摘要：對于債券違約風(fēng)險(xiǎn)的判斷，當(dāng)前投資者常用的量化研究方法是基于宏觀和微觀財(cái)務(wù)數(shù)據(jù)，通過Logistic回歸等線性回歸方法來生成違約模型。既有方法對于更為高頻的市場交易數(shù)據(jù)、負(fù)面輿情數(shù)據(jù)等因素考量較少，同時(shí)主要針對某一時(shí)點(diǎn)的截面數(shù)據(jù)進(jìn)行建模，較少采用跨度更長的面板數(shù)據(jù)進(jìn)行分析。本文在既有方法基礎(chǔ)上進(jìn)行了數(shù)據(jù)補(bǔ)充和模型改進(jìn)，結(jié)果顯示新模型債券違約預(yù)測的準(zhǔn)確度比僅納入財(cái)務(wù)數(shù)據(jù)的違約模型有明顯提升。

關(guān)鍵詞：信用債違約 邏輯回歸 面板數(shù)據(jù) 預(yù)警模型

從近年信用違約事件的特點(diǎn)來看，在違約之前市場出現(xiàn)不同層次的異動信號，包括但不限于信用基本面數(shù)據(jù)變化、微觀主體財(cái)報(bào)數(shù)據(jù)變化、債券市場交易數(shù)據(jù)分化等。如果能結(jié)合人工智能（AI）等技術(shù)手段有效捕捉信息并快速開展信息篩選和分析處理，則有助于提升信用風(fēng)險(xiǎn)預(yù)測的效率和精準(zhǔn)度。

反映信用債違約信號的四類主要變量

為構(gòu)建和完善信用債違約預(yù)警指標(biāo)模型，本文將重點(diǎn)圍繞市場交易數(shù)據(jù)、輿情信息、主體評級變化、財(cái)務(wù)數(shù)據(jù)等維度，篩選和評估相對快速有效反映信用債違約信號的四類主要變量，具體如下：

（一）市場交易數(shù)據(jù)

市場交易數(shù)據(jù)可快速反映市場情緒面波動以及投資者行為變化，例如，債券違約前通常伴有收益率走高、成交縮量、有價(jià)無市、同一發(fā)行人境內(nèi)外債券利差走闊等現(xiàn)象，進(jìn)而通過交易數(shù)據(jù)異動實(shí)現(xiàn)對違約風(fēng)險(xiǎn)的前瞻捕捉和判斷。根據(jù)萬得（Wind）預(yù)警信息數(shù)據(jù)，此類信息主要包括跨市場價(jià)差異常（如交易所市場與銀行間市場價(jià)差）、成交價(jià)異常（最低收盤價(jià)與前日收盤價(jià)的差異），以及推遲或取消發(fā)行等情況。截至2024年9月末，共有140只債券出現(xiàn)成交價(jià)格異常，涉及120家發(fā)行人，其價(jià)差偏離1幅度為-20%～4%。其中，15家發(fā)行人已發(fā)生實(shí)質(zhì)性違約。因此，通過監(jiān)測市場異常交易數(shù)據(jù)，有助于投資者預(yù)先識別潛在的違約風(fēng)險(xiǎn)。

