人工智能在信用評級中的應用

楊濤 鄒凱琳

摘要：近年來，伴隨著國家人工智能政策的逐步落實，各項人工智能技術快速落地，人工智能技術正逐漸成為主流，這也標志著人工智能技術開啟了一個創新的新紀元。信用評級作為防范、化解金融市場風險中重要的一部分，在人工智能的發展中迎來一個新的契機。本文將從人工智能在信用評級中的促進作用開始分析，介紹人工智能在信用評級中的應用路徑和具體應用，最后再對人工智能在信用評級中的應用發展提出相關建議。

關鍵詞：信用評級;人工智能;信用風險;金融市場風險

中圖分類號：F831??文獻識別碼：A??文章編號：

2096-3157（2020）16-0160-03

隨著社會的發展和技術的進步，人工智能技術已經成為技術創新中重要的一部分。在我國，人工智能領域的相關研究得到了黨和國家的高度重視。十八大以來，2015年～2017年我國發布了《中國制造2025》《國民經濟和社會發展第十三個五年規劃綱要》《“互聯網+”人工智能三年行動實施方案》《“十三五”國家科技創新規劃》《新一代人工智能發展規劃》等一系列政策，人工智能發展被提升到國家戰略高度，這標志著我國人工智能變革與創新的新時代即將到來。

在信用評級領域，人工智能技術的引進優化了原有的信用評級流程，使得信用評級可以從繁瑣的數據處理工作中分離出來，進而專注于研究和分析影響企業違約的非財務因素。

在過往的模型分析中，信用評級注重對財務數據等因素的分析，但忽略了各類信用短板因素的致命影響，導致了信用評級結果的真實性失真和前瞻性預測不足等問題，極大程度限制了對企業信用風險的揭示效果。但有了人工智能技術的加持，信用評級在原先的財務數據處理和分析上可以更加精準，同時還可以讓信用評級的從業人員投入更多的精力在企業非財務數據的指標上，使得信用評級可以刻畫出企業的真實信用畫像。

一、信用評級的發展現狀

信用評級（Credit Rating）即資信評級，指由信用評級機構對評級主體的信用風險進行度量分析，就其償還債務的能力及償還意愿進行綜合評價，并且用標準的信用評級符號表示的信用評價過程。

信用評級的發展最早可以追溯至1966年Beaver提出的單變量預測企業違約模型。之后Altman（1968）的Z-Score模型以及Ohlson（1980）的Logit模型都是信用風險度量和信用評級領域里里程碑式的研究結果。隨著1993年基于Merton模型的KMV模型開發后，信用風險度量在商業領域得到了廣泛的應用。在1997年～1998年的短暫2年時間里，CreditMetrics（1997）、CreditRisk等（1997）及Credit Portfolio View（1998）針對投資組合的信用風險度量模型相繼面世。正是因為上述信用風險度量模型的建立，讓信用評級從最初的打分卡模型演變至如今重視數據處理的技術路徑。但近年來，隨著企業違約和債券違約等事件的時有發生，業界開始思考企業信用評級中數據處理的真實性、有效性問題和企業信用狀況對于信用評級的影響。

二、人工智能對信用評級的促進作用

如今，人工智能技術在諸多領域都得到了廣泛的應用，使得這些領域在技術上實現了創新并大幅度提高了工作的效能。在信用評級領域引入人工智能技術，對信用評級工作有極大的裨益。人工智能對緩解信用評級中人才緊缺的問題、提高信用評級的質量和實現多維度信用評級等方面有顯著幫助，將會帶來信用評級的新一輪戰略思想升級。

1緩解信用評級中人才緊缺的問題

信用評級對于企業信用風險的控制和轉移有著重要的作用，信用評級的缺失可能會導致金融市場的紊亂和進一步的惡性影響。信用評級的工作十分重要，但進行信用評級的主體——人才，卻有著巨大的缺口。國家商務部2013年上半年數據公布顯示，在今后5年內，我國將至少需要50萬名信用管理經理，200萬名信用管理人員。早在2005年3月，原國家勞動和社會保障部就將信用管理師列為第三批新職業之一，在國家職業序列中屬于高技能人才中知識技能型人才。由以上數據可得，我國現在的信用管理人才供給遠小于需求。

