“双碳”目标下新能源行业上市公司价值投资策略的量化分析 *

2022-03-13 13:17宋大伟卢文鹏朱家明
关键词:能源行业双碳信用风险

宋大伟,卢文鹏,朱家明

(安徽财经大学)

0 引言

“秉承新发展理念,构建新发展格局”.能源是国民经济的重要物质基础,也是当今时代国家经济发展的命脉之一.随着煤炭、石油、天然气等一次能源的不断减少,发展新能源产业成为国家经济发展的重要支柱产业,也是实现中国“双碳”目标的必经之路.目前中国新能源产业发展具有众多的利好信号,“双碳”目标的提出使大众聚焦减碳,开发新能源取代传统能源逐渐成为行业发展的大趋势;“碳金融”体系的构建,“绿色金融”、“转型金融”、“零碳金融”等概念[1]应运而生,金融机构聚焦“减碳”向“零碳”发展,实现金融助力绿色发展;企业“ESG”评级的提出,使投资人更关注企业的可持续发展而非财务收益,侧面优化新能源行业的投资前景,扩大新能源行业的投资规模;“可持续发展”等一系列绿色发展理念的提出,使各行各业发展的准则在发生着变化,增加新能源行业的曝光度,吸引投资目光[2].

随着中国“碳中和”、“碳达峰”战略的深度实施,新能源上下游产业的相关投资进入黄金期.在节能减排大环境的驱动下,大众消费结构的转变使得新能源产品需求增加,新能源产业前景可观.计算机技术的普及使量化投资方法在金融领域得到广泛应用,量化投资能够让投资者知晓行业发展动态,从而理性制定投资策略,相关研究成果比如王刚贞等运用量化投资的方法对中国AI产业进行实证研究[3],孙丽泊基于Python在20只不同行业的股票中选取5只进行组合投资分析[4].对于投资者关注的信用风险,已有研究表明KMV模型能够对信用风险进行有效测量,比如郑文等基于KMV模型对中国中部地区的新能源企业进行了信用风险度量与分析[5].针对新能源行业的价值研究,微观层面可帮助投资者理性地做出投资决策,获取自身效用的最大化,宏观层面上则有助于政策制定者改进产业政策,引导新能源产业的转型升级[6].

该文主要贡献围绕三个方面:第一,采用主成分分析法对上市企业财务数据进行建模分析,从而得出量化投资的股票池;第二,针对投资过程中广为关注的收益,将组合的收益率与同期沪深300指数进行对比,从而确定投资组合的优越性;第三,新能源产业尚处在发展期间,度量其信用风险有助于稳定投资者信心,因此采用KMV模型对已构建的最优投资组合中的上市公司进行信用风险度量.

1 基于主成分法对新能源上市企业投资价值的实证分析

1.1 研究思路

对理性投资者来说,挑选最具投资价值的金融产品是快速获取收益的至关重要环节,笔者认为最佳的挑选途径,就是采用量化投资的方法对新能源行业上市公司展开多方位的分析.在同花顺行业分类中,要从“中证内地新能源主题指数”的50只新能源个股中挑选出最优价值股以构建组合投资,运用主成分分析的方法可使组合投资更具准确性和系统性,为此,以下采用主成分法进行量化分析.

1.2 研究准备

(1)备选股票池.为保证量化投资选股的准确性,以下采用能够反映股东权益收益水平的财务指标——净资产收益率(ROE)作为筛选标准,在50只新能源个股中筛选出ROE大于16%的32只股票作为该文量化投资的股票.

(2)财务指标的选取.从四个方面选取具有代表性的财务指标度量企业的投资价值,所有财务数据以各企业公布的2021年财务报表为准,构建的指标体系见表1.

表1 新能源行业上市企业投资价值评价指标

1.3 研究方法

该节的研究框架是选用新能源行业32家上市企业的财务数据进行主成分分析,得到代表10个财务指标的主成分、因子载荷量、特征值;然后结合加权主成分分析的用法,以方差贡献率为权重,作为选股评分排序方法,最后得出32家上市企业的综合得分和排序.主成分分析法是有效的量化投资方法,能够有效针对上市公司财务指标数据进行降维处理,从而提取出数据中有效信息进行量化分析.主成分分析法[7-10]步骤如下:(1)构建原始数据矩阵;(2)计算相关系数矩阵;(3)计算特征值和特征向量;(4)计算方差贡献率;(5)提取主成分因子.

1.4 结果分析

(1)主成分结果.利用SPSS软件得到前4个主成分的累计贡献率达到83.993%,具体结果见表2.

