何 睿

（武漢大學(xué)董輔礽經(jīng)濟(jì)社會(huì)發(fā)展研究院，武漢 430070）

0 引言

隨著經(jīng)濟(jì)全球化的加速，信用債作為融資的一種重要工具，得到了越來(lái)越多的關(guān)注和研究。國(guó)內(nèi)信用債發(fā)行市場(chǎng)在逐漸成熟的同時(shí)，也逐漸呈現(xiàn)多元化的趨勢(shì)。國(guó)內(nèi)市場(chǎng)不斷壯大，越來(lái)越多的國(guó)內(nèi)企業(yè)開(kāi)始進(jìn)入信用債市場(chǎng)，包括國(guó)有企業(yè)、民營(yíng)企業(yè)等，市場(chǎng)參與者的類(lèi)別也越來(lái)越多樣化。隨著我國(guó)債券市場(chǎng)的逐步完善和發(fā)展，預(yù)測(cè)債券違約風(fēng)險(xiǎn)對(duì)于保障投資者的利益和財(cái)務(wù)安全具有重要意義。

在既往研究中，國(guó)內(nèi)外學(xué)者已經(jīng)開(kāi)展了大量關(guān)于信用債的研究工作[1—7]。隨著人工智能技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法逐漸被應(yīng)用到信用風(fēng)險(xiǎn)評(píng)估中。Ohlson（1980）[8]運(yùn)用Logistic 邏輯回歸模型改進(jìn)多元線(xiàn)性判別分析預(yù)測(cè)，顯著提升了模型準(zhǔn)確率和穩(wěn)定性。Odom和Sharda（1990）[9]開(kāi)始運(yùn)用NN神經(jīng)網(wǎng)絡(luò)模型進(jìn)行違約風(fēng)險(xiǎn)預(yù)測(cè)，有效解決了非正態(tài)分布、非線(xiàn)性的信用風(fēng)險(xiǎn)評(píng)估問(wèn)題。Coats 和Fant（1993）[10]論證了神經(jīng)網(wǎng)絡(luò)模型較多元判別分析模型能更早預(yù)警風(fēng)險(xiǎn)。Atiya（2001）[11]綜合應(yīng)用了企業(yè)財(cái)務(wù)指標(biāo)和結(jié)構(gòu)模型采用的資本市場(chǎng)價(jià)格指標(biāo)作為神經(jīng)網(wǎng)絡(luò)模型的輸入項(xiàng)，進(jìn)一步提升了模型預(yù)測(cè)效果。Tkac和Verner（2016）[12]系統(tǒng)概述了1994—2015 年神經(jīng)網(wǎng)絡(luò)模型的商業(yè)應(yīng)用，發(fā)現(xiàn)信用風(fēng)險(xiǎn)預(yù)測(cè)領(lǐng)域的研究占比最高，且研究數(shù)量在金融危機(jī)和歐債危機(jī)之后均有增加。吳世農(nóng)和盧賢義（2001）[13]以我國(guó)上市公司為研究對(duì)象，建立了判別分析、多元回歸分析和Logistic 回歸分析三種違約預(yù)測(cè)模型，最終得出Logistic 回歸模型預(yù)測(cè)準(zhǔn)確性最高。周敏和王新宇（2002）[14]提出基于模糊優(yōu)選和神經(jīng)網(wǎng)絡(luò)的違約預(yù)警模型,并論證了實(shí)現(xiàn)動(dòng)態(tài)監(jiān)測(cè)預(yù)警的有效性。經(jīng)過(guò)數(shù)十年的探索，違約風(fēng)險(xiǎn)評(píng)估模型的輸入變量不斷拓展，涵蓋企業(yè)財(cái)務(wù)指標(biāo)、市場(chǎng)價(jià)格和評(píng)級(jí)信息、外部宏觀數(shù)據(jù)等各個(gè)維度。在量化技術(shù)方面，深度學(xué)習(xí)算法因其靈活性和高預(yù)測(cè)精度，得到了廣泛應(yīng)用。而現(xiàn)有研究將重點(diǎn)放在提高債券違約風(fēng)險(xiǎn)預(yù)測(cè)精度上，面對(duì)深度學(xué)習(xí)模型的“黑箱”問(wèn)題，忽略了對(duì)模型預(yù)測(cè)結(jié)果的解釋性研究，在一定程度上限制了深度學(xué)習(xí)模型在債券違約成因剖析和風(fēng)險(xiǎn)預(yù)測(cè)應(yīng)用方面的作用。

