杨涛 邹凯琳

摘要：近年来，伴随着国家人工智能政策的逐步落实，各项人工智能技术快速落地，人工智能技术正逐渐成为主流，这也标志着人工智能技术开启了一个创新的新纪元。信用评级作为防范、化解金融市场风险中重要的一部分，在人工智能的发展中迎来一个新的契机。本文将从人工智能在信用评级中的促进作用开始分析，介绍人工智能在信用评级中的应用路径和具体应用，最后再对人工智能在信用评级中的应用发展提出相关建议。

关键词：信用评级;人工智能;信用风险;金融市场风险

中图分类号：F831  文献识别码：A  文章编号：

2096-3157（2020）16-0160-03

隨着社会的发展和技术的进步，人工智能技术已经成为技术创新中重要的一部分。在我国，人工智能领域的相关研究得到了党和国家的高度重视。十八大以来，2015年～2017年我国发布了《中国制造2025》《国民经济和社会发展第十三个五年规划纲要》《“互联网+”人工智能三年行动实施方案》《“十三五”国家科技创新规划》《新一代人工智能发展规划》等一系列政策，人工智能发展被提升到国家战略高度，这标志着我国人工智能变革与创新的新时代即将到来。

在信用评级领域，人工智能技术的引进优化了原有的信用评级流程，使得信用评级可以从繁琐的数据处理工作中分离出来，进而专注于研究和分析影响企业违约的非财务因素。

在过往的模型分析中，信用评级注重对财务数据等因素的分析，但忽略了各类信用短板因素的致命影响，导致了信用评级结果的真实性失真和前瞻性预测不足等问题，极大程度限制了对企业信用风险的揭示效果。但有了人工智能技术的加持，信用评级在原先的财务数据处理和分析上可以更加精准，同时还可以让信用评级的从业人员投入更多的精力在企业非财务数据的指标上，使得信用评级可以刻画出企业的真实信用画像。

一、信用评级的发展现状

信用评级（Credit Rating）即资信评级，指由信用评级机构对评级主体的信用风险进行度量分析，就其偿还债务的能力及偿还意愿进行综合评价，并且用标准的信用评级符号表示的信用评价过程。

信用评级的发展最早可以追溯至1966年Beaver提出的单变量预测企业违约模型。之后Altman（1968）的Z-Score模型以及Ohlson（1980）的Logit模型都是信用风险度量和信用评级领域里里程碑式的研究结果。随着1993年基于Merton模型的KMV模型开发后，信用风险度量在商业领域得到了广泛的应用。在1997年～1998年的短暂2年时间里，CreditMetrics（1997）、CreditRisk等（1997）及Credit Portfolio View（1998）针对投资组合的信用风险度量模型相继面世。正是因为上述信用风险度量模型的建立，让信用评级从最初的打分卡模型演变至如今重视数据处理的技术路径。但近年来，随着企业违约和债券违约等事件的时有发生，业界开始思考企业信用评级中数据处理的真实性、有效性问题和企业信用状况对于信用评级的影响。

二、人工智能对信用评级的促进作用

如今，人工智能技术在诸多领域都得到了广泛的应用，使得这些领域在技术上实现了创新并大幅度提高了工作的效能。在信用评级领域引入人工智能技术，对信用评级工作有极大的裨益。人工智能对缓解信用评级中人才紧缺的问题、提高信用评级的质量和实现多维度信用评级等方面有显著帮助，将会带来信用评级的新一轮战略思想升级。

1缓解信用评级中人才紧缺的问题

信用评级对于企业信用风险的控制和转移有着重要的作用，信用评级的缺失可能会导致金融市场的紊乱和进一步的恶性影响。信用评级的工作十分重要，但进行信用评级的主体——人才，却有着巨大的缺口。国家商务部2013年上半年数据公布显示，在今后5年内，我国将至少需要50万名信用管理经理，200万名信用管理人员。早在2005年3月，原国家劳动和社会保障部就将信用管理师列为第三批新职业之一，在国家职业序列中属于高技能人才中知识技能型人才。由以上数据可得，我国现在的信用管理人才供给远小于需求。

在这样的人才数量背景下，人工智能技术在信用评级中的应用迫在眉睫。通过引进人工智能技术，可以将许多常规性的信用评级任务交由人工智能完成，如信用档案的建立、信用数据的筛选和初步分析、出具评级报告等工作，极大程度降低了对于信用评级基础人才的需求，暂时有效缓解了信用评级中的人才缺口问题。

2提高信用评级的质量

专业的信用评级离不开有效的信用风险度量模型分析，而人工智能在信用风险度量模型中的应用可以达到锦上添花的效果，大幅度提高评级的质量和效率。如上文中提及的信用风险度量模型——KMV模型，其模型构建的原理易于理解，但数学处理运算较为繁琐和复杂。如果人工计算的话，则要耗费过多的时间，但人工智能的强项就在于数据的处理和计算，有了人工智能的运用，信用风险计算结果的准确度就可以大幅度提升，进而提高信用评级的质量和处理的效率。