（二）輿情信息

輿情信息涉及發(fā)債主體經(jīng)營、財(cái)務(wù)、股東支持、涉訴糾紛等多個(gè)方面，具有正面、中性及負(fù)面屬性。其中，負(fù)面輿情信息在識別債券風(fēng)險(xiǎn)、揭示發(fā)債主體潛在信用瑕疵方面具有關(guān)鍵作用，能為風(fēng)險(xiǎn)評估提供關(guān)鍵視角，輔助市場參與者精準(zhǔn)把握信用狀況，優(yōu)化投資決策，提升市場穩(wěn)定性與資源配置效率。根據(jù)Wind數(shù)據(jù)，2023年9月至2024年9月末，共計(jì)9家發(fā)行人多次出現(xiàn)商票逾期、納入失信被執(zhí)行人名單等負(fù)面輿情，相應(yīng)債券均出現(xiàn)了違約或展期。這些債券的違約和展期行為進(jìn)一步加劇了投資者的擔(dān)憂，對整個(gè)債券市場造成了不利影響。因此，本文在構(gòu)建債券違約預(yù)警模型時(shí)，將輿情信息納入基礎(chǔ)數(shù)據(jù)范疇，以便于更好追蹤和識別風(fēng)險(xiǎn)預(yù)警信號，具體包括監(jiān)管問詢關(guān)注或警示（交易所兌付風(fēng)險(xiǎn)警示、交易商協(xié)會自律處分）、行政處罰（訴訟糾紛、誠信信息、保薦違規(guī)記錄）、發(fā)行人內(nèi)控和風(fēng)險(xiǎn)問題（高層變動/違法違紀(jì)、集團(tuán)系/關(guān)聯(lián)方有重大輿情或違約風(fēng)險(xiǎn)）、發(fā)行人非公開債務(wù)逾期（商票/定融逾期、非標(biāo)負(fù)面）等。

（三）主體評級變化

外部評級變動是判斷債券發(fā)行人信用資質(zhì)變化的重要參考指標(biāo)，當(dāng)發(fā)行人的信用評級或債項(xiàng)評級被下調(diào)或者評級展望為負(fù)面時(shí)，通常意味著其違約風(fēng)險(xiǎn)有所增加。尤其近年市場對于債券隱含評級的關(guān)注度不斷提升，債券隱含評級不僅考慮了傳統(tǒng)的評級因素，還納入了債券的價(jià)格信號、交易量以及其他市場信息，對傳統(tǒng)評級方法進(jìn)行了有益補(bǔ)充和完善。根據(jù)Wind統(tǒng)計(jì)，評級信息變動主要包括主體評級或債項(xiàng)評級、擔(dān)保人評級、中債隱含評級以及評級展望的變動，2023年9月至2024年9月共計(jì)46家發(fā)行人主體的隱含評級被下調(diào)，其中約40%的存續(xù)債隱含評級下調(diào)超過3級。評級被下調(diào)主體大多是在最近一年內(nèi)出現(xiàn)過重大負(fù)面輿情或風(fēng)險(xiǎn)事件的公司。因此，通過評級變動跟蹤能夠及時(shí)發(fā)現(xiàn)債券發(fā)行人出現(xiàn)的信用資質(zhì)劣變風(fēng)險(xiǎn)，從而盡早開展預(yù)警分析。

（四）財(cái)務(wù)數(shù)據(jù)

財(cái)務(wù)分析是債券發(fā)行人信用分析的核心，涉及企業(yè)盈利能力、運(yùn)營能力、償債能力、資本結(jié)構(gòu)和資產(chǎn)質(zhì)量等方面，重點(diǎn)包括：

盈利能力指標(biāo)：聚焦凈利潤、銷售利潤率、資產(chǎn)利潤率、資本利潤率等，用以評估企業(yè)盈利水平與潛力。

運(yùn)營能力指標(biāo)：主要涉及資產(chǎn)和資本周轉(zhuǎn)速度，如存貨、應(yīng)收賬款及總資產(chǎn)周轉(zhuǎn)率等，反映企業(yè)經(jīng)營效率與資產(chǎn)利用效率。

償債能力指標(biāo)：核心是衡量企業(yè)可支配資金與債務(wù)關(guān)系，涵蓋有息負(fù)債、利息保障倍數(shù)等，表外負(fù)債和擔(dān)保也需考慮，以全面評估債務(wù)風(fēng)險(xiǎn)。

現(xiàn)金創(chuàng)造能力指標(biāo)：著重關(guān)注三大現(xiàn)金流及銷售獲現(xiàn)率等，綜合判斷企業(yè)資金鏈穩(wěn)定性與可持續(xù)發(fā)展能力。

