研究报告全文：债券信用评级模型研究类承曜邓晴元一背景1我国信用债违约情况概述1信用债违约趋于常态化自2014年11超日债成为我国首例违约债券以来债券市场违约现象频现刚性兑付的预期不断被打破债券违约日益增多如图1所示从首次违约的时间分布来看2015-2016年2018-2019年为两次违约高峰2014年-2016首次违约主体数量持续增加2016年煤炭钢铁机械有色等产能过剩行业成为违约的高风险领域并出现了以东特钢为代表的违约事件16年上半年内新增12个违约发行人实质违约债券25只超过了1415年两年违约的案例总量直到16年四季度启动供给侧改革大量淘汰过剩产能剩者为王过剩产能行业龙头基本面出现明显转机2016年达到阶段性高峰新增28家违约主体2017年首次违约主体和金额均大幅下降之后2017年年底融资环境收紧2018年强监管紧信用和资管新规等一系列监管措施出台带来非标转标表外回表的去杠杆的过程导致信用收缩和配置退潮之后违约的出现2018年-2019年新增违约主体数量和金额陡增其中2019年新增违约主体数量和金额为历年最高共43家违约主体涉及违约金额17533亿元2020至2021年信用债违约延续常态化2020年共有155只信用债发生违约其中包括28家新增违约主体2021年共有148只债券违约违约余额为159593亿元数据来源Wind图1信用债违约规模与数量2违约主体以民企为主违约国企数占比持续上升从违约主体属性来看信用债违约主体主要分布在民营企业但违约国企数占比持续上升2014年至2021年底违约的民企共149家占比793国企39家占比2072020年违约国企数占比已达到290违约国企不仅包含校企背景的弱资质国企如清华紫光北大科技园也有国资委背景的永城煤电华晨汽车等国企债刚兑信仰受到较大冲击数据来源Wind图2违约主体性质情况3违约主体行业分布集中于制造业地域集中于东部地区从违约主体行业分布来看图3信用债违约较为集中的行业包括制造业综合批发与零售贸易交通运输与仓储业等制造业占比达到38从违约主体地域分布来看图4图5信用债违约集中分布于东部地区北京市违约主体数和违约金额均居于首位违约主体数量为27家违约债券余额为125624亿元广东违约主体数量居于第二位江西省西藏自治区无违约主体数据来源Wind图3违约主体行业分布数据来源Wind图4违约主体地域分布数据来源Wind图5违约主体地域分布地图4违约主体信用评级整体较高从违约主体评级来看信用债违约主体发行时和违约前评级均较高其中AA级主体占比最高并且评级中枢有上移趋势对于发行时信用主体评级AA级及以上主体占比为828对于首次违约前一个月违约主体评级相对分散AA级及以上主体占比为382A-级及以上占比为6842020年广受关注的永煤控股华晨汽车紫光集团违约前一个月外部评级为均为AAA级数据来源Wind图6违约主体债券发行时主体评级数据来源Wind图7违约主体违约前一月主体评级5对市场的影响国内债券市场违约逐步常态化叠加违约债券处置效率不够充分处置时间长回收率低等1对市场定价投资者企业都有重大影响2016年以来市场对信用风险的担忧逐渐加大高低等级信用债信用利差逐步走阔AAA和AA评级的短融中票评级利差持续飙升尤其是自2016年违约事件增多后高低评级间利差的飞速扩大从大的经济环境看随着经济增速放缓发债主体的经营能力和偿债能力将会继续分化未来可能的信用风险事件暴露将对低等级信用债价格形成持续性冲击另外一方面债券违约会造成机构投资者的持仓久期的变化在债务违约高企信用风险加大的背景下机构为了维持流动性稳定和控制信用风险纷纷控制持仓久期越来越倾向于持有短久期的债券1详见中债研究所2020年报告债券违约处置机制与债券市场风险化解相应的发行人也调整发行债券的期限新发行的债券中1年以内的债券在总体中的占比提升但从发行成本上来看尽管整个债券市场利率有所下行但是企业主要的债券融资品种期限在1年以下的短期票据发行利率反而是在相对上升的也反映出机构投资者持仓偏好集中加剧竞争而债券违约带来的另一个结构是信用债净融资额减少违约频现后企业利用债券作为融资渠道的能力下降信用债净融资额总体减