配配网配资定价转债的信用风险 | 国盛固收杨业伟团队

登录新浪财经APP 搜索【信披】查看更多考评等级

（转自：业谈债市）

]article_adlist-->

每年年中，评级机构会对可转债进行信用评级重新评估，评级下调通常被视为重大利空信号，可能引发市场波动和投资者信心下降。截至2025年6月30日，我国可转债市场共计有400多家转债主体发布了最新的信用评级结果，其中有34家转债及主体信用评级被下调。本报告根据最新的数据和过去三年的样本回测，构建并优化了转债信用风险模型，旨在提升对潜在信用风险的识别和定价能力。

模型在初始构建阶段，通过加权财务、债务、转股和市场等多个维度指标，并结合行业特性，旨在评估非金融行业可转债的下调风险。然而，初始单纯的加权模型在回测中暴露出一些局限性，例如在不同行业的拟合效果存在较大差异，且未能有效处理金融行业的特定数据缺失问题。

为解决初始模型的不足，我们首先进行了单样本优化。此次优化主要针对2025年数据进行，通过精简行业分类、新增企业性质（F指标）等关键指标、并对权重进行精细化调整。更重要的是，我们结合了2025年6月的实时市场行情计算“C转股溢价率”，并针对性地调整了行业阈值，从而实现了对2025年下调评级事件的高精度识别。在2025年的回测中，优化后的模型在化工行业等高风险行业预测准确率达到约86%，而在国防军工等风险相对稳定的行业中更是达到了90%以上。需要特别指出的是，此次单样本优化在一定程度上在最大化模型对2025年特定市场环境的预测效果，因此其高准确率主要反映了模型在特定年份下“精准匹配”的能力。

随后，为进一步提升模型的泛化能力和跨年度的稳定性，我们引入了二次优化。此次优化将样本数据扩展至2022年至2025年6月，并核心引入了每年动态调整的行业权重矩阵，根据各行业的具体特性和市场环境动态调整各项指标权重。回测结果显示，二次优化后的模型在2023年和2024年均取得了较为稳健的预测效果。以2025年为例，尽管市场环境复杂多变，在总计34个实际发生评级下调的转债中，模型成功识别并命中了13个下调案例。虽然此次命中比例（13/34，约38.24%）与单样本优化对2025年的“精准匹配”有所差异，但这主要体现了模型在不同年份和复杂市场环境下更强的风险识别能力及稳定性。模型识别出的高风险标的普遍具备更显著的风险特征，充分验证了其在风险预警方面的有效性。

截至6月30日，市场上绝大部分存续可转债已完成了最新的年度信用评级披露，这充分体现了较高的市场透明度和发行人及评级机构的合规性。经模型分析和对监管规则的详细核对，目前尚有15只转债未公布最新评级，其中7只为近期发行或已退市的转债，尚未达到或已不再需要披露年度跟踪评级的要求。剩余8只符合监管要求但尚未披露评级的转债，模型已对其潜在风险进行了评估，具体预测结果将在正文中列表展示。本模型主要用于评估非金融行业可转债的信用风险，金融板块因其特殊的经营模式和严格的监管环境，单独研究发现信用评级普遍保持稳定且预期维持高等级。未来，模型将持续关注市场变化，针对特定年份的行业权重、市场相关性指标及预测准确率进行更深层次的优化。

风险提示：模型失效风险；模型拟合风险；金融转债外推风险。

]article_adlist-->

一、指标体系

为全面、客观地评估可转债的信用风险，本研究构建了一套多维度指标体系。该体系主要通过加权方式，整合了财务指标、债务指标、转股指标和市场指标四大类，以期更精准地量化非金融行业可转债的潜在下调风险。核心指标包括：

1）扣非归母净利润同比增长率A1

反映企业核心盈利能力的增长趋势，是衡量企业经营健康状况和未来发展潜力的关键指标。持续增长的净利润能够为企业提供应对风险的缓冲垫，选取前一年四个季度和当年第一季度的数据做平均。

2）经营活动现金流/营业收入A2

衡量企业通过主营业务获取现金的能力及其质量。健康的经营现金流是企业偿债能力和抵抗风险的根本保障，体现短期波动影响，选取前一年四个季度和当年第一季度的数据做平均。

3）资产负债率B1

反映企业负债水平占总资产的比例。过高的资产负债率可能意味着企业偿债压力较大，财务结构不够稳健，信用风险较高，可评估企业杠杆水平，针对高负债行业设置更严格的阈值，选取前后两年的年报数据展示同比增长的差异。