在這樣的人才數量背景下，人工智能技術在信用評級中的應用迫在眉睫。通過引進人工智能技術，可以將許多常規性的信用評級任務交由人工智能完成，如信用檔案的建立、信用數據的篩選和初步分析、出具評級報告等工作，極大程度降低了對于信用評級基礎人才的需求，暫時有效緩解了信用評級中的人才缺口問題。

2提高信用評級的質量

專業的信用評級離不開有效的信用風險度量模型分析，而人工智能在信用風險度量模型中的應用可以達到錦上添花的效果，大幅度提高評級的質量和效率。如上文中提及的信用風險度量模型——KMV模型，其模型構建的原理易于理解，但數學處理運算較為繁瑣和復雜。如果人工計算的話，則要耗費過多的時間，但人工智能的強項就在于數據的處理和計算，有了人工智能的運用，信用風險計算結果的準確度就可以大幅度提升，進而提高信用評級的質量和處理的效率。

3實現多維度信用評級

（1）償還意愿對信用評級的影響。信用評級的目的是為了判斷評級的主體未來會不會違約，而主體違約的可能性有兩個，一是沒有償還債務的能力，二是沒有償還的意愿。過往的信用評級更多停留在對于前者的評估，即從各項財務指標去分析主體違約的可能性。但這種情況下的信用評級是片面的，因為忽略了主體的償還意愿。如在美國2008年的次貸危機中，部分有經濟實力的購房者理性違約不償還房貸，就是因為房子的價值已經低于房貸的價格，為了維護自己的利益則選擇理性違約。因此，在進行信用評級時要考慮到主體的償還意愿。

（2）小概率事件對信用評級的影響。傳統的信用評級忽視了小概率事件對信用評級的影響。但往往小概率事件是最容易導致主體違約的情況，如2008年國際金融危機中，當時處于高信用等級的雷曼兄弟和通用集團都相繼破產清算;2020年的全球新冠肺炎疫情，使得全球的經濟都受到了影響，導致無數中小型企業難以度過這個“寒冬”，許多大企業也面臨著裁員的壓力。所以從以上事件看出，這些小概率的黑天鵝事件極有可能成為導致評級主體違約的罪魁禍首，但現行的信用評級卻忽視了這一重大影響。

上文提到的償還意愿和小概率事件對于信用評級的影響，均要求信用評級不僅要進行定量分析（財務因素），還要進行定性分析（非財務因素），兩者的結合才能呈現出評級主體真實的信用評級。

信用評級過程中有了人工智能的加持，信用評級從業人員在定量分析時如虎添翼，并且可以騰出大量的時間和精力去進行定性分析，深入挖掘各項可能性對于信用評級的影響。在這樣的資源調配下，信用評級從單一的財務分析維度躍升到了多維的信用評級，使得信用評級的結果更加客觀和真實。

三、人工智能在信用評級中的應用路徑

基于人工智能運算強、迭代快、結構化等特點，人工智能在信用評級中的應用可以使用動態LEAD模型作為應用路徑。LEAD模型是指L（Listen）、E（Experience）、A（Analysis）、D（Do），而動態LEAD模型是指人工智能在信用評級中的應用不是靜態的，而是動態的。根據人工智能的特性，動態循環LEAD四個步驟，在操作過程中不斷升級和優化整個運算方式。

1聽取任務（Listen）

企業員工在正式做事情之前，很重要的一點就是要學會聽取上級對自己下發的任務。懂得傾聽上級任務的員工，做事往往會更加高效并且有目的性。人工智能也不例外，在做具體的信用評級工作之前，人工智能應該聽取信用評級人員下發的任務，如提取數據、篩選數據、建模、分析等。這就要求信用評級的人員應當把信用評級的任務拆解，變成人工智能可以讀取的一個又一個小任務。通過人工智能不斷去完成小任務，來達到最終的評級目的。

