我们用星象产品里面的企业失信模型和破产模型测试了60家主体企业，发现高破产风险企业占比达85 7%，高失信风险企业占比为58 8%。
近期，股市、债市、P2P行业动荡不断，跌停、违约、曝雷是它们的常驻关键词。拯救信用！成为从中央到地方，从政府侧到市场侧，从银行端到企业端共同面临的主题。
背景
A股自年初见顶3587.03点后，一直呈悬崖跳水之势，中美贸易战之下，A股直接蒸发10万亿人民币。（新浪证券）
截止到7月18日，今年共有28只债券出现违约，除了沪华信为AAA级以外，其余违约债券均为AA+及以下评级。（搜狐财经）
从6月1日到7月12日，全国共有108家P2P平台曝雷，其中不乏国资、上市公司控股背景。（钛媒体）
另外，据财政部公布的数据，今年上半年地方政府借新还旧债券已经达到1341.56亿元，与前两年不到3000亿元的到期债务相比，2018年到期债务约8389亿元，此后几年更是超过1万亿元。
众融资机构所面临的“市场风险、道德风险、信用风险”达到了前所未有的高度。
于是，央妈坐不住了，隔空“喊话”财政爸爸：你的财政政策不积极，花钱不透明，管不住地方乱花钱，对国有金融的支持停留在表面，将财政风险转嫁给金融部门。财政爸爸不背“这口锅”，回击央妈：看不懂财政报表别乱说，你们的资产负债表伸缩尺度大，泡沫多，我们是真金白银，地方债务问题很大程度上是你们积极参与的结果。
事实上，以上所有“事故”都暗道出投融资市场的一个核心命题：“风险管理”。
7月19日，有媒体报道指出，央行窗口指导银行增配低评级信用债，一时间城投债火了，然而民企债仍不被看好。究其根本，除了经济不景气，市场风险偏好降低的大环境因素，更源自机构自身风控能力的不足，大部分还比较依赖传统信用评级、增信机制，逆市场化的政策加持短期虽有回升之势，长期效力如何还有待观察。
案例
在此背景下，作为一家拥有“企业风险量化和预测”核心能力的金融科技公司，我们以媒体公开报道的60家涉及债券违约的主体企业为样本，去除其债券违约风险新闻影响因素，回测了这批企业，以此验证我们自主研发的星象产品——企业失信和企业破产模型。
模型预测数值详见下表：
如果将模型预测为“次高风险群、高风险群、极高风险群”的企业合并归为高风险的话，数据显示，高破产风险企业占比达到85.7%，高失信风险企业占比则为58.8%。
模型
下面，我们以失信模型为例，简单介绍一下模型原理。
首先，请让我们明确两个概念，何谓失信？何谓失信模型？
失信：本文主要是指失信被执行人，意即被执行人具有履行能力而不履行生效法律文书确定的义务，俗称老赖。
失信模型：基于企业工商信息、股东信息、法人信息、对外投资任职、行政处罚、变更记录、法律诉讼、行业信息、知识产权、商标申请等多方面的数据提取了共83个维度，采用机器学习中的决策树算法进行训练预测。通过剪枝及交叉验证，抽取了2000+风险行为特征，由此形成一系列决策规则。
部分规则例举如下：
| ?
{
"decision_path": "网络图股东或者对外投资企业的执行次数 > 0.5 and 网络图法人对外投资或者任职的公司作为被告的裁判文书次数 > 0.5 and 裁判文书次数 > 0.5 and 成立年限 <= 6.5 and 网络图股东或者对外投资企业作为被告的裁判文书次数 <= 5.5",
"sample_number": 41606,
"risk_probability": 95%
},
{
"decision_path": "网络图股东或者对外投资企业的执行次数 <= 0.5 and 裁判文书次数 <= 0.5 and 网络图法人对外投资或者任职的公司作为被告的裁判文书次数 <= 0.5 and 网络图法人对外投资或者任职的公司有吊销企业的数量 <= 0.5 and 法人变更次数 > 0.5 and 成立年限 > 2.5 and 股东变更次数 > 0.5",
"sample_number": 65108,
"risk_probability": 97%
},
{
"decision_path": "网络图股东或者对外投资企业的执行次数 <= 0.5 and 裁判文书次数 <= 0.5 and 网络图法人对外投资或者任职的公司作为被告的裁判文书次数 <= 0.5 and 成立年限 > 1.5 and 网络图法人对外投资或者任职的公司有吊销企业的数量 <= 0.5 and 法人变更次数 <= 0.5 and 成立年限 <= 20.5 and 行业企业吊销数量 > 8.0",
"sample_number": 289213,
"risk_probability": 98%
},
|
从建立的数百条决策规则中，我们筛选出覆盖面广、决策路径长度适中，更能区分失信与未失信的规则作为最终决策规则，并由此确定模型。一方面能避免模型的过拟合，另外也实现模型的精简。最终，运用该模型就可以预测企业失信的概率以及对应评分、风险等级。
鉴于不同行业失信的风险比重不同，模型还考虑到企业行业内排名、行业企业失信分布以及行业相似企业等因素，以提供全面的企业失信风险刻画。为了帮助用户更直观地了解模型预测结果及影响因素，我们还做了行业风险集群细分和企业信用表现评估，并用可视化的图表来展示企业当前所处的位置。
小结
星象产品里面的企业失信模型在训练阶段，风险预测AUC值达到了0.9，而基于LBGM算法构建的企业破产模型风险预测AUC值达到0.89。
AUC值是判断模型优劣的一个标准，以上数据表明我们的模型对企业的失信和破产风险具有较好的识别度。下图为企业失信模型的ROC曲线。
随着市场需求的发展和实战经验的累积，模型获得了更多学习训练机会，覆盖面更广，误差率大幅下降，其最优属性也获得显著提升。
此外，相比失信模型，企业破产模型则增加了行业相关、商标、招投标等积极性特征，这个我们留待下章再详细介绍。
总之，近期这些各级市场、政策的异动，从多个层面反映了现行经济环境的复杂形势，关于信用的问题已迫在眉睫，利用大数据的预测能力，帮助监管机构、市场主体防范信用风险，服务监管，引导兴业创业方向，也不失为一种良策。