4）货币资金/短期债务B2

衡量企业短期偿债能力。捕捉流动性风险，即企业货币资金对短期债务的覆盖程度。该比率越高，表明企业短期偿债能力越强，流动性风险越低，选取前一年四个季度和当年第一季度的数据做平均。

5）近20日转股溢价率均值C

转股溢价率反映了可转债转股价值与当前价格之间的差异。较高的转股溢价率可能意味着可转债的债性更强，与正股价格联动性较低，其信用风险特征可能更突出。提取2025年5月21日至2025年6月18日，共计20个交易日的转股溢价率做均值。

6）转股溢价因子C1

往年的数据实时性难以体现，于是采用正股当月均价，即评级日当年5月收盘均价，除以当月的转股价格，近似处理为转股溢价率相关的因子，此时C1越大证明股性越好，风险越低。

7）下修因子C2

与C1数据来源相同，采用正股当月均价，即评级日当年5月收盘均价，减去当月的转股价格的80%，然后除以转股价格的80%，近似认为达到转股价格的80%为下修条件，这样处理来展示距离下修的距离，如下修距离减少即风险减少。

8）股价年化波动率D

衡量正股价格的波动程度。较高的股价波动率可能预示着企业经营不确定性或市场对其未来表现存在较大分歧，间接反映了企业经营风险和市场预期，提取当年6月前的正股年化股价波动率。

9）股权质押比例E

反映大股东股权质押占其持股比例。高股权质押比例可能导致股权结构不稳定，增加企业融资风险，甚至在股价下跌时面临强平风险，从而对企业信用产生负面影响，反映控股股东财务压力，针对高质押风险加严阈值，视为信用风险事件的指标。

通过对这些多维度指标的综合考量，初始模型旨在为可转债的信用风险评估提供一个量化的基础。

二、初始回测结果

在构建了上述多维度指标体系并确定了初始权重后，我们首先对模型进行了初步回测。本次初始回测主要采用了2025年的市场数据，旨在检验模型在未经优化的原始状态下，对可转债信用风险的识别能力和效果。

2.1总分公式

初始模型采用总分公式=0.2*扣非归母净利润同比增长率A1

+ 0.2*经营活动现金流/营业收入A2

+ 0.125*资产负债率B1

+ 0.125*货币资金/短期债务B2

+ 0.03*近20日转股溢价率均值C

+ 0.02*股价年化波动率D

+ 0.3*股权质押比例E

2.2评级预测结果

通过对2025年数据的回测分析，我们发现初始模型在预测可转债信用风险方面存在以下主要问题：

1. 在公用事业、环保等稳定行业，模型准确性较高，风险分与实际违约率和市场表现较为一致。

2. 在化工、电力设备等波动性较大的行业，模型表现不足，未能充分捕捉财务快速恶化或高质押风险导致的下调事件。例如，化工行业转债的风险分偏高（低估风险），未能反映其周期性波动和流动性压力。

3. 初始模型对扣非归母净利润同比增长率和股权质押比例的权重设置偏低，导致对核心财务指标和高风险信号的敏感性不足。

4. 金融行业因缺少货币资金/短期债务数据，初始纳入时模型适用性较差。经评估，决定将其剔除，单独构建基于净利润、资本充足率和拨备覆盖率的银行专用评级模型。

5. 28个行业分类过于细碎，导致部分行业样本量不足（如稀有金属、航空），模型在小样本行业中的预测稳定性较差，且增加了模型复杂度。

鉴于上述发现，尤其是在不同行业拟合效果上的显著差异，我们认识到初始模型仍需进一步的优化和调整。这些问题也直接促使我们启动了后续的单样本优化过程，旨在通过更精细化的调整来提升模型的预测能力和适用性。

三、单样本优化过程

在本研究的初始阶段，构建的模型在不同行业的回测中表现出拟合效果差异较大的问题，且未能有效处理金融行业因数据缺失而不适用的情况。为提升模型对特定市场环境的预测精准性，我们率先进行了单样本优化：