鑒于此，本文通過(guò)構(gòu)建銀行間債券市場(chǎng)信用債的知識(shí)圖譜，建立了銀行間債券市場(chǎng)信用債的量化分析平臺(tái)，通過(guò)關(guān)聯(lián)有效數(shù)據(jù)節(jié)點(diǎn)，將銀行間債券市場(chǎng)的各種信息進(jìn)行了整合和表示，然后應(yīng)用圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行違約預(yù)測(cè)并加以驗(yàn)證。本文探索了深度學(xué)習(xí)方法在經(jīng)濟(jì)學(xué)領(lǐng)域的應(yīng)用，為該領(lǐng)域的相關(guān)研究提供了新的思路和方法。

1 R-GCN-BKG模型構(gòu)建

1.1 債券知識(shí)圖譜的構(gòu)建及知識(shí)表示

（1）構(gòu)建銀行間債券市場(chǎng)信用債知識(shí)圖譜

本文基于銀行間債券市場(chǎng)2014 年1 月至2020 年4 月信用債的全量數(shù)據(jù)，構(gòu)建銀行間債券市場(chǎng)信用債知識(shí)圖譜，定義債券實(shí)體、債券關(guān)系、債券實(shí)體屬性，進(jìn)行三元組圖譜構(gòu)建，結(jié)合圖神經(jīng)網(wǎng)絡(luò)進(jìn)行推理與演繹。

首先，定義知識(shí)圖譜的數(shù)據(jù)模式。債券知識(shí)圖譜中，用節(jié)點(diǎn)來(lái)代表債券實(shí)體，節(jié)點(diǎn)之間的邊表示實(shí)體之間的關(guān)系，且實(shí)體間關(guān)系均為有向邊。對(duì)于每一組實(shí)體對(duì)來(lái)說(shuō)，實(shí)體與實(shí)體之間均為一個(gè)有向圖，且均是一個(gè)實(shí)體指向另外一個(gè)實(shí)體。本文對(duì)債券知識(shí)進(jìn)行分析，針對(duì)既有的數(shù)據(jù)，從中抽取有意義的實(shí)體、實(shí)體關(guān)系以及屬性等相關(guān)概念，其中包含債券、發(fā)行人、信用評(píng)級(jí)機(jī)構(gòu)、行業(yè)、省份、票面利率、參與人、申購(gòu)類(lèi)型等在內(nèi)的35 個(gè)實(shí)體，包含承銷(xiāo)關(guān)系、發(fā)行關(guān)系、評(píng)級(jí)關(guān)系等在內(nèi)的35 個(gè)實(shí)體關(guān)系，具體如下頁(yè)表1所示。

表1 實(shí)體以及實(shí)體關(guān)系

其次，通過(guò)對(duì)債券實(shí)體、債券實(shí)體關(guān)系以及實(shí)體屬性的定義，對(duì)債券實(shí)體、實(shí)體間關(guān)系、實(shí)體屬性進(jìn)行抽取，將存儲(chǔ)的半結(jié)構(gòu)化數(shù)據(jù)進(jìn)行數(shù)據(jù)整合，完成所需知識(shí)圖譜構(gòu)建的元素準(zhǔn)備。

最后，選擇原生圖數(shù)據(jù)庫(kù)Neo4j進(jìn)行圖數(shù)據(jù)存儲(chǔ)，將處理完畢的信息數(shù)據(jù)進(jìn)行知識(shí)圖譜構(gòu)建。通過(guò)Neo4j 的圖查詢(xún)語(yǔ)言Cypher 進(jìn)行高速檢索數(shù)據(jù)，并以圖的方式展示其查詢(xún)的結(jié)果。

（2）債券知識(shí)圖譜知識(shí)表示學(xué)習(xí)模型

知識(shí)表示學(xué)習(xí)主要是將研究對(duì)象的相關(guān)信息表示為低維度的向量，其主要針對(duì)知識(shí)圖譜中實(shí)體、關(guān)系及屬性進(jìn)行學(xué)習(xí)，通過(guò)建模方式進(jìn)行推理與演繹。

