城投哪些區(qū)域主平臺(tái)的負(fù)面輿情隔離能力更強(qiáng)

目錄TOC\o"1-2"\h\z\u研究背景 1構(gòu)建模型 1模型指標(biāo)選擇 3模型方法選擇及原理 4模型誤差存在的點(diǎn) 5有效性驗(yàn)證及算法改進(jìn) 6模型有效性驗(yàn)證 6模型算法改進(jìn) 8投資建議 9圖目錄圖1：研究背景思維導(dǎo)圖 1圖2：解釋項(xiàng)與被解釋項(xiàng)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表目錄表1：模型指標(biāo)一覽 3表2：負(fù)面輿情不分類下的驗(yàn)證結(jié)果 6表3：負(fù)面輿情分類下的驗(yàn)證結(jié)果 7表4：改進(jìn)法下負(fù)面輿情不分類的驗(yàn)證結(jié)果 8附錄一：投影尋蹤法模型python代碼 12附錄二：基于粒子群算法的投影尋蹤法模型python代碼 13附錄三：主平臺(tái)各指標(biāo)取值情況 15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。研究背景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。圖1：研究背景思維導(dǎo)圖資料來源：西南證券整理構(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?qū)χ髌脚_(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素。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)有不其次是時(shí)間口徑年后為主，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)的主月開始的“銀行理財(cái)贖回潮”下以流動(dòng)性因素為主導(dǎo)，第三是驗(yàn)證樣本區(qū)域口徑由于負(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年以后發(fā)生同種類負(fù)面輿情的區(qū)域第四是超額利差變化判定口徑個(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)。圖2：解釋項(xiàng)與被解釋項(xiàng)的主觀選擇及口徑資料來源：西南證券整理模型指標(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（）易得性（）信息豐富性臺(tái)的特性，則不考慮使用（）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、12202211月、12月；區(qū)域平臺(tái)關(guān)聯(lián)度因素主要考慮內(nèi)在和外在的資金關(guān)系，但基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)。表1：模型指標(biāo)一覽因素類別指標(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)面因素的代表。（易（）（免部分指標(biāo)短期化造成的誤差。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1212月，為市場(chǎng)波動(dòng)較大階段。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債券換手率資料來源：西南證券整理。注：本文所選模型指標(biāo)的取值來源，來自于DM、ifind，具體見附錄二模型方法選擇及原理回歸分析法回歸分析是一種預(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(wú)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(wú)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(wú)序程度，熵值越小無(wú)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(wú)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。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。但本文因此熵權(quán)法在此處的應(yīng)用意義不大。投影尋蹤聚類法數(shù)據(jù)分析法，對(duì)客觀數(shù)據(jù)并不作嚴(yán)格假定，無(wú)需樣本數(shù)據(jù)服從某種結(jié)構(gòu)或特征。對(duì)于指標(biāo)假誤差，但與熵權(quán)法理論上無(wú)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。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

,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?，具體代碼見附錄一：（1）樣本評(píng)價(jià)指標(biāo)集的歸一化處理Xijij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

XXXX

，對(duì)于負(fù)向指標(biāo)為

X

XXXX投影值的計(jì)算設(shè)(a,a,aa)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：SVarPi）1nD ni1

u(min|Pi-Pj|)ux1,ux0,

1

e3e3na2s.t.max(S*D),a2i

i1,ai1,1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(wú)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。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。有效性驗(yàn)證及算法改進(jìn)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：表2：負(fù)面輿情不分類下的驗(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）隔離能力指標(biāo)值***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36.360.484479***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7.320.475816***國(guó)有資本運(yùn)營(yíng)集團(tuán)有限公司非標(biāo)輿情162.290.17241***發(fā)展投資集團(tuán)有限公司非標(biāo)輿情5.370.436647***城市建設(shè)(集團(tuán))有限公司商票逾期5.40.999575***城市資產(chǎn)運(yùn)營(yíng)集團(tuán)有限公司商票逾期16.610.747503**城投控股集團(tuán)有限公司商票逾期6.130.574869**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0.60.462753***投資集團(tuán)有限公司被執(zhí)行人9.810.590143***發(fā)展投資控股集團(tuán)有限公司被執(zhí)行人9.650.601345***城市建設(shè)投資發(fā)展集團(tuán)有限公司被執(zhí)行人1.220.543147***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94.580.17241**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-0.63933數(shù)據(jù)來源：DM，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。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。表3：負(fù)面輿情分類下的驗(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）隔離能力指標(biāo)值***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36.360.484479***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7.320.475816***國(guó)有資本運(yùn)營(yíng)集團(tuán)有限公司非標(biāo)輿情162.290.17241***發(fā)展投資集團(tuán)有限公司非標(biāo)輿情5.370.436647相關(guān)性-0.69729***城市建設(shè)(集團(tuán))有限公司商票逾期5.40.999575***城市資產(chǎn)運(yùn)營(yíng)集團(tuán)有限公司商票逾期16.610.747503**城投控股集團(tuán)有限公司商票逾期6.130.574869**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0.60.462753相關(guān)性0.41771***投資集團(tuán)有限公司被執(zhí)行人9.810.590143***發(fā)展投資控股集團(tuán)有限公司被執(zhí)行人9.650.601345***城市建設(shè)投資發(fā)展集團(tuán)有限公司被執(zhí)行人1.220.543147***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94.580.17241**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-0.95115數(shù)據(jù)來源：DM，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。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)。模型算法改進(jìn)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，其原理為粒子之其不斷地向最優(yōu)位置靠近。其算法過程可以描述為（）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（）（）計(jì)算每個(gè)粒子的適應(yīng)度值（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（）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（）根據(jù)以下公式不斷迭代調(diào)整粒子的最為慣性權(quán)重、r1為個(gè)人認(rèn)知權(quán)重、r2為群體認(rèn)知權(quán)重：Vid(t1)Vid(t)1*r1*(PidXid(t))2*r2*(PidXid(t))Xid(t1)

