本數(shù)量較少的情況下，是存在對(duì)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(tái)關(guān)聯(lián)度因素主要考慮平臺(tái)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(jí)平臺(tái)對(duì)區(qū)域其他平臺(tái)凈往來絕對(duì)值，該指標(biāo)存在一定的局限性，必然會(huì)導(dǎo)致一定的誤差。第四是模型指標(biāo)取值時(shí)間與驗(yàn)證樣本時(shí)間口徑不同所帶來的誤差。部分指標(biāo)屬于靜態(tài)時(shí)間點(diǎn)指標(biāo)，而驗(yàn)證樣本所在的時(shí)間階段有可能與指標(biāo)取值所處時(shí)間點(diǎn)存在較大的時(shí)間間隔，因此會(huì)出現(xiàn)用未來數(shù)據(jù)驗(yàn)證過去樣本的情況。為了盡可能減小該項(xiàng)誤差，前文已對(duì)時(shí)間口徑進(jìn)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(jìn)的空間。3有效性驗(yàn)證及算法改進(jìn)3.1模型有效性驗(yàn)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(duì)完整的全國(guó)地市級(jí)主平臺(tái)負(fù)面輿情隔離能力排序，為驗(yàn)證有效性，我們選取符合前文所述時(shí)間口徑和區(qū)域口徑的驗(yàn)證樣本進(jìn)行驗(yàn)證，驗(yàn)證結(jié)果如下：平臺(tái)名稱輿情后超額利差變化(BP)***投資集團(tuán)有限公司非標(biāo)輿情29.540.745616***城市投資集團(tuán)有限公司非標(biāo)輿情6.360.484479***投資集團(tuán)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(guó)有資本運(yùn)營(yíng)集團(tuán)有限公司非標(biāo)輿情0.17241***發(fā)展投資集團(tuán)有限公司非標(biāo)輿情370.436647***城市建設(shè)(集團(tuán))有限公司商票逾期0.999575***城市資產(chǎn)運(yùn)營(yíng)集團(tuán)有限公司商票逾期0.747503**城投控股集團(tuán)有限公司商票逾期130.574869**城建投資集團(tuán)有限公司商票逾期2.280.534828**城市投資集團(tuán)有限公司商票逾期0.462753***投資集團(tuán)有限公司被執(zhí)行人810.590143***發(fā)展投資控股集團(tuán)有限公司被執(zhí)行人650.601345***城市建設(shè)投資發(fā)展集團(tuán)有限公司被執(zhí)行人0.543147***城市發(fā)展投資集團(tuán)有限公司被執(zhí)行人22.090.48729***國(guó)有資本運(yùn)營(yíng)集團(tuán)有限公司被執(zhí)行人4.580.17241**國(guó)有資本投資運(yùn)營(yíng)集團(tuán)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(yàn)證樣本負(fù)面輿情發(fā)生后超額利差變化大小呈一定的負(fù)相關(guān)性，負(fù)相關(guān)系數(shù)為-0.64，說明模型結(jié)果對(duì)負(fù)面輿情風(fēng)險(xiǎn)隔離能力具有一定的解釋力度，但解釋力度不算非常強(qiáng)。具體原因包括以下幾點(diǎn)：對(duì)各負(fù)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(fù)面輿情類型進(jìn)行區(qū)分，可以發(fā)現(xiàn)驗(yàn)證結(jié)果有較大的區(qū)別。負(fù)面輿情類型為被執(zhí)行人類別的，模型結(jié)果對(duì)負(fù)面輿情風(fēng)險(xiǎn)隔離能力解釋力度最強(qiáng)，二者負(fù)相關(guān)關(guān)系達(dá)到-0.95；負(fù)面輿情類型為非標(biāo)輿情類別的，模型結(jié)果對(duì)負(fù)面輿情風(fēng)險(xiǎn)隔離能力解釋力度尚可，二者負(fù)相關(guān)關(guān)系為-0.70；負(fù)面輿情類型為商票逾期類別的，模型結(jié)果對(duì)負(fù)面輿情的解釋力度很差，二者不存在負(fù)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(duì)普遍，且通常技術(shù)性因素占比不小，多數(shù)情況下可能對(duì)估值不會(huì)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(shí)間延遲，市場(chǎng)中存在信息差。