1、建模思路与优化
　　本篇报告沿用我们在2026年6月12日发布的报告《一个预测转债评级下调的深度学习模型——量化学习笔记之四》的思路，基于深度学习算法，以产业债发行人评级下调为预测目标构建神经网络分类模型。
　　建模方面，通过在损失函数中引入类别权重，对评级下调类别预测赋予更高的惩罚系数θ来提高模型识别能力，并选取低、中、高不同的惩罚系数θ，构建覆盖从稳健、平衡到激进的三维评级下调预警模型，供不同风险偏好的机构灵活选用。
　　低θ—稳健型（θ=10）：模型在保持较低误报的同时，尽可能捕捉明确的下调风险。适合追求稳健、不轻易调仓但希望对高风险券提前反应的投资者。
　　中θ—平衡型（θ=25）：模型会标记出更多疑似下调的债券，预警数量增加。适合对信用风险敏感、愿意承担少量“假预警”带来的调仓成本，以换取更大程度规避损失的投资者。
　　高θ—激进型（θ=50）：模型倾向于将多数不确定样本也判为下调，尽可能不漏报。适合对信用事件容忍度极低、即使频繁预警也愿意接受的投资者。
　　2、产业债评级预测模型表现
　　以年度为频率获取2019-2026年每年5月31日存续的产业债发行人截面数据，以该年6-12月发行人是否发生评级下调为预测目标，分别输出评级发生下调和未发生下调概率，若下调概率高于50%，则发出评级下调预警，若低于50%，则不发出。分别以2023、2024年和2025年的样本作为测试集，以2019年至测试集对应年份之前的样本作为训练集，使用上述3个不同风险偏好模型进行评级下调预测：
　　结果显示，稳健型（θ=10）、平衡型（θ=25）、激进型（θ=50）模型的全样本预测胜率分别为96.37%、90.86%和85.94%，加权F1分别为97.92%、94.98%和92.20%。其中，评级未下调类的精确率（Precise），即模型认定为低风险、不会发生评级下调的发行人中，实际确实未下调的比例分别为99.88%、99.94%和99.96%；评级下调类的召回率（Recall），即所有实际发生下调的产业债发行人中，被模型正确预警的比例分别为53.85%、76.92%和84.62%。
　　3、模型预测结果（2026年6-12月）
　　截至2026年5月末，存续产业债发行人共计2118家，基于其2025年年报及过往数据，分别使用上述3个风险偏好模型对其在2026年6月至12月出现评级下调的概率进行预测。
　　3个模型分别对16家、154家和355家发行人发出评级下调预警，其中AAA级主体分别有3家、72家和169家。
　　4、风险提示
　　模型存在预测误差；
　　模型存在过拟合或欠拟合风险；
　　模型训练基于历史数据，存在未来失效风险