陈毓敏 林日裕

摘要：为更好地寻找债券违约预警信号，本文构建了财务预警、基金持仓预警、价格预警和舆情预警四种预警方法，并将其实际效果进行了比较与分析。基于比较结果，笔者对构建债券违约预警立体防范体系的具体方法提出了建议。

关键词：债券违约  预警  机器学习  立体防范体系

2019年，我国共有155只债券发生违约，违约金额为1191.01亿元，这两个数据均超过2018年。对于投资者而言，在经济面临下行压力、企业债务高企的环境下，应当如何寻找债券违约预警信号？如何提前发现债券违约风险，规避违约产品、保住收益？针对以上问题，笔者构建了几种债券违约预警方法。下文將对基于机器学习的财务预警、基金持仓预警、价格预警和舆情预警的效果进行比较，并梳理各种信号之间的关系。

违约预警原理及模型简介

尽管债券市场有外部评级作为参考，有内部评级辅助决策，但是传统的信用评级方法只能解决排序问题，难以有效实现风险预警。国内外信用评级机构都存在信用等级调整滞后的问题。很多企业在发行债券前首次评级时资质不错，但随着内外部经营环境的变化，企业的信用风险发生了变化，其中部分企业逐步走向债务违约。

进入大数据时代，信息壁垒越来越低，信息传播速度越来越快。对于机构投资者而言，以往通过资讯优势赚信息不对称价差的时代将不再。财务信息、价格数据、舆情信息、投资者行为、高频经济数据等，都成为可追踪发掘的预警信号。不过，不同类别的信息在作为预警信号时各有优劣，实践中需要针对其特点找到解决要点，以便进行相应处理。相关分析及解决要点如表1所示。

（一）财务预警

笔者设计了基于机器学习的提前财务预警模型，通过该模型对债券市场上全部约7000家发债企业进行监测。具体步骤是：

以2013年以来的财务数据为核心，辅以企业的基本分类特征，包括区域、行业、企业性质、上市与否、是否违约、违约时间等，来构建数据集;

采用机器学习的方法，选择树状模型的各分支模型而非线性模型，对特征逐一进行处理;

从违约企业特征出发，通过横向对比正常企业和违约企业、纵向对比违约企业违约前n年或n季度数据，来提取违约企业的特征和违约临界点;

用二分类方式划分准确率最高的违约临界时点违约企业的特征，并去寻找正常企业中具有这些特征的企业，进行预警。

债券违约预警的目标，是完美区分债券违约和不违约的二分类属性。实践中，笔者通过上述操作对每个企业给出一个违约评分，将其范围设定为[0，1]，评分超过0.5的判为违约预警企业。出于增加预警覆盖面的考虑，对于评分处于[0.4，0.5]的企业进行再梳理，设为违约关注企业。剔除其中一些外部评级已下调的市场已知高风险企业，以及一些财务表现不佳但关系国计民生的中央企业，得到债券违约预警名单，名单每季度一份，一般企业数量在200家以内，约占全部发债企业的4%，将其所发债券作为未来3～6个月可能违约的债券。

依据企业2018年三季度季报至2019年半年报，上述方法共测算出预警企业392家次（不重复主体约294家）。

同时，笔者总结出两个违约特征。

一是较容易发现的传统违约。其主要表现为企业经营业绩变差，财务结构及偿债能力变弱，最终发生违约。在这类违约中，排在第一位的影响指标是净利润。在出现这类违约的企业中，地方国有企业和民营企业占比相差不多。

二是较为隐蔽、容易突发的流动性危机违约。其主要表现为企业短期流动性变差，短期债务占比偏高，货币资产偏少，即使经营正常，筹资活动也因现金净流出而触发违约。在这类违约中，排在第一位的影响指标是货币资金/短期债务。在此类违约的企业中，民营企业占比要远高于国有企业。

（二）基金持仓（投资者行为）预警

在银行、保险公司、证券公司、基金管理公司和私募机构等众多机构投资者中，只有基金管理公司的基金和部分券商资管产品披露债券持仓情况，其他机构均不披露。

笔者通过研究基金的债券持仓行为，设计了基金持仓预警模型，作为财务预警的重要补充，达到了很好的预警效果。

基金持仓预警设定两大目标：一是寻找债券市场中的聪明投资者，即信用债投研能力较强的基金;二是挖掘基金预警规则。

1.寻找债券市场中的聪明投资者

在130家历史违约债券发行主体中，基金持有者超过39家，约占30%。通过观察基金持有历史违约债券的持仓变化情况，可以研究违约和基金持仓的关系，并发现确实存在聪明的投资者：约87%的基金实现了违约债券的提前抛售;基金的抛售时间集中在提前5个季度及以上，占比约为1/4（见表2）。

