信用风险管理的数字化转型是当前市场、监管和金融机构共同推进的大方向。数字化转型能够实现风险管理的流程自动化、决策自动化、智能监测与风险预警，从而提升金融机构风险管理能力和效率，优化对投资组合的管理、监控和预警。
其中，舆情信息在信用风险管理数字化转型中得到越来越广泛的应用。动态的舆情分析与传统的财务信息分析相结合，将有效地优化信用风险预警和信用风险管理。
本文用数据、模型以及相关例证为大家阐述了将舆情信息纳入信用风险管理之中，具有重要借鉴意义和预警价值。
白皮书目录
I. 信用风险管理的数字化转型
1. 为何要建立风险评估数字化流程
2. 数字化转型的优势
3. 如何将风险评估流程纳入数字化系统
4. 信用风险数据来源
II. 标普智信平台舆情分数系统
1. 舆情分数统计流程
2. 信用主体舆情分数案例
3. 舆情获取主要途径
4. 发债企业舆情分数分布
5. 新三板企业舆情分数分布
6. 舆情分数趋势与违约事件发生
7. 舆情分数出现比财务信息更新频次高
III. 标普全球市场财智信用分析模型套组
1. 信用分析三大信用风险模型简介
2. 违约概率基本面模型方法论
IV. 纳入舆情信息提升传统信用风险模型的表现
1. 舆情分数与违约概率存在负相关性
2. 纳入两大舆情指标提升信用风险模型表现
3. “动”“静”结合，有效提升风险管理模型表现
以下内容为该白皮书部分内容摘抄，免费获取完整白皮书及数据，请扫描下方二维码。
II.标普智信平台舆情分数系统
1. 标普智信平台舆情分数统计流程
按照以下的流程，完成对某一分析主体单日舆情评分。
图4：标普智信平台舆情分数统计流程
资料来源：标普全球市场财智
2. 标普智信平台信用主体舆情分数案例
下图则展示了标普舆情分数系统对某主体90天舆情分数趋势的统计。0代表当天没有相关舆情信息出现。若当天舆情信息比较正面，这个分数将大于0。如果当天新闻较为负面，分数将小于0。
图5：某公司90天舆情分数趋势
资料来源：标普智信平台。图片仅供参考。
3. 标普智信平台舆情获取主要途径
舆情的获取主要涵盖四大途径：官方机构网站、主流新闻媒体、行业网站和社交媒体，并每天实时进行更新。相较于大众和媒体关注度高的上市公司，我们更为关注较难获取舆情信息的发债企业和新三板公司。
4. 发债企业舆情分数分布
标普全球市场财智统计了5637家发债企业从2015年1月至2021年8月的舆情分数的分布，数据显示：
- 19%的样本有舆情分数；
- 平均每年出现舆情分数的天数为73天；
- 超过50%的企业的有超过27天的舆情分数；
- 有134个违约样本。
5. 新三板企业舆情分数分布
标普全球市场财智统计了4697家新三板企业从2015年1月至2021年10月的舆情分数，结果显示：
- 2.7%的样本有舆情分数；
- 56.7%的时候舆情分数不为0；
- 平均每年出现舆情分数的天数为15天；
- 超过50%的企业的有超过4.7天的舆情分数
- 有203个违约样本
相较于发债企业，新三板企业的舆情分数分布更为集中，主要因为新三板企业舆情信息比发债企业少，有更多舆情分数集中在0分附近。
6. 舆情分数趋势与违约事件发生
下图统计了违约与非违约样本的舆情分数变化趋势。实际上，信用市场的投资者和参与者对于违约主体会进行提前预判，随之而来的是新闻的逐步释放，因此在真正违约事件发生前，舆情分数已经开始逐渐下降。按照我们的统计结果，在信用事件发生前的23天左右，开始出现舆情分数下降趋势，而随着违约时点的临近，舆情分数的下降更为显著。
图9：违约事件发生前的舆情分数趋势
资料来源：标普全球市场财智。图片仅供参考。
该图表中，横轴中红绿两条趋平的实线，分别代表非违约样本的舆情分数均值和舆情均值的标准差，实际上这两条线并非一成不变，但由于它们的数值细微，所以才趋向于一条直线。这说明没有违约的信用主体，不仅舆情分数比较稳定，舆情分数的波动亦比较小，基本都处于0~0.1的区间内。
而对于违约样本，情况则大不相同。蓝色虚线代表违约样本的舆情分数均值，橙色实线代表舆情均值的标准差，两者均处于较宽的区间，说明信用违约主体舆情分数的分布为更多样化，标准差更大。
这说明对于违约企业而言，舆情分数的波动是非常明显的，如果仅利用舆情分数作为预警手段，其实会给信用风险管理工作带来非常大的扰动和挑战。
7. 舆情分数出现比财务信息更新频次高
虽然舆情分数并不是每日出现，即信用主体并不会每天都发生舆情信息，但即便如此，相较于传统的财务信息，舆情信息更新得更为高频。
