劉律康 班越 趙振 胡光琪 張東朔

摘要：本文以銀行間債券市場(chǎng)和交易所債券市場(chǎng)非金融企業(yè)信用債為研究對(duì)象，通過債券發(fā)行主體公開信息并結(jié)合建設(shè)銀行內(nèi)部數(shù)據(jù)，從發(fā)行主體所處宏觀經(jīng)濟(jì)環(huán)境、財(cái)務(wù)指標(biāo)、債券交易價(jià)格等方面對(duì)非金融企業(yè)信用債違約因素進(jìn)行探究，發(fā)現(xiàn)經(jīng)濟(jì)周期、發(fā)行主體現(xiàn)金流及債券交易價(jià)格等因素對(duì)于揭示債券違約風(fēng)險(xiǎn)具有重要意義，并使用隨機(jī)森林和XGBoost兩種機(jī)器學(xué)習(xí)算法構(gòu)建模型，生成信用債高違約風(fēng)險(xiǎn)預(yù)警名單，旨在為風(fēng)控部門、交易與投資部門提供決策支持。

關(guān)鍵詞：非金融企業(yè)信用債 財(cái)務(wù)指標(biāo) 隨機(jī)森林算法 XGBoost算法 高風(fēng)險(xiǎn)違約預(yù)警名單

銀行間債券市場(chǎng)和交易所債券市場(chǎng)非金融企業(yè)信用債（以下簡(jiǎn)稱“信用債”）是政府之外的主體進(jìn)行直接融資的重要渠道，是資本市場(chǎng)的重要組成部分。近年來，我國(guó)信用債市場(chǎng)發(fā)展迅速，滿足了企業(yè)多種融資需求，助力實(shí)體經(jīng)濟(jì)快速發(fā)展，但同時(shí)信用債違約1風(fēng)險(xiǎn)也有快速上升的趨勢(shì)。在此背景下，本文嘗試構(gòu)建以海量數(shù)據(jù)分析為基礎(chǔ)的多指標(biāo)前瞻性違約風(fēng)險(xiǎn)模型，旨在對(duì)信用債違約先兆進(jìn)行早期識(shí)別和預(yù)警防范。

基于公開市場(chǎng)信息的信用債違約特征研究

利用公開信息對(duì)信用債違約進(jìn)行解釋并構(gòu)建相應(yīng)模型進(jìn)行預(yù)測(cè)，一直是信用債違約研究的重點(diǎn)內(nèi)容。在債券違約發(fā)生前，發(fā)行主體所處宏觀經(jīng)濟(jì)環(huán)境、財(cái)務(wù)指標(biāo)、債券交易價(jià)格等通常會(huì)表現(xiàn)異常，從而反映出一定程度的違約風(fēng)險(xiǎn)信號(hào)。

（一）宏觀經(jīng)濟(jì)環(huán)境與債券違約的關(guān)系

影響債券償付能力的宏觀經(jīng)濟(jì)因素包括經(jīng)濟(jì)增速、貨幣政策與財(cái)政政策。

就經(jīng)濟(jì)增速而言，黨的十八大以來我國(guó)宏觀調(diào)控政策發(fā)生了一系列重大變革，經(jīng)濟(jì)增速趨于平穩(wěn)，從雙位數(shù)向個(gè)位數(shù)緩步回歸。在經(jīng)濟(jì)繁榮時(shí)期，各行業(yè)維持高景氣度，生產(chǎn)、消費(fèi)、投資活動(dòng)活躍，企業(yè)持續(xù)創(chuàng)造利潤(rùn)，現(xiàn)金流充裕，償付能力穩(wěn)健。隨著經(jīng)濟(jì)步入下行周期，部分產(chǎn)業(yè)需求萎縮，居民實(shí)際購(gòu)買力下降，企業(yè)利潤(rùn)下滑乃至虧損，現(xiàn)金流緊縮，難以如期償付債券本息，繼而形成實(shí)質(zhì)性違約。據(jù)此推論，當(dāng)經(jīng)濟(jì)增速下行時(shí)，債務(wù)主體償付能力下降，發(fā)生信用債違約事件的可能性上升。鑒于2020年新冠肺炎疫情暴發(fā)的特殊性，剔除2020年數(shù)據(jù)，利用2014—2019年國(guó)內(nèi)生產(chǎn)總值（GDP）增速與信用債違約數(shù)量的時(shí)間序列數(shù)據(jù)繪制得到圖1。圖1顯示，自2014年起GDP增速維持震蕩下行趨勢(shì)，2016—2017年出現(xiàn)短暫上行，同期信用債違約數(shù)量則呈現(xiàn)顯著的反向特征，即經(jīng)濟(jì)增速與信用債違約數(shù)量存在一定的負(fù)相關(guān)性。

