鑽石舞台

1.標普智信平台輿情分數統計流程

按照以下的流程，完成對某一分析主體單日輿情評分。

圖4：標普智信平台輿情分數統計流程

資料來源：標普全球市場財智

2.標普智信平台信用主體輿情分數案例

下圖則展示了標普輿情分數系統對某主體90天輿情分數趨勢的統計。0代表當天沒有相關輿情信息出現。若當天輿情信息比較正面，這個分數將大於0。如果當天新聞較為負面，分數將小於0。

圖5：某公司90天輿情分數趨勢

資料來源：標普智信平台。圖片僅供參考。

3.標普智信平台輿情獲取主要途徑

輿情的獲取主要涵蓋四大途徑：官方機構網站、主流新聞媒體、行業網站和社交媒體，並每天實時進行更新。相較於大眾和媒體關注度高的上市公司，我們更為關注較難獲取輿情信息的發債企業和新三板公司。

4.發債企業輿情分數分布

標普全球市場財智統計了5637家發債企業從2015年1月至2021年8月的輿情分數的分布，數據顯示：

5.新三板企業輿情分數分布

標普全球市場財智統計了4697家新三板企業從2015年1月至2021年10月的輿情分數，結果顯示：

相較於發債企業，新三板企業的輿情分數分布更為集中，主要因為新三板企業輿情信息比發債企業少，有更多輿情分數集中在0分附近。

6.輿情分數趨勢與違約事件發生

下圖統計了違約與非違約樣本的輿情分數變化趨勢。實際上，信用市場的投資者和參與者對於違約主體會進行提前預判，隨之而來的是新聞的逐步釋放，因此在真正違約事件發生前，輿情分數已經開始逐漸下降。按照我們的統計結果，在信用事件發生前的23天左右，開始出現輿情分數下降趨勢，而隨着違約時點的臨近，輿情分數的下降更為顯著。

圖9：違約事件發生前的輿情分數趨勢

資料來源：標普全球市場財智。圖片僅供參考。

該圖表中，橫軸中紅綠兩條趨平的實線，分別代表非違約樣本的輿情分數均值和輿情均值的標準差，實際上這兩條線並非一成不變，但由於它們的數值細微，所以才趨向於一條直線。這說明沒有違約的信用主體，不僅輿情分數比較穩定，輿情分數的波動（標準差）亦比較小，基本都處於0~0.1的區間內。

而對於違約樣本，情況則大不相同。藍色虛線代表違約樣本的輿情分數均值，橙色實線代表輿情均值的標準差，兩者均處於較寬的區間，說明信用違約主體輿情分數的分布為更多樣化，標準差（波動）更大。

這說明對於違約企業而言，輿情分數的波動是非常明顯的，如果僅利用輿情分數作為預警手段，其實會給信用風險管理工作帶來非常大的擾動和挑戰。

7.輿情分數出現比財務信息更新頻次高

雖然輿情分數並不是每日出現，即信用主體並不會每天都發生輿情信息，但即便如此，相較於傳統的財務信息，輿情信息更新得更為高頻。

圖10：輿情分數次數分布

資料來源：標普智信平台，2021年10月。

在上圖中，我們統計了過去5年及過去90天出現輿情分數的次數，按照輿情分數高低平均分為了10檔，每一檔的樣本數目基本一致，都是553家或554家。

最高分組別，出現輿情分數的天數超過50%。最低頻的組別，出現輿情分數的天數僅約為11%，波動較為明顯。

雖然輿情分數並不是連續每日都會出現，但若與財務信息進行比較，假設財務信息按季度更新，一年的更新頻次為4，輿情的更新頻次依然更高，信息展示更為動態。

但由於輿情分數的波動較大，對信用風險預警的擾動也更大。而傳統財務信息更新頻次又偏低，因此將輿情這一動態信號與傳統的利用財務信息進行信用風險評估的模型進行結合，將有效地優化信用風險分析與預警。

1.輿情分數與違約率存在負相關性

為什麼輿情分數能夠作為信用風險的預警工具？通過我們的統計分析，輿情分數與違約概率存在着負相關性。即當輿情分數高時，企業違約風險相對較低，當輿情分數低時，企業的違約概率相對較高。

圖13：企業違約率vs.輿情分數

資料來源：標普全球市場財智

我們對5427家發債企業的五年歷史財務數據和125家違約樣本進行模型擬合，將樣本中的企業按照輿情分數分位水平切分為十檔，並對每檔中的違約率進行統計。最終發現越低的輿情分數往往代表着更高的違約概率，而越高的輿情分數則代表着更低的違約概率。其中輿情分數最低的一檔，企業違約概率（PD）接近50%。輿情分數最高的一檔，違約率則較低，僅在1%左右的水平。