少对国内资本市场有着不利的影响2信用评级体系现状1评级普遍虚高主体区分度低目前国内评级机构将主体评级主要划分为9个等级遵循全球标准但评级尺度不同从实际评级结果来看等级整体分布变化不大出现了评级虚高的现象大部分发行人集中在AA级及以上且集中度不断提高以至于市场认为国内的发行人信用评级只分为五个等级为AAA级AA级AA级AA-级和其他等级由于评级集中度太高导致评级的风险区分效果较差无法体现评级对象在行业客户维度上的风险差异例如同样是AAA级个体间风险差异太大既有风险极低的大型银行也有处于过剩产能经营效益较差的煤炭钢铁等企业评级结果无法实现有效的风险区分对比国际三大知名评级公司以BBB级为投资和投机的分水岭并在A级AA级以及AAA级之间实现有效的风险区分Miles等2018实证发现从平均信用利差来看中国的AAAAA的信用评级等同于国际评级机构ABBB评级中国同一评级的平均利差达到58bps而美国和欧洲债券市场同一信用评级的平均利差在9bps至18bps充分显示了中国债券信用评级区分度低无法客观准确及时地揭示债券的信用风险对投资者的预警能力不足2评级机构主标尺与标准不一致评级结果无法横向比较国内同一评级机构采用统一的主体评级主标尺因此不同的等级符号可以直接排序即AAA级优于AA级优于A级如此类推甚至两个同样为AA级的发行人也可以进行比较只要获得其实际的信用评分即可但是在不同评级机构之间虽然等级符号及信用等级的核心定义基本一致但不同评级机构的评级标准与质量不同使得等级符号无法直接进行比较容易导致债券定价的错乱投资者需要根据评级机构声誉来区别对待不同评级机构的信用评级3评级动态管理不足预警功能弱监管机构往往要求评级机构对发行人进行定期跟踪动态监测其信用风险水平必要时采取措施进行风险预警为投资者提供时效性较强的评级动态管理但是违约发行人评级调整情况来看大部分评级机构对发行人的风险监控不到位大部分违约主体在违约前至少一个月并没有被大幅下调等级这无法为投资者提供可以信任可以预见的信息比如今年违约事件永城煤电债券主体违约前为AAA级虽然债券违约为债券市场的正常现象但是AAA级债券突然违约却与市场预期不同更加凸显了当前债券评级系统未能为投资人提供足够的客观评价未能实现有效的动态预警功能综上我国信用债违约趋于常态化刚性兑付的预期国企信仰等不断被打破我们需要更加市场化的方式预测债券违约尤其在我国债券违约处置效率尚不足的背景下踩雷会给投资者带来严重的威胁进而对资本市场定价企业融资都具有深远影响能够提前得到债券违约预警以尽可能降低踩雷风险对银行基金等风险厌恶的债券持有者具有重要意义然而我国目前信用评级体系仍然存在评级普遍虚高主体区分度低标准不一致结果无法横向比较评级动态管理不足预警功能弱等广为诟病的问题我们希望基于我国信用债的情况构建一个市场化的具有区分度且具备一定预警功能的违约评估模型二文献综述1基本logistic模型对于信用债违约风险的预测国内外学者都做过不同程度的探讨但是最早的信用债违约预测模型被划分到了企业财务困境预测模型的范畴而在企业财务困境研究中多元判别分析模型和logistics模型是最常见的两种模型Beaver1966和Altman1968是最早提出使用判别分析来预测企业财务困境的Beaver和Altman之后对财务困境的预测的研究逐渐丰富起来Beaver1966考虑了30个他认为可能能够预测企业财务困境的财务比率通过单变量判别分析具有最佳预测能力的比率是营运资金占总资产的比率和净收入占总资产的比率这两个比率分别正确识别了样本中90和88的破产企业和非破产企业Altman1968是第一个使用多元判别分析来解释财务比率在预测破产中的相互作用的研究他从22个财务指标中甄选出5个指标分别是营运资本占总资产的比率留存收益占总资产的比率息税前利润占总资产的比率权益市值占债务账面值的比率销售收入占总资产的比率然后利用这五个指标构建了经典的Z-score模型该模型被世界各国广泛应用1977年AltmanHaldeman和Narayanan扩展了Z-score模型将指标数增加到7个分别反应了企业的资产报酬率收入的稳定性