崔玉征 朱忠念

摘要：隨著債券市場信用違約常態(tài)化，一些證券公司發(fā)生了信用風(fēng)險事件。證券公司的信用風(fēng)險管理水平通常較難識別，但隨著數(shù)字金融技術(shù)的發(fā)展，借助另類數(shù)據(jù)有助于分析其信用風(fēng)險管理水平。本文通過選取司法訴訟、資產(chǎn)減值損失、信用減值損失三類數(shù)據(jù)，對證券公司的信用風(fēng)險管理水平進行分析。結(jié)果表明，信用風(fēng)險管理水平相對較高的證券公司占比約為28%，大多數(shù)證券公司的信用風(fēng)險管理水平需要進一步提升。建議證券公司建立線上與線下相結(jié)合的信用風(fēng)險評估體系，以更好地適應(yīng)信用評估的實際需要。

關(guān)鍵詞：證券公司??債券違約??信用風(fēng)險管理能力

信用債市場進入違約常態(tài)化階段

自2014年“11超日債”違約以來，中國債券市場進入信用違約周期，尤其是自2018年以來，每年債券市場的違約金額均在1200億元以上，信用債市場進入違約常態(tài)化階段。圖1為按年度統(tǒng)計的違約債券金額、只數(shù)及其增速分布圖，圖2為按季度統(tǒng)計的違約債券金額、只數(shù)及其增速分布圖。

萬得（Wind）數(shù)據(jù)顯示，截至2021年6月30日，全市場存量債券發(fā)行主體約為6170家，其中已違約主體為177家，違約主體數(shù)量占比為2.87%（見表1）。從評級來看，違約債券及違約主體占比最高的債券評級均為AA-及以下，AAA級債券違約占比相對較低。從違約債券金額來看，2020年新增債券違約金額為1757.96億元，同比增長40.13%;2021年上半年，新增違約債券金額為967.27億元，同比增長47.61%，信用債券市場仍面臨著較大的違約壓力。

外部評級機構(gòu)作為債券市場信用風(fēng)險預(yù)警的重要“守門人”，在多數(shù)情況下并未對信用違約事件作出有效預(yù)警，得出的評級結(jié)果也并未反映企業(yè)真實的信用風(fēng)險狀況，因而該結(jié)果也未被投資者用于風(fēng)險定價。筆者分別統(tǒng)計國內(nèi)的外部評級機構(gòu)得出的相同信用等級發(fā)債主體所發(fā)行債券票息的最大值、最小值、平均數(shù)、中位數(shù)，以及國際三大信用評級機構(gòu)對中資美元債評級結(jié)果所對應(yīng)債券發(fā)行票息的最大值、最小值、平均數(shù)、中位數(shù)，繪制了雷達圖（見圖3、圖4）。

由圖3可見，國際三大信用評級機構(gòu)得出的信用評級可用于風(fēng)險定價，即信用等級高表示企業(yè)信用資質(zhì)較好，融資成本低;信用等級低表示企業(yè)信用資質(zhì)較差，融資成本高。而國內(nèi)評級機構(gòu)得出的評級結(jié)果并未顯示清晰的分層結(jié)構(gòu)，很難用于風(fēng)險定價。

在國內(nèi)信用債券市場風(fēng)險定價機制有待改進的情況下，一些證券公司也發(fā)生了信用風(fēng)險事件。證券公司作為債券市場的重要參與者和專業(yè)機構(gòu)投資者，其信用風(fēng)險管理水平至關(guān)重要。證券公司的信用風(fēng)險管理水平通常較難識別，但隨著數(shù)字金融手段的不斷發(fā)展，特別是互聯(lián)網(wǎng)爬蟲技術(shù)、文本處理技術(shù)的不斷進步，利用大數(shù)據(jù)即可方便地獲得證券公司的很多輿情信息。利用這些輿情信息所構(gòu)成的另類數(shù)據(jù)，可從數(shù)字金融的視角來評估證券公司的信用風(fēng)險管理水平。筆者基于業(yè)務(wù)實踐，將對此進行探討。

