摘要：大數(shù)據(jù)、人工智能技術(shù)的運用為企業(yè)信用風(fēng)險預(yù)測提供了新的視角。本文通過爬蟲程序抓取全市場約9000家企業(yè)的司法訴訟信息、招聘信息、法人和核心團隊工商變更記錄等無法粉飾的剛性數(shù)據(jù)，并采用機器學(xué)習(xí)等人工智能方法，開發(fā)出違約概率預(yù)測模型，可對企業(yè)違約概率做出前瞻性預(yù)測，從而實現(xiàn)對企業(yè)信用風(fēng)險更早的預(yù)警。

關(guān)鍵字：信用風(fēng)險??剛性數(shù)據(jù)??機器學(xué)習(xí)方法??神經(jīng)網(wǎng)絡(luò)

在當(dāng)今大數(shù)據(jù)、人工智能的時代，很多企業(yè)的日常經(jīng)營行為在互聯(lián)網(wǎng)上都有跡可循，這為企業(yè)信用風(fēng)險預(yù)測提供了新的視角。我們通過互聯(lián)網(wǎng)爬蟲技術(shù)抓取與企業(yè)經(jīng)營相關(guān)且無法粉飾的剛性數(shù)據(jù)，并從這些非結(jié)構(gòu)化的數(shù)據(jù)中提取結(jié)構(gòu)化的入模指標(biāo)，采用由監(jiān)督機器學(xué)習(xí)技術(shù)開發(fā)的企業(yè)違約概率預(yù)測模型，對企業(yè)違約情況進行預(yù)測。經(jīng)過檢驗，該預(yù)測模型達到了很好的效果。本文將對基于剛性數(shù)據(jù)的違約概率預(yù)測模型的基本原理進行闡述，從一個全新的視角力求對債券市場信用風(fēng)險進行分析。

違約預(yù)測的剛性數(shù)據(jù)和彈性數(shù)據(jù)

傳統(tǒng)的企業(yè)信用風(fēng)險評估方法主要基于企業(yè)財務(wù)報表數(shù)據(jù)。同時，企業(yè)的會計核算以權(quán)責(zé)發(fā)生制為基本原則，企業(yè)收入和利潤的核算、確認有一定的調(diào)節(jié)空間。因此，我們通常把企業(yè)的財務(wù)數(shù)據(jù)稱為彈性數(shù)據(jù)。通過研究已經(jīng)違約主體在違約前三年的財務(wù)數(shù)據(jù)，我們發(fā)現(xiàn)很難從這些彈性數(shù)據(jù)中獲取企業(yè)的財務(wù)異常信號。因此，很多企業(yè)在其違約前的利潤和現(xiàn)金流狀況都體現(xiàn)為“良好”。那么在實務(wù)中如何對企業(yè)信用風(fēng)險進行預(yù)測？

我們通過研究發(fā)現(xiàn)，根據(jù)企業(yè)的剛性數(shù)據(jù)往往能夠發(fā)現(xiàn)其違約前的信號。這些剛性數(shù)據(jù)包括司法被訴信息，每季度發(fā)布招聘職位數(shù)量的變化趨勢，法人變更情況，董事、監(jiān)事、高級管理人員（以下簡稱“董監(jiān)高”）及財務(wù)人員變更情況，股權(quán)出質(zhì)和動產(chǎn)抵押融資等數(shù)據(jù)。由于企業(yè)對這些數(shù)據(jù)很難粉飾，因此我們把它們統(tǒng)稱為剛性數(shù)據(jù)。

這樣，我們評估企業(yè)信用風(fēng)險的思路就非常清晰了。那就是首先從獲取的大量信息中剔除“噪聲”、保留“信號”，然后再用保留的有價值信號對企業(yè)信用風(fēng)險作出判斷。所謂噪聲，是指假象，是無價值的信息;所謂信號，是指真相，是有價值的信息。

使用剛性數(shù)據(jù)評估企業(yè)信用風(fēng)險及檢驗

使用剛性數(shù)據(jù)評估企業(yè)信用風(fēng)險，主要包括剛性數(shù)據(jù)的獲取、剛性指標(biāo)的提取、機器學(xué)習(xí)方法計算企業(yè)違約概率等三個步驟。

（一）剛性數(shù)據(jù)的獲取

我們獲取企業(yè)剛性數(shù)據(jù)的數(shù)據(jù)源主要有三個，分別是獲取司法訴訟信息的中國裁判文書網(wǎng)，獲取企業(yè)發(fā)布招聘職位信息的各大招聘網(wǎng)站、地方人才網(wǎng)和行業(yè)招聘網(wǎng)站，獲取法人變更、董監(jiān)高變更和企業(yè)場外融資信息的地方工商局網(wǎng)站。

在數(shù)據(jù)源確定后，我們使用Python編程語言開發(fā)許多爬蟲程序，可以做到每天批量抓取全市場約9000家主體的上述剛性數(shù)據(jù)。