TransE 模型于2013 年提出，解決了多關(guān)系數(shù)據(jù)的問(wèn)題。在word2vec 啟發(fā)下，利用詞向量表示的平移不變性，對(duì)實(shí)體和關(guān)系進(jìn)行分布式向量表示，即將三元組利用詞嵌入的方法進(jìn)行翻譯。

算法思想：一個(gè)正確的三元組的embedding 會(huì)滿(mǎn)足h+r=t。將每一個(gè)三元組中的關(guān)系視為從一個(gè)實(shí)體到另一個(gè)實(shí)體的翻譯，通過(guò)不斷調(diào)整h、r和t（head、relation和tail的向量），使（h+r）盡可能與t相等，即h+r=t。

TransE通過(guò)定義距離函數(shù)d(h+r，t)，判斷h+r和t間的距離，應(yīng)用過(guò)程中使用L1/L2 范數(shù)。在訓(xùn)練模型過(guò)程中，TransE采用最大間隔方法，最小化目標(biāo)函數(shù)，將知識(shí)圖譜中的實(shí)體、關(guān)系、屬性表示成一個(gè)低維的向量。目標(biāo)函數(shù)如下：

其中，S是圖譜中的三元組訓(xùn)練集，S’是隨機(jī)生成的負(fù)采樣的三元組。r表示間隔距離參數(shù)，其取值范圍大于0，是超參數(shù)。[x]+ 表示正值，當(dāng)x＞0 時(shí)，[x]+=x；當(dāng)x≤0 時(shí)，[x]+=0 。

TransE以及TransH假設(shè)實(shí)體及實(shí)體關(guān)系是屬于同語(yǔ)義空間的向量，類(lèi)似的實(shí)體在相近位置，每個(gè)實(shí)體涉及不同的關(guān)系。針對(duì)同一種關(guān)系，其前后件通過(guò)同樣的變換矩陣對(duì)應(yīng)到關(guān)系空間，最后，將每個(gè)實(shí)體或者關(guān)系分別用兩個(gè)向量表示，一個(gè)用來(lái)表示語(yǔ)義，一個(gè)用來(lái)構(gòu)建矩陣進(jìn)行映射（以下用p代表）。

模型原理：每一個(gè)關(guān)系及實(shí)體均表示為兩個(gè)向量，即h，hp；r，rp；t，tp。其中，h，hp；t，tp∈Rn；r，rp∈Rm。同時(shí)設(shè)置兩個(gè)映射矩陣Mrh，Mrt∈Rm×n。

具體公式如下：

目標(biāo)函數(shù)如下：

對(duì)于（h'，r'，t'）對(duì)應(yīng)的實(shí)體和關(guān)系有兩種表示，一種是構(gòu)建映射矩陣，另一種是本身的語(yǔ)義表示。實(shí)體對(duì)h，t的動(dòng)態(tài)轉(zhuǎn)移矩陣分別由其本身對(duì)應(yīng)的映射矩陣以及關(guān)系r的映射矩陣決定，而不是只和關(guān)系r相關(guān)。

實(shí)驗(yàn)結(jié)果如表2、表3和下頁(yè)圖1所示，與其他知識(shí)表示模型相比，基于TransD 知識(shí)表示的學(xué)習(xí)模型在處理債券知識(shí)圖譜表示任務(wù)上準(zhǔn)確率較高，其準(zhǔn)確率為73.4%。

圖1 Trans系列知識(shí)表示模型實(shí)驗(yàn)對(duì)比

表2 Trans系列模型實(shí)驗(yàn)結(jié)果

表3 Trans系列參數(shù)

1.2 基于注意力機(jī)制的關(guān)系圖卷積神經(jīng)網(wǎng)絡(luò)的模型構(gòu)建

整體模型網(wǎng)絡(luò)如圖2如示。

圖2 整體模型網(wǎng)絡(luò)圖

（1）符號(hào)定義

①有向標(biāo)簽多圖：G=(w，ε，R)；

②節(jié)點(diǎn)（實(shí)體）vi∈V，有標(biāo)簽的邊關(guān)系(vi，r，vj)∈ε；

③r∈{1，…，R} =R表示關(guān)系的類(lèi)型。

（2）關(guān)系圖卷積網(wǎng)絡(luò)R-GCN

R-GCN是針對(duì)相鄰信息進(jìn)行聚合的GCN在大規(guī)模關(guān)系數(shù)據(jù)上的擴(kuò)展。這些GNN的相關(guān)方法都可以理解為一個(gè)簡(jiǎn)單可微的消息傳遞模型的一個(gè)特例：