Xidt

V

t1)Xi(locv,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36.360.47447***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7.320.160735***國(guó)有資本運(yùn)營(yíng)集團(tuán)有限公司非標(biāo)輿情162.290.061351***發(fā)展投資集團(tuán)有限公司非標(biāo)輿情5.370.369625***城市建設(shè)(集團(tuán))有限公司商票逾期5.40.74294***城市資產(chǎn)運(yùn)營(yíng)集團(tuán)有限公司商票逾期16.610.649524**城投控股集團(tuán)有限公司商票逾期6.130.46525**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0.60.471583***投資集團(tuán)有限公司被執(zhí)行人9.810.615929***發(fā)展投資控股集團(tuán)有限公司被執(zhí)行人9.650.567101***城市建設(shè)投資發(fā)展集團(tuán)有限公司被執(zhí)行人1.220.592882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94.580.061351**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-0.6635數(shù)據(jù)來源：DM，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。投資建議[.,]，負(fù)面輿情隔離能力中等的平臺(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。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)法取值情況指標(biāo)值：無(wú)單位指標(biāo)值：無(wú)單位企業(yè)個(gè)數(shù)100 20 40 60 80 100 120 140 160數(shù)據(jù)來源：DM，ifind，西南證券整理圖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00.200.20.40.60.811.2BP4003002001000-100數(shù)據(jù)來源：DM，ifind，西南證券整理[.,]，負(fù)面輿情隔離能力中等的平臺(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]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。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)法取值情況單位單位企業(yè)個(gè)數(shù)100 20 40 60 80 100 120 140 160數(shù)據(jù)來源：DM，ifind，西南證券整理圖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00.200.20.40.60.811.24003002001000-100數(shù)據(jù)來源：DM，ifind，西南證券整理附錄一：投影尋蹤法模型python代碼importnumpyasnpimportpandasaspdfromscipy.optimizeimportminimizedata_updated=pd.read_excel()positive_indicators=['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']negative_indicators_updated=['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:data_updated[indicator]=1-(data_updated[indicator]-data_updated[indicator].min())/(data_updated[indicator].max()-data_updated[indicator].min())data_normalized_filled=data_normalized_updated.fillna(data_normalized_updated.median())defproject_data(direction,X):returnX.dot(direction)defstep_function(x,epsilon=1e-3):return1ifx<epsilonelse0defobjective(direction,X):projections=project_data(direction,X)S=np.var(projections)D=np.mean([step_function(np.min(np.abs(projections[i]-projections[:i])))foriinrange(1,len(projections))])return-S*DX_filled=data_normalized_filled.valuesinitial_direction_updated=np.random.rand(X_filled.shape[1])initial_direction_updated/=np.linalg.norm(initial_direction_updated)res_filled=minimize(objective,initial_direction_updated,args=(X_filled,),bounds=[(0,1)for_inrange(X_filled.shape[1])],method='TNC')best_direction_filled=res_filled.xbest_projections_filled=project_data(best_direction_filled,X_filled)final_scores_filled = (best_projections_filled - best_projections_filled.min()) / (best_projections_filled.max() best_projections_filled.min())final_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)附錄二：基于粒子群算法的投影尋蹤法模型python代碼importnumpyasnpimportpandasaspdfromscipy.optimizeimportminimizeclassParticle:def__init__(self,dim):self.position=np.random.rand(dim)self.velocity=np.random.rand(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)self.particles.append(particle)defupdate_particle(self,particle):inertia_weight=0.5cognitive_weight=0.5social_weight=0.5particle.velocity=(inertia_weight*particle.velocity+cognitive_weight*np.random.rand(self.dim)*(particle.best_position-particle.position)+social_weight*np.random.rand(self.dim)*(self.global_best_position-particle.position))particle.position+=particle.velocitydefoptimize(self):self.initialize_particles()foriterationinrange(self.max_iterations):forparticleinself.particles:fitness=self.fitness_func(particle.position)iffitness<particle.best_fitness:particle.