城投专题研究：哪些区域主平台的负面舆情隔离能力更强

日证券研究报告•固定收益专题报告城投专题研究哪些区域主平台的负面舆情隔离能力更强？摘要值的影响日益增大，然而很多情况下，同一类负面舆情对于不同区域城投债估为五个类别，分别是区域基本面因素、持有人风险特征因素、区域平台关联度因素、舆情自身因素、承接深度。模型的被解释变量，为反映主平台在受到低层级负面舆情干扰后超额利差被影响程度的指标。模型方法上，本文选择投影寻踪聚类法作为分析方法。模型有效性验证及改进：从结果来看，隔离能力指标与验证样本负面舆情发生来减弱了解释力度。其二是模型的结果是聚类，不同类的样本之间连续性差。可能不够。传统模型算法会存在全局搜索能力弱的缺点，易导致结果非真正最法属于群智能算法的一种，该算法在全局搜索能力上突出，其原理为粒子之间标函数用作粒子群算法中粒子的自适应度。投资建议：根据传统及改进的投影寻踪模型的结果，可以初步将负面舆情隔离离能力弱的平台指标值在[0,0.3]。传统模型结果处于[0.6,1]区间内且具备一定收益率的包括江西、湖南、河南、山东和安徽等区域地市级主平台，考虑到过徽部分区域结果相对更准确，具有一定性价比。改进模型结果处于[0.6,1]区间内且具备一定收益率的包括湖北、河北、湖南、河南、山东和安徽等区域地市一定性价比。策收超预期。西西南证券研究发展中心法伟1.地方政府债务化解将走向何处？(2023-07-31)2.收益空间逼仄下产业债的永续品种价值如何(2023-07-23)3.如何从利差解构角度看城投债区域下沉(2023-07-01)4.现阶段该如何把握山东省城投债(2023-06-26)5.近期债券新规影响几何？(2023-05-07)6.城投债区域研究之成都(2023-03-28)文后的重要声明部分哪些区域主平台的负面舆情隔离能力更强？文后的重要声明部分录 4 图目录 的主观选择及口径 2图3：国内主要地市级平台负面舆情隔离能力传统法取值情况 9图4：2023年8月16日静态超额利差与负面舆情隔离能力传统法取值分布情况 10图5：国内主要地市级平台负面舆情隔离能力改进法取值情况 10图6：2023年8月16日静态超额利差与负面舆情隔离能力传统法取值分布情况 11表目录 7表4：改进法下负面舆情不分类的验证结果 8 1文后的重要声明部分1本文首先阐述了对该主题进行研究的背景，其次对研究模型构建方面的各类要素及假设条件进行了详细解释，同时梳理了模型指标的挑选过程、模型方法选择及原理，最后对模型结果进行有效性验证，并根据结果内容提出相关投资建议。1研究背景本文所指负面舆情，为区域内低层级城投平台产生的负面舆情，不包括主平台自身产生负面舆情的情况。本文所指负面舆情隔离能力，可量化为负面舆情对其估值影响的大小，负面舆情隔离能力越强，负面舆情对平台估值影响越小。随着市场信息透明度的不断提升，负面舆情对城投债估值的影响日益增大，然而很多情况下，同一类负面舆情对于不同区域城投债估值的影响并不相同，甚至差距很大，导致这种情况出现的因素有很多。本文试图从主观性的角度寻找对负面舆情隔离能力有重大影响的因素，同时从客观性的角度出发建立模型，构造负面舆情隔离能力指标并进行有效性验证，以衡量某区域城投平台估值受潜在负面舆情影响的大小。源：西南证券整理2构建模型模型潜在的解释变量，即决定区域低层级负面舆情对主平台债券估值影响大小的因素有很多，大致可以分为五个类别，分别是区域基本面因素、持有人风险特征因素、区域平台关联度因素、舆情自身因素、平台债券存量。区域基本面因素即代表区域整体信用水平，区域基本面越强，区域内低层级负面舆情对主平台债券估值产生的影响越小。持有人风险特征因素主要考量持有人对风险的厌恶程度，风险厌恶程度越低，对主平台债券估值产生的影响越小，不过持有人特征一定程度上亦取决于区域基本面，二者属于正相关。区域平台关联度因素主要考量的是区域内各平台之间的资金关联关系，主平台与低层级平台之间关联程度越小，2文后的重要声明部分2对主平台债券估值影响越低。