本文作者韩白是金融行业从业者，全文只代表个人观点。

最近华川集团债券违约及破产重组事件很热闹。

实际上从年初以来，华晨系就负面消息不断，先是华晨宝马发债困难，后又爆出华晨旗下金杯股份被申请冻结，有机构以三折低价抛售数亿华晨债。而另一方面我们却看到，华晨集团主体信用等级一直是最高等级的AAA，国内信用评估机构直到华晨违约前夕才纷纷下调其信用等级。对于持有华晨债券的投资者而言，此时下调信用等级不仅无助于规避风险，反而有点火上浇油的味道。

AAA债券违约事件频发 信用评级为何总是迟到

伴随债务周期见顶和经济阶段性下滑，近几年我国债券市场进入多事之秋。尤其今年以来，国企债券频频爆出违约，仅仅10月份，华晨集团、永煤控股、紫光集团等多家国企都出现债务违约。而无一例外的，这些企业在违约之前的信用评级都是最高等级AAA。

目前国内信用评估机构常用的评级方法是打分模式，比如层次分析法。简单来说就是先确定一些评价指标及其权重，包括财务数据和非财务数据，比如销售毛利率，企业生命周期等；然后派专人去企业调研，获取相关资料和信息，由评委会专家根据企业情况对各项指标进行打分，最终根据总分确定信用等级。

这种方式存在一些弊端。首先，多数情况下这些指标的权重是固定不变的，而不同类型企业、在不同时期，某些指标的意义差别较大甚至截然相反，比如负债率。其次，由于没有对历史样本进行全面的计算分析，在指标的选取上也可能出现偏差，对于某一个行业或某一个阶段的企业究竟应该选取哪些指标，没有科学准确的方法。第三，对于发债企业而言，为了获得更高的评级，降低发债成本，有足够的动力去粉饰财务指标，从而影响评级。最后，国内评级机构大多缺乏完善的评级跟踪机制，导致评级滞后于企业发展，最终误导投资者。

深度学习+NLP 构建新型信评体系

从以上分析可以看出，传统信评方式存在着方法固化、信息不全、人为干扰、评级滞后等等问题。而随着AI技术在金融领域的不断发展，上述问题正在逐步找到解决办法。

据统计，近几年我国债券违约已经超过500例。随着样本的不断积累，通过深度学习技术研究发债企业的违约原因，从中寻找出导致违约的因子，分析各因子所占的权重，再通过建模寻找有价值的信号，进而调整模型规则，可以有效提升评级的准确性。

金融资讯信息量巨大，包括宏观经济、政策法规、行业动态、价格走势、财务报告、公司新闻等等。而传统的信评更多依靠调研企业和专家经验，不能及时全面的掌握各种信息。利用自然语言处理（NLP）和知识图谱技术，可以从海量非结构化数据中获取有价值的信息，可以帮助我们找到更多有用的评价因子，进而构建更完善的评价模型，大大扩展了传统信评工作的边界。

大数据分析赋能风险预警 从此告别踩雷

债券投资中避免踩雷与跟踪评级同等重要。因为一旦风险爆发，会严重影响投资收益。最理想的方式是在风险爆发之前，及时规避。因此实时跟踪信用主体的动态信息，及时发现风险显得尤为重要。

互联网时代，各种网络媒体、社交媒体逐渐成为信息传播最快的平台。这也为我们及时发现风险的蛛丝马迹提供了新的渠道。但传统的信评方法根本无法处理如此巨大的信息量。利用大数据以及事件抽取和情感分析等NLP技术，可以将不同来源的多维度数据进行关联分析，比如微博、微信、网络媒体等。从而挖掘和展现出未知的相关关系，使得及时的风险预警变为可能。

金融行业由于数据量巨大，且高度相关，成为人工智能技术发展最快的领域之一。相信在未来，更多最新的AI技术将不断应用在这里，我们拭目以待。