图10：舆情分数次数分布
资料来源：标普智信平台，2021年10月。
在上图中，我们统计了过去5年及过去90天出现舆情分数的次数，按照舆情分数高低平均分为了10档，每一档的样本数目基本一致，都是553家或554家。
最高分组别，出现舆情分数的天数超过50%。最低频的组别，出现舆情分数的天数仅约为11%，波动较为明显。
虽然舆情分数并不是连续每日都会出现，但若与财务信息进行比较，假设财务信息按季度更新，一年的更新频次为4，舆情的更新频次依然更高，信息展示更为动态。
但由于舆情分数的波动较大，对信用风险预警的扰动也更大。而传统财务信息更新频次又偏低，因此将舆情这一动态信号与传统的利用财务信息进行信用风险评估的模型进行结合，将有效地优化信用风险分析与预警。
以上部分内容、数据以及表格已被略去。请扫描二维码，免费获取完整内容。
IV.纳入舆情信息提升传统信用风险模型的表现
1. 舆情分数与违约率存在负相关性
为什么舆情分数能够作为信用风险的预警工具？通过我们的统计分析，舆情分数与违约概率存在着负相关性。即当舆情分数高时，企业违约风险相对较低，当舆情分数低时，企业的违约概率相对较高。
图13：企业违约率vs.舆情分数
资料来源：标普全球市场财智
我们对5427家发债企业的五年历史财务数据和125家违约样本进行模型拟合，将样本中的企业按照舆情分数分位水平切分为十档，并对每档中的违约率进行统计。最终发现越低的舆情分数往往代表着更高的违约概率，而越高的舆情分数则代表着更低的违约概率。其中舆情分数最低的一档，企业违约概率接近50%。舆情分数最高的一档，违约率则较低，仅在1%左右的水平。
2. 纳入两大舆情指标提升信用风险模型表现
经过我们的分析，发现有两个指标，舆情分数和“精选负面”标签占比，能够令信用风险模型的识别能力和整体表现获得新的提升。
首先，对于舆情分数，下图展示了纳入舆情分数对整个模型鉴别能力的提升效果。我们使用ROC量化模型的统计指标去衡量模型表现的提升效果。结果显示，单独使用PDFN模型，ROC约为0.79，若单独使用舆情分数的ROC是0.76。但当两者结合，ROC能够由0.79提升至0.84。AR值则可以提升接近0.1。
图14：纳入舆情分数对ROC的影响
资料来源：标普全球市场财智。2021年11月。图片仅供参考。
从统计建模的角度来说，这是一个非常巨大的提升，也对整个模型的鉴别能力带来质的飞跃。
在舆情分数基础上，我们还进一步将“精选负面”标签也纳入到模型之中。
标普全球市场财智将舆情信息分为165个信息标签，其中107个是负面信息标签，58个是正面信息标签。并将这些标签分为14个负面类别和9个正面类别。
但实际上，并非所有165个标签都和信用风险事件息息相关，对此我们进行了进一步的分析和统计。我们主要使用三种统计方法进行筛选：
- 信息发生频次
- 提供额外的识别能力：将单个标签纳入模型，看该标签是否能够提供额外的鉴别能力，提升模型的表现
- 相关性：表现之间的相关性
最终筛选出了包括评级下调、信用预警、财务预警、资金预警、法律纠纷、市场预警、监管调查、经营预警、资产股权风险九个大类、共计36个与信用风险事件紧密相关的“精选负面”标签。
图15：“精选负面”标签
资料来源：标普智信平台，图片仅供参考。
下载完整白皮书，以及了解相关模型及数据，请扫描下方二维码。
在建模的时候，我们就可以把这些负面标签的占比率作为独立的因子，纳入到量化模型中，从而提升模型的整体表现。
下图中，我们统计了违约事件发生前24个月所有“精选负面”标签的占比，发现前10月它的比率只有小幅的提升。但是自违约事件开始前10个月，这些“精选负面”标签的占比越来越高，一直到违约发生，它的占比可能高达50%，平均为40~45%的水平。
图16：违约发生前“精选负面”标签占比趋势
资料来源：标普全球市场财智。2021年11月。图片仅供参考。
这意味着，距离违约发生较前的时间段内，一些负面舆情，如法律诉讼等信息，在该主体整个舆情信息标签内的占比只有略微提升，但大体保持平稳。而距离企业违约时间越近，如一个月前，该企业相关舆情信息可能都是负面，并且其中“精选负面”标签的占比更是可能高达45%。
将负面舆情标签占比纳入信用风险模型中，可以更加动态地对信用风险事件进行预警。相较于传统静态的财务模型，由于财务信息通常按季更新，更新频率低，最多提前获得三个月的运行能力。但实际上很多即将违约的企业，负面的新闻报道或舆情信息已经开始发酵，这些信用风险并不会在财务信息上进行体现，导致无法提前被市场识别到。而纳入“精选负面”标签因子，可以对最终的信用风险事件发生有较强的预警能力。
