无锚之债如何定价？首发信用债票面利率预测研究

来源：市场资讯

（来源：浙商银行FICC）

作者｜朱佳琪、徐然

一、研究背景

近年来我国债券市场利率中枢持续下移，国债与政策性金融债收益率屡创新低，票息资产相对稀缺；与此同时，实体有效融资需求偏弱、优质资产供给收缩，"资金多、资产少"的格局推动信用债一级发行利率不断刷新历史低位，一级市场的定价博弈愈发激烈。受到低利率窗口下融资成本系统性下行、注册制改革带来的审核便利化、科创债与绿色债等新品种对"首单"主体的鼓励引导，以及城投化债背景下存量平台融资受限、融资功能向转型主体迁移等多重因素影响，首次公开发债主体开始密集涌入一级市场，发行规模与只数近年来持续抬升。 按可比口径，首发债只数占信用债发行只数的比例由2024年的1.89%升至2025年的3.44%，2026年1—8月进一步升至4.73%。

注：2026年统计至8月31日。）

首发债在供给端快速放量的同时，发行时的估值定价却始终是个难题。一是缺乏定价锚——发行主体没有存量债券，既无自身历史发行价格，也没有可参照的新老券利差，可比券法等以"有历史、有曲线"为前提的传统定价范式整体失效，定价只能依赖评级、财务与行业属性的相似主体推演，天然带有主观调整成分；二是信息不对称严重——首次发行主体信息披露历史短、数据未经二级市场检验，评级报告与募集说明书是投资者唯一的公开信息来源，市场对其信用资质的认知收敛需要时间；三是需求端不确定性高首发主体大多未进入机构债券池与授信白名单，入库审批周期长，簿记初期认购需求天然薄弱，票面利率往往被迫让利、带有"新券折价"成分，且折价幅度随市场情绪大幅波动，难以量化；四是估值链条断裂：托管与估值机构对无存量券主体缺少历史估值积累，一级定价与二级估值互为参照、互相确认，一旦首发定价偏离理论水平，二级估值便跟随漂移，形成"定价—估值"的循环放大，进一步消解了估值的锚定作用，使得首发债的票面利率难以通过传统方法预测。

针对首发主体缺少自身估值曲线、传统可比券方法依赖人工筛选且难以稳定复现的问题，本文构建一套面向发行截止时点的首发债票面利率预测模型。模型以发行前已经公开可得的发行人资质、债券条款、评级、信用市场、国债期货和财务信息为输入，先预测发行票面相对发行截止日前一个交易日（下文简称D-1）同期限国开债收益率的发行利差，再加回国开收益率并施加投标区间约束，形成最终票面预测。该模型的作用不是替代信用研究和簿记判断，而是在发行主体没有存量债定价锚时，提供一套口径统一、能够复现且可持续检验的机器基准价：发行人和承销商可据此评估发行窗口、区间设置及包销风险，投资者可将其作为申购定价的第二意见，并通过模型与最终票面的偏差识别需要进一步核查的特殊信用或供需因素。

二、模型设计

核心公式

初步预测值 ＝ D−1同期限国开收益率 ＋ 预测发行利差 最终预测票面 ＝ min{投标上限，max[投标下限，初步预测值]}

模型设置基线模型和财务模型两个备选版本，均采用梯度提升树算法（XGBoost）。基线模型使用62个原始字段；财务模型在相同基线上增加16个严格按披露时点筛选的财务字段，共使用78个原始字段。从定价结构看，发行票面可以理解为基准利率与发行利差之和：前者随发行日期和债券期限变化，后者主要反映发行人信用、债券条款以及一级市场供需。若直接预测票面，模型需要同时处理跨时期的基准利率变化和个券之间的信用差异。因此，本文先预测发行票面相对D-1同期限国开债收益率的发行利差，再加回该国开债收益率，并将结果限制在投标上下限内。若发行截止日前存在已公开披露且日期可核验的财务数据，则使用财务模型；否则使用基线模型。无论使用哪个版本，最终误差都以预测票面与实际发行票面的差值计算。

模型将2025年第四季度作为验证集。四季度以前已经可用的样本用于训练，验证集只负责比较预先设定的8组超参数。超参数确定后，再用2026年以前的全部可用样本重新训练，最后测算2026年1至8月。

表1:模型验证集选择

为进一步避免发行结果提前进入模型，本文将债券发行结果统一设定为发行截止日后10个自然日才可用于训练；财务、评级和市场数据也均按照发行时点可得原则匹配。

三、特征选择

模型的特征围绕首发债定价的四个方面选择：发行人和债券本身特征，当前信用市场情况，当天利率市场情况，公开财务信息。

表2:模型四类特征与字段选择

1、发行人和债券本身特征

这组变量是定价的基石。主体评级和债项评级描述公开信用等级；地区、行业和所有制反映区域融资环境、行业景气及股东背景差异，是信用利差的重要来源。期限、含权条款、偿付顺序、担保方式和债券类型对应具体合同条款。计划发行量和主承销商构成用于刻画一级供给压力、销售能力及投资者覆盖；科创债、绿色债等主题标签则反映政策支持、专属投资者需求及流动性分层可能带来的定价差异。主题标签可能降低融资成本，也可能因主体资质和供需差异产生额外溢价，模型不预设其影响方向。

