不同債券違約預(yù)警信號對比與解析

陳毓敏 林日裕

摘要：為更好地尋找債券違約預(yù)警信號，本文構(gòu)建了財(cái)務(wù)預(yù)警、基金持倉預(yù)警、價(jià)格預(yù)警和輿情預(yù)警四種預(yù)警方法，并將其實(shí)際效果進(jìn)行了比較與分析?；诒容^結(jié)果，筆者對構(gòu)建債券違約預(yù)警立體防范體系的具體方法提出了建議。

關(guān)鍵詞：債券違約 ?預(yù)警 ?機(jī)器學(xué)習(xí) ?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(gè)數(shù)據(jù)均超過2018年。對于投資者而言，在經(jīng)濟(jì)面臨下行壓力、企業(yè)債務(wù)高企的環(huán)境下，應(yīng)當(dāng)如何尋找債券違約預(yù)警信號？如何提前發(fā)現(xiàn)債券違約風(fēng)險(xiǎn)，規(guī)避違約產(chǎn)品、保住收益？針對以上問題，筆者構(gòu)建了幾種債券違約預(yù)警方法。下文將對基于機(jī)器學(xué)習(xí)的財(cái)務(wù)預(yù)警、基金持倉預(yù)警、價(jià)格預(yù)警和輿情預(yù)警的效果進(jìn)行比較，并梳理各種信號之間的關(guān)系。

違約預(yù)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(shí)現(xiàn)風(fēng)險(xiǎn)預(yù)警。國內(nèi)外信用評級機(jī)構(gòu)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(shí)資質(zhì)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(fēng)險(xiǎn)發(fā)生了變化，其中部分企業(yè)逐步走向債務(wù)違約。

進(jìn)入大數(shù)據(jù)時(shí)代，信息壁壘越來越低，信息傳播速度越來越快。對于機(jī)構(gòu)投資者而言，以往通過資訊優(yōu)勢賺信息不對稱價(jià)差的時(shí)代將不再。財(cái)務(wù)信息、價(jià)格數(shù)據(jù)、輿情信息、投資者行為、高頻經(jīng)濟(jì)數(shù)據(jù)等，都成為可追蹤發(fā)掘的預(yù)警信號。不過，不同類別的信息在作為預(yù)警信號時(shí)各有優(yōu)劣，實(shí)踐中需要針對其特點(diǎn)找到解決要點(diǎn)，以便進(jìn)行相應(yīng)處理。相關(guān)分析及解決要點(diǎn)如表1所示。

（一）財(cái)務(wù)預(yù)警

筆者設(shè)計(jì)了基于機(jī)器學(xué)習(xí)的提前財(cái)務(wù)預(yù)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(jìn)行監(jiān)測。具體步驟是：

以2013年以來的財(cái)務(wù)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(zhì)、上市與否、是否違約、違約時(shí)間等，來構(gòu)建數(shù)據(jù)集;

采用機(jī)器學(xué)習(xí)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(jìn)行處理;

從違約企業(yè)特征出發(fā)，通過橫向?qū)Ρ日Ｆ髽I(yè)和違約企業(yè)、縱向?qū)Ρ冗`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(diǎn);

用二分類方式劃分準(zhǔn)確率最高的違約臨界時(shí)點(diǎn)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(jìn)行預(yù)警。

債券違約預(yù)警的目標(biāo)，是完美區(qū)分債券違約和不違約的二分類屬性。實(shí)踐中，筆者通過上述操作對每個(gè)企業(yè)給出一個(gè)違約評分，將其范圍設(shè)定為[0，1]，評分超過0.5的判為違約預(yù)警企業(yè)。出于增加預(yù)警覆蓋面的考慮，對于評分處于[0.4，0.5]的企業(yè)進(jìn)行再梳理，設(shè)為違約關(guān)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(fēng)險(xiǎn)企業(yè)，以及一些財(cái)務(wù)表現(xiàn)不佳但關(guān)系國計(jì)民生的中央企業(yè)，得到債券違約預(yù)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(gè)月可能違約的債券。

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

同時(shí)，筆者總結(jié)出兩個(gè)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(cái)務(wù)結(jié)構(gòu)及償債能力變?nèi)酰罱K發(fā)生違約。在這類違約中，排在第一位的影響指標(biāo)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(jī)違約。其主要表現(xiàn)為企業(yè)短期流動性變差，短期債務(wù)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(biāo)是貨幣資金/短期債務(wù)。在此類違約的企業(yè)中，民營企業(yè)占比要遠(yuǎn)高于國有企業(yè)。

