陳學(xué)彬 武 靖 徐明東

(四川大學(xué) 經(jīng)濟(jì)學(xué)院，成都 610065；復(fù)旦大學(xué) 金融研究院，上海 200433)

一、 引 言

1992年11月，第一只可轉(zhuǎn)債的發(fā)行標(biāo)志著中國信用債市場的建立。到2019年9月底，其存量規(guī)模達(dá)到57.34萬億元，占債券市場整體規(guī)模的60.74%。中國信用債市場不僅規(guī)模巨大，而且結(jié)構(gòu)也在逐步優(yōu)化，除了金融債和同業(yè)存單仍然在信用債市場占比較高外，為非金融企業(yè)融資服務(wù)的公司債、中期票據(jù)、資產(chǎn)支持債、企業(yè)債和短期融資券也得到快速發(fā)展。隨著信用債市場的快速發(fā)展，違約風(fēng)險也快速上升，中國信用債市場的“剛性兌付”狀況隨著2014年3月“11超日債”未足額兌付而終結(jié)，此后違約事件逐步增加。2020年全年違約信用債券規(guī)模達(dá)1,803億元，涉及140只信用債券，延續(xù)了信用債違約常態(tài)化的特點(diǎn)，累計違約率再創(chuàng)新高。在民企違約風(fēng)險上升勢頭減緩的同時國企違約風(fēng)險不斷上升，首次違約的高評級主體占比增加。2020年違約的信用債中，多家主體評級和債項評級在違約前仍保持AAA最高評級水平，如永城煤電短融券和華晨汽車私募債等，現(xiàn)有評級未能及時有效揭示其風(fēng)險。

債券市場的基礎(chǔ)設(shè)施尚需進(jìn)一步完善以及債券發(fā)行者與投資者之間信息嚴(yán)重不對稱是信用債市場違約風(fēng)險快速上升的主要原因：(1)許多債券發(fā)行人是非上市公司，缺乏標(biāo)準(zhǔn)化和定期的財務(wù)報表信息披露。如2014年至2019年6月期間違約的348只債券中，只有255只債券有相對完整的財務(wù)報告。而發(fā)債的上市公司財務(wù)報表披露也存在諸多嚴(yán)重失真的情況。(2)大多數(shù)債券只有發(fā)行評級，缺乏及時和準(zhǔn)確的跟蹤評級。如上述348只違約債券中，只有77只具有相對完整的評級信息。由于中國債券市場機(jī)構(gòu)投資者對投資標(biāo)的等級的嚴(yán)格要求，評級稍低的債券將無法發(fā)行。發(fā)行人為了成功發(fā)行，通常通過各種方式提高發(fā)行評級。2010年1月至2019年9月，中國信用債市場發(fā)行的 AAA級至 A-1級的4種評級債券發(fā)行只數(shù)和發(fā)行金額占信用債發(fā)行總量的97.07%和98.81%，其他評級債券僅占2%～3%，發(fā)行評級明顯虛高。

在債券市場快速發(fā)展和市場基礎(chǔ)設(shè)施逐步完善的過程中，如何結(jié)合披露信息以及其他相關(guān)“大數(shù)據(jù)”信息對債券違約風(fēng)險進(jìn)行及時、有效分析和預(yù)測，對投資者和中國信用債市場的健康發(fā)展具有重要意義。

二、 文獻(xiàn)回顧

債務(wù)違約風(fēng)險的度量在20世紀(jì)中后期逐步出現(xiàn)(Beaver(1)W. H. Beaver, “Financial Ratios as Predictors of Failure,” Journal of Accounting Research 4(1966): 71-111.、 Altman(2)E.I.Altman, “Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy,” The Journal of Finance 23 (1968): 589-609.、 Merton(3)R.C.Merton, “On the Pricing of Corporate Debt: The Risk Structure of Interest Rates,” The Journal of Finance 29 (1974): 449-470.、 Jarrow和Turnbull(4)R.A.Jarrow, and S. M. Turnbull, “Pricing Derivatives on Financial Securities Subject to Credit Risk,” The Journal of Finance 50 (1995): 53-85.等分別提出或改進(jìn)了評分模型、結(jié)構(gòu)模型和簡約模型等經(jīng)典違約模型)。20世紀(jì)90年代，隨著海量數(shù)據(jù)處理和分析技術(shù)的應(yīng)用，信用風(fēng)險度量研究進(jìn)入了現(xiàn)代量化分析階段，學(xué)界和實(shí)務(wù)界提出并廣泛應(yīng)用了如KMV、 Credit Risk+、 Credit Metrics、 Credit Portfolio View等模型體系。21世紀(jì)初，業(yè)界進(jìn)一步采用衍生品工具對違約風(fēng)險進(jìn)行度量和預(yù)測，如穆迪公司提出的信用違約互換隱含信用度量模型等。陳靜(5)陳靜：《上市公司財務(wù)惡化預(yù)測的實(shí)證分析》，《會計研究》1999年第4期。，吳世農(nóng)和盧賢義(6)吳世農(nóng)、盧賢義：《我國上市公司財務(wù)困境的預(yù)測模型研究》，《經(jīng)濟(jì)研究》2001年第6期。，郭斌、戴小敏、曾勇(7)郭斌、戴小敏、曾勇：《我國企業(yè)危機(jī)預(yù)警模型研究——以財務(wù)與非財務(wù)因素構(gòu)建》，《金融研究》2006年第2期。，馬若微、張微、白宇坤(8)馬若微、張微、白宇坤：《我國上市公司動態(tài)違約概率KMV模型改進(jìn)》，《系統(tǒng)工程》2014年第11期。也采用KMV等研究方法和模型對中國債券市場違約問題進(jìn)行研究，發(fā)現(xiàn)財務(wù)和非財務(wù)因素對企業(yè)債務(wù)風(fēng)險均有影響。姚紅宇、施展(9)姚紅宇、施展：《公司個體特征、地方經(jīng)濟(jì)變量與信用債違約預(yù)測——基于離散時間風(fēng)險模型》，《投資研究》2018年第6期。在使用離散時間風(fēng)險模型研究傳統(tǒng)財務(wù)指標(biāo)、公司特征和地方環(huán)境指標(biāo)對信用債券違約的影響時，發(fā)現(xiàn)僅用傳統(tǒng)財務(wù)指標(biāo)來進(jìn)行分析，該模型無法解釋中國債券違約的狀況；而引入企業(yè)屬性和地方經(jīng)濟(jì)環(huán)境指標(biāo)后，則具有更好的預(yù)測能力和準(zhǔn)確性。