2、信用市场

信用市场特征由1个绝对水平指标和12个变化指标组成。水平指标为“AAA+中票同期限信用利差”，即以D-1的AAA+中票收益率曲线按目标债期限插值得到对应收益率，再减去D-1同期限国开债收益率，用于刻画发行前信用债市场的基础估值中枢。变化指标分为两类：第一类是信用市场共同变化，在1年、3年和5年三个期限上，分别计算AAA+、AAA、AA+和AA四条中票信用利差的1日及5日变化，并取四档评级的等权平均，共形成6个指标，用于识别信用市场整体走阔或收窄；第二类是评级分化变化，在相同期限和观察窗口下，以AA信用利差变化减去AAA+信用利差变化，共形成6个指标，用于判断低等级信用相对高等级信用是走强还是走弱。由此，13个信用市场指标形成“1个水平＋6个共同变化＋6个评级分化变化”的结构，既保留绝对估值位置，也刻画市场方向和风险偏好。

3、利率与国债期货

D-1同期限国开收益率构成票面还原的基准，并反映当时的基准利率中枢。TS、TF和T分别代表2年、5年和10年期国债期货：TS与TF的当日涨跌用于描述与多数首发信用债期限较为接近的短中端市场方向，T相对TF的变化用于刻画长短端走势差异；波动率、总成交量、总持仓量及成交持仓比则反映市场不确定性与交易热度。

4、财务特征

财务特征用于补充发行人的基本面信息，主要包括资产与净资产规模、资产负债率、流动比率、速动比率、营业收入、净利润、总资产收益率（ROA）、经营活动现金流以及应收账款和存货周转情况，同时保留报告类型、距发行日的披露滞后天数和财务字段覆盖数量。为保证预测时能够真实获得这些信息，只有实际披露日严格早于发行截止日的财务报表才可进入模型，同日披露的数据也不使用。缺少符合条件财务数据的债券不会被删除，也不会使用事后报表补齐，而是由62字段基线模型预测；发行时已有符合条件财务数据的样本，则使用增加16个财务字段的78字段模型。2026年489只评价样本中，共有302只使用了财务模型。

四、模型预测结果

表3:模型预测结果

该模型平均绝对误差为13.54个基点（bp，1bp＝0.01个百分点）：约一半样本误差在10bp以内，接近八成在20bp以内，但仍有少数个券出现明显偏离。此外，投标边际上下限约束也不是误差较低的主要原因，2026年仅约1.6%的预测触发上下限，约束前MAE为13.67bp，约束后为13.54bp，改善仅约0.13bp。

表4:模型中因子重要性排名

投标上限与投标下限位居重要性前两位，将其打乱后MAE分别上升11.36bp和3.66bp，说明发行前已公开的价格边界为模型提供了很强的定价锚。除价格边界外，进入前十的变量还包括AAA+中票同期限信用利差、市级地区、同期限国开收益率、省份、评级利差分化、计划发行量、区间宽度和TF波动率，这一结构与一级定价逻辑基本吻合：国开收益率与基础信用利差给出市场中枢，区域变量刻画发行人差异，发行规模、信用分化与期货波动则补充供需及市场情绪。需要注意的是，重要性应谨慎解读，它反映的是模型在当前变量组合中的依赖程度，并不等于因果贡献；相关变量之间会彼此分摊重要性，财务因子也仅在发行时已有公开财务数据的样本中生效。因此，前十排名可用于解释与监控，但不宜单独作为删减因子的依据。

五、结论

首发债没有发行人自身的存量债价格可供参考，定价时既要判断当时的市场利率，也要考虑发行人的信用资质、债券条款和一级市场供需。本文据此选择模型特征：用国开收益率把握利率中枢，用评级和财务数据反映发行人资质，用债券条款和发行安排描述个券差异，再以信用曲线和国债期货补充市场环境。所有数据均以发行时已经可以获得为准，避免使用事后信息。2026年489只样本的结果显示，模型平均绝对误差为13.54bp，约一半样本的误差在10bp以内，接近八成在20bp以内。这个精度足以为首发债定价提供一份有价值的参考，但少数个券仍会出现较大偏差，因此不能脱离人工判断单独使用。

在使用上，该模型可承担三类功能：一是作为统一的机器基准价。不同研究员面对同一只首发债时，可以先有一个基于相同信息集的定价起点；二是作为异常定价筛查工具，当机器结果与人工报价或最终票面差异较大时，重点检查特殊增信、股东支持、临时需求、发行人事件或结构化数据未覆盖的条款；三是作为发行复盘工具，按PPN、民企、城投、地区、行业和担保等维度拆分误差，识别哪些券种需要更多样本或单独建模。然而，模型不能替代人工信用判断与簿记经验，首发债价格仍受投资者结构、发行策略和非标准信用信息影响，这些因素难以由现有字段完整描述。

下一步，与其继续围绕历史样本反复调参，更重要的是把发行后的市场表现也纳入检验。可以持续跟踪首发债上市后的中债估值、成交收益率、信用利差和交易活跃度，并与同期国开债及同评级信用债的变化进行比较。如果同一类债券反复出现方向一致的偏差，就可以有针对性地调整模型对区域、行业、评级、担保方式和债券类型的处理。