舆情自身因素主要包括舆情本身发生的频率以及舆情的种类，本文所述负面舆情主体均为某区域内低层级平台，可用于验证模型的有效性。另外，主平台在市场上的流通存量债券余额和交易效率决定了承接估值风险的深度，因此也是一大重要因模型的被解释变量，为反映主平台在受到低层级负面舆情干扰后超额利差被影响程度的指标，指标越大，超额利差被影响程度越低，舆情风险隔离能力越强。此处存在诸多需要统一的口径。首先是主平台口径，不同层级平台在受到低层级负面舆情干扰后估值可能会有不同程度的反应，因此本文统一选取区域内股权层级和外部评级最高、同等条件下资产规模最大且业务公益属性最强的平台作为主平台；其次是时间口径，由于市场接受程度始终在变化，不同阶段相同种类舆情对市场的影响可能会存在不同，因此本文在时间维度上以2021年后为主，这样亦可减少用“未来”解释“过去”所带来的误差，另外部分时间点市场定价的主导因素并非信用因素，如2022年11月开始的“银行理财赎回潮”下以流动性因素为主导，本文所使用的验证样本均避开该类时间段；第三是验证样本区域口径，除了上述时间维度外，由于负面舆情对某区域定价的影响可能会存在边际效用递减，因此验证样本选择上规避了2021年以前就已经开始高频发生负面舆情的区域，2021年以后发生同种类负面舆情的区域在满足时间口径条件下尽量只选择首次；第四是超额利差变化判定口径，本文选取负面舆情发生后超额利差达到的首个高点与初始值之差为变化值，为减少信息重叠所带来的误差，首个高点距离初始值应当在3个月以内，超过3个月的以第3个月末值为准。解释项的主观选择及口径3文后的重要声明部分32.1模型指标选择经过上文分析，决定低层级平台负面舆情对主平台债券估值影响大小的因素有很多，我们将其分为了五大类别，在这五大类别中我们分别挑选了部分指标进行模型指标体系的构建。指标挑选的原则为：(1)易得性，用来构建模型的指标必须较为容易获取，可以较为容易地实现信息的及时更替，若指标的获取难度极大，则考虑用相似指标进行替换；(2)信息丰富性，用来构建模型的指标必须展现出较为丰富的信息区分度，若指标仅属于少部分区域或平台的特性，则不考虑使用；(3)稳定性，用来构建模型的指标所能取值的时间周期尽可能拉长，以避免部分指标短期化造成的误差。经过筛选，我们将7个指标纳入模型当中：区域基本面因素包括区域经济、区域债务水平；持有人风险特征因素包括区域非市场化发行债券规模占比、特殊时间段内的利差标准差；区域平台关联度因素包括主平台对区域其他平台净往来绝对值；最后为刻画主平台债券承接估值风险深度的存量余额和换手率。区域经济及区域债务水平是刻画区域基本面的主轴，也是投资某区域平台的最主要考量点，因此选择二者作为区域基本面因素的代表。持有人风险特征因素方面，直接反映持有人风险特征的应当是持有人具体结构，但鉴于信息难以获取，因此从间接层面加以描绘，此处分别选择了区域非市场化发行债券规模占比、特殊时间段内的利差标准差两个指标，分别代表持有人流动性风险偏好和持有人市场风险偏好，本文所选的特殊时间段为2020年11月、金关系，但基于数据的易得性，此处以内在的资金关系作为代表，指标为主平台对区域其他平台净往来绝对值，该值越低代表高层级平台与其他平台之间的净关联程度越低；债券承接估值风险深度方面，债券最新存量余额越大，平均换手率越高，潜在相对成交量越大，信息交互量越大，潜在估值越趋于真实，潜在估值风险承接能力越强。因素类别指标名称指标含义其他说明区域基本面因素区域经济刻画区域基本面的主轴，也是投资某区域平台，因此选择二者作为区域基本面因素的代表。用来构建模型的指标必须展现标仅属于少部分区域或平台的区域债务水平持有人风险特征因素非市场化发行债券规模占比特殊时间段内的利差标准差区域平台关联度因素区域平台关联度因素对区域其他平台净往来绝对值该值越低代表高层级平台与其他平台之间的净关联程度越低。承接深度债券存量余额新存量余额越大，平均换手率越高，潜估债券换手率4文后的重要声明部分42.2模型方法选择及原理回归分析是一种预测方法，能够相对准确捕捉多个变量对目标变量的影响。