信用风险管理是固收投研环节中最核心的部分，而信评模型又是信用风险定价的核心引擎，但目前国内机构普遍存在模型概念窄化，效果理想化或者投入不足等诸多问题，市场对于构建一个优秀的信评模型的重要性和难度都存在明显的低估。本文试图重新厘清信评模型在金融科技中的重要性，并从DM诸多项目经验中总结出一些实用的、可操作的建议。

1 信评模型的意义在于打通投研流程

构建信评模型的目的不仅仅是为了得出一个评级，还更好地帮助连接投资、研究、风控。在传统的工作流中，角色分立的主要目的在于权力制衡和专业分工，但在传统模式中这三个环节并没有完美地契合，信息通过报告和通过与否的二维判断在不同角色间进行传导，造成了较为严重的信息和智力丢失，不同人员的标尺不统一，繁杂的流程性工作，智力无法沉淀在机构中，智力的不连通等问题，都导致巨大的资源浪费，而管理模式优化需要人力资源投入的指数化的成本增加。一个好的信评模型可以做到诸多功能：验证和评价人员研究成果，资产化机构智力积累，高效和数字化的传导信息，使得完美的管理模型得以实现。

例如一个完美的管理模式可能是这样的：研究人员持续将研究成果集成到模型中，实现全公司的智力积累，通过对违约率进行精细化定量，得出定量化的违约率数字，而不是二维的入池与否判断；投资决策委员会决定整体信用入池尺度，分资产和行业的风险尺度等细化的投资战略并通过具体的科技系统刚性传达落实，而非空泛模糊，变成难以落实跟踪的一纸空文；投资经理根据研究的风险评价和收益进行最优券的选择，定量进行最优投资组合的配置和管理，而非在池子中不加差别地追求收益最大化的单一目标；风控部门在投研部门发生判断冲突时，就投研逻辑客观性进行讨论，并优化和积累部门智力，实时跟踪调整风控尺度，而非空泛讨论某券是否能入池，夹杂过多人情判断。而信评模型是实现以上机制的必要条件。

2 信评模型是搭建固收金融科技树的中枢，独立搭建成本不菲

在固收投研金融科技树中的信用风险模块为例，不同技术往往相互关联，构成一个科技树，例如对于一个定价模型，最上层的是投资组合和策略管理系统、风控系统、入池系统等应用层；中上层是估值模型、相似券技术；中间层也是最核心的是信评模型和个券流动性评价模型等；个券流动性评价模型的上游是交易降噪和非市场化成交识别技术，信评模型上游是行业比较、舆情量化、财务量化模型等；而下层涉及到爬虫、舆情结构化、变量数据结构化、行业分类等前置技术；而最底层的是OCR、AI、数据库技术、软件工程技术、信用投研积累等。而交易系统、利率宏观模块也牵扯到其他不同的科技树。

看见想搭建一套完整的信评模型需要诸多的前置条件，牵扯到大量的技术积累，因而除了某些大型机构上下游贯穿，大部分机构最优方案是仅参与整个系统的投研核心部分，在专业机构的帮助下进行系统搭建。在其中最值得机构参与的部分是逻辑搭建、投研积累、流程搭建等，而不是盲目地投入到整个流程。并且用一家供应商解决全流程问题也并不容易，由于整个流程成本过高，不同的金融科技提供商也会选择自己擅长的赛道进行投入，一般而言系统搭建、模型搭建（利率、信用不同的领域的模型还可能采用不同机构）、模型因子数据库（不同机构还有自己不同的擅长的数据库，一般大的模型搭建商会做数据自采）、舆情资讯提供等。而更底层的AI、OCR技术除核心应用层，大部分由模型搭建和系统搭建的供应商进行集成。

而这里面差异化最大的、最核心的、也是最耗费金融机构人力的是模型构建供应商。不同机构的模型和数据能力差异巨大，一个好的模型构建供应商一般具备两个必要保障：一是有自己的投研团队，其中包含经验丰富的模型师，还要包含一线经验多背景的信用分析师，他们决定模型的上限。二是有自己的特色数据采购团队，数据是模型的基座、能否有好的数据直接决定模型的下限和上限，千篇一律的数据大概率产出不了超额风险识别能力的模型。