就貨幣政策而言，近年來，相較美聯(lián)儲(chǔ)、歐洲央行、日本銀行等發(fā)達(dá)經(jīng)濟(jì)體央行的寬松政策，中國(guó)人民銀行更為克制，貨幣供應(yīng)整體保持松緊適度。一般而言，當(dāng)貨幣政策趨于緊縮時(shí)，金融機(jī)構(gòu)會(huì)針對(duì)信用資質(zhì)較差的債務(wù)主體要求更高的利率以彌補(bǔ)風(fēng)險(xiǎn)溢價(jià)，信貸增速繼而放緩。融資成本增加導(dǎo)致發(fā)行人債務(wù)展期能力弱化，償付能力承壓，出現(xiàn)違約的可能性相應(yīng)提高。從2014年至2021年1月金融機(jī)構(gòu)信貸增速（見圖2）來看，2016年1月至2018年5月、2019年5月至2020年1月以及2020年5月至2021年1月三個(gè)階段的信貸增速顯著下行，而同時(shí)期信用債違約數(shù)量呈上升趨勢(shì)，即信貸增速與信用債違約數(shù)量存在一定的負(fù)相關(guān)性。

就財(cái)政政策而言，對(duì)于部分自身造血能力不足、嚴(yán)重依賴財(cái)政資金支持的國(guó)有企業(yè)，財(cái)政收入減少是導(dǎo)致其發(fā)生違約的主要原因。圖3顯示，2017年1月至12月、2018年1月至10月、2019年9月至2021年1月等階段財(cái)政收入下行趨勢(shì)明顯，財(cái)政騰挪空間受限，疊加前述貨幣政策收緊、企業(yè)自身運(yùn)營(yíng)等問題，共同導(dǎo)致了部分債務(wù)主體的違約事件。

（二）財(cái)務(wù)指標(biāo)與債券違約的關(guān)系

財(cái)務(wù)指標(biāo)可以反映企業(yè)的經(jīng)營(yíng)狀況和償債能力，其中運(yùn)營(yíng)指標(biāo)能夠充分揭示企業(yè)的還款來源，資本結(jié)構(gòu)指標(biāo)能綜合反映企業(yè)的信用風(fēng)險(xiǎn)狀況。下文將以定性與定量相結(jié)合的方式對(duì)財(cái)務(wù)指標(biāo)與債券違約的關(guān)系進(jìn)行探究。

首先，通過對(duì)歷史信用債違約案例進(jìn)行分析，將部分財(cái)務(wù)指標(biāo)予以量化，觀察各指標(biāo)在違約和正常發(fā)行主體中的表現(xiàn)差異，可將違約主要原因歸結(jié)如表1所示。

