天弘基金张士扬：用标准化打造稳健的信用评级系统

来源：市场资讯

（来源：基金经理英雄榜 点拾投资）

导读：低利率时代下，固收投资的范式正在发生变化。过去几年依靠极致加杠杆、拉久期和信用下沉来获取较高收益的方式难以为继，专业机构在每一个能力方向的精耕细作变得尤为重要。作为一类独特的资产，信用债具有风险收益的“非对称性”，即提供的正向收益有限，但一旦出现违约或风险事件，所带来的亏损和声誉伤害很大。

那么，如何让信用研究在守住风险底线的前提下，积极获得相对合理的收益？如何激励信用研究团队，持续定价出具有最佳风险收益比特征的品种？

天弘基金的信评团队，给出了不一样的答案。这家具有科学化和智能化基因的基金公司，打造了一套具备整体性、稳定性和一致性的信用评级体系。

在整体性上，天弘信评团队实现了广泛的市场覆盖，从普通信用债的全量主体拓展至ABS、REITS、点心债和熊猫债等信用品。全量覆盖、统一视角才能真正理解各类资产的内涵，构建资产间做比较的基础。

在稳定性上，天弘高度重视研究的过程管理。不仅要求信用债评级结果稳定可靠，评级迁移连续且具备缓冲空间，还要要求每次信用事件冲击都有完整的事前研判、事中应对和事后复盘。

一致性上，他们在统一的评级框架下，要求在横向的跨行业对比和纵向的行业内比较下，不同信用主体的信用水平和投资价值清晰可比。同时，信用研究团队会基于统一的语言向基金经理输出标准化的结果。

在标准化建设过程中，天弘同步开发了适配投资、研究和交易的信评系统。基金经理在系统中能看到主体完整的评级迁移过程和基于内部收益率曲线的定价逻辑；筛选投资标的时，系统可根据内置策略选项，自动呈现不同主体的超额收益对比情况。

目前，天弘基金的信用债主体入库率超过50%，这在大型基金公司中处于较高的容量水平。在入库主体中，行业分布相对分散，并不集中于如城投债等特定品种。信评系统已和天弘自主开发的TIRD投研平台打通，能够更加全面有效地对股票、固收、固收+、交易等团队等提供投研支持。

张士扬深耕信用债投资研究领域多年，并于一年多前加入天弘基金。在加入天弘基金之前，张士扬就管理过信用评级团队。与他的访谈中，我们看到了一个系统化驱动的信评框架。而这套框架，又和天弘基金的智能化基因完美融合。

1.信用债的正向收益有限，但是向下的亏损空间很大，这形成了风险和收益之间的非对称性。所以，信用研究的前提是面对不利环境时的防守能力。

2.完整的信用研究框架至少包括四个层面：信用文化、流程与制度、评级体系，以及IT系统。

3.信评团队的体系化核心能力是风险偏好选择和对过程进行有效管理，最终能经得起市场检验只是自然的结果。

4.研究框架的整体性、稳定性和一致性确保团队每个人都是用同一种“语言”沟通。

5.有了强大的IT系统后，所有的事务性、流程性工作全部线上化、自动化，研究员能够沉浸于研究，有更多的时间做深度思考。

6.通过集中化和标准化的建设，我们所有的知识体系都能够沉淀到统一的平台系统中，并实现面向投资和交易的透明化。

7.天弘基金的入库率超过50%。这个指标非常透明，行业内机构间总体可比，代表着我们总体的风险偏好选择和研究能提供的攻防支撑能力。

8.只有平衡好个体和平台的关系，才能让每个人在团队中安心工作。

9.我们的信评系统，是公司自主开发的TIRD平台一部分，内部的研究结果在不同团队之间是互相打通的。

信用债具有非对称性，

防御能力是滚雪球的基础

朱昂：您在信用研究上有很深的积累，2011年就开始做信用评级，之后一直在买方做信用研究和策略研究，能否谈谈这些年来，您关于信用债投资和研究的方法论是如何一步步形成的？