模型基于统计分析，因此可以提供一定的统计学精度，这对于许多实际应用场景是较为重要的。但其存在较为严格的假设，首先，它对数据的假设要求较高，需要数据满足正态性等方面假设。其次，多重共线性问题，即自变量之间存在高度相关性，会导致模型的预测出现偏差。此外，线性回归模型对于异常值和缺失值的处理也比较敏感，这可能会对模型的预测结果产生不良影响。而基于前文构建模型的部分前提条件可知，本文验证样本的时间口径和区域口径都较为严苛，最终得出的验证样本数量较少，用少量的样本作为基础显然是不合理的，另外部分数据也可能不满足正态假定，因此本文无法较好的满足回归分析所要求的数据假设条件。熵权法熵在信息论中的作用在于衡量系统无序程度的高低，对于任何一项指标都可以用熵值来判断其无序程度，熵值越小无序程度越大，如果某项指标的值全部相等，那么该指标在综合评价中不起任何作用。熵权法确定评价权重依据来自于数据所反应的信息本身，客观性强，无主观强加性对决策结果的干扰。但其缺陷也较为显著，熵权法是将不同指标看作独立存在的本体，不考虑指标间的相关性，因此指标相关性越强，权重分配误差越大。此外由于熵权法赋权完全取决于数据本身，因此在不能完全确定解释变量和被解释变量之间具备相关性的条件下，极易发生不合理的权重配比。在能够提前确定解释变量和被解释变量之间存在一定关系的条件下，熵权法并非不可取，我们在此前的报告《如何从利差解构角度看城投区域下沉》中所使用的即为熵权法。但本文与此前报告不同的是，所分析对象在当下市场上尚不存在关联度上的共识，因此熵权法在此处的应用意义不大。投影寻踪聚类法上文所述的两种方法，本质问题之一在于数据和指标假设太强，而投影寻踪聚类法一定程度上能克服此类问题。对于数据层面，投影寻踪聚类法属于探索性数据分析法而非证实性数据分析法，对客观数据并不作严格假定，无需样本数据服从某种结构或特征。对于指标假设层面，投影寻踪聚类法亦要求解释变量和被解释变量之间是存在一定关系的，否则也会有误差，但与熵权法理论上无上限误差不同的是，由于其内在本质属于运筹优化问题，单项误差对整体系统结构的影响相对有限。本质问题之二在于上述两种方法更偏预测，本文寻求的目标并非预测连续变量，更多是估值受影响大小的排序，投影寻踪聚类法的核心在于聚类，它不是一个预测模型，其在给定的指标体系之下通过运筹优化方式将多维度指标投影至一维指标并加以类别上的区分。因此本文选择投影寻踪聚类法作为分析方法。投影寻踪聚类法的原理在于通过多维度的指标对样本进行区分，本质上是需要寻找一个向量集(a,a,a...a.,使得被区分后的每一类样本集合之间距离足够大的同时每一类样本集合内部密度也足够大。基本公式原理如下，具体代码见附录一：5文后的重要声明部分5(1)样本评价指标集的归一化处理设各指标值的样本集为Xij，意为第i个样本第j个指标值。为消除各指标的量纲和统一各指标值的变化范围，采用归一化处理：对于正向指标为X=一，对于负向指标为X=一(2)投影值的计算设(a,a,a....a)为投影方向，投影寻踪就是将Xij投影到a上，得到一维投影值Pi：Pi=ajXij(3)构造投影指标函数，如上文所述，目标函数的本质是要使得被区分后的每一类样本集合之间距离足够大的同时每一类样本集合内部密度也足够大，目标函数如下：S=Var(Pi)nD=1u(min|Pi-Pj|)nnux=1,x>1e一3ux0,x<=1e一3n2stmaxSDaiai[一1,1]2i=12.3模型误差存在的点第一是指标方向合适性问题及重大遗漏所导致的误差。虽然投影寻踪法内在本质属于运筹优化问题，但并不消除指标方向选择错误或遗漏所带来的误差，如果出现指标方面的多项选择错误或重大遗漏，那么结果的精准度也会降低。这是模型最大的误差来源，也是客观法的共性问题，模型无法识别指标方向选择的合理性及缺失度。第二是验证样本数量较少可能带来的判断误差。与回归类模型不同，投影寻踪模型不属于证实性数据分析法，样本数量的多少并不会对模型本身产生影响，但模型的有效性依然需要通过验证样本进行验证，因此在验证样本数量较少的情况下，是存在对模型有效性判断产生误差的可能性的。