其中，gm(·，·)形式的傳入消息被聚合并通過(guò)元素激活函數(shù)σ(·)傳遞，如ReLU(·) =max(0，·)；Mi代表節(jié)點(diǎn)Vi的傳入消息集，通常選擇為傳入的邊集；gm(·，·)通常選擇一個(gè)針對(duì)特定消息，類(lèi)似于神經(jīng)網(wǎng)絡(luò)的函數(shù)或一個(gè)線(xiàn)性轉(zhuǎn)換gm(hi，ji)=Whj，這個(gè)線(xiàn)性轉(zhuǎn)換有一個(gè)權(quán)重矩陣W。

由以上分析為基礎(chǔ)，R-GCN 定義了用于計(jì)算在一個(gè)關(guān)系多圖中的節(jié)點(diǎn)或?qū)嶓w：

（3）Regularization 規(guī)則化

將公式（8）應(yīng)用在多關(guān)系數(shù)據(jù)的一個(gè)核心問(wèn)題是，圖中關(guān)系的數(shù)量依據(jù)其參數(shù)的數(shù)量進(jìn)行增長(zhǎng)。在實(shí)際應(yīng)用中容易出現(xiàn)過(guò)擬合問(wèn)題。

為了解決過(guò)擬合問(wèn)題，對(duì)R-GCN層進(jìn)行規(guī)則化：基函數(shù)分解和塊對(duì)角分解。兩種分解方法都能減少關(guān)系非常多的數(shù)據(jù)（例如現(xiàn)實(shí)中的知識(shí)庫(kù)），從而簡(jiǎn)化在訓(xùn)練中需要學(xué)習(xí)的參數(shù)。

①基函數(shù)分解（Basis Decomposition）

②塊對(duì)角分解（Block-diagonal Decomposition）

塊對(duì)角分解視為關(guān)系類(lèi)型在權(quán)重矩陣上約束。塊分解結(jié)構(gòu)的核心為隱藏特征分組成變量集，這些變量在組內(nèi)的耦合度較組間耦合度更緊密。對(duì)所有的R-GCN模型都采取下面的形式：按公式（9）堆疊L層；輸入層中的任何一個(gè)節(jié)點(diǎn)在沒(méi)有其他特征的情況下，選擇一個(gè)向量作為特征的輸入項(xiàng)；對(duì)于塊分解，通過(guò)線(xiàn)性轉(zhuǎn)換將簡(jiǎn)單的one-hot向量映射到一個(gè)稠密的表示；GCN 中使用的就是這種feature_less的方法。

（4）節(jié)點(diǎn)分類(lèi)

對(duì)于節(jié)點(diǎn)（實(shí)體）分類(lèi)任務(wù)，最后一層使用Softmax激活函數(shù)，并在所有有標(biāo)簽的節(jié)點(diǎn)上最小化下面的交叉熵?fù)p失函數(shù)：

其中，y是節(jié)點(diǎn)的索引集合；代表在L層帶有標(biāo)簽的i個(gè)節(jié)點(diǎn)的第k個(gè)；tik表示ground truth 標(biāo)簽；使用(full-batch)gradient descent。

為了更加充分地表示節(jié)點(diǎn)的特征以及對(duì)違約債券影響因素進(jìn)行分析，在R-GCN 模型中引入Attention 機(jī)制構(gòu)建模型。

引入Attention 機(jī)制將R-GCN 中的A轉(zhuǎn)換為Anew，具體步驟如下：

①圖注意力層的輸入與輸出

圖注意力層的輸入是一個(gè)節(jié)點(diǎn)特征向量集：

其中，N為節(jié)點(diǎn)個(gè)數(shù)，F(xiàn)為節(jié)點(diǎn)特征的個(gè)數(shù)。

每一層的輸出是一個(gè)新的節(jié)點(diǎn)特征向量集：

其中，F(xiàn)′表示新的節(jié)點(diǎn)特征向量維度。

②特征提取與注意力機(jī)制

經(jīng)過(guò)線(xiàn)性變換取得輸出特征，對(duì)每一個(gè)節(jié)點(diǎn)進(jìn)行矩陣的訓(xùn)練：W∈RF'*F,此權(quán)重為輸入的F個(gè)特征與輸出的F'個(gè)特征之間的關(guān)系。

