随着我国债市规模的增大,信用风险事件也随之而来,2014年“11超日债”的实质性违约打破了我国债券市场“刚性兑付”的怪圈。此后,2015、2016年违约主体数量有所增加,并且该数字在2018年迎来了又一次的飙升,全年共有新增违约主体41家。另外,2018年违约规模总计达到1,198.05亿元,超出之前四年的总和。从宏观经济的层面来看,2018年在经济增长面临挑战的背景下,货币政策转向合理充裕,资金价格下行打开利率中枢下行空间。从当前政策定调情况看,在前期去杠杆压力之下,我国整体债务规模增速稍有放缓,监管过程逐步由去杠杆转入稳杠杆阶段。在我国债券市场违约事件频发,且中小企业融资环境偏紧的大背景下,针对信用利差的影响因素的研究显得尤为重要。与Lagrange插值法不同的是,Hermite插值法不但要求在给定的节点处的插值多项式的函数值与原函数值相同,而且要求在节点处的插值多项式的一阶直至多阶导数值也与被插函数的相应阶导数值相等。本文以Hermite插值法计算特殊期限的无风险利率,从而估计出特殊待偿期限下的产业债的信用利差。Hermite插值法可以相对较好地满足光滑性、稳定性、灵活性等要求,相对于线性插值等处理方法而言具有更高的精确性。回归模型中的自变量选择方法共分为两大类,分别是经典的子集回归法和基于惩罚函数的变量选择方法。其中,前者中逐步回归法是最常用的。虽然该方法能够避免向前回归法和向后回归法的缺点,并确保最后得到的回归子集是最优回归子集,但该类方法稳定性不足、计算复杂度较高。后者则更为适用于高维数据的变量选择,其主要原理是通过将部分回归系数压缩至零来增强模型的解释性。另外,该类方法以岭估计为基石,从较早的Lasso方法到SCAD方法,估计量的性质也逐步优化。本文以约定范围内的SW房地产开发债券为样本债券,分别以逐步回归法、自适应Lasso方法和SCAD方法进行自变量选择后的回归子集建立多元回归模型,几种方法建立的模型得出了相似的拟合度,均能够较好的压缩自变量的数目。结合实际情况进行对比后,最终以自适应Lasso方法选择的回归子集进行建模。从自变量的拟合效果来看,在财务分析指标中,资产规模总计、全部债务/EBITDA、经营活动产生的现金流量净额占比、净资产收益率以及几个反映企业营运能力的指标对债券信用利差的解释度较高。主成分分析法是一种“降维”的处理技术,可以把一组原始的相关变量线性变换为另一组不相关的变量,新的变量按照方差依次减小的顺序排列。本文对自适应Lasso法筛选过后的变量的数据集进行主成分分析,经碎石检验和100次模拟的平行分析后应保留5个主成分。其中,前4个主成分的累积贡献度达到了85%,故舍弃第五主成分,利用前四个主成分进行主成分回归,最终得出了主成分回归方程。