神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)的一類模型，由于其靈活性、強(qiáng)壯性和高預(yù)測精度，在金融領(lǐng)域的應(yīng)用受到學(xué)界廣泛關(guān)注(10)P.Golbayani, I.Florescu, R.Chatterjee, “A Comparative Study of Forecasting Corporate Credit Ratings Using Neural Networks, Support Vector Machines, and Decision Trees,” The North American Journal of Economics and Finance 54(2020): 101251.。在風(fēng)險管理方面，大部分研究側(cè)重于信用風(fēng)險和風(fēng)險預(yù)警(11)A.M.Ozbayoglu, M.U.Gudelek, O.B.Sezer, “Deep Learning for Financial Applications: A Survey,” Applied Soft Computing 93 (2020): 106384.。 Luo et al.(12)C.Luo, D.Wu, D.Wu, “A Deep Learning Approach for Credit Scoring Using Credit Default Swaps,” Engineering Applications of Artificial Intelligence 65 (2017): 465-470.使用美國金融危機(jī)時期的信用違約互換數(shù)據(jù)將深度信念網(wǎng)絡(luò)模型在公司信用評分分類上的表現(xiàn)與傳統(tǒng)模型進(jìn)行比較，發(fā)現(xiàn)深度信念網(wǎng)絡(luò)表現(xiàn)最優(yōu)。 Yu et al.(13)L.Yu, R.Zhou, L.Tang, et al., “A Dbn- Based Resampling Svm Ensemble Learning Paradigm for Credit Classification with Imbalanced Data,” Applied Soft Computing 69 (2018): 192-202.使用神經(jīng)網(wǎng)絡(luò)結(jié)合支持向量機(jī)的集成學(xué)習(xí)方法改善了信用評分?jǐn)?shù)據(jù)的平衡性并進(jìn)行分類預(yù)測，發(fā)現(xiàn)結(jié)合神經(jīng)網(wǎng)絡(luò)的集成學(xué)習(xí)方法使用平衡數(shù)據(jù)時的表現(xiàn)相對非平衡數(shù)據(jù)得到了有效提高。 Chatzis et al.(14)S.P.Chatzis, V.Siakoulis, A.Petropoulos,et al., “Forecasting Stock Market Crisis Events Using Deep and Statistical Machine Learning Techniques,” Expert Systems with Applications 112 (2018): 353-371.在研究資本市場風(fēng)險傳導(dǎo)途徑和預(yù)警機(jī)制時發(fā)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)能夠極大提升風(fēng)險預(yù)測的準(zhǔn)確程度，有效預(yù)警風(fēng)險在股票市場、債券市場和貨幣市場間的傳播。王春峰、萬海暉、張維(15)王春峰、萬海暉、張維：《基于神經(jīng)網(wǎng)絡(luò)技術(shù)的商業(yè)銀行信用風(fēng)險評估》，《系統(tǒng)工程理論與實(shí)踐》1999年第9期。在對比研究神經(jīng)網(wǎng)絡(luò)技術(shù)和傳統(tǒng)統(tǒng)計方法(判別分析和Logit回歸)在商業(yè)銀行信用風(fēng)險評估中的應(yīng)用時，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)技術(shù)具有更高的預(yù)測精度和強(qiáng)壯性。在債券市場的違約風(fēng)險研究方面，Kim和Han(16)K.S.Kim, and I.Han, “The Cluster- Indexing Method for Case- Based Reasoning Using Self- Organizing Maps and Learning Vector Quantization for Bond Rating Cases,” Expert Systems with Applications 21 (2001): 147-156.使用韓國公司債數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型并預(yù)測、構(gòu)造了不同評級類型公司聚類(cluster)的中心值，再以此中心值結(jié)合案例索引分析與分類機(jī)器學(xué)習(xí)的方式預(yù)測了各個公司債的評級，得出了結(jié)合神經(jīng)網(wǎng)絡(luò)的混合聚類算法比傳統(tǒng)聚類算法在最終預(yù)測精度上有更好表現(xiàn)的結(jié)論，其特征篩選步驟包括從5大類162個財務(wù)指標(biāo)中進(jìn)行方差分析、因子分析和逐步回歸等，最終篩選出13個財務(wù)指標(biāo)。長短期記憶(LSTM)是一種循環(huán)神經(jīng)網(wǎng)絡(luò)，常用來解決自然語言領(lǐng)域問題，同時在金融時序預(yù)測方面也有廣泛應(yīng)用，諸多研究集中在金融資產(chǎn)的價格和收益預(yù)測領(lǐng)域(Minami(17)S.Minami, “Predicting Equity Price with Corporate Action Events Using Lstm- Rnn,” Journal of Mathematical Finance 8 (2018): 147-156.， Rather et al.(18)A.M.Rather, A.Agarwal, V.Sastry, “Recurrent Neural Network and a Hybrid Model for Prediction of Stock Returns,” Expert Systems with Applications 42 (2015): 3234-3241.)。

從過往研究中發(fā)現(xiàn)，使用深度學(xué)習(xí)方法研究公司信用風(fēng)險所采用的樣本數(shù)據(jù)多為披露完整、有效的上市公司數(shù)據(jù)，而本文的研究對象中國信用債則包含大量非上市公司發(fā)行的債券。在這種情況下，就要求配合深度學(xué)習(xí)模型，構(gòu)造合理的信息規(guī)整和處理框架，以發(fā)掘有效信息；同時，以往研究所采用的特征因可視為公司財務(wù)數(shù)據(jù)或該類數(shù)據(jù)的變換，導(dǎo)致使用模型預(yù)測時只能進(jìn)行同頻率(季度或更低)的預(yù)測，無法達(dá)到及時、有效反映風(fēng)險的要求。不僅如此，部分研究所采用的深度網(wǎng)絡(luò)結(jié)構(gòu)對時間維度信息處理的能力較弱，而信用債違約風(fēng)險的金融時序特征明顯，需要采用更有效的具備處理時間維度信息能力的深度網(wǎng)絡(luò)作為模型基礎(chǔ)，而這正是本文所致力于解決的問題。