其次，為留出2020年之后的數(shù)據(jù)用于檢驗(yàn)?zāi)Ｐ托Ч?，本文選取2014年1月至2019年12月的信用債違約主體和正常到期主體為研究對(duì)象，選取部分反映盈利能力、債務(wù)償付能力和企業(yè)成長(zhǎng)前景的財(cái)務(wù)指標(biāo)進(jìn)行單指標(biāo)分析。一是銷售凈利率。銷售凈利率是指企業(yè)凈利潤(rùn)占銷售收入凈額的百分比，表現(xiàn)了企業(yè)銷售的最終盈利能力。該比率越高，說明企業(yè)的盈利能力越強(qiáng)。以發(fā)行主體債券違約或到期前最后一期財(cái)報(bào)（年報(bào)或中報(bào)）中“銷售凈利率”指標(biāo)排序后分組分析（見圖4），可以看到各分組違約率呈現(xiàn)明顯線性關(guān)系，即在銷售凈利率越低的分組中，違約企業(yè)占比越高。二是速動(dòng)比率。速動(dòng)比率是指企業(yè)速動(dòng)資產(chǎn)與流動(dòng)負(fù)債之比，用來反映企業(yè)的短期償債能力。三是利潤(rùn)總額同比增長(zhǎng)率。利潤(rùn)總額同比增長(zhǎng)率是指本期利潤(rùn)總額與上期水平的比較，體現(xiàn)了企業(yè)的成長(zhǎng)前景。同樣進(jìn)行分組分析可以發(fā)現(xiàn)，速動(dòng)比率和利潤(rùn)總額同比增長(zhǎng)率兩個(gè)指標(biāo)與違約的關(guān)聯(lián)性也表現(xiàn)得同樣明顯，即在速動(dòng)比率和利潤(rùn)總額同比增長(zhǎng)率越低的分組中，違約企業(yè)占比越高。

最后，企業(yè)的基本面信息，所在區(qū)域、所屬行業(yè)、性質(zhì)、員工人數(shù)等也與信用債違約有著不可忽視的關(guān)系。如圖5所示，截至2019年12月，70%的信用債違約余額來自民營(yíng)企業(yè)。

（三）交易價(jià)格數(shù)據(jù)與債券違約的關(guān)系

業(yè)界對(duì)債券違約風(fēng)險(xiǎn)進(jìn)行度量的主要方法之一就是市場(chǎng)價(jià)格法，其主要思想是基于交易價(jià)格數(shù)據(jù)來推斷隱含違約率。隱含違約率是指通過債券價(jià)格信息推導(dǎo)出來的單只債券在一個(gè)付息周期內(nèi)發(fā)生違約的邊際概率。其對(duì)債券違約風(fēng)險(xiǎn)的計(jì)量和對(duì)違約風(fēng)險(xiǎn)變化趨勢(shì)的反映具有較高的指示價(jià)值。在國(guó)際成熟債券市場(chǎng)中，隱含違約率因與實(shí)際違約率有較高的關(guān)聯(lián)性，被廣泛應(yīng)用于信用風(fēng)險(xiǎn)定價(jià)。

2020年，中債金融估值中心有限公司基于中債價(jià)格指標(biāo)產(chǎn)品及債券市場(chǎng)歷史違約信息，推出中債市場(chǎng)隱含違約率。參考2020年四個(gè)季度（第一期于1月22日發(fā)布）的中債市場(chǎng)隱含違約率，對(duì)其發(fā)布之后一個(gè)季度內(nèi)發(fā)生首次違約的發(fā)行主體進(jìn)行觀察，發(fā)現(xiàn)在劃分適當(dāng)閾值的情況下，中債市場(chǎng)隱含違約率對(duì)違約有著較強(qiáng)的預(yù)判性。這表明，中債市場(chǎng)隱含違約率能夠客觀、精細(xì)地計(jì)量發(fā)行主體信用風(fēng)險(xiǎn)水平，可用于預(yù)期信用損失計(jì)量及風(fēng)險(xiǎn)管理領(lǐng)域。

圖6中橫軸的各點(diǎn)為中債市場(chǎng)隱含違約率值（以每次增加0.5算，即點(diǎn)1的違約率值為1，點(diǎn)2的違約率值為1.5），藍(lán)色折線為當(dāng)日隱含違約率發(fā)布后的當(dāng)季度內(nèi)的百分比變化，即預(yù)測(cè)準(zhǔn)確率AR;橙色折線為當(dāng)日隱含違約率發(fā)布后的當(dāng)季度內(nèi)的百分比變化，即預(yù)測(cè)覆蓋率RECALL。圖6顯示，隨著中債市場(chǎng)隱含違約率閾值的不斷提高，預(yù)測(cè)準(zhǔn)確率AR呈上升趨勢(shì)，而預(yù)測(cè)覆蓋率RECALL呈下降趨勢(shì)。機(jī)構(gòu)在進(jìn)行風(fēng)控排查時(shí)應(yīng)綜合考慮管理成本和收益，根據(jù)自身風(fēng)險(xiǎn)偏好選擇適當(dāng)閾值。

