01.为何要进行债券内部评级？
尽管目前有很多外部评级机构的评级，金融机构仍需进行债券内部评级，这是因为内部评级能提供更精细的风险管理、实时响应市场变化、优化资本配置（资本计提），并满足监管要求（如巴三），同时还支持更科学的债券投资决策制定，提升金融机构的整体运营效率和市场竞争力。
02.内部信用评级模型框架
债券发行人的信用风险评级框架主要关注的是发行主体本身的信用质量。这个框架通常由两大部分组成：一个是基于财务数据的定量模型，另一个是基于业务运营数据的定性模型。在进行评级之前，首先需要对企业的业务模式和信用风险特点进行分类，也就是所谓的“敞口划分”。这种分类通常参考中国证监会或Wind等行业的分类标准，并结合实际业务操作和数据可用性来进行。主体评级模型的构建过程可以简化为以下几个步骤：
（1）构建全面指标清单
首先根据企业的行业特点来确定影响其信用风险的关键因素。这一步骤涉及收集各种评级机构和研究机构的方法论，形成一个包含所有潜在评价指标的全面清单。目前境内比较出名的评级机构有中债资信、中诚信、大公国际等。例如，下图展示了各个外部评级机构对万科的评级变化明细。
可以到对应官网去查询。例如中债资信的评级认证：
评级技术规范：
（2）筛选重要指标
在全面清单的基础上，剔除那些数据难以获取或对评估帮助不大的指标。这个阶段会留下一个较为实用的指标清单，这些指标不仅有经济意义，而且数据容易获得。
（3）精选关键指标
从上述指标清单中进一步筛选出最能反映企业信用状况的核心指标，形成一个简洁有效的指标集合。这些指标将是后续评级分析的主要依据。
（4）得出主体评级
使用精选的关键指标和相应的权重来建立评级模型，从而得出企业的初步信用评级。这一模型确保只包括最关键的因素，从而提供了一个标准化的比较基础。
最后，虽然模型能够提供一个客观的基准评级，但为了确保评级的全面性和准确性，还需要加入专家的意见。专家分析可以补充模型中可能忽略的信息，考虑企业的个性化因素，从而得出最终的信用评级结果。这样，整个评级流程不仅保证了评级的一致性和客观性，还通过专家评审增加了评级的深度与广度。
03.内部信用评级模型开发方法与步骤
业内常用的信用评级模型开发方法包括统计建模法、专家打分卡法和混合建模法。选择合适的模型开发方法需根据各敞口的具体特点进行。
（1）统计建模法
统计建模法基于统计理论，通过数学方程来模拟发债主体的信用状况与其特征之间的关系。这种方法在数据量充足且数据质量高的情况下非常有效，能够较为准确地反映发债主体的真实信用状况，减少主观判断带来的偏差。然而，这种方法对数据的数量和质量要求非常高。具体的建模步骤如下：
1)定义违约及样本生成首先，需要明确定义“违约”是什么意思，以及如何区分好的样本（即未违约）和坏的样本（即已违约）。接下来，根据这个定义从发债主体的历史数据中挑选出适合用来建模的数据集合。
2)单因素分析单因素分析用于从众多潜在影响因素中筛选出对信用风险有显著影响的因素。这一步骤涉及基础统计分析、经济意义分析、以及评估每个因素区分违约与否的能力。使用的工具有PD曲线、CAP曲线、AR值、KS值、Somers' D值以及单因素回归分析。
3)相关性分析分析各个因素之间的相关性，因为如果某些因素高度相关，那么在多因素模型中可能会导致多重共线性的问题。通过创建相关性矩阵，识别出那些相关性超过设定阈值（比如0.7）的因素，并从中选择最具代表性的因素进入模型。
4)多变量分析利用之前筛选出的因素，建立多个变量组合的统计模型，以找出最佳的模型配置。
5)模型选型及确认在此阶段，从多个候选模型中选择一个最优模型。这个过程不仅要考虑到统计学上的合理性，还要结合实际业务需求来决定哪个模型最为合适。
（2）专家打分卡法
