基于推理大模型與知識(shí)圖譜構(gòu)建信用債券數(shù)智化分析新范式

摘要：受知識(shí)圖譜、大語(yǔ)言模型等前沿人工智能（AI）技術(shù)的影響，信用債券的信用分析范式正在發(fā)生巨大變革。相較于高成本且閉源的GPT4.0模型，以深度求索（DeepSeek）為代表的前沿低成本、高效能推理大模型，為大規(guī)模應(yīng)用AI開(kāi)展信用分析提供了可能。本文梳理了信用債券分析數(shù)智化的發(fā)展趨勢(shì)，并通過(guò)實(shí)踐研究，論證了推理大模型和知識(shí)圖譜技術(shù)在信用債券分析領(lǐng)域的應(yīng)用潛力。

關(guān)鍵詞：推理大模型 信用債券分析 知識(shí)圖譜

信用債券分析數(shù)智化發(fā)展概況

信用債券分析的數(shù)智化發(fā)展主要?dú)v經(jīng)了三階段：一是以財(cái)務(wù)比率分析為代表的傳統(tǒng)評(píng)估框架（Altman，1968），二是由結(jié)構(gòu)化模型與連接（Copula）方法奠定的現(xiàn)代信用組合分析體系（Merton，1974；Treacy et al.，2000），三是當(dāng)前基于機(jī)器學(xué)習(xí)的智能評(píng)估體系。近年來(lái)，以機(jī)器學(xué)習(xí)為代表的人工智能（AI）技術(shù)取得突破性進(jìn)展，并在識(shí)別信用風(fēng)險(xiǎn)非線性特征方面表現(xiàn)卓越。基于這種優(yōu)勢(shì)，眾多國(guó)內(nèi)金融機(jī)構(gòu)積極采取行動(dòng)，已系統(tǒng)性地部署機(jī)器學(xué)習(xí)模型群組，挖掘個(gè)人及中小企業(yè)客戶的海量信用數(shù)據(jù)，構(gòu)建多維度特征工程，實(shí)現(xiàn)了信用畫(huà)像顆粒度與預(yù)測(cè)精度的顯著提升（徐勁等，2022）。

當(dāng)前，金融機(jī)構(gòu)在將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于信用債券分析時(shí)面臨一定的困難：其一，標(biāo)的資產(chǎn)集中于大型企業(yè)集團(tuán)，單筆大金額形成的風(fēng)險(xiǎn)高集中度與機(jī)器學(xué)習(xí)依賴的大數(shù)定律存在根本沖突；其二，集團(tuán)化經(jīng)營(yíng)衍生的復(fù)雜股權(quán)嵌套和差異化的業(yè)務(wù)范圍顯著增加了企業(yè)異質(zhì)性，導(dǎo)致模型在特征工程階段面臨跨主體可比維度缺失問(wèn)題；其三，市場(chǎng)主體數(shù)量較少導(dǎo)致訓(xùn)練樣本規(guī)模不足，可能引發(fā)共線性或過(guò)擬合問(wèn)題。盡管如此，AI技術(shù)在信用債券分析領(lǐng)域仍然有巨大的應(yīng)用潛力，但需要構(gòu)建更具有針對(duì)性的應(yīng)用

范式。

當(dāng)前，以大語(yǔ)言模型（Large Language Model，LLM）為代表的生成式人工智能領(lǐng)域取得了一系列突破，發(fā)展出具備推理能力的大語(yǔ)言模型（Reasoning LLM，以下簡(jiǎn)稱“推理大模型”）技術(shù)和基于知識(shí)圖譜的檢索增強(qiáng)生成技術(shù)（graph based retrieval-augmented generation，GraphRAG），為信用債券分析提供了一種切實(shí)可行的數(shù)智化范式。

信用債券分析數(shù)智化發(fā)展趨勢(shì)

