新浪财经讯 7月21日，由中央结算公司主办的2017债券年会在上海继续召开。本届年会以“底线思维，创新驱动”为主题，聚焦债券市场在防控金融风险背景下的升级发展。DM金融首席技术官梅瀚文出席并发表演讲，他表示，当我们的发债主体、持仓量、关注量越来越多的时候，怎么样进行更加有效、及时地监测和提醒，因为你可以监测的信息量太多，这些信息通常情况在一家机构里面做的时候，当有更紧急事情的时候，这些事情往后放。难免会做得不是很系统，我们可以借助机器的力量，加上一些定时和监测指标，更好地对这些风险的变动点进行实时检测，让我们更好地及时介入到这些风险可能暴露的点。
DM金融首席技术官梅瀚文
以下为演讲全文：
非常荣幸今天站在这里和大家一起汇报分享一下Fintech在信用风险领域的应用。刚才刚总和大家介绍了2017年信用风险市场的展望，我主要从互联网和金融的领域和大家介绍一下具体信用风险领域我们如何使用互联网的技术做到更好地发现、识别并且防范信用风险。
先和大家简单介绍一下信用投资领域我们通常说到的大数据的分析或者框架是什么，以及在整个大数据框架下大数据的平台是由哪些数据构成的。首先在整个大数据平台上，我们需要一些基础数据，比如我们需要整个发债的主体数据、日常交易数据以及我们从网络各种地方采集来的舆情数据，还有实时市场行情数据，包括衍生品行情数据，当然还需要行业的终端数据以及整个国家和地区经济的宏观数据。有了这些数据之后，我们可以对这些数据进行一个清洗，进行数据之间关联性的发现以及最后对这些数据进行建模，这样有机会提炼出很多指标，比如说一个企业的信用指标，我们可以提取行业发展的行业指标，还有价格指标等等，包括流动性指标以及单个主题的主体舆情指数。当有这些指标之后，我们在整个投资开始的时候可以进行一些投前研究工作，比如说我们可以对于整个主体进行更全面地了解和分析，根据行业指标选择配置行业。同时我们可以在企业内部建立我们的授信池，对发债主体进行持续监测和跟踪，如果有机会做得更细一点，可以直接做到信用定价。结合市场上的行情数据，我们可以很好地发现投资机会，并且做出量化的策略，我们可以对我们的投资策略进行一个回撤和套利监测。
当我们做了很好的投前研究，整个投资过程当中利用数据有效指导投资过程，选择一些合适的授信过的交易对手，以及对整个投资过程当中的各券和主体进行流动性管理，有效指导我们的工作。最后投后监测工作，如果第一时间发现可能潜在的信用风险，发现一些潜在的问题以及潜在的价格异常波动，这是在投后风控领域非常重要的方面。我做了简单的抽象管理，主体、债项、行情、信用舆情宏观的指标以及其他的一些零零散散的数据，每日资金成本的变化情况以及我们自己公司的授信和持仓数据。
接下来和大家具体分享一下金融科技领域到底有哪些具体的落地案例。首先我们看在整个信用评价里面，通常情况我们会结合行业趋势和经营数据、主体财务指标数据以及相对来说比较定性的比如股权对外投资情况、银企关系以及企业管理团队战略和竞争地位，我们做一些定性的平衡模型以及结合经营数据、财务指标做分行业定量的模型指标，通过系统的整合和模型的建立计算，我们可以有效地得出一个主体信用评分。有了评分之后我们结合主体发行的各券的担保、质押和其他的征信措施最终可以得到一个各券的投资建议，建议投资还是限定投资或者投多少。但是这个时候我们得到的数据其实只是静态的数据，只是代表企业在这一刻情况，更重要的是你的投资持有过程当中如何长期地监测这样一家企业整个信用风险的变化，比如每年4月份大量的年报来临，1000家投资主体追踪信用风险，如何选择先看哪些公司、后看哪些公司，根据模型和过程，定义出相对来说变动比较大的主体，作为更高优先级的跟踪。
在整个投前或者投中，做具体企业分析，我们可以利用系统更有机地对主体进行更加无盲点地判断，比如说我们可以看它的企业性质是什么，比如说我们可以看它的债券基本情况，比如久期等等，同时可以看评级变化，我们可以结合内部的评分情况。再然后可以看看整个市场上的价格情况，比如估值情况，背后反映出来的隐含评级情况以及最新的报价情况，最近30天报价比数、成交比数等等流动性的情况，再加上整个企业关键的财务信用指标的整体情况，比如资产负债率处于多少，资产负债率在行业里处于什么样的分位，诸如此类的情况。对于一家企业通过这样的全景数据展现，非常有机会看到当我们做一些各券选择的时候怎么挑出更具性价比的债券。
接下来看一个案例，这是有一个公司他们投了山水集团，它的时间很短，4月份上市10月份违约，他们在5月份就跑掉了，我们后来聊，他说他们在香港港交所的网站上看到一篇公告，是一个人员无意中发现的，当时在舆情库里找了山水集团历史出现的舆情情况，这个4月17日发行上市的，13年年底就爆出山水高管退股，15年4月23日天瑞在二级市场通过收购已经持有28%山水的股群了，已经是第一大股东了。后来每个月都有持续爆发股权之争的发现案例出来，报出来的舆情点很多时候不是主流媒体，我们做舆情监测或者用人力解决个问题，我们很难覆盖比如说大河报、济南社区，这是人力很难覆盖到的。我们可以利用机器学习，利用机器在全网的抓取来结合比如说情感分析的手段，大大提高我们对于这些负面舆情把握的能力，从而尽早地介入到整个风险的爆发过程当中。
总结一下，我们其实可以基于整个企业的图谱与机器学习、深度挖掘潜在地分析，一家主体不光看它本身怎么样，当一家主体它没有问题，但是它的担保方可能出问题了，股东可能出问题了，子公司可能出问题了，主要上游供应商可能出了问题，同样它的下游主要客户可能出了问题，比如说红牛最近在中国的一个供应商，因为这家供应商70%以上的营收来自于红牛，现状没有问题，但是隐含了很多潜在的风险，这是这家主体单个分析的时候看不出来的，我们需要基于它的企业图谱和网络关系加上一些机器学习的技术，比如对海量的舆情，每天有5万条舆情，人不太可能看得了，需要机器做情感上的判断，负面、中性，需要机器打上一些标签，比如高管人员离职、主要供应商解约等等标签化的数据，更有效地从海量信息当中甄别和提取出真正的负面的关注点。
最后和大家讲一下这么多信息，当我们的发债主体、持仓量、关注量越来越多的时候，怎么样进行更加有效、及时地监测和提醒，因为你可以监测的信息量太多，比如报价、股东变更、诉讼、估值偏离等等，市场风险也好利率风险也好波动风险也好信用风险也好，监测点非常多，这些信息通常情况在一家机构里面做的时候，当有更紧急事情的时候，这些事情往后放，这些很重要，但不是很紧急。难免会做得不是很系统，我们可以借助机器的力量，加上一些定时和监测指标，更好地对这些风险的变动点进行实时检测，让我们更好地及时介入到这些风险可能暴露的点。
以上就是我这边和大家分享的。