針對(duì)每個(gè)節(jié)點(diǎn)實(shí)行自注意力（Self-attention）的注意力機(jī)制，注意力系數(shù)（Attention Coefficients）為：

此處a不是一個(gè)常數(shù)或矩陣，而是一個(gè)函數(shù)。

同時(shí)，引入了Softmax函數(shù)對(duì)i的相鄰節(jié)點(diǎn)j進(jìn)行正則化操作:

其中，注意力機(jī)制a屬于單層的前饋神經(jīng)網(wǎng)絡(luò)，a→i∈R2F'是神經(jīng)網(wǎng)絡(luò)中層之間的權(quán)重矩陣，在該前饋神經(jīng)網(wǎng)絡(luò)的輸出層上還加入了LeakyReLu函數(shù)，這里小于零，斜率為0.2。

由式（14）和式（15），得到注意力機(jī)制如下：

其中，||為連接操作（Concatenation Operation），.T為轉(zhuǎn)置。

上述過(guò)程如圖3所示。

圖3 注意力機(jī)制過(guò)程

③輸出特征。通過(guò)上述運(yùn)算得到了正則化后的不同節(jié)點(diǎn)之間的注意力系數(shù)，可以用來(lái)預(yù)測(cè)每個(gè)節(jié)點(diǎn)的輸出特征：

其中，W為與特征相乘的權(quán)重矩陣；a為前面計(jì)算得到的注意力相關(guān)系數(shù)；σ為非線(xiàn)性激活函數(shù)；j∈Ni中遍歷的j表示所有與i相鄰的節(jié)點(diǎn)。

④多注意力（Multi-head Attention）。為了穩(wěn)定自注意力（Self-attention）的學(xué)習(xí)過(guò)程，采用多注意力（Multi-head Attention）機(jī)制，k個(gè)獨(dú)立注意力機(jī)制執(zhí)行公式（3），然后將他們的特征連接起來(lái)。采用k平均來(lái)替代連接操作，并延遲應(yīng)用最終的非線(xiàn)性函數(shù)（通常為分類(lèi)問(wèn)題的Softmax或Logistic Sigmoid），得到最終的公式：

其中，共K個(gè)注意力機(jī)制需要考慮，k表示K中的第k個(gè)；ak表示第k個(gè)注意力機(jī)制；Wk表示第k個(gè)注意力機(jī)制下輸入特征進(jìn)行線(xiàn)性變換的權(quán)重矩陣。

2 實(shí)驗(yàn)驗(yàn)證

2.1 樣本選取及數(shù)據(jù)處理

本文主要選取銀行間債券市場(chǎng)2014 年1 月1 日至2020 年4 月30 日發(fā)行的信用債作為本文的實(shí)驗(yàn)數(shù)據(jù)，保證其納入研究對(duì)象的債種類(lèi)型完備性及實(shí)驗(yàn)樣本數(shù)據(jù)及時(shí)性，共計(jì)25016 條數(shù)據(jù)，且本文所選取的數(shù)據(jù)是對(duì)最新市場(chǎng)環(huán)境下債券發(fā)行的信用利差的研究分析。并對(duì)數(shù)據(jù)進(jìn)行如下處理：

（1）數(shù)據(jù)清洗。首先，刪除擔(dān)保描述、資產(chǎn)池名稱(chēng)等缺失值率超過(guò)50%的變量；其次，刪除債券簡(jiǎn)稱(chēng)、發(fā)行人簡(jiǎn)稱(chēng)等重復(fù)相關(guān)性變量；最后，刪除具有缺失值的變量，進(jìn)而保證數(shù)據(jù)的完整性，相關(guān)字段項(xiàng)共計(jì)112個(gè)變量指標(biāo)，分為債券基本情況、發(fā)債主體情況以及信用評(píng)級(jí)3個(gè)層面指標(biāo)。