（一）研究方法：從定量主導(dǎo)向混合方法轉(zhuǎn)型

在信用債券分析中，傳統(tǒng)的信用評(píng)級(jí)模型過(guò)度依賴財(cái)務(wù)指標(biāo)等結(jié)構(gòu)化數(shù)據(jù) （Blume et al.，1998），其可能因方法論存在問(wèn)題而導(dǎo)致結(jié)果錯(cuò)誤，即存在“定量陷阱”（王正緒等，2023）。與此同時(shí)，定性因素發(fā)揮著愈加重要的作用，如社會(huì)評(píng)價(jià)、政府關(guān)系、融資支持力度等，已成為衡量信用還款能力的重要因素。鑒于此，信用分析師通常會(huì)在定量模型的基礎(chǔ)上，依據(jù)定性因素進(jìn)行調(diào)整（Bozanic et al.，2023），將行業(yè)政策、政府支持力度等難以量化的定性因素考慮在內(nèi)。過(guò)去，評(píng)估這些定性因素極度依賴分析師的個(gè)人知識(shí)儲(chǔ)備和從業(yè)經(jīng)驗(yàn)，而大語(yǔ)言模型的蓬勃發(fā)展帶來(lái)了新的可能，投資機(jī)構(gòu)可以通過(guò)模型微調(diào)或簡(jiǎn)單的上下文學(xué)習(xí)（In-Context Learning），將這些知識(shí)和經(jīng)驗(yàn)融入信用分析模型，從而實(shí)現(xiàn)定性分析的自動(dòng)化和標(biāo)準(zhǔn)化。

（二）評(píng)估體系：從結(jié)果輸出到過(guò)程透明

基于傳統(tǒng)機(jī)器學(xué)習(xí)的評(píng)估體系在研究方法上側(cè)重于分類或回歸，即通過(guò)大數(shù)據(jù)構(gòu)建監(jiān)督學(xué)習(xí)模型，直接依據(jù)數(shù)據(jù)結(jié)果對(duì)企業(yè)信用狀況予以分級(jí)、給出違約概率。然而，這樣的方法缺乏可解釋性，且存在弊端：一方面，風(fēng)險(xiǎn)歸因缺失，導(dǎo)致無(wú)法判別特定風(fēng)險(xiǎn)因子對(duì)評(píng)級(jí)結(jié)果的邊際貢獻(xiàn)；另一方面，決策支持?jǐn)鄬樱瑢?dǎo)致難以將模型的輸出轉(zhuǎn)換為可操作的避險(xiǎn)策略。相比而言，推理大模型具備顯著的優(yōu)勢(shì)。一方面，推理大模型能夠以自然語(yǔ)言輸出分析結(jié)果，具備可讀性和可解釋性；另一方面，深度推理大模型能夠給出推理過(guò)程，分析步驟清晰透明，有助于投資者依據(jù)推理過(guò)程進(jìn)行風(fēng)險(xiǎn)歸因，為投資決策提供有力支持。

（三）數(shù)據(jù)架構(gòu)：從結(jié)構(gòu)化向多維度整合

信用債券分析面臨多源異構(gòu)數(shù)據(jù)的整合困境，傳統(tǒng)模型依賴結(jié)構(gòu)化數(shù)據(jù)建模的局限性日益凸顯。除了財(cái)務(wù)數(shù)據(jù)，發(fā)債企業(yè)的信用風(fēng)險(xiǎn)評(píng)估還需要整合文本、時(shí)空、關(guān)系等多維度數(shù)據(jù)特征。其中，文本維度包括募集說(shuō)明書(shū)、評(píng)級(jí)報(bào)告等非結(jié)構(gòu)化文檔及輿情信息，時(shí)空維度包括供應(yīng)鏈地理數(shù)據(jù)與區(qū)域經(jīng)濟(jì)熱力圖等信息，關(guān)系維度涉及股權(quán)穿透網(wǎng)絡(luò)、業(yè)務(wù)往來(lái)與債務(wù)擔(dān)保關(guān)聯(lián)圖譜等內(nèi)容。當(dāng)前，圖數(shù)據(jù)庫(kù)和知識(shí)圖譜技術(shù)日臻成熟，其天然適配此類數(shù)據(jù)的構(gòu)建和分析。GraphRAG技術(shù)為知識(shí)圖譜與推理大模型搭建了橋梁，使得投資機(jī)構(gòu)既能通過(guò)知識(shí)圖譜緩解推理大模型的幻覺(jué)問(wèn)題（hallucination，即模型輸出不準(zhǔn)確或完全錯(cuò)誤的信息），又能夠借助推理大模型大幅降低知識(shí)圖譜的使用成本和難度。