2.納入兩大輿情指標提升信用風險模型表現

經過我們的分析，發現有兩個指標，輿情分數和「精選負面」標籤占比，能夠令信用風險模型的識別能力和整體表現獲得新的提升。

首先，對於輿情分數，下圖展示了納入輿情分數對整個模型鑑別能力的提升效果。我們使用ROC（Receiver Operating Characteristic，受試者工作特徵）量化模型的統計指標去衡量模型表現的提升效果。結果顯示，單獨使用PDFN模型，ROC約為0.79，若單獨使用輿情分數的ROC是0.76。但當兩者結合，ROC能夠由0.79提升至0.84。AR（Accuracy Ratio，準確率）值則可以提升接近0.1。

圖14：納入輿情分數對ROC的影響

資料來源：標普全球市場財智。2021年11月。圖片僅供參考。

從統計建模的角度來說，這是一個非常巨大的提升，也對整個模型的鑑別能力帶來質的飛躍。

在輿情分數基礎上，我們還進一步將「精選負面」標籤也納入到模型之中。

標普全球市場財智將輿情信息分為165個信息標籤，其中107個是負面信息標籤，58個是正面信息標籤。並將這些標籤分為14個負面類別和9個正面類別。

但實際上，並非所有165個標籤都和信用風險事件息息相關，對此我們進行了進一步的分析和統計。我們主要使用三種統計方法進行篩選：

最終篩選出了包括評級下調、信用預警、財務預警、資金預警、法律糾紛、市場預警、監管調查、經營預警、資產股權風險九個大類、共計36個與信用風險事件緊密相關的「精選負面」標籤。

圖15：「精選負面」標籤

資料來源：標普智信平台，圖片僅供參考。

在建模的時候，我們就可以把這些負面標籤的占比率作為獨立的因子，納入到量化模型中，從而提升模型的整體表現。

下圖中，我們統計了違約事件發生前24個月所有「精選負面」標籤的占比，發現前10月它的比率只有小幅的提升。但是自違約事件開始前10個月，這些「精選負面」標籤的占比越來越高，一直到違約發生，它的占比可能高達50%，平均為40~45%的水平。

圖16：違約發生前「精選負面」標籤占比趨勢

資料來源：標普全球市場財智。2021年11月。圖片僅供參考。

這意味着，距離違約發生較前的時間段內（10個月以前），一些負面輿情，如法律訴訟等信息，在該主體整個輿情信息標籤內的占比只有略微提升，但大體保持平穩。而距離企業違約時間越近，如一個月前，該企業相關輿情信息可能都是負面，並且其中「精選負面」標籤的占比更是可能高達45%。

將負面輿情標籤占比納入信用風險模型中，可以更加動態地對信用風險事件進行預警。相較於傳統靜態的財務模型，由於財務信息通常按季更新，更新頻率低，最多提前獲得三個月的運行能力。但實際上很多即將違約的企業，負面的新聞報道或輿情信息已經開始發酵，這些信用風險並不會在財務信息上進行體現，導致無法提前被市場識別到。而納入「精選負面」標籤因子，可以對最終的信用風險事件發生有較強的預警能力。

那麼納入標籤因子能夠對整個模型的識別能力和表現帶來多少的提升？如果我們把輿情分數納入到PDFN模型中，可將模型表現由0.79提升至0.84，對AR值的提升接近0.1。

若我們進一步納入「精選負面」標籤比率，可以將模型表現ROC由0.84進一步提升到0.90。

圖17：納入「精選負面」標籤因子對ROC的影響

資料來源：標普全球市場財智。2021年11月。圖片僅供參考。

對比傳統的邏輯回歸模型，若同時納入輿情分數與「精選負面」標籤因子，可以將ROC由0.79提升至0.9，AR值能夠提升接近0.22的水平，這是一個非常顯著的提升，令量化模型的識別能力有質素的飛躍。

3.「動」「靜」結合，有效提升風險管理模型表現

總的來說，將輿情信息納入信用風險模型，能夠令傳統的信用風險模型由靜態變得更為動態。信用風險模型的分數不再是三個月更新一次，甚至如果是發債期，有可能六個月，乃至一年才更新一次。

而且輿情因子入模，並且不會對傳統的信用風險管理帶來顛覆性的挑戰。如果單獨將輿情因子作為風險管理的依據，或預警授信的依據，可能將是一套全新的管理體系。但如果把動態的輿情信息和靜態的量化模型結合在一起，其實只是在原有的框架上疊加了一層動態的變化，來進行日常的監控。在方法論層面，不會顛覆原有的工作體系，但又可以提升整個量化模型的表現，幫助客戶進行實時的信用風險管理。

因此將輿情信息納入信用風險管理之中，是很具借鑑意義和預警價值的。

版權所有 © 2022 標普全球市場財智（隸屬標普全球）。保留所有權利。