借助另類數(shù)據(jù)方法評估證券公司的信用風(fēng)險管理水平

受篇幅所限，本文所列舉的另類數(shù)據(jù)主要包括司法訴訟、資產(chǎn)減值損失、信用減值損失三類。下文中將對另類數(shù)據(jù)方法的基本原理及操作步驟進行介紹。

（一）證券公司樣本選擇

為方便獲取數(shù)據(jù)，筆者只選擇已上市的50家證券公司作為樣本，探討如何應(yīng)用數(shù)字金融方法來分析證券公司的信用風(fēng)險管理水平。

（二）另類數(shù)據(jù)獲取

隨著互聯(lián)網(wǎng)爬蟲技術(shù)的低門檻化，市場上有很多成熟的大數(shù)據(jù)公司提供另類數(shù)據(jù)的接口服務(wù)，如企查查、天眼查等。爬蟲技術(shù)也有基于Python編程語言開發(fā)的成熟框架Scrapy。根據(jù)筆者多年的技術(shù)經(jīng)驗，建議采用Scrapy爬蟲直接爬取企查查的司法訴訟接口，來獲取每家證券公司的司法訴訟數(shù)據(jù)。

（三）指標(biāo)提取

指標(biāo)提取包括兩部分。一部分是通過Scrapy獲取的互聯(lián)網(wǎng)數(shù)據(jù)，主要是通過文本挖掘、關(guān)鍵字匹配等技術(shù)來提取結(jié)構(gòu)化指標(biāo)，在此主要提取以證券公司作為原告的訴訟金額數(shù)據(jù)（以下簡稱“訴訟金額”）。因為在證券公司發(fā)生信用風(fēng)險事件時，買方通常會采用主動訴訟的方式來挽回可能發(fā)生的損失。另一部分是通過Wind獲取證券公司資產(chǎn)減值損失和信用減值損失。在新會計準(zhǔn)則實施之前，證券公司的信用風(fēng)險損失一般記在資產(chǎn)減值損失科目;在新會計準(zhǔn)則實施之后，信用風(fēng)險損失全部計入信用減值損失科目。為保持?jǐn)?shù)據(jù)的連續(xù)性，筆者使用資產(chǎn)減值損失與信用減值損失的合計值來衡量證券公司的信用風(fēng)險損失，并在下文統(tǒng)稱為“信用減值損失”。

（四）樣本標(biāo)簽

為使用統(tǒng)計方法檢驗指標(biāo)的顯著性和開發(fā)分類模型，需要對每家證券公司進行標(biāo)記。此處，筆者僅說明模型開發(fā)的基本原理。為簡單起見，筆者將信用減值損失與凈利潤的比值這個指標(biāo)值的前20%標(biāo)記為“壞樣本”，用“1”表示;將其余樣本標(biāo)記為“好樣本”，用“0”表示。

（五）顯著性檢驗

在開發(fā)模型之前，通常需要對原始變量進行編碼，以實現(xiàn)原始變量離散化，并將原始變量轉(zhuǎn)換為WOE1變量。第i組的WOE計算方法為：

第i組的IV計算方法為：

整個變量的。通常情況下，如果變量的IV值大于0.5，表明該變量是顯著的，可以作為入模指標(biāo)。

（六）評估方法

鑒于國內(nèi)債券市場信用違約始于2014年，在進行數(shù)據(jù)搜集和處理時，綜合考慮數(shù)據(jù)的完整性并能真實、有效地反映證券公司的信用風(fēng)險管理水平。筆者統(tǒng)計了2015—2020年50家上市證券公司的信用減值損失和訴訟金額。樣本總體分布圖見圖5。

經(jīng)過上述顯著性檢驗，筆者發(fā)現(xiàn)信用減值損失與凈利潤的比值的平均值、訴訟金額與凈利潤的比值這兩個指標(biāo)的IV值均大于1。因此，這兩個指標(biāo)均可作為入模指標(biāo)。