三、 中國信用債違約風(fēng)險預(yù)測模型構(gòu)建

(一) 研究對象

信用債主要包括金融債和非金融債。金融債主要由商業(yè)銀行、證券公司或者保險公司發(fā)行；非金融債內(nèi)容繁多，主要包括公司債、企業(yè)債、中期票據(jù)、非公開定向債務(wù)融資工具(PPN)、短期融資券等，它們都存在一定的信用風(fēng)險，目前違約的信用債主要發(fā)生在公司債(占40.18%)、短期融資券(占22.93%)和中期票據(jù)(占20.44%)等債券類型。本文研究的對象也將集中在這些類型的信用債，重點(diǎn)討論在中國信用債市場發(fā)行的非政府和非金融債券面臨的違約風(fēng)險，包括除金融債、銀行同業(yè)存單、政府支持機(jī)構(gòu)債和國際機(jī)構(gòu)債以外的各種非金融機(jī)構(gòu)(包括上市和非上市公司)，在不同市場公開和非公開發(fā)行的信用債券的違約風(fēng)險預(yù)測分析。

(二) 研究方法和數(shù)據(jù)

研究方法是由研究對象和任務(wù)決定的。由于本文的研究對象包括大量的非上市公司發(fā)行的債券，缺乏其發(fā)行主體上市交易的信息，無法使用KMV方法有效預(yù)測其違約風(fēng)險；同時由于中國信用債券市場缺少足夠的違約統(tǒng)計信息，也無法有效使用 CreditRisk+、 Credit Metrics、 Credit Portfolio View等基于大量違約統(tǒng)計信息的模型。

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型具有處理復(fù)雜非線性關(guān)系的優(yōu)點(diǎn)。其中 LSTM具有處理時間相關(guān)性序列的優(yōu)點(diǎn)，在金融大數(shù)據(jù)挖掘方面具有廣泛的應(yīng)用前景。本文試圖利用 LSTM方法構(gòu)建中國信用債券違約風(fēng)險預(yù)測模型，從影響債券違約風(fēng)險的各種數(shù)據(jù)中去挖掘影響債券違約風(fēng)險的有用信息，并形成債券違約風(fēng)險預(yù)測，包括違約概率和評級預(yù)測。

除了使用 LSTM方法來構(gòu)建債券違約風(fēng)險預(yù)測模型外，由于債券違約風(fēng)險預(yù)測的復(fù)雜性，本文將采用一系列的輔助方法對影響債券違約風(fēng)險的眾多因素的大量數(shù)據(jù)進(jìn)行挖掘和處理。采用貝葉斯變分高斯集合聚類方法、市場指標(biāo)分析和趨勢倒推法相結(jié)合進(jìn)行樣本標(biāo)注；采用專家分析法和綜合變量篩選法篩選模型輸入變量；采用 Keras深度學(xué)習(xí)框架來建立、訓(xùn)練和驗證神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)預(yù)測模型；最后利用信用評級的違約概率分布將違約概率預(yù)測轉(zhuǎn)換為信用評級，并與市場已有的債券評級結(jié)果進(jìn)行比較，以判斷本文建立的債券違約風(fēng)險預(yù)測模型的可信度。

本文選取我國債券市場2014年1月至2019年9月所有發(fā)行和到期信用債券相關(guān)數(shù)據(jù)，包括發(fā)行公司的財務(wù)數(shù)據(jù)、債券市場交易數(shù)據(jù)，以及同期相關(guān)的宏觀經(jīng)濟(jì)金融數(shù)據(jù)和行業(yè)區(qū)域類數(shù)據(jù)共54個具體指標(biāo)(19)詳見本課題研究報告，需要者請與本文作者聯(lián)系。。通過數(shù)據(jù)規(guī)整，采用2677只債券的188萬條日頻特征進(jìn)行數(shù)據(jù)標(biāo)記，排除交易數(shù)據(jù)、財務(wù)報表等數(shù)據(jù)缺乏的債券，采用2579只債券的128萬條日頻樣本進(jìn)行模型訓(xùn)練。

(三) 數(shù)據(jù)標(biāo)記

LSTM模型屬于監(jiān)督學(xué)習(xí)模型，模型訓(xùn)練和分析需要在包含特征數(shù)據(jù)和特征數(shù)據(jù)對應(yīng)標(biāo)簽的樣本集合上進(jìn)行。中國債券市場由于不存在債券違約概率的日頻數(shù)據(jù)，無法直接用來標(biāo)記數(shù)據(jù)。本文采用貝葉斯變分高斯混合模型估計、樣本違約概率市場指標(biāo)估計和概率變動趨勢倒推估計這三種估計加權(quán)綜合的方式來估計日頻違約概率，獲得的數(shù)據(jù)標(biāo)記結(jié)合特征數(shù)據(jù)集形成樣本集。

1. 貝葉斯變分高斯混合估計

高斯混合模型(GMM)是一個假設(shè)所有樣本都生成于有限個帶有未知參數(shù)的高斯分布所混合的概率模型，包含了數(shù)據(jù)的協(xié)方差結(jié)構(gòu)以及隱高斯模型的中心信息，是K均值聚類算法的擴(kuò)展。貝葉斯變分推斷的優(yōu)點(diǎn)在于可以自動選擇合適的有效分類數(shù)量，推斷更加穩(wěn)定且調(diào)優(yōu)簡便。

為對應(yīng)中債評級分類，本文將債券評級分為22類，評級低的代表違約風(fēng)險較高，評級高的代表違約風(fēng)險較低。在最大迭代100次的設(shè)定下，通過對2677只債券188萬條日頻的54個特征數(shù)據(jù)進(jìn)行貝葉斯變分高斯混合估計，結(jié)果顯示日頻債券評級分級的19級(對應(yīng)信用評級AA+)和16級(對應(yīng)信用評級A+)在分類中占比最高，分別達(dá)到40.2%和21.8%。同時1級(對應(yīng)信用評級 D)占比4.0%，也相對較高。這種尖峰厚尾的分布狀況，反映了中國信用債總體的信用狀況較好， A級及其以上占87.1%，風(fēng)險較高的 B級占比較低。但一旦出現(xiàn)問題，就會迅速滑向?qū)嵸|(zhì)性違約(D級)。

圖1是信用債估計分級分布和發(fā)行分級對比，可看出二者的分布比較接近，總體都呈現(xiàn)尖峰厚尾分布。但發(fā)行評級峰度更偏右(數(shù)量最多的評級基本上為最高評級)，尾部較短，最低評級為BBB+，比重僅占0.08%。這種差異，一方面反映了中國信用債市場的債券信用風(fēng)險從發(fā)行至到期的過程中逐步累積上升，而信用評級逐步下調(diào)的過程；另一方面，也說明中國信用債發(fā)行評級存在偏高的情況。

