【編者按】為深入貫徹落實黨的二十大精神，引導基金行業機構踐行《證券期貨業科技發展“十四五”規劃》，共促基金行業數字化轉型，按照中國證監會總體工作部署，于2022年11月開展“證券期貨業數字化轉型主題宣傳月”活動。通過開展“證券期貨業數字化轉型主題宣傳月”活動，搭建交流平臺，展現數字化轉型成果案例，激發金融科技創新活力，營造金融科技長效發展新生態。該篇為“證券期貨業數字化轉型主題宣傳月”系列宣傳之十六。

    Bond.AI助力債券風險分析

    ——易方達基金

    在資產管理領域，債券信用風險和交易風險研究是非常核心和關鍵的步驟。隨著我國債券存量規模不斷增加和債券發行數量持續增長，債券違約事件不時發生，債券投資研究的價值愈發凸顯，資產管理公司對相關利用科技手段解決研究問題的需求也愈加迫切。

    近幾年在債券投資分析領域，已經出現一些與債券研究相關的系統，但主要提供的功能為債券信用評級，側重于簡單的信息收集、聚合與整理，缺乏對信息的深度加工及分析。這類債券研究系統通常采用專家評價方法，但隨著市場上債券數量的快速增長，專家評價方法需要越來越多的人力物力才能完成，且一般分析的顆粒度較粗，難以精準挖掘隱藏在表層之下的深度信息。因此，需要引入新的金融科技方法和手段，研發出一套高效實用的債券風險分析系統，提升對債券風險度量的精準性及合理度。

    為解決長期以來債券風險分析所面臨的痛點，易方達基金依靠多年的IT技術積累及業務實際需求，從債券分析的多個維度出發，自主研發了集信用評價系統、財務造假識別系統、債券流動性分析系統、債券輿情分析系統于一體的綜合債券風險分析平臺（以下簡稱Bond.AI）。

    一、探索大數據及人工智能技術的應用

    區別于傳統的債券分析系統，Bond.AI充分運用了學術界及產業界前沿的人工智能技術。運用到的新興技術主要包含以下三個領域：

    （一）、基于小樣本數據的機器學習債券投資分析技術

    債券投資分析是非常重視知識和經驗積累的領域，機器學習算法也是人工智能領域中非常依賴大量數據進行訓練的一種方法。對于訓練人工智能模型的數據量要求來說，由于發生債券違約事件的發行人數量非常少，如何有效利用小樣本數據進行有效的債券投資分析，對于Bond.AI來說是至關重要的技術問題。Bond.AI基于自主開發的機器學習算法，利用市場客觀數據和投資目標之間的關系，構建多種人工智能模型協助債券投資人員進行業務開展。Bond.AI研發團隊根據實際情況設計新的模型訓練框架，對小樣本數據進行衍生，同時對數據進度滾動切分以達到模型訓練的數據要求。通過研發EasyEnsemble五折交叉實驗框架，有效權衡了小樣本及樣本的平衡。

    （二）、機器學習模型的可解釋性技術

    機器學習模型使用大量數據作為決策依據，通過模型的復雜計算，得出的結論通常難以用常規的業務邏輯去理解和解釋，在實際業務應用中經常會大打折扣。因此，對機器學習模型產生的結論能夠進行解釋，讓用戶能夠理解機器學習模型得出結果的依據和邏輯，是必要性、重要性和技術難度共存的一個發展方向。Bond.AI借鑒LIME，SHAP等市場主流人工智能算法的思想，獨立研發針對XGBoost的模型可解釋性系統。現成的算法（如SHAP）只針對單個模型做解釋，但單個算法模型難以達到高準確率的應用要求，應用效果難以滿足也無需求。Bond.AI研發團隊針對集成模型作解釋，通過研究針對機器學習模型的可解釋算法并采用多模型融合方案，將一個大業務劃分成多個小業務，并使用單個模型處理一個小業務，最后通過模型集成的方式，使用集成模型將各個小模型的結果集成起來，解決一個復雜的實際業務分析問題。

    （三）、異構數據結構化及整合技術

    債券投資分析業務需要大量的數據和信息作為決策的依據，而使用的數據來源、類型、格式、存儲方式各有不一。如何高效地將不同類型的數據進行統一的結構化存儲并使用，是重要的研究方向之一。Bond.AI采用異構數據結構化整合技術，可以避免使用單一來源數據，將各種結構的數據進行統一操作，形成較大類型、較多維度的數據，提供給機器學習模型進行訓練和預測。通過這種技術，Bond.AI能夠融合大量的不同來源的信息，提升模型的效果。系統以債券發行人為核心，構建財務的結構化數據庫，同時以發行人為關鍵字段，構建非結構化文本數據。通過自然語言處理技術對文本數據進行分析提取，與結構化的工商、財務、風險指標等數據進行關聯，綜合性地構成機器學習模型的特征數據輸入。Bond.AI針對不同結構數據構建子模型，并將子模型的結果數據進行集成組合，以有效支持復雜集成模型的訓練和決策。利用此技術，Bond.AI得以全面分析近5000家債券發行公司的交易、財務、工商及各類網絡公開數據，實時關注各類大小媒體網站的相關新聞，如果有對應的新聞和網頁信息，將進行信息結構化識別和提取，并推送到輿情分析和訂閱推送模型進行下一步分析處理。