平臺(tái)名稱風(fēng)險(xiǎn)事件類型***投資集團(tuán)有限公司非標(biāo)輿情29.540.745616***城市投資集團(tuán)有限公司非標(biāo)輿情6.360.484479***投資集團(tuán)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(guó)有資本運(yùn)營(yíng)集團(tuán)有限公司非標(biāo)輿情0.17241***發(fā)展投資集團(tuán)有限公司非標(biāo)輿情370.436647相關(guān)性-0.69729***城市建設(shè)(集團(tuán))有限公司商票逾期0.999575***城市資產(chǎn)運(yùn)營(yíng)集團(tuán)有限公司商票逾期0.747503**城投控股集團(tuán)有限公司商票逾期130.574869**城建投資集團(tuán)有限公司商票逾期2.280.534828**城市投資集團(tuán)有限公司商票逾期0.462753相關(guān)性0.41771***投資集團(tuán)有限公司被執(zhí)行人810.590143***發(fā)展投資控股集團(tuán)有限公司被執(zhí)行人650.601345***城市建設(shè)投資發(fā)展集團(tuán)有限公司被執(zhí)行人0.543147***城市發(fā)展投資集團(tuán)有限公司被執(zhí)行人22.090.48729***國(guó)有資本運(yùn)營(yíng)集團(tuán)有限公司被執(zhí)行人4.580.17241**國(guó)有資本投資運(yùn)營(yíng)集團(tuán)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(yàn)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(shí)間口徑上，雖然本文對(duì)時(shí)間口徑的要求已非常嚴(yán)格，但不同時(shí)間階段市場(chǎng)必然是會(huì)存在諸多差異的，因此時(shí)間階段不完全統(tǒng)一的情況下，解釋力度就會(huì)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(jìn)的，下文將對(duì)模型算法進(jìn)行改進(jìn)。8文后的重要聲明部分83.2模型算法改進(jìn)在處理非線性關(guān)系、多個(gè)變量同時(shí)尋優(yōu)的問題時(shí)，傳統(tǒng)模型算法會(huì)存在全局搜索能力弱的缺點(diǎn)，易導(dǎo)致結(jié)果非真正最優(yōu)解的問題，因此算法的改進(jìn)上以加強(qiáng)全局搜索能力為主要出發(fā)點(diǎn)。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(duì)個(gè)體和集體的運(yùn)動(dòng)經(jīng)驗(yàn)進(jìn)行綜合分析，動(dòng)態(tài)調(diào)整粒子的運(yùn)動(dòng)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(gè)粒子的初始位置Xi及初始速度Vi；(2)根據(jù)每個(gè)粒子的初始位置和初始速度生產(chǎn)新位置；(3)計(jì)算每個(gè)粒子的適應(yīng)度值；(4)比較每個(gè)粒子此時(shí)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(shí)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(shí)現(xiàn)的條件或達(dá)到最大的迭代次數(shù)，公式如下，其中為慣性權(quán)重、r1為個(gè)人認(rèn)知權(quán)重、r2為群體認(rèn)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(jìn)投影尋蹤模型的本質(zhì)點(diǎn)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(shí)，每個(gè)粒子的位置可以看作是一個(gè)可行解，每個(gè)解是一個(gè)投影向量，把每個(gè)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(gè)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(jìn)行迭代，當(dāng)達(dá)到最大迭代次數(shù)時(shí)，驗(yàn)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(duì)完整的全國(guó)地市級(jí)主平臺(tái)負(fù)面輿情隔離能力排序，為驗(yàn)證有效性，我們選取符合前文所述時(shí)間口徑和區(