2提取經驗（Experience）

人工智能在聽取了任務后，應該根據過往的任務特點去提取經驗，找到適合的處理方法，即在任務數據庫中找到成功率較高并且當前數據可支持運算處理的可行辦法。例如，在聽取任務后，先歸納這個任務屬于什么類型，是企業評級、股票評級、債券評級，還是個人評級，等，然后根據具體的類型選擇合適的信用風險度量模型：Z-Score模型、打分卡模型、KMV模型、CreditMetrics等。由于不同的主體應用到的信用風險度量方法都有所差異，每次可使用的數據類型也不相同，并且使用錯誤的方法進行評估可能會導致評級結果的失真，因此人工智能在進行信用評級前的提取經驗步驟就顯得十分重要。

3分析拆解（Analysis）

經過以上的步驟，人工智能已經了解下發的評級任務，并且根據任務的特性提取了相關的經驗，接下來將進行評級任務的深入分析和拆解。對于信用評級而言，最重要的是根據最新的信息和情況進行分析。因為過往的經歷放在現在并不能成立，所以人工智能應該結合評級人員的意見對評級任務進一步的分析和拆解，構建符合任務情景的信用評級模型。

4演算與修訂（Do）

構建信用評級模型后，將進行多次嚴密的計算。人工智能在這一步驟中可以完全發揮出其性能和實力，這也是信用評級人員模擬演算的重要補充。在進行模型運算的時候可能會出現意外的情況，因此在運算之前要做壓力測試，提前對情況有個初步的預估。遇到緊急情況時，要積極地去檢查模型代碼、運算方式等可能導致錯誤的情況。在運算的過程中，需要不斷調整和修訂計算的邏輯;并在結束運算后，多次核算校對計算出的數值，確保數據的真實性。

四、信用評級中人工智能的具體應用

1AI信用檔案助手

信用檔案的建立是信用評級工作中最基礎，也是最重要的一個步驟。如果評級主體沒有在評級機構建立檔案，則很難保證其評級的可持續性和有效性。而在常規性文字工作的處理上，人工智能有著得天獨厚的優勢?，F如今，政府的部分文員工作已可以通過人工智能完成，極大程度降低了人力成本，并提高了工作效率。在信用檔案中，人工智能可以智能識別評級主體提交給評級機構的介紹信息，并根據對應的內容如實記錄在信用檔案內，全程數據化操作，方便信用評級人員查詢和修改相關數據。同時，借助AI信用檔案助手的語音對話功能，還可以實現對評級主體詢問所需要的內容，保證信用檔案內容的完整性。

2AI多維信用評級

傳統的信用評級對短期表象指標依賴度高，關鍵信息獲取滯后，無法全面建立評級主體的信用評級。借助人工智能的技術，信用評級人員可以做到定性分析和定量分析相結合，進行多維度的信用評級。其中，評級人員專注于定性分析，從宏觀環境、違約可能性和違約意愿等多層面去分析評級主體的信用狀況，再借助人工智能的算力去量化各個定性指標。人工智能負責定量分析，使用動態LEAD模型應用路徑，在信用評級人員的協助下，根據具體的情景，結合已有的模型框架，構建和優化評級模型，再使用現有的數據不斷演算和修正計算結果。通過人工智能和信用評級人員的各司其職，完成多維的AI信用評級。

3AI評級云更新

在以前的信用評級模式中，信用評級報告是靜態的，即評級機構在出具評級報告后基本不會再做出大的修改，除非到了下一次需要重新評定的時候才會按照流程重新評估一下主體的信用狀況。人工智能技術在信用評級中的應用，可以提供一種全新的動態報告呈現方式——云更新。人工智能可以根據宏觀大環境的影響、主體經營條件的變化、資信報告的變化等因素動態修訂主體的信用評級等級，做到實時更新、實時校對，讓信用評級報告從靜態變成動態，降低主體與受眾之間的信息不對稱。