圖1 中國信用債聚類分級和發(fā)行評級比較

雖然采用貝葉斯變分高斯混合聚類方法對中國信用債違約風(fēng)險的估計總體效果較好，但由于估計的中國信用債違約風(fēng)險的分布并非正態(tài)分布，其估計結(jié)果就不是無偏的。另外，估計結(jié)果中各分類的數(shù)量偏差較大，它表明在具體債券的違約風(fēng)險的轉(zhuǎn)換是跳躍的，某些違約風(fēng)險分級預(yù)測的時間變動較大(甚至10級以上變動)，說明直接單獨(dú)利用其估計的分類給作為LSTM模型的樣本標(biāo)記是不可行的，有必要結(jié)合其他標(biāo)記方法從而實(shí)現(xiàn)穩(wěn)定、連續(xù)、合理的樣本標(biāo)記。

2. 樣本違約概率市場指標(biāo)估計

在市場均衡條件下或沒有無風(fēng)險套利機(jī)會的情況下，信用利差實(shí)際上包括預(yù)期的違約概率信息。通過觀測到的信用利差，我們可以估計出無法直接觀測到的預(yù)期違約概率：

(1)

(2)

即風(fēng)險資產(chǎn)的期望收益應(yīng)等于無風(fēng)險收益。聯(lián)合式(1)和(2)可得出：

(3)

根據(jù)2018年11月5日的違約數(shù)據(jù)，光大證券(20)光大證券研究報告：《2018年債券違約事件全梳理——債券違約專題研究(3)》(張旭)。計算出違約債券的整體回收率為30.37%，其中，國有企業(yè)占55.13%，私營企業(yè)占24.18%。中金公司(21)2018年中金證券研究報告：《中國信用債違約后處置全回顧》(雷文斕、許艷、姬江帆)。統(tǒng)計分析了2017年底前違約的公司債券，加權(quán)平均回收率為31.2%，其中，國有企業(yè)占47.2%，非國有企業(yè)占26.2%。根據(jù)iFinD的統(tǒng)計數(shù)據(jù)，本文估計違約金額為353.57億元，已支付196.65億元，還款率為11.05%。綜合考慮，本文違約回收率采用30%，違約損失率(1-違約回收率)約為常量70%。由于中國債券市場上許多信用債交易不充分，一些債券經(jīng)常沒有交易，其根據(jù)交易價格計算的到期收益率和信用利差波動較大，故本文采用5日移動均線來過濾異常波動的影響，同時對據(jù)此計算出的違約概率估計值的偏低和偏高值加以過濾：

(4)

(5)

3. 概率變動趨勢倒推估計

前述兩種方法估計的債券違約概率的共同缺點(diǎn)是波動大、穩(wěn)定性不足。雖然濾波或移動平均等方法可消除過度波動，但會帶來反應(yīng)滯后和不能反映違約概率變動機(jī)制的缺點(diǎn)。利用違約債券和到期債券的違約和到期信息估計信用債違約概率，能夠更加合理地反映信用債違約概率的變動特性。因此，根據(jù)違約或到期兩類債券違約日或到期日以及發(fā)行時評級的信息，可以采用倒推法來分析其上市期間的違約概率變動趨勢，結(jié)合前述方法獲得綜合違約概率估計。

利用違約信息估計：對于違約債券，其違約日的違約概率達(dá)到最大，即100%。在違約日之前，雖然各種信息已經(jīng)反映該債券將違約(由于債券違約對發(fā)債主體的負(fù)面影響是巨大的，許多可能違約的發(fā)債主體仍然嘗試采用各種方法去避免違約)，但未形成實(shí)質(zhì)性違約之前，仍存在不確定性。因此，我們可以假設(shè)其違約概率在違約日之前遵循一定的分布變動，可根據(jù)這種分布來估計其變動趨勢。這種趨勢是違約債券共同的變動趨勢估計，而前面使用貝葉斯變分高斯混合模型和信用價差模型估計的違約概率是每一只債券特有的變動形態(tài)估計，所以對于每只違約債券，結(jié)合違約類型債券違約概率變動的共同特點(diǎn)和其自身的動態(tài)特點(diǎn)，就能夠得到較好的樣本數(shù)據(jù)標(biāo)記。

根據(jù)對違約債券已有信用評級的演變趨勢分析，大部分違約債的違約概率在前期是比較穩(wěn)定的，而后期則呈現(xiàn)加速上升的態(tài)勢，至違約時達(dá)到100%。如表1所示，違約債135680.SH(22)135680.SH為債券代碼，下同。的違約率變化特征反映了樣本中大部分違約債的違約概率變化情況，少量樣本體現(xiàn)為136520.SH類似的違約概率變化特征?？紤]上述因素，本文采用如式(6)描述違約概率的時間變化特征。

表1 違約債信用評級和違約概率估計示例

資料來源：同花順iFinD，違約概率為根據(jù)筆者計算的信用評級與違約概率對照表估算。

(6)

利用到期信息估計：到期債券的違約風(fēng)險已不再具有不確定性，它們在到期日前沒有違約，也不會再違約。2019年9月30日統(tǒng)計到期的5,542只到期債券中，從AA級以上調(diào)低到C級的債券有31只，占0.56%，調(diào)低到B級的有15只，占0.27%。調(diào)低1～2級的占40%左右，維持不變的占50%以上，調(diào)升1級的占5%～6%。到期債券的平均違約概率變動在5%～10%之間。據(jù)此，我們可以根據(jù)債券到期前的最新評級，確定該到期債券違約概率的變動區(qū)間，并采用插值法確定其變動趨勢。其計算公式為：

(7)

4. 債券違約概率標(biāo)記

本文采用加權(quán)平均的方法將以上三種方法估計的債券違約概率集合為綜合違約概率估計，從而能夠同時反映債券違約的個體特性和整體特性：

(8)

本文設(shè)定wgmm=0.3、wcs=0.3、ws=0.4，經(jīng)過上述機(jī)制獲得的部分示例違約債券違約概率標(biāo)記和到期債券違約概率標(biāo)記如圖2所示。從中可見加權(quán)平均違約概率估計既反映了違約債券違約概率變動的一般趨勢，又反映了不同債券違約概率自身演變的特點(diǎn)，是在已有數(shù)據(jù)條件下的一個較優(yōu)估計，也是作為本文建立的神經(jīng)網(wǎng)絡(luò)債券違約概率預(yù)測模型訓(xùn)練和驗證樣本標(biāo)注的適當(dāng)指標(biāo)。