3 模型构建实务中的核心关注点

那么在信评模型构建中，有哪些点是最值得注意的，DM在实践中总结了以下经验：

3.1 解决违约数据不足的方法

违约量化模型作为信评模型常用的方式之一，在我国推行的最大阻碍就是违约数据不足。常用的解决方案有几种，第一种是勉强选择一个短周期作为因变量进行模型的拟合，这里面会存在几个问题：1）我国的违约样本实际是不够的，而每个行业的违约特征并不完全相同，这就意味着分行业敞口分别进行模型构建非常必要，而行业的切割会进一步导致违约样本不足。2）如果以超日债为起点，我国债券违约到目前刚到10年的历史，并不一定跨越过一个完整的信用周期，而不同信用周期阶段的违约特征和违约水平并不完全相同，这就导致过去十年的历史不能完全代表未来的情况。3）此外我国政策变量非常关键，这就意味着有些变量是否有效需要经过时间的检验，例如企业性质在供给侧改革前后可能体现出完全不同的特质。对于此DM的财务量化部分的解决方案一般是抽象出行业违约特征，相似行业进行聚类，既不为了样本量够多忽视行业特性放在一起建模，也不盲目构建几十个模型敞口，这不仅会导致样本不足，还会导致违约标尺映射难度加大。

我们建议要充分地让投研人员介入变量的选择，以实证检验结果为帮助去分析变量的传导逻辑，并分析过去一段时间该变量有效是偶发性的还是通用性的，例如债务类微观财务一般是具有跨越周期能力的，只是在不同信用环境权重不同。但企业性质、依赖于杠杆的高盈利可能在不同政策环境或者经济周期体现出不同的有效性。

此外DM在实践中发现，还有些方法可以对违约样本不足进行补救，例如放大坏样本的定义范围，对于出现过非标违约，次级债行权，重大违约事件，成交大幅波动或突破某个阈值等方法定义坏样本，虽然可能会导致得出的违约率被放大，但是可以有效增加坏样本数量。

此外还有一些机构是以估值作为因变量Y进行回归，其本质是试图模拟市场共识的信用风险逻辑，这时候可能会有人质疑，那为什么不直接用隐含评级呢？事实上，这样做也有一定的合理性，首先估值风险也是我国投资机构非常关注的风险之一，此外由于模型可以具有一定的前瞻性，因而可以提前预知估值风险，最后在整个建模过程中不断加深市场估值的逻辑对于信用策略的选择也非常有意义。但是整体来首这种做法对于超额收益挖掘意义有限，但是在违约样本不足的现在也不失为一个不得已的选择，不应盲目舍弃。

当然我们认为可以将两者结合，最好的情况是找到错误因子（估值高度相关，但是违约识别能力检验无效的因子）和超额因子（估值不相关，但是能够有效识别违约），对于前者我们应该剔除出研究框架，后者就是我们找到超额风险的利器了。

3.2 根据业务场景选择合适的模型

没有最好的模型，只有最适合的模型。DM在实践过程中认为，优化出一个能够识别风险的通用模型很重要，选择适合自己机构的模型也非常重要。

久期选择方面，DM认为不同模型应当不同，对于销售交易等短周期业务，以城投为例，观察一个地区的产业和人口这些慢变量意义是不大的，重心可能更多放在短期融资和债务到期压力方面。而对于券商自营、保险等长久期配置需求，这些长变量则需要考虑，并且在进行验证的时候也需要拉长检验窗口时长。

投资策略方面，基金、券商资管等在乎估值风险的可以尝试以估值作为因变量进行检验，但是对于自营类配置盘则主要以违约识别能力作为核心。

功能上面，解决排序定价问题和识别尾部风险有时候是冲突的，以城投模型为例，规模类指标可以很好解决排序问题，但是我们实证发现其风险识别能力较弱，而非标占比、短期有息债务占比等指标排序能力一般，但是识别尾部风险能力很强。此外有些数据的主体覆盖度并不是很高，但是非常有效，这时候也要进行一定权衡，在缺失值处理方法上也要讲究技巧。