张士扬 我在评级公司只有一年半左右，但是收获良多。首先，评级公司早期严谨的工作流程和方法使我对如何遵循体系化和专业化原则展开研究工作初步有一点心得。其次，真正近距离观察企业运作的诸多环节，让我得以领悟企业长期价值和信用水平的内在映射。在此期间，我开始确立了从公司治理、业务运营到财务分析逐次展开的大体分析原则。

2012年，国内债券市场尚处于大发展的早期，我顺理成章地去了基金公司。在买方，我从研究员一路做到基金经理，再到信用主管，每一次角色转换都让我体验了信用研究和投资不同视角与风景。

在买方研究员阶段，我最朴素的想法是规避违约并且为基金经理挑选收益最高的个券。当时信用债市场定价不充分，总体上规避违约和推荐个券的效果都不错。我也在刚进入买方就开始系统性地研究信用定价的问题，当时买方更多地依赖外部收益率曲线进行相对定价。大约2016年后，市场经历了相对大的信用事件冲击后，买方才真正重视基于基本面的绝对定价。我也在长年累月的研究积累，开始对基本面定价和市场定价的不同，有了更清晰的认识。

我认为信用定价至少要包含两个维度：

1）内部定价和市场定价的差异。我们要知道是什么形成了定价的差异，我们在定价上是否真的找到了alpha。通过和市场长期“对话”，我们更能理解信用风险和收益的真实内涵。在当前这个有效市场，真正的alpha难觅，更多的是承担更高风险所得到的轻微补偿。

2）不同资产类别和行业的定价差异。正如我们在评级工作中注重比较一样，寻找真实的信用定价和alpha也一定是基于全面的差异比较而来。举例来说，城投和地产都是总量经济中有重要影响的大行业，市场在某些时候会认为城投风险极小而地产风险很高，以至于中低评级城投利差很窄而优质央企地产利差很阔。此时，我们有相当的把握认为优质央企地产信用债存在真实的alpha，而且这种alpha通常会很快随着市场情绪的平复反应在随后的曲线定价之中。所以，单一资产的绝对定价缺乏审慎的风险计价，只有全面的信用品覆盖才能帮助我们理解底层资产之间广泛的联系和价格驱动力，这是信用定价的基础。

朱昂：2016年您开始真正做固收投资，再到管理整个信用研究团队，这个阶段对您今天的投资和管理风格，有什么影响？

张士扬 我刚开始做投资时，信用市场有效性不足，恰好2016年又遇到了供给侧改革，信用利差大幅走扩。所以，我做投资的初期运气比较好，遇到了一个很好的开局。

我把信用Alpha总结为四种来源：

1）行业处于下行周期时，优质债券被市场系统性抛售的机会，类似2016年的供给侧改革。你只需要判断行业会不会消失，然后去选择优质企业就行。这个阶段Alpha很安全，而且容量也很大；

2）基本面重回改善通道的“坠落天使”（Fallen Angel）。这类债券主体的质变，会带来利差的大幅收缩；

3）被市场错误定价的正常债券，收益高出了它应有的位置，这时候你可以把债券收益率买下来；

4）基于回收率和违约率的垃圾债。

不过，以上每种策略我都踩过一些“坑”，因为这些策略都有内在的脆弱性。比如说，当行业处于下行周期时，我们很难预测系统性风险带来的调整有多深，出清和利差走扩的幅度可能超出多数人的预期。当我们去买Fallen Angel时，可能公司基本面经历短暂的改善后又重回熊途，如果中途贸然介入博取高收益，很有可能“摩托”变为“单车”。任何基于范式的交易，都不能保证我们长治久安。

大多数人认为，管理信评团队，就是把研究员和基金经理的角色结合在一起。但是真正开始管理，会发现管理团队的复杂度远不止于此。作为基金经理，对看不懂的个券可以不买，但是管理信用研究团队，不仅要管理好公司的整体风险偏好，还要对全部主体做好风险的过程管理，建立起“戒备森严”的风险防控体系。国内市场对违约风险的接受度很低，一个错误会对公司带来很大的负面冲击。