圖2 違約債(上)和到期債(下)違約概率估計示例

(四) 特征數(shù)據(jù)處理和選擇

根據(jù)經(jīng)典債務(wù)違約理論，債務(wù)違約風(fēng)險是由于債務(wù)人不能按期償還債務(wù)而給債權(quán)人帶來資產(chǎn)損失的風(fēng)險。影響債務(wù)違約的因素，包括債務(wù)人自身的財務(wù)狀況和外部經(jīng)濟(jì)、金融環(huán)境等因素。參考Golbayani et al.(25)P.G olbayani, I.Florescu, R.Chatterjee, “A Comparative Study of Forecasting Corporate Credit Ratings Using Neural Networks, Support Vector Machines, and Decision Trees,” The North American Journal of Economics and Finance 54(2020): 101251.選取標(biāo)準(zhǔn)并同時考慮數(shù)據(jù)可獲得性，初選指標(biāo)池包括債券發(fā)行公司的財務(wù)指標(biāo)、債券市場指標(biāo)、債券評級指標(biāo)、宏觀經(jīng)濟(jì)環(huán)境指標(biāo)、行業(yè)景氣指標(biāo)、地區(qū)經(jīng)濟(jì)景氣指標(biāo)共六類。

1. 特征預(yù)測能力篩選

違約風(fēng)險模型的預(yù)測能力是本文關(guān)注的重點(diǎn)，所以首先采用SFI、MDA和MDI三個分析方法結(jié)合的方式篩選具有較強(qiáng)預(yù)測貢獻(xiàn)的特征。各方法在評價特征的樣本外預(yù)測能力、樣本內(nèi)解釋能力，以及特征間的替代效應(yīng)、排列效應(yīng)和組合效應(yīng)等方面各有側(cè)重(26)M.Lopez de Prado, Advances in Financial Machine Learning (John Wiley & Sons, 2018): 113-127.，綜合上述方法可以得到較為完備的針對非線性模型的特征篩選結(jié)論。本文選取三種方法中表現(xiàn)在均值以上的特征作為形成特征集的來源，我們發(fā)現(xiàn)公司財務(wù)狀況和宏觀經(jīng)濟(jì)因素在SFI和MDA中占比較高，而資本市場和宏觀經(jīng)濟(jì)因素在MDI中占比較高。整體上看，如速動比率、利潤率、利潤水平等反映企業(yè)短中期償債能力和經(jīng)營能力的指標(biāo)，以及 PPI、 GDP、物流行業(yè)等反映總體宏觀和行業(yè)運(yùn)行狀況的指標(biāo)，還有到期收益率等反映資本市場風(fēng)險定價的指標(biāo)，對違約概率有相對較優(yōu)的預(yù)測能力。將上述指標(biāo)取并集，我們得到特征集Fnk=42；同時因為MDA和MDI分析方法都會受到特征間的替代效應(yīng)影響，從而導(dǎo)致兩種方法選取的特征集合在并集之后可能引入特征間的相關(guān)性，但SFI則不受替代效應(yīng)的影響，因此我們將MDA和MDI取交集，再和SFI取并集，得到特征集Fnk=32。

2. 特征穩(wěn)定性篩選

深度學(xué)習(xí)網(wǎng)絡(luò)同樣會因多重共線性的存在而影響模型穩(wěn)定性，考慮到初選指標(biāo)池中財務(wù)等指標(biāo)的線性相關(guān)性較高，本文直接使用方差膨脹因子來衡量和去除高共線性的特征。采用VIF=5的閾值，得到特征集Fnk=29、Fnk=21和Fnk=15這另外三個特征集。為評價違約概率和各特征集的線性關(guān)系，本文對6組特征對應(yīng)樣本進(jìn)行了施加控制效應(yīng)量為0.35(對應(yīng)大效應(yīng)量)(27)J. Cohen, “Things I Have Learned(so Far),” American Psychologist 45(1990): 1304-12.的抽樣線性回歸。結(jié)果表明， GDP、宏觀經(jīng)濟(jì)景氣先行指數(shù)、產(chǎn)權(quán)比率、營運(yùn)周期、債券分類違約概率、剩余期限、風(fēng)險價差等變量在不同值水平(1%、5%、10%)下顯著，說明這些變量和違約概率之間的線性解釋關(guān)系較強(qiáng)；其余變量盡管在線性模型中不顯著，但不代表其不具備非線性預(yù)測能力，需要在 LSTM模型和對照模型評價時進(jìn)一步分析。我們通過線性和非線性方法對特征進(jìn)行了篩選和檢驗，保證建模使用的樣本數(shù)據(jù)具備線性和非線性的預(yù)測性、解釋性以及穩(wěn)定性。

(五) 模型構(gòu)建

本文債券違約風(fēng)險預(yù)測模型的構(gòu)建分兩個層次：第一層次，利用訓(xùn)練好的模型預(yù)測債券違約概率，以此表示債券違約風(fēng)險預(yù)測；第二層次，根據(jù)違約概率與信用評級的關(guān)系，將債券違約預(yù)測轉(zhuǎn)換為債券信用評級。模型違約概率預(yù)測是連續(xù)的，是模型信用評級調(diào)整的依據(jù)。信用評級的輸出，有利于與債券市場的債券信用評級相銜接和比較，便于投資者使用，同時也避免了違約概率的小幅波動、頻繁變動對投資者信心的過度影響。

1. LSTM網(wǎng)絡(luò)

具有時間或順序先后關(guān)系的序列數(shù)據(jù)在深度學(xué)習(xí)領(lǐng)域一般通過循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)處理。LSTM是一類特殊的 RNN模型，引入了自循環(huán)結(jié)構(gòu)來解決RNN模型無法有效傳遞歷史信息的問題(28)I.Goodfellow, Y.Bengio, A.Courville, Deep Learning(MIT Press, 2016): 373-422.，而歷史信息是時間依賴類型問題的一個重要特征和信息來源。 LSTM的內(nèi)部信息循環(huán)分別通過“門”(gate)控制，包括遺忘門、輸入門、輸出門，即包含概率值的向量，用以控制經(jīng)變換后的輸入狀態(tài)傳遞的多少。同時單元之間除隱藏層的狀態(tài)需傳遞之外，另外還存在一個單元狀態(tài)的信息傳遞。 LSTM單元的信息輸入和輸出大致可分為五個步驟：(1)遺忘門決定需要遺忘的舊信息的多少；(2)輸入門決定需要保留的新信息的多少；(3)更新可傳遞的單元狀態(tài)；(4)輸出門決定經(jīng)過單元狀態(tài)更新輸出的信息的多少；(5)更新可傳遞的隱藏層狀態(tài)。通過以上設(shè)定，循環(huán)神經(jīng)網(wǎng)絡(luò)的梯度消失及爆炸問題得到了較好解決(29)S.Hochreiter and J.Schmidhuber, “Long Short- Term Memory,” Neural Computation 9(1997): 1735-1780.，可以用來構(gòu)建具有較大深度的網(wǎng)絡(luò)以適應(yīng)金融大數(shù)據(jù)的特性和建模需求。