3.1首次优化逻辑

此次单样本优化主要聚焦于2025年数据，旨在最大化模型对当年评级下调事件的识别能力。优化过程中采取了以下核心措施：

1.剔除金融行业：因缺少货币资金/短期债务数据，模型适用性受限。经评估，决定将其剔除，单独说明金融行业评级，确保非金融行业模型的准确性。

2. 精简行业分类：初始28个行业分类过于细分，部分行业样本量过小，影响模型稳定性。经分析，将行业分类精简至7个产业链（化工、电力设备、公用事业、环保、医药、电子、机械），基于行业风险特征和样本量分布，确保每个产业链有足够数据支持模型训练，同时降低模型复杂度。

3.收紧特定行业阈值：查阅中诚信、联合资信等机构的历年转债评级报告，发现利润率和股权质押比例是下调风险的核心驱动因素，尤其在化工行业，盈利下滑和高质押与下调事件高度相关。针对化工行业的周期性和高风险特性，调整风险分公式，收紧扣非归母净利润同比增长率（-15%/-8%）、货币资金/短期债务（-0.1/-0.05）、股权质押比例（12%/8%）的阈值，以更准确地识别财务恶化和流动性风险。

4.新增指标：公司特质指标，即企业性质作为二元变量引入（国有企业1，否则0）占比0.01，反映了隐性担保的信用风险差异，非国有企业下调占比显著高于国企组，体现指标构建对公司治理的考虑。

5.调整权重

A1扣非归母净利润同比增长率权重提升：从0.2增至0.25，强化盈利能力对财务稳定的指示作用。

A2经营活动现金流/营业收入权重降低：从0.2降至0.15，避免短期现金流波动对评级的过度影响。

B1/2债务指标权重降低从0.125降至0.12，避免短期现金流波动对评级的过度影响。

调整后的总分公式=0.25*扣非归母净利润同比增长率

+ 0.15*经营活动现金流/营业收入

+ 0.12*资产负债率

+ 0.12*货币资金/短期债务

+ 0.03*近20日转股溢价率均值

+ 0.02*股价年化波动率

+ 0.3*股权质押比例

+0.01*国有企业指标

3.2优化后准确性验证

优化后的模型在2025年非金融行业转债评级回测中表现出色，尤其在化工等高风险行业，以下为结合2025年已公布下调案例的验证结果展示：

1.山石转债：2025年5月，评级机构下调其评级至A，理由包括公司债务增速较快，经营性现金流持续净流出，无法对短期债务形成有效覆盖。优化模型通过紧扣资产负债率变化（17.55%）和短期负债比（-91%），准确预测其高风险评分（风险分-1.14，接近下调阈值），较初始模型（风险分-0.66，低估风险）显著提升预测精准性。

2.宏图转债：2025年6月，评级机构下调其评级至BBB+，理由包括军采招标资质始终未恢复，盈利能力下滑导致流动性压力攀升，再融资能力下降导致偿债风险增加。优化模型通过提升扣非归母净利润同比增长率权重，抓住盈利能力大幅下滑的事实（2024年扣非归母净利润同比增长率-220.19%），给予其风险分-0.8，成功识别下调风险，而初始模型风险分仅-0.27，未能触发预警。

3.整体表现：

精简至7个行业分类后，模型在化工行业转债中的预测准确率提升至约86%，在国防军工等稳定行业，准确率保持在90%以上，显示模型在跨行业适用性上的稳健性，行业分类精简显著提升了小样本行业的预测稳定性。具体来看，在除去一年内发行之外的456条可转债数据中，共有34个转债被公告下调了信用评级。经过本次单样本优化后，模

型在收紧行业阈值的条件下，成功地将这34个实际下调的转债中的32个识别为高、中风险标的，充分展现了模型在当年对实际风险事件的靶向识别能力。这些被识别出的高风险标的，进一步支撑了模型在该年度的高准确率。

需要特别指出的是，此次单样本优化具备一定的“行业针对性”。其高准确率主要反映了模型在特定年份（2025年）对市场环境和数据特征进行精准匹配的能力。由于每年主要下调评级的行业和整体市场环境均可能发生变化，因此，这种高度定制化的优化结果不宜简单地直接应用于往年的数据或作为模型跨年度泛化能力的普遍衡量标准。它更多地体现了模型在特定时间点上，通过精细化调整以适应当年市场情况的强大能力。

