陳毓敏 林日裕

摘要：為更好地尋找債券違約預警信號，本文構建了財務預警、基金持倉預警、價格預警和輿情預警四種預警方法，并將其實際效果進行了比較與分析。基于比較結果，筆者對構建債券違約預警立體防范體系的具體方法提出了建議。

關鍵詞：債券違約 ?預警 ?機器學習 ?立體防范體系

2019年，我國共有155只債券發(fā)生違約，違約金額為1191.01億元，這兩個數(shù)據(jù)均超過2018年。對于投資者而言，在經(jīng)濟面臨下行壓力、企業(yè)債務高企的環(huán)境下，應當如何尋找債券違約預警信號？如何提前發(fā)現(xiàn)債券違約風險，規(guī)避違約產(chǎn)品、保住收益？針對以上問題，筆者構建了幾種債券違約預警方法。下文將對基于機器學習的財務預警、基金持倉預警、價格預警和輿情預警的效果進行比較，并梳理各種信號之間的關系。

違約預警原理及模型簡介

盡管債券市場有外部評級作為參考，有內(nèi)部評級輔助決策，但是傳統(tǒng)的信用評級方法只能解決排序問題，難以有效實現(xiàn)風險預警。國內(nèi)外信用評級機構都存在信用等級調(diào)整滯后的問題。很多企業(yè)在發(fā)行債券前首次評級時資質不錯，但隨著內(nèi)外部經(jīng)營環(huán)境的變化，企業(yè)的信用風險發(fā)生了變化，其中部分企業(yè)逐步走向債務違約。

進入大數(shù)據(jù)時代，信息壁壘越來越低，信息傳播速度越來越快。對于機構投資者而言，以往通過資訊優(yōu)勢賺信息不對稱價差的時代將不再。財務信息、價格數(shù)據(jù)、輿情信息、投資者行為、高頻經(jīng)濟數(shù)據(jù)等，都成為可追蹤發(fā)掘的預警信號。不過，不同類別的信息在作為預警信號時各有優(yōu)劣，實踐中需要針對其特點找到解決要點，以便進行相應處理。相關分析及解決要點如表1所示。

（一）財務預警

筆者設計了基于機器學習的提前財務預警模型，通過該模型對債券市場上全部約7000家發(fā)債企業(yè)進行監(jiān)測。具體步驟是：

以2013年以來的財務數(shù)據(jù)為核心，輔以企業(yè)的基本分類特征，包括區(qū)域、行業(yè)、企業(yè)性質、上市與否、是否違約、違約時間等，來構建數(shù)據(jù)集;

采用機器學習的方法，選擇樹狀模型的各分支模型而非線性模型，對特征逐一進行處理;

從違約企業(yè)特征出發(fā)，通過橫向對比正常企業(yè)和違約企業(yè)、縱向對比違約企業(yè)違約前n年或n季度數(shù)據(jù)，來提取違約企業(yè)的特征和違約臨界點;

用二分類方式劃分準確率最高的違約臨界時點違約企業(yè)的特征，并去尋找正常企業(yè)中具有這些特征的企業(yè)，進行預警。

債券違約預警的目標，是完美區(qū)分債券違約和不違約的二分類屬性。實踐中，筆者通過上述操作對每個企業(yè)給出一個違約評分，將其范圍設定為[0，1]，評分超過0.5的判為違約預警企業(yè)。出于增加預警覆蓋面的考慮，對于評分處于[0.4，0.5]的企業(yè)進行再梳理，設為違約關注企業(yè)。剔除其中一些外部評級已下調(diào)的市場已知高風險企業(yè)，以及一些財務表現(xiàn)不佳但關系國計民生的中央企業(yè)，得到債券違約預警名單，名單每季度一份，一般企業(yè)數(shù)量在200家以內(nèi)，約占全部發(fā)債企業(yè)的4%，將其所發(fā)債券作為未來3～6個月可能違約的債券。

