文| 周培源

引言

我國債券市場發(fā)展迅猛，債券市場品種、發(fā)債數(shù)量、發(fā)債規(guī)模等均在不斷豐富及擴大，信用類債券已經(jīng)成為商業(yè)銀行金融市場業(yè)務(wù)的重點資產(chǎn)配置對象。但近年來我國信用債劵市場違約風(fēng)險案件頻發(fā)，違約數(shù)量、違約規(guī)模均呈現(xiàn)爆發(fā)式增長。作為商業(yè)銀行內(nèi)部審計，對信用類債券的風(fēng)險揭示也成為重點與難點。既往審計主要依托公開市場信息及外部第三方評級機構(gòu)的評級結(jié)果，但第三方評級結(jié)果的有效性也因大公國際負(fù)面信息曝光而受到了質(zhì)疑。基于此，本文站在內(nèi)審角度通過模型化監(jiān)控并弱化對外部評級結(jié)果的依賴，揭示信用債風(fēng)險的可行性。

模型設(shè)計及構(gòu)建

從國內(nèi)外研究結(jié)果看，信用債違約的因素主要從宏觀市場、企業(yè)微觀指標(biāo)、企業(yè)所處行業(yè)等多個方面進行分析研究。對比過往研究涉及的信用違約風(fēng)險判別模型，Logistic模型由于其無需要求樣本正太分布，且相較于Z分模型、KVM等模型預(yù)測效果較好等原因，因此本論文也使用Logistic模型進行分析。

樣本選取

截至2019年末，我國信用債違約數(shù)量已達300余支，涉及違約主體100余家，剔除無法獲取財務(wù)數(shù)據(jù)的發(fā)行主體后，最終得到發(fā)生違約債券共60支，同時從全部正常兌付的債券中選取276支形成最終樣本，總計336支。該樣本拆分兩個數(shù)據(jù)組：建模數(shù)據(jù)組（違約信用債29支、未違約信用債143支）及檢驗數(shù)據(jù)組（違約信用債31支、未違約信用債133支）。

模型構(gòu)建

本文選取二分類變量的Logistic模型建立信用類債券的違約風(fēng)險度量模型，模型中P值（0

指標(biāo)選取

本文主要選取債券發(fā)行人公開可及的財務(wù)信息、指標(biāo)及與企業(yè)經(jīng)營相關(guān)的宏觀經(jīng)濟數(shù)據(jù)、行業(yè)數(shù)據(jù)，具體指標(biāo)詳見：成分得分系數(shù)矩陣表。

實證分析

因子分析

因指標(biāo)數(shù)量較多且各指標(biāo)可能存在相關(guān)關(guān)系，如直接代入模型進行回歸分析可能會嚴(yán)重影響系數(shù)取值，模型準(zhǔn)確性也會受到較大影響，因此本文進行歸回分析前先對已選取的指標(biāo)進行清洗，使指標(biāo)數(shù)量能降低至合理水平并剔除指標(biāo)間的相關(guān)性。為尋找公因子的典型代表變量同時為因子賦予實際經(jīng)濟含義，本文通過方差最大法正交旋轉(zhuǎn)因子增加差距，使其更具有優(yōu)勢。