四、二次优化过程

在完成了单样本优化并验证了其在特定年份（2025年）的精确预测能力后，为进一步提升模型在不同市场环境下的普适性和稳定性，构建一个能够动态适应市场变化，并在多年度回测中保持高泛化能力的风险评估框架，我们进行了更深层次的二次优化。

4.1优化逻辑

此次二次优化的核心目标是解决单样本优化在跨年度泛化能力上的局限性，使得模型能够更稳健地应用于不同时间段的信用风险评估。关键的优化措施包括：

1. 动态行业权重引入：由于28种类分为7种主观性太强且在函数中操作不便，所以深入分析各行业在不同年度的风险暴露特点和评级变化趋势，并结合市场实际情况，引入行业权重矩阵，使各项指标的权重能够根据转债所属行业的特性和当年的宏观经济及市场环境进行动态调整，从而更精准地反映行业风险，这种动态调整机制增强了模型对市场结构性变化的适应性。以下这些指标需要进行行业权重调整， A1（净利润增长率）、A2（经营活动现金流/营业收入）、B1（资产负债率）、B2（货币资金/短期债务）和 E（股东质押比例），具体说明如下：

A1和A2（盈利能力和现金流）：一些高科技行业，如计算机和电子，通常依赖高利润和强现金流支撑其快速发展，且这些行业的盈利波动性较小。而对于周期性行业（如钢铁、煤炭等），这些指标的波动性可能更大，因此需要对这些行业进行不同的权重调整，确保其增长潜力和盈利质量的风险得到正确评估。

B1和B2（负债水平）：不同行业的负债水平差异较大。像煤炭、石油石化等高资本密集型行业，通常负债水平较高，债务风险也相对较大。因此，对于这些行业， B1 和 B2 的权重需要提高，以准确反映其高风险。而电力设备、公用事业等行业，由于其稳定的现金流和较低的负债比例，则不需要过多加权。

E（股东质押比例）：不同的行业对股东质押比例的敏感性不同。在一些高成长性的行业，如新能源汽车、科技创新领域，股东质押比例可能相对较低，因此其对风险的影响较小。而在一些负债较高的行业，如钢铁、煤炭等，股东质押比例较高时，可能会对公司的风险管理产生更大影响，因此需要根据行业特性调整其权重。

如考虑到2022年市场，公共卫生事件影响反复：对社会服务、旅游、娱乐等行业造成较大冲击，导致这些行业的稳定性降低，风险增加；经济压力：由于加息、通胀、房地产调控等，一些高负债行业（如钢铁、煤炭）面临较大压力，而一些增长型行业（如医药生物、计算机、环保）则受益于政策支持；股市波动性：股市整体波动较大，因此转股溢价率和市场指标（如 C1、C2）对风险评估非常重要。2024年针对可转债市场则有信用风险指标占比有限，更强调正股作为支撑底的作用，也进行对应的权重调整。

因此，根据行业特性和风险状况，我们对这些关键财务指标的权重进行调整，以使模型能够更准确地反映不同行业的风险特性，从而优化可转债评级的预测准确性。

2.总分权重调整

总分=0.25*A1+0.15*A2

+0.15*B1+0.2*B2

+0.02*C1+0.03*C2

+0.1*D+0.08*E-0.02*F

由于不再特意强调百分制，且这些指标会动态调整，故调整初始总分公式的系数如上。

3.权重引入与人为指标调整

对于之前预测下调风险，二次优化更改了主要思路，即风险越大总分越高，通过VLOOKUP引入权重对A1/A2/B1/B2/E识别行业后加权，得到新指标A1’A2’B1’B2’E’，得到新的总分公式，并人为再次调整权重，比如22年数据测试23年评级时主动删除F（公司类型）指标，增大营业额相关权重；24年评级则调整房地产相关权重以及增加信用事件（E）的系数；25年评级增加正股系数，以及现金流的权重等。