但是，如果信评团队过度保守，直接把高收益的部分完全剔除，资产池容量不足，又无法满足基金经理的需求。这和股票投研互动模式有很大不同，股票研究员给基金经理推股票，都是要找预期收益率最高的，双方目标一致。但是信用债研究员如果过于保守，很可能把相对高收益部分都去掉了，这种投资和研究之间的张力比股票投研互动大得多。

应该怎么办？2019年，我做专户投资也踩过一个有色行业的雷。回头看，虽然最终妥善解决了，但是对我自己、对公司、对持有人都是一次比较大的消耗。于是，我开始去学习资产配置，去看像社保、海外那些管理几万亿规模的大机构，是怎么做债券投资的。结果对我冲击很大，大型机构投资者说的“债”，专指利率债和高等级信用债。

我逐渐感受到信用债“非对称性”的威力。信用债是一种能够让投资者长期获得正收益的资产，但是阶段性也可能产生巨大的亏损。信用债的正向收益有限，但是向下的亏损空间是很大的，形成了风险和收益之间的非对称性。

理解了“非对称性”后，我在信用债上的投资就会采取偏防御的心态。如果总是想着进攻，迟早有一天会亏大钱。我会要求团队在风险中性的前提下，把研究做扎实。在坚守底线的基础上，尽量为不同类型的基金经理和客户，形成研究层面的支持。

四重信用债研究框架

从文化到流程制度，从评级体系到IT系统

朱昂：当时为什么选择加入天弘基金？

张士扬 我觉得天弘基金是一个很年轻的团队，也相信在天弘基金的大平台下，大家能把业绩跑出来。

更重要的是，现在市场对信用研究这个能力本身的关注度有显著向下走的趋势。但是信用研究能力对任何一个大型资产管理公司来说，都是需要长期保有的一种核心能力。在我面试接触过的公司中，天弘的管理层明确告诉我公司并不在意这类资产短期关注度是不是阶段性向下，而是希望公司在这个细分领域具备良好的行业竞争力。

这是非常打动我的地方。天弘基金不是因为看到这个资产在风口上才重视它，而是认为这个能力本身就很重要。来了之后，公司对我们部门的支持也确实很大，所有的团队都很配合，我们是真的把它当成一件很重要的事情，认认真真在做。

朱昂：接下来，能否聊聊天弘信用团队的框架？

张士扬 大家谈框架，主要关心的是评级技术。评级技术当然是核心的部分，但是我觉得他远远不是全部。信用风险具有隐蔽性、长期性、滞后性，过去10年债券领域出现的问题，大多数都是信用投资带来的，我们很难用简单的框架去衡量。我们认为，一个完整的框架，至少包括四个方面：信用文化、流程与制度、评级体系，以及IT系统。

第一，信用文化。我们强调风险控制下的长期可持续。大家都讲“长坡厚雪”，管控不住风险，雪球滚着滚着就散掉了。做不到长期可持续，就是在不断从头滚雪球，享受不到复利。

我们的理念是：任何时候的防守能力都要足够好。不能说平时觉得防守很好，一个大的系统性风险到来后，又说自己没想到。所谓养兵千日、用兵一时，研究员一定要把所有可能、不可能的风险都思考到，才能做到固若金汤。

第二，流程与制度。天弘基金的管理层，要求在风险管控的前提下，对大家制定考核绩效，优先强调信用评级的稳健防守能力，在此基础上要求创造更多的收益。

在制度上，我们要求风险收益策略是大容量的，不能说基金经理管10个亿时信评可以满足要求，能够对个券精挑细选。这也反过来推动我们的信评体系尽力做到攻守之间的平衡。

第三，评级体系。一个可靠的评级体系需要做到前瞻性和准确性。违约事件爆发前都是有迹可循的，我们的评级体系通过系统性地构建整体性、稳定性和一致性来实现过程管理。

首先，整体性代表我们必须有全局视野。形成了全局视野，才能知道哪里性价比最好，哪里风险最高。我们在信用债领域已经做到对公开债发行主体及债项从品种到期限的全覆盖。除了传统信用债，我们还拓展到ABS、REITS、点心债、熊猫债、中资美元债等所有信用品种。只有视野足够广阔，才能真正理解各类信用资产的内涵。

