20260613-光大证券-_固收_一个预测转债评级下调的深度学习模型_量化学习笔记之四_张旭_2页_273kb

固收领域转债评级下调预测模型分析总结

核心内容概述

本报告提出了一种基于深度学习的三维转债评级下调预警模型，旨在通过量化分析手段，提升对可转债信用风险事件的预测能力。报告结合了可转债发行主体特征、财务风险指标及市场定价表现等多个维度，构建了一个神经网络分类模型，以预测未来季度内可转债是否会发生评级下调。

主要观点

• 信用风险上升：近年来，随着可转债市场扩容和发行人结构多元化，信用风险事件显著增加。2020年至2026年5月期间，共发生248起评级下调事件，涉及103家发行人，其中民营企业占比高达87%。
• 下调原因分类：通过对评级报告文本的分析，可将评级下调原因归纳为以下五类：外部因素、经营压力、流动性压力、偿债压力和公司治理问题。
• 模型构建与预测目标：模型选取了30个因子作为输入变量，预测目标为可转债在下个季度是否发生评级下调。模型输出下调和未下调的概率，若下调概率高于50%，则发出预警。
• 三维预警模型设计：模型通过调整损失函数中的类别权重 $\theta$，构建了三种风险偏好导向的预警模型：
  • 稳健型（$\theta = 10$）：强调准确率，减少误报，适合稳健型投资者。
  • 平衡型（$\theta = 25$）：在准确率与预警数量之间取得平衡，适合中等风险偏好的投资者。
  • 激进型（$\theta = 50$）：倾向于高召回率，即使存在误报也优先避免漏报，适合风险容忍度低的投资者。

关键信息

模型表现（2023-2025年测试集）

模型预测结果（2026年2季度）

• 截至2026年5月末，2026年共计发生13起评级下调事件，剔除重复记录后为11条。
• 稳健型模型正确预测9条，召回率为81.82%。
• 平衡型模型正确预测10条，召回率为90.91%。
• 激进型模型正确预测11条，召回率为100.00%。
• 三个模型分别对22支、51支和80支转债发出评级下调预警。

模型应用与风险提示

• 模型适用性：三种模型可满足不同风险偏好的投资者需求，从稳健到激进，投资者可根据自身风险承受能力选择适合的模型。
• 风险提示：
  • 模型预测存在误差。
  • 存在过拟合或欠拟合的风险。
  • 模型基于历史数据训练，可能存在未来失效的风险。

结论

本报告通过深度学习方法，构建了一个具有风险偏好导向的转债评级下调预警模型，为投资者提供了更精准的信用风险预警工具。模型在多个测试集上表现良好，召回率随着 $\theta$ 的增加而提升，但精确率相应下降。投资者可根据自身需求选择模型类型，以更好地应对可转债市场中的信用风险。