qū)域口徑的驗(yàn)證樣本進(jìn)行驗(yàn)證，驗(yàn)證結(jié)果如下：表4：改進(jìn)法下負(fù)面輿情不分類的驗(yàn)證結(jié)果平臺(tái)名稱風(fēng)險(xiǎn)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(tuán)有限公司非標(biāo)輿情29.540.683998***城市投資集團(tuán)有限公司非標(biāo)輿情6.360.47447***投資集團(tuán)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(guó)有資本運(yùn)營(yíng)集團(tuán)有限公司非標(biāo)輿情0.061351***發(fā)展投資集團(tuán)有限公司非標(biāo)輿情370.369625***城市建設(shè)(集團(tuán))有限公司商票逾期0.74294***城市資產(chǎn)運(yùn)營(yíng)集團(tuán)有限公司商票逾期0.649524**城投控股集團(tuán)有限公司商票逾期130.46525**城建投資集團(tuán)有限公司商票逾期2.280.535579**城市投資集團(tuán)有限公司商票逾期0.471583***投資集團(tuán)有限公司被執(zhí)行人810.615929***發(fā)展投資控股集團(tuán)有限公司被執(zhí)行人650.567101***城市建設(shè)投資發(fā)展集團(tuán)有限公司被執(zhí)行人0.592882哪些區(qū)域主平臺(tái)的負(fù)面輿情隔離能力更強(qiáng)？9文后的重要聲明部分9企業(yè)個(gè)數(shù)企業(yè)個(gè)數(shù)平臺(tái)名稱風(fēng)險(xiǎn)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(tuán)有限公司被執(zhí)行人22.090.496363***國(guó)有資本運(yùn)營(yíng)集團(tuán)有限公司被執(zhí)行人4.580.061351**國(guó)有資本投資運(yùn)營(yíng)集團(tuán)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(duì)傳統(tǒng)模型算法的改進(jìn)，結(jié)果顯示其與驗(yàn)證樣本的匹配程度進(jìn)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(fù)面輿情類型拆分后，模型結(jié)果與驗(yàn)證樣本的匹配程度并未提高，原因仍可能是驗(yàn)證樣本數(shù)量有限，時(shí)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(duì)模型結(jié)果值的精確性要求一般，因此仍可同時(shí)參考傳統(tǒng)算法和改進(jìn)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(fù)面輿情隔離能力指標(biāo)值分為三個(gè)檔次，即平臺(tái)指標(biāo)值在[0.3,0.6]，負(fù)面輿情隔離能力弱的平臺(tái)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(jí)主平臺(tái)，考慮到過往負(fù)面輿情發(fā)生頻率對(duì)模型結(jié)果的干擾，尚未發(fā)生負(fù)面輿情的江西、湖南、安徽部分區(qū)域結(jié)果相對(duì)更準(zhǔn)確，具有一定性價(jià)比。.20指標(biāo)值：無單位0400DMifind券整理哪些區(qū)域主平臺(tái)的負(fù)面輿情隔離能力更強(qiáng)？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(jìn)投影尋蹤模型的結(jié)果，可以初步將負(fù)面輿情隔離能力指標(biāo)值分為三個(gè)檔次，即的平臺(tái)指標(biāo)值在[0.3,0.6]，負(fù)面輿情隔離能力弱的平臺(tái)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(jí)主平臺(tái)，考慮到過往負(fù)面輿情發(fā)生頻率對(duì)模型結(jié)果的干擾，尚未發(fā)生負(fù)面輿情的湖北、湖南、安徽部分區(qū)域結(jié)果相對(duì)更準(zhǔn)確，具有一定性價(jià)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(jì)','換手率','持有人市場(chǎng)風(fēng)險(xiǎn)偏好','債券存量']negativeindicatorsupdated務(wù)水平','持有人輿情風(fēng)險(xiǎn)偏好','對(duì)區(qū)域其他平臺(tái)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