第三是所选指标精准性偏差所带来的误差。这类误差来源于指标选取的易得性原则，如区域平台关联度因素主要考虑平台间内在和外在的资金关系，但基于数据的易得性，只能以内在的资金关系取值作为代表，且所取指标为高层级平台对区域其他平台净往来绝对值，该指标存在一定的局限性，必然会导致一定的误差。第四是模型指标取值时间与验证样本时间口径不同所带来的误差。部分指标属于静态时间点指标，而验证样本所在的时间阶段有可能与指标取值所处时间点存在较大的时间间隔，因此会出现用未来数据验证过去样本的情况。为了尽可能减小该项误差，前文已对时间口径进行了严格规范。6文后的重要声明部分6第五是传统模型算法精准度有提升空间。投影寻踪模型最终的目标是寻得最优的投影方向，但是由于约束函数的非线性以及样本指标维度较多，传统投影寻踪模型下的结果可能不一定是完全最优解，算法仍具有优化改进的空间。3有效性验证及算法改进3.1模型有效性验证按照上述方法，通过导入相关指标数据，获得了相对完整的全国地市级主平台负面舆情隔离能力排序，为验证有效性，我们选取符合前文所述时间口径和区域口径的验证样本进行验证，验证结果如下：平台名称舆情后超额利差变化(BP)***投资集团有限公司非标舆情29.540.745616***城市投资集团有限公司非标舆情6.360.484479***投资集团有限公司非标舆情48.330.569954**发展投资(控股)有限责任公司非标舆情20.475816***国有资本运营集团有限公司非标舆情0.17241***发展投资集团有限公司非标舆情370.436647***城市建设(集团)有限公司商票逾期0.999575***城市资产运营集团有限公司商票逾期0.747503**城投控股集团有限公司商票逾期130.574869**城建投资集团有限公司商票逾期2.280.534828**城市投资集团有限公司商票逾期0.462753***投资集团有限公司被执行人810.590143***发展投资控股集团有限公司被执行人650.601345***城市建设投资发展集团有限公司被执行人0.543147***城市发展投资集团有限公司被执行人22.090.48729***国有资本运营集团有限公司被执行人4.580.17241**国有资本投资运营集团有限公司被执行人26.290.573975相关性-0.63933DM，西南证券整理从结果来看，隔离能力指标与验证样本负面舆情发生后超额利差变化大小呈一定的负相关性，负相关系数为-0.64，说明模型结果对负面舆情风险隔离能力具有一定的解释力度，但解释力度不算非常强。具体原因包括以下几点：对各负面舆情类型的解释力度不同，综合起来可能减弱了解释力度。若将负面舆情类型进行区分，可以发现验证结果有较大的区别。负面舆情类型为被执行人类别的，模型结果对负面舆情风险隔离能力解释力度最强，二者负相关关系达到-0.95；负面舆情类型为非标舆情类别的，模型结果对负面舆情风险隔离能力解释力度尚可，二者负相关关系为-0.70；负面舆情类型为商票逾期类别的，模型结果对负面舆情的解释力度很差，二者不存在负相关关系。7文后的重要声明部分7出现此种情况的原因，一方面可能与舆情类别影响力大小有关，商票逾期类别舆情发生相对普遍，且通常技术性因素占比不小，多数情况下可能对估值不会产生影响；另一方面可能是商票逾期信息披露存在较大的时间延迟，市场中存在信息差。平台名称风险事件类型***投资集团有限公司非标舆情29.540.745616***城市投资集团有限公司非标舆情6.360.484479***投资集团有限公司非标舆情48.330.569954**发展投资(控股)有限责任公司非标舆情20.475816***国有资本运营集团有限公司非标舆情0.17241***发展投资集团有限公司非标舆情370.436647相关性-0.69729***城市建设(集团)有限公司商票逾期0.999575***城市资产运营集团有限公司商票逾期0.747503**城投控股集团有限公司商票逾期130.574869**城建