万亿资金如何避"雷"？巨无霸机构亲述细节

一只蝴蝶在巴西扇动翅膀，就有可能在美国的德克萨斯引起一场龙卷风。一个很小的事件可能产生很大的违约后果。在投资领域，类似的事情经常发生。

作为金融市场最重要的机构投资者之一，截至2020年6月末，保险资金运用余额超过20万亿元，其中投资债券6.97万亿元，投资股票和证券投资基金2.68万亿元，其他投资7.66万亿元。

如何一叶知秋预测经济走势？如何居安思危、未雨绸缪？券商中国记者近日走访人保集团旗下人保资产投资团队，听他们讲述将金融科技引入万亿资产风控管理的背后故事。人保资产是我国第一家保险资产管理公司，目前管理资产逾万亿元，持有固定收益资产超8000亿元(不含公募)。

超8000亿固收风控创新，转型“人机”融合

“出现‘苹果’两个字，到底指吃的呢、一首歌呢、还是手机？”人保资产固收部高级投资经理严亦宽试图说明语义分析的难点所在，他同时也是人保集团金融科技团队智能技术组的成员之一。

三年前的2017年，人保资产启动人工智能信用风险识别算法项目，探索运用大数据和人工智能工具研究企业外部信用评级变动情况，严亦宽全程参与了这项创新项目。

作为债券、非标等固收资产最重要的“买方“之一，管理固收风险一直是保险资管投资管理的重中之重。但是，自2014年“11超日债”开启中国信用债市场违约以来，在债券发行量大幅提高、强监管叠加经济下行的大背景下，债券违约已经由黑天鹅逐步变成常态，并且有逐年增加态势，投资管理面临巨大压力。

wind数据显示，2016-2017年，债券违约金额分别为393.77亿元和312.49亿元，2018-2019年的债券违约金额均超过1000亿元。今年以来，已有86只债券违约，违约金额1040.63亿元。

传统的信用评级框架中，主要依据定性评估与定量评估相结合的方式。定性评估主要是分析师阅读企业的公告、新闻，必要时去现场调研。定量评估主要根据人工对行业、经营风险进行打分，人工看企业的财务报告，并根据专家经验挑选指标和权重，大批量的财务风险评估借助较为简单的线性模型。

传统的方法严重依赖“人”的经验，在发债量不大的年代是有效的，但随着发债企业和发债数量增多以及内外生风险因子增加，债券甄选和风控难度大大提升，传统方法的局限性开始显现。

一是随着需要进行信用评估的企业数量和各类信息几何级增长，人工方法开始跟不上大量数据的处理需求；二是人工选择的方法具有较强的主观性，而且在后续跟踪评级时，容易受到评级机构分析师个人评判标准的影响。

数据显示，2020年6月末，全国债券市场总托管量达到96.25万亿元。如此大量的融资市场，对于金融机构遴选债券以及对所投资企业信用资质进行投后管理，都是很大的难题。

现代化信息技术的发展为化解这一难题带来了新的工具。严亦宽介绍，从2017年上半年开始，公司团队决定运用人工智能方法研究各类型发债企业的信用评级变化，涉及的债券类型包括短期融资券、中期票据、企业债、上市公司债、商业银行金融债券、国际机构债、资产支持证券等。

“最初我们让计算机学习2005年-2016三季度的企业财务数据，提取了数万个标签样本，然后让计算机来判断企业信用情况，并将结果与2017年以来的实际评级调整状况进行对比。”严亦宽介绍。

在财务分析的基础上，人保资产在2018年起开始通过文本学习来判断舆情对企业发展的影响。文本学习不像财务数据，不仅数据庞杂，语义情感分析更是需要慎之又慎。例如某大型公司受到50万元的罚款处罚，处罚本身是负面信息，但是这个处罚对公司的影响有多大？对公司还款能力有影响吗?这就需要专业信评师来进一步分析。

严亦宽介绍，通过“分词-提取-标准化因子-得出情感分析”等步骤，最终成功将超10万个标签与42个标准化因子(包括盈利因子、债务因子)建立对应关系，进而分析舆情对企业的影响。

经过大量的数据整理、详实的分析研究和无数次机器学习，人保资产人工智能信评系统的信评准确率逐步提升，并成功应用到了固收投资管理的实践中。

2018年债券市场违约频发，2018年-2019年，分别有52个和72个主体发生信用违约事件，涉及金额分别为1209.6亿元和1494亿，该项目成功识别信用违约主体，2018年精选出137个可能降级的主体，2019年挑出可能违约主体294个。2017以来，人保资产固收团队规避了全部固收踩雷事件。

“用机器学习算法预测企业负面方向的评级调整，在保证准确率的同时能提高识别提取率。“严亦宽说，AI最大的作用是可以将人从大量的、有规律性的、重复的工作中解放出来。

即便如此，严亦宽指出机器并不能代替人，尤其在预判性、思考型的工作方面需要专业人来实现。“人工智能分为鹦鹉模式和乌鸦模式。鹦鹉学舌可以学的很像，但需要海量数据训练，而且不知道意思。乌鸦不需要训练就能自己学会喝水，这才是未来真正人工智能的方向。目前人工智能的发展还停留在鹦鹉模式。乌鸦模式仅在少数细分领域例如图像识别上有一些进展，在其他领域进展缓慢。不过人工智能未来发展值得期待。”他说。