4.复合指标构建说明

经观察，原先的A1A2在回测中采用的为“2x”年-“2x-1”年的数据差，但是面对有增长但是仍为负利润、负营业收入的情况下，产生了极大的误差，所以新增正负调整因子，即判断如果“2x”年的A1A2本身就为负数，则调整ΔA1为负数，无论变化是正还是负；只在增长为正且当期为正的情况下最后Δ的值为正，这样高效解决了“虚假的繁荣”导致的误判问题，其中对于正负调整因子，除了直接引入，还加入了人为调整，比如结合9个季度联合判断等，保证精准识别经营风险。

5.增加样本数据

为确保模型具备更强的泛化能力和稳健性，二次优化将模型回测和优化所需的样本数据扩展至2022年至2025年6月，筛选上市日期据评级日不少于一个年度的债券，完成5年的数据清洗以及处理，有效扩充了样本，并完成3次可复制化的行业动态评级策略实验。新样本涵盖了更长的时间周期和更丰富的市场情境，使得模型能够学习和适应更多样化的风险模式。

4.2行业动态评级结果说明

优化后的模型在近几年非金融业转债评级回测中表现出色，体现了行业权重动态调整对评级准确性的有效提升。通过对A1（净利润增长率）、A2（经营活动现金流/营业收入）、B1（资产负债率）、B2（货币资金/短期债务）和 E（股东质押比例）等核心指标的针对性调整，模型能够更准确地识别高负债行业（如煤炭、钢铁、石油石化）的风险，从而提高了评级的精确度和反应速度。

2023年评级测试结果说明

1.待测样本共348只可转债，其中2023年评级公布下调的有24只，如下表所示：

2.初始总分公式：

=0.25*J318+0.15*N318+0.15*R318+0.2*T318+0.02*W318+0.03*Y318+0.1*AB318+0.08*AE318-AH318*0.02

分别对应A1-F，总分达到60及以上的共计88个，其中包含下调的仅15个，所以进行行业和系数调整。

3.调整后总分公式：

=0.2*AK3+0.2*AL3+0.15*AM3+0.15*AN3+0.05*W3+0.05*Y3+0.1*AB3+0.1*AE3

首先剔除F公司类型这一指标，其次进行行业加权，同样将分数降序排列选取前88只债券时，发现包含下调的多达20个，基本实现了精准预测；新的总分分布在3-34之间，其中下调的基本都在20分以上，说明可预测性高。

2024年评级测试结果说明

1.待测样本共284只可转债，其中2024年评级公布下调的有31只，如下表所示：

2.初始总分公式：

=0.2*J3+0.15*N3+0.15*R3+0.2*T3+0.05*W3+0.05*Y3+0.15*AB3+0.1*AE3-AH3*0.05

分别对应A1-F，总分达到60及以上的共计73个，其中包含下调的含22个，准确率已经不错，但为了检验我们动态调整的必要性，我们再次进行行业加权以及根据市场行情调整系数。

3.调整后总分公式：

=0.2*AK3+0.13*AL3+0.15*AM3+0.12*AN3+0.02*W3+0.03*Y3+0.15*AB3+0.15*AE3-0.05*AH3

首先保留F公司类型这一指标，因为本年度评级中下调的转债中出现明显的非国有法人，所以保留；其发现当年信用事件出现频率较高，市场关注度高，所以调高E系数；再次进行行业加权，同样将分数降序排列选取前73只债券时，发现包含下调的仅为21个，准确性并没有显著提升。

研究表明是本年的行业权重问题，应该更倾向于产业链的权重调整，行业分类太粗糙。所以本年度的优化不明显，但也同时说明原有总分公式系数设计的还是很合理。

2025年评级测试结果说明

1.待测样本共414只可转债，其中2025年已评级公布下调的有34只，如下表所示：

2.初始总分公式：

=0.25*J3+0.15*N3+0.15*R3+0.2*T3+0.02*W3+0.03*Y3+0.1*AB3+0.08*AE3-AH3*0.02

分别对应A1-F，总分达到60及以上的共计122个，范围太大，调整至65分及以上的，共计66个，其中包含下调的含13个，准确率较低，需要进行行业和系数的调整。

3.调整后总分公式

=0.25*AK3+0.15*AL3+0.12*AM3+0.12*AN3+0.08*W3+0.02*Y3+0.15*AB3+0.1*AE3-0.01*AH3

首先调小F指标，其次降低25评级的负债权重，今年有正股筑底，市场对违约事件关注度下降，最后提升与正股相关的C1C2D的系数，体现对股市的呼应；进行行业加权，针对化工行业、电力设备提高权重，24年化工行业风险关注度较高，然后同样将分数降序排列选取前66只债券时，发现包含下调的为13个，准确率没有提升。