    從研發過程來看，基于小數據樣本的人工智能模型訓練及應用難度很大，這樣導致團隊投入了大量的精力和時間，對模型的研發和打磨精益求精。目前大多數AI應用都是基于大數據場景的，但是對于Bond.AI系統面臨著模型訓練數據較小的難題。雖然債券違約事件在成熟的資本市場屬于正常現象，但在國內可供參考的案例與樣本不多，難以檢測模型有效性，驗證基準亦較難得出，針對小樣本數據的機器學習技術難度非常大。本系統專門針對小數據的機器學習技術難題進行了攻關，取得了較好的成果。

    二、建設綜合債券風險分析平臺

    為加強對公司在債券投資中的信息分析處理及違約預測領域的系統化支持，使得投資研究人員能夠利用最新的人工智能技術輔助決策，Bond.AI搭建了四個子系統，可實現對債券風險的全面分析。

    （一）、債券輿情分析子系統

    利用大數據技術對債券相關的輿情進行分析，判斷輿情類事件對債券發行人的償債能力是否有影響，同時通過對大量新聞輿情信息的深度挖掘，及時地從細微信息中提取對違約預測有價值的信息。

    （二）、財務造假識別子系統

    利用人工智能技術對債券發行人的財務質量進行評估，通過行業橫向對比、自身歷史數據縱向分析、財務造假壞樣本學習分析等方式，準確快速地判斷債券發行人的財務健康程度，并判斷財務報表的真實可信度，用于捕捉篩選涉嫌財務造假的企業。

    （三）、債券流動性分析子系統

    利用機器學習技術，收集相關債券數據并判斷其交易的風險。通過構建針對債券交易風險的流動性預測模型，對債券流動性進行分析排名，使得交易員在交易過程中能夠提前了解當前債券的潛在交易風險和價格風險，給予債券合理的定價，保障債券市場的流動性和有效性。值得一提的是，Bond.AI能夠將流動性作為價格影響因素單獨拆分出來，并分析其對價格的影響，讓債券定價和估值更加準確。

    （四）、信用評價子系統

    使用債券市場上已經違約的債券發行人數據進行人工智能模型訓練，并預測未來存在違約風險的企業。Bond.AI收集了上百個財務指標作為訓練特征，經過機器學習模型訓練之后，能對全市場的信用債發行人進行精準前置的債券信用風險分析及違約概率預測，對市場上每一家債券的發行人都能得出潛在的違約風險分析判斷。

    三、積極推廣應用，助力業務發展

    Bond.AI從2018年開始進行模型研究和系統研發，上線后仍持續深入迭代優化，目前功能已經基本完備，并且在公司的各項資產管理業務中推廣應用，覆蓋了固收交易、固收投資研究、債券投資風控、量化投資等業務領域。

    以信用評價為例，Bond.AI可以協助投資人員構建債券投資備選池，利用人工智能技術針對債券發行人的違約概率給出風險評價和提示，為信用研究人員的債券發行人初篩工作提供支持，研究人員可以根據初篩結果重點研究被系統進行風險警示的債券發行人。另外，利用決策性智能系統構建黑名單業務體系，為信用研究人員提供可靠的黑名單結果。Bond.AI上線后，能夠預判債券的違約概率，并且對違約債券的預測準確率長期保持在90%以上，有效減少了因債券違約造成的損失，具備較好的參考價值。此外，Bond.AI還定期提供潛在的違約發行人關聯的上市公司，在股票量化投資中作為參考風險因子，可以對債券違約導致股票大跌的情況進行有效預警。

    以債券流動性為例，Bond.AI可以協助交易員在債券交易流程中更加準確地判斷債券交易風險、衡量債券估值、并進行風險防范。據統計，Bond.AI對沒有成交信息的債券流動性預測準確度提升了10%。

    從應用結果整體上來看，高質量的研究過程也輸出了高準確性的分析預測模型。隨著違約債券的增加，Bond.AI也在不斷的學習進化，違約預測能力持續提升，模型的風險發現能力甚至在一定程度上超過了相關從業人員。

    目前，Bond.AI已取得一項軟件著作權及三項發明專利，并且獲得了中國人民銀行頒發的“2020年度金融科技發展獎”二等獎。

    四、小結

    人工智能作為新興技術，經常面臨在在具體場景中難以落地應用的情況，特別是在資管領域，綜合性地應用豐富的人工智能技術，并沒有太多綜合性應用人工智能技術的先例可供參考，工作挑戰性非常大。

    Bond.AI結合了易方達基金多年豐富的業務實踐及技術研發經驗，將人工智能技術引入債券投資中，有效地幫助了投研工作人員提高投資效率、控制投資風險。