商业银行信用类债券投资业务审计方法的探索——基于信用风险的研究

文| 周培源

引言

我国债券市场发展迅猛，债券市场品种、发债数量、发债规模等均在不断丰富及扩大，信用类债券已经成为商业银行金融市场业务的重点资产配置对象。但近年来我国信用债劵市场违约风险案件频发，违约数量、违约规模均呈现爆发式增长。作为商业银行内部审计，对信用类债券的风险揭示也成为重点与难点。既往审计主要依托公开市场信息及外部第三方评级机构的评级结果，但第三方评级结果的有效性也因大公国际负面信息曝光而受到了质疑。基于此，本文站在内审角度通过模型化监控并弱化对外部评级结果的依赖，揭示信用债风险的可行性。

模型设计及构建

从国内外研究结果看，信用债违约的因素主要从宏观市场、企业微观指标、企业所处行业等多个方面进行分析研究。对比过往研究涉及的信用违约风险判别模型，Logistic模型由于其无需要求样本正太分布，且相较于Z分模型、KVM等模型预测效果较好等原因，因此本论文也使用Logistic模型进行分析。

样本选取

截至2019年末，我国信用债违约数量已达300余支，涉及违约主体100余家，剔除无法获取财务数据的发行主体后，最终得到发生违约债券共60支，同时从全部正常兑付的债券中选取276支形成最终样本，总计336支。该样本拆分两个数据组：建模数据组（违约信用债29支、未违约信用债143支）及检验数据组（违约信用债31支、未违约信用债133支）。

模型构建

本文选取二分类变量的Logistic模型建立信用类债券的违约风险度量模型，模型中P值（0

指标选取

本文主要选取债券发行人公开可及的财务信息、指标及与企业经营相关的宏观经济数据、行业数据，具体指标详见：成分得分系数矩阵表。

实证分析

因子分析

因指标数量较多且各指标可能存在相关关系，如直接代入模型进行回归分析可能会严重影响系数取值，模型准确性也会受到较大影响，因此本文进行归回分析前先对已选取的指标进行清洗，使指标数量能降低至合理水平并剔除指标间的相关性。为寻找公因子的典型代表变量同时为因子赋予实际经济含义，本文通过方差最大法正交旋转因子增加差距，使其更具有优势。

成份得分系数矩阵成份1 2 3 4 5 6 7速动比率(X1) -.004 .115 -.284 -.049 .071 -.010 -.100流动比率(X2) -.013 .101 -.331 -.039 .065 .030 -.073有形资产比负债(X3) -.093 .353 .037 .049 -.001 .058 .075产权比率(X4) -.288 .030 .037 .046 .087 .022 .038资产负债率(X5) -.024 -.284 -.106 .055 .059 .006 .040有形资产比总资产(X6) -.072 .353 .083 .069 .007 .074 .106流动负债比负债合计(X7) -.068 -.006 -.092 -.019 -.075 .550 .264净资产收益率(X8) .328 -.065 -.045 -.004 -.020 -.019 -.024总资产报酬率(X9) .274 -.071 .039 -.050 .039 .002 -.128销售净利率(X10) .286 -.036 -.013 .042 .020 -.017 .292总资产周转率(X11) .029 .077 .056 -.052 .069 .492 -.138应收账款周转率(X12) -.032 -.023 -.113 .539 .020 -.022 .111流动资产周转率(X13) .010 .137 .346 .040 .031 .187 -.162存货周转率(X14) -.022 .074 .158 .456 .003 -.054 .003销售商品提供劳务收到的现金比营业收入(X15)-.006 .049 .035 .060 .001 .064 .751经营性现金净流量比营业总收入(X16)-.040 .099 .401 -.224 .052 -.274 .069 GDP增长率(X17) -.003 .024 .083 -.060 -.539 .015 .059居民消费价格指数(X18) -.030 .017 .031 -.037 .520 .008 .047提取方法：主成份。旋转法：具有Kaiser 标准化的正交旋转法。

二元Logistic回归分析

将主成分分析求出的因子作为自变量，债券是否违约作为因变量，构建二元Logistic回归模型，通过二元logistic回归模型分析，得出方程中变量，并得出信用债违约判定模型为：

模型有效性检验

为检验模型有效性，将检验组数据代入模型，得出结果如下：

观察值 是否违约 正确百分比0 1是否违约 0 126 7 94.7 1 9 22 66.7整体百分比 89.2

从验证结果来看，模型准确率高于89%，说明该模型具有良好的违约风险判定能力。

结论与应用

1.本文基于因子分析与Logistic模型，建立信用债违约风险评估模型，对企业信用债违约进行风险评估，模型在建模组样本和检验组样本中的判别正确率均高于85%，对于商业银行在信用类债券投资业务审计时根据企业微观信息与宏观信息有效识别债券的违约风险具有积极的参考意义。

2.开展信用类债券投资审计时，可以对投资标的通过模型进行初步判断，提升审计针对性，加强审计准确性，保证整体审计风险可控。同时在对信用类债券投资风险管理管理的评价上也可以通过调整个别变量来判断内控措施的有效性。

3.把Logistic模型分析方法纳入信用类债券投资审计模型中，相关数据的获取与信贷系统、风险管理等系统对接，甚至可以通过第三方数据进行收集，定期、不定期对存量信用债风险状态进行审计监督。该监督不仅在微观层面可以识别个债风险状态，更可以宏观上判断对信用债的风险投资偏好是否符合预期，为相关审计立项提供依据。

4.可以把Logistic模型分析方法在非现场审计系统中进行推广。目前审计系统中除了接入第三方预警数据外，主要的审计模型逻辑均依靠客户流水，对风险监测的维度过于单一和集中。实践中，通过流水判断分析的有效性也在逐渐降低，因此引入统计模型分析可以作为新的审计模型开发的来源，对内外部数据进行有效的整合，进一步提升审计模型的准确性和针对性。