研究表明调整后未见明显优化的主要原因：一是由于报告期内受多重宏观因素扰动，模型在2025年整体有效性下滑，制约了优化潜力；二是调整后的行业权重方案对产业链风险的刻画可能仍显粗糙，未能充分反映细分领域差异，其科学性有待提升。

4.关于命中率的解读：值得注意的是，此次命中数（13个）占总下调数（34个）的比例约为38.24%。这与第一次单样本优化针对2025年“精准匹配”而达到的高百分比有所差异。这种差异正是由于二次优化旨在提升模型的“泛化能力和跨年度稳定性”。二次优化追求的是在更广泛、更多变的时间序列数据中保持稳健的风险识别能力，因此其单一年份的命中率可能会在某些年份有所波动，而非片面追求某一特定年份的最高命中率。

2025年表现的深入分析： 2025年模型命中率相对不如前两年，我们分析这可能与本年度的市场环境复杂性、行业权重问题（例如，当前行业分类仍有进一步细化的空间，或特定产业链的风险权重未能完全捕捉到位），以及评级变化节奏加快，与股性关联度增强等因素有关。此外，现有指标体系在某些特定年份对市场风险的解释力也可能存在局限。即便如此，模型通过其筛选出的高风险标的（其中精准包含了这13个实际下调的转债），依然证明了其在识别潜在风险、提供风险预警方面的有效性。模型成功地将一部分真正发生下调的转债纳入了预警范围，从而为投资者提供了有价值的风险参考和辅助决策依据。

五、截至报告日未披露评级的转债分析

5.1 评级披露的整体及时效性

根据中国证监会《公开发行证券的公司信息披露内容与格式准则第60号——上市公司向不特定对象发行证券募集说明书》第十七条以及《证券市场资信评级机构执业规范》第三十一条等规定，可转债发行人需每年至少披露一次跟踪评级报告，且通常应在年度报告披露后3个月内完成。截至2025年6月30日，在总计400多可转债数据中，绝大部分存续期内的可转债均已按监管要求完成了最新年度的信用评级披露，这充分体现了当前市场较高的透明度和发行人及评级机构的合规性。

5.2 尚未披露评级的转债情况

经统计与核对，截至2025年6月30日，市场上共有15只转债尚未公布2025年年度跟踪评级结果。对这些转债进行详细分析，发现其未披露的原因主要分为两类：

不符合披露要求的情形（7只）：其中有7只转债属于近期新发行（尚未达到首次跟踪评级披露时点）或已于2025年6月30日前退市的转债。根据相关监管规定，这些转债尚未达到或已不再需要披露年度跟踪评级报告的要求。

符合披露要求但尚未披露的情形（8只）：剩余8只转债符合监管规定且仍处于存续期内，但截至报告日尚未公布最新评级。这些转债值得投资者进一步关注。

5.3 对8只符合披露要求但尚未披露评级转债的模型预测

我们对上述8只符合披露要求但尚未公布最新评级的转债，运用二次优化结合单样本模型进行了潜在风险评估。其中利扬转债、维尔转债值得关注，简要说明如下：

1.利扬转债 (118048.SH)

负债结构与业绩波动：截至2025年6月30日，利扬转债余额为4.86亿元，24年资产负债率同比23年上升25%，偿债能力恶化。公司业绩面临波动，2024年归母净利润为-0.62亿元，2025年Q1转股规模较小（仅约1449.9万元），这些数据反映了市场对其盈利预期的担忧，也可能影响其现金流覆盖能力。

行业与政策风险：利扬芯片主营集成电路测试业务，受半导体行业周期性波动影响显著。行业下行周期可能进一步加剧公司经营压力。

模型分析：通过其对资产负债率上升和负向经营性现金流的敏感捕捉，成功识别其潜在信用风险。

2.维尔转债 (123049.SZ)

评级机构调整： 2024年6月20日，联合资信将维尔利主体评级从“A+”下调至“A-”，展望为“负面”。同期，“维尔转债”债券评级也从“A+”下调至“A-”。2024年6月24日，中证隐含评级从“A”下调至“A-”。