其次，稳定性不仅是研究结果，更是研究的过程管理。我们的投资团队能清晰看到信用主体的评级迁移过程。对于同一个主体，原则上研究员每半年最多只能调整一次评级。所以初始评级要定准，之后的级别调整也要审慎和前瞻。如果动辄将主体评级跨多个子集移出库，说明初始的评级是不准确的或者评级跟踪没有前瞻性。此种情况如果多次发生，基金经理和研究员之间难以建立真正的信任。

最后，一致性听上去容易，但做起来很难。一致性代表着统一的标准，不同的行业研究员标定同一个公司，偏差不能超过一个子集，而且对应的评级逻辑必须自洽。只有做到一致性，才能形成科学有效的结论。举个例子，某地方最好的平台公司和最好的银行，他们的评级误差不应该超过一个子集，因为无论基于自上而下还是自下而上的评级方法，两者之间的政策特性和资产质量具有高度一致的相关性。

这种一致性确保团队每个人都是用同一种“语言”沟通。时间越久，我们的评级体系越强壮。举个例子，我们的研究员担心地产基本面持续恶化，而下调了某些房地产公司的评级。那么，地产产业链的其他行业和公司，是否也要重新审视并下调？从横向到纵向，相关主体的评级都需要重新审视，这就要求我们的逻辑始终都要遵循内在的一致性并且自洽。

第四，是IT系统建设。在不少信评团队里，信用研究员花了太多时间处理流程性和事务性的工作，真正做研究的精力受限。比如说，客户要一些数据统计或者点评、投资要求的临时性入库操作等，会占据研究员很大一部分精力。所以，我觉得IT系统建设怎么强调都不过分。

天弘基金的IT建设，已经嵌入到我们的流程、知识库、投研互动等方方面面的环节。有了强大的IT系统后，所有的事务性和流程性工作全部线上化，研究员能够聚焦于深度思考。长期来看，IT系统大幅提高了研究员的工作效率。

具体而言，我们信用评级团队的人数与之前大致相当。但是我们的工作产出是之前的3倍，而且时效性大幅提升。

虽然我们一直强调过程管理，但最重要的是，所有的这些框架所输出的结果都必须能接受市场风险事件的持续检验，否则团队目标都是空中楼阁。对于基金经理和研究员，业绩是最终极的评判，我们始终相信高质量的过程管理可以显著提升业绩的可预测性和稳定性。

以标准化输出，适配投研一体化需求

朱昂：天弘的许多固收基金经理反馈公司信用研究较此前有明显提升，能否分析具体有哪些迭代？

张士扬 首先，我们做了集中化和标准化的建设。前面提到，我们对所有覆盖的信用主体，全部按行业形成了统一的评级框架（超过80%的主体被标准化模型覆盖）。一旦框架统一后，我们就能向基金经理输出标准化的结果。

过去，研究员之间、投研之间更多是点对点沟通，不是标准化的结果，是研究员个人的看法，而不是团队的整体观点。甚至在城投债这个细分行业中，每个研究员也都有自己的标准。非标准化的研究输出，无法在团队层面形成内在的一致性。

通过集中化和标准化的建设，我们所有的研究报告和评级体系，开始逐步沉淀到统一的系统平台中。我们信用研究团队的内部业务交流，在团队内部是完全透明的，要能经得起团队内其他成员的检视。

其次，我们通过强大的系统能力打通了投研交之间的沟通壁垒，实现了投研的深度融合。从去年5月开始，我们把所有行业评级框架的报告做了细化，逐个跟投资团队进行沟通，根据反馈再修订，定型后全部嵌入内部IT系统。目前我们构建了完全基于内部评级的收益率曲线，支撑个券定价和策略选券，研究质量相比过去上了一个大台阶。