此外风险偏好、流动性管理、成本投入、人力配置等都会影响模型的构建，以上的考量也是为什么机构不都用通用模型，根据机构自身需求定制模型的原因之一。

以下是信评模型常用方法适用性说明和DM现有的模型举例：

3.3 模型需要匹配合适的管理机制

好马配好鞍，再好的引擎也需要底盘的调教配合，一个好的信评模型需要好的机制进行保障，里面主要涉及到模型构建，模型维护，出入池投资决策，KPI考核等环节。

模型构建过程，如果在模型的搭建过程中，没有充分动员投研部门，整个模型调试效果会大打折扣，在后续将评级作为出入池标准时也会遭受阻力。

模型维护则更加重要，市场在不断变化，需要市场对模型的有效性进行检验，调整，一个好的机制可以不断地让投研人员做到发现规律-检验规律-资产化规律，模型不断沉淀投研人员的智力。

出入池决策方面，我们认为风险定价应当由信评人员估值，但是入池卡在多少评级以上，应当在投资决策机构提前决策好，而投资经理负责根据投资目标，找到高收益风险比的资产。而不是信评又负责评估风险，又负责划定标尺，这会导致信评过于谨慎，各个角色定位混乱不利于投资战略的贯彻和最优投资组合的构建。

KPI设定方面，与前面对应，建议需要定期对信用研究员的模型的定价有效性进行评价检验，如果效果较差需要复盘其模型制定中的责任——变量丢失、逻辑错误还是偶发，并针对性对人员和工作重心进行调整，例如加强微观研究能力还是加强宏观政策研究。信用研究员的核心考核应该是事后风险定价准确度，而非是否踩雷，如果出现“踩雷”，但信用研究员给与了较差的评级，反而应该给予信用研究员奖励，同理如果过度谨慎，差评级的风险发生情况并不严重，应当督促其改善工作绩效，这样可以充分鼓励研究员把重心放在研究定价方面。同时让信评兼具风险定价和出入池标准，会导致信评风险评价过于谨慎，标尺的反复移动——划定入池标准应当是风控部门和投资决策机构的职责而非信评，信评应当通过参与投资决策的讨论，提供信息来影响入池评级卡在多少，而不是直接决定。而投资经理不仅应当考虑排名、收益，还应衡量其收益风险比，例如可以考察组合的平均评级情况，以评价投资经理的高收益来自于α的收益挖掘还是β的资质下沉。

3.4 重视多样化的函数关系

市场目前普遍采用解释线性加构建打分卡，这有一定优点，例如构建简单，容易做主标尺映射，但也存在诸多问题。比如城投支持意愿和支持能力，对于弱资质地区核心城投，将两个用加法逻辑，会得到中游的分数，但是用乘法逻辑可以起到类似木桶效应的处理，分数则会更低——零乘以一百还等于零。又例如一个研究员对主体的分析可能涉及大几十甚至上百的因子，DM在实践中发现，对于线性模型，变量选择过多会导致每个因子权重被稀释，但是采取调整项逻辑或者乘法逻辑可以既做到变量够多，又可以不对变量过度稀释。

在DM的模型构建实践中，我们发现有时候两个因子会合并对因变量起作用，例如股东性质和大股东持股比例。有些时候需要采用调整项放大某些尾部因子，另外DM城投模型中尝试构建省市区县的风险传导模型，也更好地贴合城投实际情况。虽然如此构建模型会导致实证困难，但会极大增加模型对于实际研究员分析逻辑的匹配性。充分听取前线投研人员的建议，采取灵活合适的函数关系对明显提升模型的有效性和接受度。

3.5 通过构建中观打分卡实现战略和战术的“念动一致”