依據(jù)企業(yè)2018年三季度季報至2019年半年報，上述方法共測算出預警企業(yè)392家次（不重復主體約294家）。

同時，筆者總結出兩個違約特征。

一是較容易發(fā)現(xiàn)的傳統(tǒng)違約。其主要表現(xiàn)為企業(yè)經(jīng)營業(yè)績變差，財務結構及償債能力變?nèi)?，最終發(fā)生違約。在這類違約中，排在第一位的影響指標是凈利潤。在出現(xiàn)這類違約的企業(yè)中，地方國有企業(yè)和民營企業(yè)占比相差不多。

二是較為隱蔽、容易突發(fā)的流動性危機違約。其主要表現(xiàn)為企業(yè)短期流動性變差，短期債務占比偏高，貨幣資產(chǎn)偏少，即使經(jīng)營正常，籌資活動也因現(xiàn)金凈流出而觸發(fā)違約。在這類違約中，排在第一位的影響指標是貨幣資金/短期債務。在此類違約的企業(yè)中，民營企業(yè)占比要遠高于國有企業(yè)。

（二）基金持倉（投資者行為）預警

在銀行、保險公司、證券公司、基金管理公司和私募機構等眾多機構投資者中，只有基金管理公司的基金和部分券商資管產(chǎn)品披露債券持倉情況，其他機構均不披露。

筆者通過研究基金的債券持倉行為，設計了基金持倉預警模型，作為財務預警的重要補充，達到了很好的預警效果。

基金持倉預警設定兩大目標：一是尋找債券市場中的聰明投資者，即信用債投研能力較強的基金;二是挖掘基金預警規(guī)則。

1.尋找債券市場中的聰明投資者

在130家歷史違約債券發(fā)行主體中，基金持有者超過39家，約占30%。通過觀察基金持有歷史違約債券的持倉變化情況，可以研究違約和基金持倉的關系，并發(fā)現(xiàn)確實存在聰明的投資者：約87%的基金實現(xiàn)了違約債券的提前拋售;基金的拋售時間集中在提前5個季度及以上，占比約為1/4（見表2）。

在此基礎上，尋找債券市場中聰明的投資者，追蹤其持倉變動，并找出其中因債券違約風險而減倉的行為。

筆者統(tǒng)計了基金管理公司信用債和利率債的分布情況，用平均市值法、持有債券只數(shù)和涉及發(fā)行主體家數(shù)等三種方法綜合確定了20家重倉信用債的基金管理公司名單，作為重點跟蹤對象。

2.挖掘基金持倉預警規(guī)則

筆者以持倉基金數(shù)量的變化作為跟蹤對象，其原理是如果一只債券被眾多基金持有，表明其資質優(yōu)良;臨近違約，其持倉基金的數(shù)量應是不斷減少的，因為歷史數(shù)據(jù)驗證基金管理人具備相對較強的投研能力，能夠提前拋出。

筆者根據(jù)基金持有債券的數(shù)量分布、信用等級、企業(yè)性質、信用債重倉基金拋售行為等條件進行篩選，在篩選出債券違約預警名單的同時，剔除受債券到期、非信用因素的持倉減少和偶發(fā)因素等影響的債券。根據(jù)預設的基金持倉預警規(guī)則，分別對名單中的債券給出紅色預警信號和黃色預警信號。通常，紅色信號代表有多只基金被拋售，未來6～12個月該券違約風險較高;黃色信號代表有個別基金被拋售，未來存在一定的違約風險。

由于每季度的基金持倉預警名單數(shù)量不等，筆者輔以外部評級和企業(yè)性質作為篩選條件的總體原則：一是信用等級越高篩選條件越寬松;二是對國有企業(yè)尤其是中央企業(yè)的篩選條件略寬松于民營企業(yè)。

篩選結果顯示，每季度基金持倉預警得到的名單上有債券50～100只。自2018年3月至2019年6月，被預警的發(fā)行主體合計448家次、不重復主體391家，其中在被列入后6～12個月發(fā)生違約或估值收益率大幅上升（在3個交易日內(nèi)上升至少50BP）的企業(yè)約占50%。如果剔除名單中的城投企業(yè)，預警的有效性還會有所提高。