（二）基金持倉（投資者行為）預(yù)警

在銀行、保險(xiǎn)公司、證券公司、基金管理公司和私募機(jī)構(gòu)等眾多機(jī)構(gòu)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(jī)構(gòu)均不披露。

筆者通過研究基金的債券持倉行為，設(shè)計(jì)了基金持倉預(yù)警模型，作為財(cái)務(wù)預(yù)警的重要補(bǔ)充，達(dá)到了很好的預(yù)警效果。

基金持倉預(yù)警設(shè)定兩大目標(biāo)：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(qiáng)的基金;二是挖掘基金預(yù)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(guān)系，并發(fā)現(xiàn)確實(shí)存在聰明的投資者：約87%的基金實(shí)現(xiàn)了違約債券的提前拋售;基金的拋售時(shí)間集中在提前5個(gè)季度及以上，占比約為1/4（見表2）。

在此基礎(chǔ)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(fēng)險(xiǎn)而減倉的行為。

筆者統(tǒng)計(jì)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(diǎn)跟蹤對象。

2.挖掘基金持倉預(yù)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(zhì)優(yōu)良;臨近違約，其持倉基金的數(shù)量應(yīng)是不斷減少的，因?yàn)闅v史數(shù)據(jù)驗(yàn)證基金管理人具備相對較強(qiáng)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(zhì)、信用債重倉基金拋售行為等條件進(jìn)行篩選，在篩選出債券違約預(yù)警名單的同時(shí)，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(yù)設(shè)的基金持倉預(yù)警規(guī)則，分別對名單中的債券給出紅色預(yù)警信號和黃色預(yù)警信號。通常，紅色信號代表有多只基金被拋售，未來6～12個(gè)月該券違約風(fēng)險(xiǎn)較高;黃色信號代表有個(gè)別基金被拋售，未來存在一定的違約風(fēng)險(xiǎn)。

由于每季度的基金持倉預(yù)警名單數(shù)量不等，筆者輔以外部評級和企業(yè)性質(zhì)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(jié)果顯示，每季度基金持倉預(yù)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(yù)警的發(fā)行主體合計(jì)448家次、不重復(fù)主體391家，其中在被列入后6～12個(gè)月發(fā)生違約或估值收益率大幅上升（在3個(gè)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(yù)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(yù)警的覆蓋率為75%，略低于歷史違約債券總體87%的預(yù)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(rèn)為不太可能違約，基金未能對其預(yù)警。

（三）價(jià)格預(yù)警

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

一般而言，各機(jī)構(gòu)都會根據(jù)自己的風(fēng)險(xiǎn)偏好設(shè)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(gè)交易日內(nèi)上升超過50BP作為預(yù)警信號。

然而，在實(shí)際操作中會遇到兩個(gè)問題：一是在估值已發(fā)生大幅變動后，很難找到拋售被預(yù)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(shí)點(diǎn)，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(yù)警

輿情預(yù)警是近年市場關(guān)注的熱點(diǎn)之一。在大數(shù)據(jù)時(shí)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(shù)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(shí)力較強(qiáng)的金融機(jī)構(gòu)也在抓取輿情信息，大手筆投資輿情監(jiān)測系統(tǒng)。

輿情預(yù)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(fēng)險(xiǎn)。但從實(shí)踐來看，這只是一種理想狀態(tài)。事實(shí)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(fù)面新聞的程度分類，但較難提取與違約相關(guān)的關(guān)鍵規(guī)則。依靠人工來判別的效率低下，依靠機(jī)器判別缺乏有效規(guī)則，很多出現(xiàn)輕微負(fù)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(yán)重負(fù)面信息，如財(cái)產(chǎn)凍結(jié)、法律訴訟等，則會得到快速傳播，無法再進(jìn)行持倉調(diào)整。

為了使信號含義更加明確，預(yù)警有效性更高，筆者將出現(xiàn)嚴(yán)重負(fù)面信息作為輿情預(yù)警的信號。從對39家2019年新增違約企業(yè)相關(guān)統(tǒng)計(jì)來看，大致可以歸納出10種類型的嚴(yán)重負(fù)面信息，出現(xiàn)較多的6種嚴(yán)重負(fù)面信息分別為：股份凍結(jié)、資產(chǎn)凍結(jié);貸款、非標(biāo)逾期;被提起法律訴訟;實(shí)際控制人出現(xiàn)問題;隱含評級下調(diào)，債券價(jià)格暴跌，估值收益率大幅上升;出現(xiàn)流動性危機(jī)，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(yù)警模型的效果檢驗(yàn)