根據(jù)Wind數(shù)據(jù)，2018年初至2024年9月末，共計(jì)有70家債券發(fā)行人的資產(chǎn)負(fù)債狀況呈現(xiàn)惡化趨勢，資產(chǎn)負(fù)債率超過50%；42家債券發(fā)行人的營業(yè)收入同比減少30%；12家債券發(fā)行人的短期償債能力顯著減弱。統(tǒng)計(jì)分析結(jié)果顯示，大約90%的財(cái)務(wù)指標(biāo)出現(xiàn)弱化的債券發(fā)行人顯示出潛在的資質(zhì)劣變風(fēng)險(xiǎn)，并已發(fā)生違約。因此，將關(guān)鍵財(cái)務(wù)數(shù)據(jù)納入模型構(gòu)建指標(biāo)，對于提前捕捉企業(yè)債務(wù)違約的預(yù)警信號至關(guān)重要。通過加強(qiáng)對財(cái)務(wù)數(shù)據(jù)的分析，可以有效提升對潛在違約風(fēng)險(xiǎn)的預(yù)見性和應(yīng)對能力。

實(shí)證分析

當(dāng)前市場上對于信用債券違約的預(yù)警模型基本采用發(fā)債主體在某一時(shí)間點(diǎn)上的財(cái)務(wù)數(shù)據(jù)進(jìn)行建模。該方法的局限性主要在于忽略了時(shí)間維度上的變化趨勢以及非財(cái)務(wù)數(shù)據(jù)的相關(guān)影響?；诖?，本文在數(shù)據(jù)層面將市場數(shù)據(jù)、輿情信息、評級信息和財(cái)務(wù)數(shù)據(jù)進(jìn)行整合，在時(shí)間維度上使用跨度更長的面板數(shù)據(jù)代替截面數(shù)據(jù)，旨在改進(jìn)和提升對信用債券違約預(yù)警分析的準(zhǔn)確性和有效性。

（一）Logistic回歸模型介紹

Logistic回歸模型通常用于研究某個(gè)現(xiàn)象發(fā)生的概率 p與其影響因素（自變量）之間的關(guān)系。由于概率p的取值范圍是[0，1]，直接使用線性模型是不合適的。為了解決這一問題，Logistic回歸引入了一種轉(zhuǎn)換，即概率p的一個(gè)嚴(yán)格單調(diào)函數(shù)G（p），這個(gè)函數(shù)稱為Logit變換。Logit變換的公式為：G（p）=log[p/（1-p）]，對函數(shù)進(jìn)行變換G（p）=log[p/（1-p）]=B×X=b0+b1x1+…+bnxn，

p=1/[1+e-（b1x1+b2x2+…+bnxn+b0）]，其中自變量X=（x1，x2，…，xn），xi表示第i個(gè)因素。

通過邏輯回歸模型可以對企業(yè)發(fā)生違約的可能性進(jìn)行預(yù)測。模型會輸出一個(gè)概率值p，表示企業(yè)違約的概率。通常選取0.5作為判斷企業(yè)是否違約的分割點(diǎn)，若p＜0.5，則認(rèn)為企業(yè)不發(fā)生違約；若p≥0.5，則認(rèn)為企業(yè)發(fā)生違約。回歸系數(shù)顯著性檢驗(yàn)方面使用瓦爾德檢驗(yàn)。

