随着公司债券市场的发展,公司债券的信用风险溢价问题得到诸多研究的关注。共同因子是刻画风险溢价的重要基础,经验研究证实采用因子模型的方法有助于识别风险溢价,将共同因子模型应用到公司债券市场有助于合理估计信用溢价。已有国外学者针对公司债券共同市场因子开展研究,基于债券不同特征选取债券因子并证实其在公司债券信用溢价中的作用。相比之下,我国现有研究对公司债券共同因子关注较少,主要围绕宏观经济条件、债券自身特征等因素对债券信用溢价问题进行探讨,几乎没有涉及到债券组合及其市场共同因子;在研究方法上,大多选择线性回归、主成分分析法,在因子间存在共线性条件下并不能对单因子解释能力进行有效区分,机器学习算法在债券市场中应用研究少之又少。因此,本文采用组合价差、线性回归法构造公司债券单因子组合,综合选择线性回归、稀疏学习和集成学习等三类机器学习算法考察新的因子及其组合对公司债券信用溢价的影响,挑选出对债券信用溢价能力较强的风险因子,并比较不同因子模型的整体解释能力。文章以我国债券市场上流通的公司债券为研究对象,考虑到2010年前公司债券发行量较少,本文设定样本区间为2010年1月至2016年12月。由于2015年1月15日中国证监会正式发布《公司债券发行与交易管理办法》,将公司债券的发行主体扩大至所有公司制法人,公司债券发行规模显著增加,因此,本文亦以2015年1月为界划分样本区间。首先基于债券自身特征、交易特征选取相关因子,采用组合价差法构建债券单因子组合,对比各单因子夏普比率、基于市场信用风险的超额收益率和考虑股市因子后的超额收益率,检验各债券单因子有效性;随后,采用线性回归、稀疏学习与集成学习等机器学习算法对比因子模型对公司债券信用溢价解释能力,对比不同算法下、不同模型对公司债券信用溢价平均拟合优度差异,选择LASSO族方法得到各债券因子非零估计值频率,基于随机森林算法对各债券因子重要度进行排序,从而比较、评估债券因子在信用溢价解释能力中相对作用大小。研究发现:规模、下行风险、价值和波动率四个债券因子均能获得市场信用风险、Fama和French三因子无法解释的超额收益率;公司债券的“规模效应”、“价值效应”在全样本区间内表现稳健,而下行风险因子、波动率因子在进入2015年后才呈现出显著较高的收益率;规模因子年化波动率最小,且对市场风险的贝塔值较低,逆周期防御功能相对较强。对比单因子间解释力,我们可以发现下行风险因子、价值因子对半数以上公司债信用溢价起决定作用,并具有较高的变量重要度;市场信用风险在单个债券信用溢价中解释作用较弱。对比含股市因子的传统多因子模型,无论采用何种拟合方式,本文提出的公司债券五因子模型拟合优度均保持相对较高水平。构建的五因子模型对公司债券信用溢价的解释能力优于含股市因子的传统因子模型,基于随机森林集成算法的债券因子模型对信用溢价的解释效果最好。本文的创新之处在于:第一,从公司债券特征、市场交易特征和股市因子等角度综合构造公司债券信用溢价因子,尤其是考虑了波动率、下行风险等新的市场因子。第二,综合采用了线性回归、稀疏学习和集成学习等三类机器学习算法并进行不同模型的比较研究,选择LASSO、适应性LASSO、随机森林等机器学习算法对因子回归模型进行变量选择,在提高拟合模型精确度、稳定性的同时兼顾变量选择、变量重要度排名,不仅能够比较单因子在公司债券信用溢价中的作用,也能对模型整体拟合优度进行评价。本文存在以下不足之处:第一,由于本文从截面角度构建因子,注重分析交易特征因子,并未考虑宏观经济因子的影响,也不考虑反映宏观经济的利率期限结构各个因子,因此本文提出的债券因子模型并不能完全解释公司债券信用溢价,仍存在较多影响信用溢价的潜在因素。第二,公司债券信用溢价可能会存在一定程度的序列自相关,由于不同债券信用溢价序列可能呈现不同时间模式,且样本期较短,本文无法有效提取所有样本债券非预期信用溢价变动,因此本文并未讨论因子模型在债券非预期信用溢价中的作用;但是本文采用的稀疏学习算法和随机森林算法均基于随机抽样,能在一定程度上缓解单个债券信用溢价序列相关的影响。