五、信用評級中人工智能應用發展的建議

1加大人工智能的研發力度

人工智能是一個可以快速迭代的技術，因此要在實際的應用場景中不斷優化算法，提高操作的穩定性;充分發揮人工智能技術的可復制性，在可能的場景中對人工智能技術進行試點研究;并加強對人工智能的基礎設施、技術架構和運行機制的探索。在實際的研發過程中，要注重與信用評級工作的特點相結合，研發出適合信用評級工作的算法和操作流程。

2注重對數據的隱私保護

信用評級行業和其他行業相比，對于數據的隱私保護更加地注重。因為大部分的數據都是評級主體的重要、關鍵數據，一旦發生數據泄露問題，則會導致評級主體嚴重的數據危機、評級機構的信任危機。因此在應用人工智能技術時，一定要制定數據安全標準，把數據安全置于最重要的高度。操作風險不可控的情況下要離網獨自運行測試，在確保數據安全的情況才能大批量的聯網測試，并在測試的過程中做好數據備份、數據恢復、數據銷毀等有關保障數據安全的準備。

3加強對人工智能的監管

人工智能在信用評級中的使用屬于程序化應用?；诔绦蚧瘧玫奶匦?，在實際的信用評級過程中可能會引起程序性錯誤和穩定性錯誤。程序性錯誤是指由于程序代碼出錯導致的錯誤;穩定性錯誤是指算法是基于歷史的規律研發的，但是歷史策略在未來不一定有效，因此當遭遇小概率事件時容易導致錯誤。這兩個錯誤是發展人工智能技術不可避免的問題，但只要加強對人工智能技術的監管并進行穩定性測試、壓力測試等綜合測試，就能將損失控制在一定范圍內。因此，在發展人工智能技術的同時，也要加強對人工智能的監管。

六、結語

自第一次工業革命以來，社會已經經歷了三次重大的變革。如今人工智能技術的發展和盛行，有可能會引領未來變革的潮流。短期來看，人工智能的應用還處于初級階段，還存在很多不完善的地方。但從長期來看，人工智能技術隨著國家政策的進一步落地和技術層面的進步，未來一定會有更加廣闊的發展空間。

信用評級作為金融市場中重要的組成部分，應該和人工智能技術緊密聯系、結合兩者的優勢，發揮出更大的效能。在未來，借助人工智能，信用評級將會變得更加科學、更加規范，更加能反映出評級主體的真實信用狀況。

參考文獻：

[1]陳濤，冉龍亞，明承瀚政務服務的人工智能應用研究[J].電子政務，2018，（03）：22～30

[2]楊劍濤商業銀行信貸風險的貸前控制[D].對外經濟貿易大學，2006

[3]林正平信用評級原理與實務[M].北京：中央廣播電視大學出版社，2010，（03）

[4]時文朝非金融企業債務融資工具規則解析[D].中國金融出版社，2010，（12）

[5]馮光花，等信用評級原理與實務[M]北京：中國金融出版社，2019

[6]姚春生，鄭淑惠信用管理師國家職業資格認證正式啟動[J].中國就業，2006，（06）：59～59

[7]A Fast Learning Algorithm for Deep Belief Nets[J].Geoffrey E. Hinton，Simon Osindero，Yee-Whye Teh. Neural Computation . 2006，（7）.

[8]魏路.人工智能產業該如何應用與落地？[J].華東科技，2019，（01）.

[9]朱民.人工智能是科技的最終未來[J].中國總會計師，2019，（04）.

[10]鄒昆侖，陸萍.基于Z模型對中國企業債信用評級的實證研究[J].宏觀經濟研究，2018，（05）.

作者簡介：

1.

楊濤，北京理工大學珠海學院學生。

2.鄒凱琳，北京理工大學珠海學院學生。