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}")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']data_updated=data_updated.replace('%','',regex=True).astype(float)positive_indicators=['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']negative_indicators_updated=['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:data_updated[indicator]=1-(data_updated[indicator]-data_updated[indicator].min())/(data_updated[indicator].max()-data_updated[indicator].min())data_normalized_filled=data_updated.fillna(data_updated.median())X_filled=data_normalized_filled.valuesdefproject_data(direction,X):returnX.dot(direction)defstep_function(x,epsilon=1e-3):return1ifx<epsilonelse0defobjective(direction,X):projections=project_data(direction,X)S=np.var(projections)D=np.mean([step_function(np.min(np.abs(projections[i]-projections[:i])))foriinrange(1,len(projections))])return-S*Ddeffitness_func(initial_direction_updated):initial_direction_updated/=np.linalg.norm(initial_direction_updated)res_filled = minimize(objective, initial_direction_updated, args=(X_filled,), bounds=[(0, 1) for _ range(X_filled.shape[1])],method='TNC')returnres_filled.funpso=PSO(num_particles=20,dim=7,max_iterations=20,fitness_func=fitness_func)res_filled=pso.optimize()initial_direction_updated=res_filledinitial_direction_updated/=np.linalg.norm(initial_direction_updated)res_filled=minimize(objective,initial_direction_updated,args=(X_filled,),bounds=[(0,1)for_inrange(X_filled.shape[1])],method='TNC')best_direction_filled=res_filled.xbest_projections_filled=project_data(best_direction_filled,X_filled)final_scores_filled = (best_projections_filled - best_projections_filled.min()) / (best_projections_filled.max() best_projections_filled.min())final_results_filled=pd.DataFrame({"公司名稱":Name,"投影尋蹤法":final_scores_filled})final_results_filled.to_excel("",index=False)附錄三：主平臺(tái)各指標(biāo)取值情況主平臺(tái)2022年GDP（億元）區(qū)域2022年末寬口徑債務(wù)率非市場(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)差對(duì)區(qū)域其他平臺(tái)凈往來絕對(duì)值2023年8月債券存量余額（億元）2022年以來月均債券換手率11209.9593.49%2.3139.69670.05%134.3014.96%21078.5420.20%13.2738.470318.88%12.0073.18%34502.13301.36%031.02080.30%214.5616.11%42012.3668.71%8.4839.380420.50%115.0019.41%51541.1576.40%3.4436.20779.10%170.0014.76%62520.96580.86%0.7629.92795.68%223.8010.05%71302.8680.50%8.9839.05135.80%290.1712.78%82767.46626.50%3.1631.21391.40%89.7014.84%93610527.12%3.729.11821.03%256.6210.84%103233.3745.83%1.6332.45444.00%193.0017.37%112224.6588.08%0.8530.44541.93%156.6019.80%122101.5692.36%2.6240.75355.96%236.9015.45%131914.4474.52%1.3327.34920.16%78.508.62%143110.14754.21%5.1330.48860.52%16.6812.71%153116.25649.54%8.234.51430.50%35.009.86%165706.58486.56%3.2329.29840.39%110.1324.92%172211.84728.21%13.1835.44112.98%18.800.00%183314.471159.58%4.8230.53381.45%0.200.00%193554.62463.61%8.7134.91600.10%58.1024.80%2012102.97526.28%2.1218.44904.23%95.0017.90%212435.75855.82%26.6936.33790.52%16.407.07%22968.08597.35%11.4641.27451.61%34.7523.81%231917519.24%3.9333.32332.59%67.5015.49%241572.1449.18%38.4627.85261.50%12.000.00%252167.46510.88%022.69732.74%15.0017.07%261729.1542.70%21.8744.45851.19%24.000.00%271081853.46%8.8230.22210.20%32.8016.28%283109.09890.63%50.1828.52350.62%47.880.00%291419.67534.17%019.15610.12%21.360.00%301293.08650.61%