表2 主成分分析结果

利用SPSS软件经过整理得出4个主成分因子得分函数分别为:

Y1=0×Z1-0.003×Z2-0.162×Z3-

0.386×Z4-0.211×Z5-0.311×Z6+0.463×Z7-0.180×Z8+0.472×Z9+0.463×Z10

Y2=0.426×Z1+0.376×Z2+0.468×

Z3+0.345×Z4-0.189×Z5-0.310×Z6+

0.082×Z7+0.413×Z8+0.157×Z9+0.076×Z10

Y3=-0.108×Z1-0.115×Z2+0.444×

Z3+0.223×Z4+0.708×Z5-0.163×Z6+

0.119×Z7-0.381×Z8+0.164×Z9+0.119×Z10

Y4=-0.484×Z1-0.448×Z2+0.268×

Z3+0.26×Z4-0.231×Z5+0.225×Z6+

0.299×Z7+0.364×Z8-0.092×Z9+0.297×Z10

组合得分模型为:

Y=0.365×Y1+0.251×Y2+0.121×Y3+0.104×Y4

(1)

(2)计算综合得分.根据主成分因子计算出32只个股的综合得分见表3.

表3 各表主成分综合得分

从表3可以看出,上市公司的财务数据经过主成分分析后,得到运达股份、宁德时代、华友钴业等股票综合排名靠前,为下文构建组合投资提供参考依据.

2 基于马科维茨理论对新能源行业的投资组合策略

2.1 研究方法

投资组合理论是马科维茨在1952年最早提出的,它是为了解决在不确定条件下,如何合理地调节持有金融资产的比率,以减少组合的风险.马科维茨投资组合理论主要包含了两个方面:均值—方差模型和有效边界理论,用以合理规避风险以追求预期收益最大化.投资决策的目标便是寻求在同一回报水平下投资风险最小或同一风险水平下回报最大的投资组合[11].

2.2 股票选取及数据提取

这里构建的投资组合选取表3中由主成分得分排名前8的企业,分别是运达股份、宁德时代、明阳智能、奥特维、容百科技、华友钴业、锦浪科技、上机数控.选取这8只股票从2020年5月21日至2022年4月29日的每天日收盘价作为样本期数据,选取2022年4月27日更新的上海银行间同业拆放利率(SHIBOR)作为该文的无风险利率0,该利率为2.4970%,数据来源于同花顺iFind,以下数据来源同.

2.3 数据描述性统计

首先对选取的8只新能源行业上市企业股票在2020年5月21日至2022年4月29日收益率的变化情况进行可视化分析,具体收益率变化如图1和图2所示.

图1 新能源行业4只股票收益率变化

图2 新能源行业另4只股票收益率变化

从图1和图2可以观察到,上机数控和锦浪科技2只股票在样本期内收益率较高,并且伴随着较高的波动率;明阳智能和运达股份在样本期内收益率较低,其余股票的年收益率均在50%左右.由图片反映出的收益率和波动率变化与表4表现相符.

表4 新能源行业8只股票的年化收益率和年化波动率

马科维茨投资组合理论提到2只证券若不是完全相关的关系,即可通过同时持有2只证券的方式达到损益相互抵消从而降低组合收益波动的目的.该文采用统计学上的相关系数来刻画2只证券间的相关关系,结果见表5.

表5 新能源行业8只股票的相关系数

从表5可以看出,8只股票中宁德时代和华友钴业的相关系数最大,为0.5513,在初步筛选的8只新能源行业股票中,宁德时代与容百科技、华友钴业的相关系数超过了0.5,相关系数的计算结果提示投资者在配置资产时应当减少相关性较高资产的同时持有,以分散投资组合的非系统性风险0.

2.4 投资组合的构建

⑴资产组合的有效前沿.已确定该投资组合由8只股票构成,wi表示投资组合中第i只股票所占的权重,E(Ri)表示投资组合中第i只股票的预期收益率,则可以得到投资组合的预期收益率

(2)

假设σi表示第i只股票的收益波动率,Cov(Ri,Rj)表示第i只股票与第j只股票收益率之间的协方差,投资组合的收益波动率

(3)

为了寻找满足条件的最优投资组合以及有效边界,该文使用Python随机生成50000组包含不同股票权重的投资数组,以此计算不同投资组合的年平均收益率、年收益波动率,结果如图3所示.

图3 随机生成的50000组不同投资权重条件下组合收益率和波动率的关系图

根据上述方法模拟得到的组合收益率和波动率的数值,可知,组合的最高年收益率超过70%,最低的年收益率在30%左右;最高的年波动率在0.6左右,最低的年波动率在0.43左右.

(2)最优投资组合权重的确定.该文采用夏普比率作为评判投资组合优劣的标准,在实际投资过程中需满足2个条件:投资组合中各股票权重之和为1;不允许做空股票.

对样本期选定为2020年5月21日~2021年5月21日,利用Python工具,运用马科维茨投资组合理论确定最优投资组合的得到最优投资组合的资产配重结果见表6,此时组合的夏普比率最高.

表6 投资组合的资产配重

(3)沪深300指数的对标.依据夏普比率最大的原则,确定了资产组合中各只股票配置的权重,为了检验所构建的投资组合的有效性,根据2021年5月21日~2022年4月29日期间4只个股日收盘价计算得出该投资组合的净值,对比沪深300指数[14]收益率变化.设定2021年5月21日首个交易日的净值或收盘价为100进行计算,绘制曲线图对比投资组合的每日净值与沪深300收盘价,如图4所示.