基于銀行內(nèi)部信息的信用債違約特征研究

業(yè)界對(duì)債券違約風(fēng)險(xiǎn)的分析一般是基于公開信息，而銀行作為國(guó)家最重要的金融機(jī)構(gòu)，具備擁有客戶全量數(shù)據(jù)的天然優(yōu)勢(shì)。以建設(shè)銀行為例，其充分利用行內(nèi)數(shù)據(jù)資產(chǎn)，加工衍生出多類數(shù)據(jù)產(chǎn)品，范圍覆蓋產(chǎn)品信息、評(píng)級(jí)信息、信貸信息、資金流向信息，以及部分外購(gòu)的工商、司法信息等。經(jīng)統(tǒng)計(jì)，本文分析的債券發(fā)行主體中有近90%是或曾是建設(shè)銀行客戶。

根據(jù)考察期內(nèi)信用債違約和正常到期情況將發(fā)行主體分為違約組和正常組，統(tǒng)計(jì)其在行內(nèi)的信貸不良情況。結(jié)果顯示，違約組的行內(nèi)信貸不良客戶占比均高于正常組，違約組的不良客戶占比是正常組的約10倍。由此可見，發(fā)行主體信貸不良情況可作為判斷后期債券違約風(fēng)險(xiǎn)的重要依據(jù)。

建設(shè)銀行于2018年1月上線的全面風(fēng)險(xiǎn)監(jiān)控預(yù)警平臺(tái)（RAD）整合了行內(nèi)外大數(shù)據(jù)資源，通過構(gòu)建模型和規(guī)則對(duì)集團(tuán)所有機(jī)構(gòu)、客戶、業(yè)務(wù)的風(fēng)險(xiǎn)進(jìn)行監(jiān)控、識(shí)別、預(yù)判并預(yù)警。本文選擇RAD系統(tǒng)預(yù)警時(shí)間先于違約或到期日的發(fā)行主體分組觀察。結(jié)果顯示：一是總體上，違約組的客戶預(yù)警率和客戶均預(yù)警條數(shù)2均高于正常組，均大于1.6倍;二是從客戶維和預(yù)警維3來看，違約組有紅色級(jí)別預(yù)警的客戶比例（81.58%）和紅色預(yù)警條數(shù)比例（54.76%）也均遠(yuǎn)高于正常組。由此可見，RAD預(yù)警信息尤其是紅色預(yù)警信息對(duì)于債券違約的前瞻分析具有借鑒意義。

基于集成學(xué)習(xí)算法的發(fā)行主體違約預(yù)測(cè)建模

（一）集成學(xué)習(xí)算法簡(jiǎn)介

集成學(xué)習(xí)算法是目前最流行的機(jī)器學(xué)習(xí)算法之一。在集成學(xué)習(xí)理論中，弱學(xué)習(xí)器被稱為基礎(chǔ)模型，這些模型可作為設(shè)計(jì)更復(fù)雜模型的構(gòu)件。在大多數(shù)情況下，基礎(chǔ)模型本身的性能并不是非常好，這要么是因?yàn)榫哂休^高的偏置（如低自由度模型），要么是因?yàn)榉讲钐髮?dǎo)致魯棒性不強(qiáng)（如高自由度模型）。集成學(xué)習(xí)算法的思想是通過將這些弱學(xué)習(xí)器的偏置和/或方差結(jié)合起來，創(chuàng)建一個(gè)強(qiáng)學(xué)習(xí)器（也稱“集成學(xué)習(xí)模型”），從而獲得更好的性能。