（二）剛性指標(biāo)的提取

從抓取的司法裁判文書中，我們可根據(jù)司法涉訴性質(zhì)和嚴重程度分別提取定量型指標(biāo)，如每家公司因合同糾紛被訴次數(shù)、勞動爭議被訴次數(shù)、拖欠貨款被訴次數(shù)、企業(yè)與股東間的訴訟次數(shù)、被銀行起訴的次數(shù)、被小貸公司起訴的次數(shù)、被法院執(zhí)行的次數(shù)、是否被法院納入失信名單等司法涉訴性質(zhì)指標(biāo)。而且，這些指標(biāo)所反映企業(yè)經(jīng)營異常的嚴重程度在逐漸增加。比如：拖欠貨款被訴在一定程度上說明企業(yè)的現(xiàn)金流緊張，與股東間的訴訟表明企業(yè)跟股東之間有矛盾，被銀行起訴說明拖欠了銀行的貸款（屬于比較嚴重的信號），被小貸公司起訴說明企業(yè)現(xiàn)金流非常緊張、已經(jīng)借高利貸且逾期了（屬于極其嚴重的信號），等等。

除此之外，我們還可提取比率型的指標(biāo)和被訴且需要賠款的金額等量化型指標(biāo)，這些指標(biāo)在更大程度上反映了企業(yè)經(jīng)營困難的嚴重程度，如被訴次數(shù)最近兩年占比、被訴且需要賠款的金額最近兩年占比等指標(biāo)。

通過研究已經(jīng)違約的公司在違約前的征兆，我們發(fā)現(xiàn)一些公司在違約前一年內(nèi)存在頻繁變更公司法人、董監(jiān)高和財務(wù)人員的情況，也存在一些股權(quán)出質(zhì)、動產(chǎn)抵押等場外融資行為。因此，通過工商注冊變更記錄，我們可提取公司法人名下有多少家公司、最近兩年工商變更次數(shù)、場外融資情況等量化指標(biāo)，如圖1所示。

（三）用機器學(xué)習(xí)方法計算企業(yè)違約概率

從上述非結(jié)構(gòu)化數(shù)據(jù)中提取結(jié)構(gòu)化指標(biāo)的長清單，只是采用非財務(wù)數(shù)據(jù)進行違約概率預(yù)測的第一步。接下來，還需要從這些長清單中篩選對違約狀態(tài)影響比較顯著的擬入模指標(biāo)，并在擬入模指標(biāo)中剔除相關(guān)性較強的指標(biāo)，避免出現(xiàn)模型的過擬合現(xiàn)象，最終生成入模指標(biāo)清單。之后，將這些入模指標(biāo)送入神經(jīng)網(wǎng)絡(luò)（機器學(xué)習(xí)方法之一）作為輸入，并不斷訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)每個節(jié)點的激活函數(shù)，最終就可計算得到每家公司的違約概率，如圖2所示。

（四）全市場檢驗結(jié)果

通過上述方法計算得到每家公司的違約概率，并根據(jù)全市場樣本違約與正常的標(biāo)記，可繪制如圖3所示用于檢驗分類模型的ROC曲線，并得到AUC的值為0.939。這條曲線表明，將正常樣本和違約樣本區(qū)分開來的違約概率臨界點是0.028，正常樣本中90.7%的預(yù)測準(zhǔn)確，違約樣本中85.0%的預(yù)測準(zhǔn)確。

典型違約事件淺析

（一）A公司

A公司債券上市日期為2010年10月20日，違約日期為2015年10月19日。在違約前約兩年時間里，A公司未公布任何財務(wù)報表信息。但在2014—2015年間，A公司存在如表1所示的嚴重負面事件。

工商銀行起訴還本付息

我們運用前文介紹的方法，計算A公司每月的違約概率，繪制了如圖4所示的違約概率曲線。曲線顯示，從2014年10月開始，A公司違約概率大幅上升，在實際發(fā)生違約的2015年10月，其違約概率達到61.95%。

（二）B公司

B公司債券違約發(fā)生時間為2018年9月25日，在其違約前的一年多時間里，我們先后抓取到B公司被銀行起訴3次、民間借貸被訴1次、與股東之間的訴訟1次，并繪制了如圖5所示的違約概率曲線。曲線顯示，從2017年5月開始，B公司違約概率顯著上升，2018年后違約概率穩(wěn)定在16.74%，明顯高于歷史均值。

目前，中國資本市場評估企業(yè)信用風(fēng)險主要依靠財務(wù)數(shù)據(jù)，而從違約前的財務(wù)數(shù)據(jù)中難以獲取企業(yè)異常信號，要識別企業(yè)信用風(fēng)險是一個龐大的系統(tǒng)工程。為此，我們率先做了一些嘗試，使用以非財務(wù)數(shù)據(jù)為主、財務(wù)數(shù)據(jù)為輔的大數(shù)據(jù)評級方法，并回測計算每家企業(yè)違約發(fā)生前兩年多的違約概率并繪制違約概率曲線，力求通過概率統(tǒng)計的創(chuàng)新方法，對信用風(fēng)險進行更早的預(yù)警。

作者單位：深圳市云信譽科技有限公司

責(zé)任編輯：劉鐵峰??羅邦敏

參考文獻

[1]云信譽官網(wǎng)：www.yun-rating.com.

[2]崔玉征.?基于R語言的證券公司信用風(fēng)險計量和管理[M].?北京：清華大學(xué)出版社，2017.

[3]崔玉征.?人工智能在信用債投資領(lǐng)域的應(yīng)用：Python語言實踐[M].?北京：清華大學(xué)出版社，2018.