（四）技術(shù)應(yīng)用：從人機(jī)分治到人機(jī)協(xié)同

在進(jìn)行傳統(tǒng)信用債券分析時(shí)，基于復(fù)雜模型的信用評(píng)級(jí)過(guò)程與分析師的分析過(guò)程往往并行推進(jìn)。由模型得到的結(jié)果通常起防范風(fēng)險(xiǎn)的作用，分析師的結(jié)論起體現(xiàn)風(fēng)險(xiǎn)偏好的作用，在最終投資決策時(shí)，二者相互融合、相互制約。這種人機(jī)分治的模式使得分析師難以理解模型結(jié)論，也使得模型無(wú)法快速響應(yīng)市場(chǎng)變化。此外，分析師技能的提升取決于其對(duì)固定收益市場(chǎng)的理解程度及對(duì)發(fā)債企業(yè)認(rèn)識(shí)的深度，模型精度的提升依賴于數(shù)據(jù)的拓展和模型的優(yōu)化，但兩者之間亦難以相互學(xué)習(xí)。在大語(yǔ)言模型的助力下，投資機(jī)構(gòu)可以構(gòu)建具備自主性、適應(yīng)性和交互能力的信用債券分析AI智能體。AI智能體能夠迅速學(xué)習(xí)人類經(jīng)驗(yàn)并校正分析結(jié)果，還能夠向分析師輸出自身的分析經(jīng)驗(yàn)，從而實(shí)現(xiàn)人機(jī)協(xié)同開(kāi)展信用債券分析。

基于推理大模型和知識(shí)圖譜構(gòu)建信用債券分析AI智能體的實(shí)踐方案

AI智能體是大模型發(fā)揮業(yè)務(wù)價(jià)值的重要載體，除了存儲(chǔ)信息的知識(shí)庫(kù)，通常還包括4個(gè)模塊：一是感知模塊，負(fù)責(zé)讀取和收集相關(guān)數(shù)據(jù)；二是決策模塊，作為智能體的中樞，自主規(guī)劃各類任務(wù)，依據(jù)數(shù)據(jù)進(jìn)行決策判斷，確定下一步執(zhí)行方案；三是執(zhí)行模塊，落實(shí)決策模塊提出的操作要求，比如運(yùn)用搜索工具進(jìn)行計(jì)算等；四是學(xué)習(xí)模塊，依據(jù)外界變化或與外界的交互來(lái)調(diào)整規(guī)劃方案，優(yōu)化相關(guān)決策。

信用債券分析AI智能體契合信用債券分析的數(shù)智化發(fā)展趨勢(shì)，能夠通過(guò)多種技術(shù)組合提升生產(chǎn)效能。本文基于推理大模型和知識(shí)圖譜技術(shù)展開(kāi)實(shí)踐，圍繞發(fā)債企業(yè)構(gòu)建了信用債券分析AI智能體。

（一）感知模塊——構(gòu)建知識(shí)圖譜

2024年7月，微軟公司推出基于大語(yǔ)言模型的知識(shí)圖譜生成與檢索框架。該框架由大語(yǔ)言模型閱讀文字資料，抽取每段文字中所涉及的三元素（實(shí)體、屬性和關(guān)系），并對(duì)三元素加以描述，從而生成知識(shí)圖譜。其中，文字抽取環(huán)節(jié)對(duì)模型的邏輯性有極高要求，中小模型難以承擔(dān)，必須依靠千億參數(shù)以上的超大模型。該環(huán)節(jié)主要致力于處理大量同質(zhì)化任務(wù)，要求結(jié)果具有一致性和準(zhǔn)確性，不過(guò)任務(wù)相對(duì)簡(jiǎn)易，暫不需要推理大模型參與。

在實(shí)踐中，筆者運(yùn)用深度求索V3（DeepSeek-V3）模型來(lái)閱讀發(fā)債企業(yè)的募集說(shuō)明書(shū)、評(píng)級(jí)報(bào)告、關(guān)聯(lián)企業(yè)工商信息、風(fēng)險(xiǎn)輿情等材料信息，生成發(fā)債企業(yè)的知識(shí)圖譜，并將地區(qū)經(jīng)濟(jì)、財(cái)務(wù)數(shù)據(jù)等結(jié)構(gòu)化數(shù)據(jù)注入知識(shí)圖譜，可構(gòu)建出一張能夠讓AI理解的全市場(chǎng)發(fā)債企業(yè)知識(shí)圖譜（見(jiàn)圖1）。同時(shí)，依據(jù)社區(qū)檢索算法（如Leiden算法）對(duì)發(fā)債企業(yè)和所有關(guān)聯(lián)企業(yè)、個(gè)人進(jìn)行多維度聚類，挖掘傳染性風(fēng)險(xiǎn)。在知識(shí)圖譜抽取過(guò)程中，一旦發(fā)現(xiàn)異常情況，感知模塊便會(huì)及時(shí)向決策模塊進(jìn)行報(bào)告。