在此基础上，寻找债券市场中聪明的投资者，追踪其持仓变动，并找出其中因债券违约风险而减仓的行为。

笔者统计了基金管理公司信用债和利率债的分布情况，用平均市值法、持有债券只数和涉及发行主体家数等三种方法综合确定了20家重仓信用债的基金管理公司名单，作为重点跟踪对象。

2.挖掘基金持仓预警规则

笔者以持仓基金数量的变化作为跟踪对象，其原理是如果一只债券被众多基金持有，表明其资质优良;临近违约，其持仓基金的数量应是不断减少的，因为历史数据验证基金管理人具备相对较强的投研能力，能够提前抛出。

笔者根据基金持有债券的数量分布、信用等级、企业性质、信用债重仓基金抛售行为等条件进行筛选，在筛选出债券违约预警名单的同时，剔除受债券到期、非信用因素的持仓减少和偶发因素等影响的债券。根据预设的基金持仓预警规则，分别对名单中的债券给出红色预警信号和黄色预警信号。通常，红色信号代表有多只基金被抛售，未来6～12个月该券违约风险较高;黄色信号代表有个别基金被抛售，未来存在一定的违约风险。

由于每季度的基金持仓预警名单数量不等，笔者辅以外部评级和企业性质作为筛选条件的总体原则：一是信用等级越高筛选条件越宽松;二是对国有企业尤其是中央企业的筛选条件略宽松于民营企业。

筛选结果显示，每季度基金持仓预警得到的名单上有债券50～100只。自2018年3月至2019年6月，被预警的发行主体合计448家次、不重复主体391家，其中在被列入后6～12个月发生违约或估值收益率大幅上升（在3个交易日内上升至少50BP）的企业约占50%。如果剔除名单中的城投企业，预警的有效性还会有所提高。

对于2019年新增违约企业，基金持仓预警的覆盖率为75%，略低于历史违约债券总体87%的预警覆盖率，其主要原因是2019年中民投等4家发行人被市场普遍认为不太可能违约，基金未能对其预警。

（三）价格预警

价格预警就是以二级市场上债券成交价格的大幅下跌来作为债券违约风险的预警。我国债券市场是一个流动性较低的市场，并非每只债券每日都有成交价格，多数信用债的成交价格都是不连续的。因此，除了监控二级市场成交价格之外，还要监测债券的估值变化。

一般而言，各机构都会根据自己的风险偏好设定警戒线和止损平仓线，通常分别为-5%和-15%，以规避更大的损失。为了便于观察，本文将估值收益率在连续3个交易日内上升超过50BP作为预警信号。

然而，在实际操作中会遇到两个问题：一是在估值已发生大幅变动后，很难找到抛售被预警债券的交易对手;二是估值常会随着企业情况变化而变化，在跳升后出现下降，难以捕捉到确切的违约时点，而且很多债券估值收益率涨幅超过10%，最终并不违约。

（四）舆情预警

舆情预警是近年市场关注的热点之一。在大数据时代，不难通过全网监测各种信息，即按照一定的规则，通过技术手段自动抓取网上信息。各大传统资讯商纷纷加入这股潮流，很多科技实力较强的金融机构也在抓取舆情信息，大手笔投资舆情监测系统。

舆情预警的基本原理，是通过舆情中企业信用水平恶化的蛛丝马迹来发现违约风险。但从实践来看，这只是一种理想状态。事实上，舆情数量庞大，但可利用率不高，较难捕捉有用的信号。尽管很多资讯商也做了负面新闻的程度分类，但较难提取与违约相关的关键规则。依靠人工来判别的效率低下，依靠机器判别缺乏有效规则，很多出现轻微负面信息的企业最终并不违约，造成信号混杂。而一旦出现严重负面信息，如财产冻结、法律诉讼等，则会得到快速传播，无法再进行持仓调整。