（二）風(fēng)險(xiǎn)指標(biāo)體系的構(gòu)建

根據(jù)上文指標(biāo)分析，本文首先選取市場指標(biāo)、財(cái)務(wù)指標(biāo)、負(fù)面輿情、評級調(diào)整四類指標(biāo)作為風(fēng)險(xiǎn)預(yù)警一級指標(biāo)。其次，根據(jù)各類指標(biāo)特點(diǎn)，同時(shí)結(jié)合數(shù)據(jù)可得性，繼續(xù)細(xì)分了16個(gè)二級指標(biāo)，具體如下：（1）市場指標(biāo)選取了跨市場價(jià)差（銀行間市場和交易所市場）均值、中債估值偏離均值，由于市場指標(biāo)是按交易日發(fā)生，本文選取了季度內(nèi)市場指標(biāo)的均值。（2）財(cái)務(wù)指標(biāo)選取凈利潤（同比增速，%）、主營業(yè)務(wù)收入（同比增速，%）、主營業(yè)務(wù)利潤率（%）、資產(chǎn)負(fù)債率（%）、現(xiàn)金比率、經(jīng)營性現(xiàn)金流/ EBITDA（%）共計(jì)6項(xiàng)，均為季度數(shù)據(jù)。（3）負(fù)面輿情數(shù)據(jù)主要包括內(nèi)控風(fēng)險(xiǎn)問題發(fā)生次數(shù)、融資轉(zhuǎn)弱發(fā)生次數(shù)、非公開債的逾期次數(shù)、監(jiān)管問詢和警示次數(shù)。由于輿情不定期發(fā)生，因此本文按照季度統(tǒng)計(jì)總數(shù)，即發(fā)生一次負(fù)面輿情則數(shù)值加1。（4）評級調(diào)整可細(xì)分為主體/債項(xiàng)評級下調(diào)次數(shù)、評級觀察/評級展望下調(diào)發(fā)生次數(shù)、負(fù)面展望或列入觀察名單次數(shù)、撤銷/推遲評級發(fā)生次數(shù)，按照季度進(jìn)行次數(shù)統(tǒng)計(jì)（見表1）。

（三）模型數(shù)據(jù)的處理

由于產(chǎn)業(yè)債和金融債的財(cái)務(wù)數(shù)據(jù)刻畫指標(biāo)有所區(qū)別，本文基于Wind和評級系統(tǒng)數(shù)據(jù)，選取2018年初至2024年6月所有產(chǎn)業(yè)債共計(jì)62075只，其中違約債券1142只，未到期、未違約債券有60933只。針對每只違約債券，使用從2018年開始到違約日的上述指標(biāo)數(shù)據(jù)，未違約債券使用從2018年開始至債券到期日的上述指標(biāo)數(shù)據(jù)。

由于違約債券樣本數(shù)量和未違約債券樣本數(shù)量偏差大，為確保模型回歸計(jì)算的有效性，違約樣本數(shù)量和未違約樣本數(shù)量需要均衡，故隨機(jī)選取了和違約債數(shù)量接近的未違約樣本用于分析，同時(shí)過濾掉異常和無效數(shù)據(jù)3，最終用于回歸的樣本包含違約債436只，未違約債617只，共1053只，其中隨機(jī)選取近20%共190只債券作為測試樣本，其余863只債券用于回歸建模。同時(shí)，由于不同樣本數(shù)值偏差較大，通過SPSS進(jìn)行了歸一化處理。

（四）回歸建模及顯著性分析

將單只債券的16個(gè)指標(biāo)的時(shí)間序列構(gòu)建自變量向量，進(jìn)而使用自變量X=（X1，X2，…，X16），構(gòu)建邏輯回歸模型。因變量為債券違約發(fā)生的概率p，發(fā)生違約的值為1，未發(fā)生違約的值為0。邏輯回歸模型公式為ln[p/（1-p）]=BT×X+B0，其中B為系數(shù)矩陣，X為自變量矩陣，B0為常量。

選取違約債券356只、未違約債券507只，共計(jì)863只4債券開展建模，數(shù)據(jù)維度包括上述16個(gè)指標(biāo)，每個(gè)指標(biāo)為24維向量。最后，將其中指標(biāo)X列作為自變量，是否違約列為因變量Y，通過執(zhí)行邏輯回歸分析操作得到如下回歸方程（對應(yīng)的回歸系數(shù)和顯著性見表2）5。

y= b11×x11+b12×x12+…+b124×x124（第1個(gè)指標(biāo)變量和系數(shù)）

+b21×x21+b22×x22+…+b224×x224（第2個(gè)指標(biāo)變量和系數(shù)）

+……

+b161×x161+b162×x162+...+b1624×x1624（第16個(gè)指標(biāo)變量和系數(shù)）+b06

對模型回歸效果開展檢驗(yàn)，可知coxamp;Snell R平方=0.734gt;0.5，Nagelkerke R平方=0.989gt;0.5，說明模型擬合度較高（見表3）。從回歸系數(shù)顯著性水平來看，市場指標(biāo)、財(cái)務(wù)指標(biāo)、負(fù)面輿情和評級調(diào)整的幾類指標(biāo)中都存在可以通過10%顯著性的指標(biāo)，說明這些指標(biāo)和結(jié)果的線性關(guān)系還是比較明顯的。部分指標(biāo)系數(shù)顯著性不足，但模型的擬合有效性總體較好，原因可能為本模型中同一企業(yè)的不同債券在財(cái)務(wù)信息方面存在重復(fù)7，以及16個(gè)風(fēng)險(xiǎn)預(yù)警指標(biāo)沒有做消除共線性處理。