投资集团有限公司商票逾期2.280.534828**城市投资集团有限公司商票逾期0.462753相关性0.41771***投资集团有限公司被执行人810.590143***发展投资控股集团有限公司被执行人650.601345***城市建设投资发展集团有限公司被执行人0.543147***城市发展投资集团有限公司被执行人22.090.48729***国有资本运营集团有限公司被执行人4.580.17241**国有资本投资运营集团有限公司被执行人26.290.573975相关性15DM，西南证券整理模型的结果是聚类，不同类的样本之间连续性差。投影寻踪聚类法的核心在于聚类，其在给定的指标体系之下将多维度指标投影至一维指标并加以类别上的区分，所以归属不同类的样本之间连续性较差，更多偏向分段式的结果。于结果有效性的判断，在验证样本数量有限的情况之下，误差容忍度更低，得到符合预期结果的难度更大。时间口径上，虽然本文对时间口径的要求已非常严格，但不同时间阶段市场必然是会存在诸多差异的，因此时间阶段不完全统一的情况下，解释力度就会受到影响。传统模型算法全局精准度可能不够。如前文所述，投影寻踪模型最终的目标是寻得最优的投影方向，但是由于约束函数的非线性以及样本指标维度较多，传统投影寻踪模型下的结果可能并不一定是完全最优解。样本数据层面带来的误差和判断偏差可能难以改变，但模型本身算法是可以改进的，下文将对模型算法进行改进。8文后的重要声明部分83.2模型算法改进在处理非线性关系、多个变量同时寻优的问题时，传统模型算法会存在全局搜索能力弱的缺点，易导致结果非真正最优解的问题，因此算法的改进上以加强全局搜索能力为主要出发点。粒子群算法属于群智能算法的一种，该算法在全局搜索能力上突出，其原理为粒子之间信息共享对个体和集体的运动经验进行综合分析，动态调整粒子的运动方向和速度，使得其不断地向最优位置靠近。其算法过程可以描述为：(1)初始化粒子群，设置每个粒子的初始位置Xi及初始速度Vi；(2)根据每个粒子的初始位置和初始速度生产新位置；(3)计算每个粒子的适应度值；(4)比较每个粒子此时的适应度值和粒子单体经历过最好的位置Pid的适应度值，如果粒子此时的适应度值比历史最高位置更优，则更新Pid；(5)同理，按此方法判断是否更新粒子群体经历过最好的位置pgd；(6)根据以下公式不断迭代调整粒子的最新速度和位置，直到满足最优解实现的条件或达到最大的迭代次数，公式如下，其中为惯性权重、r1为个人认知权重、r2为群体认知权重：Vid(t+1)=Vid(t)+n1*r1*(PidXid(t))+n2*r2*(PidXid(t))Xid(t+1)=Xidt+Vit+1)用粒子群算法改进投影寻踪模型的本质点在于将投影寻踪模型的目标函数用作粒子群算法中粒子的自适应度。用粒子群算法求解投影寻踪问题时，每个粒子的位置可以看作是一个可行解，每个解是一个投影向量，把每个粒子的数据结构表示为Xi=(loc,v,fitness)，其中loc表示某个可行解,fitness表示自适应度，在此处即为此前上文的目标函数，按前文步骤进行迭代，当达到最大迭代次数时，验证结果。迭代次数并非越大越好，过大的迭代次数容易出现局部最优问题。按照上述方法，通过导入相关指标数据，获得了相对完整的全国地市级主平台负面舆情隔离能力排序，为验证有效性，我们选取符合前文所述时间口径和区域口径的验证样本进行验证，验证结果如下：表4：改进法下负面舆情不分类的验证结果平台名称风险事件类型舆情后超额利差变化(BP)迭代20次隔离能力值***投资集团有限公司非标舆情29.540.683998***城市投资集团有限公司非标舆情6.360.47447***投资集团有限公司非标舆情48.330.520355**发展投资(控股)有限责任公司非标舆情20.160735***国有资本运营集团有限公司非标舆情0.061351***发展投资集团有限公司非标舆情370.369625***城市建设(集团)有限公司商票逾期0.74294***城市资产运营集团有限公司商票逾期0.649524**城投控股集团有限公司商票逾期130.46525**城建投资集团有限公司商票逾期2.280.535579**城市投资集团有限公司商票逾期0.471583***投资集团有限公司被执行人810.615929***发展投资控股集团有限公司被执行人650.567101***城市建设投资发展集团有限公司被执行人0.592882哪些区域主平台的负面舆情隔离能力更强？