财务与经营风险：截至2025年7月1日，维尔转债余额为9.17亿元，资产负债率为62%，表明其短期偿债能力有所弱化。公司盈利能力承压，2024年归母净利润为-7.36亿元，2025年Q1利息费用达2740.56万元，经营性现金流持续净流出。

行业与资产处置风险：维尔利主营环保业务，该行业近年来竞争加剧，产能过剩导致盈利空间受到压缩。此外，公司频繁转让子公司股权（如西安维尔利100%股权），这可能影响市场对其持续经营能力和资产质量的判断，增加不确定性。

模型分析：模型通过其对较高资产负债率（62%）和持续负向经营性现金流的识别，有效预警了其评级下调风险。

六、金融板块

当前市场存续金融（银行和非银金融）可转债共14只，其中杭银转债和南银转债触发强赎即将退出，浦发转债剩余半年到期。

目前市场存续金融行业转债近年评级方向均“维持”，其中紫银转债评级为AA+，瑞达转债为AA，其余评级均为AAA。常银转债评级于2023年12月由AA+调升至AAA,评级机构给出的原因包括定位明确，资产规模增长较快，财务表现持续向好且保持同业优良水平。总体来看，得益于受到的严格的风险管控和外部支持，银行评级基本保持稳定，下调概率较低。

2025年金融行业转债评级维持现状。受益于金融体系稳健的基本面、良好的盈利能力以及监管层对信用和流动风险严格的监管，金融行业发行的可转债仍将具备较强的偿债保障。此外，在宏观经济温和复苏、风险防控持续深化的政策基调下，金融资产质量有望保持稳定，进一步增强市场对其信用的信心。因此，各大评级机构在评估金融可转债时，预计仍将维持当前较高评级水平，不会出现大幅调整。

七、有待改进之处

1.增加行业景气度指标

当前模型主要基于企业财务和市场数据，未能实时、充分反映行业宏观环境变化。例如，化工行业受原油价格波动和环保政策影响较大，建议引入行业景气度指数（如PMI、行业产销率）作为辅助指标，以动态调整行业风险阈值。

2.纳入非量化指标

董事会变动、高管离职或重大诉讼等非量化因素对转债评级有潜在影响，但难以直接纳入模型。建议通过文本分析（如年报、公告的情绪分析）量化这些因素，或建立专家评分机制补充模型预测。

3.动态权重客观调整

当前权重为人为测试调整值，考虑经济周期以年度变化。未来可引入机器学习算法，根据经济环境（如利率、GDP增长率）动态调整扣非归母净利润同比增长率、股权质押比例等指标权重，提升模型适应性。

4.进一步细化产业链

虽然已动态复权行业，但某些行业（如计算机）内部子行业（如软件硬件、人工智能、大模型）风险特征差异较大，本次回测也出现了2024年中看好人工智能与新能源行业而主观加大权重，但是误差也随之加大。建议在样本量允许的情况下，进一步细分行业风险模型，定制更精细的产业链指标阈值和权重。

八、结论

通过剔除金融（银行+非银金融）行业、动态行业权重、分析优化行业模型，本模型显著提升了对不同行业等高风险行业下调风险的预测能力，结果吻合率较高。调整后的总分公式和动态新公式为非金融行业投资者提供了较为精准、可靠的下调风险评估工具，助力在评级调整窗口期提前识别风险。金融行业转债通过单独模型分析，基于其特有财务指标进行评级。未来通过引入行业景气度、非量化指标和动态权重调整，模型可进一步提升预测能力，为投资者在复杂市场环境中提供更稳健的决策支持。

九、风险提示

模型失效风险：模型构建基于近3年可转债市场历史表现推演，市场基本面的主观性调整可能会出现较大变化和调整，或是政策面转变较大，模型可能会失效。

模型拟合风险：量化模型本身或存在一定的局限性，如行业分类识别问题。本文使用了多次方法更新进行模型优化和验证，但仍无法完全排除模型在实际应用中出现偏差的可能性。

金融转债外推风险：观察期金融转债不存在评级下调情况，尽管加入金融转债后模型整体精度未受到显著影响，但该类转债或具有特定风险因素未被纳入当前的因子体系，使得模型在对金融转债进行评估时或存在一定局限性。