从另类数据视角评估证券公司的信用风险管理能力

崔玉征 朱忠念

摘要：随着债券市场信用违约常态化，一些证券公司发生了信用风险事件。证券公司的信用风险管理水平通常较难识别，但随着数字金融技术的发展，借助另类数据有助于分析其信用风险管理水平。本文通过选取司法诉讼、资产减值损失、信用减值损失三类数据，对证券公司的信用风险管理水平进行分析。结果表明，信用风险管理水平相对较高的证券公司占比约为28%，大多数证券公司的信用风险管理水平需要进一步提升。建议证券公司建立线上与线下相结合的信用风险评估体系，以更好地适应信用评估的实际需要。

关键词：证券公司  债券违约  信用风险管理能力

信用债市场进入违约常态化阶段

自2014年“11超日债”违约以来，中国债券市场进入信用违约周期，尤其是自2018年以来，每年债券市场的违约金额均在1200亿元以上，信用债市场进入违约常态化阶段。图1为按年度统计的违约债券金额、只数及其增速分布图，图2为按季度统计的违约债券金额、只数及其增速分布图。

万得（Wind）数据显示，截至2021年6月30日，全市场存量债券发行主体约为6170家，其中已违约主体为177家，违约主体数量占比为2.87%（见表1）。从评级来看，违约债券及违约主体占比最高的债券评级均为AA-及以下，AAA级债券违约占比相对较低。从违约债券金额来看，2020年新增债券违约金额为1757.96亿元，同比增长40.13%;2021年上半年，新增违约债券金额为967.27亿元，同比增长47.61%，信用债券市场仍面临着较大的违约压力。

外部评级机构作为债券市场信用风险预警的重要“守门人”，在多数情况下并未对信用违约事件作出有效预警，得出的评级结果也并未反映企业真实的信用风险状况，因而该结果也未被投资者用于风险定价。笔者分别统计国内的外部评级机构得出的相同信用等级发债主体所发行债券票息的最大值、最小值、平均数、中位数，以及国际三大信用评级机构对中资美元债评级结果所对应债券发行票息的最大值、最小值、平均数、中位数，绘制了雷达图（见图3、图4）。

由图3可见，国际三大信用评级机构得出的信用评级可用于风险定价，即信用等级高表示企业信用资质较好，融资成本低;信用等级低表示企业信用资质较差，融资成本高。而国内评级机构得出的评级结果并未显示清晰的分层结构，很难用于风险定价。

在国内信用债券市场风险定价机制有待改进的情况下，一些证券公司也发生了信用风险事件。证券公司作为债券市场的重要参与者和专业机构投资者，其信用风险管理水平至关重要。证券公司的信用风险管理水平通常较难识别，但随着数字金融手段的不断发展，特别是互联网爬虫技术、文本处理技术的不断进步，利用大数据即可方便地获得证券公司的很多舆情信息。利用这些舆情信息所构成的另类数据，可从数字金融的视角来评估证券公司的信用风险管理水平。笔者基于业务实践，将对此进行探讨。

借助另类数据方法评估证券公司的信用风险管理水平

受篇幅所限，本文所列举的另类数据主要包括司法诉讼、资产减值损失、信用减值损失三类。下文中将对另类数据方法的基本原理及操作步骤进行介绍。

（一）证券公司样本选择

为方便获取数据，笔者只选择已上市的50家证券公司作为样本，探讨如何应用数字金融方法来分析证券公司的信用风险管理水平。

（二）另类数据获取

随着互联网爬虫技术的低门槛化，市场上有很多成熟的大数据公司提供另类数据的接口服务，如企查查、天眼查等。爬虫技术也有基于Python編程语言开发的成熟框架Scrapy。根据笔者多年的技术经验，建议采用Scrapy爬虫直接爬取企查查的司法诉讼接口，来获取每家证券公司的司法诉讼数据。

（三）指标提取

指标提取包括两部分。一部分是通过Scrapy获取的互联网数据，主要是通过文本挖掘、关键字匹配等技术来提取结构化指标，在此主要提取以证券公司作为原告的诉讼金额数据（以下简称“诉讼金额”）。因为在证券公司发生信用风险事件时，买方通常会采用主动诉讼的方式来挽回可能发生的损失。另一部分是通过Wind获取证券公司资产减值损失和信用减值损失。在新会计准则实施之前，证券公司的信用风险损失一般记在资产减值损失科目;在新会计准则实施之后，信用风险损失全部计入信用减值损失科目。为保持数据的连续性，笔者使用资产减值损失与信用减值损失的合计值来衡量证券公司的信用风险损失，并在下文统称为“信用减值损失”。