债务偿还累计盈利流动比率资本化率和规模这七个方面建立了第二代的Z-score模型在国内陈静1999最早通过对国内市场ST公司的实证分析建立了判别分析财务预警的模型她建立了一元判别模型和多元判别模型用于预测我国上市公司财务状况张玲2000张爱民等2001王丽2008等在使用方法和模型的应用范围上做了一定的创新性研究拓宽了判别分析模型在我国上市公司财务预警方面的应用张玲2000以中国实际营运上市公司的财务比率为依据推导建立了一个财务危机判别分析模型张爱民等2001在经典的Z-Score模型基础上采用主成分分析方法建立了一种新的预测企业财务困境的模型主成分预测模型王丽2008通过把我国上市交通运输企业数据代入现有的经典Z-Score模型最终建立了适合我国上市交通运输行业财务预警的Z-Score模型但是Z-score模型和以Z-score模型为基础推导建立的其他模型均存在着假设上的局限性多元判别分析模型要求自变量的样本必须服从正态分布并且两类样本必须具有等协方差但是在现实生活中大部分实际数据都不能满足这个前提假设相较于判别分析模型Logistic等非线性数值模型没有这一要求因而目前Logistic模型被广泛应用于预测企业财务困境或企业的违约风险在国外Ohlson1980最早在研究中使用了logit模型他检验了企业财务比率和其他因素是否与破产有关他的研究不仅关注模型的预测能力还关注模型的系数估计总的来说他的模型中包括四个方面的变量总资产与国民生产总值价格水平指数的比值总负债与总资产的比值业绩指标或业绩指标的组合营业收入与总资产的比值和或经营性现金流入与总负债的比值度量流动性的指标流动资金与总资产的比值流动资产与流动负债的比值Saretto2004应用一个简单的分段常数风险模型研究了如何利用财务比率预测公司债券违约以及违约概率如何与预期股票收益相关最后通过使用logit模型发现公司的规模当前业绩杠杆率流动性以及所属的集团行业对预测企业财务困境有显著影响刘旻2001是国内比较早应用Logistic回归模型分析上市公司财务风险的他利用Logistic分析方法筛选出了11个财务指标并建立预警模型戴红军等2009在传统财务预警指标的基础上加入衡量公司盈余管理程度的预警指标采用主成分分析和Logistic回归构建了企业财务危机预警模型2014年11超日债成为我国首例违约债券随着违约债券日益增多越来越多的学者开始关注信用债券违约风险因素随着可用数据的增多在样本选择上也不再采用上市公司的ST公司作为企业违约样本而是以在中国债券市场发行债券并违约的企业作为样本徐占东和王雪标2016利用Pls提取因子建立了基于Pls-logit模型的财务危机预警模型潘泽清2018应用Logistic模型以国内20162017年债券违约企业作为样本构建风险预警模型实证结果发现26个财务指标中销售净利率总资产增长率资产负债率流动负债比率4个财务指标可以作为企业债务违约风险预警指标张永东2019采用ADASYN过采样算法人工合成了违约类与非违约类企业数量大致相当的样本构建了ADLogistic预警模型克服由于非均衡信用债样本带来的违约样本分类预测精度下降的难题除了建模外比较这几类模型的优劣也是一个重要的研究方向Barniv等2002提出logit模型是文献中最常用的方法吴世农等2001以我国上市公司为研究对象分析了Fisher线性判定分析多元线性回归分析和Logistic回归分析三种方法发现相对于同一样本Logistic预测模型的错误率最低较多元判别方法和Fisher线性判定分析更加优越和稳健李晓奇2011通过对比分析各类财务预警模型后得出Logistic回归模型最适合用于建立我国的财务预警模型的结论综上基于Altman1968的经典Z-score框架后续研究发现Logistic回归更适于构建信用违约评估模型而logit回归和Logistic回归仅区别于采用了不同的表达形式可以相互转化因此本初步研究将采取线性的logit模型2机器学习模型随着大数据时代到来计算机和信息技术的发展许多机器学习方法被引入到违约风险预测中去国外早有学者将机器学习应用于