3. 信用评级体系：国内外主要评级机构、评级符号与含义、评级方法（主体评级与债项评级）、评级迁移矩阵
信用评级，说白了就是给债券的信用风险打个分。
我入行那会儿，第一件事就是背评级符号。当时觉得枯燥，后来才发现，这玩意儿是固收分析的「通用语言」。你想想看，一个城投债和一个地产债，基本面完全不同，但评级符号能让你快速对齐风险基准。
3.1 国内外主要评级机构
全球评级市场，基本被三巨头垄断：
- 穆迪（Moody's）：总部纽约，历史最悠久。我个人习惯用穆迪的评级符号，因为它的数字后缀（如A1、Baa2）在量化回测时特别好排序。
- 标普（S&P）：也是美国老牌，符号用加减号（如AA+、BBB-）。我在做跨境债利差分析时，经常需要把标普和穆迪的符号做映射。
- 惠誉（Fitch）：欧洲背景，符号体系和标普类似。说实话，惠誉在国内债市的存在感稍弱，但国际项目里它经常是「第三把交椅」。
国内评级机构，这些年变化很大：
- 中诚信国际：国内老大哥，我最早接触的评级报告就是中诚信的。它的城投债评级逻辑，我个人觉得比较保守。
- 联合资信/联合评级：市场份额大，但2021年那波评级下调潮，联合的动作比较猛。嗯，这里要注意，国内评级有「虚高」的惯性。
- 大公国际：曾经因为违规被处罚过，现在合规性抓得紧。我建议新手看大公的报告时，多留意它的评级假设部分。
- 新世纪：风格偏稳健，在产业债领域口碑不错。
3.2 评级符号与含义
评级符号，其实就三档：投资级、投机级、违约级。
| 等级 | 标普 | 穆迪 | 惠誉 | 国内常用 | 含义（我自己的理解） |
|---|---|---|---|---|---|
| 最高级 | AAA | Aaa | AAA | AAA | 几乎不可能违约，闭眼买 |
| 高级 | AA | Aa | AA | AA | 很强，但偶尔有瑕疵 |
| 中上级 | A | A | A | A | 偿债能力良好，但易受环境影响 |
| 中下级 | BBB | Baa | BBB | BBB | 投资级门槛，再往下就是垃圾债 |
| 投机级 | BB | Ba | BB | BB | 有不确定性，我一般会要求额外利差补偿 |
| 高风险 | B | B | B | B | 违约风险较高，不建议长期持有 |
| 违约级 | D | C | D | C | 已经违约或预计违约 |
为什么会这样分？说白了，评级机构用了几十年的历史违约数据，发现BBB-/Baa3这条线是个分水岭。线下违约率会突然跳升。我自己的量化模型里，也把BBB-作为「风险开关」的阈值。
3.3 评级方法：主体评级与债项评级
这里有个核心概念，我建议你一定要分清：
- 主体评级：评的是这个公司/政府本身。看它的经营能力、财务健康、行业地位。说白了，就是「这个人有没有钱还」。
- 债项评级：评的是这只具体的债券。除了看主体，还要看担保、抵押、偿债顺序。说白了，就是「这笔钱能不能优先拿回来」。
我在项目中遇到过这样一个案例：某地产公司主体评级是AA-，但它的一只物业抵押债，债项评级做到了AA+。为什么？因为抵押物是核心商圈的写字楼，变现能力强。这就是债项评级的价值——它能把「结构优势」量化出来。
评级方法的核心框架，我习惯用这个SVG图来理解：
你看这个图就清楚了。主体评级是「地基」，债项评级是「装修」。地基不稳，装修再好也白搭。但反过来，如果装修特别扎实（比如有AAA级担保），也能把整体评级拉上去。
3.4 评级迁移矩阵
评级迁移矩阵，说白了就是一张「概率表」。它告诉你：一个AAA级的债券，一年后有百分之多少的概率变成AA，百分之多少的概率违约。
我最早接触这个，是在做信用债组合的VaR计算时。当时需要模拟评级变化对组合净值的影响。嗯，这里要注意，迁移矩阵是「历史平均」结果，不能直接用于预测。
下面是一个简化的迁移矩阵示例（基于标普历史数据，单位：%）：
| 初始评级 | AAA | AA | A | BBB | BB | B | CCC/C | D |
|---|---|---|---|---|---|---|---|---|
| AAA | 90.65 | 8.24 | 0.89 | 0.12 | 0.06 | 0.03 | 0.01 | 0.00 |
| AA | 0.62 | 89.96 | 8.10 | 0.87 | 0.28 | 0.10 | 0.05 | 0.02 |
| A | 0.05 | 2.27 | 90.44 | 5.89 | 0.74 | 0.40 | 0.16 | 0.05 |
| BBB | 0.02 | 0.16 | 4.83 | 88.24 | 4.67 | 1.30 | 0.55 | 0.23 |
| BB | 0.01 | 0.06 | 0.41 | 5.77 | 82.67 | 7.26 | 2.89 | 0.93 |
| B | 0.00 | 0.04 | 0.15 | 0.61 | 6.48 | 80.49 | 8.62 | 3.61 |
| CCC/C | 0.00 | 0.02 | 0.08 | 0.26 | 1.17 | 9.24 | 68.93 | 20.30 |
这个矩阵怎么用？我举个例子：
假设你持有一个BBB级的债券，面值100万。根据矩阵，一年后它有88.24%的概率维持BBB，4.67%的概率降到BB，0.23%的概率违约。如果你能估算出每个评级对应的债券价格，就能算出组合的预期损失。
最后，分享一个我自己的小工具。我习惯把迁移矩阵做成一个Python字典，方便在回测中调用：
# 我自己常用的迁移矩阵封装
migration_matrix = {
'AAA': {'AAA': 0.9065, 'AA': 0.0824, 'A': 0.0089, 'BBB': 0.0012, 'BB': 0.0006, 'B': 0.0003, 'CCC': 0.0001, 'D': 0.0000},
'AA': {'AAA': 0.0062, 'AA': 0.8996, 'A': 0.0810, 'BBB': 0.0087, 'BB': 0.0028, 'B': 0.0010, 'CCC': 0.0005, 'D': 0.0002},
# ... 其他评级同理
}
def simulate_rating_migration(current_rating, years=1):
"""模拟评级迁移路径"""
import random
rating = current_rating
for _ in range(years):
probs = migration_matrix[rating]
rating = random.choices(list(probs.keys()), weights=list(probs.values()))[0]
return rating这个函数虽然简单，但我在做信用债压力测试时，经常用它来生成上千条模拟路径。你想想看，如果组合里有100只债券，每条路径跑10年，就能看出极端情况下的损失分布了。
好了，评级体系这块，核心就是这些。记住：评级不是真理，只是一个「参考系」。真正做定价时，还得结合市场情绪、流动性、条款细节来综合判断。
公众号:蓝海资料掘金营，微信deep3321