债券市场违约现状与机器学习违约风险模型初探.docxVIP

作者：冯祖涵，FRM

t邮t

箱：research@

相关研究报告：

《民企新增债券违约率上升，新增一家房地产企业违约——2024年第一季度信用债违约分析》，2024.04.10

《债券违约判定与中国债市违约率分析》，

2023.01.18

债券市场违约现状与机器学习违约风险模型初探

摘要

自2014年我国债券市场“刚性兑付”被打破后，债券市场逐步进入违约常

态化阶段。自2022年起，债市违约金额与违约主体数量整体较前几年大幅下降，但房地产行业信用风险突出。

根据往年债券违约的数据统计，债券类型中公司债的违约债券个数与违约金额占比最大，中期票据紧随其后。违约类型中未按时兑付本息为发生违约的最主要原因，其次是未按时兑付利息与提前到期未兑付。从违约发行人的性质来看，自2014年至2023年，共有234家违约债券发行人，涉及多种所有制类型，但其中大多数为民营企业。从违约债券所属行业来看，违约债券共涉及26个行业，整体上违约债券行业分布相对分散，但自2022年起违约主要集中于房地产行业。从信用评级来看，在剔除无信用级别的发行主体后，债券违约前一个月信用评级在BBB-及以上的发行主体占比约54%，高信用级别主体频繁违约。

近年来，越来越多研究使用机器学习算法开发债券违约风险模型。常用于债券违约预警模型的机器学习算法包括支持向量机（SupportVectorMachine，SVM）、随机森林（Randomforest，RF）与极端梯度提升(eXtremeGradientBoosting，XGBoost)。也有部分研究将XGBoost与其他算法结合，应用于债券违约模型构建，如GWO-XGBoost组合模型与SMOTETomek-GWO-

XGBoost组合模型。

相比于经典模型，基于机器学习算法开发的债券违约风险模型可选择多个变量，并通过筛选确定效果最优模型；同时，此类模型不依赖于模型假设，对数据分布与模型形式不做限制，整体的预测效果较好。机器学习算法经常被诟病的“黑箱”问题也可以通过使用Shapley值法衡量每个特征对单个预测结果的贡献，提高模型的可解释性。

展望未来，化债背景下城投企业信用分化加剧，房地产行业信用风险尚未出清，债券市场违约风险仍将持续暴露。基于机器学习算法的债券违约研究及商业化模型将为企业、投资者和监管机构提供识别债券违约风险的可靠技术支持。

远东研究·固收研究

2014年“11超日债”发生实质性违约，我国债券市场的“刚性兑付”由此打破。近年来，债券市场违约逐步呈现出常态化特征。在此背景下，探讨债券市场违约现状，分析违约概率模型构建，具有重要意义。

一、债券市场违约现状

自2014年至2023年，我国债券市场违约大致经历了三个阶段：2014年至2016年，债券市场违约风险初步暴露，违约金额与违约主体逐渐增多；2018年至2021年，违约风险集中暴露，2019年违约主体数增长至225家，违约金额增长至1579.02亿元，后续违约金额进一步增长，但违约主体数量有所下降；2022年至2023年，债市违约

形势有所缓和，违约金额与违约主体数大幅下降，2023年共50家违约主体，涉及的违约金额为298.47亿元。

违约金额(亿元) 违约主体(个;右轴)

2000

1800

1600

1400

1200

1000

800

600

400

200

0

2014 2015 2016 2017 2018 2019 2020 2021 2022 2023

250

200

150

100

50

0

图1：2014年至2023年境内债券市场违约金额与违约主体数资料来源：DM查债通，

注：违约债券中剔除了资产支持证券（ABS）与资产支持票据（ABN），同时展期债券不计入违约债券范围内。

从债券类型来看，违约债券多为公司债与中期票据。自2014年至2023年，478只公司债发生违约，违约金额总计3494.78亿元，占比43%。286只中期票据发生违约，累计违约金额2351.75，占比约29%。定向工具、超短期融资券、短期融资券与企业债的违约债券数量相对较少，违约金额占比均在10%以下。另有少量违约债券属于可交换债券、可转债、集合票据、集合债。

企业债

企业债

4.01

短期融资券

5.47

可交换债券

1.83

集合债

0.01

可转债

0.00

集合票据

0.01

超短期融资券

6.77

定向工具

10.41

公司债

42.73

中期票据

28.76

图2：2014年至2023年违约债券类型分布（以违约金额计算）资料来源：DM查债通，

未按时兑付本金触