信用风险测度方面Odom和Sharda1990这两位学者是最早在公司破产预测研究中使用了神经网络机器学习模型这两位学者采用了Altman所选取的五个财务指标作为神经网络模型的输入变量并将模型与多元判别分析方法做比较得到的模型预测准确率在77左右高于多元判别分析方法McKee2000将决策树模型引入公司破产预测得到了比神经网络模型和多元判别分析方法更高的预测准确率Palaniswami2000提出使用支持向量机SVM模型来预测公司破产风险并提出输入变量的数量会影响模型的预测准确率Hussian2014利用人工神经网络技术结合过往约旦商业银行接受和拒绝贷款申请的记录建立约旦商业银行贷款决策的信用评分模型Noura2017立足银行信贷收缩背景提出一种基于遗传算法GA的辅助银行进行贷款决策的智能模型使得银行减少12至50的贷款筛选时间且能提升银行39至81的利润Chietal2021结合知识图谱技术和深度学习算法来预测债券违约风险取得了较好的预测结果在我国机器学习在信用风险测度方面多应用于网贷平台个人信用风险的测度王茂光等2016运用C50决策算法为核心针对小额网贷平台的信用风险问题进行建模监控丁岚2017基于Stacking集成算法对人人贷交易数据建立违约风险预警模型通过与单一算法对比发现集成算法能明显减少错误比例陈舒期2019结合AdaBoost算法SOMK-means聚类算法和BP算法进而提出一种改进的SSVM集成算法对个人信用风险进行评估实验结果表明该集成算法能有效提高模型泛化能力分类精度得到了2的提升钟华星2020基于某借贷平台的数据首次将RUSBoost算法用于信用风险的测度比与其他机器学习方法和传统回归方法进行对比分析结果显示针对类别不均衡的数据RUSBoost表现出了强劲的适应能力在公司债券风险测度的研究方面国内运用机器学习方法进行的较其他方法少HuiLi等2010运用CART分类树算法对上交所和深交所的上市公司进行了财务风险的预测结构证实了这个方法的有效性且预测性能和显著性检验方面均优于SVM和KNN方法盛夏等2016选用了2003年至2015年330多条信用评级变动的数据在预测信用评级变动问题上将包括RandomForestLogistic在内的物种机器学习模型进行预测效果的测试结果显示RandomForest分类模型的预测能力最强胡蝶2018采用随机森法RF结合经济逻辑分析挖掘出了影响债券违约的关键因子刘逸爽2018基于公司财报中的文本内容将管理层语调与财务数据相结合利用决策树模型和SVM模型构建上市公司的信用风险预警模型实证得出管理层语调变量的加入确实能提高模型预警能力但衡量方法上存在主观性张永冬2019利ADASYN过采样算法生成均衡化的新样本数据进而结合Logistic模型建立债券违约风险预警模型且已在作者所在授信审批部门得到应用预警效果良好鲍俊颖2021以债券发行主体首次违约数据为基础选择高斯贝叶斯模型和逻辑回归模型对投资违约债券兑付成功率进行预测结果显示预测违约债券投资兑付概率明显高于样本平均值在一定程度上能够指导债券投资决策本文采用的XGBoost算法是在GBDT的基础上改造而来由陈天奇博士在2015年提出GBDT仅以决策树为基分类器而XGBoost同时支持线性分类器在诸多机器学习算法中XGBoost作为一种高效的集成学习方法在众多比赛项目开发和研究领域中被广泛使用其运行速度和模型性能比其他方法ANNSVM和RF更优异GhoshandPurkayastha2017王重仁和韩冬梅2019极端梯度提升树XGBoost采用集成思想是一种开源的高度可扩展的梯度提升的学习方法其稳定性较强预测性能优异对数据中的噪声和多重共线性问题敏感度较低已经在各个学科领域中得到了广泛应用NobreandNeves2019曾宇哲等2019苟小菊和王芊2021与传统梯度提升树GBRT相比兼具线性规模求解器和树学习算法XGBoost通过将正则项引入损失函数中且对损失函数进行了二阶泰勒展开能够较好地权衡模型自身的复杂程度和损失函数的下降程度从而可以更好地处理和控制过拟合问题的产生和提高模型的求解效率