证券公司信用风险预警体系建设思考

李守伟  申万宏源证券风险管理总部总经理助理

 

一、证券公司信用风险概览

（一）市场信用风险现状

近几年经济下行压力较大，信用形势日益严峻，信用债、非标债权融资、股票质押融资违约事件频发，尤其是信用债违约状况愈发剧烈。

债券市场方面——违约常态化，自 2014 年债券市场首次违约事件发生以来，截至 2020 年 6 月末，累计 166 家债券主体发行的 616 只债券发生违约，违约本金规模合计 5088 亿元。

股票质押方面——风险爆发， 2018 年风险开始爆发，截至 2020 年 6 月末，上市券商中因股票质押业务计提的资产减值准备合计 284.61 亿元，占上述券商股票质押业务规模的比例达到 8.33% 。

（二）证券公司信用风险来源

对于证券公司来说，面临信用风险的业务主要包括自营投资业务/ 资产管理业务（信用债投资、非标债权投资、债券逆回购、债券借贷）、信用类业务（股票质押、融资融券、约定回购）、场外衍生品业务（场外期权、收益互换）、经纪业务（债券质押式回购）以及投资银行业务（信用债包销）等。

二、建立预警体系的重要性

首先，信用风险资产占比不断增加，包括收入、资产体量以及资本的占用。近年来，固定收益自营业务、信用等业务所形成的比重不断增加，对信用风险管理的需求已经愈发强烈

第二，外部评级有局限性。基金仅仅依赖外部评级来做一些信用风险的评级和管理是不足的。如覆盖面不足，仅针对发债主体；区分度不高，等级拥挤在AAA、 AA+ 、 AA 三个级别；独立性不够，采用发行人付费模式，实际的评级可能会有一些偏差。

第三，风险识别、预警是风险管理的第一道关口。最优的风险管理是“防患于未然 “ ，即争取尽早的准确识别风险，从而规避风险，或者提前采取风险防范措施。

三、预警体系建设思路及实践

我们建立信用风险预警体系的目标是，对还未实质违约的主体（交易对手、客户、发行人）的信用风险进行提前预警，前瞻性的识别主体信用风险，以便及时采取处置手段。

构建的信用风险预警体系的基本框架包括基本面和冲击面（见下图）。基本面又分为低频信息和高频信息，低频信息包括内部评级体系的建设，高频信息包括行业特有指标的跟踪；冲击面主要包括舆情和价格，通过这些信息来构造综合违约评分。

信用风险预警体系的建设原则：以公司风险偏好为基础，运用多种预警手段进行预警，并兼顾命中率和误伤率。命中率是指对于具有真正违约风险的主体进行准确识别的比例；误伤率是指不具有违约风险的主体被误认为具有风险的比例。这两个比例，可以通过事后进行检验，用于评价预警体系的有效性。

图1 信用风险预警体系的建设基本框架

（一）内部评级

首先是要构造内部评级模型，包含一般企业模型、金融机构模型、个人模型三大类主体评级模型。针对一般企业，按照行业构建模型，实现发债主体行业的全覆盖，如建筑与工程、房地产、机械设备、交通运输、农林牧渔、煤气和水的生产供应、生物医药等；针对每一类金融机构构建相关模型，包括银行、保险、证券、信托、公募基金、私募基金、金融 /融资租赁公司、资产管理公司等；针对个人客户单独构建了一个模型。

整个内部评级体系主要考虑两方面因素—— 财务因素和非财务因素。财务因素主要包括企业规模、杠杆比例、盈利能力、偿债能力、运营能力、发展能力。非财务因素主要包括行业前景、股东支持、融资渠道、政府级别、监管指标等。根据这些指标得到初始评级，初始评级之后如果发起评级的人员认为有一些特殊事项需要进行调整，可以申请调整，最后审批后得到最终评级。

内部评级具有一些优势，也存在着一些缺点。优势在于方法相对科学、覆盖面广、可以体现主体中长期信用情况。劣势主要于难以实现高频率的更新，在目前复杂多变的经营环境中，无法满足公司经营管理中对信用主体进行及时预警的需求，并对财务数据依赖性较强，如果财务数据有一些偏差，则可能导致评级结果差异较大。

（二）行业特有指标跟踪

鉴于内部评级的劣势，我们会增加行业特有的指标跟踪，相对来讲，频率会高一些。以房地产行业为例，2020年 8 月份住建部和央行召开了 12 家重点房地产企业的座谈会，明确了最新的房企资金监测和融资管理规则，对房地产行业设置三个指标进行监控（简称三道红线）：  

（1）剔除预收款后的资产负债率大于 70% ；

（2）净负债率大于 100% ；

（3）现金短债比小于 1 倍。

根据“三道红线 ” 触线情况不同，将房地产企业分为 “ 红、橙、黄、绿 ” 四档。以有息负债规模为融资管理操作目标，分档设定为有息负债规模增速阈值，每降低一档，上限增加 5% 。即如果三道红线全部触及（即红档），房地产企业的有息负债就不能再增加，只可以借新还旧；触及两条（即橙档），有息负债规模年增速不得超过 5% ；触及一条（即黄档），增速不得超过 10% ；均未触及（即绿档），不得超过 15% 。