3实现多维度信用评级

（1）偿还意愿对信用评级的影响。信用评级的目的是为了判断评级的主体未来会不会违约，而主体违约的可能性有两个，一是没有偿还债务的能力，二是没有偿还的意愿。过往的信用评级更多停留在对于前者的评估，即从各项财务指标去分析主体违约的可能性。但这种情况下的信用评级是片面的，因为忽略了主体的偿还意愿。如在美国2008年的次贷危机中，部分有经济实力的购房者理性违约不偿还房贷，就是因为房子的价值已经低于房贷的价格，为了维护自己的利益则选择理性违约。因此，在进行信用评级时要考虑到主体的偿还意愿。

（2）小概率事件对信用评级的影响。传统的信用评级忽视了小概率事件对信用评级的影响。但往往小概率事件是最容易导致主体违约的情况，如2008年国际金融危机中，当时处于高信用等级的雷曼兄弟和通用集团都相继破产清算;2020年的全球新冠肺炎疫情，使得全球的经济都受到了影响，导致无数中小型企业难以度过这个“寒冬”，许多大企业也面临着裁员的压力。所以从以上事件看出，这些小概率的黑天鹅事件极有可能成为导致评级主体违约的罪魁祸首，但现行的信用评级却忽视了这一重大影响。

上文提到的偿还意愿和小概率事件对于信用评级的影响，均要求信用评级不仅要进行定量分析（财务因素），还要进行定性分析（非财务因素），两者的结合才能呈现出评级主体真实的信用评级。

信用评级过程中有了人工智能的加持，信用评级从业人员在定量分析时如虎添翼，并且可以腾出大量的时间和精力去进行定性分析，深入挖掘各项可能性对于信用评级的影响。在这样的资源调配下，信用评级从单一的财务分析维度跃升到了多维的信用评级，使得信用评级的结果更加客观和真实。

三、人工智能在信用评级中的应用路径

基于人工智能运算强、迭代快、结構化等特点，人工智能在信用评级中的应用可以使用动态LEAD模型作为应用路径。LEAD模型是指L（Listen）、E（Experience）、A（Analysis）、D（Do），而动态LEAD模型是指人工智能在信用评级中的应用不是静态的，而是动态的。根据人工智能的特性，动态循环LEAD四个步骤，在操作过程中不断升级和优化整个运算方式。

1听取任务（Listen）

企业员工在正式做事情之前，很重要的一点就是要学会听取上级对自己下发的任务。懂得倾听上级任务的员工，做事往往会更加高效并且有目的性。人工智能也不例外，在做具体的信用评级工作之前，人工智能应该听取信用评级人员下发的任务，如提取数据、筛选数据、建模、分析等。这就要求信用评级的人员应当把信用评级的任务拆解，变成人工智能可以读取的一个又一个小任务。通过人工智能不断去完成小任务，来达到最终的评级目的。

2提取经验（Experience）

人工智能在听取了任务后，应该根据过往的任务特点去提取经验，找到适合的处理方法，即在任务数据库中找到成功率较高并且当前数据可支持运算处理的可行办法。例如，在听取任务后，先归纳这个任务属于什么类型，是企业评级、股票评级、债券评级，还是个人评级，等，然后根据具体的类型选择合适的信用风险度量模型：Z-Score模型、打分卡模型、KMV模型、CreditMetrics等。由于不同的主体应用到的信用风险度量方法都有所差异，每次可使用的数据类型也不相同，并且使用错误的方法进行评估可能会导致评级结果的失真，因此人工智能在进行信用评级前的提取经验步骤就显得十分重要。

3分析拆解（Analysis）

经过以上的步骤，人工智能已经了解下发的评级任务，并且根据任务的特性提取了相关的经验，接下来将进行评级任务的深入分析和拆解。对于信用评级而言，最重要的是根据最新的信息和情况进行分析。因为过往的经历放在现在并不能成立，所以人工智能应该结合评级人员的意见对评级任务进一步的分析和拆解，构建符合任务情景的信用评级模型。

4演算与修订（Do）

构建信用评级模型后，将进行多次严密的计算。人工智能在这一步骤中可以完全发挥出其性能和实力，这也是信用评级人员模拟演算的重要补充。在进行模型运算的时候可能会出现意外的情况，因此在运算之前要做压力测试，提前对情况有个初步的预估。遇到紧急情况时，要积极地去检查模型代码、运算方式等可能导致错误的情况。在运算的过程中，需要不断调整和修订计算的逻辑;并在结束运算后，多次核算校对计算出的数值，确保数据的真实性。

四、信用评级中人工智能的具体应用

1AI信用档案助手

信用档案的建立是信用评级工作中最基础，也是最重要的一个步骤。如果评级主体没有在评级机构建立档案，则很难保证其评级的可持续性和有效性。而在常规性文字工作的处理上，人工智能有着得天独厚的优势。现如今，政府的部分文员工作已可以通过人工智能完成，极大程度降低了人力成本，并提高了工作效率。在信用档案中，人工智能可以智能识别评级主体提交给评级机构的介绍信息，并根据对应的内容如实记录在信用档案内，全程数据化操作，方便信用评级人员查询和修改相关数据。同时，借助AI信用档案助手的语音对话功能，还可以实现对评级主体询问所需要的内容，保证信用档案内容的完整性。

