商業銀行信用類債券投資業務審計方法的探索
——基于信用風險的研究

文| 周培源

引言

我國債券市場發展迅猛，債券市場品種、發債數量、發債規模等均在不斷豐富及擴大，信用類債券已經成為商業銀行金融市場業務的重點資產配置對象。但近年來我國信用債劵市場違約風險案件頻發，違約數量、違約規模均呈現爆發式增長。作為商業銀行內部審計，對信用類債券的風險揭示也成為重點與難點。既往審計主要依托公開市場信息及外部第三方評級機構的評級結果，但第三方評級結果的有效性也因大公國際負面信息曝光而受到了質疑。基于此，本文站在內審角度通過模型化監控并弱化對外部評級結果的依賴，揭示信用債風險的可行性。

模型設計及構建

從國內外研究結果看，信用債違約的因素主要從宏觀市場、企業微觀指標、企業所處行業等多個方面進行分析研究。對比過往研究涉及的信用違約風險判別模型，Logistic模型由于其無需要求樣本正太分布，且相較于Z分模型、KVM等模型預測效果較好等原因，因此本論文也使用Logistic模型進行分析。

樣本選取

截至2019年末，我國信用債違約數量已達300余支，涉及違約主體100余家，剔除無法獲取財務數據的發行主體后，最終得到發生違約債券共60支，同時從全部正常兌付的債券中選取276支形成最終樣本，總計336支。該樣本拆分兩個數據組：建模數據組（違約信用債29支、未違約信用債143支）及檢驗數據組（違約信用債31支、未違約信用債133支）。

模型構建

本文選取二分類變量的Logistic模型建立信用類債券的違約風險度量模型，模型中P值（0

指標選取

本文主要選取債券發行人公開可及的財務信息、指標及與企業經營相關的宏觀經濟數據、行業數據，具體指標詳見：成分得分系數矩陣表。

實證分析

因子分析

因指標數量較多且各指標可能存在相關關系，如直接代入模型進行回歸分析可能會嚴重影響系數取值，模型準確性也會受到較大影響，因此本文進行歸回分析前先對已選取的指標進行清洗，使指標數量能降低至合理水平并剔除指標間的相關性。為尋找公因子的典型代表變量同時為因子賦予實際經濟含義，本文通過方差最大法正交旋轉因子增加差距，使其更具有優勢。

成份得分系數矩陣成份1 2 3 4 5 6 7速動比率(X1) -.004 .115 -.284 -.049 .071 -.010 -.100流動比率(X2) -.013 .101 -.331 -.039 .065 .030 -.073有形資產比負債(X3) -.093 .353 .037 .049 -.001 .058 .075產權比率(X4) -.288 .030 .037 .046 .087 .022 .038資產負債率(X5) -.024 -.284 -.106 .055 .059 .006 .040有形資產比總資產(X6) -.072 .353 .083 .069 .007 .074 .106流動負債比負債合計(X7) -.068 -.006 -.092 -.019 -.075 .550 .264凈資產收益率(X8) .328 -.065 -.045 -.004 -.020 -.019 -.024總資產報酬率(X9) .274 -.071 .039 -.050 .039 .002 -.128銷售凈利率(X10) .286 -.036 -.013 .042 .020 -.017 .292總資產周轉率(X11) .029 .077 .056 -.052 .069 .492 -.138應收賬款周轉率(X12) -.032 -.023 -.113 .539 .020 -.022 .111流動資產周轉率(X13) .010 .137 .346 .040 .031 .187 -.162存貨周轉率(X14) -.022 .074 .158 .456 .003 -.054 .003銷售商品提供勞務收到的現金比營業收入(X15)-.006 .049 .035 .060 .001 .064 .751經營性現金凈流量比營業總收入(X16)-.040 .099 .401 -.224 .052 -.274 .069 GDP增長率(X17) -.003 .024 .083 -.060 -.539 .015 .059居民消費價格指數(X18) -.030 .017 .031 -.037 .520 .008 .047提取方法：主成份。旋轉法：具有Kaiser 標準化的正交旋轉法。

二元Logistic回歸分析

將主成分分析求出的因子作為自變量，債券是否違約作為因變量，構建二元Logistic回歸模型，通過二元logistic回歸模型分析，得出方程中變量，并得出信用債違約判定模型為：

模型有效性檢驗

為檢驗模型有效性，將檢驗組數據代入模型，得出結果如下：

觀察值 是否違約 正確百分比0 1是否違約 0 126 7 94.7 1 9 22 66.7整體百分比 89.2

從驗證結果來看，模型準確率高于89%，說明該模型具有良好的違約風險判定能力。

結論與應用

1.本文基于因子分析與Logistic模型，建立信用債違約風險評估模型，對企業信用債違約進行風險評估，模型在建模組樣本和檢驗組樣本中的判別正確率均高于85%，對于商業銀行在信用類債券投資業務審計時根據企業微觀信息與宏觀信息有效識別債券的違約風險具有積極的參考意義。

2.開展信用類債券投資審計時，可以對投資標的通過模型進行初步判斷，提升審計針對性，加強審計準確性，保證整體審計風險可控。同時在對信用類債券投資風險管理管理的評價上也可以通過調整個別變量來判斷內控措施的有效性。

3.把Logistic模型分析方法納入信用類債券投資審計模型中，相關數據的獲取與信貸系統、風險管理等系統對接，甚至可以通過第三方數據進行收集，定期、不定期對存量信用債風險狀態進行審計監督。該監督不僅在微觀層面可以識別個債風險狀態，更可以宏觀上判斷對信用債的風險投資偏好是否符合預期，為相關審計立項提供依據。

4.可以把Logistic模型分析方法在非現場審計系統中進行推廣。目前審計系統中除了接入第三方預警數據外，主要的審計模型邏輯均依靠客戶流水，對風險監測的維度過于單一和集中。實踐中，通過流水判斷分析的有效性也在逐漸降低，因此引入統計模型分析可以作為新的審計模型開發的來源，對內外部數據進行有效的整合，進一步提升審計模型的準確性和針對性。