18.4229.36161.33%8.4054.36%31617.92593.58%37.424.82701.83%8.007.32%32543.78681.96%71.0621.50352.59%6.9213.89%331080.92942.82%64.1629.00740.17%5.360.00%341503.58808.87%39.4347.42095.74%32.1210.86%351772.18490.89%34.5825.43710.47%21.587.25%364401.26652.26%67.356.41441.91%166.962.81%371477.19647.91%70.2425.96165.65%14.400.00%主平臺(tái)2022年GDP（億元）區(qū)域年末寬口徑債務(wù)率非市場(chǎng)化發(fā)行（特殊時(shí)間段內(nèi)的利差標(biāo)準(zhǔn)差對(duì)區(qū)域其他平臺(tái)凈往來絕對(duì)值2023年8月債券存量余額（億元）2022年以來月均債券換手率383565.3219.03%32.2649.31454.97%16.5010.18%394346.3319.13%2.3533.66702.15%70.0019.79%404388.2307.95%026.74180.91%54.908.25%412512.1187.70%26.1329.58876.11%47.7932.96%422657.11411.17%15.1538.25050.79%22.0018.73%435675.2298.56%9.4836.89915.57%262.609.12%442839.33357.06%4.830.20324.98%108.8012.25%453463.98301.60%3.6724.32143.92%115.0016.96%462234.78330.82%4.535.34710.45%81.0010.93%473746.8503.16%6.7332.35736.89%128.0518.93%481812.9397.80%20.6428.54976.24%30.0024.59%491676.37178.44%042.04264.03%135.5011.56%504555.4391.44%7.3630.59281.76%49.8221.59%513262.68518.91%9.6338.80480.74%157.4011.94%523196.23389.55%051.29932.73%41.0027.49%533616.99483.57%1.8935.54780.36%92.938.12%543257.36348.26%3.9830.10412.28%136.8012.27%552304.68528.40%042.31170.63%90.6716.09%561264.55447.56%039.206311.95%42.5017.85%572776.97425.90%039.42743.31%128.0615.15%582041.51875.54%7.9131.71240.99%269.8016.67%595502.69582.66%4.1618.07055.55%226.3014.96%602200.96644.52%1.3637.45480.60%19.3077.40%613008.61617.37%2.5835.63390.84%97.8011.28%622747.9505.71%031.87890.70%15.000.00%631875.57506.52%2.7535.76800.00%15.000.00%645827.81731.97%4.6723.01146.44%484.2013.06%65592.4724.89%26.6625.661215.32%100.4010.67%662108.02585.74%14.8729.12050.11%59.5017.64%671877.64598.68%19.3437.51970.86%101.8418.55%68817.5602.01%9.6638.30384.59%30.2018.58%693616.8642.46%22.3233.43303.21%314.509.62%702697.54794.06%11.1920.87503.49%17.5017.94%714089.69627.74%3.8131.58530.00%8.000.00%722599.19572.88%18.3133.62326.27%177.5017.31%734710.67579.12%6.4532.33990.79%83.1513.60%744274.5535.40%8.3633.79962.71%374.2617.43%752980.5644.60%15.0530.83998.53%100.0014.07%主平臺(tái)2022年GDP（億元）區(qū)域年末寬口徑債務(wù)率非市場(chǎng)化發(fā)行（特殊時(shí)間段內(nèi)的利差標(biāo)準(zhǔn)差對(duì)區(qū)域其他平臺(tái)凈往來絕對(duì)值2023年8月債券存量余額（億元）2022年以來月均債券換手率762410.28340.29%3.1540.10491.22%76.8013.72%771929.5597.62%2.1133.86492.61%27.0071.73%784710.67579.12%6.4536.48631.41%201.7013.39%794005.03670.62%7.2834.38833.56%233.1911.45%804742.42627.66%6.4633.40771.95%193.608.29%815017.04797.46%9.4146.97056.72%288.9313.48%824111.98380.66%2.8928.59021.47%120.0016.20%836401.77667.28%7.4919.46848.92%247.2014.73%847104.98459.03%1.5717.90651.74%128.0017.34%857079.8651.92%11.5828.22661.32%218.2813.20%864742.42627.66%6.4628.42241.69%198.8015.17%8711379.6491.25%3.9320.37910.22%218.0014.20%8823958.34305.40%0.5311.62230.22%142.8620.83%899550.1403.69%5.0520.694410.82%450.557.57%9014850.82370.94%1.6520.52370.57%89.2321.91%911252.15257.24%5.2737.554012.20%114.0713.30%921237.55604.09%9.8733.973420.07%161.1010.22%931192.19478.98%19.3548.18860.28%142.0018.00%941160.33561.69%24.628.63761.94%18.50152.44%952750.33575.19%14.0928.63761.09%60.0036.25%963473.12518.12%9.1329.04973.82%89.0023.01%971945.62515.76%13.4337.27446.94%199.8212.88%983309.7708.86%8.8225.76795.51%303.9011.48%994523.63776.44%14.5425.76792.43%141.9027.63%1004026.6494.96%14.8629.29392.62%87.5034.00%1011201.7493.77%029.70563.50%23.000.00%1024402.6442.68%17.7827.96011.19%327.5012.12%1033620.74287.13%16.4734.73702.45%15.0012.71%1049515.86262.16%12.0924.86882.67%29.300.00%1055316.9396.