（五）模型預(yù)測檢驗(yàn)

為驗(yàn)證已構(gòu)建的預(yù)警模型性能，本文使用測試樣本共190只債券對模型進(jìn)行檢驗(yàn)。其中，實(shí)際發(fā)生違約的債券80只，未違約的債券110只，通過SPSS檢驗(yàn)后結(jié)果顯示，未違約債券樣本的召回率和精確率分別達(dá)到98.2%和99.1%，違約樣本的召回率和精確率分別達(dá)到98.8%和97.5%（見表4），各指標(biāo)也都優(yōu)于僅單獨(dú)使用財(cái)務(wù)指標(biāo)的模型（未違約債券樣本的召回率和精確率分別為90.9%和75.8%，違約樣本的召回率和精確率分別為40%和82.8%，結(jié)果見表5），說明違約預(yù)警模型的預(yù)測效果比較理想，能夠?yàn)閭`約預(yù)警提供一定的指導(dǎo)。

模型結(jié)果運(yùn)用及后續(xù)建議

本文基于2018年—2024年6月信用債市場違約和非未違約數(shù)據(jù)，選取了市場指標(biāo)、財(cái)務(wù)指標(biāo)、負(fù)面輿情和評級調(diào)整作為風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，生成邏輯回歸模型，從回歸方程有效性角度看具備較好的解釋能力。基于上述模型結(jié)果，結(jié)合信用風(fēng)險(xiǎn)日常管理工作的實(shí)操需求提出以下建議：

第一，為更好地對比和驗(yàn)證傳統(tǒng)財(cái)務(wù)指標(biāo)以外的數(shù)據(jù)對于模型有效性有提升效果，本文將上述6個(gè)財(cái)務(wù)指標(biāo)進(jìn)行單獨(dú)建模并進(jìn)行有效性檢驗(yàn)。同時(shí)考慮到上文提及的財(cái)務(wù)數(shù)據(jù)重復(fù)性問題，因此選取用發(fā)債主體的財(cái)務(wù)數(shù)據(jù)來開展回歸。具體方法是將上述樣本中財(cái)務(wù)指標(biāo)（X3到X8）在2023年四個(gè)季度的數(shù)據(jù)，通過SPSS進(jìn)行邏輯回歸建模。從輸出結(jié)果看，未違約債券樣本的召回率和精確率分別為90.9%和75.8%，違約樣本的召回率和精確率分別為40%和82.8%（結(jié)果見表5，回歸系數(shù)見表6）。

上述結(jié)果表明，在指標(biāo)體系中引入非財(cái)務(wù)指標(biāo)，同時(shí)加大相關(guān)指標(biāo)的時(shí)間跨度，有效增強(qiáng)了信用違約風(fēng)險(xiǎn)的預(yù)警能力。相比傳統(tǒng)數(shù)據(jù)，輿情行為、機(jī)構(gòu)交易行為、情緒面指標(biāo)等高頻數(shù)據(jù)，更能及時(shí)反映市場預(yù)期變化，較好彌補(bǔ)了財(cái)務(wù)數(shù)據(jù)真空期的有效信息缺失，無論在日常風(fēng)險(xiǎn)監(jiān)測還是量化預(yù)測方面都應(yīng)該更重視此類數(shù)據(jù)的價(jià)值。