（四）样本标签

为使用统计方法检验指标的显著性和开发分类模型，需要对每家证券公司进行标记。此处，笔者仅说明模型开发的基本原理。为简单起见，笔者将信用减值损失与净利润的比值这个指标值的前20%标记为“坏样本”，用“1”表示;将其余样本标记为“好样本”，用“0”表示。

（五）显著性检验

在开发模型之前，通常需要对原始变量进行编码，以实现原始变量离散化，并将原始变量转换为WOE1变量。第i组的WOE计算方法为：

第i组的IV计算方法为：

整个变量的。通常情况下，如果变量的IV值大于0.5，表明该变量是显著的，可以作为入模指标。

（六）评估方法

鉴于国内债券市场信用违约始于2014年，在进行数据搜集和处理时，综合考虑数据的完整性并能真实、有效地反映证券公司的信用风险管理水平。笔者统计了2015—2020年50家上市证券公司的信用减值损失和诉讼金额。样本总体分布图见图5。

经过上述显著性检验，笔者发现信用减值损失与净利润的比值的平均值、诉讼金额与净利润的比值这两个指标的IV值均大于1。因此，这两个指标均可作为入模指标。

笔者开发模型的目标是评估证券公司信用风险管理水平的高低，目标变量是二元分类变量，自变量是数值变量。因此，笔者使用逻辑回归函数来开发逻辑回归模型，以量化评估证券公司的信用风险管理能力。

逻辑函数的定义为：

当时，，逻辑函数的分布图见图6。

上述逻辑函数中的z即为图5中横坐标轴的评分，f（z）即为纵坐标轴的概率。由于纵坐标轴的取值范围是0～1，假设用p表示，则有：

经过简单的变换，上式可变为：

将样本经过二元逻辑回归拟合后得到的通用表达式为：

变量为名义变量，即为上文中提到的两个指标（信用减值损失与净利润比值的平均值、诉讼金额与净利润的比值）。这两个名义变量不能直接进行逻辑回归拟合，而是使用其WOE变量进行回归拟合。假设其分组变量如表2所示。

上式表示，在对WOE变量进行逻辑回归后，得到的评分模型结构如下：

第一，赋予每个主体一个基础分值;第二，如果变量取值为，则将增加（）分，如果变量取值为，则将增加（）分，以此类推;第三，在每个变量都取得对应类别的值后，将所有变量得分汇总，即可得到最终得分z。样本总体分数的分布图见图7。

将上述分数带入逻辑函数，即可为每家证券公司计算得到一个数值，该数值在0～1的范围。数值越接近0，说明该证券公司的信用风险管理水平越高;数值越接近1，说明该证券公司的信用风险管理水平越低。

结论及建议

笔者通过定量分析发现，信用风险管理水平相对较高的证券公司占比约为28%，而大多数证券公司的信用风险管理水平需要进一步提升。

随着信用违约趋于常态化，结合国内信用评估的现状，笔者建议证券公司建立线上与线下相结合的信用风险评估体系，以更好地适应信用评估的实际需要。其中，线上是指主要采用大数据、人工智能等科技手段搜集发债主体的舆情数据，以对发债主体可能出现的经营恶化、现金流紧张等情况及时预警;线下是指传统的尽职调查方法，多了解发债主体的最新非线上舆情和经营进展。笔者通过总结多年的实践经验发现，线上与线下相结合的信用风险评估体系比较适宜在国內应用。证券公司可根据自身发展实际，建立适合自身的、与时俱进的信用评估体系，进而为股东创造更大的价值。

注：

1.通过计算每个指标IV并用于判断该指标的显著性时，需要先计算WOE，然后才能计算得到IV值，因此WOE是计算IV时的中间变量;原始自变量中并未包含因变量的任何信息，而WOE变量则包含了因变量中样本标签的信息;对WOE变量进行逻辑回归时，可以较方便地得到评分模型，而不需要再做其他转换。

作者单位：深圳华润元大资产管理有限公司

责任编辑：涂晓枫  鹿宁宁  印颖