摘要
【目的】企业信用评级是社会经济有序和健康发展的客观要求和必然选择,本文旨在全面介绍人工智能和大数据时代企业信用评级的主要方法。【方法】通过对国内外的相关文献进行阅读和研究,本文对企业信用评级进行了系统的综述。本文从统计模型、机器学习模型和神经网络模型3个层面梳理了企业信用评级方法发展的脉络,总结了企业信用评级常用数据库,并且深入对比了主要模型的优缺点。最后本文提出了企业信用评级研究中存在的问题,对企业信用评级方法进行了总结与展望。【结果】本文为学术界和企业界了解企业信用评级的量化建模和数据资源提供了系统深入的导引。【结论】神经网络模型在企业信用评级领域仍然存在诸多瓶颈问题,动态图神经网络融合了神经网络的强大表达能力和图结构数据的可解释能力,并引入了时序信息,在企业信用评级领域有广阔的应用前景。
关键词: 企业信用评级; 统计方法; 机器学习; 神经网络
引言
企业信用评级是评估企业按照合同如期履行义务的意愿和能力,评级的目的在于评估企业作为债务人的违约风险大小。被评级企业主要分为非金融公司(如工商、建筑、交通、旅游等公司)和金融公司(如保险、证券公司等)。后者由于资金流转和组织架构的特殊性,其信用风险往往更大,评级工作更加困难。
目前,国际上最知名的信用评级机构有3家,分别是标准普尔、穆迪和惠誉。标准普尔有160余年历史,在行业内处于领先地位并扮演着领导者的角色,评级范围涵盖了全球126个国家和地区。标准普尔在2019年进入中国信用评级市场,按周发布对各国和各地区主权信用评级的更新。穆迪有120余年历史,由著名公司邓白氏拆分而来,评级范围涵盖了全球一百多个国家和地区,在2001年进入中国市场。惠誉有100余年历史,规模相较于标准普尔和穆迪稍小,评级范围涵盖了全球70多个国家和地区,于2020年获准进入中国市场。除了这3家机构以外,中国的评级机构也在不断发展,如大公国际、中诚信、东方金诚等。不过中国的评级机构起步较晚,在完善程度、评级指标构建的科学性等方面还有很大进步空间。专家学者在构建信用评级模型时用到的数据库并不单一,表1展示了常用的一些数据库。
表1 企业信用评级常用数据库
Table 1 The main databases of corporate credit rating
数据库 |
简介 |
RESSET |
中国的一个综合性数据平台,提供全世界金融市场相关数据;主要包括股票、黄金、研究报告、宏观统计等系列 |
上市公司财务报告 |
上市公司对企业生产经营概况、财务状况等信息进行披露的报告 |
中国人民银行征信系统 |
中国国内最全的企业和个人征信数据库 |
CSMAR |
针对中国国情开发的经济金融领域的研究型精准数据库,2001年创建;涵盖因子研究、绿色经济、股票、资讯、基金等18大系列,包含160多个数据库、4,000多张表、5万多个字段 |
WRDS |
由宾夕法尼亚大学沃顿商学院于1993年开发的金融领域的跨库研究工具,整合了Compustat、CRSP、TFN、TAQ等多个著名数据库 |
Bloomberg |
全球最大的财经资讯、金融数据服务提供商 |
FAME |
覆盖了英国和爱尔兰的380万家公司的信息 |
UCI机器学习知识库 |
加州大学欧文分校提出的用于机器学习的数据库 |
Compustat |
标准普尔发布的数据库,收录北美及全球上市公司近20年的财务数据 |
CRSP |
由芝加哥大学商学研究生院成立,是证券领域极具权威的数据库,广泛收录了美国上市公司的股票价格和交易数据 |
日经NEEDS |
日本最大的综合经济数据库,涵盖了从宏观经济到企业财务多个层面 |
Bankscope |
BureauvanDijk与银行业权威评级机构惠誉公司合作开发的银行业信息库;提供了全球12,800多家主要银行及世界重要金融机构与组织的经营与信用分析数据 |
WIND |
由中国企业万得资讯提供,是以金融证券财经数据为核心的数据库 |
KIS-VALUE |
韩国一个提供企业报务报表及股市数据分析的数据库 |
新窗口打开| 下载CSV
虽然当下企业信用评级数据库不统一且缺乏统一的基准,然而大部分人工评级和算法评级方法都是基于常用的一些数据库构建企业信用评级指标,如WIND、Bloomberg等。人工评级方法发展早且理论完善应用广泛。虽然当下主观评级方法综合了多方分析结果且经历多次迭代,但该方法主观性依然很强且受分析师个人偏好影响大,耗费大量人力物力,多次迭代耗时间长导致评级结果不能实时反映公司信用。而算法评级相对来讲实时性强成本低,评级结果客观可复现。但当下算法评级不能完全替代专家知识,对定性信息的理解也不充分,未来还有很大发展空间。
企业信用评级作为市场经济条件下的社会中介服务,在维护社会经济秩序中起了重要作用。企业应当建立在对客户信用状况充分了解的前提下发展客户。企业一味地追求大量订单难免会收到坏账。信用评级可以帮助金融从业者规避风险,为投资者和合伙人提供客观公正的资信信息,减小了企业的经营管理压力[1]。资本市场管理部门为了维持资本秩序的稳定需要对企业进行审查。企业信用评级提升了经济管理部门对企业的监管能力,弘扬了企业的社会知名度。
与企业信用评级相似的是债券信用评级。虽然二者都是为了促进资源的有效配置,减少评级对象和投资者之间的信息不对称,但其评级对象不一样,前者面向的是商业银行或相关监管机构,后者面向的是债券投资者。由于债券评级机构的评级耗时长,经历信息收集、处理、二次评级、跟踪评级等多个阶段,信用风险的变更往往反应不及时[2],建立一套自己的信用评级体系对金融机构来说非常重要。然而,评级机构做一次完整细致的评级需要耗费大量的人力物力财力和时间[3],这对于大部分企业以及金融从业者来说难以承担。所以构建精准的企业信用评级模型对于投资者来说很有价值。
当下已经有许多专家学者对企业信用评级模型做了细致的研究,但是关于这类模型的整体性综述却相对不足,对近年来基于神经网络的评级模型的综述更是寥寥无几。本文综合了传统的统计学模型、基于机器学习的模型以及近年来话题度很高的基于神经网络的评级模型对企业信用评级展开描述。
1 企业信用评级的统计学模型
在金融领域,大多数用于评估企业信用风险的传统模型都使用了基础的统计方法,由企业破产预测模型衍生而来。这类模型大部分基于企业财务指标(如资产负债结构、现金流量、盈利能力、资产流动性等)来构建评级指标体系,如表2所示,之后用统计方法分析这些指标体系特征来完成企业信用评级分类。
表2 企业信用评级常用指标
Table 2 The main metrics of corporate credit rating
类别 |
指标 |
规模 |
总资产 |
总资本 | <