按照弱學(xué)習(xí)器之間是否存在依賴關(guān)系可以分為以下兩類：

一是弱學(xué)習(xí)器之間不存在強(qiáng)依賴關(guān)系，一系列的個(gè)體學(xué)習(xí)器可以并行生成。作為該類中最常見的算法代表，隨機(jī)森林算法是由多棵決策樹組成的集成學(xué)習(xí)模型，在處理分類問題時(shí)，其以CART分類樹4為基礎(chǔ)模型。根據(jù)大數(shù)據(jù)集理論，隨機(jī)森林算法并行訓(xùn)練速度快，不存在過擬合的問題，具備很好的泛化能力。

二是弱學(xué)習(xí)器之間存在強(qiáng)依賴關(guān)系，一系列的個(gè)體學(xué)習(xí)器基本必須串行生成，該類的代表算法包括GBDT、XGBoost和LightGBM等。XGBoost是一種提升樹模型，在2014年被首次提出后，因其優(yōu)良的學(xué)習(xí)效果以及高效的訓(xùn)練速度而獲得廣泛關(guān)注和應(yīng)用。XGBoost支持在選擇最佳分裂點(diǎn)進(jìn)行枚舉時(shí)并行化，訓(xùn)練速度快，其損失函數(shù)引入了一階和二階導(dǎo)，并加入正則項(xiàng)，控制了模型的復(fù)雜度，防止過擬合。相對(duì)于傳統(tǒng)的邏輯回歸等機(jī)器學(xué)習(xí)算法，XGBoost在變量挖掘方面更具優(yōu)勢(shì)：邏輯回歸的變量選擇更依賴于業(yè)務(wù)經(jīng)驗(yàn)，而XGBoost特有的樹結(jié)構(gòu)具備從原始變量中通過組合獲取隱含信息的特性，對(duì)陌生業(yè)務(wù)領(lǐng)域的分析更具優(yōu)勢(shì)。

（二）模型構(gòu)建

本文擬基于宏觀經(jīng)濟(jì)、財(cái)務(wù)指標(biāo)、債券交易價(jià)格等公開信息建立主模型，而對(duì)于是或曾是建設(shè)銀行客戶的發(fā)行主體使用行內(nèi)信貸、資產(chǎn)變化、敏感客戶名單、RAD預(yù)警系統(tǒng)等信息建立輔助模型，將主模型和輔助模型相結(jié)合來分析信用債違約風(fēng)險(xiǎn)。

有效的模型需具備預(yù)測(cè)的先兆性，即發(fā)行主體在發(fā)生違約前多久可被模型預(yù)測(cè)到。考慮到信用債尤其是違約風(fēng)險(xiǎn)較大的信用債流動(dòng)性較差的特點(diǎn)，建模所選擇的數(shù)據(jù)時(shí)點(diǎn)為違約或到期前1個(gè)月或以上。

根據(jù)對(duì)信用債違約特征和行內(nèi)外數(shù)據(jù)的分析，本文篩選出 143個(gè)或有潛在影響的基礎(chǔ)變量，再在基礎(chǔ)變量之上進(jìn)行加工衍生，共生成525個(gè)變量，變量基本情況及衍生方式見表2。其中，基本面因素包括成立年限、所在區(qū)域、行業(yè)類別等靜態(tài)指標(biāo)。

樣本方面，2014—2019 年信用債違約或正常到期主體共有2452個(gè)（不包含沒有公開信息的發(fā)行主體），其中有134個(gè)違約樣本，包括有信用債違約記錄的120個(gè)發(fā)行主體和債券正常到期前在建設(shè)銀行或他行有信貸不良記錄的14個(gè)發(fā)行主體5，占總樣本的比例為5.46%。

針對(duì)主模型，將2452個(gè)樣本按7∶3的比例6劃分訓(xùn)練集和測(cè)試集，在兩個(gè)數(shù)據(jù)集里，違約樣本占比保持在5.46%。根據(jù)數(shù)據(jù)缺失度進(jìn)行變量篩選，刪除缺失度在40%以上的變量，最終入模385個(gè)變量。