筆者在圖譜構(gòu)建過(guò)程中，開(kāi)創(chuàng)性地融合了非結(jié)構(gòu)化數(shù)據(jù)與結(jié)構(gòu)化數(shù)據(jù)，并引入算法去重機(jī)制，進(jìn)一步提升了圖譜的知識(shí)密度，減少了多個(gè)圖譜的維護(hù)成本。在圖譜生成時(shí)，以協(xié)變量作為節(jié)點(diǎn)關(guān)系的輔助性事件記錄，可在不提升圖譜復(fù)雜度的情況下大幅提升圖譜的信息承載能力。當(dāng)前，得益于混合專家（Mixture of Experts，MoE）架構(gòu)大模型的低推理成本和圖譜結(jié)構(gòu)優(yōu)化，知識(shí)圖譜的構(gòu)建成本大幅降低。據(jù)測(cè)算，將2024年全部銀行間市場(chǎng)發(fā)行的信用債券1募集說(shuō)明書(shū)構(gòu)建成一張知識(shí)圖譜，總費(fèi)用只需要大約60萬(wàn)元。如進(jìn)行本地化部署后，所需開(kāi)銷(xiāo)會(huì)更低。

（二）決策模塊——規(guī)劃和反思

決策模塊的主要作用在于對(duì)感知模塊發(fā)現(xiàn)的風(fēng)險(xiǎn)進(jìn)行研判，利用信用分析框架定期更新企業(yè)信用評(píng)級(jí)和信用報(bào)告，同時(shí)回答分析師的提問(wèn)。上述功能皆為低頻、復(fù)雜且極具個(gè)性化的任務(wù)，AI需要將任務(wù)拆解為條理清晰的步驟依次執(zhí)行，每個(gè)執(zhí)行過(guò)程會(huì)涉及工具（如知識(shí)圖譜檢索工具、網(wǎng)絡(luò)搜索工具、計(jì)算工具）調(diào)用，在執(zhí)行遭遇問(wèn)題時(shí)要能夠自主解決問(wèn)題（如反思執(zhí)行方案、詢問(wèn)人類、跳過(guò)步驟）。

在推理大模型出現(xiàn)之前，業(yè)界通常采用思維樹(shù)（ToT）框架、語(yǔ)言代理樹(shù)搜索（LATS）框架來(lái)進(jìn)行任務(wù)拆解、執(zhí)行、評(píng)估，以增強(qiáng)普通大語(yǔ)言模型的規(guī)劃、反思能力。然而，由于搜索空間有限，此類方案只能在推理成本、響應(yīng)時(shí)效和決策效果三者之中擇其一。推理大模型的出現(xiàn)使得上述三者幾乎能夠同時(shí)兼顧。在實(shí)踐中，筆者以DeepSeek-R1模型作為智能體的決策模塊，對(duì)任務(wù)步驟進(jìn)行規(guī)劃、拆解，生成的系統(tǒng)性信用分析框架如圖2所示。

（三）執(zhí)行模塊——檢索知識(shí)圖譜

在執(zhí)行階段，最為重要的任務(wù)是響應(yīng)決策階段所提出的信息檢索需求，比如獲取發(fā)債企業(yè)財(cái)務(wù)指標(biāo)、掌握企業(yè)與政府之間的業(yè)務(wù)往來(lái)情況。此前在感知階段，已經(jīng)構(gòu)建了全市場(chǎng)一體化的發(fā)債企業(yè)知識(shí)圖譜，因此只需要大語(yǔ)言模型依據(jù)知識(shí)圖譜按圖索驥進(jìn)行檢索，便能準(zhǔn)確獲取企業(yè)的特定信息。執(zhí)行階段與感知階段相似，均為同質(zhì)化的單一任務(wù)。