（2）負(fù)采樣處理。在實(shí)驗(yàn)過(guò)程中，因違約債券發(fā)生的情況較未發(fā)生違約的情況少，存在數(shù)據(jù)不平衡的問(wèn)題，正負(fù)樣本數(shù)量相差較大，因此本文通過(guò)采用SMOTE 算法解決正負(fù)樣本數(shù)量不平衡問(wèn)題。

SMOTE 算法的核心是增加少數(shù)類(lèi)數(shù)據(jù)，使正負(fù)數(shù)處于平衡狀態(tài)。針對(duì)每一個(gè)少數(shù)類(lèi)樣本，都從最近的一個(gè)或多個(gè)多數(shù)類(lèi)和該少數(shù)類(lèi)樣本的連線(xiàn)中隨機(jī)選取一個(gè)樣本，形成新的少數(shù)類(lèi)樣本，計(jì)入少數(shù)類(lèi)樣本集中（見(jiàn)圖4）。

圖4 SMOTE算法思想

算法流程如下：

①針對(duì)少數(shù)類(lèi)樣本a，計(jì)算a到其他多數(shù)類(lèi)樣本的歐氏距離，取最近的k個(gè)多數(shù)類(lèi)數(shù)據(jù)，形成集合{B}。

②根據(jù)正負(fù)樣本的比例N，從集合{B}中隨機(jī)選擇若干個(gè)樣本，形成新集合，選擇的樣本數(shù)可適當(dāng)根據(jù)實(shí)際情況調(diào)整。

③對(duì)集合中的每一個(gè)樣本分別進(jìn)行如下計(jì)算，形成新的樣本，并增添至少數(shù)類(lèi)樣本集中。

2.2 評(píng)價(jià)指標(biāo)

為了驗(yàn)證所提方法的有效性與魯棒性，本文采用分類(lèi)模型測(cè)評(píng)方法，采用精確率、召回率、準(zhǔn)確率和F函數(shù)4個(gè)標(biāo)準(zhǔn)作為模型的評(píng)價(jià)指標(biāo)，定義如下：

其中，TP為真正例，實(shí)際為正且預(yù)測(cè)為正；FP和FN為假反例，實(shí)際為正但預(yù)測(cè)為負(fù)；TN為真反例，實(shí)際為負(fù)且預(yù)測(cè)為負(fù)。

2.3 預(yù)測(cè)效果分析

為了驗(yàn)證算法的有效性，本文采取五折交叉驗(yàn)證，隨機(jī)選取實(shí)驗(yàn)數(shù)據(jù)的80%作為訓(xùn)練集進(jìn)行模型的訓(xùn)練，選取剩余的20%作為測(cè)試數(shù)據(jù)集，并對(duì)訓(xùn)練后的模型進(jìn)行測(cè)試和評(píng)估，訓(xùn)練之后的模型針對(duì)2019 年銀行間債券市場(chǎng)信用債的違約情況進(jìn)行驗(yàn)證預(yù)測(cè)。

本文做了多組對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果見(jiàn)表4。

表4 回歸模型的實(shí)驗(yàn)結(jié)果

由表4 可以看出，R-GCN-BKG 模型在對(duì)比實(shí)驗(yàn)中其準(zhǔn)確率、精確率以及召回率均為最高，說(shuō)明此模型在債券違約預(yù)測(cè)任務(wù)上性能較好，對(duì)2019 年銀行間債券市場(chǎng)信用債違約情況作出了較為精確的預(yù)測(cè)。

2.4 特征分析

我國(guó)債券市場(chǎng)違約事件頻發(fā)是多種因素共同作用導(dǎo)致的后果，本文在研究違約債券預(yù)測(cè)的基礎(chǔ)上，利用圖注意力神經(jīng)網(wǎng)絡(luò)的特征權(quán)重分配對(duì)債項(xiàng)層面本身對(duì)違約債券的影響同步進(jìn)行了研究。