針對(duì)輔助模型，經(jīng)過是否為建設(shè)銀行客戶的篩選后，樣本數(shù)縮減為1347個(gè)，其中違約樣本為83個(gè)，包括有信用債違約記錄且為建設(shè)銀行客戶的69個(gè)發(fā)行體和債券到期前在建設(shè)銀行或他行有信貸不良記錄的14個(gè)發(fā)行體，違約樣本占比為6.16%。同樣按7∶3的比例劃分訓(xùn)練集和測(cè)試集，兩個(gè)數(shù)據(jù)集中，違約樣本占比保持不變。刪除缺失度在40%以上的變量，最終入模83個(gè)變量。

歷史上，債券違約屬于小概率事件，再鑒于以上兩種集成算法的特性以及數(shù)據(jù)源的不同，在本次建模中，我們希望能得到較高的準(zhǔn)確率，且不同的數(shù)據(jù)源能達(dá)到互補(bǔ)的效果，因此采用如下的組合策略：針對(duì)同一數(shù)據(jù)源分別使用隨機(jī)森林和XGBoost兩種算法，并將結(jié)果（違約概率最大的前5%客戶）取交集作為該類數(shù)據(jù)源的唯一輸出，之后再對(duì)兩類數(shù)據(jù)源的輸出結(jié)果取并集，最后以該名單作為最終產(chǎn)出。

模型效果評(píng)估

對(duì)模型效果的評(píng)估，通常從技術(shù)指標(biāo)、應(yīng)用效果及風(fēng)險(xiǎn)因素可解釋性三個(gè)維度進(jìn)行。

（一）技術(shù)指標(biāo)

一是預(yù)警的精確性，也可理解為準(zhǔn)確率，即通過模型產(chǎn)生的高違約風(fēng)險(xiǎn)預(yù)警名單中實(shí)際違約主體比例。該值越大，模型效果越好，即只需關(guān)注極小部分發(fā)行主體（成本），就能準(zhǔn)確篩查出高違約風(fēng)險(xiǎn)主體（收益）。該值與未建模情況下違約主體基準(zhǔn)比例的比值即為提升度。

二是預(yù)警的全面性，也可理解為覆蓋率，即通過模型產(chǎn)生的高違約風(fēng)險(xiǎn)預(yù)警名單中實(shí)際違約主體占所有違約主體的比例。理想的狀態(tài)是預(yù)警名單能預(yù)測(cè)到所有實(shí)際違約主體。

在實(shí)踐中，預(yù)警的精確性和全面性是相互矛盾的，通常需根據(jù)業(yè)務(wù)部門的實(shí)際需求進(jìn)行權(quán)衡。

（二）應(yīng)用效果

以2020年1月1日存續(xù)債券的正常（未違約）發(fā)行主體1584個(gè)為觀察對(duì)象，評(píng)估其未來違約風(fēng)險(xiǎn)。截至2020年7月底，共有14個(gè)發(fā)行主體發(fā)生首次違約。

運(yùn)用上文構(gòu)建的模型產(chǎn)生出一個(gè)包含63個(gè)發(fā)行主體的高違約風(fēng)險(xiǎn)預(yù)警名單。與實(shí)際違約情況相比，這63個(gè)高違約風(fēng)險(xiǎn)發(fā)行主體中有10個(gè)發(fā)生首次違約。評(píng)估效果解析為：基準(zhǔn)比例，0.88%（14/1584）;預(yù)警率，4%（63/1584）;準(zhǔn)確率，15.9%（10/63）;提升度，18.1倍（15.9/0.88）;覆蓋率，71.4%（10/14）?？梢?，模型在精確性和全面性方面均有較好表現(xiàn)。

（三）風(fēng)險(xiǎn)因素可解釋性

本文構(gòu)建的模型是通過多個(gè)入模變量的值綜合計(jì)算發(fā)行主體的違約率，但實(shí)際上，導(dǎo)致發(fā)行主體風(fēng)險(xiǎn)高的原因不盡相同，因此除了提供預(yù)警名單和違約率，我們還力圖尋求一種方法來幫助業(yè)務(wù)人員進(jìn)一步開展風(fēng)險(xiǎn)排查工作。由于XGBoost是一種集成模型，并不能得到類似線性模型的結(jié)果，所以需要引入其他貢獻(xiàn)度評(píng)價(jià)方法。