据介绍，人保资产今年将开展人工智能信用分析系统的第二期工作，一方面将企业信评与公司持仓债券主体、非标主体关联，以便适时关注持仓品种的信用资质动向。另一方面将系统进行平台化拓展，将财务指标模型和文本分析模型在算法层面结合起来，并进一步将前期训练数据和模型扩展应用于股票市场风险的预警上。

预测未来：首创“双轮”经济预警系统

如果说信评是微观中发现价值，宏观研究则在宏、中观层面指明方向。当前世界经济趋势变动频繁，宏观研究的重要性进一步凸显。

从投资角度来说，宏观经济预测对投资者把握市场的整体变动趋势、判断金融资产的投资价值、掌握宏观经济政策对市场的影响力度与方向具有重要意义。

在实践过程中，两个问题引起了人保资产宏观与战略研究所研究团队的思考：一是现有宏观经济周期的研究中缺乏对信息资源的优化整合；二是对定性分析依赖度过大，不同预测方法得到的结果之间可能存在较大差异。尤其重要的是，我国所处的经济转型阶段增加了宏观经济监测预警的难度。

如何更加正确地测定宏观经济波动状况？如何精益求精地刻画经济所处的状态及走势？人保资产尝试建立符合中国经济特征且有效的宏观经济预测模型。项目研究团队正式组建于2017年8月，5位成员中有博士后2名，博士2名，硕士1名。作为人保资产宏观与战略研究所高级研究员，王云清全程参与了经济景气模型的建立工作。

王云清介绍，第一步需要对国内外现有研究的梳理和比较。研究团队从百余份文献和研报中对国内外经济预测方法和先行指标进行完全梳理总结。

先行指标梳理囊括了国内外多个重要指标。国外先行指标包括美国国家经济研究局，美国经济咨商局，经合组织，日本以及韩国经济研究部门；国内先行指标包括国家统计局、中国景气监测中心、国家信息中心高盛中国、浙商证券、渤海证券、花旗经济意外指数、复旦大学ZEW景气指数、莫尼塔草根调研指数等。

在经过大量研究和分析工作后，团队决定采用国内生产总值、工业生产总值和自行构建的新型克强指数作为基准指标。

“2015年之后，工业增加值曲线基本是平的，这样的话基本对投资的指导意义不大了。所以我们重新开发了一个指标，即在克强指数的基础上构建了新克强指数。”王云清介绍，新克强指数在原指标基础上增加了就业指标(城镇失业率指数)。

经过成百上千的测算与检验，研究团队分别建立了景气动向综合指数、监测预警指标信号和景气跟踪图。此后又对系统进行了二次优化，中国宏观经济景气监测预警系统正式上线。

以监测预警指标信号为例，该系统借鉴交通信号灯设计，根据经济过热、偏热、正常、偏冷、冷等几种情形，分别标示为红灯、黄灯、绿灯、浅蓝等和蓝 灯，通过信号灯的变化可以反映经济的波动状态，以及宏观经济各主要领域的景气指标。

“2017年，我们判断经济会逐步进入下行区间，但当时很多人对于这点还是有争议。”王云清说，团队决定用数据来说话。

“我们从100多个经济指标中选出10个指标，涵盖工业、金融、外贸、财政等重要核心指标，用信号灯系统来对指标进行合成，结果显示2017年经济走势为绿灯，但个体指标M2和工业增加值分别为蓝 灯和浅蓝 灯，显示整个经济呈现冷热不均的现象。“王云清说，在此基础上，团队进一步通过景气跟踪图来直观反映经济走势变化。2017年9年，新克强指数位于稳中趋缓区间，线性指数位于稳中趋降区间，意味着未来半年经济走势稳中趋冷。

为更好地验证景气监测模型的合理性，除从经济周期角度来对先行指标进行考虑外，人保资产团队还考虑从生产角度来进行互相印证。最终，景气监测系统以“经济周期+全要素生产率”为“双轮”研究对象，成为行业内乃至市场上首个“双轮”预警系统。

中国宏观经济景气监测预警系统搭建成功后，便开始扩展景气监测应用范围。例如，在景气监测模型之下建立了大类资产配置框架，对保险资金的大类资产配置作出指引。

2017年底，人保资产宏观研究团队发布了2018年的经济走势评价，监测预警指标信号显示未来半年景气指数是下行，对于2018年大类资产配置给出“超配债券、标配股票、低配大宗商品和房地产”的建议。2018年底，团队发布了2019年我国经济景气的基本研判，认为全年整体经济将呈现稳中有降特征，对于2019年大类资产配置给出“超配股票和债券、标配大宗商品和黄金、低配房地产”的建议。同时认为2019年债券的收益确定性高于权益类资产，但后者的相对配置价值上升，同时另类资产的配置价值仍较明显。后期经济走势和资本市场走势基本验证了上述判断。

“如果没有疫情发生，我们去年底预测今年中国经济会见底弱反弹。“王云清说，今年6月份，公司依据前4个月数据进行了重新调整，剔除一次性影响因素后还是认为下半年经济会复苏，且力度不小。

王云清表示，未来会继续丰富景气监测模型和进一步完善景气监测系统，以便更加及时和精确地预测中、宏观经济走势。