9文后的重要声明部分9企业个数企业个数平台名称风险事件类型舆情后超额利差变化(BP)迭代20次隔离能力值***城市发展投资集团有限公司被执行人22.090.496363***国有资本运营集团有限公司被执行人4.580.061351**国有资本投资运营集团有限公司被执行人26.290.594424相关性-0.6635DM，西南证券整理通过对传统模型算法的改进，结果显示其与验证样本的匹配程度进一步提高，相关系数有所提升，一定程度上反应结果更趋于精准。但将负面舆情类型拆分后，模型结果与验证样本的匹配程度并未提高，原因仍可能是验证样本数量有限，时间口径不完美等因素造成。另外由于模型的最终目的仍是聚类，对模型结果值的精确性要求一般，因此仍可同时参考传统算法和改进算法的结果。4投资建议根据传统投影寻踪模型的结果，可以初步将负面舆情隔离能力指标值分为三个档次，即平台指标值在[0.3,0.6]，负面舆情隔离能力弱的平台指标值在[0,0.3]。模型结果处于[0.6,1]区间内且具备一定收益率的包括江西、湖南、河南、山东和安徽等区域地市级主平台，考虑到过往负面舆情发生频率对模型结果的干扰，尚未发生负面舆情的江西、湖南、安徽部分区域结果相对更准确，具有一定性价比。.20指标值：无单位0400DMifind券整理哪些区域主平台的负面舆情隔离能力更强？文后的重要声明部分..20400指标值：无单位.601DMifind券整理根据改进投影寻踪模型的结果，可以初步将负面舆情隔离能力指标值分为三个档次，即的平台指标值在[0.3,0.6]，负面舆情隔离能力弱的平台指标值在[0,0.3]。模型结果处于[0.6,1]区间内且具备一定收益率的包括湖北、河北、湖南、河南、山东和安徽等区域地市级主平台，考虑到过往负面舆情发生频率对模型结果的干扰，尚未发生负面舆情的湖北、湖南、安徽部分区域结果相对更准确，具有一定性价比。值：无单位0400DMifind券整理文后的重要声明部分400000.20.40.60.811.2DMifind券整理文后的重要声明部分importnumpyasnpimportpandasaspdfromscipy.optimizeimportminimizedata_updated=pd.read_excel()positiveindicators['区域经济','换手率','持有人市场风险偏好','债券存量']negativeindicatorsupdated务水平','持有人舆情风险偏好','对区域其他平台净往来']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({"公司名称":data_updated["Unnamed:0"],"投影寻踪法":final_scores_filled})final_results_filled.to_excel("",index=False)文后的重要声明部分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}")文后的重要声明部分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['名称']deldata_updated['名称']regexTrueastypefloatpositiveindicators=['区域经济','换手率','持有人市场风险偏好','债券存量']negativeindicatorsupdated区域债务水平','持有人舆情风险偏好','对区域其他平台净往来']