在此，引入一個(gè)概念：沙普利值（Shapley value）。在本文模型中，沙普利值是指所有可能特征組合子集中特征值的平均邊際貢獻(xiàn)，是邊際貢獻(xiàn)度的加權(quán)平均值。通過使用沙普利值，可以解析出究竟是哪些因素使得該樣本的違約率高于其他樣本。我們以出現(xiàn)在模型預(yù)警名單中且在2020年已發(fā)生實(shí)際違約的某集團(tuán)為例，通過計(jì)算沙普利值來解釋各變量對(duì)違約率的貢獻(xiàn)度，結(jié)果如下：

在公開信息數(shù)據(jù)模型中，對(duì)違約率上升貢獻(xiàn)度最大的三個(gè)變量分別是違約前第一個(gè)季度與第三個(gè)季度債券區(qū)間最高價(jià)變化、違約前第一個(gè)季度與第四個(gè)季度債券區(qū)間收盤價(jià)變化及其趨勢(shì)。進(jìn)一步分析，該集團(tuán)債券區(qū)間最高價(jià)在違約前第一個(gè)季度較第三個(gè)季度下降4.92元，而同期，總體樣本均值為上升1.03元;同時(shí)，其收盤價(jià)在違約前第一季度較第四季度下降且下降幅度高達(dá)23.24元，而總體樣本均值為上升1.33元。這些價(jià)格變化使得該集團(tuán)債券違約率遠(yuǎn)高于所有樣本違約率均值。

在銀行內(nèi)部數(shù)據(jù)模型中，對(duì)違約率上升貢獻(xiàn)度最大的三個(gè)變量分別是敏感名單個(gè)數(shù)、關(guān)聯(lián)被執(zhí)行人的案號(hào)數(shù)量及執(zhí)行標(biāo)的合計(jì)。具體來看，該集團(tuán)的關(guān)聯(lián)被執(zhí)行人執(zhí)行中案號(hào)執(zhí)行標(biāo)的合計(jì)高達(dá)120億元，遠(yuǎn)高于其他發(fā)行主體;另外，該集團(tuán)同時(shí)出現(xiàn)在10個(gè)各類敏感名單中和5個(gè)被執(zhí)行人案號(hào)中，該集團(tuán)法定代表人任職公司個(gè)數(shù)有15個(gè)之多，存在極大的風(fēng)險(xiǎn)隱患。在多個(gè)負(fù)面效應(yīng)的綜合作用下，該集團(tuán)的違約率遠(yuǎn)高于所有樣本違約率均值。

結(jié)論

本文對(duì)債券發(fā)行主體的多種特征（宏觀經(jīng)濟(jì)環(huán)境、財(cái)務(wù)指標(biāo)、交易價(jià)格）進(jìn)行違約關(guān)聯(lián)性分析，并采用集成學(xué)習(xí)算法建立了發(fā)行主體違約先兆預(yù)測(cè)模型，得出以下結(jié)論：

一是相對(duì)于宏觀經(jīng)濟(jì)數(shù)據(jù)和財(cái)務(wù)指標(biāo)，債券交易價(jià)格對(duì)發(fā)行主體潛在風(fēng)險(xiǎn)敏感度極高，部分指標(biāo)（如中債市場(chǎng)隱含違約率）設(shè)定閾值后可直接作為預(yù)警規(guī)則部署使用;而行內(nèi)數(shù)據(jù)以獨(dú)特的觀察視角描繪出的發(fā)行主體風(fēng)險(xiǎn)畫像，可成為風(fēng)險(xiǎn)排查手段的有效補(bǔ)充。

二是通過集成模型產(chǎn)生的信用債高違約風(fēng)險(xiǎn)預(yù)警名單對(duì)發(fā)行主體的違約風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)具有很強(qiáng)的指導(dǎo)意義，而使用沙普利值將風(fēng)險(xiǎn)因素可解釋化，為業(yè)務(wù)人員進(jìn)一步開展風(fēng)險(xiǎn)排查工作指明了方向。