對于2019年新增違約企業(yè)，基金持倉預警的覆蓋率為75%，略低于歷史違約債券總體87%的預警覆蓋率，其主要原因是2019年中民投等4家發(fā)行人被市場普遍認為不太可能違約，基金未能對其預警。

（三）價格預警

價格預警就是以二級市場上債券成交價格的大幅下跌來作為債券違約風險的預警。我國債券市場是一個流動性較低的市場，并非每只債券每日都有成交價格，多數(shù)信用債的成交價格都是不連續(xù)的。因此，除了監(jiān)控二級市場成交價格之外，還要監(jiān)測債券的估值變化。

一般而言，各機構都會根據(jù)自己的風險偏好設定警戒線和止損平倉線，通常分別為-5%和-15%，以規(guī)避更大的損失。為了便于觀察，本文將估值收益率在連續(xù)3個交易日內(nèi)上升超過50BP作為預警信號。

然而，在實際操作中會遇到兩個問題：一是在估值已發(fā)生大幅變動后，很難找到拋售被預警債券的交易對手;二是估值常會隨著企業(yè)情況變化而變化，在跳升后出現(xiàn)下降，難以捕捉到確切的違約時點，而且很多債券估值收益率漲幅超過10%，最終并不違約。

（四）輿情預警

輿情預警是近年市場關注的熱點之一。在大數(shù)據(jù)時代，不難通過全網(wǎng)監(jiān)測各種信息，即按照一定的規(guī)則，通過技術手段自動抓取網(wǎng)上信息。各大傳統(tǒng)資訊商紛紛加入這股潮流，很多科技實力較強的金融機構也在抓取輿情信息，大手筆投資輿情監(jiān)測系統(tǒng)。

輿情預警的基本原理，是通過輿情中企業(yè)信用水平惡化的蛛絲馬跡來發(fā)現(xiàn)違約風險。但從實踐來看，這只是一種理想狀態(tài)。事實上，輿情數(shù)量龐大，但可利用率不高，較難捕捉有用的信號。盡管很多資訊商也做了負面新聞的程度分類，但較難提取與違約相關的關鍵規(guī)則。依靠人工來判別的效率低下，依靠機器判別缺乏有效規(guī)則，很多出現(xiàn)輕微負面信息的企業(yè)最終并不違約，造成信號混雜。而一旦出現(xiàn)嚴重負面信息，如財產(chǎn)凍結、法律訴訟等，則會得到快速傳播，無法再進行持倉調(diào)整。

為了使信號含義更加明確，預警有效性更高，筆者將出現(xiàn)嚴重負面信息作為輿情預警的信號。從對39家2019年新增違約企業(yè)相關統(tǒng)計來看，大致可以歸納出10種類型的嚴重負面信息，出現(xiàn)較多的6種嚴重負面信息分別為：股份凍結、資產(chǎn)凍結;貸款、非標逾期;被提起法律訴訟;實際控制人出現(xiàn)問題;隱含評級下調(diào)，債券價格暴跌，估值收益率大幅上升;出現(xiàn)流動性危機，請求幫助或大量出售資產(chǎn)。以上信息分別出現(xiàn)10次、6次、5次、4次、3次和3次。

對預警模型的效果檢驗

（一）檢驗對象及評判因素

筆者以2019年新發(fā)生違約的39家債券發(fā)行主體作為檢驗對象，對財務預警、基金持倉預警、價格預警和輿情預警這四種預警方法進行回溯檢驗，比較不同預警信號的效果。

在實踐中，筆者主要從以下三個角度來評判預警模型的優(yōu)劣：

一是預警的領先性，即從發(fā)出預警信號到出現(xiàn)違約的時間。不同預警信號的時間刻度不同，定期披露信息（如財務報表和基金持倉情況）一般以季度來衡量，價格估值和輿情信息以日為更新單位，可用天數(shù)衡量，但為了方便比較，本文統(tǒng)一以季度來衡量。