图4 按最优权重配置的投资组合与沪深300指数的日走势图

从图4可以看出,从相对收益的角度,在样本期内按照最优权重配置的投资组合净值显著跑赢了沪深300指数,最大差距超过了60%.在样本后期两者的净值之差在减小,主要原因在于2022年新冠肺炎变异株奥密克戎在中国地区肆虐,造成新能源产业链上下游受到严重波及,零件供销商停工停产无法实现全产业的配套生产.另外,2022年2月份俄乌冲突爆发,地缘政治风险加剧导致原油价格上升,造成新能源行业的生产成本大幅升高;同时,地缘政治风险的上升导致新能源产品的出口受到严重影响,销量下降.从绝对收益的角度,构建的投资组合在样本期内绝大多数交易日实现了正收益,并且最高收益突破了70%.

3 基于KMV模型的新能源上市企业信用风险度量

3.1 研究思路

信用风险是上市企业面临的几种主要金融风险之一,信用风险的变化影响投资者做出投资决策,从而导致公司现金流、资产质量发生变化,进而引发经营危机.新能源行业上市公司具有研发投入高、资金需求量大、利润回收期长等特点,一旦出现经营性危机,市场投资者和银行等金融机构将根据企业的财务指标评估其信用风险.采用KMV模型分析由马科维茨投资组合理论确定的4家上市企业的预期违约率,以此作为帮助投资者确定在投资期限内企业是否发生违约的信用风险度量工具.

3.2 企业信用风险的度量

4家企业的股权价值选取为2020年5月21日至2022年4月29日股权价值的均值,长期负债、短期负债来自2022年一季度企业公布的财务报表和资产负债表.4家企业的股权价值、长期负债、短期负债经整理后见表7.

表7 企业长期负债、短期负债、股权价值统计 元

从表7可以看出,宁德时代和华友钴业作为新能源行业的龙头企业,其长期负债和短期负债达到百亿级别,股权价值更是达到千亿级别.锦浪科技和上机数控作为新能源行业具备高增长潜力的企业,债务水平维持在行业合理水平[15-16].

上文已计算得出4家企业的年波动率分别为:0.5312、0.6607、0.8544、0.6964,在表7基础上,利用MATLAB软件计算出企业市场价值、市场价值波动率、违约点、违约距离,并根据负债违约距离,结合理论方法计算出企业的违约概率,计算结果见表8.

表8 KMV模型计算结果

3.3 结果分析

(1)企业市场价值均明显高于企业股权价值.新能源行业上市公司经营领域有所不同,资本结构存在差异,但是根据KMV模型测算出的市场价值普遍高于股权价值.在一定程度上体现出在“双碳”、“绿色金融”、“可持续发展”等相关政策的支持下,新能源企业具有较好的增值空间和发展前景.

(2)新能源上市企业的整体信用风险相对较高.由KMV模型计算得出的4家企业信用风险度量结果显示,所有样本企业的违约距离均小于2.综合已有的研究成果表明,中国新能源行业上市企业由于研发投入高、利润回收期长、收入回报不稳定性等特点,导致整体信用风险偏高.

4 总结

新能源产业是中国目前具有战略性的新兴产业之一,该文对“双碳”目标下新能源行业上市公司进行价值投资策略分析[17-18],采用2020年5月至2022年4月中国A股新能源行业上市公司市场数据,实证检验量化投资方法对投资收益的影响,具体采用主成分法、马科维茨投资组合理论、KMV模型得出结论如下.

(1)根据上市公司的财务数据,提取得到成长能力、盈利能力、偿债能力、资本结构4个主成分因子,能够涵盖80%以上的财务信息,进而有效搭建投资组合的股票池.

(2)挑选主成分得分靠前的上市公司搭建资产组合的有效前沿,确定了夏普比率最高时的投资组合配比,并且投资收益明显高于同期沪深300指数.

(3)采用KMV模型度量上市公司的信用风险,发现企业的市场价值明显高于股权价值,具有很高的投资价值,并且新能源行业存在明显的高风险高收益特点.

中国新能源[19]行业上市企业发展历程尚短,市场尚未了解该行业特点,且企业内部管理存在诸多弊端,但发展新能源产业是中国实现“碳达峰碳中和”目标的必经之路.总结来看,新能源行业投资前景广阔,在实现“双碳”目标的政策支持和可持续发展理念的引导下,促进政府和社会层面的资金流入新能源行业,倡导以基本面为基础的价值投资,对推动新能源产业变革和落实国家碳中和政策具有正向激励意义.

猜你喜欢
能源行业双碳信用风险
“双碳”目标下皮革产业绿色低碳发展与数字化转型的研究与实践
“双碳”目标下企业如何应对碳市场带来的挑战与机遇
专访奚国华:中信力争成为国企助力“双碳”目标的旗帜
“双碳”下县城发展新思维
能源行业网络安全人才需求与培养探讨
我国能源行业排污权交易的国内与国外经验研究
浅析我国商业银行信用风险管理
京东商城电子商务信用风险防范策略
个人信用风险评分的指标选择研究
能源行业腐败特点、趋势与治理对策研究