注：

1.根據(jù)萬得（Wind）的劃分標(biāo)準(zhǔn)，本文所指違約包括信用債本息展期、交叉違約、擔(dān)保違約、技術(shù)性違約、提前到期未兌付、未按時(shí)兌付本金等情況。

2.客戶預(yù)警率是指在相應(yīng)客戶組內(nèi)有預(yù)警的客戶數(shù)占比，公式為組內(nèi)預(yù)警客戶數(shù)/組內(nèi)總客戶數(shù)?？蛻艟A(yù)警條數(shù)是指在相應(yīng)客戶組內(nèi)，每個(gè)客戶平均預(yù)警條數(shù)，公式為組內(nèi)總預(yù)警數(shù)/組內(nèi)總客戶數(shù)。

3.客戶維是指根據(jù)預(yù)警級(jí)別將客戶劃分為紅色客戶、橙色客戶和藍(lán)色客戶，分別表示客戶的風(fēng)險(xiǎn)水平：高、中、低，用于比較正?？蛻艚M和違約客戶組中各風(fēng)險(xiǎn)級(jí)別的客戶分布差異。預(yù)警維是根據(jù)預(yù)警級(jí)別將總預(yù)警數(shù)劃分為紅色預(yù)警條數(shù)、橙色預(yù)警條數(shù)和藍(lán)色預(yù)警條數(shù)，用于比較正常客戶組和違約客戶組中各風(fēng)險(xiǎn)級(jí)別預(yù)警條數(shù)的分布差異。

4.CART分類（回歸）樹是幾乎所有復(fù)雜決策樹算法的基礎(chǔ)。CART樹是一棵二叉樹，當(dāng)用作解決分類問題時(shí)（如預(yù)測(cè)用戶是否違約，違約用1表示一類，不違約用0表示另一類），采用基尼雜質(zhì)（Gini Impurity）作為節(jié)點(diǎn)分裂的依據(jù)，直到節(jié)點(diǎn)中樣本個(gè)數(shù)小于預(yù)定閾值。

5.因違約樣本較少，因此用于建模的為不平衡樣本集?？紤]到信貸質(zhì)量與債券違約有較強(qiáng)的相關(guān)性且有一定前瞻性，因此選擇有信貸不良記錄的14個(gè)發(fā)行主體來擴(kuò)充違約樣本，以減少不平衡樣本集對(duì)模型效果的負(fù)面影響。

6.業(yè)界一般按8∶2或7∶3的比例劃分，但為了避免屬于某一類別的樣本較少導(dǎo)致劃分后測(cè)試集樣本不平衡，本文以7∶3的比例劃分。

作者單位：中國(guó)建設(shè)銀行總行風(fēng)險(xiǎn)計(jì)量中心

責(zé)任編輯：宋鵬 羅邦敏

參考文獻(xiàn)

[1] 孟祥娟.違約統(tǒng)計(jì)：一件簡(jiǎn)單但容易犯錯(cuò)的事[R]. 上海：申萬宏源， 2018.

[2] 生柳榮， 陳海華， 胡施聰， 等. 企業(yè)債券信用風(fēng)險(xiǎn)預(yù)警模型及其運(yùn)用[J]. 投資研究， 2019， 38（6）：25-35.

[3] 張劍文， 余艷炯， 倪力超， 馮瑞敏. 資本市場(chǎng)企業(yè)信用風(fēng)險(xiǎn)預(yù)警體系構(gòu)建[C]//中國(guó)證券業(yè)協(xié)會(huì).創(chuàng)新與發(fā)展：中國(guó)證券業(yè)2018年論文集（上冊(cè)）.北京：中國(guó)財(cái)政經(jīng)濟(jì)出版社， 2019：267-275.

[4] 中國(guó)人民銀行常州市中心支行課題組，許永偉.債券違約風(fēng)險(xiǎn)預(yù)警指標(biāo)體系構(gòu)建研究[J].金融縱橫，2019（9）：42-47.

[5] 周榮喜，彭航，李欣宇，等.基于XGBoost算法的信用債違約預(yù)測(cè)模型[J].債券，2019（10）：61-68.