第三，我们希望为团队提供高质量的即时交付。天弘基金完全不再依赖外部评级和收益率曲线，系统中实时的评级迁移矩阵、跟踪统计、定价模型和深度报告完全向投资和交易员开放。即，我们所有的研究都是透明的，可以让大家在统一的话术下有效沟通，并且形成持续的迭代。

朱昂：在天弘，是否存在因为您团队的信用深度研究，反向驱动基金经理发掘、配置被市场错杀的投资机会？

张士扬 在天弘基金，不存在研究反向驱动投资发掘这个事。因为我们系统里的评级都是清晰透明的，收益率也是自动呈现的，从底层逻辑到输出内容都是标准化的。基金经理只要确认研究员的评级没问题，按照收益率从高到低排，自动就呈现了Alpha。当然，投资经理需要审慎地思考更高的收益率到底是真实的alpha，还是承担了更高风险所获取的轻微补偿。

我们的信用债投资、研究和交易在系统层面已经完全打通，所以只要确保信用研究是高质量的，所有信用策略都已内置到交易系统中，就能够支撑团队在大容量环境下做出快速反应。

为了确保投资策略符合不同组合的风险偏好，我们会根据不同类型的产品，对个券做严格的风险分层。货币基金风险偏好最低，只能切到覆盖个券的前20%左右。短债基金的风险偏好较高，能够切到50%分位。考虑到天弘的货币基金体量大，对于高等级信用债我们也要确保做好评级，做到万无一失。

朱昂：信用研究在很多大基金公司是偏保守、偏防守的，但是客户又需要一定的收益。一个现实的问题是：研究员"不犯错"是最好的，他可能没有动力去推荐好的品种，但基金经理还是要有收益。天弘怎么平衡？

张士扬 这是一个很核心的问题，但是在天弘基金，不存在只防守的困境。

我们可以用"入库率"来定义一个信评团队的整体风险偏好。全市场有公开债券存续的主体大概4000家。一般来说，一个保守的信用团队，入库率大概在30%左右；一个中性风险偏好的团队，在40%到45%；一个风险偏高的团队，在50%以上。天弘基金的入库率是超过50%的。这个指标非常透明，入库率越高，代表着潜在边际风险偏好越高。

当然，入库率不能代表风险偏好的全部。我们还要确保行业分布是广泛、均匀和有效的，而且行业间是可比的。你不能说城投的入库率接近100%，地产行业只有10%，行业间的广泛联系决定了风险等级分布遵循其自身的映射法则。天弘基金的特点是高度重视产业，我们的产业入库率会比同行更高，而城投反而略低。

至于研究独立性怎么保证？关键在考核。对于我和我们部门，风控永远是KPI考核的第一权重指标；但对于研究员来说不是。差异化的考核机制，确保了研究员层面具有相当的灵活性。对于他们的考核，我更多强调研究的广度、深度和质量。

在“可投不可投”上出现分歧时，我们的做法通常是允许投，但会控制总量实现分散。总的原则是：投资发起，研究员负责深入研究，利用组合比例限制和可投额度来管控分歧。我们也不鼓励研究员主动去发起公司层面高风险偏好的投资，因为这是信用债本身的负偏态特点决定的。

但是转债不一样。转债是一个高流动性、典型右偏的资产，逻辑更接近股票。所以我们是鼓励研究员去推荐没有明显信用风险的转债，只是不允许推荐少数信用风险已经很显著的主体。不同的资产，我们处理的方式是不一样的。

以数智化平台打通多团队协作

朱昂：天弘基金在平台化、智能化领域做了大量的投入，能否谈谈公司在信用研究上有哪些智能化的平台或工具，帮助团队提高研究的效率？

张士扬 首先，是通过平台实现团队之间的线上化互动。我们的信用研究IT平台，是公司自主开发的TIRD平台一部分，内部的研究结果互相打通。无论是股票团队还是信用团队的研究成果，都能够在这个平台自动呈现。另一方面，基金经理、研究员、交易员等不同角色的工作，登入TIRD平台都会展现专属自己的界面。只要研究员对评级做调整，平台的所有系统都会相应改变。