2AI多维信用评级

传统的信用评级对短期表象指标依赖度高，关键信息获取滞后，无法全面建立评级主体的信用评级。借助人工智能的技术，信用评级人员可以做到定性分析和定量分析相结合，进行多维度的信用评级。其中，评级人员专注于定性分析，从宏观环境、违约可能性和违约意愿等多层面去分析评级主体的信用状况，再借助人工智能的算力去量化各个定性指标。人工智能负责定量分析，使用动态LEAD模型应用路径，在信用评级人员的协助下，根据具体的情景，结合已有的模型框架，构建和优化评级模型，再使用现有的数据不断演算和修正计算结果。通过人工智能和信用评级人员的各司其职，完成多维的AI信用评级。

3AI评级云更新

在以前的信用评级模式中，信用评级报告是静态的，即评级机构在出具评级报告后基本不会再做出大的修改，除非到了下一次需要重新评定的时候才会按照流程重新评估一下主体的信用状况。人工智能技术在信用评级中的应用，可以提供一种全新的动态报告呈现方式——云更新。人工智能可以根据宏观大环境的影响、主体经营条件的变化、资信报告的变化等因素动态修订主体的信用评级等级，做到实时更新、实时校对，让信用评级报告从静态变成动态，降低主体与受众之间的信息不对称。

五、信用评级中人工智能应用发展的建议

1加大人工智能的研发力度

人工智能是一个可以快速迭代的技术，因此要在实际的应用场景中不断优化算法，提高操作的稳定性;充分发挥人工智能技术的可复制性，在可能的场景中对人工智能技术进行试点研究;并加强对人工智能的基础设施、技术架构和运行机制的探索。在实际的研发过程中，要注重与信用评级工作的特点相结合，研发出适合信用评级工作的算法和操作流程。

2注重对数据的隐私保护

信用评级行业和其他行业相比，对于数据的隐私保护更加地注重。因为大部分的数据都是评级主体的重要、关键数据，一旦发生数据泄露问题，则会导致评级主体严重的数据危机、评级机构的信任危机。因此在应用人工智能技术时，一定要制定数据安全标准，把数据安全置于最重要的高度。操作风险不可控的情况下要离网独自运行测试，在确保数据安全的情况才能大批量的联网测试，并在测试的过程中做好数据备份、数据恢复、数据销毁等有关保障数据安全的准备。

3加强对人工智能的监管

人工智能在信用评级中的使用属于程序化应用。基于程序化应用的特性，在实际的信用评级过程中可能会引起程序性错误和稳定性错误。程序性错误是指由于程序代码出错导致的错误;稳定性错误是指算法是基于历史的规律研发的，但是历史策略在未来不一定有效，因此当遭遇小概率事件时容易导致错误。这两个错误是发展人工智能技术不可避免的问题，但只要加强对人工智能技术的监管并进行稳定性测试、压力测试等综合测试，就能将损失控制在一定范围内。因此，在发展人工智能技术的同时，也要加强对人工智能的监管。

六、结语

自第一次工业革命以来，社会已经经历了三次重大的变革。如今人工智能技术的发展和盛行，有可能会引领未来变革的潮流。短期来看，人工智能的应用还处于初级阶段，还存在很多不完善的地方。但从长期来看，人工智能技术随着国家政策的进一步落地和技术层面的进步，未来一定会有更加广阔的发展空间。

信用评级作为金融市场中重要的组成部分，应该和人工智能技术紧密联系、结合两者的优势，发挥出更大的效能。在未来，借助人工智能，信用评级将会变得更加科学、更加规范，更加能反映出评级主体的真实信用状况。

参考文献：

[1]陈涛，冉龙亚，明承瀚政务服务的人工智能应用研究[J].电子政务，2018，（03）：22～30

[2]杨剑涛商业银行信贷风险的贷前控制[D].对外经济贸易大学，2006

[3]林正平信用评级原理与实务[M].北京：中央广播电视大学出版社，2010，（03）

[4]时文朝非金融企业债务融资工具规则解析[D].中国金融出版社，2010，（12）

[5]冯光花，等信用评级原理与实务[M]北京：中国金融出版社，2019

[6]姚春生，郑淑惠信用管理师国家职业资格认证正式启动[J].中国就业，2006，（06）：59～59

[7]A Fast Learning Algorithm for Deep Belief Nets[J].Geoffrey E. Hinton，Simon Osindero，Yee-Whye Teh. Neural Computation . 2006，（7）.

[8]魏路.人工智能產业该如何应用与落地？[J].华东科技，2019，（01）.

[9]朱民.人工智能是科技的最终未来[J].中国总会计师，2019，（04）.

[10]邹昆仑，陆萍.基于Z模型对中国企业债信用评级的实证研究[J].宏观经济研究，2018，（05）.

作者简介：

1.

杨涛，北京理工大学珠海学院学生。

2.邹凯琳，北京理工大学珠海学院学生。