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({"公司名称":Name,"投影寻踪法":final_scores_filled})final_results_filled.to_excel("",index=False)文后的重要声明部分时间段内差标准差时间段内差标准差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口径债务率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%非市场化发行2.3104844769816852.6213234.82712.1226.69938.46021.87864.169.44对区域其他平台净往来绝对值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月债券214.56223.80290.179.70256.62236.90.505.00208.105.004.757.5024.002.8047.8821.36400092362.1221.582022年以来月均债券换手率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%主平台1234567890123456789附录三：主平台各指标取值情况(亿元)4502.132012.32520.962767.466103233.32224.62101.55706.583314.473554.622435.75968.082167.463109.09617.92543.784401.26哪些区域主平台的负面舆情隔离能力更强？文后的重要声明部分主平台2年GDP非市场化发行特殊时间段内对区域其他平台2023年8月债券2022年以来(亿元)口径债务率差标准差净往来绝对值月均债券换手率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%哪些区域主平台的负面舆情隔离能力更强？文后的重要声明部分主平台2年GDP非市场化发行特殊时间段内对区域其他平台2023年8月债券2022年以来(亿元)口径债务率差标准差净往来绝对值月均债券换手率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%哪些区域主平台的负面舆情隔离能力更强？文后的重要声明部分主平台2年GDP非市场化发行特殊时间段内对区域其他平台2023年8月债券2022年以来(亿元)口径债务率差标准差净往来绝对值月均债券换手率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券整理文后的重要声明部分哪些区域主平台的负面舆情隔离能力更强？分析师承诺本报告署名分析师具有中国证券业协会授予的证券投资咨询执业资格并注册为证券分析师，报告所采用的数据均来自合法合规渠道，分析逻辑基于分析师的职业理解，通过合理判断得出结论，独立、客观地出具本报告。分析师承诺不曾因，不因，也将不会因本报告中的具体推荐意见或观点而直接或间接获取任何形式的补偿。投资评级说明报告中投资建议所涉及的评级分为公司评级和行业评级(另有说明的除外)。评级标准为报告发布日后6个月内的相对市场表现，即：以报告发布日后6个月内公司股价(或行业指数)相对同期相关证券市场代表性指数的涨跌幅作为基准。其中：A股市场以沪深300指数为基准，新三板市场以三板成指(针对协议转让标的)或三板做市指数(针对做市转让标的)为基准；香港市场以恒生指数为基准；美国市场以纳斯达克综合指数或标普500指数为基准。公司评级买入：未来6个月内，个股相对同期相关证券市场代表性指数涨幅在20%以上持有：未来6个月内，个股相对同期相关证券市场代表性指数涨幅介于10%与20%之间中性：未来6个月内，个股相对同期相关证券市场代表性指数涨幅介于-10%与10%之间回避：未来6个月内，个股相对同期相关证券市场代表性指数涨幅介于