2. 模型設(shè)計

根據(jù)LSTM網(wǎng)絡(luò)的序列預(yù)測性質(zhì)，本文的預(yù)測理論模型可表達(dá)為(30)角標(biāo)trn表示訓(xùn)練集，tst表示測試集。:

(9)

tstcit=T(tstpit)

(10)

四、 違約概率預(yù)測模型訓(xùn)練

根據(jù)前文對模型特征數(shù)據(jù)的處理，我們將對六組樣本集Snk=j∈{54,42,32,29,21,15}建立LSTM模型并進(jìn)行訓(xùn)練結(jié)果評價。

(一) 樣本集設(shè)計和數(shù)據(jù)處理

本文采用2014年1月至2019年9月的2579只債券的數(shù)據(jù)，債券品種包括信用債中的公司債、企業(yè)債、中期票據(jù)、短期融資券，債券類型包括到期和違約兩類。選擇違約債券樣本是因為它們是估計違約概率的最好樣本，但由于違約樣本數(shù)量有限，加上許多違約債缺乏財務(wù)數(shù)據(jù)甚至市場交易數(shù)據(jù)，并不能完全使用，所以本文增加選擇評級在 A以下的債券樣本，以增加信用風(fēng)險較高的樣本數(shù)量。選擇到期債券作為樣本，則是因為中國信用債中大多數(shù)債券是非違約債券，但在到期前存在較大的不確定性，而到期債券沒有違約則已經(jīng)沒有不確定性。這對于訓(xùn)練模型中的非違約樣本的標(biāo)注有利。排除交易數(shù)據(jù)、財務(wù)報表等數(shù)據(jù)缺乏的債券，最后選擇樣本為2579只債券，其中違約債141只、 A以下債券74只、到期債券2364只。

因為上述數(shù)據(jù)包括截面和時序維度，本文按照截面即債券組內(nèi)根據(jù)窗口參數(shù)w(本文采用10天)構(gòu)造維度為i×t×k的三維張量樣本。同時，LSTM對時序數(shù)據(jù)進(jìn)行建模。劃分樣本集時需要考慮時間先后關(guān)系，否則可能造成信息泄露，導(dǎo)致模型預(yù)測能力虛增。在構(gòu)造訓(xùn)練集、驗證集和測試集時，我們?nèi)匀辉诮M內(nèi)按照時間順序根據(jù)80%的比例構(gòu)造數(shù)據(jù)集，即樣本內(nèi)和樣本外按照80%比例切分；樣本內(nèi)也按照80%比例切分為訓(xùn)練集和驗證集，樣本外部分作為測試集。然后將上述三組數(shù)據(jù)分別合并形成訓(xùn)練、驗證和測試集。由于數(shù)據(jù)本身性質(zhì)，到期債券數(shù)量在樣本中占比較大，導(dǎo)致違約集中在某些類別上，從而造成模型訓(xùn)練和預(yù)測偏差。本文在不損失占比較高的到期債券數(shù)據(jù)的情況下，使用SMOTE(33)N.V.Chawla, K.W.Bowyer, L.O.Hall, et al., “SMOTE: Synthetic Minority over- Sampling Technique,” Journal of Artificial Intelligence Research 16 (2002): 321-357.上采樣方法對訓(xùn)練集的不同違約評級類別的數(shù)據(jù)進(jìn)行重采樣，使所有類別數(shù)據(jù)量和占比與最高類別的樣本量保持一致，最大限度保留了可獲得信息。經(jīng)過上述處理，我們獲得了樣本量分別為4,502,832、179,361和230,635的訓(xùn)練集、驗證集和測試集樣本。

(二) 模型訓(xùn)練

表2 模型訓(xùn)練過程評價指標(biāo)

五、 模型預(yù)測與評價

(一) 模型預(yù)測

為保證樣本數(shù)據(jù)間不存在信息泄露而導(dǎo)致模型有效性降低，本文按照前述方法將樣本劃分為訓(xùn)練集、驗證集和測試集三個部分，其中模型訓(xùn)練使用訓(xùn)練和驗證集，模型預(yù)測和評價在測試集上執(zhí)行。值得注意的是，本文僅對訓(xùn)練集進(jìn)行了平衡性處理，即模型預(yù)測表現(xiàn)可以反映模型設(shè)定和訓(xùn)練的有效性，因為訓(xùn)練集和測試集的數(shù)據(jù)分布完全不同。模型預(yù)測結(jié)果如表3所示：

表3 模型預(yù)測結(jié)果

從各特征集來看，兩類模型在k=29和k=21均有較好表現(xiàn)。兩個特征集包含：與貨幣政策聯(lián)系緊密的CPI、GDP、社會融資規(guī)模等指標(biāo)；體現(xiàn)行業(yè)和區(qū)域違約情況的債券分類違約概率、區(qū)域違約概率等指標(biāo)；財務(wù)類指標(biāo)則包含體現(xiàn)盈利能力的營業(yè)利潤率和銷售凈利率、體現(xiàn)資產(chǎn)負(fù)債結(jié)構(gòu)的非流動資產(chǎn)和負(fù)債、體現(xiàn)短期償債能力的流動比率、體現(xiàn)資本結(jié)構(gòu)的有形凈值債務(wù)率，以及授信余額率、擔(dān)保授信比等授信指標(biāo)和成交量等市場指標(biāo)。由此可以看出，經(jīng)濟(jì)增速、行業(yè)地域性風(fēng)險，以及企業(yè)的盈利能力、資產(chǎn)負(fù)債結(jié)構(gòu)、資本結(jié)構(gòu)和短期流動性是模型解釋和預(yù)測違約風(fēng)險的主要考慮方向。