得益于知識(shí)圖譜的高密度信息承載能力，在檢索知識(shí)圖譜時(shí)對(duì)算力的需求大大降低。此外，筆者在檢索過(guò)程中引入分級(jí)檢索機(jī)制，進(jìn)一步實(shí)現(xiàn)了節(jié)約算力、提升準(zhǔn)確率的效果。

（四）學(xué)習(xí)模塊——學(xué)習(xí)總結(jié)經(jīng)驗(yàn)

學(xué)習(xí)模塊包含兩部分功能：其一，對(duì)分析師已有的分析成果予以總結(jié)提煉，以供決策模塊參考；其二，對(duì)進(jìn)行信用分析時(shí)發(fā)現(xiàn)的異常情況，提煉出全新的分析視角和維度，經(jīng)分析師驗(yàn)證后供決策模塊參考。與決策模塊類似，學(xué)習(xí)模塊需要具備復(fù)雜的推理能力，適合以深度推理大模型作為基礎(chǔ)底座。在實(shí)踐中，筆者采用DeepSeek-R1模型閱讀了8個(gè)重要行業(yè)的313篇研究報(bào)告，形成的行業(yè)分析要點(diǎn)可供決策模塊參考。

未來(lái)展望

相比傳統(tǒng)信用債券分析方法，以推理大模型和知識(shí)圖譜為基礎(chǔ)的信用債券分析AI智能體在效率、成本、穩(wěn)定性等方面呈現(xiàn)顯著優(yōu)勢(shì)。其應(yīng)用普及，一方面能夠有效降低投資機(jī)構(gòu)信用評(píng)估成本，增強(qiáng)信用債券定價(jià)能力，提升交易決策水平；另一方面有助于金融機(jī)構(gòu)更加高效快捷地發(fā)掘優(yōu)質(zhì)客戶，拓展服務(wù)實(shí)體經(jīng)濟(jì)的深度和廣度。

以DeepSeek系列模型為代表的高性能、低成本開(kāi)源大語(yǔ)言模型的影響正不斷顯現(xiàn)，未來(lái)，相關(guān)創(chuàng)新也將優(yōu)化金融市場(chǎng)的數(shù)智化生態(tài)。特別是具備強(qiáng)大邏輯分析能力的推理大模型，有望在信用分析、投資決策等金融生產(chǎn)活動(dòng)中發(fā)揮重要作用。隨著大語(yǔ)言模型、多模態(tài)算法、知識(shí)圖譜等技術(shù)的持續(xù)迭代，AI在金融領(lǐng)域的作用將進(jìn)一步凸顯，并強(qiáng)化金融行業(yè)的價(jià)值發(fā)現(xiàn)功能，使逆向選擇成本大幅降低，從而最終降低全社會(huì)的融資成本，進(jìn)一步促進(jìn)金融資源的有效配置。

參考文獻(xiàn)

[1]王正緒，栗瀟遠(yuǎn). 實(shí)證社會(huì)科學(xué)研究中的因果推斷：挑戰(zhàn)與精進(jìn)[J]. 社會(huì)科學(xué)，2023（8）.

[2]徐勁，許皓瑋，葛善偉. 運(yùn)用機(jī)器學(xué)習(xí)強(qiáng)化銀行風(fēng)險(xiǎn)預(yù)警[J]. 中國(guó)金融，2022（2）.

[3] Altman E I. Financial Ratios， Discriminant Analysis and The Prediction of Corporate Bankruptcy[J]. Journal of Finance， 1968， 23（4）.

[4] Blume M E， Lim F， MacKinlay A C. The declining credit quality of US corporate debt： Myth or reality？[J]. The journal of finance， 1998， 53（4）.

[5] Bozanic Z， Kraft P， Tillet A. Qualitative disclosure and credit analysts' soft rating adjustments[J]. European Accounting Review， 2023， 32（4）.

[6] Ji S， Pan S， Cambria E， et al. A Survey on Knowledge Graphs： Representation， Acquisition， and Applications[J]. IEEE Transactions on Neural Networks and Learning Systems， 2021， 33（2）.

[7] Merton R C. On The Pricing of Corporate Debt： The Risk Structure of Interest Rates[J]. Journal of Finance， 1974， 29（2）.

[8] Treacy W F， Carey M. Credit Risk Rating Systems at Large US Banks[J]. Journal of Banking amp; Finance， 2000， 24（1-2）.