同時(shí)，輿情類的信息以非結(jié)構(gòu)化的文本信息形式存在的較多，其中部分?jǐn)?shù)據(jù)源對這類文本信息做了簡單分類，本文僅是根據(jù)分類采用計(jì)數(shù)處理的簡化模式。實(shí)際對于此類數(shù)據(jù)量大、信息冗余、大部分為非結(jié)構(gòu)化文本的數(shù)據(jù)，可以采用當(dāng)前流行的大語言模型如聊天機(jī)器人（ChatGPT）對文本進(jìn)行處理提取更準(zhǔn)確的標(biāo)簽，對新聞輿情、公告、司法數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)事件要素抽取并進(jìn)行智能化分類，進(jìn)而可以形成對基礎(chǔ)信用資質(zhì)評估的補(bǔ)充。

第二，對于上文提到的信用風(fēng)險(xiǎn)承壓行業(yè)，本文嘗試將構(gòu)建的模型運(yùn)用于違約風(fēng)險(xiǎn)預(yù)測，在此選取房地產(chǎn)、建筑施工兩個(gè)行業(yè)為代表，本模型選取自2014年至2024年6月末未違約、未到期債券，同時(shí)滿足數(shù)據(jù)要求的共計(jì)35只債券，將對應(yīng)的債券基礎(chǔ)信息9輸入上述回歸模型，結(jié)果顯示房地產(chǎn)和建工行業(yè)預(yù)測違約率為22.9%。本模型可以運(yùn)用于日常投前擇券和投后存續(xù)期管理工作中，對重點(diǎn)風(fēng)險(xiǎn)敞口加強(qiáng)跟蹤分析。但由于本模型基于歷史數(shù)據(jù)分析，在實(shí)際工作中應(yīng)綜合考慮模型結(jié)果和政策影響。同時(shí)也可在此基礎(chǔ)上進(jìn)一步生成不同風(fēng)險(xiǎn)預(yù)警等級，為具體投資交易提供量化參考。

第三，上述預(yù)測模型主要致力于提升日常風(fēng)險(xiǎn)監(jiān)控工作的效率和精準(zhǔn)度，但在數(shù)據(jù)質(zhì)量和模型技術(shù)層面后續(xù)仍有較大改進(jìn)和升級空間。

一是在基礎(chǔ)數(shù)據(jù)準(zhǔn)確性和完整性方面，對缺失債券信息和風(fēng)險(xiǎn)指標(biāo)數(shù)據(jù)進(jìn)行完善，提高數(shù)據(jù)完整性，進(jìn)而提供更多的模型基礎(chǔ)數(shù)據(jù)樣本。同時(shí)伴隨債券市場發(fā)展，未來隱含評級、違約率、違約損失率等基礎(chǔ)數(shù)據(jù)也將不斷迭代和累積，后續(xù)可不斷地納入評價(jià)分析模型，提高預(yù)測的及時(shí)性和精準(zhǔn)性。

二是建模的理論基礎(chǔ)方面，目前整體分析使用的邏輯回歸模型本質(zhì)是一種線性模型，對于自變量和因變量之間存在的更復(fù)雜的非線性問題處理能力有限。目前市場上主流的信用評價(jià)模型主要使用線性加權(quán)公式加專家經(jīng)驗(yàn)形成打分卡方式，檢驗(yàn)方式有基尼系數(shù)等。同時(shí)，為解決不同行業(yè)的可比性問題，以及提高行業(yè)各主體之間的可比性，將各個(gè)行業(yè)均進(jìn)行了精細(xì)劃分，不同行業(yè)使用不同的指標(biāo)和模型，這種方式在可解釋性和透明性方面有較大優(yōu)點(diǎn)，但是在處理更多高頻以及來源多樣的非結(jié)構(gòu)化數(shù)據(jù)方面能力不足。后續(xù)可以考慮將模型升級為非線性模型，同時(shí)結(jié)合專家經(jīng)驗(yàn)庫和主流檢驗(yàn)方法，形成更為嚴(yán)謹(jǐn)有效的評價(jià)模型。

三是數(shù)據(jù)工具的升維，SPSS在處理高維度和大規(guī)模數(shù)據(jù)樣本時(shí)，在性能和效率方面存在不足，需要使用更高級的軟件或者編程來實(shí)現(xiàn)。后續(xù)可以考慮使用神經(jīng)網(wǎng)絡(luò)等更為高級的模型進(jìn)行分析。