(jì)','換手率','持有人市場(chǎng)風(fēng)險(xiǎn)偏好','債券存量']negativeindicatorsupdated區(qū)域債務(wù)水平','持有人輿情風(fēng)險(xiǎn)偏好','對(duì)區(qū)域其他平臺(tái)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(shí)間段內(nèi)差標(biāo)準(zhǔn)差時(shí)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(chǎng)化發(fā)行2.3104844769816852.6213234.82712.1226.69938.46021.87864.169.44對(duì)區(qū)域其他平臺(tái)凈往來絕對(duì)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(tái)1234567890123456789附錄三：主平臺(tái)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(tái)的負(fù)面輿情隔離能力更強(qiáng)？文后的重要聲明部分主平臺(tái)2年GDP非市場(chǎng)化發(fā)行特殊時(shí)間段內(nèi)對(duì)區(qū)域其他平臺(tái)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(duì)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(tái)的負(fù)面輿情隔離能力更強(qiáng)？文后的重要聲明部分主平臺(tái)2年GDP非市場(chǎng)化發(fā)行特殊時(shí)間段內(nèi)對(duì)區(qū)域其他平臺(tái)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(duì)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(tái)的負(fù)面輿情隔離能力更強(qiáng)？文后的重要聲明部分主平臺(tái)2年GDP非市場(chǎng)化發(fā)行特殊時(shí)間段內(nèi)對(duì)區(qū)域其他平臺(tái)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(duì)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(tái)的負(fù)面輿情隔離能力更強(qiáng)？分析師承諾本報(bào)告署名分析師具有中國(guó)證券業(yè)協(xié)會(huì)授予的證券投資咨詢執(zhí)業(yè)資格并注冊(cè)為證券分析師，報(bào)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(dú)立、客觀地出具本報(bào)告。分析師承諾不曾因，不因，也將不會(huì)因本報(bào)告中的具體推薦意見或觀點(diǎn)而直接或間接獲取任何形式的補(bǔ)償。投資評(píng)級(jí)說明報(bào)告中投資建議所涉及的評(píng)級(jí)分為公司評(píng)級(jí)和行業(yè)評(píng)級(jí)(另有說明的除外)。評(píng)級(jí)標(biāo)準(zhǔn)為報(bào)告發(fā)布日后6個(gè)月內(nèi)的相對(duì)市場(chǎng)表現(xiàn)，即：以報(bào)告發(fā)布日后6個(gè)月內(nèi)公司股價(jià)(或行業(yè)指數(shù))相對(duì)同期相關(guān)證券市場(chǎng)代表性指數(shù)的漲跌幅作為基準(zhǔn)。其中：A股市場(chǎng)以滬深300指數(shù)為基準(zhǔn)，新三板市場(chǎng)以三板成指(針對(duì)協(xié)議轉(zhuǎn)讓標(biāo)的)或三板做市指數(shù)(針對(duì)做市轉(zhuǎn)讓標(biāo)的)為基準(zhǔn)；香港市場(chǎng)以恒生指數(shù)為基準(zhǔn)；美國(guó)市場(chǎng)以納斯達(dá)克綜合指數(shù)或標(biāo)普500指數(shù)為基準(zhǔn)。公司評(píng)級(jí)買入：未來6個(gè)月內(nèi)，個(gè)股相對(duì)同期相關(guān)證券市場(chǎng)代表性指數(shù)漲幅在20%以上持有：未來6個(gè)月內(nèi)，個(gè)股相對(duì)同期相關(guān)證券市場(chǎng)代表性指數(shù)漲幅介于10%與20%之間中性：未來6個(gè)月內(nèi)，個(gè)股相對(duì)同期相關(guān)證券市場(chǎng)代表性指數(shù)漲幅介于-10%與10%之間回避：未來6個(gè)月內(nèi)，個(gè)股相對(duì)同期相關(guān)證券市場(chǎng)代表性指數(shù)漲幅介于