专家打分卡法结合了专家的意见和数据特征，通过选取关键的评价指标并赋予相应的权重来评估企业的信用风险。这种方法充分利用了专家的知识和经验，尤其在数据量不足的情况下，能够弥补数据不足对模型开发的限制。然而，由于依赖专家个人的经验和主观判断，打分卡法可能会存在一定的片面性。因此，通常会采用经过统计方法优化的打分卡模型，以融合专家意见和统计数据特征。具体的建模步骤如下：
1)确定指标长清单收集专家意见，制定出一个详细的指标清单，这些指标应该能够全面覆盖信用评估的各个方面。
2)数据采集及处理根据指标清单收集必要的数据，并进行初步处理。检查每个指标的分布情况，必要时调整指标分类。
3)变量分析对所有指标进行分析，包括缺失数据的统计、单变量分析和相关性分析，最终确定一个较短的备选指标清单。
4)打分卡试算使用建模数据，结合统计分析结果和专家建议，初步选定一些指标，并为它们分配权重，从而形成一个初步的打分卡模型。
5)专家讨论及打分卡确定召开专家会议，根据他们的经验和意见进一步完善模型，最终确定打分卡。
（3）混合建模法
混合建模法综合考虑不同层面的数据特征，使用不同的建模方法进行建模，然后将各个层面的结果结合起来。例如，可以对经营数据使用打分卡法建模，对财务数据使用统计建模法建模，最后将两部分的评级得分综合，得出发债主体的最终评分。这种方法能够针对不同类型的数据选择最适合的建模方法，使得最终的评价模型更加合理和有效。具体的建模步骤如下：
1)计算得分分别计算出财务定量模型和经营定性模型的得分。
2)标准化处理将两个模型的得分转换成相同的尺度。
3)确定权重根据实际情况设定定量模型和定性模型各自的权重，然后根据这些权重以及标准化后的得分计算出综合得分。
4)确定评级结果最后，根据综合得分和预定的评级标准，得出最终的信用评级。
通过这些方法，可以根据不同敞口的特点，选择最合适的技术手段，确保信用评级模型既科学又实用。每种方法都有其优点和局限性，合理选择和结合使用能够最大化发挥各自的优势，提高信用评级的准确性和可靠性。
【示例】例如下表展示了汽车企业 X 公司评级指标和模型。用打分卡模型对汽车企业的资源配置、债务政策评级指标打分，并结合级别映射矩阵确定受评主体初始级别。其中，打分卡模型的阈值通过汽车行业信用风险的理想分布曲线（汽车行业信用风险评级结果为“IRR-6”）设定划分标准后再结合专家经验调整确定而来；打分卡模型的权重设定采用有效约束条件下网格划分方法得出分层级最优风险权重后结合专家经验调整而来；级别映射矩阵的设定则采用了可变权重设置思想。
04.模型校准
模型校准是一个将信用风险评估模型的原始输出一个风险评分，转化为可解释的信用评级的过程。这一过程建立了一个从模型得分到信用评级的映射，使得我们可以根据得分来判断某个客户的信用质量。在进行模型校准之前，需要基于数据或业务专家的经验来确定三个关键要素：
（1）长期违约趋势
1)基于内部历史违约数据。当公司有足够的历史数据时，可通过这些数据计算出长期平均违约率。
2)结合内外部数据源。若内部数据不足，可以结合外部数据如行业平均水平、评级机构的数据等进行估计。
3)基于业务特征和专家判断。在缺乏内部和外部数据的情况下，依靠业务特性和专家意见来确定长期违约趋势。
（2）主标尺
主标尺是连接信用评级和违约概率的桥梁，它帮助我们用统一的标准衡量不同资产组合的风险水平。主标尺应满足以下条件：
1）按照违约概率划分；2）涵盖所有信用风险范围且不重叠；3）随着评级降低风险程度逐渐增加；4）避免客户集中在单一风险等级。如果公司内部数据不足以支持主标尺的开发，可以参考外部评级机构的标准，并结合自身特点调整。
【示例】例如下表展示了内部评级的标尺与违约概率PD的映射。
【注】具体可参考文章：信用风险经济资本计量（债券）
（3）评级期望分布
模型校准需要考虑不同类型客户的评级分布特点，以便模型的输出符合实际业务经验。因为校准是一个多目标优化过程，所以校准后的评级分布可能不会完全与预期一致，但应当尽量接近。
通过上述步骤，模型校准确保了模型输出能够有效地反映客户的真实信用状况，并且能够让不同客户群体的信用评级具有可比性。