那么纳入标签因子能够对整个模型的识别能力和表现带来多少的提升？如果我们把舆情分数纳入到PDFN模型中，可将模型表现由0.79提升至0.84，对AR值的提升接近0.1。
若我们进一步纳入“精选负面”标签比率，可以将模型表现ROC由0.84进一步提升到0.90。
图17：纳入“精选负面”标签因子对ROC的影响
资料来源：标普全球市场财智。2021年11月。图片仅供参考。
对比传统的逻辑回归模型，若同时纳入舆情分数与“精选负面”标签因子，可以将ROC由0.79提升至0.9，AR值能够提升接近0.22的水平，这是一个非常显著的提升，令量化模型的识别能力有质素的飞跃。
3. “动”“静”结合，有效提升风险管理模型表现
总的来说，将舆情信息纳入信用风险模型，能够令传统的信用风险模型由静态变得更为动态。信用风险模型的分数不再是三个月更新一次，甚至如果是发债期，有可能六个月，乃至一年才更新一次。
而且舆情因子入模，并且不会对传统的信用风险管理带来颠覆性的挑战。如果单独将舆情因子作为风险管理的依据，或预警授信的依据，可能将是一套全新的管理体系。但如果把动态的舆情信息和静态的量化模型结合在一起，其实只是在原有的框架上叠加了一层动态的变化，来进行日常的监控。在方法论层面，不会颠覆原有的工作体系，但又可以提升整个量化模型的表现，帮助客户进行实时的信用风险管理。
因此将舆情信息纳入信用风险管理之中，是很具借鉴意义和预警价值的。
以上为部分内容摘抄，免费获取完整白皮书，以及了解文中关于舆情信息在信用风险分析中的关键数据和模型，请扫描下方二维码。
本文由标普全球市场财智撰写和发布，该部门独立于标普全球评级。小写命名法用于区分标普全球市场财智信用评分与标普全球评级发布的信用评级。
版权所有 ? 2022 标普全球市场财智。保留所有权利。
这些资料依据来源据信可靠的一般公众可用信息编制，仅供参考之用。未经标普全球市场财智或其附属公司的事先书面许可，本文档所载任何内容或其中的任何部分均不得以任何形式和任何手段进行修改、还原、复制或分发，亦不得将其存储在数据库或检索系统之中。本文档所载内容不得用于任何非法或未经授权的用途。标普全球及任何第三方提供商概不保证本文档所载内容的准确性、完整性、及时性或有效性。不论任何原因，标普全球相关方对内容中的任何错误或遗漏以及因使用内容而造成的后果概不承担任何责任。本文档所载内容“按原样”提供。标普全球相关方否认任何及所有明示或默示担保，包括但不限于对适销性或特定用途适用性、无漏洞、无软件错误或缺陷、本文档所载内容将不间断发挥作用或其适用于任何软件或硬件配置的担保。在任何情况下，标普全球相关方概不对任何一方与使用本文档所载内容有关的任何直接、间接、附带、惩戒性、赔偿性、惩罚性、特殊或后果性损害、费用、支出、律师费或损失负责，即使已被告知存在此类损害的风险。
标普全球市场财智的意见、报价以及信用相关分析和其他分析仅代表发布当日的意见陈述，而并非事实的陈述，也不构成买入、持有或卖出任何证券或作出任何投资决策的建议，且并不提及任何证券的适用性。标普全球市场财智没有义务在本文档所载内容发布之后以任何形式或格式对其进行更新。本文档所载内容不应成为用户及其管理层、雇员、顾问和/或客户在作出投资和其他业务决策时的依据，也不能替代其技能、判断和经验。标普全球保持其部门的某些活动彼此独立，以便保持其各自活动的独立性和客观性。因此，标普全球的某些部门所拥有的信息可能在其他标普全球部门不可用。标普全球已经制定了相应政策和程序，用于维持所接收的与各个分析流程相关的非公开信息的机密性。
信用评分由标普全球市场财智生成，标普全球评级并不帮助或参与创建。小写字母用于区分标普全球市场财智的违约概率信用模型评分与标普全球评级发布的信用评级。
标普全球可能会对评级和某些分析收取报酬，通常是面向证券发行者或包销商，或者是债务人。标普全球保留传播自己观点和分析的权利。标普全球在其网站上提供公开评级和分析，网址为 www.standardandpoors.com、www.ratingsdirect.com，也可能通过其他途径分发，包括标普全球出版物和第三方再发行机构。有关我们评级费用的更多信息，请访问
www.standardandpoors.com/usratingsfees。
本文首发于微信公众号：21世纪经济报道。文章内容属作者个人观点，不代表易科立场。投资者据此操作，风险请自担。