筆者開發(fā)模型的目標(biāo)是評估證券公司信用風(fēng)險管理水平的高低，目標(biāo)變量是二元分類變量，自變量是數(shù)值變量。因此，筆者使用邏輯回歸函數(shù)來開發(fā)邏輯回歸模型，以量化評估證券公司的信用風(fēng)險管理能力。

邏輯函數(shù)的定義為：

當(dāng)時，，邏輯函數(shù)的分布圖見圖6。

上述邏輯函數(shù)中的z即為圖5中橫坐標(biāo)軸的評分，f（z）即為縱坐標(biāo)軸的概率。由于縱坐標(biāo)軸的取值范圍是0～1，假設(shè)用p表示，則有：

經(jīng)過簡單的變換，上式可變?yōu)椋?/p>

將樣本經(jīng)過二元邏輯回歸擬合后得到的通用表達式為：

變量為名義變量，即為上文中提到的兩個指標(biāo)（信用減值損失與凈利潤比值的平均值、訴訟金額與凈利潤的比值）。這兩個名義變量不能直接進行邏輯回歸擬合，而是使用其WOE變量進行回歸擬合。假設(shè)其分組變量如表2所示。

上式表示，在對WOE變量進行邏輯回歸后，得到的評分模型結(jié)構(gòu)如下：

第一，賦予每個主體一個基礎(chǔ)分值;第二，如果變量取值為，則將增加（）分，如果變量取值為，則將增加（）分，以此類推;第三，在每個變量都取得對應(yīng)類別的值后，將所有變量得分匯總，即可得到最終得分z。樣本總體分?jǐn)?shù)的分布圖見圖7。

將上述分?jǐn)?shù)帶入邏輯函數(shù)，即可為每家證券公司計算得到一個數(shù)值，該數(shù)值在0～1的范圍。數(shù)值越接近0，說明該證券公司的信用風(fēng)險管理水平越高;數(shù)值越接近1，說明該證券公司的信用風(fēng)險管理水平越低。

結(jié)論及建議

筆者通過定量分析發(fā)現(xiàn)，信用風(fēng)險管理水平相對較高的證券公司占比約為28%，而大多數(shù)證券公司的信用風(fēng)險管理水平需要進一步提升。

隨著信用違約趨于常態(tài)化，結(jié)合國內(nèi)信用評估的現(xiàn)狀，筆者建議證券公司建立線上與線下相結(jié)合的信用風(fēng)險評估體系，以更好地適應(yīng)信用評估的實際需要。其中，線上是指主要采用大數(shù)據(jù)、人工智能等科技手段搜集發(fā)債主體的輿情數(shù)據(jù)，以對發(fā)債主體可能出現(xiàn)的經(jīng)營惡化、現(xiàn)金流緊張等情況及時預(yù)警;線下是指傳統(tǒng)的盡職調(diào)查方法，多了解發(fā)債主體的最新非線上輿情和經(jīng)營進展。筆者通過總結(jié)多年的實踐經(jīng)驗發(fā)現(xiàn)，線上與線下相結(jié)合的信用風(fēng)險評估體系比較適宜在國內(nèi)應(yīng)用。證券公司可根據(jù)自身發(fā)展實際，建立適合自身的、與時俱進的信用評估體系，進而為股東創(chuàng)造更大的價值。

注：

1.通過計算每個指標(biāo)IV并用于判斷該指標(biāo)的顯著性時，需要先計算WOE，然后才能計算得到IV值，因此WOE是計算IV時的中間變量;原始自變量中并未包含因變量的任何信息，而WOE變量則包含了因變量中樣本標(biāo)簽的信息;對WOE變量進行邏輯回歸時，可以較方便地得到評分模型，而不需要再做其他轉(zhuǎn)換。

作者單位：深圳華潤元大資產(chǎn)管理有限公司

責(zé)任編輯：涂曉楓??鹿寧寧??印穎