为了使信号含义更加明确，预警有效性更高，笔者将出现严重负面信息作为舆情预警的信号。从对39家2019年新增违约企业相关统计来看，大致可以归纳出10种类型的严重负面信息，出现较多的6种严重负面信息分别为：股份冻结、资产冻结;贷款、非标逾期;被提起法律诉讼;实际控制人出现问题;隐含评级下调，债券价格暴跌，估值收益率大幅上升;出现流动性危机，请求帮助或大量出售资产。以上信息分别出现10次、6次、5次、4次、3次和3次。

对预警模型的效果检验

（一）检验对象及评判因素

笔者以2019年新发生违约的39家债券发行主体作为检验对象，对财务预警、基金持仓预警、价格预警和舆情预警这四种预警方法进行回溯检验，比较不同预警信号的效果。

在实践中，笔者主要从以下三个角度来评判预警模型的优劣：

一是预警的领先性，即从发出预警信号到出现违约的时间。不同预警信号的时间刻度不同，定期披露信息（如财务报表和基金持仓情况）一般以季度来衡量，价格估值和舆情信息以日为更新单位，可用天数衡量，但为了方便比较，本文统一以季度来衡量。

二是预警的有效性，即出现预警信号后在一定的时间内（模型设定的预警领先时间内），最终发生违约或者估值收益率大幅上升的企业占比。该指标体现的是模型的准确性，预警的同时希望正常企业被错判为违约企业的比例尽量小。

三是预警的覆盖率，即某段时间内已经违约的企业（本文统计的是2019年新增违约企业）中，违约前已出现预警信号的企业占比。该指标体现的是模型的可用性，实践中希望违约企业能够全部被预警。覆盖率越高，投资者“踩雷”的可能性越小。

预警的有效性和覆盖率在实践中是一对矛盾，最理想的状态就是用最小的预警名单覆盖住最多的违约企业。

（二）新增违约企业概况

在2019年违约债券发行主体中，民营企业占比超过70%，和2018年基本持平;地方国有企业占比从2018年的10%上升到16%;上市公司占比进一步提高，从2018年的33%上升到43%。

其中，有6家地方国有企业的违约较为隐蔽，在违约之前存在一定的博弈过程，因为市场对国有企业获得救助抱有预期。

从外部评级的下调情况可以发现，有13家企业的外部评级在2018年底之前就已下调，各种信号也早已预警，违约只是时间早晚的问题。

（三）各种预警模型效果检验

表3展示了四种预警模型对2019年新增违约企业的部分预警效果。通过对比，得出如下结论：

一是从预警的领先性而言，基金持仓预警（约领先4—5个季度）>财务预警（约领先3个季度）>价格预警（约领先2—3个季度）>舆情预警（约领先2个季度）。

二是从预警的有效性而言，财务预警（70%）>基金持仓预警（50%）>价格预警（约40%）>舆情预警（约20%）。其中价格预警和舆情预警因信号较多、预警频率很高，难以准确统计。

三是从预警的覆盖率而言，剔除无财报、无持仓的情况，财务预警（94%）>舆情预警（87%）>基金持仓预警（75%）>价格预警（72%）。

综合而言，在上述违约预警模型中，通过机器学习挖掘违约因子打造的财务预警表现最佳，通常能够提前3个月进行预警，预警的有效性达到70%，预警的覆盖率达到90%以上。再叠加基金持仓预警，可以使得预警的有效性和覆盖率进一步增加。价格预警和舆情预警尽管覆盖率表现也较好，但一方面基本属于同步信号，預警的领先性较弱;另一方面在众多信息中准确捕捉违约信号较为困难，预警的有效性较低。

构建债券违约预警的立体防范体系

通过以上比较，笔者认为构建债券违约预警立体防范体系，可将财务预警作为核心，在其发出预警信号时需要立即处置，尤其是对于那些被认为“大而不倒”的高评级企业要加以警惕。同时，辅以基金持仓预警，其适用于那些在投资级以上有瑕疵但高收益的品种，如地产债、非制造业或高风险制造业的民营企业债，基金持仓预警发出信号后通常有相对较长的处置期。舆情预警可以用于发现和寻找违约的原因，未来可以进一步研究舆情信号和债券违约之间的关系，从而更加精准高效地使用舆情，提高舆情信息的有效性。

在债券投资策略上，可选取收益相对较高、违约评分相对较低的“错误”定价券种买入，在财务预警评分上升到违约关注区间时卖出，从而获取更高的收益。

作者：陈毓敏  析鲸信息首席执行官兼首席风险官

林日裕  析鲸信息高级算法工程师

责任编辑：刘颖  鹿宁宁