二是預警的有效性，即出現(xiàn)預警信號后在一定的時間內(nèi)（模型設定的預警領先時間內(nèi)），最終發(fā)生違約或者估值收益率大幅上升的企業(yè)占比。該指標體現(xiàn)的是模型的準確性，預警的同時希望正常企業(yè)被錯判為違約企業(yè)的比例盡量小。

三是預警的覆蓋率，即某段時間內(nèi)已經(jīng)違約的企業(yè)（本文統(tǒng)計的是2019年新增違約企業(yè)）中，違約前已出現(xiàn)預警信號的企業(yè)占比。該指標體現(xiàn)的是模型的可用性，實踐中希望違約企業(yè)能夠全部被預警。覆蓋率越高，投資者“踩雷”的可能性越小。

預警的有效性和覆蓋率在實踐中是一對矛盾，最理想的狀態(tài)就是用最小的預警名單覆蓋住最多的違約企業(yè)。

（二）新增違約企業(yè)概況

在2019年違約債券發(fā)行主體中，民營企業(yè)占比超過70%，和2018年基本持平;地方國有企業(yè)占比從2018年的10%上升到16%;上市公司占比進一步提高，從2018年的33%上升到43%。

其中，有6家地方國有企業(yè)的違約較為隱蔽，在違約之前存在一定的博弈過程，因為市場對國有企業(yè)獲得救助抱有預期。

從外部評級的下調(diào)情況可以發(fā)現(xiàn)，有13家企業(yè)的外部評級在2018年底之前就已下調(diào)，各種信號也早已預警，違約只是時間早晚的問題。

（三）各種預警模型效果檢驗

表3展示了四種預警模型對2019年新增違約企業(yè)的部分預警效果。通過對比，得出如下結論：

一是從預警的領先性而言，基金持倉預警（約領先4—5個季度）>財務預警（約領先3個季度）>價格預警（約領先2—3個季度）>輿情預警（約領先2個季度）。

二是從預警的有效性而言，財務預警（70%）>基金持倉預警（50%）>價格預警（約40%）>輿情預警（約20%）。其中價格預警和輿情預警因信號較多、預警頻率很高，難以準確統(tǒng)計。

三是從預警的覆蓋率而言，剔除無財報、無持倉的情況，財務預警（94%）>輿情預警（87%）>基金持倉預警（75%）>價格預警（72%）。

綜合而言，在上述違約預警模型中，通過機器學習挖掘違約因子打造的財務預警表現(xiàn)最佳，通常能夠提前3個月進行預警，預警的有效性達到70%，預警的覆蓋率達到90%以上。再疊加基金持倉預警，可以使得預警的有效性和覆蓋率進一步增加。價格預警和輿情預警盡管覆蓋率表現(xiàn)也較好，但一方面基本屬于同步信號，預警的領先性較弱;另一方面在眾多信息中準確捕捉違約信號較為困難，預警的有效性較低。

構建債券違約預警的立體防范體系

通過以上比較，筆者認為構建債券違約預警立體防范體系，可將財務預警作為核心，在其發(fā)出預警信號時需要立即處置，尤其是對于那些被認為“大而不倒”的高評級企業(yè)要加以警惕。同時，輔以基金持倉預警，其適用于那些在投資級以上有瑕疵但高收益的品種，如地產(chǎn)債、非制造業(yè)或高風險制造業(yè)的民營企業(yè)債，基金持倉預警發(fā)出信號后通常有相對較長的處置期。輿情預警可以用于發(fā)現(xiàn)和尋找違約的原因，未來可以進一步研究輿情信號和債券違約之間的關系，從而更加精準高效地使用輿情，提高輿情信息的有效性。

在債券投資策略上，可選取收益相對較高、違約評分相對較低的“錯誤”定價券種買入，在財務預警評分上升到違約關注區(qū)間時賣出，從而獲取更高的收益。

作者：陳毓敏 ?析鯨信息首席執(zhí)行官兼首席風險官

林日裕??析鯨信息高級算法工程師

責任編輯：劉穎 ?鹿寧寧