成份得分系數(shù)矩陣成份1 2 3 4 5 6 7速動比率(X1) -.004 .115 -.284 -.049 .071 -.010 -.100流動比率(X2) -.013 .101 -.331 -.039 .065 .030 -.073有形資產(chǎn)比負(fù)債(X3) -.093 .353 .037 .049 -.001 .058 .075產(chǎn)權(quán)比率(X4) -.288 .030 .037 .046 .087 .022 .038資產(chǎn)負(fù)債率(X5) -.024 -.284 -.106 .055 .059 .006 .040有形資產(chǎn)比總資產(chǎn)(X6) -.072 .353 .083 .069 .007 .074 .106流動負(fù)債比負(fù)債合計(X7) -.068 -.006 -.092 -.019 -.075 .550 .264凈資產(chǎn)收益率(X8) .328 -.065 -.045 -.004 -.020 -.019 -.024總資產(chǎn)報酬率(X9) .274 -.071 .039 -.050 .039 .002 -.128銷售凈利率(X10) .286 -.036 -.013 .042 .020 -.017 .292總資產(chǎn)周轉(zhuǎn)率(X11) .029 .077 .056 -.052 .069 .492 -.138應(yīng)收賬款周轉(zhuǎn)率(X12) -.032 -.023 -.113 .539 .020 -.022 .111流動資產(chǎn)周轉(zhuǎn)率(X13) .010 .137 .346 .040 .031 .187 -.162存貨周轉(zhuǎn)率(X14) -.022 .074 .158 .456 .003 -.054 .003銷售商品提供勞務(wù)收到的現(xiàn)金比營業(yè)收入(X15)-.006 .049 .035 .060 .001 .064 .751經(jīng)營性現(xiàn)金凈流量比營業(yè)總收入(X16)-.040 .099 .401 -.224 .052 -.274 .069 GDP增長率(X17) -.003 .024 .083 -.060 -.539 .015 .059居民消費價格指數(shù)(X18) -.030 .017 .031 -.037 .520 .008 .047提取方法：主成份。旋轉(zhuǎn)法：具有Kaiser 標(biāo)準(zhǔn)化的正交旋轉(zhuǎn)法。

二元Logistic回歸分析

將主成分分析求出的因子作為自變量，債券是否違約作為因變量，構(gòu)建二元Logistic回歸模型，通過二元logistic回歸模型分析，得出方程中變量，并得出信用債違約判定模型為：

模型有效性檢驗

為檢驗?zāi)Ｐ陀行?，將檢驗組數(shù)據(jù)代入模型，得出結(jié)果如下：

觀察值 是否違約 正確百分比0 1是否違約 0 126 7 94.7 1 9 22 66.7整體百分比 89.2

從驗證結(jié)果來看，模型準(zhǔn)確率高于89%，說明該模型具有良好的違約風(fēng)險判定能力。

結(jié)論與應(yīng)用

1.本文基于因子分析與Logistic模型，建立信用債違約風(fēng)險評估模型，對企業(yè)信用債違約進行風(fēng)險評估，模型在建模組樣本和檢驗組樣本中的判別正確率均高于85%，對于商業(yè)銀行在信用類債券投資業(yè)務(wù)審計時根據(jù)企業(yè)微觀信息與宏觀信息有效識別債券的違約風(fēng)險具有積極的參考意義。

2.開展信用類債券投資審計時，可以對投資標(biāo)的通過模型進行初步判斷，提升審計針對性，加強審計準(zhǔn)確性，保證整體審計風(fēng)險可控。同時在對信用類債券投資風(fēng)險管理管理的評價上也可以通過調(diào)整個別變量來判斷內(nèi)控措施的有效性。

3.把Logistic模型分析方法納入信用類債券投資審計模型中，相關(guān)數(shù)據(jù)的獲取與信貸系統(tǒng)、風(fēng)險管理等系統(tǒng)對接，甚至可以通過第三方數(shù)據(jù)進行收集，定期、不定期對存量信用債風(fēng)險狀態(tài)進行審計監(jiān)督。該監(jiān)督不僅在微觀層面可以識別個債風(fēng)險狀態(tài)，更可以宏觀上判斷對信用債的風(fēng)險投資偏好是否符合預(yù)期，為相關(guān)審計立項提供依據(jù)。

4.可以把Logistic模型分析方法在非現(xiàn)場審計系統(tǒng)中進行推廣。目前審計系統(tǒng)中除了接入第三方預(yù)警數(shù)據(jù)外，主要的審計模型邏輯均依靠客戶流水，對風(fēng)險監(jiān)測的維度過于單一和集中。實踐中，通過流水判斷分析的有效性也在逐漸降低，因此引入統(tǒng)計模型分析可以作為新的審計模型開發(fā)的來源，對內(nèi)外部數(shù)據(jù)進行有效的整合，進一步提升審計模型的準(zhǔn)確性和針對性。