(二) 預(yù)測結(jié)果評價

本文研究目標(biāo)信用債的日頻違約概率在現(xiàn)實(shí)中沒有具體數(shù)據(jù)估計，本文采用貝葉斯變分高斯混合估計法、市場指標(biāo)法和違約概率倒推法這三種方法綜合的方式對違約概率進(jìn)行估計，并以此作為 LSTM模型的訓(xùn)練目標(biāo)以形成樣本集。本文選擇目前市場具有權(quán)威性的中債市場隱含評級——債券債項評級數(shù)據(jù)進(jìn)行對照分析，以驗證違約概率和評級數(shù)據(jù)估計的合理性以及模型預(yù)測結(jié)果的合理性。中債市場隱含評級——債券債項評級是中債估值中心從市場價格信號和發(fā)行主體披露信息等因素中提煉出的、動態(tài)反映市場投資者對債券的信用評價，是目前市場債券評級最全面、調(diào)整最及時、在中國信用債市場具有權(quán)威影響力的評級。因此，與其比較具有重要意義。本文估計的違約概率標(biāo)記經(jīng)轉(zhuǎn)換獲得的違約評級數(shù)據(jù)和中債評級數(shù)據(jù)的相關(guān)性為60.2%，說明違約概率評級和中債評級具有較強(qiáng)的相關(guān)性。由于現(xiàn)實(shí)中評級持續(xù)虛高情況的存在，本文的違約概率評級可能較好地反映了違約概率變化的細(xì)節(jié)特征，從而體現(xiàn)本文預(yù)測結(jié)果的意義。

圖3 信用債違約概率和評級預(yù)測與中債評級對比示例

從結(jié)果可看出：(1)本文模型預(yù)測的評級結(jié)果與中債評級總體趨勢和變動一致，說明預(yù)測評級能夠較好地體現(xiàn)信用債違約的概率水平和評級；(2)預(yù)測評級體現(xiàn)的評級調(diào)整基本上先于中債評級變動，說明預(yù)測模型能夠體現(xiàn)其預(yù)測能力，如在違約(101759003.IB)和到期單次上調(diào)(1380067.IB)中預(yù)測評級首次連續(xù)下調(diào)(上調(diào))早于中債評級首次連續(xù)下調(diào)(上調(diào))約3個月時間；(3)預(yù)測評級水平整體低于中債評級水平，在現(xiàn)實(shí)中評級可能存在偏高的情況下，本文的預(yù)測評級可能更符合實(shí)際；(4)違約概率預(yù)測相較違約概率標(biāo)記在樣本內(nèi)和樣本外均體現(xiàn)出較好的預(yù)測擬合程度，與該模型82.49%預(yù)測準(zhǔn)確性吻合，但也存在部分預(yù)測在樣本外與標(biāo)記變動總體趨勢相符但細(xì)節(jié)區(qū)別較大的情況，如到期連續(xù)下調(diào)(101767004.IB)和到期不變(122152.SH)中所示，從而可能導(dǎo)致預(yù)測評級存在短期受預(yù)測概率變化而引起的非必要調(diào)整，類似情況可以通過對評級概率進(jìn)行過濾或引入其他模型結(jié)構(gòu)和數(shù)據(jù)結(jié)構(gòu)以提高預(yù)測有效性；(5)某些持續(xù)較長時間的違約概率變化并未在中債評級中體現(xiàn)，如到期單次下調(diào)(122181.SH)中，在2018年5月至2018年11月，根據(jù)本文估計方法該債券的違約概率約有15%的上升和回落，這可能是由于該發(fā)行人在此期間公告流動性補(bǔ)充計劃，導(dǎo)致違約概率上升后又因半年報盈利高速增長，從而導(dǎo)致違約概率回落。該種結(jié)構(gòu)因素在中債評級中未體現(xiàn)，但在本文模型中得到刻畫。整體測試集預(yù)測評級、標(biāo)記評級和中債評級的數(shù)據(jù)統(tǒng)計如表4所示：

表4 預(yù)測評級、標(biāo)記評級和中債評級對比

預(yù)測評級和標(biāo)記評級比中債評級平均低3級左右，僅有約4%的樣本評級高于中債評級。本文模型的評級調(diào)整相對中債評級更加頻繁，約2%的樣本存在預(yù)測或標(biāo)記的評級改變，同時調(diào)整方向相對中債評級更加對稱，中債評級下調(diào)占比明顯高于上調(diào)占比。另外，中債評級調(diào)整的大小和變動范圍大于本文標(biāo)記和預(yù)測的評級。在上述數(shù)據(jù)中，可看出中債評級較高，其調(diào)整頻率較低，但一旦調(diào)整，上調(diào)或下調(diào)的力度會較大；而本文的違約概率標(biāo)記和預(yù)測結(jié)果則以相對更高的頻率來調(diào)整與更新評級，同時調(diào)整幅度也較小。如前文所述，更加頻繁的調(diào)整，一部分原因是由于模型捕捉到了影響因素的結(jié)構(gòu)變化，另一部分原因可能是由于模型或數(shù)據(jù)對于噪音的敏感性所致，這可以通過進(jìn)一步提升模型和改善數(shù)據(jù)結(jié)構(gòu)來予以避免。

六、 結(jié)論及啟示

自2014年中國債券市場剛性兌付終結(jié)后，信用債違約數(shù)量和規(guī)模逐步增加。從近期違約主體的違約原因來看，往往是多方因素共同導(dǎo)致突發(fā)性違約事件的發(fā)生，包括由于宏觀及外部因素沖擊導(dǎo)致的經(jīng)營層面問題、投資擴(kuò)張激進(jìn)而盈利能力未能顯著提升的投資層面問題、公司資產(chǎn)負(fù)債結(jié)構(gòu)長期失衡而導(dǎo)致的融資層面問題，以及內(nèi)控薄弱而引起的實(shí)控人侵害公司利益和內(nèi)外部信息不對稱等管理層面問題。