實(shí)驗(yàn)結(jié)果表明，發(fā)行人信用評(píng)級(jí)、注冊(cè)地（?。?、所屬行業(yè)、經(jīng)濟(jì)成分等對(duì)債券違約具有較大的影響，產(chǎn)權(quán)性質(zhì)、債項(xiàng)評(píng)級(jí)、發(fā)行人是否為上市公司、企業(yè)規(guī)模、是否有擔(dān)保以及發(fā)行期限、產(chǎn)權(quán)性質(zhì)、經(jīng)濟(jì)成分等特征變量在一定程度上影響債券的違約。具體如下：

（1）“發(fā)行人信用評(píng)級(jí)”特征變量：發(fā)行人信用評(píng)級(jí)對(duì)債券違約具有一定的影響。一方面，說(shuō)明國(guó)內(nèi)第三方評(píng)級(jí)結(jié)果能較好地體現(xiàn)債券的信用風(fēng)險(xiǎn)；另一方面，也說(shuō)明債券市場(chǎng)參與者可能對(duì)第三方評(píng)級(jí)的依賴(lài)性較強(qiáng)，投資者普遍參考第三方評(píng)級(jí)結(jié)果作出投資決策，因此債券違約與主體評(píng)級(jí)呈現(xiàn)高度相關(guān)。

（2）“注冊(cè)地”特征變量：發(fā)行主體所在省份是影響債券違約的重要因素，表明地域環(huán)境對(duì)發(fā)行主體的償債能力有顯著的影響。

（3）“所屬行業(yè)”特征變量：行業(yè)特有的非系統(tǒng)性風(fēng)險(xiǎn)是債券違約影響因素的重要組成部分，發(fā)行人所處的不同行業(yè)決定了不同實(shí)體的資本實(shí)力、運(yùn)營(yíng)能力和償付能力的差異。因此，行業(yè)因素將對(duì)債券的違約產(chǎn)生一定的影響。

（4）“經(jīng)濟(jì)成分”特征變量：信用債投資人對(duì)債券的流動(dòng)性較為看重，流動(dòng)性溢價(jià)是信用風(fēng)險(xiǎn)溢價(jià)的重要組成部分。與民營(yíng)企業(yè)和外資企業(yè)相比，一般國(guó)有企業(yè)的信用風(fēng)險(xiǎn)相對(duì)較小。因此，發(fā)行人的經(jīng)濟(jì)成分也會(huì)對(duì)信貸風(fēng)險(xiǎn)產(chǎn)生影響。

3 結(jié)束語(yǔ)

債券市場(chǎng)的穩(wěn)定發(fā)展對(duì)實(shí)體經(jīng)濟(jì)的發(fā)展和金融市場(chǎng)的健康發(fā)展都有著重要的影響。隨著債券市場(chǎng)規(guī)模的迅速擴(kuò)大和市場(chǎng)參與者的不斷增多，債券市場(chǎng)的信用風(fēng)險(xiǎn)也越來(lái)越突出。如何有效預(yù)測(cè)債券違約風(fēng)險(xiǎn)，提高市場(chǎng)風(fēng)險(xiǎn)管理水平，已成為債券市場(chǎng)監(jiān)管者和參與者關(guān)注的焦點(diǎn)問(wèn)題。本文應(yīng)用知識(shí)圖譜和深度學(xué)習(xí)方法，基于銀行間債券市場(chǎng)的信用債數(shù)據(jù)構(gòu)建知識(shí)圖譜，然后通過(guò)圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)，可以更加準(zhǔn)確地識(shí)別違約債券，并提高對(duì)債券違約風(fēng)險(xiǎn)的預(yù)測(cè)能力。通過(guò)多種深度學(xué)習(xí)模型對(duì)比分析，發(fā)現(xiàn)在預(yù)測(cè)債券違約概率時(shí)，R-GCN-BKG 模型明顯具有更高的預(yù)測(cè)準(zhǔn)確度，能更準(zhǔn)確地識(shí)別出在未來(lái)1年內(nèi)或者2 年內(nèi)可能出現(xiàn)的違約情況，這對(duì)于監(jiān)管部門(mén)、參與機(jī)構(gòu)及投資者而言具有非常重要的意義。而且在數(shù)據(jù)量增大時(shí)，模型兼容性更好，召回率更高，該模型可以用于未來(lái)債券違約預(yù)測(cè)，為系統(tǒng)性風(fēng)險(xiǎn)的防控和銀行間債券市場(chǎng)信用債交易提供決策支持。