这是房地产调控历史上第一次对财务指标直接设置阈值，“三道红线 ” 会对房地产企业的融资产生较大影响，房地产作为典型的高杠杆运营的行业，能否融到钱将对企业扩张的速度产生直接影响，监管的目的是为了降低房地产企业扩张的速度，从长远看有利于整个行业降低杠杆，降低风险。但是从短期看，限制有息负债的增长，可能对那些前期拿地策略激进、现金流不佳、本身债务负担较重的房企造成较大现金流压力，短期现金流动性风险容易导致信用风险事件的发生。

在三道红线的基础上，我们还构建了其他一些观察指标，如用自身经营收入是否能偿还负债来改进新进现金短债比；通过加速出售已有存货来判断是否能够覆盖债务水平；通过非标融资占比来判断除了债券融资之外能否通过其他融资渠道来增加现金流；通过负债展期的可能性来判断未来现金流等观察指标。

通过设置三条红线和相关观察指标，来判断企业的信用风险是否会进一步增大。

（三）隐含评级预警

隐含评级是指在市场价格的基础之上，综合发行人的信用评级、企业性质、行业特点、财务信息、偿债顺序、担保情况等信息提炼出的动态反映市场投资者对债券的客观信用评价。对于债券发行主体来说，我们可以获取中债隐含评级、中证隐含评级。

隐含评级变化与信用违约方面，2018年 —2019 年新增 79 家违约主体中，其中 5 家没有中债隐含评级信息， 9 家在违约前未发生隐含评级下调， 65 家发生下调，占比 88% ，首次下调的提前时间平均约为 10 个月，违约前下调次数平均约为 4 次。外评变化与信用违约方面， 79 家违约主体中， 2 家无外评信息， 24 家在违约前未发生外评等级下调， 53 家发生下调，占比 68% ，首次下调提前时间平均约为 6 个月，违约前下调次数平均约为 2 次。相对来说，隐含评级的跟踪频率会更高、更及时，也会对风险的敏感性更强。

基于隐含评级的预警规则：我们取2015—2018年首次公开违约的主体作为违约样本集，构建 10 余个特征变量（包括：隐含评级与外评的差距、隐含评级绝对数、隐含评级在违约前不同时间区间的下调幅度等三大类），采用 Logistic Regression 的方式，最终可以从隐含评级下降的幅度、调整后的水平等方面确定预警规则。

（四）基于主体信用利差的风险预警

除了隐含评级以外，我们也构建了基于主体信用利差的风险预警规则，主体信用资质越差，要求的风险补偿越高，收益率越大，利差越大。即通过主体发行的债券和国开债收益率的利差来确定发行人总体的信用利差，将信用利差进行排序来确定哪些企业会纳入到预警池里面。

（五）舆情预警

舆情预警规则分为三步：第一，通过爬虫等技术获取舆情数据；第二，通过语义识别、自然语言分析从海量舆情数据中找到有用的信息；第三，通过二次挖掘、规则摸索辨别信息的真伪及对主体的影响程度。

通过外购的方式能解决舆情获取和语义识别的步骤，但是数据量仍旧较大，且对主体信用的影响程度仍旧无法确定，直接使用效率较低，因此需要进行二次挖掘。二次挖掘的步骤包括：采用人工的方式每日判定每条舆情对主体信用资质的影响程度 ——重大、一般、较小；整理人工打标签的全部结果，形成样本数据库；采用监督学习算法（随机森林等），对样本数据库进行学习，找到最有效的舆情记录特征组合方式，从而能够更加精准的、有效的识别找到我们需要的负面舆情。

（六）综合违约预警评分

基本面和冲击面的预警手段均各有长短，最终希望综合基本面和冲击面的预警信息，对主体信用风险状况进行动态打分—— 构建信用压力指数。根据信用压力指数对全市场主体进行划档，设定纳入高风险预警的得分阈值。

2020年10月中旬前，市场上有19家发债主体首次公开违约，通过构建的模型，可以提前预警率94.73%，并提前多个月份。

图2 违约预警体系效果举例 — 华晨集团

四、未来改进方向

第一，优化内部评级。利用机器学习等人工智能方法，改进内部评级模型，进一步提升内部评级结果的准确性、动态性和前瞻性，从舆情、市场价格等更多维度的海量信息中挖掘信用风险因子，并引入到内部评级模型中，以更加迅速、及时的反映企业信用资质变化。

第二，针对一些重点行业要建立分行业的细化高频数据跟踪体系。

第三，建立财报粉饰与造假识别体系，财务报表的真实准确性是保证内部评级准确性的重要方面。

第四，进一步研究风险在关联企业中的传导机制，如风险扩散蔓延的范围、路径、程度等。

 

来源：本文为 李守伟先生在第十六届中国金融风险经理年度总论坛，专题研讨会 NO.08“证券和投资类机构风险管理”的发言实录全文，供读者参阅。