（一）檢驗(yàn)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(yàn)對象，對財(cái)務(wù)預(yù)警、基金持倉預(yù)警、價(jià)格預(yù)警和輿情預(yù)警這四種預(yù)警方法進(jìn)行回溯檢驗(yàn)，比較不同預(yù)警信號的效果。

在實(shí)踐中，筆者主要從以下三個(gè)角度來評判預(yù)警模型的優(yōu)劣：

一是預(yù)警的領(lǐng)先性，即從發(fā)出預(yù)警信號到出現(xiàn)違約的時(shí)間。不同預(yù)警信號的時(shí)間刻度不同，定期披露信息（如財(cái)務(wù)報(bào)表和基金持倉情況）一般以季度來衡量，價(jià)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(yù)警的有效性，即出現(xiàn)預(yù)警信號后在一定的時(shí)間內(nèi)（模型設(shè)定的預(yù)警領(lǐng)先時(shí)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(biāo)體現(xiàn)的是模型的準(zhǔn)確性，預(yù)警的同時(shí)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(yù)警的覆蓋率，即某段時(shí)間內(nèi)已經(jīng)違約的企業(yè)（本文統(tǒng)計(jì)的是2019年新增違約企業(yè)）中，違約前已出現(xiàn)預(yù)警信號的企業(yè)占比。該指標(biāo)體現(xiàn)的是模型的可用性，實(shí)踐中希望違約企業(yè)能夠全部被預(yù)警。覆蓋率越高，投資者“踩雷”的可能性越小。

預(yù)警的有效性和覆蓋率在實(shí)踐中是一對矛盾，最理想的狀態(tài)就是用最小的預(yù)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(jìn)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?yàn)槭袌鰧衅髽I(yè)獲得救助抱有預(yù)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(yù)警，違約只是時(shí)間早晚的問題。

（三）各種預(yù)警模型效果檢驗(yàn)

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

一是從預(yù)警的領(lǐng)先性而言，基金持倉預(yù)警（約領(lǐng)先4—5個(gè)季度）>財(cái)務(wù)預(yù)警（約領(lǐng)先3個(gè)季度）>價(jià)格預(yù)警（約領(lǐng)先2—3個(gè)季度）>輿情預(yù)警（約領(lǐng)先2個(gè)季度）。

二是從預(yù)警的有效性而言，財(cái)務(wù)預(yù)警（70%）>基金持倉預(yù)警（50%）>價(jià)格預(yù)警（約40%）>輿情預(yù)警（約20%）。其中價(jià)格預(yù)警和輿情預(yù)警因信號較多、預(yù)警頻率很高，難以準(zhǔn)確統(tǒng)計(jì)。

三是從預(yù)警的覆蓋率而言，剔除無財(cái)報(bào)、無持倉的情況，財(cái)務(wù)預(yù)警（94%）>輿情預(yù)警（87%）>基金持倉預(yù)警（75%）>價(jià)格預(yù)警（72%）。

綜合而言，在上述違約預(yù)警模型中，通過機(jī)器學(xué)習(xí)挖掘違約因子打造的財(cái)務(wù)預(yù)警表現(xiàn)最佳，通常能夠提前3個(gè)月進(jìn)行預(yù)警，預(yù)警的有效性達(dá)到70%，預(yù)警的覆蓋率達(dá)到90%以上。再疊加基金持倉預(yù)警，可以使得預(yù)警的有效性和覆蓋率進(jìn)一步增加。價(jià)格預(yù)警和輿情預(yù)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(yù)警的領(lǐng)先性較弱;另一方面在眾多信息中準(zhǔn)確捕捉違約信號較為困難，預(yù)警的有效性較低。

構(gòu)建債券違約預(yù)警的立體防范體系

通過以上比較，筆者認(rèn)為構(gòu)建債券違約預(yù)警立體防范體系，可將財(cái)務(wù)預(yù)警作為核心，在其發(fā)出預(yù)警信號時(shí)需要立即處置，尤其是對于那些被認(rèn)為“大而不倒”的高評級企業(yè)要加以警惕。同時(shí)，輔以基金持倉預(yù)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(fēng)險(xiǎn)制造業(yè)的民營企業(yè)債，基金持倉預(yù)警發(fā)出信號后通常有相對較長的處置期。輿情預(yù)警可以用于發(fā)現(xiàn)和尋找違約的原因，未來可以進(jìn)一步研究輿情信號和債券違約之間的關(guān)系，從而更加精準(zhǔn)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(jià)券種買入，在財(cái)務(wù)預(yù)警評分上升到違約關(guān)注區(qū)間時(shí)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(fēng)險(xiǎn)官

林日裕??析鯨信息高級算法工程師

責(zé)任編輯：劉穎 ?鹿寧寧