回顾过去十年信用风险历史，国企改革、供给侧改革、地产风险，证明了公司对于企业性质、行业的战略选择重要性并不亚于微观主体选择，而城投债投研逻辑的变化，也将市场推向了更多元的产业和金融债研究。这就意味着如何将政策变量、中观行业比较等策略融合进微观策略非常关键。但是大多数机构往往投资决策机构和基层投研方法并没达到一致，战略的选择出现投研智力传导不上去，决策机构命令下发不下去的尴尬境地。

DM建议设立中观打分卡，中观打分卡应该拥有信用环境、经济增速等宏观变量对不同行业的传导系数的研究，例如对于高债务的行业在信用环境收紧时应该下调更多的行业中观分数，而对于经济总量增长敏感行业是强周期行业，应当在下行周期扣减更多分数。同时我们应当在这个打分卡中也加入行业特色的核心中观指标，以更好做到行业景气变化的预警，在研究员有限前提下做到多行业跟踪和预警。

该中观打分卡应当用于确定各行业未来的评级中枢，系统性影响一整个行业的评级。从而实现研究员行业研究到投资决策机构的智力传导，同时让宏观战略决策可以刚性传导到微观打分结果，防止出现过去地产行业矮子行业拔将军的战略选择错误，打通研究策略提供决策支持-投决决策战略-影响影响研究的定价中枢-风控改变入池标准-投资落实策略的完整投研闭环，实现投决部门对公司的精准把控，战略和战术的“知行合一”、“念动一致”。

3.6 好的模型离不开优秀的数据支撑

没有合适数据的模型犹如无米之炊，数据对于模型的重要性再强调也不为过。逻辑挖掘难度一般没有特有变量的挖掘有效，尤其在市场从强有效市场朝着半强有效市场转变时。城投行业随着过去十几年的发展，市场已经积累了充足的数据，给模型的构建提供了充足的建材，但是对于金融，尤其是产业债，数据层次不齐，完整度不佳，这导致目前市面模型过度依赖财务和基本的规模、企业性质等变量。DM专门构建了金融债和产业债的数据团队，依赖于一线买方、评级等经验的分析师提供的逻辑，基于完善的数据中心，通过规范化生产，保证数据的多样性、准确性、及时性，源源不断地为市场提供模型数据，推进各行业资产市场定价的有效性。

3.7 舆情量化、流动性等是基本面模型外的有力补充

除了基本面驱动，舆情驱动也是模型的重要组成部分，在DM的探索过程中，我们发现国内舆情反映到债券定价需要较长的时间，同时存在明显羊群和聚焦效应，这说明国内的舆情运用整体还是存在口口相传，缺乏系统性的问题，这样不利于市场有效的定价，且容易造成市场的异常波动。DM依托专业的舆情团队，及时、全面、高质地网罗各类舆情，并且进行了专业化的标签标识，使得舆情可以全面跟踪；持续研发的舆情量化技术，通过AI大模型、深度研究逻辑加入，可以方便机构进行合理定价，有效增加市场有效性，平抑市场异常波动。

除了信用评价模型，DM还构建了流动性评分模型，方便机构进行流动性管理和流动性溢价定价。信用评价模型的分析逻辑可以用于债券的相似券寻找——这是债券定价的核心工具，是解决交易数据不全的债券的估值的钥匙。此外DM还构建了DM口径城投口径和产业债行业分类，进一步弥补了没有适配固收市场特征的投资型分类的问题，也更有助于信用策略、模型的合理构建。DM旨在为市场持续提供金融科技基础设施和方法论，努力推动市场朝着平稳有序有效的方向发展。

在未来随着金融供给侧改革下降本增效的要求，宽信用下固收“资产荒”的演进，AI大模型的发展数据结构化成本的降低，固收市场也会朝着投研科技化，科学化，精细化方向发展，信评模型模型作为固收研究的重要引擎将越来越成为衡量机构投研能力的重要标准之一，随着各家机构风险因子的有效挖掘，市场也必将朝着更加有效的方向进化。