相比于投资结果，我们对于工作流程也非常重视。由于投研系统实现了完全的线上化，我们能清晰看到研究员每一个环节的工作流程。内部的投研观点变化，都是极其透明的。

其次，是通过平台完成了统一的标准。比如说在信用模型上，我们在充分考虑了境内外评级公司的不同方法论后，做了本土化处理。我们做的每一个行业模型，都经过了和投资团队充分的内部沟通。至今，我们已经完成了21个行业模型，覆盖了超过80%的发行主体。这不仅是信用团队的标准，更是天弘固收团队的标准。

朱昂：天弘是如何把信用研究员的个体智慧数智化、平台化的？天弘信用研究对于AI技术的使用是怎样的？

张士扬 我们整个公司的战略强调AI in all，信评团队也在给每个人训练自己的Agent。我觉得，每个人都要用AI，它最后会像电脑和手机一样，成为你的"忠诚僚机"。

但是我们始终明白：你最终能达到的高度，是你自己赋予自己的，不是你的Agent能给你的。所以你不用焦虑自己的Agent不如别人，真正应该焦虑的是，你的认知能力不如别人、你本身的技能不够强，那你才会被取代。AI能做的，是开阔你的视野、提高你的流程效率。

恰恰因为这样，现阶段我不太鼓励年轻的分析师过早地、过度地依赖AI工具。你本身就是要去学习信用研究这项很特殊的技能，如果什么都让AI替你干，时间久了，你永远没办法获得这些技能。对人来说，最重要的是决策和思考——去思考新的东西，而这恰恰是Agent替代不了的。

朱昂：所以最终拍板的，还是人。

张士扬 所有的结果，百分之百都由人来定夺。Agent可以做到的，是我告诉它哪些指标重要，它就用一种制式的方式反馈给我——如果某个指标弱化，AI通过监控给出一个大概的判断。AI能做得更快，但是它没有办法像人一样思考，更没有办法替你决策。这一点，在信用研究领域尤其如此。

相互信任，是团队深度协作的基础

朱昂：天弘基金也很注重投研团队的深度协作和一体化，一体化很重要的一点是团队之间的互相信任，大家把彼此的后背交给别人，能否谈谈这种信任是如何建立的？

张士扬 首先，团队内部的终极问题是，如何平衡平台和个体的成长。信用研究和股票研究不同，研究员需要更长的时间成长。很少有做了一两年的人，能够成为一名很优秀的信用分析师。没有经历过周期，对于很多风险是无法理解和有效应对的。

当然，也有经验和能力都很强的人，暂时没法在业务层面表现突出。比如，有些行业经历过系统性的供给侧改革之后，开始步入长期的安全稳定环境，那么这些行业分析师很难有用武之地。但他们的经验和技能依然是宝贵的，我们该如何驱动他们把自己核心的技能教给年轻人？我觉得，只有平衡好个体和平台的关系，才能让每个人在团队中安心工作。

信用能力本来就是需要超长周期才能验证，我们很难通过短期表现来评判一个团队或者一个研究员的长期竞争力。所以，在激励机制上，我们要考虑研究员的短期表现，更要考虑其对团队综合能力的长期增益。因此，我希望用尽可能合理的长效激励方式促进团队成员能够手拉手，一起往前走，通过时间慢慢建立一种互相信任、透明的团队文化。

朱昂：人才培养这块，有了透明的体系，培养周期能不能缩短？

张士扬 一个三年以内的分析师，培养周期是可以缩短的，因为有更好的知识体系，能帮他更快地融入并完成最基本的训练。但是过了学习曲线最陡峭的那一段，再往上，还是得靠他自己，需要比较长的时间。

我一直觉得，任何一个行业，高质量、高技能的研究员都是稀缺的。中间水平的研究员不稀缺，但是要把他培养成高技能的人，你得花力气，至少目前天弘是愿意去培养的。正因如此，尽管市场对信用研究的关注阶段性下降，但是我们始终将其置于重要位置，很珍惜这个能力。

风险提示：观点仅供参考，不构成投资建议，市场有风险，投资需谨慎。