本文的違約風(fēng)險預(yù)測分析的信息來源涵蓋了宏觀、行業(yè)、地域、主體以及市場等多個方面，較為有效地獲取了上述問題產(chǎn)生的內(nèi)在相關(guān)因素，并以對面板類海量數(shù)據(jù)具備良好分析性質(zhì)的LSTM神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型為基礎(chǔ)，通過合理的樣本數(shù)據(jù)標(biāo)記以及指標(biāo)篩選方式使得預(yù)測模型具備較好的泛化能力。如于2020年11月違約的永城短融，通過本文模型采用的具備較強(qiáng)解釋能力的特征數(shù)據(jù)來源，如資產(chǎn)凈利率、負(fù)債總額、籌資活動現(xiàn)金流、GDP增速、到期收益率、剩余期限和風(fēng)險價差等變量的變化過程，可看出主體在一季度已經(jīng)出現(xiàn)了較為明顯的經(jīng)營乏力問題，在受疫情影響導(dǎo)致的宏觀經(jīng)濟(jì)增速下降逐步傳導(dǎo)的過程中，能源需求乏力引起的公司營收下降、融資活動活躍以及行業(yè)風(fēng)險上升的現(xiàn)象在2020年下半年開始進(jìn)一步顯現(xiàn)，因而在違約前夕剩余期限、風(fēng)險價差以及到期收益率等市場變量在風(fēng)險揭示中的作用提升，整個過程充分反映了本文構(gòu)擬的方法對其風(fēng)險演化軌跡的成功捕捉。其核心原因在于：有效信息不能及時、全面和真實(shí)披露，從而造成發(fā)行人和投資人間的信息不對稱，以及發(fā)行人付費(fèi)評級機(jī)制造成的評級虛高。在不完全信息的債券市場發(fā)展過程中，本文利用可獲取的結(jié)構(gòu)化數(shù)據(jù)，結(jié)合LSTM深度學(xué)習(xí)模型，試圖從“大數(shù)據(jù)”中獲得具有預(yù)測性的信用債券違約概率和評級數(shù)據(jù)，從而使投資人能夠更加及時、準(zhǔn)確地了解信用債的違約概率，進(jìn)而防范風(fēng)險。

本文首先采用貝葉斯變分高斯混合估計法、市場指標(biāo)估計法和違約概率變動趨勢倒推估計法這三種方法結(jié)合的方式對數(shù)據(jù)進(jìn)行標(biāo)記，以獲得能夠同時反映債券個體違約風(fēng)險變動特性和債券市場整體違約風(fēng)險特征的違約概率估計。然后采用單特征重要性、平均準(zhǔn)確率減小、平均不純度減小以及線性分析這四種方法對六大類指標(biāo)進(jìn)行篩選，獲得了六個不同特征集，其數(shù)據(jù)解釋能力各有不同。根據(jù)使用所得違約概率估計和特征集組合而成的樣本集，本文提出了與其數(shù)據(jù)性質(zhì)和數(shù)據(jù)量相匹配的 LSTM模型結(jié)構(gòu)并進(jìn)行訓(xùn)練和預(yù)測，發(fā)現(xiàn)使用包含經(jīng)濟(jì)增速、行業(yè)地域性風(fēng)險，以及企業(yè)的盈利能力、資產(chǎn)負(fù)債結(jié)構(gòu)、資本結(jié)構(gòu)和短期流動性特征訓(xùn)練的模型其預(yù)測違約評級達(dá)到了樣本外82.49%的對于金融數(shù)據(jù)而言較高的準(zhǔn)確率。通過上述研究過程，發(fā)現(xiàn)本文信用債違約概率和評級的預(yù)測結(jié)果與目前國內(nèi)債券市場最全面和及時的中債市場隱含評級——債券債項評級的評級結(jié)果總體相當(dāng)；本文模型的評級結(jié)果平均水平略低，波動性大于中債隱含評級，充分驗證了我國信用債評級虛高以及跟蹤評級未能有效反映發(fā)行人信用結(jié)構(gòu)性變化的現(xiàn)實(shí)情況。

本文的研究對信用債違約風(fēng)險研究具有一定的參考意義。首先，在信用債發(fā)行人包含大量非上市公司且因債券市場缺乏大量違約樣本而無法使用KMV等傳統(tǒng)風(fēng)險計量模型的前提下，本文針對普通投資者可獲取的信息范疇提出了信用債日頻違約概率的估計量和估計方法，可以作為信用債違約概率和評級估計的參考。其次，本文提出并檢驗了通過非線性和線性相結(jié)合以發(fā)現(xiàn)有效預(yù)測變量的方式，對于使用高維金融數(shù)據(jù)進(jìn)行預(yù)測模型的構(gòu)建之指標(biāo)篩選過程有一定的啟示。再次，本文發(fā)現(xiàn)，利用“大數(shù)據(jù)”學(xué)習(xí)的 LSTM模型在模型設(shè)定合理、數(shù)據(jù)構(gòu)造得當(dāng)?shù)那疤嵯驴梢垣@得較好的表現(xiàn)，對于拓展信用債違約風(fēng)險研究方法提供了思路。最后，通過納入更多非結(jié)構(gòu)化的“大數(shù)據(jù)”，可拓展基本 LSTM模型結(jié)構(gòu)，通過集成模型等方式實(shí)現(xiàn)更優(yōu)的信用債違約概率測度。

鑒于評級機(jī)構(gòu)和發(fā)行人的利益相關(guān)關(guān)系、可分析信息有效性的不確定性、風(fēng)險產(chǎn)生和表征的復(fù)雜性，以及傳統(tǒng)評級類型的風(fēng)險發(fā)現(xiàn)功能的局限性，監(jiān)管機(jī)構(gòu)應(yīng)進(jìn)一步完善信息披露機(jī)制、市場發(fā)行機(jī)制和約束條款，從而保證在有效信息環(huán)境中實(shí)現(xiàn)市場發(fā)行定價的效率；同時，評級機(jī)構(gòu)不僅需要進(jìn)一步提高其評級的獨(dú)立性和客觀性，也需要提高其評級的準(zhǔn)確性，及時地向市場投資者警示風(fēng)險，從而避免高評級債項的突然違約對市場的較大沖擊。此外，中國信用債市場需要構(gòu)建更加多元的違約風(fēng)險分擔(dān)機(jī)制和再融資機(jī)制，化解已違約債券對市場和投資者的不良影響，避免債券在短期內(nèi)集中違約風(fēng)險對債券市場融資功能帶來的實(shí)質(zhì)性沖擊；對投資者而言，則應(yīng)更充分地關(guān)注和分析風(fēng)險積累和演變的過程以及風(fēng)險揭示貢獻(xiàn)因素大小的時變性特點(diǎn)，從而實(shí)現(xiàn)及時、有效的風(fēng)險監(jiān)控；對于發(fā)行人來說，應(yīng)該不斷提高公司治理能力，更加注重在運(yùn)營、投融資以及抵御外部沖擊等企業(yè)內(nèi)在能力方面的提升。