王晓晖等2020有部分学者已经将XGBoost应用到了最新的债券违约预测中ZhangandChen2021基于合成少数类过采样技术SMOTE与极端梯度提升树XGboost算法提出了SMOTE-XGboost组合债券违约预测模型结果显示XGboost算法在处理不平衡数据方面优于传统算法周荣喜等2019利用随机森林算法选取影响债券违约的关键特征发现具有较高的准确性本文也将构建基于XGBoost算法的债券违约风险预警模型三第一代模型基本logistic模型1方法1样本匹配我们选取所有信用债2015-2020年截止至10月的数据通过删除缺失总资产数据的变量进行缺失值预处理得到有效总样本90649个其中违约债券样本287个由于违约债券样本坏样本和未违约债券样本好样本比例悬殊过高直接进行回归估计将存在过度拟合的问题因此借鉴Altman1968的方法我们基于行业年份规模和地区省份四个维度2以及3-5倍的匹配原则3进行样本匹配首先将违约债券的所属Wind行业一级分类划分为4组如下表所示表1行业分组行业分组Wind行业一级分类样本数样本占比1工业852962材料3712892能源12418可选消费531847日常消费248363房地产22767医疗保险207信息技术124184公用事业23801金融17592总计287100同时将违约债券所属省份按照地域及经济发展水平划分为8组如下表所示2Altman1968采用了行业年份规模三个维度进行匹配考虑到我国债券违约地域性显著的特征我们引入地区省份维度3Abadie等2004建议一对四匹配表2地区分组地区分组省份样本数样本占比黑龙江省41391吉林省4139辽宁省14488北京3813242天津207河北省21732河南省41393山东省22767山西省17592上海62094江苏省301045浙江省26906福建省93145广东省19662广西壮族自治区1035内蒙古自治区4139宁夏回族自治区2076甘肃省11383青海省3105新疆维吾尔自治区1035湖北省93147湖南省207安徽省21732四川省134538重庆207陕西省207总计287100针对每个违约样本我们选出与其所属行业4组地区8组分组相同且年份一致的样本随机排序4后按照4个的基准3-5个间浮动筛选规模近似的好样本进行匹配最终给2475个坏样本匹配了870个相似的好样本总样本量为1117个我们将全部样本按73随机分为训练组和测试组2基本模型我们采用logit模型通过对指标加权给出每个债券的评分并转换为其违约概率假设变量通过解释变量的线性方程以及随机项和指标01相联系123011债券2违约2债券未违约1可以得到0因此10111011224保证样本除4个基本特征外被随机抽取5从287个经过预处理的样本中删除存在缺失值的最终得到247个有效坏样本其中相互独立是估计系数3灰色地带101尽管我们设计信用债违约模型时进行各项调试尽可能提高了其准确性利用得到的模型进行预测时依然会存在估计错误而且概率并非低到可以忽略尤其在判别债券是否会违约的临界点附近坏样本和好样本的区别更加模糊因此我们借鉴Altman1968的方法识别出这一灰色地带以进一步降低投资者更加关注的二类错误率根据Altman的研究存在灰色地带即可以观察到错误分类的Z-score范围当Z-score处于灰色地带时模型是失效的我们无法根据Z-score有效判断公司是否有破产风险同样在本文研究中logit回归拟合结果同样存在灰色地带需要确认灰色地带的范围由于违约公司部分特质存在特异性模型解释力有限灰色地带将比Z-score模型中的范围更大若根据所有出现错误的样本对应的值确定灰色地带的上下界那么大部分可以正常预测的样本也将归入这个范围模型可正常预测区间极小对此本文将根据出现错误样本的概率获得一个能将大部分错误样本包含在内的灰色地带范围确认时主要遵循以下几个原则1由于实务中对存在违约风险的公司的识别更为重视因此我们主要关注二类错误即更关注灰色地带下界的确定上界则定为之前确定的分界点2尽量将出现二类错误的样本归入灰色地带3在尽量降低二类错误率的基础上保证整体错